[发明专利]一种基于云端在线数据的动力电池单体热失控预警方法

说明书

本发明涉及一种基于云端在线数据的动力电池单体热失控预警方法，包括以下步骤：S1：对云端收集的电池组数据进行电池模组边界特征提取，并形成高维矩阵；S2：提取出上述高维矩阵的低维特征矩阵，基于所述低维特征矩阵计算当前失效概率，根据预设的失效概率阈值与所述当前失效概率进行比较，判定当前是否存在热失控风险；S3：判定有热失控风险时，计算高维矩阵中每个维度对失效概率的贡献值，确定失效概率贡献最大的边界特征对应的单体电池为待核验高危单体；S4：分析所述待核验高危单体在线电压、温度与SOC数据，根据偏差程度值对应三级不同的等级进行报警。本方法通过对动力单体电池热失控进行预警，提升了电池运行的稳定性和安全性。

技术领域

本发明属于新能源汽车动力电池技术领域，具体涉及一种基于云端在线数据的动力电池单体热失控预警方法。

背景技术

在电动汽车实际行驶中，伴随着电动汽车的使用，恶劣的路面条件、环境温度和负载的动态变化会导致电池系统性能非线性下降，进而不可避免导致漏液、绝缘损坏和内部微短路等问题。当前热失控发生与电动汽车实时工况的相关性并不明了，热失控出发机理尚不明确。因此及时监测电池的故障特征和评估电池的健康状态，是当前尽可能防止电池进一步老化引发自燃、爆炸等严重安全事故的主要手段和重要方法。实现电池管理系统的实时状态监控、精确故障诊断，进而达到提前进行安全预警具有重要的现实意义。

当前电池管理系统实现故障报警的方法主要有三类：基于阈值的判断方法，基于物理模型的判断方法以及基于数据驱动模型的判断方法。然而目前的热失控预警方法的验证和修正大多都是在实验室数据下完成，面对真实随机工况的准确性需要进一步开发。随着云端技术的发展，板载BMS数据可实时传输到云端储存与计算，在云端在线数据的基础上，结合智能算法对大数据进行挖掘，结合机器学习算法，实现对实时工况下，电池热失控风险的进行预警，保障电动车安全运行是非常有应用价值的。

发明内容

要解决的技术问题：

针对现有技术存在的上述技术问题，本发明提出一种基于云端在线数据的动力电池单体热失控预警方法，基于云端在线数据与多种智能算法，实现实车运行过程中电池单体的热失控预警定位，本发明技术方案如下：

一种基于云端在线数据的动力电池单体热失控预警方法，包括以下步骤：

S1：对云端收集的一定时段电池组数据进行电池模组边界特征提取，并将上述电池模组边界特征形成高维矩阵；

S2：通过机器学习算法对上述高维矩阵进行降维，提取出上述高维矩阵的低维特征矩阵，基于所述低维特征矩阵计算该时段内每一时刻的在当前失效概率，根据预设的失效概率阈值与上述当前失效概率进行比较，判定当前是否存在热失控风险；

S3：判定有热失控风险时，对步骤S2中的所述低维矩阵进行解压缩，计算步骤S1中高维矩阵中每个维度对失效概率的贡献值，确定失效概率贡献最大的边界特征对应的单体电池为待核验高危单体；

S4：分析所述待核验高危单体在线电压、温度与SOC数据，结合预先训练完毕的深度学习电池状态预测模型，计算所述待核验高危单体在线电压、温度与SOC数据在当前状态与预测状态的偏差程度，对所述待核验高危单体的电压、温度与SOC数据的所述偏差程度值与预设的三级的报警阈值进行比对，根据偏差程度值对应三级不同的等级进行报警。

进一步，在步骤S1中，所述电池模组的热失控相关参数包括单体电池的电压奈尔系数、单体池的电压变化率、单体电池电压对温度微分值、单体电池电压对荷电状态微分值、单体电池的温度变化率、单体电池的内短路内阻、单体电池的电压、单体电池的温度、单体电池的荷电状态。

进一步，在步骤S1中，提取的所述边界特征是对所述热失控相关参数提取的最值、次最值、标准差、极差

进一步，在步骤S2中，所述机器学习算法包括线性降维的PCA算法或者非线性降维的自编码器算法。