CN113884927A - 一种基于云端大数据的电池寿命主动控制方法及系统 - Google Patents

Abstract

本发明提供一种云端大数据的电池寿命主动控制方法，其是基于云端大数据实现，利用云端电池管理系统具备的海量数据建立电池寿命模型，根据大数据实时监控电池衰减数据，通过云端BMS策略制定满足质保要求的控制策略，并结合OTA等手段实现云端与车载的数据交互，进而实现电池寿命延长。

Description

一种基于云端大数据的电池寿命主动控制方法及系统

技术领域

本发明属于新能源汽车电池管理系统技术领域，具体涉及基于云端大数据的电池寿命主动控制策略。

背景技术

随着新能源汽车的不断发展,智能化和网联化已逐渐成为新能源汽车的发展趋势。车辆的智能化、网联化将在云端产生海量的数据。数据创造价值，如何对这些数据进行分析，挖掘其潜在的商业价值，为设计开发、营销、运营、维护等决策提供强有力的数据支撑。如何做好大数据与新能源汽车的深度融合，为用户提供更好更安全的产品和出行服务，是各主机厂亟需解决的问题。

传统车载BMS已发展十年有余，十年来车载BMS不断升级迭代，但仍有部分功能比如基于大数据故障预警、用户个性化定制策略、电池全生命周期数据分析并探索老化历程等，在车载BMS 无法实现。而上述功能对电池管理至关重要。在一些关键场景例如用户画像分析，用户需求定义；老化性能目标确定；全生命周期寿命预测、残值评估；安全预警；客制化服务；根据大数据表现反哺车载端设计等，云端BMS优势明显。基于上述分析，因此BMS云端控制应用而生，越来越多的整车厂已开始布局该项技术。

对于新能源汽车，电池容量衰减一直是电池厂甚至整车厂的“老大难”问题。当电池寿命衰减到一定程度，就需要进行更换，给消费者造成经济负担，影响纯电动汽车的推广，另一方面，随着电池衰减，其安全性也在降低。因此延缓电池寿命衰减的速度极为重要。

中国专利文献CN108749607A公开了一种基于云计算的电动汽车动力电池管理和监控系统，中国专利文献CN110416636A公开了一种基于云端数据管理的动力电池管理系统及方法。上述技术都主要从云计算、云端管理、监控等角度去设计云端BMS管理的系统架构及应用。

发明内容

本发明的目的是提供一种云端大数据的电池寿命主动控制方法及系统，根据大数据实时监控电池衰减数据，通过云端BMS策略制定满足质保要求的控制策略，并结合OTA等手段实现云端与车载的数据交互，进而实现电池寿命延长。

本发明的技术方案如下：

一种基于云端大数据的电池寿命主动控制方法，包括步骤：

步骤1，基于云端电池管理系统具备的海量数据建立电池寿命模型，所述云端电池管理系统应具备海量数据处理功能。

步骤2，设定电池寿命目标：累计时间t_total或者累计吞吐量Ah_total后电池SOH不小于 SOH_end，即达到质保边界SOH不低于SOH_end；并计算基于质保的电池剩余寿命，例如质保边界会转化成**年**万SOH不低于**的要求。

步骤3，根据电池寿命模型，应用最优化求解思路计算在当前SOH_now下能满足设定寿命目标的未来使用策略组合，包括倍率、DOD使用区间及热管理控制目标。步骤3是满足目标的多个组合。

步骤4，在所述未来使用策略组合中筛选出对性能产生负面影响最小的一种控制策略，比如控制的DOD及热管理温度、倍率等，同时应对同款车型及电池的计算的控制策略参数结果统计，根据正态分布的3δ原则，对3δ以内的数据确定控制目标。步骤4是最优目标。

步骤5，将云端大数据计算结果，经后台离线统计分析确定控制策略参数，实时导入至车载系统，与车载BMS系统OTA交互，实现实时控制；同时对云端计算的控制参数实时统计分析，提前对寿命衰减情况预警。这里离线统计分析确定控制策略参数，包括确定当前车辆的运行习惯，比如车主的DOD使用区间，快慢充占比等，如果统计车主的DOD为浅充浅放，则可以优先控制DOD，如果车主在北方，可以优先控制温度，如果经常快充，则可以控制倍率等。

进一步地，本发明的所述步骤1具体包括：

步骤1.1、对一款车型，基于云端大数据统计使用历史数据：电池最高温度的历史均值，历史SOC使用区间，历史充电倍率、当前累计静置时间,当前累计总时间t_now，当前累计吞吐量Ah_now、行驶里程；并统计车载系统计算的SOH衰减值。

步骤1.2、根据使用历史数据及SOH正态分布统计3δ原则，针对累积里程一定值，即是指里程数达到不同里区间的用户车辆实测电池衰减，每区间测试样本不低于2个；

步骤1.3、根据实测数据及车载SOH计算，应用聚类分析及神经网络建模方法，综合确定所述电池寿命模型如下

SOH＝f₁(T，I_c，OC1，Ah)+f₂(T，SOC2，t) (1)

其中，f1为循环衰减；f2为日历衰减；T为温度(K)；I_c为充电倍率；SOC1为SOC区间；Ah 为累计电荷吞吐量；SOC2为存储SOC；t为存储时间(天)。

进一步地，本发明所述步骤3计算在当前SOH_now下能满足设定寿命目标的未来使用策略组合的步骤包括：

步骤3.1，将所述电池寿命模型转换为

SOH＝f₁(T，I_c,SOC1,t*Ah_per)+f₂(T,SOC2,t*St_R) (2)

其中，Ah_per为每日电荷吞吐量，由累计吞吐量/累计总时间计算到；

St_R为存储时间比例，由累计静置时间/累计总时间计算到；t为累计总时间；

步骤3.2，将二维寿命目标转换为一维目标：

其中，t_end为寿命时间目标(天)；

步骤3.3，在未来t_end-t_now的时间内电池的衰减不大于SOH_now-SOH_end，即为：

f₁(T,I_c,SOC1,(t_end-t_now)*Ah_per)+f₂(T,SOC2,(t_end-t_now)*St_R)≤SOH_now- SOH_end (4)

对公式(4)求解得到温度、倍率、SOC使用区间的组合，即得到在当前SOH_now下能满足设定寿命目标的未来使用策略组合。

本发明还提供一种基于云端大数据的电池寿命主动控制系统，其包括：

模型建立模块，基于云端电池管理系统具备的海量数据建立电池寿命模型；

目标设定模块，设定电池寿命目标：累计时间t_total或者累计吞吐量Ah_total后电池SOH不小于SOH_end，即达到质保边界SOH不低于SOH_end；并计算基于质保的电池剩余寿命；

计算模块，根据电池寿命模型，应用最优化求解思路计算在当前SOH_now下能满足设定寿命目标的未来使用策略组合，包括倍率、DOD使用区间及热管理控制目标；

目标确定模块，在所述未来使用策略组合中筛选出对性能产生负面影响最小的一种，同时应对同款车型及电池计算的控制策略结果统计，根据正态分布的3δ原则，对3δ以内的数据确定控制目标；

控制模块，将云端大数据计算结果，经后台离线统计分析确定控制策略参数，实时导入至车载系统，与车载BMS系统OTA交互，实现实时控制；同时对云端计算的控制参数实时统计分析，提前对寿命衰减情况预警。

本发明采用以上方法重点围绕寿命衰减，以质保为目标对未来使用策略预测，并借助云端大数据统计信息确定最终控制策略，具有的具体优点如下：

1、由于本发明采用了云端电池管理系统具备的海量数据处理功能，能根据海量数据分析寿命衰减相关的因子的统计信息。

2、由于本发明的步骤2基于云端大数据建立电池寿命模型，该模型可在线预测电池衰减，并计算电池剩余寿命，并根据衰减实际表现动态调节寿命因子参数，使电池寿命模型精度更优。

3、由于本发明的步骤3是根据云端寿命模型计算在当前SOH_now下能满足设定寿命目标的未来使用策略组合，最优化求解策略，能够以质保为导向，制定未来工况的使用策略。

本发明也可用于车载在线控制，在车辆运行过程中实时调整动力电池的使用策略，但对车载实时计算能力有一定要求。

附图说明

图1是本控制方式的逻辑流程图。

具体实施方式

以下结合附图进一步详细说明本发明的实施方式：

本发明是基于云端大数据实现，利用云端电池管理系统具备的海量数据建立电池寿命模型，所述云端电池管理系统应具备海量数据处理功能，包括：

数据采集、数据清洗预处理、数据存储、数据加密，数据下载、数据备份、数据分析建模、数据可视化展现等功能，同时应具备数据挖掘所需的分析引擎、机器学习算法数据库等，实现大数据分析场景的建模及分析。

参见图1，本发明实现的电池寿命主动控制方法如下：

步骤1，基于云端大数据建立电池寿命模型，包括：

1.1、对一款车型云端大数据从下述维度统计：电池最高温度的历史均值，历史SOC使用区间，历史充电倍率、当前累计静置时间,当前累计总时间t_now，当前累计吞吐量Ah_now、行驶里程等用户使用历史。同时统计车载系统计算SOH衰减值。

1.2、根据使用历史数据及SOH正态分布统计3δ原则，针对累积里程一定程度用户车辆实测电池衰减。以3年30万的质保为例，选取累积里程达到10万、20万、30万的车型实测容量。为增加数据的冗余性，每区间测试样本不低于2个。

1.3、根据实测数据及车载SOH计算，应用聚类分析及神经网络建模等方法，综合确定电池寿命模型。

SOH＝f₁(T,I_c,SOC1,Ah)+f₂(T,SOC2,t) (1)

其中，f1为循环衰减；f2为日历衰减；T为温度(K)；I_c为充电倍率；SOC1为SOC区间；Ah为累计电荷吞吐量；SOC2为存储SOC；t为存储时间(天)。

步骤2、设定寿命目标:累计时间t_total或者累计吞吐量Ah_total后电池SOH不小于SOH_end。达到质保边界SOH不低于SOH_end；并计算基于质保的电池剩余寿命。

步骤3、根据云端寿命模型，应用最优化求解思路计算在当前SOH_now下能满足设定寿命目标的未来使用策略组合，包括倍率、DOD使用区间及热管理控制目标。

为了避免模型误差的影响，SOH每下降一定梯度重新计算一次。

其计算过程如下：

步骤3.1、为减少维度以方便计算，对寿命模型进行转换为

SOH＝f₁(T,I_c,SOC1,t*Ah_per)+f₂(T,SOC2,t*St_R) (2)

其中，Ah_per为每日电荷吞吐量，由累计吞吐量/累计总时间计算到；

St_R为存储时间比例，由累计静置时间/累计总时间计算到；t为累计总时间；

步骤3.2、将二维寿命目标转换为一维目标：

其中，t_end为寿命时间目标(天)；

步骤3.3、在未来t_end-t_now的时间内电池的衰减不大于SOH_now-SOH_end，即为：

f₁(T,I_c,SOC1,(t_end-t_now)*Ah_per)+f₂(T,SOC2,(t_end-t_now)*St_R)≤SOH_now- SOH_end (4)

对公式(4)求解得到温度、倍率、SOC使用区间的组合。

步骤4、在3.3计算出来的组合中筛选出对性能(例如动力性、续航)产生负面影响最小的一种，同时应对同款车型及电池的计算的控制策略参数结果统计，根据正态分布的3δ原则，对3δ以内的数据确定最优控制目标。

步骤5、将云端大数据计算结果，经后台离线统计分析确定控制策略参数，实时导入至车载系统，与车载BMS系统OTA交互，实现实时控制。同时对云端计算的控制参数实时统计分析，提前对寿命衰减情况预警。

本实施例公开一种基于云端大数据的电池寿命主动控制系统，系统包括模型建立模块、目标设定模块、计算模块、目标确定模块和控制模块，这些模块配合用于实施前述实施例的电池寿命主动控制方法的步骤。

本发明也可用于车载在线控制，在车辆运行过程中实时调整动力电池的使用策略，但对车载实时计算能力有一定要求。

本发明的过程、方法或算法可由处理装置、控制器或计算机实施，这些处理装置、控制器或计算机可包括任何现存的可编程电子控制单元或专用电子控制单元。本发明涉及到的方法、步骤或模块，可被分配到一个或多个处理装置、控制器或计算机实施，仅代表可以实现的功能，不代表具体的处理装置、控制器或计算机。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于云端大数据的电池寿命主动控制方法，包括步骤：

步骤1，基于云端电池管理系统具备的海量数据建立电池寿命模型；

步骤2，设定电池寿命目标：累计时间t_total或者累计吞吐量Ah_total后电池SOH不小于SOH_end，即达到质保边界SOH不低于SOH_end；并计算基于质保的电池剩余寿命；

步骤3，根据电池寿命模型，应用最优化求解思路计算在当前SOH_now下能满足设定寿命目标的未来使用策略组合，包括倍率、DOD使用区间及热管理控制目标；

步骤4，在所述未来使用策略组合中筛选出对性能产生负面影响最小的一种，同时应对同款车型及电池计算的控制策略结果统计，根据正态分布的3δ原则，对3δ以内的数据确定控制目标；

步骤5，将云端大数据计算结果，经后台离线统计分析确定控制策略参数，实时导入至车载系统，与车载BMS系统OTA交互，实现实时控制；同时对云端计算的控制参数实时统计分析，提前对寿命衰减情况预警。

2.根据权利要求1所述的基于云端大数据的电池寿命主动控制方法，其特征在于，所述步骤1包括：

步骤1.1、对一款车型，基于云端大数据统计使用历史数据：电池最高温度的历史均值，历史SOC使用区间，历史充电倍率、当前累计静置时间，当前累计总时间t_now，当前累计吞吐量Ah_now、行驶里程；并统计车载系统计算的SOH衰减值；

步骤1.2、根据使用历史数据及SOH正态分布统计3δ原则，针对累积里程达到一定值的用户车辆实测电池衰减，每区间测试样本不低于2个；

步骤1.3、根据实测数据及SOH衰减值，应用聚类分析及神经网络建模方法，综合确定所述电池寿命模型如下

SOH＝f₁(T，I_c，SOC1，Ah)+f₂(T，SOC2，t) (1)

其中，f1为循环衰减；f2为日历衰减；T为温度(K)；I_c为充电倍率；SOC1为SOC区间；Ah为累计电荷吞吐量；SOC2为存储SOC；t为存储时间(天)。

3.根据权利要求1所述的基于云端大数据的电池寿命主动控制方法，其特征在于，所述步骤3的计算包括：

步骤3.1，将所述电池寿命模型转换为

SOH＝f₁(T，I_c，SOC1，t*Ah_per)+f₂(T，SOC2，t*St_R) (2)

其中，Ah_per为每日电荷吞吐量，由累计吞吐量/累计总时间计算到；

St_R为存储时间比例，由累计静置时间/累计总时间计算到；t为累计总时间；

步骤3.2，将二维寿命目标转换为一维目标：

其中，t_end为寿命时间目标(天)；

步骤3.3，在未来t_end-t_now的时间内电池的衰减不大于SOH_now-SOH_end，即为：

f₁(T，I_c，SOC1，(t_end-t_now)*Ah_per)+f₂(T，SOC2，(t_end-t_now)*St_R)≤SOH_now-SOH_end (4)

对公式(4)求解得到温度、倍率、SOC使用区间的组合，即得到在当前SOH_now下能满足设定寿命目标的未来使用策略组合。

4.根据权利要求1所述的基于云端大数据的电池寿命主动控制方法，其特征在于，所述步骤3的计算在SOH每下降一定梯度重新计算一次。

5.根据权利要求1所述的基于云端大数据的电池寿命主动控制方法，其特征在于，所述方法是基于云端电池管理系统，所述云端电池管理系统具备海量数据处理功能，包括数据采集、数据清洗预处理、数据存储、数据加密，数据下载、数据备份、数据分析建模、数据可视化展现等功能，同时具备数据挖掘所需的分析引擎、机器学习算法数据库，实现大数据分析场景的建模及分析。

6.一种基于云端大数据的电池寿命主动控制系统，其特征在于，包括：

模型建立模块，基于云端电池管理系统具备的海量数据建立电池寿命模型；

目标设定模块，设定电池寿命目标：累计时间t_total或者累计吞吐量Ah_total后电池SOH不小于SOH_end，即达到质保边界SOH不低于SOH_end；并计算基于质保的电池剩余寿命；

计算模块，根据电池寿命模型，应用最优化求解思路计算在当前SOH_now下能满足设定寿命目标的未来使用策略组合，包括倍率、DOD使用区间及热管理控制目标；

目标确定模块，在所述未来使用策略组合中筛选出对性能产生负面影响最小的一种，同时应对同款车型及电池计算的控制策略结果统计，根据正态分布的3δ原则，对3δ以内的数据确定控制目标；

控制模块，将云端大数据计算结果，经后台离线统计分析确定控制策略参数，实时导入至车载系统，与车载BMS系统OTA交互，实现实时控制；同时对云端计算的控制参数实时统计分析，提前对寿命衰减情况预警。

Images