一种基于车辆运行数据的电池容量衰减影响因子评估方法

1.本发明涉及新能源汽车的动力电池技术领域，尤其涉及一种基于车辆运行数据的电池容量衰减影响因子评估方法。


背景技术：

2.在全球能源紧张、环境保护意识日益增长的时代，再加上汽车工业的发展，传统内燃机汽车由于其高污染和高能源消耗已经不能满足当前时代的要求，于是新能源汽车应运而生，近几年随着新能源汽车保有量的迅速增长，新能源汽车的动力电池容量衰退情况越来越受到车企、购车用户等各方的关注。如何对影响电动汽车动力电池容量衰退的关键因素探索问题，是车企在进行动力电池和整车研发过程中，急需了解明确的问题，也是购车用户在用车过中较为关注的核心问题。
3.现有动力电池容量评估方法主要分为两大类：(1)通过实验构建模型评估动力电池容量的方法，不能输出和量化影响动力电池容量衰减的关键因子，且存在成本高、耗时长、缺乏实时性等缺点；(2)通过数据驱动构建模型评估动力电池容量的方法，不能输出且量化不同型号动力电池的容量衰减关键因子，也不能准确评估出不同型号动力电池在不同使用工况下的电池容量。
4.因此，现有技术中缺乏具有实时性、低成本，且能准确评估不同型号动力电池在不同使用工况下的电池容量衰减因子的方法。


技术实现要素：

5.针对现有技术中所存在的不足，本发明提供了一种基于车辆运行数据的电池容量衰减影响因子评估方法，以解决相关技术中的方法成本高，缺乏实时性，且未能准确评估不同型号动力电池在不同使用工况下的电池容量的问题。
6.本发明提供了一种基于车辆运行数据的电池容量衰减影响因子评估方法，包括如下步骤：
7.步骤1，通过新能源汽车国家监测与管理平台获取注册电动汽车的历史运行数据和地区信息，并从所述的历史运行数据中按天提取运行数据和静态数据，所述运行数据记为ev
ij
，所述静态数据记为
8.步骤2，针对每个所述电动汽车，从所述运行数据ev
ij
中提取电流列表和时间列表，采用安时积分法将所述电流列表和所述时间列表计算得到所述电动汽车当天的动力电池容量；
9.然后，根据所述运行数据ev
ij
中所述电动汽车的累计总运行天数建立用于记录电动汽车动力电池容量衰退的第一数据库，所述第一数据库记为ev
bcp
，并将所述第一数据库ev
bcp
与所述地区信息关联，获得所述电动汽车的运行位置信息及运行环境；并根据所述运行位置信息和运行环境构建包含所述电动汽车在每个区域的动力电池容量正常衰减标准的第二数据库，所述第二数据库记为mcdqf；
10.步骤3，基于所述运行数据ev
ij
选择造成动力电池容量衰减的特征因子，对所述特征因子和所述第一数据库ev
bcp
、第二数据库mcdqf进行相关性分析，筛选出与所述电动汽车的动力电池容量相关性大的特征因子，并构建包含车辆的动力电池容量衰减影响特征因子的第三数据库；
11.步骤4，根据筛选后的所述特征因子，采用多元回归方法建立所述电动汽车的动力电池容量衰减影响特殊因子的量化模型，并形成所述电动汽车的动力电池容量衰减影响特殊因子的数据库。
12.可选地，所述采用安时积分法将所述电流列表和所述时间列表计算得到所述电动汽车当天的动力电池容量，包括：
13.首先，设所述电动汽车运行天数为k，给该车辆在该天的所有行驶片段按照时间先后顺序编号，记为r
kj
(1≤j≤mk)；
14.所述安时积分法计算动力电池容量的公式为：
[0015][0016]
将时间拆分成t个小片段，选取r
k1
行驶片段，将所述电流列表拆分为i1、i2、i3至i
t
，将所述时间列表拆分为δt1、δt2、δt3至δt
t
，则可将积分公式转换为面积和计算出r
k1
行驶片段动力电池放出的容量值，记为q
k1
，积分公式转换为面积和的计算公式为：
[0017]
q＝i1δt1+i2δt2+i3δt3+
…
+i
t
δt
t
[0018]
然后，从所述运行数据ev
ij
中取出r
k1
行驶片段的开始soc，记为start_soc
k1
，从中取出行驶片段的结束soc，记为start_soc
k1
，则可计算得到该行驶片段消耗的δsoc，记为δsoc
k1
，所述δsoc
k1
为0至100的整数；
[0019]
接着，通过r
k1
行驶片段，计算得到所述电动汽车的动力电池容量为：
[0020][0021]
最后，将当天所述电动汽车的所有行驶片段，计算所得的动力电池容量求平均，计算得到该车辆在第k个运行天的动力电池容量，记为计算公式为：
[0022][0023]
可选地，所述对所述特征因子和所述第一数据库ev
bcp
、第二数据库mcdqf进行相关性分析，包括：
[0024]
相关性分析采用的相关系数计算公式为：
[0025][0026]
其中，r
xy
表示样本相关系数；s
xy
表示样本协方差；s
x
表示x的样本标准差,x指的是特征因子；sy表示y样本的标准差,y指的是所述第一数据库ev
bcp
中的容量值与所述第二数据库mcdqf中容量值的差值；
[0027]sxy
的计算公式为：
[0028][0029]
其中，n为样本量。
[0030]sx
的计算公式为：
[0031][0032]
其中，n为样本量。
[0033]
sy的计算公式为：
[0034][0035]
其中，n为样本量。
[0036]
可选地，所述采用多元回归方法建立所述电动汽车的动力电池容量衰减影响特殊因子的量化模型，包括：
[0037]
所述特殊因子和动力电池容量的回归公式为：
[0038]
q(xi)＝w1x1+w2x2+
…
+w7x7+b
[0039]
其中，q(xi)为因变量，指所述电动汽车在每天的动力电池容量；x1、x2至x7、xk为自变量，即指所有特征因子；w1、w2至w7、wk为回归系数；b为常数项；
[0040]
转换为向量形式为：q(xi)＝w
t
x+b
[0041]
其中，w＝[w1,w2,
…
,w7]，x＝[x1,x2,
…
,x7]，均为列向量，w
t
是w的转置，即行向量。
[0042]
相比于现有技术，本发明具有如下有益效果：
[0043]
本发明利用新能源汽车国家监测与管理平台的注册电动汽车运行数据，建立了一种基于车辆运行数据的电池容量衰减影响因子评估方法，解决了构建实验模型成本高、耗时长、缺乏实时性的缺点；然后每个所述电动汽车(不同型号)的动力电池在正常情况下的动力衰减建立第一数据库，并根据所述运行位置信息和运行环境构建包含所述电动汽车在每个区域的动力电池容量正常衰减标准的第二数据库，并从运行数据中选择造成动力电池衰减的特征因子，并通过所述特征因子和所述第一数据库、第二数据库进行相关性分析，筛选出关键影响的特征因子，并对其量化，以实现对电动汽车动力电池的容量衰减关键因子的评估。
附图说明
[0044]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0045]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1所示为本发明的流程示意图；
[0047]
图2所示为本发明中电动汽车动力电池容量衰减标准数据库的矩阵图；
[0048]
图3所示为本发明中特征因子之间的相关性分析的示意图；
[0049]
图4所示为本发明中动力电池容量衰减影响因子量化模型的示意图；
[0050]
图5所示为本发明中基于动力电池容量衰减影响因子量化模型的容量比率评估流程。
具体实施方式
[0051]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。本发明实例中相同标号的功能单元具有相同和相似的结构和功能。
[0052]
本发明提供一实施例，以具体说明本方法，包括：
[0053]
本专利提出的动力电池容量衰减影响因子评估方法仅针对纯电动汽车，是以新能源汽车国家监测与管理平台的全国纯电动汽车历史运行数据为基础，同时辅以地区信息(各城市及下面的区县，对应车辆的运行位置信息和车辆的运行环境)因此确保了数据的真实性和实时性，并从所述的历史运行数据中按天提取运行数据和静态数据，所述运行数据记为ev
ij
，所述静态数据记为
[0054]
所述运行数据ev
ij
中包括的字段如下：
[0055]
vid：车辆唯一编号；
[0056]
category：片段类型(包含行驶片段、充电片段、停车片段)；
[0057]
start_time：片段开始时间(时间戳s)；
[0058]
end_time：片段结束时间(时间戳s)；
[0059]
start_soc：片段开始soc；
[0060]
end_soc：片段结束soc；
[0061]
max_avg_temp：片段电池最大平均温度；
[0062]
min_avg_temp：片段电池最小平均温度；
[0063]
max_cell_diff_volt：最大单体电压极差(0.1v)；
[0064]
max_cell_diff_temp：最大温度极差(1℃)；
[0065]
max_total_current：片段最大总电流；
[0066]
currentlist：电流列表；
[0067]
timelist：时间列表；
[0068]
run_city：运行城市；
[0069]
run_district：运行区域；
[0070]
pdate：分区字段，数据发生日期。
[0071]
所述静态数据中包括的字段如下：
[0072]
vid：车辆唯一编号；
[0073]
model_num：车型唯一编号；
[0074]
dict_name：车辆类型；
[0075]
battery_type：电池材料；
[0076]
power_amount：储能装置总储电量；
[0077]
rating_volume：标称容量(a.h)；
[0078]
drive_range_gongkuang：工况续航里程(km)；
[0079]
curb_weight：车辆整备质量；
[0080]
length：车辆长度。
[0081]
针对每个所述电动汽车，将所述运行数据ev
ij
中的电流列表记为currentlist
ij
(1≤i≤n,1≤j≤mi)，其中，n为该车辆的累计总运行天数，mi为每一个运行天内的行驶片段数。然后采用安时积分法，对通过每个运行天内的所有行驶片段的电流列表和时间列表计算该辆车在当天的动力电池容量。
[0082]
以第k个运行天为例，给该车辆在该天的所有行驶片段按照时间先后顺序编号，记为r
kj
(1≤j≤mk)；
[0083]
所述安时积分法计算动力电池容量的公式为：
[0084][0085]
将时间拆分成t个小片段，选取r
k1
行驶片段，将所述电流列表拆分为i1、i2、i3至i
t
，将所述时间列表拆分为δt1、δt2、δt3至δt
t
，则可将积分公式转换为面积和计算出r
k1
行驶片段动力电池放出的容量值，记为q
k1
，积分公式转换为面积和的计算公式为：
[0086]
q＝i1δt1+i2δt2+i3δt3+
…
+i
t
δt
t
[0087]
然后，从所述运行数据ev
ij
中取出r
k1
行驶片段的开始soc，记为start_soc
k1
，从中取出行驶片段的结束soc，记为start_soc
k1
，则可计算得到该行驶片段消耗的δsoc，记为δsoc
k1
，所述δsoc
k1
为0至100的整数；
[0088]
接着，通过r
k1
行驶片段，计算得到所述电动汽车的动力电池容量为：
[0089][0090]
最后，将当天所述电动汽车的所有行驶片段，计算所得的动力电池容量求平均，计算得到该车辆在第k个运行天的动力电池容量，记为计算公式为：
[0091][0092]
类似的，可以计算出每辆车在每一个运行天的动力电池容量，记为类似的，可以计算出每辆车在每一个运行天的动力电池容量，记为其中total_veh_num为总车辆数，n为每辆车累计运行天数。
[0093]
由此，取出所述运行数据ev
ij
中的运行城市字段run_city、运行区域字段run_district，记录车辆第一次运行的日期pdate，并命名为first_run_day，统计每辆车的累计总运行天数，记为acc_run_days，则可建立单个所述电动汽车的动力电池容量衰退数据库，即第一数据库ev
bcp
，所述第一数据库ev
bcp
中包括以下字段：
[0094]
vid：车辆唯一编号；
[0095]
run_city：运行城市；
[0096]
run_district：运行区域字段；
[0097]
battery_capacity：电池容量；
[0098]
first_run_day：第一次运行日期；
[0099]
acc_run_days：累计运行天数。
[0100]
利用所述第一数据库ev
bcp
中的车辆唯一编号vid与所述静态数据中的车辆唯一编号vid进行关联匹配，得到各车辆的车型唯一编号model_num，记为mf(1≤f≤total_model_num)，其中，total_model_num为总车型数。取所述第一数据库ev
bcp
中的运行城市字段run_city，记为cc(1≤c≤city_num)，其中，city_num为总城市数，取所述第一数据库ev
bcp
中的运行区域字段run_district，记为d
cd
(1≤c≤city
num
,1≤d≤district_num)，其中，district_num为各城市下的区县数，由此可获得各车辆的运行位置信息，明确其车辆的运行环境。
[0101]
参见图2，将所述电动汽车的车型1在城市1中区域1的车辆数记为total_veh_num1，则该车型在该城市下的区域1中的第一个运行天的动力电池容量标准值记为取对应total_veh_num1辆车的第一个运行天的动力电池容量的最大值，即：
[0102][0103]
类似地，可计算出车型1在每一个城市下每个区域的每一个累计运行天的动力电池容量，记为：
[0104]
基于此，可默认同一城市同一区域的运行环境是一致的，则可构建出每个车型在每个城市每个区域的动力电池容量正常衰减标准数据库，记为第二数据库mcdqf，以矩阵形式直观展示每个车型的动力电池容量正常衰减标准库。
[0105]
基于所述运行数据ev
ij
选择造成动力电池容量衰减的特征因子，利用其已有数据字段，分别从电池温度、充放电电流、满充满放行为、静置时长、快充行为、动力电池单体压差极值、动力电池单体温差极值等方面初步选择并计算出如下所示的8个可能对动力电池容量衰减造成影响的特征因子：
[0106]
1)max_avg_temp_40_nums：历史充/放电片段的电池最大平均温度》40℃的次数；
[0107]
2)max_total_current_avg：历史充放电片段的最大总电流的平均值；
[0108]
3)start_soc_c_20_ratio：历史充电片段的开始soc《20％的次数占比；
[0109]
4)end_soc_c_80_ratio：历史充电片段的结束soc》80％的次数占比；
[0110]
5)avg_stop_time_length：历史平均停车时长；
[0111]
6)fast_charge_ratio：历史充电片段中的快充次数占比；
[0112]
7)max_cell_diff_volt_avg：历史充电/行驶片段的最大单体电压极差的平均值；
[0113]
8)max_cell_diff_temp_avg：历史充电/行驶片段的最大单体温度极差的平均值；
[0114]
结合相关系数分析法和图表分析法，对所述特征因子和所述第一数据库ev
bcp
、第二数据库mcdqf进行相关性分析，同时对特征含义相似的特征因子的两两之间进行独立性分析。
[0115]
相关性分析采用的相关系数计算公式为：
[0116][0117]
其中，r
xy
表示样本相关系数；s
xy
表示样本协方差；s
x
表示x的样本标准差,x指的是
特征因子；sy表示y样本的标准差,y指的是所述第一数据库ev
bcp
中的容量值与所述第二数据库mcdqf中容量值的差值；
[0118]sxy
的计算公式为：
[0119][0120]
其中，n为样本量。
[0121]sx
的计算公式为：
[0122][0123]
其中，n为样本量。
[0124]
sy的计算公式为：
[0125][0126]
其中，n为样本量。
[0127]
经特征因子与动力电池容量相关性分析可知，各特征因子与各电动汽车车型的动力电池容量均具有一定相关性，其相关系数绝对值均在0.5以上，且各特征因子与每一个车电动汽车型的动力电池容量之间的相关程度各不相同，这与车型的具体尺寸、重量、装载电池型号、数量等有关系。
[0128]
参见图3，其中，仅有特征因子2)和特征因子7)具有较大相关性，各车型在对这两个特征因子筛选的过程中，将综合考虑特征因子间的独立性和其各自与动力电池容量值的相关程度，从二者中选其一。由此确认出各电动汽车车型动力电池容量衰减影响因子包含1)、2)或7)、3)、4)、5)、6)、8)共7个。
[0129]
筛选出与所述电动汽车的动力电池容量相关性大的特征因子，并构建包含车辆的动力电池容量衰减影响特征因子的第三数据库；
[0130]
步骤4，根据筛选后的所述特征因子，采用多元回归方法建立所述电动汽车的动力电池容量衰减影响特殊因子的量化模型，并形成所述电动汽车的动力电池容量衰减影响特殊因子的数据库，即第三数据库，所述第三数据库包括如下字段：
[0131]
vid：数据库中车辆唯一编号；
[0132]
max_avg_temp_40_nums：历史充/放电片段的电池最大平均温度》40℃的次数；
[0133]
max_total_current_avg：历史充放电片段的最大总电流的平均值；
[0134]
start_soc_c_20_ratio：历史充电片段的开始soc《20％的次数占比；
[0135]
end_soc_c_80_ratio：历史充电片段的结束soc》80％的次数占比；
[0136]
avg_stop_time_length：历史平均停车时长；
[0137]
fast_charge_ratio：历史充电片段中的快充次数占比；
[0138]
max_cell_diff_volt_avg：历史充电/行驶片段的最大单体电压极差的平均值；
[0139]
max_cell_diff_temp_avg：历史充电/行驶片段的最大单体温度极差的平均值；
[0140]
pdate：计算日期，同时作为分区字段。
[0141]
基于所述特殊因子，采用多元回归方法，量化各关键影响因子对动力电池容量值的影响程度，所述特殊因子和动力电池容量的回归公式为：
[0142]
q(xi)＝w1x1+w2x2+
…
+w7x7+b
[0143]
其中，q(xi)为因变量，指所述电动汽车在每天的动力电池容量；x1、x2至x7、xk为自变量，即指所有特征因子；w1、w2至w7、wk为回归系数；b为常数项；
[0144]
转换为向量形式为：q(xi)＝w
t
x+b
[0145]
其中，w＝[w1,w2,
…
,w7]，x＝[x1,x2,
…
,x7]，均为列向量，w
t
是w的转置，即行向量。
[0146]
参见图4，基于所述第一数据库ev
bcp
和第二数据库mcdqf，通过数据训练拟合，构建每个电动汽车(不同车型)的动力电池容量衰减影响因子量化模型，形成车型动力电池容量衰减影响因子量化模型库。
[0147]
参见图5，基于上述构建，即可实现每辆车在每一天的动力电池容量比率进行评估，得到每辆电动汽车在某天的动力电池容量比率。
[0148]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0149]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。