【技术实现步骤摘要】
本申请涉及锂离子电池，特别是涉及一种锂离子电池寿命预测模型构建方法、锂离子电池剩余使用寿命预测方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、准确预测锂离子电池剩余使用寿命对锂离子电池及电池系统的安全稳定高效运行具有重要影响。其中，基于机器学习的锂离子电池剩余使用寿命预测一直是该领域的研究热点。目前锂离子电池的寿命预测方法仍以纯电池材料性能方法预测或者纯机器学习方法预测为主，无法全面考虑各方面因素来进行综合预测，导致预测精度难以有进一步的提升。
2、此外，在机器学习算法具体应用过程中，即使对于一个超参数恒定的机器学习模型，完成训练后的模型预测精度也并非一成不变，如何在存在精度变化的多次训练中寻找到精度最高的最优结果，也是值得探讨的问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高锂离子电池剩余使用寿命的预测精度的锂离子电池寿命预测模型构建方法、锂离子电池剩余使用寿命预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种锂离子电池寿命预测模型构建方法。所述方法包括：
3、获取原始网络模型；所述原始网络模型包括原始内层网络和外层网络；所述外层网络用于预测锂离子电池的剩余使用寿命；
4、将所述锂离子电池的机理信息与所述原始内层网络进行融合，得到内层网络，以及由所述内层网络和所述外层网络组成的待训练的寿命预测模型；所述内层网络用于评估所述锂离子电池的电池老化情
5、根据多个所述待训练的寿命预测模型，构建待训练的群驱动模型；
6、根据所述锂离子电池的样本数据和所述样本数据对应的剩余使用寿命标签，对所述群驱动模型中的每个所述待训练的寿命预测模型进行同步训练，得到训练完成的目标群驱动模型。
7、在其中一个实施例中，将所述锂离子电池的机理信息与所述原始内层网络进行融合，得到内层网络，包括：
8、根据所述锂离子电池的电化学模型中的正负极固相扩散信息，得到所述机理信息；
9、确定所述机理信息对应的初始条件和边界条件；
10、将所述机理信息、所述初始条件和所述边界条件，与所述原始内层网络的损失函数进行融合处理，得到所述内层网络。
11、在其中一个实施例中，根据所述锂离子电池的样本数据和所述样本数据对应的剩余使用寿命标签，对所述群驱动模型中的每个所述待训练的寿命预测模型进行同步训练，得到训练完成的目标群驱动模型，包括：
12、基于不同的随机种子，对每个所述待训练的寿命预测模型的超参数进行初始化，得到每个所述待训练的寿命预测模型的模型参数；
13、将所述样本数据，分别输入到每个所述待训练的寿命预测模型中，得到多个预测剩余使用寿命；
14、根据每个所述预测剩余使用寿命与所述剩余使用寿命标签之间的寿命差异，分别对每个所述待训练的寿命预测模型的模型参数进行迭代更新，得到所述训练完成的目标群驱动模型。
15、在其中一个实施例中，在根据所述锂离子电池的样本数据和所述样本数据对应的剩余使用寿命标签，对所述群驱动模型中的每个所述待训练的寿命预测模型进行同步训练，得到训练完成的目标群驱动模型之前，还包括：
16、根据所述锂离子电池的最大可用容量，得到所述锂离子电池的循环寿命；
17、获取所述锂离子电池在任一充放电循环下的电池运行数据和电池材料数据并作为所述样本数据；所述样本数据包括所述锂离子电池的电压数据和电流数据；所述电池材料数据包括固相颗粒半径；
18、根据所述循环寿命与所述样本数据对应的循环数之间的差值，得到所述样本数据对应的剩余使用寿命标签。
19、第二方面，本申请提供了一种锂离子电池剩余使用寿命预测方法。所述方法包括：
20、将锂离子电池的充电时间、电流数据和固相颗粒半径，分别输入至目标群驱动模型中的每个训练完成的寿命预测模型中，得到每个所述训练完成的寿命预测模型输出的所述锂离子电池的预测剩余使用寿命；所述目标群驱动模型根据如第一方面所述的方法的步骤得到；
21、根据所述预测剩余使用寿命，从所述目标群驱动模型包含的多个所述训练完成的寿命预测模型中，筛选出满足预设模型性能条件的目标寿命预测模型；
22、根据所述目标寿命预测模型输出的预测剩余使用寿命，得到所述锂离子电池的目标剩余使用寿命。
23、在其中一个实施例中，预测剩余使用寿命通过如下方式得到：
24、通过所述训练完成的寿命预测模型中的内层网络，基于所述充电时间、所述电流数据和所述固相颗粒半径，对所述锂离子电池进行电池老化状态评估，得到所述锂离子电池的电池老化信息；
25、将所述锂离子电池的电压数据、所述电流数据和所述电池老化信息，输入至所述训练完成的寿命预测模型的外层网络中，得到所述锂离子电池的预测剩余使用寿命。
26、在其中一个实施例中，根据所述预测剩余使用寿命，从多个所述训练完成的寿命预测模型中筛选出满足预设模型性能条件的目标寿命预测模型，包括：
27、对输出的所有的所述预测剩余使用寿命进行平均处理和标准差处理，得到所述预测剩余使用寿命的均值和标准差；
28、根据所述均值和所述标准差，从多个所述训练完成的寿命预测模型中，筛选出小于分位数阈值的目标寿命预测模型；所述分位数阈值根据所述均值和所述标准差设置得到。
29、第三方面，本申请还提供了一种锂离子电池寿命预测模型构建装置。所述装置包括：
30、寿命预测模块，用于将锂离子电池的充电时间、电流数据和固相颗粒半径，分别输入至目标群驱动模型中的每个训练完成的寿命预测模型中，得到每个所述训练完成的寿命预测模型输出的所述锂离子电池的预测剩余使用寿命；所述目标群驱动模型根据如第一方面所述的方法的步骤得到；
31、性能筛选模块，用于根据所述预测剩余使用寿命，从所述目标群驱动模型包含的多个所述训练完成的寿命预测模型中，筛选出满足预设模型性能条件的目标寿命预测模型；
32、寿命确定模块，用于根据所述目标寿命预测模型输出的预测剩余使用寿命，得到所述锂离子电池的目标剩余使用寿命。
33、第四方面，本申请还提供了一种锂离子电池剩余使用寿命预测装置。所述装置包括：
34、寿命预测模块，用于将锂离子电池的充电时间、电流数据和固相颗粒半径，分别输入至目标群驱动模型中的每个训练完成的寿命预测模型中，得到每个所述训练完成的寿命预测模型输出的所述锂离子电池的预测剩余使用寿命；所述目标群驱动模型根据如第一方面所述的方法的步骤得到；
35、性能筛选模块，用于根据所述预测剩余使用寿命，从所述目标群驱动模型包含的多个所述训练完成的寿命预测模型中，筛选出满足预设模型性能条件的目标寿命预测模型；
36、寿命确定模块，用于根据所述目标寿命预测模型输出的预测剩余使用寿命，得到本文档来自技高网...
【技术保护点】
1.一种锂离子电池寿命预测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述锂离子电池的机理信息与所述原始内层网络进行融合，得到内层网络，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述锂离子电池的样本数据和所述样本数据对应的剩余使用寿命标签，对所述群驱动模型中的每个所述待训练的寿命预测模型进行同步训练，得到训练完成的目标群驱动模型，包括：
4.根据权利要求1至3任一项所述的方法，其特征在于，在根据所述锂离子电池的样本数据和所述样本数据对应的剩余使用寿命标签，对所述群驱动模型中的每个所述待训练的寿命预测模型进行同步训练，得到训练完成的目标群驱动模型之前，还包括：
5.一种锂离子电池剩余使用寿命预测方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述预测剩余使用寿命通过如下方式得到：
7.根据权利要求5所述的方法，其特征在于，所述根据所述预测剩余使用寿命，从多个所述训练完成的寿命预测模型中筛选出满足预设模型性能条件的目标寿命预
8.一种锂离子电池寿命预测模型构建装置，其特征在于，所述装置包括：
9.一种锂离子电池剩余使用寿命预测装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4，或者5至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种锂离子电池寿命预测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述锂离子电池的机理信息与所述原始内层网络进行融合，得到内层网络，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述锂离子电池的样本数据和所述样本数据对应的剩余使用寿命标签，对所述群驱动模型中的每个所述待训练的寿命预测模型进行同步训练，得到训练完成的目标群驱动模型，包括：
4.根据权利要求1至3任一项所述的方法，其特征在于，在根据所述锂离子电池的样本数据和所述样本数据对应的剩余使用寿命标签，对所述群驱动模型中的每个所述待训练的寿命预测模型进行同步训练，得到训练完成的目标群驱动模型之前，还包括：
...
【专利技术属性】
技术研发人员：孙万洲，彭鹏，俄立新，李乐卿，李毓烜，闻有为，
申请(专利权)人：南方电网调峰调频发电有限公司储能科研院，
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。