一种基于电池温度梯度变化监测电池状态的方法技术

本专利涉及一种基于温度梯度变化监测电池状态的方法，该方法由相应的应用架构、流程和计算模型组成。这种方法首先对电动汽车电池充电时的温度信息进行采集，然后基于采集到的温度信息生成温度梯度曲线。该温度梯度曲线可以用于后续一段时间内电池状态判断的依据。并对判断依据和结果进行不同角度的评估和优化，从而建立电动汽车电池状态预测的模型，优化电池的维修和更换，提高车主的安全性指标，进而达到系统性能和经济效益的平衡。达到系统性能和经济效益的平衡。达到系统性能和经济效益的平衡。

【技术实现步骤摘要】
一种基于电池温度梯度变化监测电池状态的方法


[0001]本专利技术涉及一种基于电池温度梯度监测电池状态方法的应用分析方法，应用的领域是进行电动汽车车辆电池热管理和健康评估。

技术介绍

[0002]随着电动汽车在中国的推广和车联网技术的应用，越来越多的电动汽车进入了消费者市场并且根据国家标准(GBT32960)实时采集了行车数据。动力电池作为电动汽车的动力来源，随着充放电次数和行驶里程的增加，电池的内部热性能也发生了变化，这个反应是典型的动态非线性的电化学系统，在线应用时内部参数是难以测量的，其退化状态识别和状态估计仍存在巨大挑战。
[0003]通过对动力电池电池组全电芯多点温度及连接点温度进行分析和监测，主要就是为了能够提高电池的利用率，防止电池出现过度充电和过度放电，可用于电动汽车、电瓶车、机器人和无人机等。在此基础上，可以实现对温度的管理和检测，同时对于电池热失控进行准确的预测。
[0004]本文采用一种利用电池充电时温度梯度信息作为参考的方法来进行电池状态的监测，在依赖于电动汽车全电芯多点温度及连接点温度数据采集的长周期情况下，从用车时温度变化速率偏离充电时获得参考速率的阈值的计算中，来挖掘电池健康状态信息及其演变规律，实现电池热失控预测。

技术实现思路

[0005]为了解决这个问题，本专利技术提供了一种数据驱动的电池状态监测方法，就是基于大数据建立电动汽车电池状态监测的应用分析系统。所述方法包括：
[0006]数据准备步骤，进行电池温度的测量，对每个电芯表面进行多点测温作为预测数据的基础，并获取其他与电动汽车电池使用相关的数据。
[0007]温度特征序列的提取步骤，基于多点的温度测量数据，提取大数据预测SOH的特征变量。基于温度提取的特征变量将作为大数据预测SOH的数据基础。同时，基于多点测温的数据样本量比采用单一的内部测温法得到的数据量更加丰富，也体现了多点测温的优势。
[0008]SOH序列的获取步骤，以计算得到的SOH序列大部分被作为模型训练的数据，使上述温度相关的特征序列与目标SOH序列进行拟合。另一部分SOH序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
[0009]学习算法的选择，通过深度学习的方法(例如LSTM)或者集成学习方案(例如，XGBoost)，将以上提取的相关特征序列与目标SOH进行拟合。
[0010]建立模型步骤，基于特征化后的数据建立电池热失控预测模型，采用特征化后得到的梯度信息作为参考目标，来判断电池的状态；电池使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正；通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正；
所述数据构建包括，按照时间的顺序将搜集到的数据进行整合；
[0011]训练验证步骤，选择合适的阈值，在确定了电池充电时温度梯度信息作为判断依据，后续用车时电池温度变化的速率与判断依据相比较，选择合适的阈值，当电池温度变化速率与判断依据的差值大于阈值时，电池工作出现异常；
[0012]算法评估步骤，基于合适的阈值，评估数据的预测结果。
[0013]本方法在电动汽车电池管理中确定了电池状态监测的问题，针对该核心问题进行数据的获取和标定、以及进行数据整合和特征工程，明确数据定义并进行初步处理，通过预定义的规则进行特征和标签的定义。最后是进行模型训练和评估，通过数据导入，利用大数据的不同模型，选择不同算法进行匹配验证，并进行发布，成为结构化的产品，并随着时间累积和数据丰富，模型的预测准确性会不断提升。
附图说明
[0014]图1是电动汽车电池状态监测实施方式；
[0015]图2是本专利技术的系统结构框图；
[0016]图3是本专利技术的大数据机器学习框图；
[0017]图4是本专利技术中滚动聚合原理图。
具体实施方式
[0018]结合下图对本专利的具体实施方式进行详细说明，需要指出的是，该具体实施方式仅仅是对本专利技术优选技术方案的举例，并不能理解为对本专利技术保护范围的限制。
[0019]图1示出了本专利具体实施方式中的一种电动汽车电池状态监测的步骤。其中：
[0020]数据准备步骤，对每个电芯表面进行多点测温并获取与电动汽车电池使用相关数据。
[0021]在本步骤中，采用对每个电芯表面进行多点测温作为预测数据的基础，因为在缺乏电池生产经验的条件下，通过向电池内置测温光纤/热电偶以获得电池内部温度的方法不仅会对电池造成不确定性的损坏，还会影响预测结果。其中，所述电动汽车电池的数据包括电动汽车的监控数据，监控数据每秒采集一次，在电动汽车的不同整车状态中，例如行驶、充电过程中，都会产生。所述电池的监控数据包括在正常使用时与电池相关的温度信息。
[0022]序号原始字段描述1VIN表示车辆的唯一标识码2采集时间时间戳，正常采集频率为10秒3车辆工况车辆的工作状态，包括地面行驶、高速行驶、充电等4电芯采集点温度采集的每个电芯4
‑
5个温度检测点的温度5电池热故障信息电池热相关故障采集的故障类型和发生时间
[0023]温度特征序列的提取步骤，基于多点的温度测量数据，提取大数据预测SOH的特征变量。
[0024]在本实施方式中，由于主要是基于数据处理实现的，保证高质量的数据有利于提高结果的准确性，因此需要对采集的数据进行数据整理。温度特征数据提取主要包括：
[0025]在充电过程中，对每个单体的多个测温点进行温度提取，主要是提取温度的差值序列、上升速度序列、熵序列等；在充电过程中，提取不同单体之间的平均温度的差值序列、上升速度序列、熵序列等；在充电过程中，分别在单体所有的测温点和不同单体个体的平均温度下，提取单位SOC的温度增量序列；以上述基于温度提取的特征变量将作为大数据预测SOH的数据基础。同时，基于多点测温的数据样本量比采用单一的内部测温法得到的数据量更加丰富，也体现了多点测温的优势。
[0026]SOH序列的获取步骤，以计算得到的SOH序列大部分被作为模型训练的数据，使上述温度相关的特征序列与目标SOH序列进行拟合。另一部分SOH序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
[0027]由于在后续的处理步骤中需要对数据进行处理和计算，为了便于计算和识别数据的特征，首先需要对整理后的数据进行特征化以便于显现所述数据的各种特征从而便于计算和识别。
[0028]在本步骤中，首先，基于传统的安时积分法测量每次充电的容量(选择固定电压区间)；然后，基于每次充电的容量进行一些异常值的剔除；最后，对容量数据进行滑动平均，得到SOH序列。
[0029]以上计算得到的SOH序列大部分被作为模型训练的数据，使上述温度相关的特征序列与目标SOH序列进行拟合。另一部分SOH序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
[0030]学习算法的选择，通过深度学习的方法(例如LSTM)或者集成学习方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电池温度梯度变化监测电池状态的方法，所述方法如下：数据准备步骤，进行电池温度的测量，对每个电芯表面进行多点测温作为预测数据的基础，并获取其他与电动汽车电池使用相关的数据。温度特征序列的提取步骤，基于多点的温度测量数据，提取大数据预测SOH的特征变量。基于温度提取的特征变量将作为大数据预测SOH的数据基础。同时，基于多点测温的数据样本量比采用单一的内部测温法得到的数据量更加丰富，也体现了多点测温的优势。SOH序列的获取步骤，以计算得到的SOH序列，大部分被作为模型训练的数据，使上述温度相关的特征序列与目标SOH序列进行拟合。另一部分SOH序列作为该拟合方法的验证数据，以检验模型的鲁棒性。学习算法的选择，通过深度学习的方法(例如LSTM)或者集成学习方案(例如，XGBoost)，将以上提取的相关特征序列与目标SOH进行拟合。建立模型步骤，基于特征化后的数据建立电池热失控预测模型，采用特征化后得到的梯度信息作为参考目标，来判断电池的状态；训练验证步骤，通过电池温度的梯度信息作为判断依据，判断电池工作状态，并与实际电池工作状态做对比，来优化判断的阈值；算法评估步骤，评估数据基于温度梯度信息在不同判断阈值下的预测结果，基于评估选择最优的判断方法；其中判断的实际校验值计算通过捕捉电池监控信息获得。2.根据权利要求1所述的一种基于车用阶段动力电池温度测试数据...

【专利技术属性】
技术研发人员：常伟，
申请(专利权)人：常伟，
类型：发明
国别省市：