一种动力电池的安全风险评估方法

本发明属于电池，涉及一种动力电池的安全风险评估方法。

背景技术：

1、目前，随着低碳化进程加快，电池包作为核心部件广泛应用于新能源汽车、储能电站和军工机械等电气化设备中。电池包本身涉及复杂的电化学反应，且易受到外界环境的干扰，存在较大的安全风险。因此，实时监控电池包的安全风险，确保及时的检修维护，是确保电气化设备运行安全的关键。

2、如公开号为cn116760150a的现有技术提出了一种蓄电池单体故障容错运行方法及装置，该方法包括实时采集蓄电池单体的电压、温度、蓄电池组两端电压、电流数据；通过蓄电池单体电压、温度、蓄电池组两端电压、电流数据分析故障单体位置和故障类型；基于故障单体位置和故障类型确定对应的容错运行策略。

3、然而，现有的安全风险评估技术，以及上述现有技术在分析故障时存在阈值无法自适应、未考虑电池包正常运行时的不一致性和不适用于复杂多变的实际工况等问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种动力电池的安全风险评估方法。

2、为达到上述目的，本发明提供如下技术方案：

3、一种动力电池的安全风险评估方法，该方法包括以下步骤：

4、s1：收集电气化设备电池包的运行数据，以及电池包中各个单体的单体运行数据，并建立电池运行数据库；

5、s2：根据所收集到的电池数据，利用相关性系数法筛选出与单体电压相关的高相关性特征；

6、s3：构建自适应阈值模型，并根据筛选出的与单体电压相关的高相关性特征对自适应阈值模型进行训练；

7、s4：采集动力电池的实时运行数据输入训练完成的自适应阈值模型，得到基于单体电压的置信区间，并计算实时平均单体电压置信区间的电压差的累计和，并将其视作“累积风险”；

8、s5：构建安全风险评价函数，将得到的不同置信度的置信区间作为安全风险评价函数的自适应阈值，并将“累积风险”作为安全风险函数的输入，计算得到该电池单体当前的安全风险。

9、进一步，在步骤s1中，电池包的运行数据主要为电池运行参数，电池运行参数至少包括：时间、电流、电压、温度以及绝缘电阻；电池包中的单体运行数据至少包括：所有单体的单体电压以及所有探针的探针温度。

10、进一步，在步骤s2中，包括以下步骤：

11、s21：初步筛选出和单体电压理论上相关的数据作为理论相关特征，其中，理论相关特征至少包括：总电流、电池包电压、平均单体电压、soc、电池包温度、内阻、soh、放电倍率；

12、s22：利用皮尔森相关性系数法或灰度相关性系数法筛选出与单体电压相关的高相关性特征，其中，高相关性特征是指相关性系数大于预设阈值的理论相关特征。

13、进一步，在步骤s3中，采用概率回归算法作为目标机器学习算法，基于筛选出的高相关性特征和单体电压数据，利用概率回归算法建立自适应阈值模型。

14、进一步，概念回归算法能够采用概率神经网络作为目标机器学习算法，概率神经网络连接于全连接神经网络，通过设置权重和方差为全连接神经网络的输出提供概率分布，包括以下过程：

15、输入为x、权重为ω、输出为y的全连接神经网络表示为：

16、y＝f(x,ω)+ε

17、其中，ε是服从某种分布的噪声，表示模型无法捕捉的不确定性；

18、根据引入权重参数ω的先验分布p(ω)，基于贝叶斯定理，后验分布表示为：

19、p(ω|y)＝p(y|ω)*p(ω)/p(y)

20、其中，p(ω|y)是似然函数，表示在给定权重ω的情况下观测数据y的概率，p(y)是边缘似然；

21、引入一个变分分布q(ω)来近似真实的后验分布p(ω|y)，通过最小化变分散度使q(ω)和p(ω|y)接近：

22、

23、根据近似后验分布q(ω)计算预测值的标准差或置信区间，输出的置信区间的表达式如下：

24、

25、其中，表示概率神经网络输出的均值，表示概率神经网络输出的方差，z表示置信区间的置信度。

26、进一步，概念回归算法还能够采用高斯过程回归或相关向量机回归。

27、进一步，在步骤s4中，自适应阈值模型输出的置信区间能够采用80％-99％的置信区间。

28、进一步，在步骤s5中，能够根据安全和风险的关系，将电池的安全函数定义为电池故障风险的倒数，即：

29、

30、其中，fsafety和frisk分别表示电池的安全函数和发生故障的风险函数，x用于描述电池不同维度的电池行为；

31、设定电池的安全风险的变化范围为0到1，当电池安全风险无限大即发生热失控时，其安全性为0；当电池无故障发生处于安全状态时，其安全性为1；则安全风险函数转换为：

32、

33、其中，g(x)是描述电池故障的函数，其被定义为不小于0，并且具有以下关系：

34、表示电池发生热失控

35、表示没有故障发生

36、预先设置电池包退役的寿命终止点s∈(0,1)，当fsafety等于寿命终止点时认为发生严重故障。

37、进一步，在步骤s5中，还可通过柯西分布构建安全风险评价函数，其公式如下：

38、

39、其中，h(x)是描述电池故障的函数，其被定义为不小于0，α和β是用于控制安全风险改变的常数；

40、设电池的安全风险的变化范围为0到1，电池包退役的寿命终止点s∈(0,1)，即当安全风险评价函数fsafety(x)≤s时，认为电池包发生严重故障，则，α和β通过如下关系求解：

41、

42、

43、得到：

44、β＝h(x1)

45、

46、其中，h(x1)和h(x0.8)表示无故障和严重故障时刻的阈值；选择计算得到的“累积风险”为输入x，最终，电池的安全分数表示为：

47、

48、其中，当score(x)＝1，表示电池处于安全状态；当s＜score(x)＜1，表示电池发生了一般故障；当score(x)＜＝s，表示电池发生了严重故障。

49、本发明的有益效果在于：

50、通过本发明可以有效实现对电池包中各个单体的安全风险的实时评估。并且，本发明采用自适应阈值方法，使故障阈值可以根据车辆的实际运行工况的改变而自适应。相比于传统的固定阈值方法，对于复杂的实车场景有更好的适用性和实用性。

51、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

技术特征：

1.一种动力电池的安全风险评估方法，其特征在于：所述方法包括以下步骤：

2.根据权利要求1所述的一种动力电池的安全风险评估方法，其特征在于：在步骤s1中，所述电池包的运行数据主要为电池运行参数，电池运行参数至少包括：时间、电流、电压、温度以及绝缘电阻；所述电池包中的单体运行数据至少包括：所有单体的单体电压以及所有探针的探针温度。

3.根据权利要求1所述的一种动力电池的安全风险评估方法，其特征在于：在步骤s2中，包括以下步骤：

4.根据权利要求1所述的一种动力电池的安全风险评估方法，其特征在于：在步骤s3中，采用概率回归算法作为目标机器学习算法，基于筛选出的高相关性特征和单体电压数据，利用概率回归算法建立自适应阈值模型。

5.根据权利要求4所述的一种动力电池的安全风险评估方法，其特征在于：所述概念回归算法能够采用概率神经网络作为目标机器学习算法，概率神经网络连接于全连接神经网络，通过设置权重和方差为全连接神经网络的输出提供概率分布，包括以下过程：

6.根据权利要求4所述的一种动力电池的安全风险评估方法，其特征在于：所述概念回归算法能够采用高斯过程回归或相关向量机回归。

7.根据权利要求1所述的一种动力电池的安全风险评估方法，其特征在于：在步骤s4中，所述自适应阈值模型输出的置信区间能够采用80％-99％的置信区间。

8.根据权利要求1所述的一种动力电池的安全风险评估方法，其特征在于：在步骤s5中，能够根据安全和风险的关系，将电池的安全函数定义为电池故障风险的倒数，即：

技术总结本发明涉及一种动力电池的安全风险评估方法，属于电池技术领域。该方法包括：收集电气化设备电池包的运行数据，以及电池包中各个单体的单体运行数据，并建立电池运行数据库；根据所收集到的电池数据，利用相关性系数法筛选出与单体电压相关的高相关性特征；构建自适应阈值模型，并根据筛选出的与单体电压相关的高相关性特征对自适应阈值模型进行训练；采集动力电池的实时运行数据输入训练完成的自适应阈值模型，得到基于单体电压的置信区间，并计算实时平均单体电压置信区间的电压差的累计和；构建安全风险评价函数，并将电压差的累计和作为安全风险函数的输入，计算得到该电池单体当前的安全风险。本发明可对各个单体的安全风险进行实时评估。技术研发人员：胡晓松,李劲文,邓忠伟,刘弘奥,李佳承,谢翌,张凯受保护的技术使用者：重庆大学技术研发日：技术公布日：2024/8/20