基于新能源汽车实车工况的动力电池健康状态评估方法

本发明涉及汽车电池，更具体地说，它涉及基于新能源汽车实车工况的动力电池健康状态评估方法。

背景技术：

1、动力电池的健康状态一般定义为当前动力电池充满电后的可用容量与全新动力电池额定容量的比值。健康状态在新能源汽车的整个生命周期都具有重要的参考价值。例如，在车辆售后维修时，动力电池健康状态是判断动力电池是否需要更换的核心指标；在二手车交易时，动力电池的健康状态是确定新能源汽车残值的关键因素；在车辆报废时，动力电池的健康状态是决定动力电池梯次利用场景的主要依据。

2、关于动力电池健康状态的评估，众多研究者开展了大量的实验，并且提出了各种类型的算法。这些算法在动力电池实验工况数据集上表现优异，但是在实车工况数据集上的评估效果却不尽如人意。这是因为在实验工况下，研究者一般在恒定电流、恒定温度、恒定荷电状态区间开展动力电池充放电循环老化实验。在实验过程中，可以通过安时积分法得到电池在特定循环次数之后的准确容量数值，进而可以精确计算得到动力电池的健康状态。这些精确的健康状态数值也可以作为机器学习的标签值，用于实验工况下动力电池健康状态的机器学习，从而形成了较为成熟的算法。

3、然而，实车工况下的健康状态评估要复杂得多。新能源汽车的实车工况，例如使用慢充还是快充进行充电、制动踏板的频次和深度、高速和低速行驶的比例、加速踏板的频次和深度、充电放电深度、电池温度、累计行驶里程等，造成动力电池的充电倍率(倍率以容量为基准，反映了电流大小的不同)、放电倍率、荷电状态、工作温度、充放电循环次数等随时都在发生变化，进而导致了动力电池的准确容量数值难以获得。这是因为，容量需要在恒定电流、恒定温度、恒定荷电状态区间通过安时积分法才可以得到准确数值。即使通过某种算法对动力电池的容量进行估算，也难以判断估算数值与实际数值之间的误差究竟有多大。实际上，动力电池包一旦装配在车辆之上，除非在额定条件之下进行离线容量测试，否则不可能得到动力电池包的准确容量，因而也就无法准确评估健康状态，也使得用于机器学习的健康状态的标签值也难以确定。

4、综上所述，目前动力电池的健康状态评估一般在恒定的实验工况下进行。而在实车工况下，动力电池的充电倍率、放电倍率、荷电状态、工作温度、充放电循环次数等随时都在发生变化，动力电池的健康状态难以准确评估。同时，由于实车工况下的健康状态难以评估，又导致了实车工况下健康状态的机器学习缺少标签值，进一步制约了实车工况下健康状态机器学习算法的发展。

5、因此，本发明提出基于新能源汽车实车工况的动力电池健康状态评估方法。

技术实现思路

1、本发明的目的是提供基于新能源汽车实车工况的动力电池健康状态评估方法。本发明将新能源汽车实车工况分为不同类别，根据实车工况评估动力电池健康状态，同时可以为不同工况下的动力电池健康状态赋予较为准确标签值，这些标签值可以用于健康状态的机器学习，促进实车工况下动力电池健康状态评估算法的发展。

2、本发明的上述技术目的是通过以下技术方案得以实现的：基于新能源汽车实车工况的动力电池健康状态评估方法，包括如下流程步骤：

3、s1：确定不同工况区间对应的健康状态衰减系数α；

4、s2：新能源汽车实车工况特征参数的计算；特征参数的计算包括充电倍率区间特征参数的计算、放电倍率区间特征参数的计算、荷电状态区间特征参数的计算、工作温度区间特征参数的计算、充放电循环次数区间特征参数的计算；

5、s3：构建实车工况的特征参数向量，并计算特征参数向量相似度矩阵；

6、s4：实车工况分类；根据相似度矩阵，使用谱聚类算法将所有的新能源汽车分为若干个实车工况类别；

7、s5：测试每种实车工况类别的动力电池可用容量；

8、s6：分类效果的评价；

9、s7：评估不同实车工况类别的动力电池健康状态数值；每种实车工况类别的动力电池健康状态数值通过点估计和区间估计两种方法进行评估。

10、本发明进一步设置为：所述步骤s1开展单一工况变化的动力电池组充放电循环老化实验，分别使用直线对相同工况下的容量衰减率与充放电循环次数的关系进行拟合，然后使用曲线对该工况与单次循环容量衰减率的函数关系进行拟合，最后将该工况以特定的间隔分为若干区间,计算每个工况区间对应的单次循环容量衰减率的平均数值，规定该平均值为该工况区间对应的健康状态衰减系数α，以此方法确定不同充电倍率区间、不同放电倍率区间、不同工作温度区间对应的健康状态衰减系数α；分别使用直线对同一荷电状态区间的容量衰减率与等效充放电循环次数的关系进行拟合，并求得各条拟合直线的斜率，作为各个荷电状态区间对应的健康状态衰减系数α；使用直线对不同充放电循环次数所对应的容量衰减率进行拟合，得到单次循环容量衰减率。将充放电循环次数以特定的间隔分为若干区间，计算每个区间内充放电循环次数的平均数，将每个区间内充放电循环次数的平均数与单次循环容量衰减率相乘，作为该充放电循环次数区间对应的健康状态衰减系数α。健康状态衰减系数α是衡量健康状态衰减速度的参数，其数值越大，健康状态衰减速度越快，反之则越小。

11、本发明进一步设置为：所述步骤s2中，充电倍率区间特征参数为各个充电倍率区间对应的健康状态衰减系数α与相应充电倍率区间的持续时间占全部充电时间比例的乘积之和，其计算公式为：

12、

13、上式中，i指第i个充电倍率区间；n指充电倍率区间的总数。

14、放电倍率区间特征参数为各个放电倍率区间对应的健康状态衰减系数α与相应放电倍率区间的持续时间占全部放电时间比例的乘积之和，其计算公式为：

15、

16、上式中，j指第j个放电倍率区间；r指放电倍率区间的总数。

17、荷电状态区间特征参数为各个荷电状态区间对应的健康状态衰减系数α与相应荷电状态区间的持续时间占全部充放电时间比例的乘积之和，其计算公式为：

18、

19、上式中，k指第k个荷电状态区间；s指荷电状态区间的总数。

20、工作温度区间特征参数为各个工作温度区间对应的健康状态衰减系数α与相应工作温度区间的持续时间占全部充放电时间比例的乘积之和，其计算公式为：

21、

22、上式中，q指第q个工作温度区间；t指工作温度区间的总数。

23、将累计充放电容量与额定容量的比值，作为充放电循环次数；在动力电池组充放电循环老化结果中找到充放电循环次数所在区间，得到健康状态衰减系数α，作为充放电循环次数区间特征参数，其计算公式为：

24、充放电循环次数区间特征参数＝充放电循环次数所在区间对应的健康状态衰减系数α

25、本发明进一步设置为：所述步骤s3构建实车工况的特征参数向量，并计算特征参数向量相似度矩阵，其步骤如下：

26、(1)计算每辆汽车实车工况的各个特征参数及其中位数；

27、(2)构建每辆汽车实车工况的特征参数向量；将每辆汽车实车工况的各个特征参数减去其对应的中位数，作为该辆新能源汽车实车工况的特征参数向量中的元素；

28、(3)计算两个特征参数向量方向上的相似度as；首先需要计算两个向量方向上的相似度cos，其公式为：

29、

30、将cos的数值映射到[0,1]之间，得到as，其计算公式为：

31、

32、其中，a和b分别为两辆汽车实车工况的特征参数向量，a·b表示向量a和向量b的点积，||a||和||b||表示向量a和向量b的范数(即向量的长度)。cos取值范围在[-1,1]之间；as数值范围在[0,1]之间，并且随着两个向量之间角度的减小而逐渐趋于1，反之则趋向于0；

33、(4)计算两个特征参数向量长度上的相似度ls；计算向量a和向量b在长度上的相似度ls，其计算公式为：

34、

35、其中，|||a||-||b||为两个向量范数||a||和||b||之间的差值的绝对值，max(||a||,||b||)表示||a||和||b||中较大的数值；ls数值范围在[0,1]之间，并且随着两个向量长度差值的减小而逐渐趋于1，反之则趋向于0；

36、(5)计算两个特征参数向量的相似度sim；特征参数向量的相似度sim为两个特征参数在向量方向上的相似度as和在长度上的相似度ls的乘积,即

37、

38、sim数值范围在[0,1]之间，并且随着两个向量相似度的增加而逐渐趋于1，反之则趋向于0；

39、(6)构建相似度矩阵；计算任意两辆汽车实车工况的特征参数向量之间的相似度，得到相似度矩阵。

40、本发明进一步设置为：所述步骤s5，从每种实车工况类别的新能源汽车中，定期抽取一定数量的汽车作为测试样本，在特定的充放电电流和工作温度的额定工况下，在0％至100％的荷电状态区间内，进行完整的离线充放电循环，获得准确的可用容量数值。

41、本发明进一步设置为：所述步骤s6，由于同一实车工况类别的动力电池健康状态相近，并且与其他实车工况类别的新能源汽车动力电池可用容量有显著不同；因此，统计各种实车工况类别的新能源汽车动力电池可用容量分布，判断同一实车工况类别的可用容量分布是否集中于一定区间，并且与其他工况类别的可用容量分布是否有显著差异，从而评价分类效果；其步骤流程如下：

42、a.确定抽样测试得到的每种实车工况类别的动力电池可用容量的有效区间；将抽样测试得到的每种实车工况类别的新能源汽车动力电池可用容量按照从小到大的顺序排列，确定其β％分位数和(1-β％)分位数，将β％分位数和(1-β％)分位数之间的区间称为有效区间。用interval表示有效区间的长度；

43、b.计算各个有效区间与其他有效区间的重叠长度之中的最大值之和；经过分类后，共有m种实车工况类别，即有m个有效区间，任取两个有效区间，第一个有效区间为[x1,x2]，第二个有效区间为[y1,y2]。

44、在两个有效区间有重叠的情况下，将两个有效区间右侧端点的较小值减去左侧端点的较大值，得到重叠长度a，其计算公式为：

45、

46、在两个有效区间没有重叠的情况下，两个有效区间的重叠长度overleap为0。因此，两个有效区间的重叠长度overleap的计算公式为：

47、

48、对于每个有效区间，遍历计算其与其他m-1个有效区间的重叠长度，得到该有效区间与其他m-1个有效区间的重叠长度之中的最大值。然后，计算所有m个有效区间与其他有效区间的重叠长度之中的最大值之和，即

49、

50、其中，overleapp为第p个有效区间与其他m-1个有效区间的重叠长度之中的最大值；

51、c.计算所有有效区间长度之和；计算m个有效区间的长度之和为：

52、

53、其中，intervalp为第p个有效区间的长度interval；

54、d.计算分类结果验证参数crvp；定义分类结果验证参数crvp为评价分类效果的参数，crvp的计算公式为：

55、

56、crvp的数值在[0,1]之间，设置一定的crvp阈值，判断分类效果；如果分类效果不能满足要求，则重新进行分类算法的调整；如果分类效果满足要求，则进一步估计每种实车工况类别的动力电池健康状态数值。

57、本发明进一步设置为：所述步骤s7中的点估计方法为，每种实车工况类别的动力电池可用容量数值的期望即为该类别所有抽样测试的动力电池可用容量的平均值；然后，根据可用容量的期望与额定容量的比值计算健康状态的期望。

58、本发明进一步设置为：所述步骤s7中的区间估计方法为，每种实车工况类别的动力电池可用容量期望的置信度为1-γ的置信区间为：

59、

60、其中，为该类别抽样测试的动力电池样本可用容量的平均值，s为样本标准差，n为样本个数。然后，根据可用容量的期望与额定容量的比值计算健康状态期望的置信区间。

61、本发明进一步设置为：将不同实车工况类别的动力电池健康状态数值作为标签数值，标定相应工况类别的动力电池健康状态，用于实车工况健康状态评估的机器学习。

62、综上所述，本发明具有以下有益效果：本发明提出了健康状态衰减系数α的计算方法，以及充电倍率区间特征参数、放电倍率区间特征参数、荷电状态区间特征参数、工作温度区间特征参数、充放电循环次数区间特征参数的计算公式，并且通过特征参数构建了每一台新能源汽车实车工况的特征参数向量，同时提出了计算特征参数向量相似度的公式，该公式不仅考虑到了特征参数向量的方向，还考虑到了特征参数向量的长度。此外，本专利还使用分类结果验证参数crvp评价了实车工况的分类效果，并最终通过点估计或者区间估计得到不同实车工况类别的动力电池健康状态数值。本发明将新能源汽车实车工况分为不同类别，根据实车工况确定动力电池健康状态，同时也可以为不同工况下的动力电池健康状态赋予较为准确标签值，这些标签值可以用于健康状态的机器学习，促进实车工况下动力电池健康状态评估算法的发展。