CN117074965A - 一种锂离子电池剩余寿命预测方法及*** - Google Patents
一种锂离子电池剩余寿命预测方法及*** Download PDFInfo
- Publication number
- CN117074965A CN117074965A CN202311337131.4A CN202311337131A CN117074965A CN 117074965 A CN117074965 A CN 117074965A CN 202311337131 A CN202311337131 A CN 202311337131A CN 117074965 A CN117074965 A CN 117074965A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- life
- lithium battery
- abnormal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 23
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 23
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 215
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 215
- 230000002159 abnormal effect Effects 0.000 claims abstract description 181
- 239000011159 matrix material Substances 0.000 claims abstract description 122
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 230000000877 morphologic effect Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000000737 periodic effect Effects 0.000 claims description 57
- 238000001514 detection method Methods 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 40
- 239000003550 marker Substances 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract 1
- 206010000117 Abnormal behaviour Diseases 0.000 description 23
- 238000012423 maintenance Methods 0.000 description 22
- 230000006399 behavior Effects 0.000 description 19
- 238000012544 monitoring process Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 7
- 238000006731 degradation reaction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000010183 spectrum analysis Methods 0.000 description 6
- 230000006378 damage Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—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)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及锂离子电池技术领域,尤其涉及一种锂离子电池剩余寿命预测方法及***。该方法包括以下步骤:获取锂电池电气数据以及锂电池工况数据,并构建锂电池特征矩阵;对锂电池特征矩阵进行时间窗口异常检测,获得时间窗口数据;对时间窗口数据进行降维处理,获得低维窗口数据,并构建电池寿命预测模型;对低维窗口数据进行序列预测,从而获得剩余寿命序列;根据剩余寿命序列进行形态学分析,获得形态学特征,并根据形态学特征对电池寿命预测模型进行动态参数优化,获得寿命动态预测模型;利用寿命动态预测模型对锂电池电气数据以及锂电池工况数据进行剩余寿命预测,获得锂离子电池预测剩余寿命。本发明基于数据挖掘对锂电池剩余寿命进行预测。
Description
技术领域
本发明涉及锂离子电池技术领域,尤其涉及一种锂离子电池剩余寿命预测方法及***。
背景技术
锂离子电池在现代电子设备和电动汽车等领域广泛应用,但其性能随着时间和使用而逐渐衰退,这导致了电池寿命的限制。电池的寿命是指电池在特定使用条件下能够维持其性能的时间。由于电池更换和维护的成本相对较高,因此对电池剩余寿命进行准确预测对于提高电池的可持续性和降低维护成本至关重要。
发明内容
基于此,本发明有必要提供一种锂离子电池剩余寿命预测方法,以解决至少一个上述技术问题。
为实现上述目的,一种锂离子电池剩余寿命预测方法,包括以下步骤:
步骤S1:通过预设的传感器获取锂电池电气数据以及锂电池工况数据,并根据锂电池电气数据以及锂电池工况数据构建锂电池特征矩阵;
步骤S2:对锂电池特征矩阵进行时间窗口异常检测,从而获得时间窗口数据;
步骤S3:对时间窗口数据进行嵌入式降维处理,从而获得低维窗口数据,并根据低维窗口数据构建电池寿命预测模型;
步骤S4:利用电池寿命预测模型对低维窗口数据进行序列预测,从而获得剩余寿命序列;
步骤S5:根据剩余寿命序列进行形态学分析,从而获得形态学特征,并根据形态学特征对电池寿命预测模型进行动态参数优化,从而获得寿命动态预测模型;
步骤S6:利用寿命动态预测模型对锂电池电气数据以及锂电池工况数据进行剩余寿命预测,从而获得锂离子电池预测剩余寿命。
本发明通过预设的传感器获取电池的电气数据和工况数据,这些数据包括电压、电流、温度等信息。构建锂电池特征矩阵可以将数据进行整合,有助于综合考虑多个参数,为后续的分析提供了基础。这有助于捕捉电池的行为和性能。时间窗口异常检测有助于识别数据中的异常情况,例如电池可能在特定情况下表现出不寻常的行为,如异常放电或充电过程。通过识别这些异常,可以更准确地捕捉电池寿命衰退的迹象,提前发现问题并采取措施。 嵌入式降维处理有助于减少数据的维度,同时保留了关键信息,以避免过度拟合。电池寿命预测模型可以根据降维后的数据来建立关于电池寿命衰退的模型,这有助于准确预测未来的性能。 利用电池寿命预测模型对低维窗口数据进行序列预测,这有助于预测电池的寿命剩余。通过序列预测,可以估计电池在未来时间段内的性能表现,提前警示电池可能出现的问题,使得维护计划更具针对性。形态学分析有助于捕捉电池寿命序列中的特征,例如衰退速度的变化趋势、周期性行为等。根据这些形态学特征,可以对电池寿命预测模型进行动态参数优化,以适应不同阶段的电池性能变化,提高预测模型的适应性和准确性。利用寿命动态预测模型对电池电气数据和工况数据进行剩余寿命预测,这允许***根据当前的电池状态和环境条件来预测电池的剩余寿命。这有助于优化电池的使用和维护策略,降低不必要的更换和维修成本。
可选地,步骤S1具体为:
步骤S11:通过预设的传感器获取锂电池电气数据以及锂电池工况数据;
步骤S12:对锂电池电气数据以及锂电池工况数据进行相关性分析,从而获得相关性矩阵;
步骤S13:对锂电池电气数据以及锂电池工况数据进行电池工作异常检测,从而获得工作异常数据;
步骤S14:对锂电池电气数据以及锂电池工况数据进行时域特征提取,从而获得锂电池时域特征;
步骤S15:对锂电池电气数据以及锂电池工况数据进行频域特征提取,从而获得锂电池频域特征;
步骤S16:通过相关性矩阵对锂电池时域特征、锂电池频域特征以及工作异常数据进行关联矩阵映射,从而获得锂电池特征矩阵。
本发明通过传感器获取电池电气数据和工况数据是关键的起始点。这些数据包括电流、电压、温度等信息,它们代表了电池的实际运行状态。这有助于捕获电池的工作情况,为后续的分析提供了基础数据。相关性分析有助于理解不同参数之间的关系。相关性矩阵可以显示各个参数之间的相关性程度。这有助于确定哪些参数对电池性能和寿命的影响最大,从而指导后续特征提取和建模过程。电池工作异常检测有助于识别电池运行过程中的不正常行为。这些异常可能是电池内部问题、外部环境因素或***故障引起的。通过识别和记录这些异常,可以帮助预测电池寿命的衰退和提前采取措施进行维修或更换。 时域特征提取有助于从电池电气数据中捕获与时间相关的特征。这可以包括电流和电压的统计特性,如均值、方差、波形形状等。时域特征提取有助于识别电池在不同时间点的性能变化和趋势。频域特征提取有助于将电池电气数据转化为频率域上的信息。这可以包括频谱分析,用于检测电池中可能存在的频率成分。频域特征提取可以帮助识别电池中的振荡或周期性行为,这些行为可能与寿命衰退有关。通过相关性矩阵对时域特征、频域特征和工作异常数据进行关联矩阵映射,有助于整合各种特征信息,并构建出一个综合的锂电池特征矩阵。这个特征矩阵将不同来源的数据整合在一起,以更全面地描述电池的状态和性能。这为后续的寿命预测模型提供了更丰富的输入。
可选地,步骤S12具体为:
对锂电池电气数据以及锂电池工况数据进行特征筛选,从而获得电气特征数据以及工况特征数据;
对电气特征数据进行协方差矩阵计算,从而获得电气协方差矩阵;
对工况特征数据进行协方差矩阵计算,从而获得工况协方差矩阵;
根据电气协方差矩阵以及工况协方差矩阵进行矩阵元素合并,从而获得相关性矩阵。
本发明中的电气数据和工况数据通常包含大量特征,有些特征可能不太相关或冗余。特征筛选可以帮助降低数据的维度,提高计算效率和模型性能。筛选出最相关的特征有助于构建更精确的模型,减少噪声的影响,提高预测准确性。筛选出的特征通常更容易解释,这对于理解锂电池性能的影响因素非常重要。电气协方差矩阵帮助分析电气特征之间的相关性。这可以揭示出哪些电气特征彼此之间存在线性关系,有助于理解电池内部的物理过程。协方差矩阵可以用于检测特征之间的多重共线性,即某些特征高度相关。这有助于避免在建模过程中引入冗余信息。工况协方差矩阵提供了工况特征之间的关系信息。这对于理解锂电池在不同操作条件下的行为非常有用。通过将电气协方差矩阵和工况协方差矩阵合并,可以获得全面的相关性矩阵,其中包含了电气特征和工况特征之间的关系。这有助于综合考虑锂电池的电气性能和工况对其寿命和性能的影响。
可选地,步骤S13具体为:
步骤S131:将锂电池电气数据以及锂电池工况数据进行时序合并,从而获得待异常检测数据;
步骤S132:通过异常工作得分计算公式对待异常检测数据进行异常工作得分计算,从而获得异常工作得分数据;
步骤S133:根据异常工作得分数据进行统计分析,从而获得异常工作阈值;
步骤S134:通过异常工作阈值对待异常检测数据进行分类计算,从而获得工作异常数据。
本发明中电气数据和工况数据通常来自不同源头,通过时序合并,可以将它们整合成一个数据集。这有助于建立锂电池工作状态和性能之间的关联。异常工作得分计算能够识别电池工作中的异常情况。这可以包括电池温度异常、电压波动、容量下降等。通过计算异常工作得分,能够量化异常程度,便于进一步分析和处理。这些工作得分可以帮助在早期检测到异常,从而采取预防措施,延长锂电池的寿命,提高安全性。统计分析可以帮助确定异常工作得分的阈值。这些阈值可以根据历史数据和模型的性能要求来确定。阈值的设定决定了何时认为电池出现异常,进而触发进一步的处理。统计分析可以帮助排除偶然异常,提高异常检测的精确性,减少误报。根据异常阈值,可以将待检测数据分类为正常和异常工作数据。这有助于及时识别和记录电池的异常情况。异常数据可以用于深入分析问题的根本原因,帮助进行故障分析和维护决策。这可以节省维护成本,提高电池***的可靠性。
可选地,步骤S132中的异常工作得分计算公式具体为:
;
式中,为异常工作得分,/>为锂电池电压,/>为观察时间,/>为锂电池的电流值,/>为锂电池的容量,/>为电池温度值,/>为锂电池充电速率,/>为锂电池放电速率,/>为工况综合参数,/>为充电速率权重,/>为放电速率权重,/>为锂电池平均工作时间。
本发明构造了一个异常工作得分计算公式,用于对待异常检测数据进行异常工作得分计算。该公式充分考虑了影响异常工作得分的锂电池电压/>,观察时间/>,锂电池的电流值/>,锂电池的容量/>,电池温度值/>,电池充电速率/>,锂电池放电速率/>,工况综合参数/>,充电速率权重/>,放电速率权重/>,锂电池平均工作时间/>,形成了函数关系:
;
其中这部分代表了电压随时间变化的速度的平方。电压的变化速度可以反映电池内部的动态变化,通常电池在工作中会因为不同因素(如电流变化、温度变化等)而产生电压的波动。这个部分的平方表示更高的电压变化速度会对异常工作得分有更大的影响。/>这部分包含了电池的电流值/>和容量值/>的关系。它首先计算/>与/>的比值,然后对其进行开方,并加上1,最后取对数。这部分的目的是考虑电流与电池容量之间的关联,因为高电流可能导致电池快速放电,从而影响电池的性能和寿命。/>这部分代表了电池的温度值的平方根。电池的温度对其性能和安全性有重要影响。通常情况下,温度越高,电池越容易受到损害,因此温度的平方根被用来表示异常工作得分中与温度相关的影响。/>这部分是充电速率/>和充电速率权重/>的乘积。它考虑了电池充电速率对工作状态的影响。如果充电速率较高,可能会导致电池过度充电或发热,从而引发异常情况。/>这部分是放电速率/>和放电速率权重/>的乘积。它考虑了电池放电速率对工作状态的影响。较高的放电速率可能导致电池过度放电或快速损耗,也可能引发异常情况。/>这部分是工况综合参数/>的平方乘以锂电池平均工作时间的权重/>。工况综合参数包含了多个因素,综合考虑了电流、温度、电压等多个工况因素。平方操作强调了工况综合参数对异常工作得分的重要性,而/>则表示了对工作时间的权衡考虑。公式综合考虑了多个与电池性能相关的因素,包括电流、电压、温度、充电和放电速率等。通过计算得到的异常工作得分,可以用于实时监测电池的工作状态。如果得分超过某个阈值,可能表示电池出现了异常情况,如过度放电、过度充电、温度异常等。这有助于及早发现潜在问题,采取预防措施,减少电池损坏的风险。
可选地,步骤S2具体为:
步骤S21:根据待异常检测数据进行时间窗口定义以及滑动步长定义,从而获得时间窗口以及滑动步长;
步骤S22:通过时间窗口以及滑动步长对锂电池特征矩阵进行矩阵切分,从而获得时间窗口数据集;
步骤S23:根据时间窗口数据集以及待异常检测数据构建周期异常检测模型;
步骤S24:通过周期异常检测模型对锂电池特征矩阵进行周期异常检测,从而获得充电周期异常数据;
步骤S25:利用充电周期异常数据对锂电池特征矩阵进行异常标记,从而获得时间窗口数据。
本发明通过对锂电池特征矩阵进行时间窗口异常检测,可以将数据分割成小的时间窗口,有助于更好地理解电池的工作模式和性能。这有助于检测在不同时间段内电池行为的变化,包括电池充电、放电、温度等参数的波动情况。识别电池在不同时间窗口内的异常行为,例如电压波动、电流异常等,有助于更精细地监测电池的性能和健康状态。定义时间窗口和滑动步长有助于灵活地调整数据的划分方式,以适应不同的分析需求。时间窗口的定义可以影响到后续异常检测的灵敏度和效率。根据具体应用场景,可以选择不同的时间窗口和滑动步长,例如,对于实时监测可能需要较短的时间窗口和滑动步长,而对于历史数据分析可能需要较长的时间窗口。通过时间窗口和滑动步长对锂电池特征矩阵进行切分,可以获得一系列时间窗口数据集。这有助于对数据进行分段分析,更好地了解电池的工作模式和性能在不同时间段内的变化。这些时间窗口数据集可以用于后续的异常检测和模型构建,帮助发现电池在不同时间段内的异常行为。根据时间窗口数据集和待异常检测数据,构建周期异常检测模型有助于识别电池的周期性异常行为。这可以帮助区分正常的工作周期和潜在的问题。周期异常检测模型可以用于预测电池在未来周期内的异常情况,以及在实时监测中发现电池工作周期内的异常行为。通过周期异常检测模型,可以对锂电池特征矩阵进行周期异常检测。这有助于识别电池在特定工作周期内的异常行为,例如,电池在每次充电周期内的异常电流或电压波动。周期异常检测可以帮助及早发现周期性问题,从而采取措施来减少电池损坏或故障的风险。通过利用充电周期异常数据对锂电池特征矩阵进行异常标记,可以将异常情况与时间窗口数据关联起来,更好地了解异常行为的时间和模式。异常标记有助于可视化和汇总异常数据,为后续的决策和行动提供信息。
可选地,步骤S24具体为:
对时间窗口数据集进行时间维度提取,从而获得时间维度;
对待异常检测数据进行传感器空间数据提取,从而获得传感器空间数据;
根据传感器空间数据进行空间序列排列,从而获得空间维度;
对时间窗口数据集进行锂电池特征提取,从而获得特征维度;
根据空间维度、时间维度以及特征维度构建3D张量;
通过时间窗口数据集以及3D张量构建周期异常检测模型。
本发明中提取时间维度可以将数据按照时间顺序进行组织,有助于分析数据随时间的变化趋势。这可以揭示电池性能和异常的时间相关性。时间维度提取有助于建立时间序列数据,允许对电池行为的历史演变进行分析。提取传感器空间数据可以聚焦于感应器的测量值,这是了解电池状态的重要组成部分。通过提取传感器数据,可以捕获电池***的物理特性。这些数据用于分析传感器的变化,例如电压、温度、电流等,以检测潜在的异常或问题。通过对传感器空间数据进行排列,可以构建具有空间维度的数据结构,有助于更好地理解电池***中不同传感器之间的相互关系。这有助于捕获电池***中空间上的异常模式,例如传感器之间的相互影响,或者特定位置的异常。提取锂电池特征可以捕获电池性能的关键特征,例如容量、内阻、充电/放电效率等。这有助于在异常检测中聚焦于关键参数。提取的特征可用于建立异常检测模型,识别电池性能方面的异常行为。将时间维度、空间维度和特征维度组合成3D张量结构有助于综合考虑多个数据维度。这使得可以同时分析不同维度的信息。3D张量的构建使得可以使用多维数据进行异常检测,例如同时考虑时间、空间和特征上的异常行为。通过使用时间窗口数据集和3D张量,构建周期异常检测模型可以帮助检测电池***中的周期性异常。这有助于发现电池在特定时间和空间条件下的异常行为。该模型可用于实时监测和预测电池***中的周期性问题,以便及早采取维护和预防措施,提高电池的可靠性和性能。
可选地,步骤S4具体为:
对低维窗口数据进行充电周期异常标记提取,从而获得异常标记数据点;
通过异常充电影响度计算公式对异常标记数据点以及锂电池工况数据进行计算,从而获得异常充电影响度;
其中,异常充电影响度计算公式具体为:
;
式中,为异常充电影响度,/>为充电时间,/>为锂电池电压,/>为观察时间,/>为异常标记数据点的锂电池容量,/>为锂电池平均工作时间,/>为电池内阻,/>为异常标记数据点的特征索引,/>为异常标记数据点的特征总数,/>为异常标记数据点的特征数值随时间的变化率;
本发明构造了一个异常充电影响度计算公式,用于对异常标记数据点以及锂电池工况数据进行计算。该公式充分考虑了影响异常充电影响度的充电时间/>,锂电池电压/>,观察时间/>,异常标记数据点的锂电池容量/>,锂电池平均工作时间/>,电池内阻/>,异常标记数据点的特征索引/>,异常标记数据点的特征总数/>,异常标记数据点的特征数值随时间的变化率/>,形成了函数关系:
;
其中是电池电压/>相对于时间/>的变化率,表示电压的斜率。当电池充电或放电时,电压会随时间变化。这一部分表示电压的变化速度。/>这是锂电池的平均工作时间/>与异常标记数据点的电池容量/>之比的自然对数。它表示电池在平均工作时间内的容量使用情况。如果电池容量/>远低于平均工作时间/>,说明电池可能会在较短时间内用完,从而影响电池寿命。/>这一部分表示充电时间/>与电池内阻/>之比的平方根。电池内阻/>对电池的性能和充电过程有重要影响。如果充电时间/>相对于电池内阻/>较大,可能会导致电池内部的热量积累,从而影响电池的寿命。/>这表示对所有的异常标记数据点特征/>进行求和。/>是异常标记数据点的特征总数,表示对所有特征进行综合考虑。/>这是特征/>的权重,表示不同特征对异常充电影响度的相对重要性。不同的特征可能会以不同的方式影响电池的寿命,因此通过赋予不同的权重来考虑它们的贡献。/>这是特征/>随时间/>的变化率。它表示特征/>在观察时间内的变化情况。不同的特征可能在充电过程中以不同的方式变化,这一部分考虑了这些变化的影响。最终,将上述各部分的结果进行积分(从0到/>),得到了异常充电影响度/>。这个影响度可以综合考虑了电压变化、电池容量使用、充电时间与内阻的关系以及多个特征的变化对电池寿命的影响。通过这个计算公式,可以量化异常充电的影响,有助于进一步分析和管理电池***,以提高电池的可靠性和寿命。
通过电池寿命预测模型对低维窗口数据进行未来电池寿命预测,从而获得未来寿命序列;
基于异常充电影响度对未来寿命序列进行序列校正,从而获得剩余寿命序列。
本发明通过识别和标记充电周期异常数据点,可以确定在电池充电过程中出现的异常情况,如过快充电或过慢充电。异常标记数据点可用于后续步骤中的异常充电影响度计算,以帮助理解异常充电对电池寿命的影响。通过计算异常充电影响度,可以量化异常充电对电池寿命的潜在影响程度。这有助于识别哪些异常充电情况对电池的寿命影响最严重。使用电池寿命预测模型对低维窗口数据进行预测可以估计未来电池的寿命。这可以帮助规划维护和更好地管理电池的使用。通过基于异常充电影响度对未来寿命序列进行校正,可以更准确地估计电池的剩余寿命。这有助于避免不必要的维护或替换,同时提高电池的可靠性。校正后的剩余寿命序列可用于制定更精确的维护计划,以确保电池在其寿命末期之前不会失效。
可选地,步骤S5具体为:
对剩余寿命序列进行平滑处理,从而获得平滑寿命序列;
根据平滑寿命序列进行趋势分析,从而获得寿命趋势;
对平滑寿命序列进行傅里叶变换,从而获得寿命频谱;
根据充电周期异常数据进行傅里叶变换,从而获得充电周期异常频谱;
根据寿命频谱进行周期性分析,从而获得寿命周期性,并根据充电周期异常频谱对寿命周期性进行参数标记,从而获得标记寿命周期性;
对平滑寿命序列进行峰值提取,从而获得寿命峰值点;
将寿命峰值点、标记寿命周期性以及寿命趋势进行数据合并,从而获得形态学特征;
根据形态学特征对电池寿命预测模型进行动态参数优化,从而获得寿命动态预测模型。
本发明中平滑处理可以去除数据中的噪声和波动,使得寿命数据更具可解释性,减少了随机性。平滑后的数据可用于更准确地估计电池的寿命,并减少因噪声引起的误差。趋势分析可以帮助识别电池寿命随时间的变化趋势,是否逐渐衰减或持续稳定。趋势分析提供了对电池健康状态的重要见解,有助于判断电池是否处于寿命末期。傅里叶变换可以将寿命数据从时间域转换到频域,从而揭示潜在的周期性或频率成分。寿命频谱分析可以用于检测电池寿命中的周期性模式,这对于寻找寿命的周期性因素非常有用。傅里叶变换用于分析充电周期异常数据,有助于发现可能导致寿命异常的充电周期问题。异常频谱分析可用于识别充电周期中的异常行为,这可以影响电池寿命。周期性分析可以帮助确定电池寿命中的周期性模式,并通过充电周期异常频谱来标记这些模式,以便进一步的分析。这有助于识别导致电池寿命异常的周期性因素,并可能指导维护策略。提取寿命峰值点有助于识别电池寿命中的关键事件或突发情况。寿命峰值点可以用于标记电池性能的显著改变,这可能与寿命的临界点相关。将寿命峰值点、标记寿命周期性和寿命趋势合并为形态学特征可以提供关于电池寿命状态的全面信息。这些特征可用于优化寿命预测模型,以更准确地估计电池的寿命。通过基于形态学特征对电池寿命预测模型进行动态参数优化,可以建立一个更准确的寿命预测模型,该模型可以实时监测电池寿命,并根据实际情况进行调整。这个模型可以用于预测电池的剩余寿命,有助于采取适当的维护和替换策略,提高电池的可靠性和性能。
可选地,本说明书还提供一种锂离子电池剩余寿命预测***,该锂离子电池剩余寿命预测***包括:
特征矩阵构建模块,用于通过预设的传感器获取锂电池电气数据以及锂电池工况数据,根据锂电池电气数据以及锂电池工况数据构建锂电池特征矩阵;
时间窗口检测模块,用于对锂电池特征矩阵进行时间窗口异常检测,从而获得时间窗口数据;
模型构建模块,用于对时间窗口数据进行嵌入式降维处理,从而获得低维窗口数据,并根据低维窗口数据构建电池寿命预测模型;
序列预测模块,用于利用电池寿命预测模型对低维窗口数据进行序列预测,从而获得剩余寿命序列;
形态学分析模块,用于根据剩余寿命序列进行形态学分析,从而获得形态学特征,并根据形态学特征对电池寿命预测模型进行动态参数优化,从而获得寿命动态预测模型;
剩余寿命预测模块,用于利用寿命动态预测模型对锂电池电气数据以及锂电池工况数据进行剩余寿命预测,从而获得锂离子电池预测剩余寿命。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明锂离子电池剩余寿命预测方法的步骤流程示意图;
图2为本发明中步骤S1的详细步骤流程示意图;
图3为本发明中步骤S2的详细步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,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。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/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种锂离子电池剩余寿命预测方法,所述方法包括以下步骤:
步骤S1:通过预设的传感器获取锂电池电气数据以及锂电池工况数据,并根据锂电池电气数据以及锂电池工况数据构建锂电池特征矩阵;
本实施例中使用预设的传感器来采集锂电池的电气数据和工况数据。电气数据可能包括电压、电流、温度等,而工况数据可能包括充电状态、放电状态、温度、湿度等。这些数据将被整合和处理,构建锂电池的特征矩阵。例如,可以采集每秒钟的电压和电流数据,并计算出平均电流、最大电压、温度变化率等特征。将这些特征按时间戳组织成一个特征矩阵,其中每一行代表一个时间窗口内的数据。
步骤S2:对锂电池特征矩阵进行时间窗口异常检测,从而获得时间窗口数据;
本实施例中使用时间窗口方法对特征矩阵进行异常检测。首先,定义一个固定大小的时间窗口,例如,每10分钟为一个时间窗口。然后,在每个时间窗口内进行异常检测。通过统计每个时间窗口内的特征数据的统计指标,如均值、方差等,可以检测到异常数据点。例如,如果某个时间窗口内的电流超出了均值的两倍标准差,那么就可以将其标记为异常数据点
步骤S3:对时间窗口数据进行嵌入式降维处理,从而获得低维窗口数据,并根据低维窗口数据构建电池寿命预测模型;
本实施例中对时间窗口数据进行嵌入式降维处理,以减少数据的维度并保留关键信息。可以使用主成分分析(PCA)等降维技术。然后,使用降维后的数据构建电池寿命预测模型。这可以是机器学习模型,如支持向量机(SVM)、神经网络或回归模型。模型的训练数据是降维后的时间窗口数据,而标签是已知的电池寿命数据。
步骤S4:利用电池寿命预测模型对低维窗口数据进行序列预测,从而获得剩余寿命序列;
本实施例中利用训练好的电池寿命预测模型,对降维后的时间窗口数据进行序列预测,以获得剩余寿命序列。这可以通过逐步预测未来时间窗口内的寿命,然后将其累加得到。
步骤S5:根据剩余寿命序列进行形态学分析,从而获得形态学特征,并根据形态学特征对电池寿命预测模型进行动态参数优化,从而获得寿命动态预测模型;
本实施例中根据剩余寿命序列,进行形态学分析,识别寿命下降趋势或突变。例如,如果剩余寿命在短时间内急剧下降,可能表示电池出现了问题。基于形态学特征,可以对电池寿命预测模型进行动态参数优化。这意味着可以调整模型的参数以适应电池寿命的变化情况。
步骤S6:利用寿命动态预测模型对锂电池电气数据以及锂电池工况数据进行剩余寿命预测,从而获得锂离子电池预测剩余寿命。
本实施例中利用经过动态参数优化的寿命预测模型,可以对锂电池的电气数据和工况数据进行剩余寿命预测。这将给出一个估计的剩余使用寿命,帮助用户更好地管理电池,及时替换或维护。
本发明通过预设的传感器获取电池的电气数据和工况数据,这些数据包括电压、电流、温度等信息。构建锂电池特征矩阵可以将数据进行整合,有助于综合考虑多个参数,为后续的分析提供了基础。这有助于捕捉电池的行为和性能。时间窗口异常检测有助于识别数据中的异常情况,例如电池可能在特定情况下表现出不寻常的行为,如异常放电或充电过程。通过识别这些异常,可以更准确地捕捉电池寿命衰退的迹象,提前发现问题并采取措施。 嵌入式降维处理有助于减少数据的维度,同时保留了关键信息,以避免过度拟合。电池寿命预测模型可以根据降维后的数据来建立关于电池寿命衰退的模型,这有助于准确预测未来的性能。 利用电池寿命预测模型对低维窗口数据进行序列预测,这有助于预测电池的寿命剩余。通过序列预测,可以估计电池在未来时间段内的性能表现,提前警示电池可能出现的问题,使得维护计划更具针对性。形态学分析有助于捕捉电池寿命序列中的特征,例如衰退速度的变化趋势、周期性行为等。根据这些形态学特征,可以对电池寿命预测模型进行动态参数优化,以适应不同阶段的电池性能变化,提高预测模型的适应性和准确性。利用寿命动态预测模型对电池电气数据和工况数据进行剩余寿命预测,这允许***根据当前的电池状态和环境条件来预测电池的剩余寿命。这有助于优化电池的使用和维护策略,降低不必要的更换和维修成本。
可选地,步骤S1具体为:
步骤S11:通过预设的传感器获取锂电池电气数据以及锂电池工况数据;
本实施例中通过预先部署的传感器来实时采集锂电池的电气数据和工况数据。电气数据包括电压、电流、温度等参数,而工况数据包括充电状态、放电状态、电池的使用环境等信息。这些数据将持续采集,并用于后续的分析和处理。
步骤S12:对锂电池电气数据以及锂电池工况数据进行相关性分析,从而获得相关性矩阵;
本实施例中通过对电气数据和工况数据进行相关性分析,可以识别出它们之间的相互关系。例如,可以计算电压和温度之间的相关性系数,以确定它们是否存在关联。这个分析可以帮助了解哪些因素对电池性能有重要影响。获得相关性矩阵后,可以知道哪些数据项之间具有强相关性,这将在后续的特征提取和异常检测中发挥重要作用。
步骤S13:对锂电池电气数据以及锂电池工况数据进行电池工作异常检测,从而获得工作异常数据;
本实施例中利用电气数据和工况数据进行电池工作异常检测。这可以通过各种方法实现,例如阈值检测、统计方法或机器学习模型。例如,如果电池电压在一段时间内持续下降,而温度升高,***可以检测到这种不正常的行为并记录为工作异常数据。
步骤S14:对锂电池电气数据以及锂电池工况数据进行时域特征提取,从而获得锂电池时域特征;
本实施例中对于电气数据,可以进行时域特征提取,以获得有关电池行为的信息。这包括统计特征如均值、方差、峰值等,以及时域波形特征如周期性、波形形状等。例如,可以计算电流信号的均值和标准差,以了解电池电流的稳定性和变化情况。
步骤S15:对锂电池电气数据以及锂电池工况数据进行频域特征提取,从而获得锂电池频域特征;
本实施例中对于电气数据,也可以进行频域特征提取,以获得频率域上的信息。这可以通过傅里叶变换或小波变换等方法实现。频域特征包括频率成分、功率谱密度等。例如,可以计算电压信号的频率成分,以检测是否存在高频噪声或振荡。
步骤S16:通过相关性矩阵对锂电池时域特征、锂电池频域特征以及工作异常数据进行关联矩阵映射,从而获得锂电池特征矩阵。
本实施例中通过相关性矩阵,可以将时域特征、频域特征和工作异常数据进行关联矩阵映射,以构建锂电池的特征矩阵。这个特征矩阵将包括各种特征项,每一行代表一个时间段内的特征数据。
本发明通过传感器获取电池电气数据和工况数据是关键的起始点。这些数据包括电流、电压、温度等信息,它们代表了电池的实际运行状态。这有助于捕获电池的工作情况,为后续的分析提供了基础数据。相关性分析有助于理解不同参数之间的关系。相关性矩阵可以显示各个参数之间的相关性程度。这有助于确定哪些参数对电池性能和寿命的影响最大,从而指导后续特征提取和建模过程。电池工作异常检测有助于识别电池运行过程中的不正常行为。这些异常可能是电池内部问题、外部环境因素或***故障引起的。通过识别和记录这些异常,可以帮助预测电池寿命的衰退和提前采取措施进行维修或更换。 时域特征提取有助于从电池电气数据中捕获与时间相关的特征。这可以包括电流和电压的统计特性,如均值、方差、波形形状等。时域特征提取有助于识别电池在不同时间点的性能变化和趋势。频域特征提取有助于将电池电气数据转化为频率域上的信息。这可以包括频谱分析,用于检测电池中可能存在的频率成分。频域特征提取可以帮助识别电池中的振荡或周期性行为,这些行为可能与寿命衰退有关。通过相关性矩阵对时域特征、频域特征和工作异常数据进行关联矩阵映射,有助于整合各种特征信息,并构建出一个综合的锂电池特征矩阵。这个特征矩阵将不同来源的数据整合在一起,以更全面地描述电池的状态和性能。这为后续的寿命预测模型提供了更丰富的输入。
可选地,步骤S12具体为:
对锂电池电气数据以及锂电池工况数据进行特征筛选,从而获得电气特征数据以及工况特征数据;
本实施例中对锂电池的电气数据和工况数据进行特征筛选。特征筛选的目的是选择最具信息量的特征,以减少数据的维度和复杂性。可以使用各种方法,如方差阈值、相关性分析、特征重要性评估、降维技术(如主成分分析)等来进行筛选。
对电气特征数据进行协方差矩阵计算,从而获得电气协方差矩阵;
本实施例中将电气特征数据用于计算电气协方差矩阵。协方差矩阵用于表示各个电气特征之间的协方差关系。每个元素(i, j)表示特征i和特征j之间的协方差。协方差矩阵的对角线元素是各个特征的方差。例如,如果有电压、电流和温度作为电气特征,电气协方差矩阵将显示它们之间的线性关系。
对工况特征数据进行协方差矩阵计算,从而获得工况协方差矩阵;
本实施例中类似于电气数据,使用工况特征数据来计算工况协方差矩阵。这个矩阵表示工况特征之间的协方差关系,帮助理解各个工况参数之间的关联性。例如,工况协方差矩阵可以显示充电状态、放电状态和环境温度之间的关联。
根据电气协方差矩阵以及工况协方差矩阵进行矩阵元素合并,从而获得相关性矩阵。
本实施例中将电气协方差矩阵和工况协方差矩阵的元素合并,从而获得相关性矩阵。这个矩阵将包含电气特征和工况特征之间的关联性信息。
本发明中的电气数据和工况数据通常包含大量特征,有些特征可能不太相关或冗余。特征筛选可以帮助降低数据的维度,提高计算效率和模型性能。筛选出最相关的特征有助于构建更精确的模型,减少噪声的影响,提高预测准确性。筛选出的特征通常更容易解释,这对于理解锂电池性能的影响因素非常重要。电气协方差矩阵帮助分析电气特征之间的相关性。这可以揭示出哪些电气特征彼此之间存在线性关系,有助于理解电池内部的物理过程。协方差矩阵可以用于检测特征之间的多重共线性,即某些特征高度相关。这有助于避免在建模过程中引入冗余信息。工况协方差矩阵提供了工况特征之间的关系信息。这对于理解锂电池在不同操作条件下的行为非常有用。通过将电气协方差矩阵和工况协方差矩阵合并,可以获得全面的相关性矩阵,其中包含了电气特征和工况特征之间的关系。这有助于综合考虑锂电池的电气性能和工况对其寿命和性能的影响。
可选地,步骤S13具体为:
步骤S131:将锂电池电气数据以及锂电池工况数据进行时序合并,从而获得待异常检测数据;
本实施例中将锂电池的电气数据和工况数据按照时间顺序进行合并。将电气参数(如电压、电流等)和工作条件(如温度、充放电状态等)的数据按照时间戳进行整合。这种时序合并可以帮助建立时间序列,更好地了解锂电池在不同工作条件下的电气特性。例如,使用时间戳作为关键标识,将电气数据和工况数据按照时间顺序进行合并,形成一个包含电气特性和工作条件的完整时序数据集。
步骤S132:通过异常工作得分计算公式对待异常检测数据进行异常工作得分计算,从而获得异常工作得分数据;
本实施例中使用异常工作得分计算公式,对合并后的待异常检测数据进行处理,计算每个数据点的异常工作得分。
步骤S133:根据异常工作得分数据进行统计分析,从而获得异常工作阈值;
本实施例中对计算得到的异常工作得分数据进行统计分析,探索得分的分布特性。这可以包括均值、标准差、分位数等统计量的计算,以及绘制直方图或概率密度图等图表,帮助确定异常工作阈值。例如,计算异常工作得分的均值和标准差,然后使用这些统计量确定异常工作阈值,比如将得分超过均值加几倍标准差的数据点定义为异常。
步骤S134:通过异常工作阈值对待异常检测数据进行分类计算,从而获得工作异常数据。
本实施例中使用确定的异常工作阈值,对待异常检测数据进行分类计算。数据点的异常工作得分与异常工作阈值进行比较,如果得分超过阈值,则将该数据点标记为工作异常数据,表示该时刻锂电池的工作状态异常。例如,将计算得到的异常工作得分与之前确定的阈值进行比较,将得分超过阈值的数据点标记为工作异常。这些异常数据点可以被进一步分析,以便了解锂电池在特定条件下的异常行为。
本发明中电气数据和工况数据通常来自不同源头,通过时序合并,可以将它们整合成一个数据集。这有助于建立锂电池工作状态和性能之间的关联。异常工作得分计算能够识别电池工作中的异常情况。这可以包括电池温度异常、电压波动、容量下降等。通过计算异常工作得分,能够量化异常程度,便于进一步分析和处理。这些工作得分可以帮助在早期检测到异常,从而采取预防措施,延长锂电池的寿命,提高安全性。统计分析可以帮助确定异常工作得分的阈值。这些阈值可以根据历史数据和模型的性能要求来确定。阈值的设定决定了何时认为电池出现异常,进而触发进一步的处理。统计分析可以帮助排除偶然异常,提高异常检测的精确性,减少误报。根据异常阈值,可以将待检测数据分类为正常和异常工作数据。这有助于及时识别和记录电池的异常情况。异常数据可以用于深入分析问题的根本原因,帮助进行故障分析和维护决策。这可以节省维护成本,提高电池***的可靠性。
可选地,步骤S132中的异常工作得分计算公式具体为:
;
式中,为异常工作得分,/>为锂电池电压,/>为观察时间,/>为锂电池的电流值,/>为锂电池的容量,/>为电池温度值,/>为锂电池充电速率,/>为锂电池放电速率,/>为工况综合参数,/>为充电速率权重,/>为放电速率权重,/>为锂电池平均工作时间。
本发明构造了一个异常工作得分计算公式,用于对待异常检测数据进行异常工作得分计算。该公式充分考虑了影响异常工作得分的锂电池电压/>,观察时间/>,锂电池的电流值/>,锂电池的容量/>,电池温度值/>,电池充电速率/>,锂电池放电速率/>,工况综合参数/>,充电速率权重/>,放电速率权重/>,锂电池平均工作时间/>,形成了函数关系:
;
其中这部分代表了电压随时间变化的速度的平方。电压的变化速度可以反映电池内部的动态变化,通常电池在工作中会因为不同因素(如电流变化、温度变化等)而产生电压的波动。这个部分的平方表示更高的电压变化速度会对异常工作得分有更大的影响。/>这部分包含了电池的电流值/>和容量值/>的关系。它首先计算/>与/>的比值,然后对其进行开方,并加上1,最后取对数。这部分的目的是考虑电流与电池容量之间的关联,因为高电流可能导致电池快速放电,从而影响电池的性能和寿命。/>这部分代表了电池的温度值的平方根。电池的温度对其性能和安全性有重要影响。通常情况下,温度越高,电池越容易受到损害,因此温度的平方根被用来表示异常工作得分中与温度相关的影响。/>这部分是充电速率/>和充电速率权重/>的乘积。它考虑了电池充电速率对工作状态的影响。如果充电速率较高,可能会导致电池过度充电或发热,从而引发异常情况。/>这部分是放电速率/>和放电速率权重/>的乘积。它考虑了电池放电速率对工作状态的影响。较高的放电速率可能导致电池过度放电或快速损耗,也可能引发异常情况。/>这部分是工况综合参数/>的平方乘以锂电池平均工作时间的权重/>。工况综合参数包含了多个因素,综合考虑了电流、温度、电压等多个工况因素。平方操作强调了工况综合参数对异常工作得分的重要性,而/>则表示了对工作时间的权衡考虑。公式综合考虑了多个与电池性能相关的因素,包括电流、电压、温度、充电和放电速率等。通过计算得到的异常工作得分,可以用于实时监测电池的工作状态。如果得分超过某个阈值,可能表示电池出现了异常情况,如过度放电、过度充电、温度异常等。这有助于及早发现潜在问题,采取预防措施,减少电池损坏的风险。/>
可选地,步骤S2具体为:
步骤S21:根据待异常检测数据进行时间窗口定义以及滑动步长定义,从而获得时间窗口以及滑动步长;
本实施例中需要定义时间窗口和滑动步长,以便进行后续的异常检测。假设监测锂电池的性能,需要将一天的数据分为多个时间窗口来进行异常检测。可以将时间窗口定义为每小时一个,这意味着每个时间窗口包括了一小时的数据。滑动步长可以定义为每30分钟,这样每隔30分钟,就会创建一个新的时间窗口,以确保能够及时检测到异常情况。
步骤S22:通过时间窗口以及滑动步长对锂电池特征矩阵进行矩阵切分,从而获得时间窗口数据集;
本实施例中有了时间窗口和滑动步长的定义后,可以将锂电池特征矩阵按照这些参数进行矩阵切分,以获得时间窗口数据集。例如,对于一天的数据,会得到24个时间窗口数据集,每个包含一个小时的数据。这些数据集将成为后续步骤的输入。
步骤S23:根据时间窗口数据集以及待异常检测数据构建周期异常检测模型;
本实施例中使用时间窗口数据集和待异常检测数据来构建周期异常检测模型。假设使用季节性分解方法,会将每个时间窗口数据集进行季节性分解,以提取出季节性组件。这些组件将用于构建模型,例如季节性时间序列模型或机器学习模型,以便检测周期性异常。
步骤S24:通过周期异常检测模型对锂电池特征矩阵进行周期异常检测,从而获得充电周期异常数据;
本实施例中利用构建的周期异常检测模型,对整个锂电池特征矩阵进行周期异常检测。涉及将模型应用于每个时间窗口数据集,并识别出充电周期中的异常情况。例如,如果在某个时间窗口内检测到异常的季节性组件,那么将其标记为周期性异常数据。
步骤S25:利用充电周期异常数据对锂电池特征矩阵进行异常标记,从而获得时间窗口数据。
本实施例中使用充电周期异常数据来标记锂电池特征矩阵中的时间窗口数据,以获得时间窗口数据的异常标记。这将有助于后续分析和处理。例如,如果在某个时间窗口内检测到异常,将相应的时间窗口标记为异常,以便操作人员可以识别出问题并采取适当的措施来解决。
本发明通过对锂电池特征矩阵进行时间窗口异常检测,可以将数据分割成小的时间窗口,有助于更好地理解电池的工作模式和性能。这有助于检测在不同时间段内电池行为的变化,包括电池充电、放电、温度等参数的波动情况。识别电池在不同时间窗口内的异常行为,例如电压波动、电流异常等,有助于更精细地监测电池的性能和健康状态。定义时间窗口和滑动步长有助于灵活地调整数据的划分方式,以适应不同的分析需求。时间窗口的定义可以影响到后续异常检测的灵敏度和效率。根据具体应用场景,可以选择不同的时间窗口和滑动步长,例如,对于实时监测可能需要较短的时间窗口和滑动步长,而对于历史数据分析可能需要较长的时间窗口。通过时间窗口和滑动步长对锂电池特征矩阵进行切分,可以获得一系列时间窗口数据集。这有助于对数据进行分段分析,更好地了解电池的工作模式和性能在不同时间段内的变化。这些时间窗口数据集可以用于后续的异常检测和模型构建,帮助发现电池在不同时间段内的异常行为。根据时间窗口数据集和待异常检测数据,构建周期异常检测模型有助于识别电池的周期性异常行为。这可以帮助区分正常的工作周期和潜在的问题。周期异常检测模型可以用于预测电池在未来周期内的异常情况,以及在实时监测中发现电池工作周期内的异常行为。通过周期异常检测模型,可以对锂电池特征矩阵进行周期异常检测。这有助于识别电池在特定工作周期内的异常行为,例如,电池在每次充电周期内的异常电流或电压波动。周期异常检测可以帮助及早发现周期性问题,从而采取措施来减少电池损坏或故障的风险。通过利用充电周期异常数据对锂电池特征矩阵进行异常标记,可以将异常情况与时间窗口数据关联起来,更好地了解异常行为的时间和模式。异常标记有助于可视化和汇总异常数据,为后续的决策和行动提供信息。
可选地,步骤S24具体为:
对时间窗口数据集进行时间维度提取,从而获得时间维度;
本实施例中从时间窗口数据集中提取时间维度。假设有一天的数据,每个时间窗口代表一个小时的观测。可以将时间维度定义为从午夜开始的小时数,因此第一个时间窗口的时间维度为0,第二个为1,以此类推,直到23。这将帮助在后续的分析中考虑时间的影响。
对待异常检测数据进行传感器空间数据提取,从而获得传感器空间数据;
本实施例中从待异常检测数据中提取传感器空间数据。这些数据可能包括各种传感器的读数,例如温度、电流、电压等。将每个传感器的数据作为一个维度,以获得传感器空间数据。例如,如果有3个传感器,将得到一个3维的数据点,其中每个维度对应一个传感器的读数。
根据传感器空间数据进行空间序列排列,从而获得空间维度;
本实施例中对传感器空间数据进行排列,以获得空间维度。假设有多个时间窗口的传感器数据,可以将它们排列成一个时间序列,其中每个时间点包含了所有传感器的数据。这将形成一个空间维度,其中每个时间点代表一个时间窗口的传感器数据。
对时间窗口数据集进行锂电池特征提取,从而获得特征维度;
本实施例中对时间窗口数据集进行锂电池特征提取,以获得特征维度。这可能包括从电池性能数据中提取各种特征,如充电速度、温度变化率、电流波动等。每个提取的特征将成为特征维度的一部分。
根据空间维度、时间维度以及特征维度构建3D张量;
本实施例中整合时间维度、空间维度和特征维度,构建一个3D张量。这个张量的维度将是时间窗口数量 x 空间维度 x 特征维度。例如,如果有30个时间窗口、5个传感器、10个特征,那么将得到一个30x5x10的3D张量,其中每个元素表示一个时间窗口内的传感器数据和特征。
通过时间窗口数据集以及3D张量构建周期异常检测模型。
本实施例中使用时间窗口数据集以及构建的3D张量来构建周期异常检测模型。这个模型可以是基于机器学习的模型,例如循环神经网络(RNN)或卷积神经网络(CNN),也可以是统计模型,如季节性分解方法。可以使用这个模型来检测周期性异常,例如电池性能在特定时间窗口内的异常变化。
本发明中提取时间维度可以将数据按照时间顺序进行组织,有助于分析数据随时间的变化趋势。这可以揭示电池性能和异常的时间相关性。时间维度提取有助于建立时间序列数据,允许对电池行为的历史演变进行分析。提取传感器空间数据可以聚焦于感应器的测量值,这是了解电池状态的重要组成部分。通过提取传感器数据,可以捕获电池***的物理特性。这些数据用于分析传感器的变化,例如电压、温度、电流等,以检测潜在的异常或问题。通过对传感器空间数据进行排列,可以构建具有空间维度的数据结构,有助于更好地理解电池***中不同传感器之间的相互关系。这有助于捕获电池***中空间上的异常模式,例如传感器之间的相互影响,或者特定位置的异常。提取锂电池特征可以捕获电池性能的关键特征,例如容量、内阻、充电/放电效率等。这有助于在异常检测中聚焦于关键参数。提取的特征可用于建立异常检测模型,识别电池性能方面的异常行为。将时间维度、空间维度和特征维度组合成3D张量结构有助于综合考虑多个数据维度。这使得可以同时分析不同维度的信息。3D张量的构建使得可以使用多维数据进行异常检测,例如同时考虑时间、空间和特征上的异常行为。通过使用时间窗口数据集和3D张量,构建周期异常检测模型可以帮助检测电池***中的周期性异常。这有助于发现电池在特定时间和空间条件下的异常行为。该模型可用于实时监测和预测电池***中的周期性问题,以便及早采取维护和预防措施,提高电池的可靠性和性能。
可选地,步骤S4具体为:
对低维窗口数据进行充电周期异常标记提取,从而获得异常标记数据点;
本实施例中从低维窗口数据中提取充电周期异常标记。这可以通过分析电池的充电过程中的异常行为来实现。例如,可以检测到电池在充电期间的电压、电流或温度突然变化或超出正常范围的情况。这些异常情况将被标记为异常充电事件,并用于后续分析。
通过异常充电影响度计算公式对异常标记数据点以及锂电池工况数据进行计算,从而获得异常充电影响度;
本实施例中使用异常充电影响度计算公式来计算每个异常标记数据点的异常充电影响度。
其中,异常充电影响度计算公式具体为:
;
式中,为异常充电影响度,/>为充电时间,/>为锂电池电压,/>为观察时间,/>为异常标记数据点的锂电池容量,/>为锂电池平均工作时间,/>为电池内阻,/>为异常标记数据点的特征索引,/>为异常标记数据点的特征总数,/>为异常标记数据点的特征数值随时间的变化率;
本发明构造了一个异常充电影响度计算公式,用于对异常标记数据点以及锂电池工况数据进行计算。该公式充分考虑了影响异常充电影响度的充电时间/>,锂电池电压/>,观察时间/>,异常标记数据点的锂电池容量/>,锂电池平均工作时间/>,电池内阻/>,异常标记数据点的特征索引/>,异常标记数据点的特征总数/>,异常标记数据点的特征数值随时间的变化率/>,形成了函数关系:/>
;
其中是电池电压/>相对于时间/>的变化率,表示电压的斜率。当电池充电或放电时,电压会随时间变化。这一部分表示电压的变化速度。/>这是锂电池的平均工作时间/>与异常标记数据点的电池容量/>之比的自然对数。它表示电池在平均工作时间内的容量使用情况。如果电池容量/>远低于平均工作时间/>,说明电池可能会在较短时间内用完,从而影响电池寿命。/>这一部分表示充电时间/>与电池内阻/>之比的平方根。电池内阻/>对电池的性能和充电过程有重要影响。如果充电时间/>相对于电池内阻/>较大,可能会导致电池内部的热量积累,从而影响电池的寿命。/>这表示对所有的异常标记数据点特征/>进行求和。/>是异常标记数据点的特征总数,表示对所有特征进行综合考虑。/>这是特征/>的权重,表示不同特征对异常充电影响度的相对重要性。不同的特征可能会以不同的方式影响电池的寿命,因此通过赋予不同的权重来考虑它们的贡献。/>这是特征/>随时间/>的变化率。它表示特征/>在观察时间内的变化情况。不同的特征可能在充电过程中以不同的方式变化,这一部分考虑了这些变化的影响。最终,将上述各部分的结果进行积分(从0到/>),得到了异常充电影响度/>。这个影响度可以综合考虑了电压变化、电池容量使用、充电时间与内阻的关系以及多个特征的变化对电池寿命的影响。通过这个计算公式,可以量化异常充电的影响,有助于进一步分析和管理电池***,以提高电池的可靠性和寿命。
通过电池寿命预测模型对低维窗口数据进行未来电池寿命预测,从而获得未来寿命序列;
本实施例中使用电池寿命预测模型对低维窗口数据进行未来电池寿命预测。模型将考虑电池的使用情况、充电历史以及其他因素来估计电池的寿命。
基于异常充电影响度对未来寿命序列进行序列校正,从而获得剩余寿命序列。
本实施例中基于异常充电影响度对未来寿命序列进行校正。如果某个时间点的异常充电影响度很高,说明电池受到了重大影响,因此可以将该时间点的未来寿命预测进行调整,减少寿命预测值,反映电池寿命的减少。这样,可以得到一个经过校正的剩余寿命序列,它更准确地反映了电池的剩余寿命。
本发明通过识别和标记充电周期异常数据点,可以确定在电池充电过程中出现的异常情况,如过快充电或过慢充电。异常标记数据点可用于后续步骤中的异常充电影响度计算,以帮助理解异常充电对电池寿命的影响。通过计算异常充电影响度,可以量化异常充电对电池寿命的潜在影响程度。这有助于识别哪些异常充电情况对电池的寿命影响最严重。使用电池寿命预测模型对低维窗口数据进行预测可以估计未来电池的寿命。这可以帮助规划维护和更好地管理电池的使用。通过基于异常充电影响度对未来寿命序列进行校正,可以更准确地估计电池的剩余寿命。这有助于避免不必要的维护或替换,同时提高电池的可靠性。校正后的剩余寿命序列可用于制定更精确的维护计划,以确保电池在其寿命末期之前不会失效。
可选地,步骤S5具体为:
对剩余寿命序列进行平滑处理,从而获得平滑寿命序列;
本实施例中将剩余寿命序列进行平滑处理,以减少噪声和波动。这可以使用各种滤波技术来实现,如移动平均滤波、指数平滑或Kalman滤波。例如,可以采用移动平均滤波,计算一定窗口内的平均值来平滑寿命序列,从而获得平滑寿命序列。
根据平滑寿命序列进行趋势分析,从而获得寿命趋势;
本实施例中对平滑寿命序列进行趋势分析,以捕捉寿命随时间的变化趋势。这可以使用线性回归、多项式拟合或时间序列分析方法来完成。通过这个步骤,可以获得寿命趋势的参数,例如斜率和截距,以反映寿命是增长还是减少。
对平滑寿命序列进行傅里叶变换,从而获得寿命频谱;
本实施例中将平滑寿命序列进行傅里叶变换,以将时域信号转换为频域信号。这可以使用快速傅里叶变换(FFT)等技术来实现。傅里叶变换将帮助分析寿命序列中的周期性成分,并获得寿命频谱,其中包含了不同频率成分的振幅和相位信息。
根据充电周期异常数据进行傅里叶变换,从而获得充电周期异常频谱;
本实施例中对充电周期异常数据进行傅里叶变换,以获得充电周期异常频谱。这将有助于分析充电周期异常的频域特征。
根据寿命频谱进行周期性分析,从而获得寿命周期性,并根据充电周期异常频谱对寿命周期性进行参数标记,从而获得标记寿命周期性;
本实施例中使用寿命频谱进行周期性分析,以确定寿命周期性。这可以通过识别寿命频谱中的主要频率成分和振幅来实现。同时,还可以根据充电周期异常频谱的特征来对寿命周期性进行参数标记。例如,如果在频谱中发现与充电周期异常相关的频率成分,可以将其作为标记寿命周期性的参数之一。
对平滑寿命序列进行峰值提取,从而获得寿命峰值点;
本实施例中对平滑寿命序列进行峰值提取。这意味着识别寿命序列中的显著峰值点,这些点可能表示寿命的关键事件或突发情况。峰值可以使用信号处理技术如峰值检测算法来提取。
将寿命峰值点、标记寿命周期性以及寿命趋势进行数据合并,从而获得形态学特征;
本实施例中将寿命峰值点、标记寿命周期性和寿命趋势等信息进行数据合并,以创建形态学特征。这些特征将包含寿命序列的关键信息,如寿命的波动、周期性、趋势和重要事件。
根据形态学特征对电池寿命预测模型进行动态参数优化,从而获得寿命动态预测模型。
本实施例中根据形态学特征,可以对电池寿命预测模型进行动态参数优化。这可以通过机器学习技术或优化算法来实现,以确保模型能够更准确地预测电池的寿命。根据形态学特征的变化,可以自适应地调整模型参数,以更好地适应电池寿命的变化情况。
本发明中平滑处理可以去除数据中的噪声和波动,使得寿命数据更具可解释性,减少了随机性。平滑后的数据可用于更准确地估计电池的寿命,并减少因噪声引起的误差。趋势分析可以帮助识别电池寿命随时间的变化趋势,是否逐渐衰减或持续稳定。趋势分析提供了对电池健康状态的重要见解,有助于判断电池是否处于寿命末期。傅里叶变换可以将寿命数据从时间域转换到频域,从而揭示潜在的周期性或频率成分。寿命频谱分析可以用于检测电池寿命中的周期性模式,这对于寻找寿命的周期性因素非常有用。傅里叶变换用于分析充电周期异常数据,有助于发现可能导致寿命异常的充电周期问题。异常频谱分析可用于识别充电周期中的异常行为,这可以影响电池寿命。周期性分析可以帮助确定电池寿命中的周期性模式,并通过充电周期异常频谱来标记这些模式,以便进一步的分析。这有助于识别导致电池寿命异常的周期性因素,并可能指导维护策略。提取寿命峰值点有助于识别电池寿命中的关键事件或突发情况。寿命峰值点可以用于标记电池性能的显著改变,这可能与寿命的临界点相关。将寿命峰值点、标记寿命周期性和寿命趋势合并为形态学特征可以提供关于电池寿命状态的全面信息。这些特征可用于优化寿命预测模型,以更准确地估计电池的寿命。通过基于形态学特征对电池寿命预测模型进行动态参数优化,可以建立一个更准确的寿命预测模型,该模型可以实时监测电池寿命,并根据实际情况进行调整。这个模型可以用于预测电池的剩余寿命,有助于采取适当的维护和替换策略,提高电池的可靠性和性能。
可选地,本说明书还提供一种锂离子电池剩余寿命预测***,该锂离子电池剩余寿命预测***包括:
特征矩阵构建模块,用于通过预设的传感器获取锂电池电气数据以及锂电池工况数据,根据锂电池电气数据以及锂电池工况数据构建锂电池特征矩阵;
时间窗口检测模块,用于对锂电池特征矩阵进行时间窗口异常检测,从而获得时间窗口数据;
模型构建模块,用于对时间窗口数据进行嵌入式降维处理,从而获得低维窗口数据,并根据低维窗口数据构建电池寿命预测模型;
序列预测模块,用于利用电池寿命预测模型对低维窗口数据进行序列预测,从而获得剩余寿命序列;
形态学分析模块,用于根据剩余寿命序列进行形态学分析,从而获得形态学特征,并根据形态学特征对电池寿命预测模型进行动态参数优化,从而获得寿命动态预测模型;
剩余寿命预测模块,用于利用寿命动态预测模型对锂电池电气数据以及锂电池工况数据进行剩余寿命预测,从而获得锂离子电池预测剩余寿命。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种锂离子电池剩余寿命预测方法,其特征在于,包括以下步骤:
步骤S1:通过预设的传感器获取锂电池电气数据以及锂电池工况数据,并根据锂电池电气数据以及锂电池工况数据构建锂电池特征矩阵;
步骤S2:对锂电池特征矩阵进行时间窗口异常检测,从而获得时间窗口数据;
步骤S3:对时间窗口数据进行嵌入式降维处理,从而获得低维窗口数据,并根据低维窗口数据构建电池寿命预测模型;
步骤S4:利用电池寿命预测模型对低维窗口数据进行序列预测,从而获得剩余寿命序列;
步骤S5:根据剩余寿命序列进行形态学分析,从而获得形态学特征,并根据形态学特征对电池寿命预测模型进行动态参数优化,从而获得寿命动态预测模型;
步骤S6:利用寿命动态预测模型对锂电池电气数据以及锂电池工况数据进行剩余寿命预测,从而获得锂离子电池预测剩余寿命。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
步骤S11:通过预设的传感器获取锂电池电气数据以及锂电池工况数据;
步骤S12:对锂电池电气数据以及锂电池工况数据进行相关性分析,从而获得相关性矩阵;
步骤S13:对锂电池电气数据以及锂电池工况数据进行电池工作异常检测,从而获得工作异常数据;
步骤S14:对锂电池电气数据以及锂电池工况数据进行时域特征提取,从而获得锂电池时域特征;
步骤S15:对锂电池电气数据以及锂电池工况数据进行频域特征提取,从而获得锂电池频域特征;
步骤S16:通过相关性矩阵对锂电池时域特征、锂电池频域特征以及工作异常数据进行关联矩阵映射,从而获得锂电池特征矩阵。
3.根据权利要求2所述的方法,其特征在于,步骤S12具体为:
对锂电池电气数据以及锂电池工况数据进行特征筛选,从而获得电气特征数据以及工况特征数据;
对电气特征数据进行协方差矩阵计算,从而获得电气协方差矩阵;
对工况特征数据进行协方差矩阵计算,从而获得工况协方差矩阵;
根据电气协方差矩阵以及工况协方差矩阵进行矩阵元素合并,从而获得相关性矩阵。
4.根据权利要求3所述的方法,其特征在于,步骤S13具体为:
步骤S131:将锂电池电气数据以及锂电池工况数据进行时序合并,从而获得待异常检测数据;
步骤S132:通过异常工作得分计算公式对待异常检测数据进行异常工作得分计算,从而获得异常工作得分数据;
步骤S133:根据异常工作得分数据进行统计分析,从而获得异常工作阈值;
步骤S134:通过异常工作阈值对待异常检测数据进行分类计算,从而获得工作异常数据。
5.根据权利要求4所述的方法,其特征在于,步骤S132中的异常工作得分计算公式具体为:
;
式中,为异常工作得分,/>为锂电池电压,/>为观察时间,/>为锂电池的电流值,/>为锂电池的容量,/>为电池温度值,/>为锂电池充电速率,/>为锂电池放电速率,/>为工况综合参数,/>为充电速率权重,/>为放电速率权重,/>为锂电池平均工作时间。
6.根据权利要求5所述的方法,其特征在于,步骤S2具体为:
步骤S21:根据待异常检测数据进行时间窗口定义以及滑动步长定义,从而获得时间窗口以及滑动步长;
步骤S22:通过时间窗口以及滑动步长对锂电池特征矩阵进行矩阵切分,从而获得时间窗口数据集;
步骤S23:根据时间窗口数据集以及待异常检测数据构建周期异常检测模型;
步骤S24:通过周期异常检测模型对锂电池特征矩阵进行周期异常检测,从而获得充电周期异常数据;
步骤S25:利用充电周期异常数据对锂电池特征矩阵进行异常标记,从而获得时间窗口数据。
7.根据权利要求6所述的方法,其特征在于,步骤S24具体为:
对时间窗口数据集进行时间维度提取,从而获得时间维度;
对待异常检测数据进行传感器空间数据提取,从而获得传感器空间数据;
根据传感器空间数据进行空间序列排列,从而获得空间维度;
对时间窗口数据集进行锂电池特征提取,从而获得特征维度;
根据空间维度、时间维度以及特征维度构建3D张量;
通过时间窗口数据集以及3D张量构建周期异常检测模型。
8.根据权利要求7所述的方法,其特征在于,步骤S4具体为:
对低维窗口数据进行充电周期异常标记提取,从而获得异常标记数据点;
通过异常充电影响度计算公式对异常标记数据点以及锂电池工况数据进行计算,从而获得异常充电影响度;
其中,异常充电影响度计算公式具体为:
;
式中,为异常充电影响度,/>为充电时间,/>为锂电池电压,/>为观察时间,/>为异常标记数据点的锂电池容量,/>为锂电池平均工作时间,/>为电池内阻,/>为异常标记数据点的特征索引,/>为异常标记数据点的特征总数,/>为异常标记数据点的特征数值随时间的变化率;
通过电池寿命预测模型对低维窗口数据进行未来电池寿命预测,从而获得未来寿命序列;
基于异常充电影响度对未来寿命序列进行序列校正,从而获得剩余寿命序列。
9.根据权利要求8所述的方法,其特征在于,步骤S5具体为:
对剩余寿命序列进行平滑处理,从而获得平滑寿命序列;
根据平滑寿命序列进行趋势分析,从而获得寿命趋势;
对平滑寿命序列进行傅里叶变换,从而获得寿命频谱;
根据充电周期异常数据进行傅里叶变换,从而获得充电周期异常频谱;
根据寿命频谱进行周期性分析,从而获得寿命周期性,并根据充电周期异常频谱对寿命周期性进行参数标记,从而获得标记寿命周期性;
对平滑寿命序列进行峰值提取,从而获得寿命峰值点;
将寿命峰值点、标记寿命周期性以及寿命趋势进行数据合并,从而获得形态学特征;
根据形态学特征对电池寿命预测模型进行动态参数优化,从而获得寿命动态预测模型。
10.一种锂离子电池剩余寿命预测***,其特征在于,用于执行如权利要求1所述的一种锂离子电池剩余寿命预测方法,该锂离子电池剩余寿命预测***包括:
特征矩阵构建模块,用于通过预设的传感器获取锂电池电气数据以及锂电池工况数据,根据锂电池电气数据以及锂电池工况数据构建锂电池特征矩阵;
时间窗口检测模块,用于对锂电池特征矩阵进行时间窗口异常检测,从而获得时间窗口数据;
模型构建模块,用于对时间窗口数据进行嵌入式降维处理,从而获得低维窗口数据,并根据低维窗口数据构建电池寿命预测模型;
序列预测模块,用于利用电池寿命预测模型对低维窗口数据进行序列预测,从而获得剩余寿命序列;
形态学分析模块,用于根据剩余寿命序列进行形态学分析,从而获得形态学特征,并根据形态学特征对电池寿命预测模型进行动态参数优化,从而获得寿命动态预测模型;
剩余寿命预测模块,用于利用寿命动态预测模型对锂电池电气数据以及锂电池工况数据进行剩余寿命预测,从而获得锂离子电池预测剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337131.4A CN117074965B (zh) | 2023-10-17 | 2023-10-17 | 一种锂离子电池剩余寿命预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337131.4A CN117074965B (zh) | 2023-10-17 | 2023-10-17 | 一种锂离子电池剩余寿命预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117074965A true CN117074965A (zh) | 2023-11-17 |
CN117074965B CN117074965B (zh) | 2023-12-12 |
Family
ID=88704663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311337131.4A Active CN117074965B (zh) | 2023-10-17 | 2023-10-17 | 一种锂离子电池剩余寿命预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117074965B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272844A (zh) * | 2023-11-22 | 2023-12-22 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及*** |
CN117710759A (zh) * | 2024-02-06 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074757A (zh) * | 2010-12-24 | 2011-05-25 | 惠州市亿能电子有限公司 | 一种锂离子电池荷电状态的估算方法 |
US20160209472A1 (en) * | 2015-01-21 | 2016-07-21 | North Carolina State University | Method and apparatus for estimating battery life |
CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
CN112986831A (zh) * | 2021-04-30 | 2021-06-18 | 上海海事大学 | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 |
CN113640674A (zh) * | 2021-06-30 | 2021-11-12 | 昆明理工大学 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
CN114814631A (zh) * | 2022-04-25 | 2022-07-29 | 浙江大学 | 一种基于云计算与特征选择的锂电池在线寿命预测方法 |
CN116609668A (zh) * | 2023-04-26 | 2023-08-18 | 淮阴工学院 | 一种锂离子电池健康状态和剩余寿命预测方法 |
-
2023
- 2023-10-17 CN CN202311337131.4A patent/CN117074965B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074757A (zh) * | 2010-12-24 | 2011-05-25 | 惠州市亿能电子有限公司 | 一种锂离子电池荷电状态的估算方法 |
US20160209472A1 (en) * | 2015-01-21 | 2016-07-21 | North Carolina State University | Method and apparatus for estimating battery life |
CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
CN112986831A (zh) * | 2021-04-30 | 2021-06-18 | 上海海事大学 | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 |
CN113640674A (zh) * | 2021-06-30 | 2021-11-12 | 昆明理工大学 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
CN114814631A (zh) * | 2022-04-25 | 2022-07-29 | 浙江大学 | 一种基于云计算与特征选择的锂电池在线寿命预测方法 |
CN116609668A (zh) * | 2023-04-26 | 2023-08-18 | 淮阴工学院 | 一种锂离子电池健康状态和剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
时玮等: "纯电动公交车动力电池寿命测试行驶工况的研究", 汽车工程, vol. 35, no. 02, pages 138 - 151 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272844A (zh) * | 2023-11-22 | 2023-12-22 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及*** |
CN117272844B (zh) * | 2023-11-22 | 2024-04-09 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及*** |
CN117710759A (zh) * | 2024-02-06 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测***及方法 |
CN117710759B (zh) * | 2024-02-06 | 2024-04-26 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117074965B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及*** | |
EP2869153A1 (en) | Health management system, fault diagnosis system, health management method, and fault diagnosis method | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN114167838B (zh) | 一种伺服***多尺度健康评估与故障预测方法 | |
US20150066431A1 (en) | Use of partial component failure data for integrated failure mode separation and failure prediction | |
CN116683588B (zh) | 锂离子电池充放电控制方法及*** | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及*** | |
CN117289168B (zh) | 基于传感器数据和智能算法的产品质量监测*** | |
CN116660759B (zh) | 基于bms电池管理***的电池寿命预测方法及装置 | |
CN116643178A (zh) | 一种电池管理***的soc估算方法及相关装置 | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
CN117893059A (zh) | 基于传感器的储能数据采集分析方法及*** | |
CN116975604B (zh) | 贴片机驱动***的故障预测方法及*** | |
CN117808456A (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
WO2024090453A1 (ja) | 情報処理方法、情報処理システム及びプログラム | |
US20240210479A1 (en) | Battery performance monitoring and optimization using unsupervised clustering | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
CN117783745B (zh) | 用于换电柜的数据在线监测方法及*** | |
CN117452236B (zh) | 新能源汽车的电池寿命检测方法及*** | |
JP2024063628A (ja) | 情報処理方法、情報処理システム及びプログラム | |
CN117092541B (zh) | 一种直流充电大数据计算电池健康的分析方法 | |
JP2024063629A (ja) | 情報処理方法、情報処理システム及びプログラム | |
CN117930024A (zh) | 基于informer模型的电池健康状态智能监测方法 | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |