[发明专利]动力锂电池热失控故障分类及风险预测方法、系统

说明书

本发明提供了一种动力锂电池热失控故障分类及风险预测方法、系统，包括：模组级的动力电池模型故障注入方式，随机故障的生成和标注方式，基于深度学习方法的动力锂离子电池故障多分类模型以及将模型应用于实车的迁移学习方法。本发明可以准确地表达电池的真实故障状况，并迁移到具体实车工况。经过训练的深度学习算法模型可以通过数学处理和代码转换成功地部署到实车环境中并对故障进行实时诊断，并且不会增加电池管理系统地额外的计算量，同时达到了较高估计精度。

技术领域

本发明涉及迁移学习和电动汽车电池管理技术领域，具体地，涉及一种基于深度学习的动力锂电池热失控故障分类及风险预测方法、系统。

背景技术

当今社会能源问题和环境问题日益严重，新能源汽车尤其是纯电动汽车正逐渐成为汽车行业的主流。锂离子电池是电动汽车的重要核心组件，而电池管理系统 (BMS)起到了保障电池安全稳定运行的作用。针对电动汽车动力在充放电过程中对动力锂离子电池进行在线监测和故障诊断是保证电动汽车能够稳定正常运行的关键点。

当前针对动力电池的故障诊断算法通常部署在车端和云端。电动汽车电池管理系统针对电池的车端在线诊断策略多采用带有延时的阈值比较法，若检测到的电池可观测参数如温度等在一定的延迟时间内处于故障范围内，就可以判断故障的发生。但是阈值的设定主要基于设定者的主观经验，此外延迟时间即检测数据滑动窗口的长度选择也会直接影响电池故障诊断的稳定性和灵敏性。另外一点值得注意的是，随着汽车的使用，电池循环使用次数增加，电池对外特性发生改变，既定的故障诊断阈值会产生诊断不及时的现象。

由于数据采样频率和采样精度的限制，基于云端数据的动力锂离子电池的故障诊断手段基本基于统计学方法，提取可观测数据的统计学特征并设定异常值阈值，将异常值点直接定义为可能发生故障的点，且无法准确判断故障发生的类型。

专利文献CN111090050A公开了一种基于支持向量机和K-means算法的锂电池故障诊断方法，其基本步骤如下：(1)通过电池工况获取原始数据集，选取电池故障征兆；(2)对诊断变量数据进行预处理，包括归一化和PCA；(3)将预处理后的数据输入K-means聚类中，选出与实际标签相同的聚类结果作为故障样本集； (4)将故障样本集随机拆分为训练集和测试集,把训练样本送入SVM模型中进行学习, 输出SVM分类模型,同时将测试样本送入SVM分类模型进行测试。

专利文献CN111007401A一种基于人工智能的电动汽车电池故障诊断方法及设备及专利文献CN110308397A一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法分别提出基于LSTM神经网络和全局卷积神经网络的故障诊断方法，其技术路线类似，都是提取已标注故障数据的特征训练深度学习模型，将待预测故障的数据输入训练好的模型进行预测，得到其类标签。

但是以上的专利存在以上两个问题，一是故障数据的采集和标注，二是模型训练时的并行计算和长期依赖问题。对于实验室环境，可以容易地人工构造故障，如构造短时间的内外短路，认为设定初始SOC等等，同时获得该故障类型对应的故障标签，但是对于实车数据，尤其是针对云端较低质量的数据，显然没有足够的故障数据及其已知的标签对深度学习算法进行训练。故在实际应用过程中无法获得令人满意的结果。

其次，针对时间序列数据，存在着长期依赖特性消失的问题，对于通用LSTM 神经网络，虽然引入了门控机制来抑制梯度消失和爆炸问题，但是不同时间段之间的信息交互距离在时间维度上是O(n)，且无法实现并行计算，在使用海量数据进行预测的时候，训练性能不佳。对于将卷积神经网络模型应用到时间序列的方法，避免了LSTM无法并行计算的缺陷，但是时间维度上的信息交互距离依旧是O(logn)。

因此，针对以上共有问题，使用深度学习模型锂电池故障诊断方法仍然有完善的空间。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种动力锂电池热失控故障分类及风险预测方法、系统。