本發(fā)明涉及電池soh估計(jì)及應(yīng)用，尤其涉及一種新能源汽車的動(dòng)力電池soh估計(jì)方法、系統(tǒng)、應(yīng)用方法及電子設(shè)備。

背景技術(shù)：

1、目前中國(guó)正處在新能源汽車產(chǎn)業(yè)飛速發(fā)展的階段，各大汽車廠均將新能源汽車業(yè)務(wù)重點(diǎn)投入研發(fā)，確保其在市場(chǎng)競(jìng)爭(zhēng)中的技術(shù)領(lǐng)先地位。而電動(dòng)汽車動(dòng)力電池的健康狀態(tài)(state of health，soh)作為電池的性能的核心指標(biāo)，對(duì)于電池管理、優(yōu)化運(yùn)行、維護(hù)以及安全性等方面都具有重要意義。

2、目前soh估計(jì)方法主要是基于實(shí)驗(yàn)數(shù)據(jù)的經(jīng)驗(yàn)?zāi)Ｐ突蛘吒?jiǎn)單的充電安時(shí)數(shù)查表法獲取，經(jīng)驗(yàn)?zāi)Ｐ托枰罅康膶?shí)驗(yàn)測(cè)試，電池實(shí)際工況和實(shí)驗(yàn)室測(cè)試工況差異較大，計(jì)算的soh值誤差較大。根據(jù)安時(shí)數(shù)計(jì)算soh，其充電起始soc和結(jié)束soc對(duì)計(jì)算準(zhǔn)確性影響較大，且實(shí)際使用過(guò)程中很少有滿充和滿放行為。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種新能源汽車的動(dòng)力電池soh估計(jì)方法、系統(tǒng)、應(yīng)用方法及電子設(shè)備，解決了由于電池實(shí)際工況和實(shí)驗(yàn)室測(cè)試工況差異較大，導(dǎo)致計(jì)算的soh值誤差較大的技術(shù)問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明提供了如下技術(shù)方案：一種新能源汽車的動(dòng)力電池soh估計(jì)方法，該方法包括以下步驟：

3、獲取新能源汽車的電池?cái)?shù)據(jù)，并對(duì)電池?cái)?shù)據(jù)進(jìn)行數(shù)據(jù)清洗得到高質(zhì)量的電池運(yùn)行數(shù)據(jù)；

4、從電池運(yùn)行數(shù)據(jù)中提取電池運(yùn)行時(shí)的健康指標(biāo)，并對(duì)健康指標(biāo)進(jìn)行聚合以及關(guān)聯(lián)度分析得到電池的多維度關(guān)鍵特征；

5、將多維度關(guān)鍵特征輸入至cnn-transformer模型中，然后通過(guò)遷移學(xué)習(xí)建立用于實(shí)時(shí)估計(jì)電池單體及電池組soh的soh數(shù)字孿生模型。

6、進(jìn)一步地，所述對(duì)電池?cái)?shù)據(jù)進(jìn)行數(shù)據(jù)清洗具體為：分析電池?cái)?shù)據(jù)時(shí)間序列的時(shí)間特征來(lái)檢測(cè)離群點(diǎn)樣本，對(duì)異常樣本進(jìn)行恢復(fù)，并采用去重、濾波、插值、電壓曲線重采樣方法去除云端數(shù)據(jù)噪聲，獲得高質(zhì)量的電池運(yùn)行數(shù)據(jù)。

7、進(jìn)一步地，所述從電池運(yùn)行數(shù)據(jù)中提取電池運(yùn)行時(shí)的健康指標(biāo)，并對(duì)健康指標(biāo)進(jìn)行聚合以及關(guān)聯(lián)度分析得到電池的多維度關(guān)鍵特征，具體過(guò)程包括以下步驟：

8、將電池運(yùn)行數(shù)據(jù)劃分為充電數(shù)據(jù)和行駛中數(shù)據(jù)；

9、從充電數(shù)據(jù)中提取與電壓相關(guān)的特征、與電流相關(guān)的特征以及與ic曲線相關(guān)的特征形成充電過(guò)程中的健康指標(biāo)；

10、將充電過(guò)程中的健康指標(biāo)和行駛過(guò)程中的健康指標(biāo)進(jìn)行聚合形成多維健康指標(biāo)；

11、采用spearman等級(jí)相關(guān)系數(shù)分析多維健康指標(biāo)與電池可用容量之間的相關(guān)性rs；

12、選取相關(guān)性rs的絕對(duì)值最接近1的多維健康指標(biāo)作為多維度關(guān)鍵特征。

13、4.根據(jù)權(quán)利要求3所述的動(dòng)力電池soh估計(jì)方法，其特征在于，所述相關(guān)性rs的計(jì)算公式為：

14、

15、

16、上式中，m為多維健康指標(biāo)的總數(shù)；xn為電池每次放電的可用容量；yn為每個(gè)充放電周期的輸入特性；分別為充電過(guò)程中的健康指標(biāo)和行駛過(guò)程中的健康指標(biāo)的均值。

17、進(jìn)一步地，所述cnn-transformer模型是由卷積神經(jīng)網(wǎng)絡(luò)cnn和transformer模型結(jié)合組織成一個(gè)2x4的矩陣，并通過(guò)使用步長(zhǎng)為2的2x2卷積核對(duì)多維度關(guān)鍵特征進(jìn)行卷積，以捕捉多維度關(guān)鍵特征的局部相關(guān)性；

18、然后，通過(guò)添加位置編碼層將卷積后的多維度關(guān)鍵特征引入transformer架構(gòu)中，使cnn-transformer模型能夠有效地捕捉到多維度關(guān)鍵特征中的全局依賴關(guān)系。

19、進(jìn)一步地，所述cnn-transformer模型包括：

20、用于接受四個(gè)輸入的多維度關(guān)鍵特征，并將其組織成一個(gè)2x4的輸入矩陣的輸入層；

21、提取輸入的多維度關(guān)鍵特征的局部相關(guān)性，從而生成卷積特征圖的卷積層；

22、引入位置信息，將卷積特征圖與位置編碼相加以保留特征之間的相對(duì)位置關(guān)系的位置編碼層；

23、對(duì)經(jīng)過(guò)卷積和位置編碼處理后的多維度關(guān)鍵特征進(jìn)行建模輸入序列之間的全局依賴關(guān)系的transformer模型；

24、生成對(duì)輸入序列進(jìn)行預(yù)測(cè)或分類結(jié)果的輸出層。

25、進(jìn)一步地，所述通過(guò)遷移學(xué)習(xí)建立用于實(shí)時(shí)估計(jì)電池單體及電池組soh的soh數(shù)字孿生模型，具體過(guò)程包括以下步驟：

26、使用電池運(yùn)行數(shù)據(jù)中的源數(shù)據(jù)集作為cnn-transformer模型的輸入數(shù)據(jù)，通過(guò)訓(xùn)練得到一個(gè)基網(wǎng)絡(luò)a；

27、使用電池運(yùn)行數(shù)據(jù)中的目標(biāo)數(shù)據(jù)集作為cnn-transformer模型的輸入數(shù)據(jù)，通過(guò)訓(xùn)練得到一個(gè)目標(biāo)網(wǎng)絡(luò)b；

28、確定基網(wǎng)絡(luò)a中可以進(jìn)行遷移的層數(shù)n得到anb網(wǎng)絡(luò)，即保留基網(wǎng)絡(luò)a的前n層結(jié)構(gòu)和參數(shù)進(jìn)行遷移學(xué)習(xí)到目標(biāo)網(wǎng)絡(luò)b；

29、采用電池運(yùn)行數(shù)據(jù)對(duì)anb網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)b分別訓(xùn)練n次，選取anb網(wǎng)絡(luò)與目標(biāo)網(wǎng)絡(luò)b預(yù)測(cè)結(jié)果誤差最小的模型作為soh數(shù)字孿生模型。

30、該技術(shù)方案還提供了一種新能源汽車的動(dòng)力電池soh估計(jì)方法的應(yīng)用方法，通過(guò)將soh數(shù)字孿生模型部署到邊端設(shè)備-車端控制器或者tbox，用于實(shí)時(shí)估計(jì)電池單體及電池組的soh，最后和車載bms進(jìn)行數(shù)據(jù)交互，實(shí)現(xiàn)云-邊-端架構(gòu)的實(shí)際應(yīng)用；

31、其中，部署到邊端設(shè)備-車端控制器或者tbox的實(shí)現(xiàn)包括以下步驟：

32、模型轉(zhuǎn)換，將訓(xùn)練好的soh數(shù)字孿生模型轉(zhuǎn)化為onnx模型；

33、模型壓縮，使用onnx runtime提供的量化工具進(jìn)行量化，適應(yīng)邊緣計(jì)算設(shè)備的資源限制；

34、邊緣計(jì)算平臺(tái)選擇，整個(gè)項(xiàng)目開發(fā)的軟件運(yùn)行所需算力超過(guò)當(dāng)前整車端bms所用芯片的算力，則需將軟件部署在其他整車控制器上；

35、部署工具，使用微軟提供的onnx runtime推理引擎推理onnx模型。

36、該技術(shù)方案還提供了一種用于實(shí)現(xiàn)上述動(dòng)力電池soh估計(jì)方法的系統(tǒng)，包括：

37、數(shù)據(jù)處理模塊，用于通過(guò)數(shù)據(jù)清洗獲取電動(dòng)汽車高質(zhì)量的電池運(yùn)行數(shù)據(jù)；

38、特征提取模塊，用于從電池運(yùn)行數(shù)據(jù)中提取電池運(yùn)行時(shí)的健康指標(biāo)，并對(duì)健康指標(biāo)進(jìn)行聚合以及關(guān)聯(lián)度分析得到電池的多維度關(guān)鍵特征；

39、模型訓(xùn)練模塊，用于對(duì)cnn-transformer模型的參數(shù)進(jìn)行初始化，將多維度關(guān)鍵特征作為cnn-transformer模型的輸入，訓(xùn)練得到soh數(shù)字孿生模型；

40、結(jié)果驗(yàn)證模塊，利用測(cè)試集對(duì)soh數(shù)字孿生模型進(jìn)行測(cè)試，并與其它模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，驗(yàn)證soh數(shù)字孿生模型的優(yōu)越性；

41、系統(tǒng)部署模塊，用于將soh數(shù)字孿生模型部署到嵌入式設(shè)備中，實(shí)現(xiàn)云-邊-端框架。

42、借由上述技術(shù)方案，本發(fā)明提供了一種新能源汽車的動(dòng)力電池soh估計(jì)方法、系統(tǒng)、應(yīng)用方法及電子設(shè)備，至少具備以下有益效果：

43、1、本發(fā)明所提出的動(dòng)力電池soh估計(jì)方法能夠準(zhǔn)確有效的實(shí)時(shí)估計(jì)電池單體及電池組的soh，可以解決深度學(xué)習(xí)算法模型及機(jī)理模型實(shí)時(shí)性差的問(wèn)題，實(shí)現(xiàn)實(shí)車soh的精準(zhǔn)估計(jì)，對(duì)電池管理系統(tǒng)安全可靠運(yùn)行具有重要意義。

44、2、本發(fā)明所提出的應(yīng)用方法解決了深度學(xué)習(xí)算法模型實(shí)時(shí)性差的問(wèn)題，通過(guò)研究電池soh云-邊-端協(xié)同估計(jì)機(jī)制，形成云端訓(xùn)練-邊緣端測(cè)試-車載bms交互的一體化機(jī)制，實(shí)現(xiàn)大數(shù)據(jù)及實(shí)車工況下的電池soh實(shí)時(shí)精準(zhǔn)估計(jì)。

相關(guān)知識(shí)

鋰電池管理系統(tǒng)的SOC與SOH估計(jì)方法解析
電動(dòng)汽車鋰離子動(dòng)力電池組健康狀態(tài)估計(jì)方法的研究
一種快速檢測(cè)新能源汽車電池健康度（SOH）的檢測(cè)儀和方法與流程
新能源汽車電池報(bào)告怎么查？教你查詢新能源電池報(bào)告的3個(gè)方法
電動(dòng)汽車動(dòng)力電池組健康狀態(tài)在線確定方法和系統(tǒng).pdf
AI算法精準(zhǔn)預(yù)測(cè)電池壽命，助力新能源汽車與儲(chǔ)能系統(tǒng)升級(jí)
電動(dòng)汽車動(dòng)力電池健康狀態(tài)在線估算方法
電動(dòng)汽車動(dòng)力電池健康狀態(tài)在線動(dòng)態(tài)估算方法
新能源汽車動(dòng)力電池系統(tǒng)試驗(yàn)與性能評(píng)估
一種純電動(dòng)車用動(dòng)力鋰電池健康狀況檢測(cè)器的制造方法

網(wǎng)址: 一種新能源汽車的動(dòng)力電池SOH估計(jì)方法、系統(tǒng)、應(yīng)用方法及電子設(shè)備 http://www.gysdgmq.cn/newsview1636051.html