CN113219357A - 电池包健康状态计算方法、系统及电子设备 - Google Patents
电池包健康状态计算方法、系统及电子设备 Download PDFInfo
- Publication number
- CN113219357A CN113219357A CN202110471150.0A CN202110471150A CN113219357A CN 113219357 A CN113219357 A CN 113219357A CN 202110471150 A CN202110471150 A CN 202110471150A CN 113219357 A CN113219357 A CN 113219357A
- Authority
- CN
- China
- Prior art keywords
- data
- battery pack
- battery
- health
- model
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 147
- 238000004364 calculation method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000004821 distillation Methods 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 230000003862 health status Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 13
- 230000007704 transition Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种电池包健康状态计算方法、系统及电子设备，涉及动力电池技术领域，该方法首先根据电池包的充电数据确定充电数据集；其中，充电数据集中包含至少一种工况下的电池衰减数据及其对应的标签数据；然后将充电数据集分别输入至子模型中，子模型根据对应工况下的电池衰减数据计算得到电池包的健康度数据；再将得到的健康度数据及其标签数据输入至蒸馏模型中得到电池包的健康状态。该方法对子模型进行融合计算得到蒸馏模型的过程中，实现了从无监督逐渐过渡到有监督的训练，更有效的保留了差异化信息，并在半监督过程中通过数据融合和数据扰动的方式进一步提升模型性能，提升电池包健康状态计算的准确率。
Description
技术领域
本发明涉及动力电池技术领域，尤其是涉及一种电池包健康状态计算方法、系统及电子设备。
背景技术
电池健康状态(SOH)直接影响到动力电池组的实用性、经济性及安全性，由于汽车动力电池组大都是由多个单体电池包经过串并联组成的，因此单体电池包充放电的过程并非完全相同，会导致各个电池包的健康状态出现差异，最终导致动力电池组的容量逐渐衰减，影响电动汽车的行驶里程。
现有技术中对于电池包健康状态的获取过程大都采用搭建电池物理模型的方式，进行电池性能分析与仿真，但是此类方法都是在理想情况下进行试验，与实际电池包的健康状态的差异较大，导致在现实复杂的道路工况下对车辆动力电池的健康程度进行预测时的结果并不理想。
发明内容
有鉴于此，本发明的目的在于提供一种电池包健康状态计算方法、系统及电子设备，通过对不同工况下的数据集进行预分类并通过训练得到相应的子模型，获得的子模型可通过融合计算得到蒸馏模型。由于蒸馏模型的获取过程中是通过不同工况下的电池包的健康度数据及其对应的标签数据所实现的，蒸馏模型的训练过程是从无监督逐渐过渡到有监督的模型训练，使得模型过程中更有效的保留了差异化信息，在半监督过程中通过数据融合和数据扰动的方式，弥补了由于真实数据中无法获取到准确电池包健康度的问题，进一步提升模型性能，最终提升电池包健康状态计算的准确率。
第一方面，本发明实施例提供了一种电池包健康状态计算方法，方法包括：
根据电池包的充电数据确定充电数据集；其中，充电数据集中包含至少一种工况下的电池衰减数据及其对应的标签数据；
将不同工况的电池包的充电数据集分别输入至对应的已完成训练的子模型中，子模型根据对应工况下的电池衰减数据计算并输出电池包在对应工况下的健康度数据；
将不同工况下的电池包的健康度数据及其对应的标签数据输入至已完成训练的蒸馏模型中；蒸馏模型根据不同工况下电池包对应的预设权重值、健康度数据及其标签数据确定电池包的健康状态。
在一些实施方式中，上述子模型根据对应工况下的电池衰减数据计算并输出电池包在对应工况下的健康度数据，包括：
根据电池包的充电数据确定对应工况下电池包的健康特征数据；其中，健康特征数据为具有多个时序参数的特征向量；健康特征数据包含电池衰减数据；
子模型对电池包的特征向量进行计算，利用健康特征数据中包含的电池衰减数据确定电池包在对应工况下的健康度数据。
在一些实施方式中，上述子模型由卷积神经网络以及长短期记忆网络组成；
子模型对电池包的特征向量进行计算，利用健康特征数据中包含的电池衰减数据确定电池包在对应工况下的健康度数据，包括：
将电池包的特征向量输入至卷积神经网络中，得到第一结果；其中，第一结果包含电池包的电池衰减数据；
将第一结果输入至长短期记忆网络中，得到第二结果；其中，第二结果包含电池包的健康度数据；
利用softmax激活函数对第二结果进行计算，确定电池包在对应工况下的健康度数据。
在一些实施方式中，上述蒸馏模型的训练过程，包括：
根据电池包的充电数据确定模型训练数据集；模型训练数据集包括：实验数据集以及真实数据集；其中，实验数据集为通过容量测试确定的电池包的电芯充电实时电流值和电压值；真实数据集为电池管理系统实时采集的电芯充电实时电流值和电压值；
根据真实数据集确定模型训练数据集的扰动数据；扰动数据用于蒸馏模型在训练过程中进行干扰；
利用实验数据集所训练的初始神经网络模型，对真实数据集进行半监督训练；
当初始神经网络模型的损失函数的输出结果满足预设关系时停止训练，得到蒸馏模型。
在一些实施方式中，上述初始神经网络模型为伪标签模型；其中，实验数据集为已标注数据，真实数据集为未标注数据；
利用实验数据集所训练的初始神经网络模型，对真实数据集进行半监督训练的步骤，包括：
根据扰动数据，确定真实数据集中的非扰动数据；
利用伪标签模型对非扰动数据进行半监督训练，并将伪标签模型输出的结果作为已标记数据进行迭代训练；训练时利用扰动数据对伪标签模型进行干扰。
在一些实施方式中，蒸馏模型训练时所用的损失函数，为相对熵函数、均方根误差函数、交叉熵函数和均方误差函数上述一种或多种函数的组合；
其中，相对熵函数和均方根误差函数用于对加入未标注数据与原有真实数据集的一致性进行评估；交叉熵函数和均方误差函数用于计算已标注数据的准确性。
在一些实施方式中，上述蒸馏模型采用教师退火的方式进行训练；其中，不同工况对应的子模型作为教师模型；蒸馏模型作为学生模型。
在一些实施方式中，上述根据电池包的充电数据确定充电数据集的步骤，包括：
获取电池包的充电数据；其中，充电数据至少包括电池电压以及电池容量；
利用容量增量法计算充电数据中的电池电压与电池容量的特征数据；特征数据至少包括：IC曲线特征数据、充电时序条件下的可描述变化特征数据及其统计类的特征数据；
根据特征数据确定电池包的衰减数据，并根据电池包的衰减数据确定充电数据集。
第二方面，本发明实施例提供了一种电池包健康状态计算系统，该系统包括：
电池包数据集获取模块，用于根据电池包的充电数据确定充电数据集；其中，充电数据集中包含至少一种工况下的电池衰减数据及其对应的标签数据；
电池包健康度数据确定模块，用于将不同工况的电池包的充电数据分别输入至对应的已完成训练的子模型中，子模型根据对应工况下的电池衰减数据计算并输出电池包在对应工况下的健康度数据；
电池包健康状态计算模块，用于将不同工况下的电池包的健康度数据及其对应的标签数据输入至已完成训练的蒸馏模型中；蒸馏模型根据不同工况下电池包对应的预设权重值、健康度数据及其标签数据确定电池包的健康状态。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现上述第一方面的电池包健康状态计算方法的步骤。
第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，程序代码使处理器执行上述第一方面的电池包健康状态计算方法的步骤。
本发明实施例带来了以下有益效果：
本发明提供了一种电池包健康状态计算方法、装置及电子设备，该方法首先根据电池包的充电数据确定充电数据集；其中，充电数据集中包含至少一种工况下的电池衰减数据及其对应的标签数据；然后将不同工况的电池包的充电数据分别输入至对应的已完成训练的子模型中，子模型根据对应工况下的电池衰减数据计算并输出电池包在对应工况下的健康度数据；再将不同工况下的电池包的健康度数据及其对应的标签数据输入至已完成训练的蒸馏模型中；蒸馏模型根据不同工况下电池包对应的预设权重值、健康度数据及其标签数据确定电池包的健康状态。该方法可对不同工况下的数据集进行预分类并通过训练得到相应的子模型，获得的子模型可通过融合计算得到蒸馏模型。由于蒸馏模型的获取过程中是通过不同工况下的电池包的健康度数据及其对应的标签数据所实现的，蒸馏模型的训练过程是从无监督逐渐过渡到有监督的模型训练，使得模型过程中更有效的保留了差异化信息，并在半监督过程中通过数据融合和数据扰动的方式，弥补了由于真实数据中无法获取到准确电池包健康度的问题，进一步提升模型性能，最终提升最终电池包健康状态计算的准确率。
本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，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1为本发明实施例提供的一种电池包健康状态计算方法的流程图；
图2为本发明实施例提供的一种电池包健康状态计算方法中，子模型根据对应工况下的电池衰减数据计算并输出电池包在对应工况下的健康度数据的流程图；
图3为本发明实施例提供的一种电池包健康状态计算方法中，子模型的结构示意图；
图4为本发明实施例提供的一种电池包健康状态计算方法中，步骤S202的流程图；
图5为本发明实施例提供的一种电池包健康状态计算方法中，蒸馏模型训练的流程图；
图6为本发明实施例提供的一种电池包健康状态计算方法中，步骤S503的流程图；
图7为本发明实施例提供的一种电池包健康状态计算方法中，步骤S101的流程图；
图8为本发明实施例提供的一种电池包健康状态计算系统的结构示意图；
图9为本发明实施例提供的一种电子设备的结构示意图。
图标：
810-电池包数据集获取模块；820-电池包健康度数据确定模块；830-电池包健康状态计算模块；101-处理器；102-存储器；103-总线；104-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
电池健康状态(State Of Health,SOH)直接影响到动力电池组的实用性、经济性及安全性，由于汽车动力电池组大都是由多个单体电池包经过串并联组成的，因此单体电池包充放电的过程并非完全相同，会导致各个电池包的健康状态出现差异，最终导致动力电池组的容量逐渐衰减，影响电动汽车的行驶里程。
目前，动力电池包的健康状态评估方法主要有三类。一、完全放电法，完全放电法是基于离线条件下，对动力电池组进行完全放电对电池健康状态进行估算。缺陷在于测试负载笨重，操作不便；而且估算过程中，完全放电法对动力电池组的使用寿命会造成一定影响。二、内阻估算法，利用电池健康状态和电池内阻之间的对应关系对电池健康状态进行估算。缺陷在于电池内阻很小，一般是毫欧级的小信号，但内阻和电池健康状态并不构成线性关系，在动力电池组容量降为80％前的范围内变化不大，想要准确测量电池内阻也比较困难，准确性较差。三、电化学模型法，电化学模型法通过分析电池内部所发生的反应，建立电化学模型，根据模型计算容量的衰减。缺陷在于需要通过大量的实验建立模型，实验数据测试周期长，估算结果误差大。
可见，现有技术中对于电池包健康状态的获取过程大都采用搭建电池物理模型的方式，进行电池性能分析与仿真，但是此类方法都是在理想情况下进行试验，与实际电池包的健康状态的差异较大，导致在现实复杂的道路工况下对车辆动力电池的健康程度进行预测时的结果并不理想。
基于此，本发明实施例提供的一种电池包健康状态计算方法、系统及电子设备，通过对不同工况下的数据集进行预分类并通过训练得到相应的子模型，获得的子模型可通过融合计算得到蒸馏模型。由于蒸馏模型的获取过程中是通过不同工况下的电池包的健康度数据及其对应的标签数据所实现的，蒸馏模型的训练过程是从无监督逐渐过渡到有监督的模型训练，使得模型过程中更有效的保留了差异化信息，在半监督过程中通过数据融合和数据扰动的方式，弥补了由于真实数据中无法获取到准确电池包健康度的问题，进一步提升模型性能，最终提升最终电池包健康状态计算的准确率。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种电池包健康状态计算方法进行详细介绍。
参见图1所示的一种电池包健康状态计算方法的流程图，其中，该方法具体步骤包括：
步骤S101，根据电池包的充电数据确定充电数据集；其中，充电数据集中包含至少一种工况下的电池衰减数据及其对应的标签数据。
在车辆动力电池的各个电池包中，各电池包对应的充电数据中包含各类型的工况下电池的充电数据，由于充电的工况数量繁多且复杂，且不同工况下电池包的电池衰减程度是有差异的，这些差异也影响着电池包健康状态的计算精度。
具体的说，第一数据集可包含两类，一类是实验数据集，另一类是真实数据集。实验数据集可通过传统电池健康测试得到相对准确的电芯SOH或容量数据；真实数据集可通过车载BMS(Battery Management System)系统获取到仅保证下降趋势的SOH数据结果。电池衰减数据表征电池的健康程度，如最大可充电电量、电压输出值、充电时间等；不同类型的充电数据之间的关系曲线也可作为电池衰减数据。例如，不同的工况可通过温度变化、循环次数、循环寿命、充电率等进行区分；而在不同工况下的电池衰减数据可通过充放电属性、充电关系曲线的属性进行汇总。
标签数据用于对电池衰减数据的特征进行表征，一般是指电池衰减数据对应的属性或者数值。该步骤的标签数据与人工智能模型技术领域中的标签数据一致，具体不再阐述。
步骤S102，将不同工况的电池包的充电数据集分别输入至对应的已完成训练的子模型中，子模型根据对应工况下的电池衰减数据计算并输出电池包在对应工况下的健康度数据。
子模型可由常见的深度学习网络构成，每一个子模型使用预先构造好的对应工况构成的数据集作为输入数据，对应的健康度数值作为标签，每一个子模型为标准的深度学习模型构造的电池健康度预估模型。子模型的输出数据为该工况下预估的健康度数据，由于工况数量较多，因此该步骤中得到的不同工况下的健康度数据的数据量较大。
步骤S103，将不同工况下的电池包的健康度数据及其对应的标签数据输入至已完成训练的蒸馏模型中；蒸馏模型根据不同工况下电池包对应的预设权重值、健康度数据及其标签数据确定电池包的健康状态。
蒸馏模型可将子模型得到的数据进行蒸馏，可理解为对多个子模型进行压缩。这个过程中所用到的参数为不同工况下电池包对应的预设权重值、健康度数据及其标签数据，具体实施过程中可对不同工况设置相应的权重，以体现各个工况下对于电池包健康状态计算过程时所体现的重要程度，并通过各个工况下的健康度数据及其标签数据最终确定电池包的健康状态。
不同工况下的子模型在训练过程中所采用的数据集与标签是不同的，因此按照不同工况对充电数据集进行分类后，进入相应的子模型中。该步骤实现过程可通过教师退火的方式实现，例如，多工况构成的多个并行模型为教师模型，蒸馏模型为学生模型。蒸馏过程中，学生模型从教师模型的中间层提取知识，同时通过策略控制数据和标签的比例，让模型从无监督逐步过渡到有监督的学习，帮助蒸馏得到的模型达到更好的泛化效果。获得的蒸馏后的模型能够涵盖更多电池情况和工况下的电池包健康度预估需要，提升准确率和泛化能力。
通过上述实施例中的电池包健康状态计算方法可知，该方法通过对不同工况下的数据集进行预分类并通过训练得到相应的子模型，获得的子模型可通过融合计算得到蒸馏模型。由于蒸馏模型的获取过程中是通过不同工况下的电池包的健康度数据及其对应的标签数据所实现的，蒸馏模型的训练过程是从无监督逐渐过渡到有监督的模型训练，使得模型过程中更有效的保留了差异化信息，提升最终电池包健康状态计算的准确率。
在一些实施方式中，上述子模型根据对应工况下的电池衰减数据计算并输出电池包在对应工况下的健康度数据的过程，如图2所示，包括：
步骤S201，根据电池包的充电数据确定对应工况下电池包的健康特征数据；其中，健康特征数据为具有多个时序参数的特征向量；健康特征数据包含电池衰减数据。
具体的说，健康特征数据为每个时刻提取到的n个特征，由s个时序构成的特征块，该特征块为向量形式。
步骤S202，子模型对电池包的特征向量进行计算，利用健康特征数据中包含的电池衰减数据确定电池包在对应工况下的健康度数据。
例如，上述子模型由卷积神经网络CNN(Convolutional Neural Networks)以及长短期记忆网络LSTM(Long Short-Term Memory)组成，子模型的结构示意图如图3所示。此时的子模型对电池包的特征向量进行计算，计算过程中可使用随机扰动数据集对子模型进行随机扰动。其中，每个工况对应的子模型加入的是同一个随机扰动数据集。利用健康特征数据中包含的电池衰减数据确定电池包在对应工况下的健康度数据的过程，如图4所示，包括：
步骤S41，将电池包的特征向量输入至卷积神经网络中，得到第一结果；其中，第一结果包含电池包的电池衰减数据。
电池包的特征向量为S行n列的向量，不同工况下对应的特征向量是不同的，这些特征向量中包含电池衰减数据。因此将特征向量输入至卷积神经网络后得到的第一结果中也包含电池包的电池衰减数据。
步骤S42，将第一结果输入至长短期记忆网络中，得到第二结果；其中，第二结果包含电池包的健康度数据。
卷积神经网络输出的第一结果作为长短期记忆网络的输入数据，通过长短期记忆网络后得到第二结果，此时的第二结果中包含电池包的健康度数据。
步骤S43，利用softmax激活函数对第二结果进行计算，确定电池包在对应工况下的健康度数据。
在一些实施方式中，上述蒸馏模型的训练过程，如图5所示，包括：
步骤S501，根据电池包的充电数据确定模型训练数据集；模型训练数据集包括：实验数据集以及真实数据集；其中，实验数据集为通过容量测试确定的电池包的电芯充电实时电流值和电压值；真实数据集为电池管理系统实时采集的电芯充电实时电流值和电压值。
电芯充电的实时电流值和电压值为电芯健康数据，通过电流值和电压值的关系可用于表征电池包的电芯健康状态。
模型具体训练过程针对的是实验数据集和真实数据集，将二者共同进行训练。已知对于电池包健康度预估场景下，实验数据集可通过传统电池健康测试得到相对准确的电芯SOH或容量数据；真实数据集可通过车载BMS系统获取到仅保证下降趋势的SOH数据结果，但其无法作为可用的模型标签。
步骤S502，根据真实数据集确定模型训练数据集的扰动数据；扰动数据用于蒸馏模型在训练过程中进行干扰。
本质上模型的输入数据有标签的实验数据集和非标签的真实数据集，两种数据集以相同的逻辑提取对应的特征。由于真实数据集无法提供准确可用的电池包健康度数值，所带来的困难和使用的技术方案。真实数据集中，仅有BMS提供的准确率不高的电池包健康度结果，无法进行预估计算，影响准确率。因此需要对实验数据和真实数据进行融合。具体实施过程中，对于真实数据集这种非标签数据也进行相应的融合训练方式。在数据输入时，抽取部分的非标签真实数据集作为实验数据集的随机扰动(random perturbation)，即将现实中对电池包健康度评估有影响的变量尽可能放到模型中。
步骤S503，利用实验数据集所训练的初始神经网络模型，对真实数据集进行半监督训练。
具体的，初始神经网络模型为伪标签模型，其中，实验数据集为已标注数据，真实数据集为未标注数据。例如，可预先抽取一部分真实数据集形成一个扰动数据集，剩余的真实数据集可根据半监督模型进行标签的生成过程。然后，用绝大部分的真实数据与实验数据集组合成数据集，分成不同工况数据集，进入到对应的工况子模型。
此时，利用实验数据集所训练的初始神经网络模型，对真实数据集进行半监督训练的步骤，如图6所示，包括：
步骤S61，根据扰动数据，确定真实数据集中的非扰动数据。
步骤S62，利用伪标签模型对非扰动数据进行半监督训练，并将伪标签模型输出的结果作为已标记数据进行迭代训练。
具体的，模型训练时所用的损失函数，为相对熵函数、均方根误差函数、交叉熵函数和均方误差函数上述一种或多种函数的组合；其中，相对熵函数和均方根误差函数用于对加入未标注数据与原有真实数据集的一致性进行评估；交叉熵函数和均方误差函数用于计算已标注数据的准确性。
训练过程中，首先用实验数据集训练好一个模型作为初始神经网络模型，然后对真实数据进行预测。再使用预测得到的标签和原带标签数据融合，重训练模型。损失函数可采用能够评估数据分布一致性的损失函数和准确率判断损失函数作为联合损失函数。准确率判断部分的损失函数，对未标注和已标注的部分引入权重计算系数。随迭代轮次，依次增加原未标注数据在训练过程中的权重。
步骤S504，当初始神经网络模型的损失函数的输出结果满足预设关系时停止训练，得到蒸馏模型。
在一些实施方式中，上述蒸馏模型采用教师退火的方式进行训练；其中，不同工况对应的子模型作为教师模型；蒸馏模型作为学生模型。
在对模型进行蒸馏过程中，损失函数的部分包括对于加入非标签后的数据与原本工况子分类下的数据进行的一致性评估，以及对原有标签数据部分单独计算的准确性指标(交叉熵函数或MSE函数等)，二者之间加权的结构可采用教师退火的方式进行。例如，子模型的损失函数为MSE(均方误差)，蒸馏模型的损失函数为子模型的加权之和。
模型的训练过程将真实数据视为非标签数据集，对该部分数据集分为两部分使用：添加干扰项及半监督训练。在数据集输入阶段加入了扰动，该方式就与现有模型有明显差异，虽然原理上都是通过加入数据干扰项提升robust，但本实施例中是逆向思维，是已知这种扰动进而用真实的数据来实现，并非传统的随机扰动方式，对已知的非标签数据集进行数据分布的近似操作。同时将半监督过程与蒸馏模型相结合形成闭环，完成共同的更新和迭代，强调强关联性。
具体的说，闭环流程为：特征提取-数据集扰动融合-半监督标签预估-工况子模型训练-多工况模型训练-半监督标签预估，从半监督标签预估过程实现了半监督过程与蒸馏模型相结合的强关联闭环关系。
综上所述，该实施例中的蒸馏模型在进行电池包健康度预估计算的过程中，能够对不同工况下的数据集进行预分类并分别训练对应的子模型；并实现了将多个子模型进行模型融合，能够实现多工况条件下的电池包健康度计算；模型训练的过程中可利用“教师退火”机制，提升模型的整体性能，完成由无监督逐渐过渡到有监督的模型学习与训练。模型训练过程中更有效地保留了差异化信息，提升了预测的准确度。
在一些实施方式中，上述根据电池包的充电数据确定充电数据集的步骤S101，如图7所示，包括：
步骤S701，获取电池包的充电数据；其中，充电数据至少包括电池电压以及电池容量。
步骤S702，利用容量增量法计算充电数据中的电池电压与电池容量的特征数据；特征数据至少包括：IC曲线特征数据、充电时序条件下的可描述变化特征数据及其统计类的特征数据。
步骤S703，根据特征数据确定电池包的衰减数据，并根据电池包的衰减数据确定充电数据集。
容量增量法是基于电池包充电过程中电压和电量的相对变化得到的曲线，得到结果通常以IC曲线的形式得以展现，能够展示电池包老化过程中内部的细微变化。因此基于容量增量法确定电池包的衰减数据后，最终可确定充电数据集。
通过上述实施例中的电池包健康状态计算方法可知，该方法可通过对不同工况下的数据集进行预分类并通过训练得到相应的子模型，获得的子模型可通过融合计算得到蒸馏模型。由于蒸馏模型的获取过程中是通过不同工况下的电池包的健康度数据及其对应的标签数据所实现的，蒸馏模型的训练过程是从无监督逐渐过渡到有监督的模型训练，使得模型过程中更有效的保留了差异化信息，在半监督过程中通过数据融合和数据扰动的方式进一步提升模型性能，最终提升最终电池包健康状态计算的准确率。
对应于上述方法实施例，本发明实施例还提供了一种电池包健康状态计算系统，其结构示意图如图8所示，其中，该系统包括：
电池包数据集获取模块810，用于根据电池包的充电数据确定充电数据集；其中，充电数据集中包含至少一种工况下的电池衰减数据及其对应的标签数据；
电池包健康度数据确定模块820，用于将不同工况的电池包的充电数据分别输入至对应的已完成训练的子模型中，子模型根据对应工况下的电池衰减数据计算并输出电池包在对应工况下的健康度数据；
电池包健康状态计算模块830，用于将不同工况下的电池包的健康度数据及其对应的标签数据输入至已完成训练的蒸馏模型中；蒸馏模型根据不同工况下电池包对应的预设权重值、健康度数据及其标签数据确定电池包的健康状态。
本发明实施例提供的电池包健康状态计算系统，与上述实施例提供的电池包健康状态计算方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。为简要描述，实施例部分未提及之处，可参考前述电池包健康状态计算方法实施例中相应内容。
本实施例还提供一种电子设备，为该电子设备的结构示意图如图9所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述电池包健康状态计算方法。
图9所示的电子设备还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。
其中，存储器102可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。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。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元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通信接口，设备或单元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单元可以是或者也可以不是物理上分开的，作为单元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单元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单元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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以用软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种电池包健康状态计算方法，其特征在于，所述方法包括：
根据所述电池包的充电数据确定充电数据集；其中，所述充电数据集中包含至少一种工况下的电池衰减数据及其对应的标签数据；
将不同工况的所述电池包的充电数据集分别输入至对应的已完成训练的子模型中，所述子模型根据对应工况下的所述电池衰减数据计算并输出所述电池包在对应工况下的健康度数据；
将不同工况下的所述电池包的健康度数据及其对应的所述标签数据输入至已完成训练的蒸馏模型中；所述蒸馏模型根据不同工况下电池包对应的预设权重值、所述健康度数据及其所述标签数据确定所述电池包的健康状态。
2.根据权利要求1所述的电池包健康状态计算方法，其特征在于，所述子模型根据对应工况下的所述电池衰减数据计算并输出所述电池包在对应工况下的健康度数据，包括：
根据所述电池包的充电数据确定对应工况下所述电池包的健康特征数据；其中，所述健康特征数据为具有多个时序参数的特征向量；所述健康特征数据包含所述电池衰减数据；
所述子模型对所述电池包的特征向量进行计算，利用所述健康特征数据中包含的所述电池衰减数据确定所述电池包在对应工况下的健康度数据。
3.根据权利要求2所述的电池包健康状态计算方法，其特征在于，所述子模型由卷积神经网络以及长短期记忆网络组成；
所述子模型对所述电池包的特征向量进行计算，利用所述健康特征数据中包含的所述电池衰减数据确定所述电池包在对应工况下的健康度数据，包括：
将所述电池包的特征向量输入至所述卷积神经网络中，得到第一结果；其中，所述第一结果包含所述电池包的电池衰减数据；
将所述第一结果输入至所述长短期记忆网络中，得到第二结果；其中，所述第二结果包含所述电池包的健康度数据；
利用softmax激活函数对第二结果进行计算，确定所述电池包在对应工况下的健康度数据。
4.根据权利要求1所述的电池包健康状态计算方法，其特征在于，所述蒸馏模型的训练过程，包括：
根据所述电池包的充电数据确定模型训练数据集；所述模型训练数据集包括：实验数据集以及真实数据集；其中，所述实验数据集为通过容量测试确定的所述电池包的电芯充电实时电流值和电压值；所述真实数据集为电池管理系统实时采集的所述电池包的电芯充电实时电流值和电压值；
根据所述真实数据集确定所述模型训练数据集的扰动数据；所述扰动数据用于所述蒸馏模型在训练过程中进行干扰；
利用所述实验数据集所训练的初始神经网络模型，对所述真实数据集进行半监督训练；
当所述初始神经网络模型的损失函数的输出结果满足预设关系时停止训练，得到所述蒸馏模型。
5.根据权利要求4所述的电池包健康状态计算方法，其特征在于，所述初始神经网络模型为伪标签模型；其中，所述实验数据集为已标注数据，所述真实数据集为未标注数据；
所述利用所述实验数据集所训练的初始神经网络模型，对所述真实数据集进行半监督训练的步骤，包括：
根据所述扰动数据，确定所述真实数据集中的非扰动数据；
利用所述伪标签模型对所述非扰动数据进行半监督训练，并将所述伪标签模型输出的结果作为已标记数据进行迭代训练。
6.根据权利要求5所述的电池包健康状态计算方法，其特征在于，所述蒸馏模型训练时所用的损失函数，为相对熵函数、均方根误差函数、交叉熵函数和均方误差函数上述一种或多种函数的组合；
其中，所述相对熵函数和所述均方根误差函数用于对加入所述未标注数据与原有所述真实数据集的一致性进行评估；所述交叉熵函数和均方误差函数用于计算所述已标注数据的准确性。
7.根据权利要求1所述的电池包健康状态计算方法，其特征在于，所述蒸馏模型采用教师退火的方式进行训练；其中，不同工况对应的所述子模型作为教师模型；所述蒸馏模型作为学生模型。
8.根据权利要求1所述的电池包健康状态计算方法，其特征在于，根据所述电池包的充电数据确定充电数据集的步骤，包括：
获取所述电池包的充电数据；其中，所述充电数据至少包括电池电压以及电池容量；
利用容量增量法计算所述充电数据中的所述电池电压与所述电池容量的特征数据；所述特征数据至少包括：IC曲线特征数据、充电时序条件下的可描述变化特征数据及其统计类的特征数据；
根据所述特征数据确定所述电池包的衰减数据，并根据所述电池包的衰减数据确定所述充电数据集。
9.一种电池包健康状态计算系统，其特征在于，所述系统包括：
电池包数据集获取模块，用于根据所述电池包的充电数据确定充电数据集；其中，所述充电数据集中包含至少一种工况下的电池衰减数据及其对应的标签数据；
电池包健康度数据确定模块，用于将不同工况的所述电池包的充电数据分别输入至对应的已完成训练的子模型中，所述子模型根据对应工况下的所述电池衰减数据计算并输出所述电池包在对应工况下的健康度数据；
电池包健康状态计算模块，用于将不同工况下的所述电池包的健康度数据及其对应的所述标签数据输入至已完成训练的蒸馏模型中；所述蒸馏模型根据不同工况下电池包对应的预设权重值、所述健康度数据及其所述标签数据确定所述电池包的健康状态。
10.一种电子设备，其特征在于，包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时实现如权利要求1至8任一项所述的电池包健康状态计算方法的步骤。
11.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时实现上述权利要求1至8任一项所述的电池包健康状态计算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110471150.0A CN113219357A (zh) | 2021-04-28 | 2021-04-28 | 电池包健康状态计算方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110471150.0A CN113219357A (zh) | 2021-04-28 | 2021-04-28 | 电池包健康状态计算方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113219357A true CN113219357A (zh) | 2021-08-06 |
Family
ID=77089933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110471150.0A Pending CN113219357A (zh) | 2021-04-28 | 2021-04-28 | 电池包健康状态计算方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113219357A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113219358A (zh) * | 2021-04-29 | 2021-08-06 | 东软睿驰汽车技术（沈阳）有限公司 | 电池包健康状态计算方法、系统及电子设备 |
| CN114114056A (zh) * | 2022-01-25 | 2022-03-01 | 深圳康普盾科技股份有限公司 | 一种换电柜的电池检测回收方法、系统及存储介质 |
| CN114217235A (zh) * | 2021-11-05 | 2022-03-22 | 东软睿驰汽车技术（沈阳）有限公司 | 基于电池健康状态的加速校核方法、装置和电子设备 |
| CN116298930A (zh) * | 2023-05-11 | 2023-06-23 | 苏州清研精准汽车科技有限公司 | 电池包健康度的测量方法、装置及服务器 |
| WO2023221587A1 (zh) * | 2022-05-16 | 2023-11-23 | 深圳市道通合创数字能源有限公司 | 电动车辆的动力电池的健康状态确定方法及服务器 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109693146A (zh) * | 2017-10-23 | 2019-04-30 | 发那科株式会社 | 寿命推定装置以及机器学习装置 |
| CN109711544A (zh) * | 2018-12-04 | 2019-05-03 | 北京市商汤科技开发有限公司 | 模型压缩的方法、装置、电子设备及计算机存储介质 |
| CN111626404A (zh) * | 2020-05-14 | 2020-09-04 | 北京航空航天大学 | 基于生成对抗神经网络的深度网络模型压缩训练方法 |
| CN112446476A (zh) * | 2019-09-04 | 2021-03-05 | 华为技术有限公司 | 神经网络模型压缩的方法、装置、存储介质和芯片 |
| US20210097400A1 (en) * | 2019-10-01 | 2021-04-01 | Samsung Display Co., Ltd. | System and method for knowledge distillation |
-
2021
- 2021-04-28 CN CN202110471150.0A patent/CN113219357A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109693146A (zh) * | 2017-10-23 | 2019-04-30 | 发那科株式会社 | 寿命推定装置以及机器学习装置 |
| CN109711544A (zh) * | 2018-12-04 | 2019-05-03 | 北京市商汤科技开发有限公司 | 模型压缩的方法、装置、电子设备及计算机存储介质 |
| CN112446476A (zh) * | 2019-09-04 | 2021-03-05 | 华为技术有限公司 | 神经网络模型压缩的方法、装置、存储介质和芯片 |
| US20210097400A1 (en) * | 2019-10-01 | 2021-04-01 | Samsung Display Co., Ltd. | System and method for knowledge distillation |
| CN111626404A (zh) * | 2020-05-14 | 2020-09-04 | 北京航空航天大学 | 基于生成对抗神经网络的深度网络模型压缩训练方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赖叶静 等: "深度神经网络模型压缩方法与进展", 《华东师范大学学报(自然科学版)》, 25 September 2020 (2020-09-25), pages 68 - 82 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113219358A (zh) * | 2021-04-29 | 2021-08-06 | 东软睿驰汽车技术（沈阳）有限公司 | 电池包健康状态计算方法、系统及电子设备 |
| CN114217235A (zh) * | 2021-11-05 | 2022-03-22 | 东软睿驰汽车技术（沈阳）有限公司 | 基于电池健康状态的加速校核方法、装置和电子设备 |
| CN114217235B (zh) * | 2021-11-05 | 2024-02-20 | 东软睿驰汽车技术（沈阳）有限公司 | 基于电池健康状态的加速校核方法、装置和电子设备 |
| CN114114056A (zh) * | 2022-01-25 | 2022-03-01 | 深圳康普盾科技股份有限公司 | 一种换电柜的电池检测回收方法、系统及存储介质 |
| CN114114056B (zh) * | 2022-01-25 | 2022-04-26 | 深圳康普盾科技股份有限公司 | 一种换电柜的电池检测回收方法、系统及存储介质 |
| WO2023221587A1 (zh) * | 2022-05-16 | 2023-11-23 | 深圳市道通合创数字能源有限公司 | 电动车辆的动力电池的健康状态确定方法及服务器 |
| CN116298930A (zh) * | 2023-05-11 | 2023-06-23 | 苏州清研精准汽车科技有限公司 | 电池包健康度的测量方法、装置及服务器 |
| CN116298930B (zh) * | 2023-05-11 | 2023-09-05 | 苏州清研精准汽车科技有限公司 | 电池包健康度的测量方法、装置及服务器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113219357A (zh) | 电池包健康状态计算方法、系统及电子设备 | |
| Song et al. | Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries | |
| Kim et al. | Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data | |
| Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
| CN108983103B (zh) | 一种动力电池的数据处理方法和装置 | |
| Zhao et al. | A compact methodology via a recurrent neural network for accurate equivalent circuit type modeling of lithium-ion batteries | |
| CN107785624B (zh) | 一种评估锂电池性能的方法 | |
| WO2022253038A1 (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
| KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
| von Bülow et al. | A review on methods for state of health forecasting of lithium-ion batteries applicable in real-world operational conditions | |
| CN110568359A (zh) | 一种锂电池剩余寿命预测方法 | |
| Zhang et al. | An adaptive battery capacity estimation method suitable for random charging voltage range in electric vehicles | |
| Luzi et al. | A novel neural networks ensemble approach for modeling electrochemical cells | |
| KR20150022896A (ko) | 프로세싱 방법으로부터의 데이터에 따라 전력 상태를 결정하기 위한 장치 및 방법 | |
| Xie et al. | Quantified assessment of internal short-circuit state for 18 650 batteries using an extreme learning machine-based pseudo-distributed model | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
| CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
| CN117031310A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
| Wang et al. | Fast modeling of the capacity degradation of lithium-ion batteries via a conditional temporal convolutional encoder–decoder | |
| Schmitt et al. | State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data | |
| CN106154170B (zh) | 电池剩余容量的估算方法及系统 | |
| Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network |
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 |