CN117723999A - 电池使用寿命预测方法、装置、设备及存储介质 - Google Patents
电池使用寿命预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117723999A CN117723999A CN202410172122.2A CN202410172122A CN117723999A CN 117723999 A CN117723999 A CN 117723999A CN 202410172122 A CN202410172122 A CN 202410172122A CN 117723999 A CN117723999 A CN 117723999A
- Authority
- CN
- China
- Prior art keywords
- battery
- battery life
- life prediction
- gradient
- prediction model
- 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 56
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 241000544061 Cuculus canorus Species 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 208000032953 Device battery issue Diseases 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明属于汽车电池技术领域，公开了一种电池使用寿命预测方法、装置、设备及存储介质；该方法包括：采集目标实验车辆的历史行驶参数并预处理，得到参考特征；通过各个参考特征的基尼系数进行寿命影响因素分析，确定电池寿命关联特征；对历史行驶参数中电池寿命关联特征梯度采样，得到各梯度关联样本数据；根据梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型；根据电池寿命预测模型对电池使用寿命进行预测；本发明通过识别电池寿命影响重要性更高的电池寿命关联特征，基于电池寿命关联特征的各梯度关联样本数据对预设电池寿命预测模型进行训练的测试，减少模型数据处理量的同时使模型能够快速准确的预测电池剩余寿命。
Description
技术领域
本发明涉及汽车电池技术领域，尤其涉及一种电池使用寿命预测方法、装置、设备及存储介质。
背景技术
储能技术也由此迅速发展起来，储能技术的应用对于新能源系统的发展起着巨大的作用，为可再生能源并入电网、发展清洁智能电网提供重要支撑。锂离子电池剩余使用寿命（remainingusefullife，RUL）的预测，作为储能设备的规划和管理中的重要一环，对于系统的正常运行发挥着重要作用。因此，精准地预测电池RUL对于能源系统的正常运行、保证电池的健康使用和延长电池使用年限都有着重要意义。
随着电池循环充放电次数的增加，电池内副反应导致电池容量衰减。当电池容量衰减至标称容量的70%~80%，其充放电性能会受到严重影响，甚至无法正常工作，严重时会导致交通事故，应及时更换电池。作为电池故障预测与健康管理（PrognostCSandHealthManagement,PHM）的重要功能，剩余使用寿命预测可为电池定期维护和安全稳定运行提供参考，降低高昂的维修成本，降低灾难性后果发生概率。
目前针对锂离子电池RUL预测多使用单指标而忽视了其他影响因素，模型精度和泛化性能得不到保证的问题。
发明内容
本发明的主要目的在于提供一种电池使用寿命预测方法、装置、设备及存储介质，旨在解决现有技术随着电池使用时间的增加，电池的容量衰减，无法及时更换电池或进行电池维护，严重影响车辆使用安全的技术问题。
为实现上述目的，本发明提供了一种电池使用寿命预测方法，所述方法包括以下步骤：
采集目标实验车辆的历史行驶参数，对所述历史行驶参数进行预处理，得到参考特征；
通过各个参考特征的基尼系数进行寿命影响因素分析，根据分析结果确定电池寿命关联特征；
对所述历史行驶参数中电池寿命关联特征进行梯度采样，得到各梯度关联样本数据；
根据所述梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型；
根据所述电池寿命预测模型对电池使用寿命进行预测。
可选地，所述通过各个参考特征的基尼系数进行寿命影响因素分析，根据分析结果确定电池寿命关联特征，包括：
通过随机森林算法对所述参考特征进行分类，得到类别总数；
确定各个参考特征所在类别的类别占比；
根据所述类别总数和所述类别占比计算各个参考特征的基尼系数；
比较各个参考特征的基尼系数的大小，从小到大选择N个参考特征作为初始关联特征；
通过灰色关联度计算各个初始关联特征与所述历史行驶参数中电池容量之间的关联度，根据所述关联度结果确定电池寿命关联特征。
可选地，所述通过灰色关联度计算各个初始关联特征与电池容量之间的关联度，根据所述关联度结果确定电池寿命关联特征，包括：
根据所述初始关联特征构建特征序列；
根据所述特征序列构建电池寿命序列；
获取关联度分辨系数；
根据所述关联度分辨系数范围、所述特征序列以及电池寿命序列计算各个初始关联特征与所述历史电池容量的关联度；
将各个初始关联特征按照关联度从大到小的顺序进行排列，将前M个初始关联特征作为参考关联特征，M小于N；
将所述参考初关联特征和从大到小排列的前M个初始关联特征进行匹配，得到电池寿命关联特征。
可选地，所述对所述历史行驶参数中电池寿命关联特征进行梯度采样，得到各梯度关联样本数据，包括：
将所述历史行驶参数中电池寿命关联特征进行采样，得到采样关联特征；
将所述采样关联特征按梯度降序排列，得到特征序列；
将所述特征序列中前m个特征作为大梯度关联样本；
将所述特征序列中最后n个特征作为初始小梯度关联样本；
根据m和n对所述初始小梯度关联样本进行放大，得到小梯度关联样本；
将所述大梯度关联样本和小梯度关联样本作为各梯度关联样本数据。
可选地，所述根据所述各梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型之前，包括：
获取初始阈值和初始权值，基于CS算法、所述初始阈值和所述初始权值生成初始种群；
更新所述初始种群中各个个体的位置，直到所述个体的位置更新满足截止条件；
计算最后一个更新时各个个体的适应度，将适应度最大个体对应的参数作为网络优化参数；
根据所述网络优化参数对所述初始电池寿命预测模型中的参数进行设定，得到预设电池寿命预测参数。
可选地，所述根据所述梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型，包括：
将所述梯度关联样本数据按照预设比例划分得到训练样本和测试样本；
根据所述训练样本对所述预设电池寿命预测模型进行训练，得到训练结果；
根据所述训练样本的真实标签和所述训练结果构建损失函数；
根据所述损失函数对所述预设电池寿命预测模型进行优化，得到优化后的预设电池寿命预测模型；
根据所述测试样本对所述优化后的预设电池寿命预测模型进行测试，得到测试结果；
根据所述测试结果进行模型检测，得到检测结果；
在检测结果满足预设检测要求时，将所述预设电池寿命预测模型作为电池寿命预测模型。
可选地，所述采集目标实验车辆的历史行驶参数，对所述历史行驶参数进行预处理，得到参考特征，包括：
采集目标车辆的历史行驶参数；
对所述历史行驶参数进行预处理，得到参考特征，所述预处理包括数据平滑处理、数据修正以及数据降噪，得到修正后的历史行驶参数；
所述根据所述电池寿命预测模型对电池使用寿命进行预测之后，还包括：
将当前预测电池使用寿命与预设时间段前的历史预测电池寿命进行比较，得到电池使用寿命差；
在电池使用寿命差大于差值阈值时，进行维护提醒；
在电池使用寿命差小于等于差值阈值时，不进行提醒；
在当前预测电池使用寿命大于等于电池使用寿命阈值时，进行更换提醒；
在当前预测电池使用寿命小于电池使用寿命阈值时，不进行提醒。
此外，为实现上述目的，本发明还提出一种电池使用寿命预测装置，所述电池使用寿命预测装置包括：
数据处理模块，用于采集目标实验车辆的历史行驶参数，对所述历史行驶参数进行预处理，得到参考特征；
所述数据处理模块，还用于通过各个参考特征的基尼系数进行寿命影响因素分析，根据分析结果确定电池寿命关联特征；
所述数据处理模块，还用于对所述历史行驶参数中电池寿命关联特征进行梯度采样，得到各梯度关联样本数据；
电池寿命预测模块，用于根据所述梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型；
所述电池寿命预测模块，还用于根据所述电池寿命预测模型对电池使用寿命进行预测。
此外，为实现上述目的，本发明还提出一种电池使用寿命预测设备，所述电池使用寿命预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池使用寿命预测程序，所述电池使用寿命预测程序配置为实现如上文所述的电池使用寿命预测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有电池使用寿命预测程序，所述电池使用寿命预测程序被处理器执行时实现如上文所述的电池使用寿命预测方法的步骤。
本发明通过计算目标试验车辆的历史行驶参数中存在的各个特征与电池容量之间基尼系数，识别出对电池寿命影响重要性更高的电池寿命关联特征，同时对电池关联特征进行各梯度关联样本数据采集，基于各梯度关联样本数据的大样本数据和小样本数据对预设电池寿命预测模型进行训练的测试，减小模型数据处理量的同时提高模型数据识别梯度跨度，使训练好的模型能够快速准确的预测电池剩余寿命。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电池使用寿命预测设备的结构示意图；
图2为本发明电池使用寿命预测方法第一实施例的流程示意图；
图3为本发明电池使用寿命预测方法一实施例的预设电池寿命预测模型参数的计算步骤示意图；
图4为本发明电池使用寿命预测方法一实施例的CS算法过程示意图；
图5为本发明电池使用寿命预测方法第二实施例的流程示意图；
图6为本发明电池使用寿命预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的电池使用寿命预测设备结构示意图。
如图1所示，该电池使用寿命预测设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电池使用寿命预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电池使用寿命预测程序。
在图1所示的电池使用寿命预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电池使用寿命预测设备中的处理器1001、存储器1005可以设置在电池使用寿命预测设备中，所述电池使用寿命预测设备通过处理器1001调用存储器1005中存储的电池使用寿命预测程序，并执行本发明实施例提供的电池使用寿命预测方法。
本发明实施例提供了一种电池使用寿命预测方法，参照图2，图2为本发明一种电池使用寿命预测方法第一实施例的流程示意图。
本实施例中，所述电池使用寿命预测方法包括以下步骤：
步骤S10：采集目标实验车辆的历史行驶参数，对所述历史行驶参数进行预处理，得到参考特征。
可理解的是，目标试验车辆可以是指某一类车辆，或者是某一种电池属性相同的车辆。
应理解的是，历史行驶参数可以包括该目标实验车辆的第几次充电、充电时间、电容量、充放电电流、充电差分电压拐点、充电放电温度。
需说明的是，将目标实验车辆不断进行充放电测试，并通过测量仪器（电压表、电流表、温度计等仪器）采集在充放电时相关的参数。
需说明的是，预处理包括数据平滑处理、数据修正以及数据降噪，得到修正后的历史行驶参数。
在具体实施中，采集目标车辆的历史行驶参数；对所述历史行驶参数进行数据平滑处理，得到处理后的历史行驶参数；对所述处理后的历史行驶参数进行数据修正，得到修正后的历史行驶参数；通过噪声过滤剔除所述修正后的历史行驶参数的离散数值，得到过滤后的历史行驶参数；对所述过滤后的历史行驶参数进行特征提取，得到参考特征。
需强调的是，参考特征可以包括历史信息特征、电池特征、汽车运行特征、环境特征；其中历史信息特征可以包括充电次数、充电时间等信息特征；电池特征包括充放电电流值和电压值、每次充放电对应的电池容量等；汽车运行特征包括持续运行时间、是否运行等特征信息；环境特征包括环境温度、环境湿度等信息。
需要说明的是，本实施例的执行主体是电池使用寿命预测设备，其中，该电池使用寿命预测设备具有数据处理，数据通信及程序运行等功能，所述电池使用寿命预测设备可以为集成控制器，控制计算机等设备，当然还可以为其他具备相似功能的设备，本实施例对此不做限制。
步骤S20：通过各个参考特征的基尼系数进行寿命影响因素分析，根据分析结果确定电池寿命关联特征。
可理解的是，基尼系数可以是一种评估特征重要性的度量值，简单来说基尼系数是一种衡量数据集中类别混乱程度的指标，其值越低，表示数据的纯度越高，即类别之间的界限越清晰。
应理解的是，在随机森林中，对于每个特征，可以计算其在各个节点上的基尼系数，然后对这些基尼系数进行平均，得到该特征的总的基尼系数。
需说明的是，通过计算各个参考特征的基尼系数，并比较各个参考特征的基尼系数值，再进一步分析可以得到相对于电池使用寿命影响最大的参考特征，并将影响最大的参考特征作为电池寿命关联特征，从而进行电池寿命预测，能够更好更准确的对目标试验车辆这一系列电池的的使用寿命进行预测。
步骤S30：对所述历史行驶参数中电池寿命关联特征进行梯度采样，得到各梯度关联样本数据。
可理解的是，梯度采样是一种基于梯度的采样方法，主要用于减少数据量并提高训练效率。通过将梯度小的样本删除，仅用剩下的大梯度样本进行信息增益的计算，可以在减少样本的同时尽可能地保证训练效果。梯度采样可以分为单边梯度采样和均匀网格法。
需说明的是，本实施例以单边梯度采样为例进行说明，单边梯度采样保留所有的梯度较大的样本，在梯度小的实例上使用随机采样，抵消数据分布的影响，计算信息增益的时候，单边梯度采样对小梯度的数据引入常量乘数，减少数据计算量。
应理解的是，各梯度关联样本数据可以是历史行驶参数中多个电池寿命关联特征进行单边梯采样后得到的特征数据。
需强调的是，所述对所述历史行驶参数中电池寿命关联特征进行梯度采样，得到各梯度关联样本数据，包括：将所述历史行驶参数中电池寿命关联特征进行采样，得到采样关联特征；将所述采样关联特征按梯度降序排列，得到特征序列；将所述特征序列中前m个特征作为大梯度关联样本；将所述特征序列中最后n个特征作为初始小梯度关联样本；根据m和n对所述初始小梯度关联样本进行放大，得到小梯度关联样本；将所述大梯度关联样本和小梯度关联样本作为各梯度关联样本数据。
其中，可理解的是，将所述历史行驶参数中电池寿命关联特征进行采样，得到采样关联特征可以是对历史行驶参数中各个电池寿命关联特征进行单边梯度采样后得到的特征。
其中，应理解的是，m和n可以根据实际采样关联特征的数量进行调整，本实施例对此不作限定。
其中，需说明的是，根据m和n对所述初始小梯度关联样本进行放大可以是通过公式(1-m)/n×100%对初始小梯度关联样本进行放大。
其中，值得说明的是，大梯度采样主要保留所有梯度大的样本，对梯度小的样本进行随机抽样，可以不改变样本的数据分布，在计算增益时为梯度小的样本引入一个常数进行平衡。如果一个样本的梯度很小，说明样本的训练误差很小，或者说该样本已经得到了很好的分类结果。而小梯度采样则是删除梯度小的样本，仅用剩下的梯度大的样本进行信息增益的计算，可以减少样本的数量，提高训练效率。本实施例结合大梯度样本和小梯度样本两种采样方法对样本数据进行处理和采样，能够用更合理的样本数量得到更好的训练效果，提高训练效率。
步骤S40：根据所述梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型。
可理解的是，根据所述梯度关联样本数据优化预设电池寿命预测模型可以是通过梯度关联样本数据对预设电池寿命预测模型进行训练、测试、检测等动作。
应理解是，直到预设电池寿命预测模型的预测结果经过检测满足准确度要求时，则可以认为该预设电池寿命预测模型是合格的，将合格的预设电池寿命预测模型作为电池寿命预测模型，可以通过该电池寿命预测模型对目标实验车辆的同类型车辆或者是同类型电池进行电池寿命预测。
需说明的是，电池RUL是指在一定的充放电条件下，电池性能或电池健康状态(StateofHealth,SOH)退化到不能满足设备继续工作或规定值(失效阈值)之前所经历的充放电循环次数。一般定义电池SOH为80%时电池失效，RUL预测是评估电池失效前剩余的使用时间，具体可参考下列公式：
TRUL=TSOH80%-TNOW
其中，TRUL为电池剩余使用时间；TSOH80%为电池SOH到达80%的时间；TNOW为电池当前SOH下的时间。其中，SOH的定义可以参考下列公式：
CSOH=CM/CN×100%
其中，CSOH为容量法定义的SOH；CM为当前电池稳定容量；CN为额定容量。
需说明的是，所述根据所述各梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型之前，包括：获取初始阈值和初始权值，基于CS算法（布谷鸟搜索（cuckoo search，CS）算法）、所述初始阈值和所述初始权值生成初始种群；更新所述初始种群中各个个体的位置，直到所述个体的位置更新满足截止条件；计算最后一个更新时各个个体的适应度，将适应度最大个体对应的参数作为网络优化参数；根据所述网络优化参数对所述初始电池寿命预测模型中的参数进行设定，得到预设电池寿命预测参数，预设电池寿命预测模型参数的计算步骤可以参考图3。
其中，可理解的是，初始阈值和所述初始权值可以是对CS算法进行初始值设定的参数，该初始阈值和初始权值可以是根据历史经验认为预先设定的值，可以根据实际情况进行限定，本实施例不作限定。
其中，应理解的是，CS算法是其中一种对预设电池寿命预测模型进行参数设定的算法，也可以是使用其他算法，例如蝴蝶算法、蜜蜂算法等，本实施以CS算法进行说明，CS算法模型简单，只包含种群更新、择优选择、随机迁移三种机制，步骤较少，参数少且操作简单，同时布谷鸟算法采用莱维飞行进行种群更新，其飞行的行走步长服从莱维分布，具有无限的方差和均值，呈现频繁的短距离和偶然的长距离规律。通过莱维飞行、择优选择和随机迁移的有机结合，使种群在寻优时能够跳出局部最优，具有较强的全局搜索能力，能够更加快速准确找预设电池寿命预测模型的网络参数，该网络参数可以是预设电池寿命预测模型的各个神经网络之间的权值，CS算法的计算过程可以参考图4。
需进一步强调的是，所述根据所述梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型，包括：将所述梯度关联样本数据按照预设比例划分得到训练样本和测试样本；根据所述训练样本对所述预设电池寿命预测模型进行训练，得到训练结果；根据所述训练样本的真实标签和所述训练结果构建损失函数；根据所述损失函数对所述预设电池寿命预测模型进行优化，得到优化后的预设电池寿命预测模型；根据所述测试样本对所述优化后的预设电池寿命预测模型进行测试，得到测试结果；根据所述测试结果进行模型检测，得到检测结果；在检测结果满足预设检测要求时，将所述预设电池寿命预测模型作为电池寿命预测模型。
其中，可理解的是，预设比例可以是2:8，也可以是3:7，可根据实际情况进行调整，本实施例对此不作限定。损失函数可以是ARLF，Advanced-Risk-and-Loss-Forecasting-Framework的缩写，中文意思是高级风险与损失预测框架，相较于传统常规损失函数，ARLF可以根据所需产生不同的表现形式，不仅可以降低离群值对预测精度的影响，而且具有较好的自适应性，有助于提升预测模型的泛化能力。
其中，应理解的是，所述测试结果可以理解为是测试集的预测结果（预测电池寿命）和真实结果（真实电池寿命），也可以理解为是测试样本的预测准确率。
其中，需说明的是，根据所述测试结果进行模型检测，得到检测结果可以是根据测试结果计算整个测试样本数据通过预设电池寿命预测模型的预测结果的均方根误差、绝对误差以及平均绝对误差。
步骤S50：根据所述电池寿命预测模型对电池使用寿命进行预测。
可理解的是，电池寿命预测模型是通过采集目标实验车辆的历史行驶参数进行训练得到，对目标实验车辆的电池使用寿命进行预测或者是同类型电池进行预测，其他类型电池的使用寿命预测可能存在误差，需重新进行训练。
需强调的是，所述根据所述电池寿命预测模型对电池使用寿命进行预测之后，还包括：将当前预测电池使用寿命与预设时间段前的历史预测电池寿命进行比较，得到电池使用寿命差；在电池使用寿命差大于差值阈值时，进行维护提醒；在电池使用寿命差小于等于差值阈值时，不进行提醒；在当前预测电池使用寿命大于等于电池使用寿命阈值时，进行更换提醒；在当前预测电池使用寿命小于电池使用寿命阈值时，不进行提醒。
其中，可理解的是，将当前预测电池使用寿命与预设时间段前的历史预测电池寿命进行比较，得到电池使用寿命差可以是通过电池寿命预测模型预测得到剩余充电次数，通过剩余充电次数可以得到电池使用寿命
其中，应理解的是，将当前时间的电池使用寿命和预设时间段前（3天、5天等）预测的电池使用寿命进行比较，若电池使用寿命差值大于差值阈值，则认为近期电池使用频繁需要对电池进行维护，保养，及时提醒用户进行维护；差值阈值可以根据实际情况进行调整，本实施例对此不作限定。
其中，需说明的是，在通过电池寿命预测模型预测到电池使用寿命小于寿命阈值时，提醒用户更换电池，此时电池还可以安全进行充放电的次数是原本能充放电总次数的80%-90%，即寿命阈值是经过测试得到目标实验车辆可以是充放电的总次数。
本实施例通过计算目标试验车辆的历史行驶参数中存在的各个特征与电池容量之间基尼系数，识别出对电池寿命影响重要性更高的电池寿命关联特征，同时对电池关联特征进行各梯度关联样本数据采集，基于各梯度关联样本数据的大样本数据和小样本数据对预设电池寿命预测模型进行训练的测试，减小模型数据处理量的同时提高模型数据识别梯度跨度，使训练好的模型能够快速准确的预测电池剩余寿命。
参考图5，图5为本发明一种电池使用寿命预测方法第二实施例的流程示意图。
基于上述第一实施例，本实施例电池使用寿命预测方法在所述步骤S20，包括：
步骤S21：通过随机森林算法对所述参考特征进行分类，得到类别总数。
可理解的是，随机森林算法是一种基于决策树的集成学习算法，可以它构建多个决策树并综合它们的预测结果来提高预测精度和降低过拟合。
应理解的是，随机森林算法的关键在于随机性，即在生成每棵决策树时，采用有放回的方式随机选择样本和特征，这样可以保证每棵决策树之间存在一定的差异，从而提升模型的泛化能力。
在具体实施中，从参考特征中随机选取样本生成训练数据集。对每个训练数据集，使用决策树算法生成一棵决策树。将所有生成的决策树组成随机森林。对于新的输入样本，让随机森林中的每一棵决策树分别进行分类，然后综合各棵决策树的每类结果，以投票方式或者平均概率等方式给出最终的分类结果。
需说明的是，类别总数可以类为是通过随机森林算法对各个参考特征进行分类后的类别数量。
步骤S22：确定各个参考特征所在类别的类别占比。
应理解的是，确定各个参考特征所在类别的类别占比可以是确定各个参考特征所在的类别，在确定在该类别的特征数量，将该类别的特征数量除以参考特征总数，得到参考特征所在类别的类别占比。分别计算各个参考特征所在类别的类别占比。
步骤S23：根据所述类别总数和所述类别占比计算各个参考特征的基尼系数。
可理解的是，在随机森林中，每个参考特征可以计算其在各个节点上的基尼系数，然后对这些基尼系数进行平均，得到该特征的总的基尼系数。
需说明的是，对于训练数据集中的每个样本，统计其每个特征的取值情况，以及该样本所属的类别。对于每个特征，计算其在每个节点上的基尼系数。
在具体实施中，使用随机森林算法进行特征选择。通过不同特征的贡献度评估特征重要性。其中，特征贡献度衡量指标为基尼系数，基尼系数的计算可参考下列公式：
其中，Mi表示第i个参考特征的基尼系数，K表示类别个数，P表示第i个参考特征在k个类别所占的比例。
进一步的，将每个节点上的基尼系数进行平均，得到该特征的总的基尼系数，按照基尼系数的值对特征进行排序，值越小的特征越重要。
步骤S24：比较各个参考特征的基尼系数的大小，从小到大选择N个参考特征作为初始关联特征。
可理解的是，N可以是选择输入预设电池寿命预测模型进行训练的特征数量，若需要进一步筛选可以根据实际需求进行设定，不作限定。
应理解的是，基尼系数越小则特征越重要，则取前N个较为重要的参考特征作为初始关联特征，避免太多特征输入模型增加计算量或者是导致模型过拟合。
步骤S25：通过灰色关联度计算各个初始关联特征与所述历史行驶参数中电池容量之间的关联度，根据所述关联度结果确定电池寿命关联特征。
可理解的是，通过基尼系数对参考特征进行初步筛选，但是基尼系数在进行计算分类时对噪声非常敏感，容易在数据量大且杂乱的数据中导致分类不够准确。
应理解的是，对通过基尼系数筛选的初始关联特征再次通过灰色关联度进行关联度分析，二次筛选可以得到更加准确的与电池使用寿命关联度高的特征。
需强调的是，所述通过灰色关联度计算各个初始关联特征与电池容量之间的关联度，根据所述关联度结果确定电池寿命关联特征，包括：根据所述初始关联特征构建特征序列；根据所述特征序列构建电池寿命序列；获取关联度分辨系数；根据所述关联度分辨系数范围、所述特征序列以及电池寿命序列计算各个初始关联特征与所述历史电池容量的关联度；将各个初始关联特征按照关联度从大到小的顺序进行排列，将前M个初始关联特征作为参考关联特征，M小于N；将所述参考初关联特征和从大到小排列的前M个初始关联特征进行匹配，得到电池寿命关联特征。
其中，可理解的是，关联度分辨系数可以是预先根据系数设定经验设定的数值，可根据实际情况进行调整，本实施例对此不作限定。
其中，应理解的是，根据所述关联度分辨系数范围、所述特征序列以及电池寿命序列计算各个初始关联特征与所述历史电池容量的关联度可以是根据下列公式定义特征序列：
根据下列公式定义电池寿命序列：
其中，y（k）表示各个初始关联特征；k表示第k次充放电时的电池容量，n表示目标实验车辆电池的总充放电次数，m表示序列特征个数。
基于特征序列和电池寿命序列可以得到关联度计算公式，如下：
其中，可进一步解释为下列公式：
其中，ρ表示分辨系数，ρ∈（0，∞），一般取0.5
其中，需说明的是，“将各个初始关联特征按照关联度从大到小的顺序进行排列，将前M个初始关联特征作为参考关联特征，M小于N；将所述参考关联特征和从大到小排列的前M个初始关联特征进行匹配，得到电池寿命关联特征”是将参考特征中的前N个作为初始关联特征，将初始关联特征中关联度前M个作为参考关联特征。
在具体实施中，将a、b、c、d、e、f、g、h、i作为参考特征，计算各个参考特征的基尼系数，按照基尼系数从小到大排列为b、d、i、e、a、f、g、h、c，以N为6进行说明，则b、d、i、e、a、f作为初始关联特征；计算初始关联特征的关联度，并按从大到小进行排列，得到a、b、i、e、d、f，以M为4进行说明，则a、b、i、e为参考关联特征。取初始关联特征中的前4个b、d、i、e与参考特征进行匹配，则b、i、e为电池寿命关联特征，若匹配成功特征多于模型输入特征数量则按照关联度先后顺序剔除多余的特征，若匹配成功特征少于模型输入特征数量则按照关联度先后顺序补充关联度更高的特征作为电池寿命关联特征。
本实施例通过随机森林算法对目标试验车辆的历史行驶参数进行初步特征筛选，得到与电池寿命相关的初始关联特征，为避免随机森林计算的基尼系数存在偏差，进一步通过灰色关联度算法计算各初始关联特征与电池使用寿命之间的关联度，选出关联度更高的参考关联特征，比较初始关联特征和参考关联特征，得到与电池使用寿命关联度更密切的特征作为模型输入特征，对模型进行训练、测试，从而得到能够更加准确预测电池使用寿命的模型。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有电池使用寿命预测程序，所述电池使用寿命预测程序被处理器执行时实现如上文所述的电池使用寿命预测方法的步骤。
参照图6，图6为本发明电池使用寿命预测装置第一实施例的结构框图。
如图6所示，本发明实施例提出的电池使用寿命预测装置包括：
数据处理模块10，用于采集目标实验车辆的历史行驶参数，对所述历史行驶参数进行预处理，得到参考特征；
所述数据处理模块10，还用于通过各个参考特征的基尼系数进行寿命影响因素分析，根据分析结果确定电池寿命关联特征；
所述数据处理模块10，还用于对所述历史行驶参数中电池寿命关联特征进行梯度采样，得到各梯度关联样本数据；
电池寿命预测模块20，用于根据所述梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型；
所述电池寿命预测模块20，还用于根据所述电池寿命预测模型对电池使用寿命进行预测。
本实施例通过计算目标试验车辆的历史行驶参数中存在的各个特征与电池容量之间基尼系数，识别出对电池寿命影响重要性更高的电池寿命关联特征，同时对电池关联特征进行各梯度关联样本数据采集，基于各梯度关联样本数据的大样本数据和小样本数据对预设电池寿命预测模型进行训练的测试，减小模型数据处理量的同时提高模型数据识别梯度跨度，使训练好的模型能够快速准确的预测电池剩余寿命。
在一实施例中，所述数据处理模块10，还用于通过随机森林算法对所述参考特征进行分类，得到类别总数；
确定各个参考特征所在类别的类别占比；
根据所述类别总数和所述类别占比计算各个参考特征的基尼系数；
比较各个参考特征的基尼系数的大小，从小到大选择N个参考特征作为初始关联特征；
通过灰色关联度计算各个初始关联特征与所述历史行驶参数中电池容量之间的关联度，根据所述关联度结果确定电池寿命关联特征。
在一实施例中，所述数据处理模块10，还用于根据所述初始关联特征构建特征序列；
根据所述特征序列构建电池寿命序列；
获取关联度分辨系数；
根据所述关联度分辨系数范围、所述特征序列以及电池寿命序列计算各个初始关联特征与所述历史电池容量的关联度；
将各个初始关联特征按照关联度从大到小的顺序进行排列，将前M个初始关联特征作为参考关联特征，M小于N；
将所述参考初关联特征和从大到小排列的前M个初始关联特征进行匹配，得到电池寿命关联特征。
在一实施例中，所述数据处理模块10，还用于将所述历史行驶参数中电池寿命关联特征进行采样，得到采样关联特征；
将所述采样关联特征按梯度降序排列，得到特征序列；
将所述特征序列中前m个特征作为大梯度关联样本；
将所述特征序列中最后n个特征作为初始小梯度关联样本；
根据m和n对所述初始小梯度关联样本进行放大，得到小梯度关联样本；
将所述大梯度关联样本和小梯度关联样本作为各梯度关联样本数据。
在一实施例中，所述电池寿命预测模块20，还用于获取初始阈值和初始权值，基于CS算法、所述初始阈值和所述初始权值生成初始种群；
更新所述初始种群中各个个体的位置，直到所述个体的位置更新满足截止条件；
计算最后一个更新时各个个体的适应度，将适应度最大个体对应的参数作为网络优化参数；
根据所述网络优化参数对所述初始电池寿命预测模型中的参数进行设定，得到预设电池寿命预测参数。
在一实施例中，所述电池寿命预测模块20，还用于将所述梯度关联样本数据按照预设比例划分得到训练样本和测试样本；
根据所述训练样本对所述预设电池寿命预测模型进行训练，得到训练结果；
根据所述训练样本的真实标签和所述训练结果构建损失函数；
根据所述损失函数对所述预设电池寿命预测模型进行优化，得到优化后的预设电池寿命预测模型；
根据所述测试样本对所述优化后的预设电池寿命预测模型进行测试，得到测试结果；
根据所述测试结果进行模型检测，得到检测结果；
在检测结果满足预设检测要求时，将所述预设电池寿命预测模型作为电池寿命预测模型。
在一实施例中，所述电池寿命预测模块20，还用于采集目标车辆的历史行驶参数；
对所述历史行驶参数进行预处理，得到参考特征，所述预处理包括数据平滑处理、数据修正以及数据降噪，得到修正后的历史行驶参数；
所述根据所述电池寿命预测模型对电池使用寿命进行预测之后，还包括：
将当前预测电池使用寿命与预设时间段前的历史预测电池寿命进行比较，得到电池使用寿命差；
在电池使用寿命差大于差值阈值时，进行维护提醒；
在电池使用寿命差小于等于差值阈值时，不进行提醒；
在当前预测电池使用寿命大于等于电池使用寿命阈值时，进行更换提醒；
在当前预测电池使用寿命小于电池使用寿命阈值时，不进行提醒。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献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（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光 盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电池使用寿命预测方法，其特征在于，所述电池使用安全检测方法包括：
采集目标实验车辆的历史行驶参数，对所述历史行驶参数进行预处理，得到参考特征；
通过各个参考特征的基尼系数进行寿命影响因素分析，根据分析结果确定电池寿命关联特征；
对所述历史行驶参数中电池寿命关联特征进行梯度采样，得到各梯度关联样本数据；
根据所述梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型；
根据所述电池寿命预测模型对电池使用寿命进行预测。
2.如权利要求1所述的电池使用寿命预测方法，其特征在于，所述通过各个参考特征的基尼系数进行寿命影响因素分析，根据分析结果确定电池寿命关联特征，包括：
通过随机森林算法对所述参考特征进行分类，得到类别总数；
确定各个参考特征所在类别的类别占比；
根据所述类别总数和所述类别占比计算各个参考特征的基尼系数；
比较各个参考特征的基尼系数的大小，从小到大选择N个参考特征作为初始关联特征；
通过灰色关联度计算各个初始关联特征与所述历史行驶参数中电池容量之间的关联度，根据所述关联度结果确定电池寿命关联特征。
3.如权利要求2所述的电池使用寿命预测方法，其特征在于，所述通过灰色关联度计算各个初始关联特征与电池容量之间的关联度，根据所述关联度结果确定电池寿命关联特征，包括：
根据所述初始关联特征构建特征序列；
根据所述特征序列构建电池寿命序列；
获取关联度分辨系数；
根据所述关联度分辨系数范围、所述特征序列以及电池寿命序列计算各个初始关联特征与所述历史电池容量的关联度；
将各个初始关联特征按照关联度从大到小的顺序进行排列，将前M个初始关联特征作为参考关联特征，M小于N；
将所述参考初关联特征和从大到小排列的前M个初始关联特征进行匹配，得到电池寿命关联特征。
4.如权利要求1所述的电池使用寿命预测方法，其特征在于，所述对所述历史行驶参数中电池寿命关联特征进行梯度采样，得到各梯度关联样本数据，包括：
将所述历史行驶参数中电池寿命关联特征进行采样，得到采样关联特征；
将所述采样关联特征按梯度降序排列，得到特征序列；
将所述特征序列中前m个特征作为大梯度关联样本；
将所述特征序列中最后n个特征作为初始小梯度关联样本；
根据m和n对所述初始小梯度关联样本进行放大，得到小梯度关联样本；
将所述大梯度关联样本和小梯度关联样本作为各梯度关联样本数据。
5.如权利要求1所述的电池使用寿命预测方法，其特征在于，所述根据所述各梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型之前，包括：
获取初始阈值和初始权值，基于CS算法、所述初始阈值和所述初始权值生成初始种群；
更新所述初始种群中各个个体的位置，直到所述个体的位置更新满足截止条件；
计算最后一个更新时各个个体的适应度，将适应度最大个体对应的参数作为网络优化参数；
根据所述网络优化参数对所述初始电池寿命预测模型中的参数进行设定，得到预设电池寿命预测参数。
6.如权利要求5所述的电池使用寿命预测方法，其特征在于，所述根据所述梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型，包括：
将所述梯度关联样本数据按照预设比例划分得到训练样本和测试样本；
根据所述训练样本对所述预设电池寿命预测模型进行训练，得到训练结果；
根据所述训练样本的真实标签和所述训练结果构建损失函数；
根据所述损失函数对所述预设电池寿命预测模型进行优化，得到优化后的预设电池寿命预测模型；
根据所述测试样本对所述优化后的预设电池寿命预测模型进行测试，得到测试结果；
根据所述测试结果进行模型检测，得到检测结果；
在检测结果满足预设检测要求时，将所述预设电池寿命预测模型作为电池寿命预测模型。
7.如权利要求1所述的电池使用寿命预测方法，其特征在于，所述采集目标实验车辆的历史行驶参数，对所述历史行驶参数进行预处理，得到参考特征，包括：
采集目标车辆的历史行驶参数；
对所述历史行驶参数进行预处理，得到参考特征，所述预处理包括数据平滑处理、数据修正以及数据降噪，得到修正后的历史行驶参数；
所述根据所述电池寿命预测模型对电池使用寿命进行预测之后，还包括：
将当前预测电池使用寿命与预设时间段前的历史预测电池寿命进行比较，得到电池使用寿命差；
在电池使用寿命差大于差值阈值时，进行维护提醒；
在电池使用寿命差小于等于差值阈值时，不进行提醒；
在当前预测电池使用寿命大于等于电池使用寿命阈值时，进行更换提醒；
在当前预测电池使用寿命小于电池使用寿命阈值时，不进行提醒。
8.一种电池使用寿命预测装置，其特征在于，所述电池使用寿命预测装置包括：
数据处理模块，用于采集目标实验车辆的历史行驶参数，对所述历史行驶参数进行预处理，得到参考特征；
所述数据处理模块，还用于通过各个参考特征的基尼系数进行寿命影响因素分析，根据分析结果确定电池寿命关联特征；
所述数据处理模块，还用于对所述历史行驶参数中电池寿命关联特征进行梯度采样，得到各梯度关联样本数据；
电池寿命预测模块，用于根据所述梯度关联样本数据优化预设电池寿命预测模型，得到电池寿命预测模型；
所述电池寿命预测模块，还用于根据所述电池寿命预测模型对电池使用寿命进行预测。
9.一种电池使用寿命预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池使用寿命预测程序，所述电池使用寿命预测程序配置为实现如权利要求1至7中任一项所述的电池使用寿命预测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有电池使用寿命预测程序，所述电池使用寿命预测程序被处理器执行时实现如权利要求1至7任一项所述的电池使用寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410172122.2A CN117723999A (zh) | 2024-02-07 | 2024-02-07 | 电池使用寿命预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410172122.2A CN117723999A (zh) | 2024-02-07 | 2024-02-07 | 电池使用寿命预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117723999A true CN117723999A (zh) | 2024-03-19 |
Family
ID=90201986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410172122.2A Pending CN117723999A (zh) | 2024-02-07 | 2024-02-07 | 电池使用寿命预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117723999A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898325A (zh) * | 2020-08-14 | 2020-11-06 | 天津大学 | 一种电动汽车动力电池剩余使用寿命预测方法 |
| CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
| WO2021208079A1 (zh) * | 2020-04-17 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
| CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
| US20220065940A1 (en) * | 2020-08-28 | 2022-03-03 | SparkCognition, Inc. | Battery failure prediction |
| CN114545274A (zh) * | 2022-01-26 | 2022-05-27 | 湖州学院 | 一种锂电池剩余寿命预测方法 |
| CN114706006A (zh) * | 2021-11-15 | 2022-07-05 | 南京东博智慧能源研究院有限公司 | 一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法 |
| CN115204038A (zh) * | 2022-06-22 | 2022-10-18 | 湘潭大学 | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 |
| CN117007974A (zh) * | 2023-08-03 | 2023-11-07 | 电子科技大学长三角研究院(衢州) | 一种基于模型融合的固态电池soc估计方法 |
| CN117272783A (zh) * | 2023-08-09 | 2023-12-22 | 北京理工大学重庆创新中心 | 一种基于云边协同多模型融合的动力电池寿命预测方法 |
-
2024
- 2024-02-07 CN CN202410172122.2A patent/CN117723999A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021208079A1 (zh) * | 2020-04-17 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
| CN111898325A (zh) * | 2020-08-14 | 2020-11-06 | 天津大学 | 一种电动汽车动力电池剩余使用寿命预测方法 |
| US20220065940A1 (en) * | 2020-08-28 | 2022-03-03 | SparkCognition, Inc. | Battery failure prediction |
| CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
| CN114706006A (zh) * | 2021-11-15 | 2022-07-05 | 南京东博智慧能源研究院有限公司 | 一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法 |
| CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
| CN114545274A (zh) * | 2022-01-26 | 2022-05-27 | 湖州学院 | 一种锂电池剩余寿命预测方法 |
| CN115204038A (zh) * | 2022-06-22 | 2022-10-18 | 湘潭大学 | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 |
| CN117007974A (zh) * | 2023-08-03 | 2023-11-07 | 电子科技大学长三角研究院(衢州) | 一种基于模型融合的固态电池soc估计方法 |
| CN117272783A (zh) * | 2023-08-09 | 2023-12-22 | 北京理工大学重庆创新中心 | 一种基于云边协同多模型融合的动力电池寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112763929B (zh) | 一种储能电站系统电池单体健康预测方法及装置 | |
| CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
| CN111382897A (zh) | 台区低压跳闸预测方法、装置、计算机设备及存储介质 | |
| CN115327422A (zh) | 基于充放电行为的电动公交动力电池健康度评价方法 | |
| CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
| CN106845728B (zh) | 一种电力变压器缺陷的预测方法及装置 | |
| CN113376526A (zh) | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 | |
| CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
| CN115456306A (zh) | 一种母线负荷预测方法、系统、设备及存储介质 | |
| CN114723234A (zh) | 变压器容量瞒报识别方法、系统、计算机设备和存储介质 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
| CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
| CN117094535A (zh) | 基于人工智能的能源补给管理方法及系统 | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| WO2024023211A1 (en) | A method for characterizing the evolution of state of health of a device with duration of operation | |
| CN117723999A (zh) | 电池使用寿命预测方法、装置、设备及存储介质 | |
| CN116626502A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
| CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
| CN115267586A (zh) | 锂电池soh评估方法 | |
| CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 |
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 |