CN118144571A - 一种多模型融合的动力电池热失控预警***及方法 - Google Patents
一种多模型融合的动力电池热失控预警***及方法 Download PDFInfo
- Publication number
- CN118144571A CN118144571A CN202410581420.7A CN202410581420A CN118144571A CN 118144571 A CN118144571 A CN 118144571A CN 202410581420 A CN202410581420 A CN 202410581420A CN 118144571 A CN118144571 A CN 118144571A
- Authority
- CN
- China
- Prior art keywords
- early warning
- thermal runaway
- battery
- module
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 239000000523 sample Substances 0.000 claims abstract description 67
- 230000002159 abnormal effect Effects 0.000 claims description 76
- 238000013528 artificial neural network Methods 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 32
- 238000012546 transfer Methods 0.000 claims description 25
- 230000020169 heat generation Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 239000000110 cooling liquid Substances 0.000 claims description 7
- 239000000178 monomer Substances 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000004134 energy conservation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 239000002826 coolant Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012809 cooling fluid Substances 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及动力电池安全技术领域,具体涉及一种多模型融合的动力电池热失控预警***及方法。该***包括数据采集模块、多个预警模块、热失控预警得分决策模块和告警模块;多个预警模块基于获取的采集数据通过协同预测后确定出实际需要判断热失控趋势的单体电池,热失控预警得分决策模块计算出实际需要判断热失控趋势的单体电池的热失控预警分数并发送至告警模块,由告警模块判断出该单体电池当前热失控等级并执行相应等级的告警操作。本发明不仅克服了现有技术中预测动力电池温度时仅考虑电池表面温度及标定单体电池的探针温度的缺陷,还能从更多维度对动力电池热失控故障进行精准预警,有效提升了新能源汽车的安全性和可靠性。
Description
技术领域
本发明涉及动力电池安全技术领域,具体涉及一种多模型融合的动力电池热失控预警***及方法。
背景技术
现代社会对动力电池的需求日益增长,包括电动汽车、可再生能源储存等领域。然而,由于动力电池体积大、储能密度高,如果未能有效控制其温度,可能导致动力电池发生热失控,引发严重的安全隐患,甚至威胁人员安全,造成财产损失。传统的热失控预警方法主要通过神经网络这样缺乏解释性的“黑盒子”模型来预测电池温度,进而对热失控进行预警,出于控制目的和易于实现的考虑,通常采用电池的表面温度来表示温度,其考虑的维度有限。同时,当前针对温度预警的研究只能局限于处于温度探针下的标定单体电池的探针温度,无法考虑标定单体电池的内部温度以及温度探针以外的其余单体电池的内部温度,这一点大大限制了热失控的预警精度。因此,寻找一种高效可靠的动力电池热失控预警方法成为动力电池安全技术领域的迫切需求。
发明内容
针对上述现有技术存在的不足,本发明提供了一种多模型融合的动力电池热失控预警***及方法,旨在提供一种创新的技术解决方案,以克服现有技术中预测动力电池温度仅考虑电池的表面温度及处于温度探针下的标定单体电池的探针温度的缺陷,实现对动力电池热失控的准确预警。
本发明通过协同使用基于样本熵的电压预警模型、考虑单体电池物理产热规律的神经网络温度预警模型、考虑单体电池间物理热传递规律的神经网络温度预警模型和热失控预警得分决策模型来进行综合预警,不但可以精准的对动力电池热失控故障进行提前预警,而且可以根据相应的预警结果告知驾驶员执行相应措施,有效提升了新能源汽车的安全性和可靠性。
本发明提供了一种多模型融合的动力电池热失控预警***,包括:
多个串联的电池模组,其内部均匀排列设置有若干单体电池;
多个电压传感器,其分别设置于所述电池模组内,且与所述单体电池一一对应,用于检测单体电池的电压;此外,所述电压传感器还设置于所有电池模组总回路上,用于检测电池模组的总电压;
多个温度探针,其分别设置在所述电池模组的标定单体电池上,用于检测电池模组内标定单体电池的探针温度;
电流传感器,其设置在所有电池模组总回路上,用于检测电池模组的总电流;
多个数据采集模块,与多个电池模组和行车电脑连接,按照N1秒一次的采样频率采集多个电池模组数据以及行驶工况数据;
数据处理模块,用于处理各数据采集模块采集的数据;
多个预警模块,通过协同预测各单体电池热失控趋势,从而确定出实际需要判断热失控趋势的单体电池;
热失控预警得分决策模块,基于多个预警模块确定出的实际需要判断热失控趋势的单体电池,同步获取该单体电池在各预警模块下的预警结果,并通过热失控预警得分决策模型计算该单体电池的热失控预警分数;
告警模块,获取所述热失控预警得分决策模块计算出的实际需要判断热失控趋势的单体电池的热失控预警分数,与预设的热失控等级分类规则进行匹配后,判断出该单体电池当前热失控等级并执行相应等级的告警操作。
优选的,多个数据采集模块具体包括:
第一采集模块,用于实时采集多个电池模组编号以及各电池模组中单体电池的编号和单体电压;
第二采集模块,用于实时采集所有电池模组的总电压以及标定单体电池的探针温度;
第三采集模块,用于实时采集所有电池模组的总电流;
第四采集模块,用于获取车辆行驶过程中的里程数、电机转矩和加速踏板行程;
第五采集模块,用于获取车辆行驶过程中的环境温度。
优选的,所述多个预警模块具体为第一预警模块、第二预警模块和第三预警模块,其中第一预警模块、第二预警模块和第三预警模块通过协同预测各单体电池热失控趋势,从而确定出实际需要判断热失控趋势的单体电池的具体步骤为:
S1、第一预警模块获取已处理的第一采集模块的数据,通过第一预警模型对各电池模组中各单体电池进行预测获得各单体电池的预警系数;同时,将各单体电池的预警系数与预设的预警标准进行比较,并根据比较结果向第二预警模块发出相应指令,具体为:
当各单体电池的预警系数<预设的预警标准时,第一预警模块向第二预警模块和各数据采集模块发出正常工作指令;
当任意一个单体电池的预警系数≥预设的预警标准时,第一预警模块向第二预警模块发出异常指令并提供异常单体电池的电池编号以及该异常单体电池所处的异常电池模组编号,同时通知各数据采集模块将采样频率由N1秒一次调整为N2秒一次,其中N1>N2;
S2、第二预警模块获取已处理的第二、三、四、五采集模块的数据,并接收第一预警模块发出的相应指令,通过第二预警模型执行相应的操作,具体为:
当第二预警模块接收到第一预警模块发出的正常工作指令时,通过第二预警模型对各电池模组内标定单体电池的内部温度进行预测,获得各电池模组内标定单体电池的内部温度,随后向第三预警模块发出正常工作指令并提供各电池模组内标定单体电池的内部温度数据;
当第二预警模块接收到第一预警模块发出的异常指令及异常信息时,通过第二预警模型对异常电池模组内标定单体电池的内部温度进行预测,获得该异常电池模组内标定单体电池的内部温度,随后向第三预警模块发出异常指令并提供异常单体电池的电池编号以及该异常电池模组内标定单体电池的内部温度数据;
S3、第三预警模块获取已处理的第一、三、五采集模块的数据,并根据第二预警模块发出的相应指令,通过第三预警模型执行相应的操作,从而确定出实际需要判断热失控趋势的单体电池,具体为:
当第三预警模块接收到第二预警模块发出的正常工作指令及各电池模组内标定单体电池的内部温度数据时,通过第三预警模型对全部电池模组内除标定单体电池之外其余单体电池的内部温度进行预测,获得全部电池模组内除标定单体电池之外其余单体电池的内部温度数据,随后结合第二预警模块中输出的各电池模组内标定单体电池的内部温度数据,选择全部电池模组中内部电池温度最高的单体电池作为实际需要判断热失控趋势的单体电池;
当第三预警模块接收到第二预警模块发出的异常指令和异常单体电池的电池编号以及该异常电池模组内标定单体电池的内部温度数据时,通过第三预警模型对异常单体电池的内部温度进行预测,获得异常单体电池的内部温度数据,选择该异常单体电池作为实际需要判断热失控趋势的单体电池。
优选的,第一预警模型、第二预警模型和第三预警模型具体构建步骤为:
所述第一预警模型为基于样本熵的电压预警模型,其中第一预警模型的构建步骤如下所示:
S11、获取第一历史工作数据并进行数据处理,其中所述第一历史工作数据包括车辆的单体电压数据;
S12、计算每辆车在一段时间内N个样本的熵值,样本熵计算公式如下所示:
,
式中,表示两个序列在阈值r下匹配n个点的概率,/>表示两个序列匹配个点的概率,n表示样本的数量,r表示阈值;
S13、基于每辆车的样本熵值,计算预警系数,其中预警系数计算公式如下所示:
,
,
式中,为第i个样本的熵值,/>是为了消除信息遗漏所引入的求平均的中间变量,/>是设置求平均的样本个数,/>表示k时刻和j时刻为了消除信息遗漏所引入的求平均的中间变量,/>为某一单体电池j时刻的预警系数;
所述第二预警模型为考虑单体电池物理产热规律的神经网络温度预警模型,其中第二预警模型具体构建步骤为:
S21、获取第二历史工作数据并进行数据处理,其中所述第二历史工作数据包括标定单体电池的探针温度、总电压、总电流、环境温度、里程数、电机转矩和加速踏板行程数据;
S22、将经过数据处理后的第二历史工作数据按照比例分为训练集和测试集;
S23、将训练集数据输入考虑单体电池物理产热规律的神经网络温度预警模型中进行训练,得到初始第二预警模型;
S24、将测试集数据输入所述初始第二预警模型中进行评估,根据评估结果调整模型参数得到第二预警模型;
S25、将所述第二预警模型输入到第二预警模块中用于车辆实际行驶过程中电池模组内标定单体电池的内部温度的预测;
所述第三预警模型为考虑单体电池间物理热传递规律的神经网络温度预警模型,其中第三预警模型具体构建步骤为:
S31、获取第三历史工作数据并进行数据处理,其中所述第三历史工作数据包括各电池模组中单体电池编号及单体电压、总电流、环境温度和标定单体电池的内部温度数据;
S32、将经过数据处理后的第三历史工作数据按照比例分为训练集和测试集;
S33、将训练集数据输入考虑单体电池间物理热传递规律的神经网络温度预警模型中进行训练,得到初始第三预警模型;
S34、将测试集数据输入所述初始第三预警模型中进行评估,根据评估结果调整模型参数得到第三预警模型;
S35、将所述第三预警模型输入到第三预警模块中用于车辆实际行驶过程中电池模组内除标定单体电池之外其余单体电池的内部温度的预测。
优选的,所述预警标准的取值范围由未发生热失控故障车辆的最大预警系数和已发生热失控故障车辆的最小预警系数共同得出,具体步骤为:
1)获取第四历史工作数据并进行数据处理,其中所述第四历史工作数据包括未发生热失控故障车辆和已发生热失控故障车辆的单体电压数据;
2)计算每辆未发生热失控故障车辆在一段时间内M1个样本的熵值,以及每辆已发生热失控故障车辆在发生故障前一段时间内M2个样本的熵值;
3)基于第一预警模型中的预警系数计算公式,计算每辆已/未发生热失控故障车辆的预警系数;
4)将每辆未发生热失控故障车辆的预警系数中最大的预警系数作为预警标准的下限,每辆已发生热失控故障车辆的预警系数中最小的预警系数/>作为预警标准的上限,则预警标准的取值范围为:/>。
优选的,所述步骤S23中考虑单体电池物理产热规律的神经网络温度预警模型是通过将单体电池的热平衡方程引入到模型训练的损失函数中,使考虑单体电池物理产热规律的神经网络温度预警模型受到物理规律的约束,进而可以预测电池模组内标定单体电池的内部温度,其中该损失函数如下所示:
,
,
,
;
所述步骤S33中考虑单体电池间物理热传递规律的神经网络温度预警模型是通过将电池模组热传递平衡方程和电池模组冷却液能量守恒方程引入到模型训练的损失函数中,使考虑单体电池间物理热传递规律的神经网络温度预警模型可以学习到相关的物理规律,进而可以输出除标定单体电池之外其余单体电池的内部温度,其中该损失函数如下所示:
,
,
,
,
,
式中,表示数据损失,/>表示方程损失,/>表示初始条件损失,/>表示边界条件损失,/>表示神经网络的总损失,/>表示训练样本个数,/>表示样本的真实值,/>表示样本的预测值,/>表示时间,/>表示第i个单体电压,/>表示第i个标定单体电池的探针温度,/>表示环境温度,/>表示用于约束神经网络的物理方程,表示电池在三维坐标系各方向上的热导率,/>表示对流热系数,/>表示第i个标定单体电池的内部温度,/>、/>、/>和/>表示相关项的权重系数。
优选的,所述数据处理模块、步骤1)、步骤S11、步骤S21以及步骤S31中提及的数据处理指对采集数据分别进行包括但不限于数据清洗、特征选择、特征转换、数据缩放和数据编码的处理操作;所述步骤S24和S34中采用平均相对误差MRE来评估每个交叉验证测试数据的预测结果;
此外,所述步骤S1中预设的预警标准=。
优选的,所述热失控预警得分决策模块,基于第一预警模块、第二预警模块和第三预警模块确定出的实际需要判断热失控趋势的单体电池,同步获取该单体电池的第一预警结果、第二预警结果和第三预警结果,并通过热失控预警得分决策模型计算该单体电池的热失控预警分数,具体计算步骤为:
S41、第一预警结果为第一预警模型中输出的实际需要判断热失控趋势的单体电池的预警系数,根据第一预警结果,所述实际需要判断热失控趋势的单体电池的得分公式如下所示:
,
式中,表示第一预警模型相关项的放缩系数,/>表示预警系数,/>表示预设的预警标准;
S42、第二预警结果为第二预警模型中输出的实际需要判断热失控趋势的单体电池所在的电池模组中多组标定单体电池的内部温度数据,每组标定单体电池的内部温度数据包括温度、温差/>和温升/>,根据国标规定热失控判定指标/>及第二预警结果,所述每组标定单体电池的得分公式如下所示:
,
式中,表示第二预警模型相关项的放缩系数,j表示第j组标定单体电池的内部温度数据;
S43、第三预警结果为第三预警模型中输出的实际需要判断热失控趋势的单体电池的内部温度数据,包括温度、温差/>和温升/>,根据国标规定热失控判定指标和第三预警结果,所述实际需要判断热失控趋势的单体电池的得分公式如下所示:
,
式中,表示第三预警模型相关项的放缩系数;
S44、基于步骤S41-S43中各预警结果的得分,则热失控预警得分决策模型中实际需要判断热失控趋势的单体电池的热失控预警分数计算公式如下所示:
,
式中,i表示第i个预警模型得出的分值,c表示预警模型的数量,j表示某一预警模型中第j组数据的分值,d表示某一预警模型中有d组数据。
优选的,当第一预警模块中检测到多个异常单体电池时,所述热失控预警得分决策模块需要根据每个异常单体电池在各预警模块中对应的预警结果计算该异常单体电池的热失控预警分数;当告警模块同时接收到多个实际需要判断热失控趋势的单体电池的热失控预警分数时,按分值最高的热失控预警分数判断出热失控等级并执行相应等级的告警操作;此外,所述告警模块中预设的热失控等级分类规则及各等级对应的告警操作具体为:
当热失控预警分数≥90分时,热失控等级为第一等级,此时告警模块应要求驾驶员立即停车远离车辆,联系专业人士到现场诊断;
当75分≤热失控预警分数<90分时,热失控等级为第二等级,此时告警模块需提醒驾驶员停车检查并联系工作人员进行风险评估,确定是维修还是更换故障电池;
当60分≤热失控预警分数<75分时,热失控等级为第三等级,此时告警模块向控制器发出限制电机输出动力的指令,并提醒驾驶员寻找专业人士检修确定故障位置;
当热失控预警分数<60分时,热失控等级为第四等级,此时告警模块不生成任何指令。
本发明还提供了一种多模型融合的动力电池热失控预警方法,应用于一种多模型融合的动力电池热失控预警***,包括以下步骤:
S51、在车辆启动之后,各采集模块按照N1秒一次的采样频率获取实时电池模组数据和行驶工况数据并发送至数据处理模块;
S52、数据处理模块对各采集模块采集的数据分别进行数据处理并发送至各预警模块;
S53、各预警模块通过协同预测各单体电池热失控趋势,从而确定出实际需要判断热失控趋势的单体电池及该单体电池在各预警模块下的预警结果;
S54、热失控预警得分决策模块获取实际需要判断热失控趋势的单体电池在各预警模块下的预警结果,并通过热失控预警得分决策模型计算该单体电池的热失控预警分数;
S55、告警模块获取热失控预警得分决策模块计算出的实际需要判断热失控趋势的单体电池的热失控预警分数,与预设的热失控等级分类规则进行匹配后,判断出该单体电池当前热失控等级并执行相应等级的告警操作。
与现有技术相比,本发明具有如下有益效果:
1、本发明提供了一种多模型融合的动力电池热失控预警方法,通过协同使用基于样本熵的电压预警模型、考虑单体电池物理产热规律的神经网络温度预警模型、考虑单体电池间物理热传递规律的神经网络温度预警模型和热失控预警得分决策模型进行多维度综合预警,不仅克服了现有技术中预测动力电池温度仅考虑电池的表面温度及处于温度探针下的标定单体电池的探针温度的缺陷,还能从更多维度对动力电池热失控故障进行精准预警,减少潜在损失,有效提升了新能源汽车的安全性和可靠性。
2、本发明中采用的基于样本熵的电压预警模型不仅可以提前判断各单体电池的健康状态,还可以输出异常电池编号供后续预警与检修;同时,还通过引入预警系数,有效调节了后续预警模型的灵敏度,并有效降低了误报错报的概率。
3、本发明中采用的考虑单体电池物理产热规律的神经网络温度预警模型将单体电池的热平衡方程引入到损失函数中,使神经网络的训练受到物理规律的约束,进而可以预测处于温度探针下的标定单体电池的内部温度,增加预警的精度和泛化性。
4、本发明中采用的考虑单体电池间物理热传递规律的神经网络温度预警模型通过将电池模组间热传递方程和冷却液能量守恒方程引入到损失函数中,使神经网络学习到相关的物理规律,进而可以输出温度探针以外的单体电池的内部温度,改变了只能预测处于温度探针下的标定单体电池的探针温度的现状,有效提升了动力电池热失控预警的准确性,并为动力电池温度预警提供了一种全新的思路。
5、本发明中采用的热失控预警得分决策模型在计算实际需要判断热失控趋势的单体电池的热失控预警分数时,综合考虑了各预警模型下的预警结果,从而为实际需要判断热失控趋势的单体电池动态赋分,为后续预警等级的判定提供了精确的数据支撑,有效提高了预警结果的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的多模型融合的动力电池热失控预警***的示意框图;
图2为本发明实施例提供的电池模组排布图;
图3是本发明提供的多模型融合的动力电池热失控预警方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语 “上”、“下”、 “水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性,此外,除非另有明确的规定和限定,术语“安装”、 “连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明提供了一种多模型融合的动力电池热失控预警***,包括:
多个串联的电池模组,其内部均匀排列设置有若干单体电池;
多个电压传感器,其分别设置于所述电池模组内,且与所述单体电池一一对应,用于检测单体电池的电压;此外,所述电压传感器还设置于所有电池模组总回路上,用于检测电池模组的总电压;
多个温度探针,其分别设置在所述电池模组的标定单体电池上,用于检测电池模组内标定单体电池的探针温度;
电流传感器,其设置在所有电池模组总回路上,用于检测电池模组的总电流。
如图2所示,本申请实施例中,设置了5个串联的电池模组,其中每个电池模组中包含18块单体电池,并且所有电池模组总回路上还设置有1个电压传感器和1个电流传感器;同时,每个电池模组中设有2个温度探针,以9块单体电池为一个小组,每个小组设置有1个温度探针,例如1号电池模组内包含了编号为1-18的单体电池,且1号单体电池和10号单体处各设有1个温度探针。
需要说明的是,本申请中每个电池模组中设置的温度探针数量及各温度探针标定的单体电池位置可根据实际需求自行设置。
本发明涉及的多个数据采集模块,与多个电池模组和行车电脑连接,按照N1秒一次的采样频率采集多个电池模组数据以及行驶工况数据。
本申请实施例中,多个数据采集模块具体包括:
第一采集模块,用于实时采集多个电池模组编号以及各电池模组中单体电池的编号和单体电压;
第二采集模块,用于实时采集所有电池模组的总电压以及标定单体电池的探针温度;
第三采集模块,用于实时采集所有电池模组的总电流;
第四采集模块,用于获取车辆行驶过程中的里程数、电机转矩和加速踏板行程;
第五采集模块,用于获取车辆行驶过程中的环境温度。
本发明涉及的数据处理模块,用于处理各数据采集模块采集的数据。
本发明涉及的多个预警模块,通过协同预测各单体电池热失控趋势,从而确定出实际需要判断热失控趋势的单体电池。
优选的,所述多个预警模块具体为第一预警模块、第二预警模块和第三预警模块,其中第一预警模块、第二预警模块和第三预警模块通过协同预测各单体电池热失控趋势,从而确定出实际需要判断热失控趋势的单体电池的具体步骤为:
S1、第一预警模块获取已处理的第一采集模块的数据,通过第一预警模型对各电池模组中各单体电池进行预测获得各单体电池的预警系数;同时,将各单体电池的预警系数与预设的预警标准进行比较,并根据比较结果向第二预警模块发出相应指令,具体为:
当各单体电池的预警系数<预设的预警标准时,第一预警模块向第二预警模块和各数据采集模块发出正常工作指令;
当任意一个单体电池的预警系数≥预设的预警标准时,第一预警模块向第二预警模块发出异常指令并提供异常单体电池的电池编号以及该异常单体电池所处的异常电池模组编号,同时通知各数据采集模块将采样频率由N1秒一次调整为N2秒一次,其中N1>N2。
本申请实施例中,车辆启动后,各数据采集模块按20秒一次的采样频率实时获取电池模组数据以及行驶工况数据,当任意一个单体电池的预警系数≥预设的预警标准时,各数据采集模块将采样频率由20s/次调整为10s/次。
优选的,所述第一预警模型为基于样本熵的电压预警模型,其中第一预警模型的构建步骤如下所示:
S11、获取第一历史工作数据并进行数据处理,其中所述第一历史工作数据包括车辆的单体电压数据。
S12、计算每辆车在一段时间内N个样本的熵值,具体步骤为:
S121、选取第个点开始的/>个连续的/>的值,组成向量,其中/>;
S122、定义向量与/>之间的距离/>为两者对应元素中最大差值的绝对值,则/>;
S123、对于给定的阈值,计算/>与/>之间距离小于等于阈值/>的/>的个数,记作/>,其中对于/>时/>的定义为:
,
,
式中,表示两个序列在阈值r下匹配n个点的概率,n表示样本的数量,r表示阈值;
S124、将维数增加到,计算/>与/>之间距离小于等于阈值/>的/>的个数,记作/>,则/>的定义为:
,
,
式中,表示两个序列匹配/>个点的概率;
S125、基于和/>,则样本熵计算公式如下所示:
。
S13、基于每辆车的样本熵值,计算预警系数,其中预警系数计算公式如下所示:
,
,
式中,为第i个样本的熵值,/>是为了消除信息遗漏所引入的求平均的中间变量,/>是设置求平均的样本个数,/>表示k时刻和j时刻为了消除信息遗漏所引入的求平均的中间变量,/>为某一单体电池j时刻的预警系数。
优选的,所述预警标准的取值范围由未发生热失控故障车辆的最大预警系数和已发生热失控故障车辆的最小预警系数共同得出,具体步骤为:
1)获取第四历史工作数据并进行数据处理,其中所述第四历史工作数据包括未发生热失控故障车辆和已发生热失控故障车辆的单体电压数据。
2)计算每辆未发生热失控故障车辆在一段时间内M1个样本的熵值,以及每辆已发生热失控故障车辆在发生故障前一段时间内M2个样本的熵值。
需要说明的是,所述步骤2)中样本熵具体计算步骤如步骤S12所示。
3)基于第一预警模型中的预警系数计算公式,计算每辆已/未发生热失控故障车辆的预警系数。
4)将每辆未发生热失控故障车辆的预警系数中最大的预警系数作为预警标准的下限,每辆已发生热失控故障车辆的预警系数中最小的预警系数/>作为预警标准的上限,则预警标准的取值范围为:/>。
应当注意的是,本申请实施例中,在所述步骤S13中分别分析了每辆车在30天、15天、7天、1天中的某一个小时内N个样本的熵值,均可以发现异常。此外,实际应用中“阈值r”、“一段时间内”的具体数值可根据实际需求自行设置。
本申请实施例中,所述预设的预警标准=。
本申请实施例中,第一历史工作数据和第四历史工作数据都是从新能源汽车国家监测与管理平台中获取的;此外,在车辆实际行驶中,预设的预警标准可根据实际需求在预警标准的取值范围内自行设置。
需要说明的是,本申请实施例中,之所以采用单体电压指标作为第一预警模型的预警参数,是因为在热失控产生的前一段时间内,电压指标会先于温度指标发生变化,为了提前检测到潜在的热失控信号,所以引入电压预警模型与其他预警模型相结合来提升热失控预警精度,减少误预警概率。
S2、第二预警模块获取已处理的第二、三、四、五采集模块的数据,并接收第一预警模块发出的相应指令,通过第二预警模型执行相应的操作,具体为:
当第二预警模块接收到第一预警模块发出的正常工作指令时,通过第二预警模型对各电池模组内标定单体电池的内部温度进行预测,获得各电池模组内标定单体电池的内部温度,随后向第三预警模块发出正常工作指令并提供各电池模组内标定单体电池的内部温度数据;
当第二预警模块接收到第一预警模块发出的异常指令及异常信息时,通过第二预警模型对异常电池模组内标定单体电池的内部温度进行预测,获得该异常电池模组内标定单体电池的内部温度,随后向第三预警模块发出异常指令并提供异常单体电池的电池编号以及该异常电池模组内标定单体电池的内部温度数据。
本申请实施例中,设置了5个电池模组,并在每个电池模组中设置了2个温度探针,当第二预警模块接收到第一预警模块发出的正常工作指令时,第二预警模块会通过第二预警模型对这5个电池模组内10个标定单体电池的内部温度进行预测,获得10组标定单体电池的内部温度数据;当第二预警模块接收到第一预警模块发出的异常指令及异常信息时,第二预警模块会通过第二预警模型对该异常电池模组内2个标定单体电池的内部温度进行预测,得2组标定单体电池的内部温度数据。
需要注意的是,车辆实际行驶过程中,多个电池模组内单体电池的预警系数可能会同时出现异常,此时第二预警模块通过第二预警模型对该异常电池模组内标定单体电池的内部温度进行预测时,需要根据实际情况预测,每个异常电池模组内标定单体电池的内部温度均要预测。
优选的,所述第二预警模型为考虑单体电池物理产热规律的神经网络温度预警模型,其中第二预警模型具体构建步骤为:
S21、获取第二历史工作数据并进行数据处理,其中所述第二历史工作数据包括标定单体电池的探针温度、总电压、总电流、环境温度、里程数、电机转矩和加速踏板行程数据。
本申请实施例中,考虑到季节和电池健康状态对于电池热失控的影响,为了使预警结果更准确的同时减少错报误报的概率,第二历史工作数据是从新能源汽车国家监测与管理平台获取的一辆真实汽车三年的电池模组数据和行驶工况数据中获得。此外,由于不同电池包的结构、型号以及电芯的串并联方式等多种组成因素均存在差异,因此,本申请实施例中的第二历史工作数据的时间跨度可根据实际需求进行调整。
S22、将经过数据处理后的第二历史工作数据按照比例分为训练集和测试集。
S23、将训练集数据输入考虑单体电池物理产热规律的神经网络温度预警模型中进行训练,得到初始第二预警模型。
优选的,所述步骤S23中考虑单体电池物理产热规律的神经网络温度预警模型是通过将单体电池的热平衡方程引入到模型训练的损失函数中,使考虑单体电池物理产热规律的神经网络温度预警模型受到物理规律的约束,进而可以预测电池模组内标定单体电池的内部温度,其中该损失函数构建步骤如下:
S231、构建锂离子电池单体产热平衡方程并进行验证,其中该方程如下所示:
,
验证方程如下所示:
,
式中,表示单体电池的热容量,/>表示单体电池的质量,/>表示标定单体电池的探针温度,/>表示时间,/>表示总电流,/>表示单体电池的开路电压,/>表示单体电压,/>表示对流热系数,/>表示单体电池的表面积,/>表示环境温度,/>表示用于约束神经网络的物理方程,/>和/>表示相关项的权重系数。
S232、基于经过验证后的锂离子电池单体产热平衡方程推导出考虑单体电池物理产热规律的损失函数,该损失函数如下所示:
,
,
,
,
式中,表示数据损失,/>表示方程损失,/>表示初始条件损失,/>表示神经网络的总损失,/>表示训练样本个数,/>表示样本的真实值,/>表示样本的预测值,/>表示时间,/>表示第i个单体电压,/>表示第i个标定单体电池的探针温度,/>表示环境温度,/>表示用于约束神经网络的物理方程,/>和/>表示相关项的权重系数。
本申请实施例中,所述步骤S23中考虑单体电池物理产热规律的神经网络温度预警模型定义了一个全连接神经网络,将考虑单体电池物理产热规律的损失函数包括在内,以标定单体电池的探针温度、总电压、总电流、环境温度、里程数、电机转矩和加速踏板行程数据为输入项,以电池模组内标定单体电池的内部温度数据为输出项进行训练。
S24、将测试集数据输入所述初始第二预警模型中进行评估,根据评估结果调整模型参数得到第二预警模型,其中预警模型中的评估方法采用平均相对误差MRE来评估每个交叉验证测试数据的预测结果,平均对误差MRE公式如下所示:
,
式中,MRE表示平均相对误差,表示样本的数量,/>表示样本的真实值,/>表示样本的预测值。
应当说明的是,MRE的值越小,表示预测值与真实值之间的相对误差越小,模型的性能越好,本实施例中完整训练和测试的最终MRE是10次交叉验证的平均MRE。
S25、将所述第二预警模型输入到第二预警模块中用于车辆实际行驶过程中电池模组内标定单体电池的内部温度的预测。
S3、第三预警模块获取已处理的第一、三、五采集模块的数据,并根据第二预警模块发出的相应指令,通过第三预警模型执行相应的操作,从而确定出实际需要判断热失控趋势的单体电池,具体为:
当第三预警模块接收到第二预警模块发出的正常工作指令及各电池模组内标定单体电池的内部温度数据时,通过第三预警模型对全部电池模组内除标定单体电池之外其余单体电池的内部温度进行预测,获得全部电池模组内除标定单体电池之外其余单体电池的内部温度数据,随后结合第二预警模块中输出的各电池模组内标定单体电池的内部温度数据,选择全部电池模组中内部电池温度最高的单体电池作为实际需要判断热失控趋势的单体电池;
当第三预警模块接收到第二预警模块发出的异常指令和异常单体电池的电池编号以及该异常电池模组内标定单体电池的内部温度数据时,通过第三预警模型对异常单体电池的内部温度进行预测,获得异常单体电池的内部温度数据,选择该异常单体电池作为实际需要判断热失控趋势的单体电池。
本申请实施例中,所述第三预警模型为考虑单体电池间物理热传递规律的神经网络温度预警模型,其中第三预警模型具体构建步骤为:
S31、获取第三历史工作数据并进行数据处理,其中所述第三历史工作数据包括各电池模组中单体电池编号及单体电压、总电流、环境温度和标定单体电池的内部温度数据。
本申请实施例中,所述第三历史工作数据是在COMSOL多物理场仿真平台中建模仿真获取的。具体的,首先建立电池组模型和液冷散热装置的三维模型,设置5个串联的电池模组,其中每个电池模组中包含18块单体电池,将5个电池模组布置在水平放置的液冷装置上;然后设置仿真条件,通过改变不同的行驶工况数据,得到每块单体电池的内部温度随电流和电压参数的变化情况,进而得到第三历史工作数据。
优选的,所述数据处理模块、步骤1)、步骤S11、步骤S21以及步骤S31中提及的数据处理指对采集数据分别进行包括但不限于数据清洗、特征选择、特征转换、数据缩放和数据编码的处理操作,其中数据缩放具体指对数据进行归一化处理,归一化公式如下:
,
式中,表示原始值,/>表示归一化后的值。
在本实施例中,数据清洗、特征选择和特征转换是为了确保输入数据与训练数据具有相同的格式和分布,以便模型能够正确地处理数据;数据缩放是对输入数据的特征进行缩放处理,以使其具有相似的尺度;数据编码是对数据进行编码,使其适用于模型的要求。
S32、将经过数据处理后的第三历史工作数据按照比例分为训练集和测试集。
应当说明的是,为了确保训练模型的稳定性和重现性,本申请中进行了 10倍交叉验证,步骤S22和S32中训练集和测试集分别占整个样本的80%、20%。
S33、将训练集数据输入考虑单体电池间物理热传递规律的神经网络温度预警模型中进行训练,得到初始第三预警模型。
优选的,所述步骤S33中考虑单体电池间物理热传递规律的神经网络温度预警模型是通过将电池模组热传递平衡方程和电池模组冷却液能量守恒方程引入到模型训练的损失函数中,使考虑单体电池间物理热传递规律的神经网络温度预警模型可以学习到相关的物理规律,进而可以输出除标定单体电池之外其余单体电池的内部温度,其中该损失函数构建步骤如下:
S331、构建锂离子电池模组热传递平衡方程并进行验证,其中该方程如下所示:
,
验证方程如下所示:
,
式中,表示单体电池的热容量,/>表示单体电池的等效密度,/>表示第i个标定单体电池的内部温度,t表示时间,/>为求偏导函数,/>表示电池在三维坐标系各方向上的热导率,/>表示总电流,/>表示单体电池的开路电压,/>表示第i个单体电压,/>表示用于约束神经网络的物理方程,/>表示相关项的权重系数。
S332、当锂离子电池模组热传递平衡方程通过验证后,确定锂离子电池模组边界条件:
,
式中,表示单体电池不同层的厚度,/>表示构成单体电池不同层的材料的热导率,构成单体电池不同层的材料具体包括正极极耳、正极极板、隔膜、电解质、负极极耳、负极极板、铝塑膜。
S333、构建电池模组冷却液能量守恒方程并进行验证,其中该方程如下所示:
,
验证方程如下所示:
,
式中,表示冷却液的密度,/>表示冷却液的比热容,/>为求偏导函数,/>表示冷却液的温度,t表示时间,/>表示矢量微分计算,/>表示冷却液的速度矢量,/>表示冷却液的热导率,/>表示用于约束神经网络的物理方程,/>和/>表示相关项的权重系数。
S334、基于经过验证后的锂离子电池模组热传递平衡方程和电池模组冷却液能量守恒方程,推导出考虑单体电池间物理热传递规律的损失函数,该损失函数如下所示:
,
,
,
,
,
式中,表示数据损失,/>表示方程损失,/>表示初始条件损失,/>表示边界条件损失,/>表示神经网络的总损失,/>表示训练样本个数,/>表示样本的真实值,/>表示样本的预测值,/>表示用于约束神经网络的物理方程,/>表示电池在三维坐标系各方向上的热导率,/>表示对流热系数,/>表示第i个标定单体电池的内部温度,/>表示环境温度,/>和/>表示相关项的权重系数。
本申请实施例中,所述步骤S33中考虑单体电池间物理热传递规律的神经网络温度预警模型定义了一个全连接神经网络,将考虑单体电池间物理热传递规律的损失函数包括在内,以各电池模组中单体电池编号及单体电压、总电流、环境温度和标定单体电池的内部温度数据为输入项,以电池模组内除标定单体电池之外其余单体电池的内部温度为输出项进行训练。
S34、将测试集数据输入所述初始第三预警模型中进行评估,根据评估结果调整模型参数得到第三预警模型,其中预警模型中的评估方法采用平均相对误差MRE来评估每个交叉验证测试数据的预测结果。
S35、将所述第三预警模型输入到第三预警模块中用于车辆实际行驶过程中电池模组内除标定单体电池之外其余单体电池的内部温度的预测。
此外,本申请实施例中采用tanh激活函数来激活所述步骤S23和S33中神经网络温度预警模型的全连接神经网络,其中tanh激活函数如下所示:
,
式中,为输入神经网络的第/>个样本。
本发明涉及的热失控预警得分决策模块,基于多个预警模块确定出的实际需要判断热失控趋势的单体电池,同步获取该单体电池在各预警模块下的预警结果,并通过热失控预警得分决策模型计算该单体电池的热失控预警分数。
优选的,所述热失控预警得分决策模块,基于第一预警模块、第二预警模块和第三预警模块确定出的实际需要判断热失控趋势的单体电池,同步获取该单体电池的第一预警结果、第二预警结果和第三预警结果,并通过热失控预警得分决策模型计算该单体电池的热失控预警分数,具体计算步骤为:
S41、第一预警结果为第一预警模型中输出的实际需要判断热失控趋势的单体电池的预警系数,根据第一预警结果,所述实际需要判断热失控趋势的单体电池的得分公式如下所示:
,
式中,表示第一预警模型相关项的放缩系数,/>表示预警系数,/>表示预设的预警标准。
需要说明的是,本申请实施例中,所述放缩系数的作用是将预警值按照一定规律放缩到0-100之间,便于所述热失控等级的分类。例如,按照先前的研究分析发现,的取值范围为0-3,那么/>的作用就是将0-3的数字映射到0-100之间,后文与之同理。
S42、第二预警结果为第二预警模型中输出的实际需要判断热失控趋势的单体电池所在的电池模组中多组标定单体电池的内部温度数据,每组标定单体电池的内部温度数据包括温度、温差/>和温升/>,根据国标规定热失控判定指标/>及第二预警结果,所述每组标定单体电池的得分公式如下所示:
,
式中,表示第二预警模型相关项的放缩系数,j表示第j组标定单体电池的内部温度数据。
本申请实施例中,第一预警模块发出正常工作或异常指令,第二预警模型都会输出实际需要判断热失控趋势的单体电池所在的电池模组中多组标定单体电池的内部温度数据,例如,基于本申请每个电池模组中设置的2个温度探针,第一预警模块发出正常工作指令时,第二预警模型会输出实际需要判断热失控趋势的单体电池所在的电池模组中2组标定单体电池的内部温度数据;第一预警模块发出异常指令时,第二预警模型会输出异常单体电池所处电池模组内的2组标定单体电池的内部温度数据,因而第二预警模型会得出多个分值,需要根据实际情况计算。
S43、第三预警结果为第三预警模型中输出的实际需要判断热失控趋势的单体电池的内部温度数据,包括温度、温差/>和温升/>,根据国标规定热失控判定指标和第三预警结果,所述实际需要判断热失控趋势的单体电池的得分公式如下所示:
,
式中,表示第三预警模型相关项的放缩系数。
需要说明的是,国标规定热失控判定指标具体如下:最小串联单元温升速率≥10℃/5s;最小串联单元的最大温度和最小温度的温差/>≥20℃,持续时间≥5s;最小串联单元温度/>≥60℃,持续时间≥5s。本申请实施例中,由于不同电池包的结构、型号以及电芯的串并联方式等多种组成因素均存在差异,因而本申请实施例所述步骤S42和S43中国标规定热失控判定指标的具体数值可在国标规定热失控判定指标的基础上根据实际需求进行调整。
S44、基于步骤S41-S43中各预警结果的得分,则热失控预警得分决策模型中实际需要判断热失控趋势的单体电池的热失控预警分数计算公式如下所示:
,
式中,i表示第i个预警模型得出的分值,c表示预警模型的数量,j表示某一预警模型中第j组数据的分值,d表示某一预警模型中有d组数据。
例如,本申请实施例中设置了3个预警模型,则c=3,当只有2号电池模组中第20号单体电池的预警系数出现异常时,第二预警模型会输出2号电池模组内2组标定单体电池的内部温度数据,则d=2,且第三预警模型中会输出第20号单体电池的内部温度数据,此时失控预警得分决策模型会基于第20号单体电池的第一预警结果、第二预警结果和第三预警结果进行计算,则该异常单体电池的热失控预警分数计算公式如下所示:
。
需要说明的是,本申请实施例中,所述热失控预警得分决策模型在计算实际需要判断热失控趋势的单体电池的热失控预警分数时结合了该单体电池的单体电压和温度数据,有利于提高判断的精准性,降低误报风险,进而提高新能源汽车行驶的安全性。
应当注意的是,当第一预测模块中预测出的异常电池是处于温度探针下的标定单体电池时,第二预警模块预测结束后,第三模块不需要进行预测,热失控预警得分决策模块会直接获取该异常电池的第一预警结果、第二预警结果计算该异常电池的热失控预警分数。
优选的,当第一预警模块中检测到多个异常单体电池时,所述热失控预警得分决策模块需要根据每个异常单体电池在各预警模块中对应的预警结果计算该异常单体电池的热失控预警分数。
本发明涉及的告警模块,获取所述热失控预警得分决策模块计算出的实际需要判断热失控趋势的单体电池的热失控预警分数,与预设的热失控等级分类规则进行匹配后,判断出该单体电池当前热失控等级并执行相应等级的告警操作。
优选的,当告警模块同时接收到多个实际需要判断热失控趋势的单体电池的热失控预警分数时,按分值最高的热失控预警分数判断出热失控等级并执行相应等级的告警操作。
需要强调的是,车辆实际行驶过程中,第一预警模型中可能会出现多个单体电池的预警系数同时出现异常,因而在计算实际需要判断热失控趋势的单体电池的热失控预警分数时,亦会出现多个热失控预警分数,此时告警模块基于分值最高的热失控预警分数判断出的热失控等级执行相应等级的告警操作。
此外,当告警模块基于分值最高的热失控预警分数判断出的热失控等级执行相应等级的告警操作后,还存储其余实际需要判断热失控趋势的单体电池的热失控预警分数,以便专业人士/工作人员对热失控预警分数最高的单体电池进行诊断维修时,还可以基于存储的其余实际需要判断热失控趋势的单体电池的热失控预警分数,对其余实际需要判断热失控趋势的单体电池也进行诊断维修。
优选的,所述告警模块中预设的热失控等级分类规则及各等级对应的告警操作具体为:
当热失控预警分数≥90分时,热失控等级为第一等级,此时告警模块应要求驾驶员立即停车远离车辆,联系专业人士到现场诊断;
当75分≤热失控预警分数<90分时,热失控等级为第二等级,此时告警模块需提醒驾驶员停车检查并联系工作人员进行风险评估,确定是维修还是更换故障电池;
当60分≤热失控预警分数<75分时,热失控等级为第三等级,此时告警模块向控制器发出限制电机输出动力的指令,并提醒驾驶员寻找专业人士检修确定故障位置;
当热失控预警分数<60分时,热失控等级为第四等级,此时告警模块不生成任何指令。
如图3所示,本发明还提供了一种多模型融合的动力电池热失控预警方法,应用于一种多模型融合的动力电池热失控预警***,包括以下步骤:
S51、在车辆启动之后,各采集模块按照N1秒一次的采样频率获取实时电池模组数据和行驶工况数据并发送至数据处理模块。
S52、数据处理模块对各采集模块采集的数据分别进行数据处理并发送至各预警模块。
S53、各预警模块通过协同预测各单体电池热失控趋势,从而确定出实际需要判断热失控趋势的单体电池及该单体电池在各预警模块下的预警结果。
S54、热失控预警得分决策模块获取实际需要判断热失控趋势的单体电池在各预警模块下的预警结果,并通过热失控预警得分决策模型计算该单体电池的热失控预警分数。
S55、告警模块获取热失控预警得分决策模块计算出的实际需要判断热失控趋势的单体电池的热失控预警分数,与预设的热失控等级分类规则进行匹配后,判断出该单体电池当前热失控等级并执行相应等级的告警操作。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多模型融合的动力电池热失控预警***,其特征在于,包括:
多个串联的电池模组,其内部均匀排列设置有若干单体电池;
多个电压传感器,其分别设置于所述电池模组内,且与所述单体电池一一对应,用于检测单体电池的电压;此外,所述电压传感器还设置于所有电池模组总回路上,用于检测电池模组的总电压;
多个温度探针,其分别设置在所述电池模组的标定单体电池上,用于检测电池模组内标定单体电池的探针温度;
电流传感器,其设置在所有电池模组总回路上,用于检测电池模组的总电流;
多个数据采集模块,与多个电池模组和行车电脑连接,按照N1秒一次的采样频率采集多个电池模组数据以及行驶工况数据;
数据处理模块,用于处理各数据采集模块采集的数据;
多个预警模块,通过协同预测各单体电池热失控趋势,从而确定出实际需要判断热失控趋势的单体电池;
热失控预警得分决策模块,基于多个预警模块确定出的实际需要判断热失控趋势的单体电池,同步获取该单体电池在各预警模块下的预警结果,并通过热失控预警得分决策模型计算该单体电池的热失控预警分数;
告警模块,获取所述热失控预警得分决策模块计算出的实际需要判断热失控趋势的单体电池的热失控预警分数,与预设的热失控等级分类规则进行匹配后,判断出该单体电池当前热失控等级并执行相应等级的告警操作。
2.根据权利要求1所述的一种多模型融合的动力电池热失控预警***,其特征在于,多个数据采集模块具体包括:
第一采集模块,用于实时采集多个电池模组编号以及各电池模组中单体电池的编号和单体电压;
第二采集模块,用于实时采集所有电池模组的总电压以及标定单体电池的探针温度;
第三采集模块,用于实时采集所有电池模组的总电流;
第四采集模块,用于获取车辆行驶过程中的里程数、电机转矩和加速踏板行程;
第五采集模块,用于获取车辆行驶过程中的环境温度。
3.根据权利要求2所述的一种多模型融合的动力电池热失控预警***,其特征在于,所述多个预警模块具体为第一预警模块、第二预警模块和第三预警模块,其中第一预警模块、第二预警模块和第三预警模块通过协同预测各单体电池热失控趋势,从而确定出实际需要判断热失控趋势的单体电池的具体步骤为:
S1、第一预警模块获取已处理的第一采集模块的数据,通过第一预警模型对各电池模组中各单体电池进行预测获得各单体电池的预警系数;同时,将各单体电池的预警系数与预设的预警标准进行比较,并根据比较结果向第二预警模块发出相应指令,具体为:
当各单体电池的预警系数<预设的预警标准时,第一预警模块向第二预警模块和各数据采集模块发出正常工作指令;
当任意一个单体电池的预警系数≥预设的预警标准时,第一预警模块向第二预警模块发出异常指令并提供异常单体电池的电池编号以及该异常单体电池所处的异常电池模组编号,同时通知各数据采集模块将采样频率由N1秒一次调整为N2秒一次,其中N1>N2;
S2、第二预警模块获取已处理的第二、三、四、五采集模块的数据,并接收第一预警模块发出的相应指令,通过第二预警模型执行相应的操作,具体为:
当第二预警模块接收到第一预警模块发出的正常工作指令时,通过第二预警模型对各电池模组内标定单体电池的内部温度进行预测,获得各电池模组内标定单体电池的内部温度,随后向第三预警模块发出正常工作指令并提供各电池模组内标定单体电池的内部温度数据;
当第二预警模块接收到第一预警模块发出的异常指令及异常信息时,通过第二预警模型对异常电池模组内标定单体电池的内部温度进行预测,获得该异常电池模组内标定单体电池的内部温度,随后向第三预警模块发出异常指令并提供异常单体电池的电池编号以及该异常电池模组内标定单体电池的内部温度数据;
S3、第三预警模块获取已处理的第一、三、五采集模块的数据,并根据第二预警模块发出的相应指令,通过第三预警模型执行相应的操作,从而确定出实际需要判断热失控趋势的单体电池,具体为:
当第三预警模块接收到第二预警模块发出的正常工作指令及各电池模组内标定单体电池的内部温度数据时,通过第三预警模型对全部电池模组内除标定单体电池之外其余单体电池的内部温度进行预测,获得全部电池模组内除标定单体电池之外其余单体电池的内部温度数据,随后结合第二预警模块中输出的各电池模组内标定单体电池的内部温度数据,选择全部电池模组中内部电池温度最高的单体电池作为实际需要判断热失控趋势的单体电池;
当第三预警模块接收到第二预警模块发出的异常指令和异常单体电池的电池编号以及该异常电池模组内标定单体电池的内部温度数据时,通过第三预警模型对异常单体电池的内部温度进行预测,获得异常单体电池的内部温度数据,选择该异常单体电池作为实际需要判断热失控趋势的单体电池。
4.根据权利要求3所述的一种多模型融合的动力电池热失控预警***,其特征在于,第一预警模型、第二预警模型和第三预警模型具体构建步骤为:
所述第一预警模型为基于样本熵的电压预警模型,其中第一预警模型的构建步骤如下所示:
S11、获取第一历史工作数据并进行数据处理,其中所述第一历史工作数据包括车辆的单体电压数据;
S12、计算每辆车在一段时间内N个样本的熵值,样本熵计算公式如下所示:
,
式中,表示两个序列在阈值r下匹配n个点的概率,/>表示两个序列匹配/>个点的概率,n表示样本的数量,r表示阈值;
S13、基于每辆车的样本熵值,计算预警系数,其中预警系数计算公式如下所示:
,
,
式中,为第i个样本的熵值,/>是为了消除信息遗漏所引入的求平均的中间变量,是设置求平均的样本个数,/>表示k时刻和j时刻为了消除信息遗漏所引入的求平均的中间变量,/>为某一单体电池j时刻的预警系数;
所述第二预警模型为考虑单体电池物理产热规律的神经网络温度预警模型,其中第二预警模型具体构建步骤为:
S21、获取第二历史工作数据并进行数据处理,其中所述第二历史工作数据包括标定单体电池的探针温度、总电压、总电流、环境温度、里程数、电机转矩和加速踏板行程数据;
S22、将经过数据处理后的第二历史工作数据按照比例分为训练集和测试集;
S23、将训练集数据输入考虑单体电池物理产热规律的神经网络温度预警模型中进行训练,得到初始第二预警模型;
S24、将测试集数据输入所述初始第二预警模型中进行评估,根据评估结果调整模型参数得到第二预警模型;
S25、将所述第二预警模型输入到第二预警模块中用于车辆实际行驶过程中电池模组内标定单体电池的内部温度的预测;
所述第三预警模型为考虑单体电池间物理热传递规律的神经网络温度预警模型,其中第三预警模型具体构建步骤为:
S31、获取第三历史工作数据并进行数据处理,其中所述第三历史工作数据包括各电池模组中单体电池编号及单体电压、总电流、环境温度和标定单体电池的内部温度数据;
S32、将经过数据处理后的第三历史工作数据按照比例分为训练集和测试集;
S33、将训练集数据输入考虑单体电池间物理热传递规律的神经网络温度预警模型中进行训练,得到初始第三预警模型;
S34、将测试集数据输入所述初始第三预警模型中进行评估,根据评估结果调整模型参数得到第三预警模型;
S35、将所述第三预警模型输入到第三预警模块中用于车辆实际行驶过程中电池模组内除标定单体电池之外其余单体电池的内部温度的预测。
5.根据权利要求4所述的一种多模型融合的动力电池热失控预警***,其特征在于,所述预警标准的取值范围由未发生热失控故障车辆的最大预警系数和已发生热失控故障车辆的最小预警系数共同得出,具体步骤为:
1)获取第四历史工作数据并进行数据处理,其中所述第四历史工作数据包括未发生热失控故障车辆和已发生热失控故障车辆的单体电压数据;
2)计算每辆未发生热失控故障车辆在一段时间内M1个样本的熵值,以及每辆已发生热失控故障车辆在发生故障前一段时间内M2个样本的熵值;
3)基于第一预警模型中的预警系数计算公式,计算每辆已/未发生热失控故障车辆的预警系数;
4)将每辆未发生热失控故障车辆的预警系数中最大的预警系数作为预警标准的下限,每辆已发生热失控故障车辆的预警系数中最小的预警系数/>作为预警标准的上限,则预警标准的取值范围为:/>。
6.据权利要求5所述的一种多模型融合的动力电池热失控预警***,其特征在于,所述步骤S23中考虑单体电池物理产热规律的神经网络温度预警模型是通过将单体电池的热平衡方程引入到模型训练的损失函数中,使考虑单体电池物理产热规律的神经网络温度预警模型受到物理规律的约束,进而可以预测电池模组内标定单体电池的内部温度,其中该损失函数如下所示:
,
,
,
;
所述步骤S33中考虑单体电池间物理热传递规律的神经网络温度预警模型是通过将电池模组热传递平衡方程和电池模组冷却液能量守恒方程引入到模型训练的损失函数中,使考虑单体电池间物理热传递规律的神经网络温度预警模型可以学习到相关的物理规律,进而可以输出除标定单体电池之外其余单体电池的内部温度,其中该损失函数如下所示:
,
,
,
,
,
式中,表示数据损失,/>表示方程损失,/>表示初始条件损失,/>表示边界条件损失,/>表示神经网络的总损失,/>表示训练样本个数,/>表示样本的真实值,表示样本的预测值,/>表示时间,/>表示第i个单体电压,/>表示第i个标定单体电池的探针温度,/>表示环境温度,/>表示用于约束神经网络的物理方程,/>表示电池在三维坐标系各方向上的热导率,/>表示对流热系数,/>表示第i个标定单体电池的内部温度,/>、/>、/>和/>表示相关项的权重系数。
7.根据权利要求6所述的一种多模型融合的动力电池热失控预警***,其特征在于,所述数据处理模块、步骤1)、步骤S11、步骤S21以及步骤S31中提及的数据处理指对采集数据分别进行包括但不限于数据清洗、特征选择、特征转换、数据缩放和数据编码的处理操作;所述步骤S24和S34中采用平均相对误差MRE来评估每个交叉验证测试数据的预测结果;
此外,所述步骤S1中预设的预警标准=。
8.根据权利要求7所述的一种多模型融合的动力电池热失控预警***,其特征在于,所述热失控预警得分决策模块,基于第一预警模块、第二预警模块和第三预警模块确定出的实际需要判断热失控趋势的单体电池,同步获取该单体电池的第一预警结果、第二预警结果和第三预警结果,并通过热失控预警得分决策模型计算该单体电池的热失控预警分数,具体计算步骤为:
S41、第一预警结果为第一预警模型中输出的实际需要判断热失控趋势的单体电池的预警系数,根据第一预警结果,所述实际需要判断热失控趋势的单体电池的得分公式如下所示:
,
式中,表示第一预警模型相关项的放缩系数,/>表示预警系数,/>表示预设的预警标准;
S42、第二预警结果为第二预警模型中输出的实际需要判断热失控趋势的单体电池所在的电池模组中多组标定单体电池的内部温度数据,每组标定单体电池的内部温度数据包括温度、温差/>和温升/>,根据国标规定热失控判定指标/>及第二预警结果,所述每组标定单体电池的得分公式如下所示:
,
式中,表示第二预警模型相关项的放缩系数,j表示第j组标定单体电池的内部温度数据;
S43、第三预警结果为第三预警模型中输出的实际需要判断热失控趋势的单体电池的内部温度数据,包括温度、温差/>和温升/>,根据国标规定热失控判定指标/>和第三预警结果,所述实际需要判断热失控趋势的单体电池的得分公式如下所示:
,
式中,表示第三预警模型相关项的放缩系数;
S44、基于步骤S41-S43中各预警结果的得分,则热失控预警得分决策模型中实际需要判断热失控趋势的单体电池的热失控预警分数计算公式如下所示:
,
式中,i表示第i个预警模型得出的分值,c表示预警模型的数量,j表示某一预警模型中第j组数据的分值,d表示某一预警模型中有d组数据。
9.根据权利要求8所述的一种多模型融合的动力电池热失控预警***,其特征在于,当第一预警模块中检测到多个异常单体电池时,所述热失控预警得分决策模块需要根据每个异常单体电池在各预警模块中对应的预警结果计算该异常单体电池的热失控预警分数;当告警模块同时接收到多个实际需要判断热失控趋势的单体电池的热失控预警分数时,按分值最高的热失控预警分数判断出热失控等级并执行相应等级的告警操作;此外,所述告警模块中预设的热失控等级分类规则及各等级对应的告警操作具体为:
当热失控预警分数≥90分时,热失控等级为第一等级,此时告警模块应要求驾驶员立即停车远离车辆,联系专业人士到现场诊断;
当75分≤热失控预警分数<90分时,热失控等级为第二等级,此时告警模块需提醒驾驶员停车检查并联系工作人员进行风险评估,确定是维修还是更换故障电池;
当60分≤热失控预警分数<75分时,热失控等级为第三等级,此时告警模块向控制器发出限制电机输出动力的指令,并提醒驾驶员寻找专业人士检修确定故障位置;
当热失控预警分数<60分时,热失控等级为第四等级,此时告警模块不生成任何指令。
10.一种多模型融合的动力电池热失控预警方法,应用于权利要求1-9任意一项所述的一种多模型融合的动力电池热失控预警***,其特征在于,包括以下步骤:
S51、在车辆启动之后,各采集模块按照N1秒一次的采样频率获取实时电池模组数据和行驶工况数据并发送至数据处理模块;
S52、数据处理模块对各采集模块采集的数据分别进行数据处理并发送至各预警模块;
S53、各预警模块通过协同预测各单体电池热失控趋势,从而确定出实际需要判断热失控趋势的单体电池及该单体电池在各预警模块下的预警结果;
S54、热失控预警得分决策模块获取实际需要判断热失控趋势的单体电池在各预警模块下的预警结果,并通过热失控预警得分决策模型计算该单体电池的热失控预警分数;
S55、告警模块获取热失控预警得分决策模块计算出的实际需要判断热失控趋势的单体电池的热失控预警分数,与预设的热失控等级分类规则进行匹配后,判断出该单体电池当前热失控等级并执行相应等级的告警操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410581420.7A CN118144571B (zh) | 2024-05-11 | 2024-05-11 | 一种多模型融合的动力电池热失控预警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410581420.7A CN118144571B (zh) | 2024-05-11 | 2024-05-11 | 一种多模型融合的动力电池热失控预警***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118144571A true CN118144571A (zh) | 2024-06-07 |
CN118144571B CN118144571B (zh) | 2024-07-02 |
Family
ID=91295270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410581420.7A Active CN118144571B (zh) | 2024-05-11 | 2024-05-11 | 一种多模型融合的动力电池热失控预警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118144571B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110370984A (zh) * | 2019-06-26 | 2019-10-25 | 清华大学 | 动力电池热失控预警方法 |
CN116683061A (zh) * | 2023-08-03 | 2023-09-01 | 太原科技大学 | 动力电池热失控预测与抑制集成***、方法及存储介质 |
CN116992382A (zh) * | 2023-07-28 | 2023-11-03 | 深蓝汽车科技有限公司 | 动力电池热失控的预测方法及装置 |
WO2023225975A1 (zh) * | 2022-05-27 | 2023-11-30 | 宁德时代新能源科技股份有限公司 | 热失控检测的方法和装置 |
-
2024
- 2024-05-11 CN CN202410581420.7A patent/CN118144571B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110370984A (zh) * | 2019-06-26 | 2019-10-25 | 清华大学 | 动力电池热失控预警方法 |
WO2023225975A1 (zh) * | 2022-05-27 | 2023-11-30 | 宁德时代新能源科技股份有限公司 | 热失控检测的方法和装置 |
CN116992382A (zh) * | 2023-07-28 | 2023-11-03 | 深蓝汽车科技有限公司 | 动力电池热失控的预测方法及装置 |
CN116683061A (zh) * | 2023-08-03 | 2023-09-01 | 太原科技大学 | 动力电池热失控预测与抑制集成***、方法及存储介质 |
Non-Patent Citations (1)
Title |
---|
朱晓庆;王震坡;WANG HSIN;王聪;: "锂离子动力电池热失控与安全管理研究综述", 机械工程学报, no. 14, 20 July 2020 (2020-07-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN118144571B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、*** | |
CN109061537B (zh) | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 | |
CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN111596212B (zh) | 一种基于电化学变量监测的电池内部故障诊断方法及装置 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及*** | |
CN107247234B (zh) | 一种车用动力电池的soc实时在线估计方法及*** | |
JPH08202444A (ja) | 機械設備の異常診断方法および装置 | |
CN113919222B (zh) | 一种电池组的内部温度在线计算方法 | |
Wang et al. | Core temperature estimation method for lithium-ion battery based on long short-term memory model with transfer learning | |
CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN114565008A (zh) | 基于长短时记忆自编码器的锂电池异常检测方法 | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
CN115308628A (zh) | 一种电池健康状态监测方法 | |
CN118144571B (zh) | 一种多模型融合的动力电池热失控预警***及方法 | |
CN117601655A (zh) | 一种车载锂电池碰撞热失控预警方法及*** | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
CN117554812A (zh) | 电池热失控预警方法、装置、计算设备及存储介质 | |
CN117289045A (zh) | 用于预测避雷器剩余寿命的方法、装置及存储介质 | |
CN116796285A (zh) | 基于多源信息融合的动力电池热失控超前预警方法及*** | |
CN116930764A (zh) | 融合电力电子的锂电池储能***故障诊断和危险预测方法 | |
CN116315189A (zh) | 一种基于数据融合的电池包热失控预测方法和*** | |
CN117117356B (zh) | 一种储能电池组热失控监测溯源方法及*** | |
KR102595386B1 (ko) | 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치 | |
Wang et al. | An Incipient Multi-Fault Diagnosis Method for Lithium-Ion Battery Pack Based on Data-Driven with Incremental-Scale |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |