CN116400227A - 电动汽车动力电池soh预测方法、系统、设备及介质 - Google Patents

电动汽车动力电池soh预测方法、系统、设备及介质 Download PDF

Info

Publication number
CN116400227A
CN116400227A CN202310670886.XA CN202310670886A CN116400227A CN 116400227 A CN116400227 A CN 116400227A CN 202310670886 A CN202310670886 A CN 202310670886A CN 116400227 A CN116400227 A CN 116400227A
Authority
CN
China
Prior art keywords
power battery
soh
historical
state characteristic
characteristic parameters
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
Application number
CN202310670886.XA
Other languages
English (en)
Inventor
张凯
焦志鹏
马建
赵轩
李珊
史志飞
龚柯阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202310670886.XA priority Critical patent/CN116400227A/zh
Publication of CN116400227A publication Critical patent/CN116400227A/zh
Pending legal-status Critical Current

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
    • 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
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B60L2240/545—Temperature
    • 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
    • B60L2240/547—Voltage
    • 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
    • B60L2240/549—Current
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开一种电动汽车动力电池SOH预测方法、系统、设备及介质，涉及SOH预测技术领域，先获取当前时段采集得到的动力电池状态特征参数，再以动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH，其中训练好的预测模型是以历史时段采集得到的历史动力电池状态特征参数为输入，以云端基于历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH为标签训练得到的，从而结合云端线上数据和线下实车状态数据对动力电池SOH进行预测，且训练好的预测模型部署在云端，可对电动汽车动力电池的SOH进行实时、在线的精确预测，解决时效性差、准确性差的问题。

Description

电动汽车动力电池SOH预测方法、系统、设备及介质
技术领域
本发明涉及SOH预测技术领域，特别是涉及一种基于多源数据和深度学习的电动汽车动力电池SOH预测方法、系统、设备及介质。
背景技术
电动汽车动力电池SOH的准确预测是动力电池系统正常工作以及车辆安全可靠运行的保障，同时也是优化动力电池系统、最佳程度地满足驾驶者并充分发挥动力电池性能的前提，对电动汽车动力电池的SOH进行实时、在线的精确预测，可有效保证电动汽车的运行安全，提高电动汽车的续航里程，延长其使用寿命，对促进电动汽车的大规模应用有着十分重要的意义。但传统的电动汽车动力电池SOH估计方法采用分析线下实车状态和循环老化数据对动力电池SOH进行估计，时效性差、准确性差。
基于此，亟需一种新的对电动汽车动力电池SOH进行预测的技术。
发明内容
本发明的目的是提供一种电动汽车动力电池SOH预测方法、系统、设备及介质，可对电动汽车动力电池的SOH进行实时、在线的精确预测，解决时效性差、准确性差的问题。
为实现上述目的，本发明提供了如下方案：
一种电动汽车动力电池SOH预测方法，包括：
获取当前时段采集得到的动力电池状态特征参数；所述动力电池状态特征参数包括动力电池在所述当前时段内的电流变化值、电压变化值、温度变化值和SOC变化值；
以所述动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH；所述训练好的预测模型是以历史时段采集得到的历史动力电池状态特征参数为输入，以云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH为标签训练得到的。
在一些实施例中，所述获取当前时段采集得到的动力电池状态特征参数具体包括：
获取当前时段的起始时刻采集得到的动力电池的第一电流值、第一电压值、第一温度值和第一SOC；
获取当前时段的终止时刻采集得到的动力电池的第二电流值、第二电压值、第二温度值和第二SOC；
计算所述第二电流值和所述第一电流值的差值，得到电流变化值；计算所述第二电压值和所述第一电压值的差值，得到电压变化值；计算所述第二温度值和所述第一温度值的差值，得到温度变化值；计算所述第二SOC和所述第一SOC的差值，得到SOC变化值；所述电流变化值、所述电压变化值、所述温度变化值和所述SOC变化值组成当前时段采集得到的动力电池状态特征参数。
在一些实施例中，在以所述动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH之前，还包括：
获取数据集；所述数据集包括多个特征数据和每一所述特征数据对应的标签数据；所述特征数据包括历史时段采集得到的历史动力电池状态特征参数；所述标签数据包括云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH；
建立初始预测模型；
利用所述数据集对所述初始预测模型进行训练，得到训练好的预测模型。
在一些实施例中，所述获取数据集具体包括：
重复“获取历史时段采集得到的历史动力电池状态特征参数；获取将所述历史动力电池状态特征参数上传至云端后，所述云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH”的步骤，直至达到预设重复次数，获取多个所述历史动力电池状态特征参数和每一所述历史动力电池状态特征参数对应的历史动力电池SOH，得到数据集。
在一些实施例中，所述历史动力电池SOH的计算方法包括：所述云端以所述历史动力电池状态特征参数作为输入，利用平方根容积卡尔曼滤波算法计算得到所述历史动力电池SOH。
在一些实施例中，所述初始预测模型包括依次连接的输入层、卷积层、LSTM层、全连接层和输出层。
一种电动汽车动力电池SOH预测系统，包括：
获取模块，用于获取当前时段采集得到的动力电池状态特征参数；所述动力电池状态特征参数包括动力电池在所述当前时段内的电流变化值、电压变化值、温度变化值和SOC变化值；
预测模块，用于以所述动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH；所述训练好的预测模型是以历史时段采集得到的历史动力电池状态特征参数为输入，以云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH为标签训练得到的。
一种电动汽车动力电池SOH预测设备，包括：
处理器；以及
存储器，其中存储计算机可读程序指令，
其中，在所述计算机可读程序指令被所述处理器运行时执行上述的电动汽车动力电池SOH预测方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述电动汽车动力电池SOH预测方法的步骤。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明用于提供一种电动汽车动力电池SOH预测方法、系统、设备及介质，先获取当前时段采集得到的动力电池状态特征参数，再以动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH，其中训练好的预测模型是以历史时段采集得到的历史动力电池状态特征参数为输入，以云端基于历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH为标签训练得到的，从而结合云端线上数据和线下实车状态数据对动力电池SOH进行预测，且训练好的预测模型部署在云端，可对电动汽车动力电池的SOH进行实时、在线的精确预测，解决时效性差、准确性差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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为本发明实施例1所提供的预测方法的方法流程图；
图2为本发明实施例1所提供的预测方法的原理框图；
图3为本发明实施例1所提供的动力电池组监测系统的工作示意图；
图4为本发明实施例1所提供的累计奖励随回合数（训练轮次）变化的变化示意图；
图5为本发明实施例1所提供的预测方法和传统的电动汽车动力电池SOH估计方法的对比示意图；
图6为本发明实施例2所提供的预测系统的系统框图。
具体实施方式
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。
本发明的目的是提供一种电动汽车动力电池SOH预测方法、系统、设备及介质，可对电动汽车动力电池的SOH进行实时、在线的精确预测，解决时效性差、准确性差的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
传统的电动汽车动力电池SOH（电池健康度，为电池当前容量与出厂容量的百分比）估计方法包括以下两种：（1）利用电池放电过程中的温度、OCV（开路电压）和SOC（电池剩余电量百分比）估计动力电池的SOH，但该估计方法没有采用神经网络或优化算法进行处理，故估计结果的精确性和实时性差；（2）利用动力电池输出阻抗及SOH函数估计动力电池当前的SOH，但该估计方法没有利用云端线上数据，故估计结果的精确性和实时性差。显然传统的电动汽车动力电池SOH估计方法采用分析线下实车状态和循环老化数据对动力电池SOH进行估计，具有时效性差、准确性差的缺点。
基于现代通信技术的迅速发展以及5G通讯和云服务器的规模化应用，目前的电动汽车动力电池的数据会实时上传至云端进行存储，云端可精确计算得到下一时刻的SOH，故本发明提出一种联合云端线上数据和线下实车状态数据的动力电池SOH预测技术，可以在电动汽车的行驶过程中实时且精准地预测动力电池SOH，驾驶员可实时监测动力电池的健康运行状态。
实施例1：
本实施例用于提供一种电动汽车动力电池SOH预测方法，如图1和图2所示，包括：
S1：获取当前时段采集得到的动力电池状态特征参数；所述动力电池状态特征参数包括动力电池在所述当前时段内的电流变化值、电压变化值、温度变化值和SOC变化值；
如图3所示，本实施例通过动力电池组监测系统（具体可为电源管理系统BMS）对电动汽车运行过程中的动力电池的状态进行监测，提取得到动力电池的电流值、电压值、温度值和SOC等状态特征参数，以获得当前时段的线下短时动态工况的动力电池状态特征参数。本实施例的当前时段是指一段时间，在该段时间内电动汽车处于一短时动态工况，比如恒加速行驶、匀速行驶、恒减速行驶或由恒加速、匀速、恒减速拼接融合的短时动态工况等。
具体的，获取当前时段采集得到的动力电池状态特征参数可以包括：获取当前时段的起始时刻采集得到的动力电池的第一电流值、第一电压值、第一温度值和第一SOC，获取当前时段的终止时刻采集得到的动力电池的第二电流值、第二电压值、第二温度值和第二SOC，计算第二电流值和第一电流值的差值，得到电流变化值，计算第二电压值和第一电压值的差值，得到电压变化值，计算第二温度值和第一温度值的差值，得到温度变化值，计算第二SOC和第一SOC的差值，得到SOC变化值，电流变化值、电压变化值、温度变化值和SOC变化值组成当前时段采集得到的动力电池状态特征参数，从而得到线下短时动态工况的动力电池状态特征参数。
S2：以所述动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH；所述训练好的预测模型是以历史时段采集得到的历史动力电池状态特征参数为输入，以云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH为标签训练得到的。
本实施例的下一时刻是指当前时段的下一时刻，电动汽车在度过当前时段的短时动态工况后，SOH会发生变化，本实施例则基于当前时段的动力电池状态特征参数来预测下一时刻的SOH。
在S2之前，本实施例的预测方法还包括训练得到训练好的预测模型的步骤，该步骤可以包括：
（1）获取数据集；所述数据集包括多个特征数据和每一特征数据对应的标签数据，特征数据包括历史时段采集得到的历史动力电池状态特征参数，标签数据包括云端基于历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH。
具体的，获取数据集可以包括：重复“获取历史时段采集得到的历史动力电池状态特征参数，获取将历史动力电池状态特征参数上传至云端后，云端基于历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH”的步骤，直至达到预设重复次数，获取多个（与预设重复次数相同）历史动力电池状态特征参数和每一历史动力电池状态特征参数对应的历史动力电池SOH，得到数据集。
其中，获取历史时段采集得到的历史动力电池状态特征参数与S1的步骤相同，只是该历史动力电池状态特征参数是之前采集得到的。下一历史时刻是指历史时段的下一时刻。本实施例的历史动力电池状态特征参数会实时上传至云端进行存储，同时云端在获取历史动力电池状态特征参数之后，会进一步基于历史动力电池状态特征参数计算得到下一历史时刻的历史动力电池SOH，本实施例会进一步获取下一历史时刻的历史动力电池SOH。历史动力电池SOH的计算方法包括：云端以历史动力电池状态特征参数作为输入，利用平方根容积卡尔曼滤波算法计算得到历史动力电池SOH，平方根容积卡尔曼滤波算法为现有算法，在此不再赘述。
（2）建立初始预测模型。
本实施例的初始预测模型可以采用任意的神经网络模型，优选采用深度学习神经网络模型。更为优选的，考虑到LSTM模型在提取数据特征方面具有广泛的应用，能较好的找出变量之间的突出关系，本实施例的初始预测模型采用卷积循环神经网络，具体包括依次连接的输入层、卷积层、LSTM层、全连接层和输出层，LSTM层即采用LSTM模型。
本实施例采用卷积层来提取动力电池状态特征参数在时间维度上的特征。设卷积层的输入数据为
Figure SMS_1
，Ｎ为一个批次训练数据的数量，Cin为输入数据的通道数，Lin为输入数据的长度，输出数据为/>
Figure SMS_2
，Cout为输出数据的通道数，Lout为输出数据的长度，则卷积层的数学表达式如下：
Figure SMS_3
；
其中，Yj为第j层卷积层提取原始数据特征后的输出数据矩阵，本实施例中卷积层可设置为3层；
Figure SMS_4
为第j层卷积层的常数偏置矩阵；k为卷积核的大小；/>
Figure SMS_5
为第j层卷积层的卷积核矩阵；/>
Figure SMS_6
表示互相关运算；Xj为第j层卷积层的输入数据矩阵。
LSTM层能给深度学习神经网络带来记忆能力，LSTM层为某一特征向量的时间序列
Figure SMS_7
，N为一个批次训练数据的数量，Lin为时间序列在时间维度上的长度，Hin为时间序列包含的特征数量，若一个批次只包含1条数据且数据的特征向量（即时间序列）只包含1个特征，即/>
Figure SMS_8
，此时/>
Figure SMS_9
，则对于x中的任意一个时刻的元素xt，LSTM层的数学表达式如下：
Figure SMS_10
；
其中，it为t时刻的输入门；
Figure SMS_11
为某一非线性激活函数；Wii为输入门权值矩阵；bii为输入门偏置项；Whi为上一时刻输入门权值矩阵；ht-1为t-1时刻的隐藏状态；bhi为上一时刻输入门偏置项；ft为t时刻的遗忘门；Wif为遗忘门权值矩阵；bif为遗忘门偏置项；Whf为上一时刻遗忘门权值矩阵；bhf为上一时刻遗忘门偏置项；gt为t时刻的记忆门（或称元胞门）；Wig为记忆门权值矩阵；big为记忆门偏置项；Whg为上一时刻记忆门权值矩阵；bhg为上一时刻记忆门偏置项；ot为t时刻的输出门；Wio为输出门权值矩阵；bio为输出门偏置项；Who为上一时刻输出门权值矩阵；bho为上一时刻输出门偏置项；ct为t时刻的记忆状态；/>
Figure SMS_12
表示哈达玛积；ct-1为t-1时刻的记忆状态；ht为t时刻的隐藏状态。
全连接层是深度学习神经网络最经典的组成部分，设全连接层的输入数据为
Figure SMS_13
，N为一个批次训练数据的数量，Hin为输入数据的特征数，输出数据为
Figure SMS_14
，Hout为输出数据的特征数，则全连接层的数学表达式如下：
Figure SMS_15
；
其中，Y为输出向量矩阵；σi为第i层全连接层的激活函数，本实施例中，全连接层的层数可设置为2；X为第j-1层卷积层输出的输出数据矩阵，也即全连接层输入的输入数据；
Figure SMS_16
表示互相关运算；/>
Figure SMS_17
为第i层全连接层的权重；/>
Figure SMS_18
为第i层全连接层的偏置项。
（3）利用数据集对初始预测模型进行训练，得到训练好的预测模型。
在初始预测模型的训练过程中，以历史时段采集得到的线下短时动态工况的历史动力电池状态特征参数作为初始预测模型的输入，以云端基于平方根容积卡尔曼滤波算法计算得到的下一历史时刻的线上的历史动力电池SOH作为初始预测模型的标签，对初始预测模型进行训练，得到训练好的预测模型，训练过程可以采用现有的训练过程，在此不再赘述。
本实施例令300个样本构成数据集，样本包括历史时段的历史动力电池状态特征参数和下一历史时刻的历史动力电池SOH，利用该数据集对初始预测模型进行训练的训练结果如图4所示，当用于训练的样本达到100个时，训练出的模型已经可以体现出稳定性和鲁棒性，解决现有的预测模型稳定性差的问题。
本实施例的云端以动力电池组监测系统采集的历史动力电池状态特征参数作为输入，基于平方根容积卡尔曼滤波算法计算历史动力电池SOH，分别提取多组历史时段的线下短时动态工况的历史动力电池状态特征参数和每一历史动力电池状态特征参数对应的云端基于平方根容积卡尔曼滤波算法计算得到的下一历史时刻的历史动力电池SOH，多组下一历史时刻的历史动力电池SOH按照时间先后顺序排序后，可形成动力电池SOH轨迹特征数据（其相当于SOH随时间的变化曲线），将历史时段的历史动力电池状态特征参数作为模型的输入，将下一历史时刻的历史动力电池SOH作为模型的标签，通过多输入多输出的历史数据训练模型，得到训练好的预测模型，该训练好的预测模型建立了当前时段的线下短时动态工况的动力电池状态特征参数与下一时刻的云端线上的动力电池SOH的映射关系，根据训练好的预测模型便可实时准确的预测动力电池的SOH，实现动力电池SOH的精确实时预测。
在得到训练好的预测模型后，本实施例即可将通过动力电池组监测系统监测并提取到的短时动态工况下行驶的电动汽车的动力电池状态特征参数作为训练好的预测模型的输入，训练好的预测模型即可输出下一时刻的动力电池SOH。
考虑到训练好的预测模型体积大，运行起来需要一定的算力，因此本实施例将训练好的预测模型部署在云端，在进行预测时，将当前时段采集得到的动力电池状态特征参数传入云端，云端将动力电池状态特征参数输入训练好的预测模型，预测得到下一时刻的动力电池SOH，这种方法预测准确，且由于云端硬件好，能够支持快速计算，输入数据到输出数据的过程在毫秒级别，故实时性好。本实施例的云端也可称为云服务器。
本实施例将传统的电动汽车动力电池SOH估计方法与本实施例提出的预测方法进行对比测试，以科学论证的手段对比测试结果，以验证本实施例的预测方法所具有的良好效果。测试环境为：选取2辆同类型电动汽车，在动力电池循环次数同等递增的情况下进行对比试验仿真，两组电动汽车分别使用两种方法在同一工况下进行仿真，利用两种方法对电动汽车动力电池进行测试，以与SOH真实值的接近度作为评判标准进行多次试验，所得的结果图5所示。从图5可以看出，随着动力电池循环次数的递增，本实施例的预测方法的动力电池SOH估计精度整体在3%以内，且远比传统方法的动力电池SOH估计值更接近真实值。由于动力电池状态特征参数的复杂性，传统的动力电池SOH估计方法都不能很好的实现动力电池SOH的精准估计，而本实施例的预测方法能够大大提高动力电池SOH的预测精度。
本实施例的预测方法包括神经网络模型构建、神经网络模型训练和动力电池SOH预测，利用动力电池组监测系统采集电流、电压、温度、SOC数据信息，能够实时、精确的获取动力电池的运行状态信息（即线下实车状态数据），得到动力电池状态特征参数，同时引入云端线上数据，在训练模型时以云端计算得到的动力电池SOH作为标签，借助于云端计算得到的动力电池SOH的精确性，进一步保证得到的训练好的预测模型的准确性。本实施例利用包括云端线上数据和线下实车状态数据的多源数据对车用动力电池SOH进行预测，可以实现电动汽车在行驶时实时且精准地估计电动汽车的动力电池SOH，以解决现有技术无法利用多源数据对动力电池SOH进行实时、在线地精确估计，且模型稳定性差的问题。
实施例2：
本实施例用于提供一种电动汽车动力电池SOH预测系统，如图6所示，包括：
获取模块M1，用于获取当前时段采集得到的动力电池状态特征参数；所述动力电池状态特征参数包括动力电池在所述当前时段内的电流变化值、电压变化值、温度变化值和SOC变化值；
预测模块M2，用于以所述动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH；所述训练好的预测模型是以历史时段采集得到的历史动力电池状态特征参数为输入，以云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH为标签训练得到的。
实施例3：
本实施例用于提供一种电动汽车动力电池SOH预测设备，包括：
处理器；以及
存储器，其中存储计算机可读程序指令，
其中，在所述计算机可读程序指令被所述处理器运行时执行如实施例1所述的电动汽车动力电池SOH预测方法。
实施例4：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述电动汽车动力电池SOH预测方法的步骤。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种电动汽车动力电池SOH预测方法，其特征在于，包括：
获取当前时段采集得到的动力电池状态特征参数；所述动力电池状态特征参数包括动力电池在所述当前时段内的电流变化值、电压变化值、温度变化值和SOC变化值；
以所述动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH；所述训练好的预测模型是以历史时段采集得到的历史动力电池状态特征参数为输入，以云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH为标签训练得到的。
2.根据权利要求1所述的电动汽车动力电池SOH预测方法，其特征在于，所述获取当前时段采集得到的动力电池状态特征参数具体包括：
获取当前时段的起始时刻采集得到的动力电池的第一电流值、第一电压值、第一温度值和第一SOC；
获取当前时段的终止时刻采集得到的动力电池的第二电流值、第二电压值、第二温度值和第二SOC；
计算所述第二电流值和所述第一电流值的差值，得到电流变化值；计算所述第二电压值和所述第一电压值的差值，得到电压变化值；计算所述第二温度值和所述第一温度值的差值，得到温度变化值；计算所述第二SOC和所述第一SOC的差值，得到SOC变化值；所述电流变化值、所述电压变化值、所述温度变化值和所述SOC变化值组成当前时段采集得到的动力电池状态特征参数。
3.根据权利要求1所述的电动汽车动力电池SOH预测方法，其特征在于，在以所述动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH之前，还包括：
获取数据集；所述数据集包括多个特征数据和每一所述特征数据对应的标签数据；所述特征数据包括历史时段采集得到的历史动力电池状态特征参数；所述标签数据包括云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH；
建立初始预测模型；
利用所述数据集对所述初始预测模型进行训练，得到训练好的预测模型。
4.根据权利要求3所述的电动汽车动力电池SOH预测方法，其特征在于，所述获取数据集具体包括：
重复“获取历史时段采集得到的历史动力电池状态特征参数；获取将所述历史动力电池状态特征参数上传至云端后，所述云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH”的步骤，直至达到预设重复次数，获取多个所述历史动力电池状态特征参数和每一所述历史动力电池状态特征参数对应的历史动力电池SOH，得到数据集。
5.根据权利要求4所述的电动汽车动力电池SOH预测方法，其特征在于，所述历史动力电池SOH的计算方法包括：所述云端以所述历史动力电池状态特征参数作为输入，利用平方根容积卡尔曼滤波算法计算得到所述历史动力电池SOH。
6.根据权利要求3所述的电动汽车动力电池SOH预测方法，其特征在于，所述初始预测模型包括依次连接的输入层、卷积层、LSTM层、全连接层和输出层。
7.一种电动汽车动力电池SOH预测系统，其特征在于，包括：
获取模块，用于获取当前时段采集得到的动力电池状态特征参数；所述动力电池状态特征参数包括动力电池在所述当前时段内的电流变化值、电压变化值、温度变化值和SOC变化值；
预测模块，用于以所述动力电池状态特征参数作为输入，利用部署在云端的训练好的预测模型预测得到下一时刻的动力电池SOH；所述训练好的预测模型是以历史时段采集得到的历史动力电池状态特征参数为输入，以云端基于所述历史动力电池状态特征参数计算得到的下一历史时刻的历史动力电池SOH为标签训练得到的。
8.一种电动汽车动力电池SOH预测设备，其特征在于，包括：
处理器；以及
存储器，其中存储计算机可读程序指令，
其中，在所述计算机可读程序指令被所述处理器运行时执行如权利要求1-6任一项所述的电动汽车动力电池SOH预测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述电动汽车动力电池SOH预测方法的步骤。
CN202310670886.XA 2023-06-08 2023-06-08 电动汽车动力电池soh预测方法、系统、设备及介质 Pending CN116400227A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310670886.XA CN116400227A (zh) 2023-06-08 2023-06-08 电动汽车动力电池soh预测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310670886.XA CN116400227A (zh) 2023-06-08 2023-06-08 电动汽车动力电池soh预测方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN116400227A true CN116400227A (zh) 2023-07-07

Family

ID=87016494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310670886.XA Pending CN116400227A (zh) 2023-06-08 2023-06-08 电动汽车动力电池soh预测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116400227A (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872861A (zh) * 2018-04-27 2018-11-23 温州大学 一种在线评估电池健康状态的方法
CN110598300A (zh) * 2019-09-05 2019-12-20 东软睿驰汽车技术（沈阳）有限公司 一种电池soh预测方法及装置
CN111308377A (zh) * 2020-03-10 2020-06-19 北京理工大学 基于温度电压微分的电池健康状态检测方法及系统
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法
CN112881930A (zh) * 2021-01-19 2021-06-01 北京昆兰新能源技术有限公司 一种基于物联网的储能电池健康管理预测方法及系统
CN113189495A (zh) * 2021-04-30 2021-07-30 重庆金康新能源汽车有限公司 一种电池健康状态的预测方法、装置及电子设备
CN113297033A (zh) * 2021-05-28 2021-08-24 长安大学 基于云端监测数据的车辆电控系统健康评估方法和系统
CN113391209A (zh) * 2021-05-26 2021-09-14 江苏小牛电动科技有限公司 电池健康状态的预测方法、装置、系统和电池
CN113657360A (zh) * 2021-10-21 2021-11-16 长沙德壹科技有限公司 锂电池健康状态估计方法、装置、设备及可读存储介质
CN113671401A (zh) * 2021-08-30 2021-11-19 武汉理工大学 一种基于优化算法与数据驱动的锂电池健康状态评估方法
CN114372417A (zh) * 2022-01-12 2022-04-19 青岛科技大学 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN114397592A (zh) * 2022-01-07 2022-04-26 中国第一汽车股份有限公司 一种电动汽车动力电池的健康度预测方法和装置
CN114692827A (zh) * 2022-03-21 2022-07-01 首都师范大学 面向边缘联邦学习的电动汽车锂电池soh在线预测方法
CN114791993A (zh) * 2022-05-16 2022-07-26 江苏大学 一种动力电池组soh预测方法及系统
CN114976306A (zh) * 2022-03-29 2022-08-30 上海师范大学 一种基于车联云的动力锂电池智能化梯次利用方法
CN115291113A (zh) * 2022-08-15 2022-11-04 西安交通大学 一种统一的锂离子电池soc、soh和rul的联合估计方法及系统
CN115291116A (zh) * 2022-10-10 2022-11-04 深圳先进技术研究院 储能电池健康状态预测方法、装置及智能终端
CN115343621A (zh) * 2022-07-27 2022-11-15 山东科技大学 一种基于数据驱动的动力电池健康状态预测方法及设备
CN115407211A (zh) * 2022-11-01 2022-11-29 北京航空航天大学 一种电动汽车锂电池健康状态在线预测方法及系统
CN115453400A (zh) * 2022-09-30 2022-12-09 华南理工大学 车载动力电池健康度评估方法、系统及介质
CN115808627A (zh) * 2023-02-03 2023-03-17 泉州装备制造研究所 一种锂电池soh预测方法及装置

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872861A (zh) * 2018-04-27 2018-11-23 温州大学 一种在线评估电池健康状态的方法
CN110598300A (zh) * 2019-09-05 2019-12-20 东软睿驰汽车技术（沈阳）有限公司 一种电池soh预测方法及装置
CN111308377A (zh) * 2020-03-10 2020-06-19 北京理工大学 基于温度电压微分的电池健康状态检测方法及系统
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法
CN112881930A (zh) * 2021-01-19 2021-06-01 北京昆兰新能源技术有限公司 一种基于物联网的储能电池健康管理预测方法及系统
CN113189495A (zh) * 2021-04-30 2021-07-30 重庆金康新能源汽车有限公司 一种电池健康状态的预测方法、装置及电子设备
CN113391209A (zh) * 2021-05-26 2021-09-14 江苏小牛电动科技有限公司 电池健康状态的预测方法、装置、系统和电池
CN113297033A (zh) * 2021-05-28 2021-08-24 长安大学 基于云端监测数据的车辆电控系统健康评估方法和系统
CN113671401A (zh) * 2021-08-30 2021-11-19 武汉理工大学 一种基于优化算法与数据驱动的锂电池健康状态评估方法
CN113657360A (zh) * 2021-10-21 2021-11-16 长沙德壹科技有限公司 锂电池健康状态估计方法、装置、设备及可读存储介质
CN114397592A (zh) * 2022-01-07 2022-04-26 中国第一汽车股份有限公司 一种电动汽车动力电池的健康度预测方法和装置
CN114372417A (zh) * 2022-01-12 2022-04-19 青岛科技大学 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN114692827A (zh) * 2022-03-21 2022-07-01 首都师范大学 面向边缘联邦学习的电动汽车锂电池soh在线预测方法
CN114976306A (zh) * 2022-03-29 2022-08-30 上海师范大学 一种基于车联云的动力锂电池智能化梯次利用方法
CN114791993A (zh) * 2022-05-16 2022-07-26 江苏大学 一种动力电池组soh预测方法及系统
CN115343621A (zh) * 2022-07-27 2022-11-15 山东科技大学 一种基于数据驱动的动力电池健康状态预测方法及设备
CN115291113A (zh) * 2022-08-15 2022-11-04 西安交通大学 一种统一的锂离子电池soc、soh和rul的联合估计方法及系统
CN115453400A (zh) * 2022-09-30 2022-12-09 华南理工大学 车载动力电池健康度评估方法、系统及介质
CN115291116A (zh) * 2022-10-10 2022-11-04 深圳先进技术研究院 储能电池健康状态预测方法、装置及智能终端
CN115407211A (zh) * 2022-11-01 2022-11-29 北京航空航天大学 一种电动汽车锂电池健康状态在线预测方法及系统
CN115808627A (zh) * 2023-02-03 2023-03-17 泉州装备制造研究所 一种锂电池soh预测方法及装置

Similar Documents

Publication Publication Date Title
CN109061504B (zh) 同类型不同锂离子电池剩余使用寿命预测方法和系统
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
Guo et al. A state-of-health estimation method of lithium-ion batteries based on multi-feature extracted from constant current charging curve
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
CN110457789B (zh) 一种锂离子电池剩余寿命预测方法
EP3966579A1 (de) Server-seitige charakterisierung von wiederaufladbaren batterien
Kim et al. Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application
CN113805064B (zh) 基于深度学习的锂离子电池组健康状态预测方法
CN108519556A (zh) 一种基于循环神经网络的锂离子电池soc预测方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN111948560A (zh) 基于多因子评估模型的锂电池健康状态估算方法
CN112557907A (zh) 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN113189495B (zh) 一种电池健康状态的预测方法、装置及电子设备
Yu et al. State of health estimation method for lithium-ion batteries based on multiple dynamic operating conditions
CN115409263A (zh) 一种基于门控和注意力机制的锂电池剩余寿命预测方法
KR20210036642A (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법
CN115598557B (zh) 一种基于恒压充电电流的锂电池soh估计方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN115186579A (zh) 一种基于容量增量变化量曲线的锂电池健康状态估计方法
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及系统
Pau et al. Microcontroller architectures for battery state of charge prediction with tiny neural networks
CN116224085A (zh) 一种基于数据驱动的锂电池健康状态评估方法
Wang et al. Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model
CN116908727A (zh) 一种基于多特征组合的储能电站锂电池容量估计方法
Zhang et al. State of charge estimation for lithium-ion batteries using simple recurrent units and unscented kalman filter

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230707

RJ01 Rejection of invention patent application after publication