[发明专利]一种动力电池剩余使用寿命的预测方法

说明书

技术领域

本发明属于纯电动汽车电池管理领域，具体涉及一种动力电池剩余使用寿命的预测方法。

背景技术

目前，对于新能源汽车的电池管理系统，我们主要是将工作的重点放在了对电池管系统的监控作用上，做到了安全事故“早发现、早预防”，能够提高新能源汽车的安全性和可靠性。但是对于新能源汽车电池使用过程中的监测却鲜有提及。

现有技术存在对一个设备或系统的剩余使用寿命(RUL，Remaining Useful Life)进行估计和预测，学术上称之为预测与健康管理技术(Prognostics and Health Management,PHM)。其中，预测是PHM中核心内容和技术挑战。剩余寿命预测对于系统设备的维护是必不可少的重要信息，根据RUL预测结果的分析对系统设备进行良好的管理，可以提高系统或设备可用性和可靠性，同时降低或避免故障造成的重大损失。但目前对于新能源汽车中的动力锂电池却没有系统的剩余寿命预测机制。

发明内容

针对现有技术中存在的不足，本发明把剩余使用寿命(RUL)的概念，引入动力锂电池领域，通过预测动力锂电池的剩余使用寿命，来预测动力锂电池的安全性故障，使电动汽车具有更高的可靠性和安全性。

本发明采用下面的技术方案：

一种动力电池剩余使用寿命的预测方法，获取电动汽车每次行车时的动力电池状态数据，建立人工神经网络模型，将所述动力电池状态数据作为人工神经网络模型的输入，训练人工神经网络模型的训练参数；获取待测电动汽车中的动力电池状态数据，作为具有训练参数的人工神经网络的输入，根据人工神经网络的输入输出映射关系，得到人工神经网络的输出，即动力电池剩余使用寿命的预测结果。

进一步的，所述动力电池状态数据包括动力电池总电压、动力电池的平均温度、动力电池充放电电流、单节动力电池的SOC、单节动力电池的电芯电压和单节动力电池的SOH。

进一步的，所述人工神经网络模型的建立具体采用：建立N层人工神经网络，其中只有一层隐含层，设置每层的节点数，根据传输函数和训练函数建立人工神经网络模型。

进一步的，所述N层人工神经网络具有输入层和输出层，输入层的节点数为6，输出层的节点数为1；隐含层的节点数根据下式确定：

式中：n为隐含层的节点数；n_i输入节点数；n₀为输出节点数；a为1—10之间的常数。

进一步的，所述动力电池剩余使用寿命的预测结果包括：根据所述具有训练参数的人工神经网络预测得到动力电池剩余容量达到失效时所对应的动力电池充放电次数，根据电池循环寿命原理，得到动力电池剩余使用寿命的预测结果。

进一步的，获取所述动力电池所有单节电池的SOC值，对其做平均化处理，采用最接近平均SOC值的单体电池SOC值作为动力电池状态数据之一。

进一步的，获取所述动力电池所有单节电池的电芯电压，对其做平均化处理，采用最接近平均电芯电压值的单体电池电芯电压值作为动力电池状态数据之一。

进一步的，获取所述动力电池所有单节电池的SOH值，对其做平均化处理，采用最接近平均SOH值的单体电池SOH值作为动力电池状态数据之一。

进一步的，所述人工神经网络模型具有传输函数，用于层与层之间的数据转换与传输。

进一步的，所述人工神经网络模型具有训练函数，用于基于作为输入和输出的动力电池状态数据、动力电池剩余使用寿命，训练人工神经网络模型的参数。

本发明的有益效果：

本发明引入剩余使用寿命(RUL)的概念，采集影响动力锂电池剩余使用寿命的六大影响因素，建立动力锂电池剩余使用寿命的人工神经网络模型，采用上述六大影响因素进行参数训练，建立动力锂电池剩余使用寿命的预测方法。通过具体的实验，测试结果显示了人工神经网络模型的可靠性，其误差均在理想的范围之内，说明了本预测方法的先进性。

附图说明

图1为本发明的方法流程图；

图2为本发明的人工神经网络模型示意图；

图3为本发明人工神经网络的训练过程图a；

图4为本发明人工神经网络的训练过程图b；

图5为本发明人工神经网络的训练过程图c；

具体实施方式：

下面结合附图与实施例对本发明作进一步说明：