(19)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 202211352797.2 (22)申请日 2022.11.01 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 刘新华　王文涛　于瀚卿　杨世春　 张正杰　闫啸宇　 (74)专利代理 机构 北京格允知识产权代理有限 公司 11609 专利代理师 张莉瑜 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/392(2019.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)H01M 10/42(2006.01) H01M 10/48(2006.01) B60L 58/16(2019.01) (54)发明名称 一种电动汽车锂电池健康状态在线预测方 法及系统 (57)摘要 本发明涉及电池监测技术领域， 特别涉及一 种电动汽车锂电池健康状态在线预测方法及系 统， 其中方法包括： 获取电动汽车电池数据； 通过 车端预测模型进行SOH预测， 得到下一时刻的第 二SOH预测结果； 判断当前时刻的充放电循环数 与上一轮修正时的充放电循环数之差是否达到 预设的修正周期， 否则将第二SOH预测结果作为 锂电池SOH预测结果， 是则利用云端电池监控平 台实现： 通过云端预测模型进行SOH预测， 得到 下 一时刻的第一SOH 预测结果； 以第一SOH 预测结果 为测量值、 第二SOH 预测结果为观测值， 通过卡尔 曼滤波器进行融合， 得到下一时刻的锂电池SOH 预测结果。 本发 明能够实现实时性好且精度高的 锂电池健康状态在线预测。 权利要求书2页 说明书9页 附图2页 CN 115407211 A 2022.11.29 CN 115407211 A 1.一种电动汽车锂电池健康状态在线预测方法， 其特 征在于， 包括： 获取电动汽车当前时刻的电池数据， 包括锂电池的充放电循环数、 电压和温度； 基于当前时刻的充放电循环数和锂电池SOH预测结果， 通过车端预测模型进行SOH预 测， 得到下一时刻的第二SOH预测结果； 其中， 所述车端预测模型根据经验 模型构建； 判断当前时刻的充放电循环数与上一轮修正时的充放电循环数之差是否达到预设的 修正周期， 否则将得到的所述第二SOH预测结果作为下一时刻的锂电池SOH预测结果， 是则 继续执行如下操作： 将当前时刻及历史时刻的电池数据 上传至云端电池监控平台， 以利用所述云端电池监 控平台实现： 基于当前时刻及历史时刻的电压和温度进行特征提取， 通过存储的云端预测 模型进行SOH预测， 得到下一时刻的第一SOH预测结果， 并传回； 以得到的所述第一SOH预测结果为测量值、 所述第二SOH预测结果为观测值， 通过卡尔 曼滤波器进行融合， 得到下一时刻的锂电池SOH预测结果。 2.根据权利要求1所述的电动汽车锂电池健康状态在线预测方法， 其特征在于， 所述车 端预测模型为双指数模型； 所述通过车端预测模型进行SOH预测， 采用如下表达式： 设当前时刻为 n时刻， 表示n+1时刻的第二SOH预测结果， 表示n时刻的锂 电池SOH预测结果， 表示n+1时刻和 n时刻之间的时间间隔， k表示当前时刻的充放电循环 数，a、b、c和d为双指数模型参数， 由拟合确定， e表示自然常数。 3.根据权利要求1所述的电动汽车锂电池健康状态在线预测方法， 其特征在于， 所述云 端预测模型为训练后的深度学习模型。 4.根据权利要求3所述的电动汽车锂电池健康状态在线预测方法， 其特征在于， 所述深 度学习模型为LSTM模型， 包括： 依次连接的输入层、 第一LSTM层、 第一dropout层、 第二LSTM 层、 第二dropout层、 全连接层和输出层。 5.根据权利要求3所述的电动汽车锂电池健康状态在线预测方法， 其特征在于， 所述基 于当前时刻 及历史时刻的电压和温度进行 特征提取， 包括： 基于当前时刻 及历史时刻的电压和温度， 通过奇异值分解法进行 特征提取。 6.根据权利要求3所述的电动汽车锂电池健康状态在线预测方法， 其特征在于， 所述深 度学习模型 是通过如下 方式进行训练的： 获取电动汽车锂电池多个不同时刻的电压和温度以及相应的锂电池SOH， 上传至所述 云端电池监控平台， 以利用所述云端电池监控平台实现： 构建深度学习模型； 对获取的数据进行 预处理； 基于预处 理后的数据， 进行 特征提取， 得到训练样本集和 测试样本集； 基于得到的所述训练样本集和所述测试样本集， 对构建的深度学习模型进行训练， 至 该深度学习模型收敛。 7.根据权利要求1所述的电动汽车锂电池健康状态在线预测方法， 其特征在于， 还包权　利　要　求　书 1/2 页 2 CN 115407211 A 2括： 基于得到的所述锂电池S OH预测结果进行判断， 若所述锂电池SOH预测结果达到预设阈 值， 则生成锂电池健康状态警告并上报。 8.一种电动汽车锂电池健康状态在线预测系统， 其特征在于， 包括： 车载计算装置和云 端电池监控平台； 其中， 所述车载计算装置包括： 获取模块， 用于获取电动汽车当前时刻的电池数据， 包括锂电池的充放电循环数、 电压 和温度； 预测模块， 用于基于当前时刻的充放电循环数和锂电池SOH预测结果， 通过车端预测模 型进行SOH预测， 得到下一时刻的第二SOH预测结果； 其中， 所述车端预测模 型根据经验模 型 构建； 判断模块， 用于判断当前时刻的充放电循环数与 上一轮修正 时的充放电循环数之差是 否达到预设的修正周期， 否则将得到的所述第二SOH预测结果作为下一时刻的锂电池SOH预 测结果， 是则继续调用上传模块和融合模块； 上传模块， 用于将当前时刻及历史时刻的 电池数据上传至云端电池监控平台， 以调用 所述云端电池监控平台进行SOH预测， 获得 下一时刻的第一SOH预测结果； 融合模块， 用于以得到的所述第一SOH预测结果为测量值、 所述第二SOH预测结果为观 测值， 通过卡尔曼 滤波器进行融合， 得到下一时刻的锂电池SOH预测结果； 所述云端电池监控平台用于响应所述上传模块的调用， 基于当前时刻及历史时刻的电 压和温度进行特征提取， 通过存储的云端预测模型进行SOH预测， 得到下一时刻的第一SOH 预测结果， 并传回至所述上传模块。 9.一种电子设备， 包括存储器和处理器， 所述存储器中存储有计算机程序， 其特征在 于， 所述处理器执行所述计算机程序时， 实现如权利要求 1‑7中任一项 所述的电动汽车锂电 池健康状态在线预测方法。 10.一种存储介质， 其上存储有计算机程序， 其特征在于， 当所述计算机程序在计算机 中执行时， 令计算机执行权利要求1 ‑7中任一项所述的电动汽车锂电池健康状态在线预测 方法。权　利　要　求　书 2/2 页 3 CN 115407211 A 3