一种电池的健康状态确定方法、装置、设备和存储介质与流程

本发明实施例涉及计算机，尤其涉及一种电池的健康状态确定方法、装置、设备和存储介质。

背景技术：

1、电池作为电力存储装置在各领域中广泛使用，例如，用于移动设备、电动车辆、可再生能源系统等。电池的健康状态(state of health，soh)估计对确保电池的性能、安全性和寿命至关重要。

2、近年来，机器学习和深度学习技术的发展为电池健康状态估计提供了新的机会。现有技术中，通常依赖于电池的循环次数、容量衰减率和内阻等参数，结合深度学习技术对电池进行soh估计。

3、但是，现有技术对电池进行soh估计往往受限于模型的精确性和适应性，导致确定的电池的健康状态精确度不高。

技术实现思路

1、本发明提供一种电池的健康状态确定方法、装置、设备和存储介质，以实现精确确定电池的健康状态。

2、第一方面，本发明实施例提供了一种电池的健康状态确定方法，包括：

3、获取待测电池的电池数据，其中，所述电池数据包括多个电池参数；

4、将所述电池数据输入预先训练好的预测模型中，以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析，确定所述待测电池的健康状态。

5、本发明实施例的技术方案，提供一种电池的健康状态确定方法，包括：获取待测电池的电池数据，其中，所述电池数据包括多个电池参数；将所述电池数据输入预先训练好的预测模型中，以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析，确定所述待测电池的健康状态。上述技术方案，在获取到待测电池的电池数据之后，可以将待测电池的电池数据输入预先训练好的预测模型中，预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析，由于预测模型是采用贝叶斯网络训练得到的，预测模型根据待测电池的电池数据对待测电池的健康状态进行分析时，可以更全面地分析待测电池的电池数据，实现确定待测电池准确度更高的健康状态。

6、进一步地，所述电池参数至少包括电压、电流、温度和循环次数。

7、进一步地，所述预测模型的训练过程包括：

8、获取训练电池数据和各所述训练电池数据对应的真实健康状态，其中，所述训练电池数据包括多个训练电池参数；

9、将各所述训练电池参数作为节点，所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点，构建贝叶斯网络；

10、将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型，对所述神经网络模型进行训练，并基于所述贝叶斯网络更新所述神经网络模型的模型参数，得到所述预测模型。

11、进一步地，在将各所述训练电池参数作为节点，所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点，构建贝叶斯网络之后，还包括：

12、确定各所述训练电池参数的先验分布，为所述预测健康状态定义第一似然函数；

13、对于各所述训练电池参数，结合各所述训练电池参数的先验分布、所述第一似然函数和当前训练电池参数，确定所述预测健康状态对应的第一后验分布；

14、根据所述第一后验分布更新所述贝叶斯网络。

15、进一步地，在将各所述训练电池参数作为节点，所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点，构建贝叶斯网络之后，还包括：

16、为所述预测模型的模型参数定义第二似然函数；

17、对于各所述训练电池参数，结合各所述训练电池参数的先验分布、所述第二似然函数、当前训练电池参数和当前健康状态，确定各所述模型参数对应的第二后验分布；

18、根据所述第二后验分布更新所述贝叶斯网络。

19、进一步地，将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型，对所述神经网络模型进行训练，并基于所述贝叶斯网络更新所述神经网络模型的模型参数，得到所述预测模型，包括：

20、将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型，对所述神经网络模型进行训练；

21、根据所述训练数据以及各所述模型参数对应的第二后验分布更新所述神经网络模型的模型参数，得到所述预测模型。

22、进一步地，在将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型之前，还包括：

23、确定任一所述训练电池参数不符合所述训练电池参数的先验分布的情况下，基于所述训练电池参数的先验分布调整所述训练电池参数。

24、第二方面，本发明实施例还提供了一种电池的健康状态确定装置，包括：

25、获取模块，用于获取待测电池的电池数据，其中，所述电池数据包括多个电池参数；

26、分析模块，用于将所述电池数据输入预先训练好的预测模型中，以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析，确定所述待测电池的健康状态。

27、第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：

28、至少一个处理器；以及与所述至少一个处理器通信连接的存储器；

29、其中，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如第一方面中任一所述的电池的健康状态确定方法。

30、第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面中任一所述的电池的健康状态确定方法。

31、第五方面，本申请提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行如第一方面提供的电池的健康状态确定方法。

32、需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与电池的健康状态确定装置的处理器封装在一起的，也可以与电池的健康状态确定装置的处理器单独封装，本申请对此不做限定。

33、本申请中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面、以及第五方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

34、在本申请中，上述电池的健康状态确定装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似，属于本申请权利要求及其等同技术的范围之内。

35、本申请的这些方面或其他方面在以下的描述中会更加简明易懂。

技术特征：

1.一种电池的健康状态确定方法，其特征在于，包括：

2.根据权利要求1所述的电池的健康状态确定方法，其特征在于，所述电池参数至少包括电压、电流、温度和循环次数。

3.根据权利要求1所述的电池的健康状态确定方法，其特征在于，所述预测模型的训练过程包括：

4.根据权利要求3所述的电池的健康状态确定方法，其特征在于，在将各所述训练电池参数作为节点，所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点，构建贝叶斯网络之后，还包括：

5.根据权利要求4所述的电池的健康状态确定方法，其特征在于，在将各所述训练电池参数作为节点，所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点，构建贝叶斯网络之后，还包括：

6.根据权利要求5所述的电池的健康状态确定方法，其特征在于，将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型，对所述神经网络模型进行训练，并基于所述贝叶斯网络更新所述神经网络模型的模型参数，得到所述预测模型，包括：

7.根据权利要求4所述的电池的健康状态确定方法，其特征在于，在将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型之前，还包括：

8.一种电池的健康状态确定装置，其特征在于，包括：

9.一种计算机设备，其特征在于，所述计算机设备包括：

10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的电池的健康状态确定方法。

技术总结
本发明公开一种电池的健康状态确定方法、装置、设备和存储介质，涉及计算机技术领域，该方法包括：获取待测电池的电池数据，电池数据包括多个电池参数；将电池数据输入预先训练好的预测模型中，以使预测模型根据电池数据对待测电池的健康状态进行分析，确定待测电池的健康状态。上述技术方案，在获取到待测电池的电池数据之后，可以将待测电池的电池数据输入预先训练好的预测模型中，预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析，由于预测模型是采用贝叶斯网络训练得到的，预测模型根据待测电池的电池数据对待测电池的健康状态进行分析时，可以更全面地分析待测电池的电池数据，实现确定待测电池准确度更高的健康状态。

技术研发人员：黄小荣,张庆波,黄杰明,李元佳,刘贯科,赖日晶,罗俊杰,林炜
受保护的技术使用者：广东电网有限责任公司
技术研发日：
技术公布日：2024/3/27