CN112526351B - 一种评估电动汽车的动力电池健康状态及剩余寿命的方法 - Google Patents

一种评估电动汽车的动力电池健康状态及剩余寿命的方法 Download PDF

Info

Publication number
CN112526351B
CN112526351B CN202011491062.9A CN202011491062A CN112526351B CN 112526351 B CN112526351 B CN 112526351B CN 202011491062 A CN202011491062 A CN 202011491062A CN 112526351 B CN112526351 B CN 112526351B
Authority
CN
China
Prior art keywords
data
soh
capacity increment
mileage
voltage
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.)
Active
Application number
CN202011491062.9A
Other languages
English (en)
Other versions
CN112526351A (zh
Inventor
徐志成
王军
张耀明
彼德·路德
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202011491062.9A priority Critical patent/CN112526351B/zh
Publication of CN112526351A publication Critical patent/CN112526351A/zh
Application granted granted Critical
Publication of CN112526351B publication Critical patent/CN112526351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供一种评估电动汽车的动力电池健康状态及剩余寿命的方法，针对处理过的数据片段，通过离散容量增量分析法来构建当前状态下动力电池的容量增量曲线，通过分析离散容量增量曲线横坐标重叠部分电压值所对应的容量增量和的变化确定充电容量的变化，进而完成电动汽车动力电池健康状态即SOH的评估。利用经验模态分解法剥离出电池SOH曲线的长程变化趋势部分和短期波动部分，通过合成两部分预测结果得到动力电池未来一阶段的SOH预测结果即剩余寿命RUL预测。适用各种车型以及各种充电策略电动汽车健康状态评估，兼容性强，物理意义明确，避免盲目使用各种智能算法进行黑箱建模，因此处理速率和内存占用情况亦十分可观。

Description

一种评估电动汽车的动力电池健康状态及剩余寿命的方法
技术领域
本发明涉及电动汽车的动力电池管理系统技术领域，尤其涉及一种评估电动汽车的动力电池健康状态及剩余寿命的方法。
背景技术
随着电动汽车的逐步普及，其车载动力电池的安全性和耐用性越来越受到人们的关注。就安全性而言，电动汽车自身的安全事故大多起源于老化动力电池的燃爆，因此如何快速准确地评估电动汽车车载动力电池的健康状态极为重要。
目前针对动力电池健康状态的评估方法大多分为基于模型的估计方法和基于数据驱动的估计方法两类。其中，基于模型的估计方法主要指利用非线性老化模型结合滤波技术对动力电池的最大可用容量和剩余寿命进行估算。该方法需要根据动力电池的离线实验数据对非线性老化模型进行初始化，再使用卡尔曼滤波等手段在线实现模型更新和剩余寿命预测。然而在具体实现过程中，想要设计出与真实行驶工况一样的离散数据是很难的，因此此方法局限性较大。基于数据驱动的方法主要是基于离线或者在线训练数据，应用机器学习等方法对动力电池的剩余寿命进行预估。机器学习技术又分为基于离线数据的机器学习方法和基于在线数据的机器学习方法两类。其中，基于离线数据的机器学习方法需要大量的离线数据才能实现对电池模型的准确训练，故而算法运算量大，估计成本高。基于在线数据的机器学习方法不需要离线数据，完全依赖在线数据实现对动力电池的剩余寿命预测，且每次预估都需要重新训练数据，这种方法的一大弊端在于没有考虑电池老化的衰减特性，所以预估得到的电池健康状态和剩余使用寿命精度较差。
发明内容
本发明提出了一种快速有效的评估电动汽车的动力电池健康状态及剩余寿命的方法。该方法可以实现离线或在线评估电池的健康状态，而且兼容性强，可以解决不同车型、不同充电策略条件下的SOH评估和预测。本方法物理模型意义明确、理论依据详实，避免使用大量智能算法黑箱建模，从而在执行效率和内存资源占用方面极具优势。此外，剩余使用寿命的预测分别基于SOH曲线分解得出的不同模式部分，准确性大大提高。
本发明采用的技术方案如下：
一种评估电动汽车的动力电池健康状态及剩余寿命的方法，通过对汽车运行数据进行合理拆分、构造之后，形成一系列充电片段数据，基于这些片段数据结合离散容量增量分析法来构建当前状态下动力电池的离散容量增量曲线，依次计算前后两条离散容量增量曲线横坐标电压重叠部分对应的容量增量和之比，以此来评估SOH的变化情况，最后可以得到一条SOH变化曲线，此曲线描述了从初始时刻/里程到当前时刻/里程阶段内，电池SOH的变化情况。获得动力电池SOH变化曲线后，利用经验模态分解法剥离出电池SOH曲线的长程变化趋势部分和短期波动部分，分别利用时间序列算法预测长程变化趋势部分和短期波动部分的变化情况，最后结合这两部分的预测结果从而获得动力电池未来一阶段的SOH水平即RUL预测。
所述方法具体包括如下步骤：
步骤S1：根据当前得到的电动汽车运行历史数据样本，拆分、挑选满足条件的数据片段；每个数据片段满足的条件为：一、每个数据片段为电动汽车熄火充电到熄火充电完成期间的数据；二、所述数据片段中相邻两条数据与数据之间的时间间隔小于某一固定值；三、每个数据片段都是同一充电期间的数据，即每条数据记录的行驶里程数相同；
步骤S2：构造、补全数据片段；步骤S2中所用的数据片段均为步骤S1中获得的数据片段，经过步骤S2处理的数据片段特征如下：一、每个数据片段的相邻两条数据与数据之间具有统一的时间间隔；二、为构造相同时间间隔而创建出的空白数据的电压、电流和里程数已按照一定策略填补完成；
步骤S3：采用离散容量增量分析法计算各个数据片段的离散容量增量信息，即计算出每个数据片段中相同电压值所对应的充电容量和，此电压值及其对应的充电容量和即为一组离散容量增量特征点；自此每个数据片段都可以形成一系列离散容量增量特征点，根据所述离散容量增量特征点构建离散容量增量曲线，每一条离散容量增量曲线表示此辆车在当前里程情况下，汽车充电期间各独立电压值所对应的充电容量也就是容量增量的变化情况；
步骤S4：确定SOH指标，完成SOH评估；基于步骤S3得到的一系列离散容量增量曲线，SOH指标定义为前后相邻两条离散容量增量曲线横坐标电压重叠部分各独立电压值所对应的容量增量和的比值变化情况；完成当前行驶里程与前一里程对应离散容量增量曲线的电压重叠部分各独立电压值对应的容量增量和的比值计算，即可以评估当前时刻或里程条件下电池的SOH较前一时刻或里程变化情况，完成当前里程条件下的SOH评估；按照里程数，依次计算下去即可得到描述此辆车从初始时刻或里程到当前时刻或里程的SOH变化曲线；
步骤S5：RUL预测；基于步骤S4得到的SOH变化曲线，利用经验模态分解法剥离出SOH曲线的长程变化趋势部分和短期波动部分，其中长程变化趋势部分表示SOH随行驶里程增加而引起的健康状态下降的变化趋势，波动部分表示SOH受短期季节性温度变化和驾驶习惯等的影响；然后，分别利用时间序列预测模型预测未来一段时间内，SOH短期波动部分和长程变化趋势部分的变化情况，最后组合两部分的预测结果完成RUL预测。
在所述步骤S1中，对各个不同的电动汽车而言，相邻两条数据与数据之间的时间间隔小于的某一固定值无需保持一致，只需要满足在所述固定值范围内，电池的里程不发生变化。也就是说设定此时间间隔固定值的目的是为了保证在此期间电动汽车不会发生从熄火充电到启动行驶再回归熄火充电事件。
在所述步骤S2中，要求每条数据与数据之间的时间间隔保持一致，所述时间间隔的设定按照数据自身的特点，根据数据的时间间隔众数确定。例如，如果数据时间间隔众数小于10s，则此时间间隔可以定为1s，即按照1s一个计数原则构造补全数据；如果数据时间间隔众数大于等于10s，则此时间间隔可以定为10s，即按照10s一个计数原则构造补全数据。
则此时间间隔可以定为1s，即按照1s一个计数原则构造补全数据；如果数据时间间隔众数大于等于10s，则此时间间隔可以定为10s，即按照10s一个计数原则构造补全数据。
在所述步骤S2中，空白数据的电流填充策略为：缺值电流自动跟随上一时刻电流值；
空白数据的电压填充策略为：如果缺值电压前后的电压值相同，则缺值电压用此电压值填充；否则前一半缺值电压跟随前一个电压值，后一半缺值电压跟随后一个电压值；
里程的填充策略为：用当前片段中的里程数来填充缺值里程。
在所述步骤S3中，需要计算每个数据片段的离散容量增量信息即各个独立电压值所对应的容量增量变化情况。此处各个独立电压值的处理体现了此方法的兼容性。如果汽车以快充为主，电压变化幅度较大，此时我们可以调整数据片段中电压的精度，将原本0.1V的电压精度调整为0.5V或1V；反之，如果汽车以慢充为主，电压变化幅度较小，此时我们可以保持数据片段中电压的精度，即0.1V；电压精度的确定具有向下兼容特性，快充对应的电压精度调整策略可以实现慢充条件下的离散容量增量计算，且不会损失任何信息；完成数据片段中电压值精度的调整之后，进而统计各独立电压值以及它们对应的容量增量信息。
在所述步骤S3中，如果每个数据片段长度较短，即独立电压值的跨度区间较短，则可以整合一定里程范围内所有数据片段的离散容量增量特征点以增大电压跨度区间，形成一段较为完整的离散容量增量信息。对于上述整合完成的离散容量增量信息中具有相同电压值的特征点，取其平均容量增量值来描述此电压值的容量增量水平。上述中的里程范围取值不宜过大，如果过大，则在此长里程范围内难以保证电池SOH的相对稳定。
在所述步骤S4中，SOH指标定义为前后相邻两条离散容量增量曲线横坐标电压重叠部分各独立电压值所对应的容量增量和的比值变化情况。
本发明的有益效果如下：
本发明物理模型意义明确、理论依据详实，避免使用大量智能算法黑箱建模，从而在执行效率和内存资源占用方面极具优势。本发明算法兼容性强，可以解决不同车型、不同充电策略包括快充、慢充等情况下的电动汽车健康状态评估。剩余使用寿命的预测分别基于SOH曲线分解得出的不同模式部分，准确性大大提高。
附图说明
图1是本发明的方法流程示意图。
图2是本发明在快充策略下计算当前数据片段的离散容量增量信息过程示意图。
图3是本发明定义SOH指标具体实施过程的示意图。
图4是利用本发明方法针对具体案例进行实施过程中的各项统计及计算结果示意图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
如图1所示，本实施例的评估电动汽车的动力电池健康状态及剩余寿命的方法，通过对汽车运行数据进行合理拆分、构造之后，形成一系列充电片段数据，基于这些片段数据结合离散容量增量分析法来构建当前状态下动力电池的容量增量曲线，依次计算前后两条离散容量增量曲线横坐标电压重叠部分对应的容量增量和之比，以此来评估SOH的变化情况，最后可以得到一条SOH变化曲线，此曲线描述了从初始时刻或里程到当前时刻或里程阶段内，电池SOH的变化情况。获得动力电池SOH变化曲线后，利用经验模态分解法剥离出电池SOH变化的长程变化趋势部分和短期波动部分，分别利用时间序列算法预测这两部分在未来一阶段的变化情况，最后合成得到动力电池未来一阶段的SOH评估也就RUL预测结果。
本实施例的评估电动汽车的动力电池健康状态及剩余寿命的方法，具体包括如下步骤：
步骤S1：根据当前得到的电动汽车历史运行数据样本，拆分、挑选满足条件的数据片段。
每个数据片段满足的条件为：每个数据片段为电动汽车熄火充电到熄火充电完成期间的数据；所述数据片段中，相邻两条数据与数据之间的时间间隔小于某一固定值：每个数据片段都是同一充电期间的数据，即每条数据记录的行驶里程数相同；
具体地，对各个不同的电动汽车而言，时间间隔的最大值即文中的固定值无需保持一致，只需要满足在此时间固定值范围内，电池的里程不发生变化即可，也就是说设定此时间间隔固定值的目的是为了保证在此期间电动汽车不会发生从熄火充电到启动行驶再回归熄火充电事件。
具体地，拆分、挑选出满足条件的数据片段指的是根据当前得到的电动汽车历史数据样本，分三次或更多次递进地拆分数据。
以三次拆分为例，第一次拆分可以依据电动汽车的状态进行，即找出某段连续的熄火充电数据；
第二次拆分可以依据数据条与数据条之间的时间间隔进行，即可以人为设定某个固定值(300s或其他)，将该段数据从时间间隔大于此固定值处再次拆分开来。
这样做的目的是为了防止出现在此时间间隔内电动汽车发生从熄火充电到启动行驶再回归熄火充电事件的发生。
第三次拆分数据可以依据当前数据片段中数据条与数据条之间的时间间隔众数进行，例如，若此片段中的时间间隔众数大于等于10s，则将该段数据从时间间隔大于100s处拆分开来，否则将该段数据从时间间隔大于10s处拆分开来。
步骤S2：构造、补全数据片段。
构造、补全数据片段指的是依据当前数据片段的时间间隔众数来构造新数据集，使得整个数据片段具有统一的时间间隔；此步骤中所用的数据片段均为步骤S1中获得的数据片段，经过此步骤处理的数据片段具有如下特征：每个数据片段的相邻两条数据与数据之间具有统一的时间间隔；为构造相同时间间隔而创建出的空白数据的电压、电流和里程数已按照一定策略填补完成。
具体地，要求相邻两条数据与数据之间的时间间隔保持一致，此时间间隔的设定需要按照数据自身的特点进行；如果数据时间间隔众数小于10s，则此时间间隔可以定为1s，即按照1s一个计数原则构造补全数据；如果数据时间间隔众数大于等于10s，则此时间间隔可以定为10s，即按照10s一个计数原则构造补全数据。
以时间间隔众数1s为例，则若出现前后两个数据条之间的时间间隔为3s的情况，则需要再构造两条新数据，使得数据的时间间隔均为1s。
构造完数据之后，需要对空白数据进行信息补充，具体而言就是电流、电压和里程。
电流的填补策略就是缺值电流自动跟随上一时刻电流值；
电压填充策略为：如果缺值电压前后的电压值相同，则缺值电压用此电压值填充；否则前一半缺值电压跟随前一个电压值，后一半缺值电压跟随后一个电压值；
里程的填充策略为：用当前片段中的里程数来填充缺值里程。
步骤S3：采用离散容量增量分析法计算各个数据片段的离散容量增量信息，即计算出每个数据片段中相同电压值所对应的充电容量和，此电压值及其对应的充电容量和，即为一组离散容量增量特征；
具体实施过程为：如图2所示，其中“表1”所示为拆分、构造、补充完整的某个数据片段的部分数据。首先根据汽车当前的充电策略进行电压精度的调整，如果汽车以快充为主，可以适当缩进电压精度至0.5V或1V，如果汽车以慢充为主，则可以维持电压现有精度0.1V。如图2中“表2”所示即为电压精度调整示意图。接着完成各个独立电压值对应的容量增量的计算，最后形成这个数据片段的离散容量增量信息，如图2中“表3”所示。
自此，每个数据片段都可以形成一系列离散容量增量特征点，这也是离散所在。
充电时长较短的充电周期无法形成电压跨度较大的离散容量增量特征点集合，所以可以整合一定里程范围内的所有离散容量增量特征点以增大电压跨度区间从而构建出离散容量增量曲线。
具体地，需要整合一定里程范围内的所有离散容量增量特征点以增大电压跨度区间，并且在该一定里程范围内，电动汽车的电池健康状态不发生较大变化。
如图4中(a)所示为某辆车的完成数据整合后的离散容量增量曲线汇总图，图4中(b)是离散容量增量曲线的高斯滤波结果，图4中(c)所示是剔除电压跨度区间小于最大电压跨度区间50％的离散容量增量曲线后的结果情况。
步骤S4：构建完离散容量增量曲线后，接下来需要确定SOH指标，即确定可以表征电动汽车电池健康状态的指标量，然后完成SOH评估。
SOH指标定义为前后相邻两条离散容量增量曲线横坐标电压重叠部分各独立电压值所对应的容量增量和的比值变化情况，如图3所示；完成当前行驶里程与前一里程对应离散容量增量曲线的电压重叠部分各独立电压值对应的容量增量和的比值计算，即可以评估当前时刻/里程条件下电池的SOH较前一时刻/里程变化情况，按照里程数大小，依次计算下去即可得到描述此辆车从初始时刻/里程到当前时刻/里程的SOH变化曲线，如图4中(d)所示是某辆车SOH随行驶里程的变化情况；
从图4中(d)可以看出，电动汽车的SOH并不是随着行驶里程的增加而持续降低，它表现出某种波动性，因此利用经验模态分解法分解SOH曲线得到如图4中(e)、(f)所示的SOH长程变化趋势部分和短期波动部分变化示意图。其中，波动部分表示由于季节性温度变化等因素造成的电动汽车SOH的波动，长程变化趋势部分表示SOH随行驶里程增加而造成的衰减。
步骤S5：RUL预测：完成SOH评估和SOH分解之后，需要预测电池的剩余使用寿命，这里将剩余使用寿命转为为预测未来一年内电动汽车SOH的变化情况。
基于步骤S4得到的SOH变化曲线，利用经验模态分解法剥离出SOH曲线的长程变化趋势部分和短期波动部分；然后，分别利用时间序列预测模型预测未来一定时间内，这两部分的变化情况，最后组合两部分的预测结果完成未来阶段电动汽车的SOH情况估计也即RUL预测。
具体过程为：分别利用时间序列预测算法(指数平滑法、LSTM等)预测未来一年内SOH长程变化趋势部分和短期波动部分的变动趋势，然后叠加这两部分即可得到电动汽车的SOH在未来一年内的变化情况预测结果。图4中(g)、(h)所示分别为SOH曲线长程变化趋势部分和短期波动部分未来十二个月的预测结果，图4中(i)为合并SOH长程变化趋势部分和短期波动部分预测结果而得到的此辆车未来十二个月内的SOH评估结果，也即是RUL预测。
综上，本实施例提出了离散容量增量分析法，用以完成对电动汽车动力电池健康状态和剩余寿命的评估和预测。通过对汽车运行数据进行合理拆分、构造、填充之后，形成一系列充电片段数据，基于这些片段数据结合离散容量增量分析法来构建当前状态下动力电池的容量增量曲线。通过分析离散容量增量曲线横坐标重叠部分电压值所对应的容量增量和的变化来确定电动汽车充电容量的变化，进而完成电动汽车动力电池健康状态也即SOH的评估。获得动力电池SOH变化曲线后，利用经验模态分解法剥离出电池SOH曲线的长程变化趋势部分和短期波动部分，随后分别利用时间序列算法预测长程变化趋势部分和短期波动部分未来一阶段的变化情况，最后合成这两部分的预测结果可得到动力电池未来一阶段的SOH预测结果也即剩余寿命RUL预测。
本方法兼容性强，不但适用各种车型而且还适用于各种充电策略包括快充、慢充等情况下的电动汽车健康状态评估。此方法物理意义明确，理论基础坚实，避免盲目使用各种智能算法进行黑箱建模，因此处理速率和内存占用情况亦十分可观。

Claims (7)

1.一种评估电动汽车的动力电池健康状态及剩余寿命的方法，其特征在于：所述方法包括：
步骤S1：根据当前得到的电动汽车运行历史数据样本，拆分、挑选满足条件的数据片段；每个数据片段满足的条件为：一、每个数据片段为电动汽车熄火充电到熄火充电完成期间的数据；二、所述数据片段中相邻两条数据之间的时间间隔小于某一固定值；三、每个数据片段都是同一充电期间的数据，即每条数据记录的行驶里程数相同；
步骤S2：构造、补全数据片段；步骤S2中所用的数据片段均为步骤S1中获得的数据片段，经过步骤S2处理的数据片段特征如下：一、每个数据片段的相邻两条数据之间具有统一的时间间隔；二、为构造相同时间间隔而创建出的空白数据的电压、电流和里程数已按照一定策略填补完成；
步骤S3：采用离散容量增量分析法计算各个数据片段的离散容量增量信息，即计算出每个数据片段中相同电压值所对应的充电容量和，所述电压值及其对应的充电容量和即为一组离散容量增量特征点；自此每个数据片段都形成一系列离散容量增量特征点，根据所述离散容量增量特征点构建离散容量增量曲线，每一条离散容量增量曲线表示此辆车在当前里程情况下，汽车充电期间各独立电压值所对应的充电容量也就是容量增量的变化情况；
步骤S4：确定SOH指标，完成SOH评估；基于步骤S3得到的一系列离散容量增量曲线，SOH指标定义为前后两条离散容量增量曲线横坐标电压重叠部分各独立电压值所对应的容量增量和的比值变化情况；完成当前行驶里程与前一里程对应离散容量增量曲线的电压重叠部分各独立电压值对应的容量增量和的比值计算，即可以评估当前时刻或里程条件下电池的SOH较前一时刻或里程变化情况，按照里程数大小，依次计算下去即可得到描述此辆车从初始时刻或里程到当前时刻或里程的SOH变化曲线；
步骤S5：RUL预测；基于步骤S4得到的SOH变化曲线，利用经验模态分解法剥离出SOH曲线的长程变化趋势部分和短期波动部分，所述长程变化趋势部分表示SOH随行驶里程增加而引起的健康状态下降的变化趋势，所述短期波动部分表示SOH受短期季节性温度变化和驾驶习惯的影响；然后，分别利用时间序列预测模型预测未来一段时间内，SOH短期波动部分和长程变化趋势部分的变化情况，最后组合两部分的预测结果完成RUL预测。
2.根据权利要求1所述的评估电动汽车的动力电池健康状态及剩余寿命的方法，其特征在于，在所述步骤S3中，需要计算每个数据片段的离散容量增量信息即各个独立电压值所对应的容量增量变化情况，根据电压变化幅度，对数据片段中电压精度进行调整，进而统计各独立电压值以及对应的容量增量信息，最后形成当前数据片段的离散容量增量信息。
3.根据权利要求2所述的评估电动汽车的动力电池健康状态及剩余寿命的方法，其特征在于，在所述步骤S3中，如果每个数据片段长度较短，即独立电压值的跨度区间较短，则可以整合一定里程范围内所有数据片段的离散容量增量特征点以增大电压跨度区间，形成一段完整的离散容量增量信息。
4.根据权利要求1所述的评估电动汽车的动力电池健康状态及剩余寿命的方法，其特征在于，在所述步骤S1中，对各个不同的电动汽车而言，相邻两条数据与数据之间的时间间隔小于的某一固定值无需保持一致，只需要满足在所述固定值范围内，电池的里程不发生变化。
5.根据权利要求1所述的评估电动汽车的动力电池健康状态及剩余寿命的方法，其特征在于，在所述步骤S2中，要求每条数据与数据之间的时间间隔保持一致，所述时间间隔的设定按照数据自身的特点，根据数据的时间间隔众数确定。
6.根据权利要求1所述的评估电动汽车的动力电池健康状态及剩余寿命的方法，其特征在于，在所述步骤S2中，所述空白数据的电流填充策略为：缺值电流自动跟随上一时刻电流值；
空白数据的电压填充策略为：如果缺值电压前后的电压值相同，则缺值电压用此电压值填充；否则前一半缺值电压跟随前一个电压值，后一半缺值电压跟随后一个电压值；
里程的填充策略为：用当前片段中的里程数来填充缺值里程。
7.根据权利要求1所述的方法，其特征在于，在所述步骤S5中，针对SOH曲线长程变化趋势部分和短期波动部分数据本身特点，分别利用时间序列预测算法预测SOH两部分未来一阶段的变化趋势。
CN202011491062.9A 2020-12-16 2020-12-16 一种评估电动汽车的动力电池健康状态及剩余寿命的方法 Active CN112526351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011491062.9A CN112526351B (zh) 2020-12-16 2020-12-16 一种评估电动汽车的动力电池健康状态及剩余寿命的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011491062.9A CN112526351B (zh) 2020-12-16 2020-12-16 一种评估电动汽车的动力电池健康状态及剩余寿命的方法

Publications (2)

Publication Number Publication Date
CN112526351A CN112526351A (zh) 2021-03-19
CN112526351B true CN112526351B (zh) 2022-07-22

Family

ID=75001142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011491062.9A Active CN112526351B (zh) 2020-12-16 2020-12-16 一种评估电动汽车的动力电池健康状态及剩余寿命的方法

Country Status (1)

Country Link
CN (1) CN112526351B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113049976B (zh) * 2021-04-27 2022-07-29 武汉理工大学 一种车辆电池健康状态评估方法及系统
CN113815490A (zh) * 2021-08-26 2021-12-21 上海赢科信息技术有限公司 电池健康度的确定方法及系统、电子设备及存储介质
CN115343621B (zh) * 2022-07-27 2024-01-26 山东科技大学 一种基于数据驱动的动力电池健康状态预测方法及设备
CN115389948B (zh) * 2022-10-28 2023-03-21 昆山斯沃普智能装备有限公司 一种建立换电站动力电池健康状态评估模型的方法
CN116125298B (zh) * 2022-11-28 2024-08-16 伏瓦科技(苏州)有限公司 电池故障检测方法及装置
WO2024144713A1 (en) * 2022-12-27 2024-07-04 Turkiye'nin Otomobili Girisim Grubu Sanayi Ve Ticaret Anonim Sirketi A range estimation system
CN116224128B (zh) * 2023-05-06 2023-08-01 广汽埃安新能源汽车股份有限公司 电池的容量健康状态检测方法及装置
CN116990692B (zh) * 2023-09-28 2023-12-08 深圳康普盾科技股份有限公司 一种锂电池的健康状况评估与剩余寿命预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323719A (zh) * 2020-03-18 2020-06-23 北京理工大学 一种电动汽车动力电池组健康状态在线确定方法和系统
EP3686618A1 (en) * 2019-01-28 2020-07-29 Sandvik Mining and Construction Oy Online battery state of health estimation during charging
CN111495800A (zh) * 2020-04-20 2020-08-07 江苏省新能源开发股份有限公司 一种动力电池组梯次再利用的筛选分组方法
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3686618A1 (en) * 2019-01-28 2020-07-29 Sandvik Mining and Construction Oy Online battery state of health estimation during charging
CN111323719A (zh) * 2020-03-18 2020-06-23 北京理工大学 一种电动汽车动力电池组健康状态在线确定方法和系统
CN111495800A (zh) * 2020-04-20 2020-08-07 江苏省新能源开发股份有限公司 一种动力电池组梯次再利用的筛选分组方法
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
锂电池健康状态评估综述;吴盛军 等;《电源技术》;20171231;第41卷(第12期);第1788-1791页 *

Also Published As

Publication number Publication date
CN112526351A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN112526351B (zh) 一种评估电动汽车的动力电池健康状态及剩余寿命的方法
CN112765772B (zh) 一种基于数据驱动的动力电池剩余寿命预测方法
DE102020206592A1 (de) Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers
CN101971043B (zh) 在电池管理系统中测量电池的充电状态的方法及其装置
CN112540317A (zh) 基于实车数据的电池健康状态估计与剩余寿命预测方法
CN114049699B (zh) 一种基于数据分析的车辆燃油经济性评价方法
CN116572799B (zh) 基于深度学习的动力电池荷电续航预测方法、系统及终端
CN110716527B (zh) 一种基于运动学片段的车辆能耗分析方法及分析系统
CN109606197B (zh) 用于预测电动汽车剩余行驶里程的方法、装置和存储介质
CN113219336B (zh) 电池劣化判断系统、方法及存储有程序的非临时性存储介质
CN114274780A (zh) 车辆续航里程预测方法、装置、设备和存储介质
Etxandi-Santolaya et al. Estimation of electric vehicle battery capacity requirements based on synthetic cycles
DE102020215201A1 (de) Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands einer Gerätebatterie in einem batteriebetriebenen Gerät
CN116804711A (zh) 基于预测的使用模式来提供设备电池组的预测健康状态的方法和装置
DE102021203729A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern unter Nutzung von rekonstruierten Zeitreihensignalen mithilfe von maschinellen Lernverfahren
Zhou et al. A velocity prediction method based on self-learning multi-step Markov chain
CN115700717A (zh) 一种基于电动汽车用电需求的配电分析方法
CN116803749A (zh) 根据用户的使用概况依据用户地选择电池驱动技术设备的方法和设备
DE102019126245A1 (de) System und Verfahren zur Bestimmung des Funktionszustandes und/oder Gesundheitszustandes einer elektrischen Batterie
CN112765726B (zh) 一种寿命预测方法及装置
US20140324328A1 (en) Method for estimating the energy consumption of a motor vehicle
CN116306214A (zh) 提供确定储能器的老化状态的老化状态模型的方法和设备
CN115544900A (zh) 一种基于Shap算法分析电动车续航里程影响因素的方法
CN114997748A (zh) 基于模型融合的新能源汽车运行安全风险预测方法及系统
CN114707037A (zh) 新能源车辆节能驾驶推荐方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant