一种基于大数据的动力电池健康状态的预测方法

1.本发明应用于电动汽车领域，具体为一种基于大数据的动力电池健康状态的预测方法，适用于电池汽车健康状态的准确估计。


背景技术：

2.近些年来，随着锂离子电池技术的飞速发展，电动汽车行业也逐渐步入到一个新的阶段。电池的健康状态(soh，state of health)估计，作为电池管理系统(bms，battery management system)中的关键技术之一，对于电动汽车的行驶里程，寿命预测有着至关重要的作用。但由于电池是一个高度非线性的电化学系统，对其内部的状态识别和估计仍然是巨大的一个难题。
3.由于soh无法被直接测出，为了准确测量电池的soh，目前提出来大量的soh估计方法。最为常用的是基于模型的估计方法和基于大数据的估计方法。基于模型的估计方法，通过建立等效电路模拟电池内部工作原理，结合相应的算法，如粒子滤波、卡尔曼滤波、滑模观测器等，进行soh估计，但这类方法过于依赖模型精度，且算法设计较为复杂。


技术实现要素：

4.本发明是为了解决上述现有技术存在的不足之处，提出了一种基于大数据的动力电池健康状态的预测方法，以期能避免基于模型估计方法中的建模问题和参数识别问题，从而实现对电池soh的精确估计和预测。
5.本发明为达到上述发明目的，采用如下技术方案：
6.本发明一种基于大数据的动力电池健康状态的预测方法的特点在于包括如下步骤：
7.步骤一：采集电动车上的实时行驶工况数据，包括：电动汽车的车速、累计里程、电压数据、电流数据、电池的荷电状态数据以及温度数据；
8.步骤二、数据预处理；
9.步骤2.1、分别对实时行驶工况数据进行清洗，将数据中误差较大的点去除，从而得到有效行驶工况数据集；
10.步骤2.2、基于电动汽车的实时行驶工况数据，建立温度模型，用于对有效行驶工况数据集中的温度数据进行填充，从而得到分布均匀的温度数据；
11.步骤2.3、拟合有效行驶工况数据集中累计里程的变化曲线；
12.步骤三、充电过程电池容量计算；
13.步骤3.1、利用经过初步数据清洗后的电流数据和电池荷电状态数据，计算得到单个荷电状态内的电池平均容量数据；
14.步骤3.2、以温度数据和充电电流数据作为输入，以所述单个荷电状态内的电池平均容量作为输出，构建随机森林回归模型，并将标准温度和标准电流带入所述随机森林回归模型中进行计算，得到标准值；
15.步骤3.3、将分布均匀的温度数据和所述有效行驶工况数据集中的电流数据输入到所述随机森林回归模型中进行计算，得到原始电池平均容量值，并与所述标准值做差，将得到的差作为增益与所述电池平均容量数据进行相加，从而得到回归处理后的电池平均容量数据；
16.步骤3.4、将经过随机森林模型回归处理后的电池平均容量数据绘制成散点图；
17.步骤3.5、对散点图进行聚类拟合，得到充电容量曲线；
18.步骤四、建立基于行驶工况
‑
充电计算的电池健康状态评价模型；
19.步骤4.1、利用充电容量曲线，结合式(1)计算得到第t天的电池的电池健康状态soh
t
：
[0020][0021]
式(1)中，cap
t
为第t天的电池容量，cap
r
为电池的额定容量；
[0022]
步骤4.2、将第t天的电池的电池健康状态soh
t
转换为电池的等效循环次数值，通过计算其与第t
‑
1天等效循环次数值的差值，来衡量汽车在一天内所消耗的电池寿命标准；
[0023]
步骤4.3、对所述有效行驶工况数据集中的放电数据进行特征提取，得到平均速度、等效行驶里程值、平均温度、平均电流值并作为电动汽车的行驶工况特征，用于对放电过程的工况进行描述；
[0024]
步骤五、机器学习模型的建立与训练；
[0025]
将所述行驶工况特征作为所述机器学习模型的输入，将等效循环次数的差值作为所述机器学习模型的输出，并将所述有效行驶工况数据集作为训练集带入到机器学习模型中，从而得到训练好的机器学习模型；
[0026]
步骤六、输出预测结果；
[0027]
对所述有效行驶工况数据集进行特征随机抽样处理，得到抽样后的行驶工况数据，并输入到训练好的机器学习模型中进行预测计算，得到等效循环次数的预测结果，并根据等效循环次数与电池健康状态的映射关系式，得到最终预测的电池健康状态。
[0028]
本发明所述的基于大数据的动力电池健康状态的预测方法的特点也在于：所述步骤4.2中等效循环次数的转换步骤如下：
[0029]
步骤4.2.1、基于电池充放电特性试验，得到电池的等效循环次数和电池健康状态soh的关系曲线，从而根据所述关系曲线，建立如式(2)所示的关系式：
[0030][0031]
式(2)中，a1、b1为所设定的电极材料的衰减因子，a2、b2为所设定的电解质材料的衰减因子；x表示电池的等效循环次数；
[0032]
步骤4.2.2、利用遗传算法对式(1)中的四个衰减因子进行参数识别，得到四个衰减因子的值，从而得到最终的等效循环次数与电池健康状态soh的映射关系式。
[0033]
所述步骤六的特征随机抽样处理的步骤如下：
[0034]
步骤6.1、分别计算所述有效行驶工况数据集中电动车每天的行驶工况特征，及各个行驶工况特征在一天中的最大值和最小值；
[0035]
步骤6.2、确定取样时间，若有效行驶工况数据集中至少存在一条与取样时间对应的时间的数据，则从当天的最大值和最小值中随机生成数，作为当天的行驶工况特征值；若
有效行驶工况数据集中不存在与取样时间对应的数据，则取最接近取样时间的一天来执行随机生成数操作；若有效行驶工况数据集中只存在一条与取样时间对应的时间的数据，则将相应数据作为行驶工况特征值；
[0036]
步骤6.3、反复执行步骤6.2，从而得到抽样后的行驶工况数据。
[0037]
与现有技术相比，本发明的有益效果在于：
[0038]
1、本发明方法克服了电池状态难以估计的这一难题，利用电动汽车实时运行的大数据，并选取合适的工况特征，建立了基于行驶工况
‑
充电计算电池健康状态评价模型，结合机器学习算法，挖掘出电池健康状态的变化规律，能够准确的估计和预测电池的soh值，精度高，鲁棒性强，且易于实现。
[0039]
2、本发明通过电池充放电实验建立了等效循环次数与soh的关系，间接的估计和预测电池soh，直观明了且准确性好。
[0040]
3、本发明算法结构简单，不需要增加额外的设备，仅需要利用bms和车载传感器采集实时数据，通过算法编程即可实现对电池soh的精确预测。
附图说明
[0041]
图1为本发明为基于大数据的动力电池健康状态的预测方法的整体算法框图；
[0042]
图2为本发明所建立的soh与等效循环次数的关系曲线图；
[0043]
图3为本发明使用的集成式神经网络示意图；
[0044]
图4为本发明所使用的遗传算法流程图；
[0045]
图5为本发明中经过随机森林归化处理前后的电池容量散点图；
[0046]
图6为本发明中经过聚类拟合算法得到的电池容量随汽车行驶里程变化曲线图；
[0047]
图7为本发明中经过机器学习算法预测得到的一年后电池soh分布直方图。
具体实施方式
[0048]
本实施例中，一种基于大数据的动力电池健康状态的预测方法，是通过利用电动汽车实时运行的大数据，建立了基于行驶工况
‑
充电计算电池健康状态评价模型，结合机器学习算法，准确的估计和预测电池的soh值，从而解决了电池soh估计难和精确度不高的问题；同时，利用电池充放电实验建立电池soh与等效循环次数的关系，通过等效循环次数间接估计电池soh，使得预测方法不仅实用性强，精确度高，而且直观明了；具体的说，如图1所示，该方法是按如下步骤进行：
[0049]
步骤一：本实施例中，通过车载传感器和bms采集电动车上的实时的运行数据，电动汽车的车速、累计里程、电压数据、电流数据、电池的荷电状态数据以及温度数据；
[0050]
步骤二、电池充放电数据的预处理；
[0051]
步骤2.1、分别对电池充电和放电数据进行清洗，将数据中误差较大的点去除，从而得到有效的电池充放电数据集；
[0052]
步骤2.2、基于电动汽车实时行驶工况的数据，填充温度数据；本实施例中，采用自动分段拟合的方法实现对温度的分段，采用如式(1)所示的均方根误差公式对每段多项式精度进行控制，从而建立出温度模型，实现对数据中温度数据的填充；
[0053][0054]
式(1)中，y
i
表示分段多项式中温度的近似值，y表示分段多项式中温度的实际值，n表示某天温度采样点的个数。
[0055]
步骤2.3、拟合有效行驶工况数据集中累计里程的变化曲线。
[0056]
步骤三、充电过程电池容量计算：
[0057]
电池的容量主要受到soh、充电电流以及温度的影响，为了得到较为准确的容量随soh的变化规律，需要将所有数据的温度和电流归化到同样的条件下，以此保证它们不会干扰到本算法，所以本实施例通过如下步骤进行数据处理。
[0058]
步骤3.1、利用经过初步数据清洗后的电流数据和电池荷电状态数据，计算得到单个荷电状态内的电池平均容量数据；
[0059]
步骤3.2、以温度数据和充电电流数据作为输入，以单个荷电状态内的电池平均容量作为输出，构建随机森林回归模型，并将标准温度和标准电流带入随机森林回归模型中进行计算，得到标准值；
[0060]
步骤3.3、将分布均匀的温度数据和有效行驶工况数据集中的电流数据输入到随机森林回归模型中进行计算，得到原始电池平均容量值，并与标准值做差，将得到的差作为增益与电池平均容量数据进行相加，从而得到回归处理后的电池平均容量数据；
[0061]
步骤3.4、将经过随机森林模型回归处理后的电池平均容量数据绘制成散点图；处理前后的容量散点图如图2所示；
[0062]
步骤3.5、对散点图进行聚类拟合，得到最终的充电容量随行驶里程变化的曲线，如图3所示。
[0063]
本实施例中，对电池进行了充放电特性实验，获取了相应的电池数据，得到电池的充放电循环次数x和soh的关系曲线，如图4所示，用于建立基于行驶工况
‑
充电计算的电池健康状态评价模型。具体的步骤如下：
[0064]
步骤四、建立基于行驶工况
‑
充电计算的电池健康状态评价模型；
[0065]
步骤4.1、利用充电容量随行驶里程变化的曲线，结合式(2)得到第t天的电池健康状态值soh
t
；
[0066][0067]
式(2)中，cap
t
为第t天的电池容量，cap
r
为电池的额定容量。
[0068]
步骤4.2、结合式(3)将电池的soh转换为电池的等效循环次数值，通过计算其与第t
‑
1天等效循环次数值的差值，来衡量汽车在一天内所消耗的电池寿命标准；
[0069][0070]
式(3)中，a1、b1为所设定的电极材料的衰减因子，a2、b2为所设定的电解质材料的衰减因子，x表示电池的等效循环次数；
[0071]
步骤4.3、利用遗传算法对式(1)中的四个衰减因子进行参数识别，得到四个衰减因子的值，从而得到最终的等效循环次数与电池健康状态soh的映射关系式。
[0072]
遗传算法(genetic algorithm，ga)是一种模拟生物自然进化过程搜索最优解的启发式算法，其将需要求解问题转化为生物进化中染色体基因选择，交叉，变异，重组的过程，进而获得问题的最优解。该方法用于求解步骤4.3中的问题，可以快速的得到所要辨识的参数，精度也较高，其逻辑框图如图5所示。
[0073]
步骤4.4、对有效行驶工况数据集中的放电数据进行特征提取，得到平均速度、等效行驶里程值、平均温度、平均电流值并作为电动汽车的行驶工况特征，用于对放电过程的工况进行描述；其中等效行驶里程值为单日行驶里程除以soh值。
[0074]
步骤五、基于集成式神经网络的机器学习模型建立与训练
[0075]
为了使模型具有良好的学习及泛化能力，本实例中使用集成式神经网络来建立机器学习模型。人工神经网络具有分类准确度高、学习能力强、对噪声干扰数据的敏感度低、有较好的泛化拓展能力、能逼近任意非线性关系的优点，其结构如图6所示。集成式人工神经网络指的是在人工神经网络的基础上，综合多个简单的神经网络将其组合成一个分类器的过程，它可以克服训练数据集不足导致模型容易产生死点、发散的问题，使用集成式学习方法加强网络的稳定性。具体实施步骤如下：
[0076]
将行驶工况特征作为机器学习模型的输入，将等效循环次数的差值作为机器学习模型的输出，并将有效行驶工况数据集作为训练集带入到机器学习模型中，从而得到训练好的机器学习模型。
[0077]
步骤六、输出预测结果
[0078]
本实例通过如下步骤对有效的电池充放电数据集进行特征随机抽样处理：
[0079]
步骤6.1、分别计算有效行驶工况数据集中电动车每天的行驶工况特征，及各个行驶工况特征在一天中的最大值和最小值；
[0080]
步骤6.2、确定取样时间，若有效行驶工况数据集中至少存在一条与取样时间对应的时间的数据，则从当天的最大值和最小值中随机生成数，作为当天的行驶工况特征值；若有效行驶工况数据集中不存在与取样时间对应的数据，则取最接近取样时间的一天来执行随机生成数操作；若有效行驶工况数据集中只存在一条与取样时间对应的时间的数据，则将相应数据作为行驶工况特征值；
[0081]
步骤6.3、反复执行步骤6.2，从而得到特征随机抽样后的行驶工况数据集。
[0082]
将特征随机抽样处理后的数据集输入到训练好的机器学习模型中进行预测计算，得到等效循环次数的预测结果，并根据式(3)，得到最终预测的电池健康状态值soh。
[0083]
本实例中经过机器学习算法预测得到的一年后电池健康状态值soh，通过总频数为100的soh分布直方图展现，如图7所示。