本發(fā)明涉及電池健康度預測技術(shù)領(lǐng)域，特別涉及一種基于大數(shù)據(jù)機器學習的電池健康度預測方法。

背景技術(shù)：

電動汽車行業(yè)的興起，鋰離子電池在電動汽車領(lǐng)域得到廣泛的應用，電池組的有效管理也成為保障電動汽車性能穩(wěn)定和安全可靠的關(guān)鍵。特別是電動汽車電池在充放電過程中出現(xiàn)故障，從而導致安全事故頻發(fā)，那么對電池使用情況的監(jiān)測、對電池剩余電量的評估、對電池使用壽命的預測等技術(shù)就變得越來越重要。

電池健康狀態(tài)(stateofhealth，soh)是用來衡量電池老化程度的參數(shù)。當前業(yè)務對soh的估算方法主要有兩大類：直接獲得法、數(shù)據(jù)驅(qū)動法。直接獲得法是指對可直接測量的電池參數(shù)進行處理來計算soh的方法，具體有安時積分、開路電壓、阻抗法等方式；數(shù)據(jù)驅(qū)動法不依賴于電池模型，而是采用數(shù)學模型，針對具體的車型來構(gòu)造模型，其結(jié)果適用于具體的一個車型，因此精度較高。

技術(shù)實現(xiàn)要素：

為解決上述技術(shù)問題，本發(fā)明提供了一種基于大數(shù)據(jù)機器學習的電池健康度預測方法，采用數(shù)據(jù)驅(qū)動法，通過機器學習技術(shù)建立數(shù)學模型，來探索每個車型的電池壽命衰減規(guī)律，從而對具體每個車的電池壽命進行預測。

為達到上述目的，本發(fā)明的技術(shù)方案如下：

一種基于大數(shù)據(jù)機器學習的電池健康度預測方法，包括如下步驟：

步驟一，收集某一車型下多個車輛的充電過程明細數(shù)據(jù)；

步驟二，對收集到的充電過程數(shù)據(jù)進行處理，計算得到每輛車每次充電時的累計soc差值和預估電池容量；

步驟三，對該車型的充電過程數(shù)據(jù)進行數(shù)學建模，建立以預估電池容量為因變量、以累計soc差值為自變量的數(shù)學模型；

步驟四，基于建立的數(shù)學模型，分析該車型的電池soh衰減規(guī)律，得到soh衰減曲線，并計算出該車型電池容量衰減至80％時的循環(huán)次數(shù)；

步驟五：基于得到的soh衰減曲線，結(jié)合步驟二中每輛車的充電過程數(shù)據(jù)，計算每輛車電池容量衰減至80％時的時間；

步驟六：將該車型和具體每輛車的soh衰減規(guī)律計算結(jié)果，在可視化界面中呈現(xiàn)。

上述方案中，所述步驟一中，充電過程明細數(shù)據(jù)包括車輛vin、充電開始時間、充電結(jié)束時間、充電時長、充電開始soc、充電結(jié)束soc、充電電量。

上述方案中，所述步驟二的具體方法如下：

(1)計算每輛車每次充電的soc差值；

(2)計算每輛車逐次充電過程時的累計soc差值和累計充電量；

(3)通過累計充電量除以累計soc差值，得到每輛車每次充電時的預估電池容量。

上述方案中，所述步驟三中，建立的數(shù)學模型采用bp神經(jīng)網(wǎng)絡回歸算法和多項式回歸算法，針對每一個車型，比較這兩類算法的精度，選擇最優(yōu)的算法。

進一步的技術(shù)方案中，所述bp神經(jīng)網(wǎng)絡回歸算法中，采用了2層神經(jīng)網(wǎng)絡，隱藏層包含10個隱藏單元。

更進一步的技術(shù)方案中，所述bp神經(jīng)網(wǎng)絡回歸算法中，相關(guān)的技術(shù)參數(shù)如下：

學習率選擇：0.1/0.01/0.001；

激活函數(shù)選擇：sigmoid/relu；

輸入數(shù)據(jù)歸一化；

優(yōu)化器選擇：batchgradientdescent；

迭代次數(shù)：20000次。

通過上述技術(shù)方案，本發(fā)明提供的一種基于大數(shù)據(jù)機器學習的電池健康度預測方法，基于海量的充電過程數(shù)據(jù)，可以精確擬合每個車型的soh衰減規(guī)律，并估算出該車型電池容量衰減至80％時的循環(huán)次數(shù)；再結(jié)合該車型下每輛車的充電頻率，可以提前預知每輛車電池容量衰減至80％時的具體時間，為車輛的維護保養(yǎng)提供了可靠的依據(jù)。

附圖說明

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，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹。

圖1為本發(fā)明實施例所公開的一種基于大數(shù)據(jù)機器學習的電池健康度預測方法流程示意圖；

圖2為本發(fā)明實施例所公開的soh電池容量衰減曲線示意圖；

圖3為本發(fā)明實施例所公開的電池容量百分比衰減模型示意圖；

圖4為本發(fā)明實施例所公開的車型電池衰減模型和每輛車的電池衰減時間示意圖；

圖5為本發(fā)明實施例所公開的車型和具體每輛車的soh衰減規(guī)律示意圖。

具體實施方式

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、完整地描述。

本發(fā)明提供了一種基于大數(shù)據(jù)機器學習的電池健康度預測方法，如圖1所示，該方法在積累了海量電池充電過程數(shù)據(jù)的基礎(chǔ)上，通過機器學習技術(shù)，分析研究了不同車型的電池壽命衰減規(guī)律，分別建立模型來預測soh，并將研究結(jié)果應用在充電產(chǎn)品中。

具體實施例如下：

首先，選擇【揚子江-wg6180bevhr3】這個車型為研究對象，該車型有30輛車，車輛vin為lwejnt2l*********。

步驟一：收集某一車型下多個車輛的充電過程明細數(shù)據(jù)。包括車輛vin、充電開始時間、充電結(jié)束時間、充電時長、充電開始soc、充電結(jié)束soc、充電電量等。

實施：收集【揚子江-wg6180bevhr3】這個車型下30輛車的充電過程明細數(shù)據(jù)，平均每輛車5000次充電記錄。

步驟二：基于步驟一，對收集到的充電過程數(shù)據(jù)進行處理。具體包括：

(1)計算每輛車每次充電的soc差值；

(2)計算每輛車逐次充電過程時的累計soc差值、累計充電量；

(3)通過累計充電量除以累計soc差值，得到每輛車每次充電時的預估電池容量。

實施：針對每輛車，對充電記錄按時間排序后，分別計算上述數(shù)值。

步驟三：基于步驟二，對該車型的充電過程數(shù)據(jù)進行數(shù)學建模，建立以預估電池容量為因變量、以累計soc差值為自變量的數(shù)學模型。算法主要有兩類：bp神經(jīng)網(wǎng)絡回歸算法、多項式回歸算法。針對每一個車型，比較這兩類算法的精度，選擇最優(yōu)的算法。

實施：針對【揚子江-wg6180bevhr3】這個車型，分別應用bp神經(jīng)網(wǎng)絡回歸和多項式回歸算法。其中，訓練集20輛車10萬條數(shù)據(jù)，驗證集6輛車3萬條數(shù)據(jù)，測試集4輛車2萬條數(shù)據(jù)。

結(jié)果：bp神經(jīng)網(wǎng)絡回歸的驗證誤差為0.93，多項式回歸算法的驗證誤差為0.56。最終在這個車型上，選擇多項式回歸算法，測試誤差0.55，并且在循環(huán)2000次時，容量衰減至103.29，衰減至73.3％，更符合電池容量的衰減規(guī)律。衰減曲線見圖2。

步驟四：基于步驟三中得到的模型，分析該車型的電池soh衰減規(guī)律，得到soh衰減曲線。并計算出該車型電池容量衰減至80％時的循環(huán)次數(shù)。

實施：根據(jù)步驟三中得到的多項式回歸系數(shù)，擬合出【揚子江-wg6180bevhr3】的電池容量衰減曲線。計算出電池容量衰減至80％時的循環(huán)次數(shù)為1721次，見圖3。

步驟五：基于步驟四中得到的soh衰減曲線，結(jié)合步驟二中每輛車的充電過程數(shù)據(jù)，計算每輛車電池容量衰減至80％時的時間。

實施：【揚子江-wg6180bevhr3】車型有30輛車，統(tǒng)計每輛車的平均充電頻率，根據(jù)充電頻率，結(jié)合車型電池容量衰減曲線，計算出每輛車電池容量衰減至80％時的時間，比如【lwejnt2lxga000***】這輛車預計在2024年1月份電池容量衰減至80％，見圖4所示。

步驟六：基于步驟四、步驟五，將該車型和具體每輛車的soh衰減規(guī)律計算結(jié)果，在可視化界面中呈現(xiàn)。

實施：將【揚子江-wg6180bevhr3】車型及其下30輛車的衰減規(guī)律進行可視化呈現(xiàn)，見圖5所示。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。

相關(guān)知識

基于機器學習的鋰離子電池健康狀態(tài)與剩余壽命預測
一種用于動力電池健康狀態(tài)預測的特征參數(shù)集測試方法與流程
一種基于深度學習的鋰電池健康狀態(tài)評估方法
一種無人機電池健康管理預測方法與系統(tǒng)
基于數(shù)據(jù)驅(qū)動的鋰離子電池健康狀態(tài)估計及剩余壽命預測研究.docx
僅需少量數(shù)據(jù)，機器學習模型可準確識別電池健康狀況 ｜ 機器之心
一種動力電池健康狀態(tài)檢測及預警的方法與流程
一種預測動力電池循環(huán)壽命及健康狀態(tài)的方法與流程
電池健康狀態(tài)檢測方法、裝置和電子設備與流程
基于大數(shù)據(jù)的車輛健康狀態(tài)評估模型構(gòu)建方法與流程

網(wǎng)址: 一種基于大數(shù)據(jù)機器學習的電池健康度預測方法與流程 http://www.u1s5d6.cn/newsview1388277.html