CN114236415A - 一种动力电池健康状态检测方法、装置、设备及存储介质 - Google Patents
一种动力电池健康状态检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114236415A CN114236415A CN202111541507.4A CN202111541507A CN114236415A CN 114236415 A CN114236415 A CN 114236415A CN 202111541507 A CN202111541507 A CN 202111541507A CN 114236415 A CN114236415 A CN 114236415A
- Authority
- CN
- China
- Prior art keywords
- power battery
- state
- sum
- health
- current
- 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
- 230000036541 health Effects 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 73
- 230000032683 aging Effects 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002829 reductive effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 101100127891 Caenorhabditis elegans let-4 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种动力电池健康状态检测方法、装置、设备及存储介质。在获取实际工况中动力电池充电过程中的状态数据之后,基于状态数据确定充电过程中的平均温度、平均电流和动力电池的老化特征,将平均温度、平均电流和老化特征输入预先训练好的集成树模型中进行处理,得到动力电池当前的健康状态。采用预先构建的集成树模型来检测动力电池健康状态,可实现在线检测动力电池的健康状态。此外,将实际工况中充电过程中的平均温度、平均电流和动力电池的老化特征作为集成树模型的输入,提高了普适性和检测结果的准确性。
Description
技术领域
本发明实施例涉及电池技术领域,尤其涉及一种动力电池健康状态检测方法、装置、设备及存储介质。
背景技术
动力电池的健康状态(State Of Health,SOH)是指动力电池的实际可用容量与标定的额定容量的比值,SOH以百分比的形式表现了当前电池的容量能力。对一块新的电池来说,其SOH值一般是大于100%的,随着电池的使用,电池在不断老化,SOH逐渐降低,在IEEE标准1188-1996中有明确规定,当动力电池的容量能力下降到80%时,即SOH小于80%时,就应该更换电池。
目前通常采用SOH实验评估方法来检测动力电池的健康状态,即测量SOH相关的特征参数,如开路电压、交流阻抗或直接测量实际可用容量,结合机理模型对电池老化程度进行评估。该方法精度较高,但不能应用于在线估算,且需要特定的实验环境于条件,普适性差。
发明内容
本发明提供一种动力电池健康状态检测方法、装置、设备及存储介质,以实现在线检测动力电池的健康状态,提高普适性和检测结果的准确性。
第一方面,本发明实施例提供了一种动力电池健康状态检测方法,包括:
获取动力电池充电过程中的状态数据;
基于所述状态数据确定充电过程中的平均温度、平均电流和所述动力电池的老化特征;
将所述平均温度、所述平均电流和所述老化特征输入预先训练好的集成树模型中进行处理,得到所述动力电池当前的健康状态。
可选的,所述状态数据包括所述动力电池充电过程中多次采集的电流、温度和电压,基于所述状态数据确定充电过程中的平均温度、平均电流和所述动力电池的老化特征,包括:
计算多次采集的电流的均值,得到平均电流;
计算多次采集的温度的均值,得到平均温度;
基于所述电流、所述电压和采集时间,构建容量增量曲线;
提取所述容量增量曲线中的峰值作为所述动力电池的老化特征。
可选的,提取所述容量增量曲线中的峰值作为所述动力电池的老化特征,包括:
对所述容量增量曲线进行小波变换降噪处理,得到降噪曲线;
提取所述降噪曲线中的峰值作为所述动力电池的老化特征。
可选的,所述集成树模型包括XGBoost模型。
可选的,所述XGBoost模型包括多棵回归树,将所述平均温度、所述平均电流和所述老化特征输入预先训练好的集成树模型中进行处理,得到所述动力电池当前的健康状态,包括:
将所述平均温度、所述平均电流和所述老化特征输入所述XGBoost模型的多棵回归树中进行处理,得到各所述回归树的预测结果;
融合各所述回归树的预测结果得到所述动力电池当前的健康状态。
可选的,在获取动力电池充电过程中的状态数据之前,还包括:
根据动力电池循环寿命测试过程中采集的状态数据,确定循环寿命测试中充电过程中的样本数据,所述样本数据包括平均温度、平均电流和所述动力电池的老化特征;
基于所述样本数据训练集成树模型。
可选的,所述集成树模型为XGBoost模型,所述XGBoost模型包括多棵回归树,基于所述样本数据训练集成树模型,包括:
针对第t棵回归树,基于第t-1棵回归树的预测结果、第t棵回归树的预测结果和所述数据样本的真实结果构建损失函数;
将所述样本数据输入所述回归树的第i个节点,并计算第i个节点的损失函数关于第t-1棵回归树的预测结果的一阶导数和,及二阶导数和;
将所述样本数据输入所述回归树的第i个节点的左子节点,并计算左子节点的所述损失函数关于第t-1棵回归树的预测结果的一阶导数和,及二阶导数和;
基于第i个节点对应的一阶导数和,及二阶导数和,以及左子节点对应的一阶导数和,及二阶导数和,计算右子节点对应的一阶导数和,及二阶导数和;
基于左子节点对应的一阶导数和,及二阶导数和,以及右子节点对应的一阶导数和,及二阶导数和,计算第一预测得分;
基于所述第一预测得分和第i个节点的预测得分确定是否对第i个节点进行节点***。
第二方面,本发明实施例还提供了一种动力电池健康状态检测装置,包括:
数据获取模块,用于获取动力电池充电过程中的状态数据;
特征确定模块,用于基于所述状态数据确定充电过程中的平均温度、平均电流和所述动力电池的老化特征;
健康状态确定模块,用于将所述平均温度、所述平均电流和所述老化特征输入预先训练好的集成树模型中进行处理,得到所述动力电池当前的健康状态。
第三方面,本发明实施例还提供了一种计算机设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明第一方面提供的动力电池健康状态检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第一方面提供的动力电池健康状态检测方法。
本发明实施例提供的动力电池健康状态检测方法,在获取实际工况中动力电池充电过程中的状态数据之后,基于状态数据确定充电过程中的平均温度、平均电流和动力电池的老化特征,将平均温度、平均电流和老化特征输入预先训练好的集成树模型中进行处理,得到动力电池当前的健康状态。采用预先构建的集成树模型来检测动力电池健康状态,可实现在线检测动力电池的健康状态。此外,将实际工况中充电过程中的平均温度、平均电流和动力电池的老化特征作为集成树模型的输入,提高了普适性和检测结果的准确性。
附图说明
图1为本发明实施例一提供的一种动力电池健康状态检测方法的流程图;
图2为本发明实施例二提供的一种动力电池健康状态检测装置的结构示意图;
图3为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种动力电池健康状态检测方法的流程图,本实施例可适用于在线检测动力电池的健康状态,该方法可以由本发明实施例提供的动力电池健康状态检测装置来执行,该装置可以由软件和/或硬件的方式实现,通常配置于计算机设备中,如图1所示,该方法具体包括如下步骤:
S101、获取动力电池充电过程中的状态数据。
在本发明实施例中,以一定的采样率采集实际工况下的待评估数据,数据字段包括上报时间、荷电状态(State of Charge,SOC)、单体电压、温度、电流和充放电状态等,本发明实施例在此不做限定。
提取充放电状态为停车充电的数据片段,即得到动力电池充电过程中的状态数据。
S102、基于状态数据确定充电过程中的平均温度、平均电流和动力电池的老化特征。
示例性的,在本发明实施例中,状态数据包括动力电池充电过程中以一定的采样率多次采集的电流、温度和电压。
计算多次采集的电流的均值,得到平均电流。
计算多次采集的温度的均值,得到平均温度。
动力电池的容量增量曲线随电池老化衰退的变化反映了电池动力学与热力学特性的改变,因此基于容量增量曲线的变化规律可近似判断电池的衰退机理,有助于分析电池的衰退老化原因,同时可以预测电池的衰退轨迹,对电池的安全性及使用方法做出指导。在本发明实施例中,基于电流、电压和采集时间,构建容量增量曲线。
示例性的,基于每一采集时刻采集的电流计算动力电池当前采集时刻相对于前一采集时刻的容量增量ΔQ:
ΔQ=IΔt
其中,I为当前采集时刻的电流,Δt为当前采集时刻与前一采集时刻的时间差。
利用容量增量ΔQ和电压V计算每个时刻电压容量相对于电压V的微分:
其中,ΔV为当前采集时刻的电压相对于前一采集时刻的电压增量。
如此,得到本次充电过程中dQ/dV与容量Q的关系曲线,即容量增量曲线。
锂离子电池的容量增量曲线由若干个尖峰构成,因此在容量增量曲线中,易于提取的特征包括各峰的位置(峰值处对应的横轴容量值)、各峰的高度、各峰包含的面积及各峰左右侧斜率。
在本发明实施例中,提取容量增量曲线中的峰值作为动力电池的老化特征。
在本发明的一些实施例中,为了降低噪声信号影响老化特征的准确性,可以对获取的容量增量曲线进行降噪处理。示例性的,在本发明实施例中,对容量增量曲线进行小波变换降噪处理,得到降噪曲线。在本发明一具体实施例中,使用sym5小波进行二级分解,保留低频信号,并进行重构,得到降噪后的容量增量曲线。然后,提取降噪后的容量增量曲线中的峰值作为动力电池的老化特征。
S103、将平均温度、平均电流和老化特征输入预先训练好的集成树模型中进行处理,得到动力电池当前的健康状态。
在本发明实施例中,将上述得到平均温度、平均电流和老化特征输入预先训练好的集成树模型中进行处理,得到动力电池当前的健康状态。集成树模型为集成学习的方式,集成学习是通过构建并结合集成多个学习器(即树)来完成学习任务,有时也被称为多分类***。集成学习要获得好的结果应做到“好而不同”,即个体学习器要有一定的准确性,并且学习器之间应该有差异。
示例性的,在本发明实施例中,集成树模型可以为XGBoost模型。XGBoost的全称是Extreme Gradient Boosting,它是经过优化的分布式梯度提升库,可以提高检测效率。
XGBoost模型包括多棵回归树,将平均温度、平均电流和老化特征输入XGBoost模型的多棵回归树中进行处理,得到各回归树的预测结果,然后,融合各回归树的预测结果得到动力电池当前的健康状态。示例性的,将各回归树的预测结果乘以相应的权重并求和,得到动力电池当前的健康状态。
本发明实施例提供的动力电池健康状态检测方法,在获取实际工况中动力电池充电过程中的状态数据之后,基于状态数据确定充电过程中的平均温度、平均电流和动力电池的老化特征,将平均温度、平均电流和老化特征输入预先训练好的集成树模型中进行处理,得到动力电池当前的健康状态。采用预先构建的集成树模型来检测动力电池健康状态,可实现在线检测动力电池的健康状态。此外,将实际工况中充电过程中的平均温度、平均电流和动力电池的老化特征作为集成树模型的输入,提高了普适性和检测结果的准确性。
在本发明实施例中,在获取动力电池充电过程中的状态数据之前,可以对集成树模型进行训练。下面,本发明实施例以XGBoost模型为示例,对集成树模型的训练过程进行示例性说明。
在本发明实施例中,首先准备训练用的数据样本。具体的,在电池电芯循环寿命测试过程中,采集动力电池的状态数据。在电池电芯循环寿命测试过程中,以一定的采样率采集待评估数据,数据字段包括上报时间、荷电状态(State of Charge,SOC)、单体电压、温度、电流和充放电状态等。提取充放电状态为停车充电的数据片段,即得到动力电池充电过程中的状态数据。示例性的,在本发明实施例中,为了提高模型的普适性,选取充电过程中,荷电状态的变化包括20%-50%区间的状态数据,例如,充电过程中,荷电状态由10%上升至80%过程中的状态数据。
示例性的,在本发明实施例中,状态数据包括动力电池在循环寿命测试过程中充电过程中以一定的采样率多次采集的电流、温度和电压。
样本数据包括平均温度、平均电流和动力电池的老化特征。示例性的,计算多次采集的电流的均值,得到平均电流。计算多次采集的温度的均值,得到平均温度。基于电流、电压和采集时间,构建容量增量曲线。提取容量增量曲线中的峰值作为动力电池的老化特征。示例性的,在本发明实施例中,对容量增量曲线使用sym5小波进行二级分解,保留低频信号,并进行重构,得到降噪后的容量增量曲线。经过小波变换处理的容量增量曲线明显光滑,为进一步说明小波变换的效果。经过处理后的峰值与实际可用容量存在更强的规律性,分别用处理前后的峰值建立模型,以拟合优度R^2和均方根误差作为评价指标,经过小波变换处理,R^2从0.598提升至0.995,均方根误差从1402.99下降至160.02,说明容量增量曲线的降噪对模型精度提升非常大,且模型性能优异。
示例性的,根据循环序号,对dQ/dV峰值P、平均温度T和平均电流I和电池健康状态SOH进行整理,得到训练数据集{(x1,y1),…,(xn,yn)},其中xi=(Pi,,Ti,Ii),yi=SOHi,作为XGBoost算法的输入。
接下来,基于样本数据训练XGBoost模型,具体过程如下:
1、针对第t棵回归树,基于第t-1棵回归树的预测结果、第t棵回归树的预测结果和数据样本的真实结果构建损失函数。
XGBoost是由多个回归树组成的一个加法模型,假设我们第t次迭代要训练的树模型是ft(xi),则有:
那么,第t次迭代的损失函数为:
其中,yi为样本i的真实SOH。
在本发明实施例中,设定最大迭代次数为M,即XGBoost模型中回归树的数量为M。设置正则化项的正则化系数λ和γ,防止模型过度拟合。
2、将样本数据输入回归树的第i个节点,并计算第i个节点的损失函数关于第t-1棵回归树的预测结果的一阶导数和,及二阶导数和。
对于回归树中的第i个节点,将样本数据输入初始节点,并计算第i个节点的损失函数关于第t-1棵回归树的预测结果的一阶导数和G,及二阶导数和H。
对于回归树中的初始节点,设置分数score=0,将样本数据输入初始节点,并计算初始节点的损失函数关于第t-1棵回归树的预测结果的一阶导数和G,及二阶导数和H。
3、将样本数据输入回归树的第i个节点的左子节点,并计算左子节点的损失函数关于第t-1棵回归树的预测结果的一阶导数和,及二阶导数和。
假设第i个节点可以二分为两个子节点(左子节点和右子节点)。将样本数据按照序号k=1,2,3(例如1为平均电流、2为平均温度、3为老化特征)依次取出样本i放置到左子树,并计算左子节点的损失函数关于第t-1棵回归树的预测结果的一阶导数和,及二阶导数和。
具体的,左子节点对应的一阶导数和为GL=GL+gt,i,二阶导数和为HL=HL+ht,i。
对于初始节点,左子节点的一阶导数和GL=0,二阶导数和HL=0
4、基于第i个节点对应的一阶导数和,及二阶导数和,以及左子节点对应的一阶导数和,及二阶导数和,计算右子节点对应的一阶导数和,及二阶导数和。
具体的,左子节点和右子节点的一阶导数和的和等于第i个节点对应的一阶导数和,左子节点和右子节点的二阶导数和的和等于第i个节点对应的二阶导数和。那么右子节点对应的一阶导数和为GR=G-GL,二阶导数和为HR=H-H。
5、基于左子节点对应的一阶导数和,及二阶导数和,以及右子节点对应的一阶导数和,及二阶导数和,计算第一预测得分。
具体的,第一预测得分的计算公式如下:
6、基于第一预测得分和第i个节点的预测得分确定是否对第i个节点进行节点***。
具体的,第i个节点的预测得分为scorei(对于初始节点,其得分为0),采用如下公式尝试更新更大的分数:
score=max{scorei,score1}
若上式得分score为score1,则对第i个子节点进行***,并重复执行上过程,继续***决策树,直至第j个节点的score为scorej。
实施例二
本发明实施例二提供了一种动力电池健康状态检测装置,图2为本发明实施例二提供的一种动力电池健康状态检测装置的结构示意图,如图2所示,该装置包括:
数据获取模块201,用于获取动力电池充电过程中的状态数据;
特征确定模块202,用于基于所述状态数据确定充电过程中的平均温度、平均电流和所述动力电池的老化特征;
健康状态确定模块203,用于将所述平均温度、所述平均电流和所述老化特征输入预先训练好的集成树模型中进行处理,得到所述动力电池当前的健康状态。
在本发明的一些实施例中,所述状态数据包括所述动力电池充电过程中多次采集的电流、温度和电压,特征确定模块202包括:
平均电流计算子模块,用于计算多次采集的电流的均值,得到平均电流;
平均温度计算子模块,用于计算多次采集的温度的均值,得到平均温度;
容量增量曲线构建子模块,用于基于所述电流、所述电压和采集时间,构建容量增量曲线;
老化特征确定子模块,用于提取所述容量增量曲线中的峰值作为所述动力电池的老化特征。
在本发明的一些实施例中,老化特征确定子模块包括:
降噪单元,用于对所述容量增量曲线进行小波变换降噪处理,得到降噪曲线;
老化特征提取单元,用于提取所述降噪曲线中的峰值作为所述动力电池的老化特征。
在本发明的一些实施例中,所述集成树模型包括XGBoost模型。
在本发明的一些实施例中,所述XGBoost模型包括多棵回归树,健康状态确定模块203包括:
预测结果确定子模块,用于将所述平均温度、所述平均电流和所述老化特征输入所述XGBoost模型的多棵回归树中进行处理,得到各所述回归树的预测结果;
健康状态确定子模块,用于融合各所述回归树的预测结果得到所述动力电池当前的健康状态。
在本发明的一些实施例中,还包括:
数据样本确定模块,用于在获取动力电池充电过程中的状态数据之前,根据动力电池循环寿命测试过程中采集的状态数据,确定循环寿命测试中充电过程中的样本数据,所述样本数据包括平均温度、平均电流和所述动力电池的老化特征;
模型训练模块,用于基于所述样本数据训练集成树模型。
在本发明的一些实施例中,所述集成树模型为XGBoost模型,所述XGBoost模型包括多棵回归树,模型训练模块包括:
损失函数构建子模块,用于针对第t棵回归树,基于第t-1棵回归树的预测结果、第t棵回归树的预测结果和所述数据样本的真实结果构建损失函数;
第一导数和计算子模块,用于将所述样本数据输入所述回归树的第i个节点,并计算第i个节点的损失函数关于第t-1棵回归树的预测结果的一阶导数和,及二阶导数和;
第二导数和计算子模块,用于将所述样本数据输入所述回归树的第i个节点的左子节点,并计算左子节点的所述损失函数关于第t-1棵回归树的预测结果的一阶导数和,及二阶导数和;
第三导数和计算子模块,用于基于第i个节点对应的一阶导数和,及二阶导数和,以及左子节点对应的一阶导数和,及二阶导数和,计算右子节点对应的一阶导数和,及二阶导数和;
第一预测得分计算子模块,用于基于左子节点对应的一阶导数和,及二阶导数和,以及右子节点对应的一阶导数和,及二阶导数和,计算第一预测得分;
节点***子模块,用于基于所述第一预测得分和第i个节点的预测得分确定是否对第i个节点进行节点***。
上述动力电池健康状态检测装置可执行本发明任意实施例所提供的动力电池健康状态检测方法,具备执行动力电池健康状态检测方法相应的功能模块和有益效果。
实施例三
本发明实施例三提供了一种计算机设备,图3为本发明实施例三提供的一种计算机设备的结构示意图,如图3所示,该计算机设备包括:
处理器301、存储器302、通信模块303、输入装置304和输出装置305;移动终端中处理器301的数量可以是一个或多个,图3中以一个处理器301为例;移动终端中的处理器301、存储器302、通信模块303、输入装置304和输出装置305可以通过总线或其他方式连接,图3中以通过总线连接为例。上述处理器301、存储器302、通信模块303、输入装置304和输出装置305可以集成在计算机设备上。
存储器302作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如上述实施例中的动力电池健康状态检测方法对应的模块。处理器301通过运行存储在存储器302中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的动力电池健康状态检测方法。
存储器302可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据微型计算机的使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器302可进一步包括相对于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块303,用于与外界设备(例如智能终端)建立连接,并实现与外界设备的数据交互。输入装置304可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
本实施例提供的一种计算机设备,可执行本发明上述任意实施例提供的动力电池健康状态检测方法,具有相应的功能和有益效果。
实施例四
本发明实施例四提供了一种包含计算机可执行指令的存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明上述任意实施例提供的动力电池健康状态检测方法,该方法包括:
获取动力电池充电过程中的状态数据;
基于所述状态数据确定充电过程中的平均温度、平均电流和所述动力电池的老化特征;
将所述平均温度、所述平均电流和所述老化特征输入预先训练好的集成树模型中进行处理,得到所述动力电池当前的健康状态。
需要说明的是,对于装置、设备和存储介质实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是机器人,个人计算机,服务器,或者网络设备等)执行本发明任意实施例所述的动力电池健康状态检测方法。
值得注意的是,上述装置中,所包括的各个模块、子模块、单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种动力电池健康状态检测方法,其特征在于,包括:
获取动力电池充电过程中的状态数据;
基于所述状态数据确定充电过程中的平均温度、平均电流和所述动力电池的老化特征;
将所述平均温度、所述平均电流和所述老化特征输入预先训练好的集成树模型中进行处理,得到所述动力电池当前的健康状态。
2.根据权利要求1所述的动力电池健康状态检测方法,其特征在于,所述状态数据包括所述动力电池充电过程中多次采集的电流、温度和电压,基于所述状态数据确定充电过程中的平均温度、平均电流和所述动力电池的老化特征,包括:
计算多次采集的电流的均值,得到平均电流;
计算多次采集的温度的均值,得到平均温度;
基于所述电流、所述电压和采集时间,构建容量增量曲线;
提取所述容量增量曲线中的峰值作为所述动力电池的老化特征。
3.根据权利要求2所述的动力电池健康状态检测方法,其特征在于,提取所述容量增量曲线中的峰值作为所述动力电池的老化特征,包括:
对所述容量增量曲线进行小波变换降噪处理,得到降噪的容量增量曲线;
提取所述降噪的容量增量曲线中的峰值作为所述动力电池的老化特征。
4.根据权利要求1-3任一所述的动力电池健康状态检测方法,其特征在于,所述集成树模型包括XGBoost模型。
5.根据权利要求4所述的动力电池健康状态检测方法,其特征在于,所述XGBoost模型包括多棵回归树,将所述平均温度、所述平均电流和所述老化特征输入预先训练好的集成树模型中进行处理,得到所述动力电池当前的健康状态,包括:
将所述平均温度、所述平均电流和所述老化特征输入所述XGBoost模型的多棵回归树中进行处理,得到各所述回归树的预测结果;
融合各所述回归树的预测结果得到所述动力电池当前的健康状态。
6.根据权利要求1-3、5任一所述的动力电池健康状态检测方法,其特征在于,在获取动力电池充电过程中的状态数据之前,还包括:
根据动力电池循环寿命测试过程中采集的状态数据,确定循环寿命测试中充电过程中的样本数据,所述样本数据包括平均温度、平均电流和所述动力电池的老化特征;
基于所述样本数据训练集成树模型。
7.根据权利要求6所述的动力电池健康状态检测方法,其特征在于,所述集成树模型为XGBoost模型,所述XGBoost模型包括多棵回归树,基于所述样本数据训练集成树模型,包括:
针对第t棵回归树,基于第t-1棵回归树的预测结果、第t棵回归树的预测结果和所述数据样本的真实结果构建损失函数;
将所述样本数据输入所述回归树的第i个节点,并计算第i个节点的损失函数关于第t-1棵回归树的预测结果的一阶导数和,及二阶导数和;
将所述样本数据输入所述回归树的第i个节点的左子节点,并计算左子节点的所述损失函数关于第t-1棵回归树的预测结果的一阶导数和,及二阶导数和;
基于第i个节点对应的一阶导数和,及二阶导数和,以及左子节点对应的一阶导数和,及二阶导数和,计算右子节点对应的一阶导数和,及二阶导数和;
基于左子节点对应的一阶导数和,及二阶导数和,以及右子节点对应的一阶导数和,及二阶导数和,计算第一预测得分;
基于所述第一预测得分和第i个节点的预测得分确定是否对第i个节点进行节点***。
8.一种动力电池健康状态检测装置,其特征在于,包括:
数据获取模块,用于获取动力电池充电过程中的状态数据;
特征确定模块,用于基于所述状态数据确定充电过程中的平均温度、平均电流和所述动力电池的老化特征;
健康状态确定模块,用于将所述平均温度、所述平均电流和所述老化特征输入预先训练好的集成树模型中进行处理,得到所述动力电池当前的健康状态。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的动力电池健康状态检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的动力电池健康状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541507.4A CN114236415A (zh) | 2021-12-16 | 2021-12-16 | 一种动力电池健康状态检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541507.4A CN114236415A (zh) | 2021-12-16 | 2021-12-16 | 一种动力电池健康状态检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114236415A true CN114236415A (zh) | 2022-03-25 |
Family
ID=80756924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111541507.4A Pending CN114236415A (zh) | 2021-12-16 | 2021-12-16 | 一种动力电池健康状态检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236415A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599191A (zh) * | 2023-07-17 | 2023-08-15 | 深圳市菲尼基科技有限公司 | 基于储能逆变器的能量管理方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934408A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法 |
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和*** |
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN112051511A (zh) * | 2020-08-26 | 2020-12-08 | 华中科技大学 | 基于多通道技术的动力电池健康状态的估计方法及*** |
CN112666464A (zh) * | 2021-01-27 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 电池健康状态预测方法、装置、电子设备和可读存储介质 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、***及介质 |
CN113064093A (zh) * | 2021-03-22 | 2021-07-02 | 山东建筑大学 | 储能电池荷电状态与健康状态联合估算方法及*** |
WO2021185308A1 (zh) * | 2020-03-18 | 2021-09-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和*** |
CN113504482A (zh) * | 2021-06-18 | 2021-10-15 | 华南理工大学 | 考虑机械应变的锂离子电池健康状态估计与寿命预测方法 |
US20220229121A1 (en) * | 2019-06-14 | 2022-07-21 | Cummins Inc. | Methods and devices for determining battery state of health using incremental capacity analysis and support vector regression |
-
2021
- 2021-12-16 CN CN202111541507.4A patent/CN114236415A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934408A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法 |
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和*** |
US20220229121A1 (en) * | 2019-06-14 | 2022-07-21 | Cummins Inc. | Methods and devices for determining battery state of health using incremental capacity analysis and support vector regression |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
WO2021185308A1 (zh) * | 2020-03-18 | 2021-09-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和*** |
CN112051511A (zh) * | 2020-08-26 | 2020-12-08 | 华中科技大学 | 基于多通道技术的动力电池健康状态的估计方法及*** |
CN112666464A (zh) * | 2021-01-27 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 电池健康状态预测方法、装置、电子设备和可读存储介质 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、***及介质 |
CN113064093A (zh) * | 2021-03-22 | 2021-07-02 | 山东建筑大学 | 储能电池荷电状态与健康状态联合估算方法及*** |
CN113504482A (zh) * | 2021-06-18 | 2021-10-15 | 华南理工大学 | 考虑机械应变的锂离子电池健康状态估计与寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
李超然等: "基于卷积神经网络的锂离子电池SOH估算", no. 19 * |
董长虹: "Matlab小波分析工具箱原理与应用", 工业技术, pages 158 - 164 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599191A (zh) * | 2023-07-17 | 2023-08-15 | 深圳市菲尼基科技有限公司 | 基于储能逆变器的能量管理方法、装置、设备及存储介质 |
CN116599191B (zh) * | 2023-07-17 | 2023-09-08 | 深圳市菲尼基科技有限公司 | 基于储能逆变器的能量管理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及*** | |
CN110888058B (zh) | 一种基于动力电池soc和soh联合估计的算法 | |
CN112946484B (zh) | 一种基于bp神经网络的soc估计方法、***、终端设备及可读存储介质 | |
CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
CN111812519B (zh) | 一种电池参数辨识方法及*** | |
CN109901072B (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
CN117129879B (zh) | 阈值调整方法和电池健康状态预测模型的训练方法 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及*** | |
CN114236415A (zh) | 一种动力电池健康状态检测方法、装置、设备及存储介质 | |
CN116754959A (zh) | 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法 | |
CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
CN116224127A (zh) | 基于大数据分析的电池健康状态估算方法 | |
CN115963404A (zh) | 一种电池荷电状态预测方法、设备和存储介质 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN113743664B (zh) | 一种基于随机片段数据的锂电池状态估计方法及*** | |
CN111723454A (zh) | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 | |
CN113721149A (zh) | 一种基于半监督迁移学习的锂电池容量预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |