一种基于在线特征提取的汽车电池系统使用寿命检测方法

技术领域

本发明属于电动汽车电池寿命预测领域，具体涉及一种基于在线特征提取的汽车电池系统使用寿命检测方法。

背景技术

现有的电池SOH预测方法中，采用的模型输入参数比较单一，大多数是电池电压、电流、温度和容量，但是无法精准的涵盖影响电池SOH的因素，因此，本发明一种表征能源系统寿命的在线特征提取方法，通过分析电池故障单位时间发生的数目和次数、电池内阻值、车辆速度、单体电压最高值、单体电压最低值、电机电压与电池电压响应时间、电机电流与电池电流响应时间、交流充电时长、直流充电时长、电池温度平均值、充电能量值、放电能量值、充电功率值、放电功率值、乘员舱温度平均值、电池系统最低温度值、室外温度平均值、充放电变化频度与电池SOH之间的关系，进行高维度的特征工程，建立完备的高维特征量作为模型的输入数据集。

现在已有的技术中，使用传统的经验方法预测电池SOH，对于设备精度要求高、不适用电池在线预测，实用性不强；采用模型驱动的方法预测电池SOH，其中，电化学模型需要昂贵的设备费用建模，而且模型参数比较多，数据计算量大，等效电路模型需要通过数据对模型参数进行辨识，但是辨识过程比较困难，精度不高。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于在线特征提取的汽车电池系统使用寿命检测方法，该方法包括：实时获取待检测的电池数据，将该数据输入到训练好的汽车电池系统寿命检测模型中，得到检测结果；

对汽车电池系统寿命检测模型进行训练的过程包括：

S1、获取与电池状态相关的高维度特征；

S2、根据高维度特征建立特征工程，得到高维度特征数据集；

S3、对高维度特征数据集中的高维度特征进行预处理；

S4、将预处理后的高维度特征输入到LSTM网络，得到电池寿命预测结果；

S5、设置准确度阈值，计算电池寿命预测结果的准确度，将计算出的准确度与设置的准确度阈值进行比较，若小于设置的准确度阈值，则调整模型的超参数，并返回步骤S4，否则输出模型的超参数，完成模型的训练。

优选的，与电池状态相关的高维度特征包括：电池故障单位时间发生的数目和次数、电池内阻值、车辆速度、单体电压最高值、单体电压最低值、电机电压与电池电压响应时间、电机电流与电池电流响应时间、交流充电时长、直流充电时长、电池温度平均值、充电能量值、放电能量值、充电功率值、放电功率值、乘员舱温度平均值、电池系统最低温度值、室外温度平均值以及充放电变化频度。

优选的，对高维度特征进行预处理包括：对获取的高维度特征进行特征分类，其中分类的结果包括电池故障类特征、电池温度相关特征、电机与电流关系特征、电池内阻相关特征以及电池功率相关特征。

优选的，根据预处理后的高维度特征建立特征工程的过程包括：对预处理后的高维度特征数据集进行特征数据清洗，即删除异常数据和对缺失值进行增补；对特征数据进行归一化处理；对归一化后的数据进行进行降维处理，得到网络模型所需的输入特征数据集。

优选的，对高维度特征数据集中的高维度特征进行预处理包括：高维度特征数据集中的每个特征为一个序列，采用滑动时间窗对每个特征进行采样，得到指定长度的序列。

优选的，采用LSTM网络对预处理后的高维度特征进行处理的过程包括：LSTM网络包括四个LSTM网络层、两个Dropout层以及一个全连接层；其中第一LSTM网络层、第一Dropout层、第二LSTM网络层、第二Dropout层、第三LSTM网络层、第四LSTM网络层、全连接层依次按照顺序连接；预处理后的高维度特征经过第一LSTM网络层、第一Dropout层、第二LSTM网络层、第二Dropout层、第三LSTM网络层、第四LSTM网络层以及全连接层，得到电池寿命预测结果。

优选的，设置准确度阈值的过程包括：利用模型训练测试得到的结果与车俩电池的实际测量结果进行作差比较，根据90分位数所对应的误差值作为准确度的阈值结果。

本发明的有益效果：

本发明由于选择的输入特征是高维度-多特征属性的数据集，并且利用LSTM网络模型，将会有效提高预测的准确度，并且提高模型的鲁棒性和安全性，能够通过实车数据集，直接实现电池SOH高精度预测。

附图说明

图1为本发明的电池系统的出现故障的分解结构图；

图2为本发明的特征工程过程图；

图3为本发明的汽车电池系统寿命检测模型训练流程图；

图4为本发明的LSTM网络结构图；

图5为本发明的LSTM网络模型处理数据的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于在线特征提取的汽车电池系统使用寿命检测方法，该方法包括：实时获取待检测的电池数据，将该数据输入到训练好的汽车电池系统寿命检测模型中，得到检测结果；如图3所示，对汽车电池系统寿命检测模型进行训练的过程包括：

S1、获取与电池状态相关的高维度特征；

S2、根据高维度特征建立特征工程，得到高维度特征数据集；

S3、对高维度特征数据集中的高维度特征进行预处理；

S4、将预处理后的高维度特征输入到LSTM网络，得到电池寿命预测结果；

S5、设置准确度阈值，计算电池寿命预测结果的准确度，将计算出的准确度与设置的准确度阈值进行比较，若小于设置的准确度阈值，则调整模型的超参数，并返回步骤S4，否则输出模型的超参数，完成模型的训练。

选取与电池状态相关的高维度特征包括：利用实车行驶测试过程，进行电池充放电数据采集，并采集车身对电池SOH影响的电池系统内在属性和外部环境等数据，通过CAN报文协议，转换为实验数据；其中需要采集的数据包括：电池故障单位时间发生的数目和次数、电池内阻值、车辆速度、单体电压最高值、单体电压最低值、电机电压与电池电压响应时间、电机电流与电池电流响应时间、交流充电时长、直流充电时长、电池温度平均值、充电能量值、放电能量值、充电功率值、放电功率值、乘员舱温度平均值、电池系统最低温度值、室外温度平均值、充放电变化频度。

在本实施例中，如图2所示，根据高维度特征建立特征工程包括：整个特征工程的进行是根据电动汽车整车控制系统部件(Vehicle Control Unit)、电池管理系统(BatteryManagement System)与电机控制单元(Motor Control Unit)之间的关系分析为基础；从电池系统角度出发，利用与电池状态相关的高维度特征建立特征工程。

对于电池系统故障特征，如图1所示。动力电池系统分解后各部分可能出现的故障类型有执行器故障(BMS硬件故障、接触器故障)、系统及部件故障(内部短路故障、外部短路故障、过充电故障和过放电故障、连接件故障、不一致故障、绝缘故障、热管理系统故障)和传感器故障等等。充分考虑所有可能发生的故障类型和数目是进行电池系统健康状态特征分析的基础；所以电池系统故障在单位时间内发生的种类多少，是影响电池SOH的重要的特征；另外，电池系统故障在单位时间内发生的次数，也将影响到电池SOH值。电池故障在单位时间内发生的次数越多，或者发生的种类越多，则对电池SOH的影响越大。所以提取的特征是电池系统故障在单位时间内发生的次数，以及电池系统故障在单位时间内发生的种类数。

交流内阻值的变化，会对电池SOH值的变化产生影响，由于交流内阻值，无法准确的测量得到，需要利用等效电路模型求解交流内阻值，随着电池充放电次数的增加，电池的交流内阻值会逐渐增大，电池的SOH值降低；电池的SOH值可以根据当前电池容量值与出厂时电池容量的比值定义；所以当电池内阻增加，电池容量发生变化，导致电池SOH值发生变化。所以提取的特征是电池的交流内阻值。

电池放电功率平均值在单位时间内的下降梯度的变化，对电池SOH有影响；首先电池的功率计算需要根据电池的电压和电流，涉及到电压与电流的采集问题，采集的方法有两种，一种是通过测量设备实际测量的电压值、电流值；另外一种是电机控制器所输出的电压值、电流值；电池的放电功率为：

P＝UI

其中，P电池的放电功率值，U电池的放电时采集的电压值，I电池放电时采集的电流值。

功率的梯度指的是对时间的求导，即电池功率的梯度为ΔP/Δt，下降梯度即为(ΔP/Δt)′，分析(ΔP/Δt)′与电池SOH的关系；电池充电功率平均值在单位时间内的下降梯度同样会对电池SOH产生影响。所以提取的特征是电池充电功率平均值在单位时间内的下降梯度值，以及电池充电功率平均值在单位时间内的下降梯度值。

电机电压和电池电压响应时间差值的变化会对电池SOH产生影响，电机电压值指的是从电机控制器所测量得到的电压值，电池电压值指的是实际通过测量仪器测量得到的电压值，两者随时间变化的曲线中，存在一个时间差值，定义为响应时间差值，建立等效电路模型，等效模型中的电阻和电容的变化会影响响应时间；电机电流和电池电流的响应时间差值的变化也会对电池SOH产生影响。所以提取的特征是电机电压和电池电压响应时间差值，以及电机电流与电池电流响应时间差值。

放电能量积分值会对电池SOH产生影响，在实验中，是可以做到一直满充满放，直至电池SOH低于80％，认定电池已经报废；但是在实际工况中，每次电动汽车的充电和放电，并不是满充满放模式，根据电池使用后，利用能量的累加和跟电池从出厂到报废所需的总能量值进行比较。

例如满放1000次之后电池SOH达到了80％，设置一次满放能量为A，则总的能量为1000A，在现实中，一次放电的能量为B

同一油门踏板深度下整车速度下降、上升梯度值的变化，会对电池SOH造成影响。给定同样的扭矩，但是扭矩的需求对于驾驶员和VCU而言，两者作出的行为不同，这种情况会对电池SOH造成影响；驾驶员给定T踏板深度，①如果电池是理想的，则会给VCU传递信号，VCU作出反应，在α时间达到要求；②当电池SOH变低时，VCU作出反应后，会在β时间达到要求；所以加减速度值跟电池SOH有关。

单体电池最高电压平均值、单体电池最低电压平均值都会影响电池SOH；其中，单体电池最高电压值指的是电池充电开始时的最高电压值和充电结束时的最高电压值；单体电池最低电压值指的是充电开始时的最低电压值和充电结束时的最低电压值；随着电池SOH的降低，电池充电开始时的电压值会变大，结束时的电压值会增大；根据这个变化，单体电池最高电压平均值、单体电池最低电压平均值与电池SOH存在关联。

温度通常被认为是影响电池健康状态的主要因素，温度对电池的性能有影响，高温会加速一些不可逆的化学反应发生，造成电池的活性物质减少，引起电池的老化和容量衰减，高温会加快电池电极的SEI膜增长，锂离子穿透SEI膜难度增加，等效为电池内阻增大；低温环境中，正极本身电子导电性比较差，低温环境下容易出现极化，从而降低电池容量；受低温影响，石墨嵌锂速度降低，容易在负极表面析出金属锂，充电后搁置时间不足而投入使用，金属锂无法全部再次嵌入石墨内部，部分金属锂持续存在负极的表面，极有可能形成锂枝晶，影响电池安全；所以电池系统的最低、最高温度平均值会影响电池SOH；进口温度值、出口温度值、单体电池温度值、乘员舱温度值、环境温度值均会影响电池系统温度值，因此，准确测量进口温度值、出口温度值、单体电池温度值、乘员舱温度值、环境温度值很关键。

电池快充和慢充次数会对电池SOH有关联，电池本身从出厂到电池报废期间可支持直流充电M次，支持交流充电N次，根据直流充电次数以及交流充电次数，可以建立与电池SOH的关系，因此，能够提取的特征是大于等于10分钟以上的直流充电次数和大于等于30分钟以上的交流充电次数。

LSTM网络结构如图4所示，使用LSTM网络做电池SOH预测模型，LSTM网络的输入数据为时序性数据，LSTM网络的输入数据需要满足：样品、时间步长、特征三个条件；其中一个样品就是一个序列，要求2提取的特征均是时间序列数据；采用滑动时间窗的方法提取指定长度的序列，确定时间步长，要求2中提取的高维度特征与电池SOH高度相关。提出的表征能源系统的在线特征符合LSTM网络模型的输入条件。电池的SOH值作为模型的输出。

如图5所示，采用LSTM网络对预处理后的高维度特征进行处理的过程包括：LSTM网络包括四个LSTM网络层、两个Dropout层以及一个全连接层；其中第一LSTM网络层、第一Dropout层、第二LSTM网络层、第二Dropout层、第三LSTM网络层、第四LSTM网络层、全连接层依次按照顺序连接；预处理后的高维度特征经过第一LSTM网络层、第一Dropout层、第二LSTM网络层、第二Dropout层、第三LSTM网络层、第四LSTM网络层以及全连接层，得到电池寿命预测结果。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。