一种基于AI深度学习的电池生命预估方法

技术领域

本发明属于人工智能技术领域，具体涉及一种基于AI深度学习的电池生命预估方法。

背景技术

纯电动汽车(BEV)包括增程混动(REEV)/插电混动(PHEV)，以及混动(HEV)是汽车这种移动交通的未来，世界各国每年都以推动更高的电动汽车渗透率为目标。在这其中，电池是其成本最昂贵和重要的零部件，占电动汽车总成本的30-50％之间。非常明显的是，车辆的操作和运行条件不仅影响车辆(电池)的行驶里程，还影响电池的使用寿命。由于充电基础设施不足和电池容量限制，里程焦虑一直是导致电动汽车不被广泛接受或者犹豫不决的关键问题。与此同时，支持电池长期保修、客户更换故障电池的高成本、缺乏充电基础设施以及可靠性低等等也一直是困扰行业的大问题。这些问题的解决这一直是主机厂OEM和汽车行业关注的重点。类似的担忧也导致大型租赁车队管理公司放弃了向电动汽车车队的转换计划，或者是不同企业试图推出换电的模式等。

考虑到电池是促进电动汽车完美运行的关键，电池的性能必须精细测量和谨慎全面地审查，以提高能量密度，降低成本并延长使用寿命。因此，准确估计电池的健康状况(SOH)和充电状态(SOC)等参数就变得至关重要。

SOC是剩余电池容量的衡量标准，在充电控制和行驶里程预测等车辆应用中非常重要。众所周知，不准确的SOC估计将会引起用户不满，导致由于电池消耗引起的故障，促发车辆性能低下以及电池过早失效等，因此，SOC精度就成为掌握电池当前状态的关键参数。传统的SOC估计方法是基于模型的方法先建立电化学模型或等效物理模型，再利用卡尔曼滤波算法进行估算，即从充满误差的数据里寻找电池的最优状态值，该方法的优点是可以尽量减小测量噪声带来的估算误差，缺点是针对如何最好地利用它们来延长电池的寿命和在多长时间的时间内解决这样的问题，没有特别有效的解决方案，因此，我们需要提出一种基于AI深度学习的电池生命预估方法来提高SOC估计的准确性。

发明内容

本发明的目的在于提供一种基于AI深度学习的电池生命预估方法，通过采用基于物理模型的方法计算的参考能量值来估计RUL，提高了RUL的估算准确性和精度，其中的第二层AI/ML混合算法，它跟踪随时间变化的参数，并应用智能来了解它将以多快的速度降级或达到使用寿命，提供了对驾驶模式、电池运行时间和续航里程的洞察，并允许无线刷写校准更新，最大限度的提高客户满意度，以解决上述背景技术中提出的问题。

为实现上述目的，本发明采用了如下技术方案：

一种基于AI深度学习的电池生命预估方法，包括如下步骤：

S1、基于电池的物理参数模型通过SOH模块对电池SOH准确估算，获得SOH估算值；

S2、基于电池的混合模型对电池SOC准确预估，获得SOC估算值；

S3、根据SOH估算值和SOC估算值使用AI/ML深度学习架构进行剩余有用寿命预测，获得完整电池预测生命周期。

优选的，步骤S1中，所述物理参数模型是基于电压、充放电电流和内阻参数的等效应物理模型，所述SOH模块对电池SOH进行估算时采用参数驱动方法或数据驱动方法进行SOH的计算，其中参数驱动方法是基于特征的预测是利用电池老化过程中所表现出来的特征参量的演变，建立特征量与电池寿命之间的对应关系用于寿命预测；数据驱动方法是利用电池性能的测试数据，从数据中挖掘出电池性能演变的规律用于寿命预测。

优选的，所述SOH模块采用参数驱动方法进行SOH预估的步骤如下：

A1、在电池循环寿命的不同阶段测量阻抗谱曲线，获得电池等效电路模型形式；

A2、根据电池等效电路模型形式分析循环次数的等效电路模型中溶液电阻、传荷电阻及Warburg阻抗参数的影响规律，获得预估参数；

A3、根据预估参数给出等效电路模型中各参数随电池循环次数变化的拟合公式；

A4、根据拟合公式计算电池循环寿命。

优选的，所述SOH模块采用数据驱动方法进行SOH预估的步骤如下：

B1、神经网络模型的建立，神经网络模型包含输入层、掩藏层和输出层；

B2、SOH标签数据获取，电池SOH通过等效电路模型参数变化或电池容量变化计算；

B3、训练数据获取及目标函数，电池老化因素包括SOC、负载、环境温度、湿度、化学反应的内部因素和外部因素，列出因部因素和外部因素的影响因素并评估对电池剩余使用寿命；

B4、估算验证结果。

优选的，步骤2中，所述混合模型包括数据输入模块、计算时间间隔模块、计算充放电倍率及电流符号模块、SOC估算模块和结果输出模块，所述数据输入模块、计算时间间隔模块、计算充放电路倍率及电流符号模块和结果输出模块均与SOC估算模块电性连接。

优选的，所述数据输入模块包括时间输入单元、电压输入单元、电流输入单元、容量输入单元和温度输入单元，所述时间输入单元、电压输入单元、电流输入单元、容量输入单元和温度输入单元之并联，所述时间输入单元、电压输入单元、电流输入单元、容量输入单元和温度输入单元均与计算时间间隔模块、计算充放电路倍率及电流符号模块和SOC估算模块连接。

优选的，所述SOC估算模块在预估时先进行离线辨识，再进行在线计算，得出SOC估算值，其中离线辨识是基于容量测试结果标定获得电池容量Q

优选的，所述SOC估算模块进行在线计算的步骤如下：

C1、生成模型先验值：

查表：

其中：

U

V

C2、生成误差：E

C3、利用Kalman滤波原理生成反馈增益系数：

A

C4、SOC后验修正：

优选的，步骤S3中，剩余有用寿命预测的前提条件为构建一个端到端、强大且可扩展的基于云的分析平台，所述分析平台涵盖了从数据收集到剩余有用寿命预测的完整电池预测生命周期。

优选的，所述AI/ML深度学习架构包括基于SOH估算值和SOC估算值建立的RUL模型，所述RUL模型分析从BMS收集的温度、客户驾车和电池的使用模式、充电状态和其他有关的参数数据，产生的分析结果可帮助预测电池故障、预测诊断SOC、SOH和RUL，并使OEM能够通过进行无线升级软件更新。

本发明提出的一种基于AI深度学习的电池生命预估方法，与现有技术相比，具有以下优点：

1、本发明先通过基于电池的物理参数模型对电池SOH准确估算，获得SOH估算值，再通过基于电池的混合模型进行SOC准确预估，获得SOC估算值，最后根据SOH估算值和SOC估算值使用AI/ML深度学习架构进行剩余有用寿命预测，获得完整电池预测生命周期，通过采用基于物理模型的方法计算的参考能量值来估计RUL，提高了RUL的估算准确性和精度，其中的第二层AI/ML混合算法，它跟踪随时间变化的参数，并应用智能来了解它将以多快的速度降级或达到使用寿命，提供了对驾驶模式、电池运行时间和续航里程的洞察，并允许无线刷写校准更新，最大限度的提高客户满意度。

2、本发明通过SOH模块对电池SOH准确估算以及基于电池的混合模型对电池SOC估算，通过物理参数模型和混合模型从电池监控系统中接收输入参数数据，并通过将基于物理模型ML相结合来估计RUL值，这些RUL值最终通过仪表板以相关输入和参数的形式与用户共享。

附图说明

图1为本发明的流程框图；

图2为本发明用于计算车辆(电池)剩余有用寿命(RUL)的体系流程框图；

图3为本发明的RUL估计模型的体系结构的概念图。

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。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。

本发明提供了如图1所示的一种基于AI深度学习的电池生命预估方法，包括如下步骤：

S1、基于电池的物理参数模型通过SOH模块对电池SOH准确估算，获得SOH估算值；

所述物理参数模型是基于电压、充放电电流和内阻参数的等效应物理模型，所述SOH模块对电池SOH进行估算时采用参数驱动方法或数据驱动方法进行SOH的计算，其中参数驱动方法是基于特征的预测是利用电池老化过程中所表现出来的特征参量的演变，建立特征量与电池寿命之间的对应关系用于寿命预测；数据驱动方法是利用电池性能的测试数据，从数据中挖掘出电池性能演变的规律用于寿命预测。

所述SOH模块采用参数驱动方法进行SOH预估的步骤如下：

A1、在电池循环寿命的不同阶段测量阻抗谱曲线，获得电池等效电路模型形式；其中阻抗谱曲线是对电池系统施加频率为w1小振幅的正弦波电压信号，系统产生一个频率为w2的正弦波电流响应，激励电压与响应电流的比值变化即为电化学系统的阻抗谱，阻抗谱包括超高频部分(阻抗曲线与横轴相交部分，欧姆阻抗Rb)、高频部分(半圆，锂离子通过固体电解质阻抗Rsei)、中频部分(半圆，电荷传递阻抗、也称为电极极化阻抗Rct)和低频部分(45°直线，锂离子扩散阻抗、也称为浓差极化阻抗W)。

A2、根据电池等效电路模型形式分析循环次数的等效电路模型中溶液电阻、传荷电阻及Warburg阻抗参数的影响规律，获得预估参数，等效电路模型就是把电池简化为一个电路系统，与阻抗谱中各频率阻抗成分相对应，该电路系统中包含一个欧姆电阻、SEI膜电阻、SEI膜电容、电荷传递电阻和双层电容，SEI膜电阻与SEI膜电容并联，电荷传递电阻和双层电容并联，欧姆电阻与并联的SEI膜电阻与SEI膜电容以及电荷传递电阻和双层电容连接，等效电路模型建立依附于电化学阻抗谱的曲线形式，欧姆电阻受SOC、温度、倍率等因素影响小，电荷传递电阻和锂离子扩散电阻受这些因素影响明显；

A3、根据预估参数给出等效电路模型中各参数随电池循环次数变化的拟合公式，根据电池循环次数和对应的容量变化，拟合得到线性函数关系：y＝-0.1x+667.55，其中x代表电池循环次数，y代表容量变化；

A4、根据拟合公式计算电池循环寿命。

所述SOH模块采用数据驱动方法进行SOH预估的步骤如下：

B1、神经网络模型的建立，神经网络模型包含输入层、掩藏层和输出层，其中p＝(p1，…，pi，…)为输入，w＝(w1，…，wi，…)为权重，b为偏移，内部公式为q＝wpT+b，a＝fa(q)为标量输出函数，该神经网络模型采用单掩藏层，掩藏层节点数量与输出层节点数量相同，否则神经网络模型过于复杂会导致过拟合；

B2、SOH标签数据获取，电池SOH通过等效电路模型参数变化或电池容量变化计算；

B3、训练数据获取及目标函数，电池老化因素包括SOC、负载、环境温度、湿度、化学反应的内部因素和外部因素，列出因部因素和外部因素的影响因素并评估对电池剩余使用寿命，

B4、估算验证结果。

S2、基于电池的混合模型对电池SOC准确预估，获得SOC估算值；

所述混合模型包括数据输入模块、计算时间间隔模块、计算充放电倍率及电流符号模块、SOC估算模块和结果输出模块，所述数据输入模块、计算时间间隔模块、计算充放电路倍率及电流符号模块和结果输出模块均与SOC估算模块电性连接。

所述数据输入模块包括时间输入单元、电压输入单元、电流输入单元、容量输入单元和温度输入单元，所述时间输入单元、电压输入单元、电流输入单元、容量输入单元和温度输入单元之并联，所述时间输入单元、电压输入单元、电流输入单元、容量输入单元和温度输入单元均与计算时间间隔模块、计算充放电路倍率及电流符号模块和SOC估算模块连接，时间输入单元通过时间感应器感应时间，电压输入单元通过电压监测传感器感应电压，电流输入单元通过电流传感器感应，容量输入单元通过容性传感器感应，温度输入单元通过温度传感器感应。

计算时间间隔模块例如先求出电池10小时率的放电电流，即容量除以10，一组500AH的电池，10小时率放电电流为50A、二组500AH的10小时率放电电流为100A；再用实际放电电流除以10小时率放电电流，求出一个比率，根据这个比率查询“电池放电率与放电容量”表中的放电倍率，从这个放电倍率中选择一个最为相近的值，对应看到放电率和有效放电容量分辨率，记录表中数据，查看当时的放电环境温度，最后计算放电时长，从而推导出充放电时间间隔；

计算充放电倍率及电流符号模块在计算充放电倍率的公式为：充放电倍率＝充放电电流/额定容量，放电倍率是表示放电快慢的一种量度，所用的容量1小时放电完毕称为1C放电，5小时放电完毕则秒为1/5＝0.2C放电，一般可以通过不同的放电电流来检测电池容量。

所述SOC估算模块在预估时先进行离线辨识，再进行在线计算，得出SOC估算值，其中离线辨识是基于容量测试结果标定获得电池容量Q

所述SOC估算模块进行在线计算的步骤如下：

C1、生成模型先验值：

查表：

其中：

U

V

C2、生成误差：E

C3、利用Kalman滤波原理生成反馈增益系数：

A

C4、SOC后验修正：

所述结果输出模块包含SOC输出、模型端电压输出和实测端电压输出。

S3、根据SOH估算值和SOC估算值使用AI/ML深度学习架构进行剩余有用寿命预测，获得完整电池预测生命周期，简而言之，估计电池的SOC和SOH可以深入了解电池健康和能量的当前状态，虽然这本身很重要，但它也使我们能够更进一步，就是根据电池寿命中剩余的循环次数来预测电池的剩余有用寿命(RUL)，传统的RUL预测方法相当有限，本申请根据当前状态参数(如SOC和SOH)的估计，提出了一种基于AI的方法来计算电池的RUL。在估算SOC时，这种方法考虑了电池的电气特性，而不是简单地将其降级为黑匣子的状态。

如图2所示，不同在运行的车辆收集数据及其对这些数据的实时分析，在这个发明专利建议的方法中是至关重要。因此，数据被收集，预处理，隔离并提供给基于AI/ML的算法进行计算，从而预测出不同车辆的RUL。剩余有用寿命预测的前提条件为构建一个端到端、强大且可扩展的基于云的分析平台，所述分析平台涵盖了从数据收集到剩余有用寿命预测的完整电池预测生命周期。

然后，该专利方法使用基于AI/ML的自定义模型来估计和比较电池的性能和表现，并与传统方法的结果进行比较。该模型也可以在嵌入式控制器平台(有足够算力的芯片)上使用，并且证明比传统模型好得多。

所述AI/ML深度学习架构包括基于SOH估算值和SOC估算值建立的RUL模型，所述RUL模型分析从BMS收集的温度、客户驾车和电池的使用模式、充电状态和其他有关的参数数据，产生的分析结果可帮助预测电池故障、预测诊断SOC、SOH和RUL，并使OEM能够通过进行无线升级软件更新。

AI和ML的应用为电动汽车电池开辟了各种可能性。该专利方法在开发基于云的AI/ML模型的集成产品方面具有公认的能力，该模型可以分析从BMS收集的温度，客户驾车和电池的使用模式，充电状态和其他有关的参数数据。由此产生的分析结果可以帮助预测电池故障，预测诊断SOC、SOH和RUL，并使OEM能够通过进行无线升级软件(OTA)更新以解决这些问题。

RUL模型除了温度、电压和电流外，还采用通过传统工具生成的一些估计值。同时，一些估计值也是使用AI/ML生成的，然后输入到RUL模型中。

如图3所示，通过采用基于物理模型的方法计算的参考能量值来估计RUL。虽然这种方法有助于提高RUL估计，但是混合方法更是大大提高了RUL的估算准确性和精度。其中的第二层AI/ML混合算法，它跟踪随时间变化的参数，并应用智能来了解它将以多快的速度降级或达到使用寿命。SOC和SOH模块从电池监控模块接收输入参数数据，并通过将基于物理模型ML相结合来估计RUL值。这些RUL最终通过仪表板以相关输入/参数的形式与用户共享。

综上，本发明可以优化大型租赁车队的车队管理，并形成提高成本-效益的运营机制，而主机厂OEM和保险公司可以从减少的保修索赔中受益-并且可以在生产之前，或仅在开始和设计阶段尽早解决电池尺寸的设计和潜在的保修问题。准确的RUL预测还可以帮助客户了解电动汽车的总体拥有成本-总之RUL时间越长，对客户的成本/收益比就越高，客户的收益就越高。

RUL的处理算法的复杂性限制了其在常规的BEV/PHEV的嵌入式控制器中的使用。因此，本发明提出了一种基于云的解决方案，其中对车辆数据进行分析，过滤和分组，以实现无缝算法操作。这些算法进一步提供了对驾驶模式、电池运行时间和续航里程的洞察，并允许无线刷写(OTA)校准更新，最大限度地提高客户满意度，例如改进快速充电和改进续航里程。

本申请利用基于AI/ML的解决方案准确计算出RUL，效益体现在强化保修成本，减轻车辆召回，并提供延长电池寿命的方法和远见，从而优化用户，主机厂，保险商等利益相关方的投资回报。更要一提的是该专利方法中，具有自学习神经网络的模型可以定期使用更大的数据对模型进行重新训练，从而提高其适用性。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，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。