[发明专利]一种基于在线特征提取的汽车电池系统使用寿命检测方法

说明书

本发明属于电动汽车电池寿命预测领域，具体涉及一种基于在线特征提取的汽车电池系统使用寿命检测方法，该方法包括：实时获取待检测的电池数据，将该数据输入到训练好的汽车电池系统寿命检测模型中，得到检测结果；训练模型的过程包括获取与电池状态相关的高维度特征；根据高维度特征建立特征工程，得到高维度特征数据集；对高维度特征数据集中的高维度特征进行预处理；将预处理后的高维度特征输入到LSTM网络，得到电池寿命预测结果；本发明由于选择的输入特征是高维度‑多特征属性的数据集，并且利用LSTM网络模型，将会有效提高预测的准确度，并且提高模型的鲁棒性和安全性，能够通过实车数据集，直接实现电池SOH高精度预测。

技术领域

本发明属于电动汽车电池寿命预测领域，具体涉及一种基于在线特征提取的汽车电池系统使用寿命检测方法。

背景技术

现有的电池SOH预测方法中，采用的模型输入参数比较单一，大多数是电池电压、电流、温度和容量，但是无法精准的涵盖影响电池SOH的因素，因此，本发明一种表征能源系统寿命的在线特征提取方法，通过分析电池故障单位时间发生的数目和次数、电池内阻值、车辆速度、单体电压最高值、单体电压最低值、电机电压与电池电压响应时间、电机电流与电池电流响应时间、交流充电时长、直流充电时长、电池温度平均值、充电能量值、放电能量值、充电功率值、放电功率值、乘员舱温度平均值、电池系统最低温度值、室外温度平均值、充放电变化频度与电池SOH之间的关系，进行高维度的特征工程，建立完备的高维特征量作为模型的输入数据集。

现在已有的技术中，使用传统的经验方法预测电池SOH，对于设备精度要求高、不适用电池在线预测，实用性不强；采用模型驱动的方法预测电池SOH，其中，电化学模型需要昂贵的设备费用建模，而且模型参数比较多，数据计算量大，等效电路模型需要通过数据对模型参数进行辨识，但是辨识过程比较困难，精度不高。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于在线特征提取的汽车电池系统使用寿命检测方法，该方法包括：实时获取待检测的电池数据，将该数据输入到训练好的汽车电池系统寿命检测模型中，得到检测结果；

对汽车电池系统寿命检测模型进行训练的过程包括：

S1、获取与电池状态相关的高维度特征；

S2、根据高维度特征建立特征工程，得到高维度特征数据集；

S3、对高维度特征数据集中的高维度特征进行预处理；

S4、将预处理后的高维度特征输入到LSTM网络，得到电池寿命预测结果；

S5、设置准确度阈值，计算电池寿命预测结果的准确度，将计算出的准确度与设置的准确度阈值进行比较，若小于设置的准确度阈值，则调整模型的超参数，并返回步骤S4，否则输出模型的超参数，完成模型的训练。

优选的，与电池状态相关的高维度特征包括：电池故障单位时间发生的数目和次数、电池内阻值、车辆速度、单体电压最高值、单体电压最低值、电机电压与电池电压响应时间、电机电流与电池电流响应时间、交流充电时长、直流充电时长、电池温度平均值、充电能量值、放电能量值、充电功率值、放电功率值、乘员舱温度平均值、电池系统最低温度值、室外温度平均值以及充放电变化频度。

优选的，对高维度特征进行预处理包括：对获取的高维度特征进行特征分类，其中分类的结果包括电池故障类特征、电池温度相关特征、电机与电流关系特征、电池内阻相关特征以及电池功率相关特征。

优选的，根据预处理后的高维度特征建立特征工程的过程包括：对预处理后的高维度特征数据集进行特征数据清洗，即删除异常数据和对缺失值进行增补；对特征数据进行归一化处理；对归一化后的数据进行进行降维处理，得到网络模型所需的输入特征数据集。

优选的，对高维度特征数据集中的高维度特征进行预处理包括：高维度特征数据集中的每个特征为一个序列，采用滑动时间窗对每个特征进行采样，得到指定长度的序列。