一种储能电池的健康状态值测定方法、装置及电子设备与流程

本技术涉及储能电池，特别涉及一种储能电池的健康状态值测定方法、装置及电子设备。

背景技术：

1、随着电动汽车和储能系统的快速发展，电池作为关键的能量储存装置，其健康状态（state of health, soh）测定变得至关重要。健康状态值测定可以帮助预测电池剩余寿命、优化充放电策略以及确保系统的安全性和可靠性。

2、现有技术中存在一些基于深度学习或卷积神经网络的健康状态值测定方法，这些方法通常是将电池的相关数据依次输入多个网络模块（例如卷积神经网络模块、lstm网络模块等）进行处理，将依次处理的最终结果作为电池的健康状态值。

3、然而，由于电池的电压、电流、温度等参数之间的内在关系较为复杂，上述方法的处理结果存在着计算精度较低、稳定性较差的问题。

技术实现思路

1、本说明书提供一种储能电池的健康状态值测定方法、装置及电子设备，以解决现有的电池健康状态值测定方法计算精度较低、稳定性较差的问题。

2、为解决上述技术问题，本说明书第一方面提供一种储能电池的健康状态值测定方法，包括：在储能电池充放电过程中，按照预定采样间隔通过检测电路检测随时间变化的多个老化特征参数；将当前采样时刻及当前采样时刻之前采集的各老化特征参数转换成老化特征数据块；所述老化特征数据块包括多个二维数据，其中一个二维数据对应于一个老化特征参数，二维数据包括时间维度和老化特征参数的取值维度；对所述老化特征数据块进行第一三维卷积操作，并从卷积结果中提取全局特征；对所述老化特征数据块进行第二三维卷积操作，并从卷积结果中提取局部特征；将所述全局特征和所述局部特征进行融合，得到融合特征；将所述融合特征输入时间序列网络模型，所述时间序列网络模型用于处理时间序列数据；根据所述时间序列网络模型的输出结果，确定所述储能电池的健康状态值。

3、在一些实施例中，对所述老化特征数据块进行第一三维卷积操作，并从卷积结果中提取全局特征，包括：将所述老化特征数据块输入第一三维卷积网络进行处理；将所述第一三维卷积网络的处理结果依次输入自编码器的编码器层、压缩表示层、解码器层进行处理，将所述自编码器的输出结果作为所述老化特征数据块的全局特征。

4、在一些实施例中，对所述老化特征数据块进行第二三维卷积操作，并从卷积结果中提取局部特征，包括：将所述老化特征数据块输入第二三维卷积网络进行处理；将所述第二三维卷积网络的处理结果输入二维卷积网络进行处理，将所述第二三维卷积网络的输出结果作为所述老化特征数据块的局部特征。

5、在一些实施例中，将所述全局特征和所述局部特征进行融合，得到融合特征，包括：将所述局部特征输入特征增强网络进行处理；所述特征增强网络用于为各特征通道进行加权；将所述特征增强网络的输出结果与所述全局特征进行融合，得到融合特征。

6、在一些实施例中，所述第一三维卷积操作、所述第二三维卷积操作所采用的卷积核的维度相同，但取值不同。

7、在一些实施例中，所述方法还包括：跟踪记录多个样本电池的全寿命使用状态；所述多个样本电池涵盖了多种电池内部结构参数、材质参数，样本电池的使用状态涵盖了多种体现电池老化状态的参数、能够促进电池老化的电池外部使用条件参数；根据跟踪记录数据确定电池的每个使用状态分别对应的健康状态值，所述使用状态包括多个老化特征参数的取值；基于多个样本电池在全寿命期间每个使用状态分别对应的健康状态值，分别计算每个老化特征参数与健康状态值之间的相关性系数；选取取值最大的相关性系数对应的老化特征参数用于测定储能电池的健康状态值。

8、在一些实施例中，根据所述时间序列网络模型的输出结果，确定所述储能电池的健康状态值，包括：对所述老化特征数据块输入第三三维卷积网络进行处理；将所述第三三维卷积网络的处理结果输入残差卷积网络，通过残差卷积网络确定当前采样时刻与上一采样时刻所对应的电池容量的差值；根据所述电池容量的差值确定所述储能电池的预计电池容量；根据所述储能电池的预计电池容量、所述时间序列网络模型的输出结果，确定所述储能电池的健康状态值。

9、在一些实施例中，所述储能电池定期或不定期地在充满电之后以预定工况放电完全；所述方法还包括：获取在所述储能电池以预定工况从满电状态至放电完全的过程中各采样时刻的电池端电压和电流；计算所述电池端电压和所述电流的积分值，将所述积分值作为目标时刻的实际电池容量；所述目标时刻为预定工况运行过程中的满电时刻；以所述目标时刻采集的各老化特征参数作为输入参数，以所述目标时刻的实际电池容量作为输出参数，校正所述残差卷积网络。

10、本说明书第二方面提供一种储能电池的健康状态值测定装置，包括：获取单元，用于在储能电池充放电过程中，按照预定采样间隔通过检测电路检测随时间变化的多个老化特征参数；转换单元，用于将当前采样时刻及当前采样时刻之前采集的各老化特征参数转换成老化特征数据块；所述老化特征数据块包括多个二维数据，其中一个二维数据对应于一个老化特征参数，二维数据包括时间维度和老化特征参数的取值维度；第一处理单元，用于对所述老化特征数据块进行第一三维卷积操作，并从卷积结果中提取全局特征；第二处理单元，用于对所述老化特征数据块进行第二三维卷积操作，并从卷积结果中提取局部特征；融合单元，用于将所述全局特征和所述局部特征进行融合，得到融合特征；第三处理单元，用于将所述融合特征输入时间序列网络模型，所述时间序列网络模型用于处理时间序列数据；确定单元，用于根据所述时间序列网络模型的输出结果，确定所述储能电池的健康状态值。

11、本说明书第三方面提供一种电子设备，包括：存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现第一方面任一项所述的储能电池的健康状态值测定方法。

12、本说明书第四方面提供一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面任一项所述的储能电池的健康状态值测定方法。

13、本说明书第五方面提供一种计算机程序产品，包含有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述的储能电池的健康状态值测定方法。

14、本说明书提供的储能电池的健康状态值测定方法、装置及电子设备，将储能电池在充放电过程中随时间变化的多个老化特征参数转换成老化特征数据块，然后对老化特征数据块进行两个分支的处理。一个分支先对老化特征数据块执行三维卷积操作，然后从三维卷积结果中提取全局特征；另一分支先对老化特征数据块执行三维卷积操作，然后从三维卷积结果中提取局部特征。再将两个分支的处理结果进行融合，得到融合特征，将融合特征输入时间序列网络模型捕捉电池状态的变化趋势和规律，最后根据时间序列网络模型的输出结果确定储能电池的健康状态。

15、本方案对多个老化特征参数构成的老化特征数据块执行三维卷积操作，从而实现特征融合，可以充分利用不同老化特征参数的信息，更全面地描述储能电池的状态，从而提高对储能电池健康状态值的测定准确度。

16、本方案将特征提取分为全局特征和局部特征两个支路，在全局特征提取中捕捉整体趋势和规律，而在局部特征提取中可以更精准地捕捉局部细节和变化，全局特征和局部特征可以更为全面地理解电池的状态数据，从而根据这两个支路提取的特征测定储能电池的健康状态值更为准确。

17、本方案将全局特征和局部特征融合后输入时间序列网络模型进行处理，结合了卷积神经网络和循环神经网络的优势，对于不同类型和长度的时间序列数据都具有较强的适应性，可应用于储能电池健康状态测定的多种场景，泛化性强、稳定性较高。