[发明专利]一种基于AI深度学习的电池生命预估方法

说明书

本发明涉及人工智能技术领域，具体公开了一种基于AI深度学习的电池生命预估方法，先通过基于电池的物理参数模型对电池SOH准确估算，获得SOH估算值，再通过基于电池的混合模型进行SOC准确预估，获得SOC估算值，最后根据SOH估算值和SOC估算值使用AI/ML深度学习架构进行剩余有用寿命预测，获得完整电池预测生命周期，通过采用基于物理模型的方法计算的参考能量值来估计RUL，提高了RUL的估算准确性和精度，其中的第二层AI/ML混合算法，它跟踪随时间变化的参数，并应用智能来了解它将以多快的速度降级或达到使用寿命，提供了对驾驶模式、电池运行时间和续航里程的洞察，并允许无线刷写校准更新，最大限度的提高客户满意度。

技术领域

本发明属于人工智能技术领域，具体涉及一种基于AI深度学习的电池生命预估方法。

背景技术

纯电动汽车(BEV)包括增程混动(REEV)/插电混动(PHEV)，以及混动(HEV)是汽车这种移动交通的未来，世界各国每年都以推动更高的电动汽车渗透率为目标。在这其中，电池是其成本最昂贵和重要的零部件，占电动汽车总成本的30-50％之间。非常明显的是，车辆的操作和运行条件不仅影响车辆(电池)的行驶里程，还影响电池的使用寿命。由于充电基础设施不足和电池容量限制，里程焦虑一直是导致电动汽车不被广泛接受或者犹豫不决的关键问题。与此同时，支持电池长期保修、客户更换故障电池的高成本、缺乏充电基础设施以及可靠性低等等也一直是困扰行业的大问题。这些问题的解决这一直是主机厂OEM和汽车行业关注的重点。类似的担忧也导致大型租赁车队管理公司放弃了向电动汽车车队的转换计划，或者是不同企业试图推出换电的模式等。

考虑到电池是促进电动汽车完美运行的关键，电池的性能必须精细测量和谨慎全面地审查，以提高能量密度，降低成本并延长使用寿命。因此，准确估计电池的健康状况(SOH)和充电状态(SOC)等参数就变得至关重要。

SOC是剩余电池容量的衡量标准，在充电控制和行驶里程预测等车辆应用中非常重要。众所周知，不准确的SOC估计将会引起用户不满，导致由于电池消耗引起的故障，促发车辆性能低下以及电池过早失效等，因此，SOC精度就成为掌握电池当前状态的关键参数。传统的SOC估计方法是基于模型的方法先建立电化学模型或等效物理模型，再利用卡尔曼滤波算法进行估算，即从充满误差的数据里寻找电池的最优状态值，该方法的优点是可以尽量减小测量噪声带来的估算误差，缺点是针对如何最好地利用它们来延长电池的寿命和在多长时间的时间内解决这样的问题，没有特别有效的解决方案，因此，我们需要提出一种基于AI深度学习的电池生命预估方法来提高SOC估计的准确性。

发明内容

本发明的目的在于提供一种基于AI深度学习的电池生命预估方法，通过采用基于物理模型的方法计算的参考能量值来估计RUL，提高了RUL的估算准确性和精度，其中的第二层AI/ML混合算法，它跟踪随时间变化的参数，并应用智能来了解它将以多快的速度降级或达到使用寿命，提供了对驾驶模式、电池运行时间和续航里程的洞察，并允许无线刷写校准更新，最大限度的提高客户满意度，以解决上述背景技术中提出的问题。

为实现上述目的，本发明采用了如下技术方案：

一种基于AI深度学习的电池生命预估方法，包括如下步骤：

S1、基于电池的物理参数模型通过SOH模块对电池SOH准确估算，获得SOH估算值；

S2、基于电池的混合模型对电池SOC准确预估，获得SOC估算值；

S3、根据SOH估算值和SOC估算值使用AI/ML深度学习架构进行剩余有用寿命预测，获得完整电池预测生命周期。