储能电池使用寿命的预测方法和装置

测量装置的制造及其应用技术1.本说明书一个或多个实施例涉及计算机技术，尤其涉及储能电池使用寿命的预测方法和装置。背景技术：2.储能电池(例如锂电池、铅蓄电池等)由于具有自放电率低、工作电压高、循环寿命长和能量密度高等优点被广泛应用于交通运输、航空航天和国防军事领域。但是，储能电池在长时间使用后，其内部会出现老化和能量衰退的现象，从而导致电气系统发生灾难性事件。因此，准确预测储能电池的使用寿命显的十分必要。3.相关技术中，储能电池使用寿命的预测方法主要包括基于经验的统计方法和基于电池性能的方法，其中：基于经验的统计方法主要包括循环周期数法、安时法及其加权法和面向事件的老化积累法该方法主要是通过一些统计规律对储能电池的使用寿命进行粗略估计，通常只有对储能电池使用情况有丰富经验的专业人士才能达到；对于基于电池性能的方法主要包含基于模型的方法和基于数据驱动的方法，基于模型的方法是依托电池的退化机理、负载条件以及电池材料属性并结合失效机制对使用寿命进行预测，以对象模型架构确定为应用前提，精度取决于模型建立的完善准确程；而基于数据驱动的方法是基于历史数据来完成训练模型，通常运用粒子滤波、长短期神经网络、相关向量机等方法预测储能电池的使用寿命。技术实现要素：4.本说明书一个或多个实施例描述了储能电池使用寿命的预测方法和装置，能够实现对储能电池使用寿命的更高精度的预测。5.根据第一方面，提供了一种储能电池使用寿命的预测方法，包括：6.获取m个退役储能电池和n个待测储能电池的早期外特性数据；其中，所述早期外特性数据占全周期外特性数据的前预设百分比，所述外特性数据包括电压、容量、温度和内阻，m和n均为大于1的正整数；7.基于每个储能电池中早期外特性数据包括的电压和容量，确定与当前储能电池对应的第一健康因子；8.对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析，得到每个储能电池的第二健康因子；9.将与m个所述退役储能电池对应的第一健康因子和第二健康因子作为输入以及将m个所述退役储能电池的使用寿命作为输出，对预设的机器学习模型进行训练，得到预测模型；10.将与每个所述待测储能电池对应的第一健康因子和第二健康因子作为输入并输入到所述预测模型中，得到当前待测储能电池的使用寿命。11.在本说明书的一个实施例中，所述基于每个储能电池中早期外特性数据包括的电压和容量，确定与当前储能电池对应的第一健康因子，包括：12.基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定与当前储能电池对应的第一健康因子；其中，第m次循环过程为容量开始衰减的首次循环过程，第n次循环过程为第m次循环过程到所述早期外特性数据的最后一次循环过程之间的循环过程。13.在本说明书的一个实施例中，所述第n次循环过程是通过如下方式确定的：14.针对所有所述退役储能电池的第m次循环过程到所述早期外特性数据的最后一次循环过程之间的每一个循环过程，将当前循环过程中的所有所述退役储能电池的第一健康因子与使用寿命进行相关性分析，得到相关性系数；15.将相关性系数最高的循环过程的次数作为n。16.在本说明书的一个实施例中，所述基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定与当前储能电池对应的第一健康因子，包括：17.基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定当前储能电池中第m次和第n次循环过程分别对应的电压-容量曲线；18.将得到的每个储能电池中第m次和第n次循环过程分别对应的电压-容量曲线进行做差，并将得到的差值曲线在预设容量范围内围成的面积作为与当前储能电池对应的第一健康因子；其中，所述预设容量小于当前储能电池第m次或第n次循环过程中的充电容量。19.在本说明书的一个实施例中，所述对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析，得到每个储能电池的第二健康因子，包括：20.针对所有储能电池的容量、温度和内阻中的每一种早期外特性数据，均执行：21.构建行数为(m+n)且列数为n的矩阵；其中，n为所述早期外特性数据的总循环次数；22.按照储能电池和循环次数的顺序，将所有储能电池的当前早期外特性数据对应地填充到所述矩阵中，得到所有储能电池的高维数据；23.利用预设的主成分分析算法对所述高维数据进行降维处理，得到所有储能电池的低维数据，并将所述低维数据中的每一个矩阵元素作为第二健康因子。24.根据第二方面，提供了一种储能电池使用寿命的预测装置，包括：25.获取模块，用于获取m个退役储能电池和n个待测储能电池的早期外特性数据；其中，所述早期外特性数据占全周期外特性数据的前预设百分比，所述外特性数据包括电压、容量、温度和内阻，m和n均为大于1的正整数；26.第一确定模块，用于基于每个储能电池中早期外特性数据包括的电压和容量，确定与当前储能电池对应的第一健康因子；27.第二确定模块，用于对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析，得到每个储能电池的第二健康因子；28.训练模块，用于将与m个所述退役储能电池对应的第一健康因子和第二健康因子作为输入以及将m个所述退役储能电池的使用寿命作为输出，对预设的机器学习模型进行训练，得到预测模型；29.预测模块，用于将与每个所述待测储能电池对应的第一健康因子和第二健康因子作为输入并输入到所述预测模型中，得到当前待测储能电池的使用寿命。30.在本说明书的一个实施例中，所述第一确定模块，用于执行如下操作：31.基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定与当前储能电池对应的第一健康因子；其中，第m次循环过程为容量开始衰减的首次循环过程，第n次循环过程为第m次循环过程到所述早期外特性数据的最后一次循环过程之间的循环过程。32.在本说明书的一个实施例中，所述第n次循环过程是通过如下方式确定的：33.针对所有所述退役储能电池的第m次循环过程到所述早期外特性数据的最后一次循环过程之间的每一个循环过程，将当前循环过程中的所有所述退役储能电池的第一健康因子与使用寿命进行相关性分析，得到相关性系数；34.将相关性系数最高的循环过程的次数作为n。35.在本说明书的一个实施例中，所述第一确定模块在执行所述基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定与当前储能电池对应的第一健康因子时，用于执行如下操作：36.基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定当前储能电池中第m次和第n次循环过程分别对应的电压-容量曲线；37.将得到的每个储能电池中第m次和第n次循环过程分别对应的电压-容量曲线进行做差，并将得到的差值曲线在预设容量范围内围成的面积作为与当前储能电池对应的第一健康因子；其中，所述预设容量小于当前储能电池第m次或第n次循环过程中的充电容量。38.在本说明书的一个实施例中，所述第二确定模块，用于执行如下操作：39.针对所有储能电池的容量、温度和内阻中的每一种早期外特性数据，均执行：40.构建行数为(m+n)且列数为n的矩阵；其中，n为所述早期外特性数据的总循环次数；41.按照储能电池和循环次数的顺序，将所有储能电池的当前早期外特性数据对应地填充到所述矩阵中，得到所有储能电池的高维数据；42.利用预设的主成分分析算法对所述高维数据进行降维处理，得到所有储能电池的低维数据，并将所述低维数据中的每一个矩阵元素作为第二健康因子。43.根据本说明书实施例提供的储能电池使用寿命的预测方法和装置，通过获取m个退役储能电池和n个待测储能电池的早期外特性数据，然后基于每个储能电池中早期外特性数据包括的电压和容量，确定与当前储能电池对应的第一健康因子，同时对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析，得到每个储能电池的第二健康因子；接着，将与m个退役储能电池对应的第一健康因子和第二健康因子作为输入以及将m个退役储能电池的使用寿命作为输出，对预设的机器学习模型进行训练，得到预测模型；最后，将与每个待测储能电池对应的第一健康因子和第二健康因子作为输入并输入到预测模型中，得到当前待测储能电池的使用寿命。由于上述方案的第一健康因子是基于每个储能电池中早期外特性数据包括的电压和容量确定的，第二健康因子是对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析得到的，这样可使得利用第一健康因子和第二健康因子进行训练的模型的预测精度更高。附图说明44.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，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。45.图1示出了本说明书一个实施例中储能电池使用寿命的预测方法的流程图；46.图2示出了本说明书一个实施例中第m次和第n次循环过程中的电压-容量曲线的示意图；47.图3为图2所示的电压-容量曲线的部分放大图；48.图4示出了本说明书一个实施例中储能电池使用寿命的预测值和实际值的对比图；49.图5示出了本说明书另一个实施例中储能电池使用寿命的预测值和实际值的对比图；50.图6示出了本说明书一个实施例中储能电池使用寿命的预测装置所在的设备的结构示意图；51.图7示出了本说明书一个实施例中储能电池使用寿命的预测装置的示意图。具体实施方式52.为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本说明书一部分实施例，而不是全部的实施例，基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的的所有其他实施例，都属于本说明书保护的范围。53.下面结合附图，对本说明书提供的方案进行描述。54.图1示出根据一个实施例的储能电池使用寿命的预测方法的流程图。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台来执行。如图1所示，该方法包括：55.步骤100：获取m个退役储能电池和n个待测储能电池的早期外特性数据。56.在一些实施方式中，储能电池包括但不限于锂电池、铅蓄电池等。57.在本实施例中，早期外特性数据占全周期外特性数据的前预设百分比。在一些实施方式中，预设百分比可以为10％-20％，例如全周期的循环次数为2000次，则早期外特性数据可以是指前200次循环过程的外特性数据，或前400次循环过程的外特性数据。58.需要说明的是，在现有的基于数据驱动的储能电池使用寿命预测的研究中，往往需要储能电池开始使用到寿命终止时40％左右的数据才能达到一个理想的预测结果。而本说明书实施例可以仅通过储能电池的早期外特性数据就能对其使用寿命做出精准预测，如此就可以尽早地对储能电池未来的使用情况做出判断。59.在本实施例中，外特性数据包括电压、容量、温度和内阻，容量包括充电容量和放电容量，为了简便，在此统称为容量。在储能电池在使用过程中，会记录电压、容量、温度和内阻等外特性数据，后续的能够反应储能电池老化过程的健康因子就是基于这些外特性数据来提取的，具体的提取过程请参见下文。60.在本实施例中，m和n均为大于1的正整数。可以理解的是，m的数值越大，后续利用与退役储能电池对应的第一健康因子和第二健康因子所训练得到的预测模型的预测精度越高，在此对m的具体数值不进行具体限定。同理，对n的具体数值也不进行具体限定。61.步骤102：基于每个储能电池中早期外特性数据包括的电压和容量，确定与当前储能电池对应的第一健康因子。62.需要说明的是，在储能电池使用寿命的预测过程中，如果不考虑特征提取，其预测精度可能会受到影响，因为储能电池在初始的老化过程中，容量往往没有立即发生衰减，若想在容量还未明显衰减时预测储能电池的使用寿命或剩余使用寿命(remaining useful life，rul)，那么提取老化特征就显的格外重要。在提取到了合适的特征后，使用不同种类的机器学习算法都可以做到精准的预测。对于储能电池的寿命预测，一般用健康因子(health indicator，hi)来形容与寿命高度相关的指标。在健康因子的相关研究中，常用的健康因子包括在恒流(cc)或恒压(cv)条件下的充电时间、电压-容量曲线的斜率等。值得注意的是，电压-容量曲线是一个丰富的数据源，从中可以发掘出很多与电池相关的信息。63.在现有的研究中，多数通过分析充放电过程中的电压-容量曲线提取健康因子，并发现随着电池充放电循环次数的增多，电压-容量曲线会呈现出一个明显的变化趋势，且充电时间会逐渐缩短。因此，电压到截至电压时所需的充电时间可作为一个健康因子。64.在步骤102中，第一健康因子是基于的每个储能电池的电压和容量来确定的。具体而言，步骤102可以包括：65.基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定与当前储能电池对应的第一健康因子；其中，第m次循环过程为容量开始衰减的首次循环过程，第n次循环过程为第m次循环过程到早期外特性数据的最后一次循环过程之间的循环过程。66.在本实施例中，为了使所选取的第一健康因子能够表征的数据更多，可以首先在早期外特性数据中确定两个循环节点。第一个循环节点的选取需要避开储能电池的初始使用阶段，这是因为储能电池在早期使用时有一个容量增加的过程，这种缓慢循环或休止期后容量的小幅增加是由于负极超出正极区域的电荷储存所致。因此，为了减少对第一健康因子的提取的影响，应当避开这一容量增加的过程。因此，第一个循环节点应当选择在容量开始衰减的首次循环节点，即第m次循环过程为容量开始衰减的首次循环过程。其次，为了使第一健康因子的适应度更高，需要保证第二个循环节点与第一个循环节点有尽可能大的差值，然而第二个循环节点的第一健康因子和使用寿命的相关性又可能不佳，因此第二个循环节点应当选择在第一个循环节点到早期外特性数据的最后一个循环节点之间的循环节点，即第n次循环过程为第m次循环过程到早期外特性数据的最后一次循环过程之间的循环过程。67.为了更为准确地确定出n的数值，可以利用退役储能电池的已有数据。68.在一些实施方式中，第n次循环过程是通过如下方式确定的：69.针对所有退役储能电池的第m次循环过程到早期外特性数据的最后一次循环过程之间的每一个循环过程，将当前循环过程中的所有退役储能电池的第一健康因子与使用寿命进行相关性分析，得到相关性系数；70.将相关性系数最高的循环过程的次数作为n。71.在本实施例中，通过对所有退役储能电池的每一个循环过程中的第一健康因子与使用寿命进行相关性分析，可以确定出相关性系数最高的循环过程，从而可以确定出n的数值，这样有利于得到对储能电池使用寿命预测更加准确的第一健康因子。72.在一些实施方式中，可以利用斯皮尔曼或皮尔森相关性分析法来分析所有退役储能电池的每一个循环过程中的第一健康因子与使用寿命的相关性，在此对相关性分析法不进行赘述。73.在经过上述方案确定出能够准确表征第一健康因子的第m次和第n次循环过程分别包括的电压和容量后，为了能够给出准确的第一健康因子的确定数值，在一些实施方式中，步骤“基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定与当前储能电池对应的第一健康因子”，可以包括：74.基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定当前储能电池中第m次和第n次循环过程分别对应的电压-容量曲线；75.将得到的每个储能电池中第m次和第n次循环过程分别对应的电压-容量曲线进行做差，并将得到的差值曲线在预设容量范围内围成的面积作为与当前储能电池对应的第一健康因子；其中，预设容量小于当前储能电池第m次或第n次循环过程中的充电容量。76.在本实施例中，通过将得到的每个储能电池中第m次和第n次循环过程分别对应的电压-容量曲线进行做差，并将得到的差值曲线在预设容量范围内围成的面积作为与当前储能电池对应的第一健康因子，如此可以确定出第一健康因子的确定数值，从而便于后续的模型训练，并能提高预测模型的预测精度。77.例如，请参见图2和图3，根据已有的电池数据，画出第m次与第n次循环过程中电压-容量曲线(分别为y1与y2)，y1与y2之间会有一个明显的间隔，因此可以求出两条曲线的积分差或者间隔差作为第一健康因子，其中两条曲线的积分差公式如下：[0078][0079]式中，b代表预设容量，y1代表第n次循环过程对应的电压-容量曲线，y2代表第m次循环过程对应的电压-容量曲线，his为第一健康因子。[0080]进一步地，可以利用斯皮尔曼或皮尔森相关性分析法来分析第一健康因子与使用寿命之间的相关性，以来验证第一健康因子选取的是否合适。[0081]步骤104：对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析，得到每个储能电池的第二健康因子。[0082]可以理解的是，第二健康因子可以是一种(即针对容量、温度和内阻中的任意一种提取得到的)，也可以是两种(即针对容量、温度和内阻中的任意两种提取得到的)，还可以是三种(即针对容量、温度和内阻提取得到的)，在此对第二健康因子的种类数量不进行具体限定。为了提高预测模型的预测精度，第二健康因子的种类数量越多越好，即第二健康因子为三种。[0083]由于退役储能电池、待测储能电池、循环次数的数量较多，因此用于提取第二健康因子的数据的维度较多，这不利于提高预测模型的预测精度。因此，可以考虑对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析(principal components analysis，pca)。请参见图4和图5，图4为未采用主成分分析法得到的循环寿命(即使用寿命)的预测值与实际值(其中采用的机器学习模型分别为bp神经网络、svm和gpr)的对比图，图5为采用主成分分析法得到的循环寿命的预测值与实际值(其中采用的机器学习模型分别为bp神经网络、svm和gpr)的对比图，从图4和图5中可以看出：图5中的rmse(root mean square error，均方根误差)和mape(mean absolute percentage error，平均百分比误差)均小于图4中的rmse和mape，这就说明采用主成分分析法所训练得到的预测模型的预测精度更高。[0084]在一些实施方式中，步骤104可以包括：[0085]针对所有储能电池的容量、温度和内阻中的每一种早期外特性数据，均执行：[0086]构建行数为(m+n)且列数为n的矩阵；其中，n为早期外特性数据的总循环次数；[0087]按照储能电池和循环次数的顺序，将所有储能电池的当前早期外特性数据对应地填充到矩阵中，得到所有储能电池的高维数据；[0088]利用预设的主成分分析算法对高维数据进行降维处理，得到所有储能电池的低维数据，并将低维数据中的每一个矩阵元素作为第二健康因子。[0089]在本实施例中，通过利用预设的主成分分析算法对高维数据进行降维处理，得到所有储能电池的低维数据，并将低维数据中的每一个矩阵元素作为第二健康因子，如此可以减少用于提取第二健康因子的数据的维度，从而有利于提高预测模型的预测精度。[0090]高维的数据对模型的训练以及计算过程都有较大的影响，所以利用主成分分析对这些高维数据进行降维处理得到新的矩阵，例如可以根据主成分分析法贡献率累加和大于80％的要求选取合适的维度。假设前两个维度的累计贡献率达到了80％以上，那么就可以将前两个维度的矩阵中的每一个矩阵元素作为第二个健康因子。[0091]需要说明的是，在利用主成分分析进行数据降维时，需要将所有储能电池的数据共同整理成矩阵的方式，这样才有利于提高预测模型的预测精度。相反，如果将退役储能电池和待测储能电池的数据分别整理成矩阵的方式，这样会降低预测模型的预测精度。[0092]在一些实施方式中，第二健康因子可以是基于放电容量、最高温度和平均内阻来提取得到的。[0093]步骤106：将与m个退役储能电池对应的第一健康因子和第二健康因子作为输入以及将m个退役储能电池的使用寿命作为输出，对预设的机器学习模型进行训练，得到预测模型。[0094]在本实施例中，与m个退役储能电池对应的第一健康因子的数据为m*1的矩阵向量，与m个退役储能电池对应的第二健康因子的数据为m*y的矩阵向量(y为经主成分分析后得到的维度数量)。[0095]在一些实施方式中，机器学习模型可以为bp模型，在此对机器学习模型的具体类型不进行限定。[0096]步骤108：将与每个待测储能电池对应的第一健康因子和第二健康因子作为输入并输入到预测模型中，得到当前待测储能电池的使用寿命。[0097]在本实施例中，与n个待测储能电池对应的第一健康因子的数据为n*1的矩阵向量，与n个待测储能电池对应的第二健康因子的数据为n*y的矩阵向量(y为经主成分分析后得到的维度数量)。[0098]这样，就可以将n*(1+y)矩阵中的每一个行向量输入到预测模型中，就可以得到对应的待测储能电池的使用寿命，进而也可以确定出待测储能电池的剩余使用寿命。[0099]综上，上述方法通过获取m个退役储能电池和n个待测储能电池的早期外特性数据，然后基于每个储能电池中早期外特性数据包括的电压和容量，确定与当前储能电池对应的第一健康因子，同时对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析，得到每个储能电池的第二健康因子；接着，将与m个退役储能电池对应的第一健康因子和第二健康因子作为输入以及将m个退役储能电池的使用寿命作为输出，对预设的机器学习模型进行训练，得到预测模型；最后，将与每个待测储能电池对应的第一健康因子和第二健康因子作为输入并输入到预测模型中，得到当前待测储能电池的使用寿命。由于上述方案的第一健康因子是基于每个储能电池中早期外特性数据包括的电压和容量确定的，第二健康因子是对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析得到的，这样可使得利用第一健康因子和第二健康因子进行训练的模型的预测精度更高。[0100]如图6和图7所示，本说明书实施例提供了一种储能电池使用寿命的预测装置所在的设备和储能电池使用寿命的预测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图6所示，为本说明书实施例提供的储能电池使用寿命的预测装置所在设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图7所示，作为一个逻辑意义上的装置，是通过其所在设备的cpu将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。[0101]如图7所示，在本说明书的一个实施例中，提出了一种储能电池使用寿命的预测装置，包括：[0102]获取模块700，用于获取m个退役储能电池和n个待测储能电池的早期外特性数据；其中，所述早期外特性数据占全周期外特性数据的前预设百分比，所述外特性数据包括电压、容量、温度和内阻，m和n均为大于1的正整数；[0103]第一确定模块702，用于基于每个储能电池中早期外特性数据包括的电压和容量，确定与当前储能电池对应的第一健康因子；[0104]第二确定模块704，用于对所有储能电池中早期外特性数据包括的容量、温度和内阻中的至少一种进行主成分分析，得到每个储能电池的第二健康因子；[0105]训练模块706，用于将与m个所述退役储能电池对应的第一健康因子和第二健康因子作为输入以及将m个所述退役储能电池的使用寿命作为输出，对预设的机器学习模型进行训练，得到预测模型；[0106]预测模块708，用于将与每个所述待测储能电池对应的第一健康因子和第二健康因子作为输入并输入到所述预测模型中，得到当前待测储能电池的使用寿命。[0107]在本发明实施例中，获取模块700可用于执行上述方法实施例中的步骤100，第一确定模块702可用于执行上述方法实施例中的步骤102，第二确定模块704可用于执行上述方法实施例中的步骤104，训练模块706可用于执行上述方法实施例中的步骤106，预测模块708可用于执行上述方法实施例中的步骤108。[0108]在本说明书提出的装置的一个实施例中，所述第一确定模块702，用于执行如下操作：[0109]基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定与当前储能电池对应的第一健康因子；其中，第m次循环过程为容量开始衰减的首次循环过程，第n次循环过程为第m次循环过程到所述早期外特性数据的最后一次循环过程之间的循环过程。[0110]在本说明书提出的装置的一个实施例中，所述第n次循环过程是通过如下方式确定的：[0111]针对所有所述退役储能电池的第m次循环过程到所述早期外特性数据的最后一次循环过程之间的每一个循环过程，将当前循环过程中的所有所述退役储能电池的第一健康因子与使用寿命进行相关性分析，得到相关性系数；[0112]将相关性系数最高的循环过程的次数作为n。[0113]在本说明书提出的装置的一个实施例中，所述第一确定模块702在执行所述基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定与当前储能电池对应的第一健康因子时，用于执行如下操作：[0114]基于每个储能电池中第m次和第n次循环过程分别包括的电压和容量，确定当前储能电池中第m次和第n次循环过程分别对应的电压-容量曲线；[0115]将得到的每个储能电池中第m次和第n次循环过程分别对应的电压-容量曲线进行做差，并将得到的差值曲线在预设容量范围内围成的面积作为与当前储能电池对应的第一健康因子；其中，所述预设容量小于当前储能电池第m次或第n次循环过程中的充电容量。[0116]在本说明书提出的装置的一个实施例中，所述第二确定模块704，用于执行如下操作：[0117]针对所有储能电池的容量、温度和内阻中的每一种早期外特性数据，均执行：[0118]构建行数为(m+n)且列数为n的矩阵；其中，n为所述早期外特性数据的总循环次数；[0119]按照储能电池和循环次数的顺序，将所有储能电池的当前早期外特性数据对应地填充到所述矩阵中，得到所有储能电池的高维数据；[0120]利用预设的主成分分析算法对所述高维数据进行降维处理，得到所有储能电池的低维数据，并将所述低维数据中的每一个矩阵元素作为第二健康因子。[0121]本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。[0122]根据另一方面的实施例，还提供了一种储能电池使用寿命的预测装置，包括：至少一个存储器和至少一个处理器；[0123]所述至少一个存储器，用于存储机器可读程序；[0124]所述至少一个处理器，用于调用所述机器可读程序，执行本说明书任一实施例中的储能电池使用寿命的预测方法。[0125]根据再一方面的实施例，还提供了一种计算机可读介质，存储用于使一计算机执行如本文所述的储能电池使用寿命的预测方法的指令。具体地，可以提供配有存储介质的方法或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该方法或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。[0126]在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本说明书的一部分。[0127]用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。[0128]此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作方法等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。[0129]此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。[0130]本领域技术人员应该可以意识到，在上述一个或多个示例中，本说明书所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。[0131]可以理解的是，本说明书实施例示意的结构并不构成对储能电池使用寿命的预测装置的具体限定。在本说明书的另一些实施例中，储能电池使用寿命的预测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。[0132]上述装置内的各模块之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。[0133]以上的具体实施方式，对本说明书的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本说明书的具体实施方式而已，并不用于限定本说明书的保护范围，凡在本说明书的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!