一种换电柜中电池寿命预测方法及装置与流程

本发明属于数据识别的，尤其涉及一种换电柜中电池寿命预测方法及装置。

背景技术：

1、随着电动车辆及其配套基础设施的迅速发展，换电技术逐渐成为电池管理的重要手段。换电柜作为电池交换的核心设备，不仅为电动车提供了便捷的能源补给方式，更在电池的管理与维护中扮演着关键角色。电池的性能和寿命直接影响到电动车的使用效率和用户体验，因此，准确预测电池的剩余寿命显得尤为重要。

2、传统的电池寿命预测方法多依赖于静态指标，如电池的容量、内阻等参数，通常无法全面反映电池在实际使用过程中的性能变化。这些方法忽视了电池在不同使用条件下的动态特性，导致预测结果的准确性和可靠性受到限制。

技术实现思路

1、有鉴于此，本发明实施例提供了一种换电柜中电池寿命预测方法及装置，以解决传统方法忽视了电池在不同使用条件下的动态特性，导致预测结果的准确性和可靠性受到限制的技术问题。

2、本发明实施例的第一方面提供了一种换电柜中电池寿命预测方法，所述换电柜中电池寿命预测方法包括：

3、在待识别电池完成一次充放电循环并接入换电柜时，采集多维电池特征数据；其中，所述多维电池特征数据至少包括放电深度、平均放电倍率以及循环期间平均环境温度；

4、基于所述多维电池特征数据，统计所述待识别电池对应的动态应力谱；其中，所述动态应力谱为基于待识别电池的历史循环数据计算得到的反映不同时间窗口内使用强度的统计特征；

5、基于所述动态应力谱，计算所述待识别电池对应的剩余寿命。

6、进一步地，所述基于所述多维电池特征数据，统计所述待识别电池对应的动态应力谱的步骤包括：

7、基于所述多维电池特征数据，计算表征本次循环自身老化加速程度的即时应力系数；其中，所述即时应力系数基于放电深度应力系数、倍率应力系数和温度应力系数综合而得；

8、将所述即时应力系数、所述放电深度应力系数、所述倍率应力系数和所述温度应力系数作为一条新的记录，按时间顺序追加到为该待识别电池维护的历史应力序列中；

9、在所述历史应力序列中，基于预设的第一滚动窗口，统计即时应力系数的第一均值与标准差，统计放电深度应力系数大于第一深度阈值的比例以及倍率应力系数大于第一倍率阈值的比例；

10、在所述历史应力序列中，基于预设的第二滚动窗口，统计即时应力系数的第二均值以及温度应力系数大于温度阈值的累计时长；其中，第二滚动窗口的窗口大小大于第一滚动窗口的窗口大小；

11、将第一均值、第二均值、标准差、大于第一深度阈值的比例、大于第一倍率阈值的比例和大于温度阈值的累计时长，按预定顺序进行拼接，生成一维的动态应力谱；

12、对所述动态应力谱中的每一个元素，基于预设的标称范围，进行归一化处理，得到归一化后的动态应力谱。

13、进一步地，所述基于所述多维电池特征数据，计算表征本次循环自身老化加速程度的即时应力系数的步骤包括：

14、将放电深度与预设的额定放电深度参考值相除，得到的kd次方作为放电深度应力系数；其中，kd为大于1的第一经验指数；

15、将平均放电倍率与预设的额定放电倍率参考值相除，得到的kc次方作为倍率应力系数；其中，kc为大于1的第二经验指数；

16、将循环期间平均环境温度代入阿伦尼乌斯模型，得到温度应力系数；

17、将于放电深度应力系数、倍率应力系数和温度应力系数加权求和，得到即时应力系数。

18、进一步地，所述基于所述动态应力谱，计算所述电池对应的剩余寿命的步骤包括：

19、获取待识别电池在当前检测时刻对应的当前电池健康状态特征向量；其中，所述当前电池健康状态特征向量至少包括电化学特征与热力学特征；

20、将所述当前电池健康状态特征向量输入至预训练的第一回归模型，由所述第一回归模型输出一个表征电池当前实际容量保持率的数值，作为当前健康状态评分；

21、基于所述动态应力谱，计算得到未来老化加速因子；

22、基于当前健康状态评分和未来老化加速因子，计算当前健康压力指数；

23、从历史数据库中，检索所述待识别电池在最近m个检测时刻各自对应的历史健康压力指数值，构成一个时间序列；

24、基于所述时间序列，采用线性回归计算所述健康压力指数相对于检测次数的衰减速率；其中，所述检测次数与电池的充放电循环次数相关联；

25、将衰减速率与未来老化加速因子相乘，得到修正后的衰减速率；

26、若当前健康压力指数不大于健康压力指数阈值，则判定待识别电池已达到寿命终点，设置剩余寿命的循环次数为0；

27、若衰减速率大于限度值，则判定衰减速率异常，设置剩余寿命的循环次数为一个预设的极大值或无效标志；

28、将当前健康压力指数与健康压力指数阈值相减，并除以衰减速率，得到剩余寿命的循环次数。

29、进一步地，所述获取待识别电池在当前检测时刻对应的电池健康状态特征向量的步骤包括：

30、计算恒流充电阶段电压-时间曲线的线性拟合斜率，作为电压上升速率特征；

31、在恒压充电阶段，对电流衰减曲线进行指数拟合，提取其时间常数，作为极化消散特征；

32、在待识别电池静置预设时长后，施加一个短时脉冲放电，记录电压瞬态响应，计算脉冲内阻及电压恢复至稳定值的弛豫时间；

33、在充电末端进入小电流恒压浮充状态后，记录第一预设时间段内的电压降，计算浮充自放电率；

34、将所述电压上升速率特征、所述极化消散特征、所述弛豫时间和所述浮充自放电率作为电化学特征；

35、在恒流充电阶段，计算待识别电池表面最高温度点的温升速率；

36、在同一时间点，计算所有待识别电池表面温度测量值的方差，作为温度分布均匀性特征；

37、在充电结束并静置第二预设时间段后，计算待识别电池表面平均温度与环境温度的平衡温差；

38、将所述温升速率、所述温度分布均匀性特征和所述平衡温差作为热力学特征。

39、进一步地，在所述将所述电池健康状态特征向量输入至预训练的第一回归模型，由所述第一回归模型输出一个表征电池当前实际容量保持率的数值，作为当前健康状态评分的步骤之前，还包括：

40、获取历史电池样本集，对于样本集中的每一个历史电池，在其生命周期的多个检测点采集该检测点对应的初始电池健康状态特征向量；

41、通过实验室标准容量测试，获取该检测点历史电池的真实容量保持率；

42、将初始电池健康状态特征向量和真实容量保持率作为一个训练样本对；

43、使用所有历史电池的所有训练样本对，以初始电池健康状态特征向量为输入特征，以真实容量保持率为输出标签，训练一个支持向量回归模型；

44、在训练过程中，采用网格搜索与交叉验证方法调整所述支持向量回归模型的核心超参数；其中，所述核心超参数至少包括惩罚系数c、核函数系数gamma以及核函数类型；

45、训练完成后，保存模型结构与参数，作为所述预训练的第一回归模型。

46、进一步地，所述基于所述动态应力谱，计算得到未来老化加速因子的步骤包括：

47、将归一化后的动态应力谱，输入至预训练的第二回归模型，由所述第二回归模型输出一个初始的未来老化加速因子预测值；其中，所述第二回归模型为前馈神经网络，其输入层维度与动态应力谱维度相同，输出层为单个神经元，激活函数为relu，用于保证输出为非负值；

48、从所述历史应力序列中，提取位于第一滚动窗口内的所有即时应力系数，构成近期应力序列；

49、计算所述近期应力序列的标准差和变异系数；

50、将变异系数与预设的稳定性敏感系数相乘，并将乘积代入指数函数，得到模式稳定性系数；

51、将未来老化加速因子预测值与模式稳定性系数相乘，得到第一数值；

52、将1与模式稳定性系数相减，得到第二数值；

53、将第二数值与预设的基准加速因子相乘，得到未来老化加速因子。

54、进一步地，所述基于当前健康状态评分和未来老化加速因子，计算当前健康压力指数的步骤包括：

55、获取预设的寿命终点健康状态评分阈值和预设的高健康状态阈值；

56、在当前健康状态评分大于高健康状态阈值时，将1作为压力健康状态耦合系数；

57、在当前健康状态评分处于寿命终点健康状态评分阈值和高健康状态阈值之间时，将高健康状态阈值和当前健康状态评分之间的差值乘以敏感度系数，并加1得到压力健康状态耦合系数；其中，高健康状态阈值大于寿命终点健康状态评分阈值；

58、将未来老化加速因子与压力健康状态耦合系数相乘，得到有效老化加速因子；

59、将当前健康状态评分与寿命终点健康状态评分阈值相减，得到健康状态余量；

60、将健康状态余量与有效老化加速因子相除，得到基准健康压力指数；

61、从生成所述动态应力谱的历史应力序列中，提取第二滚动窗口内温度应力系数的均值t_stress_avg；

62、根据均值t_stress_avg，计算温度微调因子；其中，温度微调因子=1-θ*max(0,t_stress_avg-t_ref)；其中，t_ref为预设的参考温度应力系数，θ为温度影响系数，0<θ<1；

63、根据温度微调因子和基准健康压力指数，计算最终的当前健康压力指数；其中，当前健康压力指数=max(hpi_min,基准健康压力指数*温度微调因子)，hpi_min为预设的最低健康压力指数。

64、本发明实施例的第二方面提供了一种换电柜中电池寿命预测装置，包括：

65、采集单元，用于在待识别电池完成一次充放电循环并接入换电柜时，采集多维电池特征数据；其中，所述多维电池特征数据至少包括放电深度、平均放电倍率以及循环期间平均环境温度；

66、统计单元，用于基于所述多维电池特征数据，统计所述待识别电池对应的动态应力谱；其中，所述动态应力谱为基于待识别电池的历史循环数据计算得到的反映不同时间窗口内使用强度的统计特征；

67、计算单元，用于基于所述动态应力谱，计算所述待识别电池对应的剩余寿命。

68、本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述换电柜中电池寿命预测方法中的步骤。

69、本发明实施例的第四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程序，所述计算机程序被处理器执行时实现上述第一方面所述换电柜中电池寿命预测方法中的步骤。

70、本发明实施例与现有技术相比存在的有益效果是：通过采集电池的多维特征数据（包括放电深度、平均放电倍率和循环期间平均环境温度），本方法能够全面反映电池在实际使用过程中所处的动态状态。这种全面的数据采集和分析使得电池寿命预测更加精准，从而更好地对应电池的实际老化情况。基于历史循环数据计算得到的动态应力谱，能够有效捕捉电池在不同时间窗口内的使用强度。这种统计特征的引入，使得预测过程不仅考虑静态参数，还能动态反映电池在使用过程中的应力变化，进而提高了模型的适应性与准确性。