CN113406496B - 基于模型迁移的电池容量预测方法、系统、装置及介质 - Google Patents

Abstract

本发明公开了一种基于模型迁移的电池容量预测方法、系统、装置及介质，其中所述方法包括：首先获取电池的工业数据库，并根据电池参数中对电池老化特征的老化敏感项，从工业数据库中确定第一敏感信息；将第一敏感信息输入训练好的基模型，完成第一敏感信息到电池的第一中间容量的映射；将第一中间容量输入训练好的迁移模型，完成第一中间容量到预测容量的映射。本申请通过基模型和迁移模型将工业数据库中残缺不全的数据利用起来，生成大量预测容量，省去实验室进行大量电池老化实验的时间。而生成的电池的预测容量数据，有利于提高基于数据驱动的电池健康管理系统对电池容量估计的精度、可靠性和泛化能力。

Description

基于模型迁移的电池容量预测方法、系统、装置及介质

技术领域

本申请涉及电池数据管理领域，尤其涉及一种基于模型迁移的电池容量预测方法、系统、装置及介质。

背景技术

随着电池技术的发展，电池的容量、寿命都大幅提高。作为一种应用广泛的动力源，电池性能的好坏直接影响由电池驱动的整机性能，而电池在长时间的使用过程中不免会发生老化，出现容量下降、内阻增加等情况，因此，对电池进行健康管理十分重要。相关技术中存在基于数据驱动的预测方法，主要是利用电池老化过程中的各项参数来评估电池的健康状况，而电池的健康管理的一个重要参数就是电池的容量，通过电池健康管理系统，可以预测指定型号的电池在使用过程中的容量，从而保证电池可以持续提供足够的动力。

但是，基于数据驱动的电池容量预测需要依赖大规模的电池老化数据，又因为电池的寿命往往已经能承受上万次的充放电循环，导致在实验室获取电池老化数据通常非常费时费力；而且受限于实验室资源，研究人员通常只能获取到电池在有限的工况下(例如恒流工况)的老化数据。而在电池实际使用中，也会产生一部分测试数据，存放于工业数据库中，但受实际工况影响，工业数据库中的电池测试数据往往是残缺不全的，也难以直接用于电池的健康管理。电池老化数据的短缺，会直接影响基于数据驱动的电池健康管理系统对电池容量估计的精度、可靠性和泛化能力。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请提出一种基于模型迁移的电池容量预测方法、系统、装置及介质。

第一方面，本申请实施例提供了一种基于模型迁移的电池容量预测方法，包括：获取电池的工业数据库；根据所述工业数据库和老化敏感项，确定第一敏感信息；根据训练好的基模型和所述第一敏感信息，确定电池的第一中间容量；根据训练好的迁移模型和所述第一中间容量，确定电池的预测容量。

可选地，所述方法还包括：当所述第一敏感信息缺失，根据所述工业数据库确定缺失第一敏感信息的缺失循环序号，根据训练好的补全模型和所述缺失循环序号，确定补全容量。

可选地，所述基模型的训练步骤具体为：获取电池的老化实验信息；根据所述老化实验信息和所述老化敏感项，确定第二敏感信息；根据所述老化实验信息，确定电池的实验容量；根据所述第二敏感信息和所述实验容量的映射关系，完成对所述基模型的训练。

可选地，所述迁移模型的训练步骤具体为：获取电池维护信息；根据所述电池维护信息和所述老化敏感项，确定第三敏感信息；根据所述电池维护信息，确定电池的校准容量；根据训练好的基模型和所述第三敏感信息，确定电池的第二中间容量；根据所述校准容量和所述第二中间容量的映射关系，完成对所述迁移模型的训练。

可选地，所述补全模型的训练步骤具体为：根据所述工业数据库确定正常循环序号；根据所述正常循环序号确定预测容量；根据所述正常序号和所述预测容量的映射关系，完成对所述补全模型的训练。

可选地，所述老化敏感项包括电池的内阻、电池的容量增量轨迹、电池的充放电曲线。

可选地，所述获取电池的老化试验信息这一步骤，具体包括：对电池进行加速老化处理获取电池的老化实验信息；其中，所述老化处理包括使用大电流对所述电池进行循环充放电。

第二方面，本申请实施例提供了一种基于模型迁移的电池容量预测系统，包括：获取模块，用于获取电池的工业数据库；敏感信息提取模块，用于根据所述电池的工业数据库和老化敏感项，确定第一敏感信息；中间容量确定模块，用于根据训练好的基模型和所述第一敏感信息，确定电池的第一中间容量；电池容量估计模块，用于根据训练好的迁移模型和所述第一中间容量，确定电池的预测容量。

第三方面，本申请实施例提供了一种装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如第一方面所述的基于模型迁移的电池容量预测方法。

第四方面，本申请实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如第一方面所述的基于模型迁移的电池容量预测方法。

本申请实施例的有益效果如下：首先获取电池的工业数据库，并根据电池参数中对电池老化特征的老化敏感项，从工业数据库中确定第一敏感信息；将第一敏感信息输入训练好的基模型，完成第一敏感信息到电池的第一中间容量的映射；将第一中间容量输入训练好的迁移模型，完成第一中间容量到预测容量的映射。本申请通过基模型和迁移模型将工业数据库中残缺不全的数据利用起来，生成大量预测容量，省去实验室进行大量电池老化实验的时间。而生成的电池的预测容量数据，有利于提高基于数据驱动的电池健康管理系统对电池容量估计的精度、可靠性和泛化能力。

附图说明

附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1是本申请实施例提供的基于模型迁移的电池容量预测方法的步骤流程图；

图2为本申请实施例提供的基模型训练的步骤流程图；

图3为本申请实施例提供的容量增量轨迹图；

图4为本申请实施例提供的迁移模型训练的步骤流程图；

图5为本申请实施例提供的补全模型训练的步骤流程图；

图6为本申请实施例提供的电池容量轨迹图；

图7为本申请实施例提供的基于模型迁移的电池容量预测系统的示意图；

图8为本申请实施例提供的一种装置。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

电池在实际使用中也会产生许多数据，这些电池数据存放于电池的工业数据库中，但工业数据库中的电池数据通常是残缺的，且大多数情况不包含电池的容量信息。因此，工业数据库中的电池数据无法直接用于基于数据驱动的电池容量预测系统，这就造成了工业数据库中大量数据的浪费，且在实验室条件下进行电池老化实验获取电池老化数据需要耗费的精力和时间很大。

基于此，本申请实施例提出一种基于模型迁移的电池容量预测方法，可以通过基模型和迁移模型，利用工业数据库中的大量残缺数据生成电池的预测容量，通过生成的电池容量信息来提高基于数据驱动的电池容量预测系统的精确度和泛化性。

下面结合附图，对本申请实施例作进一步阐述。

参考图1，图1是本申请实施例提供的基于模型迁移的电池容量预测方法的步骤流程图，该方法包括但不限于步骤S100-150。

S100、获取电池的工业数据库；

具体地，获取电池的工业数据库，工业数据库中包括电池实际使用时的测试数据，且大部分测试数据中的电池容量缺失。

S110、根据电池的工业数据库和老化敏感项，确定第一敏感信息；

具体地，在工业数据库中包含一些对电池的老化过程敏感的项目，称为老化敏感项，这些老化敏感项包括但不限于电池的内阻、容量增量轨迹、充放电曲线的曲率、斜率等，根据这些老化敏感项，可以从工业数据库确定第一敏感信息，以电池的容量增量轨迹作为老化敏感项为例，第一敏感信息可以为峰值幅度，峰值电压等等。

需要说明的是，以上列举的其他老化敏感项(如电池的内阻)也可以用于确定第一敏感信息，但是如电池内阻这个老化敏感项，不仅对电池的老化过程敏感，也会对电池所处的温度、电池剩余电量等信息敏感，也就是说，选用电池内阻作为老化敏感项，可能会降低第一敏感信息的准确性。因此，在老化敏感项的选择上优先考虑对电池老化过程更敏感的项目，并要尽量避开在电池接近充满或者接近放空的时候提取特征。

S120、根据训练好的基模型和第一敏感信息，确定电池的第一中间容量；

具体地，将第一敏感信息输入到训练好的基模型中，基模型输出电池的第一中间容量，该第一中间容量表示当前第一敏感信息所对应的电池的容量，但第一中间容量是通过敏感信息计算得到的，与电池的真实容量存在一定偏差。

其中，上述基模型的训练过程参照图2，图2为本申请实施例提供的基模型训练的步骤流程图，该过程包括但不限于步骤S200-S230。

S200、获取电池的老化实验信息；

具体地，在实验室条件下对电池进行加速老化处理，并获得电池在老化处理过程中的老化实验信息。老化处理包括但不限于对电池施加高温、低温，或者使用大电流对电池进行循环充放电，或者是对电池进行过充、过放等。在实验室条件下，可以获取到所需的完整电池测试数据。

可以理解的是，不同种类或者说不同型号的电池，在相同的测试环境下会有不同的数据表现。而如果当前型号电池已经存在相当数量的实验数据，则可以直接使用该实验数据作为电池的老化试验信息，无需重新实验获取。

S210、根据老化实验信息和老化敏感项，确定第二敏感信息；

具体地，根据对电池老化敏感的老化敏感项，从老化实验信息中提取第二敏感信息，与上文中第一敏感信息类似。参照图3，图3为本申请实施例提供的容量增量轨迹图，如图3所示，横轴代表电池的电压(以mV为单位)，纵轴表示单位电压内电池的容量(以Ah/V为单位)。则可以提取四个第二敏感信息，如图2所示：横向的黑色虚线表示峰值幅度(用IC^pk表示)，横向的绿色虚线②表示峰值幅度的85％，红色的纵向虚线表示峰值电压(用V^pk表示)，紫色区域表示该曲线峰值电压±15mV内所包含的电池部分容量(用Area1表示)，粉色区域表示曲线上幅度大于85％峰值幅度的轨迹内所包含的电池部分容量(用Area2表示)，则第二敏感信息为IC^pk、V^pk、Area1和Area2。

S220、根据老化实验信息，确定电池的实验容量；

具体地，由于实验室环境下获取的老化实验信息是比较完整的，对应第二敏感信息，可以从老化实验信息中找到对应的电池容量，并将该容量称为实验容量。实验容量表示电池在老化实验中的容量，以大电流作为加速老化处理为例，对应每一次大电流环境下的充放电循环，都可以确定电池在当前循环中的实验容量，当然，该实验容量与当前循环中的第二敏感信息也有映射关系。

S230、根据第二敏感信息和实验容量的映射关系，完成对基模型的训练；

具体地，上文提到，电池的实验容量与当前循环中第二敏感信息存在映射关系，因此可以利用这种映射关系，对基模型进行训练。在本申请实施例中，基模型由三层前馈神经网络组成，采用贝叶斯正则化算法对网络进行训练。神经网络激活函数的选取上，该函数不能有“饱和效应”，同时需要尽量简单，并具有局部线性特征。这样可以有效提升神经网络的泛化性能，因此可以选择ReLu函数，类似的函数还有Gaussian-ReLU,E-LU,Leaky-ReLU等。网络的隐藏层节点数量为20，并对隐藏层和输出层施加偏置。在以容量增量轨迹作为老化敏感项的例子中，向基模型输入上述四个第二敏感信息(指IC^pk、V^pk、Area1和Area2)，则基模型输出电池对应的实验容量。利用确定的第二敏感信息和实验容量完成对基模型的训练。

通过步骤S200-S240，利用电池的老化试验信息完成对基模型的训练，基模型的主要意义在于，该模型体现了实验室条件下，电池在老化过程中老化敏感信息和实验容量的映射关系，因此可以利用基模型，输入工业数据库中的敏感信息数据，从而确定电池的容量。但是，由于工业数据库中的数据残缺不全，以及实验室环境和工业环境的不同会造成电池老化表现存在客观上的偏差，因此还需要对基模型获得的数据进行进一步的校正。

下面开始阐述图1中的步骤S130。

S130、根据训练好的迁移模型和第一中间容量，确定电池的预测容量；

具体地，将第一中间容量输入训练好的迁移模型中，迁移模型输出电池的预测容量。通过基模型和迁移模型，本申请利用工业数据库中残缺的数据生成大量电池的预测容量数据。

通过步骤S100-S130，本申请实施例通过基模型和迁移模型将工业数据库中残缺不全的数据利用起来，生成大量预测容量，省去实验室进行大量电池老化实验的时间。而生成的电池的预测容量数据，有利于提高基于数据驱动的电池健康管理系统对电池容量估计的精度、可靠性和泛化能力。

其中，上述迁移模型的训练过程参照图4，图4为本申请实施例提供的迁移模型训练的步骤流程图，该过程包括但不限于步骤S400-S440。

S400、获取电池维护信息；

具体地，工业上会对电池进行定期维护，获取电池维护信息，该电池维护信息是工业环境下较为完整的电池参数信息。需要说明的是，工业环境下，电池在全寿命周期内的维护频率很低，也就是说，电池维护信息仅包含数量不多的几次维护数据。

S410、根据电池维护信息和老化敏感项，确定第三敏感信息；

具体地，根据老化敏感项，从电池维护信息中提取到第三敏感信息，第三敏感信息表征在工业环境下，电池老化过程中的老化敏感信息，第三敏感信息与第一敏感信息、第二敏感信息类似，在此不再赘述。

S420、根据电池维护信息，确定电池的校准容量；

具体地，由于电池维护信息包含比较完整的电池参数，对应第三敏感信息，可以从电池维护信息中找到对应的电池容量，将该容量称为电池的校准容量。校准容量表示电池在工业环境下的电池容量，电池正常使用，每一次充放电循环都可以确定当前循环中的校准容量，因此，校准容量与当前循环中的第三敏感信息存在映射关系，且该映射关系可以比较地反映电池在工业环境正常老化的过程。

S430、根据训练好的基模型和第三敏感信息，确定电池的第二中间容量；

具体地，通过图2中的方法步骤训练好了基模型，由于基模型是用于表示敏感信息到电池容量的映射，因此将第三敏感信息输入到基模型，基模型会输出电池的容量，将该容量称为第二中间容量。第二中间容量表征实验室环境下，第三敏感信息所对应的电池容量。

S440、根据校准容量和第二中间容量的映射关系，完成对迁移模型的训练；

具体地，上文提到，由于实验室环境和工业环境的不同会造成电池老化表现存在客观上的偏差，因此步骤S440中通过基模型生成的第二中间容量与电池实际的容量(也就是校准容量)存在较大的偏差，因此，需要利用迁移模型来将第二中间容量映射到校准容量也就是说，利用工业环境下少数的、准确的电池老化过程数据，将基模型从实验室环境迁移到工业环境，并利用迁移模型完成电池中间容量到实际容量的映射，使得基模型和迁移模型的组合适用于工业数据库中。

通过步骤S400-S440，利用电池维护信息完成对迁移模型的训练，迁移模型的主要意义在于，该模型体现了工业条件下，通过基模型生成的第二中间容量与电池实际的校准容量的映射关系，因此可以利用迁移模型，输入基模型生成的中间容量，生成电池的实际容量。

下面开始阐述图1中的步骤S140-S150。

S140、当第一敏感信息缺失，根据工业数据库确定缺失第一敏感信息的缺失循环序号；

具体地，从上述步骤S100-S130中可知，从工业数据库中提取到第一敏感信息，就可以通过基模型和迁移模型生成电池的预测容量数据。但是，工业数据库中仍存在个别损毁十分严重的数据，例如在当前电池循环充放电的测试数据中，无法提取到第一敏感信息，则确定当前电池的测试循环中缺失第一敏感信息的循环序号，这些循环序号称为缺失循环序号。

S150、根据训练好的补全模型和缺失循环序号，确定补全容量；

具体地，将获取到的缺失循环序号输入训练好的补全模型中，补全模型输出该缺失循环序号对应的电池容量，该电池容量称为补全容量。通过补全模型，本申请实施例实现对工业数据库中部分严重残缺的数据的补全。

其中，上述补全模型的训练过程可以参照图5，图5为本申请实施例提供的补全模型训练的步骤流程图，该过程包括但不限于步骤S500-S520。

S500、根据工业数据库确定正常循环序号；

具体地，上文提到，当前电池的测试循环中缺失第一敏感信息的循环序号称为缺失循环序号，同理，没有缺失第一敏感信息的循环序号称为正常循环序号。从工业数据库中提取若干正常循环序号。需要提到的是，提取的正常循环序号在缺失循环序号的前后比较合适，因为缺失循环序号前后的循环与缺失敏感信息的循环情况比较相似。例如，当前电池第100～105个循环所对应的容量缺失，那么可以利用90～100，和106～120个循环的数据，建立补全模型。

S510、根据正常循环序号确定预测容量；

具体地，正常循环序号对应的循环中，通过本申请实施例提出的基于模型迁移的电池容量预测方法，可以通过老化敏感信息生成电池的预测容量，因此可以根据正常循环序号确定预测容量。

S520、根据正常序号和预测容量的映射关系，完成对补全模型的训练。

具体地，通过正常序号和预测容量的映射关系对补全模型进行训练，向补全模型输入循环的序号，模型输出电池的容量。补全模型一般采用插值模型，插值方法包括但不限于线性插值，多项式插值，神经网络插值等等。

通过步骤S550-S520，利用正常循环的序号训练补全模型，当补全模型训练完成，则向补全模型输入缺失循环序号，生成对应的预测容量，在部分工业数据严重缺失的情况下也可以完成电池容量数据的补全。

参照图6，图6为本申请实施例提供的电池容量轨迹图，图6与图1阐述的基于模型迁移的电池容量预测方法对应。如图6所示，横轴表示循环序号，纵轴表示电池容量。蓝色曲线表示由基模型利用工业数据库的第一敏感信息生成的第一中间容量(用Base model表示)，红色星点(共3个，用Labeled samples表示)表示电池维护信息，利用迁移模型来表征第一中间容量到电池校准容量的映射，橘色虚线表示迁移模型利用基模型的第一中间容量生成的电池预测容量(用Actual capacity表示)。

综上所述，根据本申请实施例提出的基于模型迁移的电池容量预测方法，首先获取电池的工业数据库，并根据电池参数中对电池老化特征的老化敏感项，从工业数据库中确定第一敏感信息；将第一敏感信息输入训练好的基模型，完成第一敏感信息到电池的第一中间容量的映射；将第一中间容量输入训练好的迁移模型，完成第一中间容量到预测容量的映射。对于工业数据库中缺损严重的数据，利用补全模型进行补全。本申请通过基模型和迁移模型将工业数据库中残缺不全的数据利用起来，生成大量预测容量，省去实验室进行大量电池老化实验的时间。而生成的电池的预测容量数据，有利于提高基于数据驱动的电池健康管理系统对电池容量估计的精度、可靠性和泛化能力。

参照图7，图7为本申请实施例提供的基于模型迁移的电池容量预测系统的示意图，该系统700包括获取模块710、敏感信息提取模块720、中间容量确定模块730和电池容量估计模块740。获取模块用于获取电池的工业数据库；敏感信息提取模块用于根据电池的工业数据库和老化敏感项，确定第一敏感信息；中间容量确定模块用于根据训练好的基模型和第一敏感信息，确定电池的第一中间容量；电池容量估计模块用于根据训练好的迁移模型和第一中间容量，确定电池的预测容量。

参考图8，图8为本申请实施例提供的一种装置，该装置800包括至少一个处理器810，还包括至少一个存储器820，用于存储至少一个程序；图8中以一个处理器及一个存储器为例。

处理器和存储器可以通过总线或者其他方式连接，图8中以通过总线连接为例。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请的另一个实施例还提供了一种装置，该装置可用于执行如上任意实施例中的控制方法，例如，执行以上描述的图1中的方法步骤。

以上所描述的装置实施例仅仅是示意性的，其中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，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。

本申请实施例还公开了一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，处理器可执行的程序在由处理器执行时用于实现本申请提出的基于模型迁移的电池容量预测方法。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种基于模型迁移的电池容量预测方法，其特征在于，包括：

获取电池的工业数据库；

根据所述工业数据库和老化敏感项，确定第一敏感信息；

根据训练好的基模型和所述第一敏感信息，确定电池的第一中间容量；

根据训练好的迁移模型和所述第一中间容量，确定电池的预测容量；

其中，所述基模型的训练步骤具体为：

获取电池的老化实验信息；

根据所述老化实验信息和所述老化敏感项，确定第二敏感信息；

根据所述老化实验信息，确定电池的实验容量；

根据所述第二敏感信息和所述实验容量的映射关系，完成对所述基模型的训练；

所述迁移模型的训练步骤具体为：

获取电池维护信息；

根据所述电池维护信息和所述老化敏感项，确定第三敏感信息；

根据所述电池维护信息，确定电池的校准容量；

根据训练好的基模型和所述第三敏感信息，确定电池的第二中间容量；

根据所述校准容量和所述第二中间容量的映射关系，完成对所述迁移模型的训练。

2.根据权利要求1所述的基于模型迁移的电池容量预测方法，其特征在于，所述方法还包括：

当所述第一敏感信息缺失，根据所述工业数据库确定缺失第一敏感信息的缺失循环序号；

根据训练好的补全模型和所述缺失循环序号，确定补全容量。

3.根据权利要求2所述的基于模型迁移的电池容量预测方法，其特征在于，所述补全模型的训练步骤具体为：

根据所述工业数据库确定正常循环序号；

根据所述正常循环序号确定预测容量；

根据所述正常循环序号和所述预测容量的映射关系，完成对所述补全模型的训练。

4.根据权利要求2所述的基于模型迁移的电池容量预测方法，其特征在于，所述老化敏感项包括以下至少之一：电池的内阻、电池的容量增量轨迹、电池的充放电曲线。

5.根据权利要求2所述的基于模型迁移的电池容量预测方法，其特征在于，所述获取电池的老化实验 信息这一步骤，具体包括：

对电池进行加速老化处理；

获取电池的老化实验信息；

其中，所述老化处理包括使用大电流对所述电池进行循环充放电。

6.一种基于模型迁移的电池容量预测系统，其特征在于，包括：

获取模块，用于获取电池的工业数据库；

敏感信息提取模块，用于根据所述电池的工业数据库和老化敏感项，确定第一敏感信息；

中间容量确定模块，用于根据训练好的基模型和所述第一敏感信息，确定电池的第一中间容量；

电池容量估计模块，用于根据训练好的迁移模型和所述第一中间容量，确定电池的预测容量；

其中，所述基模型的训练步骤具体为：

获取电池的老化实验信息；

根据所述老化实验信息和所述老化敏感项，确定第二敏感信息；

根据所述老化实验信息，确定电池的实验容量；

根据所述第二敏感信息和所述实验容量的映射关系，完成对所述基模型的训练；

所述迁移模型的训练步骤具体为：

获取电池维护信息；

根据所述电池维护信息和所述老化敏感项，确定第三敏感信息；

根据所述电池维护信息，确定电池的校准容量；

根据训练好的基模型和所述第三敏感信息，确定电池的第二中间容量；

根据所述校准容量和所述第二中间容量的映射关系，完成对所述迁移模型的训练。

7.一种装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-5中任一项所述的基于模型迁移的电池容量预测方法。

8.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1-5任一项所述的基于模型迁移的电池容量预测方法。

Images