CN114047452B - 一种确定电池循环寿命的方法及装置 - Google Patents
一种确定电池循环寿命的方法及装置 Download PDFInfo
- Publication number
- CN114047452B CN114047452B CN202210034201.8A CN202210034201A CN114047452B CN 114047452 B CN114047452 B CN 114047452B CN 202210034201 A CN202210034201 A CN 202210034201A CN 114047452 B CN114047452 B CN 114047452B
- Authority
- CN
- China
- Prior art keywords
- battery
- cycle
- model
- life
- sub
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种确定电池循环寿命的方法及装置,涉及电池技术领域。该方法的一实施例包括:获取电池整个生命周期中用于评价循环寿命的所有指标参数;将所有指标参数按照属性划分成不同组,并将每组指标参数作为第一训练样本数据,得到不同种类的第一训练样本数据;第一训练样本数据中包含电池整个生命周期中属性相同的所有指标参数;针对任一种类第一训练样本数据:基于第一训练样本数据进行模型训练,得到子模型;将若干子模型输出的结果作为第二训练样本数据,基于第二训练样本数据进行模型训练,得到集成模型,由此,能够基于电池的多个指标参数,利用多个模型对电池的循环寿命进行预测,从而提高了电池循环寿命预测的准确性。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种确定电池循环寿命的方法及装置。
背景技术
锂电池具有比能量高、安全性能好、低污染等优点;随着技术的进步,锂离子的应用领域愈发广泛,例如锂电池在新能源汽车领域的应用。锂电池循环寿命指的是锂离子电池可以循环充放电的次数。锂电池循环寿命对于锂电池的应用起着至关重要的作用;为此对于锂电池循环寿命的预测成了锂电池研究的热点。
目前针对锂电池循环寿命的预测有两种方法。一种是基于电池衰减模式进行预测,该方法主要是在电池使用过程中采集电池放电的电压曲线,并对电压曲线进行分类,之后基于分类后的电压曲线,利用隐马尔科夫模型对电池衰退模式进行预测。由于该方法采用单一模型对电压的衰减进行建模,因此模型参数不够复杂,不能充分考虑边际情况,例如电池的电压曲线不好,但是电池循环寿命较好。另一种是基于高斯过程回归的方法对锂电池循环寿命进行预测,该方法主要是将高斯过程回归的建模方法与回升状态网络算法相结合以进行模型训练,从而获得等压降放电时间的预测值,之后将该预测值和充放电时间序列相结合可以计算出电池剩余容量值,最后将电池剩余容量值与电池容量的失效阈值进行比较,得到电池的循环寿命。由于该方法采用了单一的参数化模型,因此如果模型训练不准确,那么模型预测结果就会发生偏离。而且由于输入模型的的数据太单一,因此也不能准确的预测锂电池的循环寿命。为此,急需要提供一种确定锂电池循环寿命的方法,以提高锂电池循环寿命预测的准确率。
发明内容
有鉴于此,本发明实施例提供确定电池循环寿命的方法及装置,能够基于电池的多个指标参数,利用多个模型对电池的循环寿命进行预测,从而提高了电池循环寿命预测的准确性。
为实现上述目的,根据本发明实施例第一方面,提供一种确定电池循环寿命的方法,该方法包括:获取电池整个生命周期中用于评价循环寿命的所有指标参数;将所有指标参数按照属性划分成不同组,并将每组指标参数作为第一训练样本数据,得到不同种类的第一训练样本数据;所述第一训练样本数据中包含电池整个生命周期中属性相同的所有指标参数;针对任一种类第一训练样本数据:基于所述第一训练样本数据进行模型训练,得到子模型;将若干子模型输出的结果作为第二训练样本数据,基于所述第二训练样本数据进行权重训练,得到集成模型。
可选的,该方法还包括:获取电池整个生命周期中任一子周期的所有待测指标参数;所述整个生命周期按照时间段划分成不同的子周期;将获取的所有待测指标参数按照属性划分成不同组;基于寿命预测模型,对不同组待测指标参数进行寿命预测,得到准循环寿命;其中,所述寿命预测模型包括多个子模型和集成模型,集成模型根据多个子模型的输出确定准循环寿命。
可选的,所述基于寿命预测模型,对不同组待测指标参数进行寿命预测,得到准循环寿命,包括:针对任一组所述待测指标参数,基于对应的子模型,对该组待测指标参数进行预测处理,得到预循环寿命;基于集成模型,对多个所述预循环寿命进行预测处理,得到准循环寿命。
可选的,所述基于集成模型,对多个所述预循环寿命进行预测处理,得到准循环寿命,包括:根据子周期在整个生命周期中的权重,利用集成模型对多个所述预循环寿命自动施加不同权重,并将多个施加权重后的预循环寿命进行加权处理,得到准循环寿命。
可选的,所述基于对应的子模型,对该组待测指标参数进行预测处理,得到预循环寿命,包括:针对该组中任一所述待测指标参数,从所述待测指标参数中提取剩余寿命表征量;基于所述剩余寿命表征量,对该组待测指标参数本进行分类处理;基于对应的子模型,对每类待测指标参数进行预测,得到子循环寿命;对每类待测指标参数对应的子循环寿命施加不同权重,并进行加权处理,得到预循环寿命。
可选的,电池整个生命周期中用于评价循环寿命的所有指标参数包括但不限于电池设计参数,电池生产流程参数,单个电池激活电池管理系统的测试参数,单个电池的X光结构检测参数,以及电池在不同子周期充放电循环过程中的电压曲线。
实现上述目的,根据本发明实施例第二方面,还提供一种确定电池循环寿命的装置,该装置包括:第一获取模块,用于获取锂电池整个生命周期中用于评价循环寿命的所有指标参数;第一划分模块,用于将所有指标参数按照属性划分成不同组,并将每组指标参数作为第一训练样本数据,得到不同种类的第一训练样本数据;所述第一训练样本数据中包含锂电池不同生命周期中属性相同的所有指标参数;模型训练模块,用于针对任一种类第一训练样本数据:基于所述第一训练样本数据进行模型训练,得到子模型;将若干子模型输出的结果作为第二训练样本数据,基于所述第二训练样本数据进行权重训练,得到集成模型。
可选的,所述的装置还包括:第二获取模块,用于获取电池整个生命周期中任一子周期的所有待测指标参数;所述整个生命周期按照时间段划分成不同的子周期;第二划分模块,用于将获取的所有待测指标参数按照属性划分成不同组;预测模块,用于基于寿命预测模型,对不同组待测指标参数进行寿命预测,得到准循环寿命;其中,所述寿命预测模型包括多个子模型和集成模型,集成模型根据多个子模型的输出确定准循环寿命。
为实现上述目的,根据本发明实施例第三方面,还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的方法。
为实现上述目的,根据本发明实施例第四方面,还提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如第一方面所述的方法。
本发明实施例通过将电池整个生命周期中用于评价循环寿命的所有指标参数按属性划分成不同组,并基于每组指标参数作为训练样本,对应训练不同子模型,从而能够基于不同属性的指标参数对应预测电池循环寿命;之后将不同子模型输出的电池循环寿命作为训练样本,训练集成模型;由此提高了寿命预测模型训练的准确性,进而有利于电池循环寿命的预测,提高了预测结果的准确性。而且由于本实施例是基于电池的多个指标参数预测电池的循环寿命,因此进一步提高了电池循环寿命预测的准确性。
上述的非惯用的可选方式所具有的进一步的效果将在下文结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明一实施例确定电池循环寿命的方法的流程图;
图2为本发明另一实施例确定电池循环寿命的方法的流程图;
图3为本发明一实施例中寿命预测模型的架构示意图;
图4为本发明一实施例确定电池循环寿命的装置的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如图1所示,为本发明一实施例确定电池循环寿命的方法的流程图,该方法至少包括如下操作流程:S101,获取电池整个生命周期中用于评价循环寿命的所有指标参数;S102,将所有指标参数按照属性划分成不同组,并将每组指标参数作为第一训练样本数据,得到不同种类的第一训练样本数据;第一训练样本数据中包含电池整个生命周期中属性相同的所有指标参数;S103,针对任一种类第一训练样本数据:基于第一训练样本数据进行模型训练,得到子模型;S104,将若干子模型输出的结果作为第二训练样本数据,基于第二训练样本数据进行模型训练,得到集成模型。
在S101中,以锂电池为例进行说明,锂电池整个生命周期是指从锂电池出厂后到锂电池使用结束时的时间。整个生命周期按照时间段划分成不同的子周期,例如锂电池初始状态对应的初始周期,使用第一个预设时间段对应的第一子周期,使用第二个预设时间段对应的第二子周期等,还可以有第三、第四以及第五子周期,在这里不做太多限定。
所有指标参数的形式包括但不限于生产测量数据、数字数据、图像数据以及使用数据。例如锂电池出厂后未投入使用时,评价锂电池循环寿命的指标参数包括但不限于锂电池设计参数,锂电池生产流程参数,单个锂电池激活电池管理系统的测试参数,单个锂电池的X光结构检测参数。再例如锂电池出厂后投入使用时,在第一子周期评价锂电池循环寿命的指标参数包括但不限于锂电池设计参数,锂电池生产流程参数,单个锂电池激活电池管理系统的测试参数,单个锂电池的X光结构检测参数以及锂电池在该预设子周期充放电循环过程中的电压曲线。
在S102中,生产流程参数、设计参数,测试参数,结构检测参数,以及电压曲线均是属性不同的参数。在锂电池整个生命周期中,生产流程参数、设计参数,测试参数,结构检测参数均是不变的,但是锂电池在不同子周期充放电循环过程的电压曲线是不断变化的。例如,当所有指标参数包括生产流程参数、设计参数,测试参数,结构检测参数,以及电压曲线时;根据指标参数的属性,将所有指标参数划分成五组指标参数,并且每组指标参数作为一类第一训练样本数据。例如当第一训练样本数据对应的指标参数为电压曲线时,第一训练样本数据包括电池整个生命周期不同子周期对应的电压曲线。
在S103中,基于第一组指标参数,利用算法进行模型训练得到第一子模型;基于第二组指标参数,利用算法进行模型训练得到第二子模型;基于第三组指标参数,利用算法进行模型训练得到第三子模型;基于第四组指标参数,利用算法进行模型训练得到第四子模型;基于第五组指标参数,利用算法进行模型训练得到第五子模型。例如,将第一组指标参数按照电池子周期划分成若干子样本,将每个子样本对应的指标参数输入第一子模型;之后基于第一子模型的输出结果调节第一子模型的参数,得到第一子模型。由此第一子模型能够基于电池任一子周期生成的第一组指标参数进行循环寿命预测。第二子模型、第三子模型、第四子模型和第五子模型的训练过程同第一子模型的训练过程相类似,作用也类似,在这里不做重复赘述。
其中,子模型可以是参数型子模型,也可以是非参数型子模型;子模型有非数据驱动生成的评估模型,例如基于t0参数的模型,退化模型、自回归模型、自适应方法建立的模型,以及卡尔曼滤波模型等;也有数据驱动生成的评估模型,例如深度学习模型、SVM模型、LSTM模型,以及高斯过程混合模型等。
需要说明的是,针对任一种类第一训练样本,可以基于同一锂电池的第一训练样本数据训练对应的子模型,也可以基于多个锂电池对应的多个第一训练样本数据,训练对应的子模型。
例如,当电池在初始周期未使用时,第一子模型输出结果在集成模型中的权重为0.4,第二子模型输出结果在集成模型中的权重为0.3,第三子模型输出结果在集成模型中的权重为0.2,第四子模型输出结果在集成模型中的权重为0.09,第五子模型输出结果在集成模型中的权重为0.01。当电池在第一子周期使用后,第一子模型输出结果在集成模型中的权重为0.01,第二子模型输出结果在集成模型中的权重为0.05,第三子模型输出结果在集成模型中的权重为0.1,第四子模型输出结果在集成模型中的权重为0.1,第五子模型输出结果在集成模型中的权重为0.74。由此集成模型能够基于不同子周期确定子模型输出结果的权重,从而实现了智能化模型训练,提高了模型训练的准确性。
本发明实施例通过将电池整个生命周期中用于评价循环寿命的所有指标参数按属性划分成不同组,并基于每组指标参数作为训练样本,对应训练不同子模型,从而能够基于不同属性的指标参数对应预测电池循环寿命;之后将不同子模型输出的电池循环寿命作为训练样本,进行权重训练,得到集成模型;由此提高了寿命预测模型训练的准确性,进而有利于电池循环寿命的预测,提高了预测结果的准确性。而且由于本实施例是基于电池的多个指标参数预测电池的循环寿命,因此进一步提高了电池循环寿命预测的准确性。
如图2所示,为本发明另一实施例中确定电池循环寿命的方法的流程图;该方法是在前述实施例的基础上优化得到的,该方法至少包括如下操作流程:S201,获取电池整个生命周期中任一子周期的所有待测指标参数;上述整个生命周期按照时间段划分成不同的子周期;S202,将获取的所有待测指标参数按照属性划分成不同组;S203,基于寿命预测模型,对不同组待测指标参数进行寿命预测,得到准循环寿命;其中,寿命预测模型包括多个子模型和集成模型,集成模型根据多个子模型的输出确定准循环寿命。
具体地,基于寿命预测模型,对不同组待测指标参数进行寿命预测,得到准循环寿命,包括:针对任一组所述待测指标参数,基于对应的子模型,对该组待测指标参数进行预测处理,得到预循环寿命;基于集成模型,对多个所述预循环寿命进行预测处理,得到准循环寿命。例如针对该组中任一所述待测指标参数,从所述待测指标参数中提取剩余寿命表征量;基于所述剩余寿命表征量,对该组待测指标参数本进行分类处理;基于对应的子模型,对每类待测指标参数进行预测,得到子循环寿命;对每类待测指标参数对应的子循环寿命施加不同权重,并进行加权处理,得到预循环寿命。根据子周期在整个生命周期中的权重,利用集成模型对多个所述预循环寿命自动施加不同权重,并将多个施加权重后的预循环寿命进行加权处理,得到准循环寿命。
由此,本实施例利用多个模型,并根据电池特定条件,初始周期的状态以及使用一段时间后的状态自动训练寿命预测模型,并能够利用寿命预测模型对电池整个生命周期中任一子周期的电池循环寿命进行预测,提高了预测结果的准确性。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在的逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要说明的是,本申请的电池可以是锂电电池,也可以是其他形式的电池。
如图3所示,为本发明一实施例中寿命预测模型的架构示意图。
获取锂电池在第一子周期使用后的所有待测指标参数;所有待测指标参数包括锂电池设计参数,锂电池生产流程参数,单个锂电池激活电池管理系统的测试参数,单个锂电池的X光结构检测参数以及锂电池在第一子周期充放电循环过程中的电压曲线。将所有待测指标参数按照属性进行分组;将不同组待测指标参数分别输入C1模型、C2模型、C3模型、C4模型和C5模型。例如将锂电池设计参数输入C1模型进行预测,生成电池循环寿命X1;将锂电池生产流程参数输入C2模型进行预测,生成电池循环寿命X2;将单个锂电池激活电池管理系统的测试参数输入C3模型进行预测,生成电池循环寿命X3;将单个锂电池的X光结构检测参数输入C4模型进行预测,生成电池循环寿命X4;将锂电池在第一子周期充放电循环过程中生成的所有电压曲线输入C5模型进行预测,生成电池循环寿命X5。之后将X1、X2、X3、X4和X5分别输入CR模型,CR模型会给X1、X2、X3、X4和X5分别赋予不同的权重,从而在电池使用的不同阶段输出不同的电池准循环寿命。C1模型、C2模型、C3模型、C4模型和C5模型是子模型;CR模型是集成模型,例如集成模型为权重模型。
如图4所示,为本发明一实施例确定电池循环寿命的装置的示意图;该装置400包括:第一获取模块401,用于获取电池整个生命周期中用于评价循环寿命的所有指标参数;第一划分模块402,用于将所有指标参数按照属性划分成不同组,并将每组指标参数作为第一训练样本数据,得到不同种类的第一训练样本数据;所述第一训练样本数据中包含电池整个生命周期中属性相同的所有指标参数;模型训练模块403,用于针对任一种类第一训练样本数据:基于所述第一训练样本数据进行权重训练,得到子模型;将若干子模型输出的结果作为第二训练样本数据,基于所述第二训练样本数据进行模型训练,得到集成模型。
在可选的实施例中,所述的装置还包括:第二获取模块,用于获取电池整个生命周期中任一子周期的所有待测指标参数;所述整个生命周期按照时间段划分成不同的子周期;第二划分模块,用于将获取的所有待测指标参数按照属性划分成不同组;预测模块,用于基于寿命预测模型,对不同组待测指标参数进行寿命预测,得到准循环寿命;其中,所述寿命预测模型包括多个子模型和集成模型,集成模型根据多个子模型的输出确定准循环寿命。
在可选的实施例中,预测模块包括:第一预测单元,用于针对任一组所述待测指标参数,基于对应的子模型,对该组待测指标参数进行预测处理,得到预循环寿命;第二预测单元,用于基于集成模型,对多个所述预循环寿命进行预测处理,得到准循环寿命。
在可选的实施例中,第二预测单元进一步用于,利用集成模型对多个所述预循环寿命自动施加不同权重,并将多个施加权重后的预循环寿命进行加权处理,得到准循环寿命。
在可选的实施例中,第一预测单元包括:提取子单元,用于针对该组中任一所述待测指标参数,从所述待测指标参数中提取剩余寿命表征量;分类子单元,用于基于所述剩余寿命表征量,对该组待测指标参数本进行分类处理;预测子单元,用于基于对应的子模型,对每类待测指标参数进行预测,得到子循环寿命;加权单元,用于对每类待测指标参数对应的子循环寿命施加不同权重,并进行加权处理,得到预循环寿命。
在可选的实施例中,电池整个生命周期中用于评价循环寿命的所有指标参数包括但不限于电池设计参数,电池生产流程参数,单个电池激活电池管理系统的测试参数,单个电池的X光结构检测参数,以及电池在不同子周期充放电循环过程中的电压曲线。
上述装置可执行本发明实施例所提供的确定电池循环寿命的方法,具备执行电池循环寿命的方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的电池循环寿命的方法。
本发明还提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本发明所述的确定方法。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (6)
1.一种确定电池循环寿命的方法,其特征在于,包括:
获取电池整个生命周期中用于评价循环寿命的所有指标参数;
将所有指标参数按照属性划分成不同组,并将每组指标参数作为第一训练样本数据,得到不同种类的第一训练样本数据;所述第一训练样本数据中包含电池整个生命周期中属性相同的所有指标参数;
针对任一种类第一训练样本数据:基于所述第一训练样本数据进行模型训练,得到子模型;将若干子模型输出的结果作为第二训练样本数据,基于所述第二训练样本数据进行权重训练,得到集成模型;
获取电池整个生命周期中任一子周期的所有待测指标参数;所述整个生命周期按照时间段划分成不同的子周期;
将获取的所有待测指标参数按照属性划分成不同组;
针对任一组所述待测指标参数,基于对应的子模型,对该组待测指标参数进行预测处理,得到预循环寿命;利用集成模型对多个所述预循环寿命自动施加不同权重,并将多个施加权重后的预循环寿命进行加权处理,得到准循环寿命。
2.根据权利要求1所述的方法,其特征在于,所述基于对应的子模型,对该组待测指标参数进行预测处理,得到预循环寿命,包括:
针对该组中任一所述待测指标参数,从所述待测指标参数中提取剩余寿命表征量;
基于所述剩余寿命表征量,对该组待测指标参数本进行分类处理;
基于对应的子模型,对每类待测指标参数进行预测,得到子循环寿命;
对每类待测指标参数对应的子循环寿命施加不同权重,并进行加权处理,得到预循环寿命。
3.根据权利要求1所述的方法,其特征在于,
电池整个生命周期中用于评价循环寿命的所有指标参数包括但不限于电池设计参数,电池生产流程参数,单个电池激活电池管理系统的测试参数,单个电池的X光结构检测参数,以及电池在不同子周期充放电循环过程中的电压曲线。
4.一种确定电池循环寿命的装置,其特征在于,包括:
第一获取模块,用于获取电池整个生命周期中用于评价循环寿命的所有指标参数;
第一划分模块,用于将所有指标参数按照属性划分成不同组,并将每组指标参数作为第一训练样本数据,得到不同种类的第一训练样本数据;所述第一训练样本数据中包含电池整个生命周期中属性相同的所有指标参数;
模型训练模块,用于针对任一种类第一训练样本数据:基于所述第一训练样本数据进行模型训练,得到子模型;将若干子模型输出的结果作为第二训练样本数据,基于所述第二训练样本数据进行权重训练,得到集成模型;
第二获取模块,用于获取电池整个生命周期中任一子周期的所有待测指标参数;所述整个生命周期按照时间段划分成不同的子周期;
第二划分模块,用于将获取的所有待测指标参数按照属性划分成不同组;
预测模块,用于针对任一组所述待测指标参数,基于对应的子模型,对该组待测指标参数进行预测处理,得到预循环寿命;利用集成模型对多个所述预循环寿命自动施加不同权重,并将多个施加权重后的预循环寿命进行加权处理,得到准循环寿命。
5.一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-3中任一项所述的方法。
6.一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034201.8A CN114047452B (zh) | 2022-01-13 | 2022-01-13 | 一种确定电池循环寿命的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034201.8A CN114047452B (zh) | 2022-01-13 | 2022-01-13 | 一种确定电池循环寿命的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114047452A CN114047452A (zh) | 2022-02-15 |
CN114047452B true CN114047452B (zh) | 2022-05-13 |
Family
ID=80196392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210034201.8A Active CN114047452B (zh) | 2022-01-13 | 2022-01-13 | 一种确定电池循环寿命的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114047452B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343623B (zh) * | 2022-08-31 | 2023-06-16 | 中国长江三峡集团有限公司 | 一种电化学储能电池故障的在线检测方法及装置 |
CN115524615A (zh) * | 2022-10-08 | 2022-12-27 | 深圳先进技术研究院 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
CN115456223B (zh) * | 2022-11-09 | 2023-01-31 | 深圳市闪盾能源科技有限公司 | 基于全生命周期的锂电池梯次回收管理方法及系统 |
CN117454186B (zh) * | 2023-12-22 | 2024-05-14 | 宁德时代新能源科技股份有限公司 | 模型训练、电池性能预测方法、装置、设备及存储介质 |
CN117609846B (zh) * | 2024-01-23 | 2024-06-18 | 宁德时代新能源科技股份有限公司 | 电池性能参数的获取方法、装置、电子设备及存储介质 |
Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4743831A (en) * | 1986-09-12 | 1988-05-10 | Troxler Electronic Laboratories, Inc. | Apparatus and method for indicating remaining battery life in a battery powered device |
JP2010519691A (ja) * | 2007-04-20 | 2010-06-03 | 杭州高特電子設備有限公司 | 蓄電池の性能を分析するためのエキスパート診断方法 |
JP2011208966A (ja) * | 2010-03-29 | 2011-10-20 | Nec Corp | 余命予測装置、そのコンピュータプログラムおよびデータ処理方法 |
JP2012154839A (ja) * | 2011-01-27 | 2012-08-16 | Yokogawa Electric Corp | 寿命予測評価装置および寿命予測評価方法 |
CN103364732A (zh) * | 2012-04-05 | 2013-10-23 | 三星Sdi株式会社 | 预测电池寿命的系统及方法 |
WO2013158816A1 (en) * | 2012-04-20 | 2013-10-24 | Cobasys, Llc | Expected battery life determination system and method |
EP2910962A1 (en) * | 2014-02-21 | 2015-08-26 | Sony Corporation | Battery remaining-life estimation apparatus, battery pack, capacitor, electric vehicle, and battery remaining-life estimation method |
CN105891729A (zh) * | 2016-06-23 | 2016-08-24 | 矽力杰半导体技术(杭州)有限公司 | 电池及电池组的状态检测方法及装置 |
CN106842045A (zh) * | 2017-01-20 | 2017-06-13 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 |
TWI597511B (zh) * | 2016-12-23 | 2017-09-01 | Chen Tech Electric Mfg Co Ltd | Battery life cycle prediction model building method |
CN107290679A (zh) * | 2017-07-03 | 2017-10-24 | 南京能瑞电力科技有限公司 | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 |
CN107728072A (zh) * | 2017-10-10 | 2018-02-23 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池循环寿命的快速预测方法 |
CN108089135A (zh) * | 2017-12-22 | 2018-05-29 | 广州市香港科大霍英东研究院 | 一种基于极限学习模型的电池状态预测系统及其实现方法 |
CN108680861A (zh) * | 2018-03-05 | 2018-10-19 | 北京航空航天大学 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
CN108919129A (zh) * | 2018-06-08 | 2018-11-30 | 北京长城华冠汽车科技股份有限公司 | 一种时变工况下动力电池的寿命预测方法 |
TWI658371B (zh) * | 2018-03-21 | 2019-05-01 | 龍華科技大學 | 一種基於模型預測控制之電池充電演算法 |
CN109725266A (zh) * | 2018-12-29 | 2019-05-07 | 蜂巢能源科技有限公司 | 一种电池健康状态soh的计算方法及装置 |
CN110133524A (zh) * | 2019-04-19 | 2019-08-16 | 顺丰科技有限公司 | 电池电荷状态计算方法、装置、服务器及介质 |
CN110646737A (zh) * | 2019-09-20 | 2020-01-03 | 广州市香港科大霍英东研究院 | 基于多模型的电池soc动态估算方法、系统及存储介质 |
CN111340245A (zh) * | 2020-02-26 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法及系统 |
CN112230154A (zh) * | 2019-07-15 | 2021-01-15 | 中国科学院沈阳自动化研究所 | 一种锂电池剩余寿命预测方法 |
CN112379297A (zh) * | 2020-10-22 | 2021-02-19 | 欣旺达电动汽车电池有限公司 | 电池系统寿命预测方法、装置、设备及存储介质 |
CN112526354A (zh) * | 2020-12-22 | 2021-03-19 | 南京工程学院 | 一种锂电池健康状态估计方法 |
CN112731184A (zh) * | 2020-12-28 | 2021-04-30 | 深圳供电局有限公司 | 一种电池寿命检测方法和系统 |
CN113109715A (zh) * | 2021-03-29 | 2021-07-13 | 东华大学 | 基于特征选择和支持向量回归的电池健康状况预测方法 |
CN113219341A (zh) * | 2021-03-23 | 2021-08-06 | 陈九廷 | 一种模型生成及电池劣化推测装置、方法、介质及设备 |
TWI736373B (zh) * | 2020-07-28 | 2021-08-11 | 三陽工業股份有限公司 | 動態電池健康程度偵測方法 |
CN113281656A (zh) * | 2021-05-20 | 2021-08-20 | 北京现代汽车有限公司 | 电池健康度的确定方法和装置 |
CN113406522A (zh) * | 2021-06-18 | 2021-09-17 | 合肥国轩高科动力能源有限公司 | 一种电动车锂电池系统寿命预测评估方法及系统 |
CN113504483A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
CN113655385A (zh) * | 2021-10-19 | 2021-11-16 | 深圳市德兰明海科技有限公司 | 锂电池soc估计方法、装置及计算机可读存储介质 |
CN113671394A (zh) * | 2021-08-16 | 2021-11-19 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂离子电池期望寿命预测方法及系统 |
CN113820614A (zh) * | 2021-08-18 | 2021-12-21 | 浙江南都电源动力股份有限公司 | 锂离子电池循环寿命的预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10177398B2 (en) * | 2010-11-23 | 2019-01-08 | Eocell Ltd | Li-ion battery capacity and voltage prediction using quantum simulations |
CN111832221B (zh) * | 2020-06-23 | 2023-09-26 | 华中科技大学无锡研究院 | 基于特征筛选的锂电池寿命预测方法 |
-
2022
- 2022-01-13 CN CN202210034201.8A patent/CN114047452B/zh active Active
Patent Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4743831A (en) * | 1986-09-12 | 1988-05-10 | Troxler Electronic Laboratories, Inc. | Apparatus and method for indicating remaining battery life in a battery powered device |
JP2010519691A (ja) * | 2007-04-20 | 2010-06-03 | 杭州高特電子設備有限公司 | 蓄電池の性能を分析するためのエキスパート診断方法 |
JP2011208966A (ja) * | 2010-03-29 | 2011-10-20 | Nec Corp | 余命予測装置、そのコンピュータプログラムおよびデータ処理方法 |
JP2012154839A (ja) * | 2011-01-27 | 2012-08-16 | Yokogawa Electric Corp | 寿命予測評価装置および寿命予測評価方法 |
CN103364732A (zh) * | 2012-04-05 | 2013-10-23 | 三星Sdi株式会社 | 预测电池寿命的系统及方法 |
WO2013158816A1 (en) * | 2012-04-20 | 2013-10-24 | Cobasys, Llc | Expected battery life determination system and method |
EP2910962A1 (en) * | 2014-02-21 | 2015-08-26 | Sony Corporation | Battery remaining-life estimation apparatus, battery pack, capacitor, electric vehicle, and battery remaining-life estimation method |
CN105891729A (zh) * | 2016-06-23 | 2016-08-24 | 矽力杰半导体技术(杭州)有限公司 | 电池及电池组的状态检测方法及装置 |
TWI597511B (zh) * | 2016-12-23 | 2017-09-01 | Chen Tech Electric Mfg Co Ltd | Battery life cycle prediction model building method |
CN106842045A (zh) * | 2017-01-20 | 2017-06-13 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 |
CN107290679A (zh) * | 2017-07-03 | 2017-10-24 | 南京能瑞电力科技有限公司 | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 |
CN107728072A (zh) * | 2017-10-10 | 2018-02-23 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池循环寿命的快速预测方法 |
CN108089135A (zh) * | 2017-12-22 | 2018-05-29 | 广州市香港科大霍英东研究院 | 一种基于极限学习模型的电池状态预测系统及其实现方法 |
CN108680861A (zh) * | 2018-03-05 | 2018-10-19 | 北京航空航天大学 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
TWI658371B (zh) * | 2018-03-21 | 2019-05-01 | 龍華科技大學 | 一種基於模型預測控制之電池充電演算法 |
CN108919129A (zh) * | 2018-06-08 | 2018-11-30 | 北京长城华冠汽车科技股份有限公司 | 一种时变工况下动力电池的寿命预测方法 |
CN109725266A (zh) * | 2018-12-29 | 2019-05-07 | 蜂巢能源科技有限公司 | 一种电池健康状态soh的计算方法及装置 |
CN110133524A (zh) * | 2019-04-19 | 2019-08-16 | 顺丰科技有限公司 | 电池电荷状态计算方法、装置、服务器及介质 |
CN112230154A (zh) * | 2019-07-15 | 2021-01-15 | 中国科学院沈阳自动化研究所 | 一种锂电池剩余寿命预测方法 |
CN110646737A (zh) * | 2019-09-20 | 2020-01-03 | 广州市香港科大霍英东研究院 | 基于多模型的电池soc动态估算方法、系统及存储介质 |
CN111340245A (zh) * | 2020-02-26 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法及系统 |
TWI736373B (zh) * | 2020-07-28 | 2021-08-11 | 三陽工業股份有限公司 | 動態電池健康程度偵測方法 |
CN112379297A (zh) * | 2020-10-22 | 2021-02-19 | 欣旺达电动汽车电池有限公司 | 电池系统寿命预测方法、装置、设备及存储介质 |
CN112526354A (zh) * | 2020-12-22 | 2021-03-19 | 南京工程学院 | 一种锂电池健康状态估计方法 |
CN112731184A (zh) * | 2020-12-28 | 2021-04-30 | 深圳供电局有限公司 | 一种电池寿命检测方法和系统 |
CN113219341A (zh) * | 2021-03-23 | 2021-08-06 | 陈九廷 | 一种模型生成及电池劣化推测装置、方法、介质及设备 |
CN113109715A (zh) * | 2021-03-29 | 2021-07-13 | 东华大学 | 基于特征选择和支持向量回归的电池健康状况预测方法 |
CN113281656A (zh) * | 2021-05-20 | 2021-08-20 | 北京现代汽车有限公司 | 电池健康度的确定方法和装置 |
CN113406522A (zh) * | 2021-06-18 | 2021-09-17 | 合肥国轩高科动力能源有限公司 | 一种电动车锂电池系统寿命预测评估方法及系统 |
CN113504483A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
CN113671394A (zh) * | 2021-08-16 | 2021-11-19 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂离子电池期望寿命预测方法及系统 |
CN113820614A (zh) * | 2021-08-18 | 2021-12-21 | 浙江南都电源动力股份有限公司 | 锂离子电池循环寿命的预测方法 |
CN113655385A (zh) * | 2021-10-19 | 2021-11-16 | 深圳市德兰明海科技有限公司 | 锂电池soc估计方法、装置及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
Residual life prediction of lithium-ion batteries by non-equidistance grey forecasting model;Zhao Liang-liang;《2014 Prognostics and System Health Management Conference (PHM-2014 Hunan)》;20141231;全文 * |
Review of Methods for Battery Life Modeling and Their Applications;Gu, WJ;《International Conference on Applied Mechnics and Mechanical Engineering》;20101231;全文 * |
锂离子电池全生命周期剩余使用寿命预测;赵沁峰;《电源学报》;20211018;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114047452A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114047452B (zh) | 一种确定电池循环寿命的方法及装置 | |
US12034319B2 (en) | Server-side characterization of rechargeable batteries | |
CN106446940B (zh) | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 | |
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
JP2022514992A (ja) | バッテリ診断システム、バッテリ診断方法、及び記憶媒体 | |
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
CN112180258B (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
CN109633448A (zh) | 识别电池健康状态的方法、装置和终端设备 | |
CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
CN115270454A (zh) | 电池寿命预测方法及相关设备 | |
CN116338502A (zh) | 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法 | |
Qian et al. | State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression | |
CN110794319A (zh) | 预测锂电池阻抗模型的参数的方法、装置及可读存储介质 | |
CN117330987A (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
CN112100902B (zh) | 一种基于流数据的锂离子电池寿命预测方法 | |
CN115794570A (zh) | 压力测试方法、装置、设备及计算机可读存储介质 | |
CN115879378B (zh) | 一种电芯的膨胀力预测模型的训练方法及装置 | |
CN114565172A (zh) | 电池剩余寿命预测模型构建、电池剩余寿命预测方法 | |
CN113901721A (zh) | 基于鲸鱼优化算法的模型生成方法及数据预测方法 | |
Jiao et al. | A methodology for state of health estimation of battery using short-time working condition aging data | |
CN115389947B (zh) | 锂电池健康状态的预测方法、装置、电子设备及存储介质 | |
Giazitzis et al. | A Case Study of a Tiny Machine Learning Application for Battery State-of-Charge Estimation | |
KR102656339B1 (ko) | 재사용 가능한 배터리의 인공지능 활용 유효 수명 측정을 위한 장치 |
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 |