System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及汽车电池,尤其涉及一种电池使用寿命预测方法、装置、设备及存储介质。
技术介绍
1、储能技术也由此迅速发展起来,储能技术的应用对于新能源系统的发展起着巨大的作用,为可再生能源并入电网、发展清洁智能电网提供重要支撑。锂离子电池剩余使用寿命(remainingusefullife,rul)的预测,作为储能设备的规划和管理中的重要一环,对于系统的正常运行发挥着重要作用。因此,精准地预测电池rul对于能源系统的正常运行、保证电池的健康使用和延长电池使用年限都有着重要意义。
2、随着电池循环充放电次数的增加,电池内副反应导致电池容量衰减。当电池容量衰减至标称容量的70%~80%,其充放电性能会受到严重影响,甚至无法正常工作,严重时会导致交通事故,应及时更换电池。作为电池故障预测与健康管理(prognostcsandhealthmanagement,phm)的重要功能,剩余使用寿命预测可为电池定期维护和安全稳定运行提供参考,降低高昂的维修成本,降低灾难性后果发生概率。
3、目前针对锂离子电池rul预测多使用单指标而忽视了其他影响因素,模型精度和泛化性能得不到保证的问题。
技术实现思路
1、本专利技术的主要目的在于提供一种电池使用寿命预测方法、装置、设备及存储介质,旨在解决现有技术随着电池使用时间的增加,电池的容量衰减,无法及时更换电池或进行电池维护,严重影响车辆使用安全的技术问题。
2、为实现上述目的,本专利技术提供了一种电池使用寿命预测方法,所
3、采集目标实验车辆的历史行驶参数,对所述历史行驶参数进行预处理,得到参考特征;
4、通过各个参考特征的基尼系数进行寿命影响因素分析,根据分析结果确定电池寿命关联特征;
5、对所述历史行驶参数中电池寿命关联特征进行梯度采样,得到各梯度关联样本数据;
6、根据所述梯度关联样本数据优化预设电池寿命预测模型,得到电池寿命预测模型;
7、根据所述电池寿命预测模型对电池使用寿命进行预测。
8、可选地,所述通过各个参考特征的基尼系数进行寿命影响因素分析,根据分析结果确定电池寿命关联特征,包括:
9、通过随机森林算法对所述参考特征进行分类,得到类别总数;
10、确定各个参考特征所在类别的类别占比;
11、根据所述类别总数和所述类别占比计算各个参考特征的基尼系数;
12、比较各个参考特征的基尼系数的大小,从小到大选择n个参考特征作为初始关联特征;
13、通过灰色关联度计算各个初始关联特征与所述历史行驶参数中电池容量之间的关联度,根据所述关联度结果确定电池寿命关联特征。
14、可选地,所述通过灰色关联度计算各个初始关联特征与电池容量之间的关联度,根据所述关联度结果确定电池寿命关联特征,包括:
15、根据所述初始关联特征构建特征序列;
16、根据所述特征序列构建电池寿命序列;
17、获取关联度分辨系数;
18、根据所述关联度分辨系数范围、所述特征序列以及电池寿命序列计算各个初始关联特征与所述历史电池容量的关联度;
19、将各个初始关联特征按照关联度从大到小的顺序进行排列,将前m个初始关联特征作为参考关联特征,m小于n;
20、将所述参考初关联特征和从大到小排列的前m个初始关联特征进行匹配,得到电池寿命关联特征。
21、可选地,所述对所述历史行驶参数中电池寿命关联特征进行梯度采样,得到各梯度关联样本数据,包括:
22、将所述历史行驶参数中电池寿命关联特征进行采样,得到采样关联特征;
23、将所述采样关联特征按梯度降序排列,得到特征序列;
24、将所述特征序列中前m个特征作为大梯度关联样本;
25、将所述特征序列中最后n个特征作为初始小梯度关联样本;
26、根据m和n对所述初始小梯度关联样本进行放大,得到小梯度关联样本;
27、将所述大梯度关联样本和小梯度关联样本作为各梯度关联样本数据。
28、可选地,所述根据所述各梯度关联样本数据优化预设电池寿命预测模型,得到电池寿命预测模型之前,包括:
29、获取初始阈值和初始权值,基于cs算法、所述初始阈值和所述初始权值生成初始种群;
30、更新所述初始种群中各个个体的位置,直到所述个体的位置更新满足截止条件;
31、计算最后一个更新时各个个体的适应度,将适应度最大个体对应的参数作为网络优化参数;
32、根据所述网络优化参数对所述初始电池寿命预测模型中的参数进行设定,得到预设电池寿命预测参数。
33、可选地,所述根据所述梯度关联样本数据优化预设电池寿命预测模型,得到电池寿命预测模型,包括:
34、将所述梯度关联样本数据按照预设比例划分得到训练样本和测试样本;
35、根据所述训练样本对所述预设电池寿命预测模型进行训练,得到训练结果;
36、根据所述训练样本的真实标签和所述训练结果构建损失函数;
37、根据所述损失函数对所述预设电池寿命预测模型进行优化,得到优化后的预设电池寿命预测模型;
38、根据所述测试样本对所述优化后的预设电池寿命预测模型进行测试,得到测试结果;
39、根据所述测试结果进行模型检测,得到检测结果;
40、在检测结果满足预设检测要求时,将所述预设电池寿命预测模型作为电池寿命预测模型。
41、可选地,所述采集目标实验车辆的历史行驶参数,对所述历史行驶参数进行预处理,得到参考特征,包括:
42、采集目标车辆的历史行驶参数;
43、对所述历史行驶参数进行预处理,得到参考特征,所述预处理包括数据平滑处理、数据修正以及数据降噪,得到修正后的历史行驶参数;
44、所述根据所述电池寿命预测模型对电池使用寿命进行预测之后,还包括:
45、将当前预测电池使用寿命与预设时间段前的历史预测电池寿命进行比较,得到电池使用寿命差;
46、在电池使用寿命差大于差值阈值时,进行维护提醒;
47、在电池使用寿命差小于等于差值阈值时,不进行提醒;
48、在当前预测电池使用寿命大于等于电池使用寿命阈值时,进行更换提醒;
49、在当前预测电池使用寿命小于电池使用寿命阈值时,不进行提醒。
50、此外,为实现上述目的,本专利技术还提出一种电池使用寿命预测装置,所述电池使用寿命预测装置包括:
51、数据处理模块,用于采集目标实验车辆的历史行驶参数,对所述历史行驶参数进行预处理,得到参考特征;
52、所述数据处理模块,还用于通过各个参考特征的基尼系数进行寿命影响因素分析,根据分析结果确定电池寿命关联特征;
53、所述数据处理模块,还用于对所本文档来自技高网...
【技术保护点】
1.一种电池使用寿命预测方法,其特征在于,所述电池使用安全检测方法包括:
2.如权利要求1所述的电池使用寿命预测方法,其特征在于,所述通过各个参考特征的基尼系数进行寿命影响因素分析,根据分析结果确定电池寿命关联特征,包括:
3.如权利要求2所述的电池使用寿命预测方法,其特征在于,所述通过灰色关联度计算各个初始关联特征与电池容量之间的关联度,根据所述关联度结果确定电池寿命关联特征,包括:
4.如权利要求1所述的电池使用寿命预测方法,其特征在于,所述对所述历史行驶参数中电池寿命关联特征进行梯度采样,得到各梯度关联样本数据,包括:
5.如权利要求1所述的电池使用寿命预测方法,其特征在于,所述根据所述各梯度关联样本数据优化预设电池寿命预测模型,得到电池寿命预测模型之前,包括:
6.如权利要求5所述的电池使用寿命预测方法,其特征在于,所述根据所述梯度关联样本数据优化预设电池寿命预测模型,得到电池寿命预测模型,包括:
7.如权利要求1所述的电池使用寿命预测方法,其特征在于,所述采集目标实验车辆的历史行驶参数,对所述历史行
8.一种电池使用寿命预测装置,其特征在于,所述电池使用寿命预测装置包括:
9.一种电池使用寿命预测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池使用寿命预测程序,所述电池使用寿命预测程序配置为实现如权利要求1至7中任一项所述的电池使用寿命预测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有电池使用寿命预测程序,所述电池使用寿命预测程序被处理器执行时实现如权利要求1至7任一项所述的电池使用寿命预测方法。
...【技术特征摘要】
1.一种电池使用寿命预测方法,其特征在于,所述电池使用安全检测方法包括:
2.如权利要求1所述的电池使用寿命预测方法,其特征在于,所述通过各个参考特征的基尼系数进行寿命影响因素分析,根据分析结果确定电池寿命关联特征,包括:
3.如权利要求2所述的电池使用寿命预测方法,其特征在于,所述通过灰色关联度计算各个初始关联特征与电池容量之间的关联度,根据所述关联度结果确定电池寿命关联特征,包括:
4.如权利要求1所述的电池使用寿命预测方法,其特征在于,所述对所述历史行驶参数中电池寿命关联特征进行梯度采样,得到各梯度关联样本数据,包括:
5.如权利要求1所述的电池使用寿命预测方法,其特征在于,所述根据所述各梯度关联样本数据优化预设电池寿命预测模型,得到电池寿命预测模型之前,包括:
6.如权利要求5所述的电池使用...
【专利技术属性】
技术研发人员:文志超,
申请(专利权)人:深圳市东田通利电业制品有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。