首页 > 资讯 > 电动车辆的动力电池的健康状态确定方法及服务器与流程

电动车辆的动力电池的健康状态确定方法及服务器与流程

泰然健康网
2025-08-02 07:48

1.本发明涉及新能源技术领域，具体涉及一种电动车辆的动力电池的健康状态确定方法及服务器。

背景技术：

2.动力电池作为新能源电动汽车最主要的动力源，动力电池的使用寿命是有限的，动力电池中活性物质随着使用过程而自然损耗，因此，动力电池的满电容量会逐渐降低，业内常采用电池的健康状态(stateof health，soh)评估动力电池的寿命。
3.现有评估动力电池的soh值的方法主要有电化学机理方法和大数据人工智能评估方法。电化学机理方法是通过一定条件的充放电过程，对动力电池的电压、电流等数据进行分析而得到动力电池的soh值。由于动力电池的充放电过程需要一定充放电时间和充放电条件，因此上述作法评估soh值的效率比较低。
4.大数据人工智能评估方法是从大量历史数据中，利用长时间尺度数据分析算法进行得到动力电池的soh值。由于动力电池的soh衰减是一个缓慢且不可逆的过程，因此，对于使用一段时间的电动汽车的动力电池进行首次soh评估时，此方法由于缺少初始值而使得后续利用长时间尺度数据分析算法进行评估时，算法的收敛比较缓慢，无法快速可靠地输出soh值。

技术实现要素：

5.本发明实施例的一个目的旨在提供一种电动车辆的动力电池的健康状态确定方法及服务器，用于改善现有技术评估动力电池的健康状态时，存在效率低下的技术问题。
6.在第一方面，本发明实施例提供一种电动车辆的动力电池的健康状态确定方法，包括：
7.获取所述动力电池的电池数据以及所述电动车辆的车辆特征，所述电池数据包括实时电池关联参数与实时故障类型参数；
8.根据所述实时电池关联参数及与所述车辆特征对应的正常衰减模型，计算所述动力电池的正常健康状态衰减值；
9.根据所述实时故障类型参数及与所述车辆特征对应的故障衰减模型，计算所述动力电池的故障健康状态衰减值；
10.根据所述正常健康状态衰减值及所述故障健康状态衰减值，确定所述动力电池的综合健康评价值。
11.可选地，所述实时电池关联参数为行驶里程、动力电池的累计充电容量或累计放电容量中的一个。
12.可选地，所述根据所述正常衰减值及所述故障衰减值，确定所述动力电池的综合健康评价值包括：
13.根据以下公式：soh
t
＝std-δα
t-δε
t
，确定所述动力电池的综合健康评价值，std
为标准电池健康状态值，soh
t
为综合健康评价值，δα
t
为正常健康状态衰减值，δε
t
为故障健康状态衰减值。
14.可选地，所述正常衰减模型是根据与所述车辆特征相同的多个第一历史车辆的动力电池的第一训练数据训练得到的；
15.所述故障衰减模型是根据与所述车辆特征相同的多个第二历史车辆的动力电池的第二训练数据与所述正常衰减模型训练得到的。
16.可选地，所述第一历史车辆为未发生指定电池故障的车辆；
17.所述第二历史车辆为已发生指定电池故障的车辆；
18.所述指定电池故障为过压故障、欠压故障、充电过流故障、放电过流故障、高温故障、低温故障或指定严重故障中的任意一种。
19.可选地，所述正常衰减模型为：其中，δα
t
为正常健康状态衰减值，为正常衰减率，p
t
为实时电池关联参数。
20.可选地，所述第一训练数据包括与所述车辆特征相同的多个第一历史车辆的第一历史电池关联参数与第一电池健康状态值；
21.所述正常衰减率为：为正常衰减率，ηi为第i个第一历史车辆的待定衰减率，n为参与训练所述正常衰减模型的第一历史车辆的总数；
22.所述第i个第一历史车辆的待定衰减率是根据第i个第一历史车辆的第一历史电池关联参数和第一电池健康状态值进行计算得到。
23.可选地，当所述第一历史电池关联参数为行驶里程时，所述第i个第一历史车辆的待定衰减率为：ηi的单位为％/10000km， m
wi
为第i个第一历史车辆的行驶里程，soh
wi
为第i个第一历史车辆的第一电池健康状态值。
24.可选地，所述故障衰减模型为：其中，δε
t
为故障健康状态衰减值，xj为第j个实时故障类型参数，εj为第j个实时故障类型参数的故障衰减率。
25.可选地，所述实时故障类型参数为过压故障次数、欠压故障次数、充电过流故障次数、放电过流故障次数、高温故障次数、低温故障次数或指定严重故障次数中的一个。
26.可选地，所述第二训练数据包括与所述车辆特征相同的多个第二历史车辆的第二电池健康状态值、第二历史电池关联参数及历史故障类型参数；
27.第j个第二历史车辆的故障衰减率是根据线性回归算法，对多个所述第二历史车辆的健康差值及历史故障类型参数进行行列式计算得到；
28.第j个第二历史车辆的健康差值为第j个第二历史车辆的期望健康值与第j个第二电池健康值的差值；
29.第j个第二历史车辆的期望健康值是根据第j个第二历史电池关联参数及所述正常衰减模型进行计算得到的。
30.可选地，第j个实时故障类型参数的故障衰减率为：
[0031][0032][0033][0034]
其中，δε
yj
为第j个第二历史车辆的健康差值，为第j个第二历史车辆的期望健康值，soh
yj
为第j个第二历史车辆的第二电池健康值，std为标准电池健康状态值，为正常衰减率，p
yj
为第j个第二历史车辆的故障历史电池关联参数，x
sj
为第s个第二历史车辆的第j个历史故障类型参数，εj为第j个历史故障类型参数的故障衰减率。
[0035]
在第二方面，本发明实施例提供一种服务器，包括：
[0036]
至少一个处理器；以及，
[0037]
与所述至少一个处理器通信连接的存储器；其中，
[0038]
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的电动车辆的动力电池的健康状态确定方法。
[0039]
在第三方面，本发明实施例提供一种存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使电子设备执行上述的电动车辆的动力电池的健康状态确定方法。
[0040]
在第四方面，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使电子设备执行上述的电动车辆的动力电池的健康状态确定方法。
[0041]
本发明与现有技术相比至少具有以下有益效果：在本发明实施例提供的动力电池的健康状态确定方法中，获取动力电池的电池数据以及电动车辆的车辆特征，电池数据包括实时电池关联参数与实时故障类型参数，根据实时电池关联参数及与车辆特征对应的正常衰减模型，计算动力电池的正常健康状态衰减值，根据实时故障类型参数及与车辆特征对应的故障衰减模型，计算动力电池的故障健康状态衰减值，根据正常健康状态衰减值及故障健康状态衰减值，确定动力电池的综合健康评价值，因此，本实施例评估动力电池的健康状态时，无需控制动力电池进行充放电，也无需动力电池的首次健康状态值，都可快速地评估动力电池的健康状态，从而改善了现有技术评估动力电池的健康状态时存在效率低下的技术问题。
附图说明
[0042]
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性
说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0043]
图1为本发明实施例提供的一种动力电池的健康状态确定系统的结构示意图；
[0044]
图2为本发明实施例提供的一种电动车辆的动力电池的健康状态确定方法的流程示意图；
[0045]
图3为本发明实施例提供的训练正常衰减模型和故障衰减模型的场景示意图；
[0046]
图4为本发明实施例提供的一种电动车辆的动力电池的健康状态确定装置的结构示意图；
[0047]
图5为本发明实施例提供的一种服务器的电路结构示意图。
具体实施方式
[0048]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有作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。
[0049]
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。再者，本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。
[0050]
本发明实施例提供一种动力电池的健康状态确定系统，请参阅图1，健康状态确定系统100包括车辆通信设备11(vehicle communicationinterface,vci)与服务器12，服务器12与车辆通信设备11通信连接，其中，通信连接包括有线通信连接或无线通信连接，有线通信连接包括利用金属导线、光纤等有形媒质传送信息的各类通信连接。无线通信连接包括5g通讯、4g通讯、3g通讯、2g通讯、cdma、蓝牙、无线宽带、超宽带通信、近场通信、cdma2000、gsm、ism、rfid、umts/3gppw/hsdpa、 wimax、wi-fi或zigbee等。
[0051]
车辆通信设备11用于插接在电动车辆13的obd接口(on boarddiagnostics,obd)，车辆通信设备11基于obd接口与电动车辆13进行通信，以获取电动车辆13的车辆数据，车辆数据包括故障码、电池数据或车辆特征。故障码用于表示电动车辆的故障类型。电池数据为与电动车辆的动力电池关联的数据。车辆特征为用于表示电动车辆的车型特征和/或属地特征。
[0052]
如前所述，车辆通信设备11获得电动车辆13的电池数据和车辆特征，于是将电池数据和车辆特征打包发送给服务器12，服务器12根据车辆特征，选择相应的正常衰减模型14与故障衰减模型15，并将电池数据分别输入正常衰减模型14与故障衰减模型15，并根据正常衰减模型14的输出结果与故障衰减模型15的输出结果，确定动力电池的综合健康评价值。
[0053]
可以理解的是，此处服务器可以是一个物理服务器或者多个物理服务器虚拟而成的一个逻辑服务器。服务器也可以是多个可互联通信的服务器组成的服务器群，且各个功能模块可分别分布在服务器群中的各个服务器上。
[0054]
作为本发明实施例另一方面，本发明实施例提供一种电动车辆的动力电池的健康状态确定方法，本实施例提供的方法应用在汽车后市场诊断、电池维修、公共充电、保险定损、残值评估等多个应用场景。请参阅图2，电动车辆的动力电池的健康状态确定方法包括：
[0055]
s21.获取动力电池的电池数据以及电动车辆的车辆特征，电池数据包括实时电池关联参数与实时故障类型参数。
[0056]
本步骤中，车辆通信设备与电动车辆进行通信，电动车辆将动力电池的电池数据和车辆特征发送至车辆通信设备，车辆通信设备将电池数据和车辆特征进行打包并发送至服务器。
[0057]
如前所述，电池数据包括实时电池关联参数，实时电池关联参数为用于表示动力电池的健康状态的参数，实时故障类型参数为用于表示动力电池发生相应故障类型的次数。
[0058]
在一些实施例中，实时电池关联参数为行驶里程、动力电池的累计充电容量或累计放电容量中的一个。
[0059]
行驶里程为电动车辆驾驶行走的公里数，行驶里程的单位可以为每万公里(10000公里)。行驶里程与动力电池的健康状态存在关联性，行驶里程越大，动力电池的衰减程度较强，行驶里程越小，动力电池的衰减程度较弱，因此，行驶里程可反映出动力电池的健康状态。
[0060]
累计充电容量为动力电池在多次充电中的充电容量的总和，累计放电容量为动力电池在多次放电中的放电容量的总和，比如动力电池第一次进行充电时，充电容量为c1。动力电池第二次进行充电时，充电容量为c2，累计充电容量＝c1+c2。动力电池第三次进行充电时，充电容量为 c3，累计充电容量＝c1+c2+c3。累计充电容量与动力电池的健康状态存在关联性，累计充电容量越大，动力电池的衰减程度较强，累计充电容量越小，动力电池的衰减程度较弱，因此，累计充电容量可反映出动力电池的健康状态。
[0061]
如前所述，电池数据包括实时故障类型参数，在一些实施例中，实时故障类型参数为过压故障次数、欠压故障次数、充电过流故障次数、放电过流故障次数、高温故障次数、低温故障次数或其他严重故障次数中的一个。
[0062]
过压故障次数为过压故障对应的总次数，其中，过压故障e1包括每个单体电池过压故障或系统总压过压故障等，比如，在时间t1，动力电池发生过压故障，过压故障次数＝1。在时间t2，动力电池发生过压故障，过压故障次数＝2。在时间t3，动力电池发生过压故障，过压故障次数＝3。
[0063]
欠压故障次数为欠压故障对应的总次数，其中，欠压故障e2包括每个单体电池欠压故障、单体电池内短路故障或系统总压欠压故障等。
[0064]
充电过流故障次数为充电过流故障类型对应的总次数，其中，充电过流故障e3包括快慢充充电过流故障或充电电流异常故障等。
[0065]
放电过流故障次数为放电过流故障对应的总次数，其中，放电过流故障e4包括放电过流故障、放电电流异常故障或短路故障等。
[0066]
高温故障次数为高温故障对应的总次数，其中，高温故障e5包括电池充电高温故障、电池放电高温故障、环境高温故障、热管理高温故障或控制器高温故障等。
[0067]
低温故障次数为低温故障对应的总次数，其中，低温故障e6包括电池充电低温故障、电池放电低温故障、环境低温故障或热管理低温故障等。
[0068]
指定严重故障次数为指定严重故障对应的总次数，其中，指定严重故障e7为除去上述6中故障类型之外的故障。
[0069]
可以理解的是，在电动汽车的电池管理系统中，与动力电池相关的电池故障有成百上千项，本实施例根据动力电池的特性和电化学机理综合分析，将影响动力电池的健康状态的电池故障划分为上述7类。但是，可以理解的是，本领域技术人员还可根据其它分类目的，对与动力电池相关的电池故障进行分类，上文提供的7类电池故障并不对本发明的保护范围造成任何不当的限定。
[0070]
在一些实施例中，车辆特征包括电动车辆的车型特征，车型特征用于电动车辆的车型，其中，车型特征可采用mmyb信息进行表示，mmyb 信息为新能源车辆的生产商(make)、车型(model)、年款(year)、电池版本(battery)等信息的统称。
[0071]
在一些实施例中，车辆特征包括电动车辆的属地特征，属地特征用于表示驾驶电动车辆的地域，其中，属地特征可采用地理位置信息进行表示，地理位置信息可由电动车辆的定位系统进行定位生成，比如地理位置信息为广东深圳南山区。
[0072]
s22.根据实时电池关联参数及与车辆特征对应的正常衰减模型，计算动力电池的正常健康状态衰减值。
[0073]
本步骤中，正常衰减模型为用于计算正常健康状态衰减值的模型，正常健康状态衰减值为从动力电池的正常维度上，评价动力电池的衰减值。本实施例将实时电池关联参数输入正常衰减模型后，正常衰减模型可输出动力电池的正常健康状态衰减值。
[0074]
可以理解的是，电动车辆的车辆特征不同，电动车辆之间的电池健康衰减曲线的相似度比较小，或者，电动车辆的车辆特征相同，电动车辆之间的电池健康衰减曲线的相似度比较大，因此，本实施例可根据车辆特征，构建正常衰减模型，不同车辆特征对应不同正常衰减模型，有利于提高计算正常健康状态衰减值的准确性。
[0075]
在一些实施例中，本实施例获取车辆特征，根据车辆特征与正常特征标签，在正常模型库中搜索与车辆特征匹配的正常衰减模型，其中，正常模型库包括多个正常特征标签及与正常特征标签对应的正常衰减模型。
[0076]
s23.根据实时故障类型参数及与车辆特征对应的故障衰减模型，计算动力电池的故障健康状态衰减值。
[0077]
本步骤中，故障衰减模型为用于计算故障健康状态衰减值的模型，故障健康状态衰减值为从动力电池的故障维度上，评价动力电池的衰减值。本实施例将实时故障类型参数输入故障衰减模型后，故障衰减模型可输出动力电池的故障健康状态衰减值。
[0078]
如前所述，电动车辆的车辆特征不同，电动车辆之间的电池健衰减曲线的相似度比较小，因此，本实施例可根据车辆特征，构建故障衰减模型，不同车辆特征对应不同故障衰减模型，有利于提高计算故障健康状态衰减值的准确性。
[0079]
在一些实施例中，本实施例获取车辆特征，根据车辆特征与故障特征标签，在故障模型库中搜索与车辆特征匹配的故障衰减模型，其中，故障模型库包括多个故障特征标签及与故障特征标签对应的故障衰减模型。
[0080]
在一些实施例中，车辆特征为车型特征，本实施例分别搜索与车型特征匹配的正
常衰减模型与故障衰减模型，亦即，单一的车型特征可分别对应有正常衰减模型与故障衰减模型。
[0081]
在一些实施例中，车辆特征为属地特征，本实施例分别搜索与属地特征匹配的正常衰减模型与故障衰减模型，亦即，单一的属地特征可分别对应有正常衰减模型与故障衰减模型。
[0082]
在一些实施例中，车辆特征为车型特征和属地特征，本实施例分别搜索与车型特征匹配且与属地特征匹配的正常衰减模型与故障衰减模型，亦即，正常衰减模型与故障衰减模型都由车型特征与属地特征共同确定。
[0083]
s24.根据正常健康状态衰减值及故障健康状态衰减值，确定动力电池的综合健康评价值。
[0084]
本步骤中，综合健康评价值为用于评价动力电池的健康的数值，其中，综合健康评价值包括电池健康状态值，比如，电池健康状态值可采用如前所述的soh值进行表示，本实施例根据以下公式： soh
t
＝std-δα
t-δε
t
，确定动力电池的综合健康评价值，std为标准电池健康状态值，soh
t
为综合健康评价值，δα
t
为正常健康状态衰减值，δε
t
为故障健康状态衰减值。在一些实施例中，标准电池健康状态值std可由工程师根据业务需求自定义，比如标准电池健康状态值std为100％。
[0085]
在一些实施例中，电动车辆的动力电池的健康状态确定方法还包括：判断综合健康评价值是否小于或等于第一预设阈值，若是，则生成电池警示信息，若否，则根据综合健康评价值，生成电池健康评价信息，其中，电池警示信息用于提示用户更换或维护动力电池，电池警示信息可以为任意形式的警示信息，比如电池警示信息为文字警示信息、语音警示信息或闪光警示信息。电池健康评价信息为评价动力电池的健康状态所处的健康等级信息，比如电池健康评价信息包括“很好”、“较好
”ꢀ
或“一般”等。
[0086]
可以理解的是，第一预设阈值可由工程师根据业务需求自定义，比如第一预设阈值为70％。
[0087]
在一些实施例中，与上述实施例不同点在于，综合健康评价值包括电池健康衰减值，本实施例可将正常健康状态衰减值与故障健康状态衰减值进行相加，从而得到电池健康衰减值，本实施例根据以下公式： δsoh
t
＝δα
t
+δε
t
，确定动力电池的电池健康衰减值。
[0088]
在一些实施例中，电动车辆的动力电池的健康状态确定方法还包括：判断综合健康评价值是否大于或等于第二预设阈值，若是，则生成电池警示信息，若否，则根据综合健康评价值，生成电池健康评价信息。
[0089]
可以理解的是，第二预设阈值可由工程师根据业务需求自定义，比如第二预设阈值为80％。
[0090]
如前所述，区别于现有技术，本实施例评估动力电池的健康状态时，无需控制动力电池进行充放电，亦即节省用户需要设置用于控制动力电池进行充放电的装备，在电动车辆处于停止工作状态下都可快速评估动力电池的健康状态，从而改善了现有技术评估动力电池的健康状态时存在效率低下的技术问题，也扩大本方法的应用范围。
[0091]
如前所述，区别于现有技术，本实施例评估动力电池的健康状态时，无需动力电池的首次健康状态值，亦即，对无历史数据的电动车辆可一次性检测即可输出该电动车辆的综合健康评价值，从而改善了现有技术评估动力电池的健康状态时存在效率低下的技
术问题。另外，后续再采用电化学机理方法或大数据人工智能评估方法，进行跟踪评估电动车辆的综合健康评价值而需要初始soh值时，采用本实施例能够提供出初始 soh值，由此也可看出本实施例提供的方法的应用范围更加灵活和广泛。
[0092]
另外，采用电化学机理方法或大数据人工智能评估方法往往缺少初始值，导致算法收敛比较缓慢，如前所述，本实施例能够提供出初始soh 值，后续再采用电化学机理方法或大数据人工智能评估方法时，有利于提高上述两种算法的收敛速度和精度。
[0093]
在一些实施例中，正常衰减模型是根据与车辆特征相同的多个第一历史车辆的动力电池的第一训练数据训练得到的。故障衰减模型是根据与车辆特征相同的多个第二历史车辆的动力电池的第二训练数据与正常衰减模型训练得到的。
[0094]
第一训练数据为用于训练生成正常衰减模型的数据。第二训练数据为用于配合正常衰减模型以训练生成故障衰减模型的数据。第一历史车辆为：训练生成正常衰减模型之前的电动车辆。第二历史车辆为：训练生成故障衰减模型之前的电动车辆。举例而言，在时间点t11训练生成正常衰减模型，本实施例选择多个第一电动车辆的训练数据作为第一训练数据，此处第一电动车辆为第一历史车辆。在时间点t22训练生成故障衰减模型，本实施例选择多个第二电动车辆的训练数据作为第二训练数据，此处第二电动车辆为第二历史车辆。
[0095]
本实施例先训练得到正常衰减模型，后续再在正常衰减模型的基础上，结合第二训练数据进行训练得到故障衰减模型，因此，本实施例能够利用正常衰减模型演化生成故障衰减模型，相对于抛开正常衰减模型而另行构建故障衰减模型的作法，本实施例提供的作法能够提高正常衰减模型与故障衰减模型之间的融合度，有利于生成更为可靠准确的故障衰减模型。
[0096]
在一些实施例中，车辆特征为车型特征，本实施例可选择与车型特征相同的第一历史车辆的动力电池的训练数据作为第一训练数据，可选择与车型特征相同的第二历史车辆的动力电池的训练数据作为第二训练数据。
[0097]
在一些实施例中，与上述实施例不同点在于，车辆特征为属地特征，本实施例可选择与属地特征相同的第一历史车辆的动力电池的训练数据作为第一训练数据，可选择与属地特征相同的第二历史车辆的动力电池的训练数据作为第二训练数据。
[0098]
在一些实施例中，与上述实施例不同点在于，车辆特征包括车型特征和属地特征，本实施例可选择与车型特征相同且与属地特征相同的第一历史车辆的动力电池的训练数据作为第一训练数据，可选择与车型特征相同且与属地特征相同的第二历史车辆的动力电池的训练数据作为第二训练数据。
[0099]
在一些实施例中，第一历史车辆和第二历史车辆都为已发生指定电池故障的车辆，指定电池故障为过压故障、欠压故障、充电过流故障、放电过流故障、高温故障、低温故障或指定严重故障中的任意一种。
[0100]
本实施例可根据第一历史车辆的第一训练数据训练生成正常衰减模型，以利用正常衰减模型输出正常健康状态衰减值，可根据第二历史车辆的第二训练数据和正常衰减模型训练生成故障衰减模型，以利用故障衰减模型输出故障健康状态衰减值，相对于现有技术，本实施例也可快速评估动力电池的健康状态。
[0101]
在一些实施例中，与上述实施例不同点在于，第一历史车辆为已发生指定电池故
障的车辆，第二历史车辆为未发生指定电池故障的车辆，相对现有技术，本实施例根据此时的第一训练数据与第二训练数据分别得到正常衰减模型和故障衰减模型，可快速评估动力电池的健康状态。
[0102]
在一些实施例中，与上述实施例不同点在于，第一历史车辆为未发生指定电池故障的车辆，第二历史车辆为已发生指定电池故障的车辆。由于第一历史车辆是未发生指定电池故障的车辆，选择未发生指定电池故障的车辆的训练数据作为第一训练数据，已剔除发生指定电池故障的车辆的训练数据对正常衰减模型的影响，有利于生成更为精确可靠的正常衰减模型。
[0103]
同理可得，由于第二历史车辆是已发生指定电池故障的车辆，已剔除未发生指定电池故障的车辆的训练数据对故障衰减模型的影响，选择已发生指定电池故障的车辆的训练数据作为第二训练数据，有利于生成更为精确可靠的故障衰减模型。
[0104]
在一些实施例中，正常衰减模型为：其中，δα
t
为正常健康状态衰减值，为正常衰减率，p
t
为实时电池关联参数。其中，正常衰减率为从动力电池的正常维度上，评价动力电池的衰减速率。
[0105]
当服务器获得电动车辆的实时电池关联参数p
t
，便可将实时电池关联参数p
t
代入正常衰减模型，正常衰减模型可输出正常健康状态衰减值 δα
t
。
[0106]
在一些实施例中，第一训练数据包括与车辆特征相同的多个第一历史车辆的第一历史电池关联参数与第一电池健康状态值。如前所述，第一历史电池关联参数可为行驶里程、动力电池的累计充电容量或累计放电容量中的一个，第一电池健康状态值为提前获取第一历史车辆的电池健康状态值。可以理解的是，第一电池健康状态值可以由任意合适评估动力电池soh值算法计算得到，服务器直接调用评估动力电池soh值算法提供的结果，或者，第一电池健康状态值也可以由本实施例提供的方法评估动力电池soh值而得到，后续再利用已有的第一电池健康状态值进行迭代更新。
[0107]
正常衰减率为：为正常衰减率，ηi为第i个第一历史车辆的待定衰减率，n为参与训练正常衰减模型的第一历史车辆的总数。第i个第一历史车辆的待定衰减率是根据第i个第一历史车辆的第一历史电池关联参数和第一电池健康状态值进行计算得到。
[0108]
举例而言，参与训练正常衰减模型的第一历史车辆的总数n为100，第1个第一历史车辆的待定衰减率为η1，第2个第一历史车辆的待定衰减率为η2，以此类推，最后正常衰减率本实施例通过求取多个第一历史车辆的待定衰减率的平均值，以得到正常衰减率有利于得到更为准确可靠的正常衰减率。
[0109]
在一些实施例中，当第一历史电池关联参数为行驶里程时，第i个第一历史车辆的待定衰减率为：ηi的单位为％/10000km， m
wi
为第i个第一历史车辆的
行驶里程，soh
wi
为第i个第一历史车辆的第一电池健康状态值。举例而言，m
wi
为100000km，soh
wi
为95％，则ηi为0.5,其单位为％/10000km，亦即％/1万公里。
[0110]
再举例而言，假设经过求取多个待定衰减率的平均值后，得到的正常衰减率为0.5。假设实时电池关联参数p
t
为60000km＝60000/10000＝6 万公里，将其代入正常衰减模型则有 [0111]
在一些实施例中，与上述实施例不同点在于，第一历史电池关联参数还可为累计充电容量或累计放电容量时，第i个第一历史车辆的待定衰减率为：ηi的单位为％/ah，c
wi
为第i个第一历史车辆的累计充电容量或累计放电容量。
[0112]
在一些实施例中，故障衰减模型为：其中，δε
t
为故障健康状态衰减值，xj为第j个实时故障类型参数，εj为第j个实时故障类型参数的故障衰减率。其中，第j个实时故障类型参数的故障衰减率εj为从动力电池的故障维度上，评价动力电池在第j个实时故障类型的故障作用下的衰减速率。举例而言，故障衰减模型一共设有7种实时故障类型参数，7个实时故障类型参数的故障衰减率依序分别为0.244、 0.112、1.112、0.774、0.365、0.585、0.119。
[0113]
在一些实施例中，实时故障类型参数为过压故障次数、欠压故障次数、充电过流故障次数、放电过流故障次数、高温故障次数、低温故障次数或指定严重故障次数中的一个。假设电动汽车d1的7个实时故障类型参数依序分别为{f1,f2,f3,f4,f5,f6,f7}＝{4,6,8,3,1,5,4}，将电动汽车d1的7个实时故障类型参数输入故障衰减模型，则故障健康状态衰减值为：
[0114]
δε
t
[0115]
＝0.244*4+0.112*6+1.112*8+0.774*3+0.365*1+0.585*5+0.119*4＝16.6 32。
[0116]
再假设电动汽车d2的7个实时故障类型参数依序分别为 {f1,f2,f3,f4,f5,f6,f7}＝{3,6,5,5,3,4,3}，将电动汽车d2的7个实时故障类型参数输入故障衰减模型，则故障健康状态衰减值为：
[0117]
δε
t
[0118]
＝0.244*3+0.112*6+1.112*5+0.774*5+0.365*3+0.585*4+0.119*3＝14.6 26.632。
[0119]
再假设电动汽车d3的7个实时故障类型参数依序分别为 {f1,f2,f3,f4,f5,f6,f7}＝{1,2,1,0,0,1,3}，将电动汽车d3的7个实时故障类型参数输入故障衰减模型，则故障健康状态衰减值为：
[0120]
δε
t
[0121]
＝0.244*1+0.112*2+1.112*4+0.774*0+0.365*0+0.585*1+0.119*3＝5.85 8。
[0122]
在一些实施例中，第二训练数据包括与车辆特征相同的多个第二历史车辆的第二电池健康状态值、第二历史电池关联参数及历史故障类型参数。如前所述，第二历史电池关联参数可为行驶里程、动力电池的累计充电容量或累计放电容量中的一个，第二电池
健康状态值为提前获取第二历史车辆的电池健康状态值。可以理解的是，第二电池健康状态值可以由任意合适评估动力电池soh值算法计算得到，服务器直接调用评估动力电池soh值算法提供的结果，或者，第二电池健康状态值也可以由本实施例提供的方法评估动力电池soh值而得到，后续再利用已有的第二电池健康状态值进行迭代更新。历史故障类型参数可为过压故障次数、欠压故障次数、充电过流故障次数、放电过流故障次数、高温故障次数、低温故障次数或指定严重故障次数中的一个。
[0123]
第j个第二历史车辆的故障衰减率是根据线性回归算法，对多个第二历史车辆的健康差值及历史故障类型参数进行行列式计算得到，其中，第j个第二历史车辆的健康差值为第j个第二历史车辆的期望健康值与第j个第二电池健康值的差值，第j个第二历史车辆的期望健康值是根据第j个第二历史电池关联参数及正常衰减模型进行计算得到的。
[0124]
可以理解的是，此处线性回归算法可选择任意合适类型的线性回归算法，比如线性回归算法采用最小二乘法。
[0125]
第j个第二历史车辆的期望健康值为：为第 j个第二历史车辆的期望健康值，std为标准电池健康状态值，为正常衰减率，p
yj
为第j个第二历史车辆的故障历史电池关联参数。
[0126]
如前所述，第j个第二电池健康值可由服务器调用第j个第二历史车辆的已有电池健康值而得到。
[0127]
第j个第二历史车辆的健康差值为：δε
yj
为第j 个第二历史车辆的健康差值，soh
yj
为第j个第二历史车辆的第二电池健康值。
[0128]
第j个第二历史车辆的故障衰减率为：
[0129][0130]
其中，x
sj
为第s个第二历史车辆的第j个历史故障类型参数，εj为第j个历史故障类型参数的故障衰减率，每个故障衰减率的单位为％。
[0131]
举例而言，假设故障衰减模型一共设有7种实时故障类型参数，亦即r＝7。再假设取5个第二历史车辆的7个历史故障类型参数。
[0132]
电动车辆l1的7个历史故障类型参数分别为{4,6,8,3,1,5,4}，为91.6％，soh
y1
为75％。电动车辆l2的7个历史故障类型参数分别为{2,4,5,7,2,5,3}，为95.9％，soh
y2
为80％。电动车辆l3 的7个历史故障类型参数分别为{3,5,6,7,1,6,4}，为89.7％，soh
y3
为72％。电动车辆l4的7个历史故障类型参数分别为 {3,6,5,5,3,4,3}，为96.6％，soh
y4
为82％。电动车辆l5的7个历史故障类型参数分别为{2,6,8,4,
1,4,4}，为94.3％，soh
y5
为 78％。电动车辆l6的7个历史故障类型参数分别为{0,0,1,0,1,0,2}，为94.7％，soh
y5
为93％。电动车辆l7的7个历史故障类型参数分别为{1,2,1,0,0,1,3}，为92.5％，soh
y5
为90％。则有：
[0133]
δε
y1
＝16.6％，δε
y2
＝15.9％，δε
y3
＝17.7％，δε
y4
＝14.6％，δε
y5
＝16.3％，
[0134]
δε
y6
＝1.7％，δε
y7
＝2.5％
[0135][0136]
根据最小二乘法对上式子进行辨识,可得到ε1、ε2、ε3、ε4、ε5、 ε6、ε7分别为：0.244、0.112、1.112、0.774、0.365、0.585、0.119，可得到7种电池故障的故障衰减率，可以理解的是，本实施例还可通过增设8种或9种等更多电池故障，并为每个电池故障匹配一个故障衰减率，通过最小二乘法估计出每个电池故障的故障衰减率。
[0137]
还可以理解的是，本实施例也可增设更少数目的电池故障，并为每个电池故障匹配一个故障衰减率，比如只增设2种电池故障，通过最小二乘法估计出此两个电池故障的故障衰减率。
[0138]
如前所述，本实施例是将多种电池故障进行关联，并通过线性回归算法，综合计算出每个电池故障的故障衰减率，后续再利用多个电池故障的故障衰减率代入相对于使用单一电池故障进行计算故障健康状态衰减值δε
t
，本实施例能够将各种电池故障对故障健康状态衰减值δε
t
进行综合和关联，降低单一电池故障的误差对故障健康状态衰减值δε
t
的影响，从而能够训练得到更加可靠准确的故障衰减模型。
[0139]
如前所述，本实施例分为模型训练过程和实际应用过程，其中，图 1已展示了快速评估动力电池的综合健康评价值的实际应用过程，下文结合图3对模型训练过程再作出详细阐述，具体如下：
[0140]
如图3所示，各个第一历史车辆31和各个第二历史车辆32的车辆特征都是相同的，比如各个第一历史车辆31和各个第二历史车辆32都是相同车型特征和相同属地特征。
[0141]
第一车辆通信设备33插接在第一历史车辆31的obd接口，第一车辆通信设备33基于obd接口与第一历史车辆31进行通信，以获取第一历史车辆31的第一训练数据，第一训练数据包括第一电池数据和第一车辆特征，其中，电池数据包括第一行驶里程、第一电池健康状态值及第一故障类型参数。第一车辆通信设备33将第一训练数据发送给服务器34，服务器34根据第一行驶里程与第一电池健康状态值，训练生成正常衰减模型35。
[0142]
第二车辆通信设备36插接在第二历史车辆32的obd接口，第二车辆通信设备36基于obd接口与第二历史车辆32进行通信，以获取第二历史车辆32的第二训练数据，第二训
练数据包括第二电池数据和第二车辆特征，其中，电池数据包括第二行驶里程、第二电池健康状态值及第二故障类型参数。第二车辆通信设备36将第二训练数据发送给服务器34。
[0143]
服务器34将第二行驶里程输入正常衰减模型35，得到期望健康值。接着，服务器34将期望健康值与第二电池健康状态值进行相减，得到健康差值。再接着，服务器根据多个第二历史车辆32的健康差值及第二故障类型参数，计算得到每种电池故障的故障衰减率。最后，服务器根据每种电池故障的故障衰减率，生成故障衰减模型37。
[0144]
需要说明的是，在上述各个实施方式中，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施方式的描述可以理解，不同实施方式中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。
[0145]
作为本发明实施方式的另一方面，本发明实施方式提供一种电动车辆的动力电池的健康状态确定装置。其中，电动车辆的动力电池的健康状态确定装置可以为软件模块，所述软件模块包括若干指令，其存储在存储器内，处理器可以访问该存储器，调用指令进行执行，以完成上述各个实施方式所阐述的电动车辆的动力电池的健康状态确定方法。
[0146]
在一些实施方式中，电动车辆的动力电池的健康状态确定装置亦可以由硬件器件搭建成的，例如，电动车辆的动力电池的健康状态确定装置可以由一个或两个以上的芯片搭建而成，各个芯片可以互相协调工作，以完成上述各个实施方式所阐述的电动车辆的动力电池的健康状态确定方法。再例如，电动车辆的动力电池的健康状态确定装置还可以由各类逻辑器件搭建而成，诸如由通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)、单片机、arm(acornrisc machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合而搭建成。
[0147]
请参阅图4，电动车辆的动力电池的健康状态确定装置400包括：数据获取模块41、正常衰减计算模块42、故障衰减计算模块43及健康状态确定模块44。数据获取模块41用于获取动力电池的电池数据以及电动车辆的车辆特征，电池数据包括实时电池关联参数与实时故障类型参数。正常衰减计算模块42用于根据实时电池关联参数及与车辆特征对应的正常衰减模型，计算动力电池的正常健康状态衰减值。故障衰减计算模块43用于根据实时故障类型参数及与车辆特征对应的故障衰减模型，计算动力电池的故障健康状态衰减值。健康状态确定模块44用于根据正常健康状态衰减值及故障健康状态衰减值，确定动力电池的综合健康评价值。
[0148]
本实施例评估动力电池的健康状态时，无需控制动力电池进行充放电，也无需动力电池的首次健康状态值，都可快速地评估动力电池的健康状态，从而改善了现有技术评估动力电池的健康状态时存在效率低下的技术问题。
[0149]
在一些实施例中，实时电池关联参数为行驶里程、动力电池的累计充电容量或累计放电容量中的一个。
[0150]
在一些实施例中，健康状态确定模块44具体用于：根据以下公式： soh
t
＝std-δα
t-δε
t
，确定动力电池的综合健康评价值，std为标准电池健康状态值，soh
t
为综合健康评价值，δα
t
为正常健康状态衰减值，δε
t
为故障健康状态衰减值。
[0151]
在一些实施例中，正常衰减模型是根据与车辆特征相同的多个第一历史车辆的动力电池的第一训练数据训练得到的。故障衰减模型是根据与车辆特征相同的多个第二
历史车辆的动力电池的第二训练数据与正常衰减模型训练得到的。
[0152]
在一些实施例中，第一历史车辆为未发生指定电池故障的车辆。第二历史车辆为已发生指定电池故障的车辆。指定电池故障为过压故障、欠压故障、充电过流故障、放电过流故障、高温故障、低温故障或指定严重故障中的任意一种。
[0153]
在一些实施例中，正常衰减模型为：其中，δα
t
为正常健康状态衰减值，为正常衰减率，p
t
为实时电池关联参数。
[0154]
在一些实施例中，第一训练数据包括与车辆特征相同的多个第一历史车辆的第一历史电池关联参数与第一电池健康状态值。正常衰减率为：为正常衰减率，ηi为第i个第一历史车辆的待定衰减率，n 为参与训练所正常衰减模型的第一历史车辆的总数。第i个第一历史车辆的待定衰减率是根据第i个第一历史车辆的第一历史电池关联参数和第一电池健康状态值进行计算得到。
[0155]
在一些实施例中，当第一历史电池关联参数为行驶里程时，第i个第一历史车辆的待定衰减率为：ηi的单位为％/10000km， m
wi
为第i个第一历史车辆的行驶里程，soh
wi
为第i个第一历史车辆的第一电池健康状态值。
[0156]
在一些实施例中，故障衰减模型为：其中，δε
t
为故障健康状态衰减值，xj为第j个实时故障类型参数，εj为第j个实时故障类型参数的故障衰减率。
[0157]
在一些实施例中，实时故障类型参数为过压故障次数、欠压故障次数、充电过流故障次数、放电过流故障次数、高温故障次数、低温故障次数或指定严重故障次数中的一个。
[0158]
在一些实施例中，第二训练数据包括与所述车辆特征相同的多个第二历史车辆的第二电池健康状态值、第二历史电池关联参数及历史故障类型参数。
[0159]
第j个第二历史车辆的故障衰减率是根据线性回归算法，对多个第二历史车辆的健康差值及历史故障类型参数进行行列式计算得到。
[0160]
第j个第二历史车辆的健康差值为第j个第二历史车辆的期望健康值与第j个第二电池健康值的差值；
[0161]
第j个第二历史车辆的期望健康值是根据第j个第二历史电池关联参数及正常衰减模型进行计算得到的。
[0162]
在一些实施例中，第j个实时故障类型参数的故障衰减率为：
[0163][0164]
[0165][0166]
其中，δε
yj
为第j个第二历史车辆的健康差值，为第j个第二历史车辆的期望健康值，soh
yj
为第j个第二历史车辆的第二电池健康值，std为标准电池健康状态值，为正常衰减率，p
yj
为第j个第二历史车辆的故障历史电池关联参数，x
sj
为第s个第二历史车辆的第j个历史故障类型参数，εj为第j个历史故障类型参数的故障衰减率。
[0167]
需要说明的是，上述电动车辆的动力电池的健康状态确定装置可执行本发明实施方式所提供的电动车辆的动力电池的健康状态确定方法，具备执行方法相应的功能模块和有益效果。未在电动车辆的动力电池的健康状态确定装置实施方式中详尽描述的技术细节，可参见本发明实施方式所提供的电动车辆的动力电池的健康状态确定方法。
[0168]
请参阅图5，图5为本发明实施例提供的一种服务器的电路结构示意图。如图5所示，服务器500包括一个或多个处理器51以及存储器 52。其中，图5中以一个处理器51为例。
[0169]
处理器51和存储器52可以通过总线或者其他方式连接，图5中以通过总线连接为例。
[0170]
存储器52作为一种存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的电动车辆的动力电池的健康状态确定方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非易失性软件程序、指令以及模块，从而执行电动车辆的动力电池的健康状态确定装置的各种功能应用以及数据处理，即实现上述方法实施例提供的电动车辆的动力电池的健康状态确定方法以及上述装置实施例的各个模块或单元的功能。
[0171]
存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0172]
所述程序指令/模块存储在所述存储器52中，当被所述一个或者多个处理器51执行时，执行上述任意方法实施例中的电动车辆的动力电池的健康状态确定方法。
[0173]
本发明实施例还提供了一种存储介质，所述存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图5 中的一个处理器51，可使得上述一个或多个处理器可执行上述任意方法实施例中的电动车辆的动力电池的健康状态确定方法。
[0174]
本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被服务器执行时，使所述服务器执行任一项所述的电动车辆的动力电池的健康状态确定方法。
[0175]
以上所描述的装置或设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为模块单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0176]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0177]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。