基于电池单体电压值的动力电池不一致性量化方法

本发明涉及动力电池，具体地说，尤其涉及一种基于电池单体电压实时估计值的动力电池不一致性量化方法。

背景技术：

1、车用动力电池组通常包含多个电池单体，以满足新能源汽车的驱动需求。对于不同的需求需要考虑不同的成组方式，如动力电池包内电池单体完全串联或采用不同形式的串并联混合连接。而在电池单体生产过程及电池模组及动力电池包装配过程中，不同电池单体之间产生的细微差异，会在长期的充放电过程中产生逐渐明显的性能变化，并造成局部过充或过放，从而导致电池健康状态恶化速度加快，甚至更为严重的热失控事故。

2、目前对于动力电池组不一致性的评估方法，可以分为基于电池数据的统计方法、基于电池模型的方法和基于数据驱动的故障诊断方法三类。基于电池数据的统计方法，通过对动力电池包内所有电池单体的电信号直接提取统计特征，例如同一时间电池单体电压值的方差、均值及分布等，并对电池数据进行信号处理以提取数据高维或频率分布，再进行统计特征分析的方法，比较不同电池单体之间的不一致性。

3、基于电池模型的方法，通过对电池单体建立精确可靠的等效电路模型或电化学模型，并通过比较实际测量值与模型输出值之间的差异，评价当前电池单体的运行健康状态。随着人工智能技术的发展，基于深度学习的不一致性评估算法得到了进一步地深入。运用数据挖掘技术，基于动力电池的电池管理系统(bms，battery management system)数据，运用深度学习、迁移学习、强化学习等模型，提取数据的复杂耦合特征，实现不一致性评估及故障诊断。为了进一步确保动力电池安全，动力电池不一致性评估方法成为了热点问题。

4、不一致性评估方法在实车数据中的应用，需要考虑复杂的实际工况。如电池电流值会随着在驾驶员控制下的加速及制动踏板状态改变，而产生随机性较强的变化，基于统计及模型的方法在实车应用上的局限性很大。而基于深度学习的方法一般局限于根据电池数据计算电池单体的特征值，从而进行不同电池单体之间的比较，而忽略了同一电池单体在不同荷电状态(soc，state of charge)或不同老化状态下的不一致性。因此，基于深度学习的方法在实车工况的运用还需要进一步地优化。

技术实现思路

1、本发明的目的在于克服现有技术的缺点与不足，提供一种基于电池单体电压值的动力电池不一致性量化方法，参考电压估计值对电池单体真实表现进行四维量化，实现动力电池包内电池单体不一致性准确量化评估。

2、为了实现上述目的，本发明所采用的技术方案如下：

3、一种基于电池单体电压值的动力电池不一致性量化方法，包括以下步骤：

4、s1：获取云端存储的电动汽车实时上报的实车运行数据，包括电动汽车的车辆运行数据和电池管理系统的动力电池数据；

5、s2：从实车运行数据中提取车辆运动状态特征、动力驱动系统特征及电池电信号特征三类特征数据，根据动力电池数据获取电池单体电压真实值，并选取放电数据片段；

6、s3：建立神经网络融合模型，确定标准放电数据片段，利用标准放电数据片段的三类特征数据和电池单体电压真实值，对神经网络融合模型进行训练，直至模型训练好；

7、s4：将待测放电数据片段划为多个子片段，构建电池单体真实电压矩阵，将待测放电数据片段三类特征数据输入神经网络融合模型，计算各子片段电池单体电压估计值；

8、s5：将电池单体的电压估计值与电压真实值进行比较，构建电池单体电压不一致性评分矩阵，利用电池单体电压不一致性评分矩阵，对动力电池不一致性进行量化评估。

9、进一步地，步骤s2中，车辆运动状态特征包括车辆速度、车辆累计行驶里程、车辆加速踏板状态值及车辆制动踏板状态值；

10、动力驱动系统特征包括驱动电机控制器温度、驱动电机转速、驱动电机转矩及驱动电机温度；

11、电池电信号特征包括总电压、总电流、荷电状态、驱动电机直流母线电流及驱动电机控制器电压；

12、选取放电数据片段的方式为，在实车运行数据中，以两次充电之间的数据作为一个放电数据片段，去除其中电动汽车处于非启动状态下的数据，并进行缺失值和异常值处理。

13、进一步地，步骤s2中，对实车运行数据中的部分原始文字状态字段进行量化，若数据中出现制动踏板状态为踩下或抬起的文字字段，则将其转换为数字0或1显示的状态值。

14、进一步地，步骤s3中，考虑动力电池数据的时序特性，采用一维卷积神经网络提取输入数据有效信息并进行数据降维，采用长短时记忆神经网络，结合电池工作状态预测电压估计值，建立神经网络融合模型；

15、以多个早期健康放电数据片段作为标准放电数据片段，对发生热失控事故的车辆选取距离事故发生最远的放电数据片段，对正常运行车辆选取健康状态最高的放电数据片段；

16、根据标准放电数据片段进行标准化器的初始化，采用标准化器作为数据预处理工具，根据标准放电数据片段确定标准化器中各参数取值并保存标准化器；

17、应用标准化器对标准放电数据片段中的数据进行预处理，将标准放电数据片段的三类特征数据输入神经网络融合模型，进行模型训练及权重更新，确定神经网络融合模型各层参数及结构。

18、进一步地，确定神经网络融合模型各层参数及结构时，选用网格搜索方法寻找神经网络融合模型最优超参数；

19、确定需要进行最优参数搜索的网络结构超参数，包括神经网络层隐藏单元数和防止过拟合的dropout层参数；

20、确定需要进行最优参数搜索的训练超参数，包括批处理大小和学习率；

21、建立超参数调节器，寻找各备选参数之间的最优组合，给出不同参数情况下的评价结果。

22、进一步地，步骤s4中，定义待测放电数据片段，以去除标准放电数据片段的其他放电数据片段作为待测放电数据片段；

23、确定子片段的划分方法，根据荷电状态值在待测放电数据片段中的变化，将待测放电数据片段划分为多个荷电状态变化量相同的x个子片段，并去除包含数据点少于200的子片段；

24、构建电池单体真实电压矩阵，动力电池中含有n个电池单体，则真实电压矩阵大小为(x,n)，真实电压矩阵中的变量含义为第n个电池单体在第x个子片段中的电压真实值；

25、计算电池单体电压估计值，应用标准化器对待测放电数据片段中的数据进行预处理，并将三类特征数据输入神经网络融合模型，得到各个子片段电池单体的电压估计值。

26、进一步地，选择用于划分子片段的荷电状态变化量包括5％、10％、15％和20％，根据数据规模及精度要求选择荷电状态变化量，达成计算效率与不一致性在各荷电状态下估计效果的平衡。

27、进一步地，步骤s5中，确定电池单体的电压估计值与电压真实值的比较方法，对于子片段di的电压估计值vref-tp，将其与同一子片段中的所有电池单体的电压真实值进行比较，得到每个子片段的n个比较结果，作为此荷电状态下的各电池单体不一致性评分，应用于所有子片段后，得到与真实电压矩阵大小(x,n)相同的评分矩阵；

28、电池单体不一致性的评分过程，根据对电池单体的电压估计值与电压真实值比较结果的不同分析方法，得到四项评分结果及对应的四个评分矩阵，包括：

29、s51：根据电池单体i在子片段di中的电压真实值与电压估计值的平均绝对误差值，得到score-b评分矩阵bn，x，表示电池单体i在子片段di的整体不一致性评分；

30、s52：结合实时电流特征确定异常采样点，计算电池单体i在子片段di中各采样点的电压真实值与电压估计值之间的差值，并结合采样点实时电流值构成特征点集s，以无电流状态下10mv误差为异常临界状态，100a电流下0mv误差为理想标准状态，通过比较各实际特征点与标准点之间的马氏距离是否超过临界距离distlim，确定异常采样点集se及其异常距离值diste；

31、s53：计算diste中各异常距离值超出临界距离distlim的平均值，得到score-mm评分矩阵mmn，x，表示子片段的平均异常程度评分值；

32、s54：计算异常采样点集se长度与特征点集s长度的比值，得到score-mf评分矩阵mfn，x，表示子片段的出现异常采样点的频率评分值；

33、s55：计算diste中各异常距离值的最大值，得到score-ma评矩阵分man，x，表示子片段的最大异常程度评分值；

34、s56：比较同一放电数据片段中不同电池单体评分值，以及电池单体在不同放电数据片段同一荷电状态下的性能变化，确定动力电池不一致性评分及变化趋势最为异常的电池单体。

35、进一步地，步骤s52中，选择马氏距离作为距离度量方法，对特征点之间的距离进行计算，建立特征点集及特征点之间马氏距离的计算方法为：

36、s521.建立特征点集，考虑数据样本子片段中的电流特征，结合实时采样点偏离估计值的误差se-t，构成数据样本的不一致性评估特征点集s；

37、采样点偏离误差se-t的计算方法为：

38、se-t＝vn-t-vref-t

39、式中，vref-t表示时间步t时电池单体的电压估计值，vn-t表示时间步t时电池单体n的电压真实值，se-t表示时间步t时的偏离误差；

40、s522.确定异常临界特征点slim以及标准特征点sstd；以无电流状态下10mv误差为异常临界状态，100a电流下0mv误差为理想标准状态，计算异常临界特征点slim与标准特征点sstd之间的马氏距离作为临界距离distlim；

41、s523.筛选异常特征点，计算特征点集中各特征点与标准点之间的马氏距离，通过比较各实际特征点与标准点之间的马氏距离是否超过临界距离distlim，确定异常采样点集se及其异常距离值diste。

42、进一步地，步骤s522中，马氏距离的计算方法为：

43、以马氏距离修正欧氏距离计算中多维采样点各维数据分布状态不相同造成的影响，数据点st1与数据点st2之间的马氏距离表征为：

44、

45、式中，st1表示时间步为t1时的特征点，st2表示时间步为t2时的特征点，σ-1表示多维随机变量的协方差矩阵的逆。

46、与现有技术相比，本发明具有如下优点和有益效果：

47、1.本发明根据电池单体电压与多维耦合动力电池实车数据参数之间的映射关系，提出了建立实时电压估计值的方法，解决了各电池单体电压值互相比较带来的问题。且对动力电池不一致性提出了四维评分方法，实现了动力电池组电池单体之间不一致性程度的量化。

48、2.基于实车运行数据中的相关特征进行实时电压参考值估计，从实车运行数据中选取与车辆运动状态、驱动系统状态与动力电池状态三个方面的数据进行分析。相比于传统仅考虑电池电压数据，能够从初始实车运行数据中提取更多相关信息。并运用融合模型对实时电压值进行估计，根据估计值创建电压参考值作为多电池单体真实电压的评价依据，克服了传统方法中对电池单体电压数据直接聚类产生的问题。

49、3.根据实时电压估计值，对电池单体真实测量值进行四维评分，对电池单体的评分包括score-b，score-mm，score-mf及score-ma四项，分别对应电池单体性能平均值、电池单体离群值平均异常程度、电池单体异常值出现频率及电池单体最大离群值异常程度四项，从而可以从不同维度揭露动力电池的电池单体在使用周期中的性能变化。