CN114397592A - 一种电动汽车动力电池的健康度预测方法和装置 - Google Patents
一种电动汽车动力电池的健康度预测方法和装置 Download PDFInfo
- Publication number
- CN114397592A CN114397592A CN202210015413.1A CN202210015413A CN114397592A CN 114397592 A CN114397592 A CN 114397592A CN 202210015413 A CN202210015413 A CN 202210015413A CN 114397592 A CN114397592 A CN 114397592A
- Authority
- CN
- China
- Prior art keywords
- data
- health degree
- charging
- sequence
- vehicle
- 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
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Abstract
本发明实施例公开了一种电动汽车动力电池的健康度预测方法和装置。健康度预测方法包括：获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据；根据每一参考车辆的第一历史充电数据确定每一参考车辆的动力电池健康度数据集；根据多个参考车辆的动力电池健康度数据集训练健康度预测模型；获取待预测车辆的设定时段内的第二历史充电数据，根据第二历史充电数据和健康度预测模型对待预测车辆的动力电池的健康度进行预测。本发明实施例实现了基于实车应用数据的动力电池健康度预测，进一步提高了健康度预测模型的训练精度，有效提升了预测结果的准确性，增强了预测方法的普适性，有利于进行实车推广与应用。
Description
技术领域
本发明实施例涉及电池技术领域，尤其涉及一种电动汽车动力电池的健康度预测方法和装置。
背景技术
电动汽车的推广应用始终无法规避用车安全和续航里程这两大问题。由于动力电池的健康度(State of Health，SOH)与电动汽车的用车安全及续航里程联系紧密，因而动力电池的SOH预测方法已成为研发人员的重点研究对象。
在现有技术中，常用的SOH预测方法主要包括两种，分别为基于物理模型的预测方法和基于数据驱动的预测方法。
针对基于物理模型的预测方法，该方法使用的物理模型大多建立于稳定的理想化实验室环境，相应的模型数据也多源于理想化实验室测定的电池SOH劣化数据。因此，模型预测法难以完全模拟和覆盖复杂多变的电池实际应用工况和环境。同时，由于电池本身劣化机制的复杂性，模型预测法难以利用物理模型对电池SOH进行准确预测。针对基于数据驱动的预测方法，该方法也存在需要基于实验室的测试数据进行模型训练的问题。该方法所采用的训练集数据过于离散，偏差较大，导致模型训练和预测结果精度偏低，难以进行实车应用。
发明内容
本发明实施例提供一种电动汽车动力电池的健康度预测方法和装置，以进一步提高健康度预测模型的训练精度，有利于提升预测结果的准确性，增强预测方法的实车适用性。
第一方面，本发明实施例提供了一种电动汽车动力电池的健康度预测方法，包括：
获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据；
根据每一所述参考车辆的第一历史充电数据确定每一所述参考车辆的动力电池健康度数据集，其中，所述健康度数据集包括多个充电片段的动力电池健康度；
根据多个所述参考车辆的动力电池健康度数据集训练健康度预测模型；
获取待预测车辆的设定时段内的第二历史充电数据，根据所述第二历史充电数据和所述健康度预测模型对所述待预测车辆的动力电池的健康度进行预测。
可选地，根据每一所述参考车辆的第一历史充电数据确定每一所述参考车辆的动力电池健康度数据集，包括：
对多个所述参考车辆的第一历史充电数据进行筛选，确定最终参考车辆，以及每一所述最终参考车辆对应的参考历史充电数据；
根据每一所述最终参考车辆的参考历史充电数据计算每一所述最终参考车辆的每一充电片段中固定电压区间内动力电池的充入容量，得到每一最终参考车辆的充入容量序列；
根据所述充入容量序列确定所述动力电池健康度数据集。
可选地，对多个所述参考车辆的第一历史充电数据进行筛选，确定最终参考车辆，以及每一所述最终参考车辆对应的参考历史充电数据，包括：
去除充电次数小于设置设定次数的参考车辆，确定最终参考车辆；
去除每一最终参考车辆的第一历史充电数据中充电电池容量跨度小于设定值的第一充电片段，以及去除动力电池充电温度大于设定温度的第二充电片段，得到每一最终参考车辆的参考历史数据。
可选地，根据所述充入容量序列确定所述动力电池健康度数据集，包括：
对所述充入容量序列进行插值，得到第一容量序列；其中，插值数量等于被去除的第二充电片段的数量；
在第一容量序列中每隔设定间隔对充入容量进行随机调整，得到第二容量序列，其中被调整的充入容量调整后的值与未调整时的差值在设定范围内；
对第二容量序列进行去噪处理，得到第三容量序列；
根据第三容量序列确定所述动力电池健康度数据集。
可选地，对第二容量序列进行去噪处理，得到第三容量序列，包括：
将所述第二容量序列每p个连续数据划分为一个数据组；
将每一数据组中数值大小位于设定数值范围的充入容量去除，得到第四容量序列；
对所述第四容量序列进行滑动平均处理得到所述第三容量序列。
可选地，根据第三容量序列确定所述动力电池健康度数据集，包括：
将第三容量序列中每一所述充入容量与第一个充入容量相除得到第一健康度序列；
对所述第一健康度序列进行线性插值，得到按时间等差分布的第二健康度序列；
由所述第二健康度序列中每隔设定时间间隔获取一个所述健康度，得到第三健康度序列；
按照时间滑动窗口提取所述第三健康度序列的训练特征数据和标签数据，并随机打乱全部所述第三健康度序列的排序，将预设比例的所述全部第三健康度序列作为所述健康度数据集。
可选地，根据所述第二历史充电数据和所述健康度预测模型对所述待预测车辆的动力电池的健康度进行预测，包括：
根据第二历史充电数据确定待预测车辆的动力电池在所述设定时段内的第四健康度序列；
根据所述第四健康度序列和所述健康度预测模型对所述待预测车辆的动力电池的健康度进行预测。
可选地，获取待预测车辆的设定时段内的第二历史充电数据，包括：
获取当前时间点之前n个月内的第二历史充电数据，其中n大于或等于m/2，其中m为待预测时间点与当前时间点的时间差。
可选地，根据多个所述参考车辆的动力电池健康度数据集训练健康度预测模型，包括：
基于LSTM、传统神经网络模型和所述动力电池健康度数据集训练所述健康度预测模型。
第二方面，本发明实施例还提供了一种电动汽车动力电池的健康度预测装置，包括：
数据获取模块，用于获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据；
数据集确定模块，用于根据每一所述参考车辆的第一历史充电数据确定每一所述参考车辆的动力电池健康度数据集，其中，所述健康度数据集包括多个充电片段的动力电池健康度；
模型训练模块，用于根据多个所述参考车辆的动力电池健康度数据集训练健康度预测模型；
健康度预测模块，用于获取待预测车辆的设定时段内的第二历史充电数据，根据所述第二历史充电数据和所述健康度预测模型对所述待预测车辆的动力电池的健康度进行预测。
本发明实施例的技术方案，通过根据与待预测车辆同车型的多个实际参考车辆的第一历史充电数据，对应确定多个参考车辆中动力电池的健康度数据集，在基于参考车辆中动力电池的健康度数据集完成健康度预测模型的训练后，通过完成训练的健康度预测模型和待预测车辆的第二历史充电数据，预测待预测车辆中动力电池的健康度的手段，解决了现有基于物理模型或数据驱动预测方法，由于预测数据过于理想化、离散程度高或数据偏差大等原因，而难以契合动力电池实际工况且预测精度低的问题，实现了基于实车应用数据的动力电池健康度预测，进一步提高了健康度预测模型的训练精度，有效提升了预测结果的准确性，增强了预测方法的普适性，有利于进行实车推广与应用。
附图说明
图1是本发明实施例提供的一种电动汽车动力电池的健康度预测方法的流程图；
图2是本发明实施例提供的另一种电动汽车动力电池的健康度预测方法的流程图；
图3是本发明实施例提供的又一种电动汽车动力电池的健康度预测方法的流程图；
图4是本发明实施例提供的又一种电动汽车动力电池的健康度预测方法的流程图；
图5是本发明实施例提供的又一种电动汽车动力电池的健康度预测方法的流程图；
图6是本发明实施例提供的某车型下健康度预测模型的测试集验证结果；
图7是本发明实施例提供的一种电动汽车动力电池的健康度预测方法的流程示意图；
图8是本发明实施例提供的一种电动汽车动力电池的健康度预测装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种电动汽车动力电池的健康度预测方法的流程图。本实施例适用于复杂工况下，各种类别及型号的动力电池健康度预测场景中，例如，混合动力汽车、电动摩托车或电动游艇等。本实施例可以由电动汽车动力电池的健康度预测装置来执行，该健康度预测装置可以由软件和/或硬件的方式实现，该健康度预测装置可以通过集成在动力系统中而集成于车辆内部。如图1所示，本实施例提供的电动汽车动力电池的健康度预测方法包括如下步骤：
S110、获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据。
其中，参考车辆与待预测车辆同车型是指，参考车辆和待预测车辆的型号参数相同。
第一历史充电数据的数据来源可以是车联网(Internet of Vehicle，IOV)，第一历史充电数据可以但不限于是基于时间序列的流式数据。示例性地，表一是本发明实施例提供的一种电动汽车电池的IOV监控数据名称表。
表一
| 序号 | 名称 |
| 1 | 车辆识别号码 |
| 2 | 采集时间 |
| 3 | 充电状态 |
| 4 | 电池的荷电状态 |
| 5 | 行驶里程 |
| 6 | 电流 |
| 7 | 电压 |
| 8 | 单体电压 |
| 9 | 测点温度 |
根据表一可知，第一历史充电数据可以包括车辆识别号码、采集时间、充电状态和电池荷电状态等参数。其中，车辆识别号码(Vehicle Identification Number，VIN)是指能够表示车辆的唯一标识码。采集时间是指数据采集时间戳；示例性地，采集时间可以但不限于包括“日”时间戳，“日”时间戳的取值范围是[1，31]。充电状态是指车辆的工作状态，例如行驶或充电等。电池的荷电状态(State of Charge，SOC)用于表示车辆动力电池的当前剩余容量；可以理解的是，SOC的取值范围为0～1，当SOC＝0时，表示电池放电完全，当SOC＝1时，表示电池完全充满。行驶里程是指车辆行驶的累计里程。电流是指电池包(Pack)充放电电流的大小。电压是指电池包的总电压。单体电压是指采集的1～n个电池单体(Cell)的电压值；可以理解的是，电池包可以由n个电池单体组成，电池单体的个数n与车辆动力电池的具体结构和参数设计相关，本发明实施例对此不进行限制，示例性地，动力电池组可以包含152个电池单体。测点温度是指采集的1～f个温度检测点的温度；可以理解的是，温度检测点的个数f与车辆动力电池的具体结构和参数设计相关，本发明实施例对此不进行限制，示例性地，锂离子动力电池每个电池箱内一般设置有6个温度检测点。
S120、根据每一参考车辆的第一历史充电数据确定每一参考车辆的动力电池健康度数据集。
其中，健康度数据集包括多个充电片段的动力电池健康度。
充电片段是指每一参考车辆的工作状态为充电状态的时间片段。可以理解的是，每个充电片段均包括表示参考车辆开始进行充电的开始位置，以及表征参考车辆已经充电完毕的结束位置。示例性地，将每个充电片段中结束位置与开始位置的行驶里程数据做差，可以得到各个充电片段的里程差；同样地，将每个充电片段中结束位置与开始位置的采集时间数据做差，可以得到各个充电片段的时间差；当相邻多个充电片段的里程差小于里程阈值且时间差均小于时间阈值时，可以将相邻的多个充电片段视为同一个充电片段。例如，当相邻多个充电片段的里程差均小于1km且时间差均小于1min时，可以将上述相邻的多个充电片段视为一个充电片段。基于此，第一历史充电数据包含多个充电片段。
S130、根据多个参考车辆的动力电池健康度数据集训练健康度预测模型。
其中，健康度预测模型可以是现有技术中的任意一种预测模型，例如遗传算法(Genetic Algorithm，GA)优化Elman神经网络模型等。
S140、获取待预测车辆的设定时段内的第二历史充电数据，根据第二历史充电数据和健康度预测模型对待预测车辆的动力电池的健康度进行预测。
其中，由于车辆的充电时间具有随机性，因而为保证第二历史充电数据充实详尽，设定时段应尽可能长，例如设定时段可以是3个月、8个月或一年等。
第二历史充电数据的数据来源可以是IOV，第二历史充电数据可以但不限于是基于时间序列的流式数据。继续参见表一，第二历史充电数据可以包括车辆识别号码、采集时间、充电状态和电池荷电状态等参数，本发明实施例不再进行赘述。第二历史充电数据包含多个充电片段。
本发明实施例的技术方案，通过根据与待预测车辆同车型的多个实际参考车辆的第一历史充电数据，对应确定多个参考车辆中动力电池的健康度数据集，在基于参考车辆中动力电池的健康度数据集完成健康度预测模型的训练后，通过完成训练的健康度预测模型和待预测车辆的第二历史充电数据，预测待预测车辆中动力电池的健康度的手段，解决了现有基于物理模型或数据驱动预测方法，由于预测数据过于理想化、离散程度高或数据偏差大等原因，而难以契合动力电池实际工况且预测精度低的问题，实现了基于实车应用数据的动力电池健康度预测，进一步提高了健康度预测模型的训练精度，有效提升了预测结果的准确性，增强了预测方法的普适性，有利于进行实车推广与应用。
在上述各实施例的基础上，本发明实施例还对每一参考车辆的动力电池健康度数据集的具体确定方法进行了限定。具体地，IOV中多个参考车辆的动力电池的第一历史充电数据可能存在数据重复或数据异常等状况，针对上述问题，下面进行具体说明。
图2是本发明实施例提供的另一种电动汽车动力电池的健康度预测方法的流程图。如图2所示，本实施例提供的电动汽车动力电池的健康度预测方法具体包括以下步骤：
S210、获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据。
S220、对多个参考车辆的第一历史充电数据进行筛选，确定最终参考车辆，以及每一最终参考车辆对应的参考历史充电数据。
其中，示例性地，对多个参考车辆的第一历史充电数据进行筛选可以包括以下三种情形：一是数据去重处理，例如，每一参考车辆只要存在完全重复的多条第一历史充电数据，都仅保留其中一条，其余冗余数据均进行去重处理；二是时间戳异常值处理，例如，“日”时间戳的取值为0或32等超出[1，31]范围的第一历史充电数据，需要进行整条数据的删除处理；三是异常数据处理，即删除数值超过或低于预设阈值的异常数据，例如，SOC为2的第一历史充电数据；充电次数过少的参考车辆及其第一历史充电数据等。
可以理解的是，本发明实施例可以通过上述三种情形的任意排列组合，完成对多个参考车辆的第一历史充电数据的筛选。示例性地，本发明实施例可以依次执行数据去重处理、时间戳异常值处理和异常数据处理，以实现对多个参考车辆的异常第一历史充电数据的去除，进而确定满足健康度预测模型训练要求的最终参考车辆，以及每一最终参考车辆所对应的参考历史充电数据。
S230、根据每一最终参考车辆的参考历史充电数据计算每一最终参考车辆的每一充电片段中固定电压区间内动力电池的充入容量，得到每一最终参考车辆的充入容量序列。
其中，每一最终参考车辆的每一充电片段中固定电压区间内动力电池的充入容量是指，每一最终参考车辆的每一充电片段中固定电压区间内动力电池的电流对时间的积分。可以理解的是，选取固定电压区间对动力电池的充入容量进行计算的原因在于，这样设置能够尽可能的消除充电片段内电流波动及电流采集周期偏长导致的充入容量计算误差，有利于提高动力电池健康度数据集的数据精度，优化健康度预测模型的训练效果。
固定电压区间可以根据不同车型使用的具体动力电池确定，本发明实施例对此不进行限制。示例性地，针对某一车型的动力电池，固定电压区间可以优选设定为370V～380V。
可知地，第一历史充电数据包含多个充电片段，则参考历史充电数据也包含多个充电片段。基于此，充入容量序列是指每一最终参考车辆的多个充电片段中固定电压区间内动力电池的充入容量的数据集合。
S240、根据充入容量序列确定动力电池健康度数据集。
其中，示例性地，在某一最终参考车辆的多个充电片段中，假设起始充电片段中固定电压区间内动力电池的充入容量为Cstart，当前充电片段中固定电压区间内动力电池的充入容量为C，则当前充电片段的电池健康度SOH的定义如下：
可以理解的是，根据上式能够得到该最终参考车辆任意充电片段所对应的电池健康度，整合该最终参考车辆全部充电片段的电池健康度能够确定动力电池健康度数据集。
S250、根据多个参考车辆的动力电池健康度数据集训练健康度预测模型。
S260、获取待预测车辆的设定时段内的第二历史充电数据，根据第二历史充电数据和健康度预测模型对待预测车辆的动力电池的健康度进行预测。
由此可见，本发明实施例通过IOV获取参考车辆中动力电池的第一历史充电数据，从源头上解决了现有预测方法中健康度预测模型的训练数据难以契合动力电池实际工况的问题，有利于增强预测方法的实车适用性。此外，与现有技术相比，本发明实施例还综合考量了第一历史充电数据中数据重复、时间戳异常和数据异常等情况，通过对多个参考车辆的第一历史充电数据进行筛选，有效去除了无法满足健康度预测模型训练要求的数据，不仅进一步提高了健康度预测模型的训练精度，进而有效提升了预测结果的准确性，还显著降低了健康度预测装置的通信和计算压力，进一步延长了健康度预测装置的使用寿命，保障了健康度预测装置的常态化运行。
在上述各实施例的基础上，本发明实施例又对最终参考车辆以及参考历史充电数据的具体确定方法进行了限定。具体地，除前述数据重复或数据异常等状况以外，参考车辆的充电次数和行驶里程等自身属性，以及SOC的跨度与测点温度等第一历史充电数据的特征参数，均会影响最终参考车辆及参考历史数据的确定，不利于提高预测模型的训练精度及预测结果的准确性，针对上述情况，下面进行具体说明。
图3是本发明实施例提供的又一种电动汽车动力电池的健康度预测方法的流程图。如图3所示，本实施例提供的电动汽车动力电池的健康度预测方法具体包括以下步骤：
S310、获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据。
S320、去除充电次数小于设置设定次数的参考车辆，确定最终参考车辆。
其中，设定次数可以根据待预测车辆的实际情况适应性进行调整，本发明实施例对此不进行限定。示例性地，设定次数可以优选设定为20。
本发明实施例去除充电次数小于设置设定次数的参考车辆的原因在于，充电次数过少的参考车辆意味着该参考车辆的第一历史充电数据偏少，容易影响模型训练和预测结果精度。
S330、去除每一最终参考车辆的第一历史充电数据中充电电池容量跨度小于设定值的第一充电片段，以及去除动力电池充电温度大于设定温度的第二充电片段，得到每一最终参考车辆的参考历史数据。
其中，充电电池容量跨度过小会使得充入容量的计算偏差增大，充电温度过高会对充入容量的提取产生较大影响。可以理解的是，充电电池容量跨度也即SOC的跨度的预设值，以及设定温度均可以根据待预测车辆的实际情况及不同电池组的特性进行适应性调整，本发明实施例不做限定。示例性地，对于某一车型的参考车辆而言，充电电池容量跨度可以优选设定为30％，设定温度可以优选设定为35℃。
S340、根据每一最终参考车辆的参考历史充电数据计算每一最终参考车辆的每一充电片段中固定电压区间内动力电池的充入容量，得到每一最终参考车辆的充入容量序列。
S350、根据充入容量序列确定动力电池健康度数据集。
S360、根据多个参考车辆的动力电池健康度数据集训练健康度预测模型。
S370、获取待预测车辆的设定时段内的第二历史充电数据，根据第二历史充电数据和健康度预测模型对待预测车辆的动力电池的健康度进行预测。
综上所述，本发明实施例通过去除充电次数小于设置设定次数的参考车辆，确定了有益于对充入容量及充入容量序列进行提取和转化的最终参考车辆。此外，通过去除每一最终参考车辆的第一历史充电数据中充电电池容量跨度小于设定值的第一充电片段，以及动力电池充电温度大于设定温度的第二充电片段，得到了每一最终参考车辆的参考历史数据，这样设置有效降低了健康度预测装置的通信和计算压力。
在上述各实施例的基础上，本发明实施例又对动力电池健康度数据集的具体确定方法进行了限定。具体地，经过第二充电片段的去除步骤，获得的大多数参考历史数据往往离散性偏大，存在数值波动，甚至数据跳变等问题。因此，根据参考历史充电数据直接或间接计算得到的充入容量、充入容量序列及动力电池健康度数据集可能存在数据离散、波动或跳变等问题，影响模型预测精度。基于上述问题，下面进行具体说明。
图4是本发明实施例提供的又一种电动汽车动力电池的健康度预测方法的流程图。如图4所示，本实施例提供的电动汽车动力电池的健康度预测方法具体包括以下步骤：
S401、获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据。
S402、去除充电次数小于设置设定次数的参考车辆，确定最终参考车辆。
S403、去除每一最终参考车辆的第一历史充电数据中充电电池容量跨度小于设定值的第一充电片段，以及去除动力电池充电温度大于设定温度的第二充电片段，得到每一最终参考车辆的参考历史数据。
S404、根据每一最终参考车辆的参考历史充电数据计算每一最终参考车辆的每一充电片段中固定电压区间内动力电池的充入容量，得到每一最终参考车辆的充入容量序列。
S405、对充入容量序列进行插值，得到第一容量序列。
其中，插值数量等于被去除的第二充电片段的数量。可以理解的是，因动力电池充电温度大于设定温度而被剔除的第二充电片段的充入容量的数据，需要合理的充入容量进行适应性代替。基于此，通过设置插值数量等于被去除的第二充电片段的数量，本发明实施例能够有效保障充入容量序列的完整性和连续性。
可知地，第一容量序列中的充入容量数量多于充入容量序列中的充入容量数量。
示例性地，充入容量序列的插值过程可以是：根据充入容量序列中的数据及其时间排列顺序，将充入容量序列中前三分之一数量的充入容量的平均值作为Estart，并取充入容量序列中后三分之一数量的充入容量的平均值作为Eend；根据剔除掉的第二充电片段所对应充入容量的数据个数和时序，在[Eend，Estart]区间范围中等差地插入相应个数的充入容量，以得到第一容量序列。
S406、在第一容量序列中每隔设定间隔对充入容量进行随机调整，得到第二容量序列。
其中，被调整的充入容量调整后的值与未调整时的差值在设定范围内。
可知地，第二容量序列中的充入容量数量等于第一容量序列中的充入容量数量。
每隔设定间隔对充入容量进行随机调整是指，以第一容量序列中首个充入容量为始，每隔设定个数的充入容量选取第一容量序列中的一个充入容量，并对该选取的充入容量进行随机调整。可以理解的是，被调整的充入容量，即枚举的充入容量。
被调整的充入容量调整后的值与未调整时的差值在设定范围内是指，枚举的充入容量在该充入容量原始数据的上下一定范围内波动。基于此，本发明实施例不仅能够有效保障充入容量序列的完整性和连续性，还能使第二容量序列进一步贴近动力电池的实际高温充电场景。
示例性地，假设设定间隔为2，设定范围为[-10，10]，且第一容量序列由13个充入容量组成，则在第一容量序列中每隔设定间隔对充入容量进行随机调整是指，在第一容量序列中，每隔2个充入容量，制作一个随机种子，使下一充入容量在该充入容量原始数据的[-10，10]范围内波动。此时，将随机调整后的第一容量序列中的第1、4、7、10和13个充入容量代入第一容量序列，即可获得第二容量序列。
S407、对第二容量序列进行去噪处理，得到第三容量序列。
其中，在S406中，本发明实施例对第一容量序列中的充入容量进行了随机调整，对第一容量序列来说，随机调整会适应性引入随机错误。可以理解的是，对第二容量序列进行去噪处理能够有效削弱第一容量序列中的随机错误对动力电池健康度数据集精度的影响。基于此，本发明实施例通过对第二容量序列进行去噪处理，进一步提高了动力电池健康度数据集的精度，有利于提升健康度预测模型的训练精度以及预测结果的准确性。
S408、根据第三容量序列确定动力电池健康度数据集。
S409、根据多个参考车辆的动力电池健康度数据集训练健康度预测模型。
其中，示例性地，健康度预测模型可以优选采用长短期记忆网络(Long Short-Term Memory，LSTM)优化神经网络算法(Neural network algorithm)实现预测模型的搭建。健康度预测模型的基本结构和设计如下：健康度预测模型包括两层LSTM层和一层全连接(Dense)层，优化器采用深度学习梯度计算(Root Mean Square Prop)方法，损失函数采用平均绝对误差(Mean Absolute Error，MAE)，模型学习率采用动态调节学习率，即损失在100次迭代后仍未下降，则学习率减半。
因此，基于LSTM、传统神经网络模型和动力电池健康度数据集可以训练健康度预测模型。
S410、获取待预测车辆的设定时段内的第二历史充电数据，根据第二历史充电数据和健康度预测模型对待预测车辆的动力电池的健康度进行预测。
综上，本发明实施例通过对充入容量序列进行插值，得到第一容量序列；在第一容量序列中每隔设定间隔对充入容量进行随机调整，得到第二容量序列；对第二容量序列进行去噪处理，得到第三容量序列的手段，克服了经第二充电片段的去除步骤后，根据参考历史充电数据直接或间接计算得到的充入容量、充入容量序列及动力电池健康度数据集存在数据离散、波动或跳变的问题。
除此以外，首先，通过设置充入容量序列中的插值数量等于被去除的第二充电片段的数量，本发明实施例能够有效保障充入容量序列的完整性和连续性。其次，通过在第一容量序列中每隔设定间隔对充入容量进行随机调整，本发明实施例能使第二容量序列进一步贴近动力电池的实际高温充电场景。最后，通过对第二容量序列的去噪处理，本发明实施例有效削弱了第一容量序列中的随机错误对动力电池健康度数据集精度的影响，进一步提高了动力电池健康度数据集的精度，有利于提升健康度预测模型的训练精度，以及预测结果的准确性。
在上述各实施例的基础上，本发明实施例又提供了去噪处理的具体方法，下面进行具体说明，但不作为对本发明的限定。
在本发明的一种实施方式中，可选地，对第二容量序列进行去噪处理，得到第三容量序列，包括：将第二容量序列每p个连续数据划分为一个数据组；将每一数据组中数值大小位于设定数值范围的充入容量去除，得到第四容量序列；对第四容量序列进行滑动平均处理得到第三容量序列。
其中，用于组成一个数据组的充入容量数据的个数p可以根据第二容量序列的具体参数构成进行适应性改变，本发明实施例对此不进行限制。示例性地，p可以是20。
示例性地，设定数值范围可以是大于0.9分位数和小于0.1分位数。适应性地，将每一数据组中数值大小位于设定数值范围的充入容量去除是指，将每一数据组中数值大小分布大于0.9分位数和小于0.1分位数的数据删除，即当p等于20时，第二容量序列中每20个连续数据剔除最大的10％和最小的10％。
对第四容量序列进行滑动平均处理的具体方法包括但不限是滑动平均法(MovingAverage)、指数滑动平均法(Exponential Mean Average)或SG滤波法(Savitzky GolayFilter)等。示例性地，滑动窗口的大小可以设置为第四容量序列的容量数据长度的1/3。
基于此，本发明实施例能够有效削弱第一容量序列中的随机错误对动力电池健康度数据集精度的影响，进一步提高了动力电池健康度数据集的精度，有利于提升健康度预测模型的训练精度，以及预测结果的准确性。
在上述各实施例的基础上，可选地，根据第三容量序列确定动力电池健康度数据集，包括：将第三容量序列中每一充入容量与第一个充入容量相除得到第一健康度序列；对第一健康度序列进行线性插值，得到按时间等差分布的第二健康度序列；由第二健康度序列中每隔设定时间间隔获取一个健康度，得到第三健康度序列；按照时间滑动窗口提取第三健康度序列的训练特征数据和标签数据，并随机打乱全部第三健康度序列的排序，将预设比例的全部第三健康度序列作为健康度数据集。
其中，第一个充入容量是指按时间排列第三容量序列中的第一个充入容量。可以理解的是，根据前述当前充电片段的电池健康度SOH的定义，将第三容量序列中每一充入容量与第一个充入容量相除可以得到第三容量序列中每一充入容量所对应的健康度，所有健康度按时间排列即为第一健康度序列。
可知的，LSTM算法要求相邻两条数据的时间间隔保持一致。但是，由于参考车辆动力电池的充电时间不固定，以及第一健康度序列与第三容量序列中的各个充电片段一一对应，因而第一健康度序列的时间分布并不均匀，即相邻两条健康度数据之间间隔的时间并不完全相同。因此，还需要对第一健康度序列进行处理。
第二健康度序列的获取方式可以是，对第一健康度序列的时间序列作差，获得时间差序列，基于该时间差序列对第一健康度序列进行线性插值，得到按时间等差分布的第二健康度序列。示例性地，第二健康度序列可以是以“日”为公差等差分布的健康度序列。
设定时间间隔可以根据健康度数据集的数据精度和健康度预测模型的训练精度进行适应性改变，本发明实施例对此不进行限制。示例性地，设定时间间隔可以是7天。基于此，由第二健康度序列中每隔设定时间间隔获取一个健康度是指，按照每7天一条健康度数据的标准，对第二健康度序列中的健康度数据进行提取并作差，形成的新健康度序列即为第三健康度序列。可以理解的是，这样设置能够扩大健康度数据集的变化，有利于提升健康度预测模型的训练精度，减小健康度预测模型的预测误差。
示例性地，按照时间滑动窗口提取第三健康度序列的训练特征数据和标签数据是指，将待预测时间点前n个月的第三健康度序列作为第三健康度序列的训练特征数据，即健康度预测模型的训练输入，并将接下来第m个月月末的第三健康度序列的序列值作为第三健康度序列的标签数据，也即健康度预测模型的预期输出。一般而言，n大于或等于m/2，m一般不大于18。
为了避免动力电池健康度数据集的数据过于庞大所带来的通讯和计算压力，降低第三健康度序列按时间排序对动力电池健康度数据集精度的影响，进一步提高健康度预测装置的预测效率，可选地，本发明实施例可以通过对第三健康序列进行适应性划分，以生成动力电池健康度数据集，具体方法如下。
首先，对原本按时间顺序排列的第三健康度序列进行随机打乱。其次，将打乱后的第三健康度序列按照预定比例划分成健康度数据集、验证集和测试集。最后，基于健康度数据集训练健康度预测模型，根据验证集查找最优参数组合，使用测试集测试健康度预测模型的预测效果及泛化能力。
示例性地，预定比例可以是7：2：1。其中，健康度数据集占第三健康度序列的7/10，验证集占第三健康度序列的1/5，测试集占第三健康度序列的1/10。适应性地，此时，预设比例为7/10。
在上述各实施例的基础上，本发明实施例又对第二历史充电数据的具体确定方法进行了限定，下面进行具体说明。
图5是本发明实施例提供的又一种电动汽车动力电池的健康度预测方法的流程图。如图5所示，本实施例提供的电动汽车动力电池的健康度预测方法具体包括以下步骤：
S501、获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据。
S502、去除充电次数小于设置设定次数的参考车辆，确定最终参考车辆。
S503、去除每一最终参考车辆的第一历史充电数据中充电电池容量跨度小于设定值的第一充电片段，以及去除动力电池充电温度大于设定温度的第二充电片段，得到每一最终参考车辆的参考历史数据。
S504、根据每一最终参考车辆的参考历史充电数据计算每一最终参考车辆的每一充电片段中固定电压区间内动力电池的充入容量，得到每一最终参考车辆的充入容量序列。
S505、对充入容量序列进行插值，得到第一容量序列。
S506、在第一容量序列中每隔设定间隔对充入容量进行随机调整，得到第二容量序列。
S507、对第二容量序列进行去噪处理，得到第三容量序列。
S508、根据第三容量序列确定动力电池健康度数据集。
S509、基于LSTM、传统神经网络模型和动力电池健康度数据集训练健康度预测模型。
其中，示例性地，图6是本发明实施例提供的某车型下健康度预测模型的测试集验证结果。经发明人验证，预测值和实际值的平均绝对误差为0.19。
S510、获取当前时间点之前n个月内的第二历史充电数据。
其中，n大于或等于m/2，m为待预测时间点与当前时间点的时间差。可以理解的是，m是用户需要预测的健康度的时间跨度，m可以根据用户的实际预测需求进行适应性改变，本发明实施例对此不进行限制。示例性地，m一般不大于18。
可知地，当m等于18时，n不小于9，即当用户需要预测当前时间点18个月后的待预测车辆动力电池的健康度时，需要获取当前时间点之前至少9个月内待预测车辆动力电池的第二历史充电数据。
S511、根据第二历史充电数据确定待预测车辆的动力电池在设定时段内的第四健康度序列。
其中，设定时段是指当前时间点之前的n个月。示例性地，根据第二历史充电数据确定待预测车辆的动力电池在设定时段内的第四健康度序列的具体方法可以是重复步骤S504～S508，下面进行具体说明。
首先，根据待预测车辆的第二历史充电数据计算待预测车辆的每一充电片段中固定电压区间内动力电池的充入容量，得到待预测车辆的充入容量序列。其次，对待预测车辆的充入容量序列进行插值，得到第四容量序列。复次，在第四容量序列中每隔设定间隔对充入容量进行随机调整，得到第五容量序列。再次，对第五容量序列进行去噪处理，得到第六容量序列。最后，根据第六容量序列确定第四健康度序列。
基于此，本发明实施例能够有效削弱第四容量序列中的随机错误对第四健康度序列精度的影响，进一步提高了第四健康度序列的精度，有利于提升健康度预测结果的准确性。
S512、根据第四健康度序列和健康度预测模型对待预测车辆的动力电池的健康度进行预测。
其中，根据第四健康度序列和健康度预测模型对待预测车辆的动力电池的健康度进行预测是指，将第四健康度序列作为健康度预测模型的输入，对待预测车辆的动力电池的未来健康度进行预测。
在上述各实施例的基础上，图7是本发明实施例提供的一种电动汽车动力电池的健康度预测方法的流程示意图。如图7所示，健康度预测方法具体如下：
S710、获取实时车联网数据。
S720、数据预处理。
S730、提取充电片段。
S740、计算固定电压区间充入容量。
S750、获取SOH序列。
S760、划分数据集。
S770、LSTM预测模型搭建、训练和优化。
S780、获取最优预测模型。
S790、预测未来SOH。
综上所述，本发明实施例所提供的技术方案解决了现有基于物理模型或数据驱动预测方法，由于预测数据过于理想化、离散程度高或数据偏差大等原因，而难以契合动力电池实际工况且预测精度低的问题，实现了基于实车应用数据的动力电池健康度预测，进一步提高了健康度预测模型的训练精度，有效提升了预测结果的准确性，增强了预测方法的普适性，有利于进行实车推广与应用。
图8是本发明实施例提供的一种电动汽车动力电池的健康度预测装置的结构示意图。该装置可以由软件和/或硬件的方式实现。如图8所示，本实施例提供的电动汽车动力电池的健康度预测装置包括：
数据获取模块810，用于获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据。
数据集确定模块820，用于根据每一参考车辆的第一历史充电数据确定每一参考车辆的动力电池健康度数据集。
模型训练模块830，用于根据多个参考车辆的动力电池健康度数据集训练健康度预测模型。
健康度预测模块840，用于获取待预测车辆的设定时段内的第二历史充电数据，根据第二历史充电数据和健康度预测模型对待预测车辆的动力电池的健康度进行预测。
可选地，数据集确定模块具体用于对多个参考车辆的第一历史充电数据进行筛选，确定最终参考车辆，以及每一最终参考车辆对应的参考历史充电数据；根据每一最终参考车辆的参考历史充电数据计算每一最终参考车辆的每一充电片段中固定电压区间内动力电池的充入容量，得到每一最终参考车辆的充入容量序列；根据充入容量序列确定动力电池健康度数据集。
可选地，数据集确定模块具体还用于去除充电次数小于设置设定次数的参考车辆，确定最终参考车辆；去除每一最终参考车辆的第一历史充电数据中充电电池容量跨度小于设定值的第一充电片段，以及去除动力电池充电温度大于设定温度的第二充电片段，得到每一最终参考车辆的参考历史数据。
可选地，数据集确定模块具体还用于对充入容量序列进行插值，得到第一容量序列；在第一容量序列中每隔设定间隔对充入容量进行随机调整，得到第二容量序列；对第二容量序列进行去噪处理，得到第三容量序列；根据第三容量序列确定动力电池健康度数据集。
可选地，数据集确定模块具体还用于将第二容量序列每p个连续数据划分为一个数据组；将每一数据组中数值大小位于设定数值范围的充入容量去除，得到第四容量序列；对第四容量序列进行滑动平均处理得到第三容量序列。
可选地，数据集确定模块具体还用于将第三容量序列中每一充入容量与第一个充入容量相除得到第一健康度序列；对第一健康度序列进行线性插值，得到按时间等差分布的第二健康度序列；由第二健康度序列中每隔设定时间间隔获取一个健康度，得到第三健康度序列；按照时间滑动窗口提取第三健康度序列的训练特征数据和标签数据，并随机打乱全部第三健康度序列的排序，将预设比例的全部第三健康度序列作为健康度数据集。
可选地，模型训练模块还用于基于LSTM、传统神经网络模型和动力电池健康度数据集训练健康度预测模型。
可选地，健康度预测模块还用于根据第二历史充电数据确定待预测车辆的动力电池在设定时段内的第四健康度序列；根据第四健康度序列和健康度预测模型对待预测车辆的动力电池的健康度进行预测。
可选地，健康度预测模块还用于获取当前时间点之前n个月内的第二历史充电数据。
本发明实施例提供的电动汽车动力电池的健康度预测装置，通过数据获取模块获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据；通过数据集确定模块根据每一参考车辆的第一历史充电数据确定每一参考车辆的动力电池健康度数据集；通过模型训练模块根据多个参考车辆的动力电池健康度数据集训练健康度预测模型；通过健康度预测模块获取待预测车辆的设定时段内的第二历史充电数据，根据第二历史充电数据和健康度预测模型对待预测车辆的动力电池的健康度进行预测。因此，本发明实施例从源头上解决了现有预测方法中健康度预测模型的训练数据难以契合动力电池实际工况的问题，有利于增强预测方法的实车适用性。经发明人试验验证，本发明实施例提供的健康度预测模型的预测值与实际值的平均绝对误差，能够满足电动汽车动力电池的预测精度的实际要求。
综上，与现有技术相比，本实施例的技术方案，解决了现有基于物理模型或数据驱动预测方法，由于预测数据过于理想化、离散程度高或数据偏差大等原因，而难以契合动力电池实际工况且预测精度低的问题，实现了基于实车应用数据的动力电池健康度预测，进一步提高了健康度预测模型的训练精度，有效提升了预测结果的准确性，增强了预测方法的普适性，有利于进行实车推广与应用。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种电动汽车动力电池的健康度预测方法，其特征在于，包括：
获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据；
根据每一所述参考车辆的第一历史充电数据确定每一所述参考车辆的动力电池健康度数据集，其中，所述健康度数据集包括多个充电片段的动力电池健康度；
根据多个所述参考车辆的动力电池健康度数据集训练健康度预测模型；
获取待预测车辆的设定时段内的第二历史充电数据，根据所述第二历史充电数据和所述健康度预测模型对所述待预测车辆的动力电池的健康度进行预测。
2.根据权利要求1所述的方法，其特征在于，根据每一所述参考车辆的第一历史充电数据确定每一所述参考车辆的动力电池健康度数据集，包括：
对多个所述参考车辆的第一历史充电数据进行筛选，确定最终参考车辆，以及每一所述最终参考车辆对应的参考历史充电数据；
根据每一所述最终参考车辆的参考历史充电数据计算每一所述最终参考车辆的每一充电片段中固定电压区间内动力电池的充入容量，得到每一最终参考车辆的充入容量序列；
根据所述充入容量序列确定所述动力电池健康度数据集。
3.根据权利要求2所述的方法，其特征在于，对多个所述参考车辆的第一历史充电数据进行筛选，确定最终参考车辆，以及每一所述最终参考车辆对应的参考历史充电数据，包括：
去除充电次数小于设置设定次数的参考车辆，确定最终参考车辆；
去除每一最终参考车辆的第一历史充电数据中充电电池容量跨度小于设定值的第一充电片段，以及去除动力电池充电温度大于设定温度的第二充电片段，得到每一最终参考车辆的参考历史数据。
4.根据权利要求3所述的方法，其特征在于，根据所述充入容量序列确定所述动力电池健康度数据集，包括：
对所述充入容量序列进行插值，得到第一容量序列；其中，插值数量等于被去除的第二充电片段的数量；
在第一容量序列中每隔设定间隔对充入容量进行随机调整，得到第二容量序列，其中被调整的充入容量调整后的值与未调整时的差值在设定范围内；
对第二容量序列进行去噪处理，得到第三容量序列；
根据第三容量序列确定所述动力电池健康度数据集。
5.根据权利要求4所述的方法，其特征在于，对第二容量序列进行去噪处理，得到第三容量序列，包括：
将所述第二容量序列每p个连续数据划分为一个数据组；
将每一数据组中数值大小位于设定数值范围的充入容量去除，得到第四容量序列；
对所述第四容量序列进行滑动平均处理得到所述第三容量序列。
6.根据权利要求4所述的方法，其特征在于，根据第三容量序列确定所述动力电池健康度数据集，包括：
将第三容量序列中每一所述充入容量与第一个充入容量相除得到第一健康度序列；
对所述第一健康度序列进行线性插值，得到按时间等差分布的第二健康度序列；
由所述第二健康度序列中每隔设定时间间隔获取一个所述健康度，得到第三健康度序列；
按照时间滑动窗口提取所述第三健康度序列的训练特征数据和标签数据，并随机打乱全部所述第三健康度序列的排序，将预设比例的所述全部第三健康度序列作为所述健康度数据集。
7.根据权利要求1所述的方法，其特征在于，根据所述第二历史充电数据和所述健康度预测模型对所述待预测车辆的动力电池的健康度进行预测，包括：
根据第二历史充电数据确定待预测车辆的动力电池在所述设定时段内的第四健康度序列；
根据所述第四健康度序列和所述健康度预测模型对所述待预测车辆的动力电池的健康度进行预测。
8.根据权利要求1所述的方法，其特征在于，获取待预测车辆的设定时段内的第二历史充电数据，包括：
获取当前时间点之前n个月内的第二历史充电数据，其中n大于或等于m/2，其中m为待预测时间点与当前时间点的时间差。
9.根据权利要求1所述的方法，其特征在于，根据多个所述参考车辆的动力电池健康度数据集训练健康度预测模型，包括：
基于LSTM、传统神经网络模型和所述动力电池健康度数据集训练所述健康度预测模型。
10.一种电动汽车动力电池的健康度预测装置，其特征在于，包括：
数据获取模块，用于获取与待预测车辆同车型的多个参考车辆的动力电池的第一历史充电数据；
数据集确定模块，用于根据每一所述参考车辆的第一历史充电数据确定每一所述参考车辆的动力电池健康度数据集，其中，所述健康度数据集包括多个充电片段的动力电池健康度；
模型训练模块，用于根据多个所述参考车辆的动力电池健康度数据集训练健康度预测模型；
健康度预测模块，用于获取待预测车辆的设定时段内的第二历史充电数据，根据所述第二历史充电数据和所述健康度预测模型对所述待预测车辆的动力电池的健康度进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210015413.1A CN114397592A (zh) | 2022-01-07 | 2022-01-07 | 一种电动汽车动力电池的健康度预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210015413.1A CN114397592A (zh) | 2022-01-07 | 2022-01-07 | 一种电动汽车动力电池的健康度预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114397592A true CN114397592A (zh) | 2022-04-26 |
Family
ID=81229532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210015413.1A Pending CN114397592A (zh) | 2022-01-07 | 2022-01-07 | 一种电动汽车动力电池的健康度预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114397592A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114579644A (zh) * | 2022-05-06 | 2022-06-03 | 中国汽车技术研究中心有限公司 | 基于深度学习的电池有效充电数据识别方法、设备和介质 |
| CN116299005A (zh) * | 2023-02-07 | 2023-06-23 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
| CN116400227A (zh) * | 2023-06-08 | 2023-07-07 | 长安大学 | 电动汽车动力电池soh预测方法、系统、设备及介质 |
-
2022
- 2022-01-07 CN CN202210015413.1A patent/CN114397592A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114579644A (zh) * | 2022-05-06 | 2022-06-03 | 中国汽车技术研究中心有限公司 | 基于深度学习的电池有效充电数据识别方法、设备和介质 |
| CN114579644B (zh) * | 2022-05-06 | 2022-07-22 | 中国汽车技术研究中心有限公司 | 基于深度学习的电池有效充电数据识别方法、设备和介质 |
| KR20230156641A (ko) * | 2022-05-06 | 2023-11-14 | 차이나 오토모티브 테크놀로지 앤드 리서치 센터 컴퍼니 리미티드 | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 |
| KR102615145B1 (ko) * | 2022-05-06 | 2023-12-15 | 차이나 오토모티브 테크놀로지 앤드 리서치 센터 컴퍼니 리미티드 | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 |
| CN116299005A (zh) * | 2023-02-07 | 2023-06-23 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
| CN116299005B (zh) * | 2023-02-07 | 2023-09-05 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
| CN116400227A (zh) * | 2023-06-08 | 2023-07-07 | 长安大学 | 电动汽车动力电池soh预测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114397592A (zh) | 一种电动汽车动力电池的健康度预测方法和装置 | |
| CN112765772B (zh) | 一种基于数据驱动的动力电池剩余寿命预测方法 | |
| 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 | |
| EP3748380B1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
| US11300621B2 (en) | Battery life learning device, battery life prediction device, method and non-transitory computer readable medium | |
| CN111381170A (zh) | 基于大数据的电动汽车电池包健康状态预测方法及系统 | |
| CN112415402B (zh) | 锂电池容量估计、电芯异常预测的方法和系统 | |
| CN115524629B (zh) | 一种车辆动力电池系统健康状态的评估方法 | |
| CN111505511B (zh) | 一种电动汽车单体电芯容量测定方法、电子设备及存储介质 | |
| CN115343621A (zh) | 一种基于数据驱动的动力电池健康状态预测方法及设备 | |
| CN114290960B (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| CN111191824A (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| CN115267575A (zh) | 一种基于Transformer的储能电池寿命预测算法 | |
| CN116298927B (zh) | 一种电池容量估计方法和装置、计算机设备、存储介质 | |
| CN115544900B (zh) | 一种基于Shap算法分析电动车续航里程影响因素的方法 | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| CN116381500A (zh) | 基于大数据分析的纯电动汽车动力电池评价指标构建方法 | |
| CN116842464A (zh) | 一种电池系统soc估计方法 | |
| WO2023052910A1 (en) | System and method for estimating state of health and remaining useful life of a battery | |
| CN113119796B (zh) | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| Chen et al. | Li-ion battery state-of-health estimation based on the combination of statistical and geometric features of the constant-voltage charging stage | |
| EP4235338A1 (en) | Method and apparatus for predicting energy consumption of commercial electric vehicle, and computer device | |
| CN113884927B (zh) | 一种基于云端大数据的电池寿命主动控制方法及系统 |
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 |