一种基于运行大数据的电动汽车动力电池实时安全预警方法

1.本发明涉及新能源汽车的动力电池安全领域，具体涉及一种基于运行大数据的电动汽车动力电池实时安全预警方法。


背景技术：

2.电动汽车因其高效的性能以及对解决温室气体排放和全球变暖等环境问题的贡献得到汽车业界的广泛认可。而动力电池是电动汽车主要的储能装置，因此，电池的安全可靠运行非常重要，与其他储能装置一样，电池即用即老化，主要表现在容量的衰减和功率衰退(内阻增加)。因此，电池的可靠运行建立在精准的电池参数、状态估计之上，而电池管理系统(battery management system,bms)能够对电池状态实时监控。另一方面，随着大数据时代的到来，电动汽车、充电桩、云端大数据等车-边-端多场耦合监测电动汽车的安全性得到广泛的关注，如何利用大数据建立动力电池的安全模型是亟待解决的行业难题。
3.当前对于动力电池的安全性研究大多建立在实验室的特定条件下，通过特定工况下精准的传感器的采集信息作为电池安全性的表征参数，建立经验模型、解析模型或神经网络模型，进而得到良好的状态量如直流内阻、荷电状态(stateof charge，soc)、健康状态(stateofhealth，soh)、峰值功率状态(stateofpower，sop)。但实际车辆行驶数据与云端大数据平台监控的数据与实验室数据存在较大的差异，其具体特征表现为：1.运行大数据的采样频率往往是0.1hz甚至更低，并且采样的频率不是一成不变的，这将导致相邻采样点的电池状态不连续甚至差异很大，而一些经典的状态辨识方法如递推最小二乘法进行参数辨识需要电池在单位采样间隔内消耗或吸收的电量对其soc的影响近似为零、电池在单位采样间隔内温度不变等苛刻条件，因此这类依靠状态量缓慢变化的假设的方法无法运用到实车运行大数据当中。2.实验室可通过加速寿命试验在较大倍率下充放电快速完成动力电池的全寿命周期，而大数据平台监控的实车数据往往运行数十年才达到动力电池的寿命极限，将导致大数据平台监控下实车运行工况难以通过实验手段复现。3.由于实际运行工况、环境的复杂性，实验室条件下很难模拟出实际运行工况，并且，在多种不确定性条件的影响下，采集的数据会出现质量下降等一系列问题，在建模前需要数据清洗等复杂处理。
4.针对上述问题背景下，对于运行大数据的电动汽车，其开路电压(open circuit voltage，ocv)随soc的变化难以表征，内阻等关乎到电池安全的参数难以辨识。因此，亟需基于运行大数据的电动汽车动力电池实时安全预警方法。


技术实现要素：

5.为解决现有技术中的不足，本发明提供一种基于运行大数据的电动汽车动力电池实时安全预警方法，基于实车运行大数据，通过大量的运行数据有效得到ocv随soc的变化曲线，进而进行充电和放电直流内阻的在线参数辨识，并建立有效的安全预警模型实现实时安全预警和检测可能出现故障的电池单体，实现动力电池系统的高安全性和高可靠性运行。
6.本发明为实现上述目的，通过以下技术方案实现：一种基于运行大数据的电动汽车动力电池实时安全预警方法，包括以下步骤：
7.s1、数据读取，读取动力电池过往历史数据的总电流、总soc、以及单体电压；
8.s2、数据清洗，针对缺失数据、重复值数据、错误数据进行清洗；
9.s3、数据分析，提取不同充电时刻的电压值，并记录对应时刻的soc值，建立ocv-soc曲线；
10.s4、参数辨识，通过拟合得到的ocv-soc曲线，对实时采集数据利用rint模型进行参数辨识，得到充电段的直流内阻和放电段的直流内阻；
11.s5、安全预警，对充电片段内阻在空间维度和时间维度上分别采用熵权重法和变异系数法进行安全预警，对放电片段内阻设置阈值预警。
12.进一步的，s2中，针对缺失值的数据量小于等于4个采样点，采用最近邻插值法对数据进行补全，对缺失的数据量大于4个采样点，直接剔除；针对重复值，仅保留一个有效值；针对内容有误的数据，当电压数据为零，则对该时刻的电流数据进行条件判断，若该时刻电流与上一采样点变化小于最大充放电流的3％，则电压采用上一采样点电压代替，若电流变化值大于最大充放电流的3％，则对该时刻电压直接剔除。
13.进一步的，s4中，建立哈希映射计算内阻，通过拟合得到的ocv-soc曲线，可以得到每个soc对应的ocv具体值，将soc存储到哈希表的键向量keys里，将ocv存储到哈希表的值向量values里，得到实时采集的总电流、单体电压、总soc，根据soc的变化判断充电还是放电。
14.进一步的，对于充电过程中，在线辨识到每个单体的直流内阻，其计算式为：
15.ocv(k)＝hashmap(soc(k))
ꢀꢀꢀ(i)[0016][0017]
式中ocv(k)是第k时刻的开路电压，soc(k)是第k时刻的荷电状态，hashmap为上述建立的哈希映射，r(k)为第k时刻的直流内阻，u
t
(k)为第k时刻的单体电池端电压。
[0018]
进一步的，s4中，对于放电过程中，利用滤波算法结合最小二乘特征曲线间接得到放电段的直流内阻。
[0019]
进一步的，s5中充电片段在时间维度上预警方法为：
[0020]
通过对电动汽车长期运行充电工况得知，其往往选择的充电策略为多阶恒流充电，但经统计发现，其在70％-90％soc区间，往往采用大倍率充电的方式，并且该区间段内欧姆内阻的变化并不显著，而对于欧姆内阻变化不显著的区间段如若出现异常信息，则更容易检测到是否发生故障，因此选取此区间作为研究对象。对多个充电片段进行时间维度和空间不一致性维度的两步内阻一致性安全预警。
[0021]
首先，选取所有单体在70％-90％soc区间的内阻：
[0022]
[0023]
其中，j表示单体电池个数，i表示不同soc的第i个采样点；
[0024]
然后，将矩阵r的每一行进行标准化处理，其计算式为：
[0025][0026]
式中ri表示r矩阵的行向量，经过处理后可得到无量纲的r_normal矩阵：
[0027][0028]
计算r_normal行向量的均值和标准差mi和si：
[0029][0030][0031]
式中n表示电池单体的个数；
[0032]
最后，求得不同采样点的变异系数vi：
[0033][0034]
对于变异系数，结果在0.15以内认为是各个电池单体一致性良好，当某一时刻的变异系数大于0.15则表明该时刻出现电池单体的不一致。
[0035]
进一步的，s5中充电片段在空间维度上预警方法为：
[0036]
首先，选取n个电池单体，m个采样时刻，建立矩阵x
ij
(i＝1,2,
…
,n；j＝1,2,
…
,m)，然后对矩阵列向量进行归一化，计算第j个采样点下第i个电池单体占该时刻的比重p
ij
：
[0037][0038]
然后，计算第j个时刻的熵值ej：
[0039][0040]
其中，根据熵值计算信息熵冗余度dj：
[0041]dj
＝1-ej[0042]
对冗余度进行权值计算：
[0043]
[0044]
利用每个单体计算所有j时刻下的总和可以得到各个电池单体的综合得分si：
[0045][0046]
最后，将每个电池单体综合得分与所有单体得分的均值进行作差得到偏离度δs，偏离度越大，反应该单体偏离大多数单体的程度越大，通过偏离的程度来判断该单体是否出现异常。
[0047]
进一步的，s3中提取若干充电片段起始时刻、运行过程中电流为零超过30min的时刻、充电结束并充分静置后的时刻的电压值。
[0048]
对比现有技术，本发明的有益效果在于：
[0049]
1.现有的ocv-soc曲线往往只是在实验室离线条件下进行ocv实验或者混合功率脉冲特性(hybrid pulse power characterization，hppc)得到的，从实车中难以获得，而本发明通过车桩记录的实车数据可以不通过实验得到实车电池的ocv-soc曲线，且充电的次数越多，还原出的ocv-soc曲线越准确。
[0050]
2.本发明能够有效的在线辨识出充电过程和放电过程动力电池的直流内阻，计算复杂度小，准确性高；并且，基于内阻信息提出的时间空间双维度安全预警方法即能有效诊断出发生故障的具体时间，还能诊断出现故障的具体电池单体，有效的实现电池系统安全精确预警。
附图说明
[0051]
图1为本方案实施的流程图；
[0052]
图2为单体电压数据清洗前的结果；
[0053]
图3为单体电压数据清洗后的结果；
[0054]
图4为拟合的ocv-soc曲线；
[0055]
图5为辨识的充电内阻随soc的分布；
[0056]
图6为辨识的放电内阻随soc的分布；
[0057]
图7为不同时刻的变异系数；
[0058]
图8为不同单体的偏离度；
具体实施方式
[0059]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所限定的范围。
[0060]
如图1所示，一种基于运行大数据的电动汽车动力电池实时安全预警方法，包括以下步骤：
[0061]
s1、数据读取，读取动力电池过往历史数据的总电流、总soc、以及单体电压；
[0062]
s2、数据清洗，针对缺失数据、重复值数据、错误数据进行清洗；
[0063]
s3、数据分析，提取不同充电时刻的电压值，并记录对应时刻的soc值，建立ocv-soc曲线；
[0064]
s4、参数辨识，通过拟合得到的ocv-soc曲线，对实时采集数据利用rint(电池等效
电路模型)模型进行参数辨识，得到充电段的直流内阻和放电段的直流内阻；
[0065]
s5、安全预警，对充电片段内阻在空间维度和时间维度上分别采用熵权重法和变异系数法进行安全预警，对放电片段内阻设置阈值预警。
[0066]
由于车桩大数据存在缺失值、重复值、内容有误等问题无法直接使用，需要开展数据清洗工作，清晰方法为：针对缺失值的数据量小于等于4个采样点，采用最近邻插值法对数据进行补全，对缺失的数据量大于4个采样点，直接剔除；针对重复值，仅保留一个有效值；针对内容有误的数据，当电压数据为零，则对该时刻的电流数据进行条件判断，若该时刻电流与上一采样点变化小于最大充放电流的3％，则电压采用上一采样点电压代替，若电流变化值大于最大充放电流的3％，则对该时刻电压直接剔除，清洗前后的数据如图2所示，图a为清洗前，图b为清洗后。
[0067]
进一步的，s4中，建立哈希映射计算内阻，通过拟合得到的ocv-soc曲线，可以得到每个soc对应的ocv具体值，将soc存储到哈希表的键向量keys里，将ocv存储到哈希表的值向量values里，得到实时采集的总电流、单体电压、总soc，根据soc的变化判断充电还是放电。
[0068]
进一步的，对于充电过程中，在线辨识到每个单体的直流内阻，其计算式为：
[0069]
ocv(k)＝hashmap(soc(k))
[0070][0071]
式中ocv(k)是第k时刻的开路电压，soc(k)是第k时刻的荷电状态，hashmap为上述建立的哈希映射，r(k)为第k时刻的直流内阻，u
t
(k)为第k时刻的单体电池端电压。
[0072]
进一步的，s4中，对于放电过程中，利用滤波算法结合最小二乘特征曲线间接得到放电段的直流内阻，对于放电过程中，由于电动汽车放电工况的复杂性，定义充电电流符号为负，放电电流符号为正，行驶过程中既存在电流大于0的正常放电过程，也存在电流小于0的制动能量回收，还存在其他工况引起的电流跳变，为保证放电内阻辨识的有效性，需要对电流跳变时刻进行滤波处理，经多次离线实验验证，选择0.1c(c指电池的(电流)倍率)的电流作为边界条件。将电流绝对值小于0.1c倍率的电流设置为0，则根据上式计算得到的内阻为无穷大，即不作参考。通过此方法滤波后，即可用充电阶段辨识直流内阻的方式辨识放电时刻的直流内阻。需注意的是，由于放电工况的变化复杂性，放电直流内阻仅作为安全预警的一个检测参考指标。
[0073]
进一步的，s5中充电片段在时间维度上预警方法为：
[0074]
首先，选取所有单体在70％-90％soc区间的内阻：
[0075][0076]
其中，j表示单体电池个数，i表示不同soc的第i个采样点；
[0077]
然后，将矩阵r的每一行进行标准化处理，其计算式为：
[0078][0079]
式中ri表示r矩阵的行向量，经过处理后可得到无量纲的r_normal矩阵：
[0080][0081]
计算r_normal行向量的均值和标准差mi和si：
[0082][0083][0084]
式中n表示电池单体的个数；
[0085]
最后，求得不同采样点的变异系数vi：
[0086][0087]
对于变异系数，结果在0.15以内认为是各个电池单体一致性良好，当某一时刻的变异系数大于0.15则表明该时刻出现电池单体的不一致。
[0088]
进一步的，s5中充电片段在空间维度上预警方法为：
[0089]
首先，选取n个电池单体，m个采样时刻，建立矩阵x
ij
(i＝1,2,
…
,n；j＝1,2,
…
,m)，然后对矩阵列向量进行归一化，计算第j个采样点下第i个电池单体占该时刻的比重p
ij
：
[0090][0091]
然后，计算第j个时刻的熵值ej：
[0092][0093]
其中，根据熵值计算信息熵冗余度dj：
[0094]dj
＝1-ej[0095]
对冗余度进行权值计算：
[0096][0097]
利用每个单体计算所有j时刻下的总和可以得到各个电池单体的综合得分si：
[0098][0099]
最后，将每个电池单体综合得分与所有单体得分的均值进行作差得到偏离度δs，偏离度越大，反应该单体偏离大多数单体的程度越大，通过偏离的程度来判断该单体是否出现异常，经实验试错，偏离度的阈值定为4。
[0100]
进一步的，s3中提取30个充电片段起始时刻、运行过程中电流为零超过30min的时刻、充电结束并充分静置后的时刻的电压值。