1.本发明属于新能源车技术领域，尤其涉及一种电池老化估计方法、电池老化状态估计模组、用于老化状态估计的专用芯片、相关电池组、换电站及车辆。
背景技术：
2.电池老化状态soh（state of health）是新能源车重要的技术参数，与车辆续航里程、动力特性、工况指标、安全性、车辆残值等均有密切的联系，对该参数的评估具有显著的技术、经济和社会价值。
3.soh不仅与车辆工况、运行环境有关，还与车辆的使用习惯等因素密切相关；通过对soh的准确、及时的估计，可为车辆和电池控制策略的改善提供有效的支持，进而提升动力的稳定性和相关设备的寿命和经济性。
4.发明人发现：现有的车载控制器端soh估计基于经验老化模型或者容量差值计算，其局限性一方面在于测量工况的限制，在车辆处于特定工况下开展才能达到预期精度，进而导致电池老化状态更新的实时性差；另一方面，估值依赖于安时积分、开路电压、荷电状态、温度等信息的准确性，且未充分考虑相应设备的使用习惯、运行工况、环境因素等对soh的扰动，估值准确性、鲁棒性较差。
5.发明人还发现：现有的离线或非实时soh状态估计是在控制器、处理器运算能力低下的背景下折中处理的结果，在处理能力、存储能力和算法结构等提升和改良后，若对运算量、计算精度等进行预估和预设，则可实现soh的实时或准实时估计，进而用于实时、准实时的反馈和/或相关的闭环操作、控制。
技术实现要素：
6.本技术实施例公开了一种电池老化状态估计方法，通过获取电池第一老化数据集，选取老化特征向量，确定特征提取与处理方案，选取符合预设规则的数据驱动模型，实时估算目标状态信息，并向预设单元输出估算结果。
7.其中的电池包括动力电池，第一老化数据集可以来自实验室和/或实际系统测量；特征向量由与电池老化状态相关性符合预设条件的r个参量构成；其中，r为正整数。
8.相比于目前常见的电池老化状态估计方法，该方法具有实时估计老化状态的特点，准确性和鲁棒性均有所提升。
9.此外，上述特征包括但不限于温度、电流、电压、充放电深度、荷电状态、电池运行和/或静置时间等参数或过程；这些参数或过程与电池的寿命密切相关。
10.本方法的目的在于通过合理分析处理过程的运算量和收敛速度，确保模型处理的实时性、存储能力和/或精度；并进一步估值得到目标状态信息，且该状态信息可反映电池的老化状态soh。
11.进一步地，将老化数据集分成第一数据集和第二数据集；其中，第一数据集来自实验室测量，第二数据集来自云端数据平台。
12.将特征提取过程也划分为两部分，即第一特征提取和第二特征提取；其中，第一特征提取步骤在电池老化数据集中进行，第二特征提取步骤在控制器上进行。
13.需要说明的是，上述第一数据集和第二数据集的选取，依赖于对特征向量的选取；而特征向量的选取依赖于经验老化模型的经验值和/或预设的数据分析方法。此处，可通过离线动力电池台架老化实验获取第一数据集。
14.进一步地，这里采用的数据驱动模型可以包括但不限于：高斯过程回归gpr、支持向量机、相关向量机、决策树、随机森林、xgboost、神经网络、bagging算法、线性回归统计模型、贝叶斯回归统计模型；如有其它驱动模型可以适用，同样可以作为本方法的一个步骤存在。
15.其中，老化特征向量由老化特征组成，这里的老化特征包括：车辆历史累计静置/行车时间、电池包历史平均温度、电池包历史平均充放电电流、电池包历史平均荷电状态。
16.进一步地，需要确定数据驱动模型的计算方法、模型参数和/或计算机代码，并在控制器或相关的微处理单元或设备中执行上述计算方法和/或代码，获取必要的参数值或中间结果。
17.对于不同的文件系统或数据结构，可以生成不同的中间量或临时数据。
18.根据需要可生成控制器的软件参数标定文件；其中，模型参数的获取通过标定和/或数据分析方法得到；标定文件包括独立的dcm文件和/或.h头文件。
19.进一步地，通过生成控制器例程，并可通过该例程在控制器中的执行，实现预设的算法；通常，这里的例程可以是hex/a2l格式的软件。
20.进一步地，可以输出实验验证数据到指定单元；其中，实验验证数据对估算结果的精度给出定量描述；输出该估算结果，并满足预设的运算速度或时长指标，即输出操作实时完成或输出时刻与数据集的获取相隔预设的时长或符合指定的时滞。
21.进一步地，若有更丰富的数据集可以获取，则可以对本方法的模型进行迭代优化；通过获取同型号电池的第s老化数据集，其中s为自然数；其中，第s老化数据集在电池或电池所驱动设备的使用年限内获取，该第s老化数据集一般包括电池的运行数据；按照前述过程优化对应的模型，即得到更优的参数；必要时，向控制器中写入或刷新例程。
22.本技术实施例同时公开了一种电池老化状态估计模组，包括数据采集单元、参数选择单元、特征提取单元、模型优化单元和实时估计单元；执行相应的操作，处理相应的数据并获得相应的结果；在此，不再赘述。
23.进一步地，将本发明实施例公开的方法集成于计算机存储介质上，即可获得相应的芯片、应用该方法的电池组、换电站和车辆也因使用了本发明实施例公开的方法或产品落入本发明保护的范围。
24.需要说明的是，在本发明实施例中采用的“第一”、“第二”等类似的语汇，仅仅是为了描述技术方案中的各组成要素，并不构成对技术方案的限定，也不能理解为对相应要素重要性的指示或暗示；带有“第一”、“第二”等类似语汇的要素，表示在对应技术方案中，该要素至少包含一个。
附图说明
25.为了更加清晰地说明本发明的技术方案，利于对本发明的技术效果、技术特征和
目的进一步理解，下面结合附图对本发明的实施例进行详细的描述，附图构成说明书的必要组成部分，与本发明的实施例一并用于说明本发明的技术方案，但并不构成对本发明的限制。
26.附图中的同一标号代表相同的部件，具体地：图1为本发明方法实施例电池老化状态估计方法的流程示意图；图2为本发明对应模组实施例的系统结构示意图；图3为本发明对应模组实施例的老化状态估计流程示意图；图4为本发明实施例的系统组成结构示意图；图5为本发明实施例的软件流程框图；图6为本发明实施例的老化状态边界估计示意图；其中：10-电池老化状态估计装置；100-数据采集步骤，110-数据采集单元；200-参数选择步骤，210—参数选择单元；300-特征提取步骤，310-特征提取单元；400-模型优化步骤，410-模型优化单元，500-实时处理步骤，510-实时处理单元。
具体实施方式
27.下面结合附图和实施例，对本发明作进一步的详细说明。当然，下列描述的具体实施例只是为了解释本发明的技术方案，而不是对本发明的限定。此外，实施例或附图中表述的部分，也仅仅是本发明相关部分的举例说明，而不是本发明的全部。
28.如图1所示，为本发明方法实施例电池老化状态估计方法的流程示意图；通过获取电池第一老化数据集，选取老化特征向量，确定特征提取与处理方案，选取符合预设规则的数据驱动模型，实时估算目标状态信息，并向预设单元输出估算结果。
29.如图2为，与图1所示方法对应模组10实施例的系统结构示意图；包括数据采集单元110、参数选择单元210、特征提取单元310、模型优化单元410和实时估计单元510。
30.如图3为本发明对应模组10实施例的老化状态估计流程示意图；老化状态影响因素经数据驱动模型解算后，实时获得电池老化状态soh。
31.如图4为本发明实施例的系统组成结构示意图；包括车载控制器、云端服务器和/或售后系统。
32.其中，车载控制器内部存储经由离线获取的数据驱动模型源代码及相关模型参数，控制器实时采集、处理整车与电池包相关信息，并将其输入模型，用于估计动力电池老化状态。
33.数据模型参数可由云端服务器或者离线训练得到，并且后续更新的模型及其参数可由通过ota（over the air technology）方法下发，或通过售后维护环节更新到车载控制器中。
34.具体地，本发明实施例通过如下步骤实现车载控制器端动力电池老化状态估计：首先定义电池老化状态，
1）基于容量的老化状态sohc，由下式（1）给出：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，为k时刻电池基于容量的老化状态，为k时刻电池容量，为新电池容量。可通过安时积分法计算电池荷电状态由0%到100%的电量获得，一般由电池厂家提供，也可针对批量新电池进行标定实验获取。
35.2）针对基于内阻的老化状态sohr：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中，为k时刻电池基于内阻的老化状态，为k时刻电池内阻，为新电池内阻，为寿命终止时电池内阻。可通过开展hppc（脉冲充放电）实验，通过计算电压和电流变化量的比值进行获取；和通常由电池厂家提供，也可对新电池以及达到寿命终点的电池开展标定实验获取。
36.通常，电池整体soh可由与加权计算而得：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中，为加权系数,。
37.一般地，针对多数动力电池应用场景，电池老化状态也可以由sohc直接定义，即；此时，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）然后，如图5进行数据处理：1）动力电池老化数据收集：通过开展离线动力电池台架老化实验或通过云端数据平台获取实车动力电池运行数据，积累动力电池老化数据。台架实验数据和云端里数数据通常可经由实验设计或筛选以涵盖不同老化影响因素。
38.2）确定影响动力电池老化状态特征：基于经验老化模型的专家经验、数据分析方法选取适合在控制器端提取并处理的动力电池老化状态影响因素。
39.3）设计动力电池老化状态特征提取/处理方案：针对所选用的影响因素，确定提取与处理方法，设计相关逻辑分别实现在电池老化数据以及在车载控制器上的特征提取。典型的特征包括但不限于温度、电流、电压、充放电深度、荷电状态、电池运行和静置时间等。
40.4）确定数据驱动模型形式：基于控制器芯片运算/存储能力以及预期所达到的老化状态估计精度选取适合在车载控制器端部署的数据驱动模型形式，一种典型的数据模型基于高斯过程回归（gaussian process regression, gpr）。
41.5）设计数据驱动模型源代码：基于确定的数据驱动模型形式与老化状态影响因素种类，确定模型在控制器端的实现方法，设计相关数据模型。
42.6）模型参数获取：
通过标定、数据分析方法确定数据驱动模型参数，生成控制器软件参数标定文件（例如：独立的dcm文件或者.h头文件）。
43.7）软件生成：结合模型参数和源代码构成最终运行在嵌入式车载控制器种的软件（例如：hex/a2l格式软件）。
44.8）模型验证：设计实验验证软件对动力电池老化状态的估计精度。
45.9）模型发布与应用：相关软件运行在嵌入式车载控制器中，用于实时估计动力电池老化状态。
46.10）模型与模型参数更新：若在当前车辆使用年限内获取到更多同车型动力电池运行数据，仍可按照上述步骤实现模型与模型参数的优化，更新后的软件可通过云端服务器或售后环节重新刷入控制器中，提高动力电池老化状态估计精度。
47.如图4所示，本实施例中动力电池老化数据的收集可以包括两种方式获得，具体如下：实施例一：通过电池台架实验获取电池老化数据1）电池循环和日历老化：待测电芯、模组或者电池包与充放电机相连，放置于可控温度的环境中进行老化实验。
48.其中，充放电机模拟使用工况（包含但不限于恒流充放电工况、静置工况、nedc（new european driving cycle，欧洲续航测试标准）工况、wltc（worldwide light-duty test cycle，国际轻载测试标准）工况或fuds（federal urban driving schedule，美国联邦城市运行工况），或这些工况的组合；恒温箱用于模拟环境温度变化（如设置为25℃、-5℃、40℃等）；采集电池包电流、电池包端电压、单体电压、温度等信号。
49.2）电池经历若干工况后，进行容量标定实验与脉冲充放电实验，分别用于标定电池容量与电池内阻。
50.3）重复上述步骤直至电池容量或内阻达到电池生产厂商定义的寿命终止eol（end of life）的标准（一般为80%初始容量或2倍的初始内阻）。
51.4）采用多种温度、电流、充放电深度的组合以覆盖各种可能的特征。
52.实施例二：通过实车运行获取电池老化数据1）实车运行数据可通过售后在运行的车辆运行历史数据或者可组织若干辆新能源汽车开展道路实验获得。
53.车辆运行工况应覆盖车辆使用工况（如起步、加减速、等速、转弯、上下坡、停车、nedc循环等工况），并覆盖充分的实车环境温度条件，通过云平台或其他仪器设备获取车辆动力电池运行数据。
54.2）定期（例如1次/月）返厂拆卸电池包或者对整车进行深度的充放电以实现电池容量标定与电池内阻标定实验。
55.3）车辆运行应达到或接近车辆制造商设计寿命终止的条件（例如运行里程10万公里）
然后，需要确定影响动力电池老化状态的特征，根据专家经验初步选取动力电池老化状态影响因素，包括但不限于以下几类信息：1）车辆历史累计静置/行车时间；2）电池包历史平均温度；3）电池包历史平均充放电电流；4）电池包历史平均荷电状态soc（state of charge）。
56.再次，基于动力电池老化实验数据，开展数据分析以筛选与动力电池老化状态相关性较高的影响因素进行研究，可使用以下典型步骤进行相关性分析：1）基于运行工况数据提取影响因素作为特征；2）基于标定工况数据计算电池内阻和容量，并根据初始内阻或容量计算电池老化状态。
57.电池整体soh可由与加权计算而得：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中，为加权系数。典型的，选取，电池老化状态也可以由sohc直接定义，即soh= sohc= q/q0；3）将电池老化状态与特征进行归一化处理。
58.以单个影响因素指标为例，设指标ⅰ的时间序列为，电池老化状态时间序列为，有
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）针对指标ⅰ和soh的归一化方法，可由以下方式开展：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）其中，和为归一化后的指标ⅰ和soh；和为指标ⅰ和soh时间序列的均值；和为指标ⅰ和soh时间序列的标准差。
59.经由归一化后的指标ⅰ和soh序列为
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）通过皮尔逊相关系数或其他方法分析指标与老化状态间的相关性，以指标ⅰ为例，其与老化状态两者间的相关性可通过求取两者归一化值的皮尔逊相关系数确定：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）其中，为归一化序列和的协方差值；和分别为指标ⅰ归一化值和soh归一化值时间序列的标准差。
60.至此，制定策略以筛选与电池老化状态相关性高的影响因素进行研究，例如：1）挑选相关性较高的前k个影响因素进行研究；2）挑选相关性指标（如皮尔逊相关系数）大于某一值的特征进行研究。
61.进一步地，通过设计动力电池老化状态特征提取软件可以获得进一步的数据具体地，针对筛选后的老化状态影响因素，确定其提取/处理方案，通过手写代码或软件工具自动代码生成的方式编写源代码，并在控制器端调试验证通过。
62.进一步地，还可确定数据驱动模型形式，此处，用于动力电池老化状态估计的数据驱动模型形式如图3，即老化状态估计流程：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）其中，为数据驱动模型。
63.具体地，可使用但不限于以下数据驱动模型：高斯过程回归、支持向量机、相关向量机、决策树、随机森林、xgboost、神经网络等。
64.进一步地，确定数据驱动模型形式的典型方法有以下几个步骤：1）基于专家经验挑选若干类适合在控制器端实现的数据驱动模型形式，令数据驱动模型集合为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（14）其中，表示第k种数据驱动模型。
65.2）基于部分动力电池老化数据离线训练各类模型，另一部分动力电池老化数据进行验证。并从以下几方面对模型进行评估：1）准确度（）：对相同验证集数据老化状态估计结果的准确度，常见的评价指标有均方误差、均方根误差、平均绝对误差、r-squared值等。
66.模型准确度越高，该项评分越高。
67.2）内存资源消耗（）：基于同等硬件资源，模型获取最终计算结果所需消耗的内存资源。
68.模型内存资源消耗越小，该项评分越高。
69.3）存储空间（）：模型在控制器程序存储器中占用的存储空间大小。
70.模型占用存储空间越小，该项评分越高。
71.4）代码实现难度（）：模型转化为控制器端所能使用的c/c++等类型代码的难易程度。
72.模型实现难度越低，该项评分越高。
73.针对某模型，其最终得分可通过上述各项分数加权得出： （15）其中，为第i项分数的权重系数，有。各项权重系数可基于专家经验确定。
74.进一步地，通过挑选总分最高的数据驱动模型形式用于控制器端实现。
75.典型地，选取高斯过程回归，如图6为本发明实施例的老化状态边界估计示意图，可实现电池老化状态准确估计及该估计值的标准差σ。
76.其中，可根据估计置信度的需求预测老化容量的边界soh
±
nσ（n=0~3）。
77.进一步地，通过设计数据驱动模型源代码可以编程实现上述方法，并控制器端执行行。
78.其中，模型参数可基于大量收集得到的车载动力电池老化数据（包含容量/内阻标
定实验数据）与确定的数据驱动模型形式，按照数据驱动模型既定训练方法编写训练代码或者通过相关软件工具（如matlab、python scikit-learn工具包、etas ascmo，gpy等）进行离线训练获得。
79.进一步地，可以将模型参数与源代码结合，生成最终应用于控制器端的软件，一般为hex/a2l形式的软件。
80.进一步地，可以对控制器端动力电池老化状态估计模型进行验证，例如：可以组织车队开展实车试验，并定期返厂进行电池容量或内阻标定实验以获取电池真实老化状态。
81.若采用模型估计的电池老化状态与电池真实老化状态两者间误差在允许范围内，则可进行模型的发布与应用。
82.若误差不被允许时，可考虑通过以下方法提高模型准确度：1）若由于模型训练数据不全面而导致模型准确度低，则需要补充电池老化实车实验或台架实验，并重新训练模型，直至模型验证通过。
83.2）若由于获取模型参数不佳而导致模型准确度低，则需加严模型训练条件，重新训练模型，直至验证通过。
84.进一步地，在模型验证通过后，可将相关软件刷入新能源车辆车载控制器中，用于实时估计动力电池老化状态，而老化状态估计结果可进一步为改善车辆控制策略，并为优化用户行为提供支持，进一步延缓动力电池各项性能衰减，延长电池使用寿命。
85.此外，若在当前车辆使用年限内获取更多的同车型动力电池运行数据，还可按照上述步骤实现模型与模型参数的优化，更新后的软件可通过云端服务器（如ota方法）或售后环节重新刷入控制器中，提高动力电池老化状态估计精度。
86.本发明实施例公开了基于数据驱动的控制器端电池老化状态估计方法，控制器端通过提取车辆运行过程中各类老化状态影响因素，通过由大量数据训练得到的数据驱动模型实时并准确估计车辆动力电池老化状态，为进一步改善车辆控制策略和优化用户行为提供支持，用以延缓动力电池各项性能衰减，延长电池使用寿命；相比于目前常见的电池老化状态估计方法，该方法具有实时估计老化状态的特点，准确性和鲁棒性均有所提升。
87.需要说明的是，上述实施例仅是为了更清楚地说明本发明的技术方案，本领域技术人员可以理解，本发明的实施方式不限于以上内容，基于上述内容所进行的明显变化、替换或替代，均不超出本发明技术方案涵盖的范围；在不脱离本发明构思的情况下，其它实施方式也将落入本发明的范围。