CN110579708B - 电池容量识别方法、装置、计算设备及计算机存储介质 - Google Patents
电池容量识别方法、装置、计算设备及计算机存储介质 Download PDFInfo
- Publication number
- CN110579708B CN110579708B CN201910810179.XA CN201910810179A CN110579708B CN 110579708 B CN110579708 B CN 110579708B CN 201910810179 A CN201910810179 A CN 201910810179A CN 110579708 B CN110579708 B CN 110579708B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- clustering
- battery capacity
- capacity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 6
- 239000000463 material Substances 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000007599 discharging Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000004138 cluster model Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池容量识别方法、装置、计算设备及计算机存储介质。其中，方法包括：获取待识别电池的第一电池数据及第二电池数据；将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量；对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量；将电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量，实现了在线检测电池的容量，无需每次检测电池的容量都需要先将电池拆卸下来，才能够进行检测，实现了智能化识别电池容量，无需再使用专业的充放电设备对电池进行充放电测试，节省了人力、物力、财力。
Description
技术领域
本发明涉及电池技术领域，具体涉及一种电池容量识别方法、装置、计算设备及计算机存储介质。
背景技术
电动汽车续航里程、动力电池维修保养计划、动力电池梯次利用及报废与电动汽车的电池容量密切相关。车企在销售汽车时会通过用户手册等途径告知消费者电池容量测试方法及电池容量的报废阈值，国家标准也规定了车用电池回收利用余能检测方法，这些方法都需要专业人员将电动汽车的电池从电动汽车上拆卸下来，使用专业的充放电设备对电动汽车的电池进行充放电测试，对人力、物力、财力要求极高，并且只能离线检测，背离了电动汽车智能化的初衷，因此急需一种能够在线检测电动汽车的电池容量的方法。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的电池容量识别方法、装置、计算设备及计算机存储介质。
根据本发明的一个方面，提供了一种电池容量识别方法，方法基于经过训练的聚类模型及电池容量识别模型执行，方法包括：
获取待识别电池的第一电池数据及第二电池数据；
将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量；
对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量；
将电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量。
根据本发明的另一方面，提供了一种电池容量识别装置，装置基于经过训练的聚类模型及电池容量识别模型执行，装置包括：
获取模块，适于获取待识别电池的第一电池数据及第二电池数据；
聚类处理模块，适于将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量；
合并处理模块，适于对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量；
容量识别模块，适于将电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
存储器用于存放至少一可执行指令，可执行指令使处理器执行上述电池容量识别方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述电池容量识别方法对应的操作。
根据本发明提供的方案，获取待识别电池的第一电池数据及第二电池数据；将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量；对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量；将电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量。基于本发明提供的方案，实现了在线检测电池的容量，无需每次检测电池的容量都需要先将电池拆卸下来，才能够进行检测，实现了智能化识别电池容量，无需再使用专业的充放电设备对电池进行充放电测试，节省了人力、物力、财力。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1A示出了根据本发明一个实施例的电池容量识别方法的流程示意图；
图1B示出了利用电池容量识别方法所识别出的电池容量的示意图；
图2A示出了根据本发明一个实施例的聚类模型训练的流程示意图；
图2B示出了根据本发明一个实施例的电池容量识别模型训练的流程示意图；
图3示出了根据本发明一个实施例的电池容量识别装置的结构示意图；
图4示出了根据本发明一个实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1A示出了根据本发明一个实施例的电池容量识别方法的流程示意图。该方法基于经过训练的聚类模型及电池容量识别模型执行，如图1A所示，该方法包括以下步骤：
步骤S101，获取待识别电池的第一电池数据及第二电池数据。
当需要识别确定某一电动汽车的电池的容量时，可以获取该电动汽车的电池对应的数据，该电动汽车的电池即为待识别电池，这里所获取的电池数据包括：第一电池数据及第二电池数据，其中，第一电池数据包括：电压数据、电流数据和温度数据；第二电池数据包括：电池使用时间、使用里程、快充次数和/或满充次数。所获取的第一电池数据及第二电池数据是从出厂至识别电池容量这一刻为止，待识别电池的所有电池数据，电池数据是电池使用过程中实时产生的，也就是说，这里的第一电池数据及第二电池数据并不是一条数据，而是很多数据。
步骤S102，将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量。
在获取到第一电池数据后，将第一电池数据输入至预先训练好的聚类模型中，利用聚类模型对第一电池数据进行聚类处理，所谓的聚类是指根据相似性原则，将具有较高相似度的第一电池数据划分至同一类簇，将具有较高相异度的第一电池数据划分至不同类簇。
通过聚类处理，可以将每条第一电池数据划分至某一类中，其中，聚类模型可以是K-means聚类模型，该聚类模型共有K类，利用K-means聚类模型可以确定一条第一电池数据应该被划分至哪一类，本领域技术人员可以根据实际需要设定K值，例如，K值取值范围为[5,200]。
在利用聚类模型对第一电池数据进行聚类处理后，最终确定哪些第一电池数据划分至同一类，统计该类中第一电池数据的数量，最终得到相应的N维向量，其中，N维向量的维数与聚类模型的分类数量相关，N维向量的维数等于聚类模型的分类数量，例如，聚类模型的分类数量为K，则N＝K，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量，例如，有500条第一电池数据被归到一类，那么该类标签内的第一电池数据数量为500，相应的特征值为500。
步骤S103，对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量。
在得到相应的N维向量后，将N维向量与第二电池数据合并组成电池容量识别数据变量，其中，第二电池数据包括：电池使用时间、使用里程、快充次数和/或满充次数，举例说明，第二电池数据包括：电池使用时间、使用里程，N维向量为50维的向量，那么合并处理后得到的电池容量识别数据变量为52维的向量，增加的2维对应电池使用时间(days)、使用里程(mileage)，向量的特征值即为具体的电池使用时间、使用里程，表1示出了电池容量识别数据变量：
表1：
| 0 | 1 | 2 | 3 | 4 | … | 46 | 47 | 48 | 49 | days | mileage |
| 0 | 0 | 0 | 0 | 522 | … | 0 | 0 | 0 | 15 | 590 | 12541 |
在表1中，0-49表示50维向量，电池使用时间(days)、使用里程(mileage)对应第二电池数据。
步骤S104，将电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量。
在得到电池容量识别数据变量后，将电池容量识别数据变量输入至预先训练的电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量，如图1B所示，在图1B中浅灰色圆点为利用本实施例提供的电池容量识别方法所识别出的电池容量，图1B中深灰色圆点为利用离线检测方法所检测出的电池容量，在实际应用中可以利用彩色分别来标示本实施例提供的电池容量识别方法所识别出的电池容量(例如，利用橙色圆点表示)及离线检测方法所检测出的电池容量(例如，利用蓝色圆点表示)。其中，电池容量识别模型是关于电池容量识别数据变量与电池容量的模型，通过将电池容量识别数据变量输入至电池容量识别模型，便可以得到电池对应的电池容量，电池容量识别模型可以是随机森林模型或者神经网络模型等，此处仅是举例说明，不具有任何限定作用。
本发明提供的电池容量识别方法不仅可以用于电动汽车的电池容量识别，还可用于其它车辆的电池容量识别，这里仅是举例说明，不具有任何限定作用。
根据本发明上述实施例提供的方法，获取待识别电池的第一电池数据及第二电池数据；将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量；对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量；将电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量。基于本发明提供的方案，实现了在线检测电池的容量，无需每次检测电池的容量都需要先将电池拆卸下来，才能够进行检测，实现了智能化识别电池容量，无需再使用专业的充放电设备对电池进行充放电测试，节省了人力、物力、财力。
图2A示出了根据本发明一个实施例的聚类模型训练的流程示意图。如图2A所示，聚类模型训练过程包括以下步骤：
步骤S201，收集电池的全部生命周期的第一电池数据。
在进行聚类模型训练时，需要利用大数据进行训练，例如，可以收集一定数量的不同地区、不同使用场景的典型代表性电动汽车，选取的每辆电动汽车都需要具有从出厂至退役的全部生命周期的第一电池数据，此处的退役指由于使用时间、使用里程、电池老化衰减等因素导致的正常退役，不包括事故因素(例如碰撞、着火、浸水等)或者人为因素(过充电着火、电池系统短路)导致的异常退役。其中，第一电池数据包括：电压数据、电流数据和温度数据，
举例说明，分别挑选东北、华北、华东、华中、华南、西南、西北地区，家用和商用的典型代表性电动汽车各10辆，总计140辆，选取的每辆电动汽车都需要具有从出厂至退役的全部生命周期的第一电池数据，表2定义了本实施例收集的数据字段，表3列举了第一电池数据的部分数值。
表2：
表3：
步骤S202，将第一电池数据作为聚类元素，从聚类元素中随机选取K个聚类元素，将选取得到的K个聚类元素作为K个初始聚类中心，其中K大于1。
将第一电池数据作为聚类元素，然后对聚类元素进行聚类处理，本领域技术人员可根据实际需要选择具体的聚类算法，此处不做限定，例如，可采用K-means(K均值)聚类算法、层次聚类算法、SOM(自组织映射神经网络，Self-organizing Maps)聚类算法或者FCM(模糊，Fuzzy C-Means)聚类算法等对聚类元素进行聚类处理。
在本实施例中，以采用K-means聚类算法为例，介绍具体如何对聚类元素进行聚类处理。具体地，从聚类元素中随机选取K个聚类元素，将选取得到的K个聚类元素作为K个初始聚类中心，其中K大于1，例如K＝50。在确定了K个初始聚类中心之后，然后根据K个初始聚类中心，对聚类元素进行聚类处理，得到聚类模型，可通过步骤S203实现。
步骤S203，根据K个初始聚类中心，利用预设聚类方法对聚类元素进行聚类处理，得到聚类模型。
在确定了K个初始聚类中心之后，根据K个初始聚类中心，利用预设聚类方法对聚类元素进行聚类处理，具体地，可以通过以下步骤实现：
步骤1，对于任一聚类元素，计算任一聚类元素与K个初始聚类中心之间的欧式距离；步骤2，从K个初始聚类中心中选择与任一聚类元素之间的欧式距离最小的初始聚类中心，将任一聚类元素归类到所选择的初始聚类中心对应的集合中，得到K个聚类集合；步骤3，计算K个聚类集合的聚类中心，并判断K个聚类中心是否与K个初始聚类中心相同；若是，则执行步骤4；若否，则执行步骤5；步骤4，将K个聚类中心确定为K个最终聚类中心，并将K个聚类集合确定为K个最终聚类集合，得到聚类模型；步骤5，根据K个聚类中心更新K个初始聚类中心，并跳转执行步骤1。
图2B示出了根据本发明一个实施例的电池容量识别模型训练的流程示意图。如图2B所示，电池容量识别模型训练过程包括以下步骤：
步骤S204，收集电池的全部生命周期的第二电池数据及第三电池数据。
与图2A所示实施例中的步骤S201类似，在本步骤中也是收集一定数量的不同地区、不同使用场景的典型代表性电动汽车，选取的每辆电动汽车都需要具有从出厂至退役的全部生命周期的第二电池数据及第三电池数据，此处的退役指由于使用时间、使用里程、电池老化衰减等因素导致的正常退役，不包括事故因素(例如碰撞、着火、浸水等)或者人为因素(过充电着火、电池系统短路)导致的异常退役。通常情况下，可以一次性收集第一电池数据、第二电池数据及第三电池数据，表4定义了本实施例收集的数据字段，表5列举了部分第二电池数据及部分第三电池数据的部分数值。第二电池数据包括：电池使用时间、使用里程、快充次数和/或满充次数；第三电池数据包括：充放电时间和SOC数据。
表4：
表5：
| vid | daq_time | mileage | soc |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 16:59 | 15724 | 74 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:00 | 15724 | 74 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:00 | 15724 | 74 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:01 | 15724 | 74 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:04 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:04 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:04 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:04 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:05 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:05 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:05 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:06 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:06 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:07 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:07 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:08 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:09 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:09 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:10 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:10 | 15725 | 73 |
| 07461aca8710421aa7d4f5d0 | 2015/7/24 17:11 | 15725 | 73 |
在收集到第二电池数据、第三电池数据后，可以根据第一电池数据及第三电池数据，计算不同充电段对应的电池容量，其中，第一电池数据是图2A所示实施例中收集的，具体地，可以利用步骤S205-步骤S206中的方法计算不同充电段对应的电池容量：
步骤S205，根据电流的方向和持续时间，从第一电池数据及第三电池数据中识别确定电池对应的至少一个充电段。
第三电池数据还包括电流标志数据，当电流为负时该列相应的值为1，表示电池在充电，当电流为正时该列相应的值为0，表示电池在放电，由于《GB/T 32960.1-2016电动汽车远程服务与管理系统技术规范》国家标准规定相连数据的采样间隔为30秒，当电流标志列的值连续为1的数量超过10个时，表示连续充电5分钟，将该段数据识别为充电段，并增加充电段序号charge_num，即，根据电流的方向和持续时间，从第一电池数据及第三电池数据中识别确定电池对应的至少一个充电段。
步骤S206，针对至少一个充电段中的任一充电段，对充电段的时间和电流进行安时积分处理，得到充电段对应的充电容量，根据充电段截止SOC及充电段起始SOC，计算得到充电段对应的SOC增加值，对充电容量及SOC增加值进行筛选处理，基于筛选后的充电段对应的充电容量及SOC增加值，计算充电段对应的电池容量。
在确定电池对应的至少一个充电段后，对于每一个充电段，对充电段的时间和电流数据进行安时积分处理，计算得到充电段的充电容量，其中，本领域人员都熟知安时积分处理方法，此处不再详细赘述，计算充电段对应的电池容量还需要计算充电段对应的SOC增加值，可以利用如下方法计算：根据充电段截止SOC及充电段起始SOC，计算得到充电段对应的SOC增加值，其中，SOC增加值＝充电段截止SOC-充电段起始SOC，为了能够使电池容量识别模型更为精准，这里需要对充电容量及SOC增加值进行筛选，例如，筛选出充电容量大于30，且SOC增加值大于50的充电段，以确保计算得到的电池容量准确度符合建模要求，在筛选处理，基于筛选后的充电段对应的充电容量及SOC增加值，计算充电段对应的电池容量，其中，电池容量＝充电容量/SOC增加值。在本实施例中，由于充电段的温度大部分在20℃以上，因此该实施例中不需要对电池容量进行温度修正，否则还需要基于充电段对应的电池容量与温度的对应关系，对充电段对应的电池容量进行温度修正处理。
表6示出了电池的部分充电段的计算结果，其中charge_num为充电段序号，charge_q为充电容量，charge_start_soc为充电起始SOC，charge_end_soc为充电截止SOC，delta_soc为SOC增加值，remaining_capacity为电池容量。
表6：
步骤S207，将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量。
将图2A所示实施例中的第一电池数据输入至图2A训练好的聚类模型中，利用聚类模型对第一电池数据进行聚类处理，所谓的聚类是指根据相似性原则，将具有较高相似度的第一电池数据划分至同一类簇，将具有较高相异度的第一电池数据划分至不同类簇。
在利用聚类模型对第一电池数据进行聚类处理后，最终确定哪些第一电池数据划分至同一类，统计该类中第一电池数据的数量，最终得到相应的N维向量，其中，N维向量的维数与聚类模型的分类数量相关，N维向量的维数等于聚类模型的分类数量，例如，聚类模型的分类数量为K，则N＝K，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量，例如，有500条第一电池数据被归到一类，那么该类标签内的第一电池数据数量为500，相应的特征值为500。
步骤S208，对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量。
在得到相应的N维向量后，将N维向量与第二电池数据合并组成电池容量识别数据变量，举例说明，第二电池数据包括：电池使用时间、使用里程，N维向量为50维的向量，那么合并处理后得到的电池容量识别数据变量为52维的向量，增加的2维对应电池使用时间(days)、使用里程(mileage)，向量的特征值即为具体的电池使用时间、使用里程。
步骤S209，基于电池容量识别数据变量及电池容量，利用预设训练方法进行模型训练，得到电池容量识别模型。
在得到电池容量识别数据变量后，将电池容量作为标签，利用预设训练方法对电池容量识别数据变量和标签组成的训练数据进行模型训练，例如，预设训练方法为随机森林算法，训练得到随机森林模型，随机森林模型的具体训练过程是本领域技术人员所公知的，这里不再详细介绍。表7是部分训练数据，省略了部分50维向量数据。其中0～49为50个聚类模型的类的代号，days为电池使用时间，mileage为使用里程，remaining_capacity为电池容量。
表7：
图3示出了根据本发明一个实施例的电池容量识别装置的结构示意图。装置基于经过训练的聚类模型及电池容量识别模型执行，如图3所示，该装置包括：获取模块301、聚类处理模块302、合并处理模块303、容量识别模块304。
获取模块301，适于获取待识别电池的第一电池数据及第二电池数据；
聚类处理模块302，适于将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量；
合并处理模块303，适于对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量；
容量识别模块304，适于将电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量。
可选地，装置还包括：聚类模型训练模块；
其中，聚类训练模块适于：收集电池的全部生命周期的第一电池数据；将第一电池数据作为聚类元素，从聚类元素中随机选取K个聚类元素，将选取得到的K个聚类元素作为K个初始聚类中心，其中K大于1；根据K个初始聚类中心，利用预设聚类装置对聚类元素进行聚类处理，得到聚类模型。
可选地，装置还包括：电池容量识别模型训练模块；
其中，电池容量识别模型训练模块适于：收集电池的全部生命周期的第二电池数据及第三电池数据；
根据第一电池数据及第三电池数据，计算不同充电段对应的电池容量；
将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量；
对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量；
基于电池容量识别数据变量及电池容量，利用预设训练装置进行模型训练，得到电池容量识别模型。
可选地，第一电池数据包括：电压数据、电流数据和温度数据；第二电池数据包括：电池使用时间、使用里程、快充次数和/或满充次数；第三电池数据包括：充放电时间和SOC数据。
可选地，电池容量识别模型训练模块进一步适于：根据电流的方向和持续时间，从第一电池数据及第三电池数据中识别确定电池对应的至少一个充电段；
针对至少一个充电段中的任一充电段，对充电段的时间和电流进行安时积分处理，得到充电段对应的充电容量，根据充电段截止SOC及充电段起始SOC，计算得到充电段对应的SOC增加值，基于充电段对应的充电容量及SOC增加值，计算充电段对应的电池容量。
可选地，电池容量识别模型训练模块还适于：基于充电段对应的电池容量与温度的对应关系，对充电段对应的电池容量进行温度修正处理。
可选地，电池容量识别模型训练模块还适于：对充电容量及SOC增加值进行筛选处理。
根据本发明上述实施例提供的装置，获取待识别电池的第一电池数据及第二电池数据；将第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量；对N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量；将电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量。基于本发明提供的方案，实现了在线检测电池的容量，无需每次检测电池的容量都需要先将电池拆卸下来，才能够进行检测，实现了智能化识别电池容量，无需再使用专业的充放电设备对电池进行充放电测试，节省了人力、物力、财力。
本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的电池容量识别方法。
图4示出了根据本发明一个实施例的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402，用于执行程序410，具体可以执行上述电池容量识别方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行上述任意方法实施例中的电池容量识别方法。程序410中各步骤的具体实现可以参见上述电池容量识别实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和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描述，在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种电池容量识别方法，所述方法基于经过训练的聚类模型及电池容量识别模型执行，所述方法包括：
获取待识别电池的第一电池数据及第二电池数据，所述第一电池数据包括：电压数据、电流数据和温度数据；所述第二电池数据包括：电池使用时间、使用里程、快充次数和/或满充次数；
将所述第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量；
对所述N维向量及所述第二电池数据进行合并处理，得到电池容量识别数据变量；
将所述电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量。
2.根据权利要求1所述的方法，其中，聚类模型训练过程包括：
收集电池的全部生命周期的第一电池数据；
将所述第一电池数据作为聚类元素，从所述聚类元素中随机选取K个聚类元素，将选取得到的K个聚类元素作为K个初始聚类中心，其中K大于1；
根据所述K个初始聚类中心，利用预设聚类方法对所述聚类元素进行聚类处理，得到聚类模型。
3.根据权利要求2所述的方法，其中，电池容量识别模型训练过程包括：
收集电池的全部生命周期的第二电池数据及第三电池数据；
根据所述第一电池数据及所述第三电池数据，计算不同充电段对应的电池容量；
将所述第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量；
对所述N维向量及第二电池数据进行合并处理，得到电池容量识别数据变量；
基于所述电池容量识别数据变量及所述电池容量，利用预设训练方法进行模型训练，得到电池容量识别模型。
4.根据权利要求3所述的方法，其中，所述第三电池数据包括：充放电时间和SOC数据。
5.根据权利要求4所述的方法，其中，所述根据第一电池数据及第三电池数据，计算不同充电段对应的电池容量进一步包括：
根据电流的方向和持续时间，从第一电池数据及第三电池数据中识别确定电池对应的至少一个充电段；
针对至少一个充电段中的任一充电段，对所述充电段的时间和电流进行安时积分处理，得到所述充电段对应的充电容量，根据充电段截止SOC及充电段起始SOC，计算得到充电段对应的SOC增加值，基于充电段对应的充电容量及SOC增加值，计算充电段对应的电池容量。
6.根据权利要求5所述的方法，其中，在基于充电段对应的充电容量及SOC增加值，计算充电段对应的电池容量之后，所述方法还包括：
基于充电段对应的电池容量与温度的对应关系，对充电段对应的电池容量进行温度修正处理。
7.根据权利要求5或6所述的方法，其中，在基于充电段对应的充电容量及SOC增加值，计算充电段对应的电池容量之前，所述方法还包括：
对充电容量及SOC增加值进行筛选处理。
8.一种电池容量识别装置，所述装置基于经过训练的聚类模型及电池容量识别模型执行，所述装置包括：
获取模块，适于获取待识别电池的第一电池数据及第二电池数据，所述第一电池数据包括：电压数据、电流数据和温度数据；所述第二电池数据包括：电池使用时间、使用里程、快充次数和/或满充次数；
聚类处理模块，适于将所述第一电池数据输入至聚类模型进行聚类处理，得到相应的N维向量，其中，N维向量的特征值为聚类处理后各类标签内的第一电池数据数量；
合并处理模块，适于对所述N维向量及所述第二电池数据进行合并处理，得到电池容量识别数据变量；
容量识别模块，适于将所述电池容量识别数据变量输入至电池容量识别模型进行电池容量识别，得到待识别电池对应的电池容量。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的电池容量识别方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的电池容量识别方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910810179.XA CN110579708B (zh) | 2019-08-29 | 2019-08-29 | 电池容量识别方法、装置、计算设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910810179.XA CN110579708B (zh) | 2019-08-29 | 2019-08-29 | 电池容量识别方法、装置、计算设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110579708A CN110579708A (zh) | 2019-12-17 |
| CN110579708B true CN110579708B (zh) | 2021-10-22 |
Family
ID=68812115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910810179.XA Active CN110579708B (zh) | 2019-08-29 | 2019-08-29 | 电池容量识别方法、装置、计算设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110579708B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112345952B (zh) * | 2020-09-23 | 2024-07-05 | 上海电享信息科技有限公司 | 动力电池老化程度判断方法 |
| CN112485694B (zh) * | 2020-11-23 | 2023-07-14 | 国网北京市电力公司 | 电池组的检测方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105261795A (zh) * | 2015-10-23 | 2016-01-20 | 北京交通大学 | 一种基于聚类算法的锂离子电池串联成组方法 |
| CN105807231A (zh) * | 2016-03-14 | 2016-07-27 | 深圳供电局有限公司 | 一种用于蓄电池剩余容量检测的方法及系统 |
| CN108154163A (zh) * | 2016-12-06 | 2018-06-12 | 北京京东尚科信息技术有限公司 | 数据处理方法、数据识别和学习方法及其装置 |
| CN108983103A (zh) * | 2018-06-29 | 2018-12-11 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
| CN109613440A (zh) * | 2019-01-17 | 2019-04-12 | 清华-伯克利深圳学院筹备办公室 | 电池的分级方法、装置、设备和存储介质 |
| CN110031761A (zh) * | 2019-03-21 | 2019-07-19 | 南京四象新能源科技有限公司 | 电池筛选方法、电池筛选装置及终端设备 |
| CN110147808A (zh) * | 2019-03-26 | 2019-08-20 | 张锐明 | 一种新型电池成组筛选方法 |
-
2019
- 2019-08-29 CN CN201910810179.XA patent/CN110579708B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105261795A (zh) * | 2015-10-23 | 2016-01-20 | 北京交通大学 | 一种基于聚类算法的锂离子电池串联成组方法 |
| CN105807231A (zh) * | 2016-03-14 | 2016-07-27 | 深圳供电局有限公司 | 一种用于蓄电池剩余容量检测的方法及系统 |
| CN108154163A (zh) * | 2016-12-06 | 2018-06-12 | 北京京东尚科信息技术有限公司 | 数据处理方法、数据识别和学习方法及其装置 |
| CN108983103A (zh) * | 2018-06-29 | 2018-12-11 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
| CN109613440A (zh) * | 2019-01-17 | 2019-04-12 | 清华-伯克利深圳学院筹备办公室 | 电池的分级方法、装置、设备和存储介质 |
| CN110031761A (zh) * | 2019-03-21 | 2019-07-19 | 南京四象新能源科技有限公司 | 电池筛选方法、电池筛选装置及终端设备 |
| CN110147808A (zh) * | 2019-03-26 | 2019-08-20 | 张锐明 | 一种新型电池成组筛选方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种新型航空蓄电池剩余容量预测方法研究;汤巍 等;《电源技术》;20120430;第491-494页 * |
| 电池配组算法研究与系统实现;郦柏金;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140815(第8期);C042-343 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110579708A (zh) | 2019-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN111816936B (zh) | 电池梯次利用配组方法、系统、终端设备及存储介质 | |
| CN110579708B (zh) | 电池容量识别方法、装置、计算设备及计算机存储介质 | |
| CN113083739B (zh) | 电芯分选方法、装置以及计算机设备 | |
| CN113289931A (zh) | 一种锂离子电池梯次利用分选方法 | |
| CN113376526A (zh) | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 | |
| CN109816043A (zh) | 用户识别模型的确定方法、装置、电子设备及存储介质 | |
| CN113608140A (zh) | 一种电池故障诊断方法及系统 | |
| CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
| CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
| CN113178024A (zh) | 基于人工智能的融合型车载智能存储系统及方法 | |
| CN115345241A (zh) | 电池异常检测方法、装置、电子设备及计算机存储介质 | |
| CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
| CN115270481A (zh) | 汽车电池的工况预测方法、装置、电子设备及存储介质 | |
| CN114910795A (zh) | 恒流充电中电池微短路判断方法及系统、存储介质及终端 | |
| CN111210158A (zh) | 目标地址确定方法、装置、计算机设备和存储介质 | |
| CN114118242A (zh) | 一种分类模型训练方法、对象分类方法及相关设备 | |
| CN116224091B (zh) | 电池的电芯故障检测方法、装置、电子设备及存储介质 | |
| CN108681802A (zh) | 一种电动汽车充电设施信息互操作评价方法 | |
| CN110068409B (zh) | 锂电池应力预测方法和装置 | |
| CN113538735B (zh) | 一种车辆用途识别方法及装置 | |
| CN114722487B (zh) | 一种基于大数据的新能源汽车车型参数预测估计方法 | |
| CN115061046A (zh) | 一种电池工况的识别方法、装置、汽车及电子设备 | |
| CN114742297A (zh) | 动力电池的处理方法 |
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 | ||
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20230131 Granted publication date: 20211022 |
|
| PD01 | Discharge of preservation of patent | ||
| PD01 | Discharge of preservation of patent |
Date of cancellation: 20240108 Granted publication date: 20211022 |
|
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20240227 Granted publication date: 20211022 |