电池健康度估算方法及装置制造方法及图纸

本发明专利技术提供了一种电池健康度估算方法，包括：接收车辆的运行数据；判断运行数据是否可用于估算电池健康度；以及若是，则根据运行数据计算多个健康特征中每个健康特征的值，并将所计算的值提供给车辆的经训练的神经网络模型，以估算电池健康度，其中，经训练的神经网络模型用于表示多个健康特征与电池健康度之间的关系。本发明专利技术的方案考虑了电池使用过程和环境的因素，因此得到的电池SOH更为准确。而且，当上述方法在线执行时，即在主机厂的云服务器处利用车载联网终端传输的运行数据估算电池SOH，主机厂能够动态地掌握已售车辆的电池健康状况，动态地监控用户的电池使用情况，从而提供售后和维护服务，提高用户体验。提高用户体验。提高用户体验。

【技术实现步骤摘要】
电池健康度估算方法及装置


[0001]本专利技术总体上涉及电池
更具体地，本专利技术涉及一种电池健康度估算方法、装置、计算设备、计算机可读存储介质和计算机程序产品。

技术介绍

[0002]随着技术的发展，纯电动车辆和混合动力车辆得到了越来越广泛的使用。为提供驱动能量，通常在车体上安装由多个单体电池串联而成的动力电池(或称为电池包)。动力电池在长期使用过程中会不可避免地发生老化，因此需要对动力电池的老化状况进行预估。通常通过计算电池健康度(State of Health，SOH)预估动力电池的老化状况。
[0003]目前主要通过离线测量的方式来计算动力电池的SOH，包括电池容量离线测量和阻抗离线测量。尽管可能存在一些在线计算SOH的方式，但其计算模型的建立主要依赖于实验数据和结果。此外，也可以在车辆的电池管理系统(Battery Management System,BMS)中计算SOH，随后由车辆的车载联网终端(如T
‑
BOX)收集计算得到的SOH。
[0004]然而，动力电池的SOH会受到诸多因素的影响，例如电池材料、制造、使用和环境等等，而现有的SOH计算方法并未考虑一些重要因素，尤其是对SOH影响较大的电池的实际使用过程和环境因素，这使得通过离线测量或通过基于实验数据和结果建立的模型计算得到的SOH并不准确。对于在BMS中计算SOH的方式，其主要取决于BMS中的数据，同样也存在数据不充足导致SOH不够准确的问题。
[0005]此外，现有的SOH计算模型应用范围较窄，这是因为其仅可用于某种类型的电池，无法适用于其它类型的电池。同时，计算模型的优化和改进需要大量实验或重新计算，因此维护成本高昂。

技术实现思路

[0006]如上所述，现有的SOH计算方法并未考虑影响SOH的一些重要因素，尤其是对SOH影响较大的电池的实际使用过程和环境因素，这使得通过离线测量或通过基于实验数据和结果建立的模型计算得到的SOH并不准确。在BMS中计算SOH的方式同样也存在数据不充足而导致SOH不够准确的问题。此外，现有的SOH计算模型应用范围较窄且维护成本高昂。
[0007]鉴于上述技术问题，本专利技术的第一个方面提出了一种电池健康度估算方法，包括：接收所述车辆的运行数据；判断所述运行数据是否可用于估算电池健康度；以及若是，则基于所述运行数据计算多个健康特征中每个健康特征的值，并将所计算的值提供给所述车辆的经训练的神经网络模型，以估算所述电池健康度，其中，所述经训练的神经网络模型用于表示所述多个健康特征与所述电池健康度之间的关系。
[0008]根据上述方法，能够从车辆的运行数据中提取预定义的多个健康特征的值，并利用健康特征的值和预先训练好的神经网络模型估算电池SOH。由于考虑了电池使用过程和环境的因素，因此通过该方法得到的电池SOH更为准确。而且，当上述方法在线执行时，即在主机厂的云服务器处利用车载联网终端传输的运行数据估算电池SOH，主机厂能够动态地
掌握已售车辆的电池健康状况，动态地监控用户的电池使用情况，从而提供售后和维护服务，提高用户体验。此外，这种估算方法不受车辆服务时间、车辆类型和电池类型的影响，适用于任何电动或混动车辆。
[0009]根据一些可选实施方式，判断所述运行数据是否可用于估算电池健康度进一步包括：判断所述运行数据是否满足一个充电放电循环；若满足，则判断所述运行数据中的充电起始荷电状态是否小于第一阈值并且充电结束荷电状态是否大于第二阈值，其中，当所述充电起始荷电状态小于所述第一阈值并且所述充电结束荷电状态大于所述第二阈值时，所述运行数据可用于估算所述电池健康度。
[0010]根据一些可选实施方式，所述神经网络模型为长短期记忆(LSTM)神经网络模型。
[0011]根据一些可选实施方式，在基于所述运行数据计算多个健康特征中每个健康特征的值之前，所述方法进一步包括：对所述运行数据进行数据清洗并按照充电放电循环进行划分。
[0012]根据一些可选实施方式，方法进一步包括：获得所述车辆在预设历史时段内的历史运行数据，所述预设历史时段包括多个充电放电循环；对所述历史运行数据进行数据清洗并按照充电放电循环进行划分；以及基于经划分的所述历史运行数据训练所述神经网络模型。
[0013]根据一些可选实施方式，基于经划分的所述历史运行数据训练所述神经网络模型进一步包括：从所述多个充电放电循环中选择充电起始荷电状态小于第一阈值并且充电结束荷电状态大于第二阈值的充电放电循环；针对所选择的各充电放电循环，基于所述历史运行数据计算其历史电池健康度和预设的健康特征集中每个健康特征的值；以及利用所计算的所述健康特征集的值和所述历史电池健康度来训练所述神经网络模型。
[0014]根据一些可选实施方式，通过以下公式计算所述历史电池健康度：
[0015][0016][0017][0018]其中，η为电池库伦效率，t1为停车充电起始时间，t2为停车充电结束时间，I为停车充电期间的电流，SOC
start
为充电起始荷电状态，SOC
end
为充电结束荷电状态，Q
t
为电池的满电荷容量，Q0为电池的额定容量，SOH为电池健康度。
[0019]根据一些可选实施方式，在训练所述神经网络模型之前，所述方法进一步包括：分别计算所述健康特征集中每个健康特征与所述历史电池健康度之间的相关性；以及按相关性从高到低的顺序，从所述健康特征集中选择选择预设数量的健康特征作为所述多个健康特征。
[0020]根据一些可选实施方式，通过以下公式来计算所述每个健康特征与所述历史电池健康度之间的相关性：
[0021][0022]其中，n为所选择的充电放电循环的数量，X
i
为每个健康特征在第i个充电放电循环的值，为每个健康特征在n个充电放电循环中的平均值，Y
i
为第i个充电放电循环的历史电池健康度，为n个充电放电循环中的平均历史电池健康度，ρ
xy
为每个健康特征与历史电池健康度之间的相关性。
[0023]根据一些可选实施方式，利用所计算的所述健康特征集的值和所述历史电池健康度来训练所述神经网络模型进一步包括：将所选择的各充电放电循环的所述多个健康特征的值作为样本输入，并将所选择的各充电放电循环的所述历史电池健康度作为样本输出，来训练所述神经网络模型。
[0024]本专利技术的第二个方面提出了一种电池健康度估算装置，包括：数据接收单元，所述数据接收单元被配置为接收车辆的运行数据；数据判断单元，所述数据判断单元被配置为判断所述运行数据是否可用于估算电池健康度；以及健康度估算单元，所述健康度估算单元被配置为在所述数据判断单元判断所述运行数据可用于估算电池健康度时，基于所述运行数据计算多个健康特征中每个健康特征的值，并将所计算的值提供给所述车辆的经训练的神经网络模型，以估算所述电池健康度，其中，所述经训练的神经网络模型用于表示所述多个健康特征与所述电池健康度之本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池健康度估算方法，包括：接收车辆的运行数据；判断所述运行数据是否可用于估算电池健康度；以及若是，则基于所述运行数据计算多个健康特征中每个健康特征的值，并将所计算的值提供给所述车辆的经训练的神经网络模型，以估算所述电池健康度，其中，所述经训练的神经网络模型用于表示所述多个健康特征与所述电池健康度之间的关系。2.根据权利要求1所述的方法，其中，判断所述运行数据是否可用于估算电池健康度进一步包括：判断所述运行数据是否满足一个充电放电循环；若满足，则判断所述运行数据中的充电起始荷电状态是否小于第一阈值并且充电结束荷电状态是否大于第二阈值，其中，当所述充电起始荷电状态小于所述第一阈值并且所述充电结束荷电状态大于所述第二阈值时，所述运行数据可用于估算所述电池健康度。3.根据权利要求1所述的方法，其中，所述神经网络模型为长短期记忆(LSTM)神经网络模型。4.根据权利要求1所述的方法，其中，在基于所述运行数据计算多个健康特征中每个健康特征的值之前，所述方法进一步包括：对所述运行数据进行数据清洗并按照充电放电循环进行划分。5.根据权利要求1所述的方法，其中，在将所计算的值提供给所述车辆的经训练的神经网络模型之前，所述方法进一步包括：获得所述车辆在预设历史时段内的历史运行数据，所述预设历史时段包括多个充电放电循环；对所述历史运行数据进行数据清洗并按照充电放电循环进行划分；以及基于经划分的所述历史运行数据训练所述神经网络模型。6.根据权利要求5所述的方法，其中，基于经划分的所述历史运行数据训练所述神经网络模型进一步包括：从所述多个充电放电循环中选择充电起始荷电状态小于第一阈值并且充电结束荷电状态大于第二阈值的充电放电循环；针对所选择的各充电放电循环，基于所述历史运行数据计算其历史电池健康度和预设的健康特征集中每个健康特征的值；以及利用所计算的所述健康特征集的值和所述历史电池健康度来训练所述神经网络模型。7.根据权利要求6所述的方法，其中，通过以下公式计算所述历史电池健康度：7.根据权利要求6所述的方法，其中，通过以下公式计算所述历史电池健康度：
其中，η为电池库伦效率，t1为停车充电起始时间，t2为停车充电结束时间，I为停车充电期间的电流，SOC
start
为充电起始荷电状态，SOC
end
为充电结束荷电状态，Q
t
为电池的满电荷容量，Q0为电池的额定容量，SOH为电池健康度。8.根据权利要求6所述的方法，其中，在训练所述神经网络模型之前，所述方法进一步包括：分别计算所述健康特征集中每个健康特征与所述历史电池健康度之间的相关性；以及按相关性从高到低的顺序，从所述健康特征集中选择预设数量的健康特征作为所述多个健康特征。9.根据权利要求8所述的方法，其中，通过以下公式来计算所述每个健康特征与所述历史电池健康度之间的相关性：其中，n为所选择的充电放电循环的数量，X
i
为每个健康特征在第i个充电放电循环的值，为每个健康特征在n个充电放电循环中的平均值，Y
i
为第i个充电放电循环的历史电池健康度，为n个充电放电循环中的平均历史电池健康度，ρ
xy
为每个健康特征与历史电池健康度之间的相关性。10.根据权利要求8所述的方法，其中，利用所计算的所述健康特征集的值和所述历史电池健康度来训练所述神经网络模型进一步包括：将所选择的各充电放电循环的所述多个健康特征的值作为样本输入，并将所选择的各充电放电循环的所述历史电池健康度作为样本输出，来训练所述神经网络模型。11.一种电池健康度估算装置，包括：数据接收单元，所述数据接收单元被配置为接收车辆的运行数据；数据判断单元，所述数据判断单元被配置为判断所述运行数据是否可用于估算电池健康度；以及健康度估算单元，所述健康度估算单元被配置为在所述数据判断单元判断所述运行数据可用于估算电池健康度时，基于所述运行数据计算多个健康特征中每个健康特征的值，并将所计算的值提供给所述车辆的经训练的神经网络模型，以估算所述电池健康度，其中，所述经训练的神经网络模型用于表示所述多个健...

【专利技术属性】
技术研发人员：张德步，张雅翕，顾祥龙，
申请(专利权)人：标致雪铁龙汽车股份有限公司，
类型：发明
国别省市：