[发明专利]一种锂电池单体电压差预测方法及装置

说明书

本发明提供一种锂电池单体电压差预测方法，包括如下步骤：S1、确定样本集；S2、进行数据填补；S3、拟定多个归一化区间，各归一化区间的长度逐渐缩小，得到样本集中的第i类数据中数据xsubgt;i/subgt;相对于第j个归一化区间的归一化值x′subgt;i/subgt;；S4、样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO‑BP神经网络，将各数据集均划分为训练集和测试集，并利用测试集分析训练后的PSO‑BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO‑BP神经网络作为预测模型。本发明选择多个归一化区间中精度最高的归一化区间，并利用PSO‑BP神经网络进行预测，预测精度高。

技术领域

本发明涉及一种锂电池单体电压差预测方法及装置。

背景技术

电动汽车的动力电池是由多个模组组成，而每个模组又由众多单体电池通过串并联构成，以此来满足驱动汽车的电压要求。在电动汽车的电池不一致性故障中，压差由于容易被测量，被作为一个相对直观的指标去衡量电压的不一致性。压差除了被视为电压不一致性的重要指标外，其与电池寿命和电动汽车安全也具有较强的关系。已有的研究表明，电池组初始压差会影响电池充放电次数，即影响电池的寿命，初始压差越大，电池组循环性能越低，容量衰减越快，此外，压差过大所造成的电池不一致性会导致电池组性能大幅度的降低。大量事实表明单体电压的差异高低会对电动汽车电池组造成巨大的影响，因此准确预测长里程下单体电池的电压差对延长动力电池组的性能和故障预警工作具有重要的意义,不仅如此，已有的研究表明锂电池长里程情况下电池单体电压差与锂电池寿命的衰退呈线性相关，因此，电压差也可以用于表征锂电池的性能，电压差的预测也是对锂电池长期性能衰退趋势的预测，此外，寻求锂电池故障数据的电池单体压差并视为阈值，结合压差预测模型，从某种意义上来说，有望开辟一条针对锂电池寿命预测的新道路,综上所述，定量预测电压差的长周期变化趋势对于电池的安全管控有重要的意义。

锂电池单体电压差指的是某时间段锂电池单体电压最高值与单体电压最低值的差值。现如今，针对单体电压差的大样本量统计学相关分析十分缺乏，类似的大样本的电池数据相关研究也局限于实验室内采集电池数据进行分析。此种研究的环境非常单一，而实际电动汽车的运行环境是很复杂的，温度的变化、驾驶员的行驶习惯、使用时长等因素都会影响电池的数据情况，导致电池数据的突变。若要利用这类电池数据进行汽车的故障、寿命、性能等状态分析，则需要从大样本的实际数据出发，样本大的数据集能够忽略由于行车人员行驶习惯或外界因素造成的异常数据，从大数据的角度出发才更具有说服力。针对电压差的预测方法如今也较为缺乏，已有的预测算法如LSTM、BP神经网络、以阿伦尼乌斯公式为基础的线性预测模型，都存在着不足，如收敛速度慢、容易陷入局部最优解、预测精度低等缺点。已有的研究也表明了电压差与电池寿命和安全息息相关，因此，从大数据的角度，利用实际数据对单体电压差进行长里程定量预测的研究具有重要意义。此外，已有的研究大多数是在开源的公共数据集上进行测试，此类数据较为完整，但实际上，电动汽车电池管理系统上传至云端的数据很可能因为车况或驾驶情况等外界因素，导致上传至云端的数据出现错值、空值或不合逻辑值等异常值的情况，此类数据会对预测工作带来一定的影响，且针对数据预测中的归一化问题，现有技术中通常将归一化区间的区间长度设定为1，但实际上不同数据之间的数量级可能存在较大的差异，采用现有技术中的归一化区间，无法获得精度最高的预测模型。

发明内容

本发明提出一种锂电池单体电压差预测方法及装置，选择多个归一化区间中精度最高的归一化区间，并利用PSO-BP神经网络进行预测，预测精度高。

本发明通过以下技术方案实现：

一种锂电池单体电压差预测方法，包括如下步骤：

S1、对从云端数据库获取的数据进行处理，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集；

S2、用空值代替样本集中的异常值，并对所有空值进行数据填补；