基于数据驱动的电动汽车动力电池故障预测算法

李晓杰; 苏振洋; 丁技峰

doi:10.62756/jnuc.issn.1673-3193.2024.11.0018

您当前的位置：

首页 >

文章列表页 >

基于数据驱动的电动汽车动力电池故障预测算法

新能源与动力工程 | 更新时间：2025-12-19

- 基于数据驱动的电动汽车动力电池故障预测算法
- Real Vehicle Fault Prediction Algorithm of Electric Vehicle Based on Data Drive
- 中北大学学报(自然科学版) 2025年46卷第3期页码：293-305
- 作者机构：
  
  1.中北大学能源与动力工程学院，山西太原030051
  2.中国北方发动机研究所（天津），天津 300400
- 作者简介：
  
  李晓杰（1979-），男，高级实验师，博士，主要从事动力电池BMS设计与开发方面的研究。E⁃mail： lixiaojie16@nuc.edu.cn。
- 基金信息：
  
  山西省重点实验室建设项目(GDZBKKX-10)
- DOI：10.62756/jnuc.issn.1673-3193.2024.11.0018
  中图分类号： TM912
- 收稿：2024-11-30，
  
  纸质出版：2025-06-30
- 稿件说明：
移动端阅览
李晓杰，苏振洋，丁技峰. 基于数据驱动的电动汽车动力电池故障预测算法［J］. 中北大学学报（自然科学版）， 2025， 46（3）： 293-305.

LI Xiaojie， SU Zhenyang， Ding Jifeng. Real vehicle fault prediction algorithm of electric vehicle based on data drive［J］. Journal of North University of China（Natural Science Edition）， 2025， 46（3）： 293-305.
李晓杰，苏振洋，丁技峰. 基于数据驱动的电动汽车动力电池故障预测算法［J］. 中北大学学报（自然科学版）， 2025， 46（3）： 293-305. DOI： 10.62756/jnuc.issn.1673-3193.2024.11.0018.

LI Xiaojie， SU Zhenyang， Ding Jifeng. Real vehicle fault prediction algorithm of electric vehicle based on data drive［J］. Journal of North University of China（Natural Science Edition）， 2025， 46（3）： 293-305. DOI： 10.62756/jnuc.issn.1673-3193.2024.11.0018.

摘要

针对现在电动汽车电池系统实车故障预测的难题，提出了一种利用贝叶斯算法优化长短期记忆神经网络（Long Short-Term Memory）的实车故障预测算法。首先通过皮尔森相关系数法确定了LSTM的输入与输出特征，有效解决了现有工程数据量大、输入输出特征过多导致深度学习模型过拟合或欠拟合的问题。然后利用贝叶斯算法优化LSTM的超参数，重点解决了LSTM的超参数设置困难和导致误报的问题，经过贝叶斯算法优化后确定了最终的超参数组合，提出了建立单体电池电压预测模型来预测整车电池电压的方法，节约了模型训练时间，接着对单体选择的不同方式进行了测试，确定将每帧时间下所有单体电池电压的中位数作为新的单体电池电压来进行模型训练，进而建立了单体电池电压的预测模型。经过实车数据验证，相对于LSTM的整车电池电压预测模型，基于LSTM的单体电池电压预测模型的RMSE、 MAE以及MRE分别下降了61.59%， 61.31%和60.94%，有效提高了实车电池电压预测精度，最终验证了所建立的电压预测模型的优越性、可靠性以及鲁棒性。

Abstract

To solve the problem of real vehicle fault prediction of electric vehicle battery system， a new algorithm for predicting real vehicle fault using Bayesian algorithm to optimize Long Short-Term Memory neural network （LSTM） was proposed. Firstly， the input and output features of LSTM were determined by Pearson correlation coefficient method， which effectively solved the problem of overfitting or underfitting of deep learning model caused by large amount of existing engineering data and excessive input and output features. Then， Bayes algorithm was used to optimize the hyperparameters of LSTM， it focused on solving the problem of difficult setting of LSTM hyperparameters， which led to false positives. The final combination of hyperparameters was determined after optimization by Bayes algorithm， and the method of establishing a single battery voltage prediction model to predict the vehicle battery voltage was proposed， which saved the model training time. The median of all single battery voltages under each frame time was determined as a new single battery voltage to train the model， and then the single battery voltage prediction model was established. Through the verification of real vehicle data， RMSE， MAE and MRE of the single unit voltage prediction model based on LSTM decreased by 61.59%， 61.31% and 60.94%， respectively， compared with the vehicle voltage prediction model based on LSTM， effectively improving the accuracy of real vehicle voltage prediction. Finally， the superiority， reliability and robustness of the proposed voltage prediction model were verified.

关键词

Keywords

references

LIU K ， PENG Q ， CHE Y ， et al . Transfer learning for battery smarter state estimation and ageing prognostics： Recent progress， challenges， and prospects ［J］. Advances in Applied Energy ， 2023 ， 9 ： 100117 .

WANG Q ， YE M ， CAI X ， et al . Transferable data-driven capacity estimation for lithium-ion batteries with deep learning： A case study from laboratory to field applications ［J］. Applied Energy ， 2023 ， 350 ： 121747 .

王震坡，袁昌贵，李晓宇 . 新能源汽车动力电池安全管理技术挑战与发展趋势分析［J］. 汽车工程， 2020 ， 42 （ 12 ）： 1606 - 1620 .

WANG Zhenpo ， YUAN Changgui ， LI Xiaoyu . An analysis on challenge and development trend of safety management technologies for traction battery in new energy vehicles ［J］. Automotive Engineering ， 2020 ， 42 （ 12 ）： 1606 - 1620 . （in Chinese）

YANG Y ， WANG R ， SHEN Z ， et al . Towards a safer lithium-ion batteries： A critical review on cause， characteristics， warning and disposal strategy for thermal runaway ［J］. Advances in Applied Energy ， 2023 ， 11 ： 100146 .

王震坡，李晓宇，袁昌贵，等 . 大数据下电动汽车动力电池故障诊断技术挑战与发展趋势［J］. 机械工程学报， 2021 ， 57 （ 14 ）： 52 - 63 .

WANG Zhenpo ， LI Xiaoyu ， YUAN Changgui ， et al . Challenge and prospects for fault diagnosis of power battery system for electrical vehicles based on big-data ［J］. Journal of Mechanical Engineering ， 2021 ， 57 （ 14 ）： 52 - 63 . （in Chinese）

ZHANG X ， CHEN S ， ZHU J ， et al . A critical review of thermal runaway prediction and early-warning methods for lithium-ion batteries ［J］. Energy Material Advances ， 2023 ， 4 ： 8 .

孙振宇，王震坡，刘鹏，等 . 新能源汽车动力电池系统故障诊断研究综述［J］. 机械工程学报， 2021 ， 57 （ 14 ）： 87 - 104 .

SUN Zhenyu ， WANG Zhenpo ， LIU Peng ， et al . Overview of fault diagnosis in new energy vehicle power battery system ［J］. Journal of Mechanical Engineering ， 2021 ， 57 （ 14 ）： 87 - 104 . （in Chinese）

ZHANG Y ， JIANG M ， ZHOU Y ， et al . Towards high-safety lithium-ion battery diagnosis methods ［J］. Batteries ， 2023 ， 9 （ 1 ）： 63 - 63 .

XIONG R ， SUN W ， YU Q ， et al . Research progress， challenges and prospects of fault diagnosis on battery system of electric vehicles ［J］. Applied Energy ， 2020 ， 279 ： 115855 .

张扬，李晓杰，马兹林，等 . 锂离子电池故障诊断算法研究综述［J］. 重庆理工大学学报（自然科学）， 2023 ， 37 （ 9 ）： 49 - 61 .

ZHANG Yang ， LI Xiaojie ， MA Zilin ， et al . A review of fault diagnosis algorithms for lithium-ion batteries ［J］. Journal of Chongqing University of Technology （Natural Science）， 2023 ， 37 （ 9 ）： 49 - 61 . （in Chinese）

KUMARA P A ， CAHYADI A I ， WAHYUNGGORO O . Fault detection algorithm on lithium-polymer （Li-Po） battery based on luenberger observer ［C］// 2021 International Seminar on Machine Learning， Optimization， and Data Science（ISMODE） . Jakarta ： Indonesia ， 2022 ： 108 - 113 .

MARCICKI J ， ONORI S ， RIZZONI G . Nonlinear fault detection and isolation for a lithium-ion battery management system ［C］// ASME 2010 Dynamic Systems and Control Conference ， 2011 ： 607 - 614 .

冯旭宁 . 车用锂离子动力电池热失控诱发与扩展机理、建模与防控［D］. 北京：清华大学， 2016 .

虞婧 . 基于数据挖掘技术的电动汽车充电安全监测与故障预警方法研究［D］. 北京：华北电力大学， 2021 .

HONG J ， WANG Z ， YAO Y . Fault prognosis of battery system based on accurate voltage abnormity prognosis using long short-term memory neural networks ［J］. Applied Energy ， 2019 ， 251 ： 113381 .

张朝龙，赵筛筛，何怡刚 . 基于信息熵与PSO-LSTM的锂电池组健康状态估计方法［J］. 机械工程学报， 2022 ， 58 （ 10 ）： 180 - 190 .

ZHANG Chaolong ， ZHAO Shaishai ， HE Yigang . State-of-health estimate for lithium-ion battery using information entropy and PSO-LSTM ［J］. Journal of Mechanical Engineering ， 2022 ， 58 （ 10 ）： 180 - 190 . （in Chinese）

王天城 . 电动汽车动力电池热失控状态评估方法及应用研究［D］. 哈尔滨：哈尔滨工业大学， 2021 .

胡杰，余海，杨博闻，等 . 基于数据驱动的电动汽车电池安全风险预测［J］. 汽车工程， 2023 ， 45 （ 5 ）： 814 - 824 .

HU Jie ， YU Hai ， YANG Bowen ， et al . Battery safety risk prediction for data-driven electric vehicles .［J］. Automotive Engineering ， 2023 ， 45 （ 5 ）： 814 - 824 . （in Chinese）

LI D ， ZHANG Z ， LIU P ， et al . Battery fault diagnosis for electric vehicles based on voltage abnormality by combining the long short-term memory neural network and the equivalent circuit model ［J］. IEEE Transactions on Power Electronics ， 2021 ， 36 （ 2 ）： 1303 - 1315 .

刘树鑫，高士珍，刘洋，等 . 基于LSTM的交流接触器剩余寿命预测［J］. 高电压技术， 2022 ， 48 （ 8 ）： 3210 - 3220 .

LIU Shuxin ， GAO Shizhen ， LIU Yang ， et al . Residual life prediction of AC contactor based on long short-term memory ［J］. High Voltage Engineering ， 2022 ， 48 （ 8 ）： 3210 - 3220 . （in Chinese）

FELTUS C . Learning algorithm recommendation framework for IS and CPS security： Analysis of the RNN， LSTM， and GRU contributions ［J］. International Journal of Systems and Software Security and Protection （IJSSSP）， 2022 ， 13 （ 1 ）： 1 - 23 .

董添 . 基于深度学习的电力负荷模式识别与预测方法研究［D］. 长春：吉林大学， 2022 .

魏佳恒 . 基于贝叶斯优化的BiLSTM模型输电塔损伤识别研究［D］. 重庆：重庆大学， 2021 .

马梓程 . 基于贝叶斯优化的LSTM模型在动力电池SoC估算中的应用［D］. 镇江：江苏大学， 2020 .

崔佳旭，杨博 . 贝叶斯优化方法和应用综述［J］. 软件学报， 2018 ， 29 （ 10 ）： 3068 - 3090 .

CUI Jiaxu ， YANG Bo . Survey on Bayesian optimization methodology and applications ［J］. Journal of Software ， 2018 ， 29 （ 10 ）： 3068 - 3090 . （in Chinese）

周昌凯 . 大数据高斯过程回归模型研究［D］. 杭州：杭州电子科技大学， 2022 .

浏览量

880

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据