模型训练方法以及用于预测电池SOH和电池RUL的方法技术

本公开提出一种电池SOH预测模型和RUL预测模型的模型训练方法、用于预测电池SOH和电池RUL的方法，涉及人工智能和电池管理技术领域，其中，方法包括：获取样本电池多个充放电过程对应的历史运行数据和对应的第一电池SOH；其中，充放电过程具有对应的次序；分别对各充放电过程对应的历史运行数据进行特征提取，以得到各充放电过程的关键运行特征；基于各充放电过程的关键运行特征和对应的第一电池SOH，对电池SOH预测模型进行训练，以得到经过训练的电池SOH预测模型；基于各充放电过程对应的次序和第一电池SOH，对电池RUL预测模型进行训练，以得到经过训练的电池RUL预测模型。由此，可提升模型的预测效果，即提升模型预测结果的准确性和可靠性。准确性和可靠性。准确性和可靠性。

【技术实现步骤摘要】
模型训练方法以及用于预测电池SOH和电池RUL的方法


[0001]本公开涉及人工智能和电池管理
，尤其涉及一种电池SOH预测模型和RUL预测模型的模型训练方法以及用于预测电池SOH和电池RUL的方法。

技术介绍

[0002]目前，电池因其高能量密度和可再充电性等优势广泛应用于储能技术。然而，随着电池的使用，其性能会随着循环次数（即充放电的次数）的增加而衰减。如何快速且准确地估计电池SOH（State of Health，健康状态）并预测电池RUL（RemainingUsefulLife，剩余使用寿命），对辅助用户对电池的性能做出判断，以及提高电池和用电设备的安全性和可靠性，是非常重要的。

技术实现思路

[0003]本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
[0004]本公开提出一种电池SOH预测模型和RUL预测模型的模型训练方法以及用于预测电池SOH和电池RUL的方法，以可以实现对电池SOH预测模型和电池RUL预测模型的训练，提升模型的预测效果，即提升模型预测结果的准确性和可靠性。
[0005]本公开第一方面实施例提出了一种电池SOH预测模型和RUL预测模型的模型训练方法，包括：获取样本电池多个充放电过程对应的历史运行数据，以及对应的第一电池健康状态SOH；其中，任一所述历史运行数据包括所述样本电池在对应充放电过程中的电压信息、电流信息和温度信息；所述充放电过程具有对应的次序；分别对各所述充放电过程对应的历史运行数据进行特征提取，以得到各所述充放电过程的关键运行特征；基于各所述充放电过程的关键运行特征和对应的第一电池SOH，对电池SOH预测模型进行模型训练，以得到经过训练的电池SOH预测模型；其中，所述电池SOH预测模型为极限学习机ELM模型；基于各所述充放电过程对应的次序和第一电池SOH，对电池RUL预测模型进行模型训练，以得到经过训练的电池RUL预测模型；其中，所述电池RUL预测模型为基于粒子滤波PF算法构建的模型。
[0006]本公开第二方面实施例提出了一种用于预测电池SOH和电池RUL的方法，包括：采用如第一方面实施例提供的电池SOH预测模型和RUL预测模型的模型训练方法获取经过训练的电池健康状态SOH预测模型和电池剩余使用寿命RUL预测模型；获取目标电池的目标充放电过程的目标运行数据；对所述目标运行数据进行特征提取，以获取所述目标充放电过程的目标关键运行特征；基于所述目标关键运行特征，采用所述经过训练的电池SOH预测模型对所述目标
电池的电池SOH进行预测，以得到目标电池SOH；基于所述目标电池SOH，采用所述经过训练的电池RUL预测模型对所述目标充放电过程的次序进行预测，以得到目标次序；根据所述目标电池的设定寿命阈值与所述目标次序，确定所述目标电池的目标电池RUL。
[0007]本公开第三方面实施例提出了一种电池SOH预测模型和RUL预测模型的模型训练装置，包括：获取模块，用于获取样本电池多个充放电过程对应的历史运行数据，以及对应的第一电池健康状态SOH；其中，任一所述历史运行数据包括所述样本电池在对应充放电过程中的电压信息、电流信息和温度信息；所述充放电过程具有对应的次序；提取模块，用于分别对各所述充放电过程对应的历史运行数据进行特征提取，以得到各所述充放电过程的关键运行特征；第一训练模块，用于基于各所述充放电过程的关键运行特征和对应的第一电池SOH，对电池SOH预测模型进行模型训练，以得到经过训练的电池SOH预测模型；其中，所述电池SOH预测模型为极限学习机ELM模型；第二训练模块，用于基于各所述充放电过程对应的次序和第一电池SOH，对电池RUL预测模型进行模型训练，以得到经过训练的电池RUL预测模型；其中，所述电池RUL预测模型为基于粒子滤波PF算法构建的模型。
[0008]本公开第四方面实施例提出了一种用于预测电池SOH和电池RUL的装置，包括：第一获取模块，用于采用如第一方面实施例提供的电池SOH预测模型和RUL预测模型的模型训练方法获取经过训练的电池健康状态SOH预测模型和电池剩余使用寿命RUL预测模型；第二获取模块，用于获取目标电池的目标充放电过程的目标运行数据；提取模块，用于对所述目标运行数据进行特征提取，以获取所述目标充放电过程的目标关键运行特征；第一预测模块，用于基于所述目标关键运行特征，采用所述经过训练的电池SOH预测模型对所述目标电池的电池SOH进行预测，以得到目标电池SOH；第二预测模块，用于基于所述目标电池SOH，采用所述经过训练的电池RUL预测模型对所述目标充放电过程的次序进行预测，以得到目标次序；确定模块，用于根据所述目标电池的设定寿命阈值与所述目标次序，确定所述目标电池的目标电池RUL。
[0009]本公开第五方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的电池SOH预测模型和RUL预测模型的模型训练方法，或本公开第二方面实施例提出的用于预测电池SOH和电池RUL的方法。
[0010]本公开第六方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开第一方面实施例提出的电池SOH预测模型和RUL预测模型的模型训练方法，或本公开第二方面实施例提出的用于预测电池SOH和电池RUL的方法。
[0011]本公开第七方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如本公开第一方面实施例提出的电池SOH预测模型和RUL预测模型的模型训练方法，或本公开第二方面实施例提出的用于预测电池SOH和电池RUL的方法。
[0012]本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0013]本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本公开实施例一所提供的电池SOH预测模型和RUL预测模型的模型训练方法的流程示意图；图2为本公开所提供的样本电池恒流充电阶段的电压信号曲线示意图；图3为本公开所提供的样本电池恒压充电阶段的电流信号曲线示意图；图4为本公开实施例二所提供的电池SOH预测模型和RUL预测模型的模型训练方法的流程示意图；图5为本公开实施例三所提供的用于预测电池健康度SOH和电池剩余寿命RUL的方法的流程示意图；图6为本公开实施例四所提供的一种电池SOH预测模型和RUL预测模型的模型训练装置的结构示意图；图7为本公开实施例五所提供的一种用于预测电池健康度SOH和电池剩余寿命RUL的装置的结构示意图；图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
[0014]下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池SOH预测模型和RUL预测模型的模型训练方法，其特征在于，所述方法包括：获取样本电池多个充放电过程对应的历史运行数据，以及对应的第一电池健康状态SOH；其中，任一所述历史运行数据包括所述样本电池在对应充放电过程中的电压信息、电流信息和温度信息；所述充放电过程具有对应的次序；分别对各所述充放电过程对应的历史运行数据进行特征提取，以得到各所述充放电过程的关键运行特征；基于各所述充放电过程的关键运行特征和对应的第一电池SOH，对电池SOH预测模型进行模型训练，以得到经过训练的电池SOH预测模型；其中，所述电池SOH预测模型为极限学习机ELM模型；基于各所述充放电过程对应的次序和第一电池SOH，对电池RUL预测模型进行模型训练，以得到经过训练的电池RUL预测模型；其中，所述电池RUL预测模型为基于粒子滤波PF算法构建的模型。2.根据权利要求1所述的方法，其特征在于，所述分别对各所述充放电过程对应的历史运行数据进行特征提取，以得到各所述充放电过程的关键运行特征，包括：分别对各所述充放电过程对应的历史运行数据进行特征提取，得到各所述充放电过程的初始运行特征；其中，所述初始运行特征包括电压特征、电流特征、温度特征和电量增量IC曲线特征；针对任一所述充放电过程，对所述充放电过程的初始运行特征进行基于极端随机树算法的特征分析，以从所述充放电过程的初始运行特征中筛选保留对应的关键运行特征。3.根据权利要求2中所述的方法，其特征在于，所述充放电过程包括充电过程，所述充电过程包括恒流充电阶段和恒压充电阶段；所述分别对各所述充放电过程对应的历史运行数据进行特征提取，得到各所述充放电过程的初始运行特征，包括：针对任一所述充放电过程，对所述充放电过程中的恒流充电阶段对应的电压信息进行特征提取，以将提取到的电压信息的统计特征作为所述充放电过程的电压特征；对所述充放电过程中的恒压充电阶段对应的电流信息进行特征提取，以将提取到的电流信息的统计特征作为所述充放电过程的电流特征；对所述充放电过程中的充电过程对应的温度信息进行特征提取，以将提取到的温度信息的统计特征作为所述充放电过程的温度特征；根据所述充放电过程中的充电过程对应的电流信息和电压信息，生成容量增量IC曲线；对所述IC曲线进行特征提取，以将提取到的IC曲线的统计特征作为所述充放电过程的IC曲线特征。4.根据权利要求3所述的方法，其特征在于，所述电压信息的统计特征包括充电容量；其中，所述充电容量是基于PF算法获取的。5.根据权利要求1所述的方法，其特征在于，所述极限学习机ELM模型中采用可变遗忘因子，以对ELM模型中连接各隐藏层节点和各输出层节点的输出权重进行调节。6.根据权利要求1所述的方法，其特征在于，所述基于各所述充放电过程的关键运行特征和对应的第一电池SOH，对电池SOH预测模型进行模型训练，以得到经过训练的电池SOH预
测模型，包括：基于各所述充放电过程的关键运行特征和对应的第一电池SOH，对所述电池SOH预测模型进行基于鲸鱼优化算法的模型训练，以得到经过训练的电池SOH预测模型。7.根据权利要求6所述的方法，其特征在于，所述基于各所述充放电过程的关键运行特征和对应的第一电池SOH，对所述电池SOH预测模型进行基于鲸鱼优化算法的模型训练，以得到经过训练的电池SOH预测模型，包括：设定鲸鱼种群的鲸鱼总数和每个鲸鱼的位置值的初始值，以生成鲸鱼初始种群；其中，所述鲸鱼的位置值表征所述电池SOH预测模型的超参数的取值；基于各所述充放电过程的关键运行特征和对应的第一电池SOH，以及所述鲸鱼初始种群，对所述电池SOH预测模型进行基于鲸鱼优化算法的不大于设定迭代次数的迭代过程，以在任一轮所述迭代过程中基于各所述鲸鱼的适应度值对所述鲸鱼种群中的最优鲸鱼进行更新；其中，所述最优鲸鱼的适应度值不大于所述鲸鱼种群...

【专利技术属性】
技术研发人员：赵珈卉，朱勇，张斌，刘明义，王建星，刘承皓，孙悦，刘涵，荆鑫，吴琼，杨超然，平小凡，成前，王娅宁，周敬伦，段召容，孙周婷，雷浩东，李昊，杨名昊，
申请(专利权)人：华能澜沧江水电股份有限公司，
类型：发明
国别省市：