1.本發(fā)明涉及新能源技術領域，具體涉及一種電動車輛的動力電池的 健康狀態(tài)確定方法及服務器。

背景技術：

2.動力電池作為新能源電動汽車最主要的動力源，動力電池的使用壽 命是有限的，動力電池中活性物質隨著使用過程而自然損耗，因此，動 力電池的滿電容量會逐漸降低，業(yè)內常采用電池的健康狀態(tài)(stateof health，soh)評估動力電池的壽命。
3.現(xiàn)有評估動力電池的soh值的方法主要有電化學機理方法和大數(shù)據(jù) 人工智能評估方法。電化學機理方法是通過一定條件的充放電過程，對 動力電池的電壓、電流等數(shù)據(jù)進行分析而得到動力電池的soh值。由于 動力電池的充放電過程需要一定充放電時間和充放電條件，因此上述作 法評估soh值的效率比較低。
4.大數(shù)據(jù)人工智能評估方法是從大量歷史數(shù)據(jù)中，利用長時間尺度數(shù) 據(jù)分析算法進行得到動力電池的soh值。由于動力電池的soh衰減是一 個緩慢且不可逆的過程，因此，對于使用一段時間的電動汽車的動力電 池進行首次soh評估時，此方法由于缺少初始值而使得后續(xù)利用長時間 尺度數(shù)據(jù)分析算法進行評估時，算法的收斂比較緩慢，無法快速可靠地 輸出soh值。

技術實現(xiàn)要素：

5.本發(fā)明實施例的一個目的旨在提供一種電動車輛的動力電池的健 康狀態(tài)確定方法及服務器，用于改善現(xiàn)有技術評估動力電池的健康狀態(tài) 時，存在效率低下的技術問題。
6.在第一方面，本發(fā)明實施例提供一種電動車輛的動力電池的健康狀 態(tài)確定方法，包括：
7.獲取所述動力電池的電池數(shù)據(jù)以及所述電動車輛的車輛特征，所述 電池數(shù)據(jù)包括實時電池關聯(lián)參數(shù)與實時故障類型參數(shù)；
8.根據(jù)所述實時電池關聯(lián)參數(shù)及與所述車輛特征對應的正常衰減模 型，計算所述動力電池的正常健康狀態(tài)衰減值；
9.根據(jù)所述實時故障類型參數(shù)及與所述車輛特征對應的故障衰減模 型，計算所述動力電池的故障健康狀態(tài)衰減值；
10.根據(jù)所述正常健康狀態(tài)衰減值及所述故障健康狀態(tài)衰減值，確定所 述動力電池的綜合健康評價值。
11.可選地，所述實時電池關聯(lián)參數(shù)為行駛里程、動力電池的累計充電 容量或累計放電容量中的一個。
12.可選地，所述根據(jù)所述正常衰減值及所述故障衰減值，確定所述動 力電池的綜合健康評價值包括：
13.根據(jù)以下公式：soh
t
＝std-δα
t-δε
t
，確定所述動力電池的綜合健康 評價值，std
為標準電池健康狀態(tài)值，soh
t
為綜合健康評價值，δα
t
為 正常健康狀態(tài)衰減值，δε
t
為故障健康狀態(tài)衰減值。
14.可選地，所述正常衰減模型是根據(jù)與所述車輛特征相同的多個第一 歷史車輛的動力電池的第一訓練數(shù)據(jù)訓練得到的；
15.所述故障衰減模型是根據(jù)與所述車輛特征相同的多個第二歷史車 輛的動力電池的第二訓練數(shù)據(jù)與所述正常衰減模型訓練得到的。
16.可選地，所述第一歷史車輛為未發(fā)生指定電池故障的車輛；
17.所述第二歷史車輛為已發(fā)生指定電池故障的車輛；
18.所述指定電池故障為過壓故障、欠壓故障、充電過流故障、放電過 流故障、高溫故障、低溫故障或指定嚴重故障中的任意一種。
19.可選地，所述正常衰減模型為：其中，δα
t
為正常健康 狀態(tài)衰減值，為正常衰減率，p
t
為實時電池關聯(lián)參數(shù)。
20.可選地，所述第一訓練數(shù)據(jù)包括與所述車輛特征相同的多個第一歷 史車輛的第一歷史電池關聯(lián)參數(shù)與第一電池健康狀態(tài)值；
21.所述正常衰減率為：為正常衰減率，ηi為第i個第一歷 史車輛的待定衰減率，n為參與訓練所述正常衰減模型的第一歷史車 輛的總數(shù)；
22.所述第i個第一歷史車輛的待定衰減率是根據(jù)第i個第一歷史車輛 的第一歷史電池關聯(lián)參數(shù)和第一電池健康狀態(tài)值進行計算得到。
23.可選地，當所述第一歷史電池關聯(lián)參數(shù)為行駛里程時，所述第i個 第一歷史車輛的待定衰減率為：ηi的單位為％/10000km， m
wi
為第i個第一歷史車輛的行駛里程，soh
wi
為第i個第一歷史車輛的 第一電池健康狀態(tài)值。
24.可選地，所述故障衰減模型為：其中，δε
t
為故障健 康狀態(tài)衰減值，xj為第j個實時故障類型參數(shù)，εj為第j個實時故障類 型參數(shù)的故障衰減率。
25.可選地，所述實時故障類型參數(shù)為過壓故障次數(shù)、欠壓故障次數(shù)、 充電過流故障次數(shù)、放電過流故障次數(shù)、高溫故障次數(shù)、低溫故障次數(shù) 或指定嚴重故障次數(shù)中的一個。
26.可選地，所述第二訓練數(shù)據(jù)包括與所述車輛特征相同的多個第二歷 史車輛的第二電池健康狀態(tài)值、第二歷史電池關聯(lián)參數(shù)及歷史故障類型 參數(shù)；
27.第j個第二歷史車輛的故障衰減率是根據(jù)線性回歸算法，對多個所 述第二歷史車輛的健康差值及歷史故障類型參數(shù)進行行列式計算得到；
28.第j個第二歷史車輛的健康差值為第j個第二歷史車輛的期望健康 值與第j個第二電池健康值的差值；
29.第j個第二歷史車輛的期望健康值是根據(jù)第j個第二歷史電池關聯(lián) 參數(shù)及所述正常衰減模型進行計算得到的。
30.可選地，第j個實時故障類型參數(shù)的故障衰減率為：
[0031][0032][0033][0034]
其中，δε
yj
為第j個第二歷史車輛的健康差值，為第j個第二 歷史車輛的期望健康值，soh
yj
為第j個第二歷史車輛的第二電池健康 值，std為標準電池健康狀態(tài)值，為正常衰減率，p
yj
為第j個第二歷 史車輛的故障歷史電池關聯(lián)參數(shù)，x
sj
為第s個第二歷史車輛的第j個歷 史故障類型參數(shù)，εj為第j個歷史故障類型參數(shù)的故障衰減率。
[0035]
在第二方面，本發(fā)明實施例提供一種服務器，包括：
[0036]
至少一個處理器；以及，
[0037]
與所述至少一個處理器通信連接的存儲器；其中，
[0038]
所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令 被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行上述的 電動車輛的動力電池的健康狀態(tài)確定方法。
[0039]
在第三方面，本發(fā)明實施例提供一種存儲介質，所述存儲介質存儲 有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令用于使電子設備執(zhí)行上述 的電動車輛的動力電池的健康狀態(tài)確定方法。
[0040]
在第四方面，本發(fā)明實施例提供一種計算機程序產品，所述計算機 程序產品包括存儲在非易失性計算機可讀存儲介質上的計算機程序，所 述計算機程序包括程序指令，當所述程序指令被電子設備執(zhí)行時，使電 子設備執(zhí)行上述的電動車輛的動力電池的健康狀態(tài)確定方法。
[0041]
本發(fā)明與現(xiàn)有技術相比至少具有以下有益效果：在本發(fā)明實施例提 供的動力電池的健康狀態(tài)確定方法中，獲取動力電池的電池數(shù)據(jù)以及電 動車輛的車輛特征，電池數(shù)據(jù)包括實時電池關聯(lián)參數(shù)與實時故障類型參 數(shù)，根據(jù)實時電池關聯(lián)參數(shù)及與車輛特征對應的正常衰減模型，計算動 力電池的正常健康狀態(tài)衰減值，根據(jù)實時故障類型參數(shù)及與車輛特征對 應的故障衰減模型，計算動力電池的故障健康狀態(tài)衰減值，根據(jù)正常健 康狀態(tài)衰減值及故障健康狀態(tài)衰減值，確定動力電池的綜合健康評價值， 因此，本實施例評估動力電池的健康狀態(tài)時，無需控制動力電池進行充 放電，也無需動力電池的首次健康狀態(tài)值，都可快速地評估動力電池的 健康狀態(tài)，從而改善了現(xiàn)有技術評估動力電池的健康狀態(tài)時存在效率低 下的技術問題。
附圖說明
[0042]
一個或多個實施例通過與之對應的附圖中的圖片進行示例性說明， 這些示例性
說明并不構成對實施例的限定，附圖中具有相同參考數(shù)字標 號的元件表示為類似的元件，除非有特別申明，附圖中的圖不構成比例 限制。
[0043]
圖1為本發(fā)明實施例提供的一種動力電池的健康狀態(tài)確定系統(tǒng)的結 構示意圖；
[0044]
圖2為本發(fā)明實施例提供的一種電動車輛的動力電池的健康狀態(tài)確 定方法的流程示意圖；
[0045]
圖3為本發(fā)明實施例提供的訓練正常衰減模型和故障衰減模型的場 景示意圖；
[0046]
圖4為本發(fā)明實施例提供的一種電動車輛的動力電池的健康狀態(tài)確 定裝置的結構示意圖；
[0047]
圖5為本發(fā)明實施例提供的一種服務器的電路結構示意圖。
具體實施方式
[0048]
為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附 圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的 具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。基于本發(fā)明中的 實施例，本領域普通技術人員在沒有作出創(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。
[0049]
需要說明的是，如果不沖突，本發(fā)明實施例中的各個特征可以相互 結合，均在本發(fā)明的保護范圍之內。另外，雖然在裝置示意圖中進行了 功能模塊劃分，在流程圖中示出了邏輯順序，但是在某些情況下，可以 以不同于裝置中的模塊劃分，或流程圖中的順序執(zhí)行所示出或描述的步 驟。再者，本發(fā)明所采用的“第一”、“第二”、“第三”等字樣并不對數(shù)據(jù) 和執(zhí)行次序進行限定，僅是對功能和作用基本相同的相同項或相似項進 行區(qū)分。
[0050]
本發(fā)明實施例提供一種動力電池的健康狀態(tài)確定系統(tǒng)，請參閱圖1， 健康狀態(tài)確定系統(tǒng)100包括車輛通信設備11(vehicle communicationinterface,vci)與服務器12，服務器12與車輛通信設備11通信連接，其 中，通信連接包括有線通信連接或無線通信連接，有線通信連接包括利 用金屬導線、光纖等有形媒質傳送信息的各類通信連接。無線通信連接 包括5g通訊、4g通訊、3g通訊、2g通訊、cdma、藍牙、無線寬帶、 超寬帶通信、近場通信、cdma2000、gsm、ism、rfid、umts/3gppw/hsdpa、 wimax、wi-fi或zigbee等。
[0051]
車輛通信設備11用于插接在電動車輛13的obd接口(on boarddiagnostics,obd)，車輛通信設備11基于obd接口與電動車輛13進行 通信，以獲取電動車輛13的車輛數(shù)據(jù)，車輛數(shù)據(jù)包括故障碼、電池數(shù) 據(jù)或車輛特征。故障碼用于表示電動車輛的故障類型。電池數(shù)據(jù)為與電 動車輛的動力電池關聯(lián)的數(shù)據(jù)。車輛特征為用于表示電動車輛的車型特 征和/或屬地特征。
[0052]
如前所述，車輛通信設備11獲得電動車輛13的電池數(shù)據(jù)和車輛特 征，于是將電池數(shù)據(jù)和車輛特征打包發(fā)送給服務器12，服務器12根據(jù) 車輛特征，選擇相應的正常衰減模型14與故障衰減模型15，并將電池 數(shù)據(jù)分別輸入正常衰減模型14與故障衰減模型15，并根據(jù)正常衰減模 型14的輸出結果與故障衰減模型15的輸出結果，確定動力電池的綜合 健康評價值。
[0053]
可以理解的是，此處服務器可以是一個物理服務器或者多個物理服 務器虛擬而成的一個邏輯服務器。服務器也可以是多個可互聯(lián)通信的服 務器組成的服務器群，且各個功能模塊可分別分布在服務器群中的各個 服務器上。
[0054]
作為本發(fā)明實施例另一方面，本發(fā)明實施例提供一種電動車輛的動 力電池的健康狀態(tài)確定方法，本實施例提供的方法應用在汽車后市場診 斷、電池維修、公共充電、保險定損、殘值評估等多個應用場景。請參 閱圖2，電動車輛的動力電池的健康狀態(tài)確定方法包括：
[0055]
s21.獲取動力電池的電池數(shù)據(jù)以及電動車輛的車輛特征，電池數(shù)據(jù) 包括實時電池關聯(lián)參數(shù)與實時故障類型參數(shù)。
[0056]
本步驟中，車輛通信設備與電動車輛進行通信，電動車輛將動力電 池的電池數(shù)據(jù)和車輛特征發(fā)送至車輛通信設備，車輛通信設備將電池數(shù) 據(jù)和車輛特征進行打包并發(fā)送至服務器。
[0057]
如前所述，電池數(shù)據(jù)包括實時電池關聯(lián)參數(shù)，實時電池關聯(lián)參數(shù)為 用于表示動力電池的健康狀態(tài)的參數(shù)，實時故障類型參數(shù)為用于表示動 力電池發(fā)生相應故障類型的次數(shù)。
[0058]
在一些實施例中，實時電池關聯(lián)參數(shù)為行駛里程、動力電池的累計 充電容量或累計放電容量中的一個。
[0059]
行駛里程為電動車輛駕駛行走的公里數(shù)，行駛里程的單位可以為每 萬公里(10000公里)。行駛里程與動力電池的健康狀態(tài)存在關聯(lián)性， 行駛里程越大，動力電池的衰減程度較強，行駛里程越小，動力電池的 衰減程度較弱，因此，行駛里程可反映出動力電池的健康狀態(tài)。
[0060]
累計充電容量為動力電池在多次充電中的充電容量的總和，累計放 電容量為動力電池在多次放電中的放電容量的總和，比如動力電池第一 次進行充電時，充電容量為c1。動力電池第二次進行充電時，充電容量 為c2，累計充電容量＝c1+c2。動力電池第三次進行充電時，充電容量為 c3，累計充電容量＝c1+c2+c3。累計充電容量與動力電池的健康狀態(tài)存 在關聯(lián)性，累計充電容量越大，動力電池的衰減程度較強，累計充電容 量越小，動力電池的衰減程度較弱，因此，累計充電容量可反映出動力 電池的健康狀態(tài)。
[0061]
如前所述，電池數(shù)據(jù)包括實時故障類型參數(shù)，在一些實施例中，實 時故障類型參數(shù)為過壓故障次數(shù)、欠壓故障次數(shù)、充電過流故障次數(shù)、 放電過流故障次數(shù)、高溫故障次數(shù)、低溫故障次數(shù)或其他嚴重故障次數(shù) 中的一個。
[0062]
過壓故障次數(shù)為過壓故障對應的總次數(shù)，其中，過壓故障e1包括 每個單體電池過壓故障或系統(tǒng)總壓過壓故障等，比如，在時間t1，動力 電池發(fā)生過壓故障，過壓故障次數(shù)＝1。在時間t2，動力電池發(fā)生過壓故 障，過壓故障次數(shù)＝2。在時間t3，動力電池發(fā)生過壓故障，過壓故障次 數(shù)＝3。
[0063]
欠壓故障次數(shù)為欠壓故障對應的總次數(shù)，其中，欠壓故障e2包括 每個單體電池欠壓故障、單體電池內短路故障或系統(tǒng)總壓欠壓故障等。
[0064]
充電過流故障次數(shù)為充電過流故障類型對應的總次數(shù)，其中，充電 過流故障e3包括快慢充充電過流故障或充電電流異常故障等。
[0065]
放電過流故障次數(shù)為放電過流故障對應的總次數(shù)，其中，放電過流 故障e4包括放電過流故障、放電電流異常故障或短路故障等。
[0066]
高溫故障次數(shù)為高溫故障對應的總次數(shù)，其中，高溫故障e5包括 電池充電高溫故障、電池放電高溫故障、環(huán)境高溫故障、熱管理高溫故 障或控制器高溫故障等。
[0067]
低溫故障次數(shù)為低溫故障對應的總次數(shù)，其中，低溫故障e6包括 電池充電低溫故障、電池放電低溫故障、環(huán)境低溫故障或熱管理低溫故 障等。
[0068]
指定嚴重故障次數(shù)為指定嚴重故障對應的總次數(shù)，其中，指定嚴重 故障e7為除去上述6中故障類型之外的故障。
[0069]
可以理解的是，在電動汽車的電池管理系統(tǒng)中，與動力電池相關的 電池故障有成百上千項，本實施例根據(jù)動力電池的特性和電化學機理綜 合分析，將影響動力電池的健康狀態(tài)的電池故障劃分為上述7類。但是， 可以理解的是，本領域技術人員還可根據(jù)其它分類目的，對與動力電池 相關的電池故障進行分類，上文提供的7類電池故障并不對本發(fā)明的保 護范圍造成任何不當?shù)南薅ā?br>[0070]
在一些實施例中，車輛特征包括電動車輛的車型特征，車型特征用 于電動車輛的車型，其中，車型特征可采用mmyb信息進行表示，mmyb 信息為新能源車輛的生產商(make)、車型(model)、年款(year)、 電池版本(battery)等信息的統(tǒng)稱。
[0071]
在一些實施例中，車輛特征包括電動車輛的屬地特征，屬地特征用 于表示駕駛電動車輛的地域，其中，屬地特征可采用地理位置信息進行 表示，地理位置信息可由電動車輛的定位系統(tǒng)進行定位生成，比如地理 位置信息為廣東深圳南山區(qū)。
[0072]
s22.根據(jù)實時電池關聯(lián)參數(shù)及與車輛特征對應的正常衰減模型，計 算動力電池的正常健康狀態(tài)衰減值。
[0073]
本步驟中，正常衰減模型為用于計算正常健康狀態(tài)衰減值的模型， 正常健康狀態(tài)衰減值為從動力電池的正常維度上，評價動力電池的衰減 值。本實施例將實時電池關聯(lián)參數(shù)輸入正常衰減模型后，正常衰減模型 可輸出動力電池的正常健康狀態(tài)衰減值。
[0074]
可以理解的是，電動車輛的車輛特征不同，電動車輛之間的電池健 康衰減曲線的相似度比較小，或者，電動車輛的車輛特征相同，電動車 輛之間的電池健康衰減曲線的相似度比較大，因此，本實施例可根據(jù)車 輛特征，構建正常衰減模型，不同車輛特征對應不同正常衰減模型，有 利于提高計算正常健康狀態(tài)衰減值的準確性。
[0075]
在一些實施例中，本實施例獲取車輛特征，根據(jù)車輛特征與正常特 征標簽，在正常模型庫中搜索與車輛特征匹配的正常衰減模型，其中， 正常模型庫包括多個正常特征標簽及與正常特征標簽對應的正常衰減 模型。
[0076]
s23.根據(jù)實時故障類型參數(shù)及與車輛特征對應的故障衰減模型，計 算動力電池的故障健康狀態(tài)衰減值。
[0077]
本步驟中，故障衰減模型為用于計算故障健康狀態(tài)衰減值的模型， 故障健康狀態(tài)衰減值為從動力電池的故障維度上，評價動力電池的衰減 值。本實施例將實時故障類型參數(shù)輸入故障衰減模型后，故障衰減模型 可輸出動力電池的故障健康狀態(tài)衰減值。
[0078]
如前所述，電動車輛的車輛特征不同，電動車輛之間的電池健衰減 曲線的相似度比較小，因此，本實施例可根據(jù)車輛特征，構建故障衰減 模型，不同車輛特征對應不同故障衰減模型，有利于提高計算故障健康 狀態(tài)衰減值的準確性。
[0079]
在一些實施例中，本實施例獲取車輛特征，根據(jù)車輛特征與故障特 征標簽，在故障模型庫中搜索與車輛特征匹配的故障衰減模型，其中， 故障模型庫包括多個故障特征標簽及與故障特征標簽對應的故障衰減 模型。
[0080]
在一些實施例中，車輛特征為車型特征，本實施例分別搜索與車型 特征匹配的正
常衰減模型與故障衰減模型，亦即，單一的車型特征可分 別對應有正常衰減模型與故障衰減模型。
[0081]
在一些實施例中，車輛特征為屬地特征，本實施例分別搜索與屬地 特征匹配的正常衰減模型與故障衰減模型，亦即，單一的屬地特征可分 別對應有正常衰減模型與故障衰減模型。
[0082]
在一些實施例中，車輛特征為車型特征和屬地特征，本實施例分別 搜索與車型特征匹配且與屬地特征匹配的正常衰減模型與故障衰減模 型，亦即，正常衰減模型與故障衰減模型都由車型特征與屬地特征共同 確定。
[0083]
s24.根據(jù)正常健康狀態(tài)衰減值及故障健康狀態(tài)衰減值，確定動力電 池的綜合健康評價值。
[0084]
本步驟中，綜合健康評價值為用于評價動力電池的健康的數(shù)值，其 中，綜合健康評價值包括電池健康狀態(tài)值，比如，電池健康狀態(tài)值可采 用如前所述的soh值進行表示，本實施例根據(jù)以下公式： soh
t
＝std-δα
t-δε
t
，確定動力電池的綜合健康評價值，std為標準電池健 康狀態(tài)值，soh
t
為綜合健康評價值，δα
t
為正常健康狀態(tài)衰減值，δε
t
為故障健康狀態(tài)衰減值。在一些實施例中，標準電池健康狀態(tài)值std可 由工程師根據(jù)業(yè)務需求自定義，比如標準電池健康狀態(tài)值std為100％。
[0085]
在一些實施例中，電動車輛的動力電池的健康狀態(tài)確定方法還包括： 判斷綜合健康評價值是否小于或等于第一預設閾值，若是，則生成電池 警示信息，若否，則根據(jù)綜合健康評價值，生成電池健康評價信息，其 中，電池警示信息用于提示用戶更換或維護動力電池，電池警示信息可 以為任意形式的警示信息，比如電池警示信息為文字警示信息、語音警 示信息或閃光警示信息。電池健康評價信息為評價動力電池的健康狀態(tài) 所處的健康等級信息，比如電池健康評價信息包括“很好”、“較好
”?
或“一般”等。
[0086]
可以理解的是，第一預設閾值可由工程師根據(jù)業(yè)務需求自定義，比 如第一預設閾值為70％。
[0087]
在一些實施例中，與上述實施例不同點在于，綜合健康評價值包括 電池健康衰減值，本實施例可將正常健康狀態(tài)衰減值與故障健康狀態(tài)衰 減值進行相加，從而得到電池健康衰減值，本實施例根據(jù)以下公式： δsoh
t
＝δα
t
+δε
t
，確定動力電池的電池健康衰減值。
[0088]
在一些實施例中，電動車輛的動力電池的健康狀態(tài)確定方法還包括： 判斷綜合健康評價值是否大于或等于第二預設閾值，若是，則生成電池 警示信息，若否，則根據(jù)綜合健康評價值，生成電池健康評價信息。
[0089]
可以理解的是，第二預設閾值可由工程師根據(jù)業(yè)務需求自定義，比 如第二預設閾值為80％。
[0090]
如前所述，區(qū)別于現(xiàn)有技術，本實施例評估動力電池的健康狀態(tài)時， 無需控制動力電池進行充放電，亦即節(jié)省用戶需要設置用于控制動力電 池進行充放電的裝備，在電動車輛處于停止工作狀態(tài)下都可快速評估動 力電池的健康狀態(tài)，從而改善了現(xiàn)有技術評估動力電池的健康狀態(tài)時存 在效率低下的技術問題，也擴大本方法的應用范圍。
[0091]
如前所述，區(qū)別于現(xiàn)有技術，本實施例評估動力電池的健康狀態(tài)時， 無需動力電池的首次健康狀態(tài)值，亦即，對無歷史數(shù)據(jù)的電動車輛可一 次性檢測即可輸出該電動車輛的綜合健康評價值，從而改善了現(xiàn)有技術 評估動力電池的健康狀態(tài)時存在效率低下的技
術問題。另外，后續(xù)再采 用電化學機理方法或大數(shù)據(jù)人工智能評估方法，進行跟蹤評估電動車輛 的綜合健康評價值而需要初始soh值時，采用本實施例能夠提供出初始 soh值，由此也可看出本實施例提供的方法的應用范圍更加靈活和廣泛。
[0092]
另外，采用電化學機理方法或大數(shù)據(jù)人工智能評估方法往往缺少初 始值，導致算法收斂比較緩慢，如前所述，本實施例能夠提供出初始soh 值，后續(xù)再采用電化學機理方法或大數(shù)據(jù)人工智能評估方法時，有利于 提高上述兩種算法的收斂速度和精度。
[0093]
在一些實施例中，正常衰減模型是根據(jù)與車輛特征相同的多個第一 歷史車輛的動力電池的第一訓練數(shù)據(jù)訓練得到的。故障衰減模型是根據(jù) 與車輛特征相同的多個第二歷史車輛的動力電池的第二訓練數(shù)據(jù)與正 常衰減模型訓練得到的。
[0094]
第一訓練數(shù)據(jù)為用于訓練生成正常衰減模型的數(shù)據(jù)。第二訓練數(shù)據(jù) 為用于配合正常衰減模型以訓練生成故障衰減模型的數(shù)據(jù)。第一歷史車 輛為：訓練生成正常衰減模型之前的電動車輛。第二歷史車輛為：訓練 生成故障衰減模型之前的電動車輛。舉例而言，在時間點t11訓練生成 正常衰減模型，本實施例選擇多個第一電動車輛的訓練數(shù)據(jù)作為第一訓 練數(shù)據(jù)，此處第一電動車輛為第一歷史車輛。在時間點t22訓練生成故 障衰減模型，本實施例選擇多個第二電動車輛的訓練數(shù)據(jù)作為第二訓練 數(shù)據(jù)，此處第二電動車輛為第二歷史車輛。
[0095]
本實施例先訓練得到正常衰減模型，后續(xù)再在正常衰減模型的基礎 上，結合第二訓練數(shù)據(jù)進行訓練得到故障衰減模型，因此，本實施例能 夠利用正常衰減模型演化生成故障衰減模型，相對于拋開正常衰減模型 而另行構建故障衰減模型的作法，本實施例提供的作法能夠提高正常衰 減模型與故障衰減模型之間的融合度，有利于生成更為可靠準確的故障 衰減模型。
[0096]
在一些實施例中，車輛特征為車型特征，本實施例可選擇與車型特 征相同的第一歷史車輛的動力電池的訓練數(shù)據(jù)作為第一訓練數(shù)據(jù)，可選 擇與車型特征相同的第二歷史車輛的動力電池的訓練數(shù)據(jù)作為第二訓 練數(shù)據(jù)。
[0097]
在一些實施例中，與上述實施例不同點在于，車輛特征為屬地特征， 本實施例可選擇與屬地特征相同的第一歷史車輛的動力電池的訓練數(shù) 據(jù)作為第一訓練數(shù)據(jù)，可選擇與屬地特征相同的第二歷史車輛的動力電 池的訓練數(shù)據(jù)作為第二訓練數(shù)據(jù)。
[0098]
在一些實施例中，與上述實施例不同點在于，車輛特征包括車型特 征和屬地特征，本實施例可選擇與車型特征相同且與屬地特征相同的第 一歷史車輛的動力電池的訓練數(shù)據(jù)作為第一訓練數(shù)據(jù)，可選擇與車型特 征相同且與屬地特征相同的第二歷史車輛的動力電池的訓練數(shù)據(jù)作為 第二訓練數(shù)據(jù)。
[0099]
在一些實施例中，第一歷史車輛和第二歷史車輛都為已發(fā)生指定電 池故障的車輛，指定電池故障為過壓故障、欠壓故障、充電過流故障、 放電過流故障、高溫故障、低溫故障或指定嚴重故障中的任意一種。
[0100]
本實施例可根據(jù)第一歷史車輛的第一訓練數(shù)據(jù)訓練生成正常衰減 模型，以利用正常衰減模型輸出正常健康狀態(tài)衰減值，可根據(jù)第二歷史 車輛的第二訓練數(shù)據(jù)和正常衰減模型訓練生成故障衰減模型，以利用故 障衰減模型輸出故障健康狀態(tài)衰減值，相對于現(xiàn)有技術，本實施例也可 快速評估動力電池的健康狀態(tài)。
[0101]
在一些實施例中，與上述實施例不同點在于，第一歷史車輛為已發(fā) 生指定電池故
障的車輛，第二歷史車輛為未發(fā)生指定電池故障的車輛， 相對現(xiàn)有技術，本實施例根據(jù)此時的第一訓練數(shù)據(jù)與第二訓練數(shù)據(jù)分別 得到正常衰減模型和故障衰減模型，可快速評估動力電池的健康狀態(tài)。
[0102]
在一些實施例中，與上述實施例不同點在于，第一歷史車輛為未發(fā) 生指定電池故障的車輛，第二歷史車輛為已發(fā)生指定電池故障的車輛。 由于第一歷史車輛是未發(fā)生指定電池故障的車輛，選擇未發(fā)生指定電池 故障的車輛的訓練數(shù)據(jù)作為第一訓練數(shù)據(jù)，已剔除發(fā)生指定電池故障的 車輛的訓練數(shù)據(jù)對正常衰減模型的影響，有利于生成更為精確可靠的正 常衰減模型。
[0103]
同理可得，由于第二歷史車輛是已發(fā)生指定電池故障的車輛，已剔 除未發(fā)生指定電池故障的車輛的訓練數(shù)據(jù)對故障衰減模型的影響，選擇 已發(fā)生指定電池故障的車輛的訓練數(shù)據(jù)作為第二訓練數(shù)據(jù)，有利于生成 更為精確可靠的故障衰減模型。
[0104]
在一些實施例中，正常衰減模型為：其中，δα
t
為正常 健康狀態(tài)衰減值，為正常衰減率，p
t
為實時電池關聯(lián)參數(shù)。其中，正 常衰減率為從動力電池的正常維度上，評價動力電池的衰減速率。
[0105]
當服務器獲得電動車輛的實時電池關聯(lián)參數(shù)p
t
，便可將實時電池關 聯(lián)參數(shù)p
t
代入正常衰減模型，正常衰減模型可輸出正常健康狀態(tài)衰減值 δα
t
。
[0106]
在一些實施例中，第一訓練數(shù)據(jù)包括與車輛特征相同的多個第一歷 史車輛的第一歷史電池關聯(lián)參數(shù)與第一電池健康狀態(tài)值。如前所述，第 一歷史電池關聯(lián)參數(shù)可為行駛里程、動力電池的累計充電容量或累計放 電容量中的一個，第一電池健康狀態(tài)值為提前獲取第一歷史車輛的電池 健康狀態(tài)值?？梢岳斫獾氖牵谝浑姵亟】禒顟B(tài)值可以由任意合適評估 動力電池soh值算法計算得到，服務器直接調用評估動力電池soh值算 法提供的結果，或者，第一電池健康狀態(tài)值也可以由本實施例提供的方 法評估動力電池soh值而得到，后續(xù)再利用已有的第一電池健康狀態(tài)值 進行迭代更新。
[0107]
正常衰減率為：為正常衰減率，ηi為第i個第一歷史車 輛的待定衰減率，n為參與訓練正常衰減模型的第一歷史車輛的總數(shù)。 第i個第一歷史車輛的待定衰減率是根據(jù)第i個第一歷史車輛的第一歷 史電池關聯(lián)參數(shù)和第一電池健康狀態(tài)值進行計算得到。
[0108]
舉例而言，參與訓練正常衰減模型的第一歷史車輛的總數(shù)n為100， 第1個第一歷史車輛的待定衰減率為η1，第2個第一歷史車輛的待定衰 減率為η2，以此類推，最后正常衰減率本實施例通過求 取多個第一歷史車輛的待定衰減率的平均值，以得到正常衰減率有 利于得到更為準確可靠的正常衰減率。
[0109]
在一些實施例中，當?shù)谝粴v史電池關聯(lián)參數(shù)為行駛里程時，第i個 第一歷史車輛的待定衰減率為：ηi的單位為％/10000km， m
wi
為第i個第一歷史車輛的
行駛里程，soh
wi
為第i個第一歷史車輛的 第一電池健康狀態(tài)值。舉例而言，m
wi
為100000km，soh
wi
為95％，則ηi為0.5,其單位為％/10000km，亦即％/1萬公里。
[0110]
再舉例而言，假設經過求取多個待定衰減率的平均值后，得到的正 常衰減率為0.5。假設實時電池關聯(lián)參數(shù)p
t
為60000km＝60000/10000＝6 萬公里，將其代入正常衰減模型則有 [0111]
在一些實施例中，與上述實施例不同點在于，第一歷史電池關聯(lián)參 數(shù)還可為累計充電容量或累計放電容量時，第i個第一歷史車輛的待定 衰減率為：ηi的單位為％/ah，c
wi
為第i個第一歷史車 輛的累計充電容量或累計放電容量。
[0112]
在一些實施例中，故障衰減模型為：其中，δε
t
為故 障健康狀態(tài)衰減值，xj為第j個實時故障類型參數(shù)，εj為第j個實時故 障類型參數(shù)的故障衰減率。其中，第j個實時故障類型參數(shù)的故障衰減 率εj為從動力電池的故障維度上，評價動力電池在第j個實時故障類型 的故障作用下的衰減速率。舉例而言，故障衰減模型一共設有7種實時 故障類型參數(shù)，7個實時故障類型參數(shù)的故障衰減率依序分別為0.244、 0.112、1.112、0.774、0.365、0.585、0.119。
[0113]
在一些實施例中，實時故障類型參數(shù)為過壓故障次數(shù)、欠壓故障次 數(shù)、充電過流故障次數(shù)、放電過流故障次數(shù)、高溫故障次數(shù)、低溫故障 次數(shù)或指定嚴重故障次數(shù)中的一個。假設電動汽車d1的7個實時故障 類型參數(shù)依序分別為{f1,f2,f3,f4,f5,f6,f7}＝{4,6,8,3,1,5,4}，將電 動汽車d1的7個實時故障類型參數(shù)輸入故障衰減模型，則故障健康狀 態(tài)衰減值為：
[0114]
δε
t
[0115]
＝0.244*4+0.112*6+1.112*8+0.774*3+0.365*1+0.585*5+0.119*4＝16.6 32。
[0116]
再假設電動汽車d2的7個實時故障類型參數(shù)依序分別為 {f1,f2,f3,f4,f5,f6,f7}＝{3,6,5,5,3,4,3}，將電動汽車d2的7個實 時故障類型參數(shù)輸入故障衰減模型，則故障健康狀態(tài)衰減值為：
[0117]
δε
t
[0118]
＝0.244*3+0.112*6+1.112*5+0.774*5+0.365*3+0.585*4+0.119*3＝14.6 26.632。
[0119]
再假設電動汽車d3的7個實時故障類型參數(shù)依序分別為 {f1,f2,f3,f4,f5,f6,f7}＝{1,2,1,0,0,1,3}，將電動汽車d3的7個實 時故障類型參數(shù)輸入故障衰減模型，則故障健康狀態(tài)衰減值為：
[0120]
δε
t
[0121]
＝0.244*1+0.112*2+1.112*4+0.774*0+0.365*0+0.585*1+0.119*3＝5.85 8。
[0122]
在一些實施例中，第二訓練數(shù)據(jù)包括與車輛特征相同的多個第二歷 史車輛的第二電池健康狀態(tài)值、第二歷史電池關聯(lián)參數(shù)及歷史故障類型 參數(shù)。如前所述，第二歷史電池關聯(lián)參數(shù)可為行駛里程、動力電池的累 計充電容量或累計放電容量中的一個，第二電池
健康狀態(tài)值為提前獲取 第二歷史車輛的電池健康狀態(tài)值。可以理解的是，第二電池健康狀態(tài)值 可以由任意合適評估動力電池soh值算法計算得到，服務器直接調用評 估動力電池soh值算法提供的結果，或者，第二電池健康狀態(tài)值也可以 由本實施例提供的方法評估動力電池soh值而得到，后續(xù)再利用已有的 第二電池健康狀態(tài)值進行迭代更新。歷史故障類型參數(shù)可為過壓故障次 數(shù)、欠壓故障次數(shù)、充電過流故障次數(shù)、放電過流故障次數(shù)、高溫故障 次數(shù)、低溫故障次數(shù)或指定嚴重故障次數(shù)中的一個。
[0123]
第j個第二歷史車輛的故障衰減率是根據(jù)線性回歸算法，對多個第 二歷史車輛的健康差值及歷史故障類型參數(shù)進行行列式計算得到，其中， 第j個第二歷史車輛的健康差值為第j個第二歷史車輛的期望健康值與 第j個第二電池健康值的差值，第j個第二歷史車輛的期望健康值是根 據(jù)第j個第二歷史電池關聯(lián)參數(shù)及正常衰減模型進行計算得到的。
[0124]
可以理解的是，此處線性回歸算法可選擇任意合適類型的線性回歸 算法，比如線性回歸算法采用最小二乘法。
[0125]
第j個第二歷史車輛的期望健康值為：為第 j個第二歷史車輛的期望健康值，std為標準電池健康狀態(tài)值，為正常 衰減率，p
yj
為第j個第二歷史車輛的故障歷史電池關聯(lián)參數(shù)。
[0126]
如前所述，第j個第二電池健康值可由服務器調用第j個第二歷史 車輛的已有電池健康值而得到。
[0127]
第j個第二歷史車輛的健康差值為：δε
yj
為第j 個第二歷史車輛的健康差值，soh
yj
為第j個第二歷史車輛的第二電池 健康值。
[0128]
第j個第二歷史車輛的故障衰減率為：
[0129][0130]
其中，x
sj
為第s個第二歷史車輛的第j個歷史故障類型參數(shù)，εj為 第j個歷史故障類型參數(shù)的故障衰減率，每個故障衰減率的單位為％。
[0131]
舉例而言，假設故障衰減模型一共設有7種實時故障類型參數(shù)，亦 即r＝7。再假設取5個第二歷史車輛的7個歷史故障類型參數(shù)。
[0132]
電動車輛l1的7個歷史故障類型參數(shù)分別為{4,6,8,3,1,5,4}， 為91.6％，soh
y1
為75％。電動車輛l2的7個歷史故障類型參數(shù)分 別為{2,4,5,7,2,5,3}，為95.9％，soh
y2
為80％。電動車輛l3 的7個歷史故障類型參數(shù)分別為{3,5,6,7,1,6,4}，為89.7％，soh
y3
為72％。電動車輛l4的7個歷史故障類型參數(shù)分別為 {3,6,5,5,3,4,3}，為96.6％，soh
y4
為82％。電動車輛l5的7個 歷史故障類型參數(shù)分別為{2,6,8,4,
1,4,4}，為94.3％，soh
y5
為 78％。電動車輛l6的7個歷史故障類型參數(shù)分別為{0,0,1,0,1,0,2}， 為94.7％，soh
y5
為93％。電動車輛l7的7個歷史故障類型參數(shù)分 別為{1,2,1,0,0,1,3}，為92.5％，soh
y5
為90％。則有：
[0133]
δε
y1
＝16.6％，δε
y2
＝15.9％，δε
y3
＝17.7％，δε
y4
＝14.6％，δε
y5
＝16.3％，
[0134]
δε
y6
＝1.7％，δε
y7
＝2.5％
[0135][0136]
根據(jù)最小二乘法對上式子進行辨識,可得到ε1、ε2、ε3、ε4、ε5、 ε6、ε7分別為：0.244、0.112、1.112、0.774、0.365、0.585、0.119， 可得到7種電池故障的故障衰減率，可以理解的是，本實施例還可通過 增設8種或9種等更多電池故障，并為每個電池故障匹配一個故障衰減 率，通過最小二乘法估計出每個電池故障的故障衰減率。
[0137]
還可以理解的是，本實施例也可增設更少數(shù)目的電池故障，并為每 個電池故障匹配一個故障衰減率，比如只增設2種電池故障，通過最小 二乘法估計出此兩個電池故障的故障衰減率。
[0138]
如前所述，本實施例是將多種電池故障進行關聯(lián)，并通過線性回歸 算法，綜合計算出每個電池故障的故障衰減率，后續(xù)再利用多個電池故 障的故障衰減率代入相對于使用單一電池故障進行計算故 障健康狀態(tài)衰減值δε
t
，本實施例能夠將各種電池故障對故障健康狀態(tài)衰 減值δε
t
進行綜合和關聯(lián)，降低單一電池故障的誤差對故障健康狀態(tài)衰減 值δε
t
的影響，從而能夠訓練得到更加可靠準確的故障衰減模型。
[0139]
如前所述，本實施例分為模型訓練過程和實際應用過程，其中，圖 1已展示了快速評估動力電池的綜合健康評價值的實際應用過程，下文 結合圖3對模型訓練過程再作出詳細闡述，具體如下：
[0140]
如圖3所示，各個第一歷史車輛31和各個第二歷史車輛32的車輛 特征都是相同的，比如各個第一歷史車輛31和各個第二歷史車輛32都 是相同車型特征和相同屬地特征。
[0141]
第一車輛通信設備33插接在第一歷史車輛31的obd接口，第一車 輛通信設備33基于obd接口與第一歷史車輛31進行通信，以獲取第一 歷史車輛31的第一訓練數(shù)據(jù)，第一訓練數(shù)據(jù)包括第一電池數(shù)據(jù)和第一 車輛特征，其中，電池數(shù)據(jù)包括第一行駛里程、第一電池健康狀態(tài)值及 第一故障類型參數(shù)。第一車輛通信設備33將第一訓練數(shù)據(jù)發(fā)送給服務 器34，服務器34根據(jù)第一行駛里程與第一電池健康狀態(tài)值，訓練生成 正常衰減模型35。
[0142]
第二車輛通信設備36插接在第二歷史車輛32的obd接口，第二車 輛通信設備36基于obd接口與第二歷史車輛32進行通信，以獲取第二 歷史車輛32的第二訓練數(shù)據(jù)，第二訓
練數(shù)據(jù)包括第二電池數(shù)據(jù)和第二 車輛特征，其中，電池數(shù)據(jù)包括第二行駛里程、第二電池健康狀態(tài)值及 第二故障類型參數(shù)。第二車輛通信設備36將第二訓練數(shù)據(jù)發(fā)送給服務 器34。
[0143]
服務器34將第二行駛里程輸入正常衰減模型35，得到期望健康值。 接著，服務器34將期望健康值與第二電池健康狀態(tài)值進行相減，得到 健康差值。再接著，服務器根據(jù)多個第二歷史車輛32的健康差值及第 二故障類型參數(shù)，計算得到每種電池故障的故障衰減率。最后，服務器 根據(jù)每種電池故障的故障衰減率，生成故障衰減模型37。
[0144]
需要說明的是，在上述各個實施方式中，上述各步驟之間并不必然 存在一定的先后順序，本領域普通技術人員，根據(jù)本發(fā)明實施方式的描 述可以理解，不同實施方式中，上述各步驟可以有不同的執(zhí)行順序，亦 即，可以并行執(zhí)行，亦可以交換執(zhí)行等等。
[0145]
作為本發(fā)明實施方式的另一方面，本發(fā)明實施方式提供一種電動車 輛的動力電池的健康狀態(tài)確定裝置。其中，電動車輛的動力電池的健康 狀態(tài)確定裝置可以為軟件模塊，所述軟件模塊包括若干指令，其存儲在 存儲器內，處理器可以訪問該存儲器，調用指令進行執(zhí)行，以完成上述 各個實施方式所闡述的電動車輛的動力電池的健康狀態(tài)確定方法。
[0146]
在一些實施方式中，電動車輛的動力電池的健康狀態(tài)確定裝置亦可 以由硬件器件搭建成的，例如，電動車輛的動力電池的健康狀態(tài)確定裝 置可以由一個或兩個以上的芯片搭建而成，各個芯片可以互相協(xié)調工作， 以完成上述各個實施方式所闡述的電動車輛的動力電池的健康狀態(tài)確 定方法。再例如，電動車輛的動力電池的健康狀態(tài)確定裝置還可以由各 類邏輯器件搭建而成，諸如由通用處理器、數(shù)字信號處理器(dsp)、專 用集成電路(asic)、現(xiàn)場可編程門陣列(fpga)、單片機、arm(acornrisc machine)或其它可編程邏輯器件、分立門或晶體管邏輯、分立的 硬件組件或者這些部件的任何組合而搭建成。
[0147]
請參閱圖4，電動車輛的動力電池的健康狀態(tài)確定裝置400包括： 數(shù)據(jù)獲取模塊41、正常衰減計算模塊42、故障衰減計算模塊43及健康 狀態(tài)確定模塊44。數(shù)據(jù)獲取模塊41用于獲取動力電池的電池數(shù)據(jù)以及 電動車輛的車輛特征，電池數(shù)據(jù)包括實時電池關聯(lián)參數(shù)與實時故障類型 參數(shù)。正常衰減計算模塊42用于根據(jù)實時電池關聯(lián)參數(shù)及與車輛特征 對應的正常衰減模型，計算動力電池的正常健康狀態(tài)衰減值。故障衰減 計算模塊43用于根據(jù)實時故障類型參數(shù)及與車輛特征對應的故障衰減 模型，計算動力電池的故障健康狀態(tài)衰減值。健康狀態(tài)確定模塊44用 于根據(jù)正常健康狀態(tài)衰減值及故障健康狀態(tài)衰減值，確定動力電池的綜 合健康評價值。
[0148]
本實施例評估動力電池的健康狀態(tài)時，無需控制動力電池進行充放 電，也無需動力電池的首次健康狀態(tài)值，都可快速地評估動力電池的健 康狀態(tài)，從而改善了現(xiàn)有技術評估動力電池的健康狀態(tài)時存在效率低下 的技術問題。
[0149]
在一些實施例中，實時電池關聯(lián)參數(shù)為行駛里程、動力電池的累計 充電容量或累計放電容量中的一個。
[0150]
在一些實施例中，健康狀態(tài)確定模塊44具體用于：根據(jù)以下公式： soh
t
＝std-δα
t-δε
t
，確定動力電池的綜合健康評價值，std為標準電池健 康狀態(tài)值，soh
t
為綜合健康評價值，δα
t
為正常健康狀態(tài)衰減值，δε
t
為故障健康狀態(tài)衰減值。
[0151]
在一些實施例中，正常衰減模型是根據(jù)與車輛特征相同的多個第一 歷史車輛的動力電池的第一訓練數(shù)據(jù)訓練得到的。故障衰減模型是根據(jù) 與車輛特征相同的多個第二
歷史車輛的動力電池的第二訓練數(shù)據(jù)與正 常衰減模型訓練得到的。
[0152]
在一些實施例中，第一歷史車輛為未發(fā)生指定電池故障的車輛。第 二歷史車輛為已發(fā)生指定電池故障的車輛。指定電池故障為過壓故障、 欠壓故障、充電過流故障、放電過流故障、高溫故障、低溫故障或指定 嚴重故障中的任意一種。
[0153]
在一些實施例中，正常衰減模型為：其中，δα
t
為正常 健康狀態(tài)衰減值，為正常衰減率，p
t
為實時電池關聯(lián)參數(shù)。
[0154]
在一些實施例中，第一訓練數(shù)據(jù)包括與車輛特征相同的多個第一歷 史車輛的第一歷史電池關聯(lián)參數(shù)與第一電池健康狀態(tài)值。正常衰減率為：為正常衰減率，ηi為第i個第一歷史車輛的待定衰減率，n 為參與訓練所正常衰減模型的第一歷史車輛的總數(shù)。第i個第一歷史車 輛的待定衰減率是根據(jù)第i個第一歷史車輛的第一歷史電池關聯(lián)參數(shù)和 第一電池健康狀態(tài)值進行計算得到。
[0155]
在一些實施例中，當?shù)谝粴v史電池關聯(lián)參數(shù)為行駛里程時，第i個 第一歷史車輛的待定衰減率為：ηi的單位為％/10000km， m
wi
為第i個第一歷史車輛的行駛里程，soh
wi
為第i個第一歷史車輛的 第一電池健康狀態(tài)值。
[0156]
在一些實施例中，故障衰減模型為：其中，δε
t
為故 障健康狀態(tài)衰減值，xj為第j個實時故障類型參數(shù)，εj為第j個實時故 障類型參數(shù)的故障衰減率。
[0157]
在一些實施例中，實時故障類型參數(shù)為過壓故障次數(shù)、欠壓故障次 數(shù)、充電過流故障次數(shù)、放電過流故障次數(shù)、高溫故障次數(shù)、低溫故障 次數(shù)或指定嚴重故障次數(shù)中的一個。
[0158]
在一些實施例中，第二訓練數(shù)據(jù)包括與所述車輛特征相同的多個第 二歷史車輛的第二電池健康狀態(tài)值、第二歷史電池關聯(lián)參數(shù)及歷史故障 類型參數(shù)。
[0159]
第j個第二歷史車輛的故障衰減率是根據(jù)線性回歸算法，對多個第 二歷史車輛的健康差值及歷史故障類型參數(shù)進行行列式計算得到。
[0160]
第j個第二歷史車輛的健康差值為第j個第二歷史車輛的期望健康 值與第j個第二電池健康值的差值；
[0161]
第j個第二歷史車輛的期望健康值是根據(jù)第j個第二歷史電池關聯(lián) 參數(shù)及正常衰減模型進行計算得到的。
[0162]
在一些實施例中，第j個實時故障類型參數(shù)的故障衰減率為：
[0163][0164]
[0165][0166]
其中，δε
yj
為第j個第二歷史車輛的健康差值，為第j個第二 歷史車輛的期望健康值，soh
yj
為第j個第二歷史車輛的第二電池健康 值，std為標準電池健康狀態(tài)值，為正常衰減率，p
yj
為第j個第二歷 史車輛的故障歷史電池關聯(lián)參數(shù)，x
sj
為第s個第二歷史車輛的第j個歷 史故障類型參數(shù)，εj為第j個歷史故障類型參數(shù)的故障衰減率。
[0167]
需要說明的是，上述電動車輛的動力電池的健康狀態(tài)確定裝置可執(zhí) 行本發(fā)明實施方式所提供的電動車輛的動力電池的健康狀態(tài)確定方法， 具備執(zhí)行方法相應的功能模塊和有益效果。未在電動車輛的動力電池的 健康狀態(tài)確定裝置實施方式中詳盡描述的技術細節(jié)，可參見本發(fā)明實施 方式所提供的電動車輛的動力電池的健康狀態(tài)確定方法。
[0168]
請參閱圖5，圖5為本發(fā)明實施例提供的一種服務器的電路結構示 意圖。如圖5所示，服務器500包括一個或多個處理器51以及存儲器 52。其中，圖5中以一個處理器51為例。
[0169]
處理器51和存儲器52可以通過總線或者其他方式連接，圖5中以 通過總線連接為例。
[0170]
存儲器52作為一種存儲介質，可用于存儲非易失性軟件程序、非 易失性計算機可執(zhí)行程序以及模塊，如本發(fā)明實施例中的電動車輛的動 力電池的健康狀態(tài)確定方法對應的程序指令/模塊。處理器51通過運行 存儲在存儲器52中的非易失性軟件程序、指令以及模塊，從而執(zhí)行電 動車輛的動力電池的健康狀態(tài)確定裝置的各種功能應用以及數(shù)據(jù)處理， 即實現(xiàn)上述方法實施例提供的電動車輛的動力電池的健康狀態(tài)確定方 法以及上述裝置實施例的各個模塊或單元的功能。
[0171]
存儲器52可以包括高速隨機存取存儲器，還可以包括非易失性存 儲器，例如至少一個磁盤存儲器件、閃存器件、或其他非易失性固態(tài)存 儲器件。在一些實施例中，存儲器52可選包括相對于處理器51遠程設 置的存儲器，這些遠程存儲器可以通過網絡連接至處理器51。上述網絡 的實例包括但不限于互聯(lián)網、企業(yè)內部網、局域網、移動通信網及其組 合。
[0172]
所述程序指令/模塊存儲在所述存儲器52中，當被所述一個或者多 個處理器51執(zhí)行時，執(zhí)行上述任意方法實施例中的電動車輛的動力電 池的健康狀態(tài)確定方法。
[0173]
本發(fā)明實施例還提供了一種存儲介質，所述存儲介質存儲有計算機 可執(zhí)行指令，該計算機可執(zhí)行指令被一個或多個處理器執(zhí)行，例如圖5 中的一個處理器51，可使得上述一個或多個處理器可執(zhí)行上述任意方法 實施例中的電動車輛的動力電池的健康狀態(tài)確定方法。
[0174]
本發(fā)明實施例還提供了一種計算機程序產品，所述計算機程序產品 包括存儲在非易失性計算機可讀存儲介質上的計算機程序，所述計算機 程序包括程序指令，當所述程序指令被服務器執(zhí)行時，使所述服務器執(zhí) 行任一項所述的電動車輛的動力電池的健康狀態(tài)確定方法。
[0175]
以上所描述的裝置或設備實施例僅僅是示意性的，其中所述作為分 離部件說明的單元模塊可以是或者也可以不是物理上分開的，作為模塊 單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方， 或者也可以分布到多個網絡模塊單元上?？梢愿鶕?jù)實際的需要選擇其中 的部分或者全部模塊來實現(xiàn)本實施例方案的目的。
[0176]
通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到 各實施方式可借助軟件加通用硬件平臺的方式來實現(xiàn)，當然也可以通過 硬件。基于這樣的理解，上述技術方案本質上或者說對相關技術做出貢 獻的部分可以以軟件產品的形式體現(xiàn)出來，該計算機軟件產品可以存儲 在計算機可讀存儲介質中，如rom/ram、磁碟、光盤等，包括若干指 令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設 備等)執(zhí)行各個實施例或者實施例的某些部分所述的方法。
[0177]
最后應說明的是：以上實施例僅用以說明本發(fā)明的技術方案，而非 對其限制；在本發(fā)明的思路下，以上實施例或者不同實施例中的技術特 征之間也可以進行組合，步驟可以以任意順序實現(xiàn)，并存在如上所述的 本發(fā)明的不同方面的許多其它變化，為了簡明，它們沒有在細節(jié)中提供； 盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人 員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改， 或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使 相應技術方案的本質脫離本發(fā)明各實施例技術方案的范圍。

相關知識

電動汽車動力電池健康狀態(tài)評估方法與流程
車輛電池健康狀態(tài)的估算方法及裝置與流程
電動車輛電池的健康狀態(tài)測量的制作方法
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
電動汽車動力電池組健康狀態(tài)在線確定方法和系統(tǒng).pdf
電池健康狀態(tài)的確定方法、裝置、電子設備、介質及產品與流程
電池健康狀態(tài)測算方法以及相關設備與流程
一種考慮電池健康狀態(tài)差異的電動公交線路車輛調度方法
電動車電池狀態(tài)的判斷方法是什么？如何準確評估電池健康？
一種動力電池健康狀態(tài)檢測及預警的方法與流程

網址: 電動車輛的動力電池的健康狀態(tài)確定方法及服務器與流程 http://www.u1s5d6.cn/newsview1629009.html