CN116482536A - 基于数据驱动的动力电池故障预警与安全风险评估方法 - Google Patents
基于数据驱动的动力电池故障预警与安全风险评估方法 Download PDFInfo
- Publication number
- CN116482536A CN116482536A CN202310078395.6A CN202310078395A CN116482536A CN 116482536 A CN116482536 A CN 116482536A CN 202310078395 A CN202310078395 A CN 202310078395A CN 116482536 A CN116482536 A CN 116482536A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- voltage
- power battery
- fault early
- 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.)
- Pending
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 239000000523 sample Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 210000004027 cell Anatomy 0.000 claims description 27
- 230000007774 longterm Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 9
- 239000000178 monomer Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000037430 deletion Effects 0.000 description 6
- 238000012217 deletion Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001603 reducing effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
-
- 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
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于数据驱动的动力电池故障预警与安全风险评估方法，包括：数据采集；将采集到的数据进行处理；将处理后的数据进行数据划分，并对动力电池参数进行相关性分析，制作数据集；将数据集划分为训练集和测试集，使NARX神经网络结构模型在训练集上进行训练，使NARX神经网络结构模型在测试集上进行测试，依据测试集的表现，对NARX神经网络结构模型进行超参数调整，建立电压故障预警模型；根据探针温度建立温度故障预警模型；根据电压故障预警模型和温度故障预警模型，建立动力电池安全风险评估体系。本申请所公开的动力电池故障预警与安全风险评估方法具有计算量小、计算速度快、早期故障预警、能较为准确地对动力电池进行预警和评估等优点。
Description
技术领域
本发明涉及电动汽车动力电池安全领域，特别是涉及一种基于数据驱动的动力电池故障预警与安全风险评估方法。
背景技术
伴随着电动汽车产业的蓬勃发展，一系列问题也日益凸显，特别是以起火事故为代表的电池安全性问题。
例如，锂离子电池是当前电动汽车的主流动力源，具有容量、寿命高度非线性，老化特性多时间、空间尺度，荷电状态、健康状态不可直接测量等特点，具有较高的故障诊断和预警难度。车载锂离子动力电池是复杂的电化学系统，失效机理复杂、故障类型繁多，而且使用工况和使用环境严苛，导致出现故障的概率大大提升。因此，动力电池进行准确地故障预警和安全风险评估对提高车辆安全性、减少财产损失等有重要意义。
发明内容
针对现有技术中的难点和不足，本发明的目的是提供一种基于数据驱动的动力电池故障预警与安全风险评估方法。
本申请公开一种基于数据驱动的动力电池故障预警与安全风险评估方法，包括：
S1：数据采集，数据包括采集时间、车辆状态、充电状态、运行模式、车速、总电压、总电流、累计里程、SOC、最高电压电池子系统号、电池单体电压最高值、最高电压电池单体代号、最低电压电池单体代号、最低电压电池子系统号、电池单体电压最低值、最高温度值、最高温度子系统号、最高温度探针序号、最高报警等级、探针温度、通用报警标志；
S2：将S1采集到的数据进行处理；
S3：根据车辆状态和电池状态，将S2处理后的数据进行数据划分，并对动力电池参数进行相关性分析，根据相关性分析的结果制作数据集；
S4：将数据集划分为训练集和测试集，使NARX神经网络结构模型在训练集上进行迭代训练，使NARX神经网络结构模型在测试集上进行测试，依据测试集的表现，对NARX神经网络结构模型进行超参数调整，以进行模型评估，建立电压故障预警模型；
S5：根据探针温度，建立基于信息熵的温度故障预警模型；
S6：根据电压故障预警模型和温度故障预警模型，建立动力电池安全风险评估体系。
本申请通过包括S1至S6的动力电池故障预警与安全风险评估方法具有计算量小、计算速度快、能较为准确地对动力电池进行预警和评估，具有较好的应用前景；采用NARX神经网络结构模型对动力电池具有良好的动态性和抗干扰性，能够对电池的电压进行较高精度和较为准确的预测；除此之外，采用NARX神经网络结构模型对电池的电压预测时，对数据采集的精度要求不高，可以利用低频数据，进而能够有效地降低数据的存储成本。
作为本申请的一些优选的实施例，进一步选择性地使S2包括：
S21：将S1采集到的数据按照时间顺序排列；
S22：将按照时间顺序排列的数据进行清洗和补全；
S23：进行动力电池单体数据分离和通用报警标志识别。
本申请通过对S1所采集的数据进行清洗，可以将部分缺失严重的数据进行清洗(删除)，由于S1所采集的数据集较大，少量的数据缺失对NARX神经网络结构模型的训练影响较小，避免由于数据缺失对计算结果的准确性和可靠性造成影响；除此之外，本申请通过对S1所采集的数据进行补全，通过对缺失较少的数据进行补全，可以对数据集进行完善和优化，避免由于部分数据的缺失，尤其是重要数据的缺失，对计算结果的准确性、可靠性造成影响。
作为本申请的一些优选的实施例，进一步选择性地使S3包括：
S31：根据车辆状态，划分为行驶状态和熄火状态；根据电池状态，划分为充电状态、放电状态、静置状态；
S32：根据车辆状态、电池状态，对S2处理后的数据进行筛选，并划分出行驶工况、充电工况、静置工况的第一数据集；
S33：根据S32划分的第一数据集，计算第一数据集中动力电池单体参数之间的相关系数；
S34：根据S33计算出的相关系数，确定与动力电池单体的电压强相关的变量；
S35：筛选出与动力电池单体的电压强相关的变量所对应的数据，并制作成行驶工况、充电工况和静置工况下的第二数据集。
本申请通过确定并筛选出与电压强相关的变量，并将其作为电压故障预警模型建立的基础，这样，不仅可以使制作成各种状态下的第二数据集摒弃较多的相关性较弱的数据以减少运算量，而且可以使NARX神经网络结构模型迭代训练的数据集更加具有针对性。
作为本申请的一些优选的实施例，进一步选择性地使动力电池单体参数之间的相关系数采用皮尔逊相关系数，具体计算公式如下：
其中：x和y为所涉及的两个相关参数的实际观测值。
作为本申请的一些优选的实施例，进一步选择性地使S4包括：
S41：将第二数据集划分为测试集和训练集；
S42：以设定步长的时间窗口滑动，在训练集上对NARX神经网络结构模型上进行滚动优化并得到优化结果；
S43：在测试集上对优化结果进行评价，并根据评价结果对参数进行调整，并得到NARX神经网络结构模型输出的电压预测值；
S44：根据实际电压观测值和NARX神经网络结构模型输出的电压预测值计算出电压残差值e；
S45：根据电压残差值e以及划分的电压故障等级，建立电压故障预警模型。需要指出的是，电压残差值e的计算公式为：
其中：为NARX神经网络结构模型的电压估计值；U为电压观测值。
作为本申请的一些优选的实施例，进一步选择性地使NARX神经网络结构模型的输入为：
其中：x(t)表示t时刻输入时序数据；y(t)表示t时刻输出时序数据；nx、ny分别为输入与输出的时延阶数；
NARX神经网络结构模型的隐藏层，计算公式如下：
其中：f(·)为非线性映射函数；k(t)表示第k个隐含层神经元输出层的输出；wik表示连接第i个外生输入和第k个隐含层神经元的权重；wjk表示连接第j个反馈输入和第k个隐含层神经元的权重；w0k表示隐含层和输出层的权值；bk表示偏置；
NARX神经网络结构模型的输出，计算公式如下：
其中：g(·)为线性激活函数；表示NARX神经网络结构模型的输出值；b0表示偏置；
NARX神经网络结构模型的目标函数的计算公式如下：
其中：g(x，y)为线性激活函数；表示模型输出值；y表示实际观测值。
作为本申请的一些优选的实施例，进一步选择性地采用MSE对NARX神经网络结构模型进行评价，计算公式如下：
其中：表示模型输出值；y表示实际观测值。
作为本申请的一些优选的实施例，进一步选择性地对电压故障等级进行划分，具体例如将电压故障等级划分为4种，具体例如：
如果|e|≤ε1时，表示当前无电压故障；
如果ε1＜|e|≤ε2时，动力电池电压故障等级为一级；
如果ε2＜|e|≤ε3时，动力电池电压故障等级为二级；
如果ε3＜|e|时，动力电池电压故障等级为三级；
其中，ε1、ε2、ε3的具体数值根据试验和统计先验信息确定。
作为本申请的一些优选的实施例，进一步选择性地使所述S5包括：
S51：对经S2处理后的每时刻的温度信息，通过高斯分布划分出多个置信区间；
S52：根据落入各个置信区间的频数，计算出温度概率分布；
S53：计算当前时刻信息熵；
S54：基于S51、S52和S53，设定信息熵阈值，并建立温度故障预警模型。
作为本申请的一些优选的实施例，进一步选择性地对置信区间划分时，包括：
S511：对温度数据进行滤波，温度数据在正常范围内的数据参与区间划分，滤波函数如下：
S512：计算单位时刻的温度均值和方差，计算公式如下：
其中：μ代表温度均值，σ2代表温度分布方差，i为温度探针数据编号；
S513：利用高斯分布的σ原则，对置信区间进行划分：
B＝[b1 b2 b3 b4 b5]
其中：b1∈(μ-3σ，μ+3σ]，b2∈(μ-4σ，μ-3σ]，b3∈(μ+3σ，μ+4σ]，b4∈(-∞，μ-4σ]，b5∈(μ+4σ，+∞)。
作为本申请的一些优选的实施例，进一步选择性地对所述置信区间进行划分后，统计该时刻落入该置信区间的频数，并把基于每个置信区间的频数计算得到的频率，认定为该时刻落入该置信区间的概率，形成概率区间P，如下：
P＝[p1 p2 p3 p4 ……pj]
其中，概率pj的计算公式为：
其中：j为所划分的置信区间的个数，bi为探针温度落入置信区间的频数。
作为本申请的一些优选的实施例，进一步选择性地在计算当前时刻的信息熵时，采用如下公式进行计算：
作为本申请的一些优选的实施例，进一步选择性地使S6包括：
S61：建立电压故障预警模型的故障等级，建立温度故障预警模型的故障等级；
S62：根据所述电压故障预警模型的故障等级和所述温度故障预警模型的故障等级，确定联合故障预警模型的故障等级；
当电压故障预警模型的故障等级和温度故障预警模型的故障等级不同时，所述联合故障预警模型的故障等级取电压故障预警模型的故障等级和温度故障预警模型的故障等级中的最高等级，计算公式如下：
level＝max{Tlevel，Ulevel}
其中，level表示联合故障预警模型的故障等级，Tlevel表示基于信息熵的温度故障预警模型的故障等级，Ulevel表示基于电压残差的电压故障预警模型的故障等级；
当电压故障预警模型的故障等级和温度故障预警模型的故障等级相同时，所述联合故障预警模型的故障等级进行升级；
基于联合故障预警模型的各类故障等级在过去设定时间内的发生频次，划分动力电池的长期风险等级，并建立动力电池的长期风险评估体系；基于设定时间内故障连续发生的时长，划分动力电池的短期风险等级，并建立动力电池的短期风险评估体系。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为基于数据驱动的动力电池故障预警与安全风险评估方法的流程图；
图2为电池单体参数的相关系数的一组示意性计算结果；
图3为电压故障等级示意图；
图4为温度分布异常等级示意图；
图5为长期风险评估体系示意图；
图6为短期风险评估体系示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。
如图1所示，根据本发明一个实施例的基于数据驱动的动力电池故障预警与安全风险评估方法，包括：
S1：数据采集，数据包括采集时间、车辆状态、充电状态、运行模式、车速、总电压、总电流、累计里程、SOC、最高电压电池子系统号、电池单体电压最高值、最高电压电池单体代号、最低电压电池单体代号、最低电压电池子系统号、电池单体电压最低值、最高温度值、最高温度子系统号、最高温度探针序号、最高报警等级、探针温度、通用报警标志；
S2：将S1采集到的数据进行处理；
S3：根据车辆状态和电池状态，将S2处理后的数据进行数据划分，并对动力电池参数进行相关性分析，根据相关性分析的结果制作数据集；
S4：将数据集划分为训练集和测试集，使NARX(Nonlinear autoregressiveexogenous，即非线性自回归)神经网络结构模型在训练集上进行迭代训练，使NARX神经网络结构模型在测试集上进行测试，依据测试集的表现，对NARX神经网络结构模型进行超参数调整，建立电压故障预警模型；
S5：根据探针温度，建立基于信息熵的温度故障预警模型；
S6：根据电压故障预警模型和温度故障预警模型，建立动力电池安全风险评估体系。
需要说明的是，本申请中的S1、S2、S3、S4、S5和S6之间并不必然存在先后顺序，其仅为代表各步骤的符号；具体例如S1为“数据采集”这一步骤的代表符号；S2为“将S1采集到的数据进行处理”这一步骤的代表符号；同样，S3、S4、S5和S6也仅为各相应步骤的代表符号。采用这种撰写方式，仅为便于描述。具体例如，S4和S5两个步骤之间并不存在先后顺序，在具体实施时，可先进行S4，再进行S5；还可选择性地先进行S5，再进行S4；还可选择性地使S4和S5同时进行。
需要说明的是，S1所采集的原始数据可选择性地来源于新能源汽车大数据平台，优选地使所采集的上述数据的原始格式符合GB/T 32960.3—2016《电动汽车远程服务与管理系统技术规范第3部分：通信协议及数据格式》，在对数据进行应用前，应根据国标中的描述对数据进行运算和处理。例如部分重要数据的描述及要求如表1所示：
表1：部分重要数据的描述及要求
需要说明的是，S1所采集的数据并不仅限于以上类型数据，其还可以采集其他类型的数据，例如采集动力电池的电池单元的电流等；具体可根据实际需要进行选择性选择。
需要指出的是，本申请的中的动力电池可选择性地由多个电池单体经过串联、并联或混联而形成。所谓的“混联”是指即包括串联也包括并联的联接形式。
本申请通过包括S1至S6的动力电池故障预警与安全风险评估方法具有计算量小且能较为准确地对动力电池进行预警和评估，具有较好的应用前景；采用NARX神经网络结构模型对动力电池具有良好的动态性和抗干扰性，能够对动力电池的电压进行较高精度和较为准确的预测；除此之外，采用NARX神经网络结构模型对动力电池的电压预测时，对数据采集的精度要求不高，可以利用低频数据，进而能够有效地降低数据的存储成本。
作为本申请的一些优选的实施方式，进一步选择性地使S2包括：
S21：将S1采集到的数据按照时间顺序排列；
S22：将按照时间顺序排列的数据进行清洗和补全；
S23：进行动力电池单体数据分离和通用报警标志识别。
由于S1所采集的原始数据存在数据乱序、重复、缺失等问题，为了避免原始数据对后续的数据分析和模型训练带来较大的困扰，因此需要对所采集的原始数据进行处理；在具体实施时，对原始数据的处理内容包括删除冗余数据和数据缺失较多的数据，除此之外，还包括对一些数据进行补全。
具体例如原始数据中可能存在表2所述的时间乱序和时间相同问题。
表2原始数据可能存在的时间问题
在具体实施时，首先对数据进行升序排序，以克服时间乱序对后续的分析、训练带来困扰；对于时间相同的数据，可选择性地删除一组数据。若时间重复数据其中一个有缺失值，另一个无缺失值，在具体实施时，优选地保留无缺失值的那一个数据，否则保留时间重复数据的第一行数据。
再如原始数据还可能出现数据部分缺失、完全缺失和数据突变的情况，具体如表3所示。
表3原始数据可能存在的缺失、突变问题
在具体实施时，针对数据完全缺失的问题，考虑到数据集较大，极少量数据缺失对模型训练影响小，选择直接删除该行数据。针对数据部分缺失，使用插值法进行补全，可选择性地使用前一未缺失数值代替该空缺值。
针对数据突变，可进一步选择性地使用滑动窗口检测局部离群值，然后采用线性插值方法代替局部离群值。具体地，滑动窗口有窗口大小和滑动步长两个参数，窗口大小指窗口内包含的数据多少，滑动步长是指需要滑过的数据量。例如，某数据集中共有1000个数据，滑动窗口大小为100，滑动步长为10。在开始时，数据集中的前100个数据位于初始滑动窗口中，经过一次滑动后，第11-110个数据在滑动窗中，遍历整个数据集共需滑动100次。本申请通过使用滑动窗口检测局部离群值，进一步采用线性插值方法替代发生突变的局部离群值，以此来对突变的数据进行处理，进而可以使后续的数据处理更加顺利，避免后续的数据分析和模型训练带来困扰。
需要注意的是，在具体实施时，优选地使数据突变针对SOC、电压、温度等变化相对缓慢的参数，对于电流这种迅速变化的参数不进行数据突变处理。其中，局部离群值定义为与滑动窗口内数据均值相差超过3倍标准差的元素。这种方法具有计算速度快、离群值识别相对准确的优点。滑动窗口内的数据均值和标准差计算公式及离群值替换方法如下：
设滑动窗口的大小为m，则滑动窗口内的数据如下：
X＝[x1 x2 … xm-1 xm]
其中：X表示滑动窗口中的某一电池参数；xi表示滑动窗口中的数据元素，i＝1,2,...,m。
滑动窗口中的数据均值计算公式如下：
其中：m表示滑动窗口中的数据个数；xi表示滑动窗口中的第i个数据元素。
滑动窗口中的数据标准差如下：
滑动窗口内的元素是否为离群值的计算公式如下：
对离群值使用线性插值代替，计算公式如下：
上式中，xt为离群值，xt-1、xt+1分别为离群值前一时刻的数值和后一时刻的数值。
关于动力电池单体数据分离和通用报警标志位识别，需要说明的是，动力电池单体数据分离包括电池单体电压、探针温度、电流的分离，通用报警标志位的识别符合GB/T32960.3—2016《电动汽车远程服务与管理系统技术规范第3部分：通信协议及数据格式》。
本申请通过对S1所采集的数据进行清洗，可以将部分缺失严重的数据进行清洗(删除)，由于S1所采集的数据集较大，少量的数据缺失对NARX神经网络结构模型的训练影响较小，避免由于数据缺失对计算结果的准确性和可靠性造成影响；除此之外，本申请通过对S1所采集的数据进行补全，通过对缺失较少的数据进行补全，可以对数据集进行完善和优化，避免由于部分数据的缺失，尤其是重要数据的缺失，对计算结果的准确性、可靠性造成影响。
作为本申请的一些优选的实施方式，进一步选择性地使S3包括：
S31：根据车辆状态，划分为行驶状态和熄火状态；根据电池状态，划分为充电状态、放电状态、静置状态；
S32：根据车辆状态、电池状态，对S2处理后的数据进行筛选，并划分出行驶工况、充电工况、静置工况的第一数据集；
S33：根据S32划分的第一数据集，计算第一数据集中动力电池单体参数之间的相关系数；
S34：根据S33计算出的相关系数，确定与动力电池单体的电压强相关的变量；
S35：筛选出与动力电池单体的电压强相关的变量所对应的数据，并制作成行驶工况、充电工况和静置工况下的第二数据集。
需要说明的是，本申请中，可选择性地使充电状态包括停车充电和行驶充电；放电状态指车辆处于未充电状态且动力电池的总电流不为零的状态；静置状态指车辆处于熄火状态且处于未充电的状态。
本申请通过确定并筛选出与电压强相关的变量，并将其作为电压故障预警模型建立的基础，这样，不仅可以使制作成各种状态下的第二数据集摒弃较多的相关性较弱的数据以减少运算量，而且可以使NARX神经网络结构模型迭代训练的数据集更加具有针对性。
作为本申请的一些优选的实施例，进一步选择性地使动力电池单体参数之间的相关系数采用皮尔逊相关系数，具体计算公式如下：
其中：x和y为所涉及的两个相关参数的实际观测值。具体例如，当计算电压和温度的相关关系时，x和y中的一个为电压参数，两者中的另一个为温度参数。再如，计算SOC和电压的相关系数时，x和y中的一个为SOC，两者中的另一个为电压参数。
在进行相关系数计算时，可采用皮尔逊相关系数进行计算，具体计算结果可参见图2，其中两个电池参数对应的数据越大，证明两个参数之间的线性相关性也越大。具体例如图2中，单体电压与总电压的相关系数为1，单体电压与SOC的相关系数为0.955，表明单体电压与总电压之间、单体电压与SOC之间的关系较大；再如单体电压与内阻之间的相关系数为0.031，那么说明单体电压与内阻之间的关系较小。
作为本申请的一些优选的实施方式，进一步选择性地使S4包括：
S41：将第二数据集划分为测试集和训练集；
S42：以设定步长的时间窗口滑动，在训练集上对NARX神经网络结构模型上进行滚动优化并得到优化结果；
S43：在测试集上对优化结果进行评价，并根据评价结果对参数进行调整，并得到NARX神经网络结构模型输出的电压预测值；
S44：根据实际电压观测值和NARX神经网络结构模型输出的电压预测值计算出电压残差值e；
S45：根据电压残差值e以及划分的电压故障等级，建立电压故障预警模型。需要指出的是，电压残差值e的计算公式为：
其中：为NARX神经网络结构模型的电压估计值；U为电压观测值。
需要说明的是，在进行数据集的划分时，需要保持数据的时序性；在划分测试集和训练集时，可分别选用数据集中的前75％和后25％，即将数据集中的前75％作为训练集，将数据集中的后25％作为测试集。具体比例可根据工程经验适当调整，例如选用数据集的前70％作为训练集和后30％作为测试集、或选用数据集的前71％作为训练集和后29％作为测试集、或选用数据集的前72％作为训练集和后28％作为测试集、或选用数据集的前73％作为训练集和后27％作为测试集、或选用数据集的前74％作为训练集和后26％作为测试集；等等。
作为本申请的一些优选的实施方式，进一步选择性地使NARX神经网络结构模型的输入为：
其中：x(t)表示t时刻输入时序数据，具体为经过S35筛选出的与单体电压强相关的变量；y(t)表示t时刻输出时序数据；nx、ny分别为输入与输出的时延阶数；
NARX神经网络结构模型的隐藏层，计算公式如下：
其中：f(·)为非线性映射函数，其中“·”指代该计算公式中括弧内的式子；Hk(t)表示第k个隐含层神经元输出层的输出；wik表示连接第i个外生输入和第k个隐含层神经元的权重；wjk表示连接第j个反馈输入和第k个隐含层神经元的权重；w0k表示隐含层和输出层的权值；bk表示偏置；
NARX神经网络结构模型的输出，计算公式如下：
其中：g(·)为线性激活函数，“·”指代该计算公式中括弧内的式子；表示NARX神经网络结构模型的输出值；b0表示偏置；
NARX神经网络结构模型的目标函数的计算公式如下：
其中：g(x，y)为线性激活函数；表示模型输出值；y表示实际观测值。
作为本申请的一些优选的实施例，进一步选择性地采用MSE(Mean SquaredError，均方误差)对NARX神经网络结构模型进行评价，计算公式如下：
其中：表示模型输出值；y表示实际观测值。
需要说明的是，MSE越小，模型在测试集上的表现越好，对模型超参数调整根据MSE进行。在上述模型中，需要人工选择的参数称为超参数。例如，NARX神经网络模型中隐藏层层数和每层的节点个数，正则项中常数大小等等，这些参数需要事先指定。超参数选择不恰当，就会出现欠拟合或者过拟合的问题。而在选择超参数的时候，有两个途径，一个是凭经验微调，另一个就是选择不同大小的参数，带入模型中，挑选表现最好的参数。
需要说明的是，在计算电压残差时，NARX神经网络模型的输出是单体电压预测值，电压残差的计算公式如下：
其中：e为电压残差；为NARX神经网络模型的电压估计值；U为电压观测值。
NARX神经网络模型对非线性系统有良好动态性和抗干扰性，对单体电池电压的预测表现出了较高的精度，经过验证，最大MSE仅约为1x10-4左右。此外，NARX神经网络模型的电压预测对数据采集精度要求不高，可以实现利用低频数据，大大降低了数据的存储成本和数据处理量。在具体实施时，进一步应用滑动窗口更新神经网络参数，进而降低训练时长，提高实时预测效率。
作为本申请的一些优选的实施方式，进一步选择性地对电压故障预警模型的故障等级进行划分，具体例如将电压故障等级划分为3种，具体例如：
如果|e|≤ε1时，表示当前无电压故障；
如果ε1<|e|≤ε2时，动力电池电压故障等级为一级；
如果ε2<|e|≤ε3时，动力电池电压故障等级为二级；
如果ε3<|e|时，动力电池电压故障等级为三级；
其中，ε1、ε2、ε3的具体数值根据试验和统计先验信息确定，电压故障等级可如图3所示。
作为本申请的一些优选的实施方式，进一步选择性地使所述S5包括：
S51：对经S2处理后的每时刻的温度信息，通过高斯分布划分出多个置信区间；
S52：根据落入各个置信区间的频数，计算出温度概率分布；
S53：计算当前时刻信息熵；
S54：基于S51、S52和S53，设定信息熵阈值，并建立温度故障预警模型。
作为本申请的一些优选的实施方式，进一步选择性地对置信区间划分时，包括：
S511：对温度数据进行滤波，温度数据在正常范围内的数据参与区间划分，滤波函数如下：
S512：计算单位时刻的温度均值和方差，计算公式如下：
其中：μ代表温度均值，σ2代表温度分布方差，i为温度探针数据编号；
S513：利用高斯分布的σ原则，对置信区间进行划分：
B＝[b1 b2 b3 b4 b5]
其中：b1∈(μ-3σ，μ+3σ]，b2∈(μ-4σ，μ-3σ]，b3∈(μ+3σ，μ+4σ]，b4∈(-∞，μ-4σ]，b5∈(μ+4σ，+∞)。
需要说明的是，函数式中的A℃和B℃根据实际的工况进行取值，具体例如使A℃设为-25℃，B℃设为55℃。作为可变换的实施方式，A℃设为-20℃，B℃设为50℃，在具体实施时，其可根据实际情况进行选择性设置。
作为本申请的一些优选的实施方式，进一步选择性地对所述置信区间进行划分后，统计该时刻落入该置信区间的频数，并把基于每个置信区间的频数计算得到的频率，认定为该时刻落入该置信区间的概率，形成概率区间P，如下：
P＝[p1 p2 p3 p4 …… pj]
其中，概率pj的计算公式为：
其中：j为所划分的置信区间的个数，bi为探针温度落入置信区间的频数。
作为本申请的一些优选的实施例，进一步选择性地在计算当前时刻的信息熵时，采用如下公式进行计算：
作为本申请的一些优选的实施方式，进一步选择性地基于试验和数理统计设定信息熵阈值，确定温度故障预警模型的故障等级；在具体实施时，进一步选择性地使温度故障等级被分为3种，包括：
如果|Et|≤ξ1时，表示当前无温度故障；
如果ξ1＜|Et|≤ξ2时，动力电池温度故障等级为一级；
如果ξ2＜|Et|≤ξ3时，动力电池温度故障等级为二级；
如果ξ3＜|Et|时，动力电池温度故障等级为三级；
其中，ξ1、ξ2、ξ3的具体数值根据试验和统计先验信息确定。温度故障等级划分可如图5所示。本申请基于温度分布的信息熵计算对数据采集精度没有要求，可以实现利用低频数据对电池故障进行识别，大大降低了数据的存储成本。此外，计算信息熵时利用的是每一时刻的数据信息，没有在时间序列上进行比较，时间复杂度低，可实时应用。另外，基于信息熵的温度故障预警模型从电池整体温度分布考虑，从电池的不一致性入手，能实现对电池早期故障的诊断和预警，避免潜在故障的发生。
作为本申请的一些优选的实施方式，在S61：建立电压故障预警模型的故障等级，建立温度故障预警模型的故障等级；
S62：根据所述电压故障预警模型的故障等级和所述温度故障预警模型的故障等级，确定联合故障预警模型的故障等级；
当电压故障预警模型的故障等级和温度故障预警模型的故障等级不同时，所述联合故障预警模型的故障等级取电压故障预警模型的故障等级和温度故障预警模型的故障等级中的最高等级，计算公式如下：
level＝max{Tlevel，Ulevel}
其中，level表示联合故障预警模型的故障等级，Tlevel表示基于信息熵的温度故障预警模型的故障等级，Ulevel表示基于电压残差的电压故障预警模型的故障等级；
当电压故障预警模型的故障等级和温度故障预警模型的故障等级相同时，所述联合故障预警模型的故障等级进行升级。
具体如图1所示，S6所建立的联合故障预警模型故障等级表中，当温度和电压均为正常值时，联合故障预警模型的故障等级为正常；当温度和电压中的一个所对应的故障等级为一级，另一个所对应的故障等级为二级时，联合故障预警模型的故障等级为二级；当温度和电压所对应的故障等级均为一级时，联合故障预警模型的故障等级为二级。
作为本申请的一些优选的实施方式，进一步选择性地使S6所建立的动力电池安全风险评估体系包括长期风险评估体系和短期风险评估体系。在具体实施时，进一步选择性地基于联合故障预警模型的各类故障等级在过去设定时间内的发生频次，划分动力电池的长期风险等级，并建立动力电池的长期风险评估体系；基于设定时间内故障连续发生的时长，划分动力电池的短期风险等级，并建立动力电池的短期风险评估体系。
作为本申请的一些优选的实施方式，进一步根据联合故障等级建立动力电池安全风险评估体系。基于故障频次统计的长期风险评估体系建立，通过统计各类故障等级在过去较长时间内的发生频次n，判定动力电池的长期风险等级。
在具体实施时，进一步选择性地使动力电池长期风险等级被分为3种，包括：
如果一级故障发生频次n1≤N11时，表示当前动力电池无长期风险；
如果一级故障发生频次N11＜n1≤N12时，当前动力电池长期风险为低风险；
如果一级故障发生频次N12＜n1时，当前动力电池长期风险为中风险；
如果二级故障发生频次n2≤N21时，表示当前无长期风险；
如果二级故障发生频次N21＜n2≤N22时，当前动力电池长期风险为中风险；
如果二级故障发生频次N22＜n2时，当前动力电池长期风险为高风险；
如果二级故障发生频次N22＜n2时，当前动力电池长期风险为高风险；
如果三级故障发生频次n3≤N31时，表示当前动力电池无长期风险；
如果三级故障发生频次N31＜n3时，当前动力电池长期风险为高风险；
其中，动力电池的当前长期风险等级取一级、二级、三级故障判定结果的最高风险等级；N11、N12、N21、N22、N31的具体数值根据大数据和数理统计的先验知识确定，图5为长期风险评估体系示意图。
需要说明的是，长期风险评估着眼于历史数据，通过累计故障频次判断和升级当前安全风险，对应着电池长期存在的潜在安全风险。例如，取一个月的历史数据，如果发生二级故障超过100次，则认为处于高风险，需要及时检修车辆。在具体实施时，具体阈值需要根据数理统计结果进行确定。
在具体实施时，进一步选择性地基于故障连续发生的短期风险评估体系建立，通过对当前较短时间内故障连续发生时长，判定动力电池的短期风险等级。需要说明的是，短期风险着眼于瞬时数据，例如在某一时刻连续发生20秒三级故障报警，则认为处于高风险，对应着电池突发性的安全风险。连续发生时长由数理统计结果确定。
在具体实施时，动力电池短期风险等级被分为3种，包括：
如果一级故障持续发生时长t1≤T1时，表示当前动力电池无短期风险；
如果一级故障持续发生时长T1＜t1时，当前动力电池短期风险为低风险；
如果二级故障持续发生时长t2≤T2时，当前动力电池无短期风险；
如果二级故障持续发生时长T2＜t2时，当前动力电池短期风险为中风险；
如果三级故障持续发生时长t3≤T3时，当前动力电池无短期风险；
如果三级故障持续发生时长T3＜t3时，当前动力电池短期风险为高风险；
其中，动力电池的当前短期风险等级取一级、二级、三级故障判定结果的最高风险等级。
其中，T1、T2、T3的具体数值根据大数据和数理统计的先验知识确定，短期风险评估体系示意图如图6。需要说明的是，T1、T2、T3之间不存在必然的联系和大小关系，但在具体实施时，优选地使T1＜T2＜T3。
以上仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，包括：
S1：数据采集，所述数据包括采集时间、车辆状态、充电状态、运行模式、车速、总电压、总电流、累计里程、SOC、最高电压电池子系统号、电池单体电压最高值、最高电压电池单体代号、最低电压电池单体代号、最低电压电池子系统号、电池单体电压最低值、最高温度值、最高温度子系统号、最高温度探针序号、最高报警等级、探针温度、通用报警标志；
S2：将S1采集到的数据进行处理；
S3：根据车辆状态和电池状态，将S2处理后的数据进行数据划分，并对动力电池参数进行相关性分析，根据相关性分析的结果制作数据集；
S4：将所述数据集划分为训练集和测试集，使所述NARX神经网络结构模型在训练集上进行迭代训练，使所述NARX神经网络结构模型在所述测试集上进行测试，依据测试集的表现，对NARX神经网络结构模型进行超参数调整，以进行模型评估，并建立电压故障预警模型；
S5：根据探针温度，建立基于信息熵的温度故障预警模型；
S6：根据所述电压故障预警模型和所述温度故障预警模型，建立动力电池安全风险评估体系。
2.根据权利要求1所述的基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，所述S2包括：
S21：将S1采集到的数据按照时间顺序排列；
S22：将按照时间顺序排列的数据进行清洗和补全；
S23：进行动力电池单体数据分离和通用报警标志识别。
3.根据权利要求2所述的基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，所述S3包括：
S31：根据车辆状态，划分为行驶状态和熄火状态；根据电池状态，划分为充电状态、放电状态、静置状态；
S32：根据所述车辆状态、所述电池状态，对S2处理后的数据进行筛选，并划分出行驶工况、充电工况、静置工况的第一数据集；
S33：根据S32划分的所述第一数据集，计算所述第一数据集中动力电池单体参数之间的相关系数，所述动力电池单体参数之间的相关系数采用皮尔逊相关系数，具体计算公式如下：
其中：x和y为所涉及的两个相关参数的实际观测值；
S34：根据S33计算出的所述相关系数，确定与所述动力电池单体的电压强相关的变量；
S35：筛选出与所述动力电池单体的电压强相关的变量所对应的数据，并制作成行驶工况、充电工况和静置工况下的第二数据集。
4.根据权利要求3所述的基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，所述S4包括：
S41：将所述第二数据集划分为测试集和训练集；
S42：以设定步长的时间窗口滑动，在训练集上对NARX神经网络结构模型上进行滚动优化并得到优化结果；
S43：在所述测试集上对所述优化结果进行评价，并根据评价结果对参数进行调整，并得到NARX神经网络结构模型输出的电压预测值；
S44：根据实际电压观测值和所述NARX神经网络结构模型输出的电压预测值计算出电压残差值e；
S45：根据所述电压残差值e以及划分的电压故障等级，建立电压故障预警模型。
5.根据权利要求4所述的基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，
所述NARX神经网络结构模型的输入为：
其中：x(t)表示t时刻输入时序数据；y(t)表示t时刻输出时序数据；nx、ny分别为输入与输出的时延阶数；
所述NARX神经网络结构模型的隐藏层，计算公式如下：
其中：f(·)为非线性映射函数；k(t)表示第k个隐含层神经元输出层的输出；wik表示连接第i个外生输入和第k个隐含层神经元的权重；wjk表示连接第j个反馈输入和第k个隐含层神经元的权重；w0k表示隐含层和输出层的权值；bk表示偏置；
所述NARX神经网络结构模型的输出，计算公式如下：
其中：g(·)为线性激活函数；表示NARX神经网络结构模型的输出值；b0表示偏置；
NARX神经网络结构模型的目标函数的计算公式如下：
其中：g(x，y)为线性激活函数；表示模型输出值；y表示实际观测值。
6.根据权利要求5所述的基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，
采用MSE对NARX神经网络结构模型进行评价，计算公式如下：
其中：表示模型输出值；y表示实际观测值。
7.根据权利要求6所述的基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，
S51：对经S2处理后的每时刻的温度信息，通过高斯分布划分出多个置信区间；
S52：根据落入各个置信区间的频数，计算出温度概率分布；
S53：计算当前时刻信息熵；
S54：基于S51、S52和S53，设定信息熵阈值，并建立温度故障预警模型。
8.根据权利要求7所述的基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，
对所述置信区间划分时，包括：
S511：对温度数据进行滤波，温度数据在正常范围内的数据参与区间划分，滤波函数如下：
S512：计算单位时刻的温度均值和方差计算公式如下：
其中：μ代表温度均值，σ2代表温度分布方差，i为温度探针数据编号；
S513：利用高斯分布的σ原则，对置信区间进行划分：
B＝[b1b2b3b4b5]
其中：b1∈(μ-3σ，μ+3σ]，b2∈(μ-4σ，μ-3σ]，b3∈(μ+3σ，μ+4σ]，b4∈(-∞，μ-4σ]，b5∈(μ+4σ，+∞)。
9.根据权利要求8所述的基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，
对所述置信区间进行划分后，统计该时刻落入该置信区间的频数，并把基于每个置信区间的频数计算得到的频率，认定为该时刻落入该置信区间的概率，形成概率区间P，如下：
P＝[p1p2p3p4……pj]
其中，概率pj的计算公式为：
其中：j为所划分的置信区间的个数，bi为探针温度落入置信区间的频数；
当前时刻信息熵按照如下公式计算：
10.根据权利要求1至9中任一项所述的基于数据驱动的动力电池故障预警与安全风险评估方法，其特征在于，所述S6包括：
S61：建立电压故障预警模型的故障等级，建立温度故障预警模型的故障等级；
S62：根据所述电压故障预警模型的故障等级和所述温度故障预警模型的故障等级，确定联合故障预警模型的故障等级；
当电压故障预警模型的故障等级和温度故障预警模型的故障等级不同时，所述联合故障预警模型的故障等级取电压故障预警模型的故障等级和温度故障预警模型的故障等级中的最高等级，计算公式如下：
level＝max{Tlevel,Ulevel}
其中，level表示联合故障预警模型的故障等级，Tlevel表示基于信息熵的温度故障预警模型的故障等级，Ulevel表示基于电压残差的电压故障预警模型的故障等级；
当电压故障预警模型的故障等级和温度故障预警模型的故障等级相同时，所述联合故障预警模型的故障等级进行升级；
基于联合故障预警模型的各类故障等级在过去设定时间内的发生频次，划分动力电池的长期风险等级，并建立动力电池的长期风险评估体系；基于设定时间内故障连续发生的时长，划分动力电池的短期风险等级，并建立动力电池的短期风险评估体系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310078395.6A CN116482536A (zh) | 2023-01-30 | 2023-01-30 | 基于数据驱动的动力电池故障预警与安全风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310078395.6A CN116482536A (zh) | 2023-01-30 | 2023-01-30 | 基于数据驱动的动力电池故障预警与安全风险评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116482536A true CN116482536A (zh) | 2023-07-25 |
Family
ID=87225652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310078395.6A Pending CN116482536A (zh) | 2023-01-30 | 2023-01-30 | 基于数据驱动的动力电池故障预警与安全风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116482536A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251803A (zh) * | 2023-11-16 | 2023-12-19 | 中保车服科技服务股份有限公司 | 用于两轮充电车的风险评估方法、系统、存储介质及设备 |
| CN117420469A (zh) * | 2023-12-11 | 2024-01-19 | 深圳市德兰明海新能源股份有限公司 | 一种电芯一致性筛选方法及计算机存储介质 |
| CN117445735A (zh) * | 2023-12-25 | 2024-01-26 | 国网天津市电力公司武清供电分公司 | 云边协同的充电预警方法、设备及介质 |
| CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| CN117970126A (zh) * | 2024-03-28 | 2024-05-03 | 广东好易点科技有限公司 | 一种基于数据分析的电池安全预警系统 |
-
2023
- 2023-01-30 CN CN202310078395.6A patent/CN116482536A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251803A (zh) * | 2023-11-16 | 2023-12-19 | 中保车服科技服务股份有限公司 | 用于两轮充电车的风险评估方法、系统、存储介质及设备 |
| CN117420469A (zh) * | 2023-12-11 | 2024-01-19 | 深圳市德兰明海新能源股份有限公司 | 一种电芯一致性筛选方法及计算机存储介质 |
| CN117445735A (zh) * | 2023-12-25 | 2024-01-26 | 国网天津市电力公司武清供电分公司 | 云边协同的充电预警方法、设备及介质 |
| CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| CN117445735B (zh) * | 2023-12-25 | 2024-03-19 | 国网天津市电力公司武清供电分公司 | 云边协同的充电预警方法、设备及介质 |
| CN117471327B (zh) * | 2023-12-25 | 2024-05-07 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| CN117970126A (zh) * | 2024-03-28 | 2024-05-03 | 广东好易点科技有限公司 | 一种基于数据分析的电池安全预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116482536A (zh) | 基于数据驱动的动力电池故障预警与安全风险评估方法 | |
| CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN109061537B (zh) | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 | |
| CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
| CN112966871B (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
| CN103793854A (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
| 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 | |
| CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
| CN112085621B (zh) | 一种基于K-Means-HMM模型的分布式光伏电站故障预警算法 | |
| CN116882981B (zh) | 基于数据分析的智能电池管理系统 | |
| CN112883634B (zh) | 基于多维度分析的直流测量系统状态预测方法及系统 | |
| CN114325395A (zh) | 一种电池状态的确定方法及装置 | |
| Ta et al. | Adaptive staged remaining useful life prediction method based on multi-sensor and multi-feature fusion | |
| CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、系统及产品 | |
| Kim et al. | Inspection schedule for prognostics with uncertainty management | |
| CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
| CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
| CN105718733A (zh) | 基于模糊贴近度和粒子滤波的故障预报方法 | |
| Ke et al. | State of health estimation of lithium ion battery with uncertainty quantification based on Bayesian deep learning | |
| CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 |
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 |