一种基于充电片段数据对电池健康度进行判断的方法技术

一种基于充电片段数据对电池健康度进行判断的方法，包括以下步骤：步骤S001数据获取；步骤S002数据预处理；步骤S003特征工程；步骤S004模型构建；步骤S005模型测试及上线。本发明专利技术和现有技术相比，其优点在于：本发明专利技术相比于实验室环境更贴合现实状况，具备较高的理论意义与应用价值。该模型可以用于两轮电动车电池的优化与维护，有利于对衰减异常的电池进行及时更换，从而为两轮电动车的行驶安全性提供保障。障。

【技术实现步骤摘要】
一种基于充电片段数据对电池健康度进行判断的方法


[0001]本专利技术涉及电池健康度评估和预测领域，是一种通过两轮电动车的充电片段数据对电池健康度进行判断的方法。

技术介绍

[0002]自工业革命以来，随着人们对以化石能源为基础的现代工业体系所带来的环境破坏以及资源枯竭地不断反思和改善，随着科学技术的不断革新及化石能源资源的短缺，国家大力积极倡导发展新型清洁能源替代传统化石能源，从而缓解能源危机和环境污染所造成的压力。大到人口众多的现代化大城市，小到偏远落后的农村地区，电动自行车已经越来越成为人们短途出行的最佳选择。电动自行车以其经济、便捷的突出优势迅速占领着市场，在当前的电动车领域扮演着重要角色。而电动自行车的核心－动力电池，正越来越多地受到人们的关注。近些年动力电池的发展也是日新月异，人们对动力电池的要求也在不断提高，尤其是在功率、能量、安全、稳定以及使用寿命等方面。
[0003]动力电池作为电动自行车的动力源，并不是一个单独的个体，而是由许多电池个体以串并联的方式组合而成，进而满足不同两轮电动车动力系统所需要的多种多样的电压等级、输出电流和最大输出功率。动力电池作为新能源汽车的“心脏”，是支撑电动汽车的“三电”之一，也越来越受到更多学者的关注。通常来讲，动力电池的性能指标主要有能量、功率密度、高温性能、低温性能以及储能性能。然而，动力电池在使用过程中性能的衰减问题，一直困扰着两轮电动车行业的进一步发展。一般认为，动力电池容量衰减达到80％以下，就不再适合作为动力电池继续使用了。动力电池容量的衰减快慢决定了动力电池在退役前的使用寿命，因此，对电池的剩余寿命、健康状态(SOH)的评估和预测成了动力电池领域的重点研究课题。
[0004]在已有的大量研究中，很多学者建立了基于单因素或者多因素的容量衰减模型，将动力电池的剩余寿命SOH的影响因素主要归结为温度、放电深度以及放电倍率。在这些影响因素中，相比于放电倍率和放电深度，温度成了车用阶段动力电池性能的最主要的影响参数。车用动力电池的设计容量往往是过大的，在电动汽车的使用过程中很少出现在最大放电倍率附近放电的情况。如果电池的放电倍率未超过电池允许的最大放电倍率，则放电倍率的变化对容量衰退不会产生额外的影响。在两轮电动车动力电池热失控故障以及电热特性、电池安全和剩余寿命的研究中，针对温度传导方面，采用实验与数学建模的方法，对锂离子电池各向异性导热过程进行实验与建模，针对电池传热特性进行参数估计与实验仿真，根据图解法确定电池热特性建模的参数，针对三元锂离子动力电池热失控现象设计多种针刺热失控实验并搭建单体针刺模型，耦合热失控副反应、焦耳热和传热三方面因素进行三维建模；针对热失控及蔓延特性进行实验研究，发现热失控时电池的内外温差以及热失控蔓延时间等实验室数据。
[0005]本专利技术采用一种基于充电片段数据对电池健康度进行判断的方法，采用机器学习的方法来对电池SOH进行评估和预测，通过对两轮电动车电池外部温度的数据采集，并通过
探查数据，挖掘出与SOH衰减相关的预测指标，从外部温度采集的角度入手解决实际的SOH衰减预测问题。

技术实现思路

[0006]为应对现有研究中存在的弊端本专利技术提出一种通过两轮电动车的充电片段数据对电池健康度进行判断的方法。
[0007]本专利技术解决其技术问题所采用的技术方案是：
[0008]一种基于充电片段数据对电池健康度进行判断的方法，包括以下步骤：步骤S001数据获取；步骤S002数据预处理；步骤S003特征工程；步骤S004模型构建；步骤S005模型测试及上线。
[0009]本专利技术和现有技术相比，其优点在于：
[0010]优点1：本专利技术对每个电芯表面进行多点测温的方法，并将采集得到的数据作为预测模型的数据来源，通过采集近两年的两辆两轮电动车的电池包数据，从电池外部进行温度测量，获取温度信息进而生成温度梯度曲线，通过生成的温度梯度曲线估算电池内部的温度，进而来判断电池的健康状态；本专利技术相比于实验室环境更贴合现实状况，具备较高的理论意义与应用价值。
[0011]优点2：本专利技术分别统计不同SOC区间和不同充电时间区间内，光纤测温点温度数据和温度传感器采到的温度数据，通过研究电池温度梯度变化以及LSTM神经网络方法预测电池SOH衰减状态，构建SOH衰减预测模型；该模型可以用于两轮电动车电池的优化与维护，有利于对衰减异常的电池进行及时更换，从而为两轮电动车的行驶安全性提供保障。
[0012]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0014]图1为本专利技术研究方案总体流程图示；
[0015]图2为本专利技术LSTM网络结构图示；
[0016]图3为本专利技术与原始数据来源可视化图示；
[0017]图4为本专利技术预测值与真实值差距对比图示(部分测试集中的数据)；
[0018]图5为本专利技术16个测温点特征的重要程度图示；图6为本专利技术基于充电片段数据对电池健康度进行判断的方法流程图示。
具体实施方式
[0019]下面将参照附图更详细地描述本专利技术公开的示例性实施例，这些实施例是为了能够更透彻地理解本专利技术，并且能够将本专利技术公开的范围完整的传达给本领域的技术人员。虽然附图中显示了本专利技术公开的示例性实施例，然而应当理解，本专利技术而不应被这里阐述
的实施例所限制。
[0020]基于充电片段数据对电池健康度进行判断的方法的原理：
[0021]将研究层面的实验电池延伸至实际使用层面的实车电池。通过搭建外部温度测温点的方式进行电池温度测量可显著提高热失控的故障判断率。对于车用阶段的动力电池而言，在缺乏电池生产经验的条件下，内部温度直接获取的方法不仅会对电池造成不确定性的损坏，还会影响预测结果。
[0022]鉴于此，在电池温度测量方面，本专利技术拟采用对每个电芯表面进行多点测温的方法，并将采集得到的数据作为预测模型的数据来源。相比之下，基于多点测温的数据样本量比采用单一的内部测温法得到的数据量更为丰富，也体现了多点测温的优势。在温度特征序列提取方面，本专利技术从海量数据中提取用于预测SOH的特征变量。同时利用上述多点温度测量数据提取，并构建特征变量来作为数据基础。
[0023]首先，通过采集近两年的两辆两轮电动车的电池包数据，从电池外部进行温度测量，获取温度信息进而生成温度梯度曲线，通过生成的温度梯度曲线估算电池内部的温度，进而来判断电池的健康状态。通过研究电池温度梯度变化以及LSTM神经网络方法预测电池SOH衰减状态，构建SOH衰减预测模型。该模型可以用于两轮电动车电池的优化与维护，有利于对衰减异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于充电片段数据对电池健康度进行判断的方法，其特征在于，包括以下步骤：步骤S001数据获取；获取换电站数据光前的温度数据，对每个电池对应多个测温点进行数据采集，所使用数据为换电站光纤测温数据，包括温度数据获取阶段，通过在换电的电池仓上布置光纤测温点：每个电池仓有多个光纤测温点，分别置于电池仓中心和两边，中心光纤温度点多个，非中心光纤温度点多个(不同程度的边界)；因此，电池在电池仓充电的过程中，可获取到整个充电过程的电池外部的多点温度；步骤S002数据预处理；对于温度数据进行初步处理：对测温点所获取的温度数据进行数据去重、空值处理以及异常数值处理，此外还需进行温度数据转换；步骤S003特征工程；构建相同温度点的差值序列特征，同时构建不同温度点的差值序列特征，构造温度增量序列；特征提取主要包括温度特征序列提取和SOH序列获取两个方面：在温度特征序列提取方面，选择在充电过程中针对实车充电过程中发生的温度变化，记录外部的多点温度数据，主要包括以下三个温度特征序列：在电池健康SOH序列获取方面，首先选择传统的安时积分法，用于测量每次充电的容量(选择固定电压区间)；再根据每次充电的铜梁进行异常值的剔除；最后采用滑动平均法处理容量数据，最后得到SOH序列；将SOH序列中的一部分作为模型训练集，使上述温度相关的特征序列与目标SOH序列进行拟合；另一部分SOH序列用作该拟合方法的验证集，从而验证模型的鲁棒性和准确性；通过对以上特征进行提取后，在数据采集阶段对每个电芯表面进行多点测温；并基于时间单元对构建的数据进行评估及修正：包括筛选数据本身存在错误的数据，后续对错误数据进行校正，包括对于缺失值和异常值，取其前后两点的均值进行保存以及后续计算；对于时间周期错误的数值，明确应该取得时间周期，调整并重新运行数据；对于计算规格错误的数值，明确口径调整并重新改进数据样本质量；步骤S004模型构建；根据步骤S003中构建的相同温度点的差值序列特征等多种特征，进行算法的选择和模型构建；在学习算法的选择方面，通过深度学习的LSTM方法或集成学习XGBoost算法，将以上提取的相关特征序列与目标SOH进行拟合；选择长短期记忆神经网络方法(LSTM)一方面由于该方法具备卓越的预测准确率，另一方面由于它可以解决RNN梯度消失的问题，能够使用创新的内部门结构，保留历史有用的信息，删除历史无用的信息，极大程度提高准确性；同时该方法主要采用控制门的机制，由记忆细胞、输入门、输出门、遗忘门组成；采用LSTM神经网络的电池SOH预测的方法，将实际采集近两年的新能源锂电池汽车的车载电池充电数据进行序列化处理，提取出LSTM的输入特征，再利用电池数据中的部分数据作为验证集，将体现SOH衰减特性的指标(如最大可用容量等)作为LSTM的输出特征，并利用训练验证后的神经网络方法估算电池现存的SOH状况，从而构建符合实际车况的电池SOH衰减预测模型；步骤S005模型测试及上线；
使用最优模型进行测试集上的测试，并统计测试效果，并根据测试效果进行模型上线；所做实验共计算若干个电池的若干次充电数据，分别按照训练集：验证集：测试集＝7：2：1的比例进行算法训练和调参，算法模型在训练集和验证集上都取得了非常好的效果，在测试集上的效果略低于训练集和验证集，但差别不大，效果依旧不错；但是即使是测试集上的效果很好，也需要使用实车进行最终的效果验证；若干个电池的充电数据和对应光纤采集温度数据，其中电池类型主要是磷酸铁锂；真实验证若干辆实车的真实数据，对若干辆车编号1，2...5，n，对电池的充电时间跨度和充电次数进行了详细统计；根据统计的若干辆实车的真实数据，对6辆车的线下实际容量和SOH进行预测，并且对额定容量的绝对误差进行分析，进一步验证了模型的可靠性；为验证本文所建立的SOH预测模型的有效性，选取新的x辆车进行实车测试；通过模拟实际用户的充放电行为，记录了电池的温度数据，并利用上述模型进行电池SOH预测；最后将实际测量的电池SOC值与算法预测的SOH值进行对比，得到相对误差。2.根据权利要求1所述的基于充电片段数据对电池健康度进行判断的方法，其特征在于：步骤S002数据预处理中：数据去重：对于重复数据，只保留其中一条；空值处理：在所有数据中，一半数据中都是有效温度数值；但是由于数据上传或光纤本身问题，会产生一些空值；对于这些空值，优先进行填充，即使用前一时刻的温度数值或本时刻其他测温点的温度数值进行填充；如果温度缺失率较大，一般会丢弃本次充电数据；异常温度数值处理：基于大量数据通过箱线图法和业务背景下的温度情况，删除掉异常的高温或低温的数据；温度数据转换：因为光纤采到的温度数据都是电池不同表面的温度数据，并不是真正的电池温度数据...

【专利技术属性】
技术研发人员：常伟，肖伟，
申请(专利权)人：上海霸天虎电器有限公司，
类型：发明
国别省市：