电池状态预测模型的训练方法、电池状态预测方法及装置制造方法及图纸

本发明专利技术公开了电池状态预测模型的训练方法、电池状态预测方法及装置、电子设备、存储介质。方法包括：获取电化学模型，电化学模型由电池的测量运行数据和属性数据构建得到；基于电化学模型进行充放电仿真，得到不同仿真条件下电池的仿真运行数据；将仿真运行数据和测量运行数据作为训练样本，输入神经网络，根据神经网络的输出结果调节神经网络的网络参数以及电化学模型的模型参数，并将符合迭代停止条件的神经网络确定为电池状态预测模型。本发明专利技术中，借助电化学模型扩充、丰富神经网络的训练样本，并基于神经网络的输出结果优化电化学模型，以使电化学模型为神经网络提供更加准确的训练样本，提高模型训练的精确度。提高模型训练的精确度。提高模型训练的精确度。

【技术实现步骤摘要】
电池状态预测模型的训练方法、电池状态预测方法及装置


[0001]本专利技术涉及电池
，尤其涉及一种电池状态预测模型的训练方法、电池状态预测方法及装置、电子设备、存储介质。

技术介绍

[0002]锂电池等可充电电池随着新能源的发展，使用量在飞速增长。在锂电池的实际使用中，由于电池所在环境，串、并联等因素的影响，电池往往不能以理想方式完成全寿命周期的使用。异常的寿命衰减，甚至冒烟、自燃等事故时有发生。因此对电池的状态检测非常重要。
[0003]传统的电池管理系统(BMS)一般只是从电池的电压、电流、温度等测量值中通过统计、滤波、或等效电路模型对电池的状态做粗略的估算，准确度较低。有少数方案基于电化学模型对电池的状态进行预测，但是由于算力有限，很难建立实时、有效的电化学模型，导致对电池的故障预警不准确。还有基于机器学习实现对电池的状态进行预测，但是受限于训练样本的获取、标注，无法得到精确的模型，也就无法对电池的状态进行准确预测。

技术实现思路

[0004]本专利技术提供一种电池状态预测模型的训练方法、电池状态预测方法及装置、电子设备、存储介质，以提高电池状态检测的准确度。
[0005]本专利技术是通过下述技术方案来解决上述技术问题：
[0006]第一方面，提供一种电池状态预测模型的训练方法，包括：
[0007]获取电化学模型，所述电化学模型由电池的测量运行数据和属性数据构建得到；
[0008]基于所述电化学模型进行充放电仿真，得到不同仿真条件下电池的仿真运行数据；
[0009]将所述仿真运行数据和所述测量运行数据作为训练样本，输入神经网络，根据所述神经网络的输出结果调节所述神经网络的网络参数以及所述电化学模型的模型参数，并将符合迭代停止条件的神经网络确定为所述电池状态预测模型。
[0010]可选地，还包括：
[0011]获取所述电池的测量运行数据和属性数据；
[0012]根据所述属性数据拟合所述测量运行数据，根据拟合结果确定所述电化学模型。
[0013]可选地，基于所述电化学模型进行充放电仿真，得到不同仿真条件下电池的仿真运行数据，包括：
[0014]生成对应于不同仿真条件的仿真条件数据；
[0015]将所述仿真条件数据输入所述电化学模型进行充放电仿真，得到所述仿真运行数据；所述仿真运行数据包括所述电池在不同运行状态下的运行状态数据。
[0016]可选地，根据所述神经网络的输出结果调节所述电化学模型的模型参数，包括：
[0017]根据所述神经网络的输出结果计算损失误差；
[0018]在所述损失误差落入预设误差范围内的情况下，根据所述损失误差调节所述电化学模型的模型参数；经过模型参数调节得到的电化学模型用于生成作为所述训练样本的仿真运行数据。
[0019]可选地，根据所述神经网络的输出结果调节所述电化学模型的模型参数，包括：
[0020]将对应于所述神经网络的输出结果的训练样本输入所述电化学模型，得到所述电化学模型的输出结果；
[0021]在所述神经网络的输出结果与所述电化学模型的输出结果的差值落入预设差值范围内的情况下，根据所述差值调节所述电化学模型的模型参数；经过模型参数调节得到的电化学模型用于生成作为所述训练样本的仿真运行数据。
[0022]第二方面，提供一种电池状态预测方法，包括：
[0023]获取电池的测量数据；
[0024]将所述测量数据输入电池状态预测模型；所述电池状态预测模型根据上述任一项所述的电池状态预测模型的训练方法训练得到；
[0025]根据所述电池状态预测模型的输出结果确定所述电池的状态。
[0026]第三方面，提供一种电池状态预测模型的训练装置，包括：
[0027]第一获取模块，用于获取电化学模型，所述电化学模型由电池的测量运行数据和属性数据构建得到；
[0028]仿真模块，用于基于所述电化学模型进行充放电仿真，得到不同仿真条件下电池的仿真运行数据；
[0029]训练模块，用于将所述仿真运行数据和所述测量运行数据作为训练样本，输入神经网络，根据所述神经网络的输出结果调节所述神经网络的网络参数以及所述电化学模型的模型参数，并将符合迭代停止条件的神经网络确定为所述电池状态预测模型。
[0030]可选地，还包括：
[0031]第二获取模块，用于获取所述电池的测量运行数据和属性数据；
[0032]拟合模块，用于根据所述属性数据拟合所述测量运行数据，根据拟合结果确定所述电化学模型。
[0033]可选地，所述仿真模块包括：
[0034]生成单元，用于生成对应于不同仿真条件的仿真条件数据；
[0035]仿真单元，用于将所述仿真条件数据输入所述电化学模型进行充放电仿真，得到所述仿真运行数据；所述仿真运行数据包括所述电池在不同运行状态下的运行状态数据。
[0036]可选地，所述训练模块包括：
[0037]计算单元，用于根据所述神经网络的输出结果计算损失误差；
[0038]调节单元，用于在所述损失误差落入预设误差范围内的情况下，根据所述损失误差调节所述电化学模型的模型参数；经过模型参数调节得到的电化学模型用于生成作为所述训练样本的仿真运行数据。
[0039]可选地，所述训练模块包括：
[0040]输入单元，用于将对应于所述神经网络的输出结果的训练样本输入所述电化学模型，得到所述电化学模型的输出结果；
[0041]调节单元，用于在所述神经网络的输出结果与所述电化学模型的输出结果的差值
落入预设差值范围内的情况下，根据所述差值调节所述电化学模型的模型参数；经过模型参数调节得到的电化学模型用于生成作为所述训练样本的仿真运行数据。
[0042]第四方面，提供一种电池状态预测装置，包括：
[0043]获取模块，用于获取电池的测量数据；
[0044]输入模块，用于将所述测量数据输入电池状态预测模型；所述电池状态预测模型根据上述任一项所述的电池状态预测模型的训练装置训练得到；
[0045]确定模块，用于根据所述电池状态预测模型的输出结果确定所述电池的状态。
[0046]第五方面，提供一种电子设备，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计算机程序时实现上述任一项所述的方法。
[0047]第六方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
[0048]本专利技术的积极进步效果在于：本专利技术中，借助电化学模型扩充、丰富神经网络的训练样本，并基于神经网络的输出结果优化电化学模型，以使电化学模型为神经网络提供更加准确的训练样本，提高模型训练的精确度。
附图说明
[0049]图1为本专利技术一示例性实施例提供的一种电池状态预测模型的训练方法的流程图；
[0050]图2为本专利技术一示例性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池状态预测模型的训练方法，其特征在于，包括：获取电化学模型，所述电化学模型由电池的测量运行数据和属性数据构建得到；基于所述电化学模型进行充放电仿真，得到不同仿真条件下电池的仿真运行数据；将所述仿真运行数据和所述测量运行数据作为训练样本，输入神经网络，根据所述神经网络的输出结果调节所述神经网络的网络参数以及所述电化学模型的模型参数，并将符合迭代停止条件的神经网络确定为所述电池状态预测模型。2.根据权利要求1所述的电池状态预测模型的训练方法，其特征在于，还包括：获取所述电池的测量运行数据和属性数据；根据所述属性数据拟合所述测量运行数据，根据拟合结果确定所述电化学模型。3.根据权利要求1所述的电池状态预测模型的训练方法，其特征在于，基于所述电化学模型进行充放电仿真，得到不同仿真条件下电池的仿真运行数据，包括：生成对应于不同仿真条件的仿真条件数据；将所述仿真条件数据输入所述电化学模型进行充放电仿真，得到所述仿真运行数据；所述仿真运行数据包括所述电池在不同运行状态下的运行状态数据。4.根据权利要求1
‑
3中任一项所述的电池状态预测模型的训练方法，其特征在于，根据所述神经网络的输出结果调节所述电化学模型的模型参数，包括：根据所述神经网络的输出结果计算损失误差；在所述损失误差落入预设误差范围内的情况下，根据所述损失误差调节所述电化学模型的模型参数；经过模型参数调节得到的电化学模型用于生成作为所述训练样本的仿真运行数据。5.根据权利要求1
‑
3中任一项所述的电池状态预测模型的训练方法，其特征在于，根据所述神经网络的输出结果调节所述电化学模型的模型参数，包括：将对应于所述神经网络的输出结果的训练样本输入所述电化学模型，得到所述电化学模型的输出结果；在所述神经网络的输出结果与所述电化学模型的输出结果的差值落入预设差值范围内的情况下，根据所述差值调节所述电化学模型的模型参数；经过模型参数调节得到的电化学模型用于生成作为所述训练样本的仿真运行数据。6.一种电池状态预测方法，其特征在于，包括：获取电池的测量数据；将所述测量数据输入电池状态预测模型；所述电池状态预测模型根据权利要求1
‑
5中任一项所述的电池状态预测模型的训练方法训练得到；根据所述电池状态预测模型的输出结果确定所述电池的状态。7.一种电池状态预测模型的训练装置，其特征在于，包括：第一获取模块，用于获取电化学模型，所述电化学模型由电池的测量运行数据和属性数据构建得到；仿真模块，用于基于所述电化学模型进行充放电仿真，得...

【专利技术属性】
技术研发人员：赵恩海，严晓，顾单飞，郝平超，宋佩，丁鹏，吴炜坤，陈晓华，周国鹏，
申请(专利权)人：上海玫克生储能科技有限公司，
类型：发明
国别省市：