CN116540098A - 电池残值评估方法、装置、设备及可读存储介质 - Google Patents
电池残值评估方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116540098A CN116540098A CN202310397092.0A CN202310397092A CN116540098A CN 116540098 A CN116540098 A CN 116540098A CN 202310397092 A CN202310397092 A CN 202310397092A CN 116540098 A CN116540098 A CN 116540098A
- Authority
- CN
- China
- Prior art keywords
- battery
- residual value
- data
- characteristic
- model
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000013210 evaluation model Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 230000032683 aging Effects 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 11
- 230000008030 elimination Effects 0.000 description 5
- 238000003379 elimination reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000004643 material aging Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了电池残值评估方法、装置、设备及可读存储介质，涉及动力电池回收技术领域，该电池残值评估方法包括：获取电池第一残值特征指标的预测值；获取电池在历史使用过程中第二残值特征指标的有关数据；利用最终电池残值评估模型来评估电池，输出结果作为电池残值；其中，最终电池残值评估模型通过以下步骤建立：在第二残值特征指标的有关数据中筛选出与电池残值高相关性特征的数据；将第一残值特征指标的预测值，以及与电池残值高相关性特征的数据作为训练模型的特征，建立训练集和测试集；利用训练集和测试集来训练电池残值评估模型；保留其中误差最小的作为最终电池残值评估模型。其预测结果全面的综合了两个预测模型，所以更全面准确。
Description
技术领域
本发明涉及动力电池回收技术领域，具体涉及电池残值评估方法、装置、设备及可读存储介质。
背景技术
现在电动汽车的数量越来越多，再过几年会有许多电动汽车的动力电池因为剩余容量衰减到标定容量的80％以下而退役，如果直接丢弃不但会造成资源的浪费，而且还会污染环境，这类电池虽然不能继续在汽车上使用，但仍然具有一定的经济价值，可以回收这些电池进行梯次利用，这就需要对这些退役电池进行残值评估，来表征这些电池的剩余价值。
常见的一种方法是获取电池的老化参数来残值评估。其中老化参数包括：材料老化参数和容量老化参数。材料老化参数表征电池材料的当前老化程度，容量老化参数表征电池容量的当前老化程度。先根据所述老化参数，计算电池当前电池健康状态(state ofhealth，SOH)，再用老化参数和SOH来计算电池残值。对于材料老化参数可能需要拆解电池包、测试分析才能获得准确的老化参数，所以往往只有在生产制造和日常的保养和维护过程中进行。对于容量老化参数可以通过在日常的充电过程中获得。
另一种方法是通过采集与电池残值相关性高的指标数据，用机器学习和最优化方法探索不同指标的权重，然后对这些指标进行加权来求电池的残值。这些相关性高的指标数据多来源于电池组的基本参数以及在行驶过程中电池管理系统(BMS)检测所述待评估电池组而产生的数据。根据这些数据计算该待评估电池组的残值特征指标。残值特征指标主要包括：健康度指标、剩余使用寿命指标、单电池一致性指标和安全性指标，以及放电能力指标、充电能力指标、发热水平指标中的一种或多种。在利用机器学习的方法学习各项指标的权重值，对各残值特征指标添加权重系数作为指数进行幂运算后，求积得到电池残值。但目前这种机器学习算法都是同时将一个或多个残值特征指标作为输入特征代入一个预测模型来预测的，代入的与电池残值高相关性的特征指标越多，预测结果也相对会更准确，为提高准确度，避免漏选，会尽可能选择更多的残值特征指标，但是这样又会导致调试参数过多，增加调试难度。
不论上述哪一种方式，都是从单一个角度来预测电池残值，比较片面，无法充分利用大数据的优势来给出较为全面准确的评价。
发明内容
本发明旨在一定程度上解决相关技术中的技术问题之一。为此，本发明提供了一种电池残值评估方法、装置、设备及可读存储介质，利用大数据分析，从各个角度出发再结合历史数据和当前数据进行全方位的考虑，给出较为全面且更准确的评价。
为了达到上述目的，本发明第一方面采用如下技术方案：
一种电池残值评估方法，被适用于对车辆电池的回收中，包括：
获取所述电池第一残值特征指标的预测值；
获取所述电池在历史使用过程中第二残值特征指标的有关数据；以及，
利用最终电池残值评估模型来评估所述电池，输出结果作为电池残值；
其中，所述最终电池残值评估模型通过以下步骤建立：
在所述第二残值特征指标的有关数据中筛选出与电池残值高相关性特征的数据；
将第一残值特征指标的预测值，以及所述与电池残值高相关性特征的数据作为训练模型的特征，建立训练集和测试集；
利用训练集和测试集来训练电池残值评估模型；以及，
在多次训练后保留其中误差最小的作为所述的最终电池残值评估模型。
上述方案利用了数据驱动的方法，将一个第一残值特征指标的预测模型中输出的较为准确的预测值结合第二残值特征指标的有关数据作为特征输入到第二个电池残值预测模型中，其预测结果全面的综合了第一残值特征指标和第二残值特征指标，评价指标更加丰富，更加多样性，有助于提高残值评估的准确性。
可选的，所述第一残值特征指标为电池的SOH指标；获取所述电池的SOH指标的预测值是通过以下步骤获取的：
获取所述电池的历史充电数据；
对获取的数据进行处理；处理方式包括数据清洗和特征工程；
利用处理后的历史充电数据训练和测试机器学习模型，并获得误差值最小的作为电池SOH预测模型；
将处理后的历史充电数据中最近一次充电数据代入所述电池SOH预测模型，获得电池SOH预测值。
与单一预测模型不同的是，本方案采用多预测模型的方式，先训练一个电池SOH预测模型，再将第一个SOH模型预测的SOH值作为特征输入到第二个电池残值评估模型中，这样可以保证残值评估中的重要特征SOH的准确性。
可选的，所述电池的历史充电数据包括电池电压和电池电流数据集；
所述对获取的数据进行处理步骤包括：
利用容量增量分析法提取电池充电过程中IC峰数据作为电池SOH预测模型的特征；以及，
将由电池电压和电池电流数据集，以及提取的IC峰特征组成的数据集划分成训练集和测试集，用以在机器学习模型的训练和测试中使用。
为确保SOH预测模型的准确性，上述方案没有直接利用车端上传的SOH值，而是使用数据驱动的机器学习方法先预测一个较为准确的SOH值作为电池残值评估模型的输入特征。
可选的，在训练和测试机器学习模型的过程中采用k折交叉验证，进行k次训练与测试，最终返回k个结果的均值；同时使用均方误差MSE和平均绝对误差MAE作为SOH预测模型性能的评价指标。
可选的，所述第二残值特征指标的有关数据包括电池的故障数据和用户对电池的行为数据；所述与电池残值高相关性特征的数据是用基于交叉验证RFECV加随机森林的特征选择算法筛选出的；所述与电池残值高相关性特征的数据包括但不限于单体电池电压高、单体电池电压低、单体电池压差过大、动力电池组温度高、动力电池组温度低、SOC跳变次数、行驶里程、充电次数、电池内阻、电池容量和驾驶时长。
除电池本身特性之外，电池故障和用户行为也是评估动力电池残值不可忽视的因素，这一部分的数据指标有很多，其中很多与电池残值并没有什么相关性，可以将相关性低的冗余数据进行剔除，但是仅凭人的主观意识从大量的数据中筛选出对残值影响大的指标会准确性不高，也容易误选和漏选，所以本方案使用特征选择算法，从大量的指标中选出与电池残值相关性高的特征作为最终评估电池残值的指标，这样可以更加准确地确定对残值影响大的指标。
可选的，在所述最终电池残值评估模型的建立过程中，是将第一残值特征指标的预测值、电池一致性、单体电池电压高、单体电池电压低、单体电池压差过大、动力电池组温度高、动力电池组温度低、SOC跳变、行驶里程和充电次数作为特征输入到训练模型的。
可选的，在所述最终电池残值评估模型的建立过程中,是采用LSTM网络模型来训练和测试的。
与依靠单一预测模型进行预测的方式不同，本方案中采用多预测模型的方式，先训练了一个SOH预测模型，将第一个SOH模型预测的SOH值作为特征输入到第二个电池残值评估模型中，再结合其他的特征一起来训练电池残值评估的模型。能提高评价指标的全面性
此外，本发明还提供了一种电池残值评估装置，所述电池残值评估装置包括：获取模块，用于获取所述电池第一残值特征指标的预测值，以及在历史使用过程中第二残值特征指标的有关数据；计算模块，用于将获取的数据代入最终电池残值评估模型，输出电池残值；其中，所述最终电池残值评估模型通过以下步骤建立，
在第二残值特征指标的有关数据中筛选出与电池残值高相关性特征的数据；
将第一残值特征指标的预测值，以及所述与电池残值高相关性特征的数据作为训练模型的特征，建立训练集和测试集；
利用训练集和测试集来训练电池残值评估模型；以及，
在多次训练后保留其中误差最小的作为所述的最终电池残值评估模型。
本发明所提供的电池残值评估装置与前述电池残值评估方法的有益效果推理过程相似，在此不再赘述。
并且，本发明还提供了一种电池残值评估设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的电池残值评估方法。
同时，本发明还提供了一种可读存储介质，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上述任一项所述的电池残值评估方法。
本发明的这些特点和优点将会在下面的具体实施方式以及附图中进行详细的揭露。本发明最佳的实施方式或手段将结合附图来详尽表现，但并非是对本发明技术方案的限制。另外，在每个下文和附图中出现的这些特征、要素和组件是具有多个，并且为了表示方便而标记了不同的符号或数字，但均表示相同或相似构造或功能的部件。
附图说明
下面结合附图对本发明作进一步说明：
图1和图2为本发明中所述的电池残值评估方法的流程示意图。
图3为本发明一实施例中评估电池残值的流程示意图。
图4为本发明一实施例中的IC曲线图，示出了增量容量dQ和电压dV的关系。
图5为本发明一实施例中与电池残值高相关性特征的筛选流程图。
图6为本发明中LSTM网络的原理图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。基于实施方式中的实施例，旨在用于解释本发明，而不能理解为对本发明的限制。
在本说明书中引用的“一个实施例”或“实例”或“例子”意指结合实施例本身描述的特定特征、结构或特性可被包括在本专利公开的至少一个实施例中。短语“在一个实施例中”在说明书中的各位置的出现不必都是指同一个实施例。
实施例：
如图1和图2所示，本发明提供了一种电池残值评估方法，主要包括以下步骤：
S100：获取所述电池第一残值特征指标的预测值。
S200：获取所述电池在历史使用过程中第二残值特征指标的有关数据。
S400：利用最终电池残值评估模型来评估所述电池，输出结果作为电池残值。
其中，所述最终电池残值评估模型通过以下步骤建立：
在所述第二残值特征指标的有关数据中筛选出与电池残值高相关性特征的数据，根据实际需求适当选取相关性排在前列的多个特征。
将第一残值特征指标的预测值，以及所述与电池残值高相关性特征的数据作为训练模型的特征，建立训练集和测试集。
利用训练集和测试集来进行机器学习，训练电池残值评估模型。
在多次训练后保留其中误差最小的作为所述的最终电池残值评估模型。
在步骤S100中，所述第一残值特征指标为电池的SOH指标——电池健康状态(state of health,SOH)，它是评价电池残值的重要指标，SOH的准确性对最终的电池残值评估有着很大的影响，所以需要有一个准确又方便的SOH预测方法来获取电池的SOH指标的预测值，或简称SOH值。
一种获取方式是直接利用车端上传的传统方法计算的SOH值，由于车端上传的SOH值是仅基于车辆自身电池的充电阶段的数据来进行预测的，而且所用的预测模型也可能因没有及时更新而版本较老，使用较老版本的预测模型来预测，其预测值误差相对较大。
另一种方式是从车辆云端大数据平台中导出需要的所有数据，来建立一个SOH预测模型，再输入电池最后一次充电数据获取SOH预测值。为保证预测的准确性，可以在进行预测前，事先充电一次获取最新的充电数据。
这里需要说明的是，从车辆云端大数据平台中导出的数据，不仅有本车辆电池的数据，还有同型号车辆电池的数据，甚至是在其他车辆上同规格电池的数据，且这些数据包含历史和最新的数据。使用更多且最新的数据驱动的机器学习方法能预测一个更为准确的SOH值。具体选择方式，本领域技术人员可以根据实际情况灵活调整，不作限制。
利用车辆云端大数据平台中的数据来获取最新的SOH值的具体步骤如下：
S110：获取所述电池的历史充电数据。历史充电数据从车辆云端大数据平台中导出，导出的数据包含的特征信息有车辆在充电阶段的电池电压、电池电流数据。然后对这些数据进行清洗，删除其中空值和异常值，减少干扰。
S120：对处理后的数据进行特征工程。使用容量增量分析法(Increment CapacityAnlysis，ICA)提取步骤S110中数据的IC峰数据作为SOH预测模型的特征。
提取IC峰数据的具体过程如下：
S121：用容量增量分析法计算IC曲线，IC曲线描述了增量容量和电压。之间的比值关系。
其中I、V和t分别代表电流、电压和时间。
S122：采用移动平均方法(moving average，MA)对IC曲线进行平滑处理。
其中X(·)为原始输入样本，Y(·)为输出样本，N为固定窗口大小，MA方法依赖于窗口大小和周边数据，在实验中设置N为15。
S123：提取IC峰数据包括峰值，峰面积，峰高度，峰斜率。其中峰值，峰面积，峰高度，峰斜率可参见图4中的IC曲线图。
S130：将步骤S110中历史充电数据中在充电阶段的电流和电压数据和步骤S120中提取的IC峰特征组成的数据集，并按照8：2的比例划分成训练集和测试集。
S140：用步骤S130中划分出来的训练集和测试集来训练和测试机器学习模型，调整模型的参数，保存其中误差值最小的模型作为电池SOH预测模型。
其中，机器学习模型具体训练过程如下：
S141：采用XGBoost(还可以采用LightGBM或Linear Regression其中的一个)机器学习模型进行训练，充分挖掘数据集中的特征与SOH之间的关系，为保证模型输出结果的可靠性采用k折交叉验证，进行k次训练与测试，最终返回k个结果的均值。
S142：使用均方误差MSE和平均绝对误差MAE作为SOH预测模型性能的评价指标，公式如下：
使用GridSearch网格搜索的方式，对各个模型的参数进行调整，将模型的参数调整到在测试集上误差最小的状态，保存误差最小的最佳模型作为电池SOH预测模型。
需要说明的是，通过上述方式获得的电池SOH预测模型，在某些情况下可以重复利用。例如若需要进行评估的SOH值的这一型号的电池在之前已经被评估过了，则在满足一定的条件，没有异常数据，可以直接使用之前的同一电池型号的电池SOH预测模型，以减少处理步骤、节约算力资源。本领域技术人员可以根据实际情况，做出对应的选择，不作限制。
S150：在历史充电数据中找出电池最近一次充电阶段的数据，用电池SOH预测模型来预测电池的SOH值。
在上述的步骤S200中，所述第二残值特征指标的有关数据包括电池的故障数据和用户对电池的行为数据。
在所述步骤400中的最终电池残值评估模型可以是预先建立的或根据实时获取的数据在线生成的。若待评估的电池的型号是之前已经用本发明的电池残值评估方法评估过的，则可以直接利用之前建立的最终电池残值评估模型。若待评估的电池的型号是未评估过的，则在进行步骤400前还需进行步骤S300。
S300：利用步骤S200获取的数据和S100中获取的SOH值即时进行机器学习，生成最终电池残值评估模型。
最终电池残值评估模型即时生成的具体通过如下步骤实现：
S310：在所述第二残值特征指标的有关数据中筛选出与电池残值高相关性特征的数据，根据实际需求适当选取一个或多个高相关性特征的数据
如图5所示，所述与电池残值高相关性特征的数据是用基于交叉验证RFECV加随机森林的特征选择算法筛选出的，具体筛选过程如下：
S311：将故障数据和用户行为数据输入到随机森林(Random Forest，RF)模型中，用于构建特征和电池残值的关系。
S312：采用基于交叉验证的递归特征消除法(RFECV)对故障数据和用户行为数据进行过滤，保留比较重要的指标。
RFECV方法实现特征选择分成RFE递归特征消除和CV交叉验证两个部分。RFE递归特征消除，是一种搜索特征空间中最优特征子集的贪心算法，用来对特征进行重要性评级，移除不重要的特征；CV交叉验证，在特征评级后，通过交叉验证用于评估训练好的模型在新数据上的表现，选择合适数量的特征。
S313：使用随机森林对过滤后的特征进行排序，随机森林通过Gini指数的大小判断每个特征在每颗树上的贡献，值越大说明贡献越大，最后取每课数的平均值，按值的大小对特征进行排序。
其中，K是样本类别总数，pk是类别k的样本权重。
S314：按照重要性选出排在前列的特征，本实施例在故障中选择单体电池电压高、单体电池电压低、单体电池压差过大、动力电池组温度高、动力电池组温度低、SOC跳变分别发生的次数，在用户行为中选择行驶里程、充电次数作为特征。
S320：将从步骤S100中获取的电池的SOH的预测值，以及从步骤S200中获取的与电池残值高相关性的故障和用户行为还有电池一致性作为训练电池残值评估模型的特征。
S330：将步骤S320中确定的特征数据，按照8：2的比例划分成训练集和测试集。
S340：利用步骤S330中的训练集和测试集来进行机器学习，训练电池残值评估模型，经多次训练后保留误差最小的最佳模型作为最终的预测模型。
步骤S340中电池残值评估模型的详细训练过程如下：
S341：将SOH值、电池一致性、单体电池电压高、单体电池电压低、单体电池压差过大、动力电池组温度高、动力电池组温度低、SOC跳变、行驶里程、充电次数作为特征输入到模型中，挖掘各特征变量与残值的关系。本实施例中选用的是LSTM网络模型。
如图6所示，LSTM包括输入层、输出层和隐藏层，每个隐藏层前一时刻的细胞状态Ct和隐藏层ht输出经过前向计算和反向传播过程中内置梯度的计算，不断的更新所建模型的权重参数。通过引入“门”结构，LSTM能够长期记忆历史重要数据，LSTM单元的“门”结构是通过δ(Sigmoid激活函数)逐点乘法操作实现的，ft为忘记门、it为输入门、ot为输出门。每一个LSTM单元有三个输入:上一时刻的输出ht-1上一时刻的细胞状态Ct-1和当前时刻的输入Xt；两个输出：当前时刻的输出值ht和细胞状态Ct。
其中细胞状态Ct由两部分组成，第一部分是上一时刻的细胞状态Ct-1，与忘记门的输出ft的乘积；第二部分是输入门的it与备选值向量的乘积。
S342：将MAE作为评价指标，多次训练模型，调整模型参数，模型需要优化的主要参数有样本时间步数、隐藏层神经元数、隐藏层数、训练批次大小、学习率、激活函数等，保存MAE值最小的模型，作为最终的电池残值评估模型。
上述最终的电池残值评估模型是否直接采用之前建立的，还是重新根据待评估电池的数据来重新建立，本领域技术人员可以根据实际情况，灵活选择，不作限制。若待评估的电池需要实用即时在线生成的模型来评估，其具体流程可参见图3。
本实施例提供的电池残值评估方法，通过对采集到的充电阶段的数据进行清洗，进行特征工程，使用机器学习模型预测电池SOH值，然后在用基于交叉验证的递归特征消除法(Recursive feature elimination and Cross Validation，RFECV)加随机森林的算法对故障和用户行为数据进行特征选择，筛选出与电池残值高相关性的特征与，利用特征数据训练残值评估模型，保存最佳模型，最后在评估电池残值。将第一个SOH模型预测的SOH值作为特征输入到第二个电池残值评估模型中，这样可以保证残值评估中的重要特征SOH的准确性。其预测结果全面的综合了SOH值和与电池残值高相关性特征指标，评价指标更加丰富，更加多样性，有助于提高残值评估的准确性
另外，本实施例还提供了一种电池残值评估装置，包括：获取模块，用于获取所述电池第一残值特征指标的预测值，以及在历史使用过程中第二残值特征指标的有关数据；计算模块，用于将获取的数据代入最终电池残值评估模型，输出电池残值。其中，所述最终电池残值评估模型通过以下步骤建立，
在第二残值特征指标的有关数据中筛选出与电池残值高相关性特征的数据；将第一残值特征指标的预测值，以及所述与电池残值高相关性特征的数据作为训练模型的特征，建立训练集和测试集；利用训练集和测试集来训练电池残值评估模型；在多次训练后保留其中误差最小的作为所述的最终电池残值评估模型。
并且，本实施例还提供了一种电池残值评估设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的电池残值评估方法。
同时，本发明还提供了一种可读存储介质，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上述任一项所述的电池残值评估方法。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。据此，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可实现上述任意一项实施例的方法。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)以及存储器总线动态RAM(RDRAM)等。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (10)
1.一种电池残值评估方法，被适用于车辆电池在回收时对车辆电池残值的评估，其特征在于，包括：
获取所述电池第一残值特征指标的预测值；
获取所述电池在历史使用过程中第二残值特征指标的有关数据；以及，利用最终电池残值评估模型来评估所述电池，输出结果作为电池残值；
其中，所述最终电池残值评估模型通过以下步骤建立：
在所述第二残值特征指标的有关数据中筛选出与电池残值高相关性特征的数据；
将第一残值特征指标的预测值，以及所述与电池残值高相关性特征的数据作为训练模型的特征，建立训练集和测试集；
利用训练集和测试集来训练电池残值评估模型；以及，
在多次训练后保留其中误差最小的作为所述的最终电池残值评估模型。
2.根据权利要求1所述电池残值评估方法，其特征在于，所述第一残值特征指标为电池的SOH指标；获取所述电池的SOH指标的预测值是通过以下步骤获取的：
获取所述电池的历史充电数据；
对获取的数据进行处理；处理方式包括数据清洗和特征工程；
利用处理后的历史充电数据训练和测试机器学习模型，并获得误差值最小的作为电池SOH预测模型；
将处理后的历史充电数据中最近一次充电数据代入所述电池SOH预测模型，获得电池SOH预测值。
3.根据权利要求2所述电池残值评估方法，其特征在于，所述电池的历史充电数据包括电池电压和电池电流数据集；
所述对获取的数据进行处理步骤包括：
利用容量增量分析法提取电池充电过程中IC峰数据作为电池SOH预测模型的特征；以及，
将由电池电压和电池电流数据集，以及提取的IC峰特征组成的数据集划分成训练集和测试集，用以在机器学习模型的训练和测试中使用。
4.根据权利要求2所述电池残值评估方法，其特征在于，在训练和测试机器学习模型的过程中采用k折交叉验证，进行k次训练与测试，最终返回k个结果的均值；同时使用均方误差MSE和平均绝对误差MAE作为SOH预测模型性能的评价指标。
5.根据权利要求1-4中任一项所述电池残值评估方法，其特征在于，所述第二残值特征指标的有关数据包括电池的故障数据和用户对电池的行为数据；所述与电池残值高相关性特征的数据是用基于交叉验证RFECV加随机森林的特征选择算法筛选出的；所述与电池残值高相关性特征的数据包括但不限于单体电池电压高、单体电池电压低、单体电池压差过大、动力电池组温度高、动力电池组温度低、SOC跳变次数、行驶里程、充电次数、电池内阻、电池容量和驾驶时长。
6.根据权利要求5所述电池残值评估方法，其特征在于，在所述最终电池残值评估模型的建立过程中，是将第一残值特征指标的预测值、电池一致性、单体电池电压高、单体电池电压低、单体电池压差过大、动力电池组温度高、动力电池组温度低、SOC跳变、行驶里程和充电次数作为特征输入到训练模型的。
7.根据权利要求5所述电池残值评估方法，其特征在于，在所述最终电池残值评估模型的建立过程中,是采用LSTM网络模型来训练和测试的。
8.一种电池残值评估装置，其特征在于，包括：
获取模块，用于获取所述电池第一残值特征指标的预测值，以及在历史使用过程中第二残值特征指标的有关数据；
计算模块，用于将获取的数据代入最终电池残值评估模型，输出电池残值；其中，所述最终电池残值评估模型通过以下步骤建立，
在第二残值特征指标的有关数据中筛选出与电池残值高相关性特征的数据；
将第一残值特征指标的预测值，以及所述与电池残值高相关性特征的数据作为训练模型的特征，建立训练集和测试集；
利用训练集和测试集来训练电池残值评估模型；以及，
在多次训练后保留其中误差最小的作为所述的最终电池残值评估模型。
9.一种电池残值评估设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的电池残值评估方法。
10.一种可读存储介质，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7中任一项所述的电池残值评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310397092.0A CN116540098A (zh) | 2023-04-11 | 2023-04-11 | 电池残值评估方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310397092.0A CN116540098A (zh) | 2023-04-11 | 2023-04-11 | 电池残值评估方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116540098A true CN116540098A (zh) | 2023-08-04 |
Family
ID=87442598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310397092.0A Pending CN116540098A (zh) | 2023-04-11 | 2023-04-11 | 电池残值评估方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116540098A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092519A (zh) * | 2023-08-21 | 2023-11-21 | 湖南行必达网联科技有限公司 | 一种基于XGBoost的电动重卡电池故障预警方法、装置及设备 |
| CN117970152A (zh) * | 2024-01-04 | 2024-05-03 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 动力电池的状态评估方法、装置、计算机设备、存储介质 |
-
2023
- 2023-04-11 CN CN202310397092.0A patent/CN116540098A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092519A (zh) * | 2023-08-21 | 2023-11-21 | 湖南行必达网联科技有限公司 | 一种基于XGBoost的电动重卡电池故障预警方法、装置及设备 |
| CN117970152A (zh) * | 2024-01-04 | 2024-05-03 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 动力电池的状态评估方法、装置、计算机设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| CN104820716B (zh) | 基于数据挖掘的装备可靠性评估方法 | |
| Song et al. | Remaining life prediction of lithium-ion batteries based on health management: A review | |
| CN116540098A (zh) | 电池残值评估方法、装置、设备及可读存储介质 | |
| CN112765772A (zh) | 一种基于数据驱动的动力电池剩余寿命预测方法 | |
| CN113361692B (zh) | 一种锂电池剩余寿命结合预测方法 | |
| Bhalaji et al. | Remaining Useful Life (RUL) estimation of lead acid battery using bayesian approach | |
| CN115508711B (zh) | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| DE102024100184A1 (de) | Online-Vorhersageverfahren für den Gesundheitszustand von Lithiumbatterien in Kraftfahrzeugen | |
| Guo et al. | An optimal relevance vector machine with a modified degradation model for remaining useful lifetime prediction of lithium-ion batteries | |
| CN114970353A (zh) | 基于缺失数据填充的mswi过程二噁英排放软测量方法 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| Lin et al. | Physics-informed deep learning for lithium-ion battery diagnostics using electrochemical impedance spectroscopy | |
| CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
| Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
| CN117371305A (zh) | 基于物理信息约束神经网络的锂离子电池预测与健康管理的模型融合方法 | |
| CN110988693A (zh) | 一种基于建模仿真的化学电池储能应用分析方法 | |
| CN115808627A (zh) | 一种锂电池soh预测方法及装置 | |
| CN114594397A (zh) | 基于泛化模型的锂离子电池健康状态估计方法及系统 | |
| CN117577981B (zh) | 光伏发电储能控制方法及系统 | |
| Chen et al. | Lithium-ion Battery State-of-Health Estimation via Histogram Data, Principal Component Analysis, and Machine Learning |
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 |