CN116660759A - 基于bms电池管理系统的电池寿命预测方法及装置 - Google Patents
基于bms电池管理系统的电池寿命预测方法及装置 Download PDFInfo
- Publication number
- CN116660759A CN116660759A CN202310934815.6A CN202310934815A CN116660759A CN 116660759 A CN116660759 A CN 116660759A CN 202310934815 A CN202310934815 A CN 202310934815A CN 116660759 A CN116660759 A CN 116660759A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- target
- state
- life cycle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 110
- 238000010586 diagram Methods 0.000 claims abstract description 40
- 230000004927 fusion Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 20
- 238000007599 discharging Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000007726 management method Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000007704 transition Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
Abstract
本发明涉及电池管理技术领域，公开了一种基于BMS电池管理系统的电池寿命预测方法及装置，用于实现智能化的电池状态监控以及提高电池寿命预测的准确率。方法包括：根据目标电压数据和目标电流数据构建第一状态参数分布图以及根据目标温度数据和目标电量数据构建第二状态参数分布图；提取第一状态参数分布图中的多个第一特征点以及提取第二状态参数分布图中的多个第二特征点；根据多个第一特征点以及多个第二特征点构建电池状态矩阵；将电池状态矩阵输入充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线，对目标电池进行电池寿命预测，得到目标电池寿命预测数据。
Description
技术领域
本发明涉及电池管理技术领域，尤其涉及一种基于BMS电池管理系统的电池寿命预测方法及装置。
背景技术
随着电动汽车、储能电池等应用领域的发展，对电池寿命预测方法提出了更高的要求。将电池寿命预测方法用在更多的应用领域中，如无人机、医疗器械等。电池寿命预测方法需要使用可靠的电池管理系统。目前，亟需研发更加智能化的BMS电池管理系统，使其更加可靠、高效、精确地管理电池。
现有方案中电池状态数据的参数分类的准确性对预测精度有很大影响，并且电池的寿命会受到环境温度、湿度等因素的影响，进而导致现有方案的准确率低。
发明内容
本发明提供了一种基于BMS电池管理系统的电池寿命预测方法及装置，用于实现智能化的电池状态监控以及提高电池寿命预测的准确率。
本发明第一方面提供了一种基于BMS电池管理系统的电池寿命预测方法，所述方法包括：
获取待预测目标电池的电池状态数据，并对所述电池状态数据进行参数分类，得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据；
根据所述目标电压数据和所述目标电流数据构建所述目标电池的第一状态参数分布图，以及根据所述目标温度数据和所述目标电量数据构建所述目标电池的第二状态参数分布图；
提取所述第一状态参数分布图中的多个第一特征点，以及提取所述第二状态参数分布图中的多个第二特征点；
根据所述多个第一特征点以及所述多个第二特征点构建所述目标电池的电池状态矩阵；
将所述电池状态矩阵输入预置的充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线；
根据所述充电生命周期预测曲线以及所述放电生命周期预测曲线，对所述目标电池进行电池寿命预测，得到目标电池寿命预测数据。
结合第一方面，在本发明第一方面的第一实施方式中，所述获取待预测目标电池的电池状态数据，并对所述电池状态数据进行参数分类，得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据，包括：
获取待预测目标电池的电池状态数据，并对所述电池状态数据进行电池使用场景分类，得到电池充电状态数据以及电池放电状态数据；
按照预设的参数属性，对所述电池充电状态数据进行参数提取，得到第一电压数据、第一电流数据、第一温度数据以及第一电量数据；
根据所述参数属性，对所述电池放电状态数据进行参数提取，得到第二电压数据、第二电流数据、第二温度数据以及第二电量数据；
对所述第一电压数据和所述第二电压数据进行数据融合，得到目标电压数据，以及对所述第一电流数据和所述第二电流数据进行数据融合，得到目标电流数据，以及对所述第一温度数据和所述第二温度数据进行数据融合，得到目标温度数据，以及对所述第一电量数据和所述第二电量数据进行数据融合，得到目标电量数据。
结合第一方面，在本发明第一方面的第二实施方式中，所述根据所述目标电压数据和所述目标电流数据构建所述目标电池的第一状态参数分布图，以及根据所述目标温度数据和所述目标电量数据构建所述目标电池的第二状态参数分布图，包括：
获取所述目标电压数据的多个第一数据点，以及获取所述目标电流数据的多个第二数据点；
分别对所述多个第一数据点以及所述多个第二数据点进行数据点排序，得到第一数据点序列以及第二数据点序列；
对所述第一数据点序列以及所述第二数据点序列进行状态参数分布映射，得到所述目标电池的第一状态参数分布图；
获取所述目标温度数据的多个第三数据点，以及获取所述目标电量数据的多个第四数据点；
分别对所述多个第三数据点以及所述多个第四数据点进行数据点排序，得到第三数据点序列以及第四数据点序列；
对所述第三数据点序列以及所述第四数据点序列进行状态参数分布映射，得到所述目标电池的第二状态参数分布图。
结合第一方面，在本发明第一方面的第三实施方式中，所述提取所述第一状态参数分布图中的多个第一特征点，以及提取所述第二状态参数分布图中的多个第二特征点，包括：
计算所述第一状态参数分布图的第一标准偏差，并提取所述第一状态参数分布图中的多个第一分布点；
分别计算所述多个第一分布点的斜率值，得到每个第一分布点的第一斜率值，并对所述第一斜率值和所述第一标准偏差进行比较；
将所述第一斜率值大于所述第一标准偏差的第一分布点作为特征点，得到多个第一特征点；
计算所述第二状态参数分布图的第二标准偏差，并提取所述第二状态参数分布图中的多个第二分布点；
分别计算所述多个第二分布点的斜率值，得到每个第二分布点的第二斜率值，并对所述第二斜率值和所述第二标准偏差进行比较；
将所述第二斜率值大于所述第二标准偏差的第二分布点作为特征点，得到多个第二特征点。
结合第一方面，在本发明第一方面的第四实施方式中，所述根据所述多个第一特征点以及所述多个第二特征点构建所述目标电池的电池状态矩阵，包括：
对所述多个第一特征点进行坐标数据提取，得到每个第一特征点的第一横坐标数据以及第一纵坐标数据；
对所述第一横坐标数据以及所述第一纵坐标数据进行矩阵转换，得到第一状态矩阵；
对所述多个第二特征点进行坐标数据提取，得到每个第二特征点的第二横坐标数据以及第二纵坐标数据；
对所述第二横坐标数据以及所述第二纵坐标数据进行矩阵转换，得到第二状态矩阵；
对所述第一状态矩阵以及所述第二状态矩阵进行矩阵拼接，得到所述目标电池的电池状态矩阵。
结合第一方面，在本发明第一方面的第五实施方式中，所述将所述电池状态矩阵输入预置的充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线，包括：
将所述电池状态矩阵输入预置的充放电生命周期预测模型，其中，所述充放电生命周期预测模型包括：双向长短时记忆网络、第一编解码网络以及第二编解码网络；
通过所述双向长短时记忆网络对所述电池状态矩阵进行矩阵特征提取，得到目标特征矩阵；
将所述目标特征矩阵输入所述第一编解码网络进行充电生命周期预测，得到充电生命周期预测数据集；
将所述目标特征矩阵输入所述第二编解码网络进行放电生命周期预测，得到放电生命周期预测数据集；
对所述充电生命周期预测数据集进行曲线映射，得到充电生命周期预测曲线，以及对所述放电生命周期预测数据集进行曲线映射，得到放电生命周期预测曲线。
结合第一方面，在本发明第一方面的第六实施方式中，所述根据所述充电生命周期预测曲线以及所述放电生命周期预测曲线，对所述目标电池进行电池寿命预测，得到目标电池寿命预测数据，包括：
根据所述充电生命周期预测曲线以及所述放电生命周期预测曲线对所述目标电池进行剩余容量计算，得到剩余容量数据；
获取所述目标电池的额定容量数据，并根据所述额定容量数据和所述剩余容量数据计算所述目标电池的剩余容量百分比；
根据所述剩余容量百分比构建所述目标电池的容量衰减曲线，并根据所述容量衰减曲线生成目标电池寿命预测数据。
本发明第二方面提供了一种基于BMS电池管理系统的电池寿命预测装置，所述装置包括：
获取模块，用于获取待预测目标电池的电池状态数据，并对所述电池状态数据进行参数分类，得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据；
构建模块，用于根据所述目标电压数据和所述目标电流数据构建所述目标电池的第一状态参数分布图，以及根据所述目标温度数据和所述目标电量数据构建所述目标电池的第二状态参数分布图；
提取模块，用于提取所述第一状态参数分布图中的多个第一特征点，以及提取所述第二状态参数分布图中的多个第二特征点；
处理模块，用于根据所述多个第一特征点以及所述多个第二特征点构建所述目标电池的电池状态矩阵；
预测模块，用于将所述电池状态矩阵输入预置的充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线；
输出模块，用于根据所述充电生命周期预测曲线以及所述放电生命周期预测曲线，对所述目标电池进行电池寿命预测，得到目标电池寿命预测数据。
本发明第三方面提供了一种基于BMS电池管理系统的电池寿命预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于BMS电池管理系统的电池寿命预测设备执行上述的基于BMS电池管理系统的电池寿命预测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于BMS电池管理系统的电池寿命预测方法。
本发明提供的技术方案中，根据目标电压数据和目标电流数据构建第一状态参数分布图以及根据目标温度数据和目标电量数据构建第二状态参数分布图；提取第一状态参数分布图中的多个第一特征点以及提取第二状态参数分布图中的多个第二特征点；根据多个第一特征点以及多个第二特征点构建电池状态矩阵；将电池状态矩阵输入充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线，对目标电池进行电池寿命预测，得到目标电池寿命预测数据，本发明能够准确地预测电池的剩余寿命，从而避免因电池亏损导致的电量不足、功率下降的问题，提高电池使用效率，通过预测电池的寿命，及时对电池进行充电和更换，避免电池因使用超时造成的损坏，降低电池的维修成本，还能够及时发现电池的剩余容量，从而避免电池过度充电或过度放电的问题，提高电池的安全可靠性，进而实现了智能化的电池状态监控，并且提高了电池寿命预测的准确率。
附图说明
图1为本发明实施例中基于BMS电池管理系统的电池寿命预测方法的一个实施例示意图；
图2为本发明实施例中构建状态参数分布图的流程图；
图3为本发明实施例中提取特征点的流程图；
图4为本发明实施例中构建电池状态矩阵的流程图；
图5为本发明实施例中基于BMS电池管理系统的电池寿命预测装置的一个实施例示意图；
图6为本发明实施例中基于BMS电池管理系统的电池寿命预测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于BMS电池管理系统的电池寿命预测方法及装置，用于实现智能化的电池状态监控以及提高电池寿命预测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于BMS电池管理系统的电池寿命预测方法的一个实施例包括：
S101、获取待预测目标电池的电池状态数据，并对电池状态数据进行参数分类，得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据；
可以理解的是，本发明的执行主体可以为基于BMS电池管理系统的电池寿命预测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器通过传感器、监测系统等获取待预测目标电池的电池状态数据，并将其存储到数据库或文件中，对获取的电池状态数据进行预处理，包括数据清洗、特征提取、数据变换等，目的是减少数据噪声、提高数据质量以及提取具有代表性的特征。对电池状态数据进行参数分类，可以采用多种方法，例如聚类、分类树等。对电池状态数据进行分类，可以使得每个参数之间存在一定的相关性，为了预测目标电压数据、目标电流数据、目标温度数据以及目标电量数据，建立相应的预测模型。其中，需要说明的是，预测模型可以采用多种方法，例如线性回归、神经网络等。需要注意的是，在建立预测模型时需要选择合适的特征、调整超参数以及进行模型训练等步骤。根据预测模型，对参数分类后的电池状态数据进行预测，从而得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据。例如，假设要对一个电池状态数据进行目标预测。通过获取电池状态数据，并对其进行预处理和参数分类，得到具有代表性的特征。然后，在选择相应的预测模型后，对参数分类后的电池状态数据进行预测，从而得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据。
S102、根据目标电压数据和目标电流数据构建目标电池的第一状态参数分布图，以及根据目标温度数据和目标电量数据构建目标电池的第二状态参数分布图；
具体的，服务器获取目标电压数据、目标电流数据、目标温度数据以及目标电量数据，并对这些数据进行预处理。可以采用多种方法，例如归一化、标准化、去噪等。采用目标电压数据和目标电流数据构建电池的第一状态参数分布图。首先对目标电压数据和目标电流数据进行分组或分段，然后统计每个组或段的数据频率，最后绘制散点图或柱状图等形式的分布图。采用目标温度数据和目标电量数据构建电池的第二状态参数分布图。与第一状态参数分布图类似，对目标温度数据和目标电量数据进行分组或分段，统计每个组或段的数据频率，并绘制散点图或柱状图等形式的分布图。根据电池状态参数分布图，可以确定电池状态参数的变化规律，并进一步分析电池的健康状况。比如，当目标电压数据和目标电流数据呈现不稳定状态时，可能说明电池存在短路或损坏等问题。而当目标温度数据和目标电量数据出现异常时，可能说明电池发生了过热或过充等问题。例如，假设对一个电池的状态参数进行监测，可以采用多种传感器或监测系统，获取电池的目标电压数据、目标电流数据、目标温度数据以及目标电量数据，并经过预处理。然后，根据目标电压数据和目标电流数据的分布图，可以了解电池的电压和电流的变化情况。而根据目标温度数据和目标电量数据的分布图，则可以了解电池的温度和电量的变化情况。
S103、提取第一状态参数分布图中的多个第一特征点，以及提取第二状态参数分布图中的多个第二特征点；
需要说明的是，电池状态可分为多个状态，常见的状态包括充电状态、放电状态和开路状态等。为了对电池状态进行分类，需要收集电池状态数据，其中每种状态的数据可以表示为一组参数。这些参数可以包括电池电压、电池内阻、电流等。第一状态参数分布图和第二状态参数分布图是指，将不同状态对应的参数数据进行分析和绘制，得到的分布图。通过分析第一状态参数分布图来提取第一特征点。第一特征点是指在第一状态参数分布图中显著的特定数值点。通过分析第一状态参数分布图的形态和特点，可以确定第一特征点的位置和数值。这些特征点可以用于分类电池不同的状态和进行电池寿命预测。例如，当电池处于充电状态时，第一特征点的数值可能更接近电池最大电压。同样的，通过分析第二状态参数分布图来提取第二特征点。第二特征点是指在第二状态参数分布图中显著的特定数值点。这些特征点也可以用于分类电池不同的状态和进行电池寿命预测。例如，当电池处于低电量状态时，第二特征点的数值可能更接近电池最小电压。在实现过程中，将电池状态数据进行处理和分析，以提取出显著的特征点。这些特征点可以用于训练分类模型和进行电池寿命预测。
S104、根据多个第一特征点以及多个第二特征点构建目标电池的电池状态矩阵；
具体的，通过提取第一状态参数分布图中的多个第一特征点和提取第二状态参数分布图中的多个第二特征点，得到目标电池在不同状态下的特征点数值。一个电池可能会处于多种不同的状态以及过渡状态，因而可能会有多个第一特征点以及多个第二特征点。例如，当电池处于充满状态、放电状态、开路状态等不同的状态时，它们所对应的第一特征点和第二特征点可能不同。将多个第一特征点和多个第二特征点整合起来，构建目标电池的电池状态矩阵。电池状态矩阵是一个 N 行 M 列的矩阵，其中 N 表示电池的状态数，M表示每个状态对应的特征点数。电池状态矩阵可以用于训练分类模型和进行电池寿命预测，常见的方法包括基于聚类的分析、基于时序模型的预测、基于机器学习的分类算法等。以基于机器学习的分类算法为例，通过将电池状态矩阵输入到训练模型中，来对电池状态进行分类和预测。
S105、将电池状态矩阵输入预置的充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线；
需要说明的是，在电池寿命预测中，预测电池的充放电生命周期，即电池在不同充放电周期内的表现和寿命。为了实现这一目标，需要根据实际情况选择合适的充放电生命周期预测模型。常见的预测模型包括基于时序模型的预测、基于机器学习的分类算法、基于时频分析的模型等。将电池状态矩阵输入充放电生命周期预测模型，用于预测电池的充放电生命周期。具体来说，将电池状态矩阵按照时间顺序进行排列，以构建时间序列。然后，将时间序列输入到预测模型中，进行模型训练和预测。根据充放电生命周期预测模型的计算结果，得到电池的充电生命周期预测曲线和放电生命周期预测曲线。这两条曲线分别表示电池在不同充放电周期内的预测表现和寿命。这些曲线在时间轴上进行展示，用于判断电池的寿命和使用情况。
例如，在基于机器学习的预测模型中，需要使用大量的电池状态数据进行模型训练，以提高模型的准确性和预测能力。在基于时序模型的预测中，对电池状态数据进行时间序列分析和建模，以构建预测模型。
需要说明的是，在提取第一状态参数分布图中的多个第一特征点和提取第二状态参数分布图中的多个第二特征点时，通过分析电池状态数据，绘制第一状态参数分布图和第二状态参数分布图，并从中提取出多个第一特征点和多个第二特征点。例如，当电池处于充电状态时，第一特征点的数值可能更接近电池最大电压；当电池处于低电量状态时，第二特征点的数值可能更接近电池最小电压。进而，将多个第一特征点和多个第二特征点整合起来，构建目标电池的电池状态矩阵，将电池状态矩阵输入预置的充放电生命周期预测模型进行充放电生命周期预测，其中，将电池状态矩阵输入预置的充放电生命周期预测模型，进行充放电生命周期的预测。假设采用了基于机器学习的分类算法进行预测，将电池状态矩阵按照时间顺序进行排列，以构建时间序列。然后，将时间序列输入到预测模型中，进行分类模型训练和充放电生命周期预测。根据充放电生命周期预测模型的计算结果，得到电池的充电生命周期预测曲线和放电生命周期预测曲线。这些曲线分别表示电池在不同充放电周期内的预测表现和寿命。
S106、根据充电生命周期预测曲线以及放电生命周期预测曲线，对目标电池进行电池寿命预测，得到目标电池寿命预测数据。
具体的，根据电池的状态和特征点，通过预置的充放电生命周期预测模型，预测出电池的充电生命周期和放电生命周期的预测曲线。这些曲线通常呈现为时间轴上的一组数据点，其中每个数据点表示电池在不同充放电周期内的表现和寿命。根据充放电生命周期预测曲线，通过一定的公式计算，预测目标电池的寿命。具体来说，可以根据充电生命周期预测曲线和放电生命周期预测曲线，计算出目标电池在未来的充放电周期内所能承受的最大充放电功率，以及电池在不同充放电周期内所消耗掉的寿命。根据电池寿命预测的计算公式，得到目标电池寿命预测数据。这些数据通常包括电池的寿命预测值、预测的失效时间、以及可能出现的承载能力下降曲线等。
例如，在对一块动力电池进行寿命预测时。首先，根据电池状态数据，提取出多个第一特征点和多个第二特征点，并据此构建目标电池的电池状态矩阵。接着，利用预置的充放电生命周期预测模型，得到电池的充电生命周期预测曲线和放电生命周期预测曲线。然后，根据充放电生命周期预测曲线，计算出电池在未来的充放电周期内所能承受的最大充放电功率，以及电池在不同充放电周期内所消耗掉的寿命。根据这些数据，可以预测动力电池的寿命及其失效时间，以及可能出现的承载能力下降曲线等。最终，得到目标电池的寿命预测数据，用于电池管理和维护工作。
本发明实施例中，根据目标电压数据和目标电流数据构建第一状态参数分布图以及根据目标温度数据和目标电量数据构建第二状态参数分布图；提取第一状态参数分布图中的多个第一特征点以及提取第二状态参数分布图中的多个第二特征点；根据多个第一特征点以及多个第二特征点构建电池状态矩阵；将电池状态矩阵输入充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线，对目标电池进行电池寿命预测，得到目标电池寿命预测数据，本发明能够准确地预测电池的剩余寿命，从而避免因电池亏损导致的电量不足、功率下降的问题，提高电池使用效率，通过预测电池的寿命，及时对电池进行充电和更换，避免电池因使用超时造成的损坏，降低电池的维修成本，还能够及时发现电池的剩余容量，从而避免电池过度充电或过度放电的问题，提高电池的安全可靠性，进而实现了智能化的电池状态监控，并且提高了电池寿命预测的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取待预测目标电池的电池状态数据，并对电池状态数据进行电池使用场景分类，得到电池充电状态数据以及电池放电状态数据；
（2）按照预设的参数属性，对电池充电状态数据进行参数提取，得到第一电压数据、第一电流数据、第一温度数据以及第一电量数据；
（3）根据参数属性，对电池放电状态数据进行参数提取，得到第二电压数据、第二电流数据、第二温度数据以及第二电量数据；
（4）对第一电压数据和第二电压数据进行数据融合，得到目标电压数据，以及对第一电流数据和第二电流数据进行数据融合，得到目标电流数据，以及对第一温度数据和第二温度数据进行数据融合，得到目标温度数据，以及对第一电量数据和第二电量数据进行数据融合，得到目标电量数据。
具体的，服务器电池状态数据是指电池在不同使用场景下的状态变量，如电压、电流、温度、电量等。为了获取目标电池的状态数据，需要使用各种电池传感器或监控设备，对目标电池进行数据采集。这些数据采集器通常会每隔一定时间采样一次，将采集到的数据存储在数据库中。为了区分不同的电池使用场景，对电池状态数据进行场景分类。常见的分类方法包括基于充电状态分类、基于放电状态分类、以及基于混合状态分类等。通过分类，可以更好地了解电池的使用情况和需求。根据电池使用场景分类的结果，分别提取电池充电状态数据和电池放电状态数据。电池充电状态数据表示电池在充电时的状态和特性，包括电压、电流、温度、电量等；电池放电状态数据则表示电池在放电时的状态和特性，与充电状态数据类似，也包括电压、电流、温度、电量等。根据预设的参数属性，对电池充电状态数据进行参数提取。这些参数通常包括第一电压数据、第一电流数据、第一温度数据以及第一电量数据。例如，第一电压数据可能反映电池的核心工作电压，第一电流数据可能反映电池的充放电性能，第一温度数据可能反映电池的温度范围，第一电量数据可能反映电池可用能量。
例如：使用传感器和监控设备，对待预测目标电池进行数据采集，并将采集的数据存储在数据库中。根据采样数据，对电池状态数据进行了电池使用场景分类，确定该电池处于充电状态。然后，提取电池充电状态数据，如电压、电流、温度、电量等，并按照预设的参数属性，对电池充电状态数据进行了参数提取，得到了第一电压数据、第一电流数据、第一温度数据以及第一电量数据。通过对电池状态数据采集和参数提取，可以全面地了解目标电池的工作状态和特性。
进一步的，根据预设参数属性，对电池放电状态数据进行参数提取，得到第二电压数据、第二电流数据、第二温度数据以及第二电量数据。这些参数反映了电池在放电状态下的性能和特点，如平均电压、平均电流、平均温度以及电池可用能量等。根据第一电压数据和第二电压数据，可以进行数据融合，得到目标电压数据。数据融合可以采用不同的方法，如简单加权平均法、基于贝叶斯网络的融合法等。融合后得到的数据能够更准确地反映电池的实际电压情况。同样地，根据第一电流数据和第二电流数据，进行数据融合，得到目标电流数据。数据融合的方法可以与电压数据融合类似，根据实际情况选择较为适用的方法。对第一温度数据和第二温度数据进行数据融合，得到目标温度数据。同样地，数据融合方法可以选择不同的方式，得到准确的数据融合结果。对第一电量数据和第二电量数据进行数据融合，得到目标电量数据。数据融合的方法可以选用简单加权平均法等。
例如：根据预设的参数属性，对电池放电状态数据进行参数提取，得到第二电压数据、第二电流数据、第二温度数据以及第二电量数据。然后，将第一电压数据和第二电压数据进行数据融合，得到目标电压数据；将第一电流数据和第二电流数据进行数据融合，得到目标电流数据；将第一温度数据和第二温度数据进行数据融合，得到目标温度数据；将第一电量数据和第二电量数据进行数据融合，得到目标电量数据。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、获取目标电压数据的多个第一数据点，以及获取目标电流数据的多个第二数据点；
S202、分别对多个第一数据点以及多个第二数据点进行数据点排序，得到第一数据点序列以及第二数据点序列；
S203、对第一数据点序列以及第二数据点序列进行状态参数分布映射，得到目标电池的第一状态参数分布图；
S204、获取目标温度数据的多个第三数据点，以及获取目标电量数据的多个第四数据点；
S205、分别对多个第三数据点以及多个第四数据点进行数据点排序，得到第三数据点序列以及第四数据点序列；
S206、对第三数据点序列以及第四数据点序列进行状态参数分布映射，得到目标电池的第二状态参数分布图。
需要说明的是，在实际应用中，常常对电池的特性进行多个数据点的采样和测试，以获取满足具体需求的数据样本。为此，需要针对目标电压数据和目标电流数据，进行多个采样和测试，得到多个数据点。分别对多个第一数据点以及多个第二数据点进行数据点排序，得到第一数据点序列以及第二数据点序列在获取多个数据点的基础上，将它们进行排序，以构建更准确的数据序列。对于目标电压数据的多个第一数据点，可以按照电压值从小到大进行排序；对于目标电流数据的多个第二数据点，可以按照电流值从小到大进行排序。排序完成后，将得到第一数据点序列和第二数据点序列，它们分别反映了目标电压数据和目标电流数据的实际变化情况。例如：首先对待测试的电池进行多个数据点的采样和测试，得到了目标电压数据的多个第一数据点和目标电流数据的多个第二数据点。然后，按照电压值从小到大，对目标电压数据的多个第一数据点进行排序，得到了第一数据点序列；同时，按照电流值从小到大，对目标电流数据的多个第二数据点进行排序，得到了第二数据点序列。
进一步的，状态参数分布映射是指将数据根据变量选项进行分类，并将分数映射到一个二维平面，其中每个像素代表特定变量的条件分布。对于目标电压数据的第一数据点序列和目标电流数据的第二数据点序列，将它们进行状态参数分布映射，得到目标电池的第一状态参数分布图。这张图中可以清晰地看到电池的状态参数的分布情况，例如数据点集中在哪些区域，哪些区域的数据相对稀疏等。对于目标电池的温度和电量数据，同样需要进行多次数据点的采集和测试，以获取多个数据点。这些数据点反映了电池在不同的温度和电量下的特性和属性。例如：首先使用电池传感器累积大量的电压和电流数据点，并按照前文所述的方式进行排序和状态参数分布映射，得到目标电池的第一状态参数分布图。然后，对电池进行多个温度和电量数据点的采集和测试，分别得到目标温度数据的多个第三数据点和目标电量数据的多个第四数据点。
最终，与目标电压数据和目标电流数据类似，对于目标温度数据的多个第三数据点和目标电量数据的多个第四数据点，同样需要进行排序，以构建准确的数据序列。对于温度数据，可以按从小到大的顺序排列；对于电量数据，可以按从大到小的顺序排列。这样，就得到了第三数据点序列和第四数据点序列，分别反映了目标温度数据和目标电量数据的实际变化情况。针对第三数据点序列和第四数据点序列，同样可以进行状态参数分布映射，得到目标电池的第二状态参数分布图。可以反映了温度和电量数据的状态分布情况，为电池管理和维护提供了重要的信息。
例如：对电池进行多个温度和电量数据点的采集和测试，分别得到了目标温度数据的多个第三数据点和目标电量数据的多个第四数据点，并按照前文所述的方式进行排序，得到了第三数据点序列和第四数据点序列。然后，对这两个序列进行状态参数分布映射，得到了目标电池的第二状态参数分布图，以反映电池的温度和电量数据的状态分布情况。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、计算第一状态参数分布图的第一标准偏差，并提取第一状态参数分布图中的多个第一分布点；
S302、分别计算多个第一分布点的斜率值，得到每个第一分布点的第一斜率值，并对第一斜率值和第一标准偏差进行比较；
S303、将第一斜率值大于第一标准偏差的第一分布点作为特征点，得到多个第一特征点；
S304、计算第二状态参数分布图的第二标准偏差，并提取第二状态参数分布图中的多个第二分布点；
S305、分别计算多个第二分布点的斜率值，得到每个第二分布点的第二斜率值，并对第二斜率值和第二标准偏差进行比较；
S306、将第二斜率值大于第二标准偏差的第二分布点作为特征点，得到多个第二特征点。
具体的，服务器第一状态参数分布图是指数据点的状态分布情况，而标准偏差是用来衡量数据集中程度的一种方法。因此，要计算第一状态参数分布图的第一标准偏差，首先对第一状态参数分布图进行统计分析，并得到高斯分布的标准偏差值。然后，从第一状态参数分布图中提取多个第一分布点，这些点代表了状态参数分布图的峰值。对于提取的多个第一分布点，通过计算斜率值来求解它们的变化率。通过计算每个第一分布点的斜率值，得到一个第一斜率值的集合。然后，将每个第一斜率值与第一状态参数分布图的第一标准偏差进行比较。如果第一斜率值小于等于第一标准偏差，说明数据点具有很好的稳定性和重复性；如果第一斜率值大于第一标准偏差，则说明数据点存在一定程度的变化和不稳定性。例如：通过状态参数分布映射得到电池的第一状态参数分布图，并计算其第一标准偏差。然后，提取多个第一分布点，并对它们进行斜率值的计算。通过与第一标准偏差进行比较，得到各个数据点的稳定性和重复性水平。最后，可以根据这些数据，对电池的整体健康状态进行判断和评估，以便进行下一步的管理和维护。对于那些斜率值大于第一标准偏差的第一分布点，将它们作为特征点。这些特征点通常代表状态参数分布图中的异常数据点或可能出现故障的数据点。对于提取的多个第一特征点，通过与第二状态参数分布图进行相关性分析，得到有用的信息。首先，对第二状态参数分布图进行统计分析，并计算出高斯分布的第二标准偏差。然后，在第二状态参数分布图中提取多个第二分布点，这些点反映了状态参数分布图的峰值和异常情况。例如：先根据第一状态参数分布图得到斜率值和标准偏差。然后，确定那些具有很好稳定性和重复性的第一分布点，并将第一斜率值大于第一标准偏差的第一分布点作为特征点。进而，对电池的第二状态参数进行统计分析，以计算第二标准偏差。最后，在第二状态参数分布图中提取多个第二分布点，以反映状态参数分布图的峰值和异常情况。
最终，多个第二分布点反映了状态参数分布图的峰值和异常情况。进而计算每个第二分布点的斜率值，得到一个第二斜率值的集合。通过计算第二分布点的斜率值，可以了解状态参数分布图的变化率和趋势。通过与第二状态参数分布图进行相关性分析，可以了解状态参数分布图中的异常点和趋势。针对第二斜率值和第二标准偏差，如果第二斜率值大于第二标准偏差，则将第二分布点作为特征点。这些特征点通常反映了状态参数分布图中的异常情况或可能出现故障的数据点。例如：在之前的步骤中，提取第二状态参数分布图中的多个第二分布点和第二斜率值。现在，将它们进行比较，以了解它们是否具有稳定性和重复性。如果第二斜率值小于等于第二标准偏差，说明数据点具有很好的稳定性和重复性；如果第二斜率值大于第二标准偏差，则说明数据点存在一定程度的变化和不稳定性。对于那些斜率值大于第二标准偏差的第二分布点，将它们作为特征点，反映了状态参数分布图中的异常情况和可能出现故障的数据点。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、对多个第一特征点进行坐标数据提取，得到每个第一特征点的第一横坐标数据以及第一纵坐标数据；
S402、对第一横坐标数据以及第一纵坐标数据进行矩阵转换，得到第一状态矩阵；
S403、对多个第二特征点进行坐标数据提取，得到每个第二特征点的第二横坐标数据以及第二纵坐标数据；
S404、对第二横坐标数据以及第二纵坐标数据进行矩阵转换，得到第二状态矩阵；
S405、对第一状态矩阵以及第二状态矩阵进行矩阵拼接，得到目标电池的电池状态矩阵。
具体的，服务器对这些特征点进行坐标数据提取，得到每个特征点的坐标信息。具体的，需要提取每个特征点的第一横坐标数据和第一纵坐标数据。对于得到的第一横坐标数据和第一纵坐标数据，通过矩阵转换的方式，将它们转换为状态矩阵。具体的，将第一横坐标数据和第一纵坐标数据按顺序组成一个矩阵，然后进行矩阵转换，得到第一状态矩阵。
其次，对第二特征点进行坐标数据提取，得到每个特征点的第二横坐标数据和第二纵坐标数据。对于得到的第二横坐标数据和第二纵坐标数据，通过矩阵转换的方式，将它们转换为状态矩阵。同样的，将第二横坐标数据和第二纵坐标数据按顺序组成一个矩阵，然后进行矩阵转换，得到第二状态矩阵。这个矩阵可以反映第二特征点之间的相互关系和状态变化情况。获得了第一状态矩阵和第二状态矩阵之后，将它们进行矩阵拼接，得到目标电池的电池状态矩阵。具体的，将第一状态矩阵和第二状态矩阵按列进行拼接，即将第二状态矩阵的每一列数据接在第一状态矩阵的后面，得到一张更大的矩阵，该矩阵反映了目标电池的状态变化情况和特征点之间的相互关系。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）将电池状态矩阵输入预置的充放电生命周期预测模型，其中，充放电生命周期预测模型包括：双向长短时记忆网络、第一编解码网络以及第二编解码网络；
（2）通过双向长短时记忆网络对电池状态矩阵进行矩阵特征提取，得到目标特征矩阵；
（3）将目标特征矩阵输入第一编解码网络进行充电生命周期预测，得到充电生命周期预测数据集；
（4）将目标特征矩阵输入第二编解码网络进行放电生命周期预测，得到放电生命周期预测数据集；
（5）对充电生命周期预测数据集进行曲线映射，得到充电生命周期预测曲线，以及对放电生命周期预测数据集进行曲线映射，得到放电生命周期预测曲线。
具体的，充放电生命周期预测模型是一种机器学习模型，用于预测电池的充放电过程、剩余寿命等信息。该模型需要输入电池的状态矩阵，以便对电池的行为进行跟踪和预测。因此，将电池状态矩阵输入到充放电生命周期预测模型中进行处理。充放电生命周期预测模型包括：双向长短时记忆网络、第一编解码网络以及第二编解码网络充放电生命周期预测模型是一个由三个子模型组成的混合模型，包括：双向长短时记忆网络（Bi-LSTM）：用于提取矩阵中的特征。Bi-LSTM具有一定的记忆能力，能够在长期依赖问题上表现出色。通过使用Bi-LSTM对矩阵进行特征提取，可以更好地捕捉电池状态的动态变化信息。第一编解码网络（AE1）：用于学习状态矩阵的低维表示。通过将电池状态矩阵压缩为低维表示，可以更好地实现充放电生命周期的预测和跟踪。第二编解码网络（AE2）：用于学习预测电池的剩余寿命。通过学习电池状态的演化历程，可以更准确地预测电池的剩余寿命，并在必要时进行充电和放电操作，以延长电池的寿命。在充放电生命周期预测模型中，使用双向长短时记忆网络（Bi-LSTM）对电池状态矩阵进行特征提取。Bi-LSTM能够在连续时间序列数据中捕捉长期依赖关系，从而提高模型的准确性。通过将电池状态矩阵输入Bi-LSTM模型，可以提取出每个时间步长的特征，最终得到目标特征矩阵。
需要说明的是，第一编解码网络是一个自编码器模型，用于学习状态矩阵的低维表示。在充电周期预测中，将目标特征矩阵输入到第一编解码网络中，以便学习状态矩阵的低维表示。在预测充电周期时，通过学习到的低维特征，输入到一些分类模型中，例如决策树或支持向量机等，得到充电周期预测结果，形成充电周期预测数据集。类似地，对于放电周期预测，将目标特征矩阵输入到第二编解码网络中，以学习其低维表示。在预测放电周期时，同样通过学习到的低维特征作为输入，进行分类模型，得到放电周期预测结果，形成放电周期预测数据集。在得出充电和放电周期预测数据集后，可以对它们进行曲线映射，并将曲线映射的结果用作充电和放电周期曲线的预测值。
例如，在一段时间内对一个锂离子电池进行状态跟踪，得到了一些特征矩阵。将这些特征矩阵输入到具有Bi-LSTM、AE1和AE2等组成的充放电生命周期预测模型中，可以学习到该电池的充电和放电周期信息。在预测充电周期时，将学习到的低维特征向量输入决策树中，并生成充电周期预测数据集。对于放电周期预测，使用类似的方式生成放电周期预测数据集。最后，可以对充电和放电周期预测数据集进行曲线映射，得到实际的充电和放电周期的预测曲线。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）根据充电生命周期预测曲线以及放电生命周期预测曲线对目标电池进行剩余容量计算，得到剩余容量数据；
（2）获取目标电池的额定容量数据，并根据额定容量数据和剩余容量数据计算目标电池的剩余容量百分比；
（3）根据剩余容量百分比构建目标电池的容量衰减曲线，并根据容量衰减曲线生成目标电池寿命预测数据。
具体的，对目标电池进行剩余容量计算。具体的，可以将预测曲线上每个时刻的容量值相加，并将它们与目标电池的额定容量比较，以获得其剩余容量数据。为了计算目标电池的剩余容量百分比，需要获取目标电池的额定容量数据。额定容量是指电池在出厂时具有的容量，通常以安时为单位。在计算剩余容量百分比时，将目标电池的剩余容量除以其额定容量，并将结果乘以100。这将给出目标电池剩余容量的百分比。容量衰减是指随着时间和使用，电池的容量会逐渐降低。为了预测目标电池的寿命，需要使用容量衰减曲线。容量衰减曲线可以根据电池的历史充放电周期数据或实验测量数据进行构建，还可以使用机器学习技术进行预测。一旦容量衰减曲线建立，就可以使用当前剩余容量百分比预测目标电池的寿命。根据容量衰减曲线生成的寿命预测数据可以帮助预测电池寿命。例如：假设有一块额定容量为1 kWh，已经使用了1年的锂离子电池。使用上述步骤构建了其充电周期预测曲线和放电周期预测曲线，并计算出了其剩余容量。还可以计算该电池的剩余容量百分比，例如，假设剩余容量为0.8 kWh，则该电池的剩余容量百分比为80%。
上面对本发明实施例中基于BMS电池管理系统的电池寿命预测方法进行了描述，下面对本发明实施例中基于BMS电池管理系统的电池寿命预测装置进行描述，请参阅图5，本发明实施例中基于BMS电池管理系统的电池寿命预测装置一个实施例包括：
获取模块501，用于获取待预测目标电池的电池状态数据，并对所述电池状态数据进行参数分类，得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据；
构建模块502，用于根据所述目标电压数据和所述目标电流数据构建所述目标电池的第一状态参数分布图，以及根据所述目标温度数据和所述目标电量数据构建所述目标电池的第二状态参数分布图；
提取模块503，用于提取所述第一状态参数分布图中的多个第一特征点，以及提取所述第二状态参数分布图中的多个第二特征点；
处理模块504，用于根据所述多个第一特征点以及所述多个第二特征点构建所述目标电池的电池状态矩阵；
预测模块505，用于将所述电池状态矩阵输入预置的充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线；
输出模块506，用于根据所述充电生命周期预测曲线以及所述放电生命周期预测曲线，对所述目标电池进行电池寿命预测，得到目标电池寿命预测数据。
通过上述各个组成部分的协同合作，根据目标电压数据和目标电流数据构建第一状态参数分布图以及根据目标温度数据和目标电量数据构建第二状态参数分布图；提取第一状态参数分布图中的多个第一特征点以及提取第二状态参数分布图中的多个第二特征点；根据多个第一特征点以及多个第二特征点构建电池状态矩阵；将电池状态矩阵输入充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线，对目标电池进行电池寿命预测，得到目标电池寿命预测数据，本发明能够准确地预测电池的剩余寿命，从而避免因电池亏损导致的电量不足、功率下降的问题，提高电池使用效率，通过预测电池的寿命，及时对电池进行充电和更换，避免电池因使用超时造成的损坏，降低电池的维修成本，还能够及时发现电池的剩余容量，从而避免电池过度充电或过度放电的问题，提高电池的安全可靠性，进而实现了智能化的电池状态监控，并且提高了电池寿命预测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于BMS电池管理系统的电池寿命预测装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于BMS电池管理系统的电池寿命预测设备进行详细描述。
图6是本发明实施例提供的一种基于BMS电池管理系统的电池寿命预测设备的结构示意图，该基于BMS电池管理系统的电池寿命预测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于BMS电池管理系统的电池寿命预测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于BMS电池管理系统的电池寿命预测设备600上执行存储介质630中的一系列指令操作。
基于BMS电池管理系统的电池寿命预测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OSX，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于BMS电池管理系统的电池寿命预测设备结构并不构成对基于BMS电池管理系统的电池寿命预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于BMS电池管理系统的电池寿命预测设备，所述基于BMS电池管理系统的电池寿命预测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于BMS电池管理系统的电池寿命预测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于BMS电池管理系统的电池寿命预测方法的步骤。
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。
所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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全部或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）执行本发明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-only memory，ROM）、随机存取存储器（randomacceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于BMS电池管理系统的电池寿命预测方法，其特征在于，所述方法包括：
获取待预测目标电池的电池状态数据，并对所述电池状态数据进行参数分类，得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据；
根据所述目标电压数据和所述目标电流数据构建所述目标电池的第一状态参数分布图，以及根据所述目标温度数据和所述目标电量数据构建所述目标电池的第二状态参数分布图；
提取所述第一状态参数分布图中的多个第一特征点，以及提取所述第二状态参数分布图中的多个第二特征点；
根据所述多个第一特征点以及所述多个第二特征点构建所述目标电池的电池状态矩阵；
将所述电池状态矩阵输入预置的充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线；
根据所述充电生命周期预测曲线以及所述放电生命周期预测曲线，对所述目标电池进行电池寿命预测，得到目标电池寿命预测数据。
2.根据权利要求1所述的基于BMS电池管理系统的电池寿命预测方法，其特征在于，所述获取待预测目标电池的电池状态数据，并对所述电池状态数据进行参数分类，得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据，包括：
获取待预测目标电池的电池状态数据，并对所述电池状态数据进行电池使用场景分类，得到电池充电状态数据以及电池放电状态数据；
按照预设的参数属性，对所述电池充电状态数据进行参数提取，得到第一电压数据、第一电流数据、第一温度数据以及第一电量数据；
根据所述参数属性，对所述电池放电状态数据进行参数提取，得到第二电压数据、第二电流数据、第二温度数据以及第二电量数据；
对所述第一电压数据和所述第二电压数据进行数据融合，得到目标电压数据，以及对所述第一电流数据和所述第二电流数据进行数据融合，得到目标电流数据，以及对所述第一温度数据和所述第二温度数据进行数据融合，得到目标温度数据，以及对所述第一电量数据和所述第二电量数据进行数据融合，得到目标电量数据。
3.根据权利要求1所述的基于BMS电池管理系统的电池寿命预测方法，其特征在于，所述根据所述目标电压数据和所述目标电流数据构建所述目标电池的第一状态参数分布图，以及根据所述目标温度数据和所述目标电量数据构建所述目标电池的第二状态参数分布图，包括：
获取所述目标电压数据的多个第一数据点，以及获取所述目标电流数据的多个第二数据点；
分别对所述多个第一数据点以及所述多个第二数据点进行数据点排序，得到第一数据点序列以及第二数据点序列；
对所述第一数据点序列以及所述第二数据点序列进行状态参数分布映射，得到所述目标电池的第一状态参数分布图；
获取所述目标温度数据的多个第三数据点，以及获取所述目标电量数据的多个第四数据点；
分别对所述多个第三数据点以及所述多个第四数据点进行数据点排序，得到第三数据点序列以及第四数据点序列；
对所述第三数据点序列以及所述第四数据点序列进行状态参数分布映射，得到所述目标电池的第二状态参数分布图。
4.根据权利要求1所述的基于BMS电池管理系统的电池寿命预测方法，其特征在于，所述提取所述第一状态参数分布图中的多个第一特征点，以及提取所述第二状态参数分布图中的多个第二特征点，包括：
计算所述第一状态参数分布图的第一标准偏差，并提取所述第一状态参数分布图中的多个第一分布点；
分别计算所述多个第一分布点的斜率值，得到每个第一分布点的第一斜率值，并对所述第一斜率值和所述第一标准偏差进行比较；
将所述第一斜率值大于所述第一标准偏差的第一分布点作为特征点，得到多个第一特征点；
计算所述第二状态参数分布图的第二标准偏差，并提取所述第二状态参数分布图中的多个第二分布点；
分别计算所述多个第二分布点的斜率值，得到每个第二分布点的第二斜率值，并对所述第二斜率值和所述第二标准偏差进行比较；
将所述第二斜率值大于所述第二标准偏差的第二分布点作为特征点，得到多个第二特征点。
5.根据权利要求1所述的基于BMS电池管理系统的电池寿命预测方法，其特征在于，所述根据所述多个第一特征点以及所述多个第二特征点构建所述目标电池的电池状态矩阵，包括：
对所述多个第一特征点进行坐标数据提取，得到每个第一特征点的第一横坐标数据以及第一纵坐标数据；
对所述第一横坐标数据以及所述第一纵坐标数据进行矩阵转换，得到第一状态矩阵；
对所述多个第二特征点进行坐标数据提取，得到每个第二特征点的第二横坐标数据以及第二纵坐标数据；
对所述第二横坐标数据以及所述第二纵坐标数据进行矩阵转换，得到第二状态矩阵；
对所述第一状态矩阵以及所述第二状态矩阵进行矩阵拼接，得到所述目标电池的电池状态矩阵。
6.根据权利要求1所述的基于BMS电池管理系统的电池寿命预测方法，其特征在于，所述将所述电池状态矩阵输入预置的充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线，包括：
将所述电池状态矩阵输入预置的充放电生命周期预测模型，其中，所述充放电生命周期预测模型包括：双向长短时记忆网络、第一编解码网络以及第二编解码网络；
通过所述双向长短时记忆网络对所述电池状态矩阵进行矩阵特征提取，得到目标特征矩阵；
将所述目标特征矩阵输入所述第一编解码网络进行充电生命周期预测，得到充电生命周期预测数据集；
将所述目标特征矩阵输入所述第二编解码网络进行放电生命周期预测，得到放电生命周期预测数据集；
对所述充电生命周期预测数据集进行曲线映射，得到充电生命周期预测曲线，以及对所述放电生命周期预测数据集进行曲线映射，得到放电生命周期预测曲线。
7.根据权利要求1所述的基于BMS电池管理系统的电池寿命预测方法，其特征在于，所述根据所述充电生命周期预测曲线以及所述放电生命周期预测曲线，对所述目标电池进行电池寿命预测，得到目标电池寿命预测数据，包括：
根据所述充电生命周期预测曲线以及所述放电生命周期预测曲线对所述目标电池进行剩余容量计算，得到剩余容量数据；
获取所述目标电池的额定容量数据，并根据所述额定容量数据和所述剩余容量数据计算所述目标电池的剩余容量百分比；
根据所述剩余容量百分比构建所述目标电池的容量衰减曲线，并根据所述容量衰减曲线生成目标电池寿命预测数据。
8.一种基于BMS电池管理系统的电池寿命预测装置，其特征在于，所述装置包括：
获取模块，用于获取待预测目标电池的电池状态数据，并对所述电池状态数据进行参数分类，得到目标电压数据、目标电流数据、目标温度数据以及目标电量数据；
构建模块，用于根据所述目标电压数据和所述目标电流数据构建所述目标电池的第一状态参数分布图，以及根据所述目标温度数据和所述目标电量数据构建所述目标电池的第二状态参数分布图；
提取模块，用于提取所述第一状态参数分布图中的多个第一特征点，以及提取所述第二状态参数分布图中的多个第二特征点；
处理模块，用于根据所述多个第一特征点以及所述多个第二特征点构建所述目标电池的电池状态矩阵；
预测模块，用于将所述电池状态矩阵输入预置的充放电生命周期预测模型进行充放电生命周期预测，得到充电生命周期预测曲线以及放电生命周期预测曲线；
输出模块，用于根据所述充电生命周期预测曲线以及所述放电生命周期预测曲线，对所述目标电池进行电池寿命预测，得到目标电池寿命预测数据。
9.一种基于BMS电池管理系统的电池寿命预测设备，其特征在于，所述基于BMS电池管理系统的电池寿命预测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于BMS电池管理系统的电池寿命预测设备执行如权利要求1-7中任一项所述的基于BMS电池管理系统的电池寿命预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于BMS电池管理系统的电池寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310934815.6A CN116660759B (zh) | 2023-07-28 | 2023-07-28 | 基于bms电池管理系统的电池寿命预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310934815.6A CN116660759B (zh) | 2023-07-28 | 2023-07-28 | 基于bms电池管理系统的电池寿命预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116660759A true CN116660759A (zh) | 2023-08-29 |
| CN116660759B CN116660759B (zh) | 2023-09-26 |
Family
ID=87712159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310934815.6A Active CN116660759B (zh) | 2023-07-28 | 2023-07-28 | 基于bms电池管理系统的电池寿命预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116660759B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117289168A (zh) * | 2023-09-19 | 2023-12-26 | 北京翼新数智科技有限公司 | 基于传感器数据和智能算法的产品质量监测系统 |
| CN117318053A (zh) * | 2023-11-28 | 2023-12-29 | 广州宝云信息科技有限公司 | 用于储能电站的能源需求预测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI597510B (zh) * | 2016-12-23 | 2017-09-01 | Chen Tech Electric Mfg Co Ltd | Battery Life Cycle Prediction System and Method |
| CN109031145A (zh) * | 2018-08-10 | 2018-12-18 | 山东大学 | 一种考虑不一致性的串并联电池组模型及实现方法 |
| KR20200119383A (ko) * | 2019-03-26 | 2020-10-20 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
| CN113109715A (zh) * | 2021-03-29 | 2021-07-13 | 东华大学 | 基于特征选择和支持向量回归的电池健康状况预测方法 |
| CN114167284A (zh) * | 2021-11-02 | 2022-03-11 | 江苏博强新能源科技股份有限公司 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
| CN114779092A (zh) * | 2022-04-29 | 2022-07-22 | 东风商用车有限公司 | 一种基于车辆电池健康度预测电池寿命的方法及系统 |
| CN114814592A (zh) * | 2022-03-14 | 2022-07-29 | 湖北工业大学 | 锂电池健康状态估计与剩余使用寿命预测方法及设备 |
| CN115453400A (zh) * | 2022-09-30 | 2022-12-09 | 华南理工大学 | 车载动力电池健康度评估方法、系统及介质 |
| CN115656857A (zh) * | 2022-09-15 | 2023-01-31 | 广州大学 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
| CN115877243A (zh) * | 2021-09-30 | 2023-03-31 | 本田技研工业株式会社 | 蓄电池劣化推定装置、系统及方法、以及存储介质 |
-
2023
- 2023-07-28 CN CN202310934815.6A patent/CN116660759B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI597510B (zh) * | 2016-12-23 | 2017-09-01 | Chen Tech Electric Mfg Co Ltd | Battery Life Cycle Prediction System and Method |
| CN109031145A (zh) * | 2018-08-10 | 2018-12-18 | 山东大学 | 一种考虑不一致性的串并联电池组模型及实现方法 |
| KR20200119383A (ko) * | 2019-03-26 | 2020-10-20 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
| CN113109715A (zh) * | 2021-03-29 | 2021-07-13 | 东华大学 | 基于特征选择和支持向量回归的电池健康状况预测方法 |
| CN115877243A (zh) * | 2021-09-30 | 2023-03-31 | 本田技研工业株式会社 | 蓄电池劣化推定装置、系统及方法、以及存储介质 |
| CN114167284A (zh) * | 2021-11-02 | 2022-03-11 | 江苏博强新能源科技股份有限公司 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
| CN114814592A (zh) * | 2022-03-14 | 2022-07-29 | 湖北工业大学 | 锂电池健康状态估计与剩余使用寿命预测方法及设备 |
| CN114779092A (zh) * | 2022-04-29 | 2022-07-22 | 东风商用车有限公司 | 一种基于车辆电池健康度预测电池寿命的方法及系统 |
| CN115656857A (zh) * | 2022-09-15 | 2023-01-31 | 广州大学 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
| CN115453400A (zh) * | 2022-09-30 | 2022-12-09 | 华南理工大学 | 车载动力电池健康度评估方法、系统及介质 |
Non-Patent Citations (2)
| Title |
|---|
| ABDELILAH HAMMOU ET AL.: "Battery Condition Prognostic System using IoT in Smart Microgrids", 《 2018 3RD INTERNATIONAL CONFERENCE ON INTERNET OF THINGS: SMART INNOVATION AND USAGES (IOT-SIU)》, pages 1 - 6 * |
| 胡杰 等: "基于实车数据的电动汽车电池剩余使用寿命预测", 《交通运输系统工程与信息》, vol. 22, no. 01, pages 292 - 300 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117289168A (zh) * | 2023-09-19 | 2023-12-26 | 北京翼新数智科技有限公司 | 基于传感器数据和智能算法的产品质量监测系统 |
| CN117318053A (zh) * | 2023-11-28 | 2023-12-29 | 广州宝云信息科技有限公司 | 用于储能电站的能源需求预测方法及系统 |
| CN117318053B (zh) * | 2023-11-28 | 2024-03-19 | 广州宝云信息科技有限公司 | 用于储能电站的能源需求预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116660759B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
| CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
| CN112630662B (zh) | 一种基于数据驱动及多参数融合的动力电池soh估算方法 | |
| CN116502112B (zh) | 一种新能源电源测试数据管理方法及系统 | |
| CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN115902646B (zh) | 一种储能电池故障识别方法及系统 | |
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| CN112816881B (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
| CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
| CN116754984A (zh) | 一种电池一致性的检测方法及相关装置 | |
| Wang et al. | Dynamic early recognition of abnormal lithium-ion batteries before capacity drops using self-adaptive quantum clustering | |
| Wang et al. | Large-scale field data-based battery aging prediction driven by statistical features and machine learning | |
| Sohn et al. | CNN-based Online Diagnosis of Knee-point in Li-ion Battery Capacity Fade Curve | |
| CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
| CN116842464A (zh) | 一种电池系统soc估计方法 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| Sarin et al. | An Intelligent BMS With Probabilistic MO-GSA Based CDMAS Integrating Edge Controller Analytics | |
| CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
| CN116862209B (zh) | 一种新能源汽车充电设施管理方法及系统 | |
| CN110457833B (zh) | 一种用于电池安全与性能分析的数据构建方法 | |
| CN117893059A (zh) | 基于传感器的储能数据采集分析方法及系统 | |
| Zhu et al. | Prediction Method of Ohmic Resistance and Charge Transfer Resistance for Lithium-Ion Batteries Based on CSA-SVR |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |