CN116774057B - 一种训练电池寿命预测模型和预测电池寿命的方法及装置 - Google Patents

Abstract

本公开属于电池状态评估技术领域，具体涉及一种训练电池寿命预测模型的方法、装置及一种预测电池寿命的方法、装置。所述预测电池寿命的方法包括：获取储能电池簇中的每个单体电池的预设特征数据；将所述特征数据输入电池寿命分组模型对所述单体电池进行实时寿命分组；将所述特征数据输入与所述寿命分组对应的剩余电池容量回归预测模型预测所述单体电池的剩余电池容量；如果所述单体电池的剩余电池容量和初始电池容量的比值小于第二预设阈值，则将所述特征数据输入电池衰退预测模型预测所述单体电池是否衰退，基于所述单体电池是否衰退确定对所述单体电池的处理策略。本公开提供的预测方法适应于储能电池寿命周期的各个阶段并且计算复杂度小。

Description

一种训练电池寿命预测模型和预测电池寿命的方法及装置

技术领域

本公开属于电池状态评估技术领域，具体涉及一种训练电池寿命预测模型的方法、装置及一种预测电池寿命的方法、装置。

背景技术

伴随着电池使用次数和充放电循环次数的增加，电池性能会下降，容量通常会降低，安全性也会大幅下降。因此，电池寿命，也就是电池剩余充放电循环使用次数，是电池健康管理的重要指标，对电池寿命的准确预测能极大地保证储能电站的安全运行。电池寿命也可以用剩余电池容量来表征，剩余电池容量是第n次充放电循环时的电池容量，n为电池衰退后的充放电总循环次数。

深度学习或机器学习模型已经被业界普遍用于构建储能电池寿命预测模型。但是，储能电池在寿命周期每一阶段的影响因子和衰退速率有所不同，构建储能电池的寿命预测模型需要大批量的电池实验数据，实际测量和考虑的特征维度也非常多，直接使用深度学习或机器学习模型会由于参数过大而容易造成模型过拟合问题，或因为计算复杂度很高而无法落地。因此业界也发展了适用于储能电池寿命周期特定阶段的电池寿命预测模型和降维手段以减少计算复杂度。但是此种预测模型在于储能电池寿命周期的其他阶段的表现严重劣化，降维方法也过于主观。

发明内容

本公开实施例提出了一种训练电池寿命预测模型和预测电池寿命的方案，以解决利用现有电池寿命预测模型预测电池寿命复杂度过高或无法适用于储能电池寿命周期各个阶段的问题。

本公开实施例的第一方面提供了一种训练电池寿命预测模型的方法，包括：

采集多个电池容量循环退化的历史测试数据，在所述历史测试数据中筛选出反映电池退化信息的最终特征；

获取所述最终特征中每条记录对应的所述电池的剩余电池容量和初始电池容量，基于所述剩余电池容量和所述初始电池容量的比值对所述记录对应的电池寿命分组，以所述记录为样本，以所述记录对应的所述电池寿命分组为标签，对双向LSTM神经网络模型进行训练以建立电池寿命分组模型；

基于所述电池寿命分组中的每个记录和与所述记录对应的剩余电池容量，用回归模型获取回归参数，建立所述电池寿命分组的剩余电池容量回归预测模型；

分别获取所述最终特征中电池处于衰退状态和非衰退状态的的记录，以所述记录为样本，以所述记录对应的所述电池的衰退状态为标签，对GRU神经网络模型进行训练以建立电池衰退预测模型。

在本公开的一些实施例中，所述采集多个电池容量循环退化的历史测试数据包括：

根据历史衰退的实验单体电池数据，按预设时间间隔获取前k次充放电后的所述电池特征变量实测值，其中，k为不大于n的自然数，n为电池衰退后的充放电总循环次数；

记录预设事件及相应的严重等级，其中，所述预设事件是可以导致电池寿命发生衰退的事件。

在本公开的一些实施例中，所述在所述历史测试数据中筛选出反映电池退化信息的最终特征包括：

对所述电池特征变量实测值进行归一化，计算所述特征变量之间的相关性，在相关性大于预设阈值的两个所述特征变量之间保留特征信息值更大的所述特征变量从而获得第一有效特征变量，在所述第一有效特征变量中删除多重共线性变量从而获得第二有效特征变量；

在所述第二有效特征变量中利用逐步回归模型提取出反映电池退化信息的最终特征。

在本公开的一些实施例中，所述基于所述剩余电池容量和所述初始电池容量的比值对所述记录对应的电池寿命分组包括：

如果所述记录对应的所述电池的剩余电池容量和所述初始电池容量的比值不小于第一预设阈值，则所述记录对应的电池寿命分组为可靠寿命组；

如果所述记录对应的所述电池的剩余电池容量和所述初始电池容量的比值小于所述第一预设阈值且不小于第二预设阈值，则所述记录对应的电池寿命分组为中位寿命组；

如果所述记录对应的所述电池的剩余电池容量和所述初始电池容量的比值小于所述第二预设阈值，则所述记录对应的电池寿命分组为低位寿命组。

在本公开的一些实施例中，所述分别获取所述最终特征中电池处于衰退状态和非衰退状态的的记录包括：

在所述最终特征中获取对应于所述电池第一次和第次充放电后的记录，其中n为电池衰退后的充放电总循环次数；

在所述最终特征中获取对应于所述电池第n次充放电后的记录。

在本公开的一些实施例中，所述方法还包括：

当衰退电池数量超过预设阈值时，基于所述衰退电池的特征数据更新所述最终特征，并基于更新后的所述最终特征更新所述电池寿命分组模型、所述剩余电池容量回归预测模型和所述电池衰退预测模型。

本公开实施例的第二方面提供了一种训练电池寿命预测模型的装置，包括：

特征提取模块，用于采集多个电池容量循环退化的历史测试数据，在所述历史测试数据中筛选出反映电池退化信息的最终特征；

电池寿命分组模型训练模块，用于获取所述最终特征中每条记录对应的所述电池的剩余电池容量和初始电池容量，基于所述剩余电池容量和所述初始电池容量的比值对所述记录对应的电池寿命分组，以所述记录为样本，以所述记录对应的所述电池寿命分组为标签，对双向LSTM神经网络模型进行训练以建立电池寿命分组模型；

剩余电池容量回归预测模型建立模块，用于基于所述电池寿命分组中的每个记录和与所述记录对应的剩余电池容量，用回归模型获取回归参数，建立所述电池寿命分组的剩余电池容量回归预测模型；

电池衰退预测模型训练模块，用于分别获取所述最终特征中电池处于衰退状态和非衰退状态的的记录，以所述记录为样本，以所述记录对应的所述电池的衰退状态为标签，对GRU神经网络模型进行训练以建立电池衰退预测模型。

本公开实施例的第三方面提供了一种预测电池寿命的方法，其特征在于，包括：

获取储能电池簇中的每个单体电池的预设特征数据，将所述特征数据输入根据本公开第一方面所述方法训练的电池寿命分组模型对所述单体电池进行实时寿命分组；

将所述特征数据输入与所述寿命分组对应的剩余电池容量回归预测模型预测所述单体电池的剩余电池容量，其中，所述剩余电池容量回归预测模型根据本公开第一方面所述方法建立；

如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，则将所述特征数据输入本公开第一方面所述方法训练的电池衰退预测模型预测所述单体电池是否衰退，基于所述单体电池是否衰退确定对所述单体电池的处理策略。

在本公开的一些实施例中，所述基于所述电池是否衰退确定对所述电池的处理策略包括：

如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，并且所述单体电池已经衰退，则触发低寿命红色预警以及与所述红色预警相对应的单体电池更换操作；

如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，并且所述单体电池尚未衰退，则触发低寿命黄色预警以及与所述黄色预警相对应的单体电池维护操作。

本公开实施例的第四方面提供了一种预测电池寿命的装置，包括：

电池寿命分组模块，用于获取储能电池簇中的每个单体电池的预设特征数据，将所述特征数据输入根据本公开第一方面所述方法训练的电池寿命分组模型对所述单体电池进行实时寿命分组；

剩余电池容量预测模块，用于将所述特征数据输入与所述寿命分组对应的剩余电池容量回归预测模型预测所述单体电池的剩余电池容量，其中，所述剩余电池容量回归预测模型根据本公开第一方面所述方法建立；

衰退预测模块，用于如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，则将所述特征数据输入根据本公开第一方面所述方法训练的电池衰退预测模型预测所述单体电池是否衰退，基于所述单体电池是否衰退确定对所述单体电池的处理策略。

综上所述，本公开各实施例提供的训练电池寿命预测模型的方法，预测电池寿命的方法、训练电池寿命预测模型的装置和预测电池寿命的装置，通过将回归模型与深度学习模型融合，首先利用共线性筛选和逐步回归客观有效的筛选出最佳特征变量，然后基于最佳特征变量使用电池寿命分组模型评估储能电池在寿命周期所处的阶段，选择与所处阶段对应的回归模型预测储能电池的剩余电池容量，最后再用衰退预测模型评估剩余电池容量接近阈值的储能电池是否衰退，通过3个预测模型的组合可以实现在储能电池寿命周期的各个阶段对储能电池寿命的精准、精确预测。同时所述回归模型基于寿命周期的不同阶段分别建立，所述电池寿命分组模型和所述衰退预测模型训练所需的特征维度极大减少，因此计算复杂度大为减少。

附图说明

通过参考附图会更加清楚的理解本公开的特征和优点，附图是示意性的而不应理解为对本公开进行任何限制，在附图中：

图1是根据本公开的一些实施例所示的一种训练电池寿命预测模型的方法流程图；

图2是根据本公开的一些实施例所示的一种训练电池寿命预测模型的装置示意图；

图3是根据本公开的一些实施例所示的一种预测电池寿命的方法流程图；

图4是根据本公开的一些实施例所示的一种预测电池寿命的装置示意图。

具体实施方式

在下面的详细描述中，通过示例阐述了本公开的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本公开显而易见的可以在没有这些细节的情况下实施。应当理解的是，本公开中使用“***”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。

应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本公开所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。

本公开所用术语仅为了描述特定实施例，而非限制本公开范围。如本公开说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。

参看下面的说明以及附图，本公开的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本公开的保护范围。可以理解的是，附图并非按比例绘制。

本公开中使用了多种结构图用来说明根据本公开的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本公开。本公开的保护范围以权利要求为准。

本公开实施例提供了一种训练电池寿命预测模型的方法，如图1所示，所述方法包括：

S110，采集多个电池容量循环退化的历史测试数据，在所述历史测试数据中提取反映电池退化信息的最终特征。

具体的，首先进行步骤1。

步骤1：根据历史衰退的实验单体电池数据，获取前k次充放电后的相关特征变量实测值，k=1,…,n。n为电池最终寿命（电池衰退后的充放电总循环次数）。

采集数据包括：

实时测量数据：初始电池容量、初始内阻、第k次充放电的最小电压、最大电压、平均电压、放电深度、电池最高温度、最低温度、平均温度、储能电站内的环境温度、充电满度、最大电流、最小电流、平均电流、最大内阻、最小内阻、温度x时间的平均值、放电总时长、放电平均时长；第k次充放电后的内阻值、电解液浓度、电池容量、SOH值，存入剩余寿命数值表。

事件记录：记录可能对寿命产生一定衰减的特定事件及严重等级，如短路、漏电、过/欠压、过载、过功率、过/欠频等，存入录波事件记录表。

最终采集的特征变量包括但不限于下述特征变量：

特征1，初始电池容量

特征2，初始电池内阻

特征3，第k次充放电的最大电压,k=1,…,n

特征4，第k次充放电的最小电压,k=1,…,n

特征5，第k次充放电的平均电压,k=1,…,n

特征6，第k次充放电的最大电流,k=1,…,n

特征7，第k次充放电的最小电流,k=1,…,n

特征8，第k次充放电的平均电流,k=1,…,n

特征9，第k次充放电的最大温度,k=1,…,n

特征10，第k次充放电的最小温度,k=1,…,n

特征11，第k次充放电的平均温度,k=1,…,n

特征12，第k次充放电的环境温度,k=1,…,n

特征13，前k次放电的最大放电深度,k=1,…,n

特征14，前k次充电的最大充电满度,k=1,…,n

特征15，前k次充放电过程中温度x时间的平均值,k=1,…,n

特征16，前k次放电总时长,k=1,…,n

特征17，前k次放电平均时长,k=1,…,n

特征18，第k次充放电后的电池内阻值,k=1,…,n

特征19，第k次充放电后的电池容量值,k=1,…,n

特征20，第k次充放电后的电池SOH值,k=1,…,n

特征21，第k次充放电的电池内阻极差,k=1,…,n

特征22，第k次充放电的电池容量极差,k=1,…,n

特征23，第k次充放电后的电池内电解液浓度,k=1,…,n

特征24，特定事件严重等级数值

接着进行步骤2。

步骤2：根据步骤1的所有特征利用相关系数和变量优劣性算法筛选获取有效特征变量。具体如下：

利用min-max标准化函数将所有特征数据进行归一化处理，记归一化后的矩阵为，

其中n为样本总数，m1为特征总数。

利用pearson相关系数计算特征间的相关性程度，相关性取值范围为[-1,1]，其中正值代表正相关，负值代表负相关，绝对值越大说明变量之间的相关性越强。

设置相关性阈值Cr，当相关系数绝对值大于Cr时，认为两个变量之间的相关性极强，然后利用特征信息值IV来计算两个变量的优劣，删除IV值更小的变量以保留更优的变量，IV的计算公式如下：

，

其中是第j个特征变量的正例样本数量占比，/>是第j个特征变量的负例样本数量占比。

接着进行步骤3：

步骤3：根据步骤2得到的有效特征继续利用方差膨胀因子算法来删除多重共线性变量。具体如下：

假设经过步骤2提取的有效特征有m2个，对应的矩阵为：

利用方差膨胀因子VIF计算变量之间的共线性，具体计算如下：

记第j个特征变量的方差膨胀因子：。

其中是回归可决系数：以特征变量/>为因变量，其他自变量为特征变量。其计算公式为：/>。

其中是变量/>的残差平方和，/>是/>的总平方和。/>是第j个特征的第i个样本的预测值（以第j个特征为因变量，其他特征为自变量），/>是第j个特征的样本平均值。

设置共线性阈值变量Vmax。先计算所有特征的VIF，当存在某个（些）特征的VIF>=Vmax，则说明存在严重多重共线性，直接删除其中VIF最大的特征。然后再用剩余特征继续计算所有特征的VIF，若还存在某个（些）特征的VIF>=Vmax，则继续删除其中VIF最大的特征。如此循环，直到剩余所有特征的VIF都小于Vmax才停止计算（即认为剩余特征不存在多重共线性）。

接着进行步骤4。

步骤4：根据步骤3得到的有效特征继续利用逐步回归模型获得有价值的特征变量，同时得到剩余电池容量预测模型M1。具体如下：

假设经过步骤3删除后提取的有效特征有m3个，矩阵为：

记剩余电池容量与所有特征之间的回归方程为：

其中Ck是第k次充放电后的电池容量，是特征/>的回归系数，β是衰退速率，C0是初始电池容量。

步骤4.1，首先使用向前法逐一将每个特征根据上述线性回归方程加入回归模型，并计算加入后的模型AIC值，设置AIC变化阈值，当AIC减小数值大于/>则加入该特征。

步骤4.2，每当新加入的特征数量达到3个且总特征数超过5个时，则对模型进行一次向后法删除特征。即设置显著性阈值和变化阈值/>，当特征显著性值小于/>或AIC减小值小于/>，则剔除使得特征减少后AIC值最大的特征。

步骤4.3，循环4.1和4.2，直到没有新特征可加入且没有特征可筛选剔除。

步骤4.4，根据4.1至4.3得到剩余有价值的特征和回归模型M1，记提取出的衡量电池健康指标的价值特征矩阵为：

，

其中m4是经过筛选后剩余的价值特征数量。

步骤4.5，利用模型M1获取电池剩余容量预测值并存入剩余寿命数值表，然后根据预测值和实际值获得电池剩余容量差值，记为，利用差值对模型M1进行调整，具体如下：

利用电池容量差值得到每个特征的最大方差模量，

其中是第k行记录中电池剩余容量的预测值和实际值之差，/>是/>的均值，/>是/>的方差。设置数据合理阈值区间：/>；然后遍历所有数据记录（即对每行记录进行扫描是否在数据合理区间），如果/>不在对应合理区间内则直接剔除该条数据记录。

S120，获取所述最终特征中每条记录对应的所述电池的剩余电池容量和初始电池容量，基于所述剩余电池容量和所述初始电池容量的比值对所述记录对应的电池寿命分组，以所述记录为样本，以所述记录对应的所述电池寿命分组为标签，对双向LSTM神经网络模型进行训练以建立电池寿命分组模型。

具体的，根据步骤4得到的最终特征数据继续利用双向LSTM神经网络模型来训练获取寿命分组模型M2，预测标签为2：可靠寿命组、1：中位寿命组和0：低寿命组。

设经过步骤4删除后提取的有效记录有n2个，矩阵为：

首先根据电池剩余容量大小将电池分为可靠寿命组（记为2，SOH>=90%）、中位寿命组（记为1，80%<=SOH<90%）和低寿命组（记为0，SOH<80%），其中SOH=剩余电池容量/初始电池容量x100%，然后根据电池历史数据所处的阶段对电池分类打标签，并存入剩余寿命数值表。根据相关特征向量利用双向LSTM神经网络模型来进行训练测试：先设置预期准确率目标为P1，在模型准确率超过预设阈值P1时停止训练，将得到的模型作为寿命分组模型M2，若模型准确率未超过预设阈值，则增加训练样本或调整神经网络模型训练参数，并重新训练模型，直至模型准确率超过预设阈值。

S130，基于所述电池寿命分组中的每个记录和与所述记录对应的剩余电池容量，用回归模型获取回归参数，建立所述电池寿命分组的剩余电池容量回归预测模型。

具体的，用特征向量根据寿命分组用回归模型进行计算，获取回归参数。建立优化后的剩余电池容量回归预测模型:M11(可靠寿命组)、M12(中位寿命组)和M13(低寿命组)。

S140，分别获取所述最终特征中电池处于衰退状态和非衰退状态的的记录，以所述记录为样本，以所述记录对应的所述电池的衰退状态为标签，对GRU神经网络模型进行训练以建立电池衰退预测模型。

具体的，根据步骤4得到的最终特征继续利用GRU神经网络模型来训练电池衰退预测模型M3，预测标签为：1：衰退，0：未衰退。

保留历史衰退电池相关特征中的第1行、第/>（即n/2向上取整）行和第n行（n为充放电循环次数，也即寿命），（k=1,/> ,n），得到：/>

其中，第1行、第行为所述电池处于非衰退状态的的记录，第n行为所述电池处于衰退状态的的记录，

根据利用GRU神经网络模型来进行训练测试：先设置预期准确率目标为P2，在模型准确率超过预设阈值P2时停止训练，将得到的模型作为电池衰退预测模型M3，若模型准确率未超过预设阈值，则增加训练样本或调整神经网络模型训练参数，并重新训练模型，直至模型准确率超过预设阈值。

在本公开的一些实施例中，设置模型自动更新的数量阈值T，当衰退电池数量超过T时，则将新数据加入到原有训练集并重新训练，得到迭代优化后的模型M1、M2和M3。

图2是根据本公开的一些实施例所示的一种训练电池寿命预测模型的装置示意图。如图2所示，所述训练电池寿命预测模型的装置200包括特征提取模块210、电池寿命分组模型训练模块220、剩余电池容量回归预测模型建立模块230、电池衰退预测模型训练模块240。其中：

特征提取模块210，用于采集多个电池容量循环退化的历史测试数据，在所述历史测试数据中提取反映电池退化信息的最终特征；

电池寿命分组模型训练模块220，用于获取所述最终特征中每条记录对应的所述电池的剩余电池容量和初始电池容量，基于所述剩余电池容量和所述初始电池容量的比值对所述记录对应的电池寿命分组，以所述记录为样本，以所述记录对应的所述电池寿命分组为标签，对双向LSTM神经网络模型进行训练以建立电池寿命分组模型；

剩余电池容量回归预测模型建立模块230，用于基于所述电池寿命分组中的每个记录和与所述记录对应的剩余电池容量，用回归模型获取回归参数，建立所述电池寿命分组的剩余电池容量回归预测模型；

电池衰退预测模型训练模块240，用于分别获取所述最终特征中电池处于衰退状态和非衰退状态的的记录，以所述记录为样本，以所述记录对应的所述电池的衰退状态为标签，对GRU神经网络模型进行训练以建立电池衰退预测模型。

本公开实施例提供了一种预测电池寿命的方法，如图3所示，所述方法包括：

S310，获取储能电池簇中的每个单体电池的预设特征数据，将所述特征数据输入根据S120所述方法训练的电池寿命分组模型对所述单体电池进行实时寿命分组。

S320，将所述特征数据输入与所述寿命分组对应的剩余电池容量回归预测模型预测所述单体电池的剩余电池容量，其中，所述剩余电池容量回归预测模型根据S130所述方法建立。

S330，如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，则将所述特征数据输入根据S140所述方法训练的电池衰退预测模型预测所述单体电池是否衰退，基于所述单体电池是否衰退确定对所述单体电池的处理策略。

具体的，对于储能电池簇，先利用上述寿命分组模型M2获取单体电池的实时寿命分组，然后利用对应分组下的回归预测模型M13（假设寿命分组为低寿命组）预测电池簇每个单体电池的实时剩余电池容量。若剩余电池容量占比超过80%，则不做任何操作。若剩余电池容量占比小于80%，则利用电池衰退预测模型M3对所述单体电池是否衰退进行预测，若预测结果为衰退，则认为电池不能继续使用，***自动进行低寿命红色预警，并短信告知工作人员立即更换电池；若预测结果为未衰退，则***自动进行黄色预警，并短信告知工作人员及时关注或更换电池。电池更换后不直接废弃，而是继续放在实验环境下进行充放电，先预设电池衰退容量阈值C0（根据实际情况确定，这里设置为电池正常工作的最低电池容量70%），直到电池容量预测值小于阈值C0，则确定电池衰退，其最终使用寿命为L次充放电（假如上次充放电是第L次）。

衰退预测主要是考虑到电池在低寿命组的时候容量空间还很大的，剩余电池容量预测会不准确，所以补充衰退预测来减少低电量误报率，从而能够充分利用电池容量和极大化的使用电池。

在本公开的一些实施例中，为了能够使得整个电池簇的剩余循环使用寿命长度延长，我们通过让电池簇各电池均衡放电来实现均衡控制。即对于电池组的每一个单体电池根据SOH来均衡调度：对于SOH较大的电池以较大电流放电从而加速SOH衰减），SOH较小的电池以较小电流放电从而减缓SOH衰减）。

图4是根据本公开的一些实施例所示的一种预测电池寿命的装置示意图。如图4所示，所述预测电池寿命的装置400包括电池寿命分组模块410、剩余电池容量预测模块420和衰退预测模块430。其中：

电池寿命分组模块410，用于获取储能电池簇中的每个单体电池的预设特征数据，将所述特征数据输入根据S120所述方法训练的电池寿命分组模型对所述单体电池进行实时寿命分组；

剩余电池容量预测模块420，用于将所述特征数据输入与所述寿命分组对应的剩余电池容量回归预测模型预测所述单体电池的剩余电池容量，其中，所述剩余电池容量回归预测模型根据S130所述方法建立；

衰退预测模块430，用于如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，则将所述特征数据输入根据S140所述方法训练的电池衰退预测模型预测所述单体电池是否衰退，基于所述单体电池是否衰退确定对所述单体电池的处理策略。

综上所述，本公开各实施例提供的训练电池寿命预测模型的方法，预测电池寿命的方法、训练电池寿命预测模型的装置和预测电池寿命的装置，通过将回归模型与深度学习模型融合，首先利用共线性筛选和逐步回归客观有效的筛选出最佳特征变量，然后基于最佳特征变量使用电池寿命分组模型评估储能电池在寿命周期所处的阶段，选择与所处阶段对应的回归模型预测储能电池的剩余电池容量，最后再用衰退预测模型评估剩余电池容量接近阈值的储能电池是否衰退， 通过3个预测模型的组合可以实现在储能电池寿命周期的各个阶段对储能电池寿命的精准、精确预测。同时所述回归模型基于寿命周期的不同阶段分别建立，所述电池寿命分组模型和所述衰退预测模型训练所需的特征维度极大减少，因此计算复杂度大为减少。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述装置实施例中的对应描述，在此不再赘述。

尽管此处所述的主题是在结合操作***和应用程序在计算机***上的执行而执行的一般上下文中提供的，但本领域技术人员可以认识到，还可结合其他类型的程序模块来执行其他实现。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解，此处所述的本主题可以使用其他计算机***配置来实践，包括手持式设备、多处理器***、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等，也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中，程序模块可位于本地和远程存储器存储设备的两者中。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

应当理解的是，本公开的上述具体实施方式仅仅用于示例性说明或解释本公开的原理，而不构成对本公开的限制。因此，在不偏离本公开的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。此外，本公开所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (9)

1.一种训练电池寿命预测模型的方法，其特征在于，包括：

采集多个电池容量循环退化的历史测试数据，在所述历史测试数据中筛选出反映电池退化信息的最终特征；

获取所述最终特征中每条记录对应的所述电池的剩余电池容量和初始电池容量，基于所述剩余电池容量和所述初始电池容量的比值对所述记录对应的电池寿命分组，以所述记录为样本，以所述记录对应的所述电池寿命分组为标签，对双向LSTM神经网络模型进行训练以建立电池寿命分组模型；

基于所述电池寿命分组中的每个记录和与所述记录对应的剩余电池容量，用回归模型获取回归参数，建立所述电池寿命分组的剩余电池容量回归预测模型；

分别获取所述最终特征中电池处于衰退状态和非衰退状态的记录，以所述记录为样本，以所述记录对应的所述电池的衰退状态为标签，对GRU神经网络模型进行训练以建立电池衰退预测模型；其中，

所述在所述历史测试数据中筛选出反映电池退化信息的最终特征包括：

利用min-max标准化函数将所有特征数据进行归一化处理；

利用pearson相关系数计算特征间的相关性程度，相关性取值范围为[-1,1]；

设置相关性阈值，当相关系数绝对值大于相关性阈值时，认为两个变量之间的相关性极强，然后利用特征信息值来计算两个变量的优劣，删除特征信息值更小的变量以保留更优的变量；

根据得到的有效特征继续利用方差膨胀因子算法来删除多重共线性变量，具体如下：

设置共线性阈值变量，计算所有特征的方差膨胀因子，当存在某些特征的方差膨胀因子不小于共线性阈值变量时，直接删除其中方差膨胀因子最大的特征，然后再用剩余特征继续计算所有特征的方差膨胀因子，若还存在某些特征的方差膨胀因子不小于共线性阈值变量，则继续删除其中方差膨胀因子最大的特征，如此循环，直到剩余所有特征的方差膨胀因子都小于共线性阈值变量时停止计算；

根据得到的有效特征继续利用逐步回归模型获得有价值的特征变量，同时得到剩余电池容量预测模型M1，具体如下：

首先使用向前法逐一将每个特征根据线性回归方程加入回归模型，并计算加入后的模型AIC值，设置AIC变化阈值，当AIC减小数值大于/>则加入该特征；

每当新加入的特征数量达到3个且总特征数超过5个时，则对模型进行一次向后法删除特征；

循环直到没有新特征可加入且没有特征可筛选剔除；

利用模型M1获取电池剩余容量预测值并存入剩余寿命数值表，然后根据预测值和实际值获得电池剩余容量差值，记为，利用差值对模型M1进行调整，具体如下：

利用电池容量差值得到每个特征的最大方差模量，其中/>是第k行记录中电池剩余容量的预测值和实际值之差，/>是/>的均值，/>是/>的方差；

设置数据合理阈值区间：，然后遍历所有数据记录，如果/>不在对应合理区间内则直接剔除该条数据记录。

2.根据权利要求1所述的方法，其特征在于，所述采集多个电池容量循环退化的历史测试数据包括：

根据历史衰退的实验单体电池数据，按预设时间间隔获取前k次充放电后的所述电池特征变量实测值，其中，k为不大于n的自然数，n为电池衰退后的充放电总循环次数；

记录预设事件及相应的严重等级，其中，所述预设事件是可以导致电池寿命发生衰退的事件。

3.根据权利要求1所述的方法，其特征在于，所述基于所述剩余电池容量和所述初始电池容量的比值对所述记录对应的电池寿命分组包括：

如果所述记录对应的所述电池的剩余电池容量和所述初始电池容量的比值不小于第一预设阈值，则所述记录对应的电池寿命分组为可靠寿命组；

如果所述记录对应的所述电池的剩余电池容量和所述初始电池容量的比值小于所述第一预设阈值且不小于第二预设阈值，则所述记录对应的电池寿命分组为中位寿命组；

如果所述记录对应的所述电池的剩余电池容量和所述初始电池容量的比值小于所述第二预设阈值，则所述记录对应的电池寿命分组为低位寿命组。

4.根据权利要求1所述的方法，其特征在于，所述分别获取所述最终特征中电池处于衰退状态和非衰退状态的记录包括：

在所述最终特征中获取对应于所述电池第一次和第次充放电后的记录，其中n为电池衰退后的充放电总循环次数；

在所述最终特征中获取对应于所述电池第n次充放电后的记录。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当衰退电池数量超过预设阈值时，基于所述衰退电池的特征数据更新所述最终特征，并基于更新后的所述最终特征更新所述电池寿命分组模型、所述剩余电池容量回归预测模型和所述电池衰退预测模型。

6.一种训练电池寿命预测模型的装置，其特征在于，包括：

特征提取模块，用于采集多个电池容量循环退化的历史测试数据，在所述历史测试数据中筛选出反映电池退化信息的最终特征；

电池寿命分组模型训练模块，用于获取所述最终特征中每条记录对应的所述电池的剩余电池容量和初始电池容量，基于所述剩余电池容量和所述初始电池容量的比值对所述记录对应的电池寿命分组，以所述记录为样本，以所述记录对应的所述电池寿命分组为标签，对双向LSTM神经网络模型进行训练以建立电池寿命分组模型；

剩余电池容量回归预测模型建立模块，用于基于所述电池寿命分组中的每个记录和与所述记录对应的剩余电池容量，用回归模型获取回归参数，建立所述电池寿命分组的剩余电池容量回归预测模型；

电池衰退预测模型训练模块，用于分别获取所述最终特征中电池处于衰退状态和非衰退状态的记录，以所述记录为样本，以所述记录对应的所述电池的衰退状态为标签，对GRU神经网络模型进行训练以建立电池衰退预测模型；其中，

所述在所述历史测试数据中筛选出反映电池退化信息的最终特征包括：

利用min-max标准化函数将所有特征数据进行归一化处理；

利用pearson相关系数计算特征间的相关性程度，相关性取值范围为[-1,1]；

设置相关性阈值，当相关系数绝对值大于相关性阈值时，认为两个变量之间的相关性极强，然后利用特征信息值来计算两个变量的优劣，删除特征信息值更小的变量以保留更优的变量；

根据得到的有效特征继续利用方差膨胀因子算法来删除多重共线性变量，具体如下：

设置共线性阈值变量，计算所有特征的方差膨胀因子，当存在某些特征的方差膨胀因子不小于共线性阈值变量时，直接删除其中方差膨胀因子最大的特征，然后再用剩余特征继续计算所有特征的方差膨胀因子，若还存在某些特征的方差膨胀因子不小于共线性阈值变量，则继续删除其中方差膨胀因子最大的特征，如此循环，直到剩余所有特征的方差膨胀因子都小于共线性阈值变量时停止计算；

根据得到的有效特征继续利用逐步回归模型获得有价值的特征变量，同时得到剩余电池容量预测模型M1，具体如下：

首先使用向前法逐一将每个特征根据线性回归方程加入回归模型，并计算加入后的模型AIC值，设置AIC变化阈值，当AIC减小数值大于/>则加入该特征；

每当新加入的特征数量达到3个且总特征数超过5个时，则对模型进行一次向后法删除特征；

循环直到没有新特征可加入且没有特征可筛选剔除；

利用模型M1获取电池剩余容量预测值并存入剩余寿命数值表，然后根据预测值和实际值获得电池剩余容量差值，记为，利用差值对模型M1进行调整，具体如下：

利用电池容量差值得到每个特征的最大方差模量，其中/>是第k行记录中电池剩余容量的预测值和实际值之差，/>是/>的均值，/>是/>的方差；

设置数据合理阈值区间：，然后遍历所有数据记录，如果/>不在对应合理区间内则直接剔除该条数据记录。

7.一种预测电池寿命的方法，其特征在于，包括：

获取储能电池簇中的每个单体电池的预设特征数据，将所述特征数据输入根据权利要求3所述方法训练的电池寿命分组模型对所述单体电池进行实时寿命分组；

将所述特征数据输入与所述寿命分组对应的剩余电池容量回归预测模型预测所述单体电池的剩余电池容量，其中，所述剩余电池容量回归预测模型根据权利要求3所述方法建立；

如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，则将所述特征数据输入根据权利要求3所述方法训练的电池衰退预测模型预测所述单体电池是否衰退，基于所述单体电池是否衰退确定对所述单体电池的处理策略。

8.根据权利要求7所述的方法，其特征在于，所述基于所述电池是否衰退确定对所述电池的处理策略包括：

如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，并且所述单体电池已经衰退，则触发低寿命红色预警以及与所述红色预警相对应的单体电池更换操作；

如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，并且所述单体电池尚未衰退，则触发低寿命黄色预警以及与所述黄色预警相对应的单体电池维护操作。

9.一种预测电池寿命的装置，其特征在于，包括：

电池寿命分组模块，用于获取储能电池簇中的每个单体电池的预设特征数据，将所述特征数据输入根据权利要求3所述方法训练的电池寿命分组模型对所述单体电池进行实时寿命分组；

剩余电池容量预测模块，用于将所述特征数据输入与所述寿命分组对应的剩余电池容量回归预测模型预测所述单体电池的剩余电池容量，其中，所述剩余电池容量回归预测模型根据权利要求3所述方法建立；

衰退预测模块，用于如果所述单体电池的剩余电池容量和初始电池容量的比值小于所述第二预设阈值，则将所述特征数据输入根据权利要求3所述方法训练的电池衰退预测模型预测所述单体电池是否衰退，基于所述单体电池是否衰退确定对所述单体电池的处理策略。