CN117031307A - 一种蓄电池寿命预测方法及其装置、存储介质 - Google Patents
一种蓄电池寿命预测方法及其装置、存储介质 Download PDFInfo
- Publication number
- CN117031307A CN117031307A CN202311041034.0A CN202311041034A CN117031307A CN 117031307 A CN117031307 A CN 117031307A CN 202311041034 A CN202311041034 A CN 202311041034A CN 117031307 A CN117031307 A CN 117031307A
- Authority
- CN
- China
- Prior art keywords
- information
- layer
- storage battery
- convolution
- starting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 65
- 230000004913 activation Effects 0.000 claims description 43
- 238000011176 pooling Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 26
- 208000032953 Device battery issue Diseases 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000032683 aging Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000002253 acid Substances 0.000 description 4
- 239000011149 active material Substances 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000004073 vulcanization Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005486 sulfidation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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)
Abstract
本申请涉及一种蓄电池寿命预测方法及其装置、存储介质,包括:获取蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息;将所述最高温度信息、启动后平均电压信息和启动后最高电流信息输入预先训练好的蓄电池寿命预测模型进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息;将所述变化趋势信息输出至显示界面进行显示。通过本申请,能够实现对蓄电池寿命的可靠预测。
Description
技术领域
本申请涉及新能源汽车技术领域,具体涉及一种蓄电池寿命预测方法及其装置、存储介质。
背景技术
近年来,随着环境保护意识的增强和能源危机的威胁,新能源汽车逐渐成为人们关注的焦点,而新能源汽车中最关键的组件之一就是蓄电池。由于蓄电池高昂的价格和限制性使用条件,蓄电池在整个新能源汽车中占据了相当大的成本比例。因此,预测蓄电池寿命可以帮助用户更好地规划维护和更换计划,以降低使用成本并延长使用寿命,这对于推动新能源汽车行业的发展具有重要意义。
发明内容
本申请的目的在于提出一种蓄电池寿命预测方法及其装置、存储介质,以实现对蓄电池寿命的可靠预测。
为实现上述目的,本申请实施例提供一种蓄电池寿命预测方法,所述方法包括:
获取蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息;
将所述最高温度信息、启动后平均电压信息和启动后最高电流信息输入预先训练好的蓄电池寿命预测模型进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息;
将所述变化趋势信息输出至显示界面进行显示。
本申请实施例的方法以蓄电池内阻的变化来定义蓄电池的老化现象,对影响蓄电池内阻的相关性因素进行了深入挖掘,提出将蓄电池的最高温度、启动后平均电压以及启动后最高电流作为评估蓄电池内阻变化的三个重要指标,也就是仅考虑该三个重要指标,避免指标冗余,减少预测过程的计算量,同时能够保证预测效果的准确性;基于该三个重要指标收集一定量的样本数据训练出一个蓄电池寿命预测模型,在应用过程中,可以是周期性地将当前周期(例如是10秒、30秒、1分钟等时间周期)内的蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息输入到该蓄电池寿命预测模型,该蓄电池寿命预测模型能够基于输入的最高温度信息、启动后平均电压信息和启动后最高电流信息,进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息,并对预测得到的蓄电池内阻的变化趋势信息进行可视化,帮助用户更好地规划维护和更换计划,以降低使用成本并延长使用寿命。
本申请实施例还提供一种蓄电池寿命预测装置,所述装置包括:
信息获取模块,用于获取蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息;
预测模块,用于将所述最高温度信息、启动后平均电压信息和启动后最高电流信息输入预先训练好的蓄电池寿命预测模型进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息;
可视化模块,用于将所述变化趋势信息输出至显示界面进行显示。
本申请实施例的装置以蓄电池内阻的变化来定义蓄电池的老化现象,对影响蓄电池内阻的相关性因素进行了深入挖掘,提出将蓄电池的最高温度、启动后平均电压以及启动后最高电流作为评估蓄电池内阻变化的三个重要指标,也就是仅考虑该三个重要指标,避免指标冗余,减少预测过程的计算量,同时能够保证预测效果的准确性;基于该三个重要指标收集一定量的样本数据训练出一个蓄电池寿命预测模型,在应用过程中,可以是周期性地将当前周期(例如是10秒、30秒、1分钟等时间周期)内的蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息输入到该蓄电池寿命预测模型,该蓄电池寿命预测模型能够基于输入的最高温度信息、启动后平均电压信息和启动后最高电流信息,进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息,并对预测得到的蓄电池内阻的变化趋势信息进行可视化,帮助用户更好地规划维护和更换计划,以降低使用成本并延长使用寿命。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的蓄电池寿命预测方法。
本申请实施例未详述的细节和优点在具体实施方式中详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为本申请的实施例中一种蓄电池寿命预测方法的流程图。
图2为蓄电池的内阻变化趋势的示意图。
图3为蓄电池的内阻与其电池健康度SOH之间关系的示意图。
图4为蓄电池的电压、电流随启动事件时间的变化趋势的示意图。
图5为蓄电池的电压与电流所拟合出的线性关系的示意图。
图6为车辆行驶里程的增多,蓄电池温度与内阻之间的散点分布关系的示意图。
图7为蓄电池的16个因素对内阻变化的重要性程度的示意图。
图8为蓄电池启动后最高电流与内阻之间的变化趋势的示意图。
图9为蓄电池启动后平均电压与内阻之间的变化趋势的示意图。
图10为蓄电池最高温度与内阻之间的变化趋势的示意图。
图11为预测得到的未来预设时间内蓄电池内阻的变化趋势的示意图。
图12为蓄电池寿命预测模型的结构示意图。
图13为未来预设时间内的蓄电池失效告警线与蓄电池内阻的变化趋势的示意图。
具体实施方式
附图的详细说明意在作为本申请的当前实施例的说明,而非意在代表本申请能够得以实现的仅有形式。应理解的是,相同或等同的功能可以由意在包含于本申请的精神和范围之内的不同实施例完成。
参阅图1,本申请的一个实施例提供一种蓄电池寿命预测方法,包括以下步骤:
步骤S10,获取蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息。
具体而言,本实施例中的蓄电池例如是新能源汽车中铅酸电池,包括硫化、栅格腐蚀及活性物质损耗三种老化情况,具体来说,硫化情况会影响电池能充电的最高容量及电压,栅格腐蚀会使得电池的内阻增大,活性物质损耗会影响电池的最大可用容量,且其主要影响低充电容量区间;然而,活性物质损耗的影响不在本实施例的探索范围内,本实施例主要是针对硫化及栅格腐蚀两种老化情况;分别进一步探索硫化及栅格腐蚀两种老化情况中电压、内阻与电池的温度、电池寿命、阻抗谱之间的变化关系,实验发现铅酸电池的内阻在老化前期呈现出近似缓慢的线性增长趋势,而在电池失效前则出现陡坡式增长且其相对增长超过100%,如图2所示。另外,铅酸电池的内阻与其电池健康度SOH之间呈现出一一对应的关系,如图3所示。同时,在电池健康度SOH较低且电池临近失效时,会伴随内阻的快速增大,综上探索,可确定蓄电池的内阻具有显著的老化特征。
在确定内阻可作为铅酸电池老化的显著表现后,进一步深入挖掘电池的温度、电压、电流及电池健康度对于内阻的影响,通过两次启动事件的蓄电池相关数据变化的可视化,发现各项因素与内阻之间变化的关联。其中,电池的温度、电压及电流和电池内阻之间呈现出较强的线性关联,如图4所示为电池的电压、电流随启动事件时间的变化趋势,如图5所示为电压与电流所拟合出的线性关系,线的斜率即为一阶戴维南电路的估计内阻,可发现电压与电流的变化与内阻呈现出强线性关联性;另外,如图6所示为随某辆车行驶里程的增多,温度与内阻间的散点分布关系,可发现行驶里程越长,电池温度普遍越高,其电池内阻越小,表明电池温度也与内阻直接有较强的关联性。
将影响内阻的温度、电压及电流因素具体拆分为电池启动时温度、平均温度、最高温度、最低温度、启动前平均电压、启动前最高电压、启动前最低电压、启动后平均电压、启动后最高电压、启动后最低电压、启动前平均电流、启动前最高电流、启动前最低电流、启动后平均电流、启动后最高电流、启动后最低电流16个因素;进一步通过随机森林算法进行特征的挖掘并得出重要性程度依次从高到低为最高温度(temp_max)、启动后平均电压(volt_vag_pos_cranking)、启动后最高电流(curr_max_pos_cranking),如图7所示;
在确定最高温度(temp_max)、启动后平均电压(volt_vag_pos_cranking)、启动后最高电流(curr_max_pos_cranking)对于估计蓄电池内阻的影响权重比较大之后,可视化了此三项因素与内阻间的变化关系,分别如下图8-10所示,其中,图8-10依次分别表示启动后最高电流与内阻间的变化趋势线、启动后平均电压与内阻间的变化趋势线、最高温度与内阻间的变化趋势线,即可反向印证重要性的挖掘结果,即此三项因素与内阻间具有强线性关联,因此,将此三项因素作为蓄电池寿命预测模型指标体系构建的基础。
步骤S20,将所述最高温度信息、启动后平均电压信息和启动后最高电流信息输入预先训练好的蓄电池寿命预测模型进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息;
具体而言,在将所述最高温度信息、启动后平均电压信息和启动后最高电流信息输入蓄电池寿命预测模型之前,对所述最高温度信息、启动后平均电压信息和启动后最高电流信息进行预处理,将该三种信息的量纲统一,即归一化三种信息的数据值,所述未来预设时间可以设置为未来一个月、未来一个季度或未来一年,未来预设时间内蓄电池内阻的变化趋势信息可以是一条多项式曲线来表示,也就是说,蓄电池寿命预测模型在对提取输入信息的特征值后,能够根据该特征值拟合出一条多项式曲线来表示内阻变化趋势。
步骤S30,将所述变化趋势信息输出至显示界面进行显示。
具体而言,可以利用预设的可视化工具,对所述变化趋势信息进行可视化,最终示出的内容可以是包括一个二维坐标系,横坐标为时间,纵坐标为蓄电池内阻的值,例如图11所示。
综上,本实施例方法以蓄电池内阻的变化来定义蓄电池的老化现象,对影响蓄电池内阻的相关性因素进行了深入挖掘,提出将蓄电池的最高温度、启动后平均电压以及启动后最高电流作为评估蓄电池内阻变化的三个重要指标,也就是仅考虑该三个重要指标,避免指标冗余,减少预测过程的计算量,同时能够保证预测效果的准确性;基于该三个重要指标收集一定量的样本数据训练出一个蓄电池寿命预测模型,在应用过程中,可以是周期性地将当前周期(例如是10秒、30秒、1分钟等时间周期)内的蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息输入到该蓄电池寿命预测模型,该蓄电池寿命预测模型能够基于输入的最高温度信息、启动后平均电压信息和启动后最高电流信息,进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息,并对预测得到的蓄电池内阻的变化趋势信息进行可视化,帮助用户更好地规划维护和更换计划,以降低使用成本并延长使用寿命。
在一些实施例中,如图12所示,所述蓄电池寿命预测模型包括依次连接的输入层、第一卷积层、第一激活层、第一最大池化层、第二卷积层、第二激活层、第二最大池化层、第三卷积层、第三激活层、第四卷积层、第四激活层、第三最大池化层、全连接层;所述第三卷积层采用四元数卷积,四元数的表达式为Q=r+xi+yj+zk,r是实部,xi、yj、zk为虚部,所述第二最大池化层的三个输出分别作为四元数卷积的三个虚部的系数x、y、z,i、j、k是虚部的基本单位向量,四元数卷积的实部r为预先训练得到的固定值;
其中,所述最高温度信息、启动后平均电压信息、启动后最高电流信息输入所述输入层后,依次经过第一卷积层、第一激活层、第一最大池化层、第二卷积层、第二激活层、第二最大池化层、第三卷积层、第三激活层、第四卷积层、第四激活层、第三最大池化层、全连接层的处理,得到所述变化趋势信息;
具体而言,所述输入层包括3个输入通道,分别用于接收归一化后的最高温度信息、启动后平均电压信息、启动后最高电流信息,所述第一卷积层对输入所述输入层的最高温度信息、启动后平均电压信息、启动后最高电流信息进行卷积运算,输出卷积结果,所述第一激活层采用relu激活函数对第一卷积层输出的卷积结果进行激活,目的是对卷积层的输出进行非线性激活处理,通过激活函数的作用,网络可以学习到更丰富多样的特征表示,提高模型的表达能力,同时增强网络的非线性拟合能力,使得神经网络能够更好地适应不同类型的数据和任务,所述第一最大池化层用于对所述第一激活层输出的激活结果进行,连接最大池化层的目的是对卷积层的输出进行下采样和特征选择,以减少数据维度,同时保留主要特征;同理,第二卷积层、第三卷积层、第四卷积层的作用与第一卷积层相似,也是用于对前一级输出的信息进行卷积,其中第一卷积层和第二卷积层结构相同,即一维卷积核大小为4*4,步长为2,无填充;第三卷积层为一维四元数卷积,卷积核大小为1*1,步长为1,无填充;第四卷积层为一维卷积,卷积核大小为4*4,步长为2,无填充;第二激活层、第三激活层、第四激活层的作用与第一激活层相似,也是采用relu激活函数,对前一级输出的信息进行激活;第二最大池化层和第三最大池化层的作用与第一最大池化层相似,都是对前一级输出的信息进行下采样和特征选择,第二最大池化层和第一最大池化层的池化核为2*2,步长为2,无填充;第三最大池化层的池化核为11*11,步长为1,无填充;所述全连接层用于根据第三最大池化层输出的特征图进行多项式回归,拟合出能够描述未来预设时间内蓄电池内阻的变化趋势的多项式曲线信息,然后输出该多项式曲线信息。
所述蓄电池寿命预测模型的训练参数包括:一维卷积的通道数为3(对应3个输入信息:归一化后的最高温度信息、启动后平均电压信息、启动后最高电流信息),训练迭代次数为10000,训练传入的批大小为16,训练学习率为0.0002;
通过采集蓄电池的最高温度、启动后平均电压、启动后最高电流、蓄电池内阻的历史数据,进行归一化处理后获得训练集和校验集,利用该训练集对图12的模型进行训练,在训练过程中,将蓄电池寿命预测模型输出的预测值与给定的标签值通过二分类交叉熵损失函数的最小化,求得拟合效果最佳的蓄电池寿命预测模型;基于该蓄电池寿命预测模型和校验集,将校验集的样本数据输入该蓄电池寿命预测模型中求得未来的内阻变化趋势,再通过混淆矩阵及ROC结果的评估进行模型预测结果的评估,通过混淆矩阵及ROC结果的评估不断迭代优化模型中的超参数,从而依据指标值学习出最优的蓄电池寿命预测模型;其中,混淆矩阵可以将模型的预测结果与真实结果进行比较;它包括四个元素:真正例(真实为正,预测为正的数量),假正例(真实为负,预测为正的数量),假反例(真实为正,预测为负的数量)和真反例(真实为负,预测为负的数量);从混淆矩阵中可以计算出多个指标,如准确率、召回率、精确率、F1得分等,用于评估模型在不同方面的性能表现;ROC曲线是通过画出模型在不同阈值下的真正例率(TPR)和假正例率(FPR)之间的关系来评估模型性能的一种方法;TPR是指在真实正例中被正确预测为正例的比例,而FPR是指在真实负例中被错误预测为正例的比例;ROC曲线可以帮助我们选择最佳的阈值,以在平衡的情况下权衡模型的敏感性和特异性;通过使用混淆矩阵和ROC结果,可以定量评估模型的性能,并根据评估结果选择合适的超参数。然后,根据指标值对超参数进行调整和优化,再次训练和评估模型,不断迭代,直到找到最优的超参数组合和最佳的预测模型。
在一些实施例中,所述第三卷积层进行四元数卷积的方式如下:
每一元的映射计算中,获取与每一元对应的权重矩阵,该权重矩阵包括多个权重;其中,每一元所对应的权重矩阵通过预先训练得到;
计算出每一元对应的权重矩阵中所有权重的平均值,将每一元对应的权重矩阵中权重值大于或等于平均值的权重标记为1,否则为0,从而生成该一元的层级权重;
将每一元的层级权重与每一元的输入神经元进行矩阵相乘,得到每一元的层级矩阵;
将四元的层级矩阵进行平均加和求得层级矩阵平均值,将所述层级矩阵平均值与每一元的输出神经元进行矩阵相乘,得到每一元的卷积结果;
将四元的卷积结果进行拼接得到四元卷积结果。
具体而言,本实施例通过四元数矩阵构造三项指标因素(蓄电池的最高温度、启动后平均电压、启动后最高电流)间的相互关联性特征,从而削弱仅凭其中一项指标因素对于电池内阻带来的变化预测误差,另增强了四元矩阵之间的层级性,给神经元带来了更具有区分性的特征映射规则。
在一些实施例中,所述步骤S30,具体包括:
获取未来预设时间内蓄电池失效告警线信息,并将所述蓄电池失效告警线信息与所述变化趋势信息一同输出至显示界面进行显示,如图13所示;
其中,所述蓄电池失效告警线信息为根据蓄电池失效的历史数据统计得到,如图13所示,所述蓄电池失效告警线信息包括第一失效告警线信息和第二失效告警线信息,所述第一失效告警线信息为蓄电池内阻上限值的变化趋势,所述第二失效告警线信息为蓄电池内阻下限值的变化趋势。
在一些实施例中,所述方法还包括:
根据所述第一失效告警线信息和第二失效告警线信息以及所述变化趋势信息确定发生蓄电池失效的预估时间,并在所述显示界面上标记所述预估时间;
具体而言,如上所述,所述第一失效告警线信息为蓄电池内阻上限值的变化趋势,所述第二失效告警线信息为蓄电池内阻下限值的变化趋势,因此,当蓄电池内阻大于该上限或小于该下限时,判定蓄电池内阻失效,并将蓄电池内阻大于该上限或小于该下限所对应的时间确定为发生蓄电池失效的预估时间,并在显示界面上标记该预估时间,以提醒用户。
本申请的另一个实施例提供一种蓄电池寿命预测装置,本实施例的装置可以用于执行上述实施例所述的蓄电池寿命预测方法的步骤,所述装置包括:
信息获取模块,用于获取蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息;
预测模块,用于将所述最高温度信息、启动后平均电压信息和启动后最高电流信息输入预先训练好的蓄电池寿命预测模型进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息;
可视化模块,用于将所述变化趋势信息输出至显示界面进行显示。
在一些实施例中,所述蓄电池寿命预测模型包括依次连接的输入层、第一卷积层、第一激活层、第一最大池化层、第二卷积层、第二激活层、第二最大池化层、第三卷积层、第三激活层、第四卷积层、第四激活层、第三最大池化层、全连接层;所述第三卷积层采用四元数卷积,所述第二最大池化层的三个输出作为四元数卷积的三个虚部的系数,四元数卷积的实部为预先训练得到的固定值;
其中,所述最高温度信息、启动后平均电压信息、启动后最高电流信息输入所述输入层后,依次经过第一卷积层、第一激活层、第一最大池化层、第二卷积层、第二激活层、第二最大池化层、第三卷积层、第三激活层、第四卷积层、第四激活层、第三最大池化层、全连接层的处理,得到所述变化趋势信息;
在一些实施例中,所述可视化模块,还用于获取未来预设时间内蓄电池失效告警线信息,并将所述蓄电池失效告警线信息与所述变化趋势信息一同输出至显示界面进行显示;
其中,所述蓄电池失效告警线信息为根据蓄电池失效的历史数据统计得到,所述蓄电池失效告警线信息包括第一失效告警线信息和第二失效告警线信息,所述第一失效告警线信息为蓄电池内阻上限值的变化趋势,所述第二失效告警线信息为蓄电池内阻下限值的变化趋势。
在一些实施例中,所述可视化模块,还用于根据所述第一失效告警线信息和第二失效告警线信息以及所述变化趋势信息确定发生蓄电池失效的预估时间,并在所述显示界面上标记所述预估时间。
需说明的是,本实施例的蓄电池寿命预测装置与上述实施例的蓄电池寿命预测方法对应,因此,本实施例的蓄电池寿命预测装置未详述部分可以参阅上述实施例的蓄电池寿命预测方法的内容得到,即上述实施例的蓄电池寿命预测方法记载的具体步骤内容可以理解为本实施例的蓄电池寿命预测装置中所能够实现的功能,此处不再赘述。
并且,上述实施例的蓄电池寿命预测装置若以软件功能模块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。
本申请的另一个实施例还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如上述实施例所述的蓄电池寿命预测方法。
具体而言,所述计算机可读存储介质可以包括:能够携带所述计算机程序指令的任何实体或记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种蓄电池寿命预测方法,其特征在于,所述方法包括:
获取蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息;
将所述最高温度信息、启动后平均电压信息和启动后最高电流信息输入预先训练好的蓄电池寿命预测模型进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息;
将所述变化趋势信息输出至显示界面进行显示。
2.根据权利要求1所述的方法,其特征在于,所述蓄电池寿命预测模型包括依次连接的输入层、第一卷积层、第一激活层、第一最大池化层、第二卷积层、第二激活层、第二最大池化层、第三卷积层、第三激活层、第四卷积层、第四激活层、第三最大池化层、全连接层;所述第三卷积层采用四元数卷积,所述第二最大池化层的三个输出作为四元数卷积的三个虚部的系数,四元数卷积的实部为预先训练得到的固定值;
其中,所述最高温度信息、启动后平均电压信息、启动后最高电流信息输入所述输入层后,依次经过第一卷积层、第一激活层、第一最大池化层、第二卷积层、第二激活层、第二最大池化层、第三卷积层、第三激活层、第四卷积层、第四激活层、第三最大池化层、全连接层的处理,得到所述变化趋势信息。
3.根据权利要求2所述的方法,其特征在于,所述第三卷积层进行四元数卷积的方式如下:
每一元的映射计算中,获取与每一元对应的权重矩阵,该权重矩阵包括多个权重;其中,每一元所对应的权重矩阵通过预先训练得到;
计算出每一元对应的权重矩阵中所有权重的平均值,将每一元对应的权重矩阵中权重值大于或等于平均值的权重标记为1,否则为0,从而生成该一元的层级权重;
将每一元的层级权重与每一元的输入神经元进行矩阵相乘,得到每一元的层级矩阵;
将四元的层级矩阵进行平均加和求得层级矩阵平均值,将所述层级矩阵平均值与每一元的输出神经元进行矩阵相乘,得到每一元的卷积结果;
将四元的卷积结果进行拼接得到四元卷积结果。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取未来预设时间内蓄电池失效告警线信息,并将所述蓄电池失效告警线信息与所述变化趋势信息一同输出至显示界面进行显示;
其中,所述蓄电池失效告警线信息为根据蓄电池失效的历史数据统计得到,所述蓄电池失效告警线信息包括第一失效告警线信息和第二失效告警线信息,所述第一失效告警线信息为蓄电池内阻上限值的变化趋势,所述第二失效告警线信息为蓄电池内阻下限值的变化趋势。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述第一失效告警线信息和第二失效告警线信息以及所述变化趋势信息确定发生蓄电池失效的预估时间,并在所述显示界面上标记所述预估时间。
6.一种蓄电池寿命预测装置,其特征在于,所述装置包括:
信息获取模块,用于获取蓄电池的最高温度信息、启动后平均电压信息和启动后最高电流信息;
预测模块,用于将所述最高温度信息、启动后平均电压信息和启动后最高电流信息输入预先训练好的蓄电池寿命预测模型进行未来预设时间内蓄电池内阻的预测,获得未来预设时间内蓄电池内阻的变化趋势信息;
可视化模块,用于将所述变化趋势信息输出至显示界面进行显示。
7.根据权利要求6所述的装置,其特征在于,所述蓄电池寿命预测模型包括依次连接的输入层、第一卷积层、第一激活层、第一最大池化层、第二卷积层、第二激活层、第二最大池化层、第三卷积层、第三激活层、第四卷积层、第四激活层、第三最大池化层、全连接层;所述第三卷积层采用四元数卷积,所述第二最大池化层的三个输出作为四元数卷积的三个虚部的系数,四元数卷积的实部为预先训练得到的固定值;
其中,所述最高温度信息、启动后平均电压信息、启动后最高电流信息输入所述输入层后,依次经过第一卷积层、第一激活层、第一最大池化层、第二卷积层、第二激活层、第二最大池化层、第三卷积层、第三激活层、第四卷积层、第四激活层、第三最大池化层、全连接层的处理,得到所述变化趋势信息。
8.根据权利要求6所述的装置,其特征在于,所述可视化模块,还用于获取未来预设时间内蓄电池失效告警线信息,并将所述蓄电池失效告警线信息与所述变化趋势信息一同输出至显示界面进行显示;
其中,所述蓄电池失效告警线信息为根据蓄电池失效的历史数据统计得到,所述蓄电池失效告警线信息包括第一失效告警线信息和第二失效告警线信息,所述第一失效告警线信息为蓄电池内阻上限值的变化趋势,所述第二失效告警线信息为蓄电池内阻下限值的变化趋势。
9.根据权利要求8所述的装置,其特征在于,所述可视化模块,还用于根据所述第一失效告警线信息和第二失效告警线信息以及所述变化趋势信息确定发生蓄电池失效的预估时间,并在所述显示界面上标记所述预估时间。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1~5中任一项所述的蓄电池寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041034.0A CN117031307A (zh) | 2023-08-17 | 2023-08-17 | 一种蓄电池寿命预测方法及其装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041034.0A CN117031307A (zh) | 2023-08-17 | 2023-08-17 | 一种蓄电池寿命预测方法及其装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117031307A true CN117031307A (zh) | 2023-11-10 |
Family
ID=88640938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311041034.0A Pending CN117031307A (zh) | 2023-08-17 | 2023-08-17 | 一种蓄电池寿命预测方法及其装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117031307A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941191A (zh) * | 2014-03-26 | 2014-07-23 | 海博瑞恩电子科技无锡有限公司 | 一种储能装置综合管理的方法及储能装置 |
CN109492832A (zh) * | 2018-12-24 | 2019-03-19 | 斑马网络技术有限公司 | 蓄电池的寿命预测方法、装置、设备以及存储介质 |
CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
US20200342301A1 (en) * | 2018-09-11 | 2020-10-29 | Huazhong University Of Science And Technology | Convolutional neural network on-chip learning system based on non-volatile memory |
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
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 |
CN116577668A (zh) * | 2023-05-31 | 2023-08-11 | 徐州徐工矿业机械有限公司 | 一种基于sae-qpso-rvm矿用自卸车起动铅酸蓄电池寿命预测方法 |
-
2023
- 2023-08-17 CN CN202311041034.0A patent/CN117031307A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941191A (zh) * | 2014-03-26 | 2014-07-23 | 海博瑞恩电子科技无锡有限公司 | 一种储能装置综合管理的方法及储能装置 |
US20200342301A1 (en) * | 2018-09-11 | 2020-10-29 | Huazhong University Of Science And Technology | Convolutional neural network on-chip learning system based on non-volatile memory |
CN109492832A (zh) * | 2018-12-24 | 2019-03-19 | 斑马网络技术有限公司 | 蓄电池的寿命预测方法、装置、设备以及存储介质 |
CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
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 |
CN116577668A (zh) * | 2023-05-31 | 2023-08-11 | 徐州徐工矿业机械有限公司 | 一种基于sae-qpso-rvm矿用自卸车起动铅酸蓄电池寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
高雨璇: "质子交换膜燃料电池在线监测及寿命预测", 中国优秀硕士学位论文全文数据库, no. 3, pages 4 - 5 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3748380A1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
CN108805217B (zh) | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 | |
CN107797067B (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
US10444289B2 (en) | Method and apparatus for estimating state of battery | |
CN101803104B (zh) | 用于估计电池的长期特性的系统和方法 | |
US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
CN113219343A (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN115587527A (zh) | 电池寿命预测方法、系统、终端设备及计算机可读介质 | |
CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
CN115508711B (zh) | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 | |
CN115805810A (zh) | 电池故障预测方法、装置、设备、存储介质和程序产品 | |
CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
US20140324760A1 (en) | Synthetic time series data generation | |
CN116990692B (zh) | 一种锂电池的健康状况评估与剩余寿命预测方法及系统 | |
CN117330987A (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
CN117031307A (zh) | 一种蓄电池寿命预测方法及其装置、存储介质 | |
CN109738807B (zh) | 基于蚁群算法优化后的bp神经网络来估算soc的方法 | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
Ganesh et al. | Prediction of Residual Energy in Batteries using CNN-BiGRU and Attention Mechanism Model |
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 |