CN110806546A - 电池健康评估方法、装置、存储介质及电子设备 - Google Patents

电池健康评估方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN110806546A
CN110806546A CN201911033347.5A CN201911033347A CN110806546A CN 110806546 A CN110806546 A CN 110806546A CN 201911033347 A CN201911033347 A CN 201911033347A CN 110806546 A CN110806546 A CN 110806546A
Authority
CN
China
Prior art keywords
state data
battery
evaluated
historical state
isolated
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
Application number
CN201911033347.5A
Other languages
English (en)
Other versions
CN110806546B (zh
Inventor
贾庆山
唐静娴
高江
岳上
韩建军
夏恒
朱华
栗权
林森
赵静洲
徐东
黄现东
郑焕琼
赵千川
夏俐
管晓宏
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.)
Tsinghua University
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tsinghua University
Tencent Technology Shenzhen Co Ltd
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 Tsinghua University, Tencent Technology Shenzhen Co Ltd filed Critical Tsinghua University
Priority to CN201911033347.5A priority Critical patent/CN110806546B/zh
Publication of CN110806546A publication Critical patent/CN110806546A/zh
Application granted granted Critical
Publication of CN110806546B publication Critical patent/CN110806546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明实施例公开了一种电池健康评估方法、装置、存储介质及电子设备。该方案获取待评估电池的多条历史状态数据；从多条历史状态数据中，确定出电池处于浮充状态时的目标历史状态数据；基于目标历史状态数据确定训练样本，并对训练样本进行二叉划分以构建孤立树，由孤立树构成孤立森林模型；获取待评估状态数据，根据待评估状态数据和孤立森林模型计算电池的健康程度，基于此，该方案不仅实现了自动化地对电池进行在线监控和数据处理，而且考虑到UPS电池在使用过程中具有充放电时间占比少、浮充时间占比多的特性，使用电池处于浮充状态下的状态数据构建孤立森林模型来评估电池的健康程度，提高了电池健康程度评估的准确程度。

Description

电池健康评估方法、装置、存储介质及电子设备
技术领域
本发明涉及电源技术领域，具体涉及一种电池健康评估方法、装置、存储介质及电子设备。
背景技术
UPS(Uninterruptible Power Supply)，即不间断电源，是将蓄电池与主机相连接，通过主机逆变器等模块电路将直流电转换成市电的系统设备，其作为后备电源被广泛应用于电力及通信系统。然而在实际使用中，由于UPS电池健康状况衰退(如：老化、故障等带来的电池容量下降)带来重大损失的案例层出不穷，为系统的安全稳定运行造成了极大的隐患。UPS电池在使用现场一般是以串联的形式构成电池组，部分电池单体的健康程度下降会加剧电池组的不一致性，影响电池组整体的性能。因此对UPS电池的健康状况监测和评估具有十分重要的意义。
常见的电池健康状况评估方法有两类，一类是人工评估，即由专人定期对电池进行放电测试，检测电池容量，以实际容量与额定容量的比值作为电池健康状况的表征；通过人工方式检测电池容量往往步骤复杂、专业技术要求高、不能在线进行，评估效率低下。另一类是在线自动监测，一般是通过电池巡检仪等自动化系统采集电池的数据，根据这些数据估算电池的实际容量，再根据实际容量和额定容量估算电池的健康度，但是，这种估算方式多是采用对特定类型的电池进行充放电实验得到的数据作为支撑来评估，而在实际应用中，现场采集的电池数据往往难以达到实验室水平，并且作为后备电源的电池极少有充放电的场景出现。因此，这种数据上的局限性导致难以准确评估电池的健康程度。
发明内容
本发明实施例提供一种电池健康评估方法、装置、存储介质及电子设备，旨在提高电池健康程度评估的准确度。
本发明实施例提供一种电池健康评估方法，包括：
获取待评估电池的多条历史状态数据；
从所述多条历史状态数据中，确定出所述待评估电池处于浮充状态时的目标历史状态数据；
基于所述目标历史状态数据确定训练样本，并对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型；
获取待评估状态数据，根据所述待评估状态数据和所述孤立森林模型计算所述待评估电池的健康程度。
本发明实施例还提供一种电池健康评估装置，包括：
数据采集单元，用于获取待评估电池的多条历史状态数据；
数据筛选单元，用于从所述多条历史状态数据中，确定出所述待评估电池处于浮充状态时的目标历史状态数据；
模型构建单元，用于基于所述目标历史状态数据确定训练样本，并对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型；
健康评估单元，用于获取待评估状态数据，根据所述待评估状态数据和所述孤立森林模型计算所述待评估电池的健康程度。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本发明实施例所提供的任一电池健康评估方法。
本发明实施例还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，执行本发明实施例所提供的任一电池健康评估方法。
本发明实施例提供的电池健康评估方案，获取待评估电池的多条历史状态数据；从多条历史状态数据中确定出电池处于浮充状态时的目标历史状态数据；基于目标历史状态数据确定训练样本，并对训练样本进行二叉划分以构建孤立树，由孤立树构成孤立森林模型；获取待评估状态数据，根据待评估状态数据和孤立森林模型计算电池的健康程度，基于此，该方案不仅实现了全自动化地对电池进行在线监控和数据处理，无需人工建立数学模型，极大地节约了现场和技术上投入的人力成本，提高了评估效率；而且考虑到电池在使用过程中具有充放电时间占比少、浮充时间占比多的特性，使用电池处于浮充状态下的历史状态数据构建孤立森林模型来评估电池的健康程度，不受限于特定的电池型号或使用场景，提高了电池健康程度评估的准确程度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a是本发明实施例提出的电池健康评估方法的系统架构示意图；
图1b是本发明实施例提供的电池健康评估方法的第一流程示意图；
图1c是本发明实施例提出的电池健康评估方法中数据处理过程示意图；
图2a是本发明实施例提供的电池健康评估方法的第二流程示意图；
图2b是本发明实施例提出的电池健康评估方法中一孤立树示意图；
图3a是本发明实施例提供的电池健康评估装置的第一种结构示意图；
图3b是本发明实施例提供的电池健康评估装置的第二种结构示意图；
图3c是本发明实施例提供的电池健康评估装置的第三种结构示意图；
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明实施例提供一种电池健康评估方法，该电池健康评估方法的执行主体可以是本发明实施例提供的电池健康评估装置，或者集成了该电池健康评估装置的电池健康评估设备，其中该电池健康评估装置可以采用硬件或者软件的方式实现。其中，电池健康评估设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑或者服务器等设备。
本发明实施例还提供一种电池健康评估系统，请参阅图1a，图1a是本发明实施例提供的电池健康评估方法的系统架构示意图。该系统包括集成有电池健康评估装置的电池健康评估设备、电池组以及与电池组连接的电池巡检仪，其中，电池健康评估设备可以用于评估UPS电池组中的任意一个电池单体的健康程度。电池巡检仪对每一电池单体的工作状态数据进行采集，并发送至电池健康评估设备，电池健康评估设备接收电池巡检仪发送的多条历史状态数据并存储，当存储的某一电池单体对应的历史状态数据足够多时，从多条历史状态数据中确定出电池处于浮充状态时的目标历史状态数据；由这些目标历史状态数据作为训练样本构成训练集，根据训练集进行二叉划分，得到孤立树，由多个孤立树构成该电池单体对应的孤立森林模型，当需要对该电池单体的健康程度进行评估时，获取该电池当前的待评估状态数据，根据该待评估状态数据和孤立森林模型计算该电池单体的健康程度。
请参阅图1b，图1b是本发明实施例提供的电池健康评估方法的第一流程示意图。该电池健康评估方法的具体流程可以如下：
101、获取待评估电池的多条历史状态数据。
在线监测电池健康程度的方法通常以大量的实验数据为基础，建立数学模型或智能算法来评估电池的健康程度。但是电池的健康程度是一个受到厂家品牌、使用环境、温度变化等众多因素影响的复杂指标，在实际现场中数据采集的维度与精度均难以达到实验室水平，且作为后备电源的电池极少有充放电的场景出现。数据的局限性导致难以建立合理的模型或算法，导致现有的数学模型很难对其有一个准确的表征，此外，现有的估算方法泛化程度低，得到的模型和算法可移植性低，使用范围窄。
本申请实施例提出的电池健康评估方法，在对某一电池的健康程度进行评估时，使用的是该电池自身的历史状态数据，并构建适用于该电池自身的模型，故该模型的构建和使用不受电池型号和使用场景的影响。此外，该方案并不局限于UPS电池，还可以应用于其他储能蓄电池。以下以UPS电池为例进行说明。
一般情况下，UPS电池在实际应用时，是以多个电池单体串联的形式构成一个电池组，如果该电池组中的任意一个电池单体的健康程度下降，都有可能加剧整个电池组的不一致性，影响电池组整体的性能，因此，在电池组的使用过程中需要对每个电池单体的健康程度进行监测和评估。
例如，在一些实施例中，可以通过在电池组或者电池单体上连接电池巡检仪或者其他能够采集电池状态数据的设备，在电池的工作过程中，对每一个电池单体的状态数据进行实时采集并存储。
可以理解的是，本申请的方案需要对每一个电池单体的健康程度进行单独评估，并且在评估电池单体的健康程度时，只会使用到该电池本身的历史状态数据，因此，在电池健康评估设备中，根据每个电池单体的编号，将其对应的历史状态数据单独存储。
在电池应用的初始阶段，先对电池的状态数据进行采集。例如，在一些实施例中，状态数据包括电池单体在多个维度上的状态数据，比如电压、电流、内阻和工作温度。可以通过电池巡检仪周期性的检测电池单体的上述状态数据，并将采集的数据发送到电池健康评估设备，由电池健康评估设备进行记录。例如，电池健康评估设备将电池单体i在t时刻在多个维度上的状态数据记录为一条历史状态数据，比如可以将一条历史状态数据记录为
Figure BDA0002250769190000051
其中，Vi t为电池单体i在t时刻的电压，
Figure BDA0002250769190000052
为电池单体i在t时刻的电流，
Figure BDA0002250769190000053
为电池单体i在t时刻的内阻，
Figure BDA0002250769190000061
为电池单体i在t时刻的工作温度。其中，电池巡检仪可以每间隔1-10分钟采集一次电池的状态数据，比如每间隔5分钟。
在一些实施例中，电池健康评估设备具有数据采集单元、数据处理单元、数据筛选单元、模型构建单元以及健康评估单元，其中，电池健康评估设备在接收到电池巡检仪发送的电池状态数据后，由数据采集单元按照电池单体的编号对应的存储各个电池单体的历史状态数据至数据库。当需要对某个电池单体的健康程度进行评估时，确定该电池为待评估电池，根据该待评估电池的编号从数据库中获取该电池在一段历史时间段内的多条历史状态数据。
在一些实施例中，为了后续准确地计算电池的健康程度，在获取到待评估电池的多条历史状态数据后，对这些数据进行数据清洗处理。在一些实施例中，从多条历史状态数据中，确定出待评估电池处于浮充状态时的目标历史状态数据的步骤之前，该方法还包括：对多条历史状态数据进行异常检测，其中，历史状态数据包括待评估电池在多个维度上的状态数据；当检测到有历史状态数据任一维度的状态数据数值异常时，将历史状态数据删除；当检测到有历史状态数据任一维度的状态数据存在缺失时，根据其他历史状态数据对缺失的状态数据进行插值补充。
例如，对于每一条历史状态数据，检测其中是否有异常值和缺失值，若检测到某一条历史状态数据有缺失值或者异常值，则将该条历史状态数据删除；或者，当检测到某一条历史状态数据中有异常值，则将该条历史状态数据删除，若检测到某一条历史状态数据中有缺失值，则使用该条历史状态数据相邻时间点采集的其他历史状态数据中的数值对缺失值进行补充，比如可以使用几个相邻时间点采集的其他历史状态数据中对应维度的数值的中位数或者平均值，对缺失值进行补充。
102、从多条历史状态数据中，确定出待评估电池处于浮充状态时的目标历史状态数据。
接下来，对获取到的多条历史状态数据进行筛选，以从全部的历史状态数据中获取待评估电池处于浮充状态时的目标历史状态数据。其中，浮充是如UPS电池能储能蓄电池组的一种供(放)电工作方式，系统将蓄电池组与电源线路并联连接到负载电路上，它的电压大体上是恒定的，仅略高于蓄电池组的端电压，由电源线路所供的少量电流来补偿蓄电池组局部作用的损耗，以使其能经常保持在充电满足状态而不致过充电。这样的状态即浮充状态。根据对电池工作过程中电池电流大小的变化，可以得到如下经验：电池单体处于浮充状态下时，其电流绝对值会小于某一阈值，而电池单体处于非浮充状态下时，其电流绝对值不小于该阈值，例如，该阈值可以为2A。因此，对于电池健康评估设备来说，在获取到历史状态数据时，可以从中的电流
Figure BDA0002250769190000072
这一数据来判断电池在t时刻是否处于浮充状态。
基于上述原理，在对电池的健康程度进行评估时，使用电池的电压、内阻和工作温度等参数中的任意两个或者三个数据来构建孤立森林模型即可计算电池的健康程度，该实施例中以使用电压、内阻和工作温度构建孤立森林模型为例进行说明，在其他实施例中，也可以只是用其中的任意两个数据。此外，为了能够根据电池的历史状态准确度地判断电池是否处于浮充状态，在采集电池的工作数据时，还需要采集电池的电流。也就是说，采集的电池的历史状态数据主要包括两类：第一状态数据和第二状态数据，其中，第一状态数据用于判断电池是否处于浮充状态，以便于对数据进行筛选处理，第二状态数据用于构建孤立森林模型，以计算电池的健康程度。比如，第一状态数据包括待评估电池的电流，第二状态数据包括待评估电池的电压、内阻和工作温度。
在根据电流从全部历史状态数据中确定出处于浮充状态的历史状态数据后，将电流从全部的历史状态数据中删除，即最终确定的电池处于浮充状态时的每一条目标历史状态数据中仅包括待评估电池的电压、内阻和工作温度，即目标历史状态数据可以表示为
Figure BDA0002250769190000073
103、基于目标历史状态数据确定训练样本，并对训练样本进行二叉划分以构建孤立树，由孤立树构成孤立森林模型。
然后，基于这些目标历史状态数据构建训练样本，其中，每一条目标历史状态数据为一个训练样本。例如，在一些实施例中，在待评估电池开始工作后，电池健康评估设备的数据采集单元按照采集周期持续地采集该电池的历史状态数据，然后由数据处理单元对这些数据进行清理后，数据筛选单元从中筛选出电池处于浮充状态的目标历史状态数据，并将筛选出的目标历史状态数据输出至模型构建单元，当模型构建单元接收到的目标历史状态数据的数量满足一定条件时，基于这些目标历史状态数据构建孤立森林模型。比如，当模型构建单元接收到的目标历史状态数据累计达到N条时，模型构建单元可以使用这些目标历史状态数据构建孤立森林模型。
由N条目标历史状态数据作为N个训练样本，构成训练集。其中，每个样本包括电压、内阻和工作温度三个维度的特征。孤立森林模型由多个孤立树构成，孤立树是一种随机二叉树，接下来对孤立树的构建过程进行详细说明：
从上述训练集中进行无放回地随机抽样，获取ψ个样本，其中，ψ＜N；随机选取多个维度中的任一维度的特征作为起始节点；根据样本集合确定维度对应的特征阈值；基于维度和特征阈值，将样本集合划分为两个子样本集合；判断子样本集合是否能够继续划分；当子样本集合能够继续划分时，将子样本集合作为新的样本集合，并返回执行随机选取多个维度中的任一维度的步骤；当子样本集合不能继续划分时，终止对子样本集合的划分。
其中，在一些实施例中，判定子样本集合是否能够继续划分的步骤可以包括：判断子样本集合中是否只有一个样本，其中，若是，则判定子样本集合不能继续划分，若否，则判定子样本集合能够继续划分。如果一个子样本集合能够继续划分，则按照同样的划分方式继续对该子样本集合进行划分，直至全部子样本集合都不能再继续划分，则得到该孤立树。
或者，在其他实施例中，在将样本集合划分为两个子样本集合的步骤之后，还包括：判断该随机二叉树当前的深度是否已经达到了预设深度，若是，则终止对子样本集合的划分，得到孤立树；若否，则执行判断子样本集合是否能够继续划分的步骤。在该实施例中，二叉划分的终止条件为树的深度和子样本集合中样本的数量，只要满足任意一个条件，都会终止对二叉树的继续划分。
按照上述方式构建M颗孤立树，例如，M＝100，由这M颗孤立树构成孤立森林模型。在其他实施例中，M可以为任意大于或等于1的正整数。
104、获取待评估状态数据，根据待评估状态数据和孤立森林模型计算待评估电池的健康程度。
孤立森林模型是一种无监督的异常检测方法，也就是说，不需要有标记的样本来训练，但是要求特征需要是连续的。孤立森林模型使用了一种非常高效的策略来查找数据中容易被孤立的点，即异常数据。在孤立森林的构建过程中，随机地递归分割数据集，直至所有的样本点都是孤立的，在这种随机分割的策略下，异常数据通常会具有较短的路径。
当需要对电池的健康程度进行评估时，获取用于评估电池当前处于浮充状态下的状态数据，作为待评估数据。若测试时，电池处于非浮充状态，则获取历史状态数据中最接近当前时刻的处于浮充状态的时刻的状态数据，作为待评估数据。
基于该待评估数据x遍历孤立森林模型中的每一颗孤立树。例如，对于任意一颗孤立树，待评估数据x从根节点开始，按照每个节点对应的不同特征的取值从下往上，直至达到叶子节点，记录其经过的边的数量e，假设训练集中的全部训练样本中同样落在该叶子节点的样本数量为Lsize，则待评估数据x在孤立树j上的路径长度可以记为：
hj(x)＝e+C(Lsize)
其中，C(Lsize)是一个修正值，其计算方式如下：
其中，H(k)＝ln(k)+ξ，ξ为欧拉常数，ξ＝0.5772156649。将Lsize代入上述公式，即可计算得到C(Lsize)，进而计算得到hj(x)
按照上述方式，可以计算出待评估数据x分别在M颗孤立树上的路径长度hj(x)。然后根据这M个hj(x)以及ψ个样本的路径长度的平均值C(ψ)，参照如下公式计算待评估电池的健康程度Score(x)：
Figure BDA0002250769190000092
其中，E[hj(x)]为M个hj(x)值的期望值，j的取值范围为[1，M]。ψ个样本的路径长度的平均值C(ψ)用来标准化待评估数据x的路径长度hj(x)。
由于孤立森林模型能够无监督地进行异常监测，使用电池的历史状态数据构建孤立树时，无需为数据添加标记，得到的孤立模型可以直接用于检测异常数据。该实施例中，主要通过数据在孤立树上的位置确定其在孤立树上的路径长度，路径长度为数据从根节点到最终落在的叶节点上，该数据经过的边的数量。由于孤立森林模型中包含有多颗孤立树，计算得到待评估数据在每一孤立树上的路径长度后，按照上述路径长度的计算公式，计算得到数据在每一颗孤立树上的路径长度hj(x)，再计算这多个路径长度的期望值E[hj(x)]，进而按照上述公式计算得到电池的健康程度。其中，Score(x)最终的计算结果位于0-1之间。
如果待评估数据在多颗孤立树上的平均路径长度越短，
Figure BDA0002250769190000101
越接近于1，最终的健康程度得分越接近于0，表明待评估数据x越异常，待评估电池的健康程度越低；如果数据在多颗孤立树中的平均路径越长，最终的健康程度得分越接近于1，表明待评估数据x越正常，待评估电池的健康程度越高。因此，可以设置一个位于0-1之间并接近于1的阈值，当最终计算得到的Score(x)小于该阈值，则判定待评估电池异常，电池健康评估设备可以输出提示信息以及计算得到的健康程度数值。
可以理解的是，在其他实施例中，待评估数据的健康程度评分还可以是上述
Figure BDA0002250769190000102
与其他常数的任何四则运算(加减乘除)或是它们的组合，本申请方案对此不作具体限制。
可以理解的是，当模型构建单元在完成孤立森林模型的构建之后，健康评估单元可以使用该模型计算电池的健康程度，因此，当数据筛选单元输出至模型构建单元的数据达到N条之后，可以不再继续将筛选出的数据输出给模型构建单元，而是直接输出至健康评估单元进行计算。请参阅图1c，图1c是本发明实施例提出的电池健康评估方法中数据处理过程示意图。
具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
由上，本发明实施例提出的电池健康评估方法，获取待评估电池的多条历史状态数据；从多条历史状态数据中确定出电池处于浮充状态时的目标历史状态数据；基于目标历史状态数据确定训练样本，并对训练样本进行二叉划分以构建孤立树，由孤立树构成孤立森林模型；获取待评估状态数据，根据待评估状态数据和孤立森林模型计算电池的健康程度，基于此，该方案不仅实现了全自动化地对电池进行在线监控和数据处理，无需人工建立数学模型，极大地节约了现场和技术上投入的人力成本；而且考虑到电池在使用过程中充放电时间占比少、浮充时间占比多的特性，使用电池处于浮充状态下的历史状态数据构建孤立森林模型来评估电池的健康程度，不受限于特定的电池型号或使用场景，提高了电池健康程度评估的准确程度。
根据前面实施例所描述的方法，以下将举例作进一步详细说明。
请参阅图2a，图2a是本发明实施例提供的电池健康评估方法的第二流程示意图。方法包括：
201、获取待评估电池的多条历史状态数据，其中，历史状态数据包括待评估电池在多个维度上的特征。
在电池组的工作过程中，对电池组中的每一个电池单体的状态数据进行实时采集并存储，状态数据包括第一状态数据和第二状态数据，其中，第一状态数据用于判断电池是否处于浮充状态，以对数据进行筛选处理，第二状态数据用于构建孤立森林模型，以计算电池的健康程度。比如，第一状态数据包括待评估电池的电流，第二状态数据包括待评估电池的电压、内阻和工作温度。可以将一条历史状态数据记录为
Figure BDA0002250769190000111
202、对多条历史状态数据进行异常检测，并删除异常的历史状态数据，对缺失的历史状态数据进行插值补充。
为了准确地计算电池的健康程度，获取到待评估电池的历史状态数据后，对这些数据进行数据清洗处理，删除其中的异常值，并对缺失值进行补充。例如，可以根据及经验设置异常值的判断阈值，比如当电池单体某时刻某个维度的数据(如：电压Vi t)的值超出了现场专家设定的阈值(如：Vi t＜0V或Vi t＞20V)，便判定该值为“异常”。此外，数据传输过程也存在一定的丢包率，导致数据缺失，即某时刻(如：电压Vi t)传回到电池健康评估设备的某个维度的数据值为空值。对于空置，可以使用相邻时刻的数据的均值或者中位数等对其补充。也可以直接将有空置的历史状态数据删除，比如(对所有i和t)其处理逻辑可以为：
if(Vi t异常或缺失)or(
Figure BDA0002250769190000112
异常或缺失)or(
Figure BDA0002250769190000113
异常或缺失)or(Ti t异常或缺失)
then
丢弃
Figure BDA0002250769190000121
endif
203、根据历史状态数据中的电流数据，从多条历史状态数据中确定出电池处于浮充状态时的目标历史状态数据，并基于目标历史状态数据构成训练样本。
完成对异常数据的清理之后，根据电流的大小判断状态数据是否为浮充状状态，例如，根据专家经验，电池单体电流绝对值小于2A时可判定其处在浮充状态。基于这些目标历史状态数据构建训练样本，其中，每一条目标历史状态数据为一个训练样本。其中，每个样本包括电压、内阻和工作温度三个维度的特征。
204、对训练样本进行无放回地随机抽样，获取ψ个样本，构成样本集合其中，ψ＜N。
205、随机抽取多个维度中的任意一个维度，从维度的值域中随机选择一个值作为该维度对应的特征阈值。
206、基于特征阈值和维度，将样本集合划分为两个子样本集合。
从上述训练集中进行无放回地随机抽样，获取ψ个样本，构成样本集合Y，请参阅图2b，图2b是本发明实施例提出的电池健康评估方法中一孤立树示意图。随机选择一个维度的特征(如电压)作为起始节点，从该特征在ψ个样本中的值域中随机选择一个值作为特征阈值(如：13V)；对ψ个样本进行二叉划分，将该特征小于阈值的样本(如：电压＜13V的样本)划分到左分支，构成样本集合Y1；将该特征大于或等于阈值的样本(如：电压＞＝13V的样本)划分到右分支，构成样本集合Y2；其中，样本集合Y1和样本集合Y2都是样本集合Y的子样本集合。
207、判断子样本集合是否能够继续划分，当子样本集合能够继续划分时，将子样本集合作为新的样本集合，并返回执行205；当子样本集合不能继续划分时，终止对子样本集合的划分。
判断样本集合Y1和样本集合Y2是否可以继续划分，其中，当样本集合中的样本数量为1时，该样本集合不可继续划分。或者，当树的深度已经达到了log2 ψ，则终止树的继续划分，得到孤立树。在该实施例中，二叉划分的终止条件为树的深度和子样本集合中样本的数量，只要满足任意一个条件，都会终止对二叉树的继续划分，终止二叉树的划分后，得到孤立树。
例如，样本集合Y1可以继续划分，则再次二叉划分，得到样本集合Y11与样本集合Y12，样本集合Y11不能继续划分，不再继续对样本集合Y11划分，样本集合Y12可以继续划分，将其划分为样本集合Y121与样本集合Y122。按照这样的方式从根节点起，对划分得到的每一个样本集合进行划分，直至达到终止划分的条件，得到孤立树，如图2b所示为一颗划分完成的孤立树。
208、重复执行步骤204至步骤207，以构建M个孤立树，构成孤立森林模型。
按照上述方式重复从训练样本中无放回地随机抽取样本，继续构建孤立树，直至构建M颗孤立树，得到孤立森林模型。
209、获取待评估状态数据，基于该待评估状态数据，遍历孤立森林中的每一颗孤立树，计算待评估数据在每一颗孤立树上的路径长度，并根据M个路径长度计算待评估电池的健康程度。
当需要对电池的健康程度进行评估时，获取用于评估电池当前处于浮充状态下的状态数据，作为待评估数据x。对于任意一颗孤立树，待评估数据x从根节点开始，按照每个节点对应的不同特征的取值从下往上，直至达到叶子节点，记录其经过的边的数量e，并根据上述实施例中的公式计算得到数据x的路径长度。并参照上述公式计算待评估电池的健康程度Score(x)。具体计算方式在此不再赘述。
由上可知，本发明实施例提出的电池健康评估方法，采集电池处于浮充状态时的数据构建训练样本集合，对样本集合进行随机二叉划分，得到孤立树，由多颗孤立树构成孤立森林模型，然后基于待评估数据遍历孤立树，得到待评估数据在孤立树上的路径长度，然后，根据路径长度计算得到电池的健康程度，无需人工建立数学模型，极大地节约了现场和技术上投入的人力成本，提高了评估效率；并且这种评估方案不受电池信号或使用场景，每个电池独立检测，互不影响，提高了电池健康程度评估的准确程度。
为了实施以上方法，本发明实施例还提供一种电池健康评估装置，该电池健康评估装置具体可以集成在终端设备如手机、平板电脑等设备中。
例如，请参阅图3a，图3a是本发明实施例提供的电池健康评估装置的第一种结构示意图。该电池健康评估装置可以包括数据采集单元301、数据筛选单元302、模型构建单元303和健康评估单元304，如下：
数据采集单元301，用于获取待评估电池的多条历史状态数据；
数据筛选单元302，用于从所述多条历史状态数据中，确定出所述待评估电池处于浮充状态时的目标历史状态数据；
模型构建单元303，用于基于所述目标历史状态数据确定训练样本，并对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型；
健康评估单元304，用于获取待评估状态数据，根据所述待评估状态数据和所述孤立森林模型计算所述待评估电池的健康程度。
在一些实施例中，所述历史状态数据包括第一状态数据和第二状态数据；数据筛选单元302还用于：
对于每一条历史状态数据，检测所述历史状态数据中的第一状态数据是否满足预设条件；若满足预设条件，则将所述历史状态数据中的第二状态数据确定所述待评估电池处于浮充状态时的目标历史状态数据。
在一些实施例中，所述第一状态数据包括电流，所述第二状态数据包括电压、内阻和温度；数据筛选单元302还用于：
判断所述待评估电池的电流是否大于预设的电流阈值。
请参阅图3b，图3b是本发明实施例提供的电池健康评估装置的第二种结构示意图。在一些实施例中，模型构建单元303包括：
随机抽样子单元3031，用于对所述训练样本进行多次随机抽样，得到多个样本集合；
孤立树构建子单元3032，用于对于每一样本集合，对所述样本集合进行二叉划分以构建孤立树；
模型构建子单元3033，用于根据构建的多个孤立树生成孤立森林模型。
在一些实施例中，所述历史状态数据包括所述待评估电池在多个维度上的特征；孤立树构建子单元3032还用于：
随机选取所述多个维度中的任一维度；
根据所述样本集合确定所述维度对应的特征阈值；
基于所述维度和所述特征阈值，将所述样本集合划分为两个子样本集合；
判断所述子样本集合是否能够继续划分；
当所述子样本集合能够继续划分时，将所述子样本集合作为新的样本集合，并返回执行所述随机选取所述多个维度中的任一维度的步骤；
当所述子样本集合不能继续划分时，终止对所述子样本集合的划分。
在一些实施例中，孤立树构建子单元3032还用于：确定所述维度在所述样本集合中的取值范围；在所述取值范围中随机选取一个值作为所述维度对应的特征阈值。
请参阅图3c，图3c是本发明实施例提供的电池健康评估装置的第三种结构示意图。在一些实施例中，该电池健康评估装置还可以包括数据处理单元305，该数据处理单元305用于：
对所述多条历史状态数据进行异常检测，其中，所述历史状态数据包括所述待评估电池在多个维度上的状态数据；
当检测到有历史状态数据任一维度的状态数据数值异常时，将所述历史状态数据删除；
当检测到有历史状态数据任一维度的状态数据存在缺失时，根据其他历史状态数据对缺失的状态数据进行插值补充。
在一些实施例中，健康评估单元304还用于：
基于所述待评估状态数据，遍历所述孤立森林模型中的每一颗孤立树，确定所述待评估状态数据在每颗孤立树上的路径长度；
根据所述待评估状态数据在每颗孤立树上的路径长度，计算所述待评估电池的健康程度。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
应当说明的是，本发明实施例提供的电池健康评估装置与上文实施例中的电池健康评估方法属于同一构思，在电池健康评估装置上可以运行电池健康评估方法实施例中提供的任一方法，其具体实现过程详见电池健康评估方法实施例，此处不再赘述。
本发明实施例提出的电池健康评估装置，数据采集单元301获取待评估电池的多条历史状态数据；数据筛选单元302从多条历史状态数据中确定出电池处于浮充状态时的目标历史状态数据；模型构建单元303基于目标历史状态数据确定训练样本，并对训练样本进行二叉划分以构建孤立树，由孤立树构成孤立森林模型；健康评估单元304获取待评估状态数据，根据待评估状态数据和孤立森林模型计算电池的健康程度，基于此，该方案不仅实现了全自动化地对电池进行在线监控和数据处理，无需人工建立数学模型，极大地节约了现场和技术上投入的人力成本，提高了评估效率；而且考虑到电池在使用过程中具有充放电时间占比少、浮充时间占比多的特性，使用电池处于浮充状态下的历史状态数据构建孤立森林模型来评估电池的健康程度，不受限于特定的电池型号或使用场景，提高了电池健康程度评估的准确程度。
本发明实施例还提供一种电池健康评估设备，请参阅图4，图4是本发明实施例提供的电池健康评估设备的结构示意图。具体来讲：
该电池健康评估设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解，图4中示出的电池健康评估设备结构并不构成对电池健康评估设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电池健康评估设备的控制中心，利用各种接口和线路连接整个电池健康评估设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电池健康评估设备的各种功能和处理数据，从而对电池健康评估设备进行整体监控。在一些实施例中，处理器401可包括一个或多个处理核心；在一些实施例中，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电池健康评估设备的使用所创建的数据等。此外，存储器402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、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电池健康评估设备还包括给各个部件供电的电源403，在一些实施例中，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电池健康评估设备还可包括输入模块404，该输入模块404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该电池健康评估设备还可包括通信模块405，在一些实施例中通信模块405可以包括无线模块，电池健康评估设备可以通过该通信模块405的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块405可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出，电池健康评估设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电池健康评估设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取待评估电池的多条历史状态数据；
从所述多条历史状态数据中，确定出所述待评估电池处于浮充状态时的目标历史状态数据；
基于所述目标历史状态数据确定训练样本，并对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型；
获取待评估状态数据，根据所述待评估状态数据和所述孤立森林模型计算所述待评估电池的健康程度。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
由上所述，本发明实施例提出的电子设备，获取待评估电池的多条历史状态数据；从多条历史状态数据中确定出电池处于浮充状态时的目标历史状态数据；基于目标历史状态数据确定训练样本，并对训练样本进行二叉划分以构建孤立树，由孤立树构成孤立森林模型；获取待评估状态数据，根据待评估状态数据和孤立森林模型计算电池的健康程度，基于此，该方案不仅实现了全自动化地对电池进行在线监控和数据处理，无需人工建立数学模型，极大地节约了现场和技术上投入的人力成本，提高了评估效率；而且考虑到电池在使用过程中具有充放电时间占比少、浮充时间占比多的特性，使用电池处于浮充状态下的历史状态数据构建孤立森林模型来评估电池的健康程度，不受限于特定的电池型号或使用场景，提高了电池健康程度评估的准确程度。
为此，本发明实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种电池健康评估方法中。例如，该指令可以执行：
获取待评估电池的多条历史状态数据；
从所述多条历史状态数据中，确定出所述待评估电池处于浮充状态时的目标历史状态数据；
基于所述目标历史状态数据确定训练样本，并对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型；
获取待评估状态数据，根据所述待评估状态数据和所述孤立森林模型计算所述待评估电池的健康程度。
以上操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本发明实施例所提供的任一种电池健康评估方法，因此，可以实现本发明实施例所提供的任一种电池健康评估方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上对本申请实施例所提供的技术方案进行了详细介绍，本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请实施例的限制。

Claims (10)

1.一种电池健康评估方法，其特征在于，包括：
获取待评估电池的多条历史状态数据；
从所述多条历史状态数据中，确定出所述待评估电池处于浮充状态时的目标历史状态数据；
基于所述目标历史状态数据确定训练样本，并对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型；
获取待评估状态数据，根据所述待评估状态数据和所述孤立森林模型计算所述待评估电池的健康程度。
2.如权利要求1所述的电池健康评估方法，其特征在于，所述历史状态数据包括第一状态数据和第二状态数据；
所述从所述多条历史状态数据中，确定出所述待评估电池处于浮充状态时的目标历史状态数据的步骤，包括：
对于每一条历史状态数据，检测所述历史状态数据中的第一状态数据是否满足预设条件；
若满足预设条件，则将所述历史状态数据中的第二状态数据确定所述待评估电池处于浮充状态时的目标历史状态数据。
3.如权利要求2所述的电池健康评估方法，其特征在于，所述第一状态数据包括电流，所述第二状态数据包括电压、内阻和温度；
所述检测所述历史状态数据中的第一状态数据是否满足预设条件的步骤包括：
判断所述待评估电池的电流是否大于预设的电流阈值。
4.如权利要求1所述的电池健康评估方法，其特征在于，所述对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型的步骤，包括：
对所述训练样本进行多次随机抽样，得到多个样本集合；
对于每一样本集合，对所述样本集合进行二叉划分以构建孤立树；
根据构建的多个孤立树生成孤立森林模型。
5.如权利要求4所述的电池健康评估方法，其特征在于，所述历史状态数据包括所述待评估电池在多个维度上的特征；
所述对所述样本集合进行二叉划分以构建孤立树的步骤，包括：
随机选取所述多个维度中的任一维度；
根据所述样本集合确定所述维度对应的特征阈值；
基于所述维度和所述特征阈值，将所述样本集合划分为两个子样本集合；
判断所述子样本集合是否能够继续划分；
当所述子样本集合能够继续划分时，将所述子样本集合作为新的样本集合，并返回执行所述随机选取所述多个维度中的任一维度的步骤；
当所述子样本集合不能继续划分时，终止对所述子样本集合的划分。
6.如权利要求5所述的电池健康评估方法，其特征在于，所述根据所述样本集合确定所述维度对应的特征阈值的步骤，包括：
确定所述维度在所述样本集合中的取值范围；
在所述取值范围中随机选取一个值作为所述维度对应的特征阈值。
7.如权利要求1所述的电池健康评估方法，其特征在于，所述从所述多条历史状态数据中，确定出所述待评估电池处于浮充状态时的目标历史状态数据的步骤之前，还包括：
对所述多条历史状态数据进行异常检测，其中，所述历史状态数据包括所述待评估电池在多个维度上的状态数据；
当检测到有历史状态数据任一维度的状态数据数值异常时，将所述历史状态数据删除；
当检测到有历史状态数据任一维度的状态数据存在缺失时，根据其他历史状态数据对缺失的状态数据进行插值补充。
8.如权利要求1至7任一项所述的电池健康评估方法，其特征在于，所述根据所述待评估状态数据和所述孤立森林模型计算所述待评估电池的健康程度的步骤，包括：
基于所述待评估状态数据，遍历所述孤立森林模型中的每一颗孤立树，确定所述待评估状态数据在每颗孤立树上的路径长度；
根据所述待评估状态数据在每颗孤立树上的路径长度，计算所述待评估电池的健康程度。
9.一种电池健康评估装置，其特征在于，包括：
数据采集单元，用于获取待评估电池的多条历史状态数据；
数据筛选单元，用于从所述多条历史状态数据中，确定出所述待评估电池处于浮充状态时的目标历史状态数据；
模型构建单元，用于基于所述目标历史状态数据确定训练样本，并对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型；
健康评估单元，用于获取待评估状态数据，根据所述待评估状态数据和所述孤立森林模型计算所述待评估电池的健康程度。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至8任一项所述的电池健康评估方法。
CN201911033347.5A 2019-10-28 2019-10-28 电池健康评估方法、装置、存储介质及电子设备 Active CN110806546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911033347.5A CN110806546B (zh) 2019-10-28 2019-10-28 电池健康评估方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911033347.5A CN110806546B (zh) 2019-10-28 2019-10-28 电池健康评估方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN110806546A true CN110806546A (zh) 2020-02-18
CN110806546B CN110806546B (zh) 2022-03-08

Family

ID=69489359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911033347.5A Active CN110806546B (zh) 2019-10-28 2019-10-28 电池健康评估方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN110806546B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098876A (zh) * 2020-08-27 2020-12-18 浙江省邮电工程建设有限公司 蓄电池内单体电池的异常检测方法
CN112505549A (zh) * 2020-11-26 2021-03-16 西安电子科技大学 基于孤立森林算法的新能源汽车电池异常检测方法
CN112906744A (zh) * 2021-01-20 2021-06-04 湖北工业大学 一种基于孤立森林算法的故障单体电池识别方法
CN113253125A (zh) * 2021-05-19 2021-08-13 北方工业大学 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统
CN113344057A (zh) * 2021-05-31 2021-09-03 江苏海基新能源股份有限公司 一种储能系统电池插箱异常检测方法
WO2021179639A1 (zh) * 2020-03-12 2021-09-16 珠海朗尔电气有限公司 蓄电池健康度评估方法、装置及存储介质
CN114460474A (zh) * 2022-01-25 2022-05-10 电子科技大学 电池分容方法及其装置、电子设备
CN114459574A (zh) * 2022-02-10 2022-05-10 电子科技大学 一种高速流体流量测量准确率自动化评估方法、装置和存储介质
CN115343636A (zh) * 2022-10-18 2022-11-15 中国华能集团清洁能源技术研究院有限公司 一种锂电池的异常检测方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090326841A1 (en) * 2008-06-27 2009-12-31 Gm Global Technology Operations, Inc. Pattern recognition approach to battery diagnosis and prognosis
CN104502855A (zh) * 2014-12-23 2015-04-08 广东电网有限责任公司电力科学研究院 铅酸蓄电池soh检测方法和系统
CN105974327A (zh) * 2016-06-12 2016-09-28 广州市香港科大霍英东研究院 一种基于神经网络和ukf的锂电池组soc预测方法
CN106033113A (zh) * 2015-03-19 2016-10-19 国家电网公司 一种储能电池组健康状态评估方法
CN107329088A (zh) * 2016-04-29 2017-11-07 株式会社日立制作所 电池的健康状态诊断装置和方法
CN107657288A (zh) * 2017-10-26 2018-02-02 国网冀北电力有限公司 一种基于孤立森林算法的电力调度流数据异常检测方法
CN108445410A (zh) * 2018-04-02 2018-08-24 国家计算机网络与信息安全管理中心 一种监测蓄电池组运行状态的方法及装置
CN108983103A (zh) * 2018-06-29 2018-12-11 上海科列新能源技术有限公司 一种动力电池的数据处理方法和装置
CN109061518A (zh) * 2018-10-18 2018-12-21 国家电网有限公司 一种通信蓄电池健康度在线监测方法
CN109859029A (zh) * 2019-01-04 2019-06-07 深圳壹账通智能科技有限公司 异常申请检测方法、装置、计算机设备以及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090326841A1 (en) * 2008-06-27 2009-12-31 Gm Global Technology Operations, Inc. Pattern recognition approach to battery diagnosis and prognosis
CN104502855A (zh) * 2014-12-23 2015-04-08 广东电网有限责任公司电力科学研究院 铅酸蓄电池soh检测方法和系统
CN106033113A (zh) * 2015-03-19 2016-10-19 国家电网公司 一种储能电池组健康状态评估方法
CN107329088A (zh) * 2016-04-29 2017-11-07 株式会社日立制作所 电池的健康状态诊断装置和方法
CN105974327A (zh) * 2016-06-12 2016-09-28 广州市香港科大霍英东研究院 一种基于神经网络和ukf的锂电池组soc预测方法
CN107657288A (zh) * 2017-10-26 2018-02-02 国网冀北电力有限公司 一种基于孤立森林算法的电力调度流数据异常检测方法
CN108445410A (zh) * 2018-04-02 2018-08-24 国家计算机网络与信息安全管理中心 一种监测蓄电池组运行状态的方法及装置
CN108983103A (zh) * 2018-06-29 2018-12-11 上海科列新能源技术有限公司 一种动力电池的数据处理方法和装置
CN109061518A (zh) * 2018-10-18 2018-12-21 国家电网有限公司 一种通信蓄电池健康度在线监测方法
CN109859029A (zh) * 2019-01-04 2019-06-07 深圳壹账通智能科技有限公司 异常申请检测方法、装置、计算机设备以及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHENG LI ET AL.: "An Ensemble Hybrid Model with Outlier Detection for Prediction of Lithium-ion Battery Remaining Useful Life", 《IEEE-2019 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
倪永峰 等: "面向软件定义网络的隐蔽通信检测机制", 《计算机系统应用》 *
胡杰 等: "电动汽车动力电池充电能量的预测方法", 《机械科学与技术. HTTPS://DOI.ORG/10.13433/J.CNKI.1003-8728.20190226》 *
钟国彬 等: "变电站用铅酸电池SOH估计", 《电源技术》 *
黄兴: "通信用蓄电池组状态检修及故障分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021179639A1 (zh) * 2020-03-12 2021-09-16 珠海朗尔电气有限公司 蓄电池健康度评估方法、装置及存储介质
CN112098876A (zh) * 2020-08-27 2020-12-18 浙江省邮电工程建设有限公司 蓄电池内单体电池的异常检测方法
CN112098876B (zh) * 2020-08-27 2024-06-28 浙江省邮电工程建设有限公司 蓄电池内单体电池的异常检测方法
CN112505549A (zh) * 2020-11-26 2021-03-16 西安电子科技大学 基于孤立森林算法的新能源汽车电池异常检测方法
CN112505549B (zh) * 2020-11-26 2021-09-03 西安电子科技大学 基于孤立森林算法的新能源汽车电池异常检测方法
CN112906744B (zh) * 2021-01-20 2023-08-04 湖北工业大学 一种基于孤立森林算法的故障单体电池识别方法
CN112906744A (zh) * 2021-01-20 2021-06-04 湖北工业大学 一种基于孤立森林算法的故障单体电池识别方法
CN113253125A (zh) * 2021-05-19 2021-08-13 北方工业大学 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统
CN113253125B (zh) * 2021-05-19 2023-02-17 北方工业大学 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统
CN113344057A (zh) * 2021-05-31 2021-09-03 江苏海基新能源股份有限公司 一种储能系统电池插箱异常检测方法
CN114460474A (zh) * 2022-01-25 2022-05-10 电子科技大学 电池分容方法及其装置、电子设备
CN114459574A (zh) * 2022-02-10 2022-05-10 电子科技大学 一种高速流体流量测量准确率自动化评估方法、装置和存储介质
CN114459574B (zh) * 2022-02-10 2023-09-26 电子科技大学 一种高速流体流量测量准确率自动化评估方法、装置和存储介质
CN115343636A (zh) * 2022-10-18 2022-11-15 中国华能集团清洁能源技术研究院有限公司 一种锂电池的异常检测方法及装置

Also Published As

Publication number Publication date
CN110806546B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN110806546B (zh) 电池健康评估方法、装置、存储介质及电子设备
CN110927606B (zh) 电池状态监测方法、装置
KR102387780B1 (ko) 신경망 기반의 배터리 용량 추정 방법 및 장치
CN115114878A (zh) 一种储能电站电池寿命在线预测方法、装置及存储介质
CN115995628B (zh) 一种退役锂离子电池的回收处理方法及装置
CN116500458B (zh) 动力电池容量评估方法、装置、车辆及电子装置
CN116381494A (zh) 电池最大可用容量预测方法、装置、电子设备及存储介质
CN113447821A (zh) 评估电池荷电状态的方法
CN116562596A (zh) 一种退役电池处理方法、装置、退役电池仓储立库及介质
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质
CN117744856A (zh) 锂电池剩余寿命预测方法、系统、计算机设备和存储介质
CN106154170B (zh) 电池剩余容量的估算方法及系统
CN114881316B (zh) 锂电池剩余寿命预测方法、系统、终端设备及存储介质
CN117913931A (zh) 电池包电压均衡控制方法、装置、储能系统及存储介质
KR20220128828A (ko) 배터리 soh 예측 장치 및 방법
CN110703119A (zh) 评估电池健康状态的方法和装置
TWI850531B (zh) 基於充電過程監控電池阻抗異常的方法、系統以及裝置
CN116205379B (zh) 锂亚电池存活天数预测模型建立方法、系统、设备及介质
CN117198017B (zh) 一种报警等级确定方法、装置、电子设备及存储介质
CN115149126B (zh) 电池组信息处理方法、装置、电子设备和计算机可读介质
WO2024139059A1 (zh) 检测电池包自放电状态的方法、车辆和计算机存储介质
CN118294838A (zh) 电池健康状态估算方法、系统、车辆及存储介质
CN116908702A (zh) 一种锂电池循环性能的智能检测方法及系统
CN117250511A (zh) 一种车辆切换电池的测试方法、装置、设备及介质
CN118731704A (zh) 储能系统的电池状态估计方法、装置及电子设备

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