一种电动汽车电池安全预警方法及系统与流程

1.本发明涉及电动汽车电池领域，特别是涉及一种电动汽车电池安全预警方法及系统。


背景技术：

2.近年来，由于环境污染问题和能源短缺问题日益严重，国内外都加大对新能源汽车的推进和研发工作，新能源汽车行业正在蓬勃发展。锂离子由于其能量密度高、循环寿命长、无记忆效应等优点，已被广泛应用于电动汽车。
3.为满足电动汽车的电池容量和总电压要求，需要数百节电池并联或串联。在电动汽车的实际运行过程中，电池性能不断受到电池分组、健康状态(state of health,soh)和驾驶行为等内外因素的影响。随着充放电循环次数的增加，电池老化和其他故障不可避免，若无法及时预警，排除电池故障，很有可能危及生命财产安全。国内外许多专家学者在电动汽车动力电池安全预警方面做了相应的研究，目前电池安全预警方法主要包括:基于知识的方法、基于模型的方法和基于数据驱动的方法。对于基于知识的方法，一些研究人员将电池电压相关系数与安全预警阈值进行比较。然而，对于不同的场景和电池，确定合适的阈值并不容易。对于基于模型的方法，一些研究人员通过识别电池内部状态，并通过状态估计或优化算法估计模型参数。然而，基于模型的方法受模型精度的影响较大，对于不同电池和故障类型的安全预警应用范围较窄。除此之外，行业部分研究人员提出了基于数据驱动的安全预警方法。例如，通过采用k
‑
means聚类算法和z
‑
score方法实现电池电压故障诊断定位和安全预警等。但是这些方法没有考虑soh和驾驶行为的影响，此外，这些数据不是真实的汽车数据。因此，迫切需要建立结合实际运行电动汽车中各种因素的长时间尺度电池安全预警方法，为电池的及时维护和安全预警提供依据。


技术实现要素：

4.本发明的目的是提供一种电动汽车电池安全预警方法及系统，以通过根据电动汽车的电池实际情况实现电池的安全预警。
5.为实现上述目的，本发明提供了如下方案：
6.一种电动汽车电池安全预警方法，包括：
7.获取电动汽车电池的单体电压和瞬时电流；
8.根据所述单体电压确定每个电池单体的香农熵；
9.根据所述单体电压和所述瞬态电流确定电池单体的欧姆电阻；
10.根据所述瞬时电流确定所述每个电池单体的充电功率；
11.根据所述香农熵、所述欧姆电阻、所述充电功率和所述瞬态电流确定所述电池的概率密度；
12.根据所述概率密度确定所述电池是否存在安全问题。
13.可选的，所述根据所述单体电压确定每个电池单体的香农熵，具体包括：
14.根据所述单体电压确定电压矩阵；
15.根据所述电压矩阵利用最大似然估计法确定电压估计；
16.根据所述电压估计利用高斯混合模型确定每个所述单体电压的概率密度矩阵；
17.根据所述概率密度矩阵确定每个电池单体的香农熵。
18.可选的，所述根据所述单体电压和所述瞬态电流确定电池单体的欧姆电阻，具体包括：
19.根据所述单体电压和所述瞬态电流对thevenin模型进行初始化，得到状态空间方程；
20.利用遗传因子递推最小二乘法确定所述状态空间方程的参数矩阵；
21.根据所述参数矩阵对第一欧姆电阻进行参数估计，确定第一欧姆电阻；
22.判断所述第一欧姆电阻是否位于设定范围内，得到第一判断结果；
23.若所述第一判断结果表示所述第一欧姆电阻位于设定范围内，则判断迭代次数是否大于设定迭代次数，得到第二判断结果；若所述第二判断结果表示所述迭代次数大于设定迭代次数，则确定所述第一欧姆电阻为电池单体的欧姆电阻；若所述第二判断结果表示所述迭代次数不大于设定迭代次数，则返回步骤“利用遗传因子递推最小二乘法确定所述状态空间方程的参数矩阵”；
24.若所述第一判断结果表示所述第一欧姆电阻不位于设定范围内，则根据所述单体电压和所述瞬态电流利用rint模型确定电池单体的欧姆电阻。
25.可选的，所述根据所述香农熵、所述欧姆电阻、所述充电功率和所述瞬态电流确定所述电池的概率密度，具体包括：
26.采用主成分分析法对所述香农熵、所述欧姆电阻、所述充电功率和所述瞬态电流进行降维，得到降维矩阵；
27.将所述降维矩阵输入多层次迭代的高斯混合模型确定所述电池的概率密度。
28.可选的，所述根据所述概率密度确定所述电池是否存在安全问题，具体包括：
29.判断所述概率密度是否小于第一设定阈值，得到第三判断结果；
30.若所述第三判断结果表示所述概率密度小于第一设定阈值，则确定电池所在的车辆需立刻停车检查；
31.若所述第三判断结果表示所述概率密度不小于第一设定阈值，则判断所述概率密度是否大于第二设定阈值，得到第四判断结果；若所述第四判断结果表示所述概率密度不大于第二设定阈值，则确定所述电池存在故障，所述电池所在的车辆需尽快维修；若所述第四判断结果表示所述概率密度大于第二设定阈值，则确定所述电池不存在故障。
32.一种电动汽车电池安全预警系统，包括：
33.获取模块，用于获取电动汽车电池的单体电压和瞬时电流；
34.香农熵确定模块，用于根据所述单体电压确定每个电池单体的香农熵；
35.欧姆电阻确定模块，用于根据所述单体电压和所述瞬态电流确定电池单体的欧姆电阻；
36.充电功率确定模块，用于根据所述瞬时电流确定所述每个电池单体的充电功率；
37.概率密度确定模块，用于根据所述香农熵、所述欧姆电阻、所述充电功率和所述瞬态电流确定所述电池的概率密度；
38.电池安全确定模块，用于根据所述概率密度确定所述电池是否存在安全问题。
39.可选的，所述香农熵确定模块，具体包括：
40.电压矩阵确定单元，用于根据所述单体电压确定电压矩阵；
41.电压估计确定单元，用于根据所述电压矩阵利用最大似然估计法确定电压估计；
42.概率密度矩阵确定单元，用于根据所述电压估计利用高斯混合模型确定每个所述单体电压的概率密度矩阵；
43.香农熵确定单元，用于根据所述概率密度矩阵确定每个电池单体的香农熵。
44.可选的，所述欧姆电阻确定模块，具体包括：
45.初始化单元，用于根据所述单体电压和所述瞬态电流对thevenin模型进行初始化，得到状态空间方程；
46.参数矩阵单元，用于利用遗传因子递推最小二乘法确定所述状态空间方程的参数矩阵；
47.参数估计单元，用于根据所述参数矩阵对第一欧姆电阻进行参数估计，确定第一欧姆电阻；
48.第一判断单元，用于判断所述第一欧姆电阻是否位于设定范围内，得到第一判断结果；
49.第二判断单元，用于当所述第一判断结果表示所述第一欧姆电阻位于设定范围内时，判断迭代次数是否大于设定迭代次数，得到第二判断结果；
50.第一确定单元，用于当所述第二判断结果表示所述迭代次数大于设定迭代次数时，确定所述第一欧姆电阻为电池单体的欧姆电阻；
51.返回单元，用于当所述第二判断结果表示所述迭代次数不大于设定迭代次数时，则返回参数矩阵单元；
52.第二确定单元，用于若所述第一判断结果表示所述第一欧姆电阻不位于设定范围内，则根据所述单体电压和所述瞬态电流利用rint模型确定电池单体的欧姆电阻。
53.可选的，所述概率密度确定模块，具体包括：
54.降维单元，用于采用主成分分析法对所述香农熵、所述欧姆电阻、所述充电功率和所述瞬态电流进行降维，得到降维矩阵；
55.概率密度确定单元，用于将所述降维矩阵输入多层次迭代的高斯混合模型确定所述电池的概率密度。
56.可选的，所述电池安全确定模块，具体包括：
57.第三判断单元，用于判断所述概率密度是否小于第一设定阈值，得到第三判断结果；
58.停车检查单元，用于当所述第三判断结果表示所述概率密度小于第一设定阈值，则确定电池所在的车辆需立刻停车检查；
59.第四判断单元，用于当所述第三判断结果表示所述概率密度不小于第一设定阈值时，判断所述概率密度是否大于第二设定阈值，得到第四判断结果；
60.故障确定单元，用于当所述第四判断结果表示所述概率密度不大于第二设定阈值，则确定所述电池存在故障，所述电池所在的车辆需尽快维修；
61.无故障确定单元，用于当所述第四判断结果表示所述概率密度大于第二设定阈值
时，确定所述电池不存在故障。
62.根据本发明提供的具体实施例，本发明公开了以下技术效果：
63.本发明提供的一种电动汽车电池安全预警方法，通过实际获取的电动汽车电池的单体电压和瞬时电流进行确定香农熵、欧姆电阻、充电功率，利用香农熵、欧姆电阻、充电功率和瞬态电流确定电池的概率密度，进而确定电池是否存在安全问题，从而实现了电池的安全预警，避免了汽车因电池问题而出现的故障。
附图说明
64.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性的前提下，还可以根据这些附图获得其他的附图。
65.图1为本发明提供的电动汽车电池安全预警方法流程图；
66.图2为本发明提供的电动汽车电池安全预警方法示意图；
67.图3为本发明提供的电动汽车电池安全预警方法中的thevenin模型结构图；
68.图4为本发明提供的电动汽车电池安全预警方法中的rint模型结构图；
69.图5为本发明基于affrls
‑
tr内阻估计流程图；
70.图6为本发明mli
‑
gmm的生成过程示意图；
71.图7为本发明提供的电动汽车电池安全预警系统示意图。
具体实施方式
72.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。
73.本发明的目的是提供一种电动汽车电池安全预警方法及系统，以通过根据电动汽车的电池实际情况实现电池的安全预警。
74.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
75.如图1所示，本发明提供的一种电动汽车电池安全预警方法，包括：
76.步骤101：获取电动汽车电池的单体电压和瞬时电流。
77.步骤102：根据所述单体电压确定每个电池单体的香农熵。步骤102，具体包括：
78.根据所述单体电压确定电压矩阵。
79.根据所述电压矩阵利用最大似然估计法确定电压估计。
80.根据所述电压估计利用高斯混合模型确定每个所述单体电压的概率密度矩阵。
81.根据所述概率密度矩阵确定每个电池单体的香农熵。
82.香农熵可以反映电池电压的波动性和一致性，从而挖掘出电池异常和电位特征。香农熵可以描述为：
[0083][0084]
其中，x＝(x1,x2,
…
,x
q
,
…
,x
m
)为样本采集；p(x
q
)为样本x
q
的概率密度；h(x)为样本采集x的香农熵。
[0085]
高斯混合模型(gmm)是一种基于高斯概率密度函数的统计方法。与单一高斯概率密度函数相比，gmm可以以任意精度逼近任意函数。gmm的概率密度函数为:
[0086][0087]
式中:k为高斯模型个数；α
k
是观测数据属于第k个子模型的概率，为第k个子模型的高斯分布密度函数，计算公式为:
[0088][0089]
式中，θ
k
＝(μ
k
,σ
k2
)是第k个子模型的参数，μ
k
是第k个子模型的均值，σ
k2
是第k个子模型的协方差。
[0090]
一种连续分布香农熵的求解方法具体包括以下步骤：
[0091]
(1)不同电池单体在不同时间步长下的电压对形成电压矩阵a
k
：其中，u
i,j
为第j个电池单体在第i个时间步长的电压
[0092][0093]
(2)将a
k
重构为一维矩阵b
k
：
[0094]
b
k
＝[u
1,1 ... u
i,j ... u
t,n
]
[0095]
(3)利用最大似然估计和矩阵b
k
中的电压估计θ
k
和α
k
：θ
k
在此具体为第k个子模型的均值和标准差，α
k
为第k个子模型的权重。
[0096][0097]
其中，θ为参数矩阵，n为总时间步长，i为时间步长，j为电池单体编号，φ(u
i,j
|θ
k
)为第k个子模型输出的条件概率。
[0098]
(4)计算每个电压对应的概率密度矩阵：
[0099][0100]
(5)计算每个电池单体的香农熵：
[0101][0102]
(6)当出现新的时间步长数据后，提取前n个时间步长的电压值，并重复步骤(1)
‑
(5)。
[0103]
步骤103：根据所述单体电压和所述瞬态电流确定电池单体的欧姆电阻。
[0104]
步骤103，具体包括：
[0105]
根据所述单体电压和所述瞬态电流对thevenin模型进行初始化，得到状态空间方程。
[0106]
利用遗传因子递推最小二乘法确定所述状态空间方程的参数矩阵。
[0107]
根据所述参数矩阵对第一欧姆电阻进行参数估计，确定第一欧姆电阻。
[0108]
判断所述第一欧姆电阻是否位于设定范围内，得到第一判断结果。
[0109]
若所述第一判断结果表示所述第一欧姆电阻位于设定范围内，则判断迭代次数是否大于设定迭代次数，得到第二判断结果；若所述第二判断结果表示所述迭代次数大于设定迭代次数，则确定所述第一欧姆电阻为电池单体的欧姆电阻；若所述第二判断结果表示所述迭代次数不大于设定迭代次数，则返回步骤“利用遗传因子递推最小二乘法确定所述状态空间方程的参数矩阵”。
[0110]
若所述第一判断结果表示所述第一欧姆电阻不位于设定范围内，则根据所述单体电压和所述瞬态电流利用rint模型确定电池单体的欧姆电阻。
[0111]
单体电压和所述瞬态电流利用rint模型确定电池单体的欧姆电阻，具体包括：根据单体电压和瞬态电流利用rint模型的瞬态空间方程，采用最小二乘法估计欧姆电阻；判断迭代次数是否大于设定迭代次数，若是，则利用rint模型确定的欧姆电阻即为电池单体的欧姆电阻，若否，则返回步骤“利用遗传因子递推最小二乘法确定所述状态空间方程的参数矩阵”。
[0112]
本发明采用基于欧姆电阻的方法来估算soh。根据akaike信息准则，thevenin模型具有较高的精度和较小的计算量。thevenin模型的结构如图3所示，它由一个理想电源uoc、一个欧姆电阻ro和一个电阻rp
‑
电容cp回路(rc)组成。
[0113]
根据kirchhoff定律，thevenin模型的状态空间方程描述为：
[0114][0115]
其中u
p
为极化电压；u
ocv
为开路电压；u
t
为终端电压；r0为欧姆电阻；r
p
为极化电阻；c
p
为极化电容；i为瞬态电流。
[0116]
采用遗忘因子递推最小二乘(ffrls)来估计离散时间状态空间方程中的参数：
[0117][0118]
式中，p
t
为t时刻误差协方差矩阵；φ
t
为数据矩阵，φ
t
＝[1 u
t
‑
1 i
t
i
t
‑1]
t
；k
t
为增益矩阵；λ为遗忘因子；为t时刻参数矩阵，λ为遗忘因子，p
t
‑1为t
‑
1时刻误差协方差矩阵，为t
‑
1时刻参数矩阵，其中:
[0119][0120]
式中，a1为第一中间变量，a2为第二中间变量，a3为第三中间变量，t为时间常数。
[0121]
受各种影响因素和噪声的影响，用thevenin模型和ffrls计算的欧姆电阻在某些情况下会出现较大的波动。但是欧姆电阻是一个状态参数r
0,t 1
应该在r
0,t
附近。因此，本发明也使用了rint模型，如图4所示，它由理想电源uoc和欧姆内阻ro组成。
[0122]
根据kirchhoff定律，rint模型的状态空间方程为:
[0123]
u
t
＝u
ocv
‑
r0·
i
[0124]
提取后十步的端电压和瞬态电流，采用最小二乘法估计欧姆电阻，表达式为：
[0125][0126]
式中，为电流与端电压乘积的均值，为电流均值，为端电压均值，为电流的平方的均值。
[0127]
本方法提出了结合thevenin和rint模型的自适应遗忘因子递推最小二乘法(affrls
‑
tr)，流程图如图5所示。
[0128]
具体步骤如下：
[0129]
(1)基于thevenin模型和ffrls对电阻进行估计。首先进行thevenin模型参数初始化，根据电池特性，输入初始参数θ0＝[0.78
ꢀ‑
0.0024 0.0016 0.22u
ocv,0
]
t
，p0＝106×
e4×4,k0＝(0)4×1,λ＝0.97。θ0为初始参数矩阵，p0为初始误差协方差矩阵，k0为初始增益矩阵。
[0130]
(2)采用遗忘因子递推最小二乘(ffrls)来计算状态空间方程中的参数矩阵θ
t
,p
t
,k
t
。
[0131]
(3)再根据计算得到的矩阵，进行u
ocv,k
,r
0,k
,r
p,k
,c
p,k
参数的估计。ffrls计算过程中，他们需要同时估算出来，之后只用了r
0,k
。其中，u
ocv,k
为第k个时间步长的开路电压，r
0,k
为第k个时间步长的欧姆内阻，r
p,k
为第k个时间步长的极化内阻，c
p,k
为第k个时间步长的极化电容。
[0132]
(4)利用计算得到的r
0,k
判断该值是否在经验范围之内：
[0133]
如果r
0,k
在经验范围之内，再判断迭代次数k是否大于最大迭代次数，若大于最大迭代次数，则判断当前r
0,k
值为电池的电阻值；若小于等于最大迭代次数，则返回步骤(2)继续迭代。
[0134]
如果r
0,k
不在经验范围之内，则利用rint模型计算r
0,k
，再判断迭代次数k是否大于最大迭代次数，若大于最大迭代次数，则判断当前r
0,k
值为电池的电阻值；若小于等于最大迭代次数，则返回步骤(2)继续迭代。
[0135]
为了验证affrls
‑
tr的准确性，通过计算实际单体电压和预测电压的mre进行验
证，表达式为:
[0136][0137]
其中，u
k
为第k个时间步长时电池的实际电压；一个时间步长迭代一次，t为总时间步长，为affrls
‑
tr或affrls在第k个时间步长时预测的电压，计算方法为:
[0138][0139]
通过分别计算affrls
‑
tr方法和affrls方法下mre的值并进行比较，较小者精度较高。通过验证，得出affrls
‑
tr方法的精度更高。
[0140]
步骤104：根据所述瞬时电流确定所述每个电池单体的充电功率。
[0141]
电动汽车使用过程中的滥用行为会加速电池老化，导致电池不可逆转的失效。充电过程中充电功率大，驾驶过程中加速减速快，会促进锂晶体分支的生长，从而加速电池的老化。因此在本发明中，提取充电功率和电流作为使用行为估计的简单有效指标，i为瞬时电流，p为充电功率，其表达式为:
[0142][0143]
步骤105：根据所述香农熵、所述欧姆电阻、所述充电功率和所述瞬态电流确定所述电池的概率密度。步骤105，具体包括：
[0144]
采用主成分分析法对所述香农熵、所述欧姆电阻、所述充电功率和所述瞬态电流进行降维，得到降维矩阵。
[0145]
将所述降维矩阵输入多层次迭代的高斯混合模型确定所述电池的概率密度。
[0146]
为了实现全面的安全预警，需要将电压特性、电池soh和使用行为等因素耦合起来，利用高斯混合模型(gmm)，进行安全预警。然而，锂离子电池是一个复杂的非线性系统，电压特性、电池soh和使用行为等因素可能不是相互独立的。因此，该方法的主要步骤如下：
[0147]
(1)采用主成分分析(pca)对提取到的香农熵、欧姆电阻和充电功率/瞬时电流进行降维，使耦合因素相互独立。
[0148]
(2)在此基础上，提出了一种多层次迭代的高斯混合模型(multi
‑
level iteration gaussian mixed model，mli
‑
gmm)。根据电池的使用工况和需求，设定高斯子模型的数量。
[0149]
(3)将降维后的各参数按行形成降维矩阵d。
[0150]
(4)利用最大似然估计法和降维矩阵d对mli
‑
gmm子模型的θ
k
和α
k
进行估计。
[0151]
(5)计算每一行对应的概率密度，形成矩阵q。
[0152]
(6)计算矩阵q的行：t1。
[0153]
(7)去掉矩阵q和d中概率密度小于p1时的时间步长。
[0154]
(8)计算矩阵q的长度：t2。
[0155]
(9)判断是否t1＝t2，若不等于，则返回步骤(4)；若等于，则输出θ
k
和α
k
并分别建立充电和运行工况下的mli
‑
gmm模型。
[0156]
由于在驾驶和充电状态下的使用特性不同，分别基于驾驶数据和充电数据拟合两种模式下的mli
‑
gmm模型。为了使mli
‑
gmm尽可能地学习正常规律，避免电池一致性的影响，将电压中值和香农熵中值估计的欧姆电阻输入到mli
‑
gmm中。
[0157]
mli
‑
gmm的生成过程如图6所示。通过迭代筛选出的小概率密度值形成降维矩阵d，最终得到一个具有正态特征的gmm。这可以提高安全预警的准确性，减少对正常电池单体的误判。通过大量的实验数据和实车数据验证表明，电动汽车动力电池的特性参数的分布同样符合这一概率论与数理统计的原理。
[0158]
步骤106：根据所述概率密度确定所述电池是否存在安全问题。
[0159]
步骤106，具体包括：
[0160]
判断所述概率密度是否小于第一设定阈值，得到第三判断结果。
[0161]
若所述第三判断结果表示所述概率密度小于第一设定阈值，则确定电池所在的车辆需立刻停车检查。
[0162]
若所述第三判断结果表示所述概率密度不小于第一设定阈值，则判断所述概率密度是否大于第二设定阈值，得到第四判断结果；若所述第四判断结果表示所述概率密度不大于第二设定阈值，则确定所述电池存在故障，所述电池所在的车辆需尽快维修；若所述第四判断结果表示所述概率密度大于第二设定阈值，则确定所述电池不存在故障。
[0163]
根据输出的概率值对电动汽车电池安全进行预警：
[0164][0165]
其中，l为风险等级，当l＝1时，代表被测车辆电池存在故障，需要尽快维修检查；当l＝2时，代表本次车辆需立即停车检查，电池存在较高风险。p2为第一设定阈值，p3为第二设定阈值。
[0166]
如图7所示，本发明提供的电动汽车电池安全预警系统，包括：
[0167]
获取模块701，用于获取电动汽车电池的单体电压和瞬时电流。
[0168]
香农熵确定模块702，用于根据所述单体电压确定每个电池单体的香农熵。
[0169]
欧姆电阻确定模块703，用于根据所述单体电压和所述瞬态电流确定电池单体的欧姆电阻。
[0170]
充电功率确定模块704，用于根据所述瞬时电流确定所述每个电池单体的充电功率。
[0171]
概率密度确定模块705，用于根据所述香农熵、所述欧姆电阻、所述充电功率和所述瞬态电流确定所述电池的概率密度。
[0172]
电池安全确定模块706，用于根据所述概率密度确定所述电池是否存在安全问题。
[0173]
其中，所述香农熵确定模块702，具体包括：
[0174]
电压矩阵确定单元，用于根据所述单体电压确定电压矩阵；
[0175]
电压估计确定单元，用于根据所述电压矩阵利用最大似然估计法确定电压估计；
[0176]
概率密度矩阵确定单元，用于根据所述电压估计利用高斯混合模型确定每个所述单体电压的概率密度矩阵；
[0177]
香农熵确定单元，用于根据所述概率密度矩阵确定每个电池单体的香农熵。
[0178]
其中，欧姆电阻确定模块703，具体包括：
[0179]
初始化单元，用于根据所述单体电压和所述瞬态电流对thevenin模型进行初始化，得到状态空间方程；
[0180]
参数矩阵单元，用于利用遗传因子递推最小二乘法确定所述状态空间方程的参数矩阵；
[0181]
参数估计单元，用于根据所述参数矩阵对第一欧姆电阻进行参数估计，确定第一欧姆电阻；
[0182]
第一判断单元，用于判断所述第一欧姆电阻是否位于设定范围内，得到第一判断结果；
[0183]
第二判断单元，用于当所述第一判断结果表示所述第一欧姆电阻位于设定范围内时，判断迭代次数是否大于设定迭代次数，得到第二判断结果；
[0184]
第一确定单元，用于当所述第二判断结果表示所述迭代次数大于设定迭代次数时，确定所述第一欧姆电阻为电池单体的欧姆电阻；
[0185]
返回单元，用于当所述第二判断结果表示所述迭代次数不大于设定迭代次数时，则返回参数矩阵单元；
[0186]
第二确定单元，用于若所述第一判断结果表示所述第一欧姆电阻不位于设定范围内，则根据所述单体电压和所述瞬态电流利用rint模型确定电池单体的欧姆电阻。
[0187]
其中，所述概率密度确定模块705，具体包括：
[0188]
降维单元，用于采用主成分分析法对所述香农熵、所述欧姆电阻、所述充电功率和所述瞬态电流进行降维，得到降维矩阵；
[0189]
概率密度确定单元，用于将所述降维矩阵输入多层次迭代的高斯混合模型确定所述电池的概率密度。
[0190]
其中，所述电池安全确定模块706，具体包括：
[0191]
第三判断单元，用于判断所述概率密度是否小于第一设定阈值，得到第三判断结果；
[0192]
停车检查单元，用于当所述第三判断结果表示所述概率密度小于第一设定阈值，则确定电池所在的车辆需立刻停车检查；
[0193]
第四判断单元，用于当所述第三判断结果表示所述概率密度不小于第一设定阈值时，判断所述概率密度是否大于第二设定阈值，得到第四判断结果；
[0194]
故障确定单元，用于当所述第四判断结果表示所述概率密度不大于第二设定阈值，则确定所述电池存在故障，所述电池所在的车辆需尽快维修；
[0195]
无故障确定单元，用于当所述第四判断结果表示所述概率密度大于第二设定阈值时，确定所述电池不存在故障。
[0196]
本发明所提出的电动汽车动力电池安全预警方法的整体方案如图2所示。为了对每个电池单体进行安全预警，应尽可能充分利用真实电动汽车中常见传感器容易获取的电池单体参数。因此，电池电压和电池电流被用作模型的输入。结合实际运行过程中的内外因素，分别提出了电压特征提取模型、soh预测模型和使用行为预测模型。电压特征提取模型即为确定香农熵的部分，soh预测模型即为欧姆电阻的确定部分，使用行为估计模型即为充电功率的确定部分，然后将三种模型输出的香农熵、欧姆电阻和功率/电流输入到基于pca
和mli
‑
gmm的多因素正态因子耦合模型中，得到概率密度。最后，采用风险评估策略对高风险电池单体进行定位，实现动力电池在线安全预警。依托新能源汽车国家大数据平台，通过对新能源汽车电池进行安全预警，为新能源汽车相关政策的制定提供重要支撑，同时也为新能源汽车企业车型的生产和调整提供有效参考。在mli
‑
gmm中通过迭代优化的方式，提高了模型精度。结合实际运行过程中的内外影响因素，分别提出了电压特征提取模型、soh预测模型和使用行为估计模型。通过故障样车和实际运行电动汽车的对比分析，验证了所提出的电池安全预警模型的有效性、鲁棒性和优越性。
[0197]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0198]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。