CN113391209A - 电池健康状态的预测方法、装置、系统和电池 - Google Patents

Abstract

本发明提供一种电池健康状态的预测方法、装置、系统和电池，所述方法包括：对电池的历史状态数据集进行模型训练，得到目标预测模型；实时获取电池的当前状态数据；对所述当前状态数据进行预处理，得到目标状态数据；将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果。本发明解决了现有技术无法对电池健康状态进行预测的问题，能够根据当前的状态数据得到电池健康状态的预测结果，使用户根据电池当前的预测结果做出合理的使用或保护措施，做到防患于未然，及时保障了用户的财产和人身安全。

Description

电池健康状态的预测方法、装置、系统和电池

技术领域

本发明涉及数据预测技术领域，具体涉及一种电池健康状态的预测方法、装置、系统和电池。

背景技术

具有损耗性的元件设备在使用过程中会逐渐老化，最具代表性的是电池，老化后的电池存在失火等危险，因此对电池的健康状态预测是保障用户财产和人身安全显得尤为重要。

然而，现有技术中存在对电池起火预警，主要集中在硬件方面的改善，在电池周围添加相应的检测设备以及处理设备，在已经发生火灾或者出现漏液的情况下进行的预警措施，无法做到防患于未然。

可见，如何对电池健康状态的预测目前亟待解决的问题。

发明内容

针对现有技术中所存在的不足，本发明提供的电池健康状态的预测方法、装置、系统和电池，其解决了现有技术无法对电池健康状态进行预测的问题，能够根据当前的状态数据得到电池健康状态的预测结果，使用户根据电池当前的预测结果做出合理的使用或保护措施，做到防患于未然，及时保障了用户的财产和人身安全。

第一方面，本申请提供一种电池健康状态的预测方法，所述方法包括：对电池的历史状态数据集进行模型训练，得到目标预测模型；实时获取电池的当前状态数据；对所述当前状态数据进行预处理，得到目标状态数据；将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果。

可选地，对电池的历史状态数据集进行模型训练，得到目标预测模型，包括：根据所述历史状态数据集，获取所述历史状态数据集中的第一目标超平面；根据所述第一目标超平面，得到每个历史状态数据对应的线性值；通过阶跃函数对每个线性值进行分类处理，得到第一次分类结果；将所述第一目标超平面的线性参数和所述第一次分类结果作为训练模型的目标参数，得到所述目标预测模型。

可选地，在通过阶跃函数对每个线性值进行分类处理，得到一次分类结果之后，所述方法还包括：获取所述第一次分类结果对应的第一样本数据集和第二样本数据集；获取所述第一样本数据集对应的第二目标超平面和所述第二样本数据集对应的第三目标超平面；根据所述第二目标超平面和所述第三目标超平面，得到第二次分类结果；将所述第一目标超平面的线性参数、所述第二目标超平面的线性参数和所述第三目标超平面的线性参数、所述第一次分类结果和所述第二次分类结果作为训练模型的目标参数，得到所述目标预测模型。

可选地，根据所述历史状态数据集，获取所述历史状态数据集中的目标超平面，包括：根据所述历史状态数据集，建立多维坐标系；获取所述多维坐标系中的多个超平面；获取到每个超平面距离最近的支持向量；根据每个支持向量到相应超平面的距离，得到最大间隔超平面；将做最大间隔超平面作为所述目标超平面。

可选地，对所述当前状态数据进行预处理，得到目标状态数据，包括：将所述当前状态数据进行缺失值填充，得到预处理数据；对所述预处理数据进行特征提取，得到所述目标状态数据。

可选地，对所述预处理数据进行特征提取之后，所述方法还包括：根据标准化公式对所述特征数据进行标准化处理，得到所述目标状态数据。

可选地，将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果之后，所述方法还包括：根据所述当前预测结果，生产相应的预警提示信息。

第二方面，本申请提供一种电池健康状态的预测装置，所述装置包括：模型训练模块，用于对电池的历史状态数据集进行模型训练，得到目标预测模型；数据获取模块，用于实时获取电池的当前状态数据；预处理模块，用于对所述当前状态数据进行预处理，得到目标状态数据；预测模块，用于将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果。

第三方面，本申请提供一种电池健康状态的预测系统，所述系统包括所述的电池健康状态的预测装置。

第四方面，本申请提供一种电池，所述电池包括所述的电池健康状态的预测装置。

相比于现有技术，本发明具有如下有益效果：

本发明通过对电池的历史状态数据进行模型训练，得到目标预测模型，通过将电池的当前状态数据输入到目标预测模型进行识别，得到电池健康状态的当前预测结果，解决了现有技术无法对电池健康状态进行预测的问题，能够根据当前的状态数据得到电池健康状态的预测结果，使用户根据电池当前的预测结果做出合理的使用或保护措施，做到防患于未然，及时保障了用户的财产和人身安全。

附图说明

图1所示为本发明实施例提供的一种电池健康状态的预测方法的流程示意图；

图2所示为图1中步骤S101的一种具体流程图；

图3所示为本发明实施例提供的超平面示意图；

图4所示为为图1中步骤S101的另一种具体流程图；

图5所示为本发明实施例提供的一种电池健康状态的预测系统的架构示意图；

图6所示为本发明实施例提供的一种电池健康状态的预测系统的流程示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1所示为本发明实施例提供的一种电池健康状态的预测方法的流程示意图，如图1所示，该电池健康状态的预测方法具体包括如下步骤：

步骤S101，对电池的历史状态数据集进行模型训练，得到目标预测模型。

在本实施例中，电池内部设有温度传感器、湿度传感器、电流电压检测器、压力传感器等，上述多个传感器可将实时采集的温度数据、是否进水或者漏液、电流数据、电压数据、压力与碰撞数据等发送到大数据平台进行存储，所述历史状态数据集包括多个电池在一定时长内的温度数据、电流数据、电压数据、是否进水或漏液数据、压力与碰撞等数据。

进一步地，如图2所示，对电池的历史状态数据集进行模型训练，得到目标预测模型具体包括以下步骤：

步骤S201，根据所述历史状态数据集，获取所述历史状态数据集中的第一目标超平面；

步骤S202，根据所述第一目标超平面，得到每个历史状态数据对应的线性值；

步骤S203，通过阶跃函数对每个线性值进行分类处理，得到第一次分类结果；

步骤S204，将所述第一目标超平面的线性参数和所述第一次分类结果作为训练模型的目标参数，得到所述目标预测模型。

需要说明的是，如图3所示，在二维空间上，两类点被一条直线完全分开叫做线性可分，在本实施例中的历史状态数据集中的每个数据可以看做每个点，D₀和D₁是n维欧氏空间中的两个点集，如果存在n维向量w和实数b,使得所有属于D₀的点x_i都有wx_i+b>0，而对于所有属于D₁的点x_j则有wx_j+b<0，则我们称数据集D₀和D₁线性可分。将数据集从二维扩展到多维空间中时，将D₀和D₁完全正确地划分开的w^Tx+b＝0就成了一个超平面。当所述历史状态数据集中的第一目标超平面确定后，即可计算出描述超平面公式中线性参数w和b的取值，那么超平面以外的每个历史状态数据对应的线性值计算公式为：y＝w^Tx+b，其中x表示每个历史状态数据的取值，y表示每个历史状态数据的线性值；需要说明的是，由于每个历史状态数据包括但不限于温度数据、电流数据、电压数据、是否进水或漏液数据、压力与碰撞等多个数据，因此x和y都为数据矩阵。

在本实施例中，可以通过heaviside阶跃函数对每个线性值进行分类处理，得到第一次分类结果，所述第一次分类结果包括危险状态和安全状态，其中所述危险状态对应的取值为1，所述安全状态对应的取值为-1；进而将描述超平面公式中线性参数w和b的取值，以及第一次分类结果中危险状态对应的取值为1和所述安全状态对应的取值为-1作为训练模型的目标参数，根据所述目标参数和训练模型即可得到目标预测模型。需要说明的是，模型即是计算公式，通过大量训练数据的计算得到公式中的参数值，再通过参数值对测试数据进行预测，使预测数据与实际数据误差达到可接受范围内。

步骤S102，实时获取电池的当前状态数据。

步骤S103，对所述当前状态数据进行预处理，得到目标状态数据。

具体地，对所述当前状态数据进行预处理，得到目标状态数据，包括：将所述当前状态数据进行缺失值填充，得到预处理数据；对所述预处理数据进行特征提取，得到所述目标状态数据。

需要说明的是，在本实施中通过多个传感器采集得到的状态数据往往会存在一定比例的缺失问题，本方法将综合考虑数据的缺失位置、缺失数量和数据可靠性等因素，采用中位数、平均数、众数或者向前填充等方式对缺失值进行填充，得到完整和有联系的预处理数据；本申请可通过用Scala和Java等程序进行特征提取，其中特征可以预设。

进一步地，本实施例对所述预处理数据进行特征提取之后，根据标准化公式，对所述特征数据进行标准化处理，得到所述目标状态数据。

具体地，由于当前状态数据包含了多个特征数据，这些特征数据往往有着不同的量度和单位。为了减小特征尺度不一致带来的学习误差和训练时间加长，需要对采集得到的数据进行标准化处理，将特征放缩到[0,1]之间，本方法所使用的标准化公式如下：

其中，f表示状态数据中每个特征数据的原始值，f′表示状态数据中每个特征数据的目标值，f_max表示特征的最大取值；f_min表示特征的最小取值；max表示放缩后的最大值，此处取值为1；min表示放缩后的最小值，此处取值为0。

步骤S104，将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果。

具体地，将所得到的目标状态数据输入到训练好的目标预测模型中，输出的预测结果，即所述电池的当前预测结果。

相比现有技术，本发明具有以下有益效果：

本发明通过对电池的历史状态数据进行模型训练，得到目标预测模型，通过将电池的当前状态数据输入到目标预测模型进行识别，得到电池健康状态的当前预测结果，解决了现有技术无法对电池健康状态进行预测的问题，能够根据当前的状态数据得到电池健康状态的预测结果，使用户根据电池当前的预测结果做出合理的使用或保护措施，做到防患于未然，及时保障了用户的财产和人身安全。

在本发明的另一个实施例中，在通过阶跃函数对每个线性值进行分类处理，得到一次分类结果之后，所述方法还包括：获取所述第一次分类结果对应的第一样本数据集和第二样本数据集；获取所述第一样本数据集对应的第二目标超平面和所述第二样本数据集对应的第三目标超平面；根据所述第二目标超平面和所述第三目标超平面，得到第二次分类结果；将所述第一目标超平面的线性参数、所述第二目标超平面的线性参数和所述第三目标超平面的线性参数、所述第一次分类结果和所述第二次分类结果作为训练模型的目标参数，得到所述目标预测模型。

需要说明的是，使用机器学习的SVM分类算法，SVM最初是为二分类问题进行设计的，基于本问题是多分类问题，需要构建多类分类器。其中，目前构建分类器的方法主要有三种，“一对多法”、“一对一法”和“层次分类法”，由于本问题数据量庞大，一对一法会产生6个SVM分类器，一对多法会产生4个SVM分类器，层次分类法会产生3个SVM分类器。所以本问题采用层次分类法。对于本问题的分类，首先对于分类结果可先分出危险与安全两种，然后，在完成一次分类的基础上进行二次分类，分出劣化严重与劣化不严重，实现方式有些类似决策树。

在本实施例中，第一次分类结果为危险状态和安全状态，第二次分类结果是将危险状态分成危险且劣化严重、危险且劣化不严重，第二次分类结果还将安全状态分成安全且劣化严重、以及安全且劣化不严重；第二次分类方法与上述第一次分类方法的原理相同，只是在分类数据中存在差异，此处就不再赘述。

在本发明的另一个实施例中，根据所述历史状态数据集，获取所述历史状态数据集中的目标超平面，包括：根据所述历史状态数据集，建立多维坐标系；获取所述多维坐标系中的多个超平面；获取到每个超平面距离最近的支持向量；根据每个支持向量到相应超平面的距离，得到最大间隔超平面；将做最大间隔超平面作为所述目标超平面。

需要说明的是，为了使这个超平面更具鲁棒性,我们会去找最佳超平面，以最大间隔把两类样本分开的超平面，也称之为最大间隔超平面。所述最大间隔超平面的表现形式为：两类样本分别分割在该超平面的两侧，以及两侧距离超平面最近的样本点到超平面的距离被最大化了。在本实施例中，在所有历史状态数据集中距离超平面最近的一些点叫做支持向量，SVM想要的就是找到各类参数点到超平面的距离最远，也就是找到最大间隔超平面，如图3所示，最大间隔超平面的上下两个超平面。

在本发明的另一个实施例中，对电池的历史状态数据集进行模型训练，得到目标预测模型还包括以下步骤：

步骤S301，根据差分进化算法和所述历史状态数据集，生成初始种群；

步骤S302，根据所述初始种群，获取训练数据集；

步骤S303，将所述训练数据集输入模型中进行迭代学习，得到训练模型；

步骤S304，判断当前迭代次数是否达到预设的最大迭代次数，若当前迭代次数达到预设的最大迭代次数时执行步骤S305，若当前迭代次数未达到所述最大迭代次数时执行步骤S306；

步骤S305，将最优适应度所对应的训练模型作为所述目标预测模型。

步骤S306，根据差分进化算法对所述初始种群进行优化，将生成的优化种群作为下次迭代训练的初始种群。

需要说明的是，本实施例通过差分进化算法对训练数据集进行优化，还可以随着数据量的增加调节模型的精度，因此本申请可以跟随新产生的数据进行模型升级与优化，从而提高了模型的预测精度。

在本发明的实施例中，在将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果之后，所述方法还包括：根据所述当前预测结果，生产相应的预警提示信息。

在本发明的一个实施例中，本发明提供一种电池健康状态的预测装置，所述装置包括：模型训练模块，用于对电池的历史状态数据集进行模型训练，得到目标预测模型；数据获取模块，用于实时获取电池的当前状态数据；预处理模块，用于对所述当前状态数据进行预处理，得到目标状态数据；预测模块，用于将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果。

图5所示为本发明实施例提供的一种电池健康状态的预测系统的结构示意图，如图5所示，所述预测系统系统主要由数据采集装置、大数据平台、预测装置以及预警装置组成，这种经典结构可以使得用户能够更有效地降低电池起火的可能性。电池内部设有温度传感器、湿度传感器、电流电压检测器、压力传感器，可将实时采集的温度数据、是否进水或者漏液、电流数据、电压数据、压力与碰撞数据传输到大数据平台进行存储；预测装置能够基于温度、湿度、电流、电压、压力、碰撞、劣化指标等历史数据对实时产生的数据进行预测电池起火的可能性。如果起火可能性达到预警值，预警装置就会给用户推送预警消息，其中所述预警装置可以为移动端，比如预测装置将预警信息发送到用户手机中进行预警提示。

图6所示为本发明实施例提供的一种电池健康状态的预测系统的流程示意图，如图6所示，数据采集装置将收集到的数据周期性地传送到大数据平台进行存储，然后基于历史数据训练出的机器学习模型(贝叶斯、SVM、随机森林等)会对新产生的数据进行处理，并使用新数据进行电池的危险性预测，判断结果分为危险且劣化严重，危险且劣化不严重，安全且劣化严重，安全且劣化不严重，依次对应红橙黄绿四种颜色。主要流程包括：

(1)数据采集：电池包内设有温度传感器，用以收集电池的实时温度，设有压力传感器，用以收集电池的碰撞以及鼓包的数据，设有湿度传感器，用以收集电池是否有进水或者漏液的数据，车辆的中控能够收集电池的电流以及电压等数据，并将收集的数据上传到数据存储模块。

(2)数据处理：大数据平台对上传的数据使用Scala和Java等程序进行特征提取；经过处理后的数据存储到大数据平台中，经过机器学习模型预测、分类后的数据存储到数据库中。

(3)机器学习：基于历史数据训练后得出的模型，输入新数据会得出分类结果。

使用机器学习的SVM分类算法，SVM最初是为二分类问题进行设计的，基于本问题是多分类问题，需要构建多类分类器。其中，目前构建分类器的方法主要有三种，“一对多法”、“一对一法”和“层次分类法”，由于本问题数据量庞大，一对一法会产生6个SVM分类器，一对多法会产生4个SVM分类器，层次分类法会产生3个SVM分类器。所以本问题采用层次分类法。对于本问题的分类，首先对于分类结果可先分出危险与安全两种，然后，在完成一次分类的基础上进行二次分类，分出劣化严重与劣化不严重，实现方式有些类似决策树。

SVM是一种二分类算法，在数据训练集上寻找出一个划分超平面，将不同类别的数据点分开，并使得支持向量到超平面的距离最大化。

超平面的描述方程为：w^Tx+b＝0，支持向量到超平面的距离公式为：

分类方法：通过heaviside阶跃函数对线性值进行分类处理，将样本进行分类，比如：危险分为1，安全分为-1。

最大化间隔公式,也即SVM基本型为：

在本实施例中，用户手机上安装“小牛电动”APP，机器学习的分类结果存储到数据库后，APP后台程序会将分类结果推送到用户手机上，如果分类为危险，则会对用户发出振动+铃声的警报。

本发明是基于大数据平台和机器学习技术，具有压力传感器、温度传感器、湿度传感器、电流检测、电压检测、等多个数据来源，并且结合时间序列数据，能够基于历史数据进行预测，与上述的其他发明相比，首先是成本的降低，数据采集只需要传感器，其次，能够基于历史数据进行预测，降低了事故发生的概率；并且具有更为稳定、效率更高的优点。

在一个实施例中，本申请提供一种电池，所述电池包括上述实施例所述的电池健康状态的预测装置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种电池健康状态的预测方法，其特征在于，所述方法包括：

对电池的历史状态数据集进行模型训练，得到目标预测模型；

实时获取电池的当前状态数据；

对所述当前状态数据进行预处理，得到目标状态数据；

将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果。

2.如权利要求1所述的电池健康状态的预测方法，其特征在于，对电池的历史状态数据集进行模型训练，得到目标预测模型，包括：

根据所述历史状态数据集，获取所述历史状态数据集中的第一目标超平面；

根据所述第一目标超平面，得到每个历史状态数据对应的线性值；

通过阶跃函数对每个线性值进行分类处理，得到第一次分类结果；

将所述第一目标超平面的线性参数和所述第一次分类结果作为训练模型的目标参数，得到所述目标预测模型。

3.如权利要求2所述的电池健康状态的预测方法，其特征在于，在通过阶跃函数对每个线性值进行分类处理，得到一次分类结果之后，所述方法还包括：

获取所述第一次分类结果对应的第一样本数据集和第二样本数据集；

获取所述第一样本数据集对应的第二目标超平面和所述第二样本数据集对应的第三目标超平面；

根据所述第二目标超平面和所述第三目标超平面，得到第二次分类结果；

将所述第一目标超平面的线性参数、所述第二目标超平面的线性参数和所述第三目标超平面的线性参数、所述第一次分类结果和所述第二次分类结果作为训练模型的目标参数，得到所述目标预测模型。

4.如权利要求2所述的电池健康状态的预测方法，其特征在于，根据所述历史状态数据集，获取所述历史状态数据集中的目标超平面，包括：

根据所述历史状态数据集，建立多维坐标系；

获取所述多维坐标系中的多个超平面；

获取到每个超平面距离最近的支持向量；

根据每个支持向量到相应超平面的距离，得到最大间隔超平面；

将做最大间隔超平面作为所述目标超平面。

5.如权利要求1所述的电池健康状态的预测方法，其特征在于，对所述当前状态数据进行预处理，得到目标状态数据，包括：

将所述当前状态数据进行缺失值填充，得到预处理数据；

对所述预处理数据进行特征提取，得到所述目标状态数据。

6.如权利要求5所述的电池健康状态的预测方法，其特征在于，对所述预处理数据进行特征提取之后，所述方法还包括：

根据标准化公式对特征数据进行标准化处理，得到所述目标状态数据。

7.如权利要求1-6任一项所述的电池健康状态的预测方法，其特征在于，将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果之后，所述方法还包括：

根据所述当前预测结果，生产相应的预警提示信息。

8.一种电池健康状态的预测装置，其特征在于，所述装置包括：

模型训练模块，用于对电池的历史状态数据集进行模型训练，得到目标预测模型；

数据获取模块，用于实时获取电池的当前状态数据；

预处理模块，用于对所述当前状态数据进行预处理，得到目标状态数据；

预测模块，用于将所述目标状态数据输入所述目标预测模型进行预测，得到所述电池的当前预测结果。

9.一种电池健康状态的预测系统，其特征在于，所述系统包括权利要求8所述的电池健康状态的预测装置。

10.一种电池，其特征在于，所述电池包括权利要求8所述的电池健康状态的预测装置。

Images