基于信息物理融合技术的动力电池故障监测方法及系统与流程

1.本发明属于电动车辆动力电池管理技术领域，尤其涉及一种基于信息物理融合技术的动力电池故障监测系统及方法。


背景技术：

2.动力电池作为电动汽车的能量来源，与电动汽车的安全性、可靠性关系密切，因此对其进行实时监控和管理是十分必要的。现有的电池管理系统普遍依靠在车载终端基于预设的程序进行动力电池组的监控。然而动力电池组在充放电过程中是一个非线性系统，具有即用即衰、强时变和强温度依赖特性。因此在电池管理时的参数辨识、状态估计都具有强非线性、复杂性，且在电池的生命周期中不能保持统一的状态。传统电池管理系统难以针对电池的使用状况进行控制策略的实时更新，也就无法对电池组进行全生命周期的建模与管理，使得随着使用时间的增长，电池管理系统的精度逐渐下降，从而导致状态估计和故障监测的性能大大下降。
3.在近期部分利用了云平台和数字孪生技术的现有技术中，虽然相比传统电池管理系统实现了一定的改进，但仍存在着如缺乏对电池模型的设计、车载端管理系统与服务器端或云端的协同配合不够完善、实时性较差等缺点。尤其是较为前沿的采用数字孪生技术的电池管理策略，其控制流程更新周期相对较长，使电池监管效率还无法满足实用要求。


技术实现要素：

4.针对上述本领域中存在的技术问题，本发明提供了一种基于信息物理融合技术的动力电池故障监测方法，具体包括以下步骤：
5.步骤一、以待监测的动力电池组作为物理实体，通过车载终端电池管理系统获取物理实体的运行数据并上传至云端管理系统；在实验环境中，针对同类型动力电池组开展循环充放电测试实验，将电压、电流和温度等测试实验数据上传至云端管理系统；
6.步骤二、所述云端管理系统利用接收的测试实验数据，基于长短期记忆网络(lstmn)对当前循环的电池健康状态(soh)进行估计；以soh估计结果、荷电状态(soc)以及温度数据作为输入，开路电压(ocv)作为输出构建bp神经网络，利用测试实验数据对其进行训练；结合bp神经网络输出的ocv数据与soc数据得到动力电池组的soc-ocv关系，并下发到车载终端电池管理系统；
7.步骤三、车载终端电池管理系统对动力电池建立等效电路模型，利用实时获取的电池运行数据基于扩展卡尔曼滤波器(ekf)对soc进行估计；将soc估计结果输入由云端管理系统下发的soc-ocv关系得到ocv值；利用所述ocv值，动力电池组电流实测值以及端电压实测值，对电池组正常电压进行预测；
8.步骤四、根据正常电压预测值与端电压实测值之间的差值，对动力电池组的不同故障类型进行划分，并提供相应等级的预警；
9.步骤五、云端管理系统利用持续收集的测试实验数据以及实车电池组的历史运行
数据，对所述lstmn以及bp神经网络进行定期更新。
10.进一步地，所述步骤二中对当前循环的soh进行估计具体包括以下步骤：
11.对于一个lstmn神经单元，定义其在每个时间步t，隐藏状态h
t
由同一时间步的数据x
t
更新，前一时间步的隐藏状态h
t-1
，输入门i
t
，输入节点g
t
，遗忘门f
t
、输出门o
t
和存储单元c
t
，更新公式为：
[0012][0013]
其中，w和b分别是层权重和偏差：w
fx
和w
fh
分别是遗忘门中相对于x
t
和h
t-1
的两个权重矩阵，bf是偏置项，σ是sigmoid函数；同理，w
ix
和w
ih
分别是输入门中相对于x
t
和h
t-1
的两个权重矩阵，bi是偏置项；w
gx
和w
gh
分别是tanh激活函数中相对于x
t
和h
t-1
的两个权重矩阵，bg是偏置项；w
ox
和w
oh
分别是输出门中相对于x
t
和h
t-1
的两个权重矩阵，bo是偏置项；
[0014]
引入dropout层用于模型训练，通过所述dropout层，部分隐藏输出被随机屏蔽，使得这些神经元在训练过程中不会影响前向传播；基于以下公式输出soh的估计结果：
[0015][0016]
其中，w
out
和b
out
分别是dropout层权重和偏差，输出值是soh估计结果，选择relu作为激活函数；对于模型训练，将均方误差(mse)作为模型损失：
[0017][0018]
其中，n为训练样本的数量。
[0019]
进一步地，所述步骤二中对于训练好的bp神经网络，输入所述soh估计结果、温度以及soc序列soc
input
＝[0.10.20.3...1.0]，并输出对应的ocv序列ocv
output
＝[ocv
1 ocv2...ocv
10
]；使用以下多项式拟合方式得到soc-ocv关系：
[0020][0021]
其中，m为多项式的最高系数，socj表示soc的j次幂，wj为socj的系数。
[0022]
所述soc-ocv关系的误差由以下公式表示：
[0023][0024]
其中，n为样本数，下标input表示输入，下标output表示输出；
[0025]
拟合系数由下式得到：
[0026][0027]
云端管理系统在拟合完成后将拟合结果回传至车载终端电池管理系统，用于对电池等效电路模型参数进行修正。
[0028]
进一步地，车载终端电池管理系统对动力电池建立具有两个rc电路的等效电路模
型，步骤三中对电池组正常电压进行预测具体基于以下公式：
[0029][0030]
其中，φ
t
＝[y
t-1yt-2itit-1it-2
]
t
，y
t
＝u
t,ocv-u
t,measure
，i
t
(t＝1,2,
…
,k)为时间步长t处测得的电流值；u
t,measure
为在时间步长t处测得的端电压；u
t,pred
为预测值；u
t,ocv
是时间步长t的ocv，由基于带遗忘因子的扩展卡尔曼滤波器估计出的soc输入拟合出的soc-ocv关系来确定；是参数矩阵由下式确定：
[0031][0032]
其中，k
ls,t
＝p
ls,t-1
φ
tt
[φ
t
p
ls,t-1
φ
tt
μ]-1
，p
ls,t
由进行计算得到，μ是遗忘因子。
[0033]
相应地，本发明还提供了一种基于信息物理融合技术的动力电池故障监测系统，用于执行上述方法，所述系统包括：
[0034]
物理实体、车载终端电池管理系统和云端管理系统；
[0035]
其中，所述物理实体为待检测的动力电池组，是所述管理与监测系统的被控对象，以及作为所述车载终端电池管理系统与云端管理系统的数据来源；
[0036]
所述车载终端管理系统中的电池数据采集模块利用传感设备与车内通讯线路对物理实体进行数据采集，对采集到的原始数据进行初步的预处理后，通过无线通讯设备上传至云端管理系统的数据库中进行电池历史数据的存储；
[0037]
所述云端管理系统对从上传的数据进行存储，利用电池历史数据、电池测试实验数据构建数据库；在云端管理系统中的云计算服务器运行lstmn，对当前循环soh进行估计，随后基于soh估计结果结合bp神经网络得到soc-ocv关系，通过无线通讯设备将所述soc-ocv关系回传至车载终端电池管理系统，用于在车载终端管理系统中基于ekf估计soc并结合所述soc-ocv关系估计电池组正常电压，以及对电池模型参数的更新；
[0038]
对云端管理系统中lstmn、bp神经网络进行训练，以及在车载终端电池管理系统中对等效电路模型进行参数辨识所使用的数据，均通过在实验环境中，针对同类型动力电池组开展循环充放电测试实验得到；所述物理实体、实验环境构成所述系统的物理层，云端管理系统则作为系统的信息层。
[0039]
上述本发明所提供的方法和系统，基于将物理世界与信息世界充分融合的思想，利用物理世界的数据采集设备与控制线路、信息世界的计算与存储能力以及无线通讯系统，实现物理实体在信息世界中的映射，提高对于物理实体的感知与控制能力。通过物理实体、车载终端电池管理系统和云端管理系统三者的融合匹配，实现了动力电池监测系统的构建，具有建模准确、管理高效与实时性好的优点，有利于车-云协同的动力电池全周期精细化智能管理。
附图说明
[0040]
图1为本发明所提供的系统结构框图；
[0041]
图2为本发所提供方法的工作流程图；
[0042]
图3为本发明的方案中电池测试实验过程流程图；
[0043]
图4为本发明的方案中lstmn与bp神经网络的框架图；
[0044]
图5为基于本发明的在线实验验证系统框架图。
具体实施方式
[0045]
下面将结合附图对本发明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。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。
[0046]
本发明所提供的一种基于信息物理融合技术的动力电池故障监测方法，如图1所示，具体包括以下步骤：
[0047]
步骤一、以待监测的动力电池组作为物理实体，通过车载终端电池管理系统获取物理实体的运行数据并上传至云端管理系统；在实验环境中，针对同类型动力电池组开展如图3所示的循环充放电测试实验，将电压、电流和温度等测试实验数据上传至云端管理系统；对于每个放电周期，初始soc设置为1，当电压值低于阈值时终止放电过程，此时soc值设置为0。在每个放电循环中，我们基于安时积分法估算每个时刻的soc值。soc每变化0.1，就让电池静置，以便准确测量ocv值。另外，本次循环的电池总放电容量无法预先知道，因此只能在本次放电循环后修改估计的soc值。放电实验进行多次循环，直到测得的总放电容量低于初始容量的0.8时结束当前电池的放电试验，更换新的电池进行下一轮实验。
[0048]
步骤二、所述云端管理系统利用接收的测试实验数据，基于lstmn对当前循环的电池soh进行估计；以soh估计结果、soc以及温度数据作为输入，开路电压ocv作为输出构建bp神经网络，利用测试实验数据对其进行训练；结合bp神经网络输出的ocv数据与soc数据得到动力电池组的soc-ocv关系，并下发到车载终端电池管理系统；
[0049]
步骤三、车载终端电池管理系统对动力电池建立等效电路模型，利用实时获取的电池运行数据基于扩展卡尔曼滤波器(ekf)对soc进行估计；将soc估计结果输入由云端管理系统下发的soc-ocv关系得到ocv值；利用所述ocv值，动力电池组电流实测值以及端电压实测值，对电池组正常电压进行预测；
[0050]
步骤四、根据正常电压预测值与端电压实测值之间的差值，对动力电池组的不同故障类型进行划分，并提供相应等级的预警；
[0051]
步骤五、云端管理系统利用持续收集的测试实验数据以及实车电池组的历史运行数据，对所述lstmn以及bp神经网络进行定期更新。
[0052]
在本发明的一个优选实施方式中，如图4所示，所述步骤二中对当前循环的soh进行估计具体包括以下步骤：
[0053]
对于一个lstmn神经单元，定义其在每个时间步t，隐藏状态h
t
由同一时间步的数据x
t
更新，前一时间步的隐藏状态h
t-1
，输入门i
t
，输入节点g
t
，遗忘门f
t
、输出门o
t
和存储单元c
t
，更新公式为：
[0054][0055]
其中，w和b分别是层权重和偏差：w
fx
和w
fh
分别是遗忘门中相对于x
t
和h
t-1
的两个权重矩阵，bf是偏置项，σ是sigmoid函数；同理，w
ix
和w
ih
分别是输入门中相对于x
t
和h
t-1
的两个权重矩阵，bi是偏置项；w
gx
和w
gh
分别是tanh激活函数中相对于x
t
和h
t-1
的两个权重矩阵，bg是偏置项；w
ox
和w
oh
分别是输出门中相对于x
t
和h
t-1
的两个权重矩阵，bo是偏置项；
[0056]
引入dropout层用于模型训练，通过所述dropout层，部分隐藏输出被随机屏蔽，使得这些神经元在训练过程中不会影响前向传播；基于以下公式输出soh的估计结果：
[0057][0058]
其中，w
out
和b
out
分别是dropout层权重和偏差，输出值是soh估计结果，选择relu作为激活函数；对于模型训练，将均方误差(mse)作为模型损失：
[0059][0060]
其中，n为训练样本的数量。
[0061]
在本发明的一个优选实施方式中，所述步骤二中对于训练好的bp神经网络，输入所述soh估计结果、温度以及soc序列soc
input
＝[0.10.20.3...1.0]，并输出对应的ocv序列ocv
output
＝[ocv
1 ocv2...ocv
10
]；使用以下多项式拟合方式得到soc-ocv关系：
[0062][0063]
其中，m为多项式的最高系数，socj表示soc的j次幂，wj为socj的系数。
[0064]
所述soc-ocv关系的误差由以下公式表示：
[0065][0066]
其中，n为样本数，下标input表示输入，下标output表示输出；
[0067]
拟合系数由下式得到：
[0068][0069]
云端管理系统在拟合完成后将拟合结果回传至车载终端电池管理系统，用于对电池等效电路模型参数进行修正。
[0070]
在本发明的一个优选实施方式中，车载终端电池管理系统对动力电池建立具有两个rc电路的等效电路模型，步骤三中对电池组正常电压进行预测具体基于以下公式：
[0071][0072]
其中，φ
t
＝[y
t-1yt-2itit-1it-2
]
t
，y
t
＝u
t,ocv-u
t,measure
，i
t
(t＝1,2,
…
,k)为时间步长t处测得的电流值；u
t,measure
为在时间步长t处测得的端电压；u
t,pred
为预测值；u
t,ocv
是时间步
长t的ocv，由基于带遗忘因子的扩展卡尔曼滤波器估计出的soc输入拟合出的soc-ocv关系来确定；是参数矩阵由下式确定：
[0073][0074]
其中，k
ls,t
＝p
ls,t-1
φ
tt
[φ
t
p
ls,t-1
φ
tt
μ]-1
，p
ls,t
由进行计算得到，μ是遗忘因子。
[0075]
为了在电动汽车实际运行中实现实时可靠的故障诊断，提出了一种基于预测正常电压与实测电压差异的风险评估策略。如表1所示，根据电压差的大小，相应的风险状况可分为三个等级。对于第一级，警告阈值较小，对应于相对安全的状态。当超过此阈值时，系统将执行初级预警并开始增加诊断频率。二级阈值比较大，警告相关电池单体处于潜在危险状态。并且如果电压差超过三级阈值，将触发三级警告，驾驶员需要立即停车下车。综上所述，一级和二级阈值用于评估潜在故障风险，三级预警用于热失控预警。
[0076]
表1
[0077][0078]
相应地，本发明还提供了一种基于信息物理融合技术的动力电池故障监测系统用于执行上述方法，所述系统如图2所示，其包括：
[0079]
物理实体、车载终端电池管理系统和云端管理系统；
[0080]
其中，所述物理实体为待检测的动力电池组，是所述管理与监测系统的被控对象，以及作为所述车载终端电池管理系统与云端管理系统的数据来源；
[0081]
所述车载终端管理系统中的电池数据采集模块利用传感设备与车内通讯线路对物理实体进行数据采集，对采集到的原始数据进行初步的预处理后，通过无线通讯设备上传至云端管理系统的数据库中进行电池历史数据的存储；
[0082]
所述云端管理系统对从上传的数据进行存储，利用电池历史数据、电池测试实验数据构建数据库；在云端管理系统中的云计算服务器运行lstmn，对当前循环soh进行估计，随后基于soh估计结果结合bp神经网络得到soc-ocv关系，通过无线通讯设备将所述soc-ocv关系回传至车载终端电池管理系统，用于在车载终端管理系统中基于ekf估计soc并结合所述soc-ocv关系估计电池组正常电压，以及对电池模型参数的更新；
[0083]
对云端管理系统中lstmn、bp神经网络进行训练，以及在车载终端电池管理系统中对等效电路模型进行参数辨识所使用的数据，均通过在实验环境中，针对同类型动力电池组开展循环充放电测试实验得到；所述物理实体、实验环境构成所述系统的物理层，云端管理系统则作为系统的信息层。
[0084]
在本发明的实施中，终端电池管理系统在所述物理模型的基础上，结合包括但不
限于硬件单元模块(电池检测单元、电池组控制单元)、显示模块、通讯模块、整车控制器模块(均衡电路、继电器、散热加热电路等)以及相关线束和结构件(盖体、支架、螺栓等)。电池管理算法开发过程中，终端管理系统通常为充放电机或基于嵌入式系统开发的电池管理系统样机；电动载运工具充放电循环过程中，终端管理系统指电动汽车搭载的独立于云端系统的基于嵌入式系统开发的电池管理系统。终端管理系统针对不同应用场景有不同的具体实体，但上述过程中涉及的物理管理系统应至少应具备进行电池监测与控制的硬件模块和通讯模块。云管理系统包括但不限于数据传输模块、云端计算模块、数据存储模块等。所述数据传输模块用于和车载终端系统进行数据交互；云端计算模块用于模型的构建以及各类云端算法的计算；数据存储模块存储从车载终端系统获取的各类信息以及预存储的数据，为电池溯源、寿命预测、状态估计、故障诊断、模型搭建等提供信息。
[0085]
物理实体与终端管理系统之间包括但不限于通过控制局域网络进行数据交互，终端系统与云端系统之间包括但不限于通过zigbee、wifi、3g/4g/5g等无线通讯技术进行数据交互。
[0086]
如图5示出了一个基于本发明的在线实验验证系统框架图，为了获得有说服力的数据来验证所提出方法的有效性，从连接云平台的电池测试设备中获取电池测试数据。此外，图1系统安装在纯电动公交车上，并与北京电动汽车监控中心相连。监控中心大数据平台采用hadoop架构，保证数据采集和存储的可靠性。
[0087]
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0088]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。