《電動汽車動力電池組健康狀態(tài)在線確定方法和系統(tǒng).pdf》由會員分享，可在線閱讀，更多相關(guān)《電動汽車動力電池組健康狀態(tài)在線確定方法和系統(tǒng).pdf（17頁完成版）》請在專利查詢網(wǎng)上搜索。

1、(19)中華人民共和國國家知識產(chǎn)權(quán)局 (12)發(fā)明專利申請 (10)申請公布號 (43)申請公布日 (21)申請?zhí)?202010191066.9 (22)申請日 2020.03.18 (71)申請人 北京理工大學 地址 100081 北京市海淀區(qū)中關(guān)村南大街5 號 申請人 北京理工新源信息科技有限公司 (72)發(fā)明人 王震坡張雷劉鵬王秋詩 佘承其 (74)專利代理機構(gòu) 北京高沃律師事務(wù)所 11569 代理人 劉鳳玲 (51)Int.Cl. G01R 31/392(2019.01) G01R 31/367(2019.01) (54)發(fā)明名稱 一種電動汽車動力電池組健康狀態(tài)在線確 定方法和系統(tǒng) (。

2、57)摘要 本發(fā)明提供的電動汽車動力電池組健康狀 態(tài)在線確定方法和系統(tǒng)， 通過采用動力電池組健 康狀態(tài)在線估計模型， 根據(jù)應用數(shù)據(jù)就可以確定 得到所述電動汽車動力電池的容量增量曲線的 第二峰值， 然后根據(jù)第二峰值就可以精確得到電 動汽車動力電池組的健康狀態(tài)。 并且， 本發(fā)明所 提供的電動汽車動力電池組健康狀態(tài)在線確定 方法和系統(tǒng)， 僅需要根據(jù)所獲取的應用數(shù)據(jù)就可 以得到電動汽車動力電池組健康狀態(tài)， 這就能夠 簡化電動汽車動力電池組健康狀態(tài)確定過程， 解 決現(xiàn)有技術(shù)中電動汽車動力電池組健康狀態(tài)確 定方法應用困難的問題。 權(quán)利要求書2頁 說明書10頁 附圖4頁 CN 111323719 A 202。

3、0.06.23 CN 111323719 A 1.一種電動汽車動力電池組健康狀態(tài)在線確定方法， 其特征在于， 包括： 獲取電動汽車的應用數(shù)據(jù)； 所述應用數(shù)據(jù)包括： 電動汽車的累計行駛里程值、 充電起始 SOC值、 平均充電電流、 平均行駛溫度、 平均充電溫度以及分類因子； 所述分類因子為依據(jù)電 動汽車車輛衰退速率不同而劃分的類別； 獲取以應用數(shù)據(jù)為輸入， 以電動汽車動力電池的容量增量曲線的第二峰值為輸出的動 力電池組健康狀態(tài)在線估計模型； 根據(jù)所述應用數(shù)據(jù)， 利用所述動力電池組健康狀態(tài)在線估計模型確定所述電動汽車動 力電池的容量增量曲線的第二峰值； 根據(jù)所述第二峰值確定所述電動汽車動力電池組的。

4、健康狀態(tài)。 2.根據(jù)權(quán)利要求1所述的一種電動汽車動力電池組健康狀態(tài)在線確定方法， 其特征在 于， 所述獲取以應用數(shù)據(jù)為輸入， 以電動汽車動力電池的容量增量曲線的第二峰值為輸出 的動力電池組健康狀態(tài)在線估計模型之前還包括： 采集電動汽車的應用數(shù)據(jù)； 根據(jù)采集的應用數(shù)據(jù)， 確定與采集的應用數(shù)據(jù)相對應的電動汽車動力電池的容量增量 曲線的第二峰值； 將采集的應用數(shù)據(jù)以及與該應用數(shù)據(jù)相對應的第二峰值作為數(shù)據(jù)訓練對； 采用所述數(shù)據(jù)訓練對對所述動力電池組健康狀態(tài)在線估計模型進行訓練。 3.根據(jù)權(quán)利要求2所述的一種電動汽車動力電池組健康狀態(tài)在線確定方法， 其特征在 于， 所述根據(jù)采集的應用數(shù)據(jù)， 確定與采集的。

5、應用數(shù)據(jù)相對應的電動汽車動力電池的容量 增量曲線的第二峰值具體包括： 根據(jù)采集的應用數(shù)據(jù)， 采用增量容量分析法得到電動汽車的容量-電壓曲線； 根據(jù)所述容量-電壓曲線確定所述電動汽車的端電壓和充電容量； 采用SVR算法， 以所述端電壓為輸入， 以所述充電容量為輸出對容量-電壓曲線進行擬 合， 得到擬合后的容量-電壓曲線； 根據(jù)所述擬合后的容量-電壓曲線得到容量增量曲線， 并確定所述容量增量曲線的第 二峰值； 所述容量增量曲線的第二峰值即為與采集的應用數(shù)據(jù)相對應的電動汽車動力電池 的容量增量曲線的第二峰值。 4.根據(jù)權(quán)利要求1所述的一種電動汽車動力電池組健康狀態(tài)在線確定方法， 其特征在 于， 所述。

6、獲取電動汽車的應用數(shù)據(jù)之前還包括： 采集所述電動汽車的應用數(shù)據(jù)； 對所采集的應用數(shù)據(jù)進行預處理； 所述預處理包括： 均值處理和絕對值處理。 5.一種電動汽車動力電池組健康狀態(tài)在線確定系統(tǒng)， 其特征在于， 包括： 應用數(shù)據(jù)獲取模塊， 用于獲取電動汽車的應用數(shù)據(jù)； 所述應用數(shù)據(jù)包括： 電動汽車的累 計行駛里程值、 充電起始SOC值、 平均充電電流、 平均行駛溫度、 平均充電溫度以及分類因 子； 所述分類因子為依據(jù)電動汽車車輛衰退速率不同而劃分的類別； 在線估計模型獲取模塊， 用于獲取以應用數(shù)據(jù)為輸入， 以電動汽車動力電池的容量增 量曲線的第二峰值為輸出的動力電池組健康狀態(tài)在線估計模型； 第一峰值確。

7、定模塊， 用于根據(jù)所述應用數(shù)據(jù)， 利用所述動力電池組健康狀態(tài)在線估計 模型確定所述電動汽車動力電池的容量增量曲線的第二峰值； 權(quán)利要求書 1/2 頁 2 CN 111323719 A 2 健康狀態(tài)確定模塊， 用于根據(jù)所述第二峰值確定所述電動汽車動力電池組的健康狀 態(tài)。 6.根據(jù)權(quán)利要求5所述的一種電動汽車動力電池組健康狀態(tài)在線確定系統(tǒng)， 其特征在 于， 所述系統(tǒng)還包括： 第一應用數(shù)據(jù)采集模塊， 用于采集電動汽車的應用數(shù)據(jù)； 第二峰值確定模塊， 用于根據(jù)采集的應用數(shù)據(jù)， 確定與采集的應用數(shù)據(jù)相對應的電動 汽車動力電池的容量增量曲線的第二峰值； 數(shù)據(jù)訓練對構(gòu)建模塊， 用于將采集的應用數(shù)據(jù)以及與該應。

8、用數(shù)據(jù)相對應的第二峰值作 為數(shù)據(jù)訓練對； 模型訓練模塊， 用于采用所述數(shù)據(jù)訓練對對所述動力電池組健康狀態(tài)在線估計模型進 行訓練。 7.根據(jù)權(quán)利要求6所述的一種電動汽車動力電池組健康狀態(tài)在線確定系統(tǒng)， 其特征在 于， 所述第二峰值確定模塊具體包括： 容量-電壓曲線確定單元， 用于根據(jù)采集的應用數(shù)據(jù)， 采用增量容量分析法得到電動汽 車的容量-電壓曲線； 端電壓和充電容量確定單元， 用于根據(jù)所述容量-電壓曲線確定所述電動汽車的端電 壓和充電容量； 容量-電壓曲線擬合單元， 用于采用SVR算法， 以所述端電壓為輸入， 以所述充電容量為 輸出對容量-電壓曲線進行擬合， 得到擬合后的容量-電壓曲線； 峰值。

9、確定單元， 用于根據(jù)所述擬合后的容量-電壓曲線得到容量增量曲線， 并確定所述 容量增量曲線的第二峰值； 所述容量增量曲線的第二峰值即為與采集的應用數(shù)據(jù)相對應的 電動汽車動力電池的容量增量曲線的第二峰值。 8.根據(jù)權(quán)利要求5所述的一種電動汽車動力電池組健康狀態(tài)在線確定系統(tǒng)， 其特征在 于， 所述系統(tǒng)還包括： 第二應用數(shù)據(jù)采集模塊， 用于采集所述電動汽車的應用數(shù)據(jù)； 預處理模塊， 用于對所采集的應用數(shù)據(jù)進行預處理； 所述預處理包括： 均值處理和絕對 值處理。 權(quán)利要求書 2/2 頁 3 CN 111323719 A 3 一種電動汽車動力電池組健康狀態(tài)在線確定方法和系統(tǒng) 技術(shù)領(lǐng)域 0001 本發(fā)明涉。

10、及動力電池管理技術(shù)領(lǐng)域， 特別是涉及一種電動汽車動力電池組健康狀 態(tài)在線確定方法和系統(tǒng)。 背景技術(shù) 0002 電動汽車的推廣應用已被認為是減少人類對化石燃料的依賴以及溫室氣體排放 的可行途徑。 鋰離子電池由于其在能量密度、 循環(huán)壽命等方面的優(yōu)勢， 在電動汽車中被廣泛 用作能量存儲設(shè)備。 然而， 鋰離子電池由于存在不斷出現(xiàn)的副反應而不可避免地會在其使 用期間出現(xiàn)性能下降， 也稱為老化現(xiàn)象。 一般而言， 動力電池內(nèi)阻增加100或容量衰減 20會被視為達到其使用壽命終止 (End OfLife， EOL)， 不再適合汽車應用。 此外， 容量的 精確計量對于電池組的SOC估計和故障診斷以及電動汽車的剩。

11、余行駛里程預測也至關(guān)重 要。 然而， 由于測試條件和設(shè)備限制， 電池健康狀態(tài)(State OfHealth， SOH)在車輛行駛過程 中難以測量。 因此， 作為電池管理系統(tǒng)(BMS)的核心任務(wù)之一， 準確的SOH估算是提高電池系 統(tǒng)的效率， 安全性和耐用性的保證。 0003 現(xiàn)有鋰離子電池健康狀態(tài)的定義主要有容量定義法和內(nèi)阻定義法， 其計算公式如 式(1)和式(2)所示。 0004 0005 式中， C0為初始標稱容量， Ci為第i次充電容量。 0006 0007 式中： Rnew為電池出廠時的歐姆內(nèi)阻， REOL為電池壽命結(jié)束(EoL)時的歐姆內(nèi)阻， Ri 為第i次測得的電池歐姆內(nèi)阻。 00。

12、08 利用容量法對電動汽車動力電池組進行SOH評估時， 需要在恒定的溫度條件下， 采 用恒流恒壓(其中恒流段一般選擇1/3C電流倍率)的方式將動力電池組充至滿電狀態(tài)， 靜置 1小時， 然后采用恒流(一般為1C)方式將電池放電至截止電壓， 并循環(huán)以上步驟至少3次， 用 其穩(wěn)定后的放電容量平均值作為當前狀態(tài)的最大可用容量值， 進而計算SOH。 這種方式不僅 耗時長， 而且深度的放電對電池也具有一定程度的損害。 0009 利用內(nèi)阻表征電池組SOH的方法在實際的測試過程中， 需要用到脈沖法和電化學 阻抗譜法， 一方面， 實際應用中電池包整體內(nèi)阻隨老化變化幅度較小， 不適合用來進行健康 狀態(tài)評估， 另一。

13、方面， 測量內(nèi)阻需要特定的實驗設(shè)備， 難以實現(xiàn)在線估計。 0010 針對以上問題， 現(xiàn)有文獻中已經(jīng)提出了許多用于電池SOH估計的方法， 這些方法可 以粗略地分為三類， 即基于物理的方法， 基于經(jīng)驗的方法和數(shù)據(jù)驅(qū)動的方法。 基于物理的方 法使用偏微分方程(PDE)來描述與電池老化密切相關(guān)的電池動力學， 從而實現(xiàn)SOH估算。 這 種方法能夠?qū)崿F(xiàn)較高的估計精度， 但需要精確測量大量電化學參數(shù)， 這些參數(shù)無法準確獲 ??； 此外， 模型涉及復雜的偏微分計算， 運算量極大， 難以應用于車載BMS中。 基于經(jīng)驗的方 說明書 1/10 頁 4 CN 111323719 A 4 法采用等效電路模型來描述電池動力。

14、學， 并設(shè)計狀態(tài)觀測器來估計模型參數(shù)。 然而， 使用的 經(jīng)驗電池模型在模型擬合不同的工作條件下使用時， 缺乏物理意義， 并且模型精度有限， 因 此顯著降低了SOH估算精度。 近年來， 數(shù)據(jù)驅(qū)動的方法例如高斯過程回歸和支持向量機， 受 到了越來越多的關(guān)注， 因為它們不需要了解電池運行過程中電化學反應的詳細過程。 在這 些方法中， 需要大量測試數(shù)據(jù)來訓練電池SOH模型， 可以直接描述SOH及其影響因素之間的 非線性關(guān)系。 0011 對本領(lǐng)域相關(guān)專利進行檢索， 現(xiàn)將其中與本發(fā)明相近的技術(shù)方案陳述如下。 申請 號為201810504744.5的發(fā)明專利公開了一種電池健康狀態(tài)分析方法及裝置。 方法包括：。

15、 獲 得樣本電池在不同SOH下， 樣本電池的SOC與樣本電池的OCV的關(guān)系曲線； 將SOH為設(shè)定值時， 樣本電池的SOC與OCV的關(guān)系曲線作為參考曲線； 將不同SOH下， 樣本電池的SOC與OCV的關(guān)系 曲線與參考曲線作差， 得到樣本電池的SOC與開路電壓變化量OCV的關(guān)系曲線； 根據(jù)不同 SOH下， 樣本電池的SOC與OCV的關(guān)系曲線， 分析得到SOC與OCV的關(guān)系曲線中兩點之間的 斜率k； 根據(jù)不同SOH下， 斜率k的變化， 得到SOH與斜率k的對應關(guān)系； 基于樣本電池SOH與斜 率k的對應關(guān)系， 根據(jù)待檢測鋰離子電池的斜率k的值， 分析得到待檢測鋰離子電池的SOH。 這種方法通過電池老化。

16、后OCV曲線與初始狀態(tài)的差異估算SOH， 理論上具有可信度， 然而， 開 路電壓與SOC在實車應用中都較難測量， 所以會導致算法存在誤差。 0012 申請?zhí)枮?01610913062.0的發(fā)明專利公開了一種電池健康狀態(tài)在線估計方法和 系統(tǒng)， 該方法計算電池充放電過程中容量變化與電壓變化的比值， 并將其最大處作為參考 點， 在此參考點鄰域選取一個電壓區(qū)間V1+和V1-， 對該區(qū)間內(nèi)容量變化值進行濾波， 并計算 出區(qū)間內(nèi)的容量CT， 同時測定電池在當前狀態(tài)下的實際容量CA， 并通過線性回歸擬合CT與CA 之間的對應關(guān)系， 進而通過CT值來預測CA值。 該方法可以實現(xiàn)電池健康狀態(tài)的在線估計， 但 由。

17、于不同類型的電池CT與CA的關(guān)系可能存在非線性， 因此會導致此方法的估計結(jié)果會出現(xiàn) 較大誤差。 0013 申請?zhí)枮?01810205365.6的發(fā)明專利公開了一種基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的 健康狀態(tài)估計方法。 首先通過采集電池循環(huán)過程中的電壓、 電流以及時間數(shù)據(jù)， 繪制容量增 量曲線， 經(jīng)濾波后得到容量增量峰值以及峰值位置數(shù)據(jù)， 將其作為輸入數(shù)據(jù)， 并將電池實際 的健康狀態(tài)作為輸出， 建立RBF神經(jīng)網(wǎng)絡(luò)模型， 應用粒子群優(yōu)化算法求解神經(jīng)網(wǎng)絡(luò)模型參 數(shù)。 該方法可以較好的建立容量增量峰值與電池健康狀態(tài)之間的非線性關(guān)系， 然而， 在實車 應用工況下， 充電過程常常并不完整， 而且電壓和電流數(shù)據(jù)。

18、常常精度較低， 難以繪制完整的 容量增量曲線， 因此， 實際應用存在困難。 0014 因此， 本領(lǐng)域亟待提供一種電動汽車動力電池組健康狀態(tài)的確定方法， 以解決現(xiàn) 有技術(shù)在確定電動汽車動力電池組健康狀態(tài)過程中所存在的估計不精確和應用困難的問 題。 發(fā)明內(nèi)容 0015 本發(fā)明的目的是提供一種電動汽車動力電池組健康狀態(tài)在線確定方法和系統(tǒng)， 解 決現(xiàn)有技術(shù)在確定電動汽車動力電池組健康狀態(tài)過程中所存在的估計不精確和應用困難 的問題。 0016 為實現(xiàn)上述目的， 本發(fā)明提供了如下方案： 說明書 2/10 頁 5 CN 111323719 A 5 0017 一種電動汽車動力電池組健康狀態(tài)在線確定方法， 包括。

19、： 0018 獲取電動汽車的應用數(shù)據(jù)； 所述應用數(shù)據(jù)包括： 電動汽車的累計行駛里程值、 充電 起始SOC值、 平均充電電流、 平均行駛溫度、 平均充電溫度以及分類因子； 所述分類因子為依 據(jù)電動汽車車輛衰退速率不同而劃分的類別； 0019 獲取以應用數(shù)據(jù)為輸入， 以電動汽車動力電池的容量增量曲線的第二峰值為輸出 的動力電池組健康狀態(tài)在線估計模型； 0020 根據(jù)所述應用數(shù)據(jù)， 利用所述動力電池組健康狀態(tài)在線估計模型確定所述電動汽 車動力電池的容量增量曲線的第二峰值； 0021 根據(jù)所述第二峰值確定所述電動汽車動力電池組的健康狀態(tài)。 0022 優(yōu)選的， 所述獲取以應用數(shù)據(jù)為輸入， 以電動汽車動力。

20、電池的容量增量曲線的第 二峰值為輸出的動力電池組健康狀態(tài)在線估計模型之前還包括： 0023 采集電動汽車的應用數(shù)據(jù)； 0024 根據(jù)采集的應用數(shù)據(jù)， 確定與采集的應用數(shù)據(jù)相對應的電動汽車動力電池的容量 增量曲線的第二峰值； 0025 將采集的應用數(shù)據(jù)以及與該應用數(shù)據(jù)相對應的第二峰值作為數(shù)據(jù)訓練對； 0026 采用所述數(shù)據(jù)訓練對對所述動力電池組健康狀態(tài)在線估計模型進行訓練。 0027 優(yōu)選的， 所述根據(jù)采集的應用數(shù)據(jù)， 確定與采集的應用數(shù)據(jù)相對應的電動汽車動 力電池的容量增量曲線的第二峰值具體包括： 0028 根據(jù)采集的應用數(shù)據(jù)， 采用增量容量分析法得到電動汽車的容量-電壓曲線； 0029 根據(jù)。

21、所述容量-電壓曲線確定所述電動汽車的端電壓和充電容量； 0030 采用SVR算法， 以所述端電壓為輸入， 以所述充電容量為輸出對容量-電壓曲線進 行擬合， 得到擬合后的容量-電壓曲線； 0031 根據(jù)所述擬合后的容量-電壓曲線得到容量增量曲線， 并確定所述容量增量曲線 的第二峰值； 所述容量增量曲線的第二峰值即為與采集的應用數(shù)據(jù)相對應的電動汽車動力 電池的容量增量曲線的第二峰值。 0032 優(yōu)選的， 所述獲取電動汽車的應用數(shù)據(jù)之前還包括： 0033 采集所述電動汽車的應用數(shù)據(jù)； 0034 對所采集的應用數(shù)據(jù)進行預處理； 所述預處理包括： 均值處理和絕對值處理。 0035 一種電動汽車動力電池組。

22、健康狀態(tài)在線確定系統(tǒng)， 包括： 0036 應用數(shù)據(jù)獲取模塊， 用于獲取電動汽車的應用數(shù)據(jù)； 所述應用數(shù)據(jù)包括： 電動汽車 的累計行駛里程值、 充電起始SOC值、 平均充電電流、 平均行駛溫度、 平均充電溫度以及分類 因子； 所述分類因子為依據(jù)電動汽車車輛衰退速率不同而劃分的類別； 0037 在線估計模型獲取模塊， 用于獲取以應用數(shù)據(jù)為輸入， 以電動汽車動力電池的容 量增量曲線的第二峰值為輸出的動力電池組健康狀態(tài)在線估計模型； 0038 第一峰值確定模塊， 用于根據(jù)所述應用數(shù)據(jù)， 利用所述動力電池組健康狀態(tài)在線 估計模型確定所述電動汽車動力電池的容量增量曲線的第二峰值； 0039 健康狀態(tài)確定模。

23、塊， 用于根據(jù)所述第二峰值確定所述電動汽車動力電池組的健康 狀態(tài)。 0040 優(yōu)選的， 所述系統(tǒng)還包括： 說明書 3/10 頁 6 CN 111323719 A 6 0041 第一應用數(shù)據(jù)采集模塊， 用于采集電動汽車的應用數(shù)據(jù)； 0042 第二峰值確定模塊， 用于根據(jù)采集的應用數(shù)據(jù)， 確定與采集的應用數(shù)據(jù)相對應的 電動汽車動力電池的容量增量曲線的第二峰值； 0043 數(shù)據(jù)訓練對構(gòu)建模塊， 用于將采集的應用數(shù)據(jù)以及與該應用數(shù)據(jù)相對應的第二峰 值作為數(shù)據(jù)訓練對； 0044 模型訓練模塊， 用于采用所述數(shù)據(jù)訓練對對所述動力電池組健康狀態(tài)在線估計模 型進行訓練。 0045 優(yōu)選的， 所述第二峰值確定模。

24、塊具體包括： 0046 容量-電壓曲線確定單元， 用于根據(jù)采集的應用數(shù)據(jù)， 采用增量容量分析法得到電 動汽車的容量-電壓曲線； 0047 端電壓和充電容量確定單元， 用于根據(jù)所述容量-電壓曲線確定所述電動汽車的 端電壓和充電容量； 0048 容量-電壓曲線擬合單元， 用于采用SVR算法， 以所述端電壓為輸入， 以所述充電容 量為輸出對容量-電壓曲線進行擬合， 得到擬合后的容量-電壓曲線； 0049 峰值確定單元， 用于根據(jù)所述擬合后的容量-電壓曲線得到容量增量曲線， 并確定 所述容量增量曲線的第二峰值； 所述容量增量曲線的第二峰值即為與采集的應用數(shù)據(jù)相對 應的電動汽車動力電池的容量增量曲線的第。

25、二峰值。 0050 優(yōu)選的， 所述系統(tǒng)還包括： 0051 第二應用數(shù)據(jù)采集模塊， 用于采集所述電動汽車的應用數(shù)據(jù)； 0052 預處理模塊， 用于對所采集的應用數(shù)據(jù)進行預處理； 所述預處理包括： 均值處理和 絕對值處理。 0053 根據(jù)本發(fā)明提供的具體實施例， 本發(fā)明公開了以下技術(shù)效果： 0054 本發(fā)明提供的電動汽車動力電池組健康狀態(tài)在線確定方法和系統(tǒng)， 通過采用動力 電池組健康狀態(tài)在線估計模型， 根據(jù)應用數(shù)據(jù)就可以確定得到所述電動汽車動力電池的容 量增量曲線的第二峰值， 然后根據(jù)第二峰值就可以精確得到電動汽車動力電池組的健康狀 態(tài)。 并且， 本發(fā)明所提供的電動汽車動力電池組健康狀態(tài)在線確定方。

26、法和系統(tǒng)， 僅需要根據(jù) 所獲取的應用數(shù)據(jù)就可以得到電動汽車動力電池組健康狀態(tài)， 這就能夠簡化電動汽車動力 電池組健康狀態(tài)確定過程， 解決現(xiàn)有技術(shù)中電動汽車動力電池組健康狀態(tài)確定方法應用困 難的問題。 附圖說明 0055 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案， 下面將對實施例中所 需要使用的附圖作簡單地介紹， 顯而易見地， 下面描述中的附圖僅僅是本發(fā)明的一些實施 例， 對于本領(lǐng)域普通技術(shù)人員來講， 在不付出創(chuàng)造性勞動性的前提下， 還可以根據(jù)這些附圖 獲得其他的附圖。 0056 圖1為本發(fā)明實施例提供中所提供方案的總體流程圖； 0057 圖2為本發(fā)明實施例提供的電動汽車動力電池組健康。

27、狀態(tài)在線確定方法的流程 圖； 0058 圖3為本發(fā)明實施例提供的擬合后的容量-電壓曲線圖； 說明書 4/10 頁 7 CN 111323719 A 7 0059 圖4為本發(fā)明實施例提供的濾波后不同里程下的IC曲線圖； 0060 圖5為本發(fā)明實施例中所有研究車輛的IC峰值隨累計里程的變化曲線圖； 0061 圖6為本發(fā)明實施例中擬合后的IC峰值圖； 0062 圖7為本發(fā)明實施例中徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖； 0063 圖8為本發(fā)明實施例提供的電動汽車動力電池組健康狀態(tài)在線確定系統(tǒng)的結(jié)構(gòu)示 意圖。 具體實施方式 0064 下面將結(jié)合本發(fā)明實施例中的附圖， 對本發(fā)明實施例中的技術(shù)方案進行清楚、。

28、 完 整地描述， 顯然， 所描述的實施例僅僅是本發(fā)明一部分實施例， 而不是全部的實施例。 基于 本發(fā)明中的實施例， 本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例， 都屬于本發(fā)明保護的范圍。 0065 本發(fā)明的目的是提供一種電動汽車動力電池組健康狀態(tài)在線確定方法和系統(tǒng)， 解 決現(xiàn)有技術(shù)在確定電動汽車動力電池組健康狀態(tài)過程中所存在的估計不精確和應用困難 的問題。 0066 為使本發(fā)明的上述目的、 特征和優(yōu)點能夠更加明顯易懂， 下面結(jié)合附圖和具體實 施方式對本發(fā)明作進一步詳細的說明。 0067 術(shù)語解釋： 0068 動力電池健康狀態(tài)(State Of Health， SOH)。

29、： 表征動力電池當前性能狀態(tài)與初始 性能狀態(tài)之間的比例， 常見的表示方法由容量表示法和內(nèi)阻表示法。 0069 容量增量分析法(Incremental Capacity Analysis， ICA)： 利用容量差分與電壓 差分的比， 從電池電壓曲線上提取相關(guān)特征的一種方法。 其中， 容量增量(Incremental Capacity， IC) 0070 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network， RBFNN)： 使用徑 向基函數(shù)作為隱層神經(jīng)元激活函數(shù)的前饋神經(jīng)網(wǎng)絡(luò)。 0071 電池管理系統(tǒng)(Battery Management System， 。

30、BMS)： 一般包括電池狀態(tài)估計、 熱管 理、 均衡等功能。 0072 荷電狀態(tài)(State Of Charge， SOC)： 電池剩余容量與當前最大可用容量之比。 0073 開路電壓(Open Circuit Voltage， OCV)： 電化學平衡狀態(tài)下電池正負極之間的電 勢差。 0074 恒流恒壓充電法(Constant Current Constant Voltage， CCCV)： 先恒流充電至電 池廠商所規(guī)定的充電截止電壓， 再轉(zhuǎn)換為恒壓充電的一種充電模式。 0075 充放電倍率(C率)： 表示充電電流與額定容量的比。 例如， 1/3C電流表示三小時可 以將電池充至滿電量所需的電流。

31、大小。 0076 支持向量回歸(Support Vector Regression， SVR)： 一種可以高精度擬合非線性 關(guān)系的機器學習方法。 0077 放電深度(Depth Of Discharge， DOD)： 電池放電量與電池額定容量的百分比。 0078 本發(fā)明的整體設(shè)計思路如圖1所示， 具體為： 首先， 以大數(shù)據(jù)平臺上采集的電動汽 車實車行駛和充電數(shù)據(jù)為原始數(shù)據(jù)， 劃分為充電和行駛片段， 提取有效的充電片段， 采用插 說明書 5/10 頁 8 CN 111323719 A 8 值方法填補缺失幀， 采取SVR支持向量回歸對其容量- 電壓曲線進行擬合， 并繪制容量增量 曲線， 利用高斯窗。

32、口濾波對容量增量曲線進行平滑， 并求出其第二峰值， 利用SVR(或最小二 乘回歸、 嶺回歸等方式) 對不同里程下的容量增量峰值進行填補和回歸， 得到完整的容量 增量峰值隨里程的變化關(guān)系， 將處理后的容量增量峰值作為健康狀態(tài)估計模型的輸出參 數(shù)。 其次， 從充電片段中提取累計行駛里程、 充電起始SOC、 平均充電電流、 平均充電溫度， 從 行駛片段中提取平均行駛溫度， 將其作為健康狀態(tài)估計模型的輸入?yún)?shù)。 最后， 使用徑向基 函數(shù)神經(jīng)網(wǎng)絡(luò)(Radical Basis Function， RBFNN)， 建立基于大數(shù)據(jù)的動力電池組健康狀態(tài) 在線估計模型。 0079 用以上輸入和輸出參數(shù)， 對14輛。

33、純電動汽車的數(shù)據(jù)進行訓練， 并用另外 4輛車的 數(shù)據(jù)進行驗證， 結(jié)果顯示， 平均誤差為4， 模型有較好的健康狀態(tài)估計能力。 0080 本發(fā)明的具體實施方案為： 0081 圖2為本發(fā)明實施例提供的電動汽車動力電池組健康狀態(tài)在線確定方法的流程 圖， 如圖2所示， 一種電動汽車動力電池組健康狀態(tài)在線確定方法， 包括： 0082 S1、 獲取電動汽車的應用數(shù)據(jù)； 所述應用數(shù)據(jù)包括： 電動汽車的累計行駛里程值、 充電起始SOC值、 平均充電電流、 平均行駛溫度、 平均充電溫度以及分類因子； 所述分類因子 為依據(jù)電動汽車車輛衰退速率不同而劃分的類別； 其中， 車輛的累計行駛里程可以反映其 電池系統(tǒng)在實際操。

34、作中的安時吞吐量， 對電池的退化產(chǎn)生至關(guān)重要的影響。 初始充電SOC是 前序行程中DOD的直接反應。 0083 S2、 獲取以應用數(shù)據(jù)為輸入， 以電動汽車動力電池的容量增量曲線的第二峰值為 輸出的動力電池組健康狀態(tài)在線估計模型； 0084 S3、 根據(jù)所述應用數(shù)據(jù)， 利用所述動力電池組健康狀態(tài)在線估計模型確定所述電 動汽車動力電池的容量增量曲線的第二峰值； 0085 S4、 根據(jù)所述第二峰值確定所述電動汽車動力電池組的健康狀態(tài)。 0086 為了提高對電動汽車動力電池組的健康狀態(tài)進行估計的精確度， 在上述S2之前還 可以包括： 0087 采集電動汽車的應用數(shù)據(jù)； 0088 根據(jù)采集的應用數(shù)據(jù)， 。

35、確定與采集的應用數(shù)據(jù)相對應的電動汽車動力電池的容量 增量曲線的第二峰值； 0089 將采集的應用數(shù)據(jù)以及與該應用數(shù)據(jù)相對應的第二峰值作為數(shù)據(jù)訓練對； 0090 采用所述數(shù)據(jù)訓練對對所述動力電池組健康狀態(tài)在線估計模型進行訓練。 0091 其中， 根據(jù)采集的應用數(shù)據(jù)， 確定與采集的應用數(shù)據(jù)相對應的電動汽車動力電池 的容量增量曲線的第二峰值的過程具體包括： 0092 根據(jù)采集的應用數(shù)據(jù)， 采用增量容量分析法得到電動汽車的容量-電壓曲線， 具體 為： 0093 在一個充電片段中， 充電容量由下式計算得到： 0094 0095 其中， Q為充電容量， I(t)為第t時刻的充電電流， T為采樣周期。 00。

36、96 將式(3)離散化， 使用k代表離散的時間步， 進而計算每一個電壓位置的IC值： 說明書 6/10 頁 9 CN 111323719 A 9 0097 0098 其中， Qk表示電池在第k時刻的充電容量， Vk表示電池在第k時刻的電壓， Qk-1代表電 池在第k-1時刻的充電容量， Vk-1代表電池在第k-1時刻的電壓。 0099 根據(jù)所述容量-電壓曲線確定所述電動汽車的端電壓和充電容量； 0100 但是， 由于電壓測量精度的影響， 有可能出現(xiàn)在某些連續(xù)時間步內(nèi)， 測量到的電壓 沒有發(fā)生變化， 如圖3中黑色實線所示。 這將導致IC曲線推導中的零分母問題。 為了解決這 一問題， 采用支持向量。

37、回歸(SVR)算法(或高斯過程回歸、 決策樹回歸等機器學習回歸模型) 對數(shù)據(jù)集(圖3中黑色實線所表示的原始數(shù)據(jù))進行預處理， 即采用SVR算法， 以所述端電壓 為輸入， 以所述充電容量為輸出對容量-電壓曲線進行擬合， 得到擬合后的容量-電壓曲線。 這一擬合過程具體為： 0101 設(shè)數(shù)據(jù)集(x1， y1)， (x2， y2)， ， (xl， yl)， 其中xiRn是特征向量， yiR 是目標輸 出， 則系統(tǒng)方程可以表示成如下形式： 0102 y +b,X,bR, 0103 SVR算法將方程轉(zhuǎn)化為以下優(yōu)化問題： 0104 0105 0106式中， 向量表示以C0為正則化參數(shù)的模型參數(shù)， 表示上限的。

38、松弛變量， i表 示下限的松弛變量， yi表示目標輸出， xi表示特征向量。 通過求解上述方程， 可以導出近似函 數(shù)： 0107 0108其中， i和均為拉格朗日算子， k(xi,xc)表示核函數(shù)。 本發(fā)明應用高斯徑向基核 函數(shù)(RBF)， 其表達式為： 0109 0110 其中， k(.)表示選擇的核， xi表示采樣點， xc表示中心點， 是高斯函數(shù)的標準偏差， 表示RBF核的寬度。 在本發(fā)明所涉及的電池充電過程中， 已充入電量可以由下式計算： 0111 0112 其中， Cr是額定電池容量， Ck是在Vk電壓下的已充入電量， k代表時間步， s0是充電 操作的初始SOC值， Ik是充電電流。

39、， 而T是采樣間隔。 說明書 7/10 頁 10 CN 111323719 A 10 0113 值得一提的是， 由于實際電池容量的降低， 可能導致每個特定電壓下的計算容量 與實際值存在偏差， 然而， 由于IC值的計算僅需要用到兩個采樣點間充電容量的差值(增 量)， 因此對IC曲線推導的影響有限。 充電容量和相關(guān)電壓之間的關(guān)系可以近似為 0114 Ckf(Vk) 0115 在本發(fā)明中， 根據(jù)公式(11)得到容量-電壓的曲線圖， 如圖4所示。 SVR 算法被用來 擬合容量增量曲線， 以消除原始數(shù)據(jù)波動帶來的影響。 其中， 輸入為端電壓Vk， 輸出為充電 容量Ck。 0116 基于圖3中的SVR擬合。

40、后的容量-電壓曲線， 依據(jù)公式(4)， 可以得出每輛車的IC曲 線。 0117 然而， 電壓和電流的測量精度不可避免地會影響所獲得的IC曲線， 使其出現(xiàn)異常 的波動。 為了有效地提取IC曲線的特征， 需要采用一定的濾波算法。 在本發(fā)明使用高斯窗口 (GW)濾波(方法或滑動均值濾波、 低通濾波、 小波等濾波等方式)用于平滑IC曲線， 濾波后不 同里程下的IC曲線如圖5所示。 0118 可以看出， IC曲線的第二峰值通常隨著累積里程的增加而降低， 因此可以用其表 征電池SOH。 即通過IC曲線的第二峰值對電動汽車動力電池組的健康狀態(tài)進行確定， 那么在 得到容量增量曲線后就可以確定其第二峰值。 01。

41、19 圖5描繪了不同車輛的峰值演變。 可以看出， 所有峰值演化都具有相似的模式， 但 曲線斜率不同。 通過聚類， 可以將研究的車輛分為兩組。 由此， 引入分類因子， 對車輛所屬類 別進行區(qū)分(在本發(fā)明中以規(guī)定的衰退速率為界限按照當前電動汽車的車輛衰退速率將電 動汽車分為兩種類別)， 以提高預測準確率。 0120 進一步， 由于對數(shù)據(jù)要求較為嚴格， 并非所有充電過程中的電壓變化曲線都可以 用于IC曲線推導。 為了獲得每次充電過程的IC值， 需要再次使用SVR 算法來獲取IC值隨著 累積里程增加而演變的趨勢， 擬合結(jié)果在圖6中顯示。 可以看出， 擬合曲線可以充分代表IC 值的演化路線并濾除異常值。。

42、 該擬合曲線可用于獲取特定累積里程的確切IC值， 可用作模 型訓練和驗證的模型輸出。 0121 為了進一步提高本發(fā)明所提供的電動汽車動力電池組健康狀態(tài)在線確定方法的 評估準確性， 在采集得到電動汽車的應用數(shù)據(jù)之后， 還需要對采集得到的應用數(shù)據(jù)進行預 處理。 所述預處理具體包括： 均值處理和絕對值處理。 0122 作為本發(fā)明的另一實施例， 本發(fā)明所采用的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radical Basis Function， RBFNN)模型的具體構(gòu)建過程為： 0123 相比于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)(ANN)， RBFNN模型的區(qū)別主要在于隱層數(shù)和輸入節(jié)點 的激活函數(shù)。 由于RBFNN模型的激活函數(shù)可以將。

43、輸入變量映射到高維， 將非線性關(guān)系轉(zhuǎn)化為 線性關(guān)系， 使得RBFNN模型只需要一個隱層。 因此， RBFNN模型的訓練也比一般的ANN更為有 效， 可以防止模型訓練陷入局部極小值。 0124 本發(fā)明利用RBFNN模型建立了動力電池組健康狀態(tài)在線估計模型， 并利用梯度下 降算法(或粒子群優(yōu)化、 遺傳算法等)進行模型訓練和驗證。 開發(fā)的動力電池組健康狀態(tài)在 線估計模型可以嵌入到現(xiàn)實的電池管理系統(tǒng) (BATTERY MANAGEMENT SYSTEM， BMS)中進行 在線計算。 RBFNN神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)為： 說明書 8/10 頁 11 CN 111323719 A 11 0125 0126。

44、 0127 式中， Y表示輸出參數(shù)， k表示隱層節(jié)點個數(shù)， wj為第jth個隱層節(jié)點與輸出節(jié)點之間 的權(quán)重， w0為隱層節(jié)點到輸出節(jié)點的偏置項。 所建立模型的結(jié)構(gòu)如圖7所示。 它由一個輸入 層， 一個隱藏層和一個輸出層組成。 輸入層包含六個特征參數(shù)， 分別為車輛的累計行駛里 程、 初始充電SOC、 平均充電溫度、 平均充電電流、 平均放電溫度以及分類因子， 而IC曲線的 第二峰值是輸出層中唯一的模型輸出。 0128 BP(Back Propagation)訓練算法已被廣泛用于RBFNN的訓練。 優(yōu)選地， 本發(fā)明選擇 梯度下降(Gradient Descent)法來解決擬合問題， 并且將學習率設(shè)。

45、置為0.001。 由此， 上式 中的參數(shù)可以由下式更新： 0129 xcj(i)xcj(i-1)+ xcj+ (xcj(i-1)-xcj(i-2) 0130 xcj(i)xcj(i-1)+ xcj+ (xcj(i-1)-xcj(i-2) 0131 xcj(i)xcj(i-1)+ xcj+ (xcj(i-1)-xcj(i-2) 0132 其中， wj為第jth個隱節(jié)點的權(quán)重， j為第jth個隱節(jié)點的標準差， xcj為第 jth個隱節(jié) 點的中心值， i代表迭代次數(shù)， 0,1為學習率， 0,1為動量因子。 0133 此外， 對應于上述電動汽車動力電池組健康狀態(tài)在線確定方法， 本發(fā)明還提供了 一種電動。

46、汽車動力電池組健康狀態(tài)在線確定系統(tǒng)， 如圖8所示， 該系統(tǒng)包括： 應用數(shù)據(jù)獲取 模塊1、 在線估計模型獲取模塊2、 第一峰值確定模塊3 和健康狀態(tài)確定模塊4。 0134 應用數(shù)據(jù)獲取模塊1用于獲取電動汽車的應用數(shù)據(jù)； 所述應用數(shù)據(jù)包括： 電動汽車 的累計行駛里程值、 充電起始SOC值、 平均充電電流、 平均行駛溫度、 平均充電溫度以及分類 因子； 所述分類因子為依據(jù)電動汽車車輛衰退速率不同而劃分的類別； 0135 在線估計模型獲取模塊2用于獲取以應用數(shù)據(jù)為輸入， 以電動汽車動力電池的容 量增量曲線的第二峰值為輸出的動力電池組健康狀態(tài)在線估計模型； 0136 第一峰值確定模塊3用于根據(jù)所述應用數(shù)。

47、據(jù)， 利用所述動力電池組健康狀態(tài)在線 估計模型確定所述電動汽車動力電池的容量增量曲線的第二峰值； 0137 健康狀態(tài)確定模塊4用于根據(jù)所述第二峰值確定所述電動汽車動力電池組的健康 狀態(tài)。 0138 為了進一步提高心痛預測的精確性， 上述系統(tǒng)還包括： 第一應用數(shù)據(jù)采集模塊、 第 二峰值確定模塊、 數(shù)據(jù)訓練對構(gòu)建模塊和模型訓練模塊。 0139 其中， 第一應用數(shù)據(jù)采集模塊用于采集電動汽車的應用數(shù)據(jù)； 第二峰值確定模塊 用于根據(jù)采集的應用數(shù)據(jù)， 確定與采集的應用數(shù)據(jù)相對應的電動汽車動力電池的容量增量 曲線的第二峰值； 數(shù)據(jù)訓練對構(gòu)建模塊用于將采集的應用數(shù)據(jù)以及與該應用數(shù)據(jù)相對應的 第二峰值作為數(shù)據(jù)訓。

48、練對； 模型訓練模塊用于采用所述數(shù)據(jù)訓練對對所述動力電池組健康 狀態(tài)在線估計模型進行訓練。 0140 上述第二峰值確定模塊具體包括： 容量-電壓曲線確定單元、 端電壓和充電容量確 定單元、 容量-電壓曲線擬合單元和峰值確定單元。 說明書 9/10 頁 12 CN 111323719 A 12 0141 容量-電壓曲線確定單元用于根據(jù)采集的應用數(shù)據(jù)， 采用增量容量分析法得到電 動汽車的容量-電壓曲線； 端電壓和充電容量確定單元用于根據(jù)所述容量-電壓曲線確定所 述電動汽車的端電壓和充電容量； 容量-電壓曲線擬合單元用于采用SVR算法， 以所述端電 壓為輸入， 以所述充電容量為輸出對容量-電壓曲線進。

49、行擬合， 得到擬合后的容量-電壓曲 線； 峰值確定單元用于根據(jù)所述擬合后的容量-電壓曲線得到容量增量曲線， 并確定所述容 量增量曲線的第二峰值； 所述容量增量曲線的第二峰值即為與采集的應用數(shù)據(jù)相對應的電 動汽車動力電池的容量增量曲線的第二峰值。 0142 除上述部件之外， 本發(fā)明所提供的系統(tǒng)還可以包括有： 第二應用數(shù)據(jù)采集模塊和 預處理模塊。 0143 其中， 第二應用數(shù)據(jù)采集模塊用于采集所述電動汽車的應用數(shù)據(jù)； 預處理模塊用 于對所采集的應用數(shù)據(jù)進行預處理； 所述預處理包括： 均值處理和絕對值處理。 0144 本說明書中各個實施例采用遞進的方式描述， 每個實施例重點說明的都是與其他 實施例的。

50、不同之處， 各個實施例之間相同相似部分互相參見即可。 對于實施例公開的系統(tǒng) 而言， 由于其與實施例公開的方法相對應， 所以描述的比較簡單， 相關(guān)之處參見方法部分說 明即可。 0145 本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述， 以上實施例的說 明只是用于幫助理解本發(fā)明的方法及其核心思想； 同時， 對于本領(lǐng)域的一般技術(shù)人員， 依據(jù) 本發(fā)明的思想， 在具體實施方式及應用范圍上均會有改變之處。 綜上所述， 本說明書內(nèi)容不 應理解為對本發(fā)明的限制。 說明書 10/10 頁 13 CN 111323719 A 13 圖1 圖2 說明書附圖 1/4 頁 14 CN 111323719 A 1。

相關(guān)知識

電動汽車動力電池組健康狀態(tài)在線確定方法和系統(tǒng).pdf
增程式電動車動力電池健康狀態(tài)的檢測方法及系統(tǒng).pdf
電動汽車動力電池健康狀態(tài)在線動態(tài)估算方法
鋰離子電池組單體容量及健康狀態(tài)在線測量系統(tǒng)及方法與流程
【標準解讀】《電動汽車動力蓄電池健康狀態(tài)評價指標及估算誤差試驗方法》
電動汽車電池健康狀態(tài)怎么看？怎么檢測電池壽命？
汽車電池健康狀態(tài)的判斷方法
電動汽車換電后如何檢查電池狀態(tài)
無線電池管理系統(tǒng)：實現(xiàn)智能電池生態(tài)系統(tǒng)解決方案
電動汽車電池健康狀態(tài)怎么看？怎么檢測新能源電池健康度？

網(wǎng)址: 電動汽車動力電池組健康狀態(tài)在線確定方法和系統(tǒng).pdf http://www.u1s5d6.cn/newsview1219403.html