[發明專利]基于實測大數據和人工智能學習算法的電池壽命預測方法

有效

• 申請號: 202010770225.0
• 申請日: 2020-08-04
• 公開（公告）號: CN111948561B
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 高新華
• 申請（專利權）人: 上海安趨信息科技有限公司
• 主分類號: G01R31/392
• 分類號: G01R31/392;G01R31/396;G01R31/3842;G06K9/62
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 吳寶根;徐俊

1.一種基于實測大數據和人工智能學習算法的電池壽命預測方法，其特征在于，包括以下步驟：

第一步，獲取電池組實時測量數據：

將每個電池組數據采集裝置與對應的各個運行中的對象電池組相連接，每個電池組數據采集裝置實時采集與其相對應的對象電池組的電池組實時測量數據；

第二步，存儲電池數據信息：

每個電池組數據采集裝置將各自采集的電池組實時測量數據通過通信模塊發送至云服務器，建立電池壽命預測知識庫；

第三步，數據去噪：

提取云服務器內電池壽命預測知識庫存儲的n組電池組實時測量數據，進行篩選去除干擾值；

第四步，對經過第三步篩選出的m組電池組實時測量數據進行分類：

根據要求分析對象電池組確定提取所需要的參數并對提取的參數進行歸類，依據產品生命周期的不同階段，計算出每組電池組實時測量數據所代表的電池組是處于產品生命周期的具體哪一個階段，從而將每組電池組實時測量數據分為不同的類別；

第五步，數據預處理，建立電池壽命模型：

根據第四步獲得的歸類結果，對電池組總體環境溫度、電池組總電壓、電池組總電流以及電池組中每節電池的電壓因素進行初步的電池壽命分析，建立電池壽命模型；

第六步，對電池壽命模型進行分類：

基于人工智能學習算法修正電池壽命模型而搭建電池壽命模型的基本分類規則并分類，以適用于電池全生命周期各個階段的電池壽命模型修正，從而獲得與電池全生命周期不同階段相對應的不同類型的電池壽命模型；

第七步，通過設備基本參數匹配分析出運用哪一種類型的壽命模型，通過與電池壽命預測知識庫匹配，結合當前類型的電池壽命模型尋找相關的優化參數對象，給出相應的目標值計算方案；

第八步，綜合分析參數目標對象，進行智能學習計算，采用最優求解算法通過對最優計算方案求解，計算出電池壽命模型的最優參數。

2.如權利要求1所述的一種基于實測大數據和人工智能學習算法的電池壽命預測方法，其特征在于，第一步中，所述電池組實時測量數據包括電池組總體環境溫度、電池組總電壓、電池組總電流、電池組中每節電池的電壓、電池組放電時間、電池組充電時間。

3.如權利要求1所述的一種基于實測大數據和人工智能學習算法的電池壽命預測方法，其特征在于，第三步中，進行篩選去除干擾值時，采用小波閾值法去除高頻噪音數據。

4.如權利要求1所述的一種基于實測大數據和人工智能學習算法的電池壽命預測方法，其特征在于，第四步中，將產品生命周期分為三段，分別為：壽命初期、壽命穩定期及壽命磨損期，使用貝葉斯算法，計算出每組電池組實時測量數據所代表的電池組是處于產品生命周期的哪一個階段。

5.如權利要求1所述的一種基于實測大數據和人工智能學習算法的電池壽命預測方法，其特征在于，第八步中，最優求解算法采用學習算法中的隨機梯度下降算法，即標準的梯度下降算法更新目標函數J(θ)中的參數θ的結果如下式(1)所示：

式(1)中，α表示步長，用于控制參數θ每次向目標函數J(θ)變小的方向迭代時的變化幅度；θ_j表示第j次迭代的參數θ；期望值E[J(θ)]是通過整個訓練集進行估計的，而隨機梯度下降算法(SGD)在更新和計算參數θ梯度時，使用單個或者少量訓練樣本來估計期望值E[J(θ)]，新的更新公式定義如下式(2)所示：

式(2)中，x(i)，y(i)是訓練集中的一個隨機樣本，i是訓練集中隨機值；是目標函數J(θ)對參數θ的偏導，表示θ_j變化最大的方向。

6.如權利要求1所述的一種基于實測大數據和人工智能學習算法的電池壽命預測方法，其特征在于，第八步之后還包括以下步驟：

針對已確立的電池壽命模型，進行仿真評估和對規則庫更新過程，通過仿真評估判斷電池壽命模型的準確度，并分析其偏離原因。

7.如權利要求6所述的一種基于實測大數據和人工智能學習算法的電池壽命預測方法，其特征在于，規則庫更新過程是根據仿真評估的結果和偏離原因的分析，系統自動修正第六步中的基本分類規則，并將新規則存入規則庫中，完成基本分類規則的更新和智能進化；

仿真評估模型的準確度是通過與測試樣本的對比來進行分析的，選用準確度最高的電池壽命模型進行實際的預測應用；

偏離原因中的偏離要素取決于初始建立的電池壽命模型及規則分類。