一种动力电池等效云端数据生成方法和系统

1.本发明涉及动力电池测试技术领域，具体涉及一种基于线下检测数据的动力电池等效云端数据生成方法和系统。


背景技术：

2.全球减碳行动之下，汽车行业向新能源转型已成为行业共识。作为碳达峰、碳中和的重要一环，我国积极发展新能源汽车产业。动力电池作为新能源汽车的核心动力来源，其可靠性与安全性是保证新能源汽车安全运行的关键。国标gb/t 32960中规定了新能源汽车需要向云端监控平台发送必要的汽车运行实时数据以监控其安全运行状态，其中就包含了动力电池的相关运行数据。随着新能源汽车的市场推广，目前云端监控平台获取了大量动力电池相关的实车运行数据，通过这些实车运行数据可以在云端构建电池复杂模型、设计大数据算法，充分挖掘数据的价值。然而目前的云端数据存在一些断点多、间隔大等问题，准确性低、可信度差，进而导致评价基于云端数据开发的模型和算法准确度十分困难，所以我们需要一套可靠数据来对基于云端数据开发的模型和算法的准确度进行验证。


技术实现要素：

3.为解决现有动力电池云端监控数据准确性低、可信度差，以及由此引发的基于云端数据建立的动力电池模型和算法精度难以评价的问题，本发明提出了一种基于线下检测数据的动力电池等效云端数据生成方法，是一种通过对动力电池云端数据进行数据描述来对线下检测数据进行处理，生成可信度高的动力电池等效云端数据的方法。该方法能够为动力电池云端模型、算法评价提供可靠的数据基础。本发明还涉及一种基于线下检测数据的动力电池等效云端数据生成系统。
4.本发明的技术方案如下：
5.一种基于线下检测数据的动力电池等效云端数据生成方法，其特征在于，包括以下步骤；
6.动力电池线下检测步骤，对动力电池进行线下检测来获取检测数据；所述动力电池包括动力电池单体、动力电池模组、动力电池组、整车动力电池系统四种不同级别的待检测的动力电池或动力电池系统，检测的内容包括电池容量测试、电池内阻测试、宽温域条件下的电池动态放电测试、大电流快速充电测试、小电流慢充测试；
7.建立动力电池云端数据描述步骤，基于已有的实车历史运行的动力电池云端运行数据，采用粒子滤波算法对数据进行清洗和修复以形成原数据集，然后分析原数据集包括数据断点分布、间隔、重复率、丢包率的特征；并建立动力电池模型，用于在给定电流工况下预测动力电池的电压输出；
8.等效数据处理步骤，按照清洗和修复后的原数据集的云端运行数据的间隔对线下检测数据进行抽取，而后采用蒙特卡洛方法通过丢包率和重复率模拟丢包、重复现象，并依照断点分布随机生成电池充放电循环区间；
9.等效数据修正步骤，基于生成的电池充放电循环区间，对于每一个充放电停止过程的最后一帧报文，采用所述动力电池模型预测动力电池下一时刻的电压输出并作为该电池充放电循环区间的最后一帧报文保存；
10.整合检验步骤，整合所有生成的电池充放电循环区间的包括最后一帧报文的所有报文数据形成等效数据集，并检验等效数据集数据断点分布、间隔、重复率、丢包率特征与原数据集的一致性，若一致性大于等于设定阈值则等效数据集的报文数据为动力电池等效云端数据；若一致性低于设定阈值，则重复所述等效数据处理步骤与等效数据修正步骤，直到生成的等效数据集满足一致性要求。
11.优选地，所述动力电池线下检测步骤中，线下测试的数据采样频率高于云端运行数据上传频率，允许对线下测试中不同测试设备采用不同的采样频率。
12.优选地，所述建立动力电池云端数据描述步骤中，采用粒子滤波算法对数据进行清洗和修复包括采用粒子滤波算法对数据进行滤波、降噪，使用逻辑规则对数据进行排序、去重，使用模糊规则对数据异常进行辨识、检测。
13.优选地，分析原数据集的特征还包括充放电深度分布、数据颗粒度、数据内容、数据误差、数据噪声、数据错误，对原数据集的不同特征有不同的判定条件，对于判定数据间隔分布，是通过计算相邻报文的时间戳间隔，选择众数作为预定数据间隔；对于判定数据重复率，是通过时间戳一致或不超过设定的第一时间间隔；对于丢包率，是通过在连续片段内相邻帧报文时间戳间隔超过设定的第二时间间隔；对于充放电深度分布，是通过判定电池的单次充电或放电片段记录起始和结束电池容量，并计算片段长度，而后对所有片段的长度取平均值。
14.优选地，所述等效数据处理步骤中，通过丢包率和重复率模拟丢包、重复现象除采用蒙特卡洛方法外，还采用重要性抽样方法、接受-拒绝抽样方法、决策树方法、随机森林方法、和/或adaboost算法。
15.优选地，所述建立动力电池云端数据描述步骤建立的动力电池模型包括等效电路模型、电化学p2d模型、单粒子模型、异构模型、三维电极模型、分子动力学模型、数据驱动模型、神经网络修正模型的若干组合。
16.一种基于线下检测数据的动力电池等效云端数据生成系统，其特征在于，包括依次连接的动力电池线下检测模块、建立动力电池云端数据描述模块、等效数据处理模块、等效数据修正模块和整合检验模块；
17.所述动力电池线下检测模块，对动力电池进行线下检测来获取检测数据；所述动力电池包括动力电池单体、动力电池模组、动力电池组、整车动力电池系统四种不同级别的待检测的动力电池或动力电池系统，检测的内容包括电池容量测试、电池内阻测试、宽温域条件下的电池动态放电测试、大电流快速充电测试、小电流慢充测试；
18.建立动力电池云端数据描述模块，基于已有的实车历史运行的动力电池云端运行数据，采用粒子滤波算法对数据进行清洗和修复以形成原数据集，然后分析原数据集包括数据断点分布、间隔、重复率、丢包率的特征；并建立动力电池模型，用于在给定电流工况下预测动力电池的电压输出；
19.等效数据处理模块，按照清洗和修复后的原数据集的云端运行数据的间隔对线下检测数据进行抽取，而后采用蒙特卡洛方法通过丢包率和重复率模拟丢包、重复现象，并依
照断点分布随机生成电池充放电循环区间；
20.等效数据修正模块，基于生成的电池充放电循环区间，对于每一个充放电停止过程的最后一帧报文，采用所述动力电池模型预测动力电池下一时刻的电压输出并作为该电池充放电循环区间的最后一帧报文保存；
21.整合检验模块，整合所有生成的电池充放电循环区间的包括最后一帧报文的所有报文数据形成等效数据集，并检验等效数据集数据断点分布、间隔、重复率、丢包率特征与原数据集的一致性，若一致性大于等于设定阈值则等效数据集的报文数据为动力电池等效云端数据；若一致性低于设定阈值，则重复所述等效数据处理模块与等效数据修正模块工作，直到生成的等效数据集满足一致性要求。
22.优选地，所述动力电池线下检测模块中，线下测试的数据采样频率高于云端运行数据上传频率，允许对线下测试中不同测试设备采用不同的采样频率。
23.优选地，所述建立动力电池云端数据描述模块采用粒子滤波算法对数据进行清洗和修复包括采用粒子滤波算法对数据进行滤波、降噪，使用逻辑规则对数据进行排序、去重，使用模糊规则对数据异常进行辨识、检测；分析原数据集的特征还包括充放电深度分布、数据颗粒度、数据内容、数据误差、数据噪声、数据错误。
24.优选地，所述动力电池模型包括等效电路模型、电化学p2d模型、单粒子模型、异构模型、三维电极模型、分子动力学模型、数据驱动模型、神经网络修正模型的若干组合。
25.本发明的有益效果为：
26.本发明提出一种基于线下检测数据的动力电池等效云端数据生成方法，是一种通过对动力电池云端数据进行的数据描述来对线下检测数据进行处理，生成可信度高的动力电池等效云端数据的方法。该方法对于动力电池的线下检测数据可以选取不同规模级别的动力电池或动力电池系统来进行检测进而生成与云端数据相同种类的动力电池数据结果，具有普适性。对于建立云端数据描述时用多种针对性方法先对数据进行清洗和修复，减少其对于云端数据描述的影响，再从多维度全面的建立起云端数据描述，使得云端数据描述具有精确性。基于动力电池线下检测数据，用云端数据描述对其模拟，针对不同的特征描述，分别使用适合的模拟方法来保证数据模拟的准确性，从而生成动力电池的等效云端数据。然后为了模拟实车情况下动力电池由于红绿灯、用户停车或是长时间驻车等原因运行并不连贯的特性，导致存在放电片段中突然中断的现象，此时的电池电流将归零，但是这一帧报文在测试数据中是不存在的，所以建立动力电池模型来模拟这最后一帧报文的数据，所以我们采用电池模型来预测电池充放电停止过程的最后一帧报文的后续几帧报文并保存，对等效数据的准确度进行修正，提高了生成的等效云端数据的准确性，并使之能真正的应用于工业生产过程。最后检验等效数据集的数据特征与云端数据的等效程度，若一致性差，则重复所述等效数据处理步骤与等效数据修正步骤，并再次通过整合检验步骤进行整合和检验，直到生成的等效数据集满足一致性要求，这种自反馈的验证与修正方式可以有效地提高动力电池等效数据的准确性。
27.本发明提出一种基于线下检测数据的动力电池等效云端数据生成方法和系统，模拟了实际动力电池云端数据集存在的各类缺陷和问题，从而更好的模拟真实环境下的云端数据集，进而可以检测电池模型、算法等对存在问题的数据集的适应程度。该方法和系统充分利用了现有的线下检测实验数据，无需额外开展实验测试模拟电池实车环境下的运行过
程并二次抽象成云端数据，减少了实验数据的需求和损耗。
附图说明
28.图1是本发明基于线下检测数据的动力电池等效云端数据生成方法流程图。
29.图2是本发明某116ah电池基于bst-4000电池测试机的动态工况测试数据。
30.图3是二阶等效电路模型图。
31.图4是本发明等效数据处理步骤中某单次充电-放电循环生成数据。
32.图5是采用本发明方法所得到的动力电池等效云端数据图。
33.图6是本发明等效云端数据生成优选流程图。
具体实施方式
34.下面结合附图对本发明进行说明。
35.本发明涉及一种基于线下检测数据的动力电池等效云端数据生成方法，该方法的流程图如图1所示，包括以下步骤：
36.动力电池线下检测步骤，对动力电池进行线下检测来获取检测数据；所述动力电池包括动力电池单体、动力电池模组、动力电池组、整车动力电池系统四种不同级别的待检测的动力电池或动力电池系统，检测的内容是指对云端监控平台中获得的动力电池云端数据包含的种类的测试，包括但不限于电池容量测试、电池内阻测试、宽温域条件下的电池动态放电测试、大电流快速充电测试、小电流慢充测试。
37.建立动力电池云端数据描述步骤，基于已有的动力电池云端运行数据(即实车的历史运行数据)，对数据进行清洗和修复以形成原数据集，然后分析原数据集包括数据断点分布、间隔、重复率、丢包率的特征，对云端数据特征进行描述，并建立动力电池模型，用于在给定电流工况下预测动力电池的电压输出；所述数据清洗和修复的方法优选包括采用粒子滤波算法对数据集进行滤波、降噪，使用逻辑规则对数据集进行排序、去重，使用模糊规则对数据异常进行辨识、检测等；所述描述云端数据特征是指尽可能全面的描述与体现云端数据集的数据特征，特征包括但不限于数据断点、数据间隔、数据重复率、丢包率、充放电深度分布、数据颗粒度、数据内容、数据误差、数据噪声、数据错误。
38.等效数据处理步骤，按照清洗和修复后的原数据集的云端运行数据的间隔对线下检测数据进行抽取，而后采用蒙特卡洛方法通过丢包率和重复率模拟丢包、重复现象，并依照断点分布随机生成电池充放电循环区间。也就是说，基于动力电池线下检测步骤生成的检测数据，用云端数据集的数据特征对其进行筛选；首先生成特定上传频率条件下的等效数据，即按照云端数据的数据间隔对检测数据进行抽取，获得等效数据，然后通过概率(丢包率和重复率)来模拟数据重复、丢包，即对等效数据进行逐帧遍历筛选来模拟数据重复率与丢包率，最后基于统计频率来决定充放电深度，即对等效数据进行逐帧遍历，通过概率(断点分布)随机生成电池充放电循环区间片段来进行进一步筛选与限制。
39.等效数据修正步骤，基于等效数据处理步骤中获得的电池充放电循环区间片段，对于每一个充放电停止过程的最后一帧报文，采用所述动力电池模型预测动力电池后续的输出——下一时刻的电压，作为该电池充放电循环区间的最后一帧报文保存。
40.整合检验步骤，整合所有生成的电池充放电循环区间的包括最后一帧报文的所有
报文数据形成等效数据集，并检验等效数据集数据断点分布、间隔、重复率、丢包率特征与原数据集的一致性，若一致性大于等于设定阈值则等效数据集的报文数据为动力电池等效云端数据；若一致性差(低于设定阈值)，则重复所述等效数据处理步骤与等效数据修正步骤，直到生成的等效数据集满足一致性要求。
41.优选地，所述动力电池线下检测步骤中线下测试的数据采样频率要高于云端运行数据上传频率，允许对线下测试中不同测试设备采用不同的采样频率。
42.优选地，所述建立动力电池云端数据描述步骤中，所述建立动力电池云端数据描述步骤中，采用粒子滤波算法对数据进行清洗和修复包括采用粒子滤波算法对数据进行滤波、降噪，使用逻辑规则对数据进行排序、去重，使用模糊规则对数据异常进行辨识、检测；分析原数据集的特征还包括充放电深度分布、数据颗粒度、数据内容、数据误差、数据噪声、数据错误，对原数据集的不同特征有不同的判定条件，对于判定数据间隔分布，是通过计算相邻报文的时间戳间隔，选择众数作为预定数据间隔；对于判定数据重复率，是通过时间戳一致或不超过设定的第一时间间隔；对于丢包率，是通过在连续片段内相邻帧报文时间戳间隔超过设定的第二时间间隔；对于充放电深度分布，是通过判定电池的单次充电或放电片段记录起始和结束电池容量，并计算片段长度，而后对所有片段的长度取平均值。
43.优选地，所述等效数据处理步骤中的通过概率来模拟数据重复、丢包时可使用的方法包括蒙特卡洛方法、重要性抽样方法、接受-拒绝抽样方法、决策树方法、随机森林方法、adaboost算法。
44.优选地，所述等效数据修正步骤中可采用的动力电池模型包括等效电路模型、电化学p2d模型、单粒子模型、异构模型、三维电极模型、分子动力学模型、数据驱动模型、神经网络修正模型的若干组合。
45.下面我们以一个具体的实施例来进一步阐述。
46.我们选择锂电池作为检测电池(组)。
47.本实施例中采用某116ah锂电池系统进行实验测试，电池组最高电压为344v，最低电压为259v，总容量为116ah，总能量为30.3kwh。我们对该电池系统开展nedc循环工况条件下的老化实验，作为动力电池线下检测步骤(第一步骤)，以10％soc为分度的脉冲放电实验，获取电池老化实验数据、模型参数辨识数据和模型验证数据。数据的采样间隔为1s，电压分度值为0.001v，电流分度值为0.001a，温度分度值为0.1℃。其动态工况测试数据如图2所示，其中横坐标是时间，单位是秒，左纵坐标是电流，单位是a，右纵坐标是电压，单位是v。
48.然后第二步骤——建立动力电池云端数据描述步骤，我们通过已有的云端运行数据，使用粒子滤波等算法进行数据清洗和修复，然后分析数据断点分布、间隔、丢包率、重复率等特征。在本实施例中，通过分析某新能源乘用车在1年内的历史运行数据，检测数据的重复率、丢包率、平均充放电深度、数据间隔、充放电特征等信息作为云端数据描述；其中重复率判定条件为：时间戳一致或不超过2s；丢包率判定条件为：在连续片段内相邻帧报文时间戳间隔超过15s；数据间隔判定条件：通过计算相邻报文的时间戳间隔，选择众数作为预定数据间隔；放电片段平均长度：通过判定电池的单次放电片段记录起始和结束soc，并计算片段长度，而后对所有片段的长度取平均，获得数据如表1所示。
49.表1
50.数据特征数值
丢包率2.3％重复率10.2％数据间隔10s充电上限soc95％放电片段平均长度28％
51.其次我们按照云端数据的间隔对线下检测数据进行抽取，而后采用蒙特卡洛方法通过概率模拟丢包、重复等现象，并依照概率随机生成电池充放电循环区间，如图6所示，首先我们将第一步骤中获得的锂电池线下检测数据作为原始数据，以第二步骤中云端数据的数据采样间隔作为输入，即按照给定的采样数据间隔10s，每10s取原始数据的一帧报文，生成新采样的间隔数据集1；然后我们对数据丢包率进行模拟，采用蒙特卡洛方法，对新采样间隔数据集1从第一帧报文开始遍历，对每一帧报文生成随机数，若生成的随机数小于给定的丢包率2.3％，则丢掉这一帧报文，将所有满足的数据生成新采样的间隔数据集2；其次我们对数据重复率进行模拟，采用蒙特卡洛方法，对新采样间隔数据集2从第一帧报文开始遍历，对每一帧报文生成随机数，若生成的随机数小于给定的重复率10.2％，则丢掉这一帧报文，将所有满足的数据生成新采样间隔数据集3；再次我们对新采样间隔数据集3开始标注电池状态，将电池按照当前工况标注为充电和放电状态，对充放电深度分布进行模拟，具体关于充放电深度，我们输入云端数据的充电深度分布曲线，放电片段长度曲线，充电停车时间分布曲线，放电停车时间分布曲线来综合模拟，对新采样间隔数据集3逐帧进行遍历，具体的分为两种，一种为对于充电片段，从第一帧报文开始生成随机数，根据随机数选取当次充电深度和充电停车时间，从该帧报文开始截取片段长度的报文数并将片段最后一帧报文标记为停车状态，并将下一帧报文增加时间延迟，延迟数等于停车时间；第二种为对于放电片段，从上一帧报文开始生成随机数，根据放电深度确定该次放电过程的目标终止电池容量值soc，再根据随机数选取当次放电片段长度和停车时间，从该帧报文开始截取片段长度的报文数并将片段最后一帧报文标记为停车状态，将下一帧报文增加时间延迟，延迟数等于停车时间。
52.再次我们对于每一次充电或者放电结束时，对电池的工况进行修正模拟，本实施例优选采用等效电路方法来模拟结束帧的后续2-3帧报文并入充放电片段，将各片段整合为一整个云端等效数据集。
53.在本实施例中，建立锂离子电池的等效电路模型，通过电池的脉冲放电数据获取其在放电结束片段后的弛豫曲线，采用粒子群优化算法进行模型参数辨识，通过建立锂电池模型，可以在给定电流工况下预测电池的电压输出。本实施例建立的动力电池模型如图3所示，动力电池模型核心公式如下：
54.[0055][0056]ul,k
＝u
ocv,k-u
p1,k-u
p2,k-u
o,k
+v
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0057]
其中uo为欧姆内阻产生的电压降；i
l
为时域输入电流；ro为欧姆内阻；u
p1
为浓差极化电压；r
p1
为浓差极化电阻；c
p1
为浓差极化电容；u
p2
为扩散极化电压；r
p2
为扩散极化电阻；c
p2
为扩散极化电容；u
ocv
为开路电压；u
l
为端电压。
[0058]
按照云端数据的间隔对线下检测数据进行抽取，而后采用蒙特卡洛方法通过概率(丢包率和重复率)模拟丢包、重复等现象，并依照断点分布随机生成电池充放电循环区间，所得的单次充电-放电循环生成数据如图4所示，其中横坐标是时间，单位是秒，左纵坐标是电流，单位是a，右纵坐标是电压，单位是v。
[0059]
最后检验数据断点、间隔、丢包率等特征与原数据集的一致性，即重新计算数据集内的充放电特征、数据丢失率、重复率等，评估数据的等效程度，若一致性差，则重新生成等效数据集直到满足一致性要求。通过本发明方法生成的等效数据集的数据如图5所示，其中横坐标是时间，单位是秒，左纵坐标是电流，单位是a，右纵坐标是电压，单位是v，是一套可靠的动力电池等效云端数据。
[0060]
本发明还涉及一种基于线下检测数据的动力电池等效云端数据生成系统，与上述的基于线下检测数据的动力电池等效云端数据生成方法相对应，可理解为是实现上述基于线下检测数据的动力电池等效云端数据生成方法的系统，包括依次连接的动力电池线下检测模块、建立动力电池云端数据描述模块、等效数据处理模块、等效数据修正模块和整合检验模块。
[0061]
其中，所述动力电池线下检测模块，对动力电池进行线下检测来获取检测数据；所述动力电池包括动力电池单体、动力电池模组、动力电池组、整车动力电池系统四种不同级别的待检测的动力电池或动力电池系统，检测的内容包括电池容量测试、电池内阻测试、宽温域条件下的电池动态放电测试、大电流快速充电测试、小电流慢充测试；建立动力电池云端数据描述模块，基于已有的实车历史运行的动力电池云端运行数据，采用粒子滤波算法对数据进行清洗和修复以形成原数据集，然后分析原数据集包括数据断点分布、间隔、重复率、丢包率的特征；并建立动力电池模型，用于在给定电流工况下预测动力电池的电压输出；等效数据处理模块，按照清洗和修复后的原数据集的云端运行数据的间隔对线下检测数据进行抽取，而后采用蒙特卡洛方法通过丢包率和重复率模拟丢包、重复现象，并依照断点分布随机生成电池充放电循环区间；等效数据修正模块，基于生成的电池充放电循环区间，对于每一个充放电停止过程的最后一帧报文，采用所述动力电池模型预测动力电池下一时刻的电压输出并作为该电池充放电循环区间的最后一帧报文保存；整合检验模块，整合所有生成的电池充放电循环区间的包括最后一帧报文的所有报文数据形成等效数据集，并检验等效数据集数据断点分布、间隔、重复率、丢包率特征与原数据集的一致性，若一致性大于等于设定阈值则等效数据集的报文数据为动力电池等效云端数据；若一致性低于设定阈值，则重复所述等效数据处理模块与等效数据修正模块工作，直到生成的等效数据集满足一致性要求。
[0062]
进一步地，所述动力电池线下检测模块中，线下测试的数据采样频率高于云端运行数据上传频率，允许对线下测试中不同测试设备采用不同的采样频率。
[0063]
进一步地，所述建立动力电池云端数据描述模块采用粒子滤波算法对数据进行清洗和修复包括采用粒子滤波算法对数据进行滤波、降噪，使用逻辑规则对数据进行排序、去重，使用模糊规则对数据异常进行辨识、检测；分析原数据集的特征还包括充放电深度分布、数据颗粒度、数据内容、数据误差、数据噪声、数据错误。
[0064]
进一步地，所述动力电池模型包括等效电路模型、电化学p2d模型、单粒子模型、异构模型、三维电极模型、分子动力学模型、数据驱动模型、神经网络修正模型的若干组合。
[0065]
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

技术特征：
1.一种基于线下检测数据的动力电池等效云端数据生成方法，其特征在于，包括以下步骤；动力电池线下检测步骤，对动力电池进行线下检测来获取检测数据；所述动力电池包括动力电池单体、动力电池模组、动力电池组、整车动力电池系统四种不同级别的待检测的动力电池或动力电池系统，检测的内容包括电池容量测试、电池内阻测试、宽温域条件下的电池动态放电测试、大电流快速充电测试、小电流慢充测试；建立动力电池云端数据描述步骤，基于已有的实车历史运行的动力电池云端运行数据，采用粒子滤波算法对数据进行清洗和修复以形成原数据集，然后分析原数据集包括数据断点分布、间隔、重复率、丢包率的特征；并建立动力电池模型，用于在给定电流工况下预测动力电池的电压输出；等效数据处理步骤，按照清洗和修复后的原数据集的云端运行数据的间隔对线下检测数据进行抽取，而后采用蒙特卡洛方法通过丢包率和重复率模拟丢包、重复现象，并依照断点分布随机生成电池充放电循环区间；等效数据修正步骤，基于生成的电池充放电循环区间，对于每一个充放电停止过程的最后一帧报文，采用所述动力电池模型预测动力电池下一时刻的电压输出并作为该电池充放电循环区间的最后一帧报文保存；整合检验步骤，整合所有生成的电池充放电循环区间的包括最后一帧报文的所有报文数据形成等效数据集，并检验等效数据集数据断点分布、间隔、重复率、丢包率特征与原数据集的一致性，若一致性大于等于设定阈值则等效数据集的报文数据为动力电池等效云端数据；若一致性低于设定阈值，则重复所述等效数据处理步骤与等效数据修正步骤，直到生成的等效数据集满足一致性要求。2.根据权利要求1所述的动力电池等效云端数据生成方法，其特征在于，所述动力电池线下检测步骤中，线下测试的数据采样频率高于云端运行数据上传频率，允许对线下测试中不同测试设备采用不同的采样频率。3.根据权利要求1所述的动力电池等效云端数据生成方法，其特征在于，所述建立动力电池云端数据描述步骤中，采用粒子滤波算法对数据进行清洗和修复包括采用粒子滤波算法对数据进行滤波、降噪，使用逻辑规则对数据进行排序、去重，使用模糊规则对数据异常进行辨识、检测。4.根据权利要求1至3之一所述的动力电池等效云端数据生成方法，其特征在于，分析原数据集的特征还包括充放电深度分布、数据颗粒度、数据内容、数据误差、数据噪声、数据错误，对原数据集的不同特征有不同的判定条件，对于判定数据间隔分布，是通过计算相邻报文的时间戳间隔，选择众数作为预定数据间隔；对于判定数据重复率，是通过时间戳一致或不超过设定的第一时间间隔；对于丢包率，是通过在连续片段内相邻帧报文时间戳间隔超过设定的第二时间间隔；对于充放电深度分布，是通过判定电池的单次充电或放电片段记录起始和结束电池容量，并计算片段长度，而后对所有片段的长度取平均值。5.根据权利要求1所述的动力电池等效云端数据生成方法，其特征在于，所述等效数据处理步骤中，通过丢包率和重复率模拟丢包、重复现象除采用蒙特卡洛方法外，还采用重要性抽样方法、接受-拒绝抽样方法、决策树方法、随机森林方法、和/或adaboost算法。6.根据权利要求1所述的动力电池等效云端数据生成方法，其特征在于，所述建立动力
电池云端数据描述步骤建立的动力电池模型包括等效电路模型、电化学p2d模型、单粒子模型、异构模型、三维电极模型、分子动力学模型、数据驱动模型、神经网络修正模型的若干组合。7.一种基于线下检测数据的动力电池等效云端数据生成系统，其特征在于，包括依次连接的动力电池线下检测模块、建立动力电池云端数据描述模块、等效数据处理模块、等效数据修正模块和整合检验模块；所述动力电池线下检测模块，对动力电池进行线下检测来获取检测数据；所述动力电池包括动力电池单体、动力电池模组、动力电池组、整车动力电池系统四种不同级别的待检测的动力电池或动力电池系统，检测的内容包括电池容量测试、电池内阻测试、宽温域条件下的电池动态放电测试、大电流快速充电测试、小电流慢充测试；建立动力电池云端数据描述模块，基于已有的实车历史运行的动力电池云端运行数据，采用粒子滤波算法对数据进行清洗和修复以形成原数据集，然后分析原数据集包括数据断点分布、间隔、重复率、丢包率的特征；并建立动力电池模型，用于在给定电流工况下预测动力电池的电压输出；等效数据处理模块，按照清洗和修复后的原数据集的云端运行数据的间隔对线下检测数据进行抽取，而后采用蒙特卡洛方法通过丢包率和重复率模拟丢包、重复现象，并依照断点分布随机生成电池充放电循环区间；等效数据修正模块，基于生成的电池充放电循环区间，对于每一个充放电停止过程的最后一帧报文，采用所述动力电池模型预测动力电池下一时刻的电压输出并作为该电池充放电循环区间的最后一帧报文保存；整合检验模块，整合所有生成的电池充放电循环区间的包括最后一帧报文的所有报文数据形成等效数据集，并检验等效数据集数据断点分布、间隔、重复率、丢包率特征与原数据集的一致性，若一致性大于等于设定阈值则等效数据集的报文数据为动力电池等效云端数据；若一致性低于设定阈值，则重复所述等效数据处理模块与等效数据修正模块工作，直到生成的等效数据集满足一致性要求。8.根据权利要求7所述的动力电池等效云端数据生成系统，其特征在于，所述动力电池线下检测模块中，线下测试的数据采样频率高于云端运行数据上传频率，允许对线下测试中不同测试设备采用不同的采样频率。9.根据权利要求7所述的动力电池等效云端数据生成系统，其特征在于，所述建立动力电池云端数据描述模块采用粒子滤波算法对数据进行清洗和修复包括采用粒子滤波算法对数据进行滤波、降噪，使用逻辑规则对数据进行排序、去重，使用模糊规则对数据异常进行辨识、检测；分析原数据集的特征还包括充放电深度分布、数据颗粒度、数据内容、数据误差、数据噪声、数据错误。10.根据权利要求7至9之一所述的动力电池等效云端数据生成系统，其特征在于，所述动力电池模型包括等效电路模型、电化学p2d模型、单粒子模型、异构模型、三维电极模型、分子动力学模型、数据驱动模型、神经网络修正模型的若干组合。

技术总结
本发明提供了一种基于线下检测数据的动力电池等效云端数据生成方法和系统，该方法包括动力电池线下检测步骤、建立动力电池云端数据描述步骤、等效数据处理步骤、等效数据修正步骤和整合检验步骤，基于动力电池线下检测数据，以建立起的动力电池云端数据描述为条件，对其进行筛选与模拟，来构建起动力电池等效云端数据，并对其进行模拟等效数据修正处理，综合评价动力电池等效云端数据的等效情况，循环步骤直至满足一致性要求。本发明方法建立起一套可靠的动力电池等效云端数据，能够为动力电池云端模型、算法评价提供可靠的数据基础。算法评价提供可靠的数据基础。算法评价提供可靠的数据基础。


技术研发人员：杨世春 周思达 周新岸 刘明岩 李强伟 闫啸宇 陈飞 曹耀光 李兴虎
受保护的技术使用者：北京航空航天大学
技术研发日：2023.04.12
技术公布日：2023/8/13