动力电池健康状态估计方法、系统及介质与流程

1.本发明涉及动力电池技术领域，尤其涉及一种动力电池健康状态估计方法、系统及介质。


背景技术：

2.动力电池随着使用年限、行驶里程的增加而逐渐老化，导致电池容量减少、健康状态(soh)下降，电池性能发生不可逆转的衰退，进而影响用户使用。然而，对于用户以及汽车制造商而言，却无法直接准确地估计电池的老化程度，在保养维护、故障诊断等方面造成困扰。
3.现有技术中可以通过电动汽车实际运行所产生的数据，采集到较为精确的电池容量；同时通过大数据建立不同的电池衰减模型，并进行当前健康状态估计。但是不能实现电池的剩余寿命预测，同时也难以对用户使用行为提供指导，具体如下：
4.1、传统的针对实际车辆的soh估计与剩余寿命预测，往往需要将车辆送至维修中心进行，需要花费大量时间、精力与金钱，大大增加用户和制造商的保养维护成本；
5.2、对于磷酸铁锂电池而言，在充电过程中，单体电压与荷电状态(soc)的关系存在一个平台期(如图1所示)，在平台期片段内进行soh估计存在较大误差，基于先前提出的容量计算方法，需要在进入平台期之前(即soc在30％以下)开始数据采集，在平台期结束之后(即soc达到100％)停止数据采集。由于用户使用习惯的不同，尤其对于保守用户，往往不会将车辆电池soc消耗至30％以下才进行充电，因此这种方法往往难以覆盖足够多的使用场景，在很多情况下无法实际应用；
6.3、用户的使用习惯往往会对电池寿命造成很大影响，目前不能通过用户行为分析指导用户正确使用电动汽车，影响电池寿命。


技术实现要素：

7.本发明的主要目的在于提供一种动力电池健康状态估计方法、系统及介质，旨在实现在实际车辆上完成soh的估计与剩余寿命预测，节省大量时间、精力与金钱；实现仅利用部分充电片段(如，soc从50％充电至70％的片段)，即可完成soh的估计，提高用户估计soh的可行性与效率；实现衰减因子的提取与分析，提供用户使用指导，如提供最佳充电区间等。
8.为了达到上述目的，本发明提出一种动力电池健康状态估计方法，所述方法包括以下步骤：
9.步骤s10，获取车辆动力电池系统的实时运行数据，其中，所述实时运行数据至少包括所述动力电池系统充电过程中的一个窄片段产生的衰减特征；
10.步骤s20，将所述车辆动力电池系统的实时运行数据输入预先建立的动力电池充电过程的衰减特征参数与健康状态的关系模型，所述健康状态包括所述动力电池的容量、剩余使用寿命；
11.步骤s30，基于所述衰减特征和所述关系模型在车辆上完成动力电池健康状态估计，进行容量和剩余寿命预测。
12.本发明进一步的技术方案是，所述步骤s10，获取车辆动力电池系统的实时运行数据之前包括：
13.预先建立动力电池充电过程的衰减特征参数与健康状态的关系模型。
14.本发明进一步的技术方案是，所述预先建立动力电池充电过程的衰减特征参数与健康状态的关系模型的步骤包括：
15.从历史数据中计算所述动力电池系统充电时荷电状态覆盖的区间，提取该区间充电片段的衰减特征参数进行机器学习，建立该区间的关系模型。
16.本发明进一步的技术方案是，所述实时运行数据还包括所述动力电池的衰减因子，所述步骤s10之后还包括：
17.将所述衰减因子与容量衰减进行相关性分析，量化不同衰减因子的影响程度，为用户提供使用指导。
18.本发明进一步的技术方案是，所述衰减因子包括日均行驶里程、平均充电深度、平均静置时长、用户行为。
19.本发明进一步的技术方案是，所述衰减特征包括行驶里程、使用年限、电量增量。
20.为实现上述目的，本发明还提出一种动力电池健康状态估计系统，所述系统包括存储器、处理器以及存储在所述处理器上的动力电池健康状态估计程序，所述动力电池健康状态估计程序被所述处理器运行时执行如上所述的方法的步骤。
21.为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有动力电池健康状态估计程序，所述动力电池健康状态估计程序被处理器运行时执行如上所述的方法的步骤。
22.本发明动力电池健康状态估计方法、系统及介质的有益效果是；
23.(1)本发明实现了在实际车辆上完成soh的估计与剩余寿命预测，节省大量时间、精力与金钱。
24.(2)本发明实现了仅利用部分充电片段(如，soc从50％充电至70％的片段)，即可完成soh的估计，提高用户估计soh的可行性与效率。
25.(3)本发明实现了衰减因子的提取与分析，提供用户使用指导，如提供最佳充电区间等。
附图说明
26.图1是磷酸铁锂电池充电过程单体电压-soc关系示意图；
27.图2是本发明动力电池健康状态估计方法较佳实施例的流程示意图；
28.图3是基于充电窄区间衰减特征的soh估计与剩余寿命预测示意图；
29.图4是衰减特征与衰减因子的提取示意图；
30.图5是基于衰减因子的衰减分析示意图。
31.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
具体实施方式
32.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
33.本发明提出一种动力电池健康状态估计方法，本发明所采用的技术方案主要是：
34.(1)通过对汽车运行大数据的采集与处理，可以得到soh以及各种在充电过程中提取的相关的衰减特征(如行驶里程，使用年限，电量增量等)。基于大数据进行机器学习，建立充电过程的衰减特征参数与soh的关系模型。对于同类型车辆，则可以基于充电过程采集的新衰减特征参数，直接在车辆上完成soh估计，并进行剩余寿命预测。
35.(2)对于动力电池，例如磷酸铁锂电池，在机器学习的过程中，仅选取充电过程中的一个窄片段，利用该片段产生的衰减特征(如，单体电量增量)，寻找衰减特征与容量的关系，建立有效的soh估计模型。
36.(3)通过对汽车运行大数据的采集与处理，可以得到soh以及各种与电池老化相关的衰减因子(如日均行驶里程，平均充电深度等)。分析不同衰减因子与电池老化的关系，为用户提供使用指导。
37.具体地，如图2所示，本发明动力电池健康状态估计方法较佳实施例包括以下步骤：
38.步骤s10，获取车辆动力电池系统的实时运行数据，其中，所述实时运行数据至少包括所述动力电池系统充电过程中的一个窄片段产生的衰减特征。
39.步骤s20，将所述车辆动力电池系统的实时运行数据输入预先建立的动力电池充电过程的衰减特征参数与健康状态的关系模型，所述健康状态包括所述动力电池的容量、剩余使用寿命。
40.步骤s30，基于所述衰减特征和所述关系模型在车辆上完成动力电池健康状态估计，进行容量和剩余寿命预测。
41.进一步地，本实施例中，所述步骤s10，获取车辆动力电池系统的实时运行数据之前包括：
42.预先建立动力电池充电过程的衰减特征参数与健康状态的关系模型。
43.进一步地，本实施例中，所述预先建立动力电池充电过程的衰减特征参数与健康状态的关系模型的步骤包括：
44.从历史数据中计算所述动力电池系统充电时荷电状态覆盖的区间，提取该区间充电片段的衰减特征参数进行机器学习，建立该区间的关系模型。
45.进一步地，本实施例中，所述实时运行数据还包括所述动力电池的衰减因子，所述步骤s10之后还包括：
46.将所述衰减因子与容量衰减进行相关性分析，量化不同衰减因子的影响程度，为用户提供使用指导。
47.进一步地，本实施例中，所述衰减因子包括日均行驶里程、平均充电深度、平均静置时长、用户行为。
48.进一步地，本实施例中，所述衰减特征包括行驶里程、使用年限、电量增量。
49.以下结合图3至图5，对本发明动力电池健康状态估计方法进行进一步地详细阐述。
50.如图3所示，本发明中中基于充电窄区间衰减特征的soh估计与剩余寿命预测具体
采用以下方案。
51.(1)车辆动力电池系统通过传感器采集时间、电流、温度、soc、单体电压等信号，并将其上传到大数据云计算平台中；
52.(2)对历史数据进行数据清洗与预处理，通过安时积分法计算得到历史容量信息；通过对历史数据的分析，计算得到多个电池衰减特征，如：容量衰减速率、日均行驶里程、平均充电深度、平均充电频率等；
53.(3)对多维衰减特征，使用无监督学习算法，如k-means等算法进行聚类，得到多个衰减模式分类；
54.(4)针对不同衰减模式类型，基于窄区间的充电数据提取健康特征与计算得到的容量，使用高斯过程回归、卷积神经网络等人工智能算法，分别建立soh估计模型，最终形成多种衰减模式下的soh估计模型库；
55.(5)针对待测车辆，首先基于其历史运行数据，进行衰减特征识别与衰减模式归类；其次，基于窄区间提取健康特征，使用所属衰减模式下的模型进行soh估计与剩余寿命预测。
56.如图4至图5所示，本发明中基于衰减因子的衰减分析过程如下：
57.(1)车辆动力电池系统通过传感器采集时间、电流、温度、soc、单体电压等信号，并将其上传到大数据云计算平台中；
58.(2)对历史数据进行数据清洗与预处理，通过安时积分法计算得到历史容量信息；通过对用户行为(包括驾驶行为、充电行为、静置行为等)的分析，计算得到多个电池衰减因子，如：容量衰减速率、日均行驶里程、平均充电深度、平均充电频率等；
59.(3)计算车辆的历史容量衰减量，分析衰减量与多维衰减因子的相关性；
60.(4)根据不同衰减因子与容量衰减的相关性，得到该车辆对容量衰减贡献较大的衰减因子，阐明不同用户行为对容量衰减的影响程度，进而为用户提供车辆使用建议。
61.本发明动力电池健康状态估计方法可以通过实车运行大数据统计分析，可从历史数据中计算电池容量和衰减特征参数，建立基于机器学习的soh估计模型。基于该模型，可以实现对同类型任意车辆soh的精确估计与剩余寿命预测。
62.本发明动力电池健康状态估计方法可以根据大数据统计用户充电习惯，寻找大部分用户充电时soc覆盖的区间，如大多数用户的充电过程，soc会覆盖从50％～70％这一片段(如图1虚线所围区域所示)，则提取该部分充电片段的衰减特征参数，进行机器学习，建立该片段的soh估计模型，保证大部分用户可以根据充电过程，对soh进行估计。
63.本发明动力电池健康状态估计方法可以通过实车运行大数据统计分析，可从历史数据中计算日均行驶里程、平均充电深度、平均静置时长等衰减因子，将衰减因子与容量衰减进行相关性分析，进一步量化不同衰减因子的影响程度，为用户提供使用指导。
64.本发明动力电池健康状态估计方法的技术创新点在于：
65.(1)提出基于衰减特征的实车动力电池容量估计方法与剩余寿命预测方法；
66.(2)针对不同类型的车辆建立独立的soh估计模型，提高单车soh的估计准确性。
67.(3)提取与使用相关的不同衰减因子，进一步分析衰减因子对电池老化的影响，提供用户使用指导。
68.本发明动力电池健康状态估计方法的有益效果是；
69.(1)本发明实现了在实际车辆上完成soh的估计与剩余寿命预测，节省大量时间、精力与金钱。
70.(2)本发明实现了仅利用部分充电片段(如，soc从50％充电至70％的片段)，即可完成soh的估计，提高用户估计soh的可行性与效率。
71.(3)本发明实现了衰减因子的提取与分析，提供用户使用指导，如提供最佳充电区间等。
72.为实现上述目的，本发明还提出一种动力电池健康状态估计系统，所述系统包括存储器、处理器以及存储在所述处理器上的动力电池健康状态估计程序，所述动力电池健康状态估计程序被所述处理器运行时执行如上所述的方法的步骤，这里不再赘述。
73.为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有动力电池健康状态估计程序，所述动力电池健康状态估计程序被处理器运行时执行如上所述的方法的步骤，这里不再赘述。
74.以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种动力电池健康状态估计方法，其特征在于，所述方法包括以下步骤：步骤s10，获取车辆动力电池系统的实时运行数据，其中，所述实时运行数据至少包括所述动力电池系统充电过程中的一个窄片段产生的衰减特征；步骤s20，将所述车辆动力电池系统的实时运行数据输入预先建立的动力电池充电过程的衰减特征参数与健康状态的关系模型，所述健康状态包括所述动力电池的容量、剩余使用寿命；步骤s30，基于所述衰减特征和所述关系模型在车辆上完成动力电池健康状态估计，进行容量和剩余寿命预测。2.根据权利要求1所述的动力电池健康状态估计方法，其特征在于，所述步骤s10，获取车辆动力电池系统的实时运行数据之前包括：预先建立动力电池充电过程的衰减特征参数与健康状态的关系模型。3.根据权利要求2所述的动力电池健康状态估计方法，其特征在于，所述预先建立动力电池充电过程的衰减特征参数与健康状态的关系模型的步骤包括：从历史数据中计算所述动力电池系统充电时荷电状态覆盖的区间，提取该区间充电片段的衰减特征参数进行机器学习，建立该区间的关系模型。4.根据权利要求1所述的动力电池健康状态估计方法，其特征在于，所述实时运行数据还包括所述动力电池的衰减因子，所述步骤s10之后还包括：将所述衰减因子与容量衰减进行相关性分析，量化不同衰减因子的影响程度，为用户提供使用指导。5.根据权利要求4所述的动力电池健康状态估计方法，其特征在于，所述衰减因子包括日均行驶里程、平均充电深度、平均静置时长、用户行为。6.根据权利要求1所述的动力电池健康状态估计方法，其特征在于，所述衰减特征包括行驶里程、使用年限、电量增量。7.一种动力电池健康状态估计系统，其特征在于，所述系统包括存储器、处理器以及存储在所述处理器上的动力电池健康状态估计程序，所述动力电池健康状态估计程序被所述处理器运行时执行如权利要求1至6任意一项所述的方法的步骤。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有动力电池健康状态估计程序，所述动力电池健康状态估计程序被处理器运行时执行如权利要求1至6任意一项所述的方法的步骤。

技术总结
本发明提供了一种动力电池健康状态估计方法、系统及介质，该方法包括：获取车辆动力电池系统的实时运行数据，实时运行数据至少包括动力电池系统充电过程中的一个窄片段产生的衰减特征；将车辆动力电池系统的实时运行数据输入预先建立的动力电池充电过程的衰减特征参数与健康状态的关系模型，健康状态包括动力电池的容量、剩余使用寿命；基于衰减特征和关系模型在车辆上完成动力电池健康状态估计，进行容量和剩余寿命预测。本发明实现了在实际车辆上完成SOH的估计与剩余寿命预测，节省大量时间、精力与金钱；实现了仅利用部分充电片段即可完成SOH的估计，提高了用户估计SOH的可行性与效率；实现了衰减因子的提取与分析，提供用户使用指导。用户使用指导。用户使用指导。


技术研发人员：黄祖朋 卢晨 李彬 黄清敏 姚博炜
受保护的技术使用者：柳州赛克科技发展有限公司
技术研发日：2023.03.22
技术公布日：2023/7/12