本技术属于电池,具体涉及锂离子动力电池的使用寿命预测方法、装置、设备及介质。
背景技术:
1、目前,锂离子动力电池已经广泛应用于新能源汽车领域,作为新能源汽车的主要动力电源之一。
2、在实践中发现,锂离子动力电池随着使用时间的正常,会存在电池性能衰退的现象。对此,需要对锂离子动力电池的使用寿命进行预测,以基于使用寿命作为参考,更好的使用锂离子动力电池。然而,现有的锂离子动力电池的使用寿命预测方法通常是根据满充片段获取容量,与实际使用习惯匹配度不高,从而导致预测结果不够精准。并且现有的使用寿命预测方法只是适用于短期容量下降预测问题,对长期容量下降预测存在着精准度不高的问题。
3、综上,现有的锂离子动力电池的使用寿命预测方法存在着预测精准度不高的问题。
技术实现思路
1、为此,本技术提供锂离子动力电池的使用寿命预测方法、装置、设备及介质,有助于提高锂离子动力电池的使用寿命预测精准度。
2、为实现以上目的,本技术采用如下技术方案:
3、第一方面,本技术提供一种锂离子动力电池的使用寿命预测方法,所述方法包括:
4、获取充电数据;其中,所述充电数据至少包括各个采样周期对应的soc值;根据相邻采样周期对应的soc值之间的差值,划分得到各个目标充电片段;
5、确定所述各个目标充电片段对应的统计信息;
6、根据所述统计信息和预设的soc区间确定条件,选取针对所述各个目标充电片段的共同soc区间;
7、按照预设的安时积分计算公式,计算所述共同soc区间对应的容量信息;
8、将所述容量信息作为训练数据,对待训练模型进行训练,得到训练完成的序列预测模型;
9、通过所述训练完成的序列预测模型,对锂离子动力电池的剩余使用寿命进行预测,得到预测结果。
10、进一步地,所述根据相邻采样周期对应的soc值之间的差值,划分得到各个目标充电片段,包括:
11、对于每个采样周期,计算该采样周期的soc值与上一采样周期的soc值之间的差值;
12、如果该采样周期的soc值与上一采样周期的soc值之间的差值等于0或1,则确定该采样周期与上一采样周期属于同个充电片段;
13、如果该采样周期的soc值与上一采样周期的soc值之间的差值不等于0且不等于1,则确定该采样周期和上一采样周期不属于同个充电片段;
14、根据属于同个充电片段的采样周期,生成各个初始充电片段;
15、对所述各个初始充电片段进行删选,得到所述各个目标充电片段。
16、进一步地,对所述各个初始充电片段进行删选,得到所述各个目标充电片段,包括:
17、获取所述各个初始充电片段对应的soc值分布数据;
18、根据所述soc值分布数据,确定目标soc阈值;其中,所述目标soc阈值至少包括以下一项:预设百分位对应的最大初始soc值、最小截止soc值、最小充电soc变化值;
19、根据所述目标soc阈值,对所述各个初始充电片段进行删选,得到所述各个目标充电片段。
20、进一步地,所述统计信息包括所述各个目标充电片段中原始数据特征的统计信息,所述原始数据特征包括以下至少一项:时间、温度、电流、电压、soc值、充电次数;以及
21、所述预设的soc区间确定条件包括:
22、soc区间的区间范围大于预设的范围阈值;以及
23、soc区间对应相同的充电电流;以及
24、包含soc区间的目标充电片段的数量大于预设的数量阈值。
25、进一步地,按照预设的安时积分计算公式,计算所述共同soc区间对应的容量信息,包括:
26、确定所述共同soc区间对应的充电始状态电池电荷状态量、充电末状态电池电荷状态量、充电电流以及充电时间;
27、将所述充电始状态电池电荷状态量、所述充电末状态电池电荷状态量、所述充电电流以及所述充电时间,代入所述预设的安时积分计算公式,得到所述共同soc区间对应的初始容量序列;
28、对所述初始容量序列进行容量值修正处理以及异常值消除处理,得到目标容量序列;
29、对所述目标容量序列进行归一化处理,得到归一化容量序列,并将所述归一化容量序列确定为所述容量信息。
30、进一步地,所述训练完成的序列预测模型包括lstm编码器、lstm解码器以及注意力机制。
31、进一步地,将所述容量信息作为训练数据,对待训练模型进行训练,得到训练完成的序列预测模型,包括:
32、从所述容量信息中选取第一时间步长度的第一容量序列、以及第二时间步长度的第二容量序列;
33、将所述第一容量序列和所述第一时间步长度的充电次数序列作为所述待训练模型的输入数据,以及将所述第二容量序列作为所述待训练模型的输出数据;
34、将所述输入数据输入所述待训练模型,得到所述待训练模型的预测数据;
35、基于所述预测数据和所述输出数据,对所述待训练模型进行迭代训练,得到所述训练完成的序列预测模型。
36、第二方面,本技术提供一种锂离子动力电池的使用寿命预测装置,所述装置包括:
37、数据获取单元,用于获取充电数据;其中,所述充电数据至少包括各个采样周期对应的soc值;
38、片段划分单元,用于根据相邻采样周期对应的soc值之间的差值,划分得到各个目标充电片段;
39、统计单元,用于确定所述各个目标充电片段对应的统计信息;
40、区间确定单元,用于根据所述统计信息和预设的soc区间确定条件,选取针对所述各个目标充电片段的共同soc区间;
41、容量计算单元,用于按照预设的安时积分计算公式,计算所述共同soc区间对应的容量信息;
42、模型训练单元,用于将所述容量信息作为训练数据,对待训练模型进行训练,得到训练完成的序列预测模型;
43、预测单元,用于通过所述训练完成的序列预测模型,对锂离子动力电池的剩余使用寿命进行预测,得到预测结果。
44、进一步地,所述片段划分单元具体用于:
45、对于每个采样周期,计算该采样周期的soc值与上一采样周期的soc值之间的差值;
46、如果该采样周期的soc值与上一采样周期的soc值之间的差值等于0或1,则确定该采样周期与上一采样周期属于同个充电片段;
47、如果该采样周期的soc值与上一采样周期的soc值之间的差值不等于0且不等于1,则确定该采样周期和上一采样周期不属于同个充电片段;
48、根据属于同个充电片段的采样周期,生成各个初始充电片段;
49、对所述各个初始充电片段进行删选,得到所述各个目标充电片段。
50、进一步地,所述片段划分单元具体用于:
51、获取所述各个初始充电片段对应的soc值分布数据;
52、根据所述soc值分布数据,确定目标soc阈值;其中,所述目标soc阈值至少包括以下一项:预设百分位对应的最大初始soc值、最小截止soc值、最小充电soc变化值;
53、根据所述目标soc阈值,对所述各个初始充电片段进行删选,得到所述各个目标充电片段。
54、进一步地,所述统计信息包括所述各个目标充电片段中原始数据特征的统计信息,所述原始数据特征包括以下至少一项:时间、温度、电流、电压、soc值、充电次数;以及
55、所述预设的soc区间确定条件包括:
56、soc区间的区间范围大于预设的范围阈值;以及
57、soc区间对应相同的充电电流;以及
58、包含soc区间的目标充电片段的数量大于预设的数量阈值。
59、进一步地,所述容量计算单元具体用于:
60、确定所述共同soc区间对应的充电始状态电池电荷状态量、充电末状态电池电荷状态量、充电电流以及充电时间;
61、将所述充电始状态电池电荷状态量、所述充电末状态电池电荷状态量、所述充电电流以及所述充电时间,代入所述预设的安时积分计算公式,得到所述共同soc区间对应的初始容量序列;
62、对所述初始容量序列进行容量值修正处理以及异常值消除处理,得到目标容量序列;
63、对所述目标容量序列进行归一化处理,得到归一化容量序列,并将所述归一化容量序列确定为所述容量信息。
64、进一步地,所述训练完成的序列预测模型包括lstm编码器、lstm解码器以及注意力机制。
65、进一步地,所述模型训练单元具体用于:
66、从所述容量信息中选取第一时间步长度的第一容量序列、以及第二时间步长度的第二容量序列;
67、将所述第一容量序列和所述第一时间步长度的充电次数序列作为所述待训练模型的输入数据,以及将所述第二容量序列作为所述待训练模型的输出数据;
68、将所述输入数据输入所述待训练模型,得到所述待训练模型的预测数据;
69、基于所述预测数据和所述输出数据,对所述待训练模型进行迭代训练,得到所述训练完成的序列预测模型。
70、第三方面,本技术提供一种电子设备,包括:
71、至少一个处理器;以及
72、与所述至少一个处理器通信连接的存储器;其中,
73、所述存储器存储有可被所述至少一个处理器执行的指令,所述指令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第一方面所述的方法。
74、第四方面,本技术提供一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行第一方面所述的方法。
75、第五方面,本技术提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现第一方面所述的方法。
76、本技术采用以上技术方案,至少具备以下有益效果:
77、通过本技术,根据各个相邻采样周期对应的soc值之间的差值,能够划分多个充电片段,再根据各个充电片段的充电情况统计信息,结合预设的soc区间确定条件,选取共同soc区间,基于共同soc区间计算容量信息辅助序列预测模型训练,由于容量信息计算更为精准并且序列预测方法在长期预测中的预测效果更佳,因而采用本技术中训练完成的序列预测模型进行剩余使用寿命预测,能够提高锂离子动力电池的使用寿命预测精准度。
78、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本技术。