CN116611346A - 一种电池衰减的预测方法、装置及设备 - Google Patents

一种电池衰减的预测方法、装置及设备 Download PDF

Info

Publication number
CN116611346A
CN116611346A CN202310699471.5A CN202310699471A CN116611346A CN 116611346 A CN116611346 A CN 116611346A CN 202310699471 A CN202310699471 A CN 202310699471A CN 116611346 A CN116611346 A CN 116611346A
Authority
CN
China
Prior art keywords
data
battery
training
attenuation
training data
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
Application number
CN202310699471.5A
Other languages
English (en)
Inventor
宋璠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dr Octopus Intelligent Technology Shanghai Co Ltd
Original Assignee
Dr Octopus Intelligent Technology Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dr Octopus Intelligent Technology Shanghai Co Ltd filed Critical Dr Octopus Intelligent Technology Shanghai Co Ltd
Priority to CN202310699471.5A priority Critical patent/CN116611346A/zh
Publication of CN116611346A publication Critical patent/CN116611346A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供了一种电池衰减的预测方法、装置及设备，其中，该方法包括：从电池的多组实测数据中确定出电池的多个基准数据，并根据电池的多个基准数据和多组实测数据，计算电池的多组训练数据；对多组训练数据执行归一化处理，并将归一化处理后的训练组训练数据和验证组训练数据输入衰减比值预测模型中，得到训练后的衰减比值预测模型；获取电池的实际工作数据，并根据电池的实际工作数据和基准数据，计算电池的实际计算数据；对电池的实际计算数据执行归一化处理，并输入训练后的衰减比值预测模型，得到电池的预测衰减比值；根据电池的预测衰减比值，确定电池的健康度。达到准确预测电池衰减，进而准确预测电池健康度的效果。

Description

一种电池衰减的预测方法、装置及设备
技术领域
本申请涉及电池衰减技术领域，具体而言，涉及一种电池衰减的预测方法、装置及设备。
背景技术
新能源汽车因其环境友好型等优点而备受关注，其中，电池寿命无疑是消费者的关注重点。电池衰减是评估电池健康度的重要参数，实验测定、机理模型是研究电池日历衰减的重要手段。
但面向实际工程应用，现有的电池衰减机理模型主要考虑活性锂的损失(如SEI膜的生长)、活性材料的损失等，而对上述这些损失的检测是非常复杂的，故模型在实际应用时十分不便。现有的半经验模型仅考虑了温度、存储天数等变量，对于不同SOC(电池剩余容量)等条件未加以考虑，且模型多为线性模型，预测性能欠佳。
发明内容
有鉴于此，本申请的目的在于提供一种电池衰减的预测方法、装置及设备，能够通过训练组训练数据和验证组训练数据对衰减比例模型的训练，得到能对电池的衰减比例精准预测的衰减比例模型，并通过电池的实际工作数据对电池的衰减比值进行预测，使得对电池的健康度的计算更加精准，解决了现有技术中存在的如下问题：①现有的电池衰减机理模型主要考虑活性锂的损失(如SEI膜的生长)、活性材料的损失等，而对上述这些损失的检测是非常复杂的，故模型在实际应用时十分不便；②现有的半经验模型仅考虑了温度、存储天数等变量，对于不同SOC(电池剩余容量)等条件未加以考虑，且模型多为线性模型，预测性能欠佳。从而达到准确预测电池衰减，进而准确预测电池健康度的效果。
第一方面，本申请实施例提供了一种电池衰减的预测方法，所述方法包括：获取电池的多组实测数据；从所述电池的多组实测数据中确定出所述电池的多个基准数据，并根据所述电池的多个基准数据和多组实测数据，计算所述电池的多组训练数据；根据预设的训练数据划分方式，从多组训练数据中确定出训练组训练数据和验证组训练数据；对多组训练数据执行归一化处理，并将归一化处理后的训练组训练数据和验证组训练数据输入衰减比值预测模型中，得到训练后的衰减比值预测模型；获取所述电池的实际工作数据，并根据所述电池的实际工作数据和基准数据，计算所述电池的实际计算数据；将所述电池的实际计算数据归一化处理并输入训练后的衰减比值预测模型，得到所述电池的预测衰减比值；根据所述电池的预测衰减比值，确定所述电池的健康度。
可选地，每组实测数据包括数据获取间隔时间、环境温度值、电池剩余电量值和衰减值，其中，通过以下步骤从所述电池的多组实测数据中确定出所述电池的基准数据：从多组实测数据中确定出环境温度最高的目标组实测数据；判断是否只有一组目标组实测数据；若只有一组目标组实测数据，则将目标组实测数据中的数据确定为基准数据；若不是只有一组目标组实测数据，则将多组目标组实测数据中电池剩余电量值最高的目标组实测数据中的数据确定为基准数据。
可选地，根据所述电池的基准数据和多组实测数据，计算所述电池的多组训练数据的步骤包括：根据多个基准数据，计算多个基准训练数据；根据每组实测数据，计算该组实测数据中的多个实测训练数据；根据每组实测数据中的多个实测训练数据和基准训练数据，计算多组训练数据。
可选地，多个基准数据包括基准数据获取间隔时间、基准环境温度值、基准电池剩余电量、基准衰减值，多个基准训练数据包括基准训练数据获取间隔时间、基准训练环境温度值、基准训练电池剩余电量、基准训练衰减值，其中，通过以下公式根据所述基准数据获取时间，计算基准训练间隔时间：
Daytra＝Dayref 1/2，
其中，Daytra为基准训练间隔时间，Dayref为基准数据获取时间。
其中，通过以下公式根据基准环境温度值，计算基准训练环境温度值：
其中，Ttra为基准训练环境温度值，TreF为基准环境温度值。
其中，通过以下公式根据基准电池剩余电量，计算基准训练电池剩余电量：
SOCtra＝SOCref，
其中，SOCtra为基准训练电池剩余电量，SOCref为基准电池剩余电量。
其中，通过以下公式根据基准衰减值，计算基准训练衰减值：
1-SOHtra＝1-SOHref，
其中，1-SOHtra为基准训练衰减值，1-SOHref为基准衰减值。
可选地，多个实测训练数据包括训练数据获取间隔时间、训练环境温度值、训练电池剩余电量值和训练衰减值，其中，通过以下公式根据数据获取间隔时间，计算训练数据获取间隔时间：
Daytest＝Day1/2，
其中，Daytset为训练数据获取间隔时间，Day为数据获取间隔时间。
其中，通过以下公式根据环境温度值，计算训练环境温度值：
其中，Ttest为训练环境温度值，T为环境温度值。
其中，通过以下公式根据电池剩余电量值，计算训练电池剩余电量值：
SOCtest＝SOC，
其中，SOCtest为训练电池剩余电量值，SOC为电池剩余电量。
其中，通过以下公式根据衰减值，计算训练衰减值：
1-SOHtest＝1-SOH，
其中，1-SOHtest为训练衰减值，1-SOH为衰减值。
可选地，每组训练数据包括时间影响比值、温度影响比值、电池剩余电量影响比值和衰减比值，其中，通过以下公式计算时间影响比值：
其中，Dayrate为时间影响比值，Daytest为训练数据获取间隔时间，Daytra为基准训练间隔时间。
其中，通过以下公式计算温度影响比值：
其中，Trate为温度影响比值，Ttest为训练环境温度值，Ttra为基准训练环境温度值。
其中，通过以下公式计算电池剩余电量影响比值：
其中，SOCrate为电池剩余电量影响比值，SOCtest为训练电池剩余电量值，SOCtra为基准训练电池剩余电量。
其中，通过以下公式计算衰减比值：
其中，α为衰减比值，1-SOHtest为训练衰减值，1-SOHtra为基准训练衰减值。
可选地，所述预测模型由多个神经元组成，其中，将归一化处理后的训练组训练数据和验证组训练数据输入衰减比值预测模型中，得到训练后的衰减比值预测模型的步骤包括：根据训练组训练数据和验证组训练数据分别对每个神经元进行交叉验证训练，得到与每个神经元对应的验证组训练数据中的预测衰减比值与实际衰减比值之间的平均误差值；
将平均误差值最小的一个神经元确定为最优神经元；
在最优神经元下对验证组训练数据进行预测，将验证组训练数据的预测衰减比值与验证组训练数据中的实际衰减比值之间误差最小的折数对应的衰减比值预测模型，确定为训练后的衰减比值预测模型。
可选地，所述方法还包括：根据预设的训练数据划分方式，从多组训练数据中确定出测试组训练数据；将归一化处理后的测试组训练数据输入训练后的衰减比值预测模型中，得到测试组训练数据的预测衰减比值，进而得到测试组训练数据的预测衰减值；判断所述测试组训练数据的预测衰减值与测试组训练数据的实际衰减值之间的误差值是否小于预设的测试误差值；若是，则确定训练后的衰减比值预测模型合格；若否，则确定训练后的衰减比值预测模型不合格。
第二方面，本申请实施例还提供了一种电池衰减的预测装置，所述装置包括：
实测数据获取模块，用于获取电池的多组实测数据；
训练数据计算模块，用于从所述电池的多组实测数据中确定出所述电池的多个基准数据，并根据所述电池的多个基准数据和多组实测数据，计算所述电池的多组训练数据；
训练数据划分模块，用于根据预设的训练数据划分方式，从多组训练数据中确定出训练组训练数据和验证组训练数据；
衰减比值预测模型训练模块，用于将所述电池的训练组训练数据和验证组训练数据输入衰减比值预测模型中，得到训练后的衰减比值预测模型；
实际计算数据计算模块，用于获取所述电池的实际工作数据，并根据所述电池的实际工作数据和基准数据，计算所述电池的实际计算数据；
预测衰减比值计算模块，用于对所述电池的实际计算数据执行归一化处理，并输入训练后的衰减比值预测模型，得到所述电池的预测衰减比值；
电池的健康度确认模块，根据所述电池的预测衰减比值，确定所述电池的健康度。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的电池衰减的预测方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的电池衰减的预测方法的步骤。
本申请实施例提供的一种电池衰减的预测方法、装置及设备，能够通过训练组训练数据和验证组训练数据对衰减比例模型的训练，得到能对电池的衰减比例精准预测的衰减比例模型，并通过电池的实际工作数据对电池的衰减比值进行预测，使得对电池的健康度的计算更加精准，解决了现有技术中存在的如下问题：①现有的电池衰减机理模型主要考虑活性锂的损失(如SEI膜的生长)、活性材料的损失等，而对上述这些损失的检测是非常复杂的，故模型在实际应用时十分不便；②现有的半经验模型仅考虑了温度、存储天数等变量，对于不同SOC(电池剩余容量)等条件未加以考虑，且模型多为线性模型，预测性能欠佳。从而达到准确预测电池衰减，进而准确预测电池健康度的效果。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种电池衰减的预测方法的流程图；
图2为本申请实施例所提供的衰减比例模型训练的流程图；
图3为本申请实施例所提供的一种电池衰减的预测装置的结构示意图；
图4本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于电池衰减技术领域。
经研究发现，新能源汽车因其环境友好型等优点而备受关注，其中，电池寿命无疑是消费者的关注重点。电池衰减是评估电池健康度的重要参数，实验测定、机理模型是研究电池日历衰减的重要手段。
但面向实际工程应用，现有的电池衰减机理模型主要考虑活性锂的损失(如SEI膜的生长)、活性材料的损失等，而对上述这些损失的检测是非常复杂的，故模型在实际应用时十分不便。现有的半经验模型仅考虑了温度、存储天数等变量，对于不同SOC(电池剩余容量)等条件未加以考虑，且模型多为线性模型，预测性能欠佳。
基于此，本申请实施例提供了一种电池衰减的预测方法、装置及设备，能够通过训练组训练数据和验证组训练数据对衰减比例模型的训练，得到能对电池的衰减比例精准预测的衰减比例模型，并通过电池的实际工作数据对电池的衰减比值进行预测，使得对电池的健康度的计算更加精准，解决了现有技术中存在的如下问题：①现有的电池衰减机理模型主要考虑活性锂的损失(如SEI膜的生长)、活性材料的损失等，而对上述这些损失的检测是非常复杂的，故模型在实际应用时十分不便；②现有的半经验模型仅考虑了温度、存储天数等变量，对于不同SOC(电池剩余容量)等条件未加以考虑，且模型多为线性模型，预测性能欠佳。从而达到准确预测电池衰减，进而准确预测电池健康度的效果。
请参阅图1，图1为本申请实施例所提供的一种电池衰减的预测方法的流程图。如图1中所示，本申请实施例提供的电池衰减的预测方法，包括：
S101、获取电池的多组实测数据。
这里，每组实测数据包括数据获取间隔时间、环境温度值、电池剩余电量值和衰减值。
S102、从所述电池的多组实测数据中确定出所述电池的多个基准数据，并根据所述电池的多个基准数据和多组实测数据，计算所述电池的多组训练数据。
具体的，可以通过以下步骤从所述电池的多组实测数据中确定出所述电池的基准数据：从多组实测数据中确定出环境温度最高的目标组实测数据；判断是否只有一组目标组实测数据；若只有一组目标组实测数据，则将目标组实测数据中的数据确定为基准数据；若不是只有一组目标组实测数据，则将多组目标组实测数据中电池剩余电量值最高的目标组实测数据中的数据确定为基准数据。
其中，根据所述电池的基准数据和多组实测数据，计算所述电池的多组训练数据的步骤包括：根据多个基准数据，计算多个基准训练数据；根据每组实测数据，计算该组实测数据中的多个实测训练数据；根据每组实测数据中的多个实测训练数据和基准训练数据，计算多组训练数据。
可选地，多个基准数据包括基准数据获取间隔时间、基准环境温度值、基准电池剩余电量、基准衰减值，多个基准训练数据包括基准训练数据获取间隔时间、基准训练环境温度值、基准训练电池剩余电量、基准训练衰减值。
具体的，可以通过以下公式根据所述基准数据获取时间，计算基准训练间隔时间：
Daytra＝Dayref 1/2，
其中，Daytra为基准训练间隔时间，Dayref为基准数据获取时间。
具体的，可以通过以下公式根据基准环境温度值，计算基准训练环境温度值：
其中，Ttra为基准训练环境温度值，Tref为基准环境温度值。
具体的，可以通过以下公式根据基准电池剩余电量，计算基准训练电池剩余电量：
SOCtra＝SOCref，
其中，SOCtra为基准训练电池剩余电量，SOCref为基准电池剩余电量。
具体的，可以通过以下公式根据基准衰减值，计算基准训练衰减值：
1-SOHtra＝1-SOHref，
其中，1-SOHtra为基准训练衰减值，1-SOHref为基准衰减值。
其中，多个实测训练数据包括训练数据获取间隔时间、训练环境温度值、训练电池剩余电量值和训练衰减值。
具体的，可以通过以下公式根据数据获取间隔时间，计算训练数据获取间隔时间：
Daytest＝Day1/2，
其中，Daytest为训练数据获取间隔时间，Day为数据获取间隔时间。
具体的，可以通过以下公式根据环境温度值，计算训练环境温度值：
其中，Ttest为训练环境温度值，T为环境温度值。
具体的，可以通过以下公式根据电池剩余电量值，计算训练电池剩余电量值：
SOCtest＝SOC，
其中，SOCtest为训练电池剩余电量值，SOC为电池剩余电量。
具体的，可以通过以下公式根据衰减值，计算训练衰减值：
1-SOHtest＝1-SOH，
其中，1-SOHtest为训练衰减值，1-SOH为衰减值。
其中，每组训练数据包括时间影响比值、温度影响比值、电池剩余电量影响比值和衰减比值。
具体的，可以通过以下公式计算时间影响比值：
其中，Dayrate为时间影响比值，Daytest为训练数据获取间隔时间，Daytra为基准训练间隔时间。
具体的，可以通过以下公式计算温度影响比值：
其中，Trate为温度影响比值，Ttest为训练环境温度值，Ttra为基准训练环境温度值。
具体的，可以通过以下公式计算电池剩余电量影响比值：
其中，SOCrate为电池剩余电量影响比值，SOCtest为训练电池剩余电量值，SOCtra为基准训练电池剩余电量。
具体的，可以通过以下公式计算衰减比值：
其中，α为衰减比值，1-SOHtest为训练衰减值，1-SOHtra为基准训练衰减值。
S103、根据预设的训练数据划分方式，从多组训练数据中确定出训练组训练数据和验证组训练数据。
这里，可以根据衰减比值预测模型的需求，确定预设的训练数据划分方式，例如，本申请采用九折交叉验证，则可以将多组训练数据中的百分之八十的数据确定为训练组训练数据，将百分之十的数据确定为验证组训练数据。
需要说明的是，另百分之十可以作为测试组训练数据。
这样，90％数据用作对模型的训练(训练组训练数据和验证组训练数据)以训练网络参数和确保模型的稳定性(内部验证)；剩余10％数据用作测试组训练数据，训练和验证期间不使用测试组训练数据，它用于评估模型的预测精度(外部验证)。
S104、对多组训练数据执行归一化处理，并将归一化处理后的训练组训练数据和验证组训练数据输入衰减比值预测模型中，得到训练后的衰减比值预测模型。
其中，可以通过“mapminmax”函数将上述多组训练数据归一化到[0,1]。这是神经网络建模中的常规做法，因为归一化处理后训练更加有效且利于网络收敛。
其中，所述预测模型由多个神经元组成。
具体的，请参阅图2，图2为本申请实施例所提供的衰减比例模型训练方法的流程图。如图2中所示，本申请实施例提供的衰减比例模型训练方法，包括：S201、根据训练组训练数据和验证组训练数据分别对每个神经元进行交叉验证训练，得到每个神经元下验证组训练数据中的预测衰减比值与实际衰减比值之间的平均误差。
S202、将平均误差值最小的一个神经元确定为最优神经元。
这里，可以采用九折交叉验证法对每次训练后的衰减比值预测模型进行验证。
示例性的，可以将上述90％数据划分成九份。在第一次对一个神经元进行训练时，可以将第一份训练数据作为验证组训练数据，将第二份至第九份训练数据作为训练组训练数据；在第二次对一个神经元进行训练时，可以将第二份训练数据作为验证组训练数据，将第一份和第三份至第九份训练数据作为训练组训练数据。以此类推，针对每个神经元进行交叉验证九次。对每个神经元下，验证组训练数据九次交叉验证的误差取平均值，将上述验证组训练数据中平均误差最小的神经元，确定为最优神经元。
S203、在最优神经元下对验证组训练数据进行预测，将验证组训练数据的预测衰减比值与验证组训练数据中的实际衰减比值之间误差最小的折数对应的衰减比值预测模型，确定为训练后的衰减比值预测模型。
如上所述，本申请中的衰减比值预测模型包含20个神经元，经九折交叉验证法的训练，即从180个模型中选取最优模型。
这里，验证组训练数据中的误差可表示为预测衰减比值与实际衰减比值之间的均方根误差；验证组训练数据中的平均误差即对九次交叉验证预测衰减比值与实际衰减比值之间的均方根误差取平均值。
S105、获取所述电池的实际工作数据，并根据所述电池的实际工作数据和基准数据，计算所述电池的实际计算数据。
该步骤中，需要获取电池的实际数据获取间隔时间、实际环境温度值、实际电池剩余电量值。
其中，可以通过以下公式根据实际数据获取间隔时间和基准数据获取时间，确定计算数据获取间隔时间：
其中，Daycount为计算数据获取间隔时间，Dayreal为实际数据获取间隔时间，Dayref为基准数据获取时间。
具体的，可以通过以下公式根据实际环境温度值和基准环境温度值，确定计算环境温度值：
其中，Tcount为计算环境温度值，Treal为实际环境温度值，Tref为基准环境温度值。
具体的，可以通过以下公式根据实际电池剩余电量和基准电池剩余电量，确定计算电池剩余电量：
其中，SOCref为基准电池剩余电量，SOCreal为实际电池剩余电量，SOCcount为计算电池剩余电量。
S106、对所述电池的实际计算数据执行归一化处理，并输入训练后的衰减比值预测模型，得到所述电池的预测衰减比值；
S107、根据所述电池的预测衰减比值，确定所述电池的健康度。
本申请实施例提供的电池衰减的预测方法，能够通过训练组训练数据和验证组训练数据对衰减比例模型的训练，得到能对电池的衰减比例精准预测的衰减比例模型，并通过电池的实际工作数据对电池的衰减比值进行预测，使得对电池的健康度的计算更加精准，解决了现有技术中存在的如下问题：①现有的电池衰减机理模型主要考虑活性锂的损失(如SEI膜的生长)、活性材料的损失等，而对上述这些损失的检测是非常复杂的，故模型在实际应用时十分不便；②现有的半经验模型仅考虑了温度、存储天数等变量，对于不同SOC(电池剩余容量)等条件未加以考虑，且模型多为线性模型，预测性能欠佳。从而达到准确预测电池衰减，进而准确预测电池健康度的效果。
基于同一发明构思，本申请实施例中还提供了与电池衰减的预测方法对应的电池衰减的预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述电池衰减的预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图3，图3为本申请实施例所提供的一种电池衰减的预测装置的结构示意图。如图3中所示，所述电池衰减的预测装置300包括：
实测数据获取模块301，用于获取电池的多组实测数据；
训练数据计算模块302，用于从所述电池的多组实测数据中确定出所述电池的多个基准数据，并根据所述电池的多个基准数据和多组实测数据，计算所述电池的多组训练数据；
训练数据划分模块303，用于根据预设的训练数据划分方式，从多组训练数据中确定出训练组训练数据和验证组训练数据；
衰减比值预测模型训练模块304，用于对多组训练数据执行归一化处理，并将归一化处理后的训练组训练数据和验证组训练数据输入衰减比值预测模型中，得到训练后的衰减比值预测模型；
实际计算数据计算模块305，用于获取所述电池的实际工作数据，并根据所述电池的实际工作数据和基准数据，计算所述电池的实际计算数据；
预测衰减比值计算模块306，用于对所述电池的实际计算数据执行归一化处理，并输入训练后的衰减比值预测模型，得到所述电池的预测衰减比值；
电池的健康度确认模块307，根据所述电池的预测衰减比值，确定所述电池的健康度。
本申请实施例提供的电池衰减的预测装置，能够通过训练组训练数据和验证组训练数据对衰减比例模型的训练，得到能对电池的衰减比例精准预测的衰减比例模型，并通过电池的实际工作数据对电池的衰减比值进行预测，使得对电池的健康度的计算更加精准，解决了现有技术中存在的如下问题：①现有的电池衰减机理模型主要考虑活性锂的损失(如SEI膜的生长)、活性材料的损失等，而对上述这些损失的检测是非常复杂的，故模型在实际应用时十分不便；②现有的半经验模型仅考虑了温度、存储天数等变量，对于不同SOC(电池剩余容量)等条件未加以考虑，且模型多为线性模型，预测性能欠佳。从而达到准确预测电池衰减，进而准确预测电池健康度的效果。
请参阅图4，图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图1以及图2所示方法实施例中的电池衰减的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的电池衰减的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种电池衰减的预测方法，其特征在于，所述方法包括：
获取电池的多组实测数据；
从所述电池的多组实测数据中确定出所述电池的多个基准数据，并根据所述电池的多个基准数据和多组实测数据，计算所述电池的多组训练数据；
根据预设的训练数据划分方式，从多组训练数据中确定出训练组训练数据和验证组训练数据；
对多组训练数据执行归一化处理，并将归一化处理后的训练组训练数据和验证组训练数据输入衰减比值预测模型中，得到训练后的衰减比值预测模型；
获取所述电池的实际工作数据，并根据所述电池的实际工作数据和基准数据，计算所述电池的实际计算数据；
对所述电池的实际计算数据执行归一化处理，并输入训练后的衰减比值预测模型，得到所述电池的预测衰减比值；
根据所述电池的预测衰减比值，确定所述电池的健康度。
2.根据权利要求1所述的方法，其特征在于，每组实测数据包括数据获取间隔时间、环境温度值、电池剩余电量值和衰减值，
其中，通过以下步骤从所述电池的多组实测数据中确定出所述电池的基准数据：
从多组实测数据中确定出环境温度最高的目标组实测数据；
判断是否只有一组目标组实测数据；
若只有一组目标组实测数据，则将目标组实测数据中的数据确定为基准数据；
若不是只有一组目标组实测数据，则将多组目标组实测数据中电池剩余电量值最高的目标组实测数据中的数据确定为基准数据。
3.根据权利要求2所述的方法，其特征在于，根据所述电池的基准数据和多组实测数据，计算所述电池的多组训练数据的步骤包括：
根据多个基准数据，计算多个基准训练数据；
根据每组实测数据，计算该组实测数据中的多个实测训练数据；
根据每组实测数据中的多个实测训练数据和基准训练数据，计算多组训练数据。
4.根据权利要求3所述的方法，其特征在于，多个基准数据包括基准数据获取间隔时间、基准环境温度值、基准电池剩余电量、基准衰减值，多个基准训练数据包括基准训练数据获取间隔时间、基准训练环境温度值、基准训练电池剩余电量、基准训练衰减值，
其中，通过以下公式根据所述基准数据获取时间，计算基准训练间隔时间：
Daytra＝Dayref 1/2，
其中，Daytra为基准训练间隔时间，Dayref为基准数据获取时间，
其中，通过以下公式根据基准环境温度值，计算基准训练环境温度值：
其中，Ttra为基准训练环境温度值，Tref为基准环境温度值，
其中，通过以下公式根据基准电池剩余电量，计算基准训练电池剩余电量：
SOCtra＝SOCref,
其中，SOCtra为基准训练电池剩余电量，SOCref为基准电池剩余电量，
其中，通过以下公式根据基准衰减值，计算基准训练衰减值：
1-SOHtra＝1-SOHref，
其中，1-SOHtra为基准训练衰减值，1-SOHref为基准衰减值。
5.根据权利要求4所述的方法，其特征在于，多个实测训练数据包括训练数据获取间隔时间、训练环境温度值、训练电池剩余电量值和训练衰减值，
其中，通过以下公式根据数据获取间隔时间，计算训练数据获取间隔时间：
Daytest＝Day1/2,
其中，Daytest为训练数据获取间隔时间，Day为数据获取间隔时间，
其中，通过以下公式根据环境温度值，计算训练环境温度值：
其中，Ttest为训练环境温度值，T为环境温度值，
其中，通过以下公式根据电池剩余电量值，计算训练电池剩余电量值：
SOCtest＝SOC,
其中，SOCtest为训练电池剩余电量值，SOC为电池剩余电量，
其中，通过以下公式根据衰减值，计算训练衰减值：
1-SOHtest＝1-SOH，
其中，1-SOHtest为训练衰减值，1-SOH为衰减值。
6.根据权利要求5所述的方法，其特征在于，每组训练数据包括时间影响比值、温度影响比值、电池剩余电量影响比值和衰减比值，
其中，通过以下公式计算时间影响比值：
其中，Dayrate为时间影响比值，Daytest为训练数据获取间隔时间，Daytra为基准训练间隔时间，
其中，通过以下公式计算温度影响比值：
其中，Trate为温度影响比值，Ttest为训练环境温度值，Ttra为基准训练环境温度值，
其中，通过以下公式计算电池剩余电量影响比值：
其中，SOCrate为电池剩余电量影响比值，SOCtest为训练电池剩余电量值，SOCtra为基准训练电池剩余电量，
其中，通过以下公式计算衰减比值：
其中，α为衰减比值，1-OHtest为训练衰减值，1-IHtra为基准训练衰减值。
7.根据权利要求1所述的方法，其特征在于，所述预测模型由多个神经元组成，
其中，将归一化处理后的训练组训练数据和验证组训练数据输入衰减比值预测模型中，得到训练后的衰减比值预测模型的步骤包括：
根据训练组训练数据和验证组训练数据分别对每个神经元进行交叉验证训练，得到与每个神经元对应的验证组训练数据中的预测衰减比值与实际衰减比值之间的平均误差值；
将平均误差值最小的一个神经元确定为最优神经元；
在最优神经元下对验证组训练数据进行预测，将验证组训练数据的预测衰减比值与验证组训练数据中的实际衰减比值之间误差最小的折数对应的衰减比值预测模型，确定为训练后的衰减比值预测模型。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
根据预设的训练数据划分方式，从多组训练数据中确定出测试组训练数据；
将归一化处理后的测试组训练数据输入训练后的衰减比值预测模型中，得到测试组训练数据的预测衰减比值，进而得到测试组训练数据的预测衰减值；
判断所述测试组训练数据的预测衰减值与测试组训练数据的实际衰减值之间的误差值是否小于预设的测试误差值；
若是，则确定训练后的衰减比值预测模型合格；
若否，则确定训练后的衰减比值预测模型不合格。
9.一种电池衰减的预测装置，其特征在于，包括：
实测数据获取模块，用于获取电池的多组实测数据；
训练数据计算模块，用于从所述电池的多组实测数据中确定出所述电池的多个基准数据，并根据所述电池的多个基准数据和多组实测数据，计算所述电池的多组训练数据；
训练数据划分模块，用于根据预设的训练数据划分方式，从多组训练数据中确定出训练组训练数据和验证组训练数据；
衰减比值预测模型训练模块，用于对多组训练数据执行归一化处理，并将归一化处理后的训练组训练数据和验证组训练数据输入衰减比值预测模型中，得到训练后的衰减比值预测模型；
实际计算数据计算模块，用于获取所述电池的实际工作数据，并根据所述电池的实际工作数据和基准数据，计算所述电池的实际计算数据；
预测衰减比值计算模块，用于对所述电池的实际计算数据执行归一化处理，并输入训练后的衰减比值预测模型，得到所述电池的预测衰减比值；
电池的健康度确认模块，根据所述电池的预测衰减比值，确定所述电池的健康度。
10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至8任一所述方法的步骤。
CN202310699471.5A 2023-06-13 2023-06-13 一种电池衰减的预测方法、装置及设备 Pending CN116611346A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310699471.5A CN116611346A (zh) 2023-06-13 2023-06-13 一种电池衰减的预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310699471.5A CN116611346A (zh) 2023-06-13 2023-06-13 一种电池衰减的预测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN116611346A true CN116611346A (zh) 2023-08-18

Family

ID=87678172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310699471.5A Pending CN116611346A (zh) 2023-06-13 2023-06-13 一种电池衰减的预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116611346A (zh)

Similar Documents

Publication Publication Date Title
US11181587B1 (en) Battery analysis system and method
CN111157897B (zh) 评估动力电池的方法、装置、存储介质及处理器
CN101395489B (zh) 用于确定估计的电池组状态向量和估计的电池组参数向量的系统和方法
Takyi‐Aninakwa et al. A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries
CN101248365A (zh) 估算与电池相关的状态向量的系统和方法
Cheng et al. State‐of‐charge estimation with aging effect and correction for lithium‐ion battery
CN104076284B (zh) 电池荷电状态soc的跟踪方法和装置
Gholizadeh et al. State of charge estimation of a lithium‐ion battery using robust non‐linear observer approach
CN116466236A (zh) 电池剩余寿命预测方法、装置、设备及可读存储介质
CN115047349A (zh) 电池包的一致性状态评估方法、装置、电子设备和存储介质
Havangi Adaptive robust unscented Kalman filter with recursive least square for state of charge estimation of batteries
Kazhamiaka et al. Tractable lithium-ion storage models for optimizing energy systems
CN115795928A (zh) 基于伽马过程的加速退化试验数据处理方法和装置
CN110728008A (zh) 一种用于确定智能电表的期望寿命的方法及装置
CN114879070A (zh) 一种电池状态评估方法及相关设备
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
Kuhn et al. Bayesian parameterization of continuum battery models from featurized electrochemical measurements considering noise
Lai et al. A quantitative method for early-stage detection of the internal-short-circuit in Lithium-ion battery pack under float-charging conditions
CN110568362B (zh) 一种电芯性能参数的确定方法和装置
CN116611346A (zh) 一种电池衰减的预测方法、装置及设备
CN111665443A (zh) 电池性能公式的拟合方法、装置、存储介质和计算机设备
CN113933725B (zh) 一种基于数据驱动确定动力电池荷电状态的方法
Zeng et al. The evaluation of battery pack SOH based on Monte Carlo simulation and support vector machine algorithm
CN108805323B (zh) 数据预测方法和装置
CN114764600A (zh) 新能源车电池包的寿命预测方法、装置和电子设备

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