CN115372830A - 一种动力电池热失控风险评估方法 - Google Patents

Abstract

本发明涉及一种动力电池热失控风险评估方法。该动力电池热失控风险评估方法包括S1，数据获取，动力电池包括多个单体电池，获取单体电池在实际运行工况下的数据；S2，数据分类，获取车辆在静止状态下进行充电的第一类数据及车辆在运行状态下的第二类数据；S3，计算评价参数，基于第一类数据应用单体电压波动性算法分析计算评价参数A；基于第二类数据应用单体电压信息熵算法分析计算评价参数B；S4，计算热失控风险评分，应用机器学习算法对评价参数A和B进行融合，获取热失控风险评分；S5，风险评估，根据热失控风险评分排序对单体电池进行风险等级划分。本发明提出了一种动力电池热失控风险评估方法，能够对动力电池进行热失控风险进行有效评估。

Description

一种动力电池热失控风险评估方法

技术领域

本发明涉及新能源汽车的动力电池测试技术领域，尤其涉及一种动力电池热失控风险评估方法。

背景技术

新能源汽车是“碳达峰”、“碳中和”愿景实现过程中的重要抓手，对推动国民经济发展和智慧交通转型升级均具有重要作用。然而，随着我国新能源汽车保有量日趋增高，车辆自燃、电池性能衰减、车辆充电故障等汽车安全问题已不容忽视。电池热失控及扩展所带来的安全问题是动力电池故障的主要原因之一，如能通过技术手段，实现对动力电池热失控的风险评估，并根据不同风险进行安全预警，则可以提前告知车辆驾驶员危险发生的程度和波及范围，从而第一时间感知危险并作出应对。

发明内容

针对现有技术的上述问题，本发明提出了一种动力电池热失控风险评估方法，能够对动力电池进行热失控风险的有效评估，为后续的预警工作做好准备。

具体地，本发明提出了一种动力电池热失控风险评估方法，包括步骤：

S1，数据获取，所述动力电池包括多个单体电池，获取所述单体电池在实际运行工况下的数据，所述实际运行工况包括带有所述动力电池的车辆在静止状态下进行充电以及所述车辆处于运行状态；

S2，数据分类，基于实际运行工况对所述数据进行分类，获取所述车辆在静止状态下进行充电的第一类数据及所述车辆在运行状态下的第二类数据；

S3，计算评价参数，基于所述第一类数据应用单体电压波动性算法分析计算评价参数A；基于所述第二类数据应用单体电压信息熵算法分析计算评价参数B；

S4，计算热失控风险评分，应用机器学习算法对所述评价参数A和B进行融合，获取所述动力电池的每个单体电池的热失控风险评分；

S5，风险评估，根据热失控风险评分排序对所述单体电池进行风险等级划分。

根据本发明的一个实施例，在步骤S3中，基于所述第一类数据应用单体电压压差比算法分析计算评价参数C；

在步骤S4中，应用机器学习算法对所述评价参数A、B和C进行融合，获取所述动力电池的每个单体电池的热失控风险评分。

根据本发明的一个实施例，在步骤S3中，基于所述第二类数据应用单体电压极差算法分析计算评价参数D；

在步骤S4中，应用机器学习算法对所述评价参数A、B、C和D进行融合，获取所述动力电池的每个单体电池的热失控风险评分。

根据本发明的一个实施例，在步骤S1中，所获取的数据至少包括所述单体电池的电压、温度、电流、荷电状态、电池充放电状态、序号以及对应时刻。

根据本发明的一个实施例，在步骤S2中，基于对应时刻、电流及电池充放电状态将所述单体电池的数据划分为所述第一类数据和第二类数据。

根据本发明的一个实施例，在步骤S3中，所述单体电压波动性算法的计算步骤包括：

对所述第一类数据按照时间维度进行切片，生成时间片段，基于所述时间片段划分成新的数据矩阵T：

T＝{(V₁₁,V₂₁,,V₃₁,…V_n1),(V₁₂,V₂₂,,V₃₂,…V_n2),…,(V_1k,V_2k,,V_3k,…V_nk)}；

其中，V表示按照时间维度切片后某一所述单体电池电压在该时间片段内的对应数据，下标1,2,3…n∈R表示所述单体电池的序号，n为单体电池的总数量，下标1,2,3…k∈R表示时间矩阵的序号，k为按照时间维度切片的时间矩阵的总数量；R为正整数；

基于所述数据矩阵T，在单个所述时间矩阵中计算所述单体电池的电压的中位数，获得数据矩阵T1，T2，…Tk：

T1＝Median(V₁₁,V21,,V₃₁,…V_n1)；

T2＝Median(V₁₂,V₂₂,,V₃₂,…V_n2)；

…

Tk＝Median(V_1k,V_2k,,V_3k,…V_nk)

计算数据矩阵T1，T2，…Tn的标准差S_T1，S_T2…S_Tk，作为评价参数A：

…

所述单体电压信息熵算法的计算步骤包括：

对所述第二类数据按照时间维度进行切片，计算各所述单体电池电压的香农熵e_s：

计算在同一时间矩阵下，不同所述单体电池电压的香农熵的标准分数，作为评价参数B。

根据本发明的一个实施例，所述单体电压压差比算法的计算步骤包括：

基于各所述单体电池在相邻时间间隔所获取的数据，计算两者电压差的绝对值，获取电压差最大值与最小值之比Vr，作为评价参数C：

根据本发明的一个实施例，在步骤S3中，所述单体电压极差算法的计算步骤包括：

获取任意时刻所述动力电池的不同单体电池电压的最大值与最小值，然后取二者作差获得所述单体电池的电压极差，作为评价参数D。

本发明还提供了一种动力电池热失控风险评估设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述任一项所述动力电池热失控风险评估方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述任一项所述动力电池热失控风险评估方法的步骤。

本发明提供的一种动力电池热失控风险评估方法，获取动力电池在实际运行工况下的数据，应用单体电压波动性算法及单体电压信息熵算法来分析计算对应的评价参数，并应用机器学习算法对评价参数进行融合来获得动力电池的每个单体电池的热失控风险评分，从而能够对动力电池进行热失控风险的有效评估，为后续的预警工作做好准备。

应当理解，本发明以上的一般性描述和以下的详细描述都是示例性和说明性的，并且旨在为如权利要求所述的本发明提供进一步的解释。

附图说明

包括附图是为提供对本发明进一步的解释，它们被收录并构成本申请的一部分，附图示出了本发明的实施例，并与本说明书一起起到解释本发明原理的作用。附图中：

图1示出了本发明一个实施例的动力电池热失控风险评估方法的流程框图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。此外，尽管本申请中所使用的术语是从公知公用的术语中选择的，但是本申请说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本申请。

众所周知，新能源汽车在实际使用过程中产生并积累了海量数据，其中蕴含的信息可以采用深度挖掘的方式进行提取，将相关特征进行量化后，可以用以评估动力电池热失控的风险。随着大数据技术与机器学习技术的应用与不断发展，依托海量数据对热失控进行风险评估的可行性和有效性得到了大幅提升。本发明正是基于大数据与机器学习技术，对实际运行工况下的海量数据进行处理、分析与自学习，对动力电池进行热失控风险评估，从而保证动力电池的安全运行，促进产业发展。

图1示出了本发明一个实施例的动力电池热失控风险评估方法的流程框图。

如图所示，本发明提供的一种动力电池热失控风险评估方法，包括步骤：

S1，数据获取，动力电池包括多个单体电池，获取所有单体电池在实际运行工况下的数据，实际运行工况包括带有动力电池的车辆在静止状态下进行充电以及车辆处于运行状态；

S2，数据分类，基于实际运行工况对数据进行分类，获取车辆在静止状态下进行充电的第一类数据及车辆在运行状态下的第二类数据。将车辆在静止状态下进行充电的数据作为第一类数据，在第一类工况下动力电池全程处于充电状态，其充电电流取决于不同的充电策略，动力电池的各个单体电池的充电电压曲线可以作为后续处理的计算基础。将动力电池的带载工况下的而数据作为第二类数据，当车辆加速或者匀速行驶时，动力电池处于放电状态，当车辆滑行或制动时，动力电池处于回馈充电状态，在这两种状态下获取的数据统归为第二类数据。

S3，计算评价参数，基于第一类数据应用单体电压波动性算法分析计算评价参数A；基于第二类数据应用单体电压信息熵算法分析计算评价参数B；

S4，计算热失控风险评分，应用机器学习算法对评价参数A和B进行融合，获取动力电池的每个单体电池的热失控风险评分。具体来说，是将评价参数A和B作为机器学习算法的输入进行模型训练，输出的热失控风险评分为单参数，该热失控风险评分融合了评价参数A和评价参数B所蕴含的单体电池的数据。

S5，风险评估，根据热失控风险评分排序对单体电池进行风险等级划分。

较佳地，在步骤S1中，对所获取的数据进行清洗，以去除所述数据中的异常数据。因为在实际运行工况下存在多种异常情况，例如回馈电流异常、单体电压跌落等现象，所述需要对不同的异常数据指定相应的清洗策略。异常数据包括错位数据、溢出数据、跳变数据、缺失数据、单体电压跌落数据、及不同步数据等。

较佳地，在步骤S3中，基于第一类数据应用单体电压压差比算法分析计算评价参数C；在步骤S4中，应用机器学习算法对评价参数A、B和C进行融合，获取动力电池的每个单体电池的热失控风险评分。容易理解的，在评价参数中增加评价参数C是为了提高热失控风险评估的精确性。

较佳地，在步骤S3中，基于第二类数据应用单体电压极差算法分析计算评价参数D；在步骤S4中，应用机器学习算法对评价参数A、B、C和D进行融合，获取动力电池的每个单体电池的热失控风险评分。同样的，在评价参数中增加评价参数D，应用机器学习算法对评价参数A、B、C和D进行融合，能够进一步提高热失控风险评估的精确性。

较佳地，在步骤S1中，所获取的数据至少包括单体电池的电压、温度、电流、荷电状态(SOC)、电池充放电状态、序号以及获取数据的对应时刻。换言之，所获取的数据包括在不同时刻下单体电池的状态数据。

较佳地，在步骤S2中，基于对应时刻、电流的正负及电池充放电状态将单体电池的数据划分为第一类数据和第二类数据。具体来说，通过对应时刻、电流的正负及电池充放电状态可以区分车辆是在静止状态下进行充电还是处于运行状态，因此通过三者可以将数据划分为第一类数据和第二类数据。

较佳地，在步骤S3中，单体电压波动性算法的计算步骤包括：

对第一类数据按照时间维度进行切片，生成时间片段，基于时间片段划分成新的数据矩阵T：

T＝{(V₁₁,V₂₁,,V₃₁,…V_n1),(V₁₂,V₂₂,,V₃₂,…V_n2),…,(V_1k,V_2k,,V_3k,…V_nk)}；

其中，V表示按照时间维度切片后某一单体电池电压在该时间片段内的对应数据，下标1,2,3…n∈R表示单体电池的序号，n为单体电池的总数量，下标1,2,3…k∈R表示时间矩阵的序号，k为按照时间维度切片的时间矩阵的总数量；R为正整数；

基于数据矩阵T，在单个时间矩阵中计算单体电池的电压的中位数，获得数据矩阵T1，T2，…Tk：

T1＝Median(V₁₁,V₂₁,,V₃₁,…V_n1)；

T2＝Median(V₁₂,V₂₂,,V₃₂,…V_n2)；

…

Tk＝Median(V_1k,V_2k,,V_3k,…V_nk)

计算数据矩阵T1，T2，…Tn的标准差S_T1，S_T2…S_Tk，作为评价参数A：

…

单体电压信息熵算法的计算步骤包括：

对第二类数据按照时间维度进行切片，计算各单体电池电压的香农熵e_s：

计算在同一时间矩阵下，不同单体电池电压的香农熵的标准分数，作为评价参数B。

较佳地，单体电压压差比算法的计算步骤包括：

基于各单体电池在相邻时间间隔所获取的数据，计算两者电压差的绝对值，获取电压差最大值与最小值之比Vr，作为评价参数C：

较佳地，在步骤S3中，单体电压极差算法的计算步骤包括：

获取任意时刻动力电池的不同单体电池电压的最大值与最小值，然后取二者作差获得单体电池的电压极差，作为评价参数D。

较佳地，根据诱发热失控的危险程度将所述单体电池按照所述热失控风险评分排序划分危险程度等级，所述危险程度等级包括极高、高、较高与安全四个级别。更佳地，对危险程度等级设置不同的预警信号，从而可以提示动力电池存在的不同的热失控风险程度。对于极高级别，生成三级预警信号并上报；对高级别生成二级预警信号并上报；对较高级别生成一级预警信号并上报；对安全级别不生成预警信号。在实际操作中，各级预警信号可以通过产生声光信号的硬件设备进行安全预警提示。

本发明通过设计多种评价分析算法，应用机器学习方法对多个评价指标进行融合，得到动力电池的各个单体电池的热失控风险评价参数，并以该热失控风险评价参数作为不同危险程度的分级标准，从而可以对动力电池进行热失控风险有效评估，进而能够进行安全预警。由于融合了多个评价参数对热失控风险进行评估，避免因单一算法出现偏差造成的影响，提升了算法鲁棒性。

本发明还提供了一种动力电池热失控风险评估设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现前述任一项动力电池热失控风险评估方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现前述任一项动力电池热失控风险评估方法的步骤。

其中，动力电池热失控风险评估设备、计算机可读存储介质的具体实现方式和技术效果均可参见上述本发明所提供的动力电池热失控风险评估方法的实施例，在此不再赘述。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。

结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。

在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。

本领域技术人员可显见，可对本发明的上述示例性实施例进行各种修改和变型而不偏离本发明的精神和范围。因此，旨在使本发明覆盖落在所附权利要求书及其等效技术方案范围内的对本发明的修改和变型。

Claims (10)

1.一种动力电池热失控风险评估方法，包括步骤：

S1，数据获取，所述动力电池包括多个单体电池，获取所述单体电池在实际运行工况下的数据，所述实际运行工况包括带有所述动力电池的车辆在静止状态下进行充电以及所述车辆处于运行状态；

S2，数据分类，基于实际运行工况对所述数据进行分类，获取所述车辆在静止状态下进行充电的第一类数据及所述车辆在运行状态下的第二类数据；

S3，计算评价参数，基于所述第一类数据应用单体电压波动性算法分析计算评价参数A；基于所述第二类数据应用单体电压信息熵算法分析计算评价参数B；

S4，计算热失控风险评分，应用机器学习算法对所述评价参数A和B进行融合，获取所述动力电池的每个单体电池的热失控风险评分；

S5，风险评估，根据热失控风险评分排序对所述单体电池进行风险等级划分。

2.如权利要求1所述的动力电池热失控风险评估方法，其特征在于，在步骤S3中，基于所述第一类数据应用单体电压压差比算法分析计算评价参数C；

在步骤S4中，应用机器学习算法对所述评价参数A、B和C进行融合，获取所述动力电池的每个单体电池的热失控风险评分。

3.如权利要求2所述的动力电池热失控风险评估方法，其特征在于，在步骤S3中，基于所述第二类数据应用单体电压极差算法分析计算评价参数D；

在步骤S4中，应用机器学习算法对所述评价参数A、B、C和D进行融合，获取所述动力电池的每个单体电池的热失控风险评分。

4.如权利要求1所述的动力电池热失控风险评估方法，其特征在于，在步骤S1中，所获取的数据至少包括所述单体电池的电压、温度、电流、荷电状态、电池充放电状态、序号以及对应时刻。

5.如权利要求4所述的动力电池热失控风险评估方法，其特征在于，在步骤S2中，基于对应时刻、电流及电池充放电状态将所述单体电池的数据划分为所述第一类数据和第二类数据。

6.如权利要求1所述的动力电池热失控风险评估方法，其特征在于，在步骤S3中，所述单体电压波动性算法的计算步骤包括：

对所述第一类数据按照时间维度进行切片，生成时间片段，基于所述时间片段划分成新的数据矩阵T：

T＝{(V₁₁,V₂₁,,V₃₁,…V_n1),(V₁₂,V₂₂,,V₃₂,…V_n2),…,(V_1k,V_2k,,V_3k,…V_nk)}；

其中，V表示按照时间维度切片后某一所述单体电池电压在该时间片段内的对应数据，下标1,2,3…n∈R表示所述单体电池的序号，n为单体电池的总数量，下标1,2,3…k∈R表示时间矩阵的序号，k为按照时间维度切片的时间矩阵的总数量；R为正整数；

基于所述数据矩阵T，在单个所述时间矩阵中计算所述单体电池的电压的中位数，获得数据矩阵T1，T2，…Tk：

T1＝Median(V₁₁,V₂₁,,V₃₁,…V_n1)；

T2＝Median(V₁₂,V₂₂,,V₃₂,…V_n2)；

…

Tk＝Median(V_1k,V_2k,,V_3k,…V_nk)

计算数据矩阵T1，T2，…Tn的标准差S_T1，S_T2…S_Tk，作为评价参数A：

…

所述单体电压信息熵算法的计算步骤包括：

对所述第二类数据按照时间维度进行切片，计算各所述单体电池电压的香农熵e_s：

计算在同一时间矩阵下，不同所述单体电池电压的香农熵的标准分数，作为评价参数B。

7.如权利要求2所述的动力电池热失控风险评估方法，其特征在于，

所述单体电压压差比算法的计算步骤包括：

基于各所述单体电池在相邻时间间隔所获取的数据，计算两者电压差的绝对值，获取电压差最大值与最小值之比Vr，作为评价参数C：

8.如权利要求3所述的动力电池热失控风险评估方法，其特征在于，在步骤S3中，所述单体电压极差算法的计算步骤包括：

获取任意时刻所述动力电池的不同单体电池电压的最大值与最小值，然后取二者作差获得所述单体电池的电压极差，作为评价参数D。

9.一种动力电池热失控风险评估设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述动力电池热失控风险评估方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述动力电池热失控风险评估方法的步骤。

Images