，?: e {1:,2P
[0046] 在每一次充放电循环中，周期性地对电池组的电特性（含充放电）进行测量，并将 所测得的数据用一个多组矢量#"来表示，X kne Xn，优选地，本发明一优选实施方式中#"表 示为：
[0047] LlN 丄UOld/dOS A yJ^ rVJ 4/0 JM
[0048] 其中V1V I1V T1V σ \分别为电池组k在n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。#"可以认为出自一个很大的空间，这个空间甚至可以认为是无 限的。如图3所示，本发明是通过测得的样本集对电池组端的SOC和SOH进行预估，在经历 η 个循环后：Xk= (Xk1, Xk2，.... Xkn)。
[0049] 结合图4所示，本发明中将SOC和SOH的所有可能的值定义为状态空间S，且 S (6= [(0,0), (1,1)〗，它是个有限空间。
[0050] 在电池组k完成第η个循环之后，假设它的SOC和SOH的状态为Sk
[0051] 本发明的自学习具体学习方法如下：
[0052] S31、预估奖赏函数U ;
[0053] 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;
[0054] 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。
[0055] 预估奖赏函数：
[0056] 对每一个电池组k，在经历第η个循环后，η = 1，2.....，η，可以作出一个预估决 策akn e S，这时定义一个和循环数η相关的奖赏因子rkn:
[0057] rkn= U (a kn, Sk, η) 〇
[0058] U函数取决于预估的精度和适时性，定义的U函数的一个例子为
[0059] U (akn. Sk. η) = Θ (akn，Sk) + λ Φ (η)，
[0060] 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为大于〇 的系数。
[0061] 预估策略的定义：
[0062] 本发明提出的自学习模型中预估引擎中的预估策略和进行到第η个循环的所测 得的样本集相关。即π η:Χη-S
[0063] π = (Ji --，：π n)为一个完整的预估策略
[0064] 对电池 k所获得的样本集xk，它的预估策略π决定了在每一个循环预估后的需实 施的矫正，它和一个与η相关的奖赏函数有关。即rn(x I π)。
[0065] 假设f (X)为概率分布函数，它含有（SOC，S0H)评估规律的信息：
[0066] V ( π ) =I x e xr (x I π ) · f (x) dx ；
[0067] 需找出最优的预估策略°pt= argmaxV( π )。
[0068] 在线学习：
[0069] 给定策略 JT n= ( JT p …，JT n p JT n+1，…，JT n)
[0070] 在Xn基础上完成a η后定义预期的奖赏： CN 105137358 A ^ b/b 贝
[0071]
[0072] 在经过作用学习算法σ n后，定义预期错失函数：
[0073]
[0074] 根据修正后的模型可以更精确地预测动力电池的SOC和S0H。
[0075] 其中，本发明供学习用的初级样本可有两个来源，第一个来源是电池的生产厂提 供的电池原始测量数据，第二个来源是采用现有即时模型产生出足够的原始样本数据，供 自学习模型训练用。
[0076] 与现有技术相比，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。
[0077] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在 不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论 从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权 利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有 变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0078] 此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包 含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当 将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员 可以理解的其他实施方式。
【主权项】
1. 一种基于大数据自学习机制的动力电池的SOC/SOH预测方法，其特征在于，所述方 法包括： 51、 提供动力电池的S0C/S0H的预测模型； 52、 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 ~； 53、 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S0C/S0H 对上一循环后的预测模型进行修正； 54、 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。2. 根据权利要求1所述的方法，其特征在于，所述步骤S2还包括： 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#"来表示， XknG Xn，且其中V1V I1V T1V 〇 \分别为电池组k在n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。3. 根据权利要求2所述的方法，其特征在于，所述步骤S2还包括： 通过测得的样本集对电池组的S0C/S0H进行预测，在经历n个充放电循环后Xk = (Xk1, Xk2,.... Xkn); 定义SOC和SOH的所有可能的值定义为状态空间S，且S C [((WMU)I 在电池组k完成第n个循环之后，S0C/S0H的状态为Sk。4. 根据权利要求3所述的方法，其特征在于，所述步骤S3具体包括： 531、 预估奖赏函数U; 532、 确定一个完整的预测策略31，并根据。的概率分布函数f(x)找出最优预估策略 3T〇Pt; 533、 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。5. 根据权利要求4所述的方法，其特征在于，所述步骤S31中，奖赏函数U具体为： U(akn，Sk， n) = 0 (akn，Sk) + A也（n)，其中，0 (akn，Sk)描绘了预估的精度，也（n)表达的是预 估的适时性，A为大于〇的系数，奖赏因子 rkn=U(akn，Sk，n)。6. 根据权利要求4所述的方法，其特征在于，所述步骤S32中，最优预估策略°pt = argmaxV(JT)，其中，V(JT) = /xExr(xI(JT) ?f(X)dx，f(X)为叉响概率分布函数。7. 根据权利要求4所述的方法，其特征在于，所述步骤S33中，预期的奖赏为：8. 根据权利要求4所述的方法，其特征在于，所述步骤S33中，预期错失函数为：
【专利摘要】本发明公开了一种基于大数据自学习机制的动力电池的SOC/SOH预测方法，包括：S1、提供动力电池的SOC/SOH的预测模型；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、σ的测量值，从预测模型中预测当前的SOC～/SOH～；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；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SOC/SOH的预测。本发明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。
【IPC分类】G01R31/36
【公开号】CN105137358
【申请号】CN201510532492
【发明人】刘江川, 熊险峰, 韩竞科
【申请人】张家港莫特普数据科技有限公司
【公开日】2015年12月9日
【申请日】2015年8月27日