CN115267552A - 车辆电池健康状态评估方法、装置、设备及存储介质 - Google Patents
车辆电池健康状态评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115267552A CN115267552A CN202210903907.3A CN202210903907A CN115267552A CN 115267552 A CN115267552 A CN 115267552A CN 202210903907 A CN202210903907 A CN 202210903907A CN 115267552 A CN115267552 A CN 115267552A
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- working condition
- health
- state
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本申请公开了一种车辆电池健康状态评估方法、装置、设备及存储介质,该方法包括:获取车辆运行数据,筛选出所述车辆运行数据中的充电数据;根据预设的特征指标处理方法对所述充电数据进行处理,得到充电特征数据,将所述充电特征数据作为测试数据集;将所述测试数据集输入目标充电工况模型,得到理想工况充电数据;根据所述理想工况充电数据确定当前电池健康状态估计值。本申请从车辆运行数据中筛选出与理想充电工况相似度较高的理想工况充电数据,根据理想工况充电数据进行电池健康状态的评估,考虑实际用车工况对电池健康状态评估的影响,实现了提高在线评估电池健康状态准确度的技术效果。
Description
技术领域
本申请涉及新能源汽车技术领域,尤其涉及一种车辆电池健康状态评估方法、装置、设备及存储介质。
背景技术
随着新能源汽车在中国汽车市场渗透率的进一步提高,用户对于新能源汽车的性能表现、安全性、使用寿命等方面要求也逐渐提高。另外,随着早期市场上的新能源汽车逐渐退役,动力电池的梯次利用也渐渐成为受到国家、行业重点关注的方向。要满足以上两方面的需求,准确的评估动力电池当前的健康状态是必不可少的。电池健康状态(State ofhealth,SOH)通常由电池剩余可用容量来表示,可以较好的体现动力电池的衰减程度。
目前,在线评估车辆动力电池SOH的方法主要为车端BMS(Battery ManagementSystem,电池管理系统)计算。车端BMS通过累计的充放电吞吐量和充放电循环数,参考经验公式,估计出当前SOH,这一方法虽然计算简便,但是计算结果与真实情况误差较大,准确度低。
发明内容
本申请的主要目的在于提供一种车辆电池健康状态评估方法、装置、设备及存储介质,旨在解决在线评估汽车动力电池的健康状态准确度低的问题。
为实现上述目的,本申请提供一种车辆电池健康状态评估方法,该方法包括:
获取车辆运行数据,筛选出所述车辆运行数据中的充电数据;
根据预设的特征指标处理方法对所述充电数据进行处理,得到充电特征数据,将所述充电特征数据作为测试数据集;
将所述测试数据集输入目标充电工况模型,得到理想工况充电数据;
根据所述理想工况充电数据确定当前电池健康状态估计值。
可选地,所述筛选出所述车辆运行数据中的充电数据的步骤包括:
检测所述车辆运行数据中是否存在异常数据;
若存在异常数据,则过滤所述异常数据,得到初始运行数据;
筛选出所述初始运行数据中的充电过程数据和充电前后数据,作为所述充电数据。
可选地,所述根据预设的特征指标处理方法对所述充电数据进行处理的步骤包括:
确定与所述特征指标处理方法对应的特征指标,根据所述特征指标选取特征关联的充电数据;
根据所述特征指标处理方法对所述特征关联的充电数据进行处理。
可选地,在所述将所述测试数据集输入目标充电工况模型,得到理想工况充电数据的步骤之前,还包括:
根据所述特征指标处理方法对预设的实验测量数据进行处理,得到实验特征数据,将所述实验特征数据作为训练数据集;
将所述训练数据集输入初始充电工况模型,对所述初始充电工况模型进行训练,得到目标充电工况模型,其中,所述目标充电工况模型中包含分隔超平面。
可选地,所述将所述测试数据集输入目标充电工况模型,得到理想工况充电数据的步骤包括:
确定所述测试数据集中的充电特征数据与所述分隔超平面之间的距离值;
若所述距离值大于零,则将所述充电特征数据作为所述理想工况充电数据。
可选地,所述根据所述理想工况充电数据确定当前电池健康状态估计值的步骤包括:
根据所述理想工况充电数据和预设的电压变化曲线预测充电前后电压数据;
根据所述充电前后电压数据查询预设的电压-荷电状态表,得到充电前后荷电状态数据;
根据所述充电前后荷电状态数据、车辆当前标称容量数据和所述理想工况充电数据中的充入电量确定各充电循环的电池健康状态估计值。
可选地,在所述根据所述充电前后荷电状态数据、车辆当前标称容量数据和所述理想工况充电数据中的充入电量确定各充电循环的电池健康状态估计值的步骤之后,还包括:
根据预设的里程区间对所述各充电循环的电池健康状态估计值分组;
对各里程组内的电池健康状态估计值进行赋予相应的充电工况权重,得到各里程组内的电池健康状态估计值;
确定当前里程组,将所述当前里程组的电池健康状态估计值作为当前电池健康状态估计值。
此外,为实现上述目的,本申请还提供一种车辆电池健康状态评估装置,所述车辆电池健康状态评估装置包括:
获取模块,用于获取车辆运行数据,筛选出所述车辆运行数据中的充电数据;
处理模块,用于根据预设的特征指标处理方法对所述充电数据进行处理,得到充电特征数据,将所述充电特征数据作为测试数据集;
输入模块,用于将所述测试数据集输入目标充电工况模型,得到理想工况充电数据;
确定模块,用于根据所述理想工况充电数据确定当前电池健康状态估计值。
此外,为实现上述目的,本申请还提供一种电子设备,所述电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆电池健康状态评估程序,所述车辆电池健康状态评估程序配置为实现如上文所述的车辆电池健康状态评估方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有车辆电池健康状态评估程序,所述车辆电池健康状态评估程序被处理器执行时实现如上文所述的车辆电池健康状态评估方法的步骤。
本申请提供的车辆电池健康状态评估方法、装置、设备及存储介质,通过筛选出车辆运行数据中的充电数据,对充电数据进行处理得到充电特征数据,将充电特征数据输入目标充电工况模型,得到与理想充电工况情况符合的理想工况充电数据,使用理想充电工况数据确定当前电池健康状态估计值。本申请车辆电池健康状态评估方法,评估使用的数据既考虑了车辆实际运行情况,又与理想充电工况相似,提高了数据的可信度,减小了车辆电池健康状态的评估误差。
附图说明
图1为本申请提供的车辆电池健康状态评估场景示意图;
图2为本申请车辆电池健康状态评估方法第一实施例的流程示意图;
图3为本申请车辆电池健康状态评估方法第二实施例的流程示意图;
图4为本申请车辆电池健康状态评估方法第三实施例的流程示意图;
图5为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图;
图6为本申请车辆电池健康状态评估装置的示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
电池健康状态通常由电池剩余可用容量来表示,可以较好的体现动力电池的衰减程度。对电池健康状态进行评估的方法可以分为在线评估和离线评估。目前的在线评估主要是通过车端BMS进行计算,但是车端BMS的存储空间和芯片算力有限,计算方法较为简单,实际上车辆的运行环境和用车方式千差万别,影响SOH的因素有温度、电流、用车工况等因素,这种做法考虑因素较少,局限性较大。离线评估方法则是进行实验台架测试,设定理想的充电工况,但是该方法需要专业设备和专业工程人员的支持,人力成本和设备成本较高,且测试过程中需要对车辆进行长时间静置,并且需要对电池进行满充满放,消耗时间较长。
按照国家工信部GB/T 32960要求,新能源汽车会将运行数据以一定频率上传至企业建立的大数据平台。图1为本申请车辆电池健康状态评估的场景示意图,如图1所示,车辆与云端大数据平台之间可以进行通信。车辆向大数据平台传输的数据中可以包含车端各类传感器测量的数据,能够较为全面地反映车辆的运行情况。大数据平台则可以利用收集到的数据进行车辆电池健康状态的评估。
本申请实施例提供了一种车辆电池健康状态评估方法,参照图2,图2为本申请一种车辆电池健康状态评估方法第一实施例的流程示意图。
本实施例中,所述车辆电池健康状态评估方法包括:
步骤S10,获取车辆运行数据,筛选出所述车辆运行数据中的充电数据;
需要说明的是,本实施例以图1所示的大数据平台为执行主体。大数据平台获取车辆上传的车辆运行数据。根据GB/T 32960要求,大数据平台可以每日收集新能源汽车的车辆运行数据。具体而言,车辆运行数据中可以包括车架号、报文发送时间、电池包总电压、总电流、充电状态、绝缘电阻、行驶里程、电池各个单体电压、电池各个温度探针测量温度和电机母线电压等。
电池健康状态与电池的充放电过程密切相关,本实施例中的充电数据所对应的时期不仅包括充电过程,还包括充电过程的前后时期。车辆运行数据中也不仅包括充电数据,还可以包括其他类型数据,在评估车辆中电池的健康状态时,可以从车辆运行数据中筛选出充电数据。
作为一种示例,筛选出车辆运行数据中的充电数据的步骤可以包括:
步骤A1,检测所述车辆运行数据中是否存在异常数据;
步骤A2,若存在异常数据,则过滤所述异常数据,得到初始运行数据;
步骤A3,筛选出所述初始运行数据中的充电过程数据和充电前后数据,作为所述充电数据。
大数据平台中存在着海量的车辆运行数据,其中可能包括了出现异常情况的异常数据,可以对车辆运行数据进行筛选和清洗,保留符合正常情况的充电数据。
异常数据可以分为单体异常数据和传输异常数据。单体异常数据与车辆动力电池组中各电池单体的情况相关,电池单体异常的情况可以为单体电压超出有效值范围、探针温度超出有效值范围、单体电压全部相等、探针温度全部相等和传感器测量的单体数量与实际单体数量不相同等。单体电压超出有效值范围表示单体出现电压过高或过低,可能影响电池组的正常工作。探针温度超出有效值范围表示单体的温度过高或过低,可能出现充电电流过大电解液减少、或者探针没接好的情况。一般情况下传感器检测到的单体电压和单体温度之间均存在差异,不会出现全部相等的情况,若全部相等表示用于测量单体电压或单体温度的传感器可能出现问题,单体数量不相同的情况与这种情况类似,也可能是传感器出现问题。传输异常数据则与车辆和大数据平台之间的数据传输相关。部分车辆会出现BMS已经进入休眠状态,但是T-BOX(Telematics BOX,远程信息处理盒子)仍然处于未休眠状态的情况,此时车辆各个传感器已不再采集、更新数据,但T-BOX依然会重复发送BMS进入休眠状态前最后时刻的数据。此类数据对后续模型应用可能产生影响,可以进行检测并去除。将异常数据过滤除去后,可以得到初始运行数据。
充电数据中不仅可以包含充电过程数据,还可以包含充电前后数据。充电前后数据可以为充电循环前后车辆静置时的数据。在筛选出充电数据时,还可以要求充电数据保持完整,不得出现大量缺失。
对大数据平台中包含的车辆运行数据进行筛选和清洗,得到符合使用要求的充电数据,可以提高充电数据的可用性和后续进行数据处理的效率。
步骤S20,根据预设的特征指标处理方法对所述充电数据进行处理,得到充电特征数据,将所述充电特征数据作为测试数据集;
充电数据属于车辆运行数据,而车辆运行数据可由车辆内设置的传感器直接测量得到,在进行电池健康状态评估时,往往需要对原始的充电数据进行处理,提取出充电特征数据再使用。充电特征数据可以与充电循环相关联。可以根据预设的特征指标对充电数据进行处理,每个特征指标可以对应不同的特征指标处理方法,充电特征数据作为后续模型应用的测试数据集。
作为一种示例,根据预设的特征指标处理方法对充电数据进行处理的步骤可以包括:
步骤B1,确定与所述特征指标处理方法对应的特征指标,根据所述特征指标选取特征关联的充电数据;
步骤B2,根据所述特征指标处理方法对所述特征关联的充电数据进行处理。
每个特征指标需要使用的充电数据不尽相同,可以先选取每个特征指标关联的充电数据,再按照与特征指标对应的特征指标处理方法进行处理,得到充电特征数据。
在一种可能的实施方式中,所使用的特征指标及特征指标处理方法如下表1所示。
表1:
电压、电流、温度和SOC(State of Charge,荷电状态)等指标与电池运行状态密切相关。在充电前静置时长和充电后静置时长的处理过程中,都存在充电状态为“未充电”的判断条件,可以通过处于“未充电”状态的时间来进行区分,要求充电后静置时长的开始时间晚于充电前静置时长的开始时间。SOC可以反映电池的剩余容量状况,然而电池的固定SOC测量难度大,且SOC受到放电率、放电电流和电池温度等因素的影响。电池的开路电压在数值上接近电池电动势,可以采用开路电压法进行SOC的测量,通过查询OCV(Open CircuitVoltage,开路电压)-SOC表获得不同充电状态时的SOC。
步骤S30,将所述测试数据集输入目标充电工况模型,得到理想工况充电数据;
目标充电工况模型可以对测试数据集中的充电特征数据进行分类,从充电特征数据中挑选出与理想充电工况相似度较高的充电特征数据,作为理想工况充电数据。
作为一种示例,在将测试数据集输入目标充电工况模型,得到理想工况充电数据的步骤之前,还可以包括:
步骤C1,根据所述特征指标处理方法对预设的实验测量数据进行处理,得到实验特征数据,将所述实验特征数据作为训练数据集;
步骤C2,将所述训练数据集输入初始充电工况模型,对所述初始充电工况模型进行训练,得到目标充电工况模型,其中,所述目标充电工况模型中包含分隔超平面。
实验测量数据可以为通过实验台架测试得到的数据。在进行实验台架测试时,可以将车辆动力电池与充放电测试用的实验台架设备连接,在理想工况下进行满充满放实验,理想工况可以为长时间静置和恒流恒压充电。实验测量数据也可以使用与充电数据相同的特征指标处理方法进行处理,得到实验特征数据。实验台架测试可以设定理想工况,故可以认为由实验特征数据测得的电池健康状态估计值精确度高,将实验特征数据作为训练数据集。
初始充电工况模型可以为SVM(Support Vector Machine,支持向量机)模型。若待分类的数据集只有2个特征,即二维平面空间下,SVM模型在分类时将训练数据样本和测试数据样本置于样本空间中,并尝试找出一条直线将数据集分开,同时让直线两侧的数据点距离直线尽可能远。从表1中可以看出,本实施例提取了13个充电工况相关特征,则SVM模型可以找出一个12维超平面(hyperplane)来分隔数据集。找到分隔超平面并让数据点离它尽可能远的过程,可看作对以下方程进行求解的最优化问题:
其中,wTx+b表示该分隔超平面,wT表示特征权重向量的转置,x表示13个充电工况相关特征构成的数据集,b表示超平面的偏移量,label表示分类标签值(与理想工况相似取1,与理想工况不相似取-1)。使用训练数据集对初始SVM模型进行训练,解出上述方程最优的解w,b,就可以确认分隔超平面,得到目标充电工况模型。
使用实验特征数据作为训练数据集,利用实验台架测试可以设定理想充电工况,实验测量数据估计可以得到精确度高的SOH估计值的特点,便于后续应用目标充电工况模型得到理想工况充电数据。
作为一种示例,将测试数据集输入目标充电工况模型,得到理想工况充电数据的步骤可以包括:
步骤D1,确定所述测试数据集中的充电特征数据与所述分隔超平面之间的距离值;
步骤D2,若所述距离值大于零,则将所述充电特征数据作为所述理想工况充电数据。
在确定分隔超平面之后,可以计算测试数据集中待分类的充电特征数据到分隔超平面的距离值,此距离值可以用来表示。若d>0,则表示该充电特征数据的实际充电工况与理想工况相似;若d<0,则表示该充电特征数据的实际充电工况与理想工况不相似。从而将充电特征数据分类为与理想工况符合的理想工况充电数据和与理想工况不符合的非理想工况充电数据。
使用目标充电工况模型对充电特征数据进行分类,找出与理想工况符合的理想工况充电数据,理想工况充电数据作为评估电池健康状态的依据,提高SOH估计值的准确度。
步骤S40,根据所述理想工况充电数据确定当前电池健康状态估计值。
电池健康状态的含义可以体现在容量、电量、内阻、循环次数和峰值功率等方面。在由电池剩余可用容量表征电池健康状态时,当前电池健康状态估计值可以用电池当前容量和电池额定容量的比值来表示。使用理想工况充电数据计算出电池当前容量,电池额定容量可查询电池参数得到,进而计算出当前健康状态估计值。
作为一种示例,根据理想充电工况数据确定当前电池健康状态估计值的步骤可以包括:
步骤E1,根据所述理想工况充电数据和预设的电压变化曲线预测充电前后电压数据;
步骤E2,根据所述充电前后电压数据查询预设的电压-荷电状态表,得到充电前后荷电状态数据;
步骤E3,根据所述充电前后荷电状态数据、车辆当前标称容量数据和所述理想工况充电数据中的充入电量确定各充电循环的电池健康状态估计值。
预设的电压变化曲线可以由实验测量数据中的长时间静置期间的电压数据进行拟合得到,电压变化曲线可以表示长时间静置时电压随时间的变化趋势。一般的,在实际情况中,用户在对车辆进行充电时,充电前后过程通常没有长时间的静置过程,而理想工况充电数据接近真实情况,可以使用电压变化曲线对理想工况充电数据进行预测,得到充电前电压数据和充电后电压数据。预设的电压-荷电状态表可以为电池供应商提供的OCV-SOC表,使用充电前电压数据查询得到充电开始SOC,用SOCstart表示,使用充电后电压数据查询得到充电结束SOC,用SOCend表示。计算各单次充电循环SOH时,可以使用如下公式1:
其中,SOHcycle表示单次循环SOH,ah表示用安时积分法计算得到的充入电量,标称容量表示车辆电池的额定容量。
在本实施例中,通过筛选出车辆运行数据中的充电数据,对充电数据进行处理得到充电特征数据,将充电特征数据输入目标充电工况模型,得到与理想充电工况情况符合的理想工况充电数据,使用理想充电工况数据确定当前电池健康状态估计值,评估使用的数据既考虑了车辆实际运行情况,又与理想充电工况相似,提高了数据的可信度,减小了车辆电池健康状态的评估误差。
基于上述第一实施例,在本申请车辆电池健康状态评估方法的第二实施例中,参照图3,该方法包括:
步骤S11,根据预设的里程区间对所述各充电循环的电池健康状态估计值分组;
一般的,在车辆正常使用的里程范围内,SOH不是一个快速变化的值,故可以利用一定里程区间内的充电循环进行SOH估计。预设的里程区间可以将每5000公里的里程作为分组依据。每个里程区间内包含多个充电循环的理想工况充电数据。
步骤S12,对各里程组内的电池健康状态估计值进行赋予相应的充电工况权重,得到各里程组内的电池健康状态估计值;
充电工况权重可以为上述第一实施例中的距离值d,距离值越大,表示理想工况充电数据的充电工况与理想充电工况越接近。将距离值作为权值,对里程组内的充电循环SOH进行加权平均,得到该里程区间的SOH估计值。
计算每个里程组内的电池健康状态估计值的公式2如下:
其中,SOHrange表示里程组内的电池健康状态估计值。
步骤S13,确定当前里程组,将所述当前里程组的电池健康状态估计值作为当前电池健康状态估计值。
在计算得到每个里程组对应的电池健康状态估计值之后,可以将其存储在大数据平台中。车辆当前行驶里程数据可以包含于车辆运行数据中,大数据平台根据当前行驶里程数据确定当前里程组,再由当前里程组查询相应的里程组内电池健康状态估计值,作为当前健康状态估计值。大数据平台得到当前健康状态估计值之后,可以将此估计值发送至相应的车辆,用户可以通过车辆中的显示终端了解当前电池健康状态。
在本实施例中,使用里程组内的电池健康状态估计值作为当前健康状态估计值,在保证了电池健康状态评估准确度的同时,避免用户因电池健康状态估计值频繁变化而产生电池健康状态的焦虑。
本申请车辆电池健康状态评估方法的第三实施例参见图4。
如图4所示,大数据平台对收集的车辆运行数据进行筛选与清洗,取出车辆运行数据中的充电循环数据,使用充电循环数据构造特征数据集。台架实验充电数据作为理想充电工况的数据依据,对台架实验充电数据也进行数据筛选与清洗,再构造训练数据集,使用训练数据集对机器学习模型(SVM)进行训练。将特征数据集输入训练好的SVM模型中,判断特征数据集是否与理想充电工况相似,若不相似,则返回至大数据平台获取车辆运行数据的步骤,若相似,则使用与理想充电工况相似的特征数据集进行单次充电循环SOH估计,输出1表示单次充电循环SOH估计值。进一步地,还可以使用单次充电循环SOH估计值进行里程区间内的SOH估计,输出2表示里程区间SOH估计值。
图5为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图5所示,该电子设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图5中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆电池健康状态评估程序。
在图5所示的电子设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请电子设备中的处理器1001、存储器1005可以设置在电子设备中,所述电子设备通过处理器1001调用存储器1005中存储的车辆电池健康状态评估程序,并执行本申请实施例提供的车辆电池健康状态评估方法。
本申请实施例还提供一种车辆电池健康状态评估装置,如图6所示,所述车辆电池健康状态评估装置包括:
获取模块101,用于获取车辆运行数据,筛选出所述车辆运行数据中的充电数据;
处理模块102,用于根据预设的特征指标处理方法对所述充电数据进行处理,得到充电特征数据,将所述充电特征数据作为测试数据集;
输入模块103,用于将所述测试数据集输入目标充电工况模型,得到理想工况充电数据;
确定模块104,用于根据所述理想工况充电数据确定当前电池健康状态估计值。
可选地,获取模块101还用于:
检测所述车辆运行数据中是否存在异常数据;
若存在异常数据,则过滤所述异常数据,得到初始运行数据;
筛选出所述初始运行数据中的充电过程数据和充电前后数据,作为所述充电数据。
可选地,处理模块102还用于:
确定与所述特征指标处理方法对应的特征指标,根据所述特征指标选取特征关联的充电数据;
根据所述特征指标处理方法对所述特征关联的充电数据进行处理。
可选地,车辆电池健康状态评估装置还包括训练模块,用于:
根据所述特征指标处理方法对预设的实验测量数据进行处理,得到实验特征数据,将所述实验特征数据作为训练数据集;
将所述训练数据集输入初始充电工况模型,对所述初始充电工况模型进行训练,得到目标充电工况模型,其中,所述目标充电工况模型中包含分隔超平面。
可选地,输入模块103还用于:
确定所述测试数据集中的充电特征数据与所述分隔超平面之间的距离值;
若所述距离值大于零,则将所述充电特征数据作为所述理想工况充电数据。
可选地,确定模块104还用于:
根据所述理想工况充电数据和预设的电压变化曲线预测充电前后电压数据;
根据所述充电前后电压数据查询预设的电压-荷电状态表,得到充电前后荷电状态数据;
根据所述充电前后荷电状态数据、车辆当前标称容量数据和所述理想工况充电数据中的充入电量确定各充电循环的电池健康状态估计值。
可选地,确定模块104还用于:
根据预设的里程区间对所述各充电循环的电池健康状态估计值分组;
对各里程组内的电池健康状态估计值进行赋予相应的充电工况权重,得到各里程组内的电池健康状态估计值;
确定当前里程组,将所述当前里程组的电池健康状态估计值作为当前电池健康状态估计值。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有车辆电池健康状态评估程序,所述车辆电池健康状态评估程序被处理器执行时实现如上文所述的车辆电池健康状态评估方法的步骤。本申请实施例计算机可读存储介质的具体实施方式参照上述车辆电池健康状态评估方法各实施例,在此不再赘述。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种车辆电池健康状态评估方法,其特征在于,所述车辆电池健康状态评估方法包括以下步骤:
获取车辆运行数据,筛选出所述车辆运行数据中的充电数据;
根据预设的特征指标处理方法对所述充电数据进行处理,得到充电特征数据,将所述充电特征数据作为测试数据集;
将所述测试数据集输入目标充电工况模型,得到理想工况充电数据;
根据所述理想工况充电数据确定当前电池健康状态估计值。
2.如权利要求1所述的车辆电池健康状态评估方法,其特征在于,所述筛选出所述车辆运行数据中的充电数据的步骤包括:
检测所述车辆运行数据中是否存在异常数据;
若存在异常数据,则过滤所述异常数据,得到初始运行数据;
筛选出所述初始运行数据中的充电过程数据和充电前后数据,作为所述充电数据。
3.如权利要求1所述的车辆电池健康状态评估方法,其特征在于,所述根据预设的特征指标处理方法对所述充电数据进行处理的步骤包括:
确定与所述特征指标处理方法对应的特征指标,根据所述特征指标选取特征关联的充电数据;
根据所述特征指标处理方法对所述特征关联的充电数据进行处理。
4.如权利要求1所述的车辆电池健康状态评估方法,其特征在于,在所述将所述测试数据集输入目标充电工况模型,得到理想工况充电数据的步骤之前,还包括:
根据所述特征指标处理方法对预设的实验测量数据进行处理,得到实验特征数据,将所述实验特征数据作为训练数据集;
将所述训练数据集输入初始充电工况模型,对所述初始充电工况模型进行训练,得到目标充电工况模型,其中,所述目标充电工况模型中包含分隔超平面。
5.如权利要求4所述的车辆电池健康状态评估方法,其特征在于,所述将所述测试数据集输入目标充电工况模型,得到理想工况充电数据的步骤包括:
确定所述测试数据集中的充电特征数据与所述分隔超平面之间的距离值;
若所述距离值大于零,则将所述充电特征数据作为所述理想工况充电数据。
6.如权利要求4所述的车辆电池健康状态评估方法,其特征在于,所述根据所述理想工况充电数据确定当前电池健康状态估计值的步骤包括:
根据所述理想工况充电数据和预设的电压变化曲线预测充电前后电压数据;
根据所述充电前后电压数据查询预设的电压-荷电状态表,得到充电前后荷电状态数据;
根据所述充电前后荷电状态数据、车辆当前标称容量数据和所述理想工况充电数据中的充入电量确定各充电循环的电池健康状态估计值。
7.如权利要求6所述的车辆电池健康状态评估方法,其特征在于,在所述根据所述充电前后荷电状态数据、车辆当前标称容量数据和所述理想工况充电数据中的充入电量确定各充电循环的电池健康状态估计值的步骤之后,还包括:
根据预设的里程区间对所述各充电循环的电池健康状态估计值分组;
对各里程组内的电池健康状态估计值进行赋予相应的充电工况权重,得到各里程组内的电池健康状态估计值;
确定当前里程组,将所述当前里程组的电池健康状态估计值作为当前电池健康状态估计值。
8.一种车辆电池健康状态评估装置,其特征在于,所述车辆电池健康状态评估装置包括:
获取模块,用于获取车辆运行数据,筛选出所述车辆运行数据中的充电数据;
处理模块,用于根据预设的特征指标处理方法对所述充电数据进行处理,得到充电特征数据,将所述充电特征数据作为测试数据集;
输入模块,用于将所述测试数据集输入目标充电工况模型,得到理想工况充电数据;
确定模块,用于根据所述理想工况充电数据确定当前电池健康状态估计值。
9.一种电子设备,其特征在于,所述电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆电池健康状态评估程序,所述车辆电池健康状态评估程序配置为实现如权利要求1至7中任一项所述的车辆电池健康状态评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有车辆电池健康状态评估程序,所述车辆电池健康状态评估程序被处理器执行时实现如权利要求1至7中任一项所述的车辆电池健康状态评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903907.3A CN115267552A (zh) | 2022-07-27 | 2022-07-27 | 车辆电池健康状态评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903907.3A CN115267552A (zh) | 2022-07-27 | 2022-07-27 | 车辆电池健康状态评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115267552A true CN115267552A (zh) | 2022-11-01 |
Family
ID=83771583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210903907.3A Pending CN115267552A (zh) | 2022-07-27 | 2022-07-27 | 车辆电池健康状态评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115267552A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840145A (zh) * | 2022-11-29 | 2023-03-24 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
-
2022
- 2022-07-27 CN CN202210903907.3A patent/CN115267552A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840145A (zh) * | 2022-11-29 | 2023-03-24 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
CN115840145B (zh) * | 2022-11-29 | 2023-07-25 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
CN117236082B (zh) * | 2023-11-15 | 2024-01-23 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Model-based dynamic multi-parameter method for peak power estimation of lithium–ion batteries | |
Farmann et al. | Critical review of on-board capacity estimation techniques for lithium-ion batteries in electric and hybrid electric vehicles | |
CN109604186B (zh) | 动力电池性能柔性评估分选方法 | |
CN115267552A (zh) | 车辆电池健康状态评估方法、装置、设备及存储介质 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
CN111880106B (zh) | 电池荷电状态检测方法、设备、存储介质及装置 | |
WO2019199219A1 (en) | Methods and control units for determining an extended state of health of a component and for control of a component | |
CN115257457A (zh) | 车辆电池单体一致性评估方法、装置、设备及存储介质 | |
CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
CN113093027B (zh) | 电池soc校准方法、装置、系统、介质及程序产品 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
US20230065968A1 (en) | Calculation system, battery characteristic estimation method, and battery characteristic estimation program | |
Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
Sadabadi et al. | Model-based state of health estimation of a lead-acid battery using step-response and emulated in-situ vehicle data | |
Gould et al. | EV/HEV Li-ion battery modelling and State-of-Function determination | |
Li et al. | Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach | |
CN110579716A (zh) | 一种电池检测方法及装置 | |
KR20140093552A (ko) | 배터리 용량 상태 추정 장치 및 이의 방법 | |
CN113696786A (zh) | 电池均衡方法及系统 | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
CN113391229A (zh) | 退役动力电池的性能评价方法、设备及系统 | |
CN109239461A (zh) | 电动汽车的绝缘电阻的测试方法和系统 | |
CN109782182B (zh) | 一种串联电池组能量状态在线估计方法和装置 |
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 |