CN116794519B - 基于离线和在线估算融合算法的soh数据预测方法 - Google Patents

Abstract

本发明涉及一种基于离线和在线估算融合算法的SOH数据预测方法，采集电池的离线数据和在线数据；将离线数据和在线数据进行滤波，得到第一卡尔曼线轨和第二卡尔曼线轨；通过第一卡尔曼线轨上的电池离线因子，标定出电池标准因子，将电池标准因子附加于第一卡尔曼线轨上，通过比对，生成偏位阈值；将第二卡尔曼线轨交错在第一卡尔曼线轨上，融合校验模型基于偏位阈值确定出SOH预测因子；将SOH预测因子附加于第一卡尔曼线轨上，产生第三卡尔曼线轨；基于第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果；通过两组卡尔曼线轨，并通过设计特定的融合校验模型，将这两组数据有效地结合起来，实现更精准的电池SOH预测。

Description

基于离线和在线估算融合算法的SOH数据预测方法

技术领域

本发明涉及电池安全检测技术领域，特别涉及一种基于离线和在线估算融合算法的SOH数据预测方法。

背景技术

电池的健康状态 (State of Health, SOH) 是判断电池性能的一项重要指标。一系列传感器通常用于采集电池工作中的数据，如soc值（电池的剩余能量）、内阻值、温度值、电流值和电压值。当前存在的问题是，如何根据这些数据有效预测电池的SOH，特别是在不同的工作条件（如离线和在线）下。

在此背景之下，有研究者提出使用卡尔曼滤波算法处理这些数据。卡尔曼滤波能有效地处理带有噪声的数据，并对系统状态进行最优估计。然而，只使用卡尔曼滤波可能无法充分利用离线和在线数据中蕴含的信息，因为离线和在线数据分别反映了电池在不同工作条件下的状态，可能会有不同的特点。

发明内容

本发明的主要目的为提供一种基于离线和在线估算融合算法的SOH数据预测方法，利用卡尔曼滤波对离线和在线数据进行处理，得到两组卡尔曼线轨，并通过设计特定的融合校验模型，将这两组数据有效地结合起来，实现更精准的电池SOH预测。

为实现上述目的，本发明提供了一种基于离线和在线估算融合算法的SOH数据预测方法，包括以下步骤：

基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括有soc值、内阻值、温度值、电流值以及电压值；

采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；

通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；

将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；

将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨；

基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果。

进一步地，采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨的步骤，包括：

将离线数据和在线数据对应状态下的soc值、内阻值、温度值、电流值以及电压值进行分类；

基于所述的分类，采用各个值对应的创建离线线段和在线线段，并基于卡尔曼滤波器算法对各个值进行滤波计算，得到各个值对应的滤波线段；

将所述的各个值对应的滤波线段进行拼接，得到拼接各个离线线段的第一卡尔曼线轨、和各个在线状态下的第二卡尔曼线轨。

进一步地，通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子的步骤，包括：

基于所述第一卡尔曼线轨上各个离线线段所对应的状态值，确定出所述第一卡尔曼线轨上的各个电池离线因子；

通过所述的各个电池离线因子对应的因子类型，从所述数据库中匹配出与因子类型一一对应的电池标准因子，其中，所述电池标准因子与所述电池的种类对应。

进一步地，将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值的步骤，包括：

基于所述第一卡尔曼线轨上各个离线线段对应的因子类型，将所述电池标准因子附加于第一卡尔曼线轨对应的离线线段上；

比对所述电池离线因子与电池标准因子的参数，得到电池离线因子与电池标准因子的参数差异；

基于所述卡尔曼滤波器算法识别参数差异，以在所述第一卡尔曼线轨上生成与参数差异对应的偏位阈值。

进一步地，将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上的步骤，包括：

将一个预设时间周期下的第一卡尔曼线轨和第二卡尔曼线轨的占用量进行识别，对应识别出第一卡尔曼线轨和第二卡尔曼线轨的长度；

基于所述第二卡尔曼线轨的长度，对应等比调整所述第一卡尔曼线轨上的各个离线线段，得到长度相同的第一卡尔曼线轨和第二卡尔曼线轨的长度；

将所述的长度相同的第一卡尔曼线轨和第二卡尔曼线轨进行叠合。

进一步地，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子的步骤，包括：

采用所述融合校验模型识别第一卡尔曼线轨和第二卡尔曼线轨中的各个线段、以及线段对应的因子类型；

通过所述偏位阈值对所述第二卡尔曼线轨在第一卡尔曼线轨上进行偏位模拟，其中，所述偏位模拟为相同因子类型的线段条件下，第二卡尔曼线轨基于偏位阈值在第一卡尔曼线轨上进行偏位，得到一条新的第二卡尔曼线轨；

基于偏位前后的两项第二卡尔曼线轨，确定出各个在线线段上的前后偏移量并以SOH预测因子输出，所述前后偏移量包括振幅偏移量、节点偏移量和波长偏移量。

进一步地，将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨的步骤，包括：

基于所述第一卡尔曼线轨的线性参数信息，在相同的电压前提下，结合所述SOH预测因子得到第三卡尔曼线轨，其中，所述线性参数信息包括线性内阻量、线性soc荷电量以及线性温度量。

进一步地，基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果的步骤，包括：

将所述第三卡尔曼线轨置于下一个预设时间周期，且与所述第二卡尔曼线轨相接；

在相同的时刻下，识别所述第三卡尔曼线轨对应的振幅、波长、节点的线性信息；

通过将所述线性信息进行反向传播以及收敛匹配，推算出soc值、内阻值、温度值、电流值以及电压值在下一个预设时间周期的具体参数值，并以SOH预测结果输出。

本发明还提出一种基于离线和在线估算融合算法的SOH数据预测装置，包括以下单元：

采集单元，用于基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括有soc值、内阻值、温度值、电流值以及电压值；

滤波单元，用于采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；

比对单元，用于通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；

因子单元，用于将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；

推算单元，用于将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨；

预测单元，用于基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果。

本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述基于离线和在线估算融合算法的SOH数据预测方法的步骤。

本发明还提供一种计算机可读存储介质，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所述的基于离线和在线估算融合算法的SOH数据预测方法的步骤。

本发明提供的基于离线和在线估算融合算法的SOH数据预测方法，具有以下有益效果：

（1）增加预测准确性：通过结合离线和在线数据，将两种不同工作状态下的电池数据融入同一预测模型中，可以得到比单独使用某一种数据更精确的预测结果。这有助于提供更为准确的电池健康状态预测，从而指导电池的维护和更换。

（2）提升数据利用率：在以往的方法中，离线和在线数据通常只能分别进行处理，无法同时充分利用。通过结合卡尔曼滤波和特定的融合校验模型，实现了离线和在线数据的高效结合，提高了数据的利用率。

（3）扩展应用范围：能够处理两种不同工作状态下的电池数据，它具有更广泛的应用价值。无论是只能获得离线数据的场合，还是既有离线又有在线数据的场合，都能够应用。

（4）受益电池管理和生命周期优化：更精准的SOH预测能助力更好地管理电池资源，优化其使用效率和生命周期。对每次充电总数和使用年限做出准确预测，使得电池的维护和更换得以提前规划，从而避免由于电池性能下降导致的设备停机或损坏，降低维护成本。

附图说明

图1是本发明一实施例中基于离线和在线估算融合算法的SOH数据预测方法的流程示意图；

图2是本发明一实施例中基于离线和在线估算融合算法的SOH数据预测装置的结构框图；

图3是本发明一实施例的计算机设备的结构示意框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，一种基于离线和在线估算融合算法的SOH数据预测方法，包括以下步骤：

S1，基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括有soc值、内阻值、温度值、电流值以及电压值；

在S1中，在线数据是指电池在工作或充放电状态中实时采集的数据。这些数据反映了电池在实际工作负荷情况下的性能，如soc值（剩余电量百分比）、内阻值（电池内部阻力）、温度值（电池工作环境或内部的温度）、电流值（电池充放电时的电流），以及电压值（电池的电势差）等。离线数据则是指电池禁止输入或输出电流，即在禁用充放电的状态下采集的数据。这些数据能够反映电池在空闲状态下的基本属性，具有同样包括soc值、内阻值、温度值、电流值以及电压值的数据特征。在一个预设时间周期下，基于传感组件不断地采集电池的离线和在线数据，这两种数据共同为电池的健康状态和性能状况提供了全面和准确的视图。通过对这些数据的综合分析和处理，可以有效地预测电池的SOH（State of Health）、寿命以及其他重要的性能参数。

S2，采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；

在S2中，首先，使用卡尔曼滤波在离线状态下处理电池数据，即当电池禁止输入或输出电流的状态下处理数据。这些数据包括电池的soc值、内阻值、温度值、电流值以及电压值等。滤波后，能得到对应于电池离线状态的第一卡尔曼线轨。这个线轨相当于电池在离线状态下的表示，包含有各种参数值的变化趋势。其次，再利用卡尔曼滤波处理在线的电池数据，即在电池正常工作或充放电状态下进行的数据处理。依然是包括电池的soc值、内阻值、温度值、电流值和电压值等数据。这次滤波后得到的是对应于电池在线工作状态的第二卡尔曼线轨。这个线轨不仅包含各种参数的变化趋势，还反映出电池的实时在线工作状态，因此基于电池的实时在线工作具有对应的振幅。

S3，通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；

在S3中，首先从第一卡尔曼线轨（也就是离线数据经过卡尔曼滤波得到的线轨）提取出电池离线因子。电池离线因子是对电池离线状态的描述，它可能包含了电池的soc值、内阻值、温度值、电流值和电压值等参数，由电池在静止状态下的数据表现得出。随后，将这些电池离线因子与预设数据库中的电池标准因子进行匹配。电池标准因子是基于典型或标准电池条件下，预先设定和存储在数据库中的基准数据。这种匹配可以理解为一个查找和标定过程，即在数据库中查找与电池离线因子最匹配的电池标准因子。在找到匹配的电池标准因子后，将这个因子附加到第一卡尔曼线轨上，也就是说，现在的线轨上既有电池离线因子，也有对应的电池标准因子。然后，通过比对第一卡尔曼线轨携带的电池离线因子和电池标准因子，分析两者之间的差异。在电池离线因子和电池标准因子之间的比对基础上，在第一卡尔曼线轨上生成一个偏位阈值。

S4，将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；

在S4中，确定了第一卡尔曼线轨的偏位阈值之后，将在线的状态数据（即第二卡尔曼线轨，这个线轨与电池实时在线工作状态相关，具有对应的振幅）交错在第一卡尔曼线轨上。这个过程可以理解为将两种不同工作条件（离线和在线）下的电池数据进行结合，以获得更为全面和准确的电池状态信息。然后，引入一个预设的融合校验模型。这个融合校验模型的作用是基于预先设置的偏位阈值来确定第二卡尔曼线轨的偏位情况。也就是说，融合校验模型能够考虑到在线状态下电池数据的实时变化与离线状态下电池数据的基准差异，进一步确定电池在线状态下真实的状态偏差。这个定出的偏位信息，就是所说的SOH预测因子。SOH预测因子基于偏位阈值对电池的健康状况进行预测，是一个体现电池当前健康状况的关键参数。

在这个过程中，融合校验模型需要进行如下步骤：

输入数据：首先，融合校验模型接收到从卡尔曼滤波器得到的两个线轨，即第一卡尔曼线轨（代表电池的离线数据以及从离线数据中标定出的电池标准因子和偏位阈值）和第二卡尔曼线轨（具有振幅，代表电池的在线数据）。

数据融合：之后，模型将第二卡尔曼线轨交错在第一卡尔曼线轨上，从而将在线和离线的电池数据进行融合。这一步是为了让模型同时考虑电池的在线和离线状态。

确定偏位信息：基于预先设置的偏位阈值，融合校验模型将确定第二卡尔曼线轨的偏位信息。这一偏位信息可以理解为电池在实际在线工作状态中的偏离程度，反映电池当前健康状况与标准状况之间的差异。

预测SOH：模型进一步基于偏位信息确定SOH预测因子。这个因子就是电池的健康状况预测值，被附加在第一卡尔曼线轨上，并根据电池在线状态的振幅变动进行调整。

在完成上述过程后，能得到一条包含SOH预测因子以及对应振幅信息的第三卡尔曼线轨。这个线轨既能呈现电池离线状态的数据，也能反映电池在线状态的实时变化，还包括了电池的健康状况预测。因此，利用融合校验模型，可以更全面、准确地评估和预测电池的健康状况。

S5，将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨；

在S5中，在把SOH预测因子确定出来以后，将这个因子附加到第一卡尔曼线轨上。由于第一卡尔曼线轨原本是电池离线状态下产生的线轨，这个过程可以从某种程度上理解为将电池的离线和在线状况融合在一起。这个SOH预测因子在附加进第一卡尔曼线轨以后，由于电池在线状态下有对应的振幅（也就是电池在线状态下数据变化的幅度），会跟着这个振幅进行同步的变动。也就是说，SOH预测因子会受到在线电池状态的影响进行相应的变化。这种结合电池在线状态变化的SOH预测因子因此在第一卡尔曼线轨上产生了对应的振幅。它根据电池在线状态的振幅变化而变化，反映出电池的实时健康状态。在这个变化过程中，得到了一个新的线轨，这个线轨基于离线电池数据，同时考虑了电池在线时的动态变化和健康状况。

S6，基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果。

在S6中，在获得第三卡尔曼线轨之后，就拥有了一个包含了电池离线状态、在线状态以及健康状态预测（SOH预测因子）的综合数据表现。这个线轨不仅反映了电池当前的状态，也基于偏位信息和在线工作振幅预测了电池未来的健康状态。基于第三卡尔曼线轨，可以对下一个预设时间周期的电池健康状况进行预测。这个预设时间周期可以根据需要设定，比如预测电池接下来一分钟、一小时、一天、甚至更长时间段的健康状况。具体实施的过程是，先检查第三卡尔曼线轨当前的SOH预测因子以及相关的电池在线/离线状态数据，然后利用这些数据以及设置的时间周期，基于已知的电池性能劣化模型，可以对下一个预设时间周期的SOH进行预测。预测结果反映了电池未来一段时间的健康状况，这将不仅对于电池的管理和维护工作有重要指导意义，而且在更换电池、优化电池性能等方面结合实际需求，能为决策提供实时的数据支持。

在一个实施例中，采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨的步骤，包括：

将离线数据和在线数据对应状态下的soc值、内阻值、温度值、电流值以及电压值进行分类；

基于所述的分类，采用各个值对应的创建离线线段和在线线段，并基于卡尔曼滤波器算法对各个值进行滤波计算，得到各个值对应的滤波线段；

将所述的各个值对应的滤波线段进行拼接，得到拼接各个离线线段的第一卡尔曼线轨、和各个在线状态下的第二卡尔曼线轨。

在具体实施的过程中，数据分类：首先，需要将离线数据和在线数据对应状态下的soc值、内阻值、温度值、电流值以及电压值进行分类。这意味着需要根据其所处的条件（离线或在线）和类型（soc值、内阻值等）对这些数据进行排序和组织。创建线段并滤波：接下来，根据上述的分类，需要为每种类型的值和状态创建一个离线线段和在线线段。这意味着将有一条离线 soc 值线段，一条离线内阻值线段等，同样也会有在线的 soc 值线段，在线的内阻值线段等。之后，对于每条线段，都会使用卡尔曼滤波器算法对它进行滤波计算，以减少噪声影响并平滑数据，得到滤波后的线段。拼接线段：最后，需要将所有离线和在线状态下的滤波线段进行拼接。通过将所有处理过的离线数据线段拼接在一起，就得到了第一卡尔曼线轨。同样地，通过将所有在线数据线段拼接在一起，就得到了第二卡尔曼线轨。

在一个实施例中，通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子的步骤，包括：

基于所述第一卡尔曼线轨上各个离线线段所对应的状态值，确定出所述第一卡尔曼线轨上的各个电池离线因子；

通过所述的各个电池离线因子对应的因子类型，从所述数据库中匹配出与因子类型一一对应的电池标准因子，其中，所述电池标准因子与所述电池的种类对应。

在具体实施时，确定电池离线因子：首先，需要根据第一卡尔曼线轨上各个离线线段所对应的状态值（电压、电流、SOC值、内阻值和温度值等）来确定出电池离线因子。这些离线因子是电池在离线状态下工作的关键参数，它们体现了电池在没有任何负载情况下的特性。匹配电池标准因子：然后，基于得到的各电池离线因子对应的类型，要从预设的数据库中找出与这些因子类型一一对应的电池标准因子。这些电池标准因子与电池的种类有关，它们是电池制造商（或者第三方）已经测量和记录的，在理想或标准情况下，电池所应表现出的性能参数。

在一个实施例中，将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值的步骤，包括：

基于所述第一卡尔曼线轨上各个离线线段对应的因子类型，将所述电池标准因子附加于第一卡尔曼线轨对应的离线线段上；

比对所述电池离线因子与电池标准因子的参数，得到电池离线因子与电池标准因子的参数差异；

基于所述卡尔曼滤波器算法识别参数差异，以在所述第一卡尔曼线轨上生成与参数差异对应的偏位阈值。

在具体实施时，附加电池标准因子：首先，需要考虑第一卡尔曼线轨中各个离线线段所对应的因子类型，然后将电池标准因子附加在相应类型的离线线段上。这样，就在每个离线线段上都有相应的电池标准因子。参数比对：接下来，要比对电池离线因子与电池标准因子的参数。这主要是通过比较对应电池离线因子和电池标准因子的差异，以理解电池实际的离线数据与理想或标准状态数据间的差距。生成偏位阈值：最后，会采用卡尔曼滤波器算法来识别这些参数差异。具体来说，会使用这个算法找出参数差异中的重要特征，然后在第一卡尔曼线轨上生成与这些特征相符的偏位阈值。这些偏位阈值就会标出电池参数在离线状态下相对于标准因子的偏位情况。

在一个实施例中，将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上的步骤，包括：

将一个预设时间周期下的第一卡尔曼线轨和第二卡尔曼线轨的占用量进行识别，对应识别出第一卡尔曼线轨和第二卡尔曼线轨的长度；

基于所述第二卡尔曼线轨的长度，对应等比调整所述第一卡尔曼线轨上的各个离线线段，得到长度相同的第一卡尔曼线轨和第二卡尔曼线轨的长度；

将所述的长度相同的第一卡尔曼线轨和第二卡尔曼线轨进行叠合。

在具体实施时，识别线轨长度：首先，需要识别一个预设时间周期下的第一卡尔曼线轨和第二卡尔曼线轨的占用量，这基本上意味着需要明确这两个线轨的长度。该长度取决于该时间周期内电池的变化情况，例如电池的在线和离线状态的变化。调整第一卡尔曼线轨：其次，需要根据第二卡尔曼线轨（在线状态）的长度，相应地等比调整第一卡尔曼线轨（离线状态）上的各个离线线段。这样可以确保在同一预设时间周期下，第一卡尔曼线轨和第二卡尔曼线轨的长度是相等的。进行叠合：最后，当第一卡尔曼线轨和第二卡尔曼线轨的长度相等时，就可以将两者进行叠合。这将清晰地表现出电池的在线状态和离线状态在同一时间周期下的变化和趋势。

在一个实施例中，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子的步骤，包括：

采用所述融合校验模型识别第一卡尔曼线轨和第二卡尔曼线轨中的各个线段、以及线段对应的因子类型；

通过所述偏位阈值对所述第二卡尔曼线轨在第一卡尔曼线轨上进行偏位模拟，其中，所述偏位模拟为相同因子类型的线段条件下，第二卡尔曼线轨基于偏位阈值在第一卡尔曼线轨上进行偏位，得到一条新的第二卡尔曼线轨；

基于偏位前后的两项第二卡尔曼线轨，确定出各个在线线段上的前后偏移量并以SOH预测因子输出，所述前后偏移量包括振幅偏移量、节点偏移量和波长偏移量。

在具体实施时，识别线段和因子类型：使用预设的融合校验模型能够识别第一卡尔曼线轨和第二卡尔曼线轨中的各个线段，以及这些线段对应的因子类型。进行偏位模拟：接下来，根据偏位阈值对第二卡尔曼线轨在第一卡尔曼线轨上进行偏位模拟。具体来说，偏位模拟会在相同因子类型的线段条件下进行，根据偏位阈值将第二卡尔曼线轨映射到第一卡尔曼线轨上，从而得到一条新的第二卡尔曼线轨。确定SOH预测因子：最后，基于偏位前后的两条第二卡尔曼线轨，可以确定各个在线线段上的前后偏移量，并将这些偏移量作为SOH预测因子输出。前后偏移量包括振幅偏移量（电池电压、电流等参数的变化幅度）、节点偏移量（电池状态改变的时间点）和波长偏移量（电池状态改变的频率或周期）。

在一个实施例中，将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨的步骤，包括：

基于所述第一卡尔曼线轨的线性参数信息，在相同的电压前提下，结合所述SOH预测因子得到第三卡尔曼线轨，其中，所述线性参数信息包括线性内阻量、线性soc荷电量以及线性温度量。

在具体实施时，使用线性参数信息：首先基于第一卡尔曼线轨的线性参数信息，该信息包括线性内阻量、线性SOC（电池剩余电量）荷电量以及线性温度量。这些参数可以帮助了解电池在离线状态下的行为。结合SOH预测因子：然后，在相同电压的前提下，结合SOH预测因子与这些线性参数。这个步骤能帮助考虑到电池的健康状况，并预估电池未来的行为。生成第三卡尔曼线轨：最后，将这些信息全部融合以产生第三卡尔曼线轨。这条线轨即将电池的离线状态数据、电池的健康状况和未来行为预测进行了汇总展示。

在一个实施例中，基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果的步骤，包括：

将所述第三卡尔曼线轨置于下一个预设时间周期，且与所述第二卡尔曼线轨相接；

在相同的时刻下，识别所述第三卡尔曼线轨对应的振幅、波长、节点的线性信息；

通过将所述线性信息进行反向传播以及收敛匹配，推算出soc值、内阻值、温度值、电流值以及电压值在下一个预设时间周期的具体参数值，并以SOH预测结果输出。

在具体实施时，置于新时间周期：首先将第三卡尔曼线轨置于下一个预设时间周期，并使其与第二卡尔曼线轨相接。这意味着正在预设时间轴中对当前电池健康状态的预测模型进行更新。识别线性信息：然后，在相同的时间点下，需要识别第三卡尔曼线轨对应的振幅、波长和节点的线性信息。这些信息包括电池健康状态的整体波动（振幅）、电池健康状态的变化频率（波长）以及电池健康状态的关键改变点（节点）。参数反向传播和收敛匹配：之后，将这些线性信息进行反向传播以及收敛匹配。这一步骤会从这些线性信息中提取电池的关键参数，比如soc值（电量剩余百分比）、内阻值、温度值、电流值和电压值。输出SOH预测结果：最后，根据这些参数的提取结果，可以推算出在下一个预设时间周期中，这些参数的具体数值。这些数值被作为电池的健康状态（SOH）预测结果输出。

参考附图2为本发明提出的一种基于离线和在线估算融合算法的SOH数据预测装置的结构框图，其包括以下单元：

采集单元10，用于基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括有soc值、内阻值、温度值、电流值以及电压值；

滤波单元20，用于采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；

比对单元30，用于通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；

因子单元40，用于将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；

推算单元50，用于将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨；

预测单元60，用于基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果。

在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。

参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定。

本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。

综上所述，基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括有soc值、内阻值、温度值、电流值以及电压值；采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨；基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果；利用卡尔曼滤波对离线和在线数据进行处理，得到两组卡尔曼线轨，并通过设计特定的融合校验模型，将这两组数据有效地结合起来，实现更精准的电池SOH预测。

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，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，可包括如上述各方法的实施例的流程。其中，本发明所提供的和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。非易失性存储器可以包括只读存储器（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通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、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等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，包括以下步骤：

基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括但不限于有soc值、内阻值、温度值、电流值以及电压值；

采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；

通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；

将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；

将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨；

基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果。

其中，所述采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨的步骤中，包括：

将离线数据和在线数据对应状态下的soc值、内阻值、温度值、电流值以及电压值进行分类；

基于所述的分类，采用各个值对应的创建离线线段和在线线段，并基于卡尔曼滤波器算法对各个值进行滤波计算，得到各个值对应的滤波线段；

将所述的各个值对应的滤波线段进行拼接，得到拼接各个离线线段的第一卡尔曼线轨、和各个在线状态下的第二卡尔曼线轨。

2.根据权利要求1所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子的步骤，包括：

基于所述第一卡尔曼线轨上各个离线线段所对应的状态值，确定出所述第一卡尔曼线轨上的各个电池离线因子；

通过所述的各个电池离线因子对应的因子类型，从所述数据库中匹配出与因子类型一一对应的电池标准因子，其中，所述电池标准因子与所述电池的种类对应。

3.根据权利要求2所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值的步骤，包括：

基于所述第一卡尔曼线轨上各个离线线段对应的因子类型，将所述电池标准因子附加于第一卡尔曼线轨对应的离线线段上；

比对所述电池离线因子与电池标准因子的参数，得到电池离线因子与电池标准因子的参数差异；

基于所述卡尔曼滤波器算法识别参数差异，以在所述第一卡尔曼线轨上生成与参数差异对应的偏位阈值。

4.根据权利要求3所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上的步骤，包括：

将一个预设时间周期下的第一卡尔曼线轨和第二卡尔曼线轨的占用量进行识别，对应识别出第一卡尔曼线轨和第二卡尔曼线轨的长度；

基于所述第二卡尔曼线轨的长度，对应等比调整所述第一卡尔曼线轨上的各个离线线段，得到长度相同的第一卡尔曼线轨和第二卡尔曼线轨的长度；

将所述的长度相同的第一卡尔曼线轨和第二卡尔曼线轨进行叠合。

5.根据权利要求4所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子的步骤，包括：

采用所述融合校验模型识别第一卡尔曼线轨和第二卡尔曼线轨中的各个线段、以及线段对应的因子类型；

通过所述偏位阈值对所述第二卡尔曼线轨在第一卡尔曼线轨上进行偏位模拟，其中，所述偏位模拟为相同因子类型的线段条件下，第二卡尔曼线轨基于偏位阈值在第一卡尔曼线轨上进行偏位，得到一条新的第二卡尔曼线轨；

基于偏位前后的两项第二卡尔曼线轨，确定出各个在线线段上的前后偏移量并以SOH预测因子输出，所述前后偏移量包括振幅偏移量、节点偏移量和波长偏移量。

6.根据权利要求5所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨的步骤，包括：

基于所述第一卡尔曼线轨的线性参数信息，在相同的电压前提下，结合所述SOH预测因子得到第三卡尔曼线轨，其中，所述线性参数信息包括线性内阻量、线性soc荷电量以及线性温度量。

7.根据权利要求6所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果的步骤，包括：

将所述第三卡尔曼线轨置于下一个预设时间周期，且与所述第二卡尔曼线轨相接；

在相同的时刻下，识别所述第三卡尔曼线轨对应的振幅、波长、节点的线性信息；

通过将所述线性信息进行反向传播以及收敛匹配，推算出soc值、内阻值、温度值、电流值以及电压值在下一个预设时间周期的具体参数值，并以SOH预测结果输出。

8.一种基于离线和在线估算融合算法的SOH数据预测装置，其特征在于，包括以下单元：

采集单元，用于基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括但不限于有soc值、内阻值、温度值、电流值以及电压值；

滤波单元，用于采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；

比对单元，用于通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；

因子单元，用于将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；

推算单元，用于将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨；

预测单元，用于基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果；

其中，所述采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨的步骤中，包括：

将离线数据和在线数据对应状态下的soc值、内阻值、温度值、电流值以及电压值进行分类；

基于所述的分类，采用各个值对应的创建离线线段和在线线段，并基于卡尔曼滤波器算法对各个值进行滤波计算，得到各个值对应的滤波线段；

将所述的各个值对应的滤波线段进行拼接，得到拼接各个离线线段的第一卡尔曼线轨、和各个在线状态下的第二卡尔曼线轨。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的基于离线和在线估算融合算法的SOH数据预测方法的步骤。