电动汽车动力电池电压异常故障诊断方法*

张 晖 丰红霞 陈 枫 李少鹏 马 枫 范宸铭

（1. 武汉理工大学智能交通系统研究中心 武汉 430063；2. 武汉理工大学国家水运安全工程技术研究中心 武汉 430063）

0 引 言

随着化石能源枯竭威胁的日益迫近以及大气污染等环境问题逐渐恶化，发展以电动汽车为代表的新能源汽车成为世界各国的普遍共识[1-2]。截至2022年6月底，全国机动车保有量达4.06亿辆，其中汽车3.10 亿辆，新能源汽车1 001 万辆，占汽车总量的3.23%[3]。近年来，电动汽车着火事故的频发引发社会关注，分析事故原因发现，90%的着火事故问题在于动力电池这一核心部件[4-5]。

目前，国内外积极展开了电动汽车运行安全风险分析及预警技术研究，包括能耗和能量管理策略[6-7]、动力电池故障诊断[8-9]等。因此，在车辆运行过程中，及时、准确地识别和诊断故障是预防电池系统故障的关键，为实现车辆实时动态预警提供理论支撑，对提升车辆安全性具有重要意义。

电池系统的故障诊断过程包括4 个步骤：故障检测、故障分离、故障估计和容错控制[10]。锂离子电池系统故障诊断的流程图见图1。当电池系统发生故障时，传感器采集的电池运行数据将携带故障信息。因此，基于收集到的故障数据和建立的故障诊断策略，可以判断电池系统的运行状态，检测和隔离可能的故障类型。目前，故障诊断技术整合了计算机网络、数据库、控制理论、人工智能等技术，已经发展成1种新的跨学科技术[11-12]。

图1 电池系统故障诊断流程Fig.1 Battery System Fault Diagnosis Process

Liu等[13]针对串联电池组提出了1种基于模型的传感器故障检测与隔离方案，利用自适应扩展卡尔曼滤波估计各单元的状态，并通过比较估计电压值和实测电压值来生成残差信号，诊断电池系统的故障。Chen 等[14]搭建了一阶等效电路模型，基于仿真内阻引发的故障，利用龙伯格观测器生成残差，分别设计了一组学习观测器来估计孤立故障，一组降序的龙伯格观测器实现特定故障源的定位。Shang等[15]提出了1 种基于改进样本熵的电池早期故障预测及多故障诊断方法。Hong 等[16]使用改进的香农熵来实现电池电压异常故障诊断的方法。该方法实现了对故障的精确预测，可以准确地预测电池系统发生故障的时间和故障电池单体的精准定位。同时，Hong还基于Z分数法提出了电池电压故障的分级评价管理策略。Yao 等[17]提出了1 种基于电网搜索支持向量机(support vector machine,SVM)的电池系统智能故障诊断方法，可以识别潜在的故障状态并对故障的严重程度进行分类。Li等[18]结合长短期记忆神经网络(long short-term memory, LSTM)和等效电路模型(equivalent circuit method, ECM)提出了1种电池故障诊断方法，能够对潜在的故障风险进行评估。

迄今为止，许多研究表明电池系统中的电压异常可以导致各种电池故障[15,18-19]。典型的电压异常可归纳为过压异常、欠压异常等，由这些异常导致的相关电池故障见表1。

表1 动力电池电压异常和故障Tab.1 Battery voltage abnormality and faults

综上，动力电池的故障诊断技术得到了广泛研究，但鲜有将动力电池系统与驾驶行为结合考虑的情况，缺少在耦合驾驶行为等多维影响因素下电动汽车动力电池电压异常故障诊断方面的考量，这可能会降低故障诊断的准确性和实时性。因此，结合驾驶行为对电动汽车动力电池电压异常故障诊断影响的深入研究尤为重要。

本文旨在对电动汽车开展动力电池故障诊断分析，基于采集的电动汽车历史运行数据，构建电压异常故障诊断模型，制定故障报警阈值，实时诊断电动汽车动力电池系统电压异常故障，为电动汽车风险预警提供有力的理论支撑，保障电动汽车全生命周期安全运行。

1 实验数据采集与处理

1.1 自然驾驶数据采集

本研究的数据来源于武汉市20 辆纯电动出租车运行数据，数据的采集频率为1～100 Hz，采集的车辆信息包括：电池信息、驾驶行为信息（车速、加速度等），以及其他信息。

由于各数据字段的采样频率不一致，见表2，导致数据采集的时间存在毫秒级差异。因此，使用最邻近插值法（the nearest interpolation，TNI）对各相同频率下的参数进行数据对齐。最邻近插值法的核心思想是选取离目标点最近的点作为待插入的新值点，在该算法中，每1个输出值都是距离目标点最近的原始数据样本值。

表2 数据字段和对应采样频率Tab.2 Field and sampling frequency

1.2 数据预处理

采集的新能源汽车运行数据可能会出现波动频率较大、数据值超出合理范围，以及数据缺失等问题。

为了合理高效地分析数据，本研究利用分段线插值对缺失数据进行补全。

式中：Xk为数据指标的集合；k为数据指标的个数；n为特征指标的元素个数。

在完成了数据补全之后，使用离群点检测算法—中位数绝对偏差（median absolute deviation，MAD）[20]对数据进行清洗。

式中：为特征指标Xk的中位数，b是常数，本研究中b=1.482 6[20]。为了对观测数据中的异常值进行探测，需要计算每个观测值xnk的判定系数。

当判定系数D超过给定的阈值时则认定观测值xnk为异常数据。根据大量科学实验和工程实践表明，选择判定系数D=2.5 为阈值对异常数据进行剔除[20-21]。

使用上述方法对原始数据进行处理，数据处理结果见图2。

图2 单体电压数据处理结果Fig.2 Cell voltage data processing results

1.3 关联性分析

基于引言对动力电池故障诊断的研究可知，动力电池发生故障的主要原因是由于电压异常所导致的，为确定与电池单体电压相关的特征参数，利用皮尔逊相关系数进行相关性分析，见式（4）。本次分析的动力电池参数包括：电池单体电压、总电流、电池SOC、探针温度；驾驶行为表征参数包括：车速、加速度、加速踏板行程、制动踏板行程；此外，为了考虑周边环境对电动汽车造成的影响，本次分析还提取环境温度数据进行计算。

式中：ρ为总体相关系数。cov(X,Y)为X和Y的协方差；σX和σY分别为X和Y的标准差。ρX,Y的值越接近1，表示2 组数据的相关性越强。2 个参数之间的相关性可通过绝对相关系数值进行评估，范围为0.8～1.0，0.6～0.8，0.4～0.6，0.2～0.4，0～0.2，表示极强、强、中等、弱、极弱的相关性。计算结果见表3。

表3 关联性分析结果Tab.3 Correlation analysis results

由表3 可见：电池SOC 与电池单体电压极强相关，相关系数为0.851，加速踏板行程值、总电流、车速与电池单体电压强相关，相关系数分别为0.712，0.686，0.603。其他参数与电池单体电压相关性较弱。

根据关联性分析结果，最终确定了与电池单体电压相关的特征指标为：加速踏板行程值、车速、电池SOC、总电流。

2 电压异常故障诊断模型与方法

本文实验中使用的电动汽车的单体电池数为96个，电池单体依次串联连接。

本文利用LSTM 结合平均差异模型（mean difference model，MDM）搭建电池平均电压预测模型，表征96个电池单体的电压。

2.1 平均差异模型

为了诊断动力电池系统中的电压异常，需要准确地定位出电动汽车动力电池系统发生电压异常故障时的电池单体。

本文实验的电动车辆共有96个电池单体，由于单独训练和构建96个模型会花费大量时间，而且在未来的实时电压预测中一次性调用如此多的模型将显著削弱预测效率。针对这一问题，使用MDM 对电池单体电压的预测进行优化。

MDM 已经在之前的工作中进行了研究[22-23]，其基本原理是将串联的电池组作为“平均单体电池”，并根据电池单体之间的相似性，计算“平均单体电池”与电池单体之间的SOC、温度、电压等电池状态的差异。

基于MDM 理论，计算电池组电压的平均值Uavg，形成1 组新的电池平均电压数据，Uavg=电池组电压/n，其中n为单体电池个数，本文n=96。

本文某正常车辆运行的210 s电压数据（单体电压、电池组平均电压）变化见图3。由图3 可见：2 类电压的数据变化规律仍然保持一致。即可以通过电池平均电压去表征电池单体的数据变化。

图3 单体电压、电池组平均电压的数据变化Fig.3 Data changes of battery pack voltage,cell voltage,and average battery voltage

2.2 平均电压预测模型

在LSTM 模型的训练过程中需要设置和优化许多参数，主要包括时间步长（time stamp，TS）、学习率（learning rate，LR）、批处理大小（batch size，BS）、LSTM/全 连 接 神 经 元 个 数（LSTM_units/dense_units）、LSTM/全 连 接 神 经 网 络 层 数（LSTM_layers/ dense_layers）、随机失活因子（dropout factor）、训练次数（epochs）。

本文利用MSE 作为评价指标，以每2 个超参数为1 组，使用逼近优化方法（approaching optimization method，AOM）结合网格搜索（grid search，GS）算法进行迭代优化[18]，见图4。

图4 超参数优化流程图Fig.4 Hyperparameter optimization flowchart

利用超参数优化步骤，最终确定了训练样本中的最小MSE=5.42×10-5，对应的超参数见表4。

表4 超参数数值Tab.4 Hyperparameter values

为了进一步验证模型对电池平均电压预测的准确性，以正常运行车辆A、B 运行数据进行验证，数据时长分别为：20：51：41—23：59：49，06：12：24—09：32：35，将此段时间的加速踏板值、车速、电池组电压、电池SOC、总电流作为预测模型的输入，进行数据训练和电压预测，对预测的电池组电压取平均，得到平均电压预测值，预测结果见图5，正常车辆A和B 的真实值与预测值之间的误差分别为MSE车辆2=5.79×10-5，MSE车辆3=6.01×10-5；MRE车辆2=MRE车辆3=0.15%。

图5 电池平均电压预测结果Fig.5 Average battery voltage prediction results

而文献[18]和文献[19]使用LSTM+等效电路模型（equivalent circuit model，ECM）、LSTM 模型对电池组平均电压的误差分别为MSE=1.369×10-3，MSEavg=0.3821×10-3（该文献对不同季节的平均电压分别预测，这里取的是该文献的平均MSE值，各个季度的MSE值见表5），同时，本文还使用了RNN+MDM的算法对平均电压进行预测，其误差为MSE=5.973×10-4，见表5。由表5 可见：本文所提出的LSTM+MDM 平均电压预测模型的MSE基本低于先前的研究方法，这说明本文搭建的预测模型比其他方法具有更良好的预测性能，可以作为电压异常的阈值判定指标。

表5 电池平均电压预测精度对比Tab.5 Comparison of average battery voltage prediction accuracy

3 动力电池电压异常故障诊断

3.1 故障诊断阈值设定

以往研究依据车企设定的电压故障报警阈值实现动力电池故障诊断，但存在以下问题：各车企对不同车辆类型、不同电池类型的电动汽车自行定义故障报警阈值，阈值设定标准无法统一，导致车辆的故障报警信息存在遗漏或误判，故障报警不准确；再者，对于电池单体的故障报警只存有当前时刻的故障信息，并没有对发生故障的电池单体进行定位，故障信息不精细。

为了在电动汽车运行过程中，实现电池电压异常故障精准诊断，本文利用车辆正常运行数据训练LSTM+MDM模型输出电池组电压预测值以及平均单体电压预测值，并基于统计学方法，设定不同的故障等级和对应的电压差阈值实现实时精确的故障诊断。

之后，计算了预测的平均电压与实际单体电压的差值Vpre_cell_dif，绘制出电压差的直方图和概率密度曲线，见如图6。

图6 单体电压差Vpre_cell_dif 直方图及概率密度曲线Fig.6 Cell voltage difference Vpre_cell_dif histogram and probability density curve

使用KS-检验（Kolmogorov-Smirnov test）方法检验数据是否服从正态分布。结果表明：Vpre_cell_dif的pvalue=0.93 ＞0.05，接受原假设，即Vpre_cell_dif服从正态分布，其置信区间和最大值见表6。

表6 电压差数值分析Tab.6 Numerical Analysis of Voltage Difference单位：V

由于本次电压预测训练的数据均为正常数据，对于电压异常的故障诊断，考虑到传感器和预测误差对阈值设定带来的影响，根据正态分布结果以及数据分布具有对称性，本文以实际电压与预测电压差值为基准，设定电池单体预测电压差值Ucell_minus=±0.06 V作为电压异常的一级故障报警阈值，当预测的电池组、电池单体电压与真实值差值大于所设定阈值时，即认为电池存在电压异常故障。

参考文献[18]，制定了如表7所示的电池电压异常阈值表，其中，Utcell_minus为t时刻电池单体的电压差值。从表中可以看出，欠压故障和过压故障分为3个故障报警等级，一级报警是1种相对安全的状态，但需要及时干预，避免潜在的故障。二级报警是指动力电池处于危险状态，需要停车仔细检查。当触发三级报警时，驾驶员需要停车并立即下车。一级和二级报警用于评估潜在故障风险，三级报警用于热失控发生的早期风险预警。

表7 电压异常故障报警等级和阈值Tab.7 Voltage abnormality fault alarm level and threshold

根据上表和本文搭建的故障诊断模型，可以实时诊断动力电池电压异常故障，具体步骤如下。

1）对于实际运行车辆，利用电压预测模型训练时间步长为t-1 的电池总电压Upack，对下一时刻t的电压进行预测，得到预测结果；

2）将取平均得到“平均电池单体”电压预测值其中n为单体电池个数；

3）比较t时刻的电压预测值Ût_cell与单体电压真实值Ut_cell的差值是否超过设定的阈值，实现动力电池电压异常故障实时诊断和电池单体故障定位。

3.2 过压异常故障诊断

针对过压异常故障，在所采集的实验车辆中，提取了故障车辆A 在2022 年2 月13 日09：26：40—09：43：20时间片段下的运行数据，车辆在09：36：51时刻发生了1 次单体电池过压异常报警，查看电池单体电压数据发现，电池单体24在该时刻电压升至4.053 V，高出其他电池单体电压约0.1 V，见图7。

图7 过压异常单体和对应电压Fig.7 OvervoltageAbnormal Cell and Corresponding Voltage

使用本文搭建的LSTM-MDM 模型对该片段下的电压数据进行故障诊断，诊断结果见图8。由图8可见：在09：34：12 时刻，电池单体真实值和预测值的电压差值达到0.067 V，对应的电池单体编号为24，处在本文所定义的过压一级故障阈值范围内，此时，车辆并未发生相应的过压故障报警，在151 s后，即09：36：51时刻，电池单体真实值和预测值的电压差值达到0.177 V，对应的电池单体编号为24，处在本文所定义的过压二级故障阈值范围内，且电池系统也发生了对应的过压故障报警。

图8 故障车辆A过压异常实时故障诊断和故障单体精准定位Fig.8 Real-time fault diagnosis of vehicle 4 overvoltage abnormality and precise location of faulty cell

3.3 欠压异常故障诊断

针对欠压异常故障，在所采集的实验车辆中，提取了故障车辆B 在2022 年2 月14 日18：05：00—18：21：40时间片段下的运行数据，车辆在18：13：21时刻发生了1 次单体电池欠压异常报警，查看电池单体电压数据发现，电池单体33在该时刻电压降至3.575 V，均低出其他电池单体电压约0.1 V，见图9。

图9 欠压异常单体和对应电压Fig.9 Undervoltage abnormal cell and corresponding voltage

使用本文搭建的LSTM-MDM 模型对该片段下的电压数据进行故障诊断，诊断结果见图10。由图10 可见：在18：09：40 时刻，电池单体真实值和预测值的电压差值达到-0.067 V，对应的电池单体编号为33，处在本文所定义的欠压一级故障阈值范围内，此时，车辆并未发生相应的欠压故障报警，在221 s后，即18：13：21 时刻，电池单体真实值和预测值的电压差值达到-0.184 V，对应的电池单体编号为33，处在本文所定义的过压三级故障阈值范围内，且电池系统也发生了对应的欠压故障报警。

图10 故障车辆B欠压异常实时故障诊断和故障单体精准定位Fig.10 Real-time fault diagnosis of vehicle 5 undervoltage abnormality and precise location of faulty cell

从对2种电压异常故障报警的实时诊断结果中可见：本文所搭建的动力电池电压异常故障诊断模型可以实时诊断电池电压异常故障，至少提前2 min发觉电池单体电压的异常变化，并且能精确定位单体电池故障单元。之后，统计了故障车辆A 和B 运行过程中发生的电压异常故障次数，共计发生了22次电压异常故障，基于本文的模型检测出其中的20次故障，故障诊断的准确率为90.91%，其中过压异常故障发生了12 次、检测出11 次，诊断准确率91.76%，欠压异常故障发生10 次、检测出9 次，诊断准确率90.00%。故障诊断结果见表8～9。由表8～9 可见：本文所提出的故障诊断模型至少能在150 s前检测出故障电池单体的异常变化，体现出模型具有良好的实时性和精准性。

表8 过压报警诊断结果Tab.8 Overvoltage fault diagnosis result

表9 欠压报警诊断结果Tab.9 Undervoltage fault diagnosis result

4 结束语

本文通过采集20 台纯电动出租车的历史运行数据，提取与电池单体电压相关的特征指标，基于LSTM神经网络模型并结合MDM理论，实现了动力电池平均电压的预测，该电压能反映电池单体的变化差异，根据该电压的预测结果，计算预测值与真实值之间的电压差值，并根据电压差值结合统计学方法设定了电池单体电压异常的故障报警等级以及对应的电压差阈值，实现了动力电池电压异常提前检测、故障实时诊断和电池单体故障精确定位，基于实际电压异常数据验证了故障诊断方法的实时性和准确性，至少能在150 s前检测出故障电池单体的异常变化，故障诊断准确率达到90.91%，为电动汽车全生命周期安全运行以及故障诊断和预警提供了模型基础和管理策略。

但是，本研究在动力电池电压差异常阈值设定及故障深入分析等方面存在一定的不足。一方面，由于数据量限制，无法覆盖车辆运行的全生命周期，因此需要采集更多的车辆运行数据进一步提升模型的诊断准确性，使设定的故障报警阈值更具有普适性，实现更精准的故障诊断和故障定位。另一方面，车辆处于不同的交通流状态对电池系统故障报警的发生也存在影响，融合考虑更多源的数据进行电池电压的预测和异常故障诊断，能够为电动汽车全生命周期的安全运行提供更有力的理论支撑。