[发明专利]一种电动汽车动力电池充电过热故障预测方法及系统

权利要求书

1.一种电动汽车动力电池充电过热故障预测方法，其特征在于，该方法具体包括以下步骤：

S1、采集当前数据：通过电池管理系统采集当前阶段充电的运行状态数据并进行预处理；

S2、预测未来数据：基于采集当前阶段充电的运行状态数据对未来预设时间内的运行状态数据进行预测，并得到预测结果；

S3、预测数据处理：将预测出的未来充电运行状态数据转化为可以直接用于故障判别的指标数据；

S4、预测故障判别：将数据处理后获得的故障判别指标数据与参考值进行运算比较，得到故障判别结果，具体包括以下步骤：

S401、查询充电电流区间端点对应的最大表面温度变化量的参考值；

S402、计算充电电流对应的最大表面温度变化量的参考值：

式中，I为当前充电电流，ΔTr(Te,I)为当前充电电流对应的最大表面温度变化量的参考值；如果当前阶段为恒压恒流充电工况，则I＝I(0)；如果当前阶段为恒压变流充电工况，则I＝Im；I_a、I_b分别为当前充电电流区间I_a＜I≤I_b的两个端点，ΔTr(Te,I_a)、ΔTr(Te,I_b)分别为I_a、I_b对应的最大表面温度变化量的参考值；

S403、计算未来t秒内电芯充电的最大表面温度变化率θ为：

S404、根据计算结果大小，可以将预测的电芯过热故障分类；

S5、预测故障处理：根据所述故障类型确定故障等级，并采用与所述故障等级对应的故障处理机制，通过电池管理系统执行具体故障处理操作。

2.根据权利要求1所述的一种电动汽车动力电池充电过热故障预测方法，其特征在于：所述的S2具体包括以下步骤：

S201、基于预设的动力电池在各种充电工况下运行状态的历史数据集训练构建随机森林大数据回归模型，并不断增加新的充电工况数据集，对模型训练进行动态调整，以提高模型预测的准确性和减小预测误差；

S202、通过5-折交叉验证方法对所述随机森林大数据回归模型参数筛选进行评估验证，以提高模型调参准确性；

S203、将第一步中采集的当前阶段的充电运行状态数据输入所述随机森林大数据回归模型，进而预测出未来t秒内的充电运行状态数据结果；这里具体需要预测出的充电运行状态数据包括电芯表面温度Ts和充电电流I，它们可以分别表示为：

{Ts(+1)、Ts(+2)、Ts(+3)、…、Ts(+t)}

其中，Ts(+1)为未来第1秒时的电芯表面温度预测值，Ts(+2)为未来第2秒时的电芯表面温度预测值，Ts(+3)为未来第3秒时的电芯表面温度预测值，Ts(+t)为未来第t秒时的电芯表面温度预测值；

{I(+1)、I(+2)、I(+3)、…、I(+t)}

其中，I(+1)为未来第1秒时的电芯充电电流预测值，I(+2)为未来第2秒时的电芯充电电流预测值，I(+3)为未来第3秒时的电芯充电电流预测值，I(+t)为未来第t秒时的电芯充电电流预测值；

S204、如果当前阶段为恒压恒流充电工况，则本步中就不需要预测出未来t秒内的电芯充电电流，这样可以较大地减少随机森林大数据回归模型的预测时间，提高预测工作效率；如果当前阶段为恒压变流充电工况，则需要预测出未来t秒内的充电电流。