1.应用场景
动力电池电压故障是动力电池主要故障之一,目前比较有效的电压故障预警管理办法非常少,尤其针对实际运行中的车辆,大多数方法仍是基于实验数据开展的研究。所以对新能源汽车动力电池系统进行早期故障评估和预警研究是非常必要的。目前大数据挖掘方法更多的是用于大数据平台的管理与服务,尤其是对于新能源汽车大数据管理平台的数据展示、运行数据分析、故障数量统计等方面具有得天独厚的数据优势。但是随着纯电动汽车安全事故频发和各种电压故障的增加,急需一种可以对动力电池电压安全实时评估和预警的方法。
2.处理流程
(1)香农熵和Z分数
香农熵的概念是由香农在1984年提出来的,主要用来解决信息量化度量问题,目前被广泛应用在信息科学、图像处理等众多领域,其中主要用在对系统的混乱程度的描述。计算公式为
其中,H(x)为样本熵值;P(xi)为在第i区间内的时间发生的概率密度;n为区间个数。
Z分数(Z-score)也叫标准分数(standard score),在统计和金融领域具有风险预测的功能,是一个分数与平均数的差再除以标准差的过程。用公式表示为:
Z=(x-μ)/σ (5-33)
式中,x为某一具体分数;μ为平均数;σ为标准差。
Z的值代表原始分数和母体平均值之间的距离,是以标准差为单位计算。在原始分数低于平均值时,Z为负数;反之则为正数。标准分数可以表示一个给定分数距离平均数多少个标准差,在平均数之上的分数会得到一个正的标准分数,在平均数之下的分数会得到一个负的标准分数。
标准分数是一种可以看出某分数在分布中相对位置的方法。标准分数能够真实地反映一个分数距离平均数的相对标准距离。如果我们把每一个分数都转换成标准分数,那么每一个标准分数会以标准差为单位表示一个具体分数到平均数的距离或离差。
为检测异常的电池单体,确定一个合理的实时检测和评估标准,建立基于Z分数的异常系数,计算公式如下:
式中,E为某一电池单体香农熵值;Eave为香农熵值平均值;σE为香农熵值的标准差。
在熵值计算过程中,需要不断地进行迭代处理。但是随着采集车辆运行数据量越来越多,计算量就越来越大,对电脑硬件要求较高,对实时监测提出了更高的要求。因此需要对香农熵的计算方法进行适当修正以满足实时在线的检测需求,改进后的电压异常诊断和预警算法流程图如图5-15所示。
(2)电压预警处理
本案例是基于国家级新能源汽车监控管理与服务平台(National Service and Management Center for Electric Vehicles,NSMC-EV)的数据展开研究的。(www.xing528.com)
为了验证该方法的可行性、稳定性和可靠性,选择京B1Y×××的实车监控数据进行分析,所有数据都是来自于NSMC-EV的实车实时监控数据。京B1Y×××于2016-05-09的09:50:16~10:10:16发生了过压报警(单体电压大于3.6V,属于大数据平台二级故障)。分析故障发生前1小时和前一天的数据,并画出其电压曲线以及熵值曲线。图5-16a和b分别显示故障发生前1小时的电压曲线和熵值曲线,图5-16c和d分别表示故障发生前一天的电压曲线和熵值曲线。可以看出,71号单体的电压发生了故障并具有异常变化,且熵值曲线变化异常。由此可以推断,我们至少可以提前1小时或者提前一天将即将发生异常的单体电池检测出来。
图5-15 电压异常诊断和预警算法流程图
图5-16 京B1Y×××发生过压报警前的电压曲线和香浓熵值
为实现精确的电压故障预测,我们从大数据平台提取了大量的实车监测数据,并对该方法进行了分析验证。通过试错法,根据异常系数A的值将电压健康状态实时评估和预警策略分为三个级别,如图5-17所示。
图5-17 电压健康状态实时评估和预警策略
第1级:当所有的单体异常系数都符合|A|≤3.5时,被检测车辆的动力电池电压无异常,是安全状态。
第2级:当任何一个单体的异常系数符合3.5<|A|<4时,被检测车辆的动力电池在二级预警状态,其中有异常电压但是暂时无电压故障风险。在这种情况下,继续观察几个小时,因为可能是由于车辆运行状态突变引起误报警。当电压异常系数下降到|A|≤3.5时,二级预警消除。
第3级:当任何一个单体的异常系数符合|A|≥4(图5-17)时,被检测车辆的动力电池发出异常报警。该电池组检测到异常电压,若不及时采取过电压报警或欠压报警等措施,有可能会发生电压故障或者热失控。
图5-18所示为京B1Y×××不同时期的异常系数曲线。根据图5-17所示的电压健康状态实时评估和预警策略,71号单体的异常系数均符合|A|≥4,都属于第三级预警,京B1Y×××的动力电池发出异常报警。所以71号单体肯定至少前一天(2016-05-0818:48:17~19:48:17)就已经存在电压异常波动,如图5-18c所示。结果表明,该方法可预先检测71号单体的异常电压,避免过电压故障报警。结果表明,该方法能够可靠准确地实时评估电压健康状态,并可以预测电池组内电压故障的时间和位置,在电压故障前发出异常警告。
3.处理结果
基于新能源汽车大数据平台,提出了电池系统电压故障诊断与实时预测方法,可以实现电压健康状态实时评估和预警,将改进的香农熵应用于监测数据分析。分析结果表明,改进后的香农熵可以通过较小的计算量检测出具有异常电压的单体电池,有效地预测异常发生的时间和位置。这使得它在实际的动力电池安全管理系统中可以得到有效的实现。通过对大量不同的监测数据进行分析,验证了该方法的可行性、稳定性、可靠性和预测能力。该方法不仅适用于新能源汽车,也适用于具有复杂异常起伏环境的其他应用领域。
图5-18 京B1Y×××不同时期的异常系数曲线
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。