数据驱动的车载动力电池使用行为分析_张凡.pdf

2023年第3期【摘要】为定量评估电动汽车用户的充电习惯和驾驶习惯，为电池故障诊断提供有效支撑，基于电动汽车的实际运行数据，提出了一种在役动力电池使用行为的分析方法。提取基于隶属度函数的动力电池使用行为特征参数，定义并计算出使用行为所累积的风险，即使用行为分数，并采用横、纵向对比的思想定量分析了单车在不同时间维度以及车车之间的电池使用行为差异。试验结果表明，获得的电池使用行为分数与电池组电压一致性存在强正相关性，可以充分评估动力电池使用行为，为电池故障诊断提供数据支撑。主题词：动力电池充电习惯驾驶习惯隶属度函数中图分类号：U472文献标识码：ADOI:10.19620/ki.1000-3703.20220223Research on the Use Behaviors of Data-Driven Vehicle Power BatteryZhang Fan1,2,Xing Zixuan2,Wu Minghu1,Wei Shaoyuan3,Gao Yang3（1.Hubei University of Technology,Wuhan 430068;2.Hubei Engineering Research Center of New Energy and Power GridEquipment Safety Monitoring,Wuhan 430068;3.Sunwoda Electronics Co.,Ltd.,Shenzhen 518108）【Abstract】Based on the actual operating data of electric vehicles,this paper proposed an analysis method of in-service power battery usage behaviors,so as to quantitatively evaluate the charging behaviors and driving behaviors ofvehicles,and provide effective support for battery fault diagnosis.Firstly,characteristic parameters of power battery usebehaviors based on membership function were extracted,and then the accumulative risk score of using behaviors wasdefined and calculated.Finally,the battery use behavior differences between vehicles and vehicles in different timedimensions were quantitatively analyzed by using the idea of horizontal and vertical comparison.Experimental results showthat there is a strong positive correlation between the battery using behavior score quantified in this paper and battery packconsistency,which can fully evaluate the using behavior of power battery,and provide data support for battery faultdiagnosis.Key words:Power battery,Charging behaviors,Driving behaviors,Membership function张凡1,2邢子轩2武明虎1韦绍远3高洋3（1.湖北工业大学，武汉 430068；2.新能源及电网装备安全监测湖北省工程研究中心，武汉 430068；3.欣旺达电子股份有限公司，深圳 518108）数据驱动的车载动力电池使用行为分析*汽车技术 Automobile Technology【引用格式】张凡,邢子轩,武明虎,等.数据驱动的车载动力电池使用行为分析J.汽车技术,2023(3):49-55.ZHANG F,XING Z X,WU M H,et al.Research on the Use Behaviors of Data-Driven Vehicle Power BatteryJ.AutomobileTechnology,2023(3):49-55.*基金项目：湖北省重点研发计划项目（2021BGD013）；湖北省教育厅科技攻关项目（T201805）；太阳能高效利用及储能运行控制湖北省重点实验室开放基金项目（HBSEES202214）。通讯作者：武明虎（1975），教授，博士，主要研究方向为智能电网、电动汽车安全管理，。1前言锂离子电池因其高能量密度、长使用寿命等特点而广泛应用于新能源汽车1。电池的健康状态（State OfHealth，SOH）和安全风险除与电池品质、制造工艺等有关2，还与电池的使用行为相关。动力电池的不良使用行为，如大倍率充放电、过充、过放等会增加电池析锂风险，严重影响电池使用安全3。用户的用车习惯不同，使得电池实际使用工况不同，电池安全风险的累积也有所差异。分析动力电池实际使用工况，合理评估动力电池使用行为，可以为动力电池故障诊断提供支撑。目前，针对车载动力电池实车数据的相关研究主要是基于电池机理的内短路识别。利用电池系统机理建立适用于实车运行数据的内短路识别算法，可实现电池-49汽车技术张凡，等：数据驱动的车载动力电池使用行为分析故障早期预警。Cong4使用广义无量纲指标构造公式提取了电池内短路关键信号特征，并通过稀疏聚类方法检测异常信号，该方法在电池内短路发生早期即可识别并预警。Jiang5通过状态表征算法表征电池系统状态与当前监测数据的关系，从而识别异常数据。状态表征算法使用标准化的电池电压代替原始电压，使得异常状态表现更加显著，提高了对微短路的识别性能。基于机理的内短路识别对数据质量要求高，无法彻底排除由数据传输错误造成的数据异常，导致该类型方法的误报率较高。要排除此类数据异常，需要从系统级别分析电池全生命周期数据变化信息。为了解决非故障因素导致的数据异常，本文从系统级别分析电池全生命周期数据分布，基于隶属度函数评估电池使用行为，并通过电池组电压一致性对比分析，验证该方法的有效性。2电池使用行为分析电池使用行为分析流程如图1所示，包括数据输入、数据预处理、特征参数定义与计算、统计分析、评分计算5个部分。2.1数据预处理本文所用数据为某地区 4 辆同型号纯电动汽车2021年612月期间的使用数据，采集的参数如表1所示。数据预处理包含数据清洗、数据段划分。数据采集过程会受到各种因素干扰，导致数据出现异常，数据清洗过程需要对异常数据进行平滑处理，以提高数据质量。从原始数据中寻找数据的阶段性变化，需要对原始数据进行数据段划分。充电过程和放电过程数据段划分的标准有所区别。充电过程通常是连续的，每个数据段为一个完整的充电过程。放电过程随机性较强，通常不具有连续性，故每个放电数据段时长设为60 s。2.2特征参数定义与计算为了从全生命周期长度描述电池的使用行为、发现电池使用行为的统计规律，需要定义一系列与电池实际运行工况相关的特征参数。动力电池充、放电过程中环境变量和运行工况有显著区别。在充电过程中，汽车处于静止状态，电流、SOC与用户充电习惯高度相关；在放电过程中，汽车处于运动状态，其电流的变化情况与驾驶习惯高度相关，波动剧烈。因此，特征参数的定义需要分别考虑，本文定义的特征参数如表2所示。值得注意的是，充、放电状态下电压参数整体变化趋势均较缓慢，仅通过电压无法区别不同车辆的使用行为差异。因此，本文未选取电压描述电池使用行为特征。充电过程中，电流多为阶梯充电模式，需要统计不同充电电流在不同SOC区间的持续时间。放电模式下电动汽车状态变化频繁，包括加速、减速、匀速、停车，在电池端表现为电流变化剧烈。2.3使用行为统计分析方法为了从系统级别描述电池的使用行为，需要对特征参数进行重组、提炼、统计，得到关于电池系统使用行为的全局信息。电池使用行为的统计主要从放电行为、充电行为2个方面进行。对统计结果可视化分析得到车辆间使用习惯的差别，以此作为电池故障诊断的输入信息。电池放电过程以电流为变量间接描述车辆状态。动力电池功率状态为：P=UI=Fv（1）汽车动力学公式为：F=mdvdt（2）式（1）、式（2）联立可得电流与汽车加速度的关系：I=mvdvdt/U（3）表1采集的车辆状态参数序号12345数据字段电池组总电压电池组总电流荷电状态（SOC）电池单体电压电池单体温度数据精度0.1 V0.1 A1%1 mV1 表2电池使用行为特征参数充电过程电流SOC阶梯充电：电流大小阶梯充电：持续时间阶梯充电：起始SOC起始SOC终止SOC充电深度放电过程电流状态最大正向电流最小负向电流平均正向电流平均负向电流加/减速时间匀速/停车时间数据预处理统计分析车车比较单车分析评分计算数据输入数据清洗数据段分割特征参数定义与计算图1使用行为分析流程-502023年第3期式中，P、U、I分别为电池组的功率、电压、电流；F为汽车行驶驱动力；m为整车质量；v为汽车行驶瞬时速度；t为时间。由开路电压（Open Circuit Voltage，OCV）-SOC特性曲线可知，在极小SOC区间内电压变化可忽略不计，则有：dIdt=mU|dvdt2+dv2dt（4）通过电池运行工况的初步分类可以了解到该车辆整体驾驶习惯。由式（4）可知，电流的变化率与加速度的平方以及车速的二阶微分呈现正相关。当车辆处于停车状态或匀速行驶状态时，电流变化率应为0。考虑到车辆在停车状态下车内用电设备仍会产生电能消耗，故认为电流长时间（超过6个采样间隔）维持在04 A范围内时车辆处于停车状态。由式（3）、式（4）可知，车辆处于加速状态时，电流为正值，电流变化率为正值。同理，车辆处于减速状态时，电流为负值或在上一阶段处于平稳状态，当前阶段突然开始减小。即电流为负值时，识别为减速状态，在上一阶段判断为匀速行驶，当前阶段电流变化率开始为负，则识别为减速状态。电流维持在某一特定范围（4 A）时，识别为匀速行驶状态。使用箱型图法对电动汽车云端大数据平台的车辆驾驶信息进行统计分析，选取处于第50百分位的车辆作为分析对象。该车辆在驾驶使用周期内一半以上的时间处于停车状态。加速时间较减速时间稍多，而在非停车状态下匀速行驶状态持续时间最长，且该车辆大部分时间为短途驾驶。通过对电流数据聚类分析，能更加详细地描述电池输出工况的分布情况，本文使用K-Means聚类算法进行分析。对于给定的样本集，按照样本间距离大小实现最优划分，划分标准为：E=i=1kxCix-ui22（5）式中，E为最小化平方误差；k为样本簇数量；Ci为样本簇；x为样本值；ui为聚类质心。电流的标准采样间隔为10 s，以6个采样点（1 min）为单位区间对整体数据进行重新划分。在单位区间内提取与电流有关的参数：最大电流Imax、平均电流Imean、电流标准差SCurrent作为聚类算法的输入。图2展示了放电电流参数的聚类结果。平均电流和电流标准差分别表征了该单位区间内的平均功率和电流变化情况。该结果将电流工况分布情况分为若干类。通过对电流工况的K-Means聚类分析能全面获取该车辆在放电阶段的电流工况分布，并根据每个类别的数量分析其主要工况分布情况。电池充电SOC区间和充电电流直接反映了车辆的日常充电习惯，分析车辆长生命周期内的充电习惯，可以为电池故障诊断提供数据输入。研究表明，锂电池在充电电流和截止电压超过特定值后，容量衰退速度会显著加快6。相较于