复合电极电池老化估计方法、装置、设备、介质及程序与流程

本技术属于电池状态估计领域，尤其涉及一种复合电极电池老化估计方法、装置、设备、介质及程序。

背景技术：

1、复合电极电池指使用复合电极材料的电池，复合电极材料由两种或两种以上材料组成，每种材料都有其独特的性质，因此可以充分利用各种材料的优点，使得复合电极电池具有高能量密度、高功率密度、长寿命、高安全性等特点。

2、复合电极电池作为电化学系统，在使用过程中随着循环充放电次数的增加，电池老化程度会不断加深，其可用容量将下降，而不正确的使用电池可能会引发严重的安全事故。因此，对于复合电极电池的老化状态的准确估计具有重要的现实意义。现有的针对复合电极电池老化状态的一种估计方法，将电池的soc-ocv特征视为恒定值，基于数据驱动的方法或基于模型的方法来估算复合电极电池的老化状态。

技术实现思路

1、本技术实施例提供一种复合电极电池老化估计方法、装置、设备、介质及程序，能够改善复合电极电池的老化程度估计的准确性。

2、第一方面，本技术实施例提供一种复合电极电池老化估计方法，复合电极电池的荷电状态soc和开路电压ocv的关系随电池的循环数而变化。该方法包括：接收复合电极电池的温度、soc和ocv，基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。老化程度估计模型为预先设置的，并被配置为基于多组数据样本训练得到，每组数据样本包括自变量和因变量，自变量包括电池的温度、soc和ocv，因变量包括电池的老化程度。

3、上述复合电极电池老化估计方法，将复合电极电池的soc-ocv特征视为变量，以电池的温度、soc和ocv作为自变量，电池的老化程度作为因变量，训练得到老化程序估计模型，基于电池的温度、soc、ocv和老化程度估计模型，可以确定出复合电极电池准确的老化程度，改善了复合电极电池的老化程度估计的准确性。

4、作为一种可能的实现方式，老化程度估计模型的训练方法包括：获取多组数据样本，将多组数据样本划分为训练集和测试集，训练集用于指示对模型进行训练的数据样本，测试集用于指示确定训练后模型泛化误差的数据样本。建立初始模型，以及设置初始模型的参数，初始模型的自变量包括电池的温度、soc以及ocv，初始模型的因变量包括电池的老化程度。设定初始模型的损失函数，损失函数用于反映模型的老化程度误差。基于训练集和测试集训练初始模型，得到老化程度估计模型，老化程度估计模型的老化程度误差小于预设误差阈值。

5、通过上述方式，可以训练得到以电池的温度、soc以及ocv为输入，以电池的老化程度为输出的老化程度估计模型，并且老化程度估计模型的误差小于预设误差阈值。

6、作为一种可能的实现方式，获取多组数据样本，包括：选取电芯样本，其中电芯样本的型号与复合电极电池的电芯型号相同，测试电芯样本的标准循环寿命，得到电芯样本全生命周期的老化参数，基于老化参数，获取多组数据样本。老化参数被配置为温度、soc、ocv以及老化程度之间的函数。

7、通过上述方式，可以获取与复合电极电池的电芯型号对应的多组数据样本，基于多组数据样本进行模型训练，可以保证最终训练得到的老化程度估计模型能够估计出该电芯型号的复合电极电池的老化程度，此外，通过对电芯样本进行标准循环寿命测试的方式构建数据样本，保证了数据样本的有效性，进一步改善了训练得到的老化程度估计模型的准确性。

8、作为一种可能的实现方式，初始模型包括符号回归模型或神经网络模型。

9、符号回归模型为基于符号回归方法的模型，其充分发挥了机器学习方法不依赖模型和高精度的优点，将符号回归模型作为初始模型，能够使最终得到的老化估计模型为满足误差精度要求的显性数学公式，可以用于计算电池老化程度的精确解。而神经网络模型由多个神经元组成，其具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，能够充分逼近复杂的非线性关系，将神经网络模型作为初始模型，能够改善最终得到的老化估计模型的准确性。

10、作为一种可能的实现方式，设置初始模型的参数，包括：基于遗传算法回归器，设置符号回归模型的各项参数，或者，基于遗传算法回归器，设置神经网络模型的各项参数。

11、通过上述方式，基于遗传算法回归器可以快速、高效的完成模型参数的设置。

12、作为一种可能的实现方式，基于训练集和测试集训练初始模型，得到老化程度估计模型之后，方法还包括：将老化程度估计模型部署于电池管理系统。

13、基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度，包括：在电池管理系统中，基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。

14、通过上述方式，通过将老化程度估计模型部署于电池管理系统bms，使得，可以在bms中直接对复合电极电池的老化程度进行估计，从而减少数据传输，提高估计效率。

15、第二方面，本技术实施例提供了一种复合电极电池老化估计装置，复合电极电池的荷电状态soc和开路电压ocv的关系随电池的循环数而变化。该装置包括：接收模块，用于接收复合电极电池的温度、soc和ocv，老化程度计算模块，用于基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。老化程度估计模型为预先设置的，并被配置为基于多组数据样本训练得到，每组数据样本包括自变量和因变量，自变量包括电池的温度、soc和ocv，因变量包括电池的老化程度。

16、作为一种可能的实现方式，装置还包括：模型训练模块，模型训练模块包括：数据样本获取子模块，用于获取多组数据样本，样本划分子模块，用于将多组数据样本划分为训练集和测试集，训练集用于指示对模型进行训练的数据样本，测试集用于指示确定训练后模型泛化误差的数据样本。初始模型建立子模块，用于建立初始模型，初始模型的自变量包括电池的温度、soc以及ocv，初始模型的因变量包括电池的老化程度。参数设置子模块，用于设置初始模型的参数。损失函数设定子模块，用于设定初始模型的损失函数，损失函数用于反映老化程度误差。训练子模块，用于基于训练集和测试集训练初始模型，得到老化程度估计模型，老化程度估计模型的老化程度误差小于预设误差阈值。

17、作为一种可能的实现方式，数据样本获取子模块，具体用于：选取电芯样本，其中电芯样本的型号与复合电极电池的电芯型号相同，测试电芯样本的标准循环寿命，得到电芯样本全生命周期的老化参数，基于老化参数，获取多组数据样本。老化参数被配置为温度、soc、ocv以及老化程度之间的函数。

18、作为一种可能的实现方式，初始模型包括符号回归模型或神经网络模型。

19、作为一种可能的实现方式，参数设置子模块，具体用于：基于遗传算法回归器，设置符号回归模型的各项参数，或者，基于遗传算法回归器，设置神经网络模型的各项参数。

20、作为一种可能的实现方式，装置还包括：部署模块，用于基于训练集和测试集训练初始模型，得到老化程度估计模型之后，将老化程度估计模型部署于电池管理系统。相应的，老化程度计算模块，具体用于：在电池管理系统中，基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。

21、第三方面，本技术实施例提供了一种电子设备，包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如第一方面的复合电极电池老化估计方法。

22、第四方面，本技术实施例提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面的复合电极电池老化估计方法。

23、第五方面，本技术实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面的复合电极电池老化估计方法。

24、本技术实施例的复合电极电池老化估计方法、装置、设备、介质及程序，将复合电极电池的soc-ocv特征视为变量，以电池的温度、soc和ocv作为自变量，电池的老化程度作为因变量，训练得到老化程序估计模型，基于电池的温度、soc、ocv和老化程序估计模型，可以确定出复合电极电池准确的老化程度，改善了复合电极电池的老化程度估计的准确性。