CN115587527A - 电池寿命预测方法、系统、终端设备及计算机可读介质 - Google Patents
电池寿命预测方法、系统、终端设备及计算机可读介质 Download PDFInfo
- Publication number
- CN115587527A CN115587527A CN202211051555.XA CN202211051555A CN115587527A CN 115587527 A CN115587527 A CN 115587527A CN 202211051555 A CN202211051555 A CN 202211051555A CN 115587527 A CN115587527 A CN 115587527A
- Authority
- CN
- China
- Prior art keywords
- battery
- condition parameter
- working condition
- model
- service life
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种电池寿命预测方法,包括:获取电池的第一工况参数和第二工况参数;第一工况参数包括影响电池寿命的多个指标按不同权重构成的指标组合;第二工况参数为表征电池寿命的指标;基于混合神经网络模型,以第一工况参数的历史数据为输入、第二工况参数的历史数据为输出训练混合神经网络模型,直至模型收敛时生成目标预测模型;将电池的待预测数据输入至目标预测模型生成预测结果;确定当前预测结果中的电池寿命等级,以匹配对应的使用建议。本申请采用混合神经网络模型,以各影响指标的权重组合为输入训练模型,提高了模型的预测精度,同时针对不同寿命情况提供不同的使用建议,从而科学指导用户使用电池,有利于延长电池使用寿命。
Description
技术领域
本申请涉及电池寿命预测技术领域,尤其涉及一种电池寿命预测方法、系统、终端设备及计算机可读介质。
背景技术
锂电池是目前综合性能最好的电池体系,具有高比能量、高循环寿命、体积小、质量轻、无记忆效应、无污染等特点,已经迅速发展成为新一代储能电源,是信息技术、电动车和混合动力车、航空航天等领域的动力支持。其中,电池寿命会随着使用过程而逐渐衰减,若使用不当甚至会导致电池直接损坏,从而为用电设备带来安全隐患。因此,如何有效对电池寿命进行预测,以掌握电池使用信息十分关键。
现有技术中通常采用数据驱动的方法预测锂电池寿命,该方法基于机器学习和神经网络等数据预测算法实现锂离子电池的容量衰减预测。然而,现有方法在训练模型时,首先习惯于采用单一的神经网络模型,例如LSTM模型进行预测,通常会出现数据过拟合问题,进而影响模型预测结果的准确性。其次,现有方法往往只是粗略考虑了可能影响电池寿命的因素,然后采集这些因素所对应的真实数据直接训练模型。但它们并没有考虑各因素对电池寿命影响程度的区别,缺乏针对性,且用大量的数据直接训练会直接增加模型训练的困难度,大大降低了模型训练的效率。此外,现有方法通常只能给出电池寿命的预测结果,而针对这一结果如何指导用户使用电池的行为,并未提供任何科学有效的建议。
发明内容
本申请的目的在于提供一种电池寿命预测方法、系统、终端设备及计算机可读介质,至少解决现有技术中电池寿命预测结果不准确、效率低下以及无法提供科学指导以帮助用户正确使用电池、从而延长电池使用寿命等问题之一。
为实现上述目的,本申请提供一种电池寿命预测方法,包括:
获取电池的第一工况参数和第二工况参数;其中,第一工况参数包括影响电池寿命的多个指标按不同权重构成的指标组合;第二工况参数为表征电池寿命的指标;
基于混合神经网络模型,以第一工况参数的历史数据为输入、第二工况参数的历史数据为输出训练所述混合神经网络模型,直至模型收敛时,生成目标预测模型;
将电池的待预测数据输入至目标预测模型,生成预测结果;
基于预先划分的电池寿命等级,确定当前预测结果中的电池寿命等级,以匹配对应的使用建议。
进一步,作为优选地,所述第一工况参数包括:环境温度、荷电状态、放电深度、电池总电压、电池总电流及累计充放电容量中至少两种指标按各自权重构成的指标组合。
进一步,作为优选地,所述第二工况参数包括电池剩余容量或电池内阻阻值。
进一步,作为优选地,在所述获取电池的第一工况参数和第二工况参数之后,还包括:
构建关于第一工况参数的指标组合层次模型,利用层次分析法确定指标组合层次模型中每个指标对应的权重;
将每个指标及其对应的权重的加权结果作为模型输入。
进一步,作为优选地,所述混合神经网络模型为LSTM-CNN混合模型。
进一步,作为优选地,所述基于预先划分的电池寿命等级,确定当前预测结果中的电池寿命等级,以匹配对应的使用建议,包括:
当所述电池寿命等级为一级时,获取电池的第三工况参数的历史数据,若第三工况参数的历史数据处于额定工作范围之外,匹配对应的使用建议;
当所述电池寿命等级为二级时,获取电池的第三工况参数的历史数据和第四工况参数的历史数据,若第三工况参数的历史数据或第四工况参数的历史数据中的任一数据处于额定工作范围之外,匹配对应的使用建议;
当所述电池寿命等级为三级时,提醒更换电池。
进一步,作为优选地,所述第三工况参数包括电池温度;所述第四工况参数包括充电时间、放电时间、充放电次数及充放电倍率。
本申请还提供了一种电池寿命预测系统,包括:
参数获取单元,用于获取电池的第一工况参数和第二工况参数;其中,第一工况参数包括影响电池寿命的多个指标按不同权重构成的指标组合;第二工况参数为表征电池寿命的指标;
模型训练单元,用于基于混合神经网络模型,以第一工况参数的历史数据为输入、第二工况参数的历史数据为输出训练所述混合神经网络模型,直至模型收敛时,生成目标预测模型;
寿命预测单元,用于将电池的待预测数据输入至目标预测模型,生成预测结果;
使用建议匹配单元,用于基于预先划分的电池寿命等级,确定当前预测结果中的电池寿命等级,以匹配对应的使用建议。
本申请还提供了一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上任一项所述的电池寿命预测方法。
本申请还提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的电池寿命预测方法。
相对于现有技术,本申请的有益效果在于:
1)本申请基于LSTM-CNN混合神经网络模型进行训练,相比于单一的LSTM模型或者CNN卷积网络模型都具有更好的预测效果。
2)本申请考虑了不同指标对于电池寿命的影响程度,结合层次分析法确定了影响指标的权重,并以指标和权重的加权结果作为模型输入以训练模型,同样提高了模型预测的精确度,更具有针对性,避免了利用大量孤立的指标训练增大了模型训练难度的情况,提升了模型训练的效率。
3)本申请通过事先对电池寿命划分了等级,在得到预测结果后确定当前电池寿命等级,按照不同的等级以匹配不同的使用建议,能够为用户正确使用电池提供科学指导,有利于延长电池寿命,提高了电池使用的安全性和稳定性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施方式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申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请某一实施例提供的电池寿命预测方法的流程示意图;
图2是图1中步骤S40的子步骤的流程示意图;
图3是本申请某一实施例提供的电池寿命预测系统的结构示意图;
图4是本申请某一实施例提供的终端设备的结构示意图。
具体实施方式
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前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
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。
术语“包括”和“包含”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。
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。
请参阅图1,本申请某一实施例提供一种电池寿命预测方法。如图1所示,该电池寿命预测方法包括步骤S10至步骤S40。各步骤具体如下:
S10、获取电池的第一工况参数和第二工况参数;其中,第一工况参数包括影响电池寿命的多个指标按不同权重构成的指标组合;第二工况参数为表征电池寿命的指标。
本步骤中,主要用于获取电池的第一工况参数和第二工况参数。其中第一工况参数主要包含多个跟电池寿命有关的影响因素(指标),并且按照不用权重的加权组合方式来表征。第二工况参数则直接用于表征电池寿命。
通常,与电池寿命有关的影响指标包含电池荷电状态SOC、电池健康状态SOH、电池电能状态SOP、电池总电压、电池总电流、电池单体电压、电池温度、电池温度最高值、电池温度最低值、电池告警级别、电池告警类别、累计充放电容量、累计充放电次数、额定电池容量、继电器状态、电池均衡类型和状态、用电设备使用状态及用电设备所处环境(温度、维度)等均有关。然而,在进行模型训练的过程中,若直接采用上述所有参数作为训练样本,第一会因为数据过多而造成计算量过大,大大增加了模型训练的难度,也不利于得到一个预测效果好的目标模型;其次,这种方式不利于研究不同指标间的关联,各个指标作为孤立的元素来训练模型,维度多而发散,最终模型的学习效果也很难达到理想状态。因此,在实际应用中,通常会更关注于某一个或者某几个因素对于电池寿命的影响,考虑它们之间的关联以及它们各自和共同是如何影响电池寿命的。
在一个示例性的实施例中,步骤S10中的第一工况参数优选为环境温度、荷电状态、放电深度、电池总电压、电池总电流及累计充放电容量中至少两种指标按各自权重构成的指标组合。
可以理解的是,本实施例中的第一工况参数所对应的指标组合,可以根据实际需要从上述参数中任意选取两个或多个进行组合,例如选取环境温度和荷电状态这两个指标,按照各自的权重加权得到指标组合,那么此时研究的就是环境温度和荷电状态(SOC)这两个因素对于电池寿命的影响;又或选取环境温度、荷电状态和放电深度这三个指标,按照各自的权重加权得到指标组合,再对模型进行训练。那么这种情况下。模型学习的则是这三个因素对于电池寿命的影响。
此外,本实施例中所指出的第一工况参数的指标类型包括上述环境温度、荷电状态、放电深度、电池总电压、电池总电流及累计充放电容量这些类别,但不限于这些工况参数。在实际应用中,还可以获取其他与电池寿命相关的影响因素,然后再进行加权组合得到指标组合。因此,本实施例不对组合指标中的指标类别和数量进行任何限定。
在一个实施例中,在获取电池的第一工况参数和第二工况参数之后,还包括:
构建关于第一工况参数的指标组合层次模型,利用层次分析法确定指标组合层次模型中每个指标对应的权重;
将每个指标及其对应的权重的加权结果作为模型输入。
本实施例中,为了确定第一工况参数不同指标的权重,首先对于各指标进行分层,以构造指标组合层次模型,然后引入了层次分析法确定指标组合层次模型中每个指标对应的权重。其中,层次分析法的实现原理是根据问题的性质和要达到的总目标,将问题分解为不同的组成因素,并按照因素间的相互关联影响以及隶属关系,将因素按不同层次聚集组合,形成一个多层次的分析结构模型,从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。本实施例中通过层次分析法,能够有效地确定出各个指标的权重,最终以得到作为模型输入的加权指标组合。
在一个示例性的实施例中,步骤S10中的第二工况参数包括电池剩余容量或电池内阻阻值,在实际应用中,可以选择其中任意一种作为评估电池寿命的指标,或者将两种指标进行组合,以综合后的指标来评估电池寿命。
为了提高训练样本数据的质量,在一个具体实施例中,在获取了第一工况参数和第二工况参数对应的历史数据后,还可以对数据进行预处理,包括数据清洗、去除异常值和重复值、填补缺失值等。优选地,为了减少不同量纲数据对于训练过程的影响,还可以对数据进行归一化处理,最后利用同一量纲的数据进行模型训练。需要说明的是,此处对于数据归一化和数据清洗的顺序不作限定。
在一个可选地实施例中,可以将获取的第一工况参数和第二工况参数的历史数据经过预处理和归一化后得到的样本数据,按照预设比例分为训练集和测试集,例如按照8:2的比例进行分配,然后利用训练集训练模型,利用测试集检测模型的预测效果。同样地,8:2只是一种优选地分配比例,实际应用中可根据需要选择其他比例,本实施例不作任何限制。
S20、基于混合神经网络模型,以第一工况参数的历史数据为输入、第二工况参数的历史数据为输出训练所述混合神经网络模型,直至模型收敛时,生成目标预测模型。
针对电池寿命预测采用的算法通常多为单一的神经网络模型,例如LSTM模型或RNN模型或CNN模型,但这些模型各自的预测效果均不能达到较为理想的状态。其中一维卷积神经网络常用语处理时序问题,相比于ANN,通过采用卷积核参数的权值共享和层间系数连接,可以减少参数数量,避免过拟合具有高级特征提取能力。而LSTM网络通过细胞内部自循环的记忆单元,不断更新网络的隐藏层状态,因此具有更好的时序处理能力和泛化能力。因此本实施例为了增强模型的预测效果,选用了混合神经网络模型,具体为LSTM-CNN混合模型。
在一个具体地实施例中,所采用的LSTM-CNN混合模型可为一个由8层组成的序列模型。模型前两层由LSTM组成,每个LSTM具有32个神经元,使用的激活函数为Relu。然后是用于提取空间特征的CNN层。在两层的连接处需要改变LSTM输出维度,因为输出具有3个维度(样本数,时间步长,输入维度),而CNN则需要4维输入(样本数,1,时间步长,输入)。其中,第一个CNN层具有64个神经元,另一个神经元有128个神经元。在第一和第二CNN层之间,可设置一个最大池化层来执行下采样操作;然后是全局平均池(GAP)层将多D特征映射转换为1-D特征向量,因为在此层中不需要参数,所以会减少全局模型参数;然后是BN层,该层有助于模型的收敛性;最后一层是模型的输出层,该输出层只是具有SoftMax分类器层的6个神经元的完全连接的层,该层表示当前类的概率。
基于上述的模型结构,在训练前先对初始网络参数进行设置,包括以下内容:
1)优化器可采用Adam,其优化效果较SGD更好;
2)迭代次数可以默认为1000次,当训练集精确度和测试集精确度相差不大时,可以认为当前迭代次数合理,否则可增大迭代次数继续训练。
3)批次大小即batch_size可默认为1,一般来说batch_size越小精确度越高;
4)使用小随机数初始化网络权重,以防产生不活跃的神经元,均匀分布的效果比较好;
5)设有dropout模块,防止模型的过拟合。其中dropout可选在0.4-0.5之间,具有较好的表现,位置只需要在最后一层softmax之前即可;
6)损失函数:选择回归损失,采用平均绝对误差(MAE)或均方差(MSE)。
需要说明的是,平均绝对误差(MAE),衡量的是预测值与真实值之间距离的平均误差幅度,作用范围为0到正无穷。它的优点是收敛速度快,能够对梯度给予合适的惩罚权重,而不是“一视同仁”,使梯度更新的方向可以更加精确。缺点是对异常值十分敏感,梯度更新的方向很容易受离群点所主导,不具备鲁棒性。均方差(MSE)衡量的是预测值与真实值之间距离的平方和,作用范围同为0到正无穷。优点是对离群点(Outliers)或者异常值更具有鲁棒性。缺点是在0点处的导数不连续,使得求解效率低下,导致收敛速度慢;而对于较小的损失值,其梯度也同其他区间损失值的梯度一样大,所以不利于网络的学习。作为优选地可选择平均绝对误差(MAE)作为损失函数,并设定一个损失函数的预设阈值,当利用测试集对模型输出结果进行测试时,只要损失函数的大小满足预设阈值,即可认为模型预测精度达到要求,即生成对应的目标预测模型。
S30、将电池的待预测数据输入至目标预测模型,生成预测结果。
本步骤中,获取待预测的数据,可以为第一工况参数和第二工况参数下的实时数据,然后进行电池寿命预测。
S40、基于预先划分的电池寿命等级,确定当前预测结果中的电池寿命等级,以匹配对应的使用建议。
请参阅图2,图2提供了步骤S40的子步骤的流程示意图。如图2所示,步骤S40又包括以下子步骤,具体为:
S401、当所述电池寿命等级为一级时,获取电池的第三工况参数的历史数据,若第三工况参数的历史数据处于额定工作范围之外,匹配对应的使用建议;
S402、当所述电池寿命等级为二级时,获取电池的第三工况参数的历史数据和第四工况参数的历史数据,若第三工况参数的历史数据或第四工况参数的历史数据中的任一数据处于额定工作范围之外,匹配对应的使用建议;
S403、当所述电池寿命等级为三级时,提醒更换电池。
本步骤中,通常会预设三个电池寿命等级,分别为一级、二级或三级;例如,假设选择电池剩余容量为评估电池寿命的指标时,那么可以设定两个容量阈值来划分寿命等级,例如:
当电池剩余容量大于90%时,则将电池寿命等级定为一级;
当电池剩余容量在70%-90%之间时,则将电池寿命等级定为二级;
当电池剩余容量小于70%时,则将电池寿命等级定为三级。
由于不同的电池寿命等级能够体现电池的损耗情况,因此为了更有针对性的来指导正确使用电池,在本实施例中,可根据不同情况匹配不同使用建议,包括:
1)当电池寿命等级为一级时,说明电池的使用情况相对较好,此时可以进一步地获取第三工况参数的历史数据,即历史工况下的电池温度,进而统计历史工况下电池温度是否处于正常工作状态下的温度范围之外,如果有这种情况或者电池温度过高的情况超过一定次数,那么此时可以提醒用户注意在使用电池时及时检测电池温度,一旦温度超标,可以提醒用户暂停使用,待电池回归正常温度后,则可建议继续使用。
2)当电池寿命等级为二级时,说明电池的使用情况一般,那么此时除了获取历史工况下的电池温度,还可以进一步获取第四工况参数的历史数据,包括但不限于充电时间、放电时间、充放电次数及充放电倍率。在获得这些参数后,判断电池历史的充电时间、放电时间、充放电次数及充放电倍率是否处于额定范围之外,如果是,则可以给用户提供合理建议,例如充电时间一次不超过5h,当电量剩余20%时即可充电,不要完全放电后再充电;充放电次数在一周内最好不超过5次,充放电的电流不宜过大,要和电池功率去匹配等等。
3)当电池寿命等级为三级时,说明电池使用情况较差,继续使用可能带来安全问题,此时则可以提醒用户直接更换电池。
综上,通过事先对电池寿命划分等级,在得到预测结果后确定当前电池寿命等级,按照不同的等级以匹配不同的使用建议,能够为用户正确使用电池提供科学指导,有利于延长电池寿命,提高了电池使用的安全性和稳定性。
请参阅图3,本申请某一实施例还提供一种电池寿命预测系统,包括:
参数获取单元01,用于获取电池的第一工况参数和第二工况参数;其中,第一工况参数包括影响电池寿命的多个指标按不同权重构成的指标组合;第二工况参数为表征电池寿命的指标;
模型训练单元02,用于基于混合神经网络模型,以第一工况参数的历史数据为输入、第二工况参数的历史数据为输出训练所述混合神经网络模型,直至模型收敛时,生成目标预测模型;
寿命预测单元03,用于将电池的待预测数据输入至目标预测模型,生成预测结果;
使用建议匹配单元04,用于基于预先划分的电池寿命等级,确定当前预测结果中的电池寿命等级,以匹配对应的使用建议。
可以理解的是,本实施例提供的电池寿命预测系统用于执行如上述任意一项实施例所述的电池寿命预测方法,并实现与其相同的效果,此处不再进一步赘述。
请参阅图4,本申请某一实施例还提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的电池寿命预测方法。
处理器用于控制该终端设备的整体操作,以完成上述的电池寿命预测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作,这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行如上述任一项实施例所述的电池寿命预测方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供一种包括计算机程序的计算机可读介质,该计算机程序被处理器执行时实现如上述任一项实施例所述的电池寿命预测方法的步骤。例如,该计算机可读介质可以为上述包括计算机程序的存储器,上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的电池寿命预测方法,并达到如上述方法一致的技术效果。其中,本申请实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
最后应说明的是,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电池寿命预测方法,其特征在于,包括:
获取电池的第一工况参数和第二工况参数;其中,第一工况参数包括影响电池寿命的多个指标按不同权重构成的指标组合;第二工况参数为表征电池寿命的指标;
基于混合神经网络模型,以第一工况参数的历史数据为输入、第二工况参数的历史数据为输出训练所述混合神经网络模型,直至模型收敛时,生成目标预测模型;
将电池的待预测数据输入至目标预测模型,生成预测结果;
基于预先划分的电池寿命等级,确定当前预测结果中的电池寿命等级,以匹配对应的使用建议。
2.根据权利要求1所述的电池寿命预测方法,其特征在于,所述第一工况参数包括:环境温度、荷电状态、放电深度、电池总电压、电池总电流及累计充放电容量中至少两种指标按各自权重构成的指标组合。
3.根据权利要求1所述的电池寿命预测方法,其特征在于,所述第二工况参数包括电池剩余容量或电池内阻阻值。
4.根据权利要求1所述的电池寿命预测方法,其特征在于,在所述获取电池的第一工况参数和第二工况参数之后,还包括:
构建关于第一工况参数的指标组合层次模型,利用层次分析法确定指标组合层次模型中每个指标对应的权重;
将每个指标及其对应的权重的加权结果作为模型输入。
5.根据权利要求1所述的电池寿命预测方法,其特征在于,所述混合神经网络模型为LSTM-CNN混合模型。
6.根据权利要求1所述的电池寿命预测方法,其特征在于,所述基于预先划分的电池寿命等级,确定当前预测结果中的电池寿命等级,以匹配对应的使用建议,包括:
当所述电池寿命等级为一级时,获取电池的第三工况参数的历史数据,若第三工况参数的历史数据处于额定工作范围之外,匹配对应的使用建议;
当所述电池寿命等级为二级时,获取电池的第三工况参数的历史数据和第四工况参数的历史数据,若第三工况参数的历史数据或第四工况参数的历史数据中的任一数据处于额定工作范围之外,匹配对应的使用建议;
当所述电池寿命等级为三级时,提醒更换电池。
7.根据权利要求6所述的电池寿命预测方法,其特征在于,所述第三工况参数包括电池温度;所述第四工况参数包括充电时间、放电时间、充放电次数及充放电倍率。
8.一种电池寿命预测系统,其特征在于,包括:
参数获取单元,用于获取电池的第一工况参数和第二工况参数;其中,第一工况参数包括影响电池寿命的多个指标按不同权重构成的指标组合;第二工况参数为表征电池寿命的指标;
模型训练单元,用于基于混合神经网络模型,以第一工况参数的历史数据为输入、第二工况参数的历史数据为输出训练所述混合神经网络模型,直至模型收敛时,生成目标预测模型;
寿命预测单元,用于将电池的待预测数据输入至目标预测模型,生成预测结果;
使用建议匹配单元,用于基于预先划分的电池寿命等级,确定当前预测结果中的电池寿命等级,以匹配对应的使用建议。
9.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一项所述的电池寿命预测方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的电池寿命预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051555.XA CN115587527A (zh) | 2022-08-31 | 2022-08-31 | 电池寿命预测方法、系统、终端设备及计算机可读介质 |
PCT/CN2023/082425 WO2024045567A1 (zh) | 2022-08-31 | 2023-03-20 | 电池寿命预测方法、系统、终端设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051555.XA CN115587527A (zh) | 2022-08-31 | 2022-08-31 | 电池寿命预测方法、系统、终端设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587527A true CN115587527A (zh) | 2023-01-10 |
Family
ID=84771970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211051555.XA Pending CN115587527A (zh) | 2022-08-31 | 2022-08-31 | 电池寿命预测方法、系统、终端设备及计算机可读介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115587527A (zh) |
WO (1) | WO2024045567A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983135A (zh) * | 2023-01-28 | 2023-04-18 | 扬州浩海蓝生海洋装备有限公司 | 深海采油树油管悬挂器寿命评估方法及系统 |
CN117592383A (zh) * | 2024-01-19 | 2024-02-23 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
CN117609846A (zh) * | 2024-01-23 | 2024-02-27 | 宁德时代新能源科技股份有限公司 | 电池性能参数的获取方法、装置、电子设备及存储介质 |
WO2024045567A1 (zh) * | 2022-08-31 | 2024-03-07 | 广东邦普循环科技有限公司 | 电池寿命预测方法、系统、终端设备及计算机可读介质 |
CN117973238A (zh) * | 2024-04-02 | 2024-05-03 | 深圳和润达科技有限公司 | 一种电芯化成流程充放电时间的智能预测方法及装置 |
CN117973238B (zh) * | 2024-04-02 | 2024-06-04 | 深圳和润达科技有限公司 | 一种电芯化成流程充放电时间的智能预测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109991542B (zh) * | 2019-03-27 | 2021-05-18 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
WO2022047204A1 (en) * | 2020-08-30 | 2022-03-03 | Hewlett-Packard Development Company, L.P. | Battery life predictions using machine learning models |
CN112381316B (zh) * | 2020-11-26 | 2022-11-25 | 华侨大学 | 一种基于混合神经网络模型的机电设备健康状态预测方法 |
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 |
CN115587527A (zh) * | 2022-08-31 | 2023-01-10 | 广东邦普循环科技有限公司 | 电池寿命预测方法、系统、终端设备及计算机可读介质 |
-
2022
- 2022-08-31 CN CN202211051555.XA patent/CN115587527A/zh active Pending
-
2023
- 2023-03-20 WO PCT/CN2023/082425 patent/WO2024045567A1/zh unknown
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045567A1 (zh) * | 2022-08-31 | 2024-03-07 | 广东邦普循环科技有限公司 | 电池寿命预测方法、系统、终端设备及计算机可读介质 |
CN115983135A (zh) * | 2023-01-28 | 2023-04-18 | 扬州浩海蓝生海洋装备有限公司 | 深海采油树油管悬挂器寿命评估方法及系统 |
CN115983135B (zh) * | 2023-01-28 | 2023-12-26 | 扬州浩海蓝生海洋装备有限公司 | 深海采油树油管悬挂器寿命评估方法及系统 |
CN117592383A (zh) * | 2024-01-19 | 2024-02-23 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
CN117592383B (zh) * | 2024-01-19 | 2024-03-26 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
CN117609846A (zh) * | 2024-01-23 | 2024-02-27 | 宁德时代新能源科技股份有限公司 | 电池性能参数的获取方法、装置、电子设备及存储介质 |
CN117973238A (zh) * | 2024-04-02 | 2024-05-03 | 深圳和润达科技有限公司 | 一种电芯化成流程充放电时间的智能预测方法及装置 |
CN117973238B (zh) * | 2024-04-02 | 2024-06-04 | 深圳和润达科技有限公司 | 一种电芯化成流程充放电时间的智能预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2024045567A1 (zh) | 2024-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
CN115587527A (zh) | 电池寿命预测方法、系统、终端设备及计算机可读介质 | |
Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
CN103954913B (zh) | 电动汽车动力电池寿命预测方法 | |
Dong et al. | Dynamic Bayesian network-based lithium-ion battery health prognosis for electric vehicles | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
CN109752656B (zh) | 一种在多时间尺度下用电动汽车电池soh评估方法 | |
CN113158947B (zh) | 一种动力电池健康评分方法、系统及存储介质 | |
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 | |
Liu et al. | Battery degradation model and multiple-indicators based lifetime estimator for energy storage system design and operation: Experimental analyses of cycling-induced aging | |
Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
CN109613440A (zh) | 电池的分级方法、装置、设备和存储介质 | |
CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN109633448A (zh) | 识别电池健康状态的方法、装置和终端设备 | |
CN114325454A (zh) | 一种多特征对电池健康度影响的确定方法、装置、设备及介质 | |
Yao et al. | Novel lithium-ion battery state-of-health estimation method using a genetic programming model | |
Jafari et al. | Hierarchical Bayesian model for probabilistic analysis of electric vehicle battery degradation | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
Kharlamova et al. | Evaluating Machine-Learning-Based Methods for Modeling a Digital Twin of Battery Systems Providing Frequency Regulation | |
Pu et al. | A novel cuckoo search particle filtering strategy for the remaining useful life prediction of the lithium‐ion batteries in hybrid electric vehicle | |
Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
Wei et al. | Global sensitivity analysis for impedance spectrum identification of lithium-ion batteries using time-domain response |
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 |