一种基于电池温度梯度变化监测电池状态的方法与流程

1.本发明涉及一种基于电池温度梯度监测电池状态方法的应用分析方法，应用的领域是进行电动汽车车辆电池热管理和健康评估。


背景技术：

2.随着电动汽车在中国的推广和车联网技术的应用，越来越多的电动汽车进入了消费者市场并且根据国家标准(gbt32960)实时采集了行车数据。动力电池作为电动汽车的动力来源，随着充放电次数和行驶里程的增加，电池的内部热性能也发生了变化，这个反应是典型的动态非线性的电化学系统，在线应用时内部参数是难以测量的，其退化状态识别和状态估计仍存在巨大挑战。
3.通过对动力电池电池组全电芯多点温度及连接点温度进行分析和监测，主要就是为了能够提高电池的利用率，防止电池出现过度充电和过度放电，可用于电动汽车、电瓶车、机器人和无人机等。在此基础上，可以实现对温度的管理和检测，同时对于电池热失控进行准确的预测。
4.本文采用一种利用电池充电时温度梯度信息作为参考的方法来进行电池状态的监测，在依赖于电动汽车全电芯多点温度及连接点温度数据采集的长周期情况下，从用车时温度变化速率偏离充电时获得参考速率的阈值的计算中，来挖掘电池健康状态信息及其演变规律，实现电池热失控预测。


技术实现要素：

5.为了解决这个问题，本发明提供了一种数据驱动的电池状态监测方法，就是基于大数据建立电动汽车电池状态监测的应用分析系统。所述方法包括：
6.数据准备步骤，进行电池温度的测量，对每个电芯表面进行多点测温作为预测数据的基础，并获取其他与电动汽车电池使用相关的数据。
7.温度特征序列的提取步骤，基于多点的温度测量数据，提取大数据预测soh的特征变量。基于温度提取的特征变量将作为大数据预测soh的数据基础。同时，基于多点测温的数据样本量比采用单一的内部测温法得到的数据量更加丰富，也体现了多点测温的优势。
8.soh序列的获取步骤，以计算得到的soh序列大部分被作为模型训练的数据，使上述温度相关的特征序列与目标soh序列进行拟合。另一部分soh序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
9.学习算法的选择，通过深度学习的方法(例如lstm)或者集成学习方案(例如，xgboost)，将以上提取的相关特征序列与目标soh进行拟合。
10.建立模型步骤，基于特征化后的数据建立电池热失控预测模型，采用特征化后得到的梯度信息作为参考目标，来判断电池的状态；电池使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正；通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正；
所述数据构建包括，按照时间的顺序将搜集到的数据进行整合；
11.训练验证步骤，选择合适的阈值，在确定了电池充电时温度梯度信息作为判断依据，后续用车时电池温度变化的速率与判断依据相比较，选择合适的阈值，当电池温度变化速率与判断依据的差值大于阈值时，电池工作出现异常；
12.算法评估步骤，基于合适的阈值，评估数据的预测结果。
13.本方法在电动汽车电池管理中确定了电池状态监测的问题，针对该核心问题进行数据的获取和标定、以及进行数据整合和特征工程，明确数据定义并进行初步处理，通过预定义的规则进行特征和标签的定义。最后是进行模型训练和评估，通过数据导入，利用大数据的不同模型，选择不同算法进行匹配验证，并进行发布，成为结构化的产品，并随着时间累积和数据丰富，模型的预测准确性会不断提升。
附图说明
14.图1是电动汽车电池状态监测实施方式；
15.图2是本发明的系统结构框图；
16.图3是本发明的大数据机器学习框图；
17.图4是本发明中滚动聚合原理图。
具体实施方式
18.结合下图对本专利的具体实施方式进行详细说明，需要指出的是，该具体实施方式仅仅是对本发明优选技术方案的举例，并不能理解为对本发明保护范围的限制。
19.图1示出了本专利具体实施方式中的一种电动汽车电池状态监测的步骤。其中：
20.数据准备步骤，对每个电芯表面进行多点测温并获取与电动汽车电池使用相关数据。
21.在本步骤中，采用对每个电芯表面进行多点测温作为预测数据的基础，因为在缺乏电池生产经验的条件下，通过向电池内置测温光纤/热电偶以获得电池内部温度的方法不仅会对电池造成不确定性的损坏，还会影响预测结果。其中，所述电动汽车电池的数据包括电动汽车的监控数据，监控数据每秒采集一次，在电动汽车的不同整车状态中，例如行驶、充电过程中，都会产生。所述电池的监控数据包括在正常使用时与电池相关的温度信息。
22.序号原始字段描述1vin表示车辆的唯一标识码2采集时间时间戳，正常采集频率为10秒3车辆工况车辆的工作状态，包括地面行驶、高速行驶、充电等4电芯采集点温度采集的每个电芯4-5个温度检测点的温度5电池热故障信息电池热相关故障采集的故障类型和发生时间
23.温度特征序列的提取步骤，基于多点的温度测量数据，提取大数据预测soh的特征变量。
24.在本实施方式中，由于主要是基于数据处理实现的，保证高质量的数据有利于提高结果的准确性，因此需要对采集的数据进行数据整理。温度特征数据提取主要包括：
25.在充电过程中，对每个单体的多个测温点进行温度提取，主要是提取温度的差值序列、上升速度序列、熵序列等；在充电过程中，提取不同单体之间的平均温度的差值序列、上升速度序列、熵序列等；在充电过程中，分别在单体所有的测温点和不同单体个体的平均温度下，提取单位soc的温度增量序列；以上述基于温度提取的特征变量将作为大数据预测soh的数据基础。同时，基于多点测温的数据样本量比采用单一的内部测温法得到的数据量更加丰富，也体现了多点测温的优势。
26.soh序列的获取步骤，以计算得到的soh序列大部分被作为模型训练的数据，使上述温度相关的特征序列与目标soh序列进行拟合。另一部分soh序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
27.由于在后续的处理步骤中需要对数据进行处理和计算，为了便于计算和识别数据的特征，首先需要对整理后的数据进行特征化以便于显现所述数据的各种特征从而便于计算和识别。
28.在本步骤中，首先，基于传统的安时积分法测量每次充电的容量(选择固定电压区间)；然后，基于每次充电的容量进行一些异常值的剔除；最后，对容量数据进行滑动平均，得到soh序列。
29.以上计算得到的soh序列大部分被作为模型训练的数据，使上述温度相关的特征序列与目标soh序列进行拟合。另一部分soh序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
30.学习算法的选择，通过深度学习的方法(例如lstm)或者集成学习方案(例如，xgboost)，将以上提取的相关特征序列与目标soh进行拟合。
31.建立模型步骤，基于特征化后的数据建立电池热失控预测模型，采用特征化后得到的梯度信息作为参考目标，来判断电池的状态。
32.在完成了判断依据温度的采集之后，可以继续采集后续的温度信息与判断依据相比较来判断电池的状态。
33.后续在预测过程中同样每隔δt采集的温度信息t
t1
、t
t2
...t
tn
，依据s005内公式计算温度t
t
的梯度信息gt
t
，通过累加每一个采集时刻的gt
t
得到sgt
t
，将s005中算得的sgtr作为阈值，与之相比较来判断电池状态，当大于阈值时，则判断电池状态出现异常。也可以选择其他阈值作为判断依据。需要基于不同的情况选择不同的阈值信息。
34.训练验证步骤，对模型进行训练和验证以优化该监测模型。
35.在建立上述模型的基础上，需要进行训练和验证的工作来优化模型，以便可以选择合适的阈值提高模型的准确性。
36.在本具体实施方式中，所述训练验证步骤优选包括：交叉验证和少数类采样。
37.所述交叉验证方法中对于各个模型的参数框架进行优化，算法的可靠性依赖参数框架，就是说哪些电池数据对于产生的结果是最有效的。
38.在本具体实施方式中，为了提高参数框架的质量，首先把原始的数据随机分成k个部分。在这k个部分中，选择其中一个部分作为测试数据，剩下的k-1个部分作为训练数据得到相应的实验结果。然后，挑选另外一个部分作为测试数据，剩下的k-1个部分作为训练数据，以此类推，重复进行k次交叉检验的。每次实验都从k个部分中选择一个不同的部分作为测试数据，保证k个部分的数据都分别做过测试数据，剩下的k-1个当作训练数据进行实验。
最后把得到的k个实验结果平均，所述实验结果可以为预测值和校验值的差值，使得差值越小越好，从而确定最佳的分类，实现模型的训练。在本应用中，可以将获得电动汽车的数据随机分成k个部分，首先将其中k-1个部分的数据用于建立热失控预测模型，然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。以此类推。
39.所述少数类采样是针对一类数据仅仅有很少数量的训练样本时，数据集不平衡的情况时采用的。当一类数据仅仅有少量的训练样本时，本具体实施方式中可以通过将少数的故障样本数据合成新的少数类样本数据来进行模型的训练。例如在电池的数据收集中，当只采集到少量样本时，为了从少量数据中产生更多进行机器学习的数据，需要进行数据合成。具体而言，对每个少数类样本a，从它的最近邻中随机选一个样本b，这里的距离是根据时间和变量图中的距离进行计算，然后在a和b之间的连线上随机选择一点作为新合成的少数类样本。通过这样不断的合成，可以将少量的样本a，变成具备多数据的样本a ，从而达到预测电池热失控的数据要求，即不会产生计算中的因为数据不平衡导致的过拟合或者扭曲。
40.模型评估步骤，评估不同评估策略不同阈值下的预测结果，基于评估选择最优的算法。
41.在电池状态监测中，基于不同的监测目标或者是不同的数据源，采用不同的评估策略和阈值所得到的结果也是不同的，这样就需要针对不同的情况选择较佳的算法。
42.通常在电池状态监测中，可以使用监测值和s001中的电池故障信息的差值，评估监测结果，比较在不同情况下采用不同的算法所得到的结果是否最优，从而选择最优的算法。
43.其中，差值是针对监测结果而言所述模型预测电池使用过程和校验值的差距是多少，一般是越低越好。