CN111191824B - 一种动力电池容量衰减预测方法及系统 - Google Patents

Abstract

本发明公开一种动力电池容量衰减预测方法及系统，涉及电动汽车技术领域。该方法包括：构建神经网络模型，得到构建的神经网络模型；计算待预测车辆和与待预测车辆类型相同的车辆之间的相似度，得到相似度最大的第一车辆；将待预测车辆的历史使用行为数据和第一车辆的充电特征输入构建的神经网络模型，得到待预测车辆的表观容量，进而得到待预测车辆的容量衰减情况。本发明通过车辆的历史使用行为数据和充电特征对神经网络模型进行训练，得到动力电池的表观容量与充电特征的关系，并根据与待预测车辆相似度最大的第一车辆的充电特征对待预测车辆的动力电池未来的表观容量衰减情况进行预测。

Description

一种动力电池容量衰减预测方法及系统

技术领域

本发明涉及电动汽车技术领域，特别是涉及一种动力电池容量衰减预测方法及系统。

背景技术

大多数电动汽车的电池容量衰减探索还是通过线下检测电池容量衰减实现。现有检测电池容量衰减的方法一般有两种：

一、依靠线下实车检测进行测算，这种方法只能对指定车辆进行检测，不能对单车(电动汽车)电池容量未来衰减情况进行预测。

二、通过抽样调查进行统计分析，通过新车满电续航里程和当前满电续航里程进行比例计算。这种方法存在抽样误差，且不能对单车电池容量未来衰减情况进行预测。

因此，现有电池容量衰减探索存在无法对单车未来衰减情况进行预测的问题。

发明内容

本发明的目的是提供一种动力电池容量衰减预测方法及系统，以解决现有电池容量衰减探索无法对单车未来衰减情况进行预测的问题。

为实现上述目的，本发明提供了如下方案：

一种动力电池容量衰减预测方法，包括：

构建神经网络模型，得到构建的神经网络模型；

获取待预测车辆的车辆数据以及与所述待预测车辆类型相同的车辆的车辆数据；所述车辆数据包括：车辆的历史使用行为数据和充电特征；

根据所述车辆数据，计算所述待预测车辆和与所述待预测车辆类型相同的车辆之间的相似度，得到与所述待预测车辆相似度最大的第一车辆；

将所述待预测车辆的历史使用行为数据和所述第一车辆的充电特征输入所述构建的神经网络模型，得到所述待预测车辆的表观容量；

获取与所述待预测车辆类型相同的新车的新车表观容量；所述与所述待预测车辆类型相同的新车的总行驶里程在1000公里以内；

根据所述待预测车辆的表观容量和所述新车表观容量，得到所述待预测车辆的容量衰减情况；

所述构建神经网络模型包括：

获取训练集和验证集；

根据所述训练集确定神经网络模型的参数；

利用所述训练集训练所述神经网络模型，得到初步神经网络模型；

利用所述验证集对所述初步神经网络模型进行调整，得到构建的神经网络模型。

可选的，所述计算所述待预测车辆和与所述待预测车辆类型相同的车辆之间的相似度，得到与所述待预测车辆相似度最大的第一车辆，具体包括：

根据公式distance_i,j＝cos(D_i,D_j)计算所述待预测车辆和与所述待预测车辆类型相同的车辆之间的距离；

式中，distance_i,j表示所述距离；D_i表示所述待预测车辆的特征向量，i表示所述待预测车辆，D_j表示与所述待预测车辆类型相同的车辆的特征向量，j表示与所述待预测车辆类型相同的车辆序号；

根据公式计算所述相似度，得到所述待预测车辆与所有同种类型的车辆的相似度；

式中，Similar_i,J表示所述相似度；N表示所述距离的总数；J表示与所述待预测车辆类型相同的车辆的总数，j∈J；

比较所有所述相似度，得到与所述待预测车辆相似度最大的第一车辆。

可选的，所述获取训练集和验证集，具体包括：

获取历史车辆数据，所述历史车辆数据包括：历史车辆的历史使用行为数据和充电特征；

根据车辆类型对所述历史车辆数据进行分区，得到多个车型分区；

对每个所述车型分区的历史车辆数据分别进行特征转换，得到每个所述车型分区对应的特征数据；每个所述车型分区中的历史车辆数据均为同一种车辆类型的历史车辆数据；

将每个所述车型分区对应的特征数据分为训练集和验证集。

可选的，所述对每个所述车型分区的数据分别进行特征转换，得到每个所述车型分区对应的特征数据，具体包括：

对每个所述车型分区的历史车辆数据分别进行异常值处理，得到每个所述车型分区的第一数据；

对每个所述车型分区的第一数据分别进行缺失值处理，得到每个所述车型分区的第二数据；

对每个所述车型分区的第二数据分别进行里程分箱，得到每个所述车型分区的第三数据；

对每个所述车型分区的第三数据分别进行归一化处理，得到每个所述车型分区对应的特征数据。

可选的，所述根据所述训练集确定神经网络模型的参数，具体包括：

初始化所述神经网络模型输入层的神经元个数；所述输入层的神经元个数等于所述特征数据中数据的类型数量；

初始化所述神经网络模型隐藏层的神经元个数；当所述特征数据的总数量大于80万个，所述隐藏层的神经元个数大于40个且小于或等于50个；当所述特征数据的总数量大于或等于20万个且小于或等于80万个，所述隐藏层的神经元个数大于30个且小于或等于40个；当所述特征数据的总数量小于20万个，所述隐藏层的神经元个数大于20个且小于或等于30个；

所述神经网络模型输出层的神经元个数为1个。

可选的，所述利用所述验证集对所述初步神经网络模型进行调整，得到构建的神经网络模型，具体包括：

将所述验证集输入所述初步神经网络模型，得到与输入所述初步神经网络模型的特征数据对应的车辆的预测表观容量；

获取与输入所述初步神经网络模型的特征数据对应的车辆的真实表观容量；

采用均方误差损失函数计算所述预测表观容量与所述真实表观容量的误差；

所述误差大于或等于0.05时，调整所述隐藏层的神经元个数；

所述误差小于0.05时，得到构建的神经网络模型。

可选的，所述根据所述待预测车辆的表观容量和与所述待预测车辆类型相同的新车的表观容量，得到所述待预测车辆的容量衰减情况，具体包括：

根据公式计算所述待预测车辆的表观容量剩余百分比；

式中，percent表示所述表观容量剩余百分比，表示所述待预测车辆的表观容量，Y表示所述待预测车辆类型相同的新车的表观容量；

根据所述表观容量剩余百分比得到所述待预测车辆的容量衰减情况。

一种动力电池容量衰减预测系统，包括：

构建模块，用于构建神经网络模型，得到构建的神经网络模型；

获取模块，用于获取待预测车辆的车辆数据以及与所述待预测车辆类型相同的车辆的车辆数据；所述车辆数据包括：车辆的历史使用行为数据和充电特征；

第一车辆模块，用于根据所述车辆数据，计算所述待预测车辆和与所述待预测车辆类型相同的车辆之间的相似度，得到与所述待预测车辆相似度最大的第一车辆；

表观容量模块，用于将所述待预测车辆的历史使用行为数据和所述第一车辆的充电特征输入所述构建的神经网络模型，得到所述待预测车辆的表观容量；

新车表观容量模块，用于获取与所述待预测车辆类型相同的新车的新车表观容量；所述与所述待预测车辆类型相同的新车的总行驶里程在1000公里以内；

容量衰减情况模块，用于根据所述待预测车辆的表观容量和所述新车表观容量，得到所述待预测车辆的容量衰减情况；

所述构建模块包括：

获取子模块，用于获取训练集和验证集；

参数子模块，用于根据所述训练集确定神经网络模型的参数；

初步神经网络模型子模块，用于利用所述训练集训练所述神经网络模型，得到初步神经网络模型；

构建的神经网络模型子模块，用于利用所述验证集对所述初步神经网络模型进行调整，得到构建的神经网络模型。

可选的，所述第一车辆模块包括：

距离单元，用于根据公式distance_i,j＝cos(D_i,D_j)计算所述待预测车辆和与所述待预测车辆类型相同的车辆之间的距离；

式中，distance_i,j表示所述距离；D_i表示所述待预测车辆的特征向量，i表示所述待预测车辆，D_j表示与所述待预测车辆类型相同的车辆的特征向量，j表示与所述待预测车辆类型相同的车辆序号；

相似度单元，用于根据公式计算所述相似度，得到所述待预测车辆与所有同种类型的车辆的相似度；

式中，Similar_i,J表示所述相似度；N表示所述距离的总数；J表示与所述待预测车辆类型相同的车辆的总数，j∈J；

第一车辆单元，用于比较所有所述相似度，得到与所述待预测车辆相似度最大的第一车辆。

可选的，所述容量衰减情况模块包括：

表观容量剩余百分比单元，用于根据公式计算所述待预测车辆的表观容量剩余百分比；

式中，percent表示所述表观容量剩余百分比，表示所述待预测车辆的表观容量，Y表示所述待预测车辆类型相同的新车的表观容量；

容量衰减情况单元，用于根据所述表观容量剩余百分比得到所述待预测车辆的容量衰减情况。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种动力电池容量衰减预测方法及系统。该方法包括：构建神经网络模型，得到构建的神经网络模型；获取待预测车辆以及与待预测车辆类型相同的车辆的数据；数据包括：车辆的历史使用行为数据和充电特征；计算待预测车辆和与待预测车辆类型相同的车辆之间的相似度，得到与待预测车辆相似度最大的第一车辆；将待预测车辆的历史使用行为数据和第一车辆的充电特征输入构建的神经网络模型，得到待预测车辆的表观容量；根据待预测车辆的表观容量和与待预测车辆类型相同的新车的表观容量，得到待预测车辆的容量衰减情况；构建神经网络模型包括：获取训练集和验证集；根据训练集确定神经网络模型的参数；利用训练集训练神经网络模型，得到初步神经网络模型；利用验证集对初步神经网络模型进行调整，得到构建的神经网络模型。该方法通过车辆的历史使用行为数据和充电特征对神经网络模型进行训练，得到动力电池的表观容量与充电特征的关系，并根据与待预测车辆相似度最大的第一车辆的充电特征对待预测车辆的动力电池未来的表观容量衰减情况进行预测。根据与待预测车辆相似度最大的第一车辆的充电特征对待预测车辆进行预测是依据车辆历史使用行为数据的相似度：同款车型的电池参数一致，如果历史使用行为数据相似，充电和行驶环境因素也相似，那么电池的容量衰减情况也基本一致。只要单车(车辆)有充电样本数据和历史使用行为数据，同时与待预测车辆对应的车型有行驶到一定里程的单车，采用本发明的方法或系统就可以预测待预测车辆行驶到一定里程的电池表观容量衰减情况。本发明利用大数据分布式技术获取数据和对数据进行特征处理，提高对电池容量的预测效率，比现有的实车检测和抽样调查方式效率高很多。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例所提供的动力电池容量衰减预测方法的流程图；

图2为本发明实施例所提供的神经网络模型的结构图；

图3为本发明实施例所提供的动力电池容量衰减预测系统的系统结构图。

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，本领域普通技术人员在没有做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。

本发明的目的是提供一种预测单车未来衰减情况的动力电池容量衰减预测方法及系统。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例

本实施例提供一种动力电池容量衰减预测方法，图1为本发明实施例所提供的动力电池容量衰减预测方法的流程图。参见图1，动力电池容量衰减预测方法包括：

步骤101，构建神经网络模型，得到构建的神经网络模型。

步骤101，具体包括：

步骤A，获取训练集和验证集，具体包括：

步骤A1，获取历史车辆数据，历史车辆数据包括：历史车辆的历史使用行为数据和充电特征。历史车辆为所有车辆类型的所有车辆。

步骤A1，具体包括：获取电动汽车充电上报的数据中的充电特征。将每辆单车，即电动汽车的单次充电作为一个数据段进行汇总分析。电动汽车充电上报的数据为从基于Hadoop的一个数据仓库工具Hive中存储的电动汽车充电上报的帧数据。

获取充电特征包括：获取单车单次充电的稳流充电段的充电上报帧数据，根据充电上报帧数据计算该稳流充电段的充电深度、充电起始荷电状态(state ofcharge，soc)、最大电流、最小电流、电流均值、最大电压、最小电压、电压均值、最大单体温度、最小单体温度、最大单体温度方差、单体温度方差均值、最大单体电压、最小单体电压、最大单体电压方差、单体电压方差均值和表观容量。

获取该稳流充电段中的单车当前行驶里程表的总行驶里程数据。总行驶里程数据包括车辆的日均里程。

根据该稳流充电段关联的历史天气信息表得到当前充电时间和充电地点的环境温度和环境湿度数据。

获取电动汽车的历史使用行为数据，具体包括：

从基于Hadoop的一个数据仓库工具Hive中获取截止至目前最后一次充电时车辆的历史使用行为数据，历史使用行为数据包括：上线天数、累计行驶天数、历史充电总深度、历史快充次数、历史慢充次数、快慢充比例、充电深度均值、放电深度均值和历史高速行驶时长；注：高速指速度大于100km/h。

步骤A2，根据车辆类型对历史车辆数据进行分区，得到多个车型分区；每个车型分区中的历史车辆数据均为同一种车辆类型的历史车辆数据。

步骤A3，对每个车型分区的历史车辆数据分别进行特征转换，得到每个车型分区对应的特征数据；每个车型分区中的历史车辆数据均为同一种车辆类型的历史车辆数据。步骤A3具体包括：

对每个车型分区的历史车辆数据分别进行异常值处理，得到每个车型分区的第一数据。具体为：将每个车型分区的数据按照充电时间进行升序排序后，采用自适应的指数滤波算法对每个车型分区的数据分别进行表观容量的异常值处理，即采用自适应的指数滤波算法剔除每个车型分区的数据的异常值，得到每个车型分区的第一数据。

自适应的指数滤波算法是对指数滤波的改进，首先对需要进行指数滤波的数据进行分位点划分，数据中处于分位点的区间范围[0.01，0.99]的数据直接采用自适应的指数滤波算法进行计算；将数据中处于分位点的区间范围[0.01，0.99]外的数据替换为区间范围[0.01，0.99]的分位点的极值后采用自适应的指数滤波算法进行计算。处于分位点的区间范围[0.01，0.99]的数据为每个车型分区的数据按照充电时间进行升序排序后从1％至99％之间的数据。

自适应的指数滤波算法的计算公式如下：

S_t＝a·y_t+(1-a)S_t-1

上式中，S_t表示每个车型分区的数据在t时刻的平滑值；y_t表示t时刻的表观容量经过分位点转换后的数据；S_t-1表示每个车型分区的数据在t-1时刻的平滑值；a表示平滑常数，a的取值范围为(0，1)，本实施例中a＝0.9；初始时刻t＝1时S₁等于y₁。

对每个车型分区的第一数据分别进行缺失值处理，得到每个车型分区的第二数据。具体为，对第一数据中不同数据类型的数据的缺失值分别采用不同的方式进行填充，得到每个车型分区的第二数据：

对第一数据中的环境温度、环境湿度、历史充电总深度、充电深度均值、放电深度均值和历史高速行驶时长，采用对应数据类型的均值填充，即环境温度的缺失值填充的数值为环境温度的均值，环境湿度的缺失值填充的数值为环境湿度的均值等。

第一数据中的快慢充比例的缺失值填充的数值为0.5。

第一数据中的历史快充次数和历史慢充次数的缺失值填充的数值为0。

第一数据中的上线天数和累计行驶天数的缺失值，采用对应车辆的总行驶里程除以对应车辆所在区域的日均里程值进行填充；车辆所在区域的日均里程通过对区域内所有车辆的日均里程取平均值得到。

第一数据中其他类型的数据包括充电深度、充电起始soc、最大电流，最小电流、电流均值、最大电压、最小电压、电压均值、最大单体温度、最小单体温度、最大单体温度方差、单体温度方差均值、最大单体电压、最小单体电压、最大单体电压方差、单体电压方差均值和总行驶里程没有缺失值。

对每个车型分区的第二数据分别进行里程分箱，得到每个车型分区的第三数据。具体为，对第二数据中车辆行驶的总里程按照每千公里进行等距离分箱操作，即总里程除以1000后取整，得到每个车型分区的第三数据。里程分箱用于以一千公里为单位将第二数据进行分组。

对每个车型分区的第三数据分别进行归一化处理，得到每个车型分区对应的特征数据。具体为，分别对每个车型分区的第三数据进行最大值和最小值的归一化处理，得到每个车型分区对应的特征数据。第三数据归一化后得到的特征数据的取值区间为[0.0，1.0]。

步骤A4，将每个车型分区对应的特征数据分为训练集和验证集。具体为，训练集和验证集的数据划分比例为8:2，即每个车型分区对应的特征数据中的80％特征数据作为训练集，20％特征数据作为验证集。

本发明的目的还包括研究电池当前的表观容量与截止至目前车辆的历史使用行为数据、充电特征之间的关系。对步骤A3转换好的特征数据进行皮尔斯线性相关检验后发现：表观容量与特征数据中每个类型的数据之间的关系非完全线性，不宜采用线性模型进行回归训练，所以本实施例采用全连接神经网络模型。图2为本发明实施例所提供的神经网络模型的结构图，图2中，input表示的输入神经网络模型的特征数据，output表示神经网络模型的输出，即预测的表观容量。每种车辆类型的神经网络模型均如图2所示，神经网络模型包括3层：第一层是输入层，第二层是隐藏层，第三层是输出层。本实施例将每种车辆类型(以下简称每个车型)的数据，即每个车型分区对应的特征数据分别输入神经网络模型，得到每个车型对应的神经网络模型。

步骤B，根据训练集确定神经网络模型的参数。

步骤B具体包括：初始化神经网络模型输入层的神经元个数；输入层的神经元个数等于特征数据中数据的类型数量。特征数据为输入神经网络模型的每个车型分区对应的特征数据，本实施例中，输入神经网络模型的特征数据中除表观容量包括28个类型的数据，所以输入层的神经元个数为28个。

初始化神经网络模型隐藏层的神经元个数；当输入神经网络模型的特征数据的总数量大于80万个，隐藏层的神经元个数大于40个且小于或等于50个；当特征数据的总数量大于或等于20万个且小于或等于80万个，隐藏层的神经元个数大于30个且小于或等于40个；当特征数据的总数量小于20万个，隐藏层的神经元个数大于20个且小于或等于30个。本实施例根据不同的车辆类型选择不同的隐藏神经元个数，若车型对应的特征数据的总数量大于80万个，隐藏层的神经元个数大于40个且小于或等于50个；若车型对应的特征数据的总数量大于或等于20万个且小于或等于80万个，隐藏层的神经元个数大于30个且小于或等于40个；若车型对应的特征数据的总数量小于20万个，隐藏层的神经元个数大于20个且小于或等于30个。隐藏层的具体神经元个数根据对神经网络模型的训练情况确定，例如比亚迪，比亚迪对应的特征数据的总数量大于100万个，隐藏层神经元个数选择为45个。本实施例中，输入层和隐藏层除去神经元还包括1个偏置项，图2中的1表示偏置项。

神经网络模型输出层的神经元个数为1个，即预测的表观容量。

步骤C，利用训练集训练神经网络模型，得到初步神经网络模型。神经网络模型的输入层至隐藏层采用sigmoid激活函数，隐藏层至输出层采用回归预测法。

根据下述公式计算隐藏层的神经元：

上式中，Θ⁽¹⁾表示输入层至隐藏层的参数矩阵；表示输入层至隐藏层的参数矩阵的元素，m表示隐藏层的神经元序号，n表示输入层的神经元序号；a₁,a₂,…,a_m表示隐藏层的中间值，m表示隐藏层的神经元序号；x₀表示输入层的偏置项，x₀＝1；x₁,x₂,...,x_n表示输入神经网络模型的特征数据，n表示输入层的神经元序号，本实施例中输入神经网络模型的特征数据包括28个类型的数据，即n＝28；g()表示sigmoid激活函数。

根据下述公式计算输出层的神经元：

上式中，Θ⁽²⁾表示隐藏层至输出层的参数矩阵；表示隐藏层至输出层的参数矩阵的元素，m表示隐藏层的神经元序号；/>表示输出层的神经元，即预测的表观容量；a₀表示隐藏层的偏置项，a₀＝1。

将训练集的数据输入神经网络模型，得到输入层至隐藏层的初步参数矩阵和隐藏层至输出层的初步参数矩阵，存储输入层至隐藏层的初步参数矩阵和隐藏层至输出层的初步参数矩阵，进而得到初步神经网络模型。

根据步骤C得到每个车型对应的初步神经网络模型。

步骤D，利用验证集对初步神经网络模型进行调整，得到构建的神经网络模型。步骤D具体包括：将验证集输入初步神经网络模型，得到与输入初步神经网络模型的特征数据对应的车辆的预测表观容量。

获取与输入初步神经网络模型的特征数据对应的车辆的真实表观容量。

采用均方误差损失函数计算预测表观容量与真实表观容量的误差。具体为：根据下述公式计算预测表观容量与真实表观容量的误差：

上式中，Loss表示预测表观容量与真实表观容量的误差；B表示训练集中特征数据的总数，即输入初步神经网络模型的特征数据的总数；b表示训练集中特征数据的序号，b∈B；y_b表示真实表观容量；表示预测表观容量。

误差大于或等于0.05时，调整隐藏层的神经元个数。

误差小于0.05时，存储对应的输入层至隐藏层的参数矩阵和对应的隐藏层至输出层的参数矩阵，得到构建的神经网络模型。

根据步骤D得到每个车型对应构建的神经网络模型。步骤B-步骤D可以采用TensorFlow进行实现，TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统。

步骤102，获取待预测车辆的车辆数据以及第二车辆的车辆数据；车辆数据包括：车辆的历史使用行为数据和充电特征；第二车辆为与待预测车辆类型相同的车辆，第二车辆的数量为多个。步骤102具体包括从基于Hadoop的一个数据仓库工具Hive中获取待预测车辆的历史使用行为数据和充电特征，以及与待预测车辆同一车型的车辆的历史使用行为数据和充电特征。

步骤103，计算待预测车辆和第二车辆之间的相似度，得到与待预测车辆相似度最大的第一车辆。

步骤103具体包括：

对待预测车辆的待预测数据，即待预测车辆的车辆数据进行特征处理，得到待预测特征向量。具体为根据步骤A3对待预测数据依次进行异常值处理、缺失值处理、里程分箱和归一化处理，得到待预测特征向量。

对每个第二车辆的第五数据，即每个第二车辆的历史使用行为数据和充电特征进行特征处理，得到第五特征向量。具体为根据步骤A3对第五数据依次进行异常值处理、缺失值处理、里程分箱和归一化处理，得到第五特征向量。

删除待预测特征向量中的总行驶里程数据，得到第六特征向量；删除第五特征向量中的总行驶里程数据，得到第七特征向量。

根据下述公式计算里程相邻时待预测车辆和每个第二车辆之间的距离。里程相邻为待预测车辆和第二车辆的行驶里程之差在±1000公里以内。距离也即里程相邻时第六特征向量和第七特征向量的余弦相似度。

distance_i,j＝cos(D_i,D_j)

上式中，distance_i,j表示距离；D_i表示待预测车辆的特征向量，即里程相邻时的第六特征向量；i表示待预测车辆；D_j表示第二车辆的特征向量，即里程相邻时的第七特征向量；j表示第二车辆的序号。

根据下述公式计算相似度，得到待预测车辆与所有同种类型车辆的相似度。待预测车辆与所有同种类型车辆(以下简称待预测车辆与所有同种类型车辆为两辆车)的相似度等于两辆车所有里程相邻的相似度的均值。

上式中，Similar_i,J表示相似度；N表示距离的总数；J表示第二车辆的总数，j∈J。

比较所有相似度，得到与待预测车辆相似度最大的第一车辆。具体为，根据上述步骤计算得到的待预测车辆分别与所有同一车型的车辆的所有相似度，比较所有相似度，得到所有相似度中的最大值，获取与相似度最大值对应的车辆，进行第一判断：与相似度最大值对应的车辆的最大里程是否大于待预测车辆的最大里程，得到第一判断结果。第一判断结果为是，确定与相似度最大值对应的车辆为与待预测车辆相似度最大的第一车辆；第一判断结果为否，删除与相似度最大值对应的车辆及其相似度，返回步骤“比较所有相似度”，更新所有相似度中的最大值，并获取与更新相似度最大值对应的车辆，更新第一判断结果。

步骤104，将待预测车辆的历史使用行为数据和第一车辆的充电特征输入构建的神经网络模型，得到待预测车辆的表观容量。

步骤104具体包括：获取预设里程的待预测车辆的历史使用行为数据和预设里程的第一车辆的充电特征，将预设里程的待预测车辆的历史使用行为数据和预设里程的第一车辆的充电特征输入步骤101构建的与待预测车辆同一车辆类型的神经网络模型，得到待预测车辆在预设里程时的表观容量。

步骤105，获取与待预测车辆类型相同的新车的新车表观容量；与待预测车辆类型相同的新车的总行驶里程在1000公里以内。

步骤106，根据待预测车辆的表观容量和新车表观容量，得到待预测车辆的容量衰减情况。

步骤106具体包括：

根据下述公式计算待预测车辆的表观容量剩余百分比：

式中，percent表示表观容量剩余百分比，表示待预测车辆的表观容量，Y表示新车表观容量。新车表观容量为同一车型的新车在1000公里行驶里程以内的表观容量的平均值。

根据表观容量剩余百分比得到待预测车辆的容量衰减情况。具体为：1-表观容量剩余百分比＝待预测车辆的容量衰减百分比，容量衰减百分比用于表示在预设里程时待预测车辆的容量衰减情况。例如，某车的表观容量剩余百分比为80％，则该车的容量衰减百分比为20％，即在预设里程时该车的表观容量衰减20％。

表观容量为电池充电段安时积分和充电深度的比值；如果不通过实车检测无法得到车辆的真实容量。但是车辆的真实容量衰减，表观容量必然衰减，因此本发明探索表观容量衰减，用表观容量衰减判断车辆的真实容量衰减，进而本发明探索表观容量衰减具有实践意义。

本实施例提供一种动力电池容量衰减预测系统，图3为本发明实施例所提供的动力电池容量衰减预测系统的系统结构图。参见图3，动力电池容量衰减预测系统包括：

构建模块201，用于构建神经网络模型，得到构建的神经网络模型。

构建模块201包括：

获取子模块，用于获取训练集和验证集。

参数子模块，用于根据训练集确定神经网络模型的参数。

初步神经网络模型子模块，用于利用训练集训练神经网络模型，得到初步神经网络模型。

构建的神经网络模型子模块，用于利用验证集对初步神经网络模型进行调整，得到构建的神经网络模型。

获取模块202，用于获取待预测车辆的车辆数据以及第二车辆的车辆数据；车辆数据包括：车辆的历史使用行为数据和充电特征；第二车辆为与待预测车辆类型相同的车辆，第二车辆的数量为多个。

第一车辆模块203，用于计算待预测车辆和第二车辆之间的相似度，得到与待预测车辆相似度最大的第一车辆。

第一车辆模块203包括：

待预测特征向量单元，用于对待预测车辆的待预测数据，即待预测车辆的车辆数据进行特征处理，得到待预测特征向量。

第五特征向量单元，用于对每个第二车辆的第五数据，即每个第二车辆的历史使用行为数据和充电特征进行特征处理，得到第五特征向量。

删除单元，用于删除待预测特征向量中的总行驶里程数据，得到第六特征向量；删除第五特征向量中的总行驶里程数据，得到第七特征向量。

距离单元，用于根据下述公式计算里程相邻时待预测车辆和每个第二车辆之间的距离。里程相邻为待预测车辆和第二车辆的行驶里程之差在±1000公里以内。距离也即里程相邻时第六特征向量和第七特征向量的余弦相似度。

distance_i,j＝cos(D_i,D_j)

上式中，distance_i,j表示距离；D_i表示待预测车辆的特征向量，即里程相邻时的第六特征向量；i表示待预测车辆；D_j表示第二车辆的特征向量，即里程相邻时的第七特征向量；j表示第二车辆的序号。

相似度单元，用于根据下述公式计算相似度，得到待预测车辆与所有同种类型车辆的相似度。待预测车辆与所有同种类型车辆(以下简称待预测车辆与所有同种类型车辆为两辆车)的相似度等于两辆车所有里程相邻的相似度的均值。

上式中，Similar_i,J表示相似度；N表示距离的总数；J表示第二车辆的总数，j∈J。

第一车辆单元，用于比较所有相似度，得到与待预测车辆相似度最大的第一车辆。具体为，根据相似度单元计算得到的待预测车辆分别与所有同一车型的车辆的所有相似度，比较所有相似度，得到所有相似度中的最大值，获取与相似度最大值对应的车辆，进行第一判断：与相似度最大值对应的车辆的最大里程是否大于待预测车辆的最大里程，得到第一判断结果。第一判断结果为是，确定与相似度最大值对应的车辆为与待预测车辆相似度最大的第一车辆；第一判断结果为否，删除与相似度最大值对应的车辆及其相似度，返回“比较所有相似度”，更新所有相似度中的最大值，并获取与更新相似度最大值对应的车辆，更新第一判断结果。

表观容量模块204，用于将待预测车辆的历史使用行为数据和第一车辆的充电特征输入构建的神经网络模型，得到待预测车辆的表观容量，即构建的神经网络模型预测的表观容量。

表观容量模块204具体包括：

表观容量单元，用于获取预设里程的待预测车辆的历史使用行为数据和预设里程的第一车辆的充电特征，将预设里程的待预测车辆的历史使用行为数据和预设里程的第一车辆的充电特征输入构建模块201构建的与待预测车辆同一车辆类型的神经网络模型，得到待预测车辆在预设里程时的表观容量。

新车表观容量模块205，用于获取与待预测车辆类型相同的新车的新车表观容量；与待预测车辆类型相同的新车的总行驶里程在1000公里以内。

容量衰减情况模块206，用于根据待预测车辆的表观容量和新车表观容量，得到待预测车辆的容量衰减情况。

容量衰减情况模块206包括：

表观容量剩余百分比单元，用于根据下述公式计算待预测车辆的表观容量剩余百分比。

式中，percent表示表观容量剩余百分比，表示待预测车辆的表观容量，Y表示新车表观容量。新车表观容量为同一车型的新车在1000公里行驶里程以内的表观容量的平均值。

容量衰减情况单元，用于根据表观容量剩余百分比得到待预测车辆的容量衰减情况。具体为：1-表观容量剩余百分比＝待预测车辆的容量衰减百分比，容量衰减百分比用于表示在预设里程时待预测车辆的容量衰减情况。

本发明的动力电池容量衰减预测方法及系统通过车辆的历史使用行为数据和充电特征对神经网络模型进行训练，得到动力电池的表观容量与充电特征的关系，并根据与待预测车辆相似度最大的第一车辆的充电特征对待预测车辆的动力电池未来的表观容量衰减情况进行预测。根据第一车辆的充电特征对待预测车辆进行预测是依据车辆历史使用行为数据的相似度：同款车型的电池参数一致，如果历史使用行为数据相似，充电和行驶环境因素也相似，那么电池的容量衰减情况也基本一致。只要单车(车辆)有充电特征和历史使用行为数据，同时与待预测车辆对应的车型有行驶到一定里程的单车，采用本发明的方法或系统就可以预测待预测车辆行驶到一定里程的电池表观容量衰减情况。本发明利用大数据分布式技术获取数据和对数据进行特征工程的处理，提高了预测效率，比现有的实车检测和抽样调查方式效率高很多。

本发明利用大数据分布式技术根据车型获取同一车型所有单车的理想气候条件下所有充电数据，如环境温度在0-35℃之前，空气湿度在30-60％之间的稳流充电段的充电数据。稳流充电段指每次充电的中间阶段，即电流无明显跳跃的阶段；因为部分动力电池内部会内置加热装置和冷却装置，加热装置和冷却装置的工作会影响电流的稳定性。本发明利用大数据分布式技术根据车型获取同一车型所有单车的历史使用行为数据。

本发明对每个车型分区的数据采用特征工程进行处理，特征工程是机器学习的基础，良好的特征工程处理可以有效地提高动力电池容量衰减预测方法预测的准确性。本实施例在充分探索各个车型的车辆数据后，对每个车型分区的数据分别进行特征工程处理，具体为依次进行异常值处理、缺失值处理、里程分箱和归一化处理。通过大量真实车辆数据对全连接神经网络结构进行训练，构建了每个车型对应的全连接神经网络结构。

同时本发明还提出了里程相邻时的两辆车之间的相似度计算方法。即只考虑同一车型相同且里程相邻时特征向量的相似性，车型不同和里程不相邻的特征向量认为不相似。

另外，本发明的准确性可以进行评估。根据本发明计算得到的容量衰减情况与实车检测的结果进行比对，可以校验本发明的准确性。当里程为15万公里，温度为25℃时，本发明预测的容量衰减情况与实测数据比较，差异在3％以内。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

Claims (6)

1.一种动力电池容量衰减预测方法，其特征在于，包括：

构建神经网络模型，得到构建的神经网络模型；

获取待预测车辆的车辆数据以及与所述待预测车辆类型相同的车辆的车辆数据；所述车辆数据包括：车辆的历史使用行为数据和充电特征；

所述历史使用行为数据包括：上线天数、累计行驶天数、历史充电总深度、历史快充次数、历史慢充次数、快慢充比例、充电深度均值、放电深度均值和历史高速行驶时长；

所述充电特征包括：获取单车单次充电的稳流充电段的充电上报帧数据，根据充电上报帧数据计算该稳流充电段的充电深度、充电起始荷电状态(stateofcharge，soc)、最大电流、最小电流、电流均值、最大电压、最小电压、电压均值、最大单体温度、最小单体温度、最大单体温度方差、单体温度方差均值、最大单体电压、最小单体电压、最大单体电压方差、单体电压方差均值和表观容量；

根据所述车辆数据，计算所述待预测车辆和与所述待预测车辆类型相同的车辆之间的相似度，得到与所述待预测车辆相似度最大的第一车辆；具体包括：

根据公式distance_i,j＝cos(D_i,D_j)计算所述待预测车辆和与所述待预测车辆类型相同的车辆之间的距离；

式中，distance_i,j表示所述距离；D_i表示所述待预测车辆的特征向量，i表示所述待预测车辆，D_j表示与所述待预测车辆类型相同的车辆的特征向量，j表示与所述待预测车辆类型相同的车辆序号；

根据公式计算所述相似度，得到所述待预测车辆与所有同种类型的车辆的相似度；

式中，Similar_i,J表示所述相似度；N表示所述距离的总数；J表示与所述待预测车辆类型相同的车辆的总数，j∈J；

比较所有所述相似度，得到与所述待预测车辆相似度最大的第一车辆；

将所述待预测车辆的历史使用行为数据和所述第一车辆的充电特征输入所述构建的神经网络模型，得到所述待预测车辆的表观容量；

所述表观容量为电池充电段安时积分和充电深度的比值；

获取与所述待预测车辆类型相同的新车的新车表观容量；所述与所述待预测车辆类型相同的新车的总行驶里程在1000公里以内；

根据所述待预测车辆的表观容量和所述新车表观容量，得到所述待预测车辆的容量衰减情况；具体包括：

根据公式计算所述待预测车辆的表观容量剩余百分比；

式中，percent表示所述表观容量剩余百分比，表示所述待预测车辆的表观容量，Y表示所述待预测车辆类型相同的新车的表观容量；

根据所述表观容量剩余百分比得到所述待预测车辆的容量衰减情况；

所述构建神经网络模型包括：

获取训练集和验证集；

根据所述训练集确定神经网络模型的参数；

利用所述训练集训练所述神经网络模型，得到初步神经网络模型；

利用所述验证集对所述初步神经网络模型进行调整，得到构建的神经网络模型。

2.根据权利要求1所述的动力电池容量衰减预测方法，其特征在于，所述获取训练集和验证集，具体包括：

获取历史车辆数据，所述历史车辆数据包括：历史车辆的历史使用行为数据和充电特征；

根据车辆类型对所述历史车辆数据进行分区，得到多个车型分区；

对每个所述车型分区的历史车辆数据分别进行特征转换，得到每个所述车型分区对应的特征数据；每个所述车型分区中的历史车辆数据均为同一种车辆类型的历史车辆数据；

将每个所述车型分区对应的特征数据分为训练集和验证集。

3.根据权利要求2所述的动力电池容量衰减预测方法，其特征在于，所述对每个所述车型分区的数据分别进行特征转换，得到每个所述车型分区对应的特征数据，具体包括：

对每个所述车型分区的历史车辆数据分别进行异常值处理，得到每个所述车型分区的第一数据；

对每个所述车型分区的第一数据分别进行缺失值处理，得到每个所述车型分区的第二数据；

对每个所述车型分区的第二数据分别进行里程分箱，得到每个所述车型分区的第三数据；

对每个所述车型分区的第三数据分别进行归一化处理，得到每个所述车型分区对应的特征数据。

4.根据权利要求3所述的动力电池容量衰减预测方法，其特征在于，所述根据所述训练集确定神经网络模型的参数，具体包括：

初始化所述神经网络模型输入层的神经元个数；所述输入层的神经元个数等于所述特征数据中数据的类型数量；

初始化所述神经网络模型隐藏层的神经元个数；当所述特征数据的总数量大于80万个，所述隐藏层的神经元个数大于40个且小于或等于50个；当所述特征数据的总数量大于或等于20万个且小于或等于80万个，所述隐藏层的神经元个数大于30个且小于或等于40个；当所述特征数据的总数量小于20万个，所述隐藏层的神经元个数大于20个且小于或等于30个；

所述神经网络模型输出层的神经元个数为1个。

5.根据权利要求4所述的动力电池容量衰减预测方法，其特征在于，所述利用所述验证集对所述初步神经网络模型进行调整，得到构建的神经网络模型，具体包括：

将所述验证集输入所述初步神经网络模型，得到与输入所述初步神经网络模型的特征数据对应的车辆的预测表观容量；

获取与输入所述初步神经网络模型的特征数据对应的车辆的真实表观容量；

采用均方误差损失函数计算所述预测表观容量与所述真实表观容量的误差；

所述误差大于或等于0.05时，调整所述隐藏层的神经元个数；

所述误差小于0.05时，得到构建的神经网络模型。

6.一种动力电池容量衰减预测系统，其特征在于，包括：

构建模块，用于构建神经网络模型，得到构建的神经网络模型；

获取模块，用于获取待预测车辆的车辆数据以及与所述待预测车辆类型相同的车辆的车辆数据；所述车辆数据包括：车辆的历史使用行为数据和充电特征；

所述历史使用行为数据包括：上线天数、累计行驶天数、历史充电总深度、历史快充次数、历史慢充次数、快慢充比例、充电深度均值、放电深度均值和历史高速行驶时长；

所述充电特征包括：获取单车单次充电的稳流充电段的充电上报帧数据，根据充电上报帧数据计算该稳流充电段的充电深度、充电起始荷电状态(stateofcharge，soc)、最大电流、最小电流、电流均值、最大电压、最小电压、电压均值、最大单体温度、最小单体温度、最大单体温度方差、单体温度方差均值、最大单体电压、最小单体电压、最大单体电压方差、单体电压方差均值和表观容量；

第一车辆模块，用于根据所述车辆数据，计算所述待预测车辆和与所述待预测车辆类型相同的车辆之间的相似度，得到与所述待预测车辆相似度最大的第一车辆；具体包括：

距离单元，用于根据公式distance_i,j＝cos(D_i,D_j)计算所述待预测车辆和与所述待预测车辆类型相同的车辆之间的距离；

式中，distance_i,j表示所述距离；D_i表示所述待预测车辆的特征向量，i表示所述待预测车辆，D_j表示与所述待预测车辆类型相同的车辆的特征向量，j表示与所述待预测车辆类型相同的车辆序号；

相似度单元，用于根据公式计算所述相似度，得到所述待预测车辆与所有同种类型的车辆的相似度；

式中，Similar_i,J表示所述相似度；N表示所述距离的总数；J表示与所述待预测车辆类型相同的车辆的总数，j∈J；

第一车辆单元，用于比较所有所述相似度，得到与所述待预测车辆相似度最大的第一车辆；

表观容量模块，用于将所述待预测车辆的历史使用行为数据和所述第一车辆的充电特征输入所述构建的神经网络模型，得到所述待预测车辆的表观容量；

所述表观容量为电池充电段安时积分和充电深度的比值；

新车表观容量模块，用于获取与所述待预测车辆类型相同的新车的新车表观容量；所述与所述待预测车辆类型相同的新车的总行驶里程在1000公里以内；

容量衰减情况模块，用于根据所述待预测车辆的表观容量和所述新车表观容量，得到所述待预测车辆的容量衰减情况；具体包括：

表观容量剩余百分比单元，用于根据公式计算所述待预测车辆的表观容量剩余百分比；

式中，percent表示所述表观容量剩余百分比，表示所述待预测车辆的表观容量，Y表示所述待预测车辆类型相同的新车的表观容量；

容量衰减情况单元，用于根据所述表观容量剩余百分比得到所述待预测车辆的容量衰减情况；

所述构建模块包括：

获取子模块，用于获取训练集和验证集；

参数子模块，用于根据所述训练集确定神经网络模型的参数；

初步神经网络模型子模块，用于利用所述训练集训练所述神经网络模型，得到初步神经网络模型；

构建的神经网络模型子模块，用于利用所述验证集对所述初步神经网络模型进行调整，得到构建的神经网络模型。