评估模型建立方法、电池健康状态评估方法及相关产品

摘要

本申请公开一种评估模型建立方法、电池健康状态评估方法及相关产品。获得参考电池的实验数据和目标电池的历史监测数据；参考电池的实验数据包括参考电池的健康状态；将所述实验数据和所述历史监测数据进行参数归一化对齐；根据预设截取条件从实验数据中获得多个源域样本，根据预设截取条件从参数归一化对齐后的历史监测数据中获得目标域样本；利用多个源域样本和所述目标域样本进行迁移学习，得到对目标电池的评估模型。通过无监督的方式实现多源迁移学习，在易于获得的参考电池实验数据和目标电池监测数据的基础上获得对目标电池健康状态的评估模型。不需将目标电池所在的车辆召回检测，节省电池健康状态的测量成本，实现较为准确的评估。

说明书

技术领域

本申请涉及电池技术领域，特别是涉及一种评估模型建立方法、电池健康状态评估方法及相关产品。

背景技术

能源危机、环境污染以及温室效应等问题的日益严重对汽车行业提出了更高的节能减排要求。发展新能源汽车已近成为汽车行业变革的必然趋势。动力电池是电动汽车的动力来源。为了确保电动汽车能安全、稳定、高效地运行，需要对电池进行必要的管理和控制。电池健康状态(State of Health,SOH)是评估电池的一个重要指标。精确掌握电池的SOH真实值能够为电池诊断提供依据，同时也有助于及时更换老化的单体电池，提高电池组的整体寿命。进一步地，精确掌握电池SOH对于提高电动汽车的动力性能。

目前，电池的SOH通常的测量方法是将车辆召回，由专门的电池检测机构对车辆中的电池进行SOH检测。这种方式需要召回车辆，影响车辆的驾驶，成本也比较高。而如果以实时监测收集到的数据预测电池的SOH则存在预测结果不准确的问题。

发明内容

基于上述问题，本申请提供了一种评估模型建立方法、电池健康状态评估方法及相关产品，提升电池SOH的评估准确性，同时节省SOH的测量成本。

本申请实施例公开了如下技术方案：

本申请第一方面提供了一种评估模型建立方法，包括：

获得参考电池的实验数据和目标电池的历史监测数据；所述参考电池的实验数据包括所述参考电池的健康状态SOH；

将所述实验数据和所述历史监测数据进行参数归一化对齐；

根据预设截取条件从参数归一化对齐后的实验数据中获得多个源域样本，根据所述预设截取条件从参数归一化对齐后的历史监测数据中获得目标域样本；

利用所述多个源域样本和所述目标域样本进行迁移学习，得到对所述目标电池的评估模型。

可选地，所述利用所述多个源域样本和所述目标域样本进行迁移学习，得到对所述目标电池的评估模型，包括：

通过深度学习提取所述多个源域样本的特征并提取所述目标域样本的特征；

利用差异度量方法对所述多个源域样本的特征和所述目标域样本的特征进行边缘分布对齐和条件分布对齐；并且，利用损失函数进行特征的迁移学习，得到对所述目标电池的评估模型。

可选地，所述利用差异度量方法对所述多个源域样本的特征和所述目标域样本的特征进行边缘分布对齐和条件分布对齐，包括：

将所述多个源域样本中每个源域样本的特征分别与所述目标域样本的特征进行边缘分布对齐和条件分布对齐。

可选地，对所述目标电池的评估模型包括：一个特征提取模型、一个差异度量模型和多个SOH预测模型；所述特征提取模型的输出作为所述差异度量模型及所述多个SOH预测模型的输入；所述多个SOH预测模型和多个源域一一对应；

所述损失函数为关于所述多个SOH预测模型中每个SOH预测模型的预测损失值和所述差异度量模型的差异损失值的函数。

可选地，所述预设截取条件包括：

预设的电压范围，或者，预设的电池荷电状态SOC范围。

可选地，不同的源域各自对应不同的电池型号。

可选地，所述参考电池的实验数据还包括：

所述参考电池在充电过程中的电流、电压、温度和时间；

所述目标电池的历史监测数据包括：所述目标电池在历史充电过程中的电流、电压、温度和时间。

可选地，归一化对齐的参数包括：额定容量、充电截止电压和放电截止电压。

本申请第二方面提供了一种电池健康状态评估方法，包括：

获得目标电池的监测数据；

根据预设截取条件从所述目标电池的监测数据中截取出所述预设截取条件对应的监测数据，作为评估模型的输入数据；

将所述输入数据输入所述评估模型后，获得所述评估模型输出的所述目标电池的电池健康状态评估结果；所述评估模型为通过权利要求1-8任一项所述的评估模型建立方法获得。

本申请第三方面提供了一种评估模型建立设备，包括处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于根据所述计算机程序执行如第一方面提供的评估模型建立方法。

本申请第四方面提供了一种电池健康状态评估设备，包括处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于根据所述计算机程序执行如第二方面提供的电池健康状态评估方法。

本申请第五方面提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器运行时执行如第一方面提供的评估模型建立方法，或者执行如第二方面提供的电池健康状态评估方法。

相较于现有技术，本申请具有以下有益效果：

本申请提供的评估模型建立方法中，首先获得参考电池的实验数据和目标电池的历史监测数据；所述参考电池的实验数据包括所述参考电池的健康状态SOH；其后将所述实验数据和所述历史监测数据进行参数归一化对齐；接着根据预设截取条件从参数归一化对齐后的实验数据中获得多个源域样本，根据所述预设截取条件从参数归一化对齐后的历史监测数据中获得目标域样本；利用所述多个源域样本和所述目标域样本进行迁移学习，得到对所述目标电池的评估模型。该方法通过无监督的方式实现多源迁移学习，在易于获得的参考电池实验数据和目标电池的监测数据的基础上获得对目标电池SOH的评估模型。通过该模型，不需将目标电池所在的车辆召回检测，节省了目标电池SOH的测量成本，实现较为准确的评估。

附图说明

为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种评估模型建立方法的流程图；

图2为本申请实施例提供的一种评估模型结构示意图；

图3为本申请实施例提供的一种通过多个源域样本和目标域样本进行模型训练的示意图；

图4本申请实施例提供的一种电池健康状态评估方法的流程图。

具体实施方式

正如前文描述，目前以大数据平台采集的方式收集的电池监测数据来获得电池SOH通常准确度不足。而如果召回车辆由检测机构测量电池的SOH则会产生较高的测量成本，同时给用户的车辆使用带来不便。为了解决以上问题，发明人经过研究，提供了一种评估模型建立方法、电池健康状态评估方法及相关产品。以无监督方式的迁移学习在无数据标签的情况下建立了对目标电池的SOH评估模型。该模型可用以实现准确的SOH评估，节省SOH的测定成本，也不影响车辆使用。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

参见图1，该图为本申请实施例提供的一种评估模型建立方法的流程图。如图1所示，本申请实施例提供的评估模型建立方法包括：

S101：获得参考电池的实验数据和目标电池的历史监测数据。

本申请实施例中，目标电池是指需要评估SOH的任一电池。参考电池则是SOH已知的其他电池，参考电池的型号与目标电池的型号可以相同，也可以不同。参考电池的SOH可以是通过实验获得的。

在S101中目标电池的历史监测数据可以包括由传感器直接监测得到的该目标电池历史使用过程中的数据，例如电流、电压、温度等，还可以包括根据传感器监测到的数据预测或计算出的数据，例如内阻、电池荷电状态(State of Charge,SOC)等。

在S101中参考电池的实验数据不但包括与目标电池的历史监测数据相对应的参数，还包括试验获得的参考电池的SOH。

作为示例，目标电池的历史监测数据包括但不限于：目标电池在历史充电过程中的电流、电压、温度和时间；参考电池的实验数据包括但不限于：参考电池的SOH和参考电池在充电过程中的电流、电压、温度和时间。

需要说明的是，本申请实施例中不限定参考电池的型号和数量。例如，S101中可以获得10个不同型号的参考电池的实验数据，每种相同型号的参考电池取用3个。

S102：将实验数据和历史监测数据进行参数归一化对齐。

由于目标电池的型号与参考电池的型号可能是不同的，因此，其参数可能未在统一的标准区间内。例如，目标电池的额定容量是X，而参考电池的额定容量是Y，X不等于Y。或者，目标电池的充电截止电压为V1，而参考电池的充电截止电压为V2，V1不等于V2。在参数不对齐的情况下，影响后续以目标电池的历史监测数据和参考电池的实验数据进行迁移学习的学习效果，从而影响训练出的评估模型的评估效果，容易导致SOH评估值与SOH真实值的误差大的问题。

基于此问题，在本申请实施例中，可以在训练前对前述的实验数据和历史监测数据进行参数的归一化对齐。作为示例，可以通过数据的线性变换对齐电池的参数。此处对于归一化对齐参数的实现方法不做限制。归一化对齐的参数可以包括但不限于：额定容量、充电截止电压和放电截止电压。

通过将目标电池的历史监测数据和参考电池的实验数据归一化对齐，使得参数归一化对齐后的目标电池的历史监测数据和参考电池的实验数据的数值在统一的衡量基准上，便于后续的截取操作和迁移学习操作。

S103：根据预设截取条件从参数归一化对齐后的实验数据中获得多个源域样本，根据预设截取条件从参数归一化对齐后的历史监测数据中获得目标域样本。

也就是说，在S103中以同一种截取条件分别截取参数归一化对齐后的实验数据和历史监测数据。截取的目的是保证目标电池和参考电池是在预设截取条件限制的相同区间内变化。

如果目标电池的历史监测数据包括目标电池在历史充电过程中的电流、电压、温度和时间；参考电池的实验数据包括参考电池的SOH和参考电池在充电过程中的电流、电压、温度和时间。作为一示例，预设截取条件具体是预设的电压范围。S103即是从参数归一化对齐后的实验数据中截取出SOH以及参考电池充电过程中预设电压范围内依照时序的电流、电压、温度和相对时间。作为另一示例，预设截取条件具体是预设的SOC范围。S103即是从参数归一化对齐后的历史监测数据中截取出目标电池充电过程中预设SOC范围内依照时序的电流、电压、温度和相对时间。

以相同的截取条件对两部分数据进行截取，使得训练出的评估模型能够根据预设截取条件对应的目标电池的监测数据后，输出与该区段的监测数据准确对应的SOH评估结果。

为了便于后续的迁移学习过程的描述，本申请实施例中将截取出的参考电池的数据作为源域样本，将截取出的目标电池的数据作为目标域样本。

S104：利用多个源域样本和目标域样本进行迁移学习，得到对目标电池的评估模型。

具体实现时，针对源域样本和目标域样本进行迁移学习的方法包括多种。作为一种可能的实现方式，通过深度学习提取多个源域样本的特征并提取目标域样本的特征。特征的提取可以通过AlexNet、VGGNet、GoogleNet或ResNet等，此处不做限定。提取到特征后，利用差异度量方法对多个源域样本的特征和目标域样本的特征进行边缘分布对齐和条件分布对齐；并且，利用损失函数进行特征的迁移学习，得到对目标电池的评估模型。

此处，对源域样本的特征和目标域样本的特征进行边缘分布对齐，不考虑SOH。而对源域样本的特征和目标域样本的特征进行条件分布对齐则是要在SOH取一定值时进行。差异度量方法包括最大均值差异(Maximum Mean Discrepancy,MMD)、A-distance或者KL散度(又叫相对熵，Kullback-Leibler divergence)、JS距离(Jensen-Shannon divergence)等，还可以利用生成对抗网络(Generative Adversarial Nets,GAN)实现，此处不设限。

以上即为本申请提供的评估模型建立方法。该方法首先获得参考电池的实验数据和目标电池的历史监测数据；参考电池的实验数据包括参考电池的健康状态SOH；其后将实验数据和历史监测数据进行参数归一化对齐；接着根据预设截取条件从参数归一化对齐后的实验数据中获得多个源域样本，根据预设截取条件从参数归一化对齐后的历史监测数据中获得目标域样本；利用多个源域样本和目标域样本进行迁移学习，得到对目标电池的评估模型。该方法通过无监督的方式实现多源迁移学习，在易于获得的参考电池实验数据和目标电池的监测数据的基础上获得对目标电池SOH的评估模型。通过该模型，不需将目标电池所在的车辆召回检测，节省了目标电池SOH的测量成本，实现较为准确的评估。

图2为本申请实施例提供的一种评估模型结构示意图。图3为本申请实施例提供的一种通过多个源域样本和目标域样本进行模型训练的示意图。如图2和图3所示，目标电池的评估模型包括：特征提取模型、异度量模型和多个SOH预测模型。其中，特征提取模型的输出作为差异度量模型及多个SOH预测模型的输入。

在图3的示例中，源域数量为N，SOH预测模型的数量也为N，SOH预测模型和源域一一对应。源域样本和目标域样本中，t表示时间，curr表示电流、volt表示电压，T表示温度。结合图3的示例，前文提到的迁移学习过程中，利用差异度量方法对多个源域样本的特征和目标域样本的特征进行边缘分布对齐和条件分布对齐，具体可以是：将多个源域样本中每个源域样本的特征分别与目标域样本的特征进行边缘分布对齐和条件分布对齐。例如，将源域1的样本的特征和目标域样本的特征进行边缘分布对齐和条件分布对齐，将源域2的样本的特征和目标域样本的特征进行边缘分布对齐和条件分布对齐，以此类推，逐步得到多个差异度量结果，构成差异损失值loss 0。需要说明的是，差异度量模型以差异度量方法进行特征分布对齐和特征条件分布对齐的过程，与训练各个SOH预测模型的过程是同步进行的。也就是说，一边通过差异度量模型进行特征的对齐，一边也在不断训练各个SOH预测模型。此外，差异度量模型也在被不断训练完善。

结合图3可知，每次以源域样本和目标域样本对图2所示的模型进行训练，均会得到损失值。其中包括SOH预测模型1的预测损失值loss 1、SOH预测模型2的预测损失值loss2、……、SOH预测模型N的预测损失值loss N。此外还包括差异度量模型的差异损失值loss0。训练中使用的损失函数为关于多个SOH预测模型中每个SOH预测模型的预测损失值和差异度量模型的差异损失值的函数。因此，能够结合差异损失值和各个SOH预测模型的预测损失值，得到损失函数计算后的值，再根据该值与预期值的差距确定是否继续训练或者停止训练。

在一种可能的实现方式中，N个源域分别对应一个不同的电池型号。即N个源域样本来自N个不同电池型号的参考电池。以多个源域样本和目标域样本进行无监督学习，汇集了多样化型号的参考电池的实验数据，以丰富型号的参考电池的实验数据作为数据基础提升了所训练的模型的准确性。

在以上是实施例提供的评估模型建立方法在当前电池SOH测量成本较高的情况下，能够以无监督迁移学习弥补无标签情况下基于深度学习的SOH标定。实现简单，评估效率高。以下结合实施例描述电池SOH的评估过程。

参见图4，该图为本申请实施例提供的一种电池健康状态评估方法的流程图。如图4所示，电池健康状态评估方法包括：

S401：获得目标电池的监测数据。

需要说明的是，此处，目标电池的型号与训练评估模型使用的目标域目标电池的型号一致。S401提及的监测数据的获取方式与S101提及的历史监测数据可以通过相同的方式获得。S401提及的监测数据的获取时间与历史监测数据的获取时间相比，获取时间较晚。例如，用2020年11月采集的历史监测数据建立评估模型，以2020年12月采集的监测数据作为训练好的评估模型的输入。

S402：根据预设截取条件从所述目标电池的监测数据中截取出所述预设截取条件对应的监测数据，作为评估模型的输入数据。

此处，预设截取条件与S103提及的预设截取条件一致。如此保证了模型的训练与使用相互匹配，避免训练出的评估模型与使用时输入至模型中的数据不相适应。

S403：将所述输入数据输入所述评估模型后，获得所述评估模型输出的所述目标电池的电池健康状态评估结果。

此处，所述评估模型为通过前述的评估模型建立方法建立得到的评估模型。输出的电池健康状态评估结果包括对目标电池的SOH的评估值。该评估值较准确地反映了目标电池真实的电池健康状态。从而模型输出的结果可以作为高准确度依据来评价和诊断电池。

在前述的评估模型建立方法基础上，相应地，本申请还提供了一种评估模型建立设备，包括处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于根据所述计算机程序执行如前述方法实施例所描述的评估模型建立方法。

在前述的电池健康状态评估方法基础上，相应地，本申请还提供了一种电池健康状态评估设备，包括处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于根据所述计算机程序执行如前述方法实施例所描述的电池健康状态评估方法。

基于前述实施例提供的方法和设备，相应地，本申请还提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器运行时执行如前述方法实施例描述的评估模型建立方法或者电池健康状态评估方法。

在本申请实施例中，通过无监督的方式实现多源迁移学习，在易于获得的参考电池实验数据和目标电池的监测数据的基础上获得对目标电池SOH的评估模型。通过该模型，不需将目标电池所在的车辆召回检测，节省了目标电池SOH的测量成本，实现较为准确的评估。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。