一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法

技术领域

本发明涉及动力电池管理系统领域，特别涉及一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法。

背景技术

《节能与新能源汽车技术路线图2.0》的发布预示着新能源汽车步入了技术攻坚的发展阶段，锂离子电池作为新能源汽车中重要的储能元件，其可靠运行对新能源汽车低碳化、信息化、智能化具有至关重要的作用。

2020年动力电池全球装机量达到130GWh以上，而为了取得较大的电池容量和稳定的高电压输出，动力电池在新能源汽车中的应用主要通过模组或系统的组合。但动力电池运行工况复杂导致电池系统极易出现不一致性，会造成新能源汽车的行驶里程和运行安全性无法得到可靠保证。因此需要对电池健康状态提出有效的计算和评估方法。

目前基于模型的动力电池单体健康状态估计方法通常采用等效电路或电化学机理模型，等效电路模型由于动力电池在车载使用过程中，容量无法保持不变或以某一规律恒定变化，受到环境温度、充放电电流的影响，所以无法用等效电路模型准确表征车载动力电池的容量变化；电化学机理模型虽然理论精度较高，但最常用的DFN模型(Doyle-Fuller-Newman模型，一种从物质守恒和电荷守恒两个角度建模的经典电化学模型)需要至少36个参数，部分参数只能通过实验室数据获取或只能利用实验数据进行辨识，不具有通用性，无法使用实车数据真正在云端平台进行模型构建。总而言之，等效电路模型的方法虽然可对电池状态进行估算，但无法兼顾电池车载环境和充放电条件的影响，电化学模型方法计算复杂且几乎不存在通用性。

尽管机器学习方法在对动力电池单体的预测中能够起到较好地描述电池运行过程中健康状态的特征，但对于电池系统中的不一致性和随机性，仍然采用机器学习将面临巨大的计算量，在现实中不具备可行性。

传统的机器学习方式要求训练集、验证集以及测试集属于同一数据分布，导致锂离子电池数据的获取难度大、成本高，其健康失效概率的预测极大地依赖所获源数据，造成锂离子电池的健康状态预测无法同时兼顾准确度与可行性。因此可广泛应用的电池健康失效概率计算和健康失效图谱建立方法亟待提出。

发明内容

为了解决动力电池系统的健康失效概率预测无法同时兼顾准确度与可行性的问题，本发明提出一种基于机器学习的模型构建方法来计算动力电池健康失效概率以及获得动力电池健康失效图谱的方法。该方法首先对云端动力电池基本特征数据进行清洗和筛选，然后以清洗和筛选过后的电池基本特征数据为基础基于机器学习方法来获取动力电池不同单体的健康失效概率，最后基于动力电池单体健康失效概率数据，通过健康失效概率理论分析动力电池系统健康失效概率，进行动力电池系统健康失效概率计算，构建出电池系统健康失效图谱。

本发明的技术方案如下：

一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法，其特征在于，包括以下步骤：

S1、在车端采集动力电池单体历史数据上传至云端，对采样数据进行清洗与筛选，构建起可用于训练的数据集；

S2、在S1中所述数据集中获取包括循环次数、充电电压、充电电流、温度这四个动力电池单体运行特征参数，采用数据驱动的机器学习的方法来建立模型，通过对动力电池单体运行特征参数的历史数据进行训练构建动力电池单体容量模型，随后对动力电池容量人为划定电池健康失效条件，得到动力电池单体健康失效概率；

S3、基于云端平台动力电池系统的每一个动力电池单体运行特征参数的历史数据，分析系统内每一个动力电池单体的健康失效概率，通过上述单体电池健康失效概率数据和动力电池单体运行特征参数的历史数据，针对考虑不均衡的动力电池系统，利用健康失效概率分析方法得到动力电池系统内的健康失效概率数据；

S4、基于动力电池系统健康失效概率数据建立动力电池健康失效图谱。

优选地，步骤S1中所述对采样数据进行清洗和筛选，具体是指对于动力电池单体历史数据，去除数据丢失采样点、数据不连续采样点以及重复数据。

优选地，步骤S2所述采用数据驱动的机器学习的方法来建立模型是指，以动力电池单体运行特征参数为输入，以动力电池剩余容量为输出，采用基于高斯过程回归理论的机器学习构建高斯过程回归模型，即GPR模型，再通过高斯过程回归模型在MATLAB软件中实现的辅助工具包GPML来训练所述动力电池单体运行特征参数历史数据，构建起动力电池单体容量模型。

优选地，步骤S2中所述对动力电池容量人为划定电池健康失效条件是指，对于电池单体，健康失效概率计算公式为：

R(λ)＝e

其中λ为动力电池单体失效率，人为划定其中

优选地，步骤S3所述计算系统不同功能位置处的动力电池单体健康失效概率集合，是基于健康失效概率分析理论对所述动力电池单体健康失效概率集合进行计算来评估动力电池系统的健康失效概率，具体是指，利用步骤S2中获得的单体动力电池动力电池单体容量模型，来分析系统内每一个动力电池单体，从而获得完整动力电池系统的各部分电池健康失效概率数据，然后针对i并j串的动力电池系统建立电池可靠性框图模型，即RBD模型，所述 RBD模型为面向动力电池退化过程中的各个稳定状态，所述模型通过先进行并联计算再进行串联计算，得到i并j串的动力电池系统的电池健康失效概率数据。

优选地，步骤S4所述基于动力电池系统健康失效概率数据建立的动力电池系统健康失效图谱在未来应用预测时动力电池系统运行特征参数的选取与动力电池单体运行特征参数选取相同。

本发明的有益效果为：

本发明提出一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法，该方法综合利用云平台动力电池特征参数精确和机器学习无需获取动力电池内部机理参数的特点，采用数据驱动方法建立电池系统的健康失效概率，从而摆脱了对传统多物理场耦合模型建模过程需要的大量物理参数的依赖性，减少实验测试量。基于模型的动力电池容量估计方法通常采用等效电路或电化学机理模型，但动力电池在车载使用过程中，容量无法保持不变或以某一规律恒定变化，受到环境温度、充放电电流的影响，无法用模型准确表征车载动力电池的容量变化。机理模型虽然理论精度较高，但最常用的DFN模型需要至少36个参数，部分参数只能通过实验室数据获取或只能利用实验数据进行辨识，不具有通用性，无法真正使用在云端平台的模型构建，使之无法真正应用于实际场景。总而言之，模型的方法虽然可对电池状态进行估算，但无法兼顾电池车载环境和充放电条件的影响，高精度的模型计算复杂且几乎不存在通用性。本发明在构建动力电池单体模型时采用基于机器学习的方式，可以利用云端平台采集的少量的车载数据参数，避免了模型庞大的参数辨识工作，在本身机器学习方法具备的准确性的基础上兼顾了可行性。

本发明提出的一种基于机器学习的电动汽车动力电池健康失效概率计算与健康失效图谱建立方法，可以针对动力电池系统随机性和不确定性高的问题，通过系统健康失效概率分析方法进行健康失效概率建模、分析、评价、设计等。尽管机器学习方法在对动力电池单体的预测中能够较好地描述电池运行过程中容量，但对于电池系统中的不一致性和随机性，仍然采用机器学习将面临巨大的计算量，在现实中不具备可行性。利用健康失效概率分析理论对电池系统的健康失效概率进行量化分析，考虑到了电池系统真实工况下的不一致性，较好的描述电池系统寿命，准确评估车载电池的运行能力。这种情况下，机器学习所需的参数仍为单体容量预测的参数量，而利用健康失效概率分析理论进行电池系统的容量分析，有效避免了整个系统庞大的训练数据量。

附图说明

图1为本发明实现流程示意图。

图2为动力电池单体健康失效概率图。

图3为RBD模型编号及排列示意图。

图4为动力电池系统健康失效图谱。

具体实施方式

下面结合附图对本发明进行说明。

本发明涉及一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法，该方法的流程图如图1所示，包括：

该方法首先对云端动力电池单体基本特征数据进行清洗和筛选，然后基于机器学习的方式来评估动力电池单体健康状态并进而得出单体电池健康失效概率，利用云端平台采集的车载数据(电流、电压、温度、时间等)并来避免现有模型中庞大的参数辨识工作，并且可以直接使用云端电池数据进行训练。针对动力电池系统的健康失效概率，我们利用健康失效概率分析理论，通过计算系统不同功能位置处的动力电池单体健康失效概率集合，从而获得完整系统的各部分电池数据，叠加系统各单体电池的健康失效概率，对系统的健康失效概率进行量化分析，得到电池系统失效概率图谱。

通过详细说明一个较佳的具体实施案例，对本发明做进一步阐述。

S1、在车端采集动力电池单体历史数据上传至云端，对采样数据进行清洗与筛选，构建起可用于训练的数据集；

S2、在S1中所述数据集中获取包括循环次数、充电电压、充电电流、温度这四个动力电池单体运行特征参数，这四个参数的选择是通过经验数据获得，采用数据驱动的机器学习的方法来建立模型，通过对动力电池单体运行特征参数的历史数据进行训练构建动力电池单体容量模型，随后对动力电池容量人为划定电池健康失效条件，得到动力电池单体健康失效概率；

S3、基于云端平台动力电池系统的每一个动力电池单体运行特征参数的历史数据，分析系统内每一个动力电池单体的健康失效概率，通过上述单体电池健康失效概率数据和动力电池单体运行特征参数的历史数据，针对考虑不均衡的动力电池系统，利用健康失效概率分析方法得到动力电池系统内的健康失效概率数据；

S4、基于动力电池系统健康失效概率数据建立动力电池健康失效图谱。

步骤S2所述对数据集分析选取对电池剩余容量影响较大的特征参数为输入，以动力电池剩余容量为输出，通过机器学习建立动力电池寿命模型实现电池容量衰退预测，以动力电池单体寿命可靠性为输出建立动力电池单体寿命可靠性模型，具体包含：

S21、所述采用数据驱动的机器学习的方法来建立模型包括但不限于向量机、高斯回归等随机统计方法以及长短时记忆神经网络、随机森林、模拟退火、粒子群分析等深度学习方式，优选的，本实施例采用基于高斯过程回归理论的机器学习构建GPR模型，高斯过程具有泛化能力强、超参数自适应获取等优点，可以实现任意线性或非线性的系统的动态行为建模预测，并且可以给出预测结果的置信区间。其核心公式为：

其中，σ

S22、所述对特征参数进行训练构建动力电池单体容量模型，得到动力电池单体健康失效概率是指，挑选对电池容量影响较大的特征参数来对基于高斯过程回归理论的机器学习构建的GPR模型进行训练，优选的，本本实施例中采用某一时刻温度、充电电压、充电电流和循环次数作为特征参数，并且根据具体位置的过渡状态和初始状态，得到单体电池在工况和时间节点下的容量，通过MATLAB工具包GPML训练上述4个特征参数，构建起动力电池单体容量模型。GPML(Gaussian process for machine learning)为高斯过程回归在MATLAB软件中实现的工具包，最初为机器学习高斯过程实现过程，同时在吸收整合最新研究成果时不断更新。表1为对GPR模型进行数据训练的训练数据，动力电池单体数据均来源于实车数据收集筛选后上传到的云端平台。

表1

表2为对既得GPR模型进行数据辨识得到的电池容量数据结果。

表2

对于这一电池单体，健康失效概率计算公式为：

R(λ)＝e

其中λ为动力电池单体失效率，在本例中

步骤S3计算系统不同功能位置处的动力电池单体健康失效概率集合，基于健康失效概率分析理论对所述动力电池单体健康失效概率集合进行计算来评估动力电池系统的健康失效概率，具体包含：

S31、优选的，针对i并j串的锂离子电池系统建立电池RBD模型，本实施例中选用6串3并的锂离子动力电池系统建立RBD模型面向锂离子电池退化过程中的各个稳定状态，通过RBD模型进行系统健康失效概率分析，本实施例中构建的RBD模型及编号如图3所示；

基于步骤S22中获得的动力电池单体容量模型，分析系统内每一个动力电池单体，从而获得完整动力电池系统的各部分电池数据，本实施例选择上述RBD模型，分别对18个电池进行动力电池单体容量模型构建，得到各个动力电池单体健康失效概率；

S32、根据RBD模型，若已知各电池单体失效率分别为λ

R

λ

从而系统电池健康失效概率为

根据健康失效概率R(t)计算公式，可以得到上述系统在不同循环位置健康失效概率，如表3所示

表3

步骤S4所述基于动力电池系统健康失效概率模型建立动力电池健康失效图谱，具体包含：

根据步骤S3中所述的动力电池健康失效概率计算方法，可以得到本实施例中电池系统中每一个电池的健康失效概率以及电池系统的整体健康失效概率，在本实施例中，通过提取每100次循环后的单体电池健康失效概率，如表3所示，然后绘制系统内每一个单体电池健康失效概率散点图。对得到的单体动力电池健康失效概率散点图，采用最小二乘法计算健康失效概率的变化斜率，可用于快速估计系统内单体电池在某一循环数下时的电池健康失效概率，也可以通过单体电池健康失效概率散点图来针对动力电池系统性能衰减进行预测，电池衰减的衡量标准可以按照电池工作量(循环次数)电池工作性能(剩余容量)等作为评估标准，基于动力电池工作的实际情况(如电池规模大小、电池单元尺寸、充放电、退化特点等) 和工程需要，预测出动力电池在不同工况条件下的循环衰减情况，获取动力电池系统的剩余容量和概率状态函数，从而构建起动力电池的健康失效概率图谱。该图谱可以应用于电池系统剩余使用寿命预测、电池衰减性能预测以及电动汽车可靠度评价等方面，对上述实施例中电池系统进行衰减图谱预测和失效评估，所得动力电池健康概率失效图谱如图4所示，未来可利用该失效图谱来进行动力电池健康失效概率预测。

应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。