CN115598531A

CN115598531A - 车辆电池健康状态的估计方法及其估计模型的训练方法

Info

Publication number: CN115598531A
Application number: CN202211347704.7A
Authority: CN
Inventors: 申存骁; 高科杰
Original assignee: Zhejiang Lingxiao Energy Technology Co Ltd
Current assignee: Zhejiang Lingxiao Energy Technology Co Ltd
Priority date: 2022-10-31
Filing date: 2022-10-31
Publication date: 2023-01-13

Abstract

本申请涉及一种车辆电池健康状态的估计方法及其估计模型的训练方法，其中，该车辆电池健康状态估计模型的训练方法包括：获取车辆的电池数据；其中，电池数据包括第一电池数据和第二电池数据；采用预设聚类算法对第一电池数据进行聚类，将第一电池数据分为多类；根据多类第一电池数据将车辆分为多个车辆群体；针对多个车辆群体中的每个车辆群体，利用车辆群体对应的第二电池数据训练与其对应的电池估计模型；得到每个车辆群体的训练后的电池估计模型；其中，电池估计模型用于估计对应车辆群体中的车辆电池健康状态。通过本申请，解决了相关技术中为每台电动汽车件均单独配置相应的电池估计模型，容易造成系统运行负载过大和资源浪费的问题。

Description

车辆电池健康状态的估计方法及其估计模型的训练方法

技术领域

本申请涉及新能源汽车领域，特别是涉及一种车辆电池健康状态的估计方法及其估计模型的训练方法。

背景技术

随着全球环境的恶化以及传统能源储备的减少，各国开始倡导低碳生活并建立相关规划制度，其中，电动汽车便是应对传统燃油汽车高能耗、高污染问题的解决方案。在电动汽车中，动力电池是整车非常重要的组成单元，它为车辆的电机、显示屏和空调等所有耗能设备提供能量。然而，伴随着用户的使用，动力电池将逐渐出现老化现象，这会导致电动汽车出现续航里程减少等问题，无法为用户提供最佳的驾驶体验。因此，若能对动力电池老化指标SOH(健康状态)进行精确估计，不仅可以帮助车企对动力电池进行有效管理和改进，还能够为用户提供动力电池维护或更换的参考意见，改善用户体验。

当前的SOH估计方法可分为直接测量法、间接分析法、自适应算法和数据驱动法四大类。直接测量法是通过直接测量动力电池的容量、内阻或者阻抗等特征参数来评估动力电池SOH，但此类方法通常需要借助额外的设备，并且对环境因素要求比较高，比较适合实验室使用。间接分析法则是通过测量某些能够反映电池容量或内阻衰退的过程参数来标定动力电池SOH，但是通常需要特定的稳定电流或者特定的温度等条件，对外在因素要求较高。自适应算法一般需要借助电化学模型或者等效电路模型，通过对模型参数进行辨识来完成SOH的估计，所以其估计精度非常依赖于模型的准确度。数据驱动法不依赖于精确的数学模型，而是依赖于历史老化数据，通过特定算法学习历史数据的关键老化信息与SOH之间的映射关系，但是此方法往往需要大量的数据。

在一种现有的数据驱动法中，各EV(电动汽车)在某一地区时的私人信息(车辆ID、行驶路线)和公共信息(所在地区、驾驶行为和电池组数据)会存储在车载区块链平台中，而各EV的私人信息还会存储在地区私人链中，同时地区私人链会将该信息发送到联盟区块链。联盟区块链通过私人信息提取各EV的驾驶行为数据(车速、加速度和行驶里程等)、电池组状态数据(电压、电流和温度等)和环境数据(车辆所在地区的温度、湿度和气压等)，并丢弃缺失值达到80％的数据，而对缺失值低于80％的数据进行插值处理。将上述数据划分为离散特征和连续特征，对特征数据进行相似性分析，将相似性系数小于0.6的特征丢弃。利用保留的特征数据对Informer模型进行训练和测试，直至满足精度要求。随后，将该Informer模型用于各EV上，并使用各EV的历史数据重新校准Informer，各EV便获得专属的Informer模型用于SOH估计。

但是上述方法具有如下缺陷：

1、Informer模型本身非常复杂，对于硬件设备有非常高的要求，而为各EV均配置一个Informer模型在车载区块链平台中，会产生大量几乎同质的模型。因此，很容易造成设备运行负载过大和资源浪费等问题。

2、数据类型过多，且数据没有进行深度的特征提取，仅仅只是简单地划分为离散特征和连续特征。这导致后续的SOH估计模型会接收类型繁多且价值低的信息，并不利于模型损失函数的收敛，进而影响模型的性能。

针对相关技术中为每台电动汽车件均单独配置相应的电池估计模型，容易造成系统运行负载过大和资源浪费的问题，目前技术中还没有提出有效的解决方案。

发明内容

在本发明中提供了一种车辆电池健康状态的估计方法及其估计模型的训练方法，以解决相关技术中为每台电动汽车件均配置相应的计算模型，容易造成设备运行负载过大和资源浪费的问题。

第一个方面，在本发明中提供了一种车辆电池健康状态估计模型的训练方法，所述方法包括：

获取车辆的电池数据；其中，所述电池数据包括第一电池数据和第二电池数据；

采用预设聚类算法对所述第一电池数据进行聚类，将所述第一电池数据分为多类；

根据多类所述第一电池数据将所述车辆分为多个车辆群体；

针对所述多个车辆群体中的每个所述车辆群体，利用所述车辆群体对应的第二电池数据训练与其对应的电池估计模型；

得到每个所述车辆群体的训练后的电池估计模型；其中，所述电池估计模型用于估计对应车辆群体中的车辆电池健康状态。

在其中的一些实施例中，所述利用所述车辆群体对应的第二电池数据训练与其对应的电池估计模型包括：

基于所述车辆群体对应的多种第二电池数据分别训练多个自编码器模型；

根据所述第二电池数据及其对应的训练后的自编码器模型得到与所述第二电池数据对应的隐藏向量；

基于所述隐藏向量训练自学习模型；

将训练后的多个所述自编码器模型和所述自学习模型组合成所述车辆群体对应的电池估计模型。

在其中的一些实施例中，所述基于所述车辆群体对应的多种第二电池数据分别训练多个自编码器模型包括：

基于所述车辆群体对应的多种第二电池数据确定若干个数据样本；其中，每个所述数据样本包括同一所述车辆在同一次充电过程中产生的多个所述第二电池数据；

将若干个所述数据样本中的多个所述第二电池数据分别输入多个待训练的所述自编码器模型中；

计算所述自编码器模型的输入值与输出值之间的第一均方差损失值；

根据所述第一均方差损失值调整相应的所述自编码器模型的模型参数，直至所述第一均方差损失值小于第一预设阈值，完成所述自编码器模型的训练。

在其中的一些实施例中，所述根据所述第二电池数据及其对应的训练后的自编码器模型得到与所述第二电池数据对应的隐藏向量包括：

将若干个所述数据样本中的多个所述第二电池数据分别输入多个训练后的所述自编码器模型中；

从所述自编码器模型中获取对应于每个所述第二电池数据的隐藏向量；

所述基于所述隐藏向量训练自学习模型包括：

基于所述隐藏向量确定若干个特征样本；其中，每个所述特征样本包括同一所述数据样本中的多个所述第二电池数据对应的多个所述隐藏向量；

将若干个所述特征样本输入待训练的所述自学习模型中；

计算所述自学习模型的输出值与对应样本真实值之间的第二均方差损失值；

根据所述第二均方差损失值调整所述自学习模型的模型参数，直至所述第二均方差损失值小于第二预设阈值，完成所述自学习模型的训练。

在其中的一些实施例中，所述自编码器模型包括编码模型和解码模型；

所述隐藏向量为所述编码模型的输出，且为所述解码模型的输入；

所述编码模型的输入为所述自编码器模型的输入，所述解码模型的输出为所述自编码器模型的输出。

在其中的一些实施例中，所述第一电池数据至少包括如下数据之一：

充电平均电流、充电末端平均电压、充电平均荷电状态、充电温度均值、充电容量、环境温度均值、每百公里平均时速、每百公里加速次数、每百公里减速次数、快充次数、慢充次数、电芯类型和行驶总里程；

所述第二电池数据至少包括如下数据之一：

慢充状态下的充电电流、充电电压、电池温度、荷电状态值和累积充电量，以及慢充前的历史健康状态值。

第二个方面，在本发明中提供了一种车辆电池健康状态的估计方法，所述方法包括：

获取待估计车辆的电池数据；其中，所述电池数据包括第一电池数据和第二电池数据；

根据所述第一电池数据确定所述待估计车辆所在的车辆群体，并根据所述车辆群体确定与所述待估计车辆对应的电池估计模型；

通过所述电池估计模型和所述第二电池数据确定所述待估计车辆的电池健康状态；

其中，所述电池估计模型采用第一个方面中所述的车辆电池健康状态估计模型的训练方法进行训练得到。

第三个方面，在本发明中提供了一种车辆电池健康状态估计模型的训练装置，所述装置包括：

数据获取模块，用于获取车辆的电池数据；其中，所述电池数据包括第一电池数据和第二电池数据；

数据聚类模块，用于采用预设聚类算法对所述第一电池数据进行聚类，进而将所述第一电池数据分为多类；

群体划分模块，用于根据多类所述第一电池数据将所述车辆分为多个车辆群体；

模型训练模块，用于针对所述多个车辆群体中的每个所述车辆群体，利用所述车辆群体对应的第二电池数据训练与其对应的电池估计模型；

模型确定模块，用于得到每个所述车辆群体的训练后的电池估计模型；其中，所述电池估计模型用于估计对应车辆群体中的车辆电池健康状态。

第四个方面，在本发明中提供了一种车辆电池健康状态的估计装置，所述装置包括：

数据获取模块，用于获取待估计车辆的电池数据；其中，所述电池数据包括第一电池数据和第二电池数据；

模型确定模块，用于根据所述第一电池数据确定所述待估计车辆所在的车辆群体，并根据所述车辆群体确定与所述待估计车辆对应的电池估计模型；

状态评估模块，用于通过所述电池估计模型和所述第二电池数据确定所述待估计车辆的电池健康状态；

其中，所述电池估计模型采用第三个方面中所述的车辆电池健康状态估计模型的训练装置进行训练得到。

第五个方面，在本实施例中提供了一种电子设备，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计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的车辆电池健康状态估计模型的训练方法，或者实现上述第二各方面所述的车辆电池健康状态的估计方法。

第六个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的车辆电池健康状态估计模型的训练方法，或者实现上述第二各方面所述的车辆电池健康状态的估计方法。

与相关技术相比，在本实施例中提供的车辆电池健康状态的估计方法及其估计模型的训练方法，首先是对所有车辆已有的第一电池数据进行聚类，并根据聚类结果将车辆分为多个车辆群体。对于每个车辆群体，采用该车辆群体的第二电池数据为其单独训练一个相应的电池估计模型。进而对于某个车辆群体内的所有车辆均可以通过相应的电池估计模型，估计自身的电池健康状态。相比于相关技术中为每台电动汽车件均单独配置相应的电池估计模型，大大减少了电池估计模型的数量，避免电池估计系统中产生大量几乎同质的模型，进而大大降低了系统的运行负载，以及具有节约系统资源的效果。因此，本发明中提出的车辆电池健康状态估计模型的训练方法，解决了相关技术中为每台电动汽车件均单独配置相应的电池估计模型，容易造成系统运行负载过大和资源浪费的问题。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本发明中执行的车辆电池健康状态估计模型的训练方法的终端的硬件结构框图；

图2是本发明的实施例中的车辆电池健康状态估计模型的训练方法的流程图；

图3是本发明的实施例中的自编码器模型的结构示意图；

图4是本发明的实施例中的车辆电池健康状态的估计方法的流程图；

图5是本发明的优选实施例中的车辆电池健康状态的估计方法的流程图；

图6是本发明的实施例中的车辆电池健康状态估计模型的训练装置的结构框图；

图7是本发明的实施例中的车辆电池健康状态的估计装置的结构框图。

具体实施方式

为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本发明中执行的车辆电池健康状态估计模型的训练方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本发明中的车辆电池健康状态估计模型的训练方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(NetworkInterface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本发明中提供了一种车辆电池健康状态估计模型的训练方法，图2是本发明的实施例中的车辆电池健康状态估计模型的训练方法的流程图，如图2所示，该流程包括如下步骤：

步骤S210，获取车辆的电池数据；其中，电池数据包括第一电池数据和第二电池数据。

本步骤中，模型训练设备首先要获取所有车辆的电池数据。其中，电池数据可以分为第一电池数据和第二电池数据，第一电池数据主要是一些可以体现用户驾车习惯的数据，第二电池数据主要是一些可以体现电池健康状态的数据。

具体的，第一电池数据至少包括如下数据之一：充电平均电流、充电末端平均电压、充电平均荷电状态、充电温度均值、充电容量、环境温度均值、每百公里平均时速、每百公里加速次数、每百公里减速次数、快充次数、慢充次数、电芯类型和行驶总里程。第二电池数据至少包括如下数据之一：慢充状态下的充电电流、充电电压、电池温度、荷电状态值和累积充电量，以及慢充前的历史健康状态值。

其中，第一电池数据最多可以包括13项不同类型属性的数据，而第二电池数据最多可以包括6项不同类型数据的数据。模型训练设备可以从上述13项数据中获取部分类型属性的数据作为第一电池数据，或是可以从上述6项数据中获取部分类型属性的数据作为第二电池数据。在其中的一个较为优选的实施例中，第一电池数据包括上述所有的13项不同类型属性的数据，第二电池数据包括上述所有的6项不同类型数据的数据，以便于后续更加精准地对划分车辆群体和训练电池估计模型。

步骤S220，采用预设聚类算法对第一电池数据进行聚类，将第一电池数据分为多类。

具体的，模型训练设备在获取车辆的电池数据后，采用预设聚类算法对第一电池数据进行聚类处理，从而将第一电池数据分为多种类型。进一步的，聚类过程是将每辆车的多个第一电池数据作为一个数据样本进行分类，也就是每个数据样本则包括同一辆车的多个不同类型属性的第一电池数据。比如，当第一电池数据只包括充电平均电流和充电末端平均电压两项数据时，则一个数据样本则包括某车辆的充电平均电流和充电末端平均电压两个数据。

比如，可以使用k-means聚类算法对上第一电池数据进行聚类形成k(设定值)个簇，或是采用k-means++聚类算法，又或是采用DBSCAN聚类算法。其中，k-means聚类算法和k-means++聚类算法是基于距离的聚类算法，而DBSCAN聚类算法是基于密度的聚类算法。

步骤S230，根据多类第一电池数据将车辆分为多个车辆群体。

本步骤中，模型训练设备根据第一电池数据的聚类结果，将所有的车辆相应的分为多个车辆群体。其中具体的，数据聚类是将包含多个第一电池数据的样本进行分类，而样本是和车辆一一对应的，因此可以根据聚类结果直接将车辆划分为多个车辆群体(或者说是用户群体)。

步骤S240，针对多个车辆群体中的每个车辆群体，利用车辆群体对应的第二电池数据训练与其对应的电池估计模型。

本步骤中，模型训练设备为每个车辆群体分别对应训练电池估计模型，也就是说电池估计模型和车辆群体是一一对应的关系，或者说是每个车辆群体都有用于估计自身车辆群体内的车辆电池健康状态的模型。具体的训练步骤则是，对于每一个车辆群体，采用该车辆群体对应的第二电池数据训练对应的电池估计模型。

步骤S250，得到每个车辆群体的训练后的电池估计模型；其中，电池估计模型用于估计对应车辆群体中的车辆电池健康状态。

本步骤中，模型训练设备在完成模型训练后，则可以得到每个车辆群体的训练后的电池估计模型。因此，对于任意车辆群体，该车辆群体内的所有车辆都可以将自身的第二电池数据输入该车辆群体对应的电池估计模型，来估计自身的电池健康状态。

通过上述步骤，首先是对所有车辆已有的第一电池数据进行聚类，并根据聚类结果将车辆分为多个车辆群体。对于每个车辆群体，采用该车辆群体的第二电池数据为其单独训练一个相应的电池估计模型。进而对于某个车辆群体内的所有车辆均可以通过相应的电池估计模型，估计自身的电池健康状态。相比于相关技术中为每台电动汽车件均单独配置相应的电池估计模型，大大减少了电池估计模型的数量，避免电池估计系统中产生大量几乎同质的模型，进而大大降低了系统的运行负载，以及具有节约系统资源的效果。因此，本发明中提出的车辆电池健康状态估计模型的训练方法，解决了相关技术中为每台电动汽车件均单独配置相应的电池估计模型，容易造成系统运行负载过大和资源浪费的问题。

同时由于同一车辆群体内用户习惯的高相似性，保证了电池估计模型的训练不会受到数据差异性的影响。以及相比于为每个用户车辆单独配合电池估计模型，本发明中的电池估计模型由于具有更多的样本数据，因此训练后的电池估计模型更加精准地的估计电池健康状态。

在其中的一些实施例中，步骤S240中，利用车辆群体对应的第二电池数据训练与其对应的电池估计模型，具体包括：

步骤S241，基于车辆群体对应的多种第二电池数据分别训练多个自编码器模型。

步骤S242，根据第二电池数据及其对应的训练后的自编码器模型得到与第二电池数据对应的隐藏向量。

步骤S243，基于隐藏向量训练自学习模型。

步骤S244，将训练后的多个自编码器模型和自学习模型组合成车辆群体对应的电池估计模型。

本实施例中，则提供了一种相对具体的训练电池估计模型的方法，该方法可以应用于每个车辆群体，也就是说每个车辆群体均可以采用上述方法步骤训练各自的电池估计模型。

具体的，对于任意一个车辆群体，首先是根据该车辆群体对应的多种第二电池数据分别训练多个自编码器模型。示例性地，当第二电池数据一共包括：慢充状态下的充电电流、充电电压、电池温度、荷电状态值和累积充电量，以及慢充前的历史健康状态值等6项不同类型属性的数据时，则需要训练6个自编码器模型，6个自编码器模型与6种第二电池数据一一对应。具体的训练时，则是将每种第二电池数据分别输入至各自对应的自编码器模型中。最终获得6个训练后的自编码器模型(每个车辆群体都具有6个自编码器模型)。

进一步的，待自编码器模型训练完成后，将每个第二电池数据输入至各自的自编码器模型中，则可以从自编码器模型中获得与第二电池数据对应的隐藏向量，也就是对于每一个第二电池数据，均可以获得一个对应的隐藏向量。然后则可以通过这些隐藏向量训练自学习模型(每个车辆群体都具有1个自学习模型)。

最后，将训练后的6个自编码器模型和1个自学习模型组合构成电池估计模型。因此电池估计模型的估计流程为：将待估计车辆的第二电池数据按照类型属性分别输入至6个自编码器模型中，然后可以得到6个相应的隐藏向量，再将6个隐藏向量输入至自学习模型中，最终得到车辆的电池健康状态估计结果。

进一步的，在其中的一些实施例中，步骤S241，基于车辆群体对应的多种第二电池数据分别训练多个自编码器模型包括：

步骤S241a，基于车辆群体对应的多种第二电池数据确定若干个数据样本；其中，每个数据样本包括同一车辆在同一次充电过程中产生的多个第二电池数据。

步骤S241b，将若干个数据样本中的多个第二电池数据分别输入多个待训练的自编码器模型中。

步骤S241c，计算自编码器模型的输入值与输出值之间的第一均方差损失值。

步骤S241d，根据第一均方差损失值调整相应的自编码器模型的模型参数，直至第一均方差损失值小于第一预设阈值，完成自编码器模型的训练。

本实施例中，则进一步提供了一种具体的训练自编码器模型的方法。

具体的，首先是将车辆群体对应的第二电池数据以车辆的单次充电过程为单位分为多个数据样本。每个数据样本包括同一车辆在同一次充电过程中产生的多个第二电池数据。示例性地，当第二电池数据一共包括：慢充状态下的充电电流、充电电压、电池温度、荷电状态值和累积充电量，以及慢充前的历史健康状态值等6项不同类型属性的数据时，则一个数据样本包括车辆A在第n次充电过程中产生的慢充状态下的充电电流、充电电压、电池温度、荷电状态值和累积充电量等6个数据。

然后将每个数据样本中的多个第二电池数据分别输入至各自对应的待训练的自编码器模型中。再计算自编码器模型的输入值和输出值之间的第一均方差损失值。其中自编码器模型的输入值则为相应的第二电池数据，其输出值则为自编码器模型对输入的第二电池数据进行重构后输出的数据。

最后，以尽量降低第一均方差损失值为训练原则，逐步调整自编码器模型参数，使得自编码器模型的第一均方差损失值逐步降低，直至第一均方差损失值小于第一预设阈值，则完成自编码器模型的训练。

图3是本发明的实施例中的自编码器模型的结构示意图。参照图3，需要进一步说明的是，自编码器模型包括编码模型310和解码模型320；隐藏向量为编码模型310的输出，且为解码模型320的输入；编码模型310的输入为自编码器模型的输入，解码模型320的输出为自编码器模型的输出。

具体的，自编码器模型主要由编码模型310和解码模型320两部分构成，当输入向量进入自编码器模型后，首先是经过编码模型310处理，从而得到一个中间向量，该中间向量则为隐藏向量。然后该中间向量再经过解码模型320处理，进而得到输出向量，以实现向量重构。

其中，自编码器模型可以是相对基础的AE模型，也可以是在AE模型的基础上变体得到的SAE模型、DAE模型和VAE模型。以及自编码器模型可以采用两个GRU模型(分别为编码模型和解码模型)进行构建，也可以采用两个其他神经网络模型进行构建，比如CNN模型和LSTM模型。

示例性地，下面以充电电流数据训练由两个GRU模型构建的AE模型为例，对自编码器模型的训练过程进行说明。

步骤a，将每次慢充时的充电电流数据定义为向量cur_i(i表示第i次慢充)，每个向量包含了此次慢充时的电流变化情况。

步骤b，将向量cur_i作为AE模型的输入，基于AE的编码模型(双向GRU)可将输入向量cur_i映射为向量z。具体计算流程如下：

其中，

和

分别代表双向GRU中的正向和反向GRU神经网络单元，区别在于反向GRU是将数据元素从后往前输入，j代表输入向量的第j个元素。而此后向量z将输入AE的解码器部分(三层GRU)被映射为输出向量cur_i，out。对于输出向量cur_i，out的第j个元素，其计算过程如下：

l₁＝g₁(z_j)

l₂＝g₂(l₁)

其中，g₁、g₂和g₃分别代表第1、2和3层GRU神经网络单元。由此，AE模型对输入向量cur_i实现了重构，获得等长的输出向量步骤cur_i，out。

步骤c，对于所有输入向量cur，计算输入向量与输出向量的均方误差损失，并利用Adam优化器对AE参数进行迭代优化，直至损失小于设定阈值ε₁＝0.001，其中，均方误差损失loss计算公式如下：

loss＝avg(||cur_i，out-cur_i||²)

通过上述步骤，则可以实现对充电电流数据的自编码器模型进行训练。对所有第二电池数据均执行上述步骤，则可分别获得多种第二电池数据的自编码器模型。因此，对于同一用户群体的6种第二电池数据可训练出6个结构相同、参数不同的AE模型。

相应的，在其中的另一些实施例中，步骤S242，根据第二电池数据及其对应的训练后的自编码器模型得到与第二电池数据对应的隐藏向量包括：

步骤S242a，将若干个数据样本中的多个第二电池数据分别输入多个训练后的自编码器模型中。

步骤S242b，从自编码器模型中获取对应于每个第二电池数据的隐藏向量。

具体的，待多个自编码器模型训练完成后，将每个数据样本中的多个第二电池数据分别输入至对应的自编码器模型中，进而可以通过自编码器模型得到与每个第二电池数据对应的隐藏向量。比如，当数据样本中包括6个第二电池数据时，则可以获得6个隐藏向量。

而步骤S243，基于隐藏向量训练自学习模型包括：

步骤S243a，基于隐藏向量确定若干个特征样本；其中，每个特征样本包括同一数据样本中的多个第二电池数据对应的多个隐藏向量。

步骤S243b，将若干个特征样本输入待训练的自学习模型中。

步骤S243c，计算自学习模型的输出值与对应样本真实值之间的第二均方差损失值。

步骤S243d，根据第二均方差损失值调整自学习模型的模型参数，直至第二均方差损失值小于第二预设阈值，完成自学习模型的训练。

具体的，将每个数据样本对应的多个隐藏向量组合成一个特征样本。比如，当数据样本中包括6个第二电池数据时，则可以获得6个隐藏向量，也就是将则对应的6个隐藏向量组合构成一个特征样本。因此，每个数据样本均有一个相对应的特征样本，进而特征样本与车辆也是一一对应的关系。自学习模型的训练过程则是将特征样本输入自学习模型中，然后计算自学习模型对该特征样本的输出值与对应的样本真实值之间的均方差损失值。最后，以尽量降低第二均方差损失值为训练原则，逐步调整自编码器模型参数，使得自编码器模型的第一均方差损失值逐步降低，直至第二均方差损失值小于第二预设阈值，则完成自学习模型的训练。

需要进一步说明的是，自学习模型可以采用TCN模型，也可以使用其它深度学习模型或机器学习模型，如：CNN模型、LSTM模型、XGBoost模型和SVM模型等。

下面以6种第二电池数据的隐藏向量训练TCN模型为例，对自学习模型的训练过程进行说明。

将每个数据样本中的6个第二电池数据分别输入到对应的训练后自编码器模型中。对于任一数据样本，其包含的6种个第二电池数据可以获得6个隐藏向量，将它们合并以作为新的特征样本。利用这些特征样本和样本真实值可构建新的特征训练数据集，用于完成后续TCN模型的训练。TCN模型的训练步骤包括：

步骤a，特征样本记为f_i(i代表第i次慢充)，每个特征样本则对应某车的某次充电过程。将各特征数据样本输入到TCN模型中，并输出估计值SOH_pre。TCN模型结构如下图所示，特征数据会输入两组由膨胀因果卷积层、权重归一化层、ReLU和Dropout组成的网络中，其输出与特征数据经过1×1卷积层后得到的输出进行求和，和值作为最终的输出值SOH_pre

步骤b，对于某用户群体的全部特征数据样本，经过TCN计算出各自对应的SOH_pre值。利用估算的SOH_pre值和真实的SOH_real标签计算MSE，并利用Adam优化器对TCN参数进行调整，直至TCN的MSE小于设定阈值ε₂＝0.01。TCN的MSE计算过程如下：

loss_tcn＝avg(||SOH_pre-SOH_real||²)

在本发明中还提供了一种车辆电池健康状态的估计方法，图4是本发明的实施例中的车辆电池健康状态的估计方法的流程图，如图4所示，该流程包括如下步骤：

步骤410，获取待估计车辆的电池数据；其中，电池数据包括第一电池数据和第二电池数据。

步骤420，根据第一电池数据确定待估计车辆所在的车辆群体，并根据车辆群体确定与待估计车辆对应的电池估计模型。

步骤430，通过电池估计模型和第二电池数据确定待估计车辆的电池健康状态。

其中，电池估计模型采用本发明中提供的车辆电池健康状态估计模型的训练方法进行训练得到。

具体的，首先是获取待估计车辆的电池数据，电池数据中包括了第一电池数据和第二电池数据。然后根据待估计车辆的第一电池数据确定待估计车辆所属的车辆群体，进而确定待估计车辆所要使用的电池估计模型。最后将待估计车辆的第二电池数据输入至相应的电池估计模型中，进而可以得到待估计车辆的电池健康状态的估计值。其中，电池估计模型则是采用本申请中的车辆电池健康状态估计模型的训练方法进行训练得到。

下面通过具体的优选实施例对本发明中的技术方案进行描述和说明。

本优选实施例中的车辆电池健康状态的估计方法，基于用户画像数据将相似用车习惯的用户划分成一个群体，并借助AE强大的非线性表达能力学习了同用户群体中车辆数据特性的低维表示，最后借助高效的TCN模型完成多特征融合以精确估计SOH(电池健康状态)。

图5是本发明的优选实施例中的车辆电池健康状态的估计方法的流程图。

参照图5，该流程包括如下步骤：

步骤S510，获取车辆的第一电池数据。

具体的，首先用户车辆动力电池等有关信号数据经过通信设备上传至动力电池数据云平台进行统一存储、管理。然后电池估计设备从电池数据云平台中提取各用户的13项属性数据：充电平均电流、充电末端平均电压、充电平均SOC(荷电状态)、充电温度均值、充电容量、环境温度均值、每百公里平均时速、每百公里加/减速次数、快/慢充次数、电芯类型和行驶总里程，由此构建出各自的用户画像。

步骤S520，采用预设聚类算法对第一电池数据进行聚类，将第一电池数据分为多类，并根据多类第一电池数据将车辆分为多个车辆群体。

具体的，使用k-means方法对上述的用户画像数据(第一电池数据)进行聚类形成k(设定值)个簇，并将每个聚类簇中的用户定义为一个群体，由此，可将所有用户划分成k个不同的用户群体(对应车辆群体)。详细的聚类过程包括如下步骤：

步骤a1，每个用户的画像数据可表示为一个样本点u_vin(13项画像数据组成的向量，vin为用户车辆识别码)，从所有的u_vin中随机选择k个样本点作为初始的聚类中心

步骤a2，计算剩下每一个样本与k个聚类中心的欧氏距离，并将各样本划分到与其距离最近的聚类中心所在的簇。欧氏距离公式如下：

步骤a3，分别计算k个簇中所有样本点向量的均值，并将k个均值向量作为新的聚类中心

步骤a4，重复步骤a2和步骤a3，直至k个均值向量不再更新。此时，k个簇中的用户便组成了k个用户群体。

步骤S530，针对每个车辆群体，获取其对应的第二电池数据。

具体的，基于划分出来的k个用户群体，从动力电池数据云平台中调取各群体中用户车辆的电池相关数据(第二电池数据)，并结合真实SOH值标签构建出k个训练数据集。电池相关数据主要包含以下6项：慢充工况下以3分钟为采样间隔的充电电流、充电电压、电池温度、SOC值和累积充电量，慢充前的历史SOH值。

步骤S540，针对每个车辆群体，基于其对应的多种第二电池数据分别训练多个自编码器模型。

具体的，对于任一用户群体，利用其训练数据集中的6种电池数据分别训练AE模型，直至6个AE的MSE(均方误差损失)均小于阈值ε₁。具体的训练过程(对于6种电池数据，其训练过程一致，这里仅以充电电流数据为例)包括如下步骤：

步骤b1，将每次慢充时的充电电流数据定义为向量cur_i(i表示第i次慢充)，每个向量包含了此次慢充时的电流变化情况。

步骤b2，将向量cur_i作为AE模型的输入，基于AE的编码模型(双向GRU)可将输入向量cur_i映射为向量z。具体计算流程如下：

其中，

和

l₁＝g₁(z_j)

l₂＝g₂(l₁)

步骤b3，对于所有输入向量cur，计算输入向量与输出向量的均方误差损失，并利用Adam优化器对AE参数进行迭代优化，直至损失小于设定阈值ε₁＝0.001，其中，均方误差损失loss计算公式如下：

loss＝avg(||cur_i，out-cur_i||²)

步骤S550，根据第二电池数据及其对应的训练后的自编码器模型得到与第二电池数据对应的隐藏向量。

具体的，待每个AE训练完成后，重新将该用户群体的训练数据集输入AE中，并将每个训练样本对应的6个AE隐藏变量合并以作为新的特征训练样本。结合各样本相应的真实SOH值标签，构建出特征训练数据集。进一步的，是将原始数据中的6种电池数据分别输入到对应的AE模型。对于任一训练数据样本，其包含的6种原始电池数据可以获得6个向量z，将它们合并以作为新的特征数据样本。利用这些特征数据样本和真实SOH值标签可构建新的特征训练数据集，用于完成后续TCN模型的训练。

步骤S560，基于隐藏向量训练自学习模型。

具体的，通过上述步骤，可建立该用户群体的特征训练数据集，将其用于TCN模型的训练，直至TCN模型的MSE小于阈值ε₂。具体的训练过程包括如下步骤：

步骤c1，特征样本记为f_i(i代表第i次慢充)，每个特征样本则对应某车的某次充电过程。将各特征数据样本输入到TCN模型中，并输出估计值SOH_pre。TCN模型结构如下图所示，特征数据会输入两组由膨胀因果卷积层、权重归一化层、ReLU和Dropout组成的网络中，其输出与特征数据经过1×1卷积层后得到的输出进行求和，和值作为最终的输出值SOH_pre

步骤c2，对于某用户群体的全部特征数据样本，经过TCN计算出各自对应的SOH_pre值。利用估算的SOH_pre值和真实的SOH_real标签计算MSE，并利用Adam优化器对TCN参数进行调整，直至TCN的MSE小于设定阈值ε₂＝0.01。TCN的MSE计算过程如下：

loss_tcn＝avg(||SOH_pre-SOH_real||²)

步骤S570，将训练后的多个自编码器模型和自学习模型组合成车辆群体对应的电池估计模型。

具体的，对于k个用户群体，利用各自的训练数据集执行上述步骤，由此可建立k个由AE和TCN共同组成的SOH估计模型。

步骤S580，通过电池估计模型对各自用户群体内的车辆电池健康状态进行估计。

具体的，待所有SOH估计模型建立后，便可将其用于测试。首先提取测试用户的画像数据，并利用欧氏距离确定出该用户所属的群体。最后，将该用户车辆的电池慢充数据输入到用户群体所对应的SOH估计模型，便可获得SOH值。具体的估计过程包括如下两个步骤：

步骤d1，对于不包含在训练阶段中的用户，从云平台中提取出该用户包含13项画像数据的向量，并计算其与各个用户群体聚类中心的欧氏距离。将该用户划分至距离最近的用户群体。

步骤d2，调用用户所属群体的SOH估计模型，并通过云平台提取该用户车辆最近一次慢充时的6项电池数据，将数据输入到SOH估计模型中便可获得该用户车辆的SOH值。

上述优选实施例中的车辆电池健康状态的估计方法具有如下优点：

1、目前诸多SOH估计方法会对所有EV采用同一个估计模型，或者是对各EV均设计一个估计模型。而本发明基于用户群体设计了SOH估计模型，这样不仅可以避免由EV数据差异性引起的模型效果衰退问题，还能够使特性相似的用户车辆共享一个SOH估计模型，大幅度减少模型数量，降低云平台的负担。

2、通过神经网络AE对输入数据进行重构，使得AE从中获得多种电池数据特征信息的低维表示。将这些特征信息输入进TCN模型，不仅能够帮助TCN模型更全面地掌握用户车辆当前状态以精确估计SOH，还可以避免在模型构建初期对特征提取方法进行反复的调试、对比和更改。

在本实施例中还提供了一种车辆电池健康状态估计模型的训练装置，以及一种车辆电池健康状态的估计装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图6是本发明的实施例中的车辆电池健康状态估计模型的训练装置的结构框图，如图6所示，该装置包括：

数据获取模块610，用于获取车辆的电池数据；其中，电池数据包括第一电池数据和第二电池数据；

数据聚类模块620，用于采用预设聚类算法对第一电池数据进行聚类，进而将第一电池数据分为多类；

群体划分模块630，用于根据多类第一电池数据将车辆分为多个车辆群体；

模型训练模块640，用于针对多个车辆群体中的每个车辆群体，利用车辆群体对应的第二电池数据训练与其对应的电池估计模型；

模型确定模块650，用于得到每个车辆群体的训练后的电池估计模型；其中，电池估计模型用于估计对应车辆群体中的车辆电池健康状态。

图7是本发明的实施例中的车辆电池健康状态的估计装置的结构框图，如图7所示，该装置包括：

数据获取模块710，用于获取待估计车辆的电池数据；其中，电池数据包括第一电池数据和第二电池数据；

模型确定模块720，用于根据第一电池数据确定待估计车辆所在的车辆群体，并根据车辆群体确定与待估计车辆对应的电池估计模型；

状态评估模块730，用于通过电池估计模型和第二电池数据确定待估计车辆的电池健康状态；

其中，电池估计模型采用本发明中提供的车辆电池健康状态估计模型的训练装置进行训练得到。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

在本实施例中还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。

此外，结合上述实施例中提供的车辆电池健康状态估计模型的训练方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种车辆电池健康状态估计模型的训练方法。

此外，结合上述实施例中提供的车辆电池健康状态的估计方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种车辆电池健康状态的估计方法。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。

显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。

“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims

1.一种车辆电池健康状态估计模型的训练方法，其特征在于，所述方法包括：

根据多类所述第一电池数据将所述车辆分为多个车辆群体；

2.根据权利要求1所述的车辆电池健康状态估计模型的训练方法，其特征在于，所述利用所述车辆群体对应的第二电池数据训练与其对应的电池估计模型包括：

基于所述隐藏向量训练自学习模型；

3.根据权利要求2所述的车辆电池健康状态估计模型的训练方法，其特征在于，所述基于所述车辆群体对应的多种第二电池数据分别训练多个自编码器模型包括：

4.根据权利要求3所述的车辆电池健康状态估计模型的训练方法，其特征在于，所述根据所述第二电池数据及其对应的训练后的自编码器模型得到与所述第二电池数据对应的隐藏向量包括：

所述基于所述隐藏向量训练自学习模型包括：

将若干个所述特征样本输入待训练的所述自学习模型中；

5.根据权利要求2所述的车辆电池健康状态估计模型的训练方法，其特征在于，所述自编码器模型包括编码模型和解码模型；

6.根据权利要求1至权利要求5中任一项所述的车辆电池健康状态估计模型的训练方法，其特征在于，所述第一电池数据至少包括如下数据之一：

所述第二电池数据至少包括如下数据之一：

7.一种车辆电池健康状态的估计方法，其特征在于，所述方法包括：

其中，所述电池估计模型采用如权利要求1至权利要求6中任一项所述的方法进行训练得到。

8.一种车辆电池健康状态估计模型的训练装置，其特征在于，所述装置包括：

9.一种车辆电池健康状态的估计装置，其特征在于，所述装置包括：

其中，所述电池估计模型采用如权利要求8所述的装置进行训练得到。

10.一种计算机可读存储介质，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权利要求1至权利要求6中任一项所述的车辆电池健康状态估计模型的训练方法的步骤，或实现权利要求7中所述的车辆电池健康状态的估计方法的步骤。