CN115144780A - 电池的健康检测方法及存储介质 - Google Patents
电池的健康检测方法及存储介质 Download PDFInfo
- Publication number
- CN115144780A CN115144780A CN202210681009.8A CN202210681009A CN115144780A CN 115144780 A CN115144780 A CN 115144780A CN 202210681009 A CN202210681009 A CN 202210681009A CN 115144780 A CN115144780 A CN 115144780A
- Authority
- CN
- China
- Prior art keywords
- target
- data points
- battery
- data
- voltage data
- 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
- 230000036541 health Effects 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 21
- 238000007600 charging Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010277 constant-current charging Methods 0.000 description 13
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
Abstract
本发明公开了一种电池的健康检测方法及存储介质。其中，该方法包括：获取目标电池对应的多个电压数据点，其中，多个电压数据点用于表示多个电压值与时间点之间的对应关系；确定多个电压数据点中的第一端点和第二端点，其中，第一端点为多个电压数据点中开始时刻对应的点，第二端点为多个电压数据点中结束时刻对应的点；基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点；基于目标数据点对初始模型进行训练，得到目标模型；利用目标模型对目标电池进行检测，得到检测结果，其中，检测结果用于表示目标电池是否健康。本发明解决了解决了相关技术中对电池健康状态进行估计的准确率较低的技术问题。
Description
技术领域
本发明涉及电动汽车领域，具体而言，涉及一种电池的健康检测方法及存储介质。
背景技术
车辆电动化已成为汽车行业当前发展的主流趋势之一，锂离子电池已成为当前电动汽车的主要车载动力电池。然而锂离子电池在运行过程中，由于电池老化会导致电池内部会发生不可逆的化学反应，从而使得电池本身内阻增大，容量减少。同时，由于锂离子电池老化的物理机理较为复杂，存在各种老化机制，如固体电解质层生长，活性物质损失等，这些老化机制会在电池内部相互作用，从而使得采用基于物理模型估计电池健康状态的方法无法准确描述电池的老化作用特征，进一步的导致相应方法对锂离子电池健康状态的估计存在着较大的误差。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电池的健康检测方法及存储介质，以至少解决解决了相关技术中对电池健康状态进行估计的准确率较低的技术问题。
根据本发明实施例的一个方面，提供了一种电池的健康检测方法，包括：获取目标电池对应的多个电压数据点，其中，多个电压数据点用于表示多个电压值与时间点之间的对应关系；确定多个电压数据点中的第一端点和第二端点，其中，第一端点为多个电压数据点中开始时刻对应的点，第二端点为多个电压数据点中结束时刻对应的点；基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点；基于目标数据点对初始模型进行训练，得到目标模型；利用目标模型对目标电池进行检测，得到检测结果，其中，检测结果用于表示目标电池是否健康。
可选地，基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点，包括：对第一端点和第二端点进行连线，确定第一线段；确定多个电压数据点与第一线段之间的第一距离；基于第一距离对多个电压数据点进行筛选，得到目标数据点。
可选地，基于第一距离对多个电压数据点进行筛选，得到目标数据点，包括：基于第一距离和预设距离对多个电压数据点进行筛选，得到筛选结果，其中，筛选结果用于表示多个电压数据点对应的第一距离是否全部小于预设距离；在筛选结果为第一距离全部小于预设距离的情况下，确定多个电压数据点为目标数据点；在筛选结果为存在第一距离大于预设距离的情况下，确定第三端点为第二端点，并执行上一步骤，直至筛选结果为第一距离全部小于预设距离。
可选地，基于目标数据点对初始模型进行训练，得到目标模型，包括：获取目标数据点对应的标签数据；基于目标数据点和标签数据，构建目标数据集；对目标数据集进行划分，得到目标训练集、目标验证集和目标测试集；利用目标训练集对初始模型进行训练，得到第一模型；基于目标验证集对第一模型的模型参数进行更新，得到第二模型；利用目标测试集对第二模型进行测试，得到目标测试值；在目标测试值小于预设阈值的情况下，确定第二模型为目标模型。
可选地，在目标测试值大于或等于预设阈值的情况下，重新执行获取目标电池对应的多个电压数据点，其中，多个电压数据点用于表示多个电压值与时间点之间的对应关系；确定多个电压数据点中的第一端点和第二端点，其中，第一端点为多个电压数据点中开始时刻对应的点，第二端点为多个电压数据点中结束时刻对应的点；基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点；基于目标数据点对初始模型进行训练，得到目标模型。
可选地，获取目标电池对应的多个电压数据点，包括：获取目标电池的目标状态数据，其中，目标状态数据为目标电池在充电过程中的对应的状态数据；基于预设因子对目标状态数据进行数据提取，得到多个电压数据点，其中，预设因子用于表示与目标电池的健康状态相关的因子。
可选地，获取目标电池的目标状态数据，包括：获取目标电池的原始状态数据；对原始状态数据进行数据清理，得到目标状态数据。
可选地，对原始状态数据进行数据清理，得到目标状态数据，包括：获取原始状态数据对应的第一数量和第二数量，其中，第一数量为原始状态数据中所包含的全部状态的数量，第二数量为原始状态数据中所包含的目标状态的数量，目标状态对应的状态数据存在缺失；基于第一数量和第二数量对原始状态数据进行数据清理，得到目标状态数据。
可选地，基于第一数量和第二数量对原始状态数据进行数据清理，得到目标状态数据，包括：获取第二数量和第一数量的第一商值；判断第一商值是否大于预设阈值，得到判断结果；在判断结果为第一商值大于预设阈值的情况下，剔除原始状态数据中的目标状态，得到目标状态数据；在判断结果为第一商值小于或等于预设阈值的情况下，基于目标状态对应的众数值填充目标状态对应的状态数据，得到目标状态数据。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，包括：非易失性存储介质包括存储的程序，其中，在程序运行时控制所在设备的处理器执行上述任意一项电池的健康检测方法。
在本发明实施例中，首先获取目标电池对应的多个电压数据点，其中，多个电压数据点用于表示多个电压值与时间点之间的对应关系；其次确定多个电压数据点中的第一端点和第二端点，其中，第一端点为多个电压数据点中开始时刻对应的点，第二端点为多个电压数据点中结束时刻对应的点；之后基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点；基于目标数据点对初始模型进行训练，得到目标模型；最后利用目标模型对目标电池进行检测，得到检测结果，其中，检测结果用于表示目标电池是否健康。容易注意到的是，可以基于第一端点和第二端点对多个电压数据点进行筛选，从而得到目标数据点，在得到目标数据点之后可以利用筛选出来的目标数据点对初始模型进行训练，从而得到目标模型，进一步的可以实现利用目标模型对目标电池进行检测。进而解决了相关技术中对电池健康状态进行估计的准确率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种电池的健康检测方法流程图；
图2是根据本发明实施例的一种电池的健康检测装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种电池的健康检测方法实施例，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电池的健康检测方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取目标电池对应的多个电压数据点，其中，多个电压数据点用于表示多个电压值与时间点之间的对应关系。
上述的目标电池可以为待检测的动力电池，可选的，该动力电池可以为锂电池。其中，目标电池可以为应用在车辆上的动力电池。
在一种可选的实施例中，当车辆处于整车恒流充电阶段时，可以获取其整车恒流充电阶段的数据，该数据可以包括电池的电压、电流、温度、容量等数据。可选地，可以获取目标电池不同时间点所对应的电压值，并将其确定为电压数据点。
步骤S104，确定多个电压数据点中的第一端点和第二端点，其中，第一端点为多个电压数据点中开始时刻对应的点，第二端点为多个电压数据点中结束时刻对应的点。
在一种可选的实施例中，当获取到电压数据点时，可以将电压数据点按照时间顺序进行排列，从而确定出电压数据点中开始充电时刻所对应的电压数据点，并将其确定为第一端点，确定出电压数据点中充电结束时刻所对应的电压数据点，并将其确定为第二端点。
步骤S106，基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点。
上述目标数据点可以为准确度较高的电压数据点，可选地，目标数据点可以通过对电压数据点进行筛选得到。
在一种可选的实施例中，由于数据采集过程中的传感器精度以及无线通信设备的质量难以进行实时保障，因此可能会使得获得的部分电压数据点产生错误，因此需要对获得的电压数据点进行进一步的数据筛选，从而可以筛选出目标数据点。可选地，在确定出第一端点和第二端点之后，可以基于第一端点所对应的充电时刻和第二端点所对应的充电时刻确定出一个时间段，对该时间段内的电压数据点进行筛选，从而得到目标数据点。
步骤S108，基于目标数据点对初始模型进行训练，得到目标模型。
上述初始模型可以为未经过训练前的模型。
在一种可选的实施例中，在得到目标数据点后，可以将目标数据点输入初始模型，从而对模型进行训练。若模型训练效果较好，则可以将该模型确定为目标模型，并通过目标模型对目标电池的健康进行检测。若模型训练效果较差，则需要继续对初始模型进行训练，直至得出训练结果较好的目标模型，并采用目标模型对电池的健康状态进行检测。
步骤S110，利用目标模型对目标电池进行检测，得到检测结果，其中，检测结果用于表示目标电池是否健康。
上述的检测结果可以为如下任意一种：目标电池性能较好、目标电池性能一般、目标电池性能较差。
在一种可选的实施例中，在得到目标模型之后，可以利用目标模型对目标电池进行健康检测，进一步的确定出目标电池的性能，从而使得用户可以及时了解到电池是否发生老化。可选的，可以通过获取目标电池的当前数据，并将该数据输入目标模型，通过分析目标模型的输出结果，根据输出结果可以检测出目标电池是否健康，进一步解决了相关技术中对电池健康状态进行估计的准确率较低的技术问题。
在本发明实施例中，首先获取目标电池对应的多个电压数据点，其中，多个电压数据点用于表示多个电压值与时间点之间的对应关系；其次确定多个电压数据点中的第一端点和第二端点，其中，第一端点为多个电压数据点中开始时刻对应的点，第二端点为多个电压数据点中结束时刻对应的点；之后基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点；基于目标数据点对初始模型进行训练，得到目标模型；最后利用目标模型对目标电池进行检测，得到检测结果，其中，检测结果用于表示目标电池是否健康。容易注意到的是，可以基于第一端点和第二端点对多个电压数据点进行筛选，从而得到目标数据点，在得到目标数据点之后可以利用筛选出来的目标数据点对初始模型进行训练，从而得到目标模型，进一步的可以实现利用目标模型对目标电池进行检测。进而解决了相关技术中对电池健康状态进行估计的准确率较低的技术问题。
可选地，基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点，包括：对第一端点和第二端点进行连线，确定第一线段；确定多个电压数据点与第一线段之间的第一距离；基于第一距离对多个电压数据点进行筛选，得到目标数据点。
上述第一线段可以为第一端点和第二端点的连线。
上述第一距离可以为多个电压数据点与第一线段之间的距离。
在一种可选的实施例中，随着电池充电循环次数的不断增加，电池的容量会逐渐退化，从而导致电池的极化现象加剧、电池的充电时间逐渐缩短、电池的内阻相应增加、电池充电起始电压不断变大，充电电压对应充电时间的曲线斜率也会随之逐渐变大。由于电池在恒流充电中的电流基本为定值，因此需要将恒流充电过程中的电流值进行特征剔除，从而选取出电池在恒流充电阶段固定电压区间的电压数据作为特征因子提取数据。
在另一种可选地实施例，可以将多个电压数据点中开始时刻对应的点和多个电压数据点中结束时刻对应的点进行连线，即，将第一端点和第二端点进行连线，并将该线段确定为第一线段，同时确定出多个电压数据点中除第一端点与第二端点之外的其他电压数据点与第一线段之间的距离，根据该距离对多个电压数据点中除第一端点与第二端点之外的其他电压数据点进行筛选，从而得到目标数据点。可选地，可以通过用户自行设置预设距离，将除第一端点与第二端点之外的其他电压数据点与第一线段之间的距离与预设距离进行比较，并剔除掉距离大于预设距离的电压数据点。
可选地，基于第一距离对多个电压数据点进行筛选，得到目标数据点，包括：基于第一距离和预设距离对多个电压数据点进行筛选，得到筛选结果，其中，筛选结果用于表示多个电压数据点对应的第一距离是否全部小于预设距离；在筛选结果为第一距离全部小于预设距离的情况下，确定多个电压数据点为目标数据点；在筛选结果为存在第一距离大于预设距离的情况下，确定第三端点为第二端点，并执行上一步骤，直至筛选结果为第一距离全部小于预设距离。
上述第三端点可以为与第一线段之间的距离大于第一距离的电压数据点。
上述预设距离可以用于表示电压数据点与第一线段之间的距离，可选地，预设距离可以由用户自行设定。
在一种可选的实施例中，可以基于第一距离和预设距离对多个电压数据点进行筛选。可选的，可以将多个电压数据点与第一线段之间的距离和第一距离进行比较，将多个电压数据点中与第一线段之间的距离小于等于预设距离的点确定为目标数据点，或，将多个电压数据点中与第一线段之间的距离小于预设距离的点确定为目标数据点，同时将多个电压数据点中与第一线段之间的距离大于预设距离的点确定为第三端点，或，同时将多个电压数据点中与第一线段之间的距离大于等于预设距离的点确定为第三端点。之后可以将第三端点确定为第二端点，基于第一端点和新的第二端点确定出新的第一线段，进一步的重复执行上述操作步骤，直到筛选结果为第一距离全部小于预设距离。
在另一种可选地实施例，为了降低数据驱动的电池模型的复杂度，可以选定恒流充电过程，以获得各充电循环过程中电压数据的特征，可选地，可以从各组充电电压曲线中筛选出曲线特征点，其本质上是对恒流充电电压信息的压缩，数据压缩主要目的是为了减少数据储存、加快后续计算速度和节省数据储存空间。
进一步的，可以确定出第一端点(U1,t1)，和第二端点(Un,tn)，其中(t1,t2,......tn)可以表示电压数据点从起始电压到当前电压的用时，(U1,U2,......Un)表示各个电压数据点的恒流充电电压数据。在此基础上确定出第一线段，并确定出第一线段与其余多个电压数据点(U2,t2)，(U3,t3)......(Un-1,tn-1)之间的欧氏距离(l2,l3,......ln-1)。可选地，可以设定一个预设距离l0，当取I＝max(l2,l3,......ln-1)时,若l≥l0，则可以将所有恒流充电电压特征点均舍去，当i取值满足2≤i≤n-1时,若li>l0，则可以将(Ui,ti)作为恒流充电电压的特征点，将此特征点与第一端点(U1,t1)，和第二端点(Un,tn)之间的所有点进行保留，之后可以将上一步获取的点作为新的第二端点，再将所有的数据点进行分段，重复上述两个步骤，直到所有特征点全部被筛选出来。
可选地，基于目标数据点对初始模型进行训练，得到目标模型，包括：获取目标数据点对应的标签数据；基于目标数据点和标签数据，构建目标数据集；对目标数据集进行划分，得到目标训练集、目标验证集和目标测试集；利用目标训练集对初始模型进行训练，得到第一模型；基于目标验证集对第一模型的模型参数进行更新，得到第二模型；利用目标测试集对第二模型进行测试，得到目标测试值；在目标测试值小于预设阈值的情况下，确定第二模型为目标模型。
上述标签数据可以用于表示目标数据点的特征信息，其中，特征信息可以包括目标数据点所对应的时间点、电压大小等。
上述目标数据集可以由目标数据点和目标数据点对应的标签数据所构成，可选地，目标数据集可以为包括所有目标数据点的一个集合，可选的，目标数据集可以包括目标训练集、目标验证集、目标测试集。其中，上述目标训练集可以用于对初始模型进行训练，上述目标验证集可以用于对第一模型的模型参数进行更新，上述目标测试集可以用于第二模型进行测试。
上述第一模型可以通过利用目标训练集对初始模型进行训练后得到。
上述第二模型可以通过利用目标验证集对第一模型的模型参数进行更新后得到。
上述目标测试值可以为利用目标测试集对第二模型进行测试，所得到的测试结果，该测试结果可以用于表示第二模型是否可以确定为目标模型，可选的，目标测试值可以通过文字形式来表示。
上述预设阈值可以由用户自行设置。
在一种可选的实施例中，可以建立一个XGBoost集成学习算法模型，选择决策树作为XGBoost集成学习算法的基学习器，通过控制决策树的叶子数量以及树的最大深度来控制学习过程中的过拟合问题。可选的，可以给定一个目标数据集Dataset＝{(xi,yi)|i＝1～n,xi∈Rm,yi∈R}，其中(xi,yi)为第i个数据样本，其中，该目标数据集具有m个特征，n个训练样本。xi代表数据特征，可以用于表示数据压缩后的各特征点，yi代表第i个样本对应的真实电池健康状况值。
在进行模型训练的过程中，可以先对目标数据集进行划分，将目标数据集划分为目标训练集、目标验证集和目标测试集。其中，目标训练集用于模型参数的训练，目标验证集用于模型参数的更新，测试集用于模型的最终效果评定。可选的，可以将目标训练集的样本数量设置为T，将目标验证集的样本数量设置为V，将目标测试集的样本数量设置为W，其中T:V:W＝6:2:2。
在对目标数据集划分结束之后可以对初始模型进行训练，可选的，可以将XGBoost模型以决策树作为基学习器，设定初始模型参数集：{learning rate,n_estiamtor,max_depth,num_leaves}，其中，learning rate可以用来表示模型在训练过程中对每个基学习器结果的学习率，n_estimator可以用来表示XGBoost模型的基学习器的个数，max_depth可以用来表示每个基决策树的最大学习深度，num_leaves可以用来表示每个基决策树的叶子结点个数。可选的，可以将目标训练集输入到初始模型中，选取平均绝对误差(也称MeanAbsolute Error，简称MAPE)值作为评估模型误差精度的评价标准，MAPE需满足
其中，N为测试样本数量，Yi为样本i标签数据，可以用于表示真实电池健康状况值，
为样本i预测标签值，可以用于表示样本i的电池健康状况预测值。
通过目标训练集的训练可以将初始模型的基学习器规律和模型集成规律进行了初步建立，建立的过程中可以选择损失函数G，其中，
其中，
为每个样本的损失和，l为损失函数，yi为样本i真实标签，
为样本i预测标签值，∑kΩ(fk)为正则项，表示每个基学习器的模型复杂程度。可选的，在训练过程中，要使得整个模型的损失函数值达到最小。经过目标训练集对初始模型进行训练之后可以得到第一模型。
在得到第一模型之后，可以利用目标验证集数据，对第一模型的模型参数进行更新，其中，第一模型的模型参数可以包括{learningrate,n_estiamtor,max_depth,num_leaves}，在更新的过程中选取的步长可以为当前参数可取值范围的十分之一，可选的，可以将更新后的第一模型确定为第二模型。可选的，在得到第二模型之后，可以利用目标测试集对第二模型进行测试，得到目标测试值，在目标测试值小于预设阈值的情况下，可以将第二模型确定为目标模型
可选地，在目标测试值大于或等于预设阈值的情况下，重新执行获取目标电池对应的多个电压数据点，其中，多个电压数据点用于表示多个电压值与时间点之间的对应关系；确定多个电压数据点中的第一端点和第二端点，其中，第一端点为多个电压数据点中开始时刻对应的点，第二端点为多个电压数据点中结束时刻对应的点；基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点；基于目标数据点对初始模型进行训练，得到目标模型。
在一种可选的实施例中，经过目标验证集更新后得出第二模型，可以将目标测试集输入到第二模型，从而完成对第二模型的测试。可选的，可以计算第二模型的平均样本MAPE值，若样本的MAPE值满足MAPE<0.05，则说明模型的构建效果良好，可以较好地对锂离子电池的电池健康状况进行估计，则可以将第二模型确定为目标模型。若满足MAPE≥0.05，则说明模型的构建效果较差，则需要重新对锂离子电池恒流充电电压的电压数据点重新进行选取，再重新使用目标数据集训练构建模型，并进行参数调节，即，重复执行上述步骤。
可选地，获取目标电池对应的多个电压数据点，包括：获取目标电池的目标状态数据，其中，目标状态数据为目标电池在充电过程中的对应的状态数据；基于预设因子对目标状态数据进行数据提取，得到多个电压数据点，其中，预设因子用于表示与目标电池的健康状态相关的因子。
上述目标状态数据可以为目标电池在充电过程中的对应的状态数据，其中，目标状态数据可以包括目标电池的电压、电流、温度、容量等数据等。
上述预设因子可以为表示目标电池健康状态的因子，其中，预设因子由用户自行设定，可选的，预设因子可以包括电流因子、电压因子等。
在一种可选的实施例中，可以在目标电池处于恒流充电阶段时，获取目标电池所对应的目标状态数据。在获取到目标状态数据之后，可以根据预设因子筛选出与电池健康状态有关的数据。
可选地，获取目标电池的目标状态数据，包括：获取目标电池的原始状态数据；对原始状态数据进行数据清理，得到目标状态数据。
在一种可选的实施例中，可以在整车恒流充电阶段时，获取目标电池的原始状态数据。可选的，由于数据在采集过程中传感器的精度以及无线通信设备的质量难以进行实时控制，因而有可能会使得获得的数据产生错误，因此需要对获得的原始状态数据进行数据清理，从而得到目标状态数据。
可选地，对原始状态数据进行数据清理，得到目标状态数据，包括：获取原始状态数据对应的第一数量和第二数量，其中，第一数量为原始状态数据中所包含的全部状态的数量，第二数量为原始状态数据中所包含的目标状态的数量，目标状态对应的状态数据存在缺失；基于第一数量和第二数量对原始状态数据进行数据清理，得到目标状态数据。
在一种可选的实施例中，可以将原始状态数据中包含的全部状态的数量确定为第一数量，将原始状态数据中包含的目标状态的数量确定为第二数量。由于数据在获取的过程中会存在缺失，因此需要对原始状态数据进行清理，可选的，可以在确定出第一数量和第二数量后，基于第一数量和第二数量之间的大小关系对原始状态数据进行清理，从而得到目标状态数据。
可选地，基于第一数量和第二数量对原始状态数据进行数据清理，得到目标状态数据，包括：获取第二数量和第一数量的第一商值；判断第一商值是否大于预设阈值，得到判断结果；在判断结果为第一商值大于预设阈值的情况下，剔除原始状态数据中的目标状态，得到目标状态数据；在判断结果为第一商值小于或等于预设阈值的情况下，基于目标状态对应的众数值填充目标状态对应的状态数据，得到目标状态数据。
上述第一商值可以为第二数量与第一数量的比值。
上述预设阈值可以用于和第一商值进行比较，其中，预设阈值可以由用户自行设置。
在一种可选的实施例中，可以假设第一数量N，第二数量为M，预设阈值为5％，若
则可以剔除含有缺失数据的样本，若
则可以使用缺失数据特征的众数值对目标状态对应的状态数据进行填充。
进一步的，在本发明实施例中，采用基于数据驱动建模的方法，可以避免对锂离子电池运作过程中的复杂物理化学反应进行建模，节省了物理建模过程所需要的消耗的人力物力，从而可以降低建模成本。采用特征数据压缩的方法，能够节省模型算力，提高计算的实时性。同时采用基于XGBoost算法(eXtreme Gradient Boosting，也称及其学习算法)的方法，可以在防止模型过拟合的同时提升计算精度，达到动态的平衡。
实施例2
根据本发明实施例的另一方面，还提供了一种电池的健康检测装置，该装置可以执行上述实施例中的电池的健康检测方法，图2是根据本发明实施例的一种电池的健康检测装置示意图，如图2所示，该装置包括如下组成部分：
获取模块202，用于获取目标电池对应的多个电压数据点，其中，多个电压数据点用于表示多个电压值与时间点之间的对应关系。
确定模块204，用于确定多个电压数据点中的第一端点和第二端点，其中，第一端点为多个电压数据点中开始时刻对应的点，第二端点为多个电压数据点中结束时刻对应的点。
筛选模块206，用于基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点。
训练模块208，用于基于目标数据点对初始模型进行训练，得到目标模型。
检测模块210，用于利用目标模型对目标电池进行检测，得到检测结果，其中，检测结果用于表示目标电池是否健康。
可选地，获取模块206，包括：连线单元，用于对第一端点和第二端点进行连线，确定第一线段；第一确定单元，用于确定多个电压数据点与第一线段之间的第一距离；筛选单元，用于基于第一距离对多个电压数据点进行筛选，得到目标数据点。
可选地，筛选单元，还用于基于第一距离和预设距离对多个电压数据点进行筛选，得到筛选结果，其中，筛选结果用于表示多个电压数据点对应的第一距离是否全部小于预设距离；在筛选结果为第一距离全部小于预设距离的情况下，确定多个电压数据点为目标数据点；在筛选结果为存在第一距离大于预设距离的情况下，确定第三端点为第二端点，并执行上述步骤，直至筛选结果为第一距离全部小于预设距离。
可选地，训练模块208，包括：第一获取单元，用于获取目标数据点对应的标签数据；构建单元，用于基于目标数据点和标签数据，构建目标数据集；划分单元，用于对目标数据集进行划分，得到目标训练集、目标验证集和目标测试集；训练单元，用于利用目标训练集对初始模型进行训练，得到第一模型；更新单元，用于基于目标验证集对第一模型的模型参数进行更新，得到第二模型；测试单元，用于利用目标测试集对第二模型进行测试，得到目标测试值；第二确定单元，用于在目标测试值小于预设阈值的情况下，确定第二模型为目标模型。
可选地，第二确定单元，还用于在目标测试值大于或等于预设阈值的情况下，重新执行获取目标电池对应的多个电压数据点，其中，多个电压数据点用于表示多个电压值与时间点之间的对应关系；确定多个电压数据点中的第一端点和第二端点，其中，第一端点为多个电压数据点中开始时刻对应的点，第二端点为多个电压数据点中结束时刻对应的点；基于第一端点和第二端点对多个电压数据点进行筛选，得到目标数据点；基于目标数据点对初始模型进行训练，得到目标模型。
可选地，获取模块202，包括：第二获取单元，用于获取目标电池的目标状态数据，其中，目标状态数据为目标电池在充电过程中的对应的状态数据；提取单元，用于基于预设因子对目标状态数据进行数据提取，得到多个电压数据点，其中，预设因子用于表示与目标电池的健康状态相关的因子。
可选地，获取单元，包括：获取子单元，用于获取目标电池的原始状态数据；清理子单元，用于对原始状态数据进行数据清理，得到目标状态数据。
可选地，清理子单元，还用于获取原始状态数据对应的第一数量和第二数量，其中，第一数量为原始状态数据中所包含的全部状态的数量，第二数量为原始状态数据中所包含的目标状态的数量，目标状态对应的状态数据存在缺失；基于第一数量和第二数量对原始状态数据进行数据清理，得到目标状态数据。
实施例3
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，包括：非易失性存储介质包括存储的程序，其中，在程序运行时控制所在设备的处理器执行上述任意一项电池的健康检测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本发明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全部或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计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种电池的健康检测方法，其特征在于，包括：
获取目标电池对应的多个电压数据点，其中，所述多个电压数据点用于表示多个电压值与时间点之间的对应关系；
确定所述多个电压数据点中的第一端点和第二端点，其中，所述第一端点为所述多个电压数据点中开始时刻对应的点，所述第二端点为所述多个电压数据点中结束时刻对应的点；
基于所述第一端点和所述第二端点对所述多个电压数据点进行筛选，得到目标数据点；
基于所述目标数据点对初始模型进行训练，得到目标模型；
利用所述目标模型对所述目标电池进行检测，得到检测结果，其中，所述检测结果用于表示所述目标电池是否健康。
2.根据权利要求1所述的方法，其特征在于，基于所述第一端点和所述第二端点对所述多个电压数据点进行筛选，得到目标数据点，包括：
对所述第一端点和所述第二端点进行连线，确定第一线段；
确定所述多个电压数据点与所述第一线段之间的第一距离；
基于所述第一距离对所述多个电压数据点进行筛选，得到所述目标数据点。
3.根据权利要求2所述的方法，其特征在于，基于所述第一距离对所述多个电压数据点进行筛选，得到所述目标数据点，包括：
基于所述第一距离和预设距离对所述多个电压数据点进行筛选，得到筛选结果，其中，所述筛选结果用于表示所述多个电压数据点对应的第一距离是否全部小于所述预设距离；
在所述筛选结果为所述第一距离全部小于所述预设距离的情况下，确定所述多个电压数据点为所述目标数据点；
在所述筛选结果为存在所述第一距离大于所述预设距离的情况下，确定第三端点为第二端点，并执行所述权利要求2中的步骤，直至所述筛选结果为所述第一距离全部小于所述预设距离。
4.根据权利要求1所述的方法，其特征在于，基于所述目标数据点对所述初始模型进行训练，得到目标模型，包括：
获取所述目标数据点对应的标签数据；
基于所述目标数据点和所述标签数据，构建目标数据集；
对所述目标数据集进行划分，得到目标训练集、目标验证集和目标测试集；
利用所述目标训练集对所述初始模型进行训练，得到第一模型；
基于所述目标验证集对所述第一模型的模型参数进行更新，得到第二模型；
利用所述目标测试集对所述第二模型进行测试，得到目标测试值；
在所述目标测试值小于预设阈值的情况下，确定所述第二模型为所述目标模型。
5.根据权利要求4所述的方法，其特征在于，在所述目标测试值大于或等于预设阈值的情况下，重新执行获取目标电池对应的多个电压数据点，其中，所述多个电压数据点用于表示多个电压值与时间点之间的对应关系；确定所述多个电压数据点中的第一端点和第二端点，其中，所述第一端点为所述多个电压数据点中开始时刻对应的点，所述第二端点为所述多个电压数据点中结束时刻对应的点；基于所述第一端点和所述第二端点对所述多个电压数据点进行筛选，得到目标数据点；基于所述目标数据点对所述初始模型进行训练，得到目标模型。
6.根据权利要求1所述的方法，其特征在于，获取目标电池对应的多个电压数据点，包括：
获取目标电池的目标状态数据，其中，所述目标状态数据为所述目标电池在充电过程中的对应的状态数据；
基于预设因子对所述目标状态数据进行数据提取，得到所述多个电压数据点，其中，所述预设因子用于表示与所述目标电池的健康状态相关的因子。
7.根据权利要求6所述的方法，其特征在于，获取目标电池的目标状态数据，包括：
获取所述目标电池的原始状态数据；
对所述原始状态数据进行数据清理，得到所述目标状态数据。
8.根据权利要求7所述的方法，其特征在于，对所述原始状态数据进行数据清理，得到所述目标状态数据，包括：
获取原始状态数据对应的第一数量和第二数量，其中，所述第一数量为所述原始状态数据中所包含的全部状态的数量，所述第二数量为所述原始状态数据中所包含的目标状态的数量，所述目标状态对应的状态数据存在缺失；
基于所述第一数量和所述第二数量对所述原始状态数据进行数据清理，得到所述目标状态数据。
9.一种电池的健康检测装置，其特征在于，包括：
获取模块，用于获取目标电池对应的多个电压数据点，其中，所述多个电压数据点用于表示多个电压值与时间点之间的对应关系；
确定模块，用于确定所述多个电压数据点中的第一端点和第二端点，其中，所述第一端点为所述多个电压数据点中开始时刻对应的点，所述第二端点为所述多个电压数据点中结束时刻对应的点；
筛选模块，用于基于所述第一端点和所述第二端点对所述多个电压数据点进行筛选，得到目标数据点；
训练模块，用于基于所述目标数据点对初始模型进行训练，得到目标模型；
检测模块，用于利用所述目标模型对所述目标电池进行检测，得到检测结果，其中，所述检测结果用于表示所述目标电池是否健康。
10.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所在设备的处理器执行权利要求1-8中任意一项所述电池的健康检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210681009.8A CN115144780A (zh) | 2022-06-16 | 2022-06-16 | 电池的健康检测方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210681009.8A CN115144780A (zh) | 2022-06-16 | 2022-06-16 | 电池的健康检测方法及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115144780A true CN115144780A (zh) | 2022-10-04 |
Family
ID=83407838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210681009.8A Pending CN115144780A (zh) | 2022-06-16 | 2022-06-16 | 电池的健康检测方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115144780A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
| CN111061821A (zh) * | 2019-11-12 | 2020-04-24 | 国网山东省电力公司聊城供电公司 | 基于改进k值聚类算法的低压配电网拓扑校验方法及系统 |
| CN112767190A (zh) * | 2020-12-30 | 2021-05-07 | 广东电网有限责任公司计量中心 | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 |
| CN112997255A (zh) * | 2018-06-08 | 2021-06-18 | 帝国理工学院创新有限公司 | 分析实时扩增数据的方法 |
| CN113267733A (zh) * | 2021-04-13 | 2021-08-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
| CN113503232A (zh) * | 2021-08-20 | 2021-10-15 | 西安热工研究院有限公司 | 一种风机运行健康状态预警方法及系统 |
| CN113516417A (zh) * | 2021-08-18 | 2021-10-19 | 平安银行股份有限公司 | 基于智能建模的业务评估方法、装置、电子设备及介质 |
| CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
| CN113990507A (zh) * | 2021-11-01 | 2022-01-28 | 中国电信股份有限公司 | 数据处理方法、装置、可读介质及电子设备 |
| CN114330130A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种电池剩余使用寿命预测方法、设备及介质 |
| CN114399314A (zh) * | 2022-01-07 | 2022-04-26 | 北京明略软件系统有限公司 | 一种用户检测方法、装置、设备及介质 |
| CN114463876A (zh) * | 2022-02-14 | 2022-05-10 | 亿咖通(湖北)技术有限公司 | 提醒补充能源的方法、装置、设备、介质及程序产品 |
-
2022
- 2022-06-16 CN CN202210681009.8A patent/CN115144780A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112997255A (zh) * | 2018-06-08 | 2021-06-18 | 帝国理工学院创新有限公司 | 分析实时扩增数据的方法 |
| CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
| CN111061821A (zh) * | 2019-11-12 | 2020-04-24 | 国网山东省电力公司聊城供电公司 | 基于改进k值聚类算法的低压配电网拓扑校验方法及系统 |
| CN112767190A (zh) * | 2020-12-30 | 2021-05-07 | 广东电网有限责任公司计量中心 | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 |
| CN113267733A (zh) * | 2021-04-13 | 2021-08-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
| CN113516417A (zh) * | 2021-08-18 | 2021-10-19 | 平安银行股份有限公司 | 基于智能建模的业务评估方法、装置、电子设备及介质 |
| CN113503232A (zh) * | 2021-08-20 | 2021-10-15 | 西安热工研究院有限公司 | 一种风机运行健康状态预警方法及系统 |
| CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
| CN113990507A (zh) * | 2021-11-01 | 2022-01-28 | 中国电信股份有限公司 | 数据处理方法、装置、可读介质及电子设备 |
| CN114330130A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种电池剩余使用寿命预测方法、设备及介质 |
| CN114399314A (zh) * | 2022-01-07 | 2022-04-26 | 北京明略软件系统有限公司 | 一种用户检测方法、装置、设备及介质 |
| CN114463876A (zh) * | 2022-02-14 | 2022-05-10 | 亿咖通(湖北)技术有限公司 | 提醒补充能源的方法、装置、设备、介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220254146A1 (en) | Method for filtering image feature points and terminal | |
| JP6807909B2 (ja) | データ評価方法、装置、機器及び読み取り可能な記憶媒体 | |
| CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
| CN110806546A (zh) | 电池健康评估方法、装置、存储介质及电子设备 | |
| CN114290960B (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| CN109634820A (zh) | 一种云端移动端协同的故障预警方法、相关设备及系统 | |
| CN111126470A (zh) | 基于深度度量学习的图片数据迭代聚类分析方法 | |
| CN111488939A (zh) | 模型训练方法、分类方法、装置及设备 | |
| CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
| CN115144780A (zh) | 电池的健康检测方法及存储介质 | |
| CN112733724A (zh) | 基于判别样本元挖掘器的亲属关系验证方法和装置 | |
| CN114218487B (zh) | 一种视频推荐方法、系统、装置及存储介质 | |
| CN116442786A (zh) | 动力电池压差异常的识别方法、装置、服务器及存储介质 | |
| CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
| CN113852970B (zh) | 基于图神经网络的多维频谱预测方法、系统、装置及介质 | |
| CN116227992A (zh) | 一种考核试卷生成方法、装置及终端设备 | |
| CN115656834A (zh) | 一种电池容量预测方法、装置及电子设备 | |
| CN113447821B (zh) | 评估电池荷电状态的方法 | |
| CN115184674A (zh) | 一种绝缘测试方法、装置、电子终端及存储介质 | |
| CN114418097A (zh) | 神经网络量化处理方法、装置、电子设备及存储介质 | |
| CN114496099A (zh) | 细胞功能注释方法、装置、设备及介质 | |
| CN113850485A (zh) | 跨领域的多源数据评价模型训练方法、系统、装置及介质 | |
| CN112149833A (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
| CN111723454A (zh) | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 | |
| CN117933184A (zh) | 车辆部件剩余寿命预测方法、系统、车辆及存储介质 |
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 |