基于大数据的电池健康度评价方法、装置、电子设备与流程
本技术涉及电动汽车,尤其是涉及一种基于大数据的电池健康度评价方法、装置、电子设备。
背景技术:
1、目前,在电动汽车及储能系统的电池管理领域中,电池健康度(state of health,soh)的准确评价是保障系统安全运行与全生命周期价值评估的关键。现有的电池健康度评价方法通常采用单一维度的评估模型或简单的多源数据线性融合策略。然而,在实际运行过程中,电池处于复杂多变的工况环境下,其老化过程受到充放电习惯、环境温度、自放电特性等多种因素的交叉耦合影响。现有方案往往难以有效区分不同类别影响因素的独立作用,容易因单一维度数据的波动或异常而导致整体评估结果失准;同时,现有技术缺乏对多源因素时序演变特征的深度挖掘,难以量化解耦本征老化因素与外部工况因素对电池健康度变化的动态权重,导致无法精准预测电池健康度的未来演变趋势,进而影响了电池运维策略制定的科学性与前瞻性。
技术实现思路
1、本技术提供一种基于大数据的电池健康度评价方法、装置、电子设备,以解决上述问题。
2、第一方面,本技术提供一种基于大数据的电池健康度评价方法。
3、获取影响电池健康度的多个影响因素,并将所述多个影响因素划分为第一影响因素子集和第二影响因素子集;
4、基于所述第一影响因素子集对应的第一因素数据确定第一电池健康度,并基于所述第二影响因素子集对应的第二因素数据确定第二电池健康度;
5、基于所述第一电池健康度与所述第二电池健康度之间的匹配度确定目标融合策略,并基于所述目标融合策略进行融合得到综合电池健康度;
6、构建包含所述综合电池健康度、所述多个影响因素以及时间维度的多维时序特征矩阵;
7、基于所述多维时序特征矩阵中的特征向量相似度进行聚类处理,解耦不同类别影响因素的时序影响权重,并基于解耦后的时序影响权重和预训练的预测模型确定电池健康度预测结果。
8、可选的,所述基于所述第一电池健康度与所述第二电池健康度之间的匹配度确定目标融合策略,并基于所述目标融合策略进行融合得到综合电池健康度,包括:
9、判断所述匹配度是否低于预设匹配阈值;
10、若所述匹配度低于所述预设匹配阈值,则确定所述目标融合策略为加权补偿融合策略,并基于所述加权补偿融合策略对所述第一电池健康度和所述第二电池健康度进行加权计算,得到所述综合电池健康度;
11、若所述匹配度不低于所述预设匹配阈值,则确定所述目标融合策略为直接融合策略,并基于所述直接融合策略对所述第一电池健康度和所述第二电池健康度进行融合,得到所述综合电池健康度。
12、可选的,所述基于所述第一影响因素子集对应的第一因素数据确定第一电池健康度,包括:
13、基于所述充放电数据确定电池循环次数,并获取每次充电对应的充电时间和每次放电对应的放电时间;
14、基于所述充电时间和所述放电时间确定每次充放电对应的充放电深度,并基于所述电池循环次数和所述充放电深度确定深度充放电次数;
15、获取电池的型号信息,并基于所述型号信息确定额定电池循环次数和单次深度充放电损耗;
16、基于所述深度充放电次数和所述单次深度充放电损耗确定深度充放电总损耗;
17、基于所述电池循环次数、所述额定电池循环次数以及所述深度充放电总损耗,计算得到所述第一电池健康度。
18、可选的,所述第二因素数据包括电池容量数据和自放电率数据,所述基于所述第二影响因素子集对应的第二因素数据确定第二电池健康度,包括:
19、获取电池的额定容量,并基于前次完成充电后的放电时间和放电电流确定当前电池容量;
20、基于所述额定容量和所述当前电池容量确定容量健康度;
21、获取预设自放电率,并调取历史时段内距离当前时刻最近的空闲时刻对应的实际自放电率;
22、基于所述预设自放电率和所述实际自放电率确定自放电增量,并基于所述当前电池容量和所述自放电增量确定实际电池容量;
23、基于所述实际电池容量与所述额定容量确定自放电健康度,并基于所述容量健康度和所述自放电健康度确定所述第二电池健康度。
24、可选的,所述构建包含所述综合电池健康度、所述多个影响因素以及时间维度的多维时序特征矩阵,包括:
25、将所述综合电池健康度映射为行维度、所述多个影响因素映射为列维度、所述时间维度映射为层维度,构建初始多维时序特征矩阵;
26、计算各个电池健康度与各个影响因素在不同时间点之间的关联度,得到电池影响数值;
27、将所述电池影响数值映射至所述初始多维时序特征矩阵中,得到所述多维时序特征矩阵;
28、所述基于所述多维时序特征矩阵中的特征向量相似度进行聚类处理,解耦不同类别影响因素的时序影响权重,包括:
29、将所述多维时序特征矩阵中对应不同影响因素的数据节点中的电池影响数值划分为多个影响向量组;
30、对所述多个影响向量组进行相似性分析,得到每个影响向量组与预设范围内的特征向量组的相似关联度;
31、基于所述相似关联度对所述多个影响向量组进行聚类处理,得到特征聚类簇。
32、可选的,所述基于所述相似关联度对所述多个影响向量组进行聚类处理,得到特征聚类簇,之后还包括:
33、识别所述多维时序特征矩阵中的本征老化因素和外部工况因素,并筛分得到对应的本征特征图层和工况特征图层;
34、基于时间序列监测所述本征特征图层的第一发展变化和所述工况特征图层的第二发展变化;
35、基于所述第一发展变化和所述第二发展变化,确定所述本征老化因素导致电池健康度变化的第一权重,以及所述外部工况因素导致电池健康度变化的第二权重;
36、将所述本征特征图层中的数据节点的电池影响数值作为第一影响特征向量,并将所述工况特征图层中的数据节点的电池影响数值作为第二影响特征向量;
37、基于预设算法分别对所述第一影响特征向量和所述第二影响特征向量进行相似性划分,得到第一相似关联度和第二相似关联度;
38、基于所述第一相似关联度和所述第二相似关联度对所述特征聚类簇进行聚类处理,得到所述特征聚类簇中的非特征向量簇。
39、可选的,所述基于解耦后的时序影响权重和预训练的预测模型确定电池健康度预测结果,包括:
40、将所述非特征向量簇按照所述第一权重与所述第二权重的比例关系,输入至所述预训练的预测模型中进行预测,得到所述电池健康度在未来时间段内的影响特征向量集;
41、将所述影响特征向量集中的每个影响特征向量按照时间节点映射至所述多维时序特征矩阵中,得到预测多维时序特征矩阵;
42、基于所述预测多维时序特征矩阵对所述电池健康度进行影响分析,得到所述电池健康度预测结果。
43、第二方面,本技术提供一种基于大数据的电池健康度评价装置,包括:
44、分组模块,用于获取影响电池健康度的多个影响因素,并将所述多个影响因素划分为第一影响因素子集和第二影响因素子集;
45、独立计算模块,用于基于所述第一影响因素子集对应的第一因素数据确定第一电池健康度,并基于所述第二影响因素子集对应的第二因素数据确定第二电池健康度;
46、自适应融合模块,用于基于所述第一电池健康度与所述第二电池健康度之间的匹配度确定目标融合策略,并基于所述目标融合策略进行融合得到综合电池健康度;
47、矩阵构建模块,用于构建包含所述综合电池健康度、所述多个影响因素以及时间维度的多维时序特征矩阵;
48、聚类解耦模块,用于基于所述多维时序特征矩阵中的特征向量相似度进行聚类处理,解耦不同类别影响因素的时序影响权重;
49、趋势预测模块,用于基于解耦后的时序影响权重和预训练的预测模型确定电池健康度预测结果。
50、第三方面,本技术提供一种电子设备,包括:存储器和处理器,所述存储器上存储有能够被处理器加载并执行第一方面的方法的计算机程序。
51、第四方面,本技术提供一种计算机可读存储介质,存储有能够被处理器加载并执行第一方面的方法的计算机程序。
52、有益效果:
53、本技术提供的技术方案,通过构建第一影响因素子集与第二影响因素子集的独立评估机制,并结合两者之间的匹配度动态确定目标融合策略,相较于传统的固定权重融合或单一模型评估,能够根据多源数据的一致性状态自适应选择最优融合路径:当数据差异显著时触发加权补偿以抑制异常波动,当数据一致时采用直接融合以保持基准精度,从而有效解决了复杂工况下单一维度评估误差放大的问题,显著提升了综合电池健康度评价的鲁棒性与准确性。
54、进一步地,本技术通过构建包含综合电池健康度、多个影响因素及时间维度的多维时序特征矩阵,并将该矩阵中的特征向量进行相似度聚类处理,实现了从静态数值评估向动态时空特征分析的跨越。特别是通过对本征老化因素与外部工况因素的图层筛分与时序发展变化监测,能够量化解耦两类因素对电池健康度演变的独立贡献权重。在此基础上,利用解耦后的权重比例驱动预训练的预测模型,并将预测得到的影响特征向量集反向映射回多维时序特征矩阵,不仅克服了传统方法难以区分内因与外因影响的缺陷,还实现了电池健康度未来演变趋势的精准预测,为电池的精细化运维与全生命周期管理提供了可靠的数据支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com