CN116381494A - 电池最大可用容量预测方法、装置、电子设备及存储介质 - Google Patents
电池最大可用容量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116381494A CN116381494A CN202310357386.0A CN202310357386A CN116381494A CN 116381494 A CN116381494 A CN 116381494A CN 202310357386 A CN202310357386 A CN 202310357386A CN 116381494 A CN116381494 A CN 116381494A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- charging
- characteristic data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000007600 charging Methods 0.000 claims abstract description 127
- 230000006870 function Effects 0.000 claims abstract description 86
- 238000010801 machine learning Methods 0.000 claims abstract description 59
- 230000014759 maintenance of location Effects 0.000 claims abstract description 34
- 230000008878 coupling Effects 0.000 claims abstract description 30
- 238000010168 coupling process Methods 0.000 claims abstract description 30
- 238000005859 coupling reaction Methods 0.000 claims abstract description 30
- 238000010277 constant-current charging Methods 0.000 claims abstract description 16
- 238000010280 constant potential charging Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000007599 discharging Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000013450 outlier detection Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 description 45
- 230000008569 process Effects 0.000 description 20
- 230000036541 health Effects 0.000 description 17
- 238000012360 testing method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 6
- 230000001629 suppression Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000029264 phototaxis Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 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]
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供了一种电池最大可用容量预测方法、装置、电子设备及存储介质，该方法包括：基于电池的历史运行数据，获取电池的特征数据；特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征；利用预设的拟合函数，对特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系；将补偿后特征数据输入训练后的机器学习模型，通过训练后的机器学习模型预测电池的当前最大可用容量。本申请实施例即使是在复杂工况中，也能维持预测准确性，同时也能够维持较低的预测成本，从而同时兼顾了低成本与高准确性的要求。
Description
技术领域
本申请涉及新能源领域，具体涉及一种电池最大可用容量预测方法、装置、电子设备及存储介质。
背景技术
在新能源领域中，包括锂电池在内的各类电池常常用于新能源汽车和各类储能***中。然而，在电池的使用过程中，随着电池不断地进行充放电循环，其内部物理化学性质会出现不可逆的变化，这一变化会导致电池的最大可用容量出现不可逆的衰退现象，从而进一步地导致电池的剩余寿命降低，严重时还会影响电池使用的安全性能，因此预测电池的最大可用容量有着重要意义。相关技术在预测电池的最大可用容量时，面对复杂工况，难以同时兼顾低成本与高准确性的要求。
发明内容
本申请的一个目的在于提出一种电池最大可用容量预测方法、装置、电子设备及存储介质，即使是在复杂工况中，也能维持预测准确性，同时也能够维持较低的预测成本，兼顾了低成本与高准确性的要求。
根据本申请实施例的一方面，公开了一种电池最大可用容量预测方法，所述方法包括：
基于电池的历史运行数据，获取所述电池的特征数据；所述特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征；
利用预设的拟合函数，对所述特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，所述预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系；
将所述补偿后特征数据输入训练后的机器学习模型，通过所述训练后的机器学习模型预测所述电池的当前最大可用容量。
根据本申请实施例的一方面，公开了一种电池最大可用容量预测装置，所述装置包括：
特征数据获取模块，配置为基于电池的历史运行数据，获取所述电池的特征数据；所述特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征；
双补偿模块，配置为利用预设的拟合函数，对所述特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，所述预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系；
预测模块，配置为将所述补偿后特征数据输入训练后的机器学习模型，通过所述训练后的机器学习模型预测所述电池的当前最大可用容量。
在本申请的一示例性实施例中，所述历史运行数据包括充放电电流数据、充放电电压数据、充放电时间数据以及充放电温度数据；所述特征数据获取模块配置为：
根据所述充放电电流数据、所述充放电电压数据、所述充放电时间数据以及所述充放电温度数据，提取出所述恒流充电时间特征、所述恒压充电时间特征以及所述充电温升特征；
采用差分电压法对所述历史运行数据进行处理，提取得到多种电压差下的容量增量曲线特征数据集合；所述容量增量曲线特征数据集合包括每一种电压差下的容量增量曲线特征；
从所述容量增量曲线特征数据集合中筛选出目标容量增量曲线特征，以及所述目标容量增量曲线特征对应的电压差特征。
在本申请的一示例性实施例中，所述特征数据获取模块配置为：
计算每一种电压差下的容量增量曲线特征数据的熵值，所述熵值用于描述对应容量增量曲线特征数据的稳定程度；
将所述熵值最小的容量增量曲线特征，选取为所述目标容量增量曲线特征，并将所述目标容量增量曲线特征对应的电压差作为所述电压差特征。
在本申请的一示例性实施例中，所述装置配置为：
采用离群点检测算法对所述特征数据进行处理，剔除所述特征数据中的离群点。
在本申请的一示例性实施例中，所述装置配置为：
对所述特征数据包含的各个特征分别进行归一化处理。
在本申请的一示例性实施例中，所述装置配置为：
获取按照恒定电流进行充电时，用于描述充电温度与电池容量保持率之间耦合关系的第一函数；
获取按照恒定温度进行充电时，用于描述充电电流与电池容量保持率之间耦合关系的第二函数；
基于所述第一函数与所述第二函数之间的乘积，所述第一函数与所述第二函数之间的均值，构建得到所述拟合函数。
在本申请的一示例性实施例中，所述装置配置为：
将样本电池的补偿后特征数据输入所述机器学习模型，得到所述机器学习模型输出的所述样本电池的当前最大可用容量；所述样本电池的补偿后特征数据是利用所述拟合函数对所述样本电池的特征数据进行温度补偿以及电流补偿得到的；
基于所述样本电池的真实最大可用容量与所述样本电池的当前最大可用容量之间的偏差，构建得到适应度函数；
基于所述适应度函数构建的迭代停止条件，训练所述机器学习模型，得到训练后的机器学习模型。
根据本申请实施例的一方面，公开了一种电子设备，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时，使得所述电子设备实现以上任一项实施例中所提供的电池最大可用容量预测方法。
根据本申请实施例的一方面，公开了一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行以上任一项实施例中所提供的电池最大可用容量预测方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种实施例中提供的电池最大可用容量预测方法。
本申请实施例中，得到电池的特征数据后，利用用于描述电池的充电温度、充电电流与电池容量保持率之间的耦合关系的拟合函数，对特征数据进行温度补偿以及电流补偿，同时降低了充电温度和充电电流对于最大可用容量的影响。然后将补偿后特征数据输入训练后的机器学习模型，使得机器学习模型预测电池的当前最大可用容量的过程中，充电温度和充电电流造成的影响被降低，从而保证了预测所得的当前最大可用容量的准确性。即使是在复杂工况中，也能维持预测准确性，同时也能够维持较低的预测成本，从而同时兼顾了低成本与高准确性的要求。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
通过参考附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。
图1示出了根据本申请一个实施例的电池最大可用容量预测方法的流程图。
图2示出了根据本申请一个实施例的电池的充电温度、充电电流与电池容量保持率之间的耦合关系的示意图。
图3示出了根据本申请一个实施例的预测电池的健康状态的流程图。
图4示出了根据本申请一个实施例的对随机森林回归模型进行优化的流程图。
图5示出了根据本申请一个实施例的对随机森林回归模型进行训练以及测试的流程图。
图6示出了根据本申请一个实施例的电池最大可用容量预测装置的框图。
图7示出了根据本申请一个实施例的电子设备硬件图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本申请的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的示例实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
相关技术中通常采用如下方式预测电池的最大可用容量：
一、以传感器对电池直接测量得到的数据为基础，根据电池老化过程中的数据量变化直接预测电池的最大可用容量。这种方式虽然计算简单成本低，但无法对复杂工况下的电池的最大可用容量进行准确预测，实际中复杂工况下的使用误差很大。
二、以高等数学方法改进粒子滤波算法，然后根据改进后的粒子滤波算法，结合电池的内部模型，建立用于追踪最大可用容量的物理模型，然后采用该物理模型预测电池的最大可用容量。这种方式虽然预测准确性高，但是随着工况的复杂化，物理模型的建立难度也随之增大，从而导致复杂工况下的预测成本偏高。
综合上述相关技术提供的两种方式可见，相关技术在预测电池的最大可用容量时，面对复杂工况，难以同时兼顾低成本与高准确性的要求。
针对相关技术存在的上述缺陷，本申请提供了一种电池最大可用容量预测方法，即使面对复杂工况，也能够同时兼顾低成本与高准确性的要求。
本申请实施例提供的电池最大可用容量预测方法，可以应用于服务器或者控制终端。需要说明的是，电池可以是储能设备中的电池，也可以是用电设备中的电池。储能设备或者用电设备可以将电池的运行数据发送至服务器。或者，储能设备或者用电设备可以将电池的运行数据发送至控制终端。由服务器或者控制终端执行本实施例提供的方案，实现对电池最大可用容量的预测。
图1示出了本申请所提供的电池最大可用容量预测方法的流程图。参见图1，本申请所提供方法包括：
步骤S110、基于电池的历史运行数据，获取电池的特征数据；特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征。
本申请实施例中，历史运行数据指的是电池的以往充放电数据。在具体实现时，电池中配置有电池管理***，利用该电池管理***可以实现对储能设备的电池的充放电，且还可以在电池中配置模拟前端芯片，用于采集电池的电流、电压等。另外，还可以在电池上配置温度传感器用于采集电池的温度。电池在充放电过程中，可以由电池管理***将采集到的所有运行数据进行汇总后，发送给服务器或者控制终端。
可以理解的是，电池管理***采集得到电池对应的历史运行数据，可以将历史运行数据存储至预设的存储器中。服务器或者控制终端通过与电池所在的储能设备或者用电设备进行通信，进而读取电池的历史运行数据。
作为一个示例，基于电池的历史运行数据，计算得到以下所示的电池的特征数据：电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征。
其中，恒流充电时间特征主要用于描述以恒定电流将电池充至满电状态所花费的时间大小。恒压充电时间特征主要用于描述以恒定电压将电池充至满电状态所花费的时间大小。充电温升特征主要用于描述将电池充至满电状态过程中的电池温度上升高低。容量增量曲线特征与电压差特征通常绑定，特定电压差特征下的容量增量曲线特征，主要用于描述在该电压差特征所描述的电压差下，容量增量与充电电压之间的关联关系。容量增量曲线特征，又可称为IC曲线特征。
步骤S120、利用预设的拟合函数，对特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系。
区别于采用物理模型预测电池的最大可用容量的相关技术，本申请实施例采用机器学习模型预测电池的最大可用容量。具体的，电池的特征数据主要用作训练后的机器学习模型的输入，由训练后的机器学习模型根据电池的特征数据预测输出电池的最大可用容量。
但是本申请实施例在得到电池的特征数据之后，并不会直接将特征数据输入训练后的机器学习模型。原因在于，电池的最大可用容量除了受到使用时间的影响外，还会受到充电温度与充电电流的影响。基于此，本实施例中还利用了预设的拟合函数对特征数据进行温度补偿以及电流补偿。
图2示出了在一实施例中电池的充电温度、充电电流与电池容量保持率之间的耦合关系的示意图。由图2可见，电池容量保持率同时与充电温度与充电电流相关。而电池容量保持率描述的是，在测试环境下对电池循环充放电一定次数后满电状态的电量，与出厂时满电状态的电量之间的比值。也就是说，电池容量保持率与电池的最大可用容量息息相关。由此可见，电池的最大可用容量同时与充电温度与充电电流相关。
因此在得到电池的特征数据后，利用预设的用于描述充电温度、充电电流与电池容量保持率之间的耦合关系的拟合函数，对特征数据进行温度补偿以降低充电温度对电池的最大可用容量的影响，并对特征数据进行电流补偿以降低充电电流对电池的最大可用容量的影响，从而使得补偿后特征数据同时降低了充电温度和充电电流对于电池的最大可用容量的影响。
步骤S130、将补偿后特征数据输入训练后的机器学习模型，通过训练后的机器学习模型预测电池的当前最大可用容量。
需要说明的是，一般情况下，是在电池出厂后并使用一段时间时，预测其最大可用容量。电池出厂后并使用一段时间时的最大可用容量，通常低于电池出厂时的最大可用容量，并且，电池出厂时的最大可用容量，通常被称为额定最大可用容量。为了与额定最大可用容量进行区分，本申请中将待预测的最大可用容量称为当前最大可用容量。
在本实施例中，将得到的补偿后特征数据输入训练后的机器学习模型，由训练后的机器学习模型根据补偿后特征数据预测电池的当前最大可用容量。由于补偿后特征数据同时降低了充电温度和充电电流对于最大可用容量的影响，因此，机器学习模型预测电池的当前最大可用容量的过程中，充电温度和充电电流造成的影响被降低，从而保证了预测所得的当前最大可用容量的准确性。由于以特征数据驱动机器学习模型进行预测的这一过程中，特征数据的处理适用于各种工况，因此即使是在复杂工况中，也能维持预测准确性。
并且，由于采用机器学习模型进行预测时，无需考虑电池物理上复杂的内部模型，因此本申请实施例的实施难度几乎不会随着工况的复杂化而增大，因此即使处于复杂工况，本申请实施例也能够维持较低的预测成本。
概括来说，本申请实施例中，得到电池的特征数据后，利用用于描述电池的充电温度、充电电流与电池容量保持率之间的耦合关系的拟合函数，对特征数据进行温度补偿以及电流补偿，同时降低了充电温度和充电电流对于最大可用容量的影响。然后将补偿后特征数据输入训练后的机器学习模型，使得机器学习模型预测电池的当前最大可用容量的过程中，充电温度和充电电流造成的影响被降低，从而保证了预测所得的当前最大可用容量的准确性。即使是在复杂工况中，也能维持预测准确性，同时也能够维持较低的预测成本，从而同时兼顾了低成本与高准确性的要求。
在一实施例中，历史运行数据包括充放电电流数据、充放电电压数据、充放电时间数据以及充放电温度数据。相应地，步骤S110，包括：
根据充放电电流数据、充放电电压数据、充放电时间数据以及充放电温度数据，提取出恒流充电时间特征、恒压充电时间特征以及充电温升特征。
采用差分电压法对历史运行数据进行处理，提取得到多种电压差下的容量增量曲线特征数据集合；容量增量曲线特征数据集合包括每一种电压差下的容量增量曲线特征。
从容量增量曲线特征数据集合中筛选出目标容量增量曲线特征，以及目标容量增量曲线特征对应的电压差特征。
本实施例中，采集得到的历史运行数据包括充放电电流数据、充放电电压数据、充放电时间数据以及充放电温度数据。具体的，充放电电流数据主要用于描述电池充放电过程中的电流大小。充放电电压数据主要用于描述电池充放电过程中的电压大小。充放电时间数据主要用于描述电池充放电过程中的时间轴信息。充放电温度数据主要用于描述电池充放电过程中的温度高低。
进一步地，结合充放电电流数据与充放电时间数据，即可提取出主要用于描述以恒定电流将电池充至满电状态所花费的时间大小的恒流充电时间特征。结合充放电电压数据与充放电时间数据，即可提取出主要用于描述以恒定电压将电池充至满电状态所花费的时间大小的恒压充电时间特征。结合充放电温度数据与充放电时间数据，即可提取出主要用于描述将电池充至满电状态过程中的电池温度上升高低的充电温升特征。
对于这些历史运行数据，采用差分电压法对其进行处理，从中提取出多种电压差下，随充电电压而变化的容量增量特征数据。其中，容量增量特征数据可记为dQ/dV，Q为充电量，V为充电电压。即，容量增量特征数据可视为充电量Q对充电电压V的求导值。
每一种电压差下的随充电电压而变化的容量增量特征数据，即为对应电压差下的容量增量曲线特征。多种电压差各自对应的容量增量曲线特征汇集在一起，便得到容量增量曲线特征数据集合。
考虑到并非每一种电压差下的随充电电压而变化的容量增量特征均适合作为机器学习模型的输入，故对容量增量曲线特征数据集合进行筛选，从中筛选出符合模型输入要求的目标容量增量曲线特征，并确定目标容量增量曲线特征对应的电压差特征。
需要说明的是，在提取容量增量曲线特征(即，IC曲线特征)的过程中，差分电压法的使用，避免了传统IC曲线特征提取过程中由于使用复杂滤波算法而带来的对算力的高需求，从而提高了IC曲线特征的提取效率。
在一实施例中，从容量增量曲线特征数据集合中筛选出目标容量增量曲线特征，以及目标容量增量曲线特征对应的电压差特征，包括：
计算每一种电压差下的容量增量曲线特征数据的熵值，熵值用于描述对应容量增量曲线特征数据的稳定程度。
将熵值最小的容量增量曲线特征，选取为目标容量增量曲线特征，并将目标容量增量曲线特征对应的电压差作为电压差特征。
本实施例中，为了保证特征数据的稳定性，计算每一种电压差下的容量增量曲线特征数据的熵值。熵值越小，对应的容量增量曲线特征数据越稳定。反之，熵值越大，对应的容量增量曲线特征数据越不稳定。
然后将熵值最小的容量增量曲线特征选取为待输入机器学习模型的目标容量增量曲线特征，并将目标容量增量曲线特征对应的电压差作为待输入机器学习模型的电压差特征。
在一实施例中，在获取电池的特征数据步骤之后，本申请所提供方法还包括：
采用离群点检测算法对特征数据进行处理，剔除特征数据中的离群点。
本实施例中，考虑到正常情况下，同一电池的特征数据通常呈聚集性分布。若某一特征数据脱离群体，说明该特征数据很可能是异常数据。因此，为保证输入机器学习模型的特征数据的质量，将每一个特征数据作为一个数据点，采用离群点检测算法对特征数据进行处理，检测出特征数据中的离群点，然后将离群点剔除。
在一实施例中，采用LOF(Local Outlier Factor，局部离群因子)算法对特征数据进行离群点检测。具体的，采用如下所示的公式对特征数据进行离群点检测：
其中，Nk(p)表示点p的k距离邻域；o为Nk(p)邻域内的某一点；lrdk(p)表示点p的局部可达密度；lrdk(o)表示点o的局部可达密度；LOFk(p)表示点p的第k局部离群因子。LOFk(p)的值越是大于1，便说明p点的密度越小于其周围点的密度，p点越可能是离群点；反之，LOFk(p)的值越是小于1，便说明p点的密度越大于其周围点的密度，p点越可能是正常点。
在一实施例中，在获取电池的特征数据步骤之后，本申请所提供方法还包括：
对特征数据包含的各个特征分别进行归一化处理。
本实施例中，为保证预测准确性不因数据尺度的差异而降低，对特征数据包含的各个特征分别进行归一化处理。即，对恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征分别进行归一化处理，从而在统一的数据尺度下对这些特征数据进行处理，保证预测准确性。
在一实施例中，采用Min_Max算法对特征数据进行归一化处理。具体的，采用如下所示的公式对特征数据进行归一化处理：
其中，x表示待归一化的特征数据；xmin表示特征数据中最小的数值；xmax表示特征数据中最大的数值；xnorm表示归一化后的特征数据。
在一实施例中，本申请所提供方法还包括：
获取按照恒定电流进行充电时，用于描述充电温度与电池容量保持率之间耦合关系的第一函数。
获取按照恒定温度进行充电时，用于描述充电电流与电池容量保持率之间耦合关系的第二函数。
基于第一函数与第二函数之间的乘积，第一函数与第二函数之间的均值，构建得到拟合函数。
本实施例中，采取控制变量的方式，构建出用于描述电池的充电温度、充电电流与电池容量保持率之间的耦合关系的拟合函数。
具体的，控制电池的充电电流恒定，然后获取不同充电温度下的电池容量保持率，进而在此基础上构建得到用于描述充电温度与电池容量保持率之间耦合关系的第一函数。
同理，控制电池的充电温度恒定，然后获取不同充电电流下的电池容量保持率，进而在此基础上构建得到用于描述充电电流与电池容量保持率之间耦合关系的第二函数。
然后，通过对第一函数与第二函数进行作乘以及作均值的方式，将第一函数与第二函数进行耦合，从而构建得到用于描述电池的充电温度、充电电流与电池容量保持率之间的耦合关系的拟合函数。
作为一个示例，将充电电流的倍率取为定值0.5，构建得到用于描述充电温度与电池容量保持率之间耦合关系的第一函数D(x,0.5)，x表示充电温度：
D(x,0.5)＝-9.191e-05·x3-0.002755·x2+0.6307·x+84.37
将充电温度的倍率取为定值5，构建得到用于描述充电电流与电池容量保持率之间耦合关系的第二函数D(5,y)，y表示充电电流：
D(5,y)＝-6.141·y3+22.83·y2-27.49·y+100.8
然后对这两个函数取均值，得到：
然后结合这两个函数的乘积和均值，构建得到用于描述电池的充电温度、充电电流与电池容量保持率之间的耦合关系的拟合函数D(x,y)：
可以理解的是，上述示例中涉及的所有数值均是根据电池同一材料的电芯进行实际测算所标定的数值。在具体实现时，可以通过对不同材料的电芯进行多次测算，并汇总得到相关的实验数据，汇总成表后便于查询与选用。这里，由于在具体实现时，本领域技术人员可以根据实际选用的电芯不同，实测并标定不同数值的参数，进而构建第一函数与第二函数，以及实现将第一函数与第二函数进行耦合，故此处不再对上述示例中的实际测算所标定的数值进行赘述。
在一实施例中，本申请所提供方法还包括：
将样本电池的补偿后特征数据输入机器学习模型，得到机器学习模型输出的样本电池的当前最大可用容量；样本电池的补偿后特征数据是利用拟合函数对样本电池的特征数据进行温度补偿以及电流补偿得到的。
基于样本电池的真实最大可用容量与样本电池的当前最大可用容量之间的偏差，构建得到适应度函数。
基于适应度函数构建的迭代停止条件，训练机器学习模型，得到训练后的机器学习模型。
本实施例中，样本电池指的是训练机器学习模型时所使用的电池。
得到样本电池的特征数据后，即得到样本电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征后，利用用于描述充电温度、充电电流与电池容量保持率之间的耦合关系的拟合函数，对样本电池的特征数据进行温度补偿以及电流补偿，得到样本电池的补偿后特征数据。
然后将样本电池的补偿后特征数据输入机器学习模型，得到机器学习模型输出的样本电池的当前最大可用容量。
机器学习模型在训练完毕之前，其输出的样本电池的当前最大可用容量通常是不准确的。为了使得机器学习模型能够输出准确的结果，计算样本电池的真实最大可用容量与机器学习模型输出的样本电池的当前最大可用容量之间的偏差。其中，样本电池的真实最大可用容量是已知的。
然后基于计算所得的偏差，构建得到作为衡量模型性能优劣的适应度函数。然后基于适应度函数，构建得到机器学习模型的迭代停止条件，进而迭代训练机器学习模型，直到满足迭代停止条件停止训练机器学习模型，得到训练后的机器学习模型。
在一实施例中，机器学习模型是使用随机森林回归算法构建得到的随机森林回归模型。在这种情况下，对随机森林回归模型进行迭代训练，主要是迭代优化随机森林回归模型的这两个模型参数：随机森林树木量参数和随机森林节点数参数。
优选的，采用飞蛾扑火算法迭代优化随机森林回归模型。具体的，构建得到适应度函数后，基于适应度函数构建飞蛾扑火算法的迭代停止条件，然后采用飞蛾扑火算法，对随机森林回归模型的随机森林树木量参数和随机森林节点数参数进行迭代调整，以训练和优化随机森林回归模型。
在一实施例中，使用随机森林回归算法构建机器学习模型，得到待训练的随机森林回归模型。然后将样本电池的补偿后特征数据输入随机森林回归模型，得到随机森林回归模型输出的样本电池的当前最大可用容量，进而根据如下公式计算得到随机森林回归模型预测结果对应的样本电池的当前健康状态SOHm：
SOHm＝样本电池的当前最大可用容量/样本电池的额定最大可用容量
然后将随机森林回归模型预测结果对应的样本电池的当前健康状态SOHm与样本电池的真实健康状态SOHz进行作差，取绝对值，构建得到适应度函数δ＝|SOHm-SOHz|。然后基于该适应度函数构建飞蛾扑火算法的迭代停止条件，然后采用飞蛾扑火算法，对随机森林回归模型的随机森林树木量参数和随机森林节点数参数进行迭代调整，以训练和优化随机森林回归模型。
其中，样本电池的真实健康状态SOHz，是根据如下公式，由样本电池的真实最大可用容量计算得到的：
SOHz＝样本电池的真实最大可用容量/样本电池的额定最大可用容量
需要说明的是，由于电池的健康状态SOH＝(电池的当前最大可用容量/电池的额定最大可用容量)*100％，并且电池的额定最大可用容量在出厂时通常是固定且已知的，因此按照本申请所提供方法预测电池的最大可用容量的处理逻辑，可以直接转用于预测电池的健康状态。
具体的，图3示出了本申请一实施例中预测电池的健康状态的流程图。
参见图3，在一实施例中，针对样本电池的历史运行数据进行数据清洗，以将其中重复的数据、包含无效值的数据剔除掉。
然后从清洗后的历史运行数据中，提取得到样本电池的以下特征数据：恒流充电时间特征、恒压充电时间特征、充电温升特征、IC曲线特征以及电压差特征。具体的，IC曲线特征以及电压差特征，是采用差分电压法，提取得到多种电压差下的IC曲线特征数据。进一步的，在提取得到多种电压差下的IC曲线特征后，计算每一种电压差下的IC曲线特征数据的熵值，然后将熵值最小的筛选出来。
然后对样本数据的特征数据进行双补偿处理、剔除离群点处理以及归一化处理。具体的，双补偿处理指的是，利用预设的用于描述充电温度、充电电流与电池容量保持率之间的耦合关系的拟合函数，对样本电池的特征数据进行温度补偿以及电流补偿。剔除离群点处理指的是，采用LOF算法对样本电池的特征数据进行离群点检测，进而剔除其中的离群点。归一化处理指的是，采用Min-Max算法对样本电池的特征数据进行归一化处理。
在完成双补偿处理、剔除离群点处理以及归一化处理后，采用样本数据的特征数据对随机森林回归模型进行优化以及训练。具体的，将样本电池的特征数据记为x，得到待输入机器学习模型的输入向量X＝{x1,x2,…,xm}，m代表训练样本量。然后将输入向量X转化为随机森林回归模型所需的输入序列格式，输入随机森林回归模型，得到随机森林回归模型输出的预测结果Y＝{C1,C2,…,Cm}，C代表模型预测的当前健康状态。然后根据样本电池的真实健康状态与当前健康状态之间的偏差，对随机森林回归模型进行优化，直到随机森林回归模型能够准确地预测样本电池的健康状态，完成模型训练。其中，样本电池的真实健康状态是采用如下方式计算得到的：从样本电池的特征数据中提取出任意一个循环下的完整充电电流数据，然后使用安时积分法计算得到样本电池的真实最大可用容量，进而计算得到样本电池的真实健康状态。
对随机森林回归模型完成优化以及训练后，将训练后的随机森林回归模型投入使用，去预测各类工况中电池的健康状态。
图4示出了本申请一实施例中对随机森林回归模型进行优化的流程图。
参见图4，在一实施例中，采用飞蛾扑火算法对随机森林回归模型进行优化。
具体的，步骤S1：进行参数初始化。这里，参数初始化是为了确定飞蛾种群的规模、变量维度、最大迭代次数等参数。
然后根据初始化后的参数，执行步骤S2：在所求范围内求解飞蛾个***置，随机生成飞蛾位置。在具体实现时，还可以同时建立初始飞蛾矩阵。在每一次的迭代过程中，执行步骤S3：根据飞蛾个体的适应度值，驱使飞蛾搜索更新火焰。也即搜索适应度更佳的火焰，并把适应度较差的火焰舍弃。
由于该过程会使得火焰量逐渐减少，因此当留下最后一个火焰时，飞蛾会集中飞到该火焰附近，并在该火焰收敛。
根据构建的适应度函数，计算并更新飞蛾个体的适应度值，依据适应度值大小将飞蛾个体顺序进行组合排序，同时将排序信息传递到火焰，实时更新火焰信息。由于飞蛾个体具有趋光性，因此如果锁定火焰，飞蛾由当前位置在指定区域内以螺旋式飞行方式捕捉火焰。终点位置是火焰的位置。再次更新飞蛾个体的适应度值，利用更新结果，将适应度值与火焰进行比较，选择适应度最好的结果赋值给火焰。
在驱使飞蛾搜索更新火焰后，执行步骤S4：判断搜索更新后的火焰是否满足终止条件。
若满足终止条件，则执行步骤S8：得到并输出随机森林树木量参数和随机森林节点数参数。
若不满足终止条件，则执行步骤S5：更新火焰量和火焰位置，再次迭代驱使飞蛾搜索更新火焰，同时执行步骤S6：迭代次数K加一，直到满足终止条件。再执行步骤S7：判断迭代次数K达到最大迭代次数Kmax。若是，则执行步骤S8：得到并输出随机森林树木量参数和随机森林节点数参数。
图5示出了本申请一实施例中对随机森林回归模型进行训练以及测试的流程图。
参见图5，在一实施例中，设置有4个样本电池。将样本电池的特征数据进行双补偿处理、剔除离群点处理以及归一化处理后，将第1个样本电池的特征数据作为训练集，将其他3个样本电池的特征数据作为测试集。
采用训练集对随机森林回归模型完成训练后，将测试集中的测试数据输入随机森林回归模型，得到测试集对应的预测结果。然后使用均方根误差公式评估随机森林回归模型的测试结果，均方根误差公式如下：
其中，RMSE表示均方根误差；m表示测试数据的长度；k表示测试数据的循环数序号；yk表示测试数据的真实健康状态；
表示模型预测的当前健康状态。
在一实施例中，设置有4个样本电池。使用第1个样本电池的特征数据作为训练集训练得到随机森林回归模型，使用其他3个样本电池的特征数据作为测试集对随机森林回归模型进行测试。
为验证双补偿对于模型效果的影响，设置了两种训练测试方式。第一种方式中：先对这4个样本电池的特征数据均进行温度补偿以及电流补偿后，再训练以及测试随机森林回归模型。第二种方式中：不对这4个样本电池的特征数据进行温度补偿以及电流补偿，直接训练以及测试随机森林回归模型。
下表1示出了第一种方式对应的先进行双补偿在训练所得模型的预测结果的误差，下表2示出了第二种方式对应的不进行双补偿直接训练所得模型的预测结果的误差。
表1.先进行双补偿再训练所得模型的预测结果的误差
| 样本电池 | RMSE/％ |
| 2 | 1.01 |
| 3 | 0.88 |
| 4 | 0.63 |
表2.不进行双补偿直接训练所得模型的预测结果的误差
| 样本电池 | RMSE/％ |
| 2 | 1.94 |
| 3 | 2.03 |
| 4 | 2.16 |
图6示出了根据本申请一实施例的电池最大可用容量预测装置的框图，所述装置包括：
特征数据获取模块210，配置为基于电池的历史运行数据，获取所述电池的特征数据；所述特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征；
双补偿模块220，配置为利用预设的拟合函数，对所述特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，所述预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系；
预测模块230，配置为将所述补偿后特征数据输入训练后的机器学习模型，通过所述训练后的机器学习模型预测所述电池的当前最大可用容量。
在本申请的一示例性实施例中，所述历史运行数据包括充放电电流数据、充放电电压数据、充放电时间数据以及充放电温度数据；所述特征数据获取模块配置为：
根据所述充放电电流数据、所述充放电电压数据、所述充放电时间数据以及所述充放电温度数据，提取出所述恒流充电时间特征、所述恒压充电时间特征以及所述充电温升特征；
采用差分电压法对所述历史运行数据进行处理，提取得到多种电压差下的容量增量曲线特征数据集合；所述容量增量曲线特征数据集合包括每一种电压差下的容量增量曲线特征；
从所述容量增量曲线特征数据集合中筛选出目标容量增量曲线特征，以及所述目标容量增量曲线特征对应的电压差特征。
在本申请的一示例性实施例中，所述特征数据获取模块配置为：
计算每一种电压差下的容量增量曲线特征数据的熵值，所述熵值用于描述对应容量增量曲线特征数据的稳定程度；
将所述熵值最小的容量增量曲线特征，选取为所述目标容量增量曲线特征，并将所述目标容量增量曲线特征对应的电压差作为所述电压差特征。
在本申请的一示例性实施例中，所述装置配置为：
采用离群点检测算法对所述特征数据进行处理，剔除所述特征数据中的离群点。
在本申请的一示例性实施例中，所述装置配置为：
对所述特征数据包含的各个特征分别进行归一化处理。
在本申请的一示例性实施例中，所述装置配置为：
获取按照恒定电流进行充电时，用于描述充电温度与电池容量保持率之间耦合关系的第一函数；
获取按照恒定温度进行充电时，用于描述充电电流与电池容量保持率之间耦合关系的第二函数；
基于所述第一函数与所述第二函数之间的乘积，所述第一函数与所述第二函数之间的均值，构建得到所述拟合函数。
在本申请的一示例性实施例中，所述装置配置为：
将样本电池的补偿后特征数据输入所述机器学习模型，得到所述机器学习模型输出的所述样本电池的当前最大可用容量；所述样本电池的补偿后特征数据是利用所述拟合函数对所述样本电池的特征数据进行温度补偿以及电流补偿得到的；
基于所述样本电池的真实最大可用容量与所述样本电池的当前最大可用容量之间的偏差，构建得到适应度函数；
基于所述适应度函数构建的迭代停止条件，训练所述机器学习模型，得到训练后的机器学习模型。
下面参考图7来描述根据本申请实施例的电子设备30。图7显示的电子设备30仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，电子设备30以通用计算设备的形式表现。电子设备30的组件可以包括但不限于：上述至少一个处理单元310、上述至少一个存储单元320、连接不同***组件(包括存储单元320和处理单元310)的总线330。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1中所示的各个步骤。
存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备30也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备30交互的设备通信，和/或与使得该电子设备30能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。输入/输出(I/O)接口350与显示单元340相连。并且，电子设备30还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器360通过总线330与电子设备30的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述方法实施例部分描述的方法。
根据本申请的一个实施例，还提供了一种用于实现上述方法实施例中的方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如JAVA、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种电池最大可用容量预测方法，其特征在于，所述方法包括：
基于电池的历史运行数据，获取所述电池的特征数据；所述特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征；
利用预设的拟合函数，对所述特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，所述预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系；
将所述补偿后特征数据输入训练后的机器学习模型，通过所述训练后的机器学习模型预测所述电池的当前最大可用容量。
2.根据权利要求1所述的方法，其特征在于，所述历史运行数据包括充放电电流数据、充放电电压数据、充放电时间数据以及充放电温度数据；
所述基于电池的历史运行数据，获取所述电池的特征数据，包括：
根据所述充放电电流数据、所述充放电电压数据、所述充放电时间数据以及所述充放电温度数据，提取出所述恒流充电时间特征、所述恒压充电时间特征以及所述充电温升特征；
采用差分电压法对所述历史运行数据进行处理，提取得到多种电压差下的容量增量曲线特征数据集合；所述容量增量曲线特征数据集合包括每一种电压差下的容量增量曲线特征；
从所述容量增量曲线特征数据集合中筛选出目标容量增量曲线特征，以及所述目标容量增量曲线特征对应的电压差特征。
3.根据权利要求2所述的方法，其特征在于，所述从所述容量增量曲线特征数据集合中筛选出目标容量增量曲线特征，以及所述目标容量增量曲线特征对应的电压差特征，包括：
计算每一种电压差下的容量增量曲线特征数据的熵值，所述熵值用于描述对应容量增量曲线特征数据的稳定程度；
将所述熵值最小的容量增量曲线特征，选取为所述目标容量增量曲线特征，并将所述目标容量增量曲线特征对应的电压差作为所述电压差特征。
4.根据权利要求1所述的方法，其特征在于，在所述获取所述电池的特征数据步骤之后，所述方法还包括：
采用离群点检测算法对所述特征数据进行处理，剔除所述特征数据中的离群点。
5.根据权利要求1所述的方法，其特征在于，在所述获取所述电池的特征数据步骤之后，所述方法还包括：
对所述特征数据包含的各个特征分别进行归一化处理。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取按照恒定电流进行充电时，用于描述充电温度与电池容量保持率之间耦合关系的第一函数；
获取按照恒定温度进行充电时，用于描述充电电流与电池容量保持率之间耦合关系的第二函数；
基于所述第一函数与所述第二函数之间的乘积，所述第一函数与所述第二函数之间的均值，构建得到所述拟合函数。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将样本电池的补偿后特征数据输入所述机器学习模型，得到所述机器学习模型输出的所述样本电池的当前最大可用容量；所述样本电池的补偿后特征数据是利用所述拟合函数对所述样本电池的特征数据进行温度补偿以及电流补偿得到的；
基于所述样本电池的真实最大可用容量与所述样本电池的当前最大可用容量之间的偏差，构建得到适应度函数；
基于所述适应度函数构建的迭代停止条件，训练所述机器学习模型，得到训练后的机器学习模型。
8.一种电池最大可用容量预测装置，其特征在于，所述装置包括：
特征数据获取模块，配置为基于电池的历史运行数据，获取所述电池的特征数据；所述特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征；
双补偿模块，配置为利用预设的拟合函数，对所述特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，所述预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系；
预测模块，配置为将所述补偿后特征数据输入训练后的机器学习模型，通过所述训练后的机器学习模型预测所述电池的当前最大可用容量。
9.一种电子设备，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时，使得所述电子设备实现如权利要求1至7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，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310357386.0A CN116381494A (zh) | 2023-03-30 | 2023-03-30 | 电池最大可用容量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310357386.0A CN116381494A (zh) | 2023-03-30 | 2023-03-30 | 电池最大可用容量预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116381494A true CN116381494A (zh) | 2023-07-04 |
Family
ID=86976394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310357386.0A Pending CN116381494A (zh) | 2023-03-30 | 2023-03-30 | 电池最大可用容量预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116381494A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116540108A (zh) * | 2023-07-06 | 2023-08-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
| CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
| CN117031291A (zh) * | 2023-07-06 | 2023-11-10 | 福建时代星云科技有限公司 | 一种电池充电可用容量检测的方法与终端 |
-
2023
- 2023-03-30 CN CN202310357386.0A patent/CN116381494A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116540108A (zh) * | 2023-07-06 | 2023-08-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
| CN117031291A (zh) * | 2023-07-06 | 2023-11-10 | 福建时代星云科技有限公司 | 一种电池充电可用容量检测的方法与终端 |
| CN116540108B (zh) * | 2023-07-06 | 2023-12-15 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
| CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
| CN116846040B (zh) * | 2023-08-31 | 2023-11-14 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN116381494A (zh) | 电池最大可用容量预测方法、装置、电子设备及存储介质 | |
| Zhang et al. | An on-line estimation of battery pack parameters and state-of-charge using dual filters based on pack model | |
| Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
| 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 | |
| CN113219343A (zh) | 基于弹性网的锂电池健康状态预测方法、***、设备及介质 | |
| Li et al. | State‐of‐health prediction for lithium‐ion batteries via electrochemical impedance spectroscopy and artificial neural networks | |
| CN112433907B (zh) | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 | |
| WO2023184824A1 (zh) | 电池簇荷电状态的估计方法及***、电子设备及存储介质 | |
| Bockrath et al. | State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries | |
| CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
| CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
| CN114755582A (zh) | 一种环境温度不同时锂离子电池健康状态预估方法 | |
| CN112180258A (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及*** | |
| CN114839538A (zh) | 一种提取锂离子电池退化特征用于估计剩余寿命的方法 | |
| KR20240015240A (ko) | 신경망 모델 뱅크를 기반으로 하는 리튬 배터리의 온라인 충전 상태 및 건강 상태 추정 방법 및 시스템 | |
| CN116796623A (zh) | 锂电池soc的预测方法、***、设备和介质 | |
| CN114660461A (zh) | 电池健康状态的评估方法、装置、电子设备和存储介质 | |
| Wu et al. | Remaining useful life prediction of Lithium-ion batteries based on PSO-RF algorithm | |
| CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及*** | |
| CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及*** | |
| CN117129879B (zh) | 阈值调整方法和电池健康状态预测模型的训练方法 | |
| CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
| CN117310538A (zh) | 一种电量剩余转化效率自检测的储能电池电量监控*** |
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 |