一种新能源汽车电池系统的单体差异风险智能识别方法技术方案

一种新能源汽车电池系统的单体差异风险智能识别方法，该方法依据国标GB/T32960规定的SOC、充电状态、最高电压电池单体代号、电池单体电压最高值、最低电压电池单体代号、电池单体电压最低值供六项数据，通过统计极差及极差出现的电池单体、构建差异矩阵，结构化差异特征；在观测窗口内对极差矩阵进行累积，消除异常值的影响；利用历史影响窗口内的平均值对其进行方所，突出一致性异常变化；构建安全风险信号，计算得到安全风险特征向量；构建逻辑回归模型，实现安全风险智能识别。本发明专利技术所述方法具有实时性高，对数据要求简单，能实现对各电池的差异量化和安全风险的智能识别的优点。点。点。

【技术实现步骤摘要】
一种新能源汽车电池系统的单体差异风险智能识别方法


[0001]本专利技术涉及动力电池
，特别涉及一种新能源汽车电池系统的单体差异风险智能识别方法。

技术介绍

[0002]新能源汽车(电动车)出现事故、尤其是起火事故，大多数都是因动力电池出现故障而引起的。在实际应用中，可以通过BMS(电池管理系统)监控获取的各项指标来分析电池包内部状态，进而实现新能源汽车的安全预警和风险评估。
[0003]汽车应用中将很多个独立的电池单体串联起来形成蓄电池组，形成电池包，各电池单体作为电池包中的最小监控单元，电池包内部状态的恶化往往通过各电池单体之间性能的不一致性表现出来，因此，分析电池包的风险状态可以通过分析各电池单体性能是否一致来实现。由于每个电池单体受工艺限制，各电池内阻、连接处阻值、内部杂质等均有所差别，因此各电池单体在出厂时的初始状态就各不相同，但是这些不一致是其固有的理化性质决定的，可认为这种不一致性是稳定的，通常不会导致事故发生。目前，常用的分析电池包内部电池单体一致性的方法有：分析电池单体电压拨动不稳定性的信息熵方法，基于等效电路模型计算内阻识别内短路的内阻法，基于大量实例进行有监督机器学习构建分析模型的特征分析法等，但是，这些方法都存在诸如事故车与正常车区分度小、数据质量要求高、运算量大等缺陷。

技术实现思路

[0004]本专利技术的目的是针对现有技术的不足，提供一种新能源汽车电池系统的单体差异风险智能识别方法，其实时性高，对数据要求简单，能实现对各电池的差异量化和安全风险的智能识别。<br/>[0005]本专利技术的技术方案是：一种新能源汽车电池系统的单体差异风险智能识别方法，具体步骤如下：
[0006]1)数据采集：实时采集车辆运行中的六项运行参数soc
i
(i时刻的电池电量)，status
i
(i时刻的充放电状态)，umax
i
(i时刻的最高电压值)，umin
i
(i时刻的最低电压值)，smax
i
(i时刻的电压最高单体序号)，smin
i
(i时刻的电压最低单体序号)，以上数据均为具有时标的时变数据；
[0007]2)电池单体不一致性特征结构化：定义极差矩阵A
m
×
n
：
[0008]A
m
×
n
＝(a
ij
)∈R
m
×
n
[0009]其中
[0010]式中，m表示电池包中电池单体的数量，n表示有效数据的数量，a
ij
表示极差矩阵第i行第j列的元素，R
m
×
n
表示m行n列的实数矩阵；
[0011]3)电池单体不一致性的量化：
[0012]3‑
1)根据历史数据，设置滤波器f；
[0013]3‑
2)将极差矩阵与滤波器f做卷积，得到用于反映电池包当前不一致性的差异矩阵D
m
×
n
＝cov(A,f)，计算公式如下，
[0014][0015]式中，d
ij
表示差异矩阵第i行第j列的元素，f
i
表示滤波器的第i个元素，a
i+1
‑
k,j
表示极差矩阵第i+1
‑
k行第j列的元素，l表示历史观察窗口长度；
[0016]4)电池单体不一致性的异常改变识别：基于历史影响窗口内L条数据的均值和标准差实现对差异矩阵的放缩，得到相对差异矩阵D
′
，计算公式如下，
[0017][0018]式中，d
′
ij
表示相对差异矩阵第i行第j列的元素，D
ij
表示差异矩阵，x
ij
表示历史影响窗口内L条数据的均值，S
ij
表示历史影响窗口内L条数据标准差；
[0019]5)不一致性安全风险的特征信号构建：根据采样频率Fs设定第i个电芯第j个时刻的安全风险信号为a
ij
，提取安全风险信号的均值μ
ij
、标准差σ
ij
、峰度K
ij
、整流平均值波形因子峰值因子信息熵H(a
ij
)，得到其安全风险特征α
ij
，其中：：
[0020]a
ij
＝(D
′
i,j
‑
600*Fs+1
,D
′
i,j
‑
600*Fs+2
,
…
,D
′
i,j
)，
[0021][0022]6)电池系统安全风险的风险智能识别：使用事故车的问题电芯事故前3小时的安全风险特征作为风险训练集，使用正常车的电芯和事故车的正常电信的安全风险特征作为安全训练集，训练非线性逻辑回归分类模型，从而实现电池系统安全风险的风险智能识别。
[0023]进一步地，步骤3
‑
1)中，滤波器f为长度是2l，标准差为σ＝2l/3.75的一阶半高斯滤波器，计算公式如下，
[0024]f＝(f1,f2,
…
,f
l
),其中
[0025]式中，l为设定的历史观察窗口长度，用于观察某时刻时观察窗口内的历史数据。
[0026]进一步地，步骤4)中，历史影响窗口内L条数据的均值和标准差按以下公式计算，
[0027][0028][0029]式中，L表示历史影响窗口长度，Avg
m
×
n
表示历史影响窗口内L条数据的均值，S
m
×
n
表示历史影响窗口内L条数据的标准差。
[0030]进一步地，步骤5)中，第i个电芯第j个时刻的安全风险特征包括均值、标准差、峰
度、整流平均值、波形因子、峰值因子、信息熵，按以下公式计算，
[0031][0032][0033][0034][0035][0036][0037][0038]式中，D
′
表示差异矩阵，a
ij
表示第i个电芯第j个时刻的安全风险信号。
[0039]采用上述技术方案的有益效果：
[0040]1.本方法对数据要求低：仅使用国标数据即可进行计算，不要求数据采集频率高，不要求数据严格连续，也不需要单体电压值即可实现精确到电芯的安全预警。
[0041]2.本方法能够对电池单体实现差异量化：构建差异矩阵的过程即实现了电池包内部不一致性的量化，矩阵中各元素的大小即是量化的各电池单体不一致性的大小。
[0042]3.本方法基于统计模型，实现方法简单：在特征提取阶段不需要进行大量机器学习，生产环境中对原始数据进行数学计算后即可带入模型进行风险识别。
[0043]4.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新能源汽车电池系统的单体差异风险智能识别方法，其特征在于具体步骤如下：1)数据采集：实时采集车辆运行中的六项运行参数soc
i
(i时刻的电池电量)，status
i
(i时刻的充放电状态)，umax
i
(i时刻的最高电压值)，umin
i
(i时刻的最低电压值)，smax
i
(i时刻的电压最高单体序号)，smin
i
(i时刻的电压最低单体序号)，以上数据均为具有时标的时变数据；2)电池单体不一致性特征结构化：定义极差矩阵A
m
×
n
：A
m
×
n
＝(a
ij
)∈R
m
×
n
其中式中，m表示电池包中电池单体的数量，n表示有效数据的数量，a
ij
表示极差矩阵第i行第j列的元素，R
m
×
n
表示m行n列的实数矩阵；3)电池单体不一致性的量化：3
‑
1)根据历史观查窗口l，设置滤波器f；3
‑
2)将极差矩阵与滤波器f做卷积，得到用于反映电池包当前不一致性的差异矩阵D
m
×
n
＝cov(A,f)，计算公式如下，式中，d
ij
表示差异矩阵第i行第j列的元素，f
i
表示滤波器的第i个元素，a
i+1
‑
k,j
表示极差矩阵第i+1
‑
k行第j列的元素，l表示历史观察窗口长度；4)电池单体不一致性的异常改变识别：基于历史影响窗口内L条数据的均值和标准差实现对差异矩阵的放缩，得到相对差异矩阵D
′
，计算公式如下，式中，d
′
ij
表示相对差异矩阵第i行第j列的元素，D
ij
表示差异矩阵，x
ij
表示历史影响窗口内L条数据的均值，S
ij
表示历史影响窗口内L条数据标准差；5)不一致性安全风险的特征信号构建：根据采样频率Fs设定第i个电芯第j个时刻的安全风险信号为a
ij
，提取安全风险信号的均值μ
ij
、标准差σ
ij

【专利技术属性】
技术研发人员：杨若浩，刘惠强，徐明禹，钟灵杰，姜国翠，钟波，
申请(专利权)人：重庆电信系统集成有限公司，
类型：发明
国别省市：