[發明專利]一種動力電池壽命的智能預測方法及裝置

在審

• 申請號: 202210559862.2
• 申請日: 2022-05-23
• 公開（公告）號: CN114880939A
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 賈小娥;李佳
• 申請（專利權）人: 遙相科技發展（北京）有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F119/04
• 代理公司: 北京清控智云知識產權代理事務所(特殊普通合伙) 11919
• 代理人: 管士濤

本發明提供一種動力電池壽命的智能預測方法及裝置。所述方法包括：從電動汽車運行監控中心獲取車輛狀態數據及車載電池組數據；對所述數據進行整合處理得到多種對電池壽命有影響的特征數據；基于相關性對所述特征數據進行篩選，得到對電池壽命影響最顯著的幾種特征數據；以篩選后的特征數據為輸入、以電池壽命為輸出，構建神經網絡預測模型，利用訓練好的預測模型對電池壽命進行預測。本發明通過對獲取的車輛狀態數據及車載電池組數據進行整合處理得到多種對電池壽命有影響的特征數據，并基于相關性對所述特征數據進行篩選確定預測模型的輸入變量，提高了預測模型對電池壽命的預測精度。

技術領域

本發明屬于動力電池壽命預測技術領域，具體涉及一種動力電池壽命的智能預測方法及裝置。

背景技術

動力電池中以鋰電池性能最好。隨著世界各國能源產業的發展，鋰電池的使用率也迅猛增長，鋰電池的剩余壽命(Remaining Useful Life，RUL)預測引發了國內外學者的廣泛關注。鋰電池從當前設定的時刻至其失效時刻所消耗的時間稱為鋰電池的剩余使用壽命，剩余壽命通常由容量、內阻或其它狀態量來表征。電動汽車動力電池是個典型的例子，當電動汽車動力電池容量衰減至額定容量的70-80％以下時，此動力電池已經失效，而當前時刻的容量值就是該動力電池的失效閾值。

目前，鋰電池剩余壽命預測方法主要有兩種：基于模型的方法和基于數據驅動的方法?；谀Ｐ偷氖Ｓ鄩勖A測方法就是根據設備的性能、工作特性和工作過程，建立物理模型，再將樣本數據輸入到模型中，通過輸入輸出關系的轉換算法得到預測數據。通常情況下，該預測方法主要使用故障機理模型進行鋰離子電池的RUL預測。基于數據驅動，就是在預測過程中，只需要了解設備運行的歷史數據，運用算法對這些數據進行研究分析，提出出其中有用的信息，作為輸入，實現基于數據的模型預測。目前鋰電池RUL的預測方法中使用到的通常有下面幾種：支持向量機法，粒子濾波法，自回歸模型法，人工神經網絡法。近年來，人工神經網絡法得到了越來越廣泛的應用。人工神經網絡法主要是利用歷史數據對構建的網絡模型進行訓練，將待預測電池的具體數據輸入到訓練好的模型，便可得到電池的剩余壽命。但是，由于影響電池壽命的因素很多，很難從眾多的影響因素中選出對電池壽命影響最顯著的因素作為模型的輸入變量，從而無法保證模型的預測精度，使預測結果不理想。

發明內容

為了解決現有技術中存在的上述問題，本發明提供一種動力電池壽命的智能預測方法及裝置。

為了實現上述目的，本發明采用以下技術方案。

第一方面，本發明提供一種動力電池壽命的智能預測方法，包括以下步驟：

從電動汽車運行監控中心獲取車輛狀態數據及車載電池組數據；

對所述數據進行整合處理得到多種對電池壽命有影響的特征數據；

基于相關性對所述特征數據進行篩選，得到對電池壽命影響最顯著的幾種特征數據；

以篩選后的特征數據為輸入、以電池壽命為輸出，構建神經網絡預測模型，利用訓練好的預測模型對電池壽命進行預測。

進一步地，所述車輛狀態數據及車載電池組數據包括：車輛編號，電池組總電壓和總電流，SOC，電池單體最高電壓和最低電壓，正向累計電量，反向累計電量，總里程，運行時間，車速。

進一步地，所述方法還包括數據預處理步驟：剔除異常數據，補充缺失數據，區分充放電電流數據。

進一步地，所述對所述數據進行整合處理的方法包括：以同一種數據的不同統計量作為新的特征數據，以同一種數據的不同統計量的任意組合作為新的特征數據，所述統計量包括最大值、最小值、中值、平均值、方差和均方差。

進一步地，所述基于相關性對所述特征數據進行篩選的方法包括：

計算任意一個特征數據與電池壽命的相關系數，并對所述特征數據按照相關系數從大到小的順序排序；