[发明专利]基于大数据预测SOC的电池数据预处理系统及方法

说明书

本发明公开了基于大数据预测SOC的电池数据预处理系统，在电池未发生热失控故障时，判断t时刻电池温度采样值Csubgt;t/subgt;是否在正常温度区间，若t时刻电池温度采样值Csubgt;t/subgt;不在正常温度区间，则t时刻电池温度采样值Csubgt;t/subgt;为温度伪值，确定修正后的电池温度BTsubgt;t/subgt;；若在电池未发生热失控故障时，t时刻电池温度采样值Csubgt;t/subgt;在正常温度区间，则判断|Csubgt;t/subgt;‑（Csubgt;t‑1/subgt;+Csubgt;t+1/subgt;）/2|是否大于设定温度阈值A；如果是则设定温度阈值A则t时刻温度采样值Csubgt;t/subgt;为温度伪值；否则t时刻温度采样值Csubgt;t/subgt;为正常温度值，不进行电池温度数据预处理。本发明提出结合动力电池实际工况的电池数据预处理方法，以增强预测模型的鲁棒性，提高电池SOC的预测精度。

技术领域

本发明涉及动力电池技术领域，具体地指一种基于大数据预测SOC的电池数据预处理系统及方法。

背景技术

随着环境污染的加重与石化能源危机的加深，节能、环保的新能源电动汽车得到了发展与普及。而作为电动汽车动力源的动力电池，需求与要求越来越大也越来越高。锂离子电池因具备能量密度高、功率大、电压平台高、自放电率低以及无记忆效应等优势，成为主流的车用动力电池。因为电动汽车的能量全部或大部分来自动力电池，所以动力电池性能状态直接影响到整车动力性经济型安全性。电池SOC(State of Charge，电池荷电状态)是动力电池的一个关键参数，它是电池剩余能量的衡量指标，是防止电池过充、过放以及整车能量控制的重要参考依据，因而SOC的预测显得非常重要。

动力电池SOC预测方法分为传统预测方法与基于大数据的智能预测方法，传统预测方法主要有放电法、开路电压法、电化学阻抗法、安时积分法、神经网络以及卡尔曼滤波法等，目前车载BMS采用传统预测方法，由于受制于BMS的算力以及数据样本量少的缘故，电池SOC的传统预测方法精度较差。基于大数据的智能预测方法是指获取电池海量性能数据，通过大数据分析方法，导入电池神经网络模型不断进行数据训练，优化来预测电池SOC。该方法由于不断进行迭代运算且能模拟电池的非线性的外特性，精度高，目前成为研究热门的电池SOC预测方法。

目前基于大数据的动力电池SOC预测方法的技术方案一般为：首先获取电池的电压、温度、电流的海量数据，并对数据进行处理；然后将数据进行特征提取，并对数据进行划分为训练集和验证集；最后构建基于输入层、隐藏层和输出层的神经网络模型，将训练集数据作为输入层代入模型运算，输出预测值，并将输出层结果与验证集比较，根据比较差值调整模型参数，进而不断训练模型，迭代模型参数以达到最终预期的预测结果。

现有技术目前关于电池数据预处理方案就是对采集的电池电流、温度、电压数据简单进行空值、无效值剔除，没有考虑空值的补位，也没有考虑数据本身的真伪判断。这样没有经过细化预处理的电池数据导入神经网络模型，一方面会增加预测时间、影响模型的鲁棒性，另一方面也会增大预测误差、降低预测精度。

发明内容

本发明的目的就是要提供一种基于大数据预测SOC的电池数据预处理系统及方法，本发明提出结合动力电池实际工况的电池数据预处理方法，以增强预测模型的鲁棒性，提高电池SOC的预测精度。