[发明专利]动力电池容量预测方法、装置及设备

说明书

本发明涉及电池管理技术领域，其实施方式提供了动力电池容量预测方法、装置及设备。其中动力电池容量预测方法包括：获取动力电池的样本数据；通过聚类算法将所述样本数据分为若干类别，其中每个类别具有对应的老化模型和特征标识；所述老化模型通过以下步骤得到：确定老化模型中的拟合关系；通过所述老化模型对应类型的样本数据确定所述拟合关系中的参数；获取待测动力电池的电池状态参数；从多个老化模型中确定所述电池状态参数采用的老化模型；将所述电池状态参数输入采用的老化模型，得到对应的电池容量。本发明提供的实施方式采用了聚类算法对电池的不同老化情形进行了分类，提升了动力电池预测的准确性。

技术领域

本发明涉及电池管理技术领域，特别涉及一种动力电池容量预测方法、一种动力电池容量预测装置、一种动力电池容量预测设备以及对应的存储介质。

背景技术

在全社会节能减排的迫切需求下，发展具有环保、节能优势的新能源汽车已经成为汽车行业的共识，电动汽车作为新能源汽车发展的主要方向，面临诸多挑战和压力，动力电池作为电动汽车的重要部件，其性能优劣将直接影响电动汽车的发展应用前景，寿命作为动力电池的主要性能指标，对其准确预测不仅能了解电池的退化状态，为用户提供准确的车辆运行状态信息，为汽车生产制造的成本计算提供依据，还能防止故障灾难的发生，保障用户的生命财产安全。

动力电池的寿命预估一般采用试验法和模型法来实现：试验法中常采用若干次恒流充放电，通过容量衰减来分析动力电池寿命，但动力电池在实际车辆运行时，电流并非恒流，导致预测结果不准确，此外，可以采用标准NEDC工况模拟实际工况进行放电测试，但试验周期太长，一次寿命试验需要耗费一年，不能满足当前工程应用的发展需要。

模型法主要分为机理模型和统计模型：机理模型包括电化学分析法、阻抗法等，这类模型方法主要以电池SOC、SEI膜电阻等理化特性为输入参数，通过定量研究动力电池容量的衰减而预测电池寿命，统计模型主要为基于神经网络设计的寿命预测模型。例如专利：CN201910394691.0和CN202011087935.X。实车行驶工况复杂，机理模型参数难以获得，准确预测电池寿命很难实现。实验室测试无法穷尽测试真实工况的老化数据。

发明内容

有鉴于此，本发明旨在提出一种动力电池容量预测方法、装置及设备，以至少部分地解决现有技术中试验法测试周期长和模型法参数难以获取和模型复杂度高的问题。

为达到上述目的，本发明提供了一种动力电池容量预测方法，所述预测方法包括：获取动力电池的样本数据；通过聚类算法将所述样本数据分为若干类别，其中每个类别具有对应的老化模型和特征标识；所述老化模型通过以下步骤得到：确定老化模型中的拟合关系；通过所述老化模型对应类型的样本数据确定所述拟合关系中的参数；所述特征标识用于标识对应类别的样本数据的特征；获取待测动力电池的电池状态参数；从多个老化模型中确定所述电池状态参数采用的老化模型；将所述电池状态参数输入采用的老化模型，得到对应的电池容量。

优选的，所述动力电池的样本数据包括：同一型号的动力电池在实车行驶工况中的多组历史数据。

优选的，通过聚类算法将所述样本数据分为若干类别，包括：预设聚类算法，并确定所述聚类算法中的聚类参数；根据所述聚类参数将所述样本数据分为核心点或边界点；根据所述核心点构建类别，将样本数据分为所述若干类别。

优选的，所述聚类算法为DBSCAN算法；所述聚类参数包括邻域半径和邻域点数阈值。

优选的，所述特征标识为聚类中心；所述特征标识为聚类中心；从多个老化模型中确定所述电池状态参数采用的老化模型，包括：计算所述电池状态参数与每个类别对应的聚类中心的距离；选择距离最近的老化模型作为所述电池状态参数采用的老化模型。

优选的，所述拟合关系包括多项式拟合、神经网络拟合或回归树拟合。

优选的，所述电池状态参数包括：电流、电压、温度、荷电状态、存储时间、放电深度、库里效率中的至少两者。