基于融合算法的電池熱失控預警方法研究

劉瑤秋 趙苗苗

【摘? 要】文章提出一種基于融合算法的新能源汽車動力電池熱失控預警方法。該方法綜合運用信息熵算法和電池單體容量差機理算法，以量化和識別電池單體電壓異常波動程度以及評估電池的容量不均衡程度。通過構建特征方程和機器學習模型進行訓練，提高故障報警準確率，為新能源汽車的安全性和穩定性提供有效保障。

【關鍵詞】熱失控預警;算法;信息熵;機器學習

中圖分類號：U469.72? ? 文獻標識碼：A? ? 文章編號：1003-8639（ 2024 ）05-0014-04

Research on Thermal Runaway Early Warning Method for Power Battery Based on Fusion Algorithm*

LIU Yaoqiu，ZHAO Miaomiao

（Yangzhou Yaxing Motor Coach Co.，Ltd.，Yangzhou 225116，China）

【Abstract】This paper proposes a fusion algorithm-based method for thermal runaway prediction in electric vehicle power batteries. The method combines information entropy algorithm and individual cell capacity difference mechanism to quantify and identify abnormal voltage fluctuations of individual cells and evaluate the degree of capacity imbalance in the batteries. By constructing feature equations and training machine learning models，the accuracy of fault detection is improved，providing effective protection for the safety and stability of electric vehicles.

【Key words】thermal runaway early warning;algorithm;information entropy;machine learning

作者簡介

劉瑤秋 （1992—），女，碩士，工程師，主要從事車輛智能網聯開發的研究工作。

1? 引言

電動汽車在使用過程中，其動力電池隨著可用容量和循環壽命的衰減，增加了電池故障甚至熱失控的風險。熱失控的發生可能導致嚴重的事故，對人身安全和財產造成巨大損失，甚至危及生命。因此，研究和開發電動汽車動力電池有效的熱失控預警算法對于確保電動汽車的安全性、穩定性和可靠性至關重要。

動力電池熱失控預警算法涉及多個因素，且各因素與熱失控故障之間的關聯尚不明確，增加了預警算法設計的復雜性。一種常見方法是基于傳感器數據的監測和分析，通過監測電池參數并設定閾值，可以簡單直接地檢測出異常情況并進行預警。然而，該方法可能無法全面捕捉電池內部復雜變化和潛在故障。另一種常見方法是基于機器學習，利用歷史數據訓練模型來預測熱失控風險，包括決策樹、支持向量機、隨機森林和深度神經網絡等算法。然而，機器學習方法需要大量標注數據和復雜的模型調優，并面臨特征選擇和數據處理的挑戰。本文提出一種融合算法，綜合考慮電池單體容量不均衡問題、信息熵值算法[1-2]和機器學習方法，通過綜合不同算法計算得到的結果指標量，作為衡量和評估熱失控發生可能性的特征量，從而更準確地預測熱失控風險。

2? 電池單體容量不均衡問題

電池組中單體容量不均衡是引發熱失控的重要因素之一。單體容量不均衡的電池單體在充電或放電過程中可能會產生漏電流。電池組中容量較小的單體在充電時可能會過早達到充滿狀態，而其它單體尚未充滿，這會導致電流從充滿的單體流向其它單體，形成漏電流。這些漏電流不僅會損耗能量，還可能導致局部過熱，增加熱失控的風險。基于漏電流進一步計算周期內的平均漏電阻可以有效地衡量單體容量不均衡問題。當漏電阻小于設定閾值，則提示容量不均問題。算法具體步驟如下。

1）定位單體電壓最大的單體充滿電的時間點t1，讀取此時最大單體的電壓值U1。

2）查找最大單體在電壓達到U1時的時間點t2。

3）計算時間t2～t1期間的容量，得到容量差RCC1。

4）重復步驟1）～3），計算下一個充電周期的容量差RCC2。

5）計算單周期內的容量差RCC=RCC2-RCC1。

6）計算當前工況周期的時間T。

7）計算漏電流I=RCC/T。

8）計算當前工況周期的平均電壓U。

9）計算漏電阻R=U/I。

10）當漏電阻小于設定閾值，則提示容量不均問題。

因此，將上述步驟計算得到的電池漏電流作為系統的指標之一，該指標可衡量電池單體不均衡問題的嚴重性。

3? 信息熵算法實現

信息熵早期使用在熱學、統計學等領域，其本質是描述一個系統內在的混亂程度。本文將信息熵理論應用在電池故障預警的預測算法，應用熵值來診斷和預測電池故障。

1）構建矩陣A

A=x11? x12? …? x1t

x21? x22? …? x2t

…? …? xij? …

xn1? xn2? …? xnt

式中：t——時間長度;n——電池單體個數;xij——j時刻的第i個單體的電壓值。

2）滑動窗口截取矩陣B，本算法實現窗口寬度選取100。

3）計算矩陣B的極值，從而獲得l個區間段：（xmin+a，xmin+（a+1）），其中a= 0，1，2...9。

針對各單體分別統計各區間內的數量，獲得矩陣C，cij是各單體在各劃分區間段范圍的單體數量。

C=c11? …? c1n

…? …? …

cl1? …? cln

4）分布數量矩陣C，計算得到分布概率矩陣P

P=p11? …? p1n

…? …? …

pl1? …? pln

pij=

5）獲得熵值結果H=[H1H2…Hn]，其中，Hj=-∑li=1pij log pij。注意當pij為0，則不納入統計。

6）計算變異系數，該結果是評價電池單體異常的重要指標。

A=

應用單體電壓熵值計算來識別熱失控故障車輛，對比正常車輛可以看出，熱失控車的熵值變異系數明顯異常偏高，如圖1所示。

因此，計算熵值相關的指標作為融合算法的輸入，包含熵值變異系數絕對值最大值、熵值變異系數絕對值方差、熵值變異系數絕對值中位值，均用于衡量電池內部電壓穩定性和均衡性的指標。

4? 機器學習方法

考慮本預測系統的應用場景，選擇高準確度、高效率的全連接神經網絡（Fully Connected Neural Network）模型。全連接神經網絡由多個全連接層組成，每個神經元與前一層的所有神經元相連接。通過非線性激活函數和權重調整，全連接神經網絡能夠學習和表示輸入數據的復雜非線性關系。

模型的輸入特征為與熱失控故障相關性較高的篩選特征量，包括單體電壓最大值、單體電壓最大極差、單體電壓上升斜率、總電壓、總電流、絕緣電阻、單體最高溫度，這些都是反映電池整體或單體健康狀態的指標。

本模型包含1個輸入層、5個隱藏層和1個輸出層，隱藏層設置的神經元個數為最高512個。每個隱藏層后面都添加了批量歸一化層和Dropout層，以減少過擬合的風險，并提高模型的穩定性和訓練效果。

模型利用ReLU激活函數增加了模型的非線性能力，更好地處理復雜的數據關系。模型訓練過程中，通過Tensor Board可視化服務，觀測訓練準確率變化曲線、損失函數變化曲線的下降速度和收斂情況來逐步調節超參數，最終使模型訓練效率和測試準確率均達到較好的水平。經過多次模型性能調優，最終應用的L2正則化技術參數為0.02，學習率設置為自適應學習且初始值為0.001，迭代次數根據損失曲線收斂情況設置為80，批數量根據樣本數量情況最終設置為50。

5? 融合算法的實現

本文采用融合算法，結合電池單體容量不均衡問題、電池電壓的信息熵和機器學習方法，以實現更準確的電池熱失控預測。其中，通過單體容量差算法評估單體容量不均衡問題，并初步定位電池的健康狀況。電池單體最大容量差通過計算電池單體容量的最大差值來評估電池不均衡問題是否嚴重，可用于識別潛在的性能損失和壽命衰退[3]。信息熵算法在量化單體電壓波動程度方面表現出有效性，并能及時識別異常波動情況，為故障預警提供了重要因素。然而，除了單體電壓異常波動和單體容量不均衡問題以外，還有未知的熱失控的關聯因素，其它因素也需要考慮。此外，不同車型、不同使用工況和場景下要采用差異化的預警指標[4-5]。由于目前針對性閾值和持續監測的預警標準尚不明確，因此可以利用機器學習模型，通過輸入特征方程和故障標簽來探索內部關聯的判定標準。因此，本文通過電池單體容量不均衡分析算法和信息熵值算法，結合基礎的電池熱失控相關量，共同構建特征工程輸入機器學習模型，幫助模型更加快速、準確地學習電池熱失控故障的潛在規律和深層關聯。融合算法的思路框圖如圖2所示。

5.1? 特征工程融合

通過構建初始特征和基于知識領域的特征，包括經過熵模型算法以及電池單體容量不均衡算法計算得到的指標信息[6]作為特征量。綜合考慮異常程度和數據模式，提供更全面和準確的預警結果。本算法保留了單體容量不均衡和熵值算法的可解釋性，并結合了機器學習算法的預測能力，實現了更魯棒和可解釋的預警結果[7-9]。特征和算法融合如圖3所示。

5.2? 融合樣本處理

樣本集處理需要的步驟包括：數據清洗、特征量計算、添加標簽、標準化處理、樣本均衡處理。

本研究收集了5臺發生熱失控的故障車歷史數據和數臺半年內沒有任何電池相關故障的歷史數據，對這些不同車的歷史數據進行批量化處理，對數據項錯誤、數據重復、數據缺失的問題分別進行相應的預處理。對處理好的數據計算并保存特征向量，將熱失控故障車輛的特征向量標記為故障標簽，正常無故障的車輛特征值標記為正常標簽。其次，通過對特征數據的標準化，消除不同特征之間的量綱差異，提高模型的性能和穩定性。

此外，由于本數據樣本的嚴重不均衡問題，正常數據樣本充足而熱失控故障案例極少，導致模型學習不充分。為解決這一問題，進行樣本均衡處理，即對異常樣本過采樣和正常樣本欠采樣。過采樣增加了熱失控故障案例的數量，使得模型能更好地學習這些重要樣本的特征和模式。欠采樣減少了正常樣本的數量，以減輕樣本不平衡帶來的偏倚問題。

5.3? 模型測試結果

篩選模型合適的結構和參數，以獲得最佳的預測性能、準確度和泛化能力。使用優化后的模型對新的電池數據進行預測，以判斷是否存在熱失控風險。最后對測試效果良好的模型進行解釋和可視化，以深入理解模型的決策過程和關鍵特征，進一步優化熵模型和機理模型。通過不斷迭代和改進，改善算法的準確性和穩定性。圖4和圖5是模型調參完成后測試任務的準確率和損失值的變化曲線，可以看出損失值隨著訓練迭代次數增加后趨于穩定在一個較小的數值。

由實際測試結果可以看到，隨著模型迭代訓練次數的增加，測試準確率和損失值逐漸趨于穩定并接近理想目標。表1是樣本測試任務的最終結果，故障預警準確率均達到了100%，誤報率都在5%以內，表明模型具備較高的準確性和可靠性。

6? 總結

本文提出了一種基于融合算法的新能源汽車動力電池熱失控預警算法。該算法通過信息熵算法對電池單體電壓的異常波動程度進行量化和識別，并以熵值構建特征向量，并采用深度學習模型對特征向量進行訓練和分類，從而實現對電池熱失控的預警。通過真實歷史數據的試驗驗證，本文算法在故障報警準確率方面取得了較好的表現。

該算法的主要優勢在于其綜合應用了多種算法和模型，提高了預警的準確性和可靠性。同時，該算法可以適用于不同類型的新能源汽車動力電池系統，具有一定的通用性和適用性。

參考文獻：

[1] 王震坡，李曉宇，袁昌貴，等. 大數據下電動汽車動力電池故障診斷技術挑戰與發展趨勢[J]. 機械工程學報，2021，57（14）：52-63.

[2] 賈子潤，王震坡，王秋詩，等. 新能源汽車動力電池熱失控機理和安全風險管控方法的研究[J]. 汽車工程，2022，44（11）：1689-1705.

[3] Zhenpo Wang，Jichao Hong，Lei Zhang，et al. Voltage Fault Detection and Precaution of Batteries Based on Entropy and Standard Deviation for Electric Vehicles[J]. Energy Procedia，2017（105）：2163-2168.

[4] 劉瑤秋，季金強，趙苗苗，等. 整車CAN總線數據測試系統的研究[J]. 客車技術與研究，2020，42（6）：36-39.

[5] Guodong Fan，Xiaoyu Li，Marcello Canova. A reduced-order electrochemical model of Li-ion batteries for control and estimation applications[J]. IEEE Transactions on Vehicular Technology，2018，67（1）：76-91.

[6] Hong Jichao，Wang Zhenpo，Liu Peng. Big-Data-Based Thermal Runaway Prognosis of Battery Systems for Electric Vehicles[J]. Energies，2017，10（7）：1-16.

[7] Li L，Liu Z F，Tseng M L，et al. Enhancing the lithium-ion battery life predictability using a hybrid method[J]. Applied Soft Computing，2018（74）： 110-121.

[8] 鄭杭波，齊國光. 電池組故障診斷模糊專家系統的研究[J]. 高技術通訊，2004，14（6）：70-74.

[9] 王震坡，袁昌貴，李曉宇. 新能源汽車動力電池安全管理技術挑戰與發展趨勢分析[J]. 汽車工程，2020，42（12）：1606-1620.

（編輯? 楊凱麟）

收稿日期：2023-09-26

*基金項目：揚州市科技計劃項目（YZ2022019）。