CN113219358A - 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
- CN113219358A CN113219358A CN202110477366.8A CN202110477366A CN113219358A CN 113219358 A CN113219358 A CN 113219358A CN 202110477366 A CN202110477366 A CN 202110477366A CN 113219358 A CN113219358 A CN 113219358A
- Authority
- CN
- China
- Prior art keywords
- data
- battery pack
- neural network
- data set
- network 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 79
- 238000004364 calculation method Methods 0.000 title claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000004821 distillation Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 10
- 230000003862 health status Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007906 compression Methods 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
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 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
- 238000012958 reprocessing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
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第一数据集；其中，第一数据集中包含至少一种工况下的电池衰减数据；然后将第一数据集输入至第一神经网络模型中，第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集；再将第二数据集输入至第二神经网络模型中进行计算，并根据第二神经网络模型的输出结果确定电池包的健康状态。该方法对工况繁多复杂的电池包充电数据进行缩减，并可通过数据蒸馏的方式对充电数据进行压缩，提高了电池包充电数据的可用程度，有利于提升电池包健康状态的计算精度。
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，该方法能够对工况繁多复杂的电池包充电数据进行缩减，并可通过数据蒸馏的方式对充电数据进行压缩，提高了电池包充电数据的可用程度，有利于提升电池包健康状态的计算精度。
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，该方法包括：
根据电池包的充电数据确定第一数据集；其中，第一数据集中包含至少一种工况下的电池衰减数据；
将第一数据集输入至第一神经网络模型中，第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集；
将第二数据集输入至第二神经网络模型中进行计算，并根据第二神经网络模型的输出结果确定电池包的健康状态。
在一些实施方式中，根据电池包的充电数据确定第一数据集的步骤，包括：
获取电池包中的充电数据；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；
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第一数据集。
在一些实施方式中，上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。
在一些实施方式中，上述第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集的过程，包括：
利用第一神经网络模型分别对第一数据集中的电池包充电数据进行数据蒸馏，得到电池包蒸馏数据；其中，每个电池包蒸馏数据对应一种电池包充电状态；
根据各个状态的电池包蒸馏数据确定并输出第二数据集。
在一些实施方式中，上述第一神经网络模型的训练过程，包括：
将第一神经网络模型训练的输入数据，输入至第一神经网络模型；其中，第一神经网络模型为随机初始化的神经网络；
利用梯度下降法对输入数据进行收敛计算，并通过预设的最小化目标函数确定输入数据的合成数据以及学习率；
将输入数据的合成数据以及学习率输入至第一神经网络模型进行循环计算，直至第一神经网络模型的损失函数满足预设阈值时停止训练；其中，损失函数包括：用于进行收敛计算后的第一数据集的数据分布进行评估的第一损失函数以及用于电池包的健康状态进行评估的第二损失函数。
在一些实施方式中，上述第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集之后，方法还包括：
将第二数据集输入至第一神经网络模型中；
第一神经网络模型利用第二数据集进行训练。
在一些实施方式中，上述第二神经网络模型，为卷积神经网络、长短期记忆网络、自编码神经网络、变分编码神经网络上述一种或多种神经网络模型。
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：
第一数据集确定模块，用于根据电池包的充电数据确定第一数据集；其中，第一数据集中包含至少一种工况下的电池衰减数据；
第二数据集确定模块，用于将第一数据集输入至第一神经网络模型中，第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集；
电池包健康状态确定模块，用于将第二数据集输入至第二神经网络模型中进行计算，并根据第二神经网络模型的输出结果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、系统及电子设备，该方法首先根据电池包的充电数据确定第一数据集；其中，第一数据集中包含至少一种工况下的电池衰减数据；然后将第一数据集输入至第一神经网络模型中，第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集；再将第二数据集输入至第二神经网络模型中进行计算，并根据第二神经网络模型的输出结果确定电池包的健康状态。该方法对工况繁多复杂的电池包充电数据进行缩减，并可通过数据蒸馏的方式对充电数据进行压缩，提高了电池包充电数据的可用程度，有利于提升电池包健康状态的计算精度。
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步骤S101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，第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集的过程的流程图；
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，第一神经网络模型的训练过程的流程图；
图5为本发明实施例提供的一种电池包健康状态计算系统的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
图标：
510-第一数据集确定模块；520-第二数据集确定模块；530-电池包健康状态确定模块；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(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，该方法能够对工况繁多复杂的电池包充电数据进行缩减，并可通过数据蒸馏的方式对充电数据进行压缩，提高了电池包充电数据的可用程度，有利于提升电池包健康状态的计算精度。
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，该方法包括：
步骤S101，根据电池包的充电数据确定第一数据集；其中，第一数据集中包含至少一种工况下的电池衰减数据。
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。
步骤S102，将第一数据集输入至第一神经网络模型中，第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集。
第一神经网络模型能够根据对第一数据集中包含的各种复杂工况下的电池衰减数据进行提取和整合，将第一数据集中的重复数据以及冗余属性对应的数据进行去除，实现了对电池包充电数据的压缩。
具体的说，第一数据集可认为是初始电池包健康数据；第二数据集可认为是压缩后的电池包健康数据。压缩后的第二数据集的数据量远低于第一数据集的数据量，减少了冗余数据对电池包健康状态计算的干扰，有利于提升电池包健康状态的计算精度。
步骤S103，将第二数据集输入至第二神经网络模型中进行计算，并根据第二神经网络模型的输出结果确定电池包的健康状态。
第二神经网络模型用于获取电池包的健康状态结果，在进行电池包的健康状态计算过程中需要时间参数，即第二神经网络模型在进行充电特征提取时需要结合时间参数。例如，第二神经网络中可包含：横向特征提取单元以及纵向特征提取单元；此时的横向特征和纵向特征，针对的是本领域中的横向联邦学习模型以及纵向联邦学习模型对应的特征，具体的说，横向特征提取单元用于获取充电数据中的属性特征之间的隐含关系；纵向特征提取单元用于引入时间维度上的信息变化。
第一神经网络模型可利用数据集蒸馏模型得以实现；第二神经网络模型可通过CNN、LSTM等网络得以实现。第一神经网络以及第二神经网络在训练过程中可相互结合的方式共同训练，相应的损失函数也可进行相互融合。
通过上述实施例中的电池包健康状态计算方法可知，该方法能够对工况繁多复杂的电池包充电数据进行缩减，并可通过数据蒸馏的方式对充电数据进行压缩，提高了电池包充电数据的可用程度，有利于提升电池包健康状态的计算精度。
在一些实施方式中，根据电池包的充电数据确定第一数据集的步骤S101，可通过容量增量法得以实现，具体如图2所示，包括：
步骤S201，获取电池包中的充电数据；其中，充电数据至少包括电池电压以及电池容量。
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。
步骤S202，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。
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。
具体实施过程中，利用容量增量法计算得到的电池电压与电池容量的特征数据包括：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S203，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第一数据集。
第一数据集中的电池包衰减数据基于IC曲线图进行特征提取得到的，并结合时序得到一系列的特征输入至第二神经网络模型中进行计算。具体的说，第二神经网络模型的输入是已提取过的衰减数据对应的特征，相当于每一次充电会对应一条特征数据，这条特征数据包含对该次充电的ICA曲线提取得到的特征。
在一些实施方式中，上述第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集的过程，如图3所示，包括：
步骤S301，利用第一神经网络模型分别对第一数据集中的电池包充电数据进行数据蒸馏，得到电池包蒸馏数据。
数据蒸馏可用现有的网络蒸馏手段，本质上是一种数据集压缩。数据集压缩过程中保持相关模型的固定，将整个第一数据集的电池包数据通过若干个梯度下降过程最终得到电池包蒸馏数据。其中，每个电池包蒸馏数据对应一种电池包充电状态；例如，在电池衰减数据的生成过程中提取了40个特征，那么每条特征数据包含40个具体的数据。
步骤S302，根据各个状态的电池包蒸馏数据确定并输出第二数据集。
在大数据场景下，越来越多的真实数据集由于数据繁杂，工况难以表示或归类，在电池包健康状态计算时的这种与工况强相关的任务中，难以达到预期效果。数据集蒸馏原理上表现为使用更少的数据表示原数据集，达到甚至超过使用原数据集的特征表征能力。
在一些实施方式中，上述第一神经网络模型的训练过程，如图4所示，包括：
步骤S401，将第一神经网络模型训练的输入数据，输入至第一神经网络模型；其中，第一神经网络模型为随机初始化的神经网络。
以第一神经网络模型为网络蒸馏模型为例，第一神经网络模型训练过程中所用的输入数据为电池包的电池包，包含着电池衰减数据，也包含与电池健康状态计算过程无关的电池包。
步骤S402，利用梯度下降法对输入数据进行收敛计算，并通过预设的最小化目标函数确定输入数据的合成数据以及学习率。
训练过程通常是在小批量训练数据上做随机梯度下降，通过最小化目标函数来获得输入数据的合成数据以及学习率，例如最小化目标函数的形式如下：
其中，
为合成数据；
为学习率；
为蒸馏数据的函数；θ0为初始函数；
为合成数据在网络中的损失函数。
通过给定一个初始函数θ0，通过上述最小化目标函数获得合成数据
和学习率
生成新的θ1作为合成数据
(即蒸馏数据)的函数，并通过学习率重新评估新的权重。损失函数
在
和
上都是可微的，可利用标准的基于梯度下降的方法来优化。
步骤S403，将输入数据的合成数据以及学习率输入至第一神经网络模型进行循环计算，直至第一神经网络模型的损失函数满足预设阈值时停止训练。
通过合成数据以及学习率参数的循环训练，并结合第一神经网络模型的损失函数来控制模型训练的过程。该损失函数包括：用于进行收敛计算后的第一数据集的数据分布进行评估的第一损失函数以及用于电池包的健康状态进行评估的第二损失函数。该步骤中的损失函数为联合损失函数，即整个电池包健康度预估模型传回的整体损失函数与数据集蒸馏模块自身构造的数据集生成评估函数加权求和得到的。数据集蒸馏模块自身构造的评估函数可以认为是数据集蒸馏模块自己的损失函数，用于衡量分布之间差异性的标准。
通过联合损失函数控制模型整体指标与从数据分布出发的蒸馏模块获取的分布评估指标间的关系，促进更新，防止了蒸馏过度带来的信息过量损失，同时又基于业务层面过滤掉对该业务实现无用的信息。
具体的说，第一损失函数是基于评估数据集蒸馏模型的数据分布损失函数，第二损失函数是电池包的健康状态进行评估的损失函数。由于电池包的健康状态进行评估的过程中是基于数据集蒸馏后的结果所实现的，因此只要第二损失函数进行运算时，第一损失函数也执行运算。
当第一损失函数达到预设阈值时，可停止模型中针对第一损失函数的训练，仅仅训练第二损失函数涉及的模型。
上述第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集之后，将压缩后的第二数据集重新输入至第一神经网络中进行重复训练，即：将第二数据集输入至第一神经网络模型中；第一神经网络模型利用第二数据集进行训练。
第二神经网络可由一层CNN与一层双向LSTM构成，输入数据依次通过CNN一级LSTM后，最终softmax完成电池健康度的回归预测。第二神经网络的结构组成可根据电池包健康状态的实际场景来进行调整，具体实施方式中，上述第二神经网络模型可为卷积神经网络、长短期记忆网络、自编码神经网络、变分编码神经网络上述一种或多种神经网络模型。
从上述实施例中提到的电池包健康状态计算方法中可知，该方法可通过ICA分析法从得到的电池充电曲线中提取特征，特征提取过程时可更加注重曲线相对斜率、曲线分波段曲率以及局部最大最小值之间的提取。实现了对ICA曲线进行再加工过程，整体加工的方向倾向于相对变化特征。
在电池包健康状态计算过程时，通过第一神经网络模型对第一数据集进行蒸馏，实现了第一数据集的压缩，有利于后续使用第二神经网络时对电池包健康状态的计算精度。
第二神经网络模型中通过横向特征提取单元去获取曲线特征间的隐含关系，并通过纵向提取单元引入时间维度上的信息变化。第二神经网络模型可与第一神经网络模型进行联合，使用联合损失函数对模型进行训练。通过联合损失函数控制模型整体指标与从数据分布出发的蒸馏模块获取的分布评估指标间的关系，促进更新，防止了蒸馏过度带来的信息过量损失，同时又基于业务层面过滤掉对该业务实现无用的信息。
综上所述，该实施例中的电池包健康状态计算方法，可通过采用ICA分析法提取电池包特征数据，并通过第一神经网络进行数据压缩，并将压缩后的数据通过第二神经网络进行计算，最终获得电池包的健康状态计算结果。由于在第一神经网络中实现了数据集的蒸馏，能够对真实数据集中复杂的电池充电工况数据进行提取和整合，提高后续电池包健康状态计算的准确性、鲁棒性和实用性。解决了现有技术中由于真实车辆数据集中工况数量繁多且复杂导致的特征提取分散、难以统一的问题，提升了电池包的健康状态计算精度。
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5所示，其中，该系统包括：
第一数据集确定模块510，用于根据电池包的充电数据确定第一数据集；其中，第一数据集中包含至少一种工况下的电池衰减数据；
第二数据集确定模块520，用于将第一数据集输入至第一神经网络模型中，第一神经网络模型对第一数据集中的电池包充电数据进行压缩，输出第二数据集；
电池包健康状态确定模块530，用于将第二数据集输入至第二神经网络模型中进行计算，并根据第二神经网络模型的输出结果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6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6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6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。以上所描述的系统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 (10)
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第一数据集；其中，所述第一数据集中包含至少一种工况下的电池衰减数据；
将所述第一数据集输入至第一神经网络模型中，所述第一神经网络模型对所述第一数据集中的电池包充电数据进行压缩，输出第二数据集；
将所述第二数据集输入至第二神经网络模型中进行计算，并根据所述第二神经网络模型的输出结果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，根据所述电池包的充电数据确定第一数据集的步骤，包括：
获取所述电池包中的充电数据；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，
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第一数据集。
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。
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，所述第一神经网络模型对所述第一数据集中的电池包充电数据进行压缩，输出第二数据集的过程，包括：
利用所述第一神经网络模型分别对所述第一数据集中的电池包充电数据进行数据蒸馏，得到电池包蒸馏数据；其中，每个所述电池包蒸馏数据对应一种电池包充电状态；
根据各个状态的所述电池包蒸馏数据确定并输出所述第二数据集。
5.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，所述第一神经网络模型的训练过程，包括：
将所述第一神经网络模型训练的输入数据，输入至所述第一神经网络模型；其中，所述第一神经网络模型为随机初始化的神经网络；
利用梯度下降法对所述输入数据进行收敛计算，并通过预设的最小化目标函数确定所述输入数据的合成数据以及学习率；
将所述输入数据的合成数据以及所述学习率输入至所述第一神经网络模型进行循环计算，直至所述第一神经网络模型的损失函数满足预设阈值时停止训练；其中，所述损失函数包括：用于进行收敛计算后的所述第一数据集的数据分布进行评估的第一损失函数以及用于所述电池包的健康状态进行评估的第二损失函数。
6.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，所述第一神经网络模型对所述第一数据集中的电池包充电数据进行压缩，输出第二数据集之后，所述方法还包括：
将所述第二数据集输入至所述第一神经网络模型中；
所述第一神经网络模型利用所述第二数据集进行训练。
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，所述第二神经网络模型，为卷积神经网络、长短期记忆网络、自编码神经网络、变分编码神经网络上述一种或多种神经网络模型。
8.一种电池包健康状态计算系统，其特征在于，所述系统包括：
第一数据集确定模块，用于根据所述电池包的充电数据确定第一数据集；其中，所述第一数据集中包含至少一种工况下的电池衰减数据；
第二数据集确定模块，用于将所述第一数据集输入至第一神经网络模型中，所述第一神经网络模型对所述第一数据集中的电池包充电数据进行压缩，输出第二数据集；
电池包健康状态确定模块，用于将所述第二数据集输入至第二神经网络模型中进行计算，并根据所述第二神经网络模型的输出结果确定所述电池包的健康状态。
9.一种电子设备，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7任一项所述的电池包健康状态计算方法的步骤。
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7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 |
|---|---|---|---|
| CN202110477366.8A CN113219358A (zh) | 2021-04-29 | 2021-04-29 | 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 |
|---|---|---|---|
| CN202110477366.8A CN113219358A (zh) | 2021-04-29 | 2021-04-29 | 电池包健康状态计算方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113219358A true CN113219358A (zh) | 2021-08-06 |
Family
ID=77090081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110477366.8A Pending CN113219358A (zh) | 2021-04-29 | 2021-04-29 | 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) | CN113219358A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066100A (zh) * | 2021-12-01 | 2022-02-18 | 深圳市新威尔电子有限公司 | 基于联邦学习的在线式电池循环寿命预测系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201506643D0 (en) * | 2015-04-20 | 2015-06-03 | Trakm8 Ltd | Monitoring the health of a vehicle battery |
| CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
| CN110622348A (zh) * | 2017-05-03 | 2019-12-27 | 株式会社半导体能源研究所 | 神经网络、蓄电系统、车辆及电子设备 |
| US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
| CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
| CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
| CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
| CN112308213A (zh) * | 2020-11-05 | 2021-02-02 | 湖南大学 | 一种基于全局特征关系的卷积神经网络压缩方法 |
| CN112585621A (zh) * | 2018-06-11 | 2021-03-30 | 英艾特股份公司 | 将循环人工神经网络中的活动特征化以及编码和解码信息 |
| CN113219357A (zh) * | 2021-04-28 | 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 |
-
2021
- 2021-04-29 CN CN202110477366.8A patent/CN113219358A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201506643D0 (en) * | 2015-04-20 | 2015-06-03 | Trakm8 Ltd | Monitoring the health of a vehicle battery |
| CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
| CN110622348A (zh) * | 2017-05-03 | 2019-12-27 | 株式会社半导体能源研究所 | 神经网络、蓄电系统、车辆及电子设备 |
| US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
| CN112585621A (zh) * | 2018-06-11 | 2021-03-30 | 英艾特股份公司 | 将循环人工神经网络中的活动特征化以及编码和解码信息 |
| CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
| CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
| CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
| CN112308213A (zh) * | 2020-11-05 | 2021-02-02 | 湖南大学 | 一种基于全局特征关系的卷积神经网络压缩方法 |
| CN113219357A (zh) * | 2021-04-28 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 王真: "低压锂电池组健康状态预测研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, 15 January 2020 (2020-01-15), pages 042 - 3011 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066100A (zh) * | 2021-12-01 | 2022-02-18 | 深圳市新威尔电子有限公司 | 基于联邦学习的在线式电池循环寿命预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
| CN112540317B (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
| CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN109991545B (zh) | 一种电池包电量检测方法、装置及终端设备 | |
| JP6305988B2 (ja) | 処理方法に由来するデータに基づいてエネルギ状態を判定するデバイス及び方法 | |
| CN111816936B (zh) | 电池梯次利用配组方法、系统、终端设备及存储介质 | |
| CN113111508A (zh) | 电芯一致性的评估方法、装置及服务器 | |
| CN113093027B (zh) | 电池soc校准方法、装置、系统、介质及程序产品 | |
| CN117148168B (zh) | 训练模型的方法、预测电池容量的方法、装置及介质 | |
| CN113189495A (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
| CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
| CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
| CN115047349A (zh) | 电池包的一致性状态评估方法、装置、电子设备和存储介质 | |
| CN113219358A (zh) | 电池包健康状态计算方法、系统及电子设备 | |
| CN113447840B (zh) | 锂离子电池分选方法和装置 | |
| CN117368782A (zh) | 数据分析方法、电池soh估算方法及装置 | |
| CN110068409B (zh) | 锂电池应力预测方法和装置 | |
| CN111856307A (zh) | 估算电池SoH的方法、装置、存储介质及智能设备 | |
| CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及系统 | |
| CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
| WO2023052910A1 (en) | System and method for estimating state of health and remaining useful life of a battery | |
| CN113466722B (zh) | 确定电池荷电状态测量精度的方法及装置，电子设备 | |
| CN114002603B (zh) | 识别电芯的方法、装置及计算机存储介质 | |
| CN113433478A (zh) | 云端估算动力电池健康度的方法及装置 | |
| Chen et al. | Li-ion battery state-of-health estimation based on the combination of statistical and geometric features of the constant-voltage charging stage |
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 |