基于容量测试与车联网大数据的动力电池寿命预测方法与流程

1.本发明属于动力电池容量衰减与剩余寿命预测技术领域，具体涉及基于容量测试与车联网大数据的动力电池寿命预测方法。


背景技术：

2.当前，动力电池存在广泛存在长期使用衰退和低温性能衰退的问题。并且，由于动力电池在不同新能源汽车上的运行工况具有较强的复杂性，使得其衰退速率随温度、驾驶习惯和充电习惯的不同而呈现出较大的差异，这也导致了车辆续驶里程的不确定性显著提升，驾驶员的里程焦虑无法消除，也会进一步阻碍新能源汽车行业的发展。
3.现有的新能源汽车动力电池衰退及寿命预测主要是基于数据驱动的方法，通过建立大数据机器学习模型，并使用车联网大数据作为输入，来输出相应的预测结果。然而，这种方式在模型训练过程中，对作为训练目标值的电池健康状态的真实有效程度存在较强的依赖性，譬如申请号cn202110474679.8中国专利所采用的神经网络模型即存在这种缺陷，其会大大降低模型的准确度。并且神经网络模型缺乏各特征与预测结果的可解释性，也不能很好地指导后续车主的用车、维修与保养措施。因此，为了准确的掌握新能源车辆动力电池的未来状态，需要进行更加准确的预测。


技术实现要素：

4.有鉴于此，针对上述本领域中存在的技术问题，本发明提供了一种基于容量测试与车联网大数据的动力电池寿命预测方法，具体包括以下步骤：
5.步骤一、采集新能源车辆实车运行数据，通过车联网上传至大数据平台；
6.步骤二、大数据平台对接收的实车运行数据进行预处理，从中提取出满足国标gbt32960的连续数据；按照时间戳的升序或降序顺序，将所述连续数据划分为：“启动 停车充电片段”、“启动 行驶充电片段”、“启动 无充电片段”、“熄火 有充电片段”、“熄火 无充电片段”5种片段类型；针对各片段类型，分别提取对应的表显里程、片段开始时间、片段结束时间、soc、电压、电流等重要数据项，并得到5种片段类型各自对应的数据集合；
7.步骤三、在新能源车辆每次回场站充电时进行容量测试，获取各车辆的满充容量采集值，用于后续的容量衰退率或保持率计算；
8.步骤四、从各所述数据集合中提取出与容量衰退相关的多种用车特征数据，建立不同片段类型对应的容量衰退特征值数据库；
9.步骤五、利用步骤三得到的各次满充容量采集值与测试时的采集温度、电流、时间、里程、额定容量等历史数据，融合为反映各历史数据与满充容量关系的表；结合所述数据集合，分别计算不同温度和充电电流对满充容量的修正系数，以及经这两个修正系数修正后的容量衰退率；建立包含车辆的里程、时间的容量衰退率数据库；
10.步骤六、以步骤四得到的容量衰退特征值数据库和步骤五得到的容量衰退率数据库构建训练集，分别对多元线性模型以及lstm网络模型进行训练；训练好的两模型以指定
时间长度后的容量衰退率预测值，或者达到容量衰退率阈值的预测时间或预测里程作为输出；
11.步骤七、将从实车提取的用车特征数据分别输入训练好的多元线性模型以及lstm模型，将两个模型输出的预测输出进行加权融合，从而得到相应动力电池寿命预测结果。
12.进一步地，步骤二中所述5种片段类型的具体划分原则分别为：
13.a.如果某段连续的车辆状态都为启动状态并且充电状态包含停车充电，则将该连续片段划分为“启动 停车充电片段”；
14.b.如果某段连续的车辆状态都为启动状态并且充电状态不包含停车充电但包含行驶充电，则将该连续片段划分为“启动 行驶充电片段”；
15.c.如果某段连续的车辆状态都为启动状态并且充电状态不包含停车充电和行驶充电，则将该连续片段划分为“启动 无充电片段”；
16.d.如果车辆状态为熄火状态并且充电状态并且包含停车充电或者行驶充电，则将该连续片段划分为“熄火 有充电片段”；
17.e.如果车辆状态为熄火状态并且充电状态只包含未充电或者充电完成，则将该连续片段划分为“熄火 无充电片段”；
18.如果车辆状态为其他状态，则根据速度、电流、soc等数据推断出车辆状态应该为启动状态还是熄火状态。
19.进一步地，步骤三中在进行每次容量测试时，优选将车辆电池温度调整至与额定工况相同的温度，以及将车辆电池充电开始soc调整至0，充电结束soc调整至100。
20.进一步地，步骤四中所提取的用车特征数据具体包括：温度分布、高温时长、低温时长、充电次数、快充占比、充电soc、行驶soc、行驶里程、能量回收强度、高速行驶等；
21.具体的提取可分别基于以下原则：
22.温度分布特征：将车辆历史用车所经历的温度以一预设温度如5℃为组距，计算温度分布得到车辆经历的温度平均值、中位数、25分位数、75分位数，以及去掉离群点后的最大值与最小值，作为温度分布特征；
23.高温时长与低温时长：提取一辆车的每一个片段集合中的平均温度、开始时间、结束时间，根据温度的分布设置2个阈值(例如高于35℃为高温，低于5℃为低温)，高于阈值1的为高温用车，低于阈值2的为低温用车，中间温度区间为常温用车。将所有高于阈值1的用车时长求和作为高温时长，将所有低于阈值2的用车时长求和作为低温时长；
24.充电次数和快充占比：统计启动 停车充电片段和熄火 有充电片段的充电次数之和作为充电次数，如果充电片段的充电倍率大于一预设倍率如0.5c，则认为是快充，否则为慢充，并统计快充与慢充次数与总充电次数之比作为快充占比与慢充占比。
25.soc特征：充电过程soc起始、soc截止、充入soc的统计特征，行驶过程中soc起始、soc截止、消耗soc的统计特征；
26.能量回收：车辆每次行驶过程中由于制动能量回收得到的电量，使用每百公里回收电能表示。
27.高速行驶：车辆每次行驶速度大于某个速度阈值的时长或里程占比。
28.进一步地，步骤五中温度修正系数的计算可选择对该车型所用的电池包进行不同温度下的容量测试，得到一定温度区间如-20～50℃内的满充容量值，再以室温如25℃下的
满充容量值为标准值，该温度区间内的其他温度分别除以室温25℃下的所述标准值则即得到相应的温度修正系数；
29.充电电流修正系数的计算可类似地选择对该车型所用的电池包进行不同充电倍率下的容量测试，得到一定倍率区间如0.1～5c内的满充容量值，以1c下的满充容量值为标准值，该倍率区间内的其他倍率分别除以1c下的所述标准值则可得到充电电流修正系数；
30.则经以上温度与电流修正后的容量衰退率d通过下式计算：
[0031][0032]
其中，c
now
为当前测试并修正后的满充容量，c
rate
为额定容量。
[0033]
进一步地，步骤六中利用容量衰退特征值数据库构建所述训练集并对模型进行训练前，首先对用车特征数据执行数据清洗和预处理，包括：
[0034]
去除数据库中的异常值并对每个特征的数据类型进行分类，离散型数据使用分箱处理，连续型数据采用归一化处理；并且，对车辆特征值进行特征筛选，去除自变量中的共线性和同方差等影响线性回归模型准确性的因素；采用主成分分析法(pca)对部分车辆特征数据降维，以解决特征冗余的问题。
[0035]
进一步地，步骤六中利用训练集进行训练，包括：
[0036]
设置随机树种，将训练集随机按数量分成80％和20％的两部分，使用80％的部分数据训练模型，剩余20％的部分数据作为预测集，通过比较预测集数据的真实值和预测结果，以对模型进行评估检验。
[0037]
进一步地，步骤六中对多元线性回归模型利用fit()函数进行训练，以均方差(mse)为评价函数对模型的准确性进行评估；并且增加考虑自变量特征之间的交叉项和其高次方项对因变量产生的影响，以提高模型的准确性。
[0038]
进一步地，步骤六lstm网络模型选择损失函数为mse，评价函数为mae，激活函数使用整流线性单元relu，优化器采用学习率衰减的rmsprop，通过不断调整学习率衰减值参数decay提高模型准确性；
[0039]
lstm网络由一个输入层、一个隐含层和一个输出层组成，其中输入层神经元数量与特征数相等，输出层单元的数目为1，隐含层单元数目设置成16和8的二维数组，使用数值为0.2的dropout参数以避免模型出现过拟合的问题。另外，本次迭代次数设为100次，batch包含的样本数设为256。
[0040]
进一步地，步骤七中对多元线性模型与lstm模型的预测结果，采用加权平均法、或几何平均法、或投票法等方式进行加权融合。
[0041]
上述本发明所提供的基于容量测试与车联网大数据的动力电池寿命预测方法，通过融合容量测试数据与实际运行大数据，相对于现有技术改进了预测模型的建立和训练过程，从而使最终得到的预测模型具有较高的准确度。通过对车辆运行大数据以及线下容量测试数据的不断收集，能够使预测模型保持持续更新，因此可以动态精准地掌握车辆未来健康状态与寿命衰退情况。
附图说明
[0042]
图1为本发明所提供方法的框架图。
具体实施方式
[0043]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
本发明提供的一种基于容量测试与车联网大数据的动力电池寿命预测方法，如图1所示，具体包括以下步骤：
[0045]
步骤一、采集新能源车辆实车运行数据，通过车联网上传至大数据平台；
[0046]
步骤二、大数据平台对接收的实车运行数据进行预处理，从中提取出满足国标gbt32960的连续数据；按照时间戳的升序或降序顺序，将所述连续数据划分为：“启动 停车充电片段”、“启动 行驶充电片段”、“启动 无充电片段”、“熄火 有充电片段”、“熄火 无充电片段”5种片段类型；针对各片段类型，分别提取对应的表显里程、片段开始时间、片段结束时间、soc、电压、电流等重要数据项，并得到5种片段类型各自对应的数据集合；
[0047]
上述两个步骤在框架图1中的组成部分11、111以及112中分别得以体现；
[0048]
步骤三、在新能源车辆每次回场站充电时进行容量测试，如图1中的模块12，通过此步骤获取各车辆的满充容量采集值，用于后续的容量衰退率或保持率计算；
[0049]
步骤四、如模块13所示，从各所述数据集合中提取出与容量衰退相关的多种用车特征数据，建立不同片段类型对应的容量衰退特征值数据库；
[0050]
步骤五、如模块14所示，利用步骤三得到的各次满充容量采集值与测试时的采集温度、电流、时间、里程、额定容量等历史数据，融合为反映各历史数据与满充容量关系的表；结合所述数据集合，分别计算不同温度和充电电流对满充容量的修正系数，以及经这两个修正系数修正后的容量衰退率；建立包含车辆的里程、时间的容量衰退率数据库；
[0051]
步骤六、如模块15所示，以步骤四得到的容量衰退特征值数据库和步骤五得到的容量衰退率数据库构建训练集，分别对多元线性模型以及lstm网络模型进行训练；训练好的两模型以指定时间长度后的容量衰退率预测值，或者达到容量衰退率阈值的预测时间或预测里程作为输出；
[0052]
步骤七、如模块16所示，将从实车提取的用车特征数据分别输入训练好的多元线性模型以及lstm模型，将两个模型输出的预测输出进行加权融合，从而得到相应动力电池寿命预测结果。
[0053]
在本发明的一个优选实施方式中，步骤二中所述5种片段类型的具体划分原则分别为：
[0054]
a.如果某段连续的车辆状态都为启动状态并且充电状态包含停车充电，则将该连续片段划分为“启动 停车充电片段”；
[0055]
b.如果某段连续的车辆状态都为启动状态并且充电状态不包含停车充电但包含行驶充电，则将该连续片段划分为“启动 行驶充电片段”；
[0056]
c.如果某段连续的车辆状态都为启动状态并且充电状态不包含停车充电和行驶充电，则将该连续片段划分为“启动 无充电片段”；
[0057]
d.如果车辆状态为熄火状态并且充电状态并且包含停车充电或者行驶充电，则将该连续片段划分为“熄火 有充电片段”；
[0058]
e.如果车辆状态为熄火状态并且充电状态只包含未充电或者充电完成，则将该连
续片段划分为“熄火 无充电片段”；
[0059]
如果车辆状态为其他状态，则根据速度、电流、soc等数据推断出车辆状态应该为启动状态还是熄火状态。
[0060]
在本发明的一个优选实施方式中，步骤三中在进行每次容量测试时，优选将车辆电池温度调整至与额定工况相同的温度，以及将车辆电池充电开始soc调整至0，充电结束soc调整至100。
[0061]
步骤四中所提取的用车特征数据可选择模块13中温度的各种特征131、充电相关的特征132以及车辆行驶相关的特征133。在本发明的一个优选实施方式中，这些特征包括：温度分布、高温时长、低温时长、充电次数、快充占比、充电soc、行驶soc、行驶里程、能量回收强度、高速行驶等；
[0062]
具体的提取可分别基于以下原则：
[0063]
温度分布特征：将车辆历史用车所经历的温度以一预设温度如5℃为组距，计算温度分布得到车辆经历的温度平均值、中位数、25分位数、75分位数，以及去掉离群点后的最大值与最小值，作为温度分布特征；
[0064]
高温时长与低温时长：提取一辆车的每一个片段集合中的平均温度、开始时间、结束时间，根据温度的分布设置2个阈值(例如高于35℃为高温，低于5℃为低温)，高于阈值1的为高温用车，低于阈值2的为低温用车，中间温度区间为常温用车。将所有高于阈值1的用车时长求和作为高温时长，将所有低于阈值2的用车时长求和作为低温时长；
[0065]
充电次数和快充占比：统计启动 停车充电片段和熄火 有充电片段的充电次数之和作为充电次数，如果充电片段的充电倍率大于一预设倍率如0.5c，则认为是快充，否则为慢充，并统计快充与慢充次数与总充电次数之比作为快充占比与慢充占比。
[0066]
soc特征：充电过程soc起始、soc截止、充入soc的统计特征，行驶过程中soc起始、soc截止、消耗soc的统计特征；
[0067]
能量回收：车辆每次行驶过程中由于制动能量回收得到的电量，使用每百公里回收电能表示。
[0068]
高速行驶：车辆每次行驶速度大于某个速度阈值的时长或里程占比。
[0069]
在本发明的一个优选实施方式中，步骤五中首先将容量数据与运行数据执行模块141所示的融合并得到所述表后，之后在模块142分别对容量衰退率先后执行温度和充电电流修正。其中，温度修正系数的计算可选择对该车型所用的电池包进行不同温度下的容量测试，得到一定温度区间如-20～50℃内的满充容量值，再以室温如25℃下的满充容量值为标准值，该温度区间内的其他温度分别除以室温25℃下的所述标准值则即得到相应的温度修正系数；
[0070]
充电电流修正系数的计算可类似地选择对该车型所用的电池包进行不同充电倍率下的容量测试，得到一定倍率区间如0.1～5c内的满充容量值，以1c下的满充容量值为标准值，该倍率区间内的其他倍率分别除以1c下的所述标准值则可得到充电电流修正系数；
[0071]
则经以上温度与电流修正后的容量衰退率d通过下式计算：
[0072][0073]
其中，c
now
为当前测试并修正后的满充容量，c
rate
为额定容量。
[0074]
在本发明的一个优选实施方式中，步骤六中利用容量衰退特征值数据库构建所述训练集并对模型进行训练前，首先对用车特征数据执行数据清洗和预处理，包括：
[0075]
去除数据库中的异常值并对每个特征的数据类型进行分类，离散型数据使用分箱处理，连续型数据采用归一化处理；并且，对车辆特征值进行特征筛选，去除自变量中的共线性和同方差等影响线性回归模型准确性的因素；采用主成分分析法(pca)对部分车辆特征数据降维，以解决特征冗余的问题。
[0076]
在本发明的一个优选实施方式中，步骤六中利用训练集进行训练，包括：
[0077]
设置随机树种，将训练集随机按数量分成80％和20％的两部分，使用80％的部分数据训练模型，剩余20％的部分数据作为预测集，通过比较预测集数据的真实值和预测结果，以对模型进行评估检验。
[0078]
在本发明的一个优选实施方式中，步骤六中对多元线性回归模型151利用fit()函数进行训练，以均方差(mse)为评价函数对模型的准确性进行评估；并且增加考虑自变量特征之间的交叉项和其高次方项对因变量产生的影响，以提高模型的准确性。
[0079]
进一步地，步骤六lstm网络模型152选择损失函数为mse，评价函数为mae，激活函数使用整流线性单元relu，优化器采用学习率衰减的rmsprop，通过不断调整学习率衰减值参数decay提高模型准确性；
[0080]
lstm网络由一个输入层、一个隐含层和一个输出层组成，其中输入层神经元数量与特征数相等，输出层单元的数目为1，隐含层单元数目设置成16和8的二维数组，使用数值为0.2的dropout参数以避免模型出现过拟合的问题。另外，本次迭代次数设为100次，batch包含的样本数设为256。
[0081]
在本发明的一个优选实施方式中，步骤七中对多元线性模型与lstm模型的预测结果，采用加权平均法、或几何平均法、或投票法等方式进行加权融合153。
[0082]
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0083]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。