CN116466236A - 电池剩余寿命预测方法、装置、设备及可读存储介质 - Google Patents
电池剩余寿命预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116466236A CN116466236A CN202310171159.9A CN202310171159A CN116466236A CN 116466236 A CN116466236 A CN 116466236A CN 202310171159 A CN202310171159 A CN 202310171159A CN 116466236 A CN116466236 A CN 116466236A
- Authority
- CN
- China
- Prior art keywords
- battery
- curve
- battery capacity
- target
- capacity change
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 230000008859 change Effects 0.000 claims abstract description 176
- 238000005562 fading Methods 0.000 claims abstract description 59
- 238000013135 deep learning Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims description 32
- 238000006731 degradation reaction Methods 0.000 claims description 32
- 230000003247 decreasing effect Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 102000008857 Ferritin Human genes 0.000 description 1
- 238000008416 Ferritin Methods 0.000 description 1
- 108050000784 Ferritin Proteins 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种电池剩余寿命预测方法、装置、设备及可读存储介质。该方法包括：获取目标电池N次充放电后的N个电池容量；所述N为大于或等于2的整数；根据所述目标电池的N个电池容量，获取所述目标电池的电池容量衰退序列；所述电池容量衰退序列用于表征所述目标电池在N次充放电过程中电池容量变化情况；采用深度学习网络模型，利用所述目标电池的电池容量衰退序列，预测所述目标电池的剩余寿命；所述深度学习网络模型是预先基于样本电池容量衰退序列训练的得到的。本申请能够提高电池剩余寿命预测方法的通用性。
Description
技术领域
本申请涉及二次电池技术领域，尤其涉及一种电池剩余寿命预测方法、装置、设备及可读存储介质。
背景技术
以锂离子电池为代表的二次电池凭借循环性能好、使用寿命长等优点，应用范围日益扩大，尤其在新能源电动汽车和储能等领域备受关注。
随着充放电循环次数的增加，电池内部会发生一些不可逆变的化学反应，导致内阻增大，电池容量逐渐衰退，缩短了电池剩余寿命，进而会对电池工作的安全性和稳定性造成影响。因此，为了保障电池在运行过程中的安全性与可靠性，避免由电池失效引发连锁反应造成的重大事故，需要预测电池的剩余使用寿命，以提前获取电池寿命信息，更换即将失效的电池。
目前，针对电池剩余寿命的预测方法主要是基于物理失效模型和基于数据驱动两种方法进行电池剩余寿命的预测，但这两种方法的使用不具有通用性。
发明内容
本申请提供一种电池剩余寿命预测方法、装置、设备及可读存储介质，用以解决在电池剩余寿命的预测方法不具有通用性的问题。
第一方面，本申请提供一种电池剩余寿命预测方法，包括：
获取目标电池N次充放电后的N个电池容量；所述N为大于或等于2的整数；
根据所述目标电池的N个电池容量，获取所述目标电池的电池容量衰退序列；所述电池容量衰退序列用于表征所述目标电池在N次充放电过程中电池容量变化情况；
采用深度学习网络模型，利用所述目标电池的电池容量衰退序列，预测所述目标电池的剩余寿命；所述深度学习网络模型是预先基于样本电池容量衰退序列训练的得到的。
可选的，所述根据所述目标电池的N个电池容量，获取所述目标电池的电池容量衰退序列，包括：
根据所述目标电池的N个电池容量，得到所述目标电池的电池容量变化曲线；
根据所述目标电池的电池容量变化曲线，获取所述目标电池的电池容量衰退序列。
可选的，所述根据所述目标电池的电池容量变化曲线，获取所述目标电池的电池容量衰退序列，包括：
获取所述电池容量变化曲线的极大值点与极小值点；
根据所获取的极大值点，得到所述电池容量变化曲线的上包络线；
根据所获取的极小值点，得到所述电池容量变化曲线的下包络线；
根据所述上包络线、所述下包络线，以及，所述电池容量变化曲线，得到所述目标电池的电池容量衰退序列。
可选的，所述根据所述上包络线、所述下包络线，以及，所述电池容量变化曲线，得到所述目标电池的电池容量衰退序列，包括：
对所述上包络线与所述下包络线求平均，得到所述上包络线与所述下包络线的中间包络线；
根据所述电池容量变化曲线与所述中间包络线，得到所述电池容量变化中间曲线；所述电池容量变化中间曲线用于表征减小电池容量峰值影响后的所述电池容量变化曲线的变化情况；
根据所述电池容量变化曲线、所述电池容量变化中间曲线和所述中间包络线，得到所述目标电池的电池容量衰退序列。
可选的，所述根据所述电池容量变化曲线与所述中间包络线，得到所述电池容量变化中间曲线，包括：
对所述电池容量变化曲线与所述中间包络线求差，得到所述电池容量变化候选中间曲线；
判断所述电池容量变化候选中间曲线的极大值是否位于预设的极大值取值范围，以及，极小值是否位于预设的极小值取值范围；
若极大值未位于预设的极大值取值范围，和/或，极小值未位于预设的极小值取值范围，则将所述电池容量变化候选中间曲线作为新的电池容量变化曲线，直至得到极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围的电池容量变化候选中间曲线；
将极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围的电池容量变化候选中间曲线作为所述电池容量变化中间曲线。
可选的，所述根据所述电池容量变化曲线、所述电池容量变化中间曲线和所述中间包络线，得到所述目标电池的电池容量衰退序列，包括：
对所述电池容量变化中间曲线和所述中间包络线求差，得到本征模态函数分量曲线；
对所述电池容量变化曲线和所述本征模态函数分量曲线求差，得到剩余分量曲线；
判断所述剩余分量曲线是否为单调减小的曲线或者是常数曲线；
若所述剩余分量曲线是单调减小的曲线或常数曲线，则将所述剩余分量曲线作为所述目标电池的电池容量衰退序列；
若所述剩余分量曲线非单调减小的曲线且非常数曲线，则将所述剩余分量曲线作为新的电池容量变化曲线，直至得到是单调减小的曲线或常数曲线的剩余分量曲线，并将是单调减小的曲线或常数曲线的剩余分量曲线作为所述目标电池的电池容量衰退序列。
可选的，所述预测所述目标电池的剩余寿命之后，还包括：
若所述目标电池的剩余寿命低于预设寿命阈值，则输出所述目标电池的剩余寿命提示信息。
第二方面，本申请提供一种电池剩余寿命预测装置，包括：
第一获取模块，用于获取目标电池N次充放电后的N个电池容量；所述N为大于或等于2的整数；
第二获取模块，用于根据所述目标电池的N个电池容量，获取所述目标电池的电池容量衰退序列；所述电池容量衰退序列用于表征所述目标电池在N次充放电过程中电池容量变化情况；
预测模块，用于采用深度学习网络模型，利用所述目标电池的电池容量衰退序列，预测所述目标电池的剩余寿命；所述深度学习网络模型是预先基于样本电池容量衰退序列训练的得到的。
第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面中任一项所述的电池剩余寿命预测方法。
第四方面，本申请提供一种计算机可读存储介质，包括：所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的电池剩余寿命预测方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被所述处理器执行时实现如第一方面任一项所述的电池剩余寿命预测方法。
第六方面，本申请提供一种芯片，所述芯片上存储有计算机程序，所述计算机程序被所述芯片执行时，实现如第一方面任一项所述的电池剩余寿命预测方法。
本申请提供的电池剩余寿命预测方法、装置、设备及可读存储介质，利用目标电池的电池容量，获取了目标电池的电池容量衰退序列，通过深度学习网络模型对该电池容量衰退序列进行预测，来获取目标电池的剩余寿命。该方法利用了目标电池的电池容量衰退序列这一过去时间序列的发展规律，来定量预测该序列未来的发展趋势，提高了电池剩余寿命预测方法的通用性，可以避免模型或者数学公式选择的合理性问题。
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。
图1为本申请实施例提供的一种电池剩余寿命预测方法的应用场景的架构示意图；
图2为本申请实施例提供的另一种电池剩余寿命预测方法的应用场景示意图；
图3为本申请实施例提供的一种电池剩余寿命预测方法的流程示意图；
图4为本申请实施例提供的一种获取目标电池的电池容量衰退序列的方法的流程示意图；
图5为本申请实施例提供一种上包络线和下包络线的示意图；
图6为本申请实施例提供的一种获取电池容量变化中间曲线的方法的流程示意图；
图7为本申请实施例提供的再一种获取目标电池的电池容量衰退序列的方法的流程示意图；
图8为本申请实施例提供的再一种获取目标电池的电池容量衰退序列的方法的流程示意图；
图9为本申请实施例提供的一种电池剩余寿命预测装置的结构示意图；
图10为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
首先，对本申请所涉及的名词进行解释：
二次电池：是指在电池放电后可通过充电的方式使活性物质激活而继续使用的电池，又称为充电电池。需说明，在下述描述中二次电池简称为电池。
电池容量：是指电池存储电量的大小。
电池失效：是指由于某些铁定的本质原因引起的电池性能衰减，或使用异常，会影响电池的性能，甚至引发起火等安全问题。
电池的剩余寿命：是指在一定充放电过程后，电池的最大可用容量衰减到某一规定的失效阈值所需充放电循环数。该失效阈值是指电池的电池容量低于该阈值后电池失效，通常为电池初始容量的80％。电池的剩余寿命也可以称为电池的剩余使用寿命，两者含义等同，本申请对此不进行区分。
经验模态分解(Empirical Mode Decomposition,EMD)算法：是一种非平稳信号的处理方法，用于对非平稳数据进行平稳化处理。
目前，现有技术中主要采用以下两种方法进行电池剩余寿命的预测：
一、基于物理失效模型的预测方法，即，利用电池内部构造、材料特性和失效机制等建立物理失效模型进行预测，对电池的剩余寿命进行预测。
但该方法建立的物理失效模型依赖于电池的结构、材料或者失效机制，因此，该方法针对于特定的电池具有较高的精度，不具有通用性。
二、基于数据驱动的预测方法，即，利用电池过去的运行数据，建立数学公式进行拟合，以对电池的剩余寿命进行预测。下面以两种方法对基于数据驱动的预测方法进行说明：
方法一：
(1)利用电池衰减曲线拟合公式：y＝a+b*x^c，每经过任意的循环次数即对衰减曲线进行拟合。其中，y表示放电容量保持率，x表示循环次数，a、b、c均表示常数。
(2)获取不同循环次数下经过拟合得到的拟合参数C；
(3)利用拟合参数C对循环次数作图，得到C-x曲线；
(4)对C-x曲线做进一步处理，求取任一循环次数x的斜率k，计算公式：k＝[(C-(x+i)-C-x)/i+(C-x-C-(x-i))/i]/2，其中，i为两个拟合点间隔的循环次数；
(5)监控k在循环过程中的变化。
该方法利用电池过去的放电容量保持率和循环次数数据建立了数学拟合公式，获取了曲线斜率k值，通过监测k值的变化情况来预测电池衰减的情况。但该方法依赖于该数学拟合公式，且该公式为单一的指数公式。由于不同种类的电池的运行情况不同，存在符合其他公式形式的情况，因此，单一的指数公式不能适用于所有种类电池的运行情况，即，该预测方法的通用性差。
方法二：
采用改进粒子滤波与双指数衰退经验物理模型融合的方法预测锂离子电池剩余寿命，具体地：利用电池容量衰退实验数据对电池容量衰退经验模型参数进行辨识修正，并对该模型进行仿真与试验验证，以利用该模型进行电池剩余寿命预测。该双指数衰退经验物理模型的公式为：Cap＝a*exp(b*k)+c*exp(d*k)，式中，Cap为锂离子电池容量(Ah)，k为充放电循环次数，未知噪声参数a和c与内阻相关，b和d是由衰退速率决定的。
该方法相较于方法一进行了改进，采用了改进粒子滤波与双指数衰退经验物理模型融合的方法，但本质上该方法还是依赖于双指数衰退经验物理模型，并且需要利用实验数据不断地修正该模型。对于不同种类的电池，需要先获取实验数据进行模型修正，因此，该方法也不适用于所有种类电池的运行情况，即，该预测方法的通用性差。
综上所述，现有技术中的电池剩余寿命的预测方法，在进行剩余寿命预测时需要考虑模型或者公式的选取问题，预测方法不具备通用性。
有鉴于此，本申请提供一种电池剩余寿命预测方法，通过构建能够表征电池的电池容量随时间衰减变化的时间序列，以使用该时间序列对电池的剩余寿命预测。因此，利用该时间序列的发展规律即可定量预测出电池的剩余寿命，无需依赖于前述物理失效模型或者数学拟合公式，并且该时间序列可以是任意种类的电池的时间序列，极大提高了电池剩余寿命预测方法的通用性。
图1为本申请实施例提供的一种电池剩余寿命预测方法的应用场景的架构示意图。如图1所示，在该应用场景下，可以包括电池、采集模块和管理模块。
上述电池用于提供电能，可以是任一类型的电池，例如锂电池等，本申请在此不做限定。
上述采集模块用于采集上述电池运行时的数据，例如电压、电流、电池容量等，该采集模块可以包括多种类型的传感器，例如电压传感器、电流传感器等。
上述管理模块用于管理上述电池的运行，例如，管理该电池的充电和放电，该管理模块可以是一管理芯片(例如处理器芯片)，也可以是集成有处理组件和存储组件的模块，其中，处理组件用于执行管理功能，存储组件用于存储实现管理功能所需的程序和/或指令等。
需说明，上述采集模块和管理模块可以位于同一实体上，示例性地，上述采集模块和管理模块可以是电池管理系统的一部分；上述管理模块也可以全部位于云端，或者是，部分与上述采集模块位于同一实体上，部分位于云端。
本申请所提供的电池剩余寿命预测方法的执行主体可以是管理模块，该管理模块可以通过存储的程序、程序代码软件实现本申请实施例的方法，也可以通过存储有相关执行代码的介质实现本申请实施例的方法，例如，U盘等。该执行主体也可以是具有处理能力的计算设备，例如计算机等。
以该执行主体是计算设备为例，图2为本申请实施例提供的另一种电池剩余寿命预测方法的应用场景示意图。即，可以在对电池进行试验的过程中，上述计算设备执行本申请所提供的电池剩余寿命预测方法。
下面以执行主体是计算设备为例，结合具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图3为本申请实施例提供的一种电池剩余寿命预测方法的流程示意图。
如图3所示，该方法包括：
S301、获取目标电池N次充放电后的N个电池容量。
将上述目标电池经历一次充电和放电循环称为一次充放电，上述N次充放电，即为上述目标电池经历N次充电和放电循环。其中，上述N为大于或等于2的整数；
上述电池容量是指上述目标电池在经历一次充电和放电循环后，电池放出的电量。
上述N个电池容量可以与上述目标电池连接的上位机进行通信来获取，或者是从外部设备获取，例如U盘等。该N个电池容量可以是完成每次充放电后分别获取的，也可以是待完成N次充放电次数后获取的。
示例性地，参考图2的应用场景，以280Ah锂离子电池作为实验对象，对该目标电池进行循环充放电测试，以获取该目标电池的电池容量。需说明，该目标电池配置了300kgf的夹具，并放置于25℃的恒温箱中5h。
(1)充电方案：在25℃环境温度下，以1P(896W)恒功率充电至该目标电池单体的充电截止电压3.65V，静置10min。
(2)放电方案：在在25℃环境温度下，以1P(896W)恒功率放电至该目标电池单体的放电截止电压2.5V，静置10min。
根据上述(1)和(2)，实现一次该目标电池的充放电测试，直至对该目标电池进行300次循环充放电测试，从该目标电池连接的上位机中获取该目标电池300次充放电后的300个电池容量。例如，将该目标电池每次放电完成静置10min后的电池容量作为该次充放电的电池容量。
S302、根据上述目标电池的N个电池容量，获取上述目标电池的电池容量衰退序列。
上述电池容量衰退序列用于表征上述目标电池在N次充放电过程中电池容量变化情况。
一种可能的实现方式，将上述N次充放电后的N个电池容量直接作为上述目标电池的电池容量衰退序列。示例性地，5次充放电后的5个电池容量分别为：100、99、98、97、96，那么该目标电池的电池容量衰退序列可以为{100,99,98,97,96}。
另一种可能的实现方式，将上述目标电池的N个电池容量拟合得到电池容量变化曲线，利用该目标电池的电池容量变化曲线获取该目标电池的电池容量衰退序列。例如，可以采用样条曲线拟合得到该电池容量变化曲线。需说明，本申请在此不限定拟合的方式。
关于如何利用该目标电池的电池容量变化曲线获取该目标电池的电池容量衰退序列，示例性地，可以利用经验模态分解(Empirical Mode Decomposition,EMD)算法对该电池容量变化曲线进行分解，获取基于EMD算法的目标电池的电池容量衰退序列。
S303、采用深度学习网络模型，利用上述目标电池的电池容量衰退序列，预测上述目标电池的剩余寿命。
上述深度学习网络模型是预先基于样本电池容量衰退序列训练的得到的，该深度学习网络模型例如可以是长短期记忆网络(Long Short-Term Memory，LSTM)等，本申请在此不做限定。
关于上述深度学习网络模型的训练，以LSTM神经网络模型为例，该模型的输入可以是样本电池容量衰退序列，或者，归一化处理后的样本电池容量衰退序列，将该序列按照次数的7:3的比例划分为训练集和测试集，对该LSTM神经网络模型进行训练，获取该模型的权重参数，并利用上述测试集进行测试，最终得到训练好的LSTM神经网络模型。需说明，本申请在此不限定模型的训练方法，具体可以参考现有技术。
关于该深度学习网络模型的输入可以采用下述两种方式：
若上述训练深度学习网络模型时的输入为样本电池容量衰退序列，在利用上述预训练好的深度学习网络模型进行预测时，该深度学习网络模型的输入为上述目标电池的电池容量衰退序列；若上述训练深度学习网络模型时的输入为归一化处理后的样本电池容量衰退序列，在利用上述预训练好的深度学习网络模型进行预测时，该深度学习网络模型的输入为归一化处理后的目标电池的电池容量衰退序列。
关于该深度学习网络模型的输出可以采取下述两种方式：
一种可能的实现方式，该深度学习网络模型的输出为预测到的N+1次充放电后的电池容量。
上述预测的电池容量是该目标电池未来最大可用的电池容量，判断该预测的电池容量是否达到失效阈值。
若是，则将该预测的电池容量对应的充放电次数减去已使用的充放电次数的差值作为该目标电池的剩余使用寿命；该已使用的充放电次数为上述获取到的N个电池容量中最后一个电池容量所对应的充放电次数。
若否，则将该预测的电池容量加入上述目标电池的电池容量衰退序列，形成新的电池容量衰退序列，利用该深度学习网络模型继续预测，直至预测的电池容量达到该失效阈值，将此次预测的电池容量对应的充放电次数减去该已使用的充放电次数的差值作为该目标电池的剩余使用寿命。
示例性地，以上述失效阈值为80为例，上述目标电池的电池容量衰退序列为{100,99,98,97,96}，输入到该深度学习网络模型后预测到的第6次充放电后的电池容量为81，未达到失效阈值，那么生成新的目标电池的电池容量衰退序列为{100,99,98,97,96,81}，继续利用该深度学习网络模型进行预测，输出预测到的第7次充放电后的电池容量为79，达到失效阈值，那么将7-5的差值2作为该目标电池的剩余寿命。
另一种可能的实现方式，该深度学习网络模型的输出直接为预测到的该目标电池的剩余使用寿命。
可选的，获取到该目标电池的剩余使用寿命后，若该目标电池的剩余使用寿命低于预设的寿命阈值，则输出上述目标电池的剩余寿命提示信息。该提示信息可以是声光报警信息，也可以是在该计算设备的前端显示界面输出文字提示信息或者图形标记信息，或者是向用户的智能设备例如手机等发送提示信息。该提示信息可以用于提示用户更换电池。
示例性地，例如上述预设的寿命阈值是20次，上述预测的目标电池的剩余使用寿命为18次，低于该预设的寿命阈值20次，则向用户的手机发送“需要更换电池”的提示信息。
本申请提供的电池剩余寿命预测方法，利用目标电池的电池容量，获取了目标电池的电池容量衰退序列，通过深度学习网络模型对该电池容量衰退序列进行预测，来获取目标电池的剩余寿命。该方法利用了目标电池的电池容量衰退序列这一过去时间序列的发展规律，来定量预测该序列未来的发展趋势，提高了电池剩余寿命预测方法的通用性，可以避免前述模型或者数学公式选择的合理性问题。
下面将以EMD算法为例，对如何根据目标电池的电池容量变化曲线，获取上述目标电池的电池容量衰退序列进行说明。
图4为本申请实施例提供的一种获取目标电池的电池容量衰退序列的方法的流程示意图。如图4所示，该方法包括：
S401、根据目标电池的N个电池容量，得到该目标电池的电池容量变化曲线。
上述目标电池的电池容量变化曲线，用于表征上述目标电池的N个电池容量的变化情况，可以是利用上述目标电池的N个电池容量中的部分数据拟合得到的，也可以是利用上述目标电池的N个电池容量的全部数据拟合得到的。该目标电池的电池容量变化曲线可以用C(n)表示，其中，n表示充放电次数，那么C(n)可以表示充放电次数为n时的电池容量。
S402、获取上述电池容量变化曲线的极大值点与极小值点。
上述极大值点是指上述电池容量变化曲线C(n)位于波峰的拐点，上述极小值点是指上述电池容量变化曲线C(n)位于波谷的拐点。示例性地，图5为本申请实施例提供一种上包络线和下包络线的示意图。参考图5，位于横坐标轴上方的圆圈表示的点为极大值点，位于横坐标轴下方的圆圈表示的点为极小值点。
关于上述电池容量变化曲线C(n)的极大值点与极小值点的获取方式可以参考现有技术。
S403、根据所获取的极大值点，得到上述电池容量变化曲线的上包络线。
上述电池容量变化曲线C(n)的上包络线用于表征上述极大值点的变化情况，可以是利用上述部分极大值点进行拟合得到的，也可以是利用全部极大值点进行拟合得到的。示例性地，可以利用样条曲线将各极大值点连接起来并进行拟合得到的，例如该样条曲线可以是三次样条曲线。该上包络线可以用emax(n)表示。
例如，继续参考图5，利用各极大值点拟合得到上包络线emax(n)。需说明，图5中的上包络与本申请中的上包络线含义相同，不做区分。与此类似的，下包络和下包络线含义相同。
S404、根据所获取的极小值点，得到上述电池容量变化曲线的下包络线。
上述电池容量变化曲线C(n)的下包络线用于表征上述极小值点的变化情况，可以是利用上述部分极小值点进行拟合得到的，也可以是利用全部极小值点进行拟合得到的。示例性地，可以利用样条曲线将各极小值点连接起来并进行拟合得到的，例如该样条曲线可以是三次样条曲线。该下包络线可以用emin(n)表示。例如，继续参考图5，利用各极小值点拟合得到下包络线emin(n)。
需说明，本申请对上述步骤S403和S404的执行顺序不做限定，例如可以同步执行，也可以异步执行，本申请在此不做限定。
S405、根据该上包络线、下包络线，以及，电池容量变化曲线，得到目标电池的电池容量衰退序列。
可选的，对该上包络线emax(n)和下包络线emin(n)求平均值，得到能够表征平均值变化的中间包络线，将上述电池容量变化曲线C(n)与该中间包络线的差值，或者，对该差值进一步变化处理，例如乘上一个系数，作为上述目标电池的电池容量衰退序列。
上述中间包络线用于表征该上包络线emax(n)与下包络线emin(n)的平均值的变化情况，即可以用于表征上述电池容量峰值的平均值的变化情况，该中间包络线可以用E(n)表示。该峰值是指上述电池容量变化曲线的极大值与极小值。
该中间包络线可以是利用上述上包络线emax(n)与下包络线emin(n)的部分平均值拟合得到的，也可以是利用上述上包络线emax(n)与下包络线emin(n)的全部平均值拟合得到的。
示例性地，可以包括如下步骤：
S501、对上包络线与下包络线求平均，得到上包络线与下包络线的中间包络线。
S502、根据上述电池容量变化曲线与上述中间包络线，得到上述电池容量变化中间曲线。
一种可能的实现方式，上述电池容量变化中间曲线可以是上述电池容量变化曲线C(n)与上述中间包络线E(n)的差值曲线，也可以是对该差值曲线进一步地变化处理后的曲线。该电池容量变化中间曲线可以用H(n)表示。
另一种可能的实现方式，将上述电池容量变化曲线C(n)与上述中间包络线E(n)的差值曲线作为电池容量变化候选中间曲线，再根据该电池容量变化候选中间曲线确定上述电池容量变化中间曲线。
由于上述中间包络线E(n)可以表征电池容量峰值的平均值的变化情况，所以，上述电池容量变化中间曲线可以用于表征减小电池容量峰值影响后的电池容量的变化情况。例如，该电池容量变化中间曲线H(n)波动越大，表明上述电池容量变化曲线C(n)上的点越离散，即上述N个电池容量的数值越离散。
S503、根据上述电池容量变化曲线、上述电池容量变化中间曲线和上述中间包络线，得到上述目标电池的电池容量衰退序列。
一种可能的实现方式，将上述电池容量变化曲线C(n)与上述电池容量变化中间曲线H(n)的差值，或者对该差值的进一步变化处理，例如乘上一个系数等，作为上述目标电池的电池容量衰退序列。
另一种可能的实现方式，先获取上述电池容量变化中间曲线H(n)与上述中间包络线E(n)的第一差值曲线，将上述电池容量变化曲线C(n)与该第一差值曲线的第二差值曲线作为上述目标电池的电池容量衰退序列。
上述步骤先基于电池容量变化曲线的上包络线与下包络线的中间包络线E(n)，获取到减小电池容量峰值影响的电池容量变化中间曲线H(n)，再利用该电池容量变化中间曲线H(n)获取到减小电池容量峰值影响的目标电池的电池容量衰退序列，即，获取到波动较小的目标电池的电池容量衰退序列，使得目标电池的电池容量衰退序列更准确。
本申请提供的电池剩余寿命预测方法，利用EMD算法将电池容量变化曲线进行分解，得到上包络线和下包络线，基于该上包络线和下包络线得到目标电池的电池容量衰退序列，可以减小电池容量峰值对整体电池容量衰退序列的影响，使得目标电池的电池容量衰退序列更加准确。
下面对如何利用电池容量变化曲线C(n)与中间包络线E(n)，得到电池容量变化中间曲线H(n)进行说明。
图6为本申请实施例提供的一种获取电池容量变化中间曲线的方法的流程示意图。如图6所示，该方法包括：
S601、对电池容量变化曲线与中间包络线求差，得到电池容量变化候选中间曲线。
上述电池容量变化候选中间曲线可以用于初步表征减小电池容量峰值影响后的电池容量的变化情况。
S602、判断上述电池容量变化候选中间曲线的极大值是否位于预设的极大值取值范围，以及，极小值是否位于预设的极小值取值范围。
即，获取上述电池容量变化候选中间曲线的各极大值点，判断各极大值是否位于预设的极大值取值范围；获取上述电池容量变化候选中间曲线的各极小值点，判断各极小值是否位于预设的极小值取值范围。需说明，该步骤中极大值和极小值的判断可以同步进行，也可以异步执行，本申请在此不做限定。
若上述极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围，则执行步骤S603；
若上述极大值未位于预设的极大值取值范围，和/或上述极小值未位于预设的极小值取值范围，则将该电池容量变化候选中间曲线作为新的电池容量变化曲线，直至得到极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围的电池容量变化候选中间曲线。
即，通过前述实施例所描述的方式获取基于该新的电池容量变化曲线得到的新的电池容量变化候选中间曲线，并再次判断该新的电池容量变化候选中间曲线的极大值是否位于预设的极大值取值范围，以及，极小值是否位于预设的极小值取值范围，直至得到极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围的电池容量变化候选中间曲线。
根据上述预设的极大值取值范围和极小值取值范围可以筛选出不同变化趋势的电池容量变化候选中间曲线，该变化趋势例如可以是波动较大、波动较小(平稳)等。该步骤意在根据预设的极大值取值范围和极小值取值范围，筛选出平稳的电池容量变化候选中间曲线。
S603、将极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围的电池容量变化候选中间曲线作为上述电池容量变化中间曲线。
示例性地，上述预设的极大值取值范围为[1,2]，上述预设的极小值取值范围为[-1,-2]，将满足曲线上的所有极大值位于该预设的极大值取值范围，并且，所有极小值位于该预设的极小值取值范围的一条电池容量变化候选中间曲线作为上述电池容量变化中间曲线。
经过上述步骤可以利用预设的极大值取值范围和极小值取值范围，筛选出平稳的电池容量变化中间曲线H(n)，即，筛选出受电池容量峰值的影响较小的电池容量。
下面对如何利用上述电池容量变化曲线C(n)、上述电池容量变化中间曲线H(n)和上述中间包络线E(n)，得到上述目标电池的电池容量衰退序列进行说明。
图7为本申请实施例提供的再一种获取目标电池的电池容量衰退序列的方法的流程示意图。如图7所示，该方法包括：
S701、对电池容量变化中间曲线和中间包络线求差，得到本征模态函数分量曲线。
上述本征模态函数分量曲线本质上是受电池容量峰值的影响较小的电池容量与电池容量的峰值的平均值的差值的变化情况，即，该本征模态函数分量曲线可以用于表征电池容量的峰值与平稳的电池容量之间离散量的变化情况。该本征模态函数分量曲线可以用M(n)表示。
S702、对上述电池容量变化曲线和上述本征模态函数分量曲线求差，得到剩余分量曲线。
上述剩余分量曲线用于表征经过消除离散量后的电池容量的变化情况，该剩余分量曲线可以用R(n)表示。
S703、判断上述剩余分量曲线是否为单调减小的曲线或者是常数曲线。
上述单调减小是指在充放电次数n逐渐增大时，充放电次数n对应的剩余分量曲线上的R(n)值，即电池容量，逐渐减小。上述单调减小的曲线是指在特定的一段区间内是单调减小的曲线。该特定的一段区间是指充放电次数n的取值区间，例如可以是[1,N]。
上述常数曲线是指在特定的一段区间内，剩余分量曲线上的R(n)值是常数，例如可以是在充放电次数n为[1,5]时R(n)值是100，在n为[5,12]时R(n)值是90，在n为[13,15]时R(n)值是87。
若上述剩余分量曲线R(n)是单调减小的曲线或常数曲线，则执行步骤S604；
若上述剩余分量曲线R(n)非单调减小的曲线且非常数曲线，则将上述剩余分量曲线R(n)作为新的电池容量变化曲线，直至得到是单调减小的曲线或常数曲线的剩余分量曲线R(n)。
即，通过前述实施例所描述的方式获取基于新的电池容量变化曲线得到的新的剩余分量曲线，并再次判断该新的剩余分量曲线是否为单调减小的曲线或者是常数曲线，直至得到是单调减小的曲线或常数曲线的剩余分量曲线R(n)。
S704、将上述剩余分量曲线作为上述目标电池的电池容量衰退序列。
如前述所说，电池内部会发生一系列不可逆变的化学反应，电池容量的衰减规律是逐渐减小的，因此，该步骤S701-S704可以利用上述剩余分量曲线筛选得到符合衰减规律的剩余分量曲线，使得上述目标电池的电池容量衰退序列更加精准。
本申请提供的电池剩余寿命预测方法，利用EMD算法基于本征模态函数分量曲线筛选得到符合衰减规律的剩余分量曲线作为电池容量衰退序列，极大提高了电池容量衰退序列的准确性，进而提高了预测的精准度。
图8为本申请实施例提供的再一种获取目标电池的电池容量衰退序列的方法的流程示意图。如图8所示，该方法包括：
S801、获取目标电池N次充放电后的N个电池容量。
S802、根据目标电池的N个电池容量，得到该目标电池的电池容量变化曲线。
S803、获取上述电池容量变化曲线的极大值点与极小值点。
S804、获取上述电池容量变化曲线的上包络线与下包络线。
S805、对上包络线与下包络线求平均，得到中间包络线。
S806、对上述电池容量变化曲线与上述中间包络线求差值，得到电池容量变化候选中间曲线。
S807、判断上述电池容量变化候选中间曲线的极大值是否位于预设的极大值取值范围，以及，极小值是否位于预设的极小值取值范围。
若上述极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围，则执行步骤S808；
若上述极大值未位于预设的极大值取值范围，和/或上述极小值未位于预设的极小值取值范围，则执行步骤S809。
S808、将上述电池容量变化候选中间曲线作为电池容量变化中间曲线。
S809、将上述电池容量变化候选中间曲线作为新的电池容量变化曲线，并返回执行步骤S803。
S810、对上述电池容量变化中间曲线和上述中间包络线求差，得到本征模态函数分量曲线。
S811、对上述电池容量变化曲线和上述本征模态函数分量曲线求差，得到剩余分量曲线。
S812、判断上述剩余分量曲线是否为单调减小的曲线或者是常数曲线。
若上述剩余分量曲线R(n)是单调减小的曲线或常数曲线，则执行步骤S813；
若上述剩余分量曲线R(n)非单调减小的曲线且非常数曲线，则执行步骤S814。
S813、将上述剩余分量曲线作为上述目标电池的电池容量衰退序列。
S814、将上述剩余分量曲线R(n)作为新的电池容量变化曲线，并返回执行步骤S803。
本申请提供的电池剩余寿命预测方法，利用EMD算法获取了数据精准的电池容量衰退序列，极大提高了电池容量衰退序列的准确性，并且可以适用于各种电池，进而基于该电池容量衰退序列预测得到的电池剩余寿命可以更加精准，提高了电池剩余寿命预测的精准度和通用性。
图9为本申请实施例提供的一种电池剩余寿命预测装置的结构示意图。如图9所示，该装置包括:第一获取模块11，第二获取模块12，预测模块13。
第一获取模块11，用于获取目标电池N次充放电后的N个电池容量；所述N为大于或等于2的整数；
第二获取模块12，用于根据所述目标电池的N个电池容量，获取所述目标电池的电池容量衰退序列；所述电池容量衰退序列用于表征所述目标电池在N次充放电过程中电池容量变化情况；
预测模块13，用于采用深度学习网络模型，利用所述目标电池的电池容量衰退序列，预测所述目标电池的剩余寿命；所述深度学习网络模型是预先基于样本电池容量衰退序列训练的得到的。
一种可能的实现方式，上述第二获取模块12，具体用于根据所述目标电池的N个电池容量，得到所述目标电池的电池容量变化曲线；根据所述目标电池的电池容量变化曲线，获取所述目标电池的电池容量衰退序列。
例如，上述第二获取模块12，具体用于获取所述电池容量变化曲线的极大值点与极小值点；根据所获取的极大值点，得到所述电池容量变化曲线的上包络线；根据所获取的极小值点，得到所述电池容量变化曲线的下包络线；根据所述上包络线、所述下包络线，以及，所述电池容量变化曲线，得到所述目标电池的电池容量衰退序列。
示例性的，上述第二获取模块12，具体用于对所述上包络线与所述下包络线求平均，得到所述上包络线与所述下包络线的中间包络线；根据所述电池容量变化曲线与所述中间包络线，得到所述电池容量变化中间曲线；所述电池容量变化中间曲线用于表征减小电池容量峰值影响后的所述电池容量变化曲线的变化情况；根据所述电池容量变化曲线、所述电池容量变化中间曲线和所述中间包络线，得到所述目标电池的电池容量衰退序列。
在该实现方式下，上述第二获取模块12，具体用于对所述电池容量变化曲线与所述中间包络线求差，得到所述电池容量变化候选中间曲线；判断所述电池容量变化候选中间曲线的极大值是否位于预设的极大值取值范围，以及，极小值是否位于预设的极小值取值范围；
若极大值未位于预设的极大值取值范围，和/或，极小值未位于预设的极小值取值范围，则将所述电池容量变化候选中间曲线作为新的电池容量变化曲线，直至得到极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围的电池容量变化候选中间曲线；
将极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围的电池容量变化候选中间曲线作为所述电池容量变化中间曲线。
在该实现方式下，上述第二获取模块12，具体用于对所述电池容量变化中间曲线和所述中间包络线求差，得到本征模态函数分量曲线；对所述电池容量变化曲线和所述本征模态函数分量曲线求差，得到剩余分量曲线；判断所述剩余分量曲线是否为单调减小的曲线或者是常数曲线；
若所述剩余分量曲线是单调减小的曲线或常数曲线，则将所述剩余分量曲线作为所述目标电池的电池容量衰退序列；
若所述剩余分量曲线非单调减小的曲线且非常数曲线，则将所述剩余分量曲线作为新的电池容量变化曲线，直至得到是单调减小的曲线或常数曲线的剩余分量曲线，并将是单调减小的曲线或常数曲线的剩余分量曲线作为所述目标电池的电池容量衰退序列。
一种可能的实现方式，输出模块14，用于在上述预测模块13预测所述目标电池的剩余寿命之后，若所述目标电池的剩余寿命低于预设寿命阈值，则输出所述目标电池的剩余寿命提示信息。
本申请提供的电池剩余寿命预测装置，可以执行上述方法实施例中的电池剩余寿命预测方法，其实现原理和技术效果类似，在此不再赘述。
图10为本申请实施例提供的一种电子设备的结构示意图。如图10所示，该电子设备900可以包括至少一个处理器901、存储器902，例如可以是计算机、平板电脑等具有处理能力的电子设备。
存储器902，用于存储程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。存储器902可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器901用于执行存储器902存储的计算机执行指令，以实现前述方法实施例所描述的电池剩余寿命预测方法。其中，处理器901可能是一个中央处理器(CentralProcessing Unit，简称为CPU)，或者是特定集成电路(Application Specific IntegratedCircuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
该电子设备900还可以包括通信接口903，以通过通信接口903可以与外部设备进行通信交互。该外部设备例如可以是计算机、平板电脑、手机等。
在具体实现上，如果通信接口903、存储器902和处理器901独立实现，则通信接口903、存储器902和处理器901可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果通信接口903、存储器902和处理器901集成在一块芯片上实现，则通信接口903、存储器902和处理器901可以通过内部接口完成通信。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有计算机执行指令，该计算机执行指令用于上述实施例中的电池剩余寿命预测方法。
本申请还提供一种计算机程序产品，该计算机程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备900的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备900实施上述的各种实施方式提供的电池剩余寿命预测方法。
本申请还提供一种芯片，所述芯片上存储有计算机程序，所述计算机程序被所述芯片执行时，实现各种实施方式提供的电池剩余寿命预测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种电池剩余寿命预测方法，其特征在于，所述方法包括：
获取目标电池N次充放电后的N个电池容量；所述N为大于或等于2的整数；
根据所述目标电池的N个电池容量，获取所述目标电池的电池容量衰退序列；所述电池容量衰退序列用于表征所述目标电池在N次充放电过程中电池容量变化情况；
采用深度学习网络模型，利用所述目标电池的电池容量衰退序列，预测所述目标电池的剩余寿命；所述深度学习网络模型是预先基于样本电池容量衰退序列训练的得到的。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标电池的N个电池容量，获取所述目标电池的电池容量衰退序列，包括：
根据所述目标电池的N个电池容量，得到所述目标电池的电池容量变化曲线；
根据所述目标电池的电池容量变化曲线，获取所述目标电池的电池容量衰退序列。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标电池的电池容量变化曲线，获取所述目标电池的电池容量衰退序列，包括：
获取所述电池容量变化曲线的极大值点与极小值点；
根据所获取的极大值点，得到所述电池容量变化曲线的上包络线；
根据所获取的极小值点，得到所述电池容量变化曲线的下包络线；
根据所述上包络线、所述下包络线，以及，所述电池容量变化曲线，得到所述目标电池的电池容量衰退序列。
4.根据权利要求3所述的方法，其特征在于，所述根据所述上包络线、所述下包络线，以及，所述电池容量变化曲线，得到所述目标电池的电池容量衰退序列，包括：
对所述上包络线与所述下包络线求平均，得到所述上包络线与所述下包络线的中间包络线；
根据所述电池容量变化曲线与所述中间包络线，得到所述电池容量变化中间曲线；所述电池容量变化中间曲线用于表征减小电池容量峰值影响后的所述电池容量变化曲线的变化情况；
根据所述电池容量变化曲线、所述电池容量变化中间曲线和所述中间包络线，得到所述目标电池的电池容量衰退序列。
5.根据权利要求4所述的方法，其特征在于，所述根据所述电池容量变化曲线与所述中间包络线，得到所述电池容量变化中间曲线，包括：
对所述电池容量变化曲线与所述中间包络线求差，得到所述电池容量变化候选中间曲线；
判断所述电池容量变化候选中间曲线的极大值是否位于预设的极大值取值范围，以及，极小值是否位于预设的极小值取值范围；
若极大值未位于预设的极大值取值范围，和/或，极小值未位于预设的极小值取值范围，则将所述电池容量变化候选中间曲线作为新的电池容量变化曲线，直至得到极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围的电池容量变化候选中间曲线；
将极大值位于预设的极大值取值范围，且，极小值位于预设的极小值取值范围的电池容量变化候选中间曲线作为所述电池容量变化中间曲线。
6.根据权利要求4所述的方法，其特征在于，所述根据所述电池容量变化曲线、所述电池容量变化中间曲线和所述中间包络线，得到所述目标电池的电池容量衰退序列，包括：
对所述电池容量变化中间曲线和所述中间包络线求差，得到本征模态函数分量曲线；
对所述电池容量变化曲线和所述本征模态函数分量曲线求差，得到剩余分量曲线；
判断所述剩余分量曲线是否为单调减小的曲线或者是常数曲线；
若所述剩余分量曲线是单调减小的曲线或常数曲线，则将所述剩余分量曲线作为所述目标电池的电池容量衰退序列；
若所述剩余分量曲线非单调减小的曲线且非常数曲线，则将所述剩余分量曲线作为新的电池容量变化曲线，直至得到是单调减小的曲线或常数曲线的剩余分量曲线，并将是单调减小的曲线或常数曲线的剩余分量曲线作为所述目标电池的电池容量衰退序列。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述预测所述目标电池的剩余寿命之后，还包括：
若所述目标电池的剩余寿命低于预设寿命阈值，则输出所述目标电池的剩余寿命提示信息。
8.一种电池剩余寿命预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标电池N次充放电后的N个电池容量；所述N为大于或等于2的整数；
第二获取模块，用于根据所述目标电池的N个电池容量，获取所述目标电池的电池容量衰退序列；所述电池容量衰退序列用于表征所述目标电池在N次充放电过程中电池容量变化情况；
预测模块，用于采用深度学习网络模型，利用所述目标电池的电池容量衰退序列，预测所述目标电池的剩余寿命；所述深度学习网络模型是预先基于样本电池容量衰退序列训练的得到的。
9.一种电子设备，其特征在于，所述电子设备包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-7中任一项所述的电池剩余寿命预测方法。
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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的电池剩余寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310171159.9A CN116466236A (zh) | 2023-02-27 | 2023-02-27 | 电池剩余寿命预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310171159.9A CN116466236A (zh) | 2023-02-27 | 2023-02-27 | 电池剩余寿命预测方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116466236A true CN116466236A (zh) | 2023-07-21 |
Family
ID=87172413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310171159.9A Pending CN116466236A (zh) | 2023-02-27 | 2023-02-27 | 电池剩余寿命预测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116466236A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116774057A (zh) * | 2023-08-18 | 2023-09-19 | 南京大全电气研究院有限公司 | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 |
| CN117148170A (zh) * | 2023-10-30 | 2023-12-01 | 深圳市普裕时代新能源科技有限公司 | 一种电池储能系统及其储能测试方法 |
| CN117368751A (zh) * | 2023-12-08 | 2024-01-09 | 江西兴原星科技有限公司 | 一种遥控器低电量检测方法及系统 |
| CN117829097A (zh) * | 2024-02-29 | 2024-04-05 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-02-27 CN CN202310171159.9A patent/CN116466236A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116774057A (zh) * | 2023-08-18 | 2023-09-19 | 南京大全电气研究院有限公司 | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 |
| CN116774057B (zh) * | 2023-08-18 | 2023-11-14 | 南京大全电气研究院有限公司 | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 |
| CN117148170A (zh) * | 2023-10-30 | 2023-12-01 | 深圳市普裕时代新能源科技有限公司 | 一种电池储能系统及其储能测试方法 |
| CN117148170B (zh) * | 2023-10-30 | 2024-01-09 | 深圳市普裕时代新能源科技有限公司 | 一种电池储能系统及其储能测试方法 |
| CN117368751A (zh) * | 2023-12-08 | 2024-01-09 | 江西兴原星科技有限公司 | 一种遥控器低电量检测方法及系统 |
| CN117368751B (zh) * | 2023-12-08 | 2024-03-19 | 江西兴原星科技有限公司 | 一种遥控器低电量检测方法及系统 |
| CN117829097A (zh) * | 2024-02-29 | 2024-04-05 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
| CN117829097B (zh) * | 2024-02-29 | 2024-05-28 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116466236A (zh) | 电池剩余寿命预测方法、装置、设备及可读存储介质 | |
| US10101406B2 (en) | Method and apparatus for estimating state of battery | |
| CN110579716B (zh) | 一种电池检测方法及装置 | |
| CN113111508B (zh) | 电芯一致性的评估方法、装置及服务器 | |
| US20220120821A1 (en) | Method, apparatus and medium for estimating battery remaining life | |
| EP4148439A1 (en) | Battery state calculation method and calculation device, and storage medium | |
| CN111426960A (zh) | 储能锂电池荷电状态监控方法与装置 | |
| CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
| CN113189495A (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
| CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
| CN112230146A (zh) | 电池充电剩余时间的预测方法、系统及设备 | |
| CN112630661A (zh) | 一种电池荷电状态soc估算方法和装置 | |
| US20230258735A1 (en) | Battery Diagnosing Apparatus and Method | |
| CN116027218B (zh) | 电池状态评估方法及电子设备 | |
| CN110068409B (zh) | 锂电池应力预测方法和装置 | |
| CN116125298B (zh) | 电池故障检测方法及装置 | |
| CN112937365A (zh) | 车辆及其控制方法 | |
| CN116992382A (zh) | 动力电池热失控的预测方法及装置 | |
| CN112731173B (zh) | 一种电池包的电芯内阻变化检测方法及装置 | |
| CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
| CN115398259A (zh) | 诊断电池状态的装置和方法 | |
| CN114089204A (zh) | 一种电池容量跳水拐点预测方法及装置 | |
| CN116298944A (zh) | 充电剩余时间显示控制方法、装置、设备、车辆及介质 | |
| KR20220159818A (ko) | 배터리 모니터링 장치 및 방법 | |
| EP4394407A1 (en) | Battery management device and operation method thereof |
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 |