SAECCE 2020 | 北京科技大学洪吉超：基于运行大数据的电动汽车动力电池安全控制策略研究

2020中国汽车工程学会年会暨展览会（SAECCE 2020）于2020年10月27-29日在嘉定上海国际汽车城-上海汽车会展中心举办，汇聚汽车及相关行业的企业高层、技术领军人物、资深专家学者、广大科技工作者。10月29日，北京科技大学机械工程学院特聘副教授洪吉超在本次大会上发表了主旨演讲。

以下为演讲实录：

非常高兴今天能有机会在这里跟大家分享我之前做的基于国家平台的实车数据做的一些动力电池安全控制策略方面的一些研究成果。

首先是动力电池从机理上的安全性与一致性耦合机制方面的研究，然后是动力电池系统的状态预测，故障诊断、安全风险的预警，以及最后的安全控制策略的设计，以及最后的展望。

研究背景，我国的新能源汽车现在发展比较快，已经占据全球总销量50%以上，动力电池系统也是我们新能源汽车最核心的部件之一，但是它的高安全性也是近年来的一个热点和难点的问题，也是电动汽车中进行商业化推广应用的一个首要的保障。近年来由于动力电池故障引发的电动汽车火灾的事物频发，造成巨大经济损失的同时也引起了消费者对于电动汽车安全的焦虑。

同时由于动力电池故障机理复杂多变，多种因素互为前提，动力电池故障诊断以及风险预警方面系统性也比较强，难度也是非常之大，所以已经成为现在对于动力电池安全性研究的重点和难点的研究。

动力电池系统的安全控制策略目前研究的也挺多的，但是要进行商用化应用效果又比较好的现在还没有出现。如果说是能够出现一种通用的，对于动力电池全生命周期的安全状态进行监控和追溯的安全控制策略，对于提升电动汽车的安全性，确保驾乘人员的生命财产安全以及促进电动汽车产业化发展都是具有重要的意义。

当前研究存在的问题和不足，动力电池状态与环境，老化等各种复杂交变应力之间的非线性的关系，所以很复杂。现有的模型和方法在实验室条件下可能是有效的，但是面向实车运行数据的情况之下参数的辨识以及建模的效果都不是特别理想，也是缺乏对实车动力电池系统多种状态长短期的预测，也就是说未来一段时间的这种状态的预测。还有就是传统的基于关键参数的，比如说电压、温度、SOC、阈值或者变化率，这种故障诊断报警方法诊断指标比较单一，报警时间比较短，现有的故障诊断方法对于来自于本身的电池自身的系统以及外界环境的噪声它们的不确定性、鲁棒特性比较差，所以在市场应用效果不是特别好。

对于电池系统安全的风险，信号在实车运行环境下提取难度比较大，我们也知道数据的质量也不是特别好的，所以现有的方法也可以有效的对电池早期的安全风险信号进行在线的识别和精准定位的一个效果。最后就是现有电池管理系统集成的各种安全风险预警模型在实车上应用的准确率比较低，再一个就是通用性比较差，事故原因的反响追踪效果不佳，进行安全控制策略的开放是非常的紧迫也是比较必要的。

研究的思路，首先就是在机理上对动力电池安全性、一致性耦合方面进行研究，然后是进行动力电池系统多状态的预测，然后是为动力电池安全性的评估提供一个判定的基础，动力电池安全性评估包括了故障诊断以及安全风险预警，上述这些内容提出的一些方法或者模型可以为设计安全控制策略提供理论基础和模型的基础，得到的安全控制策略通过多模型融合的方法，可以在实车数据上进行进一步的验证优化，如果是效果比较好还可以进行推广应用。

首先是动力电池安全性与一致性耦合机制的研究，动力电池系统不一致性会随着电池使用的时间、车辆行驶里程的增加都会逐渐扩大，并且不一致性参数之间往往是互不独立，相互影响的，有的还是互为因果关系的，所以对动力电池系统的安全性有重要的影响。在这里我是以一辆车一年的运行实车数据进行分析对象，分析了这一年不同状态之下，在这里我分的是充电状态和行驶两种状态，单体电压的概率分布以及平均峰差的一个规律。首先是在行驶状态下单体电压的分散程度是比充电状态下更明显，表现是行驶状态下的概率的峰值要比充电状态概率峰值要低很多。单体电压的不一致性也是随着电池的使用时间的增加也是逐渐增大的，表现是在无论是充电其是行驶的任何状态下单体电压的平均方差都是逐步升高的。

总结了动力电池一致性、安全性与电池老化之间的耦合规律，发现电池的一致性往往和安全性之间并不是直接发生关联的，而是通过电池的老化间接的发生关系的。因为在电池的使用过程当中加速老化会引起比如说容量的衰减，或者内阻增加等等，然后会进一步的裂化电池的安全性。

动力电池系统状态预测研究，动力电池系统各种状态，在这里我是以动力电池能够反映它的安全性状态的电压温度和SOC这三各位主要研究对象的，实时监控和精准预测对于汽车的安全可靠运行也是非常重要的，但是由于这些参数在实时状态下非线条形成和长时间的特征难以通过现有的常规的物理方法、数学方法或者是统计方法进行一个有效的建模或者是有效的复现。

我提取了实车行驶状态下车辆自身的一些行驶参数，电池的参数，车辆参数包括车速等等，电池参数包括电压、温度、SOC等等。还有驾驶行为的参数，驾驶行为在这里像加速度，在国家平台里面10秒钟一帧是得不到的，估算的是不准的，怎么反映加速度，通过公式发现电机转速和加速度之间是成反比关系的，可以间接反映加速度的状态。然后要考虑外界的环境，天气，因为既然用到大数据，外界的环境能够考虑到也是非常重要的。外界环境我这里是加了有六个，像气温、气压、湿度、可见度、降水量，这个是在现有的国际的天气网站上是可以导出的，这个车是2016年的数据，北京市全年的天气的参数，它的数据是三个小时一帧，但是我们也知道天气本身对于车辆状态影响是有限的，不如驾驶行为影响那么大。所以对天气三个小时的小数进行了一个差值，与实车的数据进行对齐，最终的效果还是挺好的。

这是LSTM预测器原理示意图，可以进行单部的预测也可以进行多部的预测，具体的原理不介绍了。通过这15个参数，首先进行了一个相关性的分析，找出了五个参数，因为输入参数之间，如果之间的相关性过于强或者过于差都会影响训练效果，我发现把15个参数同时训练还没有开始就结束了，所以挑出了五个相互之间有相互关系既不是最强的也不是最弱的作为它的输入参数，输出是以电压、温度和SOC这三个维度作为输出的，也可以分别单独做输出，可以以电压为参数，看哪些是符合要求的。

最后在结果的分析过程当中发现还有一个问题，就是把车速考虑进去，还有制动踏板开舵、加速踏板开舵，在重点状态下是不存在的，也就是充电状态下把速度考虑进去是没有意义的，经过验证发现考虑进去它的效果反而是更差的。所以说提出了DMC双模型协同的预测策略，在充电状态下把车速和智能踏板开舵去除，然后在行驶状态下再把它两个加上来，这是两个模型。行驶状态和充电状态怎么去判定？实车运行过程当中行驶状态和充电状态无非就是这么几种。通过这两种状态的区分和两种模型的自适应切换可以尽可能提高训练和预测的精度。

这是得到预测的结果，测试的结果显示我是用16年全年数据做的训练，用了17年的数据做的预测，发现未来10秒钟的预测误差平均下来这三个参数都能控制在1%之内，效果还是比较好的。未来30步预测平均相对误差分别也就达到0.7%、2.02%和0.58%，同一辆车，16年的数据和17年的数据比较接近，但是同样的如果是同一个车型，这辆车是全生命周期的数据进行训练，同一个车型在同一个区域进行行驶的车本身的驾驶的习惯、数据特征应该都是很接近的，所以换成同一个车型的数据全生命周期进行训练的话，用另外一辆车进行验证的话效果应该也是差不多的，只不过现在数据量没有得到那么多，没有进行训练。

动力电池系统故障诊断研究。在这里我用了一个修正香农熵算法，熵的原理，可以反映系统的紊乱程度，隐蔽在常规的阈值之下，但是和其他单体出现了不一致性，出现了异常的紊乱或者异常的波动，可以用熵值的方法诊断出来。验证效果发现还是比较好的，像第二个是有多个单体出现异常的时候都能诊断出来，最后如果没有单体出现异常都是比较一致的情况之下，也不出现误报警，所以效果还是比较好的。

因为电压符合正态分布，通过数学统计的方法设定阈值可以将异常提前诊断出来，结果可以发现故障在报警之前的一个小时以及报警前的一天都可以将这个异常单体进行诊断出来。

换成温度以后，温度因为是界面性的，不像电压波动那么强，也不符合正态分布，所以通过试错寻找发现用象限图的方法可以设定这个温度异常值，也是对温差过大，温度过高，不同的温度性的故障进行了验证，发现效果也是比较好的，也能够在温度故障出现的前一天，将异常的温度探针能够找出来。

安全风险的预警，在这里是提出了改进的多尺度熵的方法，本质是样本熵，提取不同尺度下的一些特征，是四个单体进行了一个串联的模组，结果就是在第15个循环的时候用多尺度熵的曲线可以很明显看到1号单体出现了异常。对这些尺度因子，首先选择的是20个尺度因子，对诊断效果不明显的尺度因子进行过滤，设定了一个敏感度的因子，设定了几个阈值，可以将异常信号进行放大，发现处理完以后在第十个循环的时候就可以用这个方法把这个异常的1号单体进行诊断出来。

这是验证的效果，在电压和温度的不同的异常或者故障的效果，一个电压和两个温度异常的情况下都可以有效进行一个预警。再有就是采样间隔，原来是10秒，我把它放大变成30秒、60秒，再放大到180秒，看它的效果是如何的。结果发现在至少是这个验证的电池上，把它扩大到30秒和60秒的时候这个异常的91号单体有效信息基本上还是能保留的，还是能诊断出来，但是如果放大到180秒的时候有效信息损失就过多了，诊断不出来，但是这也是间接证明了这个方法是可以进行这种采样间隔或者是吸收采样情况下的一个诊断的，就是说在有效信息丢失不是过多的情况下这个方法依然是有效果的。

动力电池系统安全控制策略，对安全问题和现有常见的电池异常类型以及他们对应的一些潜在的故障类型进行了一个总结分析，提出来这样的安全控制策略，我是通过电池的多种状态在线的预测，还有就是多种故障的在线预警，再加上电池健康状态的在线的估计，来实现它的一个整体的电池安全状态的控制。加上他们之前的故障多模型融合的方法实现的故障的一个预警的效果，可以实现电池安全状态在全生命周期的状态下是可以追溯也是可以监控的。

研究展望，现在需要做的就是需要继续扩大大数据的训练数据库，延长实车动力电池系统多状态预测窗口长度，为驾乘人员提供更多的逃生时间和施救时间。探索更多更精确的故障诊断算法和模型，基于多模型融合理论，提升动力电池多故障协同预警能力，完善动力电池安全控制策略。扩展器在非公路车辆的电动化及安全控制方面的研究和应用，并通过实车和实验双重验证，实现军、工、农、民、商全车型的应用覆盖，提高实用价值。

这是我们北京科技大学的介绍，历经70年的发展得到了很多的成果，在一些非常重要的成果上也是打破了国外的一些封锁，具有一些非常有里程碑的成果，也欢迎各位专家和学者多多来北京科技大学多进行交流和学习以及指导。

敬请关注“2020中国汽车工程学会年会暨展览会（SAECCE 2020）”直播专题：https://auto.gasgoo.com/NewsTopicLive/282.html

（注：本文根据现场速记整理，未经演讲嘉宾审阅，仅作为参考资料，请勿转载！）