动力电池充电系统故障诊断和健康监测研究.pdfVIP

摘要

随着电动汽车的普及、国家政策的扶持以及市场资金的流入，电动汽车充电

站及其运营管理系统得到了巨大的发展，而电动汽车充电起火事件频频发生，电

动汽车的充电安全得到广泛关注。由于电动汽车的电池管理系统（Battery

ManagementSystem,BMS）性能差异性较大、出厂即离线以及难以控制等特点，

其BMS对充电安全状态评估的可靠性不高，为了有效的评估动力电池的健康状

态，需进行先进的信息处理技术和安全评估算法。因此，本文以电动汽车充电时

的报文信息为研究对象，首先对报文实时状态进行分析，再深入研究电池健康状

态及充电安全状态评估，主要研究内容如下：

首先，基于电动汽车充电报文中的掉线数据，提出一种基于模糊神经网络

(FuzzyNeuralNetwork,FNN)和顺序证据理论（Dempster/Shafer,DS）融合的故障

识别方法。对掉线报文进行统计分析和特征提取，应用FNN计算各充电桩、电

动汽车和运营商的故障预测概率，并利用隶属度函数计算相应的故障隶属度和不

确定性；紧接着，应用DS证据顺序融合方法来实现故障隶属度融合，并给出相

应的决策准则，得到报文掉线的原因，为后续的运营维修提供准确的参考信息。

其次，针对动力电池健康状态(StateofHealth,SOH)具有差异性和非线性退化

的现象，提出一种基于经验退化与径向基宽度神经网络（RadialBasis

Function_BreadthLearningSystem,RBF_BLS）融合的SOH估计方法。电池健康

的差异性较大，会导致经验退化模型无法准确估计动力电池的健康状态。在经验

退化模型的基础上，结合RBF_BLS神经网络进行误差补偿，来弥补经验退化模

型估计上的不足。误差补偿模型充分考虑了实时充电的报文数据，提高了电池退

化过程中SOH估计的精度，为后续的实时充电安全评估提供更准确的信息。

最后，基于不同的充电安全影响因素，提出一种基于改进的宽度BP(back

propagation)层次分析法（AnalyticHierarchyProcess，AHP）电动汽车实时充电风

险评估方法。以电动汽车实时充电报文数据为研究对象，分析并提取充电安全影

响因素的隶属度，通过层次分析法构建充电安全影响因素体系，对各因素的隶属

度进行融合评估。基于压缩因子改进的宽度学习与BP神经网络相结合，降低神

经网络的训练时长以及提高神经网络的预测精度，使用改进宽度BP神经网络对

AHP模型进行优化，使得充电安全评估更加准确。

关键词：电动汽车，故障识别，电池健康状态，充电安全，机器学习，AHP模

型，证据融合

ABSTRACT

Withthepopularityofelectricvehicles,thesupportofnationalpoliciesandthe

inflowofmarketfunds,theelectricvehiclechargingstationanditsoperation

managementsystemhavebeengreatlydeveloped,andtheelectricvehiclecharging

fireeventsoccurfrequently,andthechargingsafetyofelectricvehicleshasbeen

widelyconcerned.Becauseofthecharacteristicsofthebatterymanagementsystemof

electricvehicle,suchaslargeperformancedifference,off-linedeliveryanddifficultto

control,itsBMSisnotreliableinchargesafetyassessment.In