CN114764600A - 新能源车电池包的寿命预测方法、装置和电子设备 - Google Patents

新能源车电池包的寿命预测方法、装置和电子设备 Download PDF

Info

Publication number
CN114764600A
CN114764600A CN202210468539.4A CN202210468539A CN114764600A CN 114764600 A CN114764600 A CN 114764600A CN 202210468539 A CN202210468539 A CN 202210468539A CN 114764600 A CN114764600 A CN 114764600A
Authority
CN
China
Prior art keywords
battery pack
attenuation degree
predicted
life prediction
service life
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.)
Pending
Application number
CN202210468539.4A
Other languages
English (en)
Inventor
刘萍
曹斌
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.)
Neusoft Reach Automotive Technology Shenyang Co Ltd
Original Assignee
Neusoft Reach Automotive Technology Shenyang 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 Neusoft Reach Automotive Technology Shenyang Co Ltd filed Critical Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority to CN202210468539.4A priority Critical patent/CN114764600A/zh
Publication of CN114764600A publication Critical patent/CN114764600A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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]
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种新能源车电池包的寿命预测方法、装置和电子设备，包括：获取待预测电池包在当前的预设区间内的工况特征和行为特征；采用衰减程度分类模型对工况特征和行为特征进行衰减程度分类，得到待预测电池包在各衰减程度类别中对应的概率；获取待预测电池包对应的待预测新能源车的当前车辆数据，并基于当前车辆数据和各衰减程度类别对应的寿命预测模型，得到待预测电池包在各衰减程度类别中对应的寿命预测结果；根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果。本发明的寿命预测方法能够在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测。

Description

新能源车电池包的寿命预测方法、装置和电子设备
技术领域
本发明涉及电池的技术领域，尤其是涉及一种新能源车电池包的寿命预测方法、装置和电子设备。
背景技术
近年来，随着能源危机越来越严重，新能源车以其优良的节能环保特点，已成为未来车辆产业的发展重点。其中，搭载在新能源车上的电池包的寿命直接影响着新能源车的性能和运行情况，因此，预测新能源车电池包的寿命已成为新能源车研究中至关重要的一环。
现有的新能源车电池包的寿命预测方法一般包括以下两种：一种是为每一辆新能源车电池包建立一个寿命预测函数模型。具体过程为：先获取一个新能源车电池包在多个历史里程点的SOH(State Of Health，健康度)，然后，构建带有未知参数的寿命预测函数模型(例如，单指数函数模型，SOH＝aebx+c，其中，a、b和c为未知参数，e为自然常数，约等于2.71828)，将各历史历程点的数值(作为寿命预测函数模型中的x)和对应的SOH的数值带入上述寿命预测函数模型中，联立方程组便能求解得到寿命预测函数模型中各未知参数的值，如此，便确定得到该新能源车电池包的寿命预测函数模型，进而，将其中的SOH设置为0.8(SOH等于0.8时，表示电池包的寿命终止)，求解得到的里程值的大小即为该新能源车电池包的寿命预测结果，即该新能源车电池包的寿命终止时对应的里程值。该种寿命预测方法需要对每一辆新能源车电池包都分别建立一个寿命预测函数模型，计算量大，另外，对于单车数据较少时，初期衰减趋势不明显，会出现无法准确拟合未知参数的情况；另一种是为所有新能源车的电池包建立一个统一的寿命预测函数模型。具体过程为：先获取该新能源车电池包的所有车辆在多个历史里程点的SOH(State Of Health，健康度)，然后，构建带有未知参数的寿命预测函数模型(例如，单指数函数模型SOH＝aebx+c，其中，a、b和c为未知参数，e为自然常数，约等于2.71828)，将各历史历程点的数值(作为寿命预测函数模型中的x)和对应的SOH的数值带入上述寿命预测函数模型中，联立方程组便能求解得到寿命预测函数模型中各未知参数的值，如此，便确定得到该新能源车电池包的寿命预测函数模型，这样，再将其中的SOH设置为0.8(SOH等于0.8时，表示电池包的寿命终止)时，求解得到的里程值的大小就是所有新能源车电池包的寿命预测结果。该种寿命预测方法得到的寿命预测结果不够准确，因为不同的电池包在使用过程中衰减程度不同，直接用上述过程得到的寿命预测函数模型对所有新能源车电池包的寿命进行预测，得到的寿命预测结果会存在较大的偏差。
综上，如何在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测成为目前亟需解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种新能源车电池包的寿命预测方法、装置和电子设备，以缓解现有技术无法在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测的技术问题。
第一方面，本发明实施例提供了一种新能源车电池包的寿命预测方法，所述方法包括：
获取待预测电池包在当前的预设区间内的工况特征和行为特征；
采用衰减程度分类模型对所述工况特征和所述行为特征进行衰减程度分类，得到所述待预测电池包在各衰减程度类别中对应的概率；
获取所述待预测电池包对应的待预测新能源车的当前车辆数据，并基于所述当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，计算得到所述待预测电池包在各衰减程度类别中对应的寿命预测结果；
根据所述待预测电池包在各衰减程度类别中对应的概率和所述待预测电池包在各衰减程度类别中对应的寿命预测结果确定所述待预测电池包的寿命预测结果。
进一步的，根据所述待预测电池包在各衰减程度类别中对应的概率和所述待预测电池包在各衰减程度类别中对应的寿命预测结果确定所述待预测电池包的寿命预测结果，包括：
对所述待预测电池包在同一衰减程度类别中对应的概率和寿命预测结果进行乘积运算，得到所述待预测电池包在各衰减程度类别中对应的乘积运算结果；
将所述待预测电池包在各衰减程度类别中对应的乘积运算结果进行加和运算，得到所述待预测电池包的寿命预测结果。
进一步的，根据所述待预测电池包在各衰减程度类别中对应的概率和所述待预测电池包在各衰减程度类别中对应的寿命预测结果确定所述待预测电池包的寿命预测结果，还包括：
在所述待预测电池包在各衰减程度类别中对应的概率中确定最大概率；
将所述最大概率对应的衰减程度类别作为目标衰减程度类别；
将所述待预测电池包在目标衰减程度类别中对应的寿命预测结果作为所述待预测电池包的寿命预测结果。
进一步的，所述方法还包括：
获取新能源车的电池包在历史表征点的历史SOH数据，并根据所述历史表征点的历史SOH数据确定所述电池包在各目标历史表征点的未来SOH衰减程度，其中，所述历史表征点包括：历史时间点或历史里程点，所述目标历史表征点为所述历史表征点中存在未来SOH衰减程度的历史表征点；
基于所述电池包在各目标历史表征点的未来SOH衰减程度确定所述电池包在各目标历史表征点的衰减程度类别；
在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据建立寿命预测模型，得到所述各衰减程度类别对应的寿命预测模型；
获取所述新能源车在各目标历史表征点的预设区间内的工况特征和行为特征，并将所述工况特征、所述行为特征和所述新能源车的电池包在各目标历史表征点的衰减程度类别作为训练样本；
采用所述训练样本对原始衰减程度分类模型进行训练，得到所述衰减程度分类模型。
进一步的，基于所述电池包在各目标历史表征点的未来SOH衰减程度确定所述电池包在各目标历史表征点的衰减程度类别，包括：
对所述电池包在各目标历史表征点的未来SOH衰减程度按照预设分组策略进行分组，得到未来SOH衰减程度分组；
在每个所述未来SOH衰减程度分组中，对其中的未来SOH衰减程度进行衰减程度类别划分，得到各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别；
根据所述各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别确定所述电池包在各目标历史表征点的衰减程度类别。
进一步的，根据所述历史表征点的历史SOH数据确定所述电池包在各目标历史表征点的未来SOH衰减程度，包括：
在所述历史表征点的历史SOH数据中，确定在各目标历史表征点的第一历史SOH数据；
在所述历史表征点的历史SOH数据中，确定在各目标历史表征点之后的未来历史表征点的第二历史SOH数据，其中，所述未来历史表征点与其对应的目标历史表征点之间的差为预设值；
根据所述第一历史SOH数据和所述第二历史SOH数据计算所述电池包在各目标历史表征点的未来SOH衰减程度。
进一步的，在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据建立寿命预测模型，得到所述各衰减程度类别对应的寿命预测模型，包括：
在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据计算预设寿命预测函数中的未知参数，进而得到未知参数已知的预设寿命预测函数，其中，所述预设寿命预测函数为SOH与表征点之间的函数；
将所述未知参数已知的预设寿命预测函数作为所述寿命预测模型，进而得到所述各衰减程度类别对应的寿命预测模型。
进一步的，所述预设区间包括：预设时间区间或预设里程区间，所述当前车辆数据包括：当前时间数据或当前里程数据。
第二方面，本发明实施例还提供了一种新能源车电池包的寿命预测装置，所述装置包括：
获取单元，用于获取待预测电池包在当前的预设区间内的工况特征和行为特征；
衰减程度分类单元，用于采用衰减程度分类模型对所述工况特征和所述行为特征进行衰减程度分类，得到所述待预测电池包在各衰减程度类别中对应的概率；
寿命预测单元，用于获取所述待预测电池包对应的待预测新能源车的当前车辆数据，并基于所述当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，计算得到所述待预测电池包在各衰减程度类别中对应的寿命预测结果；
寿命预测结果确定单元，用于根据所述待预测电池包在各衰减程度类别中对应的概率和所述待预测电池包在各衰减程度类别中对应的寿命预测结果确定所述待预测电池包的寿命预测结果。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
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，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中，提供了一种新能源车电池包的寿命预测方法，该方法包括：获取待预测电池包在当前的预设区间内的工况特征和行为特征；采用衰减程度分类模型对工况特征和行为特征进行衰减程度分类，得到待预测电池包在各衰减程度类别中对应的概率；获取待预测电池包对应的待预测新能源车的当前车辆数据，并基于当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，计算得到待预测电池包在各衰减程度类别中对应的寿命预测结果；根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果。通过上述描述可知，本发明的寿命预测方法中，只需要衰减程度分类模型、与衰减程度类别的数量对应的寿命预测模型便能实现对待预测电池包的寿命进行预测的目的，相较于每个待预测电池包建立一个寿命预测函数模型的方法，本发明的寿命预测方法计算量小，而相较于所有待预测电池包建立一个统一的寿命预测函数模型的方法，本发明的寿命预测方法考虑了待预测电池包的衰减程度类别，进而结合了待预测电池包的衰减程度类别和待预测电池包在各衰减程度类别中对应的寿命预测结果进行最终寿命预测结果的确定，使得确定的待预测电池包的寿命预测结果更加准确，也就是说，本发明的寿命预测方法能够在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测，缓解了现有技术无法在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测的技术问题。
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为本发明实施例提供的一种新能源车电池包的寿命预测方法的流程图；
图2为本发明实施例提供的一种根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果的方法流程图；
图3为本发明实施例提供的另一种根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果的方法流程图；
图4为本发明实施例提供的寿命预测模型和衰减程度分类模型的建立方法流程图；
图5为本发明实施例提供的一种新能源车电池包的寿命预测装置的示意图；
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明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。
现有的新能源车电池包的寿命预测方法中，一种是为每一辆新能源车电池包建立一个寿命预测函数模型，该种方法预测得到的电池包的寿命预测结果准确，但是，计算量大；另一种是为所有新能源车的电池包建立一个统一的寿命预测函数模型，该种方法的计算量小，但是，得到的寿命预测结果会存在较大的偏差。
基于此，本发明的寿命预测方法中，只需要衰减程度分类模型、与衰减程度类别的数量对应的寿命预测模型便能实现对待预测电池包的寿命进行预测的目的，相较于每个待预测电池包建立一个寿命预测函数模型的方法，本发明的寿命预测方法计算量小，而相较于所有待预测电池包建立一个统一的寿命预测函数模型的方法，本发明的寿命预测方法考虑了待预测电池包的衰减程度类别，进而结合了待预测电池包的衰减程度类别和待预测电池包在各衰减程度类别中对应的寿命预测结果进行最终寿命预测结果的确定，使得确定的待预测电池包的寿命预测结果更加准确，也就是说，本发明的寿命预测方法能够在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种新能源车电池包的寿命预测方法进行详细介绍。
实施例一：
根据本发明实施例，提供了一种新能源车电池包的寿命预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种新能源车电池包的寿命预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待预测电池包在当前的预设区间内的工况特征和行为特征；
在本发明实施例中，上述预设区间可以为预设时间区间，还可以为预设里程区间；当上述预设区间为预设时间区间时，当前的预设区间可以为当前时间的前90天；当上述预设区间为预设里程区间时，当前的预设区间可以为当前里程的前1万里程，当然，本发明实施例对预设时间区间的具体数值以及预设里程区间的具体数值不进行具体限制，还可以为其它值。
上述工况特征是指与待预测电池相关的充电/放电/静置数据，例如，充电/放电/静置时的温度，充电/放电/静置时的电流，充电/放电/静置时的电压等。
上述行为特征是指用户对待预测电池进行充电/放电/静置行为的相关数据，例如，每周充电的次数，放电对应的里程数据(即待预测电池所属车辆的行驶里程)等。
上述工况特征和行为特征可以是从新能源车的实时监控数据(RTM数据)中统计分析得到的。
步骤S104，采用衰减程度分类模型对工况特征和行为特征进行衰减程度分类，得到待预测电池包在各衰减程度类别中对应的概率；
上述衰减程度分类模型为预先构建的用于对电池的衰减程度进行分类的模型。衰减程度分类模型所分的衰减程度类别的数量与衰减程度分类模型训练时的衰减程度类别划分相关，在本发明实施例中，将衰减程度类别分为了三类，分别是异常衰减类、正常衰减类和缓慢衰减类，当然，本发明实施例对上述衰减程度类别不进行具体限制。
具体的，将步骤S102中得到的工况特征和行为特征输入至衰减程度分类模型中，衰减程度分类模型就会输出待预测电池包在各衰减程度类别中对应的概率，也就是说就能获知待预测电池包在当前时间或当前里程之后的未来的衰减程度类别。例如，待预测电池包在异常衰减类中对应的概率为0.2，待预测电池包在正常衰减类中对应的概率为0.6，待预测电池包在缓慢衰减类中对应的概率为0.2。
步骤S106，获取待预测电池包对应的待预测新能源车的当前车辆数据，并基于当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，计算得到待预测电池包在各衰减程度类别中对应的寿命预测结果；
具体的，上述当前车辆数据可以是当前的里程数据，例如，当前行驶的里程，也可以是当前的时间数据，例如，当前使用的天数，具体为哪种车辆数据，需要根据预先构建的寿命预测模型确定，如果寿命预测模型为里程与SOH的函数关系，那么，当前车辆数据为当前的里程数据，如果寿命预测模型为时间与SOH的函数关系，那么，当前车辆数据就为当前的时间数据。
在本发明实施例中，为每一种衰减程度类别预先构建了一个寿命预测模型，如上述举例，对应的就构建了3个寿命预测模型，分别是异常衰减类对应的寿命预测模型、正常衰减类对应的寿命预测模型和缓慢衰减类对应的寿命预测模型。如此，基于当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，对应的进行计算后，就会得到待预测电池包在各衰减程度类别中对应的寿命预测结果，也就是说，本发明会采用上述3个寿命预测模型分别对待预测电池包进行一次寿命预测，得到一个初步的寿命预测结果，最终的寿命预测结果还需要结合步骤S104中得到的待预测电池包的衰减程度类别的相关信息进行确定。
需要说明的是：上述寿命预测结果是指待预测电池包寿命终止时(即待预测电池包的SOH达到80％时)还剩余的里程数或天数。如果寿命预测模型为里程与SOH的函数关系，那么，寿命预测结果为待预测电池包的剩余的里程，如果寿命预测模型为时间与SOH的函数关系，那么，寿命预测结果为待预测电池包的剩余的天数。
具体的，如果寿命预测模型为里程与SOH的函数关系(这里只是以里程与SOH的函数关系为例进行的说明，还可以为时间与SOH的函数关系)，可以将函数关系中的SOH值设定为0.8，求解得到对应的里程，再将求解得到的里程减去当前的里程数据(即当前车辆数据)，即为待预测电池包的剩余的里程；如果将函数关系中的SOH值设定为0.8，无法求解到对应的里程，那么，可以将当前的里程数据按照预设大小间隔往后推(例如，当前的里程数据为1万，按照1000的间隔往后推，分别是11000，12000，13000…)，分别代入函数关系中，看哪一个里程代入后，SOH大小为0.8(如果都不等于0.8，则将取0.8前面一个值对应的里程)，即为求解得到的里程，再将求解得到的里程减去当前的里程数据，即为待预测电池包的剩余的里程。
上述各衰减程度类别对应的寿命预测模型还可以为神经网络模型，如果为神经网络模型，那么将当前车辆数据输入至预先构建的各衰减程度类别对应的寿命预测模型，就能输出得到待预测电池包在各衰减程度类别中对应的寿命预测结果(剩余的里程数或天数)。
步骤S108，根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果。
在进行待预测电池包的寿命预测时，通过综合考虑待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果，使得最终得到的待预测电池包的寿命预测结果更加准确，下文中再对该过程进行详细描述，在此不再赘述。
在本发明实施例中，提供了一种新能源车电池包的寿命预测方法，该方法包括：获取待预测电池包在当前的预设区间内的工况特征和行为特征；采用衰减程度分类模型对工况特征和行为特征进行衰减程度分类，得到待预测电池包在各衰减程度类别中对应的概率；获取待预测电池包对应的待预测新能源车的当前车辆数据，并基于当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，计算得到待预测电池包在各衰减程度类别中对应的寿命预测结果；根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果。通过上述描述可知，本发明的寿命预测方法中，只需要衰减程度分类模型、与衰减程度类别的数量对应的寿命预测模型便能实现对待预测电池包的寿命进行预测的目的，相较于每个待预测电池包建立一个寿命预测函数模型的方法，本发明的寿命预测方法计算量小，而相较于所有待预测电池包建立一个统一的寿命预测函数模型的方法，本发明的寿命预测方法考虑了待预测电池包的衰减程度类别，进而结合了待预测电池包的衰减程度类别和待预测电池包在各衰减程度类别中对应的寿命预测结果进行最终寿命预测结果的确定，使得确定的待预测电池包的寿命预测结果更加准确，也就是说，本发明的寿命预测方法能够在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测，缓解了现有技术无法在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测的技术问题。
在本发明的一个可选实施例中，参考图2，根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果，具体包括如下步骤：
步骤S201，对待预测电池包在同一衰减程度类别中对应的概率和寿命预测结果进行乘积运算，得到待预测电池包在各衰减程度类别中对应的乘积运算结果；
具体的，如上述举例，将待预测电池包在异常衰减类别中对应的概率与待预测电池包在异常衰减类别中对应的寿命预测结果进行乘积运算，且将待预测电池包在正常衰减类别中对应的概率与待预测电池包在正常衰减类别中对应的寿命预测结果进行乘积运算，且将待预测电池包在缓慢衰减类别中对应的概率与待预测电池包在缓慢衰减类别中对应的寿命预测结果进行乘积运算，就能得到待预测电池包分别在异常衰减类别、正常衰减类别和缓慢衰减类别中对应的乘积运算结果。
步骤S202，将待预测电池包在各衰减程度类别中对应的乘积运算结果进行加和运算，得到待预测电池包的寿命预测结果。
可见，该种寿命预测的方式综合了各个衰减程度分类的结果，相较于传统的采用统一的寿命预测函数模型的寿命预测方法更加准确。
在本发明的一个可选实施例中，参考图3，根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果，还包括如下步骤：
步骤S301，在待预测电池包在各衰减程度类别中对应的概率中确定最大概率；
具体的，如上述举例，待预测电池包在异常衰减类中对应的概率为0.2，待预测电池包在正常衰减类中对应的概率为0.6，待预测电池包在缓慢衰减类中对应的概率为0.2，那么，待预测电池包在各衰减程度类别中对应的概率中，最大概率为0.6。
步骤S302，将最大概率对应的衰减程度类别作为目标衰减程度类别；
如上述步骤S301中的举例，目标衰减程度类别为正常衰减类。
步骤S303，将待预测电池包在目标衰减程度类别中对应的寿命预测结果作为待预测电池包的寿命预测结果。
如上述步骤S302中的举例，将待预测电池包在正常衰减类中对应的寿命预测结果即为最终的寿命预测结果。
可见，该种寿命预测的方式是直接将待预测电池包在目标衰减程度类别中对应的寿命预测结果作为了最终的寿命预测结果，也融合了待预测电池包的目标衰减程度类别，相较于传统的采用统一的寿命预测函数模型的寿命预测方法(未考虑电池的衰减程度)更加准确。
下面对寿命预测模型和衰减程度分类模型的建立过程进行描述。
在本发明的一个可选实施例中，参考图4，寿命预测模型和衰减程度分类模型的建立过程包括如下步骤：
步骤S401，获取新能源车的电池包在历史表征点的历史SOH数据，并根据历史表征点的历史SOH数据确定电池包在各目标历史表征点的未来SOH衰减程度，其中，历史表征点包括：历史时间点或历史里程点，目标历史表征点为历史表征点中存在未来SOH衰减程度的历史表征点；
具体的，如果历史表征点为历史里程点，历史表征点的历史SOH数据包括有：1万里程的第一历史SOH数据，2万里程的第二历史SOH数据，3万里程的第三历史SOH数据，4万里程的第四历史SOH数据，未来SOH衰减程度表征的是未来1万里程的未来SOH衰减程度，那么目标历史里程点就包括：1万里程、2万里程和3万里程，因为它们都存在未来SOH衰减程度，而4万里程不存在未来1万里程的第五历史SOH数据，所以无法确定4万里程的未来SOH衰减程度，即4万里程不是目标历史里程点。
该过程具体包括：
(1)在历史表征点的历史SOH数据中，确定在各目标历史表征点的第一历史SOH数据；
(2)在历史表征点的历史SOH数据中，确定在各目标历史表征点之后的未来历史表征点的第二历史SOH数据，其中，未来历史表征点与其对应的目标历史表征点之间的差为预设值；
如果历史表征点为历史时间点，上述预设值可以为天数的预设值，例如，90天，180天等；如果历史表征点为历史里程点，上述预设值可以为里程的预设值，例如，1万公里等。
(3)根据第一历史SOH数据和第二历史SOH数据计算电池包在各目标历史表征点的未来SOH衰减程度。
具体的，进行差值计算即可得到电池包在各目标历史表征点的未来SOH衰减程度。
步骤S402，基于电池包在各目标历史表征点的未来SOH衰减程度确定电池包在各目标历史表征点的衰减程度类别；
具体包括如下步骤：
(1)对电池包在各目标历史表征点的未来SOH衰减程度按照预设分组策略进行分组，得到未来SOH衰减程度分组；
上述预设分组策略可以为万公里为一组(1万公里，电池包的表现程度比较像，不会有太大差距，所以就把1万公里当成一组)，还可以为90天一组。
例如，0--10000公里一组，10000公里--20000公里一组，20000公里-30000公里一组，如果电池包在各目标历史表征点的未来SOH衰减程度包括：电池包在9000公里的未来SOH衰减程度、电池包在9030公里的未来SOH衰减程度和电池包在9230公里的未来SOH衰减程度，那么电池包在9000公里的未来SOH衰减程度、电池包在9030公里的未来SOH衰减程度和电池包在9230公里的未来SOH衰减程度就被划分为了0--10000公里的那组，即划分为了一组。
(2)在每个未来SOH衰减程度分组中，对其中的未来SOH衰减程度进行衰减程度类别划分，得到各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别；
具体的，采用分位数法或箱形图法对其中的未来SOH衰减程度进行衰减程度类别划分。
下面以采用分位数法对其中的未来SOH衰减程度进行衰减程度类别划分的过程进行说明：
可以将每个未来SOH衰减程度分组中的未来SOH衰减程度按照升序排列，前25％dSOH偏小，定义为异常衰减类；中间的50％(即分位数25％-75％)定义为正常衰减类；后25％dSOH偏大，定义为缓慢衰减类，就能得到各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别。
(3)根据各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别确定电池包在各目标历史表征点的衰减程度类别。
具体的，将各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别作为对应的电池包(各未来SOH衰减程度对应的电池包)在各目标历史表征点的衰减程度类别。
步骤S403，在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据建立寿命预测模型，得到各衰减程度类别对应的寿命预测模型；
具体包括如下步骤：
(1)在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据计算预设寿命预测函数中的未知参数，进而得到未知参数已知的预设寿命预测函数，其中，预设寿命预测函数为SOH与表征点之间的函数；表征点包括：时间点或里程点；
具体的，将电池包在各目标历史表征点的历史SOH数据代入预设寿命预测函数中，联立方程组，求解得到预设寿命预测函数中的未知参数的值。
(2)将未知参数已知的预设寿命预测函数作为寿命预测模型，进而得到各衰减程度类别对应的寿命预测模型。
另外，各衰减程度类别对应的寿命预测模型还可以为神经网络模型，训练时，在每个衰减程度类别中，需要获取到其中的电池包在各目标历史表征点的寿命结果(剩余的里程数或天数)，然后将各目标历史表征点和对应的寿命结果作为训练样本训练初始寿命预测模型，进而得到各衰减程度类别对应的寿命预测模型。
步骤S404，获取新能源车在各目标历史表征点的预设区间内的工况特征和行为特征，并将工况特征、行为特征和新能源车的电池包在各目标历史表征点的衰减程度类别作为训练样本；
上述预设区间包括：预设时间区间或预设里程区间，如果上述预设值为天数的预设值，那么这里的预设区间也为预设时间区间，如果上述预设值为里程的预设值，那么这里的预设区间也为预设里程区间，但是，这里的预设时间区间与上述天数的预设值可以不同，也可以相同，预设里程区间与上述里程的预设值可以不同，也可以相同。
上述在各目标历史表征点的预设区间内是指在各目标历史表征点的前预设时间区间或预设里程区间内。
步骤S405，采用训练样本对原始衰减程度分类模型进行训练，得到衰减程度分类模型。
本发明的寿命预测方法中，只需要衰减程度分类模型、与衰减程度类别的数量对应的寿命预测模型便能实现对待预测电池包的寿命进行预测的目的，相较于每个待预测电池包建立一个寿命预测函数模型的方法，本发明的寿命预测方法计算量小，而相较于所有待预测电池包建立一个统一的寿命预测函数模型的方法，本发明的寿命预测方法考虑了待预测电池包的衰减程度类别，进而结合了待预测电池包的衰减程度类别和待预测电池包在各衰减程度类别中对应的寿命预测结果进行最终寿命预测结果的确定，使得确定的待预测电池包的寿命预测结果更加准确，也就是说，本发明的寿命预测方法能够在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测。
实施例二：
本发明实施例还提供了一种新能源车电池包的寿命预测装置，该新能源车电池包的寿命预测装置主要用于执行本发明实施例一中所提供的新能源车电池包的寿命预测方法，以下对本发明实施例提供的新能源车电池包的寿命预测装置做具体介绍。
图5是根据本发明实施例的一种新能源车电池包的寿命预测装置的示意图，如图5所示，该装置主要包括：获取单元10、衰减程度分类单元20、寿命预测单元30和寿命预测结果确定单元40，其中：
获取单元，用于获取待预测电池包在当前的预设区间内的工况特征和行为特征；
衰减程度分类单元，用于采用衰减程度分类模型对工况特征和行为特征进行衰减程度分类，得到待预测电池包在各衰减程度类别中对应的概率；
寿命预测单元，用于获取待预测电池包对应的待预测新能源车的当前车辆数据，并基于当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，计算得到待预测电池包在各衰减程度类别中对应的寿命预测结果；
寿命预测结果确定单元，用于根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果。
在本发明实施例中，提供了一种新能源车电池包的寿命预测装置，该装置包括：获取待预测电池包在当前的预设区间内的工况特征和行为特征；采用衰减程度分类模型对工况特征和行为特征进行衰减程度分类，得到待预测电池包在各衰减程度类别中对应的概率；获取待预测电池包对应的待预测新能源车的当前车辆数据，并基于当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，计算得到待预测电池包在各衰减程度类别中对应的寿命预测结果；根据待预测电池包在各衰减程度类别中对应的概率和待预测电池包在各衰减程度类别中对应的寿命预测结果确定待预测电池包的寿命预测结果。通过上述描述可知，本发明的寿命预测装置中，只需要衰减程度分类模型、与衰减程度类别的数量对应的寿命预测模型便能实现对待预测电池包的寿命进行预测的目的，相较于每个待预测电池包建立一个寿命预测函数模型的方法，本发明的寿命预测方法计算量小，而相较于所有待预测电池包建立一个统一的寿命预测函数模型的方法，本发明的寿命预测方法考虑了待预测电池包的衰减程度类别，进而结合了待预测电池包的衰减程度类别和待预测电池包在各衰减程度类别中对应的寿命预测结果进行最终寿命预测结果的确定，使得确定的待预测电池包的寿命预测结果更加准确，也就是说，本发明的寿命预测装置能够在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测，缓解了现有技术无法在兼顾计算量和预测准确性的前提下，对电池包的寿命进行预测的技术问题。
可选地，寿命预测结果确定单元还用于：对待预测电池包在同一衰减程度类别中对应的概率和寿命预测结果进行乘积运算，得到待预测电池包在各衰减程度类别中对应的乘积运算结果；将待预测电池包在各衰减程度类别中对应的乘积运算结果进行加和运算，得到待预测电池包的寿命预测结果。
可选地，寿命预测结果确定单元还用于：在待预测电池包在各衰减程度类别中对应的概率中确定最大概率；将最大概率对应的衰减程度类别作为目标衰减程度类别；将待预测电池包在目标衰减程度类别中对应的寿命预测结果作为待预测电池包的寿命预测结果。
可选地，该装置还用于：获取新能源车的电池包在历史表征点的历史SOH数据，并根据历史表征点的历史SOH数据确定电池包在各目标历史表征点的未来SOH衰减程度，其中，历史表征点包括：历史时间点或历史里程点，目标历史表征点为历史表征点中存在未来SOH衰减程度的历史表征点；基于电池包在各目标历史表征点的未来SOH衰减程度确定电池包在各目标历史表征点的衰减程度类别；在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据建立寿命预测模型，得到各衰减程度类别对应的寿命预测模型；获取新能源车在各目标历史表征点的预设区间内的工况特征和行为特征，并将工况特征、行为特征和新能源车的电池包在各目标历史表征点的衰减程度类别作为训练样本；采用训练样本对原始衰减程度分类模型进行训练，得到衰减程度分类模型。
可选地，该装置还用于：对电池包在各目标历史表征点的未来SOH衰减程度按照预设分组策略进行分组，得到未来SOH衰减程度分组；在每个未来SOH衰减程度分组中，对其中的未来SOH衰减程度进行衰减程度类别划分，得到各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别；根据各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别确定电池包在各目标历史表征点的衰减程度类别。
可选地，该装置还用于：采用分位数法或箱形图法对其中的未来SOH衰减程度进行衰减程度类别划分。
可选地，该装置还用于：在历史表征点的历史SOH数据中，确定在各目标历史表征点的第一历史SOH数据；在历史表征点的历史SOH数据中，确定在各目标历史表征点之后的未来历史表征点的第二历史SOH数据，其中，未来历史表征点与其对应的目标历史表征点之间的差为预设值；根据第一历史SOH数据和第二历史SOH数据计算电池包在各目标历史表征点的未来SOH衰减程度。
可选地，该装置还用于：在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据计算预设寿命预测函数中的未知参数，进而得到未知参数已知的预设寿命预测函数，其中，预设寿命预测函数为SOH与表征点之间的函数；将未知参数已知的预设寿命预测函数作为寿命预测模型，进而得到各衰减程度类别对应的寿命预测模型。
可选地，预设区间包括：预设时间区间或预设里程区间，当前车辆数据包括：当前时间数据或当前里程数据。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
如图6所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述新能源车电池包的寿命预测确定方法的步骤。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述新能源车电池包的寿命预测确定方法。
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
对应于上述新能源车电池包的寿命预测确定方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述新能源车电池包的寿命预测确定方法的步骤。
本申请实施例所提供的新能源车电池包的寿命预测确定装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所述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，作为单元显示的部件可以是或者也可以不是物理单元，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单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述车辆标记方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种新能源车电池包的寿命预测方法，其特征在于，所述方法包括：
获取待预测电池包在当前的预设区间内的工况特征和行为特征；
采用衰减程度分类模型对所述工况特征和所述行为特征进行衰减程度分类，得到所述待预测电池包在各衰减程度类别中对应的概率；
获取所述待预测电池包对应的待预测新能源车的当前车辆数据，并基于所述当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，计算得到所述待预测电池包在各衰减程度类别中对应的寿命预测结果；
根据所述待预测电池包在各衰减程度类别中对应的概率和所述待预测电池包在各衰减程度类别中对应的寿命预测结果确定所述待预测电池包的寿命预测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述待预测电池包在各衰减程度类别中对应的概率和所述待预测电池包在各衰减程度类别中对应的寿命预测结果确定所述待预测电池包的寿命预测结果，包括：
对所述待预测电池包在同一衰减程度类别中对应的概率和寿命预测结果进行乘积运算，得到所述待预测电池包在各衰减程度类别中对应的乘积运算结果；
将所述待预测电池包在各衰减程度类别中对应的乘积运算结果进行加和运算，得到所述待预测电池包的寿命预测结果。
3.根据权利要求1所述的方法，其特征在于，根据所述待预测电池包在各衰减程度类别中对应的概率和所述待预测电池包在各衰减程度类别中对应的寿命预测结果确定所述待预测电池包的寿命预测结果，还包括：
在所述待预测电池包在各衰减程度类别中对应的概率中确定最大概率；
将所述最大概率对应的衰减程度类别作为目标衰减程度类别；
将所述待预测电池包在目标衰减程度类别中对应的寿命预测结果作为所述待预测电池包的寿命预测结果。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取新能源车的电池包在历史表征点的历史SOH数据，并根据所述历史表征点的历史SOH数据确定所述电池包在各目标历史表征点的未来SOH衰减程度，其中，所述历史表征点包括：历史时间点或历史里程点，所述目标历史表征点为所述历史表征点中存在未来SOH衰减程度的历史表征点；
基于所述电池包在各目标历史表征点的未来SOH衰减程度确定所述电池包在各目标历史表征点的衰减程度类别；
在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据建立寿命预测模型，得到所述各衰减程度类别对应的寿命预测模型；
获取所述新能源车在各目标历史表征点的预设区间内的工况特征和行为特征，并将所述工况特征、所述行为特征和所述新能源车的电池包在各目标历史表征点的衰减程度类别作为训练样本；
采用所述训练样本对原始衰减程度分类模型进行训练，得到所述衰减程度分类模型。
5.根据权利要求4所述的方法，其特征在于，基于所述电池包在各目标历史表征点的未来SOH衰减程度确定所述电池包在各目标历史表征点的衰减程度类别，包括：
对所述电池包在各目标历史表征点的未来SOH衰减程度按照预设分组策略进行分组，得到未来SOH衰减程度分组；
在每个所述未来SOH衰减程度分组中，对其中的未来SOH衰减程度进行衰减程度类别划分，得到各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别；
根据所述各未来SOH衰减程度在其对应的目标历史表征点的衰减程度类别确定所述电池包在各目标历史表征点的衰减程度类别。
6.根据权利要求4所述的方法，其特征在于，根据所述历史表征点的历史SOH数据确定所述电池包在各目标历史表征点的未来SOH衰减程度，包括：
在所述历史表征点的历史SOH数据中，确定在各目标历史表征点的第一历史SOH数据；
在所述历史表征点的历史SOH数据中，确定在各目标历史表征点之后的未来历史表征点的第二历史SOH数据，其中，所述未来历史表征点与其对应的目标历史表征点之间的差为预设值；
根据所述第一历史SOH数据和所述第二历史SOH数据计算所述电池包在各目标历史表征点的未来SOH衰减程度。
7.根据权利要求4所述的方法，其特征在于，在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据建立寿命预测模型，得到所述各衰减程度类别对应的寿命预测模型，包括：
在每个衰减程度类别中，根据其中的电池包在各目标历史表征点的历史SOH数据计算预设寿命预测函数中的未知参数，进而得到未知参数已知的预设寿命预测函数，其中，所述预设寿命预测函数为SOH与表征点之间的函数；
将所述未知参数已知的预设寿命预测函数作为所述寿命预测模型，进而得到所述各衰减程度类别对应的寿命预测模型。
8.根据权利要求1所述的方法，其特征在于，所述预设区间包括：预设时间区间或预设里程区间，所述当前车辆数据包括：当前时间数据或当前里程数据。
9.一种新能源车电池包的寿命预测装置，其特征在于，所述装置包括：
获取单元，用于获取待预测电池包在当前的预设区间内的工况特征和行为特征；
衰减程度分类单元，用于采用衰减程度分类模型对所述工况特征和所述行为特征进行衰减程度分类，得到所述待预测电池包在各衰减程度类别中对应的概率；
寿命预测单元，用于获取所述待预测电池包对应的待预测新能源车的当前车辆数据，并基于所述当前车辆数据和预先构建的各衰减程度类别对应的寿命预测模型，计算得到所述待预测电池包在各衰减程度类别中对应的寿命预测结果；
寿命预测结果确定单元，用于根据所述待预测电池包在各衰减程度类别中对应的概率和所述待预测电池包在各衰减程度类别中对应的寿命预测结果确定所述待预测电池包的寿命预测结果。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至8中任一项所述的方法的步骤。
11.一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存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求1至8中任一项所述的方法。
CN202210468539.4A 2022-04-24 2022-04-24 新能源车电池包的寿命预测方法、装置和电子设备 Pending CN114764600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210468539.4A CN114764600A (zh) 2022-04-24 2022-04-24 新能源车电池包的寿命预测方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210468539.4A CN114764600A (zh) 2022-04-24 2022-04-24 新能源车电池包的寿命预测方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN114764600A true CN114764600A (zh) 2022-07-19

Family

ID=82365367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210468539.4A Pending CN114764600A (zh) 2022-04-24 2022-04-24 新能源车电池包的寿命预测方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN114764600A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117434463A (zh) * 2023-09-21 2024-01-23 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 动力电池的剩余寿命评估方法、装置、设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117434463A (zh) * 2023-09-21 2024-01-23 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 动力电池的剩余寿命评估方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN113189495B (zh) 一种电池健康状态的预测方法、装置及电子设备
CN113219336B (zh) 电池劣化判断系统、方法及存储有程序的非临时性存储介质
CN110045291B (zh) 一种锂电池容量估计方法
CN115221795A (zh) 容量预测模型的训练方法、预测方法、装置、设备及介质
CN116466236A (zh) 电池剩余寿命预测方法、装置、设备及可读存储介质
CN115575842A (zh) 电池管理方法、装置、电子设备以及存储介质
CN115877238A (zh) 电池容量的检测方法、装置、可读存储介质及电子设备
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN114764600A (zh) 新能源车电池包的寿命预测方法、装置和电子设备
CN114200323A (zh) 电池短路故障预警信息生成方法和装置、设备、介质
CN113595174A (zh) 电池管理方法、装置、设备和服务器
CN111780799B (zh) 一种仪表数据验证方法及装置
CN110068409B (zh) 锂电池应力预测方法和装置
KR102547634B1 (ko) 배터리 평가 점수를 제공하기 위한 방법
CN115951249B (zh) 电池状态监测方法、系统、电子设备及存储介质
CN116080470A (zh) 电动汽车的动力电池监控方法、装置、服务器及介质
CN115166521A (zh) 电池容量的评估方法、装置和电子设备
JP7193678B2 (ja) 情報処理装置、情報処理方法、情報処理システム、およびプログラム
CN113466722B (zh) 确定电池荷电状态测量精度的方法及装置，电子设备
CN114002603B (zh) 识别电芯的方法、装置及计算机存储介质
CN114740389A (zh) 电池健康评估方法、装置、电子设备和可读存储介质
CN113433478A (zh) 云端估算动力电池健康度的方法及装置
CN113219358A (zh) 电池包健康状态计算方法、系统及电子设备
CN113887811B (zh) 一种充电桩数据管理方法及系统
CN114660482A (zh) 电池标称容量的确定方法、装置和电子设备

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