电动汽车的电池健康状态的估计方法技术

本发明专利技术提供一种电动汽车的电池健康状态的估计方法，包括：首先利用大数据平台对相同型号的电池健康状态参数进行采集，获取数据库，并根据数据库中的电池健康状态参数数据建立回归模型，其次将回归模型的输出数据分为离群点和正常点，并根据预设的阈值将离群点划分为容量再生点和异常点，并将容量再生点和处理后的异常点均值代入第一预测模型生成容量再生结果，将正常点进行数据分布平衡处理后代入第二预测模型生成正常结果，最后生成组合结果，并将组合结果输出为电动汽车的电池健康状态的估计结果。整个方法流程可以通过建立数学模型实现，综合考虑了容量再生现象的影响，避免了化学反应对电池容量估计的影响，从而达到了更高的预测精度。

【技术实现步骤摘要】
电动汽车的电池健康状态的估计方法
本专利技术涉及电动汽车电池
，特别涉及一种电动汽车的电池健康状态的估计方法。
技术介绍
电池健康状态描述了电池与新电池相比的健康状态。电池健康状态通常用当前循环的最大容量与额定容量之比来定义。通常，电池故障阈值建议为额定容量的80％左右，在超过80％阈值后，电池容量退化呈指数衰减趋势。因此，当电池健康状态降至80％以下时，电池性能将迅速恶化。换句话说，功能性故障总是发生在电池健康状态低于故障阈值之后。一旦池健康状态小于预定的故障阈值，电动汽车的锂离子电池就被认为是不健康的。但是目前的电动汽车的电池健康状态估计仍不能精确的反应电池的真实容量。为提高电池容量的真实值，电池健康状态估计的准确度变得越来越重要。现有的对电池健康状态的评估方法如下：企业大数据平台收集不同车型各种工况运行数据，形成数据存储的云平台，供企业监测电动汽车的运行状态。通过调用大数据平台的数据可建立用于评估电池健康状态的模型。而电池的电化学模型建立在电池内部特性的基础上。当工作条件(如温度、功率)不断变化时，很难求解所需的复杂耦合非线性偏微分方程。虽然等效电路模型可以近似地表示电池的动态和静态特性。但是，模型的建立依赖于阻抗数据，这是实验所无法获得的。模型只能近似的接近电池的静态特性和动态特性，求解的精度不高。此外，传统模型并未深入将容量再生现象考虑到电池健康状态估计当中，而容量再生现象将会影响电动汽车宏观的行驶里程，从而带来驾驶员驾驶电动汽车时因担心突然没电引起的精神痛苦或忧虑问题，因此更为准确的电池健康状态估计会带来更好的驾驶体验。
技术实现思路
本专利技术的目的在于解决现有技术中电池健康状态的估计结果预测精度不高的问题。为解决上述问题，本专利技术的实施方式公开的电动汽车的电池健康状态的估计方法，包括以下步骤：S1：利用大数据平台对相同型号电池的电池健康状态参数进行采集，获取电池健康状态参数的数据库，并根据数据库中的电池健康状态参数数据建立回归模型；S2：利用回归模型对电池健康状态参数进行分析，获取回归模型的输出数据；其中，回归模型的输出数据包括电动汽车的修正电池健康状态信息；S3：将输出数据区分为离群点和正常点，并根据预设的电池健康状态数据阈值将离群点划分为容量再生点和异常点，并对异常点进行均值处理；将容量再生点和被处理后的异常点均值代入第一预测模型，生成容量再生结果；S4：将正常点进行数据分布平衡处理，并将处理后的正常点代入第二预测模型，生成正常结果；S5：利用容量再生结果替换同一时刻的正常结果，生成组合结果，并将组合结果输出为电动汽车的电池健康状态的估计结果。采用上述方案，对大数据平台中相同型号的电池的的电池健康状态参数进行采集，以建立电池健康状态参数的数据库，然后利用数据库中的电池健康参数数据建立回归模型，将模型中的数据进行分析训练，以将回归模型的输出数据分为离群点和正常点。之后将离群点分类为容量再生点和异常点，将容量再生点和均值处理后的异常点代入第一预测模型，将正常点进行数据分布处理后代入第二预测模型，最后生成组合结果并将组合结果输出为电动汽车的电池健康状态的估计结果。整个方法流程中，不论是采集电池健康状态参数、建立回归模型，还是对回归模型的输出数据进行分析处理、生成组合结果，都可以通过建立数学模型或软件实现，无需进行实际的测量，操作方便。并且，在估计电池健康状态时综合考虑了容量再生现象的影响，避免了化学反应对电池容量估计的影响，从而使得电池健康状态的预测精度更高。根据本专利技术的另一具体实施方式，本专利技术实施方式公开的电动汽车的电池健康状态的估计方法，电池健康状态参数包括电池温度、电池电流、电池电压、初始电池健康状态信息。根据本专利技术的另一具体实施方式，本专利技术实施方式公开的电动汽车的电池健康状态的估计方法，步骤S1中，根据数据库中的电池健康状态参数数据建立回归模型，包括：通过对数据库中的电池健康状态参数数据划分为训练集和测试集，根据训练集建立初始模型，并通过测试集对初始模型进行验证，得到回归模型。采用上述方案，将电池温度，电池电流，电池电压、以及初始电池健康状态信息作为回归模型的输入，并通过将电池健康状态参数数据划分为训练集和测试集以此来训练模型并得到回归模型，通过该回归模型输出修正后的修正电池健康状态信息，得到的输出数据更准确。此外，通过上述训练得到的回归模型，能够准确地表示修正电池健康状态的分布趋势，便于后续将回归模型的输出数据进行分类的操作。根据本专利技术的另一具体实施方式，本专利技术实施方式公开的电动汽车的电池健康状态的估计方法，回归模型为线性回归模型；并且，第一预测模型为极端梯度提升模型；并且，第二预测模型为自注意力模型、长短期记忆网络、门控循环单元网络、循环神经网络中的任意一种。根据本专利技术的另一具体实施方式，本专利技术实施方式公开的电动汽车的电池健康状态的估计方法，步骤S3中，将输出数据区分为离群点和正常点，包括：获取回归模型的模型参数；其中，模型参数包括自变量、因变量和常量；通过对常量的数值进行调节，并根据自变量、因变量、调节后的常量获取分割线，并利用分割线将回归模型的输出数据区分为离群点和正常点。根据本专利技术的另一具体实施方式，本专利技术实施方式公开的电动汽车的电池健康状态的估计方法，步骤S3中，根据预设的电池健康状态数据阈值将离群点分为容量再生点和异常点，包括：S31：获取各离群点前一时刻的电池健康状态值和离群点后一时刻的电池健康状态值，并根据离群点前一时刻的电池健康状态值和离群点后一时刻的电池健康状态值计算出离群点的电池健康状态均值；S32：判断离群点的电池健康状态均值是否大于预设的电池健康状态数据阈值；若是，则将离群点确定为异常点；若否，则将离群点确定为容量再生点。根据本专利技术的另一具体实施方式，本专利技术实施方式公开的电动汽车的电池健康状态的估计方法，步骤S3中，对异常点进行均值处理包括：S33：获取异常点的前一时刻的电池健康状态值，以及异常点的后一时刻的电池健康状态值，并计算异常点的前一时刻的电池健康状态值和异常点的后一时刻的电池健康状态值的异常点均值；S34：将异常点替换为电池健康状态值的异常点均值。采用上述方案，将回归模型的输出数据区分为离群点和正常点，通过对电池健康状态值做均值计算并根据预设的电池健康状态数据阈值再将离群点分为容量再生点和异常点，最后对异常点做均值处理并将得到的容量再生点和被处理后的异常点代入第一预测模型，生成容量再生结果。由此，充分考虑了容量再生点对于预测结果的影响，并将异常点进行处理从而降低了异常点数据对于最终结果的干扰。根据本专利技术的另一具体实施方式，本专利技术实施方式公开的电动汽车的电池健康状态的估计方法，步骤S4中，将正常点进行数据分布平衡处理，包括：S41：将正常点的数据分布划分为多个区域；S42：判断任意两个区域中正常点的数量的比值是否在预设的比值范围内；若是，则保留区域的正常点；...

【技术保护点】
1.一种电动汽车的电池健康状态的估计方法，其特征在于，包括以下步骤：/nS1：利用大数据平台对相同型号电池的电池健康状态参数进行采集，获取所述电池健康状态参数的数据库，并根据所述数据库中的电池健康状态参数数据建立回归模型；/nS2：利用所述回归模型对所述电池健康状态参数进行分析，获取所述回归模型的输出数据；其中，所述回归模型的输出数据包括电动汽车的修正电池健康状态信息；/nS3：将所述输出数据区分为离群点和正常点，并根据预设的电池健康状态数据阈值将所述离群点划分为容量再生点和异常点，并对所述异常点进行均值处理；将所述容量再生点和所述被处理后的异常点均值代入第一预测模型，生成容量再生结果；/nS4：将所述正常点进行数据分布平衡处理，并将处理后的所述正常点代入第二预测模型，生成正常结果；/nS5：利用所述容量再生结果替换同一时刻的所述正常结果，生成组合结果，并将所述组合结果输出为所述电动汽车的电池健康状态的估计结果。/n

【技术特征摘要】
1.一种电动汽车的电池健康状态的估计方法，其特征在于，包括以下步骤：
S1：利用大数据平台对相同型号电池的电池健康状态参数进行采集，获取所述电池健康状态参数的数据库，并根据所述数据库中的电池健康状态参数数据建立回归模型；
S2：利用所述回归模型对所述电池健康状态参数进行分析，获取所述回归模型的输出数据；其中，所述回归模型的输出数据包括电动汽车的修正电池健康状态信息；
S3：将所述输出数据区分为离群点和正常点，并根据预设的电池健康状态数据阈值将所述离群点划分为容量再生点和异常点，并对所述异常点进行均值处理；将所述容量再生点和所述被处理后的异常点均值代入第一预测模型，生成容量再生结果；
S4：将所述正常点进行数据分布平衡处理，并将处理后的所述正常点代入第二预测模型，生成正常结果；
S5：利用所述容量再生结果替换同一时刻的所述正常结果，生成组合结果，并将所述组合结果输出为所述电动汽车的电池健康状态的估计结果。


2.如权利要求1所述的电动汽车的电池健康状态的估计方法，其特征在于，所述电池健康状态参数包括电池温度、电池电流、电池电压、初始电池健康状态信息。


3.如权利要求2所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤S1中，根据所述数据库中的电池健康状态参数数据建立所述回归模型，包括：
通过对所述数据库中的电池健康状态参数数据划分为训练集和测试集，根据训练集建立初始模型，并通过所述测试集对所述初始模型进行验证，得到所述回归模型。


4.如权利要求3所述的电动汽车的电池健康状态的估计方法，其特征在于，所述回归模型为线性回归模型；并且，
所述第一预测模型为极端梯度提升模型；并且，
所述第二预测模型为自注意力模型、长短期记忆网络、门控循环单元网络、循环神经网络中的任意一种。


5.如权利要求4所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤S3中，将所述输出数据区分为离群点和...

【专利技术属性】
技术研发人员：刘涛，赵旭，孙增光，
申请(专利权)人：摩登汽车盐城有限公司，
类型：发明
国别省市：江苏;32