基于大数据方法的实际运行工况下动力电池SOC/SOH/SOP的估计与预测方法与流程

本发明涉及动力电池的控制技术领域，特别是涉及一种基于大数据的实际运行工况下动力电池soc(stateofcharge，荷电状态)/soh(stateofhealth，健康状态)/sop(stateofpower，功率状态)的估计与预测方法。

背景技术：

在新能源汽车大规模推广应用的过程中，部分安全问题显现，为新能源汽车推广的过程带来了一定阻力。其中，新能源汽车动力电池的安全问题最为重要，其安全性、可靠性、一致性将直接影响新能源汽车的整车安全性。动力电池的soc/soh/sop的估计与预测直接决定着动力电池的安全性。

当前，对soc/soh/sop的估算多由bms(batterymanagementsystem，电池管理系统)系统完成。然而，bms系统中模型固化，由初始阶段导入的模型确定，且并未随电池实际最大容量的变化而变化。bms无法存储大量历史数据，对于电池的soc/soh/sop的演变趋势不了解，如果能有平台对电池运行历史数据进行存储、处理与分析，将数据挖掘结果进行实时应用，更新bms中的模型，则能极大提高socsoh/sop的估计精度。现阶段采用的soc/soh/sop的估计方法都是基于特定的等效电路模型，通过检测电池各单体电压、电流等物理量，对系统模型参数进行辨识，而后对电荷量、电池能量的变化值进行检测，进而估计电池的soc/soh/sop。然而，这些估算方法具有误差累积的特点，随着电池使用时间的进行，误差越来越大，导致估计精度也越来越差。采用此种方法，电池的状态估计精度与速度均不理想。同时，在电池使用过程中，电池的运行工况(如充放电倍率等)与环境工况(如温度、振动、湿度等)均会对电池的寿命、性能等产生影响，进而影响其soc/soh/sop的估计，造成电池安全性下降。

因此，针对上述技术问题，有必要提供一种基于大数据的实际运行工况下动力电池soc/soh/sop的估计与预测方法。

技术实现要素：

为解决现有技术存在的问题，本发明提供了一种基于大数据的实际运行工况下动力电池soc/soh/sop的估计与预测方法。其基于大数据技术，对实际运行工况下的新能源汽车采集的整车运行数据与动力电池运行数据进行处理、分析、建模，对动力电池soc/soh/sop进行精确的估计与预测，从而保证动力电池的健康、可靠运行，促进动力电池的持续发展。

本发明提供的技术方案如下：

一种基于大数据的实际运行工况下动力电池soc/soh/sop的估计与预测方法，所述方法包括：

s1、确定电池soc/soh/sop的演变机理与相应表征参数；

s2、建立电池soc/soh/sop与表征参数的定性关系；

s3、开发试验工况下基于表征参数的电池soc/soh/sop的估计与预测算法；

s4、开发实际运行工况下基于表征参数的电池soc/soh/sop的估计与预测算法；

s5、周期性地对实际运行工况下的电池soc/soh/sop进行测量。

所述步骤s1中，确定的表征参数包括充电末端电池总电压、充电末端单体电压极差、自放电速率及等电压差充电时间。

所述步骤s3中，先基于定工况下的动力电池组试验数据，建立电池soc/soh/sop与表征参数的试验关联关系。

所述步骤s3具体包括：

s31、利用支持向量机进行电池soc/soh/sop估计与预测；

s32、利用高斯过程回归进行电池soc/soh/sop估计与预测。

所述步骤s31中，根据建立的支持向量机算法，利用测试数据对电池soc/soh/sop表征参数进行算法模型的训练，该方法基于前110次循环数据，对支持向量机进行训练，能够对未来40次循环的容量结果进行精准预测。

所述步骤s32中，根据建立的高斯回归算法，利用测试数据对电池soc/soh/sop表征参数进行算法模型的训练，该方法基于前95次循环数据，对算法进行训练，能够对未来55次循环的容量结果进行精准预测。

所述步骤s4中，运行数据样本考虑实际运行过程中大幅变载、高负荷、多启停、低荷电状态的行驶工况与高温、潮湿、振动的环境工况对动力电池soc/soh/sop的影响。

所述步骤s4中，以试验工况下电池soc/soh/sop评估与预测结果作为基准，建立试验工况与实际工况的关联关系，实现试验关联关系与实际关联关系的等效转换。所述步骤s5中，以电池的放电倍率与放电区间、放电深度作为筛选标准，对待测车辆进行选型。

所述步骤s5中，以电池的放电倍率与放电区间、放电深度作为筛选标准，对待测车辆进行选型。

本发明的有益效果为：

本发明通过分析动力电池soc/soh/sop的演变机理，确定相应表征参数，进而建立电池soc/soh/sop与表征参数的定性关系；在此基础上，制定基于表征参数的电池soc/soh/sop的估计与预测算法；最终，通过周期性地对实际运行工况下的电池soc/soh/sop进行测量，对算法进行进一步的验证与优化。该方法无需对每节单体电池都进行电压和电流检测，只需要单体电压的极差即可。该方法的各步骤详尽具体，结合车辆实际运行工况，评估及预测精度高，可实施性强。

附图说明

图1为基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法的主要流程示意图；

图2为动力电池soc/soh/sop演变机理示意图；

图3为试验关联关系与实际关联关系的等效转换示意图。

具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域的技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。

本发明基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法，主要步骤参图1所示。方法包括：

s1、确定电池soc/soh/sop的演变机理与相应表征参数；

s2、建立电池soc/soh/sop与表征参数的定性关系；

s3、开发试验工况下基于表征参数的电池soc/soh/sop的估计与预测算法；

s4、开发实际运行工况下基于表征参数的电池soc/soh/sop的估计与预测算法；

s5、周期性地对实际运行工况下的电池soc/soh/sop进行测量。

步骤s1中，确定的表征参数包括充电末端电池总电压、充电末端单体电压极差、自放电速率及等电压差充电时间。

步骤s3中，先基于定工况下的动力电池组试验数据，建立电池soc/soh/sop与表征参数的试验关联关系。

步骤s3具体包括：

s31、利用支持向量机进行电池soc/soh/sop估计与预测；

s32、利用高斯过程回归进行电池soc/soh/sop估计与预测。

步骤s31中，根据建立的支持向量机算法，利用测试数据对电池soc/soh/sop表征参数进行算法模型的训练，该方法基于前110次循环数据，对支持向量机进行训练，能够对未来40次循环的容量结果进行精准预测。

步骤s32中，根据建立的高斯回归算法，利用测试数据对电池soc/soh/sop表征参数进行算法模型的训练，该方法基于前95次循环数据，对算法进行训练，能够对未来55次循环的容量结果进行精准预测。

步骤s4中，运行数据样本考虑实际运行过程中大幅变载、高负荷、多启停、低荷电状态的行驶工况与高温、潮湿、振动的环境工况对动力电池soc/soh/sop的影响。

步骤s4中，以试验工况下电池soc/soh/sop评估与预测结果作为基准，建立试验工况与实际工况的关联关系，实现试验关联关系与实际关联关系的等效转换。所述步骤s5中，以电池的放电倍率与放电区间、放电深度作为筛选标准，对待测车辆进行选型。

步骤s5中，以电池的放电倍率与放电区间、放电深度作为筛选标准，对待测车辆进行选型

电池性能衰退的引发原因有内因和外因，如过充/过放，工作温度过高或者过低，循环次数的不断增加，充放电倍率过大等。众多内外因素的相互叠加作用致使电池内部发生电极板材料的缺失与结构性变化，锂离子的过度脱嵌，电解液杂质的增多，最终引起电池容量、内阻和功率的变化，引发电池soc/soh/sop的演变，参图2所示。

由电池soc/soh/sop的演变机理，确定表征参数包括：充电末端电池总电压、充电末端单体电压极差、自放电速率及等电压差充电时间。

分析试验测试数据中的表征参数变化趋势，可以得到其与电池soc/soh/sop的定性关系，但仍需两者之间的函数关系，即基于表征参数的电池soc/soh/sop的估计与预测算法。试验工况下，分析比较支持向量机和高斯过程回归两种算法。

支持向量机算法的主要步骤：

预处理训练样本集：

t＝{(x1,y1),l,(xl,yl)}∈(x×y)^l

其中，yi∈{1,-1},i＝1,ll。

选取核函数和惩罚参数c，构造并求解最优化问题：

得到最优解：

选取最优解的一个正分量，并据此计算偏置：

构造决策函数：

高斯过程回归算法的主要步骤：

该步骤中，高斯过程(gp)是高斯分布在函数空间内的扩展，服从高斯分布的单一变量以向量形式呈现，索引由其在向量中的位置确定。gp是任意有限个随机变量均具有联合高斯分布的集合，其性质完全由均值函数和协方差函数确定，即

其中，x,x`∈r^d为任意随机变量。因此gp可定义为f(x)～gp(m(x),k(x,x′))。为了符号上的简洁，通常对数据作预处理，使其均值函数等于0。

对于回归问题，考虑如下模型：

y＝f(x)+ε

其中，x为输入变量，f为函数值，y为受加性噪声污染的观测值，进一步假设噪声可以得到观测值y的先验分布：

观测值y和预测值f*的联合先验分布：

其中，k(x,x)＝kn＝(kij)为n×n阶对称正定的协方差矩阵，矩阵元素kij＝k(xi,xj)用来度量xi和xj之间的相关性；k(x,x*)＝k(x*,x)^t为测试点x*与训练集的输入x之间的n×1阶协方差矩阵；k(x*,x*)为测试点x*自身的协方差；in为n维单位矩阵。

由此可以计算出预测值f*的后验分布：

其中

则即为测试点x*对应预测值f*的均值和方差。

在进行实际工况下电池soc/soh/sop的评估与预测时，应以试验工况下电池soc/soh/sop评估与预测结果作为基准，建立试验工况与实际工况的关联关系，实现试验关联关系与实际关联关系的等效转换，参图3所示。

在完成试验关联关系与实际关联关系的等效转换的基础上，采用试验工况下所训练的支持向量机算法，以某款插电式混合动力汽车的动力电池为例，对实际工况下电池soc/soh/sop进行评估与预测。

定期(以1个季度为时间间隔)对不同批次(新近投放的电池、已运行一年的电池、已运行两年的电池)的电池进行容量标定测试，获得实际工况下电池soc/soh/sop变化的测试值，通过数学方法对测试值进行拟合，建立实际工况下电池soc/soh/sop变化的测试值与预估值的关系，从而修正数据驱动下对实际工况电池soc/soh/sop的预估精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。