【技术实现步骤摘要】
本申请涉及电池管理，特别是涉及一种表征电池剩余使用寿命的特征获取设备及方法。
技术介绍
1、电池有多种，例如，钴酸锂电池、锰酸锂电池、镍酸锂电池、三元材料电池、磷酸铁锂电池、磷酸锰铁锂电池，阴极材料掺60％三元的磷酸锰铁锂体系锂离子电池等。目前，为了预测电池的rul(remaining useful life，剩余使用寿命)，通常是使用离线标定数据来进行预测，然后，电池使用工况不同，仅使用离线标定数据难以准确预测剩余使用寿命，进而无法准确计算电池的soc(state of charge，荷电状态)和soh(state of health，健康状态)。
技术实现思路
1、本申请实施例的目的在于提供一种表征电池剩余使用寿命的特征获取设备及方法。具体技术方案如下：
2、本申请第一方面提供一种表征电池剩余使用寿命的特征获取设备，所述设备包括：采集单元，被配置为响应于所述电池执行充电操作，以第一周期采集第一电池数据集，获得第一映射关系集，所述第一映射关系集包括多个第一映射关系，所述第一映射关系用于指示第一电池数据与时间的对应关系，所述第一电池数据集包括多个第一电池数据。和/或，响应于所述电池执行放电操作，以第二周期采集第二电池数据集，获得第二映射关系集，所述第二映射关系集包括多个第二映射关系，所述第二映射关系用于指示第二电池数据与时间的对应关系，所述第二电池数据集包括多个第二电池数据。循环单元，被配置为重复调用采集单元，直至执行n次，得到n组第一电池数据集和/或n组第二电池数据集
3、通过计算n组第一电池数据集与电池剩余使用寿命的相关性和/或计算n组第二电池数据集与电池剩余使用寿命的相关性，可以从n组第一电池数据集中用于表征电池剩余使用寿命的第一特征数据集和/或确定n组第二电池数据集中用于表征电池剩余使用寿命的第二特征数据集，剔除无法表征电池剩余使用寿命或与电池剩余使用寿命相关性较低的特征。在使用特征数据集训练网络模型时，减少特征输入对模型训练的干扰，提高模型训练的准确率。
4、在本申请的一个或多个实施例中，500≤n≤15000。
5、在本申请的一个或多个实施例中，所述第一电池数据集包括：所述电池从放电截止条件执行充电操作至所述电池满足充电截止条件的温度数据，所述电池从放电截止条件执行充电操作至所述电池的电压为预设充电截止电压的时间，所述电池从放电截止条件执行充电操作第一时长后的电压变化值，所述电池从放电截止条件执行充电操作至所述电池的温度到达峰值的时间，所述电池执行充电操作并从第二电压值升至第一电压值的时长。所述第一电压值大于所述电池的标称电压，所述第二电压值小于所述电池的标称电压。所述放电截止条件为：按照第一放电倍率放电至预设放电截止电压时放电截止，所述充电截止条件为：按照第一充电倍率进行恒流充电至预设充电截止电压，按照所述预设充电截止电压进行恒压充电至预设充电截止电流时充电截止。所述第二电池数据集包括：所述电池从充电截止条件执行放电操作至所述电池满足放电截止条件的温度数据，所述电池从充电截止条件执行放电操作至所述电池的电压为预设放电截止电压的时间，所述电池从充电截止条件执行放电操作第二时长后的电压变化值，所述电池从充电截止条件执行放电操作至所述电池的温度到达峰值的时间，所述电池执行放电操作并从第三电压值降至第四电压值的时长，所述第三电压值大于所述电池的标称电压，所述第四电压值小于所述电池的标称电压。
6、在本申请的一个或多个实施例中，所述第一时长的范围为10秒至3分钟，所述第二时长的范围为10秒至3分钟。
7、在本申请的一个或多个实施例中，所述计算单元被配置对所述第一特征数据集进行归一化处理和/或对所述第二特征数据集进行归一化处理，获得用于表征电池剩余使用寿命的样本数据集，所述样本数据集包括多个样本数据。
8、在本申请的一个或多个实施例中，采集单元被配置为响应于所述电池执行以下充电操作采集所述第一电池数据集：所述电池置于第一环境温度第二时间后，以第一充电倍率执行充电操作至所述电池的电压为预设充电截止电压，所述电池以所述预设充电截止电压继续执行充电操作至充电电流小于或等于第二充电倍率，所述电池停止充电并静置第三时间。采集单元被配置为响应于所述电池执行以下放电操作采集所述第二电池数据集：所述电池从充电截止条件以第一放电倍率执行恒流放电至所述电池的电压为预设放电截止电压，所述电池停止放电并静置第四时间。
9、在本申请的一个或多个实施例中，所述第一环境温度的范围为-10℃至55℃，所述第二时间的范围为20分钟至60分钟，所述第一充电倍率≤5c，第二充电倍率≤0.1c，所述第三时间的范围为20分钟至60分钟，0.3c≤第一放电倍率≤10c，所述第四时间的范围为20分钟至60分钟。
10、在本申请的一个或多个实施例中，所述设备还包括：标注单元，被配置为对所述样本数据进行剩余使用寿命标注，得到所述样本数据的剩余使用寿命标签；训练单元，被配置为基于所述样本数据和所述样本数据的剩余使用寿命标签对预先设置的网络模型进行训练，得到训练好的网络模型。
11、在本申请的一个或多个实施例中，所述训练单元被配置为：按照预设比例将所述样本数据集划分为训练样本、验证样本和测试样本，初始化所述预先设置的网络模型，得到初始网络模型；将所述训练样本输入所述初始网络模型进行训练，得到所述训练样本对应的电池的预测剩余使用寿命；根据所述预测剩余使用寿命和所述训练样本的剩余使用寿命标签计算所述网络模型的损失函数，根据所述损失函数，调整所述网络模型的参数，并返回步骤将所述训练样本输入所述网络模型进行训练，得到与所述训练样本对应的所述样本电池的预测剩余使用寿命继续执行，直至迭代次数达到预设次数，得到第一训练后的网络模型；基于所述验证样本判断所述第一训练后的网络模型是否达到预设训练停止条件，若是，得到第二训练后的网络模型，若否，则调整所述第一训练后的网络模型的参数，并将调整后的所述第一训练后的网络模型更新为初始网络模型，返回步骤将所述训练样本输入所述初始网络模型进行训练，得到与所述训练样本对应的所述样本电池的预测使用寿命继续执行，直至迭代次数达到预设次数，得到第一训练后的网络模型；利用所述测试样本测试所述第二训练后的网络模型的准确率，在准确率大于预设值的情况下，得到训练好的网络模型。
12、在本申请的一个或多个实施例中，所述网络模型包括输入层、卷积神经网络层、至少一层长短期神经网络层、注意力层、分类层、输出层。所述训练单元被配置为：将所述训练样本输入所述输入层进行特征提取，得到第一特本文档来自技高网...
【技术保护点】
1.一种表征电池剩余使用寿命的特征获取设备，其特征在于，所述设备包括：
2.根据权利要求1所述的设备，其特征在于，500≤N≤15000。
3.根据权利要求1所述的设备，其特征在于，
4.根据权利要求3所述的设备，其特征在于，所述第一时长的范围为10秒至3分钟，所述第二时长的范围为10秒至3分钟。
5.根据权利要求1-4任一所述的设备，其特征在于，
6.根据权利要求1至5中任一所述的设备，其特征在于，
7.根据权利要求6所述的设备，其特征在于，
8.根据权利要求5所述的设备，其特征在于，所述设备还包括：
9.根据权利要求8所述的设备，其特征在于，所述训练单元被配置为：
10.根据权利要求9所述的设备，其特征在于，所述网络模型包括输入层、卷积神经网络层、至少一层长短期神经网络层、注意力层、分类层、输出层；
11.一种预测电池剩余使用寿命的设备，其特征在于，包括；
12.一种表征电池剩余使用寿命的特征获取方法，其特征在于，所述方法包括：
13
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求12所述的方法步骤。
...【技术特征摘要】
1.一种表征电池剩余使用寿命的特征获取设备，其特征在于，所述设备包括：
2.根据权利要求1所述的设备，其特征在于，500≤n≤15000。
3.根据权利要求1所述的设备，其特征在于，
4.根据权利要求3所述的设备，其特征在于，所述第一时长的范围为10秒至3分钟，所述第二时长的范围为10秒至3分钟。
5.根据权利要求1-4任一所述的设备，其特征在于，
6.根据权利要求1至5中任一所述的设备，其特征在于，
7.根据权利要求6所述的设备，其特征在于，
8.根据权利要求5所述的设备，其特征在于，所述设备还包括：
9.根据权利要求8所述的设备，其特...
【专利技术属性】
技术研发人员：李家辉，陈英杰，牟联晶，
申请(专利权)人：厦门新能达科技有限公司，
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。