CN114290960B - 获取动力电池的电池健康度的方法、装置和车辆 - Google Patents
获取动力电池的电池健康度的方法、装置和车辆 Download PDFInfo
- Publication number
- CN114290960B CN114290960B CN202111669897.3A CN202111669897A CN114290960B CN 114290960 B CN114290960 B CN 114290960B CN 202111669897 A CN202111669897 A CN 202111669897A CN 114290960 B CN114290960 B CN 114290960B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- vehicle
- health
- charging
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008859 change Effects 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012417 linear regression Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000007599 discharging Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 6
- 230000006855 networking Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 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
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
Abstract
本发明公开了一种获取动力电池的电池健康度的方法、装置和车辆。其中，该方法包括：获取车辆上安装的动力电池的电池源数据，其中，电池源数据记录了车辆在当前的充电过程中采集到的动力电池的电池源数据；从电池源数据中提取用于评估电池健康度的电池容量变化数据；从电池容量变化数据中，提取用于表征动力电池健康指数的至少一个特征变量；利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到车辆当前的电池健康度的数值。本发明解决了相关技术中车辆动力电池健康度估算精度低的技术问题。
Description
技术领域
本发明涉及电动汽车领域，具体而言，涉及一种获取动力电池的电池健康度的方法、装置和车辆。
背景技术
随着电动汽车在中国的推广和车联网技术的应用，越来越多的电动汽车进入了消费者市场，并且根据国家标准(GBT32960)实时采集了行车数据。动力电池作为电动汽车的动力来源，一般使用电池当前容量和额定容量的比值来表征其健康状态，这一比值被定义为SOH(State of Health)，故SOH的大小及衰减情况直接影响着电动汽车的满电续驶里程、车辆质保索赔、二手车评估价值和电池梯次利用。IEEE标准1188-1996规定，当电动车电池SOH下降到小于80％时，就需要对电池进行更换，因此对动力电池当前的SOH进行准确估算十分重要。随着充放电次数和行驶里程的增加，电池的SOH不断衰减，这个衰减过程是典型的动态非线性复杂电化学系统变化过程，适用于复杂实时工况的物理模型建立存在很大困难，导致电池SOH退化状态识别和状态估计存在巨大挑战。
目前实车应用的SOH估算方法多为基于模型的估算方法，包括开路电压法、内阻法、卡尔曼滤波、等效电路模型等，均利用实验室标准工况下测得的数据进行建模估算，不仅试验数据测试工作量大、周期长、费用高，且由于车辆实际工况复杂多变，上述模型对实际工况下车辆SOH的估算精度不高。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种获取动力电池的电池健康度的方法、装置和车辆，以至少解决相关技术中车辆动力电池健康度估算精度低的技术问题。
根据本发明实施例的一个方面，提供了一种获取动力电池的电池健康度的方法，包括：获取车辆上安装的动力电池的电池源数据，其中，电池源数据记录了车辆在当前的充电过程中采集到的动力电池的电池源数据；从电池源数据中提取用于评估电池健康度的电池容量变化数据，其中，电池容量变化数据为各个充电片段中至少一个电压稳定区间内的数据，电压稳定区间表征的是车辆在充电过程中电流变化率处于预定范围内的电压区间；从电池容量变化数据中，提取用于表征动力电池健康指数的至少一个特征变量；利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到车辆当前的电池健康度的数值。
可选地，电池源数据包括如下至少之一：车辆电压、电池数据采集时间、电池充放电状态、车辆行驶里程、电池总电流、电池总电压、电池的每个充电片段的单体电压、测温点温度。
可选地，特征变量包括如下至少之一：车辆的日历天数、累计里程、充电次数、循环次数、深度充放电次数、平均温度、每次充电过程中的平均温差、最大温差、充电单位温度上升量、平均温差标准差、平均压差、最大压差、平均压差标准差、大电流充电次数和大电流放电次数。
可选地，从电池源数据中提取用于评估电池健康度的电池容量变化数据之后，方法还包括：对电池容量变化数据进行预处理，其中，预处理包括如下至少之一：基于变量之间的关联强度，将电池容量变化数据中各个变量间的线性关系进行筛选；将电池容量变化数据中的冗余数据、无效数据进行删除。
可选地，构建电池健康度估算模型，该步骤包括：获取车联网数据，其中，车联网数据包括：历史时间段内不同车辆在充电过程中检测到的动力电池的历史电池源数据；对历史电池源数据进行预处理，并从预处理后的历史电池源数据中提取每个充电片段中与电池健康度的衰减相关的特征变量；采用线性回归融合模型，对每个充电片段中动力电池的电池健康度和与电池健康度的衰减相关的特征变量分别进行线性回归训练，并进行模型融合，生成电池健康度估算模型。
可选地，车联网数据为基于时间序列采集到的流式车联网数据，动力电池健康指数表征动力电池的健康衰减程度。
根据本发明实施例的另一方面，还提供了获取动力电池的电池健康度的装置，包括：获取模块，用于获取车辆上安装的动力电池的电池源数据，其中，电池源数据记录了车辆在当前的充电过程中采集到的动力电池的电池源数据；第一提取模块，用于从电池源数据中提取用于评估电池健康度的电池容量变化数据，其中，电池容量变化数据为各个充电片段中至少一个电压稳定区间内的数据，电压稳定区间表征的是车辆在充电过程中电流变化率处于预定范围内的电压区间；第二提取模块，用于从电池容量变化数据中，提取用于表征动力电池健康指数的至少一个特征变量；估算模块，用于利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到车辆当前的电池健康度的数值。
可选地，上述装置还包括：预处理模块，用于对电池容量变化数据进行预处理，其中，预处理模块包括如下至少之一：第一筛选模块，用于基于变量之间的关联强度，将电池容量变化数据中各个变量间的线性关系进行筛选；第二筛选模块，用于将电池容量变化数据中的冗余数据、无效数据进行删除。
可选地，上述装置还包括：构建模块，用于构建电池健康度估算模型，构建模块包括：子获取模块，用于获取车联网数据，其中，车联网数据包括：历史时间段内不同车辆在充电过程中检测到的动力电池的历史电池源数据；处理模块，用于对历史电池源数据进行预处理，并从预处理后的历史电池源数据中提取每个充电片段中与电池健康度的衰减相关的特征变量；训练模块，用于采用线性回归融合模型，对每个充电片段中动力电池的电池健康度和与电池健康度的衰减相关的特征变量分别进行线性回归训练，并进行模型融合，生成电池健康度估算模型。
根据本发明实施例的另一方面，还提供了一种车辆，车辆包含获取动力电池的电池健康度的装置，其中，装置运行时执行上述获取动力电池的电池健康度的处理方法。
在本发明实施例中，获取车辆上安装的动力电池的电池源数据，其中，电池源数据记录了车辆在当前的充电过程中采集到的动力电池的电池源数据；从电池源数据中提取用于评估电池健康度的电池容量变化数据，其中，电池容量变化数据为各个充电片段中至少一个电压稳定区间内的数据，电压稳定区间表征的是车辆在充电过程中电流变化率处于预定范围内的电压区间；从电池容量变化数据中，提取用于表征动力电池健康指数的至少一个特征变量；利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到车辆当前的电池健康度的数值。该方法通过建立现有的车联网数据SOH和多特征的数学关系实现了基于实际工况数据的SOH准确估算，进而解决了相关技术中车辆动力电池SOH估算精度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种获取动力电池的电池健康度的方法的流程图；
图2是根据本发明实施例的一种可选的估算动力电池的电池健康度的流程图；
图3是根据本发明实施例的一种可选特征变量对应的信息增益示意图；
图4是根据本发明实施例的一种获取动力电池的电池健康度装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种获取动力电池的电池健康度的方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种获取动力电池的电池健康度的方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取车辆上安装的动力电池的电池源数据。
其中，电池源数据记录了车辆在当前的充电过程中采集到的动力电池的电池源数据。
具体地，车辆网是一个云架构的车辆运行信息平台，可以在信息网络平台上对所有车辆的属性信息和静、动态信息进行提取和有效利用，并且可以根据不同的功能需求对所有车辆的运行状态进行有效的监管和提供综合服务。根据研究需求从车联网数据中获取待估算车型基于时间序列的动力电池相关数据作为SOH估算数据源，相关数据可以包括但不限于：车辆电压、电池数据采集时间、电池充放电状态、车辆行驶里程、电池总电流、电池总电压、电池的每个充电片段的单体电压、测温点温度。
步骤S104，从电池源数据中提取用于评估电池健康度的电池容量变化数据。
其中，电池容量变化数据为各个充电片段中至少一个电压稳定区间内的数据，电压稳定区间表征的是车辆在充电过程中电流变化率处于预定范围内的电压区间；
具体地，为了消除充电片段内电流波动及电流采集频率低导致的充入容量计算误差和波动，可以选取充电过程中电流变化较为平稳的电压区间的电池容量变化对电池健康度SOH进行评估，具体定义如下：
SOH——电池健康度；
C——当前充电片段里固定电压区间内充入的容量；
Cstart——起始充电片段里固定电压区间内充入的容量。
其中，固定电压区间需根据具体车型使用的具体动力电池确定，C及Cstart由对应充电片段里固定电压区间内电流积分获得。
由于上述直接计算得到的各充电片段里固定电压区间充入容量结果存在离散性较大和数值跳变等问题，不能直接用于对当前电池SOH的评估，需要通过去噪、滑动平均、局部线性化处理后作为模型输出的标签数据。
步骤S106，从电池容量变化数据中，提取用于表征动力电池健康指数的至少一个特征变量。
具体地，可以提取每个充电片段中和电池健康度衰减有关联关系的特征变量。
需要说明的是，由于车辆实际运行过程中所处环境和工况复杂多样，因此所提取特征可以尽量包含更多的与电池当前实时运行环境和工况不相关的变量，以提高模型的广泛适用性。具体特征变量包括但不限于：日历天数、累计里程、充电次数、循环次数、深度充放电次数、平均温度、每次充电过程中的平均温差、最大温差、充电单位温度上升量、平均温差标准差、平均压差、最大压差、平均压差标准差、大电流充电次数、大电流放电次数。
步骤S108，利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到车辆当前的电池健康度的数值。
具体地，实时获取某一车辆运行数据，首先可以提取相关的目标变量，其次可以提取每个充电片段中和电池健康度衰减有关联关系的特征变量，根据相关系数以及信息贡献度筛选特征确定最终的特征变量，并将其输入电池健康度估算模型，估算得到车辆当前的电池健康度数值。
估算过程整体流程如图2所示，通过历史车联网数据的预处理、特征工程构建估算模型，并使用大量的车辆网数据对模型进行训练、优化最终得到用于SOH实时估算的线性回归融合模型。实时SOH估算时首先对实时车辆网数据进行异常处理，去掉重复数据、时间戳异常等无效数据，其次通过线性相关系数以及信息贡献度筛选出重要相关特征变量作为线性回归融合模型的输入，最后得到SOH实时估算结果。
通过本发明上述实施例，获取车辆上安装的动力电池的电池源数据，其中，电池源数据记录了车辆在当前的充电过程中采集到的动力电池的电池源数据；从电池源数据中提取用于评估电池健康度的电池容量变化数据，其中，电池容量变化数据为各个充电片段中至少一个电压稳定区间内的数据，电压稳定区间表征的是车辆在充电过程中电流变化率处于预定范围内的电压区间；从电池容量变化数据中，提取用于表征动力电池健康指数的至少一个特征变量；利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到车辆当前的电池健康度的数值。该方法通过建立现有的车联网数据SOH和多特征的数学关系实现了基于实际工况数据的SOH准确估算，进而解决了相关技术中车辆动力电池SOH估算精度低的技术问题。
可选地，电池源数据包括如下至少之一：车辆电压、电池数据采集时间、电池充放电状态、车辆行驶里程、电池总电流、电池总电压、电池的每个充电片段的单体电压、测温点温度。
具体地，车联网信息主要包括车辆驾驶过程中直接收集的信息以及通过驾驶辅助系统收集的信息，其中动力电池数据为电动汽车主要的车联网数据之一。动力电池的放电电流及放电电压是决定所安装汽车的续航里程重要因素，也是用户最关心的动力电池数据。而电池的充电状态往往反映了其放电性能，电池的充电状态包括充电电压、充电电流以及每个充电片段的单体电压。另外，电池的使用年限以及使用状况对电池的动力性能具有一定的影响，车辆行驶里程是反映电池使用情况数据之一。因此为了估算动力电池的SOH数值，需要获取的电池源数据可以包括车辆电压、电池数据采集时间、电池充放电状态、车辆行驶里程、电池总电流、电池总电压、电池的每个充电片段的单体电压、测温点温度等。
可选地，特征变量包括如下至少之一：车辆的日历天数、累计里程、充电次数、循环次数、深度充放电次数、平均温度、每次充电过程中的平均温差、最大温差、充电单位温度上升量、平均温差标准差、平均压差、最大压差、平均压差标准差、大电流充电次数和大电流放电次数。
具体地，首先提取每个充电片段中和电池健康度衰减有关联关系的特征变量，这些变量能够直接反映电池的健康度。其次，由于车辆实际运行过程中所处环境和工况复杂多样，因此所提取特征尽量包含更多的与电池当前实时运行环境和工况不相关的变量，以提高模型的广泛适用性。
可选地，从电池源数据中提取用于评估电池健康度的电池容量变化数据之后，该方法还包括：对电池容量变化数据进行预处理，其中，预处理包括如下至少之一：基于变量之间的关联强度，将电池容量变化数据中各个变量间的线性关系进行筛选；将电池容量变化数据中的冗余数据、无效数据进行删除。
具体地，数据预处理主要是对原始数据中的一些异常值进行处理，如数据去重、时间戳异常值处理、空值补填、无效数据剔除等。通过对数据进行预处理可以避免异常数据对模型的不利影响，能够提高模型训练的有效性。
其次，通过计算Pearson相关系数(皮尔逊相关系数)对各个变量间的线性关系进行筛选。
其中，Pearson相关系数反映的是变量间的线性关系，通常以r表示，假设两个变量分别为X＝(X1，X2，...，Xn)，Y＝(Y1，Y2，...，Yn)，则r可以表示为：
Pearson相关系数取值介于-1和+1之间，若取值为±1，表明两个变量有直接的线性关系。若取值为0，表明两个变量没有线性关系。
通过计算可知，“日历天数”、“累计里程”、“充电次数”、“循环次数”、“深度充放电次数”等特征线性相关性很强，须考虑多重共线性问题。
可选地，构建电池健康度估算模型，该步骤包括：获取车联网数据，其中，车联网数据包括：历史时间段内不同车辆在充电过程中检测到的动力电池的历史电池源数据；对历史电池源数据进行预处理，并从预处理后的历史电池源数据中提取每个充电片段中与电池健康度的衰减相关的特征变量；采用线性回归融合模型，对每个充电片段中动力电池的电池健康度和与电池健康度的衰减相关的特征变量分别进行线性回归训练，并进行模型融合，生成电池健康度估算模型。
具体地，通过pearson进行特征相关性分析以及信息增益进行特征筛选，用于确定重要特征和具体的建模方式，建模步骤包括：
步骤1，针对pearson分析得到的多重线性相关特征变量，为了尽可能多的保留各特征变量的信息，相关特征变量单独与目标变量建立LinearRegression(线性回归)模型。模型形式如下：
SOH(X)＝ωX+b
其中X表示某个特征变量。
步骤2，针对通过信息贡献度筛选出的其他特征变量，各特征变量整体作为输入与目标变量建立多元线性回归LinearRegression模型。模型形式如下：
其中X1,…,Xn分别表示一个特征变量。
步骤3，通过上述两步骤分别得到“日历天数与SOH”、“累计里程与SOH”、“充电次数与SOH”、“循环次数与SOH”、“深度充放电次数与SOH”以及“多元特征变量与SOH”共6个线性回归模型后，确定各模型的决定系数R2。R2表征了回归直线对样本数据的拟合程度，取值范围是0-1，拟合程度越好，值越接近1，计算公式如下：
其中yi表示SOH的真实值，表示SOH真实值的平均值，/>表示SOH的模型预测值。
步骤4，确定各线性回归模型的融合权重。各模型R2除以所有模型R2总和即为各模型的融合权重。
步骤5，各模型按照权重线性相加，得到最终的SOH估算模型。所得最终模型形式如下：
SOH＝α1D+α2M+α3Ch+α4Ci+α5Ouc+α6Mt+α7Med+α8Mad+α9Mes+α10Hcc+α11Hdc+b
其中，“D”表示“日历天数”，“M”表示“累计里程”，“Ch”表示“充电次数”，“Ci”表示“循环次数”，“Ouc”表示“深度充放电次数”，“Mt”表示“平均温度”，“Med”表示“平均压差”，“Mad”表示“最大压差”，“Mes”表示“平均压差标准差”，“Hcc”表示“大电流充电次数”，“Hdc”表示“大电流放电次数”。
需要说明的是，上述信息增益特征筛选是通过信息贡献度对特征进行筛选，即使用信息贡献度来衡量特征对目标变量的重要程度，使用信息增益来衡量信息贡献度。该方法能够剔除重要性较低的特征，降低模型复杂度，提升模型性能。具体方法如下：
如目标变量D的信息熵为H(D)，而D在特征A条件下的条件熵为H(D|A)，那么信息增益G(D，A)为：
G(D，A)＝H(D)-H(D|A)
熵是对随机变量不确定性的度量，当熵越大即这个类别的不确定性更大，反之越小。条件熵是用来解释信息增益而引入的概念，概率定义：随机变量X在给定条件下随机变量Y的条件熵，对定义描述为：X给定条件下Y的条件干率分布的熵对X的数学期望。信息增益G(D，A)越大，表明在特征A条件下，目标变量D的不确定性的减少程度越大，则特征A对目标变量D越重要。
计算后各特征变量对应的信息增益如图3所示，共有16个特征变量，里程数的信息增益最大，另外日历天数、充电次数、循环次数、深度充电次数、深度放电次数、大电流充电次数、大电流放电次数的信息增益均超过了0.5。对所有特征的信息增益进行标准化处理后得到各特征的信息贡献度，例如第j个特征的信息贡献度计算如下：
按照信息贡献度从大到小选取特征变量，直到所选取特征变量的累计信息贡献度大于等于0.95。由此，本具体实施案例最终选取的特征变量有：日历天数、累计里程、充电次数、循环次数、深度充放电次数、平均温度、平均压差、最大压差、平均压差标准差、大电流充电次数、大电流放电次数。
可选地，车联网数据为基于时间序列采集到的流式车联网数据，动力电池健康指数表征动力电池的健康衰减程度。
具体地，车联网数据是根据日历时间按照固定频率对汽车运行的各个系统进行采样所得到的数据，但是对于不同的系统以及不同的指标，采样频率是不同的。例如在动力电池充电过程中每隔30秒对电池的充电电流进行检测，每隔1分钟对单体电池电压进行检测。动力电池健康指数一般使用电池当前容量和额定容量的比值来表征其健康衰减程度。
在本发明实施例中，首先，可以获取车辆上安装的动力电池的电池源数据，其中，电池源数据记录了车辆在当前的充电过程中采集到的动力电池的电池源数据；从电池源数据中提取用于评估电池健康度的电池容量变化数据，其中，电池容量变化数据为各个充电片段中至少一个电压稳定区间内的数据，电压稳定区间表征的是车辆在充电过程中电流变化率处于预定范围内的电压区间；从电池容量变化数据中，提取用于表征动力电池健康指数的至少一个特征变量；利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到车辆当前的电池健康度的数值。该方法通过建立现有的车联网数据SOH和多特征的数学关系实现了基于实际工况数据的SOH准确估算，，进而解决了相关技术中车辆动力电池SOH估算精度低的技术问题。
实施例2
根据本发明实施例，还提供了一种获取动力电池的电池健康度的装置，该装置可以执行上述实施例中的动力电池的电池健康度的估算方法，具体实现方式和优选应用场景与上述实施例相同，在此不做赘述。
图4是根据本发明实施例的一种获取动力电池的电池健康度的装置的示意图，如图4所示，该装置包括：
获取模块42，用于获取车辆上安装的动力电池的电池源数据，其中，电池源数据记录了车辆在当前的充电过程中采集到的动力电池的电池源数据。
第一提取模块44，用于从电池源数据中提取用于评估电池健康度的电池容量变化数据，其中，电池容量变化数据为各个充电片段中至少一个电压稳定区间内的数据，电压稳定区间表征的是车辆在充电过程中电流变化率处于预定范围内的电压区间。
第二提取模块46，用于从电池容量变化数据中，提取用于表征动力电池健康指数的至少一个特征变量。
估算模块48，用于利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到车辆当前的电池健康度的数值。
可选地，电池源数据包括如下至少之一：车辆电压、电池数据采集时间、电池充放电状态、车辆行驶里程、电池总电流、电池总电压、电池的每个充电片段的单体电压、测温点温度。
可选地，特征变量包括如下至少之一：车辆的日历天数、累计里程、充电次数、循环次数、深度充放电次数、平均温度、每次充电过程中的平均温差、最大温差、充电单位温度上升量、平均温差标准差、平均压差、最大压差、平均压差标准差、大电流充电次数和大电流放电次数。
可选地，车联网数据为基于时间序列采集到的流式车联网数据，动力电池健康指数表征动力电池的健康衰减程度。
可选地，上述装置还包括：预处理模块，用于对电池容量变化数据进行预处理，其中，预处理模块包括如下至少之一：第一筛选模块，用于基于变量之间的关联强度，将电池容量变化数据中各个变量间的线性关系进行筛选；第二筛选模块，用于将电池容量变化数据中的冗余数据、无效数据进行删除。
可选地，上述装置还包括：构建模块，用于构建电池健康度估算模型，构建模块包括：子获取模块，用于获取车联网数据，其中，车联网数据包括：历史时间段内不同车辆在充电过程中检测到的动力电池的历史电池源数据；处理模块，用于对历史电池源数据进行预处理，并从预处理后的历史电池源数据中提取每个充电片段中与电池健康度的衰减相关的特征变量；训练模块，用于采用线性回归融合模型，对每个充电片段中动力电池的电池健康度和与电池健康度的衰减相关的特征变量分别进行线性回归训练，并进行模型融合，生成电池健康度估算模型。
实施例3
根据本发明实施例，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述实施例1中的电机控制方法。
根据本发明实施例的另一方面，还提供了一种车辆，车辆包含获取动力电池的电池健康度的装置，其中，装置运行时执行上述获取动力电池的电池健康度的处理方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅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)
1.一种获取动力电池的电池健康度的方法，其特征在于，包括：
获取车辆上安装的动力电池的电池源数据，其中，电池源数据记录了所述车辆在当前的充电过程中采集到的所述动力电池的电池源数据；
从所述电池源数据中提取用于评估所述电池健康度的电池容量变化数据，其中，所述电池容量变化数据为各个充电片段中至少一个电压稳定区间内的数据，所述电压稳定区间表征的是所述车辆在充电过程中电流变化率处于预定范围内的电压区间；
从所述电池容量变化数据中，提取用于表征动力电池健康指数的特征变量，其中，所述动力电池健康指数表征所述动力电池的健康衰减程度；
利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到所述车辆当前的电池健康度的数值；
其中，所述特征变量包括：车辆的日历天数、累计里程、充电次数、循环次数、深度充放电次数、平均温度、每次充电过程中的平均温差、最大温差、充电单位温度上升量、平均温差标准差、平均压差、最大压差、平均压差标准差、大电流充电次数和大电流放电次数；
所述方法还包括：构建所述电池健康度估算模型，该步骤包括：
获取车联网数据，其中，所述车联网数据包括：历史时间段内不同车辆在充电过程中检测到的动力电池的历史电池源数据；
对所述历史电池源数据进行预处理，并从预处理后的历史电池源数据中提取每个充电片段中与所述电池健康度的衰减相关的特征变量；
采用线性回归融合模型，对所述每个充电片段中动力电池的电池健康度和与所述电池健康度的衰减相关的特征变量分别进行线性回归训练，并进行模型融合，生成所述电池健康度估算模型，其中，所述线性回归融合模型基于线性回归模型和多元线性回归模型；
其中，所述线性回归融合模型的建模步骤包括：
步骤1，针对pearson分析得到的多重线性相关特征变量，相关特征变量单独与目标变量建立线性回归模型；
步骤2，针对通过信息贡献度筛选出的其他特征变量，各特征变量整体作为输入与目标变量建立多元线性回归模型；
步骤3，通过上述步骤1和步骤2分别得到“日历天数与SOH”、“累计里程与SOH”、“充电次数与SOH”、“循环次数与SOH”、“深度充放电次数与SOH”以及“多元特征变量与SOH”共6个线性回归模型后，确定各模型的决定系数R2；
步骤4，确定各线性回归模型的融合权重，各模型的决定系数R2除以所有模型的决定系数R2总和即为各模型的融合权重；
步骤5，各模型按照权重线性相加，得到所述线性回归融合模型。
2.根据权利要求1所述的方法，其特征在于，所述电池源数据包括如下至少之一：车辆电压、电池数据采集时间、电池充放电状态、车辆行驶里程、电池总电流、电池总电压、电池的每个充电片段的单体电压、测温点温度。
3.根据权利要求1所述的方法，其特征在于，在从所述电池源数据中提取用于评估所述电池健康度的电池容量变化数据之后，所述方法还包括：
对所述电池容量变化数据进行预处理，其中，所述预处理包括如下至少之一：
基于变量之间的关联强度，将所述电池容量变化数据中各个变量间的线性关系进行筛选；
将所述电池容量变化数据中的冗余数据、无效数据进行删除。
4.根据权利要求1所述的方法，其特征在于，所述车联网数据为基于时间序列采集到的流式车联网数据。
5.一种获取动力电池的电池健康度的装置，所述装置运行时执行根据权利要求1到4中任意一项所述的获取动力电池的电池健康度的方法，其特征在于，包括：
获取模块，用于获取车辆上安装的动力电池的电池源数据，其中，电池源数据记录了所述车辆在当前的充电过程中采集到的所述动力电池的电池源数据；
第一提取模块，用于从所述电池源数据中提取用于评估所述电池健康度的电池容量变化数据，其中，所述电池容量变化数据为各个充电片段中至少一个电压稳定区间内的数据，所述电压稳定区间表征的是所述车辆在充电过程中电流变化率处于预定范围内的电压区间；
第二提取模块，用于从所述电池容量变化数据中，提取用于表征动力电池健康指数的特征变量，其中，所述动力电池健康指数表征所述动力电池的健康衰减程度；
估算模块，用于利用电池健康度估算模型，对提取到的特征变量进行线性分析计算，估算得到所述车辆当前的电池健康度的数值；
其中，所述装置还包括：构建模块，用于构建所述电池健康度估算模型，所述构建模块包括：
子获取模块，用于获取车联网数据，其中，所述车联网数据包括：历史时间段内不同车辆在充电过程中检测到的动力电池的历史电池源数据；
处理模块，用于对所述历史电池源数据进行预处理，并从预处理后的历史电池源数据中提取每个充电片段中与所述电池健康度的衰减相关的特征变量；
训练模块，用于采用线性回归融合模型，对所述每个充电片段中动力电池的电池健康度和与所述电池健康度的衰减相关的特征变量分别进行线性回归训练，并进行模型融合，生成所述电池健康度估算模型。
6.一种车辆，其特征在于，所述车辆包含根据权利要求5所述的获取动力电池的电池健康度的装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111669897.3A CN114290960B (zh) | 2021-12-30 | 2021-12-30 | 获取动力电池的电池健康度的方法、装置和车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111669897.3A CN114290960B (zh) | 2021-12-30 | 2021-12-30 | 获取动力电池的电池健康度的方法、装置和车辆 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114290960A CN114290960A (zh) | 2022-04-08 |
| CN114290960B true CN114290960B (zh) | 2023-10-27 |
Family
ID=80974453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111669897.3A Active CN114290960B (zh) | 2021-12-30 | 2021-12-30 | 获取动力电池的电池健康度的方法、装置和车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114290960B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115598556A (zh) * | 2022-05-16 | 2023-01-13 | 深圳市道通合创新能源有限公司（Cn） | 电动车辆的动力电池的健康状态确定方法及服务器 |
| CN115343627B (zh) * | 2022-10-19 | 2023-02-10 | 力高(山东)新能源技术股份有限公司 | 一种动力电池的soh估算方法 |
| CN116400245B (zh) * | 2023-05-15 | 2024-04-16 | 长兴太湖能谷科技有限公司 | 一种锂电池运行健康监测分析系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111965560A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种面向通用放电工况的电池健康状态估计方法 |
| CN112255559A (zh) * | 2020-10-12 | 2021-01-22 | 江苏慧智能源工程技术创新研究院有限公司 | 基于多元线性回归的锂电池储能电站剩余寿命预测方法 |
| CN112630662A (zh) * | 2020-12-30 | 2021-04-09 | 南京航空航天大学 | 一种基于数据驱动及多参数融合的动力电池soh估算方法 |
| KR20210088915A (ko) * | 2020-01-07 | 2021-07-15 | 충남대학교산학협력단 | 배터리 관리 장치의 soh 추정 방법 및 이를 위한 soh 추정식 생성 방법 |
| CN113281671A (zh) * | 2021-06-28 | 2021-08-20 | 长安大学 | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统 |
| CN113740736A (zh) * | 2021-08-31 | 2021-12-03 | 哈尔滨工业大学 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
| DE102020115370A1 (de) * | 2020-06-10 | 2021-12-16 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Ermitteln eines Ladestroms sowie Steuergerät |
-
2021
- 2021-12-30 CN CN202111669897.3A patent/CN114290960B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210088915A (ko) * | 2020-01-07 | 2021-07-15 | 충남대학교산학협력단 | 배터리 관리 장치의 soh 추정 방법 및 이를 위한 soh 추정식 생성 방법 |
| DE102020115370A1 (de) * | 2020-06-10 | 2021-12-16 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Ermitteln eines Ladestroms sowie Steuergerät |
| CN111965560A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种面向通用放电工况的电池健康状态估计方法 |
| CN112255559A (zh) * | 2020-10-12 | 2021-01-22 | 江苏慧智能源工程技术创新研究院有限公司 | 基于多元线性回归的锂电池储能电站剩余寿命预测方法 |
| CN112630662A (zh) * | 2020-12-30 | 2021-04-09 | 南京航空航天大学 | 一种基于数据驱动及多参数融合的动力电池soh估算方法 |
| CN113281671A (zh) * | 2021-06-28 | 2021-08-20 | 长安大学 | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统 |
| CN113740736A (zh) * | 2021-08-31 | 2021-12-03 | 哈尔滨工业大学 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114290960A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114290960B (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| 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 | |
| CN111103544A (zh) | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 | |
| CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
| CN103399280B (zh) | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN115902647B (zh) | 一种电池状态智能监测方法 | |
| CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
| CN112485695A (zh) | 动力电池的检测方法及装置 | |
| CN115158076A (zh) | 计量误差评估方法、装置及计算机可读存储介质 | |
| CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
| CN112083346B (zh) | 基于lstm的并联电池组内部电流分布估计方法及系统 | |
| CN116381541B (zh) | 一种储能锂电池系统的健康评估方法及系统 | |
| CN115407217B (zh) | 一种电动汽车锂电池荷电状态在线估计方法及系统 | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| CN116224127A (zh) | 基于大数据分析的电池健康状态估算方法 | |
| CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
| CN115421045A (zh) | 一种电池健康度影响因素的分析方法及装置 | |
| CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
| CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN115219903A (zh) | 基于车联网数据分析的电池自放电率异常判断方法及装置 | |
| CN116298927B (zh) | 一种电池容量估计方法和装置、计算机设备、存储介质 | |
| CN113447821B (zh) | 评估电池荷电状态的方法 | |
| CN117435964B (zh) | 基于数据诊断仪的设备状态评估方法及系统 |
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 |