复合电极电池老化估计方法、装置、设备、介质及程序与流程

1.本技术属于电池状态估计领域，尤其涉及一种复合电极电池老化估计方法、装置、设备、介质及程序。


背景技术：

2.复合电极电池指使用复合电极材料的电池，复合电极材料由两种或两种以上材料组成，每种材料都有其独特的性质，因此可以充分利用各种材料的优点，使得复合电极电池具有高能量密度、高功率密度、长寿命、高安全性等特点。
3.复合电极电池作为电化学系统，在使用过程中随着循环充放电次数的增加，电池老化程度会不断加深，其可用容量将下降，而不正确的使用电池可能会引发严重的安全事故。因此，对于复合电极电池的老化状态的准确估计具有重要的现实意义。现有的针对复合电极电池老化状态的一种估计方法，将电池的soc-ocv特征视为恒定值，基于数据驱动的方法或基于模型的方法来估算复合电极电池的老化状态。


技术实现要素：

4.本技术实施例提供一种复合电极电池老化估计方法、装置、设备、介质及程序，能够改善复合电极电池的老化程度估计的准确性。
5.第一方面，本技术实施例提供一种复合电极电池老化估计方法，复合电极电池的荷电状态soc和开路电压ocv的关系随电池的循环数而变化。该方法包括：接收复合电极电池的温度、soc和ocv，基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。老化程度估计模型为预先设置的，并被配置为基于多组数据样本训练得到，每组数据样本包括自变量和因变量，自变量包括电池的温度、soc和ocv，因变量包括电池的老化程度。
6.上述复合电极电池老化估计方法，将复合电极电池的soc-ocv特征视为变量，以电池的温度、soc和ocv作为自变量，电池的老化程度作为因变量，训练得到老化程序估计模型，基于电池的温度、soc、ocv和老化程度估计模型，可以确定出复合电极电池准确的老化程度，改善了复合电极电池的老化程度估计的准确性。
7.作为一种可能的实现方式，老化程度估计模型的训练方法包括：获取多组数据样本，将多组数据样本划分为训练集和测试集，训练集用于指示对模型进行训练的数据样本，测试集用于指示确定训练后模型泛化误差的数据样本。建立初始模型，以及设置初始模型的参数，初始模型的自变量包括电池的温度、soc以及ocv，初始模型的因变量包括电池的老化程度。设定初始模型的损失函数，损失函数用于反映模型的老化程度误差。基于训练集和测试集训练初始模型，得到老化程度估计模型，老化程度估计模型的老化程度误差小于预设误差阈值。
8.通过上述方式，可以训练得到以电池的温度、soc以及ocv为输入，以电池的老化程度为输出的老化程度估计模型，并且老化程度估计模型的误差小于预设误差阈值。
9.作为一种可能的实现方式，获取多组数据样本，包括：选取电芯样本，其中电芯样本的型号与复合电极电池的电芯型号相同，测试电芯样本的标准循环寿命，得到电芯样本全生命周期的老化参数，基于老化参数，获取多组数据样本。老化参数被配置为温度、soc、ocv以及老化程度之间的函数。
10.通过上述方式，可以获取与复合电极电池的电芯型号对应的多组数据样本，基于多组数据样本进行模型训练，可以保证最终训练得到的老化程度估计模型能够估计出该电芯型号的复合电极电池的老化程度，此外，通过对电芯样本进行标准循环寿命测试的方式构建数据样本，保证了数据样本的有效性，进一步改善了训练得到的老化程度估计模型的准确性。
11.作为一种可能的实现方式，初始模型包括符号回归模型或神经网络模型。
12.符号回归模型为基于符号回归方法的模型，其充分发挥了机器学习方法不依赖模型和高精度的优点，将符号回归模型作为初始模型，能够使最终得到的老化估计模型为满足误差精度要求的显性数学公式，可以用于计算电池老化程度的精确解。而神经网络模型由多个神经元组成，其具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，能够充分逼近复杂的非线性关系，将神经网络模型作为初始模型，能够改善最终得到的老化估计模型的准确性。
13.作为一种可能的实现方式，设置初始模型的参数，包括：基于遗传算法回归器，设置符号回归模型的各项参数，或者，基于遗传算法回归器，设置神经网络模型的各项参数。
14.通过上述方式，基于遗传算法回归器可以快速、高效的完成模型参数的设置。
15.作为一种可能的实现方式，基于训练集和测试集训练初始模型，得到老化程度估计模型之后，方法还包括：将老化程度估计模型部署于电池管理系统。
16.基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度，包括：在电池管理系统中，基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。
17.通过上述方式，通过将老化程度估计模型部署于电池管理系统bms，使得，可以在bms中直接对复合电极电池的老化程度进行估计，从而减少数据传输，提高估计效率。
18.第二方面，本技术实施例提供了一种复合电极电池老化估计装置，复合电极电池的荷电状态soc和开路电压ocv的关系随电池的循环数而变化。该装置包括：接收模块，用于接收复合电极电池的温度、soc和ocv，老化程度计算模块，用于基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。老化程度估计模型为预先设置的，并被配置为基于多组数据样本训练得到，每组数据样本包括自变量和因变量，自变量包括电池的温度、soc和ocv，因变量包括电池的老化程度。
19.作为一种可能的实现方式，装置还包括：模型训练模块，模型训练模块包括：数据样本获取子模块，用于获取多组数据样本，样本划分子模块，用于将多组数据样本划分为训练集和测试集，训练集用于指示对模型进行训练的数据样本，测试集用于指示确定训练后模型泛化误差的数据样本。初始模型建立子模块，用于建立初始模型，初始模型的自变量包括电池的温度、soc以及ocv，初始模型的因变量包括电池的老化程度。参数设置子模块，用于设置初始模型的参数。损失函数设定子模块，用于设定初始模型的损失函数，损失函数用
于反映老化程度误差。训练子模块，用于基于训练集和测试集训练初始模型，得到老化程度估计模型，老化程度估计模型的老化程度误差小于预设误差阈值。
20.作为一种可能的实现方式，数据样本获取子模块，具体用于：选取电芯样本，其中电芯样本的型号与复合电极电池的电芯型号相同，测试电芯样本的标准循环寿命，得到电芯样本全生命周期的老化参数，基于老化参数，获取多组数据样本。老化参数被配置为温度、soc、ocv以及老化程度之间的函数。
21.作为一种可能的实现方式，初始模型包括符号回归模型或神经网络模型。
22.作为一种可能的实现方式，参数设置子模块，具体用于：基于遗传算法回归器，设置符号回归模型的各项参数，或者，基于遗传算法回归器，设置神经网络模型的各项参数。
23.作为一种可能的实现方式，装置还包括：部署模块，用于基于训练集和测试集训练初始模型，得到老化程度估计模型之后，将老化程度估计模型部署于电池管理系统。相应的，老化程度计算模块，具体用于：在电池管理系统中，基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。
24.第三方面，本技术实施例提供了一种电子设备，包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如第一方面的复合电极电池老化估计方法。
25.第四方面，本技术实施例提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面的复合电极电池老化估计方法。
26.第五方面，本技术实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面的复合电极电池老化估计方法。
27.本技术实施例的复合电极电池老化估计方法、装置、设备、介质及程序，将复合电极电池的soc-ocv特征视为变量，以电池的温度、soc和ocv作为自变量，电池的老化程度作为因变量，训练得到老化程序估计模型，基于电池的温度、soc、ocv和老化程序估计模型，可以确定出复合电极电池准确的老化程度，改善了复合电极电池的老化程度估计的准确性。
附图说明
28.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍。
29.图1是本技术实施例提供的复合电极电池老化估计方法的流程示意图；
30.图2是本技术实施例提供的老化程度估计模型训练方法的流程示意图；
31.图3是本技术实施例提供的一种老化程度估计模型训练的示意图；
32.图4是本技术实施例提供的另一种老化程度估计模型训练的示意图；
33.图5是本技术实施例提供的复合电极电池老化估计装置的结构示意图；
34.图6是本技术实施例提供的电子设备的结构示意图。
具体实施方式
35.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目
的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。
36.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
37.为了便于对本技术实施例理解，首先对本技术实施例中涉及的术语进行解释说明。
38.复合电极电池，电池的电极包括正极和负极，复合电极电池指正极和/或负极使用了复合电极材料的电池。例如，正极包括两种以上正极活性材料，和/或，负极包括两种以上负极活性材料的电池为复合电极电池。其中正极活性材料包括但不限于钴酸锂(lco)、锰酸锂(lmo)、磷酸铁锂(lfp)、三元材料(镍钴锰酸锂：ncm)和镍钴铝酸锂(nca))等，负极活性材料包括但不限于石墨、硅、硬碳、软碳等。复合电极电池的电芯可以是钠离子电芯、锂离子电芯等其他类型的二次电芯。
39.soc，全称state of charge，也即电池荷电状态，是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值。
40.ocv，全称open circuit voltage，也即电池开路电压，指电池在非工作状态下，电池正负极之间的电势差。
41.bms，全称battery management system，也即电池管理系统，能够监控电池的状态，管理电池的充电和放电。在本技术的一些实现方式中，bms可以通过印刷电路板的形式体现，印刷电路板上可以设置电子元件，包括微控制器(mcu)，充电开关，放电开关，电阻，电容等。
42.为了改善现有技术存在的电池老化程度估计不准确的问题，本技术实施例提供了一种新型的复合电极电池老化估计方法、装置、设备、介质及程序，用于对复合电极电池进行老化估计。
43.下面首先对本技术实施例所提供的复合电极电池老化估计方法进行介绍。
44.图1示出了本技术一个实施例提供的复合电极电池老化估计方法的流程示意图。如图1所示，该方法可以包括如下步骤s110-s120。
45.s110.接收复合电极电池的温度、soc和ocv。
46.其中，温度可以为复合电极电池本身的温度，也可以为复合电极电池所处环境的温度。
47.本技术的发明人发现，复合电极电池中soc-ocv的关系特征会随着电池循环数的变化而变化，而循环数与老化程度线性相关。基于此，本实施例将复合电极电池的soc-ocv的关系特征与复合电极电池的老化估计相关联，此外，soc-ocv的关系特征也会受到温度的影响，因此为了保证电池老化估计结果的准确性，接收复合电极电池的ocv、soc、温度，以根据复合电极电池的温度、soc和ocv来确定电池的老化程度。
48.在实际应用中，可以通过相关的采集装置采集复合电极电池的ocv、soc和温度等数据。采集装置可以包括传感器以及设置于bms上的模拟前端电路(analog front end,afe)。
49.作为一个示例，可以在复合电极电池使用过程中，通过bms上的afe实时采集该复
合电极电池的ocv、soc和温度。
50.s120.基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。
51.其中，老化程度估计模型可以是预先设置在bms中，并被配置为基于多组数据样本训练得到，每组数据样本包括自变量和因变量，自变量包括电池的温度、soc和ocv，因变量包括电池的老化程度。
52.作为一个示例，在对复合电极电池进行老化估计之前，可以先获取多组数据样本，基于多组数据样本进行模型训练，进而得到以电池的温度、soc和ocv为输入，以电池的老化程度为输出的老化程度估计模型。基于此，在对复合电极电池进行老化估计时，接收复合电极电池的温度、soc和ocv，将接收到的温度、soc和ocv输入老化程度估计模型，进而得到老化程度估计模型输出的老化程度，该老化程度与输入的温度、soc和ocv对应，将老化程度估计模型输出的老化程度作为该复合电极电池的老化程度，也即老化估计结果。
53.本实施例中的复合电极电池老化估计方法，将复合电极电池的soc-ocv特征视为变量，以电池的温度、soc和ocv作为自变量，电池的老化程度作为因变量，训练得到老化程序估计模型，基于电池的温度、soc、ocv和老化程度估计模型，可以确定出复合电极电池准确的老化程度，改善了复合电极电池的老化程度估计的准确性。
54.在一些实施例中，如图2所示，老化程度估计模型的训练方法具体可以包括如下步骤：
55.s210.获取多组数据样本。
56.为了保证最终训练得到的老化程度估计模型可以对s110中的复合电极电池(为便于描述，下称“当前复合电极电池”)进行老化估计，可以获取与当前复合电极电池的电芯型号对应的多组数据样本。
57.如上所述，每组数据样本均包括自变量和因变量，自变量包括电池的温度、soc和ocv，因变量包括电池的老化程度，其中，自变量的值与因变量的值对应，也即一组数据样本中的老化程度，以该组数据样本中的电池的温度、soc和ocv对应。
58.s220.将多组数据样本划分为训练集和测试集。
59.其中训练集用于指示对模型进行训练的数据样本，测试集用于指示确定训练后模型泛化误差的数据样本。训练集与测试集无重合的数据。可以理解的是，在通过训练集将老化程度估计模型训练完成后，可以利用测试集来验证老化程度估计模型的准确度。
60.作为一个示例，可以预先设置一个划分比例，该划分比例为训练集的数据量与测试集的数据量之比，基于该划分比例将多组样本数据划分为训练集和测试集。其中，划分比例可以根据实际情况设置。例如，可以将划分比例设置为7:3，如此假设共有1000组数据样本，则基于划分比例，将其中的700组数据样本作为训练集，将剩余的300组数据样本作为测试集。
61.作为另一个示例，可以对多组数据样本进行预处理得到测试集。例如共有100组数据样本，则将100组数据样本作为训练集，并对100组数据样本做预处理，例如通过插值法或随机噪声法处理100组数据得到测试集。
62.s230.建立初始模型，以及设置初始模型的参数。
63.其中，初始模型的自变量包括电池的温度、soc以及ocv，初始模型的因变量包括电
池的老化程度。
64.s240.设定初始模型的损失函数。
65.其中，损失函数用于反映模型的老化程度误差。
66.s250.基于训练集和测试集训练初始模型，得到老化程度估计模型。
67.其中，老化程度估计模型的老化程度误差小于预设误差阈值，其中误差阈值可以根据实际的模型精度需求设置。
68.作为一个示例，基于训练集和测试集，可以采用有监督的训练方法对初始模型进行训练，得到老化程度估计模型。在训练时，针对训练集中的数据样本，将数据样本中的自变量值输入模型，得到模型输出的与样本数据对应的预测结果，基于数据样本中的因变量值、预测结果和损失函数，确定训练后的模型的老化程度误差，在老化程度误差大于或等于误差阈值的情况下，对模型中的参数进行调整，基于训练集继续对参数调整后的模型进行训练，直至训练后的模型的老化程度误差小于误差阈值，将最后一次训练得到的模型作为老化程度估计模型。
69.通过上述方式，可以训练得到以电池的温度、soc以及ocv为输入，以电池的老化程度为输出的老化程度估计模型，并且老化程度估计模型的误差小于预设误差阈值。
70.在一些实施例中，在上述步骤s210中，可以基于电池老化实验，获取与当前复合电极电池对应的多组数据样本，具体可以包括如下步骤：
71.选取电芯样本，其中电芯样本的型号与当前复合电极电池的电芯型号相同；
72.测试电芯样本的标准循环寿命，得到电芯样本全生命周期的老化参数；
73.基于老化参数，获取多组数据样本。
74.其中，老化参数被配置为温度、soc、ocv以及老化程度之间的函数。
75.作为一个示例，利用复合电极电池的soc-ocv特征随循环数变化而变化的特性，在实验室对电芯样本展开标准循环寿命测试，获取电芯样本在全生命周期的老化参数，老化参数包括电芯样本在不同温度、不同循环数下的soc、ocv数据。在进行测试时，可以根据实际需求选定多个测试温度，针对每个测试温度，对电芯样本在该测试温度下展开标准循环寿命测试，测量电芯样本在多个不同的循环数下的老化参数。例如，根据电池的温度通常处于-20℃-45℃这一特点，可以选定-20℃、-10℃、0℃、25℃、45℃作为测试温度，然后依次在-20℃、-10℃、0℃、25℃、45℃下对电芯样本展开标准循环寿命测试。
76.实验室标准条件下的循环数与电池的老化程度线性相关，由此可以得到循环数与老化程度的映射关系，基于映射关系，可以确定各循环数对应的老化程度，基于此，进一步可以建立温度、老化程度、ocv和soc之间的函数关系，从而得到该电芯型号对应的老化参数，基于老化参数，按照自变量和因变量便可以构造多组数据样本。
77.在本实施例中，老化参数可以通过表格、函数式或图像等方式来表示温度、电池老化程度、ocv和soc之间的函数关系。
78.作为一个示例，老化参数可以通过如下表1所示的表格来表示温度、电池老化程度、ocv和soc之间的函数关系：
79.表1：
80.电芯型号温度(℃)ocv(v)soc(％)老化程度(％)
……………
81.表1中除了第一行也即标题行之外，每一行分别对应一组基于实验得到的老化参数。
82.基于表1所示的老化参数，针对每一行老化参数，可以构建一组数据样本。具体的，针对每一行，将该行中温度、ocv和soc对应的值作为一组自变量值，将该行中老化程度对应的值作为因变量值，将该组自变量值和因变量值组成一组数据样本。
83.作为一个示例，以基于实验得到n组老化参数为例，基于n组老化参数可以分别得到n组自变量和n个因变量，其中n组自变量和n个因变量分别如下所示：
84.自变量：
[0085][0086]
因变量：
[0087]
y＝[老化程度1，老化程度2，
…
，老化程度n]
[0088]
其中，“温度1”、“ocv1”和“soc1”组成一组自变量值，该组自变量值与“老化程度1”这一因变量值共同组成一组数据样本，同理，“温度2”、“ocv2”和“soc2”组成一组自变量值，该组自变量值与“老化程度2”这一因变量值共同组成一组数据样本，以此类推，可以得到n组数据样本。
[0089]
通过上述方式，可以获取与当前复合电极电池的电芯型号对应的多组数据样本，基于多组数据样本进行模型训练，可以保证最终训练得到的老化程度估计模型能够估计出当前复合电极电池的老化程度。此外，通过对电芯样本进行标准循环寿命测试的方式构建数据样本，保证了数据样本的有效性，进一步改善了训练得到的老化程度估计模型的准确性。
[0090]
在一些实施例中，为了进一步保证数据样本的有效性，在基于老化参数获取多组数据样本之前，可以先对老化参数进行数据预处理，然后，基于预处理后的老化参数获取多组数据样本。
[0091]
其中，对老化参数进行数据预处理可以包括数据清洗，通过数据清洗可以将老化参数中确实的值补充完整、消除噪声数据以及识别或删除离群点并解决不一致性。
[0092]
通过对老化参数进行预处理，可以进一步提高数据样本的有效性。
[0093]
在一些实施例中，在建立初始模型时，可以将符号回归模型或神经网络模型作为初始模型。
[0094]
作为一个示例，以符号回归模型作为初始模型为例，在进行模型训练时，建立符号回归模型，设置模型算法的各项参数，如图3所示，基于训练集中的数据样本对建立的符合回归模型进行训练，模型训练完毕后，得到满足误差要求的自变量[x1,x2,x3]与因变量y的数学映射关系，将该关系以如下公式的形式输出，如此，如下公式即为训练得到的老化程度估计模型。
[0095]
y＝f(x1,x2,x3)
[0096]
其中，符号回归模型为基于符号回归算法的模型，符号回归算法(symbolic regression，简称sr)充分发挥了机器学习方法不依赖模型和高精度的优点，将符号回归模
型作为初始模型，能够使最终得到的老化估计模型为满足误差精度要求的显性数学公式，可以用于计算电池老化程度的精确解。
[0097]
作为另一个示例，以神经网络模型作为初始模型为例，在进行模型训练时，建立神经网络模型，设置模型算法的各项参数，如图4所示，利用训练集中的数据样本对神经网络模型进行训练，模型训练完毕后，得到满足误差要求的神经网络模型，将该神经网络模型作为老化程度估计模型。
[0098]
可以理解的是，图4所示的神经网络模型只是一个示例，并不构成对本技术实施例使用的神经网络模型的限定，本技术实施例使用的神经网络模型可以包含一个或多个隐含层。
[0099]
神经网络模型由多个神经元组成，其具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，能够充分逼近复杂的非线性关系，将神经网络模型作为初始模型，能够改善最终得到的老化估计模型的准确性。
[0100]
在一些实施例中，可以基于遗传算法回归其设置初始模型的参数，具体的包括：
[0101]
在初始模型为符号回归模型的情况下，基于遗传算法回归器设置符号回归模型的各项参数。
[0102]
在初始模型为神经网络模型的情况下，基于遗传算法回归器设置神经网络模型的各项参数。
[0103]
其中，设置模型的各项参数指对模型中的各项参数进行初始化。
[0104]
模型训练过程可以理解为一个参数寻优的过程，通过模型训练，找到使模型误差符合预设误差条件的参数。因此，在进行模型训练之前，首先对模型的各项参数进行初始化，以在训练过程中基于参数的初始值进行参数调整。
[0105]
可以理解的是，不同的模型需要设置的参数不同，例如符号回归模型需要设置的参数可以包括种群、种群大小、种群执行的方法等。神经网络模型需要设置的参数可以包括隐含层的中心点和宽度向量，也即输出层的权重、阈值等。
[0106]
通过上述方式，基于遗传算法回归器可以快速、高效的完成模型参数的设置。
[0107]
在一些实施例中，在基于训练集和测试集训练初始模型，得到老化程度估计模型之后，还可以执行如下步骤：
[0108]
将老化程度估计模型部署于电池管理系统。
[0109]
相应的，上述步骤s120基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度，可以包括：
[0110]
在电池管理系统中，基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。
[0111]
电池管理系统bms通常用来监控电池的状态，因此其通常会接收电池的温度、soc、ocv等数据，基于此，将老化程度估计模型部署在bms中，使得可以在bms中直接基于接收的电池的温度、soc和ocv，对电池的老化程度进行估计。
[0112]
通过上述方式，在bms中直接对复合电极电池的老化程度进行估计，从而减少数据传输，提高估计效率。
[0113]
基于上述实施例提供的复合电极电池老化估计方法，相应地，本技术还提供了复
合电极电池老化估计装置的具体实现方式。请参见以下实施例。
[0114]
参见图5，本技术实施例提供的复合电极电池老化估计装置包括以下模块：接收模块501和老化程度计算模块502。
[0115]
接收模块501，用于接收复合电极电池的温度、soc和ocv；
[0116]
老化程度计算模块502，用于基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度；
[0117]
老化程度估计模型为预先设置的，并被配置为基于多组数据样本训练得到，其中，每组数据样本包括自变量和因变量，自变量包括电池的温度、soc和ocv，因变量包括电池的老化程度。
[0118]
本实施例中的复合电极电池老化估计装置，将复合电极电池的soc-ocv特征视为变量，以电池的温度、soc和ocv作为自变量，电池的老化程度作为因变量，训练得到老化程序估计模型，基于电池的温度、soc、ocv和老化程序估计模型，可以确定出复合电极电池准确的老化程度，改善了复合电极电池的老化程度估计的准确性。
[0119]
在一些实施例中，装置还可以包括：模型训练模块，模型训练模块包括：
[0120]
数据样本获取子模块，用于获取多组数据样本；
[0121]
样本划分子模块，用于将多组数据样本划分为训练集和测试集，其中训练集用于指示对模型进行训练的数据样本，测试集用于指示确定训练后模型泛化误差的数据样本；
[0122]
初始模型建立子模块，用于建立初始模型，初始模型的自变量包括电池的温度、soc以及ocv，初始模型的因变量包括电池的老化程度；
[0123]
参数设置子模块，用于设置初始模型的参数；
[0124]
损失函数设定子模块，用于设定初始模型的损失函数，损失函数用于反映老化程度误差；
[0125]
训练子模块，用于基于训练集和测试集训练初始模型，得到老化程度估计模型；其中，老化程度估计模型的老化程度误差小于预设误差阈值。
[0126]
在一些实施例中，数据样本获取子模块，具体用于：
[0127]
选取电芯样本，其中电芯样本的型号与复合电极电池的电芯型号相同；测试电芯样本的标准循环寿命，得到电芯样本全生命周期的老化参数；基于老化参数，获取多组数据样本；其中，老化参数被配置为温度、soc、ocv以及老化程度之间的函数。
[0128]
在一些实施例中，初始模型包括符号回归模型或神经网络模型。
[0129]
在一些实施例中，参数设置子模块，具体用于：
[0130]
基于遗传算法回归器，设置符号回归模型的各项参数；或者，基于遗传算法回归器，设置神经网络模型的各项参数。
[0131]
在一些实施例中，装置还包括：部署模块，用于：
[0132]
基于训练集和测试集训练初始模型，得到老化程度估计模型之后，将老化程度估计模型部署于电池管理系统；
[0133]
相应的，老化程度计算模块502，具体用于：在电池管理系统中，基于温度、soc、ocv以及老化程度估计模型，计算得到复合电极电池的老化程度。
[0134]
本技术实施例提供的复合电极电池老化估计装置能够实现上述任意方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0135]
图6示出了本技术实施例提供的电子设备的硬件结构示意图。
[0136]
电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
[0137]
具体地，上述处理器601可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0138]
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器602可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器602可在综合网关容灾设备的内部或外部。在特定实施例中，存储器602是非易失性固态存储器。存储器602可包括只读存储器(rom)，随机存取存储器(ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器602包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可执行上述实施例中的任意一种复合电极电池老化估计方法所描述的操作。
[0139]
处理器601通过读取并执行存储器602中存储的计算机程序指令，以实现上述实施例中的任意一种复合电极电池老化估计方法。
[0140]
在一个示例中，电子设备还可包括通信接口603和总线610。其中，如图6所示，处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
[0141]
通信接口603，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。
[0142]
总线610包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线610可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0143]
另外，结合上述实施例中的复合电极电池老化估计方法，本技术实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种复合电极电池老化估计方法。
[0144]
需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
[0145]
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插
件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0146]
还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0147]
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0148]
以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。

技术特征：
1.一种复合电极电池老化估计方法，其特征在于，包括：接收复合电极电池的温度、soc和ocv；基于所述温度、所述soc、所述ocv以及老化程度估计模型，计算得到所述复合电极电池的老化程度；所述老化程度估计模型为预先设置的，并被配置为基于多组数据样本训练得到；其中，每组所述数据样本包括自变量和因变量，所述自变量包括电池的温度、soc和ocv，所述因变量包括电池的老化程度。2.根据权利要求1所述的方法，其特征在于，所述老化程度估计模型的训练方法包括：获取多组数据样本；将多组所述数据样本划分为训练集和测试集，其中所述训练集用于指示对模型进行训练的数据样本，所述测试集用于指示确定训练后模型泛化误差的数据样本；建立初始模型，以及设置所述初始模型的参数，所述初始模型的自变量包括电池的温度、soc以及ocv，所述初始模型的因变量包括电池的老化程度；设定所述初始模型的损失函数，所述损失函数用于反映模型的老化程度误差；基于所述训练集和所述测试集训练所述初始模型，得到老化程度估计模型；其中，所述老化程度估计模型的老化程度误差小于预设误差阈值。3.根据权利要求2所述的方法，其特征在于，所述获取多组数据样本，包括：选取电芯样本，其中所述电芯样本的型号与所述复合电极电池的电芯型号相同；测试所述电芯样本的标准循环寿命，得到所述电芯样本全生命周期的老化参数；基于所述老化参数，获取多组所述数据样本；其中，所述老化参数被配置为温度、soc、ocv以及老化程度之间的函数。4.根据权利要求2或3所述的方法，其特征在于，所述初始模型包括符号回归模型或神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述设置所述初始模型的参数，包括：基于遗传算法回归器，设置所述符号回归模型的各项参数；或者，基于遗传算法回归器，设置所述神经网络模型的各项参数。6.根据权利要求2或3所述的方法，其特征在于，所述基于所述训练集和所述测试集训练所述初始模型，得到老化程度估计模型之后，所述方法还包括：将所述老化程度估计模型部署于电池管理系统；所述基于所述温度、所述soc、所述ocv以及老化程度估计模型，计算得到所述复合电极电池的老化程度，包括：在所述电池管理系统中，基于所述温度、所述soc、所述ocv以及所述老化程度估计模型，计算得到所述复合电极电池的老化程度。7.一种复合电极电池老化估计方法，其特征在于，包括：接收模块，用于接收复合电极电池的温度、soc和ocv；老化程度计算模块，用于基于所述温度、所述soc、所述ocv以及老化程度估计模型，计算得到所述复合电极电池的老化程度；所述老化程度估计模型为预先设置的，并被配置为基于多组数据样本训练得到；其中，每组所述数据样本包括自变量和因变量，所述自变量包括电池的温度、soc和
ocv，所述因变量包括电池的老化程度。8.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的复合电极电池老化估计方法。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上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如权利要求1-6任意一项所述的复合电极电池老化估计方法。10.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-6任意一项所述的复合电极电池老化估计方法。

技术总结
本申请公开了一种复合电极电池老化估计方法、装置、设备、介质及程序，方法包括：接收复合电极电池的温度、SOC和OCV；基于温度、SOC、OCV以及老化程度估计模型，计算得到复合电极电池的老化程度；老化程度估计模型为预先设置的，并被配置为基于多组数据样本训练得到；其中，每组数据样本包括自变量和因变量，自变量包括电池的温度、SOC和OCV，因变量包括电池的老化程度。老化程度。老化程度。


技术研发人员：范思汉 陈英杰 金娟 林存键
受保护的技术使用者：厦门新能达科技有限公司
技术研发日：2023.06.29
技术公布日：2023/10/6