本发明涉及电池管理,尤其涉及一种电池健康状态的确定方法、装置、设备及存储介质。
背景技术:
1、锂电池在使用过程中无可避免地会经历老化过程,锂离子电池的健康状态(soh)会随着重复的充电和放电循环而逐渐降低。并且,受放电过程中的温度,充放电倍率、充放电深度等多重因素的影响,soh的衰退是一个缓慢、不可逆的非线性变化过程,其对于定量分析储能系统锂离子电池的使用寿命及安全性能具有重要作用。因此,准确预测电池健康状态(soh),对储能电站进行安全预警,是保障储能电站长期稳定运行的有效手段。
2、目前,数据驱动方法已被广泛应用于锂离子电池soh和剩余使用寿命的预测。数据驱动方法不需要准确分析电池内部复杂的化学反应,只需要获取电池历史运行数据,通过提取直接或间接测量的参数特征,结合各种数据分析方法挖掘数据中隐含的电池健康状态信息,从而达到预测电池soh的目的。
3、然而,数据驱动方法往往存在模型结构难以确定、模型参数调整困难等问题,并且对不同的数据需要频繁调整模型参数以适应不同的数据特征。由此可见,模型参数的选择是一项繁琐且重要的工作,并且人为地对模型进行调参有较大的随机性,难以确定最佳参数,无法使模型充分发挥其性能。
技术实现思路
1、本发明提供了一种电池健康状态的确定方法、装置、设备及存储介质,以实现通过构建数据模型的方法对电池健康状态进行估计。
2、根据本发明的一方面,提供了一种电池健康状态的确定方法,包括:
3、根据与所述电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型;
4、利用设定算法与所述模型训练数据集对所述初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型;
5、将所述目标特征变量输入所述目标电池健康状态确定模型,将所述目标电池健康状态确定模型的输出确定为所述电池健康状态。
6、进一步地,所述目标特征变量包括恒流充电时间、恒压充电时间与放电平均电压。
7、进一步地,根据与所述电池健康状态相关的目标特征变量构建模型训练数据集,包括:
8、获取电池历史运行数据;
9、根据所述目标特征变量从所述电池历史运行数据中提取目标数据集;
10、对所述目标数据集进行划分,并将划分后的目标数据集进行归一化处理,得到所述模型训练数据集。
11、进一步地,所述初始电池健康状态确定模型包括输入层、长短期记忆网络层、注意力机制层、全连接层和输出层。
12、进一步地,所述设定算法包括麻雀搜索算法。
13、进一步地,利用设定算法与所述模型训练数据集对所述初始电池健康状态确定模型进行优化与训练,包括:
14、利用所述设定算法对所述初始电池健康状态确定模型进行参数优化;
15、利用所述模型训练数据集对参数优化后的初始电池健康状态确定模型进行训练。
16、进一步地,利用所述设定算法对所述初始电池健康状态确定模型进行参数优化,包括:
17、获取设定的迭代次数与所述初始电池健康状态确定模型的参数个数;
18、根据所述参数个数进行种群初始化,得到麻雀种群;
19、根据所述迭代次数对所述麻雀种群进行迭代计算,得到所述初始电池健康状态确定模型的优化参数。
20、根据本发明的另一方面,提供了一种电池健康状态的确定装置,包括:
21、模型训练数据集与初始电池健康状态确定模型构建模块,用于根据与所述电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型;
22、目标电池健康状态确定模型确定模块,用于利用设定算法与所述模型训练数据集对所述初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型;
23、电池健康状态确定模块,用于将所述目标特征变量输入所述目标电池健康状态确定模型,将所述目标电池健康状态确定模型的输出确定为所述电池健康状态。
24、可选的,所述目标特征变量包括恒流充电时间、恒压充电时间与放电平均电压。
25、可选的,模型训练数据集与初始电池健康状态确定模型构建模块还用于:
26、获取电池历史运行数据;
27、根据所述目标特征变量从所述电池历史运行数据中提取目标数据集;
28、对所述目标数据集进行划分,并将划分后的目标数据集进行归一化处理,得到所述模型训练数据集。
29、可选的,所述初始电池健康状态确定模型包括输入层、长短期记忆网络层、注意力机制层、全连接层和输出层。
30、可选的,所述设定算法包括麻雀搜索算法。
31、可选的,目标电池健康状态确定模型确定模块还用于:
32、利用所述设定算法对所述初始电池健康状态确定模型进行参数优化;
33、利用所述模型训练数据集对参数优化后的初始电池健康状态确定模型进行训练。
34、可选的,目标电池健康状态确定模型确定模块还用于:
35、获取设定的迭代次数与所述初始电池健康状态确定模型的参数个数;
36、根据所述参数个数进行种群初始化,得到麻雀种群;
37、根据所述迭代次数对所述麻雀种群进行迭代计算,得到所述初始电池健康状态确定模型的优化参数。
38、根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
39、至少一个处理器;以及
40、与所述至少一个处理器通信连接的存储器;其中,
41、所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的电池健康状态的确定方法。
42、根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电池健康状态的确定方法。
43、本发明实施例公开的电池健康状态的确定方法,首先根据与电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型,然后利用设定算法与模型训练数据集对初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型,最后将目标特征变量输入目标电池健康状态确定模型,将目标电池健康状态确定模型的输出确定为电池健康状态。本发明提供的电池健康状态的确定方法,通过采用设定算法对初始电池健康状态确定模型进行参数优化,提高了模型的精度,使模型可以充分挖掘数据中的隐含信息,提高了模型对电池健康状态的预测性能,并通过在模型中引入注意力机制层,减少了不相关信息对模型精度的影响的同时,减少了大量的计算。
44、应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。