CN114779081A - 车辆电池寿命的互学习预测方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种车辆电池寿命的互学习预测方法、装置及存储介质，其中方法包括：确定经验模型，并获取车辆自身电池的历史数据轨迹，以及与车辆自身电池相适配的其他车辆电池的历史数据轨迹；采用经验模型对车辆自身和其他车辆电池的历史数据轨迹进行互学习；基于大数据估计电池容量状态，获得第一估计结果，并根据第一估计结果对经验模型的参数进行修正；确定机理模型，并根据机理模型和大数据估计电池容量状态，获得第二估计结果；采用修正后的经验模型对电池寿命进行预测，并根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

Description

车辆电池寿命的互学习预测方法、装置及存储介质

技术领域

本发明涉及电池技术领域，尤其涉及一种车辆电池寿命的互学习预测方法、装置及存储介质。

背景技术

随着电动汽车的快速发展，人们对动力电池提出了更高的要求，动力电池的使用寿命将直接影响电动汽车的性能，因此人们对动力电池寿命预测的研究愈加重视，精确的电池寿命预测能够不仅可以提升用户驾驶体验，而且可以构建动力电池全生命周期动态智能健康管理系统，具有巨大的社会效益及经济效益。

相关技术中，在进行动力电池寿命预测时，通常基于历史轨迹的数据驱动对动力电池寿命预测进行预测，或者，基于机理模型对动力电池寿命预测进行预测。但是，这些常用的动力电池寿命预测方法难以建立较为精确的预测模型，电池寿命预测精度较差。

发明内容

本发明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，本发明的第一个目的在于提出一种车辆电池寿命的互学习预测方法，基于大数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

本发明的第二个目的在于提出一种计算机可读存储介质。

本发明的第三个目的在于提出一种云端服务器。

本发明的第四个目的在于提出一种车辆电池寿命的互学习预测装置。

为达到上述目的，本发明第一方面实施例提出了一种车辆电池寿命的互学习预测方法，包括：确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹；采用经验模型对车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹进行互学习；基于大数据估计电池容量状态，获得第一估计结果，并在互学习过程中，根据第一估计结果对经验模型的参数进行修正；确定机理模型，并根据机理模型和大数据估计电池容量状态，获得第二估计结果；采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。

根据本发明实施例的车辆电池寿命的互学习预测方法，确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，采用经验模型对车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹进行互学习，基于大数据估计电池容量状态，获得第一估计结果，并在互学习过程中，根据第一估计结果对经验模型的参数进行修正，确定机理模型，并根据机理模型和大数据估计电池容量状态，获得第二估计结果，采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于大数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

根据本发明的一个实施例，获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，包括：在其他车辆的电池类型与车辆自身电池的类型相同时，如果其他车辆的电池循环次数大于车辆自身电池的循环次数、其他车辆的电池寿命预测值小于车辆自身电池的寿命预测值、且其他车辆的电池衰减速率与车辆自身电池的衰减速率满足预设条件，则确定其他车辆电池的历史数据轨迹与车辆自身电池的历史数据轨迹相适配。

根据本发明的一个实施例，在其他车辆的电池衰减速率与车辆自身电池的衰减速率之间满足以下关系式时，确定其他车辆的电池衰减速率与车辆自身电池的衰减速率满足预设条件：

其中，V_SOHCi为其他车辆的电池衰减速率，V_SOHC为车辆自身电池的衰减速率。

根据本发明的一个实施例，根据第一估计结果对经验模型的参数进行修正，包括：将第一学习结果作为先验估计，并将第一估计结果作为后验修正，采用卡尔曼滤波算法对经验模型的参数进行修正，其中，第一学习结果根据经验模型学习车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹获得。

根据本发明的一个实施例，根据第二估计结果对修正后的经验模型参数再次进行修正，包括：将修正后的经验模型输出的第二学习结果作为先验估计，并将第二估计结果作为后验修正，采用卡尔曼滤波算法对修正后的经验模型参数再次进行修正。

根据本发明的一个实施例，基于大数据估计电池容量状态，获得第一估计结果，包括：获取相同循环次数时车辆自身电池的第一寿命预测值和其他车辆电池的寿命预测值；根据车辆自身电池的第一寿命预测值和其他车辆电池的寿命预测值进行加权计算，获得第一估计结果。

根据本发明的一个实施例，根据以下公式计算第一估计结果：

其中，在V_SOHCi≥V_SOHC时，

在V_SOHCi＜V_SOHC时，

SOHC1为第一估计结果，N为满足筛选条件车辆个数，P_i为权值系数，SOHC_i为其他车辆电池的寿命预测值，SOHCself1为车辆自身电池的第一寿命预测值。

根据本发明的一个实施例，根据机理模型和大数据估计电池容量状态，获得第二估计结果，包括：获取第一预设循环次数时车辆自身电池的第二寿命预测值；根据机理模型和大数据获取第一预设循环次数时车辆自身电池的寿命预测变化值；根据车辆自身电池的第二寿命预测值和车辆自身电池的寿命预测变化值进行相加计算，获得第二估计结果。

根据本发明的一个实施例，根据以下公式计算第二估计结果：

SOHC2＝SOHCself2+ΔSOHC，

其中，SOHC2为第二估计结果，SOHCself2为车辆自身电池的第二寿命预测值，ΔSOHC为车辆自身电池的寿命预测变化值。

根据本发明的一个实施例，根据机理模型和大数据获取第一预设循环次数时车辆自身电池的寿命预测变化值，包括：根据大数据获取其他车辆第二预设循环次数时电池的寿命预测变化值，其中，第二预设循环次数为其他车辆中各车辆在第一预设循环次数内电池已衰减循环次数；根据机理模型获取车辆自身第二预设循环次数时电池的寿命预测变化值，以及车辆自身第三预设循环次数时电池的寿命预测变化值，其中，第三预设循环次数为其他车辆中各车辆在第一预设循环次数内电池未衰减循环次数；根据其他车辆第二预设循环次数时电池的寿命预测变化值和车辆自身第二预设循环次数时电池的寿命预测变化值先进行加权计算，并将加权计算结果与车辆自身第三预设循环次数时电池的寿命预测变化值相加，获得车辆自身电池的寿命预测变化值。

根据本发明的一个实施例，根据以下公式计算车辆自身电池的寿命预测变化值：

其中，在V_SOHCi≥V_SOHC时，

在V_SOHCi＜V_SOHC时，

ΔSOHC为车辆自身电池的寿命预测变化值，N为满足筛选条件车辆个数，P_i为权值系数，ΔSOHCD_i为其他车辆第二预设循环次数时电池的寿命预测变化值，ΔSOHCM为车辆自身第二预设循环次数时电池的寿命预测变化值，ΔSOHCMelse为车辆自身第三预设循环次数时电池的寿命预测变化值。

为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有车辆电池寿命的互学习预测程序，该车辆电池寿命的互学习预测程序被处理器执行时实现如第一方面实施例中的车辆电池寿命的互学习预测方法。

根据本发明实施例的计算机可读存储介质，通过上述的车辆电池寿命的互学习预测方法，基于大数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

为达到上述目的，本发明第三方面实施例提出了一种云端服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的车辆电池寿命的互学习预测程序，处理器执行车辆电池寿命的互学习预测程序时，实现如第一方面实施例中的车辆电池寿命的互学习预测方法。

根据本发明实施例的云端服务器，通过上述的车辆电池寿命的互学习预测方法，基于大数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

为达到上述目的，本发明第四方面实施例提出了一种车辆电池寿命的互学习预测装置，包括：第一确定模块，用于确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，并采用经验模型对车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹进行互学习；第一估计模块，基于大数据估计电池容量状态，获得第一估计结果；第一修正模块，用于在互学习过程中，根据第一估计结果对经验模型的参数进行修正；第二确定模块，用于确定机理模型；第二估计模块，用于根据机理模型和大数据估计电池容量状态，获得第二估计结果；预测模块，用于采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。

根据本发明实施例的车辆电池寿命的互学习预测装置，通过第一确定模块确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，并采用经验模型对车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹进行互学习，通过第一估计模块基于大数据估计电池容量状态，获得第一估计结果，在互学习过程中，通过第一修正模块根据第一估计结果对经验模型的参数进行修正，通过第二确定模块确定机理模型，并通过第二估计模块根据机理模型和大数据估计电池容量状态，获得第二估计结果，通过预测模块采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于大数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为根据本发明一个实施例的车辆电池寿命的互学习预测方法的流程图；

图2为根据本发明一个实施例的获取车辆电池寿命预测结果的流程示意图；

图3为根据本发明一个实施例的获得第二估计结果的流程图；

图4为根据本发明一个实施例的车辆电池寿命的互学习预测装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例提出的车辆电池寿命的互学习预测方法、装置、云端服务器及计算机可读存储介质。

图1为根据本发明一个实施例的车辆电池寿命的互学习预测方法的流程图。如图1所示，该车辆电池寿命的互学习预测方法包括以下步骤：

步骤S101，确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹。

需要说明的是，由于不同的电池在制作过程中具有不同的正负极组分、不同的占比和不同的制作工艺，以及电池在使用过程中会经历不同的使用工况，电池最终所表现出来的容量衰退轨迹差异显著，因此，在通过经验模型预测电池寿命时，需要确定合适的经验模型，以使电池寿命的预测结果尽可能精确。

具体地，在确定电池寿命预测的经验模型时，对需要测试的电池进行离线实验，确定该电池的类型、使用工况以及对应的老化模式，基于上述电池的类型、使用工况以及对应的老化模式获取获取不同经验模型下的均方差，并确定不同经验模型中的均方差最小值，并以获取的最小均方差为依据，选取与该最小均方差对应的经验模型确定为将要采用的经验模型。目前常见的经验模型包括双指数模型、单指数模型、线性模型、多项式模型和Verhulst模型。也就是说，可以从双指数模型、单指数模型、线性模型、多项式模型和Verhulst模型中选取合适的经验模型，保证选取的经验模型所对应的均方差值最小，将与该最小均方差对应的经验模型作为将要采用的经验模型，举例来说，当不同经验模型中双指数模型计算所得的均方差值最小，则将双指数模型作为将要采用的经验模型。

目前，随着大数据、云平台、智能算法等技术的快速发展，利用数据库存储并管理海量历史数据，可以实现不同车辆参数的相互学习和优化，从而进一步提高电池寿命预测精度，因此通过获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，可以扩大数据库中历史数据轨迹的数量。

在一些实施例中，获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，包括：在其他车辆的电池类型与车辆自身电池的类型相同时，如果其他车辆的电池循环次数大于车辆自身电池的循环次数、其他车辆的电池寿命预测值小于车辆自身电池的寿命预测值、且其他车辆的电池衰减速率与车辆自身电池的衰减速率满足预设条件，则确定其他车辆电池的历史数据轨迹与车辆自身电池的历史数据轨迹相适配。

进一步地，在其他车辆的电池衰减速率与车辆自身电池的衰减速率之间满足以下关系式时，确定其他车辆的电池衰减速率与车辆自身电池的衰减速率满足预设条件：

其中，V_SOHCi为其他车辆的电池衰减速率，V_SOHC为车辆自身电池的衰减速率。

具体地，为了扩大数据库中历史数据轨迹的数量，在获取车辆自身电池的历史数据轨迹时，还需获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，在获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹时，首先判断其他车辆的电池类型与车辆自身电池的类型是否相同，若其他车辆的电池类型与车辆自身电池的类型不同，则不获取该电池对应车辆的历史数据轨迹，若其他车辆的电池类型与车辆自身电池的类型相同，则确定其他车辆的电池循环次数是否大于车辆自身电池的循环次数、其他车辆的电池寿命预测值是否小于车辆自身电池的寿命预测值、且其他车辆的电池衰减速率与车辆自身电池的衰减速率是否满足预设条件：

其中，V_SOHCi为其他车辆的电池衰减速率，V_SOHC为车辆自身电池的衰减速率，若其他车辆同时满足上述三个条件，则说明其他车辆电池的历史数据轨迹与车辆自身电池的历史数据轨迹相适配，可以将其他车辆电池的历史数据轨迹与车辆自身电池的历史数据轨迹一起储存在历史数据轨迹数据库中。

步骤S102，采用经验模型对车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹进行互学习。

具体地，在获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹后，采用确定的经验模型对上述车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹进行互学习，由于经验模型所采用的历史数据轨迹包括车辆自身电池的历史数据轨迹和与车辆自身电池相适配的其他车辆电池的历史数据轨迹，大大扩充了互学习的数据库，有利于更准确的对经验模型的参数进行修正。

步骤S103，基于大数据估计电池容量状态，获得第一估计结果，并在互学习过程中，根据第一估计结果对经验模型的参数进行修正。

具体地，电池容量是评估电池在被长时间使用后一个重要的性能指标，电池容量是指电池在给定条件和时间下完全放电过程中产生的电荷总数，在电池反复充电过程中，电池的容量会发生衰减，因此，在电池寿命预测过程中，需要考虑当前电池容量状态对电池寿命评估的影响。

在一些实施例中，基于大数据估计电池容量状态，获得第一估计结果，包括：获取相同循环次数时车辆自身电池的第一寿命预测值和其他车辆电池的寿命预测值；根据车辆自身电池的第一寿命预测值和其他车辆电池的寿命预测值进行加权计算，获得第一估计结果。

需要说明的是，基于大数据估计电池容量状态，即分别对车辆自身以及其他车辆采用基于历史大数据的方式获取相同循环次数时的寿命预测值，其中，基于历史大数据获取车辆电池寿命预测值具体如下：根据所需预测的车辆电池历史电压数据以及电池容量数据，分别建立车辆初始阶段特征电压片段与电池容量的映射关系以及车辆当前特征电压片段与电池容量的映射关系，即获取车辆初始阶段特征电压片段的电池容量以及车辆当前特征电压片段的电池容量，根据车辆初始阶段特征电压片段与电池容量的映射关系获取的车辆初始阶段特征电压片段的电池容量，以及车辆当前特征电压片段与电池容量的映射关系获取的车辆当前特征电压片段的电池容量，根据相同特种电压片段下的车辆初始阶段特征电压片段的电池容量和车辆当前特征电压片段的电池容量对当前车辆电池寿命预测值进行估计，基于历史大数据的车辆电池寿命预测值估计公式如下所示：

其中，SOHCL为基于历史大数据估计的车辆电池寿命预测值，C_now为车辆当前电池容量；C_new为车辆初始阶段电池容量，C_featurenow为车辆当前特征电压片段的电池容量；C_featurenew为车辆初始阶段特征电压片段的电池容量。

根据上述基于历史大数据获取车辆电池寿命预测值方法分别获取相同循环次数时车辆自身电池的第一寿命预测值以及其他车辆电池的寿命预测值，并根据车辆自身电池的第一寿命预测值和其他车辆电池的寿命预测值进行加权计算，获得第一估计结果。

进一步地，根据车辆自身电池的第一寿命预测值和其他车辆电池的寿命预测值进行加权计算获取第一估计结果公式具体如下：

其中，在V_SOHCi≥V_SOHC时，

在V_SOHCi＜V_SOHC时，

SOHC1为第一估计结果，N为满足筛选条件车辆个数，P_i为权值系数，SOHC_i为其他车辆电池的寿命预测值，SOHCself1为车辆自身电池的第一寿命预测值。

需要说明的是，其他车辆电池的寿命预测值SOHC_i，以及车辆自身电池的第一寿命预测值SOHCself1，均通过上述的基于历史大数据而获取，具体公式分别表达如下：

其中，SOHC_i为其他车辆电池寿命预测值，C_nowi为其他车辆当前电池容量；C_newi为其他车辆初始阶段电池容量，C_featurenowi为其他车辆当前特征电压片段的电池容量；C_featurenewi为其他车辆初始阶段特征电压片段的电池容量。

其中，SOHCself1为车辆自身电池的第一寿命预测值，C_nowself1为车辆自身第一当前电池容量；C_newself为车辆自身初始阶段电池容量，C_{featurenowself1}为车辆自身第一当前特征电压片段的电池容量；C_{featurenewself}为车辆自身初始阶段特征电压片段的电池容量。

在一些实施例中，根据第一估计结果对经验模型的参数进行修正，包括：将第一学习结果作为先验估计，并将第一估计结果作为后验修正，采用卡尔曼滤波算法对经验模型的参数进行修正，其中，第一学习结果根据经验模型学习车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹获得。

具体地，如图2所示，首先基于大数据估计电池容量状态，获得第一估计结果SOHC1，并在学习阶段的电池寿命预测过程中，将根据经验模型学习车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹获得的第一学习结果作为先验估计，以及将第一估计结果SOHC1作为后验修正，采用卡尔曼滤波算法依据输入的第一学习结果以及第一估计结果对已确定的经验模型的参数进行第一次修正，并采用参数第一次修正后的经验模型对电池寿命进行预测，以提高电池寿命预测精度。

步骤S104，确定机理模型，并根据机理模型和大数据估计电池容量状态，获得第二估计结果。

需要说明的是，本申请还采用了机理模型对电池容量状态进行预测，与确定合适的经验模型类似，在使用机理模型之前，需要选取合适的机理模型，常用的机理模型包括：单粒子模型、P2D电化学模型和电热机械耦合模型，根据电池的类型、使用工况以及对应的老化模式离线确定合适的机理模型。

具体地，如图3所示，在一些实施例中，根据机理模型和大数据估计电池容量状态，获得第二估计结果，包括：

步骤S201，获取第一预设循环次数时车辆自身电池的第二寿命预测值。

具体地，获取第一预设循环次数时车辆自身电池的第二寿命预测值为通过基于历史大数据获取第一预设循环次数时车辆自身电池的第二寿命预测值，车辆自身电池的第二寿命预测值的获取公式具体表达如下：

其中，SOHCself2为车辆自身电池的第二寿命预测值，C_nowself2为车辆自身第二当前电池容量；C_newself为车辆自身初始阶段电池容量，C_{featurenowself2}为车辆自身第二当前特征电压片段的电池容量；C_{featurenewself}为车辆自身初始阶段特征电压片段的电池容量。

步骤S202，根据机理模型和大数据获取第一预设循环次数时车辆自身电池的寿命预测变化值。

需要说明的是，要确定车辆电池的寿命预测变化值，首先需要根据机理模型和大数据分别获取车辆电池寿命预测值，其中，基于机理模型对车辆电池寿命预测值进行估计包括：基于Butler-Volmer方程，建立电池电极副反应速率与副反应过电势关系，并根据电池电极副反应速率与副反应过电势关系确定电池容量损失量，电池容量损失量可具体表示为：

其中，Q_loss，cyc为车辆电池容量损失量，F为法拉第常数，t_cyc为1次循环时间，

为锂离子损失量，T为循环次数。

根据电池容量损失量对电池容量状态进行估计，即获取车辆电池寿命预测值，电池容量状态可具体表示为：

其中，SOHCJ为基于机理模型估计的车辆电池寿命预测值，Q_loss，cyc为车辆电池容量损失量，C_new为初始阶段车辆电池容量。

在一些实施例中，根据机理模型和大数据获取第一预设循环次数时车辆自身电池的寿命预测变化值，包括：根据大数据获取其他车辆第二预设循环次数时电池的寿命预测变化值，其中，第二预设循环次数为其他车辆中各车辆在第一预设循环次数内电池已衰减循环次数；根据机理模型获取车辆自身第二预设循环次数时电池的寿命预测变化值，以及车辆自身第三预设循环次数时电池的寿命预测变化值，其中，第三预设循环次数为其他车辆中各车辆在第一预设循环次数内电池未衰减循环次数；根据其他车辆第二预设循环次数时电池的寿命预测变化值和车辆自身第二预设循环次数时电池的寿命预测变化值先进行加权计算，并将加权计算结果与车辆自身第三预设循环次数时电池的寿命预测变化值相加，获得车辆自身电池的寿命预测变化值，车辆自身电池的寿命预测变化值获取公式具体如下：

其中，在V_SOHCi≥V_SOHC时，

在V_SOHCi＜V_SOHC时，

ΔSOHC为车辆自身电池的寿命预测变化值，N为满足筛选条件车辆个数，P_i为权值系数，ΔSOHCD_i为其他车辆第二预设循环次数时电池的寿命预测变化值，ΔSOHCM为车辆自身第二预设循环次数时电池的寿命预测变化值，ΔSOHCMelse为车辆自身第三预设循环次数时电池的寿命预测变化值。

也就是说，获取车辆自身电池的寿命预测变化值需要分别获取其他车辆第二预设循环次数时电池的寿命预测变化值、车辆自身第二预设循环次数时电池的寿命预测变化值、以及车辆自身第三预设循环次数时电池的寿命预测变化值，其中，第二预设循环次数为其他车辆中各车辆在第一预设循环次数内电池已衰减循环次数，第三预设循环次数为其他车辆中各车辆在第一预设循环次数内电池未衰减循环次数，假设第二预设循环次数为从T0次到T1次，第三预设循环次数为从T1次到T2次，则第一预设循环次数为从T0次到T2次。

通过大数据获取其他车辆第二预设循环次数时电池的寿命预测变化值，即基于大数据获取T0循环次数其他车辆电池的寿命预测值，以及基于大数据获取T1循环次数其他车辆电池的寿命预测值，两者之差即为其他车辆第二预设循环次数时电池的寿命预测变化值，T0循环次数其他车辆电池的寿命预测值和T1循环次数其他车辆电池的寿命预测值可以分别表达如下：

其中，SOHC_iT0为基于历史大数据估计的T0循环次数其他车辆电池寿命预测值，C_nowiT0为T0循环次数其他车辆当前电池容量；C_newi为其他车辆初始阶段电池容量，C_{featurenowiT0}为T0循环次数其他车辆当前特征电压片段的电池容量；C_featurenewi为其他车辆初始阶段特征电压片段的电池容量。

其中，SOHC_iT1为基于历史大数据估计的T1循环次数其他车辆电池寿命预测值，C_nowiT1为T1循环次数其他车辆当前电池容量；C_newi为其他车辆初始阶段电池容量，C_{featurenowiT1}为T1循环次数其他车辆当前特征电压片段的电池容量；C_featurenewi为其他车辆初始阶段特征电压片段的电池容量。

根据T0循环次数其他车辆电池的寿命预测值以及T1循环次数其他车辆电池的寿命预测值即可获得其他车辆第二预设循环次数时电池的寿命预测变化值，具体公式为：

ΔSOHCD_i＝SOHC_iT0-SOHC_iT1，

根据机理模型获取车辆自身第二预设循环次数时电池的寿命预测变化值，即基于机理模型获取T0循环次数车辆自身电池的寿命预测值，以及基于大数据获取T1循环次数车辆自身电池的寿命预测值，两者之差即为车辆自身第二预设循环次数时电池的寿命预测变化值，T0循环次数车辆自身电池的寿命预测值和T1循环次数车辆自身电池的寿命预测值可以分别表达如下：

其中，SOHCJT0为基于机理模型估计的T0循环次数车辆自身电池寿命预测值，Q_loss，cycT0为T0循环次数车辆自身电池容量损失量，C_new为初始阶段车辆电池容量。

其中，Q_loss，cycT0为T0循环次数车辆电池容量损失量，F为法拉第常数，t_cyc为1次循环时间，

为锂离子损失量，T0为循环次数。

其中，SOHCJT1为基于机理模型估计的T1循环次数车辆自身电池寿命预测值，Q_loss，cycT1为T1循环次数车辆自身电池容量损失量，C_new为初始阶段车辆电池容量。

其中，Q_loss，cycT1为T1循环次数车辆电池容量损失量，F为法拉第常数，t_cyc为1次循环时间，

为锂离子损失量，T1为循环次数。

根据T0循环次数车辆自身电池的寿命预测值和T1循环次数车辆自身电池的寿命预测值即可获得车辆自身第二预设循环次数时电池的寿命预测变化值，公式具体如下：

ΔSOHCM＝SOHCJT0-SOHCJT1，

由此，将其他车辆第二预设循环次数时电池的寿命预测变化值和车辆自身第二预设循环次数时电池的寿命预测变化值进行加权计算

根据机理模型获取车辆自身第三预设循环次数时电池的寿命预测变化值，即基于机理模型获取T1循环次数车辆自身电池的寿命预测值，以及基于大数据获取T2循环次数车辆自身电池的寿命预测值，两者之差即为车辆自身第二预设循环次数时电池的寿命预测变化值，T1循环次数车辆自身电池的寿命预测值通过上述公式已获得，因此仅获得T2循环次数车辆自身电池的寿命预测值即可，具体表达如下：

其中，SOHCJT2为基于机理模型估计的T2循环次数车辆自身电池寿命预测值，Q_loss，cycT2为T2循环次数车辆自身电池容量损失量，C_new为初始阶段车辆电池容量。

其中，Q_loss，cycT2为T2循环次数车辆电池容量损失量，F为法拉第常数，t_cyc为1次循环时间，

为锂离子损失量，T2为循环次数。

根据T1循环次数车辆自身电池的寿命预测值和T2循环次数车辆自身电池的寿命预测值即可获得车辆自身第三预设循环次数时电池的寿命预测变化值，公式具体如下：

ΔSOHCMelse＝SOHCJT1-SOHCJT2，

由此，将其他车辆第二预设循环次数时电池的寿命预测变化值和车辆自身第二预设循环次数时电池的寿命预测变化值加权计算后，将其与车辆自身第三预设循环次数时电池的寿命预测变化值相加，从而获得车辆自身电池的寿命预测变化值。

步骤S203，根据车辆自身电池的第二寿命预测值和车辆自身电池的寿命预测变化值进行相加计算，获得第二估计结果。

也就是说，获取第一预设循环次数时车辆自身电池的第二寿命预测值以及车辆自身电池的寿命预测变化值后，将车辆自身电池的第二寿命预测值与车辆自身电池的寿命预测变化值相加即可获取第二估计结果，第二估计结果公式具体如下：

SOHC2＝SOHCself2+ΔSOHC，

其中，SOHC2为第二估计结果，SOHCself2为车辆自身电池的第二寿命预测值，ΔSOHC为车辆自身电池的寿命预测变化值。

步骤S105，采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。

具体的，在进行电池寿命预测过程中，采用第一次参数修正后的经验模型对电池寿命进行预测，并将上述步骤S104获得的基于机理模型和大数据估的计电池容量状态，即第二估计结果，作为一个输入量对已经修正的初始经验模型参数再次进行修正，同时输出最终的电池寿命预测结果。

在一些实施例中，根据第二估计结果对修正后的经验模型参数再次进行修正，包括：将修正后的经验模型输出的第二学习结果作为先验估计，并将第二估计结果作为后验修正，采用卡尔曼滤波算法对修正后的经验模型参数再次进行修正。

也就是说，在对经验模型进行第二次参数修正时，如图2所示，将第一次参数修正时获取的电池寿命预测值作为第二学习结果，并将该第二学习结果作为先验估计，以及将上述第二估计结果，即基于机理模型和大数据估的计电池容量状态作为后验修正，采用卡尔曼滤波算法依据输入的第二学习结果以及第二估计结果对第一次修正后的经验模型参数再次进行修正，并在电池寿命预测过程中采用参数第二次修正后的经验模型进行预测，再一次提高电池寿命预测精度。

综上所述，根据本发明实施例的车辆电池寿命的互学习预测方法，确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，采用经验模型对车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹进行互学习，基于大数据估计电池容量状态，获得第一估计结果，并在互学习过程中，根据第一估计结果对经验模型的参数进行修正，确定机理模型，并根据机理模型和大数据估计电池容量状态，获得第二估计结果，采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于大数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

本发明的实施例还提供一种计算机可读存储介质，其上存储有车辆电池寿命的互学习预测程序，该车辆电池寿命的互学习预测程序被处理器执行时实现上述的车辆电池寿命的互学习预测方法。

根据本发明实施例的计算机可读存储介质，通过上述的车辆电池寿命的互学习预测方法，基于大数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

本发明的实施例还提供一种云端服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的车辆电池寿命的互学习预测程序，处理器执行车辆电池寿命的互学习预测程序时，实现上述的车辆电池寿命的互学习预测方法。

根据本发明实施例的云端服务器，通过上述的车辆电池寿命的互学习预测方法，基于大数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

图4为根据本发明一个实施例的车辆电池寿命的互学习预测装置的结构示意图。如图4所示，该车辆电池寿命的互学习预测装置100包括：第一确定模块110、第一估计模块120、第一修正模块130、第二确定模块140、第二估计模块150和预测模块160。

其中，第一确定模块110用于确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，并采用经验模型对车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹进行互学习；第一估计模块120基于大数据估计电池容量状态，获得第一估计结果；第一修正模块130用于在互学习过程中，根据第一估计结果对经验模型的参数进行修正；第二确定模块140用于确定机理模型；第二估计模块150用于根据机理模型和大数据估计电池容量状态，获得第二估计结果；预测模块160用于采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。

在一些实施例中，第一确定模块110具体用于：在其他车辆的电池类型与车辆自身电池的类型相同时，如果其他车辆的电池循环次数大于车辆自身电池的循环次数、其他车辆的电池寿命预测值小于车辆自身电池的寿命预测值、且其他车辆的电池衰减速率与车辆自身电池的衰减速率满足预设条件，则确定其他车辆电池的历史数据轨迹与车辆自身电池的历史数据轨迹相适配。

在一些实施例中，在其他车辆的电池衰减速率与车辆自身电池的衰减速率之间满足以下关系式时，确定其他车辆的电池衰减速率与车辆自身电池的衰减速率满足预设条件：

其中，V_SOHCi为其他车辆的电池衰减速率，V_SOHC为车辆自身电池的衰减速率。

在一些实施例中，第一修正模块130具体用于：将第一学习结果作为先验估计，并将第一估计结果作为后验修正，采用卡尔曼滤波算法对经验模型的参数进行修正，其中，第一学习结果根据经验模型学习车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹获得。

在一些实施例中，预测模块160具体用于：将修正后的经验模型输出的第二学习结果作为先验估计，并将第二估计结果作为后验修正，采用卡尔曼滤波算法对修正后的经验模型参数再次进行修正。

在一些实施例中，第一估计模块120具体用于：获取相同循环次数时车辆自身电池的第一寿命预测值和其他车辆电池的寿命预测值；根据车辆自身电池的第一寿命预测值和其他车辆电池的寿命预测值进行加权计算，获得第一估计结果。

在一些实施例中，根据以下公式计算第一估计结果：

其中，在V_SOHCi≥V_SOHC时，

在V_SOHCi＜V_SOHC时，

SOHC1为第一估计结果，N为满足筛选条件车辆个数，P_i为权值系数，SOHC_i为其他车辆电池的寿命预测值，SOHCself1为车辆自身电池的第一寿命预测值。

在一些实施例中，第二估计模块150具体用于：获取第一预设循环次数时车辆自身电池的第二寿命预测值；根据机理模型和大数据获取第一预设循环次数时车辆自身电池的寿命预测变化值；根据车辆自身电池的第二寿命预测值和车辆自身电池的寿命预测变化值进行相加计算，获得第二估计结果。

在一些实施例中，根据以下公式计算第二估计结果：

SOHC2＝SOHCself2+ΔSOHC，

其中，SOHC2为第二估计结果，SOHCself2为车辆自身电池的第二寿命预测值，ΔSOHC为车辆自身电池的寿命预测变化值。

在一些实施例中，第二估计模块150具体用于：根据大数据获取其他车辆第二预设循环次数时电池的寿命预测变化值，其中，第二预设循环次数为其他车辆中各车辆在第一预设循环次数内电池已衰减循环次数；根据机理模型获取车辆自身第二预设循环次数时电池的寿命预测变化值，以及车辆自身第三预设循环次数时电池的寿命预测变化值，其中，第三预设循环次数为其他车辆中各车辆在第一预设循环次数内电池未衰减循环次数；根据其他车辆第二预设循环次数时电池的寿命预测变化值和车辆自身第二预设循环次数时电池的寿命预测变化值先进行加权计算，并将加权计算结果与车辆自身第三预设循环次数时电池的寿命预测变化值相加，获得车辆自身电池的寿命预测变化值。

在一些实施例中，根据以下公式计算车辆自身电池的寿命预测变化值：

其中，在V_SOHCi≥V_SOHC时，

在V_SOHCi＜V_SOHC时，

ΔSOHC为车辆自身电池的寿命预测变化值，N为满足筛选条件车辆个数，P_i为权值系数，ΔSOHCD_i为其他车辆第二预设循环次数时电池的寿命预测变化值，ΔSOHCM为车辆自身第二预设循环次数时电池的寿命预测变化值，ΔSOHCMelse为车辆自身车辆自身第三预设循环次数时电池的寿命预测变化值。

需要说明的是，本申请中关于车辆电池寿命的互学习预测装置的描述，请参考本申请中关于车辆电池寿命的互学习预测方法的描述，具体这里不再赘述。

根据本发明实施例的车辆电池寿命的互学习预测装置，通过第一确定模块确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与车辆自身电池相适配的其他车辆电池的历史数据轨迹，并采用经验模型对车辆自身电池的历史数据轨迹和其他车辆电池的历史数据轨迹进行互学习，通过第一估计模块基于大数据估计电池容量状态，获得第一估计结果，在互学习过程中，通过第一修正模块根据第一估计结果对经验模型的参数进行修正，通过第二确定模块确定机理模型，并通过第二估计模块根据机理模型和大数据估计电池容量状态，获得第二估计结果，通过预测模块采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。由此，基于大数据以及确定的机理模型，先后对确定的经验模型参数进行两次修正，从而可以构建更加精确的电池寿命预测模型，提高了电池寿命预测精度。

需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，″计算机可读介质″可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (14)

1.一种车辆电池寿命的互学习预测方法，其特征在于，包括：

确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与所述车辆自身电池相适配的其他车辆电池的历史数据轨迹；

采用所述经验模型对所述车辆自身电池的历史数据轨迹和所述其他车辆电池的历史数据轨迹进行互学习；

基于大数据估计电池容量状态，获得第一估计结果，并在互学习过程中，根据所述第一估计结果对所述经验模型的参数进行修正；

确定机理模型，并根据所述机理模型和大数据估计电池容量状态，获得第二估计结果；

采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据所述第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。

2.根据权利要求1所述的电池寿命的互学习预测方法，其特征在于，获取与所述车辆自身电池相适配的其他车辆电池的历史数据轨迹，包括：

在其他车辆的电池类型与所述车辆自身电池的类型相同时，如果所述其他车辆的电池循环次数大于所述车辆自身电池的循环次数、所述其他车辆的电池寿命预测值小于所述车辆自身电池的寿命预测值、且所述其他车辆的电池衰减速率与所述车辆自身电池的衰减速率满足预设条件，则确定所述其他车辆电池的历史数据轨迹与所述车辆自身电池的历史数据轨迹相适配。

3.根据权利要求2所述的电池寿命的互学习预测方法，其特征在于，在所述其他车辆的电池衰减速率与所述车辆自身电池的衰减速率之间满足以下关系式时，确定所述其他车辆的电池衰减速率与所述车辆自身电池的衰减速率满足预设条件：

其中，V_SOHCi为所述其他车辆的电池衰减速率，V_SOHC为所述车辆自身电池的衰减速率。

4.根据权利要求1所述的电池寿命的互学习预测方法，其特征在于，根据所述第一估计结果对所述经验模型的参数进行修正，包括：

将第一学习结果作为先验估计，并将所述第一估计结果作为后验修正，采用卡尔曼滤波算法对所述经验模型的参数进行修正，其中，所述第一学习结果根据所述经验模型学习所述车辆自身电池的历史数据轨迹和所述其他车辆电池的历史数据轨迹获得。

5.根据权利要求4所述的电池寿命的互学习预测方法，其特征在于，根据所述第二估计结果对修正后的经验模型参数再次进行修正，包括：

将所述修正后的经验模型输出的第二学习结果作为先验估计，并将所述第二估计结果作为后验修正，采用所述卡尔曼滤波算法对所述修正后的经验模型参数再次进行修正。

6.根据权利要求1-5中任一项所述的电池寿命的互学习预测方法，其特征在于，基于大数据估计电池容量状态，获得第一估计结果，包括：

获取相同循环次数时车辆自身电池的第一寿命预测值和其他车辆电池的寿命预测值；

根据所述车辆自身电池的第一寿命预测值和所述其他车辆电池的寿命预测值进行加权计算，获得所述第一估计结果。

7.根据权利要求6所述的电池寿命的互学习预测方法，其特征在于，根据以下公式计算所述第一估计结果：

其中，在V_SOHCi≥V_SOHC时，

在V_SOHCi＜V_SOHC时，

SOHC1为所述第一估计结果，N为满足筛选条件车辆个数，P_i为权值系数，SOHC_i为所述其他车辆电池的寿命预测值，SOHCself1为所述车辆自身电池的第一寿命预测值。

8.根据权利要求1-5中任一项所述的电池寿命的互学习预测方法，其特征在于，根据所述机理模型和大数据估计电池容量状态，获得第二估计结果，包括：

获取第一预设循环次数时车辆自身电池的第二寿命预测值；

根据所述机理模型和大数据获取第一预设循环次数时车辆自身电池的寿命预测变化值；

根据所述车辆自身电池的第二寿命预测值和所述车辆自身电池的寿命预测变化值进行相加计算，获得所述第二估计结果。

9.根据权利要求8所述的电池寿命的互学习预测方法，其特征在于，根据以下公式计算所述第二估计结果：

SOHC2＝SOHCself2+ΔSOHC，

其中，SOHC2为所述第二估计结果，SOHCself2为所述车辆自身电池的第二寿命预测值，ΔSOHC为所述所述车辆自身电池的寿命预测变化值。

10.根据权利要求8所述的电池寿命的互学习预测方法，其特征在于，所述根据所述机理模型和大数据获取第一预设循环次数时车辆自身电池的寿命预测变化值，包括：

根据大数据获取其他车辆第二预设循环次数时电池的寿命预测变化值，其中，所述第二预设循环次数为所述其他车辆中各车辆在所述第一预设循环次数内电池已衰减循环次数；

根据机理模型获取车辆自身第二预设循环次数时电池的寿命预测变化值，以及车辆自身第三预设循环次数时电池的寿命预测变化值，其中，所述第三预设循环次数为所述其他车辆中各车辆在所述第一预设循环次数内电池未衰减循环次数；

根据所述其他车辆第二预设循环次数时电池的寿命预测变化值和所述车辆自身第二预设循环次数时电池的寿命预测变化值先进行加权计算，并将加权计算结果与所述车辆自身第三预设循环次数时电池的寿命预测变化值相加，获得所述车辆自身电池的寿命预测变化值。

11.根据权利要求10所述的电池寿命的互学习预测方法，其特征在于，根据以下公式计算所述车辆自身电池的寿命预测变化值：

其中，在V_SOHCi≥V_SOHC时，

在V_SOHCi＜V_SOHC时，

ΔSOHC为所述车辆自身电池的寿命预测变化值，N为满足筛选条件车辆个数，P_i为权值系数，ΔSOHCD_i为所述其他车辆第二预设循环次数时电池的寿命预测变化值，ΔSOHCM为所述车辆自身第二预设循环次数时电池的寿命预测变化值，ΔSOHCMelse为所述车辆自身第三预设循环次数时电池的寿命预测变化值。

12.一种计算机可读存储介质，其特征在于，其上存储有车辆电池寿命的互学习预测程序，该车辆电池寿命的互学习预测程序被处理器执行时实现权利要求1-11中任一项所述的车辆电池寿命的互学习预测方法。

13.一种云端服务器，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的车辆电池寿命的互学习预测程序，所述处理器执行所述车辆电池寿命的互学习预测程序时，实现权利要求1-11中任一项所述的车辆电池寿命的互学习预测方法。

14.一种车辆电池寿命的互学习预测装置，其特征在于，包括：

第一确定模块，用于确定经验模型，并获取车辆自身电池的历史数据轨迹，以及获取与所述车辆自身电池相适配的其他车辆电池的历史数据轨迹，并采用所述经验模型对所述车辆自身电池的历史数据轨迹和所述其他车辆电池的历史数据轨迹进行互学习；

第一估计模块，基于大数据估计电池容量状态，获得第一估计结果；

第一修正模块，用于在互学习过程中，根据所述第一估计结果对所述经验模型的参数进行修正；

第二确定模块，用于确定机理模型；

第二估计模块，用于根据所述机理模型和大数据估计电池容量状态，获得第二估计结果；

预测模块，用于采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据所述第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。

Images