本發(fā)明涉及鋰離子電池，具體是一種面向?qū)嵻囘\行數(shù)據(jù)的車云協(xié)同soh估計方法。

背景技術(shù)：

1、隨著人工智能、大數(shù)據(jù)、5g通信、車聯(lián)網(wǎng)等技術(shù)的發(fā)展，車端所采集的運行數(shù)據(jù)被實時上傳到云端，云端較高的算力和較強的存儲能力使得建立準(zhǔn)確和魯棒的soh估計模型成為可能，而云端所獲得的較準(zhǔn)確的soh估計結(jié)果也可以監(jiān)測車端soh估計結(jié)果。反過來，車端也可以基于更精細(xì)化的數(shù)據(jù)采集和更快的數(shù)據(jù)處理和響應(yīng)能力，為云端建立有效的soh估計模型提供準(zhǔn)確且必要的soc估計參考信息。因此，車云協(xié)同的soh估計策略能夠獲得更加穩(wěn)定可靠的soh估計結(jié)果，也使得基于車云協(xié)同的狀態(tài)估計逐漸成為電池狀態(tài)估計領(lǐng)域的研究熱點。

2、然而，現(xiàn)有工作中所提出的車云協(xié)同的soh估計方法仍然是傳統(tǒng)的soh估計方法，這些方法大都在云端建立深度學(xué)習(xí)模型以及在車端建立老化經(jīng)驗?zāi)Ｐ?，然后采用卡爾曼濾波算法將車端和云端所獲取的soh估計結(jié)果進行融合。而非恒流恒壓條件下的老化特征構(gòu)造、基于異構(gòu)數(shù)據(jù)的soh數(shù)據(jù)驅(qū)動建模等傳統(tǒng)soh數(shù)據(jù)驅(qū)動估計中的問題仍然存在，并且現(xiàn)有方法中大都基于實驗室理想的循環(huán)老化(如nasa公開的老化數(shù)據(jù)集)數(shù)據(jù)進行驗證，這顯然不符合真實世界中的實際駕駛環(huán)境。因此，車云協(xié)同soh估計研究應(yīng)面向真實世界的實際工況運行環(huán)境，且需考慮復(fù)雜充電模式和隨機運行條件下的老化特征構(gòu)造、異構(gòu)數(shù)據(jù)或有限數(shù)據(jù)驅(qū)動建模數(shù)據(jù)等條件下的數(shù)據(jù)驅(qū)動建模等問題。

技術(shù)實現(xiàn)思路

1、為解決背景技術(shù)存在的不足，本發(fā)明提供一種面向?qū)嵻囘\行數(shù)據(jù)的車云協(xié)同soh估計方法，它采用soh與δsoh的混合數(shù)據(jù)驅(qū)動建模策略，基于統(tǒng)計特征指標(biāo)構(gòu)造老化特征，并利用車云協(xié)同進行soh估計，更符合實際工況運行環(huán)境。

2、為實現(xiàn)上述目的，本發(fā)明采取下述技術(shù)方案：一種面向?qū)嵻囘\行數(shù)據(jù)的車云協(xié)同soh估計方法，包括以下步驟：

3、步驟一：soh與δsoh的混合數(shù)據(jù)驅(qū)動建模

4、soh數(shù)據(jù)驅(qū)動估計模型表征如下：

5、μsoh＝f(ψsoh,soh)?(1)

6、式中，f表示用于建立soh數(shù)據(jù)驅(qū)動估計模型的數(shù)據(jù)驅(qū)動估計算法，ψsoh表示所構(gòu)造的用于soh數(shù)據(jù)驅(qū)動的建模特征；

7、以soh的差分值δsoh作為建模目標(biāo)，δsoh數(shù)據(jù)驅(qū)動估計模型表征如下：

8、μδsoh＝f'(ψδsoh,δsoh)???????(2)

9、式中，f'表示用于建立δsoh數(shù)據(jù)驅(qū)動估計模型的數(shù)據(jù)驅(qū)動估計算法，ψδsoh表示所構(gòu)造的用于δsoh數(shù)據(jù)驅(qū)動的建模特征；

10、設(shè)計一種基于soh與δsoh的混合數(shù)據(jù)驅(qū)動估計模型，在車端和云端都建立soh數(shù)據(jù)驅(qū)動估計模型和δsoh數(shù)據(jù)驅(qū)動估計模型，表征如下：

11、

12、通過監(jiān)控滿充階段用于soh數(shù)據(jù)驅(qū)動估計模型的更新，所述滿充階段指充電過程的間隔荷電狀態(tài)δsoc≥80％，更新后的soh數(shù)據(jù)驅(qū)動估計模型所獲得的soh估計結(jié)果用來更新δsoh數(shù)據(jù)驅(qū)動估計模型所獲得的soh估計值，用δsoh數(shù)據(jù)驅(qū)動估計模型所獲得的soh估計值作為非滿充階段的soh估計結(jié)果；

13、步驟二：基于統(tǒng)計特征指標(biāo)的老化特征構(gòu)造

14、s2.1、面向soh數(shù)據(jù)驅(qū)動建模的老化特征構(gòu)造

15、a)用于構(gòu)造老化特征的統(tǒng)計特征指標(biāo)選擇

16、在soh數(shù)據(jù)驅(qū)動建模中，在選取代表數(shù)據(jù)離散程度的標(biāo)準(zhǔn)差、差異系數(shù)以及代表數(shù)據(jù)分布特征的偏度、峰度和峰偏比的基礎(chǔ)上，還選取代表數(shù)據(jù)離散程度的均值和四分位數(shù)以及代表數(shù)據(jù)混亂度的離散熵，共計八個基本統(tǒng)計特征指標(biāo)來構(gòu)造老化特征；

17、b)用于構(gòu)造老化特征的參數(shù)選擇

18、為保證所計算的老化特征值的有效性，將電流輸入到指數(shù)函數(shù)方程中，用于構(gòu)造老化特征的參數(shù)如下：

19、

20、式中，ut表示電池端電壓，it表示電池電流；

21、c)老化特征的具體計算方法

22、根據(jù)s2.1的a)中所選擇的構(gòu)造老化特征的統(tǒng)計特征指標(biāo)和s2.1的b)中所選擇的用于構(gòu)造老化特征的參數(shù)，基于實車運行工況數(shù)據(jù)的累積計算老化特征如下：

23、lsoh,k＝fea,j(da),da＝{xi,i＝1,...,k}????(5)

24、式中，lsoh,k表示面向soh估計第k時刻所計算的老化特征值，fea,j表示選擇的統(tǒng)計特征指標(biāo)，j＝1,...,m，m為統(tǒng)計特征指標(biāo)數(shù)量，da表示從第1時刻到當(dāng)前k時刻所累積的實車運行工況數(shù)據(jù)；

25、d)老化特征的在線增量計算

26、車端基于具有在線增量計算功能的均值、標(biāo)準(zhǔn)差、差異系數(shù)、偏度、峰度和峰偏比來構(gòu)造老化特征，用于車端soh數(shù)據(jù)驅(qū)動建模的六個相關(guān)老化特征的在線增量計算方程具體如下：

27、①基于均值所構(gòu)造老化特征的在線增量計算方程：

28、

29、其中，

30、

31、式中，表征第n時刻計算的均值指標(biāo)，表征第n+1時刻計算的均值指標(biāo)，xn+1為第n+1時刻的實車運行工況數(shù)據(jù)，n為從第1時刻到當(dāng)前時刻用于特征計算的數(shù)據(jù)個數(shù)；

32、②基于標(biāo)準(zhǔn)差所構(gòu)造老化特征的在線增量計算方程：

33、

34、其中，

35、

36、式中，表征第n時刻計算的標(biāo)準(zhǔn)差指標(biāo)，表征第n+1時刻計算的標(biāo)準(zhǔn)差指標(biāo)；

37、③基于差異系數(shù)所構(gòu)造老化特征的在線增量計算方程：

38、

39、其中，

40、

41、式中，表征第n時刻計算的差異系數(shù)指標(biāo)，表征第n+1時刻計算的差異系數(shù)指標(biāo)；

42、④基于偏度所構(gòu)造老化特征的在線增量計算方程：

43、

44、其中，

45、

46、式中，表征第n時刻計算的偏度指標(biāo)，表征第n+1時刻計算的偏度指標(biāo)；

47、⑤基于峰度所構(gòu)造老化特征的在線增量計算方程：

48、

49、其中，

50、

51、式中，表征第n時刻計算的峰度指標(biāo)，表征第n+1時刻計算的峰度指標(biāo)；

52、⑥基于峰偏比所構(gòu)造老化特征的在線增量計算方程：

53、

54、式中，表征第n+1時刻計算的峰偏比指標(biāo)；

55、s2.2、面向δsoh數(shù)據(jù)驅(qū)動建模的老化特征構(gòu)造

56、a)用于構(gòu)造老化特征的統(tǒng)計特征指標(biāo)選擇

57、使用s2.1的a)中所選擇的統(tǒng)計特征指標(biāo)來構(gòu)建用于δsoh數(shù)據(jù)驅(qū)動建模的老化特征；

58、b)用于構(gòu)造老化特征的參數(shù)選擇

59、車端δsoh數(shù)據(jù)驅(qū)動建模選擇電池的可測參數(shù)包括電壓、電流和溫度來構(gòu)造老化特征，云端δsoh數(shù)據(jù)驅(qū)動建模選擇電池的可測參數(shù)包括電壓、電流和溫度以及車輛的可測參數(shù)包括車速、車輛位置的經(jīng)度、車輛位置的緯度、加速踏板行程值和制動踏板行程值來構(gòu)造老化特征；

60、c)老化特征的具體計算方法

61、面向δsoh數(shù)據(jù)驅(qū)動建模，基于固定里程的實車運行工況數(shù)據(jù)計算老化特征如下：

62、lδsoh,k＝fea,j(d'a),d'a＝{xi,i＝k-m,...,k}??????(17)

63、式中，lδsoh,k表示面向δsoh估計第k時刻所計算的老化特征值，d'a表示基于固定里程，即k-m時刻到當(dāng)前k時刻所累積的實車運行工況數(shù)據(jù)，m表示數(shù)據(jù)窗口長度；

64、對于δsoh數(shù)據(jù)驅(qū)動建模，基于多項式擬合方程對車輛的行駛里程和基于電池參考容量獲得的soh參考值進行擬合，其中電池參考容量的計算方式基于電池的滿充階段計算如下：

65、

66、式中，capref表示電池參考容量，δq表示電池充電過程的充電電量；

67、從而在獲得電池老化平滑衰減曲線的基礎(chǔ)上，獲得具有真實物理意義的δsoh目標(biāo)建模值如下：

68、

69、式中，diff表示差分計算，poly表示多項式擬合方程，μmileage表示車輛行駛里程值，sohref表示基于電池參考容量獲得的soh參考值，計算方式如下：

70、

71、式中，capnor表示電池未老化時的標(biāo)稱容量；

72、d)老化特征的在線增量計算

73、由于δsoh數(shù)據(jù)驅(qū)動建模所構(gòu)造的老化特征與soh數(shù)據(jù)驅(qū)動建模所構(gòu)造的老化特征相同，故公式(6)～公式(16)中相關(guān)老化特征的在線增量計算方程同樣用于δsoh數(shù)據(jù)驅(qū)動建模的老化特征的在線增量計算；

74、步驟三：車云協(xié)同soh估計

75、s3.1、車云端的自監(jiān)控與模型更新

76、根據(jù)所獲得的soh參考值監(jiān)控車端和云端所建立的soh數(shù)據(jù)驅(qū)動估計模型和δsoh數(shù)據(jù)驅(qū)動估計模型的有效性，如果滿足下式條件，則需要更新soh數(shù)據(jù)驅(qū)動估計模型和δsoh數(shù)據(jù)驅(qū)動估計模型；

77、|sohref-sohcloud/sohvehicle|＞δ?(21)

78、式中，sohcloud表示云端所獲得的soh估計值，sohvehicle表示車端所獲得的soh估計值，δ為soh估計結(jié)果異常的設(shè)定閾值；

79、車端和云端還需要監(jiān)控基于所建立soh數(shù)據(jù)驅(qū)動估計模型獲得的soh估計結(jié)果與基于所建立δsoh數(shù)據(jù)驅(qū)動估計模型獲得的soh估計結(jié)果的差異，如果滿足下式條件，則表明獲得的soh估計結(jié)果在車端和云端存在顯著差異；

80、

81、在這種情況下，有必要確定當(dāng)前時刻和最后一次模型更新之間的時間間隔，在時間間隔小于等于半個月的情況下，基于δsoh數(shù)據(jù)驅(qū)動建模的soh估計結(jié)果可以作為當(dāng)前時刻的soh估計結(jié)果，反之，如果時間間隔大于半個月，將基于soh數(shù)據(jù)驅(qū)動建模得到的soh估計結(jié)果和基于δsoh數(shù)據(jù)驅(qū)動建模得到的soh估計結(jié)果的平均值作為該時刻的soh估計結(jié)果；

82、s3.2、車云端互監(jiān)控及協(xié)同soh估計策略

83、除了對車端和云端自身的監(jiān)控和模型更新外，還需要設(shè)計車端和云端的互監(jiān)控策略，以進一步保證車端和云端所獲得soh估計結(jié)果的有效性；

84、首先，當(dāng)無法經(jīng)歷電池的滿充階段而獲得準(zhǔn)確的soh參考值時，需要經(jīng)歷一個滿充階段對車端和云端的模型自我監(jiān)控和模型更新，將車端所獲取的soh估計結(jié)果和云端所獲取的soh估計結(jié)果之間的差異與設(shè)定的閾值進行比較，如下式：

85、|sohcloud-sohvehicle|＞δ?(23)

86、若公式(23)滿足，則需判斷云端所建立的模型是否在滿充階段進行了更新，如果已進行更新，則根據(jù)云端所獲得的soh估計結(jié)果更新車端的soh數(shù)據(jù)驅(qū)動估計模型，否則取車端和云端所獲得soh估計結(jié)果的平均值作為當(dāng)前時刻的soh估計值；若公式(23)不滿足，則不需要啟動車端和云端的模型更新。

87、進一步的，所述s2.1的a)中選擇構(gòu)造老化特征的統(tǒng)計特征指標(biāo)時，在八個基本統(tǒng)計特征指標(biāo)的基礎(chǔ)上，增加組合統(tǒng)計特征指標(biāo)包括：標(biāo)準(zhǔn)差*峰度、標(biāo)準(zhǔn)差/峰度、標(biāo)準(zhǔn)差*ln(峰度)、標(biāo)準(zhǔn)差/ln(峰度)、ln(標(biāo)準(zhǔn)差)*峰度、ln(標(biāo)準(zhǔn)差)/峰度、標(biāo)準(zhǔn)差*峰偏比、差異系數(shù)*ln(峰偏比)和差異系數(shù)/ln(峰偏比)。

88、進一步的，所述s3.1中soh估計結(jié)果異常的設(shè)定閾值δ取為2％或3％。

89、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

90、1、本發(fā)明方法充分考慮真實世界的實車運行工況條件，考慮了如多段恒流充電、異構(gòu)數(shù)據(jù)對數(shù)據(jù)驅(qū)動建模等因素的影響，更符合實際應(yīng)用中的soh估計；

91、2、本發(fā)明方法所構(gòu)造的老化特征考慮了在線增量計算功能，使得在實際應(yīng)用中所構(gòu)造的老化特征容易部署在車端；

92、3、本發(fā)明方法采用soh與δsoh的混合數(shù)據(jù)驅(qū)動建模策略，能夠保證在沒有充分建模數(shù)據(jù)的條件下仍可提供較穩(wěn)定的soh估計結(jié)果；

93、4、本發(fā)明方法可獲得穩(wěn)定的soh估計結(jié)果，有助于維護電池的安全使用并保障電動汽車的安全行駛。