技术特征：
1.一种电动汽车锂电池健康状态在线预测方法，其特征在于，包括：获取电动汽车当前时刻的电池数据，包括锂电池的充放电循环数、电压和温度；基于当前时刻的充放电循环数和锂电池soh预测结果，通过车端预测模型进行soh预测，得到下一时刻的第二soh预测结果；其中，所述车端预测模型根据经验模型构建；判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则将得到的所述第二soh预测结果作为下一时刻的锂电池soh预测结果，是则继续执行如下操作：将当前时刻及历史时刻的电池数据上传至云端电池监控平台，以利用所述云端电池监控平台实现：基于当前时刻及历史时刻的电压和温度进行特征提取，通过存储的云端预测模型进行soh预测，得到下一时刻的第一soh预测结果，并传回；以得到的所述第一soh预测结果为测量值、所述第二soh预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池soh预测结果。2.根据权利要求1所述的电动汽车锂电池健康状态在线预测方法，其特征在于，所述车端预测模型为双指数模型；所述通过车端预测模型进行soh预测，采用如下表达式：设当前时刻为n时刻，表示n+1时刻的第二soh预测结果，表示n时刻的锂电池soh预测结果，表示n+1时刻和n时刻之间的时间间隔，k表示当前时刻的充放电循环数，a、b、c和d为双指数模型参数，由拟合确定，e表示自然常数。3.根据权利要求1所述的电动汽车锂电池健康状态在线预测方法，其特征在于，所述云端预测模型为训练后的深度学习模型。4.根据权利要求3所述的电动汽车锂电池健康状态在线预测方法，其特征在于，所述深度学习模型为lstm模型，包括：依次连接的输入层、第一lstm层、第一dropout层、第二lstm层、第二dropout层、全连接层和输出层。5.根据权利要求3所述的电动汽车锂电池健康状态在线预测方法，其特征在于，所述基于当前时刻及历史时刻的电压和温度进行特征提取，包括：基于当前时刻及历史时刻的电压和温度，通过奇异值分解法进行特征提取。6.根据权利要求3所述的电动汽车锂电池健康状态在线预测方法，其特征在于，所述深度学习模型是通过如下方式进行训练的：获取电动汽车锂电池多个不同时刻的电压和温度以及相应的锂电池soh，上传至所述云端电池监控平台，以利用所述云端电池监控平台实现：构建深度学习模型；对获取的数据进行预处理；基于预处理后的数据，进行特征提取，得到训练样本集和测试样本集；基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，至该深度学习模型收敛。7.根据权利要求1所述的电动汽车锂电池健康状态在线预测方法，其特征在于，还包
括：基于得到的所述锂电池soh预测结果进行判断，若所述锂电池soh预测结果达到预设阈值，则生成锂电池健康状态警告并上报。8.一种电动汽车锂电池健康状态在线预测系统，其特征在于，包括：车载计算装置和云端电池监控平台；其中，所述车载计算装置包括：获取模块，用于获取电动汽车当前时刻的电池数据，包括锂电池的充放电循环数、电压和温度；预测模块，用于基于当前时刻的充放电循环数和锂电池soh预测结果，通过车端预测模型进行soh预测，得到下一时刻的第二soh预测结果；其中，所述车端预测模型根据经验模型构建；判断模块，用于判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则将得到的所述第二soh预测结果作为下一时刻的锂电池soh预测结果，是则继续调用上传模块和融合模块；上传模块，用于将当前时刻及历史时刻的电池数据上传至云端电池监控平台，以调用所述云端电池监控平台进行soh预测，获得下一时刻的第一soh预测结果；融合模块，用于以得到的所述第一soh预测结果为测量值、所述第二soh预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池soh预测结果；所述云端电池监控平台用于响应所述上传模块的调用，基于当前时刻及历史时刻的电压和温度进行特征提取，通过存储的云端预测模型进行soh预测，得到下一时刻的第一soh预测结果，并传回至所述上传模块。9.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的电动汽车锂电池健康状态在线预测方法。10.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的电动汽车锂电池健康状态在线预测方法。
技术总结
本发明涉及电池监测技术领域，特别涉及一种电动汽车锂电池健康状态在线预测方法及系统，其中方法包括：获取电动汽车电池数据；通过车端预测模型进行SOH预测，得到下一时刻的第二SOH预测结果；判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的修正周期，否则将第二SOH预测结果作为锂电池SOH预测结果，是则利用云端电池监控平台实现：通过云端预测模型进行SOH预测，得到下一时刻的第一SOH预测结果；以第一SOH预测结果为测量值、第二SOH预测结果为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池SOH预测结果。本发明能够实现实时性好且精度高的锂电池健康状态在线预测。锂电池健康状态在线预测。锂电池健康状态在线预测。
技术研发人员：刘新华 王文涛 于瀚卿 杨世春 张正杰 闫啸宇
受保护的技术使用者：北京航空航天大学
技术研发日：2022.11.01
技术公布日：2022/11/29