一种基于累计因子的电池SOH预测方法及模型训练方法技术

本发明专利技术公开了一种基于累计因子的电池SOH预测方法及模型训练方法，预测模型通过以下步骤获取：利用电池大数据平台的电池数据，计算多个累计因子，所述累计因子为在预定义的单位时间内的非瞬态的累计参数；以所述预定义的单位时间为间隔，利用所述电池大数据平台计算历史SOH值；将计算得到的所述累计因子和历史SOH值整合成学习样本数据集，其中历史SOH值为标签；利用所述学习样本数据集对一基础深度学习神经网络模型进行训练，得到所述基于累计因子的电池SOH预测模型。本发明专利技术引入大量的累计因子作为模型的输入特征，同时结合历史SOH值去对未来的SOH进行预测。对未来的SOH进行预测。对未来的SOH进行预测。

【技术实现步骤摘要】
一种基于累计因子的电池SOH预测方法及模型训练方法


[0001]本专利技术涉及电池健康
，尤其涉及一种基于累计因子的电池SOH预测方法及模型训练方法。

技术介绍

[0002]电池系统是电池包(动力电池，储能电池等)的核心部分，如果电池系统受到损伤，那么新能源汽车的续航里程也将大大减少。电池系统(BMS)引入对电池健康状态(SOH)的估算，以评估电池系统的健康状态，具有重要的意义。
[0003]常见的SOH预测方法中的数据驱动预测方法有安时积分法、机器学习法等，其不足之处在于因子的维度较为单一，且大部分数据为当时的瞬时状态(如电池运行状态，当时电芯温度、电压等参数)，而并不是累计的数据，使得预测精度不足；另外一个缺陷就是可预测时间较短。
[0004]以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。

技术实现思路

[0005]本专利技术的目的是提供一种基于累计因子的电池SOH预测方法，结合深度学习技术和各个自定义的累计因子对SOH进行准确且较长一段时间的预测。
[0006]为达到上述目的，本专利技术采用的技术方案如下：
[0007]一种基于累计因子的电池SOH预测方法，包括以下步骤：
[0008]根据预测时长的需求，利用电池大数据平台获取与预测时长相等的历史时长内的多项累计因子，所述累计因子为在预定义的单位时间内的非瞬态的累计参数；并以所述预定义的单位时间为间隔，利用电池大数据平台获取该历史时长内的多个SOH值；
[0009]将所述历史时长内的累计因子和SOH值按照所述单位时间进行分项，以将对应同一单位时间的累计因子和SOH值整合成一项输入数据；
[0010]将所述历史时长内的多项输入数据输入至预先完成训练的基于累计因子的电池SOH预测模型；
[0011]所述基于累计因子的电池SOH预测模型输出所述预测时长的电池SOH预测结果；
[0012]其中，所述基于累计因子的电池SOH预测模型通过以下步骤获取：
[0013]利用电池大数据平台的电池数据，计算多个累计因子，所述累计因子为在预定义的单位时间内的非瞬态的累计参数；
[0014]以所述预定义的单位时间为间隔，利用所述电池大数据平台计算历史SOH值；
[0015]将计算得到的所述累计因子和历史SOH值整合成学习样本数据集，其中历史SOH值为标签；
[0016]利用所述学习样本数据集对一基础深度学习神经网络模型进行训练，得到所述基于累计因子的电池SOH预测模型。
[0017]进一步地，承前所述的任一技术方案或多个技术方案的组合，所述累计因子包括日历天数、在预定义的单位时间内的累计充电时长、累计放电时长、累计充电量、累计放电量、累计行驶里程、累计放电过程起止SOC使用区间分布、累计充电过程起止SOC使用区间分布、累计电流倍率区间时长分布、累计电池单体压差区间时长分布、电芯工作温度的时长分布、预设高温区间对应的累计时长、预设低温区间对应的累计时长、充电高温区间累计时长、充电低温区间累计时长、放电高温区间累计时长、放电低温区间累计时长、预设温差区间累计时长、预设压差区间累计时长、电流倍率区间累计时长、预设充电功率区间累计时长、预设充电功率区间累计电量中的多种。
[0018]进一步地，承前所述的任一技术方案或多个技术方案的组合，所述输入数据中的累计因子与所述样本数据中的累计因子种类相同，所述预设高温区间、预设低温区间、充电高温区间、充电低温区间、放电高温区间、放电低温区间、预设温差区间、预设压差区间、电流倍率区间、预设充电功率区间、预设充电功率区间中的一种或多种具有多个区间范围，至少配置80种所述累计因子。
[0019]进一步地，承前所述的任一技术方案或多个技术方案的组合，在构建所述基于累计因子的电池SOH预测模型的过程中，通过以下方式整合所述学习样本数据集：
[0020]以24小时为预定义的单位时间，得到电池投入使用以来的累计因子及历史SOH值；
[0021]对所述累计因子和历史SOH值进行数据清洗；
[0022]将清洗好的数据以日期进行分项，将同一日期的累计因子和历史SOH值整合成一个学习样本；
[0023]不同日期的学习样本和/或不同电池的学习样本组成所述学习样本数据集。
[0024]进一步地，承前所述的任一技术方案或多个技术方案的组合，所述数据清洗的操作包括丢弃异常值和/或填充空值，其中，所述填充空值的操作为：若电池某一天的记录缺失或者不齐全，则采用向前填充或向后填充的方式以填充记录中的空白部分。
[0025]进一步地，承前所述的任一技术方案或多个技术方案的组合，在得到所述学习样本数据集之后，还包括对其进行数据分析操作和/或特征工程操作，以排除部分的累计因子，生成新的学习样本数据集。
[0026]进一步地，承前所述的任一技术方案或多个技术方案的组合，所述数据分析操作为皮尔逊相关系数分析操作，所述特征工程操作为特征交叉操作或特征融合操作。
[0027]进一步地，承前所述的任一技术方案或多个技术方案的组合，使用雨流计数法获取所述历史SOH值。
[0028]进一步地，承前所述的任一技术方案或多个技术方案的组合，所述基于累计因子的电池SOH预测方法满足3个月的预测时长需求。
[0029]另一方面，提供了一种基于累计因子的电池SOH预测模型的训练方法，包括以下步骤：
[0030]利用电池大数据平台的电池数据，计算多个累计因子，所述累计因子为在预定义的单位时间内的非瞬态的累计参数，所述累计因子包括日历天数、在预定义的单位时间内的累计充电时长、累计放电时长、累计充电量、累计放电量、累计行驶里程、累计放电过程起
止SOC使用区间分布、累计充电过程起止SOC使用区间分布、累计电流倍率区间时长分布、累计电池单体压差区间时长分布、电芯工作温度的时长分布、预设高温区间对应的累计时长、预设低温区间对应的累计时长、充电高温区间累计时长、充电低温区间累计时长、放电高温区间累计时长、放电低温区间累计时长、预设温差区间累计时长、预设压差区间累计时长、电流倍率区间累计时长、预设充电功率区间累计时长、预设充电功率区间累计电量中的多种；
[0031]以所述预定义的单位时间为间隔，利用所述电池大数据平台计算历史SOH值；
[0032]将计算得到的所述累计因子和历史SOH值整合成学习样本数据集，其中历史SOH值为标签；
[0033]利用所述学习样本数据集对一基础深度学习神经网络模型进行训练，得到所述基于累计因子的电池SOH预测模型。
[0034]本专利技术提供的技术方案带来的有益效果如下：基于累计因子的深度学习方法，引入大量非瞬态的累计因子，如充电累计时长、放电累计时长等，同时结合历史SOH值进行预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于累计因子的电池SOH预测方法，其特征在于，包括以下步骤：根据预测时长的需求，利用电池大数据平台获取与预测时长相等的历史时长内的多项累计因子，所述累计因子为在预定义的单位时间内的非瞬态的累计参数；并以所述预定义的单位时间为间隔，利用电池大数据平台获取该历史时长内的多个SOH值；将所述历史时长内的累计因子和SOH值按照所述单位时间进行分项，以将对应同一单位时间的累计因子和SOH值整合成一项输入数据；将所述历史时长内的多项输入数据输入至预先完成训练的基于累计因子的电池SOH预测模型；所述基于累计因子的电池SOH预测模型输出所述预测时长的电池SOH预测结果；其中，所述基于累计因子的电池SOH预测模型通过以下步骤获取：利用电池大数据平台的电池数据，计算多个累计因子，所述累计因子为在预定义的单位时间内的非瞬态的累计参数；以所述预定义的单位时间为间隔，利用所述电池大数据平台计算历史SOH值；将计算得到的所述累计因子和历史SOH值整合成学习样本数据集，其中历史SOH值为标签；利用所述学习样本数据集对一基础深度学习神经网络模型进行训练，得到所述基于累计因子的电池SOH预测模型。2.根据权利要求1所述的基于累计因子的电池SOH预测方法，其特征在于，所述累计因子包括日历天数、在预定义的单位时间内的累计充电时长、累计放电时长、累计充电量、累计放电量、累计行驶里程、累计放电过程起止SOC使用区间分布、累计充电过程起止SOC使用区间分布、累计电流倍率区间时长分布、累计电池单体压差区间时长分布、电芯工作温度的时长分布、预设高温区间对应的累计时长、预设低温区间对应的累计时长、充电高温区间累计时长、充电低温区间累计时长、放电高温区间累计时长、放电低温区间累计时长、预设温差区间累计时长、预设压差区间累计时长、电流倍率区间累计时长、预设充电功率区间累计时长、预设充电功率区间累计电量中的多种。3.根据权利要求2所述的基于累计因子的电池SOH预测方法，其特征在于，所述输入数据中的累计因子与所述样本数据中的累计因子种类相同，所述预设高温区间、预设低温区间、充电高温区间、充电低温区间、放电高温区间、放电低温区间、预设温差区间、预设压差区间、电流倍率区间、预设充电功率区间、预设充电功率区间中的一种或多种具有多个区间范围，至少配置80种所述累计因子。4.根据权利要求1所述的基于累计因子的电池SOH预测方法，其特征在于，在构建所述基于累计因子的电池SOH预测模型的过程中，通过以下方式整合所...

【专利技术属性】
技术研发人员：陈越，钱磊，朱卓敏，
申请(专利权)人：上海电享信息科技有限公司，
类型：发明
国别省市：