基于融合算法的电池热失控预警方法研究

刘瑶秋 赵苗苗

【摘  要】文章提出一种基于融合算法的新能源汽车动力电池热失控预警方法。该方法综合运用信息熵算法和电池单体容量差机理算法，以量化和识别电池单体电压异常波动程度以及评估电池的容量不均衡程度。通过构建特征方程和机器学习模型进行训练，提高故障报警准确率，为新能源汽车的安全性和稳定性提供有效保障。

【关键词】热失控预警;算法;信息熵;机器学习

中图分类号：U469.72    文献标识码：A    文章编号：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

作者简介

刘瑶秋 （1992—），女，硕士，工程师，主要从事车辆智能网联开发的研究工作。

1  引言

电动汽车在使用过程中，其动力电池随着可用容量和循环寿命的衰减，增加了电池故障甚至热失控的风险。热失控的发生可能导致严重的事故，对人身安全和财产造成巨大损失，甚至危及生命。因此，研究和开发电动汽车动力电池有效的热失控预警算法对于确保电动汽车的安全性、稳定性和可靠性至关重要。

动力电池热失控预警算法涉及多個因素，且各因素与热失控故障之间的关联尚不明确，增加了预警算法设计的复杂性。一种常见方法是基于传感器数据的监测和分析，通过监测电池参数并设定阈值，可以简单直接地检测出异常情况并进行预警。然而，该方法可能无法全面捕捉电池内部复杂变化和潜在故障。另一种常见方法是基于机器学习，利用历史数据训练模型来预测热失控风险，包括决策树、支持向量机、随机森林和深度神经网络等算法。然而，机器学习方法需要大量标注数据和复杂的模型调优，并面临特征选择和数据处理的挑战。本文提出一种融合算法，综合考虑电池单体容量不均衡问题、信息熵值算法[1-2]和机器学习方法，通过综合不同算法计算得到的结果指标量，作为衡量和评估热失控发生可能性的特征量，从而更准确地预测热失控风险。

2  电池单体容量不均衡问题

电池组中单体容量不均衡是引发热失控的重要因素之一。单体容量不均衡的电池单体在充电或放电过程中可能会产生漏电流。电池组中容量较小的单体在充电时可能会过早达到充满状态，而其它单体尚未充满，这会导致电流从充满的单体流向其它单体，形成漏电流。这些漏电流不仅会损耗能量，还可能导致局部过热，增加热失控的风险。基于漏电流进一步计算周期内的平均漏电阻可以有效地衡量单体容量不均衡问题。当漏电阻小于设定阈值，则提示容量不均问题。算法具体步骤如下。

1）定位单体电压最大的单体充满电的时间点t1，读取此时最大单体的电压值U1。

2）查找最大单体在电压达到U1时的时间点t2。

3）计算时间t2～t1期间的容量，得到容量差RCC1。

4）重复步骤1）～3），计算下一个充电周期的容量差RCC2。

5）计算单周期内的容量差RCC=RCC2-RCC1。

6）计算当前工况周期的时间T。

7）计算漏电流I=RCC/T。

8）计算当前工况周期的平均电压U。

9）计算漏电阻R=U/I。

10）当漏电阻小于设定阈值，则提示容量不均问题。

因此，将上述步骤计算得到的电池漏电流作为系统的指标之一，该指标可衡量电池单体不均衡问题的严重性。

3  信息熵算法实现

信息熵早期使用在热学、统计学等领域，其本质是描述一个系统内在的混乱程度。本文将信息熵理论应用在电池故障预警的预测算法，应用熵值来诊断和预测电池故障。

1）构建矩阵A

A=x11  x12  …  x1t

x21  x22  …  x2t

…  …  xij  …

xn1  xn2  …  xnt

式中：t——时间长度;n——电池单体个数;xij——j时刻的第i个单体的电压值。

2）滑动窗口截取矩阵B，本算法实现窗口宽度选取100。

3）计算矩阵B的极值，从而获得l个区间段：（xmin+a，xmin+（a+1）），其中a= 0，1，2...9。

针对各单体分别统计各区间内的数量，获得矩阵C，cij是各单体在各划分区间段范围的单体数量。

C=c11  …  c1n

…  …  …

cl1  …  cln

4）分布数量矩阵C，计算得到分布概率矩阵P

P=p11  …  p1n

…  …  …

pl1  …  pln

pij=

5）获得熵值结果H=[H1H2…Hn]，其中，Hj=-∑li=1pij log pij。注意当pij为0，则不纳入统计。

6）计算变异系数，该结果是评价电池单体异常的重要指标。

A=

应用单体电压熵值计算来识别热失控故障车辆，对比正常车辆可以看出，热失控车的熵值变异系数明显异常偏高，如图1所示。

因此，计算熵值相关的指标作为融合算法的输入，包含熵值变异系数绝对值最大值、熵值变异系数绝对值方差、熵值变异系数绝对值中位值，均用于衡量电池内部电压稳定性和均衡性的指标。

4  机器学习方法

考虑本预测系统的应用场景，选择高准确度、高效率的全连接神经网络（Fully Connected Neural Network）模型。全连接神经网络由多个全连接层组成，每个神经元与前一层的所有神经元相连接。通过非线性激活函数和权重调整，全连接神经网络能够学习和表示输入数据的复杂非线性关系。

模型的输入特征为与热失控故障相关性较高的筛选特征量，包括单体电压最大值、单体电压最大极差、单体电压上升斜率、总电压、总电流、绝缘电阻、单体最高温度，这些都是反映电池整体或单体健康状态的指标。

本模型包含1个输入层、5个隐藏层和1个输出层，隐藏层设置的神经元个数为最高512个。每个隐藏层后面都添加了批量归一化层和Dropout层，以减少过拟合的风险，并提高模型的稳定性和训练效果。

模型利用ReLU激活函数增加了模型的非线性能力，更好地处理复杂的数据关系。模型训练过程中，通过Tensor Board可视化服务，观测训练准确率变化曲线、损失函数变化曲线的下降速度和收敛情况来逐步调节超参数，最终使模型训练效率和测试准确率均达到较好的水平。经过多次模型性能调优，最终应用的L2正则化技术参数为0.02，学习率设置为自适应学习且初始值为0.001，迭代次数根据损失曲线收敛情况设置为80，批数量根据样本數量情况最终设置为50。

5  融合算法的实现

本文采用融合算法，结合电池单体容量不均衡问题、电池电压的信息熵和机器学习方法，以实现更准确的电池热失控预测。其中，通过单体容量差算法评估单体容量不均衡问题，并初步定位电池的健康状况。电池单体最大容量差通过计算电池单体容量的最大差值来评估电池不均衡问题是否严重，可用于识别潜在的性能损失和寿命衰退[3]。信息熵算法在量化单体电压波动程度方面表现出有效性，并能及时识别异常波动情况，为故障预警提供了重要因素。然而，除了单体电压异常波动和单体容量不均衡问题以外，还有未知的热失控的关联因素，其它因素也需要考虑。此外，不同车型、不同使用工况和场景下要采用差异化的预警指标[4-5]。由于目前针对性阈值和持续监测的预警标准尚不明确，因此可以利用机器学习模型，通过输入特征方程和故障标签来探索内部关联的判定标准。因此，本文通过电池单体容量不均衡分析算法和信息熵值算法，结合基础的电池热失控相关量，共同构建特征工程输入机器学习模型，帮助模型更加快速、准确地学习电池热失控故障的潜在规律和深层关联。融合算法的思路框图如图2所示。

5.1  特征工程融合

通过构建初始特征和基于知识领域的特征，包括经过熵模型算法以及电池单体容量不均衡算法计算得到的指标信息[6]作为特征量。综合考虑异常程度和数据模式，提供更全面和准确的预警结果。本算法保留了单体容量不均衡和熵值算法的可解释性，并结合了机器学习算法的预测能力，实现了更鲁棒和可解释的预警结果[7-9]。特征和算法融合如图3所示。

5.2  融合样本处理

样本集处理需要的步骤包括：数据清洗、特征量计算、添加标签、标准化处理、样本均衡处理。

本研究收集了5台发生热失控的故障车历史数据和数台半年内没有任何电池相关故障的历史数据，对这些不同车的历史数据进行批量化处理，对数据项错误、数据重复、数据缺失的问题分别进行相应的预处理。对处理好的数据计算并保存特征向量，将热失控故障车辆的特征向量标记为故障标签，正常无故障的车辆特征值标记为正常标签。其次，通过对特征数据的标准化，消除不同特征之间的量纲差异，提高模型的性能和稳定性。

此外，由于本数据样本的严重不均衡问题，正常数据样本充足而热失控故障案例极少，导致模型学习不充分。为解决这一问题，进行样本均衡处理，即对异常样本过采样和正常样本欠采样。过采样增加了热失控故障案例的数量，使得模型能更好地学习这些重要样本的特征和模式。欠采样减少了正常样本的数量，以减轻样本不平衡带来的偏倚问题。

5.3  模型测试结果

筛选模型合适的结构和参数，以获得最佳的预测性能、准确度和泛化能力。使用优化后的模型对新的电池数据进行预测，以判断是否存在热失控风险。最后对测试效果良好的模型进行解释和可视化，以深入理解模型的决策过程和关键特征，进一步优化熵模型和机理模型。通过不断迭代和改进，改善算法的准确性和稳定性。图4和图5是模型调参完成后测试任务的准确率和损失值的变化曲线，可以看出损失值随着训练迭代次数增加后趋于稳定在一个较小的数值。

由实际测试结果可以看到，随着模型迭代训练次数的增加，测试准确率和损失值逐渐趋于稳定并接近理想目标。表1是样本测试任务的最终结果，故障预警准确率均达到了100%，误报率都在5%以内，表明模型具备较高的准确性和可靠性。

6  总结

本文提出了一种基于融合算法的新能源汽车动力电池热失控预警算法。该算法通过信息熵算法对电池单体电压的异常波动程度进行量化和识别，并以熵值构建特征向量，并采用深度学习模型对特征向量进行训练和分类，从而实现对电池热失控的预警。通过真实历史数据的试验验证，本文算法在故障报警准确率方面取得了较好的表现。

该算法的主要优势在于其综合应用了多种算法和模型，提高了预警的准确性和可靠性。同时，该算法可以适用于不同类型的新能源汽车动力电池系统，具有一定的通用性和适用性。

参考文献：

[1] 王震坡，李晓宇，袁昌贵，等. 大数据下电动汽车动力电池故障诊断技术挑战与发展趋势[J]. 机械工程学报，2021，57（14）：52-63.

[2] 賈子润，王震坡，王秋诗，等. 新能源汽车动力电池热失控机理和安全风险管控方法的研究[J]. 汽车工程，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] 刘瑶秋，季金强，赵苗苗，等. 整车CAN总线数据测试系统的研究[J]. 客车技术与研究，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] 郑杭波，齐国光. 电池组故障诊断模糊专家系统的研究[J]. 高技术通讯，2004，14（6）：70-74.

[9] 王震坡，袁昌贵，李晓宇. 新能源汽车动力电池安全管理技术挑战与发展趋势分析[J]. 汽车工程，2020，42（12）：1606-1620.

（编辑  杨凯麟）

收稿日期：2023-09-26

*基金项目：扬州市科技计划项目（YZ2022019）。