CN113158947B

CN113158947B - 一种动力电池健康评分方法、***及存储介质

Info

Publication number: CN113158947B
Application number: CN202110476738.5A
Authority: CN
Inventors: 王贤军; 刁冠通; 李宗华; 翟钧; 张敏; 贺小栩
Original assignee: Chongqing Changan New Energy Automobile Technology Co Ltd
Current assignee: Deep Blue Automotive Technology Co ltd
Priority date: 2021-04-29
Filing date: 2021-04-29
Publication date: 2023-04-07
Anticipated expiration: 2041-04-29
Also published as: CN113158947A

Abstract

本发明提出一种电动汽车电池健康评分方法，包括步骤：S1采集车辆信号数据，进行数据预处理。S2获取和分析车辆当前电池健康状态作为基础健康评分。S3分析用户行为和环境工况，对电池健康的影响。S4使用评分卡模型对S3的用户行为评分。S5分析车辆电池寿命衰减趋势。S6：建立机器学习模型，预测车辆电池随时间的衰减程度。S7根据S6得到的电池健康衰减模型，对电池衰减进行预测和评分。S8根据S2、S4、S7的评分结果，设置每个评分的权重，加权求和得到最终电池健康评分。本发明通过在评价电池健康分数时综合考虑电池SOH、用户驾驶习惯及工况、剩余质保里程、未来的衰减情况，更加客观的反映出车辆当前的电池健康程度，为电池残值评估提供更加客观的依据。

Description

一种动力电池健康评分方法、***及存储介质

技术领域

本发明涉及车辆的动力电池技术领域，具体涉及动力电池健康状态评价技术。

背景技术

电动汽车的核心动力来源于电池，电池的健康程度直接影响着整车的性能、续航以及安全。电池的寿命是有限的，它会随着时间和循环使用程度渐渐衰退，直到报废不能使用。而更换电池需要巨大的成本，所以电池的健康程度成为各大厂家和车主主要关注的焦点。同时，能有效准确评估电池的健康程度也是迫切需求。

电池的健康程度跟许多因素都有关。一方面来自电池自身，如容量、功率、内阻、充放电深度、循环使用次数等。另一方面来自用户车主的用车习惯，如驾驶习惯、充电习惯、环境温度、日常保养等。正确和规范的使用习惯可以保持电池健康状态，延长电池的使用寿命。

目前能反映电池健康程度的方法，就是检测和查看电池的SOH值。电池的SOH值一般是通过电池内部的容量、内阻等计算得出的。只能反映出电池自身的影响因素，而不能反映车主的用车习惯对电池健康的影响。但是大多数车主用户，对电池的内部基理、电池使用及保养等，缺乏对应的专业知识。所以能有效准确评估电池健康程度的同时，并能反映用户车主日常使用车辆习惯对电池健康的影响，帮助用户改善和提高用车习惯、提升电池保养知识、延长电池使用寿命等有着重要的意义和价值。

发明内容

本发明的目的是建立一种更加客观的电动汽车电池健康评分方法及***，该方法和***基于车联网大数据，通过在评价电池健康分数时综合考虑电池SOH、用户驾驶习惯及工况、剩余质保里程、未来的衰减情况，更加客观的反映出车辆当前的电池健康程度，为电池残值评估提供更加客观的依据。

车辆的电池健康情况，除了电池自身的特性外，也受到车主用车习惯的影响。所以在对电动汽车电池健康评分式，需要综合考虑影响电池健康的多方面因素，如：电池自身因素、环境工况、用户用车行为习惯、日常保养等因素。本发明中，电池自身因素的影响结果由电池的SOH值获得，其它方面因素的结果由车辆信号中的相关数据，通过大数据分析和机器学习建模方式获得。每个因素都会得到一个分数，并且会分配相应的权重，并最终加权求和得到电池健康最终的总分数。

为了实现上述目的，本发明基于以上思路，提出如下技术方案。

一种电动汽车电池健康评分方法，所述方法是基于车联网大数据，包括如下步骤：

S1：采集车辆信号数据，进行数据预处理；所述车辆信号数据包括电池内部、用户行为、环境工况三个类别的数据，是通过车联网获得的大数据。

S2：获取和分析车辆当前电池健康状态作为基础健康评分。

S3：分析用户行为和环境工况，对电池健康的影响。

S4：使用评分卡模型对S3的用户行为评分。

S5：分析车辆电池寿命衰减趋势。

S6：建立机器学习模型，预测车辆电池随时间的衰减程度。

S7：根据S6得到的电池健康衰减模型，对电池衰减进行预测和评分。

S8：根据S2、S4、S7的评分结果，设置S2、S4、S7过程中每个评分的权重，加权求和得到最终电池健康评分。

进一步地，所述步骤S1又包括如下步骤：

S1-1：通过大数据方式，采集车辆类型、用途类型、电池BMS、车主用车行为数据、环境工况等信号数据，所述车辆信号数据是基于车联网的大数据。

S1-2：根据影响电池健康的因素，将数据进行归类，分成电池内部、用户行为、环境工况这三个类别。

S1-3：预处理数据，删除空值、噪声、无效值等异常数据。

进一步地，所述步骤S2又包括如下步骤：

S2-1：获取S1过程中归类并处理后的电池内部类别的数据。

S2-2：查看当前电池健康状态SOH值，分析电池内部状态数据。包含当前电池容量、额定容量、内部电阻、自放电率等。

S2-3：根据电池当前SOH值和电池内部状态的分析结果，进行电池健康内部状态的基础评分。

进一步地，所述步骤S3又包括如下步骤：

S3-1：获取S1过程中归类并处理后的用户行为类别和环境工况类别的数据。

S3-2：分析并统计用户行为类数据，包括累计行驶里程、车辆用途、充电行为、放电行为、放电DOD深度、过充行为、快慢充使用比例等。

S3-3：分析并统计环境工况类数据，包括温度环境、欠压和过压情况、高SOC静置情况等。

进一步地，所述步骤S4又包括如下步骤：

S4-1：构建用于训练和评估用的评分卡模型样本数据集，包括正负样本数据；

S4-2：划分样本数据集，划分成训练集和测试集；

S4-3：特征工程处理，进行变量分箱和离散化；

S4-4：计算特征变量的WOE(Weight Of Evidence)值和IV(Information Value)值，进行特征筛选和分箱检验；

S4-5：在训练数据集上训练分类模型，在测试集中验证分类模型效果；

S4-6：评分卡分数转换，输出各变量分箱的分数和模型评分。

进一步地，所述步骤S5又包括如下步骤：

S5-1：获取S1过程中归类并处理后的三个类别的数据；

S5-2：将电池内部类别数据标记为因变量，形成因变量池；

S5-3：将用户行为类别和环境工况类别数据标记为自变量，形成自变量池；

S5-4：分析自变量池和因变量池中各变量之间的相关性，以及各自变量对各因变量的影响程度。

进一步地，所述步骤S6又包括如下步骤：

S6-1：构建用于训练和评估的电池健康衰减模型的样本数据集；

S6-2：划分样本数据集，划分成训练集和测试集；

S6-3：根据S5过程中的分析结果，进行特征筛选；

S6-4：特征融合和滤波处理，生成用于表征电池健康衰减的健康因子HI(HealthIndex)；

S6-5：分析健康因子HI随时间的变化影响和趋势；

S6-6：在训练数据集上训练电池健康衰减模型，生成电池健康衰减模型池；

S6-7：在测试数据集上验证电池健康衰减模型，评估模型效果。

进一步地，所述步骤S7又包括如下步骤：

S7-1：根据车辆数据构建用于输入电池健康衰减模型的变量；

S7-2：将变量输入模型，模型输出电池健康预测结果并转化为评分。

本发明还提供一种电动汽车电池健康评分***，所述***包括存储器和处理器，所述存储器中存储有指令，所述指令用于使得所述处理器能够执行以上所述的电动汽车电池健康评分方法。

同时本发明还提供一种机器可读存储介质，所述机器可读存储介质上存储有指令，所述指令用于使得机器能够执行以上所述的电动汽车电池健康评分方法。

本发明利用电池内部机理和机器学习模型，从多角度分析和挖掘影响电池健康的各个因素，并将各因素的影响程度转化为分数的形式。在准确的评估和预测电池健康程度的同时，通过评分的方式，帮助车主定位影响电池健康下降的原因，并给出车主在用车行为、环境工况、日常保养等方面的改善和优化建议，并最终帮助车主实现延长车辆电池的使用寿命。

附图说明

图1是本发明实施例中评估电动汽车电池健康的评分方法示意图；

具体实施方式

下面结合说明书附图和实施例对本发明进行进一步的描述：

参见图1，本实施例给出一种电动汽车电池健康评分的方法，

所述方法具体步骤如下：

S1：采集车辆信号数据和数据预处理，车辆信号数据包括电池内部、用户行为、环境工况这三个类别。

S2：获取和分析车辆当前电池健康状态作为基础评分；

S3：分析用户行为和环境工况对电池健康的影响；

S4：使用评分卡模型对S3的用户行为评分；

S5：分析车辆电池寿命衰减趋势；

S6：建立机器学习模型，预测车辆电池随时间的衰减程度；

S7：根据S6得到的电池健康衰减模型，对电池衰减进行预测和评分；

S8：根据S2、S4、S7的评分结果，计算电池健康总评分。

在本发明进一步的实施例中，所述步骤S1又包括如下步骤：

S1-1：采集车辆类型、用途类型、电池BMS、车主用车行为数据、环境工况等信号数据；

S1-2：根据影响电池健康的因素，将数据进行归类，分成电池内部、用户行为、环境工况这三个类别；

S1-3：预处理数据，删除空值、噪声、无效值等异常数据。

在本发明进一步的实施例中，所述步骤S2又包括如下步骤：

S2-1：获取S1过程中归类并处理后的电池内部类别的数据；

S2-2：查看当前电池健康状态SOH值，并分析电池内部状态数据。包含当前容量、额定容量、内部电阻、自放电率等；

S2-3：根据当前电池SOH值和电池内部状态的分析结果，进行电池健康内部状态的基础评分。

车辆电池BMS信号中的SOH值表示了电池当前的健康状态，通过分析电池内部状态和当前电池健康状态SOH值的关系可发现：电池剩余容量、内阻等状态数据跟SOH值强相关。例如电池剩余容量越小SOH值越低，内阻越大SOH值也越低。使用SOH值可以充分代表电池当前内部状态和电池健康情况。因此在本步骤中，仅用SOH值得出基础评分，公式如下：

score_base＝soh*100

其中，score_base表示基础评分，基础评分在[0，100]区间内。

在本发明进一步的实施例中，所述步骤S3又包括如下步骤：

S3-1：获取S1过程中归类并处理后的用户行为类别和环境工况类别的数据；

S3-2：分析并统计用户行为类数据，包括累计行驶里程、车辆用途、充电行为、放电行为、放电DOD深度、过充行为、快慢充使用比例等；

其中，环境工况类数据需要进行分箱离散化。例如，温度的数据标记成[10℃，20℃]、[20℃，35℃]、[35℃，40℃]、[其他]的离散分箱。

在本发明进一步的实施例中，所述步骤S4又包括如下步骤：

S4-1：构建用于训练和评估用的评分卡模型样本数据集，包括正负样本数据；这些样本数据来源于S3步骤中用户行为和环境工况的相关数据。

S4-2：划分样本数据集，划分成训练集和测试集；

S4-3：特征工程处理，进行变量分箱和离散化；

将所有数据集中的连续特征变量分箱离散化，根据特征的不同，可使用等频/等距分箱、卡方分箱、有监督分箱等方式处理。

WOE(Weight Of Evidence)表示证据权重，值越大说明分箱内的正负样本比例差异大。IV(Information Value)是衡量一个变量的信息量，值越大信息量就大。在特征筛选时，使用IV值进行选择。去除IV值过小和过大的特征变量。

S4-5：在训练数据集上训练分类模型，在测试集中验证分类模型效果。

进一步，所述步骤S4-5中训练和测试的具体步骤如下：

S4-5-1：使用训练集和交叉验证方式训练分类模型，找到最优的参数模型；

此过程中的分类属于二分类问题，使用逻辑回归分类模型：

z＝θ₀+θ₁x1₊θ₂x₂+…+θ_nx_n

其中，θ表示参数，x表示特征变量。h_θ表示逻辑回归模型中使用的Sigmoid函数、e^-z是底数为欧拉数e指数为-z的指数函数。

S4-5-2：使用测试集数据，通过观测混淆矩阵、ROC曲线的AUC值评估模型的效果。

S4-6：评分卡分数转换，输出各变量分箱的分数和模型评分。

评分卡转换分数的公式如下：

A＝P₀-B*ln(θ₀)

score＝A+B*ln(odds)

其中，p表示负样本概率，odds表示发生比。P₀、PDO是常数，A和B无实际意义，属计算分数时的中间值，可由P₀、PDO计算得出。score表示转换后的分数。

在本发明进一步的实施例中，所述步骤S5又包括如下步骤：

S5-1：获取S1过程中归类并处理后的三个类别的数据；

S5-2：将电池内部类别数据标记为因变量，形成因变量池；

在本发明进一步的实施例中，所述步骤S6又包括如下步骤：

S6-2：划分样本数据集，划分成训练集和测试集；

S6-3：根据S5过程中的分析结果，进行特征筛选；

S6-4：特征融合和滤波处理，生成用于表征电池健康衰减的健康因子HI(HealthIndex)。

进一步，所述步骤S6-4中特征融合和滤波处理的具体步骤如下：

S6-4-1：构建由于特征融合的数据集；

定义电池寿命开始的健康状态为1，电池寿命结束的健康状态为0。将训练集中soh＞97的数据标记为1，soh≤80的数据标记为0。然后从训练集中提取已标记的数据，构成用于特征融合的数据集ω：

ω＝{(X，y)}

ω＝{(x_i，0)|soh≤80}∪{(x_i，1)|soh＞97}

S6-4-2：使用线性回归进行特征融合，生成健康因子HI；

在此过程中使用线性回归融合生成健康因子，融合模型如下：

其中，y_HI表示健康因子(HI)，α、β表示模型中的参数，x_i表示特征向量，ε是噪声项来控制过拟合。

S6-4-3：健康因子滤波处理；

由于融合后产生的健康因子(HI)噪声多、波动性很大，因此进一步可以使用Sav_gol进行滤波处理，减小健康衰减的误差。

S6-5：分析健康因子HI随时间的变化影响和趋势。

由于在此过程中训练出来的电池衰减模型会有多个，并形成电池健康衰减模型池。模型公式如下：

其中，y表示因变量健康因子(HI)，a、b、c表示模型中的参数，T^sdj表示自变量时间周期，ε是噪声项来控制过拟合。

S6-7：在测试数据集上验证电池健康衰减模型，评估模型效果；

所述步骤S6-7中在测试数据集中验证模型的步骤如下：

S6-7-1：过滤掉测试集中的soh特征变量；

S6-7-2：执行S6-4的特征融合和滤波处理，生成用于测试数据的健康因子HI_test；

S6-7-3：将HI_test与S6-6步骤的模型池中每个模型的HI进行相似度比较；

相似度比较使用计算特征向量的欧几里得距离的方式，距离越近，则相似度越高。

S6-7-4：将得到的相似度按照降序排序，过滤掉相似度小于3分位数值的模型；

S6-7-5：使用剩下的模型分别进行预测，并将这些模型的预测值的均值作为最终的健康状态值；

S6-7-5：将得到的预测值和S6-7-1中没有过滤的soh值进行比较，误差越小则模型效果越好。

在本发明进一步的实施例中，所述步骤S7又包括如下步骤：

S7-1：根据车辆数据构建用于输入电池健康衰减模型的变量；

S7-2：将变量输入模型，模型输出电池健康预测结果并转化为评分；

转化评分公式如下：

score＝y_predicted*100

其中，score表示分数，y_predioted表示模型预测的电池健康状态值。

在本发明进一步的实施例中，所述步骤S8又包括如下步骤：

S8-1：获取S2、S4、S7过程中的评分结果；

S8-2：设置S2、S4、S7过程中每个评分的权重，并加权求和得到最终电池健康评分；

最终电池健康评分公式如下：

score_final＝w₁s₁+w₂s₂+w₃s₃

其中，score_final为电池健康评分分数，w₁s₁代表基础分数和对应权重，w₂s₂代表用户行为、环境工况分数和对应权重，w₃s₃代表电池健康衰减分数和对应权重。

从实施例的详细内容可见，本方法分别采用了基础健康分、用户用车行为习惯得分、电池衰减得分不同角度得出电池健康评分，以不同角度和不同方法进行综合全面的电池健康评分。所以能有效准确评估电池健康程度的同时，能反映用户车主日常使用车辆习惯对电池健康的影响并提供依据，帮助用户改善和提高用车习惯、提升电池保养知识、延长电池使用寿命等。

Claims

1.一种电动汽车电池健康评分方法，其特征在于，所述方法包括如下步骤：

S1：采集车辆信号数据，进行数据预处理；所述车辆信号数据包括电池内部、用户行为、环境工况三个类别的数据；

S2：获取和分析车辆当前电池健康状态作为基础评分；

S3：分析用户行为和环境工况对电池健康的影响；

S4：使用评分卡模型对S3的用户行为评分；

S5：分析车辆电池寿命衰减趋势；

S6：建立机器学习模型，预测车辆电池随时间的衰减程度；

S8：根据S2、S4、S7的评分结果，设置S2、S4、S7过程中每个评分的权重，加权求和得到最终电池健康评分；

所述步骤S6包括：

S6-2：划分样本数据集，划分成训练集和测试集；

S6-3：根据S5过程中的分析结果，进行特征筛选；

S6-5：分析健康因子HI随时间的变化影响和趋势；

模型公式如下：

其中，y表示因变量健康因子(HI)，a、b、c表示模型中的参数，T^adj表示自变量时间周期，ε是噪声项来控制过拟合；

所述步骤S6-4包括：

S6-4-1：构建用于特征融合的数据集；

定义电池寿命开始的健康状态为1，电池寿命结束的健康状态为0，将训练集中soh>97的数据标记为1，soh≤80的数据标记为0，然后从训练集中提取已标记的数据，构成用于特征融合的数据集ω：

ω＝{(X,y)}

ω＝{(x_i,0)|soh≤80}∪{(x_i,1)|soh>97}

其中，X表示数据集中样本的特征，y表示样本的标签(即电池健康状态),x_i表示样本i的特征；

S6-4-2：使用线性回归进行特征融合，生成健康因子HI；

融合模型如下：

其中，y_HI表示健康因子(HI)，α、β表示模型中的参数，x表示特征变量，x_i表示样本i的特征向量，ε是噪声项用来控制过拟合；

S6-4-3：健康因子滤波处理。

2.根据权利要求1所述的电动汽车电池健康评分方法，其特征在于，所述步骤S1包括：

S1-1：采集车辆信号数据，包括车辆类型、用途类型、电池BMS、车主用车行为数据、环境工况；所述车辆信号数据是基于车联网的大数据；

S1-2：根据影响电池健康的因素，将数据进行归类，分成电池内部、用户行为、环境工况三个类别；

S1-3：预处理数据，删除空值、噪声、无效值。

3.根据权利要求1所述的电动汽车电池健康评分方法，其特征在于，所述步骤S2包括：

S2-1：获取S1过程中归类并处理后的电池内部类别的数据；

S2-2：根据当前电池健康状态SOH值，分析电池内部状态数据，包含当前电池容量、额定容量、内部电阻、自放电率；

S2-3：根据当前电池SOH值和电池内部状态数据的分析结果，进行电池健康内部状态的基础评分。

4.根据权利要求3所述的电动汽车电池健康评分方法，其特征在于，所述基础评分由SOH值得出，公式如下：

score_base＝soh*100

其中，score_base表示基础评分，基础评分在[0,100]区间内。

5.根据权利要求1所述的电动汽车电池健康评分方法，其特征在于，所述步骤S3包括：

S3-2：分析并统计用户行为类数据，包括累计行驶里程、车辆用途、充电行为、放电行为、放电DOD深度、过充行为、快慢充使用比例；

S3-3：分析并统计环境工况类数据，包括温度环境、欠压和过压情况、高SOC静置情况。

6.根据权利要求1所述的电动汽车电池健康评分方法，其特征在于，所述步骤S4包括：

S4-2：划分样本数据集，划分成训练集和测试集；

S4-3：特征工程处理，进行变量分箱和离散化；

S4-4：计算特征变量的证据权重WOE值和信息量IV值，进行特征筛选和分箱检验；

S4-6：评分卡分数转换，输出各变量分箱的分数和模型评分。

7.根据权利要求1所述的电动汽车电池健康评分方法，其特征在于，所述步骤S5包括：

S5-1：获取S1过程中归类并处理后的三个类别的数据；

S5-2：将电池内部类别数据标记为因变量，形成因变量池；

8.根据权利要求1所述的电动汽车电池健康评分方法，其特征在于，所述步骤S7包括：

S7-1：根据车辆数据构建用于输入电池健康衰减模型的变量；

转化评分公式如下：

score＝y_predicted*100

其中，score表示分数，y_predicted表示模型预测的电池健康状态值。

9.一种电动汽车电池健康评分***，其特征在于，所述***包括存储器和处理器，所述存储器中存储有指令，所述指令用于使得所述处理器能够执行根据权利要求1至8中任一项所述的电动汽车电池健康评分方法。

10.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有指令，所述指令用于使得机器能够执行根据权利要求1至8中任一项所述的电动汽车电池健康评分方法。