电动车辆的动力电池的健康状态确定方法及服务器技术

本发明专利技术涉及新能源技术领域，公开了一种电动车辆的动力电池的健康状态确定方法及服务器。方法包括：获取动力电池的电池数据以及电动车辆的车辆特征，根据实时电池关联参数及与车辆特征对应的正常衰减模型，计算动力电池的正常健康状态衰减值，根据实时故障类型参数及与车辆特征对应的故障衰减模型，计算动力电池的故障健康状态衰减值，根据正常健康状态衰减值及故障健康状态衰减值，确定动力电池的综合健康评价值。本实施例评估动力电池的健康状态时，无需控制动力电池进行充放电，也无需动力电池的首次健康状态值，都可快速地评估动力电池的健康状态，从而改善了现有技术评估动力电池的健康状态时存在效率低下的技术问题。池的健康状态时存在效率低下的技术问题。池的健康状态时存在效率低下的技术问题。

【技术实现步骤摘要】
电动车辆的动力电池的健康状态确定方法及服务器


[0001]本专利技术涉及新能源
，具体涉及一种电动车辆的动力电池的 健康状态确定方法及服务器。

技术介绍

[0002]动力电池作为新能源电动汽车最主要的动力源，动力电池的使用寿 命是有限的，动力电池中活性物质随着使用过程而自然损耗，因此，动 力电池的满电容量会逐渐降低，业内常采用电池的健康状态(Stateof Health，SOH)评估动力电池的寿命。
[0003]现有评估动力电池的SOH值的方法主要有电化学机理方法和大数据 人工智能评估方法。电化学机理方法是通过一定条件的充放电过程，对 动力电池的电压、电流等数据进行分析而得到动力电池的SOH值。由于 动力电池的充放电过程需要一定充放电时间和充放电条件，因此上述作 法评估SOH值的效率比较低。
[0004]大数据人工智能评估方法是从大量历史数据中，利用长时间尺度数 据分析算法进行得到动力电池的SOH值。由于动力电池的SOH衰减是一 个缓慢且不可逆的过程，因此，对于使用一段时间的电动汽车的动力电 池进行首次SOH评估时，此方法由于缺少初始值而使得后续利用长时间 尺度数据分析算法进行评估时，算法的收敛比较缓慢，无法快速可靠地 输出SOH值。

技术实现思路

[0005]本专利技术实施例的一个目的旨在提供一种电动车辆的动力电池的健 康状态确定方法及服务器，用于改善现有技术评估动力电池的健康状态 时，存在效率低下的技术问题。
[0006]在第一方面，本专利技术实施例提供一种电动车辆的动力电池的健康状 态确定方法，包括：
[0007]获取所述动力电池的电池数据以及所述电动车辆的车辆特征，所述 电池数据包括实时电池关联参数与实时故障类型参数；
[0008]根据所述实时电池关联参数及与所述车辆特征对应的正常衰减模 型，计算所述动力电池的正常健康状态衰减值；
[0009]根据所述实时故障类型参数及与所述车辆特征对应的故障衰减模 型，计算所述动力电池的故障健康状态衰减值；
[0010]根据所述正常健康状态衰减值及所述故障健康状态衰减值，确定所 述动力电池的综合健康评价值。
[0011]可选地，所述实时电池关联参数为行驶里程、动力电池的累计充电 容量或累计放电容量中的一个。
[0012]可选地，所述根据所述正常衰减值及所述故障衰减值，确定所述动 力电池的综合健康评价值包括：
[0013]根据以下公式：SOH
t
＝Std
‑
Δα
t
‑
Δε
t
，确定所述动力电池的综合健康 评价值，Std
为标准电池健康状态值，SOH
t
为综合健康评价值，Δα
t
为 正常健康状态衰减值，Δε
t
为故障健康状态衰减值。
[0014]可选地，所述正常衰减模型是根据与所述车辆特征相同的多个第一 历史车辆的动力电池的第一训练数据训练得到的；
[0015]所述故障衰减模型是根据与所述车辆特征相同的多个第二历史车 辆的动力电池的第二训练数据与所述正常衰减模型训练得到的。
[0016]可选地，所述第一历史车辆为未发生指定电池故障的车辆；
[0017]所述第二历史车辆为已发生指定电池故障的车辆；
[0018]所述指定电池故障为过压故障、欠压故障、充电过流故障、放电过 流故障、高温故障、低温故障或指定严重故障中的任意一种。
[0019]可选地，所述正常衰减模型为：其中，Δα
t
为正常健康 状态衰减值，为正常衰减率，P
t
为实时电池关联参数。
[0020]可选地，所述第一训练数据包括与所述车辆特征相同的多个第一历 史车辆的第一历史电池关联参数与第一电池健康状态值；
[0021]所述正常衰减率为：为正常衰减率，η
i
为第i个第一历 史车辆的待定衰减率，n为参与训练所述正常衰减模型的第一历史车 辆的总数；
[0022]所述第i个第一历史车辆的待定衰减率是根据第i个第一历史车辆 的第一历史电池关联参数和第一电池健康状态值进行计算得到。
[0023]可选地，当所述第一历史电池关联参数为行驶里程时，所述第i个 第一历史车辆的待定衰减率为：η
i
的单位为％/10000km， M
wi
为第i个第一历史车辆的行驶里程，SOH
wi
为第i个第一历史车辆的 第一电池健康状态值。
[0024]可选地，所述故障衰减模型为：其中，Δε
t
为故障健 康状态衰减值，x
j
为第j个实时故障类型参数，ε
j
为第j个实时故障类 型参数的故障衰减率。
[0025]可选地，所述实时故障类型参数为过压故障次数、欠压故障次数、 充电过流故障次数、放电过流故障次数、高温故障次数、低温故障次数 或指定严重故障次数中的一个。
[0026]可选地，所述第二训练数据包括与所述车辆特征相同的多个第二历 史车辆的第二电池健康状态值、第二历史电池关联参数及历史故障类型 参数；
[0027]第j个第二历史车辆的故障衰减率是根据线性回归算法，对多个所 述第二历史车辆的健康差值及历史故障类型参数进行行列式计算得到；
[0028]第j个第二历史车辆的健康差值为第j个第二历史车辆的期望健康 值与第j个第二电池健康值的差值；
[0029]第j个第二历史车辆的期望健康值是根据第j个第二历史电池关联 参数及所述正常衰减模型进行计算得到的。
[0030]可选地，第j个实时故障类型参数的故障衰减率为：
[0031][0032][0033][0034]其中，Δε
yj
为第j个第二历史车辆的健康差值，为第j个第二 历史车辆的期望健康值，SOH
yj
为第j个第二历史车辆的第二电池健康 值，Std为标准电池健康状态值，为正常衰减率，P
yj
为第j个第二历 史车辆的故障历史电池关联参数，x
sj
为第s个第二历史车辆的第j个历 史故障类型参数，ε
j
为第j个历史故障类型参数的故障衰减率。
[0035]在第二方面，本专利技术实施例提供一种服务器，包括：
[0036]至少一个处理器；以及，
[0037]与所述至少一个处理器通信连接的存储器；其中，
[0038]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令 被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的 电动车辆的动力电池的健康状态确定方法。
[0039]在第三方面，本专利技术实施例提供一种存储介质，所述存储介质存储 有计算机可执行指令，所述计算机可执行指令用于使电子设备执行上述 的电动车辆的动力电池的健康状态确定方法。
[0040]在第四方面，本专利技术实施例提供一种计算机程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动车辆的动力电池的健康状态确定方法，其特征在于，包括：获取所述动力电池的电池数据以及所述电动车辆的车辆特征，所述电池数据包括实时电池关联参数与实时故障类型参数；根据所述实时电池关联参数及与所述车辆特征对应的正常衰减模型，计算所述动力电池的正常健康状态衰减值；根据所述实时故障类型参数及与所述车辆特征对应的故障衰减模型，计算所述动力电池的故障健康状态衰减值；根据所述正常健康状态衰减值及所述故障健康状态衰减值，确定所述动力电池的综合健康评价值。2.根据权利要求1所述的方法，其特征在于，所述实时电池关联参数为行驶里程、动力电池的累计充电容量或累计放电容量中的一个。3.根据权利要求1所述的方法，其特征在于，所述根据所述正常衰减值及所述故障衰减值，确定所述动力电池的综合健康评价值包括：根据以下公式：SOH
t
＝Std
‑
Δα
t
‑
Δε
t
，确定所述动力电池的综合健康评价值，Std为标准电池健康状态值，SOH
t
为综合健康评价值，Δα
t
为正常健康状态衰减值，Δε
t
为故障健康状态衰减值。4.根据权利要求1所述的方法，其特征在于，所述正常衰减模型是根据与所述车辆特征相同的多个第一历史车辆的动力电池的第一训练数据训练得到的；所述故障衰减模型是根据与所述车辆特征相同的多个第二历史车辆的动力电池的第二训练数据与所述正常衰减模型训练得到的。5.根据权利要求4所述的方法，其特征在于，所述第一历史车辆为未发生指定电池故障的车辆；所述第二历史车辆为已发生指定电池故障的车辆；所述指定电池故障为过压故障、欠压故障、充电过流故障、放电过流故障、高温故障、低温故障或指定严重故障中的任意一种。6.根据权利要求4所述的方法，其特征在于，所述正常衰减模型为：其中，Δα
t
为正常健康状态衰减值，为正常衰减率，P
t
为实时电池关联参数。7.根据权利要求4所述的方法，其特征在于，所述第一训练数据包括与所述车辆特征相同的多个第一历史车辆的第一历史电池关联参数与第一电池健康状态值；所述正常衰减率为：率为：为正常衰减率，η
i
为第i个第一历史车辆的待定衰减率，n为参与训练所述正常衰减模型的第一历史车辆的总数；所述第i个第一历史车辆的待定衰减率是根据第i个第一历史车辆的第一历史电池...

【专利技术属性】
技术研发人员：沈小杰，廖增成，
申请(专利权)人：深圳市道通合创新能源有限公司，
类型：发明
国别省市：