CN108680861A - 锂电池剩余循环寿命预测模型的构建方法及装置 - Google Patents
锂电池剩余循环寿命预测模型的构建方法及装置 Download PDFInfo
- Publication number
- CN108680861A CN108680861A CN201810178280.3A CN201810178280A CN108680861A CN 108680861 A CN108680861 A CN 108680861A CN 201810178280 A CN201810178280 A CN 201810178280A CN 108680861 A CN108680861 A CN 108680861A
- Authority
- CN
- China
- Prior art keywords
- battery
- characteristic
- charging
- feature
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种锂电池剩余循环寿命预测模型的构建方法及装置,其中,该方法包括:获取N个样本电池的特征数据,特征数据包括:m个充电特征元素、n个放电特征元素和样本电池电容,其中,N为大于1的整数,m、n为大于0的整数,采用自编码模型对N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1,采用N个样本电池融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。实现了能够构建精确度更高的锂电池剩余循环寿命预测模型,从而使预测锂电池剩余循环寿命时能够更加简单、方便,得到预测结果精确度更高。
Description
技术领域
本发明涉及锂电池技术领域,尤其涉及一种锂电池剩余循环寿命预测模型的构建方法及装置。
背景技术
锂电池是依靠锂离子在正负极之间来回穿梭实现电能的转换和存储,来完成锂电池的充放电过程。在理想的状态下,这种充放电过程可以无限次的进行,但是在实际使用中,锂电池内部的化学反应会消耗电解液、隔膜和电池极性这些材料,从而使锂电池内部发生不可扭转的衰退,影响电池的寿命。锂电池的寿命包括三种:存储寿命、使用寿命和循环寿命,其中,锂电池的剩余循环寿命是体现锂电池的性能状态以及健康状态的重要特征,预测锂电池的剩余循环寿命有着重要的意义,例如预测锂电池的剩余循环寿命能够决定是否更换电池,以避免因锂电池失效而导致灾难性事故的发生。
现有技术中,可以基于模型驱动的方法,通过综合考虑电池负载、电池材料、退化机理和电池失效机制,建立锂电池退化预测模型,以实现对锂电池的剩余循环寿命的预测。
但是由于锂电池内部的高度复杂的化学反应,建立模型所需要的状态数据通常难以检测和收集,因此,难以建立准确度高的锂电池退化预测模型,所以不便于对锂电池的剩余循环寿命进行预测。
发明内容
基于现有技术中存在的缺陷,本发明提供一种锂电池剩余循环寿命预测模型的构建方法及装置。
一方面,本发明提供一种锂电池剩余循环寿命预测模型的构建方法,所述方法包括:
获取N个样本电池的特征数据,所述特征数据包括:m个充电特征元素、n个放电特征元素、样本电池电容,其中,N为大于1的整数,m、n为大于0的整数;
采用自编码模型对所述N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,所述融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1;
采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。
进一步地,m个充电特征元素包括下述一项或多项:
电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征;
n个放电特征元素包括下述一项或多项:
电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征。
进一步地,获取N个样本电池的特征数据,包括:
从预设数据库中读取所述N个样本电池的特征数据。
进一步地,在所述锂电池剩余循环寿命预测模型输入待测电池在一次充放电过程中的测量参数,获取所述待测电池的剩余循环寿命。
进一步地,所述测量参数包括下述一项或多项:
电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征,电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征,待测电池电容。
另一方面,本发明还提供一种锂电池剩余循环寿命预测模型的构建装置,所述装置包括:
获取模块,用于获取N个样本电池的特征数据,所述特征数据包括:m个充电特征元素、n个放电特征元素和样本电池电容,其中,N为大于1的整数,m、n为大于0的整数;
特征融合模块,用于采用自编码模型对所述N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,所述融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1;
训练模块,用于采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。
进一步地,m个充电特征元素包括下述一项或多项:
电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征;
n个放电特征元素包括下述一项或多项:
电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征。
进一步地,所述获取模块,具体用于从预设数据库中读取所述N个样本电池的特征数据。
进一步地,所述获取模块,还用于在所述锂电池剩余循环寿命预测模型输入待测电池在一次充放电过程中的测量参数,获取所述待测电池的剩余循环寿命。
进一步地,上述测量参数包括下述一项或多项:
电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征、电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征、待测电池电容。
本发明提供的锂电池剩余循环寿命预测模型的构建方法及装置中,通过获取N个样本电池的特征数据,所述特征数据包括:m个充电特征元素、n个放电特征元素、样本电池电容,其中,N为大于1的整数,m、n为大于0的整数,采用自编码模型对所述N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,所述融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1,采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。即具体通过采用大量样本数据,并结合自编码模型和DNN模型,实现了能够构建精确度更高的锂电池剩余循环寿命预测模型,从而使预测锂电池剩余循环寿命时能够更加简单、方便,得到的剩余循环寿命预测结果精确度更高。
附图说明
为了更清楚地说明本发明各实施例,下面将对各实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的锂电池剩余循环寿命预测模型的构建方法流程示意图;
图2为本发明一实施例提供的锂电池剩余循环寿命预测模型的构建装置的结构示意图;
图3为本发明另一实施例提供的锂电池剩余循环寿命预测模型的构建装置。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一实施例提供的锂电池剩余循环寿命预测模型的构建方法流程示意图,如图1所示,本实施例的方法可以包括:
S101、获取N个样本电池的特征数据,所述特征数据包括:m个充电特征元素、n个放电特征元素、样本电池电容,其中,N为大于1的整数,m、n为大于0的整数。
具体地,N个样本电池的特征数据可为对N个样本电池分别进行多次充放电循环,每一个样本电池在每次充放电循环过程中提取出一组特征数据,其中,N为大于1的整数,需要说明的是,N个样本电池是同型号的锂电池或锂离子电池。每组特征数据包括:m个充电特征元素、n个放电特征元素、样本电池电容,其中,m、n为大于0的整数。
可选地,样本电池在一次充电过程中的m个充电特征元素可包括下述中的一项或者多项:
1、电池端充电时电压特征,是指在一次充电过程中电池输出电压最先超过4.2伏特的电压值和相应数据的采集时间。
2、电池端充电时输出电流特征,是指在一次充电过程中电池输出电流开始下降时的电压值和相应数据的采集时间。
3、电池端充电时温度特征,是指在一次充电过程中电池温度的最大值以及相应数据的采集时间。
4、电池充电时的充电电流特征,是指在一次充电过程中电池充电电流开始下降时充电电流值以及相应数据的采集时间。
5、电池充电时的充电电压特征,是指在一次充电过程中电池充电电压的最大值以及相应数据的采集时间。
对于样本电池,在一次充电结束之后的放电过程中,获取样本电池的n个放电特征元素,其中,样本电池的n个放电特征元素可包括下述中的一项或者多项:
1、电池端放电时电压特征,是指在放电过程中电池端电压的最小值以及相应数据的采集时间。
2、电池端放电时输出电流特征,是指在放电过程中电池电流开始上升时的电流值以及相应数据的采集时间。
3、电池端放电时温度特征,是指在放电过程中电池温度的最大值以及相应数据采集的时间。
4、电池放电时的负载电流特征,是指在放电过程中电池的负载电流开始上升时的电流值与相应数据的采集时间。
样本电池电容C,样本电池在每次充放电循环过程中电池电容C是固定不变的,可以直接提取。
可选地,上述样本电池的特征数据可以从预设数据库中读取,上述预设数据库可为美国国家航空航天局阿姆萨(National Aeronautics and Space AdministrationAMES,简称:NASA AMES)中心的锂离子电池数据集,也可以是通过实验、实践等建立的数据库,在此不作限制。可选地,样本电池可为NASA AMES中心的锂离子电池数据集中实验编号为5、6、7的实验电池,或者其他参数已知的实验电池。
S102、采用自编码模型对所述N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,所述融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1。
需要说明的是,通常特征信息越多,信息表征能力越多,然而提取的特征数量的增加,高度相关的相关特征的数量增加,这往往导致模型信息冗余,导致模型计算效率低下。由于样本电池特征数据分布的不确定性,优选地使用自编码模型,对所述特征数据进行特征融合处理,也就是使用自编码模型对样本电池的特征数据进行降维处理。
可选地,本实施例中的自编码模型由三层组成,分别是输入层、隐藏层和输出层,每层之间的连接方式为全连接方式,输入层有19个节点,隐藏层有15个节点,输出层也是有19个节点,其中,线性修正单元(Rectified Linear Unit,简称:ReLu)函数为输入层与隐藏层之间的激活函数,Sigmoid函数为隐藏层与输出层之间的激活函数。通过Sigmoid函数使隐藏层各节点稀疏化,从而能更好地取到降维特征。
一种实现方式中,样本电池的每一组所述特征数据是由5个充电特征元素、4个放电特征元素和样本电池电容,上述特征数据构成样本电池在一次充放电过程中的19维特征,将该19维特征数据输入至自编码模型中,由于自编码模型的设置,输出层的数据与输入层的数据小于预设的误差值,则采用中间隐藏层的15维特征值表示样本电池的特征数据,以达到特征数据融合处理即降维处理的效果。
S103、采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。
其中,深度神经网络(Deep Neural Networks,简称DNN)。
具体地,为了消除不同范围特征数据引起的负面影响,首先,对所述融合后的特征数据进行数据归一,使进行了特征融合后的特征数据的范围转换为[0,1]这个范围内,在进行数据归一时可使用最小-最大归一化方法,也可选择其他的方法对特征数据进行数据归一处理。对融合后的特征数据进行数据归一可以促进整体训练过程更加顺利的进行。
然后,将进行了数据归一后的特征数据,输入至DNN模型中,进行训练,获取所述锂电池剩余循环寿命预测模型。
需要说明的是,本实施例中的DNN模型由四层组成,分别是输入层、隐藏层1、隐藏层2和输出层,多隐藏层具有优异的学习能力,学习的特点对数据进行了更为准确的表达,隐藏单位的合理数量同时也意味着更高的预测精度,因此,将本实施例中的DNN模型隐藏层数量设置为两个。
可选地一种实现方式中,上述分别由输入层、隐藏层1、隐藏层2和输出层组成的DNN模型,其输入层有10个神经元,隐藏层1有7个神经元,隐藏层2有4个神经元,输出层有1个神经元,DNN模型的输入层完全连接到隐藏层1,按照相同的规则,隐藏层1完全连接到隐藏层2,隐藏层2完全连接至输出层,层与层之间采用全连接方式有利于每层权重的训练。
另外,DNN模型的输入层和隐藏层1之间的激活函数是ReLu函数,隐藏层1和隐藏层2之间的激活函数也是ReLu函数,Sigmoid函数作为隐藏层2与输出层之间的激活函数。在DNN模型的层与层之间设置激活函数,能够对数据起到抑制效果,同时还保证数据的非线性。
本实施例提供的锂电池剩余循环寿命预测模型的构建方法,通过获取N个样本电池的特征数据,其中,上述特征数据包括:m个充电特征元素、n个放电特征元素以及样本电池电容,其中,N为大于1的整数,m、n为大于0的整数,采用自编码模型对N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,所述融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1,然后,采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。即具体通过采用大量样本数据,并结合自编码模型和DNN模型,实现了能够构建精确度更高的锂电池剩余循环寿命预测模型,从而使预测锂电池剩余循环寿命时能够更加简单、方便,得到的剩余循环寿命预测结果精确度更高。
需要说明的是,上述锂电池剩余循环寿命预测模型可用于预测待测电池的剩余循环寿命。
具体地,在锂电池剩余循环寿命预测模型中输入待测电池在一次充放电过程中的测量参数,获取待测电池的剩余循环寿命预测结果。
需要说明的是,首先获取待测电池在一次充放电过程中的测量参数,其中,测量参数包括下述一项或者多项:电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征、电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征、待测电池电容。
将上述获取到的待测电池的测量参数输入自编码模型中进行特征融合处理即对获取到的待测电池的测量参数进行降维处理,得到降维后的测量参数,然后对降维后的测量参数进行数据归一处理,使降维后的测量参数的取值范围在0至1之间,进一步地,将经过数据归一处理后的测量参数输入DNN模型中,DNN模型经过计算输出待测电池的剩余循环寿命预测结果。
本实施例中,将待测电池在一次充放电过程中的测量参数输入至锂电池剩余循环寿命预测模型中,获取到的待测电池的剩余循环寿命预测结果的准确度更高。同时,预测待测电池剩余循环寿命所需的状态数据的检测和收集提取也更加简单方便,预测锂电池剩余循环寿命所需的状态数据的有效性也大大提高。
图2为本发明一实施例提供的锂电池剩余循环寿命预测模型的构建装置,如图2所示,本实施例的装置可以包括:
获取模块21,用于获取N个样本电池的特征数据,所述特征数据包括:m个充电特征元素、n个放电特征元素和样本电池电容,其中,N为大于1的整数,m、n为大于0的整数;
特征融合模块22,用于采用自编码模型对所述N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,所述融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1;
训练模块23,用于采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。
可选地,获取模块21,用于获取样本电池在一次充放电过程中的m个充电特征元素可包括下述中的一项或者多项:
1、电池端充电时电压特征,是指在一次充电过程中电池输出电压最先超过4.2伏特的电压值和相应数据的采集时间。
2、电池端充电时输出电流特征,是指在一次充电过程中电池输出电流开始下降时的电压值和相应数据的采集时间。
3、电池端充电时温度特征,是指在一次充电过程中电池温度的最大值以及相应数据的采集时间。
4、电池充电时的充电电流特征,是指在一次充电过程中电池充电电流开始下降时充电电流值以及相应数据的采集时间。
5、电池充电时的充电电压特征,是指在一次充电过程中电池充电电压的最大值以及相应数据的采集时间。
对于样本电池,在一次充电结束之后的放电过程中,获取模块21,用于获取样本电池的n个放电特征元素,其中,样本电池的n个放电特征元素可包括下述中的一项或者多项:
1、电池端放电时电压特征,是指在放电过程中电池端电压的最小值以及相应数据的采集时间。
2、电池端放电时输出电流特征,是指在放电过程中电池电流开始上升时的电流值以及相应数据的采集时间。
3、电池端放电时温度特征,是指在放电过程中电池温度的最大值以及相应数据采集的时间。
4、电池放电时的负载电流特征,是指在放电过程中电池的负载电流开始上升时的电流值与相应数据的采集时间。
获取模块21,还用于获取样本电池电容C,样本电池在每次充放电循环过程中电池电容C是固定不变的,可以直接提取。
可选地,获取模块21,具体用于从预设数据库中读取所述N个样本电池的特征数据。
上述预设数据库可为NASA AMES中心的锂离子电池数据集,也可以是通过实验、实践等建立的数据库,本发明在此不作限制。可选地,样本电池可为NASA AMES中心的锂离子电池数据集中实验编号为5、6、7的实验电池,或者其他参数已知的实验电池。
本实施例中,通过获取N个样本电池的特征数据,其中,上述特征数据包括:m个充电特征元素、n个放电特征元素以及样本电池电容,其中,N为大于1的整数,m、n为大于0的整数,采用自编码模型对N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,所述融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1,然后,采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。即具体通过采用大量样本数据,并结合自编码模型和DNN模型,实现了能够构建精确度更高的锂电池剩余循环寿命预测模型,从而使预测锂电池剩余循环寿命时能够更加简单、方便,得到的剩余循环寿命预测结果精确度更高。
需要说明的是,上述获取模块21,还用于,在所述锂电池剩余循环寿命预测模型输入待测电池在一次充放电过程中的测量参数,获取所述待测电池的剩余循环寿命。
需要说明的是,上述获取模块21,首先获取待测电池在一次充放电过程中的测量参数,其中,测量参数包括下述一项或者多项:电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征、电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征、待测电池电容。
本实施例提供的装置,通过构建精确度高的锂电池剩余循环寿命预测模型,将待测电池在一次充放电过程中的测量参数输入至上述模型中,能够得到待测电池的剩余循环寿命预测结果,预测结果的精确度更高。
图3为本发明另一实施例提供的锂电池剩余循环寿命预测模型的构建装置,该装置可以包括:存储器301和处理器302。
存储器301可以是独立的物理单元,与处理器302可以通过总线连接。存储器301、处理器302也可以集成在一起,通过硬件实现等。
存储器301用于存储实现以上方法实施例,处理器302调用该程序,执行以上装置执行的方法实施例的操作。
可选地,当上述实施例的方法中的部分或全部通过软件实现时,上述装置也可以只包括处理器。用于存储程序的存储器位于上述装置之外,处理器通过电路/电线与存储器连接,用于读取并执行存储器中存储的程序。
处理器可以是中央处理器(Central Processing Unit,CPU),网络处理器(Network Processor,NP)或者CPU和NP的组合。
处理器还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。
存储器可以包括易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器也可以包括非易失性存储器(non-volatilememory),例如快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);存储器还可以包括上述种类的存储器的组合。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种锂电池剩余循环寿命预测模型的构建方法,其特征在于,包括:
获取N个样本电池的特征数据,所述特征数据包括:m个充电特征元素、n个放电特征元素和样本电池电容,其中,N为大于1的整数,m、n为大于0的整数;
采用自编码模型对所述N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,所述融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1;
采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。
2.根据权利要求1所述的方法,其特征在于,m个充电特征元素包括下述一项或多项:
电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征;
n个放电特征元素包括下述一项或多项:
电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征。
3.根据权利要求1所述的方法,其特征在于,所述获取N个样本电池的特征数据,包括:
从预设数据库中读取所述N个样本电池的特征数据。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述锂电池剩余循环寿命预测模型输入待测电池在一次充放电过程中的测量参数,获取所述待测电池的剩余循环寿命。
5.根据权利要求4所述的方法,其特征在于,所述测量参数包括下述一项或多项:
电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征、电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征、待测电池电容。
6.一种锂电池剩余循环寿命预测模型的构建装置,其特征在于,包括:
获取模块,用于获取N个样本电池的特征数据,所述特征数据包括:m个充电特征元素、n个放电特征元素和样本电池电容,其中,N为大于1的整数,m、n为大于0的整数;
特征融合模块,用于采用自编码模型对所述N个样本电池的特征数据进行特征融合处理,得到融合后的特征数据,其中,所述融合后的特征数据包括有L个特征元素,L为大于0的整数,且L小于m+n+1;
训练模块,用于采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练,获取锂电池剩余循环寿命预测模型。
7.根据权利要求6所述的装置,其特征在于,m个充电特征元素包括下述一项或多项:
电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征;
n个放电特征元素包括下述一项或多项:
电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征。
8.根据权利要求6所述的装置,其特征在于,所述获取模块,具体用于从预设数据库中读取所述N个样本电池的特征数据。
9.根据权利要求6所述的装置,其特征在于,所述获取模块,还用于在所述锂电池剩余循环寿命预测模型输入待测电池在一次充放电过程中的测量参数,获取所述待测电池的剩余循环寿命。
10.根据权利要求9所述的装置,其特征在于,所述测量参数包括下述一项或多项:
电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征、电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征、待测电池电容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810178280.3A CN108680861B (zh) | 2018-03-05 | 2018-03-05 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810178280.3A CN108680861B (zh) | 2018-03-05 | 2018-03-05 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108680861A true CN108680861A (zh) | 2018-10-19 |
CN108680861B CN108680861B (zh) | 2021-01-01 |
Family
ID=63799284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810178280.3A Active CN108680861B (zh) | 2018-03-05 | 2018-03-05 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108680861B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109270462A (zh) * | 2018-11-21 | 2019-01-25 | 长沙理工大学 | 基于动力电池充放电自学习电池健康在线检测及快速评价方法 |
CN110658460A (zh) * | 2019-09-29 | 2020-01-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池包的电池寿命预测方法及装置 |
CN111610446A (zh) * | 2019-02-25 | 2020-09-01 | 上海汽车集团股份有限公司 | 一种用于评估电池循环寿命的方法、装置及系统 |
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
CN112666479A (zh) * | 2020-12-02 | 2021-04-16 | 西安交通大学 | 一种基于充电循环融合的电池寿命预测方法 |
CN113820608A (zh) * | 2021-08-20 | 2021-12-21 | 北京邮电大学 | 梯次电池剩余容量的预测方法和电子设备 |
CN113839107A (zh) * | 2021-09-22 | 2021-12-24 | 北京航空航天大学 | 软包锂离子电池跳水退化模式早期预警方法 |
CN114047452A (zh) * | 2022-01-13 | 2022-02-15 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN116027204A (zh) * | 2023-02-20 | 2023-04-28 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
CN116879762A (zh) * | 2023-09-06 | 2023-10-13 | 宁德时代新能源科技股份有限公司 | 电池材料损失预测模型的建立方法、预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102213747A (zh) * | 2010-04-09 | 2011-10-12 | 深圳市比克电池有限公司 | 一种预测锂离子电池循环寿命的方法 |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103364732A (zh) * | 2012-04-05 | 2013-10-23 | 三星Sdi株式会社 | 预测电池寿命的系统及方法 |
CN103389471A (zh) * | 2013-07-25 | 2013-11-13 | 哈尔滨工业大学 | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 |
CA2894317A1 (en) * | 2015-06-15 | 2016-12-15 | Deep Genomics Incorporated | Systems and methods for classifying, prioritizing and interpreting genetic variants and therapies using a deep neural network |
CN106908736A (zh) * | 2017-03-17 | 2017-06-30 | 哈尔滨工业大学 | 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法 |
CN107069122A (zh) * | 2017-04-01 | 2017-08-18 | 山东省科学院自动化研究所 | 一种动力电池剩余使用寿命的预测方法 |
-
2018
- 2018-03-05 CN CN201810178280.3A patent/CN108680861B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102213747A (zh) * | 2010-04-09 | 2011-10-12 | 深圳市比克电池有限公司 | 一种预测锂离子电池循环寿命的方法 |
CN103364732A (zh) * | 2012-04-05 | 2013-10-23 | 三星Sdi株式会社 | 预测电池寿命的系统及方法 |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN103389471A (zh) * | 2013-07-25 | 2013-11-13 | 哈尔滨工业大学 | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 |
CA2894317A1 (en) * | 2015-06-15 | 2016-12-15 | Deep Genomics Incorporated | Systems and methods for classifying, prioritizing and interpreting genetic variants and therapies using a deep neural network |
CN106908736A (zh) * | 2017-03-17 | 2017-06-30 | 哈尔滨工业大学 | 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法 |
CN107069122A (zh) * | 2017-04-01 | 2017-08-18 | 山东省科学院自动化研究所 | 一种动力电池剩余使用寿命的预测方法 |
Non-Patent Citations (3)
Title |
---|
WENJUN SUN ET.AL: "A sparse auto-encoder-based deep neural network approach for induction motor faults classification", 《MEASUREMENT》 * |
任浩 等: "深度学习在故障诊断领域中的研究现状与挑战", 《控制与决策》 * |
郭亮 等: "基于深度学习理论的轴承状态识别研究", 《振动与冲击》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109270462A (zh) * | 2018-11-21 | 2019-01-25 | 长沙理工大学 | 基于动力电池充放电自学习电池健康在线检测及快速评价方法 |
CN111610446B (zh) * | 2019-02-25 | 2022-11-18 | 上海汽车集团股份有限公司 | 一种用于评估电池循环寿命的方法、装置及系统 |
CN111610446A (zh) * | 2019-02-25 | 2020-09-01 | 上海汽车集团股份有限公司 | 一种用于评估电池循环寿命的方法、装置及系统 |
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
CN112016237B (zh) * | 2019-05-13 | 2023-04-07 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
CN110658460A (zh) * | 2019-09-29 | 2020-01-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池包的电池寿命预测方法及装置 |
CN112666479A (zh) * | 2020-12-02 | 2021-04-16 | 西安交通大学 | 一种基于充电循环融合的电池寿命预测方法 |
CN113820608B (zh) * | 2021-08-20 | 2022-08-05 | 北京邮电大学 | 梯次电池剩余容量的预测方法和电子设备 |
CN113820608A (zh) * | 2021-08-20 | 2021-12-21 | 北京邮电大学 | 梯次电池剩余容量的预测方法和电子设备 |
CN113839107A (zh) * | 2021-09-22 | 2021-12-24 | 北京航空航天大学 | 软包锂离子电池跳水退化模式早期预警方法 |
CN113839107B (zh) * | 2021-09-22 | 2023-03-21 | 北京航空航天大学 | 软包锂离子电池跳水退化模式早期预警方法 |
CN114047452A (zh) * | 2022-01-13 | 2022-02-15 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN114047452B (zh) * | 2022-01-13 | 2022-05-13 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN116027204A (zh) * | 2023-02-20 | 2023-04-28 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
CN116027204B (zh) * | 2023-02-20 | 2023-06-20 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
CN116879762A (zh) * | 2023-09-06 | 2023-10-13 | 宁德时代新能源科技股份有限公司 | 电池材料损失预测模型的建立方法、预测方法及装置 |
CN116879762B (zh) * | 2023-09-06 | 2024-01-26 | 宁德时代新能源科技股份有限公司 | 电池材料损失预测模型的建立方法、预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108680861B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680861A (zh) | 锂电池剩余循环寿命预测模型的构建方法及装置 | |
CN109725266B (zh) | 一种电池健康状态soh的计算方法及装置 | |
CN106842045B (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN116502112B (zh) | 一种新能源电源测试数据管理方法及系统 | |
CN103389471A (zh) | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 | |
Solomon et al. | State of charge estimation of Lithium-ion battery using an improved fractional-order extended Kalman filter | |
CN110045292A (zh) | 基于大数据和bp神经网络的锂离子电池SOC预测方法 | |
CN107037375B (zh) | 电池直流内阻测量方法及装置 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
KR20140137181A (ko) | 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법 | |
CN115587527A (zh) | 电池寿命预测方法、系统、终端设备及计算机可读介质 | |
CN113176518A (zh) | 一种锂电池健康状态估算方法 | |
DIng et al. | Li-ion battery health estimation based on multi-layer characteristic fusion and deep learning | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN105814444A (zh) | 用于估算蓄电池的电池单元的老化的方法 | |
CN113447840B (zh) | 锂离子电池分选方法和装置 | |
Xiong et al. | A novel nonlinear decreasing step-bacterial foraging optimization algorithm and simulated annealing-back propagation model for long-term battery state of health estimation | |
CN112763916B (zh) | 一种空间用锂离子电池组未来工况预测方法 | |
Tang et al. | An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance | |
Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
CN117054892A (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN111856299A (zh) | 电源状态的确定方法、装置及设备 | |
CN113466718B (zh) | 一种手机电池soc校正方法 | |
CN114035053A (zh) | 一种锂电池热失控预警方法及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |