电池鼓胀率的模型建立方法、监控方法、装置及存储介质

摘要

本发明涉及一种电池鼓胀率的模型建立方法、监控方法、装置及存储介质，通过对采集预设数量的电池样品的样本数据，根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型以及对应的特征项评分表，进一步地，获取当前待评估电池的特征项数据，根据特征项数据以及特征项评分表确定当前待评估电池对应的目标分组以及与目标分组对应的目标鼓胀率预测模型并得出当前待评估电池的鼓胀变化率预测值，将鼓胀变化率预测值与预设的临界值相比较，并在鼓胀变化率预测值超过预设的临界值的情况下触发报警，能实现无电芯厚度测试情况下实时精确的判定电池的鼓胀情况并进行报警。

权利要求

1.一种电池鼓胀率的模型建立方法，其特征在于，所述方法包括：

采集预设数量的电池样品的样本数据，所述样本数据包括每个电池样品的特征项数据以及鼓胀变化率与时间周期之间的关系曲线；

基于所述样本数据的近似关系将所述电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型；

根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表；

所述基于所述样本数据的近似关系将所述电池样品划分成多个不同的分组包括：按照时间轴顺序对每个所述电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点做切线并根据切线之间的夹角关系确定该电池样品的加速鼓胀拐点；

按照时间轴顺序对每个所述电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点求导以得到每一单位时间点对应的斜率；

根据不同电池样品的加速鼓胀拐点以及每一单位时间点对应的斜率之间的近似关系将所述电池样品划分成多个不同的分组。

2.如权利要求1所述的方法，其特征在于，所述特征项数据包括与电池的材料特性相关的材料特性特征项数据、与电池的应力环境相关的应力环境特征项数据、与电池的时间周期相关的时间周期特征项数据、以及与电池的电学性能相关的电学性能特征项数据。

3.如权利要求2所述的方法，其特征在于，所述基于所述样本数据的近似关系将所述电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型包括：针对每个所述分组的样本数据执行如下操作：

对该分组的样本数据中的所述材料特性特征项数据，所述应力环境特征项数据，所述时间周期特征项数据，所述电学性能特征项数据，以及鼓胀变化率数据进行清洗；

基于机器学习模型并根据清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型。

4.如权利要求1所述的方法，其特征在于，所述根据不同电池样品的加速鼓胀拐点以及每一单位时间点对应的斜率之间的近似关系将所述电池样品划分成多个不同的分组包括：针对每个所述电池样品，确定所述每一单位时间点对应的斜率中的最大斜率，最小斜率，以及中位值斜率；

根据不同电池样品的所述最大斜率、最小斜率、中位值斜率、以及加速鼓胀拐点对应的鼓胀变化值之间的近似关系将所述电池样品划分成多个不同的分组。

5.如权利要求4所述的方法，其特征在于，所述按照时间轴顺序对每个所述电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点做切线并根据切线之间的夹角关系确定该电池样品的加速鼓胀拐点包括：针对每个单位时间点，确定该时间点的切线与后一时间点对应的切线之间的第一夹角；

若所述第一夹角满足第一预设条件，则将该时间点作为参照点，并将该时间点对应的切线作为参照切线；

确定所述参照点之后的目标单位时间点的切线与所述参照切线之间的第二夹角；

若所述第二夹角满足第二预设条件，则将该目标单位时间点确定为加速鼓胀拐点。

6.如权利要求3所述的方法，其特征在于，所述对该分组的样本数据中的所述材料特性特征项数据，所述应力环境特征项数据，所述时间周期特征项数据，所述电学性能特征项数据，以及鼓胀变化率数据进行清洗包括：基于扩展卡尔曼滤波方法对所述材料特性特征项数据，所述应力环境特征项数据，所述时间周期特征项数据，所述电学性能特征项数据，以及鼓胀变化率数据进行清洗。

7.如权利要求3所述的方法，其特征在于，所述基于机器学习模型并根据清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型包括：基于机器学习模型以及随机森林回归器并根据所述清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型，其中，所述随机森林回归器具有预设数量的决策树。

8.如权利要求7所述的方法，其特征在于，所述根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表包括：基于所述机器学习模型确定每个分组对应的所述材料特性特征项数据以及所述应力环境特征项数据各自对所述鼓胀率预测模型的结果影响重要度；

对所述结果影响重要度做归一化处理以得到每个分组对应的所述材料特性特征项数据以及所述应力环境特征项数据的归一化影响度；

基于所述归一化影响度并根据下式确定所述材料特性特征项数据中的每个特征项以及所述应力环境特征项数据中的每个特征项对应的评分值，以形成所述特征项评分表：；

其中， 是该特征项在该分组内的归一化影响度， 是该特征项对应的评分值，SUM（X’）是该分组内所有特征项的归一化影响度的总和。

9.一种电池鼓胀率的监控方法，其特征在于，所述方法包括：

加载如权利要求1‑8中任一项所述的方法所建立的全部鼓胀率预测模型和对应的所述特征项评分表，并获取当前待评估电池的特征项数据；

根据所述特征项数据以及所述特征项评分表确定所述当前待评估电池对应的目标分组以及与所述目标分组对应的目标鼓胀率预测模型；

根据所述特征项数据以及所述目标鼓胀率预测模型估计所述当前待评估电池的鼓胀变化率预测值；

将所述鼓胀变化率预测值与预设的临界值相比较，并在所述鼓胀变化率预测值超过所述预设的临界值的情况下触发报警。

10.如权利要求9所述的方法，其特征在于，所述特征项数据包括与电池的材料特性相关的材料特性特征项数据、与电池的应力环境相关的应力环境特征项数据、与电池的时间周期相关的时间周期特征项数据、以及与电池的电学性能相关的电学性能特征项数据，并且所述根据所述特征项数据以及所述特征项评分表确定所述当前待评估电池对应的目标分组以及与所述目标分组对应的目标鼓胀率预测模型包括：将所述当前待评估电池的材料特性特征项数据和应力环境特征项数据作为第一目标数据；

针对每个所述分组，根据所述第一目标数据与该分组对应的材料特性特征项数据以及应力环境特征项数据之间的相似度以及所述特征项评分表中该分组的每个特征项对应的评分值得到所述第一目标数据针对该分组的评价值；

将最大评价值对应的分组作为所述目标分组。

11.如权利要求10所述的方法，其特征在于，所述根据所述特征项数据以及所述目标鼓胀率预测模型估计所述当前待评估电池的鼓胀变化率预测值包括：将实时获取的所述当前待评估电池的所述时间周期特征项数据和所述电学性能特征项数据作为第二目标数据；

将所述第二目标数据输入所述目标鼓胀率预测模型以得到所述当前待评估电池的鼓胀变化率预测值。

12.一种电池鼓胀率的模型建立装置，其特征在于，所述装置包括：数据采集单元，用于采集预设数量的电池样品的样本数据，所述样本数据包括每个电池样品的特征项数据以及鼓胀变化率与时间周期之间的关系曲线；

预测模型建立单元，用于基于所述样本数据的近似关系将所述电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型；

评分表生成单元，用于根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表；

进一步地，所述预测模型建立单元还包括：

加速鼓胀拐点确定子单元，用于按照时间轴顺序对每个所述电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点求导以得到每一单位时间点对应的斜率；

斜率确定子单元，用于按照时间轴顺序对每个电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点求导以得到每一单位时间点对应的斜率；

分组子单元，用于根据根据不同电池样品的加速鼓胀拐点以及每一单位时间点对应的斜率之间的近似关系将所述电池样品划分成多个不同的分组。

13.一种电池鼓胀率的监控装置，其特征在于，所述装置包括：

加载及数据获取单元，用于加载如权利要求12所述的装置所建立的全部鼓胀率预测模型和对应的所述特征项评分表，并获取当前待评估电池的特征项数据；

目标预测模型确定单元，用于根据所述特征项数据以及所述特征项评分表确定所述当前待评估电池对应的目标分组以及与所述目标分组对应的目标鼓胀率预测模型；

鼓胀变化率预测单元，用于根据所述特征项数据以及所述目标鼓胀率预测模型估计所述当前待评估电池的鼓胀变化率预测值；

报警单元，用于将所述鼓胀变化率预测值与预设的临界值相比较，并在所述鼓胀变化率预测值超过所述预设的临界值的情况下触发报警。

14.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的电池鼓胀率的模型建立方法。

15.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求9至11中任一项所述的电池鼓胀率的监控方法。

说明书

电池鼓胀率的模型建立方法、监控方法、装置及存储介质

技术领域

[0001] 本发明涉及电池寿命安全技术领域，具体涉及一种电池鼓胀率的模型建立方法、监控方法、装置及存储介质。

背景技术

[0002] 锂离子电池具有高储存能量密度、使用寿命长、具备高功率承受力、重量轻、绿色环保等优点。同时锂离子电池具有免激活特性，电池放置一段时刻后则进入休眠状况，容量低于正常值，应用时长缩短，只需通过3‑5次正常的充放电循环就可激活电池，恢复正常容量。

[0003] 在锂离子电池的使用过程中，电池鼓胀可能导致起火、爆炸等安全隐患，所以针对锂离子电池需要监控电池使用过程鼓胀状态变化，如果鼓胀率发生突变或者超过某个安全值，将预示着锂离子电池可能出现安全风险，但由于电池使用过程中大多处于锂离子电池应用设备的内部，鼓胀率的变化无法直接测量，因此如何对锂离子电池的鼓胀率进行预测是亟需解决的问题。

发明内容

[0004] 本发明提供了一种电池鼓胀率的模型建立方法、监控方法、装置及存储介质，根据电池样品的样本数据建立鼓胀率预测模型以及特征评分表，在此基础上，对于待评估电池，可以根据待评估电池的特征数据以及鼓胀率预测模型和特征评分表准确预测电池的鼓胀变化率预测值，并在鼓胀变化率超过预设的临界值时触发报警，具体方案如下：

[0005] 第一方面，提供一种电池鼓胀率的模型建立方法，所述方法包括：

[0006] 采集预设数量的电池样品的样本数据，所述样本数据包括每个电池样品的特征项数据以及鼓胀变化率与时间周期之间的关系曲线；

[0007] 基于所述样本数据的近似关系将所述电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型；

[0008] 根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表。

[0009] 进一步地，所述特征项数据包括与电池的材料特性相关的材料特性特征项数据、与电池的应力环境相关的应力环境特征项数据、与电池的时间周期相关的时间周期特征项数据、以及与电池的电学性能相关的电学性能特征项数据。

[0010] 进一步地，所述基于所述样本数据的近似关系将所述电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型包括：

[0011] 针对每个所述分组的样本数据执行如下操作：

[0012] 对该分组的样本数据中的所述材料特性特征项数据，所述应力环境特征项数据，所述时间周期特征项数据，所述电学性能特征项数据，以及鼓胀变化率数据进行清洗；

[0013] 基于机器学习模型并根据清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型。

[0014] 进一步地，所述基于所述样本数据的近似关系将所述电池样品划分成多个不同的分组包括：

[0015] 按照时间轴顺序对每个所述电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点做切线并根据切线之间的夹角关系确定该电池样品的加速鼓胀拐点；

[0016] 按照时间轴顺序对每个所述电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点求导以得到每一单位时间点对应的斜率；

[0017] 根据不同电池样品的加速鼓胀拐点以及每一单位时间点对应的斜率之间的近似关系将所述电池样品划分成多个不同的分组。

[0018] 进一步地，所述根据不同电池样品的加速鼓胀拐点以及每一单位时间点对应的斜率之间的近似关系将所述电池样品划分成多个不同的分组包括：

[0019] 针对每个所述电池样品，确定所述每一单位时间点对应的斜率中的最大斜率，最小斜率，以及中位值斜率；

[0020] 根据不同电池样品的所述最大斜率、最小斜率、中位值斜率、以及加速鼓胀拐点对应的鼓胀变化值之间的近似关系将所述电池样品划分成多个不同的分组。

[0021] 进一步地，所述按照时间轴顺序对每个所述电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点做切线并根据切线之间的夹角关系确定该电池样品的加速鼓胀拐点包括：

[0022] 针对每个单位时间点，确定该时间点的切线与后一时间点对应的切线之间的第一夹角；

[0023] 若所述第一夹角满足第一预设条件，则将该时间点作为参照点，并将该时间点对应的切线作为参照切线；

[0024] 确定所述参照点之后的目标单位时间点的切线与所述参照切线之间的第二夹角；

[0025] 若所述第二夹角满足第二预设条件，则将该目标单位时间点确定为加速鼓胀拐点。

[0026] 进一步地，所述对该分组的样本数据中的所述材料特性特征项数据，所述应力环境特征项数据，所述时间周期特征项数据，所述电学性能特征项数据，以及鼓胀变化率数据进行清洗包括：

[0027] 基于扩展卡尔曼滤波方法对所述材料特性特征项数据，所述应力环境特征项数据，所述时间周期特征项数据，所述电学性能特征项数据，以及鼓胀变化率数据进行清洗。

[0028] 进一步地，所述基于机器学习模型并根据清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型包括：

[0029] 基于机器学习模型以及随机森林回归器并根据所述清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型，其中，所述随机森林回归器具有预设数量的决策树。

[0030] 进一步地，所述根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表包括：

[0031] 基于所述机器学习模型确定每个分组对应的所述材料特性特征项数据以及所述应力环境特征项数据各自对所述鼓胀率预测模型的结果影响重要度；

[0032] 对所述结果影响重要度做归一化处理以得到每个分组对应的所述材料特性特征项数据以及所述应力环境特征项数据的归一化影响度；

[0033] 基于所述归一化影响度并根据下式确定所述材料特性特征项数据中的每个特征项以及所述应力环境特征项数据中的每个特征项对应的评分值，以形成所述特征项评分表：

[0034] ；

[0035] 其中， 是该特征项在该分组内的归一化影响度， 是该特征项对应的评分值，SUM（X’）该分组内所有特征项的归一化影响度的总和。

[0036] 第二方面，提供一种电池鼓胀率的监控方法，所述方法包括：

[0037] 加载如前所述的方法所建立的全部鼓胀率预测模型和对应的所述特征项评分表，并获取当前待评估电池的特征项数据；

[0038] 根据所述特征项数据以及所述特征项评分表确定所述当前待评估电池对应的目标分组以及与所述目标分组对应的目标鼓胀率预测模型；

[0039] 根据所述特征项数据以及所述目标鼓胀率预测模型估计所述当前待评估电池的鼓胀变化率预测值；

[0040] 将所述鼓胀变化率预测值与预设的临界值相比较，并在所述鼓胀变化率预测值超过所述预设的临界值的情况下触发报警。

[0041] 进一步地，所述特征项数据包括与电池的材料特性相关的材料特性特征项数据、与电池的应力环境相关的应力环境特征项数据、与电池的时间周期相关的时间周期特征项数据、以及与电池的电学性能相关的电学性能特征项数据，并且所述根据所述特征项数据以及所述特征项评分表确定所述当前待评估电池对应的目标分组以及与所述目标分组对应的目标鼓胀率预测模型包括：

[0042] 将所述当前待评估电池的材料特性特征项数据和应力环境特征项数据作为第一目标数据；

[0043] 针对每个所述分组，根据所述第一目标数据与该分组对应的材料特性特征项数据以及应力环境特征项数据之间的相似度以及所述特征项评分表中该分组的每个特征项对应的评分值得到所述第一目标数据针对该分组的评价值；

[0044] 将最大评价值对应的分组作为所述目标分组。

[0045] 进一步地，所述根据所述特征项数据以及所述目标鼓胀率预测模型估计所述当前待评估电池的鼓胀变化率预测值包括：

[0046] 将实时获取的所述当前待评估电池的所述时间周期特征项数据和所述电学性能特征项数据作为第二目标数据；

[0047] 将所述第二目标数据输入所述目标鼓胀率预测模型以得到所述当前待评估电池的鼓胀变化率预测值。

[0048] 第三方面，提供一种电池鼓胀率的模型建立装置，所述装置包括：

[0049] 数据采集单元，用于采集预设数量的电池样品的样本数据，所述样本数据包括每个电池样品的特征项数据以及鼓胀变化率与时间周期之间的关系曲线；

[0050] 预测模型建立单元，用于基于所述样本数据的近似关系将所述电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型；

[0051] 评分表生成单元，用于根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表。

[0052] 第四方面，提供一种电池鼓胀率的监控装置，所述装置包括：

[0053] 加载及数据获取单元，用于加载前所述的装置所建立的全部鼓胀率预测模型和对应的所述特征项评分表，并获取当前待评估电池的特征项数据；

[0054] 目标预测模型确定单元，用于根据所述特征项数据以及所述特征项评分表确定所述当前待评估电池对应的目标分组以及与所述目标分组对应的目标鼓胀率预测模型；

[0055] 鼓胀变化率预测单元，用于根据所述特征项数据以及所述目标鼓胀率预测模型估计所述当前待评估电池的鼓胀变化率预测值；

[0056] 报警单元，用于将所述鼓胀变化率预测值与预设的临界值相比较，并在所述鼓胀变化率预测值超过所述预设的临界值的情况下触发报警。

[0057] 第五方面，提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的电池鼓胀率的模型建立方法。

[0058] 第六方面，提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的电池鼓胀率的监控方法。

[0059] 本发明通过对采集预设数量的电池样品的样本数据，基于样本数据的近似关系将电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型，根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表，从而根据电池样品的样本数据将电池样品准确分组并建立了电池的鼓胀率预测模型，为后续电池的鼓胀变化率的计算提供了基础，进一步地，获取当前待评估电池的特征项数据，根据特征项数据以及特征项评分表确定当前待评估电池对应的目标分组以及与目标分组对应的目标鼓胀率预测模型，根据特征项数据以及目标鼓胀率预测模型估计当前待评估电池的鼓胀变化率预测值，将鼓胀变化率预测值与预设的临界值相比较，并在鼓胀变化率预测值超过预设的临界值的情况下触发报警，能实现无电芯厚度测试情况下实时精确的判定电池的鼓胀情况并进行报警。

附图说明

[0060] 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单地介绍，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。

[0061] 图1是本发明实施例一中的电池鼓胀率的模型建立方法的流程图；

[0062] 图2是本发明实施例一中的电池鼓胀变化率与时间周期之间的关系曲线图；

[0063] 图3是本发明实施例二中的电池鼓胀率的模型建立装置的示意图；

[0064] 图4是本发明实施例三中的电池鼓胀率的监控方法的流程图；

[0065] 图5是本发明实施例四中的电池鼓胀率的监控装置的示意图。

具体实施方式

[0066] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0067] 在整个说明书中，对“一个实施方式”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施方式中”、“在实施方式中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。

[0068] 本发明中公开了一种电池鼓胀率的模型建立方法，采集预设数量的电池样品的样本数据，样本数据包括每个电池样品的特征项数据以及鼓胀变化率与时间周期之间的关系曲线，基于样本数据的近似关系将电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型，根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表，基于此，本发明还公开了一种电池鼓胀率的监控方法，加载建立的全部鼓胀率预测模型和对应的特征项评分表，并获取当前待评估电池的特征项数据，根据特征项数据以及所述特征项评分表确定当前待评估电池对应的目标分组以及与目标分组对应的目标鼓胀率预测模型，根据特征项数据以及目标鼓胀率预测模型估计当前待评估电池的鼓胀变化率预测值，将鼓胀变化率预测值与预设的临界值相比较，并在鼓胀变化率预测值超过预设的临界值的情况下触发报警，从而实现了对电池的鼓胀变化率的自动测量并且当超过预设的临界值时的自动报警。

[0069] 实施例一

[0070] 如图1所示，本发明提供一种电池鼓胀率的模型建立方法，该方法包括：

[0071] S101、采集预设数量的电池样品的样本数据，样本数据包括每个电池样品的特征项数据以及鼓胀变化率与时间周期之间的关系曲线。

[0072] S102、基于样本数据的近似关系将电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型。

[0073] S103、根据每个分组内的电池样品的特征项数据对鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表。

[0074] 在步骤S101中，样本数据中的特征数据包括与电池的材料特性相关的材料特性特征项数据、与电池的应力环境相关的应力环境特征项数据、与电池的时间周期相关的时间周期特征项数据、以及与电池的电学性能相关的电学性能特征项数据，示例性地，材料特性特征包括正极材料、负极材料、电解液和截止电压等，环境应力特征项包括温度、湿度、充放电电流及制式等，用于多应力环境下测试锂离子电池鼓胀性能表现，便于从多方面辨识因变量，时间周期特征项包括两个维度，一是应用时长，二是充放电循环数，保证多维度预测，一般选取恶劣值作为终选，保证安全性，电化学性能特征项包括内阻以及电压等，电化学性能特征根据相关性高低程度选取，或者根据结果影响重要度进行不同组合，选取最优组合。

[0075] 样本数据中的鼓胀变化率与时间周期之间的关系曲线是以时间周期为自变量，以鼓胀变化率为因变量的关系曲线，每一个电池样品均对应一个关系曲线，示例性地，时间周期可以为充放电循环周期。

[0076] 在步骤S102中，基于样本数据的近似关系将电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型包括：

[0077] 针对每个分组的样本数据执行如下操作：

[0078] S1021、对该分组的样本数据中的材料特性特征项数据，应力环境特征项数据，时间周期特征项数据、电学性能特征项数据、以及鼓胀变化率数据进行清洗；

[0079] S1022、基于机器学习模型并根据清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型。

[0080] 进一步地，步骤S1021、对该分组的样本数据中的材料特性特征项数据，应力环境特征项数据，时间周期特征项数据，电学性能特征项数据，以及鼓胀变化率数据进行清洗包括：

[0081] 基于扩展卡尔曼滤波方法对材料特性特征项数据，应力环境特征项数据，时间周期特征项数据，电学性能特征项数据，以及鼓胀变化率数据进行清洗。

[0082] 示例性地，应用扩展卡尔曼滤波对数据进行清洗，具体方法如下所示，[0083] X_(n(n‑1))=Ae^(X_(n‑1) )+W_n；

[0084] X_n=X_(n(n‑1))+K_n (Z_n‑X_(n(n‑1)))；

[0085] X_(n‑1)第n‑1次卡尔曼滤波最优估计值；

[0086] X_(n(n‑1))由X_(n‑1)通过经验公式计算出来的第n次系统值；

[0087] Z_n是第n次的测量值；

[0088] K_n第n次卡尔曼增益；

[0089] W_n高斯噪声；

[0090] A常数项；

[0091] X_n求解后得到的第n次卡尔曼滤波最优估计值。

[0092] 进一步地，步骤S1022、基于机器学习模型并根据清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型包括：

[0093] 基于机器学习模型以及随机森林回归器并根据清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型，其中，随机森林回归器具有预设数量的决策树。

[0094] 示例性地，采用机械学习算法‑随机森林回归器对上述特征项与鼓胀变化率之间建立鼓胀预测模型，随机森林回归器应用100颗决策树。

[0095] 进一步地，步骤S102、基于样本数据的近似关系将电池样品划分成多个不同的分组包括：

[0096] S1023、按照时间轴顺序对每个电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点做切线并根据切线之间的夹角关系确定该电池样品的加速鼓胀拐点；

[0097] S1024、按照时间轴顺序对每个电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点求导以得到每一单位时间点对应的斜率；

[0098] S1025、根据不同电池样品的加速鼓胀拐点以及每一单位时间点对应的斜率之间的近似关系将电池样品划分成多个不同的分组。

[0099] 进一步地，步骤S1024、根据不同电池样品的加速鼓胀拐点以及每一单位时间点对应的斜率之间的近似关系将所述电池样品划分成多个不同的分组包括：

[0100] 针对每个电池样品，确定每一单位时间点对应的斜率中的最大斜率，最小斜率，以及中位值斜率；

[0101] 根据不同电池样品的最大斜率、最小斜率、中位值斜率、以及加速鼓胀拐点对应的鼓胀变化值之间的近似关系将电池样品划分成多个不同的分组。

[0102] 示例性地，获取不同电池样品的最大斜率对应的鼓胀变化值，最小斜率对应的鼓胀变化值，中位值斜率对应的鼓胀变化值，加速鼓胀拐点对应的鼓胀变化值，根据所有电池样品的这些鼓胀变化值的近似关系将电池样品划分为多个不同的分组，每个分组所对应的电池样品的数量相同。

[0103] 进一步地，步骤S1023、按照时间轴顺序对每个所述电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点做切线并根据切线之间的夹角关系确定该电池样品的加速鼓胀拐点包括：

[0104] 针对每个单位时间点，确定该时间点的切线与后一时间点对应的切线之间的第一夹角；

[0105] 若第一夹角满足第一预设条件，则将该时间点作为参照点，并将该时间点对应的切线作为参照切线；

[0106] 确定所述参照点之后的目标单位时间点的切线与所述参照切线之间的第二夹角；

[0107] 若所述第二夹角满足第二预设条件，则将该目标单位时间点确定为加速鼓胀拐点。

[0108] 在本步骤中，单位时间点可以为单位充放电循环周期，如图2所示，为对鼓胀变化率与时间周期之间的关系曲线做切线的示意图，示例性地，第一预设条件为角度为3°，第二预设条件可以为角度值的大小，也可以为角度对应的余弦值或者正弦值大小，即延伸目标单位时间点的切线进行延伸得到第二夹角的正弦值或者余弦值，若为角度值的大小，那么第二预设条件为角度为8°，若为余弦值或者正弦值大小，那么第二预设条件为正弦值为0.14或者余弦值为0.99。

[0109] 示例性地，从时间周期左侧到右侧，依次用后一单位时间点的切线与前一单位时间点的切线相交得到第一夹角，当第一夹角等于3度时，则将前一单位时间点的切线作为参照切线，将前一单位时间点作为参照点，后面所有目标单位时间点的切线与参照切线做夹角得到第二夹角，当第二夹角等于8度时，这个目标单位时间点就是所要找的加速鼓胀拐点，也可以将参照切线以及后面的目标单位时间点的切线进行延伸得到第二夹角对应的余弦值或者正弦值，若正弦值等于0.14或余弦值等于0.99时，则该目标单位时间点为加速鼓胀拐点。

[0110] 进一步地，步骤S103、根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表包括：

[0111] S1031、基于机器学习模型确定每个分组对应的材料特性特征项数据以及应力环境特征项数据各自对鼓胀率预测模型的结果影响重要度；

[0112] S1032、对结果影响重要度做归一化处理以得到每个分组对应的材料特性特征项数据以及应力环境特征项数据的归一化影响度；

[0113] S1033、基于归一化影响度并根据下式确定材料特性特征项数据中的每个特征项以及应力环境特征项数据中的每个特征项对应的评分值，以形成特征项评分表：

[0114] ；

[0115] 其中， 是该特征项在该分组内的归一化影响度， 是该特征项对应的评分值，SUM（X’）是该分组内所有材料特性特征项以及应力环境特征项的归一化影响度的总和。

[0116] 在步骤S1031中，结果影响重要度即为材料特性特征项数据以及应力环境特征项数据各自对鼓胀率预测模型的贡献度。

[0117] 示例性地，如表1所示，列举处理不同分组的材料特性特征项对应的分值。

[0118] 表1

[0119]

[0120] 在本实施中，通过对采集预设数量的电池样品的样本数据，基于样本数据的近似关系将电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型，根据每个分组内的电池样品的特征项数据对所述鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表，从而根据电池样品的样本数据将电池样品准确分组并建立了电池的鼓胀率预测模型，为后续电池的鼓胀变化率的计算提供了基础。

[0121] 实施例二

[0122] 如图3所示，本发明还提供了一种电池鼓胀率的模型建立装置，该装置包括：

[0123] 数据采集单元301，用于采集预设数量的电池样品的样本数据，样本数据包括每个电池样品的特征项数据以及鼓胀变化率与时间周期之间的关系曲线；

[0124] 预测模型建立单元302，用于基于样本数据的近似关系将电池样品划分成多个不同的分组，并根据每个分组内的电池样品的样本数据建立与该分组相关联的鼓胀率预测模型；

[0125] 评分表生成单元303，用于根据每个分组内的电池样品的特征项数据对鼓胀率预测模型的结果影响重要度生成该鼓胀率预测模型对应的特征项评分表。

[0126] 进一步地，特征项数据包括与电池的材料特性相关的材料特性特征项数据、与电池的应力环境相关的应力环境特征项数据、与电池的时间周期相关的时间周期特征项数据、以及与电池的电学性能相关的电学性能特征项数据。

[0127] 进一步地，预测模型建立单元302还包括：

[0128] 清洗子单元，用于针对每个分组的样本数据执行如下操作：对该分组的样本数据中的材料特性特征项数据，应力环境特征项数据，时间周期特征项数据、电学性能特征项数据、以及鼓胀变化率数据进行清洗；

[0129] 模型建立子单元，用于基于机器学习模型并根据清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型。

[0130] 进一步地，清洗子单元还用于基于扩展卡尔曼滤波方法对材料特性特征项数据，应力环境特征项数据，时间周期特征项数据，电学性能特征项数据，以及鼓胀变化率数据进行清洗。

[0131] 进一步地，模型建立子单元还用于基于机器学习模型以及随机森林回归器并根据清洗后的特征项数据与鼓胀变化率数据之间的关系建立与该分组相关联的鼓胀率预测模型，其中，随机森林回归器具有预设数量的决策树。

[0132] 进一步地，预测模型建立单元302还包括：

[0133] 加速鼓胀拐点确定子单元，用于按照时间轴顺序对每个电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点做切线并根据切线之间的夹角关系确定该电池样品的加速鼓胀拐点；

[0134] 斜率确定子单元，用于按照时间轴顺序对每个电池样品的鼓胀变化率与时间周期之间的关系曲线中的每一单位时间点求导以得到每一单位时间点对应的斜率；

[0135] 分组子单元，用于根据不同电池样品的加速鼓胀拐点以及每一单位时间点对应的斜率之间的近似关系将电池样品划分成多个不同的分组。

[0136] 进一步地，分组子单元还用于：

[0137] 针对每个电池样品，确定每一单位时间点对应的斜率中的最大斜率，最小斜率，以及中位值斜率；

[0138] 根据不同电池样品的最大斜率、最小斜率、中位值斜率、以及加速鼓胀拐点对应的鼓胀变化值之间的近似关系将电池样品划分成多个不同的分组。

[0139] 进一步地，加速鼓胀拐点确定子单元还用于：

[0140] 针对每个单位时间点，确定该时间点的切线与后一时间点对应的切线之间的第一夹角；

[0141] 若第一夹角满足第一预设条件，则将该时间点作为参照点，并将该时间点对应的切线作为参照切线；

[0142] 确定所述参照点之后的目标单位时间点的切线与所述参照切线之间的第二夹角；

[0143] 若所述第二夹角满足第二预设条件，则将该目标单位时间点确定为加速鼓胀拐点。

[0144] 进一步地，评分表生成单元303还包括：

[0145] 结果影响重要度确定子单元，用于基于机器学习模型确定每个分组对应的材料特性特征项数据以及应力环境特征项数据各自对鼓胀率预测模型的结果影响重要度；

[0146] 归一化影响度确定子单元，用于对结果影响重要度做归一化处理以得到每个分组对应的材料特性特征项数据以及应力环境特征项数据的归一化影响度；

[0147] 评分表确定子单元，用于基于归一化影响度并根据下式确定材料特性特征项数据中的每个特征项以及应力环境特征项数据中的每个特征项对应的评分值，以形成特征项评分表：

[0148] ；

[0149] 其中， 是该特征项在该分组内的归一化影响度， 是该特征项对应的评分值，SUM（X’）是该分组内所有材料特性特征项以及应力环境特征项的归一化影响度的总和。

[0150] 本实施例中的电池鼓胀率的模型建立装置与实施例一中的电池鼓胀率的模型建立方法对应，能够实现实施例一中的电池鼓胀率的模型建立方法的有益效果，在此不再赘述。

[0151] 实施例三

[0152] 如图4所示，本发明还提供了一种电池鼓胀率的监控方法，该方法包括：

[0153] S401、加载电池鼓胀率的模型建立方法中所建立的全部鼓胀率预测模型和对应的特征项评分表，并获取当前待评估电池的特征项数据；

[0154] S402、根据特征项数据以及特征项评分表确定当前待评估电池对应的目标分组以及与目标分组对应的目标鼓胀率预测模型；

[0155] S403、根据特征项数据以及目标鼓胀率预测模型估计当前待评估电池的鼓胀变化率预测值；

[0156] S404、将鼓胀变化率预测值与预设的临界值相比较，并在鼓胀变化率预测值超过预设的临界值的情况下触发报警。

[0157] 在本实施例中，可以将电池鼓胀率的模型建立装置植入到锂离子电池保护板，锂离子电池保护板采集当前待评估电池的特征数据，并将当前待评估电池的特征数据发送至具有锂离子电池应用的设备端完成上述步骤S401至步骤S404的过程。

[0158] 进一步地，特征项数据包括与电池的材料特性相关的材料特性特征项数据、与电池的应力环境相关的应力环境特征项数据、与电池的时间周期相关的时间周期特征项数据、以及与电池的电学性能相关的电学性能特征项数据，并且S402、根据特征项数据以及特征项评分表确定当前待评估电池对应的目标分组以及与目标分组对应的目标鼓胀率预测模型包括：

[0159] S4021、将当前待评估电池的材料特性特征项数据和应力环境特征项数据作为第一目标数据；

[0160] S4022 、针对每个分组，根据第一目标数据与该分组对应的材料特性特征项数据以及应力环境特征项数据之间的相似度以及特征项评分表中该分组的每个特征项对应的评分值得到第一目标数据针对该分组的评价值；

[0161] S4023、将最大评价值对应的分组作为目标分组。

[0162] 在步骤S4021中，在步骤S401中，电池鼓胀率的监控方法对应的装置或设备能够自动获取当前待评估电池的特征数据。

[0163] 在步骤S4022中，具体地，将当前待评估电池的材料特性特征项以及应力环境特征项的所有子特征项对应的第一目标数据，与表1中的不同分组的料特性特征项以及应力环境特征项的特征数据进行比较，判断二者的相似度，示例性地，对于材料特性特征项以及应力环境特征项的每一个子特征项，针对于该子特征项的目标数据为a，表1中第n个分组的该子特征项的特征数据为bn，第n个分组中该子特征项的评分值为c，那么对于当前待评估电池，第n个分组的该子特征项的评价值为a/bn*c，求第n个分组的所有子特征项的评价值的总和，由此将所有子特征项的可以得到第n个分组中材料特性特征项以及应力环境特征项的所有子特征项的评价值，即第一目标数据针对于该分组的评价值。

[0164] 在步骤S4023中，若第n个分组对应的评价值最大，那么将第n个分组作为目标分组。

[0165] 进一步地，S403、根据特征项数据以及目标鼓胀率预测模型估计所述当前待评估电池的鼓胀变化率预测值包括：

[0166] S4031、将实时获取的当前待评估电池的时间周期特征项数据和电学性能特征项数据作为第二目标数据；

[0167] S4032、将第二目标数据输入目标鼓胀率预测模型以得到当前待评估电池的鼓胀变化率预测值。

[0168] 具体地，第二目标数据为按照时间周期特征项数据对电池性能特征项数据进行实时采集得到第二目标数据，示例性地，可以按照充放电循环周期数对电池性能特征数据进行采集。

[0169] 在本实施例中，获取当前待评估电池的特征项数据，根据特征项数据以及特征项评分表确定当前待评估电池对应的目标分组以及与目标分组对应的目标鼓胀率预测模型，根据特征项数据以及目标鼓胀率预测模型估计当前待评估电池的鼓胀变化率预测值，将鼓胀变化率预测值与预设的临界值相比较，并在鼓胀变化率预测值超过预设的临界值的情况下触发报警，能实现无电芯厚度测试情况下实时精确的判定锂离子电池的鼓胀情况并进行报警。

[0170] 实施例四

[0171] 如图5所示，本实施例提供了一种电池鼓胀率的监控装置，装置包括：

[0172] 加载及数据获取单元501，用于加载电池鼓胀率的模型建立装置所建立的全部鼓胀率预测模型和对应的特征项评分表，并获取当前待评估电池的特征项数据；

[0173] 目标预测模型确定单元502，用于根据特征项数据以及特征项评分表确定所述当前待评估电池对应的目标分组以及与目标分组对应的目标鼓胀率预测模型；

[0174] 鼓胀变化率预测单元503，用于根据特征项数据以及目标鼓胀率预测模型估计当前待评估电池的鼓胀变化率预测值；

[0175] 报警单元504，用于将鼓胀变化率预测值与预设的临界值相比较，并在鼓胀变化率预测值超过预设的临界值的情况下触发报警。

[0176] 进一步地，特征项数据包括与电池的材料特性相关的材料特性特征项数据、与电池的应力环境相关的应力环境特征项数据、与电池的时间周期相关的时间周期特征项数据、以及与电池的电学性能相关的电学性能特征项数据，并且目标预测模型确定单元502还包括：

[0177] 第一目标数据确定子单元，用于将当前待评估电池的材料特性特征项数据和应力环境特征项数据作为第一目标数据；

[0178] 评价值确定子单元，用于针对每个分组，根据第一目标数据与该分组对应的材料特性特征项数据以及应力环境特征项数据之间的相似度以及特征项评分表中该分组的每个特征项对应的评分值得到第一目标数据针对该分组的评价值；

[0179] 目标分组确定子单元，用于将最大评价值对应的分组作为目标分组。

[0180] 进一步地，鼓胀变化率预测单元503还包括：

[0181] 第二目标数据确定子单元，用于将实时获取的当前待评估电池的时间周期特征项数据和电学性能特征项数据作为第二目标数据；

[0182] 鼓掌变化率预测子单元，用于将第二目标数据输入目标鼓胀率预测模型以得到当前待评估电池的鼓胀变化率预测值。

[0183] 本实施例中的电池鼓胀率的监控装置与实施例三中的电池鼓胀率的监控方法对应，能够实现实施例三中的电池鼓胀率的监控方法的有益效果，在此不再赘述。

[0184] 实施例五

[0185] 本发明还提供了一种暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一所述的电池鼓胀率的模型建立方法。

[0186] 实施例六

[0187] 本发明还提供了一种暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例三所述的电池鼓胀率的监控方法。

[0188] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

[0189] 综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，因此本发明的保护范围以权利要求界定的范围为准。