[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115407211B - 一种电动汽车锂电池健康状态在线预测方法及系统 - Google Patents

一种电动汽车锂电池健康状态在线预测方法及系统 Download PDF

Info

Publication number
CN115407211B
CN115407211B CN202211352797.2A CN202211352797A CN115407211B CN 115407211 B CN115407211 B CN 115407211B CN 202211352797 A CN202211352797 A CN 202211352797A CN 115407211 B CN115407211 B CN 115407211B
Authority
CN
China
Prior art keywords
soh
prediction result
moment
lithium battery
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211352797.2A
Other languages
English (en)
Other versions
CN115407211A (zh
Inventor
刘新华
王文涛
于瀚卿
杨世春
张正杰
闫啸宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202211352797.2A priority Critical patent/CN115407211B/zh
Publication of CN115407211A publication Critical patent/CN115407211A/zh
Application granted granted Critical
Publication of CN115407211B publication Critical patent/CN115407211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及电池监测技术领域，特别涉及一种电动汽车锂电池健康状态在线预测方法及系统，其中方法包括：获取电动汽车电池数据；通过车端预测模型进行SOH预测，得到下一时刻的第二SOH预测结果；判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则将第二SOH预测结果作为锂电池SOH预测结果，是则利用云端电池监控平台实现：通过云端预测模型进行SOH预测，得到下一时刻的第一SOH预测结果；以第一SOH预测结果为测量值、第二SOH预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池SOH预测结果。本发明能够实现实时性好且精度高的锂电池健康状态在线预测。

Description

一种电动汽车锂电池健康状态在线预测方法及系统
技术领域
本发明涉及电池监测技术领域，特别涉及一种电动汽车锂电池健康状态在线预测方法、系统、电子设备及存储介质。
背景技术
电动汽车因其环保和噪声低的优点被大力推广。锂电池具有电压高、循环寿命长、自放电小等优点，被广泛应用于电动汽车中，是电动汽车的重要动力来源。锂电池的健康状态（即SOH，state of health, 电池健康度）与电动汽车的安全性密切相关，因此对锂电池的健康状态进行及时而准确的预测是至关重要的。
锂电池的老化是一个长期渐变的过程，电池的健康状态受温度、电流倍率、截止电压等多种因素影响。目前，受限于车载BMS算力等因素，对于锂电池健康状态的预测往往难以兼顾精度和实时性，不利于对电池及电动汽车的安全监测。
发明内容
基于现有技术难以兼顾锂电池健康状态预测的精度和实时性的问题，本发明实施例提供了一种车云协同的电动汽车锂电池健康状态在线预测方法、系统、电子设备及存储介质，能够实现快速且高精度的电动汽车锂电池SOH预测。
第一方面，本发明实施例提供了一种电动汽车锂电池健康状态在线预测方法，包括：
获取电动汽车当前时刻的电池数据，包括锂电池的充放电循环数、电压和温度；
基于当前时刻的充放电循环数和锂电池SOH预测结果，通过车端预测模型进行SOH预测，得到下一时刻的第二SOH预测结果；其中，所述车端预测模型根据经验模型构建；
判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则将得到的所述第二SOH预测结果作为下一时刻的锂电池SOH预测结果，是则继续执行如下操作：
将当前时刻及历史时刻的电池数据上传至云端电池监控平台，以利用所述云端电池监控平台实现：基于当前时刻及历史时刻的电压和温度进行特征提取，通过存储的云端预测模型进行SOH预测，得到下一时刻的第一SOH预测结果，并传回；
以得到的所述第一SOH预测结果为测量值、所述第二SOH预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池SOH预测结果。
可选地，所述车端预测模型为双指数模型；
所述通过车端预测模型进行SOH预测，采用如下表达式：
Figure DEST_PATH_IMAGE001
设当前时刻为n时刻，
Figure 100002_DEST_PATH_IMAGE002
表示n+1时刻的第二SOH预测结果，
Figure DEST_PATH_IMAGE003
表示n时刻 的锂电池SOH预测结果，
Figure 100002_DEST_PATH_IMAGE004
表示n+1时刻和n时刻之间的时间间隔，k表示当前时刻的充放电 循环数，a、b、c和d为双指数模型参数，由拟合确定，e表示自然常数。
可选地，所述云端预测模型为训练后的深度学习模型。
可选地，所述深度学习模型为LSTM模型，包括：依次连接的输入层、第一LSTM层、第一dropout层、第二LSTM层、第二dropout层、全连接层和输出层。
可选地，所述基于当前时刻及历史时刻的电压和温度进行特征提取，包括：
基于当前时刻及历史时刻的电压和温度，通过奇异值分解法进行特征提取。
可选地，所述深度学习模型是通过如下方式进行训练的：
获取电动汽车锂电池多个不同时刻的电压和温度以及相应的锂电池SOH，上传至所述云端电池监控平台，以利用所述云端电池监控平台实现：
构建深度学习模型；
对获取的数据进行预处理；
基于预处理后的数据，进行特征提取，得到训练样本集和测试样本集；
基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，至该深度学习模型收敛。
可选地，所述的电动汽车锂电池健康状态在线预测方法还包括：
基于得到的所述锂电池SOH预测结果进行判断，若所述锂电池SOH预测结果达到预设阈值，则生成锂电池健康状态警告并上报。
第二方面，本发明实施例还提供了一种电动汽车锂电池健康状态在线预测系统，包括：车载计算装置和云端电池监控平台；其中，
所述车载计算装置包括：
获取模块，用于获取电动汽车当前时刻的电池数据，包括锂电池的充放电循环数、电压和温度；
预测模块，用于基于当前时刻的充放电循环数和锂电池SOH预测结果，通过车端预测模型进行SOH预测，得到下一时刻的第二SOH预测结果；其中，所述车端预测模型根据经验模型构建；
判断模块，用于判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则将得到的所述第二SOH预测结果作为下一时刻的锂电池SOH预测结果，是则继续调用上传模块和融合模块；
上传模块，用于将当前时刻及历史时刻的电池数据上传至云端电池监控平台，以调用所述云端电池监控平台进行SOH预测，获得下一时刻的第一SOH预测结果；
融合模块，用于以得到的所述第一SOH预测结果为测量值、所述第二SOH预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池SOH预测结果；
所述云端电池监控平台用于响应所述上传模块的调用，基于当前时刻及历史时刻的电压和温度进行特征提取，通过存储的云端预测模型进行SOH预测，得到下一时刻的第一SOH预测结果，并传回至所述上传模块。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的电动汽车锂电池健康状态在线预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的电动汽车锂电池健康状态在线预测方法。
本发明实施例提供了一种电动汽车锂电池健康状态在线预测方法、系统、电子设备及存储介质，本发明基于锂电池当前时刻的充放电循环数及在上一时刻对当前时刻预测所得的锂电池SOH预测结果，通过车端预测模型，对下一时刻进行SOH预测，并按照一定的修正周期，结合云端预测模型的SOH预测结果，修正所得的锂电池SOH预测结果，以减少使用单一方法进行预测精度差的问题，抗干扰能力更强，且车端无需承担过大的计算压力，从而实现实时性好且精度高的锂电池健康状态在线预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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是本发明一实施例提供的一种电动汽车锂电池健康状态在线预测方法流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种车载计算装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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的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。
如前所述，锂电池的老化是一个长期渐变的过程，电池的健康状态受温度、电流倍率、截止电压等多种因素影响。现有技术对于锂电池健康状态的预测主要可分为基于机理模型的方法、基于数据驱动的方法、基于信号分析的方法以及基于经验模型的方法。基于机理模型的方法的缺点是构建精准的模型非常困难，需要大量的物理化学知识，涉及多种电池内部反应机理，模型的准确性很容易受到可变电流和温度的影响，而且在不同外部条件情况影响下很难获得准确的机理模型。基于数据驱动的方法的缺点是可解释性比较弱，预测结果对于数据质量敏感，稳定性比较差，所需要的特征可能需要复杂的数据处理过程才能获得，增加了车载BMS的计算量。基于信号分析方法的缺点是高度依赖于采样条件，数据处理流程复杂。基于经验模型的方法的缺点是精度较差，在复杂工况下抗干扰能力差。目前，受限于车载BMS算力等因素，使用单一方法进行锂电池健康状态预测不能兼顾高精度、实用性、稳定性以及普适性，而采用高精度的方法进行预测又会导致实时性差，难以满足锂电池及电动汽车安全监测需求。有鉴于此，本发明提供了一种车云协同在线预测电池SOH的方法，以实现快速以及高精度的SOH预测。
下面描述以上构思的具体实现方式。
请参考图1，本发明实施例提供了一种电动汽车锂电池健康状态在线预测方法，该方法包括：
步骤100，获取电动汽车当前时刻的电池数据，包括锂电池的充放电循环数、电压和温度；
步骤102，基于当前时刻的充放电循环数和当前时刻的锂电池SOH预测结果，通过车端预测模型进行SOH预测，得到下一时刻的第二SOH预测结果；其中，所述车端预测模型根据经验模型构建；当前时刻的锂电池SOH预测结果，即在上一时刻进行预测所得的锂电池SOH预测结果；
步骤104，判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则直接将通过车端预测模型得到的所述第二SOH预测结果作为下一时刻的锂电池SOH预测结果，是则继续执行如下操作：
步骤106，将当前时刻及历史时刻的电池数据上传至云端电池监控平台，以利用所述云端电池监控平台实现：
基于当前时刻及历史时刻的电压和温度进行特征提取，通过存储的云端预测模型进行SOH预测，得到下一时刻的第一SOH预测结果，并传回所述第一SOH预测结果；
步骤108，以得到的所述第一SOH预测结果为测量值、所述第二SOH预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池SOH预测结果。
本发明实施例利用车端预测模型实现车端计算，对电动汽车的锂电池进行SOH预测，并按照一定的修正周期，利用云端计算的SOH预测对车端计算结果进行修正，以减少使用单一的车端预测模型进行预测的局限性，提高预测精度及稳定性，同时无需车端独自承担使用多种方法进行预测的计算压力，云端可以进行更复杂、更精准的计算，从而实现实时性好且精度高的锂电池健康状态在线预测。
可选地，针对步骤100，电动汽车当前时刻的电池数据可来自于车载电池管理系统（BMS）采集。
可选地，针对步骤102，所述车端预测模型为双指数模型；所述通过车端预测模型进行SOH预测，采用如下表达式：
Figure DEST_PATH_IMAGE005
设当前时刻为n时刻，
Figure 100002_DEST_PATH_IMAGE006
表示n+1时刻（即下一时刻）的第二SOH预测结果，
Figure DEST_PATH_IMAGE007
表示n时刻的锂电池SOH预测结果，若上一时刻进行预测时，充放电循环数变化量未达修正 周期，n时刻的锂电池SOH预测结果
Figure 100002_DEST_PATH_IMAGE008
等于n时刻的第二SOH预测结果
Figure DEST_PATH_IMAGE009
，若达到修正 周期，n时刻的锂电池SOH预测结果
Figure DEST_PATH_IMAGE010
为卡尔曼滤波融合得到结果，
Figure DEST_PATH_IMAGE011
表示n+1时刻和n时 刻之间的时间间隔，k表示当前时刻的充放电循环数，a、b、c和d为双指数模型参数，由拟合 确定，e表示自然常数。
上述实施例的车端预测模型为双指数模型，双指数模型作为一种经验模型，优势是模型结构简单、计算速度快，适用于车端计算，能够快速获得预测结果，满足实时性要求，而劣势是精度较差，在复杂工况下抗干扰能力差。本发明根据预设的修正周期对双指数模型的SOH预测结果进行修正，例如修正周期可设为5，也就是说，充放电循环数每增加5，即对车端预测模型的预测结果进行一轮修正，以提高预测精度，同时不影响在线预测的实时性。
针对步骤104，修正周期可根据实际需要进行设定，修正周期数值越小，最终得到的下一时刻的锂电池SOH预测结果精度越高、抗干扰性越强，同时对车端造成的计算压力也就越大、实时性就越差。修正周期优选为4~10，更优选为5。
针对步骤106，所述云端预测模型可选训练后的深度学习模型。
进一步地，所述深度学习模型可采用CNN模型、RNN模型、LSTM模型或GRU模型。
深度学习模型结构复杂且计算消耗大，但所得的SOH预测结果精度较高。云端计算采用深度学习模型，可使得最终融合得到的SOH预测结果（即修正后的SOH预测结果）更为精准。
更优选地，所述深度学习模型为LSTM模型，包括：依次连接的输入层、第一LSTM层、第一dropout层、第二LSTM层、第二dropout层、全连接层和输出层。LSTM层（即第一LSTM层、第二LSTM层）中的激活函数可选择tanh函数，在全连接层中的激活函数可选择sigmoid函数，梯度下降方法可选择Adam方法，所述LSTM模型选择Dropout技术（即设置第一dropout层、第二dropout层）来抑制模型过拟合。
考虑到锂电池老化属于长期依赖性问题，而LSTM模型是循环神经网络（RNN）模型的一种变体，其主要特点是有一条贯穿单元的主线记录信息，具有预测精度高以及稳定性和普适性强的优势。LSTM模型引入了单元状态，并使用输入门、遗忘门和输出门三种门来保持与控制信息，有效解决梯度消失和梯度爆炸问题，从而解决长期依赖性问题，利用LSTM模型的该特点，有利于捕捉电池老化过程中的长期性特征。
在神经网络训练过程中会出现过拟合现象，Dropout技术会让某个神经元的激活值以一定的概率停止工作，神经元连同其所有的输入和输出连接暂时从网络中移除，每个神经元都有一个固定的概率，与其他神经元无关；采用该技术可以使网络对神经元的特定权重的敏感度降低，进而使模型泛化性更强，不会过度依赖于某些局部的特征。
进一步地，所述LSTM模型中采用的梯度下降计算方法为适应性矩估计方法（即Adam方法）。
在模型训练过程中，适应性矩估计方法可通过梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，同时引入偏差纠正，使每一次迭代学习率都有确定范围，从而使参数平稳，进而显著提高收敛速度和准确性，通过适应性矩估计方法可引入学习率的更新以及引入偏差纠正。
可选地，所述基于当前时刻及历史时刻的电压和温度进行特征提取，包括：
基于当前时刻及历史时刻的电压和温度，通过奇异值分解法进行特征提取。
奇异值分解方法是一种矩阵分解方法，通过矩阵分解进而获得包含矩阵中主要信息的奇异值。对电压和温度数据构建成的向量分别进行奇异值分解，可得到包含其主要信息的奇异值，以便进行后续处理。
可选地，所述深度学习模型是通过如下方式进行训练的：
获取电动汽车锂电池多个不同时刻的电压和温度以及相应的锂电池SOH，上传至所述云端电池监控平台，以利用所述云端电池监控平台实现：
构建深度学习模型；
对获取的数据进行预处理；
基于预处理后的数据，进行特征提取，得到训练样本集和测试样本集；
基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，至该深度学习模型收敛。
采用上述实施例可以对云端电池监控平台中的深度学习模型进行训练，用于训练的数据，即，电动汽车锂电池多个不同时刻的电压和温度以及相应的锂电池SOH，可以来自于车载电池管理系统采集、厂家提供以及公开数据集等多种途径。
进一步地，所述对获取的数据进行预处理，包括：
对获取的电动汽车锂电池多个不同时刻的电压和温度以及相应的锂电池SOH进行去异常数据清洗和固定间隔采样。
上述实施例中，通过去异常数据清洗，能够筛除明显异常的数据，进行固定间隔采样，则有利于减少采集数据带来的噪声，解决了在实际应用中车载BMS采集数据异常和波动所导致的预测精度下降、稳定性差等问题。
进一步地，所述基于预处理后的数据，进行特征提取，得到训练样本集和测试样本集，包括：
基于预处理后的数据，进行特征提取，得到特征；
按照预设的时间序列长度，将得到的多个所述特征构成二维矩阵；
按照预设的批次尺寸，将多个所述二维矩阵构成三维张量，作为样本；
选择若干所述样本组成训练样本集，剩余的所述样本组成测试样本集；
所述基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，包括：
基于所述训练样本集中的样本，对构建的深度学习模型进行训练；
基于所述测试样本集中的样本，对训练的深度学习模型进行验证。
上述实施例将多个时间序列（即按照时序排列的特征）构建成若干个三维张量，一个三维张量被当作一个批次，在进行训练时，以批次为单位进行训练，进而有效提高深度学习模型的训练效率。可以理解地，所述基于预处理后的数据进行特征提取，应与所述基于当前时刻及历史时刻的电压和温度进行特征提取采用相同的处理方式，所述深度学习模型在进行预测时的输入数据应与训练时的输入数据保持对应的格式。
可选地，该电动汽车锂电池健康状态在线预测方法还包括：
输出下一时刻的锂电池SOH预测结果。
可选地，该电动汽车锂电池健康状态在线预测方法还包括：
基于得到的、下一时刻的所述锂电池SOH预测结果进行判断，若所述锂电池SOH预测结果达到预设阈值，则生成锂电池健康状态警告并上报。
采用上述实施例，可根据最终所得的锂电池SOH预测结果实现锂电池健康状态监测，当锂电池SOH预测结果达到预设阈值，表示锂电池健康状态不佳，有安全隐患，因此及时生成警告并上报给使用者，有助于使用者及时发现潜在风险。
本发明实施例还提供了一种电动汽车锂电池健康状态在线预测系统，包括车载计算装置和云端电池监控平台；其中，
所述车载计算装置包括：获取模块301、预测模块302、判断模块303、上传模块304和融合模块305；所述获取模块301用于获取电动汽车当前时刻的电池数据，包括锂电池的充放电循环数、电压和温度；所述预测模块302用于基于当前时刻的充放电循环数和锂电池SOH预测结果，通过车端预测模型进行SOH预测，得到下一时刻的第二SOH预测结果；其中，所述车端预测模型根据经验模型构建；所述判断模块303用于判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则将得到的所述第二SOH预测结果直接作为下一时刻的锂电池SOH预测结果，是则继续调用所述上传模块和所述融合模块；所述上传模块304用于将当前时刻及历史时刻的电池数据上传至云端电池监控平台，以调用所述云端电池监控平台进行SOH预测，获得下一时刻的第一SOH预测结果；所述融合模块305用于以得到的所述第一SOH预测结果为测量值、所述第二SOH预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池SOH预测结果；
所述云端电池监控平台用于响应所述上传模块304的调用，基于当前时刻及历史时刻的电压和温度进行特征提取，通过存储的云端预测模型进行SOH预测，得到下一时刻的第一SOH预测结果，并传回下一时刻的第一SOH预测结果至所述上传模块304。
如图2、图3所示，本发明实施例提供了一种车载计算装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种车载计算装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
在本发明实施例中，获取模块301可用于执行上述方法实施例中的步骤100，预测模块302可用于执行上述方法实施例中的步骤102，判断模块303可用于执行上述方法实施例中的步骤104，上传模块304可用于执行上述方法实施例中的步骤106，融合模块305可用于执行上述方法实施例中的步骤108。
可以理解的是，本发明实施例示意的结构并不构成对一种车载计算装置的具体限定。在本发明的另一些实施例中，一种车载计算装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
可选地，该电动汽车锂电池健康状态在线预测系统中，所述云端电池监控平台存储的云端预测模型为训练后的深度学习模型。所述深度学习模型可采用CNN模型、RNN模型、LSTM模型或GRU模型，更优选为LSTM模型。
进一步地，所述深度学习模型是通过如下方式进行训练的：
构建深度学习模型；
获取电动汽车锂电池多个不同时刻的电压和温度以及相应的锂电池SOH，并进行预处理；
基于预处理后的数据，进行特征提取，得到训练样本集和测试样本集；
基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，至该深度学习模型收敛。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种电动汽车锂电池健康状态在线预测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种电动汽车锂电池健康状态在线预测方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或CPU或MPU）读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
综上所述，本发明提出的一种电动汽车锂电池健康状态在线预测方法、系统、电子设备及存储介质，通过车云协同的方式，利用结构简单、计算消耗小的车端预测模型实现实时锂电池荷电状态在线预测，并按照预设的修正周期，利用结构复杂、计算消耗大而计算精度高的云端预测模型及卡尔曼滤波技术对车端预测模型的计算结果进行修正，得到最优预测结果，有效提高了SOH预测精度，并且，计算分别布置于车端和云端进行，分担了计算消耗，解决了实际应用中使用单一方法预测会导致预测精度受限而使用高精度模型会导致实时性差的问题。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种电动汽车锂电池健康状态在线预测方法，其特征在于，包括：
获取电动汽车当前时刻的电池数据，包括锂电池的充放电循环数、电压和温度；
基于当前时刻的充放电循环数和锂电池SOH预测结果，通过车端预测模型进行SOH预测，得到下一时刻的第二SOH预测结果；其中，所述车端预测模型根据经验模型构建；
判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则将得到的所述第二SOH预测结果作为下一时刻的锂电池SOH预测结果，是则继续执行如下操作：
将当前时刻及历史时刻的电池数据上传至云端电池监控平台，以利用所述云端电池监控平台实现：基于当前时刻及历史时刻的电压和温度进行特征提取，通过存储的云端预测模型进行SOH预测，得到下一时刻的第一SOH预测结果，并传回；
以得到的所述第一SOH预测结果为测量值、所述第二SOH预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池SOH预测结果；
其中，所述修正周期为5；
所述车端预测模型为双指数模型；
所述通过车端预测模型进行SOH预测，采用如下表达式：
Figure DEST_PATH_IMAGE002
设当前时刻为n时刻，
Figure DEST_PATH_IMAGE004
表示n+1时刻的第二SOH预测结果，
Figure DEST_PATH_IMAGE006
表示n时刻的锂电池SOH预测结果，
Figure DEST_PATH_IMAGE008
表示n+1时刻和n时刻之间的时间间隔，k表示当前时刻的充放电循环数，a、b、c和d为双指数模型参数，由拟合确定，e表示自然常数；
所述云端预测模型为训练后的深度学习模型；所述深度学习模型为LSTM模型，包括：依次连接的输入层、第一LSTM层、第一dropout层、第二LSTM层、第二dropout层、全连接层和输出层，采用的梯度下降计算方法为适应性矩估计方法；
所述深度学习模型是通过如下方式进行训练的：
获取电动汽车锂电池多个不同时刻的电压和温度以及相应的锂电池SOH，上传至所述云端电池监控平台，以利用所述云端电池监控平台实现：
构建深度学习模型；
对获取的数据进行预处理；
基于预处理后的数据，进行特征提取，得到训练样本集和测试样本集；
基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，至该深度学习模型收敛。
2.根据权利要求1所述的电动汽车锂电池健康状态在线预测方法，其特征在于，所述基于当前时刻及历史时刻的电压和温度进行特征提取，包括：
基于当前时刻及历史时刻的电压和温度，通过奇异值分解法进行特征提取。
3.根据权利要求1所述的电动汽车锂电池健康状态在线预测方法，其特征在于，还包括：
基于得到的所述锂电池SOH预测结果进行判断，若所述锂电池SOH预测结果达到预设阈值，则生成锂电池健康状态警告并上报。
4.一种电动汽车锂电池健康状态在线预测系统，其特征在于，包括：车载计算装置和云端电池监控平台；其中，
所述车载计算装置包括：
获取模块，用于获取电动汽车当前时刻的电池数据，包括锂电池的充放电循环数、电压和温度；
预测模块，用于基于当前时刻的充放电循环数和锂电池SOH预测结果，通过车端预测模型进行SOH预测，得到下一时刻的第二SOH预测结果；其中，所述车端预测模型根据经验模型构建；
判断模块，用于判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则将得到的所述第二SOH预测结果作为下一时刻的锂电池SOH预测结果，是则继续调用上传模块和融合模块；
上传模块，用于将当前时刻及历史时刻的电池数据上传至云端电池监控平台，以调用所述云端电池监控平台进行SOH预测，获得下一时刻的第一SOH预测结果；
融合模块，用于以得到的所述第一SOH预测结果为测量值、所述第二SOH预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池SOH预测结果；
所述云端电池监控平台用于响应所述上传模块的调用，基于当前时刻及历史时刻的电压和温度进行特征提取，通过存储的云端预测模型进行SOH预测，得到下一时刻的第一SOH预测结果，并传回至所述上传模块；
其中，所述修正周期为5；
所述车端预测模型为双指数模型；
所述通过车端预测模型进行SOH预测，采用如下表达式：
Figure 12367DEST_PATH_IMAGE002
设当前时刻为n时刻，
Figure 569250DEST_PATH_IMAGE004
表示n+1时刻的第二SOH预测结果，
Figure 882289DEST_PATH_IMAGE006
表示n时刻的锂电池SOH预测结果，
Figure 674664DEST_PATH_IMAGE008
表示n+1时刻和n时刻之间的时间间隔，k表示当前时刻的充放电循环数，a、b、c和d为双指数模型参数，由拟合确定，e表示自然常数；
所述云端预测模型为训练后的深度学习模型；所述深度学习模型为LSTM模型，包括：依次连接的输入层、第一LSTM层、第一dropout层、第二LSTM层、第二dropout层、全连接层和输出层，采用的梯度下降计算方法为适应性矩估计方法；
所述深度学习模型是通过如下方式进行训练的：
获取电动汽车锂电池多个不同时刻的电压和温度以及相应的锂电池SOH，上传至所述云端电池监控平台，以利用所述云端电池监控平台实现：
构建深度学习模型；
对获取的数据进行预处理；
基于预处理后的数据，进行特征提取，得到训练样本集和测试样本集；
基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，至该深度学习模型收敛。
5.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-3中任一项所述的电动汽车锂电池健康状态在线预测方法。
6.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-3中任一项所述的电动汽车锂电池健康状态在线预测方法。
CN202211352797.2A 2022-11-01 2022-11-01 一种电动汽车锂电池健康状态在线预测方法及系统 Active CN115407211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211352797.2A CN115407211B (zh) 2022-11-01 2022-11-01 一种电动汽车锂电池健康状态在线预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211352797.2A CN115407211B (zh) 2022-11-01 2022-11-01 一种电动汽车锂电池健康状态在线预测方法及系统

Publications (2)

Publication Number Publication Date
CN115407211A CN115407211A (zh) 2022-11-29
CN115407211B true CN115407211B (zh) 2023-01-31

Family

ID=84167325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211352797.2A Active CN115407211B (zh) 2022-11-01 2022-11-01 一种电动汽车锂电池健康状态在线预测方法及系统

Country Status (1)

Country Link
CN (1) CN115407211B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116400227A (zh) * 2023-06-08 2023-07-07 长安大学 电动汽车动力电池soh预测方法、系统、设备及介质
CN116736153B (zh) * 2023-08-15 2023-11-21 宁德时代新能源科技股份有限公司 过放电预警方法、装置、电子设备、存储介质和程序产品

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015155B (zh) * 2017-03-24 2019-09-17 汉宇集团股份有限公司 一种电动车电池soh的测算方法及装置
CN108445421A (zh) * 2018-06-06 2018-08-24 哈尔滨工业大学 一种面向空间应用的锂离子电池健康状态在线估计方法
CN110022530B (zh) * 2019-03-18 2020-06-02 华中科技大学 一种用于地下空间的无线定位方法和系统
CN110222431B (zh) * 2019-06-11 2022-04-12 哈尔滨工业大学 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法
CN111090047B (zh) * 2019-12-09 2022-01-28 泉州装备制造研究所 一种基于多模型融合的锂电池健康状态估计方法
CN111967688B (zh) * 2020-09-02 2024-02-23 沈阳工程学院 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法
CN112083337B (zh) * 2020-10-22 2023-06-16 重庆大学 一种面向预测性运维的动力电池健康预测方法
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
CN113064093B (zh) * 2021-03-22 2024-03-08 百思科新能源技术(青岛)有限公司 储能电池荷电状态与健康状态联合估算方法及系统
CN113219343A (zh) * 2021-06-02 2021-08-06 上海玫克生储能科技有限公司 基于弹性网的锂电池健康状态预测方法、系统、设备及介质
CN113917337A (zh) * 2021-10-13 2022-01-11 国网福建省电力有限公司 基于充电数据和lstm神经网络的电池健康状态估计方法
CN114184962B (zh) * 2021-10-19 2022-12-13 北京理工大学 一种多算法融合的锂离子电池soc和soh联合估算方法
CN114779081A (zh) * 2022-03-11 2022-07-22 北京新能源汽车股份有限公司 车辆电池寿命的互学习预测方法、装置及存储介质
CN114692827A (zh) * 2022-03-21 2022-07-01 首都师范大学 面向边缘联邦学习的电动汽车锂电池soh在线预测方法
CN114994555A (zh) * 2022-06-06 2022-09-02 浙大宁波理工学院 一种基于混合模型的燃料电池剩余寿命预测方法及装置

Also Published As

Publication number Publication date
CN115407211A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Song et al. Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries
Farmann et al. A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles
CN113022378B (zh) 温度一致性预测方法、装置、预测设备及存储介质
CN115407211B (zh) 一种电动汽车锂电池健康状态在线预测方法及系统
CN109100655B (zh) 一种动力电池的数据处理方法和装置
CN104956233B (zh) 电池状态推断装置
CN114818831B (zh) 基于多源感知的双向锂离子电池故障检测方法及系统
CN113189495B (zh) 一种电池健康状态的预测方法、装置及电子设备
Zhu et al. The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
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
WO2021088216A1 (zh) 电池组荷电状态数据检测方法、装置、介质、终端及汽车
Alamin et al. A machine learning-based digital twin for electric vehicle battery modeling
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法
KR20230080112A (ko) 배터리 현재 상태 예측을 위한 배터리 진단 장치
CN115932634A (zh) 一种对电池健康状态评估的方法、装置、设备及存储介质
CN112782594B (zh) 考虑内阻的数据驱动算法估算锂电池soc的方法
Schmitt et al. State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data
Lyu et al. State-of-charge estimation of lithium-ion batteries based on deep neural network
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
CN115407217B (zh) 一种电动汽车锂电池荷电状态在线估计方法及系统
Vanem et al. Data-driven approaches to diagnostics and state of health monitoring of maritime battery systems
CN117949832B (zh) 一种基于优化神经网络的电池soh分析方法
Wang et al. Adaptable capacity estimation of lithium-ion battery based on short-duration random constant-current charging voltages and convolutional neural networks
EP4094084A1 (fr) Procede de diagnostic rapide et hors ligne d'accumulateurs et dispositifs associes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant