CN117031292A - 电池健康状态预测方法、装置、计算机设备和存储介质 - Google Patents

电池健康状态预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN117031292A
CN117031292A CN202310869579.4A CN202310869579A CN117031292A CN 117031292 A CN117031292 A CN 117031292A CN 202310869579 A CN202310869579 A CN 202310869579A CN 117031292 A CN117031292 A CN 117031292A
Authority
CN
China
Prior art keywords
battery
health
state
data
historical
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
CN202310869579.4A
Other languages
English (en)
Inventor
申存骁
高科杰
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.)
Zhejiang Zero Run Technology Co Ltd
Zhejiang Lingxiao Energy Technology Co Ltd
Original Assignee
Zhejiang Zero Run Technology Co Ltd
Zhejiang Lingxiao Energy Technology 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 Zhejiang Zero Run Technology Co Ltd, Zhejiang Lingxiao Energy Technology Co Ltd filed Critical Zhejiang Zero Run Technology Co Ltd
Priority to CN202310869579.4A priority Critical patent/CN117031292A/zh
Publication of CN117031292A publication Critical patent/CN117031292A/zh
Pending legal-status Critical Current

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请涉及一种电池健康状态预测方法、装置、计算机设备和存储介质。所述方法包括：基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型，之后，将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值，之后，基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型，最后，采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测，提高了电池健康状态预测准确度，融合实验室和市场端的双重信息使其预测更好地适用于市场端复杂多变的运行工况，增强了预测模型的实用性。

Description

电池健康状态预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及电池技术领域，特别是涉及一种电池健康状态预测方法、装置、计算机设备和存储介质。
背景技术
随着电动汽车的面世，因其具有实用性强，功能多样化的特点，在市场迅速发展。锂离子动力电池因其能量密度高、自放电率低和使用寿命长等优点，被广泛用作电动汽车的动力源和储能装置。然而，在使用过程中，容量、功率等电池性能退化问题是不容忽视的，为了电动汽车的安全运行以及为用户提供最佳的驾驶体验，需要对电池的老化程度做出准确估计，电池管理系统(BMS)应运而生，它可以配合监控储能电池状态，智能化管理及维护各个电池单元，延长电池的使用寿命，监控电池的状态，储能电池健康状态(SOH)是储能电池的容量、健康度及性能状态等健康状况的指示，在电池管理系统中起关键作用。
现有技术中，有关电池健康状态的预测通常是对动力电池的容量、内阻或阻抗等特征参数直接测量进行电池健康状态的评估，或基于实验室数据采用电化学模型进行电池健康状态的评估，或基于历史老化数据通过特定算法学习历史老化数据的关键老化信息与电池健康状态之间的映射关系进行电池健康状态的评估，但这些预测方法不仅需要特定的环境因素，且数据来源固定单一，很难与实际运行的电池情况等效，使得预测结果准确度较低，很难应用于实际预测中，同时，逐个车辆进行电池健康状态预测成本高昂、造成了大量的资源浪费。
因此，相关技术中亟需一种能够提高电池健康状态预测准确度的方式。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高电池健康状态预测准确度的电池健康状态预测方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请提供了一种电池健康状态预测方法。所述方法包括：
基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型；
将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值；
基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型；
采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测。
可选的，在本申请的一个实施例中，所述电池测试数据包括电芯充电数据以及电池健康状态参考值，所述基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型包括：
基于电芯充电数据绘制测试微分电压曲线，提取所述测试微分电压曲线的曲线特征，基于所述曲线特征、电芯充电数据以及电池健康状态参考值组成测试训练数据集，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积；
基于所述测试训练数据集对第一初始模型进行训练，得到电池健康状态预测模型。
可选的，在本申请的一个实施例中，所述老化电池历史数据包括历史电芯充电数据，所述将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值包括：
基于历史电芯充电数据绘制历史微分电压曲线，提取所述历史微分电压曲线的曲线特征，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积；
将所述曲线特征和历史电芯充电数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值。
可选的，在本申请的一个实施例中，所述老化电池历史数据包括历史健康状态值和历史运行数据，所述基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型包括：
基于历史健康状态值和所述老化电池健康状态预测值得到电池健康状态误差值；
基于历史运行数据以及所述电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型。
可选的，在本申请的一个实施例中，所述基于历史运行数据以及所述电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型包括：
基于历史运行数据构建用户车辆历史特征数据，基于所述用户车辆历史特征数据以及电池健康状态误差值对第二初始模型进行训练，其中，所述用户车辆历史特征数据至少包括电芯类型、电池充电特征、车辆行驶特征。
可选的，在本申请的一个实施例中，所述基于历史运行数据构建用户车辆历史特征数据包括：
基于历史运行数据统计电池老化加速因子信息，基于所述电池老化加速因子信息构建用户车辆历史特征数据。
可选的，在本申请的一个实施例中，所述待预测车辆的电池数据包括充电数据和运行数据，所述采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测包括：
将所述充电数据输入所述电池健康状态预测模型，得到初步电池健康状态预测值；
基于所述运行数据构建用户车辆特征数据，将所述用户车辆特征数据输入所述电池健康状态修正模型，得到电池健康状态修正值；
基于所述初步电池健康状态预测值和电池健康状态修正值确定目标电池健康状态预测值。
第二方面，本申请还提供了一种电池健康状态预测装置。所述装置包括：
电池健康状态预测模型训练模块，用于基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型；
老化电池健康状态预测模块，用于将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值；
电池健康状态修正模型训练模块，用于基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型；
电池健康状态预测模块，用于采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述各个实施例所述方法的步骤。
第四方面，本申请还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，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各个实施例所述方法的步骤。
上述电池健康状态预测方法、装置、计算机设备和存储介质，基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型，将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值，基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型，采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测。也就是说，通过基于实验室电池测试数据训练得到遵循一般动力电池老化规律的电池健康状态预测模型，综合考虑市场老化电池的实际老化情况，基于市场老化电池的电池健康状态预测值和市场老化电池的实际老化情况以及可能影响因素训练得到符合市场电池老化规律的电池健康状态修正模型，通过电池健康状态预测模型和电池健康状态修正模型对市场车辆的电池健康状态进行预测，提高了电池健康状态预测准确度，融合实验室和市场端的双重信息使其预测更好地适用于市场端复杂多变的运行工况，增强了预测模型的实用性。
附图说明
图1为一个实施例中电池健康状态预测方法的应用环境图；
图2为一个实施例中电池健康状态预测方法的流程示意图；
图3为一个实施例中微分电压曲线的示意图；
图4为一个实施例中电池健康状态预测方法的具体流程示意图；
图5为一个实施例中电池健康状态预测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
本申请实施例提供的电池健康状态预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电池健康状态预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S201：基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型。
本申请实施例中，首先，获取电池测试数据，可选的，电池测试数据可以选择精确的实验室循环寿命测试数据，从电池测试数据库中，导出实验室循环寿命测试数据，实验室循环寿命测试数据包括电池的充电状态数据以及对应的电池健康状态数据，其中，充电状态数据指例如充电电量、充电电压、充电电流等参数，电池健康状态数据是电池当前容量与出厂容量的百分比，用于反映电池当前的老化程度。基于实验室循环寿命测试数据对第一初始模型进行训练，得到电池健康状态预测模型，经过训练得到的电池健康状态预测模型遵循一般动力电池的老化规律。其中，第一初始模型的输入是充电状态数据，输出是电池健康状态数据，第一初始模型可以是任意的机器学习算法模型，例如线性回归模型、Adaboost模型、XGboost模型、聚类算法与kmeans模型、朴素贝叶斯模型等。
S203：将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值。
本申请实施例中，获取老化电池历史数据，可选的，老化电池历史数据可以基于动力电池数据云平台，从市场车辆电池数据库中，筛选出电池老化程度达到上限的市场车辆的老化电池历史数据，老化电池历史数据包括老化电池的历史充电状态数据。其中，历史充电状态数据指例如市场车辆的历史充电电量、历史充电电压、历史充电电流等参数，电池老化程度达到上限指对于一般的动力电池，电池健康状态(SOH)如果衰减至80％，则认为其老化达到上限，不再继续使用。将老化电池历史数据输入上述电池健康状态预测模型，经过预测，得到老化电池遵循一般动力电池老化规律的老化电池健康状态预测值。
S205：基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型。
本申请实施例中，上述老化电池历史数据还包括老化电池实际的电池健康状态以及不同工况下的历史运行状态数据，基于这些老化电池历史数据和上述得到的老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型，经过训练得到的电池健康状态修正模型考虑了市场车辆电池的实际老化情况。其中，第二初始模型可以是任意的深度学习模型，例如神经网络模型、卷积神经网络模型、循环神经网络模型、图卷积神经网络模型。
S207：采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测。
本申请实施例中，采用上述电池健康状态预测模型和电池健康状态修正模型，将待预测车辆的电池数据分别输入电池健康状态预测模型和电池健康状态修正模型中，得到符合待预测车辆电池实际情况的电池健康状态最终预测值。
上述电池健康状态预测方法中，首先，基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型，之后，将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值，之后，基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型，最后，采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测。也就是说，通过基于实验室电池测试数据训练得到遵循一般动力电池老化规律的电池健康状态预测模型，综合考虑市场老化电池的实际老化情况，基于市场老化电池的电池健康状态预测值和市场老化电池的实际老化情况以及可能影响因素训练得到符合市场电池老化规律的电池健康状态修正模型，通过电池健康状态预测模型和电池健康状态修正模型对市场车辆的电池健康状态进行预测，提高了电池健康状态预测准确度，融合实验室和市场端的双重信息使其预测更好地适用于市场端复杂多变的运行工况，增强了预测模型的实用性。
在本申请的一个实施例中，所述电池测试数据包括电芯充电数据以及电池健康状态参考值，所述基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型包括：
S301：基于电芯充电数据绘制测试微分电压曲线，提取所述测试微分电压曲线的曲线特征，基于所述曲线特征、电芯充电数据以及电池健康状态参考值组成测试训练数据集，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积。
S303：基于所述测试训练数据集对第一初始模型进行训练，得到电池健康状态预测模型。
在本申请的一个实施例中，上述电池测试数据包括电芯充电数据以及电池健康状态参考值，电芯充电数据指例如充电电压、充电电量、充电电流、充电时间、电池温度等参数，首先，如图3所示，基于电池测试数据中的电芯充电数据绘制测试微分电压曲线，以电压作为横坐标，微分电压电量作为纵坐标，之后，提取微分电压曲线的曲线特征组成测试训练数据集，其中，曲线特征至少包括曲线峰值x1、峰值对应电压x2、峰值面积x3，峰值面积x3对应的电压范围为[x2-0.05,x2+0.05]。基于曲线特征x1、x2、x3以及电芯充电数据中的充电平均电流x4、电池平均温度x5作为特征向量x＝[x1,x2,x3,x4,x5]和对应的电池健康状态参考值y(SOH)共同组成测试训练数据集。之后，基于测试训练数据集对第一初始模型进行训练，得到电池健康状态预测模型。其中，特征向量x＝[x1,x2,x3,x4,x5]为第一初始模型的输入值，电池健康状态参考值y(SOH)为输出值，第一初始模型为XGBoost模型，对第一初始模型进行训练，直至模型的均方误差损失MSE小于设定阈值，训练结束，得到电池健康状态预测模型。具体的，设定阈值可以根据预测结果所需精度自定义设定，例如ε1＝0.001，MSE可以采用下述公式确定。
MSE＝avg(||SOHpre-SOHreal||2)
其中，SOHpre为模型预测值，SOHreal为电池健康状态参考值。
本实施例中，通过基于电芯充电数据绘制测试微分电压曲线，提取所述测试微分电压曲线的曲线特征，基于所述曲线特征、电芯充电数据以及电池健康状态参考值组成测试训练数据集，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积，基于所述测试训练数据集对第一初始模型进行训练，得到电池健康状态预测模型，能够基于精确的实验室循环寿命测试数据获得电池健康状态预测模型，预测结果符合一般电池的老化规律，完整保留实验室数据先验知识。
在本申请的一个实施例中，所述老化电池历史数据包括历史电芯充电数据，所述将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值包括：
S401：基于历史电芯充电数据绘制历史微分电压曲线，提取所述历史微分电压曲线的曲线特征，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积。
S403：将所述曲线特征和历史电芯充电数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值。
在本申请的一个实施例中，上述老化电池历史数据包括历史电芯充电数据，同样的，如图3所示，基于历史电芯充电数据绘制历史微分电压曲线，提取所述历史微分电压曲线的曲线特征，其中，曲线特征至少包括历史曲线峰值x1’、历史峰值对应电压x2’、历史峰值面积x3’，之后，将所述曲线特征和历史电芯充电数据中的历史充电平均电流x4’、历史电池平均温度x5’输入上述电池健康状态预测模型，得到老化电池健康状态预测值，即按照一般动力电池老化规律预测的老化电池每次充电时所对应的电池健康状态值。
本实施例中，通过基于历史电芯充电数据绘制历史微分电压曲线，提取所述历史微分电压曲线的曲线特征，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积，将所述曲线特征和历史电芯充电数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值，能够获得预测模型在复杂工况下的市场端电池的电池健康状态SOH反馈结果，同时获得市场端电池按照一般规律的一般老化结果。
在本申请的一个实施例中，所述老化电池历史数据包括历史健康状态值和历史运行数据，所述基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型包括：
S501：基于历史健康状态值和所述老化电池健康状态预测值得到电池健康状态误差值。
S503：基于历史运行数据以及所述电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型。
在本申请的一个实施例中，上述老化电池历史数据包括历史健康状态值和历史运行数据，其中，历史运行数据指例如历史充电量、历史充电次数、电池过温或高压等状态时长、车辆平均时速等参数。首先，基于历史健康状态值和上述老化电池健康状态预测值进行差值计算，得到电池健康状态误差值，即为电池健康状态预测模型的实际误差值。之后，基于历史运行数据以及电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型，其中，将历史运行数据作为模型训练的输入，将电池健康状态误差值作为模型训练的输出，第二初始模型为一维卷积神经网络模型，对第二初始模型进行训练，直至模型的均方误差损失MSE小于设定阈值，训练结束，得到电池健康状态修正模型。具体的，设定阈值可以根据修正结果所需精度自定义设定，例如ε2＝0.001，MSE可以采用下述公式确定。
MSEconv＝avg(||npre-nreal||2)
其中，npre为模型预测值，nreal为电池健康状态误差值。
本实施例中，通过基于历史健康状态值和所述老化电池健康状态预测值得到电池健康状态误差值，基于历史运行数据以及所述电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型，通过预测模型在复杂工况下的市场端电池的SOH反馈结果训练SOH修正模型，使更加适用于市场端电池的实际老化情况，预测结果更可靠、更实用。
在本申请的一个实施例中，所述基于历史运行数据以及所述电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型包括：
基于历史运行数据构建用户车辆历史特征数据，基于所述用户车辆历史特征数据以及电池健康状态误差值对第二初始模型进行训练，其中，所述用户车辆历史特征数据至少包括电芯类型、电池充电特征、车辆行驶特征。
在本申请的一个实施例中，将历史运行数据作为模型训练的输入时，需要基于历史运行数据构建用户车辆历史特征数据，即用户车辆电池画像，该用户车辆电池画像能够反映不同的用户车辆电池的不同使用情况，对应不同的电池老化差异程度，具体的，用户车辆历史特征数据至少包括电芯类型、电池充电特征、车辆行驶特征。之后，基于用户车辆历史特征数据和电池健康状态误差值对第二初始模型进行训练，具体的，用户车辆历史特征数据作为输入，电池健康状态误差值作为输出。
本实施例中，通过基于历史运行数据构建用户车辆历史特征数据，利用历史运行数据构建具有多维信息的专属电池画像，最大程度降低因电池老化差异而产生的SOH预测结果误差。
在本申请的一个实施例中，所述基于历史运行数据构建用户车辆历史特征数据包括：
基于历史运行数据统计电池老化加速因子信息，基于所述电池老化加速因子信息构建用户车辆历史特征数据。
在本申请的一个实施例中，基于上述历史运行数据统计电池老化加速因子信息，具体的，电池老化加速因子可以包括充电量、充电次数、充电末端平均电压、快充次数占比、平均充电电流、环境平均温度、静置时长占比、电流过流时长占比、电池过温时长占比、电池高压状态时长占比、每百公里平均时速、每百公里加/减速次数、电芯类型和行驶总里程等，具体应用中，电池老化加速因子的选择不限于此。之后，基于电池老化加速因子信息构建用户车辆历史特征数据，将各电池老化加速因子信息用向量表示，记为向量m＝[m1,m2,m3,…,mn]，n表示电池老化加速因子数量。
本实施例中，通过基于历史运行数据统计电池老化加速因子信息，基于所述电池老化加速因子信息构建用户车辆历史特征数据，利用老化加速因子实现了用户车辆历史特征数据即用户电池画像的数字化、个性化表示。
在本申请的一个实施例中，所述待预测车辆的电池数据包括充电数据和运行数据，所述采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测包括：
S601：将所述充电数据输入所述电池健康状态预测模型，得到初步电池健康状态预测值。
S603：基于所述运行数据构建用户车辆特征数据，将所述用户车辆特征数据输入所述电池健康状态修正模型，得到电池健康状态修正值。
S605：基于所述初步电池健康状态预测值和电池健康状态修正值确定目标电池健康状态预测值。
在本申请的一个实施例中，待预测车辆的电池数据包括充电数据和运行数据，首先，将充电数据输入电池健康状态预测模型，得到初步电池健康状态预测值，具体的，依据充电数据绘制充电微分电压曲线，提取充电微分电压曲线的曲线特征，将曲线特征和充电数据中的待预测充电平均电流、待预测电池平均温度作为输入，采用电池健康状态预测模型，得到初步电池健康状态预测值sohpre。同时，基于运行数据构建用户车辆特征数据即该用户车辆的电池画像，将其输入电池健康状态修正模型中，得到电池健康状态修正值sohcor。最后，基于初步电池健康状态预测值sohpre和电池健康状态修正值sohcor确定目标电池健康状态预测值SOH，可以通过下述公式确定。
SOH＝sohpre+sohcor
本实施例中，通过预测模型和修正模型实现了市场端用户车辆电池SOH的个性化预测，降低了模型数量的同时提高了预测精度。
下面以一个具体实施例说明电池健康状态预测方法的具体流程。如图4所示，首先，基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型，其中，所述电池测试数据包括电芯充电数据以及电池健康状态参考值，基于电芯充电数据绘制测试微分电压曲线，提取所述测试微分电压曲线的曲线特征，基于所述曲线特征、电芯充电数据以及电池健康状态参考值组成测试训练数据集，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积，基于所述测试训练数据集对第一初始模型进行训练，得到电池健康状态预测模型。
之后，将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值，其中，所述老化电池历史数据包括历史电芯充电数据、历史健康状态值和历史运行数据，基于历史电芯充电数据绘制历史微分电压曲线，提取所述历史微分电压曲线的曲线特征，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积，将所述曲线特征和历史电芯充电数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值。
之后，基于历史健康状态值和所述老化电池健康状态预测值得到电池健康状态误差值，基于历史运行数据以及所述电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型。其中，基于历史运行数据统计电池老化加速因子信息，基于所述电池老化加速因子信息构建用户车辆历史特征数据，基于所述用户车辆历史特征数据以及电池健康状态误差值对第二初始模型进行训练。
最后，待预测车辆的电池数据包括充电数据和运行数据，将所述充电数据输入所述电池健康状态预测模型，得到初步电池健康状态预测值，基于所述运行数据构建用户车辆特征数据，将所述用户车辆特征数据输入所述电池健康状态修正模型，得到电池健康状态修正值，基于所述初步电池健康状态预测值和电池健康状态修正值确定目标电池健康状态预测值。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电池健康状态预测方法的电池健康状态预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电池健康状态预测装置实施例中的具体限定可以参见上文中对于电池健康状态预测方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种电池健康状态预测装置500，包括：电池健康状态预测模型训练模块501、老化电池健康状态预测模块503、电池健康状态修正模型训练模块505和电池健康状态预测模块507，其中：
电池健康状态预测模型训练模块501，用于基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型。
老化电池健康状态预测模块503，用于将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值。
电池健康状态修正模型训练模块505，用于基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型。
电池健康状态预测模块507，用于采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测。
在本申请的一个实施例中，所述电池测试数据包括电芯充电数据以及电池健康状态参考值，所述电池健康状态预测模型训练模块还用于：
基于电芯充电数据绘制测试微分电压曲线，提取所述测试微分电压曲线的曲线特征，基于所述曲线特征、电芯充电数据以及电池健康状态参考值组成测试训练数据集，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积；
基于所述测试训练数据集对第一初始模型进行训练，得到电池健康状态预测模型。
在本申请的一个实施例中，所述老化电池历史数据包括历史电芯充电数据，所述老化电池健康状态预测模块还用于：
基于历史电芯充电数据绘制历史微分电压曲线，提取所述历史微分电压曲线的曲线特征，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积；
将所述曲线特征和历史电芯充电数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值。
在本申请的一个实施例中，所述老化电池历史数据包括历史健康状态值和历史运行数据，所电池健康状态修正模型训练模块还用于：
基于历史健康状态值和所述老化电池健康状态预测值得到电池健康状态误差值；
基于历史运行数据以及所述电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型。
在本申请的一个实施例中，所述电池健康状态修正模型训练模块还用于：
基于历史运行数据构建用户车辆历史特征数据，基于所述用户车辆历史特征数据以及电池健康状态误差值对第二初始模型进行训练，其中，所述用户车辆历史特征数据至少包括电芯类型、电池充电特征、车辆行驶特征。
在本申请的一个实施例中，所述电池健康状态修正模型训练模块还用于：
基于历史运行数据统计电池老化加速因子信息，基于所述电池老化加速因子信息构建用户车辆历史特征数据。
在本申请的一个实施例中，所述待预测车辆的电池数据包括充电数据和运行数据，所述电池健康状态预测模块还用于：
将所述充电数据输入所述电池健康状态预测模型，得到初步电池健康状态预测值；
基于所述运行数据构建用户车辆特征数据，将所述用户车辆特征数据输入所述电池健康状态修正模型，得到电池健康状态修正值；
基于所述初步电池健康状态预测值和电池健康状态修正值确定目标电池健康状态预测值。
上述电池健康状态预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6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、通信接口、显示屏和输入装置。其中，该计算机设备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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电池健康状态预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了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各方法实施例中的步骤。
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，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种电池健康状态预测方法，其特征在于，所述方法包括：
基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型；
将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值；
基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型；
采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测。
2.根据权利要求1所述的方法，其特征在于，所述电池测试数据包括电芯充电数据以及电池健康状态参考值，所述基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型包括：
基于电芯充电数据绘制测试微分电压曲线，提取所述测试微分电压曲线的曲线特征，基于所述曲线特征、电芯充电数据以及电池健康状态参考值组成测试训练数据集，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积；
基于所述测试训练数据集对第一初始模型进行训练，得到电池健康状态预测模型。
3.根据权利要求1所述的方法，其特征在于，所述老化电池历史数据包括历史电芯充电数据，所述将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值包括：
基于历史电芯充电数据绘制历史微分电压曲线，提取所述历史微分电压曲线的曲线特征，所述曲线特征至少包括曲线峰值、峰值对应电压和峰值面积；
将所述曲线特征和历史电芯充电数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值。
4.根据权利要求1所述的方法，其特征在于，所述老化电池历史数据包括历史健康状态值和历史运行数据，所述基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型包括：
基于历史健康状态值和所述老化电池健康状态预测值得到电池健康状态误差值；
基于历史运行数据以及所述电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型。
5.根据权利要求4所述的方法，其特征在于，所述基于历史运行数据以及所述电池健康状态误差值对第二初始模型进行训练，得到电池健康状态修正模型包括：
基于历史运行数据构建用户车辆历史特征数据，基于所述用户车辆历史特征数据以及电池健康状态误差值对第二初始模型进行训练，其中，所述用户车辆历史特征数据至少包括电芯类型、电池充电特征、车辆行驶特征。
6.根据权利要求5所述的方法，其特征在于，所述基于历史运行数据构建用户车辆历史特征数据包括：
基于历史运行数据统计电池老化加速因子信息，基于所述电池老化加速因子信息构建用户车辆历史特征数据。
7.根据权利要求1所述的方法，其特征在于，所述待预测车辆的电池数据包括充电数据和运行数据，所述采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测包括：
将所述充电数据输入所述电池健康状态预测模型，得到初步电池健康状态预测值；
基于所述运行数据构建用户车辆特征数据，将所述用户车辆特征数据输入所述电池健康状态修正模型，得到电池健康状态修正值；
基于所述初步电池健康状态预测值和电池健康状态修正值确定目标电池健康状态预测值。
8.一种电池健康状态预测装置，其特征在于，所述装置包括：
电池健康状态预测模型训练模块，用于基于电池测试数据对第一初始模型进行训练，得到电池健康状态预测模型；
老化电池健康状态预测模块，用于将老化电池历史数据输入所述电池健康状态预测模型，得到老化电池健康状态预测值；
电池健康状态修正模型训练模块，用于基于所述老化电池历史数据以及所述老化电池健康状态预测值对第二初始模型进行训练，得到电池健康状态修正模型；
电池健康状态预测模块，用于采用所述电池健康状态预测模型和电池健康状态修正模型，对待预测车辆的电池健康状态进行预测。
9.一种计算机设备，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中任一项所述的方法的步骤。
10.一种计算机可读存储介质，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中任一项所述的方法的步骤。
CN202310869579.4A 2023-07-14 2023-07-14 电池健康状态预测方法、装置、计算机设备和存储介质 Pending CN117031292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310869579.4A CN117031292A (zh) 2023-07-14 2023-07-14 电池健康状态预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310869579.4A CN117031292A (zh) 2023-07-14 2023-07-14 电池健康状态预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN117031292A true CN117031292A (zh) 2023-11-10

Family

ID=88640335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310869579.4A Pending CN117031292A (zh) 2023-07-14 2023-07-14 电池健康状态预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN117031292A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574788A (zh) * 2024-01-17 2024-02-20 中国第一汽车股份有限公司 一种基于多尺度建模的电池健康度预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574788A (zh) * 2024-01-17 2024-02-20 中国第一汽车股份有限公司 一种基于多尺度建模的电池健康度预测方法及装置
CN117574788B (zh) * 2024-01-17 2024-05-14 中国第一汽车股份有限公司 一种基于多尺度建模的电池健康度预测方法及装置

Similar Documents

Publication Publication Date Title
CN109073710B (zh) 用于电热电池模型的生成与使用的系统及方法
Wang et al. Remaining capacity estimation of lithium-ion batteries based on the constant voltage charging profile
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
JP2023139227A (ja) 電池健康状態予測方法、装置、電子機器及び可読記憶媒体
CN115805810B (zh) 电池故障预测方法、装置、设备、存储介质和程序产品
CN117031292A (zh) 电池健康状态预测方法、装置、计算机设备和存储介质
CN115840144A (zh) 电池仿真计算方法、装置、计算机设备和存储介质
Xing et al. State-of-charge estimation for Lithium-Ion batteries using Kalman filters based on fractional-order models
Avvari et al. A battery chemistry-adaptive fuel gauge using probabilistic data association
Sheikh et al. A data-driven comparative analysis of lithium-ion battery state of health and capacity estimation
CN117723978A (zh) 电芯功率状态确定方法、装置、计算机设备和存储介质
Xiao et al. Battery state of health prediction based on voltage intervals, BP neural network and genetic algorithm
Maheshwari et al. Effect of Noise Covariance Matrices on State of Charge Estimation Using Extended Kalman Filter
CN116299006A (zh) 电池包的健康状况预测方法、装置、设备和存储介质
CN116068408B (zh) 电池老化数据确定方法、装置、计算机设备和存储介质
El Marghichi et al. Improving accuracy in state of health estimation for lithium batteries using gradient-based optimization: Case study in electric vehicle applications
CN115993536A (zh) 电池剩余能量的估计方法、装置、设备、存储介质和产品
Kaleli et al. Recursive ARMAX-based global battery SOC estimation model design using Kalman filter with optimized parameters by radial movement optimization method
CN117341477B (zh) 磷酸铁锂动力电池内短路预警方法、装置和计算机设备
CN116011236B (zh) 电力时域仿真微分代数方程求解的控制元件快速建模方法
Ma et al. Residual life prediction of lithium batteries based on data mining
CN117233630B (zh) 锂离子电池的使用寿命预测方法、装置和计算机设备
CN117890792B (zh) 动力电池容量的预测方法、装置、计算机设备、存储介质
CN118744656A (zh) 电池状态预测方法、装置、计算机设备和存储介质
CN115825790B (zh) 电池绝缘故障的预警方法、装置、系统和计算机设备

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