CN114036647A - 一种基于实车数据的动力电池安全风险评估方法 - Google Patents
一种基于实车数据的动力电池安全风险评估方法 Download PDFInfo
- Publication number
- CN114036647A CN114036647A CN202111442183.9A CN202111442183A CN114036647A CN 114036647 A CN114036647 A CN 114036647A CN 202111442183 A CN202111442183 A CN 202111442183A CN 114036647 A CN114036647 A CN 114036647A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- vehicle
- value
- voltage
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及基于实车数据的动力电池安全风险评估方法,数据准备阶段:获取运行数据;数据整理与特征提取阶段:对运行数据进行数据预处理,并提取相关特征;算法模型构建阶段:根据所提取的相关特征数据以LSTM模型和等效电路模型通过Adaboost算法对其进行耦合构建算法模型;算法模型预测阶段:以所构建的算法模型对无风险纯电动汽车数据进行训练,通过训练好的模型对有风险纯电动汽车的正常电压进行预测;安全风险评估阶段。利用大数据技术和机器学习与统计学习算法并结合等效电路模型的在线参数识别方法从车辆数据和电池数据中充分挖掘其中隐藏的电池正常电压信息及其变化规律,从而根据正常电压与实际电压偏移度来进行安全风险评估。
Description
技术领域
本发明涉及纯电动汽车动力电池安全风险评估领域,具体涉及一种基于实车数据的动力电池安全风险评估方法。
背景技术
汽车行业正以电动化、网联化、智能化、共享化为代表的新“四化”为发展方向,越来越多的电动汽车进入了消费者市场,但是也由此产生了很多安全问题,据不完全统计,仅在2020年全年,国内就发生了100多起的新能源汽车自然的事故,这样一来电动车汽车的安全问题就显得尤为重要,但是目前对纯电动汽车的电池进行安全风险评估还存在着不小的挑战。
动力电池的安全风险评估,是对汽车运行过程中的风险进行合理的评估从而为驾驶员提供指引并判断是否能继续安全行车。动力电池的安全风险不仅与电池内部的电化学***和电池的制造工艺有关,还与车辆的行驶状态、使用环境以及电池内部的环境有关。
发明内容
本发明的目的在于提供一种基于实车数据的动力电池安全风险评估方法,以克服现有技术中存在的不足。
本发明解决上述技术问题的技术方案如下:一种基于实车数据的动力电池安全风险评估方法,具体步骤如下:
数据准备阶段:获取无风险纯电动汽车和有风险纯电动汽车的运行数据;
数据整理与特征提取阶段:对纯电动汽车的运行数据进行数据预处理,并提取相关特征;
算法模型构建阶段:根据所提取的相关特征数据以LSTM模型和等效电路模型通过Adaboost算法对其进行耦合构建算法模型;
算法模型预测阶段:根据所构建的算法模型对无风险纯电动汽车数据进行训练,通过训练好的模型对有风险纯电动汽车的正常电压进行预测;
安全风险评估阶段:根据所预测出的有风险纯电动汽车的正常电压与实际电压的偏离度来进行安全风险评估,以无风险纯电动汽车模型训练的误差最大值作为偏离度的阈值,并根据有风险纯电动汽车动力电池工作时正常电压与实际电压的偏离度是否超过阈值将动力电池安全风险分为多个风险等级,然后以此进行安全风险评估。
进一步,纯电动汽车运行数据主要包括车辆状态数据、车辆运行数据、动力电池本身数据和车辆异常报警数据;
车辆状态数据包括车辆状态数据和充电状态数据;
车辆运行数据包括车辆运行模式、车速、挡位和累计里程;
动力电池本身数据包括总电流、总电压、电池SOC、电池单体电压最高值、最高电压电池、最高电压电池子***号、电池单体电压最低值、最低电压电池子***号、最低电压电池、最高温度子***号、最高温度值、最高温度探针、最低温度值、最低温度探针、单体电池温度探针总数、绝缘电阻和DC-DC状态;
车辆异常报警数据包括通用报警标志。
进一步,数据预处理包括数据探索性分析、片段划分、缺失数据处理和异常数据处理。
进一步,数据探索性分析用于发现是否存在大量数据异常的现象,具体包括但不限于:车辆行驶状态显示为停车充电状态,车辆停车充电显示行驶状态;
以及,在里程、速度、车辆状态、温度、电压、DC-DC状态等数据中是否存在大量缺失值以及某个放电片段出现的通用报警信息以及采集滞后异常数据;
片段划分用于将纯电动汽车的运行数据划分为行驶片段、停车充电片段、静置片段三种车辆状态片段;
缺失数据位于速度、累计里程、充电状态、最高单体电压、最低单体电压、最高温度、最低温度、DC-DC状态、车辆状态、单体电池温度探针总数中,里程和速度的缺失值处于车辆充电状态,速度采用0值填补;
累计里程采用片段内里程值填补,若片段内里程值全部缺失,则采用上一片段末的里程值进行填补;
对于最高单体电压、最低单体电压、最高温度和最低温度则通过随机森林算法进行填补;
对于DC-DC状态缺失值,若缺失值前后的DC-DC状态值相同,则用前一个时刻的DC-DC状态值进行填补,否则直接进行删除处理;
对于车辆状态缺失值,采用速度、电流和电压进行填补;
对于单体电池温度探针总数,若数据全部缺失,则进行删除处理,否则以众数进行填补;
对于数值为0的异常数据全部采用缺失值方法进行处理;
对于采集滞后异常数据则通过对速度数据进行平移来修正;
对于车辆状态标记异常则根据车速和电流等特征对已有车辆状态进行修正;
对于通用报警异常数据则对出现大量的耦合电池报警信息的数据予以删除处理。
进一步,特征提取阶段具体为:对数据整理阶段得到的数据进行特征提取,利用皮尔逊系数(PCC)分析所提取相关特征之间的相关性,提取相关性较高的参数。
进一步,算法模型构建阶段具体为:将特征构建阶段得到的相关特征数据记为x,t时刻的正常电池电压值作为Y,建立Y=f(x)的模型,其中f()为基于模型学习得到的x和Y之间的转换关系;该模型的输入为t时刻的特征提取的数据,模型的输出为t时刻电池的正常电池电压值;f()采用LSTM模型和等效电路模型以Adaboost进行耦合来构建。
进一步,LSTM模型构建流程为:
加载数据集:导入数据的输入量;
定义模型:在Keras中,通过一系列的层来定义神经网络,首先确定输入输出量,设定多个输入和一个输出,其中输入为通过PCC提取的强相关特征,输出为正常电压值;
编译模型:
对定义模型进行编译,编译过程中选择训练网络所需要的参数去预测,损失函数为MSE;
训练模型:
在导入的数据上通过fit()函数来训练模型,在训练过程中,数据集上迭代的次数称为epochs,而进行梯度下降时每个batch包含的样本数为batch。
进一步,等效电路模型构建流程为:
建立Thevenin模型,并采用在线参数辨识的方式对正常电压进行预测,具体计算流程如下:
从而可以得到正常电压的预测值如下:
进一步,Adaboost算法耦合构建算法模型的构建流程为:
由LSTM和等效电路模型得到的电压预测矩阵如下:
基于Adaboost算法计算LSTM模型和等效电路模型的错误率如下:
从而计算出LSTM模型和等效电路模型的权重α如下:
其中,η表示学习率超参数;
根据上式分别得到LSTM模型的权重αLSTM和等效电路模型的权重αE,从而计算LSTM和等效电路模型的最终权重并确保两个权重之和为1,具体的计算方式如下:
从而得到最终的电压预测值如下:
进一步,算法模型预测阶段中采用MSE评估模型预测的精度。
进一步,安全风险评估阶段中对于风险等级划为三个等级,分别为1、2、3三个风险等级。
本发明具有以下有益效果:根据纯电动汽车的运行数据,充分挖掘电池正常电压信息及其变化规律,并通过PCC提取强相关特征,利用大数据技术和机器学习与统计学习算法并结合等效电路模型的在线参数识别方法从车辆数据和电池数据中充分挖掘其中隐藏的电池正常电压信息及其变化规律,从而根据正常电压与实际电压偏移度来进行安全风险评估;
另外,明确了数据的类型并进行了数据的清洗(预处理),同时在此基础上对数据进行了特征的提取,最后将特征化的数据进行模型训练和算法评估并通过模型耦合来提高模型的预测精度,而且随着时间的累积和数据量的增加,模型的预测效果和准确性会不断提高,在次基础上以无风险纯电动汽车模型训练的误差最大值作为偏离度的阈值,并根据有风险纯电动汽车动力电池工作时正常电压与实际电压的偏离度是否超过阈值将动力电池安全风险分为1、2、3三个风险等级以此来进行安全风险评估。
附图说明
图1为动力电池安全风险评估实施方式;
图2为本发明的***框图;
图3为本发明的LSTM模型框架图;
图4为等效电路参数识别结构图。
具体实施方式
以下对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
如图1~图4所示,一种基于实车数据的动力电池安全风险评估方法,具体步骤如下:
数据准备阶段,获取无风险纯电动汽车和有风险纯电动汽车的运行数据;
数据整理与特征提取阶段:对纯电动汽车的运行数据进行数据预处理,并提取相关特征;
算法模型构建阶段:根据所提取的相关特征数据以LSTM模型和等效电路模型通过Adaboost算法对其进行耦合构建算法模型;
算法模型预测阶段:根据所构建的算法模型对无风险纯电动汽车数据进行训练,通过训练好的模型对有风险纯电动汽车的正常电压进行预测;
安全风险评估阶段:根据所预测出的有风险纯电动汽车的正常电压与实际电压的偏离度来进行安全风险评估,以无风险纯电动汽车模型训练的误差最大值作为偏离度的阈值,并根据有风险纯电动汽车动力电池工作时正常电压与实际电压的偏离度是否超过阈值将动力电池安全风险分为多个风险等级,然后以此进行安全风险评估。
实施例2
本实施例为在实施例1的基础上所进行的进一步与优化,其具体可为:
纯电动汽车运行数据为无风险纯电动汽车和有风险纯电动汽车的运行历史数据;
纯电动汽车运行数据主要包括车辆状态数据、车辆运行数据、动力电池本身数据和车辆异常报警数据;
其中车辆状态数据包括车辆状态数据和充电状态数据;
车辆运行数据包括车辆运行模式、车速、挡位和累计里程;
动力电池本身数据包括总电流、总电压、电池SOC、电池单体电压最高值、最高电压电池、最高电压电池子***号、电池单体电压最低值、最低电压电池子***号、最低电压电池、最高温度子***号、最高温度值、最高温度探针、最低温度值、最低温度探针、单体电池温度探针总数、绝缘电阻和DC-DC状态;
车辆异常报警数据包括通用报警标志。
实施例3
本实施例为在实施例1或2的基础上所进行的进一步与优化,其具体可为:
数据预处理包括数据探索性分析、片段划分、缺失数据处理和通用报警异常数据处理。
其中,数据探索性分析用于发现是否存在大量数据异常的现象;
具体包括但不限于:
车辆行驶状态显示为停车充电状态,车辆停车充电却显示为正在行驶状态,以及,在里程、速度、车辆状态、温度、电压、DC-DC状态等数据中存在大量缺失值,某个放电片段出现的通用报警信息以及采集滞后异常数据;
为了便于处理异常值,需要将片段进行划分,从而将纯电动汽车的运行数据划分为行驶片段、停车充电片段、静置片段三种车辆状态片段;
缺失数据位于速度、累计里程、充电状态、最高单体电压、最低单体电压、最高温度、最低温度、DC-DC状态、车辆状态、单体电池温度探针总数中,其中里程和速度的缺失值处于车辆充电状态,故速度采用0值填补;
累计里程采用片段内里程值填补,若片段内里程值全部缺失,则采用上一片段末的里程值进行填补;
对于最高单体电压、最低单体电压、最高温度和最低温度则通过随机森林算法进行填补;
对于DC-DC状态缺失值,若缺失值前后的DC-DC状态值相同,则用前一个时刻的DC-DC状态值进行填补,否则直接进行删除处理;
对于车辆状态缺失值,采用速度、电流和电压进行填补;
对于单体电池温度探针总数,若数据全部缺失,则进行删除处理,否则以众数进行填补;
对于数值为0的异常数据全部采用缺失值方法进行处理;
对于采集滞后异常数据则通过对速度数据进行平移来修正;
对于车辆状态标记异常则根据车速和电流等特征对已有车辆状态进行修正;
对于通用报警异常数据则对出现大量的耦合电池报警信息的数据予以删除处理。
实施例4
本实施例为在实施例1~3任一实施例的基础上所进行的进一步与优化,其具体可为:
特征提取阶段具体为:
对数据整理阶段得到的数据进行特征提取,利用皮尔逊系数(PCC)分析所提取相关特征之间的相关性,提取相关性较高的参数。
实施例5
本实施例为在实施例1~4任一实施例的基础上所进行的进一步与优化,其具体可为:
算法模型构建阶段具体为,将特征构建阶段得到的相关特征数据记为x,t时刻的正常电池电压值作为Y,建立Y=f(x)的模型,其中f()为基于模型学习得到的x和Y之间的转换关系;该模型的输入为t时刻的特征提取的数据,模型的输出为t时刻电池的正常电池电压值;f()采用LSTM模型和等效电路模型以Adaboost进行耦合来构建。
其中,LSTM模型构建流程为:
(1)加载数据集:
导入数据的输入量;
(2)定义模型:
在Keras中,通过一系列的层来定义神经网络,首先确定输入输出量,本次有多个输入和一个输出,其中输入为通过PCC提取的强相关特征,输出为正常电压值;
(3)编译模型:
对定义模型进行编译,编译过程中选择训练网络所需要的参数去预测,并选择损失函数为MSE;
(4)训练模型:
在导入的数据上通过fit()函数来训练模型,在训练过程中,数据集上迭代的次数称为epochs,而进行梯度下降时每个batch包含的样本数为batch,在本实施例中,本次迭代次数设置为50次,batch设置为32;
实施例6
本实施例为在实施例1~5任一实施例的基础上所进行的进一步与优化,其具体可为:
等效电路模型构建流程为:
常见的动力电池等效电路模型有Rint模型、Thevenin模型、双极化模型,其中Rint模型、Thevenin模型被广泛用于SOC估计和电压预测与识别中。由于Thevenin模型建模精度高、计算复杂度低,因此本次等效电路模型采用该模型来预测电池正常电压;
等效电路模型可以利用在线或者离线数据进行参数的辨识。在线参数的辨识主要是通过动力电池实时的电流、温度和电压等数据来进行参数辨识,从而实现参数的更新,而离线参数辨识则是通过BMS***存储的数据来对参数进行更新和标定,本次采用在线参数辨识的方式对正常电压进行预测,具体计算流程如下:
从而可以得到正常电压的预测值如下:
其中,Adaboost算法耦合构建算法模型的构建流程为:
由LSTM和等效电路模型得到的电压预测矩阵如下:
基于Adaboost算法计算LSTM模型和等效电路模型的错误率如下:
从而计算出LSTM模型和等效电路模型的权重α如下:
其中,η表示学习率超参数,默认为1;
根据上式分别得到LSTM模型的权重αLSTM和等效电路模型的权重αE,从而计算LSTM模型和等效电路模型的最终权重并确保两个权重之和为1,具体的计算方式如下:
从而得到最终的电压预测值如下:
实施例7
本实施例为在实施例1~6任一实施例的基础上所进行的进一步与优化,其具体可为:
算法模型预测阶段中采用MSE评估模型预测的精度。
实施例8
本实施例为在实施例1~7任一实施例的基础上所进行的进一步与优化,其具体可为:安全风险评估阶段中对于风险等级划为三个等级,分别为1、2、3三个风险等级,当然,并不排除划分为其他个数等级。
本发明具体实施方式中的一种基于实车数据的动力电池安全风险评估的步骤,其中:
获取纯电动汽车运行相关数据,纯电动汽车运行数据主要包括车辆状态数据、车辆运行数据、动力电池本身数据和通用报警数据;相关数据如下表所示:
对纯电动汽车运行相关数据进行数据清洗并将清洗后的数据进行特征提取,从而为后续的模型学习做准备;
在本实施方案中,主要是通过数据处理来实现的,而保证数据质量是提高结果准确性的前提,因此需要对相关数据进行数据清洗,本发明将质量不高的数据转换为满足质量要求的数据包括:
片段划分:在数据传输过程中,很容易出现数据缺失的情况,为了更好的处理异常和缺失数据需要对汽车运行数据进行片段划分,将车辆运行数据划分为行驶片段、停车充电片段、静置片段三种车辆状态片段;
缺失值处理:缺失数据主要位于速度、累计里程、充电状态、最高单体电压、最低单体电压、最高温度、最低温度、DC-DC状态、车辆状态、单体电池温度探针总数中,其中里程和速度的缺失值处于车辆充电状态,故速度采用0值填补,累计里程采用片段内里程值填补,如果片段内里程值全部缺失则采用上一片段末的里程值进行填补;对于最高单体电压、最低单体电压、最高温度和最低温度则通过随机森林算法进行填补;对于DC-DC状态缺失值,如果缺失值前后的DC-DC状态值相同则用前一个时刻的DC-DC状态值进行填补,否则直接进行删除处理;对于车辆状态缺失值,采用速度、电流和电压进行填补;对于单体电池温度探针总数,如果数据全部缺失则进行删除处理,否则以众数进行填补;
异常值处理:对于数值为0的异常数据全部采用缺失值方法进行处理;对于采集滞后异常数据则通过对速度数据进行平移来修正;对于车辆状态标记异常则根据车速和电流等特征对已有车辆状态进行修正;对于通用报警异常数据则对出现大量的耦合电池报警信息的数据予以删除处理。
清洗完数据后,对数据进行总结和特征提取,从而获取特征化数据,由于后续步骤需要对数据进行处理计算,为了便于模型更好的识别和计算数据的特征,需要对数据进行特征化处理以便显示数据的特征从而便于模型的识别和学习;
将特征构建阶段得到的相关特征数据记为x,t时刻的正常电池电压值作为Y,建立Y=f(x)的模型,其中f()为基于模型学习得到的x和Y之间的转换关系;该模型的输入为t时刻的特征提取的数据,模型的输出为t时刻电池的正常电池电压值;f()采用LSTM模型和等效电路模型以Adaboost进行耦合来构建。
接下来根据所构建的算法模型对无风险纯电动汽车数据进行训练,将训练好的模型来对有风险纯电动汽车的正常电压进行预测并用MSE来评估模型预测的精度。
最后根据所预测出的有风险纯电动汽车的正常电压与实际电压的偏离度来进行安全风险评估,以无风险纯电动汽车模型训练的误差最大值作为偏离度的阈值,并根据有风险纯电动汽车动力电池工作时正常电压与实际电压的偏离度是否超过阈值将动力电池安全风险分为1、2、3三个风险等级以此来进行安全风险评估。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于实车数据的动力电池安全风险评估方法,其特征在于,具体步骤如下:
数据准备阶段:获取无风险纯电动汽车和有风险纯电动汽车的运行数据;
数据整理与特征提取阶段:对纯电动汽车的运行数据进行数据预处理,并提取相关特征;
算法模型构建阶段:根据所提取的相关特征数据以LSTM模型和等效电路模型通过Adaboost算法对其进行耦合构建算法模型;
算法模型预测阶段:根据所构建的算法模型对无风险纯电动汽车数据进行训练,通过训练好的模型对有风险纯电动汽车的正常电压进行预测;
安全风险评估阶段:根据所预测出的有风险纯电动汽车的正常电压与实际电压的偏离度来进行安全风险评估,以无风险纯电动汽车模型训练的误差最大值作为偏离度的阈值,并根据有风险纯电动汽车动力电池工作时正常电压与实际电压的偏离度是否超过阈值将动力电池安全风险分为多个风险等级,然后以此进行安全风险评估。
2.根据权利要求1所述的一种基于实车数据的动力电池安全风险评估方法,其特征在于,纯电动汽车运行数据包括车辆状态数据、车辆运行数据、动力电池本身数据和车辆异常报警数据;
所述车辆状态数据包括车辆状态数据和充电状态数据;
所述车辆运行数据包括车辆运行模式、车速、挡位和累计里程;
所述动力电池本身数据包括总电流、总电压、电池SOC、电池单体电压最高值、最高电压电池、最高电压电池子***号、电池单体电压最低值、最低电压电池子***号、最低电压电池、最高温度子***号、最高温度值、最高温度探针、最低温度值、最低温度探针、单体电池温度探针总数、绝缘电阻和DC-DC状态;
所述车辆异常报警数据包括通用报警标志。
3.根据权利要求1所述的一种基于实车数据的动力电池安全风险评估方法,其特征在于,数据预处理包括数据探索性分析、片段划分、缺失数据处理和通用报警异常数据处理。
4.根据权利要求3所述的一种基于实车数据的动力电池安全风险评估方法,其特征在于,数据探索性分析用于发现是否存在大量数据异常的现象,具体包括但不限于:车辆行驶状态显示为停车充电状态,车辆停车充电显示行驶状态;
以及,在里程、速度、车辆状态、温度、电压、DC-DC状态数据中是否存在大量缺失值以及某个放电片段出现的通用报警信息以及采集滞后异常数据;
片段划分用于将纯电动汽车的运行数据划分为行驶片段、停车充电片段、静置片段三种车辆状态片段;
缺失数据位于速度、累计里程、充电状态、最高单体电压、最低单体电压、最高温度、最低温度、DC-DC状态、车辆状态、单体电池温度探针总数中,里程和速度的缺失值处于车辆充电状态,速度采用0值填补;
累计里程采用片段内里程值填补,若片段内里程值全部缺失,则采用上一片段末的里程值进行填补;
对于最高单体电压、最低单体电压、最高温度和最低温度则通过随机森林算法进行填补;
对于DC-DC状态缺失值,若缺失值前后的DC-DC状态值相同,则用前一个时刻的DC-DC状态值进行填补,否则直接进行删除处理;
对于车辆状态缺失值,采用速度、电流和电压进行填补;
对于单体电池温度探针总数,若数据全部缺失,则进行删除处理,否则以众数进行填补;
对于数值为0的异常数据全部采用缺失值方法进行处理;
对于采集滞后异常数据则通过对速度数据进行平移来修正;
对于车辆状态标记异常则根据车速和电流等特征对已有车辆状态进行修正;
对于通用报警异常数据则对出现大量的耦合电池报警信息的数据予以删除处理。
5.根据权利要求1所述的一种基于实车数据的动力电池安全风险评估方法,其特征在于,特征提取阶段具体为:对数据整理阶段得到的数据进行特征提取,利用皮尔逊系数分析所提取相关特征之间的相关性,提取相关性较高的参数。
6.根据权利要求1所述的一种基于实车数据的动力电池安全风险评估方法,其特征在于,算法模型构建阶段具体为:将特征构建阶段得到的相关特征数据记为x,t时刻的正常电池电压值作为Y,建立Y=f(x)的模型,其中f()为基于模型学习得到的x和Y之间的转换关系;该模型的输入为t时刻的数据,模型的输出为t时刻电池的正常电池电压值;f()采用LSTM模型和等效电路模型以Adaboost进行耦合来构建。
7.根据权利要求6所述的一种基于实车数据的动力电池安全风险评估方法,其特征在于,LSTM模型构建流程为:
加载数据集:导入数据的输入量;
定义模型:在Keras中,通过一系列的层来定义神经网络,首先确定输入输出量,设定多个输入和一个输出,其中输入为通过PCC提取的强相关特征,输出为正常电压值;
编译模型:
对定义模型进行编译,编译过程中选择训练网络所需要的参数去预测,损失函数为MSE;
训练模型:
在导入的数据上通过fit()函数来训练模型,在训练过程中,数据集上迭代的次数称为epochs,而进行梯度下降时每个batch包含的样本数为batch。
9.根据权利要求1所述的一种基于实车数据的动力电池安全风险评估方法,其特征在于:
Adaboost算法耦合构建算法模型的构建流程为:
由LSTM和等效电路模型得到的电压预测矩阵如下:
基于Adaboost算法计算LSTM模型和等效电路模型的错误率如下:
从而计算出LSTM模型和等效电路模型的权重α如下:
其中,η表示学习率超参数;
根据上式分别得到LSTM模型的权重αLSTM和等效电路的权重αE,从而计算LSTM模型和等效电路模型的最终权重并确保两个权重之和为1,具体的计算方式如下:
从而得到最终的电压预测值如下:
10.根据权利要求9所述的一种基于实车数据的动力电池安全风险评估方法,其特征在于,算法模型预测阶段中采用MSE评估模型预测的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442183.9A CN114036647A (zh) | 2021-11-30 | 2021-11-30 | 一种基于实车数据的动力电池安全风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442183.9A CN114036647A (zh) | 2021-11-30 | 2021-11-30 | 一种基于实车数据的动力电池安全风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114036647A true CN114036647A (zh) | 2022-02-11 |
Family
ID=80139247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111442183.9A Pending CN114036647A (zh) | 2021-11-30 | 2021-11-30 | 一种基于实车数据的动力电池安全风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036647A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994543A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华大电工高科技有限公司 | 储能电站电池故障诊断方法、装置及存储介质 |
CN115524629A (zh) * | 2022-11-23 | 2022-12-27 | 陕西汽车集团股份有限公司 | 一种车辆动力电池***健康状态的评估方法 |
-
2021
- 2021-11-30 CN CN202111442183.9A patent/CN114036647A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994543A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华大电工高科技有限公司 | 储能电站电池故障诊断方法、装置及存储介质 |
CN115524629A (zh) * | 2022-11-23 | 2022-12-27 | 陕西汽车集团股份有限公司 | 一种车辆动力电池***健康状态的评估方法 |
CN115524629B (zh) * | 2022-11-23 | 2023-02-24 | 陕西汽车集团股份有限公司 | 一种车辆动力电池***健康状态的评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112765772B (zh) | 一种基于数据驱动的动力电池剩余寿命预测方法 | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Zhang et al. | Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm | |
CN112092675B (zh) | 一种电池热失控预警方法、***及服务器 | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN114559819A (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及*** | |
CN114462259B (zh) | 基于soc的电池剩余寿命预测方法、***、汽车及介质 | |
CN113791350B (zh) | 电池故障预测方法 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** | |
CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
CN103678886A (zh) | 一种基于地面测试数据的卫星贝叶斯网络健康确定方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
CN115656831A (zh) | 一种电池单体电压多步超前预测和故障诊断方法 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
CN114545276A (zh) | 基于容量测试与车联网大数据的动力电池寿命预测方法 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
Xu et al. | Prediction of Lithium-ion Battery Remaining Useful Life Based on Long Short Term Memory |
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 |