发明专利技术公开了一种储能电池热失控实时预警及长短期故障预测方法，该方法通过跟踪实时数据变化，发现电池单体电压异常，借助多种衡量指标，构建加性模型，根据数据表现中的异常情况实时预警电池热失控的风险；同时在长短期预测层面，本专利构建集成模型进行热失控长期预警，通过记录跟踪电池未来一段时间内的离线数据，记录截止电压出现跳变的情况，并采取信息熵构建单体一致性的判断模型，最后采用实时SOC和历史充电行为进行风险因素评估，计算热失控风险系数，本专利从实时和长短期预警的层面，可跨越不同时间周期对储能系统电池热失控故障进行有效预测，可有效降低因热失控原因导致的风险损失，具有较高的理论意义和应用价值。值。值。
【技术实现步骤摘要】
一种储能电池热失控实时预警及长短期故障预测方法
[0001]本专利技术涉及一种储能电池热失控
，特别涉及一种储能电池热失控实时预警及长短期故障预测方法。
技术介绍
[0002]对于新能源锂电池来说，储能系统电池最容易发生的危险事故是热失控，电池的热失控是指结温过高引起的自燃现象，它是双极型晶体管中常见的电热正反馈。如果电池的温升达到一定的阈值，电池的工作状态就会完全失控，导致电池内部温度直线上升，甚至发生燃烧和爆炸，对储能系统而言，电池包内的某个单体电芯温度异常自燃后，引起整个电池包的燃烧，进而导致整个储能系统产生巨大风险甚至瘫痪。因此，实时监测储能系统电池热失控的相关数据指标，对电池热失控现象进行预警非常重要。
[0003]现有研究中关于储能电池热失控故障预测的研究方法较为丰富，其应用也较为广泛，在采用传感器或其他采集设备获取到储能电池包内单体电芯中与热失控故障相关的特征后，采用主流的机器学习模型针对过往的样本特征数据进行训练，并在此基础上进行实时预警和长短期预测预测，选取与热失控故障发生相关性较强的一种或几种特征进行数据采集与预处理，并进行预测，此类研究方法较为丰富，但是针对实时预警和长短期预警的集成的预测方案研究较少。
[0004]本专利的研究目标主要包括两大部分：实时预警算法与长短期潜在热失控故障预测模型两大部分来进行热失控故障的风险评估，以期在短时间内实现热失控故障预警、风险评估与方案应对。
技术实现思路
[0005]本专利技术的主要目的在于提供了一种储能电池热失控实时预警及长短期故障预测方法。
[0006]为实现上述目的，本专利技术采取的技术方案为：
[0007]一种储能电池热失控实时预警及长短期故障预测方法，包括：
[0008]实时预警：根据实时数据变化发现单体电压异常的情况，并进行实时预警与单体筛选，建立综合电压密度，温度密度，电流分布，熵增，SOC过充风险值在内的多种衡量指标的加性模型，根据数据变化，借助该模型评估大量指标数据中可能出现的异常情况，从而构建实时热失控风险预警算法模型；
[0009]长短期故障预测：根据存在潜在热失控风险的情况，记录并跟踪该类电池在未来较长时间内的数据情况，针对所记录的离线数据，如截止电压出现跳变的情况，预测其可能在未来较长时间内发生的故障，根据潜在风险存在的程度等级，来预测未来可能发生热失控故障的可能时间，从而实现长短期情况下的提前预警，为真实场景下的储能系统电池热失控风险故障提供更多的机动时间，进而高度降低灾害发生的可能性；
[0010]其实时热失控风险预警和算长短期故障预测的方法为：(1)基于实时测量获取的
储能电池电压和温度等特征数据，以及用于长短期预测模型的离线记录特征数据；
[0011](2)根据热失控的预测目标，选取融合多种子模型的加性模型构建实时报警模型，选取基于概率密度的电压和温度的逻辑回归模型，基于信息熵的单体一致性确定模型，基于实时SOC和历史充电行为的风险评估模型，基于驾驶行为的风险修正模型进行短期的预测；采用多种特征集成的模型进行热失控的长期预警；
[0012](3)对电压温度的多种特征数据划分测试集和训练集；
[0013](4)训练所述实时预警及长短期预测模型，并分别进行评价。
[0014]进一步的，所述实时热失控风险预警算法模型为多个子模型的融合，其子模型包括用于实时预警的加性模型，电压温度逻辑回归模型，用于短期告警的熵模型，基于实时SOC和历史充电行为的风险因素评估，用于短期告警的门控模型和用于长期预警的多维特征集成模型。
[0015]进一步的，所述实时预警的加性模型为根据不同的影响因素，采用不同的机器学习算法建立子模型，并根据实际单体电芯中正常采集的数据进行热失控测试和效果评估，再进行基本的数据预处理和特征提取后，确定加性模型作为实时报警模型，该实时报警模型为：
[0016]Score1＝β1*V
d
+β2*T
d
+β3*C
d
+β4*E
a
+β5*S
OC
[0017]其中表示电压密度，表示温度密度，表示电流分布，表示熵一致性情况，表示SOC过充电风险的因素。
[0018]进一步的，所述模型包含四个部分：基于概率密度的电压模型，基于概率密度的温度模型，基于信息熵的一致性确定模型，基于实时SOC和历史充电行为的风险评估模型。
[0019]进一步的，所述电压温度逻辑回归模型包括电压，温度，驾驶行为和熵模型，对于电压和温度两个指标的衍生特征：(1)CellVoltage所有单体电压，(2)CellVoltageDiff所有单体电压差值，(3)CellVoltageDelta单体电压极差，(4)InnerVoltage内部总电压，(5)HIghVoltage最高电压，(6)LowVoltage最低电压，(7)CellTemp所有测温点，(8)CellTempDiff所有测温点差值，(9)CellTempDelta测温点极差，(10)HIghTemp最高温度(，11)LowTemp最低温度；
[0020]特征(1)
‑
(3)表示单体电压值、单体电压差、下一时刻与上一时刻相比的单体电压差，(4)
‑
(6)分别表示总电压值、最高电压值和最低电压值，(7)
‑
(11)与(1)
‑
(6)类似，表示单体温度条件。
[0021]进一步的，所述短期告警的熵模型包括熵模型，将单体的电压和温度测量点的信息熵合并为二维坐标中的一个点，每个数据都会有一个电压温度信息熵组成的点，然后将正常单体电芯得到的点的数据输入OneClassSvm算法模型，训练出一个包含所有正常数据的点，当一个新的数据点被传入时，由该模型来判断它是一个正常点(>0)还是一个异常点(<0)，熵的计算公式为：。
[0022]进一步的，所述基于实时SOC和历史充电行为的风险因素评估的方法：针对当前SOC，只处理当前SOC大于或等于90的数据，如果不是，直接返回0，第二个是历史上过度充电的次数，根据当前SOC在90到100之间的数值，将为其赋不同的风险系数。然后根据历史上不同的过冲次数来计算不同级别的电池损耗，最后结合这两个指标计算出最终系数。
[0023]进一步的，所述用于短期告警的门控模型为使用多个限制门和自由门来判断当前
时刻电池是否处于热失控状态，为使模型性能最大化，设定第一个门控时，需选择最严苛的条件，将绝大部分数据挡在门外；模型中第一个门一般来说是能直接区分正样本的，但是由于负样本中，也存在少量异常的数据，为过滤这些异常数据，就需要更多的门去把控，其主要规则如下：1)门控模型就是由多个限制门和自由门组成；2)每个限制门和自由门都是由一个规则构成；3)若当前信息在所有的限制门内都通过，即为1，否则为0；4)若在通过限制门的过程中，通过了任意的自由门，则也为1。...
【技术保护点】
【技术特征摘要】
1.一种储能电池热失控实时预警及长短期故障预测方法，其特征在于包括：实时预警：根据实时数据变化发现单体电压异常的情况，并进行实时预警与单体筛选，建立综合电压密度，温度密度，电流分布，熵增，SOC过充风险值在内的多种衡量指标的加性模型，根据数据变化，借助该模型评估大量指标数据中可能出现的异常情况，从而构建实时热失控风险预警算法模型；长短期故障预测：根据存在潜在热失控风险的情况，记录并跟踪该类电池在未来较长时间内的数据情况，针对所记录的离线数据，如截止电压出现跳变的情况，预测其可能在未来较长时间内发生的故障，根据潜在风险存在的程度等级，来预测未来可能发生热失控故障的可能时间，从而实现长短期情况下的提前预警，为真实场景下的储能系统电池热失控风险故障提供更多的机动时间，进而高度降低灾害发生的可能性；其实时热失控风险预警和算长短期故障预测的方法为：(1)基于实时测量获取的储能电池电压和温度等特征数据，以及用于长短期预测模型的离线记录特征数据；(2)根据热失控的预测目标，选取融合多种子模型的加性模型构建实时报警模型，选取基于概率密度的电压和温度的逻辑回归模型，基于信息熵的单体一致性确定模型，基于实时SOC和历史充电行为的风险评估模型，基于驾驶行为的风险修正模型进行短期的预测；采用多种特征集成的模型进行热失控的长期预警；(3)对电压温度的多种特征数据划分测试集和训练集；(4)训练所述实时预警及长短期预测模型，并分别进行评价。2.根据权利要求1所述的一种储能电池热失控实时预警及长短期故障预测方法，其特征在于：所述实时热失控风险预警算法模型为多个子模型的融合，其子模型包括用于实时预警的加性模型，电压温度逻辑回归模型，用于短期告警的熵模型，基于实时SOC和历史充电行为的风险因素评估，用于短期告警的门控模型和用于长期预警的多维特征集成模型。3.根据权利要求2所述的一种储能电池热失控实时预警及长短期故障预测方法，其特征在于：所述实时预警的加性模型为根据不同的影响因素，采用不同的机器学习算法建立子模型，并根据实际单体电芯中正常采集的数据进行热失控测试和效果评估，再进行基本的数据预处理和特征提取后，确定加性模型作为实时报警模型，该实时报警模型为：Score1＝β1*V
d
+β2*T
d
+β3*C
d
+β4*E
a
+β5*S
OC
其中V
d
表示电压密度，T
d
表示温度密度，C
d
表示电流分布，E
a
表示熵一致性情况，S
OC
表示SOC过充电风险的因素。4.根据权利要求3所述的一种储能电池热失控实时预警及长短期故障预测方法，其特征在于：所述Score1模型包含四个部分：基于概率密度的电压模型，基于概率密度的温度模型，基于信息熵的一致性确定模型，基于实时SOC和历史充电行为的风险评估模型。5...
【专利技术属性】
技术研发人员：董利波，张迪，鲁浩，
申请(专利权)人：苏州生利新能能源科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。