[发明专利]基于充电片段数据和LightGBM模型的电池容量评估方法

说明书

本发明公开基于充电片段数据和LightGBM模型的电池容量评估方法，主要包括以下步骤：S1：建立电池荷电状态SOC模型；S2：充电片段数据库的建立；S3：数据挖掘包括数据预处理、数据探索、处理SOC异常数据三个实现步骤；S4：特征数据提取，将原始数据特征通过预处理过后得到的数据进行总结和抽取，获取影响电机超速故障的衍生特征因素；S5：建立模型，对于已提取的特征建立电池SOC与对应特征变量的对应关系数据集，选取基于LightGBM算法的模型对数据进行基于梯度的单面采样和互斥特征合并；S6：样本测试。本发明所述预测模型通过采集大量真实车辆数据作为数据来源，从指标参数中提取特征，结合正负样本测试结果，能够针对新能源电动汽车电池SOC进行精准的矫正。

技术领域

本发明属于电动汽车汽车电池状态评估领域，具体涉及基于充电片段数据和LightGBM算法的动力电池容量预测模型和电池容量评估方法。

背景技术

随着全球能源短缺，以及电动汽车相关技术的突破，人们对于电动汽车的需求量持续增高。电动汽车的发展依赖于电池的循环性能和安全性。为了确保电动汽车电池的各方面性能的可靠性，电池的性能参数需要被有效监测。其中，电池管理系统(BMS)是重要且使用的监测手段。电池管理系统的主要目的就是保证电池系统的设计性能，从安全性、耐久性、动力性三个方面提供作用。安全性方面，即BMS管理系统能保护电池单体或电池组免受损坏，防止出现安全事故。耐久性方面，即使电池工作在可靠的安全区域内，延长电池的使用寿命。动力性方面，即要将电池的工作状态在维持在满足车辆要求的情况下。

具体地，BMS通过分析电池参数来监管电池状态，实时监控电池的充电状态(SOC)、健康状态(SOH)和剩余寿命(RUL)。BMS实时显示精确的SOC信息能充分缓解“续航里程焦虑”问题，也能避免电池处于深度放电状态。对车主、电池厂商、换电运营商、保险公司及交通部门而言，可以解决各方痛点问题。对剩余寿命(RUL)进行准确预测能使电池在更换或回收前得到充分利用。对废旧电池的剩余寿命进行评估，也能够使其部署在要求较低的应用中，如固定的电网存储。此外，在BMS上传数据时，会存在一定比例错误的SOC数值，需要进行数据矫正，以防止对其余需要使用SOC数据的算法产生影响。这能够为目标系统提供预防性维修和维护的决策参考，降低维护成本并减小致命故障的几率。因此准确预测动力电池当前和未来状态对电池的制造、使用和优化有重要的意义。

在车载电池的实际使用中，充电情况多为片段充电，即充电时间往往较短且充电周期不固定。例如，动力电池在实际的使用过程中，充电情况一般是类似SOC从20%到80%或者SOC从50%到100%，由此得到片段充电数据。因此，无法从每次充电情况判断电池可用容量。进而，每次使用短暂的充电数据进行预测较为困难。因此，便需要一种以大量实车的原始充电片段数据为数据来源，能高精度、实时性测量当前SOC的方法。

为了得到准确有效的SOC预测结果，同时考虑到现实生活中海量的电池充电片段数据。LightGBM模型是轻度梯度提升机，本发明提出基于该模型的预测方法，其优点在于，得到的训练模型具有良好的泛化性，且能有效避免过拟合等问题。此外，LightGBM支持高效率的并行训练，具有更快的训练速度、更低的内存消耗、更好的准确率、支持海量数据等特点。

发明内容

为了解决现有的动力电池状态预测方法不能用于真实车辆测量、无法同步精准反应当前电池SOC、不易预测和校准以及在实用性方面的欠缺，本发明提供一种以大量实车的原始充电片段数据为数据来源，适用于现实工况环境、快速准确地进行电池状态监控、便于实时预估和矫正当前电池SOC的电池容量评估方法。

本发明解决其技术问题所采用的技术方案如下：

基于充电片段数据和LightGBM模型的电池容量评估方法，主要包括如下实现步骤：

S1：建立电池荷电状态SOC模型，根据电池的不同状态分别计算电池SOC，将安时积分法与开路电压法联合使用，并针对常用的恒直流充电模式建立SOC计算方法。