一种在役新能源汽车动力电池健康状态快速评估方法

本发明涉及一种在役新能源汽车动力电池健康状态快速评估方法，属于新能源汽车电池管理领域。

背景技术：

1、随着电动汽车数量的增长，现有车辆的维修、二手销售和报废变得更加频繁。电池组作为汽车的关键组成部分，其性能直接影响汽车整体性能。电池健康状态(soh)是评估电池老化程度的重要指标，对于快速、准确地评估电动汽车售后市场的电池性能具有重要意义。其中，现有的评估方法往往依赖于冗长的电池充电/放电数据或大量的训练样本，这阻碍了它们在实际场景中的实现。电池健康状态快速评估作为一项关键和共性技术，仍未得到有效解决。

2、评估电池健康状态的方法主要有量化电池内部的微观降解过程、基于模型和基于数据驱动。从物理角度来看，评估电池健康状态的最可靠方法是量化电池内部的微观降解过程，主要包括固体电解质界面(sei)生长、锂电镀和颗粒破裂。然而，这些退化机制是相互耦合的，现有测量方法对电池具有破坏性，无损技术仍有待探索。此外，这些微观检查手段通常需要昂贵的原位测量技术，难以在不拆除电池系统的情况下实现，尤其对于在役车辆。其中基于模型的方法需要建立数学模型来描述电池的容量衰减过程，典型的模型如电化学老化模型。然而，由于电池内部多种副反应相互耦合，使得复杂的衰减过程难以计算和量化。此外，对于在役电池组，电池测试数据有限，并且许多电池参数未知，这使得建立准确的健康估计模型具有挑战。近年来，人工智能技术发展迅速，并在电池健康评估领域得到了有效应用。数据驱动方法可以直接基于电池的历史运行数据来建立健康估计模型，而不需要探究其复杂的衰退机制。数据驱动建模的基本步骤包括提取电池健康相关特征数据和选择适合特定应用场景的算法。对于数据驱动方法，关键是针对特定应用开发先进的算法和特征提取方法。本发明采用数据驱动方法，提出了一种基于短时充电数据和有限标签的电池组健康状态快速评估方法，该方法能够快速评估电池健康状态，并且不需要进行广泛的电池测试。

技术实现思路

1、随着电动汽车的不断普及，电动汽车维修、二手交易和报废等领域的需求显著增加。电池组的性能对整车性能至关重要，因此电池健康状态是评估电动汽车售后价值的关键指标，具有重要意义。现有电池健康评估方法往往依赖于冗长的电池充电/放电数据或大量的训练样本，难以在实际场景中应用。本发明提出了一种基于短时充电数据和有限标签的电池组健康状态快速评估方法。首先进行车辆充电测试和电池参数辨识，并搭建电池仿真模型。再利用数字孪生模拟电池组的动态行为，在较短的充电过程中提取表征电池健康的多维特征数据。最后利用先进的数据驱动模型来估计电池健康状态。

2、为达到上述目的，本发明提供如下技术方案为：一种在役新能源汽车动力电池健康状态快速评估方法，包括以下步骤：

3、s1：车辆充电测试和辨识电池参数；

4、s11：利用充电装置收集各种电动汽车的充电数据，包括：时间、总电压、电流、soc、单体最高电压、单体最低电压、单体最高温度、单体最低温度，记录并存储上述充电数据；采用恒流间歇充电的方式获取电池的soc-ocv表；soc表示剩余电量，ocv表示开路电压；

5、s12：使用一阶rc模型来模拟电池的动态行为；除了soc-ocv表外，还需要根据电池测试数据辨识rc模型的三个参数：内部电阻rint、极化内阻rp、极化电容cp；

6、s2：产生电池合成数据；

7、s21：基于步骤1辨识的rc模型参数在matlab/simulink建立电池组的仿真模型；

8、通过为不同的电池组设置不同的最大容量值和初始soc参数，模拟实际电池组之间的容量不一致和soc不一致；通过大幅度调整容量，模拟老化电池组的行为；其中，用于设置最大容量ca和初始soc值socinit的表达式为：

9、ca＝cn[0.95-i*5e-4+rand(k)*5e-2],0≤i≤500 (1)

10、socinit＝rand(k)*5e-2+0.5 (2)

11、其中，ca为电池的最大可用容量；cn为电池标称容量；i是循环数；k是电池单体的数量；rand(k)表示产生k个[0，1]范围的随机数，以表征电池单体的不一致性；当i＝0时，模拟soh在[95％，100％]内的情况；当i＝500时，模拟soh在[70％，75％]内的情况；

12、s22：运用数字孪生的方法模拟电池组的充电行为；

13、采用恒流恒压充电曲线来激励电池组模型，创建电池组的数字孪生，以模拟其动态行为，并在不同老化水平和电池不一致程度下产生所有数据，称为合成数据；

14、s3：从合成数据中提取多维特征数据；

15、s31：提取充电过程中短电压范围内的充电容量-电压序列q(v)，对于完整的恒流充电过程，给定起始电压vstart、结束电压vend和电压间隔△v，充电过程通过l个点进行采样，

16、

17、

18、其中，m为充电片段的数量，c是步长，函数floor(.)得到不超过输入值的最大整数；在实际应用中，充电过程不是从电量为0处开始充电，不可能获得每个充电容量点的真实值；采用△q＝[q1,q2,…,qn]–q1替换容量序列，△q表示容量增量序列，qi表示序列中的第i个间隔片段的充电量；

19、s32：为了捕捉电池组的电池单体之间的不一致性，将最大单体电压和平均单体电压对应的△q，作为数据驱动模型的输入sample，为：

20、

21、其中，△qmax,i为最大单体电压对应的容量序列，△qmean,i为平均单体电压对应的容量序列，vi表示电压序列中的第i个充电段的电压；

22、s4：构建基于深度卷积网络的数据驱动模型来估计电池健康状态；

23、使用步骤3得到的输入和步骤2的合成数据得到对模型进行预训练，然后采用步骤1的方法获取当前测试电动车的充电数据，根据当前电动车的充电数据采用领域自适应策略的迁移学习方法来增强预训练完成的数据驱动模型。

24、进一步的，基于深度卷积网络的数据驱动模型依次由三层一维卷积神经网络和两层全连接层网络组成。

25、本发明的有益效果在于：

26、本发明提出了基于短时充电数据和有限标签的电池组健康状态快速估计的方法，为电动汽车的及时维护、二手交易和退役评估提供重要参考信息。

27、本发明提出了一种利用数字孪生模拟电池在不同老化水平和不一致程度下的动态行为的方法，能够产生丰富的合成数据，有效地弥补真实数据缺失的不足，便于建立适应不同工况高精度估计模型。

28、本发明提出了一种从窄充电片段中提取电池组健康多维特征的方法。它能够提取随机短时充电过程中增量容量序列作为数据驱动模型的输入，有效实现了电池健康状态的快速评估。

29、本发明提出了一种电池健康状态估计的深度卷积网络模型，利用合成数据对模型进行预训练，并利用领域自适应的迁移学习策略来增强模型的适应性。该模型可自适应具有不同数据分布的电池数据，能够有效用于具有不同电池类型和电池组结构的车辆进行电池健康评估。

30、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。