一种新能源汽车电池模组检测方法

技术领域

本发明涉及电池模组技术领域，具体涉及一种新能源汽车电池模组检测方法。

背景技术

新能源汽车中的电池模组是整车的核心部件，提供着整车的动力来源，其性能和健康状况直接影响到车辆的续航里程、安全性以及整体可靠性。因此，对新能源汽车电池模组的健康程度进行准确有效地检测与评估变得尤为重要。

电池健康度是指实际储存的电量与电池设定储存的电量之间的比值。比值越高，电池健康度越好。电池健康度受到多种因素的影响，包括充放电循环次数、使用温度、充电速率以及电池本身的老化等。频繁的充放电、高温环境下的使用以及不当的充电方式都可能加速电池健康度的下降，从而影响电池的整体性能和使用寿命。

随着技术的发展，越来越多的设备内置了电池健康度检测功能，用户可以直接在设置中查看电池的健康状态。同时，市场上也有第三方的电池检测工具和应用，帮助用户更准确地了解电池状况。但是仅仅能够对电池状态进行显示，还无法根据现有的电池使用情况预测电池健康度的未来发展情况，不能提示用户对现有的电池使用习惯进行调整，从而延长电池的使用寿命。

发明内容

本发明的目的在于提供一种新能源汽车电池模组检测方法，解决以下技术问题：

现有技术仅仅能够对电池状态进行显示，还无法根据现有的电池使用情况预测电池健康度的未来发展情况，不能提示用户对现有的电池使用习惯进行调整，从而延长电池的使用寿命。

本发明的目的可以通过以下技术方案实现：

一种新能源汽车电池模组检测方法，包括以下步骤：

固定间隔采集电池模组的运行参数，所述运行参数包括充放电循环次数m、温度T、充电速率v，并记录每次采集时的电池健康度；

将所述运行参数进行过滤，并计算温度T与电池适宜温度区间的差值绝对值ΔT，对于差值绝对值和充电速率，生成以时间顺序排序的差值绝对值序列和充电速率序列，分别对序列进行累加求和，则当采集次数为n时，对应的温度差值绝对值的累加值为

基于Transformer深度学习网络构建电池健康度预测模型，将所有运行参数的累加值和对应的电池健康度输入Transformer深度学习网络中进行训练，输出运行参数累加值与电池健康度的拟合关系，并对拟合关系进行验证，反复更新获得验证后的电池健康度预测模型；

计算每次采集运行参数时每个运行参数累加值的增长速度，并计算平均增长速度，将当前的运行参数数值叠加上平均增长速度，依次叠加1,2，...，N次，并将叠加后的运行参数输入电池健康度预测模型，输出对应的电池健康度，直至电池健康度低于标准下限，获取对应的叠加次数N，并根据采集间隔计算预计的时长，将预计时长与用户的期望使用时长进行对比，当预计时长低于期望使用时长时，对用户进行提示。

作为本发明进一步的方案：所述差值绝对值ΔT的具体计算过程为：

当温度T低于电池适宜温度区间的下限时，则将温度T与电池适宜温度区间的下限之间的差值绝对值标记为ΔT；当温度T高于电池适宜温度区间的上限时，则将温度T与电池适宜温度区间的上限之间的差值绝对值标记为ΔT。

作为本发明进一步的方案：运行参数过滤的具体过程为：

依次采用一阶差分指数平滑算法和二阶差分指数平滑模型对运行参数序列进行处理，并通过中值滤波对异常值进行替换。

作为本发明进一步的方案：所述电池健康度预测模型的验证过程为：

建立平面直角坐标系，分别以运行温度差值绝对值的累加值T’n、充电速率累加值v’n、充放电循环次数m为自变量，以电池健康度预测模型输出的电池健康度为因变量，进行一维回归拟合，公式为：y=a

基于函数系数的解，通过以下公式计算电视容量预测模型的相关性系数r：

作为本发明进一步的方案：所述充放电循环次数的定义为将显示电池容量从0%充电到100%，再放电至0%的一次完整过程，所述显示电池容量即为汽车系统显示的电池容量。

作为本发明进一步的方案：所述电池健康度即为当前电池充满电后所存储的实际电池能量与出厂时的额定存储电池能量的比例。

作为本发明进一步的方案：所述充电速率的单位为千瓦。

本发明的有益效果：

本发明通过采集和分析电池模组的关键运行参数，并结合电池健康度的实时数据，该方法能够更准确地评估电池的状态和预期寿命；使用先进的深度学习模型进一步提高了预测的准确性，因为这些模型能够有效地处理时间序列数据，捕捉长期依赖关系；通过预测电池健康度的未来变化，该方法能够提前识别电池潜在的性能下降或故障风险，从而允许车主或维修人员在问题实际发生前进行干预，这有助于减少突发故障带来的安全风险和维护成本。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明一种新能源汽车电池模组检测方法的流程示意图。

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种新能源汽车电池模组检测方法，包括以下步骤：

固定间隔采集电池模组的运行参数，所述运行参数包括充放电循环次数m、温度T、充电速率v，并记录每次采集时的电池健康度；

将所述运行参数进行过滤，并计算温度T与电池适宜温度区间的差值绝对值ΔT，对于差值绝对值和充电速率，生成以时间顺序排序的差值绝对值序列和充电速率序列，分别对序列进行累加求和，则当采集次数为n时，对应的温度差值绝对值的累加值为

基于Transformer深度学习网络构建电池健康度预测模型，将所有运行参数的累加值和对应的电池健康度输入Transformer深度学习网络中进行训练，输出运行参数累加值与电池健康度的拟合关系，并对拟合关系进行验证，反复更新获得验证后的电池健康度预测模型；

计算每次采集运行参数时每个运行参数累加值的增长速度，并计算平均增长速度，将当前的运行参数数值叠加上平均增长速度，依次叠加1,2，...，N次，并将叠加后的运行参数输入电池健康度预测模型，输出对应的电池健康度，直至电池健康度低于标准下限，获取对应的叠加次数N，并根据采集间隔计算预计的时长，将预计时长与用户的期望使用时长进行对比，当预计时长低于期望使用时长时，对用户进行提示。

本发明通过采集和分析电池模组的关键运行参数，并结合电池健康度的实时数据，该方法能够更准确地评估电池的状态和预期寿命。

使用先进的深度学习模型进一步提高了预测的准确性，因为这些模型能够有效地处理时间序列数据，捕捉长期依赖关系。

通过预测电池健康度的未来变化，该方法能够提前识别电池潜在的性能下降或故障风险，从而允许车主或维修人员在问题实际发生前进行干预，这有助于减少突发故障带来的安全风险和维护成本。

在本发明的另一种优选的实施例中，所述差值绝对值ΔT的具体计算过程为：

当温度T低于电池适宜温度区间的下限时，则将温度T与电池适宜温度区间的下限之间的差值绝对值标记为ΔT；当温度T高于电池适宜温度区间的上限时，则将温度T与电池适宜温度区间的上限之间的差值绝对值标记为ΔT。

在本发明的另一种优选的实施例中，运行参数过滤的具体过程为：

依次采用一阶差分指数平滑算法和二阶差分指数平滑模型对运行参数序列进行处理，并通过中值滤波对异常值进行替换。

在本发明的另一种优选的实施例中，所述电池健康度预测模型的验证过程为：

建立平面直角坐标系，分别以运行温度差值绝对值的累加值T’n、充电速率累加值v’n、充放电循环次数m为自变量，以电池健康度预测模型输出的电池健康度为因变量，进行一维回归拟合，公式为：y=a

基于函数系数的解，通过以下公式计算电视容量预测模型的相关性系数r：

通过计算多个相关性系数，该方法能够从多个维度全面评估模型的性能。若发现某些相关性系数不达标，则可以针对性地对模型进行调整和优化，从而提高模型的泛化能力和预测精度

在本发明的另一种优选的实施例中，所述充放电循环次数的定义为将显示电池容量从0%充电到100%，再放电至0%的一次完整过程，所述显示电池容量即为汽车系统显示的电池容量。

在本发明的另一种优选的实施例中，所述电池健康度即为当前电池充满电后的所存储的实际电池能量与出厂时的额定存储电池能量的比例。

在本发明的另一种优选的实施例中，所述充电速率的单位为绝对单位千瓦，相对于相对单位百分比更加能够体现对电池健康度的影响。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。