CN108334900A - 动力电池的分类模型的生成方法及系统、分类方法及系统 - Google Patents
动力电池的分类模型的生成方法及系统、分类方法及系统 Download PDFInfo
- Publication number
- CN108334900A CN108334900A CN201810084287.9A CN201810084287A CN108334900A CN 108334900 A CN108334900 A CN 108334900A CN 201810084287 A CN201810084287 A CN 201810084287A CN 108334900 A CN108334900 A CN 108334900A
- Authority
- CN
- China
- Prior art keywords
- battery
- group
- module
- euclidean distance
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种动力电池的分类模型的生成方法及系统、分类方法及系统,生成方法包括以下步骤:S1、获取训练样本集中每个电池的外特性数据;S2、对外特性数据进行预处理以生成对应的数据矩阵;S3、使用训练样本集中每个电池的数据矩阵对非监督式学习分组算法进行模型训练,以调试关键参数并生成分类模型,关键参数包括分组结果、最大距离Dmax、最大迭代次数Nmax和相似样本数K,分组结果包括训练样本集训练后最终分成的组别Gm,1≤m≤M,M表示分组结果所包括的组别的个数。本发明利用的人工智能的分类评估方式实现对大批量电池的分类,为退役动力电池的梯次利用中电池分类和评估提供一种智能、快速、方便的实现方式。
Description
技术领域
本发明涉及动力电池领域,特别涉及一种动力电池的分类模型的生成方法及系统、分类方法及系统。
背景技术
随着新能源汽车的快速发展和推广,新能源汽车所用的动力电池的需求也日益增长。受限于当前动力电池的技术水平,当动力电池的损耗达到一定程度时,动力电池供电特性无法达到电动汽车供电标准,就必须被淘汰而成退役动力电池。退役的动力电池因其具备储电和充放电能力,往往被应用在一些对电池特性要求相对不是很高的领域,比如储能电站、充电桩等,实现对动力电池的二次利用,这种退役电池的二次利用叫做电池梯级利用。
退役的汽车动力电池要实现梯级利用,在使用前需要对电池特性进行测量,根据测量结果筛选和重新配组。动力电池在出组串使用前,一般会根据电池的外特性参数,如电池的内阻、容量、充放电曲线等,根据以上这些参数对电池进行判断和分选,并以此作为电池组串使用的依据。然而,退役动力电池在梯次利用前,除了需要对以上参数进行测量分类外,还需要对退役电池的安全性和健康状态进行评估。以上测量和分类方法不仅涉及特性参数多,而且当电池数量比较多时涉及的测算量也很大,如果完全通过手动或半机器式的测量来完成,不仅分类和评估准确度难以保证,而且计算过程也很繁琐。
首先,现有技术中针对电池分组主要是依据电子测量采集数据,然后人工完成数据的分类(在电脑中)和电池特性的分组(电脑或手工),每一次只是解决当下问题,从全局看并不保证分组的合理性,也没有形成分组的机制。
其次,现有技术中针对电池分组主要是事先人工制定分组依据,然后再对数据进行人工分组,可操作性较差,会存在强行分组的情况,准确度不高。
最后,现有技术中针对电池分组大部分是监督学习式分组,当不了解电池外特性时分组困难。
发明内容
本发明要解决的技术问题是为了克服现有的传统手动式电池分组方法计算困难、比较繁琐、操作麻烦甚至无解或现有的电池分组方法中需要事先测量所有样本电池的外特性数据并标签才能进行分组的缺陷,提供一种将非监督式学习问题转化为监督学习问题从而规避了大规模计算提高效率及准确度的动力电池的分类模型的生成方法及系统、分类方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供了一种动力电池的分类模型的生成方法,其特点在于,包括以下步骤:
S1、获取训练样本集中每个电池的外特性数据;
S2、对所述外特性数据进行预处理以生成对应的数据矩阵;
S3、使用所述训练样本集中每个电池的所述数据矩阵对非监督式学习分组算法进行模型训练,以调试关键参数并生成所述分类模型,所述关键参数包括分组结果、所述数据矩阵间的最大距离、最大迭代次数Nmax和相似样本数K,所述分组结果包括所述训练样本集训练后最终分成的组别Gm,1≤m≤M,M表示所述分组结果所包括的组别的个数。
本方案中,所述最大迭代次数Nmax为非监督式学习分组算法中训练终止的条件之一。每完成一次训练样本集中所有电池样本的训练后,清点各组别中样本的数量以确认分组是否合理,如果不合理则调整最大距离后再次迭代训练,训练终止后确定最终的最大距离以及分组结果中所包括的组别。
较佳地,所述最大距离为最大欧几里德距离Dmax。
本方案中,所述最大距离有多种选择,具体还可以是闵可夫斯基距离或切比雪夫距离等,只要该最大距离能够实现数据矩阵间的距离衡量即可。
较佳地,
步骤S3中,模型训练过程中计算所述训练样本集中待分组的电池的数据矩阵与已有的所述组别的代表值的欧氏距离,并根据所述欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待分组的电池分入已有的所述组别或者新建一个组别;
完成一次所述训练样本集中所有电池的训练后还包括以下步骤:
清点所述分组结果中各组别所包括的电池的第一数量,根据所述第一数量确定分组是否合理,若否则调整所述最大欧几里德距离Dmax后再次迭代训练。
本方案中通过Dmax排除部分比较对象,大幅度的减少计算量。
本方案中,所述组别的代表值由该组别内所有样本电池的数据矩阵求平均得出。所述训练样本集中所有电池的一轮训练即为一次迭代训练,每次迭代训练完成后都需要清点各组别中的电池样本的数量,根据该数量确定是否出现分组不合理的情况,若分组过于稀疏(例如:组别=训练样本集中的样本数,或大多数组别中电池样本的数量极小),则增大Dmax后开始新一轮迭代,此时迭代次数加1,若分组过于集中(例如:组别中电池样本的数量占到了训练样本集中的样本数的多数,或仅有1-2个组别),则减小Dmax后开始新一轮迭代,此时迭代次数加1,直至训练终止,得到最终的最大欧几里德距离Dmax以及所述分组结果。训练终止的条件为到达最大迭代次数Nmax,或训练模型直至无不合理分组情况后进入模型验证,此时确定模型参数最大欧几里德距离Dmax。
较佳地,步骤S3包括以下步骤:
S31、初始化所述最大欧几里德距离Dmax和所述最大迭代次数Nmax,设置迭代次数N为1,获取所述训练样本集中电池的总数量I;
S32、从所述训练样本集中获取第i个电池,1≤i≤I,分别计算所述第i个电池的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim;
S33、统计所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别的第二数量,所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别为第一候选组别;判断所述第二数量,若为0则执行步骤S34,若为1则执行步骤S35,若大于1则执行步骤S36;
S34、对所述第i个电池新建一个第一新建组别,将所述第i个电池的数据矩阵标记为所述第一新建组别的代表值,执行步骤S39;
S35、将所述第i个电池分入所述第一候选组别,更新所述第一候选组别的代表值为所述第一候选组别内所有电池的数据矩阵的平均值,执行步骤S39;
S36、判断全部所述第一候选组别所包括的电池的总数是否大于或等于所述相似样本数K,若是执行步骤S37,若否则执行步骤S38;
S37、分别计算所述第i个电池与全部所述第一候选组别中的每个电池的欧式距离作为第一欧式距离,选出所述第一欧式距离最小的K个电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池数进行计数,并将计数后数量最大的组别作为第二候选组别,将所述第i个电池分入所述第二候选组别,执行步骤S39;
S38、分别计算所述第i个电池与所述第一候选组别中每个电池的欧式距离为第二欧式距离,将所述第一候选组别中所有电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池进行计数,并将计数后数量最大的组别作为第三候选组别,将所述第i个电池分入所述第三候选组别,执行步骤S39;
S39、判断所述训练样本集中所有的电池是否都分组完毕,若否则执行步骤S32;
若是则执行步骤S39-1;
S39-1、清点所述分组结果中各组别所包括的电池的第三数量,根据所述第三数量确定分组是否合理,若否则执行步骤S39-2,若是则流程结束;
S39-2、调整所述最大欧几里德距离Dmax,判断所述迭代次数N是否大于或等于所述最大迭代次数Nmax,若否则执行步骤S39-3,若是则执行步骤S32;
S39-3、所述迭代次数N=N+1,执行步骤S32。
较佳地,步骤S32包括以下步骤:
S3201、从所述训练样本集中获取第i个电池,判断i是否为1,若是则执行步骤S3202,若否则执行步骤S3203;
S3202、将第1个电池标为组别G1,将所述第1个电池的数据矩阵作为所述组别G1的代表值,执行步骤S39;
S3203、判断i是否为2,若是则执行步骤S3204,若否则执行步骤S3207;
S3204、计算第2个电池的数据矩阵与所述第1个电池的数据矩阵的第三欧式距离,判断所述第三欧式距离是否小于等于所述最大欧几里德距离Dmax,若是则执行步骤S3205,若否则执行步骤S3206;
S3205、将所述第2个电池分入所述组别G1,更新所述组别G1的代表值为所述第2个电池的数据矩阵和所述第1个电池的数据矩阵的平均值,执行步骤S39;
S3206、将所述第2个电池标为组别G2,将所述第2个电池的数据矩阵作为所述组别G2的代表值,执行步骤S39;
S3207、计算所述第i个电池对应的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim,执行步骤S33。
较佳地,步骤S1之前还包括以下步骤:
S0、获取总样本集,使用采样率r对所述总样本集进行采样以得到样本子集,将所述样本子集设置为所述训练样本集;
步骤S3中使用所述训练样本集中大于一半的电池的所述数据矩阵对非监督式学习分组算法进行模型训练;
步骤S3之后还包括以下步骤:
S4、使用所述训练样本集中未参与模型训练的电池的所述数据矩阵对所述分类模型进行验证,若验证后所述分组结果有变化,则增大所述采样率r,执行步骤S0。
较佳地,步骤S2中所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。
较佳地,所述外特性数据包括充电电压、充电电流、放电电压、放电电流、电池内阻、SOC(state of charge,电池的荷电状态)、历史充放电次数中的至少一种。
本发明还提供了一种动力电池的分类模型的生成系统,其特点在于,包括数据获取模块、预处理模块和模型生成模块;
所述数据获取模块,用于获取训练样本集中每个电池的外特性数据;
所述预处理模块,用于对所述外特性数据进行预处理以生成对应的数据矩阵;
所述模型生成模块,用于使用所述训练样本集中每个电池的所述数据矩阵对非监督式学习分组算法进行模型训练,以调试关键参数并生成所述分类模型,所述关键参数包括分组结果、所述数据矩阵间的最大距离、最大迭代次数Nmax和相似样本数K,所述分组结果包括所述训练样本集训练后最终分成的组别Gm,1≤m≤M,M表示所述分组结果所包括的组别的个数。
较佳地,所述最大距离为最大欧几里德距离Dmax。
本方案中,所述最大距离有多种选择,具体还可以是闵可夫斯基距离或切比雪夫距离等,只要该最大距离能够实现数据矩阵间的距离衡量即可。
较佳地,所述模型生成模块在模型训练过程中计算所述训练样本集中待分组的电池的数据矩阵与已有的所述组别的代表值的欧氏距离,并根据所述欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待分组的电池分入已有的所述组别或者新建一个组别;
所述模型生成模块包括第一判断模块,
所述第一判断模块用于在完成一次所述训练样本集中所有电池的训练后清点所述分组结果中各组别所包括的电池的第一数量,根据所述第一数量确定分组是否合理,若否则调整所述最大欧几里德距离Dmax后再次迭代训练。
较佳地,所述模型生成模块还包括初始化模块、距离计算模块、第二判断模块、第一处理模块、第二处理模块、第三判断模块、第三处理模块、第四处理模块和第四判断模块;
所述初始化模块,用于初始化所述最大欧几里德距离Dmax和所述最大迭代次数Nmax,设置迭代次数N为1,获取所述训练样本集中电池的总数量I;
所述距离计算模块,用于从所述训练样本集中获取第i个电池,1≤i≤I,分别计算所述第i个电池的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim;
所述第二判断模块,用于统计所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别的第二数量,所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别为第一候选组别;判断所述第二数量,若为0则调用所述第一处理模块,若为1则调用所述第二处理模块,若大于1则调用所述第三判断模块;
所述第一处理模块,用于对所述第i个电池新建一个第一新建组别,将所述第i个电池的数据矩阵标记为所述第一新建组别的代表值,调用所述第四判断模块;
所述第二处理模块,用于将所述第i个电池分入所述第一候选组别,更新所述第一候选组别的代表值为所述第一候选组别内所有电池的数据矩阵的平均值,调用所述第四判断模块;
所述第三判断模块,用于判断全部所述第一候选组别所包括的电池的总数是否大于或等于所述相似样本数K,若是调用所述第三处理模块,若否则调用所述第四处理模块;
所述第三处理模块,用于分别计算所述第i个电池与全部所述第一候选组别中的每个电池的欧式距离作为第一欧式距离,选出所述第一欧式距离最小的K个电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池数进行计数,并将计数后数量最大的组别作为第二候选组别,将所述第i个电池分入所述第二候选组别,调用所述第四判断模块;
所述第四处理模块,用于分别计算所述第i个电池与所述第一候选组别中每个电池的欧式距离为第二欧式距离,将所述第一候选组别中所有电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池进行计数,并将计数后数量最大的组别作为第三候选组别,将所述第i个电池分入所述第三候选组别,调用所述第四判断模块;
所述第四判断模块,用于判断所述训练样本集中所有的电池是否都分组完毕,若否则调用所述距离计算模块;若是则调用所述第一判断模块;
所述第一判断模块用于清点所述分组结果中各组别所包括的电池的第三数量,根据所述第三数量确定分组是否合理,若否则调整所述最大欧几里德距离Dmax,判断所述迭代次数N是否大于或等于所述最大迭代次数Nmax,若否则所述迭代次数N=N+1,调用所述距离计算模块。
较佳地,所述所述距离计算模块包括第五判断模块、第五处理模块、第六判断模块、第七判断模块、第六处理模块、第七处理模块和第八处理模块;
所述第五判断模块,用于从所述训练样本集中获取第i个电池,判断i是否为1,若是则调用所述第五处理模块,若否则调用所述第六判断模块;
所述第五处理模块,用于将第1个电池标为组别G1,将所述第1个电池的数据矩阵作为所述组别G1的代表值,调用所述第四判断模块;
所述第六判断模块,用于判断i是否为2,若是则调用所述第七判断模块,若否则调用所述第八处理模块;
所述第七判断模块,用于计算第2个电池的数据矩阵与所述第1个电池的数据矩阵的第三欧式距离,判断所述第三欧式距离是否小于等于所述最大欧几里德距离Dmax,若是则调用所述第六处理模块,若否则调用所述第七处理模块;
所述第六处理模块,用于将所述第2个电池分入所述组别G1,更新所述组别G1的代表值为所述第2个电池的数据矩阵和所述第1个电池的数据矩阵的平均值,调用所述第四判断模块;
所述第七处理模块,用于将所述第2个电池标为组别G2,将所述第2个电池的数据矩阵作为所述组别G2的代表值,调用所述第四判断模块;
所述第八处理模块,用于计算所述第i个电池对应的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim,调用所述第二判断模块。
较佳地,所述生成系统还包括采样模块和验证模块;
所述采样模块用于在所述数据获取模块执行之前获取总样本集,使用采样率r对所述总样本集进行采样以得到样本子集,将所述样本子集设置为所述训练样本集;
所述模型生成模块中使用所述训练样本集中大于一半的电池的所述数据矩阵对非监督式学习分组算法进行模型训练;
所述验证模块用于在所述模型生成模块执行之后使用所述训练样本集中未参与模型训练的电池的所述数据矩阵对所述分类模型进行验证,若验证后所述分组结果有变化,则增大所述采样率r,调用所述采样模块。
较佳地,所述预处理模块中所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。
较佳地,所述外特性数据包括充电电压、充电电流、放电电压、放电电流、电池内阻、SOC、历史充放电次数中的至少一种。
本发明还提供了一种动力电池的分类方法,其特点在于,包括以下步骤:
T、使用前述的动力电池的分类模型的生成方法生成的所述分类模型对待测电池进行分类,以确定所述待测电池分入所述分组结果中的一个组别。
本方案提出了一种非监督式与监督式电池分组的组合方法,解决传统电池分组方法中需要事先测量所有样本电池的外特性数据并标签才能进行分组的问题;同时在大规模样品的情况下,应用大数定理将非监督式学习问题转化为监督学习问题,规避了大规模计算从而提高系统效率及准确度。
较佳地,所述最大距离为最大欧几里德距离Dmax;步骤T包括以下步骤:
T1、获取所述待测电池的外特性数据;
T2、对所述外特性数据进行预处理以生成对应的数据矩阵;
T3、计算所述待测电池的数据矩阵与所述分组结果中的所有组别的代表值之间的欧氏距离为第四欧式距离,根据所述第四欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待测电池分入所述分组结果中的一个组别。
较佳地,所述动力电池为退役动力电池。
本发明还提供了一种动力电池的分类系统,其特点在于,包括分类模块和前述的动力电池的分类模型的生成系统;
所述分类模块,用于使用所述分类模型对待测电池进行分类,以确定所述待测电池分入所述分组结果中的一个组别。
较佳地,所述最大距离为最大欧几里德距离Dmax;所述分类模块包括待测电池数据获取模块、待测电池预处理模块和分类执行模块;
所述待测电池数据获取模块,用于获取所述待测电池的外特性数据;
所述待测电池预处理模块,用于对所述外特性数据进行预处理以生成对应的数据矩阵;
所述分类执行模块,用于计算所述待测电池的数据矩阵与所述分组结果中的所有组别的代表值之间的欧氏距离为第四欧式距离,根据所述第四欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待测电池分入所述分组结果中的一个组别。
较佳地,所述动力电池为退役动力电池。
本发明的积极进步效果在于:本发明提供的动力电池的分类模型的生成方法及系统、分类方法及系统利用人工智能的分类评估方式实现对大批量电池的分类。针对大量退役动力电池的梯次利用时电池特性分类和安全评估问题,基于预先采集的外特性数据,训练计算出退役动力电池的分类模型。当新的退役电池在投入使用前,直接根据电池的外特性等参数利用分类模型判断此电池适用的分组情况。为退役动力电池的梯次利用中电池分类和评估提供一种更加智能、更加快速、更加方便的实现方式。
附图说明
图1为本发明实施例1的动力电池的分类模型的生成方法的流程图。
图2为本发明实施例1中步骤S3的流程图。
图3为本发明实施例1中步骤S32的流程图。
图4为本发明实施例2的动力电池的分类模型的生成系统的模块示意图。
图5为本发明实施例2中模型生成模块3的模块示意图。
图6为本发明实施例2中距离计算模块303的模块示意图。
图7为本发明实施例3的动力电池的分类方法的流程图。
图8为本发明实施例4的动力电池的分类系统的模块示意图。
图9为应用本发明的电池分类方法的流程图。
图10为应用本发明的电池非监督式分类方法的流程图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例提供了一种动力电池的分类模型的生成方法,包括以下步骤:
步骤S0、获取总样本集,使用采样率r对所述总样本集进行采样以得到样本子集,将所述样本子集设置为训练样本集;
步骤S1、获取所述训练样本集中每个电池的外特性数据,所述外特性数据包括充电电压、充电电流、放电电压、放电电流、电池内阻、SOC和历史充放电次数;
步骤S2、对所述外特性数据进行预处理以生成对应的数据矩阵,具体包括依次进行的数据无效处理、数据归一化处理和数据矩阵化处理;
步骤S3、使用所述训练样本集中大于一半的电池的所述数据矩阵对非监督式学习分组算法进行模型训练,以调试关键参数并生成所述分类模型,所述关键参数包括分组结果、所述数据矩阵间的最大距离、最大迭代次数Nmax和相似样本数K,所述分组结果包括所述训练样本集训练后最终分成的组别Gm,1≤m≤M,M表示所述分组结果所包括的组别的个数;其中,最大距离为最大欧几里德距离Dmax,模型训练过程中计算所述训练样本集中待分组的电池的数据矩阵与已有的组别的代表值的欧氏距离,并根据所述欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待分组的电池分入已有的所述组别或者新建一个组别;完成一次所述训练样本集中所述大于一半的电池的训练后清点所述分组结果中各组别所包括的电池的第一数量,根据所述第一数量确定分组是否合理,若否则调整所述最大欧几里德距离Dmax后再次迭代训练,即重新执行步骤S3,直至训练终止,训练终止的条件为到达最大迭代次数Nmax或训练模型直至无不合理分组情况后,此时确定模型的关键参数最大欧几里德距离Dmax的值;
步骤S4、使用所述训练样本集中未参与模型训练的电池的所述数据矩阵对所述分类模型进行验证,判断验证后所述分组结果是否有变化,若是则执行步骤S5,若否则流程结束;
步骤S5、增大所述采样率r,重新执行步骤S0。
如图2所示,步骤S3包括以下步骤:
步骤S31、初始化所述最大欧几里德距离Dmax和所述最大迭代次数Nmax,设置迭代次数N为1,获取所述训练样本集中大于一半的电池的总数量I;
步骤S32、从所述训练样本集中获取第i个电池,1≤i≤I,分别计算所述第i个电池的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim;
步骤S33、统计所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别的第二数量,所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别为第一候选组别;判断所述第二数量,若为0则执行步骤S34,若为1则执行步骤S35,若大于1则执行步骤S36;
步骤S34、对所述第i个电池新建一个第一新建组别,将所述第i个电池的数据矩阵标记为所述第一新建组别的代表值,执行步骤S39;
步骤S35、将所述第i个电池分入所述第一候选组别,更新所述第一候选组别的代表值为所述第一候选组别内所有电池的数据矩阵的平均值,执行步骤S39;
步骤S36、判断全部所述第一候选组别所包括的电池的总数是否大于或等于所述相似样本数K,若是执行步骤S37,若否则执行步骤S38;
步骤S37、分别计算所述第i个电池与全部所述第一候选组别中的每个电池的欧式距离作为第一欧式距离,选出所述第一欧式距离最小的K个电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池数进行计数,并将计数后数量最大的组别作为第二候选组别,将所述第i个电池分入所述第二候选组别,执行步骤S39;
步骤S38、分别计算所述第i个电池与所述第一候选组别中每个电池的欧式距离为第二欧式距离,将所述第一候选组别中所有电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池进行计数,并将计数后数量最大的组别作为第三候选组别,将所述第i个电池分入所述第三候选组别,执行步骤S39;
步骤S39、判断所述训练样本集中所有的电池是否都分组完毕,若否则执行步骤S32;若是则执行步骤S39-1;
步骤S39-1、清点所述分组结果中各组别所包括的电池的第三数量,根据所述第三数量判断分组是否合理,若否则执行步骤S39-2,若是则流程结束;
步骤S39-2、调整所述最大欧几里德距离Dmax,判断所述迭代次数N是否大于或等于所述最大迭代次数Nmax,若否则执行步骤S39-3,若是则执行步骤S32;
步骤S39-3、所述迭代次数N=N+1,执行步骤S32。
如图3所示,步骤S32包括以下步骤:
步骤S3201、从所述训练样本集中获取第i个电池,判断i是否为1,若是则执行步骤S3202,若否则执行步骤S3203;
步骤S3202、将第1个电池标为组别G1,将所述第1个电池的数据矩阵作为所述组别G1的代表值,执行步骤S39;
步骤S3203、判断i是否为2,若是则执行步骤S3204,若否则执行步骤S3207;
步骤S3204、计算第2个电池的数据矩阵与所述第1个电池的数据矩阵的第三欧式距离,判断所述第三欧式距离是否小于等于所述最大欧几里德距离Dmax,若是则执行步骤S3205,若否则执行步骤S3206;
步骤S3205、将所述第2个电池分入所述组别G1,更新所述组别G1的代表值为所述第2个电池的数据矩阵和所述第1个电池的数据矩阵的平均值,执行步骤S39;
步骤S3206、将所述第2个电池标为组别G2,将所述第2个电池的数据矩阵作为所述组别G2的代表值,执行步骤S39;
步骤S3207、计算所述第i个电池对应的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim,执行步骤S33。
本实施例中设定Dmax作为分组的边界条件,通过Dmax排除部分比较对象,大幅度的减少了计算量。
本实施例用建模的方式,实现了用机器学习的思维解决动力电池的分类问题,摆脱了人工筛选的繁重工作量,所构建的分类模型也能在之后重复使用。
本实施例既能用于小规模样本问题,也可以解决大规模样本问题。能够随着样本数量的增长形成分组机制即分类模型,新样本一旦完成数据测量,即可在分组机制中得到分组标签即组别。
本实施例提供的动力电池的分类模型的生成方法针对大量退役动力电池的梯次利用时电池特性分类和安全评估问题,基于预先采集的外特性数据,训练计算出退役动力电池的分类模型。当新的退役电池在投入使用前,直接根据电池的外特性等参数利用所述分类模型即可判断此电池适用的分组情况。为退役动力电池的梯次利用中电池分类和评估提供一种更加智能、更加快速、更加方便的方法。
实施例2
如图4所示,本实施例提供了一种动力电池的分类模型的生成系统,包括采样模块0、数据获取模块1、预处理模块2、模型生成模块3和验证模块4。
所述采样模块0,用于在获取总样本集,使用采样率r对所述总样本集进行采样以得到样本子集,将所述样本子集设置为训练样本集。
所述数据获取模块1,用于获取训练样本集中每个电池的外特性数据,所述外特性数据包括充电电压、充电电流、放电电压、放电电流、电池内阻、SOC和历史充放电次数。
所述预处理模块2,用于对所述外特性数据进行预处理以生成对应的数据矩阵,具体包括依次进行的数据无效处理、数据归一化处理和数据矩阵化处理。
所述模型生成模块3,用于使用所述训练样本集中大于一半的电池的所述数据矩阵对非监督式学习分组算法进行模型训练,以调试关键参数并生成所述分类模型,所述关键参数包括分组结果、所述数据矩阵间的最大距离、最大迭代次数Nmax和相似样本数K,所述分组结果包括所述训练样本集训练后最终分成的组别Gm,1≤m≤M,M表示所述分组结果所包括的组别的个数;其中,最大距离为最大欧几里德距离Dmax,所述模型生成模块3在模型训练过程中计算所述训练样本集中待分组的电池的数据矩阵与已有的组别的代表值的欧氏距离,并根据所述欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待分组的电池分入已有的所述组别或者新建一个组别。
所述验证模块4,用于使用所述训练样本集中未参与模型训练的电池的所述数据矩阵对所述分类模型进行验证,若验证后所述分组结果有变化,则增大所述采样率r,重新调用所述采样模块0。
如图5所示,所述模型生成模块3包括初始化模块301、第一判断模块302、距离计算模块303、第二判断模块304、第一处理模块305、第二处理模块306、第三判断模块307、第三处理模块308、第四处理模块309和第四判断模块310;
所述初始化模块301,用于初始化所述最大欧几里德距离Dmax和所述最大迭代次数Nmax,设置迭代次数N为1,获取所述训练样本集中大于一半的电池的总数量I;
所述距离计算模块303,用于从所述训练样本集中获取第i个电池,1≤i≤I,分别计算所述第i个电池的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim;
所述第二判断模块304,用于统计所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别的第二数量,所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别为第一候选组别;判断所述第二数量,若为0则调用所述第一处理模块305,若为1则调用所述第二处理模块306,若大于1则调用所述第三判断模块307;
所述第一处理模块305,用于对所述第i个电池新建一个第一新建组别,将所述第i个电池的数据矩阵标记为所述第一新建组别的代表值,调用所述第四判断模块310;
所述第二处理模块306,用于将所述第i个电池分入所述第一候选组别,更新所述第一候选组别的代表值为所述第一候选组别内所有电池的数据矩阵的平均值,调用所述第四判断模块310;
所述第三判断模块307,用于判断全部所述第一候选组别所包括的电池的总数是否大于或等于所述相似样本数K,若是调用所述第三处理模块308,若否则调用所述第四处理模块309;
所述第三处理模块308,用于分别计算所述第i个电池与全部所述第一候选组别中的每个电池的欧式距离作为第一欧式距离,选出所述第一欧式距离最小的K个电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池数进行计数,并将计数后数量最大的组别作为第二候选组别,将所述第i个电池分入所述第二候选组别,调用所述第四判断模块310;
所述第四处理模块309,用于分别计算所述第i个电池与所述第一候选组别中每个电池的欧式距离为第二欧式距离,将所述第一候选组别中所有电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池进行计数,并将计数后数量最大的组别作为第三候选组别,将所述第i个电池分入所述第三候选组别,调用所述第四判断模块310;
所述第四判断模块310,用于判断所述训练样本集中所有的电池是否都分组完毕,若否则调用所述距离计算模块303;若是则调用所述第一判断模块301;
所述第一判断模块301用于清点所述分组结果中各组别所包括的电池的第三数量,根据所述第三数量确定分组是否合理,若否则调整所述最大欧几里德距离Dmax,判断所述迭代次数N是否大于或等于所述最大迭代次数Nmax,若否则所述迭代次数N=N+1,调用所述距离计算模块303。
本实施例中训练终止的条件为到达最大迭代次数Nmax或训练模型直至无不合理分组情况后,此时确定模型的关键参数最大欧几里德距离Dmax的值。
如图6所示,所述距离计算模块303包括第五判断模块3031、第五处理模块3032、第六判断模块3033、第七判断模块3034、第六处理模块3035、第七处理模块3036和第八处理模块3037;
所述第五判断模块3031,用于从所述训练样本集中获取第i个电池,判断i是否为1,若是则调用所述第五处理模块3032,若否则调用所述第六判断模块3037;
所述第五处理模块3032,用于将第1个电池标为组别G1,将所述第1个电池的数据矩阵作为所述组别G1的代表值,调用所述第四判断模块310;
所述第六判断模块3033,用于判断i是否为2,若是则调用所述第七判断模块3034,若否则调用所述第八处理模块3037;
所述第七判断模块3034,用于计算第2个电池的数据矩阵与所述第1个电池的数据矩阵的第三欧式距离,判断所述第三欧式距离是否小于等于所述最大欧几里德距离Dmax,若是则调用所述第六处理模块3035,若否则调用所述第七处理模块3036;
所述第六处理模块3035,用于将所述第2个电池分入所述组别G1,更新所述组别G1的代表值为所述第2个电池的数据矩阵和所述第1个电池的数据矩阵的平均值,调用所述第四判断模块310;
所述第七处理模块3036,用于将所述第2个电池标为组别G2,将所述第2个电池的数据矩阵作为所述组别G2的代表值,调用所述第四判断模块310;
所述第八处理模块3037,用于计算所述第i个电池对应的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim,调用所述第二判断模块304。
本实施例提供的动力电池的分类模型的生成系统针对大量退役动力电池的梯次利用时电池特性分类和安全评估问题,基于预先采集的外特性数据,训练计算出退役动力电池的分类模型。当新的退役电池在投入使用前,直接根据电池的外特性等参数利用所述分类模型即可判断此电池适用的分组情况。为退役动力电池的梯次利用中电池分类和评估提供一种更加智能、更加快速、更加方便的实现方式。
实施例3
如图7所示,本实施例提供了一种动力电池的分类方法,使用实施例1中的动力电池的分类模型的生成方法生成的所述分类模型对待测电池进行分类,以确定所述待测电池分入所述分组结果中的一个组别,具体包括以下步骤:
步骤T1、获取所述待测电池的外特性数据;
步骤T2、对所述外特性数据进行预处理以生成对应的数据矩阵;
步骤T3、计算所述待测电池的数据矩阵与所述分组结果中的所有组别的代表值之间的欧氏距离为第四欧式距离,根据所述第四欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待测电池分入所述分组结果中的一个组别。
本实施例中,所述动力电池为退役动力电池。
本实施例提出了一种非监督式与监督式电池分组的组合方法,解决传统电池分组方法中需要事先测量所有样本电池的外特性数据并标签才能进行分组的问题;同时在大规模样品的情况下,应用大数定理将非监督式学习问题转化为监督学习问题,规避了大规模计算从而提高系统效率及准确度。
本实施例提供的动力电池的分类方法利用的人工智能的分类评估方式实现对大批量电池的分类。当新的退役电池在投入使用前,直接根据电池的外特性等参数利用所述分类模型判断此电池适用的分组情况。为退役动力电池的梯次利用中电池分类和评估提供一种更加智能、更加快速、更加方便的方法。
实施例4
如图8所示,本实施例提供了一种动力电池的分类系统,包括分类模块5和实施例2中的动力电池的分类模型的生成系统6;
所述分类模块5,用于使用所述分类模型对待测电池进行分类,以确定所述待测电池分入所述分组结果中的一个组别。所述分类模块5包括待测电池数据获取模块501、待测电池预处理模块502和分类执行模块503;
所述待测电池数据获取模块501,用于获取所述待测电池的外特性数据;
所述待测电池预处理模块502,用于对所述外特性数据进行预处理以生成对应的数据矩阵;
所述分类执行模块503,用于计算所述待测电池的数据矩阵与所述分组结果中的所有组别的代表值之间的欧氏距离为第四欧式距离,根据所述第四欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待测电池分入所述分组结果中的一个组别。
本实施例中,所述动力电池为退役动力电池。
本实施例提供的动力电池的分类系统利用的人工智能的分类评估方式实现对大批量电池的分类。当新的退役电池在投入使用前,直接根据电池的外特性等参数利用所述分类模型判断此电池适用的分组情况。为退役动力电池的梯次利用中电池分类和评估提供一种更加智能、更加快速、更加方便的实现方式。
下面继续通过具体的例子,进一步说明本发明的技术方案和技术效果。
本发明具体实施时应用于退役电池人工智能分组整个过程划分为形成机制及应用机制两大方面。其中形成机制又分为样本采样、数据采集与处理、模型训练、模型验证四个步骤,详见图9。上述非监督式学习分组方法将在模型训练中体现,详见图10。
I形成机制
I.1样本采样
设退役电池样本总数为S,采样率为r,则样本子集为Sr。
当样本总数规模有限时(例如<50)采样率r可设置为100%来保证分组机制的准确性。当样本总数规模非常大时(例如>1000)采样率初始值r0可设置为小数值,例如2%。并随着模型训练得到准确采样率rfix。
I.2数据采集与处理
根据行业经验,判断电池性能的常用指标有:充电电压、充电电流、放电电压、放电电流、电池内阻、SOC,历史充放电次数等等。常规测量手段即将退役电池进行一个或若干个完整的充放电过程,并记录下相应的实验数值充电电压Ucharge(t),充电电流Icharge(t),放电电压Udischarge(t),放电电流Idischarge(t),内阻Rinner(t),SOC。
采集的数据并不能直接作为算法的输入信息,需要经过无效数据删除处理,数据归一化处理和数据矩阵输入处理。
◆数据无效处理
针对输入数据xi,其中xi∈{x1,x2…xN},若则对xi进行更新:
◆数据归一化处理
为防止分类算法中梯度的消失或发散,采集的数据输入前需要经过归一化处理,xi∈{x1,x2…xN},归一化后的数据为
◆输入数据矩阵化处理
当输入数据量很大时,算法将面临计算量将提升,为方便计算这里通过将输入数据矩阵化来提高计算效率。
I.3模型训练
本发明的目的是通过非监督式学习方法对退役电池进行分组,确保性能相近的个体能够在同一组中,避免水桶效应。非监督式学习指的是解决一些并无唯一解的问题,例如分组问题。
本发明的模型关键参数有:最大迭代次数Nmax,最大欧几里德距离Dmax,相似样本数K,参考数据X。通过计算每一组输入数据与参考数据X间的距离D(xi,xj)来衡量该数据所属的分类。
上述参数在初始化时:Nmax、Dmax均为随机值,K值为人工经验值(奇数),X为空数组,模型输入为样本子集Sr中大比例样本。
a)在首次迭代(迭代次数N=1)中,面对第一个样本Sr1时,自动分为G1组,同时将Sr1标记为G1组的代表值;
b)计算第二个样本Sr2与Sr1的欧式距离D12并与Dmax比较;
◆若D12<=Dmax,则确定两个样本为同组,把样本Sr2标记为G1组,同时将Sr1、Sr2的平均值标记为G1组的代表值;
◆若D12>=Dmax,则按序新建分组(标记为G2组),同时将Sr2标记为G2组的代表值;
c)类似的,对于样本Sri(角标为ri),分别计算Sri与已有分组G1,G2,…,GM中每个组别的代表值的欧式距离Di1,Di2,…DiM:
◆若没有任一分组的欧式距离<=Dmax,则把Sri按序新建分组GM+1,同时将Sri标记为GM+1组的代表值;
◆若仅有1个分组的欧式距离<=Dmax,则把Sri分为该组,同时将该组的代表值更新为包含Sri的组内所有成员的平均值;
◆若有多于1个分组的欧氏距离<=Dmax,且这几个组的成员总数>=K,则计算样本Sri与这几个组中的所有成员的欧式距离,选出距离最小的K个样本(即为参考数据X),根据X中的组别标签进行计数(或加权计算),计数的组即为Sri标记的组别,则把Sri分为该组,同时将该组的代表值更新为包含Sri的组内所有成员的平均值;
◆若有多于1个分组的欧氏距离<=Dmax,且这几个组的成员总数<K,则计算样本Sri与这几个组中的所有成员的欧式距离(这几个组的成员即为参考数据X),根据X中的组别标签进行计数(或加权计算),计数的组即为Sri标记的组别,则把Sri分为该组,同时将该组的代表值更新为包含Sri的组内所有成员的平均值。
d)依次类推直到完成此次迭代;
e)清点各组样本数,检查是否出现分组不合理情况:
◆若分组过于稀疏(例如:组别=子集样本数,或大多数组别数量极小),则Dmax增大后开始新一轮迭代(N=N+1);
◆若分组过于集中(例如:分组数量占到子集样本数的多数,或仅1-2个分组),则Dmax减小后开始新一轮迭代(N=N+1)。
f)训练终止条件:到达最大迭代次数Nmax,或训练模型直至无不合理分组情况后进入模型验证,此时确定模型参数Dmax。
I.4模型验证
将样本子集Sr中未使用的数据对上述模型进行验证,若迭代完成后组别不再发生变化,则表示该组别机制能够适用于全样本。若否,则增大采样率r后重新进行模型训练。
II应用机制
对于样本总数S的其余样本或新样本,进行实验测量得到有效数据。
然后计算该样本与已有分组G1,…,GM中所有组别的代表值之间的欧式距离,与上述步骤c类似,根据比较情况为样本标记的组别。
同时,设置计数器b=0,统计新样本无法分到合适组别的次数,当b达到一定数值时说明发生了新的规律(例如:新的型号、新的工艺、未遇到的工况),则重新训练模型。
接下去仅采用电池的开路电压Uopen作为分组依据,样本总数为100,K=5的例子进行说明。
此时,整个分组数学问题为一维问题,且样本数量不大,先用90组电池的数据作为模型训练数据。Dmax初始值设置为1(单位:伏特),Nmax初始值设置为5000。
a)第一块电池S1自动标为1组,且S1的电压值即为第一组的代表值;
b)第二块电池S2计算D12=|Uopen,2-Uopen,1|,并与Dmax比较大小;
◆若为同组,则标为1组,且将2块电池的平均值标为该组代表值;
◆若不为一组,则标为2组,且S2的电压值即为第二组的代表值。
c)从第三块电池开始,计算其与所有组别的距离,并与Dmax比较大小;
◆若没有组别在Dmax范围内,则该电池按序标为新组,且该电池的电压值即为新组的代表值;
◆若仅有1组在Dmax范围内,则该电池按序标为该组,且该组的代表值更新为新的平均值;
◆若有多组在Dmax范围内,且这些组的成员数量总和不小于5,则选取离该电池最近的5块电池,对分组进行计数,该电池归入数量最多的一组;
◆若有多组在Dmax范围内,且这些组的成员数量总和小于5,则对这些组的成员分组进行计数,该电池归入数量最多的一组。
d)判断分组是否合理:
◆若100个样本分为100组,90组,80组,或分组中的大部分成员数量少于5,则认为太稀疏,增加Dmax后进行新一次迭代;
◆若100个样本分为1组,2组,3组,或分组中存在组别成员数量大于40,则认为太密集,减少Dmax后进行新一次迭代。
e)训练终止条件:达到最大迭代次数Nmax或分组合理,保留该Dmax值;
f)用剩余的10组电池数据检验机制;
◆若不产生新分组,则认为该Dmax值合理,保留现分组标签;
◆若产生新分组,则增加Nmax后重新训练模型。
g)当有第101块电池进入分组机制,则可快速分组。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (22)
1.一种动力电池的分类模型的生成方法,其特征在于,包括以下步骤:
S1、获取训练样本集中每个电池的外特性数据;
S2、对所述外特性数据进行预处理以生成对应的数据矩阵;
S3、使用所述训练样本集中每个电池的所述数据矩阵对非监督式学习分组算法进行模型训练,以调试关键参数并生成所述分类模型,所述关键参数包括分组结果、所述数据矩阵间的最大距离、最大迭代次数Nmax和相似样本数K,所述分组结果包括所述训练样本集训练后最终分成的组别Gm,1≤m≤M,M表示所述分组结果所包括的组别的个数。
2.如权利要求1所述的动力电池的分类模型的生成方法,其特征在于,所述最大距离为最大欧几里德距离Dmax。
3.如权利要求2所述的动力电池的分类模型的生成方法,其特征在于,
步骤S3中,模型训练过程中计算所述训练样本集中待分组的电池的数据矩阵与已有的所述组别的代表值的欧氏距离,并根据所述欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待分组的电池分入已有的所述组别或者新建一个组别;
完成一次所述训练样本集中所有电池的训练后还包括以下步骤:
清点所述分组结果中各组别所包括的电池的第一数量,根据所述第一数量确定分组是否合理,若否则调整所述最大欧几里德距离Dmax后再次迭代训练。
4.如权利要求3所述的动力电池的分类模型的生成方法,其特征在于,步骤S3包括以下步骤:
S31、初始化所述最大欧几里德距离Dmax和所述最大迭代次数Nmax,设置迭代次数N为1,获取所述训练样本集中电池的总数量I;
S32、从所述训练样本集中获取第i个电池,1≤i≤I,分别计算所述第i个电池的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim;
S33、统计所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别的第二数量,所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别为第一候选组别;判断所述第二数量,若为0则执行步骤S34,若为1则执行步骤S35,若大于1则执行步骤S36;
S34、对所述第i个电池新建一个第一新建组别,将所述第i个电池的数据矩阵标记为所述第一新建组别的代表值,执行步骤S39;
S35、将所述第i个电池分入所述第一候选组别,更新所述第一候选组别的代表值为所述第一候选组别内所有电池的数据矩阵的平均值,执行步骤S39;
S36、判断全部所述第一候选组别所包括的电池的总数是否大于或等于所述相似样本数K,若是执行步骤S37,若否则执行步骤S38;
S37、分别计算所述第i个电池与全部所述第一候选组别中的每个电池的欧式距离作为第一欧式距离,选出所述第一欧式距离最小的K个电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池数进行计数,并将计数后数量最大的组别作为第二候选组别,将所述第i个电池分入所述第二候选组别,执行步骤S39;
S38、分别计算所述第i个电池与所述第一候选组别中每个电池的欧式距离为第二欧式距离,将所述第一候选组别中所有电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池进行计数,并将计数后数量最大的组别作为第三候选组别,将所述第i个电池分入所述第三候选组别,执行步骤S39;
S39、判断所述训练样本集中所有的电池是否都分组完毕,若否则执行步骤S32;
若是则执行步骤S39-1;
S39-1、清点所述分组结果中各组别所包括的电池的第三数量,根据所述第三数量确定分组是否合理,若否则执行步骤S39-2,若是则流程结束;
S39-2、调整所述最大欧几里德距离Dmax,判断所述迭代次数N是否大于或等于所述最大迭代次数Nmax,若否则执行步骤S39-3,若是则执行步骤S32;
S39-3、所述迭代次数N=N+1,执行步骤S32。
5.如权利要求4所述的动力电池的分类模型的生成方法,其特征在于,步骤S32包括以下步骤:
S3201、从所述训练样本集中获取第i个电池,判断i是否为1,若是则执行步骤S3202,若否则执行步骤S3203;
S3202、将第1个电池标为组别G1,将所述第1个电池的数据矩阵作为所述组别G1的代表值,执行步骤S39;
S3203、判断i是否为2,若是则执行步骤S3204,若否则执行步骤S3207;
S3204、计算第2个电池的数据矩阵与所述第1个电池的数据矩阵的第三欧式距离,判断所述第三欧式距离是否小于等于所述最大欧几里德距离Dmax,若是则执行步骤S3205,若否则执行步骤S3206;
S3205、将所述第2个电池分入所述组别G1,更新所述组别G1的代表值为所述第2个电池的数据矩阵和所述第1个电池的数据矩阵的平均值,执行步骤S39;
S3206、将所述第2个电池标为组别G2,将所述第2个电池的数据矩阵作为所述组别G2的代表值,执行步骤S39;
S3207、计算所述第i个电池对应的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim,执行步骤S33。
6.如权利要求1所述的动力电池的分类模型的生成方法,其特征在于,步骤S1之前还包括以下步骤:
S0、获取总样本集,使用采样率r对所述总样本集进行采样以得到样本子集,将所述样本子集设置为所述训练样本集;
步骤S3中使用所述训练样本集中大于一半的电池的所述数据矩阵对非监督式学习分组算法进行模型训练;
步骤S3之后还包括以下步骤:
S4、使用所述训练样本集中未参与模型训练的电池的所述数据矩阵对所述分类模型进行验证,若验证后所述分组结果有变化,则增大所述采样率r,执行步骤S0。
7.如权利要求1所述的动力电池的分类模型的生成方法,其特征在于,步骤S2中所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。
8.如权利要求1至7任一项所述的动力电池的分类模型的生成方法,其特征在于,所述外特性数据包括充电电压、充电电流、放电电压、放电电流、电池内阻、SOC、历史充放电次数中的至少一种。
9.一种动力电池的分类模型的生成系统,其特征在于,包括数据获取模块、预处理模块和模型生成模块;
所述数据获取模块,用于获取训练样本集中每个电池的外特性数据;
所述预处理模块,用于对所述外特性数据进行预处理以生成对应的数据矩阵;
所述模型生成模块,用于使用所述训练样本集中每个电池的所述数据矩阵对非监督式学习分组算法进行模型训练,以调试关键参数并生成所述分类模型,所述关键参数包括分组结果、所述数据矩阵间的最大距离、最大迭代次数Nmax和相似样本数K,所述分组结果包括所述训练样本集训练后最终分成的组别Gm,1≤m≤M,M表示所述分组结果所包括的组别的个数。
10.如权利要求9所述的动力电池的分类模型的生成系统,其特征在于,所述最大距离为最大欧几里德距离Dmax。
11.如权利要求10所述的动力电池的分类模型的生成系统,其特征在于,
所述模型生成模块在模型训练过程中计算所述训练样本集中待分组的电池的数据矩阵与已有的所述组别的代表值的欧氏距离,并根据所述欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待分组的电池分入已有的所述组别或者新建一个组别;
所述模型生成模块包括第一判断模块,
所述第一判断模块用于在完成一次所述训练样本集中所有电池的训练后清点所述分组结果中各组别所包括的电池的第一数量,根据所述第一数量确定分组是否合理,若否则调整所述最大欧几里德距离Dmax后再次迭代训练。
12.如权利要求11所述的动力电池的分类模型的生成系统,其特征在于,所述模型生成模块还包括初始化模块、距离计算模块、第二判断模块、第一处理模块、第二处理模块、第三判断模块、第三处理模块、第四处理模块和第四判断模块;
所述初始化模块,用于初始化所述最大欧几里德距离Dmax和所述最大迭代次数Nmax,设置迭代次数N为1,获取所述训练样本集中电池的总数量I;
所述距离计算模块,用于从所述训练样本集中获取第i个电池,1≤i≤I,分别计算所述第i个电池的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim;
所述第二判断模块,用于统计所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别的第二数量,所述欧氏距离Dim小于等于所述最大欧几里德距离Dmax的组别为第一候选组别;判断所述第二数量,若为0则调用所述第一处理模块,若为1则调用所述第二处理模块,若大于1则调用所述第三判断模块;
所述第一处理模块,用于对所述第i个电池新建一个第一新建组别,将所述第i个电池的数据矩阵标记为所述第一新建组别的代表值,调用所述第四判断模块;
所述第二处理模块,用于将所述第i个电池分入所述第一候选组别,更新所述第一候选组别的代表值为所述第一候选组别内所有电池的数据矩阵的平均值,调用所述第四判断模块;
所述第三判断模块,用于判断全部所述第一候选组别所包括的电池的总数是否大于或等于所述相似样本数K,若是调用所述第三处理模块,若否则调用所述第四处理模块;
所述第三处理模块,用于分别计算所述第i个电池与全部所述第一候选组别中的每个电池的欧式距离作为第一欧式距离,选出所述第一欧式距离最小的K个电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池数进行计数,并将计数后数量最大的组别作为第二候选组别,将所述第i个电池分入所述第二候选组别,调用所述第四判断模块;
所述第四处理模块,用于分别计算所述第i个电池与所述第一候选组别中每个电池的欧式距离为第二欧式距离,将所述第一候选组别中所有电池作为参考数据X,对所述参考数据X中电池的组别内所包括的电池进行计数,并将计数后数量最大的组别作为第三候选组别,将所述第i个电池分入所述第三候选组别,调用所述第四判断模块;
所述第四判断模块,用于判断所述训练样本集中所有的电池是否都分组完毕,若否则调用所述距离计算模块;若是则调用所述第一判断模块;
所述第一判断模块用于清点所述分组结果中各组别所包括的电池的第三数量,根据所述第三数量确定分组是否合理,若否则调整所述最大欧几里德距离Dmax,判断所述迭代次数N是否大于或等于所述最大迭代次数Nmax,若否则所述迭代次数N=N+1,调用所述距离计算模块。
13.如权利要求12所述的动力电池的分类模型的生成系统,其特征在于,所述距离计算模块包括第五判断模块、第五处理模块、第六判断模块、第七判断模块、第六处理模块、第七处理模块和第八处理模块;
所述第五判断模块,用于从所述训练样本集中获取第i个电池,判断i是否为1,若是则调用所述第五处理模块,若否则调用所述第六判断模块;
所述第五处理模块,用于将第1个电池标为组别G1,将所述第1个电池的数据矩阵作为所述组别G1的代表值,调用所述第四判断模块;
所述第六判断模块,用于判断i是否为2,若是则调用所述第七判断模块,若否则调用所述第八处理模块;
所述第七判断模块,用于计算第2个电池的数据矩阵与所述第1个电池的数据矩阵的第三欧式距离,判断所述第三欧式距离是否小于等于所述最大欧几里德距离Dmax,若是则调用所述第六处理模块,若否则调用所述第七处理模块;
所述第六处理模块,用于将所述第2个电池分入所述组别G1,更新所述组别G1的代表值为所述第2个电池的数据矩阵和所述第1个电池的数据矩阵的平均值,调用所述第四判断模块;
所述第七处理模块,用于将所述第2个电池标为组别G2,将所述第2个电池的数据矩阵作为所述组别G2的代表值,调用所述第四判断模块;
所述第八处理模块,用于计算所述第i个电池对应的数据矩阵与已有的所述组别Gm的代表值的欧氏距离Dim,调用所述第二判断模块。
14.如权利要求9所述的动力电池的分类模型的生成系统,其特征在于,所述生成系统还包括采样模块和验证模块;
所述采样模块用于在所述数据获取模块执行之前获取总样本集,使用采样率r对所述总样本集进行采样以得到样本子集,将所述样本子集设置为所述训练样本集;
所述模型生成模块中使用所述训练样本集中大于一半的电池的所述数据矩阵对非监督式学习分组算法进行模型训练;
所述验证模块用于在所述模型生成模块执行之后使用所述训练样本集中未参与模型训练的电池的所述数据矩阵对所述分类模型进行验证,若验证后所述分组结果有变化,则增大所述采样率r,调用所述采样模块。
15.如权利要求9所述的动力电池的分类模型的生成系统,其特征在于,所述预处理模块中所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。
16.如权利要求9至15任一项所述的动力电池的分类模型的生成系统,其特征在于,所述外特性数据包括充电电压、充电电流、放电电压、放电电流、电池内阻、SOC、历史充放电次数中的至少一种。
17.一种动力电池的分类方法,其特征在于,包括以下步骤:
T、使用权利要求1至8任一项所述的动力电池的分类模型的生成方法生成的所述分类模型对待测电池进行分类,以确定所述待测电池分入所述分组结果中的一个组别。
18.如权利要求17所述的动力电池的分类方法,其特征在于,所述最大距离为最大欧几里德距离Dmax;
步骤T包括以下步骤:
T1、获取所述待测电池的外特性数据;
T2、对所述外特性数据进行预处理以生成对应的数据矩阵;
T3、计算所述待测电池的数据矩阵与所述分组结果中的所有组别的代表值之间的欧氏距离为第四欧式距离,根据所述第四欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待测电池分入所述分组结果中的一个组别。
19.如权利要求17或18所述的动力电池的分类方法,其特征在于,所述动力电池为退役动力电池。
20.一种动力电池的分类系统,其特征在于,包括分类模块和权利要求9至16任一项所述的动力电池的分类模型的生成系统;
所述分类模块,用于使用所述分类模型对待测电池进行分类,以确定所述待测电池分入所述分组结果中的一个组别。
21.如权利要求20所述的动力电池的分类系统,其特征在于,所述最大距离为最大欧几里德距离Dmax;
所述分类模块包括待测电池数据获取模块、待测电池预处理模块和分类执行模块;
所述待测电池数据获取模块,用于获取所述待测电池的外特性数据;
所述待测电池预处理模块,用于对所述外特性数据进行预处理以生成对应的数据矩阵;
所述分类执行模块,用于计算所述待测电池的数据矩阵与所述分组结果中的所有组别的代表值之间的欧氏距离为第四欧式距离,根据所述第四欧式距离与所述最大欧几里德距离Dmax的大小关系确定所述待测电池分入所述分组结果中的一个组别。
22.如权利要求20或21所述的动力电池的分类系统,其特征在于,所述动力电池为退役动力电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810084287.9A CN108334900B (zh) | 2018-01-29 | 2018-01-29 | 动力电池的分类模型的生成方法及系统、分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810084287.9A CN108334900B (zh) | 2018-01-29 | 2018-01-29 | 动力电池的分类模型的生成方法及系统、分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108334900A true CN108334900A (zh) | 2018-07-27 |
CN108334900B CN108334900B (zh) | 2021-08-13 |
Family
ID=62926319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810084287.9A Active CN108334900B (zh) | 2018-01-29 | 2018-01-29 | 动力电池的分类模型的生成方法及系统、分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334900B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541476A (zh) * | 2019-01-16 | 2019-03-29 | 广州亚美信息科技有限公司 | 一种评测汽车电瓶电压的方法及装置 |
CN109657809A (zh) * | 2018-11-30 | 2019-04-19 | 蔚来汽车有限公司 | 退役电池分组分级方法、系统以及退役电池梯次利用方法 |
CN109888414A (zh) * | 2018-12-20 | 2019-06-14 | 深圳云动未来科技有限公司 | 动力电池的管理方法、装置和系统 |
CN111178383A (zh) * | 2019-11-29 | 2020-05-19 | 合肥国轩高科动力能源有限公司 | 一种基于多核支持向量机的电池单体品质分类方法 |
US11084387B2 (en) | 2019-02-25 | 2021-08-10 | Toyota Research Institute, Inc. | Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack |
CN113673719A (zh) * | 2021-08-24 | 2021-11-19 | 华南理工大学 | 考虑电池二次利用的电池更换方法、系统、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631925A (zh) * | 2013-12-04 | 2014-03-12 | 北京理工大学 | 机械加工设备的快速分组检索方法 |
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 |
-
2018
- 2018-01-29 CN CN201810084287.9A patent/CN108334900B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631925A (zh) * | 2013-12-04 | 2014-03-12 | 北京理工大学 | 机械加工设备的快速分组检索方法 |
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 |
Non-Patent Citations (1)
Title |
---|
焦东升; 迟忠君; 李香龙; 孟颖: "《基于模糊聚类的动力电池梯次利用研究》", 《电源技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657809A (zh) * | 2018-11-30 | 2019-04-19 | 蔚来汽车有限公司 | 退役电池分组分级方法、系统以及退役电池梯次利用方法 |
CN109888414A (zh) * | 2018-12-20 | 2019-06-14 | 深圳云动未来科技有限公司 | 动力电池的管理方法、装置和系统 |
CN109888414B (zh) * | 2018-12-20 | 2021-11-26 | 深圳云动未来科技有限公司 | 动力电池的管理方法、装置和系统 |
CN109541476A (zh) * | 2019-01-16 | 2019-03-29 | 广州亚美信息科技有限公司 | 一种评测汽车电瓶电压的方法及装置 |
US11084387B2 (en) | 2019-02-25 | 2021-08-10 | Toyota Research Institute, Inc. | Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack |
CN111178383A (zh) * | 2019-11-29 | 2020-05-19 | 合肥国轩高科动力能源有限公司 | 一种基于多核支持向量机的电池单体品质分类方法 |
CN113673719A (zh) * | 2021-08-24 | 2021-11-19 | 华南理工大学 | 考虑电池二次利用的电池更换方法、系统、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108334900B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334900A (zh) | 动力电池的分类模型的生成方法及系统、分类方法及系统 | |
CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
CN112379269B (zh) | 电池异常检测模型训练及其检测方法、装置 | |
CN104899135B (zh) | 软件缺陷预测方法和系统 | |
CN104573000B (zh) | 基于排序学习的自动问答装置及方法 | |
CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN106651574A (zh) | 一种个人信用评估方法及装置 | |
CN108596274A (zh) | 基于卷积神经网络的图像分类方法 | |
CN112782591A (zh) | 基于多电池数据融合的锂电池soh长期预测方法 | |
CN106991047A (zh) | 一种用于对面向对象软件缺陷进行预测的方法及系统 | |
CN108732510A (zh) | 基于内部特征的锂离子电池一致性筛选分组方法 | |
CN109613440A (zh) | 电池的分级方法、装置、设备和存储介质 | |
CN105260805B (zh) | 一种基于异构分类器选择性融合的锑矿品位软测量方法 | |
CN108875788A (zh) | 一种基于改进的粒子群算法的svm分类器参数优化方法 | |
CN109033513A (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
CN109711707B (zh) | 一种船舶动力装置综合状态评估方法 | |
CN107545038A (zh) | 一种文本分类方法与设备 | |
CN105975611A (zh) | 自适应组合降采样增强学习机 | |
CN106295911A (zh) | 一种基于层析分析法的电网支路参数评价方法 | |
CN109307854A (zh) | 一种电能计量装置综合评估方法及系统 | |
CN109376944A (zh) | 智能电表预测模型的构建方法及装置 | |
CN107832789A (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |