CN117310536A - 一种确定车辆动力电池健康度的方法、装置、介质及设备 - Google Patents

Abstract

本发明提供一种确定车辆动力电池健康度的方法、装置、介质及设备，包括：获得动力电池样本数据；利用动力电池样本数据对电池健康度预测模型进行训练，输出对应的目标电池健康度预测模型；利用目标电池健康度预测模型确定动力电池的充电容量，根据动力电池的充电容量及额定容量确定动力电池的充电容量衰减率；确定动力电池的参考健康度，利用充电容量衰减率对参考健康度进行修正，获得动力电池的目标健康度；如此，进行预测模型训练时，考虑到了电池实际运行的工况，因此预测出的充电容量的精度会更高；并且还利用充电容量衰减率对确定出的参考健康度进行修正，最终获得的目标健康度更加贴合电池运行的实际工况，确保了目标健康度的准确性。

Description

一种确定车辆动力电池健康度的方法、装置、介质及设备

技术领域

本申请涉及动力电池健康预测技术领域，尤其涉及一种确定车辆动力电池健康度的方法、装置、介质及设备。

背景技术

近几年随着新能源汽车的快速发展，动力电池的应用越来越广泛。由于动力电池在使用过程中性能会衰减，一致性会变差，会导致新能源汽车的续航里程也在逐渐衰减。因此在电动汽车运营的过程中，需要对动力电池健康度(SOH，State Of Health)进行评估预测，用来评价动力电池的剩余使用电量，进而判断是否需要更换电动汽车的动力电池，降低动力电池出现故障或者热失控现象。

在相关技术中，对于动力电池健康度的进行预测评估时，需要利用专业的试验测试以及大量的仿真计算。在实际运营中，电池工况与试验阶段的工况具有较大差异，导致预测出的实际SOH的准确度也无法确保。

发明内容

针对现有技术存在的问题，本发明实施例提供了一种确定车辆动力电池健康度的方法、装置、介质及设备，以解决或者部分解决现有技术中对动力电池健康度SOH进行预测时，预测准确度无法确保的技术问题。

本发明的第一方面，提供一种确定车辆动力电池健康度的方法，所述方法包括：

对动力电池使用数据进行预处理，获得对应的动力电池样本数据；所述动力电池使用数据是在车辆在实际运营过程中的电池数据；

利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的目标电池健康度预测模型；

利用所述目标电池健康度预测模型确定动力电池的充电容量，根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率；

确定所述动力电池的参考健康度，利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度。

上述方案中，所述对动力电池使用数据进行预处理，包括：

确定各动力电池使用数据的状态标记；

基于时间切分规则或状态切分规则将所述动力电池使用数据切分为多个数据片段；

根据所述状态标记对各所述数据片段进行合并，获得合并数据片段，并为所述合并数据片段添加对应的数据标签。

上述方案中，所述为所述合并数据片段添加对应的数据标签后，所述方法还包括：

剔除合并数据片段中的异常值及空值，得到剩余合并数据片段；

基于预设的数据筛选策略对所述剩余合并数据片段进行筛选，将满足所述数据筛选策略的剩余合并数据片段确定为所述动力电池样本数据；其中，

所述数据筛选策略包括下述一种或多种组合：充电倍率小于1C；车辆行驶里程小于1000km，电池温度在10～15℃；以及充电起始荷电状态SOC小于等于A％，充电结束SOC大于等于B％；所述A小于所述B。

上述方案中，所述将满足所述数据筛选策略的剩余合并数据片段确定为所述动力电池样本数据之后，所述方法还包括：

在所述动力电池样本数据中提取满足第一充电SOC条件的第一目标动力电池样本数据，获取各所述第一目标动力电池样本数据对应的第一充电容量；所述第一充电SOC条件为：A％≤充电SOC≤B％；

根据所述第一充电SOC条件的端点值及所述第一充电容量确定所述第一目标动力电池样本数据对应的第二充电容量；

根据所述第二充电容量对所述第一目标动力电池样本数据进行再次筛选，获得第二目标动力电池样本数据；

将所述第二目标动力电池样本数据中对应的充电容量的平均值作为额定充电容量。

上述方案中，所述电池健康度预测模型为提升树模型，所述利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的电池健康度预测模型，包括：

构造电池健康度预测模型的模型特征值，设置所述电池健康度预测模型的决策树数量及节点数量；所述模型特征值包括：单次充电特征、1000km行驶里程内的历史充电特征以及环境温度；单次充电特征包括：行驶里程、开始SOC、结束SOC、充电深度、充电倍率、充电时长及充电开始温度；所述1000km行驶里程内的历史充电特征包括：经历天数、里程差、总充电次数、总充电容量、次均充电容量、总充电时长、平均充电倍率、平均起始SOC、平均结束SOC、平均SOC深度、起始SOC中位数、结束SOC中位数及充电SOC深度中位数；所述环境温度包括：有效温度个数、年中位温度、年平均温度、年温度极差及年温度方差；

将所述动力电池样本数据划分为训练集和测试集，利用所述训练集对所述电池健康度预测模型进行训练；利用所述测试集对训练后的电池健康度预测模型进行精度预测；

若确定所述电池健康度的精度满足要求，则输出对应的目标电池健康度预测模型。

上述方案中，所述根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率，包括：

确定所述动力电池的额定容量与充电容量之间的容量差值；

根据所述容量差值与所述额定容量确定所述动力电池的充电容量衰减率。

上述方案中，所述利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度，包括：

获取所述充电容量衰减度对应的第一比例系数及所述参考健康度对应的第二比例系数；

根据所述充电容量衰减度及所述第一比例系数确定第一目标健康度，根据所述参考健康度及对所述第二比例系数确定第二目标健康度；

将所述第一目标健康度和所述第二目标健康度的和值确定为所述动力电池的目标健康度。

本发明的第二方面，提供一种确定车辆动力电池健康度的装置，所述装置包括：

数据处理单元，用于对动力电池使用数据进行预处理，获得对应的动力电池样本数据；所述动力电池使用数据是在车辆在实际运营过程中的电池数据；

训练单元，用于利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的目标电池健康度预测模型；

确定单元，用于利用所述目标电池健康度预测模型确定动力电池的充电容量，根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率；

修正单元，用于确定所述动力电池的参考健康度，利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度。

本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述方法的步骤。

本发明的第四方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面中任一项所述方法的步骤。

本发明提供了一种确定车辆动力电池健康度的方法、装置、介质及设备，方法包括：对动力电池使用数据进行预处理，获得对应的动力电池样本数据；所述动力电池使用数据是在车辆在实际运营过程中的电池数据；利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的目标电池健康度预测模型；利用所述目标电池健康度预测模型确定动力电池的充电容量，根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率；确定所述动力电池的参考健康度，利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度；如此，通过采用车辆在实际运营过程中的动力电池使用数据进行模型训练，考虑到了电池实际运行的工况，因此模型预测动力电池的充电容量的精度会更加精准；并且本发明还利用确定出的充电容量衰减率对常规方式确定出的参考健康度进行修正，这样最终获得的目标健康度更加贴合电池运行的实际工况，从而确保了目标健康度的准确性。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。

在附图中：

图1示出了根据本发明一个实施例的确定车辆动力电池健康度的方法流程示意图；

图2示出了根据本发明一个实施例的确定车辆动力电池健康度的装置结构示意图；

图3示出了根据本发明一个实施例的计算机设备结构示意图；

图4示出了根据本发明一个实施例的计算机可读存储介质结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供一种确定车辆动力电池健康度的方法，如图1所示，方法包括以下步骤：

S110，对动力电池使用数据进行预处理，获得对应的动力电池样本数据；所述动力电池使用数据是在车辆在实际运营过程中的电池数据；

为了提高后续电池健康度预测模型的预测精度，本发明中的动力电池使用数据是车辆在实际运营过程中的实际电池数据。

本发明可以从各新能源汽车平台中获取新能源汽车在运营过程中的动力电池使用数据，动力电池使用数据至少包括以下字段：数据采集时间、车辆状态、充电状态、运行模式、车速、里程、总电压、总电流、荷电状态SOC、电池单体电压最高值、电池单体电压最低值、电池系统最高温度值、电池系统最低温度值、经度、纬度、地区、城市及省份。

需要说明的是，由于新能源汽车平台中包含有多种电池型号对应的动力电池使用数据，在获取动力电池使用数据时，可根据待测电池的电池型号进行获取。比如，若需要对型号F的动力电池进行预测，那么从新能源平台中需要采集装载有型号F的车辆上传的动力电池使用数据。

获取到动力电池使用数据后，对动力电池使用数据进行预处理及筛选，使得具有相同状态的动力电池数据可以合并在一起，作为后续电池健康度预测模型的动力电池样本数据。

在一种实施方式中，对动力电池使用数据进行预处理，包括：

确定各动力电池使用数据的状态标记；

基于时间切分规则或状态切分规则将动力电池使用数据切分为多个数据片段；

根据状态标记对各数据片段进行合并，获得合并数据片段，并为合并数据片段添加对应的数据标签。

由于车辆在实际运营过程中，会存在多种状态，比如行驶状态、充电状态、停车状态、熄火状态等等，为了满足后续电池健康度预测的需要，需要对获取到的动力电池使用数据进行状态标记，再对状态标记后的动力电池使用数据进行切分，形成数据片段，最终基于状态标记合并对应的数据片段，以确保时间的连续性。其中，

在获取动力电池使用数据时，是一帧一帧从新能源汽车平台中采集过来的，因此需要对每一帧动力电池使用数据进行状态标记，状态标记的具体定义如下：

行驶状态：单帧速度大于0；

充电状态：速度小于0，电流小于0；

停车状态：车辆状态不熄火，电流大于0；

熄火状态：前一帧为充电或满电待机，且SOC＝100％，此时标记为满电待机，否则标记为熄火状态。

举例来说，假设数据帧C的行驶速度大于0，此时可以将数据帧C标记为行驶状态；假设数据帧D中的行驶速度小于0，且电流大于0，说明此时车辆处于充电状态，那么可将数据帧D标记为充电状态；假设数据帧E为充电状态且SOC为100％，数据帧E的下一帧数据可标记为满电状态。

假设数据帧E不是充电状态且不是满电待机状态，此时数据帧E的下一帧数据可标记为熄火状态。

这样就将每一帧的动力电池使用数据的数据状态进行了标记，本发明还需要对动力电池使用数据进行切分，形成多个数据片段；然后对一次行驶过程或一次充电过程中的数据片段进行合并，合并后的数据作为动力电池样本数据。

具体来讲，可基于时间切分规则或状态切分规则将动力电池使用数据切分为多个数据片段。

比如，针对时间切分规则来说，若两帧数据之间的时间差大于预设时间(比如5min)时，则可将两帧数据进行切分，形成2个数据片段。

针对状态切分规则来说，若相邻两帧数据的状态标记不一致，则可将两帧数据进行切分，形成2个数据片段。

但是在一次充电过程或在一次行驶过程中对应的动力电池使用数据会包括很多帧，在实际传输过程中，可能会由于网络原因或者车辆本身的硬件原因导致采集到的动力电池使用数据有缺失，为了保持数据的完整性，降低异常数据对后续模型训练的影响，还需要对各充电过程或各行驶过程的数据片段进行状态合并。

比如对于某次行驶过程的数据来说，如果第一个数据片段和第二个数据片段之间存在行驶数据缺失，则判断缺失时长是否大于预设时长阈值(时长阈值可以为10min)，若缺失时长小于或等于预设时长阈值，且第一个数据片段和第二个数据片段中的行车速度平均值大于0，此时可将第一个数据片段和第二个数据片段进行合并。

若缺失时长大于预设时长阈值，但是第一个数据片段和第二个数据片段中的行车速度平均值大于预设速度阈值(比如5km/h)，则将第一个数据片段和第二个数据片段进行合并。

同样的，针对某次充电过程的数据来说，如果第一个数据片段和第二个数据片段为相邻数据片段，且两个数据片段之间存在充电数据缺失，则获取第一个数据片段和第二个数据片段中的SOC。若确定第二个数据片段的SOC大于第一个数据片段中的SOC，且确定缺失时长小于预设时长阈值(比如10min)，则合并第一个数据片段和第二个数据片段(相邻两个数据片段为充电，且SOC在增加)；其中，第二个数据片段的采集时刻大于第一个数据片段的采集时刻。

若缺失时长大于预设时长阈值，但是确定第二个数据片段中的充电速率(单位时间内的SOC增量)大于等于第一个数据片段中的充电速率的0.6倍(60％)，此时也可将第一个数据片段和第二个数据片段进行合并。

举例来说，充电过程中，假设第一个数据片段的SOC增量为10％，第二个数据片段的SOC增量为7％，第一个数据片段和第二个数据片段之间的缺失时长为15min，此时说明第一个数据片段和第二个数据片段为同一充电过程中的数据片段，因此会合并第一个数据片段和第二个数据片段。

这样，针对每次的充电、行驶、停车、熄火等状态，均存在对应的合并数据片段。

由于后续是对电池健康度进行预测，因此这里针对充电状态对应的合并数据片段，为每个合并数据片段添加相应的数据标签，数据标签可以包括但不限于以下信息：充电开始SOC，充电结束SOC，充电深度，里程，充电倍率，充电容量，电压、电流、温度、充放电次数，总充放电容量，环境温度等。

其中，充电深度是指动力电池对应的实际充电范围；比如有的电池可以从0充到100％，那么充电深度为100％；有的电池可以从0只能冲到97％，那么充电深度为97％。

然后继续筛选掉不符合要求的充电过程的合并数据片段，将符合要求的合并数据片段确定为动力电池样本数据。

也即，在一种实施方式中，为合并数据片段添加对应的数据标签后，方法还包括：

剔除合并数据片段中的异常值及空值，得到剩余合并数据片段；

基于预设的数据筛选策略对剩余合并数据片段进行筛选，将满足数据筛选策略的剩余合并数据片段确定为动力电池样本数据；其中，

数据筛选策略包括：充电倍率小于1C；车辆行驶里程小于1000km，电池温度在10～15℃；以及充电起始荷电状态SOC小于等于A％，充电结束SOC大于等于B％；所述A小于所述B。其中，端点值A和B可基于实际情况确定；示例性的，A可以为40，B可以为80。

这里，确定出动力电池样本数据后，方法还包括：

在动力电池样本数据中提取满足第一充电SOC条件的第一目标动力电池样本数据，获取各第一目标动力电池样本数据对应的第一充电容量；第一充电SOC条件为：A％≤充电SOC≤B％；

根据第一充电SOC条件的端点值及第一充电容量确定第一目标动力电池样本数据对应的第二充电容量；

根据第二充电容量对第一目标动力电池样本数据进行再次筛选，获得第二目标动力电池样本数据；

将第二目标动力电池样本数据中对应的充电容量的平均值作为额定充电容量。

具体来讲，提取到充电SOC在A％～B％后的第一目标动力电池使用数据后，统计第一目标动力电池使用数据的充电容量，将第一目标动力电池使用数据的充电容量平均值作为第一充电容量Ca0。

根据公式(1)确定第二充电容量Ca1：

Ca1＝Ca0/(B-A)(1)

其中，第二充电容量Ca1可以理解为是充电增量为40％SOC时计算得到的理论充电至100％SOC的容量。

然后根据第二充电容量对第一目标动力电池样本数据进行排序，剔除掉10分位以下以及90分位以上的第一目标动力电池样本数据，剩下的样本数据作为第二目标动力电池样本数据。

S111，利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的目标电池健康度预测模型。

然后将第二目动力电池样本数据划分为训练集和测试集，训练集和测试集的比例可以包括但不限于7:3。

在一种实施方式中，电池健康度预测模型可以为提升树模型，利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的电池健康度预测模型，包括：

构造电池健康度预测模型的模型特征值，设置电池健康度预测模型的决策树数量及节点数量；模型特征值包括：单次充电特征、1000km行驶里程内的历史充电特征以及环境温度；单次充电特征包括：行驶里程、开始SOC、结束SOC、充电深度、充电倍率、充电时长及充电开始温度；所述1000km行驶里程内的历史充电特征包括：经历天数、里程差(两次充满电量后的续航里程之间的差值，比如第一次充满电后续航300公里，第二次充满后续航290公里，里程差为10km)、总充电次数、总充电容量、次均充电容量、总充电时长、平均充电倍率、平均起始SOC、平均结束SOC、平均SOC深度、起始SOC中位数、结束SOC中位数及充电SOC深度中位数；环境温度包括：有效温度个数(温度范围为-30℃～55℃)、年中位温度、年平均温度、年温度极差及年温度方差；

将动力电池样本数据划分为训练集和测试集，利用训练集对所述电池健康度预测模型进行训练；利用测试集对训练后的电池健康度预测模型进行精度预测；

若确定电池健康度的精度满足要求，则输出对应的电池健康度预测模型。

具体来讲，在对电池健康度预测模型训练之前，需要构造模型特征值以及设置模型参数。在构造模型特征值时，需要在对应的模型参数中定义单次充电特征、1000km内的历史特征及环境温度，定义完成后，模型特征值即构造完成。

在设置模型参数时，需要设置模型的决策树数量(一般大于等于0)，设置单叶子节点数据(一般大于等于10)。

最后利用训练集对电池健康度预测模型进行训练，训练完毕后，利用测试集对模型精度P进行检测，具体检测方式如公式(2)所示：

其中，在公式(2)中，Ca3为模型预测出的动力电池的充电容量，Ca4为动力电池的实际充电容量。

若模型精度P大于预设阈值时，则说明模型精度满足要求，此时可输出电池健康度预测模型作为最终的目标电池健康度预测模型。

S112，利用所述目标电池健康度预测模型确定动力电池的充电容量，根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率。

如上文所述，可利用目标电池健康度预测模型预测出动力电池的充电容量，那么在一种实施方式中，根据动力电池的充电容量及额定容量确定动力电池的充电容量衰减率，包括：

确定动力电池的额定容量与充电容量之间的容量差值；

根据容量差值与所述额定容量确定动力电池的充电容量衰减率。

具体来讲，可根据公式Ca2-Ca3确定动力电池的额定容量与充电容量之间的容量差值：

然后根据公式(3)确定动力电池的充电容量衰减率fa：

在公式(3)中，Ca2为额定容量，Ca3为模型预测出的动力电池的充电容量。

S113，确定所述动力电池的参考健康度，利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度。

在本步骤中，可在试验过程中，基于试验数据来确定动力电池的参考健康度。比如可根据动力电池的循环容量数据确定参考健康度；循环容量数据包括：电池健康度衰减到80％时对应的充电总容量Ca5，电池健康度衰减到80％时对应的放电总容量Ca6，当前状态下的动力电池的充电总容量Ca7以及当前状态下的动力电池的放电总容量Ca8。

然后可基于公式(4)确定出动力电池的衰减率ea：

其中，M为第一比例系数，N为第二比例系数，M+N＝1。M、N的具体取值可基于实际情况确定，在此不做限制。

最后，在一种实施方式中，利用充电容量衰减率对参考健康度进行修正，获得动力电池的目标健康度，包括：

获取充电容量衰减度对应的第一比例系数及参考健康度对应的第二比例系数；

根据充电容量衰减度及所述第一比例系数确定第一目标健康度，根据参考健康度及对第二比例系数确定第二目标健康度；

将第一目标健康度和第二目标健康度的和值确定为动力电池的目标健康度。

具体来讲，可基于公式(5)确定动力电池的目标健康度SOH：

SOH＝fa*h+ea*j(5)

在公式(5)中，h为第三比例系数，j为第四比例系数，h+j＝1。h、j的具体取值可基于实际情况确定，在此不做限制。

可以看出，本发明通过采用车辆在实际运营过程中的动力电池使用数据进行模型训练，考虑到了电池实际运行的工况，因此模型预测出的动力电池的充电容量的精度会更加精准；并且本发明还利用确定出的充电容量衰减率对常规方式确定出的参考健康度进行修正，这样最终获得的目标健康度更加贴合电池运行的实际工况，从而确保了目标健康度预测的准确性。

基于与前述实施例中同样的发明构思，本实施例还提供一种确定车辆动力电池健康度的装置，如图2所示，装置包括：

数据处理单元21，用于对动力电池使用数据进行预处理，获得对应的动力电池样本数据；所述动力电池使用数据是在车辆在实际运营过程中的电池数据；

训练单元22，用于利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的目标电池健康度预测模型；

确定单元23，用于利用所述目标电池健康度预测模型确定动力电池的充电容量，根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率；

修正单元24，用于确定所述动力电池的参考健康度，利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度。

由于本发明实施例所介绍的装置，为实施本发明实施例的确定车辆动力电池健康度所采用的装置，故而基于本发明实施例所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例的方法所采用的装置都属于本发明所欲保护的范围。

基于同样的发明构思，本实施例提供一种计算机设备300，如图3所示，包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311，处理器320执行计算机程序311时实现前文所述方法的任一步骤。

基于同样的发明构思，本实施例提供一种计算机可读存储介质400，如图4所示，其上存储有计算机程序411，该计算机程序411被处理器执行时实现前文任一所述方法的步骤。

通过本发明的一个或者多个实施例，本发明具有以下有益效果或者优点：

本发明提供了一种确定车辆动力电池健康度的方法、装置、介质及设备，方法包括：对动力电池使用数据进行预处理，获得对应的动力电池样本数据；所述动力电池使用数据是在车辆在实际运营过程中的电池数据；利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的目标电池健康度预测模型；利用所述目标电池健康度预测模型确定动力电池的充电容量，根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率；确定所述动力电池的参考健康度，利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度；如此，通过采用车辆在实际运营过程中的动力电池使用数据进行模型训练，考虑到了电池实际运行的工况，因此模型预测动力电池的充电容量的精度会更加精准；并且本发明还利用确定出的充电容量衰减率对常规方式确定出的参考健康度进行修正，这样最终获得的目标健康度更加贴合电池运行的实际工况，从而确保了目标健康度的准确性。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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范围的所有变更和修改。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种确定车辆动力电池健康度的方法，其特征在于，所述方法包括：

对动力电池使用数据进行预处理，获得对应的动力电池样本数据；所述动力电池使用数据是在车辆在实际运营过程中的电池数据；

利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的目标电池健康度预测模型；

利用所述目标电池健康度预测模型确定动力电池的充电容量，根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率；

确定所述动力电池的参考健康度，利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度。

2.如权利要求1所述的方法，其特征在于，所述对动力电池使用数据进行预处理，包括：

确定各动力电池使用数据的状态标记；

基于时间切分规则或状态切分规则将所述动力电池使用数据切分为多个数据片段；

根据所述状态标记对各所述数据片段进行合并，获得合并数据片段，并为所述合并数据片段添加对应的数据标签。

3.如权利2所述的方法，其特征在于，所述为所述合并数据片段添加对应的数据标签后，所述方法还包括：

剔除合并数据片段中的异常值及空值，得到剩余合并数据片段；

基于预设的数据筛选策略对所述剩余合并数据片段进行筛选，将满足所述数据筛选策略的剩余合并数据片段确定为所述动力电池样本数据；其中，

所述数据筛选策略包括下述一种或者多种组合：充电倍率小于1C；车辆行驶里程小于1000km，电池温度在10～15℃；以及充电起始荷电状态SOC小于等于A％，充电结束SOC大于等于B％；所述A小于所述B。

4.如权利要求3所述的方法，其特征在于，所述将满足所述数据筛选策略的剩余合并数据片段确定为所述动力电池样本数据之后，所述方法还包括：

在所述动力电池样本数据中提取满足第一充电SOC条件的第一目标动力电池样本数据，获取各所述第一目标动力电池样本数据对应的第一充电容量；所述第一充电SOC条件为：A％≤充电SOC≤B％；

根据所述第一充电SOC条件的端点值及所述第一充电容量确定所述第一目标动力电池样本数据对应的第二充电容量；

根据所述第二充电容量对所述第一目标动力电池样本数据进行再次筛选，获得第二目标动力电池样本数据；

将所述第二目标动力电池样本数据中对应的充电容量的平均值作为额定充电容量。

5.如权利要求1所述的方法，其特征在于，所述电池健康度预测模型为提升树模型，所述利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的电池健康度预测模型，包括：

构造电池健康度预测模型的模型特征值，设置所述电池健康度预测模型的决策树数量及节点数量；所述模型特征值包括：单次充电特征、1000km行驶里程内的历史充电特征以及环境温度；单次充电特征包括：行驶里程、开始SOC、结束SOC、充电深度、充电倍率、充电时长及充电开始温度；所述1000km行驶里程内的历史充电特征包括：经历天数、里程差、总充电次数、总充电容量、次均充电容量、总充电时长、平均充电倍率、平均起始SOC、平均结束SOC、平均SOC深度、起始SOC中位数、结束SOC中位数及充电SOC深度中位数；所述环境温度包括：有效温度个数、年中位温度、年平均温度、年温度极差及年温度方差；

将所述动力电池样本数据划分为训练集和测试集，利用所述训练集对所述电池健康度预测模型进行训练；利用所述测试集对训练后的电池健康度预测模型进行精度预测；

若确定所述电池健康度的精度满足要求，则输出对应的目标电池健康度预测模型。

6.如权利要求1所述的方法，其特征在于，所述根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率，包括：

确定所述动力电池的额定容量与充电容量之间的容量差值；

根据所述容量差值与所述额定容量确定所述动力电池的充电容量衰减率。

7.如权利要求1所述的方法，其特征在于，所述利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度，包括：

获取所述充电容量衰减度对应的第一比例系数及所述参考健康度对应的第二比例系数；

根据所述充电容量衰减度及所述第一比例系数确定第一目标健康度，根据所述参考健康度及对所述第二比例系数确定第二目标健康度；

将所述第一目标健康度和所述第二目标健康度的和值确定为所述动力电池的目标健康度。

8.一种确定车辆动力电池健康度的装置，其特征在于，所述装置包括：

数据处理单元，用于对动力电池使用数据进行预处理，获得对应的动力电池样本数据；所述动力电池使用数据是在车辆在实际运营过程中的电池数据；

训练单元，用于利用所述动力电池样本数据对电池健康度预测模型进行训练，输出对应的目标电池健康度预测模型；

确定单元，用于利用所述目标电池健康度预测模型确定动力电池的充电容量，根据所述动力电池的充电容量及额定容量确定所述动力电池的充电容量衰减率；

修正单元，用于确定所述动力电池的参考健康度，利用所述充电容量衰减率对所述参考健康度进行修正，获得所述动力电池的目标健康度。

9.一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，该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。