CN111948561A - 基于实测大数据和人工智能学习算法的电池寿命预测方法 - Google Patents

Abstract

本发明涉及一种基于实测大数据和人工智能学习算法的电池寿命预测方法。本发明应用人工智能学习算法原理来处理海量采集的对象电池组实测参数，通过大数据建模及人工智能学习算法对模型的自动实时修正，能够逐渐进化为较为全面的反映电池全周期寿命的智能模型，从而提高对蓄电池寿命的预测精度。本发明就是将人工智能学习算法应用于对象电池组海量数据的处理之中，构造电池寿命预测知识库，并建立基本的建模规则和学习规则，通过大数据的训练来不断的完善蓄电池寿命预测模型，在应用中获得较为精准的预测结果。

Description

基于实测大数据和人工智能学习算法的电池寿命预测方法

技术领域

本发明涉及一种电池使用寿命预测技术，尤其涉及一种基于实测大数据和人工智能学习算法的电池寿命预测方法。

背景技术

传统蓄电池寿命预测的方法，是通过寿命试验获取足够数量的失效数据，基于统计规律预测其寿命。但随着蓄电池寿命的不断延长化，短时集中的寿命试验获取的失效数据越来越有限，很多情况下基于失效数据的寿命预测方法不再适用。

目前主流的基于电池性能的寿命预测则是在考虑影响电池老化的不同因素基础上，研究用于评估电池性能的模型。依据所考虑影响因素的数据信息来源，主要分为基于数据驱动、基于机理和基于特征三类。其基本思路是通过各种实验获取数据，通过各种数学手段和工具建立模型、优化模型，应用模型来预测蓄电池寿命。

这些已有的蓄电池寿命预测的方法存在的不足点是：

由于实验条件的限制，能够获取的蓄电池数据存在类型和数量的局限性，无论是基于统计规律还是基于性能模型，都不能全面反映蓄电池的全周期寿命特性，尤其在没有数据修正的部分，预测值可能会与实际电池寿命产生较大的偏差，从而影响到基于寿命预测的各类决策。同时，预测模型建立后，模型的修正通常也需要人工来收集数据和校正，限制了模型的实时修正，不利于模型向实际最优值的进化。

发明内容

本发明要解决的技术问题是：现有的电池寿命预测方法预测偏差大、预测结果精度低。

为了解决上述技术问题，本发明的技术方案是提供了一种基于实测大数据和人工智能学习算法的电池寿命预测方法，其特征在于，包括以下步骤：

第一步，获取电池组实时测量数据：

将每个电池组数据采集装置与对应的各个运行中的对象电池组相连接，每个电池组数据采集装置实时采集与其相对应的对象电池组的电池组实时测量数据；

第二步，存储电池数据信息：

每个电池组数据采集装置将各自采集的电池组实时测量数据通过通信模块发送至云服务器，建立电池寿命预测知识库；

第三步，数据去噪：

提取云服务器内电池寿命预测知识库存储的n组电池组实时测量数据，进行筛选去除干扰值；

第四步，对经过第三步筛选出的m组电池组实时测量数据进行分类：

根据要求分析对象电池组确定提取所需要的参数并对提取的参数进行归类，依据产品生命周期的不同阶段，计算出每组电池组实时测量数据所代表的电池组是处于产品生命周期的具体哪一个阶段，从而将每组电池组实时测量数据分为不同的类别；

第五步，数据预处理，建立电池寿命模型：

根据第四步获得的归类结果，对电池组总体环境温度、电池组总电压、电池组总电流以及电池组中每节电池的电压因素进行初步的电池寿命分析，建立电池寿命模型；

第六步，对电池寿命模型进行分类：

基于人工智能学习算法修正电池寿命模型而搭建电池寿命模型的基本分类规则并分类，以适用于电池全生命周期各个阶段的电池寿命模型修正，从而获得与电池全生命周期不同阶段相对应的不同类型的电池寿命模型；

第七步，通过设备基本参数匹配分析出运用哪一种类型的寿命模型，通过与电池寿命预测知识库匹配，结合当前类型的电池寿命模型寻找相关的优化参数对象，给出相应的目标值计算方案；

第八步，综合分析参数目标对象，进行智能学习计算，采用最优求解算法通过对最优计算方案求解，计算出电池寿命模型的最优参数。

优选地，第一步中，所述电池组实时测量数据包括电池组总体环境温度、电池组总电压、电池组总电流、电池组中每节电池的电压、电池组放电时间、电池组充电时间。

优选地，第三步中，进行筛选去除干扰值时，采用小波阈值法去除高频噪音数据。

优选地，第四步中，将产品生命周期分为三段，分别为：寿命初期、寿命稳定期及寿命磨损期，使用贝叶斯算法，计算出每组电池组实时测量数据所代表的电池组是处于产品生命周期的哪一个阶段。

优选地，第八步中，最优求解算法采用学习算法中的随机梯度下降算法，即标准的梯度下降算法更新目标函数J(θ)中的参数θ的结果如下式(1)所示：

式(1)中，α表示步长，用于控制参数θ每次向目标函数J(θ)变小的方向迭代时的变化幅度；θ_j表示第j次迭代的参数θ；期望值E[J(θ)]是通过整个训练集进行估计的，而随机梯度下降算法(SGD)在更新和计算参数θ梯度时，使用单个或者少量训练样本来估计期望值E[J(θ)]，新的更新公式定义如下式(2)所示：

式(2)中，x(i),y(i)是训练集中的一个随机样本，是训练集中随机值；

是目标函数J(θ)对参数θ的偏导，表示θ_j变化最大的方向。

优选地，第八步之后还包括以下步骤：

针对已确立的电池寿命模型，进行仿真评估和对规则库更新过程，通过仿真评估判断电池寿命模型的准确度，并分析其偏离原因。

优选地，规则库更新过程是根据仿真评估的结果和偏离原因的分析，系统自动修正第六步中的基本分类规则，并将新规则存入规则库中，完成基本分类规则的更新和智能进化；

仿真评估模型的准确度是通过与测试样本的对比来进行分析的，选用准确度最高的电池寿命模型进行实际的预测应用；

偏离原因中的偏离要素取决于初始建立的电池寿命模型及规则分类。

本发明应用人工智能学习算法原理来处理海量采集的对象电池组实测参数，通过大数据建模及人工智能学习算法对模型的自动实时修正，能够逐渐进化为较为全面的反映电池全周期寿命的智能模型，从而提高对蓄电池寿命的预测精度。本发明就是将人工智能学习算法应用于对象电池组海量数据的处理之中，构造电池寿命预测知识库，并建立基本的建模规则和学习规则，通过大数据的训练来不断的完善蓄电池寿命预测模型，在应用中获得较为精准的预测结果。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

如附图1所示，一种基于实测大数据和人工智能学习算法的电池寿命预测方法，包括以下步骤：

第一步，获取电池组实时测量数据：

将每个电池组数据采集装置与对应的各个运行中的对象电池组相连接，每个电池组数据采集装置实时采集与其相对应的对象电池组的电池组实时测量数据。该电池组实时测量数据包括电池组总体环境温度、电池组总电压、电池组总电流、电池组中每节电池的电压、电池组放电时间、电池组充电时间等量值。

第二步，存储电池数据信息：

每个电池组数据采集装置将各自采集的电池组实时测量数据通过通信模块发送至云服务器，建立电池寿命预测知识库。

第三步，数据去噪：

提取云服务器内电池寿命预测知识库存储的n组电池组实时测量数据，进行筛选，去除干扰值。通常采用小波阈值法去除高频噪音数据，例如极大值，比如若某组电池组实时测量数据中单节电池的电压超过3v，则该组电池组实时测量数据被判断为噪声数据，不参与计算。

第四步，对经过第三步筛选出的m组电池组实时测量数据进行分类：

根据要求分析对象电池组确定提取所需要的参数并对提取的参数进行归类。本实施例中，使用贝叶斯算法，计算出每组电池组实时测量数据所代表的电池组是处于产品生命周期的哪一段，从而将每组电池组实时测量数据分为不同的类别。本实施例中，产品生命周期分为三段，分别为：寿命初期、寿命稳定期及寿命磨损期。

第五步，数据预处理，建立电池寿命模型：

根据第四步获得的归类结果，对电池组总体环境温度、电池组总电压、电池组总电流以及电池组中每节电池的电压因素进行初步的电池寿命分析，建立电池寿命模型。

第六步，对电池寿命模型进行分类：

基于人工智能学习算法修正电池寿命模型而搭建电池寿命模型的基本分类规则并分类，以适用于电池全生命周期各个阶段的电池寿命模型修正，从而获得与电池全生命周期不同阶段相对应的不同类型的电池寿命模型。

第七步，通过设备基本参数匹配分析出运用哪一种类型的寿命模型，通过与电池寿命预测知识库匹配，结合当前类型的电池寿命模型寻找相关的优化参数对象，给出相应的目标值计算方案。

第八步，综合分析参数目标对象，进行智能学习计算，采用最优求解算法通过对最优计算方案求解，计算出电池寿命模型的最优参数。其中，最优求解算法采用学习算法中的随机梯度下降算法(SGD)，即标准的梯度下降算法更新目标函数J(θ)中的参数θ的结果如下式(1)所示：

式(1)中，α表示步长，用于控制参数θ每次向目标函数J(θ)变小的方向迭代时的变化幅度；θ_j表示第j次迭代的参数θ；期望值E[J(θ)]是通过整个训练集进行估计的，而随机梯度下降算法(SGD)在更新和计算参数θ梯度时，使用单个或者少量训练样本来估计期望值E[J(θ)]，新的更新公式定义如下式(2)所示：

式(2)中，x(i),y(i)是训练集中的一个随机样本，是训练集中随机值；

是目标函数J(θ)对参数θ的偏导，表示θ_j变化最大的方向。

通常，SGD中参数更新的计算不使用单个样本，而是少量或说一小批样本。这样做的原因有两个：第一，这降低了参数更新过程中的方差，使收敛的过程更稳定(Z字线不至于太离谱)；第二，可以很好地将成本和梯度的计算矢量化，于是在计算中可以利用到深度优化的矩阵运算。

(第八步中用到了“训练集”，但是“训练集”仅仅是在第八步的描述中出现的，在前面的步骤中没有“训练集”，因此麻烦在前面的步骤中体现出“训练集”)

本实施例还包括针对已确立的电池寿命模型，进行仿真评估和对规则库更新过程，通过仿真评估判断电池寿命模型的准确度，并分析其偏离原因；

规则库更新过程是根据仿真评估的结果和偏离原因的分析，系统自动修正第六步中的基本分类规则，并将新规则存入规则库中，完成基本分类规则的更新和智能进化。

仿真评估模型的准确度是通过与测试样本的对比来进行分析的，通常用户会选用准确度最高的电池寿命模型进行实际的预测应用。偏离要素主要取决于初始建立的电池寿命模型及规则分类。

Claims (7)

1.一种基于实测大数据和人工智能学习算法的电池寿命预测方法，其特征在于，包括以下步骤：

第一步，获取电池组实时测量数据：

将每个电池组数据采集装置与对应的各个运行中的对象电池组相连接，每个电池组数据采集装置实时采集与其相对应的对象电池组的电池组实时测量数据；

第二步，存储电池数据信息：

每个电池组数据采集装置将各自采集的电池组实时测量数据通过通信模块发送至云服务器，建立电池寿命预测知识库；

第三步，数据去噪：

提取云服务器内电池寿命预测知识库存储的n组电池组实时测量数据，进行筛选去除干扰值；

第四步，对经过第三步筛选出的m组电池组实时测量数据进行分类：

根据要求分析对象电池组确定提取所需要的参数并对提取的参数进行归类，依据产品生命周期的不同阶段，计算出每组电池组实时测量数据所代表的电池组是处于产品生命周期的具体哪一个阶段，从而将每组电池组实时测量数据分为不同的类别；

第五步，数据预处理，建立电池寿命模型：

根据第四步获得的归类结果，对电池组总体环境温度、电池组总电压、电池组总电流以及电池组中每节电池的电压因素进行初步的电池寿命分析，建立电池寿命模型；

第六步，对电池寿命模型进行分类：

基于人工智能学习算法修正电池寿命模型而搭建电池寿命模型的基本分类规则并分类，以适用于电池全生命周期各个阶段的电池寿命模型修正，从而获得与电池全生命周期不同阶段相对应的不同类型的电池寿命模型；

第七步，通过设备基本参数匹配分析出运用哪一种类型的寿命模型，通过与电池寿命预测知识库匹配，结合当前类型的电池寿命模型寻找相关的优化参数对象，给出相应的目标值计算方案；

第八步，综合分析参数目标对象，进行智能学习计算，采用最优求解算法通过对最优计算方案求解，计算出电池寿命模型的最优参数。

2.如权利要求1所述的一种基于实测大数据和人工智能学习算法的电池寿命预测方法，其特征在于，第一步中，所述电池组实时测量数据包括电池组总体环境温度、电池组总电压、电池组总电流、电池组中每节电池的电压、电池组放电时间、电池组充电时间。

3.如权利要求1所述的一种基于实测大数据和人工智能学习算法的电池寿命预测方法，其特征在于，第三步中，进行筛选去除干扰值时，采用小波阈值法去除高频噪音数据。

4.如权利要求1所述的一种基于实测大数据和人工智能学习算法的电池寿命预测方法，其特征在于，第四步中，将产品生命周期分为三段，分别为：寿命初期、寿命稳定期及寿命磨损期，使用贝叶斯算法，计算出每组电池组实时测量数据所代表的电池组是处于产品生命周期的哪一个阶段。

5.如权利要求1所述的一种基于实测大数据和人工智能学习算法的电池寿命预测方法，其特征在于，第八步中，最优求解算法采用学习算法中的随机梯度下降算法，即标准的梯度下降算法更新目标函数J(θ)中的参数θ的结果如下式(1)所示：

式(1)中，α表示步长，用于控制参数θ每次向目标函数J(θ)变小的方向迭代时的变化幅度；θ_j表示第j次迭代的参数θ；期望值E[J(θ)]是通过整个训练集进行估计的，而随机梯度下降算法(SGD)在更新和计算参数θ梯度时，使用单个或者少量训练样本来估计期望值E[J(θ)]，新的更新公式定义如下式(2)所示：

式(2)中，x(i)，y(i)是训练集中的一个随机样本，i是训练集中随机值；

是目标函数J(θ)对参数θ的偏导，表示θ_j变化最大的方向。

6.如权利要求1所述的一种基于实测大数据和人工智能学习算法的电池寿命预测方法，其特征在于，第八步之后还包括以下步骤：

针对已确立的电池寿命模型，进行仿真评估和对规则库更新过程，通过仿真评估判断电池寿命模型的准确度，并分析其偏离原因。

7.如权利要求6所述的一种基于实测大数据和人工智能学习算法的电池寿命预测方法，其特征在于，规则库更新过程是根据仿真评估的结果和偏离原因的分析，系统自动修正第六步中的基本分类规则，并将新规则存入规则库中，完成基本分类规则的更新和智能进化；

仿真评估模型的准确度是通过与测试样本的对比来进行分析的，选用准确度最高的电池寿命模型进行实际的预测应用；

偏离原因中的偏离要素取决于初始建立的电池寿命模型及规则分类。

Images