一种基于DTW的实车藏电电量估计方法技术

本发明专利技术提供了一种基于DTW的实车藏电电量估计方法，具有这样的特征，包括以下步骤：步骤S1，获取实车在实际充电过程中的实车充电数据；步骤S2，根据充电段筛选条件从实车充电数据中筛选出用于分析是否藏电的充电段数据，获得实车SOC

【技术实现步骤摘要】
一种基于DTW的实车藏电电量估计方法


[0001]本专利技术属于电池
，具体涉及一种基于DTW的实车藏电电量估计方法。

技术介绍

[0002]锂离子动力电池是20世纪开发成功的新型高能电池。这种电池的负极是石墨等材料，正极用磷酸铁锂、钴酸锂、钛酸锂等。70年代进入实用化。因其具有能量高、电池电压高、工作温度范围宽、贮存寿命长等优点，已广泛应用于军事和民用小型电器中。而锂离子动力电池在当今的全球能源供应中发挥着越来越重要的作用。
[0003]为了保证锂离子动力电池可以拥有更长的使用寿命和安全性，不少车企都开始使用“锁电”和“藏电”的策略。在电池容量恒定的情况下，锁的电量越多，电池的安全系数越高，使用寿命越长。在充电方面，为了降低电池充满爆炸的风险，部分车企会锁住最后5％到10％的容量不准充满，这样电池出问题的概率会大幅降低。在放电方面，动力电池的电池过度放电，将SOC用到0％及以下同样也会损伤电池，会造成负极集流体溶解产生锂枝晶，锂枝晶会随着电池放而边长，接着刺破电池隔膜，最后造成电池内部短路，最严重的还会引发燃烧事故。
[0004]但是“锁电”和“藏电”策略会导致由BMS记录的数据通过安时积分等方法计算出的实车容量估计结果与实际容量之间存在一定的误差，同时也难以分辨该车辆是否采用了封锁策略。这对于实车云端数据的容量估计结果的准确度来说是有着至关重要的意义。

技术实现思路

[0005]本专利技术是为了解决上述问题而进行的，目的在于提供一种基于DTW的实车藏电电量估计方法。
[0006]本专利技术提供了一种基于DTW的实车藏电电量估计方法，具有这样的特征，包括以下步骤：
[0007]步骤S1，获取实车在实际充电过程中的实车充电数据；
[0008]步骤S2，根据充电段筛选条件从实车充电数据中筛选出用于分析是否藏电的充电段数据，获得实车SOC
‑
U曲线作为待测充电段；
[0009]步骤S3，根据实车充电数据中最多的充电工况，对实车对应的相同电池进行同工况充电实验，获得实验SOC
‑
U曲线作为实验充电段；
[0010]步骤S4，对待测充电段和实验充电段的数据求导得到实车SOC
‑
U曲线和实验SOC
‑
U曲线的变化趋势；
[0011]步骤S5，将实车SOC
‑
U曲线的变化趋势进行缩放，并与实验SOC
‑
U曲线的变化趋势进行对比，得到二者重合度最高的最佳缩放比，根据最佳缩放比以及实车电池容量，得到实车藏电电量。
[0012]在本专利技术提供的基于DTW的实车藏电电量估计方法中，还可以具有这样的特征：其中，步骤S2中，充电段筛选条件为满足起始SOC小于50％，终止SOC大于80％且不存在电流、
电压及温度异常的实车充电数据。
[0013]在本专利技术提供的基于DTW的实车藏电电量估计方法中，还可以具有这样的特征：其中，步骤S3中，根据实车在实际充电过程中出现次数最多的充电工况对实车对应的相同电池进行同工况充电实验，获得一条SOC由0％充电至100％的完整的充电SOC
‑
U曲线作为实验SOC
‑
U曲线。
[0014]在本专利技术提供的基于DTW的实车藏电电量估计方法中，还可以具有这样的特征：其中，步骤S4包括以下子步骤：
[0015]步骤S4
‑
1，实车SOC
‑
U曲线中的点集合为R1，实验SOC
‑
U曲线中的点集合为L1，将点集合R1、L1通过道格拉斯
‑
普克抽稀算法进行抽稀规划到1000个点集合，分别为点集合R2、L2；
[0016]步骤S4
‑
2，对得到的点集合R2、L2进行求导，得到实车SOC
‑
U曲线和实验SOC
‑
U曲线中电压随SOC的变化趋势R3、L3。
[0017]在本专利技术提供的基于DTW的实车藏电电量估计方法中，还可以具有这样的特征：其中，步骤S4
‑
1中，通过道格拉斯
‑
普克抽稀算法将点集合R1、L1抽稀规划到1000个点集合，得到点集合R2、L2，包括以下子步骤：
[0018]步骤S4
‑1‑
1，用直线连接实车SOC
‑
U曲线的首尾两点或实验SOC
‑
U曲线的首尾两点，并计算曲线中剩余点到该直线的距离；
[0019]步骤S4
‑1‑
2，将距离的最大值与预设的极差D进行比较，若大于极差D，则将离该直线距离最大的点保留，若小于极差D，则将直线首尾两端点间剩余点全部舍去；
[0020]步骤S4
‑1‑
3，以保留的点为中心，将曲线分成两部分处理，每个部分均重复执行步骤S4
‑1‑
1和步骤S4
‑1‑
2，经过迭代得到满足给定精度限差为D的曲线点坐标，
[0021]道格拉斯
‑
普克抽稀算法的输入量、输出量如下：
[0022][0023][0024]利用道格拉斯
‑
普克抽稀算法的迭代方程如下：
[0025]曲线的弦更新：
[0026][0027]弦与最远点距离更新：
[0028][0029]阈值更新：
[0030]D
inital
＝D
1000
(3)
[0031]公式(1)
‑
公式(3)中，为实车SOC
‑
U曲线提取的弦，为实验SOC
‑
U曲线提取的弦，为实车SOC
‑
U曲线提取的弦与实车SOC
‑
U曲线最远点的距离，为实验SOC
‑
U曲线提取的弦与实验SOC
‑
U曲线最远点的距离，为弦中线的参数，A
CiL
、B
CiL
、为弦中线的参数，D
inital
为初始阈值，D
1000
为抽稀至1000个点时的阈值。
[0032]在本专利技术提供的基于DTW的实车藏电电量估计方法中，还可以具有这样的特征：其中，步骤S5中包括以下子步骤，
[0033]步骤S5
‑
1，将实车SOC
‑
U曲线的变化趋势R3进行缩放得到变化趋势R4，并且记录缩放比；
[0034]步骤S5
‑
2，将缩放过后的实车SOC
‑
U曲线的变化趋势R4和实验SOC
‑
U曲线的的变化趋势L3进行对比，得到二者的动态时间规整路径G；
[0035]步骤S5
‑
3，通过黄金分割算法得到动态时间规整路径最小时的实车SOC
‑
U曲线的最佳缩放比；
[0036]步骤S5...

【技术保护点】

【技术特征摘要】
1.一种基于DTW的实车藏电电量估计方法，其特征在于，包括以下步骤：步骤S1，获取实车在实际充电过程中的实车充电数据；步骤S2，根据充电段筛选条件从所述实车充电数据中筛选出用于分析是否藏电的充电段数据，获得实车SOC
‑
U曲线作为待测充电段；步骤S3，根据所述实车充电数据中最多的充电工况，对实车对应的相同电池进行同工况充电实验，获得实验SOC
‑
U曲线作为实验充电段；步骤S4，对所述待测充电段和所述实验充电段的数据求导得到所述实车SOC
‑
U曲线和所述实验SOC
‑
U曲线的变化趋势；步骤S5，将所述实车SOC
‑
U曲线的变化趋势进行缩放，并与所述实验SOC
‑
U曲线的变化趋势进行对比，得到二者重合度最高的最佳缩放比，根据所述最佳缩放比以及实车电池容量，得到实车藏电电量。2.根据权利要求1所述的基于DTW的实车藏电电量估计方法，其特征在于：其中，步骤S2中，所述充电段筛选条件为满足起始SOC小于50％，终止SOC大于80％且不存在电流、电压及温度异常的实车充电数据。3.根据权利要求1所述的基于DTW的实车藏电电量估计方法，其特征在于：其中，步骤S3中，根据实车在实际充电过程中出现次数最多的充电工况对实车对应的相同电池进行同工况充电实验，获得一条SOC由0％充电至100％的完整的充电SOC
‑
U曲线作为所述实验SOC
‑
U曲线。4.根据权利要求1所述的基于DTW的实车藏电电量估计方法，其特征在于：其中，步骤S4包括以下子步骤：步骤S4
‑
1，所述实车SOC
‑
U曲线中的点集合为R1，所述实验SOC
‑
U曲线中的点集合为L1，将点集合R1、L1通过道格拉斯
‑
普克抽稀算法进行抽稀规划到1000个点集合，分别为点集合R2、L2；步骤S4
‑
2，对得到的点集合R2、L2进行求导，得到所述实车SOC
‑
U曲线和所述实验SOC
‑
U曲线中电压随SOC的变化趋势R3、L3。5.根据权利要求4所述的基于DTW的实车藏电电量估计方法，其特征在于：其中，步骤S4
‑
1中，通过道格拉斯
‑
普克抽稀算法将点集合R1、L1抽稀规划到1000个点集合，得到点集合R2、L2，包括以下子步骤：步骤S4
‑1‑
1，用直线连接所述实车SOC
‑
U曲线的首尾两点或所述实验SOC
‑
U曲线的首尾两点，并计算曲线中剩余点到该直线的距离；步骤S4
‑1‑
2，将距离的最大值与预设的极差D进行比较，若大于极差D，则将离该直线距离最大的点保留，若小于极差D，则将直线首尾两端点间剩余点全部舍去；步骤S4
‑1‑
3，以保留的点为中心，将曲线分成两部分处理，每个部分均重复执行步骤S4
‑1‑
1和步骤S4
‑1‑
2，经过迭代得到满足给定精度限差为D的曲线点坐标，所述道格拉斯
‑
普克抽稀算法的输入量、输出量如下：输出量如下：利用道格拉斯
‑
普克抽稀算法的迭代方程如下：
曲线的弦更新：弦与最远点距离更新：阈值更新：D
inital
＝D
1000 (3)公式(1)
‑
公式(3)中，为实车SOC
‑
U曲线提取的弦，为实验SOC
‑
U曲线提取的弦，...

【专利技术属性】
技术研发人员：郑岳久，陈金荣，沈逸凡，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：