CN110031761A - 电池筛选方法、电池筛选装置及终端设备 - Google Patents
电池筛选方法、电池筛选装置及终端设备 Download PDFInfo
- Publication number
- CN110031761A CN110031761A CN201910218031.7A CN201910218031A CN110031761A CN 110031761 A CN110031761 A CN 110031761A CN 201910218031 A CN201910218031 A CN 201910218031A CN 110031761 A CN110031761 A CN 110031761A
- Authority
- CN
- China
- Prior art keywords
- battery
- preset time
- screened
- time period
- time periods
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请适用于电池技术领域,提供了一种电池筛选方法、电池筛选装置、终端设备及计算机可读存储介质,包括:获取待筛选电池的充放电曲线;获取所述待筛选电池在所述充放电曲线中四个预设时间段的电压值;将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K‑means聚类结果模型,分别输出所述待筛选电池的四个预设时间段的类别编号,其中,一个类别编号对应一个类;将所述待筛选电池的四个预设时间段的类别编号输入至训练好的随机森林模型,输出所述待筛选电池所属的容量组。通过本申请可解决现有技术无法对电池进行筛选的问题。
Description
技术领域
本申请属于电池技术领域,尤其涉及一种电池筛选方法、电池筛选装置、终端设备及计算机可读存储介质。
背景技术
能源与环境已成为当前全球最为关注的问题。传统燃油汽车由于消耗石油资源和污染环境,正在不断受到新型清洁能源汽车的冲击。电动汽车以电代油,能够实现“零排放”与“低噪音”,是解决能源和环境问题的重要手段。随着石油资源的紧张和电池技术的发展,电动汽车开始在世界范围内逐渐推广应用。目前,电动汽车主要是以高能量密度的锂离子电池为主,从现有情况推测来看未来几年锂离子电池将保持高速增长态势,预计到2020年电动汽车对锂离子动力电池需求将到达450亿~550亿Wh,而2030年将超过1000亿Wh。
动力电池的性能随使用次数的增加而衰减,当动力电池性能下降到原性能的80%时,将不能达到电动汽车的使用标准,随着电动汽车保有量的增加,不能达到电动汽车使用标准的动力电池将大量涌现,对动力电池的二次利用也成为较有价值和意义的研究。然而,从电动汽车淘汰下来的动力电池,健康状态并不一致,需要进行筛选才能二次利用。
发明内容
有鉴于此,本申请实施例提供了一种电池筛选方法、电池筛选装置、终端设备及计算机可读存储介质,以解决现有技术无法对电池进行筛选的问题。
本申请实施例的第一方面提供了一种电池筛选方法,所述电池筛选方法包括:
获取待筛选电池的充放电曲线;
获取所述待筛选电池在所述充放电曲线中四个预设时间段的电压值;
将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型,分别输出所述待筛选电池的四个预设时间段的类别编号,其中,一个类别编号对应一个类;
将所述待筛选电池的四个预设时间段的类别编号输入至训练好的随机森林模型,输出所述待筛选电池所属的容量组。
本申请实施例的第二方面提供了一种电池筛选装置,所述电池筛选装置包括:
曲线获取模块,用于获取待筛选电池的充放电曲线;
电压获取模块,用于获取所述待筛选电池在所述充放电曲线中四个预设时间段的电压值;
编号输出模块,用于将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型,分别输出所述待筛选电池的四个预设时间段的类别编号,其中,一个类别编号对应一个类;
容量输出模块,用于将所述待筛选电池的四个预设时间段的类别编号输入至训练好的随机森林模型,输出所述待筛选电池所属的容量组。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述电池筛选方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述电池筛选方法的步骤。
本申请的第五方面提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被一个或多个处理器执行时实现如上述第一方面所述电池筛选方法的步骤。
由上可见,本申请方案获取待筛选电池的充放电曲线,并获取该充放电曲线中四个预设时间段的电压值,将所述四个预设时间段的电压值分别输入至对应的K-means聚类结果模型,四个K-means聚类结果模型分别输出所述四个预设时间段的类别编号,将所述四个预设时间段的类别编号输入至训练好的随机森林模型,即可输出所述待筛选电池所属的容量组,由于属于同一容量组的电池的容量接近,那么确定出电池所属的容量组即可完成对电池的筛选,使用筛选出的属于同一容量组的电池进行重组使用。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的电池筛选方法的实现流程示意图;
图2是充放电曲线示例图;
图3是本申请实施例二提供的电池筛选装置的示意图;
图4是本申请实施例三提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本申请实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端设备。然而,应当理解的是,终端设备可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端设备支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
参见图1,是本申请实施例一提供的电池筛选方法的实现流程示意图,如图所示该电池筛选方法可以包括以下步骤:
步骤S101,获取待筛选电池的充放电曲线。
在本申请实施例中,可以通过对待筛选电池进行充放电测试,从而获取待筛选电池的充放电曲线。对待筛选电池进行充放电测试具体可以是先将待筛选电池的电压值充电至预设电压阈值,然后搁置第一时间,搁置第一时间之后,再对待筛选电池进行放电,且放电时间为第二时间。在上述充放电测试中可以以秒为单位采集电压值(即每秒采集一个电压值),为了降低数据纬度,可以将采集的电压值压缩为分钟级(例如,将某一分钟内采集的60个电压值的平均值作为该分钟的电压值),根据采集时间与该采集时间对应的电压值即可绘制充放电曲线,如图2所示为充放电曲线示例图,图2中的横坐标为采集时间,纵坐标为每个采集时间对应的电压值。其中,所述待筛选电池可以是待确定容量组的电池。所述预设电压阈值可以是指预先设置的用于控制充放电的电压阈值,用户可以根据实际需要或者待筛选电池的类型设置所述预设电压阈值,例如待筛选电池为锂离子电池,那么预设电压阈值可以是3.6V。所述第一时间可以是指将待筛选电池充电至预设电压阈值之后搁置的时长,所述第二时间可以是待筛选电池的放电时长,例如,放电40分钟。所述待筛选电池的数量可以为一个或者多个,在此不作限定。另外,一个待筛选电池可以为一个(即一节)电池,也可以为一个电池组,在此不作限定。
在本申请实施例中,在获取待筛选电池的充放电曲线之前,可以观察待筛选电池的外观,对待筛选电池进行初步评估,以剔除破损、鼓包等不能使用的电池。
步骤S102,获取所述待筛选电池在所述充放电曲线中四个预设时间段的电压值。
可选的,所述四个预设时间段分别为第一预设时间段、第二预设时间段、第三预设时间段和第四预设时间段,所述第一预设时间段和所述第二预设时间段为充电时间段,所述第三预设时间段和第四预设时间段为放电时间段。
在本申请实施例中,待筛选电池在第一预设时间段和第二预设时间段处于充电状态,在第三预设时间段和第四预设时间段处于放电状态。可选的,用户可以根据实际需要自行设置第一预设时间段、第二预设时间段、第三预设时间段和第四预设时间段,例如,第一预设时间段和第二预设时间段是待筛选电池充电结束前的40分钟,第一预设时间段为充电结束前40分钟中的前30分钟,第二预设时间段为充电结束前40分钟中的后10分钟,第三预设时间段和第四预设时间段是待筛选电池放电开始后的40分钟,第三预设时间段为放电开始后的40分钟中的前10分钟,第四预设时间段为放电开始后的40分钟中的后30分钟。如图2所示,C1为第一预设时间段,C2为第二预设时间段,C3为第三预设时间段,C4为第四预设时间段。
在本申请实施例中,获取待筛选电池在其自身的充放电曲线中四个预设时间段的电压值,即为分别获取待筛选电池在第一预设时间段的电压值、第二预设时间段的电压值、第三预设时间段的电压值以及第四预设时间段的电压值。例如,图2中的C1为30分钟,C2为10分钟,C3为10分钟,C4为30分钟,图2中采集时间为分钟级,那么C1和C4分别包含30个电压值,C2和C3分别包含10个电压值。
步骤S103,将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型,分别输出所述待筛选电池的四个预设时间段的类别编号,其中,一个类别编号对应一个类。
在本申请实施例中,四个预设时间段中的每个预设时间段均对应一个K-means聚类结果模型,将四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型,四个预设时间段各自对应的K-means聚类结果模型分别输出相应预设时间段的类别编号。具体的,第一预设时间段对应第一K-means聚类结果模型,该第一K-means聚类结果模型用于获取第一预设时间段的类别编号,将第一预设时间段的电压值输入至该第一K-means聚类结果模型,该第一K-means聚类结果模型输出第一预设时间段的类别编号;第二预设时间段对应第二K-means聚类结果模型,该第二K-means聚类结果模型用于获取第二预设时间段对应的类别编号,将第二预设时间段的电压值输入至该第二K-means聚类结果模型,该第二K-means聚类结果模型输出第二预设时间段的类别编号;第三预设时间段对应第三K-means聚类结果模型,该第三K-means聚类结果模型用于获取第三预设时间段对应的类别编号,将第三预设时间段的电压值输入至该第三K-means聚类结果模型,该第三K-means聚类结果模型输出第三预设时间段的类别编号;第四预设时间段对应第四K-means聚类结果模型,该第四K-means聚类结果模型用于获取第四预设时间段对应的类别编号,将第四预设时间段的电压值输入至该第四K-means聚类结果模型,该第四K-means聚类结果模型输出第四预设时间段的类别编号。
可选的,在将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型之前,在本申请实施例还包括:
获取所述待筛选电池的四个预设时间段分别对应的K-means聚类结果模型。
可选的,所述获取所述四个预设时间段分别对应的K-means聚类结果模型包括:
获取多个样本电池;
获取所述多个样本电池中每个样本电池的充放电曲线;
根据所述多个样本电池中每个样本电池的充放电曲线,获取所述多个样本电池的四个预设时间段的电压值集合;
通过K-means算法分别对所述多个样本电池的四个预设时间段的电压值集合进行聚类分析,确定所述每个样本电池的四个预设时间段的类别编号。
在本申请实施例中,由于每个预设时间段通常包括多个电压值,那么可以将每个预设时间段的多个电压值统称为电压值集合(例如第一预设时间段为30分钟,那么第一预设时间段的电压值集合包括30个电压值),多个样本电池的四个预设时间段分别对应多个电压值集合(例如,样本电池的数量为五,那么五个样本电池的四个预设时间段分别对应五个电压值集合),通过K-means算法分别对每个预设时间段对应的多个电压值集合进行聚类分析,从而确定每个样本电池的四个预设时间段的类别编号。其中,在使用K-means算法进行聚类分析时,对不同类分别进行编号,该编号即为类别编号,不同类的编号不同。
可选的,所述通过K-means算法分别对所述多个样本电池的四个预设时间段的电压值集合进行聚类分析包括:
步骤a,针对所述多个样本电池的每个预设时间段的电压值集合初始化聚类中心,聚类数为ni,其中,ni为第i个预设时间段对应的聚类数;
步骤b,计算所述多个样本电池的每个预设时间段的电压值集合到对应的ni个聚类中心的欧式距离;
步骤c,将所述多个样本电池的中每个样本电池归入欧式距离最短的类中;
步骤d,根据每个类中的样本电池更聚类中心;
步骤e,重复执行步骤a至d,直到每个类中的样本电池不发生改变,并对每个类进行类别编号。
示例性的,以第二预设时间段为例进行说明,样本电池的数量为20,第二预设时间段为10分钟,聚类数为7(即7个聚类中心),20个样本电池的第二预设时间段的电压值集合分别包含10个电压值,分别计算20个电压值集合到7个聚类中心的欧式距离,将每个样本电池归入欧式距离最短的类中,根据每个类中的样本电池更新聚类中心,直到每个类中的样本电池不再发生改变,并对每个类进行类别编号。
在本申请实施例中,用户可以根据实际需要为不同的预设时间段设置不同的聚类数,在此不作限定。其中,n为大于1的整数,i的取值为1、2、3、4,n1表示第一预设时间段对应的聚类数,n2表示第二预设时间段对应的聚类数,n3表示第三预设时间段对应的聚类数,n4表示第四预设时间段对应的聚类数。
步骤S104,将所述待筛选电池的四个预设时间段的类别编号输入至训练好的随机森林模型,输出所述待筛选电池所属的容量组。
其中,随机森林模型是由决策树组成的回归算法模型,其核心思想是通过bootstrap重抽样的方法从训练样本中有放回的抽取训练样本,生成训练样本的子集,每个子集分别构建决策树模型,对每个决策树模型进行训练,生成可供分类的决策树模型。
在本申请实施例中,将待筛选电池的四个预设时间段的类别编号输入至训练好的随机森林模型,通过训练好的随机森林模型中的所有决策树模型进行分类,最后统计不同分类结果出现的次数,将出现次数最多的类作为待筛选电池最终的分类结果。
在本申请实施例中,训练好的随机森林模型用于根据待筛选电池的四个预设时间段的类别编号获取待筛选电池所属的容量组,例如,待筛选电池的四个预设时间段的类别编号分别为3、5、1、2,将3、5、1、2输入至训练好的随机森林模型,该随机森林模型输出待筛选电池属于容量组A,即完成对待筛选电池的筛选。其中,一个容量组是一个容量范围,确定待筛选电池所属的容量组之后,即可预测出待筛选电池大致的容量,由于在对电池进行二次使用时通常是根据电池的容量对其进行分组,并使用属于同一组的电池进行重组使用,那么对电池的筛选即为对电池的容量进行分组,即判断电池所属的容量组。
可选的,本申请实施例还包括:
训练所述随机森林模型。
所述训练所述随机森林模型包括:
获取所述多个样本电池中每个样本电池的容量,并对所述每个样本电池的容量进行分组;
根据所述每个样本电池所属的容量组和所述每个样本电池的类别编号,建立所述每个样本电池所属的容量组与类别编号的对应关系;
根据所述每个样本电池所属的容量组与类别编号的对应关系,训练所述随机森林模型。
在本申请实施例中,可以根据容量范围对每个样本电池的容量进行分组,每个容量组的容量范围不同,用户可以根据实际需要设置容量组的数量以及每个容量组的容量范围,在此不作限定。例如按照容量分为三个组,容量组A为容量大于200mAh,容量组B为容量大于170mAh且小于或者等于200mAh,容量组C为容量小于或者等于170mAh,C1、C2、C3、C4分别表示第一预设时间段、第二预设时间段、第三预设时间段、第四预设时间段,容量组A、B、C与四个预设时间段的对应关系如下所示:
电池容量 | C1 | C2 | C3 | C4 |
A | 3 | 5 | 1 | 2 |
C | 4 | 1 | 3 | 2 |
A | 3 | 5 | 1 | 3 |
B | 3 | 2 | 5 | 1 |
表格中的数字表示类别编号,如C1与A对应的数字3表示C1的类别编号为3时对应容量组A,C1与C对应的数字4表示C1的类别编号为4时对应容量组C。
在本申请实施例中,在建立每个样本电池所属的容量组与类别编号的对应关系之后,可以将所述每个样本电池的类别编号作为随机森林模型的输入,所述每个样本电池所属的容量组(即与输入的类别编号对应的容量组)作为目标容量组,从而训练随机森林模型,使得训练好的随机森林模型能够根据电池的类别编号输出电池所属的容量组。
本申请实施例获取待筛选电池的充放电曲线,并获取该充放电曲线中四个预设时间段的电压值,将四个预设时间段的电压值分别输入至对应的K-means聚类结果模型,四个K-means聚类结果模型分别输出上述四个预设时间段的类别编号,将上述四个预设时间段的类别编号输入至训练好的随机森林模型,即可输出所述待筛选电池所属的容量组,由于属于同一容量组的电池的容量接近,那么确定出电池所属的容量组即可完成对电池的筛选,使用筛选出的属于同一容量组的电池进行重组使用。
参见图3,是本申请实施例二提供的电池筛选装置的示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
所述电池筛选装置包括:
曲线获取模块31,用于获取待筛选电池的充放电曲线;
电压获取模块32,用于获取所述待筛选电池在所述充放电曲线中四个预设时间段的电压值;
编号输出模块33,用于将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型,分别输出所述待筛选电池的四个预设时间段的类别编号,其中,一个类别编号对应一个类;
容量输出模块34,用于将所述待筛选电池的四个预设时间段的类别编号输入至训练好的随机森林模型,输出所述待筛选电池所属的容量组。
可选的,所述电池筛选装置还包括:
模型获取模块35,用于获取所述待筛选电池的四个预设时间段分别对应的K-means聚类结果模型。
可选的,所述模型获取模块35包括:
第一获取单元,用于获取多个样本电池;
第二获取单元,用于获取所述多个样本电池中每个样本电池的充放电曲线;
第三获取单元,用于根据所述多个样本电池中每个样本电池的充放电曲线,获取所述多个样本电池的四个预设时间段的电压值集合;
聚类分析单元,用于通过K-means算法分别对所述多个样本电池的四个预设时间段的电压值集合进行聚类分析,确定所述每个样本电池的四个预设时间段的类别编号。
可选的,所述聚类分析单元包括:
初始化子单元,用于针对所述多个样本电池的每个预设时间段的电压值集合初始化聚类中心,聚类数为ni,其中,ni为第i个预设时间段对应的聚类数;
计算子单元,用于计算所述多个样本电池的每个预设时间段的电压值集合到对应的ni个聚类中心的欧式距离;
归类子单元,用于将所述多个样本电池的中每个样本电池归入欧式距离最短的类中;
更新子单元,用于根据每个类中的样本电池更新聚类中心;
编号子单元,用于重复执行计算子单元、归类子单元以及更新子单元,直到每个类中的样本电池不发生改变,并对每个类进行类别编号。
可选的,所述电池筛选装置还包括:
模型训练模块36,用于训练所述随机森林模型。
可选的,所述模型训练模块36包括:
容量获取单元,用于获取所述多个样本电池中每个样本电池的容量,并对所述每个样本电池的容量进行分组;
关系建立单元,用于根据所述每个样本电池所属的容量组和所述每个样本电池的类别编号,建立所述每个样本电池所属的容量组与类别编号的对应关系;
训练单元,用于根据所述每个样本电池所属的容量组与类别编号的对应关系,训练所述随机森林模型。
可选的,所述四个预设时间段分别为第一预设时间段、第二预设时间段、第三预设时间段和第四预设时间段,所述第一预设时间段和所述第二预设时间段为充电时间段,所述第三预设时间段和第四预设时间段为放电时间段。
本申请实施例提供的装置可以应用在前述方法实施例一中,详情参见上述方法实施例一的描述,在此不再赘述。
图4是本申请实施例三提供的终端设备的示意图。如图4所示,该实施例的终端设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个电池筛选方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块31至36的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如,所述计算机程序42可以被分割成曲线获取模块、电压获取模块、编号输出模块、容量输出模块、模型获取模块以及模型训练模块,各模块具体功能如下:
曲线获取模块,用于获取待筛选电池的充放电曲线;
电压获取模块,用于获取所述待筛选电池在所述充放电曲线中四个预设时间段的电压值;
编号输出模块,用于将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型,分别输出所述待筛选电池的四个预设时间段的类别编号,其中,一个类别编号对应一个类;
容量输出模块,用于将所述待筛选电池的四个预设时间段的类别编号输入至训练好的随机森林模型,输出所述待筛选电池所属的容量组。
可选的,模型获取模块,用于获取所述待筛选电池的四个预设时间段分别对应的K-means聚类结果模型。
可选的,所述模型获取模块包括:
第一获取单元,用于获取多个样本电池;
第二获取单元,用于获取所述多个样本电池中每个样本电池的充放电曲线;
第三获取单元,用于根据所述多个样本电池中每个样本电池的充放电曲线,获取所述多个样本电池的四个预设时间段的电压值集合;
聚类分析单元,用于通过K-means算法分别对所述多个样本电池的四个预设时间段的电压值集合进行聚类分析,确定所述每个样本电池的四个预设时间段的类别编号。
可选的,所述聚类分析单元包括:
初始化子单元,用于针对所述多个样本电池的每个预设时间段的电压值集合初始化聚类中心,聚类数为ni,其中,ni为第i个预设时间段对应的聚类数;
计算子单元,用于计算所述多个样本电池的每个预设时间段的电压值集合到对应的ni个聚类中心的欧式距离;
归类子单元,用于将所述多个样本电池的中每个样本电池归入欧式距离最短的类中;
更新子单元,用于根据每个类中的样本电池更新聚类中心;
编号子单元,用于重复执行计算子单元、归类子单元以及更新子单元,直到每个类中的样本电池不发生改变,并对每个类进行类别编号。
可选的,模型训练模块,用于训练所述随机森林模型。
可选的,所述模型训练模块包括:
容量获取单元,用于获取所述多个样本电池中每个样本电池的容量,并对所述每个样本电池的容量进行分组;
关系建立单元,用于根据所述每个样本电池所属的容量组和所述每个样本电池的类别编号,建立所述每个样本电池所属的容量组与类别编号的对应关系;
训练单元,用于根据所述每个样本电池所属的容量组与类别编号的对应关系,训练所述随机森林模型。
可选的,所述四个预设时间段分别为第一预设时间段、第二预设时间段、第三预设时间段和第四预设时间段,所述第一预设时间段和所述第二预设时间段为充电时间段,所述第三预设时间段和第四预设时间段为放电时间段。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备4的示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种电池筛选方法,其特征在于,所述电池筛选方法包括:
获取待筛选电池的充放电曲线;
获取所述待筛选电池在所述充放电曲线中四个预设时间段的电压值;
将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型,分别输出所述待筛选电池的四个预设时间段的类别编号,其中,一个类别编号对应一个类;
将所述待筛选电池的四个预设时间段的类别编号输入至训练好的随机森林模型,输出所述待筛选电池所属的容量组。
2.如权利要求1所述的电池筛选方法,其特征在于,在将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型之前,还包括:
获取所述待筛选电池的四个预设时间段分别对应的K-means聚类结果模型。
3.如权利要求2所述的电池筛选方法,其特征在于,所述获取所述待筛选电池的四个预设时间段分别对应的K-means聚类结果模型包括:
获取多个样本电池;
获取所述多个样本电池中每个样本电池的充放电曲线;
根据所述多个样本电池中每个样本电池的充放电曲线,获取所述多个样本电池的四个预设时间段的电压值集合;
通过K-means算法分别对所述多个样本电池的四个预设时间段的电压值集合进行聚类分析,确定所述每个样本电池的四个预设时间段的类别编号。
4.如权利要求3所述的电池筛选方法,其特征在于,所述通过K-means算法分别对所述多个样本电池的四个预设时间段的电压值集合进行聚类分析包括:
步骤a,针对所述多个样本电池的每个预设时间段的电压值集合初始化聚类中心,聚类数为ni,其中,ni为第i个预设时间段对应的聚类数;
步骤b,计算所述多个样本电池的每个预设时间段的电压值集合到对应的ni个聚类中心的欧式距离;
步骤c,将所述多个样本电池的中每个样本电池归入欧式距离最短的类中;
步骤d,根据每个类中的样本电池更新聚类中心;
步骤e,重复执行步骤a至d,直到每个类中的样本电池不发生改变,并对每个类进行类别编号。
5.如权利要求4所述的电池筛选方法,其特征在于,所述电池筛选方法还包括:
训练所述随机森林模型。
6.如权利要求5所述的电池筛选方法,其特征在于,所述训练所述随机森林模型包括:
获取所述多个样本电池中每个样本电池的容量,并对所述每个样本电池的容量进行分组;
根据所述每个样本电池所属的容量组和所述每个样本电池的类别编号,建立所述每个样本电池所属的容量组与类别编号的对应关系;
根据所述每个样本电池所属的容量组与类别编号的对应关系,训练所述随机森林模型。
7.如权利要求1至6任一项所述的电池筛选方法,其特征在于,所述四个预设时间段分别为第一预设时间段、第二预设时间段、第三预设时间段和第四预设时间段,所述第一预设时间段和所述第二预设时间段为充电时间段,所述第三预设时间段和第四预设时间段为放电时间段。
8.一种电池筛选装置,其特征在于,所述电池筛选装置包括:
曲线获取模块,用于获取待筛选电池的充放电曲线;
电压获取模块,用于获取所述待筛选电池在所述充放电曲线中四个预设时间段的电压值;
编号输出模块,用于将所述待筛选电池的四个预设时间段内的电压值分别输入至对应的K-means聚类结果模型,分别输出所述待筛选电池的四个预设时间段的类别编号,其中,一个类别编号对应一个类;
容量输出模块,用于将所述待筛选电池的四个预设时间段的类别编号输入至训练好的随机森林模型,输出所述待筛选电池所属的容量组。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述电池筛选方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电池筛选方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218031.7A CN110031761B (zh) | 2019-03-21 | 2019-03-21 | 电池筛选方法、电池筛选装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218031.7A CN110031761B (zh) | 2019-03-21 | 2019-03-21 | 电池筛选方法、电池筛选装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110031761A true CN110031761A (zh) | 2019-07-19 |
CN110031761B CN110031761B (zh) | 2021-04-06 |
Family
ID=67236477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910218031.7A Active CN110031761B (zh) | 2019-03-21 | 2019-03-21 | 电池筛选方法、电池筛选装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110031761B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579708A (zh) * | 2019-08-29 | 2019-12-17 | 爱驰汽车有限公司 | 电池容量识别方法、装置、计算设备及计算机存储介质 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN111157910A (zh) * | 2019-12-30 | 2020-05-15 | 北京四维智联科技有限公司 | 一种诊断电池包结构合理性的方法、装置及设备 |
CN114137418A (zh) * | 2021-11-29 | 2022-03-04 | 中国南方电网有限责任公司超高压输电公司昆明局 | 蓄电池性能识别方法、装置、计算机设备和存储介质 |
CN116739718A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市泰科动力系统有限公司 | 一种新能源动力电池性能检测推荐系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104167570A (zh) * | 2014-05-30 | 2014-11-26 | 杭州电子科技大学 | 一种蓄电池快速配组方法 |
US20150301119A1 (en) * | 2014-04-22 | 2015-10-22 | Hyundai Mobis Co., Ltd | Battery sensor for vehicle and method for determining season using battery sensor for vehicle |
CN107024663A (zh) * | 2017-04-01 | 2017-08-08 | 湖南银杏数据科技有限公司 | 基于充电曲线特征kpca聚类的锂电池筛选方法 |
CN107755295A (zh) * | 2017-10-19 | 2018-03-06 | 杭州电子科技大学 | 一种基于充放电曲线的铅酸蓄电池分类方法 |
CN108655028A (zh) * | 2018-03-20 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于模糊均值聚类算法对电池进行分类的方法及系统 |
CN108846227A (zh) * | 2017-12-05 | 2018-11-20 | 北京航空航天大学 | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 |
-
2019
- 2019-03-21 CN CN201910218031.7A patent/CN110031761B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150301119A1 (en) * | 2014-04-22 | 2015-10-22 | Hyundai Mobis Co., Ltd | Battery sensor for vehicle and method for determining season using battery sensor for vehicle |
CN104167570A (zh) * | 2014-05-30 | 2014-11-26 | 杭州电子科技大学 | 一种蓄电池快速配组方法 |
CN107024663A (zh) * | 2017-04-01 | 2017-08-08 | 湖南银杏数据科技有限公司 | 基于充电曲线特征kpca聚类的锂电池筛选方法 |
CN107755295A (zh) * | 2017-10-19 | 2018-03-06 | 杭州电子科技大学 | 一种基于充放电曲线的铅酸蓄电池分类方法 |
CN108846227A (zh) * | 2017-12-05 | 2018-11-20 | 北京航空航天大学 | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 |
CN108655028A (zh) * | 2018-03-20 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于模糊均值聚类算法对电池进行分类的方法及系统 |
Non-Patent Citations (3)
Title |
---|
姚杰 等: "基于 LS-SVM 和 FCM 的锌银动力电池分选方法研究", 《黑龙江大学自然科学学报》 * |
杨佳云: "基于机器学习的动力电池自动配组技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
王佳元 等: "电动汽车动力电池分选方法研究", 《电源技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579708A (zh) * | 2019-08-29 | 2019-12-17 | 爱驰汽车有限公司 | 电池容量识别方法、装置、计算设备及计算机存储介质 |
CN110579708B (zh) * | 2019-08-29 | 2021-10-22 | 爱驰汽车有限公司 | 电池容量识别方法、装置、计算设备及计算机存储介质 |
CN111157910A (zh) * | 2019-12-30 | 2020-05-15 | 北京四维智联科技有限公司 | 一种诊断电池包结构合理性的方法、装置及设备 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN111157899B (zh) * | 2020-01-20 | 2022-09-13 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN114137418A (zh) * | 2021-11-29 | 2022-03-04 | 中国南方电网有限责任公司超高压输电公司昆明局 | 蓄电池性能识别方法、装置、计算机设备和存储介质 |
CN116739718A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市泰科动力系统有限公司 | 一种新能源动力电池性能检测推荐系统 |
CN116739718B (zh) * | 2023-08-11 | 2024-01-09 | 深圳市泰科动力系统有限公司 | 一种新能源动力电池性能检测推荐系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110031761B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110031761A (zh) | 电池筛选方法、电池筛选装置及终端设备 | |
CN106777232B (zh) | 问答抽取方法、装置及终端 | |
CN105512676A (zh) | 一种智能终端上的食物识别方法 | |
CN109754068A (zh) | 基于深度学习预训练模型的迁移学习方法及终端设备 | |
CN109190890A (zh) | 一种基于用户电力消费数据的用户行为分析方法 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN112791997B (zh) | 一种退役电池梯次利用筛选的方法 | |
CN113961173B (zh) | 基于领域事件驱动的单体系统微服务拆分方法 | |
CN103873569A (zh) | 一种基于IaaS云平台的资源优化部署方法 | |
CN114661810B (zh) | 轻量级多源异构数据融合方法及系统 | |
CN108734216A (zh) | 基于负荷曲线形态的电力用户分类方法、装置及存储介质 | |
CN107132490A (zh) | 一种实现锂电池组荷电状态估计的方法 | |
CN107609147A (zh) | 一种从日志流中自动提取特征的方法和系统 | |
CN112200471B (zh) | 充电桩的数量配置方法、装置和充电桩的分布系统 | |
CN109613440A (zh) | 电池的分级方法、装置、设备和存储介质 | |
Chandra et al. | Web service selection using modified artificial bee colony algorithm | |
CN108647727A (zh) | 不平衡数据分类欠采样方法、装置、设备及介质 | |
CN109888420A (zh) | 一种锂离子电池包的充电方法、装置及终端设备 | |
CN107194415A (zh) | 一种基于拉普拉斯中心性的峰值聚类方法 | |
CN103971136A (zh) | 一种面向大规模数据的并行结构化支持向量机分类方法 | |
CN110069546A (zh) | 一种数据分类方法、数据分类装置及终端设备 | |
CN103885977B (zh) | 一种网页数据的分类方法、装置和系统 | |
CN111475158A (zh) | 子领域划分方法、装置、电子设备和计算机可读存储介质 | |
CN109800477B (zh) | 锂离子电池三因素不一致性预测方法及装置 | |
CN107704364B (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 |
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 |