CN117607697A - 电池soh预测方法、装置、电子设备及存储介质 - Google Patents
电池soh预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117607697A CN117607697A CN202311614695.8A CN202311614695A CN117607697A CN 117607697 A CN117607697 A CN 117607697A CN 202311614695 A CN202311614695 A CN 202311614695A CN 117607697 A CN117607697 A CN 117607697A
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- data information
- evaluation model
- battery soh
- 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 69
- 238000013210 evaluation model Methods 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 26
- 239000000306 component Substances 0.000 description 14
- 230000000694 effects Effects 0.000 description 9
- 238000007599 discharging Methods 0.000 description 8
- -1 regions Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000022131 cell cycle Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction 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]
- G01R31/392—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本公开实施例提供一种电池SOH预测方法、装置、电子设备及存储介质,其中,电池SOH的预测方法包括:获取数据信息,数据信息为多个电池在预设范围内进行充放电循环时的物理参数;对数据信息进行预处理,确定数据信息与电池SOH的定量关系;预处理包括对数据信息进行数学运算;基于定量关系,构建电池SOH评估模型;通过电池SOH评估模型,对待检测电池SOH进行预测。由于通过预处理可以获得较多的特征量,使得构建电池SOH评估模型准确性较高、且更具有普适性。
Description
技术领域
本公开涉及电池技术领域,涉及但不限于一种电池SOH预测方法、装置、电子设备及存储介质。
背景技术
动力电池是新能源汽车中的核心部件,为了保证整车的安全稳定的运行,需对动力电池健康状态(State Of Health,SOH)进行预测。通过对电池SOH预测能够及时发现预警缺陷及故障电池,从而降低事故隐患;同时,电池SOH预测对于电池回收和梯次利用也起到了重要的作用。
目前,对电池SOH预测的方法分为两大类:分别是基于模型的方法和基于数据驱动的方法。其中,基于模型的方法仅适合单个或者少量电池SOH预测;基于数据驱动的方法,仅考虑了电池电流、电压、内阻等常见参数,而这些参数和电池SOH并不一定存在直接关系,从而降低了预测的可靠性和准确性。
发明内容
有鉴于此,本公开实施例提供一种电池SOH预测方法、装置、电子设备及存储介质。
第一方面,本公开实施例提供一种电池SOH预测方法,所述方法包括:
获取数据信息,所述数据信息为多个所述电池在预设范围内进行充放电循环时的物理参数;
对所述数据信息进行预处理,确定所述数据信息与所述电池SOH的定量关系;所述预处理包括对所述数据信息进行数学运算;
基于所述定量关系,构建所述电池SOH评估模型;
通过所述电池SOH评估模型,对待检测所述电池SOH进行预测。
在一些实施例中,所述获取数据信息,包括:
获取初始数据信息,所述初始数据信息为多个所述电池进行充放电循环的物理参数;
选取处于所述预设范围内的初始数据信息,生成所述数据信息。
在一些实施例中,对所述数据信息进行预处理,确定所述数据信息与所述电池SOH的定量关系,包括:
对所述数据信息进行预处理,生成多个特征量;
确定每一所述特征量与所述电池SOH的定量关系。
在一些实施例中,对所述数据信息进行预处理,生成多个特征量,包括:
对所述数据信息中的物理参数进行至少一次所述预处理,生成与所述物理参数对应的多个所述特征量。
在一些实施例中,确定每一所述特征量与所述电池SOH的定量关系,包括:
确定每一特征量与所述电池SOH的相关系数;
根据所述相关系数,确定每一所述物理参数与所述电池SOH的定量关系。
在一些实施例中,基于所述定量关系,构建所述电池SOH评估模型,包括:
基于所述定量关系,建立初始评估模型;所述初始评估模型至少包括线性回归模型、回归树模型和神经网络模型;
将每一所述特征量作为训练数据,对所述初始评估模型中进行训练,构建所述电池SOH评估模型。
在一些实施例中,在构建电池SOH评估模型之后,所述方法还包括:
根据所述评估模型,对所述电池SOH评估模型进行验证,以确定所述评估模型的合理性。
第二方面,本公开实施例提供一种电池SOH预测装置,所述装置包括:
获取模块,用于获取数据信息,所述数据信息为多个所述电池在预设范围内进行充放电循环时的物理参数;
设置模块,用于对所述数据信息进行预处理,确定所述数据信息与所述电池SOH的定量关系;
构建模块,用于基于所述定量关系,构建所述电池SOH评估模型;
评估模块,用于通过所述电池SOH评估模型,对待检测所述电池SOH进行预测。
第三方面,本公开实施例提供一种电子设备,包括:存储器和处理器,所述存储器存储有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上述实施例中所述的方法。
第四方面,本公开实施例提供一种计算机存储介质,包括:其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中所述的方法。
本公开实施例提供了一种电池SOH预测方法、装置、电子设备及存储介质,其中,电池SOH预测方法包括:获取数据信息,数据信息为多个电池在预设范围内进行充放电循环时的物理参数;对数据信息进行预处理,确定数据信息与电池SOH的定量关系;预处理包括对数据信息进行数学运算;基于定量关系,构建电池SOH评估模型;通过电池SOH评估模型,对待检测电池SOH进行预测。这样,可以通过对数据信息进行预处理获得多个与电池SOH相关地特征量,从而使得衡量电池SOH的数据类型较多,进而使得构建的电池SOH评估模型准确性较高、且更具有普适性;另外,由于在确定特征量时,选取的数据信息在预设范围内,这样,不仅可以减少数据采集的工作量和成本,还可以在电池充放电循环的较早阶段对电池SOH进行评估,预警效果更好。
附图说明
图1为本公开实施例提供的电池SOH预测方法的流程示意图一;
图2为本公开实施例提供的电池SOH预测方法的流程示意图二;
图3为本公开实施例提供的多个电池循环放电过程中放电容量随循环圈数的变化示意图;
图4为本公开实施例提供的多个电池循环放电过程中内阻随循环圈数的变化示意图;
图5为本公开实施例提供的电池SOH预测方法的流程示意图三;
图6为本公开实施例提供的第50圈和第5圈放电循环中,多个电池在不同电压下对应放电容量差值的变化示意图;
图7为本公开实施例提供的所有电压下对应电池在第50圈和第5圈放电循环的方差与电池循环次数之间的关系示意图;
图8为本公开实施例提供的第50圈和第5圈放电循环中,多个电池在不同电压对应的放电容量相对于电压导数的变化示意图;
图9为本公开实施例提供的多个电池第50圈和第5圈放电循环中,不同电压下对应放电容量相对于电压的导数的最小值与电池循环次数之间的关系示意图;
图10为本公开实施例提供的第50圈及第5圈放电循环中,多个电池电阻的差值与电池循环次数之间的关系示意图;
图11为本公开实施例提供的电池SOH预测方法的流程示意图四;
图12为本公开实施例提供的另一种电池SOH预测方法的流程示意图;
图13为本公开实施例提供的一种电池SOH预测装置的组成框架示意图;
图14为本公开实施例中电子设备的一种硬件实体示意图。
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方式。虽然附图中显示了本公开的示例性实施方式,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具体实施方式所限制。相反,提供这些实施方式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。
在下文的描述中,给出了大量的细节以便提供对本公开更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本公开可以无需一个或多个这些细节而得以实施。在其它的例子中,为了避免与本公开发生混淆,对于本领域公知的一些技术特征未进行描述;即,这里不描述实际实施例的全部特征,不详细描述公知的功能和结构。
在附图中,为了清楚,层、区、元件的尺寸以及其相对尺寸可能被夸大。自始至终相同附图标记表示相同的元件。
应当明白,当元件或层被称为“在……上”、“与……相邻”、“连接到”或“耦合到”其它元件或层时,其可以直接地在其它元件或层上、与之相邻、连接或耦合到其它元件或层,或者可以存在居间的元件或层。相反,当元件被称为“直接在……上”、“与……直接相邻”、“直接连接到”或“直接耦合到”其它元件或层时,则不存在居间的元件或层。应当明白,尽管可使用术语第一、第二、第三等描述各种元件、部件、区、层和/或部分,这些元件、部件、区、层和/或部分不应当被这些术语限制。这些术语仅仅用来区分一个元件、部件、区、层或部分与另一个元件、部件、区、层或部分。因此,在不脱离本公开教导之下,下面讨论的第一元件、部件、区、层或部分可表示为第二元件、部件、区、层或部分。而当讨论的第二元件、部件、区、层或部分时,并不表明本公开必然存在第一元件、部件、区、层或部分。
在此使用的术语的目的仅在于描述具体实施例并且不作为本公开的限制。在此使用时,单数形式的“一”、“一个”和“所述/该”也意图包括复数形式,除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”,当在该说明书中使用时,确定所述特征、整数、步骤、操作、元件和/或部件的存在,但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时,术语“和/或”包括相关所列项目的任何及所有组合。
对本公开实施例进行进一步详细说明之前,先对本公开实施例中涉及的名词和术语进行说明,本公开实施例中涉及的名词和术语适用于如下的解释:
健康状态(State Of Health,SOH);
放电容量(Disacharge capacity)。
目前,对电池SOH评估(预测)的方法分为两大类:基于模型的方法和基于数据驱动的方法。其中,基于模型的方法主要是通过等效电路模型与电化学模型来构建锂电池的退化机理数学模型,因此,基于模型的方法适合单个或者少量锂电池SOH评估,对于电动汽车或储能电站等电池数量庞大的场景,由于搭建模型的工作量较大,评估的时效性和准确性都将大打折扣;基于数据驱动的方法是利用电池性能的测试数据,通过对数据进行信息挖掘,获得锂电池电池性能演变规律,从而实现电池性能和电池SOH(或者电池寿命)预测,因此,基于数据驱动的方法能够避免构建和更新复杂模型,对于数量庞大的电池组具有很好的预测效率,但是在对采集的数据进行评估时,仅考虑了锂电池电流、电压、内阻等常见参数,而这些参数和电池SOH并不一定存在直接的关联关系。
基于此,本公开实施例提供了一种电池SOH预测方法、装置、电子设备及存储介质,其中,电池SOH预测方法包括:获取数据信息,数据信息为多个电池在预设范围内进行充放电循环时的物理参数;对数据信息进行预处理,确定数据信息与电池SOH的定量关系;预处理包括对数据信息进行数学运算;基于定量关系,构建电池SOH评估模型;通过电池SOH评估模型,对待检测电池SOH进行预测。这样,可以通过对数据信息进行预处理获得多个与电池SOH相关地特征量,从而使得衡量电池SOH的数据类型较多,进而使得构建的电池SOH评估模型准确性较高、且更具有普适性;另外,由于在确定特征量时,选取的数据信息在预设范围内,这样,不仅可以减少数据采集的工作量和成本,还可以在电池充放电循环的较早阶段对电池SOH进行评估,预警效果更好。
下面将结合附图对本公开各实施例进行详细说明。
本公开实施例提供一种电池SOH预测方法,图1为本公开实施例提供的电池SOH预测方法的流程示意图,如图1所示,电池SOH预测方法包括以下步骤S110至步骤S140。
步骤S110,获取数据信息,数据信息为多个电池在预设范围内进行充放电循环时的物理参数。
这里,数据信息可以为电池充放电循环的历史信息。电池可以为电池单体,也可以是电池模组。多个电池的数量为任意可以实现的数量,例如,电池的数量可以是100个、1000个等等,本公开对此并不限定;需要说明的是,电池的数量太少可能导致后续构建的电池SOH评估模型不可靠,因此电池的数量不宜太少。
本公开实施例中,物理参数包括电压、电阻、放电容量等与电池SOH相关的参数。多个电池在预设范围内进行充放电循环时的物理参数指的是:每一个电池在预设范围内进行充放电循环时的电压、电容、内阻等;另外,预设范围可以选取5-50圈充放电循环,通过对预设范围选取,不仅可以减少数据采集的工作量和成本,还可以在电池充放电循环的较早阶段对电池SOH进行评估,预警效果更好。在其他实施例中,预设范围也可以是其他可以获取的范围,本公开实施例对此并不限定。
步骤S120,对数据信息进行预处理,确定数据信息与电池SOH的定量关系;预处理包括对数据信息进行数学运算。
这里,数学运算包括求差值、导数、最大值、最小值、方差、或者求导后再求最小值等任意一种可以实现的数学运算。对数据信息进行预处理,确定数据信息与电池SOH的定量关系:对每一物理参数进行至少一次数学运算,并将运算后的物理参数作为电池SOH的一个特征量,如此确定多个特征量与电池SOH的定量关系。例如,将电池电阻的增量确定为一个特征量,以及将不同电压下对应的放电容量相对于电压导数的最小值确定为一个特征量,如此,确定这两个特征量与电池SOH的定量关系。
需要说明的是,对一个物理参数进行多种不同的预处理(例如,求最大值,求导等),可以获得该物理参数对应的多个特征量,从而使得模型建立更具有准确性。进一步地,数据信息中包括多种不同的物理参数(例如,电压、电阻等),从而使得模型建立更具有普适性。
这样,通过对数据信息中的每一物理参数进行预处理,从而可以确定出每一物理参数对应的多个特征量,使得获取的特征量较多,从而衡量电池SOH的数据类型较多,不仅使得后续构建电池SOH评估模型更具有普适性,还使得电池SOH评估模型的准确性较高。
步骤S130,基于定量关系,构建电池SOH评估模型。
这里,电池SOH评估模型包括线性回归模型、回归树模型、神经网络模型等可以实现电池SOH预测的模型,本公开对此并不限定。
步骤S140,通过电池SOH评估模型,对待检测电池SOH进行预测。
本公开实施例中,由于确定了多个特征量,并根据每一特征量确定数据信息与电池SOH的定量关系,提高了构建的电池SOH评估模型的准确性和普适性,从而可以基于SOH评估模型快速准确地预测出待检测电池的SOH。
下面,结合附图本公开实施例提供的电池SOH预测方法进行详细的说明。
在一些实施例中,请参考图1至图4,步骤S110,获取数据信息,包括:步骤S111和步骤S112。
步骤S111,获取初始数据信息,初始数据信息为多个电池进行充放电循环的物理参数。
这里,初始数据信息可以为电池充放电循环的历史信息。图3和图4示出了两种不同的初始数据信息,请参考图3,为多个电池进行充放电循环的放电容量(安时,Ah)与放电容量的关系曲线,其横坐标为充放电循环次数(cycle),纵坐标为放电容量(Ah),图3中的每一条曲线代表一个电池放电容量与循环次数之间的关系。由图3可以看出随着循环次数的增加电池放电容量逐渐减少,电池放电容量越少电池SOH越小,即电池放电容量为与电池SOH相关的物理参数。
请参考图4,为多个电池进行充放电循环的电阻与放电容量的关系曲线,其横坐标为充放电循环次数,纵坐标为电阻(Ω),图4中的每一条曲线代表一个电池的电阻与循环次数之间的关系,由图4可以看出随着循环次数的增加电池的电阻逐渐增加,电池的电阻越高电池SOH越小,即电池的电阻为与电池SOH相关的物理参数。
需要说明的是,本公开实施例仅以物理参数为放电容量和电阻为例进行说明,实际上,物理参数还包括其他与电池SOH相关的参数,例如,电压等。另外,初始数据信息也可以是每一电池充放电循环时电池的多个物理参数,例如,第5圈充放电循环中电池的放电电容-放电电压曲线、第50圈充放电循环中电池的放电电容-放电电压曲线,这样,可以同时获取多个物理参数与电池SOH的关系,使得构建的电池SOH评估模型的准确性更高。
步骤S112,选取处于预设范围内的初始数据信息,生成数据信息。
本公开实施例中,可以根据实际需要设置预设范围的取值,例如,请参考图3和图4中虚线空示出的区域,预设范围选取5-50圈充放电循环,这样,由于5-50圈充放电循环时物理参数(即放电容量和电阻)已有相应的变化趋势,从而可以在电池充放电循环的较早阶段对电池SOH进行评估,预警效果更好;另外,5-50圈充放电循环时物理参数的实验次数少,使得数据采集的工作量和成本较低。
需要说明的是,在一些实施例中,预设范围也可以是选取物理参数变化趋势中的初始值和最终值,例如,第5圈充放电循环和第50圈充放电循环。
在一些实施例中,请参考图5至图10,步骤S120,对数据信息进行预处理,确定数据信息与电池SOH的定量关系,包括:步骤S121和步骤S122。
步骤S121,对数据信息进行预处理,生成多个特征量。
在一些实施例中,步骤S121,包括:对数据信息中的物理参数进行至少一次预处理,生成与物理参数对应的多个特征量。如此,形成多个不同的特征量。
例如,首先,通过步骤S110获取每一个电池在充放电循环时的放电电容-放电电压曲线(未示出),将第50圈和第5圈放电循环时的放电电容-放电电压曲线相减,从而可以获得如图6所示的在第50圈和第5圈放电循环中,多个电池在不同电压下对应放电容量差值(Q50-Q5);其中,图6中的每一个数据线代表一个电池。此时无法直观看出不同电压下对应放电容量差值与电池SOH之间的关系,因此,可以再进行一次预处理,请参考图7,将所有电压下对应电池在第50圈和第5圈放电循环的方差作为一个特征量,确定该特征量与电池循环次数(即电池SOH)之间的关系,从图7中可以看出,该特征量与电容的充放电循环次数存在较强相关性,因此,该特征量可以对电池使用50圈后的次数进行预测,从而在电池更早期的阶段可以预测电池SOH,且预警效果更好。
又如,请参考图8,将第50圈放电循环中,多个电池在不同电压对应的放电容量相对于电压的导数,此时无法直接看出不同电压对应的放电容量相对于电压的导数与电池SOH之间的关系,因此,可以再进行一次预处理,请参考图9,为多个电池第50圈放电循环中,不同电压下对应放电容量相对于电压的导数的最小值min(dQ/dV)与充放电循环次数之间的关系。从图9中可以看出,该特征量与电容的充放电循环次数存在较强相关性,因此,该特征量可以对电池使用50圈后的次数进行预测,从而在电池更早期的阶段可以预测电池SOH,且预警效果更好。需要说明的是,在获得的特征量较为聚集时,可以对该特征量进行log化,从而更容易观察该特征量与电池SOH之间的相关性,例如,图9中log化后的min(dQ/dV)随循环的增加呈线性上升的趋势;又如,图7中log化后的Var(Q50-Q5)(Ah2)随循环的增加呈线性下降的趋势。
再如,可以通过对数据信息中的物理参数进行一次预处理,根据图4获取第50圈及第5圈放电循环中,多个电池电阻的差值与电池循环次数之间的关系,得到如图10所示的第50圈及第5圈放电循环中,多个电池电阻的差值与电池SOH之间的关系。从图10中可以看出,该与充放电循环次数存在较强相关性,因此,该特征量可以对电池使用50圈后的次数进行预测,从而在电池更早期的阶段可以预测电池SOH,且预警效果更好。
本公开实施例中,设置的特征量还可以为第50圈和第5圈差值曲线的最大值max[ΔQ(50-5)];或者对如图3所示的预设范围内(即第5圈到第50圈)的曲线进行线性拟合,选取拟合的斜率和截距作为特征量;又或者对如图4所示的第5圈到第50圈的最小电阻作为特征量,等等,本公开对此不再赘述。
本公开实施例,通过对数据信息中的物理参数依次进行至少一次预处理,可以更容易获取电池次数相关的特征量,使得模型建立的更加准确。另外还可以对每一物理参数进行不同的预处理(即不同的数学运算),获得该物理参数对应的多个特征量,这样获取的特征量较多,使得构建SOH评估模型更具有普适性。其中,对数据信息依次进行至少一次预处理,可以是2次、3次等,本公开对此不作限制。
需要说明的是,本公开实施例中相关性较高(或者强相关)指的是:该特征较为集中地进行直线分布。另外,若获取的特征量与电池SOH并不是强相关的,此时不是强相关的特征量进行舍弃,不进行下一步处理。
在一些实施例中,步骤S122,确定每一特征量与电池SOH的定量关系。
其中,步骤122,包括:步骤一,确定每一特征量与电池SOH的相关系数。和步骤二,根据相关系数,确定每一物理参数与电池SOH的定量关系。
这里,相关系数是用以反映变量之间相关关系密切程度的统计指标,通过获取相关系数,可以定量表示数据信息中的每一物理参数与电池循环次数之间的关系。
进一步地,在确定相关系数之后,可以更快捷、准确地建立良好的线性关系。例如,请参考图7,可以通过线性拟合获得所有电压下对应放电容量差值的方差与电池循环次数之间的定量关系。又如,请参考图9,可以通过线性拟合获得不同电压下对应放电容量相对于电压的导数的最小值与电池循环次数之间的定量关系。再如,请参考图10,可以通过线性拟合获得电池的电阻与电池循环次数之间的定量关系。
需要说明的是,获取的特征量与电池循环次数之间不一定是线性相关,也可以是曲线相关等。
在一些实施例中,步骤S130,基于定量关系,构建电池SOH评估模型,包括:步骤S131和步骤S132。
步骤S131,基于定量关系,建立初始评估模型;初始评估模型至少包括线性回归模型、回归树模型和神经网络模型。
步骤S132,将每一特征量作为训练数据,对初始评估模型中进行训练,构建电池SOH评估模型。
例如,可以构建线性回归模型,具体地,对数据信息预处理:获取每一物理参数对应的特征量,以及该特征量对应的电池循环次数。接下来,进行训练模型:将获取的特征量和对应的电池循环次数进行训练,生成线性回归模型。
在一些实施例中,步骤S132,在构建电池SOH评估模型之后,电池SOH预测方法还包括:根据评估模型,对电池SOH评估模型进行验证,以确定评估模型的合理性。
也就是说,将预测的电池循环寿命与历史数据进行对比,若预测的结果和理解结果相同,说明评估模型合理;若预测的结果和理解结果不同,说明评估模型不合理。这样,可以提高电池SOH评估模型的准确性。
本公开实施例,可以通过对数据信息进行预处理获得多个与电池SOH相关地特征量,从而使得衡量电池SOH的数据类型较多,进而使得构建的电池SOH评估模型准确性较高、且更具有普适性;另外,由于在确定特征量时,选取的数据信息在预设范围内,这样,不仅可以减少数据采集的工作量和成本,还可以在电池充放电循环的较早阶段对电池SOH进行评估,预警效果更好。
本申请实施例还提供另一种电池SOH预测方法,请参考图12,该方法包括步骤S11至步骤S19。
步骤S11:开始;
步骤S12:数据预处理,获得特征量(对应上述步骤S110和步骤S121);
步骤S13:特征量相关性验证(对应上述步骤S122);
步骤S14:数据分类:训练集/测试集(对应上述步骤S131);
步骤S15:训练集:回归树模型(对应上述步骤S131);
步骤S16:输出训练模型(对应上述步骤S132);
步骤S17:测试集:验证(对应上述步骤S132);
步骤S18:带入实车运行数据,计算电池SOH(对应上述步骤S140);
步骤S19:结束。
本公开实施例的目的在于提供一种快速便捷的SOH状态评估方法,挖掘动力电池充放电循环过程中电压、电流、容量等历史数据,确定与SOH高度相关的特征量,并进一步利用机器学法建立特征量与SOH的定量关系。该方法提升了SOH模型搭建的准确度,采用多个高度相关特征量也使得SOH状态估计模型更具有普适性。
除此之外,本公开实施例还一种电池SOH预测装置100,如图13所示电池SOH预测装置100包括:
获取模块101,用于获取数据信息,数据信息为多个电池在预设范围内进行充放电循环时的物理参数;
设置模块102,用于对数据信息进行预处理,确定数据信息与电池SOH的定量关系;预处理包括对数据信息进行数学运算;
构建模块103,用于基于定量关系,构建电池SOH评估模型;
评估模块104,用于通过电池SOH评估模型,对待检测电池SOH进行预测。
在一些实施例中,获取模块101,包括:获取单元,用于获取初始数据信息,初始数据信息为多个电池进行充放电循环的物理参数;选取单元,用于选取处于预设范围内的初始数据信息,生成数据信息。
在一些实施例中,设置模块102,包括:预处理单元,用于对数据信息进行预处理,生成多个特征量;确定单元,用于确定每一特征量与电池SOH的定量关系。
在一些实施例中,预处理单元,还用于对数据信息中的物理参数进行至少一次预处理,生成与物理参数对应的多个特征量。
在一些实施例中,确定单元,还用于确定每一特征量与电池SOH的相关系数;以及根据相关系数,确定每一物理参数与电池SOH的定量关系。
在一些实施例中,构建模块103,包括:第一建立单元,用于基于定量关系,建立初始评估模型;初始评估模型至少包括线性回归模型、回归树模型和神经网络模型;第二建立单元,用于将每一特征量作为训练数据,对初始评估模型中进行训练,构建电池SOH评估模型。
在一些实施例中,装置还包括:验证模块,用于根据评估模型,对电池SOH评估模型进行验证,确定评估模型的合理性。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开装置实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
本公开实施例提供一种电子设备,包括存储器和处理器,存储器存储有可在处理器上运行的计算机程序,处理器执行程序时实现上述电池SOH预测方法实施例中的步骤。
需要说明的是,图14为本公开实施例中电子设备的一种硬件实体示意图,如图14所示,该电子设备的硬件实体包括:处理器21、通信接口22和存储器23,其中:
处理器21通常控制电子设备的总体操作。
通信接口22可以使电子设备通过网络与其他终端或服务器通信。
存储器23配置为存储由处理器21可执行的指令和应用,还可以缓存待处理器21以及电子设备中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机存取存储器(Random Access Memory,RAM)实现。
这里,处理器用于控制其自身以及存储器以实现上述电池SOH预测方法实施例中的步骤。处理器还可以称为CPU(Central Processing Unit,中央处理单元)。处理器可能是一种集成电路芯片,具有信号的处理能力。处理器还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器可以由集成电路芯片共同实现。
本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述电池SOH预测方法实施例中的步骤。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,其具体实现可以参照上述方法实施例的描述,具有同方法实施例相似的有益效果。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。
在本公开所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元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。基于这样的理解,本公开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全部或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电子设备(可以是刷写设备或汽车等)或处理器(processor)执行本公开各个实施方式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。
在本公开所提供的几个实施例中,应该理解到,所揭露的结构和方法,可以通过非目标的方式实现。以上所描述的结构实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合。
本公开所提供的几个方法或结构实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或结构实施例。
以上,仅为本公开的一些实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电池SOH预测方法,其特征在于,所述方法包括:
获取数据信息,所述数据信息为多个所述电池在预设范围内进行充放电循环时的物理参数;
对所述数据信息进行预处理,确定所述数据信息与所述电池SOH的定量关系;所述预处理包括对所述数据信息进行数学运算;
基于所述定量关系,构建所述电池SOH评估模型;
通过所述电池SOH评估模型,对待检测所述电池SOH进行预测。
2.根据权利要求1所述的方法,其特征在于,所述获取数据信息,包括:
获取初始数据信息,所述初始数据信息为多个所述电池进行充放电循环的物理参数;
选取处于所述预设范围内的初始数据信息,生成所述数据信息。
3.根据权利要求1所述的方法,其特征在于,对所述数据信息进行预处理,确定所述数据信息与所述电池SOH的定量关系,包括:
对所述数据信息进行预处理,生成多个特征量;
确定每一所述特征量与所述电池SOH的定量关系。
4.根据权利要求3所述的方法,其特征在于,对所述数据信息进行预处理,生成多个特征量,包括:
对所述数据信息中的物理参数进行至少一次所述预处理,生成与所述物理参数对应的多个所述特征量。
5.根据权利要求3所述的方法,其特征在于,确定每一所述特征量与所述电池SOH的定量关系,包括:
确定每一特征量与所述电池SOH的相关系数;
根据所述相关系数,确定每一所述物理参数与所述电池SOH的定量关系。
6.根据权利要求1所述的方法,其特征在于,基于所述定量关系,构建所述电池SOH评估模型,包括:
基于所述定量关系,建立初始评估模型;所述初始评估模型至少包括线性回归模型、回归树模型和神经网络模型;
将每一所述特征量作为训练数据,对所述初始评估模型中进行训练,构建所述电池SOH评估模型。
7.根据权利要求1至6任一项所述的方法,其特征在于,在构建电池SOH评估模型之后,所述方法还包括:
根据所述评估模型,对所述电池SOH评估模型进行验证,以确定所述评估模型的合理性。
8.一种电池SOH预测装置,其特征在于,所述装置包括:
获取模块,用于获取数据信息,所述数据信息为多个所述电池在预设范围内进行充放电循环时的物理参数;
设置模块,用于对所述数据信息进行预处理,确定所述数据信息与所述电池SOH的定量关系;
构建模块,用于基于所述定量关系,构建所述电池SOH评估模型;
评估模块,用于通过所述电池SOH评估模型,对待检测所述电池SOH进行预测。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器存储有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权利要求1至7任一项所述的方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311614695.8A CN117607697A (zh) | 2023-11-27 | 2023-11-27 | 电池soh预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311614695.8A CN117607697A (zh) | 2023-11-27 | 2023-11-27 | 电池soh预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117607697A true CN117607697A (zh) | 2024-02-27 |
Family
ID=89943887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311614695.8A Pending CN117607697A (zh) | 2023-11-27 | 2023-11-27 | 电池soh预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117607697A (zh) |
-
2023
- 2023-11-27 CN CN202311614695.8A patent/CN117607697A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
EP3786653B1 (en) | Battery state estimation method | |
US20110231122A1 (en) | Method and system for determining the kind of a battery | |
CN110579716B (zh) | 一种电池检测方法及装置 | |
EP2537040A1 (fr) | Methode de diagnostic in situ de batteries par spectroscopie d'impedance electrochimique | |
CN113589174B (zh) | 一种锂离子动力电池系统电芯一致性预测方法及装置 | |
Baccouche et al. | Li‐ion battery modeling and characterization: an experimental overview on NMC battery | |
CN113696786B (zh) | 电池均衡方法及系统 | |
CN111381180B (zh) | 一种电池容量的确定方法和装置 | |
CN113111508A (zh) | 电芯一致性的评估方法、装置及服务器 | |
CN113083739B (zh) | 电芯分选方法、装置以及计算机设备 | |
KR20210000207A (ko) | 내부 단락 셀 검출 방법 | |
CN114523878B (zh) | 一种锂离子电池析锂安全预警方法及装置 | |
CN112630661A (zh) | 一种电池荷电状态soc估算方法和装置 | |
CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
CN114035083B (zh) | 电池总容量计算方法、装置、系统和存储介质 | |
CN112816880B (zh) | 电池寿命预测的方法、装置及存储介质 | |
KR20210000206A (ko) | 이상 배터리 셀 검출 방법 | |
CN113848479A (zh) | 一种融合均衡信息的串联电池组短路及低容量故障诊断方法、系统及设备 | |
JP2022034380A (ja) | 再生二次電池の製造方法 | |
Fasih | Modeling and fault diagnosis of automotive lead-acid batteries | |
CN114264961B (zh) | 一种电芯内短路的检测方法、装置和电子设备 | |
CN116404281A (zh) | 电池功率map切换方法、系统、存储介质及切换设备 | |
CN117607697A (zh) | 电池soh预测方法、装置、电子设备及存储介质 | |
CN115951229A (zh) | 车辆电池的驱动寿命评估方法、装置、车辆及存储介质 |
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 |