CN113219341A - 一种模型生成及电池劣化推测装置、方法、介质及设备 - Google Patents

Abstract

本公开提供了一种模型生成及电池劣化推测装置、方法、介质及设备，其中，模型生成装置包括：实测数据获取模块，用于获取测量得到的电池数据，所述电池数据指包含：电流、电压和/或温度的电池数据集；实测数据存储模块，用于存储所述实测数据获取模块获取的电池数据；训练数据获取模块，用于从所述电池数据中获取用于模型训练的训练数据；预处理模块，用于对所述训练数据进行预处理；模型训练生成模块，用于利用所述预处理模块处理后的数据进行模型训练得到训练后的模型；模型存储模块，用于存储所述模型训练生成模块训练后的模型；模型输出模块，用于输出训练后的模型；模型训练参数训练模块，用于训练所述模型训练生成模块中模型训练的参数。

Description

一种模型生成及电池劣化推测装置、方法、介质及设备

技术领域

本公开涉及电池技术领域，更为具体来说，本公开涉及一种模型生成及电池劣化推测装置、方法、介质及设备。

背景技术

近年来蓄电池被用于各种场合，第一个例子是蓄电池用于车辆等运行的交通工具的电源。第二个例子是，蓄电池用于暂时存储剩余电力。

蓄电池再使用时，蓄电池的劣化程度(后文中称为SOH)的精确计算十分重要。例如，专利文献1记载了，使用第1个时间点的蓄电池的SOH，推测之后的第2个时间点的SOH的内容。还有专利文献2中记载了，使用第1时间点的蓄电池SOH和第1时间点之后的第2时间点的蓄电池状态相关的时间序列的数据，推测第2时间点的SOH的内容。相关的专利文献有：

【专利文献1】国际公开第2019/181728号；

【专利文献2】国际公开第2019/181729号。

发明内容

为解决现有技术不能高度精确地推测蓄电池未来劣化程度的技术问题。

为实现上述技术目的，本公开提供了一种模型生成装置，包括：

实测数据获取模块，用于获取测量得到的电池数据，其中，所述电池数据指包含：电流、电压和/或温度的电池数据集；

实测数据存储模块，用于存储所述实测数据获取模块获取的电池数据；

训练数据获取模块，用于从所述电池数据中获取用于模型训练的训练数据；

预处理模块，用于对所述训练数据进行预处理；

模型训练生成模块，用于利用所述预处理模块处理后的数据进行模型训练得到训练后的模型；

模型存储模块，用于存储所述模型训练生成模块训练后的模型；

模型输出模块，用于输出训练后的模型；

还包括：

模型训练参数训练模块，用于训练所述模型训练生成模块中模型训练的参数。

进一步，所述实测数据获取模块还用于：

获取经劣化推测装置推测后的电池数据。

进一步，所述模型训练参数训练模块具体包括：

利用深度学习模型、机械学习模型和/或线性回归分析方法对所述模型训练生成模块中的参数进行训练。

进一步，所述深度学习模型具体包括：

深度神经网络，卷积神经网络，循环神经网络，递归神经网络，长短期记忆网络和/或双向长短期记忆网络。

进一步，还包括：

验证模块，用于验证训练后的所述模型是否正确。

为实现上述技术目的，本公开还能够提供一种电池劣化推测装置，包括：

模型获取模块，用于从上述的模型生成装置中获取训练后的模型；

模型存储模块，用于存储所述模型获取模块获取的模型；

电池数据获取模块，用于获取电池数据，其中，所述电池数据包括：电流、电压和/或温度；

数据存储模块，用于存储所述电池数据获取模块获取的电池数据；

计算模块，用于通过所述模型获取模块获取的模型以及所述电池数据计算蓄电池的电池劣化程度；

显示处理模块及显示模块，用于对所述计算模块计算得到的电池劣化程度数据进行处理并显示。

为实现上述技术目的，本公开还能提供一种模型生成方法，应用于上述的模型生成装置上，包括：

利用所述实测数据获取模块获取蓄电池从第一时刻到第二时刻的电池充放电电池数据并存储至所述实测数据存储模块中；

从所述训练数据获取模块获取的所述电池数据中选取一部分数据作为模型训练的训练数据；

对所述训练数据进行预处理；

利用所述模型训练参数训练模块对所述模型训练生成模块中模型训练的参数进行训练；

使用所述模型训练参数训练模块训练后的参数调整所述模型训练生成模块中的参数，优化器的函数种类和各种调参数据后，得到新的模型训练生成模块；

将训练后的模型训练生成模块导入经预处理后的所述训练数据并进行模型训练。

进一步，所述对所述训练数据进行预处理具体包括：

数据清理、数据集成、数据增加、数据缩减和/或数据转换。

进一步，所述使用所述模型训练参数训练模块训练后的参数调整所述模型训练生成模块中的参数，具体包括：

使用所述模型训练参数训练模块训练后的参数调整所述模型训练生成模块中的压缩器的的大小、值和/或步长参数；

调整池化器的大小、值和/或步长参数；

调整模型的训练速度；

调整模型的电池损失计算方法；

调整数据集中训练集和验证集切分点；

调整优化器的函数种类和调参数据。

为实现上述技术目的，本公开还能提供一种电池劣化推测方法，作用于上述的电池劣化推测装置上，包括：

从所述模型生成装置中获取训练后的模型并存储在所述模型存储模块中；

采集蓄电池的电池数据并存储在所述数据存储模块中；

通过所述模型获取模块获取的模型以及所述电池数据预测蓄电池当前和/或未来的电池劣化程度以及变化过程；

对所述计算模块计算得到的电池劣化程度通过所述显示处理模块处理并通过所述显示模块输出。

为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的模型生成方法的步骤。

为实现上述技术目的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的模型生成方法的步骤。

为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的电池劣化推测方法的步骤。

为实现上述技术目的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的电池劣化推测方法的步骤。

本公开的有益效果为：

通过模型生成装置及方法中的模型训练参数训练模块，利用深度学习模型、机械学习模型和/或线性回归分析方法对参数进行训练，解决了现有技术调整寻找模型池化器及压缩器参数困难的技术问题；

通过电池劣化推测装置及方法，可以高精度地、准确推测蓄电池未来的劣化程度SOH。

附图说明

图1示出了本公开的的模型生成装置与劣化推测装置的使用环境说明示意图；

图2示出了本公开的实施例1的结构示意图；

图3示出了本公开的实施例1的改进方案的流程示意图；

图4示出了本公开的实施例3的流程示意图；

图5示出了本公开的实施例5的结构示意图；

图6示出了本公开的实施例1的模型生成装置的预处理的第一个例子的图示；

图7示出了本公开的实施例1的模型生成装置的预处理的第二个例子的图示；

图8示出了本公开的实施例1的模型生成装置的预处理的第三个例子的图示；

图9示出了本公开的实施例6的流程示意图；

图10示出了本公开的实施例8的结构示意图；

图11示出了计算模块计算流程示意图；

图12示出了显示模块显示的SOH变化示意图；

图13用于表示变形例中数据处理的例子的图示；

图14用于表示变形例中数据处理的例子的图示；

图15用于表示变形例中数据处理的例子的图示。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

如图1所示：

图1是与实施形态相关的模型生成装置10及劣化推测装置20的使用环境说明。模型生成装置10及劣化推测装置20是与蓄电池30共同使用的。劣化推测装置20既可以作为蓄电池30的检测系统(BMS)的一部分，也可设置在其他装置上。

蓄电池30给机器40提供电力供给。本图表示的例子中，劣化推测装置20及蓄电池30在机器40之中设置。电动车等车辆就可以作为机器40的例子。

需要说明的是：当蓄电池30是家用蓄电池时，机器40就是家用电器。这种情况下，蓄电池30设置在机器40的外部。蓄电池30也可以与电力网络系统相接。这种情况下，蓄电池30用于稳定供给的电力。具体而言，机器40在电力充沛时充电，在电力不足时放电，供给不足。

劣化推测装置20是使用模型推测蓄电池30的劣化状态，即SOH。模型生成装置10是，使用劣化推测装置20中使用过的模型中的至少一个，进行机器学习，例如使用神经网络，进行生成和更新。例如，SOH就是现在的满充电量/出厂时的满充电量×100％的结果。

模型生成装置10是用于获取多个蓄电池30中与电池状态相关的数据的测定值(后文中记为实绩数据)。然后多个实绩数据中的一部分，作为机器学习的训练用数据，剩下的少量的实绩数据中的一部分用于验证模型。

实绩数据中，至少包含有，表示蓄电池30在充放电圈数在α_i到α_j(j≥i)之间的充放电状态变化的测定结果(后文中记为测定数据)，与蓄电池30在β(β＞α_j)时的SOH数据。测定数据，包括例如电流，电压和温度。这里的实绩数据，也可以包含某个测定数据对应的相互不同的β时的SOH。换而言之，实绩数据是某个充放电回数下的电流，电压和温度等测定数据，并可以表明那之后的与充放电回数相关的SOH的变化情况。举例而言，一个实绩数据，充放电回数在α_i到α_j之间(例如1≤α_i≤10，1≤α_j≤100)时的测定数据，包含着充放电回数在α_j以后的β₁，β₂，…β_k(例如200，300…)等等的测定的SOH数据。

还有，实绩数据，包含有蓄电池30的种类(例如品名，型号)等特定信息更好。这样的话，模型生成装置10，就可以根据蓄电池30的种类生成模型。还有劣化推测装置20，也可以根据蓄电池30的种类从模型生成装置10中获取对应的模型。这样的话，劣化推测20关于蓄电池30的推测精度可以提高。

即使实绩数据很少，其中一部分也需要分配给数据收据装置50。数据收集装置50作为实绩数据收集装置，可以获取多个蓄电池30的各种实绩数据。数据收集装置50管理下的蓄电池30，主要用于实绩数据的收集。还有，实绩数据也可以从劣化推测装置20处获取。

实施例一：

如图2所示：

本公开提供了一种模型生成装置，包括：

实测数据获取模块110，用于获取测量得到的电池数据，其中，所述电池数据指包括电流、电压和/或温度的数据集；

实测数据存储模块120，用于存储所述实测数据获取模块获取的电池数据；

训练数据获取模块130，用于从所述电池数据中获取用于模型训练的训练数据；

预处理模块140，用于对所述训练数据进行预处理；

模型训练生成模块150，用于利用所述预处理模块处理后的数据进行模型训练得到训练后的模型；

模型存储模块160，用于存储所述模型训练生成模块训练后的模型；

模型输出模块170，用于向蓄电池输出训练后的模型；

还包括：

模型训练参数训练模块190，用于训练所述模型训练生成模块中模型训练的参数。

进一步，所述实测数据获取模块110还用于：

获取经劣化推测装置推测后的电池数据。

进一步，所述模型训练参数训练模块190具体包括：

利用深度学习模型、机械学习模型和/或线性回归分析方法对所述模型训练生成模块中的参数进行训练。

进一步，所述深度学习模型具体包括：

深度神经网络、卷积神经网络、循环神经网络、递归神经网络、长短期记忆网络和/或双向长短期记忆网络。

进一步，还包括：

验证模块180，用于验证训练后的所述模型是否正确，并计算模型性能指标(以下简称模型评分)。

模型生成装置10包含了训练数据获取模块130及模型训练生成模块150；

训练数据获取模块130，用于从所述电池数据中获取用于模型训练的训练数据；

举例说明：训练数据，使用包含蓄电池在某个充放电圈数中的电流，电压和/或温度的数据集，将这些训练数据作为输入，设定作为这个蓄电池的SOH的为目标值进行训练。所得到的模型，可以通过对对象蓄电池的包含电流，电压和/或温度的数据集的计算可以推测处其SOH值。

这里的训练数据获取模块130，可以获取上文提到的α_i到α_j之间与β的训练数据。换而言之，构成训练数据都有一致的α_i到α_j之间与β。

而模型训练生成模块150，对于上文提到的不同的β可以生成不同的模型。及训练数据获取模块130可以生成多个模型，这些模型，以充放电回数在α_i到α_j之间的蓄电池测定数据输入作为训练数据，以表示充放电回数在β时的蓄电池劣化状态的SOH作为训练数据的目标值进行机器学习。这里对于不同的模型，α_i与α_j时刻一致的，β在不同模型中不同。这些不同的模型，都是由蓄电池在α_i与α_j时的测定数据，推算在充放电回数为β时的SOH表现的。例如β有k个(β₁，β₂，…β_k)时，生成k个模型。

本公开的模型训练生成模块150是，使用了多个机器学习算法(深度神经网络，卷积神经网络，循环神经网络，递归神经网络，长短期记忆网络和/或双向长短期记忆网络等)，对应一个β可以生成多个模型。还有，对于模型训练生成模块150，对于上文提到的β，可以使用不同与其他β使用的机器学习算法。换而言之，模型训练生成模块150，针对不同β可以选定不同的最适机器学习算法。

训练数据仅有电流，电压和温度也可以。这种情况下，模型中输入的数据也只有电流，电压和温度。

模型生成装置10中，还包含着预处理模块140。训练用的测定数据包含的的数据(参数)种类为m(例如，包含电压，电流和温度时，m为3)时，预处理模块140，要对n组训练用测试数据，即{(α_j－α_i+1)×m}×n个对象的矩阵进行加工处理，对这些数据处理后，得到z个数据生成的一个一维的数据。模型训练生成模块150中，输入这个一维数据，可以生成模型。预处理模块140在生成一维数据时，使用数据压缩器和池化器等技术。这个处理实例后面会有详细记述。

模型训练生成模块150生成的多个模型，会被模型存储模块160记录下来。然后模型存储模块160记录的多个模型，经由模型输出模块170，传递给劣化推测装置20。本图表示的内容是，模型存储模块160及模型传输部门170是模型生成装置10的一部分。但是，模型存储模块160及模型输出模块170中至少一方也可以设置在模型生成装置10的外面。

本图表示内容为，模型生成装置10中整合有实测数据获取模块110，实测数据存储模块120，训练数据获取模块130和验证用数据获取部分180。

实测数据获取模块110，由劣化推测装置20和数据收集装置50中两方至少一方，获取上记的实绩数据，存储在实测数据存储模块120中。这里的实测数据获取模块110，存储包括实绩数据与获取实绩数据的来源的特定信息。实测数据获取模块110，也可存储包括实绩数据与测定电池30的种类的特定信息。

同上记内容一样，多个实绩数据的一部分，被作为训练数据使用，剩余的少量数据，用作模型的验证数据使用。为了达到这个目的，实测数据存储模块120把多个实绩数据的各个部分，是否适合用作训练数据进行表示。为了达到这个目的，既可以让用户手动输入，也可以从实绩获取部分获得。

然后训练数据获取模块130，把实测数据存储模块120处获得的实绩数据中作为训练数据的部分读出。模型训练生成模块150和蓄电池30的种类也在模型中生成的情况下，训练数据获取模块130也需要读取模型的种类。

验证模块180，是把实绩数据中不作为训练数据使用的数据中至少一部分读出，为了模型训练生成模块150生成的模型。这个模型的验证，由验证模块180进行。

为了让实测数据获取模块110可以定期工作，实测数据存储模块120中记录的实绩数据需要定期更新(追加)。模型训练生成模块150，会定期的更新模型。模型输出模块170会把用来更新模型的数据传输给劣化推测装置20，用以更新模型存储模块160记录的模型更新。

图6是模型生成装置10的预处理模块140进行预处理的一个实施例说明示意图。

首先使用图6进行说明，预处理模块140是使用从许多组αi到αj得到n组的训练用测试数据，并且进行加工，成为{(αj－αi+1)×m}×n的矩阵。对此矩阵进行加工处理，将z个数据加工成为一维数据向量。这里m是指训练用测试数据所包含的变量的种类数。

本图所表示的例子表示，预处理模块140对需要处理的对象矩阵使用数字压缩器进行压缩处理，将矩阵的维数减小，最少进行1次。从而将输入数据转换为一维向量。

更详细的说明，数字压缩器也是一种矩阵，并且预处理模块140所进行的压缩处理属于一下的(1)和(2)的处理并至少进行1次。

(1)从处理对象的矩阵，取出和数字压缩器使用同等行数和列数的部分作为部分矩阵。

(2)将取出的部分矩阵和数字压缩器进行计算，计算结果为每个对应部分进行计算，生成新的矩阵。这里所描述的计算，使用的例子为乘法计算。但是实际操作时，也可以进行包括并不限于加法，减法，除法又或是其他形式的计算方式。并且，处理后的矩阵各个成分的位置，是和取出的部分矩阵的位置相对应的。例如最左上的部分矩阵计算后得到的值，作为处理后得到的新的矩阵第一行第一列的值。并且，部分矩阵的最右下的值所计算后得到的新值，也是作为处理后得到的新的矩阵的最右下的值。

本图所描述的例子，是预处理模块140在进行(1)之前，可以进行或不进行，在处理对象的矩阵外围添加虚拟值，对原始矩阵进行最少一个方向的扩张处理。例如，在第一行上方添加一行虚拟值，并且在下方也添加一行虚拟值，并且，在当前充放电循环和下一次充放电循环之间添加虚拟值也是可以的。这里所添加的虚拟值，可以是同样的值比如0，也可以是不同的值。请注意这一步处理是可选的。

上述的变换处理反复操作进行的时候，可以使用同一种数字压缩器进行变换处理。同时，因为后面进行的数字压缩器适配化，所以可以每一次变换也可以使用完全不同的数字压缩器。

图7和图8是模型生成装置10的预处理模块140进行预处理的第二个实例的说明图。

在这个例子里，预处理模块140如图8所示，表示一次变换准备了多个数字压缩器，并且使用多个数字压缩器分别生成多个新矩阵。例如某次变换处理使用了3个数字压缩器，变换后的矩阵数量就是变换前的数量的3倍。

如图7所示，预处理模块140重复处理进行处理，无论有多少维的数据，最总也会变成一行一列的形式。然后，预处理模块140，将这个一行一列的数据并排排列，形成一维的输入数据。

实施例二：

如图3所示：

本公开还提供了一种电池劣化推测装置，包括：

模型获取模块210，用于从上述的模型生成装置中获取训练后的模型；

模型存储模块220，用于存储所述模型获取模块获取的模型；

电池数据获取模块230，用于获取电池数据，其中，所述电池数据包括含有电流、电压和/或温度的数据集；

数据存储模块270，用于存储所述电池数据获取模块获取的电池数据；

计算模块240，用于通过所述模型获取模块获取的模型以及所述电池数据计算蓄电池的电池劣化程度；

显示处理模块250及显示模块260，用于对所述计算模块计算得到的电池劣化程度数据进行处理并显示。

劣化推测装置20包括有模型获取模块210和计算模块240。

模型获取模块210从模型生成装置10获取多个模型，并将它们存储在模型存储模块220中。当模型获取模块210从模型生成装置10获取用于更新模型的数据时，模型获取模块210使用该数据来更新存储在模型存储模块220中的模型。该更新过程将被重复进行以达到优选目的。在该图所示的示例中，模型存储模块220是劣化估计装置20的一部分。然而，模型存储模块220也可以是劣化估计装置20的外部装置。

计算模块240通过使用存储有模型存储部220的多个模型，来计算由劣化估计装置20所管理的蓄电池30的SOH转变的估计结果。此时，输入到模型的数据(以下称为用于计算的测量数据)为蓄电池30的充放电循环数为

时的测定数据，例如电流、电压和/或温度。例如，如果在生成模型时输入的数据仅是电流、电压和/或温度，则用于计算的测量数据仅是电流、电压和/或温度。

在本实例中，劣化估计装置20包括显示处理模块250。显示处理模块250在显示模块260上显示由计算模块240计算出的蓄电池30的SOH。显示器260设置于设备40的用户可以观察到的位置。例如，如果设备40是车辆，则显示模块260设置在车辆内部(例如，在驾驶员座椅的前面或对角线的前面)。

在该图所示的示例中，劣化估计装置20还包括电池数据获取模块230，数据存储部270和数据发送部280。

电池数据获取模块230从蓄电池30获取计算测量数据。数据存储部270存储由电池数据获取模块230获取的数据以及当时的充放电次数(即，上述的α_i至α_j)。此外，电池数据获取模块230用于记忆在充电/放电次数达到预定值(上述β₁，β₂，...，β_k)时特定的SOH数据(例如，SOH本身)。然后数据输出模块280会将用于计算的测量数据中的一部分与上述用于识别SOH的数据一起发送到模型生成装置10。该数据被视为实际数据。

然后计算模块240，把一维的数据输入模型记录部分220所保存的模型中，通过计算获得结果数据。这个结果数据，如图11所示，与模型生成时的训练数据的目标值有着相同的数据构造(本图的实例是1×1矩阵)。计算模块240会把这个输出结果作为充放电回数在β时的SOH的推定值。

模型记录部分220把一组α_j到α_i和β的组合由不同的机器学习算法生成的多个模型记录起来。每个模型就会给出一个SOH推测值。然后计算模块240把这些多个推算值的平均值，或者是加权平均值作为由α_i到α_j推算β的组合SOH的推测结果。

图12是显示模块260表示的数据的一个实例。同上述内容一样，计算模块240使用的模型是用于计算充放电回数在β时蓄电池30的SOH的推测值的。本图表示的实例中，有4个模型，着4个模型的β值各不相同(记录为β₁，β₂，β₃和β₄)。换而言之，这4个模型，每个参数都经过优化，因此可以在指定的充放电计数(β)下准确计算SOH。因此，β₁，β₂，β₃和β₄各自的SOH估算值具有很高的准确性。

计算模块240，如图12所示，使用多个模型的各种计算结果，也可以固定由充放电回数计算SOH的推测值的关数。

如上所述，根据本实例，劣化推测装置20使用由模型生成装置10生成的模型来计算蓄电池30的SOH。计算模块240使用的模型用于计算当充电/放电循环达到β时蓄电池30的SOH估计值。多个模型对应不同的β值，即，通过多个模型在不同β值下的计算对算法进行优化以准确推算SOH。因此，可以准确地计算出在多个充电/放电循环的SOH的估计值。

此外，如果将蓄电池30的电流、电压和/或温度用作训练数据的输入值，则模型生成装置10即可生成相应模型。因此，劣化推测装置20计算蓄电池30的SOH所需的蓄电池30的参数的数量可以被设置为最小值3(电流，电压和/或温度)。因此当使用机械学习来估计蓄电池30的SOH时，劣化推测装置20所需的计算量得以减少。

模型生成装置10也可以具有劣化推测装置20的功能。此时则可以实现例如在云端为客户提供SOH估算值的服务。

在上述实例中，训练测量数据和计算测量数据是指当充电/放电循环的数目为α_i至α_j时获得的数据。而在该变式中，训练测量数据和计算测量数据都是当充电/放电循环数为α_i时的数据。因此，在该变式中，每当充放电次数增加1，劣化推测装置就能够更新一次劣化推测结果。

图13至图15为该变式的数据处理的示意图。图13、14和15分别对应于实例的图6、8和11。

如图13和14所示，在该变式中，模型生成装置10的预处理模块140在进行图6描述的(1)之前，通过将虚拟值添加到由训练测量数据组成的目标矩阵的外围，使得目标矩阵的行和列中的至少一个被扩展。在该图所示的示例中，在第一行上方添加一行虚拟值，在目标行的底行下方添加一条虚拟数据行，再在最左列的左侧添加了一个虚拟值列。此处添加的虚拟数据都是相同的值(例如0)。

且如图15所示，劣化推测装置20的计算模块240也是将虚拟值添加到由用于计算的测量数据组成的目标矩阵的外周之后，再执行对SOH的估算处理。

实施例三：

如图4所示：

本公开还提供了一种模型生成方法，应用于上述的模型生成装置10上，包括：

S110：首先设定初始矩阵，矩阵内所有数字表示模型生成装置10内的模型存储模块160内所保存的模型的各项参数。

S120：使用设定好的初始矩阵，更新模型生成装置10内的模型存储模块160内所保存的模型，得到一个初始模型。

S130：利用所述实测数据获取模块110获取蓄电池30从第一时刻(上述的α_i)到第二时刻(上述的α_j)的电池充放电电池数据并存储至所述实测数据存储模块120中；从所述训练数据获取模块130获取的所述电池数据中选取一部分数据作为模型训练的训练数据；对所述训练数据进行预处理；将处理好的输入参数输入上述初始模型中进行一定时间的训练；经过180验证模块验证后得到模型评分。

S140：判断所得到的模型评分是否满足要求。如为否。则进入S150。如为是，则进入S110。

S150：记录当前的上述设定矩阵和由设定矩阵生成的模型评分。

S160：使用多个机器学习算法(深度神经网络，卷积神经网络，循环神经网络，递归神经网络，长短期记忆网络和/或双向长短期记忆网络等，建立由上述设定矩阵作为输入，模型评分作为输出的模型。并使用记录数据进行训练。

S170：使用S160建立的模型进行数学分析，判断是否可以从S160所建立的模型中得到可以使模型评分提高的设定矩阵的修正方法。这里所指的数学分析包括并不限于如：正规方程，梯度下降法，随机森林，支持向量机，XGBoost，等方法。如为否，则进入S180。如为是，则进入S190。

S180：由于S160所建立的模型尚不能够准确判定如何调整设定矩阵。所以对设定矩阵进行随机扰动，生成一个新的设定矩阵。并使用新的设定矩阵作为设定参数，进入S120，来更新模型的各项参数。

S190：由于S160所建立的模型能够准确判定如何调整设定矩阵。所以使用模型进行计算，使生成的新的设定矩阵可以提高模型评分。并使用新的设定矩阵作为设定参数，进入S120，来更新模型的各项参数。

进一步，所述对所述训练数据进行预处理具体包括：

数据清理、数据集成、数据增加、数据缩减和/或数据转换。

进一步，所述使用所述模型训练参数训练模块训练后的参数调整所述模型训练生成模块中的参数，具体包括：

使用所述模型训练参数训练模块训练后的参数调整所述模型训练生成模块中的压缩器的的大小、值和/或步长参数；

调整池化器的大小、值和/或步长参数；

调整模型的训练速度；

调整模型的电池损失计算方法；

调整数据集中训练集和验证集切分点；

调整优化器的函数种类和调参数据。

实施例四：

本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的模型生成方法的步骤。

本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁盘存储器实现。

半导体存储器，主要用于计算机的半导体存储元件主要有Mos和双极型两种。Mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。NMos和CMos问世后，使Mos存储器在半导体存储器中开始占主要地位。NMos速度快，如英特尔公司的1K位静态随机存储器的存取时间为45ns。而CMos耗电省，4K位的CMos静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(RAM)，即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器(ROM)在工作过程中可随机读出但不能写入，它用来存放已固化好的程序和数据。ROM又分为不可改写的熔断丝式只读存储器──PROM和可改写的只读存储器EPROM两种。

磁芯存储器，具有成本低，可靠性高的特点，且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上，存取时间最快为300ns。国际上典型的磁芯存储器容量为4MS～8MB，存取周期为1.0～1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后，磁芯存储器仍然可以作为大容量扩充存储器而得到应用。

磁鼓存储器，一种磁记录的外存储器。由于其信息存取速度快，工作稳定可靠，虽然其容量较小，正逐渐被磁盘存储器所取代，但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要，出现了超小型磁鼓，其体积小、重量轻、可靠性高、使用方便。

磁盘存储器，一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点，即其存储容量较磁鼓容量大，而存取速度则较磁带存储器快，又可脱机贮存，因此在各种计算机系统中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。

硬磁盘存储器的品种很多。从结构上，分可换式和固定式两种。可换式磁盘盘片可调换，固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种，又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小，记录密度低存取速度高，但造价高。活动磁头型磁盘记录密度高(可达1000～6250位/英寸)，因而容量大，但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节，位密度为每英寸6 250位，道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换，具有很大的脱体容量，而且容量大，速度高，可存储大容量情报资料，在联机情报检索系统、数据库管理系统中得到广泛应用。

实施例五：

本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的模型生成方法的步骤。

图5为一个实施例中电子设备的内部结构示意图。如图5所示，该电子设备包括通过系统总线连接的处理器、存储介质、存储器和网络接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种模型生成方法。该电设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种模型生成方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。

所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、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。所述电子设备还可以包括多种传感器、蓝牙模块、Wi－Fi模块等，在此不再赘述。

进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI－FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。

可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight－Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

进一步地，所述计算机可用存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。

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单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。

实施例六：

如图9所示：

一种电池劣化推测方法，作用于上述的电池劣化推测装置上，包括：

S201：获取计算用的电池数据，其中，所述电池数据包括蓄电池30在某个充放电圈数中的含有电流，电压和/或温度的数据集；

S202：选择模型；

具体地，从所述模型生成装置10中获取训练后的模型并存储在所述模型存储模块220中；

S203：对所述计算用的电池数据进行数据处理，使所述计算用的电池数据从多维数据变更为一维数据；

具体地，采集蓄电池的电池数据并存储在所述数据存储模块270中；

S204：将所述一维数据输入模型并进行计算；

具体地，通过计算模块240对所述一维数据进行计算，计算过程使用模型存储模块220中存储的模型进行计算；

S205：获取输出结果；

具体地，获取所述计算模块204的输出结果；

S206：计算出第β圈蓄电池的充放电循环的SOH值；

S207：判断是否全部的模型已经计算完毕，若未计算完毕，则返回s202重新选择模型并进行计算，若计算完毕则进入S208；

S208：输出预测的SOH值的结果；

具体地，将所述计算模块240的计算值即预测的SOH值，通过显示处理模块250处理后通过显示模块260进行输出。

实施例七：

本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的电池劣化推测方法的步骤。

本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁盘存储器实现。

半导体存储器，主要用于计算机的半导体存储元件主要有Mos和双极型两种。Mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。NMos和CMos问世后，使Mos存储器在半导体存储器中开始占主要地位。NMos速度快，如英特尔公司的1K位静态随机存储器的存取时间为45ns。而CMos耗电省，4K位的CMos静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(RAM)，即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器(ROM)在工作过程中可随机读出但不能写入，它用来存放已固化好的程序和数据。ROM又分为不可改写的熔断丝式只读存储器──PROM和可改写的只读存储器EPROM两种。

磁芯存储器，具有成本低，可靠性高的特点，且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上，存取时间最快为300ns。国际上典型的磁芯存储器容量为4MS～8MB，存取周期为1.0～1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后，磁芯存储器仍然可以作为大容量扩充存储器而得到应用。

磁鼓存储器，一种磁记录的外存储器。由于其信息存取速度快，工作稳定可靠，虽然其容量较小，正逐渐被磁盘存储器所取代，但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要，出现了超小型磁鼓，其体积小、重量轻、可靠性高、使用方便。

磁盘存储器，一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点，即其存储容量较磁鼓容量大，而存取速度则较磁带存储器快，又可脱机贮存，因此在各种计算机系统中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。

硬磁盘存储器的品种很多。从结构上，分可换式和固定式两种。可换式磁盘盘片可调换，固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种，又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小，记录密度低存取速度高，但造价高。活动磁头型磁盘记录密度高(可达1000～6250位/英寸)，因而容量大，但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节，位密度为每英寸6 250位，道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换，具有很大的脱体容量，而且容量大，速度高，可存储大容量情报资料，在联机情报检索系统、数据库管理系统中得到广泛应用。

实施例八：

本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的电池劣化推测方法的步骤。

图10为一个实施例中电子设备的内部结构示意图。如图10所示，该电子设备包括通过系统总线连接的处理器、存储介质、存储器和网络接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种电池劣化推测方法。该电设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种电池劣化推测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。

所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industrystandard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。

图10仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图10示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、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。所述电子设备还可以包括多种传感器、蓝牙模块、Wi－Fi模块等，在此不再赘述。

进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI－FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。

可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight－Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

进一步地，所述计算机可用存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。

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单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种模型生成装置，其特征在于，包括：

实测数据获取模块，用于获取测量得到的电池数据，其中，所述电池数据指包括电流、电压和/或温度的数据集；

实测数据存储模块，用于存储所述实测数据获取模块获取的电池数据；

训练数据获取模块，用于从所述电池数据中获取用于模型训练的训练数据；

预处理模块，用于对所述训练数据进行预处理；

模型训练生成模块，用于利用所述预处理模块处理后的数据进行模型训练得到训练后的模型；

模型存储模块，用于存储所述模型训练生成模块训练后的模型；

模型输出模块，用于输出训练后的模型；

还包括：

模型训练参数训练模块，用于训练所述模型训练生成模块中模型训练的参数。

2.根据权利要求1所述的装置，其特征在于，所述实测数据获取模块还用于：

获取经劣化推测装置推测后的电池数据。

3.根据权利要求1所述的装置，其特征在于，所述模型训练参数训练模块具体包括：

利用深度学习模型、机械学习模型和/或线性回归分析方法对所述模型训练生成模块中的参数进行训练。

4.根据权利要求3所述的装置，其特征在于，所述深度学习模型具体包括：

深度神经网络、卷积神经网络、循环神经网络、递归神经网络、长短期记忆网络和/或双向长短期记忆网络。

5.根据权利要求1～4任一项中所述的装置，其特征在于，还包括：

验证模块，用于验证训练后的所述模型是否正确。

6.一种电池劣化推测装置，其特征在于，包括：

模型获取模块，用于从如权利要求1～5任一项中所述的模型生成装置中获取训练后的模型；

模型存储模块，用于存储所述模型获取模块获取的模型；

电池数据获取模块，用于获取电池数据，其中，所述电池数据包括：电流、电压和/或温度；

数据存储模块，用于存储所述电池数据获取模块获取的电池数据；

计算模块，用于通过所述模型获取模块获取的模型以及所述电池数据计算蓄电池的电池劣化程度；

显示处理模块及显示模块，用于对所述计算模块计算得到的电池劣化程度数据进行处理并显示。

7.一种模型生成方法，应用于如权利要求1～5任一项中所述的装置上，其特征在于，包括：

利用所述实测数据获取模块获取蓄电池从第一时刻到第二时刻的电池充放电电池数据并存储至所述实测数据存储模块中；

从所述训练数据获取模块获取的所述电池数据中选取一部分数据作为模型训练的训练数据；

对所述训练数据进行预处理；

利用所述模型训练参数训练模块对所述模型训练生成模块中模型训练的参数进行训练；

使用所述模型训练参数训练模块训练后的参数调整所述模型训练生成模块中的参数，优化器的函数种类和各种调参数据后，得到新的模型训练生成模块；

将训练后的模型训练生成模块导入经预处理后的所述训练数据并进行模型训练。

8.根据权利要求7所述的方法，其特征在于，所述对所述训练数据进行预处理具体包括：

数据清理、数据集成、数据增加、数据缩减和/或数据转换。

9.根据权利要求7～8任一项中所述的方法，其特征在于，所述使用所述模型训练参数训练模块训练后的参数调整所述模型训练生成模块中的参数，具体包括：

使用所述模型训练参数训练模块训练后的参数调整所述模型训练生成模块中的压缩器的的大小、值和/或步长参数；

调整池化器的大小、值和/或步长参数；

调整模型的训练速度；

调整模型的电池损失计算方法；

调整数据集中训练集和验证集切分点；

调整优化器的函数种类和调参数据。

10.一种电池劣化推测方法，应用于如权利要求6中所述的装置上，其特征在于，包括：

从所述模型生成装置中获取训练后的模型并存储在所述模型存储模块中；

采集蓄电池的电池数据并存储在所述数据存储模块中；

通过所述模型获取模块获取的模型以及所述电池数据预测蓄电池当前和/或未来的电池劣化程度以及变化过程；

对所述计算模块计算得到的电池劣化程度通过所述显示处理模块处理并通过所述显示模块输出。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求7～9任一项中所述的模型生成方法的步骤。

12.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时用于实现权利要求7～9任一项中所述的模型生成方法对应的步骤。

13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求10中所述的电池劣化推测方法的步骤。

14.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时用于实现权利要求10中所述的电池劣化推测方法对应的步骤。

Images