CN113189495B - 一种电池健康状态的预测方法、装置及电子设备 - Google Patents
一种电池健康状态的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113189495B CN113189495B CN202110479505.0A CN202110479505A CN113189495B CN 113189495 B CN113189495 B CN 113189495B CN 202110479505 A CN202110479505 A CN 202110479505A CN 113189495 B CN113189495 B CN 113189495B
- Authority
- CN
- China
- Prior art keywords
- battery
- real
- preset
- time
- deep learning
- 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 82
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013136 deep learning model Methods 0.000 claims abstract description 70
- 230000003862 health status Effects 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
本申请提出了一种电池健康状态的预测方法、装置及电子设备，方法包括根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态，本申请公开的基于人工智能的电池健康状态预测方法，可以实现准确地电池健康状态预测。
Description
技术领域
本发明涉及电池领域，尤其涉及一种电池健康状态的预测方法、装置及电子设备。
背景技术
随着技术的发展，电动车辆得到越来越广泛的应用。为了确保电动车辆的电池管理***(BMS)的安全性和可靠性，必须保障电池相关算法的鲁棒性和高效性。由于健康状态算法(state of health,SOH)对电池运行(如快速充电协议)、荷电状态(state of charge,SOC)及功率状态(state of power,SOP)等状态有很大的影响，因此是与电池相关的算法所有算法中最关键的算法。电池容量和电阻常被看作电池健康指标，现有技术通常采用速率性能测试(RPT)直接测量电池的容量及直流阻抗(DCR)，该方法是对电池进行充分充电和放电，并在一定SOC(如50％)下向电池施加脉冲。然而，通过对电池进行完全放电或充电来估算SOH值的方法无法应用在电动车辆上。因此，需要一种新的方法，以实现利用采集的部分充放电运行数据估计电动车辆的电池容量和电阻。现有技术中存在两类SOH估计方式:基于模型的方法和数据驱动的方法。
由于锂离子电池退化机制的复杂性，寻找一个可靠的物理模型来预测电池在各种存储和循环条件下的SOH是非常困难的。基于物理的模型还涉及大量非线性偏微分方程***，这使得这些模型不适用于车载应用。因此，基于半经验历法和周期寿命模型的SOH估计方法更受欢迎。为了寻找电池容量和直流阻抗(DCR)与时间、能量吞吐量、SOC和温度之间的相关性，需要在寿命测试期间定期执行参考性能测试(RPT)，并收集大量存储和循环数据。然而，应用该方法得到的物理模型可能会被限制在只能应用于与测试条件非常相似的驾驶场景下。
另一种基于模型的方法是基于状态/参数观测器设计，通过数值滤波等自适应算法将SOH预测为状态空间模型的参数。现有技术中常用的状态空间模型是等效电路模型(ECM)，其中电池被表示为一个简单的电阻-电容电路网络。虽然这些在线监测方法具有闭环性质的主要优势，但过度简化的状态空间模型(如ECMs)将导致显著的未建模动态，使得生成的SOH估计值不准确。
发明内容
为了解决现有技术的不足，本发明的主要目的在于提供一种电池健康状态的预测方法、装置及电子设备，以解决上述技术问题。
为了达到上述目的，第一方面本发明提供了一种电池健康状态的预测方法，所述方法包括：
根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；
根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；
利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态。
在一些实施例中，所述实时运行参数包括所述电池的实时电流、实时电压及实时温度；
所述根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数包括：
获取每一所述预设电压范围内所述电池对应的实时电流、实时电压及实时温度；
根据所述实时电流、实时电压及实时温度，确定所述电池在每一所述预设电压范围内对应的平均电流、平均电压、平均电阻及平均温度；
根据所述实时电流，确定所述电池在每一所述预设电压范围内对应的总吞吐量；
根据所述总吞吐量、所述平均电流、所述平均电压、平均电阻及所述平均温度，确定所述目标运行参数。
在一些实施例中，所述方法还包括所述深度学习模型的训练过程，所述训练过程包括：
获取历史数据集，所述历史数据集包括测量得到的所述预设驾驶条件下电动车辆的电池在预设电压范围内的历史运行参数；
根据预设的划分规则，将所述历史数据集划分为训练数据集及测试数据集；
利用所述训练数据集训练初始深度学习模型；
利用所述测试数据集测试训练后的所述初始深度学习模型，当测试结果满足预设条件时，确定训练后的所述初始深度学习模型为经训练的深度学习模型。
在一些实施例中，所述根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态包括：
根据预测的所述电池在每一预设电压范围内分别对应的电池健康状态及每一所述预设电压范围对应的预设权重值，确定所述电池的目标健康状态。
在一些实施例中，所述方法包括：
当所述目标健康状态不满足预设条件时，判断所述电池存在异常并发出告警信号。
在一些实施例中，所述方法包括：
生成包含所述目标电池健康状态及生成时间的测量记录；
接收用户发出的电池健康状态查询请求，所述请求包括请求时间；
当所述请求时间距离所述测量记录的生成时间的差值不超过预设时间阈值时，向所述用户返回所述目标电池健康状态。
第二方面，本申请提供了一种电池健康状态的预测装置，所述装置包括：
采集模块，用于根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；
获取模块，用于根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；
预测模块，用于利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
判断模块，用于根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态。
在一些实施例中，所述实时运行参数包括所述电池的实时电流、实时电压及实时温度，所述获取模块还可用于获取每一所述预设电压范围内所述电池对应的实时电流、实时电压及实时温度；根据所述实时电流、实时电压及实时温度，确定所述电池在每一所述预设电压范围内对应的平均电流、平均电压、平均电阻及平均温度；根据所述实时电流，确定所述电池在每一所述预设电压范围内对应的总吞吐量；根据所述总吞吐量、所述平均电流、所述平均电压、平均电阻及所述平均温度，确定所述目标运行参数。
第三方面，本申请提供了一种计算机可读存储介质，其存储有计算机指令，其特征在于，当所述计算机指令在计算机的处理组件上运行时，使得所述处理组件执行如上所述方法的步骤。
第四方面，本申请提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；
根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；
利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态。
本发明实现的有益效果为：
本申请提出了一种电池健康状态的预测方法，包括根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态，本申请公开的基于人工智能的电池健康状态预测方法，由于深度学习模型可以根据车辆的真实驾驶数据进行训练得到，因此可以更加准确真实地模拟和预测在对应的驾驶情境下电池的健康状态，规避了物理模型只能应用于与测试条件非常相似的驾驶场景下的缺点，且在经过大量的数据集训练后的深度学习模型相对于现有技术的等效电路模型等预测方法的预测结果更加准确，可以实现准确地电池健康状态预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本申请实施例提供的深度学习模型预测流程图；
图2是本申请实施例提供的方法流程图；
图3是本申请实施例提供的装置结构图；
图4是本申请实施例提供的电子设备结构图；
图5是本申请实施例提供的电动车辆电池运行参数示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如背景技术所述，现有技术采用的两类电池健康状态评估方法分别具有不同的缺点。为解决上述技术问题，本申请提出了一种电池健康状态的预测方法，相较现有技术既解决了物理模型只能应用于与测试条件非常相似的驾驶场景下的缺点，又避免了等效电路模型等方法导致显著的未建模动态、使得生成的SOH估计值不准确的问题。
实施例一
具体的，为了实现本申请公开的电池健康状态预测方法，需要预先对深度学习模型进行训练，模型的训练过程包括：
S1、获取历史数据样本集，并划分为训练样本集和测试样本集；
该历史数据样本集可以是从真实的车辆驾驶场景中采集的数据，包括车辆在相应驾驶条件下的运行参数及相应的电池健康状态。由于数据驱动方法的经验性质，大量的电池寿命数据即历史样本对于训练、验证和测试本申请所提出的神经网络是必不可少的。历史样本分别通过充电/放电/储存试验和参考性能试验(RPT)获得。用于获取寿命数据的测试从初始RPT开始，即在25℃下测量新电池的容量和DCR。然后电池在一定温度和SOC下储存(储存试验)，或在一定充放电条件下连续循环2-4周(循环试验)。随后，进行第二次RPT以跟踪电池容量和DCR，然后将电池再次存储或循环，持续2-4周，以便获得足够的电池的历史样本。
优选的，可以将70％的历史样本划分为训练样本、30％的历史样本划分为测试样本。将30％的数据分配给测试可以显著降低过拟合的风险，从而增强算法对在线BMS应用的鲁棒性。
每一历史样本包括[Iavg，Vavg，Tavg，Ravg，Tavg，其中Iavg表示相应电压范围及驾驶条件下的电池的平均电流、Vavg表示相应电压范围及驾驶条件下的电池的平均电压、Ravg表示相应电压范围及驾驶条件下的电池的平均电阻、Tavg表示相应电压范围及驾驶条件下的电池的平均温度、/>表示相应电压范围及驾驶条件下电池的总吞吐量，即总吞吐量可以根据实时电流及预设电压范围的持续时间计算得到。具体的，历史样本K对应的平均电阻RK可以根据公式/>if|Ik+1-Ik|＞C/10确定，其中VK+1表示历史样本K+1对应的平均电压，IK+1表示历史样本K+1对应的平均电流，VK表示历史样本K对应的平均电压，IK表示历史样本K对应的平均电流，C表示预设常数。
S2、利用训练样本集训练预设深度学习模型；
具体的，当训练时可以将训练样本集中的60％的训练样本用于训练深度学习模型、20％的训练样本用于验证深度学习模型、20％的训练样本用于测试深度学习模型。优选的，可以利用MATLAB深度学习工具箱对深度学习模型进行训练、验证和测试。
还可在训练样本集及测试样本集的每一样本中同时设置相应的电池容量及直流阻抗DCR以便模型学习，以便后续模型也可根据目标运行参数预测电池的电池容量及直流阻抗。
S3、利用测试样本集测试深度学习模型，当测试结果满足预设条件时确定深度学习模型为经训练的深度学习模型。
具体的，当获得经训练的深度学习模型后，后续还可利用在车辆实际驾驶场景下采集得到的运行参数及相应的电池健康状态进一步训练深度学习模型，以提升模型的实际预测效果。
在一种实施方式中，车辆可与部署在云端的深度学习模型进行交互，将采集得到的实时运行参数上传至该深度学习模型中，以便深度学习模型预测并最终生成相应的电池健康状态并返回至车辆。部署在云端的深度学习模型可以根据大量车辆的真实驾驶条件下的运行参数进行进一步训练，以提升深度学习模型的准确度。
在获得经训练的深度学习模型后，如图1所示，应用本申请公开的电池健康状态预测方法进行电池健康状态预测的过程包括：
步骤一、采集在预设驾驶条件下电动车辆的实时运行参数；
所述实时运行参数包括电池的实时电流、实时电压、实时电阻、实时温度及实时吞吐量，其中实时电阻可以根据实时电流及实时电压计算得到。
步骤二、根据实时电流、实时电压、实时电阻及实时温度，确定电池在每一预设电压范围内对应的平均电流、平均电压、平均电阻及平均温度；
图5示出了当电动车辆处于行驶状态且电池的电压分别处于预设电压范围R1、R2及R3时对应的时间范围time，及在每个时间范围内分别对应的实时电流Current、实时电压Voltage及实时温度Temperature。根据实时电流、实时电压及实时温度可以分别得到在R1、R2和R3对应的时间范围中电池分别的平均电流、平均电压及平均温度。同时根据实时电流及实时电压可以计算得到相应的平均电压。根据实时电流及预设电压范围的时间范围还可以计算得到电池在相应的电压范围内的总吞吐量。
根据总吞吐量、平均电流、平均电压、平均电阻及平均温度，可以生成每一预设电压范围对应的目标运行参数。
步骤三、利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
具体的，预测得到的电池健康状态SOH是根据电池的容量及直流阻抗DCR定义的，即：
其中SOHC和SOHR分别表示基于容量的SOH和基于直流阻抗的SOH。
步骤四、根据预测的电池在每一预设电压范围内分别对应的电池健康状态及每一预设电压范围对应的预设权重值，确定所述电池的目标健康状态；
具体的，当目标健康状态不满足预设条件时，云端或车辆的车载终端可以通过车载显示装置或通过车载音频装置等设备向用户发出告警信号，以便用户及时修理或更换电池，避免出现安全隐患及影响行驶里程。
具体的，也可在车辆停止运行足够长的时间后测量电池的开路电压OCV及电流，根据预设的开路电压与荷电状态SOC查找表，可以确定开路电压对应的荷电状态，然后根据公式其中I表示电流，t2、t1分别表示OCV2及OCV1的采集时刻，SOC2(OCV2)表示根据查找表确定的SOC2读数，SOC1(OCV1)表示根据查找表确定的SOC1读数。
得到电池的健康状态。
同时可生成包含目标电池健康状态及生成时间的健康状态测量记录。当后续接收到该车辆的用户发出的电池健康状态查询请求且查询请求的请求时间与生成时间的差值不超过预设时间阈值时，可将用户返回该目标电池健康状态供用户参考。
基于本申请公开的电池健康状态的预测方法，车辆可以得到更加准确的电池健康状态(SOH)预测结果，以便后续根据SOH进一步评估对电池寿命起到关键影响的荷电状态SOC及电池功率状态SOP。
实施例二
对应上述实施例，如图2所示，本申请公开了一种电池健康状态的预测方法，所述方法包括：
210、根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；
220、根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；
优选的，所述实时运行参数包括所述电池的实时电流、实时电压及实时温度；所述根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数包括：
221、获取每一所述预设电压范围内所述电池对应的实时电流、实时电压及实时温度；
222、根据所述实时电流、实时电压及实时温度，确定所述电池在每一所述预设电压范围内对应的平均电流、平均电压、平均电阻及平均温度；
223、根据所述实时电流，确定所述电池在每一所述预设电压范围内对应的总吞吐量；
224、根据所述总吞吐量、所述平均电流、所述平均电压、平均电阻及所述平均温度，确定所述目标运行参数。
230、利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
240、根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态。
优选的，所述根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态包括：
241、根据预测的所述电池在每一预设电压范围内分别对应的电池健康状态及每一所述预设电压范围对应的预设权重值，确定所述电池的目标健康状态。
优选的，所述方法还包括所述深度学习模型的训练过程，所述训练过程包括：
250、获取历史数据集，所述历史数据集包括测量得到的所述预设驾驶条件下电动车辆的电池在预设电压范围内的历史运行参数；
251、根据预设的划分规则，将所述历史数据集划分为训练数据集及测试数据集；
252、利用所述训练数据集训练初始深度学习模型；
253、利用所述测试数据集测试训练后的所述初始深度学习模型，当测试结果满足预设条件时，确定训练后的所述初始深度学习模型为经训练的深度学习模型。
优选的，所述方法包括；
260、当所述目标健康状态不满足预设条件时，判断所述电池存在异常并发出告警信号。
优选的，所述方法包括：
270、生成包含所述目标电池健康状态及生成时间的测量记录；
271、接收用户发出的电池健康状态查询请求，所述请求包括请求时间；
272、当所述请求时间距离所述测量记录的生成时间的差值不超过预设时间阈值时，向所述用户返回所述目标电池健康状态。
实施例三
对应上述所有实施例，如图3所示，本申请提供了一种电池健康状态的预测装置，所述装置包括：
采集模块310，用于根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；
获取模块320，用于根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；
预测模块330，用于利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
判断模块340，用于根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态。
优选的，所述实时运行参数包括所述电池的实时电流、实时电压及实时温度，所述获取模块320还可用于获取每一所述预设电压范围内所述电池对应的实时电流、实时电压及实时温度；根据所述实时电流、实时电压及实时温度，确定所述电池在每一所述预设电压范围内对应的平均电流、平均电压、平均电阻及平均温度；根据所述实时电流，确定所述电池在每一所述预设电压范围内对应的总吞吐量；根据所述总吞吐量、所述平均电流、所述平均电压、平均电阻及所述平均温度，确定所述目标运行参数。
优选的，所述装置包括训练模块，用于获取历史数据集，所述历史数据集包括测量得到的所述预设驾驶条件下电动车辆的电池在预设电压范围内的历史运行参数；根据预设的划分规则，将所述历史数据集划分为训练数据集及测试数据集；利用所述训练数据集训练所述深度学习模型；利用所述测试数据集测试所述深度学习模型，当测试结果满足预设条件时，确定所述深度学习模型为经训练的深度学习模型。
优选的，所述判断模块340还可用于根据预测的所述电池在每一预设电压范围内分别对应的电池健康状态及每一所述预设电压范围对应的预设权重值，确定所述电池的目标健康状态。
优选的，所述装置还包括告警模块，用于当所述目标健康状态不满足预设条件时，判断所述电池存在异常并发出告警信号。
优选的，所述装置还包括处理模块，用于生成包含所述目标电池健康状态及生成时间的测量记录；接收用户发出的电池健康状态查询请求，所述请求包括请求时间；当所述请求时间距离所述测量记录的生成时间的差值不超过预设时间阈值时，向所述用户返回所述目标电池健康状态。
实施例四
对应上述方法及装置，本申请实施例提供一种电子设备，包括：
一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；
根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；
利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
根据所述电池在每一预设电压范围内分别对应的电池健康状态，确定所述电池的目标电池健康状态。
其中，图4示例性的展示出了电子设备的架构，具体可以包括处理器1510，视频显示适配器1511，磁盘驱动器1512，输入/输出接口1513，网络接口1514，以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520之间可以通过通信总线1530进行通信连接。
其中，处理器1510可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。
存储器1520可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1520可以存储用于控制电子设备1500运行的操作***1521，用于控制电子设备1500的低级别操作的基本输入输出***(BIOS)1522。另外，还可以存储网页浏览器1523，数据存储管理1524，以及图标字体处理***1525等等。上述图标字体处理***1525就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器1520中，并由处理器1510来调用执行。输入/输出接口1513用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
网络接口1514用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1530包括一通路，在设备的各个组件(例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520)之间传输信息。
另外，该电子设备1500还可以从虚拟资源对象领取条件信息数据库1541中获得具体领取条件的信息，以用于进行条件判断，等等。
需要说明的是，尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，存储器1520，总线1530等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。
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本申请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，云服务器，或者网络设备等)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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种电池健康状态的预测方法，其特征在于，所述方法包括：
根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；
根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；
利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
根据预测的所述电池在每一预设电压范围内分别对应的电池健康状态及每一所述预设电压范围对应的预设权重值，确定所述电池的目标健康状态；
所述深度学习模型的训练过程包括：
获取历史数据集，所述历史数据集包括测量得到的所述预设驾驶条件下电动车辆的电池在预设电压范围内的历史运行参数；
根据预设的划分规则，将所述历史数据集划分为训练数据集及测试数据集；
利用所述训练数据集训练初始深度学习模型；
利用所述测试数据集测试训练后的所述初始深度学习模型，当测试结果满足预设条件时，确定训练后的所述初始深度学习模型为经训练的深度学习模型，并将所述经训练的深度学习模型部署至云端；
将多个电动车辆在所述预设驾驶条件下的电池的实时运行参数传入所述经训练的深度学习模型进行训练，得到最终经训练的深度学习模型。
2.根据权利要求1所述的预测方法，其特征在于，所述实时运行参数包括所述电池的实时电流、实时电压及实时温度；
所述根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数包括：
获取每一所述预设电压范围内所述电池对应的实时电流、实时电压及实时温度；
根据所述实时电流、实时电压及实时温度，确定所述电池在每一所述预设电压范围内对应的平均电流、平均电压、平均电阻及平均温度；
根据所述实时电流，确定所述电池在每一所述预设电压范围内对应的总吞吐量；
根据所述总吞吐量、所述平均电流、所述平均电压、平均电阻及所述平均温度，确定所述目标运行参数。
3.根据权利要求1或2所述的预测方法，其特征在于，所述方法包括：
当所述目标健康状态不满足预设条件时，判断所述电池存在异常并发出告警信号。
4.根据权利要求1或2所述的预测方法，其特征在于，所述方法包括：
生成包含所述目标健康状态及生成时间的测量记录；
接收用户发出的电池健康状态查询请求，所述请求包括请求时间；
当所述请求时间距离所述测量记录的生成时间的差值不超过预设时间阈值时，向所述用户返回所述目标健康状态。
5.一种电池健康状态的预测装置，其特征在于，所述装置包括：
采集模块，用于根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；
获取模块，用于根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；
预测模块，用于利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
判断模块，用于根据预测的所述电池在每一预设电压范围内分别对应的电池健康状态及每一所述预设电压范围对应的预设权重值，确定所述电池的目标健康状态；
所述深度学习模型的训练过程包括：
获取历史数据集，所述历史数据集包括测量得到的所述预设驾驶条件下电动车辆的电池在预设电压范围内的历史运行参数；
根据预设的划分规则，将所述历史数据集划分为训练数据集及测试数据集；
利用所述训练数据集训练初始深度学习模型；
利用所述测试数据集测试训练后的所述初始深度学习模型，当测试结果满足预设条件时，确定训练后的所述初始深度学习模型为经训练的深度学习模型；并将所述经训练的深度学习模型部署至云端；
将多个电动车辆在所述预设驾驶条件下的电池的实时运行参数传入所述经训练的深度学习模型进行训练，得到最终经训练的深度学习模型。
6.根据权利要求5所述的预测装置，其特征在于，所述实时运行参数包括所述电池的实时电流、实时电压及实时温度，所述获取模块还可用于获取每一所述预设电压范围内所述电池对应的实时电流、实时电压及实时温度；根据所述实时电流、实时电压及实时温度，确定所述电池在每一所述预设电压范围内对应的平均电流、平均电压、平均电阻及平均温度；根据所述实时电流，确定所述电池在每一所述预设电压范围内对应的总吞吐量；根据所述总吞吐量、所述平均电流、所述平均电压、平均电阻及所述平均温度，确定所述目标运行参数。
7.一种计算机可读存储介质，其存储有计算机指令，其特征在于，当所述计算机指令在计算机的处理组件上运行时，使得所述处理组件执行权利要求1-4任一所述方法的步骤。
8.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
根据预设采样条件，采集在预设驾驶条件下电动车辆的电池的实时运行参数；
根据所述实时运行参数，获取所述电动车辆在每一预设电压范围内的目标运行参数；
利用经训练的深度学习模型，根据所述目标运行参数预测所述电池在每一预设电压范围内分别对应的电池健康状态；
根据预测的所述电池在每一预设电压范围内分别对应的电池健康状态及每一所述预设电压范围对应的预设权重值，确定所述电池的目标健康状态；
所述深度学习模型的训练过程包括：
获取历史数据集，所述历史数据集包括测量得到的所述预设驾驶条件下电动车辆的电池在预设电压范围内的历史运行参数；
根据预设的划分规则，将所述历史数据集划分为训练数据集及测试数据集；
利用所述训练数据集训练初始深度学习模型；
利用所述测试数据集测试训练后的所述初始深度学习模型，当测试结果满足预设条件时，确定训练后的所述初始深度学习模型为经训练的深度学习模型；并将所述经训练的深度学习模型部署至云端；
将多个电动车辆在所述预设驾驶条件下的电池的实时运行参数传入所述经训练的深度学习模型进行训练，得到最终经训练的深度学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110479505.0A CN113189495B (zh) | 2021-04-30 | 2021-04-30 | 一种电池健康状态的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110479505.0A CN113189495B (zh) | 2021-04-30 | 2021-04-30 | 一种电池健康状态的预测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113189495A CN113189495A (zh) | 2021-07-30 |
| CN113189495B true CN113189495B (zh) | 2024-05-28 |
Family
ID=76982927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110479505.0A Active CN113189495B (zh) | 2021-04-30 | 2021-04-30 | 一种电池健康状态的预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113189495B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114200334A (zh) * | 2021-11-24 | 2022-03-18 | 三一汽车起重机械有限公司 | 一种蓄电池预警方法、装置、车辆及介质 |
| CN114355224B (zh) * | 2022-03-17 | 2022-06-28 | 深圳市信润富联数字科技有限公司 | 电池健康状态预测方法、装置、电子装置及可读存储介质 |
| CN115184805A (zh) * | 2022-06-21 | 2022-10-14 | 东莞新能安科技有限公司 | 电池健康状态获取方法、装置、设备及计算机程序产品 |
| WO2024000145A1 (zh) * | 2022-06-28 | 2024-01-04 | 宁德时代新能源科技股份有限公司 | 电池soh检测方法、装置、设备及存储介质 |
| CN116400227A (zh) * | 2023-06-08 | 2023-07-07 | 长安大学 | 电动汽车动力电池soh预测方法、***、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105158699A (zh) * | 2015-09-14 | 2015-12-16 | 北京新能源汽车股份有限公司 | 电池健康状态的检测方法和装置 |
| KR20170142451A (ko) * | 2016-06-17 | 2017-12-28 | 주식회사 엘지화학 | 배터리 관리 시스템, 배터리 팩 및 배터리 충전 방법 |
| CN109633452A (zh) * | 2018-12-24 | 2019-04-16 | 广东省智能制造研究所 | 一种电池健康度检测方法及检测装置 |
| CN110118944A (zh) * | 2019-06-05 | 2019-08-13 | 杭州华塑加达网络科技有限公司 | 电池健康状态的估算***及方法 |
| CN110542867A (zh) * | 2019-08-05 | 2019-12-06 | 燕山大学 | 电池健康状态评估方法、装置及存储介质 |
| CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
-
2021
- 2021-04-30 CN CN202110479505.0A patent/CN113189495B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105158699A (zh) * | 2015-09-14 | 2015-12-16 | 北京新能源汽车股份有限公司 | 电池健康状态的检测方法和装置 |
| KR20170142451A (ko) * | 2016-06-17 | 2017-12-28 | 주식회사 엘지화학 | 배터리 관리 시스템, 배터리 팩 및 배터리 충전 방법 |
| CN109633452A (zh) * | 2018-12-24 | 2019-04-16 | 广东省智能制造研究所 | 一种电池健康度检测方法及检测装置 |
| CN110118944A (zh) * | 2019-06-05 | 2019-08-13 | 杭州华塑加达网络科技有限公司 | 电池健康状态的估算***及方法 |
| CN110542867A (zh) * | 2019-08-05 | 2019-12-06 | 燕山大学 | 电池健康状态评估方法、装置及存储介质 |
| CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于IACA-SVR的电池SOH预测研究;康道新 等;电力电子技术;54(09);62-66 * |
| 基于卷积神经网络的锂离子电池SOH估算;李超然 等;电工技术学报(19);4106-4119 * |
| 基于极限学习机的锂电池健康状态预测;陈婕 等;软件(第02期);191-196 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113189495A (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
| Li et al. | Online capacity estimation of lithium-ion batteries with deep long short-term memory networks | |
| Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
| Dong et al. | Dynamic Bayesian network-based lithium-ion battery health prognosis for electric vehicles | |
| Sbarufatti et al. | Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks | |
| Dong et al. | Data-driven battery health prognosis using adaptive Brownian motion model | |
| CN108254696B (zh) | 电池的健康状态评估方法及*** | |
| Berecibar et al. | State of health estimation algorithm of LiFePO4 battery packs based on differential voltage curves for battery management system application | |
| US20220239122A1 (en) | Server-side characterisation of rechargeable batteries | |
| Jiang et al. | An adaptive capacity estimation approach for lithium-ion battery using 10-min relaxation voltage within high state of charge range | |
| CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN112068004A (zh) | 一种电池异常、电池充电剩余时间的确定方法及装置 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| CN108205114B (zh) | 电池寿命的预测方法及*** | |
| Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
| CN113728242A (zh) | 对可充电电池中的析锂进行表征 | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及*** | |
| KR20220007028A (ko) | 배터리 전극의 고상 확산 계수에 대해 민감도를 가지는 배터리 특성 데이터의 마이닝 장치 및 방법 | |
| CN113219357A (zh) | 电池包健康状态计算方法、***及电子设备 | |
| Xue et al. | Battery degradation modelling and prediction with combination of machine learning and semi-empirical methods | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| Liu et al. | Capacity evaluation and degradation analysis of lithium-ion battery packs for on-road electric vehicles | |
| KR20230080112A (ko) | 배터리 현재 상태 예측을 위한 배터리 진단 장치 | |
| Ko et al. | Using tens of seconds of relaxation voltage to estimate open circuit voltage and state of health of lithium ion batteries | |
| CN116031508A (zh) | 一种基于深度学习的锂离子电池管理***及方法 |
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 |