一种基于自放电异常特征的新能源汽车风险识别模型的制作方法

1.本发明涉及风险识别技术领域，具体涉及一种基于自放电异常特征的新能源汽车风险识别模型。


背景技术：

2.新能源汽车中的电池安全事故是现今新能源汽车的主要风险之一。其中，较为常见的一种电池风险现象为自放电异常现象。
3.自放电现象本身是一种电池特性，所有的电池均会受到自放电影响，电池在开路状态下，由于自身内在的化学反应导致储存电量随时间逐渐减少，这种现象即是自放电现象。自放电异常是电芯故障中较为常见的一种，理想情况下，电池的自放电应保持在一个极低的水平，然而在电池使用过程中，会出现物理微短路以致于形成异常自放电，粉尘、毛刺、金属杂质等均可能引发微短路，而当自放电经过一定时间的发展后，将导致电池系统内的电芯之间的电量差异变大，严重情况下会引发车辆的动力不足、频繁报故障、续航里程严重缩水等，异常自放电极端情况下可能导致电池正负极短接引发热失控。
4.因而，对动力电池的自放电异常风险进行及时、准确的识别，对于保障新能源汽车的运行安全十分重要。但是，自放电异常故障的准确检测却是相对困难的，现有的风险识别方案大多基于历史运行数据进行，通过发掘历史运行数据的异常来识别风险，然而，动力电池易于产生的故障类型(即存在的风险类型)是多种多样的，除了自放电异常外，还有诸如连接异常、采样异常、容量异常、内阻异常等等，而这些故障的出现，均会直观地引发动力电池运行数据的不正常波动，且这些波动之间的相似度是十分高的，这使得基于运行数据确定风险的存在是相对容易的，但，若想要自运行数据中准确判断出究竟是何种故障(风险类型)，却是十分困难的，因为无法自类似的数值表象中再进行风险类型的区分。并且，受到如今复杂、多元的车辆运行环境的影响，运行数据之间存在耦合、冗余和噪声，这使得要准确判断自放电异常更为困难。


技术实现要素：

5.本发明意在提供一种基于自放电异常特征的新能源汽车风险识别模型，能够有效识别自放电风险，完成自放电异常的精准判定。
6.本发明提供的基础方案为：一种基于自放电异常特征的新能源汽车风险识别模型，包括以下构件步骤：
7.步骤1：采集动力电池的历史运行数据；
8.步骤2：预处理历史运行数据；
9.步骤3：基于预处理后的历史运行数据，选取目标电芯并以目标电芯与中值电压的平方差的非线性映射结果作为识别要素sf；所述识别要素其中，α为目标电芯与中值电压的平方差的放大系数；v
id
表示在i时刻d号电芯的电压值，v
im
表示i时刻所有电芯的中值电压；
10.步骤4：将识别要素转换为量化要素λ；其中，0≤λ≤1，且λ数值大小与电池风险程度呈负相关。
11.本发明的工作原理及优点在于：
12.本方案通过构造自放电异常风险特征，然后结合车辆运行历史数据完成自放电异常识别要素的提取，并进一步转换为量化要素，通过量化要素进而能够较为直观地获知电池的自放电异常风险程度，完成车辆自放电异常的判定，判定流程简洁，风险识别高效。
13.本方案以动力电池自放电异常的机理为支撑，以知识数据融合驱动的形式深度挖掘车辆风险特征，通过构建自放电异常特征，即通过提取分析识别要素，对自放电异常进行直观量化的特征识别，进而完成对自放电异常风险的识别评估。其中，识别要素设定为目标电芯与中值电压的平方差的非线性映射结果，该映射结果以自放电异常出现时(或在自放电异常演变过程中)对应的电压数值的异常机理表现为基础，将这种异常机理表现，特别是在自放电异常处于还未完全演变为异常风险的阶段时的机理表现，通过特定的平方差值转化为量化的、直观的、便于分析的数值，该数值虽然基于基础的电压数据等得到，但不像电压数据一样受到数据间耦合误差的影响，得到的数值关系更为纯粹、精准，对于常规掩盖在误差下的异常波动也能够准确捕捉，进而能够实现自放电异常故障早期微弱故障的量化描述，克服了需要依赖大量电池实验参数来估算电芯真实soc可能存在的限制，异常风险识别更为精准、有效。
14.特别的是，本方案的风险识别思路与常规的风险识别思路不同，捕捉的并非是单纯的数值异常，而是捕捉自放电异常特征的特定机理特征，构建的也是自放电异常特征的特定机理特征，进而能够在看似一样的数据波动中直接地、定向地识别出是否存在自放电异常的风险，以及是否明确是自放电异常导致的数据波动，能够实现针对自放电异常的精准定向判断。
附图说明
15.图1为本发明一种基于自放电异常特征的新能源汽车风险识别模型实施例的模型构件步骤示意图；
16.图2为本发明一种基于自放电异常特征的新能源汽车风险识别模型实施例的第一风险识别示意图；
17.图3为本发明一种基于自放电异常特征的新能源汽车风险识别模型实施例的第二风险识别示意图。
具体实施方式
18.下面通过具体实施方式进一步详细的说明：
19.实施例基本如附图1所示：一种基于自放电异常特征的新能源汽车风险识别模型，包括以下构件步骤：
20.步骤1：采集动力电池的历史运行数据；所述历史运行数据中包括有动力电池的单体电压数据、充电状态数据、电流数据和soc数据。且，本实施例中针对分析的是处于复杂运作环境下的、运行过程环境多变的新能源汽车的动力电池，其对应的历史运行数据具有多维、冗余、异构和强耦合等特点，难以分析。而本方案的下述步骤能够自此类复杂数据中准
确地、定向地实现对自放电异常风险的早期判定。
21.步骤2：预处理历史运行数据。
22.本实施例中，预处理操作包括以下处理步骤：
23.(1)信号边界值限定：去除电压、电流信号数据中数值超过对应的指定阈值的异常数据。
24.(2)干扰脉冲识别与标记：若当前帧电压数据与上一帧差值超过对应的指定阈值，则对此帧数据进行标记。
25.(3)时间间断点识别与标记：若当前帧时间戳数据与上一帧差值超过对应的指定阈值，则对此帧数据进行标记。
26.识别并标记的特殊数据类型为干扰脉冲和时间间断点，干扰脉冲标记的是数据存在异常跳变的位置，时间间断点是标记车辆运行数据存在长时间间隔的位置，这两种情况往往无法准确评估，对于此两类数据，可在后续识别特征量化完成后，对标记的异常位置的风险置0，不考虑此处的风险，同时又不会引入数据清洗带来的认为误差；数据预处理操作细致度高。
27.(4)均值滤波，以削弱基础数据中的噪声。
28.步骤3：基于预处理后的历史运行数据，选取目标电芯并以目标电芯与中值电压的平方差的非线性映射结果作为识别要素sf。
29.所述识别要素其中，α为目标电芯与中值电压的平方差的放大系数；v
id
表示在i时刻d号电芯的电压值，v
im
表示i时刻所有电芯的中值电压，所述中值电压即指中位数电压值。
30.选取目标电芯时，首先基于历史运行数据筛选静置充电数据。
31.再计算各电芯的累计电压方差sv；
32.sv＝∑
ijvij2-v
im2
；
33.式中，v
ij
表示在i时刻j号电芯的电压值，v
im
表示i时刻所有电芯的中值电压；
34.再取所有sv值中的最大sv值所在的电芯作为目标电芯。
35.具体地，在确认所有sv值中的最大sv值所在的电芯时，取sv值中最大sv值所在的索引，即为电压方差偏移量最大的电芯号b，将该电芯设定为参考电芯；索引为b＝argmax(sv)。
36.通过上述步骤选取得到的目标电芯，是动力电池系统中最能够体现特征(识别要素)波动情况的电芯，相比于普遍分析所有电芯，本方案有效地将分析范围限定为一个目标电芯上，极大地降低了数据处理工作量，且选取得到的电芯极具代表性，能够有效弥补分析精简后的分析精度缺口。
37.步骤4：将识别要素转换为量化要素λ；具体地，量化要素采用方差熵处理得到，λ＝e2(sf)/e(sf2)。其中，0≤λ≤1，且λ数值大小与电池风险程度呈负相关，即λ值越大，电池风险程度越低，电池状态越安全。
38.步骤5：基于量化要素获得风险量化特征p；p＝1-λ；并对时间尺度上的p进行离散积分并获得离散积分函数sp＝∑p，sp为一条单调递增的曲线，以离散积分函数sp曲线斜率的幅值作为风险概率值。
39.若风险概率值大于风险阈值，则判定该时刻为高风险点。本实施例中，风险阈值为
0.5。风险概率值大于0.5时对应的时刻点即为高风险点。进一步地，如附图2和图3所示，基于确定的高风险点，绘制高风险点前后局部时间内的识别要素图像，结合图像中识别要素变换局部特征，便于直观分析风险波动情况。
40.本实施例提供的一种基于自放电异常特征的新能源汽车风险识别模型，以动力电池自放电异常的机理为支撑，结合均值滤波、速度滤波等信号处理方法，以知识数据融合驱动的形式深度挖掘车辆风险特征，实现自放电异常故障早期微弱故障的量化描述，克服了需要依赖大量电池实验参数来估算电芯真实soc可能存在的限制，同时对表征信号数据进行了去量纲化、去阈值化处理，使得识别要素提取更加合理，风险量化特征更加有效，风险的识别判定更加精准；进而能够精准识别自放电异常，风险识别可靠性和有效性较高。
41.以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。