一种电池剩余使用寿命的预测方法、系统及存储介质技术方案

本发明专利技术涉及数据处理技术领域，更具体涉及一种电池剩余使用寿命的预测方法、系统及存储介质。所述方法包括：获取电池的参数数据；采集参数数据中的关键特征，获取关键特征时间曲线，采用Savitzky

【技术实现步骤摘要】
一种电池剩余使用寿命的预测方法、系统及存储介质


[0001]本专利技术涉及数据处理
，更具体涉及一种电池剩余使用寿命的预测方法、系统及存储介质。

技术介绍

[0002]随着电动汽车的普及，电池是其核心部件之一，而锂离子电池是当前电动汽车领域主流的能量存储技术。然而，随着使用时间的延长，电池的性能会逐渐下降，导致电动汽车续航里程减少，影响用户体验和车辆使用寿命。为了减轻电池寿命的不确定性，电池通常设计的尺寸过大，也可能会造成电量使用不尽的情况，从而导致系统成本增加，因此，需要一种电池健康使用寿命精确预测的新方法。
[0003]电池剩余使用寿命预测任务是指根据电池的实际使用情况，通过对其状态进行分析和建模，来预测电池能够继续使用的时间。为了实现这个任务，可以采用SOH（State of Health）技术进行预测。SOH是指电池的健康状态，它可以通过监测电池的内部参数，如电流、电压、温度等来评估电池的健康状况。通过对SOH的预测，可以得出电池的剩余寿命。电池剩余使用寿命预测方法可分为两大类：一类是传统的基于模型的方法，建立基于电池的内部结构和物理原理的模型，通过模拟电池的内部过程来预测其剩余使用寿命。物理原理的模型是基于电池的化学反应、电化学反应、热力学和动力学等方面进行建模。另一类是基于数据驱动方法，通过利用电池的历史数据、实时数据或者传感器数据等，建立预测模型来预测电池的剩余使用寿命。基于数据驱动方法的电池剩余使用寿命预测研究可分为基于差分分析、机器学习和深度学习的方法。与传统的基于模型的方法不同，基于数据驱动方法不需要对电池的内部结构和物理原理进行建模，而是直接利用数据进行建模和预测，因此基于数据驱动的方法能更加灵活和适应不同的电池类型和工况条件。
[0004]现有预测方案在实际应用中主要存在以下缺点：基于模型的方法建模难度大，需要对电池的内部结构和物理原理进行建模，需要专业知识和技能。且该方法只能反映建模时所考虑的因素，如果存在未考虑的因素或者模型精度不足，会影响预测精度和可靠性。同时，基于模型的方法建立的模型一般适用于特定型号、特定工况下的电池，对于不同型号、不同工况下的电池，需要重新建立模型，适应性较差；在基于数据驱动方法的电池剩余使用寿命预测方法中，基于差分分析的方法对数据的要求较高，需要具备高精度、高时间分辨率的电池容量测试数据，并且对电池的充放电条件和工况环境等因素较为敏感；基于机器学习和深度学习的电池剩余寿命预测方法较为灵活，不受制于模型精度，但对数据和设备算力要求较高，且特征提取质量会对预测结果产生较大的影响。
[0005]因此，针对上述问题，本专利技术设计了一种基于时间间隔的特征提取方法，以特定电压间隔序列下的时间作为特征，使用基于全局
‑
滑动窗口注意力机制的Transformer时间序列预测模型预测电池的剩余使用寿命。

技术实现思路

[0006]为了更好的解决上述问题，本专利技术提供一种电池剩余使用寿命的预测方法、系统及存储介质，以实现精准预测电池剩余使用寿命，从而提前进行维护或更换，避免出现意外故障或损坏，提升用户体验。
[0007]作为本专利技术的一种优选技术方案，电池剩余使用寿命的预测方法包括如下步骤：步骤S1：获取电池的参数数据；步骤S2：采集所述参数数据中的关键特征，获取所述关键特征时间曲线，采用Savitzky
‑
Golay数字信号处理算法对所述关键特征时间曲线进行平滑性处理，提取所述关键特征时间间隔，基于所述关键特征的时间间隔，计算各个所述关键特征的时间序列特征；步骤S3：将各个所述关键特征的所述时间序列特征，输入至预测模型来计算所述电池的SOH；步骤S4：基于第一公式计算所述电池的剩余使用寿命a，所述第一公式为：a = b * (1
‑
c)，其中，b为所述电池的设计总寿命，c为所述电池的SOH值。
[0008]作为本专利技术的一种优选技术方案，所述步骤S1中，获取所述电池参数数据的方法，包括：步骤S11：对所述电池进行充电，使其存储的电量达到最大值；步骤S12：在常温下，对所述电池进行自然放电，使所述电池的电量达到预先设定的第一数值；步骤S13：记录充放电过程中所述电池的所述关键特征的所述参数数据。
[0009]作为本专利技术的一种优选技术方案，所述关键特征包括电压、电流和温度，定义所述关键特征的所述时间序列特征分别为电压时间序列、电流时间序列和温度时间序列。
[0010]作为本专利技术的一种优选技术方案，计算所述关键特征中所述电压时间序列、所述电流时间序列和所述温度时间序列包括：设置电压上下界限值，上界V
h
等于第一阈值，下界V1等于第二阈值，设定电压间隔，获取放电操作过程中电压从Vh到V1之间间隔所述的第一电压序列，基于所述第一电压序列获取对应的第一电流序列、第一温度序列和第一时间序列，分别将所述第一时间序列中的T0和Tk1的时间戳保存在存储器上，其中k1为所述第一电压序列的长度；获取充电操作过程中电压从V1到V
h
之间间隔所述的第二电压序列，基于所述第二电压序列获取对应的第二电流序列、第二温度序列和第二时间序列，分别将所述第二时间序列中的T0和Tk2的时间戳保存在所述存储器上，其中k2为所述第二电压序列的长度。
[0011]作为本专利技术的一种优选技术方案，所述预测模型为GS
‑
Transformer模型。
[0012]作为本专利技术的一种优选技术方案，所述时间序列特征输入至所述预测模型之前，使用最大最小归一化法对数据进行归一化处理。
[0013]作为本专利技术的一种优选技术方案，所述GS
‑
Transformer模型的解码器输入表达式如下：
其中，是起始元素，是目标序列占位符，所述目标序列占位符取值为0，所述解码器通过一个前向过程预测输出。
[0014]本专利技术还提供一种如上所述的电池剩余使用寿命的预测系统，包括如下模块：获取模块：用于获取电池的参数数据；采集模块：用于采集参数数据中的关键特征，获取关键特征时间曲线，采用Savitzky
‑
Golay数字信号处理算法对关键特征时间曲线进行平滑性处理，提取关键特征时间间隔，基于关键特征的时间间隔，计算各个关键特征的时间序列特征；预测模块：用于将各个关键特征的时间序列特征，输入至预测模型来计算电池的SOH；计算模块：用于在第一公式的基础上，计算电池的剩余使用寿命a，第一公式为：a = b * (1
‑
c)，其中，b为电池的设计总寿命，c为电池的SOH值。
[0015]本专利技术还提供一种计算设备，所述设备包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述所述的电池剩余使用寿命的预测方法。
[0016]本专利技术还提供一种存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述所述的电池剩余使用寿命的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池剩余使用寿命的预测方法，其特征在于，所述方法包括如下步骤：步骤S1：获取电池的参数数据；步骤S2：采集所述参数数据中的关键特征，获取所述关键特征时间曲线，采用Savitzky
‑
Golay数字信号处理算法对所述关键特征时间曲线进行平滑性处理，提取所述关键特征时间间隔，基于所述关键特征的时间间隔，计算各个所述关键特征的时间序列特征；步骤S3：将各个所述关键特征的所述时间序列特征，输入至预测模型来计算所述电池的SOH；步骤S4：基于第一公式计算所述电池的剩余使用寿命a，所述第一公式为：a = b * (1
‑
c)，其中，b为所述电池的设计总寿命，c为所述电池的SOH值。2.根据权利要求1所述的一种电池剩余使用寿命的预测方法，其特征在于，所述步骤S1中，获取所述电池参数数据的方法，包括：步骤S11：对所述电池进行充电，使其存储的电量达到最大值；步骤S12：在常温下，对所述电池进行自然放电，使所述电池的电量达到预先设定的第一数值；步骤S13：记录充放电过程中所述电池的所述关键特征的所述参数数据。3.根据权利要求1所述的一种电池剩余使用寿命的预测方法，其特征在于，所述关键特征包括电压、电流和温度，定义所述关键特征的所述时间序列特征分别为电压时间序列、电流时间序列和温度时间序列。4.根据权利要求3所述的一种电池剩余使用寿命的预测方法，其特征在于，计算所述关键特征中所述电压时间序列、所述电流时间序列和所述温度时间序列包括：设置电压上下界限值，上界V
h
等于第一阈值，下界V1等于第二阈值，设定电压间隔，获取放电操作过程中电压从Vh到V1之间间隔所述的第一电压序列，基于所述第一电压序列获取对应的第一电流序列、第一温度序列和第一时间序列，分别将所述第一时间序列中的T0和Tk1的时间戳保存在存储器上，其中k1为所述第一电压序列的长度；获取充电操作过程中电压从V1到V
h
之间间隔所述的第二电压序列，基于所述第二电压序列获取对应的第二电流序列、第二温度序列...

【专利技术属性】
技术研发人员：向凌云，李尚城，虞凡，李俊，张宁，
申请(专利权)人：东风畅行科技股份有限公司，
类型：发明
国别省市：