CN113049976A - 一种车辆电池健康状态评估方法及系统 - Google Patents
一种车辆电池健康状态评估方法及系统 Download PDFInfo
- Publication number
- CN113049976A CN113049976A CN202110459628.8A CN202110459628A CN113049976A CN 113049976 A CN113049976 A CN 113049976A CN 202110459628 A CN202110459628 A CN 202110459628A CN 113049976 A CN113049976 A CN 113049976A
- Authority
- CN
- China
- Prior art keywords
- battery
- segment
- historical operating
- operating data
- data
- 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.)
- Granted
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种车辆电池健康状态评估方法及系统,方法包括获取车辆电池历史运行数据;将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合;对所述第一集合中片段的电池容量和电池能量进行修正;基于修正后的所述第一集合构建多种电池健康状态评价指标以用作模型特征值,并通过多种机器学习模型对所述模型特征值进行调优,以得到所述车辆电池健康状态的评估结果。本发明基于真实车辆电池的历史运行数据对电池健康状态进行评估,数据来源更加真实可靠,评估结果更加准确。
Description
技术领域
本发明涉及电动汽车管理技术领域,具体涉及一种车辆电池健康状态评估方法及系统。
背景技术
当下电动汽车发展迅速,已在生活中占据不可动摇的地位,近年来也已成为世界范围内汽车行业的重大发展对象,但是电动汽车电池健康状态评估仍然是目前急需克服的一大难点。
现有技术中,一般采取在实验室条件下以恒压恒流的方式进行充放电实验或尽可能的模拟实车运行工况以及环境,模拟过程中缺少路况、驾驶者习惯、数据采集误差等因素考量,电池健康状态评估的准确性欠佳。
发明内容
基于以上现有技术的不足,本发明基于真实车辆电池的历史运行数据对电池健康状态进行评估,数据来源更加真实可靠,评估结果更加准确。
为了解决上述技术问题,本发明的一个方面,提供了一种车辆电池健康状态评估方法,包括:
获取车辆电池历史运行数据;
将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合;
对所述第一集合中片段的电池容量和电池能量进行修正;
基于修正后的所述第一集合构建多种电池健康状态评价指标以用作模型特征值,并通过多种机器学习模型对所述模型特征值进行调优,以得到所述车辆电池健康状态的评估结果。
更进一步地,所述历史运行数据包括:车辆运行速度、车辆行驶总里程数、电池剩余电量、单体电池最高温度、单体电池最低温度、单体电池最高电压、单体电池最低电压、环境温度、车辆运行状态、车辆充放电状态。
更进一步地,所述将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合包括:
将停车充电状态下获取的所有所述历史运行数据归为第一数据组、将启动行驶状态下获取的所有所述历史运行数据归为第二数据组、将充电完成静置状态下获取的所有所述历史运行数据归为第三数据组;
所述第一数据组中若相邻两个所述历史运行数据的时间间隔大于第一预设值,则将相邻两个所述历史运行数据分别作为一个第一片段;否则,将相邻两个所述历史运行数据作为同一第一片段;
所述第二数据组中若相邻两个所述历史运行数据的时间间隔大于第二预设值,则将相邻两个所述历史运行数据分别作为一个第二片段;否则,将相邻两个所述历史运行数据作为同一第二片段;
所述第三数据组中若相邻两个所述历史运行数据的时间间隔大于第三预设值,则将相邻两个所述历史运行数据分别作为一个第三片段;否则,将相邻两个所述历史运行数据作为同一第三片段;
筛选出满足预设条件的所述第一片段、所述第二片段和所述第三片段,以组合形成第一集合。
更进一步地,所述对所述第一集合中片段的电池容量和电池能量进行修正包括:
通过K-means聚类算法将所述第一集合中片段根据运行工况聚类成七类,并计算每一聚类下片段的电池平均能耗和均值电流;
通过第一关系式对每个聚类下片段的电池容量和电池能量进行修正,所述第一关系式为:
更进一步地,所述多种电池健康状态评价指标包括电容法、电压法、内阻法、充电末端电压法、自放电率、电池温度一致性、电池电压一致性、慢充充电剩余电量曲线斜率值、快充充电剩余电量曲线斜率值、充电电压曲线法;
所述多种机器学习模型包括Lightgbm、Catboost、XGBoost、Random Forest、Bagging、SVM、Lasso、Ridge。
本发明的另一个方面,提供了一种车辆电池健康状态评估系统,包括:
数据获取模块,用于获取车辆电池历史运行数据;
集合生成模块,用于将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合;
修正模块,用于对所述第一集合中片段的电池容量和电池能量进行修正;
评估模块,用于基于修正后的所述第一集合构建多种电池健康状态评价指标以用作模型特征值,并通过多种机器学习模型对所述模型特征值进行调优,以得到所述车辆电池健康状态的评估结果。
更进一步地,所述历史运行数据包括:车辆运行速度、车辆行驶总里程数、电池剩余电量、单体电池最高温度、单体电池最低温度、单体电池最高电压、单体电池最低电压、环境温度、车辆运行状态、车辆充放电状态。
更进一步地,所述集合生成模块包括:
分组单元,将停车充电状态下获取的所有所述历史运行数据归为第一数据组、将启动行驶状态下获取的所有所述历史运行数据归为第二数据组、将充电完成静置状态下获取的所有所述历史运行数据归为第三数据组;
片段划分单元,所述第一数据组中若相邻两个所述历史运行数据的时间间隔大于第一预设值,则将相邻两个所述历史运行数据分别作为一个第一片段;否则,将相邻两个所述历史运行数据作为同一第一片段;所述第二数据组中若相邻两个所述历史运行数据的时间间隔大于第二预设值,则将相邻两个所述历史运行数据分别作为一个第二片段;否则,将相邻两个所述历史运行数据作为同一第二片段;所述第三数据组中若相邻两个所述历史运行数据的时间间隔大于第三预设值,则将相邻两个所述历史运行数据分别作为一个第三片段;否则,将相邻两个所述历史运行数据作为同一第三片段;
集合生成单元,筛选出满足预设条件的所述第一片段、所述第二片段和所述第三片段,以组合形成第一集合。
更进一步地,所述修正模块包括:
聚类划分单元,通过K-means聚类算法将所述第一集合中片段根据运行工况聚类成七类,并计算每一聚类下片段的电池平均能耗和均值电流;
修正单元,通过第一关系式对每个聚类下片段的电池容量和电池能量进行修正,所述第一关系式为:
更进一步地,所述多种电池健康状态评价指标包括电容法、电压法、内阻法、充电末端电压法、自放电率、电池温度一致性、电池电压一致性、慢充充电剩余电量曲线斜率值、快充充电剩余电量曲线斜率值、充电电压曲线法;
所述多种机器学习模型包括Lightgbm、Catboost、XGBoost、Random Forest、Bagging、SVM、Lasso、Ridge。
本发明的技术方案具有如下有益效果:本发明基于真实车辆电池的历史运行数据对电池健康状态进行评估,相较于相关技术中在实验室条件下以恒压恒流方式进行充放电实验或尽可能的模拟实车运行工况以及环境而言,数据来源更加真实可靠,评估结果更加准确。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下结合优选实施例,详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1是本发明提供的车辆电池健康状态评估方法的流程图;
图2是本发明提供的车辆电池健康状态评估系统的结构框图;
图3是聚类结果图。
具体实施方式
下面详细说明本发明的具体实施方式,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。
实施例一、参见图1,本发明的一个方面,提供了一种车辆电池健康状态评估方法,包括:
步骤S02,获取车辆电池历史运行数据;
步骤S04,将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合;
步骤S06,对所述第一集合中片段的电池容量和电池能量进行修正;
步骤S08,基于修正后的所述第一集合构建多种电池健康状态评价指标以用作模型特征值,并通过多种机器学习模型对所述模型特征值进行调优,以得到所述车辆电池健康状态的评估结果。
本发明基于真实车辆电池的历史运行数据对电池健康状态进行评估,相较于相关技术中在实验室条件下以恒压恒流方式进行充放电实验或尽可能的模拟实车运行工况以及环境而言,数据来源更加真实可靠,评估结果更加准确。
更进一步地,所述历史运行数据包括:车辆运行速度、车辆行驶总里程数、电池剩余电量、单体电池最高温度、单体电池最低温度、单体电池最高电压、单体电池最低电压、环境温度、车辆运行状态、车辆充放电状态。上述历史运行数据包括试验室条件下无法模拟的各项参数和实车问题,面向真实车辆建立电池健康状态评估方案,评估准确性和可靠性更高。
更进一步地,所述步骤S04将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合包括:
步骤S42,将停车充电状态下获取的所有所述历史运行数据归为第一数据组、将启动行驶状态下获取的所有所述历史运行数据归为第二数据组、将充电完成静置状态下获取的所有所述历史运行数据归为第三数据组。
步骤S44,所述第一数据组中若相邻两个所述历史运行数据的时间间隔大于第一预设值,则将相邻两个所述历史运行数据分别作为一个第一片段;否则,将相邻两个所述历史运行数据作为同一第一片段;所述第二数据组中若相邻两个所述历史运行数据的时间间隔大于第二预设值,则将相邻两个所述历史运行数据分别作为一个第二片段;否则,将相邻两个所述历史运行数据作为同一第二片段;所述第三数据组中若相邻两个所述历史运行数据的时间间隔大于第三预设值,则将相邻两个所述历史运行数据分别作为一个第三片段;否则,将相邻两个所述历史运行数据作为同一第三片段。第一预设值、第二预设值和第三预设值均可以为两分钟。
步骤S46,筛选出满足预设条件的所述第一片段、所述第二片段和所述第三片段,以组合形成第一集合。其中,预设条件可以包括片段内数据点的个数以及片段的总时长两个参数,具体地,预设条件可以包括片段包括的数据点的个数大于100个、片段的总时长大于三分钟。
更进一步地,所述步骤S46还可以包括:剔除所述第一片段、所述第二片段和所述第三片段中充电边界异常、熄火边界异常以及其他边界异常的片段。具体地,可以将停车充电状态下出现剩余电量未增、初始速度大于零或充电过快等现象的片段剔除;将熄火状态下出现电流大于零、速度大于零或未充电但电流小于零等现象的片段剔除;将未充电但剩余电量增加(非制动能量回收)的片段剔除。
更进一步地,所述步骤S06对所述第一集合中片段的电池容量和电池能量进行修正包括:
步骤S62,通过K-means聚类算法将所述第一集合中片段根据运行工况聚类成七类,并计算每一聚类下片段的电池平均能耗和均值电流。由于实车数据中包含的数据采集间隔极为杂乱,可能出现含有一秒、十秒、三十秒等时间间隔。通过K-means聚类算法将车辆历史运行数据聚类成最佳的七类,并后续经比例插值方法进行修正,能够保证评估的准确性,聚类结果图可参见图3。其中,运行工况的聚类可以包括城市工况、市区工况、郊区工况等,本申请实施例对此并不作出限定,可根据实际情况进行适应性调整。聚类参数可以包括均值速度、加速度平方、均值加速度、加速比例、减速比例等。
步骤S64,通过第一关系式利用比例插值方法对每个聚类下片段的电池容量和电池能量进行修正,所述第一关系式为:
其中,Qλ为电池容量修正后的值,Eμ为电池能量修正后的值,Idis为实际放电电流值,为聚类计算出的均值电流,Rnow为当前的内阻值,λ和μ分别为电流积分和电流平方积分的插值系数,最佳的插值系数可通过网格搜索的方法得到。
更进一步地,所述多种电池健康状态评价指标可以包括电容法、电压法、内阻法、充电末端电压法、自放电率、电池温度一致性、电池电压一致性、慢充充电剩余电量曲线斜率值、快充充电剩余电量曲线斜率值、充电电压曲线法。上述采用多种电池健康状态评价指标,且每种方法各有优缺点并且用于实车数据时,不同的方法所使用的参数方法不尽相同,所以产生的计算误差也各不相同,可以大大降低数据带来的随机误差,从而提高预测模型的鲁棒性。
具体地,电容法的具体计算公式如下:
其中,SOHC为电容法计算得到的电池健康状态评分,Cnow和Cnew分别为当前电池容量和最初电池容量,Inow为当前充电电流,Inew为最初充电片段内电流。电压法和电容法相似,唯一不同的是电容法是根据电池相同SOC和相同SOC降来计算,电压法则是以相同电压和相同电压降来进行计算,二者公式相同。
内阻法的具体计算公式如下:
其中,SOHR为内阻法计算得到的电池健康状态评分,Rend为电池失效时内阻值,Rnew为电池最初内阻值,Rnow为当前电池内阻值。
其中,当前电池内阻值Rnow未知,可通过一次充放电循环来计算得到,具体计算公式如下:
其中,Uch和Ich分别为充电时的电压和电流值,Udis和Idis分别为放电时的电压和电流值,Ein为充电时充入电池内部的能量值。
温度一致性的具体计算公式如下:
电压一致性的具体计算公式如下:
至于充电末端电压法、自放电率、慢充充电剩余电量曲线斜率值、快充充电剩余电量曲线斜率值、充电电压曲线法等可直接根据实际情况取值。
较少的特征值难以发挥模型的性能,太多的特征维度又会导致维度灾难使得模型训练耗时巨大,所以训练模型首先需要选取最佳的特征集合。具体地,可在通过电容法、电压法、内阻法、充电末端电压、自放电率以及电池一致性等得到各个模型特征值后,通过特征交叉方法将之前构建的模型特征值进行交互处理以生成100多维新特征,之后再通过过滤封装式特征筛选方法选择最佳特征集合。再将筛选完成后的16维特征作为输入,分别训练包括Lightgbm、Catboost、XGBoost、Random Forest、Bagging、SVM、Lasso、Ridge等8种机器学习模型,并通过随机优化和贝叶斯优化来进行各个模型的超参数调优,使得各模型预测精度最优。
更进一步地,所述步骤S08在得到所述车辆电池健康状态的评估结果之前还可以包括:通过Stacking方法进一步提高电池健康状态模型估计精度。具体地,由于每种模型的预测效果和计算耗时各不相同,可首先选择效果最优且耗时较少的Lightgbm、XGBoost、Random Forest三种经典机器学习模型作为预测用的基模型,再将线性处理能力较强且计算速度较快的Lasso作为元模型构建Stacking模型,最终通过5折交叉验证验证最终预测结果以得到最佳的电池健康状态评估分数。
本发明的另一个方面,提供了一种车辆电池健康状态评估系统,参见图2,包括:
数据获取模块,用于获取车辆电池历史运行数据;
集合生成模块,用于将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合;
修正模块,用于对所述第一集合中片段的电池容量和电池能量进行修正;
评估模块,用于基于修正后的所述第一集合构建多种电池健康状态评价指标以用作模型特征值,并通过多种机器学习模型对所述模型特征值进行调优,以得到所述车辆电池健康状态的评估结果。
本发明基于真实车辆电池的历史运行数据对电池健康状态进行评估,相较于相关技术中在实验室条件下以恒压恒流方式进行充放电实验或尽可能的模拟实车运行工况以及环境而言,数据来源更加真实可靠,评估结果更加准确。
更进一步地,所述历史运行数据包括:车辆运行速度、车辆行驶总里程数、电池剩余电量、单体电池最高温度、单体电池最低温度、单体电池最高电压、单体电池最低电压、环境温度、车辆运行状态、车辆充放电状态。上述历史运行数据包括试验室条件下无法模拟的各项参数和实车问题,面向真实车辆建立电池健康状态评估方案,评估准确性和可靠性更高。
更进一步地,所述集合生成模块包括:
分组单元,将停车充电状态下获取的所有所述历史运行数据归为第一数据组、将启动行驶状态下获取的所有所述历史运行数据归为第二数据组、将充电完成静置状态下获取的所有所述历史运行数据归为第三数据组。
片段划分单元,所述第一数据组中若相邻两个所述历史运行数据的时间间隔大于第一预设值,则将相邻两个所述历史运行数据分别作为一个第一片段;否则,将相邻两个所述历史运行数据作为同一第一片段;所述第二数据组中若相邻两个所述历史运行数据的时间间隔大于第二预设值,则将相邻两个所述历史运行数据分别作为一个第二片段;否则,将相邻两个所述历史运行数据作为同一第二片段;所述第三数据组中若相邻两个所述历史运行数据的时间间隔大于第三预设值,则将相邻两个所述历史运行数据分别作为一个第三片段;否则,将相邻两个所述历史运行数据作为同一第三片段;第一预设值、第二预设值和第三预设值均可以为两分钟。
集合生成单元,筛选出满足预设条件的所述第一片段、所述第二片段和所述第三片段,以组合形成第一集合。其中,预设条件可以包括片段内数据点的个数以及片段的总时长两个参数,具体地,预设条件可以包括片段包括的数据点的个数大于100个、片段的总时长大于三分钟。
更进一步地,所述集合生成单元还可以包括:剔除所述第一片段、所述第二片段和所述第三片段中充电边界异常、熄火边界异常以及其他边界异常的片段。具体地,可以将停车充电状态下出现剩余电量未增、初始速度大于零或充电过快等现象的片段剔除;将熄火状态下出现电流大于零、速度大于零或未充电但电流小于零等现象的片段剔除;将未充电但剩余电量增加(非制动能量回收)的片段剔除。
更进一步地,所述修正模块包括:
聚类划分单元,通过K-means聚类算法将所述第一集合中片段根据运行工况聚类成七类,并计算每一聚类下片段的电池平均能耗和均值电流。由于实车数据中包含的数据采集间隔极为杂乱,可能出现含有一秒、十秒、三十秒等时间间隔,通过K-means聚类算法将车辆历史运行数据聚类成最佳的七类,并后续经比例插值方法进行修正,能够保证评估的准确性。其中,运行工况的聚类可以包括城市工况、市区工况、郊区工况等,可根据实际情况进行适应性调整。聚类参数可以包括均值速度、加速度平方、均值加速度、加速比例、减速比例等。
修正单元,通过第一关系式利用比例插值方法对每个聚类下片段的电池容量和电池能量进行修正,所述第一关系式为:
其中,Qλ为电池容量修正后的值,Eμ为电池能量修正后的值,Idis为实际放电电流值,为聚类计算出的均值电流,Rnow为当前的内阻值,λ和μ分别为电流积分和电流平方积分的插值系数,最佳的插值洗漱可通过网格搜索的方法得到。
更进一步地,所述多种电池健康状态评价指标可以包括电容法、电压法、内阻法、充电末端电压法、自放电率、电池温度一致性、电池电压一致性、慢充充电剩余电量曲线斜率值、快充充电剩余电量曲线斜率值、充电电压曲线法。上述采用多种电池健康状态评价指标,且每种方法各有优缺点并且用于实车数据时,不同的方法所使用的参数方法不尽相同,所以产生的计算误差也各不相同,可以大大降低数据带来的随机误差,从而提高预测模型的鲁棒性。
具体地,电容法的具体计算公式如下:
其中,SOHC为电容法计算得到的电池健康状态评分,Cnow和Cnew分别为当前电池容量和最初电池容量,Inow为当前充电电流,Inew为最初充电片段内电流。电压法和电容法相似,唯一不同的是电容法是根据电池相同SOC和相同SOC降来计算,电压法则是以相同电压和相同电压降来进行计算,二者公式相同。
内阻法的具体计算公式如下:
其中,SOHR为内阻法计算得到的电池健康状态评分,Rend为电池失效时内阻值,Rnew为电池最初内阻值,Rnow为当前电池内阻值。
其中,当前电池内阻值Rnow未知,可通过一次充放电循环来计算得到,具体计算公式如下:
其中,Uch和Ich分别为充电时的电压和电流值,Udis和Idis分别为放电时的电压和电流值,Ein为充电时充入电池内部的能量值。
温度一致性的具体计算公式如下:
电压一致性的具体计算公式如下:
至于充电末端电压法、自放电率、慢充充电剩余电量曲线斜率值、快充充电剩余电量曲线斜率值、充电电压曲线法等可直接根据实际情况取值。
较少的特征值难以发挥模型的性能,太多的特征维度又会导致维度灾难使得模型训练耗时巨大,所以训练模型首先需要选取最佳的特征集合。具体地,可在通过电容法、电压法、内阻法、充电末端电压、自放电率以及电池一致性等得到各个模型特征值后,通过特征交叉方法将之前构建的模型特征值进行交互处理以生成100多维新特征,之后再通过过滤封装式特征筛选方法选择最佳特征集合。再将筛选完成后的16维特征作为输入,分别训练包括Lightgbm、Catboost、XGBoost、Random Forest、Bagging、SVM、Lasso、Ridge等8种机器学习模型,并通过随机优化和贝叶斯优化来进行各个模型的超参数调优,使得各模型预测精度最优。
更进一步地,所述步骤S08在得到所述车辆电池健康状态的评估结果之前还可以包括:通过Stacking方法进一步提高电池健康状态模型估计精度。具体地,由于每种模型的预测效果和计算耗时各不相同,可首先选择效果最优且耗时较少的Lightgbm、XGBoost、Random Forest三种经典机器学习模型作为预测用的基模型,再将线性处理能力较强且计算速度较快的Lasso作为元模型构建Stacking模型,最终通过5折交叉验证验证最终预测结果以得到最佳的电池健康状态评估分数。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (10)
1.一种车辆电池健康状态评估方法,其特征在于,包括:
获取车辆电池历史运行数据;
将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合;
对所述第一集合中片段的电池容量和电池能量进行修正;
基于修正后的所述第一集合构建多种电池健康状态评价指标以用作模型特征值,并通过多种机器学习模型对所述模型特征值进行调优,以得到所述车辆电池健康状态的评估结果。
2.如权利要求1所述的评估方法,其特征在于,所述历史运行数据包括:车辆运行速度、车辆行驶总里程数、电池剩余电量、单体电池最高温度、单体电池最低温度、单体电池最高电压、单体电池最低电压、环境温度、车辆运行状态、车辆充放电状态。
3.如权利要求1所述的评估方法,其特征在于,所述将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合包括:
将停车充电状态下获取的所有所述历史运行数据归为第一数据组、将启动行驶状态下获取的所有所述历史运行数据归为第二数据组、将充电完成静置状态下获取的所有所述历史运行数据归为第三数据组;
所述第一数据组中若相邻两个所述历史运行数据的时间间隔大于第一预设值,则将相邻两个所述历史运行数据分别作为一个第一片段;否则,将相邻两个所述历史运行数据作为同一第一片段;
所述第二数据组中若相邻两个所述历史运行数据的时间间隔大于第二预设值,则将相邻两个所述历史运行数据分别作为一个第二片段;否则,将相邻两个所述历史运行数据作为同一第二片段;
所述第三数据组中若相邻两个所述历史运行数据的时间间隔大于第三预设值,则将相邻两个所述历史运行数据分别作为一个第三片段;否则,将相邻两个所述历史运行数据作为同一第三片段;
筛选出满足预设条件的所述第一片段、所述第二片段和所述第三片段,以组合形成第一集合。
5.如权利要求1所述的评估方法,其特征在于,所述多种电池健康状态评价指标包括电容法、电压法、内阻法、充电末端电压法、自放电率、电池温度一致性、电池电压一致性、慢充充电剩余电量曲线斜率值、快充充电剩余电量曲线斜率值、充电电压曲线法;
所述多种机器学习模型包括Lightgbm、Catboost、XGBoost、Random Forest、Bagging、SVM、Lasso、Ridge。
6.一种车辆电池健康状态评估系统,其特征在于,包括:
数据获取模块,用于获取车辆电池历史运行数据;
集合生成模块,用于将所述历史运行数据划分为多个片段,并筛选出满足预设条件的所述片段以形成第一集合;
修正模块,用于对所述第一集合中片段的电池容量和电池能量进行修正;
评估模块,用于基于修正后的所述第一集合构建多种电池健康状态评价指标以用作模型特征值,并通过多种机器学习模型对所述模型特征值进行调优,以得到所述车辆电池健康状态的评估结果。
7.如权利要求6所述的评估系统,其特征在于,所述历史运行数据包括:车辆运行速度、车辆行驶总里程数、电池剩余电量、单体电池最高温度、单体电池最低温度、单体电池最高电压、单体电池最低电压、环境温度、车辆运行状态、车辆充放电状态。
8.如权利要求6所述的评估系统,其特征在于,所述集合生成模块包括:
分组单元,将停车充电状态下获取的所有所述历史运行数据归为第一数据组、将启动行驶状态下获取的所有所述历史运行数据归为第二数据组、将充电完成静置状态下获取的所有所述历史运行数据归为第三数据组;
片段划分单元,所述第一数据组中若相邻两个所述历史运行数据的时间间隔大于第一预设值,则将相邻两个所述历史运行数据分别作为一个第一片段;否则,将相邻两个所述历史运行数据作为同一第一片段;所述第二数据组中若相邻两个所述历史运行数据的时间间隔大于第二预设值,则将相邻两个所述历史运行数据分别作为一个第二片段;否则,将相邻两个所述历史运行数据作为同一第二片段;所述第三数据组中若相邻两个所述历史运行数据的时间间隔大于第三预设值,则将相邻两个所述历史运行数据分别作为一个第三片段;否则,将相邻两个所述历史运行数据作为同一第三片段;
集合生成单元,筛选出满足预设条件的所述第一片段、所述第二片段和所述第三片段,以组合形成第一集合。
10.如权利要求6所述的评估系统,其特征在于,所述多种电池健康状态评价指标包括电容法、电压法、内阻法、充电末端电压法、自放电率、电池温度一致性、电池电压一致性、慢充充电剩余电量曲线斜率值、快充充电剩余电量曲线斜率值、充电电压曲线法;
所述多种机器学习模型包括Lightgbm、Catboost、XGBoost、Random Forest、Bagging、SVM、Lasso、Ridge。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110459628.8A CN113049976B (zh) | 2021-04-27 | 2021-04-27 | 一种车辆电池健康状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110459628.8A CN113049976B (zh) | 2021-04-27 | 2021-04-27 | 一种车辆电池健康状态评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113049976A true CN113049976A (zh) | 2021-06-29 |
CN113049976B CN113049976B (zh) | 2022-07-29 |
Family
ID=76520529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110459628.8A Active CN113049976B (zh) | 2021-04-27 | 2021-04-27 | 一种车辆电池健康状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113049976B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469252A (zh) * | 2021-07-02 | 2021-10-01 | 河海大学 | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 |
CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
CN113933732A (zh) * | 2021-10-13 | 2022-01-14 | 中国汽车工程研究院股份有限公司 | 新能源汽车动力电池健康状态分析方法、系统及存储介质 |
CN114035056A (zh) * | 2021-11-30 | 2022-02-11 | 蜂巢能源(上海)有限公司 | 一种动力电池性能检测方法、装置和设备 |
CN114167301A (zh) * | 2021-11-30 | 2022-03-11 | 同济大学 | 一种基于电动汽车实车数据的动力电池评估方法 |
CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
CN114298616A (zh) * | 2022-03-11 | 2022-04-08 | 西南石油大学 | 设备健康状态评估方法、装置和计算机设备 |
CN114397592A (zh) * | 2022-01-07 | 2022-04-26 | 中国第一汽车股份有限公司 | 一种电动汽车动力电池的健康度预测方法和装置 |
CN114492019A (zh) * | 2022-01-22 | 2022-05-13 | 苏州纬方电子有限公司 | 一种电池模组的自适应温度调控的评估方法及系统 |
CN114487888A (zh) * | 2021-12-30 | 2022-05-13 | 国联汽车动力电池研究院有限责任公司 | 一种车辆电池系统异常电池筛选及监测方法 |
CN115389948A (zh) * | 2022-10-28 | 2022-11-25 | 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 |
CN115561658A (zh) * | 2022-11-30 | 2023-01-03 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
CN115754738A (zh) * | 2022-12-01 | 2023-03-07 | 合肥力高动力科技有限公司 | 一种基于小样本学习孪生网络的电池组健康状态估计方法 |
CN115782584A (zh) * | 2022-11-22 | 2023-03-14 | 重庆长安新能源汽车科技有限公司 | 一种新能源车辆安全状态确定方法、系统、设备及介质 |
WO2023185601A1 (zh) * | 2022-03-29 | 2023-10-05 | 北京芯虹科技有限责任公司 | 一种电池健康状态信息确定方法、装置及电池系统 |
CN117463643A (zh) * | 2023-12-28 | 2024-01-30 | 四川帝威能源技术有限公司 | 退役动力锂电池容量分选方法、系统、电子设备及介质 |
CN117741446A (zh) * | 2023-12-28 | 2024-03-22 | 中国汽车工程研究院股份有限公司 | 一种新能源汽车电池健康状态评估方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576097A (zh) * | 2013-11-19 | 2014-02-12 | 清华大学 | 电池的健康状态soh的估计方法及系统 |
KR20160014940A (ko) * | 2014-07-30 | 2016-02-12 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
US20160187428A1 (en) * | 2014-12-26 | 2016-06-30 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of health (SOH) of battery |
CN107329088A (zh) * | 2016-04-29 | 2017-11-07 | 株式会社日立制作所 | 电池的健康状态诊断装置和方法 |
CN110008235A (zh) * | 2019-04-15 | 2019-07-12 | 优必爱信息技术(北京)有限公司 | 动力电池健康度评价方法、装置及系统 |
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 |
CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
CN111929588A (zh) * | 2020-09-01 | 2020-11-13 | 杭州颉码能源科技有限公司 | 一种基于极限学习机的充电安全监测方法 |
CN112526351A (zh) * | 2020-12-16 | 2021-03-19 | 东南大学 | 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 |
CN112540317A (zh) * | 2020-12-16 | 2021-03-23 | 武汉理工大学 | 基于实车数据的电池健康状态估计与剩余寿命预测方法 |
-
2021
- 2021-04-27 CN CN202110459628.8A patent/CN113049976B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576097A (zh) * | 2013-11-19 | 2014-02-12 | 清华大学 | 电池的健康状态soh的估计方法及系统 |
KR20160014940A (ko) * | 2014-07-30 | 2016-02-12 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
US20160187428A1 (en) * | 2014-12-26 | 2016-06-30 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of health (SOH) of battery |
CN107329088A (zh) * | 2016-04-29 | 2017-11-07 | 株式会社日立制作所 | 电池的健康状态诊断装置和方法 |
CN110008235A (zh) * | 2019-04-15 | 2019-07-12 | 优必爱信息技术(北京)有限公司 | 动力电池健康度评价方法、装置及系统 |
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 |
CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
CN111929588A (zh) * | 2020-09-01 | 2020-11-13 | 杭州颉码能源科技有限公司 | 一种基于极限学习机的充电安全监测方法 |
CN112526351A (zh) * | 2020-12-16 | 2021-03-19 | 东南大学 | 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 |
CN112540317A (zh) * | 2020-12-16 | 2021-03-23 | 武汉理工大学 | 基于实车数据的电池健康状态估计与剩余寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
XUNING FENG 等: "Online State-of-Health Estimation for Li-Ion Battery Using Partial Charging Segment Based on Support Vector Machine", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
周頔 等: "基于日常片段充电数据的锂电池健康状态实时评估方法研究", 《中国电机工程学报》 * |
陈翌 等: "数据驱动的锂电池健康状态估算方法", 《储能科学与技术》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469252A (zh) * | 2021-07-02 | 2021-10-01 | 河海大学 | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 |
CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
CN113933732A (zh) * | 2021-10-13 | 2022-01-14 | 中国汽车工程研究院股份有限公司 | 新能源汽车动力电池健康状态分析方法、系统及存储介质 |
CN114035056A (zh) * | 2021-11-30 | 2022-02-11 | 蜂巢能源(上海)有限公司 | 一种动力电池性能检测方法、装置和设备 |
CN114167301A (zh) * | 2021-11-30 | 2022-03-11 | 同济大学 | 一种基于电动汽车实车数据的动力电池评估方法 |
CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
CN114264957B (zh) * | 2021-12-02 | 2024-05-07 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
CN114487888A (zh) * | 2021-12-30 | 2022-05-13 | 国联汽车动力电池研究院有限责任公司 | 一种车辆电池系统异常电池筛选及监测方法 |
CN114397592A (zh) * | 2022-01-07 | 2022-04-26 | 中国第一汽车股份有限公司 | 一种电动汽车动力电池的健康度预测方法和装置 |
CN114492019B (zh) * | 2022-01-22 | 2024-02-02 | 苏州纬方电子有限公司 | 一种电池模组的自适应温度调控的评估方法及系统 |
CN114492019A (zh) * | 2022-01-22 | 2022-05-13 | 苏州纬方电子有限公司 | 一种电池模组的自适应温度调控的评估方法及系统 |
CN114298616B (zh) * | 2022-03-11 | 2022-05-06 | 西南石油大学 | 设备健康状态评估方法、装置和计算机设备 |
CN114298616A (zh) * | 2022-03-11 | 2022-04-08 | 西南石油大学 | 设备健康状态评估方法、装置和计算机设备 |
WO2023185601A1 (zh) * | 2022-03-29 | 2023-10-05 | 北京芯虹科技有限责任公司 | 一种电池健康状态信息确定方法、装置及电池系统 |
CN115389948A (zh) * | 2022-10-28 | 2022-11-25 | 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 |
CN115782584A (zh) * | 2022-11-22 | 2023-03-14 | 重庆长安新能源汽车科技有限公司 | 一种新能源车辆安全状态确定方法、系统、设备及介质 |
CN115561658A (zh) * | 2022-11-30 | 2023-01-03 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
CN115561658B (zh) * | 2022-11-30 | 2023-02-28 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
CN115754738A (zh) * | 2022-12-01 | 2023-03-07 | 合肥力高动力科技有限公司 | 一种基于小样本学习孪生网络的电池组健康状态估计方法 |
CN117741446A (zh) * | 2023-12-28 | 2024-03-22 | 中国汽车工程研究院股份有限公司 | 一种新能源汽车电池健康状态评估方法及系统 |
CN117463643B (zh) * | 2023-12-28 | 2024-03-26 | 四川帝威能源技术有限公司 | 退役动力锂电池容量分选方法、系统、电子设备及介质 |
CN117463643A (zh) * | 2023-12-28 | 2024-01-30 | 四川帝威能源技术有限公司 | 退役动力锂电池容量分选方法、系统、电子设备及介质 |
CN117741446B (zh) * | 2023-12-28 | 2024-07-09 | 中国汽车工程研究院股份有限公司 | 一种新能源汽车电池健康状态评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113049976B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113049976B (zh) | 一种车辆电池健康状态评估方法及系统 | |
EP3748380A1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
CN110008235A (zh) | 动力电池健康度评价方法、装置及系统 | |
CN111381170A (zh) | 基于大数据的电动汽车电池包健康状态预测方法及系统 | |
CN112858919A (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN109204063A (zh) | 一种动力电池健康状态soh的获取方法、装置及车辆 | |
CN114154107B (zh) | 一种平均能耗计算方法和装置 | |
CN110568360B (zh) | 一种基于模糊逻辑算法的锂电池老化诊断方法 | |
CN115684947A (zh) | 电池模型构建方法及电池劣化预测装置 | |
CN116882981B (zh) | 基于数据分析的智能电池管理系统 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN112345956A (zh) | 一种电池组荷电状态检测方法和装置 | |
CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
WO2023052910A1 (en) | System and method for estimating state of health and remaining useful life of a battery | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
US20220099750A1 (en) | Method and Apparatus for Parameterizing an Electrochemical Battery Model for a Battery Based on Data from a Plurality of Batteries | |
CN115047368A (zh) | 状态估计模型的学习方法、状态估计方法和状态估计装置 | |
CN107271907B (zh) | 一种电动汽车动力电池性能的判断方法及系统 | |
CN116859259A (zh) | 基于集成学习和实车大数据的电池健康状态估计方法 | |
CN113420494B (zh) | 一种超级电容贝叶斯概率融合建模方法 | |
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 | |
CN110852378A (zh) | 一种基于导航系统的道路工况运动学片断提取方法 | |
Mohanty et al. | Electric Vehicle State-of-charge Prediction using Deep LSTM Network Model | |
US20220260645A1 (en) | Diagnosis method of battery, diagnosis device of battery, diagnosis system of battery, battery-mounted device, and non-transitory storage medium |
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 |