电池的监控方法、设备和介质技术

本发明专利技术提供了一种电池的监控方法、设备和介质，包括在目标采样时刻下，基于获取的电池的运行数据样本，确定所述监控指标的输出响应以及所述监控指标的输入特征向量；根据预设的先验高斯过程回归核函数，利用所述输出响应和所述输入特征向量，对先验高斯过程回归模型进行训练，得到后验高斯过程回归模型，当获取到与监控指标相关联的当前电池的运行数据后，将所述当前电池的运行数据结合后验高斯过程回归模型进行预测，得到所述监控指标的预测输出值，实现了对电池电阻的准确预测，提高了预测结果的可靠性，进而使得电池寿命预测更为准确。确。确。

【技术实现步骤摘要】
电池的监控方法、设备和介质


[0001]本专利技术涉及电池
，具体提供一种电池的监控方法、设备和介质。

技术介绍

[0002]电池的充放电过程是个复杂的电化学过程，其寿命不可直接测量，在工程实际中可以通过计算电池的内阻增加等方式来衡量电池的寿命。
[0003]但是，由于车辆工况复杂，如电流电压多变，几乎没有恒流恒压过程，电池温度随车辆的运行环境和时间也是多变的，前述所有因素，导致荷电状态(State of Charge，SOC)的变化也是随机的，再加上车上的运行参数通过车端上传到云端，采样周期较长(通常为1s～10s)，再叠加传感器精度不够、数据丢失等因素，导致数据质量差。因此，利用上述数据进行电池的内阻增加预测时，预测结果的可靠性较差，进而使得电池寿命预测更为困难。

技术实现思路

[0004]为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决电池的内阻增加预测结果的可靠性较差，进而使得电池寿命预测更为困难的技术问题的电池的监控方法、设备和介质。
[0005]在第一方面，本专利技术提供一种电池的监控方法，该电池的监控方法包括：
[0006]获取与监控指标相关联的电池的运行数据；
[0007]将所述电池的运行数据结合预先训练的后验高斯过程回归模型进行预测，得到所述监控指标的预测输出值；
[0008]其中，所述后验高斯过程回归模型的训练过程包括：
[0009]基于电池的运行数据样本，确定在目标采样时刻下所述监控指标的输出响应以及所述监控指标的输入特征向量；其中，所述目标采样时刻包括电池由放电状态转为充电状态的变化拐点时刻，和/或，所述变化拐点时刻之后的充电时刻；
[0010]根据预设的先验高斯过程回归核函数，利用所述输出响应和所述输入特征向量，进行高斯过程回归模型的训练，得到所述后验高斯过程回归模型。
[0011]在第二方面，本专利技术提供一种电池的监控设备，该电池的监控设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述任一项所述的电池的监控方法。
[0012]在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述任一项所述的电池的监控方法。
[0013]方案1.一种电池的监控方法，其特征在于，包括：
[0014]获取与监控指标相关联的电池的运行数据；
[0015]将所述电池的运行数据结合预先训练的后验高斯过程回归模型进行预测，得到所述监控指标的预测输出值；
[0016]其中，所述后验高斯过程回归模型的训练过程包括：
[0017]基于电池的运行数据样本，确定在目标采样时刻下所述监控指标的输出响应以及所述监控指标的输入特征向量；其中，所述目标采样时刻包括电池由放电状态转为充电状态的变化拐点时刻，和/或，所述变化拐点时刻之后的充电时刻；
[0018]根据预设的先验高斯过程回归核函数，利用所述输出响应和所述输入特征向量，进行高斯过程回归模型的训练，得到所述后验高斯过程回归模型。
[0019]方案2.根据方案1所述的电池的监控方法，其特征在于，所述监控指标包括电池的等效直流内阻和/或电池的等效充电直流内阻；
[0020]基于获取的电池的运行数据样本，确定在目标采样时刻下所述监控指标的输出响应，包括：
[0021]基于所述电池的运行数据样本中所述变化拐点时刻的电压、所述变化拐点时刻的电流、所述变化拐点时刻之后的第一个充电时刻的电压以及所述第一个充电时刻的电流，确定在变化拐点时刻下所述电池的等效直流内阻的数值作为所述监控指标的输出响应；和/或
[0022]基于所述电池的运行数据样本中所述第k个充电时刻的电压、所述第k个充电时刻的电流、第k+1个充电时刻电压、所述第k+1个充电的电流，确定在所述第k个时刻下所述电池的等效充电直流内阻的数值作为中所述监控指标的输出响应；其中，k＝1，2
……
K
‑
1；K为变化拐点时刻之后的充电时刻的总数目。
[0023]方案3.根据方案1所述的电池的监控方法，其特征在于，所述输入特征向量包括电流维度特征、电压维度特征、温度维度特征、荷电状态维度特征、运行时间维度特征、全生命周期的放电安时累计维度特征以及全生命周期的充电安时累计维度特征中的至少一种；
[0024]基于电池的运行数据样本，确定在目标采样时刻下所述监控指标的输入特征向量，包括：
[0025]从所述电池的运行数据样本中选取所述目标采样时刻下的电流值、电压值、温度值、荷电状态值、运行时间值、全生命周期的放电安时累计值以及全生命周期的充电安时累计值中的至少一种数据值；
[0026]根据所选取的数据值，构建在目标采样时刻下所述监控指标的输入特征向量。
[0027]方案4.根据方案3所述的电池的监控方法，其特征在于，根根据所选取的数据值，构建在目标采样时刻下所述监控指标的输入特征向量，包括：
[0028]对所述所选取的数据值进行处理，得到标准化特征值；
[0029]基于所述标准化特征值构建所述监控指标的输入特征向量，或者，选取与所述输出响应相关度系数大于预设相关度系数的标准化特征值构建所述监控指标的输入特征向量。
[0030]方案5.根据方案1所述的电池的监控方法，其特征在于，根据预设的先验高斯过程回归核函数，利用所述输出响应和所述输入特征向量，进行高斯过程回归模型的训练，得到所述后验高斯过程回归模型，包括：
[0031]根据所述输出响应、所述输入特征向量以及所述先验高斯过程回归核函数，确定负对数边际似然函数；
[0032]以所述负对数边际似然函数作为目标函数，以超参数作为决策变量的最优化问
题，采用优化算法求解所述目标函数的最小值，获得所述超参数，完成高斯过程回归模型的训练，得到所述后验高斯过程回归模型。
[0033]方案6.根据方案1所述的电池的监控方法，其特征在于，所述高斯过程回归核函数包括Matern 3/2核函数；
[0034]当所述输入特征向量包括多个特征维度，且所有特征维度采用相同的特征长度时，所述Matern 3/2核函数为：
[0035][0036]其中，x
i
表示第i个输入特征向量，x
j
表示第j个输入特征向量，r1表示x
j
与x
j
之间的欧氏距离，σ
f
为正数，表示核函数标准差，σ
l
为正数，表示核函数统一的特征长度，表示Matern 3/2核函数在输入特征向量具有相同的采样长度下的超参数。
[0037]方案7.根据方案6所述的电池的监控方法，其特征在于，当所述输入特征向量包括多个特征维度，且至少两个特征维度采用不同的特征长度时，所述Matern 3/2核函数为：
[0038][0039]其中，x...

【技术保护点】

【技术特征摘要】
1.一种电池的监控方法，其特征在于，包括：获取与监控指标相关联的电池的运行数据；将所述电池的运行数据结合预先训练的后验高斯过程回归模型进行预测，得到所述监控指标的预测输出值；其中，所述后验高斯过程回归模型的训练过程包括：基于电池的运行数据样本，确定在目标采样时刻下所述监控指标的输出响应以及所述监控指标的输入特征向量；其中，所述目标采样时刻包括电池由放电状态转为充电状态的变化拐点时刻，和/或，所述变化拐点时刻之后的充电时刻；根据预设的先验高斯过程回归核函数，利用所述输出响应和所述输入特征向量，进行高斯过程回归模型的训练，得到所述后验高斯过程回归模型。2.根据权利要求1所述的电池的监控方法，其特征在于，所述监控指标包括电池的等效直流内阻和/或电池的等效充电直流内阻；基于获取的电池的运行数据样本，确定在目标采样时刻下所述监控指标的输出响应，包括：基于所述电池的运行数据样本中所述变化拐点时刻的电压、所述变化拐点时刻的电流、所述变化拐点时刻之后的第一个充电时刻的电压以及所述第一个充电时刻的电流，确定在变化拐点时刻下所述电池的等效直流内阻的数值作为所述监控指标的输出响应；和/或基于所述电池的运行数据样本中所述第k个充电时刻的电压、所述第k个充电时刻的电流、第k+1个充电时刻电压、所述第k+1个充电的电流，确定在所述第k个时刻下所述电池的等效充电直流内阻的数值作为中所述监控指标的输出响应；其中，k＝1，2
……
K
‑
1；K为变化拐点时刻之后的充电时刻的总数目。3.根据权利要求1所述的电池的监控方法，其特征在于，所述输入特征向量包括电流维度特征、电压维度特征、温度维度特征、荷电状态维度特征、运行时间维度特征、全生命周期的放电安时累计维度特征以及全生命周期的充电安时累计维度特征中的至少一种；基于电池的运行数据样本，确定在目标采样时刻下所述监控指标的输入特征向量，包括：从所述电池的运行数据样本中选取所述目标采样时刻下的电流值、电压值、温度值、荷电状态值、运行时间值、全生命周期的放电安时累计值以及全生命周期的充电安时累计值中的至少一种数据值；根据所选取的数据值，构建在目标采样时刻下所述监控指标的输入特征向量。4.根据权利要求3所述的电池的监控方法，其特征在于，根根据所选取的数据值，构建在目标采样时刻下所述监控指标的输入特征向量，包括：对所述所选取的数据值进行处理，得到标准化特征值；基于所述标准化特征值构建所述监控指标的输入特征向量，或者，选取与所述输出响应相关度系数大于预设相关度系数的标准化特征值构建所述监控指标的输入特征向量。5.根据权利要求1所述的电池的监控方法，其特征在于，根据预设的先验高斯过程回归核函数，利用所述输出响应和所述输入特征向量，进行高斯过程回归模型的训练，得到所述后验高斯过程回归模型，包括：
根据所述输出响应、所述输入特征向量以及所述先验高斯过程回归核函数，确定负对数边际似然函数；以所述负对数边际似然函数作为目标函数，以超参数作为决策变量的最优化问题，采用优化算法求解所述目标函数的最小值，获得所述超参数，完成高斯过程回归模型的训练，得到所述后验高斯过程回归模型。6.根据权利要求1所述的电池的监控方法，其特征在于，所述高斯过程回归核函数包括Matern 3/2核函数；当所述输入特征向量包括多个特征维度，且所有特征维度采用相同的特征长度时，所述Matern 3/2核函数为：其中，x
i
表示第i个输入特征向量，x
j
表示第j个输入特征向量，r1表示x
j
与x
j
之间的欧氏距离，σ
...

【专利技术属性】
技术研发人员：敖国强，黄小枫，申其壮，肖柏宏，
申请(专利权)人：蔚来汽车科技安徽有限公司，
类型：发明
国别省市：