CN113376526A - 汽车电池容量预测方法、寿命预测方法、装置及存储介质 - Google Patents
汽车电池容量预测方法、寿命预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113376526A CN113376526A CN202110473939.XA CN202110473939A CN113376526A CN 113376526 A CN113376526 A CN 113376526A CN 202110473939 A CN202110473939 A CN 202110473939A CN 113376526 A CN113376526 A CN 113376526A
- Authority
- CN
- China
- Prior art keywords
- battery capacity
- vehicle
- value
- battery
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 15
- 238000002474 experimental method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000005562 fading Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
- G01R31/3832—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration without measurement of battery voltage
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种汽车电池容量预测方法、寿命预测方法、装置及存储介质，其中方法包括：获取待测车辆发送至远程监控平台的历史运行数据；基于历史运行数据对待测车辆进行用途分类；基于安时积分法获取待测车辆电池容量理论值；将待测车辆电池容量理论值输入与其用途分类对应的预先训练好的电池容量估测模型中，得到电池容量预测值。本方案可以在少量的电动汽车电池实验数据的情况下，基于新能源远程监控数据，对市场电动汽车按照用途分别进行电池容量的预测，节约了成本，提升了预测精度。
Description
技术领域
本发明涉及电池容量预测技术领域，尤其涉及一种汽车电池容量预测方法、寿命预测方法、装置及存储介质。
背景技术
动力电池作为电动汽车的动力来源，其容量衰减与车辆使用特性、外部环境等因素息息相关，难以通过简单的数学模型直接计算动力电池的剩余容量。
传统的安时积分法通过计算充电过程中的电池容量变化以及SOC变化量来计算动力电池的剩余容量，但此方法受远程监控平台的数据采样频率、电流采样精度、以及SOC自修正等因素的影响，导致其计算结果与真实值存在较大误差。
机器学习算法能在安时积分法的基础上较好的减小其误差，但使用机器学习算法预测动力电池容量需要大量动力电池实验数据作为学习目标值，但对于市场车辆而言，难以实现在实验室中进行批量的电池剩余容量测试，但获取市场车辆电池实验数据是开展预测的必要参考依据，因此目前缺少基于少量动力电池实验数据的机器学习动力电池容量预测方法。
市场车辆由于使用特性各异导致电动汽车动力电池衰减情况也各不相同，因此车辆动力电池剩余容量分布较为离散，如仅构建单一的动力电池容量预测模型，其预测精度及适用范围难以满足要求。
发明内容
本发明提供了一种汽车电池容量预测方法、寿命预测方法、装置及存储介质，以解决现有的汽车电池容量预测精度低的问题。
第一方面，提供了一种汽车电池容量预测方法，包括：
获取待测车辆发送至远程监控平台的历史运行数据；
基于历史运行数据对待测车辆进行用途分类；
基于安时积分法获取待测车辆电池容量理论值；
将待测车辆电池容量理论值输入与其用途分类对应的预先训练好的电池容量估测模型中，得到电池容量预测值。
进一步地，所述待测车辆发送至远程监控平台的历史运行数据包括若干次采样数据，每次采样数据至少包括车辆标识码、时间戳、车辆状态、电池SOC、电池充/放电流、车辆累计里程、车辆累计电量。采样频率根据实际情况而定，上述数据均为基于时间序列的数据流。
进一步地，所述基于历史运行数据对待测车辆进行用途分类，具体包括：
基于历史运行数据提取出待测车辆特征数据，所述特征数据包括：全年用车次数、全年用车天数、全年行驶里程、每段行程平均值、通勤时间用车占比、夜间用车占比；
基于待测车辆的特征数据计算其与预先设定的车辆用途分类的各聚类中心的隶属度；
根据隶属度划分该待测车辆的用途分类。
具体的，隶属度通过计算欧式距离得到，将待测车辆划分为与聚类中心欧式距离最小的聚类中心所对应的用途分类。
进一步地，所述用途分类包括通勤用车、不常用车、业务用车和运营用车。
进一步地，所述预先设定的车辆用途分类的各聚类中心通过如下方法得到：
采集若干车辆发送至远程监控平台的历史运行数据，并基于此历史运行数据得到各车辆对应的特征数据；
基于各车辆对应的特征数据采用无监督机器学习算法K-means进行聚类，得到k个用途分类，k为预设值；
获取k个用途分类各自的聚类中心。
进一步地，所述电池容量估测模型通过如下方法得到：
获取各用途分类下相同时间段内的电池充放电实验中M辆车的电池容量实验值样本以及投入市场的N辆车的电池容量理论值样本；其中，M、N均为预设值，且M<<N；
根据用途分类分别训练与其对应的电池容量估测模型，每个用途分类对应的电池容量估测模型训练过程包括：
采用SMOTE过采样方式对M个电池容量实验值样本进行拟合以扩展样本，扩展后得到N个电池容量实验值样本；
基于扩展后得到的N个电池容量实验值样本和N辆车的电池容量理论值样本构建训练样本集和测试样本集；
以电池容量实验值样本为因变量，电池容量理论值样本为自变量，基于训练样本集和测试样本集构建得到基于线性回归模型的电池容量估测模型。
通过对电池容量实验值样本进行扩展处理，仅需采集少量的电池容量实验值样本即可训练出高精度的电池容量估测模型，极大节约了模型建立的成本。
进一步地，所述采用SMOTE过采样方式对M个电池容量实验值样本进行拟合以扩展样本的过程包括：
根据样本不平衡比例设置采样倍率；
获取M个电池容量实验值样本中的一个电池容量实验值样本CTA，采用欧式距离为标准计算该电池容量实验值样本到其他电池容量实验值样本的距离，得到a个近邻的电池容量实验值样本，a为预设值；
随机从a个近邻的电池容量实验值样本中选取一个样本CTB，按照如下公式构建新的样本CTC：
CTC＝CTA+rand(0,1)*|CTB-CTA|
其中，rand(0,1)表示随机选取0到1之间的一个值；
更新电池容量实验值样本数据集；
根据采样倍率依次循环电池容量实验值样本数据集中的样本进行上述样本扩展过程，直至电池容量实验值样本数据集中包括N个电池容量实验值。
进一步地，所述N辆车的电池容量理论值通过如下方法得到：
对每辆车进行如下处理：
对车辆预设时间段内的充电数据进行筛选；
对筛选后的每个充电数据采用安时积分法计算得到对应的电池容量理论值；
对电池容量理论值进行数据清洗，选择出现频率最高的n个电池容量理论值构成一个电池容量理论值样本；其中，n为预设值。
进一步地，所述对车辆预设时间段内的充电数据进行筛选具体为：将该预设时间段内的充电数据中单次电池荷电状态变化超过预设变化值的充电数据筛选出来。
进一步地，所述采用安时积分法计算得到对应的电池容量理论值，具体包括：
以车辆状态为充电状态作为起始点，以车辆状态为停止充电状态作为终止点，计算此区间内电池的输入安时量：
其中△t为采样时间间隔，It为充电时刻的电流值；n＝(T终-T始)/T0，T终为终止点时刻，T始为起始点时刻，T0为采样间隔；
单次电池充电的起始点荷电状态为SOC1，终止点荷电状态为SOC2，得到此次充电的荷电状态变化值：△SOC＝SOC2-SOC1；
计算电池容量理论值：Cl＝C/△SOC。
进一步地，基于训练样本集和测试样本集构建得到基于线性回归模型的电池容量估测模型时，先构建目标函数J(β)＝∑ε2＝∑(y-xβ)2，其中，y表示电池容量实验值，x表示电池容量理论值样本，β＝[β0、β1…βn]为通过最小二乘法获取的回归系数矩阵。由此得到的电池容量估测模型可表示为：y＝β0+β1x1+β2x2+…+βnxn，其中n为一个电池容量理论值样本中电池容量理论值的数量。
第二方面，提供了一种汽车电池寿命(SOH)预测方法，包括：
以月为时间单位，采用如上所述的汽车电池容量预测方法预测待测车辆连续多个月份的电池容量预测值；
采用3σ方式对电池容量预测值进行数据清洗，对于异常值采用上一电池容量预测值进行覆盖处理；
以月份作为横坐标，待测车辆的电池容量预测值为纵坐标，采用最小二乘法进行多项式拟合得到电池容量衰减曲线；
基于电池容量衰减曲线进行电池寿命预测。
其中，电池容量衰减曲线可以表示为：y＝a0+a1x+a2x2+…+amxm，其中，x表示时间，y表示电池容量预测值，m为预设值。将标准电池容量的80％代入到该电池容量衰减曲线中进行求解，即可得到电池容量下降至80％时的时间。
第三方面，提供了一种汽车电池容量预测装置，包括：
数据获取模块，用于获取待测车辆发送至远程监控平台的历史运行数据；
用途分类模块，用于基于历史运行数据对待测车辆进行用途分类；
理论值获取模块，用于基于安时积分法获取待测车辆电池容量理论值；
电池容量预测模块，用于将待测车辆电池容量理论值输入与其用途分类对应的预先训练好的电池容量估测模型中，得到电池容量预测值。
第四方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序适于被处理器加载并执行如上所述的汽车电池容量预测方法或汽车电池寿命预测方法。
有益效果
本发明提出了一种汽车电池容量预测方法、寿命预测方法、装置及存储介质，本方案可以在少量的电动汽车电池实验数据的情况下，基于新能源远程监控数据，对市场电动汽车按照用途分别进行电池容量的预测，节约了成本，提升了预测精度，并以此建立时间与电池容量衰减特性之间的联系，实现电池容量衰减和寿命预测，为车辆动力电池的维保提供较为可靠的参考依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种汽车电池容量预测方法流程图；
图2是本发明实施例提供的车辆用途标签雷达图；
图3是本发明实施例提供的电池容量实验值样本扩展过程示意图；
图4是本发明实施例提供的电池容量预测结果分布图；
图5是本发明实施例提供的一种汽车电池寿命预测方法流程图；
图6是本发明实施例提供的一种电池容量衰减曲线示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
实施例1
如图1所示，本实施例提供了一种汽车电池容量预测方法，包括：
S1：获取待测车辆发送至远程监控平台的历史运行数据；
S2：基于历史运行数据对待测车辆进行用途分类；
S3：基于安时积分法获取待测车辆电池容量理论值；
S4：将待测车辆电池容量理论值输入与其用途分类对应的预先训练好的电池容量估测模型中，得到电池容量预测值。
下面结合一实例对本实施例提供的一种汽车电池容量预测方法做详细说明。
以某品牌车型A为例进行介绍：首先，选择车型A的2000台车作为研究对象，其中有10台于t1时间进行了动力电池充放电实验，并获得了该10台车的动力电池容量实验值，基本假设条件如下表所示：
A1：历史运行数据整理
实施：针对车型A的2000台车VIN[1,2,3,4…2000]获取车型A自出厂时间至今的所有充电报文数据，将其进行解码并获取报文中以下物理量：车辆标识码(VIN)、时间戳、车辆状态、电池SOC、电池充/放电流、车辆累计里程、车辆累计电量。用表格表示如下：
结果：获取车型A累计充电报文数据30万条。
A2：车辆分类
实施：基于报文数据采用无监督机器学习算法K-means算法对车辆按照用途进行分类。包括如下步骤：
步骤A21:基于步骤A1中车辆标识码(VIN)、时间戳、车辆状态、电池SOC、电池充/放电流、车辆累计里程、车辆累计电量等相关物理量来获取以下6个维度的特征数据：全年用车次数、全年用车天数、全年行驶里程、每段行程平均值、通勤时间(7:00～9:00,16:00～20:00)用车占比、夜间(20:00～7：00)用车占比。
步骤A22：将步骤A21中6个维度的特征数据导入无监督机器学习算法K-means中，按照6个维度进行类聚分析。本步骤中K-means算法按照以下特征实施：预先设定聚类的簇数k＝4，分别为通勤用车、不常用车、业务用车、运营用车；随机挑选4个样本作为初始簇中心；单次运行迭代次数300；样本之间距离(隶属度)选择欧式距离进行运算。
结果：基于聚类分析将车型A的2000台分成通勤用车、不常用车、业务用车、运营用车4类，其中通勤车988辆、不常用车100辆、业务用车321辆、运营用车591辆，其分类的雷达图见附图2。
A3：数据扩展
目前车型A中完成电池充放电实验的车辆数仅为10台，其已完成电池实验的车辆电池容量实验值用样本集T＝[CT1、CT2…CT10]表示，需要按照以下步骤进行数据扩展：
A31:根据样本不平衡比例设置采样比例，本步骤中确定采样倍率200，对于动力电池容量实验值的少数类样本T，以样本T中的第一个元素为例：采用欧氏距离为标准计算样本元素CT1到其他样本元素CT2…CT10的距离，得到其a个近邻样本集B＝[CT2、CT3、CT10]，其中满足a<10，本步骤设定a＝3。
A32：随机选出一个近邻元素，假设为CT3，分别与原样本数据CT1按照如下的公式构建新的样本元素CT11＝CT1+rand(0,1)*|CT3-CT1|，更新后的动力电池容量实验值值样本集T＝[CT1、CT2…CT11]。
A33：根据倍率依次循环样本集T中的样本，即可将少样本数据扩展为目标数量的样本数，将循环样本数量与车型A数量保持一致，定义扩展后的样本数量为2000个。
结果：过采样扩展得到电池容量实验值样本集CT＝[CT1、CT2…CT2000]。
A4：建立动力电池容量估测模型
基于步骤A1、A2、A3建立以电池容量实验值为因变量，电池容量理论值为自变量的机器学习模型，实现电池容量的预测，其具体实现方法如下：
步骤A41：对步骤A1中车型A的充电数据进行筛选，选择实验日期月份t1，且△SOC>30％的充电数据采用安时积分法进行计算，安时积分法公式：
根据单次充电的荷电状态得到当前电池容量的理论值Cl＝C/△SOC。将车型A中的VIN1在t1时刻满足条件的充电数据样本定义为Cvin1＝[C1、C2、C3…CN]。
步骤A42：本步骤对动力电池容量理论值进行数据清洗，对样本Cvin1＝[C1、C2、C3…CN]按照正态分布特征进行处理，本步骤定义区间范围为3Ah，随机选择频数最高区间的n个电池容量理论值，本实施例中n取3，假设最终得到车型A中的VIN1在t1时间段内的动力电池容量理论值样本为Cl1＝[Cl1x、Cl1y、Cl1z]。同理对车型A的其余车辆重复此步骤，得到VIN1、VIN2…VIN2000在t1时间的电池理论容量值样本集CL＝[Cl1、Cl2、Cl3…Cl2000]。
步骤A43：基于步骤A3与A42建立以电池容量理论值样本为自变量，电池容量实验值值样本为因变量的多元线性回归模型。按车辆用途类型分别获取各自机器学习模型。本步骤中4类用途车的测试集与训练集按照8:2进行，对训练集样本数据与测试集样本数据进行交叉检验，最终得到车辆的电池容量预测模型：y＝β0+β1x1+β2x2+…+βnxn，n＝3，通勤车、不常用车、业务用车、运营用车的电池预测模型样本分别为y＝[y1、y2、y3、y4]。
步骤A44：本步骤基于A43中的电池预测模型进行当前电池容量的预测。按照步骤A42中数据清洗方式获取VIN1、VIN2…VIN2000当前月份的动力电池容量理论值，将其分别带入对应的电池预测模型y1、y2、y3、y4中即可获得车辆的动力电池容量预测值样本集Cy＝[Cy1、Cy2、Cy3…Cy2000]。
结果：获取通勤车、不常用车、业务用车、运营用车的动力电池预测模型y＝[y1、y2、y3、y4]，获取动力电池容量预测值样本集Cy＝[Cy1、Cy2、Cy3…Cy2000]，其车辆动力电池预测值分布见附图4。
实施例2
如图5所示，本实施例提供了一种汽车电池寿命(SOH)预测方法，包括：
B1：以月为时间单位，采用如上所述的汽车电池容量预测方法预测待测车辆连续多个月份的电池容量预测值；
B2：采用3σ方式对电池容量预测值进行数据清洗，对于异常值采用上一电池容量预测值进行覆盖处理；
B3：以月份作为横坐标，待测车辆的电池容量预测值为纵坐标，采用最小二乘法进行多项式拟合得到电池容量衰减曲线；
B4：基于电池容量衰减曲线进行电池寿命预测。
为了进一步理解本实施例提供的一种汽车电池寿命(SOH)预测方法，下面继续沿用前述实例对其进行说明。
本基于A4获取车辆每月的动力电池容量预测值进行曲线拟合实现动力电池寿命的预测，车型A共有2000辆台车，以VIN1为例子进行具体实施方式介绍，其步骤包括：
A51：基于步骤A42获取车辆VIN1自出厂时间至今累计24个月的动力电池容量预测值样本集Cl1、Cl2、Cl3…Cl24，对样本集进行遍历，采用3σ方式进行数据清洗，异常样本采用上一样本覆盖处理。对月份时间进行标准化处理得到时间样本数据Ti＝[1,2,3…24]。
A52:本步骤以时间月份为横坐标，车辆的动力电池容量预测值样本数据集为纵坐标，采用最小二乘法进行多项式拟合，得到电池容量衰减曲线：y＝a0+a1x+a2x2+…+amxm，其中，x表示时间，y表示电池容量预测值，m为预设值，本步骤m＝3。同理，将其余车辆按照步骤A51、A52获取各自对应的动力电池寿命曲线样本：y＝[y1,y2…y2000]。
A53:将车型A的标准动力电池容量的80％作为y值进行带入电池容量衰减曲线方程中，进行求解即可获得符合要求时间样本数据T＝[t1，t2…t2000]。车辆VIN1的动力电池容量衰减曲线如附图6所示。
实施例3
本实施例提供了一种汽车电池容量预测装置，包括：
数据获取模块，用于获取待测车辆发送至远程监控平台的历史运行数据；
用途分类模块，用于基于历史运行数据对待测车辆进行用途分类；
理论值获取模块，用于基于安时积分法获取待测车辆电池容量理论值；
电池容量预测模块，用于将待测车辆电池容量理论值输入与其用途分类对应的预先训练好的电池容量估测模型中，得到电池容量预测值。
实施例4
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序适于被处理器加载并执行如上所述的汽车电池容量预测方法或汽车电池寿命预测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种汽车电池容量预测方法，其特征在于，包括：
获取待测车辆发送至远程监控平台的历史运行数据；
基于历史运行数据对待测车辆进行用途分类；
基于安时积分法获取待测车辆电池容量理论值；
将待测车辆电池容量理论值输入与其用途分类对应的预先训练好的电池容量估测模型中，得到电池容量预测值。
2.根据权利要求1所述的汽车电池容量预测方法，其特征在于，所述待测车辆发送至远程监控平台的历史运行数据包括若干次采样数据，每次采样数据至少包括车辆标识码、时间戳、车辆状态、电池SOC、电池充/放电流、车辆累计里程、车辆累计电量。
3.根据权利要求1或2所述的汽车电池容量预测方法，其特征在于，所述基于历史运行数据对待测车辆进行用途分类，具体包括：
基于历史运行数据提取出待测车辆特征数据，所述特征数据包括：全年用车次数、全年用车天数、全年行驶里程、每段行程平均值、通勤时间用车占比、夜间用车占比；
基于待测车辆的特征数据计算其与预先设定的车辆用途分类的各聚类中心的隶属度；
根据隶属度划分该待测车辆的用途分类。
4.根据权利要求3所述的汽车电池容量预测方法，其特征在于，所述预先设定的车辆用途分类的各聚类中心通过如下方法得到：
采集若干车辆发送至远程监控平台的历史运行数据，并基于此历史运行数据得到各车辆对应的特征数据；
基于各车辆对应的特征数据采用无监督机器学习算法K-means进行聚类，得到k个用途分类，k为预设值；
获取k个用途分类各自的聚类中心。
5.根据权利要求1所述的汽车电池容量预测方法，其特征在于，所述电池容量估测模型通过如下方法得到：
获取各用途分类下相同时间段内的电池充放电实验中M辆车的电池容量实验值样本以及投入市场的N辆车的电池容量理论值样本；其中，M、N均为预设值，且M<<N；
根据用途分类分别训练与其对应的电池容量估测模型，每个用途分类对应的电池容量估测模型训练过程包括：
采用SMOTE过采样方式对M个电池容量实验值样本进行拟合以扩展样本，扩展后得到N个电池容量实验值样本；
基于扩展后得到的N个电池容量实验值样本和N辆车的电池容量理论值样本构建训练样本集和测试样本集；
以电池容量实验值样本为因变量，电池容量理论值样本为自变量，基于训练样本集和测试样本集构建得到基于线性回归模型的电池容量估测模型。
6.根据权利要求5所述的汽车电池容量预测方法，其特征在于，所述采用SMOTE过采样方式对M个电池容量实验值样本进行拟合以扩展样本的过程包括：
根据样本不平衡比例设置采样倍率；
获取M个电池容量实验值样本中的一个电池容量实验值样本CTA，采用欧式距离为标准计算该电池容量实验值样本到其他电池容量实验值样本的距离，得到a个近邻的电池容量实验值样本，a为预设值；
随机从a个近邻的电池容量实验值样本中选取一个样本CTB，按照如下公式构建新的样本CTC：
CTC＝CTA+rand(0，1)*|CTB-CTA|
其中，rand(0,1)表示随机选取0到1之间的一个值；
更新电池容量实验值样本数据集；
根据采样倍率依次循环电池容量实验值样本数据集中的样本进行上述样本扩展过程，直至电池容量实验值样本数据集中包括N个电池容量实验值。
7.根据权利要求5所述的汽车电池容量预测方法，其特征在于，所述N辆车的电池容量理论值通过如下方法得到：
对每辆车进行如下处理：
对车辆预设时间段内的充电数据进行筛选；
对筛选后的每个充电数据采用安时积分法计算得到对应的电池容量理论值；
对电池容量理论值进行数据清洗，选择出现频率最高的n个电池容量理论值构成一个电池容量理论值样本；其中，n为预设值。
8.一种汽车电池寿命预测方法，其特征在于，包括：
以月为时间单位，采用如权利要求1至7任一项所述的汽车电池容量预测方法预测待测车辆连续多个月份的电池容量预测值；
采用3σ方式对电池容量预测值进行数据清洗，对于异常值采用上一电池容量预测值进行覆盖处理；
以月份作为横坐标，待测车辆的电池容量预测值为纵坐标，采用最小二乘法进行多项式拟合得到电池容量衰减曲线；
基于电池容量衰减曲线进行电池寿命预测。
9.一种汽车电池容量预测装置，其特征在于，包括：
数据获取模块，用于获取待测车辆发送至远程监控平台的历史运行数据；
用途分类模块，用于基于历史运行数据对待测车辆进行用途分类；
理论值获取模块，用于基于安时积分法获取待测车辆电池容量理论值；
电池容量预测模块，用于将待测车辆电池容量理论值输入与其用途分类对应的预先训练好的电池容量估测模型中，得到电池容量预测值。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序适于被处理器加载并执行如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110473939.XA CN113376526A (zh) | 2021-04-29 | 2021-04-29 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110473939.XA CN113376526A (zh) | 2021-04-29 | 2021-04-29 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113376526A true CN113376526A (zh) | 2021-09-10 |
Family
ID=77570355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110473939.XA Pending CN113376526A (zh) | 2021-04-29 | 2021-04-29 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113376526A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538735A (zh) * | 2021-09-13 | 2021-10-22 | 蜂巢能源科技有限公司 | 一种车辆用途识别方法及装置 |
| 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 |
| CN115825782A (zh) * | 2022-01-24 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 一种动力电池的容量计算方法及装置 |
| CN116878926A (zh) * | 2023-09-06 | 2023-10-13 | 深圳市赛特新能科技有限公司 | 一种电动汽车安全质检方法、系统及存储介质 |
| CN117554824A (zh) * | 2024-01-05 | 2024-02-13 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120290234A1 (en) * | 2011-05-13 | 2012-11-15 | Gm Global Technology Operations, Llc. | Systems and methods for determining cell capacity values in a multi-cell battery |
| CN106530094A (zh) * | 2016-08-31 | 2017-03-22 | 江苏鸿信系统集成有限公司 | 一种车险评估系统及评估方法 |
| CN108171976A (zh) * | 2017-12-29 | 2018-06-15 | 合肥工业大学 | 基于在途数据的车辆用途识别方法 |
| CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
| CN111361451A (zh) * | 2020-03-04 | 2020-07-03 | 吉利汽车研究院（宁波）有限公司 | 一种纯电动汽车的剩余里程预估方法及装置 |
| 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 |
| CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
-
2021
- 2021-04-29 CN CN202110473939.XA patent/CN113376526A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120290234A1 (en) * | 2011-05-13 | 2012-11-15 | Gm Global Technology Operations, Llc. | Systems and methods for determining cell capacity values in a multi-cell battery |
| CN106530094A (zh) * | 2016-08-31 | 2017-03-22 | 江苏鸿信系统集成有限公司 | 一种车险评估系统及评估方法 |
| CN108171976A (zh) * | 2017-12-29 | 2018-06-15 | 合肥工业大学 | 基于在途数据的车辆用途识别方法 |
| CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
| CN111361451A (zh) * | 2020-03-04 | 2020-07-03 | 吉利汽车研究院（宁波）有限公司 | 一种纯电动汽车的剩余里程预估方法及装置 |
| CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
| 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 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538735A (zh) * | 2021-09-13 | 2021-10-22 | 蜂巢能源科技有限公司 | 一种车辆用途识别方法及装置 |
| 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 |
| CN115825782A (zh) * | 2022-01-24 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 一种动力电池的容量计算方法及装置 |
| CN115825782B (zh) * | 2022-01-24 | 2023-10-27 | 宁德时代新能源科技股份有限公司 | 一种动力电池的容量计算方法及装置 |
| CN116878926A (zh) * | 2023-09-06 | 2023-10-13 | 深圳市赛特新能科技有限公司 | 一种电动汽车安全质检方法、系统及存储介质 |
| CN116878926B (zh) * | 2023-09-06 | 2023-11-21 | 深圳市赛特新能科技有限公司 | 一种电动汽车安全质检方法、系统及存储介质 |
| CN117554824A (zh) * | 2024-01-05 | 2024-02-13 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
| CN117554824B (zh) * | 2024-01-05 | 2024-03-22 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113376526A (zh) | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 | |
| CN112765772B (zh) | 一种基于数据驱动的动力电池剩余寿命预测方法 | |
| CN111301426B (zh) | 基于gru网络模型预测未来行驶过程能耗的方法 | |
| KR102215450B1 (ko) | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 | |
| CN112347692B (zh) | 不间断电源的电池预测性维护的实现方法、装置和电子装置 | |
| CN116577677B (zh) | 退役动力电池的放电测试系统及其方法 | |
| CN110610121B (zh) | 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN113887601A (zh) | 一种基于聚类分选的退役动力电池重组方法 | |
| CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| Park et al. | Missing-insensitive short-term load forecasting leveraging autoencoder and LSTM | |
| CN115524629B (zh) | 一种车辆动力电池系统健康状态的评估方法 | |
| CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
| CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
| CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及系统 | |
| CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
| Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
| CN116703464A (zh) | 电动汽车充电需求建模方法、装置、电子设备及存储介质 | |
| Greenbank et al. | Piecewise-linear modelling with automated feature selection for Li-ion battery end-of-life prognosis | |
| CN110579708B (zh) | 电池容量识别方法、装置、计算设备及计算机存储介质 | |
| Wang et al. | Ensemble machine learning based driving range estimation for real‐world electric city buses by considering battery degradation levels | |
| CN115270481A (zh) | 汽车电池的工况预测方法、装置、电子设备及存储介质 | |
| CN115222145A (zh) | 基于新能源汽车运行大数据的续驶里程预测方法及系统 | |
| CN115018194A (zh) | 电动汽车故障等级预测的方法、系统、电子设备和存储介质 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240312 |