一种动力电池采样异常风险识别方法与故障判定方法

技术领域

本发明涉及风险识别技术领域，具体涉及一种动力电池采样异常风险识别方法与故障判定方法。

背景技术

随着新能源汽车数量的日益增长，越来越多的新能源汽车安全问题凸显而出。其中，新能源汽车中的电池安全问题是现今新能源汽车的主要安全问题之一。

而在电池故障问题中，采样异常是一种较为常见的故障现象。采样异常故障模式是指由于电池单体采样模块失效造成的采样功能模块的异常。电池单体采样模块涉及电池单体、模组、采样芯片、线束及其插件等，线束是单体电压采样模块的重要部分，也是较易导致采样异常的部分。采样异常的诱因很多，包括线束端子有胶尘，导致接触阻抗变大，电压采样丢失；线束锁定端子弹片变形，电压采样丢失；线束接插件退针导致电压采样异常等，进而造成采样线接触点电阻变化，如脱落，断裂、损伤等问题。

目前，针对采样异常的识别多是依赖于BMS系统所提取的数据，但BMS系统所报出的数据可能存在很多误报问题，因为数据的波动是很正常的现象，而BMS系统会将发生波动的数据报出，这样就容易产生很多采样异常，从而导致误报警的情况，异常判定并不准确。并且，由于现今的新能源汽车实际运行过程环境多变、场景复杂，其运行数据也具有多维、冗余、异构和强耦合等特点，再加上电池系统本身的物理特性以及传感器的设计、采集精度等因素影响，不同信号数据之间必然存在信息耦合、冗余与误差，使得数据分析和异常识别判定更为困难，误差更大。

此外，动力电池易于产生的故障类型(即存在的风险类型)是多种多样的，除了采样异常外，还有诸如连接异常、自放电异常、容量异常、内阻异常等等，而这些故障的出现，均会直观地引发动力电池运行数据的不正常波动，且这些波动之间的相似度是十分高的，这使得基于运行数据确定风险的存在是相对容易的，但，若想要自运行数据中准确判断出究竟是何种故障(风险类型)，却是十分困难的，因为无法自类似的数值表象中再进行风险类型的区分，定向识别采样异常是存在较大困难的。

发明内容

本发明意在提供一种动力电池采样异常风险识别方法与故障判定方法，能够完成对采样异常风险的早期精准识别，能够准确识别、判定采样异常故障。

为达到上述问题，本发明提供如下基础方案：

方案一：

一种动力电池采样异常风险识别方法与故障判定方法，包括以下步骤：

步骤1：采集电池基本数据；

步骤2：对电池基本数据进行数据清洗与数据预处理；

步骤3：基于步骤2处理后的电池基本数据，提取采样异常安全要素Cr；所述采样异常安全要素Cr为参考电芯的压差变化速度在电流变化速度上的相关投影方差参数；

步骤4：对采样异常安全要素Cr进行非线性特征转换与放大处理，并得到异常要素Sf；且Sf＝e

步骤5：采用方差熵对采样异常安全要素进行量化，并得到量化特征；所述量化特征值越小，在时间尺度上，采样异常特征波动程度越小，异常风险越小。

方案二：

一种动力电池采样异常故障判定方法，包括以下步骤：

S1：采用如方案一所述的一种动力电池采样异常风险识别方法进行风险识别；

S2：比对风险概率值与判定阈值，将风险概率值大于判定阈值时对应的时刻点作为高风险点；

S3：提取高风险点前后预设时间段内的异常要素值及电压值，并绘制为风险图像；

S4：根据风险图像中各数值曲线的波动情况判定采样异常故障。

本发明的工作原理及优点在于：

本方案结合采样异常的机理知识与数据挖掘相关技术，自采样异常产生时电压信号数据的对应的机理变化出发，通过设计采样异常在电压信号数据上的表征特征，即对应为参考电芯的压差变化速度在电流变化速度上的相关投影方差参数，将难以从繁杂数据中捕捉出的异常以采样异常安全要素形式提取出来，并采用非线性特征转换与放大处理、以及方差熵，将其处理为无量纲化的量化特征数据，能够直观表示出在时间尺度上异常特征的波动情况和风险情况，进而能够有效实现故障信息的数据表达与自动化识别，能够基于车辆运行历史数据，实现新能源汽车风险的准确识别与采样异常故障的准确判定。

并且，特别的是，本方案在识别风险、判定异常时，并非是直接捕捉异常数据，而是进一步地捕捉采样异常产生过程中或采样异常存在的情况下，电压信号数据的特定特征的波动情况，也即为压差变化速度在电流变化速度上的相关投影方差参数，该参数实际描述了采样异常对应的机理状态(即：相邻电芯电压表现为一个过高、一个过低，相邻电芯电压反向偏移等)，通过描述、挖掘机理状态，以进行特征挖掘，能够定向地、精准地识别采样异常故障。

而且，该参数体现的是纯粹的特征波动，相对不受数据本身数值的大小偏差影响的同时，单纯的电压数值所无法体现的微小异常，被掩盖在数值耦合误差之下的微小异常，该参数也能够细致地捕捉到，有助于实现对采样异常风险的早期精准识别，即在采样异常演变的过程中、形成的过程中，即能够定向精准识别出采样异常的风险，能够在类似的数值表象中定向挖掘出采样异常。通过计算提取该参数(即采样异常安全要素)能够有效排除动力电池表征信号中受外界因素干扰而产生的冗余信息和噪声信息，更加精准地提取表征动力电池运行状态的信号特征，得到的安全要素能够有效、精准地描述在车辆运行过程中，即动力电池运作过程中电压信号的特征变化情况，进而有助于精准识别、判定采样异常故障。

附图说明

图1为本发明一种动力电池采样异常风险识别方法与故障判定方法实施例的风险识别方法流程示意图；

图2为本发明一种动力电池采样异常风险识别方法与故障判定方法实施例的故障判定方法流程示意图；

图3为本发明一种动力电池采样异常风险识别方法与故障判定方法实施例的风险图像示意图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例基本如附图1所示：一种动力电池采样异常风险识别方法与故障判定方法，包括以下步骤：

步骤1：采集电池基本数据；电池基本数据自动力电池的报文日志中解析得到。具体地，本实施例中的电池基础数据自动力电池系统的符合GB32960协议的报文日志中解析得到，基本数据可靠度较高。

且，本实施例中针对分析的是处于复杂运作环境下的、运行过程环境多变的新能源汽车的动力电池，其对应的运行数据具有多维、冗余、异构和强耦合等特点，难以分析。而本方案的下述步骤能够自此类复杂数据中准确地、定向地实现对采样异常风险的早期判定。

步骤2：对电池基本数据进行数据清洗与数据预处理。具体地，所述数据清洗为清洗掉电池基本数据中的异常数据，异常数据具体指电池基本数据的电压、电流信号中超出指定阈值的那部分数据。所述数据预处理包括：(1)干扰脉冲识别与标记，若当前帧电压数据与上一帧差值超过指定阈值，则对此帧数据进行标记，以便于后续评估时区分；(2)时间间断点识别与标记：若当前帧时间戳数据与上一帧差值超过指定阈值，则对此帧数据进行标记，以便于后续评估时区分；具体地，后续评估时，对于标记点的风险置0处理，有助于提升风险识别准确度。(3)均值滤波处理，以减少噪声数据。

步骤3：基于步骤2处理后的电池基本数据，提取采样异常安全要素Cr；所述采样异常安全要素Cr为参考电芯的压差变化速度在电流变化速度上的相关投影方差参数。

所述参考电芯采用以下子步骤选取：

子步骤1：计算动力电池的相邻电芯的差分矩阵Vd；

子步骤2：构造符号函数；所述符号函数为

其中，Vaa为极差电压，即任意时刻的单体电压最大值与单体电压最小值的差值；α∈(0,1)，为采样异常特征表征系数。

子步骤2.1：对符号函数进行均值滤波处理，将阶跃的符号函数做平滑处理，以达到阶跃位置信号膨胀的效果。

子步骤3：计算每个电芯的符号函数偏移量并进行排序处理，将偏移量最大的值对应的电芯选作参考电芯。

通过上述步骤选取得到的参考电芯，是动力电池系统中最能够体现特征(识别要素)波动情况的电芯，相比于普遍分析所有电芯，本方案有效地将分析范围限定为一个参考电芯上，极大地降低了数据处理工作量，且选取得到的电芯极具代表性，能够有效弥补分析精简后的分析精度缺口。

所述采样异常安全要素

式中，

V

步骤4：对采样异常安全要素Cr进行非线性特征转换与放大处理，并得到异常要素Sf；且Sf＝e

步骤5：采用方差熵对采样异常安全要素进行量化，并得到量化特征；所述量化特征值越小，在时间尺度上，采样异常特征波动程度越小，异常风险越小。

具体地，量化特征p＝1-λ；其中，λ＝E

步骤6：基于量化特征，分析得到风险概率值。

具体地，对时间尺度上的p进行离散积分并获得离散积分函数Sp＝∑p，Sp为一条单调递增的曲线，以离散积分函数Sp曲线斜率的幅值作为风险概率值，风险概率值越大，采样异常特征波动程度越大，异常风险越大。

如附图2所示，一种动力电池采样异常故障判定方法，包括以下步骤：

S1：采用如上述的一种动力电池采样异常风险识别方法进行风险识别；

S2：比对风险概率值与判定阈值，将风险概率值大于判定阈值时对应的时刻点作为高风险点；本实施例中，判定阈值设为0.5，阈值设定恰当，能够有效确认高风险点。

S3：提取高风险点前后预设时间段内的异常要素值及电压值，并绘制为风险图像；如附图3所示。

S4；根据风险图像中各数值曲线的波动情况判定采样异常故障。

当电压数值曲线的波动情况表现为数个相邻电芯的电压朝向两个相反方向偏移，则判定为存在采样异常故障。具体地，当两个相邻电芯的电压朝向两个相反方向偏移，即相较于其他正常电芯，该两个电芯的电压出现明显的一高一低现象，且两个电芯中的单个电芯并不存在充高放低(充电电压偏高，放电电压偏低)的问题，则判定为存在采样异常故障，判定方式直观且有效。

本实施例提供的一种动力电池采样异常风险识别方法与故障判定方法，结合机理知识与数据挖掘相关技术，通过设计采样异常在电压信号数据上的表征特征，有效实现故障信息的数据表达与自动化识别。进而通过构造数据处理-要素提取-特征量化-风险识别-故障判定的新能源汽车安全状态识别与故障模式判定技术体系，能够基于车辆运行历史数据，实现新能源汽车风险的准确识别与采样异常故障的准确判定。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。