CN112505570A - 电动汽车的电池健康状态的估计方法 - Google Patents
电动汽车的电池健康状态的估计方法 Download PDFInfo
- Publication number
- CN112505570A CN112505570A CN202011411897.9A CN202011411897A CN112505570A CN 112505570 A CN112505570 A CN 112505570A CN 202011411897 A CN202011411897 A CN 202011411897A CN 112505570 A CN112505570 A CN 112505570A
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- health
- data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种电动汽车的电池健康状态的估计方法，包括：首先利用大数据平台对相同型号的电池健康状态参数进行采集，获取数据库，并根据数据库中的电池健康状态参数数据建立回归模型，其次将回归模型的输出数据分为离群点和正常点，并根据预设的阈值将离群点划分为容量再生点和异常点，并将容量再生点和处理后的异常点均值代入第一预测模型生成容量再生结果，将正常点进行数据分布平衡处理后代入第二预测模型生成正常结果，最后生成组合结果，并将组合结果输出为电动汽车的电池健康状态的估计结果。整个方法流程可以通过建立数学模型实现，综合考虑了容量再生现象的影响，避免了化学反应对电池容量估计的影响，从而达到了更高的预测精度。
Description
技术领域
本发明涉及电动汽车电池技术领域，特别涉及一种电动汽车的电池健康状态的估计方法。
背景技术
电池健康状态描述了电池与新电池相比的健康状态。电池健康状态通常用当前循环的最大容量与额定容量之比来定义。通常，电池故障阈值建议为额定容量的80％左右，在超过80％阈值后，电池容量退化呈指数衰减趋势。因此，当电池健康状态降至80％以下时，电池性能将迅速恶化。换句话说，功能性故障总是发生在电池健康状态低于故障阈值之后。一旦池健康状态小于预定的故障阈值，电动汽车的锂离子电池就被认为是不健康的。但是目前的电动汽车的电池健康状态估计仍不能精确的反应电池的真实容量。为提高电池容量的真实值，电池健康状态估计的准确度变得越来越重要。
现有的对电池健康状态的评估方法如下：企业大数据平台收集不同车型各种工况运行数据，形成数据存储的云平台，供企业监测电动汽车的运行状态。通过调用大数据平台的数据可建立用于评估电池健康状态的模型。而电池的电化学模型建立在电池内部特性的基础上。当工作条件(如温度、功率)不断变化时，很难求解所需的复杂耦合非线性偏微分方程。虽然等效电路模型可以近似地表示电池的动态和静态特性。但是，模型的建立依赖于阻抗数据，这是实验所无法获得的。模型只能近似的接近电池的静态特性和动态特性，求解的精度不高。
此外，传统模型并未深入将容量再生现象考虑到电池健康状态估计当中，而容量再生现象将会影响电动汽车宏观的行驶里程，从而带来驾驶员驾驶电动汽车时因担心突然没电引起的精神痛苦或忧虑问题，因此更为准确的电池健康状态估计会带来更好的驾驶体验。
发明内容
本发明的目的在于解决现有技术中电池健康状态的估计结果预测精度不高的问题。
为解决上述问题，本发明的实施方式公开的电动汽车的电池健康状态的估计方法，包括以下步骤：
S1：利用大数据平台对相同型号电池的电池健康状态参数进行采集，获取电池健康状态参数的数据库，并根据数据库中的电池健康状态参数数据建立回归模型；
S2：利用回归模型对电池健康状态参数进行分析，获取回归模型的输出数据；其中，回归模型的输出数据包括电动汽车的修正电池健康状态信息；
S3：将输出数据区分为离群点和正常点，并根据预设的电池健康状态数据阈值将离群点划分为容量再生点和异常点，并对异常点进行均值处理；将容量再生点和被处理后的异常点均值代入第一预测模型，生成容量再生结果；
S4：将正常点进行数据分布平衡处理，并将处理后的正常点代入第二预测模型，生成正常结果；
S5：利用容量再生结果替换同一时刻的正常结果，生成组合结果，并将组合结果输出为电动汽车的电池健康状态的估计结果。
采用上述方案，对大数据平台中相同型号的电池的的电池健康状态参数进行采集，以建立电池健康状态参数的数据库，然后利用数据库中的电池健康参数数据建立回归模型，将模型中的数据进行分析训练，以将回归模型的输出数据分为离群点和正常点。之后将离群点分类为容量再生点和异常点，将容量再生点和均值处理后的异常点代入第一预测模型，将正常点进行数据分布处理后代入第二预测模型，最后生成组合结果并将组合结果输出为电动汽车的电池健康状态的估计结果。整个方法流程中，不论是采集电池健康状态参数、建立回归模型，还是对回归模型的输出数据进行分析处理、生成组合结果，都可以通过建立数学模型或软件实现，无需进行实际的测量，操作方便。并且，在估计电池健康状态时综合考虑了容量再生现象的影响，避免了化学反应对电池容量估计的影响，从而使得电池健康状态的预测精度更高。
根据本发明的另一具体实施方式，本发明实施方式公开的电动汽车的电池健康状态的估计方法，电池健康状态参数包括电池温度、电池电流、电池电压、初始电池健康状态信息。
根据本发明的另一具体实施方式，本发明实施方式公开的电动汽车的电池健康状态的估计方法，步骤S1中，根据数据库中的电池健康状态参数数据建立回归模型，包括：通过对数据库中的电池健康状态参数数据划分为训练集和测试集，根据训练集建立初始模型，并通过测试集对初始模型进行验证，得到回归模型。
采用上述方案，将电池温度，电池电流，电池电压、以及初始电池健康状态信息作为回归模型的输入，并通过将电池健康状态参数数据划分为训练集和测试集以此来训练模型并得到回归模型，通过该回归模型输出修正后的修正电池健康状态信息，得到的输出数据更准确。此外，通过上述训练得到的回归模型，能够准确地表示修正电池健康状态的分布趋势，便于后续将回归模型的输出数据进行分类的操作。
根据本发明的另一具体实施方式，本发明实施方式公开的电动汽车的电池健康状态的估计方法，回归模型为线性回归模型；并且，第一预测模型为极端梯度提升模型；并且，第二预测模型为自注意力模型、长短期记忆网络、门控循环单元网络、循环神经网络中的任意一种。
根据本发明的另一具体实施方式，本发明实施方式公开的电动汽车的电池健康状态的估计方法，步骤S3中，将输出数据区分为离群点和正常点，包括：获取回归模型的模型参数；其中，模型参数包括自变量、因变量和常量；通过对常量的数值进行调节，并根据自变量、因变量、调节后的常量获取分割线，并利用分割线将回归模型的输出数据区分为离群点和正常点。
根据本发明的另一具体实施方式，本发明实施方式公开的电动汽车的电池健康状态的估计方法，步骤S3中，根据预设的电池健康状态数据阈值将离群点分为容量再生点和异常点，包括：
S31：获取各离群点前一时刻的电池健康状态值和离群点后一时刻的电池健康状态值，并根据离群点前一时刻的电池健康状态值和离群点后一时刻的电池健康状态值计算出离群点的电池健康状态均值；
S32：判断离群点的电池健康状态均值是否大于预设的电池健康状态数据阈值；
若是，则将离群点确定为异常点；
若否，则将离群点确定为容量再生点。
根据本发明的另一具体实施方式，本发明实施方式公开的电动汽车的电池健康状态的估计方法，步骤S3中，对异常点进行均值处理包括：
S33：获取异常点的前一时刻的电池健康状态值，以及异常点的后一时刻的电池健康状态值，并计算异常点的前一时刻的电池健康状态值和异常点的后一时刻的电池健康状态值的异常点均值；
S34：将异常点替换为电池健康状态值的异常点均值。
采用上述方案，将回归模型的输出数据区分为离群点和正常点，通过对电池健康状态值做均值计算并根据预设的电池健康状态数据阈值再将离群点分为容量再生点和异常点，最后对异常点做均值处理并将得到的容量再生点和被处理后的异常点代入第一预测模型，生成容量再生结果。由此，充分考虑了容量再生点对于预测结果的影响，并将异常点进行处理从而降低了异常点数据对于最终结果的干扰。
根据本发明的另一具体实施方式，本发明实施方式公开的电动汽车的电池健康状态的估计方法，步骤S4中，将正常点进行数据分布平衡处理，包括：
S41：将正常点的数据分布划分为多个区域；
S42：判断任意两个区域中正常点的数量的比值是否在预设的比值范围内；
若是，则保留区域的正常点；
若否，则对正常点的数量较小的区域进行重复采样。
根据本发明的另一具体实施方式，本发明实施方式公开的电动汽车的电池健康状态的估计方法，多个区域包括至少三个区域，预设的比值范围为0.5至1.5。
采用上述方案，对正常点数据分布划分为多个区域，对于正常点数据的数量较小的区域进行重复采样，解决数据分布不平衡的问题。
本发明的有益效果是：
本发明提供的电动汽车的电池健康状态的估计方法，首先通过采集大数据平台中相同型号电池的电池健康状态参数，获取数据库，并根据数据库中的电池健康状态参数数据建立回归模型，通过调整回归模型常量形成分割线，将回归模型的输出数据区分为离群点和正常点，之后根据预设的电池健康状态数据阈值将离群点分为容量再生点和异常点，并对异常点进行均值处理，将容量再生点和被处理的异常点代入第一预测模型并生成容量再生结果，将正常点进行数据分布平衡处理并代入第二预测模型并生成正常结果，最后利用容量再生结果替换同一时刻的正常结果，生成组合结果，将组合结果输出为电池健康的估计结果。因此，本方案仅需采集数据库中的数据建立回归模型，并根据模型常量对输出数据进行分类，还会根据预先设置的阈值和不同的预测模型对被分类的数据进行处理，最后拟合出更高精度的电池健康状态的估计结果。整个方法流程充分考虑了容量再生现象和数据分布不平衡对于模型预测的影响，避免化学反应对电池容量估计的影响，从而使得电池健康状态的估计结果更加精确。
附图说明
图1是本发明实施例提供的电动汽车的电池健康状态的估计方法的流程示意图；
图2是本发明实施例提供的正常点的数据分布示意图；
图3是本发明实施例提供的电池健康状态的估计结果的示意图；
图4是现有的电池健康状态的估计结果的示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本实施例的描述中，需要说明的是，术语“上”、“下”、“内”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本实施例中的具体含义。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
为解决现有技术中未考虑容量再生现象对于电池健康状态的影响，从而使得最终的电池健康状态预测精度不高的问题。本发明的实施方式公开了一种电动汽车的电池健康状态的估计方法，参考图1，本发明的实施方式公开的电动汽车的电池健康状态的估计方法具体包括以下步骤：
S1：利用大数据平台对相同型号电池的电池健康状态参数进行采集，获取电池健康状态参数的数据库，并根据数据库中的电池健康状态参数数据建立回归模型；
S2：利用回归模型对电池健康状态参数进行分析，获取回归模型的输出数据；其中，回归模型的输出数据包括电动汽车的修正电池健康状态信息；
S3：将输出数据区分为离群点和正常点，并根据预设的电池健康状态数据阈值将离群点划分为容量再生点和异常点，并对异常点进行均值处理；将容量再生点和被处理后的异常点均值代入第一预测模型，生成容量再生结果；
S4：将正常点进行数据分布平衡处理，并将处理后的正常点代入第二预测模型，生成正常结果；
S5：利用容量再生结果替换同一时刻的正常结果，生成组合结果，并将组合结果输出为电动汽车的电池健康状态的估计结果。
采用上述方案，对大数据平台中相同型号的电池的的电池健康状态参数进行采集，以建立电池健康状态参数的数据库，然后利用数据库中的电池健康参数数据建立回归模型，将模型中的数据进行分析训练，以将回归模型的输出数据分为离群点和正常点。之后将离群点分类为容量再生点和异常点，将容量再生点和均值处理后的异常点代入第一预测模型，将正常点进行数据分布处理后代入第二预测模型，最后生成组合结果并将组合结果输出为电动汽车的电池健康状态的估计结果。整个方法流程中，不论是采集电池健康状态参数、建立回归模型，还是对回归模型的输出数据进行分析处理、生成组合结果，都可以通过建立数学模型或软件实现，无需进行实际的测量，操作方便。并且，在估计电池健康状态时综合考虑了容量再生现象的影响，避免了化学反应对电池容量估计的影响，从而使得电池健康状态的预测精度更高。
接下来，参考图1至图4具体描述本发明实施例提供的电动汽车的电池健康状态的估计方法。
首先，执行步骤S1，利用大数据平台对相同型号电池的电池健康状态参数进行采集，获取电池健康状态参数的数据库，并根据数据库中的电池健康状态参数数据建立回归模型。
本实施例中，大数据平台中存储有若干电池的电池健康状态信息，其中，若干电池包括中可能会有多种型号的电池，也可能仅有一种型号的电池。而每个电池的电池健康状态信息则为大数据平台中的一条标准数据。首先，需要从大数据平台中选择并采集相同型号电池的电池健康状态信息，然后将相同型号电池的电池健康状态信息建立数据库。之后再对数据库中的电池健康状态信息进行训练，以建立回归模型。
需要说明的是，本实施例中，大数据平台采用Hadoop体系架构。当然，本领域技术人员还可以选择其他体系架构的大数据平台，本实施例对此不作限制。Hadoop体系架构的大数据平台主要分为五个层次，最底层是采集层，负责平台数据的采集。大数据平台的数据来源有车载终端、日志流以及第三方平台的数据。采集层之上是大数据层。大数据层对采集层采集的数据进行集群分类。采集层的数据首先进入大数据层的高速服务总线，然后由大数据层对其进行实时计算并存入缓存集群或通过数据层的统一接口存入标准数据HDFS(Hadoop分布式文件***)集群、索引数据集群、关系数据集群，HDFS具有数据存储功能。大数据层之上是分析层，可对大数据层传来的数据进行分析计算。分析层具有实时计算、离线计算、图计算、机器学***台，包括用户云、监控云、故障云、运维云和专家决策云，可提供容器托管、镜像仓库、服务管理等多项功能。大数据平台还设有展示层，主要有大屏幕展示、微信服务展示以及通过平台研发的分别适用于安卓和1OS***的APP展示。
具体地，本实施例中，电池健康状态参数包括电池温度、电池电流、电池电压、初始电池健康状态信息。
其中，电池温度是指电池实际的温度，电池电流是电动汽车动力电池的总电流，电池电压则为电动汽车动力电池的总电压。初始电池健康状态信息即为基于传统的方法估计得到的电池健康状态信息的修正信息。也就是说，基于传统方法得到的电池健康状态信息计误差较大，根据该信息进行建模会使得建模复杂，一般需要将该电池健康状态信息重新进行修正。对该电池健康状态信息进行修正后得到的电池健康状态信息即为本实施例中的初始电池健康状态信息。
需要说明的是，根据数据库中的电池健康状态参数数据建立回归模型是通过对数据库中的电池健康状态参数数据划分为训练集和测试集，根据训练集建立初始模型，并通过测试集对初始模型进行验证，得到回归模型。
具体地，将不同工况下的电池温度、电池电流、电池电压以及初始电池健康状态信息存入大数据平台，根据预测精度要求，获取所需电池健康状态参数数据的数据库，从数据库中调用电池温度、电池电流、电池电压作为回归模型的输入，将初始电池健康状态信息作为模型的输出，并且将一部分电池温度、电池电流、电池电压和初始电池健康状态信息作为回归模型的训练集来确定模型的方程系数，而使用另一部分作为测试集对模型进行验证，如将测试集中电池温度，电池电流，电池电压代入回归模型中，会计算出一个修正电池健康状态信息，使用测试集中的初始电池健康状态信息作对比，验证所得的修正电池健康状态信息是否准确。
还需要说明的是，对数据集的划分有多种方式，本实施例对此不做具体限定。
接下来执行步骤S2，利用回归模型对电池健康状态参数进行分析，获取回归模型的输出数据。
本实施例中，回归模型的输出数据包括电动汽车的修正电池健康状态信息。
需要说明的是，修正电池健康状态信息是指，将初始电池健康状态信息、以及其他的电池健康状态参数输入回归模型，然后利用该回归模型进行分析计算后输出的电池健康状态信息。
优选地，本发明实施例提供的电动汽车的电池健康状态的估计方法，回归模型为线性回归模型(SVR回归模型)。当然，本领域技术人员还可以选择其他的回归模型，本实施例对此不作限制。
具体地，本实施例中，利用回归模型对电池健康状态参数进行分析，获取回归模型的输出数据的过程具体为：利用回归模型的输入数据和输出数据拟合出符合大部分数据集的一条直线，并且当有新的电池温度，电池电流，电池电压输入时，根据回归模型得出的修正电池健康状态信息在那条直线上或在直线附近。
接下来执行步骤S3，将输出数据区分为离群点和正常点，并根据预设的电池健康状态数据阈值将离群点划分为容量再生点和异常点，并对异常点进行均值处理；将容量再生点和被处理后的异常点均值代入第一预测模型，生成容量再生结果。
具体地，在步骤S3中，将输出数据区分为离群点和正常点，包括：获取回归模型的模型参数。其中，模型参数包括自变量、因变量和常量；通过对常量的数值进行调节，并根据自变量、因变量、调节后的常量获取分割线，并利用分割线将回归模型的输出数据区分为离群点和正常点。
具体地，以离群点识别模型为一元线性模型y＝kx+b为例，通过调整b可以得到两条平行线，此时认为平行线以外的值为离群点，线上及线内的点均为正常点。
进一步地，在步骤S3中，根据预设的电池健康状态数据阈值将离群点分为容量再生点和异常点，包括：
S31：获取各离群点前一时刻的电池健康状态值和离群点后一时刻的电池健康状态值，并根据离群点前一时刻的电池健康状态值和离群点后一时刻的电池健康状态值计算出离群点的电池健康状态均值；
S32：判断离群点的电池健康状态均值是否大于预设的电池健康状态数据阈值；
若是，则将离群点确定为异常点；
若否，则将离群点确定为容量再生点。
具体地，当前健康状态均值如果大于预设的电池健康状态数据阈值，则这是一个远离数据点的点，则被确定为异常点，反之，则被确定为容量再生点。
需要说明的是，预设的电池健康状态数据阈值是将容量再生离群点和数据采集时的异常点分离的值。预设的电池健康状态数据阈值可以通过如下两种方式获得：一是阈值可以作为超参数，通过算法自动识别使拟合；二是统计经验方法，以y＝kx+b的值q为标准，如以(q+1/4q,q-1/4q)为标准，作为上下界阈值。本领域技术人员可以根据实际需要选择，本实施例对此不做具体限定。
具体的，调整新的b值，可以得到新的两条平行线，此时对平行线以外的点计算均值，即计算其前一时刻的电池健康状态值和后一时刻的电池健康状态值的均值，若此时当前电池健康状态均值在平行线外，则确定此点为异常点，若在平行线以内，则确定为容量再生点。
更进一步地，在步骤S3中，对异常点进行均值处理，包括：
S33：获取异常点的前一时刻的电池健康状态值，以及异常点的后一时刻的电池健康状态值，并计算异常点的前一时刻的电池健康状态值和异常点的后一时刻的电池健康状态值的异常点均值；
S34：将异常点替换为电池健康状态值的异常点均值。
具体地，因为异常点对于模型预测有很大的影响，故而被确定的异常点通过获取其前一时刻的电池健康状态值和后一时刻的电池健康状态值，并计算前一时刻的电池健康状态值和后一时刻的电池健康状态值的异常点均值，将得到的均值替换当前时刻下的异常值用于模型的预测。例如，t-1时刻的电池健康状态值为SOHt-1＝89，而t时刻电池健康状态值为SOHt＝97，t+1时刻电池健康状态值为SOHt+1＝90，通过离群点识别模型得出t时刻的值为异常值，并且需要舍弃，由于电池健康状态值对时间依赖性较大，不会突变，因此使用均值代替，公式为SOHt＝(SOHt-1+SOHt+1)/2，故而t时刻的均值为89.5。
优选地，第一预测模型为极端梯度提升模型(Xgboost模型)。当然，本领域技术人员还可以根据需要选择其他的预测模型，本实施例对此不作限制。
需要说明的是，容量再生点和被均值处理过的异常点都作为第一预测模型的输入，第一预测模型是一个算法模型，它可以训练历史数据，预测以后数值的趋势。通过数据库中大量数据的训练，第一预测模型具有预测趋势的能力，当传感器采集数据输入时，可以预测出以后的容量再生的离群点出现的位置，通过第一预测模型生成容量再生结果。
接下来执行步骤S4，将正常点进行数据分布平衡处理，并将处理后的正常点代入第二预测模型，生成正常结果。
进一步地，在步骤S4中，将正常点进行数据分布平衡处理，包括：
S41：将正常点的数据分布划分为多个区域；
S42：判断任意两个区域中正常点的数量的比值是否在预设的比值范围内；
若是，则保留区域的正常点；
若否，则对正常点的数量较小的区域进行重复采样。
需要说明的是，本实施例中，多个区域包括至少三个区域，预设的比值范围为0.5至1.5。并且，预设的比值范围可以是0.5、0.7、0.9、1.1、1.3、1.5，或者该范围内的其他数值，本实施例对此不做限制。
具体地，正常点的数据分布可以包括三个区域、四个区域甚至更多区域，本实施例对此不做限制。
具体地，参考图4示出的本发明实施例提供的正常点数据不均衡分布示意图，可以看出，正常点的数据分布被分为三个区域，即小电流区，中电流区，大电流区。在作为输入的电流中，依据其分布可以发现，样本数据主要集中在小电流或中电流范围内累积，大电流区域数据较少，因此需要进行数据分布平衡处理。
优选地，本实施例中，数据分布平衡处理可以是F散度检验。即检测样本的分布，将分布较少的样本(如大电流区域样本)计算时重复采样，增加样本数量，改善样本分布的不平衡。
优选地，第二预测模型为自注意力模型(Transformer模型)、长短期记忆网络(LSTM模型)、门控循环单元网络(GRU模型)、循环神经网络(RNN模型)中的任意一种，本实施例对此不做具体限定。
进一步地，将正常点数据进行数据分布均衡处理后，将所有正常点作为第二预测模型的输入，第二预测模型同样具有预测趋势的能力，当传感器采集数据输入时，可以预测出以后的正常点出现的位置。
接下来，执行步骤S5，利用容量再生结果替换同一时刻的正常结果，生成组合结果，并将组合结果输出为电动汽车的电池健康状态的估计结果。
具体地，历史数据训练好的第一预测模型，当再有电流、电压和温度参数输入进来时，直接调用第一预测模型便会得出新的容量再生数据，同理，输入到第二预测模型当中会得出没有离群点的数据曲线，将二者融合，在相同位置，由于容量再生，容量再生数据会大于第二预测模型预测值，此时用第一预测模型预测的容量再生数据替代同位置的第二预测模型的预测值。此时得到最终的预测曲线就是电池健康状态的估计结果。
本实施例中，参考图3示出的本发明实施例提供的电池健康状态的估计结果示意图，使用离群点识别模型，将回归模型输出数据区分为离群点和正常点并根据预设的阈值将离群点分为容量再生点和异常点，并对异常点进行均值处理，并将容量再生点和被处理后的异常点均值作为第一预测模型的输入且输出容量再生结果，对正常点进行数据分布不平衡处理，将被处理后的数据作为第二预测模型的输入且生成正常结果，将容量再生结果替换同一时刻的正常结果，生成组合结果，得到如图3所示的电池健康状态的估计结果。
参考图4示出的现有的池健康状态的估计结果示意图，相比较图3的电池健康状态的估计结果，图4所示预测数据和测试数据拟合程度不高，偏差较大。图3所示预测结果充分考虑了容量再生现象对于电池健康状态的影响，对模型的异常数据进行了处理，因此，得到的预测结果写测试数据拟合高，结果更精确。
采用上述方案，首先通过采集大数据平台中相同型号电池的电池健康状态参数，获取数据库，并根据数据库中的电池健康状态参数数据建立回归模型，通过调整回归模型常量形成分割线，将回归模型的输出数据区分为离群点和正常点，之后根据预设的电池健康状态数据阈值将离群点分为容量再生点和异常点，并对异常点进行均值处理，将容量再生点和被处理的异常点代入第一预测模型并生成容量再生结果，将正常点进行数据分布平衡处理并代入第二预测模型并生成正常结果，最后利用容量再生结果替换同一时刻的正常结果，生成组合结果，将组合结果输出为电池健康的估计结果。因此，本方案仅需采集数据库中的数据建立回归模型，并根据模型常量对输出数据进行分类，还会根据预先设置的阈值和不同的预测模型对被分类的数据进行处理，最后拟合出更高精度的电池健康状态的估计结果。整个方法流程充分考虑了容量再生现象和数据分布不平衡对于模型预测的影响，避免化学反应对电池容量估计的影响，从而使得电池健康状态的估计结果更加精确。
虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。本领域技术人员可以在形式上和细节上对其作各种改变，包括做出若干简单推演或替换，而不偏离本发明的精神和范围。
Claims (9)
1.一种电动汽车的电池健康状态的估计方法，其特征在于，包括以下步骤：
S1：利用大数据平台对相同型号电池的电池健康状态参数进行采集，获取所述电池健康状态参数的数据库，并根据所述数据库中的电池健康状态参数数据建立回归模型；
S2：利用所述回归模型对所述电池健康状态参数进行分析，获取所述回归模型的输出数据；其中，所述回归模型的输出数据包括电动汽车的修正电池健康状态信息；
S3：将所述输出数据区分为离群点和正常点，并根据预设的电池健康状态数据阈值将所述离群点划分为容量再生点和异常点，并对所述异常点进行均值处理；将所述容量再生点和所述被处理后的异常点均值代入第一预测模型，生成容量再生结果；
S4：将所述正常点进行数据分布平衡处理，并将处理后的所述正常点代入第二预测模型，生成正常结果；
S5：利用所述容量再生结果替换同一时刻的所述正常结果，生成组合结果，并将所述组合结果输出为所述电动汽车的电池健康状态的估计结果。
2.如权利要求1所述的电动汽车的电池健康状态的估计方法，其特征在于，所述电池健康状态参数包括电池温度、电池电流、电池电压、初始电池健康状态信息。
3.如权利要求2所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤S1中，根据所述数据库中的电池健康状态参数数据建立所述回归模型，包括：
通过对所述数据库中的电池健康状态参数数据划分为训练集和测试集，根据训练集建立初始模型，并通过所述测试集对所述初始模型进行验证，得到所述回归模型。
4.如权利要求3所述的电动汽车的电池健康状态的估计方法，其特征在于，所述回归模型为线性回归模型；并且，
所述第一预测模型为极端梯度提升模型；并且，
所述第二预测模型为自注意力模型、长短期记忆网络、门控循环单元网络、循环神经网络中的任意一种。
5.如权利要求4所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤S3中，将所述输出数据区分为离群点和正常点，包括：
获取所述回归模型的模型参数；其中，所述模型参数包括自变量、因变量和常量；
通过对所述常量的数值进行调节，并根据所述自变量、所述因变量、调节后的所述常量获取分割线，并利用所述分割线将所述回归模型的输出数据区分为所述离群点和所述正常点。
6.如权利要求5所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤S3中，根据预设的电池健康状态数据阈值将所述离群点分为容量再生点和异常点，包括：
S31：获取各所述离群点前一时刻的电池健康状态值和所述离群点后一时刻的电池健康状态值，并根据所述离群点前一时刻的电池健康状态值和所述离群点后一时刻的电池健康状态值计算出所述离群点的电池健康状态均值；
S32：判断所述离群点的电池健康状态均值是否大于预设的电池健康状态数据阈值；
若是，则将所述离群点确定为异常点；
若否，则将所述离群点确定为容量再生点。
7.如权利要求6所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤S3中，对所述异常点进行均值处理包括：
S33：获取所述异常点的前一时刻的电池健康状态值，以及所述异常点的后一时刻的电池健康状态值，并计算所述异常点的前一时刻的电池健康状态值和所述异常点的后一时刻的电池健康状态值的异常点均值；
S34：将所述异常点替换为所述电池健康状态值的异常点均值。
8.如权利要求7所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤S4中，将所述正常点进行数据分布平衡处理，包括：
S41：将所述正常点的数据分布划分为多个区域；
S42：判断任意两个区域中正常点的数量的比值是否在预设的比值范围内；
若是，则保留所述区域的正常点；
若否，则对正常点的数量较小的区域进行重复采样。
9.如权利要求8所述的电动汽车的电池健康状态的估计方法，其特征在于，所述多个区域包括至少三个所述区域，所述预设的比值范围为0.5至1.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011411897.9A CN112505570A (zh) | 2020-12-03 | 2020-12-03 | 电动汽车的电池健康状态的估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011411897.9A CN112505570A (zh) | 2020-12-03 | 2020-12-03 | 电动汽车的电池健康状态的估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112505570A true CN112505570A (zh) | 2021-03-16 |
Family
ID=74970334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011411897.9A Pending CN112505570A (zh) | 2020-12-03 | 2020-12-03 | 电动汽车的电池健康状态的估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112505570A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
| CN114460481A (zh) * | 2022-01-27 | 2022-05-10 | 重庆邮电大学 | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 |
| CN115248377A (zh) * | 2022-09-21 | 2022-10-28 | 北京科锐特科技有限公司 | 异步电动机转子断条故障检测方法、计算机设备及介质 |
| CN115389948A (zh) * | 2022-10-28 | 2022-11-25 | 昆山斯沃普智能装备有限公司 | 一种建立换电站动力电池健康状态评估模型的方法 |
| US20230294554A1 (en) * | 2022-03-18 | 2023-09-21 | GM Global Technology Operations LLC | Battery health monitoring and failure identification |
| CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
| WO2023221587A1 (zh) * | 2022-05-16 | 2023-11-23 | 深圳市道通合创数字能源有限公司 | 电动车辆的动力电池的健康状态确定方法及服务器 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344923A (zh) * | 2013-08-01 | 2013-10-09 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
| CN106093796A (zh) * | 2016-08-09 | 2016-11-09 | 北京航空航天大学 | 基于拟合残差频域重构的有容量再生情况下锂电池容量及寿命预测方法 |
| CN106339755A (zh) * | 2016-08-29 | 2017-01-18 | 深圳市计量质量检测研究院 | 基于神经网络与周期核函数gpr的锂电池健康状态预测方法 |
| CN110988694A (zh) * | 2019-12-17 | 2020-04-10 | 南京航空航天大学 | 针对容量再生的锂离子电池剩余寿命预测方法及*** |
| CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
| DE102019007510A1 (de) * | 2019-10-28 | 2020-07-16 | Daimler Ag | Verfahren zum Bestimmen eines Gesundheitszustands eines elektrischen Energiespeichers mittels eines hinterlegten Kapazitätsmodells in Abhängigkeit eines Anodenüberhangeffekts sowie elektronische Recheneinrichtung |
-
2020
- 2020-12-03 CN CN202011411897.9A patent/CN112505570A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344923A (zh) * | 2013-08-01 | 2013-10-09 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
| CN106093796A (zh) * | 2016-08-09 | 2016-11-09 | 北京航空航天大学 | 基于拟合残差频域重构的有容量再生情况下锂电池容量及寿命预测方法 |
| CN106339755A (zh) * | 2016-08-29 | 2017-01-18 | 深圳市计量质量检测研究院 | 基于神经网络与周期核函数gpr的锂电池健康状态预测方法 |
| DE102019007510A1 (de) * | 2019-10-28 | 2020-07-16 | Daimler Ag | Verfahren zum Bestimmen eines Gesundheitszustands eines elektrischen Energiespeichers mittels eines hinterlegten Kapazitätsmodells in Abhängigkeit eines Anodenüberhangeffekts sowie elektronische Recheneinrichtung |
| CN110988694A (zh) * | 2019-12-17 | 2020-04-10 | 南京航空航天大学 | 针对容量再生的锂离子电池剩余寿命预测方法及*** |
| CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王友仁等: "基于变分模态分解和高斯过程回归的锂离子电池剩余寿命预测方法", 计算机与现代化, no. 02, pages 83 - 88 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
| CN113075574B (zh) * | 2021-03-30 | 2022-09-09 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
| CN114460481A (zh) * | 2022-01-27 | 2022-05-10 | 重庆邮电大学 | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 |
| US20230294554A1 (en) * | 2022-03-18 | 2023-09-21 | GM Global Technology Operations LLC | Battery health monitoring and failure identification |
| US11981228B2 (en) * | 2022-03-18 | 2024-05-14 | GM Global Technology Operations LLC | Battery health monitoring and failure identification |
| WO2023221587A1 (zh) * | 2022-05-16 | 2023-11-23 | 深圳市道通合创数字能源有限公司 | 电动车辆的动力电池的健康状态确定方法及服务器 |
| CN115248377A (zh) * | 2022-09-21 | 2022-10-28 | 北京科锐特科技有限公司 | 异步电动机转子断条故障检测方法、计算机设备及介质 |
| CN115248377B (zh) * | 2022-09-21 | 2022-12-13 | 北京科锐特科技有限公司 | 异步电动机转子断条故障检测方法、计算机设备及介质 |
| CN115389948A (zh) * | 2022-10-28 | 2022-11-25 | 昆山斯沃普智能装备有限公司 | 一种建立换电站动力电池健康状态评估模型的方法 |
| CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
| CN116846040B (zh) * | 2023-08-31 | 2023-11-14 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
| Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
| CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
| CN112765772A (zh) | 一种基于数据驱动的动力电池剩余寿命预测方法 | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
| CN109143074B (zh) | 一种动力电池模型参数辨识方法及*** | |
| CN111157908A (zh) | 一种基于大数据机器学习的电池健康度预测方法 | |
| CN111144021B (zh) | 一种燃料电池寿命预测方法及*** | |
| CN114167284A (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
| CN117783745B (zh) | 用于换电柜的数据在线监测方法及*** | |
| CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| CN117406027A (zh) | 一种配电网故障测距方法及其*** | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| CN110988693A (zh) | 一种基于建模仿真的化学电池储能应用分析方法 | |
| CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及*** | |
| CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 | |
| US20220381832A1 (en) | Production of a Quality Test System | |
| CN110596595A (zh) | 一种通过大数据预测轨交锂电池rul的方法 | |
| CN112816788B (zh) | 机车牵引变流器直流支撑电容器的容值估算方法及其应用*** | |
| CN114840983A (zh) | 动力蓄电池soh计算模型构建方法和计算方法 | |
| CN110895624A (zh) | 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法 | |
| CN112070535A (zh) | 电动汽车价格预测方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |