CN111157908A - 一种基于大数据机器学习的电池健康度预测方法 - Google Patents

一种基于大数据机器学习的电池健康度预测方法 Download PDF

Info

Publication number
CN111157908A
CN111157908A CN202010021179.4A CN202010021179A CN111157908A CN 111157908 A CN111157908 A CN 111157908A CN 202010021179 A CN202010021179 A CN 202010021179A CN 111157908 A CN111157908 A CN 111157908A
Authority
CN
China
Prior art keywords
vehicle
charging
charging process
machine learning
battery capacity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010021179.4A
Other languages
English (en)
Inventor
项宝庆
朱诗严
鞠强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Special Call Cloud Technology Co Ltd
Qingdao Teld New Energy Technology Co Ltd
Original Assignee
Qingdao Special Call Cloud Technology Co Ltd
Qingdao Teld New Energy Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao Special Call Cloud Technology Co Ltd, Qingdao Teld New Energy Technology Co Ltd filed Critical Qingdao Special Call Cloud Technology Co Ltd
Priority to CN202010021179.4A priority Critical patent/CN111157908A/zh
Publication of CN111157908A publication Critical patent/CN111157908A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明公开了一种基于大数据机器学习的电池健康度预测方法，包括如下步骤：收集某一车型下多个车辆的充电过程明细数据；对收集到的充电过程数据进行处理；对该车型的充电过程数据进行数学建模，建立以预估电池容量为因变量、以累计SOC差值为自变量的数学模型；分析该车型的电池SOH衰减规律，得到SOH衰减曲线，并计算出该车型电池容量衰减至80％时的循环次数；基于得到的SOH衰减曲线，结合步骤二中每辆车的充电过程数据，计算每辆车电池容量衰减至80％时的时间；将该车型和具体每辆车的SOH衰减规律计算结果，在可视化界面中呈现。本发明公开的方法可以提前预知每辆车电池容量衰减至80％时的具体时间，为车辆的维护保养提供了可靠的依据。

Description

一种基于大数据机器学习的电池健康度预测方法
技术领域
本发明涉及电池健康度预测技术领域，特别涉及一种基于大数据机器学习的电池健康度预测方法。
背景技术
电动汽车行业的兴起，锂离子电池在电动汽车领域得到广泛的应用，电池组的有效管理也成为保障电动汽车性能稳定和安全可靠的关键。特别是电动汽车电池在充放电过程中出现故障，从而导致安全事故频发，那么对电池使用情况的监测、对电池剩余电量的评估、对电池使用寿命的预测等技术就变得越来越重要。
电池健康状态(state of health，SOH)是用来衡量电池老化程度的参数。当前业务对SOH的估算方法主要有两大类：直接获得法、数据驱动法。直接获得法是指对可直接测量的电池参数进行处理来计算SOH的方法，具体有安时积分、开路电压、阻抗法等方式；数据驱动法不依赖于电池模型，而是采用数学模型，针对具体的车型来构造模型，其结果适用于具体的一个车型，因此精度较高。
发明内容
为解决上述技术问题，本发明提供了一种基于大数据机器学习的电池健康度预测方法，采用数据驱动法，通过机器学习技术建立数学模型，来探索每个车型的电池寿命衰减规律，从而对具体每个车的电池寿命进行预测。
为达到上述目的，本发明的技术方案如下：
一种基于大数据机器学习的电池健康度预测方法，包括如下步骤：
步骤一，收集某一车型下多个车辆的充电过程明细数据；
步骤二，对收集到的充电过程数据进行处理，计算得到每辆车每次充电时的累计SOC差值和预估电池容量；
步骤三，对该车型的充电过程数据进行数学建模，建立以预估电池容量为因变量、以累计SOC差值为自变量的数学模型；
步骤四，基于建立的数学模型，分析该车型的电池SOH衰减规律，得到SOH衰减曲线，并计算出该车型电池容量衰减至80％时的循环次数；
步骤五：基于得到的SOH衰减曲线，结合步骤二中每辆车的充电过程数据，计算每辆车电池容量衰减至80％时的时间；
步骤六：将该车型和具体每辆车的SOH衰减规律计算结果，在可视化界面中呈现。
上述方案中，所述步骤一中，充电过程明细数据包括车辆VIN、充电开始时间、充电结束时间、充电时长、充电开始SOC、充电结束SOC、充电电量。
上述方案中，所述步骤二的具体方法如下：
(1)计算每辆车每次充电的SOC差值；
(2)计算每辆车逐次充电过程时的累计SOC差值和累计充电量；
(3)通过累计充电量除以累计SOC差值，得到每辆车每次充电时的预估电池容量。
上述方案中，所述步骤三中，建立的数学模型采用BP神经网络回归算法和多项式回归算法，针对每一个车型，比较这两类算法的精度，选择最优的算法。
进一步的技术方案中，所述BP神经网络回归算法中，采用了2层神经网络，隐藏层包含10个隐藏单元。
更进一步的技术方案中，所述BP神经网络回归算法中，相关的技术参数如下：
学习率选择：0.1/0.01/0.001；
激活函数选择：Sigmoid/Relu；
输入数据归一化；
优化器选择：Batch Gradient Descent；
迭代次数：20000次。
通过上述技术方案，本发明提供的一种基于大数据机器学习的电池健康度预测方法，基于海量的充电过程数据，可以精确拟合每个车型的SOH衰减规律，并估算出该车型电池容量衰减至80％时的循环次数；再结合该车型下每辆车的充电频率，可以提前预知每辆车电池容量衰减至80％时的具体时间，为车辆的维护保养提供了可靠的依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种基于大数据机器学习的电池健康度预测方法流程示意图；
图2为本发明实施例所公开的SOH电池容量衰减曲线示意图；
图3为本发明实施例所公开的电池容量百分比衰减模型示意图；
图4为本发明实施例所公开的车型电池衰减模型和每辆车的电池衰减时间示意图；
图5为本发明实施例所公开的车型和具体每辆车的SOH衰减规律示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种基于大数据机器学习的电池健康度预测方法，如图1所示，该方法在积累了海量电池充电过程数据的基础上，通过机器学习技术，分析研究了不同车型的电池寿命衰减规律，分别建立模型来预测SOH，并将研究结果应用在充电产品中。
具体实施例如下：
首先，选择【扬子江-WG6180BEVHR3】这个车型为研究对象，该车型有30辆车，车辆VIN为LWEJNT2L*********。
步骤一：收集某一车型下多个车辆的充电过程明细数据。包括车辆VIN、充电开始时间、充电结束时间、充电时长、充电开始SOC、充电结束SOC、充电电量等。
实施：收集【扬子江-WG6180BEVHR3】这个车型下30辆车的充电过程明细数据，平均每辆车5000次充电记录。
步骤二：基于步骤一，对收集到的充电过程数据进行处理。具体包括：
(1)计算每辆车每次充电的SOC差值；
(2)计算每辆车逐次充电过程时的累计SOC差值、累计充电量；
(3)通过累计充电量除以累计SOC差值，得到每辆车每次充电时的预估电池容量。
实施：针对每辆车，对充电记录按时间排序后，分别计算上述数值。
步骤三：基于步骤二，对该车型的充电过程数据进行数学建模，建立以预估电池容量为因变量、以累计SOC差值为自变量的数学模型。算法主要有两类：BP神经网络回归算法、多项式回归算法。针对每一个车型，比较这两类算法的精度，选择最优的算法。
实施：针对【扬子江-WG6180BEVHR3】这个车型，分别应用BP神经网络回归和多项式回归算法。其中，训练集20辆车10万条数据，验证集6辆车3万条数据，测试集4辆车2万条数据。
结果：BP神经网络回归的验证误差为0.93，多项式回归算法的验证误差为0.56。最终在这个车型上，选择多项式回归算法，测试误差0.55，并且在循环2000次时，容量衰减至103.29，衰减至73.3％，更符合电池容量的衰减规律。衰减曲线见图2。
步骤四：基于步骤三中得到的模型，分析该车型的电池SOH衰减规律，得到SOH衰减曲线。并计算出该车型电池容量衰减至80％时的循环次数。
实施：根据步骤三中得到的多项式回归系数，拟合出【扬子江-WG6180BEVHR3】的电池容量衰减曲线。计算出电池容量衰减至80％时的循环次数为1721次，见图3。
步骤五：基于步骤四中得到的SOH衰减曲线，结合步骤二中每辆车的充电过程数据，计算每辆车电池容量衰减至80％时的时间。
实施：【扬子江-WG6180BEVHR3】车型有30辆车，统计每辆车的平均充电频率，根据充电频率，结合车型电池容量衰减曲线，计算出每辆车电池容量衰减至80％时的时间，比如【LWEJNT2LXGA000***】这辆车预计在2024年1月份电池容量衰减至80％，见图4所示。
步骤六：基于步骤四、步骤五，将该车型和具体每辆车的SOH衰减规律计算结果，在可视化界面中呈现。
实施：将【扬子江-WG6180BEVHR3】车型及其下30辆车的衰减规律进行可视化呈现，见图5所示。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于大数据机器学习的电池健康度预测方法，其特征在于，包括如下步骤：
步骤一，收集某一车型下多个车辆的充电过程明细数据；
步骤二，对收集到的充电过程数据进行处理，计算得到每辆车每次充电时的累计SOC差值和预估电池容量；
步骤三，对该车型的充电过程数据进行数学建模，建立以预估电池容量为因变量、以累计SOC差值为自变量的数学模型；
步骤四，基于建立的数学模型，分析该车型的电池SOH衰减规律，得到SOH衰减曲线，并计算出该车型电池容量衰减至80％时的循环次数；
步骤五：基于得到的SOH衰减曲线，结合步骤二中每辆车的充电过程数据，计算每辆车电池容量衰减至80％时的时间；
步骤六：将该车型和具体每辆车的SOH衰减规律计算结果，在可视化界面中呈现。
2.根据权利要求1所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述步骤一中，充电过程明细数据包括车辆VIN、充电开始时间、充电结束时间、充电时长、充电开始SOC、充电结束SOC、充电电量。
3.根据权利要求1所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述步骤二的具体方法如下：
(1)计算每辆车每次充电的SOC差值；
(2)计算每辆车逐次充电过程时的累计SOC差值和累计充电量；
(3)通过累计充电量除以累计SOC差值，得到每辆车每次充电时的预估电池容量。
4.根据权利要求1所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述步骤三中，建立的数学模型采用BP神经网络回归算法和多项式回归算法，针对每一个车型，比较这两类算法的精度，选择最优的算法。
5.根据权利要求4所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述BP神经网络回归算法中，采用了2层神经网络，隐藏层包含10个隐藏单元。
6.根据权利要求5所述的一种基于大数据机器学习的电池健康度预测方法，其特征在于，所述BP神经网络回归算法中，相关的技术参数如下：
学习率选择：0.1/0.01/0.001；
激活函数选择：Sigmoid/Relu；
输入数据归一化；
优化器选择：Batch Gradient Descent；
迭代次数：20000次。
CN202010021179.4A 2020-01-09 2020-01-09 一种基于大数据机器学习的电池健康度预测方法 Pending CN111157908A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010021179.4A CN111157908A (zh) 2020-01-09 2020-01-09 一种基于大数据机器学习的电池健康度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010021179.4A CN111157908A (zh) 2020-01-09 2020-01-09 一种基于大数据机器学习的电池健康度预测方法

Publications (1)

Publication Number Publication Date
CN111157908A true CN111157908A (zh) 2020-05-15

Family

ID=70562318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010021179.4A Pending CN111157908A (zh) 2020-01-09 2020-01-09 一种基于大数据机器学习的电池健康度预测方法

Country Status (1)

Country Link
CN (1) CN111157908A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111965545A (zh) * 2020-07-31 2020-11-20 蜂巢能源科技有限公司 锂电池自放电检测方法、装置及系统
CN112946483A (zh) * 2021-02-05 2021-06-11 重庆长安新能源汽车科技有限公司 电动汽车电池健康的综合评估方法及存储介质
CN113673157A (zh) * 2021-08-19 2021-11-19 青岛特来电新能源科技有限公司 电池容量预测模型的训练方法、装置、电子设备和介质
WO2022174698A1 (zh) * 2021-02-20 2022-08-25 青岛特来电新能源科技有限公司 新能源设备的健康状况测评方法、装置、介质及提示终端
EP4198533A4 (en) * 2020-08-13 2024-03-27 Terawatt Tech K K INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND PROGRAM

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253343A (zh) * 2011-04-21 2011-11-23 北京世纪瑞尔技术股份有限公司 一种蓄电池的健康度与荷电状态的估算方法
CN103675702A (zh) * 2013-12-04 2014-03-26 清华大学 一种实时评估电池健康状态的方法
CN104833918A (zh) * 2014-05-22 2015-08-12 北汽福田汽车股份有限公司 用于车辆的动力电池的使用寿命检测方法及系统
CN106339755A (zh) * 2016-08-29 2017-01-18 深圳市计量质量检测研究院 基于神经网络与周期核函数gpr的锂电池健康状态预测方法
CN106855610A (zh) * 2016-12-30 2017-06-16 中国电力科学研究院 钛酸锂电池健康状态估算系统及方法
CN107271913A (zh) * 2017-06-28 2017-10-20 北京工业大学 一种应用于动力电池剩余容量预测的方法
CN109975713A (zh) * 2019-04-12 2019-07-05 苏州正力蔚来新能源科技有限公司 一种考虑多因素影响的动力电池soh估算方法
CN110568361A (zh) * 2019-09-12 2019-12-13 华中科技大学 一种动力电池健康状态的预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253343A (zh) * 2011-04-21 2011-11-23 北京世纪瑞尔技术股份有限公司 一种蓄电池的健康度与荷电状态的估算方法
CN103675702A (zh) * 2013-12-04 2014-03-26 清华大学 一种实时评估电池健康状态的方法
CN104833918A (zh) * 2014-05-22 2015-08-12 北汽福田汽车股份有限公司 用于车辆的动力电池的使用寿命检测方法及系统
CN106339755A (zh) * 2016-08-29 2017-01-18 深圳市计量质量检测研究院 基于神经网络与周期核函数gpr的锂电池健康状态预测方法
CN106855610A (zh) * 2016-12-30 2017-06-16 中国电力科学研究院 钛酸锂电池健康状态估算系统及方法
CN107271913A (zh) * 2017-06-28 2017-10-20 北京工业大学 一种应用于动力电池剩余容量预测的方法
CN109975713A (zh) * 2019-04-12 2019-07-05 苏州正力蔚来新能源科技有限公司 一种考虑多因素影响的动力电池soh估算方法
CN110568361A (zh) * 2019-09-12 2019-12-13 华中科技大学 一种动力电池健康状态的预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111965545A (zh) * 2020-07-31 2020-11-20 蜂巢能源科技有限公司 锂电池自放电检测方法、装置及系统
EP4198533A4 (en) * 2020-08-13 2024-03-27 Terawatt Tech K K INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND PROGRAM
CN112946483A (zh) * 2021-02-05 2021-06-11 重庆长安新能源汽车科技有限公司 电动汽车电池健康的综合评估方法及存储介质
CN112946483B (zh) * 2021-02-05 2022-05-06 重庆长安新能源汽车科技有限公司 电动汽车电池健康的综合评估方法及存储介质
WO2022174698A1 (zh) * 2021-02-20 2022-08-25 青岛特来电新能源科技有限公司 新能源设备的健康状况测评方法、装置、介质及提示终端
CN113673157A (zh) * 2021-08-19 2021-11-19 青岛特来电新能源科技有限公司 电池容量预测模型的训练方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
CN111157908A (zh) 一种基于大数据机器学习的电池健康度预测方法
CN111007401A (zh) 一种基于人工智能的电动汽车电池故障诊断方法及设备
CN106353690B (zh) 利用Petri网诊断锂电池故障的方法
CN114430080B (zh) 一种基于运行数据的动力电池电芯异常自放电的识别方法
CN108287317B (zh) 电池功率预测模型生成方法及系统、功率预测方法及系统
CN109116242B (zh) 一种动力电池的数据处理方法和装置
CN112068004A (zh) 一种电池异常、电池充电剩余时间的确定方法及装置
EP4361654A1 (en) New energy vehicle, and anomaly monitoring and diagnosis method and device for battery system soc of new energy vehicle
CN115343621B (zh) 一种基于数据驱动的动力电池健康状态预测方法及设备
CN112083346B (zh) 基于lstm的并联电池组内部电流分布估计方法及系统
CN110045291B (zh) 一种锂电池容量估计方法
CN111191824B (zh) 一种动力电池容量衰减预测方法及系统
CN112904219A (zh) 一种基于大数据的动力电池健康状态的预测方法
CN113253128B (zh) 一种电池系统soc一致性评估方法和内阻一致性评估方法
CN114818831B (zh) 基于多源感知的双向锂离子电池故障检测方法及系统
CN112505570A (zh) 电动汽车的电池健康状态的估计方法
CN116298934B (zh) 一种用于锂电池健康状态估算的预测网络的建模方法
CN113657360A (zh) 锂电池健康状态估计方法、装置、设备及可读存储介质
CN115524629B (zh) 一种车辆动力电池系统健康状态的评估方法
CN114167301A (zh) 一种基于电动汽车实车数据的动力电池评估方法
CN110673037A (zh) 基于改进模拟退火算法的电池soc估算方法及系统
CN114578248A (zh) 用于预测电池运行的设备中设备电池的老化状态的方法和装置
CN114675187A (zh) 一种物理机理和机器学习融合的锂离子电池寿命预测方法
CN115097312A (zh) 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515

RJ01 Rejection of invention patent application after publication