CN114924203A

CN114924203A - 一种电池soh预测分析方法及电动汽车

Info

Publication number: CN114924203A
Application number: CN202210569766.6A
Authority: CN
Inventors: 陈越; 钱磊; 朱卓敏
Original assignee: Shanghai Powershare Information Technology Co ltd
Current assignee: Shanghai Powershare Information Technology Co ltd
Priority date: 2022-05-24
Filing date: 2022-05-24
Publication date: 2022-08-19

Abstract

本发明公开了一种电池SOH预测分析方法及电动汽车，SOH预测分析方法包括：S1、从电池数据平台获取待分析的目标电池的历史数据；S2、选取至少一个数学方法模型、至少一个机器学习模型和至少一个深度学习模型以分别对目标电池预测SOH，包括：将所述目标电池的历史数据输入所选取的模型中，分别得到各个模型对应的SOH预测结果；S3、为所选取的各个模型分配权重；S4、根据各个模型对应的SOH预测结果以及所分配的权重，计算所述目标电池的SOH综合预测结果。本发明融合数学方法、机器学习和深度学习算法，能够预测出较长的一段时间SOH变化情况，鲁棒性较强。

Description

一种电池SOH预测分析方法及电动汽车

技术领域

本发明涉及电池技术领域，尤其涉及一种电池SOH预测分析方法及电动汽车。

背景技术

动力电池作为电动新能源汽车的核心部件之一，对电动汽车的性能表现起着至关重要的作用，如果电池系统受到损伤，那么新能源汽车的续航里程也将大大减少。随着动力电池的不断使用，动力电池的可用容量将不断减小，按照现有大部分车企对外标准中均指出当动力电池的可用容量降至新电池的80％时，则认为该动力电池的寿命达到更换标准。动力电池的容量信息可通过SOH(State of Health)值反映出，也就是说，准确地获取SOH值是准确判断动力电池的寿命和老化程度的关键，对于动力电池的及时检修及更换有较大帮助。

当前大多数情况由电池管理系统(Battery Management System，BMS)来获取SOH值。然而，由于BMS中算法固化，所获取的不同用户习惯下的电动汽车的SOH值精度有限，常见的数据驱动预测算法，比如SVM或LSTM或ARMA等，在实际应用的预测过程中，不够稳定，且无法预测较长时间的电池SOH变化。而且，因为BMS自身存储历史数据数量有限，因此通过BMS获取的SOH值不够准确。

发明内容

本发明的目的是提供一种能够预测出较长的一段时间SOH变化情况的方法。

为达到上述目的，本发明采用的技术方案如下：

一种电池SOH预测分析方法，包括以下步骤：

S1、从电池数据平台获取待分析的目标电池的历史数据；

S2、选取至少一个数学方法模型、至少一个机器学习模型和至少一个深度学习模型以分别对目标电池预测SOH，包括：将所述目标电池的历史数据输入所选取的模型中，分别得到各个模型对应的SOH预测结果；

S3、为所选取的各个模型分配权重；

S4、根据各个模型对应的SOH预测结果以及所分配的权重，计算所述目标电池的SOH综合预测结果。

进一步地，为所选取的各个模型分配权重的方式可以有以下三种方式：

方式一：

设置测验电池，并预先获取其特征参数及实际SOH值；

将所述测验电池的特征参数依次输入所选取的模型中，分别得到各个模型对应的SOH预测测验值；

所述SOH预测测验值与实际SOH值的差异越大，则为相应的模型分配越小的权重。

方式二：

根据各个模型对应的SOH预测结果，计算各个SOH预测结果的平均差；

平均差越大，则为相应的模型分配越小的权重。

方式三：

为各个模型随机分配初始权重；

对各个模型中的两两模型组合进行重要性对比，建立对比矩阵；

对所述对比矩阵进行一致性检验，当一致性检验结果小于预设的比例阈值，则执行下一步，否则对所述对比矩阵作出修正，直至一致性检验结果小于所述预设的比例阈值；

通过归一化算法计算所述对比矩阵的权重，作为模型归一化权重；

根据预设的各个模型的初始分值、所述模型归一化权重，按照加权算数平均算子公式分别计算出对应各个模型的电池SOH的加权算术平均值；

将所述加权算术平均值从大到小进行排序，至少剔除最小加权算术平均值对应的模型；

将被剔除的模型对应的归一化权重分配给剩余的模型，得到剩余的各个模型的优化归一化权重。

进一步可选地，所述数学方法模型包括以下模型中的一种或多种：

线性拟合模型，其被配置为将电池SOH的下降曲线设为与电池工作参数线性相关，通过所述目标电池的历史数据拟合得到线性方程的系数；

移动平均模型，其被配置为使用滑动窗口处理时间序列的均值；

加权滑动平均模型，其被配置为在移动平均模型的基础上，加以权重来获取SOH值。

进一步地，所述机器学习模型为决策树算法模型，其被配置为使用Light GBM模型，将处理过后的特征工程字段加入到模型中去迭代预测SOH的值，所述迭代预测为利用上一步模型的输出SOH值作为下一步模型的输入。

进一步可选地，所述深度学习模型包括以下模型中的一种或多种：

informer算法模型，其被配置为基于transformer网络，使用encoder和decoder对时间序列提取特征，以对SOH值进行拟合；

CNN-LSTM深度算法模型，其被配置为使用CNN-LSTM深度算法提取动力电池的特征，以对SOH值进行拟合。

进一步地，所述待分析的目标电池的历史数据包括：

根据目标电池的历史SOH值，实行特征工程，以得到各个模型的输入参量。

进一步地，根据所述目标电池的SOH综合预测结果，确定所述目标电池SOH下降至预设寿命限值的时间点。

根据本发明的另一方面，提供了一种电动汽车，包括电池及车载系统，其中，所述车载系统包括电池管理系统，所述电池管理系统被配置为通过车载系统与电池数据平台通信连接，所述电池管理系统利用如上所述的预测分析方法来预测所述电池的SOH信息。

本发明提供的技术方案带来的有益效果如下：

a.通过数学拟合、机器学习算法、深度学习算法的融合，将数据驱动SOH预测算法的优势发挥到极致，使得SOH的预测更稳更准，鲁棒性较强；

b.能够实现对SOH较长时间的预测，较为精准地预测SOH下降至80％的时间点。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，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为本发明的一个示例性实施例提供的融合多算法的SOH预测方法示意图；

图2为本发明的一个示例性实施例提供的电池SOH预测分析方法的流程示意图；

图3为本发明的一个示例性实施例提供的为多模型分配权重的方法流程示意图。

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、装置、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他步骤或单元。

在本发明的一个实施例中，提供了一种电池SOH预测分析方法，参见图2，SOH预测分析方法包括以下步骤：

S1、从电池数据平台获取待分析的目标电池的历史数据；

具体地，从历史数据中获取电池SOH值，经特征工程后，得到作为以下步骤S2中融合算法各个模型的输入，各个模型据此分别对未来的SOH进行预测。

本发明将数学拟合、机器学习算法、深度学习算法相融合，创造了一种全新的预测方法，具体如图1所示，在本发明的一个实施例中，数学方法模型包括：

本实施例中，所述机器学习模型为决策树算法模型，其被配置为使用Light GBM模型，将处理过后的特征工程字段加入到模型中去迭代预测SOH的值，所述迭代预测为利用上一步模型的输出SOH值作为下一步模型的输入。

本实施例的深度学习模型包括以下模型中的一种或多种：

S3、为所选取的各个模型分配权重；

通过对特定车辆、电池数据进行不同的训练并获得最适合的权重值，从而得到最准确的SOH预测。在本发明的一个实施例中，按照如图3所示的流程对多个模型分配权重：

为各个模型随机分配初始权重；

比如模型A的模型归一化权重为0.3，模型B的模型归一化权重为0.15，模型C的模型归一化权重为0.2，模型D的模型归一化权重为0.2，模型E的模型归一化权重为0.15，若经过加权算术平均值从大到小进行排序，确定待剔除的模型为模型D，则可以将其模型归一化权重0.2按0.3：0.15：0.2：0.15的比例分别分配给模型A、模型B、模型C、模型E。

本实施例通过考察多种融合模型的重要性，舍弃其中重要性最弱的一种模型，利用剩余的模型将数据驱动SOH预测算法的优势发挥到极致，使得SOH的预测更稳更准。

与上述实施例不同的是，本实施例中，设置测验电池，并预先获取其特征参数及实际SOH值；将所述测验电池的特征参数依次输入所选取的模型中，分别得到各个模型对应的SOH预测测验值；所述SOH预测测验值与实际SOH值的差异越大，则为相应的模型分配越小的权重。

与上述实施例不同的是，本实施例中，根据各个模型对应的SOH预测结果，计算各个SOH预测结果的平均差；平均差越大，则为相应的模型分配越小的权重。

区别于传统的数据驱动预测，本方案融合了多种算法，其中，数学方法模型的优势是稳定性强，鲁棒性较强，但是精确度不高，预测出来的值与实际SOH值有一定的出入；Light GBM、informer、CNN-LSTM都是人工智能的算法，基于历史数据训练，从而对SOH进行预测，其精度相对而言较高，但是不够鲁棒，通过将人工智能算法与数学算法融合，能够很好地取长补短，发挥自身的优势，得到接近实际SOH值的综合预测结果，能够较为精准地预测SOH下降至80％(寿命限值)的时间点，而现有的方案无法实现对SOH较长时间的预测。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims

1.一种电池SOH预测分析方法，其特征在于，包括以下步骤：

从电池数据平台获取待分析的目标电池的历史数据；

选取至少一个数学方法模型、至少一个机器学习模型和至少一个深度学习模型以分别对目标电池预测SOH，包括：将所述目标电池的历史数据输入所选取的模型中，分别得到各个模型对应的SOH预测结果；

为所选取的各个模型分配权重；

根据各个模型对应的SOH预测结果以及所分配的权重，计算所述目标电池的SOH综合预测结果。

2.根据权利要求1所述的电池SOH预测分析方法，其特征在于，所述为所选取的各个模型分配权重包括：

设置测验电池，并预先获取其特征参数及实际SOH值；

3.根据权利要求1所述的电池SOH预测分析方法，其特征在于，所述为所选取的各个模型分配权重包括：

平均差越大，则为相应的模型分配越小的权重。

4.根据权利要求1所述的电池SOH预测分析方法，其特征在于，所述为所选取的各个模型分配权重包括：

为各个模型随机分配初始权重；

5.根据权利要求1所述的电池SOH预测分析方法，其特征在于，所述数学方法模型包括以下模型中的一种或多种：

6.根据权利要求1所述的电池SOH预测分析方法，其特征在于，所述机器学习模型为决策树算法模型，其被配置为使用Light GBM模型，将处理过后的特征工程字段加入到模型中去迭代预测SOH的值，所述迭代预测为利用上一步模型的输出SOH值作为下一步模型的输入。

7.根据权利要求1所述的电池SOH预测分析方法，其特征在于，所述深度学习模型包括以下模型中的一种或多种：

8.根据权利要求1至7中任一项所述的电池SOH预测分析方法，其特征在于，所述待分析的目标电池的历史数据包括：

9.根据权利要求8所述的电池SOH预测分析方法，其特征在于，根据所述目标电池的SOH综合预测结果，确定所述目标电池SOH下降至预设寿命限值的时间点。

10.一种电动汽车，其特征在于，包括电池及车载系统，其中，所述车载系统包括电池管理系统，所述电池管理系统被配置为通过车载系统与电池数据平台通信连接，所述电池管理系统利用如权利要求1至9中任一项所述的预测分析方法来预测所述电池的SOH信息。