電動汽車動力電池安全風險評估研究

張晨佳，龐松嶺，張璐璐

（1.海南電網有限責任公司電力科學研究院，海口 570100； 2.熱帶海島智能電網實驗室，海口 570100；3.海南電網有限責任公司，海口 572000）

引言

對動力汽車動力電池的健康狀態進行安全風險評估，可以有效保障電動汽車安全。在對動力電池的安全風險評估上，由于在評估精度不理想、評估效果不好等，導致汽車安全難以達到保障[1]。電動汽車的電池安全風險評估，與其他的評估對象不同，需要通過外部分析，并結合數學方法進行分析，目前主要的安全風險評估方法中，主要有電化學模型、等效電路模型、數據驅動方法等幾種，但在實現電動汽車動力電池的實時評估上，依然存在一定的不足，并且容易有建模難度較大，魯棒性較差，導致評估過程出現誤判等。

在電動汽車動力電池壽命周期內安全風險評估方法的研究上，目前主要有以下幾種，文獻[2]在基于改進TCN 模型基礎上，評估汽車的動力電池健康狀態，達到在不用考慮電動汽車的電池內部化學反應情況下，對電動汽車動力電池進行評估。文獻[3]提出基于數據仿真模型，分析電池內阻等健康參數，同時引入貝葉斯極限學習，對電池的荷電狀態進行分析評估。文獻[4]使用 GRURNN 模型結構，建立電池樣本數據集，使用電池樣本數據集，達到對電動汽車動力電池壽命周期內的安全風險評估。本文在這些研究之上，將電池電壓偏差納入考慮，分段計算電池電壓均方差，更準確地評估動力電池的狀態和安全風險。通過一致性辨識模型確定安全風險因素權重，避免主觀判斷和不確定性帶來的評估誤差，提高評估結果的可靠性和準確性。借助TCN 結構作為評估的基礎框架，將電池電壓均方差代入目標層，綜合考慮各項安全風險因素，實現電動汽車動力電池的梯次綜合安全風險評估。

1 電動汽車動力電池壽命周期內安全風險評估方法

1.1 基于電壓偏差計算動力電池電壓均方差

為了達到對動力電池的安全風險有效評估，在基于電壓偏差下，計算動力電池電壓均方差。利用電壓偏差特性，將動力電池電壓曲線分為低荷電狀態、中荷電狀態、高荷電狀態，在分段情況下，計算動力電池平均電壓v，公式表示為：

式中：

n—動力電池電芯數量；

i—動力電池數量；

vi,t—i個動力電池在t時刻的電壓參數。

根據動力電池電壓協方差，計算電壓均方差σ，得到的公式為：

式中：

k—時間段的數量；

c—分段的動力電池電壓協方差。

對低荷電狀態、中荷電狀態、高荷電狀態三個電荷狀態，分別進行計算，得到三個電荷狀態下的電壓均方差。

通過測量電動汽車動力電池的電壓偏差，計算得出電壓的均方差。這個指標可以量化電池電壓的離散程度和變異性，電壓均方差越大，表示電池的電壓不穩定性越高，存在安全風險概率越大。

1.2 基于一致性辨識模型確定安全風險因素權重

基于一致性辨識模型，確定其安全風險模糊權重。建立電動汽車的安全風險評估結構，目標層為動力電池電壓風險分析，動力電池充放電風險分析為準則層，指標層為風險程度[5-6]。提取動力電池電壓均方差σ，并代入安全評估矩陣的目標層，以此建立一致性辨識矩陣，計算單層次的權重，公式為：

式中：

—風險矩陣i 行j 列元素；

—風險矩陣i 行j 列元素隸屬度；

—風險矩陣中各元素對于風險評估的貢獻程度。

以此建立可能度p，公式為：

式中：

o—因素模糊數；

t—風險評分可能性；

g—評分參數。

從而得到一致性辨識模型，電動汽車電壓風險可能度為：

式中：

δ—電壓分配參數。

從而得到一致性辨識判斷矩陣，并以此得到安全風險因素權重為：

式中：

β—風險排序向量，得到?為最終安全風險因素權重，用于計算安全風險模糊權重和綜合偏離度，以實現對電動汽車動力電池的梯次綜合安全評估。

1.3 電動汽車動力電池梯次綜合安全風險評估

使用安全風險模糊權重，通過安全風險因素權重?計算各個指標或評估維度的風險程度,對電動汽車動力電池進行綜合性評估。使用AHP 層次分析法，對電動汽車的動力電池一致性方面進行綜合性評估[7]，評估流程如圖1 所示。

圖1 綜合安全評估流程

通過挖掘數據特征與風險之間的關系，形成膨脹卷積網絡結構，其結構示意圖如圖2 所示[8,9]。

圖2 膨脹因果卷積網絡

對風險維度進行調整，以TCN 結構作為評估的基礎框架，對健康因子進行提取，TCN 結構如圖3 所示。

圖3 TCN 結構

根據結構計算安全風險模糊權重，將安全風險評估指標進行對比，得到綜合偏離度，公式為：

式中：

e—安全風險的負荷參數值；

y—安全風險的電壓參數值。

根據提取的健康因子，設置安全風險等級以及對應的狀態，如表1 所示。

表1 風險等級劃分

根據劃分的風險等級，在TCN 模型的因果關系下抓取[10]，對電池狀態進行計算與匹配，得到電動汽車動力電池的梯次綜合安全評估結果。

2 實驗與分析

為了驗證所設計方法對于電動汽車動力電池的安全風險評估效果，進行實驗。

2.1 實驗裝置

使用最大壓力為2 000 N 的XYY-QD500 型電子萬能試驗機進行靜態壓痕實驗，壓頭類型為半球頭，通過Opus BT-C3100 V2.2 數字電池容量測試儀對電池的電壓進行監控。同時，使用320×240 像素的FLIR E75 型紅外熱像儀來監控電池的溫度變化，以達到對動力電池安全風險狀態的實時監控。

電壓監控參數：采樣頻率為每秒鐘采集一次；最大電壓設置為5 V。

紅外熱像儀參數：像素分辨率為320×240 像素；測量范圍為（-20 ～150）℃；每30 s 拍攝一次熱像圖像。

2.2 實驗數據

使用Arbin 電池測試儀，對動力電池數據進行測量，進行記錄，電池尺寸為65 mm*28 mm、電池陰極為LiCoO2、標稱容量為1 100 mAh、放電溫度為（-20 ～50）℃、充電溫度為（0 ～50）℃，充電電壓為4.2 V。選擇30 個電動汽車的動力電池進行實驗，進行編號，依次為Dc10- Dc40。

在0.75 A 的恒流模式下進行充電，當電壓為4.2 V 時，選擇40 個電動汽車的動力電池進行實驗，電池的實驗信息如表2 所示。

表2 實驗動力電池信息

電動汽車的動力電池，在0.75 A 的恒流模式下進行充電，當電壓為4.2 V 時，進行第二階段的充電模擬。

2.3 動力電池健康因子的選取

選擇恒壓充電過程中，動力電池電壓從2.5 V 上升至3.7 V 時間作為第一階段，記為A1；動力電池電壓從3.7 V 下降至2.5 V 時間作為第二階段，記為A2；動力電池電壓從2.5 V 回升后階段作為第三階段，記為A3，以此選擇動力電池健康因子參數，對動力電池風險程度加以評估。

動力電池健康因子的選取過程如圖4 所示。

圖4 動力電池健康因子選取過程

根據圖4 結果，使用皮爾森相關系數，對評估因子進行驗證，驗證公式如下所示：

式中：

—第i 次循環的電池風險；

—第i 次循環的動力電池健康因子。

將選擇的動力電池健康因子進行代入，得到系數，如表3 所示。

表3 動力電池健康因子相關系數

從表3 中可以看出，選取的動力電池健康因子，其皮爾森相關系數均在[-1，1]之間，并且絕對值均在0.8以上，說明選擇的動力電池健康因子具有可行性，可用作此實驗的評估。

選取的動力電池健康因子，其皮爾森相關系數均在[-1，1]之間，說明選擇的動力電池健康因子具有可行性，可用作此實驗的評估。

2.4 實驗指標

實驗選擇絕對誤差、評估均方根誤差、評估平均誤差對評估的精度進行評價，其公式如下：

評估絕對誤差；

評估均方根誤差：

評估平均誤差：

式中：

a—評估次數；

—評估值。

2.5 評估結果分析

使用本文設計方法，以及其他兩種方法進行實驗，可以對于四組電動汽車的動力電池進行安全分析評估后，得到評估結果的絕對誤差圖像，如圖5 所示。

圖5 評估結果絕對誤差

圖5 中可以看出，使用本文設計方法，在進行安全分析評估后，得到的絕對誤差幾乎趨近與0，說明其評估的絕對誤差相對較小。

三種方法下，對四組電動汽車的動力電池評估的評估均方根誤差與評估平均誤差對評估進行統計，情況如表4 所示。

表4 不同方法下的均方根誤差與平均誤差統計

從表4 中可以看出，相對比其他兩種方法，本文設計的方法，安全風險評估的均方根誤差相對較小，平均達到了0.012，安全風險評估的絕對平均誤差相對也較小，平均達到了0.007。綜合三類評估誤差指標，可以看出，本文設計的方法，在安全風險評估上，其精度較高。其主要原因在于，在基于電壓偏差下，將動力電池負荷分為低荷電狀態、中荷電狀態、高荷電狀態，分段計算其電池電壓均方差，減少了其他因素對評估的影響。該方法可適用于電動汽車動力電池壽命周期內安全風險評估。

3 結束語

本文對電動汽車動力電池壽命周期內安全風險評估進行研究，經實驗得出以下結論：

1）通過使用本文設計的方法進行動力電池安全分析評估，評估結果的絕對誤差相對較小，說明評估準確性較高。

2）本文設計方法在均方根誤差和平均誤差相對較小，說明評估精度較高。

3）本文設計的方法利用了動力電池在不同荷電狀態下的電壓偏差分析，減少了其他因素對評估結果的影響。

在未來的研究中，可以引入更多的指標或因素，探索不同的評估模型或算法，進一步改進動力電池綜合安全評估方法，以提高評估的準確性和全面性，適應不同類型的動力電池系統和實際應用場景。