CN115958957A - 一种电动汽车动力电池充电过热故障预测方法及系统 - Google Patents
一种电动汽车动力电池充电过热故障预测方法及系统 Download PDFInfo
- Publication number
- CN115958957A CN115958957A CN202310003684.XA CN202310003684A CN115958957A CN 115958957 A CN115958957 A CN 115958957A CN 202310003684 A CN202310003684 A CN 202310003684A CN 115958957 A CN115958957 A CN 115958957A
- Authority
- CN
- China
- Prior art keywords
- fault
- charging
- current
- future
- battery
- 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.)
- Granted
Links
- 238000007600 charging Methods 0.000 title claims abstract description 180
- 238000013021 overheating Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 210000004027 cell Anatomy 0.000 claims description 108
- 238000012545 processing Methods 0.000 claims description 40
- 238000007637 random forest analysis Methods 0.000 claims description 25
- 230000007613 environmental effect Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000010277 constant-current charging Methods 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000006378 damage Effects 0.000 abstract description 3
- 208000027418 Wounds and injury Diseases 0.000 abstract description 2
- 208000014674 injury Diseases 0.000 abstract description 2
- 230000036541 health Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010280 constant potential charging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000033999 Device damage Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电动汽车动力电池充电过热故障预测方法及系统，通过电池管理系统实时采集电池充电运行状态数据，然后根据采集的充电运行状态数据对下一阶段的充电运行状态数据进行预测，同时通过采用随机森林大数据回归模型以及交叉验证的方法，提高了随机森林大数据回归模型的准确性，避免过拟合和欠拟合情形，从而能够精准地对下一阶段的充电运行状态数据进行预测，提高了预测精准性。同时，通过对电池充电过热故障的提前预测，能够通过电池管理系统提前做出一定的故障预处理，避免了动力电池在出现热失控等严重情况后，因无法及时做出有效判断处理和遏制过热安全隐患继续加剧，而造成动力电池及电动汽车的严重损坏或人员伤害。
Description
技术领域
本发明涉及车辆故障管理技术领域，具体来说，涉及一种电动汽车动力电池充电过热故障预测方法及系统。
背景技术
随着电动汽车产销量不断地快速增长，电动汽车的安全问题却逐渐成为人们广泛关注和讨论的焦点。近年来，电动汽车发生自燃或起火等安全事故屡见不鲜，给人们的生命财产安全带来严重威胁。根据相关数据统计，电动汽车大部分安全事故主要来源于车载动力电池部分，尤其在是动力电池的充电过程中。电动汽车动力电池通常是由若干电芯通过串并联连接组成，由电池管理系统对其进行各种信息采集、充放电控制、热管理等监控工作。目前市面上的电动汽车动力电池主要采用锂离子电池作为单体电芯，而锂离子电池因其自身材料特性原本就存在工作性能不够稳定的特点，容易受到过充、过热、碰撞等物理变化因素的刺激影响，造成电池温度急剧升高，进而导致热失控现象发生，从而引发严重后果。动力电池热失控发生时间往往很短，有时甚至就是几秒钟，一旦监测到热失控发生后再采取相应处理措施，极易造成严重的经济损失或人员伤害。
因此，研究电动汽车动力电池在充电过程中发生过热故障的预测方法十分必要，对于保障动力电池及电动汽车使用安全性具有重大应用价值和现实紧迫性。其中，现有技术中如中国专利(CN113386570A)公开了一种基于纯电动汽车电池管理系统的故障处理方法及系统，其包括：当监测到某一个目标故障后，检测目标故障的真实性，确定故障等级对应的故障类型，采用与故障类型对应的故障处理机制，其通过模块化对大量故障码进行分类处理，提高行车人身安全。
但是，上述基于纯电动汽车电池管理系统的故障处理方法及系统在进行故障处理的时，通常是在故障出现后才能对故障进行处理，无法提前对出现的故障进行预测，因此，当动力电池系统出现故障时不能及时的采取措施进行处理时，且故障较为严重时会引发器件损坏、冒烟，极易引发起火、爆炸等安全事故。
为了解决上述的问题，本发明提供了一种电动汽车动力电池充电过热故障预测方法及系统。
发明内容
为了解决上述的技术问题，本发明通过以下技术方案实现的：一种电动汽车动力电池充电过热故障预测方法，该方法包括以下步骤：
S1、采集当前数据：通过电池管理系统采集当前阶段充电的运行状态数据并进行预处理；
S2、预测未来数据：基于采集当前阶段充电的运行状态数据对未来预设时间内的运行状态数据进行预测，并得到预测结果；
进一步地，所述的S2具体包括以下步骤：
S201、基于预设的动力电池在各种充电工况下运行状态的历史数据集训练构建随机森林大数据回归模型，并不断增加新的充电工况数据集，对模型训练进行动态调整，以提高模型预测的准确性和减小预测误差。
S202、通过5-折交叉验证方法对所述随机森林大数据回归模型参数筛选进行评估验证，以提高模型调参准确性。
S203、将第一步中采集的当前阶段的充电运行状态数据输入所述随机森林大数据回归模型，进而预测出未来t秒内的充电运行状态数据结果；这里具体需要预测出的充电运行状态数据包括电芯表面温度Ts和充电电流I，它们可以分别表示为：
{Ts(+1)、Ts(+2)、Ts(+3)、…、Ts(+t)}
其中，Ts(+1)为未来第1秒时的电芯表面温度预测值，Ts(+2)为未来第2秒时的电芯表面温度预测值，Ts(+3)为未来第3秒时的电芯表面温度预测值，Ts(+t)为未来第t秒时的电芯表面温度预测值；
{I(+1)、I(+2)、I(+3)、…、I(+t)}
其中，I(+1)为未来第1秒时的电芯充电电流预测值，I(+2)为未来第2秒时的电芯充电电流预测值，I(+3)为未来第3秒时的电芯充电电流预测值，I(+t)为未来第t秒时的电芯充电电流预测值。
S204、如果当前阶段为恒压恒流充电工况，则本步中就不需要预测出未来t秒内的电芯充电电流，这样可以较大地减少随机森林大数据回归模型的预测时间，提高预测工作效率。如果当前阶段为恒压变流充电工况，则需要预测出未来t秒内的充电电流。
S3、预测数据处理：将预测出的未来充电运行状态数据转化为可以直接用于故障判别的指标数据；
进一步地，所述的S3中为更好观测分析电芯在充电时的热量变化行为，这里引入电芯表面温度变化量，其指电芯在充电过程中的任意60秒内最终时刻表面温度相对起始时刻表面温度的变化值。
依次计算未来t秒内电芯表面温度变化量ΔTs为：
ΔTs(+1)＝Ts(+1)-Ts(-59)
式中，ΔTs(+1)为未来第1秒时的电芯表面温度变化量；
ΔTs(+2)＝Ts(+2)-Ts(-58)
式中，ΔTs(+2)为未来第2秒时的电芯表面温度变化量；
ΔTs(+3)＝Ts(+3)-Ts(-57)
式中，ΔTs(+3)为未来第3秒时的电芯表面温度变化量；
…
ΔTs(+t)＝Ts(+t)-Ts(0)
式中，ΔTs(+t)为未来第t秒时的电芯表面温度变化量；
计算未来t秒内电芯表面温度变化量的最大值ΔTsm为
ΔTsm＝MAX{ΔTs(+1)、ΔTs(+2)、ΔTs(+3)…、ΔTs(+t)}；
计算当前和未来2t秒内电芯充电电流的最大值Im为
Im＝MAX{I(-59)、I(-58)、…、I(0)、…、I(+59)、I(+60)}。
S4、预测故障判别：将数据处理后获得的故障判别指标数据与参考值进行运算比较，得到故障判别结果，具体包括以下步骤：
S401、查询充电电流区间端点对应的最大表面温度变化量的参考值；
S402、计算充电电流对应的最大表面温度变化量的参考值：
式中，I为当前充电电流，ΔTr(Te,I)为当前充电电流对应的最大表面温度变化量的参考值；如果当前阶段为恒压恒流充电工况，则I＝I(0)；如果当前阶段为恒压变流充电工况，则I＝Im。Ia、Ib分别为当前充电电流区间Ia＜I≤Ib的端点，ΔTr(Te,Ia)、ΔTr(Te,Ib)分别为Ia、Ib对应的最大表面温度变化量的参考值；
S403、计算未来t秒内电芯充电的最大表面温度变化率θ为：
S404、根据计算结果大小，可以将预测的电芯过热故障分类。
进一步地，所述的S401具体包括：查询充电电流区间端点对应的最大表面温度变化量的参考值：
1)通过表1确定现在时刻的Te(0)所处环境温度区间和对应查表3的环境温度值；
2)如果当前阶段为恒压恒流充电工况，则直接采用现在时刻的充电电流I(0)大小在表2中查找确定所对应的充电电流区间；如果当前阶段为恒压变流充电工况，则要采用当前和未来2t秒内的最大充电电流Im的大小在表2中查找确定所对应的充电电流区间，以防止充电电流选择偏小而出现故障判别不准；
3)根据充电电流区间的两个端点值，并结合表3中对应的环境温度值，就可以在表3中查找到充电电流区间端点对应的两个最大表面温度变化量的参考值。如果充电电流区间为0＜I≤0.1C，则区间端点0对应的最大表面温度变化量的参考值直接取为现在时刻的环境温度Te(0)。
进一步地，所述的S404具体包括：根据计算结果大小，可以将预测的电芯过热故障分为如下四种类型：
1)若θ≤0，则表示在未来t秒内电芯将不会发生过热故障；
2)若0＜θ≤30％，则表示在未来t秒内电芯将会发生轻度过热故障；
3)若30＜θ≤100％，则表示在未来t秒内电芯将会发生中度过热故障；
4)若θ≥100％，则表示在未来t秒内电芯将会发生重度过热故障。
S5、预测故障处理：根据所述故障类型确定故障等级，并采用与所述故障等级对应的故障处理机制,通过电池管理系统执行具体故障处理操作；
进一步地，所述的S5具体包括以下步骤：
1)若动力电池的电芯为轻度过热故障，则属于警告故障等级，需要通过电池管理系统将故障灯亮起进行提醒，并且开启动力电池冷却系统，给电池尽快降温；
2)若动力电池的电芯为中度过热故障，则属于一般故障等级，需要通过电池管理系统将故障灯亮起进行提醒，并且开启动力电池冷却系统和降低充电电流倍率；
3)若动力电池的电芯为重度过热故障，则属于严重故障等级，需要通过电池管理系统将故障灯亮起进行提醒，并且开启动力电池冷却系统和立即切断充电电路。
由上述进一步地，本发明的另一目的在于提供一种电动汽车动力电池充电过热故障预测系统，该系统包括：数据采集模块、数据预测模块、数据处理模块、故障判别模块、故障处理模块；
所述数据采集模块，用于通过电池管理系统采集当前阶段充电的运行状态数据并进行预处理；
所述数据预测模块，用于基于采集当前阶段充电的运行状态数据对未来预设时间内的运行状态数据进行预测，并得到预测结果；
所述数据处理模块，用于将预测出的未来充电运行状态数据转化为可以直接用于故障判别的指标数据；
所述故障判别模块，用于将数据处理后获得的故障判别指标数据与参考值进行运算比较，得到故障判别结果；
所述故障处理模块，用于根据所述故障类型确定故障等级，并采用与所述故障等级对应的故障处理机制,通过电池管理系统执行具体故障处理操作。
本发明的有益效果为：综上所述，借助于本发明的上述技术方案，本发明通过电池管理系统实时采集当前阶段动力电池的充电运行状态数据，然后根据采集的充电运行状态数据对未来预设时间内的充电运行状态数据进行预测，同时通过采用随机森林大数据回归模型以及交叉验证的方法，提高了随机森林大数据回归模型的准确性，避免过拟合和欠拟合情形，从而能够精准地对未来预设时间内的充电运行状态数据进行预测，提高了预测精准性。此外，通过对动力电池充电过热故障的提前预测，能够通过电池管理系统提前做出一定的故障预处理，避免动力电池在出现热失控等严重情况后，因无法及时做出有效判断处理和遏制过热安全隐患继续加剧，而造成动力电池及电动汽车的严重损坏或人员伤害。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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是本发明的电动汽车动力电池充电过热故障预测方法流程图；
图2是一种电动汽车动力电池组内部充电电路示意图；
图3是基于随机森林大数据回归模型的电芯表面温度预测效果对比图；
图4是本发明的预测系统内部结构示意图；
图5是本发明的预测系统通信连接示意图；
附图中，各标号所代表的部件列表如下：
数据采集模块1、预测模块2、模型构建模块3、故障诊断模块4、故障确认模块5、故障处理模块6。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种电动汽车动力电池充电过热故障预测方法，该方法包括以下步骤：
S1、采集当前数据：通过电池管理系统采集当前阶段充电的运行状态数据并进行预处理；
首先通过动力电池管理系统采集当前一段时间内各个电芯的充电运行状态数据，具体状态数据包括每个电芯当前阶段的健康状态值SOH、每个电芯每秒钟的表面温度测量值Ts、每个电芯每秒钟的周围环境温度测量值Te、每个电芯每秒钟的充电电流测量值I。其中，电芯当前的健康状态值SOH由动力电池管理系统通过对电芯容量估计获得，电芯的表面温度Ts、周围环境温度Te、充电电流I分别通过温度传感器和电流传感器采集获得。这里采集当前阶段充电运行状态数据的时间长度取决于需要提前预测故障的时间长短，为保证故障预测的准确性，一般要求采集当前阶段充电运行状态数据的时间长度不低于预测时间的3倍，即设期望预测时间长度为t秒，则采集当前阶段充电运行状态数据的时间长度至少为3t秒。这里需要采集当前阶段的充电运行状态数据包括：电芯表面温度测量值Ts、电芯周围环境温度测量值Te、电芯充电电流测量值I。它们可以分别表示为：
{…、Ts(-3t)、…、Ts(-2)、Ts(-1)、Ts(0)}
其中，Ts(-3t)为现在时刻前第3t秒时的电芯表面温度测量值，Ts(-2)为现在时刻前第2秒时的电芯表面温度测量值，Ts(-1)为现在时刻前第1秒时的电芯表面温度测量值，Ts(0)为现在时刻的电芯表面温度测量值。
{…、Te(-3t)、…、Te(-2)、Te(-1)、Te(0)}
其中，Te(-3t)为现在时刻前第3t秒时的电芯周围环境温度测量值，Te(-2)为现在时刻前第2秒时的电芯周围环境温度测量值，Te(-1)为现在时刻前第1秒时的电芯周围环境温度测量值，Te(0)为现在时刻的电芯周围环境温度测量值。
{…、I(-3t)、…、I(-2)、I(-1)、I(0)}
其中，Te(-3t)为现在时刻前第3t秒时的电芯充电电流测量值，Te(-2)为现在时刻前第2秒时的电芯充电电流测量值，Te(-1)为现在时刻前第1秒时的电芯充电电流测量值，Te(0)为现在时刻的电芯充电电流测量值。
由于动力电池管理系统的采样周期通常小于1秒，这时就需要先分别计算每个电芯每秒内表面温度Ts、周围环境温度Te、充电电流I所有测量值的平均值，再将平均值作为每个电芯每秒钟的测量值。
S2、预测未来数据：基于采集当前阶段充电的运行状态数据对未来预设时间内的运行状态数据进行预测，并得到预测结果；
S201、基于预设的动力电池在各种充电工况下运行状态的历史数据集训练构建随机森林大数据回归模型，并不断增加新的充电工况数据集，对模型训练进行动态调整，以提高模型预测的准确性和减小预测误差。
具体的，随机森林大数据回归模型具有以下优点：
随机森林能处理很高维度的数据(也就是很多特征的数据)，并且不用做特征选择；
在训练完之后，随机森林能给出哪些特征比较重要；
对于不平衡数据集来说，随机森林可以平衡误差，当存在分类不平衡的情况时，随机森林能提供平衡数据集误差的有效方法；
随机森林算法有很强的抗干扰能力以及抗过拟合能力；
随机森林能够解决分类与回归两种类型的问题，并在这两方面都有相当好的估计表现。
S202、通过5-折交叉验证方法对所述随机森林大数据回归模型参数筛选进行评估验证，以提高模型调参准确性。
具体的，通过5-折交叉验证方法对所述随机森林大数据回归模型参数筛选进行评估，能够提高随机森林大数据回归模型参数的准确性，避免过拟合和欠拟合情形，从而能够更加精确地预测出动力电池在未来一段时间内的充电运行状态数据。
S203、将第一步中采集的当前阶段的充电运行状态数据输入所述随机森林大数据回归模型，进而预测出未来t秒内的充电运行状态数据结果。这里具体需要预测出的充电运行状态数据包括电芯表面温度Ts和充电电流I。它们可以分别表示为:
{Ts(+1)、Ts(+2)、Ts(+3)、…、Ts(+t)}
其中，Ts(+1)为未来第1秒时的电芯表面温度预测值，Ts(+2)为未来第2秒时的电芯表面温度预测值，Ts(+3)为未来第3秒时的电芯表面温度预测值，Ts(+t)为未来第t秒时的电芯表面温度预测值。
{I(+1)、I(+2)、I(+3)、…、I(+t)}
其中，I(+1)为未来第1秒时的电芯充电电流预测值，I(+2)为未来第2秒时的电芯充电电流预测值，I(+3)为未来第3秒时的电芯充电电流预测值，I(+t)为未来第t秒时的电芯充电电流预测值。
S204、如果当前阶段为恒压恒流充电工况，则本步中就不需要预测出未来t秒内的电芯充电电流，这样可以较大地减少随机森林大数据回归模型的预测时间，提高预测工作效率。如果当前阶段为恒压变流充电工况，则需要预测出未来t秒内的充电电流。
如图3所示，为基于随机森林大数据回归模型的电芯表面温度预测值与实际测量值之间的预测效果对比，图中电芯表面温度数据来源的充电工况为：健康状态为90％的三元锂离子电芯在环境温度为35℃，充电倍率为1C的条件下进行恒压恒流充电。未来预测时间长度设定为40秒。
S3、预测数据处理：将预测出的未来充电运行状态数据转化为可以直接用于故障判别的指标数据；
进一步地，S3中为更好观测分析电芯在充电时的热量变化行为，这里引入电芯表面温度变化量，其指电芯在充电过程中的任意60秒内最终时刻表面温度相对起始时刻表面温度的变化值。
依次计算未来t秒内电芯表面温度变化量ΔTs为：
ΔTs(+1)＝Ts(+1)-Ts(-59)
式中，ΔTs(+1)为未来第1秒时的电芯表面温度变化量；
ΔTs(+2)＝Ts(+2)-Ts(-58)
式中，ΔTs(+2)为未来第2秒时的电芯表面温度变化量；
ΔTs(+3)＝Ts(+3)-Ts(-57)
式中，ΔTs(+3)为未来第3秒时的电芯表面温度变化量；
…
ΔTs(+t)＝Ts(+t)-Ts(0)
式中，ΔTs(+t)为未来第t秒时的电芯表面温度变化量；
计算未来t秒内电芯表面温度变化量的最大值ΔTsm为
ΔTsm＝MAX{ΔTs(+1)、ΔTs(+2)、ΔTs(+3)…、ΔTs(+t)}；
计算当前和未来2t秒内电芯充电电流的最大值Im为
Im＝MAX{I(-59)、I(-58)、…、I(0)、…、I(+59)、I(+60)}。
S4、预测故障判别：将数据处理后获得的故障判别指标数据与参考值进行运算比较，得到故障判别结果，具体包括以下步骤：
S401、查询充电电流区间端点对应的最大表面温度变化量的参考值；
S402、计算充电电流对应的最大表面温度变化量的参考值：
式中，I为当前充电电流，ΔTr(Te,I)为当前充电电流对应的最大表面温度变化量的参考值；如果当前阶段为恒压恒流充电工况，则I＝I(0)；如果当前阶段为恒压变流充电工况，则I＝Im。Ia、Ib分别为当前充电电流区间Ia＜I≤Ib的两个端点，ΔTr(Te,Ia)、ΔTr(Te,Ib)分别为Ia、Ib对应的最大表面温度变化量的参考值；
S403、计算未来t秒内电芯充电的最大表面温度变化率θ为：
S404、根据计算结果大小，可以将预测的电芯过热故障分类。
表1
| 序号 | Te(0)所处环境温度区间 | 对应表3中的环境温度值 |
| 1 | -20℃≤Te(0)＜-10℃ | -15℃ |
| 2 | -10℃≤Te(0)＜0℃ | -5℃ |
| 3 | 0℃≤Te(0)＜10℃ | 5℃ |
| 4 | 10℃≤Te(0)＜20℃ | 15℃ |
| 5 | 20℃≤Te(0)＜30℃ | 25℃ |
| 6 | 30℃≤Te(0)＜40℃ | 35℃ |
| 7 | 40℃≤Te(0)≤50℃ | 45℃ |
表1为环境温度区间对应关系。由于环境温度控制在一定范围内变化时，对电芯充电时的表面温度变化量影响很小，所以将环境温度-20℃≤Te(0)≤50℃按每10℃分成7个区间，取各温度区间中点值代表区间内其他温度值，作为在表3中查询表面温度变化量的环境温度对应值，因此可以不用连续在每个环境温度点处都给出对应的表面温度变化量，大大减少实验测试工作量。
表2
表2为充电电流区间划分关系。由于目前大多数电动汽车采用220V交流充电方式，充电电流一般小于1C倍率，所以这里表2和表3仅考虑到了0～1C倍率的充电电流。当然根据实际需求，也可以扩展到高倍率快充充电方式。
表3
表3为电芯充电时最大表面温度变化量的参考值，其中最大表面温度变化量数据是在不同工况条件下通过恒压恒流充电实验测试获得的。比如，ΔTr(-15,0.1)是指在环境温度为-15℃，充电电流为0.1C工况下将电芯电量从零到充满的全过程中表面温度变化量的最大值。由于电动汽车的动力电池允许的工作健康状态一般为80％～100％这个区间，电池的健康状态对充电时最大表面温度变化量影响很小，所以这里实验测试仅选用健康状态为90％的电池，以减少实验测试工作量。
进一步地，所述的S401具体包括：查询充电电流区间端点对应的最大表面温度变化量的参考值：
①通过表1确定现在时刻的Te(0)所处环境温度区间和对应查表3的环境温度值。
②如果当前阶段为恒压恒流充电工况，则直接采用现在时刻的充电电流I(0)大小在表2中查找确定所对应的充电电流区间；如果当前阶段为恒压变流充电工况，则要采用当前和未来2t秒内的最大充电电流Im的大小在表2中查找确定所对应的充电电流区间，以防止充电电流选择偏小而出现故障判别不准。
③根据充电电流区间的两个端点值，并结合表3中对应的环境温度值，就可以在表3中查找到充电电流区间端点对应的两个最大表面温度变化量的参考值。如果充电电流区间为0＜I≤0.1C，则区间端点0对应的最大表面温度变化量的参考值直接取为现在时刻的环境温度Te(0)。
进一步地，S404具体包括：根据计算结果大小，可以将预测的电芯过热故障分为如下四种类型：
1)若θ≤0，则表示在未来t秒内电芯将不会发生过热故障
2)若0＜θ≤30％，则表示在未来t秒内电芯将会发生轻度过热故障
3)若30＜θ≤100％，则表示在未来t秒内电芯将会发生中度过热故障
4)若θ≥100％，则表示在未来t秒内电芯将会发生重度过热故障S5、预测故障处理：根据所述故障类型确定故障等级，并采用与所述故障等级对应的故障处理机制,通过电池管理系统执行具体故障处理操作；
进一步地，S5具体包括以下步骤：
1)若动力电池的电芯为轻度过热故障，则属于警告故障等级，则通过电池管理系统将故障灯亮起进行提醒，并且开启动力电池冷却系统，给电池尽快降温。
2)若动力电池的电芯为中度过热故障，则属于一般故障等级，则通过电池管理系统将故障灯亮起进行提醒，并且开启动力电池冷却系统和降低充电电流倍率。
3)若动力电池的电芯为重度过热故障，则属于严重故障等级，则通过电池管理系统将故障灯亮起进行提醒，并且开启动力电池冷却系统和立即切断充电电路。
故障等级是按照各种故障对于动力电池及电动汽车安全性的影响严重程度来划分的，由于电池轻微过热不会影响继续充电的故障属于警告故障，对于动力电池继续充电会有一定功能影响而不存在较大安全隐患的故障属于一般故障，对于动力电池继续充电可能存在较大安全隐患的故障属于严重故障。
实施例2
如图4至图5所示，由上述进一步地，本发明的另一目的在于提供一种电动汽车动力电池充电过热故障预测系统，该系统包括：数据采集模块、数据预测模块、数据处理模块、故障判别模块、故障处理模块；
其中，所述数据采集模块，用于通过电池管理系统采集当前阶段充电的运行状态数据并进行预处理；
所述数据预测模块，用于基于采集当前阶段充电的运行状态数据对未来预设时间内的运行状态数据进行预测，并得到预测结果；
所述数据处理模块，用于将预测出的未来充电运行状态数据转化为可以直接用于故障判别的指标数据；
所述故障判别模块，用于将数据处理后获得的故障判别指标数据与参考值进行运算比较，得到故障判别结果；
所述故障处理模块，用于根据所述故障类型确定故障等级，并采用与所述故障等级对应的故障处理机制,通过电池管理系统执行具体故障处理操作。
且图5中表示预测系统内部的5个模块之间采用并行通信方式，这样可以使预测系统内部的数据信息高速传输，大大减少预测处理时间，提高预测系统工作效率。预测系统与电池管理系统之间采取CAN总线连接通信，为了实现数据采集和故障处理的快速响应，要求预测系统需要设置两组CAN总线，使其数据采集模块和故障处理模块分别与电池管理系统直接通信，提高信息传输及时性。这里要求CAN总线传输速率不低于500kbit/s。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式，本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种电动汽车动力电池充电过热故障预测方法，其特征在于，该方法具体包括以下步骤：
S1、采集当前数据：通过电池管理系统采集当前阶段充电的运行状态数据并进行预处理；
S2、预测未来数据：基于采集当前阶段充电的运行状态数据对未来预设时间内的运行状态数据进行预测，并得到预测结果；
S3、预测数据处理：将预测出的未来充电运行状态数据转化为可以直接用于故障判别的指标数据；
S4、预测故障判别：将数据处理后获得的故障判别指标数据与参考值进行运算比较，得到故障判别结果，具体包括以下步骤：
S401、查询充电电流区间端点对应的最大表面温度变化量的参考值；
S402、计算充电电流对应的最大表面温度变化量的参考值：
式中，I为当前充电电流，ΔTr(Te,I)为当前充电电流对应的最大表面温度变化量的参考值；如果当前阶段为恒压恒流充电工况，则I＝I(0)；如果当前阶段为恒压变流充电工况，则I＝Im；Ia、Ib分别为当前充电电流区间Ia＜I≤Ib的两个端点，ΔTr(Te,Ia)、ΔTr(Te,Ib)分别为Ia、Ib对应的最大表面温度变化量的参考值；
S403、计算未来t秒内电芯充电的最大表面温度变化率θ为：
S404、根据计算结果大小，可以将预测的电芯过热故障分类；
S5、预测故障处理：根据所述故障类型确定故障等级，并采用与所述故障等级对应的故障处理机制，通过电池管理系统执行具体故障处理操作。
2.根据权利要求1所述的一种电动汽车动力电池充电过热故障预测方法，其特征在于：所述的S2具体包括以下步骤：
S201、基于预设的动力电池在各种充电工况下运行状态的历史数据集训练构建随机森林大数据回归模型，并不断增加新的充电工况数据集，对模型训练进行动态调整，以提高模型预测的准确性和减小预测误差；
S202、通过5-折交叉验证方法对所述随机森林大数据回归模型参数筛选进行评估验证，以提高模型调参准确性；
S203、将第一步中采集的当前阶段的充电运行状态数据输入所述随机森林大数据回归模型，进而预测出未来t秒内的充电运行状态数据结果；这里具体需要预测出的充电运行状态数据包括电芯表面温度Ts和充电电流I，它们可以分别表示为：
{Ts(+1)、Ts(+2)、Ts(+3)、…、Ts(+t)}
其中，Ts(+1)为未来第1秒时的电芯表面温度预测值，Ts(+2)为未来第2秒时的电芯表面温度预测值，Ts(+3)为未来第3秒时的电芯表面温度预测值，Ts(+t)为未来第t秒时的电芯表面温度预测值；
{I(+1)、I(+2)、I(+3)、…、I(+t)}
其中，I(+1)为未来第1秒时的电芯充电电流预测值，I(+2)为未来第2秒时的电芯充电电流预测值，I(+3)为未来第3秒时的电芯充电电流预测值，I(+t)为未来第t秒时的电芯充电电流预测值；
S204、如果当前阶段为恒压恒流充电工况，则本步中就不需要预测出未来t秒内的电芯充电电流，这样可以较大地减少随机森林大数据回归模型的预测时间，提高预测工作效率；如果当前阶段为恒压变流充电工况，则需要预测出未来t秒内的充电电流。
3.根据权利要求1所述的一种电动汽车动力电池充电过热故障预测方法，其特征在于：所述的S3中为更好观测分析电芯在充电时的热量变化行为，这里引入电芯表面温度变化量，其指电芯在充电过程中的任意60秒内最终时刻表面温度相对起始时刻表面温度的变化值；
依次计算未来t秒内电芯表面温度变化量ΔTs为：
ΔTs(+1)＝Ts(+1)-Ts(-59)
式中，ΔTs(+1)为未来第1秒时的电芯表面温度变化量；
ΔTs(+2)＝Ts(+2)-Ts(-58)
式中，ΔTs(+2)为未来第2秒时的电芯表面温度变化量；
ΔTs(+3)＝Ts(+3)-Ts(-57)
式中，ΔTs(+3)为未来第3秒时的电芯表面温度变化量；
…
ΔTs(+t)＝Ts(+t)-Ts(0)
式中，ΔTs(+t)为未来第t秒时的电芯表面温度变化量；
计算未来t秒内电芯表面温度变化量的最大值ΔTsm为
ΔTsm＝MAX{ΔTs(+1)、ΔTs(+2)、ΔTs(+3)…、ΔTs(+t)}；
计算当前和未来2t秒内电芯充电电流的最大值Im为
Im＝MAX{I(-59)、I(-58)、…、I(0)、…、I(+59)、I(+60)}。
4.根据权利要求1所述的一种电动汽车动力电池充电过热故障预测方法，其特征在于：所述的S401具体包括：查询充电电流区间端点对应的最大表面温度变化量的参考值：
1)通过表1确定现在时刻的Te(0)所处环境温度区间和对应查表3的环境温度值；
2)如果当前阶段为恒压恒流充电工况，则直接采用现在时刻的充电电流I(0)大小在表2中查找确定所对应的充电电流区间；如果当前阶段为恒压变流充电工况，则要采用当前和未来2t秒内的最大充电电流Im的大小在表2中查找确定所对应的充电电流区间，以防止充电电流选择偏小而出现故障判别不准；
3)根据充电电流区间的两个端点值，并结合表3中对应的环境温度值，就可以在表3中查找到充电电流区间端点对应的两个最大表面温度变化量的参考值；如果充电电流区间为0＜I≤0.1C，则区间端点0对应的最大表面温度变化量的参考值直接取为现在时刻的环境温度Te(0)。
5.根据权利要求1所述的一种电动汽车动力电池充电过热故障预测方法，其特征在于：所述的S404具体包括：根据计算结果大小，可以将预测的电芯过热故障分为如下四种类型：
1)若θ≤0，则表示在未来t秒内电芯将不会发生过热故障；
2)2)若0＜θ≤30％，则表示在未来t秒内电芯将会发生轻度过热故障；
3)若30＜θ≤100％，则表示在未来t秒内电芯将会发生中度过热故障；
4)若θ≥100％，则表示在未来t秒内电芯将会发生重度过热故障。
6.根据权利要求1所述的一种电动汽车动力电池充电过热故障预测方法，其特征在于：所述的S5具体包括以下步骤：
1)若动力电池的电芯为轻度过热故障，则属于警告故障等级，需要通过电池管理系统将故障灯亮起进行提醒，并且开启动力电池冷却系统，给电池尽快降温；
2)若动力电池的电芯为中度过热故障，则属于一般故障等级，需要通过电池管理系统将故障灯亮起进行提醒，并且开启动力电池冷却系统和降低充电电流倍率；
3)若动力电池的电芯为重度过热故障，则属于严重故障等级，需要通过电池管理系统将故障灯亮起进行提醒，并且开启动力电池冷却系统和立即切断充电电路。
7.根据权利要求1-6中任意一项所述的一种电动汽车动力电池充电过热故障预测系统，其特征在于，该系统包括：数据采集模块、数据预测模块、数据处理模块、故障判别模块、故障处理模块；
所述数据采集模块，用于通过电池管理系统采集当前阶段充电的运行状态数据并进行预处理；
所述数据预测模块，用于基于采集当前阶段充电的运行状态数据对未来预设时间内的运行状态数据进行预测，并得到预测结果；
所述数据处理模块，用于将预测出的未来充电运行状态数据转化为可以直接用于故障判别的指标数据；
所述故障判别模块，用于将数据处理后获得的故障判别指标数据与参考值进行运算比较，得到故障判别结果；
所述故障处理模块，用于根据所述故障类型确定故障等级，并采用与所述故障等级对应的故障处理机制,通过电池管理系统执行具体故障处理操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310003684.XA CN115958957B (zh) | 2023-01-03 | 2023-01-03 | 一种电动汽车动力电池充电过热故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310003684.XA CN115958957B (zh) | 2023-01-03 | 2023-01-03 | 一种电动汽车动力电池充电过热故障预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115958957A true CN115958957A (zh) | 2023-04-14 |
| CN115958957B CN115958957B (zh) | 2023-12-22 |
Family
ID=87359744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310003684.XA Active CN115958957B (zh) | 2023-01-03 | 2023-01-03 | 一种电动汽车动力电池充电过热故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115958957B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349631A (zh) * | 2023-12-04 | 2024-01-05 | 斯润天朗(合肥)科技有限公司 | 电动车热失控预判方法、模型训练方法、装置及相关设备 |
| CN117962688A (zh) * | 2024-03-29 | 2024-05-03 | 长城汽车股份有限公司 | 电池温度的确定方法、装置、车载终端及车辆 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111965562A (zh) * | 2020-10-20 | 2020-11-20 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于随机森林模型预测锂电池剩余循环寿命的方法 |
| CN112549965A (zh) * | 2019-09-26 | 2021-03-26 | 广州汽车集团股份有限公司 | 动力电池热失控处理方法、装置及电动汽车 |
| CN112937303A (zh) * | 2021-02-08 | 2021-06-11 | 重庆长安新能源汽车科技有限公司 | 一种电池过热后实时在线预警方法及系统 |
| CN113895272A (zh) * | 2021-10-15 | 2022-01-07 | 青岛科技大学 | 基于深度学习的电动汽车交流充电状态监测和故障预警方法 |
-
2023
- 2023-01-03 CN CN202310003684.XA patent/CN115958957B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112549965A (zh) * | 2019-09-26 | 2021-03-26 | 广州汽车集团股份有限公司 | 动力电池热失控处理方法、装置及电动汽车 |
| CN111965562A (zh) * | 2020-10-20 | 2020-11-20 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于随机森林模型预测锂电池剩余循环寿命的方法 |
| CN112937303A (zh) * | 2021-02-08 | 2021-06-11 | 重庆长安新能源汽车科技有限公司 | 一种电池过热后实时在线预警方法及系统 |
| CN113895272A (zh) * | 2021-10-15 | 2022-01-07 | 青岛科技大学 | 基于深度学习的电动汽车交流充电状态监测和故障预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 谢翌，等: "新能源汽车锂离子电池组SOC-SOP联合估计算法", 《汽车安全与节能学报》, vol. 13, no. 3, pages 580 - 589 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349631A (zh) * | 2023-12-04 | 2024-01-05 | 斯润天朗(合肥)科技有限公司 | 电动车热失控预判方法、模型训练方法、装置及相关设备 |
| CN117962688A (zh) * | 2024-03-29 | 2024-05-03 | 长城汽车股份有限公司 | 电池温度的确定方法、装置、车载终端及车辆 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115958957B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107064803B (zh) | 电池内短路的在线检测方法 | |
| CN115958957A (zh) | 一种电动汽车动力电池充电过热故障预测方法及系统 | |
| CN112092675A (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN104617330A (zh) | 电池微短路的识别方法 | |
| CN111216593A (zh) | 一种新能源车辆、供电控制方法及存储介质 | |
| CN116626505B (zh) | 一种基于车联网大数据的电池组一致性异常检测方法 | |
| CN109860739B (zh) | 一种非等容电池组的组配方法、系统、存储介质及装置 | |
| CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
| CN112937303A (zh) | 一种电池过热后实时在线预警方法及系统 | |
| CN114734873B (zh) | 一种基于云端在线数据的动力电池单体热失控预警方法 | |
| CN112036014A (zh) | 一种基于层次分析法的锂离子电池安全可靠性测试方法 | |
| CN112550074A (zh) | 一种电动汽车电池内部温度安全预警方法及监测系统 | |
| CN116973782B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
| CN114523878B (zh) | 一种锂离子电池析锂安全预警方法及装置 | |
| CN115902629A (zh) | 一种锂离子电池安全状态评估及安全故障分级方法 | |
| CN111983470B (zh) | 一种基于关联维数的锂离子动力电池安全度评估方法及装置 | |
| CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
| CN115327400A (zh) | 锂电池和模组的析锂检测装置及方法 | |
| CN113341332A (zh) | 电池热失控预警方法、装置、作业机械及电子设备 | |
| CN116520153B (zh) | 一种锂电池热失控预警保护方法和系统 | |
| CN111190116A (zh) | 一种锂离子电池安全性管理方法及系统 | |
| CN117239264B (zh) | 一种电池的安全控制方法、装置、智能电池和介质 | |
| CN118091411A (zh) | 电池内短路预警方法、装置、设备及存储介质 | |
| CN112467236B (zh) | 一种锂离子电池全寿命周期下的分级安全预警方法 | |
| CN117590251A (zh) | 一种锂离子电池检充一体的内短路识别方法及装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231031 Address after: 400 000 No. 174 Zhengjie, Shapingba District, Chongqing Applicant after: Chongqing University Applicant after: Sichuan Engineering Technical College Address before: 400 000 No. 174 Zhengjie, Shapingba District, Chongqing Applicant before: Chongqing University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |