首页 > 资讯 > 一种基于大数据机器学习的电池健康度预测方法与流程

一种基于大数据机器学习的电池健康度预测方法与流程

泰然健康网
2025-06-09 15:35

本发明涉及电池健康度预测技术领域，特别涉及一种基于大数据机器学习的电池健康度预测方法。

背景技术：

电动汽车行业的兴起，锂离子电池在电动汽车领域得到广泛的应用，电池组的有效管理也成为保障电动汽车性能稳定和安全可靠的关键。特别是电动汽车电池在充放电过程中出现故障，从而导致安全事故频发，那么对电池使用情况的监测、对电池剩余电量的评估、对电池使用寿命的预测等技术就变得越来越重要。

电池健康状态(stateofhealth，soh)是用来衡量电池老化程度的参数。当前业务对soh的估算方法主要有两大类：直接获得法、数据驱动法。直接获得法是指对可直接测量的电池参数进行处理来计算soh的方法，具体有安时积分、开路电压、阻抗法等方式；数据驱动法不依赖于电池模型，而是采用数学模型，针对具体的车型来构造模型，其结果适用于具体的一个车型，因此精度较高。

技术实现要素：

为解决上述技术问题，本发明提供了一种基于大数据机器学习的电池健康度预测方法，采用数据驱动法，通过机器学习技术建立数学模型，来探索每个车型的电池寿命衰减规律，从而对具体每个车的电池寿命进行预测。

为达到上述目的，本发明的技术方案如下：

一种基于大数据机器学习的电池健康度预测方法，包括如下步骤：

步骤一，收集某一车型下多个车辆的充电过程明细数据；

步骤二，对收集到的充电过程数据进行处理，计算得到每辆车每次充电时的累计soc差值和预估电池容量；

步骤三，对该车型的充电过程数据进行数学建模，建立以预估电池容量为因变量、以累计soc差值为自变量的数学模型；

步骤四，基于建立的数学模型，分析该车型的电池soh衰减规律，得到soh衰减曲线，并计算出该车型电池容量衰减至80％时的循环次数；

步骤五：基于得到的soh衰减曲线，结合步骤二中每辆车的充电过程数据，计算每辆车电池容量衰减至80％时的时间；

步骤六：将该车型和具体每辆车的soh衰减规律计算结果，在可视化界面中呈现。

上述方案中，所述步骤一中，充电过程明细数据包括车辆vin、充电开始时间、充电结束时间、充电时长、充电开始soc、充电结束soc、充电电量。

上述方案中，所述步骤二的具体方法如下：

(1)计算每辆车每次充电的soc差值；

(2)计算每辆车逐次充电过程时的累计soc差值和累计充电量；

(3)通过累计充电量除以累计soc差值，得到每辆车每次充电时的预估电池容量。

上述方案中，所述步骤三中，建立的数学模型采用bp神经网络回归算法和多项式回归算法，针对每一个车型，比较这两类算法的精度，选择最优的算法。

进一步的技术方案中，所述bp神经网络回归算法中，采用了2层神经网络，隐藏层包含10个隐藏单元。

更进一步的技术方案中，所述bp神经网络回归算法中，相关的技术参数如下：

学习率选择：0.1/0.01/0.001；

激活函数选择：sigmoid/relu；

输入数据归一化；

优化器选择：batchgradientdescent；

迭代次数：20000次。

通过上述技术方案，本发明提供的一种基于大数据机器学习的电池健康度预测方法，基于海量的充电过程数据，可以精确拟合每个车型的soh衰减规律，并估算出该车型电池容量衰减至80％时的循环次数；再结合该车型下每辆车的充电频率，可以提前预知每辆车电池容量衰减至80％时的具体时间，为车辆的维护保养提供了可靠的依据。

附图说明

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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明实施例所公开的一种基于大数据机器学习的电池健康度预测方法流程示意图；

图2为本发明实施例所公开的soh电池容量衰减曲线示意图；

图3为本发明实施例所公开的电池容量百分比衰减模型示意图；

图4为本发明实施例所公开的车型电池衰减模型和每辆车的电池衰减时间示意图；

图5为本发明实施例所公开的车型和具体每辆车的soh衰减规律示意图。

具体实施方式

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、完整地描述。

本发明提供了一种基于大数据机器学习的电池健康度预测方法，如图1所示，该方法在积累了海量电池充电过程数据的基础上，通过机器学习技术，分析研究了不同车型的电池寿命衰减规律，分别建立模型来预测soh，并将研究结果应用在充电产品中。

具体实施例如下：

首先，选择【扬子江-wg6180bevhr3】这个车型为研究对象，该车型有30辆车，车辆vin为lwejnt2l*********。

步骤一：收集某一车型下多个车辆的充电过程明细数据。包括车辆vin、充电开始时间、充电结束时间、充电时长、充电开始soc、充电结束soc、充电电量等。

实施：收集【扬子江-wg6180bevhr3】这个车型下30辆车的充电过程明细数据，平均每辆车5000次充电记录。

步骤二：基于步骤一，对收集到的充电过程数据进行处理。具体包括：

(1)计算每辆车每次充电的soc差值；

(2)计算每辆车逐次充电过程时的累计soc差值、累计充电量；

(3)通过累计充电量除以累计soc差值，得到每辆车每次充电时的预估电池容量。

实施：针对每辆车，对充电记录按时间排序后，分别计算上述数值。

步骤三：基于步骤二，对该车型的充电过程数据进行数学建模，建立以预估电池容量为因变量、以累计soc差值为自变量的数学模型。算法主要有两类：bp神经网络回归算法、多项式回归算法。针对每一个车型，比较这两类算法的精度，选择最优的算法。

实施：针对【扬子江-wg6180bevhr3】这个车型，分别应用bp神经网络回归和多项式回归算法。其中，训练集20辆车10万条数据，验证集6辆车3万条数据，测试集4辆车2万条数据。

结果：bp神经网络回归的验证误差为0.93，多项式回归算法的验证误差为0.56。最终在这个车型上，选择多项式回归算法，测试误差0.55，并且在循环2000次时，容量衰减至103.29，衰减至73.3％，更符合电池容量的衰减规律。衰减曲线见图2。

步骤四：基于步骤三中得到的模型，分析该车型的电池soh衰减规律，得到soh衰减曲线。并计算出该车型电池容量衰减至80％时的循环次数。

实施：根据步骤三中得到的多项式回归系数，拟合出【扬子江-wg6180bevhr3】的电池容量衰减曲线。计算出电池容量衰减至80％时的循环次数为1721次，见图3。

步骤五：基于步骤四中得到的soh衰减曲线，结合步骤二中每辆车的充电过程数据，计算每辆车电池容量衰减至80％时的时间。

实施：【扬子江-wg6180bevhr3】车型有30辆车，统计每辆车的平均充电频率，根据充电频率，结合车型电池容量衰减曲线，计算出每辆车电池容量衰减至80％时的时间，比如【lwejnt2lxga000***】这辆车预计在2024年1月份电池容量衰减至80％，见图4所示。

步骤六：基于步骤四、步骤五，将该车型和具体每辆车的soh衰减规律计算结果，在可视化界面中呈现。

实施：将【扬子江-wg6180bevhr3】车型及其下30辆车的衰减规律进行可视化呈现，见图5所示。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。