WO2021185308A1 - 一种电动汽车动力电池组健康状态在线确定方法和系统 - Google Patents

一种电动汽车动力电池组健康状态在线确定方法和系统 Download PDF

Info

Publication number
WO2021185308A1
WO2021185308A1 PCT/CN2021/081507 CN2021081507W WO2021185308A1 WO 2021185308 A1 WO2021185308 A1 WO 2021185308A1 CN 2021081507 W CN2021081507 W CN 2021081507W WO 2021185308 A1 WO2021185308 A1 WO 2021185308A1
Authority
WO
WIPO (PCT)
Prior art keywords
electric vehicle
capacity
application data
power battery
battery pack
Prior art date
Application number
PCT/CN2021/081507
Other languages
English (en)
French (fr)
Inventor
王震坡
张雷
刘鹏
王秋诗
佘承其
Original Assignee
北京理工大学
北京理工新源信息科技有限公司
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 北京理工大学, 北京理工新源信息科技有限公司 filed Critical 北京理工大学
Publication of WO2021185308A1 publication Critical patent/WO2021185308A1/zh

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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

Definitions

  • the present invention relates to the technical field of power battery management, in particular to a method and system for online determination of the health status of an electric vehicle power battery pack.
  • Lithium-ion batteries are widely used as energy storage devices in electric vehicles due to their advantages in energy density and cycle life.
  • lithium-ion batteries will inevitably suffer performance degradation during their use due to the constantly occurring side reactions, which is also known as aging.
  • a 100% increase in internal resistance of a power battery or a 20% decrease in capacity will be regarded as reaching its end of life (EOL), which is no longer suitable for automotive applications.
  • EOL end of life
  • the accurate measurement of capacity is also crucial for the SOC estimation and fault diagnosis of the battery pack and the remaining driving range prediction of electric vehicles.
  • SOH state of health
  • the existing definitions of the health status of lithium-ion batteries mainly include the capacity definition method and the internal resistance definition method, and the calculation formulas are shown in equations (1) and (2).
  • C 0 is the initial nominal capacity
  • C i is the i-th charging capacity
  • R new is the ohmic internal resistance of the battery when it leaves the factory
  • R EOL is the ohmic internal resistance at the end of battery life (EoL)
  • R i is the ohmic internal resistance of the battery measured at the i-th time.
  • the method of using internal resistance to characterize the SOH of a battery pack requires the pulse method and electrochemical impedance spectroscopy.
  • the overall internal resistance of the battery pack has a small change with aging, which is not suitable for use.
  • measuring internal resistance requires specific experimental equipment, which makes it difficult to realize online estimation.
  • the empirical battery model used lacks physical meaning when the model fits under different working conditions, and the accuracy of the model is limited, so the SOH estimation accuracy is significantly reduced.
  • data-driven methods such as Gaussian process regression and support vector machines have received more and more attention because they do not need to understand the detailed process of electrochemical reactions during battery operation. In these methods, a large amount of test data is needed to train the battery SOH model, which can directly describe the nonlinear relationship between SOH and its influencing factors.
  • the invention patent with application number 201810504744.5 discloses a method and device for analyzing battery health.
  • the method includes: obtaining the relationship curve between the sample battery's SOC and the sample battery's OCV under different SOHs; when the SOH is the set value, the relationship curve between the sample battery's SOC and the OCV is used as the reference curve; under different SOH, The relationship curve between the SOC and OCV of the sample battery is different from the reference curve, and the relationship curve between the SOC of the sample battery and the open circuit voltage change ⁇ OCV is obtained; according to the relationship curve between the SOC and ⁇ OCV of the sample battery under different SOH, the SOC and ⁇ OCV are obtained by analysis The slope k between two points in the relationship curve of the relationship curve; according to the change of the slope k under different SOH, the corresponding relationship between SOH and the slope k is obtained; based on the corresponding relationship between the sample battery SOH and the
  • the invention patent with application number 201610913062.0 discloses a method and system for online estimation of battery health status.
  • the method calculates the ratio of capacity change to voltage change during battery charging and discharging, and uses its maximum as a reference point, where the reference point is adjacent
  • the domain selects a voltage interval V1+ and V1-, filters the content change value of the interval, and calculates the capacity CT in the interval.
  • the actual capacity CA of the battery in the current state is measured, and CT and CA are fitted by linear regression Correspondence between, and then through the CT value to predict the CA value.
  • This method can realize the online estimation of the battery health status, but because the relationship between CT and CA of different types of batteries may be non-linear, the estimation result of this method will cause large errors.
  • the invention patent with application number 201810205365.6 discloses a method of health state estimation based on particle swarm optimization RBF neural network. First, by collecting the voltage, current and time data during the battery cycle, draw the capacity increment curve, and obtain the capacity increment peak value and peak position data after filtering, which is used as the input data, and the actual battery health status is used as the output. Establish the RBF neural network model, and apply the particle swarm optimization algorithm to solve the neural network model parameters. This method can better establish the non-linear relationship between the peak capacity increase and the battery health status.
  • the charging process is often incomplete, and the accuracy of the voltage and current data is often low. Draw a complete capacity increment curve, therefore, there are difficulties in practical applications.
  • the purpose of the present invention is to provide an online method and system for determining the health status of an electric vehicle power battery pack, which solves the problems of inaccurate estimation and application difficulties in the process of determining the health status of the electric vehicle power battery pack in the prior art.
  • the present invention provides the following solutions:
  • An online method for determining the health status of an electric vehicle power battery pack including:
  • the application data includes: the accumulated mileage value of the electric vehicle, the initial charging SOC value, the average charging current, the average driving temperature, the average charging temperature, and the classification factor; the classification factor is based on the electric vehicle Classification of vehicles with different decay rates;
  • the state of health of the power battery pack of the electric vehicle is determined according to the second peak value.
  • the method before obtaining the online estimation model of the state of health of the power battery pack that takes application data as input and the second peak of the capacity increase curve of the power battery of the electric vehicle as output, the method further includes:
  • the data training is used to train the online estimation model of the health state of the power battery pack.
  • the determining, according to the collected application data, the second peak value of the capacity increase curve of the electric vehicle power battery corresponding to the collected application data specifically includes:
  • the capacity increment curve according to the fitted capacity-voltage curve, and determine the second peak value of the capacity increment curve; the second peak value of the capacity increment curve is corresponding to the collected application data The second peak of the capacity increase curve of the electric vehicle power battery.
  • the method further includes:
  • Preprocessing the collected application data includes: mean value processing and absolute value processing.
  • An online system for determining the health status of an electric vehicle power battery pack including:
  • the application data acquisition module is used to acquire the application data of the electric vehicle;
  • the application data includes: the accumulated driving range value of the electric vehicle, the charging start SOC value, the average charging current, the average driving temperature, the average charging temperature and the classification factor;
  • the classification factors are classified according to the different rate of decline of electric vehicles;
  • the online estimation model acquisition module is used to acquire the online estimation model of the health state of the power battery pack that takes application data as input and the second peak of the capacity increase curve of the power battery of the electric vehicle as output;
  • the first peak value determination module is configured to determine the second peak value of the capacity increase curve of the power battery of the electric vehicle by using the online estimation model of the state of health of the power battery pack according to the application data;
  • the health status determining module is used to determine the health status of the power battery pack of the electric vehicle according to the second peak value.
  • the system further includes:
  • the first application data collection module is used to collect application data of electric vehicles
  • the second peak value determination module is configured to determine the second peak value of the capacity increase curve of the power battery of the electric vehicle corresponding to the collected application data according to the collected application data;
  • the data training pair building module is used to use the collected application data and the second peak corresponding to the application data as the data training pair;
  • the model training module is used to train the online estimation model of the health state of the power battery pack by using the data training.
  • the second peak value determination module specifically includes:
  • the capacity-voltage curve determination unit is used to obtain the capacity-voltage curve of the electric vehicle by using the incremental capacity analysis method according to the collected application data;
  • a terminal voltage and charging capacity determining unit configured to determine the terminal voltage and charging capacity of the electric vehicle according to the capacity-voltage curve
  • a capacity-voltage curve fitting unit adapted to use the SVR algorithm, take the terminal voltage as an input, and use the charging capacity as an output to fit the capacity-voltage curve to obtain a fitted capacity-voltage curve;
  • the peak value determination unit is configured to obtain a capacity increase curve according to the fitted capacity-voltage curve, and determine the second peak value of the capacity increase curve; the second peak value of the capacity increase curve is the same as the collection
  • the application data corresponds to the second peak of the capacity increase curve of the electric vehicle power battery.
  • the system further includes:
  • the second application data collection module is used to collect the application data of the electric vehicle
  • the preprocessing module is used for preprocessing the collected application data; the preprocessing includes: mean value processing and absolute value processing.
  • the present invention discloses the following technical effects:
  • the second peak value of the capacity increase curve of the electric vehicle power battery can be determined according to the application data by using the online estimation model of the power battery health status , And then according to the second peak value, the health status of the power battery pack of the electric vehicle can be accurately obtained.
  • the method and system for online determination of the health status of the electric vehicle power battery pack provided by the present invention only needs to obtain the health status of the electric vehicle power battery pack according to the obtained application data, which can simplify the health status of the electric vehicle power battery pack.
  • the determination process solves the problem that the method for determining the health status of the power battery pack of the electric vehicle in the prior art is difficult to apply.
  • Fig. 1 is an overall flow chart of the solution provided in the embodiment of the present invention.
  • FIG. 2 is a flowchart of an online method for determining the health status of an electric vehicle power battery pack provided by an embodiment of the present invention
  • Figure 3 is a fitted capacity-voltage curve diagram provided by an embodiment of the present invention.
  • Fig. 5 is a graph showing the variation curve of IC peak value with accumulated mileage of all research vehicles in the embodiment of the present invention.
  • Fig. 6 is an IC peak diagram after fitting in the embodiment of the present invention.
  • Fig. 7 is a schematic structural diagram of a radial basis function neural network model in an embodiment of the present invention.
  • FIG. 8 is a schematic structural diagram of an online determination system for the health status of an electric vehicle power battery pack provided by an embodiment of the present invention.
  • the purpose of the present invention is to provide an online method and system for determining the health status of an electric vehicle power battery pack, which solves the problems of inaccurate estimation and application difficulties in the process of determining the health status of an electric vehicle power battery pack in the prior art.
  • SOH State Of Health
  • Incremental Capacity Analysis A method that uses the ratio of the capacity difference and the voltage difference to extract relevant features from the battery voltage curve. Among them, the capacity increment (Incremental Capacity, IC)
  • RBFNN Radial Basis Function Neural Network
  • Battery Management System (Battery Management System, BMS): generally includes functions such as battery state estimation, thermal management, and equalization.
  • SOC State Of Charge
  • Open Circuit Voltage The potential difference between the positive and negative electrodes of a battery in an electrochemical equilibrium state.
  • Constant Current and Constant Voltage Constant Current Constant Voltage: first constant current charging to the charging cut-off voltage specified by the battery manufacturer, and then conversion to a charging mode of constant voltage charging.
  • Charge/discharge rate indicates the ratio of charging current to rated capacity. For example, 1/3C current represents the amount of current required to charge the battery to full capacity in three hours.
  • Support Vector Regression A machine learning method that can fit nonlinear relationships with high precision.
  • DOD Depth Of Discharge
  • FIG. 1 The overall design idea of the present invention is shown in Figure 1, specifically: First, the actual vehicle driving and charging data collected on the big data platform is used as the original data, divided into charging and driving segments, and effective charging segments are extracted.
  • the interpolation method fills in the missing frames, uses SVR support vector regression to fit its capacity-voltage curve, and draws the capacity increase curve, uses Gaussian window filtering to smooth the capacity increase curve, and finds its second peak value, using SVR (Or least square regression, ridge regression, etc.) Fill and regress the peak capacity increments under different mileages to obtain the complete relationship between the peak capacity increments and the mileage, and use the processed peak capacity increments as a healthy state Estimate the output parameters of the model.
  • SVR Order least square regression, ridge regression, etc.
  • a radial basis function neural network (RBFNN) is used to establish an online estimation model of the power battery pack health status based on big data.
  • the data of 14 pure electric vehicles are trained, and the data of other 4 vehicles are used for verification.
  • the results show that the average error is 4%, and the model has good health estimation ability.
  • Fig. 2 is a flowchart of an online method for determining the health status of an electric vehicle power battery pack provided by an embodiment of the present invention. As shown in Fig. 2, an online method for determining the health status of an electric vehicle power battery pack includes:
  • the application data includes: the accumulated mileage value of the electric vehicle, the initial charging SOC value, the average charging current, the average driving temperature, the average charging temperature, and the classification factor; the classification factor is the basis Electric vehicles are divided into different categories according to the vehicle degradation rate; among them, the cumulative mileage of the vehicle can reflect the ampere-hour throughput of its battery system in actual operation, which has a vital impact on the degradation of the battery.
  • the initial charge SOC is a direct response to the DOD in the previous stroke.
  • the data training is used to train the online estimation model of the health state of the power battery pack.
  • the process of determining the second peak value of the capacity increase curve of the electric vehicle power battery corresponding to the collected application data specifically includes:
  • the capacity-voltage curve of the electric vehicle is obtained by the incremental capacity analysis method, which is specifically:
  • the charging capacity is calculated by the following formula:
  • Q is the charging capacity
  • I(t) is the charging current at time t
  • T is the sampling period
  • Q k represents the charging capacity of the battery at the k-th time
  • V k represents the battery voltage at the k-th time
  • Q k-1 represents the charging capacity of the battery at the k-1 time
  • V k-1 represents the battery at the k-th time. -1 voltage at time.
  • SVR support vector regression
  • Gaussian process regression, decision tree regression and other machine learning regression models is used to preprocess the data set (the original data represented by the black solid line in Figure 3), namely
  • the SVR algorithm is used to fit the capacity-voltage curve with the terminal voltage as the input and the charging capacity as the output to obtain the fitted capacity-voltage curve.
  • the fitting process is specifically:
  • the SVR algorithm transforms the equation into the following optimization problem:
  • the vector ⁇ represents the model parameter with C>0 as the regularization parameter
  • ⁇ i represents the slack variable of the lower limit
  • y i represents the target output
  • x i represents the feature vector
  • ⁇ i and Both are Lagrangian operators
  • k(x i ,x c ) represents the kernel function.
  • the present invention applies Gaussian Radial Basis Kernel Function (RBF), and its expression is:
  • k( ⁇ ) represents the selected kernel
  • x i represents the sampling point
  • x c represents the center point
  • ⁇ is the standard deviation of the Gaussian function, which represents the width of the RBF kernel.
  • C r is the rated battery capacity
  • C k is the charged power under the voltage of V k
  • k represents the time step
  • s 0 is the initial SOC value of the charging operation
  • I k is the charging current
  • ⁇ T is the sampling interval.
  • the capacity-voltage curve diagram is obtained according to formula (11), as shown in FIG. 4.
  • the SVR algorithm is used to fit the capacity increment curve to eliminate the impact of raw data fluctuations.
  • the input is the terminal voltage V k
  • the output is the charging capacity C k .
  • GW Gaussian window
  • the second peak of the IC curve usually decreases as the accumulated mileage increases, so it can be used to characterize the battery SOH. That is, the second peak value of the IC curve is used to determine the health status of the electric vehicle power battery pack, and then the second peak value can be determined after the capacity increase curve is obtained.
  • Figure 5 depicts the peak evolution of different vehicles. It can be seen that all peak evolutions have similar patterns, but the slopes of the curves are different.
  • the researched vehicles can be divided into two groups. Therefore, a classification factor is introduced to distinguish the categories of vehicles (in the present invention, the specified decay rate is used as a limit to divide electric vehicles into two categories according to the current decay rate of electric vehicles) to improve the prediction accuracy.
  • the collected application data needs to be preprocessed.
  • the preprocessing specifically includes: mean value processing and absolute value processing.
  • RBFNN radial basis function neural network
  • the RBFNN model differs mainly in the number of hidden layers and the activation function of the input node. Since the activation function of the RBFNN model can map the input variables to high dimensions and transform the nonlinear relationship into a linear relationship, the RBFNN model only needs one hidden layer. Therefore, the training of the RBFNN model is also more effective than the general ANN, which can prevent the model training from falling into a local minimum.
  • ANN artificial neural network
  • the present invention uses the RBFNN model to establish an online estimation model of the health state of the power battery pack, and uses a gradient descent algorithm (or particle swarm optimization, genetic algorithm, etc.) for model training and verification.
  • the online estimation model of the health status of the power battery pack developed can be embedded in the actual battery management system (BATTERY MANAGEMENT SYSTEM, BMS) for online calculation.
  • the basic structure of the RBFNN neural network model is:
  • Y represents the output parameter
  • k represents the number of hidden layer nodes
  • w j is the weight between the j th hidden layer node and the output node
  • w 0 is the bias term from the hidden layer node to the output node.
  • the structure of the established model is shown in Figure 7. It consists of an input layer, a hidden layer and an output layer.
  • the input layer contains six characteristic parameters, which are the cumulative mileage of the vehicle, the initial charging SOC, the average charging temperature, the average charging current, the average discharge temperature, and the classification factor.
  • the second peak of the IC curve is the only model output in the output layer. .
  • BP Back Propagation
  • the present invention selects a gradient descent (Gradient Descent) method to solve the fitting problem, and sets the learning rate to 0.001. Therefore, the parameters in the above formula can be updated by the following formula:
  • x cj (i) x cj (i-1)+ ⁇ x cj + ⁇ (x cj (i-1)-x cj (i-2))
  • x cj (i) x cj (i-1)+ ⁇ x cj + ⁇ (x cj (i-1)-x cj (i-2))
  • x cj (i) x cj (i-1)+ ⁇ x cj + ⁇ (x cj (i-1)-x cj (i-2))
  • wj is the weight of the j th hidden node th weight
  • ⁇ j is the standard of the j th hidden neurons difference
  • x cj is the central value of the j th hidden node
  • i is the representative number of iterations
  • ⁇ [0,1 ] Is the learning rate
  • ⁇ [0,1] is the momentum factor.
  • the present invention also provides an online determination system of the health status of the power battery pack of electric vehicles.
  • the system includes: an application data acquisition module 1, The online estimation model acquisition module 2, the first peak value determination module 3, and the health status determination module 4.
  • the application data acquisition module 1 is used to acquire application data of electric vehicles; the application data includes: the accumulated driving range value of the electric vehicle, the initial charging SOC value, the average charging current, the average driving temperature, the average charging temperature, and the classification factor; The classification factors are classified according to the different rate of decline of electric vehicles;
  • the online estimation model acquisition module 2 is used to acquire an online estimation model of the health state of the power battery pack that takes application data as input and the second peak of the capacity increase curve of the power battery of the electric vehicle as output;
  • the first peak value determining module 3 is configured to determine the second peak value of the capacity increase curve of the power battery of the electric vehicle by using the online estimation model of the state of health of the power battery pack according to the application data;
  • the health status determining module 4 is used to determine the health status of the electric vehicle power battery pack according to the second peak value.
  • the above system further includes: a first application data acquisition module, a second peak determination module, a data training pair construction module, and a model training module.
  • the first application data collection module is used to collect application data of electric vehicles; the second peak value determination module is used to determine the first capacity increase curve of the electric vehicle power battery corresponding to the collected application data according to the collected application data.
  • Two peaks; the data training pair building module is used to use the collected application data and the second peak corresponding to the application data as a data training pair; the model training module is used to use the data training pair to evaluate the health status of the power battery pack Online estimation model for training.
  • the above-mentioned second peak value determination module specifically includes: a capacity-voltage curve determination unit, a terminal voltage and charging capacity determination unit, a capacity-voltage curve fitting unit, and a peak value determination unit.
  • the capacity-voltage curve determination unit is used to obtain the capacity-voltage curve of the electric vehicle by using an incremental capacity analysis method according to the collected application data; the terminal voltage and charging capacity determination unit is used to determine the electric vehicle according to the capacity-voltage curve
  • the capacity-voltage curve fitting unit is used to use the SVR algorithm to fit the terminal voltage as input and the charging capacity as the output to fit the capacity-voltage curve to obtain the fitted capacity -Voltage curve;
  • the peak value determination unit is used to obtain the capacity increase curve according to the fitted capacity-voltage curve, and determine the second peak value of the capacity increase curve;
  • the second peak value of the capacity increase curve is It is the second peak of the capacity increase curve of the electric vehicle power battery corresponding to the collected application data.
  • system provided by the present invention may also include: a second application data acquisition module and a preprocessing module.
  • the second application data collection module is used for collecting the application data of the electric vehicle;
  • the preprocessing module is used for preprocessing the collected application data;
  • the preprocessing includes: mean value processing and absolute value processing.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

一种电动汽车动力电池组健康状态在线确定方法和系统，通过采用动力电池组健康状态在线估计模型，根据应用数据就可以确定得到电动汽车动力电池的容量增量曲线的第二峰值，然后根据第二峰值就可以精确得到电动汽车动力电池组的健康状态。并且，仅需要根据所获取的应用数据就可以得到电动汽车动力电池组健康状态，这就能够简化电动汽车动力电池组健康状态确定过程，解决现有技术中电动汽车动力电池组健康状态确定方法应用困难的问题。

Description

一种电动汽车动力电池组健康状态在线确定方法和系统
本申请要求于2020年3月18日提交中国专利局、申请号为202010191066.9、发明名称为“一种电动汽车动力电池组健康状态在线确定方法和系统”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明涉及动力电池管理技术领域，特别是涉及一种电动汽车动力电池组健康状态在线确定方法和系统。
背景技术
电动汽车的推广应用已被认为是减少人类对化石燃料的依赖以及温室气体排放的可行途径。锂离子电池由于其在能量密度、循环寿命等方面的优势，在电动汽车中被广泛用作能量存储设备。然而，锂离子电池由于存在不断出现的副反应而不可避免地会在其使用期间出现性能下降，也称为老化现象。一般而言，动力电池内阻增加100％或容量衰减20％会被视为达到其使用寿命终止(End Of Life，EOL)，不再适合汽车应用。此外，容量的精确计量对于电池组的SOC估计和故障诊断以及电动汽车的剩余行驶里程预测也至关重要。然而，由于测试条件和设备限制，电池健康状态(State Of Health，SOH)在车辆行驶过程中难以测量。因此，作为电池管理系统(BMS)的核心任务之一，准确的SOH估算是提高电池系统的效率，安全性和耐用性的保证。
现有锂离子电池健康状态的定义主要有容量定义法和内阻定义法，其计算公式如式(1)和式(2)所示。
Figure PCTCN2021081507-appb-000001
式中，C 0为初始标称容量，C i为第i次充电容量。
Figure PCTCN2021081507-appb-000002
式中：R new为电池出厂时的欧姆内阻，R EOL为电池寿命结束(EoL)时的欧姆内阻，R i为第i次测得的电池欧姆内阻。
利用容量法对电动汽车动力电池组进行SOH评估时，需要在恒定的温度条件下，采用恒流恒压(其中恒流段一般选择1/3C电流倍率)的方式将动力电池组充至满电状态，静置1小时，然后采用恒流(一般为1C)方式将电池放电至截止电压，并循环以上步骤至少3次，用其稳定后的放电容量平均值作为当前状态的最大可用容量值，进而计算SOH。这种方式不仅耗时长，而且深度的放电对电池也具有一定程度的损害。
利用内阻表征电池组SOH的方法在实际的测试过程中，需要用到脉冲法和电化学阻抗谱法，一方面，实际应用中电池包整体内阻随老化变化幅度较小，不适合用来进行健康状态评估，另一方面，测量内阻需要特定的实验设备，难以实现在线估计。
针对以上问题，现有文献中已经提出了许多用于电池SOH估计的方法，这些方法可以粗略地分为三类，即基于物理的方法，基于经验的方法和数据驱动的方法。基于物理的方法使用偏微分方程(PDE)来描述与电池老化密切相关的电池动力学，从而实现SOH估算。这种方法能够实现较高的估计精度，但需要精确测量大量电化学参数，这些参数无法准确获取；此外，模型涉及复杂的偏微分计算，运算量极大，难以应用于车载 BMS中。基于经验的方法采用等效电路模型来描述电池动力学，并设计状态观测器来估计模型参数。然而，使用的经验电池模型在模型拟合不同的工作条件下使用时，缺乏物理意义，并且模型精度有限，因此显著降低了SOH估算精度。近年来，数据驱动的方法例如高斯过程回归和支持向量机，受到了越来越多的关注，因为它们不需要了解电池运行过程中电化学反应的详细过程。在这些方法中，需要大量测试数据来训练电池SOH模型，可以直接描述SOH及其影响因素之间的非线性关系。
对本领域相关专利进行检索，现将其中与本发明相近的技术方案陈述如下。申请号为201810504744.5的发明专利公开了一种电池健康状态分析方法及装置。方法包括：获得样本电池在不同SOH下，样本电池的SOC与样本电池的OCV的关系曲线；将SOH为设定值时，样本电池的SOC与OCV的关系曲线作为参考曲线；将不同SOH下，样本电池的SOC与OCV的关系曲线与参考曲线作差，得到样本电池的SOC与开路电压变化量ΔOCV的关系曲线；根据不同SOH下，样本电池的SOC与ΔOCV的关系曲线，分析得到SOC与ΔOCV的关系曲线中两点之间的斜率k；根据不同SOH下，斜率k的变化，得到SOH与斜率k的对应关系；基于样本电池SOH与斜率k的对应关系，根据待检测锂离子电池的斜率k的值，分析得到待检测锂离子电池的SOH。这种方法通过电池老化后OCV曲线与初始状态的差异估算SOH，理论上具有可信度，然而，开路电压与SOC在实车应用中都较难测量，所以会导致算法存在误差。
申请号为201610913062.0的发明专利公开了一种电池健康状态在线估计方法和系统，该方法计算电池充放电过程中容量变化与电压变化的比 值，并将其最大处作为参考点，在此参考点邻域选取一个电压区间V1+和V1-，对该区间内容量变化值进行滤波，并计算出区间内的容量CT，同时测定电池在当前状态下的实际容量CA，并通过线性回归拟合CT与CA之间的对应关系，进而通过CT值来预测CA值。该方法可以实现电池健康状态的在线估计，但由于不同类型的电池CT与CA的关系可能存在非线性，因此会导致此方法的估计结果会出现较大误差。
申请号为201810205365.6的发明专利公开了一种基于粒子群优化RBF神经网络的健康状态估计方法。首先通过采集电池循环过程中的电压、电流以及时间数据，绘制容量增量曲线，经滤波后得到容量增量峰值以及峰值位置数据，将其作为输入数据，并将电池实际的健康状态作为输出，建立RBF神经网络模型，应用粒子群优化算法求解神经网络模型参数。该方法可以较好的建立容量增量峰值与电池健康状态之间的非线性关系，然而，在实车应用工况下，充电过程常常并不完整，而且电压和电流数据常常精度较低，难以绘制完整的容量增量曲线，因此，实际应用存在困难。
因此，本领域亟待提供一种电动汽车动力电池组健康状态的确定方法，以解决现有技术在确定电动汽车动力电池组健康状态过程中所存在的估计不精确和应用困难的问题。
发明内容
本发明的目的是提供一种电动汽车动力电池组健康状态在线确定方法和系统，解决现有技术在确定电动汽车动力电池组健康状态过程中所存在的估计不精确和应用困难的问题。
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组健康状态在线确定方法，包括：
获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别；
获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型；
根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值；
根据所述第二峰值确定所述电动汽车动力电池组的健康状态。
优选的，所述获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型之前还包括：
采集电动汽车的应用数据；
根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值；
将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对；
采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。
优选的，所述根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值具体包括：
根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线；
根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量；
采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线；
根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值。
优选的，所述获取电动汽车的应用数据之前还包括：
采集所述电动汽车的应用数据；
对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。
一种电动汽车动力电池组健康状态在线确定系统，包括：
应用数据获取模块，用于获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别；
在线估计模型获取模块，用于获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估 计模型；
第一峰值确定模块，用于根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值；
健康状态确定模块，用于根据所述第二峰值确定所述电动汽车动力电池组的健康状态。
优选的，所述系统还包括：
第一应用数据采集模块，用于采集电动汽车的应用数据；
第二峰值确定模块，用于根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值；
数据训练对构建模块，用于将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对；
模型训练模块，用于采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。
优选的，所述第二峰值确定模块具体包括：
容量-电压曲线确定单元，用于根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线；
端电压和充电容量确定单元，用于根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量；
容量-电压曲线拟合单元，用于采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电 压曲线；
峰值确定单元，用于根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值。
优选的，所述系统还包括：
第二应用数据采集模块，用于采集所述电动汽车的应用数据；
预处理模块，用于对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。
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：
本发明提供的电动汽车动力电池组健康状态在线确定方法和系统，通过采用动力电池组健康状态在线估计模型，根据应用数据就可以确定得到所述电动汽车动力电池的容量增量曲线的第二峰值，然后根据第二峰值就可以精确得到电动汽车动力电池组的健康状态。并且，本发明所提供的电动汽车动力电池组健康状态在线确定方法和系统，仅需要根据所获取的应用数据就可以得到电动汽车动力电池组健康状态，这就能够简化电动汽车动力电池组健康状态确定过程，解决现有技术中电动汽车动力电池组健康状态确定方法应用困难的问题。
说明书附图
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为本发明实施例提供中所提供方案的总体流程图；
图2为本发明实施例提供的电动汽车动力电池组健康状态在线确定方法的流程图；
图3为本发明实施例提供的拟合后的容量-电压曲线图；
图4为本发明实施例提供的滤波后不同里程下的IC曲线图；
图5为本发明实施例中所有研究车辆的IC峰值随累计里程的变化曲线图；
图6为本发明实施例中拟合后的IC峰值图；
图7为本发明实施例中径向基函数神经网络模型的结构示意图；
图8为本发明实施例提供的电动汽车动力电池组健康状态在线确定系统的结构示意图。
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组健康状态在线确定方法和系统，解决现有技术在确定电动汽车动力电池组健康状态过程中所存在的估计不精确和应用困难的问题。
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。
术语解释：
动力电池健康状态(State Of Health，SOH)：表征动力电池当前性能状态与初始性能状态之间的比例，常见的表示方法由容量表示法和内阻表示法。
容量增量分析法(Incremental Capacity Analysis，ICA)：利用容量差分与电压差分的比，从电池电压曲线上提取相关特征的一种方法。其中，容量增量(Incremental Capacity，IC)
径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)：使用径向基函数作为隐层神经元激活函数的前馈神经网络。
电池管理系统(Battery Management System，BMS)：一般包括电池状态估计、热管理、均衡等功能。
荷电状态(State Of Charge，SOC)：电池剩余容量与当前最大可用容量之比。
开路电压(Open Circuit Voltage，OCV)：电化学平衡状态下电池正负极之间的电势差。
恒流恒压充电法(Constant Current Constant Voltage，CCCV)：先恒流充电至电池厂商所规定的充电截止电压，再转换为恒压充电的一种充电模式。
充放电倍率(C率)：表示充电电流与额定容量的比。例如，1/3C电流表示三小时可以将电池充至满电量所需的电流大小。
支持向量回归(Support Vector Regression，SVR)：一种可以高精度 拟合非线性关系的机器学习方法。
放电深度(Depth Of Discharge，DOD)：电池放电量与电池额定容量的百分比。
本发明的整体设计思路如图1所示，具体为：首先，以大数据平台上采集的电动汽车实车行驶和充电数据为原始数据，划分为充电和行驶片段，提取有效的充电片段，采用插值方法填补缺失帧，采取SVR支持向量回归对其容量-电压曲线进行拟合，并绘制容量增量曲线，利用高斯窗口滤波对容量增量曲线进行平滑，并求出其第二峰值，利用SVR(或最小二乘回归、岭回归等方式)对不同里程下的容量增量峰值进行填补和回归，得到完整的容量增量峰值随里程的变化关系，将处理后的容量增量峰值作为健康状态估计模型的输出参数。其次，从充电片段中提取累计行驶里程、充电起始SOC、平均充电电流、平均充电温度，从行驶片段中提取平均行驶温度，将其作为健康状态估计模型的输入参数。最后，使用径向基函数神经网络(Radical Basis Function，RBFNN)，建立基于大数据的动力电池组健康状态在线估计模型。
用以上输入和输出参数，对14辆纯电动汽车的数据进行训练，并用另外4辆车的数据进行验证，结果显示，平均误差为4％，模型有较好的健康状态估计能力。
本发明的具体实施方案为：
图2为本发明实施例提供的电动汽车动力电池组健康状态在线确定方法的流程图，如图2所示，一种电动汽车动力电池组健康状态在线确定方法，包括：
S1、获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别；其中，车辆的累计行驶里程可以反映其电池系统在实际操作中的安时吞吐量，对电池的退化产生至关重要的影响。初始充电SOC是前序行程中DOD的直接反应。
S2、获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型；
S3、根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值；
S4、根据所述第二峰值确定所述电动汽车动力电池组的健康状态。
为了提高对电动汽车动力电池组的健康状态进行估计的精确度，在上述S2之前还可以包括：
采集电动汽车的应用数据；
根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值；
将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对；
采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。
其中，根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值的过程具体包括：
根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线，具体为：
在一个充电片段中，充电容量由下式计算得到：
Figure PCTCN2021081507-appb-000003
其中，Q为充电容量，I(t)为第t时刻的充电电流，T为采样周期。
将式(3)离散化，使用k代表离散的时间步，进而计算每一个电压位置的IC值：
Figure PCTCN2021081507-appb-000004
其中，Q k表示电池在第k时刻的充电容量，V k表示电池在第k时刻的电压，Q k-1代表电池在第k-1时刻的充电容量，V k-1代表电池在第k-1时刻的电压。
根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量；
但是，由于电压测量精度的影响，有可能出现在某些连续时间步内，测量到的电压没有发生变化，如图3中黑色实线所示。这将导致IC曲线推导中的零分母问题。为了解决这一问题，采用支持向量回归(SVR)算法(或高斯过程回归、决策树回归等机器学习回归模型)对数据集(图3中黑色实线所表示的原始数据)进行预处理，即采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线。这一拟合过程具体为：
设数据集{(x 1，y 1)，(x 2，y 2)，…，(x l，y l)}，其中x i∈R n是特征向量，y i∈R是目标输出，则系统方程可以表示成如下形式：
y＝ωξ+b,ω∈X,b∈R,
SVR算法将方程转化为以下优化问题：
Figure PCTCN2021081507-appb-000005
Figure PCTCN2021081507-appb-000006
式中，向量ω表示以C>0为正则化参数的模型参数，
Figure PCTCN2021081507-appb-000007
表示上限的松弛变量，ξ i表示下限的松弛变量，y i表示目标输出，x i表示特征向量。通过求解上述方程，可以导出近似函数：
Figure PCTCN2021081507-appb-000008
其中，αi和
Figure PCTCN2021081507-appb-000009
均为拉格朗日算子，k(x i,x c)表示核函数。本发明应用高斯径向基核函数(RBF)，其表达式为：
Figure PCTCN2021081507-appb-000010
其中，k(·)表示选择的核，x i表示采样点，x c表示中心点，σ是高斯函数的标准偏差，表示RBF核的宽度。在本发明所涉及的电池充电过程中，已充入电量可以由下式计算：
Figure PCTCN2021081507-appb-000011
其中，C r是额定电池容量，C k是在V k电压下的已充入电量，k代表时间步，s 0是充电操作的初始SOC值，I k是充电电流，而ΔT是采样间隔。
值得一提的是，由于实际电池容量的降低，可能导致每个特定电压下的计算容量与实际值存在偏差，然而，由于IC值的计算仅需要用到两个 采样点间充电容量的差值(增量)，因此对IC曲线推导的影响有限。充电容量和相关电压之间的关系可以近似为
C k＝f(V k)
在本发明中，根据公式(11)得到容量-电压的曲线图，如图4所示。SVR算法被用来拟合容量增量曲线，以消除原始数据波动带来的影响。其中，输入为端电压V k，输出为充电容量C k。
基于图3中的SVR拟合后的容量-电压曲线，依据公式(4)，可以得出每辆车的IC曲线。
然而，电压和电流的测量精度不可避免地会影响所获得的IC曲线，使其出现异常的波动。为了有效地提取IC曲线的特征，需要采用一定的滤波算法。在本发明使用高斯窗口(GW)滤波(方法或滑动均值滤波、低通滤波、小波等滤波等方式)用于平滑IC曲线，滤波后不同里程下的IC曲线如图5所示。
可以看出，IC曲线的第二峰值通常随着累积里程的增加而降低，因此可以用其表征电池SOH。即通过IC曲线的第二峰值对电动汽车动力电池组的健康状态进行确定，那么在得到容量增量曲线后就可以确定其第二峰值。
图5描绘了不同车辆的峰值演变。可以看出，所有峰值演化都具有相似的模式，但曲线斜率不同。通过聚类，可以将研究的车辆分为两组。由此，引入分类因子，对车辆所属类别进行区分(在本发明中以规定的衰退速率为界限按照当前电动汽车的车辆衰退速率将电动汽车分为两种类别)，以提高预测准确率。
进一步，由于对数据要求较为严格，并非所有充电过程中的电压变化曲线都可以用于IC曲线推导。为了获得每次充电过程的IC值，需要再次使用SVR算法来获取IC值随着累积里程增加而演变的趋势，拟合结果在图6中显示。可以看出，拟合曲线可以充分代表IC值的演化路线并滤除异常值。该拟合曲线可用于获取特定累积里程的确切IC值，可用作模型训练和验证的模型输出。
为了进一步提高本发明所提供的电动汽车动力电池组健康状态在线确定方法的评估准确性，在采集得到电动汽车的应用数据之后，还需要对采集得到的应用数据进行预处理。所述预处理具体包括：均值处理和绝对值处理。
作为本发明的另一实施例，本发明所采用的径向基函数神经网络(Radical Basis Function，RBFNN)模型的具体构建过程为：
相比于传统的人工神经网络(ANN)，RBFNN模型的区别主要在于隐层数和输入节点的激活函数。由于RBFNN模型的激活函数可以将输入变量映射到高维，将非线性关系转化为线性关系，使得RBFNN模型只需要一个隐层。因此，RBFNN模型的训练也比一般的ANN更为有效，可以防止模型训练陷入局部极小值。
本发明利用RBFNN模型建立了动力电池组健康状态在线估计模型，并利用梯度下降算法(或粒子群优化、遗传算法等)进行模型训练和验证。开发的动力电池组健康状态在线估计模型可以嵌入到现实的电池管理系统(BATTERY MANAGEMENT SYSTEM，BMS)中进行在线计算。RBFNN神经网络模型的基本结构为：
Figure PCTCN2021081507-appb-000012
Figure PCTCN2021081507-appb-000013
式中，Y表示输出参数，k表示隐层节点个数，w j为第j th个隐层节点与输出节点之间的权重，w 0为隐层节点到输出节点的偏置项。所建立模型的结构如图7所示。它由一个输入层，一个隐藏层和一个输出层组成。输入层包含六个特征参数，分别为车辆的累计行驶里程、初始充电SOC、平均充电温度、平均充电电流、平均放电温度以及分类因子，而IC曲线的第二峰值是输出层中唯一的模型输出。
BP(Back Propagation)训练算法已被广泛用于RBFNN的训练。优选地，本发明选择梯度下降(Gradient Descent)法来解决拟合问题，并且将学习率设置为0.001。由此，上式中的参数可以由下式更新：
x cj(i)＝x cj(i-1)+ηΔx cj+α(x cj(i-1)-x cj(i-2))
x cj(i)＝x cj(i-1)+ηΔx cj+α(x cj(i-1)-x cj(i-2))
x cj(i)＝x cj(i-1)+ηΔx cj+α(x cj(i-1)-x cj(i-2))
其中，wj为第j th个隐节点的权重，σ j为第j th个隐节点的标准差，x cj为第j th个隐节点的中心值，i代表迭代次数，η∈[0,1]为学习率，α∈[0,1]为动量因子。
此外，对应于上述电动汽车动力电池组健康状态在线确定方法，本发明还提供了一种电动汽车动力电池组健康状态在线确定系统，如图8所示，该系统包括：应用数据获取模块1、在线估计模型获取模块2、第一峰值确定模块3和健康状态确定模块4。
应用数据获取模块1用于获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别；
在线估计模型获取模块2用于获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型；
第一峰值确定模块3用于根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值；
健康状态确定模块4用于根据所述第二峰值确定所述电动汽车动力电池组的健康状态。
为了进一步提高心痛预测的精确性，上述系统还包括：第一应用数据采集模块、第二峰值确定模块、数据训练对构建模块和模型训练模块。
其中，第一应用数据采集模块用于采集电动汽车的应用数据；第二峰值确定模块用于根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值；数据训练对构建模块用于将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对；模型训练模块用于采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。
上述第二峰值确定模块具体包括：容量-电压曲线确定单元、端电压和充电容量确定单元、容量-电压曲线拟合单元和峰值确定单元。
容量-电压曲线确定单元用于根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线；端电压和充电容量确定单元用于根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量；容量-电压曲线拟合单元用于采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线；峰值确定单元用于根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值。
除上述部件之外，本发明所提供的系统还可以包括有：第二应用数据采集模块和预处理模块。
其中，第二应用数据采集模块用于采集所述电动汽车的应用数据；预处理模块用于对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。
本说明书中各个实施例采用递进的方式描述，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 (8)

  1. 一种电动汽车动力电池组健康状态在线确定方法，其特征在于，包括：
    获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别；
    获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型；
    根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值；
    根据所述第二峰值确定所述电动汽车动力电池组的健康状态。
  2. 根据权利要求1所述的一种电动汽车动力电池组健康状态在线确定方法，其特征在于，所述获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型之前还包括：
    采集电动汽车的应用数据；
    根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值；
    将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对；
    采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。
  3. 根据权利要求2所述的一种电动汽车动力电池组健康状态在线确定方法，其特征在于，所述根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值具体包括：
    根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线；
    根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量；
    采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线；
    根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值。
  4. 根据权利要求1所述的一种电动汽车动力电池组健康状态在线确定方法，其特征在于，所述获取电动汽车的应用数据之前还包括：
    采集所述电动汽车的应用数据；
    对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。
  5. 一种电动汽车动力电池组健康状态在线确定系统，其特征在于，包括：
    应用数据获取模块，用于获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别；
    在线估计模型获取模块，用于获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型；
    第一峰值确定模块，用于根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值；
    健康状态确定模块，用于根据所述第二峰值确定所述电动汽车动力电池组的健康状态。
  6. 根据权利要求5所述的一种电动汽车动力电池组健康状态在线确定系统，其特征在于，所述系统还包括：
    第一应用数据采集模块，用于采集电动汽车的应用数据；
    第二峰值确定模块，用于根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值；
    数据训练对构建模块，用于将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对；
    模型训练模块，用于采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。
  7. 根据权利要求6所述的一种电动汽车动力电池组健康状态在线确定系统，其特征在于，所述第二峰值确定模块具体包括：
    容量-电压曲线确定单元，用于根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线；
    端电压和充电容量确定单元，用于根据所述容量-电压曲线确定所述 电动汽车的端电压和充电容量；
    容量-电压曲线拟合单元，用于采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线；
    峰值确定单元，用于根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值。
  8. 根据权利要求5所述的一种电动汽车动力电池组健康状态在线确定系统，其特征在于，所述系统还包括：
    第二应用数据采集模块，用于采集所述电动汽车的应用数据；
    预处理模块，用于对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。
PCT/CN2021/081507 2020-03-18 2021-03-18 一种电动汽车动力电池组健康状态在线确定方法和系统 WO2021185308A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010191066.9 2020-03-18
CN202010191066.9A CN111323719A (zh) 2020-03-18 2020-03-18 一种电动汽车动力电池组健康状态在线确定方法和系统

Publications (1)

Publication Number Publication Date
WO2021185308A1 true WO2021185308A1 (zh) 2021-09-23

Family

ID=71171479

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/081507 WO2021185308A1 (zh) 2020-03-18 2021-03-18 一种电动汽车动力电池组健康状态在线确定方法和系统

Country Status (2)

Country Link
CN (1) CN111323719A (zh)
WO (1) WO2021185308A1 (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113848485A (zh) * 2021-10-11 2021-12-28 珠海格力电器股份有限公司 电量检测方法及定位设备
CN114035061A (zh) * 2021-11-30 2022-02-11 重庆长安新能源汽车科技有限公司 一种电池包的电池健康状态的在线估算方法及系统
CN114236412A (zh) * 2021-12-06 2022-03-25 国网天津市电力公司 一种基于bp神经网络的电池健康状态诊断方法及系统
CN114236415A (zh) * 2021-12-16 2022-03-25 湖北亿纬动力有限公司 一种动力电池健康状态检测方法、装置、设备及存储介质
CN114355223A (zh) * 2021-12-30 2022-04-15 东软集团股份有限公司 一种电池健康状态检测方法、装置及设备
CN114371418A (zh) * 2022-01-07 2022-04-19 北京理工大学 一种基于实车充电数据的增量容量曲线确定方法
CN114742297A (zh) * 2022-04-11 2022-07-12 中国第一汽车股份有限公司 动力电池的处理方法
CN114839536A (zh) * 2022-04-05 2022-08-02 北京工业大学 一种基于多健康因子的锂离子电池健康状态估计方法
CN114895206A (zh) * 2022-04-26 2022-08-12 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN114910793A (zh) * 2022-04-24 2022-08-16 广东工业大学 一种储能电站串联电池组的soh估计方法
CN115166563A (zh) * 2022-08-17 2022-10-11 山东大学 一种动力电池老化状态评估与退役筛选方法及系统
CN115312891A (zh) * 2022-09-16 2022-11-08 吉林大学 一种基于云端机械损伤预测模型的电池保护方法及系统
CN115421043A (zh) * 2022-08-25 2022-12-02 江西方兴科技股份有限公司 基于跨越-侧抑制宽度学习的电动汽车soc估计方法
CN116224128A (zh) * 2023-05-06 2023-06-06 广汽埃安新能源汽车股份有限公司 电池的容量健康状态检测方法及装置
CN117067921A (zh) * 2023-10-18 2023-11-17 北京航空航天大学 电动汽车的故障检测方法及电动汽车
CN117214742A (zh) * 2023-09-15 2023-12-12 斯润天朗(合肥)科技有限公司 一种锂电池的状态分析方法、装置及电子设备
CN117849644A (zh) * 2024-01-10 2024-04-09 中国电力科学研究院有限公司 一种电动汽车动力电池的在线充电健康状态评估方法

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323719A (zh) * 2020-03-18 2020-06-23 北京理工大学 一种电动汽车动力电池组健康状态在线确定方法和系统
CN111766524B (zh) * 2020-07-16 2023-03-10 浙江吉智新能源汽车科技有限公司 一种电池健康状态的确定方法、装置、设备及存储介质
CN112098873B (zh) * 2020-08-17 2021-06-01 四川大学 基于充电电压曲线几何特征的锂电池健康状态估计方法
CN112098845B (zh) * 2020-08-17 2021-08-31 四川大学 一种用于分布式储能系统的锂电池状态估计方法
CN112415397A (zh) * 2020-11-27 2021-02-26 广东电网有限责任公司佛山供电局 实时诊断一体化智能终端后备铅酸蓄电池组故障的方法
CN112611976A (zh) * 2020-12-10 2021-04-06 华东理工大学 一种基于双差分曲线的动力电池健康状态估计方法
CN112526351B (zh) * 2020-12-16 2022-07-22 东南大学 一种评估电动汽车的动力电池健康状态及剩余寿命的方法
CN112731173B (zh) * 2020-12-22 2024-05-03 东软睿驰汽车技术（沈阳）有限公司 一种电池包的电芯内阻变化检测方法及装置
CN112904218B (zh) * 2021-01-26 2021-12-21 江苏大学 基于标准样本及双重-嵌入解耦的电池健康状态估计方法
CN112666464B (zh) * 2021-01-27 2023-11-07 北京嘀嘀无限科技发展有限公司 电池健康状态预测方法、装置、电子设备和可读存储介质
CN112904219B (zh) * 2021-04-08 2023-03-21 合肥工业大学 一种基于大数据的动力电池健康状态的预测方法
CN113049976B (zh) * 2021-04-27 2022-07-29 武汉理工大学 一种车辆电池健康状态评估方法及系统
CN113406520B (zh) * 2021-05-21 2022-11-15 北京理工大学 针对现实新能源汽车的电池健康状态估计方法
CN113466709A (zh) * 2021-07-30 2021-10-01 深圳市新威尔电子有限公司 电池测试数据绘制曲线方法
CN113815490A (zh) * 2021-08-26 2021-12-21 上海赢科信息技术有限公司 电池健康度的确定方法及系统、电子设备及存储介质
CN113900028B (zh) * 2021-10-09 2022-07-08 山东大学 一种考虑初始荷电状态和充放电路径的电池健康状态估计方法及系统
CN113655385B (zh) * 2021-10-19 2022-02-08 深圳市德兰明海科技有限公司 锂电池soc估计方法、装置及计算机可读存储介质
CN114035095B (zh) * 2021-11-02 2023-12-22 江苏博强新能源科技股份有限公司 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备
CN114172275B (zh) * 2021-11-30 2024-04-09 中国华能集团清洁能源技术研究院有限公司 一种基于里程寿命管理的储能系统能量优化方法及系统
WO2023127319A1 (ja) * 2021-12-28 2023-07-06 株式会社デンソー 電池診断システム
CN114114056B (zh) * 2022-01-25 2022-04-26 深圳康普盾科技股份有限公司 一种换电柜的电池检测回收方法、系统及存储介质
CN114298616B (zh) * 2022-03-11 2022-05-06 西南石油大学 设备健康状态评估方法、装置和计算机设备
CN115993538B (zh) * 2023-02-01 2023-10-20 上海玫克生储能科技有限公司 一种电池容量增量综合曲线的拟合方法、装置和电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446520A (zh) * 2016-08-31 2017-02-22 深圳市沃特玛电池有限公司 一种电池soh的估计法
CN106980091A (zh) * 2017-03-29 2017-07-25 北京理工大学 一种基于分数阶模型的动力电池系统健康状态估计方法
CN108445406A (zh) * 2018-03-13 2018-08-24 桂林电子科技大学 一种动力电池健康状态估计方法
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN109604186A (zh) * 2018-12-14 2019-04-12 北京匠芯电池科技有限公司 动力电池性能柔性评估分选方法
CN110058178A (zh) * 2019-05-14 2019-07-26 郑州大学 一种锂电池健康状态检测方法和系统
CN110068774A (zh) * 2019-05-06 2019-07-30 清华四川能源互联网研究院 锂电池健康状态的估计方法、装置及存储介质
JP2019158597A (ja) * 2018-03-13 2019-09-19 三菱自動車工業株式会社 二次電池システム
CN110441706A (zh) * 2019-08-23 2019-11-12 优必爱信息技术（北京）有限公司 一种电池soh估计方法及设备
CN111323719A (zh) * 2020-03-18 2020-06-23 北京理工大学 一种电动汽车动力电池组健康状态在线确定方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105954686B (zh) * 2016-06-27 2018-11-27 金龙联合汽车工业（苏州）有限公司 一种固定线路电动汽车动力电池剩余电量的估算方法
CN108535662A (zh) * 2018-05-22 2018-09-14 华霆（合肥）动力技术有限公司 电池健康状态检测方法及电池管理系统
CN108983106B (zh) * 2018-07-27 2021-09-14 国网重庆市电力公司电力科学研究院 新型动力电池健康状态评估方法
CN109204063B (zh) * 2018-08-16 2021-08-31 北京新能源汽车股份有限公司 一种动力电池健康状态soh的获取方法、装置及车辆
CN109061514B (zh) * 2018-09-30 2020-11-06 北京理工大学 一种基于大数据的动力电池衰退情况分析方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446520A (zh) * 2016-08-31 2017-02-22 深圳市沃特玛电池有限公司 一种电池soh的估计法
CN106980091A (zh) * 2017-03-29 2017-07-25 北京理工大学 一种基于分数阶模型的动力电池系统健康状态估计方法
CN108445406A (zh) * 2018-03-13 2018-08-24 桂林电子科技大学 一种动力电池健康状态估计方法
JP2019158597A (ja) * 2018-03-13 2019-09-19 三菱自動車工業株式会社 二次電池システム
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN109604186A (zh) * 2018-12-14 2019-04-12 北京匠芯电池科技有限公司 动力电池性能柔性评估分选方法
CN110068774A (zh) * 2019-05-06 2019-07-30 清华四川能源互联网研究院 锂电池健康状态的估计方法、装置及存储介质
CN110058178A (zh) * 2019-05-14 2019-07-26 郑州大学 一种锂电池健康状态检测方法和系统
CN110441706A (zh) * 2019-08-23 2019-11-12 优必爱信息技术（北京）有限公司 一种电池soh估计方法及设备
CN111323719A (zh) * 2020-03-18 2020-06-23 北京理工大学 一种电动汽车动力电池组健康状态在线确定方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LI XIAOYU, WANG ZHENPO, ZHANG LEI, ZOU CHANGFU, DORRELL DAVID. D: "State-of-health estimation for Li-ion batteries by combing the incremental capacity analysis method with grey relational analysis", JOURNAL OF POWER SOURCES, vol. 410+411, 15 January 2019 (2019-01-15), pages 106 - 114, XP055851614, ISSN: 0378-7753, DOI: 10.1016/j.jpowsour.2018.10.069 *
SUN, PEIKUN: "Research of State of Health Estimation Method for Electric Vehicle Lithium-ion Power Battery", MASTER THESES, 1 January 2016 (2016-01-01), CN, pages 1 - 93, XP055676847 *
WANG ZHENPO; MA JUN; ZHANG LEI: "State-of-Health Estimation for Lithium-Ion Batteries Based on the Multi-Island Genetic Algorithm and the Gaussian Process Regression", IEEE ACCESS, vol. 5, 4 October 2017 (2017-10-04), pages 21286 - 21295, XP011672189, DOI: 10.1109/ACCESS.2017.2759094 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113848485A (zh) * 2021-10-11 2021-12-28 珠海格力电器股份有限公司 电量检测方法及定位设备
CN114035061A (zh) * 2021-11-30 2022-02-11 重庆长安新能源汽车科技有限公司 一种电池包的电池健康状态的在线估算方法及系统
CN114035061B (zh) * 2021-11-30 2023-08-29 深蓝汽车科技有限公司 一种电池包的电池健康状态的在线估算方法及系统
CN114236412A (zh) * 2021-12-06 2022-03-25 国网天津市电力公司 一种基于bp神经网络的电池健康状态诊断方法及系统
CN114236415A (zh) * 2021-12-16 2022-03-25 湖北亿纬动力有限公司 一种动力电池健康状态检测方法、装置、设备及存储介质
CN114355223A (zh) * 2021-12-30 2022-04-15 东软集团股份有限公司 一种电池健康状态检测方法、装置及设备
CN114355223B (zh) * 2021-12-30 2024-06-07 东软集团股份有限公司 一种电池健康状态检测方法、装置及设备
CN114371418A (zh) * 2022-01-07 2022-04-19 北京理工大学 一种基于实车充电数据的增量容量曲线确定方法
CN114371418B (zh) * 2022-01-07 2024-06-07 北京理工大学 一种基于实车充电数据的增量容量曲线确定方法
CN114839536A (zh) * 2022-04-05 2022-08-02 北京工业大学 一种基于多健康因子的锂离子电池健康状态估计方法
CN114839536B (zh) * 2022-04-05 2024-06-04 北京工业大学 一种基于多健康因子的锂离子电池健康状态估计方法
CN114742297A (zh) * 2022-04-11 2022-07-12 中国第一汽车股份有限公司 动力电池的处理方法
CN114742297B (zh) * 2022-04-11 2024-05-24 中国第一汽车股份有限公司 动力电池的处理方法
CN114910793A (zh) * 2022-04-24 2022-08-16 广东工业大学 一种储能电站串联电池组的soh估计方法
CN114895206A (zh) * 2022-04-26 2022-08-12 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN114895206B (zh) * 2022-04-26 2023-04-28 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN115166563A (zh) * 2022-08-17 2022-10-11 山东大学 一种动力电池老化状态评估与退役筛选方法及系统
CN115421043A (zh) * 2022-08-25 2022-12-02 江西方兴科技股份有限公司 基于跨越-侧抑制宽度学习的电动汽车soc估计方法
CN115312891B (zh) * 2022-09-16 2024-04-19 吉林大学 一种基于云端机械损伤预测模型的电池保护方法及系统
CN115312891A (zh) * 2022-09-16 2022-11-08 吉林大学 一种基于云端机械损伤预测模型的电池保护方法及系统
CN116224128A (zh) * 2023-05-06 2023-06-06 广汽埃安新能源汽车股份有限公司 电池的容量健康状态检测方法及装置
CN117214742A (zh) * 2023-09-15 2023-12-12 斯润天朗(合肥)科技有限公司 一种锂电池的状态分析方法、装置及电子设备
CN117067921B (zh) * 2023-10-18 2024-01-05 北京航空航天大学 电动汽车的故障检测方法及电动汽车
CN117067921A (zh) * 2023-10-18 2023-11-17 北京航空航天大学 电动汽车的故障检测方法及电动汽车
CN117849644A (zh) * 2024-01-10 2024-04-09 中国电力科学研究院有限公司 一种电动汽车动力电池的在线充电健康状态评估方法

Also Published As

Publication number Publication date
CN111323719A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
WO2021185308A1 (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
CN111707951B (zh) 一种电池组一致性评估方法及系统
CN111624494B (zh) 基于电化学参数的电池分析方法和系统
Lai et al. Co-estimation of state of charge and state of power for lithium-ion batteries based on fractional variable-order model
CN108445406B (zh) 一种动力电池健康状态估计方法
CN110596606B (zh) 一种锂电池剩余电量估计方法、系统及装置
CN106842060A (zh) 一种基于动态参数的动力电池soc估算方法及系统
CN110703114B (zh) 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法
CN110673039B (zh) 一种基于大数据的磷酸铁锂电池soc充电在线校正方法
CN103576096A (zh) 电动汽车动力电池剩余电量的实时评估方法及装置
CN112345939B (zh) 基于连续脉冲响应的锂离子电池模型参数辨识方法
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN112557907A (zh) 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN111426957A (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN113608126B (zh) 一种不同温度下的锂电池soc在线预估方法
CN105223512A (zh) 基于电池特性的动态矫正剩余电量的方法
CN108710087A (zh) 一种纯电动汽车电池组健康状态测取装置及其测取方法
CN113868884B (zh) 一种基于证据理论的动力电池多模型容错融合建模方法
CN112782594B (zh) 考虑内阻的数据驱动算法估算锂电池soc的方法
CN103529397A (zh) 一种估算电池电量的方法及电池电量管理系统
CN110196395A (zh) 蓄电池soc估算方法
CN115616428A (zh) 一种“充—检”一体电动汽车电池状态检测与评价方法
CN114290960A (zh) 获取动力电池的电池健康度的方法、装置和车辆
CN114325445B (zh) 一种基于区域频率的锂离子电池健康状态快速评估方法
CN111751750A (zh) 基于模糊ekf的多阶段闭环锂电池soc估算方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21771193

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21771193

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 03/04/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21771193

Country of ref document: EP

Kind code of ref document: A1