CN115219919A - 电池健康状态预测方法、装置、电子设备及可读存储介质 - Google Patents

电池健康状态预测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN115219919A
CN115219919A CN202210890148.1A CN202210890148A CN115219919A CN 115219919 A CN115219919 A CN 115219919A CN 202210890148 A CN202210890148 A CN 202210890148A CN 115219919 A CN115219919 A CN 115219919A
Authority
CN
China
Prior art keywords
battery
vehicle
health
training
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
Application number
CN202210890148.1A
Other languages
English (en)
Inventor
张瑞天
王欢
张正磊
孙哲
邓紫威
牛尚冰
王�琦
牛亚琪
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.)
Zhejiang Geely Holding Group Co Ltd
Weirui Electric Automobile Technology Ningbo Co Ltd
Zhejiang Zeekr Intelligent Technology Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Weirui Electric Automobile Technology Ningbo Co Ltd
Zhejiang Zeekr Intelligent Technology 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 Zhejiang Geely Holding Group Co Ltd, Weirui Electric Automobile Technology Ningbo Co Ltd, Zhejiang Zeekr Intelligent Technology Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202210890148.1A priority Critical patent/CN115219919A/zh
Publication of CN115219919A publication Critical patent/CN115219919A/zh
Priority to US18/350,896 priority patent/US20230349982A1/en
Priority to EP23186995.9A priority patent/EP4311718A1/en
Priority to JP2023122044A priority patent/JP2023139227A/ja
Priority to KR1020230098050A priority patent/KR20230136084A/ko
Pending legal-status Critical Current

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
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • 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
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/60—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries
    • 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
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/80—Time limits
    • 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
    • B60L2250/00—Driver interactions
    • B60L2250/18—Driver interactions by enquiring driving style
    • 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
    • B60L2260/44—Control modes by parameter estimation
    • 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
    • B60L2260/46—Control modes by self learning
    • 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
    • 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
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
    • 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
    • B60L2260/54—Energy consumption estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/11—Electric energy storages
    • B60Y2400/112—Batteries
    • 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)
  • Mechanical Engineering (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请公开了电池健康状态预测方法、装置、电子设备及可读存储介质，应用于电动汽车技术领域，所述电池健康状态预测方法包括：获取车辆的电池数据；对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。本申请解决了电池健康状态的预测准确度较低的技术问题。

Description

电池健康状态预测方法、装置、电子设备及可读存储介质
技术领域
本申请涉及电动汽车技术领域，尤其涉及一种电池健康状态预测方法、装置、电子设备及可读存储介质。
背景技术
随着电动汽车的高速发展，锂电池由于其具备高电压、高比能量以及长循环寿命等特征被广泛应用于电动汽车。为延长电动汽车的使用寿命、保证电动汽车的安全运行以及提升用户体验，需要对电池状态进行评估以优化调整电动汽车的能源管理策略，而通常情况下可以通过计算电池的SOH(state of health，电池健康状态)以确定电池状态。
目前，现有技术中通过计算电池的SOH以确定电池状态的方法通常通过电池外特性参数和神经网络模型对SOH进行预测，得到电池健康状态，但是此方法仅根据电池本身特性进行预测，并未考虑到用户驾驶行为以及用户用车习惯等其它因素，如此，电池健康状态的预测准确度较低。
发明内容
本申请的主要目的在于提供一种电池健康状态预测方法、装置、电子设备及可读存储介质，旨在解决现有技术中电池健康状态的预测准确度较低的技术问题。
为实现上述目的，本申请提供一种电池健康状态预测方法，应用于电池健康状态预测设备，所述电池健康状态预测方法包括：
获取车辆的电池数据；
对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；
依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；
依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。
可选地，所述用车行为特征的特征类型包括占比类特征和累加类特征，所述依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征的步骤，包括：
依据预设线性拟合模型和所述用车行为特征，预测得到所述车辆在下一时间步的预测累加类特征；
将所述占比类特征和所述累加类特征进行聚合得到所述车辆在下一时间步的预测用车行为特征。
可选地，在所述依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度的步骤之前，所述方法还包括：
获取待训练电池健康状态预测模型、所述车辆中电池的训练样本数据以及基于所述训练样本数据计算得到的所述电池的真实健康度；
对所述训练样本数据进行特征提取得到所述电池对应的训练用车行为特征；
对所述训练用车行为特征进行归一化处理得到归一化用车行为特征；
依据所述归一化用车行为特征和所述待训练电池健康状态预测模型，预测得到所述电池的训练健康度；
依据所述训练健康度与所述真实健康度，对所述待训练电池健康状态预测模型进行迭代优化得到所述电池健康状态预测模型。
可选地，所述训练用车行为特征的特征内容包括用户行为特征和电池性能特征，所述对所述训练样本数据进行特征提取得到所述电池对应的训练用车行为特征的步骤，包括：
获取所述训练电池数据中用于计算所述真实健康度的电池充电数据的截止时间；
在所述训练样本数据中选取所述截止时间之前满足预设健康状态预测条件的训练电池数据；
根据所述训练电池数据提取用户行为特征和电池性能特征。
可选地，所述基于所述训练电池数据计算得到的所述电池的真实健康度的步骤，包括：
在所述训练样本数据中选取满足预设充电工况条件的电池充电数据，其中，所述电池充电数据包括所述电池在充电过程中的训练电池电流、所述训练电池开始所述充电过程的第一剩余电量、所述训练电池结束所述充电过程的第二剩余电量以及所述电池的额定电池容量；
依据所述训练电池电流、所述第一剩余电量、所述第二剩余电量以及所述额定电池容量，确定所述电池对应的真实健康度。
可选地，所述在所述训练样本数据中选取满足预设充电工况条件的电池充电数据的步骤，包括：
在所述训练样本数据中选取第一电池数据，其中，所述第一电池数据为所述充电过程结束后的静置时长大于预设时长阈值的电池数据；
确定所述第一电池数据中的第二电池数据为所述电池充电数据，其中，所述第二电池数据为所述第二剩余电量与所述第一剩余电量的差值大于预设电量阈值且所述充电过程结束时的电流小于预设电流阈值的电池数据。
可选地，所述对所述训练用车行为特征进行归一化处理得到归一化用车行为特征的步骤，包括：
获取各所述训练用车行为特征对应的预设特征阈值；
依据各所述训练用车行为特征与所述预设特征阈值的比值得到归一化用车行为特征。
为实现上述目的，本申请还提供一种电池健康状态预测装置，所述电池健康状态预测装置应用于电池健康状态预测设备，所述电池健康状态预测装置包括：
获取模块，用于获取车辆的电池数据；
提取模块，用于对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；
特征预测模块，用于依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；
健康度预测模块，用于依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。
可选地，所述用车行为特征的特征类型包括占比类特征和累加类特征，所述特征预测模块还用于：
依据预设线性拟合模型和所述用车行为特征，预测得到所述车辆在下一时间步的预测累加类特征；
将所述占比类特征和所述累加类特征进行聚合得到所述车辆在下一时间步的预测用车行为特征。
可选地，在所述依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度的步骤之前，所述电池健康状态预测装置还用于：
获取待训练电池健康状态预测模型、所述车辆中电池的训练样本数据以及基于所述训练样本数据计算得到的所述电池的真实健康度；
对所述训练样本数据进行特征提取得到所述电池对应的训练用车行为特征；
对所述训练用车行为特征进行归一化处理得到归一化用车行为特征；
依据所述归一化用车行为特征和所述待训练电池健康状态预测模型，预测得到所述电池的训练健康度；
依据所述训练健康度与所述真实健康度，对所述待训练电池健康状态预测模型进行迭代优化得到所述电池健康状态预测模型。
可选地，所述训练用车行为特征的特征内容包括用户行为特征和电池性能特征，所述电池健康状态预测装置还用于：
获取所述训练电池数据中用于计算所述真实健康度的电池充电数据的截止时间；
在所述训练样本数据中选取所述截止时间之前满足预设健康状态预测条件的训练电池数据；
根据所述训练电池数据提取用户行为特征和电池性能特征。
可选地，所述电池健康状态预测装置还用于：
在所述训练样本数据中选取满足预设充电工况条件的电池充电数据，其中，所述电池充电数据包括所述电池在充电过程中的训练电池电流、所述训练电池开始所述充电过程的第一剩余电量、所述训练电池结束所述充电过程的第二剩余电量以及所述电池的额定电池容量；
依据所述训练电池电流、所述第一剩余电量、所述第二剩余电量以及所述额定电池容量，确定所述电池对应的真实健康度。
可选地，所述电池健康状态预测装置还用于：
在所述训练样本数据中选取第一电池数据，其中，所述第一电池数据为所述充电过程结束后的静置时长大于预设时长阈值的电池数据；
确定所述第一电池数据中的第二电池数据为所述电池充电数据，其中，所述第二电池数据为所述第二剩余电量与所述第一剩余电量的差值大于预设电量阈值且所述充电过程结束时的电流小于预设电流阈值的电池数据。
可选地，所述电池健康状态预测装置还用于：
获取各所述训练用车行为特征对应的预设特征阈值；
依据各所述训练用车行为特征与所述预设特征阈值的比值得到归一化用车行为特征。
本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述电池健康状态预测方法的程序，所述电池健康状态预测方法的程序被处理器执行时可实现如上述的电池健康状态预测方法的步骤。
本申请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上存储有实现电池健康状态预测方法的程序，所述电池健康状态预测方法的程序被处理器执行时实现如上述的电池健康状态预测方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的电池健康状态预测方法的步骤。
本申请提供了一种电池健康状态预测方法、装置、电子设备及可读存储介质，通过获取车辆的电池数据；对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。
如此，本申请通过电池数据提取的下一时间步的用车行为特征和电池健康预测模型，对电池的健康度进行预测，得到电池的健康度。实现了综合下一时间步的电池本身性质和用户驾驶行为与电池健康预测模型，预测电池的健康度，使得预测得到的健康度由多种因素确定，且具备实时性，从而提高了电池健康状态的预测准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请电池健康状态预测方法第一实施例的流程示意图；
图2为本申请电池健康状态预测方法的一用车行为特征的随时间变化趋势图；
图3为本申请电池健康状态预测方法的一用车行为特征的真实值和预测值的随时间变化趋势图；
图4为本申请电池健康状态预测方法的用车行为特征和预测用车行为特征的一示例图；
图5为本申请电池健康状态预测方法的一应用场景示意图；
图6为本申请电池健康状态预测方法的另一应用场景示意图；
图7为本申请电池健康状态预测方法的又一应用场景示意图；
图8为本申请电池健康状态预测方法的总电池数据的获取内容示例图；
图9为本申请电池健康状态预测方法的每日电池数据的获取内容示例图；
图10为本申请电池健康状态预测方法的部分用车行为特征的内容示例图；
图11为本申请电池健康状态预测方法涉及的硬件运行环境的设备结构示意图；
图12为本申请电池健康状态预测装置一实施例所涉及的装置结构示意图。
本申请实施例中电池健康状态预测方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
本申请实施例提供一种电池健康状态预测方法，在本申请电池健康状态预测方法的第一实施例中，本申请电池健康状态预测方法包括：
获取车辆的电池数据；对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。
需要说明的是，在本实施例中，为延长电动汽车的使用寿命、保证电动汽车的安全运行以及提升用户体验，需要对电池状态进行评估以优化调整电动汽车的能源管理策略，通过计算电池的SOH以确定电池状态。目前，通过电池外特性参数和神经网络模型对SOH进行预测，得到电池健康状态，但是仅根据电池本身特性进行预测，并未考虑到用户驾驶行为以及用户用车习惯等其它因素，如此，电池健康状态的预测准确度较低。
针对上述的现象，本申请通过电池数据提取的下一时间步的用车行为特征和电池健康预测模型，对电池的健康度进行预测，得到电池的健康度。实现了综合下一时间步的电池本身性质和用户驾驶行为与电池健康预测模型，预测电池的健康度，使得预测得到的健康度由多种因素确定，且具备实时性，从而提高了电池健康状态的预测准确度。
请参照图1，如图1所示，在本申请电池健康状态预测方法的第一实施例中，本申请车辆放电的控制方法具体包括如下步骤：
步骤S10，获取车辆的电池数据；
需要说明的是，在本实施例中，本申请电池健康状态预测方法可以应用于车辆也可以应用于车辆中的控制系统，还可以应用于与车辆通信连接的服务器，其中，通信连接可以为接口等有线连接，还可以为蓝牙，局域网等无线连接，以实现数据的交互处理，对车辆中的电池进行电池健康状态的预测。为方便阅读和理解，后文以上述的车辆作为本申请电池健康状态预测方法的执行主体，来具体阐述本实施例。
在本实施例中，获取车辆中电池的电池数据。
步骤S20，对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；
在本实施例中，车辆通过预设特征提取器对电池数据中用于表征电池工作状态以及用户驾驶行为的特征进行提取，得到车辆对应的用车行为特征，其中，所述用车行为特征包括但不限于行驶里程特征、放电特征、剩余电量特征、车辆电流特征、车辆速度特征、车辆运行温度特征、使用时间特征、充电压差特征以及放电压差特征。
步骤S30，依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；
通过预设线性拟合模型将用车行为特征映射为所述车辆在下一时间步的预测用车行为特征。
作为一种可行的实施例，在上述步骤S30中，所述用车行为特征的特征类型包括占比类特征和累加类特征，所述依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征的步骤，包括：
步骤S31，依据预设线性拟合模型和所述用车行为特征，预测得到所述车辆在下一时间步的预测累加类特征；
步骤S32，将所述占比类特征和所述累加类特征进行聚合得到所述车辆在下一时间步的预测用车行为特征。
需要说明的是，在本实施例中，占比类特征为体现占比的特征，例如，用于表征参数位于预设参数范围的比例的特征，累加类特征为随时间变化的可以累加的特征，例如，行驶里程等特征。
在本实施例中，依据预设线性拟合模型，将累加类特征映射为车辆在下一时间步的预测累加类特征，或者，依据预设线性拟合算法，将累加类特征的计算结果作为车辆在下一时间步的预测累加类特征，或者，构建累加类特征随时序变化的时序累加类特征图，根据时序累加类特征图，得到车辆在下一时间步对应的用车行为特征值，作为预测用车行为特征，将占比类特征和累加类特征拼接得到所述车辆在下一时间步的预测用车行为特征。
作为一种示例，参照图2，图2为某一车辆的运行总里程随时间的变化趋势图，通过预设线性拟合模型或者预设线性拟合算法对运行总里程未来三个月的特征值进行预测，参照图3，图3为某一车辆的运行里程预测值和运行里程真实值随时间的变化趋势图。参照图4，图4包括某一车辆的预测用车行为特征(图示的总行驶里程、满放电圈数、放电时长、该车日历寿命、充电电流0-50A占比以及充电结束SOC位于90-100的占比…)，其中，包括累加类特征(图示的总行驶里程、满放电圈数、放电时长以及该车日历寿命)和占比类特征(图示的充电电流0-50A占比以及充电结束SOC位于90-100的占比…)。对于累加类特征通过线性拟合预测，对于占比类特征延续原特征值。
通过预设线性拟合模型，将累加类特征映射为车辆在下一时间步的预测累加类特征，实现了大量数据的线性拟合得到预测累加类特征，避免了采用预设线性拟合算法计算车辆在下一时间步的预测累加类特征时，由于预设线性拟合算法的局限性大和迁移性低，导致预测累加类特征的预测准确性低，或者，采用时序累加类特征图，得到车辆在下一时间步对应的用车行为特征值作为预测用车行为特征时，由于构建时序累加类特征图的数据量过少，导致预测累加类特征的预测准确性低的技术缺陷，从而提高了预测累加类特征的预测准确性。
步骤S40，依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。
在本实施例中，对预测用车行为特征进行归一化处理，得到处理后的预测用车行为特征，通过电池健康状态预测模型将预测用车行为特征映射为车辆中电池的健康度。
作为一种示例，参照图5，图5包括预测用车行为特征(图示的14个特征值)、电池健康状态预测模型(图示的训练完成的随机森林模型)以及车辆中电池的健康度(图示的输出SOH结果)，通过电池健康状态预测模型将用车行为特征映射为车辆中电池的健康度。
由于车辆电池的健康度受到多种因素影响，对于电池数据提取多个特征，为预测车辆电池的健康度提供了更多的决策依据，提升了车辆电池的健康度的预测准确度，且通过用车行为特征的预测用车行为特征和电池健康状态预测模型预测车辆中电池的健康度，为预测车辆电池的健康度提供了实时决策依据，因此，提高了车辆电池的健康度的预测准确度。
上述实施例中的电池健康状态预测方法的模型算法可以存储至与车辆通信连接的服务器，图6是本申请提供的电池健康状态预测方法的一应用场景示意图。如图6所示，该应用场景可以包括：配置有电池的车辆01，与车辆01通过通信基站02进行通信连接的服务器03。在图2中，车辆01发送训练电池数据，以供服务器03通过电池数据提取用车行为特征和预测用车行为特征，根据预测用车行为特征和电池健康状态预测模型进行电池的健康度的预测，得到车辆中电池的健康度。电池健康状态预测模型的算法需要的存储空间较大，因此为避免车辆的控制系统发生过多的存储冗余和运行冗余，优选将各模型存储至服务器。
上述实施例中的电池健康状态预测方法的模型算法可以存储至与车辆通信连接的服务器，图7是本申请提供的电池健康状态预测方法的一应用场景示意图。如图7所示，该应用场景可以包括：配置有训练电池的车辆01，以及存储至车辆01中的电池健康状态预测方法的控制流程04，控制流程04包括通过根据电池数据提取用车行为特征，根据用车行为特征得到预测用车行为特征，根据预测用车行为特征，预测得到所述车辆中电池的健康度。
本申请提供了一种电池健康状态预测方法、装置、电子设备及可读存储介质，通过获取车辆的电池数据；对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。
如此，本申请通过电池数据提取的下一时间步的用车行为特征和电池健康预测模型，对电池的健康度进行预测，得到电池的健康度。实现了综合下一时间步的电池本身性质和用户驾驶行为与电池健康预测模型，预测电池的健康度，使得预测得到的健康度由多种因素确定，且具备实时性，从而提高了电池健康状态的预测准确度。
进一步地，基于上述本申请电池健康状态预测方法的第一实施例，提供本申请电池健康状态预测方法的第二实施例。
在本实施例中，本申请电池健康状态预测方法同样由上述的车辆作为执行主体进行实施。作为一种可行的实施例，在步骤S40中，在所述依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度的步骤之前，具体可以包括：
步骤A10，获取待训练电池健康状态预测模型、所述车辆中电池的训练样本数据以及基于所述训练样本数据计算得到的所述电池的真实健康度；
在本实施例中，获取车辆中电池的训练样本数据以及待训练电池健康状态预测模型。之后，车辆选取实际用车工况中的理想工况下的电池充电数据，计算电池在理想工况下的健康度，得到电池对应的真实健康度。
步骤A20，对所述训练样本数据进行特征提取得到所述电池对应的训练用车行为特征；
在本实施例中，车辆通过预设特征提取器对训练电池数据中用于表征电池工作状态以及用户驾驶行为的特征进行提取，得到训练电池对应的训练用车行为特征。
作为一种示例，车辆对训练样本数据进行计算，得到用于表征电池工作状态以及用户驾驶行为的训练驾驶行为数据，将各训练驾驶行为数据对应的特征，作为电池对应的训练用车行为特征。
作为一种示例，参照图8，图8包括车辆A和车辆B中电池的车型预计最高行驶里程、车型预计最长日历寿命、该车总行驶里程、该车满放电圈数、该车放电时长和该车日历寿命。
作为一种可行的实施例，在上述步骤A20中，所述训练用车行为特征的特征内容包括用户行为特征和电池性能特征，所述对所述训练样本数据进行特征提取得到所述电池对应的训练用车行为特征的步骤，具体可以包括：
步骤A21，获取所述训练电池数据中用于计算所述真实健康度的电池充电数据的截止时间；
在本实施例中，在训练电池数据中选取满足预设充电工况条件的电池充电数据的充电结束时间，得到截止时间。
步骤A22，在所述训练样本数据中选取所述截止时间之前满足预设健康状态预测条件的训练电池数据；
在本实施例中，在训练样本数据中选取截止时间之前，且满足车辆在开始充电，也即开始充电循环，或者，未充电且车辆里程逐渐增加，也即开始驾驶循环时的训练电池数据。
作为一种示例，参照图9和图10，图9包括车辆B在截止时间之前的训练电池数据(图示的总行驶里程、满放电圈数、放电时长、该车日历寿命、充电电流0-50A占比以及充电结束SOC位于90-100的占比…)。图10包括车辆B每日的训练电池数据(图示的截止里程、总SOC深度以及总放电时长)。
步骤A23，根据所述训练电池数据提取用户行为特征和电池性能特征。
需要说明的是，在本实施例中，预设特征提取器包括用户行为特征提取模型和电池性能特征提取模型。
在本实施例中，通过用户行为特征提取模型对目标训练电池数据中的用户行为进行特征提取，得到用户行为特征，通过电池性能特征提取模型对目标训练电池数据中的电池性能进行特征提取，得到电池性能特征。将用户行为特征和电池性能特征拼接为训练用车行为特征。
可选地，通过用户行为特征提取模型对目标训练电池数据中的用户行为进行特征提取，得到用户行为特征，具体可以包括：
用户行为特征提取模型包括行驶里程特征提取模型、放电特征提取模型、剩余电量特征提取模型、电流特征提取模型、车辆速度特征提取模型和运行温度特征提取模型。通过行驶里程特征提取模型在目标训练电池数据中提取车辆的总行驶里程，得到行驶里程特征；通过放电特征提取模型在目标训练电池数据中提取车辆的满放电次数以及总放电时长，得到放电特征；通过剩余电量特征提取模型在目标训练电池数据中提取车辆充电过程结束时的第二剩余电量位于预设充电剩余电量范围的第一比例，例如，预设放电剩余电量范围可以为90-100，也可以为92-98，以及提取车辆放电过程结束时的第三剩余电量位于预设放电剩余电量范围的第二比例，得到剩余电量特征，例如，预设放电剩余电量范围可以为0-15，也可以为5-10；通过车辆速度特征提取模型在目标训练电池数据中提取车辆的车辆速度大于预设车辆速度阈值的第三比例，得到车辆速度特征，例如，预设车辆速度阈值可以为120km/h，也可以为130km/h；通过运行温度特征提取模型在目标训练电池数据中提取车辆的运行最低温度位于预设运行最低温度范围的第四比例，例如，预设运行最低温度范围可以为-5℃至-25℃，也可以为0℃至-15℃，通过运行温度特征提取模型在目标训练电池数据中提取车辆的运行最高温度位于预设运行最高温度范围的第五比例，例如，预设运行最高温度范围可以为45℃至50℃，也可以为46℃至49℃，得到车辆运行温度特征。通过电流特征提取模型提取充电电流位于预设充电电流范围的第六比例，例如，预设充电电流范围可以为0-50A，也可以为0-40A，得到车辆电流特征。将行驶里程特征、放电特征、剩余电量特征、车辆电流特征、车辆速度特征和车辆运行温度特征拼接为用户行为特征。
可选地，通过电池性能特征提取模型对目标训练电池数据中的电池性能进行特征提取，得到电池性能特征，具体可以包括：
电池性能特征提取模型包括使用时间特征提取模型、充电压差特征提取模型和放电压差特征提取模型。通过寿命特征提取模型在目标训练电池数据中提取车辆从出厂截止至获取训练电池对应的真实健康度的时间，得到使用时间特征，通过充电压差特征提取模型在目标训练电池数据中提取充电压差位于第一预设压差范围的第七比例，以及在目标训练电池数据中提取充电压差位于第二预设压差范围的第八比例，得到充电压差特征，例如，第一预设压差范围可以为0-100mV，也可以为10-90mV。第二预设压差范围可以为100-300mV，也可以为120-280mV。通过放电压差特征提取模型在目标训练电池数据中提取放电压差位于第三预设压差范围的第九比例，以及在目标训练电池数据中提取放电压差位于第四预设压差范围的第十比例，得到放电压差特征，例如，第三预设压差范围可以为0-100mV，也可以为10-90mV。第四预设压差范围可以为100-300mV，也可以为120-280mV。将使用时间特征、充电压差特征以及放电压差特征拼接为电池性能特征。
步骤A30，对所述训练用车行为特征进行归一化处理得到归一化用车行为特征；
在本实施例中，对训练用车行为特征中的累加类特征进行归一处理，将累加类特征映射为预设取值范围的归一化累加类特征，将归一化累加类特征与占比类特征拼接为归一化用车行为特征，其中，预设取值范围为0-1。
作为一种可行的实施例，在上述步骤A30中，所述对所述训练用车行为特征进行归一化处理得到归一化用车行为特征的步骤，具体可以包括：
获取各所述训练用车行为特征对应的预设特征阈值；
依据各所述训练用车行为特征与所述预设特征阈值的比值得到归一化用车行为特征。
可以理解的是，占比类特征的取值范围为0-1，因此无需对占比类特征进行处理。
在本实施例中，获取训练用车行为特征中各累加类特征对应的预设特征阈值；将各累加类特征和所述预设特征阈值的比值作为归一化累加类特征，将归一化累加类特征和占比类特征拼接为归一化用车行为特征。
可选地，当累加类特征为行驶里程特征时，获取行驶里程特征对应的预设行驶里程阈值，将行驶里程特征和预设行驶里程阈值的第一比值，作为行驶里程特征对应的归一化行驶里程特征，其中，预设行驶里程阈值可以为700000km，也可以为650000km；当累加类特征为满放电次数特征时，获取满放电次数特征对应的预设满放电次数阈值，其中，预设满放电次数阈值由预设行驶里程阈值与放电过程中预设剩余电量范围的预计行驶里程的第二比值得到，预设剩余电量范围可以为0-100，也可以为10-90，预计行驶里程可以370km，也可以为350km，将满放电次数特征和预设满放电次数阈值的第四比值，作为满放电次数特征对应的归一化满放电次数特征；当累加类特征为放电时长特征时，获取放电时长特征对应的预设放电时长阈值，其中，预设放电时长阈值由行驶里程阈值与预计平均驾驶速度的第四比值得到，预计平均驾驶速度可以为30km/h，也可以为35km/h，预设将放电时长特征和预设放电时长阈值的第五比值，作为放电时长特征对应的归一化放电时长特征；当累加类特征为使用时间特征时，获取使用时间特征对应的预设使用时间阈值，将使用时间特征与预设使用时间阈值的第六比值，作为使用时间特征对应的归一化使用时间特征，预设使用时间阈值可以为7200天，也可以为9000天。
通过对训练用车行为特征进行归一化处理，以消除不同电池的电池包特性对健康度的影响，使得训练得到的电池健康状态预测模型可在不同电池包之间进行迁移，从而降低了电池健康状态预测模型的预测局限性。
步骤A40，依据所述归一化用车行为特征和所述待训练电池健康状态预测模型，预测得到所述电池的训练健康度；
在本实施例中，通过待训练电池健康状态预测模型将归一化用车行为特征映射为电池的训练健康度。
步骤A50，依据所述训练健康度与所述真实健康度，对所述待训练电池健康状态预测模型进行迭代优化得到所述电池健康状态预测模型。
在本实施例中，依据训练健康度和真实健康度之间的差异度，计算待训练电池健康预测模型对应的模型损失，进而判断模型损失是否收敛，若模型损失收敛，则将待训练电池健康预测模型作为电池健康预测模型，若模型损失未收敛，则基于模型损失计算的梯度，通过预设模型更新方法更新待训练电池健康预测模型，其中，所述预设模型更新方法为梯度下降法、梯度上升法等。
在训练样本数据中提取电池健康特征数据，其中，所述电池健康特征数据用于表征所述训练电池的健康状态；通过预设健康度预测模型和所述电池健康特征数据，预测所述训练电池的健康状态，得到所述真实健康度，其中，所述电池健康特征数据包括但不限于电流特征和电量特征。
而通过预设健康度预测模型对电池的健康度进行预测，通过将电池健康特征数据映射为电池的健康程度值，对于电池的健康度没有具象化的体现，仅通过电池健康特征数据和预设健康度预测模型对电池的健康程度进行预测，容易出现由于选取的用于表征电池的健康状态的特征较少，导致电池的健康状态的预测不准确的情况，进而导致训练电池的真实健康度的获取不准确。
作为一种可行的实施例，在上述步骤A10中，所述基于所述训练电池数据计算得到的所述电池的真实健康度的步骤，具体可以包括：
步骤A11，在所述训练样本数据中选取满足预设充电工况条件的电池充电数据，其中，所述电池充电数据包括所述电池在充电过程中的训练电池电流、所述电池开始所述充电过程的第一剩余电量、所述电池结束所述充电过程的第二剩余电量以及所述电池的额定电池容量；
步骤A12，依据所述训练电池电流、所述第一剩余电量、所述第二剩余电量以及所述额定电池容量，确定所述电池对应的真实健康度。
需要说明的是，在本实施例中，剩余电量为放电SOC(State of Charge，荷电状态，也叫剩余电量)。额定电池容量为电池在额定工作条件下能长期持续工作的容量，由电池的电池性质确定。预设充电工况条件为预先设置的判断电池的充电工况较理想的充电工况条件。
在本实施例中，在所述训练样本数据中选取满足预设充电工况条件时，在充电过程中的训练电池电流、开始充电过程的第一剩余电量、结束充电过程的第二剩余电量和额定电池容量，得到电池的电池充电数据；获取第二剩余电量和第一剩余电量的差值，依据训练电池电流与差值和额定电池容量的乘积的比值，得到训练电池对应的真实健康度。
可选地，所述依据所述训练电池电流、所述第一剩余电量、所述第二剩余电量以及所述额定电池容量，确定所述电池对应的真实健康度，具体可以为：
Figure BDA0003767238950000161
其中，SOH为电池对应的真实健康度；tβ为电池的充电过程结束的时间，tα为电池的充电过程开始的时间；SOCα为第一剩余电量；SOCβ为第二剩余电量；Q额为额定电池容量。
根据电池电流，剩余电量和额定电池容量，计算电池在理想充电工况下的健康度，实现了以量化的方式精准确定电池健康状态，从而提高了电池健康状态的确定准确性，进而提高了电池的真实健康度的确定准确性。
作为一种可行的实施例，在上述步骤S11中，所述在所述训练样本数据中选取满足预设充电工况条件的电池充电数据，具体可以包括：
在所述训练样本数据中选取所述充电过程结束后的静置时长大于预设时长阈值的第一电池数据；
确定所述第一电池数据中所述第二剩余电量与所述第一剩余电量的差值大于预设电量阈值且所述充电过程结束时的电流小于预设电流阈值的第二电池数据，作为所述电池充电数据。
需要说明的是，在本实施例中，预设时长阈值为预设的判定充电结束后对电池电压值测量的真实性影响较小的静置时长临界值，预设时长阈值可以为30min，也可以为35min。预设电量阈值为预设的对计算训练电池的真实健康度影响较小的第二剩余电量与第一剩余电量的差值的临界值，预设电量阈值可以为50，也可以为55。预设电流阈值为预设的对计算训练电池的剩余电量影响较小的电流临界值，预设电流阈值可以为1C，也可以为0.8C。
在本实施例中，获取各训练样本数据在充电过程结束后的静置时长，选取各训练电池数据中静置时长大于预设时长阈值的第一电池数据；获取第一电池数据的开始充电过程的第一剩余电量、充电过程结束时的电流以及充电过程结束的第二剩余电量，在第一电池数据中选取第二剩余电量与第一剩余电量的差值大于预设电量阈值且电流小于预设电流阈值的第二电池数据，作为所述电池充电数据。
可以理解的是，电池在充电过程中的电流过大时，容易出现计算电池的电压时与电池的实际电压出现偏差，从而导致计算得到的剩余电压不准确的情况，进而导致计算得到的电池的真实健康度的准确性低。第二剩余电量与第一剩余电量的差值较小时，容易出现误差较大，从而导致计算得到的电池的真实健康度的准确性低。电池在充电过程结束后的静置时长过短时，电池的极化内阻较大，容易出现计算电池的电压时与电池的实际电压出现偏差，从而导致计算得到的剩余电压不准确的情况，进而导致计算得到的电池的真实健康度的准确性低。
本实施例通过选取满足预设充电工况条件的电池充电数据，而预设充电工况条件中包含用于约束电池在充电过程中第二剩余电量与第一剩余电量的差值、电池在充电过程结束后的静置时长以及充电过程结束时的电流的条件，从而避免了由于电池在充电过程中的电流过大，和/或，由于第二剩余电量与第一剩余电量的差值较小，和/或，由于电池在充电过程结束后的静置时长过短，导致的计算得到的电池的真实健康度的准确性低的情况，从而提高了电池的真实健康度的确定准确性。
此外，本申请实施例还提供一种如上述任一实施例中所提及的车辆。
参照图11，图11是本申请实施例方案所提及车辆涉及的硬件运行环境的设备结构示意图。
如图11所示，该车辆可以包括：处理器1001，例如CPU，通信总线1002，网络接口1003，存储器1004。其中，通信总线1002用于实现处理器1001和存储器1004之间的连接通信。存储器1004可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1004可选的还可以是独立于前述处理器1001的存储设备。
可选地，该车辆还可以包括矩形用户接口、网络接口、摄像头、RF(RadioFrequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图11中示出的结构并不构成对车辆的限定，基于实际应用的不同设计需要，在不同可行的实施方式当中，车辆当然还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图11所示，作为一种存储介质的存储器1004中可以包括操作系统、网络通信模块以及电池健康状态预测程序。操作系统是管理和控制基于车辆硬件和软件资源的程序，支持电池健康状态预测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1004内部各组件之间的通信，以及与电池健康状态预测系统中其它硬件和软件之间通信。
在图11所示的车辆中，处理器1001用于执行存储器1004中存储的电池健康状态预测程序，实现上述任一实施例所述的电池健康状态预测方法的步骤。
本申请基于车辆具体实施方式与上述电池健康状态预测方法各实施例基本相同，在此不再赘述。
此外，本申请还提供一种电池健康状态预测装置，本申请车辆放电的控制装置应用于车辆对电池健康状态预测进行控制，如图12所示，本申请电池健康状态预测装置包括：
获取模块，用于获取车辆的电池数据；
提取模块，用于对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；
特征预测模块，用于依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；
健康度预测模块，用于依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。
可选地，所述用车行为特征的特征类型包括占比类特征和累加类特征，所述特征预测模块还用于：
依据预设线性拟合模型和所述用车行为特征，预测得到所述车辆在下一时间步的预测累加类特征；
将所述占比类特征和所述累加类特征进行聚合得到所述车辆在下一时间步的预测用车行为特征。
可选地，在所述依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度的步骤之前，所述电池健康状态预测装置还用于：
获取待训练电池健康状态预测模型、所述车辆中电池的训练样本数据以及基于所述训练样本数据计算得到的所述电池的真实健康度；
对所述训练样本数据进行特征提取得到所述电池对应的训练用车行为特征；
对所述训练用车行为特征进行归一化处理得到归一化用车行为特征；
依据所述归一化用车行为特征和所述待训练电池健康状态预测模型，预测得到所述电池的训练健康度；
依据所述训练健康度与所述真实健康度，对所述待训练电池健康状态预测模型进行迭代优化得到所述电池健康状态预测模型。
可选地，所述训练用车行为特征的特征内容包括用户行为特征和电池性能特征，所述电池健康状态预测装置还用于：
获取所述训练电池数据中用于计算所述真实健康度的电池充电数据的截止时间；
在所述训练样本数据中选取所述截止时间之前满足预设健康状态预测条件的训练电池数据；
根据所述训练电池数据提取用户行为特征和电池性能特征。
可选地，所述电池健康状态预测装置还用于：
在所述训练样本数据中选取满足预设充电工况条件的电池充电数据，其中，所述电池充电数据包括所述电池在充电过程中的训练电池电流、所述训练电池开始所述充电过程的第一剩余电量、所述训练电池结束所述充电过程的第二剩余电量以及所述电池的额定电池容量；
依据所述训练电池电流、所述第一剩余电量、所述第二剩余电量以及所述额定电池容量，确定所述电池对应的真实健康度。
可选地，所述电池健康状态预测装置还用于：
在所述训练样本数据中选取第一电池数据，其中，所述第一电池数据为所述充电过程结束后的静置时长大于预设时长阈值的电池数据；
确定所述第一电池数据中的第二电池数据为所述电池充电数据，其中，所述第二电池数据为所述第二剩余电量与所述第一剩余电量的差值大于预设电量阈值且所述充电过程结束时的电流小于预设电流阈值的电池数据。
可选地，所述电池健康状态预测装置还用于：
获取各所述训练用车行为特征对应的预设特征阈值；
依据各所述训练用车行为特征与所述预设特征阈值的比值得到归一化用车行为特征。
本申请车辆放电的控制装置各个功能模块的具体实施方式与上述车辆放电的控制方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种计算机存储介质，且所述计算存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的车辆放电的控制方法的步骤。
本申请计算机存储介质具体实施方式与上述车辆放电的控制方法各实施例基本相同，在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的车辆放电的控制方法的步骤。
本申请计算机程序产品的具体实施方式与上述车辆放电的控制方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是车载电脑，智能手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种电池健康状态预测方法，其特征在于，所述电池健康状态预测方法包括：
获取车辆的电池数据；
对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；
依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；
依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。
2.如权利要求1所述电池健康状态预测方法，其特征在于，所述用车行为特征的特征类型包括占比类特征和累加类特征，所述依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征的步骤，包括：
依据预设线性拟合模型和所述用车行为特征，预测得到所述车辆在下一时间步的预测累加类特征；
将所述占比类特征和所述累加类特征进行聚合得到所述车辆在下一时间步的预测用车行为特征。
3.如权利要求1所述电池健康状态预测方法，其特征在于，在所述依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度的步骤之前，所述方法还包括：
获取待训练电池健康状态预测模型、所述车辆中电池的训练样本数据以及基于所述训练样本数据计算得到的所述电池的真实健康度；
对所述训练样本数据进行特征提取得到所述电池对应的训练用车行为特征；
对所述训练用车行为特征进行归一化处理得到归一化用车行为特征；
依据所述归一化用车行为特征和所述待训练电池健康状态预测模型，预测得到所述电池的训练健康度；
依据所述训练健康度与所述真实健康度，对所述待训练电池健康状态预测模型进行迭代优化得到所述电池健康状态预测模型。
4.如权利要求3所述电池健康状态预测方法，其特征在于，所述训练用车行为特征的特征内容包括用户行为特征和电池性能特征，所述对所述训练样本数据进行特征提取得到所述电池对应的训练用车行为特征的步骤，包括：
获取所述训练电池数据中用于计算所述真实健康度的电池充电数据的截止时间；
在所述训练样本数据中选取所述截止时间之前满足预设健康状态预测条件的训练电池数据；
根据所述训练电池数据提取用户行为特征和电池性能特征。
5.如权利要求3所述电池健康状态预测方法，其特征在于，所述基于所述训练电池数据计算得到的所述电池的真实健康度的步骤，包括：
在所述训练样本数据中选取满足预设充电工况条件的电池充电数据，其中，所述电池充电数据包括所述电池在充电过程中的训练电池电流、所述训练电池开始所述充电过程的第一剩余电量、所述训练电池结束所述充电过程的第二剩余电量以及所述电池的额定电池容量；
依据所述训练电池电流、所述第一剩余电量、所述第二剩余电量以及所述额定电池容量，确定所述电池对应的真实健康度。
6.如权利要求5所述电池健康状态预测方法，其特征在于，所述在所述训练样本数据中选取满足预设充电工况条件的电池充电数据的步骤，包括：
在所述训练样本数据中选取第一电池数据，其中，所述第一电池数据为所述充电过程结束后的静置时长大于预设时长阈值的电池数据；
确定所述第一电池数据中的第二电池数据为所述电池充电数据，其中，所述第二电池数据为所述第二剩余电量与所述第一剩余电量的差值大于预设电量阈值且所述充电过程结束时的电流小于预设电流阈值的电池数据。
7.如权利要求3所述电池健康状态预测方法，其特征在于，所述对所述训练用车行为特征进行归一化处理得到归一化用车行为特征的步骤，包括：
获取各所述训练用车行为特征对应的预设特征阈值；
依据各所述训练用车行为特征与所述预设特征阈值的比值得到归一化用车行为特征。
8.一种电池健康状态预测装置，其特征在于，所述电池健康状态预测装置包括：
获取模块，用于获取车辆的电池数据；
提取模块，用于对所述电池数据进行特征提取得到所述车辆对应的用车行为特征；
特征预测模块，用于依据所述用车行为特征，预测得到所述车辆在下一时间步的预测用车行为特征；
健康度预测模块，用于依据所述预测用车行为特征和电池健康状态预测模型，预测得到所述车辆中电池的健康度。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的电池健康状态预测方法的步骤。
10.一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上存储有实现电池健康状态预测方法的程序，所述实现电池健康状态预测方法的程序被处理器执行以实现如权利要求1至7中任一项所述电池健康状态预测方法的步骤。
CN202210890148.1A 2022-07-27 2022-07-27 电池健康状态预测方法、装置、电子设备及可读存储介质 Pending CN115219919A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202210890148.1A CN115219919A (zh) 2022-07-27 2022-07-27 电池健康状态预测方法、装置、电子设备及可读存储介质
US18/350,896 US20230349982A1 (en) 2022-07-27 2023-07-12 Method and device for predicting state of health of battery, electronic equipment and readable storage medium
EP23186995.9A EP4311718A1 (en) 2022-07-27 2023-07-21 Method and a device for predicting state of health of battery, electronic equipment and readable storage medium
JP2023122044A JP2023139227A (ja) 2022-07-27 2023-07-26 電池健康状態予測方法、装置、電子機器及び可読記憶媒体
KR1020230098050A KR20230136084A (ko) 2022-07-27 2023-07-27 배터리 건강 상태 예측 방법, 장치, 전자기기 및 판독가능한 저장 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210890148.1A CN115219919A (zh) 2022-07-27 2022-07-27 电池健康状态预测方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN115219919A true CN115219919A (zh) 2022-10-21

Family

ID=83613979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210890148.1A Pending CN115219919A (zh) 2022-07-27 2022-07-27 电池健康状态预测方法、装置、电子设备及可读存储介质

Country Status (5)

Country Link
US (1) US20230349982A1 (zh)
EP (1) EP4311718A1 (zh)
JP (1) JP2023139227A (zh)
KR (1) KR20230136084A (zh)
CN (1) CN115219919A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117393140A (zh) * 2023-12-08 2024-01-12 广东壹健康健康产业集团股份有限公司 基于历史数据的智能指环控制方法及装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150275B (zh) * 2023-11-01 2024-04-09 宁德时代新能源科技股份有限公司 机器学习模型构建方法、电池健康度预测方法以及装置
CN117665630B (zh) * 2024-02-01 2024-04-12 云储新能源科技有限公司 一种基于充放电循环数据的电池寿命预测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11255918B2 (en) * 2020-01-06 2022-02-22 Tata Consultancy Services Limited Method and system for online estimation of SOH and RUL of a battery
CN111965558B (zh) * 2020-07-22 2023-01-31 宝能(广州)汽车研究院有限公司 Soh值的获取方法及系统、电动汽车及计算机可读存储介质
CN112666464B (zh) * 2021-01-27 2023-11-07 北京嘀嘀无限科技发展有限公司 电池健康状态预测方法、装置、电子设备和可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117393140A (zh) * 2023-12-08 2024-01-12 广东壹健康健康产业集团股份有限公司 基于历史数据的智能指环控制方法及装置
CN117393140B (zh) * 2023-12-08 2024-04-05 广东壹健康健康产业集团股份有限公司 基于历史数据的智能指环控制方法及装置

Also Published As

Publication number Publication date
KR20230136084A (ko) 2023-09-26
EP4311718A1 (en) 2024-01-31
US20230349982A1 (en) 2023-11-02
JP2023139227A (ja) 2023-10-03

Similar Documents

Publication Publication Date Title
CN115219919A (zh) 电池健康状态预测方法、装置、电子设备及可读存储介质
CN111880106B (zh) 电池荷电状态检测方法、设备、存储介质及装置
WO2022262583A1 (zh) 电池健康状态测算方法以及相关设备
US11275118B2 (en) Battery estimation system, battery estimation method, and storage medium
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
CN111123137B (zh) 电池组的soc和soh的估算方法
KR101996943B1 (ko) 배터리 용량 상태 추정 장치 및 이의 방법
CN112172592B (zh) 充电时间确定方法、设备、存储介质及装置
CN110806540B (zh) 电芯测试数据处理方法、装置、系统和存储介质
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
CN110861533B (zh) 电动汽车soh估算方法、装置和存储介质
CN113093027B (zh) 电池soc校准方法、装置、系统、介质及程序产品
CN113589174A (zh) 一种锂离子动力电池系统电芯一致性预测方法及装置
CN113111508A (zh) 电芯一致性的评估方法、装置及服务器
CN112630661A (zh) 一种电池荷电状态soc估算方法和装置
CN111123138B (zh) 一种电池组的soh的估算方法
CN116609676A (zh) 一种基于大数据处理的混合储能电池状态监控方法及系统
CN115700717A (zh) 一种基于电动汽车用电需求的配电分析方法
CN115610252A (zh) 一种车辆电池热管理启用方法、装置、设备及存储介质
CN115097309A (zh) 电池soc的在线预测方法、装置、电子设备及存储介质
CN115236512A (zh) 电池健康状态评估方法、装置、电子设备及可读存储介质
CN113595174A (zh) 电池管理方法、装置、设备和服务器
CN111199104A (zh) 一种电池残余性能分析方法、装置、设备及存储介质
CN116298944A (zh) 充电剩余时间显示控制方法、装置、设备、车辆及介质
CN114089204A (zh) 一种电池容量跳水拐点预测方法及装置

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