【技术实现步骤摘要】
一种基于数据驱动的动力电池健康状态预测方法及设备
[0001]本申请涉及电动汽车动力电池领域,尤其涉及一种基于数据驱动的动力电池健康状态预测方法及设备。
技术介绍
[0002]随着电动汽车的大力发展,锂离子动力电池被广泛地应用在电动汽车上。动力电池在使用过程中会不断老化,电池寿命会不断缩短。动力电池的老化程度常用健康状态(state of health,SOH)来表示,SOH不仅决定了整车的性能状态和续驶里程,同时也是制定电池管理系统(Battery Manage System,BMS)的充放电、安全管理策略的重要依据。
[0003]但SOH这一长时变参数变化机理复杂,易受环境、工况及电池单体不一致等多重因素的复合影响,使得SOH在线估计和预测较为困难,难以对电动汽车电池的SOH作出准确的预测,不利于新能源电动汽车的安全运行,以及对动力电池的分类与动力电池的梯次利用。
技术实现思路
[0004]本申请实施例提供了一种基于数据驱动的动力电池健康状态预测方法及设备,用于解决如下技术问题:难以对现有的电动汽车电池的健康状态进行准确的预测,不利于电动汽车的安全运行以及对电池退化规律的预测。
[0005]本申请实施例采用下述技术方案:
[0006]一方面,本申请实施例提供了一种基于数据驱动的动力电池健康状态预测方法,所述方法包括:采集电动汽车历史时间周期内的电池性能数据,并对所述电池性能数据进行数据预处理,得到电池运行数据;根据所述电池运行数据,确定历史健康状态值以及融合健康特征;根据所 ...
【技术保护点】
【技术特征摘要】
1.一种基于数据驱动的动力电池健康状态预测方法,其特征在于,所述方法包括:采集电动汽车历史时间周期内的电池性能数据,并对所述电池性能数据进行数据预处理,得到电池运行数据;根据所述电池运行数据,确定历史健康状态值以及融合健康特征;根据所述融合健康特征以及所述历史健康状态值,训练LSTM神经网络模型,得到健康状态评估模型;根据所述融合健康特征,对预搭建的Prophet模型进行迭代优化计算,得到融合健康特征预测模型;根据所述融合健康特征预测模型以及所述健康状态评估模型,得到未来健康状态预测结果。2.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法,其特征在于,采集电动汽车历史时间周期内的电池性能数据,并对所述电池性能数据进行数据预处理,得到电池运行数据,具体包括:通过车载数据采集终端,对所述电动汽车进行所述电池性能数据的采集;其中,所述电池性能数据至少包括以下任一项或多项:BMS数据、电池SOC数据以及驱动电机数据;将所述电池SOC数据的真实值与显示值进行对应关系修正,并将所述电池SOC进行插值处理,得到修正数据;筛除所述修正数据的无关数据项,得到相关数据;其中,所述无关数据项为连续为0的数据以及为乱码数据片段;根据所述电动汽车是否熄火,将所述相关数据进行分类划分,得到所述电池运行数据;其中,所述电池运行数据至少包括以下任意一项或多项:停车充电电池数据、行驶充电电池数据、电池容量数据以及行驶放电电池数据。3.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法,其特征在于,根据所述电池运行数据,确定历史健康状态值,具体包括:提取所述电池运行数据中的电池容量数据;通过安时积分法,计算动力电池的可用容量数据;将所述可用容量数据中的温度数据进行多项式拟合修正,得到温度修正容量值;并将所述可用容量数据中心的电流数据进行线性拟合修正,得到电流修正容量值;根据所述温度修正容量值以及所述电流修正容量值,消除所述电池容量数据中温度的偏差以及电流的偏差,得到修正可用容量数据;通过容量箱型图,检测所述修正可用容量数据中的离群点并删除,得到优化容量值;通过Savitzky
‑
Golay滤波器,对所述优化容量值中的时间序列进行多项卷积拟合,消除所述优化容量值中的高频噪声,得到所述历史健康状态值;其中,所述历史健康状态值包括当前电池容量值与额定电池容量值。4.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法,其特征在于,根据所述电池运行数据,确定融合健康特征,具体包括:根据Pearson相关系数法,对同型号电动汽车的不同车辆的所述电池运行数据进行筛选,提取并得到潜在健康特征;其中,所述潜在健康特征至少包括以下任意一项或多项:累积特征、工况特征以及单体一致性特征;
通过主成分分析法,对所述累积特征、工况特征以及单体一致性特征进行特征降维融合,得到所述融合健康特征。5.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法,其特征在于,根据所述融合健康特征以及所述历史健康状态值,训练LSTM神经网络模型,得到健康状态评估模型,具体包括:获取所述融合健康特征中的时间序列特征;通过预设滑动宽度的滑动窗口,将所述时间序列特征划分为预设滑动宽度的多个时序样本,得到健康特征序列;并将所述健康特征序列进行归一化处理,得到融合健康特征序列;将所述融合健康特征序列与所述历史健康状态值进行非线性映射,得到非线性映射关系;根据所述融合健康特征序列、所述历史健康状态值以及非线性映射关系,对所述LSTM神经网络模型进行训练,得到所述健康状态评估模型;其中,所述融合健康特征序列为所述健康状态评估模型的训练输入端,...
【专利技术属性】
技术研发人员:李旭,王建春,王鹏,修方召,夏玉杭,郑皓天,
申请(专利权)人:山东科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。