CN117074945A - 基于充电片段数据对电池健康度进行无监督评估的方法 - Google Patents
基于充电片段数据对电池健康度进行无监督评估的方法 Download PDFInfo
- Publication number
- CN117074945A CN117074945A CN202211004502.2A CN202211004502A CN117074945A CN 117074945 A CN117074945 A CN 117074945A CN 202211004502 A CN202211004502 A CN 202211004502A CN 117074945 A CN117074945 A CN 117074945A
- Authority
- CN
- China
- Prior art keywords
- capacity
- battery
- soh
- charging
- interval
- 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 23
- 239000012634 fragment Substances 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000011156 evaluation Methods 0.000 title claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 abstract description 5
- 238000012827 research and development Methods 0.000 abstract description 2
- 230000032683 aging Effects 0.000 description 5
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000009467 reduction 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开基于充电片段数据对电池健康度进行无监督评估的方法，具体步骤如下：S01制定温度对容量的影响系数表；S02制定电流对容量的影响系数表；S03SOH预估：针对汽车动力电池累计里程或充电次数的多少，选择性进行电池SOH预估；S04SOH预测：对当前SOH和未来SOH建模分析，验证所述算法对电池健康度预测的可靠性和准确度；S05性能评估：分别对R83、P84、eP24三类车型进行算法性能计算，分别从mae、rmse、r2指标进行计算，对SOH预测结果进行可视化。本发明采用充电片段数据和时间序列算法，有效评估电池健康度，并进行实际SOH的准确实时预测。通过本发明为储能电池健康度的预测提供了一种可靠的算法依据，为今后储能电池的研究和发展提供了技术支撑。
Description
技术领域
本发明涉及电池健康评估和预测领域，具体涉及基于采集充电片段对电池健康度进行无监督评估的方法。
背景技术
随着化石能源的大规模使用，能源枯竭和潜在的环境危机日益严重，电动汽车（EV）作为新能源产业中的明星受到世界范围内的广泛关注。锂离子电池由于其能量密度和输出电压高、无记忆效应、自放电率低、使用寿命长等优点，已成为电动汽车的首选电池类型。
然而，锂离子电池的老化现象是不可避免的。当电池的退化积累到一定程度时，电动汽车的性能就会大大下降，容量减小是电池老化过程中最主要的现象之一，对电动汽车安全性具有显著影响。因此，为了确保动力电池的安全运行，需对电池的老化程度作出准确估计。其中，健康状态（state of health，SOH）是表征电池老化程度的关键性指标。
电池的健康度（SOH，State of Health），是指在一定条件下，电池使用一段时间后某些直接可测或间接计算得到的性能参数的实际值与标称值的比值，用来判断电池健康状况。本发明采用电池所能充入或放出电量与电池标称容量的百分比来表示电池的SOH，以百分比的形式表现如下：
SOH—电池健康度指标，电池包放电容量占电池初始容量的百分比；
C—当前条件下，电池包以标准电流进行满充电后放电至截至电压所释放出来的容量；
C new —新电池包的容量。
新电池的SOH值一般大于100%的，随着电池的使用，电池在不断老化，SOH逐渐降低，在IEEE标准1188-1996中有明确规定，当储能电池的容量能力下降到80%时，即SOH小于80%时，就需要对电池进行更换。从应用方向看SOH是车辆满电续驶里程、电池衰减监控、电池质保、二手车评估、电池梯次利用等的重要参数。
SOH无法通过测量设备直接获得，因此，如何准确评估真实车辆在复杂多变的运行条件下的电池老化情况，成为实现电池精细化管理的关键。目前，电池SOH的估计方法主要可分为基于机理模型的方法和基于数据驱动的方法。前者通过建立电池的寿命退化模型来分析电池内部材料变化与SOH之间的对应关系，此类方法依靠建立模型的准确性，且计算量大，耗费时间长，不适用于SOH的实时在线测量。后者则是通过数据分析挖掘可测量数据与电池寿命之间的潜在关系，实现SOH的间接测量，不需要特定的机理模型且具备更广的适用性。
发明内容
针对现有技术存在的不足，本发明提供基于充电片段数据对电池健康度进行无监督评估的方法，本发明通过分析温度和剩余电流（SOC）对电池健康度的影响，制定温度电流对容量的影响系数表和SOC区间影响因子表，从电动汽车采集的长周期数据中筛选有效信息，利用温度和SOC影响系数实现电池的SOH预估，利用Prophet算法实现电池SOH预测，
本发明解决其技术问题所采用的技术方案是：
基于充电片段数据对电池健康度进行无监督评估的方法，具体步骤如下：
S01制定温度对容量的影响系数表：建立基于温度对标称容量的转换因子表和基于SOC区间对标称容量影响的因子表。
由于不同温度和不同充放电倍率下电池的标称容量是不同的，制作不同温度和不同充放电倍率下的容量转换率系数表。
基于目前给到的对应车型的温度和充放电倍率和标称容量的对应关系，将温度和充放电倍率细化，得到更加精准的转换因子表。
S02制定电流对容量的影响系数表：建立基于充放电倍率对标称容量的转换因子表和基于SOC区间对标称容量影响的因子表。
通过电流时间积分计算容量的过程中，需要考虑电池SOC的影响，因此本发明针对SOC区间进行影响因子转换。一般情况下，不同soc区间内的电量可能是不同的，所以本发明以每10%soc为区间，进行大数据统计，获取到不同soc区间的电量转换因子。
所述转换因子的计算逻辑是每个区间内的平均电量除以总区间内的平均容量。
S03SOH预估：针对汽车动力电池累计里程或充电次数的多少，选择性进行电池SOH预估。
针对累计里程或充电次数较少的数据，实施方案一：充电片段筛选、soc区间计算容量、温度倍率转换、soc区间转换、全车容量异常过滤、单车容量异常过滤、容量平滑，SOH转换。
针对累计里程或充电次数较多的数据，实施方案二：充电片段筛选、soc区间计算容量、温度倍率转换、soc区间转换、全车容量异常过滤、单车容量异常过滤、容量平滑，SOH转换、获取每次充电对应的相关特征（如日历天数、里程、循环次数、充电习惯、温度等）、进行SOH和相关特征的拟合并构建SOH预估模型。
所述SOH预估的具体实施流程如下：
1.充电片段筛选：选择充电区间大于20的充电片段数据；
2.soc区间计算容量：在每个10%soc区间进行电池容量计算；
3.温度倍率转换：计算容量时，对温度和充放电倍率和对应类型电池的温度倍率转换因子表进行匹配，选择温度和倍率最近的交点作为转换因子；
4.soc区间转换：使用soc区间转换因子，将当前区间内计算的容量转换到0%-100%区间内的容量；
5.全车容量异常过滤：使用箱线图异常检测，对全部电池容量数据进行异常值删除操作；
6.单车容量异常过滤：使用箱线图异常检测，对每个电池容量数据进行异常值删除操作；
7.容量平滑。使用滑动平均对容量数据进行平滑操作；
8.SOH转换：使用标称容量，进行SOH计算。
S04SOH预测：对当前SOH和未来SOH建模分析，验证所述算法对电池健康度预测的可靠性和准确度。
SOH未来的预测一般使用时间序列预测算法，针对行驶里程数较少的数据，本发明使用Prophet时间序列算法对未来SOH序列的趋势进行预测。
本发明所述SOH预测具体是指预测未来6个月内的SOH衰减序列。
S05性能评估：分别对R83、P84、eP24三类车型进行算法性能计算，分别从mae、rmse、r2指标进行计算，对SOH预测结果进行可视化。
本发明有益效果是：
本发明采用充电片段数据和时间序列算法，制定电流、温度对电池容量的影响系数表、SOC影响因子表，针对充放电的实际情况选择模型，从而有效评估电池健康度，并进行实际SOH的准确实时预测。可对电池未来六个月的SOH衰减程度进行准确预测。通过本发明，为储能电池健康度的预测提供了一种可靠的算法依据，为今后储能电池的研究和发展提供了技术支撑。
附图说明
图1是本发明工作流程图。
图2是给定的温度和电流关系图。
图3是温度充放电倍率对标称容量的转换因子表。
图4是大数据统计的区间容量。
图5是不同SOC区间的容量转换因子。
图6是容量过滤和转换数据。
图7是R83 SOH当前预估样例。
图8是P84 SOH当前预估样例。
图9是eP24 SOH当前预估样例。
图10是R83 SOH当前预估样例。
图11是P84 SOH当前预估样例。
图12是eP24 SOH当前预估样例。
图13是三种电池具体参数图。
图14是三类车型性能算法指标图。
具体实施方式
本发明以R83 PHEV FWD、P84 PHEV AWD、eP24 BEV三种类型的电池作为具体实施例，以阐述本发明的算法流程和通用性。
选取R83 PHEV FWD、P84 PHEV AWD、eP24 BEV三种类型电池进行SOH算法预测，三种电池具体参数见图13。
参考图1，本发明工作流程如下：
一、制定温度电流对容量的影响系数表。
由于不同温度和不同充放电倍率下电池的标称容量是不同的，所以本发明制作了不同温度和不同充放电倍率下的容量转换率系数表。基于目前给到的对应车型的温度和充放电倍率和标称容量的对应关系，将温度和充放电倍率细化，得到更加精准的转换因子表，具体逻辑如下：
针对电池本身给定的温度和电流表，本发明对温度和充放电倍率进行细化，将温度区间细化到1度。如在同一充放电倍率下，25度的相对容量最高，0度和45度都偏低，则以25度为中心点，分别向两端梯度递减，递减频率为每一度一个值，最终得到的对应类型电池的温度充放电倍率对标称容量的转换因子表。
以R83和P84为例，给定的温度和电流关系如图2。
针对图2，本发明对温度和充放电倍率进行细化，将温度区间细化到1度。如在同一充放电倍率下，25度的相对容量最高，0度和45度都偏低，则以25度为中心点，分别向两端梯度递减，递减频率为每一度一个值。最终得到的对应类型电池的温度充放电倍率对标称容量的转换因子表（图3）。
二、制定温度电流对容量的影响系数表。
通过电流时间积分计算容量的过程中，需要考虑电池SOC的影响，因此本发明针对SOC区间进行影响因子转换。一般情况下，不同soc区间内的电量可能是不同的，所以本发明以每10%soc为区间，进行大数据统计，获取到不同soc区间的电量转换因子。所述转换因子的计算逻辑是每个区间内的平均电量除以总区间内的平均容量。
其中大数据统计的区间容量如图4。
得到不同SOC区间的容量转换因子如图5。
三、SOH预估
针对汽车动力电池累计里程或充电次数的多少，本发明所述算法将纳入考虑的影响因素分为两种方案。
方案一：充电片段筛选、soc区间计算容量、温度倍率转换、soc区间转换、全车容量异常过滤、单车容量异常过滤、容量平滑，SOH转换。
方案二：充电片段筛选、soc区间计算容量、温度倍率转换、soc区间转换、全车容量异常过滤、单车容量异常过滤、容量平滑，SOH转换、获取每次充电对应的相关特征（如日历天数、里程、循环次数、充电习惯、温度等）、进行SOH和相关特征的拟合并构建SOH预估模型。
针对累计里程或充电次数较少的数据，本发明所述算法采用方案一模型，针对累计里程或充电次数较多的数据，本发明所述算法采用方案二模型。
所述模型具体实施流程如下：
1.充电片段筛选。选择充电区间大于20的充电片段数据。
2.soc区间计算容量。在每个10%soc区间进行电池容量计算。
3.温度倍率转换。计算容量时，对温度和充放电倍率和对应类型电池的温度倍率转换因子表进行匹配，选择温度和倍率最近的交点作为转换因子。
4.soc区间转换。将当前区间内计算的容量转换到0%-100%区间内的容量（使用soc区间转换因子）。
5.全车容量异常过滤。对全部电池容量数据进行异常值删除操作（使用箱线图异常检测）。
6.单车容量异常过滤。对每个电池容量数据进行异常值删除操作（使用箱线图异常检测）。
7.容量平滑。使用滑动平均对容量数据进行平滑操作。
8.SOH转换。使用标称容量，进行SOH计算。
以一个容量过滤和转换的样例作演示，见图6，从R83、P84、eP24三类车型中选择一辆进行SOH预估结果如图7、8、9。
四、SOH预测
SOH未来的预测一般使用时间序列预测算法，针对行驶里程数较少的数据，本发明使用Prophet时间序列算法对未来SOH序列的趋势进行预测。
本发明所述SOH预测具体是指预测未来6个月内的SOH衰减序列。
所述Prophet算法的核心参数取值：n_changepoints = 2， changepoint_range =0.3， changepoint_prior_scale = 0.01。
从R83、P84、eP24三类车型各一辆车的未来SOH预测的结果如图10、11、12所示（预测未来6个月的SOH序列）：
五、性能评估
分别对R83、P84、eP24三类车型进行算法性能计算，分别从mae、rmse、r2指标进行计算，具体结果如图14。从表中可以看出，目前三类车型的mae均值为1.66，rmse均值为1.96， r2为0.85，整体效果较好，算法预测精度较高。
Claims (4)
1.基于充电片段数据对电池健康度进行无监督评估的方法，其特征在于，具体步骤如下：
S01制定温度对容量的影响系数表：建立基于温度对标称容量的转换因子表和基于SOC区间对标称容量影响的因子表；
S02制定电流对容量的影响系数表：建立基于充放电倍率对标称容量的转换因子表和基于SOC区间对标称容量影响的因子表；
S03SOH预估：针对汽车动力电池累计里程或充电次数的多少，选择性进行电池SOH预估；
S04SOH预测：对当前SOH和未来SOH建模分析，验证所述算法对电池健康度预测的可靠性和准确度；
S05性能评估：分别对R83、P84、eP24三类车型进行算法性能计算，分别从mae、rmse、r2指标进行计算，对SOH预测结果进行可视化。
2.根据权利要求1所述的所述基于充电片段数据对电池健康度进行无监督评估的方法，其特征是：在步骤S02中转换因子的计算逻辑是每个区间内的平均电量除以总区间内的平均容量。
3.根据权利要求1所述的所述基于充电片段数据对电池健康度进行无监督评估的方法，其特征是：在步骤03中SOH预估的具体实施流程如下：
1.充电片段筛选：选择充电区间大于20的充电片段数据；
2.soc区间计算容量：在每个10%soc区间进行电池容量计算；
3.温度倍率转换：计算容量时，对温度和充放电倍率和对应类型电池的温度倍率转换因子表进行匹配，选择温度和倍率最近的交点作为转换因子；
4.soc区间转换：使用soc区间转换因子，将当前区间内计算的容量转换到0%-100%区间内的容量；
5.全车容量异常过滤：使用箱线图异常检测，对全部电池容量数据进行异常值删除操作；
6.单车容量异常过滤：使用箱线图异常检测，对每个电池容量数据进行异常值删除操作；
7.容量平滑：使用滑动平均对容量数据进行平滑操作；
8.SOH转换：使用标称容量，进行SOH计算。
4.根据权利要求1所述的所述基于充电片段数据对电池健康度进行无监督评估的方法，其特征是：在步骤04中，针对行驶里程数较少的数据，使用Prophet时间序列算法对未来SOH序列的趋势进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211004502.2A CN117074945A (zh) | 2022-08-22 | 2022-08-22 | 基于充电片段数据对电池健康度进行无监督评估的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211004502.2A CN117074945A (zh) | 2022-08-22 | 2022-08-22 | 基于充电片段数据对电池健康度进行无监督评估的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117074945A true CN117074945A (zh) | 2023-11-17 |
Family
ID=88710280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211004502.2A Pending CN117074945A (zh) | 2022-08-22 | 2022-08-22 | 基于充电片段数据对电池健康度进行无监督评估的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117074945A (zh) |
-
2022
- 2022-08-22 CN CN202211004502.2A patent/CN117074945A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gan et al. | Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles | |
| CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
| EP4083643A1 (en) | Soh test method and apparatus | |
| Baumann et al. | Cloud-connected battery management for decision making on second-life of electric vehicle batteries | |
| CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| CN115327422A (zh) | 基于充放电行为的电动公交动力电池健康度评价方法 | |
| 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 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
| CN114444370A (zh) | 一种考虑运行工况的充电电池累计损耗寿命预测方法、装置、电子设备及可读存储介质 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN114462259A (zh) | 基于soc的电池剩余寿命预测方法、系统、汽车及介质 | |
| Zhou et al. | Online State of Health Estimation for Series-Connected LiFePO₄ Battery Pack Based on Differential Voltage and Inconsistency Analysis | |
| Liu et al. | Review on degradation mechanism and health state estimation methods of lithium-ion batteries | |
| Song et al. | Series-connected lithium-ion battery pack health modeling with cell inconsistency evaluation | |
| CN116819364A (zh) | 电池健康度的确定方法、应用方法、电子设备及存储介质 | |
| CN115372829A (zh) | 一种基于bms数据进行车辆电池健康度快速评估的方法 | |
| CN115318683A (zh) | 一种整包电池的筛选方法和装置 | |
| CN117074945A (zh) | 基于充电片段数据对电池健康度进行无监督评估的方法 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| Zhou et al. | A review of state-of-health estimation of lithiumion batteries: Experiments and data | |
| CN116804715A (zh) | 一种判断导致电池系统出现不一致原因的方法 | |
| CN111190112B (zh) | 一种基于大数据分析的电池充放电预测方法及系统 | |
| Lin et al. | Research on Inconsistency Identification of Lithium-ion Battery Pack Based on Operational Data |
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 |