CN117129895A - 电池健康状态计算方法、装置、存储介质以及车辆 - Google Patents

电池健康状态计算方法、装置、存储介质以及车辆 Download PDF

Info

Publication number
CN117129895A
CN117129895A CN202210528071.3A CN202210528071A CN117129895A CN 117129895 A CN117129895 A CN 117129895A CN 202210528071 A CN202210528071 A CN 202210528071A CN 117129895 A CN117129895 A CN 117129895A
Authority
CN
China
Prior art keywords
battery
computing network
discharge
state
sample
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
CN202210528071.3A
Other languages
English (en)
Inventor
康文蓉
何佳昕
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.)
Great Wall Motor Co Ltd
Original Assignee
Great Wall Motor 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 Great Wall Motor Co Ltd filed Critical Great Wall Motor Co Ltd
Priority to CN202210528071.3A priority Critical patent/CN117129895A/zh
Publication of CN117129895A publication Critical patent/CN117129895A/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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供一种电池健康状态计算方法、装置、存储介质以及车辆，属于数据处理的技术领域。所述方法包括：获取电池的历史放电数据，对获取得到的历史放电数据进行预处理；将预处理后的历史放电数据输入状态计算模型，得到当前的电池健康状态；状态计算模型包括基于历史样本数据集联合训练得到的第一计算网络与第二计算网络，第一计算网络基于历史样本数据集对衰减度进行辨识，所述第二计算网络结合第一计算网络的衰减度辨识结果与历史样本数据集，输出多个电池样本各自的健康状态辨识结果。本申请旨在得到更准确的电池健康状态计算结果。

Description

电池健康状态计算方法、装置、存储介质以及车辆
技术领域
本申请实施例涉及数据处理技术领域，具体而言，涉及一种电池健康状态计算方法、装置、存储介质以及车辆。
背景技术
在电池管理系统中，电池健康状态(SOH)是一项非常重要的电池参数，作为评价电池老化程度的量化指标，电池健康状态SOH影响着车辆的策略，以及对电池的使用程度，准确的电池健康状态SOH能够有效改善电池性能与电池使用寿命，从而提高驾驶人员的体验感。
电池健康状态SOH有多个影响因素，多个影响因素中包括放电深度，但是放电深度及深度次数与SOH值之间并不存在非线性关系，若直接根据放电深度计算SOH值，得到的SOH值计算结果误差较大，准确性较差。
发明内容
本申请实施例提供一种电池健康状态计算方法、装置、存储介质以及车辆，旨在得到更准确的电池健康状态计算结果。
第一方面，本申请实施例提供一种电池健康状态计算方法，所述方法包括：
获取待测电池的历史放电数据，所述历史放电数据包括所述待测电池在不同使用阶段中的电池温度、放电倍数、放电深度以及深度次数；
对获取得到的所述待测电池的所述历史放电数据进行预处理；
将预处理后的所述历史放电数据输入状态计算模型，得到当前所述待测电池的电池健康状态；
其中，所述状态计算模型包括基于历史样本数据集联合训练得到的第一计算网络与第二计算网络，所述历史样本数据集包括多个电池样本各自在不同使用阶段中的电池温度样本、放电倍率样本、放电深度样本及深度次数；所述第一计算网络对所述电池样本的衰减度进行辨识，所述第二计算网络结合所述第一计算网络输出的衰减度辨识结果与所述历史样本数据集，输出所述多个电池样本各自的健康状态的辨识结果。
可选地，所述放电深度用梯度表示，所述梯度是根据所述待测电池在每个使用阶段的最末时刻的剩余容量确定的。
可选地，所述梯度是根据所述待测电池在每个使用阶段的最末时刻的剩余容量确定的，包括：
获取所述待测电池在每个使用阶段的最末时刻的对应的剩余容量；
在多个预设的剩余容量区间中，确定所述剩余容量所属的剩余容量区间，将所述剩余容量区间对应的梯度作为所述待测电池在该使用阶段的放电深度的梯度；
其中，所述多个预设的剩余容量区间是按照预设间隔对剩余容量的数值进行划分得到的区间，每个所述剩余容量区间对应不同的梯度。
可选地，所述状态计算模型是按以下步骤训练得到的：
获取多个电池样本各自在不同使用阶段中的历史样本数据，以及所述多个电池样本各自的当前真实电池健康状态，构建所述历史样本数据集，其中，所述历史样本数据包括：电池温度样本、放电倍率样本、放电深度样本及深度次数；
对所述历史样本数据集进行预处理；
分别构建第一计算网络与第二计算网络；
所述第一计算网络，以预处理后的所述历史样本数据集为输入，分别辨识所述多个电池样本中每个电池样本的衰减度；
所述第二计算网络，以预处理后的所述历史样本数据集，以及所述第一计算网络对所述每个电池样本的衰减度的辨识结果为输入，输出所述多个电池样本中每个电池样本的电池健康状态的辨识结果；
基于第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，进行第一计算网络与第二计算网络的参数的更新。
可选地，所述第一计算网络与所述第二计算网络均包括输入层、隐含层以及输出层，其中，
所述输入层到所述隐含层的传递函数为：
所述隐含层到所述输出层的传递函数为：
f2(x)＝x。
可选地，所述隐含层第j个神经元的计算公式为：
式中，wij为所述输入层第i个神经元到所述隐含层第j个神经元的权值，xi为输入层第i个神经元的值，bj为隐含层第j个神经元的阈值，I为输入层的神经元总数；
从隐含层到输出层，所述输出层第k个神经元的计算公式为：
式中，Mj为隐含层第j个神经元的值，wjk为所述隐含层第j个神经元到所述输出层第k个神经元的权值，ak为输出层第k个神经元的阈值，J为隐含层的神经元总数。
可选地，基于第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，进行第一计算网络与第二计算网络的参数的更新，包括：
根据所述第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，确定所述辨识结果与所述每个电池样本的当前真实电池健康状态的误差；
当所述误差大于或等于标定值时，继续迭代更新所述第一计算网络与第二计算网络的参数；
当所述误差小于标定值时，以第一计算网络与第二计算网络各自的输入层到隐含层的权值及阈值，以及隐含层到输出层的权值及阈值为训练完毕的状态计算模型的模型参数。
第二方面，本申请实施例提供一种电池健康状态计算装置，所述装置包括：
数据获取模块，用于获取待测电池的历史放电数据，所述历史放电数据包括所述待测电池在不同使用阶段中的电池温度、放电倍数、放电深度以及深度次数；
预处理模块，用于对获取得到的所述待测电池的所述历史放电数据进行预处理；
状态计算模块，用于将预处理后的所述历史放电数据输入状态计算模型，得到当前所述待测电池的电池健康状态；
其中，所述状态计算模型包括基于历史样本数据集联合训练得到的第一计算网络与第二计算网络，所述历史样本数据集包括多个电池样本各自在不同使用阶段中的电池温度样本、放电倍率样本、放电深度样本及深度次数；所述第一计算网络对所述电池样本的衰减度进行辨识，所述第二计算网络结合所述第一计算网络输出的衰减度辨识结果与所述历史样本数据集，输出所述多个电池样本各自的健康状态的辨识结果。
第三方面，本申请实施例提供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计算机程序，所述计算机程序被处理器执行时实现如实施例第一方面所述的电池健康状态计算方法。
第四方面，本申请实施例提供一种车辆，所述车辆上设置有如实施例第二方面所述的电池健康状态计算装置，所述电池健康状态计算装置执行实施例第一方面所述的电池健康状态计算方法。
有益效果：
本方法中的状态计算模型包括两层神经网络，即第一计算网络与第二计算网络，第一计算网络基于多个电池样本各自在不同使用阶段中的电池温度样本、放电倍率样本、放电深度样本及深度次数进行训练，可以辨别这些因素与衰减度之间的关系，进而输出更加准确的衰减度预测，在第二计算网络在对当前的电池健康状态进行预测时，再基于第一计算网络输出的衰减度辨识结果进行计算，可以得到更准确的电池健康状态计算结果。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的电池健康状态计算方法的步骤流程图；
图2是本申请一实施例提出的训练状态计算模型的步骤流程图；
图3是本申请一实施例提出的电池健康状态计算装置的功能模块图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
电池健康状态(State of Health，SOH)对于整车的相关策略以及电池的安全性来说至关重要，示例地，车辆执行一项功能时，若当前电池的SOH值不足以支持该功能的执行，则该功能不能成功地执行，若是强行执行该功能，可能导致电池的使用寿命快速减少，因此，为了改善电池性能和电池的使用寿命，准确的SOH值是非常重要的。
影响电池的SOH值的影响因素至少包括：电池温度、放电倍率、放电深度及其深度次数、SOH衰减度，但是放电深度及次数与SOH值之间并不存在非线性关系，若直接根据放电深度及次数计算SOH值，得到的结果误差较大。
为了得到更准确的电池健康状态计算结果，本申请提出了一种电池健康状态计算方法。
参照图1，示出了本发明实施例中的一种电池健康状态计算方法的步骤流程图，所述方法具体可以包括以下步骤：
S101：获取待测电池的历史放电数据，所述历史放电数据包括所述待测电池在不同使用阶段中的电池温度、放电倍数、放电深度以及深度次数。
计算待测电池当前的电池健康状态，即当前的SOH值时，获取待测电池到目前为止不同使用阶段中的历史放电数据，包括电池温度、放电倍数、放电深度以及深度次数。
在实际实施时，不同使用阶段可以根据实际情况进行确定，示例地，每次从开始使用待测电池到关闭待测电池可以设置为一个使用阶段，也可以将预设时间内待测电池的使用状态作为一个使用阶段，如车辆的待测电池在一天内的使用情况作为一个使用阶段。
S102：对获取得到的所述待测电池的所述历史放电数据进行预处理。
预处理具体指的是，通过线性函数对所述历史放电数据进行归一化处理，以消除量纲，使得各个历史放电数据落入[0，1]的范围内。
S103：将预处理后的所述历史放电数据输入状态计算模型，得到当前所述待测电池的电池健康状态。
状态计算模型在已知电池初始的SOH值，根据待测电池到目前为止不同使用阶段中的历史放电数据，计算当前的电池健康状态，即当前的SOH值。
所述状态计算模型包括两层神经网络，具体为基于所述历史样本数据集联合训练得到的第一计算网络与第二计算网络，所述历史样本数据集包括多个电池样本各自在不同使用阶段中的电池温度样本、放电倍率样本、放电深度样本及深度次数。
所述第一计算网络基于所述历史样本数据集对衰减度进行辨识，由于第一计算网络是基于多个电池样本各自在不同使用阶段中的电池温度样本、放电倍率样本、放电深度样本及深度次数进行训练，因此可以辨别这些因素与SOH的衰减度之间的关系。
特别地，由于放电深度及深度次数与SOH值之间不存在非线性关系，但是放电深度及深度次数与SOH的衰减度之间存在非线性关系，例如，单次放电深度为80％时，衰减度为0.02％，单次放电深度为50％时，衰减度为0.05％，因此本方法通过第一计算网络专注于考虑各个因素与衰减度之间的关系，可以得到更加准确的衰减度辨识结果。
所述第二计算网络结合所述第一计算网络输出的衰减度辨识结果与所述历史样本数据集，可以得到更准确的多个电池样本各自的健康状态辨识结果。
具体地，由于电池SOH值是逐渐减小的，因此SOH值与SOH衰减度的关系为：电池在k时刻的SOH衰减度为k-1时刻的SOH值与k时刻的SOH值的差值，即：
SOHk，衰减度＝SOHk-1-SOHk
进而，通过电池在不同使用阶段中的历史放电数据，通过第一计算网络首先获得准确的SOH的衰减度，然后第二计算网络再基于历史放电数据与SOH的衰减度，可以得到更加准确的当前的电池健康状态的计算结果，准确的电池健康状态计算结果可以有效改善电池性能和电池的使用寿命。
在实际实施时，由于放电深度无法直接获取，进而放电深度数据可以根据电池的剩余容量(State of Charge，SOC)进行确定，具体地，可以将放电深度用梯度表示，所述梯度是根据所述待测电池在每个使用阶段的最末时刻的剩余容量确定的。
在一种实施方式中，确定每个使用阶段的放电深度的梯度，可以获取所述待测电池在每个使用阶段的最末时刻的对应的剩余容量；在多个预设的剩余容量区间中，确定所述剩余容量所属的剩余容量区间，将所述剩余容量区间对应的梯度作为所述待测电池在该使用阶段的放电深度的梯度；其中，所述多个预设的剩余容量区间是按照预设间隔对剩余容量的数值进行划分得到的区间，每个所述剩余容量区间对应不同的梯度。
示例地，放电深度的梯度可以设置为：
当所述待测电池的剩余容量为100％～90％时，确定所述放电深度为第一梯度，记为放电深度A；
当所述待测电池剩余容量为90％～80％时，确定所述放电深度为第二梯度，记为放电深度B；以此类推。
将放电深度用剩余电量SOC表征为不同的梯度，并且在状态计算模型中放电深度样本也采用梯度的形式，可以减少模型训练时迭代的复杂性，使得模型的辨识结果更容易收敛。
参照图2，示出了本申请实施例提出的训练状态计算模型的步骤流程图，在一种可行的实施方式中，所述状态计算模型是按以下步骤训练得到的：
A1：获取多个电池样本各自在不同使用阶段中的历史样本数据，以及所述多个电池样本各自的当前真实电池健康状态，构建所述历史样本数据集。
对状态计算模型进行训练时，获取多个电池样本各自在不同使用阶段中的历史样本数据，以及所述多个电池样本各自的当前真实电池健康状态，构建历史样本数据集，状态计算模型会对多个电池样本中每个电池样本的历史样本数据分别进行处理。
其中，所述历史样本数据包括：电池温度样本、放电倍率样本、放电深度样本及深度次数。
A2：对所述历史样本数据集进行预处理。
预处理指的是，通过线性函数对历史样本数据集中不同类型的数据进行归一化处理，使得不同类型的数据均属于[0，1]的范围，从而消除量纲。
在一种实施方式中，历史样本数据集中不同类型的数据对应的线性函数不同，具体地：
电池温度样本对应的线性函数为：
放电倍率样本对应的线性函数为：
放电深度样本的次数对应的线性函数为：
放电深度样本的梯度以及当前真实电池健康状态的线性函数为：
A3：分别构建第一计算网络与第二计算网络。
本实施方式中，所述第一计算网络与所述第二计算网络均为BP神经网络，且均包括输入层、隐含层以及输出层，其中，
所述输入层到所述隐含层的传递函数为：
此式中，x为输入层输出的神经元值。
所述隐含层到所述输出层的传递函数为：
f2(x)＝x
此式中，x为隐含层输出的神经元值。
由于，状态计算模型的输入包括每个电池样本的电池温度样本、放电倍率样本、放电深度样本及深度次数，以及每个电池样本的当前真实电池健康状态，因此本实施方式中，第一计算网络与第二计算网络的输入层均设置5个神经元。
第一计算网络用于预测SOH的衰减度，第二计算网络用于预测SOH值，因此第一计算网络与第二计算网络的输出层均设置1个神经元。
所述隐含层所含的神经元个数通过下式计算得到：
式中，m为输入层的神经元个数，n为输出层的神经元个数，a为预设值，一般取5；本式中，根号运算后可以取整数部分的数值。
在本实施方式中，输入层的神经元个数m＝5，输出层的神经元个数n＝1，a取5，则所述隐含层包含的神经元个数M为：
则从输入层到隐含层，隐含层第j个神经元的计算公式为：
式中，wij为所述输入层第i个神经元到所述隐含层第j个神经元的权值，xi为输入层第i个神经元的值，bj为隐含层第j个神经元的阈值，I为输入层的神经元总数，本实施方式中，I＝5；
从隐含层到输出层，所述输出层第k个神经元的计算公式为：
式中，Mj为隐含层第j个神经元的值，wjk为所述隐含层第j个神经元到所述输出层第k个神经元的权值，ak为输出层第k个神经元的阈值，J为隐含层的神经元总数，本实施方式中，J＝7，k＝1。
本实施方式中，隐藏层设置了1层，若训练结果不收敛时，可以增加隐含层的层数，也可以增加隐含层内的神经元的个数。
A4：所述第一计算网络，以预处理后的所述历史样本数据集为输入，分别辨识所述多个电池样本中每个电池样本的衰减度。
将预处理后的历史样本数据集作为输入，对于一个电池样本来说，有不同使用阶段中的历史样本数据，第一计算网络根据每个电池样本在不同使用阶段中的电池温度样本、放电倍率样本，放电深度样本及深度次数，输出SOH的衰减度。
A5：所述第二计算网络，以预处理后的所述历史样本数据集，以及所述第一计算网络对所述每个电池样本的衰减度的辨识结果为输入，输出所述多个电池样本中每个电池样本的电池健康状态的辨识结果。
在一种实施方式中，第一计算网络和第二计算网络针对任一个电池样本历史样本数据进行训练时，依次输入该电池样本在不同使用阶段的历史样本数据进行迭代处理，示例地，该电池样本有按时间先后的第一放电阶段、第二放电阶段以及第三放电阶段各自对应的历史样本数据，将这些历史样本数据输入第一计算网络和第二计算网络时，先输入第一放电阶段的历史样本数据进行处理，然后基于第一放电阶段的处理结果上，继续输入第二放电阶段的历史样本数据，最后输入第三放电阶段的历史样本数据，如此可以以每次放电过程为单元，考虑每次放电过程中放电深度、电池温度以及放电倍率对衰减度或SOH的影响，也可以学习不同放电阶段的放电深度的累积效应，从而使得训练得到的状态计算模型可以输出更准确的电池健康状态计算结果。
由于电池温度对衰减度或SOH的影响较小，因此在实际实施时可以将不同使用阶段的多个电池温度样本求取平均值作为一个输入数据，可以减少数据处理成本。
由于放电深度与SOH值之间没有非线性关系，若采用神经网络以历史样本数据为输入，直接输出SOH值，会导致神经网络难以收敛，预测到的SOH值误差很大。因此，本方法采用利用第一计算网络辨识放电深度及其次数与SOH的衰减度的关系，将第一计算网络输出的SOH的衰减度辨识结果与历史样本数据集一起作为第二计算模型的输入，从而可以考虑电池温度、放电倍率、放电深度及其深度次数以及SOH的衰减度等相关因素，对SOH值进行预测。
A6：基于第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，进行第一计算网络与第二计算网络的参数的更新。
本步骤具体包括以下子步骤：
A61：根据所述第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，确定所述辨识结果与所述每个电池样本的当前真实电池健康状态的误差。
在实际训练过程中，历史样本数据集中包括多个电池样本在不同使用阶段下的历史样本数据，将历史样本数据集输入第一计算网络和第二计算网络中时，第一计算网络和第二计算网络每次以一个电池样本对应的数据样本进行处理，此时第二计算网络输出该电池样本的SOH预测值，计算该电池样本的SOH的预测值与该电池样本的当前真实电池健康状态(即当前真实SOH值)的误差。
A62：当所述误差大于或等于标定值时，继续迭代更新所述第一计算网络与第二计算网络的参数。
具体地，若计算得到的误差大于或等于标定值时，继续对第一计算网络和第二计算网络的参数进行迭代更新，并且下一次迭代更新的过程中，第一计算网络和第二计算网络可以处理另一个电池样本在不同使用阶段中的历史样本数据。
A63：当所述误差小于标定值时，以第一计算网络与第二计算网络各自的输入层到隐含层的权值及阈值，以及隐含层到输出层的权值及阈值为训练完毕的状态计算模型的模型参数。
具体地，若计算得到的误差小于标定值时，第一计算网络和第二计算网络训练完毕，将训练完毕的第一计算网络和第二计算网络作为状态计算模型，且状态计算模型的参数为第一计算网络与第二计算网络各自的输入层到隐含层的权值及阈值，以及隐含层到输出层的权值及阈值。
本申请至少具有以下效果：
1、通过第一计算网络，考虑电池温度、放电倍率、放电深度及深度次数对SOH的衰减度的影响，得到更准确的SOH的衰减度；
2、将第一计算网络输出的SOH衰减度的辨识结果作为第二计算网络的输入，结合电池温度、放电倍率、放电深度及深度次数，可以得到更准确的SOH值；
3、由于放电深度的参数有限，采用根据电池的剩余容量SOC确定放电深度的梯度，从而避免由于参数不足而导致SOH计算不准确的问题。
参照图3，示出了本发明实施例中的一种电池健康状态计算装置的功能模块图，所述装置包括：
数据获取模块100，用于获取待测电池的历史放电数据，所述历史放电数据包括所述待测电池在不同使用阶段中的电池温度、放电倍数、放电深度以及深度次数；
预处理模块200，用于对获取得到的所述待测电池的所述历史放电数据进行预处理；
状态计算模块300，用于将预处理后的所述历史放电数据输入状态计算模型，得到当前所述待测电池的电池健康状态；其中，所述状态计算模型包括基于历史样本数据集联合训练得到的第一计算网络与第二计算网络，所述历史样本数据集包括多个电池样本各自在不同使用阶段中的电池温度样本、放电倍率样本、放电深度样本及深度次数；所述第一计算网络对所述电池样本的衰减度进行辨识，所述第二计算网络结合所述第一计算网络输出的衰减度辨识结果与所述历史样本数据集，输出所述多个电池样本各自的健康状态的辨识结果。
可选地，所述装置还包括模型训练模块，所述模型训练模块包括：
第一获取单元，用于获取多个电池样本各自在不同使用阶段中的历史样本数据，以及所述多个电池样本各自的当前真实电池健康状态，构建所述历史样本数据集，其中，所述历史样本数据包括：电池温度样本、放电倍率样本、放电深度样本及深度次数
第一处理单元，用于对所述历史样本数据集进行预处理；
构建单元，用于分别构建第一计算网络与第二计算网络；
衰减度计算单元，用于通过所述第一计算网络，以预处理后的所述历史样本数据集为输入，分别辨识所述多个电池样本中每个电池样本的衰减度；
电池健康状态预测单元，用于通过所述第二计算网络，以预处理后的所述历史样本数据集，以及所述第一计算网络对所述每个电池样本的衰减度的辨识结果为输入，输出所述多个电池样本中每个电池样本的电池健康状态的辨识结果；
参数更新单元，用于基于第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，进行第一计算网络与第二计算网络的参数的更新。
本申请实施例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上存储计算机程序，所述计算机程序被处理器执行时实现如实施例所述的电池健康状态计算方法。
本申请实施例还提供了一种车辆，所述车辆上设置有如实施例所述的电池健康状态计算装置，所述电池健康状态计算装置执行实施例所述的电池健康状态计算方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种电池健康状态计算方法，其特征在于，所述方法包括：
获取待测电池的历史放电数据，所述历史放电数据包括所述待测电池在不同使用阶段中的电池温度、放电倍数、放电深度以及深度次数；
对获取得到的所述待测电池的所述历史放电数据进行预处理；
将预处理后的所述历史放电数据输入状态计算模型，得到当前所述待测电池的电池健康状态；
其中，所述状态计算模型包括基于历史样本数据集联合训练得到的第一计算网络与第二计算网络，所述历史样本数据集包括多个电池样本各自在不同使用阶段中的电池温度样本、放电倍率样本、放电深度样本及深度次数；所述第一计算网络对所述电池样本的衰减度进行辨识，所述第二计算网络结合所述第一计算网络输出的衰减度辨识结果与所述历史样本数据集，输出所述多个电池样本各自的健康状态的辨识结果。
2.根据权利要求1所述的方法，其特征在于，所述放电深度用梯度表示，所述梯度是根据所述待测电池在每个使用阶段的最末时刻的剩余容量确定的。
3.根据权利要求2所述的方法，其特征在于，所述梯度是根据所述待测电池在每个使用阶段的最末时刻的剩余容量确定的，包括：
获取所述待测电池在每个使用阶段的最末时刻的对应的剩余容量；
在多个预设的剩余容量区间中，确定所述剩余容量所属的剩余容量区间，并将该剩余容量区间对应的梯度作为所述待测电池在该使用阶段的放电深度的梯度；
其中，所述多个预设的剩余容量区间是按照预设间隔对剩余容量的数值进行划分得到的区间，每个所述剩余容量区间对应不同的梯度。
4.根据权利要求1所述的方法，其特征在于，所述状态计算模型是按以下步骤训练得到的：
获取多个电池样本各自在不同使用阶段中的历史样本数据，以及所述多个电池样本各自的当前真实电池健康状态，构建所述历史样本数据集，其中，所述历史样本数据包括：电池温度样本、放电倍率样本、放电深度样本及深度次数；
对所述历史样本数据集进行预处理；
分别构建第一计算网络与第二计算网络；
所述第一计算网络，以预处理后的所述历史样本数据集为输入，分别辨识所述多个电池样本中每个电池样本的衰减度；
所述第二计算网络，以预处理后的所述历史样本数据集，以及所述第一计算网络对所述每个电池样本的衰减度的辨识结果为输入，输出所述多个电池样本中每个电池样本的电池健康状态的辨识结果；
基于第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，进行第一计算网络与第二计算网络的参数的更新。
5.根据权利要求4所述的方法，其特征在于，所述第一计算网络与所述第二计算网络均包括输入层、隐含层以及输出层，其中，
所述输入层到所述隐含层的传递函数为：
所述隐含层到所述输出层的传递函数为：
f2(x)＝x。
6.根据权利要求5所述的方法，其特征在于，
所述隐含层第j个神经元的计算公式为：
式中，wij为所述输入层第i个神经元到所述隐含层第j个神经元的权值，xi为输入层第i个神经元的值，bj为隐含层第j个神经元的阈值，I为输入层的神经元总数；
从隐含层到输出层，所述输出层第k个神经元的计算公式为：
式中，Mj为隐含层第j个神经元的值，wjk为所述隐含层第j个神经元到所述输出层第k个神经元的权值，ak为输出层第k个神经元的阈值，J为隐含层的神经元总数。
7.根据权利要求6所述的方法，其特征在于，基于第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，进行第一计算网络与第二计算网络的参数的更新，包括：
根据所述第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，确定所述辨识结果与所述每个电池样本的当前真实电池健康状态的误差；
当所述误差大于或等于标定值时，继续迭代更新所述第一计算网络与第二计算网络的参数；
当所述误差小于标定值时，以第一计算网络与第二计算网络各自的输入层到隐含层的权值及阈值，以及隐含层到输出层的权值及阈值为训练完毕的状态计算模型的模型参数。
8.一种电池健康状态计算装置，其特征在于，所述装置包括：
数据获取模块，用于获取待测电池的历史放电数据，所述历史放电数据包括所述待测电池在不同使用阶段中的电池温度、放电倍数、放电深度以及深度次数；
预处理模块，用于对获取得到的所述待测电池的所述历史放电数据进行预处理；
状态计算模块，用于将预处理后的所述历史放电数据输入状态计算模型，得到当前所述待测电池的电池健康状态；
其中，所述状态计算模型包括基于历史样本数据集联合训练得到的第一计算网络与第二计算网络，所述历史样本数据集包括多个电池样本各自在不同使用阶段中的电池温度样本、放电倍率样本、放电深度样本及深度次数；所述第一计算网络对所述电池样本的衰减度进行辨识，所述第二计算网络结合所述第一计算网络输出的衰减度辨识结果与所述历史样本数据集，输出所述多个电池样本各自的健康状态的辨识结果。
9.一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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的电池健康状态计算方法。
10.一种车辆，其特征在于，所述车辆上设置有如权利要求8所述的电池健康状态计算装置，所述电池健康状态计算装置执行权利要求1至7中任一项所述的电池健康状态计算方法。
CN202210528071.3A 2022-05-16 2022-05-16 电池健康状态计算方法、装置、存储介质以及车辆 Pending CN117129895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210528071.3A CN117129895A (zh) 2022-05-16 2022-05-16 电池健康状态计算方法、装置、存储介质以及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210528071.3A CN117129895A (zh) 2022-05-16 2022-05-16 电池健康状态计算方法、装置、存储介质以及车辆

Publications (1)

Publication Number Publication Date
CN117129895A true CN117129895A (zh) 2023-11-28

Family

ID=88851312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210528071.3A Pending CN117129895A (zh) 2022-05-16 2022-05-16 电池健康状态计算方法、装置、存储介质以及车辆

Country Status (1)

Country Link
CN (1) CN117129895A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117825975A (zh) * 2024-03-05 2024-04-05 烟台海博电气设备有限公司 基于数据驱动的锂离子电池soh评估方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117825975A (zh) * 2024-03-05 2024-04-05 烟台海博电气设备有限公司 基于数据驱动的锂离子电池soh评估方法及系统

Similar Documents

Publication Publication Date Title
CN110568359B (zh) 一种锂电池剩余寿命预测方法
CN112946484B (zh) 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN103344923B (zh) 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法
Fleischer et al. On-line self-learning time forward voltage prognosis for lithium-ion batteries using adaptive neuro-fuzzy inference system
CN115291116B (zh) 储能电池健康状态预测方法、装置及智能终端
CN115902647B (zh) 一种电池状态智能监测方法
CN114290960B (zh) 获取动力电池的电池健康度的方法、装置和车辆
CN110082682A (zh) 一种锂电池荷电状态估计方法
CN113109717B (zh) 一种基于特征曲线优化的锂电池荷电状态估算方法
CN103399280A (zh) 基于nsdp-ar模型的锂离子电池循环寿命预测方法
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN114660497A (zh) 一种针对容量再生现象的锂离子电池寿命预测方法
Xing et al. Lithium-ion battery state-of-charge estimation based on a dual extended Kalman filter and BPNN correction
CN117129895A (zh) 电池健康状态计算方法、装置、存储介质以及车辆
CN115902642A (zh) 电池荷电状态估算方法、装置、电子设备及存储介质
CN114924203A (zh) 一种电池soh预测分析方法及电动汽车
CN111337833B (zh) 一种基于动态时变权重的锂电池容量集成预测方法
CN117007974A (zh) 一种基于模型融合的固态电池soc估计方法
CN116718924A (zh) 一种基于电磁检测技术的数字孪生电池构建方法
CN116466253A (zh) 一种燃料电池衰减的分析方法和装置
CN114325447B (zh) 建立电池健康度评估模型及评估的方法、系统及装置
CN115856641A (zh) 一种电池剩余充电时间预测方法、装置及电子设备
CN112418564A (zh) 基于lstm的充换电站换电负荷预测方法及其相关组件
CN113868957B (zh) 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法

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