[发明专利]一种基于大数据机器学习的电池健康度预测方法

说明书

本发明公开了一种基于大数据机器学习的电池健康度预测方法，包括如下步骤：收集某一车型下多个车辆的充电过程明细数据；对收集到的充电过程数据进行处理；对该车型的充电过程数据进行数学建模，建立以预估电池容量为因变量、以累计SOC差值为自变量的数学模型；分析该车型的电池SOH衰减规律，得到SOH衰减曲线，并计算出该车型电池容量衰减至80％时的循环次数；基于得到的SOH衰减曲线，结合步骤二中每辆车的充电过程数据，计算每辆车电池容量衰减至80％时的时间；将该车型和具体每辆车的SOH衰减规律计算结果，在可视化界面中呈现。本发明公开的方法可以提前预知每辆车电池容量衰减至80％时的具体时间，为车辆的维护保养提供了可靠的依据。

技术领域

本发明涉及电池健康度预测技术领域，特别涉及一种基于大数据机器学习的电池健康度预测方法。

背景技术

电动汽车行业的兴起，锂离子电池在电动汽车领域得到广泛的应用，电池组的有效管理也成为保障电动汽车性能稳定和安全可靠的关键。特别是电动汽车电池在充放电过程中出现故障，从而导致安全事故频发，那么对电池使用情况的监测、对电池剩余电量的评估、对电池使用寿命的预测等技术就变得越来越重要。

电池健康状态(state of health，SOH)是用来衡量电池老化程度的参数。当前业务对SOH的估算方法主要有两大类：直接获得法、数据驱动法。直接获得法是指对可直接测量的电池参数进行处理来计算SOH的方法，具体有安时积分、开路电压、阻抗法等方式；数据驱动法不依赖于电池模型，而是采用数学模型，针对具体的车型来构造模型，其结果适用于具体的一个车型，因此精度较高。

发明内容

为解决上述技术问题，本发明提供了一种基于大数据机器学习的电池健康度预测方法，采用数据驱动法，通过机器学习技术建立数学模型，来探索每个车型的电池寿命衰减规律，从而对具体每个车的电池寿命进行预测。

为达到上述目的，本发明的技术方案如下：

一种基于大数据机器学习的电池健康度预测方法，包括如下步骤：

步骤一，收集某一车型下多个车辆的充电过程明细数据；

步骤二，对收集到的充电过程数据进行处理，计算得到每辆车每次充电时的累计SOC差值和预估电池容量；

步骤三，对该车型的充电过程数据进行数学建模，建立以预估电池容量为因变量、以累计SOC差值为自变量的数学模型；

步骤四，基于建立的数学模型，分析该车型的电池SOH衰减规律，得到SOH衰减曲线，并计算出该车型电池容量衰减至80％时的循环次数；

步骤五：基于得到的SOH衰减曲线，结合步骤二中每辆车的充电过程数据，计算每辆车电池容量衰减至80％时的时间；

步骤六：将该车型和具体每辆车的SOH衰减规律计算结果，在可视化界面中呈现。

上述方案中，所述步骤一中，充电过程明细数据包括车辆VIN、充电开始时间、充电结束时间、充电时长、充电开始SOC、充电结束SOC、充电电量。

上述方案中，所述步骤二的具体方法如下：

(1)计算每辆车每次充电的SOC差值；

(2)计算每辆车逐次充电过程时的累计SOC差值和累计充电量；

(3)通过累计充电量除以累计SOC差值，得到每辆车每次充电时的预估电池容量。

上述方案中，所述步骤三中，建立的数学模型采用BP神经网络回归算法和多项式回归算法，针对每一个车型，比较这两类算法的精度，选择最优的算法。

进一步的技术方案中，所述BP神经网络回归算法中，采用了2层神经网络，隐藏层包含10个隐藏单元。