锂电池剩余循环寿命预测模型的构建方法及装置制造方法及图纸

本发明专利技术提供一种锂电池剩余循环寿命预测模型的构建方法及装置，其中，该方法包括：获取N个样本电池的特征数据，特征数据包括：m个充电特征元素、n个放电特征元素和样本电池电容，其中，N为大于1的整数，m、n为大于0的整数，采用自编码模型对N个样本电池的特征数据进行特征融合处理，得到融合后的特征数据，其中，融合后的特征数据包括有L个特征元素，L为大于0的整数，且L小于m+n+1，采用N个样本电池融合后的特征数据对深度神经网络DNN模型进行训练，获取锂电池剩余循环寿命预测模型。实现了能够构建精确度更高的锂电池剩余循环寿命预测模型，从而使预测锂电池剩余循环寿命时能够更加简单、方便，得到预测结果精确度更高。

【技术实现步骤摘要】
锂电池剩余循环寿命预测模型的构建方法及装置
本专利技术涉及锂电池
，尤其涉及一种锂电池剩余循环寿命预测模型的构建方法及装置。
技术介绍
锂电池是依靠锂离子在正负极之间来回穿梭实现电能的转换和存储，来完成锂电池的充放电过程。在理想的状态下，这种充放电过程可以无限次的进行，但是在实际使用中，锂电池内部的化学反应会消耗电解液、隔膜和电池极性这些材料，从而使锂电池内部发生不可扭转的衰退，影响电池的寿命。锂电池的寿命包括三种：存储寿命、使用寿命和循环寿命，其中，锂电池的剩余循环寿命是体现锂电池的性能状态以及健康状态的重要特征，预测锂电池的剩余循环寿命有着重要的意义，例如预测锂电池的剩余循环寿命能够决定是否更换电池，以避免因锂电池失效而导致灾难性事故的发生。现有技术中，可以基于模型驱动的方法，通过综合考虑电池负载、电池材料、退化机理和电池失效机制，建立锂电池退化预测模型，以实现对锂电池的剩余循环寿命的预测。但是由于锂电池内部的高度复杂的化学反应，建立模型所需要的状态数据通常难以检测和收集，因此，难以建立准确度高的锂电池退化预测模型，所以不便于对锂电池的剩余循环寿命进行预测。
技术实现思路
基于现有技术中存在的缺陷，本专利技术提供一种锂电池剩余循环寿命预测模型的构建方法及装置。一方面，本专利技术提供一种锂电池剩余循环寿命预测模型的构建方法，所述方法包括：获取N个样本电池的特征数据，所述特征数据包括：m个充电特征元素、n个放电特征元素、样本电池电容，其中，N为大于1的整数，m、n为大于0的整数；采用自编码模型对所述N个样本电池的特征数据进行特征融合处理，得到融合后的特征数据，其中，所述融合后的特征数据包括有L个特征元素，L为大于0的整数，且L小于m+n+1；采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练，获取锂电池剩余循环寿命预测模型。进一步地，m个充电特征元素包括下述一项或多项：电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征；n个放电特征元素包括下述一项或多项：电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征。进一步地，获取N个样本电池的特征数据，包括：从预设数据库中读取所述N个样本电池的特征数据。进一步地，在所述锂电池剩余循环寿命预测模型输入待测电池在一次充放电过程中的测量参数，获取所述待测电池的剩余循环寿命。进一步地，所述测量参数包括下述一项或多项：电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征，电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征，待测电池电容。另一方面，本专利技术还提供一种锂电池剩余循环寿命预测模型的构建装置，所述装置包括：获取模块，用于获取N个样本电池的特征数据，所述特征数据包括：m个充电特征元素、n个放电特征元素和样本电池电容，其中，N为大于1的整数，m、n为大于0的整数；特征融合模块，用于采用自编码模型对所述N个样本电池的特征数据进行特征融合处理，得到融合后的特征数据，其中，所述融合后的特征数据包括有L个特征元素，L为大于0的整数，且L小于m+n+1；训练模块，用于采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练，获取锂电池剩余循环寿命预测模型。进一步地，m个充电特征元素包括下述一项或多项：电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征；n个放电特征元素包括下述一项或多项：电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征。进一步地，所述获取模块，具体用于从预设数据库中读取所述N个样本电池的特征数据。进一步地，所述获取模块，还用于在所述锂电池剩余循环寿命预测模型输入待测电池在一次充放电过程中的测量参数，获取所述待测电池的剩余循环寿命。进一步地，上述测量参数包括下述一项或多项：电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征、电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征、待测电池电容。本专利技术提供的锂电池剩余循环寿命预测模型的构建方法及装置中，通过获取N个样本电池的特征数据，所述特征数据包括：m个充电特征元素、n个放电特征元素、样本电池电容，其中，N为大于1的整数，m、n为大于0的整数，采用自编码模型对所述N个样本电池的特征数据进行特征融合处理，得到融合后的特征数据，其中，所述融合后的特征数据包括有L个特征元素，L为大于0的整数，且L小于m+n+1，采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练，获取锂电池剩余循环寿命预测模型。即具体通过采用大量样本数据，并结合自编码模型和DNN模型，实现了能够构建精确度更高的锂电池剩余循环寿命预测模型，从而使预测锂电池剩余循环寿命时能够更加简单、方便，得到的剩余循环寿命预测结果精确度更高。附图说明为了更清楚地说明本专利技术各实施例，下面将对各实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例提供的锂电池剩余循环寿命预测模型的构建方法流程示意图；图2为本专利技术一实施例提供的锂电池剩余循环寿命预测模型的构建装置的结构示意图；图3为本专利技术另一实施例提供的锂电池剩余循环寿命预测模型的构建装置。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术一实施例提供的锂电池剩余循环寿命预测模型的构建方法流程示意图，如图1所示，本实施例的方法可以包括：S101、获取N个样本电池的特征数据，所述特征数据包括：m个充电特征元素、n个放电特征元素、样本电池电容，其中，N为大于1的整数，m、n为大于0的整数。具体地，N个样本电池的特征数据可为对N个样本电池分别进行多次充放电循环，每一个样本电池在每次充放电循环过程中提取出一组特征数据，其中，N为大于1的整数，需要说明的是，N个样本电池是同型号的锂电池或锂离子电池。每组特征数据包括：m个充电特征元素、n个放电特征元素、样本电池电容，其中，m、n为大于0的整数。可选地，样本电池在一次充电过程中的m个充电特征元素可包括下述中的一项或者多项：1、电池端充电时电压特征，是指在一次充电过程中电池输出电压最先超过4.2伏特的电压值和相应数据的采集时间。2、电池端充电时输出电流特征，是指在一次充电过程中电池输出电流开始下降时的电压值和相应数据的采集时间。3、电池端充电时温度特征，是指在一次充电过本文档来自技高网...

【技术保护点】
1.一种锂电池剩余循环寿命预测模型的构建方法，其特征在于，包括：获取N个样本电池的特征数据，所述特征数据包括：m个充电特征元素、n个放电特征元素和样本电池电容，其中，N为大于1的整数，m、n为大于0的整数；采用自编码模型对所述N个样本电池的特征数据进行特征融合处理，得到融合后的特征数据，其中，所述融合后的特征数据包括有L个特征元素，L为大于0的整数，且L小于m+n+1；采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练，获取锂电池剩余循环寿命预测模型。

【技术特征摘要】
1.一种锂电池剩余循环寿命预测模型的构建方法，其特征在于，包括：获取N个样本电池的特征数据，所述特征数据包括：m个充电特征元素、n个放电特征元素和样本电池电容，其中，N为大于1的整数，m、n为大于0的整数；采用自编码模型对所述N个样本电池的特征数据进行特征融合处理，得到融合后的特征数据，其中，所述融合后的特征数据包括有L个特征元素，L为大于0的整数，且L小于m+n+1；采用N个样本电池的所述融合后的特征数据对深度神经网络DNN模型进行训练，获取锂电池剩余循环寿命预测模型。2.根据权利要求1所述的方法，其特征在于，m个充电特征元素包括下述一项或多项：电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征；n个放电特征元素包括下述一项或多项：电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征。3.根据权利要求1所述的方法，其特征在于，所述获取N个样本电池的特征数据，包括：从预设数据库中读取所述N个样本电池的特征数据。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述锂电池剩余循环寿命预测模型输入待测电池在一次充放电过程中的测量参数，获取所述待测电池的剩余循环寿命。5.根据权利要求4所述的方法，其特征在于，所述测量参数包括下述一项或多项：电池端充电时电压特征、电池端充电时输出电流特征、电池端充电时温度特征、电池充电时的充电电流特征、电池充电时的充电电压特征、电池端放电时电压特征、电池端放电时输出电流特征、电池端放电时温度特征、电池放电时的负载电流特征、待测电池电容。6.一种锂电池剩余...

【专利技术属性】
技术研发人员：任磊，赵世强，崔晋，孙亚强，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11