CN113212244A - 一种新能源车辆动力电池寿命预测方法及系统 - Google Patents

一种新能源车辆动力电池寿命预测方法及系统 Download PDF

Info

Publication number
CN113212244A
CN113212244A CN202110474679.8A CN202110474679A CN113212244A CN 113212244 A CN113212244 A CN 113212244A CN 202110474679 A CN202110474679 A CN 202110474679A CN 113212244 A CN113212244 A CN 113212244A
Authority
CN
China
Prior art keywords
power battery
data
life prediction
vehicle
service life
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
Application number
CN202110474679.8A
Other languages
English (en)
Other versions
CN113212244B (zh
Inventor
段鹏
陈玉星
霍艳红
张俊杰
潘福中
刘刚
翟一明
王芳芳
邵晶晶
岳翔
陶雷
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
Geely Automobile Research Institute Ningbo Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo 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, Geely Automobile Research Institute Ningbo Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202110474679.8A priority Critical patent/CN113212244B/zh
Publication of CN113212244A publication Critical patent/CN113212244A/zh
Application granted granted Critical
Publication of CN113212244B publication Critical patent/CN113212244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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]
    • G01R31/392—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]
    • G01R31/396—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
    • 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
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Sustainable Energy (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Development (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种新能源车辆动力电池寿命预测方法及系统，涉及车辆动力电池寿命预测领域，本发明解决的技术问题是如何提高新能源车辆动力电池寿命预测的准确性，本方法步骤包括获取与大数据平台连接的车辆的动力电池寿命预测相关数据并筛选后得到动力电池剩余充放电循环数相关的数据,将筛选后的数据进行神经网络训练建立车辆动力电池寿命预测模型，建立模型后获取与大数据平台连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果，本方法是基于大数据的神经网络训练建立车辆动力电池寿命预测模型可以准确得出的结果，驾驶员能根据提高动力电池寿命以及对动力电池进行更换或检修。

Description

一种新能源车辆动力电池寿命预测方法及系统
技术领域
本发明涉及车辆动力电池寿命预测领域，尤其涉及一种新能源车辆动力电池寿命预测方法及系统。
背景技术
目前，越来越多的人购买新能源车辆，新能源车辆以动力电池为唯一动力源，当车辆动力电池寿命不足时会影响车辆正常行驶，但目前并不关注预测电池的使用寿命。
为了让驾驶员及时了解车辆的寿命，中国专利申请号(CN201911350993.4)公开了一种基于车联网大数据技术的汽车蓄电池智能监控方法,包括以下步骤：1、获取数据流；通过车联网数据采集技术，从汽车采集汽车蓄电池电压、汽车蓄电池电流、汽车蓄电池荷电状态的数据项到车辆网大数据平台；2、汽车蓄电池健康状态监控；将所述步骤1采集到的数据代入到汽车蓄电池寿命计算模型，进行汽车蓄电池寿命计算；3、智能提醒，将所述步骤2中得到的汽车蓄电池健康状态的数据和信息发送给用户。
上述方法虽然在一定程度上可以预测动力电池剩余使用寿命，但是上述方法中只是采集相关数据并没有对采集的数据进行训练这就导致数据代入计算的准确性比较低，而且其直接采用现有的公式进行计算，并没有考虑到不同电池不同车辆的特性，从而就会使得寿命的预测准确性很低，因此驾驶员难以获取准确的信息，从而也无法使车辆得到及时的检修。
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寿命预测方法及系统，其解决的技术问题是如何提高新能源车辆动力电池寿命预测的准确性。
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寿命预测方法，所述方法包括以下步骤：
获取与大数据平台连接的车辆的动力电池寿命预测相关数据；
对上述动力电池寿命预测相关数据进行筛选得到动力电池剩余充放电循环数相关的数据,将筛选后的数据进行神经网络训练建立车辆动力电池寿命预测模型；
建立模型后获取与大数据平台连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果。
大数据平台获取于其连接的车辆的动力电池寿命预测相关数据，对动力电池寿命预测相关数据进行筛选得到动力电池剩余充放电循环数相关的数据,将筛选后的数据进行神经网络训练建立车辆动力电池寿命预测模型，建立模型后获取与大数据平台连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果。本方法通过筛选动力电池寿命预测相关数据以及建立车辆动力电池寿命预测模型来改进新能源车辆动力电池寿命预测方法，本方法筛选掉动力电池寿命预测相关数据不符合的部分来减少大数据平台的数据处理量，且筛选掉不符合的数据对建立车辆动力电池寿命预测模型的准确性有了显著的提高，本方法还基于大数据采用神经网络建立车辆动力电池寿命预测模型，神经网络训练得到的动力电池寿命预测结果更加准确，车辆动力电池寿命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，动力电池剩余充放电循环数与车辆动力电池的寿命息息相关，以这个因素建立的车辆动力电池寿命预测模型可以提高寿命预测方法的准确性，本发明对获取到的车辆数据实时分析，驾驶员能及时根据动力电池预测寿命决定是否检修。
在上述新能源车辆动力电池寿命预测方法中，上述过滤步骤包括对上述动力电池寿命预测相关数据进行清洗，去除异常数据和空数据，对清洗后的数据进行相关性分析得到包括动力电池剩余充放电循环数相关的数据，对动力电池寿命预测相关数据进行清洗可以减少大数据平台的计算量且提高车辆动力电池寿命预测模型的准确性，相关性分析也可以去除不需要的计算减少大数据平台的计算量，从而提高新能源车辆寿命预测的准确性。
在上述新能源车辆动力电池寿命预测方法中，所述相关性分析包括选取皮尔逊相关系数大于预设系数值的车辆动力电池寿命预测数,据皮尔逊相关系数是用于相关性分析的常用方法，提高车辆动力电池寿命预测模型的准确性，从而提高新能源车辆寿命预测的准确性。
在上述新能源车辆动力电池寿命预测方法中，上述建立车辆动力电池寿命预测模型包括建立动力电池剩余充放电循环数预测模型，建立车辆动力寿命预测模型可以使驾驶员了解动力电池剩余充放电循环数，从而提高新能源车辆寿命预测的准确性。
在上述新能源车辆动力电池寿命预测方法中，上述建立动力电池剩余充放电循环数预测模型步骤包括将动力电池剩余充放电循环数相关数据通过预设算法输出的剩余充放电循环数与参考剩余充放电循环数对比，当剩余充放电循环数与参考剩余充放电循环数差值不大于误差值时建立动力电池剩余充放电循环数预测模型，当剩余充放电循环数与参考剩余充放电循环数差值大于误差值时调整权重与偏置直到剩余充放电循环数与参考剩余充放电循环数差值不大于误差值，动力电池剩余充放电循环数预测模型为
Figure BDA0003046587030000031
其中y1为剩余充放电循环数预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，ti为动力电池剩余充放电循环数输入参数，
Figure BDA0003046587030000032
为隐藏层权重参数，
Figure BDA0003046587030000033
为隐藏层偏置，
Figure BDA0003046587030000034
为输出层权重参数，b0为输出层偏置，fH为激活函数，建立动力电池剩余充放电循环数预测模型提高车辆动力电池剩余充放电循环数估计的准确性，从而提高新能源车辆寿命预测的准确性。
在上述新能源车辆动力电池寿命预测方法中，上述输出动力电池寿命预测结果步骤包括当得出y1时，将y1作为动力电池寿命预测结果输出，模型预测得到的剩余充放电循环数更准确，从而提高了动力电池寿命预测方法的准确性。
在上述新能源车辆动力电池寿命预测方法中，所述动力电池剩余充放电循环数相关数据包括动力电池温度以及动力电池电流数据，选取与动力电池寿命预测相关数据相关性高的数据能准确的得到电池寿命与该数据的线性关系，从而使建立的模型更加准确。
在上述新能源车辆动力电池寿命预测方法中，新能源车辆动力电池寿命预测方法还包括当动力电池寿命预测相关数据更新时，对车辆动力电池寿命预测模型进行更新，得到新的车辆动力电池寿命预测模型，更新车辆动力电池寿命预测模型减少了动力电池寿命预测与参考动力电池寿命的误差，从而提高了新能源车辆动力电池寿命预测的准确性。
本发明还包括以下方案：一种新能源车辆动力电池寿命预测系统，包括与车辆连接并且能获得车辆上的数据的大数据平台，新能源车辆动力电池寿命预测系统还包括用于采集动力电池寿命预测相关数据的采集模块以及设置在车辆上用于接收采集模块输出数据的控制单元，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，大数据平台用于接收与其连接的车辆的控制单元输出的车辆的动力电池寿命预测相关数据，并对接收到的数据进行筛选得到包括动力电池剩余充放电循环数相关的数据，对筛选后的数据进行神经网络训练建立车辆动力电池寿命预测模型，大数据平台还用于在建立模型后获取与其连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果。
采集模块采集动力电池寿命预测相关数据输出至控制单元，控制单元接收采集模块输出数据后输出至大数据平台，大数据平台接收与其连接的车辆的控制单元输出的动力电池寿命预测相关数据，并进行筛选得到包括动力电池剩余充放电循环数的数据，对筛选后的数据进行神经网络训练建立车辆动力电池寿命预测模型，建立模型后大数据平台获取与其连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果。本系统通过大数据平台预设新能源车辆动力电池寿命预测方法来改进新能源车辆动力电池寿命预测系统，筛选动力电池寿命预测相关数据以及建立车辆动力电池寿命预测模型来改进新能源车辆动力电池寿命预测系统，本系统筛选掉动力电池寿命预测相关数据不符合的部分来减少大数据平台的数据处理量，且筛选掉不符合的数据对建立车辆动力电池寿命预测模型的准确性有了显著的提高，本系统还建立车辆动力电池寿命预测模型，车辆动力电池寿命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，动力电池剩余充放电循环数是影响动力电池预测方法的主要因素，因此，建立的车辆动力电池寿命预测模型可以提高寿命预测方法的准确性，本发明对获取到的车辆数据实时分析，驾驶员能及时根据动力电池寿命决定是否检修。
与现有技术相比，本新能源车辆动力电池寿命预测方法及系统，具有以下优点：
1、本方法是基于大数据的神经网络训练建立车辆动力电池寿命预测模型，可以准确得出的结果，驾驶员能根据提高动力电池寿命以及对动力电池进行更换或检修，对多种车辆不同的动力电池均适用。
2、本方法筛选掉不符合的动力电池寿命预测相关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寿命预测模型的准确性。
附图说明
图1是本发明方法步骤示意图。
图2是本发明系统结构示意图。
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寿命预测方法包括以下步骤：获取与大数据平台3连接的车辆的动力电池寿命预测相关数据，动力电池寿命预测相关数据包括车辆识别号码、数据采集时间、动力电池电流、动力电池电压、动力电池单体最小电压、动力电池单体最低温度、动力电池绝缘电阻、动力电池温度以及速度，对动力电池寿命预测相关数据进行清洗，去除异常数据和空数据，异常数据为动力电池寿命预测相关数据中存在与其他数据偏差过大且不符合统计规律的数据，空数据为动力电池寿命预测相关数据中没有输入值的数据，没有输入值的数据包括没有内容、内容无法确定以及内容为0的数据，对清洗后的动力电池寿命预测相关数据进行相关性分析，选取皮尔逊相关系数大于预设值的动力电池寿命预测相关数据，皮尔逊相关系数可以是0.1-0.3之间的任意一个数，在本实施例中选取皮尔逊相关系数大于0.28的动力电池寿命预测相关数据，得到包括动力电池剩余充放电循环数相关的数据。
将过滤后的数据进行神经网络训练建立车辆动力电池寿命预测模型，建立车辆动力电池寿命预测模型，在本实施例中是建立动力电池剩余充放电循环数预测模型。
建立动力电池剩余充放电循环数预测模型步骤包括将动力电池剩余充放电循环数相关数据通过预设算法输出的剩余充放电循环数与参考剩余充放电循环数对比，当剩余充放电循环数与参考剩余充放电循环数差值不大于误差值时建立动力电池剩余充放电循环数预测模型，当剩余充放电循环数与参考剩余充放电循环数差值大于误差值时调整权重与偏置直到剩余充放电循环数与参考剩余充放电循环数差值不大于误差值。
动力电池剩余充放电循环数预测模型
Figure BDA0003046587030000061
其中剩余充放电循环数预测值y1，j＝1…m，隐藏层节点数m，i＝1…n，输入数据特征数n，动力电池剩余充放电循环数ti，隐藏层权重参数
Figure BDA0003046587030000062
隐藏层偏置
Figure BDA0003046587030000063
输出层权重参数
Figure BDA0003046587030000064
输出层偏置b0，激活函数fH。
选择设置隐藏层节点数，如在本实施例中选择设置隐藏节点数20，大数据平台3将筛选后的动力电池剩余充放电循环数相关数据，动力电池剩余充放电循环数相关数据包括动力电池温度以及动力电池电流数据，将动力电池温度或动力电池电流数据根据预设算法得出剩余充放电循环数以及模型各参数，大数据平台3将剩余充放电循环数与参考剩余充放电循环数对比，当剩余充放电循环数与参考剩余充放电循环数差值大于预设差值时说明模型参数设置不合理，调整隐藏层权重参数、隐藏层偏置、输出层权重参数以及输出层偏置后重复上述过程，当剩余充放电循环数与参考剩余充放电循环数差值不大于预设差值时将此时的选取的模型各参数作为动力电池剩余充放电循环数预测模型的相应的参数建立动力电池剩余充放电循环数预测模型，预设差值可以是3％-8％之间的任意一个数，在本实施例中选择4％作为剩余充放电循环数与参考剩余充放电循环数差值的预设差值，参考剩余充放电循环数为大数据平台3获取到的动力电池寿命预测相关历史数据中在与当前车辆动力电池温度以及动力电池电流数据相同的状态下对应的剩余充放电循环数，也就是通过当前车辆动力电池温度以及动力电池电流数据查找历史数据得到对应的历史实际剩余充放电循环数，例如当前动力电池温度为40℃、动力电池电流数据为3A，通过上述数据查看大数据平台3历史数据下在动力电池温度为40℃、动力电池电流数据为3A的剩余充放电循环数，该剩余充放电循环数即为参考剩余充放电循环数，选取参考剩余充放电循环数是为了防止代入模型输出的值与车辆动力电池当前的剩余充放电循环数有较大偏差，导致建立的模型不够准确。
本发明的预设算法包括贝叶斯正则化算法,属于现有技术，在本实施例中，贝叶斯正则化算法的作用是在选取隐藏层节点数后根据输入的车辆寿命预测相关数据得出剩余充放电循环数以及模型各参数，这是神经网络建立模型采用的其中一种方法，也可以采用其他具有相同或相似功能的方法。
建立模型后获取与大数据平台3连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果，输出寿命预测结果步骤包括当得出y1时，将y1作为动力电池寿命预测值输出。
大数据平台3实时采集与其连接的车辆的动力电池寿命预测数据，大数据平台3采集一个或多个动力电池寿命预测相关数据后筛选出包括动力电池剩余充放电循环数相关的数据，大数据平台3将动力电池剩余充放电循环数相关数据作为动力电池剩余充放电循环数预测模型的输入参数ti，代入到动力电池剩余充放电循环数预测模型，得出剩余充放电循环数预测值y1，大数据平台3将y1作为动力电池的预测寿命结果输出，剩余充放电循环数只是动力电池寿命的一个表征形式，输出y1表示动力电池还剩多少充放电循环数动力电池寿命结束。
大数据平台3能够对与其连接的车辆进行动力电池寿命预测，能够对其中任意一辆车进行寿命预测也可对所有车辆进行寿命预测。
当动力电池寿命预测相关数据更新时，大数据平台3对车辆动力电池寿命预测模型进行更新，得到新的车辆动力电池寿命预测模型。
本方法通过筛选动力电池寿命预测相关数据以及建立车辆动力电池寿命预测模型来改进新能源车辆动力电池寿命预测方法，本方法筛选掉动力电池寿命预测相关数据不符合的部分来减少大数据平台3的数据处理量，且筛选掉不符合的数据对建立车辆动力电池寿命预测模型的准确性有了显著的提高，本方法还基于大数据采用神经网络建立车辆动力电池寿命预测模型，神经网络训练得到的动力电池寿命预测结果更加准确，车辆动力电池寿命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，动力电池剩余充放电循环数与车辆动力电池的寿命息息相关，以这个因素建立的车辆动力电池寿命预测模型可以提高寿命预测方法的准确性，本发明对获取到的车辆数据实时分析，驾驶员能及时根据动力电池预测寿命决定是否检修。
现有神经网络包括输入层、隐藏层以及输出层，输入层输入的数据经过隐藏层以及输出层的计算在输出层输出，神经网络训练就是一个建立模型的过程，也是现有的用于找到神经网络隐藏层以及输出层参数的方法，现有神经网络训练常用的方式是正向计算得到误差函数，反向求导梯度下降。
如图2所述，一种新能源车辆动力电池寿命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采集动力电池寿命预测相关数据输出至控制单元2，控制单元2接收采集模块输出数据后输出至大数据平台3，大数据平台3接收与其连接的车辆的控制单元2输出的动力电池寿命预测相关数据，并进行筛选得到包括动力电池剩余充放电循环数的数据，对筛选后的数据进行神经网络训练建立车辆动力电池寿命预测模型，建立模型后大数据平台3获取于其连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果。
本系统通过大数据平台3预设新能源车辆动力电池寿命预测方法来改进新能源车辆动力电池寿命预测系统，筛选动力电池寿命预测相关数据以及建立车辆动力电池寿命预测模型来改进新能源车辆动力电池寿命预测系统，本系统筛选掉动力电池寿命预测相关数据不符合的部分来减少大数据平台3的数据处理量，且筛选掉不符合的数据对建立车辆动力电池寿命预测模型的准确性有了显著的提高，本系统还建立车辆动力电池寿命预测模型，车辆动力电池寿命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，动力电池剩余充放电循环数是影响动力电池预测方法的主要因素，因此，建立的车辆动力电池寿命预测模型可以提高寿命预测方法的准确性，本发明对获取到的车辆数据实时分析，驾驶员能及时根据动力电池寿命决定是否检修。
采集模块1包括用于采集剩余充放电循环数的计数器。
大数据平台3就是后台服务器，能够与车辆的控制单元2连接获取动力电池寿命预测相关数据，控制单元2可以是T-box。
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 (9)

1.一种新能源车辆动力电池寿命预测方法，其特征在于，所述方法包括以下步骤：
获取与大数据平台(3)连接的车辆的动力电池寿命预测相关数据；
对上述动力电池寿命预测相关数据进行筛选得到动力电池剩余充放电循环数相关的数据,将筛选后的数据进行神经网络训练建立车辆动力电池寿命预测模型；
建立模型后获取与大数据平台(3)连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果。
2.根据权利要求1所述的新能源车辆动力电池寿命预测方法，其特征在于，上述过滤步骤包括对上述动力电池寿命预测相关数据进行清洗，去除异常数据和空数据，对清洗后的数据进行相关性分析得到包括动力电池剩余充放电循环数相关的数据。
3.根据权利要求2所述的新能源车辆动力电池寿命预测方法，其特征在于，所述相关性分析包括选取皮尔逊相关系数大于预设系数值的动力电池寿命预测相关数据。
4.根据权利要求3所述的新能源车辆动力电池寿命预测方法，其特征在于，上述建立车辆动力电池寿命预测模型包括建立动力电池剩余充放电循环数预测模型。
5.根据权利要求4所述的新能源车辆动力电池寿命预测方法，其特征在于，上述建立动力电池剩余充放电循环数预测模型步骤包括将动力电池剩余充放电循环数相关数据通过预设算法输出的剩余充放电循环数与参考剩余充放电循环数对比，当剩余充放电循环数与参考剩余充放电循环数的差值不大于误差值时建立动力电池剩余充放电循环数预测模型，当剩余充放电循环数与剩余充放电循环数的差值大于误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到剩余充放电循环数与参考剩余充放电循环数的差值不大于误差值，动力电池剩余充放电循环数预测模型为
Figure FDA0003046587020000011
其中y1为剩余充放电循环数预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，ti为动力电池剩余充放电循环数输入参数，
Figure FDA0003046587020000021
为隐藏层权重参数，
Figure FDA0003046587020000022
为隐藏层偏置，
Figure FDA0003046587020000023
为输出层权重参数，b0为输出层偏置，fH为激活函数。
6.根据权利要求5所述的新能源车辆动力电池寿命预测方法，其特征在于，上述输出动力电池寿命预测结果步骤包括当得出y1时，将y1作为动力电池寿命预测结果输出。
7.根据权利要求6所述的新能源车辆动力电池寿命预测方法，其特征在于，所述动力电池剩余充放电循环数相关数据包括动力电池温度以及动力电池电流数据。
8.根据权利要求1至7任意一项权利要求所述的新能源车辆动力电池寿命预测方法，其特征在于，新能源车辆动力电池寿命预测方法还包括当动力电池寿命预测相关数据更新时，对车辆动力电池寿命预测模型进行更新，得到新的车辆动力电池寿命预测模型。
9.一种新能源车辆动力电池寿命预测系统，包括与车辆连接并且能获得车辆上的数据的大数据平台(3)，其特征在于，新能源车辆动力电池寿命预测系统还包括用于采集动力电池寿命预测相关数据的采集模块(1)以及设置在车辆上用于接收采集模块(1)输出数据的控制单元(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)用于接收与其连接的车辆的控制单元(2)输出的车辆的动力电池寿命预测相关数据，并对接收到的数据进行筛选得到包括动力电池剩余充放电循环数相关的数据，对筛选后的数据进行神经网络训练建立车辆动力电池寿命预测模型，大数据平台(3)还用于在建立模型后获取与其连接的车辆的当前动力电池寿命预测相关数据，代入车辆动力电池寿命预测模型后输出动力电池寿命预测结果。
CN202110474679.8A 2021-04-29 2021-04-29 一种新能源车辆动力电池寿命预测方法及系统 Active CN113212244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110474679.8A CN113212244B (zh) 2021-04-29 2021-04-29 一种新能源车辆动力电池寿命预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110474679.8A CN113212244B (zh) 2021-04-29 2021-04-29 一种新能源车辆动力电池寿命预测方法及系统

Publications (2)

Publication Number Publication Date
CN113212244A true CN113212244A (zh) 2021-08-06
CN113212244B CN113212244B (zh) 2022-08-16

Family

ID=77090145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110474679.8A Active CN113212244B (zh) 2021-04-29 2021-04-29 一种新能源车辆动力电池寿命预测方法及系统

Country Status (1)

Country Link
CN (1) CN113212244B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114325415A (zh) * 2021-12-31 2022-04-12 杭叉集团股份有限公司 一种锂电池电量的验证方法、装置及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200109678A1 (en) * 2018-10-09 2020-04-09 Toyota Jidosha Kabushiki Kaisha Control device of vehicle drive device, vehicle-mounted electronic control unit, trained model, machine learning system, method of controlling vehicle drive device, method of producing electronic control unit, and output parameter calculation device
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
CN111572350A (zh) * 2020-05-29 2020-08-25 北京经纬恒润科技有限公司 电动汽车起火预警方法及装置
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
CN112036084A (zh) * 2020-08-28 2020-12-04 北京航空航天大学 一种相似产品寿命迁移筛选方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200109678A1 (en) * 2018-10-09 2020-04-09 Toyota Jidosha Kabushiki Kaisha Control device of vehicle drive device, vehicle-mounted electronic control unit, trained model, machine learning system, method of controlling vehicle drive device, method of producing electronic control unit, and output parameter calculation device
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
CN111572350A (zh) * 2020-05-29 2020-08-25 北京经纬恒润科技有限公司 电动汽车起火预警方法及装置
CN112036084A (zh) * 2020-08-28 2020-12-04 北京航空航天大学 一种相似产品寿命迁移筛选方法和系统
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114325415A (zh) * 2021-12-31 2022-04-12 杭叉集团股份有限公司 一种锂电池电量的验证方法、装置及介质
CN114325415B (zh) * 2021-12-31 2023-11-21 杭叉集团股份有限公司 一种锂电池电量的验证方法、装置及介质

Also Published As

Publication number Publication date
CN113212244B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN112858919B (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
CN108320043B (zh) 一种基于电力大数据的配电网设备状态诊断预测方法
CN108304941A (zh) 一种基于机器学习的故障预测方法
CN108556682B (zh) 一种续驶里程预测方法、装置及设备
CN112415414A (zh) 一种锂离子电池剩余使用寿命预测方法
CN113173104B (zh) 一种新能源车辆动力电池预警方法及系统
CN113191547B (zh) 一种新能源车辆动力电池充电优化方法及系统
CN118312746B (zh) 一种基于数字孪生的设备状态评价方法及系统
CN116643178B (zh) 一种电池管理系统的soc估算方法及相关装置
CN113212244B (zh) 一种新能源车辆动力电池寿命预测方法及系统
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN114924203A (zh) 一种电池soh预测分析方法及电动汽车
CN114690040A (zh) 一种电动汽车动力电池最优充电起始soc预测的方法
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN110633314A (zh) 车联网数据处理方法及装置
CN116910655A (zh) 一种基于装置量测数据的智能电能表故障预测方法
CN111988192A (zh) 一种基于机器学习的列车通信网络故障诊断方法
CN111443686B (zh) 基于多目标优化与证据迭代更新的工业报警器设计方法
CN114545276A (zh) 基于容量测试与车联网大数据的动力电池寿命预测方法
CN112988529A (zh) 一种基于机器学习进行数据库系统性能预测的方法及系统
CN114548845B (zh) 一种配网管理方法、装置及系统
CN117578481B (zh) 一种电压暂降预估模型建立方法、介质及系统
CN114139822B (zh) 一种基于lstm-elm的非侵入式电能负荷预测方法
CN113191081A (zh) 一种新能源车辆动力电池内阻预测方法及系统
CN117216673B (zh) 一种电流互感器监测评价检修平台

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