CN109598449A - 基于充电数据的锂离子电池包性能评估方法 - Google Patents

Abstract

本发明公开了一种基于充电数据的锂离子电池包性能评估方法，包括线上数据分析和线下检测两部分；本发明的优点在于：通过采集运行数据和对动力锂离子电池进行非破坏性试验，实时评估电池安全状态，评估结果准确率高，且填补了安全性能评估空白。

Description

基于充电数据的锂离子电池包性能评估方法

技术领域

本发明涉及一种电池性能评估方法，具体地说是一种基于充电数据的锂离子电池包性能评估方法，属于电池性能评估方法领域。

背景技术

主要介绍同行业现有系统有哪些，有哪些缺陷，避免采用笼统的描述

锂离子电池包是国标《GBT19596-2017电动汽车术语》中蓄电池包的子集，是指采用锂离子蓄电池作为供电单体，通过若干串联或者并联的供电单体组成模组，再通过若干串联或者并联的模组以及连接模组所需的铜排线、连接线束等与整包管理控制系统共同组成向外界供电的锂离子蓄电池包。以下简称锂电池包。

现在关于电池性能的评估研究主要针对每一个电池单体的研究，（如：锂离子电池健康评估和寿命预测综述，刘大同等，仪器仪表学报，2015-01-15）。锂电池包工作形式是以电池包的整体形式进行工作，其工作电压取决与内部单体电池的组合方式，其外在电压值远大于单体电池电压（如北汽新能源EC180车用锂电池包额定电压108v，其内部的电池单体额定电压3.6v），同样道理，锂电池包的存储能量也是远大于单体电池的（如北汽新能源EC180车用锂电池包标称能量21.9千瓦时，而其电池单体标称能量为0.074千瓦时）。锂电池包性能和其物理指标参数与单体锂电池有很大不同，尤其内部复杂串并联特性也不能用单体电池的特性替代，单体电池评估技术不具备评估锂电池包能力。目前锂电池包评估还属空白（中国知网关键词检索“锂离子电池包+评估”“锂电池包+评估”，“电池包+评估”结果均为0）。

发明内容

为了解决上述问题，本发明设计了一种基于充电数据的锂离子电池包性能评估方法，实时与历史数据结合的柔性评估与分级，可以兼容不同的数据来源与数据类型，实现电池的多维度评估，且评估时间短、运算简单。

本发明的技术方案为：

基于充电数据的锂离子电池包性能评估方法，包括以下七部分：

第一部分，标定充电过程基础参数，换算ISO标准单位，统一计算量纲；包括根据充电终端特点统一标定充电过程的参数，并确定标准充电参数单位；

第二部分，将充电过程数据按照内容，填充标准化数据集；标准化数据集是充电数据最大化数据集，涵盖目前主要充电设备，而且标准化数据集本身具有可扩展性，扩展后的数据集不影响以前填入数据，具有向后兼容性；

第三部分，进行数据处理，清洗异常数据，建立分析数据表；数据处理主要解决异常数据的分析前处理，对于整个数据来讲是获得对数据一个初步的认识以及对先验知识的一个探索分析过程，通过单变量分析与多变量分析，可以初步探索数据集中各特征之间的关系。

第四部分，针对目标结果集，采取合适的分析算法，计算结果数据集；针对不同的分析目标，分析算法主要采取卡尔曼滤波法、最小二乘支持向量机回归法及线性回归法；

第五部分，数据算法评估，通过计算算法估计量的估计误差衡量算法的有效性；如果估计误差在设定置信区间以内，则认为算法有效，估计值可信；如果算法估计误差在置信区间以外，则认为估计值无效，按照计算过程调节算法参数，重新计算，并保证估计误差落入置信区间之内；

第六部分，根据计算结果集生成计算结果报告；

第七部分，根据评估要求，收集计算过程数据，保存评估过程数据集。

锂电池包性能包括当前容量、电学特性、健康特性、充放电能力、衰减情况、温度变化特点、未来性能预测等。本发明通过对充电过程进行监控，获取充电中的各种数据，通过对获取数据采用合适的分析计算方法获得锂电池包性能数据。包括数据采集、数据处理、数据分析、结论报告。

通过充电数据能够准确反映锂电池包的现有状态，由于锂电池单体具有极化效应，电池放电过程中涉及到电池包控制限制等因素，放电过程和能量回收过程均不能完整反应锂电池包的真是特性。因此采用充电数据作为锂离子电池包性能评估方法的数据来源，才能从源头上确定数据的准确性，以准确的数据分析才有可能得出正确的结论。本专利通过对锂电池包充电数据的合理分析，分析计算出电池包目前的性能，解决了锂电池包性能评估的难题。

本发明的优点在于：通过采集运行数据和对动力锂离子电池进行非破坏性试验，实时评估电池安全状态，评估结果准确率高，且填补了安全性能评估空白。

下面结合附图和实施例对本发明作进一步说明。

附图说明

图1为本发明实施例的工作流程图。

具体实施方式

以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1

如图1所示，一种基于充电数据的锂离子电池包性能评估方法，包括以下七部分：

第一部分，标定充电过程基础参数，换算ISO标准单位，统一计算量纲。包括根据充电终端特点统一标定充电过程的参数，并确定标准充电参数单位。见表1

序号	参数特征	可选单位	推荐单位
				1	电压	伏特（V）,毫伏（mV）,微伏（μV），千伏（kV）	伏特（V）
2	电流	安培（A），毫安（mA）,微安（μA），千安（kA）	安培（A）
				3	电能	焦耳(J)，千瓦时（kWh），度	千瓦时（kWh）
4	时间	年（y）月（m）日（d）时（h）分（m）秒（s）毫秒（ms）微秒（μs）	组合使用
				5	电量	库仑（C），电子电量（e）	电子电量（e）
6	温度	摄氏度（℃），华氏度（℉），开式度（K）	摄氏度（℃）
				7	电阻	欧姆（Ω），千欧（kΩ），兆欧（MΩ），毫欧（mΩ）	欧姆（Ω）
8	数据位	比特（b），字节(B)

第二部分，将充电过程数据按照内容，填充标准化数据集。标准化数据集是充电数据最大化数据集，涵盖目前主要充电设备，如北汽新能源充电数据，特来电充电数据，海泰充电机数据等多种数据格式，而且标准化数据集本身具有可扩展性，扩展后的数据集不影响以前填入数据，具有向后兼容性；

第三部分，进行数据处理，清洗异常数据，建立分析数据表。数据处理主要解决异常数据的分析前处理，对于整个数据来讲是获得对数据一个初步的认识以及对先验知识的一个探索分析过程，通过单变量分析与多变量分析，可以初步探索数据集中各特征之间的关系；

3.1针对数据集中缺失值问题。在大多数数据集中缺失值都普遍会存在，在缺失率少且属性重要程度低的情况下，若属性为数值型数据则根据数据分布情况简单的填充即可；当缺失率高(>95%)且属性重要程度低时，直接删除该属性即可；缺失值高，属性重要程度高时主要使用的方法有插补法与建模法。(1)插补法主要有随机插补法，多重插补法，热平台插补法，以及拉格朗日插值法与牛顿插值法1>随机插补法：从总体中随机抽取某几个样本代替缺失样本。2>多重插补法：通过变量之间的关系对缺失数据进行预测，利用蒙特卡洛方法生成多个完整的数据集，在对这些数据集进行分析，最后对分析结果进行汇总处理。3>热平台插补：指在非缺失数据集中找到一个与缺失值所在样本相似的样本（匹配样本），利用其中的观测值对缺失值进行插补。4>拉格朗日差值法和牛顿插值法都是寻找一个插值多项式，其恰好在各个观测的点取到观测到的值。这样的多项式称为插值多项式，按此多项式进行插值。(2)建模法 可以用回归、贝叶斯、随机森林、决策树等模型对缺失数据进行预测。一般而言，多情况下采用建模法进行填充，主要在于建模法根据已有的值去预测未知值，准确率较高。

3.2异常值判断。1 简单的统计分析发：通过数据集描述性统计，发现是否存在不合理的值，即异常值。2正态分布概率法：离群点如果数据服从正态分布，在3倍原则下，异常值为一组测定值中与平均值的偏差超过3倍标准差的值。如果数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述。3基于模型检测法：首先建立一个数据模型，异常是那些同模型不能完美拟合的对象则定义为异常值；在使用回归模型时，异常值是相对远离预测值的对象。4基于距离法：通过在对象之间定义临近性度量，异常对象是那些远离其它对象的对象。5基于密度法：当一个点的局部密度显著低于它的大部分近邻时才将其分类为离群点。6基于聚类法：如果该对象不强属于任何簇则对象是基于聚类的离群点。

3.3去重处理。对于重复项的判断，基本思想是“排序与合并”，先将数据集中的记录按一定规则排序，然后通过比较邻近记录是否相似来检测记录是否重复。这里面其实包含了两个操作，一是排序，二是计算相似度。然后将重复的样本进行简单的删除处理。

3.4噪音处理噪音。噪音是被测变量的随机误差或者方差，噪音包括错误值或偏离期望的孤立点值，对于噪音的处理主要采用分箱法于回归法进行处理。(1)分箱法：分箱方法通过考察数据的“近邻”来光滑有序数据值。这些有序的值被分布到一些“桶”或箱中。由于分箱方法考察近邻的值，因此它进行局部光滑。1用箱均值光滑：箱中每一个值被箱中的平均值替换。2用箱中位数平滑：箱中的每一个值被箱中的中位数替换。3用箱边界平滑：箱中的最大和最小值同样被视为边界。箱中的每一个值被最近的边界值替换。一般而言，宽度越大，光滑效果越明显。(2)回归法可以用一个函数拟合数据来光滑数据。线性回归涉及找出拟合两个属性（或变量）的“最佳”直线，使得一个属性能够预测另一个。多线性回归是线性回归的扩展，它涉及多于两个属性，并且数据拟合到一个多维面。使用回归，找出适合数据的数学方程式，消除噪声；

第四部分针对目标结果集，采取合适的分析算法，计算结果数据集。针对不同的分析目标，分析算法主要采取卡尔曼滤波法、最小二乘支持向量机回归法及线性回归法；

1. 卡尔曼滤波法

卡尔曼滤波法是通过附件1中动力蓄电池包充电参数（BCP)判断电池包的现有性能进行评估的计算方法。首先根据附件1中车辆辨识报文（BRM）信息确定电池包的串并组包方式，根据组包方式将BCP数据离散为待求数据矩阵x。按照以下步骤：

1确定状态下一步预测方程：

2确定均方误差下一步预测方程：

3计算增益方程：

4计算估计方程

通过第1步方程建立对当前状态的先验估计，通过第2步方程向前推算当前状态变量和误差协方差估计量，再通过第3步方程计算当前状态的增益矩阵，再结合观测值使用第4步方程对先验估计值进行校正，得到后验估计值，也就是最优估计值。用这个估计值作为现有性能真值，按照流程6和流程7的过程生成数据报告和记录评估过程集。

2最小二乘支持向量机回归法

针对附件1中动力蓄电池包充电参数（BCP)，采用最小二乘支持向量机回归法可以对锂离子电池包剩余性能进行估计，并将计算估计量作为对电池包的未来性能合理推测值。步骤：

1设定BCP中的数据列为x列向量，需要估计的数据为y列向量。当多组x列向量与y列向量时，则构成X矩阵与Y矩阵。定义线性回归函数：

设足够小正数为ε，则w和b满足：

2通过建立拉格朗日方程方法将w和b的优化问题，转换为二次规划问题。

消去w和，可以得到一下矩阵方程

其中为的单位矩阵。解该矩阵方程得到和b。则Y的估计值为：

式中即为电池包剩余性能的估计值，用这个估计值作为现有性能真值，按照流程6和流程7的过程生成数据报告和记录评估过程集。

3线性回归法

对于采用附件1中充电数据来分析计算电池包具有线性关系的性能参数时，我们采用线性回归法进行分析计算。电池包的性能参数包括1电器性能参数，如：电压，电流，电量，充电曲线，放电曲线，极化特点，循环寿命曲线等；2物理性能参数，如：温度，结构，电极分布，绝缘材料特点，电解液参数，电极材料特点等；3环境性能参数，如温度变化参数，温升变化参数，高低温性能参数，气压变化参数等。通过充电数据分析计算具有线性关系的性能参数是采用线性回归法。例如电池包的充电曲线与电池单体充电曲线分析中，利用充电数据的BCP数据，估计电池包充电数据时。设单体电池充电数据分别为矩阵，电池包充电数据为Y矩阵，根据线性回归方法则有：

需要估计矩阵的值即可计算Y的估计量。如果采用最小二乘估计则：

可以证明误差估计为无偏估计。

第五部分，数据算法评估，通过计算算法估计量的估计误差衡量算法的有效性。如果估计误差在设定置信区间以内，则认为算法有效，估计值可信。如果算法估计误差在置信区间以外，则认为估计值无效，按照计算过程调节算法参数，重新计算，并保证估计误差落入置信区间之内。

第六部分，根据计算结果集生成计算结果报告。

第七部分，根据评估要求，收集计算过程数据，保存评估过程数据集。

1充电握手阶段报文

车辆辨识报文（BRM）报文格式

2充电参数配置阶段

动力蓄电池包充电参数（BCP)报文规格

起始字节或位	长度	SPN	SPN定义	发送选项
					1	2字节	2816	单体动力蓄电池最高允许充电电压	必须项
3	2字节	2817	最高允许充电电流	必须项
					5	2字节	2818	蓄电池标称总能量.	必须项
7	2字节	2819	最高允许充电总电压	必须项
					9	1字节	2820	最髙允许温度	必须项
10	2字节	2821	整车动力蓄电池荷电状态	必须项
					12	2字节	2822	整车动力蓄电池当前电池电压	必须项

4充电结束阶段

5错误报文

通过上述握手报文的定义，使锂电池包在充电过程中明确性能评估参数的数据来源，统一化数据来源类型，保证性能评估参数来源类型满足评估需求。通过充电握手数据实现锂电池包在充电过程中性能评估。

Claims (3)

1.基于充电数据的锂离子电池包性能评估方法，其特征在于：包括以下七部分：

第一部分，标定充电过程基础参数，换算ISO标准单位，统一计算量纲；包括根据充电终端特点统一标定充电过程的参数，并确定标准充电参数单位；

第二部分，将充电过程数据按照内容，填充标准化数据集；标准化数据集是充电数据最大化数据集，涵盖目前主要充电设备，而且标准化数据集本身具有可扩展性，扩展后的数据集不影响以前填入数据，具有向后兼容性；

第三部分，进行数据处理，清洗异常数据，建立分析数据表；

第四部分，针对目标结果集，采取合适的分析算法，计算结果数据集；针对不同的分析目标，分析算法主要采取卡尔曼滤波法、最小二乘支持向量机回归法及线性回归法；

第五部分，数据算法评估，通过计算算法估计量的估计误差衡量算法的有效性；

第六部分，根据计算结果集生成计算结果报告；

第七部分，根据评估要求，收集计算过程数据，保存评估过程数据集。

2.根据权利要求1所述的基于充电数据的锂离子电池包性能评估方法，其特征在于：所述第五部分，如果估计误差在设定置信区间以内，则认为算法有效，估计值可信；如果算法估计误差在置信区间以外，则认为估计值无效，按照计算过程调节算法参数，重新计算，并保证估计误差落入置信区间之内。

3.根据权利要求1所述的基于充电数据的锂离子电池包性能评估方法，其特征在于：所述第三部分，数据处理主要解决异常数据的分析前处理，对于整个数据来讲是获得对数据一个初步的认识以及对先验知识的一个探索分析过程，通过单变量分析与多变量分析，可以初步探索数据集中各特征之间的关系。