[发明专利]一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型

说明书

一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型,涉及数据挖掘，模型融合等技术，包括以下步骤：首先对云端监管平台海量多源异构数据进行去噪处理和特征因素提取获取行驶过程中的健康指标，作为数据驱动预测模型的一个输入，利用极限学习机进行寿命预测，得到数据驱动寿命预测模型。通过多因素寿命衰减实验获取电池寿命经验预测模型，将经验模型和数据驱动模型进行交互融合，设置阈值，得到电池寿命融合模型，提高寿命预测精度，更适用于实际汽车工况。本发明通过将反映寿命衰减与工况因素之间关系的经验模型和反映寿命衰减与运行状态之间关系的数据驱动模型进行融合，可以实现复杂工况下电池寿命的精准预测，保证电池安全运行。

技术领域

本发明涉及锂离子电池的寿命预测模型,涉及基于实验数据和实测数据的预测模型融合，在实车复杂工况下可以实现寿命的精准预测。

背景技术

大数据和人工智能技术在新能源汽车领域展现出良好应用前景。锂离子电池具有能量密度大、自放电小、无记忆效应、可快速充放电、使用寿命长、无环境污染等优点，已成为新能源汽车主要电池供应方向。然而随着电池的使用，电池寿命会出现衰减现象，导致其性能退化、容量降低、阻抗增加，引起电池故障。严重时会造成电池起火、热失控等现象，威胁整车安全。为了确保新能源汽车运行时锂离子电池的安全性和稳定性，为电池检修及更换等可预知性管理提供参考，研究基于新能源汽车云平台的电池健康状态(State ofHealth，SOH)在线估计方法，具有重要的实践意义。

发明内容

本发明的目的是在于提出一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，旨在提高锂离子电池实车运行时的寿命预测精度，确保其安全稳定运行。

本发明解决其技术问题采取的技术方案是：

一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型，包括以下步骤：

步骤一，对云端监管平台海量多源异构数据进行进行去噪处理，得到高质量行车数据；对行车数据利用数据挖掘方法进行特征因素提取获取行驶过程中的健康指标；

步骤二，将健康指标作为模型输入，通过极限学习机建立基于数据驱动的寿命预测模型；

步骤三，通过实验室多因素寿命衰减实验建立电池寿命经验预测模型；

步骤四，将经验模型与数据驱动模型相融合，设置阈值，得到融合寿命预测模型。

进一步，所述步骤一包括以下步骤：

针对行驶工况存在异点噪声数据，首先选择合适的数据清洗滤波方法进行预处理。本项目拟通过Python和Matlab软件中一些常用的数据分析工具包进行数据清洗，去除云端数据噪声，得到高质量行车数据。

相对于复杂多变的放电工况，电池在充电过程中是相对稳定的，更容易提取一些相关性较大的H Is。为了获得更全面的健康指标，将数据分为充电数据和行驶中数据，分别进行处理。对相对稳定的充电数据，采用安时积分获得等电压充电容量CCR-CVR值。对行驶中数据，提出新的特征因素提取方法，拟从车速、电压电流等数据中获取数据片段及片段特征值，由片段特征值聚合为历史特征值，获取行驶过程中的健康指标。为了获得高质量的HIs，拟采用Spearman相关系数来分析健康指标与电池实际可用容量Qn的相关程度。

进一步，所述步骤二包括以下步骤：