CN114559819A - 一种基于信号处理的电动汽车电池安全预警方法 - Google Patents

Abstract

本发明公开了一种基于信号处理的电动汽车电池安全预警方法，该方法包括以下步骤：S1：数据获取、S2：特征提取、S3：状态计算、S4：状态评价、S5：电池组提前检测、S6：故障单体定位、S7：故障原因判断；本发明一种基于信号处理的电动汽车电池安全预警方法是基于实车数据的诊断方法，无需大量建模和反复训练，复杂度较小足以应用于实车的在线故障诊断，能够提前于实车BMS报警信号和热失控发生时刻检测到故障发生，采用了状态差累积和的方法，相对于直接与固定阈值比较的方式，能够有效降低误报率，采用多特征输入，充分考虑了电池故障的复杂性和特征的交叉性，使得诊断鲁棒性和可靠性更高。

Description

一种基于信号处理的电动汽车电池安全预警方法

技术领域

本发明涉及电池故障诊断技术领域，具体为一种基于信号处理的电动汽车电池安全预警方法。

背景技术

锂离子电池由于具有能量密度高、循环寿命长、环境友好且价格逐年降低等优势，已成为电动汽车主流的储能部件，然而近年来电动汽车热失控、燃烧、爆炸等安全事故逐年增加，电池系统的安全性成为电动汽车快速发展的重要挑战，国标GB也对电池热失控安全性提出越来越高的要求。除了从电芯材料改性和结构设计方面提高电芯安全性，对电池系统进行状态监控和故障诊断，尽早发现出潜在的故障和危险，对提高电池系统和电动汽车的安全性至关重要。

电池系统包含多种复杂的故障，而众多研究表明电动汽车自燃着火等事故主要来源于动力电池。目前主流的电池故障诊断方法分为基于模型和数据驱动的方法。在实际应用中，电池汽车上电池组一般由数百个电芯串并联组成，基于模型的方法需要大量的建模工作，且诊断效果受模型精度和鲁棒性的影响较大；机器学习算法的精度跟训练数据的数量和质量密切相关，大量的电池故障数据不易获得，限制了该方法的应用。另一方面，现有的故障诊断研究大多基于实验条件而没有经过实车验证，且只检测到故障出现，并没有判断故障类型。因此，亟需开发出适用于实车的安全预警方法，减少安全事故的发生。

基于此，本发明拟充分利用实车数据，基于信号处理的方法，实现电动汽车电池的安全预警。

发明内容

针对上述存在的技术不足，本发明的目的是提供一种基于信号处理的电动汽车电池安全预警方法，以解决背景技术中提出的问题。

为解决上述技术问题，本发明采用如下技术方案：

本发明提供一种基于信号处理的电动汽车电池安全预警方法，该方法包括以下步骤：

S1：数据获取：获取各车型在报警前后的电池数据，具体包括电流、单体电压、探针温度和对应的报警信号数据，对所获数据进行数据前处理操作；

S2：特征提取：从获取的电池数据中提取表征电池实时状态的特征一和特征二，其特征一为单体电压，特征二为标准化后的探针温度，对特征一和特征二进行数据平滑处理；

S3：状态计算：根据未报警时刻下对应的特征一和特征二，基于状态表示法分别计算得到电池组各电池单体和温度探针在正常情况下的状态权重参数和状态值，接着按照设定的固定时间窗口长度划分特征，构建各个时间窗口下的特征矩阵，参考正常情况下的状态权重参数，计算各个时间窗口下的电池组各电池单体状态值和温度探针状态值；

S4：状态评价：基于状态差累积和的方法，计算各个时间窗口下电池组各单体状态值与其对应的正常状态值之间差值的累积和，将状态差累积和与阈值进行比较，判定是否存在有异常的窗口，通过异常窗口得到电池组出现异常的时刻，以及得到温度对应的故障时刻作为电池包故障诊断的辅助判断依据；

S5：电池组提前检测：将故障时刻与实车BMS报警时刻、实车热失控发生时刻进行对比，判断是否实现提前预警；

S6：故障单体定位：处于状态最低值的单体确定为故障单体，处于状态最高值的温度探针为作为辅助判断故障单体位置的依据；

S7：故障原因判断：以单体异常出现时刻为节点，将所有样本长度划分为前、中、后三个阶段，计算电池组各单体状态在各个时间段的峰度值和偏度值，分析故障单体的离群情况，判断出电池故障原因。

优选地，所述步骤S1具体包括以下步骤：

S11：提取不同车型实车的历史数据，包括电流、单体电压、探针温度和对应的报警信号数据；

S12：将各车型的数据按是否发生报警进行分类，得到各车型在未报警时的电池数据和报警时的电池数据；

S13：对所提取的数据进行去重补漏、采集异常点剔除数据前处理。

优选地，所述步骤S2具体包括以下步骤：

S21：选择单体电压和探针温度作为原始特征；

S22：构建单体电压矩阵；

S23：将单体电压标准化后构建特征向量，作为特征一；

S24：对特征向量进行平滑处理；

S25：将单体电压换为探针温度，重复步骤S22～S24，构建标准化后的探针温度特征向量，作为特征二。

优选地，所述步骤S3具体包括以下步骤：

S31：确定时间窗口长度为g个数据采样点长度；

S32：构建每个时间窗口下的单体电压特征矩阵；

S33：根据最小二乘误差目标函数，计算第一个窗口下的单体电压的状态矩阵对应的基准参数向量；

S34：计算第一个窗口下的单体电压的状态矩阵对应的基准状态向量；

S35：计算各个时间窗口下的电池包各电池单体的状态向量；

S36：将电压特征矩阵换为探针温度特征矩阵，重复步骤S32～S35，得到特征二对应的基准参数向量和各个时间窗口下的状态向量。

优选地，所述步骤S4具体包括以下步骤：

S41：计算特征一各个时间窗口下的状态与对应的基准状态的差值；

S42：计算状态差最大似然比的累积和；

S43：根据最大似然比累积和与阈值进行比较，进而进行状态异常判断；

S44：根据步骤S43中得到的异常窗口，对应到数据采样时刻，得到电池组故障出现时刻；

S45：将电压特征矩阵换为探针温度特征矩阵，重复步骤S41～S44,得到特征二对应的故障出现时刻。

优选地，所述步骤S5具体包括以下步骤：

S51：如果步骤S4中两个特征得到的结果均无异常窗口出现，判断电池组为正常状态；如果特征一得到的结果得到异常窗口，则判断电池组为异常状态；

S52：若S51判断结果为异常，获取实车BMS的报警时刻或者实车热失控的发生时刻；

S53：比较S51得到的故障出现时刻与S52得到的时刻，判断前者是否提前于后者。

优选地，所述步骤S6具体包括以下步骤：

S61：若S51判断结果为异常，则将处于状态最低值的单体确定为故障单体，处于状态最高值的温度探针为作为辅助判断异常单体位置的依据。

优选地，所述步骤S7具体包括以下步骤：

S71：根据特征一得到的故障时刻将时间窗口分为前期、中期和后期；

S72：计算电池包所有单体在三个阶段的单体状态偏度、峰度值；

S73：分析故障单体在三个阶段的离群情况，判断出电池故障原因，若三个阶段，异常单体均出现偏离其他单体的现象，则表明单体有明显的电压不一致；若前无，中有，后偏离程度加大，则表明单体存在缓慢发展性故障或不一致性程度加大；若前无，中无，后有，则表明单体出现突发性故障。

本发明的有益效果在于：

1、本发明是基于实车数据的诊断方法，无需大量建模和反复训练，复杂度较小足以应用于实车的在线故障诊断。

2、本发明能够提前于实车BMS报警信号和热失控发生时刻检测到故障发生。

3、本发明采用了状态差累积和的方法，相对于直接与固定阈值比较的方式，能够有效降低误报率。

4、本发明采用多特征输入，充分考虑了电池故障的复杂性和特征的交叉性，使得诊断鲁棒性和可靠性更高。

5、本发明的特征值预处理技术能够减少了异常数据和充点电工况对诊断算法的影响。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明总体流程图；

图2为基于状态差累积和与阈值比较的方法实现故障时刻检测的流程图；

图3为电池故障原因判断的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例：

参考图1，本发明提供了一种基于信号处理的电动汽车电池安全预警方法，该方法包括以下步骤：

S1：数据获取：获取各车型在报警前后的电池数据，具体包括电流、单体电压、探针温度和对应的报警信号数据，对所获数据进行数据前处理操作；

S2：特征提取：从获取的电池数据中提取表征电池实时状态的特征一和特征二，其特征一为单体电压，特征二为标准化后的探针温度，对特征一和特征二进行数据平滑处理；

S3：状态计算：根据未报警时刻下对应的特征一和特征二，基于状态表示法分别计算得到电池组各电池单体和温度探针在正常情况下的状态权重参数和状态值，接着按照设定的固定时间窗口长度划分特征，构建各个时间窗口下的特征矩阵，参考正常情况下的状态权重参数，计算各个时间窗口下的电池组各电池单体状态值和温度探针状态值；

S4：状态评价：基于状态差累积和的方法，计算各个时间窗口下电池组各单体状态值与其对应的正常状态值之间差值的累积和，将状态差累积和与阈值进行比较，判定是否存在有异常的窗口，通过异常窗口得到电池组出现异常的时刻，以及得到温度对应的故障时刻作为电池包故障诊断的辅助判断依据；

S5：电池组提前检测：将故障时刻与实车BMS报警时刻、实车热失控发生时刻进行对比，判断是否实现提前预警；

S6：故障单体定位：处于状态最低值的单体确定为故障单体，处于状态最高值的温度探针为作为辅助判断故障单体位置的依据；

S7：故障原因判断：以单体异常出现时刻为节点，将所有样本长度划分为前、中、后三个阶段，计算电池组各单体状态在各个时间段的峰度值和偏度值，分析故障单体的离群情况，判断出电池故障原因。

作为一种可选的实施例，所述步骤S1具体包括以下步骤：

S11：提取不同车型实车的历史数据，包括电流、单体电压、探针温度和对应的报警信号数据；

S12：将各车型的数据按是否发生报警进行分类，得到各车型在未报警时的电池数据和报警时的电池数据；

S13：对所提取的数据进行去重补漏、采集异常点剔除数据前处理。

作为一种可选的实施例，所述步骤S2具体包括以下步骤：

S21：选择单体电压和探针温度作为原始特征；

S22：构建单体电压矩阵A_m×n；

其中，n为电池组中电池单体数，m为电池单体的电压的采样时刻，v_i，j为第i个采样时刻下第j号电池单体电压值，i＝1，2，...，m，j＝1，2，...，n；

S23：将单体电压标准化后构建特征向量A_i，作为特征一；

x_i＝(e_i1，...，e_ij，...，e_in)

A_i＝(v_i1，...，v_ij，...，v_in)

其中，x_i是第i个采样时刻下的特征向量，e_ij为第i个采样时刻下的第j号电池单体标准化后的电压，v_ij为第i个采样时刻下的第j号电池单体预处理后的电压，A_i为第i个采样时刻下的电池单体电压向量，|A_i|为A_i的模长。

S24：对特征向量进行平滑处理；

S25：将单体电压换为探针温度，重复步骤S22～S24，构建标准化后的探针温度特征向量，作为特征二。

作为一种可选的实施例，所述步骤S3具体包括以下步骤：

S31：确定时间窗口长度为g＝2个数据采样点长度；

S32：构建每个时间窗口下的单体电压特征矩阵为G_l为；

G_l＝X_l×X_l ^T

其中，G_l是第l个时间窗口下的单体电压的特征矩阵，X_l是第l个时间窗口下的特征矩阵，

为第l个时间窗口下第i个采样时刻中的第j号电池单体电压；

S33：根据最小二乘误差目标函数，计算第一个窗口下的单体电压的状态矩阵G₁对应的基准参数向量λ为：

λ＝(λ₁...λ_j...λ_n)^T

其中，λ_j是第一个时间窗口下的第j号单体电压对应的参数权重；

S34：计算第一个窗口下的单体电压的状态矩阵对应的基准状态向量ζ₁为：

其中，f(λ，x)是电池状态函数，ζ_1j是第一个时间窗口下的第j号单体电压的特征；

步骤S34中，最小二乘误差目标函数为：

约束条件：

其中，I表示n×n的单位矩阵，e是n×1的单位向量，e^T是e的转置。

S35：计算各个时间窗口下的电池包各电池单体的状态向量，第l个时间窗口下的状态向量ζ_l为：

S36：将电压特征矩阵换为探针温度特征矩阵，重复步骤S32～S35，得到特征二对应的基准参数向量和各个时间窗口下的状态向量。

请参阅图2，基于状态差累积和与阈值比较的方法实现故障时刻的检测的具体步骤为：

S41：计算特征一第l个时间窗口下的状态向量ζ_l与基准状态向量ζ₁的状态差矩阵r_l；

r_l＝ζ_l-ζ₁＝((ζ_l1-ζ₁₁)，...，(ζ_li-ζ_1i)，...，(ζ_ln-ζ_1n))^T，l＝2，3...

S42：计算状态差最大似然比的累积和；

式中，r表示状态差，s(r)表示状态差对数似然比，

以及

分别表示有故障假设H₁和无故障假设H₀下的概率密度函数，z表示状态差的具体值，μ₀、

分别是未报警时刻下电池包状态中位数的平均值和方差，μ₁、

分别是报警时刻下电池包状态最小值的平均值和方差，S_i表示第i个时间窗口下单体状态差最大值的最大似然比累积和。

S43：根据最大似然比累积和与阈值进行比较，进而进行状态异常判断；

式中，J表示报警阈值，通过大量的统计结果最终校准。故障检测信号d＝1表示电池包出现异常，d＝0表示无电池包异常；

S44：根据步骤S43中得到的异常窗口，对应到数据采样时刻，得到电池组故障出现时刻t_f1；

S45：将电压特征矩阵换为探针温度特征矩阵，重复步骤S41～S44，得到特征二对应的故障出现时刻t_f2。

作为一种可选的实施例，所述步骤S5具体包括以下步骤：

S51：如果步骤S4中两个特征得到的结果均无异常窗口出现，判断电池组为正常状态；如果特征一得到的结果得到异常窗口(不论特征二的结果)，则判断电池组为异常状态；

S52：若S51判断结果为异常，获取实车BMS的报警时刻或者实车热失控的发生时刻；

S53：比较S51得到的故障出现时刻与S52得到的时刻，判断前者是否提前于后者。

作为一种可选的实施例，所述步骤S6具体包括以下步骤：

S61：若S51判断结果为异常，则将处于状态最低值的单体确定为故障单体，处于状态最高值的温度探针为作为辅助判断异常单体位置的依据。

请参阅图3，电池包故障原因判断的具体步骤为：

S71：根据故障时刻t_f1将时间窗口分为前期、中期和后期，前期为

中期为

后期为t_f1-m；

S72：计算电池包所有单体在三个阶段的单体状态偏度、峰度值；

计算电池包所有单体在三个阶段的单体状态偏度值：

式中，Sk_fj、Sk_mj、Sk_rj分别表示前、中、后期的偏度，μ_fj、μ_lj、μ_rj表示前、中、后期j号单体状态平均值，ζ_lj表示l个时间窗口下第j号单体状态，n₁、n₂、n₃表示前、中、后期的时间窗口数；

计算电池包所有单体在三个阶段的单体状态峰度值：

式中，K_fj、K_mj、K_rj分别表示前、中、后期的单体状态峰度值。

S73：分析故障单体在三个阶段的离群情况，判断出电池故障原因，若三个阶段，异常单体均出现偏离其他单体的现象，则表明单体有明显的电压不一致；若前无，中有，后偏离程度加大，则表明单体存在缓慢发展性故障或不一致性程度加大；若前无，中无，后有，则表明单体出现突发性故障。

本发明一种基于信号处理的电动汽车电池安全预警方法是基于实车数据的诊断方法，无需大量建模和反复训练，复杂度较小足以应用于实车的在线故障诊断。

本发明能够提前于实车BMS报警信号和热失控发生时刻检测到故障发生。

本发明采用了状态差累积和的方法，相对于直接与固定阈值比较的方式，能够有效降低误报率。

本发明采用多特征输入，充分考虑了电池故障的复杂性和特征的交叉性，使得诊断鲁棒性和可靠性更高。

本发明的特征值预处理技术能够减少了异常数据和充点电工况对诊断算法的影响。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于信号处理的电动汽车电池安全预警方法，其特征在于，该方法包括以下步骤：

S1：数据获取：获取各车型在报警前后的电池数据，具体包括电流、单体电压、探针温度和对应的报警信号数据，对所获数据进行数据前处理操作；

S2：特征提取：从获取的电池数据中提取表征电池实时状态的特征一和特征二，其特征一为单体电压，特征二为标准化后的探针温度，对特征一和特征二进行数据平滑处理；

S3：状态计算：根据未报警时刻下对应的特征一和特征二，基于状态表示法分别计算得到电池组各电池单体和温度探针在正常情况下的状态权重参数和状态值，接着按照设定的固定时间窗口长度划分特征，构建各个时间窗口下的特征矩阵，参考正常情况下的状态权重参数，计算各个时间窗口下的电池组各电池单体状态值和温度探针状态值；

S4：状态评价：基于状态差累积和的方法，计算各个时间窗口下电池组各单体状态值与其对应的正常状态值之间差值的累积和，将状态差累积和与阈值进行比较，判定是否存在有异常的窗口，通过异常窗口得到电池组出现异常的时刻，以及得到温度对应的故障时刻作为电池包故障诊断的辅助判断依据；

S5：电池组提前检测：将故障时刻与实车BMS报警时刻、实车热失控发生时刻进行对比，判断是否实现提前预警；

S6：故障单体定位：处于状态最低值的单体确定为故障单体，处于状态最高值的温度探针为作为辅助判断故障单体位置的依据；

S7：故障原因判断：以单体异常出现时刻为节点，将所有样本长度划分为前、中、后三个阶段，计算电池组各单体状态在各个时间段的峰度值和偏度值，分析故障单体的离群情况，判断出电池故障原因。

2.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法，其特征在于，步骤S1具体包括以下步骤：

S11：提取不同车型实车的历史数据，包括电流、单体电压、探针温度和对应的报警信号数据；

S12：将各车型的数据按是否发生报警进行分类，得到各车型在未报警时的电池数据和报警时的电池数据；

S13：对所提取的数据进行去重补漏、采集异常点剔除数据前处理。

3.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法，其特征在于，所述步骤S2具体包括以下步骤：

S21：选择单体电压和探针温度作为原始特征；

S22：构建单体电压矩阵；

S23：将单体电压标准化后构建特征向量，作为特征一；

S24：对特征向量进行平滑处理；

S25：将单体电压换为探针温度，重复步骤S22～S24，构建标准化后的探针温度特征向量，作为特征二。

4.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法，其特征在于，所述步骤S3具体包括以下步骤：

S31：确定时间窗口长度为g个数据采样点长度；

S32：构建每个时间窗口下的单体电压特征矩阵；

S33：根据最小二乘误差目标函数，计算第一个窗口下的单体电压的状态矩阵对应的基准参数向量；

S34：计算第一个窗口下的单体电压的状态矩阵对应的基准状态向量；

S35：计算各个时间窗口下的电池包各电池单体的状态向量；

S36：将电压特征矩阵换为探针温度特征矩阵，重复步骤S32～S35，得到特征二对应的基准参数向量和各个时间窗口下的状态向量。

5.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法，其特征在于，所述步骤S4具体包括以下步骤：

S41：计算特征一各个时间窗口下的状态与对应的基准状态的差值；

S42：计算状态差最大似然比的累积和；

S43：根据最大似然比累积和与阈值进行比较，进而进行状态异常判断；

S44：根据步骤S43中得到的异常窗口，对应到数据采样时刻，得到电池组故障出现时刻；

S45：将电压特征矩阵换为探针温度特征矩阵，重复步骤S41～S44,得到特征二对应的故障出现时刻。

6.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法，其特征在于，所述步骤S5具体包括以下步骤：

S51：如果步骤S4中两个特征得到的结果均无异常窗口出现，判断电池组为正常状态；如果特征一得到的结果得到异常窗口，则判断电池组为异常状态；

S52：若S51判断结果为异常，获取实车BMS的报警时刻或者实车热失控的发生时刻；

S53：比较S51得到的故障出现时刻与S52得到的时刻，判断前者是否提前于后者。

7.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法，其特征在于，所述步骤S6具体包括以下步骤：

S61：若S51判断结果为异常，则将处于状态最低值的单体确定为故障单体，处于状态最高值的温度探针为作为辅助判断异常单体位置的依据。

8.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法，其特征在于，所述步骤S7具体包括以下步骤：

S71：根据特征一得到的故障时刻将时间窗口分为前期、中期和后期；

S72：计算电池包所有单体在三个阶段的单体状态偏度、峰度值；

S73：分析故障单体在三个阶段的离群情况，判断出电池故障原因，若三个阶段，异常单体均出现偏离其他单体的现象，则表明单体有明显的电压不一致；若前无，中有，后偏离程度加大，则表明单体存在缓慢发展性故障或不一致性程度加大；若前无，中无，后有，则表明单体出现突发性故障。

Images