车辆电池健康预测方法、系统及车辆与流程

本发明涉及电池健康管理，具体涉及一种车辆电池健康预测方法、系统及车辆。

背景技术：

1、新能源汽车销量增长的同时，电池安全性能成为了不可忽视的问题。通常，新能源汽车电池健康程度多采用“当前实际可用容量与出厂额定容量之比”作为核心评估指标，但考虑到充放电行为、环境温度、使用时长等因素也影响着电池状态，因此仅用单一指标难以全面、准确地反映动力电池的真实健康状态。另一方面，车端实时上传的车况数据不可避免的受到噪声干扰，并呈现出动态变化、非线性以及非平稳性的特征，导致单一模型在动力电池健康状态预测过程中难以充分表达复杂时序规律，从而产生较大的预测误差，这也为车主精确评估电池寿命和行车安全带来困扰。

技术实现思路

1、鉴于上述现有技术的不足，本技术的目的在于提供一种车辆电池健康预测方法、系统及车辆，提升传统评估方式准确性和稳定性。

2、第一方面，本发明所述的一种车辆电池健康预测方法，包括以下步骤：

3、获取车辆实时车况数据，得到包含多维度的车况特征的原始车况时序数据；

4、从所述原始车况时序数据中筛选电池相关信号，并进行预处理，得到电池健康状态时序数据；

5、采用集成经验模态分解方法，对所述电池健康状态时序数据进行自适应分解，得到多个不同频率的固有模态函数分量，将所述固有模态函数分量与所述车况特征融合，构建多维度特征数据集；

6、将所述多维度特征数据集输入预训练完成的电池健康预测模型中，调用所述电池健康预测模型的最优超参数进行时序推演，实时输出车辆电池健康状态的预测结果。

7、在上述技术方案中，本发明通过依次完成车况时序数据采集、数据预处理、集成经验模态分解特征优化、模型时序推演预测的完整闭环流程，实现了车辆电池健康状态的自动化、在线化预测。通过多维度原始车况时序数据采集保障数据来源全面性，基于预处理、模态分解逐级优化数据质量，有效规避原始车况数据的缺陷干扰，结合电池健康预测模型完成精准时序推演，能够实时输出电池健康状态预测结果，大幅提升车辆电池健康状态动态预测的实时性与整体性。

8、在一种可能的实施例中，所述车况数据包括累计里程、电池总电流、电池总电压、电池剩余电量、车速、累计放电容量存储值、累计能量回收容量存储值、累计外插充电容量存储值、累计外插充电能量存储值、累计放电能量存储值、累计能量回收能量存储值、观测电池容量及电池健康状态中的至少两种。

9、在上述技术方案中，本技术明确了车辆电池健康预测所需的多维度车况数据类型，涵盖电池电气参数、车辆运行参数、充容量及能量统计参数、电池健康参数等多项核心数据。通过丰富且全面的数据源筛选，有效拓宽了电池健康状态预测的特征维度，避免单一数据预测导致的结果片面性，能够全方位反映电池实际运行工况与健康衰减状态，为后续数据处理和精准预测提供充足、可靠的数据支撑。

10、在一种可能的实施例中，所述预处理针对筛选得到的所述电池相关信号执行，所述预处理具体包括数据缺失补全与数据平滑降噪处理，具体为：采用线性插值法对所述电池相关信号的空值进行智能补全；采用萨维茨基-戈莱滤波对补全后的所述电池相关信号进行处理，得到所述电池健康状态时序数据。

11、在上述技术方案中，针对原始车况时序数据存在的数据缺失、随机噪声等问题，采用线性插值法实现数据空值补全，搭配萨维茨基-戈莱滤波完成数据平滑降噪处理。有效修复了原始时序数据的异常缺陷，剔除数据随机波动干扰，优化时序数据整体平滑度与精度，保证预处理后电池健康状态时序数据的完整性与可靠性，为后续模态分解、特征学习及模型预测提供高质量输入数据，避免劣质数据影响预测精度。

12、在一种可能的实施例中，所述电池健康预测模型的搭建与离线训练步骤具体为：搭建双向长短期记忆网络基础预测模型，双向长短期记忆网络具备双向时序结构，用于同步学习原始车况时序数据的历史时序特征与未来时序特征；采集车辆历史车况数据构建训练数据集，结合经预处理和集成经验模态分解后的多维度特征数据对所述双向长短期记忆网络基础预测模型进行离线训练。

13、在上述技术方案中，本发明完成了双向长短期记忆网络基础预测模型的搭建与离线训练工作，依托双向长短期记忆网络的双向时序结构，可同步挖掘原始车况时序数据的历史与未来时序关联特征。结合预处理和集成经验模态分解后的高质量多维度特征数据开展离线训练，使模型充分学习电池健康状态的时序变化规律，掌握车况特征与电池健康衰减的对应关系，为电池健康状态精准预测奠定模型基础。

14、在一种可能的实施例中，在所述电池健康预测模型的搭建与离线训练步骤中，还包括：采用麻雀搜索算法对训练后的模型超参数进行全局迭代寻优，所述超参数包括学习率、随机失活率系数、隐藏层层数、序列输入长度及批次大小，筛选并固化最优超参数组合，完成模型迭代优化，得到所述电池健康预测模型。

15、在上述技术方案中，在模型离线训练基础上，采用麻雀搜索算法对模型关键超参数进行全局迭代寻优，针对性优化学习率、网络层数、批次大小等核心参数。有效解决了传统人工调参主观性强、适配性差、难以获取最优参数组合的问题，精准筛选并固化最优超参数组合，完成模型迭代优化，显著提升了电池健康预测模型的时序特征学习能力与预测适配性，进一步保障电池健康状态预测结果的精准度与稳定性。

16、在一种可能的实施例中，还包括数据可视化展示步骤：将所述车辆电池健康状态的预测结果传输至大数据平台监测模块，完成电池健康状态在线可视化监测与数据留存。

17、在上述技术方案中，本发明通过将电池健康状态预测结果传输至大数据平台监测模块，实现了预测结果的在线可视化展示与数据长期留存。能够让运维人员直观掌握车辆电池健康状态动态变化趋势，实现电池健康状态的实时在线监测，同时留存的历史预测数据可用于后续模型迭代优化与电池健康状态溯源分析，提升电池健康管理的智能化与可视化水平。

18、第二方面，本发明所述的一种车辆电池健康预测系统，包括：

19、数据采集模块，用于获取车辆实时车况数据，得到包含多维度车况特征的原始车况时序数据；

20、数据预处理模块，用于从所述原始车况时序数据中筛选电池相关信号，并进行预处理，得到电池健康状态时序数据；

21、模态分解模块，用于采用集成经验模态分解方法，对所述电池健康状态时序数据进行自适应分解，得到多个不同频率的固有模态函数分量，将所述固有模态函数分量与车况特征融合，构建多维度特征数据集；

22、智能预测优化模块，用于将所述多维度特征数据集输入预训练完成的电池健康预测模型中，调用电池健康预测模型的最优超参数进行时序推演，实时输出车辆电池健康状态的预测结果。

23、在上述技术方案中，构建了适配前述预测方法的模块化车辆电池健康预测系统，通过数据采集、预处理、模态分解、智能预测优化及可视化监测多模块协同配合，形成完整的电池健康在线预测硬件与功能架构。各模块分工明确、流程衔接顺畅，可自动化完成从车况数据采集、数据优化处理到模型预测、结果展示的全流程作业，实现车辆电池健康状态的系统化、自动化在线预测，有效提升预测工作的整体效率与规范性。

24、在一种可能的实施例中，所述智能预测优化模块内置模型性能评估单元，所述模型性能评估单元采用平均绝对误差和均方根误差作为评价指标，对模型离线训练性能进行量化校验，并实时反馈模型在线运行状态。

25、在上述技术方案中，为系统智能预测优化模块配置模型性能评估单元，采用平均绝对误差和均方根误差对模型性能进行量化校验。可精准量化评估模型离线训练效果与在线运行精度，实时监测模型工作状态，及时发现模型预测偏差与运行异常，为模型迭代优化、参数微调提供量化依据，保障系统长期运行过程中电池健康预测的稳定性与准确性。

26、一种可能的实施例中，还包括：可视化展示模块，用于接收车辆电池健康状态的预测结果并传输至大数据平台监测模块，实现电池健康状态在线可视化监测与数据留存。

27、在上述技术方案中，通过系统内置的可视化展示模块，承接电池健康状态预测结果并完成平台可视化展示与数据留存。解决了传统电池健康预测结果不直观、数据难以留存溯源的问题。

28、第三方面，本发明所述的一种车辆，包括车载控制器，所述车载控制器配置有如本发明所述的车辆电池健康预测系统。