一种新能源汽车的动力电池SOH估计方法、系统、应用方法及电子设备
本发明涉及电池soh估计及应用，尤其涉及一种新能源汽车的动力电池soh估计方法、系统、应用方法及电子设备。
背景技术：
1、目前中国正处在新能源汽车产业飞速发展的阶段，各大汽车厂均将新能源汽车业务重点投入研发，确保其在市场竞争中的技术领先地位。而电动汽车动力电池的健康状态(state of health，soh)作为电池的性能的核心指标，对于电池管理、优化运行、维护以及安全性等方面都具有重要意义。
2、目前soh估计方法主要是基于实验数据的经验模型或者更简单的充电安时数查表法获取，经验模型需要大量的实验测试，电池实际工况和实验室测试工况差异较大，计算的soh值误差较大。根据安时数计算soh，其充电起始soc和结束soc对计算准确性影响较大，且实际使用过程中很少有满充和满放行为。
技术实现思路
1、针对现有技术的不足，本发明提供了一种新能源汽车的动力电池soh估计方法、系统、应用方法及电子设备，解决了由于电池实际工况和实验室测试工况差异较大，导致计算的soh值误差较大的技术问题。
2、为解决上述技术问题，本发明提供了如下技术方案：一种新能源汽车的动力电池soh估计方法，该方法包括以下步骤：
3、获取新能源汽车的电池数据，并对电池数据进行数据清洗得到高质量的电池运行数据；
4、从电池运行数据中提取电池运行时的健康指标，并对健康指标进行聚合以及关联度分析得到电池的多维度关键特征；
5、将多维度关键特征输入至cnn-transformer模型中，然后通过迁移学习建立用于实时估计电池单体及电池组soh的soh数字孪生模型。
6、进一步地，所述对电池数据进行数据清洗具体为：分析电池数据时间序列的时间特征来检测离群点样本，对异常样本进行恢复，并采用去重、滤波、插值、电压曲线重采样方法去除云端数据噪声，获得高质量的电池运行数据。
7、进一步地，所述从电池运行数据中提取电池运行时的健康指标，并对健康指标进行聚合以及关联度分析得到电池的多维度关键特征，具体过程包括以下步骤：
8、将电池运行数据划分为充电数据和行驶中数据；
9、从充电数据中提取与电压相关的特征、与电流相关的特征以及与ic曲线相关的特征形成充电过程中的健康指标；
10、将充电过程中的健康指标和行驶过程中的健康指标进行聚合形成多维健康指标；
11、采用spearman等级相关系数分析多维健康指标与电池可用容量之间的相关性rs；
12、选取相关性rs的绝对值最接近1的多维健康指标作为多维度关键特征。
13、4.根据权利要求3所述的动力电池soh估计方法，其特征在于，所述相关性rs的计算公式为：
14、
15、
16、上式中，m为多维健康指标的总数；xn为电池每次放电的可用容量；yn为每个充放电周期的输入特性；分别为充电过程中的健康指标和行驶过程中的健康指标的均值。
17、进一步地，所述cnn-transformer模型是由卷积神经网络cnn和transformer模型结合组织成一个2x4的矩阵，并通过使用步长为2的2x2卷积核对多维度关键特征进行卷积，以捕捉多维度关键特征的局部相关性；
18、然后，通过添加位置编码层将卷积后的多维度关键特征引入transformer架构中，使cnn-transformer模型能够有效地捕捉到多维度关键特征中的全局依赖关系。
19、进一步地，所述cnn-transformer模型包括：
20、用于接受四个输入的多维度关键特征，并将其组织成一个2x4的输入矩阵的输入层；
21、提取输入的多维度关键特征的局部相关性，从而生成卷积特征图的卷积层；
22、引入位置信息，将卷积特征图与位置编码相加以保留特征之间的相对位置关系的位置编码层；
23、对经过卷积和位置编码处理后的多维度关键特征进行建模输入序列之间的全局依赖关系的transformer模型；
24、生成对输入序列进行预测或分类结果的输出层。
25、进一步地，所述通过迁移学习建立用于实时估计电池单体及电池组soh的soh数字孪生模型，具体过程包括以下步骤：
26、使用电池运行数据中的源数据集作为cnn-transformer模型的输入数据，通过训练得到一个基网络a；
27、使用电池运行数据中的目标数据集作为cnn-transformer模型的输入数据，通过训练得到一个目标网络b；
28、确定基网络a中可以进行迁移的层数n得到anb网络，即保留基网络a的前n层结构和参数进行迁移学习到目标网络b；
29、采用电池运行数据对anb网络和目标网络b分别训练n次，选取anb网络与目标网络b预测结果误差最小的模型作为soh数字孪生模型。
30、该技术方案还提供了一种新能源汽车的动力电池soh估计方法的应用方法，通过将soh数字孪生模型部署到边端设备-车端控制器或者tbox，用于实时估计电池单体及电池组的soh，最后和车载bms进行数据交互，实现云-边-端架构的实际应用；
31、其中，部署到边端设备-车端控制器或者tbox的实现包括以下步骤：
32、模型转换，将训练好的soh数字孪生模型转化为onnx模型；
33、模型压缩，使用onnx runtime提供的量化工具进行量化，适应边缘计算设备的资源限制；
34、边缘计算平台选择，整个项目开发的软件运行所需算力超过当前整车端bms所用芯片的算力，则需将软件部署在其他整车控制器上；
35、部署工具，使用微软提供的onnx runtime推理引擎推理onnx模型。
36、该技术方案还提供了一种用于实现上述动力电池soh估计方法的系统，包括：
37、数据处理模块，用于通过数据清洗获取电动汽车高质量的电池运行数据；
38、特征提取模块，用于从电池运行数据中提取电池运行时的健康指标，并对健康指标进行聚合以及关联度分析得到电池的多维度关键特征；
39、模型训练模块，用于对cnn-transformer模型的参数进行初始化，将多维度关键特征作为cnn-transformer模型的输入，训练得到soh数字孪生模型；
40、结果验证模块，利用测试集对soh数字孪生模型进行测试，并与其它模型的预测结果进行对比，验证soh数字孪生模型的优越性；
41、系统部署模块，用于将soh数字孪生模型部署到嵌入式设备中，实现云-边-端框架。
42、借由上述技术方案，本发明提供了一种新能源汽车的动力电池soh估计方法、系统、应用方法及电子设备，至少具备以下有益效果：
43、1、本发明所提出的动力电池soh估计方法能够准确有效的实时估计电池单体及电池组的soh，可以解决深度学习算法模型及机理模型实时性差的问题，实现实车soh的精准估计，对电池管理系统安全可靠运行具有重要意义。
44、2、本发明所提出的应用方法解决了深度学习算法模型实时性差的问题，通过研究电池soh云-边-端协同估计机制，形成云端训练-边缘端测试-车载bms交互的一体化机制，实现大数据及实车工况下的电池soh实时精准估计。
相关知识
锂电池管理系统的SOC与SOH估计方法解析
电动汽车锂离子动力电池组健康状态估计方法的研究
一种快速检测新能源汽车电池健康度（SOH）的检测仪和方法与流程
新能源汽车电池报告怎么查？教你查询新能源电池报告的3个方法
电动汽车动力电池组健康状态在线确定方法和系统.pdf
AI算法精准预测电池寿命，助力新能源汽车与储能系统升级
电动汽车动力电池健康状态在线估算方法
电动汽车动力电池健康状态在线动态估算方法
新能源汽车动力电池系统试验与性能评估
一种纯电动车用动力锂电池健康状况检测器的制造方法
网址: 一种新能源汽车的动力电池SOH估计方法、系统、应用方法及电子设备 https://m.trfsz.com/newsview1636051.html
