(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111111519.3 (22)申请日 2021.09.23 (65)同一申请的已公布的文献号 申请公布号 CN 113848480 A (43)申请公布日 2021.12.28 (73)专利权人 广东恒翼能科技有限公司 地址 523000 广东省东莞 市松山湖园区工 业西路15号2栋40 3室 (72)发明人 张浩　谢缔　王守模　欧志超　 (74)专利代理 机构 深圳市兰锋盛世知识产权代 理有限公司 4 4504 专利代理师 陈双喜 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/388(2019.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06F 111/08(2020.01) G06F 119/12(2020.01)(56)对比文件 CN 21420 3784 U,2021.09.14 CN 113311337 A,2021.08.27 CN 108896914 A,2018.1 1.27 CN 110187225 A,2019.08.3 0 CN 113049974 A,2021.0 6.29 CN 110687452 A,2020.01.14 CN 110676519 A,2020.01.10 CN 109738 824 A,2019.0 5.10 CN 112798961 A,2021.0 5.14 CN 111999649 A,2020.1 1.27 CN 111898325 A,2020.1 1.06 US 20191 13577 A1,2019.04.18 JP 201916 0256 A,2019.09.19 KR 20200140093 A,2020.12.15 EP 3748380 A1,2020.12.09 WO 2021138925 A1,2021.07.15 刘伟霞 等.基 于混合模型及LSTM的锂电池 SOH与剩余寿 命预测. 《储能科 学与技术》 .2021, 第10卷(第2期),第689- 694页. 审查员 罗敏 (54)发明名称 锂电池分容工艺的放电总容 量预测方法 (57)摘要 本发明公开一种锂电池分容工艺的放电总 容量预测方法， 包括以下步骤： 获取大量电池的 化成工艺与分容工艺的完整数据， 并取出电池分 容工艺数据的放电总容量作为预测目标值； 根据 截取的化成预充电数据和分容满充电数据的特 性提取出足量的衍生特征； 对提取到的衍生特征 进行标准化转换， 并通过递归法进行特征筛选， 得到训练数据集； 将训练数据集代入梯度提升树 模型框架Light ‑GBM进行模型训练， 得到预测模 型； 将待预测数据进行同样的处理后， 调用预测 模型进行预测， 输出分容放电总容量的预测值。 本发明能突破传统方法的精度瓶颈， 仅利用化成 预充数据与分容充电数据即可准确地预测出分容的放电总容量， 有效降低锂电池制造成本与提 高生产效率。 权利要求书1页 说明书5页 附图2页 CN 113848480 B 2022.08.23 CN 113848480 B 1.一种锂电池分容工艺的放电总容 量预测方法， 其特 征在于， 包括以下步骤： A、 获取大量电池的化成工艺与分容工艺的完整数据， 按照拟定的方案截取化成预充电 数据和分容满充电数据的数据段落， 并取出电池分容工艺数据的放电总容量作为预测目标 值； B、 根据截取的化成预充电数据和分容满充电数据的特性 提取出足量的衍 生特征； C、 对提取到的衍生特征进行标准化转换， 以消除各衍生特征在量纲及数值类型上的差 异， 并通过递归法进行 特征筛选， 剔除与目标值相关性过小的衍 生特征， 得到训练数据集； D、 构建集成学习树模型Li ght‑GBM的初始模型框架， 将经过步骤C处理得到的训练数据 集代入梯度提升树模型框架Light ‑GBM进行模型训练， 并通过贝叶斯搜索方法搜索使模型 预测效果达 到最优的超参数， 得到预测模型； E、 获取待预测电池的化成预充电数据和分容充电数据的数据段落， 并对获取的待预测 数据进行数据预处理， 将待预测数据进行同样的特征提取、 标准化转换、 特征筛选后， 调用 步骤D中训练好的预测模型进行 预测， 输出分容 放电总容 量的预测值。 2.根据权利要求1所述的锂电池分容工艺的放电总容量预测方法， 其特征在于， 在进行 步骤B前， 需要对截 取的化成预充电数据和分容满充电数据的数据段落进 行异常数据检测， 并将异常数据文件剔除。 3.根据权利要求1所述的锂电池分容工艺的放电总容量预测方法， 其特征在于， 步骤C 中， 在对衍 生特征进行标准化转换时， 将特 征值约束在区间[ ‑1， 1]内。 4.根据权利要求1所述的锂电池分容工艺的放电总容量预测方法， 其特征在于， 步骤A 中， 截取数据段落时， 按照化成预充电和分容满充电的工艺 步骤分阶段进行 特征提取。 5.根据权利要求4所述的锂电池分容工艺的放电总容量预测方法， 其特征在于， 化成预 充电和分容满充电的工艺 步骤包括化成恒流充电段、 分容恒流充电段、 分容恒压充电段。 6.根据权利要求1所述的锂电池分容工艺的放电总容量预测方法， 其特征在于， 步骤B 中， 对时间序列数据进行特征提取时将某时点的原始特征值与其对应的经过时间作除法， 得到包含时间属性的比率型衍 生特征。权　利　要　求　书 1/1 页 2 CN 113848480 B 2锂电池分容工艺的放电总容量预测方 法 技术领域 [0001]本发明涉及锂电池生产技术领域， 具体涉及一种锂电池分容工艺的放电总容量预 测方法。 背景技术 [0002]锂电池在分容工艺中完整放电的总容量可视为电池的实际总容量， 正常情 况下需 要经过完整充电、 静置和完整放电三个阶段才能得出完整放电的总容量。 而完整的充放电 过程不仅需要消 耗电力， 还占用时间等资源。 通过建立根据部分充电数据预测放电总容量 的模型方法， 在限制平均误差率与测试最大误差率的前提下， 预测出足够近似放电实际总 容量的预测总容量值， 在目前锂电池的巨大产能的背景下， 长此以往能节省十分可观的能 耗、 设备使用、 时间等 生产测试成本 。 [0003]目前， 已有的预测分容工艺放电总容量的实施方法大多为构建较为简单的线性相 关模型， 此类方法的特点是构建简单快速、 易于理解， 但在预测精度上十分有限， 很难达到 锂电池产商需要的精度， 且稳定性 不足。 发明内容 [0004]本发明针对现有技术存在之缺失， 提供一种锂电池分容工艺的放电总容量预测方 法， 其能突破传统方法的精度瓶颈， 可高精度的预测电池的放电总容量， 减少分容工艺的时 间与能耗。 [0005]为实现上述目的， 本发明采用如下之技 术方案： [0006]一种锂电池分容工艺的放电总容 量预测方法， 包括以下步骤： [0007]A、 获取大量电池的化成工艺与分容工艺的完整数据， 按照拟定的方案截取化成预 充电数据和分容满充电数据的数据段落， 并取出电池分容工艺数据的放电总容量作为预测 目标值； [0008]B、 根据截取的化成预充电数据和分容满充电数据的特性提取出足量的衍生特征； 由于电池托盘数据的原始特征主要为采样时间点、 实时电流、 实时电压、 温度、 容量等较少 的简单特征， 无法直接与最终容量构建高精度的模型关系， 故需要基干原始特征提取足够 的衍生特征如均值、 峰度、 一阶差值等， 需要根据化成或分容工艺数据的原始特征如电流、 电压等， 以及根据各工步状态， 设计特征提取方案， 提取足量的衍生特征如估算SOC、 平均温 度、 平均电压 速率等； [0009]C、 由于各特征的量纲不 同， 且考虑到模型训练的速度及效果， 对提取到的衍生特 征进行标准化转换， 以消除各衍生特征在量纲及数值类型上 的差异， 并通过递归法进行特 征筛选， 剔除与目标值相关性过小的衍 生特征， 得到训练数据集； [0010]D、 构建集成学习树模型Light ‑GBM的初始模型框架， 将经过步骤C处理得到的训练 数据集代入梯度提升树模型框架Light ‑GBM进行模型训练， 并通过贝叶斯搜索方法搜索使 模型预测效果达 到最优的超参数， 得到预测模型；说　明　书 1/5 页 3 CN 113848480 B 3