CN111999657B - 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 - Google Patents

Abstract

本发明提供一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，通过云端数据平台收集电动汽车历史数据，采用数据挖掘方法分析电动汽车历史行驶工况与历史老化路径并结合动力电池故障预警数据与行驶工况模型和多维耦合等效电路模型及安全风险评估方法，计算电动汽车安全可用行驶里程，在不额外增添电动汽车元器件的条件下，通过远程数据传输的方式收集电动汽车历史数据并储存于云端数据平台，在其中通过数据挖掘方法分析电动汽车历史老化路径与剩余可用寿命，基于采样的电动汽车速度与位置信息分析电动汽车历史行驶工况并通过计算在当前剩余可用寿命的条件下，工况设定为电动汽车历史行驶工况的电动汽车可用行驶里程即可合理评估当前的剩余行驶里程。

Description

一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法

技术领域

本发明属于动力电池管理系统技术领域，具体涉及一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法。

背景技术

目前国内电动汽车保有量超过1%且逐年增长，电动汽车采用电动机作为驱动装置，由车载可充电蓄电池或其他能量储存装置提供能量，具有零排放、高效率、安静、运行平稳、驾驶操作容易、使用维护费用低和所需电能来源广泛等优点，因而在现有的新能源汽车技术中，被视为长期发展目标。当前锂离子电池为主流的车载储能装置。由于锂离子电池系统受行驶工况、老化特性等影响，单一原则的评估体系难以评定锂离子电池剩余寿命的行驶里程，进而导致二手电动汽车保值难，电池组梯次利用回收定价难，目前可基于已行驶里程来估计锂离子电池系统残值。但该结果依赖于测试环境，存在累计误差，且未考虑电动汽车历史老化路径的影响，导致计算结果不准确。

因此对于电动汽车中锂离子电池剩余寿命的行驶里程的评估一直是困扰电动汽车车主与企业的重要问题，如何合理评估电动汽车锂离子电池剩余寿命续航里程残值是目前电动汽车产业发展需应对的难题。

发明内容

针对上述现有技术存在的无法合理评估电动汽车锂离子电池系统残值的技术问题，本发明提供一种锂离子电池剩余寿命的行驶里程评估方法，该方法通过云端数据平台收集电动汽车历史数据，采用数据挖掘方法分析电动汽车历史行驶工况与历史老化路径，基于深度学习或长短时记忆神经网络等实现动力电池寿命估计与预测，从而实现在不额外增添电动汽车元器件的条件下基于采样的电动汽车速度与位置信息等分析电动汽车历史行驶工况并通过计算在当前剩余可用寿命的条件下，将工况设定为电动汽车历史行驶工况对电动汽车的锂离子电池剩余寿命的行驶里程进行评估。

本发明的目的在于提供一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，包括如下步骤：

S1，通过云端数据平台采集电动汽车的锂离子电池的行驶历史数据以及驾驶员历史行为数据；

S2，对所述电动汽车的锂离子电池的行驶历史数据以及驾驶员历史行为数据进行数据清洗得到可用数据；

S3，将所述可用数据作为初始训练样本集，对初始行驶工况模型进行迭代训练，得到针对驾驶员个人行为习惯的行驶工况模型；

S4，根据所述可用数据中的电池信息数据基于电池原理进行等效电路建模，进行系统辨识获取等效电路模型参数，并得到多维耦合等效电路模型；基于所述多维耦合等效电路模型，进行电池容量健康状态估计，根据对所述电池容量健康状态估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计；

S5，根据所述估计的锂离子电池剩余寿命值与所述驾驶员个人行为习惯的行驶工况模型得到电动汽车锂离子电池剩余寿命的行驶里程。

优选的，在步骤S2中，所述数据清洗包括数据去重、数据查漏和数据去噪，其中所述数据去重包括：恢复因长期怠速与超长怠速产生的不良数据；所述数据查漏包括：恢复对于GPS数据的丢失产生的不良数据；部分恢复碎片化丢失的数据；所述部分恢复碎片化丢失的数据包括：假设汽车处于巡航状态，假设汽车速度不变，对于丢失1s或2s的数据进行恢复；所述数据去噪包括：不恢复因加速度异常产生的不良数据，恢复因速度异常产生的不良数据。

优选的，在步骤S2中，所述可用数据包括：经过清洗后的完整的车辆速度信息、电池的电流、电压以及温度信息。

优选的，所述步骤S3采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练。

优选的，在所述步骤S3中，所述采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练，得到针对驾驶员个人行为习惯的行驶工况模型包括：采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练，结合驾驶员行为预测并采用马尔可夫蒙特卡洛法建立所述电动汽车的驾驶工况，采用耦合汽车形式特征、能耗特征、排放特征的多维度评价方法对建立的行驶工况进行解析，最终建立针对驾驶员个人行为习惯的行驶工况模型。

优选的，所述步骤S3所述针对驾驶员个人行为习惯的行驶工况模型为循环深度神经网络或长短时记忆神经网络。

优选的，所述步骤S4所述系统辨识基于大数据神经网络方法进行。

优选的，所述步骤S4中所述多维耦合等效电路模型采用大数据神经网络方法与电池原理结合建立，所述多维耦合等效电路模型包括由RC环境、欧姆内阻和理想电压源组成的电路，所述RC环境用于描述电池动态特性，所述欧姆内阻与所述理想电压源用于描述电池静态特性。

优选的，所述步骤S4中所述电池容量健康状态估计采用数据驱动神经网络的云端参数辨识算法以及数据挖掘与广义粒子滤波结合实现。

优选的，所述步骤S4中所述根据对所述电池容量健康状态估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车的锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计包括：根据所述电池容量健康状态估计的估计值采用循环神经网络或改进的长短时记忆神经网络法实现锂离子电池在有限时域内的基于概率密度云分布的可用容量预测；所述可用容量为锂离子电池的剩余寿命值。

本发明的技术效果：

本发明锂离子电池剩余寿命的行驶里程评估方法，通过云端数据平台收集电动汽车历史数据，采用数据挖掘方法分析电动汽车历史行驶工况与历史老化路径并结合动力电池故障预警数据与行驶工况模型和多维耦合等效电路模型以及安全风险评估方法，计算出电动汽车安全可用行驶里程，从而实现在不额外增添电动汽车元器件的条件下，通过远程数据传输的方式收集电动汽车历史数据并储存于云端数据平台中，在云端数据平台中通过数据挖掘的方法分析电动汽车历史老化路径与剩余可用寿命，基于采样的电动汽车速度与位置信息等分析电动汽车历史行驶工况并通过计算在当前剩余可用寿命的条件下，工况设定为电动汽车历史行驶工况的电动汽车可用行驶里程即可合理评估当前电动汽车的剩余行驶里程。该方法基于大数据神经网络方法（也可称为是大数据分析的神经网络方法，简称大数据方法）进行电池可用容量辨识与电池工况提取，进而实现动力电池剩余可用里程评估，基于神经网络的系统辨识方法建立动力电池组等效电路演化模型并实现参数辨识，耦合广义粒子滤波与长短时记忆神经网络法实现动力电池寿命状态（SOH）与可用容量估计，优化主成分分析与有效聚类算法实现工况预测，进而计算动力电池行驶里程分布概率密度，合理评估当前电动汽车的剩余行驶里程。该方法综合电池黑箱模型（大数据方法）与白箱模型（等效电路模型法）的特点，吸取大数据方法在基于离散的采样数据获得较广泛适应性的通用模型优势，强化等效电路等机理模型在电池控制中的高精准性与鲁棒性，实现具有普适性的动力电池行驶里程估计方案，并通过耦合算法提高远程监控与管理的可靠性。该方法几乎不依赖于电池实验测试，而依靠整车上传的实际运行数据，有效降低了实验依赖性，在不同电池体系、不同车型、不同地域等具有较广泛的适应性。该方法兼容经典电池控制、滤波算法等优势，具有较好的向下兼容性，在大数据算法方面具有广泛的优化方向，基于先进的深度学习与强化学习算法可有效改进方案结果，具有较高的向上延伸性。本发明的电动汽车的锂离子电池剩余寿命的行驶里程评估方法的多维耦合算法，在云端模型构建、云端状态估计与云端控制等方面均具有潜在应用价值，可针对模型和算法在其他领域下实现推广，可能的推广优化方向包括：基于梯次利用场景工况可以预估电池的RUL、充电策略及充电行为优化、提升电池使用寿命模型，可为电池保养提供依据、作为安全预警模型的一部分内容。

附图说明

参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：

图1为根据本发明实施例的锂离子电池剩余寿命的行驶里程评估方法的流程示意图；

图2为根据本发明实施例的锂离子电池剩余寿命的行驶里程评估方法的工作原理图；

图3为根据本发明实施例的行驶工况预测流程图；

图4为根据本发明实施例的建立的行驶工况示意图；

图5为根据本发明实施例的二阶等效电路模型原理示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行详细说明，但并不用来限制本发明的保护范围。

本实施例的锂离子电池剩余寿命的行驶里程评估方法，针对现有的基于已行驶里程来估计锂离子电池系统残值的方法进行改进，如图1所示流程图以及图2所示工作原理图，具体体现在如下几个步骤：

步骤S1，通过云端数据平台采集电动汽车锂离子电池的行驶历史数据以及驾驶员历史行为数据，即图2所示数据采集。具体地，电动汽车锂离子电池的行驶历史数据包括：单体电池电压值，单体电池温度值，电池组总电压值，电池组总电流值，电池组最高电压值，电池组最低电压值，电池组最高温度值，电池组最低温度值，电池组SOC值 ；驾驶员历史行为数据包括：采样时间，车速，车辆GPS位置等 。云端数据平台具体可以为：智能云平台等 。

步骤S2，对电动汽车锂离子电池的行驶历史数据以及驾驶员历史行为数据进行数据清洗得到可用数据。具体地，数据清洗过程为：基于云端数据平台采样得到的电动汽车锂离子电池的行驶历史数据以及驾驶员历史行为数据具有不良数据，难以直接应用，需要对获得的数据进行筛选、恢复，以得到可用的数据。由于汽车实际行驶过程中工况复杂，常会遇见高楼、立交桥等弱信号处，易造成采样数据丢失；同时也可能因故障等造成部分采样点丢失，因此，云端获取的采样数据常常包含多类不良数据值，需提前处理。

具体地，在该实施例中，如图2所示，数据清洗包括数据去重、数据查漏、数据去噪。进行数据清洗时，碎片化的不良数据可通过插值等进行恢复，但大片段丢失的不良数据难以恢复。可能的不良数据如表1所示。

表1

类型编号	不良数据类型	不良数据类型描述	不良数据是否可恢复
				1	GPS数据丢失	车载GPS因高楼、立交桥等掩体而信号变弱，造成数据丢失	部分可恢复
2	加速度异常	计算得到的加、减速度异常的数据	否
				3	长期停车	由长期停车（如停车不熄火等候人、停车熄火了但采集设备仍在运行等）等所采集的异常数据	是
4	长期低速	因长时间堵车、断断续续低速行驶情况（最高车速小于5km/h）	是
				5	超长低速	低速时间超过300秒	是
6	速度异常	由GPS采集得到的位置信息计算得到的速度与GPS速度不匹配	是

表1中不良数据恢复方法如下：

数据查漏：对于GPS数据丢失产生的不良数据，该不良数据部分可恢复。对于碎片化的数据丢失（如1s或2s数据）可假设汽车处于巡航状态（假设汽车速度不变），从而对片段数据进行部分恢复；而对于较长时间的采样丢失则无法恢复，需划分至另一个时间片段进行处理。

数据去噪：对于加速度异常产生的不良数据，不可恢复。加速度异常的数据定义为：加速过程内0至100km/h的加速时间小于等于K1秒，紧急刹车的减速过程内最大减速度小于K2 m/s²。K1与K2的具体值由车型决定。

对于长期停车采集的不良数据，可恢复。长期停车时数据采集卡获取的信息具有如下特征：（1）GPS速度长期（超过T1s）为0；（2）GPS位置长期（超过T2s）不发生变化。该类数据因车辆位置不发生变化，因此对于车辆行驶工况无增益，无需划分进车辆运动学片段中，数据删除。T1与T2的具体值由车型决定。

数据去重：对于长期怠速与超长怠速产生的不良数据，可恢复。因车辆正常行驶过程中怠速片段较少，仅在红绿灯、短期堵车等特殊交通情况下具有怠速行为。因此，长期怠速与超长怠速部分对于车辆行驶工况无增益，超长部分暂不考虑。

对于速度异常的不良数据，可恢复。因GPS信号采集存在误差或因弱GPS信号等产生的信号误差现象，导致GPS采集的速度信号与位置信息计算得到的速度存在不匹配现象，定义为偏差绝对值超过N。该不良数据可恢复。假定位置采集信号准确，因此选用位置采集信号作为真实信号值进行替代恢复。N由具体车型决定。

在进行完数据清洗之后，即进行完数据去重、数据查漏以及数据去噪之后得到的是可用数据，可用数据是指经过清洗后的完整的数据集，主要包括：车辆速度、电池电流、电压、温度等多类信息。

步骤S3，将可用数据作为初始训练样本集，采用主成分分析法与聚类分析法深度挖掘可用数据的特征以对初始行驶工况模型进行迭代训练，得到针对驾驶员个人行为习惯的行驶工况模型，针对驾驶员个人行为习惯的行驶工况模型为循环深度神经网络或长短时记忆神经网络。如图2所示，将速度、电流等可用数据采用主成分分析法与聚类分析法进行行驶工况建模。

具体地，在该实施例中，采用主成分分析法与聚类分析法深度挖掘的可用数据的特征包括：由采样得到的动力电池数据组成的参数向量主成分值，依据主成分选取的重要参数值，依据参数向量分布选取的聚类数，采用聚类方法得到的聚类结果或聚类簇等，及聚类簇的特征参数，该特征参数包括：极大值，极小值，平均值，方差等。

该实施例用到的长短时记忆神经网络为双向长短时记忆循环神经网络Bi-directional LSTM RNN。“双向”是为了更好地追溯向前的锂离子电池的行驶历史数据以及驾驶员历史行为数据并用向后的工况数据作为反馈以便更精确地预测电动汽车的锂离子电池剩余寿命的行驶里程。

具体地，本实施例采用主成分分析与聚类分析法深度挖掘采样数据特征，结合驾驶员行为预测并采用马尔可夫蒙特卡洛法建立该车行驶工况，采用耦合汽车行驶特征、能耗特征、排放特征等多维度评价方法对建立的行驶工况进行解析，最终建立针对于驾驶员个人行为习惯的行驶工况。该工况表征了驾驶员行为习惯与对电池寿命、健康、老化速度影响，具有重要的应用价值，且该行驶工况可采用带遗忘因子的数据预测方法。汽车行驶工况（Driving Cycle）又称车辆测试循环，是描述汽车行驶在确定的时间片段内的速度-时间曲线（一般总时间在1800秒以内，但没有限制标准）。汽车行驶工况体现了汽车道路行驶的运动学特征，是汽车行业内用于车辆能耗/排放测试与标准制定的技术基础，也是汽车各项性能指标标定优化时的主要基准。汽车行驶工况具有较强的针对性，在不同地域、时域，甚至针对不同驾驶员的行为习惯均具有较大差异，因此建立针对驾驶员个人行为习惯的行驶工况模型用于分析驾驶员个人行为对提高动力电池行驶里程估计具有较大的实际应用意义。如图3所示的行驶工况预测流程图，基于数据预处理可得到原始数据集，数据预处理内容包括针对速度特性、加速度特性、位置特性与其他特性的提取。基于原始数据集进行运动学片段划分，主要包括数据标注，运动学片段分割与特征提取。基于划分的运动学片段构建行驶工况，主要采用主成分分析、聚类、马尔可夫-蒙特卡洛方法等建立行驶工况。建立的行驶工况需要与原始数据集进行对比，使其在各种特性、加减速时间、频率等具有一致性特征。目前行驶工况构建方法主要基于主成分分析法与聚类分析法。

具体地，主成分分析法是统计学中常用数据降维方法之一，其核心在于通过正交变换，将其分量相关的原随机向量转化成其分向量不相关的新随机向量。该方法在代数上表现为将原数据矩阵的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最大的正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维度变量系统。主成分分析法将原来众多的具有一定相关性的指标重新组合成一组较少个数的互不相关的综合指标来代替原来指标，从而不仅保留了原始变量的主要信息，彼此之间又不相关，更有助于抓主要矛盾而且该方法在计算过程中无需人为干预，计算结果只与数据本身相关，不但能减少每组样本的特征个数，而且确保这些特征相互独立，使样本规律更清晰，便于回归模型的挑选，并加快算法速度。主成分分析法应用在本实施例中，具体为：主成分分析用于降低所选取的参数向量维数。由于上传的信息包含大量电池数据，直接进行矩阵运算严重降低计算效率，因此采用主成分分析法提取参数向量中的重要参数，舍弃其余参数从而实现向量降维，提高计算效率及计算准确度。

具体地，聚类分析法是数据挖掘领域中一个非常活跃的研究领域,它被广泛应用于统计学、机器学习、空间数据库、生物学以及市场营销等领域。聚类分析就是按照事物的某些属性,把事物聚集成类,使类间的相似性尽可能小,类内的相似性尽可能大。聚类是一个无监督的学习过程,它同分类的根本区别在于分类是需要事先知道所依据的数据特征,而聚类是要找到这个数据特征。通过聚类分析法将片段进行分类、总结，从而得出最有代表性的汽车工况曲线。在进行K均值聚类时，聚类数是由我们自己定的，但实际上，针对具体的数据集，在确定的聚类搜索范围内，运行聚类算法产生不同聚类数目的聚类结果，选择合适的有效应指标对聚类结果进行评估，根据评估结果确定最佳聚类数。基于获取得到的所有运动学片段的主成分进行聚类分析，即可实现运动学片段的分类。聚类分析法应用在本实施例中，具体为：聚类法是基于主成分分析得到的降维化参数矩阵进行归类。不同的参数矩阵之间由于电流大小、温度大小等不同存在差异，因此将相近的参数矩阵归为一类可实现驾驶员行为的统计。在该实施例中，聚类法在使用时需先指定聚类数，而后使用K-means等方法完成参数矩阵的分类，然后基于分类的参数矩阵统计驾驶员行为信息，并采用蒙特卡洛法基于统计的行为信息生成行驶工况并选取与原数据集（即经过数据清洗后的可用数据）最匹配的行驶工况。建立的行驶工况（行驶时间与行驶速度之间的关系）示意图如图4所示。

步骤S4，根据可用数据中的电池信息数据基于电池原理进行等效电路建模，并基于大数据神经网络方法进行系统辨识获取等效电路模型参数，得到大数据神经网络方法与电池原理结合建立的多维耦合等效电路模型；基于多维耦合等效电路模型，采用数据驱动神经网络的云端参数辨识算法以及数据挖掘与广义粒子滤波结合实现对电池容量SOH的估计，根据对所述电池容量SOH的估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计。如图2所示，根据可用数据中的电池信息数据进行等效电路建模，建立多维耦合等效电路模型，再通过模型辨识实现SOH估计，进而进行SOH预测和残值估计—即估计锂离子电池剩余寿命值。

具体地，等效电路模型是采用RC环境、欧姆内阻以及理想电压源等组成的电路，RC环境用于描述电池动态特性，欧姆内阻与理想电压源则描述了电池静态特性。因此等效电路模型具有较好的模型精度，可满足实时SOC估计所需求的精度与计算复杂度。图5是典型的二阶等效电路模型，以两次RC环节与欧姆内阻为基础，其中一个RC模型具有较短的时间常数，用于描述电化学极化过程，另一个RC模型则具有较大的时间常数，用于描述浓差极化。

基于基尔霍夫电压定律，该等效电路数学模型表述如公式（1）所示：

（1）

R ₀ 为直流内阻，R _p1 和C _p1 为电化学极化电阻和电容，R _p2 和C _p2 为浓差极化电阻和电容，U _L 为端电压，I _L 为干路电流，U _p1 和U _p2 为两种极化电压，U _o 为欧姆内阻产生的压降，U _ocv 表征动力电池的开路电压。

采用拉普拉斯离散公式将上述方程离散化，获得二阶等效电路模型的状态空间模 型

（2）

（3）

其中，下标k表征在状态空间中k时刻的系统状态；T _s 为采样间隔，w为系统过程噪声；η _t 为库伦效率

公式（2）具有较好的稳态与动态性能。其中，η是库伦常数，通常假定为1或者0.99；Q _c （或公式（3）中的Q _cur ） 为当前电池容量；I 为干路电流；下标k表示当前的迭代次数为k次，下标的解释含义：“当前的迭代次数”同样可应用于本发明实施例出现的其他公式中。

动力电池模型的系统观测方程如公式（4）所示，公式（4）是公式（1）~（3）的离散化结果：

（4）

由于SOC等信息无法通过测量手段直接观测，因此使用可直接测量的电池端电压U _L 作为观测方程用于验证模型精度值。在公式（4）中U _o 代表欧姆电阻压降；U _ocv 代表开路电压值；v代表噪声干扰。

具体地，系统辨识是指针对系统建立的数学模型，采用数据方法辨识其中非常数参数部分。通常，系统参数具有时移性或强耦合性，因此系统辨识的本质是多参数耦合的最优化问题。基于建立的最优化适应性函数分析各参数影响，采用智能或非智能方法实现参数辨识。典型的基于数据的系统辨识法是基于神经网络的参数辨识。神经网络法本质上属于分类器，可有效针对给定的测试条件对输入工况进行分类，而后依据选定的分类条件进行最小二乘拟合从而实现最小均方估计。本实施例基于优化的大数据神经网络方法与电池原理结合建立的多维耦合等效电路模型，采用数据驱动的参数辨识法进行云端参数辨识过程。选定最小均分误差作为最优化评价函数用于驱动优化方向，基于经验知识选取初值用于加速模型收敛。过程中可参考其他最优化函数提高算法优化方向与优化速度，与蚁群算法、粒子群优化算法与模拟退火算法等。

具体地，在该实施例中，电池状态包括电池温度、SOC（荷电状态估计）、SOH（健康状态估计）、SOS（安全状态估计）、SOF（功能状态估计）及SOE（可用能量状态估计）。SOC是其BMS中的重点和难点，SOC估计受SOH 准确性的影响，SOF 是由SOC、SOH、SOS 以及电池温度共同确定的，SOE 则与SOC、SOH、电池温度、未来工况有关。采用数据驱动神经网络的云端参数辨识算法以及数据挖掘与广义粒子滤波结合实现对电池容量SOH的估计，具体地，数据驱动法是从数据本身入手，研究对象结构化后的各类采样数据，基于统计学习方法使用神经网络、支持向量机法等多种机器学习方法建立黑箱模型用于提取隐藏在数据中的统计学信息。一般模型学习通常要使用多层网络建立深层结构关系，进而实现基于数据方法的模型预测、数据分类等问题。与传统的建模方法不同，数据方法对系统内在机理研究较少，可以在不清楚系统内在行为基础上阐明系统输入与输出关系。机器学习、深度学习、强化学习是目前在数据挖掘、人工智能领域最重要的核心算法，侧重于在海量数据中寻找有用和潜在有用的关键信息，使用深层的复杂的网络模型表达数据之间的关系，并使用大量数据训练最终确定数据间内在联系。数据驱动建模过程主要包括数据预处理、特征提取、黑箱建模、模型训练、模型评估、调参等多个部分。具体地，在该实施例中，数据驱动建模是基于建模的等效电路模型输出结合实际的训练集中电压电流等信息训练模型中神经元权重值，而后采用测试集输入电压、电流等信息经过多重神经元的非线性迭代输出最终的SOH值。数据预处理是指针对于训练集或测试集中数据存在不连续、丢失、超限等异常数据进行处理，如平滑滤波或删除等问题。特征提取与黑箱建模是基于数据集选用计算平台进行仿真建模，可用的仿真平台包括Matlab，Stateflow等多种平台。模型训练与模型评估是在仿真平台搭建的模型中给定输入数据，而后给出参考值（也成为监督值）用于模型反馈调整参数。

具体地，在上述实施例中，基于建立的多维耦合等效电路模型与基于数据驱动神经网络的云端参数辨识算法，采用数据挖掘与广义粒子滤波结合的方式，广义粒子滤波实现参数跟踪，数据挖掘实现状态估计。由于电池状态估计过程中存在大量耦合参数，如环境噪声、过程噪声等不可知量，同时耦合噪声又影响算法跟踪真值的能力，错误的耦合参数值不仅影响算法精度，同时也影响算法鲁棒性、稳定性等因素，甚至在极端条件下导致算法发散。因此基于广义粒子滤波法进行耦合参数估计可有效改善算法性能，同时基于数据挖掘算法进行电池状态联合估计，综合考虑复杂工作环境下电池状态SOH的估计问题，提高算法适应性、泛化性能，使其具有较好的普适性与继承性。在得到对电池状态（或电池容量）SOH的估计后，根据对电池状态（或电池容量）SOH的估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计。

步骤S5，根据估计的锂离子电池剩余寿命值与所述驾驶员个人行为习惯的行驶工况模型得到电动汽车锂离子电池剩余寿命的行驶里程。

基于上述实施例所述的多维耦合等效电路模型、基于神经网络方法的系统辨识算法、基于广义粒子滤波与数据驱动的状态联合估计算法、基于历史数据的行驶工况预测，采用循环深度神经网络或其改进的长短时记忆神经网络法等实现有限时域内的基于概率密度云分布的可用容量预测功能。该功能最终实现不同未来时域内的可用容量预测，并针对时域分布改进算法精度以贴近真实测试结果。

基于本发明的实施例，本发明提供的一种锂离子电池剩余寿命的行驶里程评估方法，通过云端数据平台收集电动汽车历史数据，采用数据挖掘方法分析电动汽车历史行驶工况与历史老化路径并结合动力电池故障预警数据与行驶工况模型和多维耦合等效电路模型以及安全风险评估方法，计算出电动汽车安全可用行驶里程，从而实现在不额外增添电动汽车元器件的条件下，通过远程数据传输的方式收集电动汽车历史数据并储存于云端数据平台中，在云端数据平台中通过数据挖掘的方法分析电动汽车历史老化路径与剩余可用寿命，基于采样的电动汽车速度与位置信息等分析电动汽车历史行驶工况并通过计算在当前剩余可用寿命的条件下，工况设定为电动汽车历史行驶工况的电动汽车可用行驶里程即可合理评估当前电动汽车的剩余行驶里程。该方法基于大数据神经网络方法（也可称为是大数据分析的神经网络方法，简称大数据方法）进行电池可用容量辨识与电池工况提取，进而实现动力电池剩余可用里程评估，基于神经网络的系统辨识方法建立动力电池组等效电路演化模型并实现参数辨识，耦合广义粒子滤波与长短时记忆神经网络法实现动力电池寿命状态（SOH）与可用容量估计，优化主成分分析与有效聚类算法实现工况预测，进而计算动力电池行驶里程分布概率密度，合理评估当前电动汽车的剩余行驶里程。该方法综合电池黑箱模型（大数据方法）与白箱模型（等效电路模型法）的特点，吸取大数据方法在基于离散的采样数据获得较广泛适应性的通用模型优势，强化等效电路等机理模型在电池控制中的高精准性与鲁棒性，实现具有普适性的动力电池行驶里程估计方案，并通过耦合算法提高远程监控与管理的可靠性。该方法几乎不依赖于电池实验测试，而依靠整车上传的实际运行数据，有效降低了实验依赖性，在不同电池体系、不同车型、不同地域等具有较广泛的适应性。该方法兼容经典电池控制、滤波算法等优势，具有较好的向下兼容性，在大数据算法方面具有广泛的优化方向，基于先进的深度学习与强化学习算法可有效改进方案结果，具有较高的向上延伸性。本发明的电动汽车的锂离子电池剩余寿命的行驶里程评估方法的多维耦合算法，在云端模型构建、云端状态估计与云端控制等方面均具有潜在应用价值，可针对模型和算法在其他领域下实现推广，可能的推广优化方向包括：基于梯次利用场景工况可以预估电池的RUL、充电策略及充电行为优化、提升电池使用寿命模型，可为电池保养提供依据、作为安全预警模型的一部分内容。

以上对本发明实施例所提供的技术方案进行了详细介绍，其中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时本领域的一般技术人员，根据本发明的实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (1)

1.一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，包括如下步骤：

S1 通过云端数据平台采集电动汽车的锂离子电池的行驶历史数据以及驾驶员历史行为数据；

S2 对所述电动汽车的锂离子电池的行驶历史数据以及驾驶员历史行为数据进行数据清洗得到可用数据；所述数据清洗包括数据去重、数据查漏和数据去噪，其中所述数据去重包括：恢复因长期怠速与超长怠速产生的不良数据；所述数据查漏包括：恢复对于GPS数据的丢失产生的不良数据；部分恢复碎片化丢失的数据；所述部分恢复碎片化丢失的数据包括：假设汽车处于巡航状态，假设汽车速度不变，对于丢失1s或2s的数据进行恢复；所述数据去噪包括：不恢复因加速度异常产生的不良数据，恢复因速度异常产生的不良数据；所述可用数据包括：经过清洗后的完整的车辆速度信息、电池的电流、电压以及温度信息；

S3 将所述可用数据作为初始训练样本集，采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练，得到针对驾驶员个人行为习惯的行驶工况模型；所述采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练，得到针对驾驶员个人行为习惯的行驶工况模型包括：采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练，结合驾驶员行为预测并采用马尔可夫蒙特卡洛法建立所述电动汽车的行驶工况，采用耦合汽车形式特征、能耗特征、排放特征的多维度评价方法对建立的行驶工况进行解析，最终建立针对驾驶员个人行为习惯的行驶工况模型；其中所述针对驾驶员个人行为习惯的行驶工况模型为循环深度神经网络或长短时记忆神经网络；

S4 根据所述可用数据中的电池信息数据基于电池原理进行等效电路建模，进行系统辨识获取等效电路模型参数，并得到多维耦合等效电路模型；基于所述多维耦合等效电路模型，进行电池容量健康状态估计，根据对所述电池容量健康状态估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计；其中所述系统辨识基于大数据神经网络方法进行；所述多维耦合等效电路模型采用大数据神经网络方法与电池原理结合建立，所述多维耦合等效电路模型包括由RC环境、欧姆内阻和理想电压源组成的电路，所述RC环境用于描述电池动态特性，所述欧姆内阻与所述理想电压源用于描述电池静态特性；所述电池容量健康状态估计采用数据驱动神经网络的云端参数辨识算法以及数据挖掘与广义粒子滤波结合实现；所述根据对所述电池容量健康状态估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车的锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计包括：根据所述电池容量健康状态估计的估计值采用循环神经网络或改进的长短时记忆神经网络法实现锂离子电池在有限时域内的基于概率密度云分布的可用容量预测；所述可用容量为锂离子电池的剩余寿命值；

S5 根据所述估计的锂离子电池剩余寿命值与所述驾驶员个人行为习惯的行驶工况模型得到电动汽车锂离子电池剩余寿命的行驶里程。

Images