徐悦 梁谷羿 刘溧 周海 周浩

摘要：电池包经常处于深度放电状态会极大地影响电池寿命，在严重情况下甚至会导致停车故障，传统故障诊断方法难以判断电池潜在故障以及故障发生程度。因此，本文提出了一种基于特征提取和XGBoost 的电池故障预警方法。该方法对电池数据进行预处理，根据电芯端电压构建新的特征，对电池数据进行标注，建立XGBoost 预测模型来预测电压故障，判断动力电池是否欠压。此外，还采用K 折交叉验证以及随机搜索算法提高预测的准确性。实验结果表明，该方法可以有效区分故障车和正常车，并提前定位故障发生时间，从而避免潜在的事故风险。

关键词：电池故障预警；特征提取；数据标注；XGBoost 预测；单体欠压

中图分类号：U472 DOI ：10.20042/j.cnki.1009-4903.2023.05.009

0 引言

在环境污染和能源危机的双重压力下，世界各国开始对新能源给予高度关注，电动重卡的优势已得到广泛认可[1]。相较于传统燃油重卡，电动重卡使用动力电池作为其主要能量来源[2]。为了满足电动重卡的动力需求，电池系统通常由数千个锂离子电池串并联组成[3][4]。电池组可能因为电池老化和误操作而出现故障，极端情况下甚至可能引发灾难性事故，这对电池系统的安全构成重大威胁[5]。电压异常是动力电池常见的故障之一，包括过压和欠压2 种情况[6]。欠压是新能源重卡常见的故障之一，电池包频繁处于深度放电状态会显著缩短电池寿命，严重情况下甚至可能导致车辆停车故障。如果能准确提前预测故障发生的时间点，并及时进行预警，就能有效降低故障发生率，避免车辆在行驶过程中因电池故障而面临运营风险。这将有助于延长电池的使用寿命并大幅降低维修费用。

目前已经提出了许多动力电池故障诊断的方法，大致可以分为3 类：基于阈值的方法[7]、基于模型的方法[8] 以及基于数据驱动的方法[9]。

基于阈值的方法可以在电池电压超过设定的阈值时检测电池故障，目前已被广泛应用于电动汽车的电池管理系统（BMS）[10]。然而，当异常电压处于安全范围内时，该方法难以检测早期电池故障。此外，选择合适的阈值对这种方法来说至关重要。如果设置的阈值太高，异常电压可能难以达到预设的阈值，从而产生漏报。反之，如果设置的阈值太低，则可能产生误报。

基于模型的方法需要针对不同的电池和故障进行大量的测试和建模工作，这导致了实现上的困难、模型精度的问题、鲁棒性的挑战以及应用范围的限制[11][12][13][14]。具体来说，文献[11]基于电池差异模型，利用扩展卡尔曼滤波器来估计电池组的荷电状态（SOC） 与平均SOC 的差异。文献[12] 则提出了一种适用于串联电池组的有效方法，即基于模型的传感器故障检测和隔离（FDI） 方案。文献[13] 利用扩展卡尔曼滤波器来估计每个模型的端电压并生成残差信号，这些残差信号可以被用于检测故障信息。此外，文獻[14] 通过电池的电化学模型的PF 框架来预测电池的剩余使用寿命（RUL）。然而，基于模型的方法仅适用于已建模的特定故障，对于未建模的故障无法进行检测，因此其适用范围相对较窄。

数据驱动的方法不需要建立精确的模型，而是通过提取历史数据的特征进行分析建模来检测故障，从而省去了复杂的流程，实现了简单化。文献[15] 提出了一种基于小波神经网络的电池故障检测方法，能够实现对故障状态进行分类。文献[16]提出了一种基于统计分析的锂离子电池三层故障检测方法方案：在第一层设置过充和过放阈值，在第二层应用置信区间估计来识别风险电芯，在第三层使用了改进的K-means方法识别异常电压波动。文献[17]提出了一种基于修正香农熵的电压故障诊断方法，能够通过监测车辆运行过程中的电池电压来预测电压故障。

基于数据驱动的方法融合了信息论、机器学习以及数理统计等技术，可以准确地分析出不同工况下电动重卡的潜在规律和内在特征，对于电池系统的异常检测和提前预警具有天然的优势。鉴于此，本文从机器学习的角度构建了电池系统故障预警的数据驱动模型。该模型从整车历史数据中提取有效的特征并学习故障模式，建立了XGBoost 预测模型来表达数据输入和故障输出之间的关系。该模型能够根据历史电池状态预测下一次截止运行的电压状态，从而判断电动重卡是否处于欠压状态。通过这种方法，可以提醒驾驶员改善其驾驶习惯和充电习惯，使电动重卡电池包的寿命更长。使用5 辆电动重卡的真实数据验证了本方法的有效性。本文的贡献如下：

⑴所提出的方法可以准确分析出不同工况下电动重卡的潜在规律和内在特征，这对于电池系统的异常检测和提前预警具有天然的优势。

⑵所提出的方法可以提前定位单体欠压发生的时间点，实现故障预警，从而有效降低故障发生率，避免车辆在行驶过程中因电池故障而出现事故。

⑶所提出的方法可以判断潜在故障以及故障发生程度，满足在线检测的需求。

1 大数据平台

目前，一些电动汽车起火、爆炸等事故的发生，表明电动重卡存在许多安全隐患，其安全性成为大规模应用的主要障碍。因此，建立有效的安全运行体系至关重要。这个体系是一个大数据平台，主要功能包括监测和采集电动重卡实时运行数据，并通过大数据技术进行深入分析和研究，以监控车辆运行状态和关键部件的状态。

根据中国国家标准[18]，电动汽车必须上传静态和动态实时数据。静态数据包括充电状态、车辆状态和运行模式等，而动态数据则包括电机驱动系统、整车控制系统和动力电池系统的相关参数，例如总电压、总电流、累计里程和荷电状态（SOC）等。车载传感器可以获取这些数据，并将其上传到车辆控制单元，然后通过T-box 无线通信将数据传输到云端。

本文利用真实数据对电池进行分析和研究，所有处理的数据均来自大数据平台监测的电动重卡实时行驶车辆数据。

2 故障预警方法

本文提出了一种基于特征提取和XGBOOST 的电动重卡电池故障预警方法，旨在判断动力电池是否欠压，从而提醒驾驶员改善驾驶习惯和充电习惯。图1 显示了该方法所包含的步骤，分为数据预处理、充放电段数据提取、特征构造、标签构建、XGBoost 模型构建和线上验证。

2.1 数据预处理

电动重卡实时传输的参数包括电流、电压和SOC 等。为了准确预测整车的SOC 状态，本文选取了以下参数：总电压、总电流、SOC、最高单体电压、最低单体电压、最高单体温度和电芯端电压。整车数据是按时间采集的，但在数据采集过程中可能会遇到异常值和缺失值等错误数据。为了避免这些错误数据对最终预警结果产生影响，需要进行数据清洗。本文采用的方法如下：

⑴极端值删除，电动重卡电压预设范围为V 1～V 2，如果电压超过预设范围，则可能是传感器采集问题，而不是电池类问题，因为超过预设范围的电压值将会被删除。此外，温度预设范围为T1～T 2，超过预设范围的温度值将会被删除。

⑵缺失值处理，整车数据中存在一个或连续多个采样点缺失的情况，这些缺失值对数据分析和电池故障诊断没有影响，可以直接删除。

2.2 充放电段数据提取

本文主要针对的数据分析对象是电动重卡在充放电过程中的总电压、总电流等数据，而且车辆在运行过程中的充放电次数不止一次，因此需要对车辆所有的放电段数据进行提取，使用的参数为总电流。首先提取充电段数据，具体提取方式为：将清洗之后的数据重置索引，判断电流为负的数据点，保证数据点连续且至少ε个以上，记录充电段起始点和结束点索引值。放电段数据则为这些索引之外的数据段，记录放电段的索引值[[a0，a1]，[a2，a3 ]，…，[an-1，an]]。最后，根据放电段索引值提取放电段数据。