CN117574788B - 一种基于多尺度建模的电池健康度预测方法及装置 - Google Patents
一种基于多尺度建模的电池健康度预测方法及装置 Download PDFInfo
- Publication number
- CN117574788B CN117574788B CN202410065912.0A CN202410065912A CN117574788B CN 117574788 B CN117574788 B CN 117574788B CN 202410065912 A CN202410065912 A CN 202410065912A CN 117574788 B CN117574788 B CN 117574788B
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- prediction
- historical
- real
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 157
- 230000032683 aging Effects 0.000 claims abstract description 161
- 238000012549 training Methods 0.000 claims abstract description 113
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000007637 random forest analysis Methods 0.000 claims description 110
- 230000008569 process Effects 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 3
- 229910001416 lithium ion Inorganic materials 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 230000007480 spreading Effects 0.000 description 4
- 238000003892 spreading Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本申请提供一种基于多尺度建模的电池健康度预测方法及装置，该方法包括：获取待检测车辆的实时电池老化特征；获取预训练数据集中的历史电池老化特征；基于预设的DTW算法和历史电池老化特征，在预训练数据集中确定与实时电池老化特征相对应的电池SOH目标值；将实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值；基于电池SOH目标值和电池SOH预测值，判断电池健康度预测模型是否适用；当电池健康度预测模型适用时，将电池SOH预测值确定为电池SOH预测结果。可见，该方法及装置能够提高电池健康状态的评估精度和评估效率。
Description
技术领域
本申请涉及电池状态预测领域，具体而言，涉及一种基于多尺度建模的电池健康度预测方法及装置。
背景技术
目前，随着电动汽车的广泛使用，锂离子电池因其比能量高、寿命长等特点成为主流选择。电池健康状态的准确评估对于提升电池控制精度、保障电池安全性能具有重要意义。
然而，在实践中发现，电池在使用过程中不可避免地伴随着诸多老化反应，且这些反应彼此之间互相影响并呈现非线性耦合，因此这无疑加大了电池健康状态的预测难度，从而导致了电池健康状态的评估精度和评估效率不高。
发明内容
本申请实施例的目的在于提供一种基于多尺度建模的电池健康度预测方法及装置，能够提高电池健康状态的评估精度和评估效率。
本申请第一方面提供了一种基于多尺度建模的电池健康度预测方法，包括：
获取待检测车辆的实时电池老化特征；
获取预训练数据集中的历史电池老化特征；
基于预设的DTW算法和所述历史电池老化特征，在所述预训练数据集中确定与所述实时电池老化特征相对应的电池SOH目标值；
将所述实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值；
基于所述电池SOH目标值和所述电池SOH预测值，判断所述电池健康度预测模型是否适用；
当所述电池健康度预测模型适用时，将所述电池SOH预测值确定为电池SOH预测结果。
在上述实现过程中，该方法能够通过随机森林模型对电池SOH值进行预测，并在得到电池SOH预测值之后，在历史数据库中寻找电池SOH历史参照值。在得到该两个电池SOH值之后，该方法可以通过DTW模型确定两者之间相对误差，并以此来判断随机森林模型是否能够胜任当前的电池SOH预测工作。从而以此来保障随机森林模型在能够胜任当前的电池SOH值预测工作时，获取到更准确的电池SOH预测值。另一方面，由于该方法实施起来较为便捷，因此该方法还能够在保障电池SOH预测值准确的情况下相应的提高电池SOH值的预测效率。
本申请第二方面提供了一种基于多尺度建模的电池健康度预测装置，所述基于多尺度建模的电池健康度预测装置包括：
获取单元，用于获取待检测车辆的实时电池老化特征；
所述获取单元，还用于获取预训练数据集中的历史电池老化特征；
选择单元，用于基于预设的DTW算法和所述历史电池老化特征，在所述预训练数据集中确定与所述实时电池老化特征相对应的电池SOH目标值；
预测单元，用于将所述实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值；
判断单元，用于基于所述电池SOH目标值和所述电池SOH预测值，判断所述电池健康度预测模型是否适用；
确定单元，用于当所述电池健康度预测模型适用时，将所述电池SOH预测值确定为电池SOH预测结果。
在上述实现过程中，该装置能够通过随机森林模型对电池SOH值进行预测，并在得到电池SOH预测值之后，在历史数据库中寻找电池SOH历史参照值。在得到该两个电池SOH值之后，该装置可以通过DTW模型确定两者之间相对误差，并以此来判断随机森林模型是否能够胜任当前的电池SOH预测工作。从而以此来保障随机森林模型在能够胜任当前的电池SOH值预测工作时，获取到更准确的电池SOH预测值。另一方面，由于该装置实施起来较为便捷，因此该装置还能够在保障电池SOH预测值准确的情况下相应的提高电池SOH值的预测效率。
本申请第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请第一方面中任一项所述的基于多尺度建模的电池健康度预测方法。
本申请第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请第一方面中任一项所述的基于多尺度建模的电池健康度预测方法。
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中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种基于多尺度建模的电池健康度预测方法的流程示意图；
图2为本申请实施例提供的另一种基于多尺度建模的电池健康度预测方法的流程示意图；
图3为本申请实施例提供的又一种基于多尺度建模的电池健康度预测方法的流程示意图；
图4为本申请实施例提供的再一种基于多尺度建模的电池健康度预测方法的流程示意图；
图5为本申请实施例提供的再一种基于多尺度建模的电池健康度预测方法的流程示意图；
图6为本申请实施例提供的一种基于多尺度建模的电池健康度预测方法的举例流程示意图；
图7为本申请实施例提供的一种布撒种子点计算梯度序列示意图；
图8为本申请实施例提供的一种通过DTW算法寻找最相似老化特征从而确定SOH的流程示意图；
图9为本申请实施例提供的一种基于多尺度建模的电池健康度预测装置的结构示意图；
图10为本申请实施例提供的另一种基于多尺度建模的电池健康度预测装置的结构示意图。
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描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本实施例提供的一种基于多尺度建模的电池健康度预测方法的流程示意图。其中，该基于多尺度建模的电池健康度预测方法包括：
S101、获取待检测车辆的实时电池老化特征。
S102、获取预训练数据集中的历史电池老化特征。
S103、基于预设的DTW算法和历史电池老化特征，在预训练数据集中确定与实时电池老化特征相对应的电池SOH目标值。
S104、将实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值。
本实施例中，电池健康度预测模型为随机森林模型。
S105、基于电池SOH目标值和电池SOH预测值，判断电池健康度预测模型是否适用，若是，则执行步骤S106；若否，则结束本流程。
本实施例中，该方法可以记当下通过随机森林模型得到的SOH预测值（即电池SOH预测值）为SOHk，计算其与SOHDTW（即电池SOH目标值）的相对误差，公式如下：
对比相对误差ε与预设阈值ε thres大小：如果ε＞εthres，则认为当下随机森林模型在对此车SOH做预测时自适应性较差，进而将当下SOH预测结果序列S rf中各项数据添加至前述预训练数据集中，进而重复训练随机森林模型的步骤；其中，后续SOHk+1，SOHK+2，…等多组电池健康度数据将通过新模型预测得到。如果ε≤εthres，则认为当下随机森林模型在对此车SOH做预测时，自适应性仍保持良好，对后续SOHk+1，SOHk+2，…等多组电池健康度数据的预测仍将沿用此模型。
S106、将电池SOH预测值确定为电池SOH预测结果。
本实施例中，该方法可以在车辆再次驶出里程M后，重复执行步骤S101，以再次通过DTW模型计算当下电池的SOH值，对随机森林模型完成自适应修正，进而循环往复，完成车辆全生命周期下的电池健康度预测。
实施这种实施方式，DTW模型的采用能够对随机森林模型进行修正，从而提升随机森林模型的自适应性，有效提高了模型的预测精度。具体的，该种多尺度建模阈值修正机制，可以通过建立不同尺度下的电池健康度预测模型：随机森林模型（实时尺度、计算较快）与DTW模型（定时尺度，精度较高），来进行常态下的SOH预测和对随机森林模型进行修正，从而以此来充分发挥两类模型的优势，保障电池健康度预测的高精度与高计算效率。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
可见，实施本实施例所描述的基于多尺度建模的电池健康度预测方法，能够通过随机森林模型对电池SOH值进行预测，并在得到电池SOH预测值之后，在历史数据库中寻找电池SOH历史参照值。在得到该两个电池SOH值之后，该方法可以通过DTW模型确定两者之间相对误差，并以此来判断随机森林模型是否能够胜任当前的电池SOH预测工作。从而以此来保障随机森林模型在能够胜任当前的电池SOH值预测工作时，获取到更准确的电池SOH预测值。另一方面，由于该方法实施起来较为便捷，因此该方法还能够在保障电池SOH预测值准确的情况下相应的提高电池SOH值的预测效率。
实施例2
请参看图2，图2为本实施例提供的另一种基于多尺度建模的电池健康度预测方法的流程示意图。其中，该基于多尺度建模的电池健康度预测方法包括：
S201、在待检测车辆进行充电之后，获取待检测车辆的实时电池充电曲线。
S202、对实时电池充电曲线进行完整性测试。
S203、当实时电池充电曲线完整时，获取与实时电池充电曲线相对应的实时电池老化特征。
本实施例中，该方法可以针对训练好的随机森林模型，车辆每充电一次即计算一次SOH。
在本实施例中，该方法可以在每充电一次时，确定此次充电曲线是否完整可用。如果此次充电曲线完整可用，该方法就获取一次老化特征，并进行一次SOH预测。
S204、判断待检测车辆是否驶出预设里程，若是，则执行步骤S205~S208；若否，则执行步骤S207和S212。
本实施例中，当车辆行进一段里程之后，其状态会发生变化，从而会导致原来训练好的随机森林模型不一定准确。因此，本方法提出了结合DTW算法计算值来判定随机森林模型是否已经过分失真。
应当理解的事，对实时电池老化特征进行电池SOH预测值的预测的模型始终是随机森林模型。该DTW模型是每隔预定里程才会使用的，并非每次预测都会使用DTW模型。
S205、获取预训练数据集中的历史电池老化特征。
S206、基于预设的DTW算法和历史电池老化特征，在预训练数据集中确定与实时电池老化特征相对应的电池SOH目标值。
S207、将实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值。
本实施例中，电池健康度预测模型为随机森林模型。
S208、基于电池SOH目标值和电池SOH预测值，判断电池健康度预测模型是否适用，若是，则执行步骤S212；若否，则执行步骤S209~S211。
S209、获取待检测车辆的行驶过程电池老化特征以及与行驶过程电池老化特征相对应的电池SOH过程值。
S210、将行驶过程电池老化特征和电池SOH过程值，加入预训练数据集。
S211、基于预训练数据集对电池健康度预测模型进行迭代训练，并在训练好电池健康度预测模型之后，执行步骤S201。
S212、将电池SOH预测值确定为电池SOH预测结果，并结束本流程。
实施这种实施方式，该方法可以通过多尺度建模保障了电池健康度预测的计算效率。其中，随机森林模型的计算时间短，但模型移植后精度较差；DTW模型具有精度高，但计算时间慢。基于此，该方法能够结合两者的优点，通过阈值修正机制提升模型自适应性，从而平衡了计算精度与效率之间的矛盾，进而保障了模型的计算效率。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
可见，本实施例提供了一种基于多尺度建模的基于多尺度建模的电池健康度预测方法，具体包括梯度序列老化特征提取过程，多尺度建模阈值修正过程，DTW算法计算电池健康度的过程，以及随机森林模型的自适应调整的过程。其中，该方法可以在预训练数据集中截取充电段电压-时间曲线，通过‘以直代曲’的基本思想从电池充电曲线中提取梯度序列，构造老化特征。进一步地，将老化特征预训练数据集输入随机森林模型，通过训练后完成电池健康度预测。模型训练完成后，将车辆的实时老化特征输入预测模型，输出电池健康度预测的实时结果。此外，在车辆行驶一段历程后，当下的随机森林算法可能出现自适应性差从而失真的问题。为此，每隔一定里程，通过动态时间规整算法（DTW）找到另外一组电池健康度预测结果，比较两类计算结果，当其超过设定阈值时，对随机森林模型重新训练，且此次训练中对预训练数据集进行了扩充，添加了前序老化特征及预测结果，从而提升了随机森林算法的自适应性，进而循环往复，从而完善电池健康度预测模型，提高其精确度与计算效率。
实施例3
请参看图3，图3为本实施例提供的又一种基于多尺度建模的电池健康度预测方法的流程示意图。其中，该基于多尺度建模的电池健康度预测方法包括：
S301、基于待检测车辆的车辆型号，获取充电工况下的历史电池老化特征以及与历史电池老化特征相对应的电池SOH历史值。
本实施例中，该方法可以采集相同车型在充电工况下的电压-时间曲线完成模型预训练数据集准备。其中，电压-时间曲线对应于电池老化特征。
在本实施例中，之所以选取充电段的电压-时间曲线进行老化特征提取。是因为电动车辆实际行驶工况复杂，电池放电时电压-时间曲线形式多变，选取充电段的电压-时间曲线更为合适。
S302、基于历史电池老化特征和电池SOH历史值，构建预训练数据集。
本实施例中，该方法可以针对数据集中多条曲线，截取特定部分，在其上布撒N个种子点，在各种子点之间连线形成多条直线，各直线的斜率按照顺序排列，组成梯度序列Sgrad = {g1，g2，g3，g4，… gN-1}，各梯度序列（即历史电池老化特征）与各SOH标定结果（即电池SOH历史值）共同组成预训练数据集。
S303、基于预训练数据集对预先构建的随机森林模型进行训练，得到电池健康度预测模型。
本实施例中，该方法可以将预训练数据集划分训练集与测试集，并将训练集投入随机森林模型进行训练，进而通过测试集进行验证，多次训练模型直至通过验证。
S304、获取待检测车辆的实时电池老化特征。
S305、获取预训练数据集中的历史电池老化特征。
S306、基于预设的DTW算法和历史电池老化特征，在预训练数据集中确定与实时电池老化特征相对应的电池SOH目标值。
本实施例中，该方法可以在待检测车辆行驶一定里程M，经过多轮SOH预测后，将当前老化特征投入DTW模型，计算其与预训练数据集的DTW距离，直到找到数据集中与之最相似的数据，此数据对应的SOH记录为DTW模型对车辆当下SOH值的预测结果（即电池SOH目标值），记录为SOHDTW。
S307、将实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值。
本实施例中，电池健康度预测模型为随机森林模型。
在本实施例中，该方法可以针对训练好的随机森林模型，车辆每充电一次即计算一次SOH，并将SOH记录为序列Srf= {SOH1，SOH2，SOH3，…，SOHk}，其中SOHk为距离当下最近一次的SOH预测结果（即SOH预测值）。
S308、基于电池SOH目标值和电池SOH预测值，判断电池健康度预测模型是否适用，若是，则执行步骤S311；若否，则执行步骤S309~S310。
S309、获取待检测车辆的行驶过程电池老化特征以及与行驶过程电池老化特征相对应的电池SOH过程值。
S310、将行驶过程电池老化特征和电池SOH过程值，加入预训练数据集，并执行步骤S303。
S311、将电池SOH预测值确定为电池SOH预测结果，并结束本流程。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
可见，实施本实施例所描述的基于多尺度建模的电池健康度预测方法，能够通过随机森林模型对电池SOH值进行预测，并在得到电池SOH预测值之后，在历史数据库中寻找电池SOH历史参照值。在得到该两个电池SOH值之后，该方法可以通过DTW模型确定两者之间相对误差，并以此来判断随机森林模型是否能够胜任当前的电池SOH预测工作。从而以此来保障随机森林模型在能够胜任当前的电池SOH值预测工作时，获取到更准确的电池SOH预测值。另一方面，由于该方法实施起来较为便捷，因此该方法还能够在保障电池SOH预测值准确的情况下相应的提高电池SOH值的预测效率。
实施例4
请参看图4，图4为本实施例提供的再一种基于多尺度建模的电池健康度预测方法的流程示意图。其中，该基于多尺度建模的电池健康度预测方法包括：
S401、基于待检测车辆的车辆型号，获取充电工况下的历史电池充电曲线以及与历史电池充电曲线相对应的电池SOH历史值。
S402、基于预设的电压截取条件对历史电池充电曲线进行截取，得到目标电池截取曲线。
S403、在目标电池截取曲线中，识别与多个预置种子点一一对应的多个线上点坐标。
S404、计算多个线上点坐标中，每相邻两点所连接成的直线的斜率值，得到多个斜率值。
S405、基于多个斜率值组成目标梯度序列。
本实施例中，该方法提出了一种基于“以直代曲”的基本思想，从电池充电曲线中提取梯度序列，构造老化特征的技术方案。从而以此来实现有效提取老化特征的效果。
在本实施例中，由于完整的充电曲线很难获得，因此该方法对用户充电行为习惯与电压-时间曲线自身特征开展综合分析，并最终确定截取电压从3.85V上升到4.20V的部分，从而确保顺利抓取到老化特征。
在本实施例中，该方法可以在曲线上布撒N个种子点SP，从曲线开始到结束的种子点组成序列S SP= {SP1，SP2，SP3，… SPN}，其中SP1位置即为曲线开始点，SPN位置即为曲线结束点。值得注意的是，种子点在布撒过程中是以沿时间轴均匀分布的方式进行布置。
在本实施例中，在种子点布置结束后，在相邻种子点间连线，计算每一条直线的斜率。对于种子点序列SSP中任意一个种子点SPi，其坐标为（Ti，Vi），SPi与其后续种子点SPi+1所组直线的斜率计算方式如下：
其中，任意一条曲线都会产生N-1个斜率值，从而共同组成梯度序列Sgrad = {g1，g2，g3，g4，… gN-1}。梯度序列与该曲线下的电池SOH标定结果共同组成一个样本点。多个样本点共同组成预训练数据集。
本实施例中，该方法可以针对预训练数据集中多条充电工况下的电压-时间曲线，布撒多个种子点，进而对相邻种子点之间连线，形成多条直线，完成对电压-时间曲线的‘以直代曲’的近似，更进一步地，通过提取各直线斜率形成梯度序列，进行形数转换，从而有效地提取了老化特征。
S406、将目标梯度序列确定为历史电池老化特征。
S407、基于历史电池老化特征和电池SOH历史值，构建预训练数据集。
S408、获取预先构建的随机森林模型。
本实施例中，该方法可以基于scikit-learn机器学习库引入随机森林模型。
S409、对预训练数据集进行划分，得到训练集和测试集。
本实施例中，针对预训练数据集，该方法可以对其进行随机划分。举例来说，70%的部分作为训练集，30%的部分作为测试集。
S410、通过训练集对随机森林模型进行训练，得到训练好的随机森林模型。
本实施例中，该方法可以预先设定随机森林模型的相关参数：
（1）默认参数设置：max_features（最大特征数）、bootstrap（是否使用有放回样本）、oob_score（是否使用袋外数据）、max_samples（单颗树所需最大样本量）等参数采取默认值；
（2）待调整参数设置初值：n_estimators=200（决策树数量）、criterion=‘gini’（决策树划分标准选择基尼系数）、max_depth=12（树的深度）、min_samples_split=2（分割节点所需的最小样本数）、min_samples_leaf=5（分割节点后各子节点包含的最小样本数）；
（3）寻找最佳参数：对上述待调整参数设定上下阈值范围，通过GridSearchCV类中应用交叉验证法完成自动寻优。
S411、通过测试集对训练好的随机森林模型进行验证，得到验证结果。
S412、根据验证结果判断训练好的随机森林模型是否通过验证，若是，则执行步骤S413；如否，则执行步骤S410。
S413、将训练好的随机森林模型确定为电池健康度预测模型。
本实施例中，该方法可以将老化特征预训练数据集输入随机森林模型，进行训练后得到电池健康度预测模型。
S414、获取待检测车辆的实时电池老化特征。
S415、获取预训练数据集中的历史电池老化特征。
S416、基于预设的DTW算法和历史电池老化特征，在预训练数据集中确定与实时电池老化特征相对应的电池SOH目标值。
S417、将实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值。
本实施例中，电池健康度预测模型为随机森林模型。
本实施例中，该方法在电池健康度预测模型训练完成后，针对当下车辆的实时电池老化特征，将其输入预测模型，得到实时电池健康度预测结果。
S418、基于电池SOH目标值和电池SOH预测值，判断电池健康度预测模型是否适用，若是，则执行步骤S421；若否，则执行步骤S419~S420。
S419、获取待检测车辆的行驶过程电池老化特征以及与行驶过程电池老化特征相对应的电池SOH过程值。
S420、将行驶过程电池老化特征和电池SOH过程值，加入预训练数据集，并执行步骤S408。
S421、将电池SOH预测值确定为电池SOH预测结果，并结束本流程。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
可见，实施本实施例所描述的基于多尺度建模的电池健康度预测方法，能够通过随机森林模型对电池SOH值进行预测，并在得到电池SOH预测值之后，在历史数据库中寻找电池SOH历史参照值。在得到该两个电池SOH值之后，该方法可以通过DTW模型确定两者之间相对误差，并以此来判断随机森林模型是否能够胜任当前的电池SOH预测工作。从而以此来保障随机森林模型在能够胜任当前的电池SOH值预测工作时，获取到更准确的电池SOH预测值。另一方面，由于该方法实施起来较为便捷，因此该方法还能够在保障电池SOH预测值准确的情况下相应的提高电池SOH值的预测效率。
实施例5
请参看图5，图5为本实施例提供的再一种基于多尺度建模的电池健康度预测方法的流程示意图。其中，该基于多尺度建模的电池健康度预测方法包括：
S501、获取待检测车辆的实时电池老化特征。
S502、获取预训练数据集中的历史电池老化特征。
S503、通过预设的DTW算法，计算实时电池老化特征与历史电池老化特征之间的DTW距离。
本实施例中，该方法可以针对实时电池老化特征（即当前梯度序列S grad_k），计算其与预训练数据集中任意一项梯度序列S grad_l的DTW距离，记为D（S grad_k，S grad_l）。进而，记S grad_k = {g1_k，g2_k，g3_k，g4_k，… ，gN-1_k}，S grad_l = {g1_l，g2_l，g3_l，g4_l，…， gN-1_l}。
在本实施例中，该方法可以对S grad_l中任意一项gi_l进行如下更新：
进而对S grad_l序列更新为S grad_m = {g1_m，g2_m，g3_m，g4_m，…， gN-1_m}；S grad_l为历史电池老化特征。
本实施例中，DTW算法中的DTW距离计算公式为：
其中，S grad_l = {g1_l，g2_l，g3_l，g4_l，… ，gN-1_l}；
S grad_k={g1_k，g2_k，g3_k，g4_k，…，gN-1_k}；
S grad_m={g1_m，g2_m，g3_m，g4_m，…，gN-1_m}；
i=1，2，3，…，N-1；
j=1，2，3，…，N-1；
其中，S grad_k为实时电池老化特征，S grad_m为转换后的历史电池老化特征，D（S grad_k，S grad_m）为DTW距离。
实施这种实施方式，通过DTW算法计算电池健康度能够计算当下梯度序列老化特征与预训练数据集中各梯度序列的DTW距离，找到最相似的曲线，从而确定SOH值。可见，此算法凭借其对时间序列相似性的精准刻画为电池健康度准确预测提供了方法，同时保障了随机森林的阈值修正顺利实施。
S504、确定DTW距离中的最小DTW距离，并确定与最小DTW距离相对应的目标电池老化特征。
本实施例中，该方法可以在求得当前梯度序列Sgrad_k与预训练数据集中多项梯度序列的DTW距离最小值时，将该梯度序列对应的SOH值视作当下的DTW算法预测值，即SOHDTW。
S505、将目标电池老化特征对应的电池SOH历史值，确定为与实时电池老化特征相对应的电池SOH目标值。
S506、将实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值。
本实施例中，电池健康度预测模型为随机森林模型。
S507、计算电池SOH目标值和电池SOH预测值的相对误差。
本实施例中，相对误差的计算公式为：
其中，SOHDTW为电池SOH目标值，SOHk为电池SOH预测值，ε为相对误差。
S508、判断相对误差是否大于预设的误差阈值，若是，则执行步骤S512；若否，则执行步骤S509~S511。
本实施例中，当相对误差大于误差阈值时，确定电池健康度预测模型不适用于对待检测车辆进行电池健康度预测。
在本实施例中，当相对误差不大于误差阈值时，确定电池健康度预测模型适用于对待检测车辆进行电池健康度预测。
本实施例中，该方法可以待检测车辆每行驶一定固定里程时，通过动态时间规整算法（DTW）找到另外一组电池健康度预测结果，计算二者差值。当其超过设定阈值时，对随机森林模型进行重新训练，在此次训练中将前序老化特征及预测结果添加至训练集，提升随机森林算法的自适应性，进而循环往复，从而得到精度高、计算快的电池健康状态评估。
实施这种实施方式，可以对随机森林模型进行自适应调整。具体的，当随机森林模型的电池健康度预测结果与DTW算法预测结果相差较大并超出阈值时，将前序SOH预测结果及对应的老化特征与预训练数据集混合，重新对随机森林模型训练，增强模型的自适应性。
S509、获取待检测车辆的行驶过程电池老化特征以及与行驶过程电池老化特征相对应的电池SOH过程值。
S510、将行驶过程电池老化特征和电池SOH过程值，加入预训练数据集。
S511、基于预训练数据集对电池健康度预测模型进行迭代训练，并在训练好电池健康度预测模型之后，执行步骤S501。
S512、将电池SOH预测值确定为电池SOH预测结果，并结束本流程。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
可见，实施本实施例所描述的基于多尺度建模的电池健康度预测方法，能够通过随机森林模型对电池SOH值进行预测，并在得到电池SOH预测值之后，在历史数据库中寻找电池SOH历史参照值。在得到该两个电池SOH值之后，该方法可以通过DTW模型确定两者之间相对误差，并以此来判断随机森林模型是否能够胜任当前的电池SOH预测工作。从而以此来保障随机森林模型在能够胜任当前的电池SOH值预测工作时，获取到更准确的电池SOH预测值。另一方面，由于该方法实施起来较为便捷，因此该方法还能够在保障电池SOH预测值准确的情况下相应的提高电池SOH值的预测效率。
实施例6
请参看图6，图6为本实施例提供的一种基于多尺度建模的电池健康度预测方法的举例流程示意图。其中，该基于多尺度建模的电池健康度预测方法包括：
S601、采集同车型充电工况下电压-时间曲线准备预训练数据集。
本实施例中，该方法可以采集相同车型在充电工况下的电压-时间曲线完成模型预训练数据集准备。
S602、截取电压-时间曲线（3.85V~4.20V）曲线上沿时间轴布撒种子点，计算梯度序列完成老化特征提取。
本实施例中，该方法可以针对数据集中多条曲线，截取其中电压在3.85V~4.20V的部分，在其上布撒10个种子点SP，从曲线开始到结束的种子点组成序列S SP= {SP1，SP2，SP3，… SP10}，其中SP1位置即为曲线开始点，SP10位置即为曲线结束点。值得注意的是，种子点在布撒过程中是以沿时间轴均匀分布的方式进行布置。
在种子点布置结束后，在相邻种子点间连线，计算每一条直线的斜率。对于种子点序列S SP中任意一个种子点SPi，其坐标为（Ti，Vi），SPi与其后续种子点SPi+1所组直线的斜率计算方式如下：
进而，任意一条曲线即产生9个斜率值，共同组成梯度序列S grad= {g1，g2，g3，g4，…g9}。梯度序列与该曲线下的电池SOH标定结果共同组成一个样本点。多个样本点共同组成预训练数据集。
上述布撒种子点及计算梯度序列的方式见于图7，图7示出了一种布撒种子点计算梯度序列示意图。
S603、将老化特征数据集输入随机森林模型完成模型训练，将实时老化特征输入训练好的随机森林模型完成SOH预测。
本实施例中，该方法可以针对预训练数据集，对其进行随机划分，70%的部分作为训练集，30%的部分作为测试集，做如下操作：
（1）基于scikit-learn机器学习库引入随机森林模型；
（2）加载训练集与测试集；
（3）设定随机森林模型的相关参数：
①默认参数设置：max_features（最大特征数）、bootstrap（是否使用有放回样本）、oob_score（是否使用袋外数据）、max_samples（单颗树所需最大样本量）等参数采取默认值；
②待调整参数设置初值：n_estimators = 200（决策树数量）、criterion =‘gini’（决策树划分标准选择基尼系数）、max_depth = 12（树的深度）、min_samples_split= 2（分割节点所需的最小样本数）、min_samples_leaf = 5（分割节点后各子节点包含的最小样本数）；
③寻找最佳参数：对上述待调整参数设定上下阈值范围，通过GridSearchCV类中应用交叉验证法完成自动寻优。
在本实施例中，该方法可以针对训练好的随机森林模型，车辆每充电一次即计算一次SOH，并将SOH记录为序列S rf= {SOH1，SOH2，SOH3，…，SOHk}，其中SOHk为距离当下最近一次的SOH预测结果。
S604、是否驶出设定里程阈值，若是，则执行步骤S605~S608；若否，则执行步骤S608。
S605、通过DTW算法找到预训练数据集中与实时老化特征最相似数据，进而完成SOH预测。
本实施例中，该方法在车辆行驶一定1000公里，且经过多轮SOH预测后，将当前老化特征投入DTW模型，计算其与步骤SS601中的各预训练数据集的DTW距离，直到找到数据集中与之最相似的数据，此数据对应的SOH记录为DTW模型对车辆当下SOH值的预测结果，记录为SOHDTW。上述寻找最相似数据并确定SOH的过程见于图8（图8示出了通过DTW算法寻找最相似老化特征从而确定SOH的流程示意图）。
S606、对比随机森林模型与DTW算法的两组SOH预测结果如果相对误差大于阈值，则修正随机森林模型。
本实施例中，针对当前老化特征，即当前梯度序列S grad_k，该方法可以计算其与预训练数据集中任意一项梯度序列S grad_l的DTW距离，记为D（S grad_k，S grad_l）。进而，记S grad_l= {g1_l，g2_l，g3_l，g4_l，… ，gN-1_l}，S grad_k = {g1_k，g2_k，g3_k，g4_k，… g9_k}，S grad_l ={g1_l，g2_l，g3_l，g4_l，… g9_l}，更进一步地，对S grad_l中任意一项gi_l进行如下更新：
此时，S grad_l序列更新为S grad_m = {g1_m，g2_m，g3_m，g4_m，… g9_m}；S grad_l为历史电池老化特征。
最后，上述两组梯度序列的DTW距离可以由下式求得：
/>
其中：i=1，2，3，…，9；j=1，2，3，…，9。
进一步地，求得当前梯度序列S grad_k与预训练数据集中多项梯度序列的DTW距离最小值，该梯度序列对应的SOH值即为当下的DTW算法预测值，即SOHDTW。
S607、针对之前的随机森林模型预测结果及对应老化特征将其添加至预训练数据集，对随机森林模型进行重新训练提升其自适应性。
记当下通过随机森林模型得到的SOH预测值为SOHk，计算其与SOHDTW的相对误差，公式如下：
设定预设阈值εthres= 8%，为对比相对误差ε与预设阈值εthres大小：如果ε＞εthres，则认为当下随机森林模型在对此车SOH做预测时自适应性较差，进而将当下SOH预测结果序列Srf中各项数据添加至前述预训练数据集中，进而重复步骤三再次训练随机森林模型，更进一步地，后续SOHk+1，SOHK+2，…等多组电池健康度数据将通过新模型预测得到；如果ε≤εthres，则认为当下随机森林模型在对此车SOH做预测时，自适应性仍保持良好，对后续SOHk+1，SOHk+2，…等多组电池健康度数据的预测仍将沿用此模型。
S608、实时老化特征输入训练好的随机森林模型完成SOH预测，得到SOH预测结果。
本实施例中，当车辆再次驶出1000公里后，重复步骤S605，再次通过DTW模型计算当下电池的SOH值，对随机森林模型完成自适应修正，进而循环往复，完成车辆全生命周期下的电池健康度预测。
可见，实施本实施例所描述的基于多尺度建模的电池健康度预测方法，能够通过随机森林模型对电池SOH值进行预测，并在得到电池SOH预测值之后，在历史数据库中寻找电池SOH历史参照值。在得到该两个电池SOH值之后，该方法可以通过DTW模型确定两者之间相对误差，并以此来判断随机森林模型是否能够胜任当前的电池SOH预测工作。从而以此来保障随机森林模型在能够胜任当前的电池SOH值预测工作时，获取到更准确的电池SOH预测值。另一方面，由于该方法实施起来较为便捷，因此该方法还能够在保障电池SOH预测值准确的情况下相应的提高电池SOH值的预测效率。
实施例7
请参看图9，图9为本实施例提供的一种基于多尺度建模的电池健康度预测装置的结构示意图。如图9所示，该基于多尺度建模的电池健康度预测装置包括：
获取单元710，用于获取待检测车辆的实时电池老化特征；
获取单元710，还用于获取预训练数据集中的历史电池老化特征；
选择单元720，用于基于预设的DTW算法和历史电池老化特征，在预训练数据集中确定与实时电池老化特征相对应的电池SOH目标值；
预测单元730，用于将实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值；
判断单元740，用于基于电池SOH目标值和电池SOH预测值，判断电池健康度预测模型是否适用；
确定单元750，用于当电池健康度预测模型适用时，将电池SOH预测值确定为电池SOH预测结果。
本实施例中，对于基于多尺度建模的电池健康度预测装置的解释说明可以参照实施例1至实施例6中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的基于多尺度建模的电池健康度预测装置，能够能够通过随机森林模型对电池SOH值进行预测，并在得到电池SOH预测值之后，在历史数据库中寻找电池SOH历史参照值。在得到该两个电池SOH值之后，该装置可以通过DTW模型确定两者之间相对误差，并以此来判断随机森林模型是否能够胜任当前的电池SOH预测工作。从而以此来保障随机森林模型在能够胜任当前的电池SOH值预测工作时，获取到更准确的电池SOH预测值。另一方面，由于该装置实施起来较为便捷，因此该装置还能够在保障电池SOH预测值准确的情况下相应的提高电池SOH值的预测效率。
实施例8
请参看图10，图10为本实施例提供的一种基于多尺度建模的电池健康度预测装置的结构示意图。如图10所示，该基于多尺度建模的电池健康度预测装置包括：
获取单元710，用于获取待检测车辆的实时电池老化特征；
获取单元710，还用于获取预训练数据集中的历史电池老化特征；
选择单元720，用于基于预设的DTW算法和历史电池老化特征，在预训练数据集中确定与实时电池老化特征相对应的电池SOH目标值；
预测单元730，用于将实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值；
判断单元740，用于基于电池SOH目标值和电池SOH预测值，判断电池健康度预测模型是否适用；
确定单元750，用于当电池健康度预测模型适用时，将电池SOH预测值确定为电池SOH预测结果。
作为一种可选的实施方式，该基于多尺度建模的电池健康度预测装置还包括：
获取单元710，还用于当电池健康度预测模型不适用时，获取待检测车辆的行驶过程电池老化特征以及与行驶过程电池老化特征相对应的电池SOH过程值；
构建单元760，用于将行驶过程电池老化特征和电池SOH过程值，加入预训练数据集；
迭代单元770，用于基于预训练数据集对电池健康度预测模型进行迭代训练，并在训练好电池健康度预测模型之后，触发获取单元710执行获取待检测车辆的实时电池老化特征的操作。
作为一种可选的实施方式，该基于多尺度建模的电池健康度预测装置还包括：
获取单元710，用于基于待检测车辆的车辆型号，获取充电工况下的历史电池老化特征以及与历史电池老化特征相对应的电池SOH历史值；
构建单元760，用于基于历史电池老化特征和电池SOH历史值，构建预训练数据集；
训练单元780，用于基于预训练数据集对预先构建的随机森林模型进行训练，得到电池健康度预测模型。
作为一种可选的实施方式，获取单元710包括：
获取子单元711，用于基于待检测车辆的车辆型号，获取充电工况下的历史电池充电曲线以及与历史电池充电曲线相对应的电池SOH历史值；
截取子单元712，用于基于预设的电压截取条件对历史电池充电曲线进行截取，得到目标电池截取曲线；
提取子单元713，用于对目标电池截取曲线进行梯度序列提取，得到目标梯度序列；并将目标梯度序列确定为历史电池老化特征。
作为一种可选的实施方式，提取子单元713包括：
识别模块，用于在目标电池截取曲线中，识别与多个预置种子点一一对应的多个线上点坐标；
计算模块，用于计算多个线上点坐标中，每相邻两点所连接成的直线的斜率值，得到多个斜率值；
组合模块，用于基于多个斜率值组成目标梯度序列。
作为一种可选的实施方式，训练单元780包括：
引入子单元781，用于获取预先构建的随机森林模型；
划分子单元782，用于对预训练数据集进行划分，得到训练集和测试集；
训练子单元783，用于通过训练集对随机森林模型进行训练，得到训练好的随机森林模型；
验证子单元784，用于通过测试集对训练好的随机森林模型进行验证，得到验证结果；
第一判断子单元785，用于根据验证结果判断训练好的随机森林模型是否通过验证；
第一确定子单元786，用于当训练好的随机森林模型通过验证时，将训练好的随机森林模型确定为电池健康度预测模型；
训练子单元783，还用于当训练好的随机森林模型未通过验证时，通过训练集对随机森林模型进行训练，得到训练好的随机森林模型。
作为一种可选的实施方式，选择单元720包括：
第一计算子单元721，用于通过预设的DTW算法，计算实时电池老化特征与历史电池老化特征之间的DTW距离；
第二确定子单元722，用于确定DTW距离中的最小DTW距离，并确定与最小DTW距离相对应的目标电池老化特征；
第二确定子单元722，还用于将目标电池老化特征对应的电池SOH历史值，确定为与实时电池老化特征相对应的电池SOH目标值。
本实施例中，DTW算法中的DTW距离计算公式为：
/>
其中，S grad_l = {g1_l，g2_l，g3_l，g4_l，… ，gN-1_l}；
S grad_k={g1_k，g2_k，g3_k，g4_k，…，gN-1_k}；
S grad_m={g1_m，g2_m，g3_m，g4_m，…，gN-1_m}；
i=1，2，3，…，N-1；
j=1，2，3，…，N-1；
其中，S grad_k为实时电池老化特征，S grad_l为历史电池老化特征，S grad_m为转换后的历史电池老化特征，D（S grad_k，S grad_m）为DTW距离。
作为一种可选的实施方式，判断单元740包括：
第二计算子单元741，用于计算电池SOH目标值和电池SOH预测值的相对误差；
第二判断子单元742，用于判断相对误差是否大于预设的误差阈值；
第三确定子单元743，用于当相对误差大于误差阈值时，确定电池健康度预测模型不适用于对待检测车辆进行电池健康度预测；
第三确定子单元743，还用于当相对误差不大于误差阈值时，确定电池健康度预测模型适用于对待检测车辆进行电池健康度预测，并触发确定单元750执行的将电池SOH预测值确定为电池SOH预测结果的操作。
本实施例中，相对误差的计算公式为：
其中，SOHDTW为电池SOH目标值，SOHk为电池SOH预测值，ε为相对误差。
作为一种可选的实施方式，获取单元710包括：
获取子单元711，用于在待检测车辆进行充电之后，获取待检测车辆的实时电池充电曲线；
测试子单元714，用于对实时电池充电曲线进行完整性测试；
获取子单元711，还用于当实时电池充电曲线完整时，获取与实时电池充电曲线相对应的实时电池老化特征。
作为一种可选的实施方式，判断单元740，还用于在获取单元710获取待检测车辆的实时电池老化特征之后，判断待检测车辆是否驶出预设里程；
获取单元710，还用于当待检测车辆驶出预设里程时，获取预训练数据集中的历史电池老化特征；
预测单元730，还用于当待检测车辆未驶出预设里程时，将实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值，并触发确定单元750执行将电池SOH预测值确定为电池SOH预测结果的操作。
本实施例中，对于基于多尺度建模的电池健康度预测装置的解释说明可以参照实施例1至实施例6中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的基于多尺度建模的电池健康度预测装置，能够能够通过随机森林模型对电池SOH值进行预测，并在得到电池SOH预测值之后，在历史数据库中寻找电池SOH历史参照值。在得到该两个电池SOH值之后，该装置可以通过DTW模型确定两者之间相对误差，并以此来判断随机森林模型是否能够胜任当前的电池SOH预测工作。从而以此来保障随机森林模型在能够胜任当前的电池SOH值预测工作时，获取到更准确的电池SOH预测值。另一方面，由于该装置实施起来较为便捷，因此该装置还能够在保障电池SOH预测值准确的情况下相应的提高电池SOH值的预测效率。
本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1至实施例6中的任一基于多尺度建模的电池健康度预测方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1至实施例6中的任一基于多尺度建模的电池健康度预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果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存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
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、物品或者设备中还存在另外的相同要素。
Claims (12)
1.一种基于多尺度建模的电池健康度预测方法，其特征在于，所述电池健康度预测方法应用于锂离子电池中，包括：
获取待检测车辆的实时电池老化特征；
获取预训练数据集中的历史电池老化特征；
基于预设的DTW算法和所述历史电池老化特征，在所述预训练数据集中确定与所述实时电池老化特征相对应的电池SOH目标值；
将所述实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值；
基于所述电池SOH目标值和所述电池SOH预测值，判断所述电池健康度预测模型是否适用；
当所述电池健康度预测模型适用时，将所述电池SOH预测值确定为电池SOH预测结果；
其中，所述方法还包括：
基于待检测车辆的车辆型号，获取充电工况下的历史电池充电曲线以及与所述历史电池充电曲线相对应的电池SOH历史值；
基于预设的电压截取条件对所述历史电池充电曲线进行截取，得到目标电池截取曲线；
对所述目标电池截取曲线进行梯度序列提取，得到目标梯度序列；并将所述目标梯度序列确定为历史电池老化特征；
基于所述历史电池老化特征和所述电池SOH历史值，构建预训练数据集；
基于所述预训练数据集对预先构建的随机森林模型进行训练，得到电池健康度预测模型；
其中，所述基于预设的DTW算法和所述历史电池老化特征，在所述预训练数据集中确定与所述实时电池老化特征相对应的电池SOH目标值，包括：
通过预设的DTW算法，计算所述实时电池老化特征与所述历史电池老化特征之间的DTW距离；
确定所述DTW距离中的最小DTW距离，并确定与所述最小DTW距离相对应的目标电池老化特征；
将所述目标电池老化特征对应的电池SOH历史值，确定为与所述实时电池老化特征相对应的电池SOH目标值。
2.根据权利要求1所述的基于多尺度建模的电池健康度预测方法，其特征在于，所述方法还包括：
当所述电池健康度预测模型不适用时，获取所述待检测车辆的行驶过程电池老化特征以及与所述行驶过程电池老化特征相对应的电池SOH过程值；
将所述行驶过程电池老化特征和所述电池SOH过程值，加入所述预训练数据集；
基于所述预训练数据集对所述电池健康度预测模型进行迭代训练，并在训练好所述电池健康度预测模型之后，执行所述的获取待检测车辆的实时电池老化特征。
3.根据权利要求1所述的基于多尺度建模的电池健康度预测方法，其特征在于，所述对所述目标电池截取曲线进行梯度序列提取，得到目标梯度序列，包括：
在所述目标电池截取曲线中，识别与多个预置种子点一一对应的多个线上点坐标；
计算所述多个线上点坐标中，每相邻两点所连接成的直线的斜率值，得到多个斜率值；
基于所述多个斜率值组成目标梯度序列。
4.根据权利要求1所述的基于多尺度建模的电池健康度预测方法，其特征在于，所述基于所述预训练数据集对预先构建的随机森林模型进行训练，得到电池健康度预测模型，包括：
获取预先构建的随机森林模型；
对所述预训练数据集进行划分，得到训练集和测试集；
通过所述训练集对所述随机森林模型进行训练，得到训练好的随机森林模型；
通过所述测试集对所述训练好的随机森林模型进行验证，得到验证结果；
根据所述验证结果判断所述训练好的随机森林模型是否通过验证；
当所述训练好的随机森林模型通过验证时，将所述训练好的随机森林模型确定为电池健康度预测模型；
当所述训练好的随机森林模型未通过验证时，触发执行所述的通过所述训练集对所述随机森林模型进行训练，得到训练好的随机森林模型。
5.根据权利要求1所述的基于多尺度建模的电池健康度预测方法，其特征在于，所述DTW算法中的DTW距离计算公式为：
其中，S grad_l = {g1_l，g2_l，g3_l，g4_l，… ，gN-1_l}；
S grad_k={g1_k，g2_k，g3_k，g4_k，…，gN-1_k}；
S grad_m={g1_m，g2_m，g3_m，g4_m，…，gN-1_m}；
i=1，2，3，…，N-1；
j=1，2，3，…，N-1；
其中，S grad_k为所述实时电池老化特征，S grad_l为所述历史电池老化特征，S grad_m为转换后的历史电池老化特征，D（S grad_k，S grad_m）为所述DTW距离。
6.根据权利要求1所述的基于多尺度建模的电池健康度预测方法，其特征在于，所述基于所述电池SOH目标值和所述电池SOH预测值，判断所述电池健康度预测模型是否适用，包括：
计算所述电池SOH目标值和所述电池SOH预测值的相对误差；
判断所述相对误差是否大于预设的误差阈值；
当所述相对误差大于所述误差阈值时，确定所述电池健康度预测模型不适用于对所述待检测车辆进行电池健康度预测；
当所述相对误差不大于所述误差阈值时，确定所述电池健康度预测模型适用于对所述待检测车辆进行电池健康度预测，并触发执行所述的将所述电池SOH预测值确定为电池SOH预测结果的步骤。
7.根据权利要求6所述的基于多尺度建模的电池健康度预测方法，其特征在于，所述相对误差的计算公式为：
其中，SOHDTW为所述电池SOH目标值，SOHk为所述电池SOH预测值，ε为所述相对误差。
8.根据权利要求1所述的基于多尺度建模的电池健康度预测方法，其特征在于，所述获取待检测车辆的实时电池老化特征，包括：
在待检测车辆进行充电之后，获取所述待检测车辆的实时电池充电曲线；
对所述实时电池充电曲线进行完整性测试；
当所述实时电池充电曲线完整时，获取与所述实时电池充电曲线相对应的实时电池老化特征。
9.根据权利要求1~8任一项所述的基于多尺度建模的电池健康度预测方法，其特征在于，所述获取待检测车辆的实时电池老化特征之后，所述方法还包括：
判断所述待检测车辆是否驶出预设里程；
当所述待检测车辆驶出所述预设里程时，执行所述的获取预训练数据集中的历史电池老化特征；
当所述待检测车辆未驶出所述预设里程时，将所述实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值，并将所述电池SOH预测值确定为电池SOH预测结果。
10.一种基于多尺度建模的电池健康度预测装置，其特征在于，所述电池健康度预测装置用于预测锂离子电池的电池健康度，所述基于多尺度建模的电池健康度预测装置包括：
获取单元，用于获取待检测车辆的实时电池老化特征；
所述获取单元，还用于获取预训练数据集中的历史电池老化特征；
选择单元，用于基于预设的DTW算法和所述历史电池老化特征，在所述预训练数据集中确定与所述实时电池老化特征相对应的电池SOH目标值；
预测单元，用于将所述实时电池老化特征输入至预设的电池健康度预测模型中进行预测，得到电池SOH预测值；
判断单元，用于基于所述电池SOH目标值和所述电池SOH预测值，判断所述电池健康度预测模型是否适用；
确定单元，用于当所述电池健康度预测模型适用时，将所述电池SOH预测值确定为电池SOH预测结果；
其中，获取单元包括：
获取子单元，用于基于待检测车辆的车辆型号，获取充电工况下的历史电池充电曲线以及与历史电池充电曲线相对应的电池SOH历史值；
截取子单元，用于基于预设的电压截取条件对历史电池充电曲线进行截取，得到目标电池截取曲线；
提取子单元，用于对目标电池截取曲线进行梯度序列提取，得到目标梯度序列；并将目标梯度序列确定为历史电池老化特征；
其中，提取子单元包括：
识别模块，用于在目标电池截取曲线中，识别与多个预置种子点一一对应的多个线上点坐标；
计算模块，用于计算多个线上点坐标中，每相邻两点所连接成的直线的斜率值，得到多个斜率值；
组合模块，用于基于多个斜率值组成目标梯度序列；
其中，选择单元包括：
第一计算子单元，用于通过预设的DTW算法，计算实时电池老化特征与历史电池老化特征之间的DTW距离；
第二确定子单元，用于确定DTW距离中的最小DTW距离，并确定与最小DTW距离相对应的目标电池老化特征；
第二确定子单元，还用于将目标电池老化特征对应的电池SOH历史值，确定为与实时电池老化特征相对应的电池SOH目标值。
11.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至9中任一项所述的基于多尺度建模的电池健康度预测方法。
12.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至9任一项所述的基于多尺度建模的电池健康度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410065912.0A CN117574788B (zh) | 2024-01-17 | 2024-01-17 | 一种基于多尺度建模的电池健康度预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410065912.0A CN117574788B (zh) | 2024-01-17 | 2024-01-17 | 一种基于多尺度建模的电池健康度预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117574788A CN117574788A (zh) | 2024-02-20 |
| CN117574788B true CN117574788B (zh) | 2024-05-14 |
Family
ID=89895985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410065912.0A Active CN117574788B (zh) | 2024-01-17 | 2024-01-17 | 一种基于多尺度建模的电池健康度预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574788B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484764A (zh) * | 2021-07-30 | 2021-10-08 | 合肥工业大学 | 基于多维阻抗谱的退役电池soh和一致性的评估方法 |
| CN114184972A (zh) * | 2021-11-02 | 2022-03-15 | 江苏博强新能源科技股份有限公司 | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 |
| CN114384423A (zh) * | 2022-01-07 | 2022-04-22 | 重庆大学 | 一种基于典型运行参数的燃料电池健康状态识别方法 |
| CN115219935A (zh) * | 2022-07-14 | 2022-10-21 | 青岛特来电新能源科技有限公司 | 新能源设备的健康状况测评方法、系统、装置及介质 |
| CN116718925A (zh) * | 2023-06-25 | 2023-09-08 | 中国第一汽车股份有限公司 | 预测电池健康度的方法、装置及车辆 |
| CN116819364A (zh) * | 2023-06-29 | 2023-09-29 | 湖北亿纬动力有限公司 | 电池健康度的确定方法、应用方法、电子设备及存储介质 |
| CN117031292A (zh) * | 2023-07-14 | 2023-11-10 | 浙江凌骁能源科技有限公司 | 电池健康状态预测方法、装置、计算机设备和存储介质 |
| CN117233636A (zh) * | 2023-09-21 | 2023-12-15 | 阿里云计算有限公司 | 锂电池的健康状态确定方法、装置、设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170115355A1 (en) * | 2015-10-23 | 2017-04-27 | Oxfordian, Llc | Maximum capacity estimator for battery state of health and state of charge determinations |
| WO2022024848A1 (ja) * | 2020-07-29 | 2022-02-03 | パナソニックＩｐマネジメント株式会社 | 電池管理装置、演算システム、電池の劣化予測方法、及び電池の劣化予測プログラム |
-
2024
- 2024-01-17 CN CN202410065912.0A patent/CN117574788B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484764A (zh) * | 2021-07-30 | 2021-10-08 | 合肥工业大学 | 基于多维阻抗谱的退役电池soh和一致性的评估方法 |
| CN114184972A (zh) * | 2021-11-02 | 2022-03-15 | 江苏博强新能源科技股份有限公司 | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 |
| CN114384423A (zh) * | 2022-01-07 | 2022-04-22 | 重庆大学 | 一种基于典型运行参数的燃料电池健康状态识别方法 |
| CN115219935A (zh) * | 2022-07-14 | 2022-10-21 | 青岛特来电新能源科技有限公司 | 新能源设备的健康状况测评方法、系统、装置及介质 |
| CN116718925A (zh) * | 2023-06-25 | 2023-09-08 | 中国第一汽车股份有限公司 | 预测电池健康度的方法、装置及车辆 |
| CN116819364A (zh) * | 2023-06-29 | 2023-09-29 | 湖北亿纬动力有限公司 | 电池健康度的确定方法、应用方法、电子设备及存储介质 |
| CN117031292A (zh) * | 2023-07-14 | 2023-11-10 | 浙江凌骁能源科技有限公司 | 电池健康状态预测方法、装置、计算机设备和存储介质 |
| CN117233636A (zh) * | 2023-09-21 | 2023-12-15 | 阿里云计算有限公司 | 锂电池的健康状态确定方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117574788A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rosin | Multi-armed bandits with episode context | |
| CN110084271B (zh) | 一种图片类别的识别方法和装置 | |
| CN112735535B (zh) | 预测模型训练、数据预测方法、装置和存储介质 | |
| Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
| KR101091834B1 (ko) | 문제 선택 및 성취도 평가 방법 및 장치 | |
| CN113642652A (zh) | 生成融合模型的方法、装置和设备 | |
| CN113138344A (zh) | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 | |
| CN112614021A (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
| CN110491443B (zh) | 一种基于投影邻域非负矩阵分解的lncRNA蛋白质关联预测方法 | |
| CN109390032B (zh) | 一种基于进化算法在全基因组关联分析的数据中探索与疾病相关的snp组合的方法 | |
| CN115906638A (zh) | 建立火控系统故障预测模型、故障预测方法及相关装置 | |
| US20210398605A1 (en) | System and method for promoter prediction in human genome | |
| CN117574788B (zh) | 一种基于多尺度建模的电池健康度预测方法及装置 | |
| CN114418234A (zh) | 一种基于强化学习的动力电池制造能力在线预测方法 | |
| CN104778480A (zh) | 一种基于局部密度和测地距离的分层谱聚类方法 | |
| Wong et al. | A comparison study for DNA motif modeling on protein binding microarray | |
| CN110070120B (zh) | 基于判别采样策略的深度度量学习方法及系统 | |
| CN112801271B (zh) | 生成神经网络的方法、数据处理方法、智能行驶控制方法 | |
| CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
| CN110059228B (zh) | 一种dna数据集植入模体搜索方法及其装置与存储介质 | |
| KR102376212B1 (ko) | 신경망 기반의 유전자 선택 알고리즘을 이용한 유전자 발현 마커 선별 방법 | |
| CN113139624A (zh) | 基于机器学习的网络用户分类方法 | |
| CN110070908B (zh) | 一种二项树模型的模体搜索方法、装置、设备与存储介质 | |
| CN112015911A (zh) | 一种海量知识图谱检索的方法 | |
| CN111383710A (zh) | 基于粒子群优化双子支持向量机的基因剪接位点识别模型构建方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |