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

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

一种基于实车数据的电动汽车动力电池热失控预警方法

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：

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

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：

S21：获取第h个时间窗口下电压数据集

中的电压最小值

以及最大值

其中，u^h(i,j)表示第h个时间窗口下第i行，第j号单体电池的电压值；

S22：将第h个时间窗口下电压数据集

中所有单体电池的电压划分为n个区域，各区域范围为：

其中，

表示第h个时间窗口下每个区域的大小，λ＝0,1,2,…,n-1；

S23：计算第h个时间窗口下电池j的电压分布在各个区域的频数

其中，

为第h个时间窗口下电池j的电压分布在第δ区域的频数，δ＝1,2,…,n；

S24：计算第h个时间窗口下电池j的电压分布在各个区域的频率

为：

其中，

为第h个时间窗口下电池j的电压在第δ区域的频率，δ＝1,2,…,n；

S25：计算第h个时间窗口下电压数据矩阵

中各个单体电池的电压香农熵H^h：H^h＝[H^h(1),H^h(j),…,H^h(K)]；

其中，H^h(j)为第h个时间窗口下电池j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H^h中，电池j电压香农熵H^h(j)的第k距离d_k(j)为：

d_k(j)＝max{d(j,o)|j∈k-neighbor_j}

其中，d(j,o)为H^h(j)到H^h(o)的欧氏距离，j∈k-neighbor_j为距离H^h(j)最近的k个点的集合；

S32：定义以H^h(j)为圆心，以k邻近距离d_k(j)为半径的圆以内的范围为H^h(j)的第k距离邻域N_k(j)；

S33：计算H^h(j)到H^h(o)的第k可达距离reach_dist_k(j,o)为：

reach_dist_k(j,o)＝max{d_k(o),d(j,o)}

S34：计算H^h(j)的局部可达密度lrd_k(j)为：

S35：计算H^h(j)的局部离群因子LOF_k(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U_M×K：

其中，

是第h个时间窗口下的单体电池电压数据集，1≤i≤M,1≤j≤K，K为动力电池包内单体电池的个数，u^h(i,j)表示第h个时间窗口下第i行，第j号单体电池的电压值。

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U_M×K：

其中，

是第h个时间窗口下的单体电池电压数据集，1≤i≤M,1≤j≤K，K为动力电池包内单体电池的个数，u^h(i,j)表示第h个时间窗口下第i行，第j号单体电池的电压值；

S2，计算所获取电压数据集内各单体电池的电压香农熵：

S21：获取第h个时间窗口下电压数据集

中的电压最小值

以及最大值

S22：将第h个时间窗口下电压数据集

中所有单体电池的电压划分为n个区域，各区域范围为：

其中，

表示第h个时间窗口下每个区域的大小，λ＝0,1,2,…,n-1；

S23：计算第h个时间窗口下电池j的电压分布在各个区域的频数

其中，

为第h个时间窗口下电池j的电压分布在第δ区域的频数，δ＝1,2,…,n；

S24：计算第h个时间窗口下电池j的电压分布在各个区域的频率

为：

其中，

为第h个时间窗口下电池j的电压在第δ区域的频率，δ＝1,2,…,n；

S25：计算第h个时间窗口下电压数据矩阵

中各个单体电池的电压香农熵H^h：H^h＝[H^h(1),H^h(j),…,H^h(K)]；

其中，H^h(j)为第h个时间窗口下电池j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H^h中，电池j电压香农熵H^h(j)的第k距离d_k(j)为：

d_k(j)＝max{d(j,o)|j∈k-neighbor_j}

其中，d(j,o)为H^h(j)到H^h(o)的欧氏距离，j∈k-neighbor_j为距离H^h(j)最近的k个点的集合；

S32：定义以H^h(j)为圆心，以k邻近距离d_k(j)为半径的圆以内的范围为H^h(j)的第k距离邻域N_k(j)；

S33：计算H^h(j)到H^h(o)的第k可达距离reach_dist_k(j,o)为：

reach_dist_k(j,o)＝max{d_k(o),d(j,o)}

S34：计算H^h(j)的局部可达密度lrd_k(j)为：

S35：计算H^h(j)的局部离群因子LOF_k(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：

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

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：

S21：获取第h个时间窗口下电压数据集

中的电压最小值

以及最大值

其中，u^h(i,j)表示第h个时间窗口下第i行，第j号单体电池的电压值；

S22：将第h个时间窗口下电压数据集

中所有单体电池的电压划分为n个区域，各区域范围为：

其中，

表示第h个时间窗口下每个区域的大小，λ＝0,1,2,…,n-1；

S23：计算第h个时间窗口下电池j的电压分布在各个区域的频数

其中，

为第h个时间窗口下电池j的电压分布在第δ区域的频数，δ＝1,2,…,n；

S24：计算第h个时间窗口下电池j的电压分布在各个区域的频率

为：

其中，

为第h个时间窗口下电池j的电压在第δ区域的频率，δ＝1,2,…,n；

S25：计算第h个时间窗口下电压数据矩阵

中各个单体电池的电压香农熵H^h：H^h＝[H^h(1),H^h(j),…,H^h(K)]；

其中，H^h(j)为第h个时间窗口下电池j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H^h中，电池j电压香农熵H^h(j)的第k距离d_k(j)为：

d_k(j)＝max{d(j,o)|j∈k-neighbor_j}

其中，d(j,o)为H^h(j)到H^h(o)的欧氏距离，j∈k-neighbor_j为距离H^h(j)最近的k个点的集合；

S32：定义以H^h(j)为圆心，以k邻近距离d_k(j)为半径的圆以内的范围为H^h(j)的第k距离邻域N_k(j)；

S33：计算H^h(j)到H^h(o)的第k可达距离reach_dist_k(j,o)为：

reach_dist_k(j,o)＝max{d_k(o),d(j,o)}

S34：计算H^h(j)的局部可达密度lrd_k(j)为：

S35：计算H^h(j)的局部离群因子LOF_k(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。

2.如权利要求1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U_M×K：

其中，

是第h个时间窗口下的单体电池电压数据集，1≤i≤M,1≤j≤K，K为动力电池包内单体电池的个数，u^h(i,j)表示第h个时间窗口下第i行，第j号单体电池的电压值。

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。

Images