一种动力电池健康状态线下检测方法与流程

本发明属于电动汽车检测，尤其涉及一种动力电池健康状态线下检测方法。

背景技术：

1、近十年来，我国新能源汽车飞速发展，电动汽车保有量呈爆炸式增长。据统计，至2023年6月底，我国新能源汽车保有量已突破1620万辆。随着新能源汽车保有量的不断增长和投入市场使用，同时新能源汽车与燃油车相比新增电动化的特点，在检测评估、维护保养、保险、二手车交易等层面给传统汽车后市场带来了挑战。

2、动力电池作为电动汽车的心脏，其健康状态（soh）对电动汽车整体性能和寿命有着至关重要的影响，也是在二手车交易过程中消费者最为关心的性能指标。然而，目前仍然缺乏对电池soh的有效检测手段，主要原因如下：首先，电池soh无法通过传感器直接测量，只能通过电池充放电时物理量（如电压、电流等）变化间接估算，为电池检测带来挑战；其次，车辆在使用过程中，其动力性能随着时间发生不同程度的衰减，面对复杂的衰减路径，现有的soh检测方法往往不能准确检测电池的健康状态；此外，个别商家通过入侵篡改二手车的bms系统，刷新汽车行驶里程和电池soh，达到以次充好的目的，使得消费者对汽车内置的soh指标结果不信任。因此，目前亟待开发一种线下的动力电池健康度检测方法，对ev动力电池的健康程度进行准确检测。

技术实现思路

1、为解决上述技术问题，本发明提出了一种动力电池健康状态线下检测方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种动力电池健康状态线下检测方法，包括：

3、获取实验车辆的原始电池数据，

4、构建transformer模型，基于所述原始电池数据对所述transformer模型进行训练，获得电池检测模型，其中，所述电池检测模型的输入为电池数据，输出为电池soh；

5、对待测电池充电，记录预设时间的电池充电数据；

6、对所述预设时间的电池充电数据进行预处理，获得预处理数据集；

7、将所述预处理数据集输入至所述电池检测模型中进行计算，获得待测电池soh。

8、优选的，所述原始电池数据和所述电池充电数据包括充电电压数据、充电电流数据、充电温度、soh数据。

9、优选的，所述构建transformer模型的过程包括：

10、构建以多头注意力机制、第一残差网络、前馈神经网络和第二残差网络依次连接的初始transformer模型；

11、对所述transformer模型的输出序列进行处理，获得处理模型；

12、将全连接层作为所述处理模型的输出层，生成所述transformer模型。

13、优选的，对所述transformer模型的输出序列进行处理的过程包括：基于全局平均化方法对所述transformer模型的输出序列中的高维序列特征压缩为固定长度向量，生成所述处理模型。

14、优选的，所述全连接层的节点数为1，所述transformer模型的损失函数为均方误差函数，所述transformer模型进行反向传播时的优化器为adam优化器。

15、优选的，基于所述原始电池数据对所述transformer模型进行训练，获得电池检测模型的过程包括：基于所述原始电池数据中的soh值和反向传播方法对所述transformer模型的参数进行调整，直至最小化模型输出与原始电池数据中的soh值的差异后输出，获得所述电池检测模型。

16、优选的，对待测电池充电，记录预设时间的电池充电数据的过程包括：

17、通过高倍率电流对所述待测电池进行充电，直至电池稳定后切换至低倍率电流，记录切换电流时时刻为t1；

18、保持所述低倍率电流对所述待测电池进行充电，直至时刻t2终止；

19、获取t1至t2时间段内的电池数据，获得预设时间的电池充电数据。

20、优选的，所述获得预处理数据集的过程包括：

21、基于均值滤波方法对所述预设时间的电池充电数据进行噪声处理，获得噪声处理数据集；

22、对所述噪声处理数据集进行归一化处理，获得所述预处理数据集。

23、与现有技术相比，本发明具有如下优点和技术效果：

24、第一，本方法基于电池充电电流突变后电池两端电压变化数据进行soh检测，无需令电池事先静置一段时间，也无需长时间的充电过程采集数据，从而极大缩短了检测流程所花费的时间。第二，通过采集不同条件下的电池数据，并对模型进行联合训练，有效扩大了模型的检测范围。第三，基于人工智能大模型构建电池soh检测模型，提取电池数据与电池soh之间的转换关系，相比于传统模型获得了更高的准确率。

技术特征：

1.一种动力电池健康状态线下检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，所述原始电池数据和所述电池充电数据包括充电电压数据、充电电流数据、充电温度、soh数据。

3.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，所述构建transformer模型的过程包括：

4.根据权利要求3所述的动力电池健康状态线下检测方法，其特征在于，对所述transformer模型的输出序列进行处理的过程包括：基于全局平均化方法对所述transformer模型的输出序列中的高维序列特征压缩为固定长度向量，生成所述处理模型。

5.根据权利要求3所述的动力电池健康状态线下检测方法，其特征在于，所述全连接层的节点数为1，所述transformer模型的损失函数为均方误差函数，所述transformer模型进行反向传播时的优化器为adam优化器。

6.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，基于所述原始电池数据对所述transformer模型进行训练，获得电池检测模型的过程包括：基于所述原始电池数据中的soh值和反向传播方法对所述transformer模型的参数进行调整，直至最小化模型输出与原始电池数据中的soh值的差异后输出，获得所述电池检测模型。

7.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，对待测电池充电，记录预设时间的电池充电数据的过程包括：

8.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，所述获得预处理数据集的过程包括：

技术总结
本发明公开了一种动力电池健康状态线下检测方法，属于电动汽车检测技术领域，包括：获取实验车辆的原始电池数据，构建Transformer模型，基于所述原始电池数据对所述Transformer模型进行训练，获得电池检测模型，其中，对待测电池充电，记录预设时间的电池充电数据；对所述预设时间的电池充电数据进行预处理，获得预处理数据集；将所述预处理数据集输入至所述电池检测模型中进行计算，获得待测电池SOH。本方法基于电池充电电流突变后电池两端电压变化数据进行SOH检测，无需令电池事先静置一段时间，也无需长时间的充电过程采集数据，从而极大缩短了检测流程所花费的时间。

技术研发人员：段鲁男,王思杨,黄智,王永浩,周迪,孙晓旭
受保护的技术使用者：北京博科测试系统股份有限公司
技术研发日：
技术公布日：2024/5/16