一种基于车联云的动力锂电池智能化梯次利用方法

1.本发明涉及车联网与新能源联合技术领域，特别涉及一种基于车联云的动力锂电池智能化梯次利用方法。


背景技术：

2.随着新能源汽车越来越受到消费者的青睐，退役动力锂电池的回收再利用已成为了当今研究的热点。
3.由于动力锂电池工作环境的不同，退役之后的剩余电池容量以及寿命存在差异。在进行动力锂电池梯次利用的过程中，我们需要根据剩余的电池容量对动力锂电池进行分级。目前的研究所提出的测试和性能评估方法，如脉冲测试、恒功率测试和恒电流测试等，只考虑了静态环境下动力锂电池的特性，并不能预测其健康状况。而对于动力锂电池寿命方面的研究，主要说明了一些影响动力锂电池利用寿命的因素，如充放电倍率，环境温度等，还考虑多种影响因素下如何合理规范地运用动力锂电池，来更好地增加动力锂电池利用时限。然而并没有在分析动力锂电池数据的基础上，判断动力锂电池soc/so h等健康状态信息，在进行动力锂电池分级时缺乏合理性。虽然制定了一些动力锂电池测试规则，但是获得大量的测试数据并不能得出动力锂电池的健康状态规律。同时整个过程步骤复杂且耗时较长，需要大量的人工，不利于动力锂电池的及时回收以及梯次利用。在目前的研究中，还会存在动力锂电池组离线、外部多变的测试环境、受限的测试时间等问题。
4.本发明采用线上与线下相结合的方式，提出了一种基于车联云的动力锂电池智能化梯次利用方法，从动力锂电池的历史数据和现场测试数据中建立动力锂电池的soh/soc预测模型，实时估计动力锂电池的so h/soc健康状态信息。并根据获得的soh/soc，实现动力锂电池的寿命预测及梯次利用。


技术实现要素：

5.本发明的目的为克服对新能源动力锂电池的回收与利用技术中存在的缺陷与不足，而提出基于车联云的动力锂电池智能化梯次利用方法。
6.为了达到上述目的，本发明采取的技术方案为，一种基于车联云的动力锂电池智能化梯次利用方法，其特征在于，包括以下步骤：
7.(1)实时采集行车环境信息，所述行车环境信息包括道路场景信息、车辆状态信息与车辆位置信息；
8.(2)实时采集动力锂电池的相关数据，所述动力锂电池的相关数据包括温度、电压及电流信息；
9.(3)将所述行车环境信息和所述动力锂电池的相关数据上传云端，并对所述行车环境信息和所述动力锂电池的相关数据进行预处理，形成行车环境历史数据库和动力锂电池历史数据库；
10.(4)搭建动力锂电池测试实验平台，获取测试数据，所述测试数据包括动力锂电池
的动态内阻、静态容量、hppc和ocv；
11.(5)构建深度学习模型用于估计所述动力锂电池的so h/soc，基于所述深度学习模型的数据融合技术，使用所述行车环境历史数据库、所述动力锂电池历史数据库和所述测试数据作为训练数据进行特征学习，建立动力锂电池soh/soc预测模型；
12.(6)将实时采集的所述动力锂电池的相关数据输入所述动力锂电池soh/soc预测模型，实时估计所述动力锂电池的soh/soc，实现所述动力锂电池的寿命预测及梯次利用。
13.进一步的，所述行车环境信息由车载摄像头、车载总线模块与车辆定位模块获得，所述车载摄像头采集所述道路场景信息，所述车载总线模块采集所述车辆状态信息，所述车辆定位模块采集所述车辆位置信息。
14.进一步的，所述动力锂电池的相关数据由车辆在线传感装置实时检测获得。
15.进一步的，所述行车环境信息和动力锂电池的相关数据通过v2x系统的dsrc无线通信模块上传云端。
16.进一步的，所述步骤3中的对所述行车环境信息和所述动力锂电池的相关数据进行预处理包括：
17.(3.1)利用卷积神经网络cnn对所述道路场景信息进行语义分割；
18.(3.2)对语义分割后的所述道路场景信息进行处理：包括数据审核和筛选、图像缩放、数据归一化、图像增强；
19.所述数据审核和筛选：审核数据时，发现并纠正数据中的错误，对存在无法纠正的错误数据或问题数据予以剔除；
20.所述图像缩放：通过缩放调节数据的维度值后让最终的数据张量在[0,1]或[-1,1]的范围内；
[0021]
所述数据归一化：包括逐样本均值削减和特征标准化；所述逐样本均值消减即将图像的平均亮度值除去；所述特征标准化即使数据的每个维度都有零均值和单位方差；
[0022]
所述图像增强：包括形状变化、裁剪与调节颜色；
[0023]
(3.3)对所述行车环境信息与所述动力锂电池的相关数据加标签，其中所述道路场景信息分为空间数据库和属性数据库；所述空间数据库是道路的空间位置信息，包括点、线两种空间实体；所述属性数据库是道路路面特征信息，包括道路名、道路宽度；
[0024]
(3.4)利用arcgis进行所述行车环境信息与所述动力锂电池的相关数据的建库；得到所述行车环境历史数据库与所述动力锂电池历史数据库。
[0025]
进一步的，所述利用基于卷积神经网络cnn对所述道路场景信息进行语义分割包括：
[0026]
(3.1.1)将所述道路场景信息用8个关键点来标注，并进行筛选，筛选后的所述道路场景信息分为训练集和测试集；
[0027]
(3.1.2)获得所述8个关键点的概率分布图，对所述概率分布图取最大值，得到像素坐标系下的关键点坐标；
[0028]
(3.1.3)检测模型选择残差网络resnet50模型进行特征检测，输入为256*256大小的视频帧，输出32*32大小的特征图；
[0029]
(3.1.4)将所述特征图输入由两层所述卷积神经网络cnn组成的回归模块，通过带有l2正则化的欧氏距离损失函数进行优化：
[0030][0031]
其中m为所述关键点个数，pi为网络预测的第i个关键点的坐标，gti表示人工标注的第i个关键点坐标，w
t
为神经网络参数；
[0032]
(3.1.5)使用所述训练集多次迭代与调整参数之后选择在所述验证集上效果最好的模型；
[0033]
(3.1.6)使用训练好的所述卷积神经网络cnn模型，对所述道路场景信息完成语义分割。
[0034]
进一步的，所述卷积神经网络cnn由一个全连接层、四个卷积块、一个输入层和一个输出层构成；输入a和输出b之间的关系式为：b＝f(a|θ)＝f1{
…
f2[f1(x|θ1)|θ2|θ1}。
[0035]
进一步的，所述步骤4中所述动力锂电池测试实验平台由上位机软件、电脑、恒温箱和锂电池充放电测试系统组成；
[0036]
所述动态内阻测试：采用间歇放电方式测试动态内阻；
[0037]
所述静态容量测试：通过计算测试多次静态容量的求均值得到；
[0038]
所述hppc、ocv测试：多种脉冲电流组合以测试hppc、ocv。
[0039]
进一步的，所述步骤5包括如下过程：
[0040]
(5.1)构建深度学习模型用于估计所述动力锂电池的soh/soc，所述深度学习模型为基于门控循环单元的循环神经网络gru-rnn；
[0041]
(5.2)将所述动力锂电池历史数据库中的电压、电流、温度以及所述行车环境历史数据库中的信息输入所述门控循环单元循环神经网络gru-rnn，估算得到动态场景下对应的soc/soh；
[0042]
(5.3)将所述测试数据中的动态内阻、静态容量、hppc、ocv输入到所述门控循环单元循环神经网络gru-rnn，估算得到静态场景下对应的soc/soh；
[0043]
(5.4)多次训练迭代后，完成所述深度学习模型的训练。
[0044]
进一步的，所述门控循环单元循环神经网络gru-rnn由1个输入层、1个隐藏层、1个全连接层和1个输出层组成；所述门控循环单元循环神经网络gru-rnn的前向传播过程如下所示：
[0045]zt
＝σ(wz·
[h
t-1
，x
t
]+bz)
[0046]rt
＝σ(wr·
[h
t-1
，x
t
]+br)
[0047][0048][0049]
其中，h
t-1
为前一序列隐藏层节点输出，x
t
为当前序列隐藏层节点输入，h
t
为当前序列隐藏层节点输出，z
t
和r
t
分别为更新门和重置门的输出量，w为权重参数，b为偏置参数。
[0050]
本发明的有益效果：
[0051]
1、本发明能有效结合车联网技术和深度学习算法，采用线上与线下相结合的方式，建立基于数据驱动的动力锂电池健康预测模型，方便新能源汽车退役动力锂电池的梯次利用、及时回收以及环境保护。
[0052]
2、联合估算模型的主要优点在于gru-rnn具有较好的提取数据特征技术，精度很
高；cnn则参数较少，计算速度很快。采用此联合估算模型能更好地实现动力锂电池的寿命预测与梯次利用。
附图说明
[0053]
图1为本发明的基于车联云的动力锂电池智能化梯次利用方法流程图。
[0054]
图2为本发明v2x车载系统功能设计框图。
[0055]
图3为本发明动力锂电池soc和soh联合估算模型。
[0056]
图4为本发明cnn网络语义分割示意图。
[0057]
图5为本发明结合车联云数据与数据融合技术梯次利用动力锂电池过程图。
[0058]
图6为本发明梯次利用动力锂电池的柱形图。
具体实施方式
[0059]
以下将结合具体实施例对本发明的基于车联云的动力锂电池梯次利用的智能化方法作进一步的详细描述。
[0060]
图1为本发明的基于车联云的动力锂电池智能化梯次利用方法流程图，主要包括以下步骤：
[0061]
s101：实时采集行车环境信息，所述行车环境信息包括道路场景信息、车辆状态信息与车辆位置信息；
[0062]
道路场景信息通过车载摄像头进行采集，gps模块采集车辆位置信息；车载总线模块采集车辆状态信息；车与车或者车与路边单元通过车联网通信进行交互；每个车辆将自身采集到的行车环境信息通过车联网通信进行交互确认行车安全。明确采集好行车环境信息可以方便形成行车环境的历史数据库，也可以确认行车安全，同时，采集道路场景信息可以判别好路面状况，如上下坡，而车辆在上下坡行驶时得到的车辆状态与车辆位置信息是不同的，这些需要被采集。采集车辆状态信息与车辆位置信息可以获得在动态场景下，当车辆加速、减速、上坡、下坡等不同情况下动力锂电池所需的温度、电压、电流数据等,这些数据上传到云端形成历史数据库后可以作为训练集进行特征学习。
[0063]
s102：实时采集动力锂电池的相关数据，所述动力锂电池的相关数据包括温度、电压及电流信息；
[0064]
通过车载在线传感装置实时检测动力锂电池组的温度、电压与电流，获取车辆行驶时动力锂电池的相关数据。随着车辆行驶，动态(线上)场景下，车载在线传感装置就可以实时去检测动力锂电池的温度、电压与电流。当车辆加速、减速、上坡、下坡时动力锂电池所需的温度、电压、电流就可以被其在线传感装置检测到。具体地，车载主控制模块根据加速踏板和制动踏板的开度，确定当前车辆的行驶状态。当发现加速踏板开度变大，车辆在正常行驶阶段，动力锂电池为电机供电。当发现制动踏板开度变大，车辆进入减速阶段，电机用车辆的制动能量发电，且将能量存储在储能装置中。当制动时产生的电流达到某一个阈值时，则动力锂电池满足充电条件。在这个过程中，主控制模块根据动力锂电池的soc和当前车速来决定是否进行制动能量回收。如果要回收能量，车载主控制模块向电机控制器发出相关指令，回收部分制动能量。在行驶过程中，车载主控制模块通过can线给电池控制器发出电能需求，同时采集动力锂电池的温度、电压与电流数据。这些数据通过can线反馈给车
载主控制模块。
[0065]
s103：将所述行车环境信息和所述动力锂电池的相关数据上传云端，并对所述行车环境信息和所述动力锂电池的相关数据进行预处理，形成行车环境历史数据库和动力锂电池历史数据库；
[0066]
数据上传云端是通过v2x车联网的无线传输模块dsrc传输信息。图2是v2x车联网系统各模块功能图。车载系统主要由数据采集、信息交互、数据上传三个部分组成，数据采集部分为之前用动力锂电池的在线传感装置采集到的动力锂电池数据，以及车载摄像头采集的道路场景数据。信息交互部分包括v2v通信以及v2i通信。当车辆进入路侧基础通信单元的射频范围内，通过dsrc链路将采集的数据上传至云端。所述v2x车联网系统主要包括can总线模块、dsrc无线通信模块、gps定位模块、主控制模块等。利用can总线模块将获取的车辆状态数据传输至v2x车载系统，如加速、转向和制动电流数据等。
[0067]
在云端，首先利用卷积神经网络cnn对所述行车环境信息中的道路场景信息进行语义分割，行车环境中的道路场景影响着车辆在动态场景下的行驶状态从而影响着动力锂电池的使用与消耗，间接决定了动力锂电池相关数据的实时采集。用较少的层数高效完成精度较高的实时分割。
[0068]
卷积神经网络cnn由一个全连接层、四个卷积块、一个输入层和一个输出层构成。我们设定卷积神经网络的输入和输出为a和b，则输入和输出之间的关系可表示如式所示：
[0069]
b＝f(a|θ)＝f1{
…
f2[f1(x|θ1)|θ2|θ1}。
[0070]
卷积神经网络cnn，可以输出若干通道的分辨率较小的特征图，与之前的图像大小相等，一部分解码器接在编码器后面。卷积神经网络cnn的网络结构中各层的特征图如图4所示。将之前采集好的道路场景样本图片，用8个关键点来标注。训练数据集有训练图片和测试图片。测试图片可作为测试集在模型建好后去检验模型。对标注好的图片进行剪切、旋转。丰富数据集可以用镜像变换的方式。人工筛选出有效帧，对车辆遮挡严重和数量不多的帧，标注差距超过百分之30pixel的关键点所在帧要剔除，用多名标注人员交叉验证的方法保证训练数据标注的准确性。特征检测模型选择resnet50，对参考关键点检测网络要搭建好相应的关键点检测模型。车辆关键点检测模块的基础框架利用卷积神经网络cnn，经特征提取网络学习之后输出32*32大小的特征图，将特征图输入回归模块，回归模块由两层卷积神经网络cnn组成，网络通过带有l2正则化的欧氏距离损失函数进行优化，如下式所示：
[0071][0072]
其中m为车辆预设关键点个数，pi为网络预测的第i个关键点的坐标，gti表示人工标注的第i个关键点坐标。w
t
为神经网络参数。
[0073]
之后再对获得的行车环境信息与动力锂电池的相关数据进行预处理，包括数据审核和筛选、图像缩放、数据归一化、图像增强。审核数据时，对数据中存在的问题与错误，要进行改正。然后筛选数据，对无法纠正错误的数据直接删除。数据的归一化处理是由简单缩放、逐样本均值削减和特征标准化构成。简单缩放调节数据的维度值后让最终的数据张量在[0,1]或[-1,1]的范围内。在图像处理中，逐样本均值消减操作将图像的平均亮度值除去。特征标准化可以使数据的每个维度都有零均值和单位方差。图像增强方法一般有形状变化、裁剪与调节颜色等。行车环境中的道路场景数据可以分类为空间数据库和属性数据
库。在空间数据库中，道路的空间位置是点、线两种空间实体，这样的道路空间位置可以更加精准的表示。属性数据库里是道路路面特征信息的，如道路名、道路宽度等，此类信息可以将道路的所有信息都表示出来。利用arcgis进行行车环境信息与动力锂电池信息数据的采集与建库。将数据改为arcgis格式后进行整理与分类。利用其中的arctool的转图方法把不同的cad图层转换为要素类，用功能模块arccatalog创建一个空的personal geodatabase，再对数据库重命名，利用向导来把空间数据导入进去。录进属性数据前，要先建立相应的属性结构。最终，可以得到行车环境历史数据库与动力锂电池历史数据库。
[0074]
s104：搭建动力锂电池测试实验平台，获取测试数据，所述测试数据包括所述动力锂电池的动态内阻、静态容量、hppc和ocv；
[0075]
动力锂电池组测试实验平台主要由上位机软件、电脑、恒温箱和锂电池充放电测试系统组成。动力锂电池充放电测试系统采集动力锂电池数据，并通过can总线传输至电脑，并由上位机软件对数据进行可视化处理。动力锂电池充放电测试系统设置有8路独立控制测试通道，可同时对8组动力锂电池进行测试。各测试通道用专用夹具连接动力锂电池，每个通道最高采样频率为3hz；温度采集精度为
±
0.5℃；电流测量精度为
±
0.2％；电压测量精度为
±
0.1％。上机位软件可以实时接收与上传动力锂电池测试得到的数据,可以处理动力锂电池历史数据,分析并展示动力锂电池基本性能。测试时,先将动力锂电池放置恒温箱中,控温范围为-10℃～100℃,温度控制精度为
±
0.1℃。再进行动力锂电池动态内阻、静态容量、hppc、ocv的测试，获得了现场测试数据。
[0076]
采用间歇放电方式测试动态内阻。动力锂电池的有效容量则通过计算测试五次静态容量的求均值得到。多种脉冲电流组合以测试hppc、ocv。将动力锂电池放在恒温箱中静置1个小时使动力锂电池达到热平衡，以标准的电流0.5c恒流将动力锂电池充电到最大值，再选取0.3c、0.5c、3c、3.5c、2.6c五种放电电流倍率放电至截止电压，充电后与放电后的静置时间为1个小时以上，得到ocv，用1h静止后的电压作为ocv。
[0077]
s105：构建深度学习模型用于估计所述动力锂电池的so h/soc，基于所述深度学习模型的数据融合技术，使用所述行车环境数据库、所述动力锂电池历史数据库和所述测试数据作为训练数据进行特征学习，建立动力锂电池soh/soc预测模型；
[0078]
构建基于门控循环单元的循环神经网络gru-rnn的深度学习模型用于估计所述动力锂电池的soh/soc。门控循环单元循环神经网络gru-rnn，由1个输入层、1个隐藏层、1个全连接层和1个输出层组成。gru-rnn的前向传播过程表示如下：
[0079]zt
＝σ(wz·
[h
t-1
，x
t
]+bz)
[0080]rt
＝σ(wr·
[h
t-1
，x
t
]+br)
[0081][0082][0083]
其中，h
t-1
为前一序列隐藏层节点输出，x
t
为当前序列隐藏层节点输入，h
t
为当前序列隐藏层节点输出，z
t
和r
t
分别为更新门和重置门的输出量，w为权重参数，b为偏置参数。
[0084]
动力锂电池soc/soh联合估算模型的实现流程如下：
[0085]
(1)构建深度学习模型用于估计所述动力锂电池的so h/soc，所述深度学习模型为基于门控循环单元的循环神经网络gru-rnn，设置目标函数与优化算法，设置训练次数、
采样间隔、初始化网络权值和偏置量；
[0086]
(2)将动力锂电池历史数据库中的电压、电流、温度以及行车环境历史数据库中的信息输入门控循环单元循环神经网络gru-rnn，估算得到动态场景下对应的soc/soh；
[0087]
(3)将测试数据中的动态内阻、静态容量、hppc、ocv输入到门控循环单元循环神经网络gru-rnn，估算得到静态场景下对应的soc/soh；
[0088]
(4)多次训练迭代后，完成所述深度学习模型的训练。
[0089]
s106：将实时采集的所述动力锂电池的相关数据输入所述动力锂电池soh/soc预测模型，实时估计所述动力锂电池的so h/soc，实现动力锂电池的寿命预测及梯次利用。
[0090]
模型训练完成后，再将实际的测试集数据输入到模型中，以快速、准确地估计动力锂电池的soh/soc。并根据获得的soh/soc，实现动力锂电池的寿命预测及梯次利用。如图5与图6所示，原先是容量一致的新的动力锂电池，经过长时间利用过后，容量产生差异，经过车联云数据分析以及现场快速测试与模型预测，采用数据融合的方式分选，动力锂电池容量差异减小，根据所剩容量分别分配利用到电动装置、储能装置、低端客户。剩余容量为0的则被拆解回收。把线上的历史数据与线下的现场测试数据作为基于卷积神经网络cnn与基于门控循环单元循环神经网络gru-ruu构成的深度学习联合估算模型的训练集，通过该深度学习联合估算模型的数据融合技术进行训练输出动力锂电池soh/soc参数。模型训练完成后，输入实际的动力锂电池数据即可快速、准确地估计动力锂电池的soh/soc，从而实现动力锂电池的寿命预测及梯次利用。
[0091]
本发明能有效结合车联网技术和深度学习算法，建立基于数据驱动的动力锂电池健康预测模型，方便新能源汽车退役动力锂电池的梯次利用、及时回收以及环境保护。
[0092]
以上结合附图对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质。