一种基于距离最近的锂电池SOH评估方法及系统与流程

本发明属于电动汽车动力电池，具体涉及一种基于距离最近的锂电池soh评估方法及系统。

背景技术：

1、在新能源汽车动力电池soh估计的实际工程应用中，现有常用的方法是利用车辆在充电前的静置电压和充电后的静置电压，使用电池ocv-soc数据进行soc的校准，再利用安时积分法计算的充入容量除以充电过程的soc变化量，即可以计算出电池的soh。

2、但上述方法在具体实施时还存在如下弊端：不能实时计算soh，因为在利用ocv-soc数据表进行soc校准时，是需要电池静置足够长的时间，比如一至两个小时，而在用户实际用车过程中达到所述校准条件且同时能获取到静置前后的电压数据是很困难的。

技术实现思路

1、本发明的目的就在于提供一种基于距离最近的锂电池soh评估方法及系统，以解决背景技术中提出的问题。

2、本发明通过以下技术方案来实现上述目的：

3、第一方面、本发明提出了一种基于距离最近的锂电池soh评估方法，所述方法包括：

4、s1、采集样本电池历史数据中包括充、放电次数的特征数据集，结合样本电池出厂总容量确定样本电池的当前总容量和soh值；

5、s2、对所述特征数据集进行主成分分析得到主成分系数，根据所述主成分系数确定每个样本电池的衍生特征；

6、s3、基于k-means聚类算法和所述衍生特征对样本电池进行分类，确定分类后每个类别中所述衍生特征的均值、及每个类别中样本电池的平均soh值；

7、s4、获取增量电池的所述特征数据集，并确定增量电池的所述衍生特征，计算增量电池衍生特征与每个类别样本电池衍生特征的欧式距离，根据所述欧式距离确定增量电池的soh值。

8、进一步的，步骤s1中，确定样本电池当前总容量和soh值具体基于如下公式计算得到：

9、；

10、其中，为电池在当前状态下的总容量，为电池出厂时的总容量，为一段时间内电芯的充放电容量，为充电末端的，为充电开始时刻的。

11、进一步的，所述步骤s2包括

12、s2.1、将所述特征数据集设为原始数据矩阵：

13、；

14、其中，为电池数量，为特征个数，为第块电芯的第个特征，,10个特征分别为低温充电次数、低温放电次数、高温充电次数、高温放电次数、大电流充电次数、大电流放电次数、过放次数、过充次数、小电流放电次数和小电流充电次数；

15、s2.2、对所述原始数据矩阵进行标准化处理，使其中每个特征的均值为0，方差为1：

16、；

17、其中：是每个特征的均值向量，是每个特征的标准差向量；

18、标准化后的数据矩阵z为：

19、；

20、s2.3、计算协方差矩阵如下式：

21、；

22、其中，为电池数量；

23、s2.4、计算特征值和特征向量：

24、对协方差矩阵进行特征值分解，得到特征值和特征向量，计算得到的特征值和对应特征向量为：特征值：；特征向量：；

25、；

26、s2.5、选择前2个特征值最大的特征向量作为所述主成分系数，构成主成分矩阵v：

27、；

28、s2.6、用标准化后的数据矩阵z乘以主成分矩阵v，得到主成分得分矩阵y：

29、；

30、其中：为第个电池的第一主成分得分，为第个电池的第二主成分得分；

31、s2.7、将所述第一主成分得分和所述第二主成分得分作为所述衍生特征。

32、进一步的，步骤s3具体为：基于k-means聚类算法将样本电池按所述衍生特征进行聚类，将主成分得分矩阵y分为 k个类别，计算每个分类中两个所述主成分得分的均值，以及每个类别中所有样本电池的平均soh：令k=2，令第1类中包含前两个样本，则两个衍生特征的均值为：

33、；

34、第二类别中包含剩下的样本，则两个衍生特征的均值为：

35、；

36、计算每类别中所有电池的平均soh包括：

37、第一类别的平均soh为：

38、；

39、第二类别的平均soh为：

40、。

41、进一步的，步骤s4中，所述计算增量电池衍生特征与每个类别样本电池衍生特征的欧式距离，根据所述欧式距离确定增量电池的soh值，包括：

42、计算增量电池到第一类别的欧式距离：

43、；

44、计算增量电池到第二类别的欧式距离：

45、；

46、选择最小距离的类别：若，则增量电池的soh为，否则增量电池的soh为。

47、第二方面、本发明提出了一种基于距离最近的锂电池soh评估系统，应用于执行权利上述任一项所述锂电池soh评估方法，所述系统包括

48、采集模块，用于采集样本电池历史数据中包括充、放电次数的特征数据集，结合样本电池出厂总容量确定样本电池的当前总容量和soh值；

49、第一分析模块，用于对所述特征数据集进行主成分分析得到主成分系数，根据所述主成分系数确定每个样本电池的衍生特征；

50、第二分析模块，用于基于k-means聚类算法和所述衍生特征对样本电池进行分类，确定分类后每个类别中所述衍生特征的均值、及每个类别中样本电池的平均soh值；

51、判断模块，用于获取增量电池的所述特征数据集，并确定增量电池的所述衍生特征，计算增量电池衍生特征与每个类别样本电池衍生特征的欧式距离，根据所述欧式距离确定增量电池的soh值。

52、第三方面、本发明提出了一种电子设备，包括：一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行上述任一项所述的方法的步骤。

53、第四方面、本发明提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的方法的步骤。

54、本发明的有益效果在于：

55、本发明提出的soh估计方法只需采集所需历史数据，无需电池静置即可计算soh值，大大提升了soh估计的实时性，使得用户能够在车辆使用过程中随时获取电池健康状态；在实施算法上采用用主成分分析和k-means聚类等成熟算法，易于实现和推广应用。通过简单的数据采集和处理过程即可完成soh评估，不需要复杂的设备和操作。

56、本发明通过分析历史数据和主成分特征，能够准确地反映电池的健康状态。采用k-means聚类的方法，能够有效地分类和识别电池的健康状态，保证了估计结果的准确性。且该方法适用于各种类型的电动汽车动力电池，只需对不同的电池进行适当的参数调整即可，具有广泛的应用前景。

技术特征：

1.一种基于距离最近的锂电池soh评估方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于距离最近的锂电池soh评估方法，其特征在于：步骤s1中，确定样本电池当前总容量和soh值具体基于如下公式计算得到：

3.根据权利要求2所述的一种基于距离最近的锂电池soh评估方法，其特征在于：所述步骤s2包括：

4.根据权利要求3所述的一种基于距离最近的锂电池soh评估方法，其特征在于：步骤s3具体为：基于k-means聚类算法将样本电池按所述衍生特征进行聚类，将主成分得分矩阵y分为 k个类别，计算每个分类中两个所述主成分得分的均值，以及每个类别中所有样本电池的平均soh：令k=2，令第1类中包含前两个样本，则两个衍生特征的均值为：

5.根据权利要求4所述的一种基于距离最近的锂电池soh评估方法，其特征在于：步骤s4中，所述计算增量电池衍生特征与每个类别样本电池衍生特征的欧式距离，根据所述欧式距离确定增量电池的soh值，包括：

6.一种基于距离最近的锂电池soh评估系统，其特征在于，应用于执行权利要求1-5任一项所述锂电池soh评估方法，所述系统包括：

7.一种电子设备，其特征在于，包括：一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行权利要求1至5中任一项所述的方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。

技术总结
本发明属于电动汽车动力电池技术领域，具体涉及一种基于距离最近的锂电池SOH评估方法及系统，方法包括采集样本电池特征数据集，确定样本电池的当前总容量和SOH值；对特征数据集进行主成分分析确定每个样本电池的衍生特征；基于K‑means聚类算法和衍生特征对样本电池进行分类，确定分类后每个类别中衍生特征的均值、及平均SOH值；获取增量电池的特征数据集，并确定增量电池的衍生特征，计算增量电池衍生特征与每个类别样本电池衍生特征的欧式距离，根据欧式距离确定增量电池的SOH值。本发明提出的SOH估计方法只需采集所需历史数据，无需电池静置即可计算SOH值，大大提升了SOH估计的实时性。

技术研发人员：鲍伟,褚兰,王云,姜明军,沈永柏,孙艳,江梓贤,刘欢
受保护的技术使用者：力高（山东）新能源技术股份有限公司
技术研发日：
技术公布日：2024/9/23