CN114879070A - 一种电池状态评估方法及相关设备 - Google Patents
一种电池状态评估方法及相关设备 Download PDFInfo
- Publication number
- CN114879070A CN114879070A CN202210526019.4A CN202210526019A CN114879070A CN 114879070 A CN114879070 A CN 114879070A CN 202210526019 A CN202210526019 A CN 202210526019A CN 114879070 A CN114879070 A CN 114879070A
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- data
- data point
- 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.)
- Pending
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例提供一种电池状态评估方法及相关设备,该方法包括:根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH;若第一数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第一数据点偏离第二电池趋势模型的距离小于第二预设阈值,则将所述第一SOH确定为所述第一电池在所述目标电池周期的SOH,其中所述第一数据点包括所述第一状态数据和所述第一SOH,所述第一电池趋势模型用于表征所述第一电池的SOH的变化趋势,所述第二电池趋势模型用于表征目标类的电池的SOH的变化趋势,采用本申请实施例,能够获得更精准的SOH。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种电池状态评估方法及相关设备。
背景技术
动力电池随着老化其可存储的能量和提供的电量会随时间减少,动力电池的电池健康度(State of health,SOH)是用于评价动力电池老化程度的量化指标,精确的SOH状态评估,可以保障动力电池的安全可靠工作,优化动力电池系统使用,并为产品(比如汽车)的能量管理和安全管理等提供依据。动力电池老化最直观的表现为动力电池可释放能量降低和功率等级下降,内部反映为容量衰减和内阻增加,由于动力电池复杂的电化学动力学和多物理场耦合特性,其容量和内阻这些参数具有非线性、强时变等特征,且可观测参数有限。另外,动力电池的实际应用场景会包含更加复杂多变的运行工况,且动力电池的现网数据还存在使用场景不可控(比如不是完整电池周期)、数据缺失等问题。所有这些因素都使得高精度、强鲁棒性的动力电池的SOH估计极具挑战性。目前,常见的SOH评估方法包括电化学模型法和等效电路模型ECM法。
电化学模型法分为基于老化机理的方法和基于电化学阻抗谱(ElectrochemicalImpedance Spectroscopy,EIS)的方法,其中,基于老化机理的方法主要是对电池老化过程中锂离子浓度、固体电解质界面相(Solid Electrolyte Interphase,SEI)膜厚度和电极电导率的变化进行模拟,建立SOH预测模型,再通过SOH预测模型预测电池的SOH。而基于EIS的方法是通过测量电池的交流电流(Alternating Current,AC)阻抗来评估SOH。
ECM法根据电池的电气特性,通过电阻、电容等模拟电池的极化反应和自放电反应,使模型接近电池的实际情况。ECM法包括如下步骤:1.选择合适的ECM;2.ECM参数识别,通常方法包括混合脉冲功率特性(Hybrid PulsePower Characteristic,HPPC)测试、曲线拟合比较法等;3.以内阻和最大充电状态(state of charge,SOC)等作为状态变量,通过扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)等得出SOH。
然而,现有的SOH评估方法所得到的SOH误差通常较大,如何提高SOH的精度是本领域技术人员正在研究的技术问题。
发明内容
本申请实施例公开了一种电池状态评估方法及相关设备,能够提高SOH的精准度。
第一方面,本申请实施例提供一种电池状态评估方法,该方法包括:
根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
若第一数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第一数据点偏离第二电池趋势模型的距离小于第二预设阈值,则将所述第一SOH确定为所述第一电池在所述目标电池周期的SOH,其中所述第一数据点包括所述第一状态数据和所述第一SOH,所述第一电池趋势模型用于表征所述第一电池的SOH的变化趋势,所述第二电池趋势模型用于表征目标类的电池的SOH的变化趋势,所述目标类的电池包括所述第一电池和至少一个第二电池。
在上述方法中,通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH正常的情况下才将数据点中的SOH作为第一电池在目标电池周期的SOH,提高了SOH的准确性。
结合第一方面,在一种可选的方案中,所述方法还包括:
将所述第一数据点添加至数据集,其中,所述数据集包括多个数据点,每个数据点包括一个电池在一个电池周期的状态数据和所述一个电池在所述的一个电池周期的SOH;
通过所述数据集中关于所述第一电池的数据点训练所述第一电池趋势模型。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此后续基于该数据集对上述第一电池趋势模型进行更新时,可以得到准确性更高的第一电池趋势模型。
结合第一方面,在又一种可选的方案中,所述数据集中的多个数据点均为所述目标类的电池的数据点,所述方法还包括:通过所述数据集训练所述第二电池趋势模型。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此后续基于该数据集对上述第二电池趋势模型进行更新时,可以得到准确性更高的第二电池趋势模型。
结合第一方面,在又一种可选的方案中,所述将所述第一数据点添加至数据集之后,还包括:通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型,其中,所述SOH评估模型用于预测电池的SOH。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此基于该数据集可以训练得到预测效果更好的SOH评估模型,后续遇到无法直接通过推算方式确定SOH的情形,就可以通过SOH评估模型预测SOH。
结合第一方面,在又一种可选的方案中,所述通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型之后,还包括:
获取所述第一电池在第一时间段的第二状态数据;
若所述第一时间段不属于第一预设周期,则将所述第二状态数据输入所述SOH评估模型,得到第二SOH;
若第二数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且所述第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值,则将所述第二SOH确定为所述第一电池在所述第一时间段的SOH,所述第二数据点包括所述第二状态数据、所述第二SOH。
在这种方式中,针对不属于第一预设周期的状态数据,通过SOH评估模型来预测电池的SOH,解决了现有技术中基于非第一预设周期的状态数据无法确定SOH的问题。另外,通过SOH评估模型预测的SOH进一步通过第一电池趋势模型和第二电池趋势模型进行异常检测,有助于剔除异常SOH,提高了SOH的准确性。
结合第一方面,在又一种可选的方案中,还包括:
若所述第一时间段属于第一预设周期,则根据第一电池在第一时间段的第二状态数据获取所述第一电池的第三SOH;
若第三数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第三数据点偏离第二电池趋势模型的距离小于第二预设阈值,则将所述第三SOH确定为所述第一电池在所述第一时间段的SOH,其中,所述第三数据点包括所述第二状态数据和所述第三SOH。
在这种方式中,针对属于第一预设周期的状态数据,直接计算电池的SOH,并且通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH正常的情况下才将数据点中的SOH作为第一电池在目标电池周期的SOH,提高了SOH的准确性。
结合第一方面,在又一种可选的方案中,还包括:
若第三数据点偏离第一电池趋势模型的距离大于第一预设阈值,或所述第三数据点偏离第二电池趋势模型的距离大于第二预设阈值,则将所述第二状态数据输入所述SOH评估模型,得到第四SOH;
若第四数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值,则将所述第四SOH确定为所述第一电池在所述第一时间段的SOH,所述第四数据点包括所述第二状态数据、所述第四SOH。
在这种方式中,针对属于第一预设周期的状态数据,直接计算电池的SOH,并且通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH异常的情况下,进一步采用SOH评估模型来预测SOH,最终总能够获得一个准确性相对较高的SOH。
结合第一方面,在又一种可选的方案中,还包括:将所述第一电池在所述第一时间段的SOH与所述第一电池在历史上的SOH进行合并,得到所述第一电池的SOH的变化轨迹。
通过这种方法,可以得到第一电池的SOH随目标参数(比如里程)的变化情况,从而有便于用户对电池的整个生命周期的评判,以及在此基础上进行改良。
结合第一方面,在又一种可选的方案中,所述第一电池的SOH的变化轨迹用于表征SOH随目标参数的变化关系,所述目标参数包括里程、时间、循环数中的至少一项。
结合第一方面,在又一种可选的方案中,所述通过所述数据集中关于所述第一电池的数据点更新所述第一电池趋势模型,包括:
确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为所述第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;
根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
采用这种方法,能够考虑到更多数据点对第一电池趋势模型(或第二电池趋势模型)的影响,提升了第一电池趋势模型的鲁棒性。同时,在考虑更多数据点的影响的同时,势必会引入一些非典型的数据点,如果赋予这类非典型的数据点与典型数据点具有同样的影响力,那么基于这些数据点训练出的第一电池趋势模型的准确性可能无法得到保证,因此本申请实施例提出针对不同的数据点设置不同的置信度,通过置信度的设置来对不同数据点的影响进行差异化,能够提升最终训练出的第一电池趋势模型的准确性。
结合第一方面,在又一种可选的方案中,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
第二方面,本申请实施例提供一种电池状态评估方法,该方法包括:
确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
采用这种方法,能够考虑到更多数据点对第一电池趋势模型(或第二电池趋势模型)的影响,提升了第一电池趋势模型的鲁棒性。同时,在考虑更多数据点的影响的同时,势必会引入一些非典型的数据点,如果赋予这类非典型的数据点与典型数据点具有同样的影响力,那么基于这些数据点训练出的第一电池趋势模型的准确性可能无法得到保证,因此本申请实施例提出针对不同的数据点设置不同的置信度,通过置信度的设置来对不同数据点的影响进行差异化,能够提升最终训练出的第一电池趋势模型的准确性。
第三方面,本申请实施例提供一种电池状态评估装置,该装置包括:
第一获取单元,用于根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
第一确定单元,用于在第一数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第一数据点偏离第二电池趋势模型的距离小于第二预设阈值的情况下,将所述第一SOH确定为所述第一电池在所述目标电池周期的SOH,其中所述第一数据点包括所述第一状态数据和所述第一SOH,所述第一电池趋势模型用于表征所述第一电池的SOH的变化趋势,所述第二电池趋势模型用于表征目标类的电池的SOH的变化趋势,所述目标类的电池包括所述第一电池和至少一个第二电池。
在上述方法中,通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH正常的情况下才将数据点中的SOH作为第一电池在目标电池周期的SOH,提高了SOH的准确性。
结合第二方面,在一种可选的方案中,所述装置还包括:
添加单元,用于将所述第一数据点添加至数据集,其中,所述数据集包括多个数据点,每个数据点包括一个电池在一个电池周期的状态数据和所述一个电池在所述的一个电池周期的SOH;
第一训练单元,用于通过所述数据集中关于所述第一电池的数据点训练所述第一电池趋势模型。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此后续基于该数据集对上述第一电池趋势模型进行更新时,可以得到准确性更高的第一电池趋势模型。
结合第三方面,在又一种可选的方案中,所述数据集中的多个数据点均为所述目标类的电池的数据点,所述装置还包括:
第二训练单元,用于通过所述数据集训练所述第二电池趋势模型。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此后续基于该数据集对上述第二电池趋势模型进行更新时,可以得到准确性更高的第二电池趋势模型。
结合第三方面,在又一种可选的方案中,还包括:
第三训练单元,用于在所述将所述第一数据点添加至数据集之后,通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型,其中,所述SOH评估模型用于预测电池的SOH。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此基于该数据集可以训练得到预测效果更好的SOH评估模型,后续遇到无法直接通过推算方式确定SOH的情形,就可以通过SOH评估模型预测SOH。
结合第三方面,在又一种可选的方案中,还包括:
第二获取单元,用于在所述通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型之后,获取所述第一电池在第一时间段的第二状态数据;
第一输入单元,用于在所述第一时间段不属于第一预设周期的情况下,将所述第二状态数据输入所述SOH评估模型,得到第二SOH;
第二确定单元,用于在第二数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且所述第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值的情况下,将所述第二SOH确定为所述第一电池在所述第一时间段的SOH,所述第二数据点包括所述第二状态数据、所述第二SOH。
在这种方式中,针对不属于第一预设周期的状态数据,通过SOH评估模型来预测电池的SOH,解决了现有技术中基于非第一预设周期的状态数据无法确定SOH的问题。另外,通过SOH评估模型预测的SOH进一步通过第一电池趋势模型和第二电池趋势模型进行异常检测,有助于剔除异常SOH,提高了SOH的准确性。
结合第三方面,在又一种可选的方案中,还包括:
第三获取单元,用于在所述第一时间段属于第一预设周期的情况下,则根据第一电池在第一时间段的第二状态数据获取所述第一电池的第三SOH;
第三确定单元,用于在第三数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第三数据点偏离第二电池趋势模型的距离小于第二预设阈值的情况下,将所述第三SOH确定为所述第一电池在所述第一时间段的SOH,其中,所述第三数据点包括所述第二状态数据和所述第三SOH。
在这种方式中,针对属于第一预设周期的状态数据,直接计算电池的SOH,并且通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH正常的情况下才将数据点中的SOH作为第一电池在目标电池周期的SOH,提高了SOH的准确性。
结合第三方面,在又一种可选的方案中,还包括:
第二输入单元,用于在第三数据点偏离第一电池趋势模型的距离大于第一预设阈值,或所述第三数据点偏离第二电池趋势模型的距离大于第二预设阈值的情况下,将所述第二状态数据输入所述SOH评估模型,得到第四SOH;
第四确定单元,用于在第四数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值的情况下,将所述第四SOH确定为所述第一电池在所述第一时间段的SOH,所述第四数据点包括所述第二状态数据、所述第四SOH。
在这种方式中,针对属于第一预设周期的状态数据,直接计算电池的SOH,并且通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH异常的情况下,进一步采用SOH评估模型来预测SOH,最终总能够获得一个准确性相对较高的SOH。
结合第三方面,在又一种可选的方案中,还包括:
处理单元,用于将所述第一电池在所述第一时间段的SOH与所述第一电池在历史上的SOH进行合并,得到所述第一电池的SOH的变化轨迹。
通过这种方法,可以得到第一电池的SOH随目标参数(比如里程)的变化情况,从而有便于用户对电池的整个生命周期的评判,以及在此基础上进行改良。
结合第三方面,在又一种可选的方案中,所述第一电池的SOH的变化轨迹用于表征SOH随目标参数的变化关系,所述目标参数包括里程、时间、循环数中的至少一项。
结合第三方面,在又一种可选的方案中,在通过所述数据集中关于所述第一电池的数据点更新所述第一电池趋势模型方面,所述第一训练单元具体用于:
确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为所述第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;
根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
采用这种方法,能够考虑到更多数据点对第一电池趋势模型(或第二电池趋势模型)的影响,提升了第一电池趋势模型的鲁棒性。同时,在考虑更多数据点的影响的同时,势必会引入一些非典型的数据点,如果赋予这类非典型的数据点与典型数据点具有同样的影响力,那么基于这些数据点训练出的第一电池趋势模型的准确性可能无法得到保证,因此本申请实施例提出针对不同的数据点设置不同的置信度,通过置信度的设置来对不同数据点的影响进行差异化,能够提升最终训练出的第一电池趋势模型的准确性。
结合第三方面,在又一种可选的方案中,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
第四方面,本申请实施例提供一种电池状态评估装置,该装置包括:
第五确定单元,用于确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
拟合单元,用于通过所述第五数据点按照第一置信度对第一电池趋势模型进行拟合,以及通过所述第六数据点按照第二置信度对所述第一电池趋势模型进行拟合,其中,所述第一电池趋势模型用于表征所述第一电池的SOH的变化趋势。
第五方面,本申请实施例提供一种电池状态评估设备,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以实现第一方面或者第一方面的任一种可能的实现方式所描述的方法。
第六方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在处理器上运行时,实现第一方面或者第一方面的任一种可能的实现方式所描述的方法。
附图说明
以下对本申请实施例用到的附图进行介绍。
图1是本申请实施例提供的一种模型训练的架构示意图;
图2是本申请实施例提供的一种模型训练设备的结构示意图;
图3是本申请实施例提供的一种电池状态评估方法的流程示意图;
图4是本申请实施例提供的一种电池状态评估方法的流程示意图;
图5是本申请实施例提供的一种电池状态评估方法的流程示意图;
图6是本申请实施例提供的一种电池状态评估装置的结构示意图;
图7是本申请实施例提供的一种电池状态评估装置的结构示意图;
图8是本申请实施例提供的一种电池状态评估设备的结构示意图;
图9是本申请实施例提供的一种电池状态评估设备的结构示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参见图1,图1是本申请实施例提供的一种模型训练的架构示意图,该架构10包括云端平台100、模型训练设备101和一个或多个模型使用设备102,该云端平台100与该模型训练设备101之间,以及该模型训练设备101与该模型使用设备102之间,可以通过有线或者无线的方式进行通信,因此该模型训练设备101可以从该云端平台100获取训练所需的电池的数据,该模型训练设备101可以基于训练出的与电池健康度(State of health,SOH)相关的模型执行相应操作,比如预测SOH、检测SOH是否异常等。该模型训练设备101可以将训练出的与SOH相关的模型发送给模型使用设备102使用。
可选的,该模型使用设备102可以将基于该模型预测的结果反馈给上述模型训练设备101,使得模型训练设备101可以进一步基于该模型使用设备102的预测结果对模型做进一步的训练;重新训练好的模型可以发送给模型使用设备102对原来的模型进行更新。
该云端平台100可以为一个服务器或者多个服务器组成的服务器集群,该云端平台100能够与多个电池使用设备(比如车辆)建立通信连接,因此可以接收各个电池使用设备发送的电池的数据。可选地,该云端平台100可以为汽车生产厂家生产(或开发,或销售)的用于对该厂家生产(或开发、或销售)的车辆的电池状态进行监控的平台,或者为车辆运营平台用于对车辆的电池状态进行监控的平台,或者为汽车信任(比如存在注册、或信息授权行为等)的第三方平台。因此,该云端平台100可以获取到很多电池的数据。
该模型训练设备101可以为具有较强计算能力的设备,例如,一个服务器,或者由多个服务器组成的一个服务器集群。该模型训练设备101可以训练第一电池趋势模型、第二电池趋势模型、SOH评估模型,其中,第一电池趋势模型对应了一个电池,用于表征该电池的SOH的大致走势,第二电池趋势模型对应了一类电池,用于表征该类电池的SOH的大致走势,因此,该第一电池趋势模型、该第二电池趋势模型也可以看作是两个拟合曲线。另外,该SOH评估模型用于根据输入的电池的状态数据预测电池的SOH。
图2为本申请实施例提供的一种模型训练设备的架构示意图,其包括预处理和特征工程模块201、电池容量计算模块202、电池趋势模型训练模块203和SOH评估模型训练和运用模块204,其中:
预处理和特征工程模块201用于对从云端平台100获取的电池的原始数据进行预处理、周期划分、周期特征提取,其中,预处理包括对数据进行空值处理、边界约束、数据类型转换等,周期划分包括根据数据中的描述的电量的变化情况或充放电标志将数据按周期划分,这个过程中可能会涉及到对数据进行切分、异常数据处理等。周期特征提取是从该数据中的特定类型的数据,该特定类型是既会在完整电池周期中出现,也会在部分电池周期中出现的数据类型,包括统计值特征、时序特征等。可选的,该原始数据可以包括电池的关键绩效指标(Key Performance Indicator,KPI)数据、电池所在的设备(比如车辆)的标识(比如车辆识别码(Vehicle Identification Number,VIN))、电池的类型、型号等,为了便于描述,可以称经预处理和特征工程模块201处理后得到的数据为状态数据。
电池容量计算模块202用于对经预处理和特征工程模块201处理后的状态数据进行分析,比如,分析其中各指标的范围(例如数据中描述的起始电流是否小于给定阀值)、分析该状态数据所对应的周期类型(比如根据数据中描述的起始剩余电量的范围进行分析),比如是完整电池周期还是部分电池周期,针对完整电池周期和部分电池周期的状态数据有两种不同处理路径,比如,如果是完整电池周期的状态数据,那么就通过电池容量计算模型,采用相应算法(比如安时积分法、OCV-SOC校准等)计算该状态数据对应的SOH。如果是部分电池周期的状态数据,则将该状态数据输出到SOH评估模型训练和运用模块204,通过SOH评估模型训练和运用模块204中的SOH评估模型预测该状态数据对应的SOH。
电池趋势模型训练模块203用于通过第一电池趋势模型、第二电池趋势模型对电池容量计算模块202中计算出的SOH进行异常检测,如果检测异常(即偏离趋势模型太远)则剔除掉,如果检测正常则保留该SOH和其对应的状态数据,然后将数据点输出到SOH评估模型训练和运用模块204,该SOH评估模型训练和运用模块204用于对输入的各个数据点进行训练,得到SOH评估模型,其中,数据点包括保留下来的SOH和其对应的状态数据,该第一电池趋势模型可以是基于线性、多项式、时序分析、移动平均、深度学习等算法得到,第二电池趋势模型可以是基于回归类算法、趋势类算法等得到;在异常检测可能应用到统计类、聚类、移动平均、时序分析、树模型算法等算法。
SOH评估模型训练和运用模块204还可以通过SOH评估模型预测电池的SOH,或者接收经第一电池趋势模型和第二电池趋势模型进行异常检测后的SOH。
SOH评估模型训练和运用模块204在获得出某个电池的SOH后,还可以将该SOH与该某个电池在历史上记录的SOH进行拼接,得到该电池的SOH变化趋势关系。
该模型使用设备102为需要检测电池的SOH的设备,例如,手持设备(例如,手机、平板电脑、掌上电脑等)、车载设备(例如,汽车、自行车、电动车、飞机、船舶等)、可穿戴设备(例如智能手表(如iWatch等)、智能手环、计步器等)、智能家居设备(例如,冰箱、电视、空调、电表等)、智能机器人、车间设备,等等。
请参见图3,图3是本申请实施例提供的一种电池状态评估方法,该方法可以基于图1和图2所示的架构来实现,也可以基于其他架构来实现,该方法包括但不限于如下步骤:
步骤S301:模型训练设备获取第一电池的数据。
具体地,模型训练设备可以接收其他设备发送的第一电池的数据,比如该其他设备可以是云端平台(前面已介绍),或者其他存储设备,比如U盘设备;当然,该其他设备还可以是使用第一电池的产品设备,比如车载设备、手持设备、智能家居设备、可穿戴设备、车间设备等。该模型训练设备与该其他设备可以通过网络、或者数据线等方式建立通信连接。
本申请实施例中,该模型训练设备可以获取一个或多个电池的数据,当其用于获取一个电池的数据时,该第一电池就是该一个电池,当其用于获取多个电池的数据时,该第一电池为该多个电池中的一个,这种情况,后面关于第一电池的相关描述相当于举例说明,针对该多个电池中任意一个电池的数据的处理方式与提及的针对第一电池的数据的处理方式相同。
该数据可以为第一电池的原始数据或状态数据,其中,状态数据是对原始数据经过预处理、周期划分、周期特征提取(可选)等处理后得到的有效的可供训练使用的数据。其中,该原始数据可以包括电池的关键绩效指标(Key Performance Indicator,KPI)数据、电池的类型(比如锂电池类型)、电池的型号;当然还可以包括电池所在的产品设备的信息,比如当该产品设备为车辆时,该产品设备的信息可以包括车辆VIN、车辆行驶里程、车辆的时间等。
该状态数据包括如下信息:
1.该电池KPI的变化情况。
2.该电池KPI的周期特性,用于表明该电池KPI为完整电池周期的KPI,或者为部分电池周期的KPI。比如可以根据电池KPI中体现的电池开始充电时刻的电量、电池结束充电时刻的电量等信息确定的确定周期特性,或者根据电池KPI中体现的电池开始放电时刻的电量、电池结束放电时刻的电量等信息确定的确定周期特性;通常来讲,开始充电时刻的电量越少且结束充电时刻的电量越多,则确定出的更有可能为一个完整电池周期,或者,开始放电时刻的电量越多且结束放电时刻的电量越少,则确定出的更有可能为一个完整电池周期,在具体计算前会先设置电池电量的参考值,用于衡量电池电量的多少,以便于确定电池周期特性。
本申请实施例中,一个电池周期是指一个放电周期或者一个充电周期,一个放电周期是指从开始放电到结束放电的过程,一个充电周期是指开始充电到充电结束的过程,其中:
电池周期又可以分为完整电池周期和部分电池周期,其中,完整电池周期具有如下特性:
完整电池周期可以为一个完整充电周期,这种情况下,开始充电时刻的电量小于第一电量阈值,且结束充电时刻的电量大于第二电量阈值,可选的,还可以进一步限定结束充电时刻的电量与开始充电时刻的电量的差值大于预设的第一电量差值,这些条件能够保证电池进行较充分地充电。这里的第一电量阈值、第二电量阈值、第一电量差值均可以为开发人员根据经验和实际需要进行设置的静态值,当然也有可能是基于一些特定场景或特定参数生成的动态值,通常,第一电量阈值较小,第二电量阈值较大,比如第一电量阈值为15*%,第二电量阈值为85*%,第一电量差值为75%*H,其中,H为电池的最大容量。
完整电池周期可以为一个完整放电周期,这种情况下,开始放电时刻的电量大于第三电量阈值,且结束放电时刻的电量小于第四电量阈值,可选的,还可以进一步限定开始放电时刻的电量与结束放电时刻的电量的差值大于预设的第二电量差值,这些条件能够保证电池进行较充分地放电。这里的第三电量阈值、第四电量阈值、第二电量差值均可以为开发人员根据经验和实际需要进行设置的静态值,当然也有可能是基于一些特定场景或特定参数生成的动态值,通常,第三电量阈值较大,第四电量阈值较小,比如第三电量阈值为86*%,第四电量阈值为16*%,第二电量差值为74%*H,其中,H为电池的最大容量。
相应的,若一个电池周期不是上面提到的完整电池周期,则该电池周期为部分电池周期。
3.在记录该电池KPI的起始时刻,该电池所在产品设备起始状态,比如该产品设备为车辆时,该起始状态可以为记录KPI的起始时刻,电池所在车辆的里程、时间、循环数等参数指标。可选的,也可以包括在记录该电池KPI的结束时刻,该电池所在产品设备结束状态。
可以理解,该模型训练设备如果获取的电池的原始数据,则会对该原始数据进行处理从而得到该状态数据;该模型训练设备如果获取的是电池的状态数据则无需进行相应处理。
步骤S302:模型训练设备根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH。
具体地,该目标电池周期属于以上提及的完整电池周期,第一电池在目标电池周期的状态数据可以称为第一状态数据,第一状态数据的获取方式可以参照步骤S301中关于状态数据的获取的说明。本申请实施例中,可以根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH,获取的方式可以具体为计算,比如,应用安培积分进行计算。可选的,还可通过开路电压(Open Circuit Voltage,OCV)-SOC曲线对计算结果进行修正。
步骤S303:若第一数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第一数据点偏离第二电池趋势模型的距离小于第二预设阈值,则模型训练设备将所述第一SOH确定为所述第一电池在所述目标电池周期的SOH。
具体地,所述第一数据点包括所述第一状态数据和所述第一SOH,通过所述第一状态数据和所述第一SOH构建一个数据点,是为了便于后续进行计算。
所述第一电池趋势模型用于表征所述第一电池的SOH的变化趋势,比如SOH随目标参数的变化趋势,所述目标参数包括电池所在的产品设备的里程、时间、循环数中的一项或多项,当然该目标参数还可以是其他能够反应电池所在的产品设备的状态变化的参数。可选的,该第一电池趋势模型可以是基于相应算法对历史上获取的该第一电池的多组状态数据和SOH(相当于多个数据点)进行训练得到的,该相应算法可以包括线性回归(LinearRegression,LR)、多项式回归、时序分解、移动平均(Moving Average,MA)、指数平滑(Exponential Smoothing,ES)、自回归移动平均模型(Autoregressive IntegratedMoving Average model,ARIMA)、循环神经网络(Recurrent Neural Network,RNN)、长短时记忆神经网络(Long Short-Term Memory,LSTM)算法中的一项或多项,当然还可能包括其他算法。
第二电池趋势模型用于表征目标类的电池的SOH的变化趋势,比如SOH随目标参数的变化趋势,目标类的电池包括所述第一电池和至少一个第二电池。也即是说,第一电池和第二电池属于同一类电池,为了便于描述称其为目标类,可以理解,对电池进行分类时,可以是大类,也可以是细分类,当为细分类时,该第二电池趋势明的精确度越高。可选的,该第二电池趋势模型可以是基于相应算法对历史上获取的该第一电池的状态数据和SOH,以及该第二电池的状态数据和SOH共同进行训练得到的,该相应算法可与训练第一电池趋势模型的算法相同,也可以不同。
为了便于理解,该第一电池趋势模型和第二电池趋势模型均可以认为是二维坐标系,坐标系的横轴为电池的状态数据的量化参数(或者说电池趋势模型中的部分参数,比如里程、时间等),坐标系的纵轴为SOH,因此,一个包括第一状态数据和所述第一SOH的第一数据点,可以在该二维坐标系中评价其与第一电池趋势模型的距离和与第二电池趋势模型的距离。
本申请实施例中,该第一预设阈值和第二预设阈值可以相同也可以不同,第一预设阈值和第二预设阈值可以是研发人员根据经验设置的,或者通过对相应数据(比如多个数据点中的SOH值与电池趋势模型中的多个拟合值SOH的均方误差)进行统计和/或分析得到的,其可以为动态参数也可以为静态参数。将第一数据点与第一电池趋势模型、第二电池趋势模型进行比较,从而完成异常检测,当第一数据点偏离第一电池趋势模型的距离小于第一预设阈值时,认为第一数据点与第一电池趋势模型较近,因此判定第一数据点正常,当第一数据点偏离第一电池趋势模型的距离(比如数据点中的SOH值与电池趋势模型中的拟合值SOH的差值)大于第一预设阈值时,认为第一数据点与第一电池趋势模型较远,因此第一数据点异常;同理,当第一数据点偏离第二电池趋势模型的距离小于第二预设阈值时,认为第一数据点与第二电池趋势模型较近,因此判定第一数据点正常,当第一数据点偏离第二电池趋势模型的距离大于第二预设阈值时,认为第一数据点与第二电池趋势模型较远,因此第一数据点异常;在判断第一数据点偏离第一电池趋势模型或第二电池趋势模型的距离时,可以具体用到统计类方法N西格玛准则N-sigma、箱形图box-plot、聚类方法k均值聚类k-means、基于密度的聚类(Density-Based Spatial Clustering of Applicationswith Noise,DBSCAN)、综合层次聚类(Balanced IterativeReducing and Clusteringusing Hierarchies,BIRCH)、时序序列分解类方法、树模型类方法孤立森林(IsolationForest,iForest)等异常检测算法。
本申请实施例中,当通过第一电池趋势模型和第二电池趋势模型中任意一个电池趋势模型判定第一数据点异常则会最终认为该第一数据点异常,只有在两个电池趋势模型都判定第一数据点正常的情况下,才最终认为第一数据点正常,因此将该第一数据点中的第一SOH(也即前面计算得到的第一SOH)确定为所述第一电池在所述目标电池周期的SOH。
可选的,还可以进一步包括步骤S304-S305。
步骤S304:模型训练设备将所述第一数据点添加至数据集。
其中,所述数据集包括多个数据点,每个数据点包括一个电池在一个电池周期的状态数据和所述一个电池在所述的一个电池周期的SOH,这里提及的电池周期为完整电池周期。
情况一,该数据集中的多个数据点均为所述目标类的电池的数据点,即该数据集中既包括第一电池的数据点,也包括与第一电池属于同类电池的第二电池的数据点。
情况二,该数据集中的多个数据点均为第一电池的数据点。这种情况下,还可以存在另外一个数据集,该另外一个数据集中既包括第一电池的数据点,也包括与第一电池属于同类电池的第二电池的数据点。
将该第一数据点添加到数据集,相当于增加了训练模型所需的训练数据。
按照同样的原理,可以增加很多与第一电池相关的数据点都数据集中。可选地,还可以增加很多与第二电池相关的数据点到数据集中。
步骤S305:模型训练设备通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型。
在满足一定条件的情况下,比如数据集中新增的数据点的数量达到预设的数量阈值时,或者当达到预设的时间周期时,则触发进行SOH评估模型的训练。
其中,所述SOH评估模型用于预测电池的SOH,本次训练SOH评估模型既可以是初次训练,也可以是在已有SOH评估模型的基础上重新训练SOH评估模型,重新训练相当于对已有的SOH评估模型进行更新,该更新过程包括但不限于如下方式:第一,不依赖于已有的SOH评估模型,直接基于数据集中的数据点训练全新的SOH评估模型;第二,在已有的SOH评估模型的基础上,基于数据集中新增的数据点进行训练,得到新的SOH评估模型。
需要说明的是,原本数据集中每个数据点包括一个SOH和一个电池周期,即一个SOH对应一个电池周期的状态数据,现在从该一个电池周期的状态数据中划分出一个或多个时间片段对应的状态数据,然后确定该一个SOH与该一个电池周期中的一个或多个时间片段的状态数据对应,这样相当于重新构建了与原数据点相似的数据点,为便于描述可以称为准数据点。该一个或多个时间片段中包含了周期特征,部分电池周期(即非完整电池周期)的状态数据通常也包括该周期特征,比如统计值特征、时序特征等。
基于这种方式可以基于一个数据点构建出对应多个不同长短的时间片段准数据点。比如,一个数据点中的电池周期是电池剩余电量为5%时开始充电并持续充电到剩余电量为95%的过程,那么在充电过程中每个时刻该电池都会对应相应的数据,比如剩余电量(或电荷)、电压等参数,这些都属于状态数据,不同时刻或者时间段对应的状态数据可能不同。
案例1:基于该一个数据点得到的准数据点包括的状态数据,可以包括电池剩余电量为10%时开始充电并持续充电到剩余电量为50%的这个时间片段对应的状态数据,并且基于该一个数据点得到的准数据点包括的SOH为,基于电池周期(电池剩余电量为5%时开始充电并持续充电到剩余电量为95%的过程)计算得到的SOH。
案例2:基于该一个数据点得到的准数据点包括的状态数据,可以包括电池剩余电量为60%时开始充电并持续充电到剩余电量为90%的这个时间片段对应的状态数据,并且基于该一个数据点得到的准数据点包括的SOH为,基于电池周期(电池剩余电量为5%时开始充电并持续充电到剩余电量为95%的过程)计算得到的SOH。
案例1和案例2均为可能的准数据点,基于同样原理还可以得到很多其他的准数据点。
现有技术中,基于部分电池周期(即非完整电池周期,也即时间片段)的状态数据通常无法计算出SOH,但是采用本申请实施例的方式,构建出的准数据点能够反映部分电池周期的状态数据与SOH的对应关系。因此,基于衍生出的准数据点进行训练,就可以获得能够基于部分电池周期的状态数据预测SOH的SOH评估模型。
可选地,训练SOH评估模型用到的数据除了上述准数据点外,还可以包括构建该准数据点的数据点,这样训练出的SOH评估模型也可以基于完整电池周期的状态数据预测SOH。
可选的,还可以进一步包括步骤S306-S307。
步骤S306:模型训练设备通过所述数据集中关于所述第一电池的数据点训练所述第一电池趋势模型。
在满足一定条件的情况下,比如数据集中新增的数据点的数量达到预设的数量阈值时,或者当达到预设的时间周期时,则触发进行第一电池趋势模型的训练。
本次训练是在已有第一电池趋势模型的基础上重新训练第一电池趋势模型,重新训练相当于是对已有的第一电池趋势模型进行更新,这个更新过程包括但不限于如下方式:第一,不依赖于已有的第一趋势模型,直接基于数据集中的关于第一电池的数据点训练全新的第一电池趋势模型;第二,在已有的电池趋势模型的基础上,基于数据集中关于第一电池的新增的数据点进行训练,得到新的第一电池趋势模型。后续再要使用第一电池趋势模型,则是使用最新的第一电池趋势模型。
本申请实施例中,重新训练第一电池趋势模型要用到多个数据点,可以赋予不同的数据点不同的置信度(或者说权重),使得不同的数据点在对第一电池趋势模型的影响上能够差异化,在一种可选方案中,该多个数据点中任意两个数据点的置信度均不同,在又一种可选方案中,该多个数据点中至少有两个数据点的置信度不相同,为便于理解,下面进行举例说明。
假若该多个数据点中包括第五数据点和第六数据点,请参见图4存在如下执行流程:
步骤1,确定所述第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,得到的差值可以称为第一SOC差值;同理,确定所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,得到的差值可以称为第二SOC差值。
步骤2,根据第五数据点确定电池的SOH,根据第六数据点确定电池的SOH。
步骤3,为第五数据点赋予第一置信度,为第六数据点赋予第二置信度,比如,预先存在一个置信度与SOC差值的对应关系表,如表1,从该关系表中查找第一SOC差值对应的置信度,作为第一置信度,从该关系表中查找第二SOC差值对应的置信度,作为第二置信度。
表1
SOC差值x(单位Ah) | 置信度 |
x<=30 | 0.2 |
30<x<=35 | 0.4 |
35<x<=40 | 0.6 |
X>40 | 0.9 |
其中,每个SOC差值区间对应的置信度的值具体是多少,可以根据经验和需要进行设置,表1中的具体数值仅为举例。
步骤4,将每个数据点对应的里程设置为模型的输入,将对应的SOH作为模型的输出。比如,将第五数据点中状态数据对应的起始里程作为模型的输入,将第五数据点中的SOH作为模型的输出;以及,将第六数据点中状态数据对应的起始里程作为模型的输入,将第六数据点中的SOH作为模型的输出。这里的输出还可以是其他目标参数,比如时间、循环数等。
步骤5,通过多个数据点训练第一电池趋势模型,并通过每个数据点对应的置信度约束每个数据点对第一电池趋势模型的影响,比如,通过第一置信度约束第五数据点对第一电池趋势模型的影响,通过第二置信度约束第六数据点对第一电池趋势模型的影响。通常来讲,如果一个数据点对应的置信度越大,则该数据点在训练时对第一电池趋势模型的影响也越大。
可选的,对第二电池趋势模型的训练也可以参照对第一电池趋势模型的训练方式,具体细节此处不再赘述。另外,无论是初次训练,还是针对已有模型进行更新,都可采用此方法。
采用图4所示的方式,能够考虑到更多数据点对第一电池趋势模型(或第二电池趋模型)的影响,提升了第一电池趋势模型的鲁棒性。同时,在考虑更多数据点的影响的同时,势必会引入一些非典型的数据点,如果赋予这类非典型的数据点与典型数据点具有同样的影响力,那么基于这些数据点训练出的第一电池趋势模型的准确性可能无法得到保证,因此本申请实施例提出针对不同的数据点设置不同的置信度,通过置信度的设置来对不同数据点的影响进行差异化,能够提升最终训练出的第一电池趋势模型的准确性。
步骤S307:模型训练设备通过所述数据集训练所述第二电池趋势模型。
在满足一定条件的情况下,比如数据集中新增的数据点的数量达到预设的数量阈值时,或者当达到预设的时间周期时,则触发进行第一电池趋势模型的训练。
需要说明的是,本申请实施例中更新SOH评估模型、第一电池趋势模型、第二电池趋势模型的条件可以相同也可以不同,具体视设置而定。
本次训练是在已有第二电池趋势模型的基础上重新训练第二电池趋势模型,重新训练相当于是对已有的第二电池趋势模型进行更新,这个更新过程包括但不限于如下方式:第一,不依赖于已有的第二趋势模型,直接基于数据集中的数据点训练全新的第二电池趋势模型;第二,在已有的电池趋势模型的基础上,基于数据集中的数据点进行训练,得到新的第二电池趋势模型。后续再要使用第二电池趋势模型,则是使用最新的第二电池趋势模型。
在一种可选的方案中,模型使用设备也可以执行图3所示的方法中的步骤S302、S303,这种情况下,第一状态数据可以由该模型使用设备自己生成。包括后续的步骤S304-307也可以在模型使用设备上完成。
在图3所示的方法中,通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH正常的情况下才将数据点中的SOH作为第一电池在目标电池周期的SOH,提高了SOH的准确性。
进一步的,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此后续基于该数据集对上述第一电池趋势模型、第二电池趋势模型进行更新时,可以得到准确性更高的第一电池趋势模型和第二电池趋势模型。另外,基于该数据集也可以训练得到预测效果更好的SOH评估模型,后续遇到无法直接通过推算方式确定SOH的情形,就可以通过SOH评估模型预测SOH。
除此之外,本申请中的第一电池趋势模型、第二电池趋势模型和SOH评估模型都可以基于现网数据(包括状态数据和确定的SOH)进行训练,相比较有限受控的实验环境中得到的数据,采用本身实施例得到的各种模型在反映SOH特性上更加符合真实工况条件。
请参见图5,图5是本申请实施例提供的一种电池状态评估方法,该方法可以基于图1和图2所示的架构来实现,也可以基于其他架构来实现,该方法可以是对图3所示方法的补充,比如图3所示的方法中提及了第一电池趋势模型、第二电池趋势模型、SOH评估模型,那么当获取了一条电池的状态数据之后,该如何基于状态数据确定SOH,需要说明的是,执行图5所示方法中步骤S501-S510的主体既可以是上述模型训练设备,也可以是上述模型使用设备,下面对步骤S501-S510进行展开说明。
步骤S501:获取所述第一电池在第一时间段的第二状态数据。
具体地,第一电池在第一时间段的状态数据可以称为第二状态数据,第二状态数据的获取方式可以参照步骤S301中关于状态数据的获取的说明。
步骤S502:确定所述第一时间段是否属于第一预设周期。
具体的,该第一预设周期属于完整的电池周期,怎样算完整的电池周期可以预先设置的。
比如,如果将“电池剩余电量从10%充电到85%的过程”设置为完整周期的临界值,那么只要充电过程涵盖了“电池剩余电量从10%充电到85%的过程”就算作一个完整的电池周期,比如“电池剩余电量从5%充电到90%的过程”涵盖了“电池剩余电量从10%充电到85%的过程”,因此“电池剩余电量从5%充电到90%的过程”属于一个完整的电池周期。
再如,如果将“电池剩余电量从85%放电到10%的过程”设置为完整周期的临界值,那么只要放电过程涵盖了“电池剩余电量从85%充电到10%的过程”就算作一个完整的电池周期,比如“电池剩余电量从90%放电到5%的过程”涵盖了“电池剩余电量从85%放电到10%的过程”,因此“电池剩余电量从90%放电到10%的过程”属于一个完整的电池周期。
确定所述第一时间段是否属于第一预设周期具体包括:判断在所述第一时间段内,充电或者放电规律是否满足完整的电池周期的充电或放电规律,若是,则所述第一时间段属于第一预设周期,若否则所述第一时间段不属于第一预设周期。
步骤S503:若所述第一时间段不属于第一预设周期,则将所述第二状态数据输入所述SOH评估模型,得到第二SOH。
也即是说,在第一时间段的第二状态数据不属于完整的电池周期的状态数据的情况下,通过前面训练得到的SOH评估模型来预测SOH,可以称此处得到的SOH为第二SOH。
步骤S504:若第二数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值,则将所述第二SOH确定为所述第一电池在所述第一时间段的SOH。
所述第二数据点包括所述第二状态数据、所述第二SOH,也即是说,在步骤S503中根据第二状态数据预测得到第二SOH之后,根据所述第二状态数据、所述第二SOH构建数据点,该数据点称为第二数据点。
该第二数据点不仅要跟第一电池趋势模型进行比较,还要跟第二电池趋势模型进行比较,若第二数据点偏离第一电池趋势模型的距离小于第四预设阈值,且所述第二数据点偏离第二电池趋势模型的距离小于第三预设阈值,则将所述第二SOH确定为所述第一电池在所述第一时间段的SOH,该第四预设阈值可以与第三预设阈值相同,也可以不同。将第二数据点与第一电池趋势模型和第二电池趋势模型比较的方式,与将第一数据点与第一电池趋势模型和第二电池趋势模型比较的方式相同。在这种方案中,当通过第一电池趋势模型和第二电池趋势模型中任意一个电池趋势模型判定第二数据点异常则会最终认为该第二数据点异常,只有在两个电池趋势模型都判定第二数据点正常的情况下,才最终认为第二数据点正常,因此将该第二数据点中的第二SOH(也即前面通过SOH评估模型预测的第二SOH)确定为所述第一电池在所述第一时间段的SOH。
在另外一种替代的可选方案中,在第二数据点偏离所述第二电池趋势模型的距离小于第三预设阈值的情况下,表明第二数据点正常,在第二数据点偏离所述第二电池趋势模型的距离不小于第三预设阈值的情况下,表明第二数据点异常。其中,第三预设阈值可以是研发人员根据经验设置的,或者通过对相应数据进行统计和/或分析得到的,其可以为动态参数也可以为静态参数,第三预设阈值跟第二预设阈值可以相同,也可以不同。在确定第二数据点正常的情况下,将该第二数据点中的第二SOH(也即前面通过SOH评估模型预测的第二SOH)确定为所述第一电池在所述第一时间段的SOH。
步骤S505:若所述第一时间段属于第一预设周期,则根据第一电池在第一时间段的第二状态数据推导所述第一电池的第三SOH。
具体的,根据第一电池在第一时间段的第二状态数据推导所述第一电池的第三SOH的方式,与步骤S302中提及的“根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH”的方式相同,此处不再展开说明。
步骤S506:若第三数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第三数据点偏离第二电池趋势模型的距离小于第二预设阈值,则将所述第三SOH确定为所述第一电池在所述第一时间段的SOH。
其中,所述第三数据点包括所述第二状态数据和所述第三SOH。
具体的,步骤S506的实现原理与步骤S303的实现原理相同,此处不再展开说明。
步骤S507:若第三数据点偏离第一电池趋势模型的距离大于第一预设阈值,或所述第三数据点偏离第二电池趋势模型的距离大于第二预设阈值,则将所述第二状态数据输入所述SOH评估模型,得到第四SOH。
步骤S508:若第四数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值,则将所述第四SOH确定为所述第一电池在所述第一时间段的SOH。
其中,所述第四数据点包括所述第二状态数据和所述第四SOH。
具体的,步骤S508的实现原理与步骤S504的实现原理相同。需要说明的是,步骤S507-S508所提供的确定第一电池在第一时间段的SOH的方式还存在其他替代方案,比如,若第三数据点偏离第一电池趋势模型的距离大于第一预设阈值,或所述第三数据点偏离第二电池趋势模型的距离大于第二预设阈值,直接将该第三数据点代入第一电池趋势模型,或者第二电池趋势模型,从而得到第一电池在第一时间段的SOH。比如,查找第一电池趋势模型或者第二电池趋势模型中,该第三数据点中的第二状态数据所对应的SOH,然后将对应的SOH作为第一电池在第一时间段的SOH。
步骤S509:将所述第一电池在所述第一时间段的SOH与所述第一电池在历史上的SOH进行合并,得到所述第一电池的SOH的变化轨迹。
具体的,第一电池在第一时间段的SOH可以认为是一个时刻(比如该第一时间段的起始时刻)对应的SOH,也可以认为是一个里程(比如该第一时间段的起始时刻第一电池所在车辆的里程)对应的SOH,也可以认为是一个循环数(比如该第一时间段的起始时刻第一电池所在车辆的里程)对应的SOH。因此,将所述第一电池在所述第一时间段的SOH与所述第一电池在历史上的SOH进行合并(或者说拼接),就可以得到所述第一电池的SOH随目标参数(比如时间、里程、循环数等)的变化轨迹。
电池的SOH对电池的使用寿命有重要影响,SOH状态是预测电池剩余可用寿命(Remaining Useful Life,RUL)的前提,精确的SOH状态评估,可以为电池的定期维护和安全评估提供基础,从而保障动力电池系统的安全可靠工作,优化动力电池系统使用,在汽车领域,精确的SOH可以为汽车三包条例、能量管理和安全管理等提供依据,保障车主的正常使用,以及车辆的安全稳定运行。
需要说明的是,以上主要提及如何获取电池的SOH,无论是第一电池趋势模型、第二电池趋势模型,还是SOH评估模型,其主要考虑指标均为SOH,而实际上,电池中与SOH相类似的特性参数还有很多,比如电池的实际最大容量、内阻等,这些参数的获取方式或运用方式,均可以参照前面提及的SOH的获取方式或运用方式。比如,第一电池趋势模型、第二电池趋势模型可以具体为电池的实际最大容量、内阻随目标参数(比如里程、时间、循环数等)的变化趋势关系。
在图5所描述的方法中,针对完整电池周期和部分电池周期的状态数据,分别采用不同的方式确定SOH,其中,针对完整周期的状态数据先采用计算的方式确定SOH,针对部分电池周期的状态数据采用SOH评估模型预测SOH,两种方式得到SOH都会基于前面得到的第一电池趋势模型和第二电池趋势模型进行异常检测,在正常的情况将得到的SOH确定为第一电池在第一时间段的SOH。采用这种方式,使得完整电池周期的SOH和部分电池周期的SOH都可以获取,提高了电池的SOH的获取效率和准确性。
上述详细阐述了本申请实施例的方法,下面提供了本申请实施例的装置。
请参见图6,图6是本申请实施例提供的一种电池状态评估装置的结构示意图,该装置60可以包括第一获取单元601、第一确定单元602,其中,各个单元的详细描述如下。
第一获取单元601,用于根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
第一确定单元602,用于在第一数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第一数据点偏离第二电池趋势模型的距离小于第二预设阈值的情况下,将所述第一SOH确定为所述第一电池在所述目标电池周期的SOH,其中所述第一数据点包括所述第一状态数据和所述第一SOH,所述第一电池趋势模型用于表征所述第一电池的SOH的变化趋势,所述第二电池趋势模型用于表征目标类的电池的SOH的变化趋势,所述目标类的电池包括所述第一电池和至少一个第二电池。
在上述方法中,通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH正常的情况下才将数据点中的SOH作为第一电池在目标电池周期的SOH,提高了SOH的准确性。
在一种可选的方案中,所述装置60还包括:
添加单元,用于将所述第一数据点添加至数据集,其中,所述数据集包括多个数据点,每个数据点包括一个电池在一个电池周期的状态数据和所述一个电池在所述的一个电池周期的SOH;
第一训练单元,用于通过所述数据集中关于所述第一电池的数据点训练所述第一电池趋势模型。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此后续基于该数据集对上述第一电池趋势模型进行更新时,可以得到准确性更高的第一电池趋势模型。
在又一种可选的方案中,所述数据集中的多个数据点均为所述目标类的电池的数据点,所述装置还包括:
第二训练单元,用于通过所述数据集训练所述第二电池趋势模型。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此后续基于该数据集对上述第二电池趋势模型进行更新时,可以得到准确性更高的第二电池趋势模型。
在又一种可选的方案中,还包括:
第三训练单元,用于在所述将所述第一数据点添加至数据集之后,通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型,其中,所述SOH评估模型用于预测电池的SOH。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此基于该数据集可以训练得到预测效果更好的SOH评估模型,后续遇到无法直接通过推算方式确定SOH的情形,就可以通过SOH评估模型预测SOH。
在又一种可选的方案中,还包括:
第二获取单元,用于在所述通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型之后,获取所述第一电池在第一时间段的第二状态数据;
第一输入单元,用于在所述第一时间段不属于第一预设周期的情况下,将所述第二状态数据输入所述SOH评估模型,得到第二SOH;
第二确定单元,用于在第二数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且所述第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值的情况下,将所述第二SOH确定为所述第一电池在所述第一时间段的SOH,所述第二数据点包括所述第二状态数据、所述第二SOH。
在这种方式中,针对不属于第一预设周期的状态数据,通过SOH评估模型来预测电池的SOH,解决了现有技术中基于非第一预设周期的状态数据无法确定SOH的问题。另外,通过SOH评估模型预测的SOH进一步通过第一电池趋势模型和第二电池趋势模型进行异常检测,有助于剔除异常SOH,提高了SOH的准确性。
在又一种可选的方案中,还包括:
第三获取单元,用于在所述第一时间段属于第一预设周期的情况下,则根据第一电池在第一时间段的第二状态数据获取所述第一电池的第三SOH;
第三确定单元,用于在第三数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第三数据点偏离第二电池趋势模型的距离小于第二预设阈值的情况下,将所述第三SOH确定为所述第一电池在所述第一时间段的SOH,其中,所述第三数据点包括所述第二状态数据和所述第三SOH。
在这种方式中,针对属于第一预设周期的状态数据,直接计算电池的SOH,并且通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH正常的情况下才将数据点中的SOH作为第一电池在目标电池周期的SOH,提高了SOH的准确性。
在又一种可选的方案中,还包括:
第二输入单元,用于在第三数据点偏离第一电池趋势模型的距离大于第一预设阈值,或所述第三数据点偏离第二电池趋势模型的距离大于第二预设阈值的情况下,将所述第二状态数据输入所述SOH评估模型,得到第四SOH;
第四确定单元,用于在第四数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值的情况下,将所述第四SOH确定为所述第一电池在所述第一时间段的SOH,所述第四数据点包括所述第二状态数据、所述第四SOH。
在这种方式中,针对属于第一预设周期的状态数据,直接计算电池的SOH,并且通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH异常的情况下,进一步采用SOH评估模型来预测SOH,最终总能够获得一个准确性相对较高的SOH。
在又一种可选的方案中,还包括:
处理单元,用于将所述第一电池在所述第一时间段的SOH与所述第一电池在历史上的SOH进行合并,得到所述第一电池的SOH的变化轨迹。
通过这种方法,可以得到第一电池的SOH随目标参数(比如里程)的变化情况,从而有便于用户对电池的整个生命周期的评判,以及在此基础上进行改良。
在又一种可选的方案中,所述第一电池的SOH的变化轨迹用于表征SOH随目标参数的变化关系,所述目标参数包括里程、时间、循环数中的至少一项。
在又一种可选的方案中,在通过所述数据集中关于所述第一电池的数据点更新所述第一电池趋势模型方面,所述第一训练单元具体用于:
确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为所述第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;
根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
采用这种方法,能够考虑到更多数据点对第一电池趋势模型(或第二电池趋势模型)的影响,提升了第一电池趋势模型的鲁棒性。同时,在考虑更多数据点的影响的同时,势必会引入一些非典型的数据点,如果赋予这类非典型的数据点与典型数据点具有同样的影响力,那么基于这些数据点训练出的第一电池趋势模型的准确性可能无法得到保证,因此本申请实施例提出针对不同的数据点设置不同的置信度,通过置信度的设置来对不同数据点的影响进行差异化,能够提升最终训练出的第一电池趋势模型的准确性。
在又一种可选的方案中,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
需要说明的是,各个单元的实现还可以对应参照图3-图4所示的方法实施例的相应描述。
请参见图7,图7是本申请实施例提供的一种电池状态评估装置70的结构示意图,该装置70可以包括第五确定单元701和拟合单元702,其中,各个单元的详细描述如下。
第五确定单元701,用于确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
拟合单元702,用于根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
在一种可选的方案中,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
需要说明的是,各个单元的实现还可以对应参照图3-图4所示的方法实施例的相应描述。
请参见图8,图8是本申请实施例提供的一种电池状态评估设备80,该设备80包括处理器801、存储器802,所述处理器801、存储器802通过总线相互连接。
存储器802包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmableread only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器802用于相关计算机程序及数据。
处理器801可以是一个或多个中央处理器(central processing unit,CPU),在处理器801是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。
该设备80中的处理器801用于读取所述存储器802中存储的计算机程序代码,执行以下操作:
根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
若第一数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第一数据点偏离第二电池趋势模型的距离小于第二预设阈值,则将所述第一SOH确定为所述第一电池在所述目标电池周期的SOH,其中所述第一数据点包括所述第一状态数据和所述第一SOH,所述第一电池趋势模型用于表征所述第一电池的SOH的变化趋势,所述第二电池趋势模型用于表征目标类的电池的SOH的变化趋势,所述目标类的电池包括所述第一电池和至少一个第二电池。
在上述方法中,通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH正常的情况下才将数据点中的SOH作为第一电池在目标电池周期的SOH,提高了SOH的准确性。
在一种可选的方案中,所述处理器801还用于:
将所述第一数据点添加至数据集,其中,所述数据集包括多个数据点,每个数据点包括一个电池在一个电池周期的状态数据和所述一个电池在所述的一个电池周期的SOH;
通过所述数据集中关于所述第一电池的数据点训练所述第一电池趋势模型。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此后续基于该数据集对上述第一电池趋势模型进行更新时,可以得到准确性更高的第一电池趋势模型。
在又一种可选的方案中,所述数据集中的多个数据点均为所述目标类的电池的数据点,所述处理器还用于:通过所述数据集训练所述第二电池趋势模型。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此后续基于该数据集对上述第二电池趋势模型进行更新时,可以得到准确性更高的第二电池趋势模型。
在又一种可选的方案中,所述将所述第一数据点添加至数据集之后,所述处理器还用于:通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型,其中,所述SOH评估模型用于预测电池的SOH。
可以理解,将检测正常的数据点添加到数据集中,而检测异常的数据点则会被剔除掉,这使得数据集中最终留下来的都是SOH准确度相对较高的数据点,因此基于该数据集可以训练得到预测效果更好的SOH评估模型,后续遇到无法直接通过推算方式确定SOH的情形,就可以通过SOH评估模型预测SOH。
在又一种可选的方案中,所述通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型之后,所述处理器还用于:
获取所述第一电池在第一时间段的第二状态数据;
若所述第一时间段不属于第一预设周期,则将所述第二状态数据输入所述SOH评估模型,得到第二SOH;
若第二数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且所述第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值,则将所述第二SOH确定为所述第一电池在所述第一时间段的SOH,所述第二数据点包括所述第二状态数据、所述第二SOH。
在这种方式中,针对不属于第一预设周期的状态数据,通过SOH评估模型来预测电池的SOH,解决了现有技术中基于非第一预设周期的状态数据无法确定SOH的问题。另外,通过SOH评估模型预测的SOH进一步通过第一电池趋势模型和第二电池趋势模型进行异常检测,有助于剔除异常SOH,提高了SOH的准确性。
在又一种可选的方案中,所述处理器还用于:
若所述第一时间段属于第一预设周期,则根据第一电池在第一时间段的第二状态数据获取所述第一电池的第三SOH;
若第三数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第三数据点偏离第二电池趋势模型的距离小于第二预设阈值,则将所述第三SOH确定为所述第一电池在所述第一时间段的SOH,其中,所述第三数据点包括所述第二状态数据和所述第三SOH。
在这种方式中,针对属于第一预设周期的状态数据,直接计算电池的SOH,并且通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH正常的情况下才将数据点中的SOH作为第一电池在目标电池周期的SOH,提高了SOH的准确性。
在又一种可选的方案中,所述处理器还用于:
若第三数据点偏离第一电池趋势模型的距离大于第一预设阈值,或所述第三数据点偏离第二电池趋势模型的距离大于第二预设阈值,则将所述第二状态数据输入所述SOH评估模型,得到第四SOH;
若第四数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值,则将所述第四SOH确定为所述第一电池在所述第一时间段的SOH,所述第四数据点包括所述第二状态数据、所述第四SOH。
在这种方式中,针对属于第一预设周期的状态数据,直接计算电池的SOH,并且通过第一电池趋势模型和第二电池趋势模型对数据点进行离群检测,从而确定数据点中的SOH是否异常,在检测出SOH异常的情况下,进一步采用SOH评估模型来预测SOH,最终总能够获得一个准确性相对较高的SOH。
在又一种可选的方案中,所述处理器还用于:将所述第一电池在所述第一时间段的SOH与所述第一电池在历史上的SOH进行合并,得到所述第一电池的SOH的变化轨迹。
通过这种方法,可以得到第一电池的SOH随目标参数(比如里程)的变化情况,从而有便于用户对电池的整个生命周期的评判,以及在此基础上进行改良。
在又一种可选的方案中,所述第一电池的SOH的变化轨迹用于表征SOH随目标参数的变化关系,所述目标参数包括里程、时间、循环数中的至少一项。
在又一种可选的方案中,在所述通过所述数据集中关于所述第一电池的数据点更新所述第一电池趋势模型方面,所述处理器具体用于:
确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为所述第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;
根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
采用这种方法,能够考虑到更多数据点对第一电池趋势模型(或第二电池趋势模型)的影响,提升了第一电池趋势模型的鲁棒性。同时,在考虑更多数据点的影响的同时,势必会引入一些非典型的数据点,如果赋予这类非典型的数据点与典型数据点具有同样的影响力,那么基于这些数据点训练出的第一电池趋势模型的准确性可能无法得到保证,因此本申请实施例提出针对不同的数据点设置不同的置信度,通过置信度的设置来对不同数据点的影响进行差异化,能够提升最终训练出的第一电池趋势模型的准确性。
在又一种可选的方案中,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
需要说明的是,各个操作的实现还可以对应参照图3-图5所示的方法实施例的相应描述。
请参见图9,图9是本申请实施例提供的一种电池状态评估设备90,该设备90包括处理器901、存储器902,所述处理器901、存储器902可以通过总线相互连接。
存储器902包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmableread only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器902用于相关计算机程序及数据。
处理器901可以是一个或多个中央处理器(central processing unit,CPU),在处理器901是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。
该设备90中的处理器901用于读取所述存储器902中存储的计算机程序代码,执行以下操作:
确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
采用这种方法,能够考虑到更多数据点对第一电池趋势模型(或第二电池趋势模型)的影响,提升了第一电池趋势模型的鲁棒性。同时,在考虑更多数据点的影响的同时,势必会引入一些非典型的数据点,如果赋予这类非典型的数据点与典型数据点具有同样的影响力,那么基于这些数据点训练出的第一电池趋势模型的准确性可能无法得到保证,因此本申请实施例提出针对不同的数据点设置不同的置信度,通过置信度的设置来对不同数据点的影响进行差异化,能够提升最终训练出的第一电池趋势模型的准确性。
在又一种可选的方案中,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
需要说明的是,各个操作的实现还可以对应参照图3-图5所示的方法实施例的相应描述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在处理器上运行时,实现图3或图4或图5所示的方法流程。
本申请实施例还提供一种计算机程序产品,当所述计算机程序产品在处理器上运行时,实现图3或图4或图5所示的方法流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来计算机程序相关的硬件完成,该计算机程序可存储于计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储计算机程序代码的介质。
Claims (28)
1.一种电池状态评估方法,其特征在于,包括:
根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
若第一数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第一数据点偏离第二电池趋势模型的距离小于第二预设阈值,则将所述第一SOH确定为所述第一电池在所述目标电池周期的SOH,其中所述第一数据点包括所述第一状态数据和所述第一SOH,所述第一电池趋势模型用于表征所述第一电池的SOH的变化趋势,所述第二电池趋势模型用于表征目标类的电池的SOH的变化趋势,所述目标类的电池包括所述第一电池和至少一个第二电池。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述第一数据点添加至数据集,其中,所述数据集包括多个数据点,每个数据点包括一个电池在一个电池周期的状态数据和所述一个电池在所述的一个电池周期的SOH;
通过所述数据集中关于所述第一电池的数据点训练所述第一电池趋势模型。
3.根据权利要求1或2所述的方法,其特征在于,所述数据集中的多个数据点均为所述目标类的电池的数据点,所述方法还包括:
通过所述数据集训练所述第二电池趋势模型。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述将所述第一数据点添加至数据集之后,还包括:
通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型,其中,所述SOH评估模型用于预测电池的SOH。
5.根据权利要求4所述的方法,其特征在于,所述通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型之后,还包括:
获取所述第一电池在第一时间段的第二状态数据;
若所述第一时间段不属于第一预设周期,则将所述第二状态数据输入所述SOH评估模型,得到第二SOH;
若第二数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且所述第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值,则将所述第二SOH确定为所述第一电池在所述第一时间段的SOH,所述第二数据点包括所述第二状态数据、所述第二SOH。
6.根据权利要求5所述的方法,其特征在于,还包括:
若所述第一时间段属于第一预设周期,则根据第一电池在第一时间段的第二状态数据获取所述第一电池的第三SOH;
若第三数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第三数据点偏离第二电池趋势模型的距离小于第二预设阈值,则将所述第三SOH确定为所述第一电池在所述第一时间段的SOH,其中,所述第三数据点包括所述第二状态数据和所述第三SOH。
7.根据权利要求6所述的方法,其特征在于,还包括:
若第三数据点偏离第一电池趋势模型的距离大于第一预设阈值,或所述第三数据点偏离第二电池趋势模型的距离大于第二预设阈值,则将所述第二状态数据输入所述SOH评估模型,得到第四SOH;
若第四数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值,则将所述第四SOH确定为所述第一电池在所述第一时间段的SOH,所述第四数据点包括所述第二状态数据、所述第四SOH。
8.根据权利要求5-7任一项所述的方法,其特征在于,还包括:
将所述第一电池在所述第一时间段的SOH与所述第一电池在历史上的SOH进行合并,得到所述第一电池的SOH的变化轨迹。
9.根据权利要求8所述的方法,其特征在于,所述第一电池的SOH的变化轨迹用于表征SOH随目标参数的变化关系,所述目标参数包括里程、时间、循环数中的至少一项。
10.根据权利要求1-9任一项所述的方法,其特征在于,所述通过所述数据集中关于所述第一电池的数据点更新所述第一电池趋势模型,包括:
确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为所述第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;
根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
11.根据权利要求10所述的方法,其特征在于,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
12.一种电池状态评估方法,其特征在于,包括:
确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
13.根据权利要求12所述的方法,其特征在于,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
14.一种电池状态评估装置,其特征在于,包括:
第一获取单元,用于根据第一电池在目标电池周期的第一状态数据获取所述第一电池的第一电池健康度SOH;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
第一确定单元,用于在第一数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第一数据点偏离第二电池趋势模型的距离小于第二预设阈值的情况下,将所述第一SOH确定为所述第一电池在所述目标电池周期的SOH,其中所述第一数据点包括所述第一状态数据和所述第一SOH,所述第一电池趋势模型用于表征所述第一电池的SOH的变化趋势,所述第二电池趋势模型用于表征目标类的电池的SOH的变化趋势,所述目标类的电池包括所述第一电池和至少一个第二电池。
15.根据权利要求14所述的装置,其特征在于,所述装置还包括:
添加单元,用于将所述第一数据点添加至数据集,其中,所述数据集包括多个数据点,每个数据点包括一个电池在一个电池周期的状态数据和所述一个电池在所述的一个电池周期的SOH;
第一训练单元,用于通过所述数据集中关于所述第一电池的数据点训练所述第一电池趋势模型。
16.根据权利要求14或15所述的装置,其特征在于,所述数据集中的多个数据点均为所述目标类的电池的数据点,所述装置还包括:
第二训练单元,用于通过所述数据集训练所述第二电池趋势模型。
17.根据权利要求14-16任一项所述的装置,其特征在于,还包括:
第三训练单元,用于在所述将所述第一数据点添加至数据集之后,通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型,其中,所述SOH评估模型用于预测电池的SOH。
18.根据权利要求17所述的装置,其特征在于,还包括:
第二获取单元,用于在所述通过所述数据集中每个数据点中的SOH和所述每个数据点的一个电池周期中的一个或多个时间片段对应的状态数据训练SOH评估模型之后,获取所述第一电池在第一时间段的第二状态数据;
第一输入单元,用于在所述第一时间段不属于第一预设周期的情况下,将所述第二状态数据输入所述SOH评估模型,得到第二SOH;
第二确定单元,用于在第二数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且所述第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值的情况下,将所述第二SOH确定为所述第一电池在所述第一时间段的SOH,所述第二数据点包括所述第二状态数据、所述第二SOH。
19.根据权利要求18所述的装置,其特征在于,还包括:
第三获取单元,用于在所述第一时间段属于第一预设周期的情况下,则根据第一电池在第一时间段的第二状态数据获取所述第一电池的第三SOH;
第三确定单元,用于在第三数据点偏离第一电池趋势模型的距离小于第一预设阈值,且所述第三数据点偏离第二电池趋势模型的距离小于第二预设阈值的情况下,将所述第三SOH确定为所述第一电池在所述第一时间段的SOH,其中,所述第三数据点包括所述第二状态数据和所述第三SOH。
20.根据权利要求19所述的装置,其特征在于,还包括:
第二输入单元,用于在第三数据点偏离第一电池趋势模型的距离大于第一预设阈值,或所述第三数据点偏离第二电池趋势模型的距离大于第二预设阈值的情况下,将所述第二状态数据输入所述SOH评估模型,得到第四SOH;
第四确定单元,用于在第四数据点偏离所述第二电池趋势模型的距离小于第三预设阈值,且第二数据点偏离所述第一电池趋势模型的距离小于第四预设阈值的情况下,将所述第四SOH确定为所述第一电池在所述第一时间段的SOH,所述第四数据点包括所述第二状态数据、所述第四SOH。
21.根据权利要求18-20任一项所述的装置,其特征在于,还包括:
处理单元,用于将所述第一电池在所述第一时间段的SOH与所述第一电池在历史上的SOH进行合并,得到所述第一电池的SOH的变化轨迹。
22.根据权利要求21所述的装置,其特征在于,所述第一电池的SOH的变化轨迹用于表征SOH随目标参数的变化关系,所述目标参数包括里程、时间、循环数中的至少一项。
23.根据权利要求15-22任一项所述的装置,其特征在于,在通过所述数据集中关于所述第一电池的数据点更新所述第一电池趋势模型方面,所述第一训练单元具体用于:
确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为所述第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;
通过所述第五数据点按照第一置信度对所述第一电池趋势模型进行拟合,以及通过所述第六数据点按照第二置信度对所述第一电池趋势模型进行拟合。
24.根据权利要求23所述的装置,其特征在于,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
25.一种电池状态评估装置,其特征在于,包括:
第五确定单元,用于确定第一电荷量SOC差值和第二电荷量SOC差值,其中,所述第一SOC差值为第一电池在第五数据点对应的电池周期的起始点和结束点的电荷量之差,所述第二SOC差值为所述第一电池在第六数据点对应的电池周期的起始点和结束点的电荷量之差,所述第五数据点和所述第六数据点均为所述数据集中关于所述第一电池的数据点;所述电池周期为充电周期或放电周期,其中,所述充电周期包括电池开始充电到结束充电的过程,所述放电周期包括电池从开始放电到结束放电的过程;
拟合单元,用于根据所述第五数据点、第一置信度、所述第六数据点、第二置信度更新所述第一电池趋势模型,其中,所述第一置信度用于约束所述第五数据点对所述第一电池趋势模型的影响,所述第二置信度用于约束所述第六数据点对所述第一电池趋势模型的影响。
26.根据权利要求25所述的装置,其特征在于,若所述第一电荷量SOC差值大于所述第二电荷量SOC差值,则所述第一置信度大于所述第二置信度。
27.一种电池状态评估设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以实现权利要求1-13任一项所述的方法。
28.一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中存储有计算机程序,当其在处理器上运行时,实现权利要求1-13任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526019.4A CN114879070A (zh) | 2022-05-13 | 2022-05-13 | 一种电池状态评估方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526019.4A CN114879070A (zh) | 2022-05-13 | 2022-05-13 | 一种电池状态评估方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114879070A true CN114879070A (zh) | 2022-08-09 |
Family
ID=82675238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210526019.4A Pending CN114879070A (zh) | 2022-05-13 | 2022-05-13 | 一种电池状态评估方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114879070A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554824A (zh) * | 2024-01-05 | 2024-02-13 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
CN117805663A (zh) * | 2024-02-28 | 2024-04-02 | 常州拜特测控技术有限公司 | 基于运行状态的电池测试方法、装置、设备和介质 |
-
2022
- 2022-05-13 CN CN202210526019.4A patent/CN114879070A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554824A (zh) * | 2024-01-05 | 2024-02-13 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
CN117554824B (zh) * | 2024-01-05 | 2024-03-22 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
CN117805663A (zh) * | 2024-02-28 | 2024-04-02 | 常州拜特测控技术有限公司 | 基于运行状态的电池测试方法、装置、设备和介质 |
CN117805663B (zh) * | 2024-02-28 | 2024-05-10 | 常州拜特测控技术有限公司 | 基于运行状态的电池测试方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
Wang et al. | State of health estimation based on modified Gaussian process regression for lithium-ion batteries | |
EP3904894B1 (en) | Training device, estimation device, training method, estimation method, training program, and estimation program | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
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 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN111448467A (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
CN114609524A (zh) | 运行提供电储能器的预测老化状态的系统的方法和装置 | |
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 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
Zhou et al. | A study of online state-of-health estimation method for in-use electric vehicles based on charge data | |
CN113884905B (zh) | 基于深度学习的动力电池荷电状态估计方法及系统 | |
CN115236541A (zh) | 提供老化状态模型以确定电蓄能器老化状态的方法和装置 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
US11938838B2 (en) | Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN115219935A (zh) | 新能源设备的健康状况测评方法、系统、装置及介质 | |
CN114740389A (zh) | 电池健康评估方法、装置、电子设备和可读存储介质 | |
CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
CN114779098A (zh) | 一种锂离子电池的状态评估方法及系统 |
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 |