本申請涉及動力電池組，尤其涉及一種動力電池組狀態評估方法及系統。

背景技術：

1、隨著電動汽車產業的快速發展，動力電池組作為電動汽車的核心部件，其性能狀態直接影響車輛的續航里程、安全性和使用壽命。準確評估動力電池組的荷電狀態(soc)、健康狀態(soh)和剩余使用壽命(rul)已成為電池管理系統的關鍵技術。傳統的電池狀態評估方法主要依賴于卡爾曼濾波算法和等效電路模型，但這些方法嚴重依賴于精確的電池模型參數，而電池參數會隨著老化過程和工作環境（如溫度變化）不斷變化，導致評估精度下降。

2、近年來，數據驅動方法如神經網絡和機器學習技術在電池狀態評估領域得到了廣泛應用，這些方法能夠自適應地調整模型參數以匹配實際電池行為。然而，純數據驅動方法存在可解釋性差、泛化能力有限、依賴大量訓練數據等缺點，尤其在面對多種故障模式和復雜工況時，難以提供可靠的評估結果。此外，現有方法往往只關注電池的單一狀態（如soc或soh），缺乏對電池組多狀態綜合評估和故障模式識別的能力。

技術實現思路

1、本申請提供了一種動力電池組狀態評估方法及系統，進而實現了更加準確的剩余使用壽命預測，顯著提高了在寬溫度范圍內的精度，并能有效處理動力電池組內各單體間的差異性。

2、本申請第一方面提供了一種動力電池組狀態評估方法，所述動力電池組狀態評估方法包括：

3、采集動力電池組在多種工況下的運行特性數據集，并構建混合評估模型；

4、基于所述混合評估模型，對雙擴展卡爾曼濾波器進行參數配置，得到改進的濾波器；

5、采集所述動力電池組的實時電壓、電流及溫度數據，并輸入所述改進的濾波器進行狀態計算，得到荷電狀態值及內部參數值；

6、將所述荷電狀態值及內部參數值輸入進行多分支對抗神經網絡分析，得到故障模式類型和故障嚴重程度；

7、根據所述故障模式類型和所述故障嚴重程度計算多因素健康指數，并對所述動力電池組的退化曲線進行粒子群優化擬合，得到剩余使用壽命預測值。

8、本申請第二方面提供了一種動力電池組狀態評估系統，所述動力電池組狀態評估系統包括：

9、采集模塊，用于采集動力電池組在多種工況下的運行特性數據集，并構建混合評估模型；

10、參數配置模塊，用于基于所述混合評估模型，對雙擴展卡爾曼濾波器進行參數配置，得到改進的濾波器；

11、狀態計算模塊，用于采集所述動力電池組的實時電壓、電流及溫度數據，并輸入所述改進的濾波器進行狀態計算，得到荷電狀態值及內部參數值；

12、分析模塊，用于將所述荷電狀態值及內部參數值輸入進行多分支對抗神經網絡分析，得到故障模式類型和故障嚴重程度；

13、擬合模塊，用于根據所述故障模式類型和所述故障嚴重程度計算多因素健康指數，并對所述動力電池組的退化曲線進行粒子群優化擬合，得到剩余使用壽命預測值。

14、與現有技術相比，本申請具有以下有益效果：通過將三階rc等效電路模型與神經網絡相結合的混合評估模型，既保留了物理模型的可解釋性，又借助神經網絡捕捉了非線性特性，克服了單一模型的局限性，使電池狀態評估更加準確，同時能夠適應電池老化和工況變化。基于改進的雙擴展卡爾曼濾波器實現了過程噪聲和測量噪聲參數的動態自適應調整，有效應對電壓預測誤差變化，增強了算法在復雜工況下的魯棒性，提高了soc估計和內部參數識別的準確性。采用多分支對抗神經網絡結構實現了容量衰減、內阻增加、極化加劇和不平衡惡化四種主要故障模式的精確識別，并能夠準確評估故障嚴重程度，為電池管理系統提供了及時的故障預警能力。根據識別的故障模式類型動態調整健康指數的權重系數，構建針對性的退化模型，并通過粒子群優化算法進行參數辨識，實現了更加準確的剩余使用壽命預測，為電池維護和更換決策提供科學依據。通過引入溫度補償函數和電池組一致性系數矩陣，顯著提高了評估方法在寬溫度范圍內的精度，并能有效處理電池組內各單體間的差異性，適應實際電動汽車運行環境。不同于傳統方法僅關注單體電池，該方法充分考慮了動力電池組級別的特性，包括單體間一致性和溫度分布，提供了更全面的電池組狀態評估能力。

技術特征：

1.一種動力電池組狀態評估方法，其特征在于，包括：

2.根據權利要求1所述的動力電池組狀態評估方法，其特征在于，所述采集動力電池組在多種工況下的運行特性數據集，并構建混合評估模型，包括：

3.根據權利要求1所述的動力電池組狀態評估方法，其特征在于，所述基于所述混合評估模型，對雙擴展卡爾曼濾波器進行參數配置，得到改進的濾波器，包括：

4.根據權利要求3所述的動力電池組狀態評估方法，其特征在于，所述監測滑動窗口內的電壓預測誤差，并根據所述電壓預測誤差動態調整過程噪聲和測量噪聲參數，得到改進的濾波器，包括：

5.根據權利要求1所述的動力電池組狀態評估方法，其特征在于，所述采集所述動力電池組的實時電壓、電流及溫度數據，并輸入所述改進的濾波器進行狀態計算，得到荷電狀態值及內部參數值，包括：

6.根據權利要求1所述的動力電池組狀態評估方法，其特征在于，所述將所述荷電狀態值及內部參數值輸入進行多分支對抗神經網絡分析，得到故障模式類型和故障嚴重程度，包括：

7.根據權利要求1所述的動力電池組狀態評估方法，其特征在于，所述根據所述故障模式類型和所述故障嚴重程度計算多因素健康指數，并對所述動力電池組的退化曲線進行粒子群優化擬合，得到剩余使用壽命預測值，包括：

8.一種動力電池組狀態評估系統，其特征在于，用于執行如權利要求1-7中任一項所述的動力電池組狀態評估方法，所述動力電池組狀態評估系統包括：

技術總結
本申請涉及動力電池組技術領域，公開了一種動力電池組狀態評估方法及系統，該方法包括：采集動力電池組在多種工況下的運行特性數據集，并構建混合評估模型；對雙擴展卡爾曼濾波器進行參數配置，得到改進的濾波器；采集實時電壓、電流及溫度數據，并輸入改進的濾波器進行狀態計算，得到荷電狀態值及內部參數值；將荷電狀態值及內部參數值輸入進行多分支對抗神經網絡分析，得到故障模式類型和故障嚴重程度；計算多因素健康指數，并對動力電池組的退化曲線進行粒子群優化擬合，得到剩余使用壽命預測值，進而實現了更加準確的剩余使用壽命預測，顯著提高了在寬溫度范圍內的精度，并能有效處理動力電池組內各單體間的差異性。

技術研發人員：譚祖憲,康健強,劉貴軍
受保護的技術使用者：深圳市鵬誠新能源科技有限公司
技術研發日：
技術公布日：2025/4/28