(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210882498.3 (22)申请日 2022.07.26 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 林倪　黄胜旭　王震坡　张照生　 张景涵　 (74)专利代理 机构 北京市诚辉律师事务所 11430 专利代理师 岳东升　杨帅峰 (51)Int.Cl. G06F 30/20(2020.01) G06Q 10/06(2012.01) G01R 31/396(2019.01) (54)发明名称 基于柯氏复杂度的电池风险预警方法 (57)摘要 本发明提供了基于柯氏复杂度的电池风险 预警方法， 其利用单体柯氏复杂度的计算能够充 分反映动力电池组 内单体之间的混乱程度， 无论 电池参数是否存在异常， 均能对潜在的安全风险 实现判断， 有效克服了 现有技术在此情况下风险 预警效果不良的缺点。 相对于基于人工智能算法 的风险预警方式， 该方法无须执行繁重的数据收 集与模型训练工作， 显著降低了计算成本。 通过 本发明的方法得到某种电池的复杂度阈值后， 可 作为同类型电池风险预警的依据， 因而在保证风 险预警准确率的基础上还大 大提高了效率。 权利要求书1页 说明书4页 附图3页 CN 115186500 A 2022.10.14 CN 115186500 A 1.基于柯氏复杂度的电池风险预警方法， 其特 征在于： 具体包括以下步骤： 步骤一、 在线提取电动汽车全生命周期运行中动力电池组及其包含的各单体的电压与 电流信息， 提取某一个充电片段中同一t时刻的单体电压Ui,t形成单体电压数值序列U＝ U1,t， U2,t，……， Ui,t，……， Un,t， 其中， n为单体总数， i ＝1,2,……,n； 步骤二、 利用以下公式将单体电压数值序列U转换为仅由0和1组成的单体电压符号序 列S＝s1， s2，……， sn： 式中， Uk,t表示预设的t时刻单体电压阈值； 步骤三、 利用以下公式计算单体电压符号序列S的子链S(i,j)： 式中， i、 j均表示单体的序号； 由计算得到的全部 子链构成集 合V(S(i,j) )； 定义单体电压符号序列S的组件数c(n)， 并初始化置为0； 持续观察S(i,j)是否在集合V (S(1,j‑1))中， 如果为否令c(n)值加1， 在单体电压符号序列S中的sj后添加一个符号 ·， 并 继续观察S(i+1,j+1)与V(S(1,j))执行相同判断与 操作； 如果为是则继续观察S(i,j+1)与V (S(1,j))； 遍历观察全部子链并当j＝n时结束， 得到最终的组件 数c(n)， 以及在单体电压符 号序列S添加符号 ·后形成的编码； 步骤四、 根据步骤三得到的组件数c(n)和编码的长度， 计算得到t时刻的单体电压数值 序列的柯氏复杂度； 对充电片段中所包含的全部时刻计算所述柯氏复杂度并取平均， 作为 此充电片段的复杂度； 步骤五、 利用以上步骤计算电动汽车全生命周期中各充电片段的复杂度， 根据充电片 段复杂度的变化趋势反映动力电池潜在安全风险， 并执 行相应的预警。 2.如权利 要求1所述的方法， 其特征在于： 步骤二中所述预设的t时刻 单体电压阈值Uk,t 具体选择为动力电池组中全部单体电压的中位数。 3.如权利要求1所述的方法， 其特征在于： 步骤四中所述编码的长度L(n)具体根据以下 关系式计算得到： L(n)＝c(n)[l og2c(n)+1] 根据柯氏复杂度的定义， 其与所述编码的长度L(n)具有以下关系： 则t时刻的单体电压数值序列的柯氏复杂度具体 基于以下公式计算： 4.如权利要求1所述的方法， 其特征在于： 对相同车型上使用的同类动力电池基于上述 步骤一至五得到生命周期中各充电片段的复杂度变化趋势， 并基于所述复杂度变化趋势确 定相应的复杂度阈值， 以作为同类动力电池潜在风险预警的依据。权　利　要　求　书 1/1 页 2 CN 115186500 A 2基于柯氏复杂度的电池风险预警方 法 技术领域 [0001]本发明属于动力电池安全状态感知技术领域， 具体涉及 一种基于柯氏复杂度对动 力电池的安全风险进行发现与预警的方法。 背景技术 [0002]电动汽车锂离子动力电池组在长期充放电过程中， 受电池单体、 传感器以及导线 老化等的多方面因素影响， 会造成电池单体之间不一致性明显增强， 容易导致整个电池组 失效甚至热失控的危险， 因此对动力电池进行实时的风险感知与预警十分必要。 现有的电 池风险预警方法主要包括基于模型的方法与基于数据的方法， 其中基于模 型的方法通常是 对电池进行数学建模以获取携带系统信息的参数， 譬如一组残差信号， 通过将该信号与设 定的风险阈值进 行比较以判断系统是否有安全风险。 基于数据的方法则主要 是利用人工智 能算法(包括神经网络、 机器学习、 深度学习)， 以采集得到的电池实时工作数据作为输入， 并输出由算法决策出的风险类型。 这种方法的关键是数据与风险类型模糊推理关系的建 立， 因此需首先使用大量的精确 风险数据对模型进行训练， 而获得结果的准确 程度则严重 依赖于模型的训练结果。 现有的动力电池风险预警方法还大都集中于电池异常参数的识 别， 但对于电池参数如电压、 温度、 压差等不存在异常的情况， 无论是基于模型的参数辨别 还是基于数据的模型训练的方式， 其电池安全风险的识别效果都无法达 到理想水平。 发明内容 [0003]有鉴于此， 针对上述本领域中存在的技术问题， 本发明提供了一种基于柯氏复杂 度的电池风险预警方法， 具体包括以下步骤： [0004]步骤一、 在线提取电动汽车全生命周期运行中动力电池组及其包含的各单体的电 压与电流信息， 提取某一个充电片段中同一t时刻的单体电压Ui,t形成单体电压数值序列U ＝U1,t， U2,t，……， Ui,t，……， Un,t， 其中， n为单体总数， i ＝1,2,……,n； [0005]步骤二、 利用以下公式将单体电压数值序列U转换为仅由0和1组成的单体电压符 号序列S＝s1， s2，……， sn： [0006] [0007]式中， Uk,t表示预设的t时刻单体电压阈值； [0008]步骤三、 利用以下公式计算单体电压符号序列S的子链S(i,j)： [0009] [0010]式中， i、 j均表示单体的序号； 由计算得到的全部 子链构成集 合V(S(i,j) )； [0011]定义单体电压符号序列S的组件数c(n)， 并初始化置为0； 持续观察S(i,j)是否在 集合V(S(1,j ‑1))中， 如果为否令c(n)值加1， 在单体电压符号序列S中的sj后添加一个符说　明　书 1/4 页 3 CN 115186500 A 3