一种基于大数据的热失控风险评估方法

技术领域

本发明属于动力电池安全监控技术领域，具体涉及一种基于大数据的热失控风险评估方法。

背景技术

随着新能源行业的飞速发展，动力电池已广泛应用于电动汽车、风光储能、电信基站等领域。但随着动力电池系统的大规模应用，也出现了各种各样的问题，尤其是安全问题引起广泛的关注。

热失控属于BMS中热管理失控的状态，电池在充放电使用下，会因为各种内部电化学反应产生热量，如果没有良好的散热体系，产热在电池内部堆积，逐渐出现功率降低，甚至出现爆炸燃烧等危险情况，这就是热失控。

电池热失控主要是由短路引起的，而电池短路又可分为静态内短路和动态内短路。静态内短路原因包括电池本身材料、工艺问题、电池使用中出现的枝晶、老化问题，以及使用环境中温度、压力等影响因素。

目前行业内尚没有比较成熟的预防和预测热失控的方案，且实际情况中热失控数据极其稀少甚至完全无法获得相关数据，为热失控评估增加了阻力。

发明内容

本发明的目的是提供一种方便地对动力电池的热失控状态进行评估的方法。

为达到上述目的，本发明采用的技术方案是：

一种基于大数据的热失控风险评估方法，用于对动力电池的热失控风险进行评估，所述基于大数据的热失控风险评估方法包括以下步骤：

步骤1：选取设置在多台相同设备上的多个待评估的所述动力电池作为采样对象，提取所述设备在正常运行和充电状态下的多条数据，每条所述数据中至少包括用于检测所述动力电池温度的若干个温度探针分别采集到的温度采样值和所述设备的多项状态参数值；

步骤2：计算每条所述数据中各个所述温度采样值的平均温度值；

步骤3：分别计算每条所述数据中各个所述温度探针采集到的所述温度采样值相对于t分钟前对应所述温度探针采集到的温度采样值的温度上升速度值，并获得每条所述数据中各所述温度上升速度值的最大值；

步骤4：对所述数据进行清洗；

步骤5：建立各项所述状态参数值、所述平均温度值与所述温度上升值的最大值之间的函数模型，利用清洗后保留的所述数据训练所述函数模型，调节所述函数模型的参数使所述函数模型的误差最小；

步骤6：利用训练好的所述函数模型进行预测，得到当前的温度上升速度预测值，并获取当前的实际温度上升速度值；

步骤7：比较所述当前的温度上升速度预测值和所述当前的实际温度上升速度值，根据比较结果确定热失控风险，若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值越大，则热失控风险越大。

所述步骤5中，所述函数模型采用随机森林算法模型，所述随机森林算法模型的输入量为所述各项所述状态参数值、所述平均温度值组成的向量，所述随机森林算法模型的输出量为所述温度上升值的最大值。

所步骤7中，设定第一阈值和第二阈值，且所述第一阈值大于所述第二阈值，若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值大于所述第一阈值，则判定热失控风险的等级为高风险，若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值大于所述第二阈值且小于或等于所述第一阈值，则判定热失控风险的等级为中风险，若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值小于或等于所述第二阈值，则判定热失控风险的等级为低风险。

所述步骤3中，t的取值为1。

所述设备为同一车型的电动汽车。所述步骤1中，所述设备的多项状态参数值包括总电流、总电压、SOC、充电状态、车速、加速踏板角度、刹车踏板角度、累计里程、液冷启动开关状态、环境温度、液冷系统运行时长。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明为热失控问题的风险评估提供了新的思路和方案，能够方便且较为准确地对热失控进行评估。

附图说明

附图1为本发明的基于大数据的热失控风险评估方法的流程图。

具体实施方式

下面结合附图所示的实施例对本发明作进一步描述。

实施例一：如附图1所示，一种基于大数据的热失控风险评估方法，包括以下步骤：

步骤1：选取设置在多台相同设备上的多个待评估的动力电池作为采样对象，提取设备在正常运行和充电状态下的多条数据，每条数据中至少包括用于检测动力电池温度的若干个温度探针分别采集到的温度采样值和设备的多项状态参数值。

在本实施例中，设置有动力电池的设备为同一车型的电动汽车，因此该步骤需提取同一车型大批量（大于1000辆）电动汽车的在正常运行和充电状态下不同时刻的大量数据。每个时刻的每条数据中，除若干个温度探针分别采集到的温度采样值以外，设备的多项状态参数值包括总电流、总电压、SOC、充电状态、车速、加速踏板角度、刹车踏板角度、累计里程、液冷启动开关状态、环境温度、液冷系统运行时长。

步骤2：计算每条数据中各个温度采样值的平均温度值t_avg。

步骤3：对于每一条数据，分别计算每条数据中各个温度探针采集到的温度采样值相对于t（例如t=1）分钟前对应温度探针采集到的温度采样值的温度上升速度值（即对于某个温度探针采集的温度采样值，过t分钟温度上升的值，若温度下降，则该温度上升速度值为负），并获得每条数据中各温度上升速度值的最大值t_up_speed_max。若过去时间不足t分钟，则舍弃此条数据。

步骤4：对数据进行清洗，去除一些异常值（包括温度异常、温度上升速度异常等），例如删除平均温度大于60℃的数据、SOC大于100的数据、电压低于2V或高于5V的数据。

步骤5：建立各项状态参数值、平均温度值t_avg与温度上升值的最大值t_up_speed_max之间的函数模型，利用清洗后保留的数据训练函数模型，调节函数模型的参数使函数模型的误差最小。

该步骤中，函数模型采用随机森林算法模型，随机森林算法模型的输入量X为各项状态参数值（包括总电流、总电压、SOC、充电状态、车速、加速踏板角度、刹车踏板角度、累计里程、液冷启动开关状态、环境温度、液冷系统运行时长）、平均温度值t_avg组成的向量，随机森林算法模型的输出量Y为温度上升值的最大值t_up_speed_max。

步骤6：利用训练好的函数模型进行预测，即利用实时数据中的总电流、总电压、SOC、充电状态、车速、加速踏板角度、刹车踏板角度、累计里程、液冷启动开关状态、环境温度、液冷系统运行时长、平均温度值t_avg输入训练好的函数模型，得到当前的温度上升速度预测值y_pred，并获取当前的实际温度上升速度值y_real。

步骤7：比较当前的温度上升速度预测值y_pred和当前的实际温度上升速度值y_real，根据比较结果确定热失控风险，若当前的温度上升速度预测值y_pred与当前的实际温度上升速度值y_real的差值越大，则热失控风险越大。

该步骤中，设定第一阈值和第二阈值，且第一阈值大于第二阈值，例如第一阈值=10，第二阈值=5，若当前的温度上升速度预测值y_pred与当前的实际温度上升速度值y_real的差值大于第一阈值，即y_pred-y_real＞10，则判定热失控风险的等级为高风险，若当前的温度上升速度预测值y_pred与当前的实际温度上升速度值y_real的差值大于第二阈值且小于或等于第一阈值，即10≥y_pred-y_real＞5，则判定热失控风险的等级为中风险，若当前的温度上升速度预测值y_pred与当前的实际温度上升速度值y_real的差值小于或等于第二阈值，即y_pred-y_real≤5，则判定热失控风险的等级为低风险。

上述基于大数据的热失控风险评估方法通过基于大数据的热失控风险评估系统来实现，该基于大数据的热失控风险评估系统包括用于采样数据而实现步骤1的采样模块，与采样模块通信而实现步骤2至步骤7的分析模块，还可以包括与分析模块通信从而输出热失控风险的判定结论的输出模块。

车载动力电池在运行或者充电的过程中，会产生大量热量。BMS会对其温度进行检测和控制，车辆的散热系统会对电池进行散热，使得整个系统处于一种平衡状态。温度探针温度的变化，是产热和散热综合作用下的结果。在平衡状态下，温度的变化速度总是处于一种稳定的状态，特定车况下，基本都比较稳定。本发明用同一车型正常行驶和充电状态下的数据去拟合车辆各个车况下的温度上升速度，便可知道车辆在正常状态下，各个车况下的温度上升速度的合理值。当某一时刻，温度探针所探测温度上升的速度远远大于正常值时，便可知，有一些未知的因素导致，温度上升速度过快了。这个因素，很可能是内短路、枝晶、老化等。从而可以据此评估动力电池的热失控风险等级。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。