CN116298931B - 一种基于云端数据的锂离子电池容量估计方法 - Google Patents
一种基于云端数据的锂离子电池容量估计方法 Download PDFInfo
- Publication number
- CN116298931B CN116298931B CN202310533129.8A CN202310533129A CN116298931B CN 116298931 B CN116298931 B CN 116298931B CN 202310533129 A CN202310533129 A CN 202310533129A CN 116298931 B CN116298931 B CN 116298931B
- Authority
- CN
- China
- Prior art keywords
- soc
- data
- segment
- battery
- battery capacity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 12
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 23
- 239000012634 fragment Substances 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000032683 aging Effects 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于云端数据的锂离子电池容量估计方法，包括获取整车上传的云端数据，将数据切分为充电片段、行驶片段和搁置片段；筛选出有效片段；对有效片段的起始SOC值和结束SOC值进行修正；基于修正后的有效片段起始SOC值和结束SOC值完成部分车辆部分时刻的电池容量计算；对完成部分时刻容量计算的车辆的电池容量数据变化过程进行拟合；将拟合得到的车辆电池容量数据作为神经网络训练的标签，以多维特征数据和电池容量估计结果数据分别作为神经网络的输入和输出，搭建神经网络的结构并完成训练，基于训练好的神经网络模型，完成其他因缺少有效片段无法计算容量的车辆的电池容量估计。实现多车辆任意时刻的准确电池容量估计。
Description
技术领域
本发明涉及电池容量估计技术领域，特别涉及一种基于云端数据的锂离子电池容量估计方法。
背景技术
锂离子电池被广泛用于储能系统、电动交通工具、便携式电子设备等众多领域。准确的估计电池健康状态(SOH)是延长电池使用寿命，确保电池系统高效安全可靠运行的关键。
然而，目前基于云平台高精度的SOH估计仍存在诸多问题，例如数据方面存在采样频率低、输入不足和数据不准确等问题，已有常规容量估计算法虽然逻辑简单但精度不高，高精度算法又存在计算量大以及需要较多的电池基础数据作为输入，实际应用的难度较大。
电池系统随着使用必然存在容量衰减，不同的使用工况又导致其存在不同的老化路径，容量衰减的速率也不相同；电池系统内部核心是电化学系统，电化学系统存在高度非线性、伪周期性、时变性等特点，因而如何对电池系统进行准确的容量估计一直以来都是新能源行业、电池行业、整车行业的难点、痛点。
发明内容
为解决上述问题，本发明提供了一种基于云端数据的锂离子电池容量估计方法，具体技术方案如下：
S1、获取整车上传的云端数据，将数据切分为充电片段、行驶片段和搁置片段；所述云端数据中包含电池的多维特征数据；
S2、筛选出有效片段；
S3、对有效片段的起始SOC值和结束SOC值进行修正；
S4、基于修正后的有效片段起始SOC值和结束SOC值完成部分车辆部分时刻的电池容量计算；
S5、对步骤S4中完成部分时刻容量计算的车辆的电池容量数据变化过程进行拟合；
S6、将步骤S5中拟合得到的车辆电池容量数据作为神经网络训练的标签，以云端数据中的多维特征数据作为所述神经网络的输入，以电池容量估计结果数据作为所述神经网络的输出，搭建神经网络的结构并完成训练，基于训练好的神经网络模型，完成其他因缺少有效片段无法计算容量的车辆的电池容量估计。
进一步的，步骤S1中按照如下方法将数据切分为充电片段、行驶片段和搁置片段：
根据云端数据的时序数据帧之间的时间间隔以及充电标志位切分出充电片段和行驶片段；将没有数据的时序片段作为搁置片段。
具体的，一般将时序数据的时间列做差，若连续两时序数据帧之间的时间差值大于或者等于30min，即搁置片段大于或等于30min时，将搁置前最后一帧作为上一段截止点，搁置后第一帧作为下一段的起始点；
若连续两帧时间差值小于30min，视为连续片段，不做切分。
进一步的，步骤S2中，按照以下条件筛选出有效片段：
所述有效片段的起始SOC和结束SOC均处于电池SOC-OCV曲线的非平台区间，且有效片段的起始SOC和结束SOC均处于不随着电池老化而变化的区间，且有效片段的起始SOC值与截至SOC值差值的绝对值大于10％。
所述的非平台区间，也就是(在电池出厂前)充放电过程中测得的SOC-OCV曲线上，随着电池SOC改变，电池的开路电压OCV会相应发生改变的区间。与之相反的，平台区间就是(在电池出厂前)在电池充放电过程中测得的SOC-OCV曲线上，随着电池SOC改变，电池的开路电压OCV不会相应发生改变的区间。对于不同老化程度的电池充放电过程中，在有的SOC区间内，随着电池老化程度不同，同样的SOC值下测得的开路电压OCV值也会不同；而在有的SOC区间内，随着电池老化程度不同，同样的SOC值下测得的开路电压OCV值不会发生改变。随着电池老化，相同SOC下，开路电压下不发生变化的片段才是需要被筛选出来的有效片段。
进一步的，判断不随电池老化而变化的SOC非平台区间，具体过程如下：
获取放电时测得的在某个开路电压下的SOC，通过如下公式进行误差计算：
K＝(Sn-S0)/S0
其中，S0为第一次放电时测得的在某个开路电压下的SOC，Sn为第n次放电时测得的在相同开路电压下的SOC；
当误差K小于预设误差阈值，则判定对应的SOC区间开路电压不随电池老化而变化。
进一步的，步骤S3中对有效片段的起始SOC值和结束SOC值进行修正，具体过程如下：
检测获取充放电起始时刻和结束时刻的SOC值；
当起始SOC≥99％时，计算电池静置时长，若静置时长满足预设时间阈值参数，则对SOC进行修正，获取真实SOC标签；
当结束SOC≥99％时，判定SOC数据准确，不做修正，将其标记为真实SOC标签；
当起始SOC和结束SOC均＜99％时，基于当前电压判断SOC是否处于静态SOC-OCV曲线的平台区间；如果SOC处于静态SOC-OCV曲线的平台区间，则不做修正，将其标记为非真实SOC标签；如果SOC不处于静态SOC-OCV曲线的平台区间，则计算电池静置时长，若静置时长满足预设时间阈值参数，则对SOC进行修正，获取真实SOC标签，反之，不做修正，标记为非真实SOC标签。
将标记为非真实SOC标签的片段舍弃，将起始SOC和结束SOC均标记为真实SOC标签的片段作为步骤S4中容量计算的依据。
进一步的，按照如下公式计算该电池系统的当前容量：
其中，Ah表示充放电吞吐量，SOC表示荷电状态，t1和t2分别表示片段起始时刻与结束时刻，SOCt1表示修正后的起始SOC值，SOCt2表示修正后的结束SOC值，I表示当前时刻电池系统电流大小。
进一步的，步骤S5中，对完成部分时刻容量计算的车辆的电池容量数据变化过程进行拟合，具体如下：
计算获得单一车辆至少3个以上的容量计算结果，采用带修正因子的阿伦尼乌斯(Arrhenius)经验公式对该车辆电池容量数据变化过程进行拟合，完成该车辆任意时刻的容量估计；
其中，带修正因子的阿伦尼乌斯(Arrhenius)经验公式为：
其中，A为前项因子，Ea为实验活化能，可视为与温度无关的常数，T为开氏温度，R为摩尔气体常数，t为随着电池老化的时序变量，Z为老化趋势因子，B为不一致性因子。
进一步的，所述多维特征数据包括如下：
存储维度数据，包括：累计存储时长、第一存储时长、第二存储时长、第一SOC存储时长和第二SOC存储时长；
充电维度数据，包括：累计充电电量、充电倍率、充电起始电压、充电截止电压、充电温升和充电深度；
放电维度数据，包括：累计放电电量、放电倍率、放电深度、放电起始电压、放电截止电压和平均放电温度；
能量回馈维度数据，包括：回馈电流和累计回馈电量；
一致性维度数据，包括：电压极差和温度极差；
滥用工况维度数据，包括：累计过充次数、累计过放次数和累计过温次数。
本发明的有益效果如下：
本发明提出了SOC修正的策略，通过对云端数据的处理，将其SOC进行修正，进而充分考虑锂电池容量衰减的规律对其满足条件的片段进行容量估计，对于无法满足容量估计条件的车辆采用神经网络模型，基于云端数据以及容量估计作为输入和输出进行估计，从而实现多车辆任意时刻的准确电池容量估计。
本发明创新性的采用基于电池系统特点耦合SOC修正策略的方式来获取原始容量标签，有效解决了目前容量估计算法无标签的难题，将获取的标签作为神经网络的输出；创造性的采用多个维度数据，特别是与用户行为、电池老化、电池滥用等方面信息作为神经网络的输入，考虑了多种因素对电充容量的影响，基于模型训练，参数调整等过程后，获得的神经网络模型，具有容量估计精度高，适用场景广，鲁棒性好等优点。
附图说明
图1是方法整体流程示意图；
图2是SOC校正逻辑示意图。
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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，都属于本发明保护的范围。
在本发明实施例的描述中，需要说明的是，指示方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接连接，也可以通过中间媒介间接连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本发明的实施例1公开了一种基于云端数据的锂离子电池容量估计方法，如图1所示，具体步骤流程如下：
S1、获取整车上传的云端数据，将数据切分为充电片段、行驶片段和搁置片段；所述云端数据中包含电池的多维特征数据。
对整车上传的云端数据，进行数据清洗和数据切分；
本实施例中，所述数据清洗主要完成其中重复值、无效值、异常值、缺失值等数据的处理，并按照时序数据进行保存。
本实施例中，将步骤S1中，经数据清洗后得到的数据按照如下方法将数据切分为充电片段、行驶片段和搁置片段：
基于完成清洗的时序数据帧之间的时间间隔(大于或等于30min)，以及充电标志位(Charging_bit)切分出充电片段、行驶片段；其中没有数据(既没有充电，也没有放电)的时序片段，为搁置片段；
具体的，将时序数据的时间列做差，若连续两时序数据帧之间的时间差值大于或者等于30min，即搁置片段大于或等于30min时，将搁置前最后一帧作为上一段截止点，搁置后第一帧作为下一段的起始点；
若连续两帧时间差值小于30min，视为连续片段，不做切分。
S2、筛选出有效片段；
按照以下条件筛选出有效片段：
所述有效片段的起始SOC和结束SOC均处于电池SOC-OCV曲线的非平台区间，且有效片段的起始SOC和结束SOC均处于不随着电池老化而变化的区间，即有效片段起始时刻(t1)与结束时刻(t2)对应的SOC处于随着电池老化、容量衰减，而不发生变化的SOC非平台区间，且有效片段的起始SOC值与截至SOC值差值的绝对值大于10％。
所述的非平台区间，也就是(在电池出厂前)充放电过程中测得的SOC-OCV曲线上，随着电池SOC改变，电池的开路电压OCV会相应发生改变的区间；与之相反的，平台区间就是在电池充放电过程中测得的SOC-OCV曲线上，随着电池SOC改变，电池的开路电压OCV不会相应发生改变的区间。
例如，对于磷酸铁锂电池体系而言，当SOC为100-95和30-0区间时，随着SOC的变化，OCV会随之改变，则属于非平台区间；当SOC处于65-45区间时，OCV不随SOC变化而变化，就是平台区间。
对于不同老化程度的电池充放电过程中，在有的SOC区间内，随着电池老化程度不同，同样的SOC值下测得的开路电压OCV值也会不同；而在有的SOC区间内，随着电池老化程度不同，同样的SOC值下测得的开路电压OCV值不会发生改变。随着电池老化，相同SOC下，开路电压下不发生变化的片段才是需要被筛选出来的有效片段。
可基于不同老化程度电池对应的SOC-OCV曲线数据，获取其不随电池老化而变化的SOC非平台区间，或者可以通过其老化机理判断随着老化，那些SOC区间不会发生变化，以磷酸铁锂为例，一般认为随着使用增加，其容量衰减的主要原因来自于其对应的活性锂离子损失(LLI)，因其活性材料较为稳定一般认为活性材料损失(LAM)较小，基于LLI和LAM与SOC-OCV曲线之间的关系，同样可以得到随着电池老化，而不发生变化的SOC非平台区间；
本实施例中，判断不随电池老化而变化的SOC非平台区间，具体过程如下：
获取放电时测得的在某个开路电压下的SOC，通过如下公式进行误差计算：
K＝(Sn-S0)/S0
其中，S0为第一次放电时测得的在某个开路电压下的SOC，Sn为第n次放电时测得的在相同开路电压下的SOC；
当误差K小于预设误差阈值，则判定对应的SOC区间开路电压不随电池老化而变化。
S3、对有效片段的起始SOC值和结束SOC值进行修正；
在本实施例中，认为满充时刻(SOC≥99％)对应的SOC是准确的，当满充状态搁置一段时间，由于电池自放电等原因，SOC会逐渐降低，但系统往往不会更新此时SOC数值，因此，需要对SOC进行修正；
非满充时刻的SOC，需要判断是否处于静态SOC-OCV曲线的平台区间(一般可认为ΔOCV/ΔSOC<10mV(SOC变化5％采集一次数据)，属于平台区间)，若处于非平台区间，再计算是否满足足够长的静置时间，满足则修正，修正后的SOC数据作为后面计算电池容量的数据。
如图2所示，具体的，在本实施例中，检测获取充放电起始时刻和结束时刻的SOC状态；
当起始SOC≥99％时，获取当前节点往前m帧数据计算电池静置时长，若静置时长满足预设时间阈值参数，则对SOC进行修正，获取真实SOC标签；
当结束SOC≥99％时，判定SOC数据准确，不做修正，将其标记为真实SOC标签；
当起始SOC和结束SOC均＜99％时，基于当前电压判断SOC是否处于静态SOC-OCV曲线的平台区间；
如果SOC处于静态SOC-OCV曲线的平台区间，则不做修正，将其标记为非真实SOC标签；
如果SOC不处于静态SOC-OCV曲线的平台区间，则计算电池静置时长，对于起始SOC＜99％的情况，获取当前节点往前m帧数据计算电池静置时长，对于结束SOC＜99％的情况，获取当前节点往后m帧数据计算电池静置时长，若静置时长满足预设时间阈值参数(30min)，则对SOC进行修正，获取真实SOC标签，反之，不做修正，标记为非真实SOC标签；m取值需满足大于1800s/数据频率。
将标记为非真实SOC标签的片段舍弃，将起始SOC和结束SOC均标记为真实SOC标签的片段作为步骤S4中容量计算的依据。
本实施例中，基于电池本征的SOC-OCV对应关系对SOC进行修正，该本征SOC-OCV对应关系是电池生产商在电池出厂前在专业的实验条件下已经测试获得，表明了电池真实的SOC-OCV对应关系，因此可以作为依据，根据测得的开路电压OCV，对SOC进行修正。修正条件是需要满足足够长的静置时间(通常为超过30min)，使得电池系统达到稳态。
S4、基于修正后的有效片段起始SOC值和结束SOC值完成部分车辆部分时刻的电池容量计算；
计算公式如下：
其中，Ah表示充放电吞吐量，SOC表示荷电状态，t1和t2分别表示片段起始时刻与结束时刻，SOCt1和SOCt2分别表示起始时刻和结束时刻的荷电状态，I表示当前时刻电池系统电流大小。
S5、对步骤S4中完成部分时刻容量计算的车辆的电池容量数据变化过程进行拟合；
具体如下：
计算获得单一车辆至少3个以上的容量计算结果，采用带修正因子的阿伦尼乌斯(Arrhenius)经验公式对该车辆电池容量数据变化过程进行拟合，完成该车辆任意时刻的容量估计；
其中，带修正因子的阿伦尼乌斯(Arrhenius)经验公式为：
其中，A为前项因子，Ea为实验活化能，可视为与温度无关的常数，T为开氏温度，R为摩尔气体常数，t为随着电池老化的时序变量，Z为老化趋势因子，B为不一致性因子。
S6、将步骤S5中拟合得到的车辆电池容量数据作为神经网络训练的标签，以云端数据中的多维特征数据作为所述神经网络的输入，以电池容量估计结果数据作为所述神经网络的输出，搭建神经网络的结构并完成训练，基于训练好的神经网络模型，完成其他因缺少有效片段无法计算容量的车辆的电池容量估计。
本实施例中，采用反向传播神经网络(BPNN)作为网络模型，其具有网络结构简单，非线性逼近性能较好的特点。
所述多维特征数据包括如下：
存储维度数据包括：累计存储时长、第一存储时长、第二存储时长、第一SOC存储时长和第二SOC存储时长，第一存储时长、第二存储时长、第一SOC存储时长和第二SOC存储时长，分别为高温存储时长、低温存储时长、高SOC存储时长和低SOC存储时长。具体地，一般认为温度大于45℃为高温、温度小于10℃为低温、SOC大于80％为高SOC、SOC小于30％为低SOC。
充电维度数据包括：累计充电电量、充电倍率、充电起始电压、充电截止电压、充电温升和充电深度；
放电维度数据包括累计放电电量、放电倍率、放电深度、放电起始电压、放电截止电压和平均放电温度；
能量回馈维度数据包括：回馈电流(车辆在行驶过程中的电量回收形成的充电电量，单位A)和累计回馈电量(车辆行驶过程中累计的充电电量，单位Ah)；
一致性维度数据包括：电压极差(电池系统在同一时刻所有单体中最大电压单体电芯与最小单体的电压差值)和温度极差(电池系统在同一时刻所有温度探针中最大单体电芯与最小单体的温度差值)；
滥用工况维度数据包括：累计过充次数、累计过放次数和累计过温次数；
共计24个神经网络输入；
神经网络模型中，第一个隐含层，包含32个节点，第二个隐藏层4个节点，神经网路的仅一个输出，即当前电池容量。
两个隐藏层的激活函数为Tan-Sigmoid(双曲正切S型函数)，输出层的传递函数是Linear。
训练函数是Trainrp(弹性BP算法，具有收敛速度快和占用内存小的优点)。
神经网络的损失函数选取为均方误差(Mean Square Error,MSE)函数。将神经网络训练至收敛稳定，得到能够预测每个片段对应电池系统容量的反向传播神经网络。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (4)
1.一种基于云端数据的锂离子电池容量估计方法，其特征在于，包括以下步骤：
S1、获取整车上传的云端数据，将数据切分为充电片段、行驶片段和搁置片段；所述云端数据中包含电池的多维特征数据；
所述多维特征数据包括存储维度数据，充电维度数据，放电维度数据，能量回馈维度数据，一致性维度数据，滥用工况维度数据；
S2、筛选出有效片段；
按照以下条件筛选出有效片段：
所述有效片段的起始SOC和结束SOC均处于电池SOC-OCV曲线的非平台区间，且有效片段的起始SOC和结束SOC均处于不随着电池老化而变化的区间，且有效片段的起始SOC值与截至SOC值差值的绝对值大于10％；
S3、对有效片段的起始SOC值和结束SOC值进行修正；
具体过程如下：
检测获取充放电起始时刻和结束时刻的SOC值；
当起始SOC≥99％时，计算电池静置时长，若静置时长满足预设时间阈值参数，则对SOC进行修正，获取真实SOC标签；
当结束SOC≥99％时，判定SOC数据准确，不做修正，将其标记为真实SOC标签；
当起始SOC和结束SOC均＜99％时，基于当前电压判断SOC是否处于静态SOC-OCV曲线的平台区间；如果SOC处于静态SOC-OCV曲线的平台区间，则不做修正，将其标记为非真实SOC标签；如果SOC不处于静态SOC-OCV曲线的平台区间，则计算电池静置时长，若静置时长满足预设时间阈值参数，则对SOC进行修正，获取真实SOC标签，反之，不做修正，标记为非真实SOC标签；
S4、基于修正后的有效片段起始SOC值和结束SOC值完成部分车辆部分时刻的电池容量计算；
按照如下公式计算电池系统的当前容量：
其中，Ah表示充放电吞吐量，SOC表示荷电状态，t1和t2分别表示片段起始时刻与结束时刻，SOCt1表示修正后的起始SOC值，SOCt2表示修正后的结束SOC值，I表示当前时刻电池系统电流大小；
S5、对步骤S4中完成部分时刻容量计算的车辆的电池容量数据变化过程进行拟合；
具体如下：
计算获得单一车辆至少3个以上的容量计算结果，采用带修正因子的阿伦尼乌斯(Arrhenius)经验公式对该车辆电池容量数据变化过程进行拟合，完成该车辆任意时刻的容量估计；
其中，带修正因子的阿伦尼乌斯(Arrhenius)经验公式为：
其中，A为前项因子，Ea为实验活化能，可视为与温度无关的常数，T为开氏温度，R为摩尔气体常数，t为随着电池老化的时序变量，Z为老化趋势因子，B为不一致性因子；
S6、将步骤S5中拟合得到的车辆电池容量数据作为神经网络训练的标签，以云端数据中的多维特征数据作为所述神经网络的输入，以电池容量估计结果数据作为所述神经网络的输出，搭建神经网络的结构并完成训练，基于训练好的神经网络模型，完成其他因缺少有效片段无法计算容量的车辆的电池容量估计。
2.根据权利要求1所述的基于云端数据的锂离子电池容量估计方法，其特征在于，步骤S1中按照如下方法将数据切分为充电片段、行驶片段和搁置片段：
根据云端数据的时序数据帧之间的时间间隔以及充电标志位切分出充电片段和行驶片段；将没有数据的时序片段作为搁置片段。
3.根据权利要求1所述的基于云端数据的锂离子电池容量估计方法，其特征在于，判断不随电池老化而变化的SOC非平台区间，具体过程如下：
获取放电时测得的在某个开路电压下的SOC，通过如下公式进行误差计算：
K＝(Sn-S0)/S0
其中，S0为第一次放电时测得的在某个开路电压下的SOC，Sn为第n次放电时测得的在相同开路电压下的SOC；
当误差K小于预设误差阈值，则判定对应的SOC区间开路电压不随电池老化而变化。
4.根据权利要求1所述的基于云端数据的锂离子电池容量估计方法，其特征在于，所述存储维度数据，包括：累计存储时长、第一存储时长、第二存储时长、第一SOC存储时长和第二SOC存储时长；
所述充电维度数据，包括：累计充电电量、充电倍率、充电起始电压、充电截止电压、充电温升和充电深度；
所述放电维度数据，包括：累计放电电量、放电倍率、放电深度、放电起始电压、放电截止电压和平均放电温度；
所述能量回馈维度数据，包括：回馈电流和累计回馈电量；
所述一致性维度数据，包括：电压极差和温度极差；
所述滥用工况维度数据，包括：累计过充次数、累计过放次数和累计过温次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310533129.8A CN116298931B (zh) | 2023-05-12 | 2023-05-12 | 一种基于云端数据的锂离子电池容量估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310533129.8A CN116298931B (zh) | 2023-05-12 | 2023-05-12 | 一种基于云端数据的锂离子电池容量估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116298931A CN116298931A (zh) | 2023-06-23 |
| CN116298931B true CN116298931B (zh) | 2023-09-01 |
Family
ID=86789050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310533129.8A Active CN116298931B (zh) | 2023-05-12 | 2023-05-12 | 一种基于云端数据的锂离子电池容量估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298931B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577680A (zh) * | 2023-07-13 | 2023-08-11 | 无锡大派电子有限公司 | 一种锂电池析锂检测方法及其装置 |
| CN117148161A (zh) * | 2023-08-29 | 2023-12-01 | 深圳市今朝时代股份有限公司 | 一种基于云端神经网络的电池soc估算方法及装置 |
| CN117930064B (zh) * | 2024-03-21 | 2024-06-14 | 四川新能源汽车创新中心有限公司 | 一种无损检测析锂的方法、系统、计算设备及介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
| CN107167738A (zh) * | 2017-04-21 | 2017-09-15 | 华南理工大学 | 一种基于ocv‑soc曲线特征的动力电池soc估算的修正方法及装置 |
| CN112034356A (zh) * | 2020-09-09 | 2020-12-04 | 哈尔滨工业大学 | 基于gp-ukf的电动汽车动力电池在线soh估算方法 |
| FR3097649A1 (fr) * | 2019-06-20 | 2020-12-25 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procédé de détermination d'un estimateur robuste de la capacité d'une batterie électrique |
| CN112731157A (zh) * | 2020-12-16 | 2021-04-30 | 上海理工大学 | 一种基于数据驱动的锂离子电池容量估计方法 |
| CN113484774A (zh) * | 2021-08-18 | 2021-10-08 | 昆明理工大学 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
| WO2021259196A1 (zh) * | 2020-06-22 | 2021-12-30 | 北京理工大学 | 一种电池组一致性评估方法及系统 |
| WO2022230335A1 (ja) * | 2021-04-28 | 2022-11-03 | 株式会社日立ハイテク | 電池状態推定装置、電力システム |
| CN115392134A (zh) * | 2022-09-23 | 2022-11-25 | 四川新能源汽车创新中心有限公司 | 车辆动力电池综合性能评估方法及相关装置 |
| CN115563704A (zh) * | 2022-09-23 | 2023-01-03 | 四川新能源汽车创新中心有限公司 | 电池状态预测模型的优化方法、容量预测方法及相关装置 |
| CN115684966A (zh) * | 2022-09-16 | 2023-02-03 | 始途科技(杭州)有限公司 | 一种锂离子电池soc修正方法、系统、设备及介质 |
| WO2023078673A1 (en) * | 2021-11-03 | 2023-05-11 | Psa Automobiles Sa | Method and apparatus for estimating state of health of battery |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021166465A1 (ja) * | 2020-02-21 | 2021-08-26 | パナソニックＩｐマネジメント株式会社 | 演算システム、電池特性推定方法、及び電池特性推定プログラム |
-
2023
- 2023-05-12 CN CN202310533129.8A patent/CN116298931B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
| CN107167738A (zh) * | 2017-04-21 | 2017-09-15 | 华南理工大学 | 一种基于ocv‑soc曲线特征的动力电池soc估算的修正方法及装置 |
| FR3097649A1 (fr) * | 2019-06-20 | 2020-12-25 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procédé de détermination d'un estimateur robuste de la capacité d'une batterie électrique |
| WO2021259196A1 (zh) * | 2020-06-22 | 2021-12-30 | 北京理工大学 | 一种电池组一致性评估方法及系统 |
| CN112034356A (zh) * | 2020-09-09 | 2020-12-04 | 哈尔滨工业大学 | 基于gp-ukf的电动汽车动力电池在线soh估算方法 |
| CN112731157A (zh) * | 2020-12-16 | 2021-04-30 | 上海理工大学 | 一种基于数据驱动的锂离子电池容量估计方法 |
| WO2022230335A1 (ja) * | 2021-04-28 | 2022-11-03 | 株式会社日立ハイテク | 電池状態推定装置、電力システム |
| CN113484774A (zh) * | 2021-08-18 | 2021-10-08 | 昆明理工大学 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
| WO2023078673A1 (en) * | 2021-11-03 | 2023-05-11 | Psa Automobiles Sa | Method and apparatus for estimating state of health of battery |
| CN115684966A (zh) * | 2022-09-16 | 2023-02-03 | 始途科技(杭州)有限公司 | 一种锂离子电池soc修正方法、系统、设备及介质 |
| CN115392134A (zh) * | 2022-09-23 | 2022-11-25 | 四川新能源汽车创新中心有限公司 | 车辆动力电池综合性能评估方法及相关装置 |
| CN115563704A (zh) * | 2022-09-23 | 2023-01-03 | 四川新能源汽车创新中心有限公司 | 电池状态预测模型的优化方法、容量预测方法及相关装置 |
Non-Patent Citations (1)
| Title |
|---|
| 陈峥 等.基于改进容量增量分析法的锂电池可用容量估计.《中国公路学报》.2022,第35卷(第8期),20-30. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116298931A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116298931B (zh) | 一种基于云端数据的锂离子电池容量估计方法 | |
| CN108957337B (zh) | 电池健康状态的确定方法、装置、存储介质和电子设备 | |
| JP5818878B2 (ja) | リチウムイオン電池充電状態の算出方法 | |
| CN103797374B (zh) | 用于电池监控的系统和方法 | |
| Chen et al. | Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks | |
| CN111007400A (zh) | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 | |
| CN109946623A (zh) | 一种锂电池的soc在线估测方法 | |
| CN110554324B (zh) | 一种soc和soh联合估计方法 | |
| CN107329094A (zh) | 动力电池健康状态估算方法及装置 | |
| CN109444762B (zh) | 一种基于数据融合的锂离子电池健康状态估计方法 | |
| CN107196371B (zh) | 电池充电方法、装置、设备和存储介质 | |
| JP6548387B2 (ja) | 二次電池の充電状態推定方法および推定装置 | |
| CN107219466A (zh) | 一种混合扩展卡尔曼滤波的锂电池soc估算方法 | |
| JP2011220900A (ja) | 電池劣化推定方法、電池容量推定方法、電池容量均等化方法、および電池劣化推定装置 | |
| CN117890798B (zh) | 电池剩余能量状态估算方法及相关装置 | |
| CN110596604A (zh) | 一种基于安时积分法的锂电池soc估计方法 | |
| CN112528472A (zh) | 一种多新息混合Kalman滤波和H无穷滤波算法 | |
| JP6826152B2 (ja) | 二次電池の充電状態推定方法および推定装置 | |
| CN113466728A (zh) | 一种两阶段电池模型参数在线辨识的方法与系统 | |
| CN113156316A (zh) | 盐水电池soc估算算法 | |
| CN117250514A (zh) | 一种动力电池系统全生命周期soc的修正方法 | |
| CN117113026A (zh) | 一种基于线性回归预测的锌溴液流电池soc评估方法 | |
| CN116879786A (zh) | 电池故障诊断方法及装置 | |
| CN110927585A (zh) | 一种基于自循环校正的锂电池soh估算系统及方法 | |
| CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 |
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 |