一种基于AI深度学习的电池生命预估方法与流程

本发明属于人工智能，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：

1、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。

2、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。

3、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。

技术实现思路

1、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。

2、为实现上述目的，本发明采用了如下技术方案：

3、一种基于ai深度学习的电池生命预估方法，包括如下步骤：

4、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；

5、s2、基于电池的混合模型对电池soc准确预估，获得soc估算值；

6、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。

7、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。

8、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：

9、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；

10、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；

11、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；

12、a4、根据拟合公式计算电池循环寿命。

13、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：

14、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；

15、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；

16、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；

17、b4、估算验证结果。

18、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。

19、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。

20、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qst，基于hppc测试结果标定获得电池在不同soc，不同温度条件下的ovc、r0、r1和c1，获得查表函数[ocv，r0，r1，c1]＝f(soc，t)。

21、优选的，所述soc估算模块进行在线计算的步骤如下：

22、c1、生成模型先验值：

23、

24、查表：

25、其中：

26、u1，k＝u1，k-1·αk-1-r1，k-1·ik-1·(1-αk-1)

27、vmdl，k＝ocvmdl，k+ik·r0，k-u1，k

28、c2、生成误差：ek＝vexp，k-vmdl，k；

29、c3、利用kalman滤波原理生成反馈增益系数：

30、

31、ak-1＝1

32、

33、

34、

35、

36、c4、soc后验修正：

37、

38、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。

39、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。

40、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：

41、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。

42、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。