基于大数据的新能源车电池故障预测系统的研究

• 作 者: 陈汉林
• 出 处: 福建工程学院
• 发表日期: 2020年01期
• 关键词: 电池故障预测 余弦相似度 ARIMA CNN-LSTM 大数据平台

近年来,随着人们对环境和能源问题的日益关注,新能源车作为一种低碳车越来越受到人们的关注和青睐。据2018年的中国新能源汽车大数据研究报告表明,电池系统故障占有整车故障的45%,其中单体一致性差,SOC低合计占电池类故障的60%。本课题以新能源车电池系统为研究核心,结合已有的1万辆新能源车实时行车数据,对电池的主要故障、集成故障预测功能的新能源车大数据监控平台系统的关键技术进行了深入的分析研究,主要研究内容和成果如下:(1)基于余弦相似度的电池单体一致性差故障的诊断和预测。单体电池一致性差会恶化电池性能,对电池寿命造成极大影响。本论文通过大量新能源车行车数据分析,确定数据采用的单体一致性评估方式为充电结束后首次启动时刻的单体极差,阈值为0.253上下。电池单体内部参数异常一定程度会在充电过程的单体极差曲线中体现,故而提出使用相似度算法在充电过程的单体极差曲线进行单体一致性差故障的诊断,其中基于余弦相似度的算法具有较优秀的诊断能力。取余弦相似度阈值为0.99946的情况下,真阳率70.2%,假阳率9.8%,比原有的方法提前至少5分钟获得故障诊断结果。(2)基于ARIMA与CNN-LSTM的SOC低故障的诊断与预测。电池处于深度放电的情况下会导致放电过程电流和电压的不稳定,影响行车安全。本论文提出基于ARIMA的单变量SOC低预测算法,以及结合天气数据信息的CNNLSTM的多变量SOC低预测算法。两者都能预测下一次充电前的SOC,前者方法故障预测结果虽然有100%的真阳率,但是同时具有13.5%的误报率,后者方法故障预测结果虽然具有83.5%的真阳率,但是误报率为0%。(3)新能源车故障预测系统设计与开发验证。现有的新能源车监控系统大多只具备车辆行车数据展示、故障展示、统计报表以及运维等功能。本论文结合前两节的故障预测算法,完成基于大数据的新能源车电池故障预测系统的技术研究和开发。系统主要两部分组成,一是基于Egg.js的后端框架与Ant Design的前端框架开发的Web系统;二是基于Spark Streaming开发的大数据计算平台。最终实现对新能源车辆的电池故障进行预测与展示。