电池功率预测模型生成方法及系统、功率预测方法及系统

摘要

本发明公开了一种电池功率预测模型生成方法及系统、功率预测方法及系统，生成方法包括以下步骤：S1、获取训练样本集中每个样本电池的功率特性数据，功率特性数据包括所述样本电池的每次充放电的放电功率数据；S2、对功率特性数据进行预处理以生成对应的功率数据矩阵；S3、使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。本发明使用卷积神经网络算法对输入的功率数据矩阵进行多层的降维及特征提取，能够得出电池功率的预测模型。使用该预测模型能够对待预测的动力电池尤其是退役动力电池进行功率预测，根据功率预测的结果能够实现对待预测的电池的全生命周期预测及实时监控。

说明书

技术领域

本发明涉及动力电池领域，特别涉及一种电池功率预测模型生成方法及系统、功率预测方法及系统。

背景技术

随着新能源汽车的快速发展和推广，新能源汽车所用的动力电池的需求也日益增长。受限于当前动力电池的技术水平，当动力电池的损耗达到一定程度时，动力电池供电特性无法达到电动汽车供电标准，就必须被淘汰而成退役动力电池。退役的动力电池因其具备储电和充放电能力，往往被应用在一些对电池特性要求相对不是很高的领域，比如储能电站、充电桩等，实现对动力电池的二次利用，这种退役电池的二次利用叫做电池梯级利用。

退役的汽车动力电池由于是二次利用，在电池特性方面跟新电池相比是有一定的损耗，而且可靠性和安全性跟新电池也是有所差别的。因此，在实际使用退役电池时，为实现退役电池最大化利用的同时还要保证电池的安全性和可靠性，此时就很有必要对电池的内部特性数据进行实时监控和显示，以供用户或维修人员实时了解电池的动态信息。

除此之外，退役动力电池的寿命往往也是有限的，而且退役电池的衰老也是具有很强的不确定性。退役电池一次偶然的突发情况，比如电池报废或是电池深度放电等状况，都会给用户带来使用的不便，给厂家维护增加成本。因此，根据电池内部特性信息和外部特性信息针对电池的寿命和安全性进行预测，实现对电池更加可靠、更加安全的管理。不仅能给用户提供退役动力电池动态信息指导，而且也给退役动力电池厂家维护人员提供周期性的维护参考信息，这对用户对电池使用的舒适性，维护人员的指导性无疑具有重大意义。

动力电池本身具有个体差异，即使是同型号同批次的全新电池，其一致性也存在高低问题。再加上各种复杂工况的使用，给电池的寿命预测和健康管理带来了变数，无法简单的得到其衰变的规律。在动力电池中，退役电池本身是一种寿命和安全性有所损耗的电池，因此，针对退役电池功率、寿命和健康数据等信息进行显示与监控更是必要的。电池的使用寿命对用户来说往往是不可见或是不可预见的，突发性的电池故障或报废对用户或厂家来说无疑是棘手的问题，因此，针对电池的寿命和安全性进行预测和估计，对用户或厂家来说都是具有很强的指导意义。

发明内容

本发明要解决的技术问题是为了克服现有技术中对动力电池尤其是退役动力电池的衰变规律没有相应有效的预测方案的缺陷，提供一种能够对动力电池的功率特性进行预测且准确性较高的电池功率预测模型生成方法及系统、功率预测方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供了一种电池功率预测模型生成方法，其特点在于，包括以下步骤：

S₁、获取训练样本集中每个样本电池的功率特性数据，所述功率特性数据包括所述样本电池的每次充放电的放电功率数据；

S₂、对所述功率特性数据进行预处理以生成对应的功率数据矩阵；

S₃、使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。

本方案中，所述放电功率数据为包括时序变量的数据，功率数据矩阵也为包括时序变量的数据矩阵。

本方案中，使用卷积神经网络算法对输入的功率数据矩阵进行多层的降维及特征提取，能够得出机制模型即电池功率的预测模型。本方案中采用卷积神经网络算法进行电池功率的预测模型的训练，可以理解为为单个电池寻找与其表现最相近的个体分组，并根据相近个体的历史数据，推断本个体的衰变情况，同时学习历史数据中的突变情况，形成机制模型，从而实现对动力电池的衰变规律有效且准确的预测。

较佳地，步骤S₂包括以下步骤：

S₂₁、对所述功率特性数据进行数据提取以得到周期分量和趋势分量；

S₂₂、对所述趋势分量进行预处理以生成对应的所述功率数据矩阵。

本方案中，步骤S₃中生成的是电池功率中的趋势分量的预测模型。

本方案中，将电池的放电功率数据分为趋势分量及周期分量。周期分量对于放电功率数据这个变量来说，是一个体现其固有特质的平移分量。即这个分量既不会衰减也不会形变，但本身也不是一个能用单项式表达的时间函数。常规来说，会用一组正弦曲线的和或积分来表示周期分量。

本方案中，电池状态预测中，将放电功率数据分解成周期分量和趋势分量，仅将趋势分量作为卷积神经网络算法的模型输入，从而实现了预先降维，提高了卷积神经网络的运算效率。

较佳地，所述放电功率数据包括放电电压数据和放电电流数据，所述功率特性数据还包括使用次数、使用频率、充放电工况中的至少一种。

本方案中，动力电池的使用次数、使用频率、充放电工况以及是否有异常工况如过充过放等变量可以作为系数参与到卷积神经网络算法进行模型训练时的迭代过程中。

本方案中，将放电电压数据和放电电流数据组成的至少两维数据用于卷积神经网络算法进行模型训练，能够使得生成的预测模型的准确性更高。

较佳地，步骤S₂中所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。

本方案中，通过采集而获取的样本电池的功率特性数据并不能直接作为卷积神经网络算法的输入信息，需要经过数据无效处理，数据归一化处理和数据矩阵化输入处理后再使用。当输入数据量很大时，算法将面临计算量的提升，为方便计算通过将功率特性数据矩阵化能够提高算法的计算效率。

较佳地，所述周期分量为对应的样本电池在全新状态下的放电功率曲线所对应的数据。

本方案中，对于一块特定的电池，可以通过经验值确定其全新状态下的放电功率曲线并将该组数据标识为周期分量。

较佳地，步骤S₁之前还包括以下步骤：

S₀、获取总样本集，使用采样率r对所述总样本集进行采样以得到样本子集，将所述样本子集设置为所述训练样本集；

步骤S₃之后还包括以下步骤：

S₄、使用所述总样本集中未参与模型训练的样本电池的所述功率数据矩阵对所述预测模型进行验证，若输出误差大于预设误差，则调整模型训练的参数，执行步骤S₃。

本方案中，用总样本集中未参与模型训练的样本电池验证生成的预测模型，当输出误差在合理范围内时，预测机制完成；否则，通过调整模型参数重复模型训练步骤，以使得生成的预测模型更加准确。

本发明还提供了一种电池功率预测模型生成系统，其特点在于，包括数据获取模块、预处理模块和模型生成模块；

所述数据获取模块，用于获取训练样本集中每个样本电池的功率特性数据，所述功率特性数据包括所述样本电池的每次充放电的放电功率数据；

所述预处理模块，用于对所述功率特性数据进行预处理以生成对应的功率数据矩阵；

所述模型生成模块，用于使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。

较佳地，所述预处理模块包括数据提取模块和分量预处理模块；

所述数据提取模块，用于对所述功率特性数据进行数据提取以得到周期分量和趋势分量；

所述分量预处理模块，用于对所述趋势分量进行预处理以生成对应的所述功率数据矩阵。

较佳地，所述放电功率数据包括放电电压数据和放电电流数据，所述功率特性数据还包括使用次数、使用频率、充放电工况中的至少一种。

较佳地，所述预处理模块中所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。

较佳地，所述周期分量为对应的样本电池在全新状态下的放电功率曲线所对应的数据。

较佳地，所述电池功率预测模型生成系统还包括采样模块和验证模块；

所述采样模块，用于在所述数据获取模块执行之前获取总样本集，使用采样率r对所述总样本集进行采样以得到样本子集，将所述样本子集设置为所述训练样本集；

所述验证模块，用于在所述模型生成模块执行之后使用所述总样本集中未参与模型训练的样本电池的所述功率数据矩阵对所述预测模型进行验证，若输出误差大于预设误差，则调整模型训练的参数，调用所述模型生成模块。

本发明还提供了一种电池功率预测方法，其特点在于，包括以下步骤：

T、使用前述的电池功率预测模型生成方法生成的所述预测模型对待预测电池进行功率预测，以得到所述待预测电池的功率预测的结果。

本方案中，根据功率预测的结果能够实现对待预测电池的全生命周期预测及实时监控。

较佳地，步骤T包括以下步骤：

T₁、获取所述待预测电池的功率特性数据；

T₂、对所述功率特性数据进行预处理以生成对应的功率数据矩阵；

T₃、将所述功率数据矩阵输入至所述预测模型进行功率预测，以得到所述待预测电池的功率预测的结果。

本发明还提供了一种电池功率预测系统，其特点在于，包括预测模块和前述的电池功率预测模型生成系统；

所述预测模块，用于使用所述预测模型对待预测电池进行功率预测，以得到所述待预测电池的功率预测的结果。

较佳地，所述预测模块包括待预测电池数据获取模块、待预测电池预处理模块和预测执行模块；

所述待预测电池数据获取模块，用于获取所述待预测电池的功率特性数据；

所述待预测电池预处理模块，用于对所述功率特性数据进行预处理以生成对应的功率数据矩阵；

所述预测执行模块，用于将所述功率数据矩阵输入至所述预测模型进行功率预测，以得到所述待预测电池的功率预测的结果。

本发明的积极进步效果在于：本发明提供的电池功率预测模型生成方法及系统、功率预测方法及系统使用卷积神经网络算法对输入的功率数据矩阵进行多层的降维及特征提取，能够得出电池功率的预测模型。使用该预测模型能够对待预测的动力电池尤其是退役动力电池进行功率预测，根据功率预测的结果能够实现对待预测的电池的全生命周期预测及实时监控。进一步地，本发明中将放电功率数据分解成周期分量和趋势分量，仅将趋势分量作为卷积神经网络算法的模型输入，从而实现了预先降维，提高了卷积神经网络的运算效率。

附图说明

图1为本发明实施例1的电池功率预测模型生成方法的流程图。

图2为本发明实施例2的电池功率预测模型生成系统的模块示意图。

图3为本发明实施例3的电池功率预测方法的流程图。

图4为本发明实施例4的电池功率预测系统的模块示意图。

图5为本发明应用于电池健康状态预测的流程图。

图6为应用本发明时电池预测方法的流程图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

如图1所示，本实施例提供了一种电池功率预测模型生成方法，包括以下步骤：

步骤S0、获取总样本集，使用采样率r对所述总样本集进行采样以得到样本子集，将所述样本子集设置为训练样本集；

步骤S1、获取所述训练样本集中每个样本电池的功率特性数据，所述功率特性数据包括所述样本电池的使用次数、使用频率、充放电工况、每次充放电的放电功率数据，所述放电功率数据包括放电电压数据和放电电流数据；

步骤S2、对所述功率特性数据进行数据提取以得到周期分量和趋势分量，所述周期分量为对应的样本电池在全新状态下的放电功率曲线所对应的数据；

步骤S3、对所述趋势分量进行预处理以生成对应的所述功率数据矩阵，所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理；

步骤S4、使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型；

步骤S5、使用所述总样本集中未参与模型训练的样本电池的所述功率数据矩阵对所述预测模型进行验证，判断输出误差是否大于预设误差，若是则执行步骤S6，若否则流程结束；

步骤S6、调整模型训练的参数，执行步骤S4。

本实施例中，步骤S3的预处理也可以和步骤S2数据提取交换顺序，即先对数据进行预处理，然后再对预处理后的数据进行周期分量和趋势分量的提取。

本实施例中，放电功率数据、功率数据矩阵、放电电压数据和放电电流数据均为包括时序变量的数据。将放电电压数据和放电电流数据组成的至少两维数据用于卷积神经网络算法进行模型训练，能够使得生成的预测模型比直接使用一维的放电功率数据的准确性高。

动力电池随着使用次数而逐渐衰减是必然的趋势，同时，电池的放电功率有其周期性。本实施例中，将电池的放电功率数据分为趋势分量及周期分量。周期分量对于放电功率数据这个变量来说，是一个体现其固有特质的平移分量。即这个分量既不会衰减也不会形变，但本身也不是一个能用单项式表达的时间函数。常规来说，会用一组正弦曲线的和或积分来表示周期分量。电池状态预测中，仅将趋势分量作为卷积神经网络算法的模型输入，从而实现了预先降维，提高了卷积神经网络的运算效率。

本实施例中，使用卷积神经网络算法对输入的功率数据矩阵进行多层的降维及特征提取，能够得出机制模型即电池功率的预测模型。采用卷积神经网络算法进行电池功率的预测模型的训练，可以理解为为单个电池寻找与其表现最相近的个体分组，并根据相近个体的历史数据，推断本个体的衰变情况，同时学习历史数据中的突变情况，形成机制模型，从而实现对动力电池的衰变规律有效且准确的预测。

实施例2

如图2所示，本实施例提供了一种电池功率预测模型生成系统，包括采样模块0、数据获取模块1、预处理模块2、模型生成模块3和验证模块4。

所述采样模块0，用于获取总样本集，使用采样率r对所述总样本集进行采样以得到样本子集，将所述样本子集设置为训练样本集。

所述数据获取模块1，用于获取所述训练样本集中每个样本电池的功率特性数据，所述功率特性数据包括所述样本电池的使用次数、使用频率、充放电工况和每次充放电的放电功率数据，所述放电功率数据包括放电电压数据和放电电流数据。

所述预处理模块2，用于对所述功率特性数据进行预处理以生成对应的功率数据矩阵。

所述模型生成模块3，用于使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。

所述验证模块4，用于在所述模型生成模块3执行之后使用所述总样本集中未参与模型训练的样本电池的所述功率数据矩阵对所述预测模型进行验证，若输出误差大于预设误差，则调整模型训练的参数，调用所述模型生成模块3。

本实施例中，所述预处理模块2包括数据提取模块201和分量预处理模块202。所述数据提取模块201，用于对所述功率特性数据进行数据提取以得到周期分量和趋势分量，所述周期分量为对应的样本电池在全新状态下的放电功率曲线所对应的数据。所述分量预处理模块202，用于对所述趋势分量进行预处理以生成对应的所述功率数据矩阵，所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。

本实施例中，将电池的放电功率数据分为趋势分量及周期分量。电池状态预测中，仅将趋势分量作为卷积神经网络算法的模型输入，从而实现了预先降维，提高了卷积神经网络的运算效率。本实施例中，使用卷积神经网络算法对输入的功率数据矩阵进行多层的降维及特征提取，能够得出机制模型即电池功率的预测模型。使用该预测模型能够对待预测的动力电池尤其是退役动力电池进行功率预测，根据功率预测的结果能够实现对待预测的电池的全生命周期预测及实时监控。

实施例3

如图3所示，本实施例提供了一种电池功率预测方法，包括以下步骤：

T1、获取待预测电池的功率特性数据；

T2、对所述功率特性数据进行预处理以生成对应的功率数据矩阵；

T3、将所述功率数据矩阵输入至实施例1中的电池功率预测模型生成方法生成的所述预测模型进行功率预测，以得到所述待预测电池的功率预测的结果。

本实施例中，根据功率预测的结果能够得到待预测电池的衰变规律，通过功率预测的结果实现电池的寿命预测，以便进一步的进行健康管理。

本实施例提供的电池功率预测方法能够实现对待预测电池的全生命周期预测及实时监控。

实施例4

如图4所示，本实施例提供了一种电池功率预测系统，包括预测模块5和实施例2中的电池功率预测模型生成系统6；

所述预测模块5，用于使用所述预测模型对待预测电池进行功率预测，以得到所述待预测电池的功率预测的结果。所述预测模块5包括待预测电池数据获取模块501、待预测电池预处理模块502和预测执行模块503；

所述待预测电池数据获取模块501，用于获取所述待预测电池的功率特性数据；

所述待预测电池预处理模块502，用于对所述功率特性数据进行预处理以生成对应的功率数据矩阵；

所述预测执行模块503，用于将所述功率数据矩阵输入至所述预测模型进行功率预测，以得到所述待预测电池的功率预测的结果。

本实施例中，使用预测模块5能够对待预测的动力电池尤其是退役动力电池进行功率预测，根据功率预测的结果能够实现对待预测的电池的全生命周期预测及实时监控。

下面继续通过具体的例子，进一步说明本发明的技术方案和技术效果。

本发明具体实施时应用于动力电池的全生命周期预测，具体技术方案如下：

整个预测过程划分为形成机制及应用机制两大方面。其中形成机制又分为数据采集与处理、模型设计、模型训练、模型验证四个步骤，详见图5。功率预测及健康管理的方法在模型设计、模型训练中体现，详见图6。

I形成机制

I.1数据采集与处理

I.1.1测量数据

根据行业经验，判断电池性能的常用指标有：充电电压、充电电流、放电电压、放电电流、电池内阻、SOC(state of charge，电池的荷电状态)等等。常规测量手段即将退役电池进行一个或若干个完整的充放电过程，并记录下相应的实验数值充电电压U_charge(t)，充电电流I_charge(t)，放电电压U_discharge(t)，放电电流I_discharge(t)，内阻R_inner(t)，SOC。

对于终端用户而言，直观影响电池的使用感的变量为放电功率，其可由放电电压U_discharge(t)，放电电流I_discharge(t)计算得出，当电池的放电功率衰变到临界值或急剧衰变，即表明电池寿命到期，无法继续使用。故使用放电电压、放电电流计算出放电功率后，作为模型输入是最直接的方法。但与此同时，并不是排除了其余测量数据对电池寿命及健康没有关联性。

I.1.2记录数据

即使是同一块电池，其放电表现及剩余寿命与其之前使用的次数、频率、及充放电工况、是否有意常工况(过充过放)均有联系。故这些变量会作为系数参与到迭代中。

I.1.3数据处理

采集的数据并不能直接作为算法的输入信息，需要过无效数据删除处理，数据归一化处理和数据矩阵输入处理。

◆数据无效处理

针对输入数据x_i，其中x_i∈{x₁,x₂…_N}，若则对x_i进行更新：

◆数据归一化处理

为防止算法中梯度的消失或发散，采集的数据输入前需要经过归一化处理，x_i∈{x₁,2…_N}，归一化后的数据为

◆输入数据矩阵化处理

当输入数据量很大时，算法将面临计算量将提升，为方便计算这里通过将输入数据矩阵化来提高计算效率。

I.2模型设计

动力电池随着使用次数而逐渐衰减是必然的趋势，同时，电池的放电功率有其周期性。故本发明中将电池的放电功率分为趋势分量及周期分量，即P(t)＝P_a(t)+P_b(t)，其中P_a为趋势分量，P_b为周期分量。

I.2.1周期分量的提取

周期分量对于变量(即放电功率)来说，是一个体现其固有特质的平移分量。即这个分量既不会衰减也不会形变，但本身也不是一个能用单项式表达的时间函数。常规来说，会用一组正弦曲线的和或积分来表示周期分量。但在本方法中，对于一块特定的电池，可以通过经验值确定其全新状态下的放电功率曲线P₀(t)并将该组数据标识为周期分量。

I.2.2趋势分量的提取

P_a(t)＝P(t)-P₀(t)。

I.3模型训练

卷积神经网络算法是通过对n*n的输入矩阵进行多层的降维及特征提取后，得出的机制模型。其中，n*n的矩阵可以是从图片中提取的特征数据，也可以是纯数值的矩阵(包括时序变量)。卷积神经网络算法在图像识别中广泛应用，从结果上来讲，图像识别也是监督式学习的一种。本发明的方法也可以理解为为单个电池寻找与其表现最相近的个体分组，并根据相近个体的历史数据，推断本个体的衰变情况，同时学习历史数据中的突变情况，形成机制。

I.3.1模型输入矩阵

样本中单个电池m的放电功率数组为P_am，e(t)∈{P_am,1(t)，P_am,2(t)，P_am,3(t)，…，P_am,Em(t)}，其中角标e＝{1，2，3，…，E_m}表示为充放次数，E_m为电池m的全生命充放次数。并且单个充放循环P_am，e(t)是一组连续的数据或高频采样数据的趋势分量。

对于样本总数电池M，其电池功率矩阵为：

I.3.2降维与特征提取

在一个优秀的卷积神经算法网络中，降维层与特征提取层会交替、多次使用已达到深度学习的效果。并在最后一层对学习结果进行归一化，保证衡量标准一致。

降维是为了减少数据的冗余，增加计算的速度同时保证可靠性。降维的主要手段有低频采样，周边值取平均等。

特征提取是通过滤波工具将不需要的数据滤除。降维与特征提取的多次交替使用能确保特征数据的保留。

I.3.3模型输出

模型输出为放电功率矩阵的预测机制。

I.4模型验证

将样本S中未使用的数据对上述模型进行验证。

II应用机制

对于实际应用中的新样本，进行实时监控及全生命周期预测，并比对实时数据及过往预测值，在重大差值的情况下将样本纳入总样本中重新更新一下机制。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。