摘要
锂离子电池以其高效率、高能量密度和长寿命等明显优势，在电动汽车动力源领域得到广泛应用。然而，由于电池系统结构复杂、运行工况多变，单体电池不一致性问题突出，可能导致工作中出现故障，严重情况下甚至会引发汽车安全事故。因此，亟需解决电动汽车不一致性故障诊断和提前安全预警问题。单体电池的电压信号对故障具有高敏感反应能力、较强的非平稳性和易获得性，能够快速准确捕捉到电池存在的故障。因此，本文围绕着如何检测和预警电池不一致性故障问题展开研究，并以单体电池的电压信号为对象进行了相关方法的探究。具体工作如下： （1）本文通过对动力锂电池组的工作原理、性能参数和成组方式这三个方面进行分析电池单体不一致性影响因素与表征参数。其中单体电池的容量、开路电压、内阻和自放电的不一致也是产生电池组不一致性的主要体现。此外，这些参数特性的变化会反过来加剧电池组的不一致性，造成电池组的失效。通过上述详细分析，结果表明将电池电压信号作为电池组不一致性故障检测的研究对象具有较强的可行性。 （2）针对电动汽车的电池数据量庞大这一问题，而电池数据中又包含某些难以捕捉的潜在、微小故障信息。因此，为了提高电动汽车动力锂电池系统的安全可靠性，本文提出基于深度置信网络的不一致性故障检测算法。凭借深度置信网络在特征提取与模式识别方面的独特优势，对最原始的电池电压信号进行有监督和无监督相结合进行不一致性故障检测。最后，将该算法应用于故障实车数据上验证了其在不一致性故障检测和安全预警上的可行性和有效性。 （3）针对深度置信网络算法的隐层神经元个数对不一致性检测准确度影响较大这一问题，提出一种基于烟花算法的深度置信网络不一致性检测模型优化方法。首先，将采集到的原始电压数据作为深度置信网络的输入信号，利用烟花算法优化隐层受限玻尔兹曼机的神经元个数。最后，依次输出所有单体电池的故障概率，实现更加准确定位故障单体电池和延长安全预警时间，完成基于FWA-DBN (Fireworks Algorithm-Deep Belief Network)模型的电动汽车单体电池不一致性故障检测。
NETL