[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

本發明涉及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。本發明應用人工智能學習算法原理來處理海量采集的對象電池組實測參數，通過大數據建模及人工智能學習算法對模型的自動實時修正，能夠逐漸進化為較為全面的反映電池全周期壽命的智能模型，從而提高對蓄電池壽命的預測精度。本發明就是將人工智能學習算法應用于對象電池組海量數據的處理之中，構造電池壽命預測知識庫，并建立基本的建模規則和學習規則，通過大數據的訓練來不斷的完善蓄電池壽命預測模型，在應用中獲得較為精準的預測結果。

技術領域

本發明涉及一種電池使用壽命預測技術，尤其涉及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。

背景技術

傳統蓄電池壽命預測的方法，是通過壽命試驗獲取足夠數量的失效數據，基于統計規律預測其壽命。但隨著蓄電池壽命的不斷延長化，短時集中的壽命試驗獲取的失效數據越來越有限，很多情況下基于失效數據的壽命預測方法不再適用。

目前主流的基于電池性能的壽命預測則是在考慮影響電池老化的不同因素基礎上，研究用于評估電池性能的模型。依據所考慮影響因素的數據信息來源，主要分為基于數據驅動、基于機理和基于特征三類。其基本思路是通過各種實驗獲取數據，通過各種數學手段和工具建立模型、優化模型，應用模型來預測蓄電池壽命。

這些已有的蓄電池壽命預測的方法存在的不足點是：

由于實驗條件的限制，能夠獲取的蓄電池數據存在類型和數量的局限性，無論是基于統計規律還是基于性能模型，都不能全面反映蓄電池的全周期壽命特性，尤其在沒有數據修正的部分，預測值可能會與實際電池壽命產生較大的偏差，從而影響到基于壽命預測的各類決策。同時，預測模型建立后，模型的修正通常也需要人工來收集數據和校正，限制了模型的實時修正，不利于模型向實際最優值的進化。

發明內容

本發明要解決的技術問題是：現有的電池壽命預測方法預測偏差大、預測結果精度低。

為了解決上述技術問題，本發明的技術方案是提供了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；