基于集成學習與數據驅動的電動汽車動力電池多維度故障預警

關鍵詞： 汽車動力電池；故障預警；Stacking 集成學習；多維度特征

中圖分類號： U 472 ；TM 911 文獻標識碼： A DOI： 10.3969/j.issn.1674-8484.2024.03.010

新能源汽車已然是未來汽車工業發展的趨勢，在動力能源選擇上，三元鋰電池因其能量密度高在發展初期備受推崇。然而近兩年來，伴隨蔚來EC6、特斯拉Model Y 等主流純電動汽車因熱失控所引起的起火爆炸等事故頻發，作為最核心以及發生故障頻率最高的部件，動力電池系統的安全穩定性問題受到了消費者的愈發重視。如何對電池風險做出準確預測不僅是確保司乘人員安全用車的關鍵，更是當下新能源汽車進一步推廣普及的重要保證，同時也正逐漸成為學術界研究的熱點。

關于動力電池系統故障風險的探討大致分為3類。一些研究利用熵值這一概念從電壓、溫度等異常變化角度來實現故障分級[1-2]。然而，閾值的方法對數據和區間參數選取要求較高，在實際應用中通常也難以確定合適的閾值。為此一些學者嘗試基于電路/電化學、熱模型的方法來描述電池在正常和/或故障條件下的狀態演變過程[3-4]。考慮到數理模型是在實驗室精準控制下得到的仿真分析結果，且計算復雜，近年來基于數據驅動的機器學習方法因具有從數據中學習故障模式的優秀表現，正逐步被應用于故障診斷，如：LI Da等[5]提出一種應用長短期記憶（long-short term memory，LSTM）網絡的電池故障診斷方法，結果表明該方案能夠實現潛在故障風險評估，并發出早期熱失控預警。WANG Jia等[6]提出一種基于改進徑向基函數（radial basis function，RBF）神經網絡的電動汽車動力電池故障診斷方法，選取電壓、荷電狀態（state of charge，SOC）等特征提高了故障等級診斷的準確率。YAO Lei等[7]采用基于網格調參的支持向量機電池故障診斷方法來識別電壓故障的狀態和嚴重程度。此外，Adaboost、LightGBM等boosting算法的模型也開始被應用于電池狀態的預測[8-9]。

基于實車數據的機器學習方法無需考慮電池內部深層工作機理，通過對數據的學習還能夠揭示出各狀態參數之間的非線性關系，展現出了更好的適用性。但現有研究大多采用電池容量、電壓以及溫度等電池內部指標作為特征，忽視了工況、天氣、用車方式等其他可能的外在影響因素。此外，現有故障預測較多采用單一模型完成，即使有與其他算法進行結合，后者也僅用于數據預處理或參數優化，并未直接參與到故障預測過程中，精度進一步提升有限。同時，汽車的故障信息通常是類別不平衡數據，容易導致單一算法的泛化性能欠佳。鑒于上述不足，本文拓展了電池狀態分析指標，實現內外部多維度表征，并在算法上選用對不平衡數據有較好處理能力的Stacking 集成學習模型用于電池故障預警，通過與僅考慮電池內部特征的單一模型對比，來驗證該方法的有效性。

1 數據預處理

1.1 樣本數據介紹

本次研究數據取自某品牌旗下10 輛純電動汽車（EV） 在A直轄市近6 個月的實際出行數據，上述汽車均基于同一電動平臺搭載其自研的三元鋰離子電池。該型號電池質量為548 kg，額定電量42.3kWh，電池包由11 個串聯電池模組組成，能量密度127 Wh/kg，新標歐洲循環測試（New European Driving Cycle，NEDC） 最大續航里程為310 km。電池包的電池管理系統（batterymanagement system，BMS） 采用具有廣泛適應性的分布式架構，包括一個外部的中央電子控制器（centralelectronic control unit，CECU） 以及3 個內部的局部電子控制器（local electronic control unit，LECU），其中CECU芯片采用飛思卡爾生產的MC9S12XET256MAA（HCS12系列），用于實時監測電池的SOC、溫度等狀態信息。BMS 的主控模塊與其余從控模塊均通過內部控制器局域網（controller area network，CAN） 總線來實現信號傳遞。

本文采用車載測量法利用電動汽車數據收集裝置鏈接至車載診斷系統（on-board diagnostics，OBD） 接口接收CAN信號，同時全球定位系統（globe positionsystem，GPS） 傳感器采集實時車速和車輛位置信息，采樣頻率選定為0.2Hz。所采集的數據符合傳輸控制協議（Transmission Control Protocol，TCP） 標準，完成信息解碼后得到包含充電狀態、日期時間、經緯度、車速、SOC、累計里程、通用報警信息等基于國標GB/T 32960-2016要求的22種類型數據，共計513215 條。部分代表數據樣例如表1所示。

1.2 數據清洗

在數據采集時，往往會有天氣惡劣變化、收集設備處于隧道等信號盲區或起停時不穩定斷電等情況的出現，從而使得移動通信信號延遲、錯誤甚至是丟失，造成數據異常。為了后續預測的準確性，需要對數據進行清洗。

1.2.1 片段劃分

為便于后續處理首先需要對車輛的運行片段進行劃分。本文整合車輛狀態和充電狀態這2 個指標，將狀態片段劃分為放電行駛片段、停車充電片段以及停車靜止片段。劃分規則為：將充電狀態字段中的04 （ 充電完成） 劃入01（ 充電），車輛狀態字段中的03（ 其他） 劃入02 （ 熄火），當上述2 類狀態保持不變且間隔不低于180 s，則標記分割點以此循環，數據按標記點分割后若樣本量少于100 條，則可認為統計意義不大予以剔除處理。

1.2.2 異常數據處理

本文所遇到的異常數據及處理方式主要如下：

1） 重復采樣剔除，對同一車型id各數據完全相同的字段，判斷為收集器重復采樣，將這部分數據進行剔除；

2） 時序重新排列，將采集數據以時間標簽為準按照先后進行排列，發現部分字段如累計行駛里程等時序異常，對該部分數據利用特征重新排序；

3） 滯后數據修正，在一些不同片段的交界處還發現有部分數據字段仍會表現為上個片段的特征，可認為采集器存在傳輸延遲的現象，對此利用相應特征進行狀態平移修正；

4） 缺失數據填充，本文數據中片段內單體最高電壓、溫度等還存在一定缺失，對于大面積缺失的情況丟失數據段，對于小面積的缺失則綜合利用分段插值和Lagrange 插值法進行填補[9]。另外，由于原始SOC分辨率為1% 而數據采集頻率為0.2 Hz，這導致在一段連續時間內低于1% 的SOC 變化無法體現，即在時序圖上呈現階梯分布，為減小誤差而根據電流大小對SOC 插值平滑處理；

5） 箱型圖去偏點，受傳輸過程不穩定等因素影響，本文經過處理后的數據還存在部分樣本遠離中心的情況，為減少偏離點對模型的干擾，使用箱型圖檢測來剔除這些上下邊緣之外的數據點。

1.2.3 故障報警位梳理

經過對故障情況分類數據的初步分析，本文發現樣本中存在大量與電池無關的報警信息，并且通用報警標志數據存在延遲報警、遺漏報警、錯誤報警等問題。此外，在轉化為二進制后還發現部分報警標志位如單體一致性差、SOC 跳變等未能出現。為此，本文采用故障樹分析方法并結合國標及過往相關研究，修正自定故障報警系統標準可參見表2 所示，表中標志均維持到報警條件解除。故障等級通常可分4 級，其中0表示沒有故障；1 表示一級故障，不影響車輛正常運行，電池無需處理；2 表示二級故障，指會影響到車輛性能需要對行駛進行限制的故障，此時電池需要更換檢修；3 表示三級故障為最嚴重級別，此時電池禁止充放電，駕駛員應立即停車。統計重新歸類后的故障報警等級，可發現75.23% 的樣本處于0 級安全狀態，1 級占比為16.54%，2 級和3 級分別為6.28% 和1.95%。

1.3 數據集生成

在模型數據集的生成上，前文可以看到正常樣本和故障樣本之間存在嚴重的不均衡問題，為此利用改進合成少數樣本過采樣技術（synthetic minorityoversampling technique，SMOTE），通過欠采樣減少量等于過采樣添加量的方式進行數據擴充，既保證不會丟失大量數據信息，也不會由于添加過多合成數據引入噪聲干擾。接著，考慮到電池故障往往難以依靠當前時刻特征進行判斷，為保證預警準確性和預留充分的反應時間，引入觀察窗即架設在特征時間尺度上的特定長度觀測窗口，可觀察該時間段的特征變化來構建數據集。經過次迭代計算，本文設定窗口長度為180即30 min 為觀測時長，通過查找電池故障信息提取出發生故障前30 min 的數據條目。此外在車輛處于正常狀態的條目中，按每輛車每個時間段隨機提取相同大小的數據合并形成數據集，以保證數據分布的合理性。最后，在上述基礎上按照7 ： 3 的比例劃分最終生成訓練集和測試集。

2 特征工程

2.1 特征提取

根據前文對動力電池故障報警標志位的表征，可發現其成因主要和電壓、電流、溫度、SOC等有關，因此需要將這些因素納入特征范圍，并以此為基礎挖掘數據中的隱含信息派生出新字段。為能更真實地還原動力電池實際工作場景，進一步納入外部信息作為補充參數以構建一套多維度的故障預警特征集合。

2.1.1 電池健康狀態特征提取

電池健康狀態（state of health，SOH） 是體現電池老化以及劣化程度的重要指標。目前電池電池容量大小變化是表征SOH 變化所使用最多的特征參數，定義如下：

4 實驗結果分析

本文實驗運行的處理器配置為Intel Core i7-8550U，操作系統為win10（64 位），運行內存32 GB。軟件開發環境為Pycharm，基于編程語言Python 3.7 調用Numpy、Pandas、Sklearn、Matplotlib 等工具庫來實現算法。

4.1 超參數尋優結果

前文各模型的超參數需要在學習之前完成設置，通過調節至合適的參數值能夠提高模型的分類能力。常見的調參方法有網格搜索、隨機搜索和Bayes 優化。前兩者在超參數較多時易出現效率低下和局部最優的問題， 而Bayes 優化采用了Gaussian 過程（GaussianProcess，GP） 回歸，對于隨機初始化點[x，f（x）]，在服從Gaussian 過程分布時可表示為f（x）～GP[m（x）， k（x， x'）]，可在過程中根據已搜索點的函數值估計目標函數f（x）的均值m（x） = E[ f（x）] 和協方差k（x， x'） = E{[f（x） - m（x）][f（x'） - m（x'）]}，以此建立采集函數進而決定下次采樣點的位置，因此能在較短時間內確定最優參數。

本文將對集成模型和樹模型有著較好效果的Bayes 優化結合網格搜索法來共同實現調參。具體為以AUC 值為目標函數，結合5 折交叉驗證，首先使用Bayes 優化初步快速縮小調優范圍，隨后利用網格搜索對各學習器初步的參數范圍循環遍歷，通過在測試集中的效果對比尋求最優超參數組合。Stacking 集成模型中各學習器的調參結果見表6。

4.2 實驗驗證結果

由于故障樣本數據量存在嚴重非均衡性，采用前文所述的改進SMOTE 法降低不平衡率，經比較可驗證進行數據擴充后各基模型的評價指標均能有所提升，因此后續的實驗分析都建立在上述基礎之上。

4.2.1 加入外部因素特征的有效性驗證

首先， 為驗證考慮電池外部的特征（ 包括時間環境、駕駛風格、行駛工況等因素） 能否提高模型的泛化能力，設置M1 和M2對照組進行對比分析。其中M1為傳統僅考慮電池內部狀態維度的基模型單一機器學習方法；M2 則在M1基礎上進一步加入前文表5 中外部特征的相同機器學習方法。二者均經過Bayes 和網格法超參數調優，對比結果見表7 所示。從表中可知，加入電池外部特征后，M2各基模型在準確率、召回率、F1 得分和AUC 值等方面相比M1 均出現了顯著的提升。這表明在電池故障的診斷問題上，外部特征不可忽視，對模型的泛化性能優劣有著較為重要的影響。

4.2.2 采用集成學習的有效性驗證

在上述基礎上，為檢驗集成學習能否集合各分類器優勢提高預測精度，將Stacking 模型融合方法M3與M2 單一模型進行對比分析，所需重點關注的召回率和F₁ 值評價結果見表8。表中R-ave、F₁-ave 分別為各報警等級的平均召回率和平均F₁ 得分。從故障的整體預警情況來看，Stacking 集成模型表現出了最佳的識別性能，平均召回率高于單一分類模型中最高的SVM模型9.3 百分點，F₁ 同樣高出近10百分點。

圖8 還展示了各模型所表現的ROC 曲線，可以看到，在誤報率低于5% 的高度計算關注區域，Stacking集成模型的曲線更為靠近左上角，且實現了對其他模型曲線的完全包裹，對應AUC 值達到0.875，表明模型的預測性能最好。其次則分別為SVM、LightGBM和XGBoost，整體排序與前文召回率和F₁ 值的結果相近。

表8 還匯報了各模型對1 級至2 級故障識別的召回率R-1～R-3，以及F₁ 得分大小F₁-1～F₁-3，對應各細分類型識別的混淆矩陣如圖9 所示。可以看到，對于電池的正常狀態各模型的預測表現差別并不大，但是故障預警中Stacking 的預測效果則大幅優于3 個基模型，特別是在較為重要的2 級和3 級故障中精度優勢更為明顯。對應R-2 和R-3分別為85.81% 和88.92%，對比識別效果相對較弱的XGBoost提升幅度達到了12.09 百分點和17.36 百分點； F₁-2和F₁-3則相對高出15.36 百分點和18.10百分點。表中還比較了各模型的運行時長t，其中LightGBM 耗時最短，Stacking 則由于對每個基模型交叉訓練導致運行時間較長，但考慮車輛實際行駛過程中電池長時間尺度的使用，百秒級在單個樣本上的差異并不會影響實用價值。總體來看，采用集成學習在動力電池安全風險的識別問題上具有較強的優越性。

5 結論

本文提出一種基于集成學習的車-人-環境多指標動力電池故障預警方法。從內外部多維度提取電池狀態、行駛狀況、歷史信息和時間環境等相關特征，采用Filter和Wrapper相結合的方法完成最優特征篩選，盡可能還原了電池復雜的應用場景同時提高魯棒性；考慮到故障樣本的不平衡問題，在采用SUNDO重采樣進行一定程度數據擴充后，建立了對不平衡數據有著更好處理能力的雙層Stacking異質集成模型，并利用Bayes優化結合網格搜索法實現超參數調優。

實驗結果顯示，電池的外部特征在提高故障預警的泛化能力上有著較為重要的影響。在此基礎上采用Stacking 集成學習相比單一模型對各類故障的預測精度得到了明顯提升，特別是在中高風險小類的預警上表現得更為出色，在測試樣本中召回率分別達到了85.81% 和88.92%。這表明通過不同種類算法的堆疊，使得所構建的集成模型能從不同角度和層次更為有效地挖掘多維特征信息。上述成果能夠為電池管理系統的智能化安全管控提供一定的決策支持。后續研究將進一步從電池故障種類以及短期、中期、長期3 個不同時間尺度來完善預警診斷體系。