CN115257379A - 一种基于实车数据的电动汽车动力电池热失控预警方法 - Google Patents
一种基于实车数据的电动汽车动力电池热失控预警方法 Download PDFInfo
- Publication number
- CN115257379A CN115257379A CN202210936029.5A CN202210936029A CN115257379A CN 115257379 A CN115257379 A CN 115257379A CN 202210936029 A CN202210936029 A CN 202210936029A CN 115257379 A CN115257379 A CN 115257379A
- Authority
- CN
- China
- Prior art keywords
- voltage
- time window
- battery
- time
- thermal runaway
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于实车数据的电动汽车动力电池热失控预警方法,包括获取基于车辆实时运行的动力电池包所有单体电池的电压数据集,计算所获取电压数据集内各单体电池的电压香农熵,对得到的各单体电池的电压香农熵使用局部离群因子算法,基于时间窗得到每个时刻各单体电池电压香农熵的LOF值,设定阈值,基于各单体电池电压香农熵的LOF值实现动力电池热失控预警。本发明数据精简易采集,可以更早实现车辆热失控故障的实时预警,并且可以定位故障单体电池。
Description
技术领域
本发明属于电池技术领域,涉及一种基于实车数据的电动汽车动力电池热失控预警方法。
背景技术
为了减轻碳排放压力以及加快能源结构转型,以电动汽车为代表的新能源汽车越来越受欢迎。动力电池作为电动汽车的关键部件,是电动汽车的动力来源,必须要具有高能量密度、长使用寿命以及高安全性等特征。锂离子电池凭借其自身能量密度高、循环寿命长以及无记忆效应等优势,成为了新能源汽车行业中使用最为广泛的储能元件。锂电池较高的能量密度就像一把双刃剑,虽然显著提高了电动汽车的续航能力,但同时其带来的安全问题也变得愈发突出,以热失控为特征的安全事故时有发生,给公众的生命财产安全带来了隐患。
电动汽车的热失控具有不确定性,其在静止、行驶以及停车充电过程中都有发生热失控的可能。此外,它还具有突发性,在发生热失控之前,电池管理系统的监控数据以及后台数据并不会侦测到明显的异常。因此,进行电动汽车动力电池热失控预警对于保证电动汽车的安全至关重要。
目前,对电池的热失控预警方法研究主要集中于对小型电池进行实验室条件下的热失控试验,或使用相关软件进行模型仿真试验。这类研究存在与电动汽车实际所装载动力电池模组差距太大,且不能够准确模拟真实车辆工况下电池状态的缺点,在电动汽车上的应用效果并不理想。因此,需要开发出基于实车数据的电池热失控预警方法,提高电动汽车的安全性。
发明内容
针对现有技术中存在的不足,本发明的目的在于,提供一种基于实车数据的电动汽车动力电池热失控预警方法,实现对故障电池进行定位,对热失控故障进行提前预警。
为了解决上述技术问题,本发明采用如下技术方案予以实现:
一种基于实车数据的电动汽车动力电池热失控预警方法,包括以下步骤:
S2,计算所获取电压数据集内各单体电池的电压香农熵,具体包括:
S3:对S2得到的各单体电池的电压香农熵使用局部离群因子算法,基于时间窗得到每个时刻各单体电池电压香农熵的LOF值,具体包括:
S31:计算第h个时间窗口下数据集Hh中,电池j电压香农熵Hh(j)的第k距离dk(j)为:
dk(j)=max{d(j,o)|j∈k-neighborj}
其中,d(j,o)为Hh(j)到Hh(o)的欧氏距离,j∈k-neighborj为距离Hh(j)最近的k个点的集合;
S32:定义以Hh(j)为圆心,以k邻近距离dk(j)为半径的圆以内的范围为Hh(j)的第k距离邻域Nk(j);
S33:计算Hh(j)到Hh(o)的第k可达距离reach_distk(j,o)为:
reach_distk(j,o)=max{dk(o),d(j,o)}
S34:计算Hh(j)的局部可达密度lrdk(j)为:
S35:计算Hh(j)的局部离群因子LOFk(j)为:
S4:设定阈值,基于各单体电池电压香农熵的LOF值实现动力电池热失控预警。
本发明还包括如下技术特征:
具体的,所述S1具体包括:
S11:获取基于车辆实时运行的动力电池包所有单体电池的编号和电压数据,确定从t1时刻到t2时刻的时间窗口长度M;其中,t1时刻是时间窗的起始时刻,t2时刻为时间窗的末尾时刻,t2时刻大于t1时刻;
S12:构建从t1时刻到t2时刻各个单体电池的电压数据集UM×K:
具体的,所述S4具体包括:
S41:设定LOF阈值Y;
S42:对第h个时间窗口下各个单体电池电压香农熵的LOF值进行阈值判断,如果未超过阈值,说明车辆没有热失控的风险;如果超过阈值,则说明有发生热失控的风险,并且记录下对应的单体电池代号。
本发明与现有技术相比,具有如下技术效果:
本发明使用的是电动汽车单体电池的电压数据,具有数据精简的优点;并且,单体电池电压数据为电动汽车的实时运行数据,具有易采集的优点;其次,本发明不受单体电池电压值大小的影响,不需要根据车辆的运行工况以及充放电工况进行分类分析;最后,本发明可以更早实现车辆热失控故障的实时预警,并且可以定位故障单体电池。
附图说明
图1是本发明流程图;
图2是基于时间序列的车辆各个单体电池的电压数据;
图3是各个时间窗口下的单体电池的电压香农熵;
图4是各个时间窗口下的单体电池的电压香农熵LOF值。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1:
如图1所示,本实施例提供一种基于实车数据的电动汽车动力电池热失控预警方法,包括以下步骤:
S1,获取基于车辆实时运行的动力电池包所有单体电池的电压数据集;
S11:获取基于车辆实时运行的动力电池包所有单体电池的编号和电压数据,确定从t1时刻到t2时刻的时间窗口长度M;其中,t1时刻是时间窗的起始时刻,t2时刻为时间窗的末尾时刻,t2时刻大于t1时刻;
S12:构建从t1时刻到t2时刻各个单体电池的电压数据集UM×K:
S2,计算所获取电压数据集内各单体电池的电压香农熵:
S3:对S2得到的各单体电池的电压香农熵使用局部离群因子(Local OutlierFactor,LOF)算法,基于时间窗得到每个时刻各单体电池电压香农熵的LOF值,如图4所示;具体包括以下步骤;
S31:计算第h个时间窗口下数据集Hh中,电池j电压香农熵Hh(j)的第k距离dk(j)为:
dk(j)=max{d(j,o)|j∈k-neighborj}
其中,d(j,o)为Hh(j)到Hh(o)的欧氏距离,j∈k-neighborj为距离Hh(j)最近的k个点的集合;
S32:定义以Hh(j)为圆心,以k邻近距离dk(j)为半径的圆以内的范围为Hh(j)的第k距离邻域Nk(j);
S33:计算Hh(j)到Hh(o)的第k可达距离reach_distk(j,o)为:
reach_distk(j,o)=max{dk(o),d(j,o)}
S34:计算Hh(j)的局部可达密度lrdk(j)为:
S35:计算Hh(j)的局部离群因子LOFk(j)为:
S4:设定阈值,基于各单体电池电压香农熵的LOF值实现动力电池热失控预警,如图4所示;具体包括以下步骤:
S41:设定LOF阈值Y;
S42:对第h个时间窗口下各个单体电池电压香农熵的LOF值进行阈值判断,如果未超过阈值,说明车辆没有热失控的风险;如果超过阈值,则说明有发生热失控的风险,并且记录下对应的单体电池代号。
图2为热失控事故车在时间序列下的各个单体电池(156个)的电压数据,车辆在最后阶段电压出现严重跳水时发生热失控,在此之前车辆处于正常状态,其中,曲线148为148号单体电池发生电压跳水,能在车辆动力电池包着火前42s实现热失控预警,紧接着其相邻147号单体电池、149号单体电池和150号单体电池(曲线147、曲线149和曲线150)均受到不同程度影响,电压偏离正常范围。
取时间窗口长度M=25,图3为各个单体电池的电压香农熵数据,其中,曲线148是148号单体电池的电压香农熵,可以看出,该曲线不同于其他单体电池。
设置阈值Y=2.5,图4为各个单体电池的电压香农熵LOF值数据,可以看出,在车辆处于正常状态时,所有单体电池的电压香农熵LOF值均未超过2.5;在最后阶段,某个单体电池的电压香农熵LOF值首次超过2.5,说明车辆有发生热失控的风险,并且定位到该电池为第148号单体电池(曲线148),在42秒后,车辆发生了热失控。
对比试验:
本发明和现有方法(样本熵)进行对比发现,样本熵的迭代曲线在着火前27s出现离群趋势,本发明电压香农熵的迭代曲线在着火前48s出现离群趋势,使用本发明方法能更早发现存在热失控风险的单体电池。综上所述,本发明提供的基于实车数据的电动汽车动力电池热失控预警方法可以很好地实现车辆热失控故障的提前预警,定位故障电池,并且在车辆未有热失控故障时,不会产生误报的情况。
Claims (3)
1.一种基于实车数据的电动汽车动力电池热失控预警方法,其特征在于,包括以下步骤:
S2,计算所获取电压数据集内各单体电池的电压香农熵,具体包括:
S3:对S2得到的各单体电池的电压香农熵使用局部离群因子算法,基于时间窗得到每个时刻各单体电池电压香农熵的LOF值,具体包括:
S31:计算第h个时间窗口下数据集Hh中,电池j电压香农熵Hh(j)的第k距离dk(j)为:
dk(j)=max{d(j,o)|j∈k-neighborj}
其中,d(j,o)为Hh(j)到Hh(o)的欧氏距离,j∈k-neighborj为距离Hh(j)最近的k个点的集合;
S32:定义以Hh(j)为圆心,以k邻近距离dk(j)为半径的圆以内的范围为Hh(j)的第k距离邻域Nk(j);
S33:计算Hh(j)到Hh(o)的第k可达距离reach_distk(j,o)为:
reach_distk(j,o)=max{dk(o),d(j,o)}
S34:计算Hh(j)的局部可达密度lrdk(j)为:
S35:计算Hh(j)的局部离群因子LOFk(j)为:
S4:设定阈值,基于各单体电池电压香农熵的LOF值实现动力电池热失控预警。
3.如权利要求2所述的基于实车数据的电动汽车动力电池热失控预警方法,其特征在于,所述S4具体包括:
S41:设定LOF阈值Y;
S42:对第h个时间窗口下各个单体电池电压香农熵的LOF值进行阈值判断,如果未超过阈值,说明车辆没有热失控的风险;如果超过阈值,则说明有发生热失控的风险,并且记录下对应的单体电池代号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210936029.5A CN115257379A (zh) | 2022-08-05 | 2022-08-05 | 一种基于实车数据的电动汽车动力电池热失控预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210936029.5A CN115257379A (zh) | 2022-08-05 | 2022-08-05 | 一种基于实车数据的电动汽车动力电池热失控预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115257379A true CN115257379A (zh) | 2022-11-01 |
Family
ID=83748915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210936029.5A Pending CN115257379A (zh) | 2022-08-05 | 2022-08-05 | 一种基于实车数据的电动汽车动力电池热失控预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115257379A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951231A (zh) * | 2023-03-14 | 2023-04-11 | 长安大学 | 基于单体电池电压相关性的汽车动力电池故障预警方法 |
CN116466241A (zh) * | 2023-05-06 | 2023-07-21 | 重庆标能瑞源储能技术研究院有限公司 | 一种单体电池热失控定位方法 |
-
2022
- 2022-08-05 CN CN202210936029.5A patent/CN115257379A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951231A (zh) * | 2023-03-14 | 2023-04-11 | 长安大学 | 基于单体电池电压相关性的汽车动力电池故障预警方法 |
CN116466241A (zh) * | 2023-05-06 | 2023-07-21 | 重庆标能瑞源储能技术研究院有限公司 | 一种单体电池热失控定位方法 |
CN116466241B (zh) * | 2023-05-06 | 2024-03-26 | 重庆标能瑞源储能技术研究院有限公司 | 一种单体电池热失控定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115257379A (zh) | 一种基于实车数据的电动汽车动力电池热失控预警方法 | |
Gan et al. | Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles | |
Jiaqiang et al. | Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge | |
Vaideeswaran et al. | Battery management systems for electric vehicles using lithium ion batteries | |
Panchal et al. | Degradation testing and modeling of 200 ah LiFePO 4 battery | |
CN111812529A (zh) | 一种时变循环工况下锂离子电池老化热失控测试方法 | |
CN112782599A (zh) | 锂离子电池无损析锂检测方法、装置及计算机设备 | |
CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
CN105667326A (zh) | 一种具有主动防护功能的混合动力汽车充电系统和方法 | |
CN112540297A (zh) | 一种研究锂离子电池过充安全冗余边界的方法 | |
CN115951231A (zh) | 基于单体电池电压相关性的汽车动力电池故障预警方法 | |
CN113093016A (zh) | 基于不确定噪声滤波的动力电池管理系统故障诊断方法 | |
CN113219353A (zh) | 一种基于bms的热失控控制方法及其系统 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN114325406A (zh) | 一种基于机器学习思维预测电池热失控的方法及系统 | |
Lin et al. | State of health estimation of lithium-ion batteries based on remaining area capacity | |
Rahman et al. | A study of EV BMS cyber security based on neural network SOC prediction | |
CN112349979A (zh) | 一种动力型锂电池精准配组方法 | |
CN115308617B (zh) | 一种锂离子电池内部短路诊断方法 | |
CN115511203A (zh) | 基于锂电池荷电状态估计电动船舶航程优化方法及系统 | |
CN115684968A (zh) | 一种预测锂电池容量保持率的方法 | |
CN115166520A (zh) | 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法 | |
CN111584966B (zh) | 基于大数据分析的动力电池包中单体电池过压预警方法 | |
Kong et al. | A Capacity Degradation Estimation Error Correction Method for Lithium-Ion Battery Considering the Effect of Sequential Depth of Discharge | |
Huang et al. | Evaluation index of battery pack of energy storage station based on RB recession mechanism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |