CN106528951B - 一种动力电池寿命预测及安全预警的方法和装置 - Google Patents

Abstract

本发明公开了一种利用计算机预测动力电池***的剩余寿命的方法和装置，所述方法包括以下步骤：利用电池管理***测量并收集一段时间内的电池电压数据和电池事件数据；将给定时间区域的电压V分解成老化项电压Va和波动项电压Vf；利用多实例多标签(MIML)学***均(ARIMA)模型，对波动项电压Vf进行预测；利用预测得到的老化项电压Va和波动项电压Vf，对电池的剩余寿命进行预测。该方法利用大数据分析和处理技术，通过考虑电池历史电压数据和事件数据，能够更为精确的估算电池***的性能和预期寿命，提高了预测的准确性和可靠性。

Description

一种动力电池寿命预测及安全预警的方法和装置

技术领域

本发明属于计算机技术领域，尤其涉及一种利用计算机***采用大数据分析的模型和方法对锂电池、铅酸电池等动力电池***进行寿命预测和安全预警的方法和装置，能够用于新能源、通信***、电子信息和计算机技术等具体工业领域。

背景技术

当前，动力电池在人们日常生活的各个方面，都得到了越来越多的应用。基于动力电池的新能源汽车、无线通信基站的后备电源、储能技术等已成为当今世界各国竞相发展的最热门技术之一，随之而来的动力电池的健康和安全也成为如新能源汽车等行业健康发展的关键因素，其中动力电池的容量精确估算、健康精确估算、寿命精确预测是安全技术的核心，也是当今业内的世界难题。

当前业内，对动力电池包的容量估算和健康预测一般都在电池管理***BMS内部完成。申请人发现，现有的电池管理***BMS存在以下问题：现有的容量估算和健康预测算法简单，效果欠佳。例如，无线通信基站中的后备电池***，只对电源的工作数据进行记录，不做任何的预测预警。商用锂电池包的BMS基于成本原因，往往都由带基本DSP功能的微控制器来实现对电池包的充放电管理、电池均衡等，而且BMS内部通常不带大容量的存贮芯片，对锂电池包的历史事件或性能数据几乎或根本不作保留，对即时电池性能进行估算的误差大、可靠性低，一般都是基于对瞬间的电压、电流和温度的测量来计算即时内阻，再和电池初始使用时进行比较而得，不考虑历史信息。

为解决现有技术中的上述缺陷，需要提出一种新的对动力电池进行寿命预测和安全预警的方法，以克服现有技术中存在的上述问题。

发明内容

本发明的目的是提供一种利用大数据分析的模型和方法对动力电池进行寿命预测和安全预警，以解决现有的电池管理***中存在的估计误差大、效果不佳的问题。

根据本发明的一个方面，提供了一种利用计算机对动力电池***的剩余寿命进行预测的方法，其特征在于包括以下步骤：数据获取步骤，利用电池管理***测量并收集一段时间内的电池电压数据和电池事件数据；数据处理步骤，具体包括以下内容：将给定时间区域的电压V分解成老化项电压Va和波动项电压Vf；利用多实例多标签(MIML)学***均(ARIMA)模型，对波动项电压Vf进行预测；利用预测得到的老化项电压Va和波动项电压Vf，对电池的剩余寿命进行预测。

其中，在上述发明中，还包括去噪步骤，过滤收集到的所述电池电压数据中的噪声，仅保留浮动电压，以减少电压来自其他电池活动的干扰。

其中，在上述发明中，所述的自回归积分滑动平均模型，是由滑动平均模型和综合部分组成的部分自回归积分滑动平均模型，其具体形式为

其中，表示时间t时的波动项电压值，θ₁，...，θ_q表示滑动平均模型的参数，ε₁，...，ε_t-1是白噪声误差项，q为移动平均项数，ε_t为综合部分。

其中，在上述发明中，利用如下公式，计算在时间t时第i个电池的剩余寿命

其中，和分别表示时间t时的老化项和波动项电压值，电压斜率为s^t，损失值为y^t，i为电池序号，θ为预定义的电池失效阈值。

其中，在上述发明中，在对电池的剩余寿命进行预测之后，还具有预警步骤，提示用户对即将失效的电池进行更换。

根据本发明的另一个方面，提供了一种对动力电池***的剩余寿命进行预测的装置，该装置包括：电池管理***，用于测量并收集一段时间内的电池电压数据和电池事件数据；数据获取模块，用于从电池管理***获取所述电池电压数据和电池事件数据用于后续处理；数据处理模块，具体包括：将给定时间区域的电压V分解成老化项电压Va和波动项电压Vf的单元；利用多实例多标签(MIML)学***均(ARIMA)模型，对波动项电压Vf进行预测的单元；利用预测得到的老化项电压Va和波动项电压Vf，对电池的剩余寿命进行预测的单元。

根据本发明提出的上述动力电池寿命预测及安全预警的方法和装置，利用大数据分析的模型和方法，充分考虑了电池历史电压数据和历史事件数据对动力电池寿命的影响。本发明提出了一种事件驱动型电池分析方法，精确提取出导致电池组工作状态退化的特性，并建立预测模型。基于本发明中的电池电压和寿命的预测模型，能够得到更为准确、可靠的预测效果，能够解决现有的电池管理***中存在的电池寿命估计误差大、效果不佳的问题。

附图说明

图1为新电池和旧电池的平均电压示意图；

图2为电池的平均电压与剩余寿命的相互关系示意图；

图3为新旧电池的电压方差大小示意图；

图4为电压的变化量与剩余寿命的相互关系示意图；

图5为发生“电池电压低”事件的数量与电池寿命的关系示意图；

图6为发生“电池放电”事件的数量与电池寿命的关系示意图；

图7为发生“电池故障”事件的数量与电池寿命的关系示意图；

图8为本发明提出的预测电池工作状态的EVENING框架的示意图；

图9为从数据集中提取出来的失效趋势的分布状态示意图；

图10为本发明的EVENING方法与线性回归(LR)、自回归积分滑动平均(ARIMA)和小波分析(Wavelet)四种方法预测误差示意图；

图11为更换数量的百分比与电池失效预警之后存活的天数之间的关系示意图；

图12为本发明的EVENING框架和单纯ARIMA预测结果的比较示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。

1.背景

随着3G/4G蜂窝网络的广泛使用，以及未来5G网络时代即将到来，导致了全球手机服务市场的***式增长。大量基站已部署好环境，以满足对服务质量和覆盖范围的需求，并且基站数量将在可预见的未来范畴内增长。考虑到有很多基站部署在偏远农村地区，维护高服务可用性变得相当有挑战性。特别是，它们可能会遭遇频繁的停电。在遭受飓风或者暴风雪后，电力恢复往往需要数天甚至数周，在此期间备用电池成为唯一的供电资源。尽管在城市地区停电是罕见的，备份电池在基站中仍旧是必需的，因为任何服务的中断都能导致不可承受的损失。鉴于在停电期间，基站安装的备用电池组通常是唯一的电力资源，因此电池组的工作状态对基站的可用***有至关重要的影响。

为了提高服务的可用性，除了连接到公用电网，每个蜂窝塔还配备了用于备用供电的电池组。当公用电网上停电时，为了避免任何服务的中断，电池组放电来支持通讯设备，直到发电机能提供足够的电力供应。这使得蓄电池组及其工作条件起到了重要的作用。在此期间，如果蓄电池的状况恶化，断电便能轻易搞垮服务。紧急维修服务的到达可能需要花费数天甚至数周，这依赖于到达和定位出维修点的难度大小，尤其是在农村地区或者遇到恶劣天气。因此，预测电池组的状态对***维护来说，有着技术上和商业上的重要意义。这是为了让电池能够在失效前被提前更换，降低对可用***的干扰。一个成功的预测，不仅需要了解电池老化过程的知识，还要对可能诱发和加速老化过程的应激事件有很好的理解。

尽管锂离子电池和镍镉电池以其较小的尺寸、更轻的重量和更好的存储效率展示了电池科技的最新发展，但是这类电池的主要缺点就是成本太高。传统的铅酸电池有很大的容量，因此已被广泛应用于基站备用电源中的存储。锂离子电池的老化机制引起了很多尝试，在锂电池的频繁活动中产生了大量的日志，并提供了可供测量电池工作条件的可能性。然而，在基站中铅酸电池通常保持在浮充状态(浮充状态表示电池在完全充电之后自放电维持自身容量的能力)，监测***每天两次从浮充电池中收集浮充电压，这样可以使数据集变少。因此，从这样一个稀少的数据源中提取数据特征，并预测铅酸电池的工作环境带来了很多挑战，在本申请中发明人即试图解决该问题。

本发明通过先进的云计算模型和大数据信息处理技术，提出了一种适用于动力电池的复杂数学模型架构来解决如何动态精确估算电池***的性能的技术难题，并对动力电池的不安全因素进行实时预警，从而阻止动力电池产生各种不安全或燃烧因素。电池运行的实时数据由与其相连的数据采集终端完成。

我们发明的大数据处理方法叫EVENING，即事件驱动型电池的分析框架，来准确预测动力电池包实时运行状况，并安排相应的维护。我们共收集了46913个设备从2014年7月28日到2016年2月17日1550032984行数据，包括112种不同的事件，通过我们的云计算平台Hadoop 1.2.1和Hive 1.2.1进一步进行处理和分析。特别是，我们将时间序列的电压分解到老化项和波动项方面。基于老化项和日志事件，我们分析了电池的老化趋势来表述电池的演变，包括表示电池的工作条件的斜率和方差。我们将事件驱动型老化问题作为一个多标签多实例问题的目标，最小化预测值与实际值之间均方根的误差，从而保证电池电压预测的准确性。基于该框架，我们为电池电压和寿命定义了预测模型，并提出了一系列的解决方案来增加精确输出。

2数据分析

2.1电池的电压读数

每个电池的电压是最重要的特征数，因为它反应了电池的功率输出模式。我们根据数据记录观察了两类有代表性的电池：新电池和频临失效的电池，然后选择1578个电池作为新电池组，并把1459个电池放到濒于失效的组。电池的额定电压是2.23V，24个电池被串联为一个电池包，整个后备电池***的额定电压是53.5V。在此基础上，我们进一步分析了两类代表性电池电压类别内的电压模式的典型状态。图1表示了新电池(好电池)和濒临失效的电池(坏电池)的显著差别。实线画出了新电池组的平均电压，基本保持在2.21V和2.25V之间。虚线表示濒临失效电池平均电压的衰减趋势。接近失效日期时有一个明显的下降趋势，在这一阶段，电池功率频繁下降，并迅速衰竭，造成了众多事件和警报。图2进一步表明平均电压与剩余寿命的长度是如何相互关联的，这表明电压与电池寿命有很强的关联性。如图3所示，实线表示新安装电池能够输出稳定的功率，电压方差接近于0。虚线表明濒失效电池的方差比新电池的大得多。图4表明，电压差也与电池剩余寿命的长度有关。电池的输出电压随时间发生变化，反映了电池质量老化的趋势。

2.2电池活动

我们对记录中的电池活动进行分析，探讨电池活动与电池剩余寿命之间的关联性，选取的事件分别是电池电压低、电池放电和故障单元，如图5、6和7所示。当电池失效的时候，我们为每个电池计算特定事件的数目，虚线代表剩余寿命超过576天的电池。图5和图6画出了电池电压低、放电和剩余寿命之间的关联性。这清楚地表明，在电池剩余寿命和低浮动电压之间存在一种很强的关联性，剩余寿命与电池放电之间也存在着某种相关性。在图7中，我们进一步画出该***中故障电池活动数目的失效率，从中看不出有明显的关联性。这意味着，失效是受到某些特定事件的影响。观察结果表明，不同的事件对电池工作状态有着不同的影响，因此，为了得到精确的预测，很有必要对这些事件区别对待。

3.预测模型和解决方案

为便于理解，本申请中出现的参数说明及定义请参见下表1：

表1参数说明及定义

观察表明，电池工作状态可以被相关的历史电压和事件预测出，这项观察可以作为预测电池剩余寿命的基础。监测***从所有电池的电压和事件中收集原始数据，这样得到电压集V＝{v₁,v₂,…v_N}和事件集X＝{x₁,x₂,…x_N}，其中N表示电池总数。每个电压记录是电池i在时间T的电压值v^T。我们的目标是提取概括出电池工作状态中的老化趋势，并预测出电池剩余寿命。由于电池剩余寿命是在前面所述的电压值的基础之上预测得到，所以电压时效问题可以定义如下：

考虑到时间轴上从1到T的电池电压数据V和历史事件X，我们基于预测电压来推算出电池剩余寿命。定义了接下来K时间档的预测电压，与实际电压进行对比。整体目标函数可以写成如下方式：

通过专业知识和我们的观察，可以发现电压是电池条件的标准，剩余寿命可以很容易通过预定义的电池电压阈值θ预测得到。

为了解决问题，我们提出了图8所示的EVENING框架来预测电池工作状态，图中包含了如下几个阶段：数据准备、电压分解、电压预测和剩余寿命预测。EVENING框架首先过滤掉历史电压中的大量噪声，仅用浮动电压以减少电压来自其他电池活动的干扰，例如电池放电。虽然历史事件与电池工作状态是相关的，单个事件记录并不是预测的可靠因素。EVENING框架按时间序列把历史浮动电压分解成老化项和波动项两方面。对于老化项，我们提出一种处罚观念，用来描述一组电压老化趋势上事件的影响。框架利用时间算法和事件数据来预测未来的老化趋势，并进一步结合了ARIMA的预测电压波动项。凭借接下来几个月的预测电压，EVENING框架可以估算出电池的剩余寿命。

如图8中所提到的，我们把给定时间区域的电压v分解成老化项v_a和波动项v_f：

v＝v_a+v_f (2)

为了确保v_a的趋势是单调的，我们可以简单写出对目标函数的约束：

用描述电压波动，随着t的增长，波动也增长。我们进一步扩展公式(1)中优化问题的目标函数，尽量减少重构误差||v-v_a’-v_f’||²和确保波动的平整度，这个受公式3中的单调性约束管制。

(1)老化项

为了抽取出电压老化项和使波动项平稳，我们在时间序列内把电压分段，并确保每段的平均值差异尽可能得小。具体的说，考虑到在一个时间序列内的电压v_i，我们把它划分成段，表示如下：

l是段的长度，每一时间段k有平均值我们用多项式回归来匹配每一段，s为在时间段k电池i的电压斜率。老化项可以被定义为：

然后，我们提出了一个损失电压概念来描述老化项的增长：

对于时间段k内的电池i，我们有老化项和我们使用记录中的历史电池事件来预测老化项v_ia的损失值考虑到历史电池事件和电压损失值的训练集，我们可以把一个可预测的问题阐述成为预测电压损失值而构建一个时间分类器。其中一个主要的挑战就是监控***为每个电池组收集事件，电池组里的单体电池有完全相同的事件记录，尽管单体电池有自己独特的电压数据值。因此，我们为每个电池组预测电压损失值而不为每个单体电池进行预测，尽管单体电池的剩余寿命能够被基于电池包的电池损失值估算到。

我们的问题可以转化成多实例多标签(MIML)学习问题，每一个训练样本不仅与多个实例关联，还与多个标签相关联。与接受一组独立的标记实例作为标准分类相反，图8中的MIML模型接受一组包，这组包同时与多个标签相关联。在我们的问题中，每个事件被定义为一个实例，每个电压损失被定义为一个标签。概念包表示一组事件x_i，每个包x_i有m_i个实例，x_i＝{x_i，1，x_i，2，...，x_i，mi}。考虑到包从不同的电池获得，我们的目标是建立一个分类器，能正确标记出看不见的包。

正式来讲，X表示实例空间，Y定义了损失标签的集合。我们用含有N个样本的集合{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}来表示训练集，y_i是与x_i相关的损失标签。前文提过，每一个电池包有n_i个不同电压老化趋势的电池，y_i＝{y_i，1，y_i，2，...，y_i，ni}是所有可能的标签的一个子集，y_i∈Y。目标是从一组给定的数据集{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}中获知一个函数f_MIML:2^X→2^Y，用来精确预测出一系列事件x_i的损失标签y_i。

基于MIML fast方法(S.-J.Huang and Z.-H.Zhou,“Fast multi-instancemulti-label learning,”arXiv preprint arXiv:1310.2049,2013.)，我们提出一种与原始MIML问题有效近似的改进的方法。具体来说，利用多个标签之间的关系，MIMLfast首先是从原始特征中学习所有标签的共享空间，然后训练从共享标签中标注具体的线性模型。为了识别关键实例来表现出特定标签的包，分类模型在实例层进行训练，然后选择最大的预测实例值。为了增强学习效率，用随机梯度下降来优化近似排序的损失。在测试阶段，MIMLfast返回与测试值的所有可能标签的一个子集，通过选择最大的预测数据，ENENING可以得到每个包的损失值。

(2)波动项

电压变化也是预测电池寿命一个重要的特征。使用人的眼睛从原始数据获取出浮动电压的波动不是一件容易的事情。我们知道大部分电池长期保持浮充状态，这使得电池在固定间隔内周期性地伴随着弱电流充放电。事件序列方法适用于描述这样的随机过程，也容易建立能用来预测电压波动项的预测模型。自回归积分滑动平均模型(ARIMA)是最流行的用于预测未来值的时间序列模型之一，这可以被广泛用于金融、经济和社会科学领域。ARIMA能用来表示过去的观测和错误的一个线性组合，包含三个部分，一个自回归模型，一个滑动平均模型和一个综合部分。ARIMA(p,q)模型表示如下：

Y(t)表示在t时间的视图数量。β₁，...，β_p表示自回归模型的参数，θ₁，...，θ_q表示滑动平均模型的参数。ε₁，...，ε_t-1是白噪声误差项，这通常被认为是零均值与持续方差的高斯随机变量。p为自回归项；q为移动平均项数。在我们的EVENING框架中，我们使用一部分ARIMA模型来展现波动项。

考虑到在过去的几天里的浮动电压v_i的时间序列，它可以利用历史信息中的趋势、周期性和自相关性表现，为电压的演化做出细粒度预测。EVENING框架使用了如公式(8)所述的部分ARIMA模型来抽取和预测基于电压v_i的波动项v_if。

(3)剩余寿命估计

通过电压老化趋势项v_a和波动趋势项v_f，我们可以通过公式2预测出未来的电压值v’。当浮动电压值比预定义的电池失效阈值θ高时，我们可以认为电池i的工作状态是良好的，可以被写成如下形式：

v_ia+v_if-θ>0 (9)

在时间t内，电压值为电压斜率为s^t，损失值为y^t，剩余寿命r可以表示如下：

4.实验

在进行量化绩效评估之前，我们提供一个实例作为案例研究，用来证明EVENING框架的有效性。我们把EVENING和ARIMA运用到365天的电池数据，用来预测未来120天内的老化趋势和电池工作状况。

(1)实验设备

海量数据的分析需要足够的时间和容量，我们在云平台上处理了323GB的数据，使存档数据的查询更高效，本发明一个具体实施例中的平台包含了8个戴尔Dell PowerEdgeR430服务器，每个服务器配备了两个2.4GHz8核的Xeon E5-2630v3、256GB的DDR3内存和一个10Gbits/秒的网络接口卡(NIC)。用超线程启用CPU，那样每个CPU核能支持两个线程(虚拟CPU核心)。所有的物理服务器通过一个网件16端口10千兆交换机相互连接。使用专用物理设备到主机的主节点而不是使用一个虚拟机，确保最小化资源争用的快速响应时间。其他主机虚拟节点的物理设备运行最新版的Xen Hypervisor(version 4.1.3)。关于运行在虚拟机(Domain0和DomainU)上的操作***，我们使用流行的64位的Ubuntu 12.04LTS(内核版本3.11.0-12)。为所有的虚拟机分配8个虚拟CPU核和4GB的内存。我们运行Hive 1.2.1，是建立在Apache Hadoop 1.2.1之上的数据仓库，适用于数据管理和基于HiveQL的分析查询，其中，HiveQL是一种基于SQL的查询语言。

(2)评估

在本节中，我们使用实际搜集得到的真实的数据来评估框架的精确度，并推测出剩余寿命。为了评估预测质量，我们对1691个电池数据进行试验，其中有1282个样本训练集与409个样本测试集。

我们计算先前365天和之后120天的斜率之间的差别，为电池老化项生成一个失效标签。图9概括了从数据集中提取出来的失效趋势的分布，覆盖范围从0到-5×10^-4，且大多数电池在缓慢恶化状态。在表2中，我们对比了EVENING方法和线性回归(LR)、ARIMA和小波分析(Wavelet)，并计算出预测电压值和实际数据的均方根误差。如图10所示，我们可以

	20	40	60	80	100	120
							MIML	0.0022	0.0020	0.0013	0.0003	0.0008	0.0020
ARIMA	0.0041	0.0054	0.0122	0.0190	0.0290	0.0401
							LR	0.0307	0.0272	0.0286	0.0287	0.0298	0.0300
Wavelet	0.0601	0.0670	0.0668	0.0737	0.0694	0.0698

表2实际数据与预测数据的均方根误差

看出，在大多数的对比方案中，我们的方法呈现出的效果最好，在提取趋势与真实发展趋势间的误差最小。尤其是当斜率很小，老化现象很微小时，我们的方法比线性分析、自回归积分滑动平均模型和小波分析效果要好。此外，从方案中提取出的老化趋势是单调的，符合老化现象的本质，然而，线性分析、自回归积分滑动平均模型和小波分析就没有这方面的优势，因为它们在提取趋势方面没有进行单调性约束。

有一个合理的假设，电池失效的后果是更换电池，我们选择有更换记录的112个电池，用来验证预测剩余寿命。百分比与电池失效预警之后存活的天数之间的关系如图11所示。87％的电池在三个月之内被更换，这表明我们的方法能强有力地预测出电池失效。与此同时，极少数电池在失效预警之后仍被安装，我们对它们进行了仔细观察，发现这些电池没有被更换是因为存在多余的电池组，这表明我们的EVENING框架可以有效协助维修工程师侦查电池组中潜在的问题。

(3)范例分析

EVENINGE框架和ARIMA的比较如图12所示，比较结果与我们的猜想符合，那就是事件能够给电池工作环境带来长久的改变。ARIMA只使用单个电池的浮动电压，并且它不能将历史事件的影响做成模型。考虑到事件的影响，EVENING框架能够快速响应这些事件，并提供一个精确的预测趋势。在图12中，我们可以清楚看到，EVENING框架可以成功预测出电池电压的下降趋势，还可以预测出该电池在接下来三个月内的工作状态。正如我们所知，ARIMA模型的主要缺点是它需要长期阶段的历史信息来进行预测。在实验中，ARIMA适用于预测基于前365天的数据的波动项，尽管它不能准确估计出老化条件。我们可以根据电池预定义的阈值，预测出电池剩余寿命。

综上所述，本申请的方法，提出了一种事件驱动型电池分析方法，来准确提取出可以导致电池组工作状态退化的特征。我们为电池电压和使用寿命制定了预测模型，并且提出了一系列能得到精确输出值的解决方法，这让我们进一步提出一个方案，及时安排电池维护和替代，以使得停电带来的服务中断最小化。根据与真实数据的跟踪评估，证明了本申请的方法可以在电压和寿命预测方面得到更高的精度，并可以显著提升蜂窝网络的服用可用性。

本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种利用计算机对动力电池***的剩余寿命进行预测的方法，其特征在于包括以下步骤：

数据获取步骤，利用电池管理***测量并收集一段时间内的电池电压数据和电池事件数据；

数据处理步骤，具体包括以下内容：

将给定时间区域的电压V分解成老化项电压Va和波动项电压Vf；

利用多实例多标签MIML学习方法，对老化项电压Va进行预测；

利用自回归积分滑动平均ARIMA模型，对波动项电压Vf进行预测；

利用预测得到的老化项电压Va和波动项电压Vf，对电池的剩余寿命进行预测。

2.根据权利要求1所述的方法，其特征在于，所述数据获取步骤，还包括去噪步骤，过滤收集到的所述电池电压数据中的噪声，仅保留浮动电压，以减少电压来自其他电池活动的干扰。

3.根据权利要求1所述的方法，其特征在于，所述的自回归积分滑动平均模型，是由滑动平均模型和综合部分组成的部分自回归积分滑动平均模型，其具体形式为

其中，表示时间t时的波动项电压值，θ₁，...，θ_q表示滑动平均模型的参数，ε₁，...，ε_t-1是白噪声误差项，q为移动平均项数，ε_t为综合部分。

4.根据权利要求1所述的方法，其特征在于，利用如下公式，计算在时间t时第i个电池的剩余寿命r_i ^t：

其中，和分别表示时间t时的老化项和波动项电压值，电压斜率为s^t，损失值为y^t，i为电池序号，θ为预定义的电池失效阈值。

5.根据权利要求1所述的方法，其特征在于，在对电池的剩余寿命进行预测之后，还具有预警步骤，提示用户对即将失效的电池进行更换。

6.一种对动力电池***的剩余寿命进行预测的装置，其特征在于包括以下模块：

电池管理***，用于测量并收集一段时间内的电池电压数据和电池事件数据；

数据获取模块，用于从电池管理***获取所述电池电压数据和电池事件数据用于后续处理；

数据处理模块，具体包括：

将给定时间区域的电压V分解成老化项电压Va和波动项电压Vf的单元；

利用多实例多标签MIML学习方法，对老化项电压Va进行预测的单元；

利用自回归积分滑动平均ARIMA模型，对波动项电压Vf进行预测的单元；

利用预测得到的老化项电压Va和波动项电压Vf，对电池的剩余寿命进行预测的单元。

7.根据权利要求6所述的装置，其特征在于，所述数据获取模块，还包括去噪单元，用于过滤收集到的所述电池电压数据中的噪声，仅保留浮动电压，以减少电压来自其他电池活动的干扰。

8.根据权利要求6所述的装置，其特征在于，所述的自回归积分滑动平均模型，是由滑动平均模型和综合部分组成的部分自回归积分滑动平均模型，其具体形式为

其中，表示时间t时的波动项电压值，θ₁，...，θ_q表示滑动平均模型的参数，ε₁，...，ε_t-1是白噪声误差项，q为移动平均项数，ε_t为综合部分。

9.根据权利要求6所述的装置，其特征在于，利用如下公式，计算在时间t时第i个电池的剩余寿命r_i ^t：

其中，和分别表示时间t时的老化项和波动项电压值，电压斜率为s^t，损失值为y^t，i为电池序号，θ为预定义的电池失效阈值。

10.根据权利要求6所述的装置，其特征在于，还具有预警模块，提示用户对即将失效的电池进行更换。