【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种电池健康检测方法、装置、电子设备及存储介质。
技术介绍
1、对于新能源汽车特别是电动汽车，其能源主要来自于独立的电池组。电池组在电动汽车的不同车况下，其电池健康受电池温度、负荷及电荷放电倍率的影响。
2、因此，现有技术主要通过电动车电池管理系统（bms）及多模态传感器融合等方式对电动汽车的电池组进行检测及预测完成对电池组的健康检测，其中bms电池管理系统主要对电池组的工作情况（如soc荷电状态、soh健康状态、sop功率状态和sof功能状态）进行分析，并提出对应的应对方案，以提高电池的健康度及使用寿命；而多模态传感器融合是通过多种温度传感器、电压/电流传感器采集电池模态数据，通过融合多模态数据并进行分析，以完成对电池组的全面健康检测。
3、现有技术均采用的是根据电池本身的工作状态进行预测，而没有考虑汽车车况、汽车驾驶路况及用户驾驶习惯对电池健康的影响，因此会导致电池健康损耗较大且无法进行准确检测。
技术实现思路
1、本专利技术实施例的主要目的在于提出一种电池健康检测方法、装置、电子设备及存储介质，提高了基于用户行为影响的情况下电池组的健康检测的准确性，延长了电池组的使用寿命。
2、本专利技术的一方面提供了一种电池健康检测方法，包括：
3、根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯，所述第一健康度用于表征所述目标电池组的当前健康度；
4、根据所述
5、根据所述第一驾驶数据对所述目标电池组的采用电池健康检测模型进行预测，得到所述目标电池组的第二健康度，所述第二健康度用于表征驾驶车辆经过所述第一时间段后的健康度；
6、根据所述第二健康度，生成基于所述第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，所述第二用户驾驶习惯用于表征对所述目标电池组电池的最低健康损失度；
7、所述电池健康检测模型通过以下步骤训练得到：
8、获取数据集，所述数据集包括第二驾驶数据，对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征；
9、将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片第三方gis电子地图段，通过采用基于时间序列的递归神经网络对第二数据集的进行预测，得到预测结果；
10、根据所述预测结果，采用损失函数进行训练及优化，得到所述电池健康检测模型。
11、根据所述的电池健康检测方法，其中根据所述用户驾驶路线确定在第一时间段内的路况数据，包括：
12、根据所述驾驶路线，从第三方gis电子导航地图获取线路数据，从第三方气象数据平台获取所述驾驶路线在所述的环境温度数据，其中线路数据包括直线行驶路段、加速路段及变向路段中的至少一种。
13、根据所述的电池健康检测方法，其中根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，包括：
14、获取第一用户驾驶习惯，其中第一用户驾驶习惯包括用户在历史时刻的直线行驶路段的平均行驶速度、加速路段的平均加速度及变向路段的平均转向速度；
15、根据所述第一用户驾驶习惯、所述环境温度数据，采用电化学模型进行模拟，得到所述第一驾驶数据，其中电化学模型采用多物理场模拟方法，所述多物理场模拟方法根据所述第一用户驾驶习惯，确定目标电池组在不同线路数据时的能量分布，根据能量分布、当前电池温度、环境温度数据及当前电池组电压，预测得到目标电池组经过直线行驶路段、加速路段及变向路段中的至少一种路段后的电池组电压及电池组温度。
16、根据所述的电池健康检测方法，其中对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征，包括：
17、对所述数据集进行规范化，包括基于时间对行驶速度、电池组温度和电池组电压进行转换，得到规范化的时间序列数据；
18、对规范化的时间序列数据进行特征提取得到所述第二驾驶数据的时间序列特征。
19、根据所述的电池健康检测方法，其中将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对所述第二数据集的进行预测，得到预测结果，包括：
20、将经过规范化的数据集划分为训练数据集和验证数据集；
21、所述基于时间序列的递归神经网络采用segrnn模型，通过segrnn模型对驾驶车辆在不同路段的行驶速度对时间序列特征进行划分，得到时间序列片段；
22、将训练数据集的电池组温度、电池组放电电流和电池组电压作为时间序列输入，将车辆在不同路段的行驶速度作为切分标准；
23、将不同切分标准的时间序列片段通过segrnn模型进行预测，得到所述预测结果，其中预测结果用于表征目标电池组在未来不同时间片段的行驶速度、电池组温度和电池组电压。
24、根据所述的电池健康检测方法，其中根据所述预测结果，采用损失函数进行训练及优化，得到所述电池健康检测模型，包括：
25、采用均方误差损失函数，对所述预测结果与所述验证数据集进行差异对比，使用随机梯度下降优化器，对模型的参数进行更新并最小化损失函数处理，得到所述电池健康检测模型。
26、根据所述的电池健康检测方法，其中根据所述第二健康度，生成基于所述第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，包括：
27、对输入所述电池健康检测模型中驾驶车辆的行驶速度进行调整，并以最小电池健康度损失进行计算，得到驾驶车辆在不同路段的第二用户驾驶习惯；
28、根据所述第二健康度及所述第一健康度，采用贝叶斯模型生成所述用户驾驶路线电池健康损耗预测，以及，根据所述第一用户驾驶习惯和第二用户驾驶习惯，生成驾驶习惯推荐结果。
29、本专利技术实施例的另一方面提供了一种电池健康检测装置，包括：
30、第一单元及第二单元，所述第一单元用于进行目标电池组的健康检测，所述第二单元用于电池健康检测模型的训练，其中所述第一单元包括第一模块、第二模块及第三模块，所述二单元包括第四模块、第五模块、第六模块及第七模块；
31、所述第一模块用于根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯，所述第一健康度用于表征所述目标电池组的当前健康度；
32、所述第二模块用于根据所述用户驾驶路线确定驾驶车辆在第一时间段内的路况数据，根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，所述第一驾驶数据用于表征驾驶车辆在不同路段类型行驶时的行驶速度、电池本文档来自技高网...
【技术保护点】
1.一种电池健康检测方法，其特征在于，包括：
2.根据权利要求1所述的电池健康检测方法，其特征在于，所述根据所述用户驾驶路线确定在第一时间段内的路况数据，包括：
3.根据权利要求2所述的电池健康检测方法，其特征在于，所述根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，包括：
4.根据权利要求1所述的电池健康检测方法，其特征在于，所述对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征，包括：
5.根据权利要求4所述的电池健康检测方法，其特征在于，所述将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对所述第二数据集的进行预测，得到预测结果，包括：
6.根据权利要求5所述的电池健康检测方法，其特征在于，所述根据所述预测结果，采用损失函数进行训练及优化，得到所述电池健康检测模型，包括：
7.根据权利要求6所述的电池健康检测方法，其特征在于，所述根据所述第二健康度，生成基于所述第一用户驾驶习惯的电池健康损失预测报告，并生成第
8.一种电池健康检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-7中任一项所述的电池健康检测方法。
...【技术特征摘要】
1.一种电池健康检测方法，其特征在于，包括：
2.根据权利要求1所述的电池健康检测方法，其特征在于，所述根据所述用户驾驶路线确定在第一时间段内的路况数据，包括：
3.根据权利要求2所述的电池健康检测方法，其特征在于，所述根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，包括：
4.根据权利要求1所述的电池健康检测方法，其特征在于，所述对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征，包括：
5.根据权利要求4所述的电池健康检测方法，其特征在于，所述将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对...
【专利技术属性】
技术研发人员：陈彩霞，揭印泉，
申请(专利权)人：广东车卫士信息科技有限公司，
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。