CN115343621B - 一种基于数据驱动的动力电池健康状态预测方法及设备 - Google Patents
一种基于数据驱动的动力电池健康状态预测方法及设备 Download PDFInfo
- Publication number
- CN115343621B CN115343621B CN202210892542.9A CN202210892542A CN115343621B CN 115343621 B CN115343621 B CN 115343621B CN 202210892542 A CN202210892542 A CN 202210892542A CN 115343621 B CN115343621 B CN 115343621B
- Authority
- CN
- China
- Prior art keywords
- data
- health
- model
- battery
- fusion
- 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 202
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 63
- 238000012937 correction Methods 0.000 claims description 29
- 239000000178 monomer Substances 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 5
- 238000006731 degradation reaction Methods 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于数据驱动的动力电池健康状态预测方法及设备，属于电动汽车动力电池技术领域，用于解决难以对现有的电动汽车电池的健康状态进行准确的预测，不利于电动汽车的安全运行以及对电池退化规律预测的技术问题。方法包括：采集电动汽车历史时间周期内的电池性能数据，并对电池性能数据进行数据预处理，得到电池运行数据；根据电池运行数据，确定历史健康状态值以及融合健康特征；根据融合健康特征以及历史健康状态值，训练LSTM神经网络模型，得到健康状态评估模型；根据融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型；根据融合健康特征预测模型以及健康状态评估模型，得到未来健康状态预测结果。
Description
技术领域
本申请涉及电动汽车动力电池领域，尤其涉及一种基于数据驱动的动力电池健康状态预测方法及设备。
背景技术
随着电动汽车的大力发展，锂离子动力电池被广泛地应用在电动汽车上。动力电池在使用过程中会不断老化，电池寿命会不断缩短。动力电池的老化程度常用健康状态(state of health，SOH)来表示，SOH不仅决定了整车的性能状态和续驶里程，同时也是制定电池管理系统(Battery Manage System，BMS)的充放电、安全管理策略的重要依据。
但SOH这一长时变参数变化机理复杂，易受环境、工况及电池单体不一致等多重因素的复合影响，使得SOH在线估计和预测较为困难，难以对电动汽车电池的SOH作出准确的预测，不利于新能源电动汽车的安全运行，以及对动力电池的分类与动力电池的梯次利用。
发明内容
本申请实施例提供了一种基于数据驱动的动力电池健康状态预测方法及设备，用于解决如下技术问题：难以对现有的电动汽车电池的健康状态进行准确的预测，不利于电动汽车的安全运行以及对电池退化规律的预测。
本申请实施例采用下述技术方案：
一方面，本申请实施例提供了一种基于数据驱动的动力电池健康状态预测方法，所述方法包括：采集电动汽车历史时间周期内的电池性能数据，并对所述电池性能数据进行数据预处理，得到电池运行数据；根据所述电池运行数据，确定历史健康状态值以及融合健康特征；根据所述融合健康特征以及所述历史健康状态值，训练LSTM神经网络模型，得到健康状态评估模型；根据所述融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型；根据所述融合健康特征预测模型以及所述健康状态评估模型，得到未来健康状态预测结果。
本申请实施例根据电动汽车的电池运行数据，对电池的将康状态进行计算，并根据融合健康特征预测模型实现对电池健康状态进行预测，最后再根据健康状态评估模型对预测结果进行评估，得到电池健康性能的预测结果，有利于对电动汽车中电池的退化信息进行分析，并根据预测的结果，准确判断出该动力电池的未来性能规律，有利于保障电动汽车的安全运行，评估其残值，实现退役动力电池的分类，有利于对动力电池的梯次利用。
在一种可行的实施方式中，采集电动汽车历史时间周期内的电池性能数据，并对所述电池性能数据进行数据预处理，得到电池运行数据，具体包括：通过车载数据采集终端，对所述电动汽车进行所述电池性能数据的采集；其中，所述电池性能数据至少包括以下任一项或多项：BMS数据、电池SOC数据以及驱动电机数据；将所述电池SOC数据的真实值与显示值进行对应关系修正，并将所述电池SOC进行插值处理，得到修正数据；筛除所述修正数据的无关数据项，得到相关数据；其中，所述无关数据项为连续为0的数据以及为乱码数据片段；根据所述电动汽车是否熄火，将所述相关数据进行分类划分，得到所述电池运行数据；其中，所述电池运行数据至少包括以下任意一项或多项：停车充电电池数据、行驶充电电池数据、电池容量数据以及行驶放电电池数据。
本申请实施例通过对电动汽车电池性能数据的预处理，能够对SOC数据进行修正，删除异常数据，有利于获取到干净准确的电池运行数据，保障实车数据采集的准确性。
在一种可行的实施方式中，根据所述电池运行数据，确定历史健康状态值，具体包括：提取所述电池运行数据中的电池容量数据；通过安时积分法，计算动力电池的可用容量数据；将所述可用容量数据中的温度数据进行多项式拟合修正，得到温度修正容量值；并将所述可用容量数据中心的电流数据进行线性拟合修正，得到电流修正容量值；根据所述温度修正容量值以及所述电流修正容量值，消除所述电池容量数据中温度的偏差以及电流的偏差，得到修正可用容量数据；通过容量箱型图，检测所述修正可用容量数据中的离群点并删除，得到优化容量值；通过Savitzky-Golay滤波器，对所述优化容量值中的时间序列进行多项卷积拟合，消除所述优化容量值中的高频噪声，得到所述历史健康状态值；其中，所述历史健康状态值包括当前电池容量值与额定电池容量值。
本申请实施例通过消除动力电池组中因温度、电流不同导致的计算结果偏差的问题，大大提高了动力电池组电池容量计算的准确性，有利于对动力电池当前健康状态的准确判定。
在一种可行的实施方式中，根据所述电池运行数据，确定融合健康特征，具体包括：根据Pearson相关系数法，对同型号电动汽车的不同车辆的所述电池运行数据进行筛选，提取并得到潜在健康特征；其中，所述潜在健康特征至少包括以下任意一项或多项：累积特征、工况特征以及单体一致性特征；通过主成分分析法，对所述累积特征、工况特征以及单体一致性特征进行特征降维融合，得到所述融合健康特征。
在一种可行的实施方式中，根据所述融合健康特征以及所述历史健康状态值，训练LSTM神经网络模型，得到健康状态评估模型，具体包括：获取所述融合健康特征中的时间序列特征；通过预设滑动宽度的滑动窗口，将所述时间序列特征划分为预设滑动宽度的多个时序样本，得到健康特征序列；并将所述健康特征序列进行归一化处理，得到融合健康特征序列；将所述融合健康特征序列与所述历史健康状态值进行非线性映射，得到非线性映射关系；根据所述融合健康特征序列、所述历史健康状态值以及非线性映射关系，对所述LSTM神经网络模型进行训练，得到所述健康状态评估模型；其中，所述融合健康特征序列为所述健康状态评估模型的训练输入端，所述历史健康状态值为所述健康状态评估模型的训练输出端。
在一种可行的实施方式中，在根据所述融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型之前，所述方法还包括：获取所述融合健康特征中单体一致性特征的时间序列数据；其中，所述单体一致性特征至少包括以下任意一项或多项：单体电压方差均值、单体电压方差极差、模组温度方差均值和模组温度方差极差；根据所述时间序列数据内置的时间顺序，将所述时间序列数据划分为前期序列与后期序列；其中，所述前期序列为所述Prophet模型的训练集，所述后期序列为所述Prophet模型的验证集。
在一种可行的实施方式中，根据所述融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型，具体包括：根据所述前期序列以及所述后期序列，建立所述Prophet模型；根据预设的适应度函数，确定出PSO迭代模型；根据所述PSO迭代模型的适应度参数，对所述Prophet模型进行参数优化，得到优化后的Prophet模型；其中，所述Prophet模型至少包括以下任意一项或多项：趋势模型、周期模型以及节假日模型；根据所述优化后的Prophet模型的优化参数以及所述PSO迭代模型的粒子参数，建立所述融合健康特征预测模型。
在一种可行的实施方式中，根据所述优化后的Prophet模型的优化参数以及所述PSO迭代模型的粒子参数，建立融合健康特征预测模型，具体包括：根据所述优化后的Prophet模型的优化参数，确定出所述PSO迭代模型的粒子参数；将所述粒子参数中的粒子位置以及粒子速度进行初始化处理；通过所述验证集，对所述优化后的Prophet模型进行验证；验证通过后，根据所述优化后的Prophet模型，对所述PSO迭代模型中的粒子进行适应度更新计算，得到粒子适应度个体极值以及粒子适应度群体极值；对所述粒子适应度个体极值以及粒子适应度群体极值进行粒子最大迭代次数判断；若达到所述粒子最大迭代次数，则输出所述优化后的Prophet模型的优化参数，并根据所述优化参数、所述优化后的Prophet模型以及所述PSO迭代模型，训练神经网络模型，得到所述融合健康特征预测模型；若没有达到所述粒子最大迭代次数，则将所述粒子参数中的粒子位置以及粒子速度进行迭代更新，重新对所述PSO迭代模型中的粒子进行适应度更新计算，得到更新后的粒子适应度个体极值以及粒子适应度群体极值。
在一种可行的实施方式中，根据所述融合健康特征预测模型以及所述健康状态评估模型，得到未来健康状态预测结果，具体包括：获取待测电动汽车的所述融合健康特征中的待测时间序列数据；将所述待测时间序列数据输入到所述融合健康特征预测模型中，得到所述未来融合健康特征预测值；将所述未来融合健康特征预测值输入到所述健康状态评估模型中，得到所述待测电动汽车的未来健康状态预测结果，以实现对所述待测电动汽车中电池健康状态的性能预测；其中，所述未来健康状态预测结果中包括当前时间周期的下一时间周期内的电池性能数据。
本申请实施例通过融合健康特征预测模型得出的未来融合健康特征预测值，输入到健康状态评估模型中，得出未来健康状态预测结果，有利于对动力电池的未来性能进行准确的预测，有利于对动力电池的合理利用。
另一方面，本申请实施例还提供了一种基于数据驱动的动力电池健康状态预测装置，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述实施方式所述的一种基于数据驱动的动力电池健康状态预测方法。
本申请实施例提供了一种基于数据驱动的动力电池健康状态预测方法及设备，有利于对电动汽车中电池的退化信息进行分析，并根据预测的结果，准确判断出该动力电池的未来性能规律，有利于保障电动汽车的安全运行，评估其残值，实现退役动力电池的分类，有利于对动力电池的梯次利用。
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。在附图中：
图1为本申请实施例提供的一种基于数据驱动的动力电池健康状态预测方法流程图；
图2为本申请实施例提供的一种有关健康状态的模型构建示意图；
图3为本申请实施例提供的一种PSO-Prophet模型流程图；
图4为本申请实施例提供的一种基于数据驱动的动力电池健康状态预测设备结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请实施例提供了一种基于数据驱动的动力电池健康状态预测方法，如图1所示，基于数据驱动的动力电池健康状态预测方法具体包括步骤S101-S105：
S101、采集电动汽车历史时间周期内的电池性能数据，并对电池性能数据进行数据预处理，得到电池运行数据。
具体地，通过车载数据采集终端，对电动汽车进行电池性能数据的采集。其中，电池性能数据至少包括以下任一项或多项：BMS数据、电池SOC数据以及驱动电机数据。将电池SOC数据的真实值与显示值进行对应关系修正，并将电池SOC进行插值处理，得到修正数据。筛除修正数据的无关数据项，得到相关数据。其中，无关数据项为连续为0的数据以及为乱码数据片段。
作为一种可行的实施方式，通过车载数据采集终端，对电动汽车历史时间周期内的电池性能数据进行采集。电池性能数据按照数据上传时间进行排序，数据采集过程中存在后期补发上传的情况，因此需要利用数据项中的数据获取时间对电池性能数据重新排序，以解决数据片段混乱问题，显示SOC与真实SOC对应关系表对SOC值进行了修正。经过修正后获取动力电池实际SOC值。将例如，驱动电机故障报警时的数据、异常的总电压与总电流数据、异常的动力电池的单体电压值、异常的模组温度值数据等等，进行无关数据的剔除处理。
进一步地，根据电动汽车是否熄火，将相关数据进行分类划分，得到电池运行数据。其中，电池运行数据至少包括以下任意一项或多项：停车充电电池数据、行驶充电电池数据、电池容量数据以及行驶放电电池数据。
作为一种可行的实施方式，电池运行数据中包含了大量的运行数据，首先根据车辆的熄火状态对车辆的动力电池进行判定，然后再根据充电状态是否为停车充电，充电状态总电流是否小于或等于0来判定电池是否为行驶充电或者行驶放电，有利于对大量的电池运行数据进行分类，对每种充电或者放电状态进行详细的分析计算，更加准确地获取电动汽车的电池运行数据。
S102、根据电池运行数据，确定历史健康状态值以及融合健康特征。
具体地，提取电池运行数据中的电池容量数据。通过安时积分法，计算动力电池的可用容量数据。将可用容量数据中的温度数据进行多项式拟合修正，得到温度修正容量值。并将可用容量数据中心的电流数据进行线性拟合修正，得到电流修正容量值。根据温度修正容量值以及电流修正容量值，消除电池容量数据中温度的偏差以及电流的偏差，得到修正可用容量数据。
进一步地，通过容量箱型图，检测修正可用容量数据中的离群点并删除，得到优化容量值。通过Savitzky-Golay滤波器，对优化容量值中的时间序列进行多项卷积拟合，消除优化容量值中的高频噪声，得到历史健康状态值。其中，历史健康状态值包括当前电池容量值与额定电池容量值。
作为一种可行的实施方式，为确保在同一温度条件下，以及同一电流大小条件下，对动力电池的健康状态进行计算时，能够做到准确的评估，所以对温度数据进行多项式拟合修正，电流数据进行线性拟合修正。由于数据采集过程中数据传输不稳定，同时传感器采集电池运行数据等相关数据时存在误差，修正后的容量值还会存在离群点和噪声，同时，考虑到动力电池的寿命一般长达8-10年，短期内的电池健康状态的变化通常是比较细微的，因此先通过箱型图检测并去除容量值离群点，再利用Savitzky-Golay滤波器对容量值进行去噪，实现对动力电池健康状态的计算，并得到该动力电池的历史健康状态值。
另外，根据Pearson相关系数法，对同型号电动汽车的不同车辆的电池运行数据进行筛选，提取并得到潜在健康特征。其中，潜在健康特征至少包括以下任意一项或多项：累积特征、工况特征以及单体一致性特征。通过主成分分析法，对累积特征、工况特征以及单体一致性特征进行特征降维融合，得到融合健康特征。
作为一种可行的实施方式，通过结合健康特征与先进的数据驱动算法，来挖掘潜在健康特征中的累积特征、工况特征和单体一致性特征，利用Pearson相关系数法对适用于同车型不同车辆的潜在健康特征进行筛选，最后再通过主成分分析法(PCA)，利用特征降维实现对健康特征融合，得到融合健康特征。
S103、根据融合健康特征以及历史健康状态值，训练LSTM神经网络模型，得到健康状态评估模型。
具体地，获取融合健康特征中的时间序列特征。通过预设滑动宽度的滑动窗口，将时间序列特征划分为预设滑动宽度的多个时序样本，得到健康特征序列。并将健康特征序列进行归一化处理，得到融合健康特征序列。将融合健康特征序列与历史健康状态值进行非线性映射，得到非线性映射关系。根据融合健康特征序列、历史健康状态值以及非线性映射关系，对LSTM神经网络模型进行训练，得到健康状态评估模型。其中，融合健康特征序列为健康状态评估模型的训练输入端，历史健康状态值为健康状态评估模型的训练输出端。
在一个实施例中，图2为本申请实施例提供的一种有关健康状态的模型构建示意图，如图2所示，首先通过对新能源汽车中的历史时间周期内的电池运行数据进行提取后，通过潜在健康特征的的获取，相关性评估与PCA特征降维后，得到融合健康特征，作为LSTM神经网络模型训练的输入端，然后将动力电池的健康状态计算结果，即历史健康状态值作为LSTM神经网络模型训练的输出端，并通过非线性映射关系，来对LSTM神经网络模型进行训练，最后得到基于LSTM神经网络模型的健康状态评估模型。
S104、根据融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型。
具体地，获取融合健康特征中单体一致性特征的时间序列数据。其中，单体一致性特征至少包括以下任意一项或多项：单体电压方差均值、单体电压方差极差、模组温度方差均值和模组温度方差极差。根据时间序列数据内置的时间顺序，将时间序列数据分为前期序列与后期序列。其中，前期序列为Prophet模型的训练集，后期序列为Prophet模型的验证集。
进一步地，根据前期序列以及后期序列，建立Prophet模型。根据预设的适应度函数，确定出PSO迭代模型。根据PSO迭代模型的适应度参数，对Prophet模型进行参数优化，得到优化后的Prophet模型。其中，Prophet模型至少包括以下任意一项或多项：趋势模型、周期模型以及节假日模型。根据优化后的Prophet模型的优化参数以及PSO迭代模型的粒子参数，建立融合健康特征预测模型。
其中，根据优化后的Prophet模型的优化参数，确定出PSO迭代模型的粒子参数。将粒子参数中的粒子位置以及粒子速度进行初始化处理。通过验证集，对优化后的Prophet模型进行验证，得到预测Prophet模型。验证通过后，根据优化后的Prophet模型，对PSO迭代模型中的粒子进行适应度更新计算，得到粒子适应度个体极值以及粒子适应度群体极值。对粒子适应度个体极值以及粒子适应度群体极值进行粒子最大迭代次数判断。若达到粒子最大迭代次数，则输出优化后的Prophet模型的优化参数，并根据优化参数、优化后的Prophet模型以及PSO迭代模型，训练神经网络模型，得到融合健康特征预测模型。若没有达到粒子最大迭代次数，则将粒子参数中的粒子位置以及粒子速度进行迭代更新，重新对PSO迭代模型中的粒子进行适应度更新计算，得到更新后的粒子适应度个体极值以及粒子适应度群体极值。
在一个实施例中，图3为本申请实施例提供的一种PSO-Prophet模型流程图，如图3所示，首先从电池运行数据中获取融合健康特征中单体一致性特征的时间序列数据，然后根据获取时间序列数据的时间节点的不同，将时间序列数据分为前期序列与后期序列，也就是对应的训练集与验证集，然后确定出Prophet模型的优化参数及其对应的PSO迭代模型的粒子参数，将粒子的位置与速度进行初始化，对优化后的Prophet模型进行预测训练，然后得到每个粒子的适应度，根据适应度更新个体与群体的极值，判断迭代优化过程中是否达到最大迭代次数，若没有达到则继续更新训练优化后的Prophet模型，若已达到最大迭代次数，则输出优化后的Prophet模型的优化参数，并将优化参数、优化后的Prophet模型以及PSO迭代模型进行神经网络模型的训练，得到训练优化后的PSO-Prophet模型，即融合健康特征预测模型。
在一个实施例中，在每个时间周期获取到待预测车辆的电池运行数据后，及时添加最新的训练样本数据，不仅可以提高模型对车辆状态改变的适应能力，还可以提高对用户使用习惯变化的学习能力，从而提高模型的灵活性和适应能力。
S105、根据健康状态评估模型，对未来融合健康特征预测值进行预测，得到未来健康状态预测结果，以实现对电动汽车电池健康状态的性能预测。
具体地，获取待测电动汽车的融合健康特征中的待测时间序列数据。将待测时间序列数据输入到融合健康特征预测模型中，得到未来融合健康特征预测值。将未来融合健康特征预测值输入到健康状态评估模型中，得到待测电动汽车的未来健康状态预测结果，以实现对待测电动汽车中电池健康状态的性能预测。其中，未来健康状态预测结果中包括当前时间周期的下一时间周期内的电池性能数据。
另外，本申请实施例还提供了一种基于数据驱动的动力电池健康状态预测设备，如图4所示，动力电池健康状态预测设备400具体包括：
至少一个处理器401，以及与至少一个处理器401通信连接的存储器402。其中，存储器402存储有能够被至少一个处理器401执行的指令，以使至少一个处理器401能够执行：
采集电动汽车历史时间周期内的电池性能数据，并对电池性能数据进行数据预处理，得到电池运行数据；
根据电池运行数据，确定历史健康状态值以及融合健康特征；
根据融合健康特征以及历史健康状态值，训练LSTM神经网络模型，得到健康状态评估模型；
根据融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型；
根据融合健康特征预测模型以及健康状态评估模型，得到未来健康状态预测结果。
本申请实施例提供了一种基于数据驱动的动力电池健康状态预测方法及设备，有利于对电动汽车中电池的退化信息进行分析，并根据预测的结果，准确判断出该动力电池的未来性能规律，有利于保障电动汽车的安全运行，评估其残值，实现退役动力电池的分类，有利于对动力电池的梯次利用。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种基于数据驱动的动力电池健康状态预测方法，其特征在于，所述方法包括：
采集电动汽车历史时间周期内的电池性能数据，并对所述电池性能数据进行数据预处理，得到电池运行数据；
根据所述电池运行数据，确定历史健康状态值以及融合健康特征，包括：
根据Pearson相关系数法，对同型号电动汽车的不同车辆的所述电池运行数据进行筛选，提取并得到潜在健康特征；其中，所述潜在健康特征至少包括以下任意一项或多项：累积特征、工况特征以及单体一致性特征；
通过主成分分析法，对所述累积特征、工况特征以及单体一致性特征进行特征降维融合，得到所述融合健康特征；
根据所述融合健康特征以及所述历史健康状态值，训练LSTM神经网络模型，得到健康状态评估模型，具体包括：
获取所述融合健康特征中的时间序列特征；
通过预设滑动宽度的滑动窗口，将所述时间序列特征划分为预设滑动宽度的多个时序样本，得到健康特征序列；并将所述健康特征序列进行归一化处理，得到融合健康特征序列；
将所述融合健康特征序列与所述历史健康状态值进行非线性映射，得到非线性映射关系；
根据所述融合健康特征序列、所述历史健康状态值以及非线性映射关系，对所述LSTM神经网络模型进行训练，得到所述健康状态评估模型；其中，所述融合健康特征序列为所述健康状态评估模型的训练输入端，所述历史健康状态值为所述健康状态评估模型的训练输出端；
根据所述融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型，具体包括：
根据前期序列以及后期序列，建立所述Prophet模型；
根据预设的适应度函数，确定出PSO迭代模型；
根据所述PSO迭代模型的适应度参数，对所述Prophet模型进行参数优化，得到优化后的Prophet模型；其中，所述Prophet模型至少包括以下任意一项或多项：趋势模型、周期模型以及节假日模型；
根据所述优化后的Prophet模型的优化参数以及所述PSO迭代模型的粒子参数，建立所述融合健康特征预测模型，具体包括：
根据所述优化后的Prophet模型的优化参数，确定出所述PSO迭代模型的粒子参数；
将所述粒子参数中的粒子位置以及粒子速度进行初始化处理；
通过验证集，对所述优化后的Prophet模型进行验证；
验证通过后，根据所述优化后的Prophet模型，对所述PSO迭代模型中的粒子进行适应度更新计算，得到粒子适应度个体极值以及粒子适应度群体极值；
对所述粒子适应度个体极值以及粒子适应度群体极值进行粒子最大迭代次数判断；
若达到所述粒子最大迭代次数，则输出所述优化后的Prophet模型的优化参数，并根据所述优化参数、所述优化后的Prophet模型以及所述PSO迭代模型，训练神经网络模型，得到所述融合健康特征预测模型；
若没有达到所述粒子最大迭代次数，则将所述粒子参数中的粒子位置以及粒子速度进行迭代更新，重新对所述PSO迭代模型中的粒子进行适应度更新计算，得到更新后的粒子适应度个体极值以及粒子适应度群体极值；
根据所述融合健康特征预测模型以及所述健康状态评估模型，得到未来健康状态预测结果，具体包括：
获取待测电动汽车的所述融合健康特征中的待测时间序列数据；
将所述待测时间序列数据输入到所述融合健康特征预测模型中，得到未来融合健康特征预测值；
将所述未来融合健康特征预测值输入到所述健康状态评估模型中，得到所述待测电动汽车的未来健康状态预测结果，以实现对所述待测电动汽车中电池健康状态的性能预测；其中，所述未来健康状态预测结果中包括当前时间周期的下一时间周期内的电池性能数据。
2.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法，其特征在于，采集电动汽车历史时间周期内的电池性能数据，并对所述电池性能数据进行数据预处理，得到电池运行数据，具体包括：
通过车载数据采集终端，对所述电动汽车进行所述电池性能数据的采集；其中，所述电池性能数据至少包括以下任一项或多项：BMS数据、电池SOC数据以及驱动电机数据；
将所述电池SOC数据的真实值与显示值进行对应关系修正，并将所述电池SOC进行插值处理，得到修正数据；
筛除所述修正数据的无关数据项，得到相关数据；其中，所述无关数据项为连续为0的数据以及为乱码数据片段；
根据所述电动汽车是否熄火，将所述相关数据进行分类划分，得到所述电池运行数据；其中，所述电池运行数据至少包括以下任意一项或多项：停车充电电池数据、行驶充电电池数据、电池容量数据以及行驶放电电池数据。
3.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法，其特征在于，根据所述电池运行数据，确定历史健康状态值，具体包括：
提取所述电池运行数据中的电池容量数据；
通过安时积分法，计算动力电池的可用容量数据；
将所述可用容量数据中的温度数据进行多项式拟合修正，得到温度修正容量值；并将所述可用容量数据中心的电流数据进行线性拟合修正，得到电流修正容量值；
根据所述温度修正容量值以及所述电流修正容量值，消除所述电池容量数据中温度的偏差以及电流的偏差，得到修正可用容量数据；
通过容量箱型图，检测所述修正可用容量数据中的离群点并删除，得到优化容量值；
通过Savitzky-Golay滤波器，对所述优化容量值中的时间序列进行多项卷积拟合，消除所述优化容量值中的高频噪声，得到所述历史健康状态值；其中，所述历史健康状态值包括当前电池容量值与额定电池容量值。
4.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法，其特征在于，在根据所述融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型之前，所述方法还包括：
获取所述融合健康特征中单体一致性特征的时间序列数据；其中，所述单体一致性特征至少包括以下任意一项或多项：单体电压方差均值、单体电压方差极差、模组温度方差均值和模组温度方差极差；
根据所述时间序列数据内置的时间顺序，将所述时间序列数据划分为前期序列与后期序列；其中，所述前期序列为所述Prophet模型的训练集，所述后期序列为所述Prophet模型的验证集。
5.一种基于数据驱动的动力电池健康状态预测设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1-4任一项所述的一种基于数据驱动的动力电池健康状态预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210892542.9A CN115343621B (zh) | 2022-07-27 | 2022-07-27 | 一种基于数据驱动的动力电池健康状态预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210892542.9A CN115343621B (zh) | 2022-07-27 | 2022-07-27 | 一种基于数据驱动的动力电池健康状态预测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115343621A CN115343621A (zh) | 2022-11-15 |
| CN115343621B true CN115343621B (zh) | 2024-01-26 |
Family
ID=83950385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210892542.9A Active CN115343621B (zh) | 2022-07-27 | 2022-07-27 | 一种基于数据驱动的动力电池健康状态预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115343621B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116774044B (zh) * | 2023-05-23 | 2024-02-20 | 山东科技大学 | 一种退役锂电池组的健康状态评价方法 |
| 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 |
| CN117445755A (zh) * | 2023-11-01 | 2024-01-26 | 山东大学 | 基于云计算的电动汽车电池远程监控系统 |
| CN117269805A (zh) * | 2023-11-23 | 2023-12-22 | 中国人民解放军国防科技大学 | 车载锂电池组健康状态评估模型训练、预测方法及装置 |
| CN117420464A (zh) * | 2023-11-24 | 2024-01-19 | 广州穗圣信息科技有限公司 | 一种电动汽车电池组评估方法及系统 |
| CN117670260B (zh) * | 2024-01-31 | 2024-04-30 | 成都三一能源环保技术有限公司 | 一种基于数据分析的井下钻井仪器使用周期管理系统 |
| CN117949831B (zh) * | 2024-03-27 | 2024-05-31 | 牡丹江师范学院 | 一种可调式物理相似模拟实验平台 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112526351A (zh) * | 2020-12-16 | 2021-03-19 | 东南大学 | 一种评估电动汽车的动力电池健康状态及剩余寿命的方法 |
| AU2021100373A4 (en) * | 2021-01-20 | 2021-04-15 | Jiang Su University | A Battery Pack SOH Estimation Method Based on LSTM Neural Network |
| DE102020210147A1 (de) * | 2020-08-11 | 2022-02-17 | Rheinisch-Westfälische Technische Hochschule (Rwth) Aachen | Vorrichtung und Verfahren zur lokalen Bestimmung von Kennwerten einer Akku-Zelle |
| WO2022053064A1 (zh) * | 2020-09-14 | 2022-03-17 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
| CN114297904A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学 | 一种基于二次差分温度特征的锂电池健康状态估计方法 |
| CN114397577A (zh) * | 2021-12-09 | 2022-04-26 | 国网天津市电力公司 | 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法 |
-
2022
- 2022-07-27 CN CN202210892542.9A patent/CN115343621B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102020210147A1 (de) * | 2020-08-11 | 2022-02-17 | Rheinisch-Westfälische Technische Hochschule (Rwth) Aachen | Vorrichtung und Verfahren zur lokalen Bestimmung von Kennwerten einer Akku-Zelle |
| WO2022053064A1 (zh) * | 2020-09-14 | 2022-03-17 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
| CN112526351A (zh) * | 2020-12-16 | 2021-03-19 | 东南大学 | 一种评估电动汽车的动力电池健康状态及剩余寿命的方法 |
| AU2021100373A4 (en) * | 2021-01-20 | 2021-04-15 | Jiang Su University | A Battery Pack SOH Estimation Method Based on LSTM Neural Network |
| CN114397577A (zh) * | 2021-12-09 | 2022-04-26 | 国网天津市电力公司 | 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法 |
| CN114297904A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学 | 一种基于二次差分温度特征的锂电池健康状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于混合模型及LSTM的锂电池SOH与剩余寿命预测》;刘伟霞 等;《储能科学与技术》;第1-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115343621A (zh) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115343621B (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 | |
| Chen et al. | A novel data-driven method for mining battery open-circuit voltage characterization | |
| CN110133508B (zh) | 电动汽车动力电池的安全预警方法 | |
| Chen et al. | An empirical-data hybrid driven approach for remaining useful life prediction of lithium-ion batteries considering capacity diving | |
| Elmahallawy et al. | A comprehensive review of lithium-ion batteries modeling, and state of health and remaining useful lifetime prediction | |
| Zhou et al. | A low-complexity state of charge estimation method for series-connected lithium-ion battery pack used in electric vehicles | |
| Semeraro et al. | Battery monitoring and prognostics optimization techniques: challenges and opportunities | |
| CN111323719A (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 | |
| CN102749589B (zh) | 电动汽车动力电池衰退模式预测方法 | |
| CN111505506A (zh) | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 | |
| CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN109799463A (zh) | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 | |
| CN110703120A (zh) | 基于粒子滤波和长短时记忆网络的锂离子电池寿命预测方法 | |
| Liu et al. | Online health prognosis for lithium-ion batteries under dynamic discharge conditions over wide temperature range | |
| CN113868884B (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| CN113093017A (zh) | 一种锂离子电池等效电路模型在线构建方法 | |
| CN114462259B (zh) | 基于soc的电池剩余寿命预测方法、系统、汽车及介质 | |
| CN114578248A (zh) | 用于预测电池运行的设备中设备电池的老化状态的方法和装置 | |
| 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 | |
| CN112989690A (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
| CN112881916A (zh) | 一种锂电池健康状态和剩余可用寿命的预测方法及系统 | |
| CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 |
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 |