基于充电稀疏大数据的电池系统综合健康状态评估方法

本发明属于车载动力电池系统健康状态评估，具体是一种基于充电稀疏大数据的电池系统综合健康状态评估方法。

背景技术：

1、近年来，电动汽车市场稳步发展，以锂离子电池为核心动力源的电动汽车迎来了发展的黄金时代。但是，锂离子电池作为即用即衰的复杂系统，随着电动汽车动力电池组经历充放电循环，动力电池组会出现老化问题，这将导致电动汽车输出功率降低和续驶里程下降。甚至，当电池组出现严重的老化问题时，会发生电池组漏液、鼓包、热失控、燃烧等严重后果，这给驾乘者的生命健康和财产安全带来了威胁。所以，电池系统的健康状态(soh)已经成为行业和国家质检部门关注的热点问题。同时，随着大数据技术和物联网的发展，未来的电池管理系统将朝着无线电池管理系统、智能云连接的方向发展，以电动汽车、充电桩、云端大数据等车-边-端多场耦合监测电动汽车电池系统健康和安全的技术得到广泛的关注。

2、基于车辆电池系统的云端稀疏数据进行电池系统的健康状态评估已经成为一大研究热点，但是通过该研究领域的研究现状可以发现，基于稀疏大数据的电池健康状态评估通常只是将电动汽车的动力电池系统看作“大电池”进行整体的评估，且仅仅基于电池组整体容量或者能量的衰退表征电池组的老化。但是车用动力电池系统通常由多个动力电池通过串并联的形式连接而成，其健康状态不仅包括整体容量的衰退，而且成组电池单体的不一致性演化也将反映着电池组的健康状态。面对复杂的动力电池系统，合理量化电池组的健康状态具有较大的应用价值。如何基于车载充电稀疏大数据对锂离子电池组的健康状态进行合理且综合的评估是亟需解决的关键问题。

技术实现思路

1、为解决目前技术的不足，本发明结合现有技术，从实际应用出发，提供了一种基于充电稀疏大数据的电池系统综合健康状态评估方法，将电池系统的健康状态划分为容量衰减健康状态(sohcap)和不一致性演化健康状态(sohinc)两部分，同时将容量衰减健康状态和不一致性演化健康状态进行融合处理，得到了电池系统综合健康状态。

2、本发明的技术方案如下：

3、基于充电稀疏大数据的电池系统综合健康状态评估方法，包括以下步骤：

4、步骤1、数据预处理

5、采集云端稀疏数据，对采集到的云端稀疏数据进行数据切片处理，得到云端充电数据；对云端充电数据进行清洗，得到干净的云端充电数据；

6、步骤2、容量衰减评估

7、根据干净的云端充电数据，在电量增益法的基础上采用蒙特卡罗模拟的方法评估整个实车电池系统的容量衰退健康状态；

8、步骤3、不一致性演化评估

9、采用电压响应的不一致性作为电池模组/单体的不一致性演化健康状态评估的指标；

10、步骤4、综合健康状态评价

11、基于每一个电池模组/单体的不一致性健康状态计算得到电池系统整体的不一致性健康状态。

12、进一步的，步骤1中数据清洗包括：

13、针对soc跳变情况进行异常值处理，如果相邻时间点的soc差值大于3％则判定为跳变，采用异常点前后两个时间点的soc均值替代当前异常点的soc值；

14、针对数据缺失现象进行异常值处理，如果相邻时间点的时间间隔大于1分钟，可以判定出现了数据缺失的问题。倘若数据缺失出现的时间点距离充电开始时间点小于400秒，则去除该充电过程数据缺失时间点之前的充电数据，保留数据缺失时间点之后的充电数据；倘若数据缺失出现的时间点距离充电开始时间点大于400秒，则该充电片段数据整段删除；

15、针对部分充电片段长度过短的情况进行异常值处理，如果充电开始的soc值和充电结束的soc值差值小于15％，则该充电片段数据整段删除。

16、进一步的，步骤2方法具体为：

17、s21、soc区间筛选

18、根据每一个充电片段的充电起始soc值和充电结束soc值计算差值，如果soc差值大于20％，则该充电片段可用于计算实车电池系统的容量值，即完成了提取充电soc区间长度>20％的充电片段，如式(1)所示

19、soc(te)-soc(t0)＞20％   (1)

20、式(1)中：soc(te)表示充电结束时刻te的电池荷电状态，soc(t0)表示充电开始时刻t0的电池荷电状态；

21、s22、基于电量增益法进行重复试验

22、在soc区间内随机产生两个值a和b，如果b>a+10，则基于如式(2)所示的电量增益法在区间[a,b]上计算容量，如果b≤a+10，则重新产生新的a和b，继续重复判断大小关系和基于式(2)计算容量，按照此方法对每个充电片段重复模拟10000次。

23、

24、式中(2)中：q为求解出的实车电池系统的容量值，i(t)为t时刻的总电流值，ta为soc＝a时对应的时间点，tb为soc＝b时对应的时间点；soc(ta)和soc(tb)分别代表ta和tb时刻的电池荷电状态；

25、s23、确定当前老化阶段的实车容量

26、对10000次模拟后的结果做概率密度曲线统计，以概率密度曲线峰值对应的横坐标作为当前老化阶段的实车容量；

27、s24、拟合获得容量衰退曲线

28、按照上述步骤s21-s23对所有满足要求的充电片段进行模拟计算后，获得实车容量散点图，选择样条拟合的方法获得容量衰退曲线；

29、s25、获得电池系统容量衰减健康状态sohcap

30、根据式(3)可计算获得每一个老化状态下的容量衰减健康状态，计算得到的容量衰减健康状态

31、

32、式中，sohcap,i表示第i个充电过程下的容量衰减健康状态，i＝1,2,3,…,n，n为最后一个充电片段的序号，qi为第i个充电过程拟合计算得到实车电池系统容量值，q0为车辆电池系统未老化状态下的容量值。

33、进一步的，s3中采用电压响应的不一致性作为电池模组/单体的不一致性演化健康状态评估的指标，具体方法为：

34、s31、计算充电过程中的平均电压响应

35、对于任一充电过程，整个电池系统的模组/单体的电压可以表示为式(4)所示的矩阵结构

36、

37、式中，c代表电池系统中模组/单体的数量，r代表该充电过程采样点的长度；

38、定义平均电压响应为式(5)所示：

39、

40、其长度和该充电片段的采样点长度一致，rj＝1,2,…,r，对于平均电压响应中的元素可通过式(6)计算得到。

41、

42、式中，是式(5)平均电压响应vm中第rj个元素。

43、s32、评估电池模组/单体的不一致性

44、利用充电过程中每一个电池模组/单体的电压响应与平均电压响应，根据式(7)计算得到不一致性的衡量指标。

45、

46、式中，cj表示某一电池模组/单体确定的序号；

47、s33、评估电池模组/单体的不一致性演化健康状态

48、将总体标准差转化为不一致性演化健康状态，其转化方式可以通过式(8)进行

49、

50、式中，表示第cj个电池模组/单体相对于平均电压响应的不一致性程度，定义为电池模组/单体的不一致性演化健康状态。

51、s34、对电池系统进行整体不一致性健康状态评价

52、基于每一个电池模组/单体的不一致性健康状态计算得到电池系统整体的不一致性健康状态，计算方式如式(9)

53、

54、式中，sohinc,sys表示电池系统整体的不一致性健康状态，sohinc,s表示第s个电池模组/单体的不一致性健康状态。

55、进一步的，s4具体方法为：

56、按照式(10)所示的方法将整体不一致性健康状态和容量衰减健康状态做融合处理，进而得到电池系统的综合健康状态评价

57、

58、式中，sohz表示电池系统的综合健康状态，sohcap代表容量衰减健康状态，sohinc,sys代表电池系统整体的不一致性演化健康状态。

59、对比现有技术，本发明的有益效果：

60、1、本发明基于实车云端较为稳定的充电稀疏数据，采用蒙特卡罗模拟的方法评估出实车电池系统的容量值，数据利用率高，可解释性强，极大地增强了评估出的实车容量的可信赖程度。

61、2、本发明将实车电池系统的健康状态划分为容量衰减健康状态和不一致性演化健康状态，容量衰减健康状态可表征实车电池系统整体的容量衰减程度，所定义的不一致性演化健康状态可表征电池系统内每一电池模组/单体的不一致性演化程度。基于此，可实现电池系统整体容量衰减和电池系统内的模组/单体不一致性的实时监测，兼具电池健康程度评估和电池失效预警功能。

62、3、本发明将实车容量衰减健康状态和实车电池不一致性演化健康状态做融合处理，将不一致性纳入健康状态的考量中，弥补了现有电池组健康状态估计研究中以容量或者能量这种单一的评价方式评估健康状态的问题。

63、4、本发明立足实车云端充电稀疏数据，建立的实车电池系统综合健康状态评估方法计算复杂程度低，算法的可靠性和鲁棒性强，易于在云端部署，在基于云端大数据平台合理量化电池系统的健康状态方面具有较大的应用价值。