CN114462259A - 基于soc的电池剩余寿命预测方法、***、汽车及介质 - Google Patents
基于soc的电池剩余寿命预测方法、***、汽车及介质 Download PDFInfo
- Publication number
- CN114462259A CN114462259A CN202210381288.6A CN202210381288A CN114462259A CN 114462259 A CN114462259 A CN 114462259A CN 202210381288 A CN202210381288 A CN 202210381288A CN 114462259 A CN114462259 A CN 114462259A
- Authority
- CN
- China
- Prior art keywords
- sequence
- diff
- degradation
- health
- soc
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000036541 health Effects 0.000 claims abstract description 160
- 238000006731 degradation reaction Methods 0.000 claims abstract description 115
- 230000015556 catabolic process Effects 0.000 claims abstract description 105
- 239000000178 monomer Substances 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 7
- 230000006641 stabilisation Effects 0.000 claims abstract description 5
- 238000011105 stabilization Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 241001123248 Arma Species 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 101100257262 Caenorhabditis elegans soc-1 gene Proteins 0.000 claims description 4
- 239000011782 vitamin Substances 0.000 abstract 1
- 229940088594 vitamin Drugs 0.000 abstract 1
- 229930003231 vitamin Natural products 0.000 abstract 1
- 235000013343 vitamin Nutrition 0.000 abstract 1
- 150000003722 vitamin derivatives Chemical class 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 16
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000007850 degeneration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 101150114085 soc-2 gene Proteins 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Algebra (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开基于SOC不均衡程度的电池剩余寿命预测方法，基于电池充放电数据划分退化阶段；计算充电过程同一时刻不同单体SOC相较于基准SOC的差异diff(SOC1)，依次获取所有退化阶段的diff(SOC1)曲线，提取对应的健康因子，计算充电过程同一单体退化过程相较于基准SOC的偏差diff(SOC2)，依次获取所有退化阶段的diff(SOC2)曲线，提取对应的健康因子；基于单调性评价筛选健康因子，降维生成最终健康因子；对健康因子序列进行平稳化处理，对模型的自回归项阶数p和移动平均阶数q进行定阶，通过极大似然估计对模型进行参数估计，完成预测模型拟合；基于健康因子阈值得到当前时刻电池剩余寿命。
Description
技术领域
本发明属于新能源汽车动力电池领域，涉及一种新能源汽车电池寿命预测方法。
背景技术
近年来，新能源汽车的动力电池安全问题受到越来越广泛的关注。在电池的使用过程中，其内部化学物质的变化、正负极材料的损耗都会造成电池性能的退化。电池的性能退化会导致电池容量的衰退，继而埋下电池热失控的隐患。在IEEE标准1188-1996中有明确规定，当电池容量下降到出厂容量的80%时就应该更换电池。如果能够对电池的剩余寿命（Remaining Useful Life，RUL）进行精准的预测，那么就可以很大程度上避免电池各类故障的发生，大大降低电池热失控风险。除此之外，电池剩余寿命预测结果也可为电池的预测性维护、维修及优化提供支撑信息。
剩余寿命是指设备或***从当前状态运行至失效的时间。作为故障预测与健康管理（Prognostics and Health Management，PHM）领域内的一项关键研究内容，剩余寿命预测与传统的基于状态的维护（Condition-based Maintenance，CBM）最大的区别在于，剩余寿命预测不仅要知道***当前的状态如何，还要能预见性的判断***还能正常使用多长时间。因此，剩余寿命预测的关键在于找到与***寿命高度相关的特征。跟踪特征的发展趋势，就可以比较准确地预测出***的剩余寿命。这个特征在PHM领域也被称作健康因子（Health Index，HI）。
目前提出的RUL预测方法，例如CN202110380348.8（一种基于粒子滤波的电池剩余寿命预测方法）、CN202110206262.3（基于MFF的多核GPR算法的锂电池剩余寿命预测方法），主要还是将电池容量作为健康因子，基于该健康因子序列来预测电池剩余寿命。然而在实际情况中，往往只能获取到电池单体的电压、电流、SOC等信息，不同充放电循环的电池容量数据是获取不到的。因此，如何基于可以获取到的数据构造健康因子，进而预测电池剩余寿命就显得尤为重要。
公开号：CN113761751A，名称“基于温度加速因子的锂离子电池剩余寿命预测方法及***”提供了一种基于温度加速因子的锂离子电池剩余寿命预测方法及***，包括：在不同环境温度下对锂离子电池进行加速循环老化试验，得到每个充、放电循环下的放电容量；取放电容量损失数据并归一化处理；根据容量损失数据，基于改进维纳过程建立非线性退化模型，推导得到寿命概率密度表达式；构建温度加速漂移函数；从而构建出基于温度加速因子的锂离子电池非线性退化模型；通过基于温度加速因子的锂离子电池非线性退化模型，考虑多个隐含状态，构建状态空间方程；对状态空间方程中的隐含状态进行参数估计及更新；根据所提非线性模型对不同温度条件下的电池的剩余使用寿命进行预测，得到剩余寿命概率密度函数及剩余寿命预测值，并计算预测误差。
公开号CN112630662A，名称“一种基于数据驱动及多参数融合的动力电池SOH估算方法”的中国发明专利申请，涉及一种基于数据驱动及多参数融合的动力电池SOH估算方法，通过提取电池在充电状态下与电池性能衰减有关的五种特征参量对电池SOH进行综合性评估；并分析其参量与电池实际容量相关性；为解决多参数导致运算效率，消除数据冗余，本发明选择多维标度法(MDS)对所选参数进行降维，获得融合的一维特征参量作为综合性的健康因子；最后利用机器学习训练SOH估算模型。本发明给出的多参数融合估算模型，解决单一参量表征电池健康状态估算精度低且模型只局限于一种电池类型的问题。本发明选取有效健康因子充分表征电池SOH的影响因素，无需构建复杂的电池模型，即可提高运算速度和估算精度，相比其他模型性能更好，提升了BMS整体运行速度和使用效率。
然而上述文献所提方法是建立在实验室条件下的。在实际用车情况下，一方面受限于tbox带宽，可上传的信号种类和上传周期都受到了限制，导致上述方法难以实施；另一方面，对于有监督学习而言，需要获取电池容量作为标签来训练SOH预测模型，而电池容量标签在实际用车情况中也是无法通过低成本的方式直接获取的。因此，为解决实际用车过程中的电池剩余寿命预测，需要提出一种基于可获取的国标企标数据构建而来的预测方法。
发明内容
本发明所要解决的技术问题是，针对实际用车过程中汽车电池在充电过程中单体SOC（(State of Charge荷电状态）不均衡，不易获取电池容量数据以预测电池的剩余寿命，通过可获取到的数据构造表征SOC不均衡程度的健康因子，从而完成电池剩余寿命预测。
本发明解决上述技术问题的技术方案是，提出一种基于SOC不均衡程度的电池剩余寿命预测方法，包括：数据预处理、特征提取、特征融合、预测模型拟合、RUL预测阶段，数据预处理：基于电池充放电数据划分退化阶段；特征提取：计算充电过程中同一时刻不同单体SOC相较于基准SOC的差异diff(SOC1)，依次获取所有退化阶段的diff(SOC1)曲线，提取各退化阶段diff(SOC1)健康因子，获取对应健康因子序列，计算充电过程中同一单体在不同退化阶段相较于基准SOC的偏差diff(SOC2)，依次获取所有退化阶段的diff(SOC2)曲线，提取各退化阶段diff(SOC2)健康因子，获取对应健康因子序列；特征融合：基于单调性评价筛选上述健康因子，通过PCA降维生成最终健康因子；预测模型拟合：对最终健康因子序列进行平稳化处理，对预测模型的自回归项阶数p和移动平均阶数q进行定阶，通过极大似然估计对模型进行参数估计，确定模型参数，完成预测模型拟合；RUL预测：预测模型基于达到健康因子阈值的预报步数得到当前时刻电池剩余寿命。
进一步优选，在每一个退化阶段的充电过程中，确定同一时刻的基准SOC，将此时刻所有单体的SOC值与基准SOC作差，得到基于基准SOC的所有单体的SOC差值diff(SOC1)；在每一个退化阶段，根据不同时刻多个基准SOC构成一条带有置信区间的diff(SOC1)曲线，依次获取所有退化阶段的diff(SOC1)曲线，提取不同退化阶段所有单体diff(SOC1)分布的一阶矩至四阶矩特征信息构造diff(SOC1)健康因子。
进一步优选，计算充电过程中同一单体在不同退化阶段的不同时刻相较于基准SOC的差异diff(SOC2)，对每一个单体提取不同退化阶段的diff(SOC2)，依次获取所有单体在所有退化阶段的diff(SOC2)曲线，提取不同退化阶段所有单体diff(SOC2)分布的一阶矩至四阶矩信息特征构造diff(SOC2)健康因子。
进一步优选，在每一个退化阶段的充电过程中，基准SOC设置为同一时刻所有单体SOC值的中位数。
进一步优选，所述特征融合阶段进一步包括，计算上述健康因子序列相邻两值间的差分
，调用公式：
对提取的p+q个健康因子序列进行单调性评估，得到单调性指标满足预定值的健康因子，式中，N代表序列长度，
和
分别记录了差分为正和差分为负的数目，X={x k } k=T0:Tn 表示健康因子序列。
进一步优选，所述特征融合阶段进一步包括，基于单调性特征筛选得到满足单调性指标要求的健康因子，通过主成分分析采用中心化方式将多个健康因子进行融合，调用公式：
，对筛选出来的健康因子序列进行中心化，式中，x ri,k 表示健康因子r i 在第k个退化阶段的序列值，
表示x ri,k 对应中心化后的序列值。
进一步优选，所述生成最终健康因子进一步包括，调用公式：
，计算健康因子序列间的协方差矩阵，对协方差矩阵C进行特征值分解，取最大的特征值对应的单位特征向量
，将筛选出的健康因子降维得到特征
，获取的序列Y作为最终的健康因子HI final 序列，其中X为健康因子HI final 序列的矩阵形式，
。
进一步优选，完成预测模型拟合进一步包括：对HI final 序列进行多次差分直至得到平稳序列，将平稳序列输入ARMA模型中，根据公式：
建立差分自回归移动平均预测模型，根据退化阶段中获得的最终健康因子HI final 序列中的序列值y t-i 预测未来t时刻的健康因子序列值y t， 式中，μ表示常数项，p表示自回归项阶数，q表示移动平均阶数，γ i 表示自回归系数，θ j 表示移动平均系数，ε t 表示误差项，{ε t }为平均值，标准差等于σ的随机误差序列。
本发明还提出一种基于SOC不均衡程度的电池剩余寿命预测***，包括：数据预处理单元、特征提取单元、特征融合单元、预测模型拟合单元、RUL预测单元，数据预处理单元基于电池充放电数据划分电池退化阶段；特征提取单元计算充电过程中的基于基准SOC的所有单体的SOC差值diff(SOC1)，依次获取所有退化阶段的diff(SOC1)曲线，提取各退化阶段对应的健康因子，计算充电过程中同一单体在不同退化阶段相较于基准SOC的偏差diff(SOC2)，依次获取所有退化阶段的diff (SOC2)曲线，提取各退化阶段diff (SOC2)健康因子，获取对应健康因子序列；特征融合单元基于单调性评价筛选健康因子，通过PCA降维生成最终健康因子；预测模型拟合单元对健康因子序列进行平稳化处理，对预测模型的自回归项阶数p和移动平均阶数q进行定阶，通过极大似然估计对模型进行参数估计，完成RUL预测模型拟合；RUL预测模型基于达到健康因子阈值的预报步数得到当前时刻电池剩余寿命。
进一步优选，特征提取单元在每一个退化阶段的充电过程中，确定同一时刻的基准SOC，将此时刻所有单体的SOC值与基准SOC作差，得到基于基准SOC的所有单体的SOC差值diff(SOC1)；在每一个退化阶段，根据不同时刻多个基准SOC构成一条带有置信区间的diff(SOC1)曲线，依次获取所有退化阶段的diff(SOC1)曲线，提取不同退化阶段所有单体diff(SOC1)分布的一阶矩至四阶矩特征信息构造diff(SOC1)健康因子。
进一步优选，特征提取单元计算充电过程中同一单体在不同退化阶段的不同时刻相较于基准SOC的差异diff(SOC2)，对每一个单体提取不同退化阶段的diff(SOC2)，依次获取所有单体在所有退化阶段的diff(SOC2)曲线，提取不同退化阶段所有单体diff(SOC2)分布的一阶矩至四阶矩信息特征构造diff(SOC2)健康因子。
进一步优选，特征融合单元计算上述健康因子序列相邻两值间的差分
，调用公式：
对提取的p+q个健康因子序列进行单调性评估，得到单调性指标满足预定值的健康因子，式中，N代表序列长度，
和
分别记录了差分为正和差分为负的数目，X={x k } k=T0:Tn 表示健康因子序列。
进一步优选，特征融合单元基于单调性特征筛选得到满足单调性指标要求的健康因子，通过主成分分析采用中心化方式将多个健康因子进行融合，调用公式：
，对筛选出来的健康因子序列进行中心化，式中，x ri,k 表示健康因子r i 在第k个退化阶段的序列值，
表示x ri,k 对应中心化后的序列值。
进一步优选，特征融合单元调用公式：
，计算健康因子序列间的协方差矩阵，对协方差矩阵C进行特征值分解，取最大的特征值对应的单位特征向量
，将筛选出的健康因子降维得到特征
，获取的序列Y作为最终的健康因子HI final 序列，其中X为健康因子HI final 序列的矩阵形式，
。
进一步优选，预测模型拟合单元对HI final 序列进行多次差分直至得到平稳序列，将平稳序列输入ARMA模型中，根据公式：
建立差分自回归移动平均预测模型，根据退化阶段中获得的最终健康因子HI final 序列中的序列值y t-i 预测未来t时刻的健康因子序列值y t，， 式中，μ表示常数项，p表示自回归项阶数，q表示移动平均阶数，γ i 表示自回归系数，θ j 表示移动平均系数，ε t 表示误差项。
本发明还请求保护一种汽车，包括如上所述的电池剩余寿命预测***。
本发明还请求保护一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的电池剩余寿命预测方法。
基于最终的健康因子HI final 序列拟合得到预测模型，预测模型可使用经验模型、统计模型、AI模型等；利用拟合后的预测模型超前多步预报健康因子值直到预设阈值，记录超前预报步数，便可得当前时刻基于SOC不均衡程度的电池剩余寿命。
本发明提出的基于SOC不均衡程度的电池剩余寿命预测框架能够可靠地对电池剩余寿命进行预测，实现新能源汽车动力电池的预测性维护。基于SOC不均衡程度，将电池使用寿命划分不同退化阶段，在电池使用过程的各个退化阶段中提取所有单体在不同退化阶段与基准SOC差异的特征信息构造健康因子，克服因为充电过程中单体SOC不均衡，上传数据质量波动导致电池容量计算误差较大问题，易于在实际开发应用及工程中实施，获取和利用有限数量的电池特征信息构造健康因子，降低对tbox带宽的占用；充分考虑SOC不均衡性，基于获取大部分置信区间电池特征数据，通过电池不同退化阶段确定健康因子拟合预测模型，有效提高了预测准确性；通过对不同退化阶段SOC差异特征的识别，有助于诊断和定位电池单体故障。
附图说明
图1是基于SOC不均衡程度的电池剩余寿命预测方法的流程框图；
图2是通过超前预报健康因子预测剩余寿命的示意图。
具体实施方式
为了使本发明实现的技术手段、达成目的与功效易于明白了解，以下结合附图和具体实施例对本发明所述电池剩余寿命预测方法作具体阐述。
实际上，电池在充电过程中的单体SOC是不均衡的，并且随着电池性能的衰退，充电过程中不同单体间的SOC不均衡程度也在逐渐增大，因此可以通过量化这种不均衡程度来获取健康因子，表征电池的衰退过程，进而预测电池的剩余寿命。
如图1所示为基于SOC不均衡程度的电池剩余寿命预测流程框图。本发明构建电池剩余寿命预测***基于获取的健康因子实施电池剩余寿命预测，该电池剩余寿命预测***包括：数据预处理单元、特征提取单元、特征融合单元、预测模型拟合单元、RUL预测单元，其中，数据预处理阶段单元：基于电池充放电数据划分电池退化阶段；特征提取单元：计算充电过程中的基于基准SOC的所有单体的SOC差值diff(SOC1)，依次获取所有退化阶段T 0,T 1,T 2, …,T n 的diff(SOC1)曲线，提取各退化阶段对应的健康因子，计算充电过程中的diff(SOC2)，依次获取所有退化阶段T 0,T 1,T 2, …,T n 的diff(SOC2)曲线，提取各退化阶段对应的健康因子；特征融合单元：基于单调性评价筛选健康因子，通过PCA降维生成最终健康因子；预测模型拟合单元：对健康因子序列进行平稳化处理，对预测模型的自回归项阶数p和移动平均阶数q进行定阶，通过极大似然估计对模型进行参数估计，完成预测模型拟合；RUL预测模型：基于达到健康因子阈值的预报步数得到当前时刻电池剩余寿命。
一般情况下，车辆行驶里程数是评判电池剩余寿命的一个标准。为了将电池退化过程与车辆行驶里程数相对应，首先将理论电池寿命对应的车辆能行驶里程数等间隔划分出多个退化阶段T 0,T 1,T 2, …,T n 。例如：将行驶里程为0~3000公里的电池充放电数据切分到T 0阶段，3000~6000公里的电池充放电数据切分到T 1阶段，之后依次获取T 2, …,T n 阶段。
在每一个退化阶段的充电过程中，确定同一时刻的基准SOC，基准SOC可设置为同一时刻所有单体SOC值的中位数，也可取其他经验值，用于接下来计算SOC不均衡程度，为表征电池单体间的差异提供基准。将此时刻所有单体的SOC值与基准SOC作差，得到基于基准SOC的所有单体的SOC差值diff(SOC1)。diff(SOC1)是同一时刻不同单体SOC相较于基准SOC的差异，描述了同一时刻单体间SOC的不均衡程度。在每一个退化阶段中，对于同一基准SOC都可以统计得到一个diff(SOC1)的分布，根据不同时刻多个基准SOC构成一条带有置信区间的diff(SOC1)曲线，依次获取所有退化阶段T 0,T 1,T 2, …,T n 的diff(SOC1)曲线。提取不同退化阶段同一基准SOC下diff(SOC1)分布的一阶矩至四阶矩信息构造健康因子。
常见的一阶矩至四阶矩特征有均值（一阶中心距）、方差（二阶中心距）、均方（二阶矩）、偏度（三阶中心距）、峰度（四阶中心距）等。不同退化阶段同一基准SOC下diff(SOC1)分布会有趋势性的变化，由于一阶矩至四阶矩信息可基本描述分布情况，因此提取不同退化阶段同一基准SOC下diff(SOC1)分布的多个一阶矩至四阶矩特征可以挖掘出这种趋势性变化，进而表达出电池的衰退信息。
提取不同退化阶段同一基准SOC下diff(SOC1)分布的多个一阶矩至四阶矩特征作为健康因子，获取多个健康因子HI1, HI2, …, HI p。 依次获得各健康因子的序列。
例如：可以将基准SOC为预定值（如经验值40%）时的方差设置为健康因子HI1，依次提取每个退化阶段T 0,T 1,T 2, …,T n 的健康因子HI1获得HI1的序列{var T0 ,var T1 ,…,var Tn }，按照此方法，将均值、均方等其他一阶矩至四阶矩特征作为健康因子，共可以获取多个健康因子HI1, HI2, …, HI p 。
计算同一单体在不同退化阶段的不同时刻相较于基准SOC的差异diff(SOC2)，对每一个单体提取不同退化阶段相较于基准SOC的偏差diff(SOC2)，diff(SOC2)描述的是同一单体退化过程相较于基准SOC的偏差。对于每一个单体而言，每一个退化阶段对应于基准SOC都可以统计得到一个diff(SOC2)的分布，多个基准SOC就可以构成一条带有置信区间的diff(SOC2)曲线，多个退化阶段就可以构成多条带有置信区间的diff(SOC2)曲线，依次获取所有单体Cell1, Cell2, …, Cell m 在所有退化阶段T 0, T 1, T 2, …, T n 的diff(SOC2)曲线。提取所有单体退化过程中不同退化阶段相较于基准SOC的偏差diff(SOC2)分布的多个一阶矩至四阶矩特征信息作为健康因子，得到多个健康因子HI p+1, HI p+2,…,HI p+q。 依次获得各健康因子的序列。
例如，可以将电池单体Cell1的基准SOC设定为预定值（如经验值40%）的diff(SOC2)分布的均值设置为健康因子，提取退化过程中T 0, T 1, T 2, …, T n 所有阶段diff(SOC2)分布的均值作为健康因子HI p+1，获得健康因子HI p+1的序列{mean T0 , mean T1,…,mean Tn }，按照此方法，提取退化过程中各退化阶段diff(SOC2)分布的均值、均方等其他一阶矩至四阶矩特征作为健康因子，依次获得各健康因子的序列。如此，得到p+q个健康因子序列，其中，p为diff(SOC1)对应的分布特征矩数量，q为diff(SOC2)对应的分布特征矩数量。
对上述提取的p+q个健康因子序列的单调性进行评估。例如，可调用公式：
进行单调性评估。式中，N=n+1代表序列长度，
表示了健康因子序列相邻两值间的差分（第k+1个健康因子序列x k+1 和第k个健康因子序列x k ），
和
分别记录了差分为正和差分为负的数目，X={x k } k=T0:Tn 指代HI1, HI2,…,HI p+q 其中之一的健康因子序列。
为了降低特征之间的冗余信息、减少模型复杂度，可以基于特定指标筛选预定数量特征。例如：基于单调性特征筛选得到单调性指标最高的前三个健康因子HI r1={x r1 , k } k=T0:Tn 、HI r2={x r2 , k } k=T0:Tn 、HI r3={x r3 , k } k=T0:Tn ，通过主成分分析PCA（PrincipalComponents Analysis）将多个健康因子进行融合。可采用中心化方式进行融合。调用公式：
对筛选出来的健康因子序列进行中心化。式中，x ri,k 表示健康因子HIri在第k个退化阶段的序列值，表示x ri,k 对应中心化后的序列值。通过中心化将各维度数据整合在原点附近，使得计算得到的主成分方向能够对原始数据比较好地表达。
进一步调用公式：
，计算健康因子序列间的协方差矩阵，其中X为中心化后健康因子序列的矩阵形式，即
对协方差矩阵C进行特征值分解，取最大的特征值对应的单位特征向量W(如：
），将筛选出的健康因子降维得到特征
，获取的序列Y作为最终的健康因子HI final 序列。
可使用各类模型建立预测模型基于电池健康因子对剩余寿命进行预测，本实施例使用ARIMA（Autoregressive Integrated Moving Average Model，差分自回归移动平均）模型为预测模型。ARIMA模型是在ARMA模型基础上发展而来，ARIMA模型通常用于需求预测和规划，从历史的数据中学习到随时间变化的模式，利用学到的模式去预测未来的趋势。基于健康因子HI final 序列预报未来退化阶段的健康因子值，当预报到未来某一阶段的健康因子值超过预设的阈值后，就可以反推出电池剩余寿命，即电池还可以安全运行多少个退化阶段所代表的里程数。
以ARIMA模型为基础构建预测模型。具体为：根据前面退化阶段中某时刻（t-i时 刻）获得的最终健康因子HI final 序列中的序列值y t-i ，调用公式：
计算未来退化阶段t时刻HI final 序列的序列值y t， 由此获得未来退化阶段的健康因子值。其中，μ表示常数项，p表示自回归项阶数，q表示移动平均阶数，γ i 表示自回归系数，θ j 表示移动平均系数，ε t 表示时刻t的误差项，ε t-j 表示时刻t-j的误差项，{ε t }假设平均值为0，标准差等于σ的随机误差序列。
为获得更加准确的预测结果，ARMA模型的输入需要平稳序列，平稳序列要求序列的均值和方差不发生明显变化。
由上可知，通过本方法提取的健康因子序列具有明显的单调性，是非平稳序列，可通过取差分的方法将非平稳序列形成平稳序列。因此ARIMA模型将差分项I(d)引入到ARMA模型中，首先，对非平稳序列进行d阶差分将其平稳化。之后再建立ARMA模型。具体如下：
对HI final 序列进行多次差分直至得到平稳序列，将平稳序列输入ARMA模型中。对预测模型的自回归项阶数p和移动平均阶数q进行定阶，确定模型参数个数。Pandit证明了用一个(p, q)分别为(n, n-1)的ARMA模型可以把任一平稳随机***逼近到所要求的精度。本实施例可通过Pandit所提出方法进行模型定阶，在保证模型定阶合理性的同时节省了网格遍历所需的时间。
模型定阶完成后，模型中的参数个数也确定下来，通过极大似然估计来对模型进行参数估计，至此，模型拟合完成。通过拟合后的模型作为电池剩余寿命预测模型，超前多步预报健康因子至预设的阈值，记录超前预报步数，便可得当前时刻的电池剩余寿命。
如图2所示为通过超前预报健康因子预测剩余寿命的示意图。当前时刻车辆电池使用完成退化阶段T 35后，实线表示基于退化阶段T 0—T 35计算得到的健康因子序列HI final 。之后通过拟合好的ARIMA模型超前预报T 36、T 37、T 38、…的健康因子值及其95%置信区间，如点划线和灰色填充区间所示。由于退化阶段T 39的健康因子预报值超过了阈值，所以在退化阶段T 38完成后当前电池寿命已尽，反推出当前时刻电池剩余寿命还剩3个退化阶段所表示的行驶里程数。
对于健康的电池单体，上述偏差diff(SOC1)、diff(SOC2)的波动会在有限区间内，在退化阶段当获取的某个电池单体的偏差曲线波动较大，偏差超过预定值，可诊断为该单体发生故障。
上述实施方法例仅为本发明的具体实施方法例，并不用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围。
Claims (17)
1.一种基于SOC不均衡程度的电池剩余寿命预测方法，其特征在于，包括：数据预处理、特征提取、特征融合、预测模型拟合、RUL预测阶段，数据预处理：基于电池充放电数据划分退化阶段；特征提取：计算充电过程中同一时刻不同单体SOC相较于基准SOC的差异diff(SOC1)，依次获取所有退化阶段的diff(SOC1)曲线，提取各退化阶段diff(SOC1)健康因子，获取对应健康因子序列，计算充电过程中同一单体在不同退化阶段相较于基准SOC的偏差diff(SOC2)，依次获取所有退化阶段的diff(SOC2)曲线，提取各退化阶段diff(SOC2)健康因子，获取对应健康因子序列；特征融合：基于单调性评价筛选上述健康因子，通过PCA降维生成最终健康因子；预测模型拟合：对最终健康因子序列进行平稳化处理，对预测模型的自回归项阶数p和移动平均阶数q进行定阶，通过极大似然估计对模型进行参数估计，确定模型参数，完成预测模型拟合；RUL预测：预测模型基于达到健康因子阈值的预报步数得到当前时刻电池剩余寿命。
2.根据权利要求1所述的方法，其特征在于，在每一个退化阶段的充电过程中，确定同一时刻的基准SOC，将此时刻所有单体的SOC值与基准SOC作差，得到基于基准SOC的所有单体的SOC差值diff(SOC1)；在每一个退化阶段，根据不同时刻多个基准SOC构成一条带有置信区间的diff(SOC1)曲线，依次获取所有退化阶段的diff(SOC1)曲线，提取不同退化阶段所有单体diff(SOC1)分布的一阶矩至四阶矩特征信息构造diff(SOC1)健康因子。
3.根据权利要求1所述的方法，其特征在于，计算充电过程中同一单体在不同退化阶段的不同时刻相较于基准SOC的差异diff(SOC2)，对每一个单体提取不同退化阶段的diff(SOC2)，依次获取所有单体在所有退化阶段的diff(SOC2)曲线，提取不同退化阶段所有单体diff(SOC2)分布的一阶矩至四阶矩特征信息构造diff(SOC2)健康因子。
4.根据权利要求2或3所述的方法，其特征在于，在每一个退化阶段的充电过程中，基准SOC设置为同一时刻所有单体SOC值的中位数。
5.根据权利要求1-3其中之一所述的方法，其特征在于，所述特征融合阶段进一步包括，计算上述健康因子序列相邻两值间的差分
，调用公式：
对提取的p+q个健康因子序列进行单调性评估，得到单调性指标满足预定值的健康因子，式中，N代表序列长度，
和
分别记录了差分为正和差分为负的数目，X={x k } k=T0:Tn 表示健康因子序列。
6.根据权利要求1-3其中之一所述的方法，其特征在于，所述特征融合阶段进一步包括，基于单调性特征筛选得到满足单调性指标要求的健康因子，通过主成分分析采用中心化方式将多个健康因子进行融合，调用公式：
，对筛选出来的健康因子序列进行中心化，式中，x ri,k 表示健康因子r i 在第k个退化阶段的序列值，
表示x ri,k 对应中心化后的序列值，n+1代表序列长度，T 0… T n 代表多个退化阶段。
7.根据权利要求6所述的方法，其特征在于，生成最终健康因子进一步包括，调用公式：
，计算健康因子序列间的协方差矩阵，对协方差矩阵C进行特征值分解，取最大的特征值对应的单位特征向量W，将筛选出的健康因子降维得到特征
，获取的序列Y作为最终的健康因子HI final 序列，其中，X为健康因子HI final 序列的矩阵形式，
。
8.根据权利要求7所述的方法，其特征在于，完成预测模型拟合进一步包括：对HI final 序列进行多次差分直至得到平稳序列，将平稳序列输入ARMA模型中，根据公式：
建立差分自回归移动平均预测模型，根据退化阶段中获得的最终健康因子HI final 序列中的序列值y t-i 预测未来t时刻的健康因子序列值y t， 式中，μ表示常数项，p表示自回归项阶数，q表示移动平均阶数，γ i 表示自回归系数，θ j 表示移动平均系数，ε t 表示误差项，ε t-j 表示时刻t-j的误差项。
9.一种基于SOC不均衡程度的电池剩余寿命预测***，其特征在于，包括：数据预处理单元、特征提取单元、特征融合单元、预测模型拟合单元、RUL预测单元，数据预处理单元基于电池充放电数据划分电池退化阶段；特征提取单元计算充电过程中的基于基准SOC的所有单体的SOC差值diff(SOC1)，依次获取所有退化阶段的diff(SOC1)曲线，提取各退化阶段对应的健康因子，计算充电过程中同一单体在不同退化阶段相较于基准SOC的偏差diff(SOC2)，依次获取所有退化阶段的diff(SOC2)曲线，提取各退化阶段diff(SOC2)健康因子，获取对应健康因子序列；特征融合单元基于单调性评价筛选健康因子，通过PCA降维生成最终健康因子；预测模型拟合单元对健康因子序列进行平稳化处理，对预测模型的自回归项阶数p和移动平均阶数q进行定阶，通过极大似然估计对模型进行参数估计，完成RUL预测模型拟合；RUL预测模型基于达到健康因子阈值的预报步数得到当前时刻电池剩余寿命。
10.根据权利要求9所述的***，其特征在于，特征提取单元在每一个退化阶段的充电过程中，确定同一时刻的基准SOC，将此时刻所有单体的SOC值与基准SOC作差，得到基于基准SOC的所有单体的SOC差值diff(SOC1)；在每一个退化阶段，根据不同时刻多个基准SOC构成一条带有置信区间的diff(SOC1)曲线，依次获取所有退化阶段的diff(SOC1)曲线，提取不同退化阶段所有单体diff(SOC1)分布的一阶矩至四阶矩特征信息构造diff(SOC1)健康因子。
11.根据权利要求9所述的***，其特征在于，特征提取单元计算充电过程中同一单体在不同退化阶段的不同时刻相较于基准SOC的差异diff(SOC2)，对每一个单体提取不同退化阶段的diff(SOC2)，依次获取所有单体在所有退化阶段的diff(SOC2)曲线，提取不同退化阶段所有单体diff(SOC2)分布的一阶矩至四阶矩信息特征构造diff(SOC2)健康因子。
12.根据权利要求9-11其中之一所述的***，其特征在于，特征融合单元计算上述健康因子序列相邻两值间的差分
，调用公式：
对提取的p+q个健康因子序列进行单调性评估，得到单调性指标满足预定值的健康因子，式中，N代表序列长度，
和
分别记录了差分为正和差分为负的数目，X={x k } k=T0:Tn 表示健康因子序列。
13.根据权利要求9-11其中之一所述的***，其特征在于，特征融合单元基于单调性特征筛选得到满足单调性指标要求的健康因子，通过主成分分析采用中心化方式将多个健康因子进行融合，调用公式：
，对筛选出来的健康因子序列进行中心化，式中，x ri,k 表示健康因子r i 在第k个退化阶段的序列值，
表示x ri,k 对应中心化后的序列值，n+1代表序列长度，T 0… T n 代表多个退化阶段。
14.根据权利要求13所述的***，其特征在于，特征融合单元调用公式：
，计算健康因子序列间的协方差矩阵，对协方差矩阵C进行特征值分解，取最大的特征值对应的单位特征向量W，将筛选出的健康因子降维得到特征
，获取的序列Y作为最终的健康因子HI final 序列，其中，X为健康因子HI final 序列的矩阵形式，
。
15.根据权利要求14所述的***，其特征在于，预测模型拟合单元对HI final 序列进行多次差分直至得到平稳序列，将平稳序列输入ARMA模型中，根据公式：
建立差分自回归移动平均预测模型，根据退化阶段中获得的最终健康因子HI final 序列中的序列值y t-i 预测未来t时刻的健康因子序列值y t， 式中，μ表示常数项，p表示自回归项阶数，q表示移动平均阶数，γ i 表示自回归系数，θ j 表示移动平均系数，ε t 表示误差项。
16.一种汽车，其特征在于，包括如权利要求9至15任一项所述的电池剩余寿命预测***。
17.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至8所述的电池剩余寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210381288.6A CN114462259B (zh) | 2022-04-13 | 2022-04-13 | 基于soc的电池剩余寿命预测方法、***、汽车及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210381288.6A CN114462259B (zh) | 2022-04-13 | 2022-04-13 | 基于soc的电池剩余寿命预测方法、***、汽车及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114462259A true CN114462259A (zh) | 2022-05-10 |
| CN114462259B CN114462259B (zh) | 2022-06-17 |
Family
ID=81418663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210381288.6A Active CN114462259B (zh) | 2022-04-13 | 2022-04-13 | 基于soc的电池剩余寿命预测方法、***、汽车及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114462259B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818393A (zh) * | 2022-06-28 | 2022-07-29 | 北京芯可鉴科技有限公司 | 半导体器件失效时刻预测方法、装置、设备及介质 |
| CN116338455A (zh) * | 2023-05-30 | 2023-06-27 | 合力（天津）能源科技股份有限公司 | 一种永磁同步电机开关管开路故障诊断方法 |
| CN117851179A (zh) * | 2024-01-15 | 2024-04-09 | 上海异工同智信息科技有限公司 | 一种便携式设备***健康状态检测评估方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和*** |
| CN111196180A (zh) * | 2018-11-16 | 2020-05-26 | 宝沃汽车（中国）有限公司 | 整车控制器、车辆及其剩余续驶里程显示方法、装置 |
| CN113805064A (zh) * | 2021-09-18 | 2021-12-17 | 北京航空航天大学 | 基于深度学习的锂离子电池组健康状态预测方法 |
-
2022
- 2022-04-13 CN CN202210381288.6A patent/CN114462259B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109061504A (zh) * | 2018-08-28 | 2018-12-21 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和*** |
| CN111196180A (zh) * | 2018-11-16 | 2020-05-26 | 宝沃汽车（中国）有限公司 | 整车控制器、车辆及其剩余续驶里程显示方法、装置 |
| CN113805064A (zh) * | 2021-09-18 | 2021-12-17 | 北京航空航天大学 | 基于深度学习的锂离子电池组健康状态预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818393A (zh) * | 2022-06-28 | 2022-07-29 | 北京芯可鉴科技有限公司 | 半导体器件失效时刻预测方法、装置、设备及介质 |
| CN116338455A (zh) * | 2023-05-30 | 2023-06-27 | 合力（天津）能源科技股份有限公司 | 一种永磁同步电机开关管开路故障诊断方法 |
| CN117851179A (zh) * | 2024-01-15 | 2024-04-09 | 上海异工同智信息科技有限公司 | 一种便携式设备***健康状态检测评估方法及*** |
| CN117851179B (zh) * | 2024-01-15 | 2024-06-04 | 上海异工同智信息科技有限公司 | 一种便携式设备***健康状态检测评估方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114462259B (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114462259B (zh) | 基于soc的电池剩余寿命预测方法、***、汽车及介质 | |
| Dong et al. | Data-driven battery health prognosis using adaptive Brownian motion model | |
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN112765772B (zh) | 一种基于数据驱动的动力电池剩余寿命预测方法 | |
| CN111505506A (zh) | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN109932656A (zh) | 一种基于imm-upf的锂电池寿命估计方法 | |
| CN110703120A (zh) | 基于粒子滤波和长短时记忆网络的锂离子电池寿命预测方法 | |
| CN116643178B (zh) | 一种电池管理***的soc估算方法及相关装置 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** | |
| CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
| CN112881916A (zh) | 一种锂电池健康状态和剩余可用寿命的预测方法及*** | |
| Liu et al. | Review on degradation mechanism and health state estimation methods of lithium-ion batteries | |
| CN113868884B (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
| CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、***、设备及介质 | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
| CN110988693A (zh) | 一种基于建模仿真的化学电池储能应用分析方法 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN112782603A (zh) | 一种基于区间截尾数据的锂离子电池循环寿命分布拟合方法 | |
| Chen et al. | Lithium-ion Battery State-of-Health Estimation via Histogram Data, Principal Component Analysis, and Machine Learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 211200 floor 5, block a, Kechuang building, Huizhi Industrial Park, Lishui District, Nanjing, Jiangsu Province Patentee after: Shenzhen Blue Automobile Nanjing Research Institute Co.,Ltd. Country or region after: China Address before: 211200 floor 5, block a, Kechuang building, Huizhi Industrial Park, Lishui District, Nanjing, Jiangsu Province Patentee before: Chang'an new energy Nanjing Research Institute Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |