CN116165552A - 一种电池系统过压/欠压故障定位方法 - Google Patents

Abstract

本发明涉及一种电池系统过压/欠压故障定位方法，属于新能源汽车技术领域。方法包括：实时采集电池系统SOC、单体最高电压、单体最低电压、总电流；当电池系统出现过压报警时，进行故障定位：根据特征指标及其对应的设定阈值判断是否为单体电芯损坏、是否为控制策略不合理、是否为充电桩限流慢、二次充电、是否为采样线问题、是否为电流回馈、环流或主动均衡；各设定阈值的确定过程为：根据失效案例库，建立包含所有导致过压故障原因的故障树，得到训练集数据，将训练集数据输入决策树分类器中，得到各过压故障原因的特征指标、特征指标对应的设定阈值。本发明在发生报警的情况下及时进行故障定位，提高了电池的安全性。

Description

一种电池系统过压/欠压故障定位方法

技术领域

本发明涉及一种电池系统过压/欠压故障定位方法，属于新能源汽车技术领域。

背景技术

新能源汽车具有清洁、无污染的优势，从清洁低碳能源转型战略来看，主流化发展成为一种必然趋势。新能源汽车主要电源系统包括动力电池，动力电池是将化学能转换为电能的一种装置，它的主要参数包括：电压、内阻、温度、容量、功率、寿命等。电池管理系统(BMS)主要用于对电动汽车的动力电池参数进行实时监控、故障诊断、SOC估算、行驶里程估算、短路保护、漏电检测、显示报警，充放电模式选择等，并通过CAN总线的方式与车辆集成控制器或充电机进行信息交互，保障电动汽车高效、可靠、安全运行。

新能源汽车所搭载的电源系统根据电池材料类型的不同有着不同电压正常使用范围，当单体最高电压超过电压正常使用范围上限时，电池管理系统会发出过压报警；当单体最低电压低于电压正常使用范围下限时，电池管理系统会发出欠压报警。

然而电源系统仅仅报警无法进行故障定位，车辆实际运营中产生过压、欠压的原因有很多，目前仅根据超出阀值给出响应报警的方式并不能满足实际处理问题的需要。为了确定过压、欠压的准确原因，需要售后人员到达现场对每种故障原因进行逐一排查，使得故障定位的效率低。

发明内容

本申请的目的在于提供一种电池系统过压/欠压故障定位方法，用以解决现有故障定位方式效率低的问题。

为实现上述目的，本申请提出了一种电池系统过压故障定位方法的技术方案，包括以下步骤：

1)实时采集电池系统的特征指标；特征指标包括电池系统SOC、单体最高电压、单体最低电压、总电流；

2)当电池系统出现过压报警时，进行故障定位：

选取报警时间大于设定时长的电池数据，提取该段时间内的最高电池系统SOC、最小总电流，将最高电池系统SOC、最小总电流、单体最高电压与对应的设定阈值比较判断是否为单体电芯损坏；

当车辆为充电状态<车辆为混动式车辆时，将电池系统SOC与对应的设定阈值比较判断是否为控制策略不合理；

当车辆为充电状态<车辆为混动式车辆/纯电动车辆，将报警前总电流为负记录条数与对应的设定阈值比较判断是否为充电桩限流慢、或者二次充电；

当车辆为行车状态，将单体最高电压的变化量、单体最低电压的变化量与对应的设定阈值比较判断是否为采样线问题；

当车辆为行车状态，将报警前总电流为负记录条数、电池系统SOC与对应的设定阈值比较判断是否为电流回馈、环流或主动均衡；

各设定阈值的确定过程为：

建立包含所有导致过压故障原因的故障树；

根据故障树建立训练集数据；训练集数据包括故障车辆数据和正常车辆数据，故障车辆数据包括过压故障原因标识、所有的特征指标值；正常车辆数据包括正常车辆标识、所有的特征指标值；

将训练集数据输入决策树分类器中，进行训练和学习，进而建立每种过压故障原因的决策树，得到各过压故障原因的特征指标、特征指标对应的设定阈值。

本发明的电池系统过压故障定位方法的技术方案的有益效果是：本发明基于失效库中的故障车辆分析，建立了完善的故障树，采用机器学习方式—决策树算法得到各种故障原因的特征指标及其对应的设定阈值，进而在实时采集的特征指标下，一旦出现报警即可对故障进行定位，不仅能够精准定位具体问题、提前识别问题，还显著提高了故障修复的效率，全面提高了电池的安全性，确保所有故障车辆能够及时解除危险，避免重大安全事故发生。

进一步地，若最高电池系统SOC≤第一设定阈值、或者最高电池系统SOC＞第一设定阈值<最小总电流＞第二设定阈值<单体最高电压＞第三设定阈值，则单体电芯损坏；否则单体电芯未损坏。

进一步地，当车辆为充电状态<车辆为混动式车辆时，若电池系统SOC＜第四设定阈值，则判断为控制策略不合理；当车辆为充电状态<车辆为混动式车辆/纯电动车辆，若报警前总电流为负记录条数为第五设定阈值，则判断为充电桩限流慢，否则判断为二次充电。

进一步地，当车辆为行车状态，若单体最高电压的变化量大于高压跳变设定阈值<单体最低电压的变化量大于低压跳变设定阈值，则判断为采样线问题；当车辆为行车状态，若报警前总电流为负记录条数为第五设定阈值<电池系统SOC＜第六设定阈值，则判断为电流回馈；否则判断为环流或主动均衡。

进一步地，还包括对每种过压故障原因的决策树进行剪枝处理的步骤。

另外，本申请提出了一种电池系统欠压故障定位方法的技术方案，包括以下步骤：

1)实时采集电池系统的特征指标；特征指标包括电池系统SOC、单体最高电压及其对应的电芯号、单体最低电压及其对应的电芯号、总电流、单体最高电压对应的SOC、单体最低电压对应的SOC；

2)当电池系统出现偶发欠压报警时，将单体最高电压的变化量、单体最低电压的变化量与对应的设定阈值比较判断是否为采样线问题；将电池系统SOC、总电流与对应的设定阈值比较判断是否为电流增大导致的电压极化；

当电池系统出现持续欠压报警时，将单体最高电压对应的SOC和单体最低电压对应的SOC的差值、充电末端的单体最高电压、放电末端的单体最低电压与对应的设定阈值比较判断是否为单体内阻大；将单体最高电压对应的SOC和单体最低电压对应的SOC的差值、充电末端的单体最低电压、放电末端的单体最低电压与对应的设定阈值比较判断是否为单体容量异常；将单体最低电压、总电流与对应的设定阈值比较判断是否为放电继电器粘结；

各设定阈值的确定过程为：

建立包含所有导致欠压故障原因的故障树；

根据故障树建立训练集数据；训练集数据包括故障车辆数据和正常车辆数据，故障车辆数据包括欠压故障原因标识、所有的特征指标值；正常车辆数据包括正常车辆标识、所有的特征指标值；

将训练集数据输入决策树分类器中，进行训练和学习，进而建立每种欠压故障原因的决策树，得到各欠压故障原因的特征指标、特征指标对应的设定阈值。

本发明的电池系统欠压故障定位方法的技术方案的有益效果是：本发明基于失效库中的故障车辆分析，建立了完善的故障树，采用机器学习方式—决策树算法得到各种故障原因的特征指标及其对应的设定阈值，进而在实时采集的特征指标下，一旦出现报警即可对故障进行定位，不仅能够精准定位具体问题、提前识别问题，还显著提高了故障修复的效率，全面提高了电池的安全性，确保所有故障车辆能够及时解除危险，避免重大安全事故发生。

进一步地，若单体最高电压对应的SOC和单体最低电压对应的SOC的差值＞第七设定阈值、<充电末端的单体最高电压＞高压设定阈值、<放电末端的单体最低电压＜第一低压设定阈值、<单体最高电压和单体最低电压为同一单体电芯，则判断为单体内阻大；若单体最高电压对应的SOC和单体最低电压对应的SOC的差值＞第八设定阈值<呈上升趋势、<充电末端的单体最低电压＜第二低压设定阈值、<放电末端的单体最低电压＜第三低压设定阈值、<单体最高电压和单体最低电压为同一单体电芯，则判断为单体容量异常。

进一步地，若单体最低电压＜第九设定阈值<持续下降、<总电流＞第十设定阈值，则判断为放电继电器粘结。

进一步地，若电池系统SOC＜第十三设定阈值、<总电流＞第十四设定阈值、<降流取消报警则判断为电流增大导致的电压极化；若单体最高电压的变化量大于高压跳变设定阈值<单体最低电压的变化量大于低压跳变设定阈值，则判断为采样线问题。

进一步地，还包括对每种欠压故障原因的决策树进行剪枝处理的步骤。

附图说明

图1是本发明电池系统过压故障定位方法流程图；

图2是本发明所有导致过压故障原因的故障树；

图3是本发明过压故障下，单体电芯损坏的决策树；

图4是本发明电池系统欠压故障定位方法流程图；

图5是本发明所有导致欠压故障原因的故障树。

具体实施方式

电池系统过压故障定位方法实施例：

本发明的主要构思在于，针对每种导致电池系统过压故障的原因，通过建立故障树，采用决策树算法确定每种故障原因的特征指标、以及特征指标对应的设定阈值，进而通过电池系统的特征指标在出现过压报警的情况下，迅速对故障进行定位，找出导致过压故障的原因，提高故障定位的效率。

具体的，电池系统过压故障定位方法如图1所示，包括以下步骤：

1)根据相应的失效案例库建立包含导致过压故障原因的故障树，根据决策树算法得到每种过压故障原因的特征指标、以及特征指标对应的设定阈值。

本步骤的具体过程为：

a.建立包含所有导致过压故障原因的故障树。

根据已有的失效案例库，通过对故障车辆进行排查，找出车辆过压的具体原因，电池过压影响因素有单体电芯损坏、采样线异常、环流等，建立出如图2所示的所有导致过压故障原因的故障树。

b.根据故障树建立训练集数据；训练集数据包括故障车辆数据和正常车辆数据(故障车辆数据和正常车辆数据的比例为1:1)，故障车辆数据包括过压故障原因标识、所有的特征指标值；正常车辆数据包括正常车辆标识、所有的特征指标值。这里的故障车辆数据为某一特定过压故障原因对应的数据。

c.将训练集数据输入决策树分类器中，进行训练和学习，进而建立每种过压故障原因的决策树。

d.决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正的过程，主要是用新的样本数据集(称为测试数据集，测试数据集和训练集数据类型相同)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除，最终得到各过压故障原因的特征指标、特征指标对应的设定阈值。

以单体电芯损坏原因为例，对决策树设定阈值的确定过程进行详细说明。

(1)电池单体异常核心影响因素有SOC、电流、电压、时间，特征指标即为过压报警阶段中的电池系统SOC、总电流、最低单体最高电压、最高单体最高电压、过压持续时间；

(2)使用基尼指数的划分准则，基尼指数最小的属性作为最优划分属性来构造决策树，再利用后剪枝策略对决策树剪枝处理，得到最终的如图3所示的单体电芯损坏的决策树。

根据后剪枝策略计算，最终得到3种特征指标决定的识别逻辑和特征值：选取过压报警持续时间大于1分钟(这里设定时长为一分钟)的电池数据，提取该时间段内的最高电池系统SOC、最小总电流、以及单体最高电压，当最高电池系统SOC≤X1时，若报单体过压报警，则为单体损坏；若最高电池系统SOC＞X1时，最小总电流≤X2时，则为正常单体；若最高电池系统SOC＞X1时，最小总电流＞X2<单体最高电压＞X3时，则为单体损坏，否则为单体正常。

X1是决策树算法在训练集中生成的判断电芯异常的SOC值，X1可取80％-90％。X2是决策树算法在训练集中生成的判断电芯异常的电流值，X2可取-30A至-50A。X3是决策树算法在训练集中生成的判断电芯异常的最高电压值，X3可取3.9V至4.0V。

图3中“样本量”代表选取的总案例车；“值”代表在当前节点的条件下，不同类别的数量，例如“值＝【18,35】”代表18个正向案例，35个负向案例；“类别＝1”代表负向案例，即单体损坏车辆；“类别＝0”代表正向案例，即正常车辆；“基尼系数”用来衡量节点纯度，节点越不纯，基尼值越大，熵值越大。当基尼系数＝0时，该节点不再有分支。综上，每个内部节点测试输出的含义为：在一定的条件下，存在一个尼基系数，基尼系数不等于0时，该样本量中一共有2个类别，每个类别的数量一定，节点测试输出后，每个分支的类别1的总和等于该内部节点中类别1的值，类别0的总和等于该内部节点中类别0的值。

2)实时采集电池系统的特征指标；特征指标包括电池系统SOC、单体最高电压、单体最低电压、总电流。

3)当电池系统出现过压报警时，进行故障定位。

选取报警时间大于设定时长的电池数据，提取该段时间内的最高电池系统SOC、最小总电流，若最高电池系统SOC≤第一设定阈值X1、或者最高电池系统SOC＞第一设定阈值X1<最小总电流＞第二设定阈值X2<单体最高电压＞第三设定阈值X3，则单体电芯损坏；否则单体电芯未损坏。X1可取80％-90％，X2可取-30A至-50A，X3可取3.9V至4.0V。

当车辆为充电状态<车辆为混动式车辆(即插电式车辆)时，若电池系统SOC＜第四设定阈值X4，则判断为控制策略不合理；当车辆为充电状态<车辆为混动式车辆/纯电动车辆，若报警前总电流为负记录条数为第五设定阈值X5，则判断为充电桩限流慢，否则判断为二次充电。X4代表插电式车辆满电时的电池电量，X4可取93％-95％。X5可取1～10。

当车辆为行车状态，若单体最高电压的变化量大于高压跳变设定阈值<单体最低电压的变化量大于低压跳变设定阈值(也即高压跳高、低压跳低)，则判断为采样线问题，经验证，单体最高电压的跳变量＞200mV，单体最低电压的跳变量＞80mV，认为采样线问题；当车辆为行车状态，若报警前总电流为负记录条数为第五设定阈值<电池系统SOC＜第六设定阈值X6，则判断为电流回馈；否则判断为环流或主动均衡。X6代表高电量状态下的SOC值，因此X6＜100％。

电池系统欠压故障定位方法实施例：

电池系统欠压故障定位方法，如图4所示，包括以下步骤：

1)建立如图5所示的包含所有导致欠压故障原因的故障树；导致欠压故障的原因有单体电芯内阻大、容量异常等；

根据故障树建立训练集数据；训练集数据包括故障车辆数据和正常车辆数据，故障车辆数据包括欠压故障原因标识、所有的特征指标值；正常车辆数据包括正常车辆标识、所有的特征指标值；

将训练集数据输入决策树分类器中，进行训练和学习，进而建立每种欠压故障原因的决策树，得到各欠压故障原因的特征指标、特征指标对应的设定阈值。

电池系统欠压故障定位方法中各设定阈值的确定过程与电池系统过压故障定位方法中个设定阈值的确定过程相同，这里不做赘述。

2)实时采集电池系统的特征指标；特征指标包括电池系统SOC、单体最高电压及其对应的电芯号、单体最低电压及其对应的电芯号、总电流、单体最高电压对应的SOC、单体最低电压对应的SOC。

3)根据特征指标进行故障定位。

当电池系统出现持续欠压报警时：

若单体最高电压对应的SOC和单体最低电压对应的SOC的差值ΔSOC＞第七设定阈值X7、<充电末端的单体最高电压＞高压设定阈值、<放电末端的单体最低电压＜第一低压设定阈值(也即充高放低)、<单体最高电压和单体最低电压所对应的电芯为同一电芯，则判断为单体内阻大；此处的高压设定阈值为充电末端单体最高电压所对应的电压值，第一低压设定阈值为放电末端单体最低电压所对应的电压值；

若单体最高电压对应的SOC和单体最低电压对应的SOC的差值ΔSOC＞第八设定阈值X8<呈上升趋势、<充电末端的单体最低电压＜第二低压设定阈值、<放电末端的单体最低电压＜第三低压设定阈值(也即充低放低)、<单体最高电压和单体最低电压所对应的电芯为同一电芯，则判断为单体容量异常；此处的第二低压设定阈值为充电末端单体最低电压所对应的电压值，第三低压设定阈值为放电末端单体最低电压所对应的电压值，X7、X8代表一致性差的压差界限，本案例中15％＜X7＝X8＜18％；

若单体最低电压＜第九设定阈值X9<持续下降、<总电流＞第十设定阈值X10，则判断为放电继电器粘结。X9代表电流限制为0时的电压大小，此处2.0V＜X9＜2.5V。X10代表当电流限制为0时，电池实际的电流值，此时的判断条件是X10≥0。

当然，还有一些可以人为判断的故障定位，例如：

若存在搁置车辆特征<搁置前BMS上报的最后一条报文的单体最小电压＜第十一设定阈值X11，则判断为高风险搁置车辆；X11代表搁置前电池的最后一条数据的电压值，本案例中3.0V＜X11＜3.1V，即搁置前电量较低。

若报警时长＞第十二设定阈值X12，充电后报警解除，则判断为未及时充电。X12代表持续低压报警的时间，X12≥60秒。

当电池系统出现偶发欠压报警时：

若电池系统SOC＜第十三设定阈值X13、<总电流＞第十四设定阈值X14、<降流取消报警则判断为电流增大；X13代表故障报警时的电量，30％＜X13＜35％；X14代表低电量下出现的大电流，100A＜X14＜150A。

若单体最高电压的变化量大于高压跳变设定阈值<单体最低电压的变化量大于低压跳变设定阈值，则判断为采样线问题。

本发明基于失效库中的故障车辆分析，建立了完善的故障树，采用机器学习方式—决策树算法得到各种故障原因的特征指标及其对应的设定阈值，进而在实时采集的特征指标下，一旦出现报警即可对故障进行定位，确保所有故障车辆能够及时解除危险，避免重大安全事故发生。

Claims (10)

1.一种电池系统过压故障定位方法，其特征在于，包括以下步骤：

1)实时采集电池系统的特征指标；特征指标包括电池系统SOC、单体最高电压、单体最低电压、总电流；

2)当电池系统出现过压报警时，进行故障定位：

选取报警时间大于设定时长的电池数据，提取该段时间内的最高电池系统SOC、最小总电流，并将最高电池系统SOC、最小总电流、单体最高电压与对应的设定阈值比较判断是否为单体电芯损坏；

当车辆为充电状态<车辆为混动式车辆时，将电池系统SOC与对应的设定阈值比较判断是否为控制策略不合理；

当车辆为充电状态<车辆为混动式车辆/纯电动车辆，报警前总电流为负记录条数与对应的设定阈值比较判断是否为充电桩限流慢、或者二次充电；

当车辆为行车状态，将单体最高电压的变化量、单体最低电压的变化量与对应的设定阈值比较判断是否为采样线问题；

当车辆为行车状态，将报警前总电流为负记录条数、电池系统SOC与对应的设定阈值比较判断是否为电流回馈、环流或主动均衡；

各设定阈值的确定过程为：

建立包含所有导致过压故障原因的故障树；

根据故障树建立训练集数据；训练集数据包括故障车辆数据和正常车辆数据，故障车辆数据包括过压故障原因标识、所有的特征指标值；正常车辆数据包括正常车辆标识、所有的特征指标值；

将训练集数据输入决策树分类器中，进行训练和学习，进而建立每种过压故障原因的决策树，得到各过压故障原因的特征指标、特征指标对应的设定阈值。

2.根据权利要求1所述的电池系统过压故障定位方法，其特征在于，若最高电池系统SOC≤第一设定阈值、或者最高电池系统SOC＞第一设定阈值<最小总电流＞第二设定阈值<单体最高电压＞第三设定阈值，则单体电芯损坏；否则单体电芯未损坏。

3.根据权利要求1所述的电池系统过压故障定位方法，其特征在于，当车辆为充电状态<车辆为混动式车辆时，若电池系统SOC＜第四设定阈值，则判断为控制策略不合理；当车辆为充电状态<车辆为混动式车辆/纯电动车辆，若报警前总电流为负记录条数为第五设定阈值，则判断为充电桩限流慢，否则判断为二次充电。

4.根据权利要求1所述的电池系统过压故障定位方法，其特征在于，当车辆为行车状态，若单体最高电压的变化量大于高压跳变设定阈值<单体最低电压的变化量大于低压跳变设定阈值，则判断为采样线问题；当车辆为行车状态，若报警前总电流为负记录条数为第五设定阈值<电池系统SOC＜第六设定阈值，则判断为电流回馈；否则判断为环流或主动均衡。

5.根据权利要求1所述的电池系统过压故障定位方法，其特征在于，还包括对每种过压故障原因的决策树进行剪枝处理的步骤。

6.一种电池系统欠压故障定位方法，其特征在于，包括以下步骤：

1)实时采集电池系统的特征指标；特征指标包括电池系统SOC、单体最高电压及其对应的电芯号、单体最低电压及其对应的电芯号、总电流、单体最高电压对应的SOC、单体最低电压对应的SOC；

2)当电池系统出现偶发欠压报警时，将单体最高电压的变化量、单体最低电压的变化量与对应的设定阈值比较判断是否为采样线问题；将电池系统SOC、总电流与对应的设定阈值比较判断是否为电流增大导致的电压极化；

当电池系统出现持续欠压报警时，将单体最高电压对应的SOC和单体最低电压对应的SOC的差值、充电末端的单体最高电压、放电末端的单体最低电压与对应的设定阈值比较判断是否为单体内阻大；将单体最高电压对应的SOC和单体最低电压对应的SOC的差值、充电末端的单体最低电压、放电末端的单体最低电压与对应的设定阈值比较判断是否为单体容量异常；将单体最低电压、总电流与对应的设定阈值比较判断是否为放电继电器粘结；

各设定阈值的确定过程为：

建立包含所有导致欠压故障原因的故障树；

根据故障树建立训练集数据；训练集数据包括故障车辆数据和正常车辆数据，故障车辆数据包括欠压故障原因标识、所有的特征指标值；正常车辆数据包括正常车辆标识、所有的特征指标值；

将训练集数据输入决策树分类器中，进行训练和学习，进而建立每种欠压故障原因的决策树，得到各欠压故障原因的特征指标、特征指标对应的设定阈值。

7.根据权利要求6所述的电池系统欠压故障定位方法，其特征在于，若单体最高电压对应的SOC和单体最低电压对应的SOC的差值＞第七设定阈值、<充电末端的单体最高电压＞高压设定阈值、<放电末端的单体最低电压＜第一低压设定阈值、<单体最高电压和单体最低电压为同一单体电芯，则判断为单体内阻大；若单体最高电压对应的SOC和单体最低电压对应的SOC的差值＞第八设定阈值<呈上升趋势、<充电末端的单体最低电压＜第二低压设定阈值、<放电末端的单体最低电压＜第三低压设定阈值、<单体最高电压和单体最低电压为同一单体电芯，则判断为单体容量异常。

8.根据权利要求6所述的电池系统欠压故障定位方法，其特征在于，若单体最低电压＜第九设定阈值<持续下降、<总电流＞第十设定阈值，则判断为放电继电器粘结。

9.根据权利要求6所述的电池系统欠压故障定位方法，其特征在于，若电池系统SOC＜第十三设定阈值、<总电流＞第十四设定阈值、<降流取消报警则判断为电流增大导致的电压极化；若单体最高电压的变化量大于高压跳变设定阈值<单体最低电压的变化量大于低压跳变设定阈值，则判断为采样线问题。

10.根据权利要求6所述的电池系统欠压故障定位方法，其特征在于，还包括对每种欠压故障原因的决策树进行剪枝处理的步骤。

Images