數據驅動的車載動力電池使用行為分析*

張凡 邢子軒 武明虎 韋紹遠 高洋

（1.湖北工業大學，武漢 430068；2.新能源及電網裝備安全監測湖北省工程研究中心，武漢 430068；3.欣旺達電子股份有限公司，深圳 518108）

主題詞：動力電池 充電習慣 駕駛習慣 隸屬度函數

1 前言

鋰離子電池因其高能量密度、長使用壽命等特點而廣泛應用于新能源汽車[1]。電池的健康狀態（State Of Health，SOH）和安全風險除與電池品質、制造工藝等有關[2]，還與電池的使用行為相關。動力電池的不良使用行為，如大倍率充放電、過充、過放等會增加電池析鋰風險，嚴重影響電池使用安全[3]。用戶的用車習慣不同，使得電池實際使用工況不同，電池安全風險的累積也有所差異。分析動力電池實際使用工況，合理評估動力電池使用行為，可以為動力電池故障診斷提供支撐。

目前，針對車載動力電池實車數據的相關研究主要是基于電池機理的內短路識別。利用電池系統機理建立適用于實車運行數據的內短路識別算法，可實現電池故障早期預警。Cong[4]使用廣義無量綱指標構造公式提取了電池內短路關鍵信號特征，并通過稀疏聚類方法檢測異常信號，該方法在電池內短路發生早期即可識別并預警。Jiang[5]通過狀態表征算法表征電池系統狀態與當前監測數據的關系，從而識別異常數據。狀態表征算法使用標準化的電池電壓代替原始電壓，使得異常狀態表現更加顯著，提高了對微短路的識別性能。基于機理的內短路識別對數據質量要求高，無法徹底排除由數據傳輸錯誤造成的數據異常，導致該類型方法的誤報率較高。要排除此類數據異常，需要從系統級別分析電池全生命周期數據變化信息。

為了解決非故障因素導致的數據異常，本文從系統級別分析電池全生命周期數據分布，基于隸屬度函數評估電池使用行為，并通過電池組電壓一致性對比分析，驗證該方法的有效性。

2 電池使用行為分析

電池使用行為分析流程如圖1 所示，包括數據輸入、數據預處理、特征參數定義與計算、統計分析、評分計算5個部分。

圖1 使用行為分析流程

2.1 數據預處理

本文所用數據為某地區4 輛同型號純電動汽車2021 年6～12 月期間的使用數據，采集的參數如表1 所示。

表1 采集的車輛狀態參數

數據預處理包含數據清洗、數據段劃分。數據采集過程會受到各種因素干擾，導致數據出現異常，數據清洗過程需要對異常數據進行平滑處理，以提高數據質量。從原始數據中尋找數據的階段性變化，需要對原始數據進行數據段劃分。充電過程和放電過程數據段劃分的標準有所區別。充電過程通常是連續的，每個數據段為一個完整的充電過程。放電過程隨機性較強，通常不具有連續性，故每個放電數據段時長設為60 s。

2.2 特征參數定義與計算

為了從全生命周期長度描述電池的使用行為、發現電池使用行為的統計規律，需要定義一系列與電池實際運行工況相關的特征參數。動力電池充、放電過程中環境變量和運行工況有顯著區別。在充電過程中，汽車處于靜止狀態，電流、SOC與用戶充電習慣高度相關；在放電過程中，汽車處于運動狀態，其電流的變化情況與駕駛習慣高度相關，波動劇烈。因此，特征參數的定義需要分別考慮，本文定義的特征參數如表2所示。值得注意的是，充、放電狀態下電壓參數整體變化趨勢均較緩慢，僅通過電壓無法區別不同車輛的使用行為差異。因此，本文未選取電壓描述電池使用行為特征。

表2 電池使用行為特征參數

充電過程中，電流多為階梯充電模式，需要統計不同充電電流在不同SOC 區間的持續時間。放電模式下電動汽車狀態變化頻繁，包括加速、減速、勻速、停車，在電池端表現為電流變化劇烈。

2.3 使用行為統計分析方法

為了從系統級別描述電池的使用行為，需要對特征參數進行重組、提煉、統計，得到關于電池系統使用行為的全局信息。電池使用行為的統計主要從放電行為、充電行為2 個方面進行。對統計結果可視化分析得到車輛間使用習慣的差別，以此作為電池故障診斷的輸入信息。

電池放電過程以電流為變量間接描述車輛狀態。動力電池功率狀態為：

汽車動力學公式為：

式（1）、式（2）聯立可得電流與汽車加速度的關系：

式中，P、U、I分別為電池組的功率、電壓、電流；F為汽車行駛驅動力；m為整車質量；v為汽車行駛瞬時速度；t為時間。

由開路電壓（Open Circuit Voltage，OCV）-SOC 特性曲線可知，在極小SOC 區間內電壓變化可忽略不計，則有：

通過電池運行工況的初步分類可以了解到該車輛整體駕駛習慣。由式（4）可知，電流的變化率與加速度的平方以及車速的二階微分呈現正相關。當車輛處于停車狀態或勻速行駛狀態時，電流變化率應為0。考慮到車輛在停車狀態下車內用電設備仍會產生電能消耗，故認為電流長時間（超過6個采樣間隔）維持在0～4 A范圍內時車輛處于停車狀態。由式（3）、式（4）可知，車輛處于加速狀態時，電流為正值，電流變化率為正值。同理，車輛處于減速狀態時，電流為負值或在上一階段處于平穩狀態，當前階段突然開始減小。即電流為負值時，識別為減速狀態，在上一階段判斷為勻速行駛，當前階段電流變化率開始為負，則識別為減速狀態。電流維持在某一特定范圍（＜4 A）時，識別為勻速行駛狀態。使用箱型圖法對電動汽車云端大數據平臺的車輛駕駛信息進行統計分析，選取處于第50 百分位的車輛作為分析對象。該車輛在駕駛使用周期內一半以上的時間處于停車狀態。加速時間較減速時間稍多，而在非停車狀態下勻速行駛狀態持續時間最長，且該車輛大部分時間為短途駕駛。

通過對電流數據聚類分析，能更加詳細地描述電池輸出工況的分布情況，本文使用K-Means聚類算法進行分析。對于給定的樣本集，按照樣本間距離大小實現最優劃分，劃分標準為：

式中，E為最小化平方誤差；k為樣本簇數量；Ci為樣本簇；x為樣本值；ui為聚類質心。

電流的標準采樣間隔為10 s，以6個采樣點（1 min）為單位區間對整體數據進行重新劃分。在單位區間內提取與電流有關的參數：最大電流Imax、平均電流Imean、電流標準差SCurrent作為聚類算法的輸入。

圖2 展示了放電電流參數的聚類結果。平均電流和電流標準差分別表征了該單位區間內的平均功率和電流變化情況。該結果將電流工況分布情況分為若干類。通過對電流工況的K-Means 聚類分析能全面獲取該車輛在放電階段的電流工況分布，并根據每個類別的數量分析其主要工況分布情況。

圖2 放電電流參數聚類結果

電池充電SOC 區間和充電電流直接反映了車輛的日常充電習慣，分析車輛長生命周期內的充電習慣，可以為電池故障診斷提供數據輸入。研究表明，鋰電池在充電電流和截止電壓超過特定值后，容量衰退速度會顯著加快[6]。相較于健康區間，在非健康區間內動力電池容量衰減速度更快。圖3 展示了電池在充放電周期內的起止SOC分布情況。將SOC劃分為A1、A2、A3、A4共4 個區域。其中A4 為電池健康充電區域，A2 為電池充電深度最大的區域。由圖3可知，SOC分布最為集中的區域為A3，即該區域為用戶習慣充電區域，該區域內SOC大部分超過90%。

圖3 SOC區間分布

進一步描述電池充電行為，需要詳細區分不同階段的充電電流在各SOC區間上的持續時間，統計每個充電周期內不同SOC區間的等效充電次數，定性描述每個充電階段的充電行為。將SOC 區間和電流平均分劃為若干個子區間，對不同的充電SOC 區間和電流進行區分。由圖3 所展示的充電次數統計結果可以獲取該車輛在不同SOC階段的充電電流分布、充電電流偏好以及快充區間偏好等全局信息。

2.4 使用行為評估方法

電池內部電化學機理復雜，無法直接構建一個確切的數學公式或模型對每個行為進行準確評估。因此，本文構建了符合電池特性的隸屬度函數用于描述使用行為參數與評價得分之間的模糊關系。隸屬度函數的構建帶有主觀性，但總體變化趨勢需滿足客觀規律[7]。在現有研究基礎上，對電池使用行為構建隸屬度函數，模糊地評估電池使用行為，能得到相對準確的評估結果。

車輛駕駛過程中環境變量較為復雜，且目前尚未有明確的試驗論證車輛駕駛行為與電池安全性之間的聯系。相反，電池充電行為與電池安全性之間的關系已有試驗論證，且車輛充電過程參數變化均較小，便于定量評估。因此，本文定量評估電池充電行為，且通過電池電壓一致性變化情況驗證該評估方法的合理性。

充電行為評估流程如圖4所示：

圖4 充電行為評估流程

a.根據SOC、電流數據段劃分規則獲取SOC 序列和電流序列。將SOC區間等分為數量為n的子區間，記為s1,…,si,…,sn；電流依據電流額定值均分為數量為m的子區間，記為i1,…,ii,…,im。

b.統計單個循環周期內，充電電流落在電流子區間和SOC子區間中的次數，得到SOC區間si、電流區間ii的等效充電次數，由等效充電次數、SOC序列和電流序列計算得到等效充電矩陣MC-SOC：

c.構建基于SOC 健康區間和電流健康區間的隸屬度函數ASOC、AC。一般認為電池SOC 使用區間在20%～80%范圍內為健康區間，小倍率充電為電流健康區間。為了與客觀的規律相吻合，SOC隸屬度函數應為對稱型，電流隸屬度函數應為梯形函數。本文構建的SOC隸屬度函數和電流隸屬度函數分別為：

式中，ASOC(x)為SOC 隸屬度函數；AC(x)為電流隸屬度函數；μ為SOC 隸屬度函數曲線尖峰中心坐標；σ為標準差。

d.對2 個一維隸屬度函數等間隔采樣得到子區間隸屬度，采樣數量對應SOC序列和電流序列。SOC隸屬度向量記為(S1,…,Si,…,Sn)；電流隸屬度記為(I1,…,Ii,…,In)T；評估矩陣MSOC-I=(S1,…,Si,…,Sn)×(I1,…,Ii,…,In)T。根據MSOC-I與MC-SOC的計算結果對數據長度加權后得到單個周期的評估得分。

3 試驗結果分析

本文分別從使用行為統計和使用行為評估2 個角度描述所提出的特征參數和評估方法對在役動力電池使用行為評估的有效性。本文使用的數據為在役車載電池實際使用數據，包含至少200 個充放電循環，數據總長度超過106行。

3.1 使用行為統計

動力電池的故障診斷通常以健康電池和故障電池間的數據差異作為有效的輸入信息。在放電模式下，使用K-Means聚類法對電流特征參數聚類，獲取每輛車在放電過程中電流工況的整體分布以及每輛車駕駛習慣的差異。在充電模式下，計算每個SOC區間和電流區間的等效充電次數，由此區分不同車輛的充電習慣差異。

圖5所示為放電模式下4輛電動汽車的電流參數聚類結果。觀察聚類結果中不同類別標記的分布情況，以此評定車輛的駕駛習慣。以圖5 中的車輛1、車輛2 為例：車輛1 中每種類型的標記均較為緊湊，聚類效果不明顯，即該車輛放電電流數據多集中在0～60 A區間內，由此不難得出，該車輛駕駛較為穩定；車輛2 標記較為分散、聚類效果明顯，每個數據段內電流參數變化量大，車輛2中1類、2類的數據量較3類、4類稍大，由此可知，該車輛駕駛不確定性大。比較車輛間的參數分布以及數據量的差異，可以獲取相同時間內不同車輛駕駛時間和駕駛風格的差異。車輛3 在相同時間內的數據量明顯較車輛4 少，即車輛3 的駕駛時長較車輛4 短。電流標準差參數表征單位數據段內電流的變化量。通過對比發現，車輛1、車輛3、車輛4 的電流標準差均集中在0～40 A 區間內，而車輛2 有部分時刻標準差超過40 A，由此可以認為，在以車輛1、車輛3、車輛4為參照時，車輛2的駕駛習慣較為激進，產生電池安全風險的概率也更高，在后續診斷過程中該判據可以作為數據支撐。

圖5 放電模式下電流參數聚類結果

圖6 所示為充電模式下等效充電次數分布情況。如表3 所示，本次計算將SOC 區間0～100%等間隔分為10 個子區間，電流區間0～200 A 等間隔分為5 個子區間。等效充電次數為指定區間內的電流通過SOC 子區間的次數。

表3 SOC、電流區間劃分

圖6 等效充電次數分布

通過單車統計分析，車輛4 充電SOC 區間集中在20%～60%，其他SOC 區間內數據較少。由此可知，車輛4的充電SOC區間偏好為20%～60%。車輛4充電電流區間分布較為均勻，沒有體現出電流大小偏好。而車輛1充電電流全部小于40 A，即該車輛用戶偏好小電流充電。車輛2 用戶偏好80～160 A 電流充電，而在40%～60%SOC 區間內更偏好使用超過160 A 的大電流充電。通過車輛間數據對比，比較處于健康區間內數據量占比，以此評定不同車輛的充電習慣差異。車輛3 用戶偏好較大的充電電流，且SOC 區間偏好包含0～20%，存在過放電風險。綜上，車輛3充電產生安全風險的概率更高。

3.2 使用行為評估

受生產制造工藝的限制，電池組中各電池單體在使用初期即不完全一致。在后續使用過程中，隨著電池使用次數增加，電池組一致性會逐漸變化[8]，在相同使用次數下，電池組的一致性變化程度可以表征電池使用行為的差別。

本文使用電池組各單體電壓的差別代表電池組一致性。使用均方根誤差ERMS量化電壓一致性：

式中，c為循環次數；N為電池總循環次數；Cn為電池單

體數量；T為采樣周期；Vt為t時刻單體電壓；為t時刻平均電壓；DV為電壓一致性得分；ERMS,c=i為循環次數為i時電壓電壓一致性計算值。

每輛車的全生命周期充電分數分布如圖7所示，分數區間為(0,1)，分數越高代表充電行為越健康。車輛1使用行為分數維持在0.72～0.74 分范圍內，相較于其他車輛分數最高，因為該車輛偏好使用小倍率電流充電，這與前文的分析結果相吻合。電池充電行為評估分數取全生命周期分數的中位數，表4展示了電池電壓一致性得分和充電行為評估分數。為驗證評估方法的有效性，使用皮爾遜（Pearson）相關系數公式驗證2個變量之間的相關性，求得使用行為評估分數與電池電壓一致性分數之間相關系數為0.862，變量間為強正相關。結果表明，在本文分析的4 輛車中，電池充電行為與電池電壓一致性變化之間存在強正相關性，即電池使用行為在健康區間內，電池的電壓一致性變化較小，反之，電池電壓一致性變化較大。

圖7 全生命周期充電評估分數

表4 電池使用行為評估結果

4 結束語

本文基于實車運行工況數據，提出了使用行為統計分析方法和使用行為評估方法。通過定義的特征參數獲取電池實際運行過程的工況信息，統計分析不同車輛的電池充放電習慣差異，為電池故障診斷提供數據支撐。使用行為評估方法能從電池的充電習慣中定量評估充電行為。使用電壓一致性指標對使用行為評估方法進行驗證，結果表明，電池充電行為與電池電壓一致性之間存在強正相關性。由于數據量的限制，隸屬度函數的構建還有進一步優化的空間。K-Means 聚類過程需要提高數據量以構建更為精確的分類結果與使用行為間的映射關系。在獲取新的數據后，將對該方法進行優化，提高其在不同車型數據之間的泛化能力。由于溫度傳感器的精度限制，本文尚未考慮到溫度與電流參數的耦合關系。在后續研究中，會將溫度因素納入評估方法，結合試驗測試，重新構建電池使用行為評估方法。