基于大数据自学习机制的动力电池的soc/soh预测方法
【技术领域】
[0001] 本发明涉及动力电池检测技术领域，特别是涉及一种基于大数据自学习机制的动 力电池的S0C/S0H预测方法。
【背景技术】
[0002] 新能源汽车和储能系统是当前世界各国发展重点方向之一，也是市场的热点。而 动力锂电池是新能源汽车和储能系统的核心关键技术之一。动力锂电池的容量估算SOC 和健康估算SOH又是世界难题，因此一系列不安全事故的发生阻碍了新能源的发展。本发 明专利就是通过一种自学习、自组织机制对从电池端获取的大数据进行运算、分析、自动建 模，从而得到更为准确的SOC、SOH和安全预估。促进新能源电池的健康发展。
[0003] 当前，对SOC和SOH的估算一般都在BMS (Battery Management System,电池管理 系统）内部完成。商用电池组的BMS基于成本原因，往往都由带基本数字信号处理器DSP 功能的微控制器来实现对电池组充放电管理、电池均衡等，包含对SOC和SOH的估算。而且 基于同一原因，BMS内部通常不带大量的存贮芯片，对电池组的历史事件或性能数据几乎或 根本不作保留。对SOC和SOH进行估算时，如基于相对复杂的非线性模型的情况，一般都先 将非线性模型作减化处理和线性化变换近似处理，这就会对SOC和SOH的估算引入显著误 差。同时，一般对SOC和SOH的估算都是基于对瞬间的电压、电流和温度的测量来计算即时 内阻，再和电池初始使用时进行比较而得于对SOC和SOH的估算，忽略历史信息，更不用说 参考利用同批次其他电池的运行或错误信息。如今，人们越来越发现电池的老化过程，历史 充、放电过程、内阻变化过程都对SOC和SOH的表现起相当大的作用，有必要监测和利用这 些数据进行SOC和SOH的估算，同时参考利用同批次甚至不同批次其他电池的运行或错误 信息。
[0004] 因此，针对上述技术问题，有必要提供一种基于大数据自学习机制的动力电池的 S0C/S0H预测方法。
【发明内容】
[0005] 为克服现有技术的不足，本发明的目的在于提供一种基于大数据自学习机制的动 力电池的S0C/S0H预测方法。
[0006] 为了实现上述目的，本发明实施例提供的技术方案如下：
[0007] -种基于大数据自学习机制的动力电池的S0C/S0H预测方法，所述方法包括：
[0008] Sl、提供动力电池的S0C/S0H的预测模型；
[0009] S2、基于上一电池组的充放电循环后所得到的修正后模型，在当前电池组的充放 电循环开始后测得的到目前为止的V、I、T、 〇的测量值，从预测模型中预测当前的SOC~/ SOH ~；
[0010] S3、完成一个完整的充放电循环后，基于预测的SOC~/SOH~和实际测出的SOC/ SOH对上一循环后的预测模型进行修正；
[0011] S4、在下一电池组充放电循环中采用修正后的预测模型进行S0C/S0H的预测。
[0012] 作为本发明的进一步改进，所述步骤S2还包括：
[0013] 周期性地对电池组的电特性进行测量，并将所测得的数据用一个多组矢量#"来 表不，X kn ε X n，且
[0014]
[0015] 其中V1V I1V T1V Ok1分别为电池组k在η循环中进行的第i次测量中测得的电 压、电流、温度和修正因子。
[0016] 作为本发明的进一步改进，所述步骤S2还包括：
[0017] 通过测得的样本集对电池组的S0C/S0H进行预测，在经历η个充放电循环后Xk = (Xk1, Xk2,.... Xkn);
[0018] 定义SOC和SOH的所有可能的值定义为状态空间S，且s C [(0,GMU)]:
[0019] 在电池组k完成第η个循环之后，S0C/S0H的状态为Sk。
[0020] 作为本发明的进一步改进，所述步骤S3具体包括：
[0021] S31、预估奖赏函数U;
[0022] S32、确定一个完整的预测策略π，并根据。的概率分布函数f(x)找出最优预估 策略JT °pt;
[0023] S33、在Xn基础上完成a n后定义预期的奖赏，并经过学习定义预期错失函数。
[0024] 作为本发明的进一步改进，所述步骤S31中，奖赏函数U具体为：U(akn，S k，n)= Θ (akn，#) + λ φ (n)，其中，Θ (akn，Sk)描绘了预估的精度，Φ (η)表达的是预估的适时性， λ为大于0的系数，奖赏因子rkn= U(a kn，Sk，η)。
[0025] 作为本发明的进一步改进，所述步骤S32中，最优预估策略π °pt= argmax V ( π )， 其中，V(J1) = ] χΕχ1·(χ| π) · (x)dx，f(x)为 2的概率分布函数。
[0026] 作为本发明的进一步改进，所述步骤S33中，预期的奖赏为：
[0027]
[0028] 作为本发明的进一步改进，所述步骤S33中，预期错失函数为：
[0029]
[0030] 本发明基于大数据自学习机制的动力电池的S0C/S0H预测方法能够对动力电池 实时运行和健康状况进行监测，且检测过程是一个自动过程，无需人工干预。同时本发明可 对突发事件，如锂电池燃烧等进行实时警报处理，提高了动力电池的安全性能。
【附图说明】
[0031] 图1为本发明基于大数据自学习机制的动力电池的S0C/S0H预测方法的流程示意 图。
[0032] 图2为本发明基于大数据自学习机制的模块示意图。
[0033] 图3为本发明的模型修正示意图。
[0034] 图4为本发明一【具体实施方式】中SOC和SOH的状态分布图。
【具体实施方式】
[0035] 为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护 的范围。
[0036] 本发明公开了一种基于大数据自学习机制的动力电池的S0C/S0H预测方法，其定 义了一个电池 SOC(State of Charge,充电状态）和SOH(State of Health,健康状态）的 二维空间，随着进入大数据系统的受测动力锂电池组数的增加，对这一二维空间的划分越 来越细，因此对SOC和SOH的估算精度也越来越高。
[0037] 本发明从实际运行的每一个动力电池获取并存储实时的电压、电流、温度参数，组 成一个二维表，通过自学习引擎对这个二维表的模型化表达，映射到二维空间的一个单元。
[0038] 具体地，参图1所示，上述所述方法具体包括：
[0039] Sl、提供动力电池的S0C/S0H的预测模型；
[0040] S2、基于上一电池组的充放电循环后所得到的修正后模型，在当前电池组的充放 电循环开始后测得的到目前为止的ν、Ι、Τ、 σ的测量值，从预测模型中预测当前的SOC~/ SOH ~；
[0041] S3、完成一个完整的充放电循环后，基于预测的SOC~/SOH~和实际测出的SOC/ SOH对上一循环后的预测模型进行修正；
[0042] S4、在下一电池组充放电循环中采用修正后的预测模型进行S0C/S0H的预测。
[0043] 参图2所示，V(t)、I (t)、T(t)分别为t时刻测得的动力电池电压、放电电流、温 度，SOC~（t)和SOH~（t)分别为t时刻实时估计的动力电池状态参量。
[0044] 结合图3,基于上一循环后所得到的修正后模型，结合从新的一个循环开始后所测 得的到目前为止的V、I、T、σ的测量值，从模型中估算出当前的SOC~、SOH~，当完成一个 完整的充放电循环之后，基于估算出的SOC~/SOH~和实际的测出的S0C/S0H对上一循环 后的模型进行修正，供下一个充放电循环中对SOC~和SOH~估算使用。
[0045] 下面我们为所提出的用于动力电池云监控的自学习机制详解。我们为每一个电池 组进行编号k e 每一个电池组在经历一次充放电后，就认为它完成了一个循 环