一种SOH估计方法、设备及计算机可读介质技术

本发明专利技术涉及一种SOH估计方法及设备，基于经验退化模型计算SOH预测值；利用神经网络实时预测SOH误差估计值；根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。本发明专利技术结合机器学习方法的优势与经验退化模型，建立融合模型实现电池的SOH估计，有效的提高了SOH的估计精度。精度。精度。

【技术实现步骤摘要】
一种SOH估计方法、设备及计算机可读介质


[0001]本专利技术属于机器学习和故障诊断领域，具体涉及一种SOH估计方法、设备及计算机可读介质。

技术介绍

[0002]近年来，随着国内原油价格的持续上涨以及电力建设传输水平的上升，新能源汽车的技术研发和产业发展受到越来越多的重视。很多大型车企开始陆续停产燃油车，新能源汽车在全球迎来重大发展。新能源汽车中国电动汽车占汽车市场的主导地位，而电动汽车需要大量分布的充电站来进行随时随地的能源补给。在充电站中进行能源补给时，电动汽车动力电池由于过充电后发生热失控，导致车辆爆炸和起火的现象也不断增加。因此，充电安全研究具有重要实际意义。
[0003]传统的充电安全保护机制是根据电动汽车的电池管理系统(BMS)，BMS是电动汽车中最关键的系统，其负责整车的能源监控和管理，能够实时监测动力电池组的充放电情况，负责温度数据采集和电池组的热管理，进行荷电状态SOC和电池健康状态SOH估计。
[0004]目前，每个品牌甚至每个车型的BMS各不相同，其SOH估计精度和热管理能力有较大的差别。然而，在当前的充电国标中，BMS的SOH数据不会传输给充电桩，充电桩输出的充电电流和电压有电动汽车侧的需求电流和需求电压决定。随着动力电池的老化，BMS功能也会下降，包括SOH的估计精度。

技术实现思路

[0005]为提高SOH的估计精度，提供一种SOH估计方法，所述方法包括：离线预测步骤：基于经验退化模型计算SOH预测值；在线估计步骤：利用神经网络实时预测SOH误差估计值；SOH计算步骤：根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。
[0006]其中，所述离线预测步骤包括：
[0007]步骤1，从数据库里筛选出历史报文数据；
[0008]步骤2，从所述历史报文数据中获取动力电池健康数据，所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据；
[0009]步骤3，通过经验退化模型计算SOH估计值。
[0010]其中，所述步骤3包括建立经验退化模型，具体包括：
[0011]把最高温度、最高电压、最高单体电压、充电电量、最低温度归一化后的数据集合并成矩阵X，归一化后的SOH数据集记为矩阵Y，电池SOH的经验退化模型表示为：
[0012]SOH＝k1C+k2e
aC
+1
‑
k2[0013]其中，a，k1，k2为模型参数，C表示电池的充放电循环次数。
[0014]其中，所述步骤在线估计步骤包括：
[0015]步骤4，采集实时报文数据；
[0016]步骤5，使用所述实时报文数据训练RBF
‑
BLS神经网络；
[0017]步骤6，利用训练好的RBF
‑
BLS神经网络实时预测SOH误差估计值。
[0018]本专利技术还提供了一种SOH估计设备，所述设备包括：
[0019]离线预测模块：用于基于经验退化模型计算SOH预测值；
[0020]在线估计模块：利用神经网络实时预测SOH误差估计值；
[0021]SOH计算模块：用于根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。
[0022]其中，所述离线预测模块用于：
[0023]从数据库里筛选出历史报文数据；并从所述历史报文数据中获取动力电池健康数据，所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据；通过经验退化模型计算SOH估计值。
[0024]其中，所述通过经验退化模型计算SOH估计值包括建立经验退化模型，具体包括：
[0025]把最高温度、最高电压、最高单体电压、充电电量、最低温度归一化后的数据集合并成矩阵X，归一化后的SOH数据集记为矩阵Y，电池SOH的经验退化模型表示为：
[0026]SOH＝k1C+k2e
aC
+1
‑
k2[0027]其中，a，k1，k2为模型参数，C表示电池的充放电循环次数。
[0028]其中，所述在线估计模块用于：采集实时报文数据；使用所述实时报文数据训练RBF
‑
BLS神经网络；利用训练好的RBF
‑
BLS神经网络实时预测SOH误差估计值。
[0029]本专利技术解决其技术问题所采用的技术方案是：
[0030]本专利技术的有益效果是，本专利技术提供了一种SOH估计方法及设备，基于经验退化模型计算SOH预测值；利用神经网络实时预测SOH误差估计值；根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。本专利技术结合机器学习方法的优势与经验退化模型，建立融合模型实现电池的SOH估计，有效的提高了SOH的估计精度。
附图说明
[0031]下面结合附图和实施例对本专利技术进一步说明。
[0032]图1是本专利技术的基于经验退化与RBF
‑
BLS的SOH估计方法的流程图。
[0033]图2是本专利技术的RBF
‑
BLS的算法流程图；
[0034]图3是本专利技术的宽度学习BLS结构图；
[0035]图4是本专利技术的优选实施例的设备结构体。
具体实施方式
[0036]现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0037]为提高SOH的估计精度，提供一种SOH估计方法，所述方法是基于经验退化模型与RBF
‑
BLS融合的SOH估计方法，如图1所示，所述方法包括：离线预测步骤：基于经验退化模型计算SOH预测值；在线估计步骤：利用神经网络实时预测SOH误差估计值；SOH计算步骤：根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。
[0038]其中，所述离线预测步骤包括：步骤1，从数据库里筛选出历史报文数据；从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据；其中，新能源汽车的用户在公司的充电桩充电时会产生符合国标《GBT 27930
‑
2015电动汽车非车载传导式充电机与电池管
理系统之间的通信协议》的新能源车与充电桩之间的通讯报文；充电桩会根据公司与充电桩企业签订的协议来筛选部分通讯报文发送到公司的云平台中，并存入数据库，数据库中的报文均为历史报文数据；通讯报文符合国标要求，数据实现了标准化，无需进一步处理，提高了数据的处理效率。
[0039]步骤2，从所述历史报文数据中获取动力电池健康数据，所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据；
[0040]其中，把取出来的数据按类分成数据集，然后，每个数据集进行归一化处理，使其值域在[0,1],归一化的公式为：
[0041][0042]其中，a
min
为数据集中最小值，a
max
为数据集中最大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SOH估计方法，其特征在于，所述方法包括：离线预测步骤：基于经验退化模型计算SOH预测值；在线估计步骤：利用神经网络实时预测SOH误差估计值；SOH计算步骤：根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。2.根据权利要求1所述的估计方法，其特征在于，所述离线预测步骤包括：步骤1，从数据库里筛选出历史报文数据；步骤2，从所述历史报文数据中获取动力电池健康数据，所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据；步骤3，通过经验退化模型计算SOH估计值。3.根据权利要求2所述的估计方法，其特征在于，所述步骤3包括建立经验退化模型，具体包括：把最高温度、最高电压、最高单体电压、充电电量、最低温度归一化后的数据集合并成矩阵X，归一化后的SOH数据集记为矩阵Y，电池SOH的经验退化模型表示为：SOH＝k1C+k2e
aC
+1
‑
k2其中，a，k1，k2为模型参数，C表示电池的充放电循环次数。4.根据权利要求1所述的估计方法，其特征在于，所述步骤在线估计步骤包括：步骤4，采集实时报文数据；步骤5，使用所述实时报文数据训练RBF
‑
BLS神经网络；步骤6，利用训练好的RBF
‑
BLS神经网络实时预测SOH误差估计值。5.一种SOH估计设备，其特征在于，所述设备包括：离线预测模块：用于基于经验退化模型计算SOH预测值；在线估计模块：利用神经网络实时预测SOH误差估计值；SOH计算模块：用于根据所述SO...

【专利技术属性】
技术研发人员：李春喜，乔涵哲，葛泉波，
申请(专利权)人：杭州颉码能源科技有限公司，
类型：发明
国别省市：