一種動力電池剩餘使用壽命的預測方法與流程
2023-11-10 01:00:17 1
本發明屬於純電動汽車電池管理領域，具體涉及一種動力電池剩餘使用壽命的預測方法。
背景技術：
目前，對於新能源汽車的電池管理系統，我們主要是將工作的重點放在了對電池管系統的監控作用上，做到了安全事故「早發現、早預防」，能夠提高新能源汽車的安全性和可靠性。但是對於新能源汽車電池使用過程中的監測卻鮮有提及。
現有技術存在對一個設備或系統的剩餘使用壽命(rul，remainingusefullife)進行估計和預測，學術上稱之為預測與健康管理技術(prognosticsandhealthmanagement,phm)。其中，預測是phm中核心內容和技術挑戰。剩餘壽命預測對於系統設備的維護是必不可少的重要信息，根據rul預測結果的分析對系統設備進行良好的管理，可以提高系統或設備可用性和可靠性，同時降低或避免故障造成的重大損失。但目前對於新能源汽車中的動力鋰電池卻沒有系統的剩餘壽命預測機制。
技術實現要素：
針對現有技術中存在的不足，本發明把剩餘使用壽命(rul)的概念，引入動力鋰電池領域，通過預測動力鋰電池的剩餘使用壽命，來預測動力鋰電池的安全性故障，使電動汽車具有更高的可靠性和安全性。
本發明採用下面的技術方案：
一種動力電池剩餘使用壽命的預測方法，獲取電動汽車每次行車時的動力電池狀態數據，建立人工神經網絡模型，將所述動力電池狀態數據作為人工神經網絡模型的輸入，訓練人工神經網絡模型的訓練參數；獲取待測電動汽車中的動力電池狀態數據，作為具有訓練參數的人工神經網絡的輸入，根據人工神經網絡的輸入輸出映射關係，得到人工神經網絡的輸出，即動力電池剩餘使用壽命的預測結果。
進一步的，所述動力電池狀態數據包括動力電池總電壓、動力電池的平均溫度、動力電池充放電電流、單節動力電池的soc、單節動力電池的電芯電壓和單節動力電池的soh。
進一步的，所述人工神經網絡模型的建立具體採用：建立n層人工神經網絡，其中只有一層隱含層，設置每層的節點數，根據傳輸函數和訓練函數建立人工神經網絡模型。
進一步的，所述n層人工神經網絡具有輸入層和輸出層，輸入層的節點數為6，輸出層的節點數為1；隱含層的節點數根據下式確定：
式中：n為隱含層的節點數；ni輸入節點數；n0為輸出節點數；a為1—10之間的常數。
進一步的，所述動力電池剩餘使用壽命的預測結果包括：根據所述具有訓練參數的人工神經網絡預測得到動力電池剩餘容量達到失效時所對應的動力電池充放電次數，根據電池循環壽命原理，得到動力電池剩餘使用壽命的預測結果。
進一步的，獲取所述動力電池所有單節電池的soc值，對其做平均化處理，採用最接近平均soc值的單體電池soc值作為動力電池狀態數據之一。
進一步的，獲取所述動力電池所有單節電池的電芯電壓，對其做平均化處理，採用最接近平均電芯電壓值的單體電池電芯電壓值作為動力電池狀態數據之一。
進一步的，獲取所述動力電池所有單節電池的soh值，對其做平均化處理，採用最接近平均soh值的單體電池soh值作為動力電池狀態數據之一。
進一步的，所述人工神經網絡模型具有傳輸函數，用於層與層之間的數據轉換與傳輸。
進一步的，所述人工神經網絡模型具有訓練函數，用於基於作為輸入和輸出的動力電池狀態數據、動力電池剩餘使用壽命，訓練人工神經網絡模型的參數。
本發明的有益效果：
本發明引入剩餘使用壽命(rul)的概念，採集影響動力鋰電池剩餘使用壽命的六大影響因素，建立動力鋰電池剩餘使用壽命的人工神經網絡模型，採用上述六大影響因素進行參數訓練，建立動力鋰電池剩餘使用壽命的預測方法。通過具體的實驗，測試結果顯示了人工神經網絡模型的可靠性，其誤差均在理想的範圍之內，說明了本預測方法的先進性。
附圖說明
圖1為本發明的方法流程圖；
圖2為本發明的人工神經網絡模型示意圖；
圖3為本發明人工神經網絡的訓練過程圖a；
圖4為本發明人工神經網絡的訓練過程圖b；
圖5為本發明人工神經網絡的訓練過程圖c；
具體實施方式：
下面結合附圖與實施例對本發明作進一步說明：
應該指出，以下詳細說明都是例示性的，旨在對本申請提供進一步的說明。除非另有指明，本文使用的所有技術和科學術語具有與本申請所屬技術領域的普通技術人員通常理解的相同含義。
需要注意的是，這裡所使用的術語僅是為了描述具體實施方式，而非意圖限制根據本申請的示例性實施方式。如在這裡所使用的，除非上下文另外明確指出，否則單數形式也意圖包括複數形式，此外，還應當理解的是，當在本說明書中使用術語「包含」和/或「包括」時，其指明存在特徵、步驟、操作、器件、組件和/或它們的組合。
本發明的一種典型實施例是一種動力電池剩餘使用壽命的預測方法，如圖1所示，本實施例選取三星18650電芯的電池包為研究對象，該電池包為51並95串的電芯，額定容量為112.2ah。
動力鋰電池剩餘使用壽命的影響因素包括總電壓、溫度、充放電電流、單節電池soc、單節電池電芯電壓、單節電池soh六大要素。
(1)總電壓，表示為xv：總電壓的範圍在285v到389.5v之間，電池包為95串三元材料鋰電池，總電壓的高低代表著電池包充放電的深度；
(2)溫度，表示為xt：溫度範圍在-30℃到70℃，對該電池包設置了有20個溫度採集點，以設定距離均勻分布在這51並95串的電芯中，我們取選取電池包正中間的溫度t11為代表；
(3)充放電電流，表示為xi：電流範圍-0.2c到2c，充電為負值，放電為正值；
(4)電池包的soc，表示為xs：選取能夠代表大多數單節電芯的soc，選取的是第20串的；
(5)電芯電壓，表示為xc：選取能夠代表大多數單節電芯的電芯電壓，選取的是第20串的，與soc選取的一致；
(6)電池的soh，表示為xh：選取第20串，與soc、電芯電壓選取的一致，本發明選取的電池包為51並2.2ah的電池，容量為112.2ah。
動力鋰電池剩餘使用壽命，標識為yc，選取的電池循環使用壽命理論為800次循環，每次充放電減少一次，yc＝(800-循環次數)/800。
下面通過實驗來驗證本實施例提出的這種方法：
採樣數據為實車跑路數據，按照上述原則，通過後期篩選形成，部分數據見表1.
表1動力鋰電池剩餘使用壽命數據採集表
本實施例採用人工神經網絡結構圖如圖2，人工神經網絡能學習和存貯大量的輸入-輸出模式映射關係,而無需事前揭示描述這種映射關係的數學方程。
人工神經網絡的輸入值input：x＝{xv，xt，xi，xs，xc，xh}；
人工神經網絡的輸出值output：預測電池壽命與預測電池的剩餘容量是等價的，電池剩餘容量達到失效值時所對應的充放電次數即為電池的循環壽命，輸出值記為yc。
人工神經網絡建立的步驟：
1)網絡層數：建立神經網絡，首先要預先確定網絡的層數，在不限制隱含層節點數的情況下，本實施採用兩層(只有一層隱含層)的神經網絡，即可以實現任意非線性映射。
2)確定輸入層的節點數，本實施例中人工神經網絡的輸入為總電壓、溫度、充放電電流、soc、電芯電壓、soh等六大要素，所以節點數為6。
3)確定輸出層的節點數，本實施例中人工神經網絡的輸出為動力鋰電池剩餘使用壽命，節點數為1。
4)確定隱層的節點數：對於模式識別的神經網絡，隱含層的節點數參照下面的公式進行設計：
式中：n為隱含層的節點數；ni輸入節點數；n0為輸出節點數；a為1～10之間的常數，選取的隱含層節點數為5。
5)傳輸函數：根據需要選用s(sigmoid)型函數、純線性(pureline)函數等函數。
6)訓練函數：通過需要選用bp神經網絡選連函數，或其他的訓練函數，優化數據，達到訓練目的。
根據充放電循環採集到的輸入值和對應的輸出值，訓練神經網絡的參數，在達到設定的訓練結束參數後，停止訓練，得到訓練參數。人工神經網絡訓練過程中的參數圖，見圖3至圖5。
圖3為人工神經網絡的訓練過程中的訓練結束參數；圖4為人工神經網絡的訓練過程中的訓練狀態；圖5為人工神經網絡的訓練過程中的回歸圖。
通過實車跑路，再採集10組數據，利用新採集的10組數據，作為測試輸入變量，進行驗證，得到結果見表2。
由表2可以看出，根據動力電池總電壓、動力電池的平均溫度、動力電池充放電電流、單節動力電池的soc、單節動力電池的電芯電壓和單節動力電池的soh這六大影響因素數據，得到測試結果，與採集到的數據比較，誤差率基本上能控制在±3％以內，從而實現了通過採集總電壓、溫度、充放電電流、soc、電芯電壓、soh等六大要素數據，預測動力鋰電池剩餘使用壽命的目的，為提高動力鋰電池的安全性和可靠性提供了依據。
表2動力鋰電池剩餘使用壽命仿真驗證表
本發明引入剩餘使用壽命(rul)的概念，採集影響動力鋰電池剩餘使用壽命的六大影響因素，建立動力鋰電池剩餘使用壽命的人工神經網絡模型，採用上述六大影響因素進行參數訓練，建立動力鋰電池剩餘使用壽命的預測方法。通過具體的實驗，測試結果顯示了人工神經網絡模型的可靠性，其誤差均在理想的範圍之內，說明了本預測方法的先進性。
以上所述僅為本申請的優選實施例而已，並不用於限制本申請，對於本領域的技術人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本申請的保護範圍之內。