一种电池寿命预测方法、装置、设备及存储介质

技术领域

本发明涉及电池寿命预测领域，特别涉及一种电池寿命预测方法、装置、设备及计算机可读存储介质。

背景技术

近年来，随着新能源领域受到越来越多的关注，储能电站、新能源车等相关行业也迅速发展，锂电池的需求越来越多。但锂电池存在有限的使用寿命，在电池健康状态到达临界值时需要替换以保证系统的安全运行。因此准确预测电池使用寿命对系统运维起到重要作用。

目前现有技术根据用户的历史行为数据进行建模来修正电池寿命的预测结果，但当用户的行为习惯产生变化时，使用包含原有数据的历史行为数据来预测当前行为习惯下的电池寿命的误差较大。

发明内容

本发明的目的在于提供一种电池寿命预测方法、装置、设备及计算机可读存储介质，应用于电池寿命预测领域，该方法通过根据用户的行为数据进行多维特征聚类，寻找用户所属的特征群体，并根据特征群体的群体数据计算预测电池寿命，避免了现有技术中直接基于用户行为数据进行预测电池寿命而导致的当用户的行为习惯产生变化时，使用包含原有数据的行为数据来预测当前行为习惯下的电池剩余寿命而产生的误差较大的问题。

为解决上述技术问题，本发明提供了一种电池寿命预测方法，包括：

获取电池寿命估算值和目标用户的行为数据；

根据所述行为数据进行多维特征聚类得到所述目标用户所属的用户群体；

根据所述用户群体的群体数据修正所述电池寿命估算值得到预测电池寿命。

可选的，所述根据所述用户群体的群体数据修正所述电池寿命估算值得到预测电池寿命，包括：

根据所述用户群体的所述群体数据获取所述用户群体对应的影响因素；

根据所述影响因素构建影响因素矩阵；

根据所述影响因素矩阵将所述电池寿命估算值分解为影响天数矩阵；

根据所述影响因素矩阵与所述影响天数矩阵计算所述预测电池寿命。

可选的，所述根据所述用户群体的所述群体数据获取所述用户群体对应的影响因素，包括：

根据所述用户群体的所述群体数据获取所述用户群体对应的影响因素集；

设置影响因素阈值，从所述影响因素集中选取大于所述影响因素阈值的所述影响因素。

可选的，所述根据所述影响因素矩阵与所述影响天数矩阵计算所述预测电池寿命，包括：

设置所述影响因素矩阵为列矩阵，设置所述影响天数矩阵为行矩阵；其中，所述行矩阵的行数与所述列矩阵的列数相同；

将所述影响因素矩阵与所述影响天数矩阵相乘得到预测电池寿命矩阵；

将所述预测电池寿命矩阵中的值确定为所述预测电池寿命。

可选的，所述获取电池寿命估算值，包括：

获取电池剩余循环次数估算值；

根据充放电时间数据和所述电池剩余循环次数估算值获取所述电池寿命估算值。

可选的，所述获取电池剩余循环次数估算值，包括：

根据当前充放电循环次数和额定充放电循环次数得到电池健康状态估算值；

根据所述电池健康状态估算值和历史电池健康状态衰减曲线得到预测曲线；

根据所述预测曲线和电池健康状态临界值得到所述电池剩余循环次数估算值。

可选的，所述根据所述行为数据进行多维特征聚类得到所述目标用户所属的用户群体，包括：

每隔预设时间根据所述行为数据进行所述多维特征聚类得到所述目标用户所属的所述用户群体。

为解决上述技术问题，本发明还提供了一种电池寿命预测装置，包括：

数据获取模块，用于获取电池寿命估算值和目标用户的行为数据；

特征聚类模块，用于根据所述行为数据进行多维特征聚类得到所述目标用户所属的用户群体；

寿命预测模块，用于根据所述用户群体的群体数据修正所述电池寿命估算值得到预测电池寿命。

为解决上述技术问题，本发明还提供了一种电池寿命预测设备，包括：

存储器，用于储存计算机程序；

处理器，用于执行所述计算机程序时实现任一项上述所述电池寿命预测方法。

为解决上述技术问题，本发明还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中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现任一项上述所述电池寿命预测方法。

可见，本发明方法通过获取电池寿命估算值和目标用户的行为数据；根据行为数据进行多维特征聚类得到所述目标用户所属的用户群体；根据用户群体的群体数据修正电池寿命估算值得到预测电池寿命；本发明方法根据用户的行为数据进行多维特征聚类，寻找用户所属的特征群体，并根据特征群体的群体数据修正寿命估算值得到预测电池寿命，避免了现有技术中直接基于用户行为数据进行预测电池寿命而导致的当用户的行为习惯产生变化时，使用包含原有数据的行为数据来预测当前行为习惯下的电池剩余寿命而产生的误差较大的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的一种电池寿命预测方法的流程图；

图2为本发明实施例所提供的一种电池寿命预测方法的具体实施例图；

图3为本发明实施例所提供的一种电池寿命预测装置的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着新能源领域受到越来越多的关注，储能电站、新能源车等相关行业也迅速发展，锂电池的需求越来越多。但锂电池存在有限的使用寿命，在电池健康状态到达临界值时需要替换以保证系统的安全运行。因此准确预测电池使用寿命对系统运维起到重要作用。

目前现有技术根据用户的历史行为数据进行建模来修正电池寿命的预测结果，但当用户的行为习惯产生变化时，使用包含原有数据的历史行为数据来预测当前行为习惯下的电池寿命的误差较大。例如，当用户使用电池时一直维持着快充的习惯，此时获得的用户行为数据为在快充习惯下的行为数据，当用户的快充习惯更改为慢充后，此时慢充的行为数据刚开始积累，数据量较小，在快充习惯下的行为数据占比大，使用包含快充习惯的历史数据来预测当前慢充习惯下的电池寿命，得到的结果误差较大。

本发明方法根据用户的行为数据进行多维特征聚类，寻找用户所属的特征群体，并根据特征群体的群体数据修正寿命估算值得到预测电池寿命，避免了现有技术中直接基于用户行为数据进行预测电池寿命而导致的当用户的行为习惯产生变化时，使用包含原有数据的行为数据来预测当前行为习惯下的电池剩余寿命而产生的误差较大的问题。例如当用户的行为习惯由快充更改为慢充后，使用用户行为数据进行多维特征聚类，找到由快充更改为慢充的特征群体，再根据该特征群体所对应的群体数据对电池寿命估算值进行修正，使电池寿命预测不受行为习惯改变的影响，得到的结果更加精确。

以下结合图1，图1为本发明实施例所提供的一种电池寿命预测方法的流程图，该方法可以包括：

S101：获取电池寿命估算值和目标用户的行为数据。

本实施例并不限定电池寿命估算值的具体方式，在本实施例中，可以收集目标用户使用电池时间段内的累积电量变化值，根据累积电量变化值和所用电池可用容量得出当前的充放电循环次数。根据当前的充放电循环次数和所用电池的额定充放电循环次数得出当前电池健康状态的估算值。根据当前电池健康状态的估算值以及电池的历史电池健康状态衰减曲线得到电池健康状态的预测曲线，并根据预测曲线以及电池健康状态的临界值得到电池剩余循环次数估算值。根据充放电时间数据和电池剩余循环次数估算值获取电池寿命估算值。

本实施例中的电池寿命估算值为本发明方法的初始目标，通过本发明方法对该目标进行进一步修正，得到更加精确的电池寿命预测值。对于本发明来说，并不限定获取电池寿命估算值的方法，还可以是将别的方法得到的电池寿命预测结果作为本发明的电池寿命估算值，具体可以根据实际应用场景进行操作。

本实施例中的行为数据为用户在使用电池过程中所积累的行为习惯数据，本实施例并不限定行为数据所包含的内容，包括且不限于完成一次充放电循环所用时间、充电时间、充电倍率及节假日使用习惯等数据。

S102：根据行为数据进行多维特征聚类得到所述目标用户所属的用户群体。

本实施例中可以根据用户的行为数据进行多维特征聚类得到用户所属用户群体。进一步，为了使预测电池寿命结果更加精确，在本实施例中可以每隔预设时间进行一次多维特征聚类，以防止用户行为习惯发生改变但所属用户群体却不变的情况发生，本实施例并不限定预设时间的大小，可以根据实际应用场景进行设置。

本实施例中聚类的作用是根据用户的画像寻找用户所归属的群体，该群体的行为数据与用户的数据是最为相似的。例如，当用户一直在A地使用电池，则本实施例通过多维特征聚类寻找到在A地与用户相似的特征群体，并使用该特征群体的群体数据进行预测电池寿命的计算；当用户的使用地更改为B地时，本实施例会通过多维特征聚类寻找到在B地与用户相似的特征群体，并根据该特征群体的群体数据计算预测电池寿命。而相比于现有技术由A地更改为B地后，仍使用包含在A地产生的行为数据进行电池寿命预测，本实施例所得到的预测结果更加精确。

S103：根据用户群体的群体数据修正电池寿命估算值得到预测电池寿命。

在本实施例中，可以根据用户群体的群体数据来修正电池寿命估算值得到预测电池寿命。本实施例并不限定群体数据的内容，一般可以包括该全体中各用户的行为数据。本实施例可以根据用户的群体数据获取该群体对应的影响因素。本实施例可以通过用户的群体数据获取该群体的影响因素集，从影响因素集中选取大于预设影响因素阈值的因素作为本实施例中的影响因素。

本实施例中的影响因素可以指在当前影响因素条件下电池的使用寿命与正常条件下电池的使用寿命的比值，例如在快充条件下电池的使用寿命为80天，在正常条件下电池的使用寿命为100天，则对应快充影响因素为0.8。

本实施例并不限定影响因素的具体内容，一般可以包括充放电倍率影响因素、节假日影响因素、温度影响因素及湿度影响因素等。

在本实施例中，并不限定根据群体数据修正电池寿命估算值的具体方式，首先可以根据用户群体的群体数据中影响因素构建影响因素矩阵，本实施例中的影响因素矩阵可以为列向量，列向量的行数与影响因素的个数有关，例如当影响因素为季节影响因素和节假日影响因素时时，此时影响因素矩阵的行数可以设为行数为2的列向量：

式中，θ为影响因素矩阵，θ

影响因素矩阵本实施例在构建影响因素矩阵完成之后可以进行电池寿命估算值的分解，为了方便与影响因素矩阵进行计算，本实施例中分解后的影响天数矩阵可以为行向量。本实施例并不限定电池寿命估算值的分解方式，一般可以根据影响因素将电池寿命估算值分解为影响天数矩阵，具体分解方式可以为从电池寿命估算值中筛选出受对应影响因素影响的天数。本实施例中影响因素矩阵中元素的数量与影响天数矩阵中元素的数量一致。且，在本实施例中被分解过的天数不会再次参与下一次的分解，例如节假日影响因素与季节影响因素，当受节假日影响的天数被分解之后，季节影响的天数不再包含受节假日影响的天数。

例如，当影响因素中包含季节影响因素时，本实施例可以从电池寿命估算值中筛选出受季节影响的天数；当影响因素包含节假日影响因素时，可以从电池寿命预测值中筛选出受节假日影响的天数，对于节假日影响因素来说可以将电池寿命估算值内的所有受节假日影响的天数提取为T

T＝[T

式中，T为影响天数矩阵，且T中第i列的元素为被θ第i行的影响因素影响的天数，即T

本实施例在构建影响因素矩阵和分解电池寿命估算值之后，根据分解得到的影响天数矩阵与影响因素矩阵计算得到本实施例所要求得的预测电池寿命，本实施例并不限定影响天数矩阵与影响因素矩阵的计算方式，一般可以将影响因素矩阵中的影响因素与影响天数矩阵中受该影响因素影响的影响天数相乘，将各影响因素与对应影响天数相乘的结果相加，得到最终的预测电池寿命。

在本实施例中当影响因素矩阵为列向量且影响天数矩阵为行向量时，可以将列向量与行向量相乘得到包含一个元素的矩阵，该元素的值即为预测电池寿命。例如，对于本实施例中的θ与T来说，可以代入下式计算电池寿命预测值：

res＝T*θ＝T

其中，res即为本实施根据影响因素矩阵θ和影响天数矩阵T计算得到的预测电池寿命。

本实施例根据用户的行为数据进行多维特征聚类，寻找用户所属的特征群体，并根据特征群体的群体数据修正寿命估算值得到预测电池寿命，避免了现有技术中直接基于用户行为数据进行预测电池寿命而导致的当用户的行为习惯产生变化时，使用包含原有数据的行为数据来预测当前行为习惯下的电池剩余寿命而产生的误差较大的问题。

以下结合图2，图2为本发明实施例所提供的一种电池寿命预测方法的具体实施例图，该具体实施例可以包括：

S201：收集目标用户使用电池时间段内的累积电量变化值，并根据累积电量变化值和电池可用容量得到当前充放电循环次数；

S202：根据当前充放电循环次数和额定充放电循环次数得到当前电池健康状态估算值；

S203：根据当前电池健康状态估算值和历史电池健康状态衰减曲线得到电池健康状态的预测曲线；

S204：根据预测曲线和电池健康状态的临界值得到电池剩余循环次数估算值；

S205：根据目标用户完成一次充放电所用时间和电池剩余循环次数估算值得到电池寿命估算值；

S206：提取目标用户的行为数据，根据行为数据与数据库中其他用户数据进行多维特征聚类，得到所述目标用户所属的用户群体；

S207：根据用户群体所对应的影响因素构建影响因素矩阵，并根据影响因素矩阵将电池寿命估算值分解为影响天数矩阵；

S208：将影响因素矩阵中的影响因素与影响天数矩阵中受该影响因素影响的影响天数相乘，将相乘的结果相加得到预测电池寿命。

以下结合图3，图3为本发明实施例所提供的一种电池寿命预测装置的结构框图，该装置可以包括：

数据获取模块100，用于获取电池寿命估算值和目标用户的行为数据；

特征聚类模块200，用于根据所述行为数据进行多维特征聚类得到所述目标用户所属的用户群体；

寿命预测模块300，用于根据所述用户群体的群体数据修正所述电池寿命估算值得到预测电池寿命。

基于上述实施例，本发明通过根据用户的行为数据进行多维特征聚类，寻找用户所属的特征群体，并根据特征群体的群体数据计算预测电池寿命，避免了现有技术中直接基于用户行为数据进行预测电池寿命而导致的当用户的行为习惯产生变化时，使用包含原有数据的行为数据来预测当前行为习惯下的电池剩余寿命而产生的误差较大的问题。

基于上述各实施例，所述寿命预测模块300，可以包括：

影响因素单元，用于根据所述用户群体的所述群体数据获取所述用户群体对应的影响因素；

影响因素矩阵单元，用于根据所述影响因素构建影响因素矩阵；

影响天数单元，用于根据所述影响因素矩阵将所述电池寿命估算值分解为影响天数矩阵；

寿命预测单元，用于根据所述影响因素矩阵与所述影响天数矩阵计算所述预测电池寿命。

基于上述各实施例，所述影响因素单元，可以包括：

影响因素集子单元，用于根据所述用户群体的所述群体数据获取所述用户群体对应的影响因素集；

影响因素阈值单元，用于设置影响因素阈值，从所述影响因素集中选取大于所述影响因素阈值的所述影响因素。

基于上述各实施例，所述寿命预测单元，可以包括：

矩阵子单元，用于设置所述影响因素矩阵为列矩阵，设置所述影响天数矩阵为行矩阵；其中，所述行矩阵的行数与所述列矩阵的列数相同；

计算子单元，用于将所述影响因素矩阵与所述影响天数矩阵相乘得到预测电池寿命矩阵；

预测子单元，用于将所述预测电池寿命矩阵中的值确定为所述预测电池寿命。

基于上述各实施例，所述数据获取模块100，可以包括：

循环次数单元，用于获取电池剩余循环次数估算值；

估算值单元，用于根据充放电时间数据和所述电池剩余循环次数估算值获取所述电池寿命估算值。

基于上述各实施例，所述循环次数单元，可以包括：

健康状态子单元，用于根据当前充放电循环次数和额定充放电循环次数得到电池健康状态估算值；

预测曲线子单元，用于根据所述电池健康状态估算值和历史电池健康状态衰减曲线得到预测曲线；

数据估算子单元，用于根据所述预测曲线和电池健康状态临界值得到所述电池剩余循环次数估算值。

基于上述各实施例，所述特征聚类模块200，可以包括：

聚类单元，用于每隔预设时间根据所述行为数据进行所述多维特征聚类得到所述目标用户所属的所述用户群体。

基于上述实施例，本发明还提供了一种电池寿命预测设备，该设备可以包括存储器和处理器，其中，该存储器中存有计算机程序，该处理器调用该存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然，该设备还可以包括各种必要的网络接口、电源以及其它零部件等。

本发明还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行终端或处理器执行时可以实现本发明实施例所提供的方法；该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种电池寿命预测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。