一种基于大数据的动力电池健康状态的预测方法技术

本发明专利技术公开了一种基于大数据的动力电池健康状态及剩余寿命预测的方法，该方法包括：1从电动车上获得大量实时行驶工况数据，对进行数据清洗，填充；2通过对放电数据的处理，提取出温度、速度、电流、里程值四个工况特征值，用以表述等效循环次数增长；3通过对充电数据的处理，得到准确的电池平均容量曲线；4基于电池充放电特性实验，得到SOH与等效循环次数的关系，并建立基于行驶工况

【技术实现步骤摘要】
一种基于大数据的动力电池健康状态的预测方法


[0001]本专利技术应用于电动汽车领域，具体为一种基于大数据的动力电池健康状态的预测方法，适用于电池汽车健康状态的准确估计。

技术介绍

[0002]近些年来，随着锂离子电池技术的飞速发展，电动汽车行业也逐渐步入到一个新的阶段。电池的健康状态(SOH，State Of Health)估计，作为电池管理系统(BMS，Battery Management System)中的关键技术之一，对于电动汽车的行驶里程，寿命预测有着至关重要的作用。但由于电池是一个高度非线性的电化学系统，对其内部的状态识别和估计仍然是巨大的一个难题。
[0003]由于SOH无法被直接测出，为了准确测量电池的SOH，目前提出来大量的SOH估计方法。最为常用的是基于模型的估计方法和基于大数据的估计方法。基于模型的估计方法，通过建立等效电路模拟电池内部工作原理，结合相应的算法，如粒子滤波、卡尔曼滤波、滑模观测器等，进行SOH估计，但这类方法过于依赖模型精度，且算法设计较为复杂。

技术实现思路

[0004]本专利技术是为了解决上述现有技术存在的不足之处，提出了一种基于大数据的动力电池健康状态的预测方法，以期能避免基于模型估计方法中的建模问题和参数识别问题，从而实现对电池SOH的精确估计和预测。
[0005]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0006]本专利技术一种基于大数据的动力电池健康状态的预测方法的特点在于包括如下步骤：
[0007]步骤一：采集电动车上的实时行驶工况数据，包括：电动汽车的车速、累计里程、电压数据、电流数据、电池的荷电状态数据以及温度数据；
[0008]步骤二、数据预处理；
[0009]步骤2.1、分别对实时行驶工况数据进行清洗，将数据中误差较大的点去除，从而得到有效行驶工况数据集；
[0010]步骤2.2、基于电动汽车的实时行驶工况数据，建立温度模型，用于对有效行驶工况数据集中的温度数据进行填充，从而得到分布均匀的温度数据；
[0011]步骤2.3、拟合有效行驶工况数据集中累计里程的变化曲线；
[0012]步骤三、充电过程电池容量计算；
[0013]步骤3.1、利用经过初步数据清洗后的电流数据和电池荷电状态数据，计算得到单个荷电状态内的电池平均容量数据；
[0014]步骤3.2、以温度数据和充电电流数据作为输入，以所述单个荷电状态内的电池平均容量作为输出，构建随机森林回归模型，并将标准温度和标准电流带入所述随机森林回归模型中进行计算，得到标准值；
[0015]步骤3.3、将分布均匀的温度数据和所述有效行驶工况数据集中的电流数据输入到所述随机森林回归模型中进行计算，得到原始电池平均容量值，并与所述标准值做差，将得到的差作为增益与所述电池平均容量数据进行相加，从而得到回归处理后的电池平均容量数据；
[0016]步骤3.4、将经过随机森林模型回归处理后的电池平均容量数据绘制成散点图；
[0017]步骤3.5、对散点图进行聚类拟合，得到充电容量曲线；
[0018]步骤四、建立基于行驶工况
‑
充电计算的电池健康状态评价模型；
[0019]步骤4.1、利用充电容量曲线，结合式(1)计算得到第t天的电池的电池健康状态SOH
t
：
[0020][0021]式(1)中，cap
t
为第t天的电池容量，cap
r
为电池的额定容量；
[0022]步骤4.2、将第t天的电池的电池健康状态SOH
t
转换为电池的等效循环次数值，通过计算其与第t
‑
1天等效循环次数值的差值，来衡量汽车在一天内所消耗的电池寿命标准；
[0023]步骤4.3、对所述有效行驶工况数据集中的放电数据进行特征提取，得到平均速度、等效行驶里程值、平均温度、平均电流值并作为电动汽车的行驶工况特征，用于对放电过程的工况进行描述；
[0024]步骤五、机器学习模型的建立与训练；
[0025]将所述行驶工况特征作为所述机器学习模型的输入，将等效循环次数的差值作为所述机器学习模型的输出，并将所述有效行驶工况数据集作为训练集带入到机器学习模型中，从而得到训练好的机器学习模型；
[0026]步骤六、输出预测结果；
[0027]对所述有效行驶工况数据集进行特征随机抽样处理，得到抽样后的行驶工况数据，并输入到训练好的机器学习模型中进行预测计算，得到等效循环次数的预测结果，并根据等效循环次数与电池健康状态的映射关系式，得到最终预测的电池健康状态。
[0028]本专利技术所述的基于大数据的动力电池健康状态的预测方法的特点也在于：所述步骤4.2中等效循环次数的转换步骤如下：
[0029]步骤4.2.1、基于电池充放电特性试验，得到电池的等效循环次数和电池健康状态SOH的关系曲线，从而根据所述关系曲线，建立如式(2)所示的关系式：
[0030][0031]式(2)中，a1、b1为所设定的电极材料的衰减因子，a2、b2为所设定的电解质材料的衰减因子；x表示电池的等效循环次数；
[0032]步骤4.2.2、利用遗传算法对式(1)中的四个衰减因子进行参数识别，得到四个衰减因子的值，从而得到最终的等效循环次数与电池健康状态SOH的映射关系式。
[0033]所述步骤六的特征随机抽样处理的步骤如下：
[0034]步骤6.1、分别计算所述有效行驶工况数据集中电动车每天的行驶工况特征，及各个行驶工况特征在一天中的最大值和最小值；
[0035]步骤6.2、确定取样时间，若有效行驶工况数据集中至少存在一条与取样时间对应的时间的数据，则从当天的最大值和最小值中随机生成数，作为当天的行驶工况特征值；若
有效行驶工况数据集中不存在与取样时间对应的数据，则取最接近取样时间的一天来执行随机生成数操作；若有效行驶工况数据集中只存在一条与取样时间对应的时间的数据，则将相应数据作为行驶工况特征值；
[0036]步骤6.3、反复执行步骤6.2，从而得到抽样后的行驶工况数据。
[0037]与现有技术相比，本专利技术的有益效果在于：
[0038]1、本专利技术方法克服了电池状态难以估计的这一难题，利用电动汽车实时运行的大数据，并选取合适的工况特征，建立了基于行驶工况
‑
充电计算电池健康状态评价模型，结合机器学习算法，挖掘出电池健康状态的变化规律，能够准确的估计和预测电池的SOH值，精度高，鲁棒性强，且易于实现。
[0039]2、本专利技术通过电池充放电实验建立了等效循环次数与SOH的关系，间接的估计和预测电池SOH，直观明了且准确性好。
[0040]3、本专利技术算法结构简单，不需要增加额外的设备，仅需要利用BMS和车载传感器采集实时数据，通过算法编程即可实现对电池SOH的精确预测。
附图说明
[0041]图1为本专利技术为基于大数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的动力电池健康状态的预测方法，其特征在于包括如下步骤：步骤一：采集电动车上的实时行驶工况数据，包括：电动汽车的车速、累计里程、电压数据、电流数据、电池的荷电状态数据以及温度数据；步骤二、数据预处理；步骤2.1、分别对实时行驶工况数据进行清洗，将数据中误差较大的点去除，从而得到有效行驶工况数据集；步骤2.2、基于电动汽车的实时行驶工况数据，建立温度模型，用于对有效行驶工况数据集中的温度数据进行填充，从而得到分布均匀的温度数据；步骤2.3、拟合有效行驶工况数据集中累计里程的变化曲线；步骤三、充电过程电池容量计算；步骤3.1、利用经过初步数据清洗后的电流数据和电池荷电状态数据，计算得到单个荷电状态内的电池平均容量数据；步骤3.2、以温度数据和充电电流数据作为输入，以所述单个荷电状态内的电池平均容量作为输出，构建随机森林回归模型，并将标准温度和标准电流带入所述随机森林回归模型中进行计算，得到标准值；步骤3.3、将分布均匀的温度数据和所述有效行驶工况数据集中的电流数据输入到所述随机森林回归模型中进行计算，得到原始电池平均容量值，并与所述标准值做差，将得到的差作为增益与所述电池平均容量数据进行相加，从而得到回归处理后的电池平均容量数据；步骤3.4、将经过随机森林模型回归处理后的电池平均容量数据绘制成散点图；步骤3.5、对散点图进行聚类拟合，得到充电容量曲线；步骤四、建立基于行驶工况
‑
充电计算的电池健康状态评价模型；步骤4.1、利用充电容量曲线，结合式(1)计算得到第t天的电池的电池健康状态SOH
t
：式(1)中，cap
t
为第t天的电池容量，cap
r
为电池的额定容量；步骤4.2、将第t天的电池的电池健康状态SOH
t
转换为电池的等效循环次数值，通过计算其与第t
‑
1天等效循环次数值的差值，来衡量汽车在一天内所消耗的电池寿命标准；步骤4.3、对所述有效行驶工况数据集中的放电数据进...

【专利技术属性】
技术研发人员：石琴，刘翼闻，侯伟路，蒋正信，刘鑫，应贺烈，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：