CN114509679A - 基于深度学习的电池soh预测模型构建方法 - Google Patents

基于深度学习的电池soh预测模型构建方法 Download PDF

Info

Publication number
CN114509679A
CN114509679A CN202210412889.9A CN202210412889A CN114509679A CN 114509679 A CN114509679 A CN 114509679A CN 202210412889 A CN202210412889 A CN 202210412889A CN 114509679 A CN114509679 A CN 114509679A
Authority
CN
China
Prior art keywords
battery
deep learning
soh
charging
prediction 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.)
Granted
Application number
CN202210412889.9A
Other languages
English (en)
Other versions
CN114509679B (zh
Inventor
杨亮
张衡
王文斌
王铁
王军雷
王华珺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Automobile Information Technology Tianjin Co ltd
Dongfeng Automobile Co Ltd
Original Assignee
China Automobile Information Technology Tianjin Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Automobile Information Technology Tianjin Co ltd filed Critical China Automobile Information Technology Tianjin Co ltd
Priority to CN202210412889.9A priority Critical patent/CN114509679B/zh
Publication of CN114509679A publication Critical patent/CN114509679A/zh
Application granted granted Critical
Publication of CN114509679B publication Critical patent/CN114509679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/84—Recycling of batteries or fuel cells

Abstract

本发明实施例公开了一种基于深度学习的电池SOH预测模型构建方法，包括：获取电池在多次充电过程中的特征数据以及充电后的SOH；利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据；以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH；训练好的深度学习网络构成电池SOH预测模型；其中，所述深度学习网络包括：受限玻尔兹曼机模型和全连接层；所述受限玻尔兹曼机模型用于对每个连续时间片段的特征数据进行降维，所述全连接层用于对降维后的特征数据进行全连接计算，得到所述深度学习网络的输出。本实施例使模型的预测结果更符合电池的真实使用状态。

Description

基于深度学习的电池SOH预测模型构建方法
技术领域
本发明实施例涉及人工智能领域，尤其涉及一种基于深度学习的电池SOH预测模型构建方法。
背景技术
随着动力电池在新能源汽车中的应用，电池的能量密度、输出效率不断升高，合理评测电池的SOH（State Of Healthy，健康状态）有利于动力电池的梯次利用以及报废材料的循环生产。
目前的电池SOH评测技术多基于实验室数据，得到的SOH与真实使用中的电池状态存在较大差异。
发明内容
本发明实施例提供一种基于深度学习的电池SOH预测模型构建方法，使模型的预测结果更符合电池的真实使用状态。
第一方面，本发明实施例提供了一种基于深度学习的电池SOH预测模型构建方法，包括：
获取电池在多次充电过程中的特征数据以及充电后的SOH；
利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据；
以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH；
训练好的深度学习网络构成电池SOH预测模型；
其中，所述深度学习网络包括：受限玻尔兹曼机模型和全连接层；所述受限玻尔兹曼机模型用于对每个连续时间片段的特征数据进行降维，所述全连接层用于对降维后的特征数据进行全连接计算，得到所述深度学习网络的输出。
第二方面，本发明实施例提供了一种基于深度学习的电池SOH预测方法，包括：
获取电池在一次充电过程中一连续时间片段内的特征数据；
将所述连续时间片段内的特征数据输入电池SOH预测模型，得到所述电池在所述一次充电后的SOH，其中，所述电池SOH预测模型采用上述实施例所述的方法构建。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的基于深度学习的电池SOH预测模型构建方法或电池SOH预测方法。
第四方面，本发明实施例还提供了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任一实施例所述的基于深度学习的电池SOH预测模型构建方法或电池SOH预测方法。
本发明实施例采用受限玻尔兹曼机模型和全连接层搭建深度学习网络，学习电池充电数据与SOH之间的关系，以便快速准确地预测电池SOH；并且采用电池在真实充电过程中的特征数据对深度学习网络进行训练，还原电池充放电的真实工况，使模型的预测结果更符合电池的实际使用状态。特别地，在得到真实的充电数据后，本实施例通过网格搜索法选取每次充电过程的有效充电片段，尽可能覆盖不同的电池工况，在保持数据特征的同时减少数据量，提高训练效率。
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是本发明实施例提供的一种基于深度学习的电池SOH预测模型构建方法的流程图；
图2是本发明实施例提供的Sigmoid函数的示意图；
图3是本发明实施例提供的改进的归一化函数的示意图；
图4是本发明实施例提供的一种基于深度学习的电池SOH预测方法的流程图；
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供一种基于深度学习的电池SOH预测模型构建方法，适用于构建预测模型对电池SOH进行预测的情况，本实施例由电子设备执行。该方法的流程图如图1所示，本实施例提供的方法具体包括如下步骤：
S110、获取电池在多次充电过程中的特征数据以及充电后的SOH。
所述特征数据指充电过程中随时间变化的相关数据，反映充电过程中电池状态的变化。可选地，所述相关数据包括电池参数，例如电池电流、电压和温度等，所述特征数据包括每次充电过程中随时间变化的电流、电压和温度。进一步地，所述特征数据可以为一个三维矩阵，矩阵的三个维度分别为充电次数、充电时刻和特征数据种类。
电池的健康状态定义为电池当前容量与电池额定容量的比值，一次充电后的SOH即指该次充电后的电池容量与额定容量的比值。
S120、利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据。
本实施例利用网格搜索法在整个充电过程中选取一个连续充电片段，使得该片段内的特征数据分布与整个充电过程中的特征数据分布一致，进而采用该片段内的特征数据代表整个充电过程的特征数据。为了便于描述，将该充电片段称为有效充电片段。对每次充电过程都进行选取，每次充电过程对应一个有效充电片段。
由于每次充电过程中的特征数据非常多，截取有效充电片段的数据作为后续过程的输入，可以减少运算量。此外，实际使用中电池的充电过程往往不是完整的充电过程，即不是从电池剩余容量0%充至电池容量100%的充电过程，不可避免地需要使用有效充电片段来代表完整的充电过程，以覆盖大部分实际充电过程的特性。
S130、以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH。
本实施例通过深度学习网络来解析电池特征数据与SOH之间的关系。具体来说，以每个连续时间片段的特征数据和每次充电后的SOH为样本，对深度学习网络进行训练，训练的目标是：将从一次充电过程中选取的连续时间片段的特征数据输入深度学习网络后，得到的输出逼近本次充电后的实际SOH。
所述深度学习网络包括：受限玻尔兹曼机模型和全连接层。由于特征数据之间存在强相互关系，本实施例采用基于受限玻尔兹曼机的深度学习网络提取特征数据的主要价值；并搭建基于全连接层的延伸网络，用于对提取结果进行全连接计算和进一步降维。
具体来说，将每个连续时间片段的特征数据作为样本输入所述受限玻尔兹曼机模型，受限玻尔兹曼机模型对特征数据进行降维后输入所述全连接层，所述全连接层对降维后的特征数据进行全连接计算，得到深度学习网络的输出。
受限玻兹曼机是玻兹曼机的一种变体，限定模型为二分图。玻兹曼机包含隐单元间的边，使之成为递归神经网络。而受限玻兹曼机包含对应输入参数的可见单元和对应训练结果的隐单元，每条边必须连接一个可见单元和一个隐单元。与“无限制”玻兹曼机相比，受限玻尔兹曼机更高效。
本实施例将受限玻兹曼机应用于深度学习网络，可使用梯度下降法和反向传播算法进行调优。与传统的降维算法（如主成分分析或支持向量机）相比，受限玻尔兹曼机是可训练的，具有更多的参数，能根据训练样本进行调整，并且可以根据实际应用进行结构优化，因而数据处理的准确度更高、泛化能力更强，且能够处理海量数据。与基于深度学习的其他降维方法（例如自编码结构）相比，受限玻尔兹曼机无需进行编解码步骤，网络结构简单，训练速度更快，并且由于其结构简单从而过拟合程度更低。
此外，本实施例将降维后的特征值直接作为全连接层的输入，实现基于全连接层神经网络的计算，未进行卷积等操作，极大缩短模型运行时间。
S140、训练好的深度学习网络构成电池SOH预测模型。
训练好的深度学习网络的输出无限逼近真实的SOH，能够作为电池SOH预测模型。
本实施例采用受限玻尔兹曼机模型和全连接层搭建深度学习网络，学习电池充电数据与SOH之间的关系，以便快速准确地预测电池SOH；并且采用电池在真实充电过程中的特征数据对深度学习网络进行训练，还原电池充放电的真实工况，使模型的预测结果更符合电池的实际使用状态。特别地，在得到真实的充电数据后，本实施例通过网格搜索法选取每次充电过程的有效充电片段，尽可能覆盖不同的电池工况，在保持数据特征的同时减少数据量，提高训练效率。
在上述实施例和下述实施例的基础上，本实施例对特征数据和SOH的获取过程进行细化。获取特征数据，首先确定特征数据的种类。可选地，所述特征数据包括：电流、电压、温度、瞬时电压积分、瞬时电流积分和瞬时电功率。其中，瞬时电压积分指电压变化率，瞬时电流积分指电流变化率，瞬时电功率指电流乘以电压。
具体来说，电池的SOH会随着电池循环充电次数的增加呈现下降趋势，即每次不同的充电过程中电池的健康状态都会不同。而每次不同的充电过程中，电池的电压、电流以及电压、电流的变化率都会呈现不同的变化趋势。因此选取电流、电压、瞬时电压积分、瞬时电流积分分别作为一种特征数据。
同时，电池的健康状态取决于电池当前容量，而电池当前容量等于电功率乘以放电时间，因此电池的电功率和电池的健康状态正相关，选取瞬时电功率作为一种特征数据。
此外，电池的温度会对电池健康状态产生一定影响，即相同型号、相同充电循环次数的电池在不同温度下的健康程度会发生改变，因此选取温度作为一种特征数据。
确定上述特征数据种类后，所述获取电池在多次充电过程中的特征数据，具体包括如下步骤：
步骤一、获取电池在连续时段内的电流、电压和温度。
可选地，通过T-BOX获取汽车在连续时段内的电池电压、电流和温度。例如，获取汽车在一个月内的电池特征数据，T-BOX上传的时间间隔为一秒至十秒之间。
步骤二、将所述连续时段内的电流、电压和温度按照充电过程分组，得到每次充电过程的电流、电压和温度。
所述连续时段内包括多次充电过程，连续时间内段的特征数据包括了多次循环充电过程中的特征数据。本实施例首先对获取到的特征数据按照充电过程进行分组，每次充电过程中的数据分为一组。
可选地，对获取的电流、电压和温度进行滤波清洗，剔除掉因环境因素等产生的噪音数据和无效数据；按照充电过程将滤波清洗后的数据分组。
充电过程的起止时刻可以由用户输入，也可以根据电流、电压和温度在所述连续时段内的分布确定。在一具体实施方式中，电压持续升高的时刻属于同一次充电过程，电压突然下降时表明本次充电结束进入放电过程。电流和温度在每次充电过程中也会表现出一定的分布特性，在此不再赘述。每次充电过程的起止时刻可以通过电流、电压和温度的分布特征综合确定的。
步骤三、将每次充电过程的电流、电压和温度以固定时间间隔进行重采样，得到每次充电过程最终的电流、电压和温度。
同一次充电过程的电流、电压和温度对应的采样间隔不完全相同，多次充电过程之间的采样间隔也不完全相同，因此本实施例以固定时间间隔（例如1秒）对每次充电过程的电流、电压和温度进行重采样，将所有不同充电过程中的多种特征数据以时间维度对齐，提升算法的准确度。
可选地，根据每次充电过程的电流、电压和温度，通过插值法计算新采样点处的电压，电流和温度，得到每次充电过程最终的电流、电压和温度。
步骤四、根据每次充电过程最终的电流和电压，计算每次充电过程的瞬时电压积分、瞬时电流积分和瞬时电功率。
具体来说，得到每次充电过程最终的电流和电压后，根据瞬时电压积分、瞬时电流积分和瞬时电功率的定义，计算对应采样点处的瞬时电压积分、瞬时电流积分和瞬时电功率。
每次充电过程最终的电流、电压和温度，以及每次充电过程的瞬时电压积分、瞬时电流积分和瞬时电功率共同构成每次充电过程的特征数据。进一步地，该特征数据为一个三维矩阵，矩阵的三个维度分别为充电次数、时间和特征数据种类（本实施例中为6种特征数据）。
下面说明SOH的获取过程。可选地，在上述连续时段内，所述电池在每次充电后以一定速率放电；则所述获取电池在多次充电后的SOH，具体包括如下步骤：
步骤一、获取所述电池在每次充电后的放电量。
可选地，电池在每次充电后将电量全部释放（例如磷酸铁锂单体电池电压低于2V即认为电量全部释放），通过T-BOX获取汽车在每次充电后的放电量。
步骤二、根据每次充电后的放电量，计算每次充电后的SOH。
上述获取到的一次充电后的放电量即为本次充电后的当前容量，根据SOH的定义，计算当前容量和额定容量的比值，得到本次充电后的SOH。该SOH认为是电池的真实SOH。
本实施例模型算法充分考虑电池的充电特性，选取与电池健康程度相关的6种特征数据，从多个角度表征电池的充电特性，提高了预测模型的准确性。此外，由于放电数据与使用工况密切相关，具有较大的不确定性，而充电过程相对较短，得到的充电数据更加稳定，适用于各类电池。
在上述实施例和下述实施例的基础上，本实施例对有效充电片段的选取进行细化。可选地，所述利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据，包括：利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据，使得所述多次充电过程对应的第一标准差矩阵和第二标准差矩阵的距离小于设定阈值。其中，所述第一标准差矩阵由每次充电过程的特征数据的标准差组成，所述第二标准差矩阵由每个连续时间片段的特征数据的标准差组成。
网格搜索法的基本原理是：遍历每次充电过程中的每个连续时间片段，根据设定的搜索条件从每次充电过程中确定一个连续时间片段，使得多次充电过程对应的多个连续时间片段能够覆盖电池的大部分实际充电过程。
本实施例的搜索条件是第一标准差矩阵和第二标准差矩阵的距离足够小，即所截取的充电片段的数据标准差和整个充电过程的数据标准差相似。标准差反映对应数据序列的分布状况，当标准差相似时，所截取的充电片段和整个充电过程的数据分布也是一致的。
具体来说，在每次遍历过程中，从每次充电过程中选取任一连续时间片段，计算该连续时间片段内每种特征数据的标准差，由多次充电过程对应的多个连续时间片段的标准差组成第二标准差矩阵；同时，计算每次充电过程中每种特征数据的完整数据的标准差，由多次充电过程对应的标准差组成第一标准差矩阵；计算第一标准差矩阵和第二标准差矩阵的余弦距离，如果余弦距离小于设定阈值（例如0.2），本次遍历选取的连续时间片段的组合为最终的选取结果。
在一具体实施方式中，多次充电过程的特征数据为10*1000*6的矩阵，分别对应10次充电、1000个重采样时间点和6种特征数据。采用网格搜索法遍历每次充电中100个重采样时间点组成的连续时间片段，得到10*100*6的数据矩阵。计算每100个重采样时间点的数据标准差，得到10*6的第二标准差矩阵；同时计算每次充电中1000个采样时间点的数据标准差，得到10*6的第一标准差矩阵。计算第一标准差矩阵和第二标准差矩阵的余弦距离，如果该距离小于设定阈值，则当前的连续时间片段组合为最终的选取结果。
需要说明的是，同一次充电过程中，不同种特征数据（例如电压、电流和温度等）对应的连续时间片段的起止时刻是相同的；但不同次充电过程对应的连续时间片段的起止采样点不一定相同。
本实施例采用有效充电片段代替整个充电过程，在保持充电数据特征的同时减少数据量，有利于提高计算效率，兼顾模型的准确性和效率。此外，利用有效充电片段训练的预测模型，在预测阶段同样只需输入时间片段的数据，相比于整个充电过程和完成充电过程（从0%容量充至100%容量）而言，时间片段的充电数据更容易获取，提高了模型的适用性。
在上述实施例和下述实施例的基础上，本实施例对深度学习网络及其训练进行细化。可选地，所述深度学习网络还包括归一化层，归一化层用于对全连接计算的结果进行归一化，得到深度学习网络的输出。具体来说，将每个连续时间片段的特征数据作为样本输入所述受限玻尔兹曼机模型后，受限玻尔兹曼机模型对特征数据进行降维后输入所述全连接层，全连接层对降维后的特征数据进行全连接计算后输入归一化层，归一化层对全连接计算的结果进行归一化，得到深度学习网络的最终输出。
可选地，所述归一化层采用如下归一化函数：
Figure DEST_PATH_IMAGE001
（1）
其中，x表示全连接计算的结果，y表示所述深度学习网络的最终输出。
现有技术中的归一化层通常采用Sigmoid函数，可以表示为：
Figure 4238DEST_PATH_IMAGE002
（2）
如图2所示，Sigmoid函数将自变量x（横轴）从[-∞，+∞]均匀映射为[0,1]（纵轴），实现了数值归一化。但对于SOH而言，由于电池本身的特性决定了电池的SOH不会极小，一般都能保持在50%以上。因此如果使用Sigmoid函数进行归一化，会出现样本不均衡的现象。这是由于当Sigmoid函数值小于0.5时，x为负数，对应的样本是失效的；也就是说，实际采集到的x的分布不均衡，无法为负数。
对归一化函数进行改进后，如图3所述，缩小了y位于[0,0.5]时对应的x的区间长度，缓解了实际采集到的x分布不均衡情况；同时并没有直接强制y的值大于0.5，适当保留了SOH小于0.5的情况。
可选地，在训练过程中，使用欧式距离构建如下损失函数，来更新网络参数：
Figure 349769DEST_PATH_IMAGE003
（3）
其中，y表示所述深度学习网络的输出，a表示每次充电后的SOH。
可选地，在训练过程中，还可以通过如下损失函数来更新网络参数：
Figure 282736DEST_PATH_IMAGE004
（4）
利用欧式距离构建的损失函数，在进行梯度下降计算时会出现梯度消失问题，影响算法的准确度。公式（4）中的对欧氏距离进行了改进，改进后的损失函数是凸函数，在训练过程中可以收敛到更好的局部极小值点处，能取得更好的训练准确度。
可选地，所述深度学习网络是前馈神经网络，通过链式反向传播逐级往上进行参数的更新调整从而完成模型训练。
本发明实施例还提供一种基于深度学习的电池SOH预测方法，适用于通过电池的充电数据预测电池SOH的情况，本实施例由电子设备执行。该方法的流程图如图4所示，本实施例提供的方法具体包括如下步骤：
S210、获取电池在一次充电过程中一连续时间片段内的特征数据。
S220、将所述连续时间片段内的特征数据输入电池SOH预测模型，得到所述电池在本次充电后的SOH。其中，所述电池SOH预测模型采用上述任一实施例所述的方法构建。
本实施例采用上述任一实施例构建的预测模型来预测电池的SOH。模型的输入数据为电池在一次充电过程中一连续时间片段内的特征数据，输出为所述电池在本次充电后的SOH。
需要说明的是，在预测阶段的连续时间片段中的时间点数量和时间间隔与训练阶段每个样本中的时间点数量和时间间隔一致。
本实施例基于上述任一实施例实现，上述任一实施例中的限定均适用于本实施例，且具备相应的技术效果。
可选地，将所述连续时间片段内的特征数据输入电池SOH预测模型，得到所述电池在所述一次充电后的SOH之后，还包括如下步骤的至少之一：根据所述SOH确定所述电池的续航时间；根据所述SOH确定所述电池的报废时间。
在一具体实施方式中，根据所述SOH确定所述电池的续航时间，包括：根据SOH的定义，由当前SOH计算电池的当前容量；并获取电池在当前工况中的放电速度，计算当前容量与放电速度的比值，得到电池的续航时间。计算电池的续航时间有利于及时提醒用户进行充电，避免行驶途中出现车辆断电的情况。
在另一具体实施方式中，根据所述SOH确定所述电池的报废时间，包括：采用大数据方式学习电池在逐次充电后的SOH和最终报废时间的对应关系，根据该对应关系确定所述电池的报废时间。计算电池的报废时间有利于及时提醒用户更换电池，避免出现电池故障或电池性能过低引起额外的环境负担。
图5为本发明实施例提供的一种电子设备的结构示意图，如图5所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图5中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于深度学习的电池SOH预测模型构建方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于深度学习的电池SOH预测模型构建方法和电池SOH预测方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。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。
输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
本发明实施例还提供了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任一实施例的基于深度学习的电池SOH预测模型构建方法和电池SOH预测方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (10)

1.一种基于深度学习的电池SOH预测模型构建方法，其特征在于，包括：
获取电池在多次充电过程中的特征数据以及充电后的健康状态SOH；
利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据；
以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH；
训练好的深度学习网络构成电池SOH预测模型；
其中，所述深度学习网络包括：受限玻尔兹曼机模型和全连接层；所述受限玻尔兹曼机模型用于对每个连续时间片段的特征数据进行降维，所述全连接层用于对降维后的特征数据进行全连接计算，得到所述深度学习网络的输出。
2.根据权利要求1所述的电池SOH预测模型构建方法，其特征在于，所述利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据，包括：
利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据，使得所述多次充电过程对应的第一标准差矩阵和第二标准差矩阵的距离小于设定阈值；
其中，所述第一标准差矩阵由每次充电过程的特征数据的标准差组成，所述第二标准差矩阵由每个连续时间片段的特征数据的标准差组成。
3.根据权利要求1所述的电池SOH预测模型构建方法，所述深度学习网络还包括归一化层，所述归一化层采用如下归一化函数对全连接计算的结果进行归一化，得到所述深度学习网络的输出：
Figure 927165DEST_PATH_IMAGE001
其中，x表示全连接计算的结果，y表示所述深度学习网络的输出。
4.根据权利要求1所述的电池SOH预测模型构建方法，所述以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH，包括：
在训练过程中，通过以下损失函数来更新网络参数：
Figure 657223DEST_PATH_IMAGE002
其中，y表示所述深度学习网络的输出，a表示每次充电后的SOH。
5.根据权利要求1所述的电池SOH预测模型构建方法，其特征在于，所述特征数据包括：电流、电压、温度、瞬时电压积分、瞬时电流积分和瞬时电功率。
6.根据权利要求5所述的电池SOH预测模型构建方法，其特征在于，所述获取电池在多次充电过程中的特征数据以及充电后的健康状态SOH，包括：
获取电池在连续时段内的电流、电压和温度；
将所述连续时段内的电流、电压和温度按照充电过程分组，得到每次充电过程的电流、电压和温度；
将每次充电过程的电流、电压和温度以固定时间间隔进行重采样，得到每次充电过程最终的电流、电压和温度；
根据每次充电过程最终的电流、电压，计算每次充电过程的瞬时电压积分、瞬时电流积分和瞬时电功率。
7.根据权利要求6所述的电池SOH预测模型构建方法，其特征在于，所述电池在每次充电后以一定速率放电；
所述获取电池在多次充电过程中的特征数据以及充电后的健康状态SOH，还包括：
获取所述电池在每次充电后的放电量；
根据每次充电后的放电量，计算每次充电后的SOH。
8.一种基于深度学习的电池SOH预测方法，其特征在于，包括：
获取电池在一次充电过程中一连续时间片段内的特征数据；
将所述连续时间片段内的特征数据输入电池SOH预测模型，得到所述电池在所述一次充电后的健康状态SOH，其中，所述电池SOH预测模型采用如权利要求1-7任意一项所述的方法构建。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的基于深度学习的电池SOH预测模型构建方法，或如权利要求8所述的基于深度学习的电池SOH预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的基于深度学习的电池SOH预测模型构建方法，或如权利要求8所述的基于深度学习的电池SOH预测方法。
CN202210412889.9A 2022-04-20 2022-04-20 基于深度学习的电池soh预测模型构建方法 Active CN114509679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210412889.9A CN114509679B (zh) 2022-04-20 2022-04-20 基于深度学习的电池soh预测模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210412889.9A CN114509679B (zh) 2022-04-20 2022-04-20 基于深度学习的电池soh预测模型构建方法

Publications (2)

Publication Number Publication Date
CN114509679A true CN114509679A (zh) 2022-05-17
CN114509679B CN114509679B (zh) 2022-07-12

Family

ID=81555296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210412889.9A Active CN114509679B (zh) 2022-04-20 2022-04-20 基于深度学习的电池soh预测模型构建方法

Country Status (1)

Country Link
CN (1) CN114509679B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114994547A (zh) * 2022-08-05 2022-09-02 中汽研新能源汽车检验中心(天津)有限公司 基于深度学习和一致性检测的电池包安全状态评估方法
CN117150275A (zh) * 2023-11-01 2023-12-01 宁德时代新能源科技股份有限公司 机器学习模型构建方法、电池健康度预测方法以及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064180A (en) * 1996-10-29 2000-05-16 General Motors Corporation Method and apparatus for determining battery state-of-charge using neural network architecture
CN102117412A (zh) * 2009-12-31 2011-07-06 北大方正集团有限公司 图像识别方法和装置
CN107037374A (zh) * 2017-05-04 2017-08-11 广东电网有限责任公司电力科学研究院 一种锂离子电池的soc和soh联合估计方法
US20180082677A1 (en) * 2016-09-16 2018-03-22 Apptek, Inc. Centered, left- and right-shifted deep neural networks and their combinations
CN109643392A (zh) * 2016-09-07 2019-04-16 罗伯特·博世有限公司 利用简化的激活函数计算多层感知器模型的神经元层的方法
CN110047006A (zh) * 2019-04-22 2019-07-23 陈硕坚 基于神经网络和机器学习进行证券投资决策的方法及装置
CN110728230A (zh) * 2019-10-10 2020-01-24 江南大学 基于卷积受限玻尔兹曼机的信号调制方式的识别方法
CN111768000A (zh) * 2020-06-23 2020-10-13 中南大学 在线自适应微调深度学习的工业过程数据建模方法
WO2022034116A1 (de) * 2020-08-11 2022-02-17 Rheinisch-Westfälische Technische Hochschule (Rwth) Aachen Verfahren zur bestimmung von zumindest einem kennwert einer akku-zelle
CN114332825A (zh) * 2022-03-10 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的道路地形分布识别方法、设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064180A (en) * 1996-10-29 2000-05-16 General Motors Corporation Method and apparatus for determining battery state-of-charge using neural network architecture
CN102117412A (zh) * 2009-12-31 2011-07-06 北大方正集团有限公司 图像识别方法和装置
CN109643392A (zh) * 2016-09-07 2019-04-16 罗伯特·博世有限公司 利用简化的激活函数计算多层感知器模型的神经元层的方法
US20180082677A1 (en) * 2016-09-16 2018-03-22 Apptek, Inc. Centered, left- and right-shifted deep neural networks and their combinations
CN107037374A (zh) * 2017-05-04 2017-08-11 广东电网有限责任公司电力科学研究院 一种锂离子电池的soc和soh联合估计方法
CN110047006A (zh) * 2019-04-22 2019-07-23 陈硕坚 基于神经网络和机器学习进行证券投资决策的方法及装置
CN110728230A (zh) * 2019-10-10 2020-01-24 江南大学 基于卷积受限玻尔兹曼机的信号调制方式的识别方法
CN111768000A (zh) * 2020-06-23 2020-10-13 中南大学 在线自适应微调深度学习的工业过程数据建模方法
WO2022034116A1 (de) * 2020-08-11 2022-02-17 Rheinisch-Westfälische Technische Hochschule (Rwth) Aachen Verfahren zur bestimmung von zumindest einem kennwert einer akku-zelle
CN114332825A (zh) * 2022-03-10 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的道路地形分布识别方法、设备和存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
YOHWAN CHOI等: "《Machine Learning-Based Lithium-Ion Battery》", 《SPECIAL SECTION ON ADVANCED ENERGY STORAGE TECHNOLOGIES AND THEIR APPLICATIONS》 *
ZHONG, YY (ZHONG, YAOYAO)等: "《SFace: Sigmoid-Constrained Hypersphere Loss for Robust Face Recognition》", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
ZIXUAN WEI等: "《State of health assessment for echelon utilization batteries based on deep neural network learning with error correction》", 《JOURNAL OF ENERGY STORAGE》 *
拜师教育: "《LESSON 10.3 Halving网格搜索》", 《百度》 *
时玮: "《动力锂离子电池组寿命影响因素及测试方法研究》", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
李超然等: "《基于卷积神经网络的锂离子电池SOH估算》", 《电工技术学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114994547A (zh) * 2022-08-05 2022-09-02 中汽研新能源汽车检验中心(天津)有限公司 基于深度学习和一致性检测的电池包安全状态评估方法
US11774505B1 (en) 2022-08-05 2023-10-03 China Automotive Technology And Research Center Co., Ltd Estimation method for safety state of battery pack based on deep learning and consistency detection
CN117150275A (zh) * 2023-11-01 2023-12-01 宁德时代新能源科技股份有限公司 机器学习模型构建方法、电池健康度预测方法以及装置
CN117150275B (zh) * 2023-11-01 2024-04-09 宁德时代新能源科技股份有限公司 机器学习模型构建方法、电池健康度预测方法以及装置

Also Published As

Publication number Publication date
CN114509679B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN114509679B (zh) 基于深度学习的电池soh预测模型构建方法
Park et al. LSTM-based battery remaining useful life prediction with multi-channel charging profiles
CN110568374B (zh) 基于考虑内外特性的锂离子电池剩余使用寿命预测方法
CN110568359B (zh) 一种锂电池剩余寿命预测方法
Peng et al. Wind power prediction for wind farm clusters based on the multi-feature similarity matching method
CN114636932A (zh) 一种电池剩余使用寿命预测方法及系统
AU2021101964A4 (en) Artificial intelligence based smart electric vehicle battery management system
CN114579644B (zh) 基于深度学习的电池有效充电数据识别方法、设备和介质
CN113049963A (zh) 一种基于局部离群因子的锂电池组一致性检测方法及装置
Luo et al. A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network
Zhang et al. Improved particle swarm optimization-extreme learning machine modeling strategies for the accurate lithium-ion battery state of health estimation and high-adaptability remaining useful life prediction
Ebrahim et al. Energy disaggregation based deep learning techniques: A pre-processing stage to enhance the household load forecasting
Zhu et al. A novel hybrid scheme for remaining useful life prognostic based on secondary decomposition, BiGRU and error correction
CN113538063A (zh) 基于决策树的电费异常数据分析方法、装置、设备及介质
CN113689039A (zh) 一种锂离子电池rul时间序列预测方法
CN116500475B (zh) 一种具有实时soc校正补偿的储能采集方法及系统
You et al. Capacity Estimation of lithium battery based on charging data and Long Short-term Memory Recurrent Neural Network
CN114881316B (zh) 锂电池剩余寿命预测方法、系统、终端设备及存储介质
CN115407224A (zh) 一种动力电池全生命周期健康监测方法、系统及电子设备
CN115616333A (zh) 一种配电网线损预测方法及系统
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
Cao et al. Multi-kernel support vector regression optimization model and indirect health factor extraction strategy for the accurate lithium-ion battery remaining useful life prediction
CN117454186B (zh) 模型训练、电池性能预测方法、装置、设备及存储介质
Xu et al. Prediction of Lithium-ion Battery Remaining Useful Life Based on Long Short Term Memory
CN115630286A (zh) 基于混合深度学习模型的电功率预测方法、系统及设备

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: 20230628

Address after: Room 416, scientific research building, 68 Xianfeng East Road, Dongli District, Tianjin

Patentee after: China automobile information technology (Tianjin) Co.,Ltd.

Patentee after: DONGFENG AUTOMOBILE Co.,Ltd.

Address before: Room 416, scientific research building, 68 Xianfeng East Road, Dongli District, Tianjin

Patentee before: China automobile information technology (Tianjin) Co.,Ltd.

TR01 Transfer of patent right