一种电池剩余使用寿命的预测方法、系统及存储介质与流程

1.本发明涉及数据处理技术领域，更具体涉及一种电池剩余使用寿命的预测方法、系统及存储介质。


背景技术：

2.随着电动汽车的普及，电池是其核心部件之一，而锂离子电池是当前电动汽车领域主流的能量存储技术。然而，随着使用时间的延长，电池的性能会逐渐下降，导致电动汽车续航里程减少，影响用户体验和车辆使用寿命。为了减轻电池寿命的不确定性，电池通常设计的尺寸过大，也可能会造成电量使用不尽的情况，从而导致系统成本增加，因此，需要一种电池健康使用寿命精确预测的新方法。
3.电池剩余使用寿命预测任务是指根据电池的实际使用情况，通过对其状态进行分析和建模，来预测电池能够继续使用的时间。为了实现这个任务，可以采用soh（state of health）技术进行预测。soh是指电池的健康状态，它可以通过监测电池的内部参数，如电流、电压、温度等来评估电池的健康状况。通过对soh的预测，可以得出电池的剩余寿命。电池剩余使用寿命预测方法可分为两大类：一类是传统的基于模型的方法，建立基于电池的内部结构和物理原理的模型，通过模拟电池的内部过程来预测其剩余使用寿命。物理原理的模型是基于电池的化学反应、电化学反应、热力学和动力学等方面进行建模。另一类是基于数据驱动方法，通过利用电池的历史数据、实时数据或者传感器数据等，建立预测模型来预测电池的剩余使用寿命。基于数据驱动方法的电池剩余使用寿命预测研究可分为基于差分分析、机器学习和深度学习的方法。与传统的基于模型的方法不同，基于数据驱动方法不需要对电池的内部结构和物理原理进行建模，而是直接利用数据进行建模和预测，因此基于数据驱动的方法能更加灵活和适应不同的电池类型和工况条件。
4.现有预测方案在实际应用中主要存在以下缺点：基于模型的方法建模难度大，需要对电池的内部结构和物理原理进行建模，需要专业知识和技能。且该方法只能反映建模时所考虑的因素，如果存在未考虑的因素或者模型精度不足，会影响预测精度和可靠性。同时，基于模型的方法建立的模型一般适用于特定型号、特定工况下的电池，对于不同型号、不同工况下的电池，需要重新建立模型，适应性较差；在基于数据驱动方法的电池剩余使用寿命预测方法中，基于差分分析的方法对数据的要求较高，需要具备高精度、高时间分辨率的电池容量测试数据，并且对电池的充放电条件和工况环境等因素较为敏感；基于机器学习和深度学习的电池剩余寿命预测方法较为灵活，不受制于模型精度，但对数据和设备算力要求较高，且特征提取质量会对预测结果产生较大的影响。
5.因此，针对上述问题，本发明设计了一种基于时间间隔的特征提取方法，以特定电压间隔序列下的时间作为特征，使用基于全局-滑动窗口注意力机制的transformer时间序列预测模型预测电池的剩余使用寿命。


技术实现要素：

6.为了更好的解决上述问题，本发明提供一种电池剩余使用寿命的预测方法、系统及存储介质，以实现精准预测电池剩余使用寿命，从而提前进行维护或更换，避免出现意外故障或损坏，提升用户体验。
7.作为本发明的一种优选技术方案，电池剩余使用寿命的预测方法包括如下步骤：步骤s1：获取电池的参数数据；步骤s2：采集所述参数数据中的关键特征，获取所述关键特征时间曲线，采用savitzky-golay数字信号处理算法对所述关键特征时间曲线进行平滑性处理，提取所述关键特征时间间隔，基于所述关键特征的时间间隔，计算各个所述关键特征的时间序列特征；步骤s3：将各个所述关键特征的所述时间序列特征，输入至预测模型来计算所述电池的soh；步骤s4：基于第一公式计算所述电池的剩余使用寿命a，所述第一公式为：a = b * (1-c)，其中，b为所述电池的设计总寿命，c为所述电池的soh值。
8.作为本发明的一种优选技术方案，所述步骤s1中，获取所述电池参数数据的方法，包括：步骤s11：对所述电池进行充电，使其存储的电量达到最大值；步骤s12：在常温下，对所述电池进行自然放电，使所述电池的电量达到预先设定的第一数值；步骤s13：记录充放电过程中所述电池的所述关键特征的所述参数数据。
9.作为本发明的一种优选技术方案，所述关键特征包括电压、电流和温度，定义所述关键特征的所述时间序列特征分别为电压时间序列、电流时间序列和温度时间序列。
10.作为本发明的一种优选技术方案，计算所述关键特征中所述电压时间序列、所述电流时间序列和所述温度时间序列包括：设置电压上下界限值，上界vh等于第一阈值，下界v1等于第二阈值，设定电压间隔，获取放电操作过程中电压从vh到v1之间间隔所述的第一电压序列，基于所述第一电压序列获取对应的第一电流序列、第一温度序列和第一时间序列，分别将所述第一时间序列中的t0和tk1的时间戳保存在存储器上，其中k1为所述第一电压序列的长度；获取充电操作过程中电压从v1到vh之间间隔所述的第二电压序列，基于所述第二电压序列获取对应的第二电流序列、第二温度序列和第二时间序列，分别将所述第二时间序列中的t0和tk2的时间戳保存在所述存储器上，其中k2为所述第二电压序列的长度。
11.作为本发明的一种优选技术方案，所述预测模型为gs-transformer模型。
12.作为本发明的一种优选技术方案，所述时间序列特征输入至所述预测模型之前，使用最大最小归一化法对数据进行归一化处理。
13.作为本发明的一种优选技术方案，所述gs-transformer模型的解码器输入表达式如下：
其中，是起始元素，是目标序列占位符，所述目标序列占位符取值为0，所述解码器通过一个前向过程预测输出。
14.本发明还提供一种如上所述的电池剩余使用寿命的预测系统，包括如下模块：获取模块：用于获取电池的参数数据；采集模块：用于采集参数数据中的关键特征，获取关键特征时间曲线，采用savitzky-golay数字信号处理算法对关键特征时间曲线进行平滑性处理，提取关键特征时间间隔，基于关键特征的时间间隔，计算各个关键特征的时间序列特征；预测模块：用于将各个关键特征的时间序列特征，输入至预测模型来计算电池的soh；计算模块：用于在第一公式的基础上，计算电池的剩余使用寿命a，第一公式为：a = b * (1-c)，其中，b为电池的设计总寿命，c为电池的soh值。
15.本发明还提供一种计算设备，所述设备包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述所述的电池剩余使用寿命的预测方法。
16.本发明还提供一种存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述所述的电池剩余使用寿命的预测方法。
17.与现有技术相比，本发明的有益效果至少如下所述：1、本发明的技术方案通过获取电池的参数数据，采集参数数据中的关键特征，获取关键特征时间曲线，采用savitzky-golay数字信号处理算法对关键特征时间曲线进行平滑性处理，提取关键特征时间间隔，基于关键特征的时间间隔，计算各个关键特征的时间序列特征；将各个关键特征的时间序列特征，输入至预测模型来计算电池的soh；基于第一公式计算电池的剩余使用寿命。该技术方案能够保证降低模型计算复杂度的同时不遗漏任何重要信息，精准预测电池剩余使用寿命，从而提前进行维护或更换，避免出现意外故障或损坏，提升用户体验。
18.2、本发明的技术方案通过设置电压上下界限值，模拟电动汽车在实际使用过程中的充放电情况，使得预测模型能够适应不同的初始电量状态，提高预测的灵活性。
附图说明
19.图1为本发明一种电池剩余使用寿命的预测方法的步骤流程图；图2为本发明一种电池剩余使用寿命的预测系统的组成结构图；图2中所示：100、电池剩余使用寿命的预测系统；101、获取模块；102、采集模块；103、预测模块；104、计算模块。
具体实施方式
20.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
21.随着电动汽车的普及，电池是其核心部件之一，而锂离子电池是当前电动汽车领域主流的能量存储技术。然而，随着使用时间的延长，电池的性能会逐渐下降，导致电动汽车续航里程减少，影响用户体验和车辆使用寿命。为了减轻寿命的不确定性，电池通常尺寸过大且使用不足，导致的系统成本增加和性能次优。
22.针对上述的技术问题，发明人提出如图1所示的电池剩余使用寿命的预测方法，包括如下步骤：步骤s1：获取电池的参数数据；步骤s2：采集参数数据中的关键特征，获取关键特征时间曲线，采用savitzky-golay数字信号处理算法对关键特征时间曲线进行平滑性处理，提取关键特征时间间隔，基于关键特征的时间间隔，计算各个关键特征的时间序列特征；步骤s3：将各个关键特征的时间序列特征，输入至预测模型来计算电池的soh；步骤s4：基于第一公式计算电池的剩余使用寿命a，第一公式为：a = b * (1-c)，其中，b为电池的设计总寿命，c为电池的soh值。
23.具体的，采集多种不同车型的电动汽车的电池使用明细数据，从而获取电池的参数数据。在实际测量和采集电压信号时，往往会受到各种高频噪声的干扰，这些高频噪声会影响电池参数数据中关键特征的真实性和可靠性，进而给特征提取和数据分析带来困扰。以关键特征中的时间序列特征-电压时间序列为例，为了提高电压-时间曲线的信号质量，降低高频噪声对特征提取的影响，对电压-时间曲线进行平滑性处理。平滑处理可以有效地消除或降低电压-时间曲线中的高频噪声，使得信号更加稳定，提高测量结果的可靠性，并且通过对电压-时间曲线进行平滑处理，有助于突出信号中的主要特征，从而提高特征提取的精度和可靠性。此外，在进行建模和预测时，平滑处理过的数据也有助于提高模型的准确性和泛化能力。本发明采用了一种名为savitzky-golay(sg)的数字信号处理算法，对电压-时间曲线进行平滑性处理。其中，savitzky-golay(sg)滤波器是一种数字滤波器，可以应用于一组数据，以平滑数据，能够在不改变信号趋势、宽度的情况下提高数据的精度。savitzky-golay滤波器通过卷积的过程实现，即通过线性最小二乘法将相邻数据点的连续子集与一个低次多项式拟合。滤波器的优点是，在同一段曲线上，任意位置可以任意选取不同的窗宽，满足不同平滑滤波的需要；尤其是处理时序数据时，对于不同阶段的序列处理优势明显。
24.基于上述的时间序列特征，采用预测模型gs-transformer模型，预测电池soh。gs-transformer是一种用于序列数据建模的神经网络模型，也可以用于预测电池的soh（state of health），但需要结合电池的相关数据进行训练和优化，电池的相关数据包括：电池容量、充电/放电电流、电池温度、充电/放电时间、电池内阻等，其中关键特征包括电压、电流和温度。训练gs-transformer模型时，可以将时间序列特征作为输入特征，并将电池的soh作为输出标签。通过优化模型，可以得到一个能够准确预测电池soh的模型，从而实现对电池健康状态的监测和预测。需要注意的是，电池soh的预测是一个复杂的问题，需要综合考虑多种因素。因此，训练gs-transformer模型时应该选择合适的特征和标签，同时合理设置模型的参数，以达到最佳的预测效果。
25.soh(state of health)是一种用来检测电池健康状况的指标，以百分比形式表示。它代表了动力电池容量和原始容量之间的比例，表示电池当前的使用寿命及其可靠性。其取值范围为0~100%。基于上述技术方案得出电池当前soh值，通过表达式：a = b * (1-c)，计算电池的剩余使用寿命a。
26.进一步的，上述步骤s1中，获取电池参数数据的方法，包括：步骤s11：对电池进行充电，使其存储的电量达到最大值；步骤s12：在常温下，对电池进行自然放电，使电池的电量达到预先设定的第一数值；步骤s13：记录充放电过程中电池的关键特征的参数数据。
27.具体的，首先对电池进行充电，使其存储的电量达到电池容量的最大值；再将电池放置在常温下，例如室温，等待一段时间，让电池的电量自然放电到预先设定的数值；对电池进行循环充放电测试，即反复将电池充电和放电，记录每个循环的电量、电压、电流和温度等信息。通常情况下，随着充放电次数的增加，电池的容量和电压都会逐渐降低，这是电池老化的表现。
28.进一步的，上述关键特征包括电压、电流和温度，定义关键特征的时间序列特征分别为电压时间序列、电流时间序列和温度时间序列。
29.具体的，电池包含很多参数，如电压、电流、温度、容量、能量、能量密度、功率密度、充放电倍率、荷电状态、寿命等。其中，电压、电流和温度属于电池的关键特征，是本发明关注的重点，这些关键特征的数值变化需要在一定的时间间隔下对比才有训练的价值，因此，还需要获取关键特征的时间序列特征，如电压时间序列、电流时间序列和温度时间序列。
30.进一步的，计算关键特征中电压时间序列、电流时间序列和温度时间序列包括：设置电压上下界限值，上界vh等于第一阈值，下界v1等于第二阈值，设定电压间隔，获取放电操作过程中电压从vh到v1之间间隔所述的第一电压序列，基于所述第一电压序列获取对应的第一电流序列、第一温度序列和第一时间序列，分别将所述第一时间序列中的t0和tk1的时间戳保存在存储器上，其中k1为所述第一电压序列的长度；获取充电操作过程中电压从v1到vh之间间隔所述的第二电压序列，基于所述第二电压序列获取对应的第二电流序列、第二温度序列和第二时间序列，分别将所述第二时间序列中的t0和tk2的时间戳保存在所述存储器上，其中k2为所述第二电压序列的长度。
31.具体的，设置电池的电压上界（第一阈值），下界（第二阈值），取电压在14至15之间的电压数据子集。这样做的目的是模拟电动汽车在实际使用过程中的充放电情况，因为用户通常不会等待电池完全放电才进行充电，这样的处理方式使得模型能够适应不同的初始电量状态，提高预测的灵活性。设定电压间隔，计算时间序列特征。
32.电池的放电操作过程，是从高电压到低电压的过程，电压从15v到14v之间间隔的第一电压序列，其对应的第一电流序列、第一温度序列和第一时间序列，第一时间序列中的t0表示放
电开始时间，第一时间序列中的t8表示放电结束时间，单位是小时。
33.电池的充电操作过程，是从低电压到高电压的过程，电压从14v到15v之间间隔的第二电压序列，其对应的第二电流序列、第二温度序列和第二时间序列，第二时间序列中的t0表示充电开始时间，第二时间序列中的t3表示充电结束时间，单位是小时。时间序列特征对于电池的剩余容量有着重要的影响，通过提取时间序列特征，方便计算电池充放电行为的起始时刻和循环周期值与所有时间序列特征之间的注意力相似度。
34.进一步的，上述预测模型为gs-transformer模型。
35.具体的，本发明电池的soh预测模型采用gs-transformer模型，gs-transformer模型的编码器负责把自然语言序列映射称为隐藏层（含有自然语言序列的数学表达），注意力机制是通过训练得到一个加权，再通过权重矩阵来自发的找到词与词之间的关系，需要给每个input一个tensor(张量),然后通过tensor之间的乘法得到input之间的关系。通过某种运算来直接计算得到句子在编码过程中每个位置上的注意力权重，然后再以权重和的形式来计算得到整个句子的隐含向量表示。传统编码器机制的缺陷是：模型在当前位置的信息进行编码时，会过度的将注意力集中在自身的位置，因此提出多头注意力机制来解决这个问题，多头注意力就是在多个不同的投影空间中建立不同的投影信息，将输入矩阵，进行不同的投影，得到许多输出矩阵后，将其拼接在一起，本发明是在多头注意力层应用了全局-滑动注意力机制，以降低计算复杂度，同时又能够确保数据处理时不会丢失过多重要信息。
36.在处理电动汽车电池数据时，我们面临着实际应用场景中算力限制的挑战。传统的注意力机制对每个元素计算与其它所有元素的注意力值，计算复杂度较高。因此，需要采用一种计算复杂度较低的注意力机制实现方法，同时又不希望在处理数据时遗漏任何重要的信息。为了解决这个问题，本发明采用一种全局-滑动窗口(global-sliding)注意力机制，用来处理电池时间特征数据。该机制通过将注意力机制应用于滑动窗口上的特定时间序列特征分量上，以降低计算复杂度，同时又能够确保数据处理时不会丢失过多重要信息。具体来说，当观察处理得到的特定间隔电压序列下的时间特征时，我们认为仅计算某一分量与其相邻分量的相似度就可以反映电池的健康状况。这是因为这些分量反映了电池的充放电速度，而这一速度又与电池的老化状态密切相关。因此，让绝大多数时间序列特征分量仅关注与其相邻窗口分量的相似度，而非全局相似度，以降低计算复杂度。
37.同时，我们也需要确保所有的时间特征分量都能够充分地关注到电池充放电行为的起始时刻和循环周期值，因为这些参数对于电池的剩余容量有着重要的影响。因此，对于这两个分量，我们希望它们与所有其他分量都计算注意力相似度，以确保其重要性得到了充分的考虑。通过这种全局-滑动窗口(global-sliding)注意力机制，可以提高数据处理的效率和准确性，因此采用gs-transformer模型预测电池的soh更为合适。
38.进一步的，上述时间序列特征输入至预测模型之前，使用最大最小归一化法对数据进行归一化处理。
39.具体的，先使用最大最小归一化法对时间序列特征数据进行归一化处理，在将归一化处理后的时间序列特征输入预测模型。它可以有效地将多个时间序列特征数据缩放到同一范围，从而提高计算机的处理效率。最大最小归一化法属于公知技术，此处不在赘述。
40.进一步的，上述gs-transformer模型的解码器输入表达式如下：其中，是起始元素，是目标序列占位符，目标序列占位符取值为0，解码器通过一个前向过程预测输出。
41.具体的，gs-transformer模型的解码器把隐藏层在映射为自然语言序列，模型使用了标准的解码器结构，它由两个相同的多头注意力层堆叠组成，并且采用生成式预测来缓解长时间预测中速度下降的问题，gs-transformer模型将如下公式所示向量作为解码器的输入：其中是起始元素，是目标序列占位符，取值为0。该解码器通过一个前向过程预测输出，而不是在传统的编码器-解码器架构中耗时的“动态解码”。
42.本发明还提供一种如图2所示的电池剩余使用寿命的预测系统100，包括如下模块：获取模块101：用于获取电池的参数数据；采集模块102：用于采集参数数据中的关键特征，获取关键特征时间曲线，采用savitzky-golay数字信号处理算法对关键特征时间曲线进行平滑性处理，提取关键特征时间间隔，基于关键特征的时间间隔，计算各个关键特征的时间序列特征；预测模块103：用于将各个关键特征的时间序列特征，输入至预测模型来计算电池的soh；计算模块104：用于在第一公式的基础上，计算电池的剩余使用寿命a，第一公式为：a = b * (1-c)，其中，b为电池的设计总寿命，c为电池的soh值。
43.存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，该计算机可执行指令被处理器执行时实现上述的电池剩余使用寿命的预测方法。
44.本发明还提供一种计算机存储介质，存储介质存储有程序指令，其中，在程序指令运行时控制计算机存储介质所在设备执行上述的电池剩余使用寿命的预测方法。
45.综上所述，获取电池的参数数据，采集参数数据中的关键特征，获取关键特征时间曲线，采用savitzky-golay数字信号处理算法对关键特征时间曲线进行平滑性处理，提取关键特征时间间隔，基于关键特征的时间间隔，计算各个关键特征的时间序列特征；将各个关键特征的时间序列特征，输入至预测模型来计算电池的soh；基于第一公式计算电池的剩余使用寿命a，第一公式为：a = b * (1-c)，其中，b为电池的设计总寿命，c为电池的soh值。通过该方法能够保证降低模型计算复杂度的同时不遗漏任何重要信息，精准预测电池剩余使用寿命，从而提前进行维护或更换，避免出现意外故障或损失，提升用户体验。
46.以上上述的实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
47.以上上述的实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
48.以上上述的仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种电池剩余使用寿命的预测方法，其特征在于，所述方法包括如下步骤：步骤s1：获取电池的参数数据；步骤s2：采集所述参数数据中的关键特征，获取所述关键特征时间曲线，采用savitzky-golay数字信号处理算法对所述关键特征时间曲线进行平滑性处理，提取所述关键特征时间间隔，基于所述关键特征的时间间隔，计算各个所述关键特征的时间序列特征；步骤s3：将各个所述关键特征的所述时间序列特征，输入至预测模型来计算所述电池的soh；步骤s4：基于第一公式计算所述电池的剩余使用寿命a，所述第一公式为：a = b * (1-c)，其中，b为所述电池的设计总寿命，c为所述电池的soh值。2.根据权利要求1所述的一种电池剩余使用寿命的预测方法，其特征在于，所述步骤s1中，获取所述电池参数数据的方法，包括：步骤s11：对所述电池进行充电，使其存储的电量达到最大值；步骤s12：在常温下，对所述电池进行自然放电，使所述电池的电量达到预先设定的第一数值；步骤s13：记录充放电过程中所述电池的所述关键特征的所述参数数据。3.根据权利要求1所述的一种电池剩余使用寿命的预测方法，其特征在于，所述关键特征包括电压、电流和温度，定义所述关键特征的所述时间序列特征分别为电压时间序列、电流时间序列和温度时间序列。4.根据权利要求3所述的一种电池剩余使用寿命的预测方法，其特征在于，计算所述关键特征中所述电压时间序列、所述电流时间序列和所述温度时间序列包括：设置电压上下界限值，上界v
h
等于第一阈值，下界v1等于第二阈值，设定电压间隔，获取放电操作过程中电压从vh到v1之间间隔所述的第一电压序列，基于所述第一电压序列获取对应的第一电流序列、第一温度序列和第一时间序列，分别将所述第一时间序列中的t0和tk1的时间戳保存在存储器上，其中k1为所述第一电压序列的长度；获取充电操作过程中电压从v1到v
h
之间间隔所述的第二电压序列，基于所述第二电压序列获取对应的第二电流序列、第二温度序列和第二时间序列，分别将所述第二时间序列中的t0和tk2的时间戳保存在所述存储器上，其中k2为所述第二电压序列的长度。5.根据权利要求1所述的一种电池剩余使用寿命的预测方法，其特征在于，所述预测模型为gs-transformer模型。6.根据权利要求5所述的一种电池剩余使用寿命的预测方法，其特征在于，所述时间序列特征输入至所述预测模型之前，使用最大最小归一化法对数据进行归一化处理。7.根据权利要求1所述的一种电池剩余使用寿命的预测方法，其特征在于，所述gs-transformer模型的解码器输入表达式如下：其中，是起始元素，是目标序列占位符，所述目标序列占
位符取值为0，所述解码器通过一个前向过程预测输出。8.一种电池剩余使用寿命的预测系统，用于实现如权利要求1-7任一项所述的方法，其特征在于，所述系统包括如下模块：获取模块：用于获取电池的参数数据；采集模块：用于采集参数数据中的关键特征，获取关键特征时间曲线，采用savitzky-golay数字信号处理算法对关键特征时间曲线进行平滑性处理，提取关键特征时间间隔，基于关键特征的时间间隔，计算各个关键特征的时间序列特征；预测模块：用于将各个关键特征的时间序列特征，输入至预测模型来计算电池的soh；计算模块：用于在第一公式的基础上，计算电池的剩余使用寿命a，第一公式为：a = b * (1-c)，其中，b为电池的设计总寿命，c为电池的soh值。9.一种计算设备，其特征在于，所述设备包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7中任一项所述的电池剩余使用寿命的预测方法。10.一种计算机存储介质，其特征在于，所述存储介质存储有程序指令，其中在所述程序指令运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的电池剩余使用寿命的预测方法。

技术总结
本发明涉及数据处理技术领域，更具体涉及一种电池剩余使用寿命的预测方法、系统及存储介质。所述方法包括：获取电池的参数数据；采集参数数据中的关键特征，获取关键特征时间曲线，采用Savitzky-Golay数字信号处理算法对关键特征时间曲线进行平滑性处理，提取关键特征时间间隔，基于关键特征的时间间隔，计算各个关键特征的时间序列特征；将各个关键特征的时间序列特征，输入至预测模型来计算电池的SOH；基于第一公式计算电池的剩余使用寿命a，第一公式为：a=b*(1-c)，其中，b为电池的设计总寿命，c为电池的SOH值。通过本发明实现了精准预测电池剩余使用寿命。测电池剩余使用寿命。测电池剩余使用寿命。


技术研发人员：向凌云 李尚城 虞凡 李俊 张宁
受保护的技术使用者：东风畅行科技股份有限公司
技术研发日：2023.06.30
技术公布日：2023/9/20