锂离子电池的使用寿命预测方法、装置和计算机设备

摘要

本申请涉及一种锂离子电池的使用寿命预测方法、装置和计算机设备。所述方法包括：获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据；将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命。采用本方法能够提高对锂离子电池的电池寿命进行预测的预测结果的准确度。

权利要求

1.一种锂离子电池的使用寿命预测方法，其特征在于，所述方法包括：获取目标电池的目标充放电数据；所述目标充放电数据为所述目标电池的电池健康状态值大于预设阈值时的充放电数据；所述目标充放电数据包括所述目标电池多个循环周数的充放电的时间、电压、电流、温度和内阻；

对所述目标充放电数据进行处理，得到所述目标电池的目标老化因子；将所述目标老化因子输入机器学习模型中进行分析，确定所述目标充放电数据对应的机理参数；将所述机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到所述目标电池的使用寿命预测曲线，并根据所述使用寿命预测曲线得到所述目标电池的使用寿命；其中，预测模型为： ，其中，Q(x)表示所述目标电池的健康情况，x为循环周期， ， ，或者， ，a、b、c、x0为所述机理参数， 时

为所述预测模型的线性预测支路， 时为所述预测模型的非线性预测支路。

2.根据权利要求1所述的方法，其特征在于，所述对所述目标充放电数据进行处理，得到所述目标电池的目标老化因子，包括：根据待求解的机理参数的类型，对所述目标充放电数据进行处理，得到与所述机理参数的类型匹配的目标老化因子。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取样本电池的样本充放电数据；所述样本充放电数据是所述样本电池全生命周期的充放电数据；

利用所述样本充放电数据对初始机器学习模型进行训练，得到所述机器学习模型。

4.根据权利要求3所述的方法，其特征在于，所述利用所述样本充放电数据对初始机器学习模型进行训练，得到所述机器学习模型，包括：对所述样本充放电数据进行处理，得到样本老化因子；

利用所述样本老化因子对初始机器学习模型进行训练，得到所述机器学习模型。

5.根据权利要求1‑4任一项所述的方法，其特征在于，所述机器学习模型为逻辑回归模型、高斯过程回归模型、随机森林模型中的任一种。

6.根据权利要求1‑4任一项所述的方法，其特征在于，所述目标充放电数据为目标电池的前100周完整充放电周期的充放电数据。

7.一种锂离子电池的使用寿命预测装置，其特征在于，所述装置包括：第一获取模块，用于获取目标电池的目标充放电数据；所述目标充放电数据为所述目标电池的电池健康状态值大于预设阈值时的充放电数据；所述目标充放电数据包括所述目标电池多个循环周数的充放电的时间、电压、电流、温度和内阻；

第二获取模块，用于对所述目标充放电数据进行处理，得到所述目标电池的目标老化因子；将所述目标老化因子输入机器学习模型中进行分析，确定所述目标充放电数据对应的机理参数；将所述机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到所述目标电池的使用寿命预测曲线，并根据所述使用寿命预测曲线得到所述目标电池的使用寿命；其中，预测模型为： ，其中，Q(x)表示所述目标电池的健康情况，x为循环周期， ， ，或者， ，a、b、c、x0为所

述机理参数， 时为所述预测模型的线性预测支路， 时为所述预测模型的非线性预测支路。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种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权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

说明书

锂离子电池的使用寿命预测方法、装置和计算机设备

技术领域

[0001] 本申请涉及锂离子电池技术领域，特别是涉及一种锂离子电池的使用寿命预测方法、装置和计算机设备。

背景技术

[0002] 锂离子电池广泛应用于便携式电子设备、电动车辆和储能系统等领域，但随着锂离子电池使用时间的增加，锂离子电池的容量会逐渐衰减，导致电池终止使用，因此，对锂离子电池进行寿命预测对于评估电池性能、指导电池设计、优化电池管理、发现潜在问题以及降低开发成本和时间具有重要意义。

[0003] 通常，通过采集锂离子电池全生命周期的数据训练机器学习模型，利用训练好的机器学习模型对锂离子电池的电池寿命进行预测。

[0004] 然而，传统技术存在对锂离子电池的电池寿命进行预测的预测结果不准确的问题。

发明内容

[0005] 基于此，有必要针对上述技术问题，提供一种能够提高对锂离子电池的电池寿命进行预测的预测结果的准确度的锂离子电池的使用寿命预测方法、装置和计算机设备。

[0006] 第一方面，本申请提供了一种锂离子电池的使用寿命预测方法，包括：

[0007] 获取目标电池的目标充放电数据；所述目标充放电数据为所述目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0008] 将所述目标充放电数据对应的机理参数输入至预测模型，得到所述目标电池的使用寿命。

[0009] 在其中一个实施例中，所述预测模型包括线性预测支路和非线性预测支路，所述将所述目标充放电数据对应的机理参数输入至预测模型，得到所述目标电池的使用寿命，包括：

[0010] 将所述目标充放电数据对应的机理参数分别输入至所述线性预测支路和非线性预测支路进行预测，得到所述目标电池的使用寿命预测曲线，并根据所述使用寿命预测曲线得到所述目标电池的使用寿命。

[0011] 在其中一个实施例中，所述将所述目标充放电数据对应的机理参数分别输入至所述线性预测支路和非线性预测支路进行预测，得到所述目标电池的使用寿命预测曲线，并根据所述使用寿命预测曲线得到所述目标电池的使用寿命，包括：

[0012] 对所述目标充放电数据进行处理，得到所述目标电池的目标老化因子；

[0013] 将所述目标老化因子输入机器学习模型中进行分析，确定所述目标充放电数据对应的机理参数；

[0014] 将所述机理参数分别输入至所述线性预测支路和非线性预测支路进行预测，得到所述目标电池的使用寿命预测曲线，并根据所述使用寿命预测曲线得到所述目标电池的使用寿命。

[0015] 在其中一个实施例中，所述对所述目标充放电数据进行处理，得到所述目标电池的目标老化因子，包括：

[0016] 根据待求解的机理参数的类型，对所述目标充放电数据进行处理，得到与所述机理参数的类型匹配的目标老化因子。

[0017] 在其中一个实施例中，所述方法还包括：

[0018] 获取样本电池的样本充放电数据；所述样本充放电数据是所述样本电池全生命周期的充放电数据；

[0019] 利用所述样本充放电数据对初始机器学习模型进行训练，得到所述机器学习模型。

[0020] 在其中一个实施例中，所述利用所述样本充放电数据对初始机器学习模型进行训练，得到所述机器学习模型，包括：

[0021] 对所述样本充放电数据进行处理，得到样本老化因子；

[0022] 利用所述样本老化因子对初始机器学习模型进行训练，得到所述机器学习模型。

[0023] 第二方面，本申请还提供了一种锂离子电池的使用寿命预测装置，包括：

[0024] 第一获取模块，用于获取目标电池的目标充放电数据；所述目标充放电数据为所述目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0025] 第二获取模块，用于将所述目标充放电数据对应的机理参数输入至预测模型，得到所述目标电池的使用寿命。

[0026] 第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

[0027] 获取目标电池的目标充放电数据；所述目标充放电数据为所述目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0028] 将所述目标充放电数据对应的机理参数输入至预测模型，得到所述目标电池的使用寿命。

[0029] 第四方面，本申请还提供了一种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以下步骤：

[0030] 获取目标电池的目标充放电数据；所述目标充放电数据为所述目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0031] 将所述目标充放电数据对应的机理参数输入至预测模型，得到所述目标电池的使用寿命。

[0032] 第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

[0033] 获取目标电池的目标充放电数据；所述目标充放电数据为所述目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0034] 将所述目标充放电数据对应的机理参数输入至预测模型，得到所述目标电池的使用寿命。

[0035] 上述锂离子电池的使用寿命预测方法、装置和计算机设备，获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据；将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命。将机理参数引入预测模型，提高了预测模型的稳定性和准确度，且根据目标电池的电池健康状态值大于预设阈值时的充放电数据获取目标电池的使用寿命，不需要获取电池全部周期的充放电数据，从而利用较少的数据获取更加准确的目标电池的使用寿命。

附图说明

[0036] 为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术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申请的一些实施例，对于本领域普通技术人员来讲，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。

[0037] 图1为一个实施例中锂离子电池的使用寿命预测方法的应用环境图；

[0038] 图2为一个实施例中锂离子电池的使用寿命预测方法的流程示意图；

[0039] 图3为一个实施例中电池的使用寿命曲线；

[0040] 图4为另一个实施例中锂离子电池的使用寿命预测方法的流程示意图；

[0041] 图5为一个实施例中机理参数与老化因子的关系示意图；

[0042] 图6为另一个实施例中锂离子电池的使用寿命预测方法的流程示意图；

[0043] 图7为另一个实施例中锂离子电池的使用寿命预测方法的流程示意图；

[0044] 图8为另一个实施例中锂离子电池的使用寿命预测方法的流程示意图；

[0045] 图9为一个实施例中锂离子电池的使用寿命预测装置的结构框图；

[0046] 图10为另一个实施例中锂离子电池的使用寿命预测装置的结构框图。

具体实施方式

[0047] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0048] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。

[0049] 在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

[0050] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

[0051] 现有技术中，通常使用经验模型、机理模型、机器学习模型等模型对锂离子电池的使用寿命进行预测。其中，经验模型使用实际观测的电池健康状态数据直接对经验函数进行参数拟合，从而预测电池在特定使用条件下的寿命衰减情况，但经验模型是基于统计分析和经验规律建立的，无法准确预测所有电池的寿命衰减情况，且经验函数中的参数可解释性较差，需要长期的观测数据才能拟合出相对准确的值，使得经验模型无法实现电池的早期预测；机理模型是一种基于电池内部物理和化学过程实现预测的模型，在预测电池使用寿命的同时也可以解释电池衰减的原因，机理模型基于对电池内部反应、材料性质和结构特征的理解，通过建立数学方程和物理模型来描述电池寿命衰减，但机理模型需要大量的电池内部参数和材料特性参数，机理模型的计算复杂度高、计算时间长；数据驱动的机器学习模型具有更高的准确率，然而机器学习模型的可解释性、稳定性与泛化能力较差，可能会出现不合理的预测结果。

[0052] 本申请实施例提供的锂离子电池的使用寿命预测方法，可以应用于如图1所示的应用环境中。其中，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种锂离子电池的使用寿命预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

[0053] 本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

[0054] 在一个实施例中，如图2所示，提供了一种锂离子电池的使用寿命预测方法，以该方法应用于图1中的终端为例进行说明，包括：

[0055] S201，获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据。

[0056] 其中，目标充放电数据可以包括目标电池多个循环周数的充放电的时间、电压、电流、温度、内阻等；电池健康状态值SOH将容量衰减与直流内阻谱作为电池健康的状态的指标，用于表征目标电池当前的电池容量。

[0057] 在本实施例中，通过采集设备采集目标电池的目标充放电数据，例如，采集设备可以为充放电柜、电池管理系统BMS等，目标充放电数据为目标电池的SOH值大于预设阈值时的充放电数据，以使终端根据目标电池的SOH值大于预设阈值时的充放电数据对目标电池全生命周期的电池衰减情况进行预测，从而得到目标电池的使用寿命。

[0058] S202，将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命。

[0059] 在本实施例中，机理参数可以包括多个参数，各充放电数据对应的机理参数不同，根据目标充放电数据确定对应的机理参数，再将机理参数输入至预测模型，得到目标电池的使用寿命。可选的，预测模型可以输出目标电池的使用寿命；或者，预测模型输出目标电池的衰减情况，从而根据目标电池的衰减情况确定目标电池的使用寿命。

[0060] 可选的，可以根据预设的计算规则对目标充放电数据进行计算，从而得到各目标充放电数据对应的机理参数；或者，可以根据预设的充放电数据与机理参数的对应关系，在预先建立的数据库中确定目标充放电数据对应的机理参数。

[0061] 上述锂离子电池的使用寿命预测方法中，获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据；将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命。将机理参数引入预测模型，提高了预测模型的稳定性和准确度，且根据目标电池的电池健康状态值大于预设阈值时的充放电数据获取目标电池的使用寿命，不需要获取电池全部周期的充放电数据，从而利用较少的数据获取更加准确的目标电池的使用寿命。

[0062] 在一个实施例中，提供了上述S202的一种实现方式，预测模型包括线性预测支路和非线性预测支路，上述“将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命”，包括：将目标充放电数据对应的机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命。

[0063] 在本实施例中，预测模型可以如式1所示：

[0064]                （式1）

[0065] 其中，Q表示目标电池当前的健康情况，x为循环周期， ， ，或者， ，a、b、c、x0为机理参数，不同的充放电数据对应的机理参数不同，时为预测模型的线性预测支路， 时为预测模型的非线性预测支路。

[0066] 在本实施例中，如图3所示，将目标充放电数据对应的机理参数分别输入至线性预测支路和非线性预测支路进行预测，可以得到目标电池全生命周期的电池健康情况的使用寿命预测曲线，从而根据预测曲线和目标电池当前的循环周期确定出目标电池的使用寿命。当目标电池的循环周期小于x0时，目标电池处于线性老化状态，通过预测模型中的线性预测支路确定目标电池的使用寿命；当目标电池的循环周期大于x0时，目标电池处于加速老化状态，通过预测模型中的非线性支路确定目标电池的使用寿命。可选的，循环周期可以为电池的充放电周期，电池每完成一次完整的充电和放电为一个周期；或者循环周期可以为电池的总老化日历，老化日历与电池的循环周数、充放电深度以及电池的静置时长有关。

[0067] 可选的，可以使用最小二乘法确定目标充放电数据对应的机理参数，通过最小化预测值和实际值之间的平方误差来找到数据的最佳函数匹配，使得所有数据点到该线或曲线的距离的平方和最小。具体的实现过程是：假设模型函数是,其中y是目标变量，x是自变量，p是模型的参数向量，p=(a,b,c,x0)，使得p满足式2：

[0068]                   （式2）

[0069] 具体地，最小二乘法确定p的过程为：

[0070] 1、参数向量p随机初始值化。

[0071] 2、计算雅可比矩阵和残差向量：对每个数据点，计算模型预测值和实际值的差，即残差，并计算模型函数关于参数的雅可比矩阵。雅可比矩阵J是一个m×n矩阵，其中m是数据点的数量，n是参数的数量。 ，残差向量 。

[0072] 3、求解更新方向：利用雅可比矩阵和残差向量求解线性最小二乘问题，找到参数向量p的更新方向。假设Δp是参数向量的更新方向，可通过解以下正规方程得到：，进而可以更新参数向量 。

[0073] 4、检查收敛条件：如果残差向量的范数小于某个阈值，或者达到预设的最大迭代次数，那么停止迭代。否则，返回第2步。

[0074] 本实施例中，预测模型包括线性预测支路和非线性预测支路，与电池的老化规律更加匹配，可以对处于不同老化状态的电池进行电池健康状况的预测，从而提高了预测目标电池的使用寿命的准确度。

[0075] 在一个实施例中，如图4所示，上述“将目标充放电数据对应的机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命”，包括：

[0076] S301，对目标充放电数据进行处理，得到目标电池的目标老化因子。

[0077] 在本实施例中，对目标充放电数据进行处理，从而提取出能够反应目标电池老化特征的数值信息，例如，充放电电压的最大值、最小值、差值、平均值、方差等信息，以及随着循环的进行上述信息的变换趋势；容量的衰减趋势以及方差，功率‑电压曲线的极值点、变化趋势以及对应的n阶距等统计指标，将处理后的目标充放电数据作为目标老化因子。

[0078] 可选的，可以根据待求解的机理参数的类型，对目标充放电数据进行处理，得到与机理参数的类型匹配的目标老化因子，可以根据子任务中参数的特点，选取能够反映子任务中与待预测参数相关度高的老化因子。示例性地，可以使用皮尔逊相关系数确定各老化因子与机理参数之间的相关度；或者，可以使用预设的模型确定各老化因子与机理参数之间的相关度。

[0079] 可选的，可以将目标电池的100周完整充放电周期之前的数据作为目标充放电数据，并对目标充放电数据进行处理。

[0080] S302，将目标老化因子输入机器学习模型中进行分析，确定目标充放电数据对应的机理参数。

[0081] 可选的，在本实施例中，如图5所示，将目标老化因子输入预先训练好的机器学习模型中进行分析，机器学习模型输出该老化因子对应的机理参数。

[0082] 可选的，机器学习模型可以为逻辑回归模型、高斯过程回归模型、随机森林模型等，示例性地，可以使用逻辑回归模型确定机理参数中的参数a和参数x0，可以使用高斯回归模型确定机理参数中的参数b，可以使用随机森林模型确定机理参数中的参数c。

[0083] 可选的，可以通过机器学习模型获取各机理参数的范围，再在各机理参数的范围中确定出机理参数的值。

[0084] S303，将机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0085] 在本实施例中，将目标充放电数据对应的机理参数分别输入至线性预测支路和非线性预测支路进行预测，可以得到目标电池全生命周期的电池健康情况的预测曲线，从而根据预测曲线和目标电池当前的循环周期确定出目标电池的使用寿命。

[0086] 本实施例中，通过目标充放电数据确定目标老化因子，从而根据目标老化因子和机器学习模型确定机理参数，近似的得到的机理参数的准确度更高，将目标充放电数据对应的机理参数输入至线性预测支路和非线性预测支路进行预测，获得的目标电池的使用寿命的准确度更高。

[0087] 在一个实施例中，还提供了一种锂离子电池的使用寿命预测方法，如图6所示，即图4实施例的页面访问方法还包括步骤：

[0088] S304，获取样本电池的样本充放电数据；样本充放电数据是样本电池全生命周期的充放电数据。

[0089] 其中，样本充放电数据可以包括样本电池多个循环周数的充放电的时间、电压、电流、温度、内阻等；电池健康状态值SOH将容量衰减或直流内阻作为电池健康的状态的指标，用于表征目标电池当前的电池容量。

[0090] 在本实施例中，通过采集设备采集或历史数据获取样本电池的样本充放电数据，例如，采集设备可以为充放电柜、电池管理系统BMS等，样本充放电数据为样本电池的全生命周期的充放电数据。

[0091] S305，利用样本充放电数据对初始机器学习模型进行训练，得到机器学习模型。

[0092] 在本实施例中，利用样本充电数据对初始学习模型进行训练，可选的，可以在达到预设的训练次数时完成对初始机器学习模型的训练，或者，可以在初始机器学习模型的奖励值大于预设阈值时完成对初始学习模型的训练。将完成训练的初始机器学习模型确定为机器学习模型。

[0093] 本实施例中，基于样本电池全生命周期的样本充放电数据对初始机器学习模型进行训练，从而获得机器学习模型，从而使用机器学习模型获取机理参数，提高了机理参数的准确度。

[0094] 在一个实施例中，提供了上述S305的一种实现方式，如图7所示，上述“利用样本充放电数据对初始机器学习模型进行训练，得到机器学习模型”，包括：

[0095] S401，对样本充放电数据进行处理，得到样本老化因子。

[0096] 在本实施例中，对样本充放电数据进行处理，从而提取出能够反应样本电池老化特征的数值信息，例如，充放电电压的最大值、最小值、差值、平均值、方差等信息，以及随着循环的进行上述信息的变换趋势；容量的衰减趋势以及方差，功率‑电压曲线的极值点、变化趋势以及对应的n阶距等统计指标，将处理后的样本充放电数据作为样本老化因子。

[0097] S402，利用样本老化因子对初始机器学习模型进行训练，得到机器学习模型。

[0098] 在本实施例中，利用样本老化因子对初始学习模型进行训练，可选的，可以在达到预设的训练次数时完成对初始机器学习模型的训练，或者，可以在初始机器学习模型的奖励值大于预设阈值时完成对初始学习模型的训练。将完成训练的初始机器学习模型确定为机器学习模型。

[0099] 本实施例中，对样本充放电数据进行处理，得到样本老化因子，再基于样本老化因子对初始机器学习模型进行训练，进一步地提高了机器学习模型计算机理参数的准确度。

[0100] 下面结合一个具体的锂离子电池的使用寿命预测场景来介绍本公开的一个实施例，如图8所示，该方法包括如下步骤：

[0101] S1，获取样本电池的样本充放电数据；样本充放电数据是样本电池全生命周期的充放电数据；对样本充放电数据进行处理，得到样本老化因子；利用样本老化因子对初始机器学习模型进行训练，得到机器学习模型。

[0102] S2，获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0103] S3，根据待求解的机理参数的类型，对目标充放电数据进行处理，得到与机理参数的类型匹配的目标老化因子。

[0104] S4，将目标老化因子输入机器学习模型中进行分析，确定目标充放电数据对应的机理参数；

[0105] S5，将机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0106] 上述锂离子电池的使用寿命预测方法中，获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据；将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命。将机理参数引入预测模型，提高了预测模型的稳定性和准确度，且根据目标电池的电池健康状态值大于预设阈值时的充放电数据获取目标电池的使用寿命，不需要获取电池全部周期的充放电数据，从而利用较少的数据获取更加准确的目标电池的使用寿命。

[0107] 应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

[0108] 基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的锂离子电池的使用寿命预测方法的锂离子电池的使用寿命预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个锂离子电池的使用寿命预测装置实施例中的具体限定可以参见上文中对于锂离子电池的使用寿命预测方法的限定，在此不再赘述。

[0109] 在一个实施例中，如图9所示，提供了一种锂离子电池的使用寿命预测装置，包括：第一获取模块10和第二获取模块11，其中：

[0110] 第一获取模块10，用于获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0111] 第二获取模块11，用于将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命。

[0112] 本实施例提供的锂离子电池的使用寿命预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0113] 在一个实施例中，如图10所示，第二获取模块11，包括：获取单元111，用于将目标充放电数据对应的机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0114] 本实施例提供的锂离子电池的使用寿命预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0115] 在一个实施例中，上述获取单元111，用于对目标充放电数据进行处理，得到目标电池的目标老化因子；将目标老化因子输入机器学习模型中进行分析，确定目标充放电数据对应的机理参数；将机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0116] 本实施例提供的锂离子电池的使用寿命预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0117] 在一个实施例中，上述获取单元111，用于根据待求解的机理参数的类型，对目标充放电数据进行处理，得到与机理参数的类型匹配的目标老化因子。

[0118] 本实施例提供的锂离子电池的使用寿命预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0119] 在一个实施例中，上述获取单元111，用于获取样本电池的样本充放电数据；样本充放电数据是样本电池全生命周期的充放电数据；利用样本充放电数据对初始机器学习模型进行训练，得到机器学习模型。

[0120] 本实施例提供的锂离子电池的使用寿命预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0121] 在一个实施例中，上述获取单元111，用于对样本充放电数据进行处理，得到样本老化因子；利用样本老化因子对初始机器学习模型进行训练，得到机器学习模型。

[0122] 本实施例提供的锂离子电池的使用寿命预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0123] 上述锂离子电池的使用寿命预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

[0124] 在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

[0125] 获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0126] 将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命。

[0127] 本实施例提供的计算机设备，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0128] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：

[0129] 将目标充放电数据对应的机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0130] 本实施例提供的计算机设备，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0131] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：

[0132] 对目标充放电数据进行处理，得到目标电池的目标老化因子；

[0133] 将目标老化因子输入机器学习模型中进行分析，确定目标充放电数据对应的机理参数；

[0134] 将机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0135] 本实施例提供的计算机设备，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0136] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：

[0137] 根据待求解的机理参数的类型，对目标充放电数据进行处理，得到与机理参数的类型匹配的目标老化因子。

[0138] 本实施例提供的计算机设备，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0139] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：

[0140] 获取样本电池的样本充放电数据；样本充放电数据是样本电池全生命周期的充放电数据；

[0141] 利用样本充放电数据对初始机器学习模型进行训练，得到机器学习模型。

[0142] 本实施例提供的计算机设备，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0143] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：

[0144] 对样本充放电数据进行处理，得到样本老化因子；

[0145] 利用样本老化因子对初始机器学习模型进行训练，得到机器学习模型。

[0146] 本实施例提供的计算机设备，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0147] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

[0148] 获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0149] 将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命。

[0150] 本实施例提供的计算机可读存储介质，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0151] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0152] 将目标充放电数据对应的机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0153] 本实施例提供的计算机可读存储介质，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0154] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0155] 对目标充放电数据进行处理，得到目标电池的目标老化因子；

[0156] 将目标老化因子输入机器学习模型中进行分析，确定目标充放电数据对应的机理参数；

[0157] 将机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0158] 本实施例提供的计算机可读存储介质，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0159] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0160] 根据待求解的机理参数的类型，对目标充放电数据进行处理，得到与机理参数的类型匹配的目标老化因子。

[0161] 本实施例提供的计算机可读存储介质，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0162] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0163] 获取样本电池的样本充放电数据；样本充放电数据是样本电池全生命周期的充放电数据；

[0164] 利用样本充放电数据对初始机器学习模型进行训练，得到机器学习模型。

[0165] 本实施例提供的计算机可读存储介质，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0166] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0167] 对样本充放电数据进行处理，得到样本老化因子；

[0168] 利用样本老化因子对初始机器学习模型进行训练，得到机器学习模型。

[0169] 本实施例提供的计算机可读存储介质，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0170] 在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

[0171] 获取目标电池的目标充放电数据；目标充放电数据为目标电池的电池健康状态值大于预设阈值时的充放电数据；

[0172] 将目标充放电数据对应的机理参数输入至预测模型，得到目标电池的使用寿命。

[0173] 本实施例提供的计算机程序产品，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0174] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0175] 将目标充放电数据对应的机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0176] 本实施例提供的计算机程序产品，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0177] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0178] 对目标充放电数据进行处理，得到目标电池的目标老化因子；

[0179] 将目标老化因子输入机器学习模型中进行分析，确定目标充放电数据对应的机理参数；

[0180] 将机理参数分别输入至线性预测支路和非线性预测支路进行预测，得到目标电池的使用寿命预测曲线，并根据使用寿命预测曲线得到目标电池的使用寿命。

[0181] 本实施例提供的计算机程序产品，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0182] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0183] 根据待求解的机理参数的类型，对目标充放电数据进行处理，得到与机理参数的类型匹配的目标老化因子。

[0184] 本实施例提供的计算机程序产品，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0185] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0186] 获取样本电池的样本充放电数据；样本充放电数据是样本电池全生命周期的充放电数据；

[0187] 利用样本充放电数据对初始机器学习模型进行训练，得到机器学习模型。

[0188] 本实施例提供的计算机程序产品，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0189] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

[0190] 对样本充放电数据进行处理，得到样本老化因子；

[0191] 利用样本老化因子对初始机器学习模型进行训练，得到机器学习模型。

[0192] 本实施例提供的计算机程序产品，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

[0193] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read‑Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

[0194] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0195] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。