一种电池放电容量预测方法、系统及可读存储介质

摘要

本发明涉及电池技术领域，具体涉及一种电池放电容量预测方法、系统及可读存储介质，该方法包括获取电池充电阶段多个等间隔时间点的充电电压和放电容量；对获取的充电电压和放电容量进行处理得到多个等间隔电压点对应的放电容量，根据多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线；对第一增量容量曲线进行特征提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数；将得到的特征参数输入到预先训练好的预测模型中得到电池当前的放电容量。本实施例采用预先训练好的预测模型根据电池充放电期间的提取的特征参数对电池的放电容量进行预测，提高了电池放电容量预测的准确性。

权利要求

1.一种电池放电容量预测方法,其特征在于，包括：

获取电池充电阶段多个等间隔时间点的充电电压和放电容量；

对所述充电电压和放电电容进行处理得到多个等间隔电压点对应的放电容量，根据所述多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线；

对所述第一增量容量曲线进行特征提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数；

将所述特征参数输入到预先训练好的预测模型中得到电池当前的放电容量；

在得到多个等间隔电压点对应的放电容量之后还包括：对所述多个电压点及其对应的放电容量进行放电容量关于充电电压的微分处理；

在得到第一增量容量曲线之后还包括：采用Savitzky‑Golay滤波器对所述第一增量容量曲线进行平滑降噪处理；

所述获取电池充电阶段多个等间隔时间点的充电电压和放电容量包括：获取并记录电池前K个循环的充电周期中恒压充电阶段电压从V1充到V2期间的等时间间隔序列及其所对应的充电电压和放电容量，所述等时间间隔序列包括所述多个等间隔时间点，所述K≥1，所述V2大于V1；

所述对所述充电电压和放电电容进行处理得到多个等间隔电压点对应的放电容量包括：将充电电压V1‑V2组成的电压区间划分为包括多个等间隔电压点的第一电压序列，采集每个等间隔电压点对应的放电容量；

所述对所述多个电压点及其对应的放电容量进行放电容量关于充电电压的微分处理包括：将所述第一电压序列代入预设的线性样条插值函数表达式，得到的第一放电容量序列；

对所述第一放电容量序列以及第一电压序列进行放电容量关于充电电压的微分处理，得到第二电压序列以及其对应的第二放电容量序列；

所述根据所述多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线包括：以所述第二电压序列作为横轴、以所述第二放电容量序列作为纵轴，绘制第一增量容量曲线；

所述采用Savitzky‑Golay滤波器对所述第一增量容量曲线进行平滑降噪处理包括：采用Savitzky‑Golay滤波器以所述第二电压序列为自变量，以所述第二放电容量序列作为因变量进行平滑降噪处理得到第三放电容量序列，以所述第二电压序列作为横轴、以所述第三放电容量序列作为纵轴绘制光滑的第一增量容量曲线。

2.如权利要求1所述的电池放电容量预测方法,其特征在于，在将所述特征参数输入到预先训练好的预测模型中得到电池当前的放电容量之后还包括，将所述特征参数作为所述预测模型的训练数据进一步对所述预测模型进行训练。

3.如权利要求1所述的电池放电容量预测方法,其特征在于，在所述预测模型的训练过程中，计算所述预测模型的最小均方误差，依据所述最小均方误差调整所述预测模型的超参数，以优化所述预测模型。

4.一种电池放电容量预测系统,其特征在于，用于应用如权利要求1至3任一项所述的电池放电容量预测方法，所述电池放电容量预测系统包括：获取模块，用于获取电池充电阶段多个等间隔时间点的充电电压和放电容量；

第一处理模块，用于对所述充电电压和放电电容进行处理得到多个等间隔电压点对应的放电容量，根据所述多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线；

提取模块，用于对所述第一增量容量曲线进行特征提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数；

预测模块，用于将所述特征参数输入到预先训练好的预测模型中得到电池当前的放电容量。

5.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1‑3中任一项所述的方法。

说明书

一种电池放电容量预测方法、系统及可读存储介质

技术领域

[0001] 本发明涉及电池技术领域，具体涉及一种电池放电容量预测方法、系统及可读存储介质。

背景技术

[0002] 随着我国政策的对新能源汽车产业大力推动以及我国新能源汽车技术的迅猛发展，目前，我国新能源汽车市场体量巨大且领先世界，我国已成为新能源汽车第一大国。

[0003] 动力电池是新能源汽车最核心的部分。相比于传统电池，锂离子电池具有能量密度大、使用寿命长、无记忆效应、充放电性能良好等优势，从而在新能源汽车上得到了广泛应用。以磷酸铁锂材料作为正极材料的锂离子电池由于其稳定的性能，成为了各新能源汽车厂商使用的主流动力电池。

[0004] 根据相关标准，当车用动力电池容量低于最大容量的80％时，其面临性能下降、安全性降低等问题，将不适合继续在新能源汽车上使用，面临退役。随着我国新能源汽车产业的发展，动力电池退役将成规模。动力电池退役后若不进行回收处理而直接丢弃进入环境，会环境造成严重的负面影响。因此，我国已出台相关法规指导废旧动力蓄电池开展多层次、多用途的合理利用。

[0005] 对退役动力电池进行梯级利用大致可分整包级别、模组级别梯级、单体电池部分拆解直接利用。由于梯次利用电池已使用过使用一定年限，继续使用会存在安全风险变大、容量衰减速度增大、电池故障增多、运行成本增高等问题，为了实现梯次利用电池的安全、稳定运行，需要对梯次利用电池进行健康状态评估，并对运行中的梯次利用电池近短期放电容量进行预测以判断是否会发生电池容量即将迅速衰减的情况。

[0006] 现有的电池健康状态评估以及容量预测方法主要为基于电池模型的方法。在实践中，电池在工作状态下周围环境复杂多变，电池循环特性受多种因素的影响，导致在建模中存在许多不确定的参数，因此对电池放电容量的预测不够准确。

发明内容

[0007] 本发明主要解决的技术问题是现有技术中对电池放电容量预测不准确。

[0008] 一种电池放电容量预测方法,包括：

[0009] 获取电池充电阶段多个等间隔时间点的充电电压和放电容量；

[0010] 对所述充电电压和放电电容进行处理得到多个等间隔电压点对应的放电容量，根据所述多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线；

[0011] 对所述第一增量容量曲线进行特征提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数；

[0012] 将所述特征参数输入到预先训练好的预测模型中得到电池当前的放电容量。

[0013] 在一种实施例中，在得到多个等间隔电压点对应的放电容量之后还包括：对所述多个电压点及其对应的放电容量进行放电容量关于充电电压的微分处理。

[0014] 在一种实施例中，在得到第一增量容量曲线之后还包括：采用Savitzky‑Golay滤波器对所述第一增量容量曲线进行平滑降噪处理。

[0015] 在一种实施例中，所述获取电池充电阶段多个等间隔时间点的充电电压和放电容量包括：

[0016] 获取并记录电池前K个循环的充电周期中恒压充电阶段电压从V1充到V2期间的等时间间隔序列及其所对应的充电电压和放电容量，所述等时间间隔序列包括所述多个等间隔时间点，所述K≥1，所述V2大于V1；

[0017] 所述对所述充电电压和放电电容进行处理得到多个等间隔电压点对应的放电容量包括：

[0018] 将充电电压V1‑V2组成的电压区间划分为包括多个等间隔电压点的第一电压序列，采集每个等间隔电压点对应的放电容量。

[0019] 在一种实施例中，所述对所述多个电压点及其对应的放电容量进行放电容量关于充电电压的微分处理包括：

[0020] 将所述第一电压序列代入预设的线性样条插值函数表达式，得到的第一放电容量序列；

[0021] 对所述第一放电容量序列以及第一电压序列进行放电容量关于充电电压的微分处理，得到第二电压序列以及其对应的第二放电容量序列。

[0022] 在一种实施例中，所述根据所述多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线包括：以所述第二电压序列作为横轴、以所述第二放电容量序列作为纵轴，绘制第一增量容量曲线；

[0023] 所述采用Savitzky‑Golay滤波器对所述第一增量容量曲线进行平滑降噪处理包括：

[0024] 采用Savitzky‑Golay滤波器以所述第二电压序列为自变量，以所述第二放电容量序列作为因变量进行平滑降噪处理得到第三放电容量序列，以所述第二电压序列作为横轴、以所述第三放电容量序列作为纵轴绘制光滑的第一增量容量曲线。

[0025] 在一种实施例中，在将所述特征参数输入到预先训练好的预测模型中得到电池当前的放电容量之后还包括，将所述特征参数作为所述预测模型的训练数据进一步对所述预测模型进行训练。

[0026] 在一种实施例中，在所述预测模型的训练过程中，计算所述预测模型的最小均方误差，依据所述最小均方误差调整所述预测模型的超参数，以优化所述预测模型。

[0027] 一种电池放电容量预测系统,包括：

[0028] 获取模块，用于获取电池充电阶段多个等间隔时间点的充电电压和放电容量；

[0029] 第一处理模块，用于对所述充电电压和放电电容进行处理得到多个等间隔电压点对应的放电容量，根据所述多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线；

[0030] 提取模块，用于对所述第一增量容量曲线进行特征提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数；

[0031] 预测模块，用于将所述特征参数输入到预先训练好的预测模型中得到电池当前的放电容量。

[0032] 一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现如上所述的电池放电容量预测方法。

[0033] 依据上述实施例的电池放电容量预测方法,其包括：获取电池充电阶段多个等间隔时间点的充电电压和放电容量；对获取的充电电压和放电电容进行处理得到多个等间隔电压点对应的放电容量，根据多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线；对第一增量容量曲线进行特征提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数；将得到的特征参数输入到预先训练好的预测模型中得到电池当前的放电容量。本实施例采用预先训练好的预测模型根据电池充放电期间的提取的特征参数对电池的放电容量进行预测，提高了电池放电容量预测的准确性。

附图说明

[0034] 图1为本申请实施例的电池放电容量预测方法流程图；

[0035] 图2为本申请实施例的电池放电容量预测方法工作流程图；

[0036] 图3为本申请实施例的恒流充电阶段电压、电流随时间变化曲线；

[0037] 图4为本申请实施例中经过样条插值处理后的放电容量随电压变化曲线图；

[0038] 图5为本申请实施例平滑降噪前的第一增量容量曲线图；

[0039] 图6为本申请实施例经过Savitzky‑Golay滤波器平滑降噪后的光滑的第一增量容量曲线与平滑降噪处理前的第一增量容量曲线对比图；

[0040] 图7为本申请实施例经平滑降噪后的光滑的第一增量容量曲线图；

[0041] 图8(a)为申请实施例从光滑的第一增量容量曲线中所提取的一种特征示意图；

[0042] 图8(b)为申请实施例从光滑的第一增量容量曲线中所提取的另一种特征示意图；

[0043] 图8(c)为申请实施例从光滑的第一增量容量曲线中所提取的另一种特征示意图；

[0044] 图8(d)为申请实施例从光滑的第一增量容量曲线中所提取的另一种特征示意图；

[0045] 图8(e)为申请实施例从光滑的第一增量容量曲线中所提取的另一种特征示意图；

[0046] 图8(f)为申请实施例从光滑的第一增量容量曲线中所提取的另一种特征示意图；

[0047] 图8(g)为申请实施例从光滑的第一增量容量曲线中所提取的另一种特征示意图；

[0048] 图9为本申请实施例的电池放电容量预测系统结构框图。

具体实施方式

[0049] 下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

[0050] 另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

[0051] 本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。

[0052] 本实施例提供一种电池放电容量预测方法，获取电池的充电电压和放电容量的对应关系，根据该对应关系绘制用于表示电池充电电压与放电容量对应关系的第一增量容量曲线，采用Savitzky‑Golay(基于最小二乘的卷积拟合算法)滤波器对第一增量容量曲线进行平滑降噪处理，得到光滑的第一增量容量曲线，对光滑的第一增量容量曲线进行特征提取得到充电电压和放电容量的对应关系的特征数据，将该特征数据输入到预先训练好的LSTM(长短时记忆)神经网络模型得到电池的剩余放电容量，经过采集多个预测电池的真实容量，将采集的真实容量和本申请的方法预测的电池容量相比，验证了本申请方法对电池放电容量预测的准确性。

[0053] 进一步的，每次进行预测后，还将采集的电池的充电电压和放电容量的真实值作为LSTM神经网络模型的训练参数，对LSTM神经网络模型进行进一步的训练和优化，使得后续的预测结果更加准确。

[0054] 实施例一：

[0055] 请参考图1和图2，本实施例提供一种电池放电容量预测方法,该方法包括：

[0056] 步骤101：获取电池充电阶段多个等间隔时间点的充电电压和放电容量；

[0057] 步骤102：对所述充电电压和放电容量进行处理得到多个等间隔电压点对应的放电容量，根据多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线；

[0058] 步骤103：对第一增量容量曲线进行特征提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数；

[0059] 步骤104：将特征参数输入到预先训练好的预测模型中得到电池当前的放电容量。

[0060] 其中，在步骤101中获取电池充电阶段多个等间隔时间点的充电电压和放电容量包括：获取并记录电池前K个循环的充电周期中恒压充电阶段电压从V1充到V2期间的等时间间隔序列及其所对应的充电电压和放电容量，其中，K≥1，V2大于V1。例如，采集并记录电池前k个循环的充电周期中恒流充电阶段的充电电压从V1充到V2时等时间间隔序列，等时间间隔是指采集的两个时间点间隔相同的时间，记为{Ti，j|i＝1，2，…，k，j＝1，2，…，n}，i表示采用的循环充电周期个数，j表示等时间间隔序列中等间隔时间段的序号，例如j＝1表示为第一个等间隔时间段，n的大小根据各循环充电时间长短而定；同时记录等时间间隔序列中各等时间间隔点所对应的充电电压、电流、放电容量数据，例如充电分别记为{Vi，j|i＝1，2，…，k，j＝1，2，…，n}，{Qi，j|i＝1，2，…，k，j＝1，2，…，n}；采集锂电池前k个充放电周期的电池放电容量序列，记为{Ci|i＝1,2,...,k}，这些数据预作为预测参数，即作为神经网络模型的输入参数，另外这些参数还可以作为训练数据集的原始数据，用于训练或者完善神经网络模型。

[0061] 进一步的，在一种实施例中还同时采集并记录电池后N‑k个循环的充电周期中恒流充电阶段电压从V1充到V2时等时间间隔序列，N表示电池充电的总周期，记为{Ti，j|i＝k+1,k+2,...,N，j＝1，2，…，n}，n的大小根据各循环充电时间长短而定；记录等时间间隔序列中各等时间间隔点所对应的电压、容量数据，分别记为{Vi，j|i＝k+1,k+2,...,N，j＝1，2，…，n}，{Qi，j|i＝k+1,k+2,...,N，j＝1，2，…，n}；采集锂电池后N‑k个充放电周期的电池放电容量序列，记为{Ci|i＝k+1,k+2,...,N}，N是所有充放电周期总数，以上数据可以作为验证本申请的预测方法是否准确的验证数据，即可以将上述实际采集的放电容量与通过本申请方法预测的放电容量对比，以确认本申请的预测方法的预测结果是否准确。

[0062] 其中，对获取的充电电压和放电容量进行线性样条插值法处理，得到多个等间隔电压点对应的放电容量，等间隔电压点指的是采集的相邻的两个电压点的压差相同，根据所述多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线具体包括：对数据集中的数据进行处理，对第m次循环(m∈{1，2，…，k})所采集的等时间间隔数据中的电压序列{Vi，j|i＝m，j＝1，2，…，n}以及容量序列{Qi，j|i＝m，j＝1，2，…，n}进行线性插值样条处理。所得的线性样条插值函数由n‑1个多项式组成的，第i个多项式(i＝1，2，…，n)的函数表达式由Vm，i，Vm，i+1，Qm，i，Qm，i+1这四个数据点决定，函数表达式为：

[0063]

[0064] 其中，任意的两个相邻的多项式在连接点处都是连续的，所得的线性样条插值函数表达式为Q＝f(V)。将电压序列数据在V1到V2范围内等电压间隔进行划分，得到由1000个电压间隔相等的电压组成的第一电压序列{Vi，j|i＝m，j＝1，2，…，1000}。将第一电压序列{Vi，j|i＝m，j＝1，2，…，1000}代入线性样条插值函数表达式Q＝f(V)，得到第一放电容量序列{Qi，j|i＝m，j＝1，2，…，1000}。

[0065] 对于所获得的第一电压序列及第一放电容量序列{Vi，j|i＝m，j＝1，2，…，1000}、{Qi，j|i＝m，j＝1，2，…，1000}进行容量关于电压的微分处理，得到第二电压序列和第二放电容量序列。由于Vm，j+1‑Vm，j为一较小值，因此使用两点的差值做微分的近似计算，以ΔQ/ΔV代替dQ/dV。令ICj＝ΔQj/ΔVj＝(Qm，j+1‑Qm，j)/(Vm，j+1‑Vm，j)，得到第二放电容量序列{ICi，j|i＝m，j＝1，2，…，999}。

[0066] 其中，在本实施例中使用Savitzky‑Golay滤波器对所获取的第一增量容量曲线进行平滑降噪处理，获得光滑曲线，其做法如下：

[0067] 本实施例中使用Savitzky‑Golay滤波器，以第二电压序列{Vi，j|i＝m，j＝1，2，…，999}作为自变量，以得到的第二放电容量序列{ICi，j|i＝m，j＝1，2，…，999}作为因变量进行平滑降噪。根据曲线平滑效果以及数据损失情况选择五个或七个数据点作为平滑窗口大小，选择二次或三次多项式进行拟合与平滑。平滑降噪之后得到第三放电容量序列{IC*i，j|i＝m，j＝1，2，…，999}。以第二电压序列{Vi，j|i＝m，j＝1，2，…，999}作为横轴、以第三放电容量序列{IC*i，j|i＝m，j＝1，2，…，999}作为纵轴绘制降噪后的光滑的第一增量容量曲线。

[0068] 需要说明的，本实施例中对第一增量容量曲线进行微分处理和后续的平滑降噪处理是为了进一步的保证后续步提取的特征参数更加精确，以保证预测结果也更加精确，在其他实施例中微分处理和后续的平滑降噪处理不是必须的步骤。

[0069] 其中，在步骤103中对第一增量容量曲线进行特征提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数具体包括：

[0070] 本实施例中对所获取得光滑的第一增量容量曲线进行特征提取，所获取的特征根据曲线形状而确定，本实施例中根据曲线形状可得三个峰，以峰与峰间的局部最小值作为分界点，将图像分为三个区域，区域划分如图7所示。对3块区域中每一块区域对应位置均可提取相同的特征。以区域2为例，根据区域2的形状提取7个特征，特征描述如图8(a)、图8(b)、图8(c)、图8(d)、图8(e)、图8(f)、图8(g)所示。同样地，在区域1以及区域3中相同位置、相同规则下也可提取相应的特征，共可提取21个特征。用所获取的特征构建特征矩阵HIm＝[HIm,1,HIm,2,…HIm,21]。

[0071] 例如本实施例中对光滑的第一增量容量曲线进行特征提取得到多个特征参数，这些特征参数组成一个特征序列{HIi，j|i＝m，j＝1，2，…，21}，其中，j为特征编号，序列中的任意一个特征参数均为一个特征矩阵。

[0072] 其中，本实施例中基于长短时记忆LSTM神经网络预测锂离子电池放电容量：以从光滑的第一增量容量曲线中提取的特征参数作为输入，以电池容量作为输出，训练LSTM模型，使用所训练的LSTM模型预测预测锂离子电池未来放电容量，实现在线对电池放电容量的预测，预测完成后输出电池当前的放电容量。

[0073] 在一种实施例中，对前k次循环中每一次循环所收集到的原始数据(即等间隔时间点的充电电压和放电容量)都进行上述步骤102步骤～103的处理，将提取出的特征参数作为训练数据，用于训练预测模型，加入到预测模型的训练数据集输入矩阵Xtrain中；对后N‑k次循环中每一次循环所采集到的原始数据都进行步骤102～步骤103的处理，将提取出的特征参数作为验证数据，将该验证数据加入到预测模型的验证数据集的输入矩阵Xtest中。

[0074] 本实施例中训练预测模型时，以从第一增量容量曲线中提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数组成的特征矩阵为输入，以预测的电池放电容量作为输出，放电容量也以矩阵的形式表示。例如以矩阵Xtrain为输入，以矩阵Ytrain作为输出，构造LSTM模型训练数据集{Xtrain，Ytrain}。Xtrain矩阵如下：

[0075]

[0076] Ytrain矩阵如下：

[0077]

[0078] 以Xtest为输入，以Ytest作为输出，构造LSTM模型验证数据集{Xtest，Ytest}。Xtest矩阵如下：

[0079]

[0080] Ytest矩阵如下：

[0081]

[0082] 对上述所有数据集进行z‑score标准化处理，以特征为单位对矩阵Xtrain以及矩阵Xtest进行z‑score标准化。即按列对矩阵Xtrain以及矩阵Xtest进行z‑score标准化。z‑score标准化公式如下：

[0083]

[0084]

[0085] 其中，HI*为经过z‑score标准化处理后的特征值，HI为z‑score标准化处理前的特*征值，μ为列均值，σ为列标准差，N为列元素个数，HIi为列中元素。分别得到新矩阵Xtrain以* *
及Xtest。Xtrain矩阵如下：

[0086]

[0087] X*test矩阵如下：

[0088]

[0089] 对矩阵Ytrain以及矩阵Ytest进行z‑score标准化，得到新矩阵Y*train以及Y*test。Y*train矩阵如下：

[0090]

[0091] Y*test矩阵如下：

[0092]

[0093] 对当前循环周期的放电容量进行预测，将经z‑score标准化处理后的训练数据集* *{Xtrain，Ytrain}输入至LSTM模型中进行训练，输出的模型训练值 将Xtest输入至
已训练好的模型中，得到模型输出

[0094] 以最小均方误差MSE作为模型评价指标，用来评估模型训练及预测效果。以train_loss＝MSEtrain作为训练集训练效果评价指标，公式如下：

[0095]

[0096] 以test_loss＝MSEtest作为训练集训练效果评价指标，公式如下：

[0097]

[0098] 设置不同的模型超参数Epochs、batch_size、unit组合，训练模型。观察train_loss和test_loss，当train_loss以及test_loss均处于较低值时，观察train_lose和test_loss的差值。当二者的差值较小时，说明预测模型未出现严重的过拟合情况，此时超参数Epochs、batch_size、unit的值即可用于LSTM模型中。

[0099] 对i次充放电循环周期之后的放电容量进行预测，在经z‑score标准化处理后训练* * *数据集{Xtrain，Ytrain}中，矩阵Xtrain表达式为：

[0100]

[0101] 矩阵Y*train表达式为：

[0102]

[0103] 在经z‑score标准化处理后验证数据集{X*test，Y*test}中矩阵X*test表达式为：

[0104]

[0105] 矩阵Y*test表达式为：

[0106]

[0107] 重复上述训练步骤以训练预测模型，输出预测模型的预测值。

[0108] 进一步的，在另一种实施例中还包括，计算模型评价指标最小均方误差MSE，调整模型超参数，得到最优模型。

[0109] 保存训练好的预测模型，对当前所使用的电池N+1次充放电循环之后的任一循环进行步骤101～步骤103的操作，选择需要预测的时间跨度，将获取的特征参数组成的特征序列{HIi，j|i＝m，m>N,j＝1，2，…，21}输入至训练好的预测模型中，即可获得未来放电容量的预测值

[0110] 进一步的，当完成了第N+1次的放电容量预测工作后，进行下一次在线预测时，可将第N+1次试验的电池真实值与前N个锂电池状态观测数据一起加入模型数据集，使用该数据集对LSTM模型进行新一轮的训练与预测，得到第N+2次充放电循环周期的预测值，实现在线训练与预测。

[0111] 本实施例的电池放电容量预测方法和现有的预测方法相比具有以下技术优势：

[0112] 1、本实施例实现了基于数据驱动和LSTM模型的锂离子电池在线放电容量的预测，特征参数识别方法简单、复杂度低，算法容易实现。

[0113] 2、本实施例的预测方法通过数据驱动的方法，利用电池充电阶段的观测数据进行特征提取，有效利用了电池充放电期间的大量数据，通过对预测模型的不断训练，提高了电池预测模型的准确度与鲁棒性。

[0114] 3、依据本实施例的设计，可在线提取电池充放电期间的特征参数，每次可预测未来几个充放电循环之后的放电容量，实现电池未来放电容量的实时预测，提高电池在线放电容量预测的准确性。

[0115] 实施例二：

[0116] 本实施例中数据来源为实验室加速老化实验数据，下面以表1所示锂离子电池运行数据为例，对本发明实施例中的技术方案进行清楚、完整地描述。

[0117] 表1锂离子电池加速老化试验数据

[0118]

[0119] 本实施例采集并记录电池前150个循环的充电周期中恒流充电阶段电压从2.5V充到3.65V时等时间间隔序列，记为{Ti，j|i＝1，2，…，150，j＝1，2，…，n}，n的大小根据各循环充电时间长短而定；记录等时间间隔序列中各等时间间隔点所对应的电压{Vi，j|i＝1，2，…，150，j＝1，2，…，n}、容量数据放电容量序列{Qi，j|i＝1，2，…，150，j＝1，2，…，n}；采集锂电池前150个充放电周期的电池放电容量序列，记为{Ci|i＝1,2,...,150}。电池恒流充电阶段电压、电流随时间变化如图3所示，以上数据为构建训练数据集的原始训练数据。

[0120] 进一步的，采集并记录电池后50个循环的充电周期中恒流充电阶段电压从2.5V充到3.65V时等时间间隔序列，记为{Ti，j|i＝151,152,...,200，j＝1，2，…，n}，n的大小根据各循环充电时间长短而定；记录等时间间隔序列中各等时间间隔点所对应的电压、容量数据，分别记为{Vi，j|i＝151,152,...,200，j＝1，2，…，n}，{Qi，j|i＝151,152,...,200，j＝1，2，…，n}；采集锂电池后50个充放电周期的电池放电容量序列，记为{Ci|i＝151,152,...,
200}。电池恒流充电阶段电压、电流随时间变化如图3所示，以上数据为验证训练的预测模型准确性的验证数据数据。

[0121] 对训练集中的数据进行处理，首先对前150个循环中任一次循环m所采集的等时间间隔数据中的电压序列{Vi，j|i＝m，j＝1，2，…，n}以及容量序列{Qi，j|i＝m，j＝1，2，…，n}进行线性插值样条处理，得到的线性样条插值函数表达式为Q＝f(V)。将电压序列数据在2.5V到3.65V范围内等电压间隔进行划分，得到1000个电压间隔相等的第一电压序列{Vi，j|i＝m，j＝1，2，…，1000}。将第一电压序列{Vi，j|i＝m，j＝1，2，…，1000}代入线性样条插值函数表达式Q＝f(V)，得到第一放电容量序列{Qi，j|i＝m，j＝1，2，…，1000}。第一电压序列所对应的第一放电容量序列如图4所示。

[0122] 对于所获得的第一电压序列{Vi，j|i＝m，j＝1，2，…，1000}及第一放电容量序列{Qi，j|i＝m，j＝1，2，…，1000}进行微分处理，得到第二电压序列{Vi，j|i＝m，j＝1，2，…，999}和第二放电容量序列{ICi，j|i＝m，j＝1，2，…，999}，本实施例中所得到的第二放电容量序列随电压变化如图4所示，该曲线即为平滑降噪前的第一增量容量曲线。

[0123] 本实施例中使用Savitzky‑Golay滤波器对所获取的第一增量容量曲线进行平滑降噪处理，获得光滑的第一增量容量曲线具体包括：对第二放电容量序列{ICi，j|i＝m，j＝1，2，…，999}使用Savitzky‑Golay滤波器进行平滑降噪处理，以第二电压序列{Vi，j|i＝m，j＝1，2，…，999}作为自变量，以得到第二放电容量序列{ICi，j|i＝m，j＝1，2，…，999}作为因变量进行平滑降噪。使用七个数据点作为平滑窗口大小，使用三次多项式进行拟合与平滑。
平滑降噪之后得到第三放电容量序列{IC*i，j|i＝m，j＝1，2，…，999}。本实施例以第二电压*
序列{Vi，j|i＝m，j＝1，2，…，999}作为横轴，以降噪后所得第三放电容量序列{ICi，j|i＝m，j＝1，2，…，999}作为纵轴，绘制光滑的第一增量容量曲线。本实施例中经过降噪处理后的光滑的第一增量容量曲线如图6所示。

[0124] 本实施例中对所获取的光滑的第一增量容量曲线进行特征提取包括：根据光滑的第一增量容量曲线形状可得三个峰，以峰与峰间的局部最小值作为分界点，将图像分为三个区域，区域划分如图7所示。对3块区域中每一块区域对应位置均可提取相同的特征。以区域2为例，根据区域2的形状提取7个特征，特征描述如图8所示。同样地，在区域1以及区域3中相同位置、相同规则下也可提取相应的特征，共可提取21个特征。用所获取的特征构建特征矩阵HIm＝[HIm,1,HIm,2,…HIm,21]。

[0125] 本实施例中基于长短时记忆LSTM神经网络预测锂离子电池放电容量。具体包括：对前150次循环中每一次循环所收集到的原始数据都进行上述处理后所得的特征参数加入预测模型的训练数据集输入矩阵Xtrain，将前150次充放电周期循环的放电容量加入至矩阵Ytrain；对后50次循环中每一次循环所收集到的原始数据都进行上述处理也得用于验证预测模型的特征参数，将用于验证预测模型的特征参数加入预测模型的验证数据集输入矩阵Xtest，将后50次充放电周期循环的放电容量加入至矩阵Ytest。

[0126] 以矩阵Xtrain为输入，以矩阵Ytrain作为输出，训练LSTM模型训练数据集{Xtrain，Ytrain}。以Xtest为输入，以Ytest作为输出，构造LSTM模型验证数据集{Xtest，Ytest}。对所有数据集进行z‑score标准化处理。

[0127] 将经z‑score标准化处理后的训练数据集{X*train，Y*train}输入至LSTM模型中进行训练，输出的模型训练值 将Xtest输入至已训练好的预测模型中，得到模型输出 以最小均方误差MSE作为模型评价指标，用来评估模型训练及预测效果。

[0128] 设置不同的模型超参数Epochs、batch_size、unit组合，训练模型。当train_loss＝MSEtrain和test_loss＝MSEtest均处于较低值且二者的差值较小时(一般小于0.05)，此时超参数Epochs、batch_size、unit的值用于LSTM模型中。

[0129] 本实施例中对1、3、5、8、10次充放电循环周期之后的放电容量进行预测。本实施例中在预测完成后，还将采集的真实数据用于进一步训练预测模型，在模型训练过程中通过选取不同的模型超参数组合输入至模型中，训练模型得到训练结果，计算模型评价指标最小均方误差MSE；选取各结果中MSE最小值所对应的那一组模型超参数，选取该组超参数输入模型即可得到最优模型。

[0130] 本实施例的预测模型的模型超参数设置如下：神经元层数＝2；epochs＝32；batch_size＝1；第一层unit＝1；第二层unit＝4；优化器＝adam。

[0131] 对当前所使用的电池250次充放电循环之后的任一循环进行上述处理得到特征序列，将获取的特征序列{HIi，j|i＝m，m>N,j＝1，2，…，21}输入至训练好的预测模型中，获得未来放电容量的预测值。当完成了第251次循环之后的放电容量预测工作后要进行下一循环的预测工作时，可将第251次循环的电池真实值与前250个锂电池状态观测数据一起加入模型数据集，使用该数据集对LSTM模型进行新一轮的训练与预测，得到第252次充放电循环周期的预测值，实现在线训练与预测。

[0132] 本实施例的预测模型训练及预测结果如表2所示。由表2可见，本实施例充分利用电池充电数据及历史数据，每次可预测n次充放电循环周期之后的放电容量，可进行模型在线训练以及预测，判断电池未来的健康状态变化情况。如表2所示，在预测5个循环以内的放电容量时模型训练集误差可控制在0.02以内，验证集误差可控制在0.05以内；在预测10个循环以内的放电容量时模型训练集误差可控制在0.04以内，验证集误差可控制在0.09以内；本发明的模型预测精度较高，可预测十个充放电循环周期以内的放电容量，为判断锂电池的近期健康状态变化情况提供依据。

[0133] 表2模型训练及预测结果

[0134]

[0135] 实施例三

[0136] 本实施例提供一种电池放电容量预测系统，该系统包括获取模块201、第一处理模块202、提取模块203和预测模块204，其中，获取模块201用于获取电池充电阶段多个等间隔时间点的充电电压和放电容量；第一处理模块202用于对获取的充电电压和放电容量进行线性样条插值法处理，得到多个等间隔电压点对应的放电容量，根据多个等间隔电压点以及其对应的放电容量得到用于表示电池充电电压与放电容量对应关系的第一增量容量曲线；提取模块203用于对第一增量容量曲线进行特征提取得到电池充电时的充电电压及其对应的放电容量相关的特征参数；预测模块204用于将特征参数输入到预先训练好的预测模型中得到电池当前的放电容量。

[0137] 在另一种实施例中，该电池放电容量预测系统还包括输出模块205，例如该输出模块为显示屏，输出模块用于输出并显示预测出的电池当前的放电容量，方便工作人员直观查看。

[0138] 其中，上述各个模块中具体预测的工作策略和上述实施例一相同，此处不再赘述。

[0139] 实施例四

[0140] 本实施例提供一种计算机可读存储介质，该存储介质中包括程序，该程序能够被处理器执行以实现如实施例一提供的电池放电容量预测方法。

[0141] 以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。