CN117113232A - 一种电动汽车锂离子电池组热失控风险识别方法 - Google Patents
一种电动汽车锂离子电池组热失控风险识别方法 Download PDFInfo
- Publication number
- CN117113232A CN117113232A CN202311061378.8A CN202311061378A CN117113232A CN 117113232 A CN117113232 A CN 117113232A CN 202311061378 A CN202311061378 A CN 202311061378A CN 117113232 A CN117113232 A CN 117113232A
- Authority
- CN
- China
- Prior art keywords
- feature
- risk
- thermal runaway
- characteristic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 9
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 9
- 239000000203 mixture Substances 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 10
- 210000004027 cell Anatomy 0.000 claims description 44
- 239000000178 monomer Substances 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 235000014435 Mentha Nutrition 0.000 claims description 3
- 241001072983 Mentha Species 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 210000003126 m-cell Anatomy 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 235000014569 mints Nutrition 0.000 claims description 3
- 239000000523 sample Substances 0.000 abstract description 18
- 238000013139 quantization Methods 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 2
- 239000013074 reference sample Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种电动汽车锂离子电池组热失控风险识别方法，首先筛选出电池组所有单体电池充电周期的热失控风险强关联数据特征，再利用高斯混合模型计算每个单体电池样本相对于参考样本的风险特征距离和累积风险特征距离，基于累积风险特征距离阈值即可作为热失控风险有效识别的量化指标。还可对风险特征距离及累积执行标准化处理，从而使所确定的风险识别量化指标对于不同类型的电动汽车动力电池组均具有较高通用性。
Description
技术领域
本发明属于电动汽车用锂离子电池故障诊断技术领域，具体涉及一种电动汽车锂离子电池组热失控风险识别方法。
背景技术
在新能源汽车动力电池系统在实际使用过程中，包括热滥用、电滥用和机械滥用等的滥用行为常会引发热失控，若处理不当很有可能诱发严重安全风险，因而对电池系统热失控及时实现识别尤为重要。目前，现有的电池热失控识别主要包括基于规则、基于模型和基于数据驱动的方法三类。其中，基于规则的方法算法简单、计算效率高，但是预设的阈值需要经验来不断调试，同一阈值无法在不同类型的电池组间实现通用；基于模型的方法依赖于系统模型的建模准确性，对建模误差的鲁棒性差，且该类算法性能仅在实验室和仿真条件下进行验证，未充分考虑实车行驶复杂多变的工况；基于数据驱动的方法通过结合实车在云端数据平台存储的动力电池运行监测数据构建统计学特征，结合机器学习方法对电池组中的异常单体电池进行异常识别，并通过数据特征量化动力电池的热失控风险，相对前两种方法具有较为明显的优势，但仍存在诸多需要解决的问题。由于实车数据的特征多源、异构且与热失控关联性差异较大等特点，现阶段进行特征筛选时仍主要依靠手动试错，缺乏高效率自动地对特征进行有效性分析，特征与热失控风险强关联性难以满足要求；同时数据驱动的方法本身对算力要求较高，而实车行驶过程中采集的实时数据却更容易受到噪声影响，故对每个时间帧实时的处理使得电池管理系统计算负载居高不下，且风险识别结果的准确性也会受噪声影响。例如，中国专利CN116184229A、CN115166533A、CN116125290A、CN111812535A中都明显存在上述的问题，并且其使用到的SOC、SOH等数据项无法通过测量直接采集，会进一步增大了计算量负担，所提取的温度数据项通常也并不能反映电池表面真实温度。因此，本领域迫切需要一种数据特征筛选效率高、计算负载低且降低数据采集噪声影响的热失控风险识别方法。
发明内容
有鉴于此，针对本领域中存在的技术问题，本发明提供了一种电动汽车锂离子电池组热失控风险识别方法，具体包括以下步骤：
步骤一、提取若干辆已发生单体电池热失控的电动汽车全生命周期中最后一个停车充电周期的单体电压时间序列数据V，并对每个单体的单体电压时间序列添加表示安全或故障状态的分类标签得到分类标签集Y；
步骤二、利用Tsfresh自动化特征工程工具提取每个单体电池电压时间序列的多项特征数据组成特征集F，将其与分类标签集Y共同构建为训练集；利用训练集对随机森林模型进行训练，输出决策树中分类标签为安全状态的各特征分裂时得到的信息增益总和fa，用于反映各特征的实际重要度；
步骤三、对分类标签集Y做k次随机打乱后得到一新的分类标签集Y1，将其与特征集F重新构建训练集并再次训练随机森林模型，输出分类标签被打乱后的各特征分裂时得到的信息增益总和fn，用于反映各特征在分类标签被打乱情况下的重要度；
步骤四、基于步骤二和三的得到的各特征重要度进行特征筛选，保留热失控风险的若干强关联特征；
步骤五、针对待检测电动汽车提取其由热失控所导致的事故发生前，最后一个停车充电周期的单体电压时间序列数据，提取由各强关联特征值组成的特征样本集Fs；对特征样本集Fs执行聚类算法，输出聚类后各单体对应的安全状态或存在热失控风险分类标签，用于对存在热失控风险的单体电池实现自动标记定位；
步骤六、建立高斯混合模型用于计算特征样本集Fs中的各项特征的分布的概率似然；将待检测电动汽车全生命周期中任意第k个停车充电周期的单体电压时间序列数据输入高斯混合模型计算后，设定所有单体电池的特征样本对数似然最大的单体作为参考单体电池；计算其他单体电池的特征样本与参考单体电池之间的欧氏距离作为风险特征距离；遍历待检测电动汽车全生命周期中的K个停车充电周期的各单体电池累积风险特征距离，并设定相应阈值；
步骤七、根据风险特征距离、累积风险特征距离的变化趋势，判断热失控风险单体首次发生风险的时间及后续的风险演变规律。
进一步地，步骤一中提取的所述单体电压时间序列数据V具体采用以下矩阵形式：
式中，M是电动汽车电池组中单体电池的数量，T是该充电周期时间序列的数据长度，数据的采集频率为10s/帧；
为每个单体电池的单体电压时间序列添加表示安全或故障状态的分类标签yi(i∈M)，得到以下分类标签集Y：
Y＝[y1,y2,...,yM]T
若任意单体电池为热失控事故单体电池，则其标签为1；若为安全单体电池，则标签为0。
进一步地，步骤二中利用所述利用Tsfresh工具具体提取出每个单体电池电压时间序列的785项时频域特征数据，得到以下特征集F：
式中，fMN表示M号单体电池电压时间序列的第N项特征；
基于所述特征集F与分类标签集Y共同构建得到以下训练集D用于训练随机森林模型：
在步骤三中将分类标签集Y随机打乱得到新的分类标签集Y1后构建训练集D1＝[F,Y1]用于再次训练随机森林模型。
进一步地，步骤四中基于所述信息增益fa和fn并采用以下重要度评分公式来筛选热失控风险强关联特征：
式中，percentile(fn,0.75)表示fn的75％分位数；
筛选保留特征集F中重要度得分imp_s大于0的w个特征项作为热失控风险强关联特征fs：
fs＝[fs1,fs2,...,fsw]。
进一步地，步骤五中针对待检测电动汽车提取出以下由各强关联特征值组成的特征样本集Fs：
式中，fsMw表示该热失控电动汽车的M号单体电池电压时间序列数据的第w项热失控风险强关联特征；
对Fs进行聚类具体采用以下聚类算法模型：
首先，设置密度聚类模型的ε邻域参数范围列表和Minpts参数，遍历ε邻域参数范围列表，构建设置不同的ε邻域参数的聚类模型；
之后将Fs输入到不同的ε邻域参数的聚类模型中，通过以下公式计算各模型的轮廓系数s：
式中，s(i)表示第i个单体电池样本的轮廓系数；a(i)表示同一聚类簇内的不相似度，即该簇内所有样本到同簇内其他点的不相似度的平均值；b(i)表示不同聚类簇间的不相似度，即同一聚类簇中的所有样本到其他簇的平均不相似程度的最小值；
轮廓系数取值范围是[-1,1]，越接近1说明该聚类算法的评分越高，聚类效果越好。选取轮廓系数最高的聚类模型，输出其经过聚类之后对单体电池的标记结果Ycluster，如以下公式所示：
Ycluster＝[yc1,yc2,...,ycM]T
式中，yci表示该电动汽车的i号单体电池的热失控风险标签，若yci＝-1，表示聚类算法将该单体电池标记为热失控风险单体电池；若yci＝0，则表示聚类算法将该单体电池标记为安全单体电池。由此即实现了对存在热失控风险的单体电池的自动标记定位。
进一步地，步骤六中建立的高斯混合模型具体以p(x|θ)描述热失控风险强关联特征集Fs中各项特征分布的概率密度；其中，x表示统计样本的观测量，θ表示x所服从的分布，由g簇高斯分量组合而成；簇数g具体基于AIC和BIC准则确定最优值，θ的参数通过期望最大化法迭代获得；
所述高斯混合模型针对任意输入的第k个充电周期序列中各单体电池电压序列的统计特征，通过期望最大化法迭代获得具体分布参数：计算观测量xi来自第i簇高斯分量的概率，使得概率似然的对数达到最大，迭代计算使该算法收敛，最终获得各高斯分布θk及其对应权重αk；将所有单体电池的特征样本对数似然最大的r号单体作为参考单体电池，其各项热失控风险强关联特征集表示为：
Fsr＝[fsr1,fsr2,...,fsrw]
其他单体电池的各项热失控风险强关联特征则表示为：
Fsi＝[fsi1,fsi2,...,fsiw]
计算其他单体电池样本与参考单体电池样本之间的欧式距离：
执行以下归一化处理得到范围在[0,1]内的风险特征距离：
dsk＝[dsk1,dsk2,...,dskM]
遍历待检测电动汽车全生命周期中的K个停车充电周期得到以下风险特征距离矩阵Dsk：
相应的单体电池i的累积风险特征距离通过以下公式计算得到：
进一步地，针对使用相同电池的不同电动汽车车型，通过以下归一化处理计算标准化累积风险特征距离以适应不同车型热失控风险识别的需要：
上述本发明所提供的电动汽车锂离子电池组热失控风险识别方法，首先筛选出电池组所有单体电池充电周期的热失控风险强关联数据特征，再利用高斯混合模型计算每个单体电池样本相对于参考样本的风险特征距离和累积风险特征距离，基于累积风险特征距离阈值即可作为热失控风险有效识别的量化指标。还可对风险特征距离及累积执行标准化处理，从而使所确定的风险识别量化指标对于不同类型的电动汽车动力电池组均具有较高通用性。
附图说明
图1为本发明的热失控风险强关联特征自动提取与风险单体定位标记流程图；
图2为通过聚类实现的热失控风险单体电池定位标记结果图；
图3为基于高斯混合模型的单体风险特征度量及风险演变规律分析过程图；
图4为基于累积风险特征距离的安全阈值量化指标设定示意图；
图5为与风险特征距离对应的热失控风险单体的电压时域特征变化图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供所的电动汽车锂离子电池组热失控风险识别方法，如图1、2所示，具体包括以下步骤：
步骤一、提取若干辆已发生单体电池热失控的电动汽车全生命周期中最后一个停车充电周期的单体电压时间序列数据V，并对每个单体的单体电压时间序列添加表示安全或故障状态的分类标签得到分类标签集Y；
步骤二、利用Tsfresh自动化特征工程工具提取每个单体电池电压时间序列的多项特征数据组成特征集F，将其与分类标签集Y共同构建为训练集；利用训练集对随机森林模型进行训练，输出决策树中分类标签为安全状态的各特征分裂时得到的信息增益总和fa，用于反映各特征的实际重要度；
步骤三、对分类标签集Y做k次随机打乱后得到一新的分类标签集Y1，将其与特征集F重新构建训练集并再次训练随机森林模型，输出分类标签被打乱后的各特征分裂时得到的信息增益总和fn，用于反映各特征在分类标签被打乱情况下的重要度；
步骤四、基于步骤二和三的得到的各特征重要度进行特征筛选，保留热失控风险的若干强关联特征；
步骤五、针对待检测电动汽车提取其由热失控所导致的事故发生前，最后一个停车充电周期的单体电压时间序列数据，提取由各强关联特征值组成的特征样本集Fs；对特征样本集Fs执行聚类算法，输出聚类后各单体对应的安全状态或存在热失控风险分类标签，用于对存在热失控风险的单体电池实现自动标记定位；
步骤六、建立高斯混合模型用于计算特征样本集Fs中的各项特征的分布的概率似然；将待检测电动汽车全生命周期中任意第k个停车充电周期的单体电压时间序列数据输入高斯混合模型计算后，设定所有单体电池的特征样本对数似然最大的单体作为参考单体电池；计算其他单体电池的特征样本与参考单体电池之间的欧氏距离作为风险特征距离；遍历待检测电动汽车全生命周期中的K个停车充电周期的各单体电池累积风险特征距离，并设定相应阈值；
步骤七、根据风险特征距离、累积风险特征距离的变化趋势，判断热失控风险单体首次发生风险的时间及后续的风险演变规律。
在本发明的优选实施方式中，步骤一中提取的所述单体电压时间序列数据V具体采用以下矩阵形式：
式中，M是电动汽车电池组中单体电池的数量，T是该充电周期时间序列的数据长度，数据的采集频率为10s/帧；
为每个单体电池的单体电压时间序列添加表示安全或故障状态的分类标签yi(i∈M)，得到以下分类标签集Y：
Y＝[y1,y2,...,yM]T
若任意单体电池为热失控事故单体电池，则其标签为1；若为安全单体电池，则标签为0。
步骤二中利用所述利用Tsfresh工具具体提取出每个单体电池电压时间序列的785项时频域特征数据，得到以下特征集F：
式中，fMN表示M号单体电池电压时间序列的第N项特征；
基于所述特征集F与分类标签集Y共同构建得到以下训练集D用于训练随机森林模型：
在步骤三中将分类标签集Y随机打乱得到新的分类标签集Y1后构建训练集D1＝[F,Y1]用于再次训练随机森林模型。
步骤四中基于所述信息增益fa和fn并采用以下重要度评分公式来筛选热失控风险强关联特征：
式中，percentile(fn,0.75)表示fn的75％分位数；
筛选保留特征集F中重要度得分imp_s大于0的w个特征项作为热失控风险强关联特征fs：
fs＝[fs1,fs2,...,fsw]。
这本发明的优选实例中，通过执行上述步骤自动筛选得到以下15项热失控风险强关联特征：
特征1：单体电压序列总和
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值；
特征2：单体电压序列平方和
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值；
特征3：单体电压序列连续变化量绝对值之和
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值；
特征4：单体电压序列连续变化量均值
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值；
特征5：单体电压序列均值
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值；
特征6：单体电压序列标准差
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值,μ是该充电周期的单体电压均值；
特征7：单体电压变异系数
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值,μ是该充电周期的单体电压均值，σ是该充电周期的单体电压标准差；
特征8：单体电压方差
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值,μ是该充电周期的单体电压均值；
特征9：单体电压峰度
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值,μ是该充电周期的单体电压均值，σ是该充电周期的单体电压标准差；
特征10：单体电压均方根
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值；
特征11：单体电压周期序列奇异值占比
式中，T表示所分析的充电周期的数据长度，分子为该充电周期中单体电压奇异值数量；
特征12：单体电压周期序列60％分位数
fs12＝percentile(Ut,0.6)
式中，T表示所分析的充电周期的数据长度，Ut表示充电周期第t时间帧的单体电压序列；
特征13：单体电压lag阶时间反转不对称度统计量
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值,lag是阶数，取正整数；
特征14：单体电压lag阶自相关系数
式中，T表示所分析的充电周期的数据长度，ut表示充电周期第t时间帧的单体电压值,μ是该充电周期的单体电压均值，lag是阶数，取正整数；
特征15：单体电压序列样本熵
计算一个充电周期的单体电压向量中两个时刻i和j对应的电压值ui和uj之差的绝对值:
d[ui,uj]＝|ui-uj|
定义Bi是这两个电压值之间距离小于等于r的数目，
将维数增加到m+1，计算两个电压值之间距离小于等于r的数目Ai，
计算单体电压样本熵，
式中，T为该充电周期的电压序列长度，m＝1。
步骤五中针对待检测电动汽车提取出以下由各强关联特征值组成的特征样本集Fs：
式中，fsMw表示该热失控电动汽车的M号单体电池电压时间序列数据的第w项热失控风险强关联特征；
对Fs进行聚类具体采用以下聚类算法模型：
首先，设置密度聚类模型的ε邻域参数范围列表和Minpts参数，遍历ε邻域参数范围列表，构建设置不同的ε邻域参数的聚类模型；
之后将Fs输入到不同的ε邻域参数的聚类模型中，通过以下公式计算各模型的轮廓系数s：
式中，s(i)表示第i个单体电池样本的轮廓系数；a(i)表示同一聚类簇内的不相似度，即该簇内所有样本到同簇内其他点的不相似度的平均值；b(i)表示不同聚类簇间的不相似度，即同一聚类簇中的所有样本到其他簇的平均不相似程度的最小值；
轮廓系数取值范围是[-1,1]，越接近1说明该聚类算法的评分越高，聚类效果越好。选取轮廓系数最高的聚类模型，输出其经过聚类之后对单体电池的标记结果Ycluster，如以下公式所示：
Ycluster＝[yc1,yc2,...,ycM]T
式中，yci表示该电动汽车的i号单体电池的热失控风险标签，若yci＝-1，表示聚类算法将该单体电池标记为热失控风险单体电池；若yci＝0，则表示聚类算法将该单体电池标记为安全单体电池。由此即实现了对存在热失控风险的单体电池的自动标记定位。
本领域技术人员当然也可以根据计算开销等方面的考虑，采用其他相对简单或更为复杂精确的现有聚类算法。
如图3所示，步骤六中建立的高斯混合模型具体以p(x|θ)描述热失控风险强关联特征集Fs中各项特征分布的概率密度；其中，x表示统计样本的观测量，θ表示x所服从的分布，由g簇高斯分量组合而成；簇数g具体基于AIC和BIC准则确定最优值，θ的参数通过期望最大化法迭代获得；
所述高斯混合模型针对任意输入的第k个充电周期序列中各单体电池电压序列的统计特征，通过期望最大化法迭代获得具体分布参数：计算观测量xi来自第i簇高斯分量的概率，使得概率似然的对数达到最大，迭代计算使该算法收敛，最终获得各高斯分布θk及其对应权重αk；将所有单体电池的特征样本对数似然最大的r号单体作为参考单体电池，其各项热失控风险强关联特征集表示为：
Fsr＝[fsr1,fsr2,...,fsrw]
其他单体电池的各项热失控风险强关联特征则表示为：
Fsi＝[fsi1,fsi2,...,fsiw]
计算其他单体电池样本与参考单体电池样本之间的欧式距离：
执行以下归一化处理得到范围在[0,1]内的风险特征距离：
dsk＝[dsk1,dsk2,...,dskM]
遍历待检测电动汽车全生命周期中的K个停车充电周期得到以下风险特征距离矩阵Dsk：
相应的单体电池i的累积风险特征距离通过以下公式计算得到：
针对使用相同电池的不同电动汽车车型，可进一步通过以下归一化处理计算标准化累积风险特征距离以适应不同车型热失控风险识别的需要：
图4(a)和(b)示出了累积风险特征距离的演变规律，以及通过与正常单体进行对比所分别确定的安全阈值与标准化后的安全阈值，两种阈值均可作为单体电池热失控风险识别的量化指标。图5则示出了动力电池分别在第50、350、650、672、690各充电周期与热失控发生时所处的充电周期中，热失控风险特征距离变化与对应的热失控单体电压时域特征变化。
本发明中的电池热失控风险强关联数据特征以及热失控风险识别结果由实车数据提取、运算和测试验证，可在实车运行工况下准确量化动力电池的热失控风险。对于在役新能源车辆，可以对动力电池系统潜在热失控风险进行预警；对于已发生热失控的车辆，可以及时识别出热失控单体电池，并回溯其风险演变规律。同时本发明只在每次充电结束后对整个充电周期的单体电压序列进行热失控风险强关联数据特征提取计算和热失控风险特征距离计算，无需实时计算，且仅需要使用单体电压数据，降低了电池管理系统的计算负载和数据采集成本，并降低了实车数据采集中的噪声对计算结果准确性的影响。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种电动汽车锂离子电池组热失控风险识别方法，其特征在于：具体包括以下步骤：
步骤一、提取若干辆已发生单体电池热失控的电动汽车全生命周期中最后一个停车充电周期的单体电压时间序列数据V，并对每个单体的单体电压时间序列添加表示安全或故障状态的分类标签得到分类标签集Y；
步骤二、利用Tsfresh自动化特征工程工具提取每个单体电池电压时间序列的多项特征数据组成特征集F，将其与分类标签集Y共同构建为训练集；利用训练集对随机森林模型进行训练，输出决策树中分类标签为安全状态的各特征分裂时得到的信息增益总和fa，用于反映各特征的实际重要度；
步骤三、对分类标签集Y做k次随机打乱后得到一新的分类标签集Y1，将其与特征集F重新构建训练集并再次训练随机森林模型，输出分类标签被打乱后的各特征分裂时得到的信息增益总和fn，用于反映各特征在分类标签被打乱情况下的重要度；
步骤四、基于步骤二和三的得到的各特征重要度进行特征筛选，保留热失控风险的若干强关联特征；
步骤五、针对待检测电动汽车提取其由热失控所导致的事故发生前，最后一个停车充电周期的单体电压时间序列数据，提取由各强关联特征值组成的特征样本集Fs；对特征样本集Fs执行聚类算法，输出聚类后各单体对应的安全状态或存在热失控风险分类标签，用于对存在热失控风险的单体电池实现自动标记定位；
步骤六、建立高斯混合模型用于计算特征样本集Fs中的各项特征的分布的概率似然；将待检测电动汽车全生命周期中任意第k个停车充电周期的单体电压时间序列数据输入高斯混合模型计算后，设定所有单体电池的特征样本对数似然最大的单体作为参考单体电池；计算其他单体电池的特征样本与参考单体电池之间的欧氏距离作为风险特征距离；遍历待检测电动汽车全生命周期中的K个停车充电周期的各单体电池累积风险特征距离，并设定相应阈值；
步骤七、根据风险特征距离、累积风险特征距离的变化趋势，判断热失控风险单体首次发生风险的时间及后续的风险演变规律。
2.如权利要求1所述的方法，其特征在于：步骤一中提取的所述单体电压时间序列数据V具体采用以下矩阵形式：
式中，M是电动汽车电池组中单体电池的数量，T是该充电周期时间序列的数据长度，数据的采集频率为10s/帧；
为每个单体电池的单体电压时间序列添加表示安全或故障状态的分类标签yi(i∈M)，得到以下分类标签集Y：
Y＝[y1,y2,...,yM]T
若任意单体电池为热失控事故单体电池，则其标签为1；若为安全单体电池，则标签为0。
3.如权利要求2所述的方法，其特征在于：步骤二中利用所述利用Tsfresh工具具体提取出每个单体电池电压时间序列的785项时频域特征数据，得到以下特征集F：
式中，fMN表示M号单体电池电压时间序列的第N项特征；
基于所述特征集F与分类标签集Y共同构建得到以下训练集D用于训练随机森林模型：
在步骤三中将分类标签集Y随机打乱得到新的分类标签集Y1后构建训练集D1＝[F,Y1]用于再次训练随机森林模型。
4.如权利要求3所述的方法，其特征在于：步骤四中基于所述信息增益fa和fn并采用以下重要度评分公式来筛选热失控风险强关联特征：
式中，percentile(fn,0.75)表示fn的75％分位数；
筛选保留特征集F中重要度得分imp_s大于0的w个特征项作为热失控风险强关联特征fs：
fs＝[fs1,fs2,...,fsw]。
5.如权利要求4所述的方法，其特征在于：步骤五中针对待检测电动汽车提取出以下由各强关联特征值组成的特征样本集Fs：
式中，fsMw表示该热失控电动汽车的M号单体电池电压时间序列数据的第w项热失控风险强关联特征；
对Fs进行聚类具体采用以下聚类算法模型：
首先，设置密度聚类模型的ε邻域参数范围列表和Minpts参数，遍历ε邻域参数范围列表，构建设置不同的ε邻域参数的聚类模型；
之后将Fs输入到不同的ε邻域参数的聚类模型中，通过以下公式计算各模型的轮廓系数s：
式中，s(i)表示第i个单体电池样本的轮廓系数；a(i)表示同一聚类簇内的不相似度，即该簇内所有样本到同簇内其他点的不相似度的平均值；b(i)表示不同聚类簇间的不相似度，即同一聚类簇中的所有样本到其他簇的平均不相似程度的最小值；
选取轮廓系数最高的聚类模型，输出其经过聚类之后对单体电池的标记结果Ycluster，如以下公式所示：
Ycluster＝[yc1,yc2,...,ycM]T
式中，yci表示该电动汽车的i号单体电池的热失控风险标签，若yci＝-1，表示聚类算法将该单体电池标记为热失控风险单体电池；若yci＝0，则表示聚类算法将该单体电池标记为安全单体电池。
6.如权利要求5所述的方法，其特征在于：步骤六中建立的高斯混合模型具体以p(x|θ)描述热失控风险强关联特征集Fs中各项特征分布的概率密度；其中，x表示统计样本的观测量，θ表示x所服从的分布，由g簇高斯分量组合而成；簇数g具体基于AIC和BIC准则确定最优值，θ的参数通过期望最大化法迭代获得；
所述高斯混合模型针对任意输入的第k个充电周期序列中各单体电池电压序列的统计特征，通过期望最大化法迭代获得具体分布参数：计算观测量xi来自第i簇高斯分量的概率，使得概率似然的对数达到最大，迭代计算使该算法收敛，最终获得各高斯分布θk及其对应权重αk；将所有单体电池的特征样本对数似然最大的r号单体作为参考单体电池，其各项热失控风险强关联特征集表示为：
Fsr＝[fsr1,fsr2,...,fsrw]
其他单体电池的各项热失控风险强关联特征则表示为：
Fsi＝[fsi1,fsi2,...,fsiw]
计算其他单体电池样本与参考单体电池样本之间的欧式距离：
执行以下归一化处理得到范围在[0,1]内的风险特征距离：
dsk＝[dsk1,dsk2,...,dskM]
遍历待检测电动汽车全生命周期中的K个停车充电周期得到以下风险特征距离矩阵Dsk：
相应的单体电池i的累积风险特征距离通过以下公式计算得到：
7.如权利要求6所述的方法，其特征在于：针对使用相同电池的不同电动汽车车型，通过以下归一化处理计算标准化累积风险特征距离以适应不同车型热失控风险识别的需要：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061378.8A CN117113232A (zh) | 2023-08-22 | 2023-08-22 | 一种电动汽车锂离子电池组热失控风险识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061378.8A CN117113232A (zh) | 2023-08-22 | 2023-08-22 | 一种电动汽车锂离子电池组热失控风险识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117113232A true CN117113232A (zh) | 2023-11-24 |
Family
ID=88808581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311061378.8A Pending CN117113232A (zh) | 2023-08-22 | 2023-08-22 | 一种电动汽车锂离子电池组热失控风险识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113232A (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 |
| CN117648589A (zh) * | 2024-01-30 | 2024-03-05 | 云储新能源科技有限公司 | 一种储能电池热失控预警方法、系统、电子设备及介质 |
-
2023
- 2023-08-22 CN CN202311061378.8A patent/CN117113232A/zh active Pending
Cited By (3)
| 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 |
| CN117648589A (zh) * | 2024-01-30 | 2024-03-05 | 云储新能源科技有限公司 | 一种储能电池热失控预警方法、系统、电子设备及介质 |
| CN117648589B (zh) * | 2024-01-30 | 2024-05-14 | 云储新能源科技有限公司 | 一种储能电池热失控预警方法、系统、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117113232A (zh) | 一种电动汽车锂离子电池组热失控风险识别方法 | |
| CN111614491B (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
| CN111398837A (zh) | 一种基于数据驱动的车用电池健康状态估计方法 | |
| CN113962259B (zh) | 一种燃料电池系统多模式双层故障诊断方法 | |
| CN113821976A (zh) | 一种基于集成算法的锂电池故障诊断建模方法 | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN114114039B (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
| CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
| CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
| CN110795690A (zh) | 风电场运行异常数据检测方法 | |
| EP4207432B1 (en) | Method and system for predicting thermal runaway of battery based on machine learning | |
| CN116298934B (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
| CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
| CN115097312A (zh) | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN114239384A (zh) | 一种基于非线性度量原型网络的滚动轴承故障诊断方法 | |
| CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
| CN115600143A (zh) | 储能锂电池故障诊断方法及装置 | |
| CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和系统 | |
| CN112327096B (zh) | 一种基于自适应策略的故障诊断信息融合方法及装置 | |
| CN111538752A (zh) | 基于车联网的车辆用途识别方法、系统及存储介质 | |
| CN117706377B (zh) | 一种基于自适应聚类的电池不一致性辨识方法和装置 | |
| CN113792610B (zh) | 一种谐波减速器健康评估方法及装置 | |
| CN118095038A (zh) | 一种基于风险积累识别高风险车辆方法 |
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 |