电池健康状态计算方法技术

本申请提供一种电池健康状态计算方法

【技术实现步骤摘要】
电池健康状态计算方法、装置、存储介质以及车辆


[0001]本申请实施例涉及数据处理
，具体而言，涉及一种电池健康状态计算方法
、
装置
、
存储介质以及车辆
。

技术介绍

[0002]在电池管理系统中，电池健康状态
(SOH)
是一项非常重要的电池参数，作为评价电池老化程度的量化指标，电池健康状态
SOH
影响着车辆的策略，以及对电池的使用程度，准确的电池健康状态
SOH
能够有效改善电池性能与电池使用寿命，从而提高驾驶人员的体验感
。
[0003]电池健康状态
SOH
有多个影响因素，多个影响因素中包括放电深度，但是放电深度及深度次数与
SOH
值之间并不存在非线性关系，若直接根据放电深度计算
SOH
值，得到的
SOH
值计算结果误差较大，准确性较差
。

技术实现思路

[0004]本申请实施例提供一种电池健康状态计算方法
、
装置
、
存储介质以及车辆，旨在得到更准确的电池健康状态计算结果
。
[0005]第一方面，本申请实施例提供一种电池健康状态计算方法，所述方法包括：
[0006]获取待测电池的历史放电数据，所述历史放电数据包括所述待测电池在不同使用阶段中的电池温度
、
放电倍数
、
放电深度以及深度次数；
[0007]对获取得到的所述待测电池的所述历史放电数据进行预处理；
[0008]将预处理后的所述历史放电数据输入状态计算模型，得到当前所述待测电池的电池健康状态；
[0009]其中，所述状态计算模型包括基于历史样本数据集联合训练得到的第一计算网络与第二计算网络，所述历史样本数据集包括多个电池样本各自在不同使用阶段中的电池温度样本
、
放电倍率样本
、
放电深度样本及深度次数；所述第一计算网络对所述电池样本的衰减度进行辨识，所述第二计算网络结合所述第一计算网络输出的衰减度辨识结果与所述历史样本数据集，输出所述多个电池样本各自的健康状态的辨识结果
。
[0010]可选地，所述放电深度用梯度表示，所述梯度是根据所述待测电池在每个使用阶段的最末时刻的剩余容量确定的
。
[0011]可选地，所述梯度是根据所述待测电池在每个使用阶段的最末时刻的剩余容量确定的，包括：
[0012]获取所述待测电池在每个使用阶段的最末时刻的对应的剩余容量；
[0013]在多个预设的剩余容量区间中，确定所述剩余容量所属的剩余容量区间，将所述剩余容量区间对应的梯度作为所述待测电池在该使用阶段的放电深度的梯度；
[0014]其中，所述多个预设的剩余容量区间是按照预设间隔对剩余容量的数值进行划分得到的区间，每个所述剩余容量区间对应不同的梯度
。
[0015]可选地，所述状态计算模型是按以下步骤训练得到的：
[0016]获取多个电池样本各自在不同使用阶段中的历史样本数据，以及所述多个电池样本各自的当前真实电池健康状态，构建所述历史样本数据集，其中，所述历史样本数据包括：电池温度样本
、
放电倍率样本
、
放电深度样本及深度次数；
[0017]对所述历史样本数据集进行预处理；
[0018]分别构建第一计算网络与第二计算网络；
[0019]所述第一计算网络，以预处理后的所述历史样本数据集为输入，分别辨识所述多个电池样本中每个电池样本的衰减度；
[0020]所述第二计算网络，以预处理后的所述历史样本数据集，以及所述第一计算网络对所述每个电池样本的衰减度的辨识结果为输入，输出所述多个电池样本中每个电池样本的电池健康状态的辨识结果；
[0021]基于第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，进行第一计算网络与第二计算网络的参数的更新
。
[0022]可选地，所述第一计算网络与所述第二计算网络均包括输入层
、
隐含层以及输出层，其中，
[0023]所述输入层到所述隐含层的传递函数为：
[0024][0025]所述隐含层到所述输出层的传递函数为：
[0026]f2(x)
＝
x。
[0027]可选地，所述隐含层第
j
个神经元的计算公式为：
[0028][0029]式中，
w
ij
为所述输入层第
i
个神经元到所述隐含层第
j
个神经元的权值，
x
i
为输入层第
i
个神经元的值，
b
j
为隐含层第
j
个神经元的阈值，
I
为输入层的神经元总数；
[0030]从隐含层到输出层，所述输出层第
k
个神经元的计算公式为：
[0031][0032]式中，
M
j
为隐含层第
j
个神经元的值，
w
jk
为所述隐含层第
j
个神经元到所述输出层第
k
个神经元的权值，
a
k
为输出层第
k
个神经元的阈值，
J
为隐含层的神经元总数
。
[0033]可选地，基于第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，进行第一计算网络与第二计算网络的参数的更新，包括：
[0034]根据所述第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，确定所述辨识结果与所述每个电池样本的当前真实电池健康状态的误差；
[0035]当所述误差大于或等于标定值时，继续迭代更新所述第一计算网络与第二计算网络的参数；
[0036]当所述误差小于标定值时，以第一计算网络与第二计算网络各自的输入层到隐含层的权值及阈值，以及隐含层到输出层的权值及阈值为训练完毕的状态计算模型的模型参数
。
[0037]第二方面，本申请实施例提供一种电池健康状态计算装置，所述装置包括：
[0038]数据获取模块，用于获取待测电池的历史放电数据，所述历史放电数据包括所述待测电池在不同使用阶段中的电池温度
、
放电倍数
、
放电深度以及深度次数；
[0039]预处理模块，用于对获取得到的所述待测电池的所述历史放电数据进行预处理；
[0040]状态计算模块，用于将预处理后的所述历史放电数据输入状态计算模型，得到当前所述待测电池的电池健康状态；
[0041]其中，所述状态计算模型包括基于历史样本数据集联合训练得到的第一计算网络与第二计算网络，所述历史样本数据集包括多个电池样本各自在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电池健康状态计算方法，其特征在于，所述方法包括：获取待测电池的历史放电数据，所述历史放电数据包括所述待测电池在不同使用阶段中的电池温度
、
放电倍数
、
放电深度以及深度次数；对获取得到的所述待测电池的所述历史放电数据进行预处理；将预处理后的所述历史放电数据输入状态计算模型，得到当前所述待测电池的电池健康状态；其中，所述状态计算模型包括基于历史样本数据集联合训练得到的第一计算网络与第二计算网络，所述历史样本数据集包括多个电池样本各自在不同使用阶段中的电池温度样本
、
放电倍率样本
、
放电深度样本及深度次数；所述第一计算网络对所述电池样本的衰减度进行辨识，所述第二计算网络结合所述第一计算网络输出的衰减度辨识结果与所述历史样本数据集，输出所述多个电池样本各自的健康状态的辨识结果
。2.
根据权利要求1所述的方法，其特征在于，所述放电深度用梯度表示，所述梯度是根据所述待测电池在每个使用阶段的最末时刻的剩余容量确定的
。3.
根据权利要求2所述的方法，其特征在于，所述梯度是根据所述待测电池在每个使用阶段的最末时刻的剩余容量确定的，包括：获取所述待测电池在每个使用阶段的最末时刻的对应的剩余容量；在多个预设的剩余容量区间中，确定所述剩余容量所属的剩余容量区间，并将该剩余容量区间对应的梯度作为所述待测电池在该使用阶段的放电深度的梯度；其中，所述多个预设的剩余容量区间是按照预设间隔对剩余容量的数值进行划分得到的区间，每个所述剩余容量区间对应不同的梯度
。4.
根据权利要求1所述的方法，其特征在于，所述状态计算模型是按以下步骤训练得到的：获取多个电池样本各自在不同使用阶段中的历史样本数据，以及所述多个电池样本各自的当前真实电池健康状态，构建所述历史样本数据集，其中，所述历史样本数据包括：电池温度样本
、
放电倍率样本
、
放电深度样本及深度次数；对所述历史样本数据集进行预处理；分别构建第一计算网络与第二计算网络；所述第一计算网络，以预处理后的所述历史样本数据集为输入，分别辨识所述多个电池样本中每个电池样本的衰减度；所述第二计算网络，以预处理后的所述历史样本数据集，以及所述第一计算网络对所述每个电池样本的衰减度的辨识结果为输入，输出所述多个电池样本中每个电池样本的电池健康状态的辨识结果；基于第二计算网络输出的所述每个电池样本的电池健康状态的辨识结果，进行第一计算网络与第二计算网络的参数的更新
。5.
根据权利要求4所述的方法，其特征在于，所述第一计算网络与所述第二计算网络均包括输入层
、
隐含层以及输出层，其中，所述输入层到所述隐含层的传递函数为：
所述隐含层到所述输出层的传递函数为：
f2(x)
＝
x。6.
根据权利要求5所述的方法，其特征在于，所述隐含层第
j
个神经元的计算公式为：式中，
w
ij...

【专利技术属性】
技术研发人员：康文蓉，何佳昕，
申请(专利权)人：长城汽车股份有限公司，
类型：发明
国别省市：