CN113246797B - 一种电池寿命预测的方法和装置 - Google Patents
一种电池寿命预测的方法和装置 Download PDFInfo
- Publication number
- CN113246797B CN113246797B CN202110627470.0A CN202110627470A CN113246797B CN 113246797 B CN113246797 B CN 113246797B CN 202110627470 A CN202110627470 A CN 202110627470A CN 113246797 B CN113246797 B CN 113246797B
- Authority
- CN
- China
- Prior art keywords
- target
- condition information
- dimension
- battery
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013499 data model Methods 0.000 claims abstract description 62
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 230000006855 networking Effects 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明实施例提供了一种电池寿命预测的方法和装置，所述方法包括：获取与电池容量衰减相关联的目标特征数据维度；获取目标车辆的目标车辆工况信息，并根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型；采用所述数据模型，预测所述目标车辆的电池寿命，采用本发明实施例的方案，实现了根据不同车辆的车辆工况信息建立针对不同车辆的数据模型，以预测其电池寿命，充分考虑了车辆实际的使用环境、驾驶习惯等因素对电池寿命的影响，极大地提高了预测的准确性。
Description
技术领域
本发明涉及汽车领域，特别是涉及一种电池寿命预测的方法和装置。
背景技术
动力电池是电动汽车的核心，预测其电池寿命具有重要意义。
现有的预测电动汽车中电池寿命的方法，一般是通过车辆端电池管理系统的功能模块，基于电池包寿命测试的循环载荷查表法实现，通常做法是：将采用实验条件下的充放电循环数据测得的电池寿命编制成表格，根据实际的充放电循环数据，从表格中查出对应的电池寿命。
但循环载荷查表法是一种理想状态的递推方法，没有考虑不同车辆的使用环境、使用习惯所带来的影响，误差较多，不能准确的预测其电池的寿命。
发明内容
鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种自电池寿命预测的方法和装置，包括：
一种电池寿命预测的方法，所述方法包括：
获取与电池容量衰减相关联的目标特征数据维度；
获取目标车辆的目标车辆工况信息，并根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型；
采用所述数据模型，预测所述目标车辆的电池寿命。
可选的，所述根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型，包括：
根据所述目标车辆工况信息，确定针对所述目标特征数据维度的目标维度权重；
采用所述目标维度权重，建立针对所述目标车辆中电池容量衰减的数据模型。
可选的，所述获取与电池容量衰减相关的目标特征数据维度，包括：
获取样本车辆工况信息；
根据所述样本车辆工况信息确定多个特征数据维度；
从所述多个特征数据维度中，确定与电池电容量衰减相关的目标特征数据维度。
可选的，所述从多个特征数据维度中，确定与电池容量衰减相关的目标特征数据维度，包括：
根据所述样本车辆工况信息，确定所述多个特征数据维度中每个特征数据维度对应的特征数据；
分别对每个特征数据维度对应的特征数据进行针对电池容量衰减的相关性分析，得到与电池电容量衰减相关的目标特征数据维度。
可选的，所述根据所述样本车辆工况信息确定多个特征数据维度，包括：
从所述样本车辆工况信息中，确定与电池相关的电池工况信息；
根据所述电池工况信息，确定多个特征数据维度。
可选的，所述样本车辆工况数据为基于车联网的大数据平台获取的车辆工况数据。
可选的，所述多个特征数据维度包括以下任一项或多项：
载荷循环维度、日历寿命维度、驾驶习惯维度、地域环境维度。
一种电池寿命预测的装置，所述装置包括：
目标特征数据维度获取模块，用于获取与电池容量衰减相关联的目标特征数据维度；
数据模型建立模块，用于获取目标车辆的目标车辆工况信息，并根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型；
电池寿命预测模块，用于采用所述数据模型，预测所述目标车辆的电池寿命。
一种服务器，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的电池寿命的预测方法。
一种计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的电池寿命的预测方法。
本发明实施例具有以下优点：
通过获取与电池容量衰减相关联的目标特征数据维度，获取目标车辆的目标车辆工况信息，并根据目标车辆工况信息和目标特征数据维度，建立针对目标车辆中电池容量衰减的数据模型，采用数据模型，预测目标车辆的电池寿命，实现了根据不同车辆的车辆工况信息建立针对不同车辆的数据模型，以预测其电池寿命，充分考虑了车辆实际的使用环境、驾驶习惯等因素对电池寿命的影响，极大地提高了预测的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明的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发明的一些实施例，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是本发明一实施例提供的一种电池寿命预测的方法的步骤流程图；
图2是本发明一实施例提供的另一种电池寿命预测的方法的步骤流程图；
图3是本发明一实施例提供的又一种电池寿命预测的方法的步骤流程图；
图4是本发明一实施例提供的一种电池寿命预测的装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。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作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。
参照图1，本发明一实施例提供了一种电池寿命预测的方法，其可以应用于预测电动汽车的电池寿命，具体可以包括以下步骤：
步骤101，获取与电池容量衰减相关联的目标特征数据维度；
其中，电池容量可以是电池的充放电容量，即电池所能接受或释放的总电荷量，电池容量可以用于表征电池的寿命，因此可以通过计算电池容量的衰减来预测电池的寿命。
作为一示例，目标特征数据维度至少可以包括以下任一项或者多项：
载荷循环维度、日历寿命维度、驾驶习惯维度、环境温度维度。
其中，载荷循环维度至少可以包括充放电循环次数和充电电流，充放电循环是指电池中电量从完全放电状态通过充电达到完全充电状态，电池容量随着充放电循环次数的增加而下降。
日历寿命维度可以是从车辆下线之日起计算的电池的运行时间，电池容量随运行时间的增加而自然衰减。
驾驶习惯维度至少可以包括剧烈电门控制放电，剧烈踩踏电门控制电池放电容易导致电池内部结晶，造成电池容量衰减。
环境温度维度可以是电池的工作环境的温度。
由于电池容量衰减不仅与电池自身结构相关，也与电池的使用习惯、工作环境相关，例如环境温度、载荷循环、驾驶习惯等因素均会影响电池容量衰减。
基于此，为了实现预测电池寿命，可以先获取与电池容量衰减相关的目标特征数据维度，该目标特征数据维度可以是预先设定的多个特征数据维度，也可以是从电池工况信息中确定的多个特征数据维度，其中，电池工况信息可以是从车辆运行数据中确定的与电池相关的有效特征数据。
步骤102，获取目标车辆的目标车辆工况信息，并根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型；
其中，车辆工况信息可以是车辆运行数据中的有效数据，其包括车辆在运行过程中的一系列参数，如车辆所在地理位置、环境温度、行驶轨迹、发动机工作时长、车辆行驶速度、驾驶员操作记录、电池充放电记录、电池工作温度、电池电压电流等。
在实际应用中，每一台车辆下线之后，其车辆运行数据都会按照时间序列间隔的上传至车联网的大数据平台，因此可以从车联网的大数据平台获取车辆工况数据，从车辆工况数据中获取车辆工况信息。
不同车辆的工作环境、驾驶习惯、电池品质等均存在差异，这导致了不同车辆中电池容量衰减的衰减状态也不相同，即不同车辆中电池容量衰减的衰减速度不同，进而导致不同车辆的电池寿命也不相同，而不同车辆的工作环境、驾驶习惯等差异，均可以在车辆运行数据中体现。
为了实现预测电池寿命，可以获取目标车辆的目标车辆工况信息，该目标车辆工况信息可以是目标车辆的历史车辆工况信息，采用历史车辆工况信息和目标特征数据维度，建立针对目标车辆中电池容量衰减的数据模型。
一示例中，目标车辆工况信息还可以是针对目标车辆的接近实验条件的车辆工况信息，并根据该接近实验条件的车辆工况信息，以及目标特征数据维度，建立针对目标车辆中电池容量衰减的数据模型。
在具体实现中，可以从目标车辆的实际车辆运行数据中，获取接近实验条件下的车辆工况信息，利用该接近实验条件下的车辆工况信息，计算目标车辆在接近实验条件下的电池容量，将其与初始电池容量对比，获取目标车辆中电池容量衰减的目标衰减率，根据目标衰减率，以及目标特征数据维度中的特征数据，建立针对目标车辆中电池容量衰减的数据模型。
步骤103，采用所述数据模型，预测所述目标车辆的电池寿命。
在建立针对目标车辆的数据模型之后，可以将目标车辆的当前车辆工况数据或当前车辆工况信息输入该数据模型，接收数据模型输出的预测目标车辆的电池寿命，其中，当前车辆工况信息可以是从当前车辆工况数据中获取的有效特征数据。
在本发明实施例中，通过获取与电池容量衰减相关联的目标特征数据维度，获取目标车辆的目标车辆工况信息，并根据目标车辆工况信息和目标特征数据维度，建立针对目标车辆中电池容量衰减的数据模型，采用数据模型，预测目标车辆的电池寿命，实现了根据不同车辆的车辆工况信息建立针对不同车辆的数据模型，以预测其电池寿命，充分考虑了车辆实际的使用环境、驾驶习惯等因素对电池寿命的影响，极大地提高了预测的准确性。
参照图2，本发明一实施例提供了另一种电池寿命预测的方法，其可以应用于预测电力汽车的电池寿命，具体可以包括以下步骤：
步骤201，获取与电池容量衰减相关联的目标特征数据维度；
在具体实现中，可以先获取与电池容量衰减相关的目标特征数据维度，该目标特征数据维度可以是预先设定的多个特征数据维度，也可以是从电池工况信息中确定的多个特征数据维度，其中，电池工况信息可以是从车辆运行数据中确定的与电池相关的有效特征数据。
步骤202，获取目标车辆的目标车辆工况信息，根据所述目标车辆工况信息，确定针对所述目标特征数据维度的目标维度权重；
其中，目标车辆工况信息可以是目标车辆的历史车辆工况信息，其可以从目标车辆的历史车辆工况数据中获取，历史车辆工况信息包括历史车辆工况数据中的有效数据。
不同电池的品质具有差异，导致电池对目标特征数据维度的敏感度并不相同，从而导致不同车辆中电池容量衰减的衰减状态也不相同。
为了实现预测电池寿命，可以获取目标车辆的历史车辆工况数据，从历史车辆工况数据中确定历史车辆工况信息，根据目标车辆的历史车辆工况信息，确定针对目标特征数据维度的目标维度权重。
一示例中，可以预先确定目标特征数据维度中多个特征数据维度对应的多个特征数据，然后选择其中一个特征数据维度为自变量，余下的特征数据维度为定量，根据作为自变量的特征数据维度的特征数据的变化对电池容量衰减的影响，确定该特征数据维度的目标维度权重。其中，在计算针对目标特征数据维度的目标维度权重时，电池容量可以通过安时积分算法计算。对目标特征数据维度中的多个特征数据维度分别执行上述步骤，可以得到针对目标特征数据维度的目标维度权重。
步骤203，采用所述目标维度权重，建立针对所述目标车辆中电池容量衰减的数据模型；
在得到针对目标特征数据维度的目标维度权重之后，可以采用该针对目标特征数据维度的目标维度权重，建立针对目标车辆中电池容量衰减的数据模型，以解决不同车辆之间电池品质的差异对目标特征数据维度的敏感度不同而带来的电池寿命差异的问题。
步骤204，采用所述数据模型，预测所述目标车辆的电池寿命。
在建立了针对目标车辆的数据模型之后，可以将目标车辆的当前车辆工况数据或当前车辆工况信息输入该数据模型，接收数据模型输出的预测目标车辆的电池寿命。
目标车辆的当前车辆工况数据或当前车辆工况信息中包括有目标特征数据维度对应的特征数据，在数据模型接收输入的当前车辆工况数据或当前车辆工况信息之后，可以根据目标特征数据维度的目标维度权重，以及与目标特征数据维度对应的特征数据，确定目标车辆中电池容量衰减的当前衰减状态，即电池容量衰减的当前衰减速度，而后可以根据当前衰减状态以及历史电池容量，确定当前电池容量，根据当前电池容量和当前衰减状态，预测电池寿命。
其中，历史电池容量包括前一次利用车辆工况信息或车辆工况数据确定的电池容量，以及车辆下线时的初始电池容量，其存储在车联网的大数据平台中或车辆中。
在本发明实施例中，通过获取与电池容量衰减相关联的目标特征数据维度，获取目标车辆的历史车辆工况信息，根据历史车辆工况信息和目标特征数据维度，建立针对目标车辆中电池容量衰减的数据模型，将目标车辆的当前车辆工况信息输入该数据模型中，获得数据模型输出的预测目标车辆的电池寿命，实现了针对不同车辆的电池品质差异对目标特征数据维度的敏感度不同，建立对应的数据模型，预测其电池寿命，极大地提高了准确性。
参照图3，本发明又一实施例提供了另一种电池寿命预测的方法，其可以应用于预测电力汽车的电池寿命，具体可以包括以下步骤：
步骤301，获取样本车辆工况信息；
电池容量衰减与电池的使用习惯、工作环境相关，例如环境温度、充放电习惯、驾驶习惯等因素均会影响电池容量衰减。
为了实现预测电池寿命，可以先获取样本车辆工况信息，其包括所有下线车辆的车辆运行数据中的有效数据。
一示例中，车辆下线之后，会按照时间序列间隔的将车辆运行数据上传至车联网的大数据平台，而车辆运行数据包括了车辆在运行过程中的一切参数，基于此，可以从车联网的大数据平台中获取所有车辆或部分车辆的车辆运行数据，从其中获取有效数据，得到样本车辆工况信息。
步骤302，根据所述样本车辆工况信息确定多个特征数据维度；
样本车辆工况信息包括车辆运行数据中的有效数据，而车辆运行数据包括车辆在实际运行过程中的一切参数，每个参数对应不同的特征数据维度，每个特征数据维度都可能对车辆的电池容量衰减造成影响。
基于此，为了实现预测电池寿命，可以从样本车辆工况信息中，确定不同参数所对应的特征数据维度。
一示例中，可以从一组或多组样本车辆工况信息中，确定不同参数所对应的特征数据维度。
在本发明一实施例中，步骤302还可以包括如下子步骤：
子步骤S11，从所述样本车辆工况信息中，确定与电池相关的电池工况信息；
车辆工况数据不仅包括与电池相关的数据，也包括与电池明显不相关的数据，如行车录像数据、空调运行数据等，因此从所有车辆工况数据中获取有效数据而得到的样本车辆工况信息，同样也包括了与电池相关的数据，以及与电池明显不相关的数据。
为了实现预测电池寿命，可以在获得样本车辆工况信息之后，从样本车辆工况信息中排除与电池明显不相关的数据，从而筛选出与电池明显相关的数据，从而可以根据与电池明显相关的数据，得到与电池相关的电池工况信息。
子步骤S12，根据所述电池工况信息，确定多个特征数据维度。
由于电池工况信息中根据与电池相关的数据得到的，其可以包括多个与电池相关的特征数据，而每个特征数据均对应不同的特征数据维度。
为了实现预测电池寿命，在得到与电池相关的电池工况信息之后，可以采用电池工况信息中的特征数据，确定多个特征数据维度。
步骤303，从所述多个特征数据维度中，确定与电池电容量衰减相关的目标特征数据维度；
多个特征数据维度都是从车辆运行数据中确定的，可能会包括与电池容量衰减不具备明显相关性的特征数据维度。
针对如上可能的情况，可以对多个特征数据维度分别进行相关性分析，以确定与电池容量衰减相关联的目标特征数据维度。
在本发明一实施例中，步骤303还可以包括如下子步骤：
子步骤S21，根据所述样本车辆工况信息，确定所述多个特征数据维度中每个特征数据维度对应的特征数据；
在得到多个特征数据维度后，可以从样本车辆工况信息中，确定每个特征数据维度对应的特征数据。
子步骤S22，分别对每个特征数据维度对应的特征数据进行针对电池容量衰减的相关性分析，得到与电池电容量衰减相关的目标特征数据维度。
在得到每个特征数据维度对应的特征数据之后，可以采用多个特征数据维度中的一个特征数据维度作为自变量，剩下的特征数据维度作为定量，根据作为自变量的特征数据维度的特征数据的变化对电池容量衰减的影响，确定该特征数据维度与电池容量衰减的相关性。
步骤304，获取目标车辆的目标车辆工况信息，并根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型；
为了实现预测电池寿命，可以获取目标车辆的目标车辆工况数据，该目标车辆工况数据可以是目标车辆的历史车辆工况数据，采用历史车辆工况数据和目标特征数据维度，建立针对目标车辆中电池容量衰减的数据模型。
步骤305，采用所述数据模型，预测所述目标车辆的电池寿命。
在建立了针对目标车辆的数据模型之后，可以将目标车辆的当前车辆工况数据或当前车辆工况信息输入该数据模型，接收数据模型输出的预测目标车辆的电池寿命。
在本发明实施例中，通过获取样本车辆工况信息，以确定多个特征数据维度，从多个特征数据维度中确定与电池容量衰减相关的目标特征数据维度，再获取目标车辆的历史车辆工况信息，以根据目标车辆的历史车辆工况信息和目标特征数据维度，建立针对目标车辆中电池容量衰减的数据模型，使得将目标车辆的当前工况数据输入该数据模型中，即可获得数据模型输出的预测目标车辆的电池寿命，实现了预测目标车辆的电池寿命。
一方面，根据目标车辆的历史车辆工况信息建立数据模型，可以针对不同车辆建立不同的数据模型，充分考虑了不同车辆之间的使用习惯、驾驶习惯、工作环境等因素，提高预测电池寿命的准确性。
另一方面，由于采用车联网的大数据平台确定多个特征数据维度，再从多个特征数据维度中确定与电池容量衰减明显相关的目标特征数据维度，即目标特征数据维度是从车辆运行数据中确定的，包括了全部与电池容量衰减相关的特征数据维度，进一步提高了预测电池寿命的准确性。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图4，示出了本发明一实施例提供的一种电池寿命预测的装置的结构示意图，具体可以包括如下模块：
目标特征数据维度获取模块401，用于获取与电池容量衰减相关联的目标特征数据维度；
数据模型建立模块402，用于获取目标车辆的目标车辆工况信息，并根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型；
电池寿命预测模块403，用于采用所述数据模型，预测所述目标车辆的电池寿命。
在本发明一实施例中，数据模型建立模块402还可以包括：
目标维度权重确定子模块，根据所述目标车辆工况信息，确定针对所述目标特征数据维度的目标维度权重；
数据模型建立子模块，用于采用所述目标维度权重，建立针对所述目标车辆中电池容量衰减的数据模型。
在本发明一实施例中，目标特征数据维度获取模块401还可以包括：
样本车辆工况信息获取子模块，用于获取样本车辆工况信息；
特征数据维度确定子模块，用于根据所述样本车辆工况信息确定多个特征数据维度；
目标特征数据维度确定子模块，用于从所述多个特征数据维度中，确定与电池电容量衰减相关的目标特征数据维度。
在本发明一实施例中，目标特征数据维度确定子模块还可以包括：
特征数据确定单元，用于根据所述样本车辆工况信息，确定所述多个特征数据维度中每个特征数据维度对应的特征数据；
相关性分析单元，用于分别对每个特征数据维度对应的特征数据进行针对电池容量衰减的相关性分析，得到与电池电容量衰减相关的目标特征数据维度。
在本发明一实施例中，特征数据维度确定子模块还可以包括：
电池工况信息确定单元，用于从所述样本车辆工况信息中，确定与电池相关的电池工况信息；
特征数据维度确定单元，用于根据所述电池工况数据，确定多个特征数据维度。
在本发明实施例中，通过目标特征数据维度获取模块401获取与电池容量衰减相关联的目标特征数据维度，通过数据模型建立模块402获取目标车辆的目标车辆工况信息，并根据目标车辆工况信息和目标特征数据维度，建立针对目标车辆中电池容量衰减的数据模型，通过电池寿命预测模块403采用数据模型，预测目标车辆的电池寿命，实现了根据不同车辆的车辆工况信息建立针对不同车辆的数据模型，以预测其电池寿命，充分考虑了车辆实际的使用环境、驾驶习惯等因素对电池寿命的影响，极大地提高了预测的准确性。
本发明一实施例还提供了一种服务器，可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上自动泊车的方法。
本发明一实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上自动泊车的方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对所提供的一种电池寿命预测的方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种电池寿命预测的方法，其特征在于，所述方法包括：
获取与电池容量衰减相关联的目标特征数据维度；
获取目标车辆的目标车辆工况信息，并根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型；
采用所述数据模型，预测所述目标车辆的电池寿命；
其中，所述获取与电池容量衰减相关的目标特征数据维度，包括：
获取样本车辆工况信息；
根据所述样本车辆工况信息确定多个特征数据维度；
从所述多个特征数据维度中，确定与电池容量衰减相关的目标特征数据维度；
其中，从多个特征数据维度中，确定与电池容量衰减相关的目标特征数据维度，包括：
根据所述样本车辆工况信息，确定所述多个特征数据维度中每个特征数据维度对应的特征数据；
分别对每个特征数据维度对应的特征数据进行针对电池容量衰减的相关性分析，得到与电池容量衰减相关的目标特征数据维度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型，包括：
根据所述目标车辆工况信息，确定针对所述目标特征数据维度的目标维度权重；
采用所述目标维度权重，建立针对所述目标车辆中电池容量衰减的数据模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述样本车辆工况信息确定多个特征数据维度，包括：
从所述样本车辆工况信息中，确定与电池相关的电池工况信息；
根据所述电池工况信息，确定多个特征数据维度。
4.根据权利要求1所述的方法，其特征在于，所述样本车辆工况信息为基于车联网的大数据平台获取的车辆工况信息。
5.根据权利要求1所述的方法，其特征在于，所述多个特征数据维度包括以下任一项或多项：
载荷循环维度、日历寿命维度、驾驶习惯维度、地域环境维度。
6.一种电池寿命预测的装置，其特征在于，所述装置包括：
目标特征数据维度获取模块，用于获取与电池容量衰减相关联的目标特征数据维度；
数据模型建立模块，用于获取目标车辆的目标车辆工况信息，并根据所述目标车辆工况信息和所述目标特征数据维度，建立针对所述目标车辆中电池容量衰减的数据模型；
电池寿命预测模块，用于采用所述数据模型，预测所述目标车辆的电池寿命；
其中，所述目标特征数据维度获取模块还包括：
样本车辆工况信息获取子模块，用于获取样本车辆工况信息；
特征数据维度确定子模块，用于根据所述样本车辆工况信息确定多个特征数据维度；
目标特征数据维度确定子模块，用于从所述多个特征数据维度中，确定与电池容量衰减相关的目标特征数据维度；
其中，所述目标特征数据维度确定子模块还包括：
特征数据确定单元，用于根据所述样本车辆工况信息，确定所述多个特征数据维度中每个特征数据维度对应的特征数据；
相关性分析单元，用于分别对每个特征数据维度对应的特征数据进行针对电池容量衰减的相关性分析，得到与电池容量衰减相关的目标特征数据维度。
7.一种服务器，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的电池寿命预测的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的电池寿命预测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110627470.0A CN113246797B (zh) | 2021-06-04 | 2021-06-04 | 一种电池寿命预测的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110627470.0A CN113246797B (zh) | 2021-06-04 | 2021-06-04 | 一种电池寿命预测的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113246797A CN113246797A (zh) | 2021-08-13 |
| CN113246797B true CN113246797B (zh) | 2023-05-12 |
Family
ID=77186484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110627470.0A Active CN113246797B (zh) | 2021-06-04 | 2021-06-04 | 一种电池寿命预测的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113246797B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114444370B (zh) * | 2021-10-11 | 2023-10-10 | 崔跃芹 | 一种考虑运行工况的充电电池累计损耗寿命预测方法、装置、电子设备及可读存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108177648B (zh) * | 2018-01-02 | 2019-09-17 | 北京理工大学 | 一种基于智能预测的插电式混合动力车辆的能量管理方法 |
| CN112731154A (zh) * | 2019-10-28 | 2021-04-30 | 比亚迪股份有限公司 | 车辆的电池寿命预测方法和装置 |
| CN110775043B (zh) * | 2019-11-11 | 2020-09-29 | 吉林大学 | 一种基于电池寿命衰减模式识别的混动汽车能量优化方法 |
| CN110901470A (zh) * | 2019-11-29 | 2020-03-24 | 安徽江淮汽车集团股份有限公司 | 电动汽车电池寿命预测方法、装置、设备及存储介质 |
| CN112200235B (zh) * | 2020-09-30 | 2022-05-27 | 蜂巢能源科技有限公司 | 电动汽车驾驶行为习惯的分类方法、装置、介质和设备 |
| CN111999657B (zh) * | 2020-10-29 | 2021-01-29 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
| CN112731164B (zh) * | 2020-12-21 | 2024-03-15 | 惠州亿纬锂能股份有限公司 | 一种电池寿命评估方法 |
-
2021
- 2021-06-04 CN CN202110627470.0A patent/CN113246797B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113246797A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111806239B (zh) | 电动车辆续航里程测量方法、电子设备及存储介质 | |
| CN109941111B (zh) | 剩余续驶里程的预估方法和电动汽车 | |
| CN110723029B (zh) | 一种充电策略的确定方法及装置 | |
| CN112068004A (zh) | 一种电池异常、电池充电剩余时间的确定方法及装置 | |
| US20200173412A1 (en) | System and method for automated vehicle performance analytics | |
| CN113504479B (zh) | 基于云的电池充电剩余时间的估算方法、系统和存储介质 | |
| CN113246797B (zh) | 一种电池寿命预测的方法和装置 | |
| CN112526351A (zh) | 一种评估电动汽车的动力电池健康状态及剩余寿命的方法 | |
| CN111679200B (zh) | 一种电池荷电状态的校准方法、装置和车辆 | |
| CN113895307A (zh) | 一种剩余里程的确定方法、装置、电动汽车及介质 | |
| CN116476691A (zh) | 一种新能源汽车续航里程管理方法及系统 | |
| CN113406496B (zh) | 基于模型迁移的电池容量预测方法、系统、装置及介质 | |
| CN115754726A (zh) | 一种电池寿命预测及维持方法、电子设备和存储介质 | |
| JP2021124419A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
| CN113125967B (zh) | 一种基于温升预测的锂电池soe计算方法 | |
| CN110789396A (zh) | 电池组荷电状态数据检测方法、装置、介质、终端及汽车 | |
| CN114676495A (zh) | 一种汽车能耗的预测方法、装置和设备 | |
| CN112417767B (zh) | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 | |
| CN110893794B (zh) | 一种车用电池衰减系数确定方法及装置 | |
| CN112785055B (zh) | 车辆加油日期预测方法及设备 | |
| CN115742865A (zh) | 基于行驶里程预测的电动汽车热管理方法和系统 | |
| CN112406874B (zh) | 一种电动汽车远距离充电辅助决策方法 | |
| CN116298944A (zh) | 充电剩余时间显示控制方法、装置、设备、车辆及介质 | |
| CN109466377A (zh) | 用于自动更新soc区间里程参考值的方法、装置和存储介质 | |
| CN113256845B (zh) | 一种数据采集方法、装置、存储介质及系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231205 Address after: Room 482, room 406, No. 1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou 510000, Guangdong Province Patentee after: Guangzhou Zhipeng Manufacturing Co.,Ltd. Address before: No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |