基于实车数据的电池SOH估算方法、系统、设备和介质技术方案

本发明专利技术提供一种基于实车数据的电池SOH估算方法、系统、设备和介质，该基于实车数据的电池SOH估算方法包括：根据实车数据提取目标训练集，其中，目标训练集包括目标输入特征向量和目标输出特征向量；采用目标训练集对初始模型进行训练，得到离线模型，离线模型用于估算车辆电池的电池健康状态；其中，提取训练集过程中利用对实车进行老化试验得到实车数据，根据实车数据得到多个训练集，利用灰色关联度分析算法，从训练集中筛选出灰色关联度最高的目标输入特征向量和目标输出特征向量。本发明专利技术根据实车数据提取特征向量对模型进行训练，能够更加准确有效的对电池系统的SOH进行估计，增强在SOH数据在实际应用中的有效性。强在SOH数据在实际应用中的有效性。强在SOH数据在实际应用中的有效性。

【技术实现步骤摘要】
基于实车数据的电池SOH估算方法、系统、设备和介质


[0001]本专利技术实施例涉及电池老化
，尤其涉及一种基于实车数据的电池SOH估算方法、系统、设备和介质。

技术介绍

[0002]电池健康状态(Sateofhealth，SOH)是电池管理系统(Battery Management System，BMS)的核心功能之一，可以理解为电池当前的容量与出厂容量的百分比。电池的荷电状态(State of Charge，SOC)指电池中剩余电荷的可用状态，一般用百分比来表示。
[0003]目前，实车的SOH估算方法，大部分车企还基于根据公里数(Odometer,ODO)、累计充放电容量等查表获取车辆的SOH，存在较大误差，而理论科研中大部分研究者采用基于模型或数据驱动的方法仍基于实验室数据进行研究。
[0004]由于实车数据数量多，并且无规律性，故提取训练集困难，故此类研究大多未能基于实车数据，从应用角度来说，未基于实车数据的模型在线应用误差较大，不够能准确有效地对电池系统的SOH进行估计。

技术实现思路

[0005]本专利技术实施例提供一种基于实车数据的电池SOH估算方法、系统、设备和介质，以解决现有的未基于实车数据的模型在线应用误差较大，不够能准确有效地对电池系统的SOH进行估计问题。
[0006]为了解决上述技术问题，本专利技术是这样实现的：
[0007]第一方面，本专利技术实施例提供了一种基于实车数据的电池SOH估算方法，包括：
[0008]根据实车数据提取目标训练集，其中，所述目标训练集包括目标输入特征向量和目标输出特征向量；
[0009]采用所述目标训练集对初始模型进行训练，得到离线模型，所述离线模型用于估算车辆电池的电池健康状态；
[0010]其中，所述提取训练集包括：
[0011]对实车进行老化试验得到实车数据，直至所述实车电池的电池健康状态衰退到设定值，其中，所述实车数据包括：电流数据、电压数据和时间数据；
[0012]根据所述电流数据、电压数据和时间数据得到所述实车电池的寿命初期状态下的开路电压
‑
荷电状态荷电状态曲线；
[0013]查询所述实车电池的寿命初期状态下的开路电压
‑
荷电状态曲线，获取开路电压
‑
荷电状态曲线中第一荷电状态荷电状态对应的电压V1，第二荷电状态对应的电压V2和电压区间[V1,V2]；
[0014]将所述电压区间[V1,V2]均等分为若干份，获取若干份局部电压区间；
[0015]将所述局部电压区间的充电容量作为训练集的输入特征向量，所述局部电压区间对应的电池健康状态作为训练集的输出特征向量；
[0016]利用灰色关联度分析算法，从所述训练集中筛选出灰色关联度最高的目标输入特征向量和目标输出特征向量，组成所述目标训练集。
[0017]可选的，所述老化试验包括：
[0018]定期对实车进行一次慢充操作直至充满，提取慢充过程中的所述实车数据；
[0019]当所述实车充满后，对所述实车电池进行核容测试，从而获取所述实车电池的电池健康状态；
[0020]重复上述步骤，直至所述实车电池的电池健康状态衰退到设定值。
[0021]可选的，还包括：
[0022]提取待测车辆电池的慢充数据；
[0023]根据所述慢充数据计算在所述目标输入特征向量对应的电压区间内所述待测车辆电池的充电容量；
[0024]将在所述目标输入特征向量对应的电压区间内所述待测车辆电池的充电容量输入到所述离线模型中，获取所述待测车辆电池的电池健康状态。
[0025]可选的，所述慢充数据包括：
[0026]在满足充电电流为慢充电流，且，所述待测车辆电池充电开始时的荷电状态小于SOC1，且，所述待测车辆电池充电结束时的荷电状态大于SOC2的情况下，提取的荷电状态区间[SOC1,SOC2]内的电压数据、电流数据和时间数据；
[0027]其中，所述电压数据和所述电流数据为不同充电时间下的电压数据和电流数据，所述慢充电流为充电电流小于20A的电流。
[0028]可选的，所述利用灰色关联度分析算法，筛选出灰色关联度最高的目标输入特征向量和目标输出特征向量包括：
[0029]将X0与X
i
初值化，其值分别为：
[0030]X
′0＝X0/x0(1)，X
′
i
＝X
i
/x
i
(1)
[0031]其中，X0为输入特征向量，X
i
为输出特征向量，x0(1)为输入特征向量的初值，x
i
(1)为输出特征向量的初值；
[0032]X0与X
i
对应的初值化序列为：
[0033][0034]其中，X
′0和X
′
i
别为经过初值化后的输入特征向量和输出特征向量；
[0035]则，X0与X
i
的灰色相对关联度系数γ
0i
为：
[0036][0037]根据所述灰色相对关联度系数筛选出灰色关联度最高的输入特征向量和输出特征向量；
[0038]其中，
[0039][0040][0041]其中，是初值像的始点零化像。
[0042]第二方面，本专利技术实施例提供了一种基于实车数据的电池SOH估算系统，包括：
[0043]训练集模块，用于根据实车数据提取目标训练集，其中，所述目标训练集包括目标输入特征向量和目标输出特征向量；
[0044]离线模型模块，用于采用所述目标训练集对初始模型进行训练，得到离线模型，所述离线模型用于估算车辆电池的电池健康状态；
[0045]其中，所述训练集模块包括：
[0046]老化试验模块，用于对实车进行老化试验得到实车数据，直至所述实车电池的电池健康状态衰退到设定值，其中，所述实车数据包括：电流数据、电压数据和时间数据；
[0047]曲线模块，用于根据所述电流数据、电压数据和时间数据得到所述实车电池的寿命初期状态下的开路电压
‑
荷电状态荷电状态曲线；
[0048]第一电压模块，用于查询所述实车电池的寿命初期状态下的开路电压
‑
荷电状态曲线，获取开路电压
‑
荷电状态曲线中第一荷电状态荷电状态对应的电压V1，第二荷电状态对应的电压V2和电压区间[V1,V2]；
[0049]第二电压模块，用于将所述电压区间[V1,V2]均等分为若干份，获取若干份局部电压区间；
[0050]特征向量模块，用于将所述局部电压区间的充电容量作为训练集的输入特征向量，所述局部电压区间对应的电池健康状态作为训练集的输出特征向量；
[0051]关联度分析模块，用于利用灰色关联度分析算法，从所述训练集中筛选出灰色关联度最高的目标输入特征向量和目标输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于实车数据的电池SOH估算方法，其特征在于，包括：根据实车数据提取目标训练集，其中，所述目标训练集包括目标输入特征向量和目标输出特征向量；采用所述目标训练集对初始模型进行训练，得到离线模型，所述离线模型用于估算车辆电池的电池健康状态；其中，所述提取训练集包括：对实车进行老化试验得到实车数据，直至所述实车电池的电池健康状态衰退到设定值，其中，所述实车数据包括：电流数据、电压数据和时间数据；根据所述电流数据、电压数据和时间数据得到所述实车电池的寿命初期状态下的开路电压
‑
荷电状态荷电状态曲线；查询所述实车电池的寿命初期状态下的开路电压
‑
荷电状态曲线，获取开路电压
‑
荷电状态曲线中第一荷电状态荷电状态对应的电压V1，第二荷电状态对应的电压V2和电压区间[V1,V2]；将所述电压区间[V1,V2]均等分为若干份，获取若干份局部电压区间；将所述局部电压区间的充电容量作为训练集的输入特征向量，所述局部电压区间对应的电池健康状态作为训练集的输出特征向量；利用灰色关联度分析算法，从所述训练集中筛选出灰色关联度最高的目标输入特征向量和目标输出特征向量，组成所述目标训练集。2.根据权利要求1所述的方法，其特征在于，所述老化试验包括：定期对实车进行一次慢充操作直至充满，提取慢充过程中的所述实车数据；当所述实车充满后，对所述实车电池进行核容测试，从而获取所述实车电池的电池健康状态；重复上述步骤，直至所述实车电池的电池健康状态衰退到设定值。3.根据权利要求1所述的方法，其特征在于，还包括：提取待测车辆电池的慢充数据；根据所述慢充数据计算在所述目标输入特征向量对应的电压区间内所述待测车辆电池的充电容量；将在所述目标输入特征向量对应的电压区间内所述待测车辆电池的充电容量输入到所述离线模型中，获取所述待测车辆电池的电池健康状态。4.根据权利要求3所述的方法，其特征在于，所述慢充数据包括：在满足充电电流为慢充电流，且，所述待测车辆电池充电开始时的荷电状态小于SOC1，且，所述待测车辆电池充电结束时的荷电状态大于SOC2的情况下，提取的荷电状态区间[SOC1,SOC2]内的电压数据、电流数据和时间数据；其中，所述电压数据和所述电流数据为不同充电时间下的电压数据和电流数据，所述慢充电流为充电电流小于20A的电流。5.根据权利要求1所述的方法，其特征在于，所述利用灰色关联度分析算法，筛选出灰色关联度最高的目标输入特征向量和目标输出特征向量包括：将X0与X
i
初值化，其值分别为：X
′0＝X0/x0(1)，X
i
′
＝X
i
/x
i
(1)
其中，X0为输入特征向量，X
i
为输出特征向量，x0(1)为输入特征向量的初值，x
i
(1)为输出特征向量的初值；X0与X
i
对应的初值化序列为：其中，X...

【专利技术属性】
技术研发人员：田志伟，
申请(专利权)人：北京新能源汽车股份有限公司，
类型：发明
国别省市：