本技術(shù)涉及鋰離子電池，特別是涉及一種電池健康度的預(yù)測方法、裝置、計算機設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、電池管理系統(tǒng)的一個重要方向是電池健康度(state?of?health，soh)估計，其無法直接測量，只能通過估算來評估電池的退化程度。準(zhǔn)確估算電池健康度對于安全高效的能源管理和新一代電池的開發(fā)至關(guān)重要。

2、目前，主要采用數(shù)據(jù)驅(qū)動模型預(yù)測電池健康度，對數(shù)據(jù)驅(qū)動模型的訓(xùn)練需要用到電池終身數(shù)據(jù)，以建立每個鋰離子電池的映射關(guān)系。然而，由于鋰離子電池的生命周期極長，要獲得終身訓(xùn)練數(shù)據(jù)，就必須進行繁重的放電老化實驗，這些實驗往往需要數(shù)年的時間，也就是說，收集終身訓(xùn)練數(shù)據(jù)所需的時間無法跟上新型電池的發(fā)展速度，導(dǎo)致新一代電池的開發(fā)速度較低。

技術(shù)實現(xiàn)思路

1、本技術(shù)的實施例提供了一種電池健康度的預(yù)測方法、裝置、計算機設(shè)備及存儲介質(zhì)，主要目的在于解決目前存在收集終身訓(xùn)練數(shù)據(jù)所需的時間無法跟上新型電池的發(fā)展速度，導(dǎo)致新一代電池的開發(fā)速度較低的問題。

2、依據(jù)本技術(shù)第一方面，提供了一種電池健康度的預(yù)測方法，包括：

3、確定最優(yōu)電池健康度預(yù)測模型，所述最優(yōu)電池健康度預(yù)測模型由翻譯器、凍結(jié)的預(yù)訓(xùn)練語言模型、輸出映射層和特征重構(gòu)層組成；

4、獲取當(dāng)前電池的部分充電曲線，利用所述翻譯器將所述部分充電曲線翻譯為電池電氣特征序列詞；

5、將所述電池電氣特征序列詞輸入所述凍結(jié)的預(yù)訓(xùn)練語言模型，得到所述凍結(jié)的預(yù)訓(xùn)練語言模型輸出的中間預(yù)測電池電氣特征序列詞，以及基于所述中間預(yù)測電池電氣特征序列詞利用所述特征重構(gòu)層進行特征重構(gòu)，得到完整充電曲線；

6、基于所述完整充電曲線利用物理引導(dǎo)測試時間提示學(xué)習(xí)算法對所述電池電氣特征序列詞進行時間更新，得到更新后的電池電氣特征序列詞，將所述更新后的電池電氣特征序列詞輸入所述凍結(jié)的預(yù)訓(xùn)練語言模型，得到所述凍結(jié)的預(yù)訓(xùn)練語言模型輸出的目標(biāo)預(yù)測電池電氣特征序列詞；

7、基于所述目標(biāo)預(yù)測電池電氣特征序列詞利用所述輸出映射層進行映射，得到所述當(dāng)前電池的預(yù)測健康度。

8、可選地，所述確定最優(yōu)電池健康度預(yù)測模型之前，還包括：

9、建立初始電池健康度預(yù)測模型，所述初始電池健康度預(yù)測模型由初始翻譯器、初始預(yù)訓(xùn)練語言模型、初始輸出映射層和初始特征重構(gòu)層組成；

10、對所述初始預(yù)訓(xùn)練語言模型中的自注意力層、前饋神經(jīng)網(wǎng)絡(luò)進行凍結(jié)，得到所述凍結(jié)后的預(yù)訓(xùn)練語言模型；

11、獲取電池訓(xùn)練集，所述電池訓(xùn)練集包括多個部分充電曲線，每個部分充電曲線被標(biāo)記一健康度，且每個部分充電曲線中被多處遮擋；

12、利用所述電池訓(xùn)練集對所述初始電池健康度預(yù)測模型中的所述初始翻譯器、所述初始輸出映射層和所述初始特征重構(gòu)層進行訓(xùn)練，得到所述最優(yōu)電池健康度預(yù)測模型。

13、可選地，所述利用所述翻譯器將所述部分充電曲線翻譯為電池電氣特征序列詞，包括：

14、基于所述翻譯器的曲線嵌入層利用標(biāo)稱容量對所述部分充電曲線進行歸一化處理，得到歸一化后的曲線特征數(shù)據(jù)，以及基于所述曲線嵌入層利用所述曲線特征數(shù)據(jù)確定曲線嵌入補??；

15、獲取提示特征詞，基于所述翻譯器的線性層利用所述提示特征詞得到文本模板；

16、基于所述翻譯器的多頭注意力層利用所述曲線嵌入補丁和所述文本模板得到所述電池電氣特征序列詞。

17、可選地，所述將所述電池電氣特征序列詞輸入所述凍結(jié)的預(yù)訓(xùn)練語言模型，得到所述凍結(jié)的預(yù)訓(xùn)練語言模型輸出的中間預(yù)測電池電氣特征序列詞，包括：

18、利用所述凍結(jié)的預(yù)訓(xùn)練語言模型中的多頭注意力層對所述電池電氣特征序列詞進行處理，得到第一處理結(jié)果；

19、將所述第一處理結(jié)果和所述電池電氣特征序列詞輸入所述凍結(jié)的預(yù)訓(xùn)練語言模型中的第一正則層，得到第二處理結(jié)果；

20、將所述第二處理結(jié)果輸入所述凍結(jié)的預(yù)訓(xùn)練語言模型中的向前傳播層，得到第三處理結(jié)果；

21、將所述第三處理結(jié)果和所述第二處理結(jié)果輸入所述凍結(jié)的預(yù)訓(xùn)練語言模型中的第二正則層，得到所述中間預(yù)測電池電氣特征序列詞。

22、可選地，所述基于所述完整充電曲線利用物理引導(dǎo)測試時間提示學(xué)習(xí)算法對所述電池電氣特征序列詞進行時間更新，得到更新后的電池電氣特征序列詞，包括：

23、確定等效電路模型為物理約束條件；

24、基于所述物理約束條件、所述當(dāng)前電池的部分充電曲線以及所述完整充電曲線利用所述物理引導(dǎo)測試時間提示學(xué)習(xí)算法確定提示電池電氣特征序列詞；

25、基于所述提示電池電氣特征序列詞和所述電池電氣特征序列詞確定所述更新后的電池電氣特征序列詞。

26、可選地，所述基于所述目標(biāo)預(yù)測電池電氣特征序列詞利用所述輸出映射層進行映射，得到所述當(dāng)前電池的預(yù)測健康度之后，還包括：

27、獲取所述當(dāng)前電池的實際健康度，計算所述實際健康度與所述預(yù)測健康度之間的差值的絕對值，計算所述差值的絕對值與所述實際健康度的比值；

28、在所述比值超過目標(biāo)閾值時，確定健康度預(yù)測結(jié)果不可靠；

29、在所述比值未超過所述目標(biāo)閾值時，確定健康度預(yù)測結(jié)果可靠。

30、可選地，所述確定健康度預(yù)測結(jié)果不可靠之后，還包括：

31、獲取電池訓(xùn)練集，利用所述電池訓(xùn)練集對所述最優(yōu)電池健康度預(yù)測模型中的所述翻譯器、所述輸出映射層和所述特征重構(gòu)層進行重新訓(xùn)練，更新模型參數(shù)，得到更新電池健康度預(yù)測模型，所述更新電池健康度預(yù)測模型由更新翻譯器、所述凍結(jié)的預(yù)訓(xùn)練語言模型、更新輸出映射層和更新特征重構(gòu)層組成。

32、依據(jù)本技術(shù)第二方面，提供了一種電池健康度的預(yù)測裝置，包括：

33、確定模塊，用于確定最優(yōu)電池健康度預(yù)測模型，所述最優(yōu)電池健康度預(yù)測模型由翻譯器、凍結(jié)的預(yù)訓(xùn)練語言模型、輸出映射層和特征重構(gòu)層組成；

34、獲取模塊，用于獲取當(dāng)前電池的部分充電曲線，利用所述翻譯器將所述部分充電曲線翻譯為電池電氣特征序列詞；

35、重構(gòu)模塊，用于將所述電池電氣特征序列詞輸入所述凍結(jié)的預(yù)訓(xùn)練語言模型，得到所述凍結(jié)的預(yù)訓(xùn)練語言模型輸出的中間預(yù)測電池電氣特征序列詞，以及基于所述中間預(yù)測電池電氣特征序列詞利用所述特征重構(gòu)層進行特征重構(gòu)，得到完整充電曲線；

36、更新模塊，用于基于所述完整充電曲線利用物理引導(dǎo)測試時間提示學(xué)習(xí)算法對所述電池電氣特征序列詞進行時間更新，得到更新后的電池電氣特征序列詞，將所述更新后的電池電氣特征序列詞輸入所述凍結(jié)的預(yù)訓(xùn)練語言模型，得到所述凍結(jié)的預(yù)訓(xùn)練語言模型輸出的目標(biāo)預(yù)測電池電氣特征序列詞；

37、映射模塊，用于基于所述目標(biāo)預(yù)測電池電氣特征序列詞利用所述輸出映射層進行映射，得到所述當(dāng)前電池的預(yù)測健康度。

38、依據(jù)本技術(shù)第三方面，提供了一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述第一方面中任一項所述方法的步驟。

39、依據(jù)本技術(shù)第四方面，提供了一種可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述第一方面中任一項所述的方法的步驟。。

40、借由上述技術(shù)方案，本技術(shù)提供了一種電池健康度的預(yù)測方法、裝置、計算機設(shè)備及存儲介質(zhì)，本技術(shù)通過最優(yōu)電池健康度預(yù)測模型對電池健康度進行預(yù)測，這個最優(yōu)電池健康度預(yù)測模型由翻譯器、凍結(jié)的預(yù)訓(xùn)練語言模型、輸出映射層和特征重構(gòu)層組成，充分挖掘預(yù)訓(xùn)練語言模型的泛化潛力，特別是在健康度評估方面的通用潛力，其訓(xùn)練無需大量數(shù)據(jù)，僅關(guān)注當(dāng)前電池的部分充電曲線(也就是測試電池數(shù)據(jù))中固有的健康信息，這反應(yīng)了最新、最真實的電池狀態(tài)；與此同時，利用物理引導(dǎo)測試時間提示學(xué)習(xí)算法可以對數(shù)據(jù)進行補充，引導(dǎo)預(yù)訓(xùn)練語言模型生成完整的電池充電曲線來優(yōu)化提示，彌補了現(xiàn)有技術(shù)中純數(shù)據(jù)驅(qū)動模型可解釋性的不足，進而有效提高新一代電池的開發(fā)速度。。