CN115932634A - 一种对电池健康状态评估的方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种对电池健康状态评估的方法、装置、设备及存储介质。该方法包括：获取与待测电池对应的充放电数据，确定充放电数据中的第一充电数据，以及距离第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据；基于状态评估模型对第一充电数据进行处理，得到第一可用容量，基于第一可用容量和待测电池的额定容量确定第一评估属性；通过安时积分法对第二充放电数据进行处理，得到第二评估属性；基于第一评估属性和第二评估属性，确定目标评估结果。解决了通过安时积分法评估电池健康状态，存在评估准确性较低、且随着电池衰减，SOC‑OCV曲线偏移，导致后期评估结果误差增大等问题，实现提高对电池全生命周期的健康状态评估准确性的效果。

Description

一种对电池健康状态评估的方法、装置、设备及存储介质

技术领域

本发明涉及计算机处理技术领域，尤其涉及一种对电池健康状态评估的方法、装置、设备及存储介质。

背景技术

随着电动汽车市场的迅猛发展，锂离子动力电池的累计装机量也逐年增大，由此对电池的安全及寿命特性等性能提出了较高要求，如何对动力电池健康状态进行准确评估也成为了业界研究的热点。

目前对于电池健康状态评估方法通常是使用传统的安时积分估算法，根据某一充放电段内的充放电时间和电流估算电池的实际容量，进而估算健康状态，然而随着电池老化，会存在对电池后期的健康状态评估准确度降低的问题。

发明内容

本发明提供了一种对电池健康状态评估的方法、装置、设备及存储介质，以实现达到提高对电池全生命周期的健康状态评估准确性的技术效果。

根据本发明的一方面，提供了一种对电池健康状态评估的方法，该方法包括：

获取与待测电池相对应的充放电数据，并确定所述充放电数据中的第一充电数据，以及距离所述第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据；

基于预先训练得到的状态评估模型对所述第一充电数据进行处理，得到第一可用容量，并基于所述第一可用容量和所述待测电池的额定容量确定第一评估属性；

通过安时积分法对所述第二充放电数据进行处理，得到第二评估属性；

基于所述第一评估属性和所述第二评估属性，确定对所述待测电池健康状态评估的目标评估结果。

根据本发明的另一方面，提供了一种对电池健康状态评估的装置，该装置包括：

充放电数据获取模块，用于获取与待测电池相对应的充放电数据，并确定所述充放电数据中的第一充电数据，以及距离所述第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据；

第一评估属性确定模块，用于基于预先训练得到的状态评估模型对所述第一充电数据进行处理，得到第一可用容量，并基于所述第一可用容量和所述待测电池的额定容量确定第一评估属性；

第二评估属性确定模块，用于通过安时积分法对所述第二充放电数据进行处理，得到第二评估属性；

目标评估结果确定模块，用于基于所述第一评估属性和所述第二评估属性，确定对所述待测电池健康状态评估的目标评估结果。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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；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本发明任一实施例所述的对电池健康状态评估的方法。

根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的对电池健康状态评估的方法。

本发明实施例的技术方案，通过获取与待测电池相对应的充放电数据，并确定充放电数据中的第一充电数据，以及距离第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据，进而基于预先训练得到的状态评估模型对第一充电数据进行处理，得到第一可用容量，基于第一可用容量和待测电池的额定容量确定第一评估属性；通过安时积分法对第二充放电数据进行处理，得到第二评估属性；基于第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果，解决了现有技术中通过安时积分法评估电池健康状态，存在评估准确性较低、且随着电池衰减，SOC-OCV曲线偏移，导致后期评估结果误差增大等问题，实现了通过利用状态评估模型对电池充电末端的充电数据进行评估，得到第一评估属性，通过安时积分法对第二充放电数据进行处理，得到第二评估属性，进而结合第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果，在弥补了安时积分法后期评估准确度变低的问题的同时，达到提高对电池全生命周期的健康状态评估准确性的技术效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种对电池健康状态评估的方法的流程图；

图2是根据本发明实施例二所提供的状态评估模型的结构示意图；

图3是根据本发明实施例三提供的一种对电池健康状态评估的装置的结构示意图；

图4是实现本发明实施例的对电池健康状态评估的方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是根据本发明实施例一提供的一种对电池健康状态评估的方法的流程图，本实施例可适用于评估电池状态评估的情况，该方法可以由对电池健康状态评估的装置来执行，该对电池健康状态评估的装置可以采用硬件和/或软件的形式实现，该对电池健康状态评估的装置可配置于计算设备中。如图1所示，该方法包括：

S110、获取与待测电池相对应的充放电数据，并确定充放电数据中的第一充电数据，以及距离第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据。

其中，待测电池可以是指需要评估其健康状态(SOH，State Of Health)的电池，如实车锂电池、铅酸电池、镍氢电池等。待测电池可以部署在动力电车中，以为动力电车提供电能。充放电数据中的第一充电数据可作为后续模型的输入参量。充放电数据中的第二充放电数据可以为一段充电数据，也可以为一段放电数据。预设安时积分处理条件可以为预先配置的，检测第二充放电数据是否具备安时积分法处理的因素。

在本实施例中，可以在为待测电池充电的过程中，获取与待测电池对应的充放电数据，也可以预先将与待测电池充电对应的充放电数据存储至某个缓存位置，通过接口从缓存位置中调取充放电数据，此时充放电数据中可以包括多个时间段的充放电数据，可以基于充电时间和充电情况，确定一段时间内的充电数据，作为第一充电数据。进一步的，还可以提取出距离第一充电数据最近的且满足预设安时积分处理条件的充放电数据作为第二充放电数据。以基于第一充电数据和第二充放电数据评估测电池的健康状态。

可选的，预设安时积分处理条件包括下述至少一种：第二充放电数据对应的电流积分值大于预设权重值与待测电池额定容量之间的乘积值；在第二充放电数据中的起始电压所对应的第一充放电时刻之前的预设第二时长内充放电状态处于无电流静置状态；在第二充放电数据中的末尾电压所对应的第二充放电时刻之前的预设第二时长内充放电状态处于无电流静置状态。

其中，预设权重值的表示形式可以为小数、分数或百分数，例如可以为30％，也可以为35％。预设第二时长可以为1小时，也可以为1.5小时。预设权重值和预设第二时长的具体数值可以由技术人员根据实际工作情况进行确定。额定容量是指电池在额定工作条件下应该放出的最低限度电量，例如，可以为10Ah或28Ah，与待测电池的自身特性相关。

在本实施例中，可以将预设权重值与待测电池额定容量作乘积处理，得到乘积值。要求在充放电数据中选取的第二充放电数据的充放电段的电流积分大于该乘积值。同时，要求在充放电数据中选取的第二充放电数据中起始电压(OCV1)和末尾电压(OCV2)，这两个OCV需要无电流静置预设第二时长以上，即在这两个OCV所对应的充放电时刻之前的预设第二时长内需要无电流静置。可以将满足这三个条件筛选出的符合的充放电数据作为第二充放电数据，且第二充放电数据选取距离第一充电数据最近。

为了提高对电池健康状态评估的准确性，在确定充放电数据中的第一充电数据的过程中，可以确定充放电数据中待测电池处于充满电状态时的充电时刻；从充放电数据中获取充电时刻与距离充电时刻之前的预设第一时长内的第一充电数据。

其中，预设第一时长可以为100s，也可以为200s。

具体的，可以识别出充放电数据中最近的待测电池充至满电状态时的充电时刻，并提取位于充电时刻之前的预设第一时长内的充电数据作为第一充电数据。示例性的，可以通过调取待测电池的历史充放电数据，识别最近的充至满电的数据，并提取充电截止电压前一段时间(即预设第一时长，如30-600s)的充电电压、电流、温度等数据，作为第一充电数据，并调取距离第一充电数据最近且满足预设安时积分处理条件的第二充放电数据。

S120、基于预先训练得到的状态评估模型对第一充电数据进行处理，得到第一可用容量，并基于第一可用容量和待测电池的额定容量确定第一评估属性。

其中，第一充电数据中包括第一充电电压、第一充电电流和充电环境的第一温度中至少一项。状态评估模型可以为预先确定的、用于评估电池的健康状态的模型，如，可以为神经网络模型，比如前馈(Back Propagation，BP)神经网络、支持向量机(SupportVector Machine，SVM)、相关向量机(Relevance Vector Machine，RVM)或高斯过程回归(Gaussian Process Regression，GPR)等。第一评估属性可以用于表征待测电池的健康状态，如可以用百分比、小数、分数等形式进行表示。

在本实施例中，可以将第一充电数据输入至状态评估模型，经状态评估模型处理，得到待测电池可以被外部使用的电池容量，作为第一可用容量。也就是说，可以将第一充电数据作为状态评估模型的输入，得到第一可用容量。进一步的，可以将第一可用容量和待测电池的额定容量作商处理，得到商值，作为第一评估属性。

为了提高模型评估的准确性，可以通过获取电池在各种不同的充电工况下的充电数据对状态评估模型进行训练。在训练得到状态评估模型之前，首先可以确定训练状态评估模型所需的训练样本，以基于训练样本训练得到状态评估模型。具体来说，训练样本的确定方式可以是：获取被测电池在多个充电工况下的历史充电数据；基于各第三充电数据中的第三充电电压、第三充电电流和第三温度以及对应的第三可用容量，确定训练状态评估模型的训练样本。

其中，被测电池可以为需要进行充电测试的电池。历史充电数据中包括多个充放电周期所对应的第三充电数据。第三充电数据包括第三充电电压、第三充电电流、充电环境的第三温度和第三可用容量中至少一项。充放电周期可以为数据采集周期，如，10s，或20s。

需要说明的是，为了使得到的状态评估模型存在较高的准确度，可以尽可能多而丰富的获取训练样本，从而得到训练后的状态评估模型。

在实际应用中，可以通过模拟不同的充电情况对被测电池进行充放电，获取被测电池在多个充电工况下的历史充电数据，如可以通过调节充电电压、电流、功率或温度等为电池进行充电，并在充电过程中，采集容量、电压、电流、功率、温度等数据，得到各种充电工况下的充电数据，作为历史充电数据。示例性的，在选定被测电池之后，对被测电池分别进行0.2C、0.5C、1C、2C电流和10℃、25℃、40℃温度下的循环老化充电工况的充电测试，充电工况取点的充放电周期设定为10s，即每隔10s采集一次充电数据(包括电流、电压、温度、容量等数据)，得到在不同电流、温度工况的充电数据，相应的得到多个充放电周期所对应的第三充电数据。还可以基于各种充电工况下的充电数据构建电池老化实验数据库，以基于实验数据库中的历史充电数据确定训练状态评估模型的训练样本。具体的，可以将第三充电数据中的第三充电电压、第三充电电流、充电环境的第三温度等作为输入样本，将相应的第三可用容量作为该输入样本对应的输出标签，可以将输入样本和对应的输出标签作为一个训练样本，相应的，得到多个训练样本，以基于训练样本训练得到状态评估模型。

示例性的，在选定状态评估模型(可为BP神经网络、支持向量机SVM、相关向量机RVM或高斯过程回归GPR方法中的一种)之后，可以建立符合状态评估模型格式的数据集，通过matlab程序提取不同充电工况下每一充放电周期的充电截止电压前一段时间(30-600s)的电流、电压、温度等数据，建立的输入特征参量矩阵，提取每一充放电周期的容量数据，建立输出标签矩阵，可以将输入特征参量矩阵作为状态评估模型的输入，将输出标签矩阵作为状态评估模型的输出，训练得到状态评估模型。

在本实施例中，训练得到状态评估模型的实现方式可以是：对于各训练样本，将当前训练样本的第三充电数据中的第三充电电压、第三充电电流和第三温度输入至状态评估模型中，得到评估可用容量；基于评估可用容量和当前训练样本的第三充电数据中的第三可用容量，确定损失值，以基于损失值对状态评估模型中的模型参数进行修正；将状态评估模型中的损失函数收敛作为训练目标，得到状态评估模型。

需要说明的是，当需要确定每个训练样本相对应的评估可用容量时，可以将确定任一训练样本数据的评估可用容量作为确定当前训练样本的评估可用容量进行处理，也就是说，可以以对其中一个训练样本作为当前训练样本进行说明。需要被训练的状态评估模型可以为BP神经网络、支持向量机SVM、相关向量机RVM或高斯过程回归GPR方法中的一种。待被训练的状态评估模型的模型参数可以为默认值。可以基于每个训练样本对待被训练的状态评估模型进行训练，以得到训练好的状态评估模型。损失值是指评估可用容量与理论的第三可用容量之间的误差。训练目标是指模型训练以达到预设损失函数收敛为目标。

需要说明的是，由于待被训练的状态评估模型的模型参数为初始值，或者是未完成修正完成的参数，因此此时得到的评估可用容量是不准确的，相应的，评估可用容量与训练样本中的第三可用容量是存在一定差异的。

在本实施例中，可以将当前训练样本的第三充电数据中的第三充电电压、第三充电电流和第三温度输入待训练的状态评估模型中，得到当前训练样本相对应的评估可用容量，可以将当前输出的评估可用容量与该第三充电数据中的第三充电电压进行比较，计算出相似误差值，即损失值，例如，可以采用误差评价方法计算评估可用容量和第三可用容量的误差值，误差包括平均绝对百分比误差(MAPE)和均方根误差(RMSE)，可以将两项作为模型的评估指标，进而可以基于损失值调整模型中的模型参数。可以将损失函数的训练误差，即损失参数作为检测损失函数当前是否达到收敛的条件，比如训练误差是否小于预设误差或误差变化趋势是否趋于稳定，或者当前的迭代次数是否等于预设次数。若检测达到收敛条件，比如损失函数的训练误差达到小于预设误差或误差变化趋于稳定，表明待训练的状态评估模型训练完成，此时可以停止迭代训练。若检测到当前未达到收敛条件，可以进一步获取训练样本对待训练的状态评估模型进行训练，直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时，可以将待训练的状态评估模型作为最终训练得到的状态评估模型。

示例性的，以BP神经网络作为状态评估模型进行实例说明，可以基于电流、电压、温度等数据建立输入特征参量矩阵，基于容量数据建立输出标签矩阵。BP神经网络可以由输入层、隐含层以及输出层构成，可以将输入特征参量矩阵作为输入参数从输入层传入，经隐含层逐层处理后，传向输出层，得到估测容量Y。以Y与期望输出容量S的误差信号作为信息，将该信息通过隐含层向输入层逐层反传，从而修正各单元权值,直到满足收敛条件为止，完成状态评估模型的训练，状态评估模型的结构示意图可以参见图2，X_i为输入层第i个节点的输入参量；ω_ij为输入层第i个节点到隐藏层第j个节点间的权重系数；θ_j隐藏层j节点处的阈值；ω_jk为隐藏层第j个节点到输出层第k个节点的权重系数；θ_k输出层k节点处阈值；S为期望输出；Y为预估输出。i为输入层节点数，j为隐藏层节点数，k为输出层节点数，隐含层激活函数F1选择tansig函数，输出层的激活函数F2选择purelin函数，损失函数选择MSE。

S130、通过安时积分法对第二充放电数据进行处理，得到第二评估属性。

其中，安时积分法可以通过电池在进行充电或放电时累积充进或放出的电量估算出电池的SOC(State-of-Charge)，SOC是指电池剩余电量的状态。

在本实施例中，可以将第二充放电数据作为安时积分法函数的入参，得到相应的SOH值，作为第二评估属性。具体的，可以通过安时积分法对第二充放电数据中的电流数据进行积分处理，计算待测电池的第二可用容量，计算公式可以为：

其中，C_t为待测电池的第二可用容量，t为充满电时间，I_t为充电电流数据。进一步的，可以根据第二充放电数据中的起始充放电时刻和结束充放电时刻的电压(OCV)和SOC-OCV曲线确定SOC1和SOC2，进而基于SOC1、SOC2和第二可用容量，得到第二评估属性，如第二评估属性

C₀为待测电池的额定容量。

S140、基于第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果。

在本实施例中，在确定第一评估属性和第二评估属性之后，可以综合第一评估属性和第二评估属性，确定最终的可以表征待测电池健康状态的评估属性作为目标评估结果，例如，可以对第一评估属性和第二评估属性求和平均，或加权平均处理，将均值作为目标评估结果。

需要说明的是，如果第一评估属性和第二评估属性之间相差较小，那么可以认为此次评估的准确性较高，如果第一评估属性和第二评估属性之间相差较大，那么可以认为此次评估的准确性较低。为了提高对待测电池健康状态评估的准确性，在基于第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果时，可以基于第一评估属性和第二评估属性之间的差值，均衡第一评估属性和第二评估属性的权重，以得到最终的目标评估结果。

可选的，基于第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果，包括：基于第一评估属性和第二评估属性之间的评估误差，确定与评估误差相对应的修正参数；基于第一评估属性、第二评估属性和修正参数，确定目标评估结果。

在本实施例中，可以将第一评估属性和第二评估属性进行比对，得到两者之间的差值，可以将差值作为评估误差，进一步的，可以基于评估误差，调取与评估误差相对应的修正参数。例如，如果评估误差在第一预设区间范围内，那么修正参数可以取值为A1，如果评估误差在第二预设区间范围内，那修正参数可以取值为A2。可以基于修正参数，结合第一评估属性、第二评估属性，确定目标评估结果。

需要说明的是，为了提高状态评估的准确性和快捷性，可以对由状态评估模型对电池健康状态评估出的评估属性值(记为SOH1)以及由安时积分法计算出的评估属性值(记为SOH2)之间的评估误差进行细划分，评估误差所属的不同范围区间可以对应不同的修正参数，预先配置评估误差与相应的修正参数之间的查询表。例如，如果SOH2＜SOH1，修正参数n可以取0-0.2间某值；如果SOH2-SOH1＞0％且SOH2-SOH1≤2％，修正参数n可以取0.4-0.6间某值；如果SOH2-SOH1＞2％且SOH2-SOH1≤5％，修正参数n可以取0.5-0.7间某值；如果SOH2-SOH1＞5％且SOH2-SOH1≤10％，修正参数n可以取0.7-0.9间某值；如果SOH2-SOH1＞10％，需重新选择其它周次历史充放电数据，并重新确定第一充电数据，以及距离第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据，以使状态评估模型和安时积分法评估重新基于数据进行评估计算，如两次评估属性之间的评估误差仍均相差10％以上，需进行车辆电池具体安全检测。示例性的，查询表如下表1所示：

表1

可选的，基于第一评估属性、第二评估属性和修正参数，确定目标评估结果的实现方式可以是：基于第一评估属性和修正参数确定第一中间值；确定预设数值与修正参数之间的差值，并基于差值和第二评估属性，确定第二中间值；基于第一中间值和第二中间值，确定目标评估结果。

其中，预设数值可以为1。

具体的，可以将修正参数作为第一评估属性的权重值，将第一评估属性和修正参数作乘积处理，将积值作为第一中间值。可以将预设数值与修正参数作差，得到差值，此时可以将差值作为第二评估属性的权重值，可以将差值和第二评估属作乘积处理，将积值作为第二中间值。进一步的，可以将第一中间值和第二中间值相加，得到和值作为目标评估结果。

示例性的，计算目标评估结果的公式可以为：SOH3＝n*SOH1+(1-n)*SOH2，其中，SOH3表示对待测电池健康状态评估的目标评估结果，SOH1表示第一评估属性，SOH2表示第二评估属性，n表示修正参数。

需要说明的是，上述S120至S130可以顺序执行，也可以并行执行，具体的执行顺序不做限定，上述顺序只是对各步骤中技术方案进行解释的顺序，不是各步骤的执行顺序。

本实施例的技术方案，通过获取与待测电池相对应的充放电数据，并确定充放电数据中的第一充电数据，以及距离第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据，进而基于预先训练得到的状态评估模型对第一充电数据进行处理，得到第一可用容量，基于第一可用容量和待测电池的额定容量确定第一评估属性；通过安时积分法对第二充放电数据进行处理，得到第二评估属性；基于第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果，解决了现有技术中通过安时积分法评估电池健康状态，存在评估准确性较低、且随着电池衰减，SOC-OCV曲线偏移，导致后期评估结果误差增大等问题，实现了通过利用状态评估模型对电池充电末端的充电数据进行评估，得到第一评估属性，通过安时积分法对第二充放电数据进行处理，得到第二评估属性，进而结合第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果，弥补了安时积分法后期评估准确度变低的问题的同时，达到提高对电池全生命周期的健康状态评估准确性的技术效果。

实施例三

作为上述实施例的一可选实施例，为了使本领域技术人员进一步清楚本发明实施例的技术方案，给出具体的应用场景实例。具体的，可以参见下述具体内容。

在实际应用中，通过分析客户行驶工况发现，不同地区不同习惯造成的运行工况差别极大，发现不同老化状态下充电末期电压变化有较大的差别，且受温度影响，可以此段的电压、电流、温度数据作为状态评估模型的输入参量，输出参量为容量，训练得到状态评估模型，提高健康状态评估的准确性。在训练得到状态评估模型之前，可以建立不同电流、温度充电工况的电池老化实验数据库，建立实验数据库的方法可以是：选定待测电池，对被测电池分别进行0.2C、0.5C、1C、2C电流和10℃、25℃、40℃温度下的循环老化充电工况的充电测试，充电工况取点的充放电周期设定为10s，即每隔10s采集一次充电数据(包括电流、电压、温度、容量等数据)，得到在不同电流、温度工况的充电数据。提取符合实际电池管理系统监测的数据，选定规律性出现的充电末端电压、电流及温度作为基于数据驱动的状态评估模型的输入参量，以基于输入参量训练得到状态评估模型。建立状态评估模型的方法可以是：首先选定状态评估模型(可为BP神经网络、支持向量机SVM、相关向量机RVM或高斯过程回归GPR方法中的一种)；其次建立符合模型格式的数据集(即训练样本)，可通过matlab程序提取不同充电工况下每一充放电周期的充电截止电压前一段时间(30-600s)的电流、电压、温度等数据，建立的输入特征参量矩阵，提取每一充放电周期的容量数据，建立输出标签矩阵，可以将输入特征参量矩阵作为状态评估模型的输入，将输出标签矩阵作为状态评估模型的输出，最后设定模型基本参数，采用误差评价方法计算评估结果的误差，基于误差评价评估效果。根据评估效果，调整模型参数，直到评估误差达到预设要求，训练得到状态评估模型。误差计算方法可包括平均绝对百分比误差(MAPE)和均方根误差(RMSE)，平均绝对百分比误差的计算公式如公式(1)所示，均方根误差的计算公式如公式(2)所示：

其中，N表示训练样本数量，Y(n)表示状态评估模型输出的评估可用容量，S(n)表示理论输出的第三充电电压。

在实车应用中，可调取实车充电数据，识别最近的充至满电数据并提取充电截止前一段时间(如30-600s)的电流、电压、温度等数据，将电流、电压、温度数据输入状态评估模型，进而基于状态评估模型得出SOH1(即第一评估属性)；调取离充电截止前一段时间最近的历史数据，根据OCV-SOC曲线查表获得SOC，并计算累计充放容量估算电芯的实际容量(即第二可用容量)，进而基于第二可用容量估算出SOH2(即第二评估属性)。可以基于查询表对两种方法得出第一评估属性和第二评估属性之间评估误差相对应的修正参数，基于第一评估属性、第二评估属性和修正参数得到最终修正后的结果SOH3(即目标评估结果)，计算目标评估结果的公式可以为：SOH3＝n*SOH1+(1-n)*SOH2，其中，n表示修正参数。

在上述技术方案的基础上，示例性的，以BP神经网络作为状态评估模型进行实例说明，可以基于电流、电压、温度等数据建立输入特征参量矩阵，基于容量数据建立输出标签矩阵。BP神经网络可以由输入层、隐含层以及输出层构成，可以将输入特征参量矩阵作为输入参数从输入层传入，经隐含层逐层处理后，传向输出层，得到估测容量Y。以Y与期望输出容量S的误差信号作为信息，将该信息通过隐含层向输入层逐层反传，从而修正各单元权值,直到满足收敛条件为止，完成状态评估模型的训练。状态评估模型的结构示意图可以参见图2，X_i为输入层第i个节点的输入参量；ω_ij为输入层第i个节点到隐藏层第j个节点间的权重系数；θ_j隐藏层j节点处的阈值；ω_jk为隐藏层第j个节点到输出层第k个节点的权重系数；θ_k输出层k节点处阈值；S为期望输出；Y为预估输出。i为输入层节点数，j为隐藏层节点数，k为输出层节点数，隐含层激活函数F1选择tansig函数，输出层的激活函数F2选择purelin函数，损失函数选择MSE。

本发明实施例所提供的技术方案中通过采用符合实车数据类型及颗粒度的参数类型建立并训练状态评估模型，状态评估模型的输入参量可在实车应用中获取，具有可行性。同时将状态评估模型与安时积分法相结合，弥补了安时积分法后期评估准确度变低的问题，同时避免了状态评估模型存在的个别数据误差引起的结果畸变问题，提升电池全生命周期的健康状态评估准确度，实现在实际应用中无需额外的测试，评估方法操作简单、便捷，不存在测试周期、测试成本问题，电池系统硬件计算需求低、实车应用性高。

本实施例的技术方案，通过获取与待测电池相对应的充放电数据，并确定充放电数据中的第一充电数据，以及距离第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据，进而基于预先训练得到的状态评估模型对第一充电数据进行处理，得到第一可用容量，基于第一可用容量和待测电池的额定容量确定第一评估属性；通过安时积分法对第二充放电数据进行处理，得到第二评估属性；基于第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果，解决了现有技术中通过安时积分法评估电池健康状态，存在评估准确性较低、且随着电池衰减，SOC-OCV曲线偏移，导致后期评估结果误差增大等问题，实现了通过利用状态评估模型对电池充电末端的充电数据进行评估，得到第一评估属性，通过安时积分法对第二充放电数据进行处理，得到第二评估属性，进而结合第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果，弥补了安时积分法后期评估准确度变低的问题的同时，达到提高对电池全生命周期的健康状态评估准确性的技术效果。

实施例三

图3是根据本发明实施例三提供的一种对电池健康状态评估的装置的结构示意图。如图3所示，该装置包括：充放电数据获取模块310、第一评估属性确定模块320、第二评估属性确定模块330和目标评估结果确定模块340。

其中，充放电数据获取模块310，用于获取与待测电池相对应的充放电数据，并确定所述充放电数据中的第一充电数据，以及距离所述第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据；第一评估属性确定模块320，用于基于预先训练得到的状态评估模型对所述第一充电数据进行处理，得到第一可用容量，并基于所述第一可用容量和所述待测电池的额定容量确定第一评估属性；第二评估属性确定模块330，用于通过安时积分法对所述第二充放电数据进行处理，得到第二评估属性；目标评估结果确定模块340，用于基于所述第一评估属性和所述第二评估属性，确定对所述待测电池健康状态评估的目标评估结果。

本实施例的技术方案，通过获取与待测电池相对应的充放电数据，并确定充放电数据中的第一充电数据，以及距离第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据，进而基于预先训练得到的状态评估模型对第一充电数据进行处理，得到第一可用容量，基于第一可用容量和待测电池的额定容量确定第一评估属性；通过安时积分法对第二充放电数据进行处理，得到第二评估属性；基于第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果，解决了现有技术中通过安时积分法评估电池健康状态，存在评估准确性较低、且随着电池衰减，SOC-OCV曲线偏移，导致后期评估结果误差增大等问题，实现了通过利用状态评估模型对电池充电末端的充电数据进行评估，得到第一评估属性，通过安时积分法对第二充放电数据进行处理，得到第二评估属性，进而结合第一评估属性和第二评估属性，确定对待测电池健康状态评估的目标评估结果，弥补了安时积分法后期评估准确度变低的问题的同时，达到提高对电池全生命周期的健康状态评估准确性的技术效果。

在上述装置的基础上，可选的，充放电数据获取模块310，包括：充电时刻确定单元和第一充电数据确定单元。

充电时刻确定单元，用于确定所述充放电数据中所述待测电池处于充满电状态时的充电时刻；

第一充电数据确定单元，用于从所述充放电数据中获取所述充电时刻与距离所述充电时刻之前的预设第一时长内的第一充电数据。

在上述装置的基础上，可选的，所述预设安时积分处理条件包括下述至少一种：

第二充放电数据对应的电流积分值大于预设权重值与所述待测电池额定容量之间的乘积值；

在第二充放电数据中的起始电压所对应的第一充放电时刻之前的预设第二时长内充放电状态处于无电流静置状态；

在第二充放电数据中的末尾电压所对应的第二充放电时刻之前的所述预设第二时长内充放电状态处于无电流静置状态。

在上述装置的基础上，可选的，第一评估属性确定模块320，具体用于将所述第一充电数据作为所述状态评估模型的输入，得到所述第一可用容量；其中，所述第一充电数据中包括第一充电电压、第一充电电流和充电环境的第一温度中至少一项。

在上述装置的基础上，可选的，所述目标评估结果确定模块340，包括修正参数确定单元和目标评估结果确定单元。

修正参数确定单元，用于基于所述第一评估属性和所述第二评估属性之间的评估误差，确定与所述评估误差相对应的修正参数；

目标评估结果确定单元，用于基于所述第一评估属性、所述第二评估属性和所述修正参数，确定所述目标评估结果。

在上述装置的基础上，可选的，所述目标评估结果确定单元，包括第一中间值确定子单元和第二中间值确定子单元。

第一中间值确定子单元，用于基于所述第一评估属性和所述修正参数确定第一中间值；

第二中间值确定子单元，用于确定预设数值与所述修正参数之间的差值，并基于所述差值和所述第二评估属性，确定第二中间值；

目标评估结果确定子单元，用于基于所述第一中间值和所述第二中间值，确定所述目标评估结果。

在上述装置的基础上，可选的，所述装置还包括训练样本确定模块，所述训练样本确定模块，包括历史充电数据确定单元和训练样本确定单元。

历史充电数据确定单元，用于获取被测电池在多个充电工况下的历史充电数据；其中，所述历史充电数据中包括多个充放电周期所对应的第三充电数据，所述第三充电数据包括第三充电电压、第三充电电流、充电环境的第三温度和第三可用容量中至少一项；

训练样本确定单元，用于基于各第三充电数据中的第三充电电压、第三充电电流和第三温度以及对应的第三可用容量，确定训练所述状态评估模型的训练样本。

在上述装置的基础上，可选的，所述装置还包括模型训练模块，所述模型训练模块，包括评估可用容量确定单元、损失值确定单元和模型训练单元。

评估可用容量确定单元，用于对于各训练样本，将当前训练样本的第三充电数据中的第三充电电压、第三充电电流和第三温度输入至所述状态评估模型中，得到评估可用容量；

损失值确定单元，用于基于所述评估可用容量和所述当前训练样本的第三充电数据中的第三可用容量，确定损失值，以基于所述损失值对所述状态评估模型中的模型参数进行修正；

模型训练单元，用于将所述状态评估模型中的损失函数收敛作为训练目标，得到所述状态评估模型。

本发明实施例所提供的对电池健康状态评估的装置可执行本发明任意实施例所提供的对电池健康状态评估的方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是实现本发明实施例的对电池健康状态评估的方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如对电池健康状态评估的方法。

在一些实施例中，对电池健康状态评估的方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的对电池健康状态评估的方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对电池健康状态评估的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种对电池健康状态评估的方法，其特征在于，包括：

获取与待测电池相对应的充放电数据，并确定所述充放电数据中的第一充电数据，以及距离所述第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据；

基于预先训练得到的状态评估模型对所述第一充电数据进行处理，得到第一可用容量，并基于所述第一可用容量和所述待测电池的额定容量确定第一评估属性；

通过安时积分法对所述第二充放电数据进行处理，得到第二评估属性；

基于所述第一评估属性和所述第二评估属性，确定对所述待测电池健康状态评估的目标评估结果。

2.根据权利要求1所述的方法，其特征在于，所述确定所述充放电数据中的第一充电数据，包括：

确定所述充放电数据中所述待测电池处于充满电状态时的充电时刻；

从所述充放电数据中获取所述充电时刻与距离所述充电时刻之前的预设第一时长内的第一充电数据。

3.根据权利要求1所述的方法，其特征在于，所述预设安时积分处理条件包括下述至少一种：

第二充放电数据对应的电流积分值大于预设权重值与所述待测电池额定容量之间的乘积值；

在第二充放电数据中的起始电压所对应的第一充放电时刻之前的预设第二时长内充放电状态处于无电流静置状态；

在第二充放电数据中的末尾电压所对应的第二充放电时刻之前的所述预设第二时长内充放电状态处于无电流静置状态。

4.根据权利要求1所述的方法，其特征在于，所述基于预先训练得到的状态评估模型对第一充电数据进行处理，得到第一可用容量，包括：

将所述第一充电数据作为所述状态评估模型的输入，得到所述第一可用容量；其中，所述第一充电数据中包括第一充电电压、第一充电电流和充电环境的第一温度中至少一项。

5.根据权利要求1所述的方法，其特征在于，所述基于所述第一评估属性和所述第二评估属性，确定对所述待测电池健康状态评估的目标评估结果，包括：

基于所述第一评估属性和所述第二评估属性之间的评估误差，确定与所述评估误差相对应的修正参数；

基于所述第一评估属性、所述第二评估属性和所述修正参数，确定所述目标评估结果。

6.根据权利要求5所述的方法，其特征在于，所述基于所述第一评估属性、所述第二评估属性和所述修正参数，确定所述目标评估结果，包括：

基于所述第一评估属性和所述修正参数确定第一中间值；

确定预设数值与所述修正参数之间的差值，并基于所述差值和所述第二评估属性，确定第二中间值；

基于所述第一中间值和所述第二中间值，确定所述目标评估结果。

7.根据权利要求1所述的方法，其特征在于，还包括：

获取被测电池在多个充电工况下的历史充电数据；其中，所述历史充电数据中包括多个充放电周期所对应的第三充电数据，所述第三充电数据包括第三充电电压、第三充电电流、充电环境的第三温度和第三可用容量中至少一项；

基于各第三充电数据中的第三充电电压、第三充电电流和第三温度以及对应的第三可用容量，确定训练所述状态评估模型的训练样本。

8.根据权利要求7所述的方法，其特征在于，还包括：

对于各训练样本，将当前训练样本的第三充电数据中的第三充电电压、第三充电电流和第三温度输入至所述状态评估模型中，得到评估可用容量；

基于所述评估可用容量和所述当前训练样本的第三充电数据中的第三可用容量，确定损失值，以基于所述损失值对所述状态评估模型中的模型参数进行修正；

将所述状态评估模型中的损失函数收敛作为训练目标，得到所述状态评估模型。

9.一种对电池健康状态评估的装置，其特征在于，包括：

充放电数据获取模块，用于获取与待测电池相对应的充放电数据，并确定所述充放电数据中的第一充电数据，以及距离所述第一充电数据最近的且满足预设安时积分处理条件的第二充放电数据；

第一评估属性确定模块，用于基于预先训练得到的状态评估模型对所述第一充电数据进行处理，得到第一可用容量，并基于所述第一可用容量和所述待测电池的额定容量确定第一评估属性；

第二评估属性确定模块，用于通过安时积分法对所述第二充放电数据进行处理，得到第二评估属性；

目标评估结果确定模块，用于基于所述第一评估属性和所述第二评估属性，确定对所述待测电池健康状态评估的目标评估结果。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的对电池健康状态评估的方法。

Images