CN109190087A - 一种电池剩余寿命预测方法、装置、电子设备及存储介质 - Google Patents

一种电池剩余寿命预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN109190087A
CN109190087A CN201810891509.8A CN201810891509A CN109190087A CN 109190087 A CN109190087 A CN 109190087A CN 201810891509 A CN201810891509 A CN 201810891509A CN 109190087 A CN109190087 A CN 109190087A
Authority
CN
China
Prior art keywords
lithium battery
data set
prediction
life
prediction data
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.)
Withdrawn
Application number
CN201810891509.8A
Other languages
English (en)
Inventor
邓君
赖树明
甄超
孙德凤
徐进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Logical Industrial Co Ltd In Land Dongguan City Sea
Dongguan University of Technology
Original Assignee
Logical Industrial Co Ltd In Land Dongguan City Sea
Dongguan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Logical Industrial Co Ltd In Land Dongguan City Sea, Dongguan University of Technology filed Critical Logical Industrial Co Ltd In Land Dongguan City Sea
Priority to CN201810891509.8A priority Critical patent/CN109190087A/zh
Publication of CN109190087A publication Critical patent/CN109190087A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明公开了一种锂电池寿命预测方法，其包括以下步骤：以预设周期的间隔时间采集锂电池的实际容量信息，所述实际容量信息构成历史数据集；根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，所述预测数据集内的相邻两个预测数据的间隔时间为所述预设周期；通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命。本发明还公开了锂电池寿命预测装置、电子设备及计算机可读存储介质。本发明结合多元线性回归和逻辑回归对锂电池寿命进行预测，提高处理速度和用户体验。

Description

一种电池剩余寿命预测方法、装置、电子设备及存储介质
技术领域
本发明涉及锂电池性能检测技术领域，尤其涉及一种锂电池寿命预测方法、装置、电子设备及存储介质。
背景技术
锂离子电池（简称锂电池）广泛应用于航空航天、船舶、车辆以及消费电子例如手机、笔记本、移动电源和照相机等产品中。锂电池性能好坏直接影响产品的运行安全、任务的完成和消费者的生活品质。为了延长锂电池的使用寿命，人们进行了大量的研究，例如新的电极和电解质材料、新的锂电池结构以锂电池性能演化机理等。
对于锂电池使用者而言，其如果能随时获取锂电池的寿命，则可以判断使用锂电池过程中能否达到其相应的需求，因此，对锂电池的寿命预测是非常有必要的。现有的锂电池寿命预测方法主要是机理模型和数据驱动两大类，其中，机理模型主要是建立系统动力学特性或退化演化机理的数学模型，常用的模型有经验退化模型和集总电路模型，由于锂电池退化过程中，存在诸多不可预知的因素，因此，机理模型在一定程度上并不能获得较为准确的结论。数据驱动方法主要是通过锂电池容量实现预测，但是现有的数据驱动方法较为复杂，特别是对于手机等电子产品而言，每次预测过程会占据消费者大量的内存和CPU，导致用户体验差的问题。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种锂电池寿命预测方法，其结合多元线性回归和逻辑回归对锂电池寿命进行预测，提高处理速度和用户体验。
本发明的目的之二在于提供一种锂电池寿命预测装置，其结合多元线性回归和逻辑回归对锂电池寿命进行预测，提高处理速度和用户体验。
本发明的目的之三在于提供一种实现上述锂电池寿命预测方法的电子设备。
本发明的目的之四在于提供一种存储上述锂电池寿命预测方法的计算机可读存储介质。
本发明的目的之一采用如下技术方案实现：
一种锂电池寿命预测方法，包括步骤：
以预设周期的间隔时间采集锂电池的实际容量信息，所述实际容量信息构成历史数据集；
根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，所述预测数据集内的相邻两个预测数据的间隔时间为所述预设周期；
通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命。
优选地，根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，包括：
根据历史数据集进行数据模型的模拟：
X(m +1)= F[X(1)，X(2)，X(3)，... X(m)]
其中，F为预测模型函数；X(1)，X(2)，X(3)，... X(m)为实际容量信息，共有m个，m≥3，X(1)，X(2)，X(3)，... X(m)组成历史数据集；X(m +1)为X(m)后的第一个锂电池容量的预测数据，称为第m+1次预测数据，X(m +1)和X(m)的间隔时间为预设周期；
基于多元回归方程构建预测模型：
其中，为第i个实际容量信息对应的线性回归参数，为第i个实际容量信息，C为随机误差参数，1≤i≤m；和C通过极大似然法对历史数据集进行训练获取。
优选地，所述根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集之后，还包括：
比较X(m +1)和第m+1次采集锂电池的实际容量信息之间的差值，所述第m+1次采集锂电池的实际容量信息与第m次采集锂电池的实际容量信息的间隔时间为预设周期；
以任意一次采集锂电池的实际容量信息为起始，以第m次采集锂电池的实际容量信息为终止，构建样本集，计算所述样本集的标准差s和平均差MD；
比较所述差值和标准差，如果所述差值在[MD-2s，MD+2s]范围内，则所述X(m +1)为真，将X(m +1)作为预测模型的输入项，对第m+2次的预测数据X(m +2)进行预测，直至获得第m+n次的预测数据X(m +n)，所述n为预测数据集中预测数据的个数，n≥3；
如果所述差值不在[MD-2s，MD+2s]范围内，则所述X(m +1)为假，重新设定随机误差参数，直至所述差值位于[MD-2s，MD+2s]范围内，再通过预测模型对X(m +2)到X(m +n)进行预测。
优选地，所述通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命，包括：
将预测数据集中的每一个预测数据作为逻辑回归模型中独立变量向量的各个元素：
y={ X(m +1)，X(m +2)，……X(m +n)}
其中，y为逻辑回归模型的独立变量向量，X(m +1)，X(m +2)，……X(m +n)为预测数据集中的各个预测数据；
将锂电池寿命终止作为逻辑回归模型中的因变量z，计算锂电池寿命终止的概率：
；
其中，为第m+j次的预测数据X（m+j）出现锂电池寿命终止的概率，1≤j≤n，为事件的发生比：
其中，为截距，为第k个逻辑回归参数，和通过极大似然法对预测数据集进行训练获取，X（m+k）为第m+k次的预测数据，1≤k≤j；
当所述的值大于预设阈值时，则认为锂电池寿命终止。
本发明的目的之二采用如下技术方案实现：
一种锂电池寿命预测装置，包括：
采集模块，用于以预设周期的间隔时间采集锂电池的实际容量信息，所述实际容量信息构成历史数据集；
第一构建模块，用于根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，所述预测数据集内的相邻两个预测数据的间隔时间为所述预设周期；
第二构建模块，用于通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命。
本发明的目的之三采用如下技术方案实现：
一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明目的之一的锂电池寿命预测方法。
本发明的目的之四采用如下技术方案实现：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明目的之一的锂电池寿命预测方法。
相比现有技术，本发明的有益效果在于：
本发明通过多元线性回归模型对锂电池的容量进行预测，得到预测数据集，然后根据预测数据集，通过逻辑回归模型对预测数据集的每一个预测数据发生寿命终止的概率进行评估，从而找到超过预设阈值的预测数据，以此预测数据作为锂电池寿命终止的节点，由于历史数据集和预测数据集构成的数据集合的相邻数据间隔均为预设周期，则可推测锂电池寿命终止的节点的时间值，将该时间值作为锂电池寿命终止的时间点，其精度高、且处理速度快，可广泛应用于各种使用锂电池的场景，尤其适用于便携式电子设备的锂电池寿命预测。
附图说明
图1为本发明实施例一的锂电池寿命预测方法的流程图；
图2为本发明实施例二的锂电池寿命预测装置的结构示意图；
图3为本发明实施例三的电子设备的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
请参照图1所示，一种锂电池寿命预测方法，包括以下步骤：
110、以预设周期的间隔时间采集锂电池的实际容量信息，所述实际容量信息构成历史数据集。
锂电池的实际容量信息可通过硬件或软件进行检测，硬件例如锂电池容量监测仪，软件例如91助手，360助手以及爱思等，锂电池的实际容量信息即锂电池的剩余容量，由于其在使用过程中的损耗，使用越久，其实际容量就越小。预设周期可以根据锂电池的使用频率或理论寿命进行设置，可以是5天、7天、10天、30天等。
在本发明较佳的实施例中，历史数据集中的实际容量信息的个数为m个，m≥3，数据越多，预测的数据就越精确。
历史数据集用H标识，H={ X(1)，X(2)，X(3)，... X(m)}。
120、根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，所述预测数据集内的相邻两个预测数据的间隔时间为所述预设周期。
其主要包括以下步骤：
A、根据历史数据集进行数据模型的模拟：
X(m +1)= F[X(1)，X(2)，X(3)，... X(m)]
其中，F为预测模型函数；X(1)，X(2)，X(3)，... X(m)为实际容量信息，共有m个，m≥3，X(1)，X(2)，X(3)，... X(m)组成历史数据集；X(m +1)为X(m)后的第一个锂电池容量的预测数据，称为第m+1次的预测数据，X(m +1)和X(m)的间隔时间为预设周期；
B、基于多元回归方程构建预测模型：
其中，为第i个实际容量信息对应的线性回归参数，为第i个实际容量信息，C为随机误差参数，1≤i≤m；和C通过极大似然法对历史数据集进行训练获取，可通过Eviews（Econometrics Views计量经济学软件包）软件。
C、比较X(m +1)和第m+1次采集锂电池的实际容量信息之间的差值，所述第m+1次采集锂电池的实际容量信息与第m次采集锂电池的实际容量信息的间隔时间为预设周期；
D、以任意一次采集锂电池的实际容量信息为起始，以第m次采集锂电池的实际容量信息为终止，构建样本集，计算所述样本集的标准差s和平均差MD；样本集内的数据应当不少于3个，为了使得数据更准确，可以采用10-20个，甚至以上。
E、比较所述差值和标准差，如果所述差值在[MD-2s，MD+2s]范围内，则所述X(m +1)为真，将X(m +1)作为预测模型的输入项，对第m+2次的预测数据X(m +2)进行预测，直至获得第m+n次的预测数据X(m +n)，预测数据集以P表示，则P={ X(m +1)，X(m +2)，X(m +3)，……X(m +n)}，所述n为预测数据集中预测数据的个数，n≥3；如果所述差值不在[MD-2s，MD+2s]范围内，则所述X(m +1)为假，重新设定随机误差参数，直至所述差值位于[MD-2s，MD+2s]范围内，再通过预测模型对X(m +2)到X(m +n)进行预测。
历史数据集H和预测数据集P构成整体数据集合，该整体数据集合共有m+n个数据，且存在以下关系：
1、X后面的数据越大，则该数据对应的时间点则越靠后，例如，假设预设周期为5天，如果2018年5月1日12:00获取了X（1）的历史数据，那么X（2）数据获取的时间则为2018年5月6日12：00。
2、历史数据集H、预测数据集P和整体数据集合的时间排列均以时间的先后顺序进行排列，且历史数据集H、预测数据集P和整体数据集合中任意两个相邻数据的时间间隔都为预设周期。
130、通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命。
其具体包括以下步骤：
A、将预测数据集中的每一个预测数据作为逻辑回归模型中独立变量向量的各个元素：
y={ X(m +1)，X(m +2)，……X(m +n)}
其中，y为逻辑回归模型的独立变量向量，X(m +1)，X(m +2)，……X(m +n)为预测数据集中的各个预测数据；
B、将锂电池寿命终止作为逻辑回归模型中的因变量z，计算每一个预测数据对应的锂电池寿命终止的概率：
；
其中，为第m+j次的预测数据X（m+j）出现锂电池寿命终止的概率，1≤j≤n，为事件的发生比：
其中，为截距，为第k个逻辑回归参数，和通过极大似然法对预测数据集进行训练获取，可通过Eviews软件实现，X（m+k）为第m+k次的预测数据，1≤k≤j；
C、当所述的值大于预设阈值时，则认为锂电池寿命终止。
该预设阈值可以根据需要进行设定，例如可以是80%、90%等。
D、由上可以得到的值大于预设阈值时具体的j值，并根据预设周期的具体时间值得出该j值时对应的时间点，即可得到锂电池寿命终止发生的时间。当然，如果n值有限的情况下，可能获取不到锂电池寿命终止发生的时间，在这种情况下，可以继续对锂电池实际容量进行监测并采集，在一定的时间后，再进行锂电池寿命预测，总会得到锂电池寿命终止发生的时间，且这种情况下，得到的时间值会更准确。
实施例二
实施例二公开了一种对应上述实施例的锂电池寿命预测装置，为上述实施例的虚拟装置结构，请参照图2所示，包括：
采集模块210，用于以预设周期的间隔时间采集锂电池的实际容量信息，所述实际容量信息构成历史数据集；
第一构建模块220，用于根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，所述预测数据集内的相邻两个预测数据的间隔时间为所述预设周期；
第二构建模块230，用于通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命。
进一步地，所述第一构建模块220，包括：
模拟单元，用于根据历史数据集进行数据模型的模拟：
X(m +1)= F[X(1)，X(2)，X(3)，... X(m)]
其中，F为预测模型函数；X(1)，X(2)，X(3)，... X(m)为实际容量信息，共有m个，m≥3，X(1)，X(2)，X(3)，... X(m)组成历史数据集；X(m +1)为X(m)后的第一个锂电池容量的预测数据，称为第m+1次预测数据，X(m +1)和X(m)的间隔时间为预设周期；
预测模型构建单元，用于基于多元回归方程构建预测模型：
其中，为第i个实际容量信息对应的线性回归参数，为第i个实际容量信息，C为随机误差参数，1≤i≤m；和C通过极大似然法对历史数据集进行训练获取。
第一比较单元，用于比较X(m +1)和第m+1次采集锂电池的实际容量信息之间的差值，所述第m+1次采集锂电池的实际容量信息与第m次采集锂电池的实际容量信息的间隔时间为预设周期；
样本构建单元，用于以任意一次采集锂电池的实际容量信息为起始，以第m次采集锂电池的实际容量信息为终止，构建样本集，计算所述样本集的标准差s和平均差MD；
第二比较单元，用于比较所述差值和标准差，如果所述差值在[MD-2s，MD+2s]范围内，则所述X(m +1)为真，将X(m +1)作为预测模型的输入项，对第m+2次的预测数据X(m +2)进行预测，直至获得第m+n次的预测数据X(m +n)，所述n为预测数据集中预测数据的个数，n≥3；如果所述差值不在[MD-2s，MD+2s]范围内，则所述X(m +1)为假，重新设定随机误差参数，直至所述差值位于[MD-2s，MD+2s]范围内，再通过预测模型对X(m +2)到X(m +n)进行预测。
进一步地，所述第二构建模块230，包括：
独立变量向量构建单元，用于将预测数据集中的每一个预测数据作为逻辑回归模型中独立变量向量的各个元素：
y={ X(m +1)，X(m +2)，……X(m +n)}
其中，y为逻辑回归模型的独立变量向量，X(m +1)，X(m +2)，……X(m +n)为预测数据集中的各个预测数据；
概率计算单元，用于将锂电池寿命终止作为逻辑回归模型中的因变量z，计算锂电池寿命终止的概率：
；
其中，为第m+j次的预测数据X（m+j）出现锂电池寿命终止的概率，1≤j≤n，为事件的发生比：
其中，为截距，为第k个逻辑回归参数，和通过极大似然法对预测数据集进行训练获取，X（m+k）为第m+k次的预测数据，1≤k≤j；
判断单元，用于当所述的值大于预设阈值时，则认为锂电池寿命终止。
实施例三
图3为本发明实施例三提供的一种电子设备的结构示意图，如图3所示，该电子设备包括处理器310、存储器320、输入装置330和输出装置340；计算机设备中处理器310的数量可以是一个或多个，图3中以一个处理器310为例；电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器320作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的锂电池寿命预测方法对应的程序指令/模块（例如，锂电池寿命预测装置中的采集模块210、第一构建模块220和第二构建模块230）。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的锂电池寿命预测方法。
存储器320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器320可进一步包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入的用户身份信息。输出装置340可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种锂电池寿命预测方法，该方法包括：
以预设周期的间隔时间采集锂电池的实际容量信息，所述实际容量信息构成历史数据集；
根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，所述预测数据集内的相邻两个预测数据的间隔时间为所述预设周期；
通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于锂电池寿命预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（RandomAccess Memory， RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台电子设备（可以是手机，个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
值得注意的是，上述基于锂电池寿命预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (7)

1.一种锂电池寿命预测方法，其特征在于，包括步骤：
以预设周期的间隔时间采集锂电池的实际容量信息，所述实际容量信息构成历史数据集；
根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，所述预测数据集内的相邻两个预测数据的间隔时间为所述预设周期；
通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命。
2.如权利要求1所述的锂电池寿命预测方法，其特征在于，根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，包括：
根据历史数据集进行数据模型的模拟：
X(m +1)= F[X(1)，X(2)，X(3)，... X(m)]
其中，F为预测模型函数；X(1)，X(2)，X(3)，... X(m)为实际容量信息，共有m个，m≥3，X(1)，X(2)，X(3)，... X(m)组成历史数据集；X(m +1)为X(m)后的第一个锂电池容量的预测数据，称为第m+1次预测数据，X(m +1)和X(m)的间隔时间为预设周期；
基于多元回归方程构建预测模型：
其中，为第i个实际容量信息对应的线性回归参数，为第i个实际容量信息，C为随机误差参数，1≤i≤m；和C通过极大似然法对历史数据集进行训练获取。
3.如权利要求2所述的锂电池寿命预测方法，其特征在于，所述根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集之后，还包括：
比较X(m +1)和第m+1次采集锂电池的实际容量信息之间的差值，所述第m+1次采集锂电池的实际容量信息与第m次采集锂电池的实际容量信息的间隔时间为预设周期；
以任意一次采集锂电池的实际容量信息为起始，以第m次采集锂电池的实际容量信息为终止，构建样本集，计算所述样本集的标准差s和平均差MD；
比较所述差值和标准差，如果所述差值在[MD-2s，MD+2s]范围内，则所述X(m +1)为真，将X(m +1)作为预测模型的输入项，对第m+2次的预测数据X(m +2)进行预测，直至获得第m+n次的预测数据X(m +n)，所述n为预测数据集中预测数据的个数，n≥3；
如果所述差值不在[MD-2s，MD+2s]范围内，则所述X(m +1)为假，重新设定随机误差参数，直至所述差值位于[MD-2s，MD+2s]范围内，再通过预测模型对X(m +2)到X(m +n)进行预测。
4.如权利要求3所述的锂电池寿命预测方法，其特征在于，所述通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命，包括：
将预测数据集中的每一个预测数据作为逻辑回归模型中独立变量向量的各个元素：
y={ X(m +1)，X(m +2)，……X(m +n)}
其中，y为逻辑回归模型的独立变量向量，X(m +1)，X(m +2)，……X(m +n)为预测数据集中的各个预测数据；
将锂电池寿命终止作为逻辑回归模型中的因变量z，计算锂电池寿命终止的概率：
；
其中，为第m+j次的预测数据X（m+j）出现锂电池寿命终止的概率，1≤j≤n，为事件的发生比：
其中，为截距，为第k个逻辑回归参数，和通过极大似然法对预测数据集进行训练获取，X（m+k）为第m+k次的预测数据，1≤k≤j；
当所述的值大于预设阈值时，则认为锂电池寿命终止。
5.一种锂电池寿命预测装置，其特征在于，包括：
采集模块，用于以预设周期的间隔时间采集锂电池的实际容量信息，所述实际容量信息构成历史数据集；
第一构建模块，用于根据所述历史数据集通过多元回归方程构建预测模型，以获取在假设锂电池寿命未终止情况下历史数据集期望变量状态下的预测数据集，所述预测数据集内的相邻两个预测数据的间隔时间为所述预设周期；
第二构建模块，用于通过所述预测数据集构建逻辑回归模型，预测锂电池的寿命。
6.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的锂电池寿命预测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的锂电池寿命预测方法。
CN201810891509.8A 2018-08-07 2018-08-07 一种电池剩余寿命预测方法、装置、电子设备及存储介质 Withdrawn CN109190087A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810891509.8A CN109190087A (zh) 2018-08-07 2018-08-07 一种电池剩余寿命预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810891509.8A CN109190087A (zh) 2018-08-07 2018-08-07 一种电池剩余寿命预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN109190087A true CN109190087A (zh) 2019-01-11

Family

ID=64920914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810891509.8A Withdrawn CN109190087A (zh) 2018-08-07 2018-08-07 一种电池剩余寿命预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN109190087A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069810A (zh) * 2019-03-11 2019-07-30 北京百度网讯科技有限公司 电池故障预测方法、装置、设备和可读存储介质
CN110154822A (zh) * 2019-05-14 2019-08-23 中科院合肥技术创新工程院 一种应用于电动汽车智能电池管理系统的充放电控制方法
CN111222761A (zh) * 2019-12-27 2020-06-02 特瓦特能源科技有限公司 一种充电桩使用寿命预测模型的训练方法及装置
CN111800535A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 终端运行状态的评估方法、装置、存储介质及电子设备
CN112051504A (zh) * 2020-08-13 2020-12-08 联合汽车电子有限公司 电池容量的预测方法、装置、终端及计算机可读存储介质
CN112084459A (zh) * 2019-06-12 2020-12-15 电计贸易(上海)有限公司 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
CN112255559A (zh) * 2020-10-12 2021-01-22 江苏慧智能源工程技术创新研究院有限公司 基于多元线性回归的锂电池储能电站剩余寿命预测方法
CN115310240A (zh) * 2022-10-11 2022-11-08 烟台杰瑞石油装备技术有限公司 油气压裂泵设备寿命预测方法、装置及非易失性存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069810A (zh) * 2019-03-11 2019-07-30 北京百度网讯科技有限公司 电池故障预测方法、装置、设备和可读存储介质
CN111800535A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 终端运行状态的评估方法、装置、存储介质及电子设备
CN111800535B (zh) * 2019-04-09 2021-07-20 Oppo广东移动通信有限公司 终端运行状态的评估方法、装置、存储介质及电子设备
CN110154822A (zh) * 2019-05-14 2019-08-23 中科院合肥技术创新工程院 一种应用于电动汽车智能电池管理系统的充放电控制方法
CN112084459A (zh) * 2019-06-12 2020-12-15 电计贸易(上海)有限公司 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
CN111222761A (zh) * 2019-12-27 2020-06-02 特瓦特能源科技有限公司 一种充电桩使用寿命预测模型的训练方法及装置
CN112051504A (zh) * 2020-08-13 2020-12-08 联合汽车电子有限公司 电池容量的预测方法、装置、终端及计算机可读存储介质
CN112051504B (zh) * 2020-08-13 2024-03-19 联合汽车电子有限公司 电池容量的预测方法、装置、终端及计算机可读存储介质
CN112255559A (zh) * 2020-10-12 2021-01-22 江苏慧智能源工程技术创新研究院有限公司 基于多元线性回归的锂电池储能电站剩余寿命预测方法
CN115310240A (zh) * 2022-10-11 2022-11-08 烟台杰瑞石油装备技术有限公司 油气压裂泵设备寿命预测方法、装置及非易失性存储介质

Similar Documents

Publication Publication Date Title
CN109190087A (zh) 一种电池剩余寿命预测方法、装置、电子设备及存储介质
US9576031B1 (en) Automated outlier detection
US20200219016A1 (en) Method for Cleaning Up Background Application, Storage Medium, and Electronic Device
CN112000459A (zh) 一种用于服务的扩缩容的方法及相关设备
CN109981744B (zh) 数据的分发方法、装置、存储介质及电子设备
WO2018157752A1 (en) Approximate random number generator by empirical cumulative distribution function
CN115034519A (zh) 一种用电负荷的预测方法、装置、电子设备以及存储介质
CN111935140A (zh) 异常报文识别方法及装置
CN112766402A (zh) 算法选择方法、装置和电子设备
CN115905450A (zh) 一种基于无人机监控的水质异常溯源方法及系统
Sheikh et al. A data-driven comparative analysis of lithium-ion battery state of health and capacity estimation
CN114818913A (zh) 决策生成方法和装置
Pele An LPPL algorithm for estimating the critical time of a stock market bubble
US20140324760A1 (en) Synthetic time series data generation
CN116756522B (zh) 概率预报方法、装置、存储介质及电子设备
US9172552B2 (en) Managing an entity using a state machine abstract
CN117332897A (zh) 人工智能驱动的新能源小时间尺度功率插值集成预测方法
CN114861909A (zh) 模型质量监控方法、装置、电子设备以及存储介质
CN115454620A (zh) 负载预测方法、装置、电子设备及存储介质
CN106611100B (zh) 一种用户行为分析方法和装置
CN108427854B (zh) 一种数据分析方法及其相关设备
CN112580887A (zh) 多目标融合评价的权重确定方法、装置、设备及存储介质
CN112764957A (zh) 应用故障定界方法及装置
CN111667028A (zh) 一种可靠负样本确定方法和相关装置
CN110955728A (zh) 用电数据传输方法、服务器及存储介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190111