CN111537884B - 获取动力电池寿命数据的方法、装置、计算机设备及介质 - Google Patents
获取动力电池寿命数据的方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN111537884B CN111537884B CN202010306169.5A CN202010306169A CN111537884B CN 111537884 B CN111537884 B CN 111537884B CN 202010306169 A CN202010306169 A CN 202010306169A CN 111537884 B CN111537884 B CN 111537884B
- Authority
- CN
- China
- Prior art keywords
- power battery
- target
- data
- model
- accelerated aging
- 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.)
- Active
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请适用于动力电池检测技术领域,提供了一种获取动力电池寿命数据的方法、装置、计算机设备及介质,通过获取目标动力电池的计划充放电次数,再将计划充放电次数输入预先构建的动力电池寿命数据回归模型中,由于动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得,且目标动力电池容量数据集能够用于描述目标动力电池的寿命数据,目标置信区间作为目标动力电池容量数据集的参考概率,描述了目标动力电池容量数据集的不确定性,因此动力电池寿命数据回归模型能够根据计划充放电次数输出相应的目标动力电池容量数据集与目标置信区间,进而解决了无法获取动力电池寿命数据的问题。
Description
技术领域
本申请属于动力电池检测技术领域,尤其涉及一种获取动力电池寿命数据的方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着人们环保意识不断提高,越来越多的领域开始使用清洁能源代替原来的化石能源供能,例如通过可多次充放电的动力电池,进而替代原来的柴油或汽油供能。
目前,在为用电设备选择合适的动力电池时,除了需要考虑动力电池单次充满电后的使用时长,也即续航能力以外,还需要考虑该动力电池的使用寿命是否与用电设备的使用寿命相匹配。也即,在为用电设备选择动力电池时,需要获取动力电池在多次充放电后,是否还能够保持其电池容量在较为稳定的区间内,从而确定该动力电池是否与用电设备的搭载条件相匹配。由此可见,如何获取动力电池寿命数据是目前丞需解决的技术问题。
发明内容
有鉴于此,本申请实施例提供了一种获取动力电池寿命数据的方法、装置、计算机设备及计算机可读存储介质,以解决现有技术中,无法获取动力电池寿命数据的问题。
本申请实施例的第一方面提供了一种获取动力电池寿命数据的方法,包括:
获取目标动力电池的计划充放电次数;
将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间;其中,所述动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得;所述加速老化数据集包括所述样本动力电池在加速老化过程中的充放电次数,以及与所述充放电次数对应的样本动力电池容量;所述目标置信区间用于描述所述目标动力电池容量数据集的不确定性。
进一步的,所述将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间,包括:
将所述计划充放电次数输入所述动力电池寿命数据回归模型;
通过所述动力电池寿命数据回归模型中的下列方程组输出所述目标动力电池容量数据集与目标置信区间;
其中,Cfuture为所述目标动力电池容量数据集;COVfuture为所述目标动力电池预测电池容量的方差矩阵;Ufuture为所述目标置信区间;k为所述样本动力电池的充放电次数中的最大次数;k′为所述目标动力电池的计划充放电次数;GPRcov(k,k′)为k与k′的协方差矩阵;GPRcov(k,k)为k与k的协方差矩阵;GPRcov(k′,k′)为k′与k′的协方差矩阵;σn为初始噪音;y为与k对应的样本动力电池容量;GPRmean(k)是输入为k的迁移均值函数;GPRmean(k′)是输入为k′的迁移均值函数。
进一步的,所述将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集的步骤之后,还包括:
根据所述目标动力电池容量数据集与所述目标置信区间,生成所述目标动力电池的容量衰减轨迹图;
在所述容量衰减轨迹图中标记出所述目标拐点;其中,所述目标拐点为所述容量衰减轨迹图中的目标数据点,所述目标数据点的第一相邻轨迹上的n1个数据点的平均容量衰减速率,与所述目标数据点的第二相邻轨迹上的n2个数据点的平均容量衰减速率之差,大于预设衰减速率差,n1与n2均为大于2的整数。
进一步的,所述将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间的步骤之前,还包括:
从预设数据库中获取正常老化数据集与所述加速老化数据集;
基于所述正常老化数据集与所述加速老化数据集构建动力电池寿命数据回归模型。
进一步的,所述基于所述正常老化数据集与所述加速老化数据集构建动力电池寿命数据回归模型,包括:
根据所述加速老化数据集生成加速老化轨迹图;其中,所述加速老化轨迹图用于描述所述样本动力电池在加速老化测试过程中,充放电次数与样本动力电池容量之间的对应关系;
利用预设的加速老化模型列表中的每个加速老化模型,分别拟合所述加速老化轨迹图,并根据拟合结果,从所述加速老化模型列表中选择符合预设拟合条件的加速老化模型作为第一模型;
基于所述加速老化轨迹图与目标轨迹图,测算所述第一模型对应的均方根误差;其中,所述均方根误差用于表征所述目标轨迹图与所述加速老化轨迹图之间的差别程度;所述目标轨迹图为所述第一模型对所述加速老化轨迹图的拟合结果,所述目标轨迹图用于描述充放电次数与动力电池预估容量之间的对应关系;
按照预设的转换策略,根据所述均方根误差测算所述第一模型关于所述加速老化数据集的置信区间;
基于所述正常老化数据集、所述第一模型以及所述置信区间,构建所述动力电池寿命数据回归模型。
进一步的,所述基于所述加速老化轨迹图与目标轨迹图,测算所述第一模型对应的均方根误差,包括:
从所述加速老化轨迹图上提取m个第一数据点,从所述目标轨迹图上提取m个第二数据点,得到m个数据点对;其中,m为大于0的整数;每个所述数据点对中的第一数据点对应的充放电次数,与第二数据点对应的充放电次数相同;
基于每个所述数据点对,通过以下公式测算所述第一模型对应的均方根误差;
其中,MSEaccelerate为所述均方根误差,且MSEaccelerate>0;m为所述数据点对个数;为m个所述数据点对中第j个第二数据点对应的动力电池预估容量;Cj为m个所述数据点对中第j个第一数据点对应的动力电池容量。
进一步的,所述按照预设的转换策略,根据所述均方根误差测算所述第一模型关于所述加速老化数据集的置信区间,包括:
根据所述均方根误差,通过以下公式测算所述置信区间;
进一步的,所述按照预设的转换策略,根据所述均方根误差测算所述第一模型关于所述加速老化数据集的置信区间,包括:
根据所述均方根误差,通过以下公式测算所述置信区间;
进一步的,所述动力电池寿命数据回归模型包括:用于配置目标迁移函数的均值部、用于配置协方差函数的高斯核部以及用于描述限制条件的初始噪音;
所述基于所述正常老化数据集、所述第一模型以及所述置信区间,构建所述动力电池寿命数据回归模型,包括:
对所述第一模型的输入与所述第一模型的输出,分别进行线性变换得到迁移函数,并将所述迁移函数与所述正常老化数据集对应的轨迹图进行拟合,根据拟合结果得到目标迁移函数,并将所述目标迁移函数配置到所述均值部;
从预设的高斯核列表中选取至少一个目标高斯核作为协方差函数,并将所述协方差函数配置到所述高斯核部;
将所述置信区间识别为所述动力电池寿命数据回归模型的初始噪音。
进一步的,所述对所述第一模型的输入与所述第一模型的输出,分别进行线性变换得到迁移函数,包括:
通过以下公式,对所述第一模型的输入与所述第一模型的输出分别进行线性变换,得到迁移函数;
f(x)=a1*Maccelerate*(b1*x+b2)+a2;
其中,f(x)为所述迁移函数;x为所述迁移函数的输入值;Maccelerate为所述第一模型;a1为第一输出线性变换因子;a2为第二输出线性变换因子;b1为第一输入线性变换因子;b2为第二输入线性变换因子;a1、a2、b1以及b2的取值,通过将f(x)拟合至所述样本动力电池的正常老化数据集对应的轨迹图上确定。
本申请实施例的第二方面提供了一种获取动力电池寿命数据的装置,包括:
第一获取单元,用于获取目标动力电池的计划充放电次数;
第一执行单元,用于将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间;其中,所述动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得;所述加速老化数据集包括所述样本动力电池在加速老化过程中的充放电次数,以及与所述充放电次数对应的样本动力电池容量;所述目标置信区间用于描述所述目标动力电池容量数据集的不确定性。
本申请实施例的第三方面提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述计算机设备上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方案提供的获取动力电池寿命数据的方法的各步骤。
本申请实施例的第四方面提供了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计算机程序,所述计算机程序被处理器执行时实现第一方案提供的获取动力电池寿命数据的方法的各步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行上述第一方面中任一项所述的获取动力电池寿命数据的方法的各步骤。
实施本申请实施例提供的一种获取动力电池寿命数据的方法、装置、计算机设备及计算机可读存储介质具有以下有益效果:
本申请实施例提供的一种获取动力电池寿命数据的方法,通过获取目标动力电池的计划充放电次数,再将计划充放电次数输入预先构建的动力电池寿命数据回归模型中,由于动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得,且目标动力电池容量数据集能够用于描述目标动力电池的寿命数据,目标置信区间作为目标动力电池容量数据集的参考概率,描述了目标动力电池容量数据集的不确定性,因此动力电池寿命数据回归模型能够根据计划充放电次数输出相应的目标动力电池容量数据集与目标置信区间,进而为目标动力电池提供了获取其寿命数据的方案,解决了无法获取动力电池寿命数据的问题。
此外,动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得,其中,加速老化数据集是样本动力电池在加速老化过程中的寿命数据,也即该加速老化数据集能够表征样本动力电池在加速老化过程中的数据变化规律,而基于该加速老化数据集进行模型构建,是将样本动力电池在加速衰老过程中的数据变化规律,映射为目标动力电池在老化过程中数据变化规律的过程,因此基于该加速老化数据集进行模型构建,所得的动力电池寿命数据回归模型,能够根据目标动力电池的计划充放电次数,输出相应的目标动力电池容量数据集与目标置信区间,进而实现在无需为动力电池寿命数据回归模型提供训练样本数据、测试样本数据以及训练策略的条件下,使动力电池寿命数据回归模型能够描述目标动力电池在老化过程中的数据变化规律,提高了动力电池寿命数据回归模型的构建效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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是本申请实施例提供的一种获取动力电池寿命数据的方法的实现流程图;
图2是本申请另一实施例提供的一种获取动力电池寿命数据的方法的实现流程图;
图3是本申请实施例中目标动力电池的容量衰减轨迹图;
图4是本申请再一实施例提供的一种获取动力电池寿命数据的方法的实现流程图;
图5是本申请实施例中步骤S32的具体实现流程图;
图6是本申请实施例提供的一种获取动力电池寿命数据的装置结构框图;
图7是本申请另一实施例提供的一种计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例所涉及的方法,可以由服务器或终端(以下称“计算机设备”)执行。本申请实施例的技术方案适用于在对目标动力电池进行检测或评估时,通过计算机设备对目标动力电池的寿命数据进行测算,进而为动力电池的检测提供参考数据。在本申请实施例中,寿命数据包括是目标动力电池的每次充放电次数,及每次充放电次数对应的电充容量。计算机设备在获取动力电池寿命数据的过程中,可以根据需求选择对不同型号、不同类别、不同用途或者不同电容量的动力电池进行寿命数据获取,而获取每一种动力电池寿命数据的方式是相同的,因此本申请实施例以一个动力电池即目标动力电池为例进行描述。
请参阅图1,图1是本申请实施例提供的一种获取动力电池寿命数据的方法的实现流程图。
如图1所示的获取动力电池寿命数据的方法包括以下步骤:
S11:获取目标动力电池的计划充放电次数。
在步骤S11中,目标动力电池是获取动力电池寿命数据的对象电池。目标动力电池的计划充放电次数,是用于测算目标动力电池寿命数据的指标。
需要说明的是,由于目标动力电池在成品后,其各类属性数据的最优值已确定,目标动力电池实际能够循环进行充放电的最大次数也已确定,因此计划充放电次数的取值范围不能小于目标动力电池实际能够循环进行充放电的最大次数,应等于或大于目标动力电池实际能够循环进行充放电的最大次数,才能获取到目标动力电池的所有寿命数据。
在本实施中,在针对目标动力电池进行寿命数据的获取时,计划充放电次数可以是根据目标动力电池的供电对象的需求而选择或制定,其中,计划充放电次数可以等于或大于供电对象所需的充放电次数。
以目标动力电池的供电对象为手机终端为例,如果手机终端对其供电电池的需求是一千次充放电,那么对目标动力电池的计划充放电次数则同为一千次或者大于一千次。
至于何时获取目标动力电池的计划充放电次数,可以包括但不仅限于以下两个场景。
本地应用场景:目标动力电池的计划充放电次数可以是在对目标动力电池进行寿命数据获取时,检测方输入计算机设备中的,或者是由检测方从计算机设备中预先配置的多种计划充放电次数中选取得到。
例如,计划充放电次数预先设置在目标数据库中,在为用电设备配置搭载动力电池时,用户从目标数据库中选取任一种预先配置好的动力电池属性文件,进而向计算机设备触发用于获取目标动力电池寿命数据的预设指令,令计算机设备根据该预设指令从目标数据库中获取目标动力电池的计划充放电次数。
在线应用场景:终端设备通过在线应用,向服务器发送获取目标动力电池寿命数据的请求;服务器若接收到用户通过客户端发送的寿命数据获取请求,则根据所述寿命数据获取请求,获取目标动力电池的计划充放电次数。
例如,终端设备上配置有用于访问服务器数据的客户端,用户通过该客户端向服务器发送寿命数据获取请求,作为服务器的计算机设备在接收到该请求后,根据该请求从本地数据库中获取目标动力电池的计划充放电次数。
S12:将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间。
在步骤S12中,动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得。加速老化数据集包括样本动力电池在加速老化过程中的充放电次数,以及与充放电次数对应的样本动力电池容量。目标置信区间用于描述目标动力电池容量数据集的不确定性。动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得。目标动力电池容量数据集是目标动力电池在计划充放电次数中,每次充放电对应的目标动力电池容量。目标置信区间用于描述目标动力电池容量数据集的不确定性,也即将通过动力电池寿命数据回归模型测算得到目标动力电池容量数据集的不确定性进行量化后得到的数据范围或数据区间。
在本申请的所有实施例中,动力电池寿命数据回归模型的输入为计划充放电次数,且该计划充放电次数与目标电池对应,其输出为目标动力电池容量数据集与目标置信区间。
需要说明的是,动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得。其中,样本动力电池与目标动力电池为相同的动力电池,即两者在型号、规格以及电池容量等各种维度或指标上均相同。加速老化数据集是对样本动力电池进行加速老化测试得到。具体是在对样本动力电池进行正常充放电的循环测试过程中,增加导致样本动力电池加速老化的测试条件。例如,对样本动力电池进行过充电、过放电、置于高温环境、置于低温环境以及大电流环境中的至少一种。
在本实施例中,动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得,该动力电池寿命数据回归模型的构建过程,就是将加速老化过程中的数据变化规律与正常老化过程中数据变化规律进行映射,得到两种数据变化规律的映射关系的过程。因此在实际应用中,可以先将加速老化数据集进行函数还原,得到用于描述该加速老化数据集的基础函数,再通过对该基础函数进行线性化处理以及消除加速老化条件的补偿,最后量化其测算结果的不确定性,也即配置其测算结果对应的置信区间,即可构建出动力电池寿命数据回归模型。
作为本申请一实施例,步骤S12具体包括:
将所述计划充放电次数输入所述动力电池寿命数据回归模型;
通过所述动力电池寿命数据回归模型中的下列方程组输出所述目标动力电池容量数据集与目标置信区间;
其中,Cfuture为所述目标动力电池容量数据集;COVfuture为所述目标动力电池预测电池容量的方差矩阵;Ufuture为所述目标置信区间;k为所述样本动力电池的充放电次数中的最大次数;k′为所述目标动力电池的计划充放电次数;GPRcov(k,k′)为k与k′的协方差矩阵;GPRcov(k,k)为k与k的协方差矩阵;GPRcov(k′,k′)为k′与k′的协方差矩阵;σn为初始噪音;y为与k对应的样本动力电池容量;GPRmean(k)是输入为k的迁移均值函数;GPRmean(k′)是输入为k′的迁移均值函数。
需要说明的是,由于动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得,该动力电池寿命数据回归模型的构建过程实际是将加速老化过程中的数据变化规律与正常老化过程中数据变化规律进行映射构建的过程,因此需要配置初始噪音部分,对该动力电池寿命数据回归模型的输出结果进行限制,同时由于两种数据变化规律的映射必然存在误差,因此还需要输出目标置信区间,用于表征输出的目标动力电池容量数据集的误差大小。
应当理解的是,动力电池寿命数据回归模型根据计划充放电次数,输出目标动力电池容量数据集后,由于该数据集并不能直观地体现目标动力电池在老化过程中的电池容量衰减情况,因此为了获取更直观的寿命数据,需要根据动力电池容量数据集与置信区间再进行数据处理。
以上可以看出,本实施例提供的一种获取动力电池寿命数据的方法,通过获取目标动力电池的计划充放电次数,再将计划充放电次数输入预先构建的动力电池寿命数据回归模型中,由于动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得,且目标动力电池容量数据集能够用于描述目标动力电池的寿命数据,目标置信区间作为目标动力电池容量数据集的参考概率,描述了目标动力电池容量数据集的不确定性,因此动力电池寿命数据回归模型能够根据计划充放电次数输出相应的目标动力电池容量数据集与目标置信区间,进而为目标动力电池提供了获取其寿命数据的方案,解决了无法获取动力电池寿命数据的问题。
请参阅图2,图2是本申请另一实施例提供的一种获取动力电池寿命数据的方法的实现流程图。相对于图1对应的实施例,本实施例提供的获取动力电池寿命数据的方法在步骤S12之后还包括S21~S22。详述如下:
S21:根据所述目标动力电池容量数据集与所述目标置信区间,生成所述目标动力电池的容量衰减轨迹图;
S22:在所述容量衰减轨迹图中标记出所述目标拐点。
在步骤S21中,容量衰减轨迹图用于表征目标动力电池的寿命数据,其中,寿命数据有目标动力电池的充放电次数,以及每个充放电次数对应的电池容量值。
需要说明的是,在动力电池的实际使用过程中,随着使用时长的不断增加,完成充放电循环的次数也随之增加,而在充放电循环过程中,无法避免地对动力电池内部造成损耗,因此在动力电池完成了一定次数的充放电循环后,必然会出现电池老化的现象,例如电池容量下降、无法蓄电等。由于动力电池在使用了一段时间后,其寿命数据能够体现电池容量衰减程度随充放电次数的增加而增大,因此获取目标动力电池的寿命数据,实际上是为了从该寿命数据中,确定出目标动力电池在计划充放电次数下,其电池容量的衰减情况。
在本实施例中,根据动力电池容量数据集与置信区间,生成目标动力电池的容量衰减轨迹图,具体可以是调用对应仿真工具,根据动力电池容量数据集,绘制出能够表征目标电池在计划充放电次数下,所有的动力电池容量数据,也即表征计划充放电次数中每次充放电,与动力电池容量数据之间的对应关系的曲线。同时,根据置信区间在该曲线周围绘制阴影空间,用于表征曲线的不确定性。
图3示出了本实施例中目标动力电池的容量衰减轨迹图。如图3所示的坐标图中,纵轴表示目标动力电池容量数据集中目标动力电池的电池容量,横轴表示目标动力电池容量数据集中目标动力电池的充放电次数,目标动力电池在未进行循环充放电前,其电池容量无限接近于1,当目标动力电池在进行一定次数的循环充放电后,其电池容量会出现衰减现象。
如图3所示,曲线L为目标动力电池容量数据集在坐标轴上呈现的轨迹,目标置信区间所表征的取值范围伴随整条曲线L,图3中灰色区域S示出了目标置信区间在目标动力电池的容量衰减轨迹图中所表征的取值范围。
在步骤S22中,目标拐点为容量衰减轨迹图中的目标数据点,该目标数据点的第一相邻轨迹上的n1个数据点的平均容量衰减速率,与该目标数据点的第二相邻轨迹上的n2个数据点的平均容量衰减速率之差,大于预设衰减速率差,n1与n2均为大于2的整数。
在本实施例中,容量衰减轨迹图用于表征目标动力电池的寿命数据,其中,寿命数据有目标动力电池的充放电次数,以及每个充放电次数对应的电池容量值。容量衰减轨迹图中包括多个用于组成容量衰减轨迹的数据点,且每个数据点对应一个充放电次数和一个目标动力电池容量。预设衰减速率用于描述目标动力电池出现明显老化时的电池容量衰减程度。在确定目标数据点时,可以通过比较每个数据点相邻的两个轨迹曲线上两组数据点的平均容量衰减速率之差,是否大于预设衰减速率,进而确定该数据点是否为目标数据点。
如图3所示,以数据点P、数据点P1以及数据点P2为例,数据点P1与数据点P之间的曲线L1是数据点P的第一相邻轨迹,数据点P与数据点P2之间的曲线L2是数据点P的第二相邻轨迹,在判断P点是否为目标数据点时,测算曲线L1上n1个数据点的平均容量衰减速率△W1,曲线L2上n2个数据点的平均容量衰减速率△W2,当△W1与△W2之差,大于预设衰减速率,则在容量衰减轨迹图中,将该数据点P识别为目标数据点,并在容量衰减轨迹图中将目标数据点标记为目标拐点。在实际应用中,在容量衰减轨迹图中标记出目标拐点。例如,可以是在容量衰减轨迹图中对该目标拐点进行点加粗,或者改变该目标拐点在容量衰减轨迹图中的颜色,再或者是在容量衰减轨迹图中将该目标拐点所表征目标动力电池容量和充放电次数显示在目标拐点的周围。在为用电设备选用动力电池进行供电时,于容量衰减轨迹图中标记出目标拐点,能够直观地体现该目标动力电池的电池容量稳定区间所对应的充放电次数,是否与用电设备的需求相匹配,能够为选择用电设备选择供电动力电池提供数据参考。
请参阅图4,图4是本申请再一实施例提供的一种获取动力电池寿命数据的方法的实现流程图。相对于图1或图2对应的实施例,本实施例提供的获取动力电池寿命数据的方法在步骤S11之前还包括S31~S32。详述如下:
S31:从预设数据库中获取正常老化数据集与所述加速老化数据集。
S32:基于所述正常老化数据集与所述加速老化数据集构建动力电池寿命数据回归模型。
在本实施例中,预设数据库中存储有正常老化数据集与加速老化数据集,正常老化数据集是通过对样本动力电池进行正常老化试验所得。加速老化数据集可以是通过对样本动力电池进行加速老化试验所得。
需要说明的是,在对样本动力电池进行加速老化试验时,具体是通过在对样本动力电池进行正常充放电的循环测试过程中,增加导致样本动力电池加速老化的环境。这里,加速老化的环境可以包括:对样本动力电池进行过充电、过放电、置于高温环境、置于低温环境以及大电流环境中的至少一种。也即,加速老化的环境件可以是上述环境中的任意一种,或者任意两种的组合,再或者是任意多种的组合,加速老化数据集可以是叠加了上述部分加速老化环境下测得的数据,也可以是叠加了上述所有加速老化环境下测得的数据。
在实际应用中,基于加速老化数据集构建动力电池寿命数据回归模型,具体可以是将加速老化数据集与预设的模型函数进行参数辨识操作,也即将模型函数中的计算影子与加速老化数据集的内容进行测算关联,使得模型函数运算结果与加速老化数据集中的数据内容能够最大程度匹配之后,再向模型中融入正常老化数据集中数据变化规律。
图5示出了本申请实施例中步骤S32的具体实现流程图。如图5所示,作为本申请一实施例,步骤S32具体包括:
S321:根据所述加速老化数据集生成加速老化轨迹图;其中,所述加速老化轨迹图用于描述所述样本动力电池在加速老化测试过程中,充放电次数与样本动力电池容量之间的对应关系。
S322:利用预设的加速老化模型列表中的每个加速老化模型,分别拟合所述加速老化轨迹图,并根据拟合结果,从所述加速老化模型列表中选择符合预设拟合条件的加速老化模型作为第一模型。
S323:基于所述加速老化轨迹图与目标轨迹图,测算所述第一模型对应的均方根误差;其中,所述均方根误差用于表征所述目标轨迹图与所述加速老化轨迹图之间的差别程度;所述目标轨迹图为所述第一模型对所述加速老化轨迹图的拟合结果,所述目标轨迹图用于描述充放电次数与动力电池预估容量之间的对应关系。
S324:按照预设的转换策略,根据所述均方根误差测算所述第一模型关于所述加速老化数据集的置信区间。
S325:基于所述正常老化数据集、所述第一模型以及所述置信区间,构建所述动力电池寿命数据回归模型。
在本实施例中,预设的加速老化模型列表中包括多个加速老化模型,每个加速老化模型都对应有具体方程式,每个加速老化模型对应的方程式中都包含有待进行参数辨识的因子,通过将预设的加速老化模型列表中的每个加速老化模型,分别拟合加速老化轨迹图,就是将每个加速老化模型中的待进行参数辨识的因子进行参数辨识,使得加速老化模型所描述的数据对应关系,能够尽可能地与加速老化轨迹图相匹配。
需要说明的是,在模型构建技术领域中,参数辨识是一种将理论模型与测试数据结合起来用于预测的方法。参数辨识根据测试数据和预先建立的模型来确定一组模型的参数值,使得由模型计算得到的数值结果能最好地拟合测试数据,从而可以对未知过程进行预测,提供一定的理论指导。
在本实施例中,预设的加速老化模型列表具体可以如表1所示,该预设的加速老化模型列表中包括多种加速老化模型种类,且每种加速老化模型种类都对应有具体方程式,在每个具体方程式中,都包含有待进行参数识别的因子,如an、bn以及c1,在利用表1中任何一种加速老化模型拟合加速老化轨迹图时,具体可以是采用启发式算法,对加速老化模型中的待进行参数识别的因子进行参数辨识。应当理解的是,本实施例中是利用启发式算法解决方程与解之间的对应关系,也即,解决加速老化模型对应的具体方程式中待进行参数识别的因子,与加速老化轨迹图之间对应关系拟合的问题,并非对启发式算法进行的改进,故此处不对其进行赘述。
表1:预设的加速老化模型列表(示例)
应当理解的是,预设的加速老化模型列表中预先构建有多个粗略的加速老化模型,用这些加速老化模型对加速老化轨迹图对应的数据进行换算。当换算得到的数值结果与加速老化轨迹图对应的数据之间的误差较大时,就认为该加速老化模型与加速老化轨迹图不符或者差距较大,进而修改模型,或者重新选择模型。当换算得到的数值结果与加速老化轨迹图对应的数据之间相符时,认为此模型具有较高的可信度,进而将该加速老化模型识别为第一模型。
在实际应用中,预设拟合条件还可以包括:加速老化模型与加速老化轨迹图对应的数据之间的相符程度,或者是加速老化模型与加速老化轨迹图之间的均方误差最小。
在本实施例中,通过确定第一模型对应的目标轨迹图,也即能够直观地描述充放电次数与动力电池预估容量之间的对应关系,再基于加速老化轨迹图与目标轨迹图,测算第一模型对应的均方根误差,即可由该均方根误差表征目标轨迹图与加速老化轨迹图之间的差别程度。
作为本申请一实施例,步骤S324具体包括:
从所述加速老化轨迹图上提取m个第一数据点,从所述目标轨迹图上提取m个第二数据点,得到m个数据点对;其中,m为大于0的整数;每个所述数据点对中的第一数据点对应的充放电次数,与第二数据点对应的充放电次数相同;
基于每个所述数据点对,通过以下公式测算所述第一模型对应的均方根误差;
其中,MSEaccelerate为所述均方根误差,且MSEaccelerate>0;m为所述数据点对个数;为m个所述数据点对中第j个第二数据点对应的动力电池预估容量;Cj为m个所述数据点对中第j个第一数据点对应的动力电池容量。
在本实施例中,加速老化轨迹图与目标轨迹图分别是两个不同的轨迹图,但两者之间存在一定的相似性,通过从两个轨迹图中分别提取充放电次数相同的数据点,组成m个数据点对,并基于m个数据点对进行均方根误差测算,所得均方根误差能够准确地量化加速老化轨迹图与目标轨迹图之间的差别程度。
作为本申请一实施例,步骤S325具体包括:
根据所述均方根误差,通过以下公式测算所述置信区间;
在本实施例中,由于均方根误差能够准确地量化加速老化轨迹图与目标轨迹图之间的差别程度,因此利用该均方根误差测算或配置模型输出的置信区间,使其置信区间考虑到模型与实际数据之间的误差,提高了测算置信区间的科学化程度。
作为本申请一实施例,所述动力电池寿命数据回归模型包括:用于配置目标迁移函数的均值部、用于配置协方差函数的高斯核部以及用于描述限制条件的初始噪音;步骤S325具体包括:
对第一模型的输入与第一模型的输出,分别进行线性变换得到迁移函数,并将迁移函数与正常老化数据集对应的轨迹图进行拟合,根据拟合结果得到目标迁移函数,并将目标迁移函数配置到均值部;从预设的高斯核列表中选取至少一个目标高斯核作为协方差函数,并将协方差函数配置到高斯核部;将置信区间识别为动力电池寿命数据回归模型的初始噪音。
在本实施例中,正常老化数据集是对样本动力电池进行正常老化测试得到的数据集。通过将迁移函数与样本动力电池的正常老化数据集对应的轨迹图进行拟合,使得到的目标迁移函数能够具备描述正常老化数据集中数据变化规律的特性。预设的高斯核列表具体可以如表2所示,包括了多种高斯核函数种类,需要说明的是,在从预设的高斯核列表中选取至少一个目标高斯核作为协方差函数时,与从加速老化模型列表中选择第一模型类似,也需要对高斯函数对应的方程式中的待进行参数辨识的因子进行参数辨识。在表2中,每种高斯核函数对应的方程式中,σSE,lSE,σM32,lM32,σRQ,lRQ以及α都是高斯核函数方程式中需要进行参数辨识的超参数,x和x′分别为加速老化数据集和正常老化数据集的输入。
表2:预设的高斯核列表(示例)
需要说明的是,在从预设的高斯核列表中选取至少一个目标高斯核作为协方差函数时,可以是只选取预设的高斯核列表中的一个高斯函数作为目标高斯核,也可以选择多个高斯函数通过运算符合连接组合一个目标高斯核。
在本实施例中,动力电池在从预设的高斯核列表中选取至少一个目标高斯核作为协方差函数时,以正常老化数据集中充放电次数作为动力电池寿命数据回归模型的输入,与正常老化数据集中充放电次数一一对应的电池容量数据作为输出来优化辨识参数,得到最终的正常老化数据集中充放电次数,辨识方法采用牛顿法优化最大似然概率。
作为本申请一实施例,所述对所述第一模型的输入与所述第一模型的输出,分别进行线性变换得到迁移函数,包括:
通过以下公式,对所述第一模型的输入与所述第一模型的输出分别进行线性变换,得到迁移函数;
f(x)=a1*Maccelerate*(b1*x+b2)+a2;
其中,f(x)为所述迁移函数;x为所述迁移函数的输入值;Maccelerate为所述第一模型;a1为第一输出线性变换因子;a2为第二输出线性变换因子;b1为第一输入线性变换因子;b2为第二输入线性变换因子;a1、a2、b1以及b2的取值,通过将f(x)拟合至所述样本动力电池的正常老化数据集对应的轨迹图上确定。
在本实施例中,第一模型Maccelerate为迁移函数中的已知量,通过与样本动力电池的正常老化数据集对应的轨迹图进行拟合,能够识别出迁移函数中a1、a2、b1以及b2的取值,也即确定了a1、a2、b1以及b2的取值即得到目标迁移函数,将目标迁移函数框架嵌入高斯过程模型中作为均值函数,利用样本动力电池正常老化数据集中进行参数优化辨识,从而开发出针对样本动力电池正常老化下的迁移高斯过程回归模型,也即动力电池寿命数据回归模型,以实现有效的动力电池容量拐点信息预测和高效的预测不确定性量化管理。
以上可以看出,本实施例提供的一种获取动力电池寿命数据的方法,通过获取目标动力电池的计划充放电次数,再将计划充放电次数输入预先构建的动力电池寿命数据回归模型中,由于动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得,且目标动力电池容量数据集能够用于描述目标动力电池的寿命数据,目标置信区间作为目标动力电池容量数据集的参考概率,描述了目标动力电池容量数据集的不确定性,因此动力电池寿命数据回归模型能够根据计划充放电次数输出相应的目标动力电池容量数据集与目标置信区间,进而为目标动力电池提供了获取其寿命数据的方案,解决了无法获取动力电池寿命数据的问题。
此外,本实施例通过加速老化模型与加速老化轨迹图进行拟合,进而选定第一模型,可以令该第一模型有效地学习样本动力电池的全寿命数据,以及数据变化规律和拐点信息,使得后续建立的动力电池寿命数据回归模型同时具有加速老化模型提供的全寿命周期老化信息和高斯过程回归模型高效的不确定性量化能力,从而实现对该目标动力电池未来电池容量和目标拐点的有效预测,并对该预测结果给出了准确的不确定性量化。
此外,本实施例提供的动力电池寿命数据回归模型,在获取目标动力电池的寿命数据时,无需求解大量偏微分方程,且复杂度较低,计算量较小,适合在线应用。
请参阅图6,图6是本申请实施例提供的一种获取动力电池寿命数据的装置的结构框图。本实施例中该获取动力电池寿命数据的装置包括的各单元用于执行图1至图4对应的实施例中的各步骤。具体请参阅图1至图4以及图1至图4所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图6,获取动力电池寿命数据的装置400包括:第一获取单元41与第一执行单元42。其中:
第一获取单元41,用于获取目标动力电池的计划充放电次数。
第一执行单元42,用于将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间;其中,所述动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得;所述加速老化数据集包括所述样本动力电池在加速老化过程中的充放电次数,以及与所述充放电次数对应的样本动力电池容量;所述目标置信区间用于描述所述目标动力电池容量数据集的不确定性。
作为本申请一实施例,第一执行单元42具体用于,将所述计划充放电次数输入所述动力电池寿命数据回归模型;
通过所述动力电池寿命数据回归模型中的下列方程组输出所述目标动力电池容量数据集与目标置信区间;
其中,Cfuture为所述目标动力电池容量数据集;COVfuture为所述目标动力电池预测电池容量的方差矩阵;Ufuture为所述目标置信区间;k为所述样本动力电池的充放电次数中的最大次数;k′为所述目标动力电池的计划充放电次数;GPRcov(k,k′)为k与k′的协方差矩阵;GPRcov(k,k)为k与k的协方差矩阵;GPRcov(k′,k′)为k′与k′的协方差矩阵;σn为初始噪音;y为与k对应的样本动力电池容量;GPRmean(k)是输入为k的迁移均值函数;GPRmean(k′)是输入为k′的迁移均值函数。
作为本申请一实施例,获取动力电池寿命数据的装置400还包括:第二执行单元43与标记单元44。具体地:
第二执行单元43,用于根据所述目标动力电池容量数据集与所述目标置信区间,生成所述目标动力电池的容量衰减轨迹图。
标记单元44,用于在所述容量衰减轨迹图中标记出所述目标拐点;其中,所述目标拐点为所述容量衰减轨迹图中的目标数据点,所述目标数据点的第一相邻轨迹上的n1个数据点的平均容量衰减速率,与所述目标数据点的第二相邻轨迹上的n2个数据点的平均容量衰减速率之差,大于预设衰减速率差,n1与n2均为大于2的整数。
作为本申请一实施例,获取动力电池寿命数据的装置400还包括:第二获取单元45与模型构建单元46。具体地:
第二获取单元45,用于从预设数据库中获取正常老化数据集与所述加速老化数据集。
模型构建单元46,用于基于所述正常老化数据集与所述加速老化数据集构建动力电池寿命数据回归模型。
作为本申请一实施例,模型构建单元46具体用于,根据所述加速老化数据集生成加速老化轨迹图;其中,所述加速老化轨迹图用于描述所述样本动力电池在加速老化测试过程中,充放电次数与样本动力电池容量之间的对应关系;利用预设的加速老化模型列表中的每个加速老化模型,分别拟合所述加速老化轨迹图,并根据拟合结果,从所述加速老化模型列表中选择符合预设拟合条件的加速老化模型作为第一模型;基于所述加速老化轨迹图与目标轨迹图,测算所述第一模型对应的均方根误差;其中,所述均方根误差用于表征所述目标轨迹图与所述加速老化轨迹图之间的差别程度;所述目标轨迹图为所述第一模型对所述加速老化轨迹图的拟合结果,所述目标轨迹图用于描述充放电次数与动力电池预估容量之间的对应关系;按照预设的转换策略,根据所述均方根误差测算所述第一模型关于所述加速老化数据集的置信区间;基于所述正常老化数据集、所述第一模型以及所述置信区间,构建所述动力电池寿命数据回归模型。
作为本申请一实施例,模型构建单元46具体还用于,从所述加速老化轨迹图上提取m个第一数据点,从所述目标轨迹图上提取m个第二数据点,得到m个数据点对;其中,m为大于0的整数;每个所述数据点对中的第一数据点对应的充放电次数,与第二数据点对应的充放电次数相同;
基于每个所述数据点对,通过以下公式测算所述第一模型对应的均方根误差;
其中,MSEaccelerate为所述均方根误差,且MSEaccelerate>0;m为所述数据点对个数;为m个所述数据点对中第j个第二数据点对应的动力电池预估容量;Cj为m个所述数据点对中第j个第一数据点对应的动力电池容量。
作为本申请一实施例,模型构建单元46具体还用于,根据所述均方根误差,通过以下公式测算所述置信区间;
作为本申请一实施例,所述动力电池寿命数据回归模型包括:用于配置目标迁移函数的均值部、用于配置协方差函数的高斯核部以及用于描述限制条件的初始噪音;模型构建单元46具体还用于,对所述第一模型的输入与所述第一模型的输出,分别进行线性变换得到迁移函数,并将所述迁移函数与所述正常老化数据集对应的轨迹图进行拟合,根据拟合结果得到目标迁移函数,并将所述目标迁移函数配置到所述均值部;从预设的高斯核列表中选取至少一个目标高斯核作为协方差函数,并将所述协方差函数配置到所述高斯核部;将所述置信区间识别为所述动力电池寿命数据回归模型的初始噪音。
作为本申请一实施例,模型构建单元46具体还用于,通过以下公式,对所述第一模型的输入与所述第一模型的输出分别进行线性变换,得到迁移函数;
f(x)=a1*Maccelerate*(b1*x+b2)+a2;
其中,f(x)为所述迁移函数;x为所述迁移函数的输入值;Maccelerate为所述第一模型;a1为第一输出线性变换因子;a2为第二输出线性变换因子;b1为第一输入线性变换因子;b2为第二输入线性变换因子;a1、a2、b1以及b2的取值,通过将f(x)拟合至所述样本动力电池的正常老化数据集对应的轨迹图上确定。
以上可以看出,本实施例提供的方案,通过获取目标动力电池的计划充放电次数,再将计划充放电次数输入预先构建的动力电池寿命数据回归模型中,由于动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得,且目标动力电池容量数据集能够用于描述目标动力电池的寿命数据,目标置信区间作为目标动力电池容量数据集的参考概率,描述了目标动力电池容量数据集的不确定性,因此动力电池寿命数据回归模型能够根据计划充放电次数输出相应的目标动力电池容量数据集与目标置信区间,进而为目标动力电池提供了获取其寿命数据的方案,解决了无法获取动力电池寿命数据的问题。
此外,本实施例通过加速老化模型与加速老化轨迹图进行拟合,进而选定第一模型,可以令该第一模型有效地学习样本动力电池的全寿命数据,以及数据变化规律和拐点信息,使得后续建立的动力电池寿命数据回归模型同时具有加速老化模型提供的全寿命周期老化信息和高斯过程回归模型高效的不确定性量化能力,从而实现对该目标动力电池未来电池容量和目标拐点的有效预测,并对该预测结果给出了准确的不确定性量化。
此外,本实施例提供的动力电池寿命数据回归模型,在获取目标动力电池的寿命数据时,无需求解大量偏微分方程,且复杂度较低,计算量较小,适合在线应用。
图7是本申请另一实施例提供的一种计算机设备的结构框图。如图7所示,该实施例的计算机设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52,例如获取动力电池寿命数据的方法的程序。处理器50执行所述计算机程序52时实现上述各个获取动力电池寿命数据的方法各实施例中的步骤,例如图1所示的S11至S12。或者,所述处理器50执行所述计算机程序52时实现上述图6对应的实施例中各单元的功能,例如,图6所示的单元41至46的功能,具体请参阅图6对应的实施例中的相关描述,此处不赘述。
示例性的,所述计算机程序52可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器51中,并由所述处理器50执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述计算机设备5中的执行过程。例如,所述计算机程序52可以被分割成第一获取单元与第一执行单元,各单元具体功能如上所述。
所述计算机设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图7仅仅是计算机设备6的示例,并不构成对计算机设备5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,例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述计算机设备5的内部存储单元,例如计算机设备5的硬盘或内存。所述存储器51也可以是所述计算机设备5的外部存储设备,例如所述计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述计算机设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种获取动力电池寿命数据的方法,其特征在于,包括:
获取目标动力电池的计划充放电次数;
将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间;其中,所述动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得;所述加速老化数据集包括所述样本动力电池在加速老化过程中的充放电次数,以及与所述充放电次数对应的样本动力电池容量;所述目标置信区间用于描述所述目标动力电池容量数据集的不确定性;
所述将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间的步骤之前,还包括:
从预设数据库中获取正常老化数据集与所述加速老化数据集;
基于所述正常老化数据集与所述加速老化数据集构建动力电池寿命数据回归模型,具体地,根据所述加速老化数据集生成加速老化轨迹图;其中,所述加速老化轨迹图用于描述所述样本动力电池在加速老化测试过程中,充放电次数与样本动力电池容量之间的对应关系;利用预设的加速老化模型列表中的每个加速老化模型,分别拟合所述加速老化轨迹图,并根据拟合结果,从所述加速老化模型列表中选择符合预设拟合条件的加速老化模型作为第一模型;基于所述加速老化轨迹图与目标轨迹图,测算所述第一模型对应的均方根误差;其中,所述均方根误差用于表征所述目标轨迹图与所述加速老化轨迹图之间的差别程度;所述目标轨迹图为所述第一模型对所述加速老化轨迹图的拟合结果,所述目标轨迹图用于描述充放电次数与动力电池预估容量之间的对应关系;按照预设的转换策略,根据所述均方根误差测算所述第一模型关于所述加速老化数据集的置信区间;基于所述正常老化数据集、所述第一模型以及所述置信区间,构建所述动力电池寿命数据回归模型。
2.根据权利要求1所述的获取动力电池寿命数据的方法,其特征在于,所述将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间,包括:
将所述计划充放电次数输入所述动力电池寿命数据回归模型;
通过所述动力电池寿命数据回归模型中的下列方程组输出所述目标动力电池容量数据集与目标置信区间;
其中,Cfuture为所述目标动力电池容量数据集;COVfuture为所述目标动力电池预测电池容量的方差矩阵;Ufuture为所述目标置信区间;k为所述样本动力电池的充放电次数中的最大次数;k′为所述目标动力电池的计划充放电次数;GPRcov(k,k′)为k与k′的协方差矩阵;GPRcov(k,k)为k与k的协方差矩阵;GPRcov(k′,k′)为k′与k′的协方差矩阵;σn为初始噪音;y为与k对应的样本动力电池容量;GPRmean(k)是输入为k的迁移均值函数;GPRmean(k′)是输入为k′的迁移均值函数。
3.根据权利要求1所述的获取动力电池寿命数据的方法,其特征在于,所述将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集的步骤之后,还包括:
根据所述目标动力电池容量数据集与所述目标置信区间,生成所述目标动力电池的容量衰减轨迹图;
在所述容量衰减轨迹图中标记出目标拐点;其中,所述目标拐点为所述容量衰减轨迹图中的目标数据点,所述目标数据点的第一相邻轨迹上的n1个数据点的平均容量衰减速率,与所述目标数据点的第二相邻轨迹上的n2个数据点的平均容量衰减速率之差,大于预设衰减速率差,n1与n2均为大于2的整数。
4.根据权利要求1所述的获取动力电池寿命数据的方法,其特征在于,所述基于所述加速老化轨迹图与目标轨迹图,测算所述第一模型对应的均方根误差,包括:
从所述加速老化轨迹图上提取m个第一数据点,从所述目标轨迹图上提取m个第二数据点,得到m个数据点对;其中,m为大于0的整数;每个所述数据点对中的第一数据点对应的充放电次数,与第二数据点对应的充放电次数相同;
基于每个所述数据点对,通过以下公式测算所述第一模型对应的均方根误差;
6.根据权利要求1所述的获取动力电池寿命数据的方法,其特征在于,所述动力电池寿命数据回归模型包括:用于配置目标迁移函数的均值部、用于配置协方差函数的高斯核部以及用于描述限制条件的初始噪音;
所述基于所述正常老化数据集、所述第一模型以及所述置信区间,构建所述动力电池寿命数据回归模型,包括:
对所述第一模型的输入与所述第一模型的输出,分别进行线性变换得到迁移函数,并将所述迁移函数与所述正常老化数据集对应的轨迹图进行拟合,根据拟合结果得到目标迁移函数,并将所述目标迁移函数配置到所述均值部;
从预设的高斯核列表中选取至少一个目标高斯核作为协方差函数,并将所述协方差函数配置到所述高斯核部;
将所述置信区间识别为所述动力电池寿命数据回归模型的初始噪音。
7.根据权利要求6所述的获取动力电池寿命数据的方法,其特征在于,所述对所述第一模型的输入与所述第一模型的输出,分别进行线性变换得到迁移函数,包括:
通过以下公式,对所述第一模型的输入与所述第一模型的输出分别进行线性变换,得到迁移函数;
f(x)=a1*Maccelerate*(b1*x+b2)+a2;
其中,f(x)为所述迁移函数;x为所述迁移函数的输入值;Maccelerate为所述第一模型;a1为第一输出线性变换因子;a2为第二输出线性变换因子;b1为第一输入线性变换因子;b2为第二输入线性变换因子;a1、a2、b1以及b2的取值,通过将f(x)拟合至所述样本动力电池的正常老化数据集对应的轨迹图上确定。
8.一种获取动力电池寿命数据的装置,其特征在于,包括:
第一获取单元,用于获取目标动力电池的计划充放电次数;
第一执行单元,用于将所述计划充放电次数输入预先构建的动力电池寿命数据回归模型进行处理,输出相应的目标动力电池容量数据集与目标置信区间;其中,所述动力电池寿命数据回归模型是基于样本动力电池的加速老化数据集进行模型构建所得;所述加速老化数据集包括所述样本动力电池在加速老化过程中的充放电次数,以及与所述充放电次数对应的样本动力电池容量;所述目标置信区间用于描述所述目标动力电池容量数据集的不确定性;
第二获取单元,用于从预设数据库中获取正常老化数据集与所述加速老化数据集;
模型构建单元,用于基于所述正常老化数据集与所述加速老化数据集构建动力电池寿命数据回归模型;所述模型构建单元具体用于,根据所述加速老化数据集生成加速老化轨迹图;其中,所述加速老化轨迹图用于描述所述样本动力电池在加速老化测试过程中,充放电次数与样本动力电池容量之间的对应关系;利用预设的加速老化模型列表中的每个加速老化模型,分别拟合所述加速老化轨迹图,并根据拟合结果,从所述加速老化模型列表中选择符合预设拟合条件的加速老化模型作为第一模型;基于所述加速老化轨迹图与目标轨迹图,测算所述第一模型对应的均方根误差;其中,所述均方根误差用于表征所述目标轨迹图与所述加速老化轨迹图之间的差别程度;所述目标轨迹图为所述第一模型对所述加速老化轨迹图的拟合结果,所述目标轨迹图用于描述充放电次数与动力电池预估容量之间的对应关系;按照预设的转换策略,根据所述均方根误差测算所述第一模型关于所述加速老化数据集的置信区间;基于所述正常老化数据集、所述第一模型以及所述置信区间,构建所述动力电池寿命数据回归模型。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述计算机设备上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述获取动力电池寿命数据的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述获取动力电池寿命数据的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306169.5A CN111537884B (zh) | 2020-04-17 | 2020-04-17 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306169.5A CN111537884B (zh) | 2020-04-17 | 2020-04-17 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111537884A CN111537884A (zh) | 2020-08-14 |
CN111537884B true CN111537884B (zh) | 2022-04-29 |
Family
ID=71979984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010306169.5A Active CN111537884B (zh) | 2020-04-17 | 2020-04-17 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111537884B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030760B (zh) * | 2021-03-25 | 2023-02-03 | 昆山宝创新能源科技有限公司 | 电池寿命预测方法、设备及存储介质 |
CN115526368A (zh) * | 2021-06-25 | 2022-12-27 | 比亚迪股份有限公司 | 动力电池容量预测方法、装置及设备 |
CN113761025B (zh) * | 2021-08-30 | 2022-08-05 | 上海电气国轩新能源科技有限公司 | 储能电站电池数据异常的检测方法、系统、设备及介质 |
CN114114049B (zh) * | 2021-09-30 | 2022-10-18 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
CN115656862B (zh) * | 2022-12-09 | 2023-03-10 | 深圳海润新能源科技有限公司 | 寿命预测方法、电池管理系统、用电设备及存储介质 |
Citations (15)
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 |
CN102353905A (zh) * | 2011-07-01 | 2012-02-15 | 曙鹏科技(深圳)有限公司 | 电池寿命的预测方法及检测电池寿命的装置 |
CN102457712A (zh) * | 2010-10-28 | 2012-05-16 | 鸿富锦精密工业(深圳)有限公司 | 可疑目标识别及追踪系统及方法 |
CN103399276A (zh) * | 2013-07-25 | 2013-11-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
CN104090238A (zh) * | 2014-06-19 | 2014-10-08 | 哈尔滨工业大学 | 基于ar集成学习模型的锂离子电池剩余寿命预测方法 |
CN104122502A (zh) * | 2013-04-24 | 2014-10-29 | 中国科学院深圳先进技术研究院 | 储能设备健康状态的检测方法 |
CN104931882A (zh) * | 2014-03-21 | 2015-09-23 | 比亚迪股份有限公司 | 动力电池容量修正的方法和装置 |
CN107611507A (zh) * | 2017-09-18 | 2018-01-19 | 青岛海信移动通信技术股份有限公司 | 电池参数的更新方法、装置及移动终端 |
CN107884715A (zh) * | 2016-09-30 | 2018-04-06 | 中国电力科学研究院 | 一种电池循环寿命检测方法 |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN109146115A (zh) * | 2018-06-11 | 2019-01-04 | 广州市香港科大霍英东研究院 | 基于模型迁移的电池寿命预测方法、系统及装置 |
CN109307821A (zh) * | 2018-11-30 | 2019-02-05 | 广东电网有限责任公司 | 一种超级电容器的老化性能测试方法 |
CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
CN109782190A (zh) * | 2017-11-13 | 2019-05-21 | 纳米及先进材料研发院有限公司 | 用于估计单颗电池或单批电池的剩余使用寿命的方法 |
CN110954830A (zh) * | 2019-11-26 | 2020-04-03 | 北京海博思创科技有限公司 | 电池跳水预测方法及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6631305B2 (en) * | 2000-05-03 | 2003-10-07 | General Electric Company | Capability analysis of assembly line production |
TWI448713B (zh) * | 2012-09-21 | 2014-08-11 | Method and apparatus for detecting health status of battery | |
US9465078B2 (en) * | 2012-11-02 | 2016-10-11 | Fairfield Industries, Inc. | Battery capacity and durability prediction method |
KR101772036B1 (ko) * | 2015-12-30 | 2017-08-28 | 주식회사 효성 | 배터리 수명 추정 방법 및 장치 |
US10707958B2 (en) * | 2018-08-31 | 2020-07-07 | Adva Optical Networking Se | Method and apparatus for determining a maximum transmission capacity within an optical network |
-
2020
- 2020-04-17 CN CN202010306169.5A patent/CN111537884B/zh active Active
Patent Citations (15)
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 |
CN102457712A (zh) * | 2010-10-28 | 2012-05-16 | 鸿富锦精密工业(深圳)有限公司 | 可疑目标识别及追踪系统及方法 |
CN102353905A (zh) * | 2011-07-01 | 2012-02-15 | 曙鹏科技(深圳)有限公司 | 电池寿命的预测方法及检测电池寿命的装置 |
CN104122502A (zh) * | 2013-04-24 | 2014-10-29 | 中国科学院深圳先进技术研究院 | 储能设备健康状态的检测方法 |
CN103399276A (zh) * | 2013-07-25 | 2013-11-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
CN104931882A (zh) * | 2014-03-21 | 2015-09-23 | 比亚迪股份有限公司 | 动力电池容量修正的方法和装置 |
CN104090238A (zh) * | 2014-06-19 | 2014-10-08 | 哈尔滨工业大学 | 基于ar集成学习模型的锂离子电池剩余寿命预测方法 |
CN107884715A (zh) * | 2016-09-30 | 2018-04-06 | 中国电力科学研究院 | 一种电池循环寿命检测方法 |
CN107611507A (zh) * | 2017-09-18 | 2018-01-19 | 青岛海信移动通信技术股份有限公司 | 电池参数的更新方法、装置及移动终端 |
CN109782190A (zh) * | 2017-11-13 | 2019-05-21 | 纳米及先进材料研发院有限公司 | 用于估计单颗电池或单批电池的剩余使用寿命的方法 |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN109146115A (zh) * | 2018-06-11 | 2019-01-04 | 广州市香港科大霍英东研究院 | 基于模型迁移的电池寿命预测方法、系统及装置 |
CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
CN109307821A (zh) * | 2018-11-30 | 2019-02-05 | 广东电网有限责任公司 | 一种超级电容器的老化性能测试方法 |
CN110954830A (zh) * | 2019-11-26 | 2020-04-03 | 北京海博思创科技有限公司 | 电池跳水预测方法及设备 |
Non-Patent Citations (2)
Title |
---|
Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-Ion Batteries;liu kailong et.al;《IEEE Transactions on Transportation Electrification》;20191231;第5卷(第4期);第1225 - 1236页 * |
电动汽车动力电池健康状态估计方法研究;孙培坤;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20160815(第08期);第C035-214页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111537884A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
WO2022257211A1 (zh) | 一种锂电池剩余使用寿命预测方法及系统 | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN110147367B (zh) | 一种温度缺失数据填补方法、系统及电子设备 | |
CN110346654B (zh) | 基于普通克里金插值的电磁频谱地图构建方法 | |
Xu et al. | State of charge estimation of supercapacitors based on multi‐innovation unscented Kalman filter under a wide temperature range | |
JP7450741B2 (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN105911476A (zh) | 一种基于数据挖掘的电池储能系统soc预测方法 | |
CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
CN117805621A (zh) | 一种电池容量估计方法、装置、设备及存储介质 | |
CN115081515A (zh) | 能效评价模型构建方法、装置、终端及存储介质 | |
CN116298927A (zh) | 一种电池容量估计方法和装置、计算机设备、存储介质 | |
CN113033104B (zh) | 一种基于图卷积的锂电池荷电状态估计方法 | |
CN114461618A (zh) | 一种计量缺失数据补全方法、装置及终端设备 | |
CN117452261B (zh) | 一种锂电池循环寿命预测方法 | |
CN114819168B (zh) | 一种矩阵特征值的量子比较方法及装置 | |
He et al. | Inconsistency modeling of lithium-ion battery pack based on variational auto-encoder considering multi-parameter correlation | |
CN117930012A (zh) | 一种电池一致性评估方法、装置、计算机设备及存储介质 | |
CN115224751A (zh) | 电池充电剩余时长的获取方法、装置、电子设备及介质 | |
CN115865642B (zh) | 一种招募可信节点完成计算任务的方法和装置 | |
CN116467631A (zh) | 电力指纹识别模型训练方法、电力指纹识别方法及装置 | |
Li et al. | Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier |
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 |