电动汽车的锂离子电池剩余寿命的行驶里程评估方法与制作流程
一种评估电动汽车的动力电池健康状态及剩余寿命的方法[发明专利]
![一种评估电动汽车的动力电池健康状态及剩余寿命的方法[发明专利]](https://img.taocdn.com/s3/m/c6f65bda846a561252d380eb6294dd88d1d23d54.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011491062.9(22)申请日 2020.12.16(71)申请人 东南大学地址 211100 江苏省南京市江宁区东南大学路2号(72)发明人 徐志成 王军 张耀明 彼德·路德 (74)专利代理机构 北京德崇智捷知识产权代理有限公司 11467代理人 郝雅洁(51)Int.Cl.G01R 31/367(2019.01)G01R 31/382(2019.01)B60L 58/12(2019.01)(54)发明名称一种评估电动汽车的动力电池健康状态及剩余寿命的方法(57)摘要本发明提供一种评估电动汽车的动力电池健康状态及剩余寿命的方法，针对处理过的数据片段，通过离散容量增量分析法来构建当前状态下动力电池的容量增量曲线，通过分析离散容量增量曲线横坐标重叠部分电压值所对应的容量增量和的变化确定充电容量的变化，进而完成电动汽车动力电池健康状态即SOH的评估。
利用经验模态分解法剥离出电池SOH曲线的长程变化趋势部分和短期波动部分，通过合成两部分预测结果得到动力电池未来一阶段的SOH预测结果即剩余寿命RUL预测。
适用各种车型以及各种充电策略电动汽车健康状态评估，兼容性强，物理意义明确，避免盲目使用各种智能算法进行黑箱建模，因此处理速率和内存占用情况亦十分可观。
权利要求书2页 说明书6页 附图3页CN 112526351 A 2021.03.19C N 112526351A1.一种评估电动汽车的动力电池健康状态及剩余寿命的方法，其特征在于：所述方法包括：步骤S1：根据当前得到的电动汽车运行历史数据样本，拆分、挑选满足条件的数据片段；每个数据片段满足的条件为：一、每个数据片段为电动汽车熄火充电到熄火充电完成期间的数据；二、所述数据片段中相邻两条数据之间的时间间隔小于某一固定值；三、每个数据片段都是同一充电期间的数据，即每条数据记录的行驶里程数相同；步骤S2：构造、补全数据片段；步骤S2中所用的数据片段均为步骤S1中获得的数据片段，经过步骤S2处理的数据片段特征如下：一、每个数据片段的相邻两条数据之间具有统一的时间间隔；二、为构造相同时间间隔而创建出的空白数据的电压、电流和里程数已按照一定策略填补完成；步骤S3：采用离散容量增量分析法计算各个数据片段的离散容量增量信息，即计算出每个数据片段中相同电压值所对应的充电容量和，所述电压值及其对应的充电容量和即为一组离散容量增量特征点；自此每个数据片段都形成一系列离散容量增量特征点，根据所述离散容量增量特征点构建离散容量增量曲线，每一条离散容量增量曲线表示此辆车在当前里程情况下，汽车充电期间各独立电压值所对应的充电容量也就是容量增量的变化情况；步骤S4：确定SOH指标，完成SOH评估；基于步骤S3得到的一系列离散容量增量曲线，SOH 指标定义为前后两条离散容量增量曲线横坐标电压重叠部分各独立电压值所对应的容量增量和的比值变化情况；完成当前行驶里程与前一里程对应离散容量增量曲线的电压重叠部分各独立电压值对应的容量增量和的比值计算，即可以评估当前时刻或里程条件下电池的SOH较前一时刻或里程变化情况，按照里程数大小，依次计算下去即可得到描述此辆车从初始时刻或里程到当前时刻或里程的SOH变化曲线；步骤S5：RUL预测；基于步骤S4得到的SOH变化曲线，利用经验模态分解法剥离出SOH曲线的长程变化趋势部分和短期波动部分，所述长程变化趋势部分表示SOH随行驶里程增加而引起的健康状态下降的变化趋势，所述波动部分表示SOH受短期季节性温度变化和驾驶习惯等的影响；然后，分别利用时间序列预测模型预测未来一段时间内，SOH短期波动部分和长程变化趋势部分的变化情况，最后组合两部分的预测结果完成RUL预测。
锂离子电池健康状态估计及寿命预测研究进展综述
锂离子电池健康状态估计及寿命预测研究进展综述一、本文概述随着可再生能源的快速发展和电动汽车市场的不断扩大，锂离子电池作为高效能量储存和转换的关键部件，其性能和使用寿命的评估受到了广泛关注。
锂离子电池健康状态（State of Health, SOH）估计和寿命预测对于电池管理系统（Battery Management System, BMS）的智能化和电池性能的优化至关重要。
本文旨在综述锂离子电池健康状态估计及寿命预测的最新研究进展，包括常见的评估方法、模型构建以及实际应用中的挑战与前景。
通过系统地梳理和分析现有文献，本文旨在为相关领域的研究人员提供全面而深入的参考，以推动锂离子电池健康管理技术的进一步发展。
二、锂离子电池基础知识锂离子电池（LIBs）是现代电子设备中广泛使用的能源存储技术。
它们以其高能量密度、无记忆效应和长循环寿命等优点，在便携式电子产品、电动汽车和储能系统中得到了广泛应用。
了解锂离子电池的基本原理和结构对于其健康状态估计和寿命预测的研究至关重要。
锂离子电池主要由正极、负极、隔膜、电解质以及外部封装结构组成。
其中，正极和负极是储存和释放锂离子的主要场所，常见的正极材料有钴酸锂、锰酸锂、磷酸铁锂等，而负极则主要采用石墨或硅基材料。
隔膜位于正负极之间，防止了电子的直接接触，只允许离子的通过。
电解质则起到传输离子的作用，通常采用液态或固态的有机电解质。
锂离子电池的充放电过程涉及到锂离子的嵌入和脱出。
充电时，锂离子从正极材料中脱出，通过电解质和隔膜，嵌入到负极材料中；放电过程则相反，锂离子从负极材料中脱出，再次嵌入到正极材料中。
这一过程中，正负极材料的化学结构会发生变化，进而影响到电池的性能。
锂离子电池的性能参数主要包括容量、能量密度、内阻、开路电压等。
容量指的是电池在特定条件下能够储存或释放的电量，通常以安时（Ah）或毫安时（mAh）表示。
能量密度则是指单位体积或单位质量的电池所能储存的能量，通常以瓦时/千克（Wh/kg）或瓦时/升（Wh/L）表示。
电动汽车动力蓄电池健康状态评价指标及估算误差试验方法
电动汽车动力蓄电池健康状态评价指标及估算误差试验方法电动汽车动力蓄电池是作为电动汽车的核心部分，在车辆使用过程中，其健康状态会对整个车辆的性能和安全性产生重大影响。
因此，对电动车电池的健康状态评价指标的准确度和误差极其重要。
一、电动车动力蓄电池健康状态评价的指标1.电池容量动力蓄电池的容量是电池存储能量的重要指标，用于估算电池使用时间和电动车的续航里程。
电池容量的正确评估对车辆的使用寿命有着重大的影响。
2.内阻动力蓄电池的内阻大小会影响电池的输出功率和充电速度。
通过对动力蓄电池内阻的测试可以评估电池的综合性能和状态。
3.剩余能量比例动力蓄电池的剩余能量比例指电池当前剩余的电量占总容量的比例。
评估电池的剩余能量比例能够更好地了解电池的使用寿命和电量状态。
4.电池温度动力蓄电池的温度直接影响电池的工作寿命和性能。
电池温度过高或过低都会导致电池容量的下降和电池的寿命缩短。
5.充电时间动力蓄电池充电的时间会影响电池的充电效率和使用寿命。
针对不同类型的电池，需要有不同的充电时间。
二、电动车动力蓄电池评价误差的来源1.实验测试设备误差测试设备的精度、分辨率和有效范围等因素都会对测试结果产生误差。
要确保测试设备的精度符合标准才能避免误差的发生。
2.实验测试环境误差实验环境的温湿度、氧气含量等因素会对测试结果产生误差。
为了避免误差的出现，在测试前需要对测试环境进行充分的控制和调整。
3.恶劣使用环境误差电动车在复杂的道路环境下可能会引发充电和放电过程中电池温度过高或过低等问题。
这些因素都会对电池的健康状况产生影响。
三、电动车动力蓄电池健康状态评价误差试验方法1.实验室试验通过实验室测试设备对动力蓄电池进行定量评估和测试，可以评价电池的容量、内阻、电池温度等因素，但需要完全控制测试条件，依赖性较高。
2.实车行驶试验将测试设备安装到电动车上，模拟车辆在路上使用的状态，可以对复杂的行车环境进行测试，可以评估电池的剩余能量比例、充电时间等因素。
电动汽车电池管理系统电池状态估算及均衡技术
电动汽车电池管理系统电池状态估算及均衡技术作者：百合提努尔阿地里江·阿不力米提来源：《时代汽车》2024年第06期摘要：文章根據纯电动汽车和混合动力汽车的工作情况，归纳提出了电池管理系统（BMS）的核心功能和拓扑结构，对电池状态估算、电池监测系统和电池均衡系统等做了新的解析，简要的解释了电池常见故障原因以及预防措施等。
关键词：电池管理系统电池状态均衡1 电动汽车电池管理系统电池管理系统（Battery Management System，BMS）是电动汽车动力电池系统的重要组成部分，也是关键核心控制元件。
它一方面检测收集并初步计算电池实时状态参数，并根据检测值与允许值的比较关系来控制供电回路的通断；另一方面，将采集的关键数据上报给整车控制器，并接收控制器的指令，与车上的其他系统协同工作。
不同类型动力电池包的电芯（单体电池）对电池管理系统的要求是不尽相同的。
在任何一种电池管理系统（BMS）无论是简单还是复杂，均都有基本功能和实现这些功能的具体元器件。
如果需求越多，需要向系统中添加的元器件就越多。
如图1所示，电池管理系统（BMS）的核心功能。
2 电动汽车电池管理系统（BMS）拓扑结构电池管理系统的部件则是以几种不同的方式布置结构。
这些布置结构称为拓扑结构。
电池管理系统的拓扑结构主要分为集中式、分布式和模块化等类型，如图2所示。
在集中式BMS拓扑结构中有一个带有控制单元的BMS印刷电路板，其通过多个通信电路管理电池包中的所有电芯。
这种类型的结构体积大、不灵活，但成本低。
在分布式BMS拓扑结构中，每一个电芯都有BMS印刷电路板，控制单元通过单个通道连接到整个电池。
常用的环形连接（菊花链式连接）是分布式拓扑结构的一种类型，并用于容错需求较小的系统。
分布式BMS易于配置，但电子部件多、成本高。
在模块化BMS拓扑结构是集中式和分布式两种拓扑的组合。
这种布置也称为分散、星形或主从控拓扑。
有相互连接的几个控制单元（从控板），每个控制单元监测电池中的一组电芯。
基于EKF的锂离子电池SOC估算的建模与仿真
基于EKF的锂离子电池SOC估算的建模与仿真一、本文概述随着电动车辆的普及和可再生能源的发展，锂离子电池作为其核心能量存储元件，其性能与安全性受到了广泛关注。
电池的状态估计，特别是荷电状态（SOC）的估算，对于电池管理系统（BMS）来说是至关重要的。
精确的SOC估算能够提供电池的健康状态、剩余可用能量以及预测电池性能等信息，从而指导电池的安全使用和有效管理。
扩展卡尔曼滤波（EKF）作为一种高效的非线性状态估计算法，已经被广泛应用于各种动态系统的状态估计中。
在锂离子电池SOC估算领域，EKF算法能够通过考虑电池的非线性特性和不确定性，提供更为准确的SOC估计值。
因此，研究基于EKF的锂离子电池SOC估算建模与仿真对于提高电池管理系统的性能和电池的安全性具有重要意义。
本文旨在研究基于EKF的锂离子电池SOC估算的建模与仿真。
我们将介绍锂离子电池的工作原理和特性，以及SOC估算的重要性和挑战。
然后，我们将详细阐述EKF算法的原理及其在锂离子电池SOC估算中的应用。
接着，我们将建立基于EKF的锂离子电池SOC估算模型，并通过仿真实验验证模型的有效性和准确性。
我们将对研究结果进行讨论，并展望未来的研究方向。
通过本文的研究，我们期望能够为锂离子电池SOC估算提供一种更为准确和可靠的方法，为电动车辆和可再生能源领域的发展做出贡献。
二、锂离子电池模型锂离子电池模型是锂离子电池状态估算的基础，它描述了电池内部电化学反应的动力学特性和能量状态。
在众多电池模型中，等效电路模型（Equivalent Circuit Model, ECM）因其简单性和实用性被广泛应用于电池管理系统中。
等效电路模型通过电阻、电容等元件来模拟电池的内部特性，其中最常见的模型是二阶RC网络模型。
二阶RC网络模型由一个欧姆内阻（R0）、两个并联的RC环节（R1-C1和R2-C2）以及一个开路电压源（OCV）组成。
欧姆内阻R0代表了电池内部电解质的电阻，它影响电流的瞬态响应。
锂离子电池健康评估和寿命预测综述
锂离子电池健康评估和寿命预测综述一、本文概述随着可再生能源和电动汽车的普及，锂离子电池（LIBs）在储能和动力系统中的重要性日益凸显。
然而，锂离子电池的性能衰减和寿命终止是制约其广泛应用的关键问题。
因此，对锂离子电池的健康评估和寿命预测显得尤为重要。
本文旨在综述锂离子电池健康评估和寿命预测的研究现状，探讨其面临的挑战和未来的发展方向。
我们将介绍锂离子电池的工作原理和性能衰减机制，为后续的评估和预测方法提供理论基础。
我们将重点分析现有的锂离子电池健康评估和寿命预测方法，包括基于电化学模型、数据驱动模型以及融合多种技术的综合方法。
我们还将探讨这些方法的优缺点以及在实际应用中的可行性。
我们将展望未来锂离子电池健康评估和寿命预测的发展趋势，包括基于和大数据技术的创新方法，以及在实际应用中的进一步推广和优化。
通过本文的综述，我们期望能为锂离子电池的健康评估和寿命预测提供全面的视角和有益的参考。
二、锂离子电池基础知识锂离子电池（LIBs）是一种广泛应用的能量存储系统，以其高能量密度、无记忆效应、长循环寿命以及环保等优点受到广泛关注。
锂离子电池主要由正极、负极、电解质和隔膜四个部分组成。
正极材料通常包含金属氧化物（如LiCoOLiFePO4等），负责在充电过程中接收和存储锂离子。
负极材料则多为碳基材料（如石墨），在放电过程中释放锂离子。
电解质则负责在正负极之间传输锂离子，同时防止电子通过，保证电池的安全运行。
隔膜则位于正负极之间，防止两者直接接触，防止电池短路。
锂离子电池的工作原理是基于锂离子在正负极之间的嵌入和脱出。
在充电过程中，正极中的锂离子通过电解质嵌入负极，同时电子通过外部电路从正极流向负极，完成电能的存储。
在放电过程中，锂离子从负极脱出，通过电解质返回正极，同时电子通过外部电路从负极流向正极，释放出电能。
锂离子电池的性能评估和健康预测主要依赖于对其内部状态的理解和监控。
这包括但不限于电池的荷电状态（SOC）、健康状态（SOH）、功能状态（SOF）以及剩余使用寿命（RUL）等。
锂离子电池SOC估计与剩余寿命预测研究
锂离子电池SOC预估与剩余寿命猜测探究摘要：锂离子电池被广泛应用于无线通信、储能系统和电动汽车等领域，其精确的电池状态预估和剩余寿命猜测是关键技术。
本探究在分析锂离子电池工作原理、电化学模型和SOC预估算法基础上，提出了一种基于扩展卡尔曼滤波器的SOC预估方法，并建立了基于循环寿命模型的剩余寿命猜测模型。
试验结果表明，该方法能够准确预估电池的SOC，并具有较高的剩余寿命猜测精度，可以为锂离子电池的智能管理提供有效的技术支持。
关键词：锂离子电池；SOC预估；剩余寿命猜测；扩展卡尔曼滤波器；循环寿命模型。
一、引言随着能源危机和环境保卫意识的增强，电动汽车、储能系统和可再生能源等领域得到了快速进步，在这些领域中，锂离子电池作为一种高性能、高安全性和高能量密度的电池，成为了首选的能量存储设备。
然而，锂离子电池的性能与使用寿命受到多种因素的影响，例如充电和放电电流、温度、电池容量、电化学反应等，这些因素会导致电池内部化学反应的复杂性和不行逆性，从而影响电池的循环寿命和安全性。
因此，电池状态预估和剩余寿命猜测是锂离子电池管理的重要技术，能够实现电池的安全运行和高效利用。
二、相关探究电池状态预估（State of Charge, SOC）是指预估电池当前的储能水平，是电池管理的核心技术之一。
常用的SOC预估方法包括开路电压法、卡尔曼滤波器法、粒子滤波器法、支持向量机法等。
然而，这些方法都存在一定的局限性，例如开路电压法受到电池内阻的影响，误差较大；卡尔曼滤波器法对系统的动态特性要求较高，适用范围有限；粒子滤波器法精度较高，但计算量较大。
电池剩余寿命猜测是指依据电池的历史数据和当前状态，猜测电池的剩余使用寿命。
常用的剩余寿命猜测方法包括基于容量衰减的方法、基于内阻变化的方法、基于能量漏失的方法和基于循环寿命模型的方法等。
其中，基于循环寿命模型的方法能够较为准确地猜测电池的寿命，并可实现精细化管理。
三、探究内容本探究在分析锂离子电池工作原理、电化学模型和SOC预估算法基础上，提出了一种基于扩展卡尔曼滤波器的SOC预估方法，并建立了基于循环寿命模型的剩余寿命猜测模型。
废旧动力电池剩余寿命及一致性评估方案(二)
废旧动力电池剩余寿命及一致性评估方案一、实施背景随着电动汽车的普及，动力电池的更换频率逐渐增加。
然而，废旧电池的处理成为了一个重要的问题。
不仅需要解决环境污染的问题，还需要对电池的剩余寿命和一致性进行评估，以便更好地进行资源回收和再利用。
本方案旨在通过产业结构改革的角度，为解决这一问题提供一套全面的实施计划。
二、工作原理废旧动力电池的剩余寿命及一致性评估方案的工作原理主要包括以下几个步骤：收集废旧动力电池、初步检测、详细检测、数据分析和出具报告。
首先，收集到的废旧电池需要进行初步检测，包括外观检查、电池基本信息的收集等。
接下来，通过专业的检测设备进行详细检测，包括电池容量、内阻、循环寿命等参数的检测。
然后，根据检测数据进行分析，评估电池的剩余寿命和一致性。
最后，出具评估报告，为回收再利用提供参考。
三、实施计划步骤1.建立废旧动力电池信息平台：收集废旧动力电池的基本信息，包括品牌、型号、使用情况等。
2.建立检测标准和方法：制定详细的检测标准和检测方法，确保检测结果的准确性和可靠性。
3.采购专业检测设备：购买专业的电池检测设备，确保详细检测的准确性和可靠性。
4.实施检测和数据分析：按照检测标准和方法进行详细检测，并对检测数据进行深入分析，评估电池的剩余寿命和一致性。
5.出具评估报告：根据分析结果出具评估报告，为回收再利用提供参考。
6.建立回收再利用渠道：与相关企业合作，建立废旧动力电池的回收再利用渠道，实现资源的最大化利用。
四、适用范围本方案适用于各种类型的废旧动力电池，包括锂离子电池、镍氢电池等。
同时，该方案也适用于其他需要评估剩余寿命和一致性的电池类型。
五、创新要点1.通过产业结构改革的角度，将废旧动力电池的评估和处理纳入整个产业链中，实现了资源的最大化利用。
2.建立了废旧动力电池信息平台，实现了电池基本信息的收集和管理，为后续的评估和处理提供了基础数据。
3.建立了专业的检测标准和检测方法，确保了检测结果的准确性和可靠性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图片简介:本技术提供一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，通过云端数据平台收集电动汽车历史数据，采用数据挖掘方法分析电动汽车历史行驶工况与历史老化路径并结合动力电池故障预警数据与行驶工况模型和多维耦合等效电路模型及安全风险评估方法，计算电动汽车安全可用行驶里程，在不额外增添电动汽车元器件的条件下，通过远程数据传输的方式收集电动汽车历史数据并储存于云端数据平台，在其中通过数据挖掘方法分析电动汽车历史老化路径与剩余可用寿命，基于采样的电动汽车速度与位置信息分析电动汽车历史行驶工况并通过计算在当前剩余可用寿命的条件下，工况设定为电动汽车历史行驶工况的电动汽车可用行驶里程即可合理评估当前的剩余行驶里程。
技术要求1.一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，包括如下步骤：S1通过云端数据平台采集电动汽车的锂离子电池的行驶历史数据以及驾驶员历史行为数据；S2对所述电动汽车的锂离子电池的行驶历史数据以及驾驶员历史行为数据进行数据清洗得到可用数据；S3将所述可用数据作为初始训练样本集，对初始行驶工况模型进行迭代训练，得到针对驾驶员个人行为习惯的行驶工况模型；S4根据所述可用数据中的电池信息数据基于电池原理进行等效电路建模，进行系统辨识获取等效电路模型参数，并得到多维耦合等效电路模型；基于所述多维耦合等效电路模型，进行电池容量健康状态估计，根据对所述电池容量健康状态估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计；S5根据所述估计的锂离子电池剩余寿命值与所述驾驶员个人行为习惯的行驶工况模型得到电动汽车锂离子电池剩余寿命的行驶里程。
2.根据权利要求1所述的一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，在步骤S2中，所述数据清洗包括数据去重、数据查漏和数据去噪，其中所述数据去重包括：恢复因长期怠速与超长怠速产生的不良数据；所述数据查漏包括：恢复对于GPS数据的丢失产生的不良数据；部分恢复碎片化丢失的数据；所述部分恢复碎片化丢失的数据包括：假设汽车处于巡航状态，假设汽车速度不变，对于丢失1s或2s的数据进行恢复；所述数据去噪包括：不恢复因加速度异常产生的不良数据，恢复因速度异常产生的不良数据。
3.根据权利要求1所述的一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，在步骤S2中，所述可用数据包括：经过清洗后的完整的车辆速度信息、电池的电流、电压以及温度信息。
4.根据权利要求1所述的一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，所述步骤S3采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练。
5.根据权利要求1所述的一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，在所述步骤S3中，采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练，得到针对驾驶员个人行为习惯的行驶工况模型包括：采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练，结合驾驶员行为预测并采用马尔可夫蒙特卡洛法建立所述电动汽车的驾驶工况，采用耦合汽车形式特征、能耗特征、排放特征的多维度评价方法对建立的行驶工况进行解析，最终建立针对驾驶员个人行为习惯的行驶工况模型。
6.根据权利要求5所述的一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，所述步骤S3所述针对驾驶员个人行为习惯的行驶工况模型为循环深度神经网络或长短时记忆神经网络。
7.根据权利要求1所述的一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，所述步骤S4所述系统辨识基于大数据神经网络方法进行。
8.根据权利要求7所述的一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，所述步骤S4中所述多维耦合等效电路模型采用大数据神经网络方法与电池原理结合建立，所述多维耦合等效电路模型包括由RC环境、欧姆内阻和理想电压源组成的电路，所述RC环境用于描述电池动态特性，所述欧姆内阻与所述理想电压源用于描述电池静态特性。
9.根据权利要求8所述的一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，所述步骤S4中所述电池容量健康状态估计采用数据驱动神经网络的云端参数辨识算法以及数据挖掘与广义粒子滤波结合实现。
10.根据权利要求1所述的一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，其特征在于，所述步骤S4中所述根据对所述电池容量健康状态估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车的锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计包括：根据所述电池容量健康状态估计的估计值采用循环神经网络或改进的长短时记忆神经网络法实现锂离子电池在有限时域内的基于概率密度云分布的可用容量预测；所述可用容量为锂离子电池的剩余寿命值。
技术说明书一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法技术领域本技术属于动力电池管理系统技术领域，具体涉及一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法。
背景技术目前国内电动汽车保有量超过1%且逐年增长，电动汽车采用电动机作为驱动装置，由车载可充电蓄电池或其他能量储存装置提供能量，具有零排放、高效率、安静、运行平稳、驾驶操作容易、使用维护费用低和所需电能来源广泛等优点，因而在现有的新能源汽车技术中，被视为长期发展目标。
当前锂离子电池为主流的车载储能装置。
由于锂离子电池系统受行驶工况、老化特性等影响，单一原则的评估体系难以评定锂离子电池剩余寿命的行驶里程，进而导致二手电动汽车保值难，电池组梯次利用回收定价难，目前可基于已行驶里程来估计锂离子电池系统残值。
但该结果依赖于测试环境，存在累计误差，且未考虑电动汽车历史老化路径的影响，导致计算结果不准确。
因此对于电动汽车中锂离子电池剩余寿命的行驶里程的评估一直是困扰电动汽车车主与企业的重要问题，如何合理评估电动汽车锂离子电池剩余寿命续航里程残值是目前电动汽车产业发展需应对的难题。
技术内容针对上述现有技术存在的无法合理评估电动汽车锂离子电池系统残值的技术问题，本技术提供一种锂离子电池剩余寿命的行驶里程评估方法，该方法通过云端数据平台收集电动汽车历史数据，采用数据挖掘方法分析电动汽车历史行驶工况与历史老化路径，基于深度学习或长短时记忆神经网络等实现动力电池寿命估计与预测，从而实现在不额外增添电动汽车元器件的条件下基于采样的电动汽车速度与位置信息等分析电动汽车历史行驶工况并通过计算在当前剩余可用寿命的条件下，将工况设定为电动汽车历史行驶工况对电动汽车的锂离子电池剩余寿命的行驶里程进行评估。
本技术的目的在于提供一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法，包括如下步骤：S1，通过云端数据平台采集电动汽车的锂离子电池的行驶历史数据以及驾驶员历史行为数据；S2，对所述电动汽车的锂离子电池的行驶历史数据以及驾驶员历史行为数据进行数据清洗得到可用数据；S3，将所述可用数据作为初始训练样本集，对初始行驶工况模型进行迭代训练，得到针对驾驶员个人行为习惯的行驶工况模型；S4，根据所述可用数据中的电池信息数据基于电池原理进行等效电路建模，进行系统辨识获取等效电路模型参数，并得到多维耦合等效电路模型；基于所述多维耦合等效电路模型，进行电池容量健康状态估计，根据对所述电池容量健康状态估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计；S5，根据所述估计的锂离子电池剩余寿命值与所述驾驶员个人行为习惯的行驶工况模型得到电动汽车锂离子电池剩余寿命的行驶里程。
优选的，在步骤S2中，所述数据清洗包括数据去重、数据查漏和数据去噪，其中所述数据去重包括：恢复因长期怠速与超长怠速产生的不良数据；所述数据查漏包括：恢复对于GPS数据的丢失产生的不良数据；部分恢复碎片化丢失的数据；所述部分恢复碎片化丢失的数据包括：假设汽车处于巡航状态，假设汽车速度不变，对于丢失1s或2s的数据进行恢复；所述数据去噪包括：不恢复因加速度异常产生的不良数据，恢复因速度异常产生的不良数据。
优选的，在步骤S2中，所述可用数据包括：经过清洗后的完整的车辆速度信息、电池的电流、电压以及温度信息。
优选的，所述步骤S3采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练。
优选的，在所述步骤S3中，所述采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练，得到针对驾驶员个人行为习惯的行驶工况模型包括：采用主成分分析法与聚类分析法深度挖掘所述可用数据的特征以对初始行驶工况模型进行迭代训练，结合驾驶员行为预测并采用马尔可夫蒙特卡洛法建立所述电动汽车的驾驶工况，采用耦合汽车形式特征、能耗特征、排放特征的多维度评价方法对建立的行驶工况进行解析，最终建立针对驾驶员个人行为习惯的行驶工况模型。
优选的，所述步骤S3所述针对驾驶员个人行为习惯的行驶工况模型为循环深度神经网络或长短时记忆神经网络。
优选的，所述步骤S4所述系统辨识基于大数据神经网络方法进行。
优选的，所述步骤S4中所述多维耦合等效电路模型采用大数据神经网络方法与电池原理结合建立，所述多维耦合等效电路模型包括由RC环境、欧姆内阻和理想电压源组成的电路，所述RC环境用于描述电池动态特性，所述欧姆内阻与所述理想电压源用于描述电池静态特性。
优选的，所述步骤S4中所述电池容量健康状态估计采用数据驱动神经网络的云端参数辨识算法以及数据挖掘与广义粒子滤波结合实现。
优选的，所述步骤S4中所述根据对所述电池容量健康状态估计得到所述电动汽车锂离子电池概率密度曲线，根据所述电动汽车的锂离子电池概率密度曲线对锂离子电池剩余寿命值进行估计包括：根据所述电池容量健康状态估计的估计值采用循环神经网络或改进的长短时记忆神经网络法实现锂离子电池在有限时域内的基于概率密度云分布的可用容量预测；所述可用容量为锂离子电池的剩余寿命值。
本技术的技术效果：本技术锂离子电池剩余寿命的行驶里程评估方法，通过云端数据平台收集电动汽车历史数据，采用数据挖掘方法分析电动汽车历史行驶工况与历史老化路径并结合动力电池故障预警数据与行驶工况模型和多维耦合等效电路模型以及安全风险评估方法，计算出电动汽车安全可用行驶里程，从而实现在不额外增添电动汽车元器件的条件下，通过远程数据传输的方式收集电动汽车历史数据并储存于云端数据平台中，在云端数据平台中通过数据挖掘的方法分析电动汽车历史老化路径与剩余可用寿命，基于采样的电动汽车速度与位置信息等分析电动汽车历史行驶工况并通过计算在当前剩余可用寿命的条件下，工况设定为电动汽车历史行驶工况的电动汽车可用行驶里程即可合理评估当前电动汽车的剩余行驶里程。