一种基于概率分布的锂电池组内异常单体检测方法技术

本发明专利技术提供了一种基于概率分布的锂电池组内异常单体检测方法，通过对单体的充电电压数据进行统一的统计特征提取，并对相应统计值执行后续聚类分析，避免了对单体电压逐帧采集的现有处理方式，显著降低了计算成本。方法中所采用的高斯混合模型属于无监督聚类，相比现有技术中所采用的K

【技术实现步骤摘要】
一种基于概率分布的锂电池组内异常单体检测方法


[0001]本专利技术属于锂电池故障诊断
，具体涉及一种基于概率分布的锂电池组内异常单体检测方法。

技术介绍

[0002]目前，组成车用动力电池组的单体锂电池由于出厂及后续使用中的个体差异，常会出现内阻、容量、性能等不一致的现象，且随着服役时间与充放电循环的不断累积电池组中单体不一致性会进一步加剧，从而导致电池寿命减低、性能下降以及多种安全问题，严重时还可能引发热失控甚至是失火风险，因此有必要针对电池组内的异常单体进行及早发现，提前消除安全隐患。
[0003]由于实车运行中锂电池具有典型非线性单元系统的特点，系统状态保持实时变化，但可收集的用于异常单体检测的数据则十分有限，同时现有电池管理系统受限于计算能力尚无法通过扫描锂电池内部结构或测算内阻等方式实现异常检测，许多现有技术还难以在实车中应用。譬如，在现有技术专利CN111007401A、CN115099282A、CN109165687A、CN111090050A中分别利用电池试验样本数据结合相应的机器学习算法来实现异常单体检测，但这些方案对于试验数据的数量与质量均存在较强的依赖性，无法满足实车应用的实时性与精确性要求，且会对电池管理系统带来了较大的计算和存储压力。因此，如何提供能够有效利用少量数据和计算资源实现适用于实车使用且精确的锂电池组内异常单体检测方案，是本领域中迫切需要解决的技术问题。

技术实现思路

[0004]有鉴于此，针对本领域中存在的技术问题，本专利技术提供了一种基于概率分布的锂电池组内异常单体检测方法，具体包括以下步骤：
[0005]步骤一、针对实车锂电池组中的各电池单体，利用传感器采集充电时的充电电压数据；
[0006]步骤二、基于SOC将每次充电过程分割为多个充电片段，对相同充电片段中各电池单体的充电电压数据进行统计，并计算每个电池单体在该充电片段与时间序列对应的以下六个统计值：后续相邻时间序列电压差的平均值、标准差、三阶标准化矩也即偏度、峰度、自回归过程的无条件最大似然以及样本绝对傅里叶变换谱的峰度；
[0007]步骤三、建立高斯混合模型p(x|θ)描述各统计值分布的概率密度：其中x表示统计样本的观测量，θ表示x的符合的分布，由k簇高斯分量组合而成；簇数k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(EM法)迭代获得；
[0008]提取任意充电周期中各单体产生的所述统计值，通过期望最大化法(EM法)迭代获得具体分布参数：计算观测量x
i
来自第k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θ
k
及其对
应权重α
k
；
[0009]使用根据上述算法获得的高斯混合模型，对电池单体产生的统计值进行聚类分析，并计算统计值对于高斯混合模型的对数似然；若有单体出现明显离群，则认为该单体可能出现异常；
[0010]步骤四、对于任意一个统计值，基于该统计值大小与利用步骤三计算的该统计值的对数似然大小分别建立横纵坐标轴，确定各电池单体的相应坐标；将对数似然值最大的单体坐标作为原点，分别计算其他单体与所述原点之间的欧氏距离；
[0011]步骤五、针对各单体绘制车辆运行期间其欧氏距离的变化曲线，设置滑动窗口并计算滑动窗口范围内的所述曲线的积分面积；判断积分面积是否超过设定阈值，如果是将相应电池单体识别为异常单体，否则识别为正常单体。
[0012]进一步地，步骤一中对各电池单体的充电电压数据具体利用Python的Tsfresh工具库提取计算。
[0013]进一步地，步骤二中计算的所述后续相邻时间序列电压差的平均值具体基于以下公式计算：
[0014][0015]式中，n为后续时间序列帧数；
[0016]所述自回归过程的无条件最大似然X
t
具体基于以下公式计算：
[0017][0018]式中，为自回归系数，ε
t
为随机扰动项，k为自回归过程的最大滞后阶数。
[0019]进一步地，步骤三中建立的高斯混合模型具体采用以下形式：
[0020][0021]式中，K为模型中包含的高斯分量个数也即簇数，为高斯分布θ
k
的概率密度，θ
k
服从均值为μ
k
方差为σ
2k
的高斯分布，θ
k
对应的权重α
k
满足：
[0022][0023]对于样本i的观测量x
i
，定义其属于第k簇高斯分量的似然为：
[0024]p(z
i
＝k∣θ)
[0025]式中，z
i
表示样本所属的高斯分布分模型；
[0026]则样本i的似然可由所有分模型的似然相乘得到：
[0027][0028]相应的对数似然为：
[0029][0030]进一步地，执行EM最大似然估计算法的聚类具体包括以下期望步骤(E
‑
step)与最大化步骤(M
‑
step)：
[0031]首先通过期望步骤计算观测量x
i
来自第k簇高斯分量的概率：
[0032][0033]再通过最大化步骤针对使所述对数似然LL(θ)最大迭代计算以下参数：
[0034][0035][0036][0037]其中N是观测样本的数量，t为迭代的时间步；
[0038]上述过程中对于最佳的簇数k分别基于以下AIC和BIC准则在1
‑
5的范围内确定最优值：
[0039]AIC＝
‑
2ln(L)+2k
[0040]BIC＝
‑
2ln(L)+ln(n)
·
k
[0041]式中，L为似然函数，n为样本个数。
[0042]进一步地，步骤三中根据离群个数，具体将三个以上统计值发生离群的电池单体识别为异常单体，将两个统计值发生离群的电池单体识别为存在风险的单体，将一个以下统计值离群的电池单体识别为正常单体。
[0043]上述本专利技术所提供的基于概率分布的锂电池组内异常单体检测方法，通过对单体的充电电压数据进行统一的统计特征提取，并对相应统计值执行后续聚类分析，避免了对单体电压逐帧采集的现有处理方式，显著降低了计算成本。方法中所采用的高斯混合模型属于无监督聚类，相比现有技术中所采用的K
‑
means聚类方法，能够更加平滑地拟合不同分布形式且具有更高的精确度。本专利技术的方法对于目前车用电池组中数百个单体的规模更佳
适用，得到统计值分布相对集中，更易于处理，从而使拟合分类简化并提供更快的处理速度与更高的计算效率。
附图说明
[0044]图1为本专利技术所提供方法的流程示意图；
[0045]图2为基于本专利技术的实例中通过对统计值绝对傅里叶变换谱峰度聚类识别异常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于概率分布的锂电池组内异常单体检测方法，其特征在于：具体包括以下步骤：步骤一、针对实车锂电池组中的各电池单体，利用传感器采集充电时的充电电压数据；步骤二、基于SOC将每次充电过程分割为多个充电片段，对同一充电片段中各电池单体的充电电压数据进行统计，并计算每个电池单体在该充电片段与时间序列对应的以下六个统计值：后续相邻时间序列电压差的平均值、标准差、三阶标准化矩也即偏度、峰度、自回归过程的无条件最大似然以及样本绝对傅里叶变换谱的峰度；步骤三、建立高斯混合模型p(x|θ)描述各统计值分布的概率密度：其中x表示统计样本的观测量，θ表示x的符合的分布，由k簇高斯分量组合而成；簇数k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(EM法)迭代获得；提取任意充电周期中各单体产生的所述统计值，通过期望最大化法(EM法)迭代获得具体分布参数：计算观测量x
i
来自第k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θ
k
及其对应权重α
k
；使用根据上述算法获得的高斯混合模型，对电池单体产生的统计值进行聚类分析，并计算统计值对于高斯混合模型的对数似然；若有单体出现明显离群，则认为该单体可能出现异常；步骤四、对于任意一个统计值，基于该统计值大小与利用步骤三计算的该统计值的对数似然大小分别建立横纵坐标轴，确定各电池单体的相应坐标；将对数似然值最大的单体坐标作为原点，分别计算其他单体与所述原点之间的欧氏距离；步骤五、针对各单体绘制车辆运行期间其欧氏距离的变化曲线，设置滑动窗口并计算滑动窗口范围内的所述曲线的积分面积；判断积分面积是否超过设定阈值，如果是将相应电池单体识别为异常单体，否则识别为正常单体。2.如权利要求1所述的方法，其特征在于：步骤一中对各电池单体的充电电压数据具体利用Python的Tsfresh工具库提取计算。3.如权利要求1所述的方法，其特征在于：步骤二中计算的所述后续相邻时间序列电压差的平均值具体基于以下公式计算：式中，n为后续时间序列帧数；所述自回归过程的无条件最大似然X
t

【专利技术属性】
技术研发人员：王震坡，王舒慧，程夕明，张章，张照生，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：