CN116400241A - 基于全生命周期运行数据的电池健康评估方法及装置 - Google Patents
基于全生命周期运行数据的电池健康评估方法及装置 Download PDFInfo
- Publication number
- CN116400241A CN116400241A CN202211586753.6A CN202211586753A CN116400241A CN 116400241 A CN116400241 A CN 116400241A CN 202211586753 A CN202211586753 A CN 202211586753A CN 116400241 A CN116400241 A CN 116400241A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- charging
- data
- power
- 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
- 230000036541 health Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000007599 discharging Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000006731 degradation reaction Methods 0.000 claims abstract description 17
- 230000010354 integration Effects 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 9
- 229910001416 lithium ion Inorganic materials 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000007086 side reaction Methods 0.000 description 3
- 239000007784 solid electrolyte Substances 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000002485 combustion reaction Methods 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
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 229910052723 transition metal Inorganic materials 0.000 description 1
- 150000003624 transition metals Chemical class 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开一种基于全生命周期运行数据的电池健康评估方法及装置,该方法利用与降解反应相关的因素捕捉和追踪动力电池衰减路径,选取动力电池健康状态评估指标;根据健康状态评估指标,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正;通过基于模糊逻辑控制的卡尔曼滤波器算法,对动力电池实际容量进行优化,得到电池实际容量估算的容量数据集序列;结合健康状态评估指标和容量数据集序列,采用前馈神经网络模型提取指标特征和电池实际容量之间的相关性,以评估动力电池的健康状态。本申请提出为SOH的评估提供了更精确的数据;实现了对复杂车辆操作下电池组SOH的精确评估,提高了车辆行驶信息的准确性和驾驶的安全性。
Description
技术领域
本申请属于电池健康状态评估技术领域,具体涉及基于全生命周期运行数据的电池健康评估方法及装置。
背景技术
锂离子电池(Lithium-ion batteries,LIB)已被广泛用作便携式电子产品,电动汽车和其他领域的储能系统。生产后,锂离子电池会立即发生不可逆转的退化,无论是在储存、运输过程,或者使用中,又或者是搁置。因此,量化LIB的退化状态是LIB供电系统经济可靠运行的关键需求。电池健康状况(State of Health,SOH)是评估LIB当前工作条件的关键参数。
车载锂电池的SOH不仅直接决定了电动汽车的加速性能和行驶里程,还反映了电池的剩余价值。特别是随着数据采集和分析技术的发展,利用大数据实现电池SOH的在线评估显示出至关重要的意义。为了更好地检测和评估动力电池在应用于电动汽车后的性能,为电池组找到一种有效的寿命估算方法至关重要。
发明内容
有鉴于此,本申请的目的在于提出一种基于全生命周期运行数据的电池健康评估方法及装置,用以解决或部分解决上述技术问题。
基于上述目的,本申请的第一方面提供了一种基于全生命周期运行数据的电池健康评估方法,包括:
根据电动汽车的动力性能、使用安全性及经济性,获取评价电动汽车动力电池的指标数据;
利用与降解反应相关的因素捕捉和追踪动力电池衰减路径,选取动力电池健康状态评估指标,所述健康状态评估指标包括充电/放电电流率、充电/放电深度和工作温度;
根据所述健康状态评估指标,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正;
通过基于模糊逻辑控制的卡尔曼滤波器算法,对动力电池实际容量进行优化,得到电池实际容量估算的容量数据集序列;
结合健康状态评估指标和容量数据集序列,采用前馈神经网络模型提取指标特征和电池实际容量之间的相关性,以评估动力电池的健康状态。
作为基于全生命周期运行数据的电池健康评估方法优选方案,选取动力电池健康状态评估指标包括:
充电/放电电流率、充电/放电深度和工作温度指标提取;
根据历史运行数据创建特征参数:车辆累计行驶里程、电池充放电倍率分布、SOC范围的使用强度和电池温度分布;
对提取的健康状态评估指标和创建的特征参数进行数据描述,数据描述过程,将定义的多元变量合并到表示衰减周期和运行模式的特征序列中,作为使用历史特征。
作为基于全生命周期运行数据的电池健康评估方法优选方案,电池充放电倍率分布表示过程,使用四个非重叠范围分别反映涓流、适中电流、大电流和快速充电/峰值功率电流:
涓流:0~0.1C;
适中电流:0.1~0.5C;
大电流:0.5~1C;
快速充电/峰值功率电流:大于1C;
C为电池充放电倍率。
作为基于全生命周期运行数据的电池健康评估方法优选方案,将电池SOC划分为五个范围,寻找历史充电数据进行频率统计;
对于每个完成的充电过程,得到SOC曲线的覆盖率,并对每个范围使用强度进行计算。
作为基于全生命周期运行数据的电池健康评估方法优选方案,利用电池温度的平均值,对电池循环的热环境进行分类,分别计算四个区间平均温度的比值:0~15℃、15~30℃、30~45℃和高于45℃,形成温度分布序列。
作为基于全生命周期运行数据的电池健康评估方法优选方案,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正包括容量初步计算:
通过在充电或放电过程中的积累电量估算动力电池的SOC;假设充电或放电的起始SOC为SOC0,则当前SOC为:
式中,CR表示额定容量,I(t)表示t时刻电池的电流;
采用安时积分法基于充电数据进行电池实际容量估算,电池实际容量Cn(i)计算公式为:
其中,t1表示充电段的充电开始时间,t2表示充电段的充电结束时间,I(t)表示t时刻的电流,Qn(i)为第i个充电数据中的电量变化量。
作为基于全生命周期运行数据的电池健康评估方法优选方案,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正包括容量温度校正:
利用设定的标准温度进行温度修正,基于温度数据对电池实际容量进行修正,得到标准容量。
作为基于全生命周期运行数据的电池健康评估方法优选方案,在构建卡尔曼滤波状态方程时,假设i+1时刻的容量与i时刻的容量相等,并考虑模型中存在的系统噪声,得到电池容量的状态方程为:
xi+1=xi+ωi
式中,xi表示最佳估计容量,ωi为系统噪声,通过取较小的值满足滤波要求,输出方程为:
yi=xi+vi
式中,yi表示容量观测结果CT,将观测噪声vi设为一个变量值,在容量估计过程中,令vi=eav0,a由模糊逻辑控制算法确定,v0为观测误差最小的观测噪声。
作为基于全生命周期运行数据的电池健康评估方法优选方案,前馈神经网络模型包括分布在多层的相互连接的神经元,通过梯度下降法学习每个神经元的权值和阈值,通过损失函数衡量网络在训练数据上的表现;
反向传播过程中,最终的损失通过链式规则反向作用于每一层,根据每个参数对损失的贡献,利用优化器更新每个连接的神经元的权重并最小化损失。
本申请的第二方面提供了一种基于全生命周期运行数据的电池健康评估装置,采用第一方面或其任意可能实现方式的基于全生命周期运行数据的电池健康评估方法,包括:
指标数据获取模块,用于根据电动汽车的动力性能、使用安全性及经济性,获取评价电动汽车动力电池的指标数据;
特征提取描述模块,用于利用与降解反应相关的因素捕捉和追踪动力电池衰减路径,选取动力电池健康状态评估指标,所述健康状态评估指标包括充电/放电电流率、充电/放电深度和工作温度;
电池容量校正模块,用于根据所述健康状态评估指标,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正;
电池容量优化模块,用于通过基于模糊逻辑控制的卡尔曼滤波器算法,对动力电池实际容量进行优化,得到电池实际容量估算的容量数据集序列;
电池健康评估模块,用于结合健康状态评估指标和容量数据集序列,采用前馈神经网络模型提取指标特征和电池实际容量之间的相关性,以评估动力电池的健康状态。
本申请的第三方面提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的基于全生命周期运行数据的电池健康评估方法。
本申请的第四方面提出了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行实现第一方面所述的基于全生命周期运行数据的电池健康评估方法。
从上面所述可以看出,本申请提供的技术方案,根据电动汽车的动力性能、使用安全性及经济性,获取评价电动汽车动力电池的指标数据;利用与降解反应相关的因素捕捉和追踪动力电池衰减路径,选取动力电池健康状态评估指标,所述健康状态评估指标包括充电/放电电流率、充电/放电深度和工作温度;根据所述健康状态评估指标,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正;通过基于模糊逻辑控制的卡尔曼滤波器算法,对动力电池实际容量进行优化,得到电池实际容量估算的容量数据集序列;结合健康状态评估指标和容量数据集序列,采用前馈神经网络模型提取指标特征和电池实际容量之间的相关性,以评估动力电池的健康状态。本申请提出的基于模糊逻辑控制的卡尔曼滤波器算法的动力电池实际容量模型分析,为SOH的评估提供了更精确的数据;和传统数据挖掘技术相比,本申请基于电池衰减机理进行健康特征提取,选取训练数据获取电池组容量基准,提出了一种基于前馈神经网络的智能SOH估计框架,实现了对复杂车辆操作下电池组SOH的精确评估,提高了车辆行驶信息的准确性和驾驶的安全性;本申请具有通用性,对电动公交车,电动出租车等皆具有普适性;本申请可基于动力电池全生命周期运行,所提出的SOH评估方法不仅有利于公共交通安全,也有利于长期闲置电池的处理,长期来看,如果每个电池组都针对其SOH和剩余价值进行有效校准,会使得V2G技术的应用变得更加方便。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关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的实施例,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为本申请实施例的基于全生命周期运行数据的电池健康评估方法流程示意图;
图2为本申请实施例的基于全生命周期运行数据的电池健康评估方法中卡尔曼滤波算法流程图;
图3为本申请实施例的基于全生命周期运行数据的电池健康评估方法中模糊逻辑控制示意图;
图4为本申请实施例的基于全生命周期运行数据的电池健康评估方法中前馈神经网络模型示意图;
图5为本申请实施例的基于全生命周期运行数据的电池健康评估装置架构图;
图6为本申请实施例的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
电动汽车(electric vehicle,EV)的大规模使用对减缓气候变化和提高能源供应安全是积极的,这与脱碳社会的发展目标是一致的。近年来,随着电动汽车实用性和多样性的快速增长,这种新型交通工具的行业和市场份额进入了快速发展的繁荣时代。随着全球更严格的碳排放政策和越来越多的电动汽车投资,电动汽车行业会继续保持高速增长的趋势。在此背景下,为促进电动汽车的广泛应用,各行各业已经启动了各种研发项目,包括充电基础设施建设,充电调度和预测,微电网管理等。
锂离子电池(Lithium-ion batteries,LIB)已被广泛用作便携式电子产品,电动汽车和其他领域的储能系统。生产后,LIB必然会立即发生不可逆转的退化,无论是在储存、运输过程,或是使用、搁置过程。因此,量化LIB的退化状态是LIB供电系统经济可靠运行的关键需求。
电池健康状况(State of Health,SOH)是评估LIB当前工作条件的关键参数。随着信息时代的到来,大数据技术的发展带来了实现电池组健康状况统一监控的机会。大数据层面的SOH监控不仅有利于公共交通的安全监管,也有利于从电动汽车退役或长期闲置的电池的处置。假设每个电池组都针对其SOH和剩余价值进行了有效校准,这些信息可以在云服务器上共享,并且二次使用和车辆到电网(V2G)技术的应用将变得更加方便。在一些城市和国家,大数据采集监控平台已被应用于收集和分析浮动电动汽车的实时运行数据。大容量数据采集系统将生成和存储海量数据。
车载锂电池的SOH不仅直接决定了电动汽车的加速性能和行驶里程,还反映了电池的剩余价值。SOH的状态评估与SOC密切相关。SOC指荷电状态,也叫剩余电量,代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值。可靠的电池SOC不仅可以将剩余的电池电量反映给驾驶员,还可以适当地延长电池寿命。
特别是随着数据采集和分析技术的发展,利用大数据实现电池SOH的在线评估显示出至关重要的意义。为了更好地检测和评估动力电池在应用于电动汽车后的性能,为电池组找到一种有效的寿命估算方法至关重要。
有鉴于此,为了能够根据电池衰减机理进行动力电池的健康状态特征提取,实现对复杂车辆操作下电池组SOH的精确评估,提高车辆行驶信息的准确性和驾驶的安全性,为用户的充电选择以及V2G技术的应用提供数据参考。本申请实施例提供一种基于全生命周期运行数据的电池健康评估方法及装置,以下为本申请实施例的具体内容。
参见图1、图2、图3和图4,本申请实施例提供一种基于全生命周期运行数据的电池健康评估方法,包括以下步骤:
S1、根据电动汽车的动力性能、使用安全性及经济性,获取评价电动汽车动力电池的指标数据;
S2、利用与降解反应相关的因素捕捉和追踪动力电池衰减路径,选取动力电池健康状态评估指标,所述健康状态评估指标包括充电/放电电流率、充电/放电深度和工作温度;
S3、根据所述健康状态评估指标,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正;
S4、通过基于模糊逻辑控制的卡尔曼滤波器算法,对动力电池实际容量进行优化,得到电池实际容量估算的容量数据集序列;
S5、结合健康状态评估指标和容量数据集序列,采用前馈神经网络模型提取指标特征和电池实际容量之间的相关性,以评估动力电池的健康状态。
本实施例中,步骤S1涉及的电动汽车动力电池是车载能量的存储装置,在纯电动汽车、燃料电池汽车、混合动力汽车和插电式混合动力汽车上作为驱动力能源,同时向空调系统、动力转向系统、照明、信号系统、刮水器和喷淋器以及车载娱乐和通讯设备等设施提供电能。
能量型动力电池通常具有比较大的容量,能够为用电设备提供比较持久的能源供给,常常用于纯电动汽车、中度或重度混合动力电动汽车,此种电池总能量在整车的能源配置中占据较大的比例,常常超过10kW。这样不仅可以部分吸收车辆制动回馈的能量,而且可以提高车辆纯电动模式运行时的续驶里程,降低污染物的总排放。
功率型动力电池的容量通常比较小,可以为用电设备提供瞬间大电流供电,主要用于电动工具、轻度混合动力电动汽车。在电动汽车的应用中主要用于吸收制动回馈的能量,同时为车辆启动、加速过程提供瞬间的额外补充能量。
评价电动汽车动力电池的指标数据有比能量、能量密度、比功率、功率密度、寿命、循环次数、快充电性能及价格等。为满足电动汽车的动力性能、使用安全性及经济性等要求,电动汽车动力电池具备以下特征:
(a1)能量密度高:能量密度是动力电池的体积比能量或质量比能量,能量密度越高,其单位质量或单位体积所存储的电能越多,电动汽车续航越长,因此,提高动力电池能量密度有助于降低动力电池的质量或体积。
(a2)比功率大:指单位质量或单位体积电池所能输出的功率,也指质量比功率或体积比功率,比功率是评价电动汽车加速性能和爬坡性能等动力性能的指标。
(a3)均匀一致性好、可靠性高:电池一致性指组成电池包的每一个单体电池,其电压、容量、衰退率、内阻及其随时间变化率、自放电率等参数具有高度的均匀一致性。电动汽车动力电池由成百个单体电池串并联组成,如果各单体电池存在差异,会影响电池组的正常使用,不仅缩短其使用寿命,而且还会引发电池自燃、爆炸等安全问题。因此,单体电池的均匀一致性至关重要。
(a4)工作温度范围宽:动力电池的使用环境随着电动汽车的运行工况和环境会发生巨大的变化,要满足不同地域的恶劣天气状况。
(a5)自放电率低:自放电是电池在开路状态下自动放电致使电池容量降低的现象。电池的自放电是由于物理短路、化学反应等原因引起的。自放电率用来表示电池的自放电程度。自放电率低的电池使用寿命长。
本实施例中,步骤S2为了检测复杂车辆工况下的电池组SOH,采用前馈神经网络建立评估框架。对动力电池组的容量与电池衰减的相关信息进行映射,与传统的数据挖掘方法相比,前馈神经网络可以克服梯度消失问题。此外,大数据平台采集的大量历史运行数据有效地提高了模型的泛化性能。通过这种方法,可以实时监测电池组的SOH。为了验证其可行性,对样车上的电池组进行了全生命周期的SOH估计,观察并分析了容量衰减率的变化趋势,选取电动汽车动力电池健康状态评估指标包括以下步骤:
S21、特征提取:
具体的,对于数据驱动模型,特征提取是确定输入变量至关重要的环节。动力电池可用容量在很大程度上取决于锂离子存量和电极中的活性材料。而其电化学副反应,如固态电解质间相和锂镀层的形成,会导致可圈性锂离子的不可逆消耗。其次,电极的结构劣化和过渡金属向电解液中的溶解易造成活性物质的损失。考虑到复杂的工作环境中电化学副反应的速率不同,致使电池循环老化速率不同,而且诸如频繁充放电等一些滥用行为会加速上述过程。因此,需要全面识别导致电池衰减的工作条件,利用与降解反应相关的因素来捕捉和追踪衰减路径,选取的动力电池健康状态评估指标包括:
(b1)充电/放电电流率:大电流的循环会产生更多的热量,导致电池温度升高,加速衰减过程,低温大电流充电伴随着负极上的锂沉积,使电池容量衰减;
(b2)充电/放电深度:微裂纹的显著增长伴随着广泛的电池包放电深度(Depth ofdischarge,DOD)条件,并导致电池容量恶化得更快。并且,在相同DOD下,不同SOC区间循环的锂离子电池的退化行为存在不同程度的差异;
(b3)工作温度:高温会加快电池内部的副反应。当工作温度高于最佳温度范围时,电极上的相变和表面改性加剧。由于固体电解质界面膜(solid electrolyte interface,SEI)的形成和生长,更多的活性锂粒子被捕获和电池容量减少。
这些情况广泛存在于电动汽车的使用场景中,如峰值功率需求、快速充电、深度放电、极端环境温度等。由于这些因素的耦合作用,对退化指数的非线性影响可能是叠加的、相互抵消的,也可能是更为复杂的机制。可用于量化这些行为的信息体现在具有复杂叠加性的监测数据中。为了提取用于SOH评估的代表性特征,根据历史运行数据创建以下特征参数:
(c1)车辆累计行驶里程Modo:
电池的寿命由循环次数表示。但在车辆实际行驶过程中,等效全循环次数对衡量电池组使用情况的实际意义和便利性不如累积行驶里程Modo。因此,本申请将车辆累计行驶里程Modo作为容量退化的基本度量。
(c2)电池充放电倍率C-rates分布DCR:
电池充电率是指充电速度的快慢,也就是电池充电电流的大小。为了表示充放电倍率(C-rates),本申请对电池组的电流的分布进行了统计,为了统一表示,分别使用4个非重叠范围(0-0.1C,0.1-0.5C,0.5-1C和大于1C)来分别反映涓流、适中电流、大电流和快速充电/峰值功率电流。最终,得到这些范围内的C-rates分布比例,这些比例在充放电过程中是相同的。C-rates分布的顺序为DCR=[Pd1,Pd2,Pd3,Pd4,Pc1,Pc2,Pc3,Pc4],其中前四个元素来自放电电流数据,后四个元素来自充电电流数据。
(c3)SOC范围的使用强度:
本实施例中,为区分SOC使用范围和放电深度DOD,将SOC划分为五个范围,间隔为20%,即:rangei(i=1,2,...,5)。寻找历史充电数据进行频率统计。对于每个完成的充电过程,得到SOC曲线(从SOCstart到SOCend)的覆盖区域,记为Chg。覆盖区域中包含的SOC范围已被利用,因此这些范围的使用频率Ni被累积,如公式(1)所示。最后,通过公式(2)对每个范围使用强度Di进行计算:
因此,SOC利用强度序列为:SOCUSE=[D1,D2,D3,D4,D5]。
(c4)电池温度分布Dtep:
除了(c1)、(c2)、(c3)条件外,本申请还考虑电池在不同温度下的运行情况。电池温度的最大值和最小值可以反映电池组内部的热分布情况。利用电池温度的平均值,可以对电池循环的热环境进行分类。分别计算四个区间平均温度的比值(0-15℃、15-30℃、30-45℃和高于45℃),形成温度分布序列为Dtep=[PT1,PT2,PT3,PT4]。
S22、数据描述:
本实施例中,从定义的多元变量可以合并到表示衰减周期和运行模式的特征序列中,称为使用历史特征FUH=[Modo,DCR,SOCUSE,Dtep]。由于该过程是在对所收集数据的统计和筛选的基础上进行的,因此可随时进行特征提取。动力电池衰减相关变量可以表示为:X=[FUH1,FUH2,...,FUHm]T。
本实施例中,步骤S3采用安时积分法对充放电过程中的实际容量进行校正,包括以下步骤:
S31、容量初步计算:
具体的,通过在充电或放电过程中的积累电量来估算动力电池的SOC。假如充电或放电的起始SOC为SOC0,则当前SOC为:
其中,CR表示额定容量,I(t)表示t时刻电池的电流。
因此,可以采用安时积分法基于充电数据进行容量估算。在估算容量时,第i个充电数据的起始SOC和终止SOC分别记为SOCmin和SOCmax,故△SOC=SOCmax-SOCmin。Qn(i)为第i个充电数据中的电量变化量。因此,电池实际容量Cn(i)计算公式如下:
式中,t1表示充电段的充电开始时间,t2表示充电段的充电结束时间,I(t)表示t时刻的电流。
S32、容量温度校正
具体的,实车行驶工况下的锂离子电池由于放电倍率和工作环境的不同,会导致电池内部参数发生变化。工作温度是影响电池性能的重要因素之一。当锂离子电池在高温环境下工作时,电极之间的反应速率更快;当工作温度较低时,锂离子活性较低。因此当温度变化时,电池的可用容量和内阻会发生较大波动。
根据电池的温度特性测试,电池在低温环境下放电深度DOD明显下降,在高温环境下放电深度DOD上升。在25℃时,可用的DOD为100%。
因此,本实施例设定25℃为标准温度进行温度修正,基于温度数据对Cn进行修正,得到标准容量CT。
本实施例中,步骤S4采用卡尔曼滤波器算法对实际容量Cn进行优化,得到最终的容量估计结果CE,容量数据集序列表述为:Y=[CE1,CE2,...,CEm]T。
具体的,考虑到电池容量变化缓慢,在建立扩展卡尔曼滤波状态方程时,假设i+1时刻的容量与i时刻的容量相等,并考虑模型中存在的系统噪声,得到电池容量的状态方程为:
xi+1=xi+ωi (5)
式中,xi表示最佳估计容量,ωi为系统噪声,通过取较小的值来满足滤波要求,因为单个充电间隔之间的容量变化很小,电池容量的输出方程为:
yi=xi+vi (6)
式中:yi表示容量观测结果CT。由于CT是估计结果,在不同条件下其误差不同,因此将观测噪声vi设为一个变量值。在容量估计过程中,令vi=eav0,其中a由模糊逻辑控制算法确定,v0为观测误差最小的观测噪声。
具体的,参见图2,显示了卡尔曼滤波算法的过程,其中,包括时间更新(预测)和测量更新(校正)。在图2中,和P0是初始值。/>是前一个状态的最优估计结果。/>是先前状态估计的结果,/>是当前状态的最优估计结果。/>是/>的协方差矩阵./>是/>的协方差矩阵,/>是更新当前状态后的协方差矩阵。Ki是当前状态的卡尔曼增益;Q是系统噪声的协方差矩阵,R是观察噪声的协方差矩阵。
模糊控制逻辑通过模仿人脑的不确定性概念判断和推理思维模式来实现模糊综合判断,包括模糊化、模糊规则算法和去模糊化三个部分。图3显示了卡尔曼滤波算法+模糊控制逻辑算法的过程,CT(i)是状态i的容量观测值。CE(i-1)是状态i-1的容量估计结果,容量估算结果CE(i)通过KF+FL算法获得。CE(i)继续参与状态的过滤过程,通过闭环校正提高容量估算的准确性。
模糊逻辑控制算法的输入参数包括SOCmin、SOCmax和容量观测值的相对误差eQ。如图3所示,SOCmin和SOCmax对电池容量估算结果的准确性有很大影响,因此SOC的估计精度是决定KF算法观测噪声的重要因素。例如,当电池充电到截止电压时,电池管理系统(BMS)显示电池的SOC为100%,具有高可靠性。因此,当电池接近100%时,vi可以设置为较小的值。
采用基于模糊逻辑控制(KF+FL)的卡尔曼滤波器进行优化,得到容量估算的最终结果表示为CE,故容量数据集序列可表述为:Y=[CE1,CE2,...,CEm]T。
本实施例中,步骤S5中,基于上述模型得到的数据集X和Y,采用前馈神经网络来提取特征和容量之间的相关性。与车载应用程序不同,数据平台没有计算工作量的限制,并且数据库足够大,可以创建具有足够质量和大小的示例数据集。此外,作为前馈神经网络的固有属性,前馈神经网络对于多维非线性问题和高容错性问题具有很大的优越性。因此,前馈神经网络更加适合对SOH做数据分析。
具体的,前馈神经网络由分布在多层的相互连接的神经元组成。在输入和期望输出之间建立更紧密映射的过程中,网络通过梯度下降法学习每个神经元的权值和阈值。其中,损失函数用来衡量网络在训练数据上的表现。在反向传播过程中,最终的损失通过链式规则反向作用于每一层。根据每个参数对损失的贡献,优化器将更新每个连接的神经元的权重并最小化损失。前馈神经网络结构及计算流程示意图如图4所示,其中,输入变量用x1,x2,...,xm表示;wth和bth分别表示输入层和第一隐含层之间的权值和偏置;下标i和h对应于第ith个输入神经元和第hth个隐藏神经元(i=1,2,...,m,h=1,2,...l),以此类推。以第一隐含层第nth个神经元的计算为例,将特征矩阵的输入乘以权重向量W=[w1n,w2n,...,win],并加上有偏项b1n。如公式(7)所示,再通过激活函数f转移生成将传递给下一层的输出zin,如公式(8)所示:
zin=f(W·X+bin) (8)
在输出层接受最后一个隐含层的输出并完成计算后,可以得到本次迭代的损失。在本申请中,电池组的估计容量作为单个输出与真实值Y相比的损失以均方误差的形式计算,以校准前面的参数。随着训练数据不断输入到模型中,训练损失随着历元的增加而减小。均方差公式如下:
综上所述,本申请根据电动汽车的动力性能、使用安全性及经济性,获取评价电动汽车动力电池的指标数据;利用与降解反应相关的因素捕捉和追踪动力电池衰减路径,选取动力电池健康状态评估指标,所述健康状态评估指标包括充电/放电电流率、充电/放电深度和工作温度;根据所述健康状态评估指标,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正;通过基于模糊逻辑控制的卡尔曼滤波器算法,对动力电池实际容量进行优化,得到电池实际容量估算的容量数据集序列;结合健康状态评估指标和容量数据集序列,采用前馈神经网络模型提取指标特征和电池实际容量之间的相关性,以评估动力电池的健康状态。本申请提出的基于模糊逻辑控制的卡尔曼滤波器算法的动力电池实际容量模型分析,为SOH的评估提供了更精确的数据;和传统数据挖掘技术相比,本申请基于电池衰减机理进行健康特征提取,选取训练数据获取电池组容量基准,提出了一种基于前馈神经网络的智能SOH估计框架,实现了对复杂车辆操作下电池组SOH的精确评估,提高了车辆行驶信息的准确性和驾驶的安全性;本申请具有通用性,对电动公交车,电动出租车等皆具有普适性;本申请可基于动力电池全生命周期运行,所提出的SOH评估方法不仅有利于公共交通安全,也有利于长期闲置电池的处理,长期来看,如果每个电池组都针对其SOH和剩余价值进行有效校准,会使得V2G技术的应用变得更加方便。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。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上述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。
参见图5,基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种基于全生命周期运行数据的电池健康评估装置,采用上述实施例或其任意可能实现方式的基于全生命周期运行数据的电池健康评估方法,包括:
指标数据获取模块1,用于根据电动汽车的动力性能、使用安全性及经济性,获取评价电动汽车动力电池的指标数据;
特征提取描述模块2,用于利用与降解反应相关的因素捕捉和追踪动力电池衰减路径,选取动力电池健康状态评估指标,所述健康状态评估指标包括充电/放电电流率、充电/放电深度和工作温度;
电池容量校正模块3,用于根据所述健康状态评估指标,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正;
电池容量优化模块4,用于通过基于模糊逻辑控制的卡尔曼滤波器算法,对动力电池实际容量进行优化,得到电池实际容量估算的容量数据集序列;
电池健康评估模块5,用于结合健康状态评估指标和容量数据集序列,采用前馈神经网络模型提取指标特征和电池实际容量之间的相关性,以评估动力电池的健康状态。
上述实施例的装置用于实现前述任一实施例中相应地基于全生命周期运行数据的电池健康评估方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的基于全生命周期运行数据的电池健康评估方法。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应地基于全生命周期运行数据的电池健康评估方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的基于全生命周期运行数据的电池健康评估方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于全生命周期运行数据的电池健康评估方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于全生命周期运行数据的电池健康评估方法,包括:
根据电动汽车的动力性能、使用安全性及经济性,获取评价电动汽车动力电池的指标数据;
利用与降解反应相关的因素捕捉和追踪动力电池衰减路径,选取动力电池健康状态评估指标,所述健康状态评估指标包括充电/放电电流率、充电/放电深度和工作温度;
根据所述健康状态评估指标,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正;
通过基于模糊逻辑控制的卡尔曼滤波器算法,对动力电池实际容量进行优化,得到电池实际容量估算的容量数据集序列;
结合健康状态评估指标和容量数据集序列,采用前馈神经网络模型提取指标特征和电池实际容量之间的相关性,以评估动力电池的健康状态。
2.根据权利要求1所述的基于全生命周期运行数据的电池健康评估方法,其中,选取动力电池健康状态评估指标包括:
充电/放电电流率、充电/放电深度和工作温度指标提取;
根据历史运行数据创建特征参数:车辆累计行驶里程、电池充放电倍率分布、SOC范围的使用强度和电池温度分布;
对提取的健康状态评估指标和创建的特征参数进行数据描述,数据描述过程,将定义的多元变量合并到表示衰减周期和运行模式的特征序列中,作为使用历史特征。
3.根据权利要求2所述的基于全生命周期运行数据的电池健康评估方法,其中,电池充放电倍率分布表示过程,使用四个非重叠范围分别反映涓流、适中电流、大电流和快速充电/峰值功率电流:
涓流:0~0.1C;
适中电流:0.1~0.5C;
大电流:0.5~1C;
快速充电/峰值功率电流:大于1C;
C为电池充放电倍率。
4.根据权利要求2所述的基于全生命周期运行数据的电池健康评估方法,其中,将电池SOC划分为五个范围,寻找历史充电数据进行频率统计;
对于每个完成的充电过程,得到SOC曲线的覆盖率,并对每个范围使用强度进行计算。
5.根据权利要求2所述的基于全生命周期运行数据的电池健康评估方法,其中,利用电池温度的平均值,对电池循环的热环境进行分类,分别计算四个区间平均温度的比值:0~15℃、15~30℃、30~45℃和高于45℃,形成温度分布序列。
7.根据权利要求6所述的基于全生命周期运行数据的电池健康评估方法,其中,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正包括容量温度校正:
利用设定的标准温度进行温度修正,基于温度数据对电池实际容量进行修正,得到标准容量。
8.根据权利要求1所述的基于全生命周期运行数据的电池健康评估方法,其中,在构建卡尔曼滤波状态方程时,假设i+1时刻的容量与i时刻的容量相等,并考虑模型中存在的系统噪声,得到电池容量的状态方程为:
xi+1=xi+ωi
式中,xi表示最佳估计容量,ωi为系统噪声,通过取较小的值满足滤波要求,输出方程为:
yi=xi+vi
式中,yi表示容量观测结果CT,将观测噪声vi设为一个变量值,在容量估计过程中,令vi=eav0,a由模糊逻辑控制算法确定,v0为观测误差最小的观测噪声。
9.根据权利要求1所述的基于全生命周期运行数据的电池健康评估方法,其中,前馈神经网络模型包括分布在多层的相互连接的神经元,通过梯度下降法学习每个神经元的权值和阈值,通过损失函数衡量网络在训练数据上的表现;
反向传播过程中,最终的损失通过链式规则反向作用于每一层,根据每个参数对损失的贡献,利用优化器更新每个连接的神经元的权重并最小化损失。
10.基于全生命周期运行数据的电池健康评估装置,采用权利要求1至9任一项所述的基于全生命周期运行数据的电池健康评估方法,其中,包括:
指标数据获取模块,用于根据电动汽车的动力性能、使用安全性及经济性,获取评价电动汽车动力电池的指标数据;
特征提取描述模块,用于利用与降解反应相关的因素捕捉和追踪动力电池衰减路径,选取动力电池健康状态评估指标,所述健康状态评估指标包括充电/放电电流率、充电/放电深度和工作温度;
电池容量校正模块,用于根据所述健康状态评估指标,采用安时积分法对电动汽车充放电过程中动力电池实际容量进行校正;
电池容量优化模块,用于通过基于模糊逻辑控制的卡尔曼滤波器算法,对动力电池实际容量进行优化,得到电池实际容量估算的容量数据集序列;
电池健康评估模块,用于结合健康状态评估指标和容量数据集序列,采用前馈神经网络模型提取指标特征和电池实际容量之间的相关性,以评估动力电池的健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211586753.6A CN116400241A (zh) | 2022-12-09 | 2022-12-09 | 基于全生命周期运行数据的电池健康评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211586753.6A CN116400241A (zh) | 2022-12-09 | 2022-12-09 | 基于全生命周期运行数据的电池健康评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116400241A true CN116400241A (zh) | 2023-07-07 |
Family
ID=87018503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211586753.6A Pending CN116400241A (zh) | 2022-12-09 | 2022-12-09 | 基于全生命周期运行数据的电池健康评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116400241A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930774A (zh) * | 2023-09-14 | 2023-10-24 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种电池健康状态估计校正方法及装置 |
CN117284145A (zh) * | 2023-11-24 | 2023-12-26 | 张家港保税区长江国际港务有限公司 | 一种高压充电设备安全监控方法 |
CN117517993A (zh) * | 2023-11-02 | 2024-02-06 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
-
2022
- 2022-12-09 CN CN202211586753.6A patent/CN116400241A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930774A (zh) * | 2023-09-14 | 2023-10-24 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种电池健康状态估计校正方法及装置 |
CN116930774B (zh) * | 2023-09-14 | 2023-12-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种电池健康状态估计校正方法及装置 |
CN117517993A (zh) * | 2023-11-02 | 2024-02-06 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
CN117517993B (zh) * | 2023-11-02 | 2024-05-17 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
CN117284145A (zh) * | 2023-11-24 | 2023-12-26 | 张家港保税区长江国际港务有限公司 | 一种高压充电设备安全监控方法 |
CN117284145B (zh) * | 2023-11-24 | 2024-03-12 | 张家港保税区长江国际港务有限公司 | 一种高压充电设备安全监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Intelligent state of health estimation for lithium-ion battery pack based on big data analysis | |
Ma et al. | A novel method for state of health estimation of lithium-ion batteries based on improved LSTM and health indicators extraction | |
Li et al. | Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks | |
Liu et al. | State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review | |
Tan et al. | Real-time state-of-health estimation of lithium-ion batteries based on the equivalent internal resistance | |
Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
Singh et al. | Hardware-in-the-loop implementation of ANFIS based adaptive SoC estimation of lithium-ion battery for hybrid vehicle applications | |
Eddahech et al. | Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks | |
Zhang et al. | State of charge estimation for lithium battery based on adaptively weighting cubature particle filter | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
CN116400241A (zh) | 基于全生命周期运行数据的电池健康评估方法及装置 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
Liu et al. | State of health estimation of power batteries based on multi-feature fusion models using stacking algorithm | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
Yu et al. | State of health estimation method for lithium-ion batteries based on multiple dynamic operating conditions | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
Huang et al. | State of health estimation of lithium-ion batteries based on the regional frequency | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
Mazzi et al. | State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units | |
Jiang et al. | Mechanics-based state of charge estimation for lithium-ion pouch battery using deep learning technique | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
Wang et al. | Lithium-ion battery security guaranteeing method study based on the state of charge estimation | |
Chen et al. | A novel battery health indicator and PSO-LSSVR for LiFePO4 battery SOH estimation during constant current charging |
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 |