CN115327381A - 一种基于门控概率模型的电动单车锂电池热失控预测的方法 - Google Patents
一种基于门控概率模型的电动单车锂电池热失控预测的方法 Download PDFInfo
- Publication number
- CN115327381A CN115327381A CN202210764303.5A CN202210764303A CN115327381A CN 115327381 A CN115327381 A CN 115327381A CN 202210764303 A CN202210764303 A CN 202210764303A CN 115327381 A CN115327381 A CN 115327381A
- Authority
- CN
- China
- Prior art keywords
- data
- thermal runaway
- battery
- batteries
- voltage
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 30
- QHGJSLXSVXVKHZ-UHFFFAOYSA-N dilithium;dioxido(dioxo)manganese Chemical compound [Li+].[Li+].[O-][Mn]([O-])(=O)=O QHGJSLXSVXVKHZ-UHFFFAOYSA-N 0.000 claims abstract description 61
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 28
- 239000000178 monomer Substances 0.000 description 8
- 230000002547 anomalous effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010926 waste battery Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及基于门控概率模型的电动单车锂电池热失控预测的方法，具体为一种基于门控概率模型的电动单车锂电池热失控预测的方法，利针对电动单车常用锂电池的热失控问题，采用基于门控概率模型进行电池热失控预测的方法对常见的锰酸锂电池和磷酸铁锂电池进行热失控故障预测。首先，通过采集电动单车的时机电池包温度电压等数据，根据实际的温度电压变化筛选出可用于构建模型的特征，进而根据所提取特征进行门控模型构建。门控概率模型相比于传统的机器学习算法能够更有效实现热失控的故障预测。该模型及预测方法可有效用于实际电动单车的电池热失控故障检测，从而为电单车的行驶安全性提供保障，具备较高的理论意义与应用价值。
Description
技术领域
本发明涉及基于门控概率模型的电动单车锂电池热失控预测的方法，具体为一种基于门控概率模型的电动单车锂电池热失控预测的方法。
背景技术
电动单车作为民众出行过程中常采用的出行方式，搭载锂电池的电动单车被广泛选择，而电动自行车的热失控故障所造成的火灾形势严峻，出台锂电池安全强制性国家标准的呼声不绝于耳。2022年2月21日，工业和信息化部对《电动自行车用锂离子蓄电池安全要求》强制性国家标准计划项目公开征求意见。目前，市场上存在着使用梯次利用(即从电动汽车淘汰下来的电池或者废旧电池中拆出可用电芯组装电池再次使用，编者注)的锂电池或劣质锂电池，以及使用劣质充电器对锂电池充电的行为，其中隐含的热失控故障尤为明显。电动自行车锂电池强制性国家标准制定的难点在于怎样最大限度地实现该项标准的科学性、先进性，切实提升产品质量准绳，保障消费者人身财产安全。在标准制定中，为最大限度实现检验项目考核产品基本属性的指标、方法的科学性和先进性，电池电气安全、电池机械安全、电池保护功能、环境安全、人身安全、电池结构安全等6个方面的项目均应纳入考虑。热失控的故障预测本身从电池基本属性的指标和先进方法、电池保护功能等多个角度入手，着力进行电池热失控故障甚至火灾的事先预测，因此具备广泛的理论研究意义与应用价值。本发明采用一种基于门控概率模型的方法进行热失控故障的预测，通过对实际运行的电动单车的锂电池的数据采集，通过探查数据挖掘出与热失控故障相关的特征，进而采用门控概率模型解决热失控故障的预测问题。
发明内容
为应对实际生产生活中由于热失控所导致的电动单车锂电池故障火灾，本专利从门控概率模型的角度入手，结合实际的获取锂电池数据表现，进行基本的影响锂电池热失控故障的相关特征提取与选择，从而结合数据分布进行门控模型的设定，有效解决热失控故障的预测问题,提供一种基于门控概率模型的电动单车锂电池热失控预测的方法。
一种基于门控概率模型的电动单车锂电池热失控预测的方法，具体包括以下步骤：S001为数据准备步骤，主要通过对电动单车的锂电池数据进行采集，该步骤目的是获取锂电池中三类型号(磷酸铁锂1、锰酸锂1、锰酸锂2)的电池的热失控表现，并根据这些数据进行后续的数据探索、特征工程和模型构建等步骤。
所述数据准备，即热失控温度数据获取阶段，整体数据基本情况为：总计278个电池，其中热失控电池数据(个数)为38个，而正常电池数据个数为240个。通过对38个热失控电池进行分析，记录其热失控的数据表现，对38个电池进行分类，其中A类共有11个电池，它们各自在温度、电压等数据中有明显的的异常表现；B类共有17个电池，它们在热失控发生当天，暂未发现存在数据异常表现；C类共有10个电池，在热失控发生当天没有数据。整体数据分布结果可初步表示为表1所示的热失控类型。
表1热失控电池类型及数据分布类型
如S001所述获取的A类和B类热失控数据中其数据表现各异，在A类热失控电池中，均有特征表现，其热失控数据情况为：6成以上的电池都是发生热失控时的数据是截断的状态(这种情况不利于数据建模)。注：截断数据是指热失控发生时的数据前后很长时间都没有数据，只有发生时的1条数据，具体的数据状态如表2所示。
表2A类电池热失控数据状态情况
在B类热失控电池中，均无特征表现，其中82％的电池都是在放电状态下，因为放电状态的数据上传频率很低(几小时一条数据)，所以放电过程发生的热失控很大可能是因为数据上传频率太低，没有上传对应的异常数据。具体数据表现如表3所示。
表3B类电池热失控数据状态情况
S002为特征选择步骤，对描述电池热失控状态的特征进行初步选择，具体特征如下：1.最高单体电压；2.最低单体电压；3.最大压差；4.最大单体电压衰减值；5.最大单体电压衰减速率；6.最大温度；7.最大温差；8.最大温升上升速率；9.当前电流值；10.当前充放电状态。注：以下关于速率的特征都是按照每分钟的速率统计。
所述S002特征选择步骤中用于正样本提取的特征数据需从各类电池对应特征中进行选择，分别记录每类电池在多辆实际运行的电单车中的特征表现，对应进行记录，并在其中进行正样本的特征数据提取。
所述S002特征选择步骤中需利用用于负样本提取的特征数据。针对正样本提取的特征，首先需要观察负样本在这些特征上是否会有一些相似性(因为这些相似特征会造成误报)，针对这些相似性样本数据需进行针对性的解决，故需结合三类电池类型的电压整体变化情况来进行分析和数据处理，通过列举三类电池类型的数据在整个生命周期充放电的电压变化情况，观察得到电压中的负样本数据会存在相似性导致的误报情况，但是温度数据基本保持稳定。在锰酸锂1类型电池中，整体来看，充放电异常电压(低/高电压)的情况存在，但是较少；在锰酸锂2类型电池中，整体数据表现中有充放电异常电压(低/高电压)的情况存在，同样整体较少；而在磷酸铁锂1类型电池中，整体数据表现中有充放电异常电压(低/高电压)的情况存在，且较多。
对于上述负样本的情况，只针对单独的一个总体描述，图1-2描述挑选的负样本样例，进行电压变化情况的展示，据图1-2，可说明负样本中也存在和正样本热失控电压变化类似的场景。对于这种情况，需在进行特征工程时，加入限制特征或者在算法模型预测前，加上一定的规则限制，来减少由于此情况的误报。
S003模型构建步骤，根据这次的有效热失控数据情况，把热失控正样本数据分为两部分考虑，分别是锰酸锂和磷酸铁锂两种类型。
所述有关锰酸锂的有效热失控样本分析。由以上S002中有关负样本的分析可知，锰酸锂电池中所记录的有效热失控数据都是在放电过程产生的，且都是数据截断类型，发生时的有效数据只有一条。7个失效电池数据总共提取的数据量只有7条数据，在如此少的正样本数据量的情况下，使用机器学习或深度学习并不是很合适，所以基于目前的数据，我们采取多种叠加规则的方案去识别热失控异常数据表征。由于锰酸锂类型电池中的正样本数据量为7条；负样本数据量非常多，因此对于机器学习/深度学习方法来说不太适用，故选择门控模型(即叠加规则)。门控模型就是由多个限制门和自由门组成，每个限制门和自由门都是由一个规则构成，若当前信息在所有的限制门内都通过，即为1，否在为0；若在通过限制门的过程中，通过了任意的自由门，则也为1。其中热失控特征主要表现维度为电压、温度。
所述门控模型思路为：首先，将数据分两个维度考虑，分别是电压和温度，只要任意一个维度检测处数据异常，即发出报警：注：我们在设定第一个门控时，需要选择最严苛的条件，将绝大部分数据挡在门外，这样能将模型性能最大化。我们这里的第一个门一般来说是能直接区分正样本的，但是由于负样本中，也存在少量异常的数据，为了过滤这些异常数据，就需要更多的门去把控。在电压维度：对于第一个限制门，我们考虑使用最大压差，对于门控的具体值，具体考虑思路如下：首先是6条正样本中，电压异常情况下的最大压差中的最小值是445，因为考虑压差门控可以选择小于445的情况，但又不能很接近，需要一定的容忍区间；其次再根据所有负样本中最大压差的分布情况，再定下压差门控值。负样本最大压差分布情况如图3所示。其中最大压差基本分布在200以内，200以上的情况从此图中并不知晓具体情况，更具体的情况如图4所示。
一般来说，压差过大故障的设定值是300，200-300之间的数据量又过多，所以考虑在300-400之间进行选择，目前先考虑300，如果误报较多情况，再考虑增加到400。根据满足第一个门控后的数据(如果是300，有600+条数据；如果是350，有400+条数据；如果是400，有200+条数据)的分析情况，构造后续的门控结构及其具体取值。最终的门控结构为：
1.限制门1：最大压差>＝300；
2.自由门1：是否是截断的数据且放电电流>-5000；
3.自由门2：最低单体电压<＝2000；
4.限制门2：放电电流>-5000；
5.限制门3：导致最大压差的电压衰减量>300或衰减率>600/分钟；
6.限制门4：SOC！＝0
对于所述门控模型中的门控选择理由为：
1.限制门1：上述已经分析过；
2.自由门1：负样本中单体电压最低值>2000(有一个是1000)，而正样本中，多次出现小于2000情况；
3.限制门2：在放电电流较大的情况下，电压极其不稳定，变化程度一致性很差
4.限制门3：热失控发生时的压差过大，一般都是某个或某几个单体电压突然快读下降导致，在负样本中，很多压差过大的情况是由于某个单体电压异常高或某个单体电压持续下降导致；
5.限制门4：目前发生热失控的电池对应的SOC都较高，且负样本中，SOC＝0时，电压极其不稳定，变化情况较大。
对于温度维度，鉴于目前数据中的有效温度点对应的数据很少，故可选择的情况也较少，目前主要是通过温度本身的数值和温度上升速率来进行决策，目前在热失控有效数据中，温度异常表现得最低温度是60℃，据此再分析正常电池得最高温度分布情况，具体如图5所示。对于所述两种情况，可选择得温度区间是48C-60C，给到一定得容忍区间，暂定50℃作为第一个限制门控得值。最终的门控结构如下：
1.限制门1：最高温度>＝50℃自由门1：最高温度>＝55℃
2.限制门2：温度上升速率>10℃/分钟
所述门控模型中的门控选择理由如下：
1.限制门1：上述已经分析过
2.自由门1：目前热失控温度异常的表现，均表现为温度异常高，在这些数据中，最大的温度是60℃，但是需要一定的容忍区间，再根据所以负样本中最高温度的分布情况，暂定为55℃。
3.限制门2：因为目前还没有出现温度大于50℃且小于55C的情况，所以对于这种情况下的数据，再通过一个温度上升速率来进行考量，暂定每分钟上升10℃。
所述门控模型的具体结构经多次调试后，确定门控结构在电压维度可表示为：
1.限制门1：在放电状态下，最大压差>350或在充电状态下，最大压差大于400；
2.自由门1：最小电流>-5000且时间间隔大于2小时且为放电状态且(当前最低电压衰减量>300或最低电压小于2000)；
3.限制门2：当前最低电压衰减量>300或最低电压衰减率>1000/分钟；
4.限制门3：当前SOC！＝0；
5.限制门4：最小电流>-5000；
6.限制门5：连续两条数据的状态不是由放电>充电；
7.限制门6：not(最高电压-去除最高最低电压后的电压均值>200且最低电压-去除最高最低电压后的电压均值<-200)。
所述门控模型的具体结构经多次调试后，确定锰酸锂1BAA32类型电池的门控结构在温度维度可表示为：
1.限制门1：40<最高温度<1000；
2.自由门1：最高温度>55；
3.限制门2：温升速率>10/分钟；
4.限制门3：温度上升量>2；
5.限制门4：上一条数据的最小温度>-10。
所述门控模型的具体结构经多次调试后，确定锰酸锂2BAA81类型电池的门控结构在温度维度可表示为：
1.限制门1：40<最高温度<1000；
2.自由门1：最高温度>55；
3.限制门2：温升速率>10/分钟；
4.限制门3：温度上升量>2；
5.限制门4：最大温度对应的上一条温度数值>-10。
在磷酸铁锂电池的数据情况中，参照上述S002步骤中有关负样本的分布情况和对应解决方案，整体与锰酸锂电池类似，但在实际数据表现中，磷酸铁锂电池的数据质量表现要差很多，故对于第一个门控结构及详细阈值的选择会有所变化，具体的压差分布如图6所示。在电压维度，鉴于锰酸锂电压维度的分析经验，可直接得到正常磷酸铁锂电池在高压差(>300)情况下的压差分布如图6所示。
所述磷酸铁锂类型的数据质量差，即磷酸铁锂电池数据比锰酸锂电池数据而言，电压数据异常值较多，故导致高压差的情况也较多。因此无法直接参照锰酸锂设定300-400的第一个门限阈值，根据正常磷酸铁锂的高压差分布情况和正样本中的压差情况(大多分布在2000左右)，故考虑在600-2000之间选择。最终选择1000，因为在进行1000-2000之间的测试时，发现误报情况相同，故为给到更大的容忍度，防止过滤掉当下正在发生热失控的数据，最终选择1000作为第一个门限阈值。
结合锰酸锂电池的门控结构设定的经验，最终磷酸铁锂电池的门控结构如下：
1.限制门1：最大压差>1000；
2.自由门1：如果上一条数据发生报警，且最大电压小于4200；
3.自由门2：最小电流>-5000且时间间隔大于2小时且为放电状态且(当前最低电压衰减量>300或最低电压小于2000)；
4.限制门2：当前最低电压衰减量>300或最低电压衰减率>1000/分钟；
5.限制门3：当前SOC！＝0；
6.限制门4：最小电流>-5000；
7.限制门5：连续两条数据的状态不是由放电>充电；
8.限制门6：not(最高电压-去除最高最低电压后的电压均值>200且最低电压-去除最高最低电压后的电压均值<-200)。
在温度维度整体的正常磷酸铁锂电池数据的最高温度分布如图7所示。其中磷酸铁锂的最高温度分布情况和锰酸锂相似，其最高温度是50℃，锰酸锂是48℃。故在最高温度的第一层限制门采用和锰酸锂一样，为40℃。但第一个自由门的温度较锰酸锂类型电池略有提高，因为在磷酸铁锂发生热失控的异常温度比锰酸锂要高很多，故自由门的最高温度设置稍高，后续可根据更多正负样本进行调整。
1.限制门1：40<最高温度<1000；
2.自由门1：最高温度>60；
3.限制门2：温升速率>10/分钟；
4.限制门3：温度上升量>2；
5.限制门4：最大温度对应的上一条温度数值>-10。
S004模型测试步骤，通过以上门控模型构建，在锰酸锂和磷酸铁锂三类型号的电池中进行测试，其中锰酸锂电池的具体测试指标的的计算为：召回率(正样本被预测为正样本占总的正样本的比例)：6/7；误报率(负样本被预测为正样本占总的负样本的比例)62/3239346，具体表现如表4所示。
表4锰酸锂电池的测试指标数值
由先前分析，磷酸铁锂电池电压数据相比锰酸锂电池的电压数据表现较差，故误报情况会有所增多，其测试指标的计算为：召回率(正样本被预测为正样本占总的正样本的比例)：4/4；误报率(负样本被预测为正样本占总的负样本的比例)：27/2619221，具体数据如表5所示。
表5磷酸铁锂1电池的测试指标数值
根据多个电池数据，进行基础计算，按照天统计误报率，其中锰酸锂有149个电池数据，磷酸铁锂有88个电池数据，具体如表6所示。
表6按天统计的误报率数据
根据整体的特征选择、门控模型构建和测试环节，本专利实现对电动单车中的常见的锰酸锂、磷酸铁锂电池的三种电池型号进行基本的数据采集和特征提取，进而进行门控模型构建，从而可以进行电池热失控故障的预测，并进行模型的有效性测试与验证，整体的流程清晰，技术思路明晰，具有较强的理论意义与应用价值。
本发明的有益效果：从门控概率模型的角度入手，结合实际的获取锂电池数据表现，进行基本的影响锂电池热失控故障的相关特征提取与选择，从而结合数据分布进行门控模型的设定，有效解决热失控故障的预测问题，根据整体的特征选择、门控模型构建和测试环节，本专利实现对电动单车中的常见的锰酸锂、磷酸铁锂电池的三种电池型号进行基本的数据采集和特征提取，进而进行门控模型构建，从而可以进行电池热失控故障的预测，并进行模型的有效性测试与验证，整体的流程清晰，技术思路明晰，具有较强的理论意义与应用价值。
附图说明
图1为负样本样例1的电压变化图示；
图2为负样本样例2的电压变化图示；
图3为负样本最大压差分布情况图示；
图4为负样本最大压差200以上的情况详细分布情况图示；
图5为正常电池的最高温度分布情况图示；
图6为磷酸铁锂电池具体的压差分布情况图示；
图7为正常磷酸铁锂电池数据的最高温度分布情况图示；
图8为本发明的流程图。
具体实施方式
结合图1-8对本专利的具体实施方式进行详细说明，需要指出的是，该具体实施方式仅仅是对本发明优选技术方案的举例，并不能理解为对本发明保护范围的限制。
S001为数据准备步骤，主要通过对电动单车的锂电池数据进行采集，该步骤目的是获取锂电池中三类型号(磷酸铁锂1、锰酸锂1、锰酸锂2)的电池的热失控表现，并根据这些数据进行后续的数据探索、特征工程和模型构建等步骤。
所述数据准备，即热失控温度数据获取阶段，整体数据基本情况为：总计278个电池，其中热失控电池数据(个数)为38个，而正常电池数据个数为240个。通过对38个热失控电池进行分析，记录其热失控的数据表现，对38个电池进行分类，其中A类共有11个电池，它们各自在温度、电压等数据中有明显的的异常表现；B类共有17个电池，它们在热失控发生当天，暂未发现存在数据异常表现；C类共有10个电池，在热失控发生当天没有数据。整体数据分布结果可初步表示为表1所示的热失控类型。
表1热失控电池类型及数据分布类型
如S001所述获取的A类和B类热失控数据中其数据表现各异，在A类热失控电池中，均有特征表现，其热失控数据情况为：6成以上的电池都是发生热失控时的数据是截断的状态(这种情况不利于数据建模)。注：截断数据是指热失控发生时的数据前后很长时间都没有数据，只有发生时的1条数据，具体的数据状态如表2所示。
表2A类电池热失控数据状态情况
在B类热失控电池中，均无特征表现，其中82％的电池都是在放电状态下，因为放电状态的数据上传频率很低(几小时一条数据)，所以放电过程发生的热失控很大可能是因为数据上传频率太低，没有上传对应的异常数据。具体数据表现如表3所示。
表3B类电池热失控数据状态情况
S002为特征选择步骤，对描述电池热失控状态的特征进行初步选择，具体特征如下：1.最高单体电压；2.最低单体电压；3.最大压差；4.最大单体电压衰减值；5.最大单体电压衰减速率；6.最大温度；7.最大温差；8.最大温升上升速率；9.当前电流值；10.当前充放电状态。注：以下关于速率的特征都是按照每分钟的速率统计。
所述S002特征选择步骤中用于正样本提取的特征数据需从各类电池对应特征中进行选择，分别记录每类电池在多辆实际运行的电单车中的特征表现，对应进行记录，并在其中进行正样本的特征数据提取。
所述S002特征选择步骤中需利用用于负样本提取的特征数据。针对正样本提取的特征，首先需要观察负样本在这些特征上是否会有一些相似性(因为这些相似特征会造成误报)，针对这些相似性样本数据需进行针对性的解决，故需结合三类电池类型的电压整体变化情况来进行分析和数据处理，通过列举三类电池类型的数据在整个生命周期充放电的电压变化情况，观察得到电压中的负样本数据会存在相似性导致的误报情况，但是温度数据基本保持稳定。在锰酸锂1类型电池中，整体来看，充放电异常电压(低/高电压)的情况存在，但是较少；在锰酸锂2类型电池中，整体数据表现中有充放电异常电压(低/高电压)的情况存在，同样整体较少；而在磷酸铁锂1类型电池中，整体数据表现中有充放电异常电压(低/高电压)的情况存在，且较多。
对于上述负样本的情况，只针对单独的一个总体描述，图1-2描述挑选的负样本样例，进行电压变化情况的展示，据图1-2，可说明负样本中也存在和正样本热失控电压变化类似的场景。对于这种情况，需在进行特征工程时，加入限制特征或者在算法模型预测前，加上一定的规则限制，来减少由于此情况的误报。
S003模型构建步骤，根据这次的有效热失控数据情况，把热失控正样本数据分为两部分考虑，分别是锰酸锂和磷酸铁锂两种类型。
所述有关锰酸锂的有效热失控样本分析。由以上S002中有关负样本的分析可知，锰酸锂电池中所记录的有效热失控数据都是在放电过程产生的，且都是数据截断类型，发生时的有效数据只有一条。7个失效电池数据总共提取的数据量只有7条数据，在如此少的正样本数据量的情况下，使用机器学习或深度学习并不是很合适，所以基于目前的数据，我们采取多种叠加规则的方案去识别热失控异常数据表征。由于锰酸锂类型电池中的正样本数据量为7条；负样本数据量非常多，因此对于机器学习/深度学习方法来说不太适用，故选择门控模型(即叠加规则)。门控模型就是由多个限制门和自由门组成，每个限制门和自由门都是由一个规则构成，若当前信息在所有的限制门内都通过，即为1，否在为0；若在通过限制门的过程中，通过了任意的自由门，则也为1。其中热失控特征主要表现维度为电压、温度。
所述门控模型思路为：首先，将数据分两个维度考虑，分别是电压和温度，只要任意一个维度检测处数据异常，即发出报警：注：我们在设定第一个门控时，需要选择最严苛的条件，将绝大部分数据挡在门外，这样能将模型性能最大化。我们这里的第一个门一般来说是能直接区分正样本的，但是由于负样本中，也存在少量异常的数据，为了过滤这些异常数据，就需要更多的门去把控。在电压维度：对于第一个限制门，我们考虑使用最大压差，对于门控的具体值，具体考虑思路如下：首先是6条正样本中，电压异常情况下的最大压差中的最小值是445，因为考虑压差门控可以选择小于445的情况，但又不能很接近，需要一定的容忍区间；其次再根据所有负样本中最大压差的分布情况，再定下压差门控值。负样本最大压差分布情况如图3所示。其中最大压差基本分布在200以内，200以上的情况从此图中并不知晓具体情况，更具体的情况如图4所示。
一般来说，压差过大故障的设定值是300，200-300之间的数据量又过多，所以考虑在300-400之间进行选择，目前先考虑300，如果误报较多情况，再考虑增加到400。根据满足第一个门控后的数据(如果是300，有600+条数据；如果是350，有400+条数据；如果是400，有200+条数据)的分析情况，构造后续的门控结构及其具体取值。最终的门控结构为：
1.限制门1：最大压差>＝300；
2.自由门1：是否是截断的数据且放电电流>-5000；
3.自由门2：最低单体电压<＝2000；
4.限制门2：放电电流>-5000；
5.限制门3：导致最大压差的电压衰减量>300或衰减率>600/分钟；
6.限制门4：SOC！＝0
对于所述门控模型中的门控选择理由为：
1.限制门1：上述已经分析过；
2.自由门1：负样本中单体电压最低值>2000(有一个是1000)，而正样本中，多次出现小于2000情况；
3.限制门2：在放电电流较大的情况下，电压极其不稳定，变化程度一致性很差
4.限制门3：热失控发生时的压差过大，一般都是某个或某几个单体电压突然快读下降导致，在负样本中，很多压差过大的情况是由于某个单体电压异常高或某个单体电压持续下降导致；
5.限制门4：目前发生热失控的电池对应的SOC都较高，且负样本中，SOC＝0时，电压极其不稳定，变化情况较大。
对于温度维度，鉴于目前数据中的有效温度点对应的数据很少，故可选择的情况也较少，目前主要是通过温度本身的数值和温度上升速率来进行决策，目前在热失控有效数据中，温度异常表现得最低温度是60℃，据此再分析正常电池得最高温度分布情况，具体如图5所示。
对于所述两种情况，可选择得温度区间是48C-60C，给到一定得容忍区间，暂定50℃作为第一个限制门控得值。最终的门控结构如下：
1.限制门1：最高温度>＝50℃自由门1：最高温度>＝55℃
2.限制门2：温度上升速率>10℃/分钟
所述门控模型中的门控选择理由如下：
1.限制门1：上述已经分析过
2.自由门1：目前热失控温度异常的表现，均表现为温度异常高，在这些数据中，最大的温度是60℃，但是需要一定的容忍区间，再根据所以负样本中最高温度的分布情况，暂定为55℃。
3.限制门2：因为目前还没有出现温度大于50℃且小于55C的情况，所以对于这种情况下的数据，再通过一个温度上升速率来进行考量，暂定每分钟上升10℃。
所述门控模型的具体结构经多次调试后，确定门控结构在电压维度可表示为：
1.限制门1：在放电状态下，最大压差>350或在充电状态下，最大压差大于400；
2.自由门1：最小电流>-5000且时间间隔大于2小时且为放电状态且(当前最低电压衰减量>300或最低电压小于2000)；
3.限制门2：当前最低电压衰减量>300或最低电压衰减率>1000/分钟；
4.限制门3：当前SOC！＝0；
5.限制门4：最小电流>-5000；
6.限制门5：连续两条数据的状态不是由放电>充电；
7.限制门6：not(最高电压-去除最高最低电压后的电压均值>200且最低电压-去除最高最低电压后的电压均值<-200)。
所述门控模型的具体结构经多次调试后，确定锰酸锂1BAA32类型电池的门控结构在温度维度可表示为：
1.限制门1：40<最高温度<1000；
2.自由门1：最高温度>55；
3.限制门2：温升速率>10/分钟；
4.限制门3：温度上升量>2；
5.限制门4：上一条数据的最小温度>-10。
所述门控模型的具体结构经多次调试后，确定锰酸锂2BAA81类型电池的门控结构在温度维度可表示为：
1.限制门1：40<最高温度<1000；
2.自由门1：最高温度>55；
3.限制门2：温升速率>10/分钟；
4.限制门3：温度上升量>2；
5.限制门4：最大温度对应的上一条温度数值>-10。
在磷酸铁锂电池的数据情况中，参照上述S002步骤中有关负样本的分布情况和对应解决方案，整体与锰酸锂电池类似，但在实际数据表现中，磷酸铁锂电池的数据质量表现要差很多，故对于第一个门控结构及详细阈值的选择会有所变化，具体的压差分布如图6所示。在电压维度，鉴于锰酸锂电压维度的分析经验，可直接得到正常磷酸铁锂电池在高压差(>300)情况下的压差分布如图6所示。
所述磷酸铁锂类型的数据质量差，即磷酸铁锂电池数据比锰酸锂电池数据而言，电压数据异常值较多，故导致高压差的情况也较多。因此无法直接参照锰酸锂设定300-400的第一个门限阈值，根据正常磷酸铁锂的高压差分布情况和正样本中的压差情况(大多分布在2000左右)，故考虑在600-2000之间选择。最终选择1000，因为在进行1000-2000之间的测试时，发现误报情况相同，故为给到更大的容忍度，防止过滤掉当下正在发生热失控的数据，最终选择1000作为第一个门限阈值。
结合锰酸锂电池的门控结构设定的经验，最终磷酸铁锂电池的门控结构如下：
9.限制门1：最大压差>1000；
10.自由门1：如果上一条数据发生报警，且最大电压小于4200；
11.自由门2：最小电流>-5000且时间间隔大于2小时且为放电状态且(当前最低电压衰减量>300或最低电压小于2000)；
12.限制门2：当前最低电压衰减量>300或最低电压衰减率>1000/分钟；
13.限制门3：当前SOC！＝0；
14.限制门4：最小电流>-5000；
15.限制门5：连续两条数据的状态不是由放电>充电；
16.限制门6：not(最高电压-去除最高最低电压后的电压均值>200且最低电压-去除最高最低电压后的电压均值<-200)。
在温度维度整体的正常磷酸铁锂电池数据的最高温度分布如图7所示。其中磷酸铁锂的最高温度分布情况和锰酸锂相似，其最高温度是50℃，锰酸锂是48℃。故在最高温度的第一层限制门采用和锰酸锂一样，为40℃。但第一个自由门的温度较锰酸锂类型电池略有提高，因为在磷酸铁锂发生热失控的异常温度比锰酸锂要高很多，故自由门的最高温度设置稍高，后续可根据更多正负样本进行调整。
6.限制门1：40<最高温度<1000；
7.自由门1：最高温度>60；
8.限制门2：温升速率>10/分钟；
9.限制门3：温度上升量>2；
10.限制门4：最大温度对应的上一条温度数值>-10。
S004模型测试步骤，通过以上门控模型构建，在锰酸锂和磷酸铁锂三类型号的电池中进行测试，其中锰酸锂电池的具体测试指标的的计算为：召回率(正样本被预测为正样本占总的正样本的比例)：6/7；误报率(负样本被预测为正样本占总的负样本的比例)62/3239346，具体表现如表4所示。
表4锰酸锂电池的测试指标数值
由先前分析，磷酸铁锂电池电压数据相比锰酸锂电池的电压数据表现较差，故误报情况会有所增多，其测试指标的计算为：召回率(正样本被预测为正样本占总的正样本的比例)：4/4；误报率(负样本被预测为正样本占总的负样本的比例)：27/2619221，具体数据如表5所示。
表5磷酸铁锂1电池的测试指标数值
根据多个电池数据，进行基础计算，按照天统计误报率，其中锰酸锂有149个电池数据，磷酸铁锂有88个电池数据，具体如表6所示。
表6按天统计的误报率数据
根据整体的特征选择、门控模型构建和测试环节，本专利实现对电动单车中的常见的锰酸锂、磷酸铁锂电池的三种电池型号进行基本的数据采集和特征提取，进而进行门控模型构建，从而可以进行电池热失控故障的预测，并进行模型的有效性测试与验证，整体的流程清晰，技术思路明晰，具有较强的理论意义与应用价值。
Claims (3)
1.一种基于门控概率模型的电动单车锂电池热失控预测的方法，其特征在于，具体包括以下步骤：
S001为数据准备步骤，主要通过对电动单车的锂电池数据进行采集，该步骤目的是获取锂电池中三类型号(磷酸铁锂1、锰酸锂1、锰酸锂2)的电池的热失控表现，并根据这些数据进行后续的数据探索、特征工程和模型构建等步骤；
S002为特征选择步骤，对描述电池热失控状态的特征进行初步选择，具体特征如下：1.最高单体电压；2.最低单体电压；3.最大压差；4.最大单体电压衰减值；5.最大单体电压衰减速率；6.最大温度；7.最大温差；8.最大温升上升速率；9.当前电流值；10.当前充放电状态。注：以下关于速率的特征都是按照每分钟的速率统计；
所述S002特征选择步骤中用于正样本提取的特征数据需从各类电池对应特征中进行选择，分别记录每类电池在多辆实际运行的电单车中的特征表现，对应进行记录，并在其中进行正样本的特征数据提取；
所述S002特征选择步骤中需利用用于负样本提取的特征数据；针对正样本提取的特征，首先需要观察负样本在这些特征上是否会有一些相似性(因为这些相似特征会造成误报)，针对这些相似性样本数据需进行针对性的解决，故需结合三类电池类型的电压整体变化情况来进行分析和数据处理；
S003模型构建步骤，根据这次的有效热失控数据情况，把热失控正样本数据分为两部分考虑，分别是锰酸锂和磷酸铁锂两种类型；
锰酸锂的有效热失控样本分析；锰酸锂电池中所记录的有效热失控数据都是在放电过程产生的，且都是数据截断类型，发生时的有效数据只有一条；基于正样本数据较少，采取多种叠加规则的方案去识别热失控异常数据表征；
而负样本数据量非常多，故选择门控模型(即叠加规则)；门控模型就是由多个限制门和自由门组成，每个限制门和自由门都是由一个规则构成，若当前信息在所有的限制门内都通过，即为1，否在为0；若在通过限制门的过程中，通过了任意的自由门，则也为1。其中热失控特征主要表现维度为电压、温度；
S004模型测试步骤，通过门控模型构建，在锰酸锂和磷酸铁锂三类型号的电池中进行测试。
2.根据权利要求1所述的一种基于门控概率模型的电动单车锂电池热失控预测的方法，所述数据准备，即热失控温度数据获取阶段，整体数据基本情况为：总计278个电池，其中热失控电池数据(个数)为38个，而正常电池数据个数为240个。通过对38个热失控电池进行分析，记录其热失控的数据表现，对38个电池进行分类，其中A类共有11个电池，它们各自在温度、电压等数据中有明显的的异常表现；B类共有17个电池，它们在热失控发生当天，暂未发现存在数据异常表现；C类共有10个电池，在热失控发生当天没有数据；
如S001所述获取的A类和B类热失控数据中其数据表现各异，在A类热失控电池中，均有特征表现，其热失控数据情况为：6成以上的电池都是发生热失控时的数据是截断的状态(这种情况不利于数据建模)。在B类热失控电池中，均无特征表现，其中82％的电池都是在放电状态下，因为放电状态的数据上传频率很低(几小时一条数据)，所以放电过程发生的热失控很大可能是因为数据上传频率太低，没有上传对应的异常数据。
3.根据权利要求1所述的一种基于门控概率模型的电动单车锂电池热失控预测的方法，所述门控模型具体包括以下方法：首先，将数据分两个维度考虑，分别是电压和温度，只要任意一个维度检测处数据异常，即发出报警；
根据整体的特征选择、门控模型构建和测试环节，本专利实现对电动单车中的常见的锰酸锂、磷酸铁锂电池的三种电池型号进行基本的数据采集和特征提取，进而进行门控模型构建，从而可以进行电池热失控故障的预测，并进行模型的有效性测试与验证，整体的流程清晰，技术思路明晰，具有较强的理论意义与应用价值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210764303.5A CN115327381A (zh) | 2022-06-30 | 2022-06-30 | 一种基于门控概率模型的电动单车锂电池热失控预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210764303.5A CN115327381A (zh) | 2022-06-30 | 2022-06-30 | 一种基于门控概率模型的电动单车锂电池热失控预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115327381A true CN115327381A (zh) | 2022-11-11 |
Family
ID=83918614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210764303.5A Withdrawn CN115327381A (zh) | 2022-06-30 | 2022-06-30 | 一种基于门控概率模型的电动单车锂电池热失控预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115327381A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115524617A (zh) * | 2022-10-24 | 2022-12-27 | 上海乐驾智慧能源科技有限公司 | 一种基于门控概率模型的储能系统热失控故障预测的方法 |
-
2022
- 2022-06-30 CN CN202210764303.5A patent/CN115327381A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115524617A (zh) * | 2022-10-24 | 2022-12-27 | 上海乐驾智慧能源科技有限公司 | 一种基于门控概率模型的储能系统热失控故障预测的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Detection of voltage fault in the battery system of electric vehicles using statistical analysis | |
| CN111426955B (zh) | 一种锂离子电池故障诊断方法 | |
| Sun et al. | Modified relative entropy-based lithium-ion battery pack online short-circuit detection for electric vehicle | |
| CN109375116B (zh) | 一种基于自编码器的电池系统异常电池识别方法 | |
| CN110133508A (zh) | 电动汽车动力电池的安全预警方法 | |
| CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
| CN106556802A (zh) | 一种蓄电池组异常单体电池识别方法及装置 | |
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
| CN114578251B (zh) | 基于卷积神经网络的电池模组安全状态评估方法及装置 | |
| CN109031138B (zh) | 一种动力电池的安全评估方法和装置 | |
| CN104614630A (zh) | 一种电池微短路的识别方法 | |
| CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
| Zhang et al. | Fault diagnosis of real-scenario battery systems based on modified entropy algorithms in electric vehicles | |
| CN117113232B (zh) | 一种电动汽车锂离子电池组热失控风险识别方法 | |
| CN115061058A (zh) | 退役动力电池梯次利用剩余寿命测算方法及系统 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN115327403A (zh) | 基于新能源汽车大数据的动力电池安全性评价方法及装置 | |
| CN115808627A (zh) | 一种锂电池soh预测方法及装置 | |
| CN115327381A (zh) | 一种基于门控概率模型的电动单车锂电池热失控预测的方法 | |
| CN116923188A (zh) | 一种新能源车的充电保护系统 | |
| CN118731698A (zh) | 一种通过采集动力电池电芯多点温度对电池热失控评估进行强化学习模型训练的方法 | |
| CN111537893A (zh) | 一种锂离子电池模组运行安全的评测方法、系统及电子设备 | |
| CN119291512A (zh) | 基于聚类与随机异常选择的电池故障诊断方法及系统 | |
| CN114970734A (zh) | 异常电池确定方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221111 |