[发明专利]基于电化学参数的电池分析方法和系统

说明书

本发明涉及一种基于电化学参数的电池分析方法和系统。该方法通过将采集到的电池宏观参数与通过曲线拟合算法进一步计算得到的基于电化学的微观参数相互耦合，从而使输入到训练过的机器学习模型中的特征参数包含更多有效信息，并经过边缘计算以及云计算进行两级数据清洗，从根本上提高机器学习模型的预测精度，经过电池大数据的分析，可以根据对实时数据的离群检测，实现故障预警与失控报警，通过海量历史数据的训练可以得到较为精确的预测模型，实现对电池状态的精确估计。

技术领域

本发明属于电池分析技术领域，具体涉及一种基于电化学参数的电池分析方法和系统。

背景技术

能源危机与环境污染是当今世界共同面临的两大难题，各国政府和汽车制造商正在积极采取措施应对，发展可再生能源技术是解决这一系列问题的重要方法，作为新能源技术的重要分支，绿色、清洁、高效的新能源汽车技术可以减少对化石能源的依赖并降低污染物和温室气体的排放，最终替代传统的燃油汽车。与传统汽车相比，电动汽车具有清洁节能无污低噪的优点，发展电动汽车的核心在于解决其成本、续航、安全的问题，而这主要受限于电动车用动力电池的性能及管控。换言之，动力电池及其管理系统所面临的技术瓶颈直接制约了电动汽车的大规模推广和应用。

目前对于动力电池的故障检测和状态预测主要是利用电流，电压，温度的基于传感器测量方法，虽然能够在大多数状态下实现检测，但无法满足对电池内部机理演化的探究和表征，因此无法实现高精度预测；而基于电化学实验手段虽然能观察到电池的微观结构，但是过于依赖稳定可控的实验室条件，无法满足多工况全面检测。更为重要的是上述两种传统方法一般都在故障发生时或发生后才介入，无法保证实时准确故障预警和状态预测。

发明内容

针对上述现有技术存在的目前无法保证实时准确故障预警和状态预测的技术问题，本发明提供一种基于电化学参数的电池分析方法，通过将采集到的电池宏观参数与进一步计算得到的基于电化学的微观参数相互耦合，从而使特征参数包含更多有效信息，从根本上提高机器学习模型的预测精度，能够利用训练过的机器学习模型实现电池性能检测预测结果的质量提升。本发明还提供一种基于电化学参数的电池分析系统。

本发明的技术方案如下：

一种基于电化学参数的电池分析方法，所述方法包括下述步骤：

获取电池宏观参数；

根据所述电池宏观参数通过曲线拟合算法计算基于电化学原理的电池微观参数；

对所述电池宏观参数与所述电池微观参数通过边缘计算进行数据预清洗，得到预清洗后的数据并发送到云端大数据平台，对发送到云端大数据平台的预清洗后的数据进行云端数据清洗，得到均为实值的数据流；

通过离群点检测算法对所述均为实值的数据流进行检测计算，得到离群数据的个数；

将所述离群数据的个数与报警等级的预设阈值进行对比，根据对比结果确定是否报警和报警等级；

将所述均为实值的数据流输入到训练过的机器学习模型中，利用所述机器学习模型对发生离群的故障信息与故障集通过聚类方法比对，根据聚类结果预测故障类型以实现对电池的状态估计。

进一步地，所述将所述离群数据的个数与报警等级的预设阈值进行对比，根据对比结果确定是否报警和报警等级，将离群数据的个数与报警等级一一对应，通过实时或在一定时间区间内对比离群数据的个数与对应报警等级的预设阈值，得到报警结果。

进一步地，通过车端的若干传感器获取电池宏观参数，所述宏观参数包括：电池的电流、电压、温度、容量和内阻。

进一步地，所述微观参数包括：差分热电压分析曲线参数、增量容量分析曲线参数、差分电压分析曲线参数、充放电电压平台分析曲线参数以及参数辨识的电化学阻抗谱参数。

进一步地，所述云端数据清洗包括空余赋值、错值纠正和逻辑校验。