大型电池包中的数据驱动热异常检测
系统与控制
2023-01-23 v2 系统与控制
摘要
电池包中异常运行的早期检测与溯源对提升性能与确保安全至关重要。本文提出一种数据驱动的电池包在线异常检测方法，利用来自多个锂离子电芯的实时电压与温度数据。对电芯组生成基于均值的残差，并使用主成分分析进行评估。随后用累积和 control chart 对评估后的残差设阈以检测异常。与电芯均衡相关的轻微外部短路在电压信号中被检测到，需在均衡后重新训练电压模型。温度残差被证明至关重要，能够在14分钟内检测电压残差不可观测的模块均衡事件异常。所提方法的统计检验在由电池电力机车实验数据上进行，该数据注入了基于模型的异常。所提异常检测方法假阳性率低，并准确检测与溯源合成的电压与温度异常。与直接对基于均值的残差设阈相比，所提方法的检测时间快56%，假阴性少42%，漏检异常少60%，同时保持相当的假阳性率。
引用
@article{arxiv.2210.15773,
title = {Data-Driven Thermal Anomaly Detection in Large Battery Packs},
author = {Kiran Bhaskar and Ajith Kumar and James Bunce and Jacob Pressman and Neil Burkell and Christopher D. Rahn},
journal= {arXiv preprint arXiv:2210.15773},
year = {2023}
}