一种计及电池系统放电数据的电池热失控风险检测方法

技术领域

本发明涉及电池管理系统领域，具体涉及一种计及电池系统放电数据的电池热失控风险检测方法。

背景技术

在能源危机和后疫情时代到来之际，锂离子电池以其高能量密度、高比功率和长循环寿命成为电动汽车的关键能源。由于单体电池容量和电压有限，电动汽车往往需要上百块电池串联/并联的电池系统共同驱动车辆正常行驶。虽然目前电池制造、包装技术有了长足的发展进步，但是由于车辆运行工况复杂多变，热滥用、电滥用情况频发，在多因素耦合作用下电池难以避免会发生故障。若无法及时处理，最终可能导致热失控事故的发生，将严重威胁车内乘员生命财产安全。

一般情况下，电池故障诊断只有在出现明显故障现象，如发热、冒烟才会促使人们寻找故障电池并加以解决。但对于电动汽车电池系统而言，某些故障具有强隐蔽性前期表现几乎与正常电池无异，而故障出现明显特征后可以在短时间内产生大量热能迅速引发热失控。为此，公开号为CN115993542A的中国专利公开了一种《电池热失控风险的监测方法、装置和车辆》，其包括：识别出电池包体中的问题电芯；对电池包体的生命周期内的温度数据进行统计，以得到电池包体中的特征温度对应的特征温度区域；若问题电芯位于特征温度对应的特征温度区域内，则确定问题电芯的热失控风险增加。

上述现有方案中，是根据问题电芯是否处于特征温度区域内来判断问题电芯的热失控风险是否提高，其无法对电池的热失控风险进行量化，使得难以直观且有效的获知电池的热失控风险，导致电池热失控风险检测的准确性和有效性不够好。因此，如何设计一种提高电池热失控风险检测的准确性和有效性的方法是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种计及电池系统放电数据的电池热失控风险检测方法，能够对电池热失控风险进行量化评估以直观且有效的获知电池的热失控风险，并且能够改善电池热失控误报警频发的问题，从而提高电池热失控风险检测的准确性和有效性。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种计及电池系统放电数据的电池热失控风险检测方法，包括：

S1：在电池组充放电过程中，采集电池组的特征数据；

S2：对电池组的特征数据进行充放电循环的划分，并提取电池组某次循环的放电数据；

S3：通过纵向离群均值算法根据电池组所选循环的放电数据，计算各个单体电池所选循环的电池热失控风险值；

S4：将电池热失控风险值超过设置的风险阈值的单体电池作为可疑电池；

S5：通过设置的判断机制对可疑电池进行进一步检测，并根据检测结果进行电池热失控风险报警。

优选的，电池组的特征数据包括端电压、电池SOC和行驶总里程。

优选的，电池组的放电数据包括端子电压、温度和内阻。

优选的，通过如下步骤计算单体电池的电池热失控风险值：

S301：根据电池组的放电数据计算单体电池所属支路中所有单体电池的电压中位数；

S302：通过纵向离群均值算法根据电压中位数计算单体电池的纵向离群均值作为其电池热失控风险值；

公式描述为：

式中：LOA

优选的，通过如下公式计算电压中位数：

式中：V

优选的，风险阈值设置为1.2。

优选的，通过如下步骤对可疑电池进行检测：

S501：检测可疑电池的电池热失控风险值是否超过风险阈值的A倍：若是，则判断可疑电池存在热失控风险；否则，进入下一步骤；

S502：检测可疑电池前三次循环的电池热失控风险值是否均超过风险阈值：若是，则判断可疑电池存在热失控风险；否则，进入下一步骤；

S503：通过信息熵权重算法计算可疑电池本次循环的IEW值作为风险分数；

S504：当可疑电池本次循环的风险分数小于或等于设置的分数阈值时，判断可疑电池存在热失控风险。

优选的，设置端子电压、内阻和温度三个指标来计算可疑电池风险分数。

优选的，通过如下公式计算可疑电池的风险分数：

其中，

d

k＝ln(n

式中：s表示电池的IEW值，即风险分数；w

优选的，通过如下公式计算电池的内阻：

式中：R

本发明中一种计及电池系统放电数据的电池热失控风险检测方法与现有技术相比，具有如下有益效果：

本发明通过纵向离群均值算法根据电池组放电数据计算各个单体电池的电池热失控风险值。一方面，本发明采用的LOA算法可以建立基于历史数据的模型，通过对放电数据进行分析和学习，预测电池热失控风险的趋势和变化，进而能够快速准确地对电池热失控风险进行量化评估，进而能够直观且有效的获知电池的热失控风险，从而提高电池热失控风险检测的准确性和有效性。另一方面，LOA算法可以有效识别出放电数据中的异常值或离群值，并对其进行处理，进而通过排除异常值的影响来得到更准确的热失控风险评估结果，减少误判和偏差，使得能够在检测动力电池热失控风险的过程中充分挖掘、放大单体电池故障特征，实现电池热失控风险早期预警，从而进一步提高电池热失控风险检测的准确性。

本发明将电池热失控风险值超过风险阈值的单体电池作为可疑电池，并对可疑电池进行进一步的检测，以更准确的实现热失控风险报警，使得能够在保证电池热失控风险检测准确性的同时，更好的改善当前故障诊断领域存在的电池热失控误报警频发的问题，从而能够进一步提高电池热失控风险检测的有效性。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为电池热失控风险检测方法的逻辑框图；

图2为电池热失控风险检测方法的网络流程图；

图3(a)和(b)分别为某热失控车辆14天运行电压数据图和局部放大图；

图4为热失控车辆电池的LOA值：(a)-(h)分别代表事故发生前的14、13、12、10、7、3、1和事故当天的LOA计算结果；

图5为存在热失控风险车辆14天运行电压数据：(a)-(f)分别代表6月18日、19日、20日、27日、28日、29日的电压曲线；

图6为图5中电压曲线对应的LOA计算结果图：(a)-(f)分别代表6月18日、19日、20日、27日、28日、29日的电压曲线的LOA计算结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件能够以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“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，或者是该发明产品使用时惯常摆放的方位或位置关系，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。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。例如“水平”仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“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；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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。

下面通过具体实施方式进一步详细的说明：

实施例：

本实施例中公开了一种计及电池系统放电数据的电池热失控风险检测方法。

如图1和图2所示，一种计及电池系统放电数据的电池热失控风险检测方法，包括：

S1：在电池组充放电过程中，以设置的采样时间为间隔采集电池组的特征数据；

本实施例中，电池组的特征数据包括端电压、电池SOC和行驶总里程。其中电池端电压是反映电池运行状态的重要指标，检测单体电池间的端电压不一致性也是故障诊断的重要手段；电池SOC及车辆行驶总里程被用于循环片段的划分。

S2：对电池组的特征数据进行充放电循环的划分，并提取电池组某次循环的放电数据；

本实施例中，根据相邻循环下SOC存在差值的现象将电池组的特征数据划分为若干个充放电循环电压片段。

电池组的放电数据包括端电压、温度和内阻。其中电池的内阻是评估电池工作性能和老化程度的重要指标，而端电压和温度也是评估电池功率水平和工作状态的重要指标。

S3：通过纵向离群均值(Longitudinal Outlier Average,LOA)算法根据电池组本次循环的放电数据，计算各个单体电池本次循环的电池热失控风险值；

S4：将电池热失控风险值超过设置的风险阈值的单体电池作为可疑电池；

本实施例中，选用一辆热失控事故车辆及一辆存在热失控风险车辆进行了分析，最终将风险阈值J设置为1.2。当某单体电池的电池热失控风险值低于或等于1.2，则判定该单体电池为正常电池；若某单体电池的电池热失控风险值超过1.2，则将其作为可疑电池。

S5：通过设置的判断机制对可疑电池进行进一步检测，并根据检测结果进行电池热失控风险报警。

本发明通过纵向离群均值算法根据电池组放电数据计算各个单体电池的电池热失控风险值。一方面，本发明采用的LOA算法可以建立基于历史数据的模型，通过对放点数据进行分析和学习，预测电池热失控风险的趋势和变化，进而能够快速准确地对电池热失控风险进行量化评估，进而能够直观且有效的获知电池的热失控风险，从而提高电池热失控风险检测的准确性和有效性。另一方面，LOA算法可以有效识别出放电数据中的异常值或离群值，并对其进行处理，进而通过排除异常值的影响来得到更准确的热失控风险评估结果，减少误判和偏差，使得能够在检测动力电池热失控风险的过程中充分挖掘、发大单体电池故障特征，实现电池热失控风险早期预警，从而进一步提高电池热失控风险检测的准确性。

本发明将电池热失控风险值超过风险阈值的单体电池作为可疑电池，并对可疑电池进行进一步的检测，以更准确的实现热失控风险报警，使得能够在保证电池热失控风险检测准确性的同时，更好的改善当前故障诊断领域存在的电池热失控误报警频发的问题，从而能够进一步提高电池热失控风险检测的有效性。

本发明以充放电循环为单位进行划分有利于降低单次分析时间，进而精准的定位故障发生时间。并且仅分析单次循环数据避免了故障特征淹没于海量数据当中的问题。

具体实施过程中，通过如下步骤计算单体电池的电池热失控风险值：

S301：根据电池组的放电数据计算单体电池所属支路中所有单体电池的电压中位数；

S302：通过纵向离群均值算法根据电压中位数计算单体电池的纵向离群均值作为其电池热失控风险值；

公式描述为：

式中：LOA

具体的，通过如下公式计算电压中位数：

式中：V

本发明通过上述的LOA算法，可以建立基于历史数据的模型，通过对放点数据进行分析和学习，预测电池热失控风险的趋势和变化，进而能够快速准确地对电池热失控风险进行量化评估，即能够直观且有效的获取电池热失控风险，从而提高电池热失控风险检测的准确性和有效性。同时可以有效识别出放电数据中的异常值或离群值，并对其进行处理，使得能够通过排除异常值的影响来得到更准确的热失控风险评估结果，进而减少误判和偏差，即在检测动力电池热失控风险的过程中充分挖掘、发大单体电池故障特征，实现电池热失控风险早期预警，从而进一步提高电池热失控风险检测的准确性。

具体实施过程中，通过如下步骤对可疑电池进行检测：

S501：检测可疑电池的电池热失控风险值是否超过风险阈值的A倍：若是(即过度超过阈值)，则判断可疑电池存在热失控风险；否则，进入下一步骤；

本实施例中，A设置为1.25。

S502：检测可疑电池前三次循环的电池热失控风险值是否均超过风险阈值：若是(即频繁超过阈值)，则判断可疑电池存在热失控风险；否则，进入下一步骤；

S503：通过信息熵权重(Information Entropy Weighting,IEW)算法计算可疑电池本次循环的IEW值作为风险分数；

本实施例中，设置端子电压、内阻和温度三个指标来计算可疑电池风险分数。

S504：当可疑电池本次循环的风险分数小于或等于设置的分数阈值时，判断可疑电池存在热失控风险。

本实施例中，当可疑电池本次循环的风险分数超过70分，则判定其为正常电池，否则判断可疑电池存在热失控风险。

本发明中，设置的判断机制通过三层报警判断机制对可疑电池进行进一步的检测，使得能够更准确的实现热失控风险报警，实现了在保证电池热失控风险检测准确性的同时，更好的改善当前故障诊断领域存在的电池热失控误报警频发的问题，从而能够进一步提高电池热失控风险检测的有效性。

本发明采用信息熵权重算法计算可疑电池的IEW值作为风险分数，其中信息熵权重算法可以综合考虑多个指标的权重，通过计算信息熵来确定不同指标对电池热失控风险的贡献程度，可以综合各项指标的重要性，更全面地评估电池的热失控风险。同时信息熵权重算法能够客观公正地分配各项指标的权重，不依赖于主观经验或个人偏好，而是通过数据分析和统计方法，根据指标之间的相对信息量进行权重分配，可以减少主观因素的干扰，提高权重分配的准确性和公平性。最后信息熵权重算法得到的IEW值直观易懂，可以直接用于判断电池热失控风险的高低，IEW值越高，表示电池的综合表现越好，IEW值越低，表示电池的综合表现越差，这样的结果解释方式便于决策者理解和操作，提高决策效率。

具体的，信息熵权重法是一种多指标决策方法。基于信息熵的概念，通过计算指标的信息熵来评估指标的纯度和信息量，从而确定其权重或重要性。计算多指标熵权重需要：计算变量系数(OCV)、计算指标的不一致性θ并标准化得到θ

其中，

d

k＝ln(n

式中：s表示电池的IEW值，即风险分数；w

具体的，端子电压和温度都可以通过传感器直接得到，但电池内阻需要进行估计。

通过如下公式计算电池的内阻：

式中：R

为了更好的说明本发明技术方案的优势，申请人进行了如下实验：

采用实际车辆运行数据对本发明进行验证，包含一辆热失控事故车辆及一辆存在热失控风险车辆，其对应电压曲线分别如图3和图5所示。

由图3可知，该车在14天内经历了21次不同深度的充放电循环。由放大图可知，在事故发生的当天，电池充满电至SOC＝100％，从充电状态转换为驾驶状态后，第76号电池在行驶约30分钟后突然电压下降。大约10秒后，电动汽车发生了热失控，电池管理系统(BMS)停止记录数据。经验证，第50号和第66号电池也存在潜在故障，并且它们位于与第76号电池相邻的位置上，符合故障传播原理。

图4展示了事故发生前不同时期每个单元的LOA值。可以观察到，在事故发生前的第14天，每个单元的LOA值都低于风险阈值(J＝1.2)。然而，50号电池、66号电池、76号电池以及它们之间的五个单元的LOA值非常接近风险阈值J，表明这些单体电池处于正常运行状态但展示出异常趋势。50号电池和76号电池的LOA值从事故发生前的第13天开始持续高于风险阈值J。类似地，66号电池的LOA值在事故发生前的第3天至第13天也超过了阈值J。然而，在事故发生前的三天内，它的LOA值降低到风险阈值J以下，可能是由于电池极化效应等原因导致66号电池恢复到正常状态。或者，它可能是由于类似于76号电池持续故障导致其周围电池出现异常，使得第66号单元相对正常。在事故发生当天，50号电池和76号电池的LOA值超过了风险阈值，并且其他一些单元的LOA值也显著增加。甚至17号电池的LOA值超过了风险阈值J。这证实了单体电池之间存在故障传播现象。

图5显示了一辆存在热失控风险的车辆的电压曲线。可以观察到，在18日当天车辆的电压曲线出现了轻微异常，表明151号电池电压在运行初期与其他单元分离。第一次警报发生在19日，电压曲线显示出151号电池在运行初期与其他电池出现了显著偏离。在20日至27日之间没有触发任何警报，但异常情况仍然存在。在28日，151号电池再次在运行初期与其他单元分离。与其他单元相比，其在第28次运行中的偏离更加明显，导致该日的第二次警报。

图6显示了可能存在故障风险的电动汽车的分析结果。从图中可以观察到，在第19天和第28天，电池单元151的LOA值超过了风险阈值J，但在其他运行期间没有表现出任何异常。这表明出现了零星警报，需要进一步使用报警判断机制来识别可疑的电池单元。由图易得，151号电池并未出现过度超过风险阈值或频繁超过风险阈值的现象，需要进一步计算该车辆电池IEW得分。表1为风险车辆电池IEW得分统计，由表可知该车辆电池IEW得分始终低于70，判定为存在热失控风险。由此证明，尽管在26天内仅出现了零星的热失控风险警报，但可以通过警报评估机制认为警报正确。

表1风险车辆IEW得分统计

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。