电池剩余寿命预测方法、装置、存储介质和电子设备与流程

本发明涉及储能领域，特别涉及一种电池剩余寿命预测方法、装置、存储介质和电子设备。

背景技术：

1、随着电池在电动汽车、光伏等领域取得了广泛的应用，其剩余使用寿命成为现在研究的焦点。电池作为一个时变的电化学系统，具有复杂多变的内部结构，其产生的电解液氧化、离子沉降等副反应严重导致了电池的性能衰退，对外表现为电容容量减少以及内阻增加，致使电池的使用寿命降低。为了确保储能系统更加安全稳定的运行，如何精准预测电池剩余寿命已成为了本领域人员亟待解决的技术问题。

技术实现思路

1、鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种电池剩余寿命预测方法、装置、存储介质和电子设备。

2、第一方面，一种电池剩余寿命预测方法，包括：

3、根据目标电池的历史运行数据，确定所述目标电池的健康因子，其中，所述健康因子包括：电池容量趋势、欧姆内阻、温度变化速率和等压降放电时间；

4、基于集合经验模态分解算法对所述电池容量趋势进行分解，得到所述目标电池的电池容量在退化过程中的单调趋势分量；

5、将所述单调趋势分量、所述欧姆内阻、所述温度变化速率和所述等压降放电时间，输入至预先训练的广义回归神经网络中，以获得所述广义回归神经网络针对所述目标电池预测的电池剩余寿命，其中，所述广义回归神经网络基于改进小生境粒子群算法进行优化光滑因子。

6、可选的，在某些可选的实施方式中，所述根据目标电池的历史运行数据，确定所述目标电池的健康因子，包括：

7、根据目标电池的历史运行数据中的历史电池容量，分析得到所述目标电池的电池容量趋势。

8、可选的，在某些可选的实施方式中，所述根据目标电池的历史运行数据，确定所述目标电池的健康因子，包括：

9、根据目标电池的历史运行数据中的负载电流和压降，计算得到所述欧姆内阻，其中，所述压降为通过空载电压测得的欧姆内阻引起的压降。

10、可选的，在某些可选的实施方式中，所述根据目标电池的历史运行数据，确定所述目标电池的健康因子，包括：

11、根据目标电池的历史运行数据中的放电初始温度、放电截止温度和放电持续时间，计算得到所述温度变化速率。

12、可选的，在某些可选的实施方式中，所述根据目标电池的历史运行数据，确定所述目标电池的健康因子，包括：

13、根据目标电池的历史运行数据中的第一时刻和第二时刻，计算得到所述等压降放电时间，其中，所述第一时刻为：放电过程中电压为高电压时的第一时刻，所述第二时刻为：放电过程中电压为低电压时的时刻。

14、可选的，在某些可选的实施方式中，所述基于集合经验模态分解算法对所述电池容量趋势进行分解，得到所述目标电池的电池容量在退化过程中的单调趋势分量，包括：

15、将所述电池容量趋势转化为对应的原始信号序列；

16、在所述原始信号序列中加入随机噪声序列，得到总序列；

17、基于经验模态分解算法，对所述总序列进行分解，得到所述单调趋势分量。

18、可选的，在某些可选的实施方式中，所述广义回归神经网络的训练过程，包括：

19、将训练样本输入至已初始化的广义回归神经网络，其中，所述训练样本包括健康因子样本集和输出结果样本集，所述健康因子样本集包括多组样本集合，每组所述样本集合均包括单调趋势分量、欧姆内阻、温度变化速率和等压降放电时间，所述输出结果样本集包括多个电池寿命输出值，一组所述样本集合对应一个所述电池寿命输出值；

20、基于所述改进小生境粒子群算法，优化所述广义回归神经网络的误差函数，以得到优化的光滑因子；

21、基于优化的所述光滑因子，计算得到任一组所述样本集合对应的电池寿命预测值；

22、针对任一组所述样本集合，计算相应的电池寿命预测值和电池寿命输出值的均方根误差；

23、若所述均方根误差处于预设范围内，则完成对所述广义回归神经网络的训练过程。

24、第二方面，一种电池剩余寿命预测装置，包括：健康因子确定单元、电池容量分解单元和电池寿命预测单元；

25、所述健康因子确定单元，用于根据目标电池的历史运行数据，确定所述目标电池的健康因子，其中，所述健康因子包括：电池容量趋势、欧姆内阻、温度变化速率和等压降放电时间；

26、所述电池容量分解单元，用于基于集合经验模态分解算法对所述电池容量趋势进行分解，得到所述目标电池的电池容量在退化过程中的单调趋势分量；

27、所述电池寿命预测单元，用于将所述单调趋势分量、所述欧姆内阻、所述温度变化速率和所述等压降放电时间，输入至预先训练的广义回归神经网络中，以获得所述广义回归神经网络针对所述目标电池预测的电池剩余寿命，其中，所述广义回归神经网络基于改进小生境粒子群算法进行优化光滑因子。

28、第三方面，一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一项所述的电池剩余寿命预测方法。

29、第四方面，一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一项所述的电池剩余寿命预测方法。

30、借由上述技术方案，本发明提供的一种电池剩余寿命预测方法、装置、存储介质和电子设备，可以根据目标电池的历史运行数据，确定所述目标电池的健康因子，其中，所述健康因子包括：电池容量趋势、欧姆内阻、温度变化速率和等压降放电时间；基于集合经验模态分解算法对所述电池容量趋势进行分解，得到所述目标电池的电池容量在退化过程中的单调趋势分量；将所述单调趋势分量、所述欧姆内阻、所述温度变化速率和所述等压降放电时间，输入至预先训练的广义回归神经网络中，以获得所述广义回归神经网络针对所述目标电池预测的电池剩余寿命，其中，所述广义回归神经网络基于改进小生境粒子群算法进行优化光滑因子。由此可以看出，本发明可以基于历史运行数据准确提取健康因子，并基于集合经验模态分解算法和改进小生境粒子群算法优化后的广义回归神经网络，组合预测目标电池的电池剩余寿命，预测结果比较精准且效率高。

31、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

技术特征：

1.一种电池剩余寿命预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据目标电池的历史运行数据，确定所述目标电池的健康因子，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据目标电池的历史运行数据，确定所述目标电池的健康因子，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据目标电池的历史运行数据，确定所述目标电池的健康因子，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据目标电池的历史运行数据，确定所述目标电池的健康因子，包括：

6.根据权利要求1所述的方法，其特征在于，所述基于集合经验模态分解算法对所述电池容量趋势进行分解，得到所述目标电池的电池容量在退化过程中的单调趋势分量，包括：

7.根据权利要求1所述的方法，其特征在于，所述广义回归神经网络的训练过程，包括：

8.一种电池剩余寿命预测装置，其特征在于，包括：健康因子确定单元、电池容量分解单元和电池寿命预测单元；

9.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的电池剩余寿命预测方法。

10.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至7中任一项所述的电池剩余寿命预测方法。

技术总结
本发明公开一种电池剩余寿命预测方法、装置、存储介质和电子设备，可以根据目标电池的历史运行数据，确定目标电池的健康因子，健康因子包括：电池容量趋势、欧姆内阻、温度变化速率和等压降放电时间；基于集合经验模态分解算法对电池容量趋势进行分解，得到单调趋势分量；将单调趋势分量、欧姆内阻、温度变化速率和等压降放电时间输入至广义回归神经网络中，以获得电池剩余寿命，广义回归神经网络基于改进小生境粒子群算法进行优化光滑因子。本发明可以基于历史运行数据准确提取健康因子，并基于集合经验模态分解算法和改进小生境粒子群算法优化后的广义回归神经网络，组合预测目标电池的电池剩余寿命，预测结果比较精准且效率高。

技术研发人员：王升,罗鹏,王雨辰,李超,刘宸菘,胡石,张鑫,刘亮,袁嘉兴,李春毅
受保护的技术使用者：国网数字科技控股有限公司
技术研发日：
技术公布日：2024/3/27