[发明专利]一种基于实车数据的动力电池安全风险评估方法

说明书

本发明涉及基于实车数据的动力电池安全风险评估方法，数据准备阶段：获取运行数据；数据整理与特征提取阶段：对运行数据进行数据预处理，并提取相关特征；算法模型构建阶段：根据所提取的相关特征数据以LSTM模型和等效电路模型通过Adaboost算法对其进行耦合构建算法模型；算法模型预测阶段：以所构建的算法模型对无风险纯电动汽车数据进行训练，通过训练好的模型对有风险纯电动汽车的正常电压进行预测；安全风险评估阶段。利用大数据技术和机器学习与统计学习算法并结合等效电路模型的在线参数识别方法从车辆数据和电池数据中充分挖掘其中隐藏的电池正常电压信息及其变化规律，从而根据正常电压与实际电压偏移度来进行安全风险评估。

技术领域

本发明涉及纯电动汽车动力电池安全风险评估领域，具体涉及一种基于实车数据的动力电池安全风险评估方法。

背景技术

汽车行业正以电动化、网联化、智能化、共享化为代表的新“四化”为发展方向，越来越多的电动汽车进入了消费者市场，但是也由此产生了很多安全问题，据不完全统计，仅在2020年全年，国内就发生了100多起的新能源汽车自然的事故，这样一来电动车汽车的安全问题就显得尤为重要，但是目前对纯电动汽车的电池进行安全风险评估还存在着不小的挑战。

动力电池的安全风险评估，是对汽车运行过程中的风险进行合理的评估从而为驾驶员提供指引并判断是否能继续安全行车。动力电池的安全风险不仅与电池内部的电化学系统和电池的制造工艺有关，还与车辆的行驶状态、使用环境以及电池内部的环境有关。

发明内容

本发明的目的在于提供一种基于实车数据的动力电池安全风险评估方法，以克服现有技术中存在的不足。

本发明解决上述技术问题的技术方案如下：一种基于实车数据的动力电池安全风险评估方法，具体步骤如下：

数据准备阶段：获取无风险纯电动汽车和有风险纯电动汽车的运行数据；

数据整理与特征提取阶段：对纯电动汽车的运行数据进行数据预处理，并提取相关特征；

算法模型构建阶段：根据所提取的相关特征数据以LSTM模型和等效电路模型通过Adaboost算法对其进行耦合构建算法模型；

算法模型预测阶段：根据所构建的算法模型对无风险纯电动汽车数据进行训练，通过训练好的模型对有风险纯电动汽车的正常电压进行预测；

安全风险评估阶段：根据所预测出的有风险纯电动汽车的正常电压与实际电压的偏离度来进行安全风险评估，以无风险纯电动汽车模型训练的误差最大值作为偏离度的阈值，并根据有风险纯电动汽车动力电池工作时正常电压与实际电压的偏离度是否超过阈值将动力电池安全风险分为多个风险等级，然后以此进行安全风险评估。

进一步，纯电动汽车运行数据主要包括车辆状态数据、车辆运行数据、动力电池本身数据和车辆异常报警数据；

车辆状态数据包括车辆状态数据和充电状态数据；

车辆运行数据包括车辆运行模式、车速、挡位和累计里程；

动力电池本身数据包括总电流、总电压、电池SOC、电池单体电压最高值、最高电压电池、最高电压电池子系统号、电池单体电压最低值、最低电压电池子系统号、最低电压电池、最高温度子系统号、最高温度值、最高温度探针、最低温度值、最低温度探针、单体电池温度探针总数、绝缘电阻和DC-DC状态；

车辆异常报警数据包括通用报警标志。

进一步，数据预处理包括数据探索性分析、片段划分、缺失数据处理和异常数据处理。

进一步，数据探索性分析用于发现是否存在大量数据异常的现象，具体包括但不限于：车辆行驶状态显示为停车充电状态，车辆停车充电显示行驶状态；