CN115291116A - 储能电池健康状态预测方法、装置及智能终端 - Google Patents

Abstract

本发明公开了一种储能电池健康状态预测方法、装置及智能终端，方法包括：获取储能电池的当前运行状态数据和当前电池健康状态值；根据预设的标准运行状态数据与当前运行状态数据计算获得运行状态偏移数据；根据当前运行状态数据、运行状态偏移数据和当前电池健康状态值，通过已训练的储能电池健康状态预测模型对储能电池的健康状态进行预测并获得储能电池在目标预测时刻的电池健康状态预测值，目标预测时刻是当前时刻的后一时刻，储能电池健康状态预测模型包括第一预测子模型和第二预测子模型，第一预测子模型和上述第二预测子模型的在模型训练时采用的训练优化算法不同。本发明有利于获得储能电池的健康状态预测值。

Description

储能电池健康状态预测方法、装置及智能终端

技术领域

本发明涉及电池健康状态评估技术领域，尤其涉及的是一种储能电池健康状态预测方法、装置及智能终端。

背景技术

随着科学技术的发展，电池的应用越来越广泛。例如，随着风能、太阳能等新能源的利用率的提高，需要设置更多的储能电池以将新能源所转化的电能进行存储。电池的健康状态（SOH，State of Health）是能够反映电池的性能和寿命的一个重要指标，根据获取或估计的电池健康状态能够更好地进行电池管理。

现有技术中，对于电池的健康状态只能进行监测，但不能进行预测。现有技术的问题在于，只能确定当前时刻电池的健康状态，不能对电池未来的健康状态进行预测，不利于获得电池的健康状态预测值。

因此，现有技术还有待改进和发展。

发明内容

本发明的主要目的在于提供一种储能电池健康状态预测方法、装置及智能终端，旨在解决现有技术中只能确定当前时刻电池的健康状态，不能对电池未来的健康状态进行预测，不利于获得电池的健康状态预测值的问题。

为了实现上述目的，本发明第一方面提供一种储能电池健康状态预测方法，其中，上述储能电池健康状态预测方法包括：

获取储能电池的当前运行状态数据和当前电池健康状态值，其中，上述当前运行状态数据包括上述储能电池在当前时刻的电压、电流、荷电状态和运行温度；

根据预设的标准运行状态数据与上述当前运行状态数据计算获得运行状态偏移数据；

根据上述当前运行状态数据、上述运行状态偏移数据和上述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对上述储能电池的健康状态进行预测并获得上述储能电池在目标预测时刻的电池健康状态预测值，其中，上述目标预测时刻是上述当前时刻的后一时刻，上述储能电池健康状态预测模型包括第一预测子模型和第二预测子模型，上述第一预测子模型和上述第二预测子模型的在模型训练时采用的训练优化算法不同。

可选的，上述获取储能电池的当前运行状态数据和当前电池健康状态值，包括：

获取上述储能电池在当前时刻的电压、电流、荷电状态和运行温度；

获取上述储能电池对应的初始容量以及上述储能电池在当前时刻的当前实际容量，将上述当前实际容量与上述初始容量的比值作为上述当前电池健康状态值。

可选的，上述当前运行状态数据还包括上述储能电池在上述当前时刻的故障检测数据。

可选的，上述预设的标准运行状态数据包括标准电压、标准电流和标准运行温度，上述根据预设的标准运行状态数据与上述当前运行状态数据计算获得运行状态偏移数据，包括：

根据上述标准电压、上述标准电流、上述标准运行温度、上述储能电池在当前时刻的电压、上述储能电池在当前时刻的电流以及上述储能电池在当前时刻的运行温度分别计算获得电压差值、电流差值和温度差值；

将上述电压差值除以上述标准电压获得电压偏移值，将上述电流差值除以上述标准电流获得电流偏移值，将上述温度差值除以上述标准运行温度获得温度偏移值；

根据预设的权重系数对上述电压偏移值、上述电流偏移值以及上述温度偏移值进行加权求和，获得上述运行状态偏移数据。

可选的，上述根据上述当前运行状态数据、上述运行状态偏移数据和上述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对上述储能电池的健康状态进行预测并获得上述储能电池在目标预测时刻的电池健康状态预测值，包括：

将上述当前运行状态数据、上述运行状态偏移数据和上述当前电池健康状态值作为上述第一预测子模型的输入数据，通过上述第一预测子模型输出上述储能电池在目标预测时刻的健康状态第一预测值；

将上述当前运行状态数据、上述运行状态偏移数据和上述健康状态第一预测值作为上述第二预测子模型的输入数据，通过上述第二预测子模型输出上述储能电池在目标预测时刻的健康状态第二预测值，并将上述健康状态第二预测值作为上述电池健康状态预测值。

可选的，上述储能电池健康状态预测模型根据如下步骤进行训练：

将训练数据中的运行状态训练数据、运行状态偏移训练数据和电池健康状态训练值输入上述第一预测子模型，通过上述第一预测子模型输出第一训练预测值，将上述训练数据中的运行状态训练数据、运行状态偏移训练数据以及获得的上述第一训练预测值输入上述第二预测子模型，通过上述第二预测子模型输出第二训练预测值，其中，上述训练数据包括多组电池训练数据组，每一组电池训练数据组包括上述储能电池在训练数据采集时刻对应的运行状态训练数据、运行状态偏移训练数据、电池健康状态训练值以及上述储能电池在训练预测时刻的电池健康状态实际值，上述训练预测时刻是上述训练数据采集时刻的后一时刻；

根据上述第二训练预测值对应的电池健康状态实际值和上述第二训练预测值，通过预先设置的第一优化算法对上述第一预测子模型的模型参数进行调整，通过预先设置的第二优化算法对上述第二预测子模型的模型参数进行调整，并继续执行上述将训练数据中的运行状态训练数据、运行状态偏移训练数据和电池健康状态训练值输入上述第一预测子模型的步骤，直至满足预设训练条件，以得到已训练的储能电池健康状态预测模型，其中，上述第一优化算法是LGBM算法，上述第二优化算法是SDG算法。

可选的，上述方法还包括：

当上述电池健康状态预测值低于预设的第一健康状态阈值时，输出健康状态告警信息；

当上述电池健康状态预测值低于预设的第二健康状态阈值时，输出健康状态告警信息并控制上述储能电池停止充放电；

其中，上述第二健康状态阈值小于上述第一健康状态阈值。

本发明第二方面提供一种储能电池健康状态预测装置，其中，上述储能电池健康状态预测装置包括：

数据获取模块，用于获取储能电池的当前运行状态数据和当前电池健康状态值，其中，上述当前运行状态数据包括上述储能电池在当前时刻的电压、电流、荷电状态和运行温度；

数据处理模块，用于根据预设的标准运行状态数据与上述当前运行状态数据计算获得运行状态偏移数据；

预测模块，用于根据上述当前运行状态数据、上述运行状态偏移数据和上述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对上述储能电池的健康状态进行预测并获得上述储能电池在目标预测时刻的电池健康状态预测值，其中，上述目标预测时刻是上述当前时刻的后一时刻，上述储能电池健康状态预测模型包括第一预测子模型和第二预测子模型，上述第一预测子模型和上述第二预测子模型的在模型训练时采用的训练优化算法不同。

本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的储能电池健康状态预测程序，上述储能电池健康状态预测程序被上述处理器执行时实现上述任意一种储能电池健康状态预测方法的步骤。

由上可见，本发明方案中，获取储能电池的当前运行状态数据和当前电池健康状态值，其中，上述当前运行状态数据包括上述储能电池在当前时刻的电压、电流、荷电状态和运行温度；根据预设的标准运行状态数据与上述当前运行状态数据计算获得运行状态偏移数据；根据上述当前运行状态数据、上述运行状态偏移数据和上述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对上述储能电池的健康状态进行预测并获得上述储能电池在目标预测时刻的电池健康状态预测值，其中，上述目标预测时刻是上述当前时刻的后一时刻，上述储能电池健康状态预测模型包括第一预测子模型和第二预测子模型，上述第一预测子模型和上述第二预测子模型的在模型训练时采用的训练优化算法不同。

与现有技术中只能确定当前时刻电池的健康状态的方案相比，本发明中，可以结合储能电池在当前时刻的当前运行状态数据（例如电压、电流、荷电状态和运行温度）、当前电池健康状态值以及运行状态偏移数据，通过已经训练好的储能电池健康状态预测模型对下一个时刻的电池健康状态进行预测，能够实现对储能电池未来的健康状态进行预测，从而有利于获得储能电池的健康状态预测值，进而有利于根据预测获得的健康状态预测值对储能电池进行管理和控制。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它的附图。

图1是本发明实施例提供的一种储能电池健康状态预测方法的流程示意图；

图2是本发明实施例图1中步骤S100的具体流程示意图；

图3是本发明实施例提供的一种储能电池健康状态预测装置的结构示意图；

图4是本发明实施例提供的一种智能终端的内部结构原理框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于分类到”。类似的，短语“如果确定”或“如果分类到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦分类到[所描述的条件或事件]”或“响应于分类到[所描述条件或事件]”。

下面结合本发明实施例的附图，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的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

随着科学技术的发展，电池的应用越来越广泛。例如，随着风能、太阳能等新能源的利用率的提高，需要设置更多的储能电池以将新能源所转化的电能进行存储。电池的健康状态（SOH，State of Health）是能够反映电池的性能和寿命的一个重要指标，根据获取或估计的电池健康状态能够更好地进行电池管理。

现有技术中，对于电池的健康状态只能进行监测，但不能进行预测。现有技术的问题在于，只能通过数据监测来确定当前时刻电池的健康状态，不能对电池未来的健康状态进行预测，不利于获得电池的健康状态预测值。从而也难以提前根据电池的健康状态未来可能的变化情况对电池进行预先管理和调控，即难以对可能存在的风险进行预先调控。

在一种应用场景中，需要根据电池的SOH进行实时参数调整以实现对电池的控制，而基于现有的SOH监测计算方式难以满足实时性的要求，因此难以实现对电池的实时控制。

为了解决上述多个问题中的至少一个问题，本发明方案中，获取储能电池的当前运行状态数据和当前电池健康状态值，其中，上述当前运行状态数据包括上述储能电池在当前时刻的电压、电流、荷电状态和运行温度；根据预设的标准运行状态数据与上述当前运行状态数据计算获得运行状态偏移数据；根据上述当前运行状态数据、上述运行状态偏移数据和上述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对上述储能电池的健康状态进行预测并获得上述储能电池在目标预测时刻的电池健康状态预测值，其中，上述目标预测时刻是上述当前时刻的后一时刻，上述储能电池健康状态预测模型包括第一预测子模型和第二预测子模型，上述第一预测子模型和上述第二预测子模型的在模型训练时采用的训练优化算法不同。

与现有技术中只能确定当前时刻电池的健康状态的方案相比，本发明中，可以结合储能电池在当前时刻的当前运行状态数据（例如电压、电流、荷电状态和运行温度）、当前电池健康状态值以及运行状态偏移数据，通过已经训练好的储能电池健康状态预测模型对下一个时刻的电池健康状态进行预测，能够实现对储能电池未来的健康状态进行预测，从而有利于获得储能电池的健康状态预测值，进而有利于根据预测获得的健康状态预测值对储能电池进行管理和控制。

如此，本发明能够对储能电池的SOH进行预测，从而有利于提高储能电池控制的实时性。并且本发明中，使用的储能电池健康状态预测模型由两个采用不同训练优化算法的子模型组成，有利于提高预测获得的电池健康状态预测值的准确性。

示例性方法

如图1所示，本发明实施例提供一种储能电池健康状态预测方法，具体的，上述方法包括如下步骤：

步骤S100，获取储能电池的当前运行状态数据和当前电池健康状态值，其中，上述当前运行状态数据包括上述储能电池在当前时刻的电压、电流、荷电状态和运行温度。

其中，储能电池的当前运行状态数据是储能电池运行过程中的状态数据。本实施例中，基于采集获得的当前时刻的数据对当前时刻的下一时刻的电池健康状态（SOH）进行预测，因此当前时刻是当前进行数据采集的时刻。需要说明的是，上述当前时刻实际上可以是任意一个可以对储能电池进行数据采集的时刻，本实施例中以当前正在进行数据采集的时刻为例进行说明，但在此不作具体限定。其中，上述荷电状态（SOC）可以通过对储能电池进行数据采集或估算获得，还可以有其它获取方式，在此不作具体限定。

本实施例中，使用的当前运行状态数据具体包括储能电池在当前时刻的电压、电流、荷电状态和运行温度，在实际使用过程中，还可以包括其它具体数据，例如储能电池在当前时刻的容量、电池运行故障数据等，从而可以结合更多的信息（例如可能对健康状态产生影响的故障信息）对储能电池的健康状态进行预测。需要说明的是，当上述当前运行状态数据还包括其它具体数据时，在对储能电池健康状态预测模型进行训练时使用的训练数据中也包括对应的具体数据。

具体的，本实施例中，如图2所示，上述步骤S100包括如下具体步骤：

步骤S101，获取上述储能电池在当前时刻的电压、电流、荷电状态和运行温度。

步骤S102，获取上述储能电池对应的初始容量以及上述储能电池在当前时刻的当前实际容量，将上述当前实际容量与上述初始容量的比值作为上述当前电池健康状态值。

其中，上述初始容量是储能电池在初始状态（例如出厂状态）时对应的容量，上述初始容量是储能电池在未发生衰减或损坏时的容量，本实施例中，上述初始容量可以预先设置，也可以由用户根据储能电池的型号实时输入，在此不作具体限定。上述当前实际容量是储能电池在当前时刻的实际电池容量，可以通过对储能电池进行检测获得。

本实施例中，将上述实际容量和初始容量的比值作为储能电池在当前时刻的SOH值（即当前电池健康状态值），用于体现储能电池的健康状态。具体的，SOH值可以用于体现蓄电池容量、健康度和/或性能状态，因此对下一个时刻储能电池的SOH值进行预测，可以根据预测出的结果判断储能电池未来的健康度，从而可以对储能电池的运行状态进行控制，有利于提高储能电池使用的安全性并且避免可能因储能电池健康度降低带来的问题。

本实施例中，上述当前运行状态数据还包括上述储能电池在上述当前时刻的故障检测数据。具体的，可以通过软件自动对储能电池进行故障检测，从而确定当前的故障并获得故障检测数据。同时，还可以对储能电池进行硬件检测以获得对应的故障检测数据。上述故障检测数据可以用于表示操作系统故障、电容故障、电阻被烧坏等，在此不作具体限定。

步骤S200，根据预设的标准运行状态数据与上述当前运行状态数据计算获得运行状态偏移数据。

本实施例中，上述标准状态数据是预先设置的与当前运行状态数据所对应的数据，用于体现储能电池在标准状态（或正常运行状态）下的各个数据的具体值。或者，上述标准状态数据还可以是用户预先设置的标准值，在此不作具体限定。需要说明的是，标准状态数据中具体的数据种类与运行状态数据中的具体数据种类相同。

本实施例中，上述预设的标准运行状态数据包括标准电压、标准电流和标准运行温度，上述根据预设的标准运行状态数据与上述当前运行状态数据计算获得运行状态偏移数据，包括：

根据上述标准电压、上述标准电流、上述标准运行温度、上述储能电池在当前时刻的电压、上述储能电池在当前时刻的电流以及上述储能电池在当前时刻的运行温度分别计算获得电压差值、电流差值和温度差值；

将上述电压差值除以上述标准电压获得电压偏移值，将上述电流差值除以上述标准电流获得电流偏移值，将上述温度差值除以上述标准运行温度获得温度偏移值；

根据预设的权重系数对上述电压偏移值、上述电流偏移值以及上述温度偏移值进行加权求和，获得上述运行状态偏移数据。

本实施例中，上述电压差值是当前时刻采集的电压值减去标准电压后的值，同理，电流差值和温度差值也是当前时刻的数据值减去对应的标准数据值获得的。上述电压差值、电流差值和温度差值是带有正负符号的值，可以体现出当前时刻电压、电流和温度相对于标准值是偏高还是偏低。

具体的，将各个数据差值（例如电压差值）除以对应的标准值（例如标准电压）可以获得对应的数据偏移值（例如电压偏移值），对应的数据偏移值可以更好地体现数据的偏移程度，相比于直接使用数据差值来进行预测，使用数据偏移值有利于提高预测的准确性。

本实施例中，最终获得的运行状态偏移数据是一个数值，具体是将电压偏移值、电流偏移值和温度偏移值经过加权求和之后计算获得的一个用于体现数据的综合偏移程度的数值。其中，电压偏移值、电流偏移值和温度偏移值对应的权重系数可以预先设置，也可以根据实际需求或不同数据的重要程度进行设置和调整，在此不作具体限定。

在一种应用场景中，还可以直接将上述电压偏移值、上述电流偏移值以及上述温度偏移值作为上述运行状态偏移数据，即运行状态偏移数据是一个由多个具体数据值组成的一个数组或序列，有利于更好地体现出不同类型的数据对电池健康状态值的影响，进一步提高预测的准确性。

步骤S300，根据上述当前运行状态数据、上述运行状态偏移数据和上述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对上述储能电池的健康状态进行预测并获得上述储能电池在目标预测时刻的电池健康状态预测值，其中，上述目标预测时刻是上述当前时刻的后一时刻，上述储能电池健康状态预测模型包括第一预测子模型和第二预测子模型，上述第一预测子模型和上述第二预测子模型的在模型训练时采用的训练优化算法不同。

其中，上述已训练的储能电池健康状态预测模型是预先训练好的用于根据输入数据对储能电池的健康状态进行预测和输出的模型。需要说明的是，本实施例中，将当前时刻记为t-1时刻，将目标预测时刻记为t时刻，t-1时刻和t时刻之间的时间间隔可以根据实际需求预先设置和调整，在此不作具体限定。

本实施例中，将t-1时刻的电压、电流、荷电状态、运行温度和当前电池健康状态值作为上述已训练的储能电池健康状态预测模型的输入数据，已训练的储能电池健康状态预测模型的输出数据是t时刻所对应的电池健康状态预测值，如此，即可以实现对储能电池的健康状态的预测。

需要说明的是，上述储能电池健康状态预测模型融合多个子模型构建而成，可以基于模型的融合提高预测精度。本实施例中，上述储能电池健康状态预测模型由第一预测子模型和第二预测子模型构建而成，且第一预测子模型和第二预测子模型使用不同的训练优化算法训练获得。

具体的，上述第一预测子模型和第二预测子模型的模型结构可以相同也可以不同（例如，可以都为神经网络模型），但在模型训练过程中，基于不同的训练优化算法进行模型参数的更新。

进一步的，上述第一预测子模型和第二预测子模型可以并行构成上述储能电池健康状态预测模型，也可以串联构成储能电池健康状态预测模型。具体的，并行指两个子模型的输入数据相同，但模型预测的过程和输出数据互不影响，最终根据两个子模型的输出数据计算均值（或加权计算）获得最终的电池健康状态预测值。串联则代表一个子模型的输出数据可以作为另一个子模型的输入数据，两个子模型之间会互相影响并进行串行的数据处理，并通过后一个子模型输出最终的电池健康状态预测值。

本实施例中，上述第一预测子模型和上述第二预测子模型串联构成上述储能电池健康状态预测模型，通过第一预测子模型进行下一时刻的预测，并且通过第二预测子模型对第一预测子模型预测的结果进行修正。如此，利用串行的两个子模型可以提高预测值的准确性。

具体的，本实施例中，上述步骤S300包括如下具体步骤：

将上述当前运行状态数据、上述运行状态偏移数据和上述当前电池健康状态值作为上述第一预测子模型的输入数据，通过上述第一预测子模型输出上述储能电池在目标预测时刻的健康状态第一预测值；

将上述当前运行状态数据、上述运行状态偏移数据和上述健康状态第一预测值作为上述第二预测子模型的输入数据，通过上述第二预测子模型输出上述储能电池在目标预测时刻的健康状态第二预测值，并将上述健康状态第二预测值作为上述电池健康状态预测值。

进一步的，本实施例中，上述储能电池健康状态预测模型根据如下步骤进行训练：

将训练数据中的运行状态训练数据、运行状态偏移训练数据和电池健康状态训练值输入上述第一预测子模型，通过上述第一预测子模型输出第一训练预测值，将上述训练数据中的运行状态训练数据、运行状态偏移训练数据以及获得的上述第一训练预测值输入上述第二预测子模型，通过上述第二预测子模型输出第二训练预测值，其中，上述训练数据包括多组电池训练数据组，每一组电池训练数据组包括上述储能电池在训练数据采集时刻对应的运行状态训练数据、运行状态偏移训练数据、电池健康状态训练值以及上述储能电池在训练预测时刻的电池健康状态实际值，上述训练预测时刻是上述训练数据采集时刻的后一时刻；

根据上述第二训练预测值对应的电池健康状态实际值和上述第二训练预测值，通过预先设置的第一优化算法对上述第一预测子模型的模型参数进行调整，通过预先设置的第二优化算法对上述第二预测子模型的模型参数进行调整，并继续执行上述将训练数据中的运行状态训练数据、运行状态偏移训练数据和电池健康状态训练值输入上述第一预测子模型的步骤，直至满足预设训练条件，以得到已训练的储能电池健康状态预测模型，其中，上述第一优化算法是LGBM算法，上述第二优化算法是SDG算法。

需要说明的是，训练时训练数据可以是需要进行预测的同一个储能电池对应的数据，也可以是相同型号的储能电池所对应的数据，在此不作具体限定。其中，上述训练数据中的运行状态训练数据包括对应的电压、电流、荷电状态、运行温度等，具体所包括的数据种类数与预测时使用的当前运行状态数据中的数据种类相同。

具体的，上述预设训练条件包括参数迭代更新次数达到预设的迭代次数阈值和/或根据预设的损失函数针对第二训练预测值和电池健康状态实际值进行计算获得的损失值小于预设的损失阈值，还可以根据实际需求设置其它的训练停止条件，在此不做具体限定。

进一步的，在对模型的参数进行调整时，使得调整后的模型所对应的损失值更小，从而逐步降低损失，使得模型的预测效果越来越好。本实施例中，将储能电池健康状态预测模型分为两个部分，且使用两个子模型串联，并且在对两个子模型在训练过程中采用不同的算法进行参数更新，有利于提高获得的储能电池健康状态预测模型的预测效果，从而提高预测的准确性。

需要说明的是，本实施例中，第一预测子模型使用LGBM算法进行训练，第二预测子模型使用SDG算法进行训练。在实际使用过程中，还可以使用其它参数更新的方法，例如第一预测子模型和/或第二预测子模型可以使用网格搜索法（在每一次迭代过程中）得出最佳参数，以提高模型训练速率。

具体的，本实施例中，先使用LGBM算法训练第一预测子模型，并且由第一预测子模型输出t时刻的第一训练预测值，然后将第一训练预测值与电压、电流、荷电状态、运行温度作为基于SDG算法训练的第二预测子模型的输入数据，通过第二预测子模型输出修正后的t时刻对应的而第二训练预测值。此过程中，LGBM与SDG串联作为最终SOH预测的模型。

进一步的，本实施例中，上述方法还包括：当上述电池健康状态预测值低于预设的第一健康状态阈值时，输出对应的健康状态告警信息；

当上述电池健康状态预测值低于预设的第二健康状态阈值时，输出对应的健康状态告警信息并控制上述储能电池停止充放电；

其中，上述第二健康状态阈值小于上述第一健康状态阈值。

具体的，上述第一健康状态阈值和第二健康状态阈值可以根据实际需求预先设置和调整，用于体现储能电池不同的使用状态的临界值。需要说明的是，两种不同情况下，输出的健康状态告警信息可以相同也可以不同，在此不作具体限定。

如此，可以根据预测获得的电池健康状态预测值对储能电池进行管理，并且可以进行阶梯式的预警和处理，使得对于储能电池的运行状态的管理更加灵活，并且可以避免因电池健康状态值较低而出现的问题，减小造成损失的可能性。

由上可见，本实施例中，可以结合储能电池在当前时刻的当前运行状态数据（例如电压、电流、荷电状态和运行温度）、当前电池健康状态值以及运行状态偏移数据，通过已经训练好的储能电池健康状态预测模型对下一个时刻的电池健康状态进行预测，能够实现对储能电池未来的健康状态进行预测，从而有利于获得储能电池的健康状态预测值，进而有利于根据预测获得的健康状态预测值对储能电池进行管理和控制。

如此，基于本实施例方案可以解决无法对电池的健康状态进行预测或预测不准确的问题，并且本方案可以满足实时性的要求，可以将本实施例方案应用于储能电池的在线参数辨别、储能电池在线控制中，提高储能电池使用的安全性和用户的使用体验。需要说明的是，对于本实施例中预测获得的电池健康状态预测值进行数据标准化（例如转化成用户所需格式的数据值或进行数据归一化处理）之后再进行输出和使用，以进一步提升用户的使用体验。

示例性设备

如图3中所示，对应于上述储能电池健康状态预测方法，本发明实施例还提供一种储能电池健康状态预测装置，上述储能电池健康状态预测装置包括：

数据获取模块410，用于获取储能电池的当前运行状态数据和当前电池健康状态值，其中，上述当前运行状态数据包括上述储能电池在当前时刻的电压、电流、荷电状态和运行温度。

数据处理模块420，用于根据预设的标准运行状态数据与上述当前运行状态数据计算获得运行状态偏移数据。

预测模块430，用于根据上述当前运行状态数据、上述运行状态偏移数据和上述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对上述储能电池的健康状态进行预测并获得上述储能电池在目标预测时刻的电池健康状态预测值，其中，上述目标预测时刻是上述当前时刻的后一时刻，上述储能电池健康状态预测模型包括第一预测子模型和第二预测子模型，上述第一预测子模型和上述第二预测子模型的在模型训练时采用的训练优化算法不同。

具体的，本实施例中，上述储能电池健康状态预测装置及其各模块的具体功能可以参照上述储能电池健康状态预测方法中的对应描述，在此不再赘述。

需要说明的是，上述储能电池健康状态预测装置的各个模块的划分方式并不唯一，在此也不作为具体限定。

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图4所示。上述智能终端包括处理器及存储器。该智能终端的存储器包括储能电池健康状态预测程序，存储器为储能电池健康状态预测程序的运行提供环境。该储能电池健康状态预测程序被处理器执行时实现上述任意一种储能电池健康状态预测方法的步骤。需要说明的是，上述智能终端还可以包括其它功能模块或单元，在此不作具体限定。

本领域技术人员可以理解，图4中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体地智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有储能电池健康状态预测程序，上述储能电池健康状态预测程序被处理器执行时实现本发明实施例提供的任意一种储能电池健康状态预测方法的步骤。

应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/智能终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/智能终端实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。

上述集成的模块/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存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种储能电池健康状态预测方法，其特征在于，所述方法包括：

获取储能电池的当前运行状态数据和当前电池健康状态值，其中，所述当前运行状态数据包括所述储能电池在当前时刻的电压、电流、荷电状态和运行温度；

根据预设的标准运行状态数据与所述当前运行状态数据计算获得运行状态偏移数据；

根据所述当前运行状态数据、所述运行状态偏移数据和所述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对所述储能电池的健康状态进行预测并获得所述储能电池在目标预测时刻的电池健康状态预测值，其中，所述目标预测时刻是所述当前时刻的后一时刻，所述储能电池健康状态预测模型包括第一预测子模型和第二预测子模型，所述第一预测子模型和所述第二预测子模型的在模型训练时采用的训练优化算法不同。

2.根据权利要求1所述的储能电池健康状态预测方法，其特征在于，所述获取储能电池的当前运行状态数据和当前电池健康状态值，包括：

获取所述储能电池在当前时刻的电压、电流、荷电状态和运行温度；

获取所述储能电池对应的初始容量以及所述储能电池在当前时刻的当前实际容量，将所述当前实际容量与所述初始容量的比值作为所述当前电池健康状态值。

3.根据权利要求1所述的储能电池健康状态预测方法，其特征在于，所述当前运行状态数据还包括所述储能电池在所述当前时刻的故障检测数据。

4.根据权利要求1-3任意一项所述的储能电池健康状态预测方法，其特征在于，所述预设的标准运行状态数据包括标准电压、标准电流和标准运行温度，所述根据预设的标准运行状态数据与所述当前运行状态数据计算获得运行状态偏移数据，包括：

根据所述标准电压、所述标准电流、所述标准运行温度、所述储能电池在当前时刻的电压、所述储能电池在当前时刻的电流以及所述储能电池在当前时刻的运行温度分别计算获得电压差值、电流差值和温度差值；

将所述电压差值除以所述标准电压获得电压偏移值，将所述电流差值除以所述标准电流获得电流偏移值，将所述温度差值除以所述标准运行温度获得温度偏移值；

根据预设的权重系数对所述电压偏移值、所述电流偏移值以及所述温度偏移值进行加权求和，获得所述运行状态偏移数据。

5.根据权利要求1所述的储能电池健康状态预测方法，其特征在于，所述根据所述当前运行状态数据、所述运行状态偏移数据和所述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对所述储能电池的健康状态进行预测并获得所述储能电池在目标预测时刻的电池健康状态预测值，包括：

将所述当前运行状态数据、所述运行状态偏移数据和所述当前电池健康状态值作为所述第一预测子模型的输入数据，通过所述第一预测子模型输出所述储能电池在目标预测时刻的健康状态第一预测值；

将所述当前运行状态数据、所述运行状态偏移数据和所述健康状态第一预测值作为所述第二预测子模型的输入数据，通过所述第二预测子模型输出所述储能电池在目标预测时刻的健康状态第二预测值，并将所述健康状态第二预测值作为所述电池健康状态预测值。

6.根据权利要求1所述的储能电池健康状态预测方法，其特征在于，所述储能电池健康状态预测模型根据如下步骤进行训练：

将训练数据中的运行状态训练数据、运行状态偏移训练数据和电池健康状态训练值输入所述第一预测子模型，通过所述第一预测子模型输出第一训练预测值，将所述训练数据中的运行状态训练数据、运行状态偏移训练数据以及获得的所述第一训练预测值输入所述第二预测子模型，通过所述第二预测子模型输出第二训练预测值，其中，所述训练数据包括多组电池训练数据组，每一组电池训练数据组包括所述储能电池在训练数据采集时刻对应的运行状态训练数据、运行状态偏移训练数据、电池健康状态训练值以及所述储能电池在训练预测时刻的电池健康状态实际值，所述训练预测时刻是所述训练数据采集时刻的后一时刻；

根据所述第二训练预测值对应的电池健康状态实际值和所述第二训练预测值，通过预先设置的第一优化算法对所述第一预测子模型的模型参数进行调整，通过预先设置的第二优化算法对所述第二预测子模型的模型参数进行调整，并继续执行所述将训练数据中的运行状态训练数据、运行状态偏移训练数据和电池健康状态训练值输入所述第一预测子模型的步骤，直至满足预设训练条件，以得到已训练的储能电池健康状态预测模型，其中，所述第一优化算法是LGBM算法，所述第二优化算法是SDG算法。

7.根据权利要求1所述的储能电池健康状态预测方法，其特征在于，所述方法还包括：

当所述电池健康状态预测值低于预设的第一健康状态阈值时，输出健康状态告警信息；

当所述电池健康状态预测值低于预设的第二健康状态阈值时，输出健康状态告警信息并控制所述储能电池停止充放电；

其中，所述第二健康状态阈值小于所述第一健康状态阈值。

8.一种储能电池健康状态预测装置，其特征在于，所述装置包括：

数据获取模块，用于获取储能电池的当前运行状态数据和当前电池健康状态值，其中，所述当前运行状态数据包括所述储能电池在当前时刻的电压、电流、荷电状态和运行温度；

数据处理模块，用于根据预设的标准运行状态数据与所述当前运行状态数据计算获得运行状态偏移数据；

预测模块，用于根据所述当前运行状态数据、所述运行状态偏移数据和所述当前电池健康状态值，通过已训练的储能电池健康状态预测模型对所述储能电池的健康状态进行预测并获得所述储能电池在目标预测时刻的电池健康状态预测值，其中，所述目标预测时刻是所述当前时刻的后一时刻，所述储能电池健康状态预测模型包括第一预测子模型和第二预测子模型，所述第一预测子模型和所述第二预测子模型的在模型训练时采用的训练优化算法不同。

9.一种智能终端，其特征在于，所述智能终端包括存储器、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储能电池健康状态预测程序，所述储能电池健康状态预测程序被所述处理器执行时实现如权利要求1-7任意一项所述储能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储能电池健康状态预测程序，所述储能电池健康状态预测程序被处理器执行时实现如权利要求1-7任意一项所述储能电池健康状态预测方法的步骤。

Images