[发明专利]电池最大可用容量预测方法、装置、电子设备及存储介质

说明书

本申请提供了一种电池最大可用容量预测方法、装置、电子设备及存储介质，该方法包括：基于电池的历史运行数据，获取电池的特征数据；特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征；利用预设的拟合函数，对特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系；将补偿后特征数据输入训练后的机器学习模型，通过训练后的机器学习模型预测电池的当前最大可用容量。本申请实施例即使是在复杂工况中，也能维持预测准确性，同时也能够维持较低的预测成本，从而同时兼顾了低成本与高准确性的要求。

技术领域

本申请涉及新能源领域，具体涉及一种电池最大可用容量预测方法、装置、电子设备及存储介质。

背景技术

在新能源领域中，包括锂电池在内的各类电池常常用于新能源汽车和各类储能系统中。然而，在电池的使用过程中，随着电池不断地进行充放电循环，其内部物理化学性质会出现不可逆的变化，这一变化会导致电池的最大可用容量出现不可逆的衰退现象，从而进一步地导致电池的剩余寿命降低，严重时还会影响电池使用的安全性能，因此预测电池的最大可用容量有着重要意义。相关技术在预测电池的最大可用容量时，面对复杂工况，难以同时兼顾低成本与高准确性的要求。

发明内容

本申请的一个目的在于提出一种电池最大可用容量预测方法、装置、电子设备及存储介质，即使是在复杂工况中，也能维持预测准确性，同时也能够维持较低的预测成本，兼顾了低成本与高准确性的要求。

根据本申请实施例的一方面，公开了一种电池最大可用容量预测方法，所述方法包括：

基于电池的历史运行数据，获取所述电池的特征数据；所述特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征；

利用预设的拟合函数，对所述特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，所述预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系；

将所述补偿后特征数据输入训练后的机器学习模型，通过所述训练后的机器学习模型预测所述电池的当前最大可用容量。

根据本申请实施例的一方面，公开了一种电池最大可用容量预测装置，所述装置包括：

特征数据获取模块，配置为基于电池的历史运行数据，获取所述电池的特征数据；所述特征数据包括电池的恒流充电时间特征、恒压充电时间特征、充电温升特征、容量增量曲线特征以及电压差特征；

双补偿模块，配置为利用预设的拟合函数，对所述特征数据进行温度补偿以及电流补偿，得到补偿后特征数据；其中，所述预设的拟合函数用于描述充电温度、充电电流与电池容量保持率之间的耦合关系；

预测模块，配置为将所述补偿后特征数据输入训练后的机器学习模型，通过所述训练后的机器学习模型预测所述电池的当前最大可用容量。

在本申请的一示例性实施例中，所述历史运行数据包括充放电电流数据、充放电电压数据、充放电时间数据以及充放电温度数据；所述特征数据获取模块配置为：

根据所述充放电电流数据、所述充放电电压数据、所述充放电时间数据以及所述充放电温度数据，提取出所述恒流充电时间特征、所述恒压充电时间特征以及所述充电温升特征；

采用差分电压法对所述历史运行数据进行处理，提取得到多种电压差下的容量增量曲线特征数据集合；所述容量增量曲线特征数据集合包括每一种电压差下的容量增量曲线特征；

从所述容量增量曲线特征数据集合中筛选出目标容量增量曲线特征，以及所述目标容量增量曲线特征对应的电压差特征。

在本申请的一示例性实施例中，所述特征数据获取模块配置为：