1. 引言
在环境目标和能源结构转型的双重驱动下,新能源汽车(NEV)产业已进入大规模普及阶段[1]。作为为新能源汽车提供能源供应的核心部件,全生命周期电池管理系统(BMS)的质量直接关系到新能源汽车的可靠性和安全性。目前,汽车动力电池仍面临电池老化评估[2]、热管理[3],以及电池安全保障。除了电池单体本身,电动交通正日益得到多种储能技术的支持,由此产生的多源储能约束进一步影响了车辆能源系统的设计与运行[4]。在这些挑战中,最关键和紧迫的问题是由热失控引起的安全性问题。热失控的本质是一个不可逆的热失衡过程,其中内部产热速率超过散热速率。一旦触发,将伴随着温度骤升、电压崩溃、电解液分解和气体释放,严重情况下可能导致燃烧或爆炸[5,6]。此外,根据多份行业报告,热失控是新能源汽车安全事故的主要原因之一,且很大比例的此类事故发生在充电或静止阶段[7]。热失控的蔓延过程涉及从电芯到模组的多级链式反应[6],事故后果极其严重。
当前主流的电池管理系统主要依赖温度和电压等参数的固定阈值来触发警报。然而,它们存在两个核心局限性[8]。首先,热失控早期阶段的电池温度异常并不明显;仅依靠温度阈值难以及时捕捉早期风险,导致预警提前量不足,无法为干预和处置预留充足时间。其次,缺乏对电池状态时间演化模式的深度建模,难以区分正常波动与异常前兆,容易导致误报和漏报[8,9]。近年来,诸如多参数耦合预警[10]、机器视觉检测[9]以及声像多模态融合[11]已被探索用于热失控的早期检测。然而,这些方法要么依赖实验室条件,要么对车载传感器布置提出了额外要求,难以直接应用于大规模实车部署场景。随着云车协同架构在新能源汽车领域的部署与应用,大规模、长周期的实车运行数据的高效采集与存储已成为可能[12],为数据驱动的热失控预警提供了坚实的数据基础。
时间序列预测模型是捕捉电池状态演化模式和识别早期异常的核心工具。迄今为止,学者们提出了各种用于动力电池状态预测的时间序列建模方法,包括循环神经网络(RNN)及其变体(LSTM、GRU)、基于卷积神经网络的模型(TCN)以及注意力机制模型(Transformer)[13,14]。其中,LSTM和GRU通过门控结构缓解了传统RNN的梯度消失问题,并已广泛应用于电池电压和SOC预测[15,16,17];GRU在电动汽车运行工况下的剩余使用寿命预测中也展现出良好的估计能力[16]。TCN通过空洞卷积扩大感受野,增强了捕捉长程依赖关系的能力。Transformer通过自注意力机制实现并行计算,提高了训练效率,并已应用于电池寿命预测[18]。此外,一些研究探索了结合信号分解与深度学习的策略,例如使用CEEMDAN分解容量退化曲线,随后利用Bi-LSTM进行SOH预测[19],并通过小波去噪和注意力机制来增强预测稳定性[20],为复杂工况下的电池状态估计提供了有益思路。基于实车数据的SOH和剩余使用寿命预测方法也取得了进展,通过动态电压区间选择和多维融合模型可以实现高精度状态估计[21]。一些研究进一步提出了基于重构电压/电流曲线的深度学习混合模型[22],以及适应不同充电电压区间的模型集成框架[23],以及利用真实车辆充电数据进行迁移学习的预测方法[24],丰富了数据驱动方法在电池管理中的应用场景。然而,上述模型在电池热失控预警场景中仍存在不足:电池运行数据具有多通道耦合、强噪声干扰和非平稳演化的特征。传统模型难以充分刻画变量间的动态相关性,导致健康电压的预测精度不足,无法精准识别热失控初期的细微电压异常。
分段循环神经网络(SegRNN)通过其分段循环编码和并行多步解码策略,降低了长序列建模的计算复杂度,同时缓解了梯度传播问题。然而,其原始结构采用通道独立建模方法,无法充分利用多个电池变量之间的耦合信息,从而限制了预测精度[20,25]。关于事前热失控预测,一些学者采用了可解释机器学习方法提前预测热失控严重程度[26],以及基于深度学习的充放电过程自适应预警[27],验证了数据驱动方法在热失控预警中的可行性。然而,在预警提前量和分级处理策略方面仍有很大的提升空间。
在这些研究中,存在三个局限性。首先,对比评估通常仅在单一工况下以点预测误差(RMSE、MAE和R2)的形式报告,而充放电过程受不同激励源主导,因此有必要为每种工况构建输入变量集[12,13,21]。其次,通道独立序列模型(如原始SegRNN)独立处理每个变量,并未显式捕捉变量间的依赖关系[20,25]。第三,预测残差仅被视为异常指标,很少转化为残差大小与预警级别之间的限制级规则[26,27]。这三个局限性定义了本文要解决的差距:通道独立的序列模型无法利用电池通道间的耦合信息,且电压残差预警尚未纳入分级预警策略。
为解决上述问题,本文做出了三项贡献:(1) 通过添加跨变量自注意力模块和一维卷积通道融合层扩展了SegRNN编码器。两者在保留分段循环编码和并行多步解码原始架构的同时,显式地建模了电池通道间的耦合关系。(2) 基于各电池单体实测电压与其预测健康电压之间的残差,定义了三级预警规则,阈值分别为0.05 V、0.12 V和0.24 V。(3) 所提方法在23辆拥有1年以上运行数据的真实车辆上进行了验证,其中6辆车辆发生了热失控;在充放电工况下将预测精度与七种基准模型进行了对比,并对这6辆发生热失控的车辆进行了预警回溯评估。
2. 研究方法
高质量数据是时间序列建模和风险预警的基础。本文的研究数据来源于车路协同平台。这些数据存在缺失值、异常值和非结构化字段等问题,需要进行系统性的预处理,以构建适用于热失控预警任务的高质量时间序列数据集。第2.1节描述了数据来源,第2.2节描述了预处理过程,第2.4节, 第2.5节和第2.6节描述电压预测模型,以及第2.7节描述实验方案。预警规则本身给出在第三节.
2.1. 数据来源与基本信息
实验数据由23辆同型号电动客车的连续运行数据组成,时间跨度为2024年6月初至2025年7月底,采样间隔为2秒。在这些车辆中,17辆为正常运行车辆,6辆为发生热失控的车辆。数据包含多个类别的字段,如车辆运行状态、动力电池关键参数、电池电压和温度数据以及环境参数。长周期、同车型、多车辆的数据特征为风险模型训练、阈值校准和跨车辆回顾性验证提供了充足的数据支持。
2.2. 数据预处理流程
对于热失控预警任务,数据预处理必须满足三个基本要求:时间对齐、字段可解析性和样本可建模性。数据预处理在Python 3.10.11环境下进行。使用Pandas 2.3.3和NumPy 1.26.4进行数据处理以及解析拼接的电池电压和温度字符串。使用Matplotlib 3.10.9生成诊断图表。
首先,对告警信息与运行数据进行时间对齐。由于历史运行数据和告警数据在平台侧存储于不同的表中,需要将告警的开始时间和结束时间映射到运行数据的时间轴上。随后,构建告警标签列以实现风险样本的时间定位,如图所示如果存在明确的告警结束时间,则告警间隔内的样本被标记为1(风险样本),其余样本被标记为0(正常样本)。如果结束时间缺失,则从告警开始时间到该次数据上传会话结束的所有样本均被标记为1,以确保不遗漏任何风险样本。
其次,剔除异常数据和无效数据。针对车辆上电初始化阶段出现的通道默认值(如0 V、−40 °C)以及关键字段缺失值等问题,此类记录大多集中在单个上传周期的起始阶段,无法反映电池的真实状态,如图所示它们被直接剔除,以防止伪信号被引入模型训练。同时,以拼接字符串格式存储的电池电压和温度探针数据被解析为结构化矩阵和探针向量。保留极端值及其索引字段,以支持后续的风险电池定位和一致性验证。
图2。车辆上电初始化阶段出现的通道默认值(例如 0 V、−40 °C)问题。
最后,进行基于分段的样本构建。由于该车型不支持能量回收制动,因此排除了与热失控预警相关性较低的行驶-充电分段。同时,也移除了对应充电完成状态的记录。因此,仅保留两类分段:静止充电分段和非充电(以放电为主)分段。为减少短序列对模型训练的影响,包含记录数少于300条的分段将被舍弃。这相当于采样间隔为2秒时约10分钟的数据。经过预处理,共获得1286个充电分段和3452个放电分段,总计4738个有效分段。这些分段将用于后续的时间序列建模和热失控预警。
是数据处理后分割过程的示意图。它展示了在包含多个正常充放电周期的代表性时段内,单辆车的荷电状态(SOC)。垂直虚线标记了通过上述过程获得的分割边界。图中,SOC的上升表示充电过程,SOC的下降表示放电过程。该图用于说明如何分离静态充电段和非充电(以放电为主)段。
2.3. 特征筛选与数据归一化
车辆运行数据包含大量状态变量,但并非所有变量都能为电池电压的时间演化提供有效信息。高维冗余输入往往会引入共线性干扰,放大噪声传播,并削弱模型的泛化稳定性。因此,有必要通过特征筛选,选择与目标电压(电池电压中值,V_median)强相关的变量作为模型输入。
本文采用皮尔逊相关系数来衡量候选输入