基于弹性网的锂电池健康状态预测方法、系统、设备及介质

摘要

本发明公开了一种基于弹性网的锂电池健康状态预测方法、系统、设备及介质，方法包括：S1、在自定义场景下得到第一充电数据集；S2、在实车工况场景下得到第二充电数据集；S3、通过第一充电数据集计算第一特征因子和训练标签；S4、通过第二充电数据集计算第二特征因子；S5、根据第一特征因子和训练标签对预测模型进行训练，通过弹性网罚函数得到系数向量；S6、通过系数向量和第二特征因子构建出目标预测模型；S7、根据目标预测模型预测实车工况场景下的电池健康状态。本发明基于锂电池充电数据通过弹性网罚函数构建预测模型，通过锂电池早期充电数据可以预测较长时间后的电池健康状态，保证工作可靠且有效判断回收电池的利用价值。

说明书

技术领域

本发明涉及锂电池健康状态预测领域，特别涉及一种基于弹性网的锂电池健康状态预测方法、系统、设备及介质。

背景技术

锂离子电池是新能源汽车的核心部件，在使用过程中，其性能会随着时间的推移而下降，为保证其工作可靠性以及判断回收电池的利用价值，预测其健康状态(State ofHealth，SOH)以及剩余使用寿命，已成为当前研究的热点。目前，数据驱动是锂离子电池SOH预测的主要方法。

锂离子电池具有能量密度大、工作电压高、循环寿命长的特点，在动力电池领域应用越来越广泛，作为新能源汽车的核心组成部分，锂离子电池的健康状态对电动汽车使用至关重要。目前锂离子电池在研发、生产过程中主要采用两种方式进行健康状态预测：一种是特定充放电条件下的循环测试，另外一种是采用数学模型拟合来预测寿命。

目前，采用数学模型拟合是锂离子电池SOH预测的主要方法。

中国发明专利(专利号：CN106125004A，专利名称：一种基于神经网路核函数GPR的锂电池健康状态的预测方法)，该专利基于神经网络核函数确定协方差函数，以构建GPR预测模型；对GPR预测模型中的均值函数和协方差函数中的超参数进行初始化；利用对数极大似然估计函数对超参数进行最优化；将训练数据和测试数据输入到GPR预测模型中，以获得测试数据的值。

通过该方法能够使得对电池SOH值的预测的准确度和精度较高，不确定度较低。但是该方法所用数据周期长、计算量大，且仅能预测短期内的电池健康状态。

发明内容

本发明要解决的技术问题是为了克服现有技术中锂离子电池健康状态的预测方法所存在的数据周期长、计算量大且仅能预测短期内的电池健康状态的缺陷，提供一种基于弹性网的锂电池健康状态预测方法、系统、设备及介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供了一种基于弹性网的锂电池健康状态预测方法，包括以下步骤：

S1、在自定义场景下对电动车的同型号锂离子电池进行充电数据采集，得到第一充电数据集；

S2、在所述电动车实际进行充电的实车工况场景下进行充电数据采集，得到第二充电数据集；

S3、通过所述第一充电数据集计算第一特征因子x和训练标签y，其中，特征因子为锂电池在两次不同循环中充电时产生的电压随容量变化的曲线方差；训练标签为锂电池多次充放电循环后的SOH值；

S4、通过所述第二充电数据集计算第二特征因子x’；

S5、根据所述第一特征因子x和训练标签y对预测模型进行训练，通过弹性网罚函数得到系数向量；

S6、通过系数向量和所述第二特征因子x’构建出用于预测实车工况场景下经K次循环后的电池健康状态的目标预测模型；

S7、根据所述目标预测模型预测实车工况场景下的电池健康状态。

较佳地，所述第一充电数据集包括在自定义场景下锂离子电池进行多次充放电循环后的充电阶段单体电压数据、电池包总电压数据及充电容量数据；

所述第二充电数据集包括在实车工况场景下的锂离子电池进行多次充放电循环后的充电阶段单体电压数据、电池包总电压数据及充电容量数据。

较佳地，步骤S3中通过以下公式计算第一特征因子x：

其中，i和j表示第i次循环和第j次循环，n表示在两次充电过程中产生的第n个相同的充电容量值，U

步骤S4中采用相同的公式计算第二特征因子x’。

较佳地，步骤S3中通过以下公式计算训练标签y：

其中，C

较佳地，步骤S5具体包括：

将所述第一特征因子x和训练标签y输入到用于训练的预测模型 y＝β

较佳地，步骤S6具体包：

将所述第二特征因子x’和系数向量β

本发明还提供了一种基于弹性网的锂电池健康状态预测装置，所述锂电池健康状态预测装置用于实现上述的基于弹性网的锂电池健康状态预测方法，所述锂电池健康状态预测装置包括第一采集单元、第二采集单元、信息交互单元及云平台；

所述第一采集单元用于在自定义场景下对电动车的同型号锂离子电池进行充电数据采集，得到第一充电数据集；

所述第二采集单元用于通过信息交互单元与充电桩进行信息交互，在所述电动车实际进行充电的实车工况场景下进行充电数据采集，得到第二充电数据集；

所述云平台用于通过所述第一充电数据集计算第一特征因子x和训练标签y，其中，特征因子为锂电池在两次不同循环中充电时产生的电压随容量变化的曲线方差；训练标签为锂电池多次充放电循环后的SOH值；

所述云平台还用于通过所述第二充电数据集计算第二特征因子x’；

所述云平台还用于根据所述第一特征因子x和训练标签y对预测模型进行训练，通过弹性网罚函数得到系数向量；

所述云平台还用于通过系数向量和所述第二特征因子x’构建出用于预测实车工况场景下经K次循环后的电池健康状态的目标预测模型；

所述云平台还用于根据所述目标预测模型预测实车工况场景下的电池健康状态。

较佳地，所述第二信息采集单元为iBMS(Integrate Battery ManagementSystem，整合电池管理系统)，所述信息交互单元为T-box(远程信息处理器)。

本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的基于弹性网的锂电池健康状态预测方法。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的基于弹性网的锂电池健康状态预测方法。

本发明的积极进步效果在于：本发明基于锂电池充电数据通过弹性网罚函数构建预测模型，从而通过锂电池早期充电数据就可以预测较长时间后的锂电池健康状态，不仅保证其工作可靠性而且可以有效判断回收电池的利用价值。

附图说明

图1为本发明实施例1的基于弹性网的锂电池健康状态预测方法的流程图。

图2为本发明实施例1的基于弹性网的锂电池健康状态预测方法在应用实例中1号单体电压随电池包充电容量变化的曲线图。

图3为本发明实施例1的基于弹性网的锂电池健康状态预测方法在应用实例中通过预测模型得到的电池包预测SOH值与真实SOH值的对比示意图。

图4为本发明实施例2的基于弹性网的锂电池健康状态预测装置的模块示意图。

图5为本发明的实施例3的电子设备的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

如图1所示，本实施例的基于弹性网的锂电池健康状态预测方法包括以下步骤：

S1、在自定义场景下对电动车的同型号锂离子电池进行充电数据采集，得到第一充电数据集；

S2、在所述电动车实际进行充电的实车工况场景下进行充电数据采集，得到第二充电数据集；

S3、通过所述第一充电数据集计算第一特征因子x和训练标签y，其中，特征因子为锂电池在两次不同循环中充电时产生的电压随容量变化的曲线方差；训练标签为锂电池多次充放电循环后的SOH值；

S4、通过所述第二充电数据集计算第二特征因子x’；

S5、根据所述第一特征因子x和训练标签y对预测模型进行训练，通过弹性网罚函数得到系数向量；

S6、通过系数向量和所述第二特征因子x’构建出用于预测实车工况场景下经K次循环后的电池健康状态的目标预测模型；

S7、根据所述目标预测模型预测实车工况场景下的电池健康状态。

其中，在步骤S1中，会对电动车(具体为商用四轮电动车)的同型号锂离子电池进行自定义场景下的充电数据采集，在工程应用中，如果用实车工况的测试数据对一个新的SOH预测模型从头开始训练，不仅会由于数据量不足导致无法训练出鲁棒性强的模型而且会耗费大量时间。因此训练预测模型采用的数据集是由商用四轮电动车的同型号锂离子电池在自定义场景下进行充放电数据采集得到的。

为了使训练好的预测模型对于实车工况的数据有很好的适用性，该自定义场景可以定义为实验室条件或者实测在运营充电频繁车辆(具有同型号电池的同种车型)等场景。

在步骤S1中对商用四轮电动车的同型号锂离子电池进行充放电数据采集，得到序号101-108数据集(即第一充电数据集，具体如下表1所示)，包括锂离子电池进行多次充放电循环后的充电阶段单体电压数据、电池包总电压数据及其充电容量数据等。

表1

而在步骤S2中，可以通过实车工况场景来获取，第二充电数据集由四轮电动车在充电桩上的充电行为得到。具体实践中可用iBMS总控通过T- box与充电桩的信息交互采集四轮电动车的实车工况充电数据，即序号201- 207的数据集(即第二充电数据集，具体如下表2所示)，包括实车工况的锂离子电池进行多次充放电循环后的充电阶段单体电压数据、电池包总电压数据及其充电容量数据等；

表2

在步骤S3中，则将步骤S1在自定义场景下采集到的第一充电数据集传入电池健康状态预测云平台。

在云平台上通过输入数据集计算第一特征因子x。第一特征因子定义为锂电池在两次不同循环中充电时产生的电压随容量变化的曲线方差，即统计出电池在两次充电过程中，在每个相同的充电容量值所对应的两个电压值U

在云平台上通过输入数据集计算训练标签y。利用公式

在步骤S4中则将第二充电数据集传入云平台，在云平台上通过输入第二充电数据集计算第二特征因子x’。公式

在步骤S5中，根据计算的第一特征因子x即曲线的方差，与设定的训练标签y即规定循环次数后的SOH值，将其输入到用于训练的预测模型 y＝β

在步骤S6中，将步骤S4中得到的第二特征因子与步骤S5中得到的系数向量β

步骤S7则根据构建的预测模型

本发明对商用电动车的同型号锂离子电池进行自定义场景下充电数据采集，得到锂离子电池进行多次充放电循环后的充电阶段电压数据及其充电容量数据，用满充的充电容量与电池的额定容量做比即可得到电池的SOH值，根据实际需要可自行调整充放电循环次数从而得到规定循环次数后的SOH值。基于弹性网回归方法确定弹性网罚函数J(y)，根据充电过程中提取到的有效数据不断调整弹性网罚函数中的可变参数，包括超参数α和γ以及系数向量β

其中所述的弹性网罚函数：

其中所述的均方误差MSE：

其中所述的预测模型：y＝β

在本发明中，通过改变不同循环次数的不同SOH值作为预测模型的标签，便可根据实际情况调整预测周期。例如，当标签设定为第300次充放电循环后的SOH值，即可预测电池循环300次后的SOH值；

本发明的预测模型中选择的特征参数定义为锂电池在两次不同循环中充电时产生的电压随容量变化的曲线方差，该特征参数是与SOH值密切相关的，通过该特征参数进行预测可以达到一个较高的预测准确度；

本发明在电池组正常充电过程中适用，不影响电池工作输入输出。本发明可以通过锂电池早期充电数据预测较长时间后锂电池健康状态，解决了现有预测方法所存在的数据周期长、计算量大，且仅能预测短期内的电池健康状态的问题。在准确的早期预测基础上，不仅能保证电池工作可靠性而且可以有效判断回收电池的利用价值。

下面举一个本实施例的基于弹性网的锂电池健康状态预测方法的具体应用实例：

以四轮车充电场景(售前)为例，本实施例的锂电池健康状态预测方法可以通过锂电池健康状态预测装置实现，此时装置可包括：电池包、iBMS (含电池组每节电芯端电压的采集功能、充电时通过t-box与充电桩的信息交互)、T-box、充电桩总控以及电池健康状态预测云平台。其中电池包是由240个单体电池串联组成的商业化储能系统，标称容量为138Ah。

iBMS总控对电池包进行数据采集，采集的数据包括充放电电流、电池包总的和单体层面的充放电电压、电池包总充电容量等。

训练预测模型采用的数据集是由商用四轮电动车的同型号锂离子电池进行实验室恒流充放电数据采集得到的。

为了使训练好的预测模型对于实车工况的数据有很好的适用性，实验采用的是与商用四轮电动车同型号的锂离子电池在环境温度25℃下进行0.5C 恒流充放电数据采集。

选取第100次(i＝100)循环和第10次(j＝100)循环时，电池包中1 号单体电池的充电数据，形成两条1号单体电压随电池包总充电容量变化的曲线，如图2所示，其中横轴为电池包总充电容量，纵轴为1号单体电池的电压，虚线为1号单体在第10次循环时电压随电池包总充电容量变化的曲线，实线为1号单体在第100次循环时电压随电池包总充电容量变化的曲线。

计算两条曲线的方差

选取第300次(K＝300)循环时电池包总的充电数据，利用公式

根据选择的第一特征因子x

通过T-box将电动车在充电桩充电时产生的数据集传入iBMS进行数据采集，通过iBMS总控实车工况的数据集传入电池健康状态预测云平台。计算拥有同型号锂离子电池的商用纯电动车的240个单体电池在第100次和第10次循环中产生的电压随电池包总充电容量变化的曲线方差，共计 240个第二特征因子，将其代入SOH预测模型

由于SOH在第300次循环到第375次循环间数值变化较小，通过改变输入数据的循环次数为101和11、102和12、......175和75，还可以用该预测模型预测实车工况在301、302、......、375次充放电循环后的电池 SOH值。得到的实车的电池健康状态预测结果与实验测试所得真实SOH值对比情况如图3所示，误差范围低于5％。其中，虚线为实验室所用电池包在第301次至第375次充放电循环后的真实SOH值，实线为通过预测模型预测得到的实车工况在第301次至第375次充放电循环后的预测SOH值。

实施例2

本实施例提供了一种基于弹性网的锂电池健康状态预测装置，所述锂电池健康状态预测装置用于实现实施例1所述的基于弹性网的锂电池健康状态预测方法，如图4所示，所述锂电池健康状态预测装置包括第一采集单元21、第二采集单元22、信息交互单元23及云平台24；

所述第一采集单元21用于在自定义场景下对电动车的同型号锂离子电池进行充电数据采集，得到第一充电数据集；

所述第二采集单元22用于通过信息交互单元23与充电桩进行信息交互，在所述电动车实际进行充电的实车工况场景下进行充电数据采集，得到第二充电数据集；

所述云平台24用于通过所述第一充电数据集计算第一特征因子x和训练标签y，其中，特征因子为锂电池在两次不同循环中充电时产生的电压随容量变化的曲线方差；训练标签为锂电池多次充放电循环后的SOH值；

所述云平台还用于通过所述第二充电数据集计算第二特征因子x’；

所述云平台还用于根据所述第一特征因子x和训练标签y对预测模型进行训练，通过弹性网罚函数得到系数向量；

所述云平台还用于通过系数向量和所述第二特征因子x’构建出用于预测实车工况场景下经K次循环后的电池健康状态的目标预测模型；

所述云平台还用于根据所述目标预测模型预测实车工况场景下的电池健康状态。

其中，所述第二采集单元为iBMS，所述信息交互单元为T-box。

实施例3

图5为本发明实施例3提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1的基于弹性网的锂电池健康状态预测方法。图5显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线 33。

总线33包括数据总线、地址总线和控制总线。

存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/ 或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。

存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的基于弹性网的锂电池健康状态预测方法。

电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等) 通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的电子设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器36 通过总线33与模型生成的电子设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的电子设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID (磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化；反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例4

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1的基于弹性网的锂电池健康状态预测方法。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1的基于弹性网的锂电池健康状态预测方法。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。