基于值率模型的电动汽车动力电池电压异常检测

doi:10.19562/j.chinasae.qcgc.2023.09.021

摘要/Abstract

摘要：

准确高效的电动汽车动力电池系统异常检测对保障车辆安全可靠运行具有重要意义。基于此本文提出了一种基于电压变化率的新型动力电池电压异常诊断方法，用于检测电池组中单体电压的异常波动故障。进一步的，引入基于改进Z分数方法的评估系数来对电压异常波动程度进行定量表征。在此基础上，基于实车数据验证了本文所提方法的有效性和可靠性。此外，与常用熵方法进行对比分析，结果表明：本文所提方法具有可靠的故障诊断结果和较高的计算效率，实际工程应用价值更高。最后，基于该模型，通过对大量同类型纯电动汽车的电压数据进行统计分析，得到了该车型电池系统中电压异常风险情况的分布，通过分析隐藏在表面之下的异常，可以为车企动力电池系统或整车的结构设计提供参考。

关键词: 动力电池, 电压异常检测, 评估系数, 故障形式

Abstract:

Accurate and efficient abnormal detection of electric vehicle power battery systems is of great significance to ensure safe and reliable operation of vehicles. Based on this， a new power battery voltage abnormality diagnosis method based on voltage variation rate is proposed for detecting abnormal voltage fluctuation faults of individual cells in a battery pack. Further， an evaluation coefficient based on an improved Z-score method is introduced to quantitatively characterize the degree of abnormal voltage fluctuation. On this basis， the validity and reliability of the proposed method is verified based on real-world vehicle data. In addition， a comparative analysis with the commonly used entropy method shows that the method proposed in this paper has reliable fault diagnosis results and high calculation efficiency， with higher value of engineering application. Finally， based on the model， the distribution of the risk of voltage abnormalities in the battery system of this type of vehicle is obtained by statistically analyzing the voltage data of a large number of electric vehicles of the same type. By analyzing the abnormalities hidden beneath the surface， it can provide a reference for vehicle manufacturers for design of the power battery system or the entire vehicle structure.

Key words: power battery, voltage abnormality detection, assessment coefficient, failure mode

刘启全,马建,赵轩,张凯,孟德安,相里康. 基于值率模型的电动汽车动力电池电压异常检测[J]. 汽车工程, 2023, 45(9): 1728-1739.

Qiquan Liu,Jian Ma,Xuan Zhao,Kai Zhang,Dean Meng,Likang Xiang. Abnormal Voltage Detection of Battery for Electric Vehicles Based on Value Rate Model[J]. Automotive Engineering, 2023, 45(9): 1728-1739.

图/表 19

表1

表2

车辆1电池时间序列数据样本"

时间戳	车速/（km·h^-1）	总里程/km	SOC/%	总电压/V	总电流/A	单体电池电压列表
2020/7/1 7：34：40	14.2	141 811.3	90	390.3	20.8	4.110_4.111_4.106 $? ?$
2020/7/1 7：34：50	9.8	141 811.3	90	390.2	10.2	4.108_4.109_4.104 $? ?$
2020/7/1 7：35：00	16.4	141 811.4	90	389.8	24.9	4.105_4.105_4.101 $? ?$
2020/7/1 7：35：10	16.8	141 811.4	90	390.1	26.4	4.108_4.108_4.104 $? ?$

表2

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

表3

图13

图14

图15

图16

参考文献 18

1	WANG C Y， ZHANG G S， GE S H， et al. Lithium-ion battery structure that self-heats at low temperatures［J］. Nature， 2016， 529： 515-518.
2	王亚楠，韩雪冰，卢兰光，等. 电动汽车动力电池研究展望：智能电池、智能管理与智慧能源［J］. 汽车工程， 2022， 44（4）： 617-637.
	WANG Y N， HAN X B， LU L G， et al. Perspectives on electric vehicle power battery research： smart batteries， smart management and smart energy［J］. Automotive Engineering， 2022， 44（4）： 617-637.
3	LEE S H， KIM J， KIM B H， et al. Delamination-free multifunctional separator for long-term stability of lithium-ion batteries［J］. Small， 2019， 15： 12.
4	LUO W， ZHOU L H， FU K， et al. A thermally conductive separator for stable li metal anodes［J］. Nano Letters， 2015， 15（9）： 6149-6154.
5	SCHMITT J， RAATZ A. Failure mode based design and optimization of the electrode packaging process for large scale battery cells［J］. Advanced Materials Research， 2014， 907： 309-319.
6	DEY S， BIRON Z A， TATIPAMULA S， et al. Model-based real-time thermal fault diagnosis of lithium-ion batteries［J］. Control Engineering Practice， 2016， 56： 37-48.
7	XIONG R， YU Q Q， SHEN W X， et al. A sensor fault diagnosis method for a lithium-ion battery pack in electric vehicles［J］. IEEE Transactions on Power Electronics， 2020， 34（10）： 9709-9718.
8	HU X S， JIANG J C， CAO D P， et al. Battery health prognosis for electric vehicles using sample entropy and sparse bayesian predictive modeling［J］. IEEE Transactions on Industrial Electronics， 2016， 63（4）： 2645-2656.
9	彭运赛，夏飞，袁博，等. 基于改进CNN和信息融合的动力电池组故障诊断方法［J］. 汽车工程， 2020， 42（11）： 1529-1536.
	PENG Y S， XIA F， YUAN B， et al. Power battery pack fault diagnosis based on improved CNN and information fusion［J］. Automotive Engineering， 2020， 42（11）： 1529-1536.
10	刘鹏，吴志强，张照生，等. 基于电压频域特征和异常系数的动力电池故障诊断方法［J］. 中国公路学报， 2022， 35（8）： 89-104.
	LIU P， WU Z Q， ZHANG Z S， et al. Power battery fault diagnosis method based on voltage frequency domain features and anomaly coefficients［J］. China Journal of Highway and Transport， 2022， 35（8）： 89-104.
11	ZHAO Y， LIU P， WANG Z P. Fault and defect diagnosis of battery for electric vehicles based on big data analysis methods［J］. Applied Energy， 2017， 207： 354-362.
12	HONG J C， WANG Z P， LIU P. Big-data-based thermal runaway prognosis of battery systems for electric vehicles［J］. Energies， 2017， 10（7）： 919.
13	HU C， JAIN G， ZHANG P Q， et al. Data-driven method based on particle swarm optimization and k-nearest neighbor regression for estimating capacity of lithium-ion battery［J］. Applied Energy， 2014， 129： 49-55.
14	WANG Z P， HONG J C， LIU P， et al. Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles［J］. Applied Energy， 2017， 196： 289-302.
15	SHANG Y L， LU G P， KANG Y Z， et al. A multi-fault diagnosis method based on modified sample entropy for lithium-ion battery strings［J］. Journal of Power Sources， 2020， 446.
16	SUN Z Y， HAN Y， WANG Z P， et al. Detection of voltage fault in the battery system of electric vehicles using statistical analysis［J］. Applied Energy， 2022， 307： 118172.
17	HU X S， LI S E， EGARDT B. Enhanced sample entropy-based health management of Li-ion battery for electrified vehicles［J］. Energy， 2014， 64： 953-960.
18	HONG J C， WANG Z P， WANG L Y. Multi-fault synergistic diagnosis of battery systems based on the modified multi-scale entropy［J］. International Journal of Energy Research， 2019， 43（14）： 8350-8369.

车辆编号	车辆类型	电池类型	单体电池数	电池模组数	电压传感器精度/V	采样频率/Hz	车辆状态
车辆1	乘用车	Li（NiMnCo）O₂	95	17	0.001	0.10	热失控
车辆2	商用车	Li（NiMnCo）O₂	156	26	0.001	0.05	热失控
车辆3-车辆382	商用车	Li（NiMnCo）O₂	156	26	0.001	0.05	正常

[1]	李致远, 鲁锐华, 余庆华, 颜伏伍. 动力电池热失控特征及防控技术研究分析[J]. 汽车工程, 2024, 46(1): 139-150.
[2]	李达,邓钧君,张照生,刘鹏,王震坡. 电动车辆动力电池安全预警策略研究综述[J]. 汽车工程, 2023, 45(8): 1392-1407.
[3]	廉玉波,吴恺,曾董,李松,王溥希. 基于整车平台的动力电池平台化研究[J]. 汽车工程, 2023, 45(5): 807-813.
[4]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[5]	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.
[6]	兰凤崇,潘威,陈吉清. 基于Aseq2seq-PF的实车锂离子动力电池剩余使用寿命预测[J]. 汽车工程, 2023, 45(12): 2348-2356.
[7]	洪吉超,梁峰伟,杨海旭,李克瑞. 大数据驱动动力电池智能安全管理与控制方法研究[J]. 汽车工程, 2023, 45(10): 1845-1861.
[8]	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.
[9]	曾祥兵,谢堃,张伟,徐俊超,张培根,孙正明. 新型动力电池热管理系统设计及性能研究[J]. 汽车工程, 2022, 44(4): 476-481.
[10]	王亚楠,韩雪冰,卢兰光,冯旭宁,李建秋,欧阳明高. 电动汽车动力电池研究展望：智能电池、智能管理与智慧能源[J]. 汽车工程, 2022, 44(4): 617-637.
[11]	贾子润,王震坡,王秋诗,黎小慧,孙逢春. 新能源汽车动力电池热失控机理和安全风险管控方法的研究[J]. 汽车工程, 2022, 44(11): 1689-1705.
[12]	舒强,王艺帆,梁元. 我国电动汽车动力电池安全标准现状及展望[J]. 汽车工程, 2022, 44(11): 1706-1715.
[13]	黄冉军, 周维, 王旭. 一种改进的动力电池阻抗参数和荷电状态分层在线联合估计方法^*[J]. 汽车工程, 2020, 42(8): 1000-1007.
[14]	王震坡, 袁昌贵, 李晓宇. 新能源汽车动力电池安全管理技术挑战与发展趋势分析^*[J]. 汽车工程, 2020, 42(12): 1606-1620.
[15]	朱晓庆, 王震坡, 王聪, 易密. 三元锂离子动力电池过充行为特性实验研究^*[J]. 汽车工程, 2019, 41(5): 582-589.