电动汽车电池残值估算方法及装置与流程

本发明涉及电池性能诊断技术领域，尤其涉及一种电动汽车电池残值估算方法及装置。

背景技术：

近年来，全球电动汽车市场正在快速增加，国内电动汽车销量也有着明显的提升，在未来几年，必将有大量锂离子动力电池因容量衰减而退役。这类动力电池退役时容量一般还处于额定容量的70％～80％，虽然不能满足汽车上的使用要求，但仍然可以储存一定的能量，可以二次利用(即梯次利用)在其他领域，作为电能的载体使用。例如应用在低速车、电动三轮车、电动摩托车、充电站储能、火电站削峰填谷或光伏等方面，提升经济效益。因此，就需要对这类动力电池的剩余价值(残值)进行估算。不过目前国内对此方面的研究不多，也没有高效的评估方法。

技术实现要素：

鉴于此，本发明实施例提供了一种电动汽车电池残值估算方法及装置，已解决现有技术中难以对于动力电池残值进行有效评估的问题。

本发明的技术方案如下：

一方面，本发明提供一种电动汽车电池残值估算方法，包括：

获取待评估电池组的基础数据，包括待评估电池组的基本参数以及在行驶过程中电池管理系统检测所述待评估电池组产生的数据；

根据所述基础数据计算该待评估电池组的残值特征指标，所述残值特征指标包括：健康度指标、剩余使用寿命指标、单电池一致性指标和安全性指标，以及放电能力指标、充电能力指标、发热水平指标中的一种或多种；

对各残值特征指标添加权重系数作为指数进行幂运算后，求积得到电池残值。

在一些实施例中，将各残值特征指标进行加权求积得到电池残值，计算式为：

其中，rv为电池残值，soh为健康度指标，rul为剩余使用寿命指标，co为单电池一致性指标，s为安全性指标，dc为放电能力指标，ch为充电能力指标，h为发热水平指标；ω1、ω2、ω3……ω7分别为健康度指标、剩余使用寿命指标、单电池一致性指标、安全性指标、放电能力指标、充电能力指标以及发热水平指标的权重系数，且为正实数；n为大于1的正数；rv、soh、rul、co、s、dc、ch以及h的值在[0，1]区间内，且正相关于电池性能。

在一些实施例中，安全性指标的获取步骤包括：

在所述待评估电池组的基础数据中获取多个设定评估参数，所述设定评估参数包括：绝缘检测结果、气密性检测结果、电芯鼓胀检测结果、电芯漏液检测结果；

获取预采集的多个样本电池组的所述设定评估参数，以及对应的安全性指标，各样本电池组的安全性指标按照安全性由低到高设置分值为第一安全指标值、第二安全指标值和第三安全指标值；

基于所述设定评估参数，采用邻近算法筛选出与所述待评估电池组最接近的设定数量的所述样本电池组，将其中多数所属的分值确定为待评估电池组的安全性指标。

在一些实施例中，所述基础数据包括：待评估电池组的初始内阻rnew，寿命终结时的内阻reol，当前状态下的内阻r；各样本电池组的额定充电次数call，当前充电次数cnow；运行过程中组成待评估电池组的第n个单电池电压vn，以及电压均值待评估电池组的当前放电功率dpnow，额定放电功率dprated，当前充电功率cpnow，额定充电功率cprated，出厂时的发热功率hpnew，当前发热功率hpnow；

基于所述基础数据，各残值特征指标的计算式为：

其中，q为常数，δ为组成待评估电池组的单体电池的电压标准差；

在一些实施例中，权重系数ω1、ω2、ω3……ω7通过机器学习的方式获得，包括：

获取多个样本电池组的基础数据，包括样本电池组的基本参数以及在行驶过程中电池管理系统产生的数据；

根据所述基础数据计算各样本电池组对应的残值特征指标作为输入，添加各样本电池组对应的电池残值作为标签输出，形成样本数据集；其中，所述残值特征指标包括：健康度指标、剩余使用寿命指标、单电池一致性指标和安全性指标，以及放电能力指标、充电能力指标、发热水平指标中的一种或多种；

利用所述样本数据集训练初始模型，得到电池残值评估模型；其中，所述初始模型为

提取所述电池残值评估模型中的权重系数作为对应的ω1、ω3、ω3……ω7。

在一些实施例中，形成样本数据集之后，还包括：

将所述样本数据集按照设定比例随机采样获得训练集、验证集和测试集；

采用所述训练集训练初始模型，得到电池残值评估模型；其中，所述初始模型为

采用所述验证集对所述电池残值评估模型进行效果验证并进行参数调优，提取调优后的所述电池残值评估模型中的权重系数作为对应的ω1、ω2、ω3……ω7；

采用所述测试集对调优后的所述电池残值评估模型进行测试。

在一些实施例中，采用所述测试集对调优后的所述电池残值评估模型进行测试，包括：

将所述测试集输入调优后的电池残值评估模型，并计算评估结果的均方根误差，其中，所述均方根误差的值与所述电池残值评估模型的准确性负相关。

在一些实施例中，提取所述电池残值评估模型中的权重系数作为对应的ω1、ω2、ω3……ω7，还包括：

训练多个电池残值评估模型，将各电池残值评估模型中对应的权重系数求均值作为融合的权重系数，并生成融合的所述电池残值评估模型；

将融合的所述电池残值评估模型中的权重系数作为对应的ω1、ω2、ω3……ω7。

在一些实施例中，获取待评估电池组的基础数据之前，还包括：

从电池厂商处查询或从互联网上爬取各型号电动汽车电池组的基本参数；

从车企监控平台或国家监控平台获取多个待评估电池组在行驶过程中产生的行驶数据；

将各型号电动汽车电池组的基本参数以及多个待评估电池组的行驶数据存储至关系型数据库或大数据存储系统中，以供在电池残值估算时直接获取。

另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现

本发明的有益效果是，通过基础数据衍生出能够表现待评估电池组各方面特征的残值特征指标，利用残值特征指标从多个方面对电池残值做出综合性评价，采用加权求积的方式，能够放大每一个残值特征指标对电池残值的影响，以获得准确性更高的，更接近真实值的评价结果。

进一步地，基于样本训练集通过计算机学习的方式获得各残值特征指标对应的权重系数，使得评价准确性更高。

本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中：

图1为本发明一实施例中所述电动汽车电池残值估算方法的流程示意图；

图2为本发明一实施例所述电动汽车电池残值估算方法中安全性指标获取流程示意图；

图3为本发明一实施例所述电动汽车电池残值估算方法中获取权重系数的流程示意图；

图4为本发明另一实施例所述电动汽车电池残值估算方法中获取权重系数的流程示意图；

图5为本发明一实施例所述电动汽车电池残值估算方法中数据的对应关系图；

图6为本发明一实施例所述电动汽车电池残值估算方法中机器学习获取权重系数的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

电动汽车市场在经历急速发展之后，大量的动力电池老化迎来退役。这类动力电池在退役过程中一般处于额定容量的70％～80％，还可以被梯次应用到其他领域，以保障资源合理的重复利用。由于汽车动力电池在退役时的状态不一，为了适应后续二次利用过程中的需求，汽车动力电池在退役时要对其电池残值进行评估，以适应性的应用到不同的回收领域。现有技术中，对于电池残值的评估较为片面，方式方法单一，无法准确接近其真实值。

因此，本发明提供一种电动汽车电池残值估算方法及装置，用于结合多个角度的残值特征指标对电动汽车的电池残值进行评价，以获得最接近真实值的电池残值评价结果。

所述电动汽车电池残值估算方法，如图1所示，包括步骤s101～s103：

步骤s101：获取待评估电池组的基础数据，包括待评估电池组的基本参数以及在行驶过程中电池管理系统检测待评估电池组产生的数据。

步骤s102：根据基础数据计算该待评估电池组的残值特征指标，残值特征指标包括：健康度指标、剩余使用寿命指标、单电池一致性指标和安全性指标，以及放电能力指标、充电能力指标、发热水平指标中的一种或多种。

步骤s103：对各残值特征指标添加权重系数作为指数进行幂运算后，求积得到电池残值。

在步骤s101中，待评估电池组的基础数据包括两个方面，一方面是与待评估电池组型号相关的基本参数，其是在待评估电池组出厂时确定的；另一方面，是车辆在行驶过程中，电池管理系统bms(batterymanagementsystem)采集待评估电池组的数据得到的行驶数据。其中，基本参数可以包括待评估电池组的额定容量、额定功率、额定充放电次数、额定行驶里程以及初始内阻等。行驶数据可以包括：总电流、总电压、单体电池电压、荷电状态、温度、行驶里程、运行时长、告警数据和故障数据等。

在一些实施例中，步骤s101之前，即获取待评估电池组的基础数据之前，还包括s1011～s1013：

s1011：从电池厂商处查询或从互联网上爬取各型号电动汽车电池组的基本参数。

s1012：从车企监控平台或国家监控平台获取多个待评估电池组在行驶过程中产生的行驶数据。

s1013：将各型号电动汽车电池组的基本参数以及多个待评估电池组的行驶数据存储至关系型数据库或大数据存储系统中，以供在电池残值估算时直接获取。

为了能够随时获得待评估电池组的基础信息，数据采集的工作需要贯穿整个电池的生产和使用过程。其中，基本参数属于待评估电池组的固有属性，是在不同型号电动汽车电池组涉及制造时便确定并记录，本实施例中，s1011通过从电池厂商处查询或在互联网上爬取，得到各种型号电动汽车电池组的基本参数。

行驶数据是电动汽车电池组在行驶过程中产生的，每一块待评估电池组由于使用方式的不同会产生极大的个体差异，为了在电池残值评估过程中，能够有效获取行驶数据，本实施例s1012在待评估电池组的使用过程中，通过车企监控平台或国家监控平台的监控途径，获取多个受监控的电动汽车电池组在行驶过程中产生的行驶数据。

s1013中，将不同型号电动汽车电池组的基本参数，以及各车企监控平台或国家监控平台采集获取的受监控的电动汽车电池组的行驶数据，存储在关系型数据库或大数据存储系统，以供随时调取使用。在步骤s102中，基于步骤s101中获取的基础数据，计算获取二级评估指标，即残值特征指标。残值特征指标从多个角度产生，以实现对于待评估电池组的电池残值全面、完整以及精确地评估。

具体的，残值特征指标中，健康度指标(soh，stateofhealth)是待评估电池组实际容量与标称容量的比值，可以采用电阻折算法进行衡量，也可以通过检测充电或放电过程的工况计算充电容量或放电容量，以获得健康度指标。健康度指标采用百分比的形式进行标定。

剩余使用寿命指标(rul)是对待评估电池组剩余可使用时长或次数的一个标定，通常采用充放电循环次数进行标定，在一些实施例中也可以采用电池使用时长进行标定。

单电池一致性指标(co)用于评价组成待评估电池组的多个单电池的性能差异，单电池的性能差异会直接影响到待评估电池的能量密度、安全性和耐久性，一致性越高待评估电池组的性能也越好。具体的，可以通过对比多个单电池的电压值、温度、内阻或其他参数，以获得单电池一致性指标。

安全性指标(s)用于评价待评估电池组的使用可靠性，具体的，其可以基于现有数据进行多种指标对比，将与待评估电池组最接近的现有数据的安全性指标作为该电池组的安全性指标。

放电能力指标(dc)、充电能力指标(ch)以及发热水平指标(h)分别用于评价待评估电池组的放电水平、充电水平已经运行过程中的发热水平。放电能力指标和充电能力指标可以采用充放电的功率进行标定，在一些实施例中，放电能力也可以采用指定条件下的放电倍率、小时率等参数进行标定。发热水平指标可以采用平均温度、发热功率或其他能够反应温度水平的参数进行标定。

在步骤s103中，将根据基础数据产生的残值特征指标关联映射至电池残值，结合电池残值的评价要求，由于电池的任何一项性能偏低都会导致电池组无法有效利用，因此，本实施例中，为了提高各项残值特征指标对最终电池残值的影响力，通过将各残值特征指标以求积的形式计算电池残值，同时为了体现和区分各残值特征指标的重要程度，将权重系数作为指数对残值特征指标进行幂运算。

在一些实施例中，将各残值特征指标进行加权求积得到电池残值，计算式为：

其中，rv为电池残值，soh为健康度指标，rul为剩余使用寿命指标，co为单电池一致性指标，s为安全性指标，dc为放电能力指标，ch为充电能力指标，h为发热水平指标；ω1、ω2、ω3……ω7分别为健康度指标、剩余使用寿命指标、单电池一致性指标、安全性指标、放电能力指标、充电能力指标以及发热水平指标的权重系数，且为正实数；n＝为大于1的正数；rv、soh、rul、co、s、dc、ch以及h的值在[0,1]区间内，且正相关于电池性能。

在本实施例中，各残值特征指标的值均在[0,1]区间内，并采用乘积的方式以放大每一个残值特征指标对于电池残值的影响力，在此基础上，为了保证权重系数的作用效果，将权重系数的倒数作为指数对残值特征指标进行幂运算后求积。由于累乘所得的积数值较小，不利于评估和对比，本实施例中，将残值特征指标数量n的倒数作为指数，对所述积进行幂运算，将其重新映射到[0,1]区间内，以提高电池残值rv的评价效果。

其中，各残值特征指标是基于基础数据产生的，可以采用不同的方法进行运算或评估得到。权重系数ω1、ω2、ω3……ω7可以采用理论分析法或专家评定法确定，也可以基于现有的数据采用熵值法进行评估得到。

在一些实施例中，如图2所示，安全性指标的获取步骤包括s201～s203：

步骤s201：在待评估电池组的基础数据中获取多个设定评估参数，设定评估参数包括：绝缘检测结果、气密性检测结果、电芯鼓胀检测结果、电芯漏液检测结果；

步骤s202：获取预采集的多个样本电池组的设定评估参数以及对应的安全性指标，安全性指标按照安全性由低到高设置分值为第一安全指标值、第二安全指标值和第三安全指标值；

步骤s203：基于设定评估参数，采用邻近算法筛选出与所述待评估电池组最接近的设定数量的样本电池组，将其中多数所属的分值确定为待评估电池组的安全性指标。

在相同的评价标准下，状态相近的两个电池组应当具有相近的安全性指标，本实施例中，采集大量样本电池组的状态数据以及对应的安全性指标，用于比对；通过近似度比对的方式，筛选出与待评估电池组状态近似的样本电池组，并将其对应的安全性指标赋予待评估电池组。

具体的，步骤s201中，为了根据需要反映待评估电池组的状态，选取和确定了设定评估参数，设定评估参数的种类应当能够反映电池的安全性能，本实施例中，绝缘检测结果、气密性检测结果、电芯鼓胀检测结果以及电芯漏液检测结果可以用于从不同角度反映待评估电池组的安全性，在另一些实施例中，为了提高安全性指标的可信度和精度，还可以设置其他种类的参数。

步骤s202中，获取现有数据中多个样本电池组对应的设定评估参数以及安全性指标，作为对比的数据库。其中，安全性指标是按照等级划分的，按照安全性能从低到高，设置s1、s2和s3三个评分，应当属于(0，1)区间。在一些实施例中，也可以根据实际需要设置多个等级的评分分值。需要说明的是，步骤s201以及步骤s202的顺序并不固定，也可以同时进行。

步骤s203中，采用邻近算法(knn，k-nearestneighbor)，对比待评估电池组和各样本电池组的设定评估参数，筛选出与待评估电池组状态最近似的设定数量的样本电池组。设定数量优选为奇数，一般不超过20，将其中多数所属的安全性指标的分值赋予待评估电池组，准确度高。

示例性的，获取多个样本电池组的绝缘检测结果、气密性检测结果、电芯鼓胀检测结果、电芯漏液检测结果，同时记录各样本电池组的安全性指标作为现有数据。获取待评估电池组的绝缘检测结果、气密性检测结果、电芯鼓胀检测结果、电芯漏液检测结果；采用邻近算法(knn，k-nearestneighbor)筛选出现有数据中，与待评估电池组的各项检测结果最接近的9个样本电池组，将这9个样本电池组中多数所属的安全性指标作为待评估电池组的安全性指标。

在一些实施例中，基础数据包括：各样本电池组的初始内阻rnew，寿命终结时的内阻reol，当前状态下的内阻r；各样本电池组的额定充电次数ca11，当前充电次数cnow；运行过程中组成待评估电池组的第n个单电池电压vn，以及电压均值各样本电池组的当前放电功率dpnow，额定放电功率dprated，当前充电功率cpnow，额定充电功率cprated，出厂时的发热功率hpnew，当前发热功率hpnow；

基于基础数据，各残值特征指标的计算式为：

co＝q^3δ..................(4)

其中，q为常数，δ为组成待评估电池组的单体电池的电压标准差；

在本发明实施例中，基于选定的基础数据计算各残值特征指标，其中，健康度指标soh采用内阻折算法进行评价。剩余使用寿命指标rul采用充放电循环次数进行评价。单电池一致性指标co通过单体电池的电压标准差进行换算，其中，q为常数，优选的，当放电倍率为1c时，q＝0.0185；当电池的放电倍率为2c时，q＝0.02154；电池的放电倍率为3c时，q＝0.0267。

放电能力指标dc，采用当前放电功率与额定放电功率的比进行标定；充电能力指标ch，采用当前充电功率和额定充电功率的比进行标定；发热水平指标h，采用出厂时的发热功率与当前发热功率的比进行标定。

基于步骤s201～s203中给出的安全性指标s的获取方法，以及本实施例中健康度指标soh、剩余使用寿命指标rul、单电池一致性指标co、放电能力指标dc、充电能力指标ch和发热水平指标h的标定方法，在相应的值域内，各残值特征指标的值越大评估效果越好。

需要强调的是，各残值特征指标的计算方式并不限于本实施例中所提供的，应当理解为，能够用于标定相应特征的，且值域符合要求的标定方式均属于本发明所保护的范围。

基于电池残值的计算式(1)，在一些实施例中，权重系数ω1、ω2、ω3……ω7通过机器学习的方式获得，如图3所示，包括步骤s301～s304：

步骤s301：获取多个样本电池组的基础数据，包括样本电池组的基本参数以及在行驶过程中电池管理系统产生的数据。

步骤s302：根据基础数据计算各样本电池组对应的残值特征指标作为输入，添加各样本电池组对应的电池残值作为标签输出，形成样本数据集；其中，残值特征指标包括：健康度指标、剩余使用寿命指标、单电池一致性指标和安全性指标，以及放电能力指标、充电能力指标、发热水平指标中的一种或多种。

步骤s303：利用样本数据集训练初始模型，得到电池残值评估模型；其中，初始模型为计算式(1)。

步骤s304：提取电池残值评估模型中的权重系数作为对应的ω1、ω2、ω3……ω7。

在本实施例中，为了获得更具有泛化性的电池残值计算公式，以提高评估的精度，采用机器学习的方式，基于样本数据集对初始模型进行训练，获得更优的权重系数。相比于一般专家评定法，能够极大的降低人为主观因素导致的误差。

具体的，步骤s301以及步骤s302中，所采集的各样本电池组的基础数据，应当能够确保计算或评估得到相应的残值特征指标，具体的计算或评估的方式并不进行限定，应当理解为，基础数据与残值特征指标之间合理有效的映射关系都包含在内。但要强调的是，这里的所要获得的样本电池组的残值特征指标，必须与步骤s102中用于评价待评估电池组的残值特征指标一致。

优选的，在另一些实施例中，步骤s301中采集样本电池组的基础数据内容与步骤s101保持一致，步骤s302中，样本电池组的基础数据与残值特征指标的映射关系与步骤s102一致，以保证机器学习的结果能够适用于步骤s101～s103，能够获得更高的准确性，具有更强的泛化效果。

在一些实施例中，步骤s301之后，即获取多个样本电池组的基础数据之后，还包括：

对样本电池组的基础数据进行清洗，包括数据去重、去除无用数据以及缺失数据填补。

对数据的清洗包括数据去重、去除无用数据以及缺失数据填补。去重即去除重复出现的数据；去除无用数据(如果一条数据缺失的字段较多则视为无用数据)；缺失数据填补，填补的方法可以采用均值法，即取上下两条数据相应字段的均值作为缺失值等操作。

进一步的，步骤s302及s303中，将样本电池组的残值特征指标作为输入，对应的电池残值作为输出标签，建立样本数据集。为了确保机器学习得到的权重系数能够适用于计算式(1)，所以直接采用计算式(1)作为初始模型进行训练。

具体的，将样本数据集输入初始模型后进行训练，通过线性回归、lstm和gru等算法进行拟合，得到电池残值评估模型。该电池残值评估模型的结构于计算式(1)一致，而其中的权重系数即可以作为机器学习后得到优选的ω1、ω2、ω3……ω7。

在一些实施例中，步骤s304中，提取电池残值评估模型中的权重系数作为对应的ω1、ω2、ω3……ω7，还包括：

s3041：训练多个电池残值评估模型，将各电池残值评估模型中对应的权重系数求均值作为融合的权重系数，并生成融合的电池残值评估模型；

s3042：将融合的电池残值评估模型中的权重系数作为对应的ω1、ω2、ω3……ω7。

在本实施例中，通过训练获取多个较优的电池残值评估模型，并进行融合以获得更优的评价效果。具体的，通过对各电池残值评估模型中相应的权重系数求均值，作为融合后的权重系数。在另一些实施例中，也可以按照各电池残值评估模型的作用效果赋权重取值。

在一些实施例中，步骤s302之后，形成样本数据集之后，如图4所示，还包括步骤s401～s404：

步骤s401：将样本数据集按照设定比例随机采样获得训练集、验证集和测试集。

步骤s402：采用训练集训练初始模型，得到电池残值评估模型；其中，初始模型采用计算式(1)。

步骤s403：采用验证集对电池残值评估模型进行效果验证并进行参数调优，提取调优后的电池残值评估模型中的权重系数作为对应的ω1、ω2、ω3……ω7。

步骤s404：采用测试集对调优后的电池残值评估模型进行测试。

在本实施例中，步骤s401中，为了提高机器学习的泛化性，将样本数据集按设定比例随机采样得到训练集、验证集和测试集，例如，按照8：1：1的比例划分；这里采用随机采样的方式，可以进一步提高训练的泛化性。

在步骤s402中，为了拟合得到最优的权重系数，采用将训练集输入初始模型进行训练，初始模型采用计算式(1)，通过线性回归、lstm和gru等算法进行拟合，得到电池残值评估模型。

在步骤s403中，采用验证集对电池残值评估模型进行效果验证和参数调优，参数调优可以采用网格搜索和十折交叉验证。将调优后的电池残值评估模型中的权重系数作为对应的计算式(1)中的ω1、ω2、ω3……ω7。

在步骤s404中，采用测试集对优化后的电池残值评估模型进行测试评价其准确度。

在一些实施例中，步骤s404中，采用所述测试集对调优后的电池残值评估模型进行测试，包括：

将测试集输入调优后的电池残值评估模型，并计算评估结果的均方根误差，其中均方根误差的值与电池残值评估模型的准确性负相关。

具体的，测试集输入电池残值评估模型后得到电池残值，结合测试集中标记的输出标签，计算均方根误差，用来衡量电池残值评估模型计算的到的观测值与真值之间的偏差，以反映电池残值评估模型的效果。

另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述方法的步骤。

另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

在一些实施例中，如图5所示，对于待评估电池组基础数据的采集，可以包括基本信息和行驶数据，其中基本信息包括：额定容量、额定功率、额定充放电次数、额定行驶里程以及初始内阻，行驶数据包括：总电流、总电压、单体电压、soc(荷电状态)、温度、行驶里程、运行时长、告警数据以及故障数据等。进一步可以参照图5中的对应关系，根据基础数据换算二级评估指标soh、rul、co、s、dc、ch以及h，更进一步地，进行残值估计得到电池残值rv。

基础数据的全面性对指标的计算有很大的影响，基础数据越全面，指标的计算才能更准确。在本实施例中，基础数据中的基本信息有2中获取途径：一个是根据电池的型号从电池厂商处查询获得；另一个是通过爬取互联网中涉及到电池参数的网页来获取，如新能源汽车的参数页面等。获得的基本信息按照电池型号进行分类存储，同一型号的电池信息可能会有多个数据来源，这时将多份数据取并集来获取完整的信息。基础数据中的行驶数据可以从新能源汽车监控平台获取，一般新能源汽车产商都会有自己的监控平台，而且还有国家监控平台，新能源汽车行驶过程中上报的数据都会上报到这些监控平台上，这样可以从这些监控平台中下载相关电池的行驶数据。这两类数据中，电池基本信息的数据量不会很大，可以直接保存到关系型数据库中；而电池行驶数据量就很大了，需要保存到大数据存储系统中。

在一些实施例中，如图6所示，通过机器学习的方式获取计算式(1)中的权重系数，首先是采集样本电池组的基础数据，并进行数据预处理。收集到的电池数据都是电池的原始数据，包括电池的基本信息和电池在行驶过程的中bms上报的数据(行驶数据)；将每块样本电池组剩余的实际市场价值除以电池原始价值得到的电池残值，将电池残值作为对应样本电池组的标签，形成样本数据集。预处理包括数据清洗和特征工程。对数据的清洗包括数据去重、去除无用数据(如果一条数据缺失的字段较多则视为无用数据)、缺失数据填补(填补的方法可以采用均值法，即取上下两条数据相应字段的均值作为缺失值)等操作。数据预处理完成后进行特征工程，基于基础数据计算或评估得到soh、rul、co、s、dc、ch以及h这7个残值特征指标。然后是模型训练。在得到残值特征指标后，对样本数据集进行随机采样，按8:1:1的比例划分数据集为训练集、验证集和测试集。之后使用训练集来训练初始模型(计算式(1))，将数据输入到线性回归、lstm等机器学习和深度学习算法中进行学习，得到相应的融合模型；使用验证集对融合模型进行验证，并采用网格搜索、十折交叉验证等算法进行参数调优，即在验证集基础上改变不同参数得到更优的结果；使用测试集来检验模型的泛化能力。使用rmse作为指标评估各模型的情况，选出效果好的模型，rmse越小说明模型效果越好。

在一些实施例中，还可以进一步将几个效果好的模型进行融合，尝试得到更优的模型。模型融合可以采用多个模型取平均值的方式，将多个模型融合为一个模型。

综上所述，本发明所述电动汽车电池残值估算方法及装置，基于电池的基础数据产生能够表现待评估电池组各方面性能的残值特征指标，利用残值特征指标从多个方面对电池残值做出综合性评价，采用加权求积的方式，能够放大每一个残值特征指标对电池残值的影响，以获得准确性更高的，更接近真实值的评价结果。进一步地，基于样本训练集通过计算机学习的方式训练得到各残值特征指标的权重系数，使电池残值的评估效果更贴近真实值，相比于通过理论分析法或专家评定法确定的权重系数，能够极大减小人为主观因素的影响。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。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，本发明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。

还需要说明的是，本发明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，本发明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。

本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。