电池充放电循环寿命的预测方法、装置、电子终端、及存储介质与流程

本申请涉及电池充放电循环寿命预测的技术领域，特别是涉及电池充放电循环寿命的预测方法、装置、电子终端、及存储介质。

背景技术：

伴随着新能源汽车的普及和推广，作为新能源汽车核心部件之一的动力电池的充放电循环寿命预测正在日益引起业内各界，包括动力电池厂商、汽车厂商和最终用户的关注和重视。对于锂电池而言，当其实际容量下降至其额定容量的80％时，即视为失效。长的充放电循环寿命将会给新能源汽车带来巨大的市场竞争力，因此对于锂电池进行充放电循环寿命预测具有重要意义。

现有基于数据驱动的预测技术一般采用粒子滤波算法预测电池的使用寿命，粒子滤波模型的参数初值通常可以通过经验获取，也可以通过其它电池的已知寿命衰减数据计算。

但在实际应用过程中，由于涉及到锂电池内部复杂的物理化学过程，如果需要对参数的初值进行准确估计，往往需要对使用者的经验具有较高的要求。对于新设计的电池，可能会没有可以参照的已有电池的寿命衰减数据。同时，在预测过程中，现有技术往往需要预测对象的全部历史充放电循环数据，以便能够更新电池自身的状态。在这些情况下，获取的参数往往并不能够真实反映锂电池的实际状况，从而导致最终的充放电循环寿命预测结果不够准确。

与此同时，对于预测对象，现有技术往往需要使用尽可能多的历史充放电循环数据，通常需要大量电池的历史数据，而且不能够通过部分或早期充放电循环数据实现循环寿命的准确预测。

申请内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供电池充放电循环寿命的预测方法、装置、电子终端、及存储介质，用于解决现有技术中难以获取用于预测电池充放电循环寿命的参数初值的技术问题。

为实现上述目的及其他相关目的，本申请的第一方面提供一种电池充放电循环寿命的预测方法，其包括：获取电池集的早期充放电循环数据；根据所获取的早期充放电循环数据提取至少一电池集充放电特征，据以生成所述电池集的充放电循环数据特征向量，以形成对应的特征向量集；利用聚类分析算法对所述充放电循环数据特征向量集进行聚类分组；利用回归分析算法为聚类后的一或多组循环数据特征向量子集分别建立对应的回归模型，以供根据所建立的回归模型中与待测充放电循环寿命的电池的特征最接近的一回归模型预测该电池的充放电循环寿命。

于本申请的第一方面的一些实施例中，所述方法包括：根据所获取的早期充放电循环数据提取多个电池集充放电特征，其包括：放电容量差分特征、放电曲线退化特征、电池内阻特征、及电池充电循环次数特征中的任一种或多种组合。

充放电循环寿命是指电池在一定的容量的情况下所能进行的充放电循环次数，每充电、放电一次，叫做一次充放电循环。所述早期充放电循环数据包括测试电池的充放电循环总次数中较早测试到的预设数量的充放电循环次数；所述预设数量并不固定，可由具体测试场景来定，本实施例对此不作限定。

于本申请的第一方面的一些实施例中，令经历了完整的充放电循环测试的多个电池中的一部分电池作为用于建立回归模型的训练集，另一部分电池作为测试集；所述方法包括：获取训练集的多个早期充放电循环数据；根据所获取的早期充放电循环数据提取至少一训练集充放电特征，据以生成所述训练集的充放电循环数据特征向量集；利用聚类分析算法对所述充放电循环数据特征向量集进行聚类分组；利用回归分析算法为聚类后的一或多组充放电循环数据特征向量子集分别建立对应的回归模型；基于所述测试集对各回归模型进行精准度测试。

于本申请的第一方面的一些实施例中，所述方法包括：获取来自电池实测现场的实测数据；根据所获取的实测数据更新所述回归模型。

为实现上述目的及其他相关目的，本申请的第二方面提供一种电池充放电循环寿命的预测方法，其包括：获取并部署用于预测电池充放电循环寿命的回归模型；获取并部署用于预测电池充放电循环寿命的回归模型；根据所选的回归模型预测该电池的充放电循环寿命。

于本申请的第二方面的一些实施例中，所述方法包括：采集并上传基于电池实测现场的实测数据，以供更新所述回归模型；以及/或者获取并部署用于预测电池充放电循环寿命的一或多个更新后的回归模型。

为实现上述目的及其他相关目的，本申请的第三方面提供一种电池充放电循环寿命的预测装置，其包括：数据获取模块，用于获取电池集的早期充放电循环数据；特征向量集生成模块，用于根据所获取的早期充放电循环数据提取至少一电池集充放电特征，据以生成所述电池集的充放电循环数据特征向量集；聚类模块，用于利用聚类分析算法对所述充放电循环数据特征向量集进行聚类分组；模型建立模块，用于利用回归分析算法为聚类后的一或多组充放电循环数据特征向量子集分别建立对应的回归模型，以供根据所建立的回归模型中与待测充放电循环寿命的电池的特征最接近的一回归模型预测该电池的充放电循环寿命。

为实现上述目的及其他相关目的，本申请的第四方面提供一种模型获取及部署模块，用于获取并部署用于预测电池充放电循环寿命的一或多个回归模型；模型选取模块，用于从所述多个回归模型中选取与待测充放电循环寿命的电池的特征最接近的一回归模型；寿命预测模块，用于根据所选的回归模型预测该电池的充放电循环寿命。

为实现上述目的及其他相关目的，本申请的第五方面提供一种计算机可读存储介质，其上存储有第一计算机程序和/或第二计算机程序，所述第一计算机程序被处理器执行时实现本申请第一方面提供的预测方法，所述第一计算机程序被处理器执行时实现本申请第二方面提供的预测方法。

为实现上述目的及其他相关目的，本申请的第六方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本申请第一方面提供的预测方法。

为实现上述目的及其他相关目的，本申请的第七方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本申请第二方面提供的预测方法。

如上所述，本申请的电池充放电循环寿命的预测方法、装置、电子终端、及存储介质，具有以下有益效果：本申请提供的技术方案由于不涉及电池自身复杂的物理化学机理，仅需根据待测电池自身的历史数据计算获得，因此将能够较为容易的推广至不同类型的电池寿命的预测。与其它的基于数据驱动的电池充放电循环寿命预测技术相比，本发明仅需要使用待测电池的早期充放电循环数据，无须对待测电池的全部充放电循环数据进行跟踪，即可实现对电池充放电寿命的预测，降低了对于电池充放电循环寿命预测系统的软件和硬件要求，更加便于在实际应用中进行部署和使用。

附图说明

图1显示为本申请一实施例中电池充放电循环寿命的预测系统的流程示意图。

图2显示为本申请一实施例中电池充放电循环寿命的预测方法的流程示意图。

图3显示为本申请一实施例中回归模型集的示意图。

图4显示为本申请一实施例中电池充放电循环寿命的预测方法的流程示意图。

图5显示为本申请一实施例中电池充放电循环寿命的预测方法的流程示意图。

图6显示为本申请一实施例中电池充放电循环寿命的预测装置的结构示意图。

图7显示为本申请一实施例中电池充放电循环寿命的预测装置的结构示意图。

图8显示为本申请一实施例中电子终端的结构示意图。

图9显示为本申请一实施例中电子终端的结构示意图。

具体实施方式

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

本申请针对现有的电池充放电循环寿命预测技术中存在难以获取理想参数的问题，提出电池充放电循环寿命的预测方法、装置、电子终端、及存储介质。本申请提供的技术方案，由于不涉及电池自身复杂的物理化学机理，仅需根据待测电池自身的历史数据计算获得，因此将能够较为容易地推广至不同类型的电池寿命的预测。与其它的基于数据驱动的电池充放电循环寿命预测技术相比，本发明仅需要使用待测电池的早期充放电循环数据，无须对待测电池的全部充放电循环数据进行跟踪，即可实现对电池充放电循环寿命的预测，降低了对于电池充放电循环寿命预测系统的软件和硬件要求，更加便于在实际应用中进行部署和使用。

如图1所示，展示本申请一实施例中电池充放电循环寿命的预测系统的流程示意图。所述预测系统包括通过基站建立通信连接的云端设备11和车载端设备12。

云端设备11用于建立供预测电池充放电循环寿命的回归模型，车载端设备12用于从云端获取并部署回归模型，并利用回归模型预测当前待测电池的充放电循环寿命。车载端设备12还用于将从实测现场采集的电池实测数据上传至云端设备11，以供云端设备11根据该些电池实测数据更新回归模型，并将更新后的回归模型再下发至车载端设备12，以不断升级回归模型，提升电池充放电循环寿命预测的精准度。

所述云端设备11可以是包括存储器、存储控制器、一个或多个处理单元(cpu)、外设接口、rf电路、音频电路、扬声器、麦克风、输入/输出(i/o)子系统、显示屏、其他输出或控制设备，以及外部端口等组件的计算机；所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(personaldigitalassistant，简称pda)等个人电脑；所述云端设备11还可以是服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成。

所述车载端设备12例如是车控终端，所述车控终端是车辆监控管理系统的前端设备，也叫车辆调度监控终端(tcu终端)；所述车载端设备12还可以是车载控制器，所述车载控制器例如为arm(advancedriscmachines)、fpga(fieldprogrammablegatearray)、soc(systemonchip)、dsp(digitalsignalprocessing)、或者mcu(micorcontrollerunit)等控制器。

于本实施例中，考虑到模型建立中所涉及到的特征向量库的聚类以及回归模型的构建会消耗较多的计算资源，故采用云端设备来执行回归模型的构建任务，以实现高效、快速的建模。另外，应用实测模型预测电池充放电循环寿命以及实测数据的采集所消耗的资源较小，故采用本地的车载端设备来执行，从而降低部署和应用的成本。

但需说明的是，在其他的实施例中，也可将用于构建回归模型的云端设备和用于预测电池充放电循环寿命的车载端设备做一体式设计，例如将两者都设于云端或将两者都设于车载端，本申请对此不作限定。

如图2所示，展示本申请一实施例中电池充放电循环寿命的预测方法的流程示意图。本实施例中的电池充放电循环寿命的预测方法应用于云端设备，其包括步骤s201～s204。

在步骤s201中，获取电池集的早期充放电循环数据。

构建回归模型的基础是电池集的充放电循环历史数据，该数据应该包含完整的电池充放电循环寿命周期。其中，早期充放电循环数据区间的选取会随着电池的不同而有所差异，需要通过实验进行筛选和设定，通常可以选定一组固定值，例如，前10个循环或前50个循环，分别进行回归分析，采用精度最高的数据区间用于提取早期充放电循环特征。

在步骤s202中，根据所获取的早期充放电循环数据提取至少一电池集充放电特征，据以生成所述电池集的充放电循环数据特征向量集。

在一实施例中，电池集充放电曲线特征的提取不仅包括特征提取环节本身，还涵盖特征提取所需的预处理环节，包括预处理、特征降维、规范化等等。根据所获取的早期充放电循环数据提取多个电池集充放电特征包括但不限于如下特征组合：放电容量差分特征、放电曲线退化特征、电池内阻特征、或者电池充电循环次数特征等等。

在步骤s203中，利用聚类分析算法对所述充放电循环数据特征向量集进行聚类分组。

所述聚类分析算法是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，其目标在于在相似的基础上收集数据来进行分类。考虑到数据聚类的效果与特征向量集自身的分布高度相关，在未充分了解特征向量数据分布的情况下，本实施例提供多种聚类方法用于特征聚类效果的评估，最终将选取聚类效果最优的方法完成特征聚类。

具体的，所述聚类分析算法包括但不限于：划分聚类算法、层次聚类算法、模糊聚类算法、或者基于密度聚类算法等等；其中，划分聚类算法例如是k-means算法、k-中心点算法、或者clarans算法等等；层次聚类算法例如是diana算法、birch算法等等；模糊聚类算法例如em算法；基于密度算法例如是optics算法、dbscan算法等等。聚类分析算法的种类颇多，故而本实施例对此不再一一赘述。

在步骤s204中，利用回归分析算法为聚类后的一或多组充放电循环数据特征向量子集分别建立对应的回归模型，以供根据所建立的回归模型中与待测充放电循环寿命的电池的特征最接近的一回归模型预测该电池的充放电循环寿命。

所述回归分析算法是一种预测性的分析算法，用于研究因变量(目标)和自变量(预测器)之间的关系。对聚类分组后的各组循环数据特征向量子集分别进行回归分析，从而生成对应的回归模型集，建立回归模型与各特征类之间的关联关系。

如图3所示，展示本申请一实施例中回归模型集的示意图。利用聚类分析算法将充放电循环数据特征向量集进行聚类分组为n个子集，分别为充放电循环数据特征向量子集1、充放电循环数据特征向量子集2……充放电循环数据特征向量子集n。利用回归分析算法为每一个分别为充放电循环数据特征向量子集建立对应的回归模型，即构建回归模型1、回归模型2……回归模型n，各充放电循环数据特征向量子集对应一回归模型。

在一实施例中，考虑到回归分析算法的准确度与特征数据集自身分布的特点高度相关，因此采用不同类型的回归分析方法构建回归模型体系，并通过最优的回归效果选定最终的回归模型。

具体的，所述回归分析算法包括但不限于如下算法组合：linearregression线性回归算法、logisticregression逻辑回归算法、polynomialregression多项式回归算法、stepwiseregression逐步回归算法、ridgeregression岭回归算法、lassoregression套索回归算法、elasticnet回归算法等等。

在一实施例中，所述方法还包括：获取来自电池实测现场的实测数据；根据所获取的实测数据更新所述回归模型。也即，将新能源汽车中本地电池的早期充放电循环实测数据上传至云端设备，以供其更新回归模型。

如图4所示，展示本申请另一实施例中电池充放电循环寿命的预测方法的流程示意图。于本实施例中，令经历了完整的充放电循环测试的多个电池中的一部分电池作为用于建立回归模型的训练集，另一部分电池作为测试集；所述预测方法包括步骤s401～s405。

在步骤s401中，获取训练集的多个早期充放电循环数据。

在步骤s402中，根据所获取的早期充放电循环数据提取至少一训练集充放电特征，据以生成所述训练集的充放电循环数据特征向量集。

在步骤s403中，利用聚类分析算法对所述充放电循环数据特征向量集进行聚类分组。

在步骤s404中，利用回归分析算法为聚类后的一或多组充放电循环数据特征向量子集分别建立对应的回归模型。

在步骤s405中，基于所述测试集对各回归模型进行精准度测试。

为便于本领域技术人员理解，现结合下文的实施例对训练集和测试集的运用原理做进一步的解释与说明。

于本实施例中，选取一批电池(例如选取数量小于100的电池)，对该批中的电池进行完整的充放电循环测试，直至电池的整个生命周期结束(电池的放电容量低于标称容量的80％)。针对该批电池，按照预设比例并通过随机方式将该批电池区分为训练集和测试集。

具体的，对训练集和测试集分别提取充放电特征，并构建该批次电池的充放电循环数据特征向量集。基于所述训练集并利用回归分析算法构建电池的充放电循环寿命预测模型，并基于所述测试集对所构建的预测模型做精准度评估。

如图5所示，展示本申请一实施例中电池充放电循环寿命的预测方法的流程示意图。本实施例中的电池充放电循环寿命的预测方法应用于车载端设备，其包括步骤s501～s503。

在步骤s501中，获取并部署用于预测电池充放电循环寿命的回归模型。

在步骤s502中，从所述多个回归模型中选取与待测充放电循环寿命的电池的特征最接近的一回归模型。

具体的，获取待测充放电循环寿命的电池的早期充放电测试数据，采用与构建回归模型时相同的特征即其预处理方法，获得规范化的输入特征。从回归模型集中选取与待测电池的特征最接近的一回归模型，利用该回归模型预测待测电池的充放电循环寿命。

在一实施例中，所述从回归模型集中选取与待测电池的特征最接近的一回归模型，是指分析待测电池的特征曲线与回归模型集中各回归模型的特征曲线之间的相似度，将相似度最高的一回归模型作为最接近待测电池的特征的回归模型。

具体的，对于评价两根特征曲线之间的相似度可采用诸如基于各种距离测度的距离评判、利用相关系数进行相似度分析等等，其中对于距离测度例如可采用欧式距离、hausdorff距离、或者弗雷歇距离等等。

在步骤s503中，根据所选的回归模型预测该电池的充放电循环寿命。

在一实施例中，所述方法还包括采集并上传基于电池实测现场的实测数据，以供更新所述回归模型，也即，将相关特征数据上传至电池集历史数据集，以便能够在云端设备实现回归模型的自动更新并下发至车载端设备。

在一实施例中，所述方法还包括获取并部署用于预测电池充放电循环寿命的一或多个更新后的回归模型，从而不断提升电池充放电循坏寿命预测的精准度。

如图6所示，展示本申请一实施例中电池充放电循环寿命的预测装置的结构示意图。所述装置包括数据获取模块61、特征向量集生成模块62、聚类模块63、模型建立模块64。

数据获取模块61用于获取电池集的早期充放电循环数据；特征向量集生成模块62用于根据所获取的早期充放电循环数据提取至少一电池集充放电特征，据以生成所述电池集的充放电循环数据特征向量集；聚类模块63用于利用聚类分析算法对所述充放电循环数据特征向量集进行聚类分组；模型建立模块64用于利用回归分析算法为聚类后的一或多组充放电循环数据特征向量子集分别建立对应的回归模型，以供根据所建立的回归模型中与待测充放电循环寿命的电池的特征最接近的一回归模型预测该电池的充放电循环寿命。

如图7所示，展示本申请另一实施例中电池充放电循环寿命的预测装置的结构示意图。所述装置包括：模型获取及部署模块71、模型选取模块72、寿命预测模块73。

模型获取及部署模块71用于获取并部署用于预测电池充放电循环寿命的一或多个回归模型；模型选取模块72用于从所述多个回归模型中选取与待测充放电循环寿命的电池的特征最接近的一回归模型；寿命预测模块73用于根据所选的回归模型预测该电池的充放电循环寿命。

需说明的是，电池充放电循环寿命的预测装置的实施方式与电池充放电循环寿命的预测方法的实施方式类似，故不再赘述。应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。

如图8所示，展示本申请一实施例中电子终端的结构示意图。本实例提供的电子终端，包括处理器81和存储器82，存储器82通过系统总线与处理器81连接并完成相互间的通信，存储器82用于存储计算机程序，处理器81用于运行计算机程序，使电子终端执行如上电池循环寿命的预测方法中的步骤s201～s204。

如图9所示，展示本申请实施例提供的再一种电子终端的结构示意图。本实例提供的电子终端，包括处理器91和存储器92，存储器92通过系统总线与处理器91连接并完成相互间的通信，存储器92用于存储计算机程序，处理器91用于运行计算机程序，使电子终端执行如上电池循环寿命的预测方法中的步骤s501～s503。

上述提到的系统总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccessmemory，简称ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field－programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在一实施例中，本申请还提供一种计算机可读存储介质，其上存储有第一计算机程序和/或第二计算机程序，其特征在于，所述第一计算机程序被处理器执行时实现如上电池循环寿命的预测方法中的步骤s201～s204，所述第二计算机程序被处理器执行时实现如上电池循环寿命的预测方法中的步骤s501～s503。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请提供电池充放电循环寿命的预测方法、装置、电子终端、及存储介质，本申请提供的技术方案由于不涉及电池自身复杂的物理化学机理，仅需根据待测电池自身的历史数据计算获得，因此将能够较为容易的推广至不同类型的电池充放电寿命的预测。与其它的基于数据驱动的电池充放电循环寿命预测技术相比，本发明仅需要使用待测电池的早期充放电循环数据，无须对待测电池的全部充放电循环数据进行跟踪，即可实现对电池充放电循环寿命的预测，降低了对于电池充放电循环寿命预测系统的软件和硬件要求，更加便于在实际应用中进行部署和使用。所以，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。