[发明专利]一种动力电池寿命的智能预测方法及装置

说明书

本发明提供一种动力电池寿命的智能预测方法及装置。所述方法包括：从电动汽车运行监控中心获取车辆状态数据及车载电池组数据；对所述数据进行整合处理得到多种对电池寿命有影响的特征数据；基于相关性对所述特征数据进行筛选，得到对电池寿命影响最显著的几种特征数据；以筛选后的特征数据为输入、以电池寿命为输出，构建神经网络预测模型，利用训练好的预测模型对电池寿命进行预测。本发明通过对获取的车辆状态数据及车载电池组数据进行整合处理得到多种对电池寿命有影响的特征数据，并基于相关性对所述特征数据进行筛选确定预测模型的输入变量，提高了预测模型对电池寿命的预测精度。

技术领域

本发明属于动力电池寿命预测技术领域，具体涉及一种动力电池寿命的智能预测方法及装置。

背景技术

动力电池中以锂电池性能最好。随着世界各国能源产业的发展，锂电池的使用率也迅猛增长，锂电池的剩余寿命(Remaining Useful Life，RUL)预测引发了国内外学者的广泛关注。锂电池从当前设定的时刻至其失效时刻所消耗的时间称为锂电池的剩余使用寿命，剩余寿命通常由容量、内阻或其它状态量来表征。电动汽车动力电池是个典型的例子，当电动汽车动力电池容量衰减至额定容量的70-80％以下时，此动力电池已经失效，而当前时刻的容量值就是该动力电池的失效阈值。

目前，锂电池剩余寿命预测方法主要有两种：基于模型的方法和基于数据驱动的方法。基于模型的剩余寿命预测方法就是根据设备的性能、工作特性和工作过程，建立物理模型，再将样本数据输入到模型中，通过输入输出关系的转换算法得到预测数据。通常情况下，该预测方法主要使用故障机理模型进行锂离子电池的RUL预测。基于数据驱动，就是在预测过程中，只需要了解设备运行的历史数据，运用算法对这些数据进行研究分析，提出出其中有用的信息，作为输入，实现基于数据的模型预测。目前锂电池RUL的预测方法中使用到的通常有下面几种：支持向量机法，粒子滤波法，自回归模型法，人工神经网络法。近年来，人工神经网络法得到了越来越广泛的应用。人工神经网络法主要是利用历史数据对构建的网络模型进行训练，将待预测电池的具体数据输入到训练好的模型，便可得到电池的剩余寿命。但是，由于影响电池寿命的因素很多，很难从众多的影响因素中选出对电池寿命影响最显著的因素作为模型的输入变量，从而无法保证模型的预测精度，使预测结果不理想。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种动力电池寿命的智能预测方法及装置。

为了实现上述目的，本发明采用以下技术方案。

第一方面，本发明提供一种动力电池寿命的智能预测方法，包括以下步骤：

从电动汽车运行监控中心获取车辆状态数据及车载电池组数据；

对所述数据进行整合处理得到多种对电池寿命有影响的特征数据；

基于相关性对所述特征数据进行筛选，得到对电池寿命影响最显著的几种特征数据；

以筛选后的特征数据为输入、以电池寿命为输出，构建神经网络预测模型，利用训练好的预测模型对电池寿命进行预测。

进一步地，所述车辆状态数据及车载电池组数据包括：车辆编号，电池组总电压和总电流，SOC，电池单体最高电压和最低电压，正向累计电量，反向累计电量，总里程，运行时间，车速。

进一步地，所述方法还包括数据预处理步骤：剔除异常数据，补充缺失数据，区分充放电电流数据。

进一步地，所述对所述数据进行整合处理的方法包括：以同一种数据的不同统计量作为新的特征数据，以同一种数据的不同统计量的任意组合作为新的特征数据，所述统计量包括最大值、最小值、中值、平均值、方差和均方差。

进一步地，所述基于相关性对所述特征数据进行筛选的方法包括：

计算任意一个特征数据与电池寿命的相关系数，并对所述特征数据按照相关系数从大到小的顺序排序；