基于云边协同的动力电池寿命智能快速测试方法及系统技术方案

本发明专利技术公开了一种基于云边协同的动力电池寿命智能快速测试方法及系统，包括：在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；将电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。本发明专利技术将训练寿命预测基础模型的任务集中在云端，在边缘侧进行寿命预测任务。仅利用部分容量数据，即可预测电池的剩余使用寿命。即可预测电池的剩余使用寿命。即可预测电池的剩余使用寿命。

【技术实现步骤摘要】
基于云边协同的动力电池寿命智能快速测试方法及系统


[0001]本专利技术涉及动力电池寿命测试与预测
，尤其涉及一种基于云边协同的动力电池寿命智能快速测试方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]电池寿命是指可用容量下降至初始值80％时的充放电次数。对电池进行循环寿命测试，能够进一步了解电池特性，论证电池是否达到设计目标，在使用电池的过程中实现更好的管理和控制，同时能够评估电池满足不同应用场景需求的能力。
[0004]目前，锂离子电池循环寿命测试主要采用国标GB/T 31484
‑
2015《电动汽车用动力蓄电池循环寿命要求及试验方法》。该标准中规定，进行电池标准循环寿命测试时，需将电池连续循环充放电至其寿命终止条件，即“一测到底”。这项测试通常十分耗时。锂离子电池充放电循环次数可达几千甚至一万次以上，测试时间达1年乃至更长时间，电池循环寿命的获得需要通过全周期、长时间、高成本的测试。新能源汽车产业要求动力电池能够快速进行技术迭代和产品升级，但现有电池的循环寿命快速测试方法缺失，严重制约新能源汽车行业的快速高质量发展。因此，如何缩短寿命测试时间，快速准确高效地测试并评估电池循环寿命，已成为突破动力电池及其相关产业快速发展关键技术瓶颈的重要手段。
[0005]基于预测的电池寿命快速测试方法是解决上述问题优秀方案，即“测估结合”。通过以预测代替测试，省去大量时间，能够实现电池循环寿命的高效准确评估。不少学者展开了大量的研究，如现有技术通过将电池进行不同循环次数的短期循环性能测试，记录循环次数和容量保持率，然后将不同循环次数后的电池进行拆解，利用XRD法测试石墨负极材料的石墨化度，根据循环次数、容量保持率和石墨化度三种数据进行预测。此种方法需要拆解破坏电池，存在一定局限性。现有技术公开了一种锂离子电池循环寿命的预测方法，在电池表面安装压力传感器，记录电池一定循环次数内的容量信息，根据循环次数、放电容量和压力传感器中的电压数据进行拟合，实现对电池寿命的预测。此方法需要额外的压力传感器，实际中会增加成本，存在一定局限性。现有技术还公开了一种锂离子循环寿命的快速预测方法，通过将电池置于不同倍率下进行500次循环测试，拟合方程得到预测方程实现电池的寿命预测。此方法无需精密的测试设备和复杂的理论计算，但依然需要较长时间的循环测试，实用性不高。
[0006]而基于数据驱动的预测无需拆解电池或考虑电池内部物理及化学变化，直接以测试数据为依据进行相应分析预测电池寿命，方法简单快捷。如现有技术公开了一种基于数据驱动的电池剩余寿命预测方法，通过记录充电时间、温度、充电次数等数据，从这些数据中取样作为神经网络模型的训练数据，通过自设数据封装器进行预测。现有技术公开了一种基于数据驱动与电池特性结合的寿命预测方法，通过大量不同电池的运行数据，提取特征因子并计算在不同状态下的SOH，通过建立电池与用户画像算法关系模型进行寿命预测。
现有技术还公布了一种基于大数据的动力电池寿命预测方法，通过分析不同放电深度、不同温度、不同放电倍率等条件下电池的参数大数据，得到大数据分析关系式，利用吞吐量法预测电池寿命。上述方法虽然能够获得电池的循环寿命，但利用的数据量较大，实施速度慢，所需成本高。
[0007]尽管目前针对寿命预测有较多研究，但现阶段仍然缺失基于预测的电池寿命智能快速测试方法。

技术实现思路

[0008]为了解决传统测试方法周期长、成本高、需拆解电池的难题，本专利技术提出了一种基于云边协同的动力电池寿命智能快速测试方法及系统，结合云边协同技术，和“测估结合”技术，通过以预测代替测试，实现动力电池寿命智能快速测试。将训练寿命预测基础模型的任务集中在云端，在边缘侧进行寿命预测任务。仅利用部分容量数据，即可预测待测电池的退化容量和剩余使用寿命，保证了动力电池寿命智能快速测试的需求。
[0009]在一些实施方式中，采用如下技术方案：
[0010]一种基于云边协同的动力电池寿命智能快速测试方法，包括：
[0011]在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
[0012]将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；
[0013]根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。
[0014]在另一些实施方式中，采用如下技术方案：
[0015]一种基于云边协同的动力电池寿命智能快速测试系统，包括：
[0016]数据获取模块，用于在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
[0017]模型训练模块，用于将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；
[0018]容量退化趋势预测模块，用于根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。
[0019]在另一些实施方式中，采用如下技术方案：
[0020]一种基于云边协同的动力电池寿命智能快速测试系统，包括：
[0021]边缘端设备，用于在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
[0022]并且，根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命；
[0023]云端设备，用于基于已有电池容量数据以及接收到的边缘端发送的电池容量测试
时间序列数据，对动力电池寿命预测基础模型进行训练。
[0024]与现有技术相比，本专利技术的有益效果是：
[0025](1)本专利技术基于预测的方法实现动力电池的寿命智能快速测试，以预测代替测试，测估结合，省去大量测试时间，并且能够实现对电池循环寿命的高效准确评估。
[0026](2)本专利技术基于已有电池的大量数据，将训练寿命预测基础模型的任务集中在云端，在边缘侧进行寿命预测任务；合理的将云计算和边缘计算结合，降低了数据传输时延，增强了数据的安全性。
[0027](3)本专利技术仅在开始阶段测试部分数据，利用部分测试数据，无需进行动力电池的拆解，即可预测电池的剩余使用寿命，缩短了测试时间，实现动力电池的智能快速检测。
[0028]本专利技术的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
[0029]图1为本专利技术实施例中的基于云边协同的动力电池寿命智能快速测试方法流程图；
[0030]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云边协同的动力电池寿命智能快速测试方法，包括：在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。2.如权利要求1所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，所述动力电池寿命预测基础模型采用LSTM神经网络模型；所述LSTM神经网络模型的输入为前N个时刻的动力电池容量数据，输出为第N+1时刻的动力电池容量数据。3.如权利要求1所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，利用已有的多个同类型动力电池在不同时间下的容量数据，构建模型训练数据集，对动力电池寿命预测基础模型进行初步训练。4.如权利要求3所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，基于已有的多个同类型动力电池在不同时间下的容量数据，对模型训练数据集进行数据扩充，具体为：不同动力电池的退化容量数据分别乘以相对应的容量系数；其中，容量系数从基于Sobol序列生成的样本中选取。5.如权利要求1所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，所述云端和边缘端基于FTP协议实现相互通讯；云端能够同步连接多台边缘端设备。6.如权利要求...

【专利技术属性】
技术研发人员：商云龙，朱昱豪，顾鑫，陈桂成，张承慧，
申请(专利权)人：山东大学，
类型：发明
国别省市：