一种基于小样本学习孪生网络的电池组健康状态估计方法与流程

1.本发明涉及电池健康状态检测技术领域，具体涉及一种基于小样本学习孪生网络的电池组健康状态估计方法。


背景技术：

2.动力电池作为新能源汽车的核心部件，直接关系到车辆的安全稳定行驶。电池的健康状态对电池在线管理、二手车评估和电池梯次利用非常有用，对电池剩余价值评价尤为重要。考虑到电池的非线性衰落特性，传统的外推方法不能够很好地预测电池的剩余寿命。本发明从深度学习角度出发，利用小样本训练估计电池组的健康状态。


技术实现要素：

3.为有效估计电池组的剩余使用寿命，保证新能源车辆安全稳定行驶，本发明提供了一种基于小样本学习孪生网络的电池组健康状态估计方法。
4.本发明通过以下技术方案来实现上述目的：
5.一种基于小样本学习孪生网络的电池组健康状态估计方法，步骤包括：
6.s1、基于全体车辆的电池组历史数据，获取部分车辆的静置至满充数据集d1以及全体车辆历史数据分布数据集d2，并计算静置至满充数据集d1中电池组的健康状况soh；
7.s2、取全体车辆历史数据分布数据集d2中车辆编号与静置至满充数据集d1中车辆编号相同的数据，组成含有真实标签值的历史数据分布数据集x，全体车辆历史数据分布数据集d2中剩余数据则组成未含有真实标签值的历史数据分布数据集其中，所述真实标签值为电池组的健康状况soh；
8.s3、将含有真实标签值的历史数据分布数据集x和未含有真实标签值的历史数据分布数据集同时输入到基于静置至满充数据集d1预先构建的孪生网络f中，对两者得到的估计结果构建距离评定函数通过设置距离评定阈值确定输入与x的相似程度；
9.s4、根据对相似程度的分析，确定未含有真实标签值的历史数据分布数据集中电池组所属类别及其对应的健康状况soh值。
10.进一步改进在于，步骤s1中，获取部分车辆的静置至满充数据集d1的具体方法为：通过电池静置规则和满充规则获取电池组历史数据中所有静置至满充的纯充电数据片段，并通过ocv-soc表查找静置对应的电池组soc，筛选获取静置soc在预设值以下至满充的纯充电数据片段，得到静置至满充数据集d1。
11.进一步改进在于，所述静置规则为：当电池组上电时间与前一段过程时间间隔高于时间阈值，判断为静置点；所述满充规则为：当充电最高电压高于满充阈值，判断为满充点。
12.进一步改进在于，获取静置至满充的纯充电数据片段的具体方式为：根据满充点
寻找与其在时间维度上最近的静置点，并且这两点之间全为充电的电池组数据，则确定为静置至满充数据片段并进行获取。
13.进一步改进在于，所述预设值为30％。
14.进一步改进在于，步骤s1中，计算静置至满充数据集d1中电池组的健康状况soh的具体方法为：
15.(1)通过安时积分计算筛选后静置至满充纯充电数据的累计电量其中，i是采样点的充电电流，δt是采样时间间隔；
16.(2)通过满充soc
full
以及静置soc
static
计算得到荷电状态变量δsoc＝soc
full-soc
static
，其中，soc
full
为100％；
17.(3)根据步骤(1)和步骤(2)的结果计算当前电池容量q
now
＝δq/δsoc；
18.(4)通过安时积分法和容量估计法计算得到健康状况soh＝q
now
/q
real
，其中，q
real
表示电池的额定容量。
19.进一步改进在于，步骤s1中，获取全体车辆历史数据分布数据集d2的具体方法为：统计全体车辆的电池组历史数据中，处于各种状态的时间及时间占比。
20.进一步改进在于，步骤s3中，基于静置至满充数据集d1构建孪生网络f的具体方法为：将静置至满充数据集d1以及计算的电池组健康状况soh作为模型训练所使用的小样本数据，将小样本数据输入到神经网络中进行深度学习训练，再将训练后的神经网络复制，共同组成孪生网络f。
21.进一步改进在于，步骤s3中，确定输入与x的相似程度的具体方法为：将含有真实标签值的历史数据分布数据集x的估计结果y作为基准，通过距离loss函数判定未含有真实标签值的历史数据分布数据集的估计结果与含有真实标签值的历史数据分布数据集x的估计结果y的距离，即两者的相似程度。
22.进一步改进在于，步骤s3中，所述距离判定阈值为≤1％。
23.本发明的有益效果在于：
24.(1)使用小样本学习方式解决真实数据标签不足问题，通过孪生网络中的一个神经网络挖掘小样本的底层特征信息，可以达到网络泛化效果，学习未有的数据特征。
25.(2)算法实现简单，结果准确性高，易于推广。
附图说明
26.图1为本发明孪生网络的网络结构图；
27.图2为本发明数据结构示意图。
具体实施方式
28.下面结合附图对本技术作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本技术进行进一步的说明，不能理解为对本技术保护范围的限制，该领域的技术人员可以根据上述申请内容对本技术作出一些非本质的改进和调整。
29.结合图1和图2所示，一种基于小样本学习孪生网络的电池组健康状态估计方法，步骤包括：
30.s1、基于全体车辆的电池组历史数据，获取部分车辆的静置至满充数据集d1以及全体车辆历史数据分布数据集d2，并计算静置至满充数据集d1中电池组的健康状况soh；
31.该步骤中，获取部分车辆的静置至满充数据集d1的具体方法为：通过电池静置规则和满充规则获取电池组历史数据中所有静置至满充的纯充电数据片段，并通过ocv-soc表查找静置对应的电池组soc，筛选获取静置soc在预设值以下至满充的纯充电数据片段，得到静置至满充数据集d1。
32.其中，所述静置规则为：当电池组上电时间与前一段过程时间间隔高于时间阈值(根据电池型号不同，时间阈值也不同)，判断为静置点；所述满充规则为：当充电最高电压高于满充阈值(根据电池型号不同，满充阈值也不同)，判断为满充点。获取静置至满充的纯充电数据片段的具体方式为：根据满充点寻找与其在时间维度上最近的静置点(该静置点通过ocv查表的soc小于30％)，并且这两点之间全为充电的电池组数据，则确定为静置至满充数据片段并进行获取。
33.优选的，所述预设值为30％，即获取静置soc在30％以下至满充的纯充电数据片段，由于电池的型号不同具有不同的平台期，因此选择查表soc小于30％最为可靠。
34.该步骤中，获取全体车辆历史数据分布数据集d2的具体方法为：统计全体车辆的电池组历史数据中，处于各种状态的时间及时间占比。例如：计算某车辆历史行驶过程中，处于高温的所有时间和占总时间的时间占比、处于低温的所有时间和时间占比、处于高放电倍率的所有时间和时间占比等，并统计成一条数据作为该车辆的历史数据分布统计。
35.该步骤中，计算健康状况soh的具体方法为：
36.(1)通过安时积分计算筛选后静置至满充纯充电数据的累计电量其中，i是采样点的充电电流，δt是采样时间间隔；
37.(2)通过满充soc
full
以及静置soc
static
(查表得到且小于30％)计算得到荷电状态变量δsoc＝soc
full-soc
static
，其中，soc
full
为100％；
38.(3)根据步骤(1)和步骤(2)的结果计算当前电池容量q
now
＝δq/δsoc；
39.(4)通过安时积分法和容量估计法计算得到健康状况soh＝q
now
/q
real
，其中，q
real
表示电池的额定容量。
40.s2、取全体车辆历史数据分布数据集d2中车辆编号与静置至满充数据集d1中车辆编号相同的数据，组成含有真实标签值的历史数据分布数据集x，全体车辆历史数据分布数据集d2中剩余数据则组成未含有真实标签值的历史数据分布数据集其中，所述真实标签值为电池组的健康状况soh；
41.s3、将含有真实标签值的历史数据分布数据集x和未含有真实标签值的历史数据分布数据集同时输入到基于静置至满充数据集d1预先构建的孪生网络f中，对两者得到的估计结果构建距离评定函数通过设置距离评定阈值确定输入与x的相似程度，优选的，所述距离判定阈值为≤1％；
42.该步骤中，基于静置至满充数据集d1构建孪生网络f的具体方法为：将静置至满充数据集d1以及计算的电池组健康状况soh作为模型训练所使用的小样本数据，将小样本数据输入到神经网络中进行深度学习训练，再将训练后的神经网络复制，共同组成半监督形式的孪生网络f。
43.该步骤中，确定输入与x的相似程度的具体方法为：将含有真实标签值的历史数据分布数据集x的估计结果y作为基准，通过距离loss函数判定未含有真实标签值的历史数据分布数据集的估计结果与含有真实标签值的历史数据分布数据集x的估计结果y的距离，即两者的相似程度。
44.s4、对相似程度进行分析，此处分析优选的为：进行相似程度的统计归类，再根据相似程度归类结果，确定未含有真实标签值的历史数据分布数据集中电池组所属类别及其对应的健康状况soh值。
45.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。