基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测

doi:10.19562/j.chinasae.qcgc.2023.01.016

摘要/Abstract

摘要：

随着电动汽车在我国的发展，动力电池的安全性能成为评价电动汽车综合产品力的重要指标，其中动力电池热失控的检测对乘车人员的安全至关重要。针对传统热失控检测方法在实际应用中难以准确做出判断的问题，从电池传感器直接观测的电压、电流、时间等参数中提取状态特征向量，使用混合高斯模型对特征进行最优化筛选。分别对动力电池不同的安全状态评估其混合概率分布，通过BW方法建立隐马尔可夫模型，利用维特比算法对当前观测序列计算相似概率来判断当前电池的健康状况。实验结果表明，隐马尔可夫模型对动力电池热失控的识别较常见时序检测方法更为准确，可以实现在无需电化学仪器检测的前提下达到初步热失控风险检测的目的，提升安全检测效率，降低检测成本。

关键词: 电池热失控, 实时预警, 隐马尔科夫模型, 混合高斯模型, 机器学习

Abstract:

With the development of the electric vehicle industry in China， the safety performance of the EV batteries has became one of the most important guidelines scaling the overall product value， whereas the detection of the battery thermal runaway is the most concerned safety issue of passengers. To solve the problem of the low accuracy of the conventional thermal runaway detection method， this paper extracts the state feature vectors from the voltage， current， time and other parameters directly observed by the battery sensors and optimizes and screen the features using the Gaussian mixed model. The mixed probability distribution of different safety states of the power battery is evaluated and the hidden Markov method is established by the BW algorithm. The current battery health status is judged by calculating the similar probability of the current observation sequence using the Viterbi algorithm. The experiment results show that the hidden Markov model can more accurately predict the thermal runaway status in real-time compared with the traditional time series detection method. It can realize preliminary thermal runaway risk detection without additional electrochemical testing experiment on the batteries， which improves the safety detection efficiency and reduces the detection cost.

Key words: battery thermal runaway, real-time alert, hidden Markov model, Gaussian mixed model, machine learning

廉玉波,凌和平,王钧斌,潘华,谢朝. 基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测[J]. 汽车工程, 2023, 45(1): 139-146.

Yubo Lian,Heping Ling,Junbin Wang,Hua Pan,Zhao Xie. A Real-time Thermal Runaway Detection Method of Power Battery Based on Guassian Mixed Model and Hidden Markov Model[J]. Automotive Engineering, 2023, 45(1): 139-146.

图/表 12

图1

图2

图3

图4

表1

图5

图6

表2

图7

图8

表3

表4

参考文献 19

1	赵文智，刘合，张国生. 石油被替代的可能性与路径之思考［J］. 科学通报，2017，62 （36）： 4228-4236.
	ZHAO Wenzhi， LIU He， ZHANG Guosheng. The possibility and scenarios of petroleum′s substitution ［J］. Chinese Science Bulletin，2017，62 （36）： 4228-4236.
2	FENG Xuning， OUYANG Minggao， LIU Xiang， et al. Thermal runaway mechanism of lithium ion battery for electric vehicles： a review［J］. Energy Storage Materials， 2018， 10： 246-267.
3	王浩，杨聚平，王莉，等. 锂离子电池的安全性问题［J］. 新材料产业， 2012， 9： 88-94.
	WANG Hao， YANG Juping， WANG Li， et al. Safety of lithium ion batteries［J］. Advanced Material Industry， 2012， 9： 88-94.
4	FERNANDES Y， BRY A，PERSIS S. Identification and quantification of gases emitted during abuse tests by overcharge of a commercial Li-ion battery ［J］. Journal of Power Sources，2018，389： 106-119.
5	阚强，陈满，任常兴.锂离子电池热失控气体燃爆特征实验研究［J］.消防科学与技术，2021，40（7）：959-962.
	KAN Qiang， CHEN Man， REN Changxing. Study on the characteristics of gas deflagration caused by the thermal runaway of Lithium-ion battery ［J］. Fire Science and Technology， 2021， 40（7）： 959-962.
6	CUMMINGS S R，SWARTZ S L. Off-gas monitoring for lithium ion battery health and safety ［R］. Wright Patterson AFB： Power Sources Committee Meeting，2017.
7	LU L G， HAN X B， LI J Q， et al. A review on the key issues for lithium-ion battery management in electric vehicles ［J］. Journal of Power Sources，2013，226： 272-288.
8	王立业，王丽芳，刘伟龙. 基于容量差的电动汽车主动均衡控制策略研究［J］. 电工电能新技术， 2017，36 （ 11）： 45-50.
	WANG Liye，WANG Lifang，LIU Weilong. Research on active balance control strategy of electric vehicle based on capacity difference ［J］.Advanced Technology of Electrical Engineering and Energy，2017，36 （ 11）： 45-50.
9	隋欣，陈永翀，张晓虎，等. 基于改进滑模观测器的锂离子电池荷电状态估计方法［J］. 电工电能新技术，2018，37 （12）：69-78.
	SUI Xin， CHEN Yongchong， ZHANG Xiaohu，et al. Improved sliding mode observer for state of charge estimation of lithium-ion battery ［J］. Advanced Technology of Electrical Engineering and Energy， 2018，37 （12）：69-78.
10	雷治国，张承宁，雷学国，等. 电动汽车用锂离子电池热特性和热模型研究［J］. 电工电能新技术，2015，34 （12）： 59-64.
	LEI Zhiguo， ZHANG Chengning， LEI Xueguo，et al. Research on thermal characteristics and thermal model of EVs lithium-ion battery ［J］.Advanced Technology of Electrical Engineering and Energy，2015，34 （12）： 59-64.
11	ZHENG Y J， OUYANG M G， LU L G， et al. Understanding aging mechanisms in lithium-ion battery packs： from cell capacity loss to pack capacity evolution ［J］. Journal of Power Sources，2015，278： 287-295.
12	荣雅君，杨伟，牛欢，等. 基于 BP-EKF 算法的电动汽车电池管理系统 SOC 精准估计［J］. 电工电能新技术，2015，34 （9）： 22-28.
	RONG Yajun， YANG Wei， NIU Huan，et al. Accurate estimation of SOC value of electric vehicle battery based on EKF algorithm optimized by BP neural network ［J］. Advanced Technology of Electrical Engineering and Energy，2015，34 （9）： 22-28.
13	杨海学，张继业，张晗. 基于改进 Sage-Husa 的自适应无迹卡尔曼滤波的锂离子电池 SOC 估计［J］. 电工电能新技术，2016，35（1）： 30-35.
	YANG Haixue， ZHANG Jiye， ZHANG Han. States of charge estimation of lithium-ion battery based on improved Sage-Husa adaptive unscented Kalman filters ［J］. Advanced Technology of Electrical Engineering and Energy， 2016，35（1）： 30-35.
14	OUYANG M G， LIU G M， LU L G， et al. Enhancing the estimation accuracy in low state-of-charge area： a novel onboard battery model through surface state of charge determination ［J］. Journal of Power Sources，2014， 270：221-237.
15	REN Dongsheng， LIU Xiang， FENG Xuning， et al. Model-based thermal runaway prediction of lithium-ion batteries from kinetics analysis of cell components［J］. Applied Energy， 2018， 228： 633-644.
16	FENG Xuning， PAN Yue， HE Xiangming， et al. Detecting the internal short circuit in large-format lithium-ion battery using model-based fault-diagnosis algorithm［J］. Journal of Energy Storage， 2018， 18： 26-39.
17	CAPPE O， MOULINES E， RYDEN T. Inference in hidden Markov models［J］. Technometrics， 2006， 48（4）：574-575.
18	DIGGLE P J， TAWN J A， MOYEED R A. Model-based geostatistics ［J］. Journal of the Royal Statistical Society A， 1998， 47： 299-350.
19	中国汽车工程学会.节能与新能源汽车技术路线图2.0［M］. 北京：机械工业出版社，2021.
	China Society of Automotive Engineers. Technology roadmap for energy saving and new energy vehicles 2.0 ［M］. Beijing： China Machine Press， 2021.

特征类型	特征名称	描述
电化学特征类	电压一致性	滑动时间窗口内的，电池单体极差电压的均方根
	温度一致性	滑动时间窗口内的，电池单体极差温度的均方根
	容量一致性	本时间帧单体间容量的均方根，容量由伏安法计算得到
	可用容量一致性	本时间帧单体间可用容量（剩余电量）的均方根，可用容量由伏安法计算得到
特征工程类	乘法类特征交叉	将不同原始特征两两相乘，得到新特征
	加法类特征交叉	将不同原始特征两两相加，得到新特征
	减法类特征交叉	将不同原始特征两两相减，得到新特征
	特征分箱	设定不同值域区间，将连续值分入离散的特征分箱中
	特征变化率	某个特征随时间的1阶变化率
	多项式特征组合	多个特征通过多项式组合出新的特征
统计学特征类	最大值	本时间帧单体间压差的最大值
	最小值	本时间帧单体间压差的最小值
	均值	本时间帧全部单体压差的平均值
	方差	本时间帧压差的方差
	脉冲度	滑动时间窗口内的单体电压脉冲度，代表的是峰值在波形中的极端程度
	峭度	滑动时间窗口内的单体电压峭度，描述变量的分布波形的平缓程度
	偏度	滑动时间窗口内的单体电压偏度，代表分布曲线的“峰顶”在曲线的左或右侧

特征类别	具体特征
原始特征	总电压
	总电流
	平均温度
	SOC
特征工程	压差变化率
	温度变化率
	单体温度极差
统计学特征	电压最小值
	温度最大值
	电压方差
	电压脉冲度
	电压峭度
电化学特征	温度一致性
电化学特征	可用容量一致性

项目	个数	正确分类个数	准确率	误报率
训练集	41	41	100%	0
测试集	17	16	94.1%	5.9%

模型	训练轮数	训练时间	最终损失（测试集）	准确率
GMM-HMM模型（本文模型）	64	15 h 32 min	0.17	94.1%
卡尔曼滤波方法	1	1 h 7 min	31.59	54.0%
SVM模型	64	22 h 11 min	25.44	77.3%
ANN模型	64	27 h 2 min	11.90	90.9%

[1]	陈吉清,李子涵,兰凤崇,蒋心平,潘威,陈继开. 基于非线性降维IC特征的实车电池SOH估计[J]. 汽车工程, 2023, 45(2): 199-208.
[2]	崔格格,吕超,李景行,张哲雨,熊光明,龚建伟. 数据驱动的智能车个性化场景风险图构建[J]. 汽车工程, 2023, 45(2): 231-242.
[3]	姜俊昭,杨文豪,彭彬,郭婷,徐业凯,王国卓. 基于能耗加权策略的燃料电池汽车续驶里程预测[J]. 汽车工程, 2023, 45(12): 2357-2365.
[4]	何智成,谢泽军,刘侃,周恩临,唐谦,黄元毅. 纯电动汽车传动系统-电机结构参数协同设计优化[J]. 汽车工程, 2023, 45(11): 2113-2122.
[5]	陈吉清,冼浩岚,兰凤崇. 均布模组式动力电池包热失控典型模式分析[J]. 汽车工程, 2022, 44(8): 1199-1211.
[6]	赵健,李雅欣,佟静,朱冰,武维祥,孙博华,韩嘉懿. 基于车辆动力学响应特征的越野地面分类方法[J]. 汽车工程, 2022, 44(6): 909-918.
[7]	黄晶,彭扬,黄烨,彭晓燕. 考虑噪声标签影响的驾驶员精神负荷状态评价[J]. 汽车工程, 2022, 44(5): 771-777.
[8]	胡杰,朱雪玲,何陈,杨光宇. 基于实车数据的电动汽车电池健康状态预测[J]. 汽车工程, 2021, 43(9): 1291-1299.
[9]	谢奕展,程夕明. 锂离子电池状态估计机器学习方法综述[J]. 汽车工程, 2021, 43(11): 1720-1729.
[10]	胡杰,高志文. 基于数据驱动的电动汽车动力电池SOC预测[J]. 汽车工程, 2021, 43(1): 1-9.
[11]	颜诗旋, 朱平, 刘钊. 基于改进LightGBM模型的汽车故障预测方法研究^*[J]. 汽车工程, 2020, 42(6): 815-819.