基于隐马尔可夫模型的锂电池健康状态预测方法及装置与流程

1.本发明涉及锂电池状态预测领域，具体涉及一种基于隐马尔可夫模型的锂电池健康状态预测方法及装置。


背景技术：

2.数据驱动作为进行锂电池soh的预测方法之一，具有不依赖电池形状和电化学原理，通过对数据的特征研究实现电池健康状态的预测。目前主要的数据驱动方法有：
3.(1)支持向量机，重点是其中的函数拟合，核函数必须满足mercer条件，而随着数据量的加大，会造成计算负担，无法确定惩罚系数。
4.(2)人工神经网络，通过数学模型模拟人体神经元网络处理信息的方式，能够自主组织和学习，但在运算过程中存在算法复杂程度高，网络结构复杂的问题。
5.(3)高斯回归：对试验数据进行训练，限制先验分布，估计后验分布，得到预测结果的不确定性表达，存在的问题是计算量大和超参数值敏感。


技术实现要素：

6.针对上述背景技术中提到的技术问题。本技术的实施例的目的在于提出了一种基于隐马尔可夫模型的锂电池健康状态预测方法及装置，来解决以上背景技术部分提到的技术问题。
7.第一方面，本技术的实施例提供了一种基于隐马尔可夫模型的锂电池健康状态预测方法，包括以下步骤：
8.s1，获取锂电池的电压、充放电时间、每次循环的最大容量和温度，根据电压、充放电时间、每次循环的最大容量和温度得到电池容量增量曲线、平均温度时间曲线和最大容量变化曲线，并将每个曲线的极值点、斜率、均值作为特征数据；
9.s2，计算特征数据与soh实际值之间的相关性系数，基于相关性系数选择最佳特征组合；
10.s3，建立容量估计模型，容量估计模型采用隐马尔可夫模型，使用训练数据对容量估计模型进行训练；
11.s4，将最佳特征组合的特征差值输入经训练的容量估计模型，得到下一次循环的容量差值，根据当前容量值与容量差值得到容量估计值，根据容量估计值和soh定义计算得到soh估计值。
12.作为优选，步骤s1具体包括：
13.电池容量增量曲线的横坐标为电压，纵坐标为ic，ic的计算公式如下：
[0014][0015]
其中，q为电池充电容量，v为电池电压，δq为一个小区间内电池充电容量变化量；δv为该区间内电池电压变化量；
[0016]
平均温度时间曲线的横坐标为时间，纵坐标为平均温度，平均温度的计算公式如下：
[0017][0018]
其中，tk为当前循环中第k次测量的温度；
[0019]
电池容量增量曲线的峰值右侧斜率公式：
[0020][0021]
苴中，y1为峰值位置的ic值，y2为峰值周期向后循环200周期后的ic值，x1为峰值位置的x轴数值，x2为峰值周期向后循环200周期后的x轴数值；
[0022]
最大容量变化曲线的横坐标为循环次数，纵坐标为当前循环的最大容量值。
[0023]
作为优选，步骤s2具体包括：
[0024]
利用皮尔逊相关分析法计算各个特征数据与soh实际值之间的相关性系数ri：
[0025][0026]
其中，xi为所提取的第i个特征数据，n为特征数量，yi为各特征数据对应的soh实际值，该soh实际值根据容量实际值来计算，和为xi(i＝1，2，
…
，n)和yi(i＝1，2，
…
，n)的均值；
[0027]
采用以下soh公式定义锂电池健康状态soh：
[0028][0029]
其中，q
current
是当前的容量值，q
initial
是当前循环中最大容量值；
[0030]
采用过滤法选择最佳特征组合。
[0031]
作为优选，最佳特征组合包括电池容量增量曲线的峰值数据、电池容量增量曲线的峰值右侧斜率和平均温度。
[0032]
作为优选，步骤s2和s3之间还包括：在锂电池的充放电循环数据中重复步骤s1-s2，建立以每个循环的最佳特征组合及其对应的容量值分别与其前一次循环的最佳特征组合和容量值之间的差值构成的训练数据。
[0033]
作为优选，步骤s3具体包括：
[0034]
s31，将最佳特征组合进行归一化处理，并将归一化后的最佳特征组合与前一次循
环的最佳组合特征的特征差值输入隐马尔科夫模型，预测下一次循环的特征差值和容量差值；
[0035]
s32，将当前特征数据与估计差值相加，得到下一次输入隐马尔科夫模型的特征数据；
[0036]
s33，重复步骤s31-s32，直至估计循环结束，将预测得到的多个容量差值进行反归一化处理并分别与前一次循环的容量值相加，得到多个容量值，根据soh公式将多个容量值转化为多个soh估计值。
[0037]
作为优选，soh估计模型的估计过程包括：
[0038]
s41，隐马尔可夫模型(hmm)为λ＝(a，b，π)，(a，b，π)为输入，λ为输出，其中π表示初始概率分布向量，a＝(a
ij
)n×n是状态转移矩阵，其中，a
ij
描述系统从状态si转移到状态sj的概率，n表示模型所含的状态数，b表示每一个状态下的观测值的概率密度函数；
[0039]
s42，采用viterbi算法结合k-means算法对隐马尔可夫模型进行初始化，得到初始模型；
[0040]
s43，利用viterbi算法求历史观测序列下的最优状态序列并更新初始模型的参数；
[0041]
s44，重复步骤s43，直到模型收敛或大于设定的最大迭代次数，最终得到的模型参数λi(i＝1，2，3)的输出，隐马尔科夫模型的隐藏估计状态分为三个状态：上升状态、下降状态、平稳状态，得到隐马尔科夫模型的参数集{λ1、λ2、λ3}；
[0042]
从隐马尔科夫模型当前的监测数据中提取状态序列o，根据极大相似准则判断其所属的状态分类：
[0043]
si＝arg maxp(o|λi)，i∈{1，2，3]；
[0044]
最后用当前容量值加上下一状态预测的容量差值，即可得到容量估计值：
[0045]ci 1
＝ci hmm(si)；
[0046]
s45，采用soh公式将容量估计值转化为soh估计值。
[0047]
第二方面，本技术的实施例提供了一种基于隐马尔可夫模型的锂电池健康状态预测装置，包括：
[0048]
特征获取模块，被配置为获取锂电池的电压、充放电时间、每次循环的最大容量和温度，根据所述电压、充放电时间、每次循环的最大容量和温度得到电池容量增量曲线、平均温度时间曲线和最大容量变化曲线，并将每个曲线的极值点、斜率、均值作为特征数据；
[0049]
相关性选择模块，被配置为计算所述特征数据与soh实际值之间的相关性系数，基于所述相关性系数选择最佳特征组合；
[0050]
模型训练模块，被配置为建立容量估计模型，所述容量估计模型采用隐马尔可夫模型，使用训练数据对所述容量估计模型进行训练；
[0051]
估计模块，被配置为将所述最佳特征组合的特征差值输入经训练的容量估计模型，得到下一次循环的容量差值，根据当前容量值与所述容量差值得到容量估计值，根据容量估计值和soh定义计算得到soh估计值。
[0052]
第三方面，本技术的实施例提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
[0053]
第四方面，本技术的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
[0054]
相比于现有技术，本发明具有以下有益效果：
[0055]
(1)本发明的基于隐马尔可夫模型的锂电池健康状态预测方法解决了数据分析过程中信息冗余度高，计算量大等困难，使用少量数据特征即可快速预测容量衰退轨迹，快速预测得到soh估计值。
[0056]
(2)本发明的基于隐马尔可夫模型的锂电池健康状态预测方法动态波动的预测效果较好，鲁棒性强。
附图说明
[0057]
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要介绍，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，对于本领域的普通技术人员来讲，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。
[0058]
图1是本技术的一个实施例可以应用于其中的示例性装置架构图；
[0059]
图2为本发明的实施例的基于隐马尔可夫模型的锂电池健康状态预测方法的流程示意图；
[0060]
图3为本发明的实施例的基于隐马尔可夫模型的锂电池健康状态预测装置的示意图；
[0061]
图4是适于用来实现本技术实施例的电子设备的计算机装置的结构示意图。
具体实施方式
[0062]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，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它实施例，都属于本发明保护的范围。
[0063]
图1示出了可以应用本技术实施例的基于隐马尔可夫模型的锂电池健康状态预测方法或基于隐马尔可夫模型的锂电池健康状态预测装置的示例性装置架构100。
[0064]
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0065]
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
[0066]
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0067]
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
[0068]
需要说明的是，本技术实施例所提供的基于隐马尔可夫模型的锂电池健康状态预测方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，基于隐马尔可夫模型的锂电池健康状态预测装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
[0069]
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
[0070]
图2示出了本技术的实施例提供的一种基于隐马尔可夫模型的锂电池健康状态预测方法，包括以下步骤：
[0071]
s1，获取锂电池的电压、充放电时间、每次循环的最大容量和温度，根据电压、充放电时间、每次循环的最大容量和温度得到电池容量增量曲线、平均温度时间曲线和最大容量变化曲线，并将每个曲线的极值点、斜率、均值作为特征数据。
[0072]
在具体的实施例中，步骤s1具体包括：
[0073]
电池容量增量曲线的横坐标为电压，纵坐标为ic，ic的计算公式如下：
[0074][0075]
其中，q为电池充电容量，单位：mah，v为电池电压，单位：v(伏特)，δq为一个小区间内电池充电容量变化量；δv为该区间内电池电压变化量；
[0076]
平均温度时间曲线的横坐标为时间，纵坐标为平均温度，平均温度的计算公式如下：
[0077][0078]
其中，tk为当前循环中第k次测量的温度；平均温度的计算公式为当前循环中每次测量的温度数据进行累加，最后除以温度测量次数。
[0079]
电池容量增量曲线的峰值右侧斜率公式：
[0080][0081]
其中，y1为峰值位置的ic值，y2为峰值周期向后循环200周期后的ic值，x1为峰值位置的x轴数值，x2为峰值周期向后循环200周期后的x轴数值；
[0082]
最大容量变化曲线的横坐标为循环次数，纵坐标为当前循环的最大容量。
[0083]
s2，计算特征数据与soh实际值之间的相关性系数，基于相关性系数选择最佳特征组合。
[0084]
在具体的实施例中，步骤s2具体包括：
[0085]
利用皮尔逊相关分析法计算各个特征数据与soh实际值之间的相关性系数ri：
[0086][0087]
其中，xi为所提取的第i个特征数据，n为特征数量，yi为各特征数据对应的soh实际值，该soh实际值根据容量实际值来计算，和为xi(i＝1，2，
…
，n)和yi(i＝1，2，
…
，n)的均值；
[0088]
采用以下soh公式定义锂电池健康状态soh：
[0089][0090]
其中，q
current
是当前的容量值，q
initial
是当前循环中最大容量值；
[0091]
采用过滤法选择最佳特征组合。
[0092]
在具体的实施例中，最佳特征组合包括电池容量增量曲线的峰值数据、电池容量增量曲线的峰值右侧斜率和平均温度。
[0093]
具体的，当前循环中最大容量值是初始容量值。相关性系数ri表示的是根据容量实际值或其对应的soh实际值与特征数据之间的相关关系，根据相关性系数ri使用过滤法选择最佳特征组合，在其中一个实施例中，具体过程为：设定系数阈值为0.8，将相关性系数ri大于0.8的特征从大到小排序，设定待选择的特征个数进行筛选，在本技术的实施例中，特征个数设定为三个，则选择出前三个最优特征进行模型训练，依次为电池容量增量曲线的峰值数据、电池容量增量曲线的峰值右侧斜率和平均温度。在其他实施例中，也可以选择其他合适的最佳特征组合。
[0094]
在具体的实施例中，步骤s2和s3之间还包括：在锂电池的充放电循环数据中重复步骤s1-s2，建立以每个循环的最佳特征组合及其对应的容量值分别与其前一次循环的最佳特征组合和容量值之间的差值构成的训练数据。
[0095]
具体的，在锂电池的前60％充放电循环数据中，均进行上述步骤，以得到由相关性最好特征组合组成的训练数据集，该训练数据集为当前循环下的最优特征组合与之对应的当前容量值分别与前一次循环的最优特征组合和容量值作差取得的差值数据集。
[0096]
s3，建立容量估计模型，容量估计模型采用隐马尔可夫模型，使用训练数据对容量估计模型进行训练。
[0097]
在具体的实施例中，步骤s3具体包括：
[0098]
s31，将所述最佳特征组合进行归一化处理，并将归一化后的最佳特征组合与前一次循环的最佳组合特征的特征差值输入隐马尔科夫模型，预测下一次循环的特征差值和容量差值；
[0099]
s32，将当前特征数据与所述估计差值相加，得到下一次输入隐马尔科夫模型的特
征数据；
[0100]
s33，重复步骤s31-s32，直至估计循环结束，将预测得到的多个容量差值进行反归一化处理并分别与前一次循环的容量值相加，得到多个容量值，根据soh公式将多个容量值转化为多个soh估计值。
[0101]
具体的，将训练数据分为训练集和验证集，训练集用于对隐马尔科夫模型进行训练，验证集用于验证隐马尔科夫模型的训练效果，以mae和rmse作为隐马尔科夫模型的评价指标，训练完成后，确定模型参数，最终得到训练好的隐马尔科夫模型。
[0102]
s4，将最佳特征组合的特征差值输入经训练的容量估计模型，得到下一次循环的容量差值，根据当前容量值与容量差值得到容量估计值，根据容量估计值和soh定义计算得到soh估计值。
[0103]
在具体的实施例中，soh估计模型的估计过程包括：
[0104]
s41，隐马尔可夫模型(hmm)为λ＝(a,b,π)，(a，b，π)为输入，λ为输出，其中π表示初始概率分布向量；a＝(a
ij
)n×n是状态转移矩阵，其中，a
ij
描述系统从状态si转移到状态sj的概率，n表示模型所含的状态数，b表示每一个状态下的观测值的概率密度函数；
[0105]
s42，采用viterbi算法结合k-means算法对隐马尔可夫模型进行初始化，得到初始模型；
[0106]
s43，利用viterbi算法求历史观测序列下的最优状态序列并更新初始模型的参数；
[0107]
s44，重复步骤s43，直到模型收敛或大于设定的最大迭代次数，最终得到的模型参数λi(i＝1，2，3)的输出，隐马尔科夫模型的隐藏估计状态分为三个状态：上升状态、下降状态、平稳状态，得到隐马尔科夫模型的参数集{λ1、λ2、λ3}；
[0108]
从隐马尔科夫模型当前的监测数据中提取状态序列o，根据极大相似准则判断其所属的状态：
[0109]
si＝arg maxp(o|λi)，i∈{1，2，3}；
[0110]
最后用当前容量值加上下一状态预测的容量差值，即可得到容量估计值：
[0111]ci 1
＝ci hmm(si)；
[0112]
s45，采用soh公式将容量估计值转化为soh估计值。
[0113]
具体的，状态序列o对应的是上升状态、下降状态、平稳状态这三个状态。
[0114]
进一步参考图3，作为对上述各图所示方法的实现，本技术提供了一种基于隐马尔可夫模型的锂电池健康状态预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0115]
本技术实施例提供了一种基于隐马尔可夫模型的锂电池健康状态预测装置，其特征在于，包括：
[0116]
特征获取模块1，被配置为获取锂电池的电压、充放电时间、每次循环的最大容量和温度，根据电压、充放电时间、每次循环的最大容量和温度得到电池容量增量曲线、平均温度时间曲线和最大容量变化曲线，并将每个曲线的极值点、斜率、均值作为特征数据；
[0117]
相关性选择模块2，被配置为计算特征数据与soh实际值之间的相关性系数，基于相关性系数选择最佳特征组合；
[0118]
模型训练模块3，被配置为建立容量估计模型，容量估计模型采用隐马尔可夫模
型，使用训练数据对容量估计模型进行训练；
[0119]
估计模块4，被配置为将最佳特征组合的特征差值输入经训练的容量估计模型，得到下一次循环的容量差值，根据当前容量值与容量差值得到容量估计值，根据容量估计值和soh定义计算得到soh估计值。
[0120]
下面参考图4，其示出了适于用来实现本技术实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0121]
如图4所示，计算机装置400包括中央处理单元(cpu)401和图形处理器(gpu)402，其可以根据存储在只读存储器(rom)403中的程序或者从存储部分409加载到随机访问存储器(ram)404中的程序而执行各种适当的动作和处理。在ram 404中，还存储有装置400操作所需的各种程序和数据。cpu 401、gpu402、rom 403以及ram404通过总线405彼此相连。输入/输出(i/o)接口406也连接至总线405。
[0122]
以下部件连接至i/o接口406：包括键盘、鼠标等的输入部分407；包括诸如、液晶显示器(lcd)等以及扬声器等的输出部分408；包括硬盘等的存储部分409；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分410。通信部分410经由诸如因特网的网络执行通信处理。驱动器411也可以根据需要连接至i/o接口406。可拆卸介质412，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器411上，以便于从其上读出的计算机程序根据需要被安装入存储部分409。
[0123]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分410从网络上被下载和安装，和/或从可拆卸介质412被安装。在该计算机程序被中央处理单元(cpu)401和图形处理器(gpu)402执行时，执行本技术的方法中限定的上述功能。
[0124]
需要说明的是，本技术所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件或者上述的任意合适的组合。在本技术中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0125]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算
机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，也可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0126]
附图中的流程图和框图，图示了按照本技术各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0127]
描述于本技术实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
[0128]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取锂电池的电压、充放电时间、每次循环的最大容量和温度，根据电压、充放电时间、每次循环的最大容量和温度得到电池容量增量曲线、平均温度时间曲线和最大容量变化曲线，并将每个曲线的极值点、斜率、均值作为特征数据；计算特征数据与soh实际值之间的相关性系数，基于相关性系数选择最佳特征组合；建立容量估计模型，容量估计模型采用隐马尔可夫模型，使用训练数据对容量估计模型进行训练；将最佳特征组合的特征差值输入经训练的容量估计模型，得到下一次循环的容量差值，根据当前容量值与容量差值得到容量估计值，根据容量估计值和soh定义计算得到soh估计值。
[0129]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。