基于实车数据的电动汽车电池健康状态预测

doi:10.19562/j.chinasae.qcgc.2021.09.004

摘要/Abstract

摘要：

鉴于现有电动汽车电池健康状态（SOH）预测方案多基于条件有限实验室的实验数据，且存在单指标预测精度低等问题，基于实车运行数据分析并提取电池健康状态因子，以电池容量、内阻和单体一致性为特征，构建机器学习模型，实现电池SOH多指标的准确预测；针对实车数据区间不完整、片段间隔大等问题，提出自适应状态估计法；利用非支配排序遗传算法（NSGA?II）进行精度与效率的多目标优化，获得最佳电压区间，提高电池容量的变区间估计精度。结果表明，该方法可有效实现基于实车数据的电池SOH准确预测，采用5-fold交叉验证计算测试集最大平均绝对误差小于2%。

关键词: 电动汽车, SOH预测, 机器学习

Abstract:

In view of that most of the existing battery state of health （SOH） prediction schemes are based on the experimental data obtained in the laboratory with limited conditions， and the poor accuracy of single indicator prediction， a machine learning model is constructed based on the analysis on real vehicle operating data and the extraction of battery health state factors， with the battery capacity， internal resistance and cell consistency as its features， to achieve accurate prediction of battery SOH with multiple indicators. Aiming at the problems of the incomplete interval of real vehicle data and the large interval of segments， an adaptive state estimation method is proposed. Non-dominated sorting genetic algorithm （NSGA?II） is used to conduct a multi-objective （accuracy and efficiency） optimization， with the optimal voltage interval obtained and the accuracy of variable interval estimation of battery capacity enhanced. The results show that the method proposed can effectively achieve the accurate prediction of battery SOH based on real vehicle data， with the maximum mean absolute error of test set less than 2% when using 5?fold cross validation.

Key words: electric vehicle, SOH prediction, machine learning

胡杰,朱雪玲,何陈,杨光宇. 基于实车数据的电动汽车电池健康状态预测[J]. 汽车工程, 2021, 43(9): 1291-1299.

Jie Hu,Xueling Zhu,Chen He,Guangyu Yang. Prediction on Battery State of Health of Electric Vehicles Based on Real Vehicle Data[J]. Automotive Engineering, 2021, 43(9): 1291-1299.

图/表 26

表 1

图 1

表2

图 2

表3

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图13

图 14

图 15

图 16

图 17

图 18

图 19

图 20

图 21

图 22

表 4

参考文献 18

1	刘树林. 电动汽车用锂离子动力电池建模与状态估计研究［D］. 济南：山东大学， 2017.
	LIU S L. Research on modeling and state estimation of lithium ion power battery for electric vehicle ［D］. Jinan：Shandong University， 2017.
2	徐兴，徐琪凌，王峰，等. 车用锂离子动力电池电化学模型修正方法［J］. 机械工程学报， 2019， 55（12）：128-136.
	XU X ， XU Q L， WANG F，et al. Electrochemical model modification method for lithium⁃ion power battery for vehicle ［J］. Journal of Mechanical Engineering， 2019，55 （12）：128-136.
3	胡晓松，唐小林. 电动车辆锂离子动力电池建模方法综述［J］. 机械工程学报， 2017， 53（16）：20-31.
	HU X S， TANG X L. Summary of modeling methods for lithium ion power battery for electric vehicles ［J］. Journal of Mechanical Engineering， 2017， 53（16）：20-31.
4	周頔. 电动汽车锂电池健康状态在线估算方法研究［D］. 哈尔滨：哈尔滨工业大学， 2020.
	ZHOU D. Research on online estimation method of electric vehicle lithium battery health status ［D］. Harbin ：Harbin Institute of Technology， 2020.
5	王常虹，董汉成，凌明祥，等. 车用锂离子电池剩余使用寿命预测方法［J］. 汽车工程， 2015， 37（4）：476-479.
	WANG C H， DONG H C， LING M X，et al. Vehicle lithium⁃ion battery residual service life prediction method ［J］. Automotive Engineering， 2015， 37（4）：476-479.
6	YU J. State of health prediction of lithium⁃ion batteries： multiscale logic regression and Gaussian process regression ensemble［J］. Reliability Engineering & System Safety， 2018， 174（jun.）：82-95.
7	刘中财，严晓，余维，等. 锂离子电池健康状态新型测定方法［J］. 电源技术， 2019， 43（1）：74-76，157.
	LIU Z C，YAN X， YU W，et al. A new method for measuring the health status of lithium ion battery ［J］. Power Supply Technology， 2019， 43（1）：74-76，157.
8	梁培维，张彦会. 基于欧姆内阻对锂电池健康状态的估算［J］. 电源技术， 2019， 43（10）：1623-1625，1704.
	LIANG P W， ZHANG Y H. Estimation of lithium battery health state based on ohm internal resistance ［J］. Power Supply Technology， 2019， 43（10）：1623-1625，1704.
9	XU Jun， MEI Xuesong， WANG Xiao， et al. Wavelet based relative state of health estimation for lithium-ion batteries［J］. Energy Procedia， 2019， 158.
10	徐文静. 纯电动汽车锂动力电池健康状态估算方法研究［D］. 长春：吉林大学， 2012.
	XUN W J. Research on health state estimation method of lithium power battery for pure electric vehicle ［D］. Changchun：Jilin University， 2012.
11	CHANG Cheng， LIU Zhengyu， HUANG Yewei ，et al. Estimation of battery state of health using back propagation neural network［J］. Computer Aided Drafting，Design and Manufacturing， 2014， 24（1）：60-63.
12	郝雪玲. 锂离子电池健康状态多指标融合和剩余寿命预测方法研究［D］. 哈尔滨：哈尔滨理工大学， 2019.
	HAO X L. Research on health status and residual life prediction of lithium⁃ion battery ［D］. Harbin ：Harbin University of Science and Technology， 2019.
13	YANG D，WANG Y，PAN R，et al. State⁃of⁃health estimation forthe lithium⁃ion battery based on support vector regression［J］. Applied Energy， 2018， 227（S1）：273-283.
14	罗勇，祁朋伟，黄欢，等. 基于容量修正的安时积分SOC估算方法研究［J］. 汽车工程， 2020， 42（5）：681-687.
	LUO Y， QI P W， HUANG H，et al. Research on estimation method of ampere⁃hour integral SOC based on capacity correction ［J］. Automotive Engineering， 2020， 42（5）：681-687.
15	刘轶鑫，张頔，李雪，等. 基于SOC-OCV曲线特征的SOH估计方法研究［J］. 汽车工程， 2019， 41（10）： 1158-1163.
	LIU Y X， ZHANG D， LI X，et al. Research on SOH estimation method based on SOC⁃OCV curve characteristics ［J］. Automotive Engineering， 2019， 41（10）：1158-1163.
16	颜湘武，郭琪，杨漾，等. 动力电池组健康状态评价方法的研究［J］.湖南大学学报（自然科学版）， 2015， 42（2）：93-99.
	YAN X W， GUO Q， YANG Y， et al. Study on evaluation method of power battery's health condition ［J］. Journal of Hunan University （Natural Science Edition）， 2015， 42（2）：93-99.
17	齐腾飞. 基于多因素分析的锂离子电池寿命研究［D］. 长春：吉林大学，2017.
	QI T F. Lithium⁃ion battery life research based on multi⁃factor analysis ［D］. Changchun：Jilin University， 2017.
18	郑路路. 基于实车行驶数据的动力电池容量衰减性研究［D］. 上海：上海交通大学， 2017.
	ZHENG L L. Research on capacity decay of lithium⁃ion battery based on real vehicle driving data ［D］. Shanghai ：Shanghai Jiao Tong University， 2017.

数据类型	数据字段名称	数据说明
时空信息	time	数据采集时间
时空信息	location	车辆位置
车辆信息	vid	车辆编号
	speed	车速/（km·h^-1）
	mileage	累计里程/km
	t_volt	总电压/V
	t_current	总电流/A
电池信息	soc	电池荷电状态/%
	max_cell_volt	电池单体电压最高值/V
	min_cell_volt	电池单体电压最低值/V
	max_temp	最高温度值/℃
	min_temp	最低温度值/℃

数据采集时间	…	总电流/A	最高温度值/℃
2019-04-05 09：55：39	…	0	18
2019-04-05 09：55：39	…	0	18
2019-04-05 09：55：39	…	47
2019-04-05 09：55：39	…	13	15

误差	基于自适应变区间的三指标预测	基于多目标优化的容量法预测	基于多目标优化的三指标预测
平均绝对误差	1.978	1.729	1.535
均方误差	0.060	0.047	0.032
平均绝对百分比误差	2.130	1.911	1.709

[1]	张念忠,宋强,王冠峰,王明生. 车用永磁同步电机无电流传感器控制研究[J]. 汽车工程, 2024, 46(2): 281-289.
[2]	焦志鹏, 马建, 赵轩, 张凯, 孟德安, 韩琪, 张昭. 基于电动汽车制动安全检测的短时工况及方法研究[J]. 汽车工程, 2024, 46(1): 109-119.
[3]	原江鑫, 何莉萍, 李耀东, 李罡. 电动汽车BMS从控板热分析及散热优化[J]. 汽车工程, 2024, 46(1): 128-138.
[4]	张鹏博, 陈仁祥, 邵毅明, 孙世政, 闫凯波. 纯电动汽车电驱动系统故障诊断研究进展[J]. 汽车工程, 2024, 46(1): 61-74.
[5]	贺伊琳,马建,杨舒凯,郑威,薛启帆. 融合预瞄特性的智能电动汽车稳定性模型预测控制研究[J]. 汽车工程, 2023, 45(5): 719-734.
[6]	梁海强,何洪文,代康伟,庞博,王鹏. 融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究[J]. 汽车工程, 2023, 45(5): 825-835.
[7]	吴忠强,张长兴. 考虑配电网负荷的电动汽车分布式充电控制[J]. 汽车工程, 2023, 45(4): 598-608.
[8]	吴志恒,刘爱民. 汽车永磁同步电机切换函数式混合控制策略[J]. 汽车工程, 2023, 45(4): 619-627.
[9]	王军年,高守林,杨钫,管畅洋,杨志华. 多行星排转矩定向分配电驱动桥振动特性优化[J]. 汽车工程, 2023, 45(3): 421-429.
[10]	陈吉清,李子涵,兰凤崇,蒋心平,潘威,陈继开. 基于非线性降维IC特征的实车电池SOH估计[J]. 汽车工程, 2023, 45(2): 199-208.
[11]	崔格格,吕超,李景行,张哲雨,熊光明,龚建伟. 数据驱动的智能车个性化场景风险图构建[J]. 汽车工程, 2023, 45(2): 231-242.
[12]	朱成,刘頔,滕欣余,张国华,于丹,刘沙,胡苧丹. 新能源汽车综合经济性对比分析及预测研究[J]. 汽车工程, 2023, 45(2): 333-340.
[13]	李琴,汤建明,张博远,陈勇,王勇. 分布式驱动电动汽车多执行器容错控制研究[J]. 汽车工程, 2023, 45(12): 2251-2259.
[14]	姜俊昭,杨文豪,彭彬,郭婷,徐业凯,王国卓. 基于能耗加权策略的燃料电池汽车续驶里程预测[J]. 汽车工程, 2023, 45(12): 2357-2365.
[15]	于天蝉,王源,石文星,梁辰吉昱,李先庭,岑俊平,罗敏. 基于三介质换热器的电动汽车热管理系统及其性能分析[J]. 汽车工程, 2023, 45(11): 2001-2013.