CN116699407A - 一种基于安全熵的动力电池安全风险预警方法 - Google Patents
一种基于安全熵的动力电池安全风险预警方法 Download PDFInfo
- Publication number
- CN116699407A CN116699407A CN202310446506.4A CN202310446506A CN116699407A CN 116699407 A CN116699407 A CN 116699407A CN 202310446506 A CN202310446506 A CN 202310446506A CN 116699407 A CN116699407 A CN 116699407A
- Authority
- CN
- China
- Prior art keywords
- battery
- entropy
- safety
- value
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000009826 distribution Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000009413 insulation Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013501 data transformation Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010304 firing Methods 0.000 abstract description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 2
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 20
- 230000032683 aging Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 239000000178 monomer Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001939 inductive effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 206010000369 Accident Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000000446 fuel Substances 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]
- G01R31/367—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]
- G01R31/378—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]
- G01R31/389—Measuring internal impedance, internal conductance or related 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
Abstract
本发明属于锂离子电池技术领域,具体公开了一种基于安全熵的动力电池安全风险预警方法,包括如下步骤:建立考虑电池的多种类使用数据的总安全熵模型;对电池获取在发生损毁事故前的多种使用数据,根据总安全熵模型计算实验电池能够发生损毁的安全熵并作为安全熵边界;通过总安全熵模型计算获得电池在当前使用时刻的安全熵;将安全熵边界对S3中的安全熵进行大小对比,以对电池进行多级风险由低到高的分类,并对风险最高的电池发出热失控预警;具有如下优点:解决了在不同电池类型、体系、系统结构上迁移时阈值难以测算的问题;通过实验或真实热失控起火数据进行特征提取,对特征进行加权耦合时可以更好的匹配真实情况。
Description
技术领域
本发明涉及锂离子电池技术领域,具体而言,涉及一种基于安全熵的动力电池安全风险预警方法。
背景技术
新能源车是指采用非常规的车用燃料作为动力来源,或使用常规的车用燃料、采用新型车载动力装置,综合车辆的动力控制和驱动方面的先进技术,形成的技术原理先进、具有新技术、新结构的汽车,2021年全国范围内共发生约3000起新能源汽车火灾事故。目前在保障动力电池安全方面出台了一系列国家标准,标准有效保证了大批量电池生产制造质量,但受到检测时长、成本等限制,某些缺陷电池虽在电池进行产品检测时并无异常,之后可能会发生属于小概率偶发的热失控事件。目前用于判定热失控发生的特征有限,不同场景不同工况下不一样,而且对不同电池体系、结构的特征阈值不相同,难以标定,导致热失控提前预警极为困难。
为此提出一种基于安全熵的动力电池安全风险预警方法,以解决上述提出的问题。
发明内容
本发明旨在提供一种基于安全熵的动力电池安全风险预警方法,以解决或改善上述技术问题中的至少之一。
有鉴于此,本发明的第一方面在于提供一种基于安全熵的动力电池安全风险预警方法。
本发明的第一方面提供了一种基于安全熵的动力电池安全风险预警方法,包括如下步骤:S1:建立考虑电池的多种类使用数据的总安全熵模型;其中,对同种类内的使用数据计算概率或常数并进行转化获得安全熵,将所有种类的安全熵相加获得总安全熵;S2:对电池获取在发生损毁事故前的多种使用数据,根据总安全熵模型计算电池能够发生损毁的安全熵边界;S3:实时获取电池在实际使用中的多种类使用数据,并通过总安全熵模型计算获得电池在当前使用时刻的总安全熵,并与安全熵边界进行大小对比,以对电池进行风险等级判定,并对处于风险等级最高的电池发出热失控预警;所述多种类使用数据的获取考虑电池的自身属性和使用环境属性,以及所述使用环境属性包括:电池所处的设备环境属性和自然环境属性;所述总安全熵模型为下述公式:其中,S(x)为该电池的总安全熵、n为自身属性的种类数量、i∈n,且代表转化为概率值的自身属性标号、αi为该种类自身属性的权重、a为非零常数、P(x)为该种类自身属性的数据转化的概率值、j∈m,且代表转化为常数值的自身属性的标号、bj为该种类自身属性的数据转化的常数值。
本发明提供的一种基于安全熵的动力电池安全风险预警方法,通过对电池在实际使用中的多种类数据进行收集和分析,并计算形成每个数据的安全熵,使得电池的不同状态下的数据能够进行汇总并参与计算,使得最终的结构能够更加全面的考虑,具体的为电池自身的内部属性以及周围用电设备的使用环境和当下自然环境对电池的影响;
通过将电池的属性和周围的影响对应的安全相关特征进行归一化或形成安全熵,从而解决了传统热失控预警算法在不同电池类型、体系、系统结构上迁移时阈值难以测算的问题,可应用于各类电池的热失控预警;
在实际使用中的各个电池评判一方面通过预先建立的总安全熵模型,另一方面对于电池进行是持续的数据监测,并获取电池发生损毁事故前的数据,通过总安全熵模型计算出能够作为安全边界的安全熵,以便对后续的计算数据起到危险划定和参照的作用;
通过实验或真实热失控起火数据进行特征提取,建立了热失控场景、工况与特征之间的映射关系,从而对特征进行加权耦合时可以更好的匹配真实情况,避免人为主观因素、知识局限性对结果的影响。
另外,根据本发明的实施例提供的技术方案还可以具有如下附加技术特征:
上述任一技术方案中,所述自身属性与电池的电压、温度和容量相关;所述设备环境属性与电池使用的快充、充放电深度、过压、欠压、过温和绝缘相关;所述自然环境属性与电池所处环境的温度、湿度、以及电池排布相关。
在该技术方案中,对于需要获取的多种类使用数据分别需要考虑自身属性、以及外部的设备环境属性和自然环境属性,分别从三个维度考虑不同条件下电池的状况,做到对电池的完整分析,以便在总安全熵模型中获得结果更加符合实际的电池健康状况;具体地,自身属性分别在电池的电压、温度和容量的数据方面进行获取和分析,设备环境属性分别在电池使用的快充、充放电深度、过压、欠压、过温和绝缘的在设备上供电或充电时的使用状况,自然环境属性则分别在电池所处的自然环境进行分析,由于自然环境对电池的影响对于电池在实际中的表现非常显著,因此将自然环境的条件纳入到数据的获取分析中,具体为电池所处环境的温度、湿度、以及电池排布相关,做到全面的分析。
具体地,实际应用的主要的问题集中在与安全相关事件的描述中。下面列举了一些和安全相关的事件,并解释了每种事件在实际应用过程中的使用方法:
电压:最低电压分布,最高电压的分布,压差,最低电压与最高电圧;
温度:温度分布,温差,最低温度分布;
容量:电量增量/DV,可能的单体的容量辨识,自放电率,内阻;
故障:快充分布,充放电深度,过压,欠压,过温,绝缘;
环境:环境温度,湿度,电池位置分布。
具体地,绝缘为电池的绝缘破坏程度,和电池安全风险有关,包括电池的漏电和亏电。
上述任一技术方案中,所述自身属性的数据计算的中间值包括概率值和常数值,且采用下述规则转化安全熵:对同一种类自身属性的多个概率值采用乘积并考虑该种类自身属性对电池的损毁事故影响大小,以获得该种类自身属性的安全熵;对计算结果为常数值的自身属性的数据采用极限数值范围映射至固定数值范围的方式,将常数值转化为在固定数值范围同等大小的计算常数,并作为该种类自身属性的安全熵;以及对于获得的多个安全熵。
在该技术方案中,由于在不同种类的属性中,获取的数据类型也会有所不同,有的为当前状况在整体中出现的概率,有的为当前状况电池所展现的具体数据数值,因此在需要同时考虑二者对电池健康的影响前提下,二者的数据又不能直接进行归纳计算,因此需要对数据进行初步的分类和归纳,采用不同的计算手段,以便获取能够共同分析的数据结果,以便对不同种类的数据进行集中处理分析;
具体的分为概率值和常数值,对于概率值则采用在中属性下该数据对电池的影响权重并乘积分析获取能够分析的安全熵,对于常数数值,由于在不同的属性条件下可能出现在不同的数值区间,因此需要对该种类数据的极限边界进行分析并分别投影至同一固定的数值区间内,以便不同属性的数值能够除去数值上的大小差异,在对同一种类内的数值与该种类中的极限边界之间的大小关系分析,并在同一数值区间内投影获得该区间内的代表数值,并将其作为安全熵;
对于各个数据的共同转化为总安全熵的依据为下述公式:
具体的计算获取步骤为:
(1)由多个事件组成的安全熵,结合安全熵定义值,由多个事件组成的安全熵定义为下述公式:
其中,P(x|x1,x2,L,xn)=P(x1)P(x2)L P(xn),考虑由多个独立事件组成的安全度定义,由独立事件概率密度计算方法,联合概率等于各个独立事件概率乘积,表征为同一属性下多个独立事件所乘积标出的该属性的概率值;
(2)自定义权重的安全熵,可实现在不同SOH阶段获得不同程度的权重值,为下述公式:
其中,α用于替换上述公式中的k,获得权重的具体计算表达式;
(3)概率值为奇点的优化,对于可以使用概率描述的事件而言,可能存在概率为0的情况,如最低电压分布等。在对数函数计算时概率为0的事件其对于为无穷大,无法用于实际计算过程。因此对计算安全熵的概率密度进行优化,增添补偿项从而保证概率值在计算对数时有效。故而安全熵的定义可扩展为下述公式:
S(x)=-klog(1+x);
其中,当上述公式的x为零时公式则不能进行运算,因此添加不为零的常数1,以便在x等于零时使得计算的概率值能够正常的得出0%的结果;
(4)不能直接使用概率描述的事件,在针对电池系统的安全度进行量化描述时,有些特征量无法使用概率描述,主要包括:最大电压差、最大温度差等。对于无法采用概率描述的事件,可采用附加常量的形式对事件归一化后进行表征,表示形式为下述公式:
其中,对于获取的常数值在进行固定数值区间的映射后,直接采用该数值进行相加即可作为安全熵,综上所述,将考虑各个因素下优化的安全熵表达形式组合,可得到能实际应用的安全熵表达式;
(5)计算公式合并形成总安全熵模型,为下述公式:
上述任一技术方案中,能够转换为所述概率值的自身属性的数据包括:最低或最高电压分布,在一段时间内电池组的每个单体电池的最高或最低电压对该段时间内所在电池组数据的占比;最低或最高温度分布,在一段时间内电池组的每个单体电池的最高或最低温度对该段时间内所在电池组数据的占比;自放电率,电池在放电结束或充电结束后的静置电压恢复过程的函数斜率;其中,所述自身属性的数据对应的概率值等于自身属性数据内多个数据的概率值乘积。
在该技术方案中,与机器学习中信息熵理论相似,安全熵是对系统安全性的一种量化标准,使用其发生故障的概率或完全安全功能的概率值描述系统安全性。对于一个系统的安全性x,可以使用概率P(x)进行描述。然而概率密度的分析通常需基于大量随机事件描述,不适用于直接描述系统安全性。因此,从熵的角度分析,采用与概率密度相似的安全熵的概念描述系统内各安全因素的不确定度、混乱度等,可实现定量化描述系统的安全性。通常情况下,系统的安全熵越大,代表系统的不安全性越大。
上式中,S(x)代表系统的安全熵,k为待定系数或归一系数,P(x)为事件安全概率密度。
根据上述公式,k的符号决定了安全熵的使用条件。当k为负数时,当安全度P(x)越大时,对应的安全熵S(x)就越大,特别是当P(x)=1时,对应的安全熵达到最大,S(x)=0,这时认为该安全因素混乱度最大。同理,当安全度P(x)越小时,对应的安全熵S(x)就越小,说明该安全因素混乱度越小,执行该安全功能的能力就越好。
针对上述公式使用的安全熵,虽在原理上实现了对安全度的量化,但是在实际使用中时会遇到多种问题。主要包括:安全度由多个事件描述;不同事件对安全度贡献程度不同;概率值存在奇点(概率为0)的情况;部分事件不能使用概率值描述等。因此在实际使用的安全熵定义中需进行不同程度的扩展。
具体地,最低或最高电压分布,电压分布表征了动力电池性能的差异,长期为最低电压的单体电池的容量较小,可能存在过充或过放等问题。在每个时刻分析一个电池组内各个电池的电压值,按照从大到小顺序对所有电压值进行排序,而后记录该时刻下最小电压与最大电压对应单体电池编号。在一个时间片段内,为充电过程持续分析电压分布,静置过程等,而后计算在该时间片段内每个单体电池占据最小/最大单体电压以及其他次小单体电压的占据比例。采用以频率代替概率的方法。
具体地,自放电率描述了动力电池的内短路特性。通常情况下自放电率可通过分析电池在放电结束或充电结束后的静置电压恢复过程描述。对该类数据片段拟合电压恢复过程的一次函数,使用函数斜率代表电池的自放电率。电池自放电率对安全熵存在两方面贡献,一方面对自放电率排序描述自放电率的分布,采用频率方法加权到安全熵中,该过程描述了电池组内各个单体间自放电率的不一致性;另一方面将每个单体的自放电率以最大值的形式加权进安全熵中,表明过大的自放电率与热失控存在关联。
上述任一技术方案中,能够转换为所述常数值的自身属性的数据包括:电压差值,对单体电池在一段时间内每个时刻的电压与该段时间的平均电压的差值;电压值,单体电池在当前时刻使用所达到的电压;温度差值,对单体电池在一段时间内每个时刻的温度与该段时间的平均温度的差值;温度值,单体电池在当前时刻使用所达到的温度;电量增量曲线峰值,一段时间内每个时刻下根据相邻电压采样点的电压差和电流值计算DV曲线,获取所有单体电池的DV曲线的曲线峰值;内阻,在单体电池在充电过程中,基于电压改变量和电流值计算当前时刻的内阻;其中,常数值的转化为将各个数值在电池使用中所达到的最大值和最小值作为边界映射至[0,1],并对获取的数值做归一化处理。
在该技术方案中,电压差:电压差表征了每个电池偏离平均电压的程度,是衡量电池组不一致性的直观指标。对一个时间片段内每个时刻,计算在该时刻下电池包内各个单体的平均电压值,而后分别计算每个单体对平均电压的电压差,而后在该时间片段内持续分析每个单体的最大电压差。对每个单体电池而言该值为常数,根据最大电压差与最小电压差做0-1归一化,采用常数形式附加进安全熵中;
电压值,需要参考该电池的最高与最低电压,最高与最低电压表征了动力电池的使用边界。即使采用最低电压分布描述电压特性,然而在不同的电压区间内动力电池的不一致性也存在不同程度的影响,如在高电压下不一致性影响较小,而在低电压下影响较大。因此对电池包做最大或最小电压分析,对使用电压的最大最小值做0-1标准化后以常数形式附加到安全熵中,或和最大电压差做乘积后以常数形式附加到安全熵中;
电量增量曲线:电量增量曲线峰的数量与峰值变化体现了动力电池内部的相变反应过程,虽然难以直接将DV曲线峰与实际的电化学反应结合起来,但从数值上分析DV曲线峰仍然对安全特性演化具有贡献。考虑实车数据的稳定性,一般采用充电数据进行DV曲线分析,根据相邻电压采样点的电压差和电流值计算DV曲线,而后计算其峰的数量与峰值大小。由于DV曲线的纵坐标具有实际的物理含义,因此对电池包内所有单体的曲线峰值做0-1标准化后,加权到安全熵中;
内阻:内阻表明了动力电池的老化程度。虽然内阻无法通过实验直接测量,但对于行车数据的充电过程而言,目前车企使用的降电流策略可实现内阻的计算。对于充电过程的降电流阶段,在降电流点的前后量测存在较大的电流改变从而产生电压的改变。基于电压改变量和电流值即可计算出此时的动力电池内阻。根据每个单体电池的内阻值内阻分布,并按0-1标准化耦合进安全熵中。
进一步地,温度特性与电压特性相似。但对于实车运行数据而言,上传的温度值分度通常为1摄氏度,且由于电池温升缓慢,通常难以有较大的数据变化,因此通常情况下温度数据具有较小的影响性。但通过温度区间修改不同参数的权重对提高温度因素效能具有重要作用。
上述任一技术方案中,所述权重用于表征该权重所对应的数据对动力电池的损毁事故影响大小,以及所述权重αi采用下述公式计算:为其中,SOH0为初始SOH值、SOHCur为当前SOH值、SOHn为退役SOH值、f为权重系数、SOH为电池健康度。
在该技术方案中,考虑对安全熵内每个事件在安全方面的贡献不一致,因此每个事件对应的待定系数或归一系数应不相同,从而实现对不同事件的区别评价。权重的定义可以根据经验选取,如对于温度值区间、BMS上报的次要故障等赋予较小的固定权重,而对于自放电率、最低电压单体分布、电压差、温度差等重要参数且随动力电池老化等特性演化的参数,则可使用自适应权重法;
电池老化初期,该权重具有较小值,而随着电池老化,在接近SOH末尾时该权重值快速增大,表明在电池老化初期,自放电率、电压差等参数与其他参数具有相似的重要性,而随着电池老化严重,该类参数的作用被放大,所使用的权重逐渐提高。
上述任一技术方案中,所述设备环境属性和自然环境属性的数据用于对自身属性的数据计算的为概率值的安全熵在计算中所需的权重进行修正,且修正的程度受设备环境属性和自然环境属性的数据对自身属性的数据的影响程度决定。
在该技术方案中,该类参数表征的是动力电池受环境温度影响而产生的一些性能演化,如环境温度影响动力电池的热管理系统,低温降低了电池的充放电能力等。该类参数可以权重形式耦合进安全熵中,作为修正项优化其他参数的权重值。
具体地,依据使用环境温度对权重的修正项采用下述公式:
式中:Tmax为环境最高温度,Tmin为环境最低温度,Tcur为环境当前温度,k为权重因子;
在进行修正时将β直接对α进行替换。
上述任一技术方案中,将每种自身属性的单个数据获取场景作为独立事件,所述的建立考虑动力电池的多种类使用数据的总安全熵模型的步骤,具体包括:E1,分别计算每个独立事件的概率值,每种自身属性的联合概率值等于各个独立事件的概率值乘积;E2,对每个联合概率值获取各自用于表征对损毁事故影响程度的权重并相乘,获得联合概率值的安全熵;E3,对不能使用概率表征的独立事件计算常数值,并作为安全熵;E4,将联合概率值的安全熵与常数值的安全熵相加,以获得动力电池的总安全熵。
上述任一技术方案中,所述S2中的安全熵边界为2.328。
在该技术方案中,以某次纯电动汽车起火事故数据为依托,分析其在事故发生前的电压、电压分布、弛豫斜率等发生变化:
电压:起火点电池在事故发生前电压偏低,按下述公式计算其对安全熵的贡献:
式中:Vcur为当前电压,Vmax为最高电压,Vmin为最低电压。即:对于最低电压而言,其贡献最大为1;对于其他电池而言,其贡献在0~1之间分布。
电压分布:起火点电池在事故发生前,有56%时间为最低电压,有24%时间为次低电压,有10%时间处于倒数第三低电压。
弛豫斜率:起火点电池在事故发生前,其弛豫电压斜率明显高于其他电池,标记为1,其他电池标记为0。
基于上述特征,计算得到安全熵如下:
上述任一技术方案中,电池的多级风险分类由低到高包括:无异常电芯、潜在异常电芯和风险电芯;当总安全熵小于70%安全熵边界时,判定该电池为无异常电芯;当总安全熵的数值大于70%安全熵边界并小于100%安全熵边界时,判定该电池为潜在异常电芯;当总安全熵的数值大于100%安全熵边界时,判定该电池为风险电芯。
在该技术方案中,通过k-means聚类算法对所有电芯的安全熵值进行无监督聚类分析,获取分类数,对应无异常电芯、潜在异常电芯和风险电芯。在分类结果中进行分类为第三类,如明显偏离群体,并结合安全熵预警边界,判定电芯存在安全风险,进行热失控的预警。
本发明与现有技术相比所具有的有益效果:
通过将安全相关特征进行归一化或形成安全熵,从而解决了传统热失控预警算法在不同电池类型、体系、系统结构上迁移时阈值难以测算的问题,可应用于各类电池的热失控预警;
通过实验或真实热失控起火数据进行特征提取,建立了热失控场景、工况与特征之间的映射关系,从而对特征进行加权耦合时可以更好的匹配真实情况,避免人为主观因素、知识局限性对结果的影响。
根据本发明的实施例的附加方面和优点将在下面的描述部分中变得明显,或通过根据本发明的实施例的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明的方法实施流程图;
图2为本发明的电池电压曲线示意图;
图3为本发明的电池最低电压分布示意图;
图4为本发明的电池弛豫斜率示意图;
图5为本发明的各个电池与安全熵预警边界关系示意图。
具体实施方式
为了可以更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参阅图1-5,下面描述本发明一些实施例的一种基于安全熵的动力电池安全风险预警方法。
本发明第一方面的实施例提出了一种基于安全熵的动力电池安全风险预警方法。在本发明的一些实施例中,如图1-5所示,提供了一种基于安全熵的动力电池安全风险预警方法,该基于安全熵的动力电池安全风险预警方法包括如下步骤:
第一步,建立考虑电池的多种类使用数据的总安全熵模型;其中,对同种类内的使用数据计算概率或常数并进行转化获得安全熵,将所有种类的安全熵相加获得总安全熵;
第二步,对电池获取在发生损毁事故前的多种使用数据,根据总安全熵模型计算电池能够发生损毁的安全熵边界;
第三步,实时获取电池在实际使用中的多种类使用数据,并通过总安全熵模型计算获得电池在当前使用时刻的总安全熵,并与安全熵边界进行大小对比,以对电池进行风险等级判定,并对处于风险等级最高的电池发出热失控预警。
本发明所提供的基于安全熵的动力电池安全风险预警方法,通过对电池在实际使用中的多种类数据进行收集和分析,并计算形成每个数据的安全熵,使得电池的不同状态下的数据能够进行汇总并参与计算,使得最终的结构能够更加全面的考虑,具体的为电池自身的内部属性以及周围用电设备的使用环境和当下自然环境对电池的影响;
通过将电池的属性和周围的影响对应的安全相关特征进行归一化或形成安全熵,从而解决了传统热失控预警算法在不同电池类型、体系、系统结构上迁移时阈值难以测算的问题,可应用于各类电池的热失控预警;
在实际使用中的各个电池评判一方面通过预先建立的总安全熵模型,另一方面对于电池进行是持续的数据监测,并获取电池发生损毁事故前的数据,通过总安全熵模型计算出能够作为安全边界的安全熵,以便对后续的计算数据起到危险划定和参照的作用;
通过实验或真实热失控起火数据进行特征提取,建立了热失控场景、工况与特征之间的映射关系,从而对特征进行加权耦合时可以更好的匹配真实情况,避免人为主观因素、知识局限性对结果的影响。
在本发明的一些实施例中,提供了一种基于安全熵的动力电池安全风险预警方法,在该基于安全熵的动力电池安全风险预警方法中,上述考虑电池的多种类使用数据采用下述规则:
多种类使用数据的获取考虑电池的自身属性和使用环境属性,以及使用环境属性包括:电池所处的设备环境属性和自然环境属性;
自身属性与电池的电压、温度和容量相关;
设备环境属性与电池使用的快充、充放电深度、过压、欠压、过温和绝缘相关;
自然环境属性与电池所处环境的温度、湿度、以及电池排布相关。
在该实施例中,对于需要获取的多种类使用数据分别需要考虑自身属性、以及外部的设备环境属性和自然环境属性,分别从三个维度考虑不同条件下电池的状况,做到对电池的完整分析,以便在总安全熵模型中获得结果更加符合实际的电池健康状况;具体地,自身属性分别在电池的电压、温度和容量的数据方面进行获取和分析,设备环境属性分别在电池使用的快充、充放电深度、过压、欠压、过温和绝缘的在设备上供电或充电时的使用状况,自然环境属性则分别在电池所处的自然环境进行分析,由于自然环境对电池的影响对于电池在实际中的表现非常显著,因此将自然环境的条件纳入到数据的获取分析中,具体为电池所处环境的温度、湿度、以及电池排布相关,做到全面的分析。
具体地,实际应用的主要的问题集中在与安全相关事件的描述中。下面列举了一些和安全相关的事件,并解释了每种事件在实际应用过程中的使用方法:
电压:最低电压分布,最高电压的分布,压差,最低电压与最高电圧;
温度:温度分布,温差,最低温度分布;
容量:电量增量/DV,可能的单体的容量辨识,自放电率,内阻;
故障:快充分布,充放电深度,过压,欠压,过温,绝缘;
环境:环境温度,湿度,电池位置分布。
在一些实施例中,自身属性的数据计算的中间值包括概率值和常数值,且采用下述规则转化安全熵:
对同一种类自身属性的多个概率值采用乘积并考虑该种类自身属性对电池的损毁事故影响大小,以获得该种类自身属性的安全熵;
对计算结果为常数值的自身属性的数据采用极限数值范围映射至固定数值范围的方式,将常数值转化为在固定数值范围同等大小的计算常数,并作为该种类自身属性的安全熵;以及对于获得的多个安全熵。
在该实施例中,由于在不同种类的属性中,获取的数据类型也会有所不同,有的为当前状况在整体中出现的概率,有的为当前状况电池所展现的具体数据数值,因此在需要同时考虑二者对电池健康的影响前提下,二者的数据又不能直接进行归纳计算,因此需要对数据进行初步的分类和归纳,采用不同的计算手段,以便获取能够共同分析的数据结果,以便对不同种类的数据进行集中处理分析;
具体的分为概率值和常数值,对于概率值则采用在中属性下该数据对电池的影响权重并乘积分析获取能够分析的安全熵,对于常数数值,由于在不同的属性条件下可能出现在不同的数值区间,因此需要对该种类数据的极限边界进行分析并分别投影至同一固定的数值区间内,以便不同属性的数值能够除去数值上的大小差异,在对同一种类内的数值与该种类中的极限边界之间的大小关系分析,并在同一数值区间内投影获得该区间内的代表数值,并将其作为安全熵。
在一些实施例中,能够转换为概率值的自身属性的数据包括:
最低或最高电压分布,在一段时间内电池组的每个单体电池的最高或最低电压对该段时间内所在电池组数据的占比;
最低或最高温度分布,在一段时间内电池组的每个单体电池的最高或最低温度对该段时间内所在电池组数据的占比;
自放电率,电池在放电结束或充电结束后的静置电压恢复过程的函数斜率;
其中,自身属性的数据对应的概率值等于自身属性数据内多个数据的概率值乘积。
在该实施例中,机器学习中信息熵理论相似,安全熵是对系统安全性的一种量化标准,使用其发生故障的概率或完全安全功能的概率值描述系统安全性。对于一个系统的安全性x,可以使用概率P(x)进行描述。然而概率密度的分析通常需基于大量随机事件描述,不适用于直接描述系统安全性。因此,从熵的角度分析,采用与概率密度相似的安全熵的概念描述系统内各安全因素的不确定度、混乱度等,可实现定量化描述系统的安全性。通常情况下,系统的安全熵越大,代表系统的不安全性越大;
虽在原理上实现了对安全度的量化,但是在实际使用中时会遇到多种问题。主要包括:安全度由多个事件描述;不同事件对安全度贡献程度不同;概率值存在奇点(概率为0)的情况;部分事件不能使用概率值描述等。因此在实际使用的安全熵定义中需进行不同程度的扩展。
具体地,能够转换为概率值的自身属性的数据包括:最低或最高电压分布、最低或最高温度分布、自放电率。
进一步地,最低或最高电压分布,电压分布表征了动力电池性能的差异,长期为最低电压的单体电池的容量较小,可能存在过充或过放等问题。在每个时刻分析一个电池组内各个电池的电压值,按照从大到小顺序对所有电压值进行排序,而后记录该时刻下最小电压与最大电压对应单体电池编号。在一个时间片段内,为充电过程持续分析电压分布,静置过程等,而后计算在该时间片段内每个单体电池占据最小/最大单体电压以及其他次小单体电压的占据比例。采用以频率代替概率的方法。
进一步地,自放电率描述了动力电池的内短路特性。通常情况下自放电率可通过分析电池在放电结束或充电结束后的静置电压恢复过程描述。对该类数据片段拟合电压恢复过程的一次函数,使用函数斜率代表电池的自放电率。电池自放电率对安全熵存在两方面贡献,一方面对自放电率排序描述自放电率的分布,采用频率方法加权到安全熵中,该过程描述了电池组内各个单体间自放电率的不一致性;另一方面将每个单体的自放电率以最大值的形式加权进安全熵中,表明过大的自放电率与热失控存在关联。
在一些实施例中,能够转换为常数值的自身属性的数据包括:
电压差值,对单体电池在一段时间内每个时刻的电压与该段时间的平均电压的差值;
电压值,单体电池在当前时刻使用所达到的电压;
温度差值,对单体电池在一段时间内每个时刻的温度与该段时间的平均温度的差值;
温度值,单体电池在当前时刻使用所达到的温度;
电量增量曲线峰值,一段时间内每个时刻下根据相邻电压采样点的电压差和电流值计算DV曲线,获取所有单体电池的DV曲线的曲线峰值;
内阻,在单体电池在充电过程中,基于电压改变量和电流值计算当前时刻的内阻;
其中,常数值的转化为将各个数值在电池使用中所达到的最大值和最小值作为边界映射至[0,1],并对获取的数值做归一化处理。
进一步地,电压差:电压差表征了每个电池偏离平均电压的程度,是衡量电池组不一致性的直观指标。对一个时间片段内每个时刻,计算在该时刻下电池包内各个单体的平均电压值,而后分别计算每个单体对平均电压的电压差,而后在该时间片段内持续分析每个单体的最大电压差。对每个单体电池而言该值为常数,根据最大电压差与最小电压差做0-1归一化,采用常数形式附加进安全熵中。
进一步地,电压差:电压差表征了每个电池偏离平均电压的程度,是衡量电池组不一致性的直观指标。对一个时间片段内每个时刻,计算在该时刻下电池包内各个单体的平均电压值,而后分别计算每个单体对平均电压的电压差,而后在该时间片段内持续分析每个单体的最大电压差。对每个单体电池而言该值为常数,根据最大电压差与最小电压差做0-1归一化,采用常数形式附加进安全熵中。
进一步地,电压值,需要参考该电池的最高与最低电压,最高与最低电压表征了动力电池的使用边界。即使采用最低电压分布描述电压特性,然而在不同的电压区间内动力电池的不一致性也存在不同程度的影响,如在高电压下不一致性影响较小,而在低电压下影响较大。因此对电池包做最大或最小电压分析,对使用电压的最大最小值做0-1标准化后以常数形式附加到安全熵中,或和最大电压差做乘积后以常数形式附加到安全熵中;
进一步地,电量增量曲线:电量增量曲线峰的数量与峰值变化体现了动力电池内部的相变反应过程,虽然难以直接将DV曲线峰与实际的电化学反应结合起来,但从数值上分析DV曲线峰仍然对安全特性演化具有贡献。考虑实车数据的稳定性,一般采用充电数据进行DV曲线分析,根据相邻电压采样点的电压差和电流值计算DV曲线,而后计算其峰的数量与峰值大小。由于DV曲线的纵坐标具有实际的物理含义,因此对电池包内所有单体的曲线峰值做0-1标准化后,加权到安全熵中。
进一步地,内阻:内阻表明了动力电池的老化程度。虽然内阻无法通过实验直接测量,但对于行车数据的充电过程而言,目前车企使用的降电流策略可实现内阻的计算。对于充电过程的降电流阶段,在降电流点的前后量测存在较大的电流改变从而产生电压的改变。基于电压改变量和电流值即可计算出此时的动力电池内阻。根据每个单体电池的内阻值内阻分布,并按0-1标准化耦合进安全熵中。
在一些实施例中,设备环境属性和自然环境属性的数据用于对自身属性的数据计算的为概率值的安全熵在计算中所需的权重进行修正,且修正的程度受设备环境属性和自然环境属性的数据对自身属性的数据的影响程度决定。
在该实施例中,该类参数表征的是动力电池受环境温度影响而产生的一些性能演化,如环境温度影响动力电池的热管理系统,低温降低了电池的充放电能力等。该类参数可以权重形式耦合进安全熵中,作为修正项优化其他参数的权重值。
在本发明的一些实施例中,提供了一种基于安全熵的动力电池安全风险预警方法,在该基于安全熵的动力电池安全风险预警方法中,上述总安全熵模型具体为下述公式:
其中,S(x)为该电池的总安全熵、n为自身属性的种类数量、i∈n,且代表转化为概率值的自身属性标号、αi为该种类自身属性的权重、a为非零常数、P(x)为该种类自身属性的数据转化的概率值、j∈m,且代表转化为常数值的自身属性的标号、bj为该种类自身属性的数据转化的常数值。
在一些实施例中,权重αi采用下述公式计算:为
其中,SOH0为、SOHCur为、SOHn为、f为、SOHj为。
在该实施例中,考虑对安全熵内每个事件在安全方面的贡献不一致,因此每个事件对应的待定系数或归一系数应不相同,从而实现对不同事件的区别评价。权重的定义可以根据经验选取,如对于温度值区间、BMS上报的次要故障等赋予较小的固定权重,而对于自放电率、最低电压单体分布、电压差、温度差等重要参数且随动力电池老化等特性演化的参数,则可使用自适应权重法;
电池老化初期,该权重具有较小值,而随着电池老化,在接近SOH末尾时该权重值快速增大,表明在电池老化初期,自放电率、电压差等参数与其他参数具有相似的重要性,而随着电池老化严重,该类参数的作用被放大,所使用的权重逐渐提高。
在本发明的一些实施例中,提供了一种基于安全熵的动力电池安全风险预警方法,在该基于安全熵的动力电池安全风险预警方法,上述总安全熵模型采用下述的步骤构建:
E1,分别计算每个独立事件的概率值,每种自身属性的联合概率值等于各个独立事件的概率值乘积;
E2,对每个联合概率值获取各自用于表征对损毁事故影响程度的权重并相乘,获得联合概率值的安全熵;
E3,对不能使用概率表征的独立事件计算常数值,并作为安全熵;
E4,将联合概率值的安全熵与常数值的安全熵相加,以获得动力电池的总安全熵。
具体地,模型的公式推导步骤为:
(1)由多个事件组成的安全熵,结合安全熵定义值,由多个事件组成的安全熵定义为下述公式:
其中,P(x|x1,x2,L,xn)=P(x1)P(x2)L P(xn),考虑由多个独立事件组成的安全度定义,由独立事件概率密度计算方法,联合概率等于各个独立事件概率乘积,表征为同一属性下多个独立事件所乘积标出的该属性的概率值;
(2)自定义权重的安全熵,可实现在不同SOH阶段获得不同程度的权重值,为下述公式:
其中,α用于替换上述公式中的k,获得权重的具体计算表达式;
(3)概率值为奇点的优化,对于可以使用概率描述的事件而言,可能存在概率为0的情况,如最低电压分布等。在对数函数计算时概率为0的事件其对于为无穷大,无法用于实际计算过程。因此对计算安全熵的概率密度进行优化,增添补偿项从而保证概率值在计算对数时有效。故而安全熵的定义可扩展为下述公式:
S(x)=-klog(1+x);
其中,当上述公式的x为零时公式则不能进行运算,因此添加不为零的常数1,以便在x等于零时使得计算的概率值能够正常的得出0%的结果;
(4)不能直接使用概率描述的事件,在针对电池系统的安全度进行量化描述时,有些特征量无法使用概率描述,主要包括:最大电压差、最大温度差等。对于无法采用概率描述的事件,可采用附加常量的形式对事件归一化后进行表征,表示形式为下述公式:
其中,对于获取的常数值在进行固定数值区间的映射后,直接采用该数值进行相加即可作为安全熵,综上,将考虑各个因素下优化的安全熵表达形式组合,可得到能实际应用的安全熵表达式;
(5)计算公式合并形成总安全熵模型,为下述公式:
在本发明的一些实施例中,提供了一种基于安全熵的动力电池安全风险预警方法,在该基于安全熵的动力电池安全风险预警方法中,还可包括风险等级评判方法,具体包括下述的步骤:
步骤一,划定安全熵边界,具体包括:
以某次纯电动汽车起火事故数据为依托,分析其在事故发生前的电压、电压分布、弛豫斜率等发生变化:
电压:起火点电池在事故发生前电压偏低,按下述公式计算其对安全熵的贡献:
式中:Vcur为当前电压,Vmax为最高电压,Vmin为最低电压。即:对于最低电压而言,其贡献最大为1;对于其他电池而言,其贡献在0~1之间分布。
电压分布:起火点电池在事故发生前,有56%时间为最低电压,有24%时间为次低电压,有10%时间处于倒数第三低电压。
弛豫斜率:起火点电池在事故发生前,其弛豫电压斜率明显高于其他电池,标记为1,其他电池标记为0。
基于上述特征,计算得到安全熵如下:
/>
步骤二,对计算出的电池安全熵与预先获得的安全熵边界进行比较,具体包括:
电池的多级风险分类由低到高包括:无异常电芯、潜在异常电芯和风险电芯。
在该实施例中,通过k-means聚类算法对所有电芯的安全熵值进行无监督聚类分析,获取分类数,对应无异常电芯、潜在异常电芯和风险电芯。在分类结果中进行分类为第三类,如明显偏离群体,并结合安全熵预警边界,判定电芯存在安全风险,进行热失控的预警。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于安全熵的动力电池安全风险预警方法,其特征在于,包括如下步骤:
S1:建立考虑电池的多种类使用数据的总安全熵模型;其中,对同种类内的使用数据计算概率或常数并进行转化获得安全熵,将所有种类的安全熵相加获得总安全熵;
S2:对电池获取在发生损毁事故前的多种使用数据,根据总安全熵模型计算电池能够发生损毁的安全熵边界;
S3:实时获取电池在实际使用中的多种类使用数据,并通过总安全熵模型计算获得电池在当前使用时刻的总安全熵,并与安全熵边界进行大小对比,以对电池进行风险等级判定,并对处于风险等级最高的电池发出热失控预警;
所述多种类使用数据的获取考虑电池的自身属性和使用环境属性,以及所述电池使用环境属性包括:电池所处的设备环境属性和自然环境属性;
所述总安全熵模型为下述公式:
其中,S(x)为该电池的总安全熵、n为自身属性的种类数量、i∈n,且代表转化为概率值的自身属性标号、αi为该自身属性的权重、a为非零常数、P(x)为该种类自身属性的数据转化的概率值、j∈m,且代表转化为常数值的自身属性的标号、bj为该种类自身属性的数据转化的常数值。
2.根据权利要求1所述的一种基于安全熵的动力电池安全风险预警方法,其特征在于,
所述自身属性与电池的电压、温度和容量相关;
所述设备环境属性与电池使用的快充、充放电深度、过压、欠压、过温和绝缘相关;
所述自然环境属性与电池所处环境的温度、湿度、以及电池排布相关。
3.根据权利要求2所述的一种基于安全熵的动力电池安全风险预警方法,其特征在于,所述自身属性的数据计算的中间值包括概率值和常数值,且采用下述规则转化安全熵:
对同一种类自身属性的多个概率值采用乘积并考虑该种类自身属性对电池的损毁事故影响大小,以获得该种类自身属性的安全熵;
对计算结果为常数值的自身属性的数据采用极限数值范围映射至固定数值范围的方式,将常数值转化为在固定数值范围同等大小的计算常数,并作为该种类自身属性的安全熵;以及对于获得的多个安全熵。
4.根据权利要求3所述的一种基于安全熵的动力电池安全风险预警方法,其特征在于,能够转换为所述概率值的自身属性的数据包括:
最低或最高电压分布,在一段时间内电池组的每个单体电池的最高或最低电压对该段时间内所在电池组数据的占比;
最低或最高温度分布,在一段时间内电池组的每个单体电池的最高或最低温度对该段时间内所在电池组数据的占比;
自放电率,电池在放电结束或充电结束后的静置电压恢复过程的函数斜率;
其中,所述自身属性的数据对应的概率值等于自身属性数据内多个数据的概率值乘积。
5.根据权利要求3所述的一种基于安全熵的动力电池安全风险预警方法,其特征在于,能够转换为所述常数值的自身属性的数据包括:
电压差值,对单体电池在一段时间内每个时刻的电压与该段时间的平均电压的差值;
电压值,单体电池在当前时刻使用所达到的电压;
温度差值,对单体电池在一段时间内每个时刻的温度与该段时间的平均温度的差值;
温度值,单体电池在当前时刻使用所达到的温度;
电量增量曲线峰值,一段时间内每个时刻下根据相邻电压采样点的电压差和电流值计算DV曲线,获取所有单体电池的DV曲线的曲线峰值;
内阻,在单体电池在充电过程中,基于电压改变量和电流值计算当前时刻的内阻;
其中,常数值的转化为将各个数值在电池使用中所达到的最大值和最小值作为边界映射至[0,1],并对获取的数值做归一化处理。
6.根据权利要求3所述的一种基于安全熵的动力电池安全风险预警方法,其特征在于,所述权重用于表征该权重所对应的数据对动力电池的损毁事故影响大小,以及所述权重αi采用下述公式计算:为
其中,SOH0为初始SOH值、SOHCur为当前SOH值、SOHn为退役SOH值、f为权重系数、SOH为电池健康度。
7.根据权利要求3所述的一种基于安全熵的动力电池安全风险预警方法,其特征在于,所述设备环境属性和自然环境属性的数据用于对自身属性的数据计算的为概率值的安全熵在计算中所需的权重进行修正,且修正的程度受设备环境属性和自然环境属性的数据对自身属性的数据的影响程度决定。
8.根据权利要求3所述的一种基于安全熵的动力电池安全风险预警方法,其特征在于,将每种自身属性的单个数据获取场景作为独立事件,所述的建立考虑动力电池的多种类使用数据的总安全熵模型的步骤,具体包括:
E1,分别计算每个独立事件的概率值,每种自身属性的联合概率值等于各个独立事件的概率值乘积;
E2,对每个联合概率值获取各自用于表征对损毁事故影响程度的权重并相乘,获得联合概率值的安全熵;
E3,对不能使用概率表征的独立事件计算常数值,并作为安全熵;
E4,将联合概率值的安全熵与常数值的安全熵相加,以获得动力电池的总安全熵。
9.根据权利要求1所述的一种基于安全熵的动力电池安全风险预警方法,其特征在于,所述S2中的安全熵边界为2.328。
10.根据权利要求9所述的一种基于安全熵的动力电池安全风险预警方法,其特征在于,电池的多级风险分类由低到高包括:无异常电芯、潜在异常电芯和风险电芯;
当总安全熵小于70%安全熵边界时,判定该电池为无异常电芯;
当总安全熵的数值大于70%安全熵边界并小于100%安全熵边界时,判定该电池为潜在异常电芯;
当总安全熵的数值大于100%安全熵边界时,判定该电池为风险电芯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310446506.4A CN116699407A (zh) | 2023-04-24 | 2023-04-24 | 一种基于安全熵的动力电池安全风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310446506.4A CN116699407A (zh) | 2023-04-24 | 2023-04-24 | 一种基于安全熵的动力电池安全风险预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116699407A true CN116699407A (zh) | 2023-09-05 |
Family
ID=87840007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310446506.4A Pending CN116699407A (zh) | 2023-04-24 | 2023-04-24 | 一种基于安全熵的动力电池安全风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116699407A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706379A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种电池动态安全边界构建方法、装置及可读存储介质 |
-
2023
- 2023-04-24 CN CN202310446506.4A patent/CN116699407A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706379A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种电池动态安全边界构建方法、装置及可读存储介质 |
CN117706379B (zh) * | 2024-02-06 | 2024-04-12 | 北京航空航天大学 | 一种电池动态安全边界构建方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
US10254349B2 (en) | Method for predicting state of health of battery based on numerical simulation data | |
CN109165687B (zh) | 基于多分类支持向量机算法的车用锂电池故障诊断方法 | |
CN108089133B (zh) | 储能系统电池组一致性检测方法及检测装置 | |
CN104614630B (zh) | 一种电池微短路的识别方法 | |
CN112092675A (zh) | 一种电池热失控预警方法、系统及服务器 | |
CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
CN104614631B (zh) | 一种电池微短路的识别方法 | |
CN110376530A (zh) | 电池内短路检测装置及方法 | |
CN113075554A (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
CN110609233A (zh) | 一种基于大数据进行储能电池soh预测的方法 | |
CN113030758B (zh) | 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质 | |
CN113887601A (zh) | 一种基于聚类分选的退役动力电池重组方法 | |
CN104614632A (zh) | 一种电池微短路的识别方法 | |
CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 | |
CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
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 | |
CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN114418465B (zh) | 一种数据驱动的动力电池使用行为量化评估方法 | |
CN114282852B (zh) | 一种电池安全性计算方法和装置 | |
CN115656837A (zh) | 一种串联型电池故障预测方法 | |
CN115166564A (zh) | 一种在线量化评估磷酸铁锂电池微短路程度的方法 |
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 |