基于人工智能的电动汽车电池管理关键技术

含技术指标、拟解决技术难题、现有基础条件等

该成果针对目前能源电动车安全问 题,  从人工智能角度出发,  重点开展了 锂电池的容量预测、  电池循环寿命预测 和电池故障预警技术,  突破了传统基于 统计的预测和预警技术,  构建了一个基 于A I的高效电池管理框架和原型系统,   具备了高精度容量预测、  真实环境少量 数据下的电池剩余循环次数预测和不同 电池故障提前预警能力。

具体解决思路和创新性如下:

本项目就在这三个问题上进行深入的研究。

(1)新能源汽车电池容量(SOC)预测:通过学习历史充放电曲线规律、结合前序放电特征、 环境因素、电池健康状态和行驶习惯特征,提出真实容量获取、 电池陡降模式分析、最优子模型、 数据增强等方法,  实现了 SOC的准确预测。

主要创新点在于通过对电池健康状态的分析,  利用放电曲线实现了真实场景下不同使用 年限及产商电池的精确容量预测;  其次针对于放电序列起始结束点不同,  本项目提出了一种 数据增强的方式来解决该问题。  根据实验验证,  传统的安时积分法的误差在 5%左右,  本成果 提出的SOC预测模型精度己经可以将误差控制在 2% 以内。

(2)  电池循环寿命预测 :  通过对电池测试时各类复杂条件的耦合关系以及最终的电池寿 命进行建模,  在电池样本较少的情况下,  使用梯度下降决策树实现了在多种不同条件下对电 池寿命的准确预测。  本研究成果创新性地提出了容量衰减率这个新的指标,  该指标可以准确 的刻画出电池的使用情况。  其次,  针对预测曲线使用了后处理,  通过加入单调的约束使得最 后的预测曲线符合先验的专家知识。  实验表明,  该模型可以较为准确的对电池循环寿命进行 预测和估计,  最终预测误差在 1%-8% 以内,  远超目前行业基准。

(3)  电池故障预警:  针对主要的电池故障  (过温、 过压、 欠压以及电池单体一致性差)  ,  研究提出了预测误差模型、  重构误差模型以及隐标签模型。  真实车企实验数据表明对比其他 模型,  隐标签模型具有最好的效果。  针对过温、 欠压、 单体一致性差三种异常达到了超过 0.9 的F1分数,  在数据量极少的情况下,  对于过压异常也达到了 0.7的F1分数,  均有着较为良好 的预警效果,预警提前时间平均在一周以上。本成果创新点在于首次提出了一个新的预警指标, 对于模型的预测结果进行评估,  填补了业界在指标上的空白;  其次,  提出了概率隐标签模型,   将正常数据中存在的潜在异常进行量化,  将分类问题转化成为一个更具有解释性的回归问题,   提升模型的效果。

整体而言,  本项目结合真实车企业务场景,  提出并设计了一套适用于新能源电动汽车电  池容量 (SOC)预测、 电池循环寿命预测和电池故障预警算法与模型,针对性地对真实放电场景、 电池容量衰减和故障预警建设性地提出了新的指标和学习策略,  填补了业界的空白。