CN110673050A - 评估电池健康状态的方法 - Google Patents

Abstract

本发明涉及一种用于评估电动车辆的电池的健康状态(SOH)的方法，所述方法包括以下步骤：‑在给定条件下对所述电池执行称为代理测试的测试，所述代理测试包括电池的部分充电和/或放电动作，‑将所述代理测试的结果与存储在数据集中的数据进行比较，以及‑根据比较结果估算SOH。

Description

评估电池健康状态的方法

技术领域

本发明涉及一种用于评估电动车辆的电池的健康状态(SOH)的方法。

背景技术

电动车辆的电池的劣化是由电池在其下操作的各种条件和使用参数随时间引起的，例如高温和低温、施加的电压、电流和放电深度。

许多电动车主希望了解如何最佳地保持车辆行驶里程、电池寿命(以及电池的转售价值)。

因此，人们对跟踪电池劣化及其与电动车辆运行条件的关系存在很大兴趣。

衡量电动汽车电池条件的一个重要指标是其健康状态(State Of Health,SOH)，它是电池容量的指标-或者说它的劣化-即表示电池当前的性能与其初始工厂规格匹配程度的百分比。

SOH是一个重要的指标，因为它直接关系到电动车辆的最大行驶里程和更换电池的时间。

SOH通常是通过对电池进行完整的放电-充电循环来确定的，这可能对电池有害。

此外，进行SOH测试的条件非常严格，以产生可靠和可重复的结果。然而，对车主来说，这些条件可能难以达到。

然而，在真实世界条件下进行测量以确定电池的SOH值存在各种问题。

发明内容

因此，本发明的一个目的是解决上述问题，提供一种用于评估电动车辆的电池的健康状态(SOH)的更容易和更少侵入性的方法，所述方法包括以下步骤：在给定条件下对所述电池执行称为代理测试的测试，所述代理测试包括电池的部分充电和/或放电动作，将代理测试的结果与存储在数据集中的数据进行比较，以及根据比较结果估算SOH。

根据本发明的另一方面，所述执行代理测试的步骤包括：比较数据集中可用的代理测试，将分数与每个测试相关联，按所述测试排名，以及执行称为代理测试的最高排名测试，如果相关分数高于或等于预定阈值。

根据本发明的另一方面，所述分数取决于电池的给定条件。

根据本发明的另一方面，如果相关分数小于预定阈值，则不执行代理测试。

根据本发明的另一方面，估算SOH的步骤包括贝叶斯估计(Bayesianponderation)。

根据本发明的另一方面，所述方法包括执行完整SOH测试的步骤，包括电池的完整的充电和/或放电动作，并将结果存储在数据集中。

根据本发明的另一方面，如果SOH测试成本小于与代理测试计算相关联的值，则执行完整的SOH测试。

根据本发明的另一方面，执行完整的SOH并将结果存储在数据集中是任何代理测试的准备。

根据本发明的另一方面，所述方法包括将代理测试的结果存储在数据集中的步骤。

本发明还涉及一种计算机程序，其包括当由处理器执行时实现所描述的方法的步骤的指令序列。

本发明还涉及一种可由计算机读取的非暂时性存储介质，其包括所描述的计算机程序。

本发明还涉及一种系统，包括用于确定电池状况的传感器和包括所述非暂时性介质的单元。

附图说明

现在参考附图以示例的方式描述本发明，其中：

-图1示出了根据本发明配置用于执行评估电动车辆的电池状态的方法的系统；

-图2示出了所述方法的时序图；以及

-图3至图5示出了图2所述方法的子过程。

具体实施方式

电池的状态

本发明涉及一种用于评估电动车辆(EV)的电池的健康状态(SOH)的方法，所述方法在附图中被标记为1。

正如已经解释的那样，SOH是电池容量或者其劣化的指标，它是指示电池的当前性能与其初始工厂规格的匹配程度的百分比。

换句话说，SOH对应于电池的剩余电势。

系统

从图1中可以看出，系统10包括电池11。

电池11是可充电电池，用于为电动车辆的推进提供动力或为其他应用提供动力。

系统10还包括一个或多个传感器12，用于收集称为电池状态的物理参数的数据集，用于表征电池的状态。

所述传感器包括例如：

-电流和/或电压传感器，可选地包括附加的电子电路，以测量电池的内部阻抗或输出功率，和/或

-温度传感器，其被配置为测量电池的局部温度，和/或

-循环计数器，用于跟踪电池完成的充电-放电循环次数(或者这些的近似值，考虑到电池通常不会完全充电和/或放电)。

可选地，除了电池传感器数据之外，系统10还可以包括环境传感器12'，其能够收集各种参数的数据集以表征电池测试期间的条件。

环境传感器可以是：

-外部温度或湿度传感器，和/或

-测量车辆速度/运动的车载传感器，用于各种车载设备，和/或

-诸如GPS的用于收集关于车辆位置信息的定位系统。

从图1中可以看出，系统10还包括测试模块13，其被配置为通过操作电池以执行测试(所谓的代理测试和完整测试)以执行期望的充电/放电循环并收集各种数据(归功于传感器)和元数据(例如，时间戳)。

完整测试是对电池执行的测试以确定其SOH(即，给出表示电池SOH的数字、百分比或状态描述作为输出)，代表性地包括在一组预定环境条件下的受控充电和/或放电动作。例如：在固定电压和环境温度下测量完整的充电-放电循环的持续时间，同时监测诸如内部阻抗、电流和电池温度的各种条件。

代理测试包括电池的部分充电和/或放电动作，而其他测试(称为完整测试)包括电池的完整的充电和/或放电动作。

代理测试比完整测试的侵入性更小。

此外，完整测试的条件非常严格，以产生可靠和可重复的结果，而代理测试更容易实现，车主决定代理测试的条件。

代理测试可以包括不同类型的测试。

例如，代理测试包括简单的测量电池的电导、电池的电压放电率、电池的热量测量等。

例如：在固定的放电速率下从60％到50％的放电状态放电，同时监测内部阻抗、电流和电池温度等各种条件。

换句话说，代理测试是对电池执行的测试以估算其SOH(即，给出表示最可能电池SOH的数字、百分比或状态描述作为输出)，代表性地较少侵入性的。代理测试还可以包括根据使用模式创建固定的充电/放电速率或顺序。示例可以是车辆的使用(例如，固定距离上的固定速度)，车辆电池的充电(例如，在固定时间内的固定充电参数)或者使用车载设备以产生期望的放电速率。

如已经指出的，测试结果被收集在系统10的数据集中，测量由传感器12以及环境传感器实现。

测试模块可以能够自动地或与用户合作执行测试，例如在驾驶期间。

请注意，在一些实施例中，完整测试和代理测试可以通过两个单独的测试来执行。

系统10还包括测试结果数据库14，其是可集中访问的数据库，该数据库存储由测试模块收集的数据。

测试结果数据库包含两个数据集：

-完整测试数据集，包括执行完整测试时收集的所有数据和元数据，以及

-代理测试数据集，包括执行代理测试时收集的所有数据和元数据。

可包括在完整测试数据集和/或代理测试数据集中的测试结果数据是例如电池传感器数据和环境传感器数据、关于用户和/或车辆的信息，例如用户ID、车辆品牌、型号、制造年份、电池规格以及可能影响电池SOH随时间变化的其他变量，例如与驾驶行为、天气、气候、常规旅行路线相关的信息。

优选地，测试结果数据还包括代理测试的结果和其他车辆的完整测试，例如相同车型的车辆。

方法

系统10还包括用于执行方法1及其子过程的单元，如将结合图2至图5描述的。

从图2中可以看出，方法1包括：

-在给定条件下对所述电池执行称为代理测试的PERF步骤2，所述代理测试包括电池的部分充电和/或放电动作，

-将代理测试的结果与存储在测试结果数据库中的数据进行比较的COMP步骤3，以及

-根据比较结果的函数估计SOH的步骤4。

换句话说，方法1将代理测试以及先前在测试结果数据库中收集的历史测试结果数据作为输入，并且给出电池的最有可能的SOH的估算作为输出。

方法1允许计算SOH估算，而不必执行完整测试。

方法1包括步骤5(SENS)，是步骤2的准备步骤，其中传感器确定电池的状态和条件，如已经提及的。

优选地，估算SOH函数的步骤4包括执行贝叶斯估计(Bayesian ponderation)的步骤6。

现在用示例描述步骤3和步骤4。

贝叶斯估计(Bayesian ponderation)

下表给出了代理测试结果的示例。

每个测试M1(电池电导的测量)，M2(电池的电压放电速率)，M3(电池的热量测量)可以成功或失败，使得每个测试与两个布尔结果相关联，分别标识为T1(测试通过),

(测试失败),T2(测试通过),

(测试失败),T3(测试通过)和

(测试失败)：

最后的完整测试结果是50个绿色SOH，30个橙色SOH和20个红色SOH。

执行代理测试，其产生T1,T2和

方法1基于贝叶斯定理用以下方程估计SOH，即估算的SOH：

其中Pn是归一化系数：

Pn＝P(绿色)P(橙色)P(红色).

请注意，

是已知代理测试的T1、T2和

时SOH为绿色的概率，是已知代理测试的T1、T2和时SOH为橙色的概率，以及

是已知代理测试的T1、T2和

时SOH为红色的概率。

还请注意，P(Ti/绿色)是已知SOH是绿色时Ti的概率，而P(Ti/橙色)是已知SOH是橙色时Ti的概率以及P(Ti/红色)是已知SOH是红色时Ti的概率。

此外，请注意P(绿色)是SOH为绿色的概率，P(橙色)是SOH为橙色的概率，以及P(红色)是SOH为红色的概率。

从表中可以推导出P(绿色)＝0,5，P(橙色)＝0,3，以及P(红色)＝0,2。并且Pn＝0,03。

此外，P(T1/绿色)＝0,4，P(T2/绿色)＝0,35，以及

此外，P(T1/橙色)＝0,2，P(T2/橙色)＝0,15，以及

此外，P(T1/红色)＝0,15，P(T2/红色)＝0,15，以及

因此，

由于绿色SOH具有最强的概率，估算的SOH是绿色的，即估算剩余电势高于70％。

准备子流程

如图3所示，方法1还包括第一准备子过程20，称为代理测试训练数据收集，以收集可用于将代理测试数据集与电池的SOH相关联的数据集。

通过执行代理测试和完整测试来实现子过程20，以收集测试结果数据并将其添加到测试结果数据库中。

更确切地说，代理测试被定义了(步骤21，DEF)。

代理测试的定义包括用于测试模块的所有指令，以正确收集代理测试数据集，例如：

-测试参数(如充电/放电顺序和速率、测试持续时间)，

-在测试之前或期间所需的测试条件(如温度、车辆的操作参数)，以及

-在测试期间所需的要收集的传感器数据(例如，电池传感器数据、环境传感器数据)。

代理测试可以由电动车辆或电池供应商预先定义，也可以由用户定义，例如基于用户偏好、历史使用模式或从其他用户复制或可从测试结果数据库访问的可用代理测试数据集。

然后，测试模块根据在步骤21中定义的指令执行代理测试(步骤22，EXE)，从而生成代理测试数据集。

测试模块可以自动执行代理测试，或者用户可以参与执行测试，例如，通过手动启动或调度代理测试，通过执行系统提示的动作，例如保持某种驾驶方式以产生所需的放电速率。

收集的代理测试数据集被存储在测试结果数据库中(步骤23，STR)。

完整测试还被执行(步骤24，PERF)并被存储在测试结果数据库中，从而提供称为测试结果数据的完整数据集，当将其添加到测试结果数据库时，稍后可以用于改进步骤1到步骤5中确定的SOH估算。

替代子过程

如图3所示，方法1包括另一个子过程30，以定义要在步骤1中执行的代理测试。

在步骤31(QUE)中，测试结果数据库查询先前收集的测试结果数据，这些数据在具有相似范围内的值的所需测试条件下使用代理测试收集。

在步骤32(REL)中，计算相关性分数，基于输入参数与相关代理测试所需的测试条件的适合程度(例如，测试条件内所有输入参数的高分数)以及历史测试结果数据的预测能力(例如，较大数据集的高分数)。

在步骤33(RAN)中，根据测试的相关性分数对测试进行排名，并且在步骤34(EXE)中，如果相关联分数高于或等于预定阈值，则执行最高排名测试。

可选地，如果排名最高的代理测试的分数不够高，则系统10可以被配置为等待一组更有利的状态和/或条件发生，如果状态和条件不适合于代理测试的执行(例如，不适合的温度、由于车辆驾驶导致的不稳定排放率、对于给定状态和条件可用的有限历史代理测试数据集)，或者如果预期稍后会发生更合适的状态和/或条件(例如，基于预测的输入参数)。

现在描述相关性分数的计算的示例。

该数据库包含电动车辆用户社区中各种代理测试的测试结果数据，包括每个单独测试结果条目的以下数据：

-测试条件：测试开始时的室外温度范围，记为T，

-测试条件：测试开始时的电池充电状态范围，记为SOC，

-测试结果：测试期间测量的各种参数，以及估计的SOH。

在测试开始时，需要在以下条件下对车辆A执行代理测试：

T_开始＝21℃,

SOC_开始＝70％

可以从数据库中获得以下代理测试：

代理测试1：T＝15℃–18℃；SOC＝50％–80％；测试结果数据示例数量：5000。

代理测试2：T＝20℃–25℃；SOC＝50％–80％；测试结果数据示例数量：200。

代理测试3：T＝20℃–23℃；SOC＝50％–80％；测试结果数据示例数量：3000。

可以基于以下评分函数来计算相关性分数：

相关性＝T_匹配×SOC_匹配×Impact，其中

如果T_开始在范围T内，则T_匹配＝1，否则为0；

如果SOC_开始在范围SOC内，则SOC_匹配＝1，否则为0；

Impact＝给定代理测试的测试结果示例数除以1000。

以下给出三组代理测试的相关性分数：

代理测试1:相关性＝0×1×5＝0

代理测试2:相关性＝1×1×0.2＝0.2,

代理测试3:相关性＝1×1×3＝3

存在各种方式来改进这种最简单的相关性评分方案，例如包括更多测试条件，包括更具限制性的测试条件、更严格的测试条件，例如，使用更精细的范围T，使用匹配分数来评估各种条件(T_匹配和SOC_匹配)的渐变分数(例如0到1之间的数字)而不是绝对分数(例如0或1)，包括权重因子，以使某些测试条件比其他测试条件更重要，包括计算得到的SOH的预期不确定性作为评分函数中的一个因素。

另一个替代子过程

从图5中可以看出，方法1有利地包括另一个子过程40，用于向测试结果数据库查询在车辆的相同或相似状态和/或条件下收集的历史测试结果数据，然后输出与新测试结果数据添加到测试结果数据库的价值相关的分数或值(“测试结果数据值”)。

换句话说，子过程40旨在用当前测试结果更新测试结果表，然后评估假设新测试与原始测试结果相同的概率的改进。

基于测试结果数据库中可用的历史测试结果数据，方法1包括步骤41(CALC)，其计算SOH估算的概率将如何变化，如果将收集完整SOH测试数据集并将其与测量的代理测试数据集一起添加到测试结果数据库中。

方法1包括步骤42(ASSIG)，其根据预定义的评估函数将测试结果数据值分配给新的测试结果数据，该预定的评估函数可以包括各种输入变量，例如：

-SOH估算的不确定性绝对或相对减少量，

-代理测试的需求，即在给定的电池状态和条件下，有多少其他电动车辆可以从代理测试的准确度提高中受益。需求的估算可以基于其他用户提供的历史测试结果数据，例如，有多少用户拥有类似的制造/型号电动车，有多少其他用户在类似的操作条件下操作他们的电动车辆。

现在基于已经提到的称为训练样本的表来描述步骤42的示例，其具有与已经描述的代理测试相同的结果T1,T2和

方法1包括假设在获得上述代理测试结果之后执行完整SOH测试以确定实际的SOH值(绿色、橙色或红色)，然后可以将其作为新条目添加到表中，从而产生培训样本101。因此，上表将在以下3个表中的一个中发生变化：

-如果完整测试结果为绿色：

-如果完整测试结果为橙色：

-如果完整测试结果为红色：

根据完整SOH测试的结果(在实际执行测试之前是未知的)，因此针对想要执行代理测试的其他用户改进了训练样本。

现在，使用来自上述3个表的数据，对具有相同测试结果T1,T2和

的执行代理测试的假设用户的计算概率进行如下改变。

如果完整SOH测试结果为绿色，P(T1/绿色)＝0,244,P(T2/绿色)＝0,015，

如果完整SOH测试结果为橙色，P(T1/绿色)＝0,244,P(T2/绿色)＝0,020，

如果完整SOH测试结果为红色，P(T1/绿色)＝0,220,P(T2/绿色)＝0,014，

因此，现在可以选择一种方法来量化添加到表中的数据的值。

例如，可以假设完整的SOH测试产生最可能的结果(在这种情况下为“绿色”)并且采用相关的概率增加(在这种情况下为P(T1/绿色))，在这种情况下为0.244-0.233＝0.011，作为新数据集值的度量。

此外，预定义评估函数的简单示例可以是：

测试结果数据值＝IP×Impact，其中

IP表示增加计算概率的百分比，Impact表示具有相同电池型号的定期访问测试结果数据库的唯一用户数。

因此，如果新收集的测试结果数据将产生IP＝0.011且Impact＝8000，则这将导致测试结果数据值＝880。

另一个替代子过程

有利地，方法1包括子过程50，称为完整SOH测试成本评估算法，能够根据定义的参数计算在给定状态和条件下执行完整测试的负面影响，例如：由于放电造成的能量成本、测试持续时间、对电池寿命的负面影响。

然后，子过程50给出与定义的参数(“完整SOH测试成本”)成比例的分数或值作为输出，其可以与测试结果数据值进行比较。

使用各种输入执行完整测试的计算，例如：

-在完整SOH测试期间或之后(重新)对电池充电所需的能量成本，

-根据制造商提供的数据，可选地根据历史测试结果数据，SOH测试导致的电池劣化的估算成本，

-可选地，一个因素，称为不便因素，这是与其他活动的潜在主观价值相关的因素，电池可用于代替执行完整SOH测试，而SOH测试反过来又可取决于各种因素，例如完整SOH测试的持续时间和用户的行程安排。高的不便因素意味着用户不太愿意承诺执行完整SOH测试，因而增加了完整SOH测试成本，因此需要更高的测试结果数据值来激励用户执行完整SOH测试。

如果测试结果数据值高于完整SOH测试成本，则测试模块计划并执行完整的SOH测试和代理测试，如已经描述的那样。

可选地，如果在不久的将来预期较低成本和/或较高值，则系统可以等待稍后的时刻来执行完整SOH测试。可以基于用于计算测试结果数据值和完整SOH测试成本的各种输入变量的预期改进来执行该预测，例如更好的未来能源价格，预期对电池更不利的环境条件或给用户带来更小的不便。

如何计算完整SOH测试成本的简单示例如下：

完整SOH测试成本＝能源成本+电池折旧成本，其中

能源成本＝总放电能量×能源单位价格，以及

电池折旧成本可以通过简单的查找表给出，其中当执行诸如完全充电/放电循环的SOH测试时，针对各种环境条件(例如温度范围)给出电池折旧成本。

因此，对于容量为75千瓦时的电池，在给定的环境温度下，由于充电/放电，能源单价为€0.15/千瓦时，电池折旧成本为€20(例如，电池总成本欧元10k元的0.2％)，完整SOH测试成本由€(75×0.15+20)＝€31.25给出。

如前所述，如果测试结果数据值高于完整SOH测试成本，则测试模块会计划并执行完整SOH测试和代理测试。

如何将测试结果数据值与完整SOH测试成本进行比较的简单示例如下：

-将测试结果数据值与定价转换因子相乘，与每个用户愿意花费在完整SOH测试的增加百分比上的金额相对应。例如，如果每个用户愿意为每0.01％增加百分比花费€0.04，则可以将前面示例中定义的测试结果数据值乘以€0.04的定价转换因子，

-考虑到上述测试结果数据值等于880的示例，此测试结果数据值的货币等值由€(0.04×880)＝€35.20给出，高于完整SOH测试成本＝€31.25。在这种情况下，执行完整SOH测试将获得回报。

-为给定测试结果数据值分配货币值或将测试结果数据值与完整SOH测试成本进行比较的任何其他方法都是有效的。

附加实施例

在另外的实施例中，系统10可以执行附加动作以促进收集完整的SOH测试数据集。这可以通过执行以下一个或多个步骤来实现：

-向用户提供推荐或提醒，例如关于收集测试结果数据的合适时刻、关于奖励的大小。这可以通过，例如，向用户发送文本消息、在仪表板显示器上显示文本等来完成，

-在满足某些条件时自动为用户安排完整SOH测试，例如，当SOH测试成本低于某个值时。

本发明实际上不限于上述步骤。而且，可以组合所有上述子过程和附加实施例。

优点

方法1帮助用户收集测试数据以确定他们的车辆电池的电池寿命。

方法1和相关系统10可用于帮助用户更好地管理测试和收集测试数据，以及允许用户或用户组创建他们自己的测试。

具体而言，能够实现以下优点。

该方法可以以合理的准确度(取决于测试结果数据库中的可用测试结果数据)确定SOH估算，而无需用户执行完整SOH测试。这对于想要确定其电池的转售价值，或者想要定期跟踪其电池的劣化情况或环境条件和/或使用模式对SOH的影响的用户来说是有意义的。

与执行完整SOH测试相比，用户可以更频繁地使用代理测试来确定SOH估算，并且/或者他们可以在完整测试不太方便时(由于时间限制)执行代理测试。

该方法可以收集数据集以定义新的代理测试并收集数据以增加这些新代理测试的预测值。这些新的代理测试可以被集成到使用模式中，例如用户旅程安排或车辆经常暴露的环境条件。新的代理测试可以与具有类似电动车辆、电池、操作条件或其他潜在相关变量的特定用户组相关联。

该方法可以推荐或激励用户何时执行完整测试，例如，如果收集的数据集被计算为对一组用户有利。建议/激励措施可能具有以下优势：增加积极参与收集数据集的用户数量，以帮助提高代理测试的预测能力，并且当代理测试可用于获得有关SOH的足够准确信息时，不鼓励用户执行完整测试，从而减少完整测试对电池寿命的负面影响。

通常，当在大量电动车辆中实施时，该方法可以使用户收集更多测试数据、更有用和更多样化的数据集，以及关于电池使用和健康的更详细/更深入的信息，这是对汽车和电池制造商以及用户自己感兴趣的。

Claims (12)

1.用于评估电动车辆的电池的健康状态(SOH)的方法，所述方法包括以下步骤：

-在给定条件下对所述电池执行称为代理测试的测试，所述代理测试包括电池的部分充电和/或放电动作，

-将所述代理测试的结果与存储在数据集中的数据进行比较，以及

-根据比较结果估算健康状态(SOH)。

2.如权利要求1所述的方法，其特征在于，所述执行所述代理测试的步骤包括以下步骤：

-比较数据集中可用的代理测试，

-将分数与每个测试相关联，

-按所述测试排名，以及

-如果相关分数高于或等于预定阈值，则执行称为代理测试的最高排名测试。

3.如前述权利要求2所述的方法，其特征在于，所述分数取决于电池的给定条件。

4.如前述权利要求中任一项所述的方法，其特征在于，如果所述相关分数小于预定阈值，则不执行代理测试。

5.如前述权利要求中任一项所述的方法，其特征在于，估算所述健康状态(SOH)的步骤包括贝叶斯估计(Bayesian ponderation)。

6.如前述权利要求中任一项所述的方法，包括执行完整健康状态(SOH)测试的步骤，包括电池的完整的充电和/或放电动作，并将结果存储在数据集中。

7.如权利要求6所述的方法，其特征在于，如果健康状态(SOH)测试成本小于与所述代理测试计算相关联的值，则执行完整的健康状态(SOH)测试。

8.如权利要求6所述的方法，其特征在于，执行完整的健康状态(SOH)并将结果存储在数据集中是任何代理测试的准备。

9.如权利要求1所述的方法，包括将所述代理测试的结果存储在数据集中的步骤。

10.一种计算机程序，包括当由处理器执行时实现如前述权利要求任一项所述的方法的步骤的指令序列。

11.一种可由计算机读取的非暂时性存储介质，包括权利要求10所述的计算机程序。

12.一种系统，包括用于确定电池状况的传感器和包括所述非暂时性存储介质的单元。

Images