CN115184805A - 电池健康状态获取方法、装置、设备及计算机程序产品 - Google Patents
电池健康状态获取方法、装置、设备及计算机程序产品 Download PDFInfo
- Publication number
- CN115184805A CN115184805A CN202210708124.XA CN202210708124A CN115184805A CN 115184805 A CN115184805 A CN 115184805A CN 202210708124 A CN202210708124 A CN 202210708124A CN 115184805 A CN115184805 A CN 115184805A
- Authority
- CN
- China
- Prior art keywords
- battery
- condition data
- electric equipment
- charging
- characteristic parameter
- 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 78
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004590 computer program Methods 0.000 title claims abstract description 22
- 238000007600 charging Methods 0.000 claims abstract description 116
- 238000007599 discharging Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 79
- 238000012549 training Methods 0.000 claims description 44
- 230000032683 aging Effects 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 25
- 238000010280 constant potential charging Methods 0.000 claims description 19
- 238000010277 constant-current charging Methods 0.000 claims description 19
- 238000012952 Resampling Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000014509 gene expression Effects 0.000 description 10
- 230000003862 health status Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer 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]
- G01R31/367—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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种电池健康状态获取方法、装置、设备及计算机程序产品。其中，方法包括：接收第一电动设备的运行工况数据，第一电动设备的运行工况数据包括第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项；根据第一电动设备的运行工况数据，确定第一特征参数；将第一特征参数输入与第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量；其中，第一最大可用容量用于指示第一电池的当前健康状态，第一电池为第一电动设备的电池。本申请可以利用电动设备的充电工况数据、放电工况数据或静置工况数据，借助目标模型实现对电动设备的电池的当前健康状态的准确预测，从而可以提高电动设备的使用可靠性。
Description
技术领域
本申请属于电池技术领域，尤其涉及一种电池健康状态获取方法、装置、设备及计算机程序产品。
背景技术
随着节能减排的环保理念的推广，越来越多的电动设备投入使用。锂离子电池，由于其在能量密度、循环寿命等方面的优势，在电动设备中被广泛用作能量存储设备。然而，电池在使用过程中，其性能不可避免地会随着时间的推移而下降，为保证其工作可性，准确预测其健康状态(State of Health，SOH)，已成为当前亟待要解决的技术问题。
发明内容
本申请实施例提供一种电池健康状态获取方法、装置、设备及计算机程序产品，能够解决电池健康状态的获取问题。
第一方面，本申请实施例提供一种电池健康状态获取方法，包括：接收第一电动设备的运行工况数据，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项；根据所述第一电动设备的运行工况数据，确定第一特征参数；将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量；其中，所述第一最大可用容量用于指示所述第一电池的当前健康状态，所述第一电池为所述第一电动设备的电池。
在一些实施例中，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据；所述第一特征参数包括以下至少一项：所述第一电池的至少一个充电电压采样值；所述第一电池的开路电压曲线的斜率；所述第一电池的微分容量曲线的极大值以及所述极大值对应的电压；第一时长，所述第一时长的起始时刻为所述第一电池从恒流充电转恒压充电的时刻，所述第一时长的终止时刻为所述第一电池充满电的时刻；所述目标模型为第一模型，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到，其中，所述第一电池、所述第二电池和所述第二电动设备的电池均为目标型号电池。
在一些实施例中，所述将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量之前，所述方法还包括：获取所述第二电池的老化循环测试数据；获取所述第二电动设备的充电工况数据；对所述第二电动设备的充电工况数据进行统计，得到统计结果，所述统计结果包括所述目标型号电池的实际充电区间和数据采样频率；根据所述实际充电区间，对所述老化循环测试数据进行切分，得到第一测试数据；根据所述数据采样频率，对所述第一测试数据进行重新采样，得到第二测试数据；根据所述第二测试数据，确定第二特征参数，所述第二特征参数包括以下至少一项：所述第二电池的至少一个充电电压采样值；所述第二电池的开路电压曲线的斜率；所述第二电池的微分容量曲线的极大值以及所述极大值对应的电压；第二时长，所述第二时长的起始时刻为所述第二电池从恒流充电转恒压充电的时刻，所述第二时长的终止时刻为所述第二电池充满电的时刻；根据所述第二特征参数，以及所述第二电池的标定最大可用容量，训练所述第一模型。
在一些实施例中，所述第一电动设备的运行工况数据为所述第一电动设备的放电工况数据或静置工况数据；所述第一特征参数包括以下至少一项：所述第一电动设备的累计里程；所述第一电池的累计充电量；所述第一电池的累计放电量；所述第一电池的累计充电量和累计放电量之和；所述第一电池的温度；所述目标模型为第二模型，所述第二模型基于第三电动设备的充电工况数据以及第一模型训练得到；其中，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到；所述第一电池、所述第二电池、所述第二电动设备的电池和所述第三电动设备的电池均为目标型号电池。
在一些实施例中，所述将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量之前，所述方法还包括：获取所述第三电动设备的运行工况数据，所述第三电动设备的运行工况数据至少包括所述第三电动设备的充电工况数据；根据所述第三电动设备的运行工况数据，确定第三特征参数和第四特征参数；将所述第三特征信息输入所述第一模型，得到第三电池的第二最大可用容量，所述第三电池为所述第三电动设备的电池；根据所述第四特征参数，以及所述第二最大可用容量，训练所述第二模型；其中，所述第三特征参数包括以下至少一项：所述第三电池的至少一个充电电压采样值；所述第三电池的开路电压曲线的斜率；所述第三电池的微分容量曲线的极大值以及所述极大值对应的电压；第三时长，所述第三时长的起始时刻为所述第三电池从恒流充电转恒压充电的时刻，所述第三时长的终止时刻为所述第三电池充满电的时刻；所述第四特征参数包括以下至少一项：所述第三电动设备的累计里程，所述第三电池的累计充电量，所述第三电池的累计放电量，所述第三电池的累计充电量和累计放电量之和，所述第三电池的温度。
第二方面，本申请实施例提供一种电池健康状态获取装置，包括：第一接收模块，用于接收第一电动设备的运行工况数据，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项；第一确定模块，用于根据所述第一电动设备的运行工况数据，确定第一特征参数；第一操作模块，用于将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量；其中，所述第一最大可用容量用于指示所述第一电池的当前健康状态，所述第一电池为所述第一电动设备的电池。
在一些实施例中，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据；所述第一特征参数包括以下至少一项：所述第一电池的至少一个充电电压采样值；所述第一电池的开路电压曲线的斜率；所述第一电池的微分容量曲线的极大值以及所述极大值对应的电压；第一时长，所述第一时长的起始时刻为所述第一电池从恒流充电转恒压充电的时刻，所述第一时长的终止时刻为所述第一电池充满电的时刻；所述目标模型为第一模型，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到，其中，所述第一电池、所述第二电池和所述第二电动设备的电池均为目标型号电池。
在一些实施例中，所述装置还包括：第一获取模块，用于获取所述第二电池的老化循环测试数据；第二获取模块，用于获取所述第二电动设备的充电工况数据；统计模块，用于对所述第二电动设备的充电工况数据进行统计，得到统计结果，所述统计结果包括所述目标型号电池的实际充电区间和数据采样频率；切分模块，用于根据所述实际充电区间，对所述老化循环测试数据进行切分，得到第一测试数据；采样模块，用于根据所述数据采样频率，对所述第一测试数据进行重新采样，得到第二测试数据；第二确定模块，用于根据所述第二测试数据，确定第二特征参数，所述第二特征参数包括以下至少一项：所述第二电池的至少一个充电电压采样值；所述第二电池的开路电压曲线的斜率；所述第二电池的微分容量曲线的极大值以及所述极大值对应的电压；第二时长，所述第二时长的起始时刻为所述第二电池从恒流充电转恒压充电的时刻，所述第二时长的终止时刻为所述第二电池充满电的时刻；第一训练模块，用于根据所述第二特征参数，以及所述第二电池的标定最大可用容量，训练所述第一模型。
在一些实施例中，所述第一电动设备的运行工况数据为所述第一电动设备的放电工况数据或静置工况数据；所述第一特征参数包括以下至少一项：所述第一电动设备的累计里程，所述第一电池的累计充电量，所述第一电池的累计放电量，所述第一电池的累计充电量和累计放电量之和，所述第一电池的温度；所述目标模型为第二模型，所述第二模型基于第三电动设备的充电工况数据以及第一模型训练得到；其中，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到；所述第一电池、所述第二电池、所述第二电动设备的电池和所述第三电动设备的电池均为目标型号电池。
在一些实施例中，所述装置还包括：第三获取模块，用于获取所述第三电动设备的运行工况数据，所述第三电动设备的运行工况数据至少包括所述第三电动设备的充电工况数据；第三确定模块，用于根据所述第三电动设备的运行工况数据，确定第三特征参数和第四特征参数；第二操作模块，用于将所述第三特征信息输入所述第一模型，得到第三电池的第二最大可用容量，所述第三电池为所述第三电动设备的电池；第二训练模块，用于根据所述第四特征参数，以及所述第二最大可用容量，训练所述第二模型；其中，所述第三特征参数包括以下至少一项：所述第三电池的至少一个充电电压采样值；所述第三电池的开路电压曲线的斜率；所述第三电池的微分容量曲线的极大值以及所述极大值对应的电压；第三时长，所述第三时长的起始时刻为所述第三电池从恒流充电转恒压充电的时刻，所述第三时长的终止时刻为所述第三电池充满电的时刻；所述第四特征参数包括以下至少一项：所述第三电动设备的累计里程，所述第三电池的累计充电量，所述第三电池的累计放电量，所述第三电池的累计充电量和累计放电量之和，所述第三电池的温度。
第三方面，本申请实施例提供了一种电子设备，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如上任意一项所述的电池健康状态获取方法。
第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上任意一项所述的电池健康状态获取方法。
第五方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如上任意一项所述的电池健康状态获取方法。
在本申请实施例中，可以基于接收到的第一电动设备的运行工况数据，确定第一特征参数，其中，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项；之后，将所述第一特征参数输入匹配的目标模型中，通过目标模型预测得到所述第一电动设备的电池的最大可用容量，该最大可用容量用于指示所述第一电动设备的电池的当前健康状态。可见，本申请实施例可以利用电动设备的充电工况数据、放电工况数据或静置工况数据，借助目标模型实现对电动设备的电池的当前健康状态的准确预测，从而可以提高所述电动设备的使用可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍。
图1是本申请实施例提供的电池健康状态获取方法的流程示意图之一；
图2是本申请实施例提供的电池健康状态获取的思路图；
图3是本申请实施例提供的电池健康状态获取方法的流程示意图之二；
图4是本申请实施例提供的电池健康状态获取装置的结构示意图；
图5是本申请实施例提供的电池健康状态获取设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
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……”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。
下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的电池健康状态获取方法进行详细地说明。
本申请实施例的电池健康状态获取方法可以由电池健康状态获取设备执行，在一种具体实现方式中，电池健康状态获取设备可以为云平台或服务器等。
参见图1，图1是本申请实施例提供的电池健康状态获取方法的流程图之一。如图1所示，电池健康状态获取方法可以包括以下步骤：
步骤101、接收第一电动设备的运行工况数据，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项。
第一电动设备可以为实际运行的任一电动设备。电动设备可以为电动汽车、电动两轮车、电动摩托、或无人机等。
一种可选实施方式中，第一电动设备可以周期性向电池健康状态获取设备发送自身的当前运行工况数据。在此实施方式中，第一电动设备可以在到达运行工况数据的周期发送时间时，向电池健康状态获取设备发送自身的当前运行工况数据。
另一种可选实施方式中，第一电动设备可以响应于用户指示向电池健康状态获取设备发送自身的当前运行工况数据。在此实施方式中，第一电动设备的用户若想知晓第一电动设备的电池的当前健康状态，可以在第一电动设备输入一指示信息，用于指示获取第一电动设备的电池的当前健康状态。第一电动设备可以响应于该指示信息，向电池健康状态获取设备发送自身的当前运行工况数据。
在本申请实施例中，所述第一电动设备的运行工况数据可以有如下表现形式：
表现形式1：所述第一电动设备的运行工况数据可以仅包括所述第一电动设备的充电工况数据；
表现形式2：所述第一电动设备的运行工况数据可以仅包括所述第一电动设备的放电工况数据或静置工况数据；
表现形式3：所述第一电动设备的运行工况数据可以包括所述第一电动设备的充电工况数据、放电工况数据和静置工况数据。
可以理解的是，所述第一电动设备的运行工况数据表现为表现形式2的原因可能包括以下至少任一项：
所述第一电动设备无充电工况数据上传，如：所述第一电动设备的电池(以下称为第一电池)充电时，需要从所述第一电动设备取出，在专用充电装置中进行充电；
所述第一电动设备禁止上传充电工况数据，如：出于隐私保护的考虑，用户禁止第一电动设备上传充电工况数据；
所述第一电动设备下电导致未上传充电工况数据；
所述第一电动设备漏传充电工况数据。
在实际应用中，所述第一电动设备的充电工况数据可以但不仅限于包括以下至少一项：所述第一电池的充电电流；所述第一电池的充电电压；所述第一电池的荷电状态(State Of Charge，SOC)区间，SOC区间也可以称为充电区间；所述第一电动设备的累计里程；所述第一电池的温度等。
所述第一电动设备的放电工况数据或静置工况数据可以但不仅限于包括以下至少一项：所述第一电动设备的累计里程；所述第一电池的温度等。
由上述内容可知，充电工况数据、放电工况数据和静置工况数据中可能存在相同类型的数据，如：累计里路程、电池温度等。
步骤102、根据所述第一电动设备的运行工况数据，确定第一特征参数。
在其中一种具体实现方式中，可以通过对所述第一电动设备的运行工况数据进行提取或处理，得到第一特征参数。可以理解地是，对于不同表现形式的所述第一电动设备的运行工况数据，所述第一特征参数的表现形式可以相同或不同，具体表现为：
对于上述表现形式1的所述第一电动设备的运行工况数据，所述第一特征参数基于所述第一电动设备的充电工况数据确定。
对于上述表现形式2的所述第一电动设备的运行工况数据，所述第一特征参数基于所述第一电动设备的放电工况数据或静置工况数据确定。
对于上述表现形式3的所述第一电动设备的运行工况数据，所述第一特征参数可以基于所述第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项确定。可以理解的是，在所述第一特征参数基于所述第一电动设备的充电工况数据、放电工况数据和静置工况数据确定的情况下，所述第一特征参数可以包括基于所述第一电动设备的充电工况数据确定的第一子特征参数，以及基于所述第一电动设备的放电工况数据或静置工况数据确定的第二子特征参数。
在本申请实施例中，基于所述第一电动设备的充电工况数据确定的特征参数可以但不仅限于包括以下至少一项：
所述第一电池的至少一个充电电压采样值(也可以称为所述第一电池的电压序列)；所述第一电池的开路电压(Open Circuit Voltage，OCV)曲线的斜率；所述第一电池的微分容量曲线的极大值以及所述极大值对应的电压(也可以称为所述第一电池的微分容量曲线峰值峰位)；第一时长，所述第一时长的起始时刻为所述第一电池从恒流充电转恒压充电的时刻(也可以称为恒流恒压(CCCV)变化点)，所述第一时长的终止时刻为所述第一电池充满电的时刻等。
在其中一种具体实现方式中，OCV曲线可以为SOC-OCV曲线。
基于所述第一电动设备的放电工况数据或静置工况数据确定的特征参数可以但不仅限于包括以下至少一项：
所述第一电动设备的累计里程；所述第一电池的累计充电量；所述第一电池的累计放电量；所述第一电池的累计充电量和累计放电量之和；所述第一电池的温度等。累计充电量、累计放电量，以及累计充电量和累计放电量之和，可以统称为容量吞吐量。
可以理解的是，放电工况数据和静置工况数据均属于无充电工况数据的情形，因此，基于所述第一电动设备的放电工况数据或静置工况数据确定特征参数的方式相同。
步骤103、将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量。
其中，所述第一最大可用容量用于指示所述第一电池的当前健康状态，所述第一电池为所述第一电动设备的电池。
在本申请实施例中，电池健康状态获取设备可以预先训练好两个模型，分别为第一模型和第二模型。所述第一模型和所述第二模型的输出均为电池的最大可用容量，但输入存在区别。
所述第一模型的输入为基于电动设备的充电工况数据确定的特征参数；所述第二模型的输入为基于电动设备的放电工况数据或静置工况数据确定的特征参数。基于模型的输入，可以理解地是，所述第一模型可以用于预测上传了充电工况数据的电动设备的电池的最大可用容量；所述第二模型可以用于预测未上传充电工况数据，即上传放电工况数据或静置工况数据的电动设备的电池的最大可用容量。
因此，在所述第一特征参数基于所述第一电动设备的充电工况数据确定的情况下，所述目标模型可以为上述第一模型。在此情况下，所述第一模型的输出即为所述第一电池的最大可用容量，即第一最大可用容量。
在所述第一特征参数基于所述第一电动设备的放电工况数据或静置工况数据确定的情况下，所述目标模型可以为上述第二模型。在此情况下，所述第二模型的输出即为第一最大可用容量。
在所述第一特征参数包括上述第一子特征参数和第二子特征参数的情况下，所述目标模型可以包括所述第一模型和所述第二模型。具体实现时，将所述第一子特征参数输入所述第一模型，得到第一个最大可用容量；将所述第二子特征参数输入所述第二模型，得到第二个最大可用容量。一种实现方式中，可以将上述两个最大可用容量的平均值确定为第一最大可用容量；另一种实现方式中，可以将上述两个最大可用容量的加权和确定为第一最大可用容量，基于不同模型预测得到的最大可用容量的权重值可以基于实际需求预先设定，如：可以将基于第一模型预测得到的最大可用容量的权重值设置为0.8；将基于第一模型预测得到的最大可用容量的权重值设置为0.2。
本实施例的电池健康状态获取方法，可以基于接收到的第一电动设备的运行工况数据，确定第一特征参数，其中，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项；之后，将所述第一特征参数输入匹配的目标模型中，通过目标模型预测得到所述第一电动设备的电池的最大可用容量，该最大可用容量用于指示所述第一电动设备的电池的当前健康状态。可见，本申请实施例可以利用电动设备的充电工况数据或放电工况数据或静置工况数据，借助目标模型实现对电动设备的电池的当前健康状态的准确预测，从而可以提高所述电动设备的使用可靠性。
在一些实施例中，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据；
所述第一特征参数包括以下至少一项：所述第一电池的至少一个充电电压采样值；所述第一电池的开路电压曲线(如SOC-OCV曲线)的斜率；所述第一电池的微分容量曲线的极大值以及所述极大值对应的电压；第一时长，所述第一时长的起始时刻为所述第一电池从恒流充电转恒压充电的时刻，所述第一时长的终止时刻为所述第一电池充满电的时刻；
所述目标模型为第一模型，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到，其中，所述第一电池、所述第二电池和所述第二电动设备的电池均为目标型号电池。
在本实施例中，所述第一特征参数基于所述第一电动设备的充电工况数据确定，所述第一特征参数可以视为所述第一电池的健康因子。
第二电池为用于老化循环测试的电池；第二电动设备为用于训练所述第一模型的电动设备，且所述第二电动设备为实际运行的电动设备。
进一步地，所述第二电动设备的电池、所述第一电动设备的电池以及所述第二电池可以为同一型号的电池，即目标型号电池。这样，利用基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到的第一模型，来预测第一电池的最大可用容量，可以提高第一电池的电池健康状态获取的可靠性。
电池的型号相同可以表现为电池的以下至少一项性能参数相同：容量；电芯材料；化学构成；化学材料等。如：所述第一电池、所述第二电池和所述第二电动设备的电池均为磷酸铁锂电池、三元电池、钴酸锂电池、钠离子电池或固态电池等。在其中一种具体实现方式中，所述第一电池、所述第二电池和所述第二电动设备的电池具体可以表现为：同一电化学体系的电池，或，同一产线上同一批次的电池，或，不同批次但性能参数接近或一致的电池。
以下对所述第一模型的训练进行具体说明。
在一些实施例中，所述将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量之前，所述方法还包括：
获取所述第二电池的老化循环测试数据；
获取所述第二电动设备的充电工况数据；
对所述第二电动设备的充电工况数据进行统计，得到统计结果，所述统计结果包括所述目标型号电池的实际充电区间和数据采样频率；
根据所述实际充电区间，对所述老化循环测试数据进行切分，得到第一测试数据；
根据所述数据采样频率，对所述第一测试数据进行重新采样，得到第二测试数据；
根据所述第二测试数据，确定第二特征参数，所述第二特征参数包括以下至少一项：所述第二电池的至少一个充电电压采样值；所述第二电池的开路电压曲线(如SOC-OCV曲线)的斜率；所述第二电池的微分容量曲线的极大值以及所述极大值对应的电压；第二时长，所述第二时长的起始时刻为所述第二电池从恒流充电转恒压充电的时刻，所述第二时长的终止时刻为所述第二电池充满电的时刻；
根据所述第二特征参数，以及所述第二电池的标定最大可用容量，训练所述第一模型。
老化循环测试数据为实验室开展的老化循环测试所采集的数据。在老化循环测试中，充电工况精准一致，对电池进行满充满放，即SOC区间为0～100％，且数据的采样频率较大，如100毫秒(ms)采集一次数据。
然而，对于实际运行的电动设备，其电池的充电工况变化多端，且噪声多，因此一般不能对电池进行满充满放，且数据的采样频率相对老化循环测试较小，如：SOC区间为30％～90％，采样频率为10秒(s)或30s采集一次数据。
在本实施例中，为使得第一模型可以准确预测实际运行的电动设备的电池健康状态，可以对所述第二电动设备的充电工况数据进行统计，以获取实际运行的电动设备的实际充电区间和数据采样频率。
之后，可以先利用实际运行的电动设备的实际充电区间，对所述老化循环测试数据进行切分，得到第一测试数据，可以理解地是，所述第一测试数据仅包括所述老化循环测试数据中位于所述实际充电区间的测试数据。再利用实际运行的电动设备的数据采样频率，对所述第一测试数据进行重新采样，得到第二测试数据。这样，可以保证第二测试数据的充电区间和数据采样频率与实际运行的电动设备的充电区间和数据采样频率保持一致，进而可以保证利用第二测试数据训练得到的第一模型，可以准确预测实际运行的电动设备的电池健康状态。
在获取到所述第二测试数据之后，可以对所述第二测试数据进行处理，得到第二特征参数，所述第二特征参数可以视为所述第二电池的健康因子。为提高第一模型的预测可靠性，所述第二特征参数包括的数据类型，与基于所述第一电动设备的充电工况数据确定的第一特征参数包括的数据类型可以相同。
之后，可以将所述第二特征参数作为所述第一模型的输入，将所述第二电池的标定最大可用容量作为所述第一模型的输出，对所述第一模型进行训练，直至所述第一模型收敛，得到训练好的第一模型。然后利用训练好的第一模型预测实际运行的电动设备的电池健康状态。
在本实施例，利用实际运行的电动设备的充电工况数据，确定目标型号电池的实际充电区间和数据采样频率，之后，利用实际充电区间和数据采样频率对第二电池的老化循环测试数据进行处理，得到第二测试数据。然后，利用基于第二测试数据确定的第二特征参数，以及所述第二电池的标定最大可用容量，训练所述第一模型。这样，可以使得第一模型可以利用实际运行的电动设备的充电工况数据，准确预测实际运行的电动设备中目标型号电池的健康状态。
在一些实施例中，所述第一电动设备的运行工况数据为所述第一电动设备的放电工况数据或静置工况数据；
所述第一特征参数包括以下至少一项：所述第一电动设备的累计里程；所述第一电池的累计充电量；所述第一电池的累计放电量；所述第一电池的累计充电量和累计放电量之和；所述第一电池的温度；
所述目标模型为第二模型，所述第二模型基于第三电动设备的充电工况数据以及第一模型训练得到；其中，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到；所述第一电池、所述第二电池、所述第二电动设备的电池和所述第三电动设备的电池均为目标型号电池。
在本实施例中，所述第一特征参数基于所述第一电动设备的放电工况数据或静置工况数据确定，所述第一特征参数可以视为所述第一电池的影响因子。
第三电动设备为用于训练所述第二模型的电动设备，且所述第三电动设备为实际运行的电动设备。
进一步地，所述第三电动设备的电池和所述第一电动设备的电池可以为同一型号的电池，即目标型号电池。这样，利用基于第三电动设备的充电工况数据以及第一模型训练得到的第二模型，来预测第一电池的最大可用容量，可以提高第一电池的电池健康状态获取的可靠性。
以下对所述第二模型的训练进行具体说明。
在一些实施例中，所述将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量之前，所述方法还包括：
获取所述第三电动设备的运行工况数据，所述第三电动设备的运行工况数据至少包括所述第三电动设备的充电工况数据；
根据所述第三电动设备的运行工况数据，确定第三特征参数和第四特征参数；
将所述第三特征信息输入所述第一模型，得到第三电池的第二最大可用容量，所述第三电池为所述第三电动设备的电池；
根据所述第四特征参数，以及所述第二最大可用容量，训练所述第二模型；
其中，所述第三特征参数包括以下至少一项：所述第三电池的至少一个充电电压采样值；所述第三电池的开路电压曲线(如SOC-OCV曲线)的斜率；所述第三电池的微分容量曲线的极大值以及所述极大值对应的电压；第三时长，所述第三时长的起始时刻为所述第三电池从恒流充电转恒压充电的时刻，所述第三时长的终止时刻为所述第三电池充满电的时刻；
所述第四特征参数包括以下至少一项：所述第三电动设备的累计里程，所述第三电池的累计充电量，所述第三电池的累计放电量，所述第三电池的累计充电量和累计放电量之和，所述第三电池的温度。
在本实施例中，所述第三特征参数基于所述第三电动设备的充电工况数据确定，所述第三特征参数可以视为所述第三电动设备的电池，即第三电动设备的第三电池的健康因子。为提高第二模型的预测可靠性，所述第三特征参数包括的数据类型，与基于所述第一电动设备的充电工况数据确定的第一特征参数包括的数据类型可以相同。
进一步地，所述第三电动设备的运行工况数据还可以包括所述第三电动设备的放电工况数据或静置工况数据。
所述第四特征参数可以基于所述第三电动设备的放电工况数据或静置工况数据确定，也可以基于所述第三电动设备的充电工况数据、放电工况数据和静置工况数据都存在的数据确定，所述第四特征参数可以视为第三电池的影响因子。为提高第二模型的预测可靠性，所述第四特征参数包括的数据类型，与基于所述第一电动设备的放电工况数据或静置工况数据确定的第一特征参数包括的数据类型可以相同。
在本实施例中，可以先将所述第三特征信息输入所述第一模型，通过所述第一模型预测得到第三电池的当前最大可用容量。之后，将第四特征参数作为第二模型的输入，将第三电池的当前最大可用容量作为第二模型的输出，训练所述第二模型。这样，可以使得第二模型可以利用实际运行的电动设备的放电工况数据或静置工况数据，准确预测实际运行的电动设备中目标型号电池的健康状态。
可以理解的是，本申请实施例中介绍的多种可选的实施例，在彼此不冲突的情况下可以相互结合实现，也可以单独实现，对此本申请实施例不作限定。
为了便于理解本申请实施例提供的电池健康状态获取方法，以下以一个具体的场景实施例对上述电池健康状态获取方法进行说明。
在本场景实施例中，云平台可以通过结合测试数据(实验室开展的老化循环测试所采集的数据)与实际运行工况数据(实际运行过程中电动设备的传感器采集的数据)，估计电池健康状态。针对实际工况与测试工况存在差异的情况，利用实际运行数据的统计结果对测试数据进行处理，构建机器学***台中存在大量充电数据缺失的情况(隐私不上传、下电不上传等)，构建了机器学习模型二(即前述第二模型)，实现全工况的健康状态估计。
对云平台接收的实际运行工况数据进行统计分析，通过统计结果对循环测试数据进行切片与重新采样(根据不同SOC区间、不同采样时间间隔等)，在处理后的循环数据中提取健康因子(如电压序列、SOC-OCV曲线斜率、微分容量曲线峰值峰位、CCCV变化点等)，并通过建立机器学习模型一，描述健康因子与标定容量(指老化循环测试中标定的当前额定容量)的回归关系，实现了实际充电工况的健康状态及时准确估计。
对于电池实际应用中可能不上传充电数据的情况，根据电化学机理，选取充放电工况中均存在的影响因子，如：电动设备的累计里程、电池的温度等，构建机器学习模型二，实现全工况的健康状态估计。
本申请实施例充分利用了测试数据的准确性，充分考虑了实际运行工况的多变性，基于机器学习方法，实现了电池实际应用全工况的健康状态及时准确估计，可以有效克服现有技术在实际运行工况中可计算情况少，更新不及时不准确的问题。
本申请实施例的整体思路如图2所示。通过实际充电工况对循环测试数据进行处理，进而提取实际应用时可计算的健康因子，构建与训练机器学习模型一，实现实际充电工况下的健康状态估计；提取实际应用全工况均存在的影响因子，构建与训练机器学习模型二，实现实际应用全工况下的健康状态估计。
具体实施流程如图3所示。包括：
S1、开展电池老化测试，获取测试数据；
S2、从大数据平台获取实车充电工况下的电池数据，获取电池工况统计值；
S3、根据实际充电工况统计值对测试数据进行多维度切片与重新采样，计算与提取充电曲线健康特征；
S4、基于Xgboost、神经网络等回归机器学习，利用步骤3特征与步骤1标准最大可用容量训练模型一；
S5、模型一大数据平台部署与应用，对有充电数据的电池进行及时准确最大可用容量估计；
S6、提取步骤5中电池数据，训练容量吞吐量、累积里程、温度等与最大可用容量的机器学习模型二；
S7、大数据平台部署与应用，实现对无充电数据上传或充电数据缺失的电池最大可用容量及时准确估计。
本申请实施例，对于已部署云平台的电动汽车、电动两轮车、无人机等产品，可以在不增加软硬件成本的前提下，达到如下有益效果：(1)提升电池健康状态估计结果的准确程度；(2)云平台海量电池健康状态估计结果的实时更新。
基于上述实施例提供的电池健康状态获取方法，相应地，本申请还提供了电池健康状态获取装置的具体实现方式。请参见以下实施例。
参见图4，本申请实施例提供的电池健康状态获取装置可以包括：
第一接收模块401，用于接收第一电动设备的运行工况数据，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项；
第一确定模块402，用于根据所述第一电动设备的运行工况数据，确定第一特征参数；
第一操作模块403，用于将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量；
其中，所述第一最大可用容量用于指示所述第一电池的当前健康状态，所述第一电池为所述第一电动设备的电池。
在一些实施例中，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据；
所述第一特征参数包括以下至少一项：所述第一电池的至少一个充电电压采样值；所述第一电池的开路电压曲线的斜率；所述第一电池的微分容量曲线的极大值以及所述极大值对应的电压；第一时长，所述第一时长的起始时刻为所述第一电池从恒流充电转恒压充电的时刻，所述第一时长的终止时刻为所述第一电池充满电的时刻；
所述目标模型为第一模型，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到，其中，所述第一电池、所述第二电池和所述第二电动设备的电池均为目标型号电池。
在一些实施例中，所述装置还包括：
第一获取模块，用于获取所述第二电池的老化循环测试数据；
第二获取模块，用于获取所述第二电动设备的充电工况数据；
统计模块，用于对所述第二电动设备的充电工况数据进行统计，得到统计结果，所述统计结果包括所述目标型号电池的实际充电区间和数据采样频率；
切分模块，用于根据所述实际充电区间，对所述老化循环测试数据进行切分，得到第一测试数据；
采样模块，用于根据所述数据采样频率，对所述第一测试数据进行重新采样，得到第二测试数据；
第二确定模块，用于根据所述第二测试数据，确定第二特征参数，所述第二特征参数包括以下至少一项：所述第二电池的至少一个充电电压采样值；所述第二电池的开路电压曲线(如SOC-OCV曲线)的斜率；所述第二电池的微分容量曲线的极大值以及所述极大值对应的电压；第二时长，所述第二时长的起始时刻为所述第二电池从恒流充电转恒压充电的时刻，所述第二时长的终止时刻为所述第二电池充满电的时刻；
第一训练模块，用于根据所述第二特征参数，以及所述第二电池的标定最大可用容量，训练所述第一模型。
在一些实施例中，所述第一电动设备的运行工况数据为所述第一电动设备的放电工况数据或静置工况数据；
所述第一特征参数包括以下至少一项：所述第一电动设备的累计里程，所述第一电池的累计充电量，所述第一电池的累计放电量，所述第一电池的累计充电量和累计放电量之和，所述第一电池的温度；
所述目标模型为第二模型，所述第二模型基于第三电动设备的充电工况数据以及第一模型训练得到；其中，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到；所述第一电池、所述第二电池、所述第二电动设备的电池和所述第三电动设备的电池均为目标型号电池。
在一些实施例中，所述装置还包括：
第三获取模块，用于获取所述第三电动设备的运行工况数据，所述第三电动设备的运行工况数据至少包括所述第三电动设备的充电工况数据；
第三确定模块，用于根据所述第三电动设备的运行工况数据，确定第三特征参数和第四特征参数；
第二操作模块，用于将所述第三特征信息输入所述第一模型，得到第三电池的第二最大可用容量，所述第三电池为所述第三电动设备的电池；
第二训练模块，用于根据所述第四特征参数，以及所述第二最大可用容量，训练所述第二模型；
其中，所述第三特征参数包括以下至少一项：所述第三电池的至少一个充电电压采样值；所述第三电池的开路电压曲线(如SOC-OCV曲线)的斜率；所述第三电池的微分容量曲线的极大值以及所述极大值对应的电压；第三时长，所述第三时长的起始时刻为所述第三电池从恒流充电转恒压充电的时刻，所述第三时长的终止时刻为所述第三电池充满电的时刻；
所述第四特征参数包括以下至少一项：所述第三电动设备的累计里程，所述第三电池的累计充电量，所述第三电池的累计放电量，所述第三电池的累计充电量和累计放电量之和，所述第三电池的温度。
本申请实施例提供的电池健康状态获取装置能够实现图1的方法实施例中电池健康状态获取装置实现的各个过程，为避免重复，这里不再赘述。
图5示出了本申请实施例提供的电池健康状态获取的硬件结构示意图。
在电池健康状态获取设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地，上述处理器501可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器502可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器502可在综合网关容灾设备的内部或外部。在特定实施例中，存储器502是非易失性固态存储器。
存储器可包括只读存储器(Read-Only Memory，ROM)，随机存取存储器(RandomAccess Memory，RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器501通过读取并执行存储器502中存储的计算机程序指令，以实现上述实施例中的任意一种电池健康状态获取方法。
在一个示例中，电池健康状态获取设备还可包括通信接口503和总线510。其中，如图5所示，处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者，将电池健康状态获取设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线510可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中的电池健康状态获取方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种电池健康状态获取方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的***、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (12)
1.一种电池健康状态获取方法，其特征在于，包括：
接收第一电动设备的运行工况数据，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项；
根据所述第一电动设备的运行工况数据，确定第一特征参数；
将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量；
其中，所述第一最大可用容量用于指示所述第一电池的当前健康状态，所述第一电池为所述第一电动设备的电池。
2.根据权利要求1所述的方法，其特征在于，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据；
所述第一特征参数包括以下至少一项：所述第一电池的至少一个充电电压采样值；所述第一电池的开路电压曲线的斜率；所述第一电池的微分容量曲线的极大值以及所述极大值对应的电压；第一时长，所述第一时长的起始时刻为所述第一电池从恒流充电转恒压充电的时刻，所述第一时长的终止时刻为所述第一电池充满电的时刻；
所述目标模型为第一模型，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到，其中，所述第一电池、所述第二电池和所述第二电动设备的电池均为目标型号电池。
3.根据权利要求2所述的方法，其特征在于，所述将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量之前，所述方法还包括：
获取所述第二电池的老化循环测试数据；
获取所述第二电动设备的充电工况数据；
对所述第二电动设备的充电工况数据进行统计，得到统计结果，所述统计结果包括所述目标型号电池的实际充电区间和数据采样频率；
根据所述实际充电区间，对所述老化循环测试数据进行切分，得到第一测试数据；
根据所述数据采样频率，对所述第一测试数据进行重新采样，得到第二测试数据；
根据所述第二测试数据，确定第二特征参数，所述第二特征参数包括以下至少一项：所述第二电池的至少一个充电电压采样值；所述第二电池的开路电压曲线的斜率；所述第二电池的微分容量曲线的极大值以及所述极大值对应的电压；第二时长，所述第二时长的起始时刻为所述第二电池从恒流充电转恒压充电的时刻，所述第二时长的终止时刻为所述第二电池充满电的时刻；
根据所述第二特征参数，以及所述第二电池的标定最大可用容量，训练所述第一模型。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述第一电动设备的运行工况数据为所述第一电动设备的放电工况数据或静置工况数据；
所述第一特征参数包括以下至少一项：所述第一电动设备的累计里程；所述第一电池的累计充电量；所述第一电池的累计放电量；所述第一电池的累计充电量和累计放电量之和；所述第一电池的温度；
所述目标模型为第二模型，所述第二模型基于第三电动设备的充电工况数据以及第一模型训练得到；其中，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到；所述第一电池、所述第二电池、所述第二电动设备的电池和所述第三电动设备的电池均为目标型号电池。
5.根据权利要求4所述的方法，其特征在于，所述将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量之前，所述方法还包括：
获取所述第三电动设备的运行工况数据，所述第三电动设备的运行工况数据至少包括所述第三电动设备的充电工况数据；
根据所述第三电动设备的运行工况数据，确定第三特征参数和第四特征参数；
将所述第三特征信息输入所述第一模型，得到第三电池的第二最大可用容量，所述第三电池为所述第三电动设备的电池；
根据所述第四特征参数，以及所述第二最大可用容量，训练所述第二模型；
其中，所述第三特征参数包括以下至少一项：所述第三电池的至少一个充电电压采样值；所述第三电池的开路电压曲线的斜率；所述第三电池的微分容量曲线的极大值以及所述极大值对应的电压；第三时长，所述第三时长的起始时刻为所述第三电池从恒流充电转恒压充电的时刻，所述第三时长的终止时刻为所述第三电池充满电的时刻；
所述第四特征参数包括以下至少一项：所述第三电动设备的累计里程，所述第三电池的累计充电量，所述第三电池的累计放电量，所述第三电池的累计充电量和累计放电量之和，所述第三电池的温度。
6.一种电池健康状态获取装置，其特征在于，包括：
第一接收模块，用于接收第一电动设备的运行工况数据，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据、放电工况数据和静置工况数据中的至少一项；
第一确定模块，用于根据所述第一电动设备的运行工况数据，确定第一特征参数；
第一操作模块，用于将所述第一特征参数输入与所述第一特征参数匹配的目标模型，得到第一电池的第一最大可用容量；
其中，所述第一最大可用容量用于指示所述第一电池的当前健康状态，所述第一电池为所述第一电动设备的电池。
7.根据权利要求6所述的装置，其特征在于，所述第一电动设备的运行工况数据包括所述第一电动设备的充电工况数据；
所述第一特征参数包括以下至少一项：所述第一电池的至少一个充电电压采样值；所述第一电池的开路电压曲线的斜率；所述第一电池的微分容量曲线的极大值以及所述极大值对应的电压；第一时长，所述第一时长的起始时刻为所述第一电池从恒流充电转恒压充电的时刻，所述第一时长的终止时刻为所述第一电池充满电的时刻；
所述目标模型为第一模型，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到，其中，所述第一电池、所述第二电池和所述第二电动设备的电池均为目标型号电池。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第一获取模块，用于获取所述第二电池的老化循环测试数据；
第二获取模块，用于获取所述第二电动设备的充电工况数据；
统计模块，用于对所述第二电动设备的充电工况数据进行统计，得到统计结果，所述统计结果包括所述目标型号电池的实际充电区间和数据采样频率；
切分模块，用于根据所述实际充电区间，对所述老化循环测试数据进行切分，得到第一测试数据；
采样模块，用于根据所述数据采样频率，对所述第一测试数据进行重新采样，得到第二测试数据；
第二确定模块，用于根据所述第二测试数据，确定第二特征参数，所述第二特征参数包括以下至少一项：所述第二电池的至少一个充电电压采样值；所述第二电池的开路电压曲线的斜率；所述第二电池的微分容量曲线的极大值以及所述极大值对应的电压；第二时长，所述第二时长的起始时刻为所述第二电池从恒流充电转恒压充电的时刻，所述第二时长的终止时刻为所述第二电池充满电的时刻；
第一训练模块，用于根据所述第二特征参数，以及所述第二电池的标定最大可用容量，训练所述第一模型。
9.根据权利要求6至8中任一项所述的装置，其特征在于，所述第一电动设备的运行工况数据为所述第一电动设备的放电工况数据或静置工况数据；
所述第一特征参数包括以下至少一项：所述第一电动设备的累计里程，所述第一电池的累计充电量，所述第一电池的累计放电量，所述第一电池的累计充电量和累计放电量之和，所述第一电池的温度；
所述目标模型为第二模型，所述第二模型基于第三电动设备的充电工况数据以及第一模型训练得到；其中，所述第一模型基于第二电池的老化循环测试数据、第二电动设备的充电工况数据和所述第二电池的标定最大可用容量训练得到；所述第一电池、所述第二电池、所述第二电动设备的电池和所述第三电动设备的电池均为目标型号电池。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于获取所述第三电动设备的运行工况数据，所述第三电动设备的运行工况数据至少包括所述第三电动设备的充电工况数据；
第三确定模块，用于根据所述第三电动设备的运行工况数据，确定第三特征参数和第四特征参数；
第二操作模块，用于将所述第三特征信息输入所述第一模型，得到第三电池的第二最大可用容量，所述第三电池为所述第三电动设备的电池；
第二训练模块，用于根据所述第四特征参数，以及所述第二最大可用容量，训练所述第二模型；
其中，所述第三特征参数包括以下至少一项：所述第三电池的至少一个充电电压采样值；所述第三电池的开路电压曲线的斜率；所述第三电池的微分容量曲线的极大值以及所述极大值对应的电压；第三时长，所述第三时长的起始时刻为所述第三电池从恒流充电转恒压充电的时刻，所述第三时长的终止时刻为所述第三电池充满电的时刻；
所述第四特征参数包括以下至少一项：所述第三电动设备的累计里程，所述第三电池的累计充电量，所述第三电池的累计放电量，所述第三电池的累计充电量和累计放电量之和，所述第三电池的温度。
11.一种电池健康状态获取设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求1至5中任意一项所述的在电池健康状态获取方法。
12.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1至5中任意一项所述的在电池健康状态获取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210708124.XA CN115184805A (zh) | 2022-06-21 | 2022-06-21 | 电池健康状态获取方法、装置、设备及计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210708124.XA CN115184805A (zh) | 2022-06-21 | 2022-06-21 | 电池健康状态获取方法、装置、设备及计算机程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115184805A true CN115184805A (zh) | 2022-10-14 |
Family
ID=83515674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210708124.XA Pending CN115184805A (zh) | 2022-06-21 | 2022-06-21 | 电池健康状态获取方法、装置、设备及计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115184805A (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104793144A (zh) * | 2015-03-31 | 2015-07-22 | 中国人民解放军92537部队 | 一种电池寿命快速检测方法 |
| US20160349331A1 (en) * | 2015-05-29 | 2016-12-01 | Foundation Of Soongsil University-Industry Cooperation | Charger having battery diagnosis function and method of driving the same |
| US20180136285A1 (en) * | 2016-11-16 | 2018-05-17 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| CN108445406A (zh) * | 2018-03-13 | 2018-08-24 | 桂林电子科技大学 | 一种动力电池健康状态估计方法 |
| CN109617058A (zh) * | 2018-12-17 | 2019-04-12 | 国网新疆电力有限公司经济技术研究院 | 微电网运行方法及装置 |
| 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*** |
| CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及*** |
| CN111448467A (zh) * | 2017-07-24 | 2020-07-24 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及*** |
| CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
| CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
| CN113189495A (zh) * | 2021-04-30 | 2021-07-30 | 重庆金康新能源汽车有限公司 | 一种电池健康状态的预测方法、装置及电子设备 |
| CN114035096A (zh) * | 2021-11-29 | 2022-02-11 | 东莞新能安科技有限公司 | 电化学装置soh评估方法、电子设备及电池*** |
| CN114290960A (zh) * | 2021-12-30 | 2022-04-08 | 中国第一汽车股份有限公司 | 获取动力电池的电池健康度的方法、装置和车辆 |
| CN114330150A (zh) * | 2022-03-15 | 2022-04-12 | 四川大学 | 一种电热传感器互校正的锂电池健康状态估计方法 |
| CN114491952A (zh) * | 2021-12-27 | 2022-05-13 | 宁波力斗智能技术有限公司 | 一种基于新型长短时记忆网络的锂电池剩余使用寿命预测方法 |
| US20230236261A1 (en) * | 2020-09-30 | 2023-07-27 | Byd Company Limited | Method and device for acquiring battery capacity, storage medium, and server |
-
2022
- 2022-06-21 CN CN202210708124.XA patent/CN115184805A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104793144A (zh) * | 2015-03-31 | 2015-07-22 | 中国人民解放军92537部队 | 一种电池寿命快速检测方法 |
| US20160349331A1 (en) * | 2015-05-29 | 2016-12-01 | Foundation Of Soongsil University-Industry Cooperation | Charger having battery diagnosis function and method of driving the same |
| US20180136285A1 (en) * | 2016-11-16 | 2018-05-17 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| CN111448467A (zh) * | 2017-07-24 | 2020-07-24 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及*** |
| CN108445406A (zh) * | 2018-03-13 | 2018-08-24 | 桂林电子科技大学 | 一种动力电池健康状态估计方法 |
| CN109617058A (zh) * | 2018-12-17 | 2019-04-12 | 国网新疆电力有限公司经济技术研究院 | 微电网运行方法及装置 |
| 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*** |
| CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及*** |
| CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
| US20230236261A1 (en) * | 2020-09-30 | 2023-07-27 | Byd Company Limited | Method and device for acquiring battery capacity, storage medium, and server |
| CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
| CN113189495A (zh) * | 2021-04-30 | 2021-07-30 | 重庆金康新能源汽车有限公司 | 一种电池健康状态的预测方法、装置及电子设备 |
| CN114035096A (zh) * | 2021-11-29 | 2022-02-11 | 东莞新能安科技有限公司 | 电化学装置soh评估方法、电子设备及电池*** |
| CN114491952A (zh) * | 2021-12-27 | 2022-05-13 | 宁波力斗智能技术有限公司 | 一种基于新型长短时记忆网络的锂电池剩余使用寿命预测方法 |
| CN114290960A (zh) * | 2021-12-30 | 2022-04-08 | 中国第一汽车股份有限公司 | 获取动力电池的电池健康度的方法、装置和车辆 |
| CN114330150A (zh) * | 2022-03-15 | 2022-04-12 | 四川大学 | 一种电热传感器互校正的锂电池健康状态估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周頔: "电动汽车锂电池健康状态在线估算方法研究", 中国博士学位论文全文数据库 工程科技Ⅱ辑, no. 01, 15 January 2021 (2021-01-15), pages 035 - 70 * |
| 龚贤武 等: "基于实车数据的电动汽车电池健康状态估计", 电源技术, vol. 45, no. 12, 31 December 2021 (2021-12-31), pages 1577 - 1580 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | A battery management system with a Lebesgue-sampling-based extended Kalman filter | |
| Li et al. | Online capacity estimation of lithium-ion batteries with deep long short-term memory networks | |
| CN109604186B (zh) | 动力电池性能柔性评估分选方法 | |
| 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 | |
| CN115343621B (zh) | 一种基于数据驱动的动力电池健康状态预测方法及设备 | |
| CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
| US20200139844A1 (en) | A battery state of power estimation method and a battery state monitoring system | |
| CN104237803B (zh) | 基于电池工况模拟的电动汽车电池电性能检测方法 | |
| Zhang et al. | Battery state estimation with a self-evolving electrochemical ageing model | |
| CN113022378A (zh) | 温度一致性预测方法、装置、预测设备及存储介质 | |
| CN113728242A (zh) | 对可充电电池中的析锂进行表征 | |
| CN115184807A (zh) | 电池的故障检测方法、装置、设备、介质和产品 | |
| CN116609676A (zh) | 一种基于大数据处理的混合储能电池状态监控方法及*** | |
| CN115759434A (zh) | 电池电量实时预测方法、***、计算机设备和存储介质 | |
| CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
| CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
| CN115267552A (zh) | 车辆电池健康状态评估方法、装置、设备及存储介质 | |
| CN115407211A (zh) | 一种电动汽车锂电池健康状态在线预测方法及*** | |
| EP4191733A1 (en) | Battery management system, calculation system, battery degradation prediction method, and battery degradation prediction program | |
| US20230236251A1 (en) | Arithmetic system, battery inspection method, and battery inspection program | |
| Han et al. | A new SOH prediction model for lithium-ion battery for electric vehicles | |
| CN115184805A (zh) | 电池健康状态获取方法、装置、设备及计算机程序产品 | |
| CN114002603B (zh) | 识别电芯的方法、装置及计算机存储介质 | |
| CN115291113A (zh) | 一种统一的锂离子电池soc、soh和rul的联合估计方法及*** |
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 |