CN115097312A - 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 - Google Patents

Abstract

一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型,涉及数据挖掘，模型融合等技术，包括以下步骤：首先对云端监管平台海量多源异构数据进行去噪处理和特征因素提取获取行驶过程中的健康指标，作为数据驱动预测模型的一个输入，利用极限学习机进行寿命预测，得到数据驱动寿命预测模型。通过多因素寿命衰减实验获取电池寿命经验预测模型，将经验模型和数据驱动模型进行交互融合，设置阈值，得到电池寿命融合模型，提高寿命预测精度，更适用于实际汽车工况。本发明通过将反映寿命衰减与工况因素之间关系的经验模型和反映寿命衰减与运行状态之间关系的数据驱动模型进行融合，可以实现复杂工况下电池寿命的精准预测，保证电池安全运行。

Description

一种结合数据驱动模型和经验模型的锂离子电池融合寿命预 测模型

技术领域

本发明涉及锂离子电池的寿命预测模型,涉及基于实验数据和实测数据的预测模型融合，在实车复杂工况下可以实现寿命的精准预测。

背景技术

大数据和人工智能技术在新能源汽车领域展现出良好应用前景。锂离子电池具有能量密度大、自放电小、无记忆效应、可快速充放电、使用寿命长、无环境污染等优点，已成为新能源汽车主要电池供应方向。然而随着电池的使用，电池寿命会出现衰减现象，导致其性能退化、容量降低、阻抗增加，引起电池故障。严重时会造成电池起火、热失控等现象，威胁整车安全。为了确保新能源汽车运行时锂离子电池的安全性和稳定性，为电池检修及更换等可预知性管理提供参考，研究基于新能源汽车云平台的电池健康状态(State ofHealth，SOH)在线估计方法，具有重要的实践意义。

发明内容

本发明的目的是在于提出一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，旨在提高锂离子电池实车运行时的寿命预测精度，确保其安全稳定运行。

本发明解决其技术问题采取的技术方案是：

一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，包括以下步骤：

步骤一，对云端监管平台海量多源异构数据进行进行去噪处理，得到高质量行车数据；对行车数据利用数据挖掘方法进行特征因素提取获取行驶过程中的健康指标；

步骤二，将健康指标作为模型输入，通过极限学习机建立基于数据驱动的寿命预测模型；

步骤三，通过实验室多因素寿命衰减实验建立电池寿命经验预测模型；

步骤四，将经验模型与数据驱动模型相融合，设置阈值，得到融合寿命预测模型。

进一步，所述步骤一包括以下步骤：

针对行驶工况存在异点噪声数据，首先选择合适的数据清洗滤波方法进行预处理。本项目拟通过Python和Matlab软件中一些常用的数据分析工具包进行数据清洗，去除云端数据噪声，得到高质量行车数据。

相对于复杂多变的放电工况，电池在充电过程中是相对稳定的，更容易提取一些相关性较大的H Is。为了获得更全面的健康指标，将数据分为充电数据和行驶中数据，分别进行处理。对相对稳定的充电数据，采用安时积分获得等电压充电容量CCR-CVR值。对行驶中数据，提出新的特征因素提取方法，拟从车速、电压电流等数据中获取数据片段及片段特征值，由片段特征值聚合为历史特征值，获取行驶过程中的健康指标。为了获得高质量的HIs，拟采用Spearman相关系数来分析健康指标与电池实际可用容量Qn的相关程度。

进一步，所述步骤二包括以下步骤：

对新能源汽车的云端充电数据进行特征提取得到合适的HIs，作为数据驱动寿命预测模型输入。然后，将电池相关数据分为训练集和测试集，利用深度学习算法ELM进行基于数据驱动的电池寿命预测模型的训练和测试。ELM由输入层、隐含层和输出层组成。假设有N个任意的样本集(x_i， y_i)，其中X_i＝(x_i1,x_i2,…,x_id)^T∈R^d,Y_i＝(y_i1,y_i2,…,y_im)^T∈R^m，单隐层神经网络中的隐藏层节点数为L，则ELM网络可以由下式表示：

进一步，所述步骤三包括以下步骤：

为了研究试验工况(温度、充电倍率、SOC、DOD)和电池寿命衰减之间的定量关系，需要对电池寿命实验数据进行处理。首先引入经验模型描述工况因素对电池寿命的影响，拟采用基于Arrhenius方程的寿命衰减方程，反映了化学反应速率与温度的关系式。电池寿命经验模型含有较多拟合参数，这些参数随着实验工况而改变，与多种因素存在对应关系，本项目拟采用最小二乘法对实验数据进行参数辨识。然后分别分析温度、电流倍率、SOC和DOD等关键衰减因子与电池寿命衰减之间的耦合对应关系，引入多项式方程，建立定量关系。

进一步，所述步骤四包括以下步骤：

将基于数据驱动的电池寿命预测模型和经验模型交互融合，通过设置阈值得到寿命预测的融合模型。

其中，所述步骤一至步骤四都在计算机中完成。

本发明与现有方法相比较具有以下优点：

(1)对新能源汽车云端监管平台海量多源异构数据进行数据处理，针对行驶工况存在异点噪声情况，选择合适的数据清洗滤波方法进行预处理，得到的数据质量更高。

(2)采用基于数据挖掘的特征因素提取方法通过车速、电压电流等数据获取数据片段及片段特征值，提出特征值聚合新方法，得到行驶过程中的健康指标，作为寿命模型一个输入，考虑了实车行驶时的工况。

(3)通过实验得到反映寿命衰减与工况因素(温度、充电倍率、 SOC、DOD)之间关系的多因素经验模型；通过关键特征和深度学习方法得到反映寿命衰减与运行状态(车速、加速度、刹车、脚踏板开合状态)之间关系的数据驱动模型；利用数据驱动模型和经验模型的交互融合，提出精度更高的寿命预测融合模型，实现电池寿命的精准在线预测。

附图说明

图1为电池云端数据处理框图。

图2为电池测试平台图。

图3为电池寿命预测融合模型框图。

具体实施方式

以下结合附图和实施方法对本发明作进一步说明。

本发明一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，具体包括以下步骤：

1、电池云端数据处理：

为了描述真实工况下电池寿命衰减的趋势，从新能源汽车云端监管平台服务器下载解析后的数据，并以日期戳的方式存储日志文件得到电池的海量多源异构数据。由于传感器、CAN总线等设备、以及通讯网络质量易受到工作环境、硬件条件、运行成本等因素的影响，导致获取的云端行驶数据具有数据缺失、数据噪声大的质量问题。针对行驶工况存在异点噪声数据，首先选择合适的数据清洗滤波方法进行预处理。本项目拟通过 Python和Matlab软件中一些常用的数据分析工具包进行数据清洗，去除云端数据噪声。对处理后的高质量行车数据，利用数据挖掘理论进行特征因素提取，得到电池的健康指标。相对于复杂多变的放电工况，电池在充电过程中是相对稳定的，更容易提取一些相关性较大的HIs。为了获得更全面的健康指标，本项目拟将数据分为充电数据和行驶中数据，分别进行处理。对相对稳定的充电数据，拟采用安时积分获得等电压充电容量 CCR-CVR值。对行驶中数据，本项目提出新的特征因素提取方法，拟从车速、电压电流等数据中获取数据片段及片段特征值，由片段特征值聚合为历史特征值，获取行驶过程中的健康指标。为了获得高质量的HIs，拟采用Spearman相关系数来分析健康指标与电池实际可用容量Qn的相关程度。

参照图1，电池云端数据处理具体步骤如下：

步骤1:对新能源汽车云端数据进行数据清洗以获得高质量的电池运行数据。

步骤2:从电池充电数据集中提取电流和电压的相关特征信息。在不同的电压端内通过对电流进行安时积分获得等电压充电容量CCR-CVR值。

步骤3:从行驶数据中基于电流、车速、车辆状态等因素进行数据片段获取及片段特征值提取，由片段特征值聚合为历史特征值，得到行驶过程中的健康指标。

步骤4:结合电池充电过程和行驶过程提取的HIs，利用Spearman相关系数方法检验其与电池实际的可用容量Qn的相关程度。选择高度相关系数的HIs作为预测模型的输入。

2、基于数据驱动的寿命模型：

利用1中提取的HIs，通过数学模型描述其和实际可用容量之间的关系，进行电池SOH估计和RUL预测。对新能源汽车的云端充电数据进行特征提取得到合适的HIs，作为数据驱动寿命预测模型输入。然后，将电池相关数据分为训练集和测试集，利用深度学习算法ELM进行基于数据驱动的电池寿命预测模型的训练和测试。ELM由输入层、隐含层和输出层组成。假设有N个任意的样本集(x_i，y_i)，其中X_i＝(x_i1,x_i2,…,x_id)^T∈R^d,Y_i＝(y_i1,y_i2,…,y_im)^T∈R^m，单隐层神经网络中的隐藏层节点数为L，则ELM 网络可以由下式表示：

建立基于数据驱动的寿命预测模型具体步骤如下：

步骤1:将云端数据获得的健康特征分为数据集和训练集。

步骤2:利用正则化系数、权值和阈值等方法建立精度更高的改进 ELM预测模型。

步骤3:通过一些优化算法进行正则化系数、权值和阈值的更新。

步骤4:利用训练好的模型在测试集进行验证。

3、多因素经验模型：

为了建立寿命预测融合模型，在不同工况下进行电池的日历寿命衰减实验和循环寿命衰减实验，电池测试平台参照图3所示。

为了研究试验工况(温度、充电倍率、SOC、DOD)和电池寿命衰减之间的定量关系，需要对电池寿命实验数据进行处理。首先引入经验模型描述工况因素对电池寿命的影响，拟采用基于Arrhenius方程的寿命衰减方程，反映了化学反应速率与温度的关系式。电池寿命经验模型含有较多拟合参数，这些参数随着实验工况而改变，与多种因素存在对应关系，本项目拟采用最小二乘法对实验数据进行参数辨识。然后分别分析温度、电流倍率、SOC和DOD等关键衰减因子与电池寿命衰减之间的耦合对应关系，引入多项式方程，建立定量关系。

基于电池的寿命衰减实验数据，从测得的总损耗中减去日历寿命衰减的损耗，可以计算出因循环充放电导致的循环寿命衰减。由于日历寿命衰减和循环寿命衰减的效果是加性的，电池寿命模型是日历寿命模型和循环寿命模型的叠加。

建立多因素经验模型的具体步骤如下：

步骤1:利用正交实验法设计电池的日历寿命衰减实验和循环寿命衰减实验工况条件。

步骤2:进行寿命衰减实验，记录相关实验数据。

步骤3:对电池寿命实验数据进行处理，利用最小二乘法对电池寿命衰减模型进行参数辨识。

步骤4:通过模型参数分析温度、电流倍率、SOC和DOD等关键衰减因子与电池寿命衰减之间的耦合对应关系。

步骤5:引入多项式方程，获取电池衰减与工况因素之间的定量关系，建立电池寿命经验模型。

4、电池寿命预测融合模型

本发明提出的电池寿命预测融合模型框图参照图3所示。利用实验数据建立的多因素经验模型揭示了工况因素(温度、充电倍率、SOC、DOD) 对电池寿命的影响；利用云端特征因素提取和深度学习算法建立数据驱动的寿命预测模型，揭示了运行状态(车速、加速度、刹车、脚踏板开合状态)对电池寿命的影响。为了更精准的估计实车SOH，全面考虑新能源汽车实际工况，考虑将基于数据驱动的电池寿命预测模型和经验模型交互融合，提出寿命预测的融合模型。

本发明之结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，考虑了实车复杂工况与运行状态对电池寿命衰减的影响，具备实施精准预测能力。

本领域的技术人员可以对本发明进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。

说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (5)

1.一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，其特征在于包括以下步骤：

步骤一，对云端监管平台海量多源异构数据进行进行去噪处理，得到高质量行车数据；对行车数据利用数据挖掘方法进行特征因素提取获取行驶过程中的健康指标；

步骤二，将健康指标作为模型输入，通过极限学习机建立基于数据驱动的寿命预测模型；

步骤三，通过实验室多因素寿命衰减实验建立电池寿命经验预测模型；

步骤四：将经验模型与数据驱动模型相融合，设置阈值，得到融合寿命预测模型。

2.根据权利要求1所述的一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，其特征在于，所述步骤一包括以下步骤：

针对行驶工况存在异点噪声数据，首先选择合适的数据清洗滤波方法进行预处理；

相对于复杂多变的放电工况，电池在充电过程中是相对稳定的，更容易提取一些相关性较大的HIs。为了获得更全面的健康指标，将数据分为充电数据和行驶中数据，分别进行处理，对相对稳定的充电数据，采用安时积分获得等电压充电容量CCR-CVR值，对行驶中数据，提出新的特征因素提取方法，从车速、电压电流等数据中获取数据片段及片段特征值，由片段特征值聚合为历史特征值，获取行驶过程中的健康指标，为了获得高质量的HIs，拟采用Spearman相关系数来分析健康指标与电池实际可用容量Qn的相关程度。

3.根据权利要求1所述的一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，其特征在于，所述步骤二包括以下步骤：

对新能源汽车的云端充电数据进行特征提取得到合适的HIs，作为数据驱动寿命预测模型输入，然后，将电池相关数据分为训练集和测试集，利用极限学习机进行基于数据驱动的电池寿命预测模型的训练和测试，ELM由输入层、隐含层和输出层组成；

建立基于数据驱动的寿命预测模型具体步骤如下：

步骤1:将云端数据获得的健康特征分为数据集和训练集；

步骤2:利用正则化系数、权值和阈值等方法建立精度更高的改进ELM预测模型；

步骤3:通过一些优化算法进行正则化系数、权值和阈值的更新；

步骤4:利用训练好的模型在测试集进行验证。

4.根据权利要求1所述的一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，其特征在于，所述步骤三包括以下步骤：

首先引入经验模型描述工况因素对电池寿命的影响，采用基于Arrhenius方程的寿命衰减方程，反映了化学反应速率与温度的关系式，电池寿命经验模型含有较多拟合参数，这些参数随着实验工况而改变，与多种因素存在对应关系。

5.根据权利要求1所述的一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，其特征在于，所述步骤四包括以下步骤：

基于数据驱动的电池寿命预测模型和经验模型交互融合，通过设置阈值得到寿命预测的融合模型。

Images