买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：一种面向实车运行数据的车云协同SOH估计方法，涉及锂离子电池技术领域。在车端和云端都建立基于SOH与ΔSOH的混合数据驱动估计模型，通过监控满充阶段用于SOH数据驱动估计模型的更新，更新后所获得的SOH估计结果用来更新ΔSOH数据驱动估计模型，所获得的SOH估计值作为非满充阶段的SOH估计结果；选择统计特征指标构造老化特征，选择构造老化特征的参数，计算老化特征，并对老化特征进行在线增量计算；设计车云端的自监控与模型更新，车云端互监控及协同SOH估计策略。采用SOH与ΔSOH的混合数据驱动建模策略，基于统计特征指标构造老化特征，并利用车云协同进行SOH估计，更符合实际工况运行环境。

主权项：1.一种面向实车运行数据的车云协同SOH估计方法，其特征在于：包括以下步骤：步骤一：SOH与ΔSOH的混合数据驱动建模SOH数据驱动估计模型表征如下：ΜSOH＝fΨSOH,SOH1式中，f表示用于建立SOH数据驱动估计模型的数据驱动估计算法，ΨSOH表示所构造的用于SOH数据驱动的建模特征；以SOH的差分值ΔSOH作为建模目标，ΔSOH数据驱动估计模型表征如下：ΜΔSOH＝f'ΨΔSOH,ΔSOH2式中，f'表示用于建立ΔSOH数据驱动估计模型的数据驱动估计算法，ΨΔSOH表示所构造的用于ΔSOH数据驱动的建模特征；设计一种基于SOH与ΔSOH的混合数据驱动估计模型，在车端和云端都建立SOH数据驱动估计模型和ΔSOH数据驱动估计模型，表征如下： 通过监控满充阶段用于SOH数据驱动估计模型的更新，所述满充阶段指充电过程的间隔荷电状态ΔSOC≥80％，更新后的SOH数据驱动估计模型所获得的SOH估计结果用来更新ΔSOH数据驱动估计模型所获得的SOH估计值，用ΔSOH数据驱动估计模型所获得的SOH估计值作为非满充阶段的SOH估计结果；步骤二：基于统计特征指标的老化特征构造S2.1、面向SOH数据驱动建模的老化特征构造a用于构造老化特征的统计特征指标选择在SOH数据驱动建模中，在选取代表数据离散程度的标准差、差异系数以及代表数据分布特征的偏度、峰度和峰偏比的基础上，还选取代表数据离散程度的均值和四分位数以及代表数据混乱度的离散熵，共计八个基本统计特征指标来构造老化特征；b用于构造老化特征的参数选择为保证所计算的老化特征值的有效性，将电流输入到指数函数方程中，用于构造老化特征的参数如下： 式中，Ut表示电池端电压，It表示电池电流；c老化特征的具体计算方法根据S2.1的a中所选择的构造老化特征的统计特征指标和S2.1的b中所选择的用于构造老化特征的参数，基于实车运行工况数据的累积计算老化特征如下：lSOH,k＝Fea,jDa,Da＝{Xi,i＝1,...,k}5式中，lSOH,k表示面向SOH估计第k时刻所计算的老化特征值，Fea,j表示选择的统计特征指标，j＝1,...,M，M为统计特征指标数量，Da表示从第1时刻到当前k时刻所累积的实车运行工况数据；d老化特征的在线增量计算车端基于具有在线增量计算功能的均值、标准差、差异系数、偏度、峰度和峰偏比来构造老化特征，用于车端SOH数据驱动建模的六个相关老化特征的在线增量计算方程具体如下：①基于均值所构造老化特征的在线增量计算方程： 其中， 式中，表征第n时刻计算的均值指标，表征第n+1时刻计算的均值指标，Xn+1为第n+1时刻的实车运行工况数据，n为从第1时刻到当前时刻用于特征计算的数据个数；②基于标准差所构造老化特征的在线增量计算方程： 其中， 式中，表征第n时刻计算的标准差指标，表征第n+1时刻计算的标准差指标；③基于差异系数所构造老化特征的在线增量计算方程： 其中， 式中，表征第n时刻计算的差异系数指标，表征第n+1时刻计算的差异系数指标；④基于偏度所构造老化特征的在线增量计算方程： 其中， 式中，表征第n时刻计算的偏度指标，表征第n+1时刻计算的偏度指标；⑤基于峰度所构造老化特征的在线增量计算方程： 其中， 式中，表征第n时刻计算的峰度指标，表征第n+1时刻计算的峰度指标；⑥基于峰偏比所构造老化特征的在线增量计算方程： 式中，表征第n+1时刻计算的峰偏比指标；S2.2、面向ΔSOH数据驱动建模的老化特征构造a用于构造老化特征的统计特征指标选择使用S2.1的a中所选择的统计特征指标来构建用于ΔSOH数据驱动建模的老化特征；b用于构造老化特征的参数选择车端ΔSOH数据驱动建模选择电池的可测参数包括电压、电流和温度来构造老化特征，云端ΔSOH数据驱动建模选择电池的可测参数包括电压、电流和温度以及车辆的可测参数包括车速、车辆位置的经度、车辆位置的纬度、加速踏板行程值和制动踏板行程值来构造老化特征；c老化特征的具体计算方法面向ΔSOH数据驱动建模，基于固定里程的实车运行工况数据计算老化特征如下：lΔSOH,k＝Fea,jDa',Da'＝{Xi,i＝k-m,...,k}17式中，lΔSOH,k表示面向ΔSOH估计第k时刻所计算的老化特征值，D'a表示基于固定里程，即k-m时刻到当前k时刻所累积的实车运行工况数据，m表示数据窗口长度；对于ΔSOH数据驱动建模，基于多项式拟合方程对车辆的行驶里程和基于电池参考容量获得的SOH参考值进行拟合，其中电池参考容量的计算方式基于电池的满充阶段计算如下： 式中，Capref表示电池参考容量，ΔQ表示电池充电过程的充电电量；从而在获得电池老化平滑衰减曲线的基础上，获得具有真实物理意义的ΔSOH目标建模值如下：ΔSOH＝diffPolyΜmileage,SOHref19式中，diff表示差分计算，Poly表示多项式拟合方程，Μmileage表示车辆行驶里程值，SOHref表示基于电池参考容量获得的SOH参考值，计算方式如下： 式中，Capnor表示电池未老化时的标称容量；d老化特征的在线增量计算由于ΔSOH数据驱动建模所构造的老化特征与SOH数据驱动建模所构造的老化特征相同，故公式6～公式16中相关老化特征的在线增量计算方程同样用于ΔSOH数据驱动建模的老化特征的在线增量计算；步骤三：车云协同SOH估计S3.1、车云端的自监控与模型更新根据所获得的SOH参考值监控车端和云端所建立的SOH数据驱动估计模型和ΔSOH数据驱动估计模型的有效性，如果满足下式条件，则需要更新SOH数据驱动估计模型和ΔSOH数据驱动估计模型；SOHref-SOHCloudSOHVehicle|＞δ21式中，SOHCloud表示云端所获得的SOH估计值，SOHVehicle表示车端所获得的SOH估计值，δ为SOH估计结果异常的设定阈值；车端和云端还需要监控基于所建立SOH数据驱动估计模型获得的SOH估计结果SOHMSOH与基于所建立ΔSOH数据驱动估计模型获得的SOH估计结果SOHMΔSOH的差异，如果满足下式条件，则表明获得的SOH估计结果在车端和云端存在显著差异；SOHMSOH-SOHMΔSOH|＞δ22在这种情况下，有必要确定当前时刻和最后一次模型更新之间的时间间隔，在时间间隔小于等于半个月的情况下，基于ΔSOH数据驱动建模的SOH估计结果可以作为当前时刻的SOH估计结果，反之，如果时间间隔大于半个月，将基于SOH数据驱动建模得到的SOH估计结果和基于ΔSOH数据驱动建模得到的SOH估计结果的平均值作为该时刻的SOH估计结果；S3.2、车云端互监控及协同SOH估计策略除了对车端和云端自身的监控和模型更新外，还需要设计车端和云端的互监控策略，以进一步保证车端和云端所获得SOH估计结果的有效性；首先，当无法经历电池的满充阶段而获得准确的SOH参考值时，需要经历一个满充阶段对车端和云端的模型自我监控和模型更新，将车端所获取的SOH估计结果和云端所获取的SOH估计结果之间的差异与设定的阈值进行比较，如下式：SOHCloud-SOHVehicle|＞δ23若公式23满足，则需判断云端所建立的模型是否在满充阶段进行了更新，如果已进行更新，则根据云端所获得的SOH估计结果更新车端的SOH数据驱动估计模型，否则取车端和云端所获得SOH估计结果的平均值作为当前时刻的SOH估计值；若公式23不满足，则不需要启动车端和云端的模型更新。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种面向实车运行数据的车云协同SOH估计方法