CN113191081A - 一种新能源车辆动力电池内阻预测方法及系统 - Google Patents

一种新能源车辆动力电池内阻预测方法及系统 Download PDF

Info

Publication number
CN113191081A
CN113191081A CN202110476572.7A CN202110476572A CN113191081A CN 113191081 A CN113191081 A CN 113191081A CN 202110476572 A CN202110476572 A CN 202110476572A CN 113191081 A CN113191081 A CN 113191081A
Authority
CN
China
Prior art keywords
internal resistance
power battery
vehicle
new energy
data set
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
CN202110476572.7A
Other languages
English (en)
Inventor
张俊杰
霍艳红
段鹏
刘刚
潘福中
陈玉星
王芳芳
邵晶晶
陶雷
张鲁宁
翟一明
岳翔
马国庆
牛亚琪
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.)
Zhejiang Geely Holding Group Co Ltd
Ningbo Geely Automobile Research and Development Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Ningbo Geely Automobile Research and Development 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 Zhejiang Geely Holding Group Co Ltd, Ningbo Geely Automobile Research and Development Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202110476572.7A priority Critical patent/CN113191081A/zh
Publication of CN113191081A publication Critical patent/CN113191081A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种新能源车辆动力电池内阻预测方法及系统，涉及新能源车辆动力电池内阻领域，本发明解决的问题是如何提高新能源车辆动力电池内阻预测的准确性，本发明方法包括以下步骤：采集车辆的充电工况数据，根据预设的车辆数据特征过滤条件筛选充电工况数据分别得到神经网络训练所需的训练输入数据集以及训练目标数据集，将训练输入数据集以及训练目标数据集进行神经网络训练建立新能源车辆动力电池内阻预测模型，实时获取车辆当前充电工况数据代入新能源车辆动力电池内阻预测模型，本发明结构包括采集模块、控制单元以及大数据平台，计算出车辆动力电池当前预测内阻，本发明通过筛选充电工况数据来提高车辆动力电池内阻预测的准确性。

Description

一种新能源车辆动力电池内阻预测方法及系统
技术领域
本发明涉及车辆电池内阻领域，尤其涉及一种新能源车辆动力电池内阻预测方法及系统。
背景技术
目前，随着我国对新能源汽车推广力度的加大，越来越多的人开始使用新能源汽车作为出行的主要交通工具,新能源汽车主要以动力电池作为动力源，因此动力电池的性能决定车辆的动力性能,而动力电池在使用过程中会衰减，随着动力电池的衰减，动力电池的内阻会改变，使动力电池的输出功率改变，继而影响整车的动力性能，车辆电池内阻越大，车辆动力性越差，同时由于驾驶里程、驾驶习惯以及充电习惯的不同，车辆电池内阻增大的程度不同，因此，需要设计一种有效的方法来估计车辆电池内阻，进而监控车辆动力性状态。
中国专利申请号(CN202010457236.3)公开了蓄电池启动性能预测方法、存储介质及电子设备，该方法包括获取蓄电池的当前电压、以及与所述当前电压对应的当前电流，所述当前电压与所述当前电流正相关；将所述当前电压和所述当前电流输入预设的用于计算所述蓄电池的欧姆电阻的电阻模型，得出当前欧姆电阻。
预设的电阻模型获取历史蓄电池的历史电压以及与历史电压对应的历史电流后将历史电压和历史电流进行曲线拟合，得到历史蓄电池拟合函数曲线，利用最小二乘法计算所述历史电压、所述历史电流与所述历史蓄电池拟合函数曲线的平方差之和最小得到。
上述方法虽然能够得出电阻，但是建立的电阻模型在获取的历史电压、电流数据时无法避免部分数据的损坏，不处理会影响电阻模型的准确性，从而影响当前电阻值的准确性，并且历史电压、电流与当前电压、电流计算所得的电阻会有所差距，会影响驾驶员对电阻准数值准确性的判断即影响车辆动力性的判断，延误车辆检修的时机，影响驾驶员的使用体验。
发明内容
本发明针对现有技术存在的上述问题，提供了一种新能源车辆动力电池内阻预测方法及系统，其解决的技术问题是如何提高新能源车辆动力电池内阻预测的准确性。
本发明通过下列技术方案来实现：一种新能源车辆动力电池内阻预测方法，所述方法包括以下步骤：
采集车辆充电工况数据；
根据预设的车辆数据特征过滤条件筛选充电工况数据分别得到神经网络训练所需的训练输入数据集以及训练目标数据集，将训练输入数据集以及训练目标数据集进行神经网络训练建立新能源车辆动力电池内阻预测模型；
获取对动力电池预测内阻有需求的车辆的充电工况数据代入新能源车辆动力电池内阻预测模型，计算出所需车辆动力电池的预测内阻。
采集车辆的充电工况数据，根据预设的车辆数据特征过滤条件筛选充电工况数据分别得到神经网络训练所需的训练输入数据集以及训练目标数据集，将训练输入数据集以及训练目标数据集进行神经网络训练建立新能源车辆动力电池内阻预测模型，获取对动力电池预测内阻有需求的车辆的充电工况数据代入新能源车辆动力电池内阻预测模型，计算出所需车辆动力电池的预测内阻。本方法通过对大数据平台收集车辆的充电工况数据进行筛选以及使用神经网络训练方法来改进新能源车辆动力电池内阻预测方法，目前大数据平台收集车辆的充电工况数据庞大且获取的数据完整性无法保证，本方法通过预设的过滤条件筛选充电工况数据，减少大数据平台的数据处理量，且筛选掉不符合的数据提高了建立新能源车辆动力电池内阻预测模型的准确性，因此，本方法大大提高了新能源车辆动力电池内阻预测的准确性，本方法是实时获取车辆的充电工况数据的，因此建立的新能源动力电池内阻预测模型计算出的车辆动力电池当前预测内阻误差较小，不会影响驾驶员对车辆动力性的判断，驾驶员能及时检修，新能源动力电池内阻预测模型考虑相对全面，通用性强，可以适用于目前大部分车辆。
在上述新能源车辆动力电池内阻预测方法中，上述得到神经网络训练所需的训练输入数据集步骤包括：
从充电工况数据中提取所有车辆数据特征；
根据相关性分析得到与车辆动力电池内阻相关性高的所需车辆数据特征；
根据预设的车辆数据特征过滤条件对所需车辆数据特征进行过滤得到训练输入数据集。
选取相关性高的所需车辆数据特征可以减少大数据平台的数据处理量，根据过滤条件过滤筛选掉不符合的数据进一步减少了大数据平台的数据处理量提高了建立新能源车辆动力电池内阻预测模型的准确性，从而提高新能源车辆动力电池内阻预测的准确性。
在上述新能源车辆动力电池内阻预测方法中，所述相关性分析包括选择与新能源车辆动力电池内阻之间皮尔逊相关系数大于预设系数值的车辆数据特征，皮尔逊相关系数是衡量两个变量之间相关性的常用方式，在本方法中可以准确的选择所需车辆数据特征。
在上述新能源车辆动力电池内阻预测方法中，上述得到神经网络训练所述的训练目标数据集步骤包括根据多辆车的充电工况数据计算车辆动力电池内阻，根据预设的过滤条件过滤计算后的车辆动力电池内阻得到训练目标数据集，过滤掉不符合的动力电池内阻值可以调高建立新能源车辆动力电池内阻预测模型的准确性，从而提高新能源车辆动力电池内阻预测的准确性。
在上述新能源车辆动力电池内阻预测方法中，所述过滤条件包括电池起始时刻的充电电流大于预设安培，设置过滤条件可以过滤一些不合格的数据，防止新能源车辆动力电池内阻计算出现误差，提高了新能源车辆动力电池内阻预测的准确性。
在上述新能源车辆动力电池内阻预测方法中，上述计算车辆动力电池内阻的公式包括车辆单体动力电池的内阻＝(单体动力电池的内阻计算时刻的电压-单体动力电池的起始时刻的电压)/单体动力电池的内阻计算时刻的充电电流,车辆动力电池的内阻＝车辆单体动力电池的内阻的最大值，车辆电池在充电工况起始阶段电流变化率大，因此可以得到准确性更高的内阻值，从而提高汽车电池内阻预测的准确性。
在上述新能源车辆动力电池内阻预测方法中，所述内阻计算时刻包括充电工况起始时刻经过预设时间后的时刻，内阻计算时刻的设置是车辆电流变化率较大的时间段内，内阻计算的准确率较高，因此内阻计算时刻的设置提高了新能源车辆动力电池内阻计算的准确性。
在上述新能源车辆动力电池内阻预测方法中，上述进行神经网络训练建立新能源车辆动力电池内阻预测模型步骤包括选取神经网络的一个参数，将训练输入数据集通过神经网络进行训练后的输出数据集与训练目标数据集逐一对比，当输出数据集与训练目标数据集误差值小于或等于预设误差值时建立新能源车辆动力电池内阻预测模型，当输出数据集与训练目标数据集大于预设误差值时调节神经网络中的参数直到输出数据集与训练目标数据集的误差值小于或等于预设误差值，选择合适的参数能让当前输入经过网络计算后的当前输出数据集与目标输出数据集误差值小，提高新能源车辆动力电池内阻估计模型的准确性，从而提高新能源车辆动力电池内阻预测的准确性。
在上述新能源车辆动力电池内阻预测方法中，所述新能源车辆动力电池内阻预测模型为
Figure BDA0003047277620000041
其中y为输出数据集，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，xi为训练输入数据集，
Figure BDA0003047277620000042
为隐藏层权重参数，
Figure BDA0003047277620000043
为隐藏层偏置，
Figure BDA0003047277620000044
为输出层权重参数，b0为输出层偏置，fH为激活函数，建立模型可以在后续获取充电工况数据后能通过新能源车辆动力电池内阻预测模型准确获取预测内阻值，提高新能源车辆动力电池内阻预测的准确性，且在获取新的充电工况数据后能更新新能源车辆动力电池内阻预测模型更新模型。
本发明还包括以下方案：一种新能源车辆动力电池内阻预测系统，包括大数据平台，新能源车辆动力电池内阻预测系统还包括用于采集车辆的充电工况数据的采集模块、用于接收充电工况数据后输出的控制单元，所述采集模块与控制单元连接，所述控制单元与大数据平台无线连接，大数据平台用于在接收控制单元输出的车辆的充电工况数据后根据预设的车辆数据特征过滤条件筛选充电工况数据分别得到神经网络训练所需的训练输入数据集以及训练目标数据集后对训练输入数据集以及训练目标数据集进行神经网络训练建立新能源车辆动力电池内阻预测模型，大数据平台还用于获取对动力电池预测内阻有需求的车辆的充电工况数据代入新能源车辆动力电池内阻预测模型，计算出所需车辆动力电池的预测内阻。
采集模块采集车辆的充电工况数据后输出至控制单元，控制单元接收充电工况数据后输出至大数据平台，大数据平台接收车辆的充电工况数据后根据预设的车辆数据特征过滤条件筛选充电工况数据分别得到神经网络训练所需的训练输入数据集以及训练目标数据集，大数据平台将训练输入数据集以及训练目标数据集进行神经网络训练建立新能源车辆动力电池内阻预测模型，大数据平台获取对动力电池预测内阻有需求的车辆的充电工况数据代入新能源车辆动力电池内阻预测模型，计算出所需车辆动力电池的预测内阻。本系统通过大数据平台预设的新能源车辆动力电池内阻预测方法来改进新能源车辆动力电池内阻预测系统，目前大数据平台收集车辆的充电工况数据庞大且获取的数据完整性无法保证，本系统通过增加预设的过滤条件的大数据平台，预设的过滤条件筛选充电工况数据，减少大数据平台的数据处理量，且筛选掉不符合的数据提高了建立新能源车辆动力电池内阻预测模型的准确性，大大提高了新能源车辆动力电池内阻预测的准确性，大数据平台实时获取车辆的充电工况数据，因此建立的新能源动力电池内阻预测模型计算出的车辆动力电池当前预测内阻误差较小，不会影响驾驶员对车辆动力性的判断，驾驶员能及时检修,新能源动力电池内阻预测模型考虑相对全面，通用性强，可以适用于目前大部分车辆。
与现有技术相比，本新能源车辆动力电池内阻预测方法及系统，具有以下优点：
1、本发明将车辆数据特征做相关性分析后过滤不符合过滤条件的车辆数据特征从而提高新能源车辆动力电池内阻预测的准确性。
2、本发明基于车辆大数据中获取的训练输入数据集和训练目标数据集，采用神经网络方法进行训练，得到更优的新能源车辆动力电池内阻估计模型。
附图说明
图1是本发明步骤示意图。
图2时本发明结构示意图。
图中1、采集模块；2、控制单元；3、大数据平台。
具体实施方式
为了使本发明所解决的技术问题、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本新能源车辆动力电池内阻预测方法包括以下步骤：采集车辆充电工况数据后计算新能源车辆动力电池内阻，计算新能源车辆动力电池内阻的公式包括车辆单体动力电池的内阻＝(单体动力电池的内阻计算时刻的电压-单体动力电池的起始时刻的电压)/单体动力电池的内阻计算时刻的充电电流,车辆动力电池的内阻＝车辆单体动力电池的内阻的最大值，车辆通常由至少两个单体电池串联来进行供电，选取单体电池中最大值作为本发明车辆动力电池的内阻，使用新能源车辆动力电池内阻计算公式是为了建立新能源动力电池内阻预测模型做准备，使用新能源车辆动力电池内阻计算公式能得到过滤前的训练目标数据集，当车辆动力电池内阻计算出来后根据过滤条件过滤掉起始充电电流大于80安培的数据得到训练目标数据集,现有车辆动力电池内阻计算公式比较简单，会与实际车辆动力电池内阻有较大的误差，需要建立有更优算法的车来那个动力电池内阻预测模型。
同时提取车辆充电工况所有车辆数据特征，所有车辆数据特征包括里程、电池温度、电池起始充电电流、单体电池电压和单体电池充电电流，对提取到的所有车辆数据特性进行相关性分析,选取与新能源车辆动力电池内阻之间皮尔逊相关系数大于预设值的所需车辆数据特征，皮尔逊相关系数可以是0.1-0.3之间的任意一个数，在本实施例中选取与新能源车辆动力电池内阻之间皮尔逊相关系数大于0.25的车辆数据特征，得到所需车辆数据特征即过滤前的训练输入数据集，所需车辆数据特征包括单体电池电压和单体电池充电电流，根据预设过滤条件过滤掉起始充电电流大于80安培的数据得到训练输入数据集，在获取单体电池电压车辆数据特征后绘制单体电池电压图表，在获取充电电流车辆数据特征后绘制充电工况电流图表，皮尔逊相关系数是现有的选取两个变量之间相关性的常用方法，属于现有技术。
将训练输入数据集以及训练目标数据集进行神经网络训练建立新能源车辆动力电池内阻预测模型，选取一个神经网络的参数，将训练输入数据集通过神经网络进行训练后的输出数据集与训练目标数据集对比，当输出数据集与训练目标数据集误差值小于或等于预设误差值时建立新能源车辆动力电池内阻估计模型，当输出数据集与训练目标数据集大于预设误差值时调节神经网络中的参数，直到输出数据集与训练目标数据集的误差值小于或等于预设误差值。
大数据平台3接收车辆的充电工况数据后计算新能源车辆动力电池内阻，同时提取每个充电时刻对应的所有车辆数据特征，对提取到的所有车辆数据特性进行相关性分析,选取与新能源车辆动力电池内阻相关性高的所需车辆数据特征，根据预设过滤条件过滤电池内阻得到训练目标数据集以及过滤所需车辆数据特征得到训练输入数据集，选取一个神经网络的参数，将训练输入数据集通过神经网络进行训练后的输出数据集与训练目标数据集对比，当输出数据集与训练目标数据集误差值小于或等于预设误差值时建立新能源车辆动力电池内阻估计模型，当输出数据集与训练目标数据集大于预设误差值时调节神经网络中的参数，直到输出数据集与训练目标数据集的误差值小于或等于预设误差值，获取对动力电池预测内阻有需求的车辆的充电工况数据代入新能源车辆动力电池内阻预测模型，计算出所需车辆动力电池的预测内阻。
新能源车辆动力电池内阻预测模型为
Figure BDA0003047277620000081
其中y为输出数据集，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，xi为训练输入数据集，
Figure BDA0003047277620000082
为隐藏层权重参数，
Figure BDA0003047277620000083
为隐藏层偏置，
Figure BDA0003047277620000084
为输出层权重参数，b0为输出层偏置，fH为激活函数，当得到训练输入电流数据集与训练目标内阻数据集时，将训练输入电流数据集代入上述模型得出输出内阻数据集以及模型各参数，将输出内阻数据集与训练目标内阻数据集对比，当输出内阻数据集与训练目标内阻数据集的均方根误差小于或等于预设差值时将各参数作为建立新能源动力电池内阻预测模型，当输出内阻数据集与训练目标内阻数据集的均方根误差大于预设差值时不断调整上述所有参数直到输出内阻数据集与训练目标内阻数据集的均方根误差小于或等于预设差值，预设差值可以是4％-8％之间的任意一个数，在本实施例中优选为5％。
大数据平台获取对动力电池预测内阻有需求的车辆的充电工况数据代入新能源车辆动力电池内阻预测模型，计算出所需车辆动力电池的预测内阻，当车辆对动力电池内阻的预测有需求时通过控制单元2输出需求信号，大数据平台3接收需求信号后获取车辆一个或多个电流数据作为数据集，大数据平台3将电流数据集作为新能源车辆动力电池内阻预测模型的训练输入数据集xi,大数据平台根据新能源车辆动力电池内阻预测模型计算获得内阻输出数据集y后输出至控制单元2，驾驶员根据内阻输出数据集y决定是否检修，当大数据平台采集的是一个电流数据作为训练输入数据集xi，此时得出的内阻输出数据集y为瞬时内阻值，当大数据平台采集的是多个电流数据作为训练输入数据集xi,此时得出的内阻输出数据集y为内阻变化趋势，驾驶员可以根据瞬时内阻值决定是否立即去检修或驾驶员可以根据内阻变化趋势预测自己车辆应该检修的时机。大数据平台3能够对与其进行数据通信的车辆进行内阻预测，能够对其中任意一辆车进行预测也可对所有车辆进行预测。作为另一种方案当车辆有内阻预测需求时，大数据平台3将电压数据集作为新能源车辆动力电池内阻预测模型的训练输入数据集xi代入到新能源车辆动力电池内阻预测模型得到相应的预测结果。
本方法通过对大数据平台3接收车辆的充电工况数据进行筛选以及使用神经网络训练方法来改进新能源车辆动力电池内阻预测方法，目前大数据平台3收集车辆的充电工况数据庞大且获取的数据完整性无法保证，本方法通过预设的过滤条件筛选充电工况数据，减少大数据平台3的数据处理量，且筛选掉不符合的数据提高了建立新能源车辆动力电池内阻预测模型的准确性，因此，本方法大大提高了新能源车辆动力电池内阻预测的准确性，本方法是实时获取车辆的充电工况数据的，因此建立的新能源动力电池内阻预测模型计算出的车辆动力电池当前预测内阻误差较小，不会影响驾驶员对车辆动力性的判断，驾驶员能及时检修,新能源动力电池内阻预测模型考虑相对全面，通用性强，可以适用于目前大部分车辆。
现有神经网络包括输入层、输出层和隐藏层，隐藏层包括至少一个隐藏层节点数，当隐藏层节点数确定时神经网络可以通过输入以及输出数据自学习总结规律，建立一个合适的模型，其建立模型的过程是现有的技术，不过多赘述。
充电工况采集的其中一个单体电池电流图表如下图所示：
Figure BDA0003047277620000091
充电工况采集的其中一个单体电池电压图表如下图所示：
Figure BDA0003047277620000101
由上可知，车辆在充电工况中有一段时间电流变化大，现有技术中当电流变化越大测得的内阻越准确。
大数据平台3获取的多辆车的数据指的是大数据平台3获取与其连接的所有车辆的数据，可以是一辆也可以是多辆，也可以是全部，大数据平台3对于其连接的车辆进行实时监控，并得出所有车辆的动力电池剩余驾驶里程预测值，可以实时输出，也可以在车辆有需求时才输出。
如图2所示，一种新能源车辆动力电池内阻预测系统包括采集模块1、控制单元2以及大数据平台3，采集模块1与控制单元2连接，控制单元2与大数据平台3无线连接。
采集模块1采集车辆的充电工况数据后输出至控制单元2，控制单元2接收充电工况数据后输出至大数据平台3，大数据平台3接收车辆的充电工况数据后根据预设的车辆数据特征过滤条件筛选充电工况数据分别得到神经网络训练所需的训练输入数据集以及训练目标数据集，大数据平台3将训练输入数据集以及训练目标数据集进行神经网络训练建立新能源车辆动力电池内阻预测模型，大数据平台3获取对动力电池预测内阻有需求的车辆的充电工况数据代入新能源车辆动力电池内阻预测模型，计算出所需车辆动力电池的预测内阻。
采集模块1包括用于采集电流的电流表以及用于采集电压的电压表。
大数据平台3就是后台服务器，能够与车辆的控制单元2即车载电脑连接获取充电工况数据，车载电脑可以是T-box。
本系统通过大数据平台3预设的新能源车辆动力电池内阻预测方法来改进新能源车辆动力电池内阻预测系统，目前大数据平台3收集车辆的充电工况数据庞大且获取的数据完整性无法保证，本系统通过增加预设的过滤条件的大数据平台3，预设的过滤条件筛选充电工况数据，减少大数据平台3的数据处理量，且筛选掉不符合的数据提高了建立新能源车辆动力电池内阻预测模型的准确性，大大提高了新能源车辆动力电池内阻预测的准确性，大数据平台3实时获取车辆的充电工况数据，因此建立的新能源动力电池内阻预测模型计算出的车辆动力电池当前预测内阻误差较小，不会影响驾驶员对车辆动力性的判断，驾驶员能及时检修,新能源动力电池内阻预测模型考虑相对全面，通用性强，可以适用于目前大部分车辆。
本文中所描述的具体实施例仅仅是对本发明作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种新能源车辆动力电池内阻预测方法，其特征在于，所述方法包括以下步骤：
通过大数据平台(3)采集多辆车的放电工况数据；
根据预设的条件筛选充电工况数据分别得到神经网络训练所需的训练目标数据集以及与车辆动力电池内阻相关性高的训练输入数据集以及，将训练输入数据集以及训练目标数据集进行神经网络训练建立新能源车辆动力电池内阻预测模型；
获取对动力电池预测内阻有需求的车辆的充电工况数据代入新能源车辆动力电池内阻预测模型，计算出所需车辆动力电池的预测内阻。
2.根据权利要求1所述的新能源车辆动力电池内阻预测方法，其特征在于，上述得到神经网络训练所需的训练输入数据集步骤包括：
从多辆车的充电工况数据中提取所有车辆数据特征；
根据相关性分析得到与车辆动力电池内阻相关性高的所需车辆数据特征；
根据预设的过滤条件对所需车辆数据特征进行过滤得到训练输入数据集。
3.根据权利要求2所述的新能源车辆动力电池内阻预测方法，其特征在于，所述相关性分析包括选择与新能源车辆动力电池内阻之间皮尔逊相关系数大于预设系数值的车辆数据特征。
4.根据权利要求2或3所述的新能源车辆动力电池内阻预测方法，其特征在于，上述得到神经网络训练所述的训练目标数据集步骤包括根据多辆车的充电工况数据计算车辆动力电池内阻，根据预设的过滤条件过滤计算后的车辆动力电池内阻得到训练目标数据集。
5.根据权利要求4所述的新能源车辆动力电池内阻预测方法，其特征在于，所述过滤条件包括电池起始时刻的充电电流大于预设安培。
6.根据权利要求4所述的新能源车辆动力电池内阻预测方法，其特征在于，上述计算车辆动力电池内阻的公式包括车辆单体动力电池的内阻＝(单体动力电池的内阻计算时刻的电压-单体动力电池的起始时刻的电压)/单体动力电池的内阻计算时刻的充电电流,车辆动力电池的内阻＝车辆单体动力电池的内阻的最大值。
7.根据权利要求6所述的新能源车辆动力电池内阻预测方法，其特征在于，所述内阻计算时刻包括充电工况起始时刻经过预设时间后的时刻。
8.根据权利要求7所述的新能源车辆动力电池内阻预测方法，其特征在于，上述进行神经网络训练建立新能源车辆动力电池内阻预测模型步骤包括选取神经网络的一个参数，将训练输入数据集通过神经网络进行训练后的输出数据集与训练目标数据集逐一对比，当输出数据集与训练目标数据集误差值小于或等于预设误差值时建立新能源车辆动力电池内阻预测模型，当输出数据集与训练目标数据集大于预设误差值时调节神经网络中的参数直到输出数据集与训练目标数据集的误差值小于或等于预设误差值。
9.根据权利要求8所述的新能源车辆动力电池内阻预测方法，其特征在于，所述新能源车辆动力电池内阻预测模型为
Figure FDA0003047277610000021
其中y为输出数据集，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，xi为训练输入数据集，
Figure FDA0003047277610000022
为隐藏层权重参数，
Figure FDA0003047277610000023
为隐藏层偏置，
Figure FDA0003047277610000024
为输出层权重参数，b0为输出层偏置，fH为激活函数。
10.一种新能源车辆动力电池内阻预测系统，包括大数据平台(3)，其特征在于，新能源车辆动力电池内阻预测系统还包括用于采集车辆的充电工况数据的采集模块(1)、用于接收充电工况数据后输出的控制单元(2)，所述采集模块(1)与控制单元(2)连接，所述控制单元(2)与大数据平台(3)无线连接，大数据平台(3)用于在接收控制单元输出的车辆的充电工况数据后根据预设的车辆数据特征过滤条件筛选充电工况数据分别得到神经网络训练所需的训练输入数据集以及训练目标数据集后对训练输入数据集以及训练目标数据集进行神经网络训练建立新能源车辆动力电池内阻预测模型，大数据平台(3)还用于获取对动力电池预测内阻有需求的车辆的充电工况数据代入新能源车辆动力电池内阻预测模型，计算出所需车辆动力电池的预测内阻。
CN202110476572.7A 2021-04-29 2021-04-29 一种新能源车辆动力电池内阻预测方法及系统 Pending CN113191081A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110476572.7A CN113191081A (zh) 2021-04-29 2021-04-29 一种新能源车辆动力电池内阻预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110476572.7A CN113191081A (zh) 2021-04-29 2021-04-29 一种新能源车辆动力电池内阻预测方法及系统

Publications (1)

Publication Number Publication Date
CN113191081A true CN113191081A (zh) 2021-07-30

Family

ID=76980728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110476572.7A Pending CN113191081A (zh) 2021-04-29 2021-04-29 一种新能源车辆动力电池内阻预测方法及系统

Country Status (1)

Country Link
CN (1) CN113191081A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107037375A (zh) * 2017-05-23 2017-08-11 北京新能源汽车股份有限公司 电池直流内阻测量方法及装置
CN107122594A (zh) * 2017-04-10 2017-09-01 湖南中车时代电动汽车股份有限公司 一种新能源车辆电池的健康预测方法和系统
WO2019017991A1 (en) * 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS
CN110988723A (zh) * 2019-12-17 2020-04-10 国网上海市电力公司 一种基于lstm的电池内阻预测及故障预警方法
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电系统短期出力的预测方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122594A (zh) * 2017-04-10 2017-09-01 湖南中车时代电动汽车股份有限公司 一种新能源车辆电池的健康预测方法和系统
CN107037375A (zh) * 2017-05-23 2017-08-11 北京新能源汽车股份有限公司 电池直流内阻测量方法及装置
WO2019017991A1 (en) * 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电系统短期出力的预测方法
CN110988723A (zh) * 2019-12-17 2020-04-10 国网上海市电力公司 一种基于lstm的电池内阻预测及故障预警方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖云魁: "《车辆信息技术》", 31 August 2010 *

Similar Documents

Publication Publication Date Title
CN111707951B (zh) 一种电池组一致性评估方法及系统
CN110045298B (zh) 一种动力电池组参数不一致性的诊断方法
WO2021185308A1 (zh) 一种电动汽车动力电池组健康状态在线确定方法和系统
CN113158345A (zh) 一种新能源车辆动力电池容量预测方法及系统
CN113173104B (zh) 一种新能源车辆动力电池预警方法及系统
CN111352032A (zh) 一种锂电池动态峰值功率预测方法
CN113159435B (zh) 一种新能源车辆剩余驾驶里程预测方法及系统
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN110673039B (zh) 一种基于大数据的磷酸铁锂电池soc充电在线校正方法
CN110133507B (zh) 一种基于narx-ukf算法的电池剩余电量估计方法
CN112415414A (zh) 一种锂离子电池剩余使用寿命预测方法
CN111965559A (zh) 一种锂离子电池soh在线估计方法
CN113191547B (zh) 一种新能源车辆动力电池充电优化方法及系统
CN106208043B (zh) 一种中低压配电网关键耗能环节辨识方法
CN108872861A (zh) 一种在线评估电池健康状态的方法
CN112858929A (zh) 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法
WO2021052540A1 (de) Zustandswert für wiederaufladbare batterien
CN115616428A (zh) 一种“充—检”一体电动汽车电池状态检测与评价方法
CN115219913A (zh) 一种基于容量增量法的动力电池全生命周期管理系统
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN113759258B (zh) 一种动力电池soc估计方法、装置及纯电动汽车
CN113335131A (zh) 一种车辆续航里程预测方法、装置、设备和存储介质
CN113212244B (zh) 一种新能源车辆动力电池寿命预测方法及系统
CN113191081A (zh) 一种新能源车辆动力电池内阻预测方法及系统
CN117400771A (zh) 一种基于电动汽车的充电桩充电控制方法

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: 20210730

RJ01 Rejection of invention patent application after publication