CN110658460B - 一种电池包的电池寿命预测方法及装置 - Google Patents

一种电池包的电池寿命预测方法及装置 Download PDF

Info

Publication number
CN110658460B
CN110658460B CN201910935361.8A CN201910935361A CN110658460B CN 110658460 B CN110658460 B CN 110658460B CN 201910935361 A CN201910935361 A CN 201910935361A CN 110658460 B CN110658460 B CN 110658460B
Authority
CN
China
Prior art keywords
battery pack
battery
life
target
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.)
Active
Application number
CN201910935361.8A
Other languages
English (en)
Other versions
CN110658460A (zh
Inventor
高雁飞
郭毅
王尧峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Reach Automotive Technology Shenyang Co Ltd
Original Assignee
Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Reach Automotive Technology Shenyang Co Ltd filed Critical Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority to CN201910935361.8A priority Critical patent/CN110658460B/zh
Publication of CN110658460A publication Critical patent/CN110658460A/zh
Application granted granted Critical
Publication of CN110658460B publication Critical patent/CN110658460B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本申请公开了一种电池包的电池寿命预测方法及装置，可以有效提高目标电池包的电池寿命的预测准确率。所述方法包括：首先获取到待预测的目标电池包的电池使用数据，然后将其作为输入数据，输入至预先构建的电池寿命预测模型，以便通过模型输出目标电池包的SOH达到预设值的概率密度，进而可以根据该概率密度，准确地预测出目标电池的电池寿命。

Description

一种电池包的电池寿命预测方法及装置
技术领域
本申请涉及电池技术领域，尤其涉及一种电池包的电池寿命预测方法及装置。
背景技术
近年来，随着能源危机越来越严重，新能源汽车以其优良的节能环保特点，已成为未来汽车产业的发展重点。其中，搭载在新能源汽车上的电池包的电池寿命直接影响着新能源汽车的性能和运行情况，因此，预测电池包的电池寿命已成为新能源汽车研究中至关重要的一个环节。
现有的计算电池包的电池寿命的方法通常是基于车载电池管理***(BatteryManagement System，简称BMS)的经典计算公式进行计算，即，将电池包的充放电电量、电池温度、电池的电压电流信息等六个参数代入车载BMS的经典计算公式来计算电池包的寿命。但是由于电池包所属车辆所处的地域和温度信息(比如南方地区或北方地区、高原或平原地区等)、车辆的用途信息、以及车辆的用户驾驶行为信息之间存在相互影响的因素，会对电池包的使用寿命产生影响，比如不同地区的温度差异会影响电池包的使用寿命，不同用户的驾驶行为(如踏板深度、充电频率)等也会对电池的使用寿命产生影响，若仍基于经典计算公式来计算电池包寿命，会存在较大的计算误差，且仅能计算出当前时刻电池包的电池使用寿命，从而降低预测电池包的电池寿命的准确性。
因此，如何实现对电池包的电池寿命的准确预测，进而更准确的了解车辆的运行情况，已成为亟待解决的问题
发明内容
有鉴于此，本申请实施例提供一种电池包的电池寿命预测方法及装置，以解决现有技术中无法准确预测出电池包的电池寿命的技术问题。
为解决上述问题，本申请实施例提供的技术方案如下：
第一方面，本申请实施例提供了一种电池包的电池寿命预测方法，包括：
获取待预测的目标电池包的电池使用数据；
将所述电池使用数据输入至预先构建的电池寿命预测模型，得到所述目标电池包的SOH达到预设值的概率密度；
根据所述概率密度，预测所述目标电池包的电池寿命。
可选的，所述电池使用数据包括所述目标电池包的历史充电时间、所述目标电池包的电池相关数据、所述目标电池包所属车辆的用户行为数据、以及所述目标电池包所属车辆的BMS的温度控制参数和电流控制参数。
可选的，构建所述电池寿命预测模型，包括：
获取电池包的SOH在第一预设值的第一训练参数；
获取电池包的SOH在第二预设值的第二训练参数；
利用所述电池包的第一训练参数和第二训练参数以及对应的电池包寿命标签对初始电池寿命预测模型进行训练，生成所述电池寿命预测模型。
可选的，所述初始电池寿命预测模型包括深度神经网络DNN。
可选的，所述方法还包括：
获取电池包的寿命验证参数；
将所述电池包的寿命验证参数输入所述电池寿命预测模型，获得所述电池包寿命验证参数对应的电池寿命预测结果；
当所述电池包寿命验证参数对应的电池寿命预测结果与所述电池包寿命验证参数对应的电池寿命标记结果不一致时，将所述电池包寿命验证参数重新作为所述电池包的训练参数，对所述电池寿命预测模型进行更新。
可选的，所述预测所述目标电池的电池寿命之后，还包括：
当预测出的所述目标电池的电池寿命达到预设阈值时，调整所述目标电池包所属车辆的BMS的温度控制参数和/或电流控制参数，以延长所述目标电池包的电池寿命
第二方面，本申请提供一种电池包的电池寿命预测装置，包括：
电池数据获取单元，用于获取待预测的目标电池包的电池使用数据；
概率密度获得单元，用于将所述电池使用数据输入至预先构建的电池寿命预测模型，得到所述目标电池包的SOH达到预设值的概率密度；
电池寿命预测单元，用于根据所述概率密度，预测所述目标电池包的电池寿命。
可选的，所述电池使用数据包括所述目标电池包的历史充电时间、所述目标电池包的电池相关数据、所述目标电池包所属车辆的用户行为数据、以及所述目标电池包所属车辆的BMS的温度控制参数和电流控制参数。
可选的，所述装置还包括：
第一训练参数获取单元，用于获取电池包的SOH在第一预设值的第一训练参数；
第二训练参数获取单元，用于获取电池包的SOH在第二预设值的第二训练参数；
预测模型生成单元，用于利用所述电池包的第一训练参数和第二训练参数以及对应的电池包寿命标签对初始电池寿命预测模型进行训练，生成所述电池寿命预测模型。
可选的，所述初始电池寿命预测模型包括深度神经网络DNN。
可选的，所述装置还包括：
验证参数获取单元，用于获取电池包的寿命验证参数；
预测结果获得单元，用于将所述电池包的寿命验证参数输入所述电池寿命预测模型，获得所述电池包寿命验证参数对应的电池寿命预测结果；
预测模型更新单元，用于当所述电池包寿命验证参数对应的电池寿命预测结果与所述电池包寿命验证参数对应的电池寿命标记结果不一致时，将所述电池包寿命验证参数重新作为所述电池包的训练参数，对所述电池寿命预测模型进行更新。
可选的，所述装置还包括：
参数调整单元，用于当预测出的所述目标电池的电池寿命达到预设阈值时，调整所述目标电池包所属车辆的BMS的温度控制参数和/或电流控制参数，以延长所述目标电池包的电池寿命。
本申请实施例还提供了一种电池包的电池寿命预测设备，包括：处理器、存储器、***总线；
所述处理器以及所述存储器通过所述***总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述电池包的电池寿命预测方法中的任意一种实现方式。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述电池包的电池寿命预测方法中的任意一种实现方式。
本申请实施例提供的一种电池包的电池寿命预测方法及装置，首先获取到待预测的目标电池包的电池使用数据，然后将其作为输入数据，输入至预先构建的电池寿命预测模型，以便通过模型输出目标电池包的SOH达到预设值的概率密度，进而可以根据该概率密度，准确地预测出目标电池包的电池寿命。相较于目前利用BMS的经典计算公式计算电池包的电池寿命的方法来说，本申请实施例充分考虑到车辆在实际运行中各个时间段不同的使用情况和所处的环境之间的相互影响(如车辆所处环境温度、车辆使用时长、用户驾驶行为等相互影响的因素)可能对车载电池包造成的影响，从而可以有效提高目标电池包的电池寿命的预测准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。
图1为本申请实施例提供的一种电池包的电池寿命预测方法的流程示意图；
图2为本申请实施例提供的充电时间的分布示意图；
图3为本申请实施例提供的起始充电量的分布示意图；
图4为本申请实施例提供的加速踏板深度的分布示意图；
图5为本申请实施例提供的概率密度的分布示意图；
图6为本申请实施例提供的构建电池寿命预测模型的流程示意图；
图7为本申请实施例提供的第一阶段和第二阶段电池寿命预测模型的构建过程示意图；
图8为本申请实施例提供的一种电池寿命预测模型验证方法的流程示意图；
图9为本申请实施例提供的一种电池包的电池寿命预测装置的组成示意图。
具体实施方式
在一些电池包的电池寿命预测方法中，通常是将电池包的充放电电量、电池温度等六个参数直接代入基于车载BMS的经典计算公式中，计算得到电池到的寿命。但是，这种预测方式并未考虑到车辆在实际运行中每个时间段的各种不同的使用情况(如用户的充电习惯、踩压加速踏板的习惯)和所处的不同环境(如车辆所处环境温度、湿度等)之间的相互影响，可能会对车载电池造成的影响，使得计算出的电池包的电池寿命可能会出现错误，从而降低了预测电池包的电池寿命的准确性。
为解决上述缺陷，本申请实施例提供了一种电池包的电池寿命预测方法，在获取到待预测的目标电池包后，先获取目标电池包的电池使用数据，然后将其作为输入数据，输入至预先构建的电池寿命预测模型，以便通过模型输出目标电池包的健康状态(SectionOf Health，简称SOH)达到预设值的概率密度，进而可以根据该概率密度，准确地预测出目标电池的电池寿命，可见，本申请实施例只需要一个电池寿命预测模型，基于目标电池在各个时间段内的各项电池使用数据，便可以准确预测出目标电池包的电池使用寿命，预测依据更加全面，充分考虑到了车辆在实际运行中各个时间段不同的使用情况和所处的环境之间的相互影响可能对车载电池包造成的影响，从而可以有效提高目标电池包的电池寿命的预测准确率。
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
第一实施例
参见图1，为本实施例提供的一种电池包的电池寿命预测方法的流程示意图，该方法包括以下步骤：
S101：获取待预测的目标电池包的电池使用数据。
在本实施例中，将需要进行电池寿命预测的电池包定义为目标电池包。并且，本实施例不限制目标电池包的电池类型，比如，目标电池包可以是锂离子电池包、或镍氢电池包等。
具体来讲，由于不同的车辆中用户的使用习惯和车辆所处行驶环境是不同的，因而对车载电池包的损耗也是不同的，即，车辆在实际运行中各个时间段不同的使用情况和所处的环境之间的相互影响均会对车载电池包的寿命造成不同的影响，所以，为了准确预测出目标电池包的电池寿命，首先需要获取到目标电池包在各个时间段的电池使用数据。
其中，一种可选的实现方式是，电池使用数据可以包括目标电池包的历史充电时间、目标电池包的电池相关数据、目标电池包所属车辆的用户行为数据、以及目标电池包所属车辆的BMS的温度控制参数和电流控制参数。
在本实现方式中，目标电池包的电池相关数据指的是与目标电池包的特性相关的数据，比如电池包对应的电压、电流等，以及目标电池包所处的环境温度等，此外，还可以包括目标电池的在各个时间充电时间分布情况，如图2所示，对于目标电池包而言，每次充电时长的概率是不同的，如充电时长11-20分钟对应的概率为11％，其他充电时长对应概率如图2所示。并且，目标电池包的电池相关数据还可以包括目标电池包在各个充电时间点的起始充电量(目标电池包的核电状态)分布情况，如图3所示，对于目标电池包而言，电池包的起始充电量不同，对应的充电可能性是不同的，比如当起始充电量为21-30％时，进行充电的概率为11.25％，其他起始充电量对应充电概率如图3所示，可以理解的是，不同的充电次数、不同的充电时长对电池包的使用寿命产生的影响是不同的。
在本实现方式中，目标电池包的所属车辆的用户行为数据指的是用户在驾驶目标电池包所属车辆时对应的一系列驾驶行为数据，比如用户的刹车习惯、踩踏加速踏板习惯等，如图4所示，其示出了加速踏板深度的分布示意图。可以理解的是，不同的刹车习惯、不同的加速踏板踩踏深度对电池包的使用寿命产生的影响也是不同的。
基于此，在获取到目标电池包对应的电池使用数据后，可以利用这些电池使用数据之间的相互影响，通过后续步骤S102-S103，预测出目标电池包的电池寿命。
S102：将电池使用数据输入至预先构建的电池寿命预测模型，得到目标电池包的SOH达到预设值的概率密度。
在本实施例中，通过步骤S101获取到待预测的目标电池包的电池使用数据后，进一步可以利用现有或未来出现的数据处理方法对其进行处理，比如，可以利用主成分分析方法(Principal Component Analysis，简称PCA)或Word2vec等特征提取方法等，从电池使用数据中提取出能够表征目标电池包的相关内容的特征数据，并用以输入至预先构建的电池寿命预测模型中，以便通过模型输出目标电池包的SOH达到预设值时对应的概率密度。
其中，需要说明的是，本实施例将目标电池包的SOH达到80％时设定为目标电池包的电池寿命截止点。则，相应的，电池寿命预测模型输出的目标电池包的SOH达到预设值时对应的概率密度指的是目标电池包的SOH达到80％时对应的概率密度，且该概率密度分布中对应的平面坐标分别为车辆的使用里程和使用年限，如图5所示，通过图5可以看出目标电池包所属车辆在不同使用年限以及不同使用里程时，对应的目标电池包的SOH达到80％的概率分布情况。
可以理解的是，可以根据实际情况将目标电池包的电池寿命截止点设置为不同的取值，即，可以将目标电池包的SOH达到其他非80％的预设值(如75％)时设定为目标电池包的电池寿命截止点，本申请实施例对此不进行限制。但为了便于描述，本申请后续将以目标电池包的SOH达到80％时设定为目标电池包的电池寿命截止点，而预设值的处理方式与之类似，不再一一赘述。
需要说明的是，为实现本步骤S102，需要预先构建一个电池寿命预测模型，具体构建过程可参见后续第二实施例的相关介绍。
S103：根据该概率密度，预测目标电池包的电池寿命。
在本实施例中，通过步骤S102获取到目标电池包的SOH达到预设值的概率密度后，进一步可以从该概率密度分布图中，查找出目标电池包达到电池寿命截止点时对应的车辆使用年限和车辆使用里程，从而能够准确预测出目标电池包的电池寿命。
具体来讲，在获取到目标电池包的SOH达到预设值的概率密度分布图后，可以通过以下两种方式，来获取目标电池包达到电池寿命截止点时对应的车辆使用年限和车辆使用里程：第一种方式是，查找出该概率密度分布图中概率密度最高点位置对应的车辆使用年限和车辆使用里程，并用以作为目标电池包达到电池寿命截止点时对应的车辆使用年限和车辆使用里程，从而能够准确预测出目标电池包的电池寿命。
第二种方式是，可以对该概率密度分布图的使用年限和使用里程两个坐标轴的数值分别求取数学期望，并将得到的使用年限期望值和使用里程期望值分别作为目标电池包达到电池寿命截止点时对应的车辆使用年限和车辆使用里程，从而能够准确预测出目标电池包的电池寿命。
在本实施例的一种可能的实现方式中，在通过步骤S103预测出目标电池包的电池寿命后，当预测出的目标电池的电池寿命达到预设阈值时，调整目标电池包所属车辆的BMS的温度控制参数和/或电流控制参数，以延长目标电池包的电池寿命。
在本实现方式中，当通过S103预测出目标电池包的电池寿命后，进一步可以判断该电池寿命是否达到预设阈值，若是，则通过调整目标电池包所属车辆的BMS的温度控制参数和/或电流控制参数，以延长目标电池包的电池寿命，若否，则不进行调整。其中，预设阈值指的是用于区分是否进行BMS的温度控制参数和/或电流控制参数调整的临界值，若预测出的电池寿命小于该临界值，则为了延长目标电池包的电池寿命，需要调整BMS的温度控制参数。
具体来讲，由于目前可以调控的BMS参数只有充放电温度和充放电流。所以，为了延长目标电池包的电池寿命，需要调整BMS的温度控制参数和/或电流控制参数。而在对这些参数进行调整时，不可避免的会对目标车辆充电时的能耗、放电时的能耗、续航里程、充电时间、充电电量以及驾驶体验等产生影响。因此，为了不影响用户的使用***衡这些调整参数带来的影响。
举例说明：根据模型输出的如图5所示的概率密度分布，假设当预测出目标电池包所属车辆的使用年限仅为1年，此时，为了延长目标电池包的使用寿命，即，为了将图5中概率密度的最高点位置的取值“向后”推移，使其对应的使用年限和使用里程更大，或者，为了提高对该概率密度分布图的使用年限和使用里程两个坐标轴的数值分别求取数学期望后得到的使用年限期望值和使用里程期望值，可以通过调整目标电池包所属车辆的BMS的充放电温度和/或充放电电流，以便通过执行上述步骤S101-S102，利用电池寿命预测模型输出概率密度的最高取值分布更靠后的示意图，或得到更高的使用年限期望值和使用里程期望值，即，预测出目标电池包所属车辆更长使用年限和/或更远的使用里程，即，延长了目标电池包的电池寿命。
其中，需要说明的是，在选取目标电池包所属车辆的BMS的温度控制参数和/或电流控制参数时，可以采用现有或未来出现的选择最优值计算方法，来计算出相应的温度控制参数和/或电流控制参数的最优解，比如可以利用梯度下降法，结合用户的驾驶行为习惯，求得温度控制参数和/或电流控制参数的最优取值，用以作为调整值，来延长目标电池的电池寿命，具体计算过程与现有方式一致，在此不再赘述。
这样，通过本申请实施例对目标电池包的电池寿命进行准确预测，不仅可以使得用户能够充分了解影响目标车辆的电池包寿命的因素，还能够根据预测结果对目标电池包电芯的质量进行准确评估。
综上，本实施例提供的一种电池包的电池寿命预测方法，在获取到待预测的目标电池包后，可以先获取目标电池包的电池使用数据，然后将其作为输入数据，输入至预先构建的电池寿命预测模型，以便通过模型输出目标电池包的SOH达到预设值的概率密度，进而可以根据该概率密度，准确地预测出目标电池包的电池寿命。相较于目前利用BMS的经典计算公式计算电池包的电池寿命的方法来说，本实施例只需要一个电池寿命预测模型，基于目标电池在各个时间段内的各项电池使用数据，便可以准确预测出目标电池包的电池使用寿命，预测依据更加全面，充分考虑到了车辆在实际运行中各个时间段不同的使用情况和所处的环境之间的相互影响可能对车载电池包造成的影响，从而可以有效提高目标电池包的电池寿命的预测准确率。
第二实施例
本实施例将对第一实施例中提及的电池寿命预测模型的具体构建过程进行介绍。利用该预先构建的电池寿命预测模型，可以准确、快速地预测出目标电池包的电池寿命。
参见图6，其示出了本实施例提供的构建电池寿命预测模型的流程示意图，该流程包括以下步骤：
S601：获取电池包的SOH在第一预设值的第一训练参数。
在本实施例中，为了构建电池寿命预测模型，需要预先进行大量的准备工作，首先，需要收集电池包的电池使用数据作为训练参数。其中，需要说明的是，由于现有的真实数据有限，为了提高模型的预测准确性，将SOH到达92％(将其定义为第一预设值)的训练参数采用真实的电池包使用数据(如电池相关数据和/或用户行为数据等)，而将SOH到达80％(将其定义为第二预设值)对应的训练参数采用实验室数据，来进行训练，即，可以将模型训练分为两个阶段来进行，如图7所示，可以先将获取到电池包的SOH在第一预设值(即92％)的电池使用数据作为第一训练参数，并将收集到的每一电池包的第一训练参数分别作为样本参数数据，用以训练第一阶段的电池寿命预测模型。
S602：获取电池包的SOH在第二预设值的第二训练参数。
为了构建电池寿命预测模型，还需要获取到电池包的SOH在第二预设值(即80％)的电池使用数据(实验室数据)作为第二训练参数，并将收集到的每一电池包的第二训练参数分别作为样本参数数据，用以训练第二阶段的电池寿命预测模型。
S603：利用电池包的第一训练参数和第二训练参数以及对应的电池包寿命标签对初始电池寿命预测模型进行训练，生成电池寿命预测模型。
在本实施例中，如图7所示，通过步骤S601获取到电池包的第一训练参数(电池相关数据以及用户行为数据)后，进一步可以利用现有或未来出现的数据处理方法对其进行处理，以从中提取出能够表征电池包的相关内容的特征数据，进一步的，可以根据该特征数据以及第一训练参数对应的真实电池寿命标记结果，对初始电池寿命预测模型进行训练，进而生成第一阶段的电池寿命预测模型。
其中，一种可选的实现方式是，初始电池寿命预测模型可以包括深度神经网络(Deep Neural Network，简称DNN)。
接着，可以依次从模型训练数据中提取一组样本参数数据，进行多轮模型训练，直到满足训练结束条件为止，此时，即生成第一阶段的电池寿命预测模型。
具体地，在进行本轮训练时，可以将第一实施例中的目标电池包的电池使用数据替换为本轮提取的样本参数数据，通过当前的初始电池寿命预测模型，按照第一实施例中的执行过程，便可以预测出该样本参数数据表征的电池包的SOH达到92％的概率密度，用以预测出电池包的电池寿命，并将该预测出的电池寿命与对应的人工标注的真实电池寿命标记结果进行比较，并根据二者的差异对模型参数进行更新，直至满足预设的条件，比如差值变化幅度很小，则停止模型参数的更新，完成第一阶段电池寿命预测模型的训练，生成一个训练好的第一阶段的电池寿命预测模型。
接着，如图7所示，在通过步骤S602获取到电池包的第二训练参数(实验室数据)后，进一步可以利用实验室建模方法，在第一阶段的额电池寿命预测模型的基础上，训练生成第二阶段的电池寿命预测模型，即，最终的电池寿命预测模型。具体计算公式如下：
SOH＝1-Qloss (1)
Qloss＝Qcycleloss+Qcalenderloss (2)
其中，Qloss表示预估的电池包的当前容量损失；Qcycleloss表示循环造成的容量损失，该循坏容量损失考虑了温度、历史充电电量、充放电倍率和放电深度的影响；Qcalenderloss表示放置造成的容量损失，该放置容量损失考虑了温度、电池包核电状态和放置时间的影响。
Qcycleloss的具体计算公式如下：
Figure BDA0002221441730000111
其中，A，K，z均为系数，不同型号的电池包电芯的取值会不同，可通过实验获得；g1(DOD)表示循环容量损失与放电深度(Depth of discharge，简称DOD)的关系；g2(Crate)表示循环容量损失与Crate(充电倍率)的关系；T表示温度；Ah表示历史充电电量。
在此基础上，每充入1Ah电量，即可计算一次造成的循环容量损失，具体计算公式如下：
Figure BDA0002221441730000121
需要说明的是，目前计算放置容量损失时，通常只考虑电池包电芯在25℃，50％SOC的情况下放置造成的容量损失，BMS在获得电池出厂日期后，在和当前的实时日期做比较可以得到放置天数，进而可以利用已有的实验数据(25℃、50％SOC)，通过查表的方式，得到放置造成的容量损失。
但本实施例为了提高模型精度，在计算放置造成的容量损失Qcalenderloss时，加入了SOC与温度的修改，使得Qcalenderloss的具体计算公式如下
Figure BDA0002221441730000122
其中，D表示放置天数；SOC为开机后的电池包电芯的SOC，f1(SOC)表示放置造成的容量损失与SOC的关系；T表示开机后的电池包电芯的温度。
在此基础上，每放置一天即可计算一次放置造成的容量损失，具体计算公式如下：
Figure BDA0002221441730000123
基于此，通过执行上述过程，实现对训练好的第一阶段的电池寿命预测模型进行多轮训练，直至满足预设的条件后，则停止模型参数的更新，完成第二阶段电池寿命预测模型的训练，生成一个训练好的第二阶段的电池寿命预测模型，作为最终的电池寿命预测模型。
通过上述实施例，可以利用第一训练参数和第二训练参数训练生成电池寿命预测模型，则进一步的，可以利用电池包的寿命验证参数对生成的电池寿命预测模型进行验证。
下面结合附图对本申请实施例提供的电池寿命预测模型验证方法进行介绍。
参见图8，其示出了本申请实施例提供的一种电池寿命预测模型验证方法的流程图，如图8所示，该方法包括：
S801：获取电池包的寿命验证参数。
在本实施例中，为了实现对电池寿命预测模型进行验证，首先需要获取电池包的寿命验证参数，其中，电池包的寿命验证参数指的是可以用来进行电池寿命预测模型验证的电池的各项使用数据，比如电池包的电压、电流、温度、使用时间、所处环境温度、用户的行为数据等，在获取到电池包的寿命验证参数后，可继续执行步骤S802。
S802：将电池包的寿命验证参数输入电池寿命预测模型，获得电池包寿命验证参数对应的电池寿命预测结果。
在本实施例中，通过步骤S801获取到电池包的寿命验证参数后，可以在提取出能够表征电池包的相关内容的特征数据后，将其输入至训练得到的电池寿命预测模型，并根据模型输出的概率密度分布示意图，得到电池包的寿命验证参数对应的电池寿命的预测结果，进而可继续执行步骤S803。
S803：当电池包寿命验证参数对应的电池寿命预测结果与电池包寿命验证参数对应的电池寿命标记结果不一致时，将电池包寿命验证参数重新作为电池包的训练参数，对电池寿命预测模型进行更新。
在本实施例中，通过步骤S802预测出电池包的电池寿命后，当该预测结果与电池包寿命验证参数对应的人工标注结果不一致时，可以将该电池包寿命验证参数重新作为模型训练参数，对电池寿命预测模型进行更新。
通过上述实施例，可以利用电池包寿命验证参数对电池寿命预测模型进行有效验证，当电池包寿命验证参数对应的电池寿命预测结果与电池包寿命验证参数对应的人工标注结果不一致时，可以及时调整更新电池寿命预测模型，进而有助于提高预测模型的预测精度和准确性。
综上，利用本实施例训练而成的电池寿命预测模型，可以利用表征目标电池包的相关内容的电池使用数据，预测出目标电池包的电池寿命，并且，在预测过程中，充分考虑到了车辆在实际运行中各个时间段不同的使用情况和所处的环境之间的相互影响可能对车载电池包造成的影响，从而可以有效提高目标电池包的电池寿命的预测准确率。
第三实施例
本实施例将对一种电池包的电池寿命预测装置进行介绍，相关内容请参见上述方法实施例。
参见图9，为本实施例提供的一种电池包的电池寿命预测装置的组成示意图，该装置包括：
电池数据获取单元901，用于获取待预测的目标电池包的电池使用数据；
概率密度获得单元902，用于将所述电池使用数据输入至预先构建的电池寿命预测模型，得到所述目标电池包的SOH达到预设值的概率密度；
电池寿命预测单元903，用于根据所述概率密度，预测所述目标电池包的电池寿命。
在本实施例的一种实现方式中，所述电池使用数据包括所述目标电池包的历史充电时间、所述目标电池包的电池相关数据、所述目标电池包所属车辆的用户行为数据、以及所述目标电池包所属车辆的BMS的温度控制参数和电流控制参数。
在本实施例的一种实现方式中，所述装置还包括：
第一训练参数获取单元，用于获取电池包的SOH在第一预设值的第一训练参数；
第二训练参数获取单元，用于获取电池包的SOH在第二预设值的第二训练参数；
预测模型生成单元，用于利用所述电池包的第一训练参数和第二训练参数以及对应的电池包寿命标签对初始电池寿命预测模型进行训练，生成所述电池寿命预测模型。
在本实施例的一种实现方式中，所述初始电池寿命预测模型包括深度神经网络DNN。
在本实施例的一种实现方式中，所述装置还包括：
验证参数获取单元，用于获取电池包的寿命验证参数；
预测结果获得单元，用于将所述电池包的寿命验证参数输入所述电池寿命预测模型，获得所述电池包寿命验证参数对应的电池寿命预测结果；
预测模型更新单元，用于当所述电池包寿命验证参数对应的电池寿命预测结果与所述电池包寿命验证参数对应的电池寿命标记结果不一致时，将所述电池包寿命验证参数重新作为所述电池包的训练参数，对所述电池寿命预测模型进行更新。
在本实施例的一种实现方式中，所述装置还包括：
参数调整单元，用于当预测出的所述目标电池的电池寿命达到预设阈值时，调整所述目标电池包所属车辆的BMS的温度控制参数和/或电流控制参数，以延长所述目标电池包的电池寿命。
综上，本实施例提供的一种电池包的电池寿命预测装置，获取到待预测的目标电池包后，可以先获取目标电池包的电池使用数据，然后将其作为输入数据，输入至预先构建的电池寿命预测模型，以便通过模型输出目标电池包的SOH达到预设值的概率密度，进而可以根据该概率密度，准确地预测出目标电池包的电池寿命。相较于目前利用BMS的经典计算公式计算电池包的电池寿命的方法来说，本实施例只需要一个电池寿命预测模型，基于目标电池在各个时间段内的各项电池使用数据，便可以准确预测出目标电池包的电池使用寿命，预测依据更加全面，充分考虑到了车辆在实际运行中各个时间段不同的使用情况和所处的环境之间的相互影响可能对车载电池包造成的影响，从而可以有效提高目标电池包的电池寿命的预测准确率。
进一步地，本申请实施例还提供了一种电池包的电池寿命预测设备，包括：处理器、存储器、***总线；
所述处理器以及所述存储器通过所述***总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述电池包的电池寿命预测方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述电池包的电池寿命预测方法的任一种实现方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电池包的电池寿命预测方法，其特征在于，包括：
获取待预测的目标电池包的电池使用数据；
将所述电池使用数据输入至预先构建的电池寿命预测模型，得到所述目标电池包的SOH达到预设值的概率密度；
根据所述概率密度，预测所述目标电池包的电池寿命；
所述电池使用数据包括所述目标电池包的历史充电时间、所述目标电池包的电池相关数据、所述目标电池包所属车辆的用户行为数据、以及所述目标电池包所属车辆的BMS的温度控制参数和电流控制参数；
其中，所述目标电池包的电池相关数据包括：目标电池包所处的环境温度和目标电池包在各个时间的充电时间分布情况；
目标电池包的所属车辆的用户行为数据包括：用户在驾驶目标电池包所属车辆时对应的驾驶行为数据；
构建所述电池寿命预测模型，利用所述电池包的第一训练参数和第二训练参数以及对应的电池包寿命标签对初始电池寿命预测模型进行训练，生成所述电池寿命预测模型，包括：
获取电池包的SOH在第一预设值的第一训练参数，所述第一训练参数为：所述电池相关数据和所述用户行为数据，利用数据处理方法对所述第一训练参数进行处理，以从中提取出能够表征所述电池包的相关内容的特征数据，根据所述特征数据以及所述第一训练参数对应的真实电池寿命标记结果，对初始电池寿命预测模型进行训练，进而生成第一阶段的电池寿命预测模型；
获取电池包的SOH在第二预设值的第二训练参数，第二训练参数为实验室数据，利用实验室建模方法在所述第一阶段的寿命预测模型的基础上训练生成第二阶段的电池寿命预测模型；
计算公式具体如下：
SOH＝1-Qloss
Qloss＝Qcycleloss+Qcalenderloss
其中，Qloss表示预估的电池包的当前容量损失；Qcycleloss表示循环造成的容量损失，该循坏容量损失考虑了温度、历史充电电量、充放电倍率和放电深度的影响；Qcalenderloss表示放置造成的容量损失；
Qcycleloss的具体计算公式如下：
Figure FDA0003601954470000021
其中，A，K，z均为系数，不同型号的电池包电芯的取值会不同，通过实验获得；g1(DOD)表示循环容量损失与放电深度的关系；g2(Crate)表示循环容量损失与Crate的关系；T表示温度；Ah表示历史充电电量。
2.根据权利要求1所述的方法，其特征在于，所述初始电池寿命预测模型包括深度神经网络DNN。
3.根据权利要求1至2任一项所述的方法，其特征在于，所述方法还包括：
获取电池包的寿命验证参数；
将所述电池包的寿命验证参数输入所述电池寿命预测模型，获得所述电池包寿命验证参数对应的电池寿命预测结果；
当所述电池包寿命验证参数对应的电池寿命预测结果与所述电池包寿命验证参数对应的电池寿命标记结果不一致时，将所述电池包寿命验证参数重新作为所述电池包的训练参数，对所述电池寿命预测模型进行更新。
4.根据权利要求1所述的方法，其特征在于，所述预测所述目标电池的电池寿命之后，还包括：
当预测出的所述目标电池的电池寿命达到预设阈值时，调整所述目标电池包所属车辆的BMS的温度控制参数和/或电流控制参数，以延长所述目标电池包的电池寿命。
5.一种电池包的电池寿命预测装置，其特征在于，包括：
电池数据获取单元，用于获取待预测的目标电池包的电池使用数据；
概率密度获得单元，用于将所述电池使用数据输入至预先构建的电池寿命预测模型，得到所述目标电池包的SOH达到预设值的概率密度；
电池寿命预测单元，用于根据所述概率密度，预测所述目标电池包的电池寿命；
所述电池使用数据包括所述目标电池包的历史充电时间、所述目标电池包的电池相关数据、所述目标电池包所属车辆的用户行为数据、以及所述目标电池包所属车辆的BMS的温度控制参数和电流控制参数；
其中，所述目标电池包的电池相关数据包括：目标电池包所处的环境温度和目标电池包在各个时间的充电时间分布情况；
目标电池包的所属车辆的用户行为数据包括：用户在驾驶目标电池包所属车辆时对应的驾驶行为数据；
构建所述电池寿命预测模型，利用所述电池包的第一训练参数和第二训练参数以及对应的电池包寿命标签对初始电池寿命预测模型进行训练，生成所述电池寿命预测模型，包括：
第一训练参数获取单元，用于获取电池包的SOH在第一预设值的第一训练参数，所述第一训练参数为：所述电池相关数据和所述用户行为数据，利用数据处理方法对所述第一训练参数进行处理，以从中提取出能够表征所述电池包的相关内容的特征数据，根据所述特征数据以及所述第一训练参数对应的真实电池寿命标记结果，对初始电池寿命预测模型进行训练，进而生成第一阶段的电池寿命预测模型；
第二训练参数获取单元，用于获取电池包的SOH在第二预设值的第二训练参数，第二训练参数为实验室数据，利用实验室建模方法在所述第一阶段的寿命预测模型的基础上训练生成第二阶段的电池寿命预测模型；
预测模型生成单元，；
计算公式具体如下：
SOH＝1-Qloss
Qloss＝Qcycleloss+Qcalenderloss
其中，Qloss表示预估的电池包的当前容量损失；Qcycleloss表示循环造成的容量损失，该循坏容量损失考虑了温度、历史充电电量、充放电倍率和放电深度的影响；Qcalenderloss表示放置造成的容量损失；
Qcycleloss的具体计算公式如下：
Figure FDA0003601954470000031
其中，A，K，z均为系数，不同型号的电池包电芯的取值会不同，通过实验获得；g1(DOD)表示循环容量损失与放电深度的关系；g2(Crate)表示循环容量损失与Crate的关系；T表示温度；Ah表示历史充电电量。
6.根据权利要求5所述的装置，其特征在于，所述初始电池寿命预测模型包括深度神经网络DNN。
7.根据权利要求5至6任一项所述的装置，其特征在于，所述装置还包括：
验证参数获取单元，用于获取电池包的寿命验证参数；
预测结果获得单元，用于将所述电池包的寿命验证参数输入所述电池寿命预测模型，获得所述电池包寿命验证参数对应的电池寿命预测结果；
预测模型更新单元，用于当所述电池包寿命验证参数对应的电池寿命预测结果与所述电池包寿命验证参数对应的电池寿命标记结果不一致时，将所述电池包寿命验证参数重新作为所述电池包的训练参数，对所述电池寿命预测模型进行更新。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
参数调整单元，用于当预测出的所述目标电池的电池寿命达到预设阈值时，调整所述目标电池包所属车辆的BMS的温度控制参数和/或电流控制参数，以延长所述目标电池包的电池寿命。
9.一种电池包的电池寿命预测设备，其特征在于，包括：处理器、存储器、***总线；
所述处理器以及所述存储器通过所述***总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-4任一项所述的方法。
CN201910935361.8A 2019-09-29 2019-09-29 一种电池包的电池寿命预测方法及装置 Active CN110658460B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910935361.8A CN110658460B (zh) 2019-09-29 2019-09-29 一种电池包的电池寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910935361.8A CN110658460B (zh) 2019-09-29 2019-09-29 一种电池包的电池寿命预测方法及装置

Publications (2)

Publication Number Publication Date
CN110658460A CN110658460A (zh) 2020-01-07
CN110658460B true CN110658460B (zh) 2022-06-03

Family

ID=69038432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910935361.8A Active CN110658460B (zh) 2019-09-29 2019-09-29 一种电池包的电池寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN110658460B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11740290B2 (en) 2020-01-14 2023-08-29 Battelle Energy Alliance, Llc Energy storage cell qualification and related systems, methods, and devices
CN112485693B (zh) * 2020-11-19 2022-09-27 上海电力大学 一种基于温度概率密度函数的电池健康状态快速评估方法
CN112668852A (zh) * 2020-12-22 2021-04-16 东软睿驰汽车技术（沈阳）有限公司 一种用户使用行为对电池包老化影响的评估方法及装置
CN113219347A (zh) * 2021-04-27 2021-08-06 东软睿驰汽车技术（沈阳）有限公司 一种电池参数测量方法及装置
CN114217237A (zh) * 2021-11-05 2022-03-22 东软睿驰汽车技术（沈阳）有限公司 基于存储耐久的电池健康状态确定方法、装置和电子设备
CN114062954B (zh) * 2021-11-09 2022-11-08 湖南省驰普新能源科技有限公司 电池包寿命检测充放电***及方法
CN114295998B (zh) * 2021-12-28 2024-07-09 东软睿驰汽车技术（沈阳）有限公司 动力电池寿命的预测方法、装置、设备及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100486033C (zh) * 2005-08-08 2009-05-06 丰田自动车株式会社 电动力车电池寿命预测和警告装置
JP5155740B2 (ja) * 2008-05-30 2013-03-06 株式会社東芝 モニタリング条件決定装置、モニタリング条件の決定方法および監視診断装置
CN104881001A (zh) * 2014-04-25 2015-09-02 安徽贵博新能科技有限公司 一种基于深度学习网络的储能电池管理***
CN105425167A (zh) * 2015-12-30 2016-03-23 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于行车习惯和电池使用数据的电池重估和电池保险评估***
CN107045103B (zh) * 2016-11-29 2020-02-04 北京长城华冠汽车科技股份有限公司 电动汽车动力电池寿命测试装置和方法
US11131713B2 (en) * 2018-02-21 2021-09-28 Nec Corporation Deep learning approach for battery aging model
CN108680861B (zh) * 2018-03-05 2021-01-01 北京航空航天大学 锂电池剩余循环寿命预测模型的构建方法及装置
CN109934294A (zh) * 2019-03-18 2019-06-25 常伟 一种基于大数据机器学习进行电动汽车电池soh预测的方法
CN110222426A (zh) * 2019-06-06 2019-09-10 南京航空航天大学 非连续工作模式下航空蓄电池剩余寿命预测方法

Also Published As

Publication number Publication date
CN110658460A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
CN112666464B (zh) 电池健康状态预测方法、装置、电子设备和可读存储介质
Zhang et al. Battery modelling methods for electric vehicles-A review
CN110598300A (zh) 一种电池soh预测方法及装置
CN107132490B (zh) 一种实现锂电池组荷电状态估计的方法
CN110568359A (zh) 一种锂电池剩余寿命预测方法
CN109100655B (zh) 一种动力电池的数据处理方法和装置
WO2015041093A1 (ja) 蓄電池性能評価装置およびその方法
CN112622693A (zh) 一种电池管理方法、装置及车辆
KR20220073829A (ko) 배터리 성능 예측
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
JP2023139227A (ja) 電池健康状態予測方法、装置、電子機器及び可読記憶媒体
Shi et al. Electric vehicle battery remaining charging time estimation considering charging accuracy and charging profile prediction
CN110674569A (zh) 基于决策树的充电剩余时间估算方法及***
CN115700717A (zh) 一种基于电动汽车用电需求的配电分析方法
CN115600728A (zh) 一种动力电池的年度碳排放量估算方法及装置
CN109840353B (zh) 锂离子电池双因素不一致性预测方法及装置
CN108845267B (zh) 一种动力电池的数据处理方法和装置
CN113119796B (zh) 基于云端稀疏充电数据的电动车剩余充电时间预测方法及***
CN114114051A (zh) 一种电池老化值的确定方法、装置及电子设备
El Ouazzani et al. MSCC-DRL: Multi-Stage constant current based on deep reinforcement learning for fast charging of lithium ion battery
CN112731160A (zh) 电池滞回模型训练方法、估算电池soc的方法和装置
CN112765726A (zh) 一种寿命预测方法及装置
CN113139583A (zh) 电池分选参数的选取方法、装置、计算机设备和存储介质
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern

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