首页 > 资讯 > 电动汽车动力电池组健康状态在线确定方法和系统.pdf

电动汽车动力电池组健康状态在线确定方法和系统.pdf

泰然健康网
2025-05-08 03:46

《电动汽车动力电池组健康状态在线确定方法和系统.pdf》由会员分享，可在线阅读，更多相关《电动汽车动力电池组健康状态在线确定方法和系统.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010191066.9 (22)申请日 2020.03.18 (71)申请人北京理工大学地址 100081 北京市海淀区中关村南大街5 号申请人北京理工新源信息科技有限公司 (72)发明人王震坡张雷刘鹏王秋诗佘承其 (74)专利代理机构北京高沃律师事务所 11569 代理人刘凤玲 (51)Int.Cl. G01R 31/392(2019.01) G01R 31/367(2019.01) (54)发明名称一种电动汽车动力电池组健康状态在线确定方法和系统 (。

2、57)摘要本发明提供的电动汽车动力电池组健康状态在线确定方法和系统，通过采用动力电池组健康状态在线估计模型，根据应用数据就可以确定得到所述电动汽车动力电池的容量增量曲线的第二峰值，然后根据第二峰值就可以精确得到电动汽车动力电池组的健康状态。并且，本发明所提供的电动汽车动力电池组健康状态在线确定方法和系统，仅需要根据所获取的应用数据就可以得到电动汽车动力电池组健康状态，这就能够简化电动汽车动力电池组健康状态确定过程，解决现有技术中电动汽车动力电池组健康状态确定方法应用困难的问题。权利要求书2页说明书10页附图4页 CN 111323719 A 202。

3、0.06.23 CN 111323719 A 1.一种电动汽车动力电池组健康状态在线确定方法，其特征在于，包括：获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始 SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别；获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型；根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值；根据所述第二峰值确定所述电动汽车动力电池组的。

4、健康状态。 2.根据权利要求1所述的一种电动汽车动力电池组健康状态在线确定方法，其特征在于，所述获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型之前还包括：采集电动汽车的应用数据；根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值；将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对；采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。 3.根据权利要求2所述的一种电动汽车动力电池组健康状态在线确定方法，其特征在于，所述根据采集的应用数据，确定与采集的。

5、应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值具体包括：根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线；根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量；采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线；根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值。 4.根据权利要求1所述的一种电动汽车动力电池组健康状态在线确定方法，其特征在于，所述。

6、获取电动汽车的应用数据之前还包括：采集所述电动汽车的应用数据；对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。 5.一种电动汽车动力电池组健康状态在线确定系统，其特征在于，包括：应用数据获取模块，用于获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别；在线估计模型获取模块，用于获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型；第一峰值确。

7、定模块，用于根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值；权利要求书 1/2 页 2 CN 111323719 A 2 健康状态确定模块，用于根据所述第二峰值确定所述电动汽车动力电池组的健康状态。 6.根据权利要求5所述的一种电动汽车动力电池组健康状态在线确定系统，其特征在于，所述系统还包括：第一应用数据采集模块，用于采集电动汽车的应用数据；第二峰值确定模块，用于根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值；数据训练对构建模块，用于将采集的应用数据以及与该应。

8、用数据相对应的第二峰值作为数据训练对；模型训练模块，用于采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。 7.根据权利要求6所述的一种电动汽车动力电池组健康状态在线确定系统，其特征在于，所述第二峰值确定模块具体包括：容量-电压曲线确定单元，用于根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线；端电压和充电容量确定单元，用于根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量；容量-电压曲线拟合单元，用于采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线；峰值。

9、确定单元，用于根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值。 8.根据权利要求5所述的一种电动汽车动力电池组健康状态在线确定系统，其特征在于，所述系统还包括：第二应用数据采集模块，用于采集所述电动汽车的应用数据；预处理模块，用于对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。权利要求书 2/2 页 3 CN 111323719 A 3 一种电动汽车动力电池组健康状态在线确定方法和系统技术领域 0001 本发明涉。

10、及动力电池管理技术领域，特别是涉及一种电动汽车动力电池组健康状态在线确定方法和系统。背景技术 0002 电动汽车的推广应用已被认为是减少人类对化石燃料的依赖以及温室气体排放的可行途径。锂离子电池由于其在能量密度、循环寿命等方面的优势，在电动汽车中被广泛用作能量存储设备。然而，锂离子电池由于存在不断出现的副反应而不可避免地会在其使用期间出现性能下降，也称为老化现象。一般而言，动力电池内阻增加100或容量衰减 20会被视为达到其使用寿命终止 (End OfLife， EOL)，不再适合汽车应用。此外，容量的精确计量对于电池组的SOC估计和故障诊断以及电动汽车的剩。

11、余行驶里程预测也至关重要。然而，由于测试条件和设备限制，电池健康状态(State OfHealth， SOH)在车辆行驶过程中难以测量。因此，作为电池管理系统(BMS)的核心任务之一，准确的SOH估算是提高电池系统的效率，安全性和耐用性的保证。 0003 现有锂离子电池健康状态的定义主要有容量定义法和内阻定义法，其计算公式如式(1)和式(2)所示。 0004 0005 式中， C0为初始标称容量， Ci为第i次充电容量。 0006 0007 式中： Rnew为电池出厂时的欧姆内阻， REOL为电池寿命结束(EoL)时的欧姆内阻， Ri 为第i次测得的电池欧姆内阻。 00。

12、08 利用容量法对电动汽车动力电池组进行SOH评估时，需要在恒定的温度条件下，采用恒流恒压(其中恒流段一般选择1/3C电流倍率)的方式将动力电池组充至满电状态，静置 1小时，然后采用恒流(一般为1C)方式将电池放电至截止电压，并循环以上步骤至少3次，用其稳定后的放电容量平均值作为当前状态的最大可用容量值，进而计算SOH。这种方式不仅耗时长，而且深度的放电对电池也具有一定程度的损害。 0009 利用内阻表征电池组SOH的方法在实际的测试过程中，需要用到脉冲法和电化学阻抗谱法，一方面，实际应用中电池包整体内阻随老化变化幅度较小，不适合用来进行健康状态评估，另一。

13、方面，测量内阻需要特定的实验设备，难以实现在线估计。 0010 针对以上问题，现有文献中已经提出了许多用于电池SOH估计的方法，这些方法可以粗略地分为三类，即基于物理的方法，基于经验的方法和数据驱动的方法。基于物理的方法使用偏微分方程(PDE)来描述与电池老化密切相关的电池动力学，从而实现SOH估算。这种方法能够实现较高的估计精度，但需要精确测量大量电化学参数，这些参数无法准确获取；此外，模型涉及复杂的偏微分计算，运算量极大，难以应用于车载BMS中。基于经验的方说明书 1/10 页 4 CN 111323719 A 4 法采用等效电路模型来描述电池动力。

14、学，并设计状态观测器来估计模型参数。然而，使用的经验电池模型在模型拟合不同的工作条件下使用时，缺乏物理意义，并且模型精度有限，因此显著降低了SOH估算精度。近年来，数据驱动的方法例如高斯过程回归和支持向量机，受到了越来越多的关注，因为它们不需要了解电池运行过程中电化学反应的详细过程。在这些方法中，需要大量测试数据来训练电池SOH模型，可以直接描述SOH及其影响因素之间的非线性关系。 0011 对本领域相关专利进行检索，现将其中与本发明相近的技术方案陈述如下。申请号为201810504744.5的发明专利公开了一种电池健康状态分析方法及装置。方法包括：。

15、获得样本电池在不同SOH下，样本电池的SOC与样本电池的OCV的关系曲线；将SOH为设定值时，样本电池的SOC与OCV的关系曲线作为参考曲线；将不同SOH下，样本电池的SOC与OCV的关系曲线与参考曲线作差，得到样本电池的SOC与开路电压变化量OCV的关系曲线；根据不同 SOH下，样本电池的SOC与OCV的关系曲线，分析得到SOC与OCV的关系曲线中两点之间的斜率k；根据不同SOH下，斜率k的变化，得到SOH与斜率k的对应关系；基于样本电池SOH与斜率k的对应关系，根据待检测锂离子电池的斜率k的值，分析得到待检测锂离子电池的SOH。这种方法通过电池老化。

16、后OCV曲线与初始状态的差异估算SOH，理论上具有可信度，然而，开路电压与SOC在实车应用中都较难测量，所以会导致算法存在误差。 0012 申请号为201610913062.0的发明专利公开了一种电池健康状态在线估计方法和系统，该方法计算电池充放电过程中容量变化与电压变化的比值，并将其最大处作为参考点，在此参考点邻域选取一个电压区间V1+和V1-，对该区间内容量变化值进行滤波，并计算出区间内的容量CT，同时测定电池在当前状态下的实际容量CA，并通过线性回归拟合CT与CA 之间的对应关系，进而通过CT值来预测CA值。该方法可以实现电池健康状态的在线估计，但由。

17、于不同类型的电池CT与CA的关系可能存在非线性，因此会导致此方法的估计结果会出现较大误差。 0013 申请号为201810205365.6的发明专利公开了一种基于粒子群优化RBF神经网络的健康状态估计方法。首先通过采集电池循环过程中的电压、电流以及时间数据，绘制容量增量曲线，经滤波后得到容量增量峰值以及峰值位置数据，将其作为输入数据，并将电池实际的健康状态作为输出，建立RBF神经网络模型，应用粒子群优化算法求解神经网络模型参数。该方法可以较好的建立容量增量峰值与电池健康状态之间的非线性关系，然而，在实车应用工况下，充电过程常常并不完整，而且电压和电流数据。

18、常常精度较低，难以绘制完整的容量增量曲线，因此，实际应用存在困难。 0014 因此，本领域亟待提供一种电动汽车动力电池组健康状态的确定方法，以解决现有技术在确定电动汽车动力电池组健康状态过程中所存在的估计不精确和应用困难的问题。发明内容 0015 本发明的目的是提供一种电动汽车动力电池组健康状态在线确定方法和系统，解决现有技术在确定电动汽车动力电池组健康状态过程中所存在的估计不精确和应用困难的问题。 0016 为实现上述目的，本发明提供了如下方案：说明书 2/10 页 5 CN 111323719 A 5 0017 一种电动汽车动力电池组健康状态在线确定方法，包括。

19、： 0018 获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别； 0019 获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型； 0020 根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值； 0021 根据所述第二峰值确定所述电动汽车动力电池组的健康状态。 0022 优选的，所述获取以应用数据为输入，以电动汽车动力。

20、电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型之前还包括： 0023 采集电动汽车的应用数据； 0024 根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值； 0025 将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对； 0026 采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。 0027 优选的，所述根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值具体包括： 0028 根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线； 0029 根据。

21、所述容量-电压曲线确定所述电动汽车的端电压和充电容量； 0030 采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线； 0031 根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值。 0032 优选的，所述获取电动汽车的应用数据之前还包括： 0033 采集所述电动汽车的应用数据； 0034 对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。 0035 一种电动汽车动力电池组。

22、健康状态在线确定系统，包括： 0036 应用数据获取模块，用于获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别； 0037 在线估计模型获取模块，用于获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型； 0038 第一峰值确定模块，用于根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值； 0039 健康状态确定模。

23、块，用于根据所述第二峰值确定所述电动汽车动力电池组的健康状态。 0040 优选的，所述系统还包括：说明书 3/10 页 6 CN 111323719 A 6 0041 第一应用数据采集模块，用于采集电动汽车的应用数据； 0042 第二峰值确定模块，用于根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值； 0043 数据训练对构建模块，用于将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对； 0044 模型训练模块，用于采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。 0045 优选的，所述第二峰值确定模。

24、块具体包括： 0046 容量-电压曲线确定单元，用于根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线； 0047 端电压和充电容量确定单元，用于根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量； 0048 容量-电压曲线拟合单元，用于采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线； 0049 峰值确定单元，用于根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第。

25、二峰值。 0050 优选的，所述系统还包括： 0051 第二应用数据采集模块，用于采集所述电动汽车的应用数据； 0052 预处理模块，用于对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。 0053 根据本发明提供的具体实施例，本发明公开了以下技术效果： 0054 本发明提供的电动汽车动力电池组健康状态在线确定方法和系统，通过采用动力电池组健康状态在线估计模型，根据应用数据就可以确定得到所述电动汽车动力电池的容量增量曲线的第二峰值，然后根据第二峰值就可以精确得到电动汽车动力电池组的健康状态。并且，本发明所提供的电动汽车动力电池组健康状态在线确定方。

26、法和系统，仅需要根据所获取的应用数据就可以得到电动汽车动力电池组健康状态，这就能够简化电动汽车动力电池组健康状态确定过程，解决现有技术中电动汽车动力电池组健康状态确定方法应用困难的问题。附图说明 0055 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 0056 图1为本发明实施例提供中所提供方案的总体流程图； 0057 图2为本发明实施例提供的电动汽车动力电池组健康。

27、状态在线确定方法的流程图； 0058 图3为本发明实施例提供的拟合后的容量-电压曲线图；说明书 4/10 页 7 CN 111323719 A 7 0059 图4为本发明实施例提供的滤波后不同里程下的IC曲线图； 0060 图5为本发明实施例中所有研究车辆的IC峰值随累计里程的变化曲线图； 0061 图6为本发明实施例中拟合后的IC峰值图； 0062 图7为本发明实施例中径向基函数神经网络模型的结构示意图； 0063 图8为本发明实施例提供的电动汽车动力电池组健康状态在线确定系统的结构示意图。具体实施方式 0064 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、。

28、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 0065 本发明的目的是提供一种电动汽车动力电池组健康状态在线确定方法和系统，解决现有技术在确定电动汽车动力电池组健康状态过程中所存在的估计不精确和应用困难的问题。 0066 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 0067 术语解释： 0068 动力电池健康状态(State Of Health， SOH)。

29、：表征动力电池当前性能状态与初始性能状态之间的比例，常见的表示方法由容量表示法和内阻表示法。 0069 容量增量分析法(Incremental Capacity Analysis， ICA)：利用容量差分与电压差分的比，从电池电压曲线上提取相关特征的一种方法。其中，容量增量(Incremental Capacity， IC) 0070 径向基函数神经网络(Radial Basis Function Neural Network， RBFNN)：使用径向基函数作为隐层神经元激活函数的前馈神经网络。 0071 电池管理系统(Battery Management System，。

30、BMS)：一般包括电池状态估计、热管理、均衡等功能。 0072 荷电状态(State Of Charge， SOC)：电池剩余容量与当前最大可用容量之比。 0073 开路电压(Open Circuit Voltage， OCV)：电化学平衡状态下电池正负极之间的电势差。 0074 恒流恒压充电法(Constant Current Constant Voltage， CCCV)：先恒流充电至电池厂商所规定的充电截止电压，再转换为恒压充电的一种充电模式。 0075 充放电倍率(C率)：表示充电电流与额定容量的比。例如， 1/3C电流表示三小时可以将电池充至满电量所需的电流。

31、大小。 0076 支持向量回归(Support Vector Regression， SVR)：一种可以高精度拟合非线性关系的机器学习方法。 0077 放电深度(Depth Of Discharge， DOD)：电池放电量与电池额定容量的百分比。 0078 本发明的整体设计思路如图1所示，具体为：首先，以大数据平台上采集的电动汽车实车行驶和充电数据为原始数据，划分为充电和行驶片段，提取有效的充电片段，采用插说明书 5/10 页 8 CN 111323719 A 8 值方法填补缺失帧，采取SVR支持向量回归对其容量- 电压曲线进行拟合，并绘制容量增量曲线，利用高斯窗。

32、口滤波对容量增量曲线进行平滑，并求出其第二峰值，利用SVR(或最小二乘回归、岭回归等方式) 对不同里程下的容量增量峰值进行填补和回归，得到完整的容量增量峰值随里程的变化关系，将处理后的容量增量峰值作为健康状态估计模型的输出参数。其次，从充电片段中提取累计行驶里程、充电起始SOC、平均充电电流、平均充电温度，从行驶片段中提取平均行驶温度，将其作为健康状态估计模型的输入参数。最后，使用径向基函数神经网络(Radical Basis Function， RBFNN)，建立基于大数据的动力电池组健康状态在线估计模型。 0079 用以上输入和输出参数，对14辆。

33、纯电动汽车的数据进行训练，并用另外 4辆车的数据进行验证，结果显示，平均误差为4，模型有较好的健康状态估计能力。 0080 本发明的具体实施方案为： 0081 图2为本发明实施例提供的电动汽车动力电池组健康状态在线确定方法的流程图，如图2所示，一种电动汽车动力电池组健康状态在线确定方法，包括： 0082 S1、获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别；其中，车辆的累计行驶里程可以反映其电池系统在实际操。

34、作中的安时吞吐量，对电池的退化产生至关重要的影响。初始充电SOC是前序行程中DOD的直接反应。 0083 S2、获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型； 0084 S3、根据所述应用数据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值； 0085 S4、根据所述第二峰值确定所述电动汽车动力电池组的健康状态。 0086 为了提高对电动汽车动力电池组的健康状态进行估计的精确度，在上述S2之前还可以包括： 0087 采集电动汽车的应用数据； 0088 根据采集的应用数据，。

35、确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值； 0089 将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训练对； 0090 采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。 0091 其中，根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值的过程具体包括： 0092 根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线，具体为： 0093 在一个充电片段中，充电容量由下式计算得到： 0094 0095 其中， Q为充电容量， I(t)为第t时刻的充电电流， T为采样周期。 00。

36、96 将式(3)离散化，使用k代表离散的时间步，进而计算每一个电压位置的IC值：说明书 6/10 页 9 CN 111323719 A 9 0097 0098 其中， Qk表示电池在第k时刻的充电容量， Vk表示电池在第k时刻的电压， Qk-1代表电池在第k-1时刻的充电容量， Vk-1代表电池在第k-1时刻的电压。 0099 根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量； 0100 但是，由于电压测量精度的影响，有可能出现在某些连续时间步内，测量到的电压没有发生变化，如图3中黑色实线所示。这将导致IC曲线推导中的零分母问题。为了解决这一问题，采用支持向量。

37、回归(SVR)算法(或高斯过程回归、决策树回归等机器学习回归模型) 对数据集(图3中黑色实线所表示的原始数据)进行预处理，即采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进行拟合，得到拟合后的容量-电压曲线。这一拟合过程具体为： 0101 设数据集(x1， y1)， (x2， y2)，， (xl， yl)，其中xiRn是特征向量， yiR 是目标输出，则系统方程可以表示成如下形式： 0102 y +b,X,bR, 0103 SVR算法将方程转化为以下优化问题： 0104 0105 0106式中，向量表示以C0为正则化参数的模型参数，表示上限的。

38、松弛变量， i表示下限的松弛变量， yi表示目标输出， xi表示特征向量。通过求解上述方程，可以导出近似函数： 0107 0108其中， i和均为拉格朗日算子， k(xi,xc)表示核函数。本发明应用高斯径向基核函数(RBF)，其表达式为： 0109 0110 其中， k(.)表示选择的核， xi表示采样点， xc表示中心点，是高斯函数的标准偏差，表示RBF核的宽度。在本发明所涉及的电池充电过程中，已充入电量可以由下式计算： 0111 0112 其中， Cr是额定电池容量， Ck是在Vk电压下的已充入电量， k代表时间步， s0是充电操作的初始SOC值， Ik是充电电流。

39、，而T是采样间隔。说明书 7/10 页 10 CN 111323719 A 10 0113 值得一提的是，由于实际电池容量的降低，可能导致每个特定电压下的计算容量与实际值存在偏差，然而，由于IC值的计算仅需要用到两个采样点间充电容量的差值(增量)，因此对IC曲线推导的影响有限。充电容量和相关电压之间的关系可以近似为 0114 Ckf(Vk) 0115 在本发明中，根据公式(11)得到容量-电压的曲线图，如图4所示。 SVR 算法被用来拟合容量增量曲线，以消除原始数据波动带来的影响。其中，输入为端电压Vk，输出为充电容量Ck。 0116 基于图3中的SVR拟合。

40、后的容量-电压曲线，依据公式(4)，可以得出每辆车的IC曲线。 0117 然而，电压和电流的测量精度不可避免地会影响所获得的IC曲线，使其出现异常的波动。为了有效地提取IC曲线的特征，需要采用一定的滤波算法。在本发明使用高斯窗口 (GW)滤波(方法或滑动均值滤波、低通滤波、小波等滤波等方式)用于平滑IC曲线，滤波后不同里程下的IC曲线如图5所示。 0118 可以看出， IC曲线的第二峰值通常随着累积里程的增加而降低，因此可以用其表征电池SOH。即通过IC曲线的第二峰值对电动汽车动力电池组的健康状态进行确定，那么在得到容量增量曲线后就可以确定其第二峰值。 01。

41、19 图5描绘了不同车辆的峰值演变。可以看出，所有峰值演化都具有相似的模式，但曲线斜率不同。通过聚类，可以将研究的车辆分为两组。由此，引入分类因子，对车辆所属类别进行区分(在本发明中以规定的衰退速率为界限按照当前电动汽车的车辆衰退速率将电动汽车分为两种类别)，以提高预测准确率。 0120 进一步，由于对数据要求较为严格，并非所有充电过程中的电压变化曲线都可以用于IC曲线推导。为了获得每次充电过程的IC值，需要再次使用SVR 算法来获取IC值随着累积里程增加而演变的趋势，拟合结果在图6中显示。可以看出，拟合曲线可以充分代表IC 值的演化路线并滤除异常值。。

42、该拟合曲线可用于获取特定累积里程的确切IC值，可用作模型训练和验证的模型输出。 0121 为了进一步提高本发明所提供的电动汽车动力电池组健康状态在线确定方法的评估准确性，在采集得到电动汽车的应用数据之后，还需要对采集得到的应用数据进行预处理。所述预处理具体包括：均值处理和绝对值处理。 0122 作为本发明的另一实施例，本发明所采用的径向基函数神经网络(Radical Basis Function， RBFNN)模型的具体构建过程为： 0123 相比于传统的人工神经网络(ANN)， RBFNN模型的区别主要在于隐层数和输入节点的激活函数。由于RBFNN模型的激活函数可以将。

43、输入变量映射到高维，将非线性关系转化为线性关系，使得RBFNN模型只需要一个隐层。因此， RBFNN模型的训练也比一般的ANN更为有效，可以防止模型训练陷入局部极小值。 0124 本发明利用RBFNN模型建立了动力电池组健康状态在线估计模型，并利用梯度下降算法(或粒子群优化、遗传算法等)进行模型训练和验证。开发的动力电池组健康状态在线估计模型可以嵌入到现实的电池管理系统 (BATTERY MANAGEMENT SYSTEM， BMS)中进行在线计算。 RBFNN神经网络模型的基本结构为：说明书 8/10 页 11 CN 111323719 A 11 0125 0126。

44、 0127 式中， Y表示输出参数， k表示隐层节点个数， wj为第jth个隐层节点与输出节点之间的权重， w0为隐层节点到输出节点的偏置项。所建立模型的结构如图7所示。它由一个输入层，一个隐藏层和一个输出层组成。输入层包含六个特征参数，分别为车辆的累计行驶里程、初始充电SOC、平均充电温度、平均充电电流、平均放电温度以及分类因子，而IC曲线的第二峰值是输出层中唯一的模型输出。 0128 BP(Back Propagation)训练算法已被广泛用于RBFNN的训练。优选地，本发明选择梯度下降(Gradient Descent)法来解决拟合问题，并且将学习率设。

45、置为0.001。由此，上式中的参数可以由下式更新： 0129 xcj(i)xcj(i-1)+ xcj+ (xcj(i-1)-xcj(i-2) 0130 xcj(i)xcj(i-1)+ xcj+ (xcj(i-1)-xcj(i-2) 0131 xcj(i)xcj(i-1)+ xcj+ (xcj(i-1)-xcj(i-2) 0132 其中， wj为第jth个隐节点的权重， j为第jth个隐节点的标准差， xcj为第 jth个隐节点的中心值， i代表迭代次数， 0,1为学习率， 0,1为动量因子。 0133 此外，对应于上述电动汽车动力电池组健康状态在线确定方法，本发明还提供了一种电动。

46、汽车动力电池组健康状态在线确定系统，如图8所示，该系统包括：应用数据获取模块1、在线估计模型获取模块2、第一峰值确定模块3 和健康状态确定模块4。 0134 应用数据获取模块1用于获取电动汽车的应用数据；所述应用数据包括：电动汽车的累计行驶里程值、充电起始SOC值、平均充电电流、平均行驶温度、平均充电温度以及分类因子；所述分类因子为依据电动汽车车辆衰退速率不同而划分的类别； 0135 在线估计模型获取模块2用于获取以应用数据为输入，以电动汽车动力电池的容量增量曲线的第二峰值为输出的动力电池组健康状态在线估计模型； 0136 第一峰值确定模块3用于根据所述应用数。

47、据，利用所述动力电池组健康状态在线估计模型确定所述电动汽车动力电池的容量增量曲线的第二峰值； 0137 健康状态确定模块4用于根据所述第二峰值确定所述电动汽车动力电池组的健康状态。 0138 为了进一步提高心痛预测的精确性，上述系统还包括：第一应用数据采集模块、第二峰值确定模块、数据训练对构建模块和模型训练模块。 0139 其中，第一应用数据采集模块用于采集电动汽车的应用数据；第二峰值确定模块用于根据采集的应用数据，确定与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值；数据训练对构建模块用于将采集的应用数据以及与该应用数据相对应的第二峰值作为数据训。

48、练对；模型训练模块用于采用所述数据训练对对所述动力电池组健康状态在线估计模型进行训练。 0140 上述第二峰值确定模块具体包括：容量-电压曲线确定单元、端电压和充电容量确定单元、容量-电压曲线拟合单元和峰值确定单元。说明书 9/10 页 12 CN 111323719 A 12 0141 容量-电压曲线确定单元用于根据采集的应用数据，采用增量容量分析法得到电动汽车的容量-电压曲线；端电压和充电容量确定单元用于根据所述容量-电压曲线确定所述电动汽车的端电压和充电容量；容量-电压曲线拟合单元用于采用SVR算法，以所述端电压为输入，以所述充电容量为输出对容量-电压曲线进。

49、行拟合，得到拟合后的容量-电压曲线；峰值确定单元用于根据所述拟合后的容量-电压曲线得到容量增量曲线，并确定所述容量增量曲线的第二峰值；所述容量增量曲线的第二峰值即为与采集的应用数据相对应的电动汽车动力电池的容量增量曲线的第二峰值。 0142 除上述部件之外，本发明所提供的系统还可以包括有：第二应用数据采集模块和预处理模块。 0143 其中，第二应用数据采集模块用于采集所述电动汽车的应用数据；预处理模块用于对所采集的应用数据进行预处理；所述预处理包括：均值处理和绝对值处理。 0144 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的。

50、不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。 0145 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。说明书 10/10 页 13 CN 111323719 A 13 图1 图2 说明书附图 1/4 页 14 CN 111323719 A 1。