电池健康状态预测方法、装置、设备和介质

技术领域

本申请实施例涉及电池技术领域，尤其涉及一种电池健康状态预测方法、装置、设备和存储介质。

背景技术

随着全球新能源产业的不断发展，锂离子电池作为新能源和智能制造的核心备受关注。然而，由于锂离子电池的材料特性，锂离子电池系统的性能长期以来一直在恶化，对锂离子电池进行健康状态精准评估可充分了解电池当前的状态，从而提前作出相应的维护计划，可有效避免锂离子电池因意外故障而造成的不必要损失。因此，如何精准地预测锂离子电池的健康状态是本领域技术人员亟待解决的技术问题。

发明内容

针对传统技术存在的技术问题，本申请实施例提供一种电池健康状态预测方法、装置、设备和存储介质。

第一方面，本申请实施例提供一种电池健康状态预测方法，包括：

从多个特征维度上提取锂电池充放电循环过程中能够反映锂电池健康状态的初始健康特征数据，以及所述初始健康特征数据对应的样本锂电池健康状态数据；

确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度；

将灰色关联度满足预设条件的初始健康特征数据确定为目标健康特征数据；

基于待预测健康特征数据、所述目标健康特征数据以及所述目标健康特征数据对应的样本锂电池健康状态数据，通过高斯过程回归模型确定所述待预测健康特征数据对应的预测锂电池健康状态数据。

第二方面，本申请实施例提供一种电池健康状态预测装置，包括：

特征提取模块，用于从多个特征维度上提取锂电池充放电循环过程中能够反映锂电池健康状态的初始健康特征数据，以及所述初始健康特征数据对应的样本锂电池健康状态数据；

第一确定模块，用于确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度，并将灰色关联度满足预设条件的初始健康特征数据确定为目标健康特征数据；

第二确定模块，用于基于待预测健康特征数据、所述目标健康特征数据以及所述目标健康特征数据对应的样本锂电池健康状态数据，通过高斯过程回归模型确定所述待预测健康特征数据对应的预测锂电池健康状态数据。

第三方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述电池健康状态预测方法的步骤。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例第一方面提供的所述电池健康状态预测方法的步骤。

本申请实施例提供的技术方案，通过从多个特征维度上提取锂电池充放电循环过程中能够反映锂电池健康状态的初始健康特征数据，以及初始健康特征数据对应的样本锂电池健康状态数据，并确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度，将灰色关联度满足预设条件的初始健康特征数据、待预测健康特征数据以及灰色关联度满足预设条件的初始健康特征数据对应的样本锂电池健康状态数据引入到高斯过程回归模型中，利用高斯过程回归模型预测锂电池健康状态，即通过灰色关联度分析得到与锂电池健康状态相关联的多个特征数据，在锂电池健康状态预测过程中融合了多个特征数据，相比单特征方式来说，大大提高了预测结果的准确性。

附图说明

图1为本申请实施例提供的电池健康状态预测方法的一种流程示意图；

图2为本申请实施例提供的电池健康状态预测方法的另一种流程示意图；

图3为本申请实施例提供的时序数据之间匹配过程的一种示意图；

图4为本申请实施例提供的电池健康状态预测装置的一种结构示意图；

图5为本申请实施例提供的电子设备的一种结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

本申请实施例提供的方法可适用于对锂电池健康状态进行评估的情况，该方法可以由本申请实施例提供的电池健康状态预测装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于电子设备中。可选地，该电子设备可以是笔记本电脑、平板电脑以及个人数字助理等具有数据处理能力且能够与其它设备进行信息交互的终端，也可以是独立的服务器或者由多个服务器组成的服务器集群等，本申请实施例对电子设备的具体形式不做限定。

图1为本申请实施例提供的电池健康状态预测方法的一种流程示意图。如图1所示，该方法可以包括如下步骤：

S101、从多个特征维度上提取锂电池充放电循环过程中能够反映锂电池健康状态的初始健康特征数据，以及初始健康特征数据对应的样本锂电池健康状态数据。

具体的，锂电池健康状态可从多个特征维度进行评估，例如可以从充放电曲线、容量增量曲线、锂电池内阻、自放电率以及温度等方面提取锂电池充放电循环过程中理论上能够反应锂电池健康状态的初始健康特征数据，并提取与初始健康特征数据对应的样本锂电池健康状态数据。

虽然各初始健康特征数据在理论上都能够影响锂电池健康状态，但是不同的初始健康特征数据对锂电池健康状态的影响程度可能存在差异，即有些初始健康特征数据对锂电池健康状态的影响程度较大，有些初始健康特征数据对锂电池健康状态的影响程度较小，需要通过下述步骤进一步确定各初始健康特征数据对锂电池健康状态的影响程度，然后筛选出影响程度较高的初始健康特征数据参与运算，去除掉影响程度较小的初始健康特征数据，从而简化锂电池健康状态预测过程的计算量。

S102、确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度。

其中，灰色关联度用于表征初始健康特征数据对锂电池健康状态的影响程度，某个初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度越大，表明该初始健康特征数据对锂电池健康状态的影响程度越大，反之，某个初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度越小，表明该初始健康特征数据对锂电池健康状态的影响程度越小。因此，可以通过相应的算法分别确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度。

S103、将灰色关联度满足预设条件的初始健康特征数据确定为目标健康特征数据。

在得到各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度之后，去除掉灰色关联度不满足预设条件的初始健康特征数据，仅将灰色关联度满足预设条件的初始健康特征数据作为目标健康特征数据，引入到高斯过程回归模型中参与锂电池健康状态的预估运算。可选地，上述预设条件可以基于大量实验测试得到，例如，可以将灰色关联度大于0.7的初始健康特征数据确定为目标健康特征数据。

S104、基于待预测健康特征数据、目标健康特征数据以及目标健康特征数据对应的样本锂电池健康状态数据，通过高斯过程回归模型确定待预测健康特征数据对应的预测锂电池健康状态数据。

具体的，待预测健康特征数据与目标健康特征数据的特征维度相同，即目标健康特征数据是从哪些特征维度上提取的，待预测健康特征数据也是从相应的特征维度上进行提取得到。本步骤的目的是将多个目标健康特征数据与样本锂电池健康状态数据作为训练样本，通过高斯过程回归模型建立多个目标健康特征数据与样本锂电池健康状态数据之间的非线性对应关系，即利用高斯过程回归模型从训练样本中获取多个目标健康特征数据(x

可选地，上述S104的过程可以为：确定待预测健康特征数据与目标健康特征数据之间的第二相似度；基于第二相似度、目标健康特征数据的协方差以及目标健康特征数据对应的样本锂电池健康状态数据，通过高斯过程回归模型确定待预测健康特征数据对应的预测锂电池健康状态数据。

具体的，目标健康特征数据以及样本锂电池健康状态数据之间的非线性对应关系服从均值为0，协方差为K(X,X)+σ

其中，K(X,X)为目标健康特征数据X的协方差，σ

另外，假设待预测健康特征数据为X′，预测锂电池健康状态数据f

根据高斯过程的解析特性，在给定样本锂电池健康状态数据y的条件下，预测锂电池健康状态数据f

其中，K(X',X)为待预测健康特征数据与目标健康特征数据之间的第二相似度。K(X',X)可通过下述公式(4)计算得到：

其中，λ为方差尺度，

本申请实施例提供的电池健康状态预测方法，通过从多个特征维度上提取锂电池充放电循环过程中能够反映锂电池健康状态的初始健康特征数据，以及初始健康特征数据对应的样本锂电池健康状态数据，并确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度，将灰色关联度满足预设条件的初始健康特征数据、待预测健康特征数据以及灰色关联度满足预设条件的初始健康特征数据对应的样本锂电池健康状态数据引入到高斯过程回归模型中，利用高斯过程回归模型预测锂电池健康状态，即通过灰色关联度分析得到与锂电池健康状态相关联的多个特征数据，在锂电池健康状态预测过程中融合了多个特征数据，相比单特征方式来说，大大提高了预测结果的准确性。

图2为本申请实施例提供的电池健康状态预测方法的另一种流程示意图。本实施例是对上一实施例中的S101以及S102的进一步细化，可选地，下述S201-S204为上述S101的进一步细化，S205-S206为上述S102的进一步细化。如图2所示，该方法可以包括：

S201、提取锂电池不同充放电循环次数对应的容量增量曲线的最大波峰值。

增量容量分析是一种常用的利用实测数据分析锂电池退化特性的方法，经过大量实验分析可知容量增量曲线的变化对锂电池的老化有显著的影响。

锂电池的容量增量曲线有三个峰，代表锂电池在恒流阶段充电时电压的三次变化。随着充放电循环周期数的增加，锂电池的容量增量曲线逐渐崩溃，第一和第三峰逐渐消失，可提取容量增量曲线的最大波峰值，通过容量增量曲线的最大波峰值的变化来分析锂电池的健康状态。

S202、确定锂电池充放电循环过程中初始循环周期的充电电压曲线和各目标循环周期的充电电压曲线之间的第一相似度。

其中，锂电池的充电电压曲线长度会伴随锂电池充放电循环周期数的增加而逐渐缩短，出现初始循环周期的充电电压曲线和目标循环周期的充电电压曲线长度不一致的现象。因此，通过锂电池充放电循环过程中各目标循环周期的充电电压曲线与初始循环周期的充电电压曲线之间的长度变化来分析锂电池的健康状态。

在一个实施例中，动态时间规整距离可以从时域角度反应初始循环周期的充电电压曲线和目标循环周期的充电电压曲线之间的第一相似度，因此，在上述实施例的基础上，可选地，上述S202可以包括：求解锂电池充放电循环过程中初始循环周期的充电电压曲线和各目标循环周期的充电电压曲线之间的动态时间规整距离；基于动态时间规整距离，确定锂电池初始循环周期的充电电压曲线和各目标循环周期的充电电压曲线之间的第一相似度。

示例性，如图3所示，以时序数据A＝{a

其次，通过动态规划，依据边界性、连续性和单调性三个约束条件，从M

最后，时序数据A与B的动态时间规整距离为最优规整路径的累计距离r(i,j)，具体可以通过下述公式(6)进行计算：

r(i,j)＝M

其中，r(i-1,j-1)为a

V

因此，在锂电池充放电循环过程中可以获取锂电池初始循环周期的充电电压曲线以及各目标循环周期的充电电压曲线，并参照上述时序数据A和B之间的动态时间规整距离求解过程来求解各目标循环周期的充电电压曲线和初始循环周期的充电电压曲线之间的动态时间规整距离，并基于得到的动态时间规整距离确定各目标循环周期的充电电压曲线和初始循环周期的充电电压曲线之间的第一相似度。可选地，动态时间规整距离越小，目标循环周期的充电电压曲线和初始循环周期的充电电压曲线之间的第一相似度越高，反之，动态时间规整距离越大，目标循环周期的充电电压曲线和初始循环周期的充电电压曲线之间的第一相似度越低。

S203、提取锂电池充放电循环过程中的能量变化特征数据。

随着锂电池充放电循环次数的增加，锂电池中可充放电的能量会逐渐减少。随着充放电循环次数的增加，恒流充电阶段电压曲线与横坐标、纵坐标组成的面积减小，恒压充电阶段电流曲线与横坐标、纵坐标组成的面积增大。在本实施例中，选取三个能量特征来描述电池能量的下降：等充电电压差能量(EECV)、等充电电流差能量(EECC)和等放电电压差能量(EEDV)。

其中，等充电电压差能量(EECV)可以通过下述公式(8)计算得到：

上述公式(8)中t

等充电电流差能量(EECC)可以通过下述公式(9)计算得到：

上述公式(9)中t

等放电电压差能量(EEDV)可以通过下述公式(10)计算得到：

上述公式(10)中t

S204、将得到的最大波峰值、第一相似度以及能量变化特征数据确定为锂电池充放电循环过程中能够反应锂电池健康状态的初始健康特征数据。

S205、确定锂电池每次充放电循环过程中各初始健康特征数据与对应的样本锂电池健康状态数据之间的相关系数。

S206、基于锂电池的充放电循环次数和各充放电循环过程中的相关系数，确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度。

为了验证所提取的各初始健康特征数据的有效性，需要分析所提取的各初始健康特征数据与锂电池健康状态之间的相关性。首先，对各初始健康特征数据和样本锂电池健康状态数据进行标准化处理，随后通过下述公式(11)分别计算各初始健康特征数据与样本锂电池健康状态数据之间的相关系数ξ

其中，x

接着，基于得到的相关系数和锂电池的充放电循环次数c，通过下述公式(12)求解各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度r

S207、将灰色关联度满足预设条件的初始健康特征数据确定为目标健康特征数据。

S208、基于待预测健康特征数据、目标健康特征数据以及目标健康特征数据对应的样本锂电池健康状态数据，通过高斯过程回归模型确定待预测健康特征数据对应的预测锂电池健康状态数据。

在本实施例中，在锂电池充放电循环过程中，通过从多个特征维度提取锂电池的健康特征数据，如从容量增量曲线最大波峰值，充电电压曲线间的长度变化，以及可充放电能量的变化等维度提取能够反应锂电池健康状态的特征数据，且仅采用与锂电池健康状态之间灰色关联度满足预设条件的健康特征数据参与锂电池健康状态的综合分析，从而可提高锂电池健康状态的预测结果。

图4为本申请实施例提供的电池健康状态预测装置的一种结构示意图。如图4所示，该装置可以包括：特征提取模块401、第一确定模块402和第二确定模块403。

具体的，特征提取模块401用于从多个特征维度上提取锂电池充放电循环过程中能够反映锂电池健康状态的初始健康特征数据，以及所述初始健康特征数据对应的样本锂电池健康状态数据；

第一确定模块402用于确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度，并将灰色关联度满足预设条件的初始健康特征数据确定为目标健康特征数据；

第二确定模块403用于基于待预测健康特征数据、所述目标健康特征数据以及所述目标健康特征数据对应的样本锂电池健康状态数据，通过高斯过程回归模型确定所述待预测健康特征数据对应的预测锂电池健康状态数据。

在上述实施例的基础上，可选地，特征提取模块401具体用于提取锂电池不同充放电循环次数对应的容量增量曲线的最大波峰值；确定锂电池充放电循环过程中初始循环周期的充电电压曲线和各目标循环周期的充电电压曲线之间的第一相似度；提取锂电池充放电循环过程中的能量变化特征数据；将得到的所述最大波峰值、所述第一相似度以及所述能量变化特征数据确定为锂电池充放电循环过程中能够反应锂电池健康状态的初始健康特征数据。

在上述实施例的基础上，可选地，特征提取模块401还具体用于求解锂电池充放电循环过程中初始循环周期的充电电压曲线和各目标循环周期的充电电压曲线之间的动态时间规整距离；基于所述动态时间规整距离，确定锂电池初始循环周期的充电电压曲线和各目标循环周期的充电电压曲线之间的第一相似度。

可选地，所述能量变化特征数据包括：等充电电压差能量、等充电电流差能量以及等放电电压差能量。

在上述实施例的基础上，可选地，第一确定模块402具体用于确定锂电池每次充放电循环过程中各初始健康特征数据与对应的样本锂电池健康状态数据之间的相关系数；基于锂电池的充放电循环次数和各充放电循环过程中的所述相关系数，确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度。

在上述实施例的基础上，可选地，第二确定模块403具体用于确定所述待预测健康特征数据与所述目标健康特征数据之间的第二相似度；基于所述第二相似度、所述目标健康特征数据的协方差以及所述目标健康特征数据对应的样本锂电池健康状态数据，通过高斯过程回归模型确定所述待预测健康特征数据对应的预测锂电池健康状态数据。

在一个实施例中，还提供了一种电子设备，如图5所示，该电子设备可以包括处理器501、存储器502、输入装置503和输出装置504；电子设备中处理器501的数量可以是一个或多个，图5中以一个处理器501为例；电子设备中的处理器501、存储器502、输入装置503和输出装置504可以通过总线或其他方式连接，图5中以通过总线连接为例。

存储器502作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的电池健康状态预测方法对应的程序指令/模块(例如，电池健康状态预测装置的特征提取模块401、第一确定模块402和第二确定模块403)。处理器501通过运行存储在存储器502中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的电池健康状态预测方法。

存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器502可进一步包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置503可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。

在一个实施例中，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种电池健康状态预测方法，该方法包括以下步骤：

从多个特征维度上提取锂电池充放电循环过程中能够反映锂电池健康状态的初始健康特征数据，以及所述初始健康特征数据对应的样本锂电池健康状态数据；

确定各初始健康特征数据与对应的样本锂电池健康状态数据之间的灰色关联度；

将灰色关联度满足预设条件的初始健康特征数据确定为目标健康特征数据；

基于待预测健康特征数据、所述目标健康特征数据以及所述目标健康特征数据对应的样本锂电池健康状态数据，通过高斯过程回归模型确定所述待预测健康特征数据对应的预测锂电池健康状态数据。

当然，本申请实施例所提供的一种计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本申请任意实施例所提供的电池健康状态预测方法中的相关操作。

上述实施例中提供的电池健康状态预测装置、电子设备以及存储介质可执行上述任意实施例所提供的电池健康状态预测方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见上述任意实施例所提供的电池健康状态预测方法。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

值得注意的是，上述实施例中所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。