[發明專利]動力鋰電池熱失控故障分類及風險預測方法、系統

有效

• 申請號: 202110648800.4
• 申請日: 2021-06-10
• 公開（公告）號: CN113343633B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 張希;朱景哲;劉良俊;郭邦軍;朱翀
• 申請（專利權）人: 上海交通大學
• 主分類號: G06F30/392
• 分類號: G06F30/392;G06F30/398;G06K9/62;G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08;G06F115/02
• 代理公司: 上海段和段律師事務所 31334
• 代理人: 李佳俊;郭國中

本發明提供了一種動力鋰電池熱失控故障分類及風險預測方法、系統，包括：模組級的動力電池模型故障注入方式，隨機故障的生成和標注方式，基于深度學習方法的動力鋰離子電池故障多分類模型以及將模型應用于實車的遷移學習方法。本發明可以準確地表達電池的真實故障狀況，并遷移到具體實車工況。經過訓練的深度學習算法模型可以通過數學處理和代碼轉換成功地部署到實車環境中并對故障進行實時診斷，并且不會增加電池管理系統地額外的計算量，同時達到了較高估計精度。

技術領域

本發明涉及遷移學習和電動汽車電池管理技術領域，具體地，涉及一種基于深度學習的動力鋰電池熱失控故障分類及風險預測方法、系統。

背景技術

當今社會能源問題和環境問題日益嚴重，新能源汽車尤其是純電動汽車正逐漸成為汽車行業的主流。鋰離子電池是電動汽車的重要核心組件，而電池管理系統 (BMS)起到了保障電池安全穩定運行的作用。針對電動汽車動力在充放電過程中對動力鋰離子電池進行在線監測和故障診斷是保證電動汽車能夠穩定正常運行的關鍵點。

當前針對動力電池的故障診斷算法通常部署在車端和云端。電動汽車電池管理系統針對電池的車端在線診斷策略多采用帶有延時的閾值比較法，若檢測到的電池可觀測參數如溫度等在一定的延遲時間內處于故障范圍內，就可以判斷故障的發生。但是閾值的設定主要基于設定者的主觀經驗，此外延遲時間即檢測數據滑動窗口的長度選擇也會直接影響電池故障診斷的穩定性和靈敏性。另外一點值得注意的是，隨著汽車的使用，電池循環使用次數增加，電池對外特性發生改變，既定的故障診斷閾值會產生診斷不及時的現象。

由于數據采樣頻率和采樣精度的限制，基于云端數據的動力鋰離子電池的故障診斷手段基本基于統計學方法，提取可觀測數據的統計學特征并設定異常值閾值，將異常值點直接定義為可能發生故障的點，且無法準確判斷故障發生的類型。

專利文獻CN111090050A公開了一種基于支持向量機和K-means算法的鋰電池故障診斷方法，其基本步驟如下：(1)通過電池工況獲取原始數據集，選取電池故障征兆；(2)對診斷變量數據進行預處理，包括歸一化和PCA；(3)將預處理后的數據輸入K-means聚類中，選出與實際標簽相同的聚類結果作為故障樣本集； (4)將故障樣本集隨機拆分為訓練集和測試集,把訓練樣本送入SVM模型中進行學習, 輸出SVM分類模型,同時將測試樣本送入SVM分類模型進行測試。

專利文獻CN111007401A一種基于人工智能的電動汽車電池故障診斷方法及設備及專利文獻CN110308397A一種混合卷積神經網絡驅動的鋰電池多類故障診斷建模方法分別提出基于LSTM神經網絡和全局卷積神經網絡的故障診斷方法，其技術路線類似，都是提取已標注故障數據的特征訓練深度學習模型，將待預測故障的數據輸入訓練好的模型進行預測，得到其類標簽。

但是以上的專利存在以上兩個問題，一是故障數據的采集和標注，二是模型訓練時的并行計算和長期依賴問題。對于實驗室環境，可以容易地人工構造故障，如構造短時間的內外短路，認為設定初始SOC等等，同時獲得該故障類型對應的故障標簽，但是對于實車數據，尤其是針對云端較低質量的數據，顯然沒有足夠的故障數據及其已知的標簽對深度學習算法進行訓練。故在實際應用過程中無法獲得令人滿意的結果。

其次，針對時間序列數據，存在著長期依賴特性消失的問題，對于通用LSTM 神經網絡，雖然引入了門控機制來抑制梯度消失和爆炸問題，但是不同時間段之間的信息交互距離在時間維度上是O(n)，且無法實現并行計算，在使用海量數據進行預測的時候，訓練性能不佳。對于將卷積神經網絡模型應用到時間序列的方法，避免了LSTM無法并行計算的缺陷，但是時間維度上的信息交互距離依舊是O(logn)。

因此，針對以上共有問題，使用深度學習模型鋰電池故障診斷方法仍然有完善的空間。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種動力鋰電池熱失控故障分類及風險預測方法、系統。