CN111222584A - 基于大数据和深度神经网络的锂电池实时评估方法 - Google Patents

基于大数据和深度神经网络的锂电池实时评估方法 Download PDF

Info

Publication number
CN111222584A
CN111222584A CN202010045689.5A CN202010045689A CN111222584A CN 111222584 A CN111222584 A CN 111222584A CN 202010045689 A CN202010045689 A CN 202010045689A CN 111222584 A CN111222584 A CN 111222584A
Authority
CN
China
Prior art keywords
data
lithium battery
battery
real
neural network
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.)
Pending
Application number
CN202010045689.5A
Other languages
English (en)
Inventor
钟勇才
文陈
安军伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inner Mongolia Anchen Carbon Technology Co Ltd
Beijing Huitenggler Graphene Technology Co Ltd
Original Assignee
Inner Mongolia Anchen Carbon Technology Co Ltd
Beijing Huitenggler Graphene Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inner Mongolia Anchen Carbon Technology Co Ltd, Beijing Huitenggler Graphene Technology Co Ltd filed Critical Inner Mongolia Anchen Carbon Technology Co Ltd
Priority to CN202010045689.5A priority Critical patent/CN111222584A/zh
Publication of CN111222584A publication Critical patent/CN111222584A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种基于大数据和深度神经网络的锂电池实时评估方法，包括：通过嵌入在锂电池BMS系统的数据采集终端，获取锂电池的若干种性能参数并上报到锂电池大数据云平台，并将数据进行清洗存储；将锂电池的若干种性能参数形成原始数据集；利用深度学习的自编码器autoencoder将原始数据集进行降维处理，形成降维数据集；将降维数据集Kmeans聚类处理形成若干数据簇；将若干数据簇依据专家经验库的判断结果生成类别标签；锂电池大数据云平台依据类别标签和锂电池性能数据实时向车主推送提示信息。本发明基于大数据和深度神经网络的锂电池实时评估方法，采用将大量的锂电池数据根据无监督学习方式进行分类，实时对用户的维护、维修和更换形成指导。

Description

基于大数据和深度神经网络的锂电池实时评估方法
技术领域
本发明涉及锂电池技术领域，尤其涉及一种基于大数据和深度神经网络的锂电池实时评估方法。
背景技术
目前锂电池大量应用于电动车(主要指电动摩托车、电动车汽车)中，随着电动汽车的保有量的大规模增长，锂电池的应用数量也随之大规模增长。对于锂电池的性能来说，往往依据锂电池的电流或电压等参数进行人工判断，难以对大规模的锂电池的数量进行衡量，无法实时在线对锂电池的状态进行评估分析。同时，基于人工的判断往往受主观影响较大，难以采用统一的标准对锂电池的性能进行客观的判断，同时实时性也不能得到有效保障。
发明内容
本发明提供的基于大数据和深度神经网络的锂电池实时评估方法，能够将锂电池进行分类并依据分类衡量电池的性能。
本发明提供基于大数据和深度神经网络的锂电池实时评估方法，包括：
通过嵌入在锂电池BMS系统的数据采集终端，实时获取锂电池的若干种性能参数；
将锂电池实时运行数据上报到锂电池大数据云平台，所述锂电池大数据云平台将数据进行清洗存储；
将锂电池的若干种性能参数形成原始数据集；
利用深度学习的自编码器autoencoder算法将所述原始数据集进行降维处理，形成维度更低的降维数据集，所述降维数据集具有所述原始数据的有效性；
将所述降维数据集进行Kmeans聚类处理，利用机器学习算法不断迭代运行Kmeans聚类处理过程直至收敛形成若干数据簇；
将所述若干数据簇依据专家经验库的判断结果生成与每个数据簇对应的类别标签；
所述锂电池大数据云平台依据所述类别标签和实时上报的锂电池性能数据向用户发送提示信息。
可选地，所述若干种性能参数包括电池容量、电池电流、电池电压、电池温度、电池循环次数、对应电动车的行驶速度速度或对应电动车的续航里程。
可选地，所述降维处理包括：
将每一条的数据的N个维度参数表示为N维向量；
将M条数据表示为N行M列的矩阵X；
选定投影方向W并确定截距b；
计算降维数据为Y，yi＝δ(WTxi+b)；其中，yi属于Y，xi属于X，δ为非线性激活函数；
将降维后数据进行重建为xi'＝δ'(W'yi-b')，其中，xi'为重建后的xi，W'为xi'所在方向，b'为yi在W'方向的截距，δ'为重建过程中的非线性激活函数；
计算降维与原数据之间的误差
Figure BDA0002367485890000021
其中，p为范数；
计算最小误差，并利用反向传播算法计算W、b、W'和b'的局部最优解。
可选地，所述聚类处理包括：
选取降维数据集中的若干个数据点作为簇心；
计算每个数据点与各个所述簇心的距离，并将每个数据点与距离最近的簇心归为一类，以将所述降维数据集分为若干数据簇；
依据每个数据簇中的数据点的分布，计算该数据簇的质心，将若干数据簇的质心作为若干簇心；
计算当前簇心与上一簇心的距离，当当前簇心与上一簇心的距离在预定的阈值范围外时，重复数据簇分类和质心计算的过程；当当前簇心与上一簇心的距离在预定范围之内时，将当前的分类结果作为聚类结果。
可选地，初始簇心的选取包括：
在数据集中随机选择一个样本点作为第一个初始化的簇心
计算样本中的每一个样本点与已经初始化的聚类中心之间的距离，并选择其中最短的距离，记为d(i)；
计算每个样本被选择为下一个簇心的概率：
Figure BDA0002367485890000031
采用轮盘法选定下一个簇心；
重复上述过程，直到k个聚类中心都被确定。
可选地，在采集锂电池的若干性能参数形成原始数据集之前，还包括数据获取步骤：
依据预定的时间间隔对电池管理系统发送抓取性能参数的请求，
并接收电池管理系统响应请求发送的性能参数。
可选地，在完成降维处理后，还包括数据存储：
将所述降维数据集发送至数据库进行存储。
可选地，还包括数据发送步骤：
实时接收用户的查询指令，并依据所述用户的查询指令发送电池的性能参数数据以及所述性能参数对应的类别标签；
还包括数据解析：
依据所述查询指令查询对应的降维数据，将所述降维数据进行解释还原成所述电池的性能参数数据。
可选地，还包括触发警告：
设定电池性能参数警告阈值；
当对应的电池的性能参数在所述警告阈值内时，计算平台向对应电池的管理系统发送警告信息。
可选地，依据所述类别标签的内容，设定与所述类别标签对应的电池性能参数警告阈值；锂电池大数据云平台实时准确将电池标签和电池性能数据推送给电动车用户。
本发明基于大数据和深度神经网络的锂电池实时评估方法中，采用将大量的锂电池参数作为电池性能参数，利用深度学习算法对大量的锂电池数据进行聚类处理，然后再利用专家经验对每个的锂电池的类别进行均值判断，从而，能够准确且全面的判断电池的性能指标，实时了解电池的当前状态，为电池的维护、维修以及更换提供准确的参考。
附图说明
图1为本发明基于大数据和深度神经网络的锂电池实时评估方法一实施例流程图；
图2为本发明基于大数据和深度神经网络的锂电池实时评估方法一实施例的降维处理流程图；
图3为本发明基于大数据和深度神经网络的锂电池实时评估方法一实施例的聚类处理流程图；
图4为本发明基于大数据和深度神经网络的锂电池实时评估方法一实施例的框架图；
图5为本发明基于大数据和深度神经网络的锂电池实时评估方法一实施例的网络架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例提供一种基于大数据和深度神经网络的锂电池实时评估方法，包括：
S1通过嵌入在锂电池BMS系统的数据采集终端，实时获取锂电池的若干种性能参数；
S2将锂电池实时运行数据上报到锂电池大数据云平台，所述锂电池大数据云平台将海量数据进行清洗存储；
S3将锂电池的若干种性能参数形成原始数据集；
S4利用深度学习的自编码器autoencoder算法将所述原始数据集进行降维处理，形成维度更低的降维数据集，所述降维数据集具有所述原始数据的有效性；
可选地，如图2所示，使用自编码学习AE算法进行降维处理，将如下图进行表示，左侧的encode就表示降维处理。
自编码网络是输入等于输出的网络，最基本的模型可以视为三层的神经网络，即输入层，隐藏层，输出层。也就看成压缩和解压的过程。编码就是压缩的过程，解码就是解压的过程。
自编码器是无监督的学习。它是一种仿人脑的对特征逐层抽象提取的过程，学习过程中有两点：一是无监督学习，即对训练数据不需要进行标签化标注，这种学习是对数据内容的组织形式的学习，提取的是频繁出现的特征；二是逐层抽象，特征是需要不断抽象的。
自编码器(AutoEncoder)，即可以使用自身的高阶特征自我编码，其输入和输出是一致的，借助了稀疏编码的思想，目标是使用稀疏的高阶特征重新组合来重构自己。
所述降维处理的计算过程包括：
将每一条的数据的N个维度参数表示为N维向量；
在本实施例中，作为可选的实施方式，锂电池的性能参数可以选择采集电池容量c、电池电流i、电池电压u、电池温度t、电池循环次数n、对应电动车的行驶速度速度v和对应电动车的续航里程s七个维度的性能参数。
因此，其降维处理过程如下：
采用如下的七个维度的向量表示一条数据：
(Cx ix ux tx nx vx sx)T
将M条数据表示为N行M列的矩阵X；
选定投影方向W并确定截距b；
计算降维数据为Y，yi＝δ(WTxi+b)；其中，yi属于Y，xi属于X，δ为非线性激活函数；
将降维后数据进行重建为xi'＝δ'(W'yi-b')，其中，xi'为重建后的xi，W'为xi'所在方向，b'为yi在W'方向的截距，δ'为重建过程中的非线性激活函数；
计算降维与原数据之间的误差
Figure BDA0002367485890000061
其中，p为范数；
计算最小误差，并利用反向传播算法计算W、b、W'和b'的局部最优解。
降维后的矩阵即为一个数据维度小于原数据维度的矩阵，在本实施例中，以降维后的数据维度为3为例，降维后的降维数据矩阵如下：
Figure BDA0002367485890000071
S5将所述降维数据集进行Kmeans聚类处理，利用机器学习算法不断迭代运行Kmeans聚类处理过程直至收敛形成若干数据簇；
可选地，如图3所示，所述聚类处理包括：
选取降维数据集中的若干个数据点作为簇心；
在本实施例中，经过上述的降维计算，已经将每个样本的转换成为三维数据点，即每个样本可以以一个三维向量(ax bx cx)T表示。
计算每个数据点与各个所述簇心的距离，并将每个数据点与距离最近的簇心归为一类，以将所述降维数据集分为若干数据簇；
在本实施例中，需要判断某个数据属于哪个簇心的数据簇，采用如下的公示进行计算：
Figure BDA0002367485890000072
其中，c(i)表示第i个数据点归属于的数据簇，c(i)的值为1～k之间的值，arg是标记符号，用来表明哪个数据点参数属于哪个类；μj表示第j个簇心；y(i)表示第i个数据点。
采用上述的公式计算完毕后，则将降维数据的各数据点分布在预先指定的K个簇心对应的簇内。
依据每个数据簇中的数据点的分布，计算该数据簇的质心，将若干数据簇的质心作为若干簇心；
在完成上述的分类过程后，对上述各数据簇的质心重新计算，重新计算质心过程采用如下的公式：
Figure BDA0002367485890000073
在上述的公式中，x表示共有x个数据点，y(i)表示在降维数据集中的第i个数据点，c(i)表示第i个数据点归属的数据簇。
经过上述计算之后即可确定每个数据簇新的簇心。
计算当前簇心与上一簇心的距离，当当前簇心与上一簇心的距离在预定的阈值范围外时，重复数据簇分类和质心计算的过程；当当前簇心与上一簇心的距离在预定范围之内时(即kmeans算法收敛时)，将当前的分类结果作为聚类结果。
在计算当前簇心与上一簇心的距离时，采用计算每个数据点与对应簇心之间的距离平方和的方式进行计算，距离的计算公式如下：
Figure BDA0002367485890000081
其中，J表示样本到簇心的距离，rij用来表示第i个样本是否归类到第j个簇，当归类到第j个簇时，rij＝1；当不归类到第j个簇时，rij＝0。
采用上述公式，分别计算当前簇心的每个数据点与对应簇心之间的距离平方和以及上一簇心每个数据点与对应簇心之间的距离平方和。随后计算两个平方和之间的差值，当差值在规定的收敛阈值范围内时，确定当前的分类结果即为最终的聚类结果，当差值在规定的阈值范围之外时，迭代上述的分类和计算质心的过程，直到上述的差值在规定的阈值范围内为止。
可选地，初始簇心的选取包括：
在数据集中随机选择一个样本点作为第一个初始化的簇心
计算样本中的每一个样本点与已经初始化的聚类中心之间的距离，并选择其中最短的距离，记为d(i)；
计算每个样本被选择为下一个簇心的概率：
Figure BDA0002367485890000082
采用轮盘法选定下一个簇心；
重复上述过程，直到k个聚类中心都被确定。
S6将所述若干数据簇依据专家经验库的判断结果生成与每个数据簇对应的类别标签；
S7所述锂电池大数据云平台依据所述类别标签和实时上报的锂电池性能参数向用户发送提示信息。
可选地，还包括数据存储：
将所述降维数据集发送至数据库进行存储。
将降维数据集进行存储，能够大大的节省存储空间，并且，降维数据集在传输过程中还能够占用较少的传输资源。
可选地，还包括数据发送步骤：
实时接收用户的查询指令，并依据所述用户的查询指令发送电池的性能参数数据以及所述性能参数对应的类别标签。
在本实施例中，采集了大量的数据，并且数据具有实时性，依据用户的查询指令随时发送锂电池的性能参数，并标识出对应的类别标签，能够对为用户提供电池性能的监测功能，有助于用户对锂电池的维护、维修和更换。
可选地，还包括数据解析：
依据所述查询指令查询对应的降维数据，将所述降维数据进行解释还原成所述电池的性能参数数据。
基于上述，为了节省存储空间和传输方便，可以采用将降维数据发送至用户客户端，用户在客户端将降维数据解释还原成原始数据集。当然，为了确保数据的完整性，也可以采用在服务端将降维数据解释还原成原始数据再发送给用户。
可选地，还包括触发警告：
设定电池性能参数警告阈值；
当对应的电池的性能参数在所述警告阈值内时，计算平台向对应电池的管理系统发送警告信息。
依据电池的使用情况，设定电池的警告阈值，例如，当电池当前的输出电流低于某个规定的数值，以低于电池额定电流10％为例，计算平台向对应电池的管理系统发出警告信息，提示用户电池的当前状态已经异常。当然，上述以电流为例并不对本实施例形成限定，还可以采用其他任何能够表征电池性能的参数。
可选地，依据所述类别标签的内容，设定与所述类别标签对应的电池性能参数警告阈值；锂电池大数据云平台实时准确将电池标签和电池性能数据推送给电动车用户，提升他们使用电池的体验和安全。
由于每个电池的性能不尽相同，例如，部分电池的电容量下降到30％时会出现电容量的快速下跌，因此，需要依据不同的类别标签内容对对应的电池设定警告阈值。例如，某个电池类别标签下的电池在电池的电容量下降到30％左右时会快速下降，即需要在40％左右的电容量时发出警告。又例如，某个电池类别标签下的电池在电压下降至额定电压的90％左右时其电容量即将耗尽，则需要在该电池的电压下降至额定电压的92％时发出警告。
可选地，还包括数据获取步骤：
依据预定的时间间隔对电池管理系统发送抓取性能参数的请求，
并接收电池管理系统响应请求发送的性能参数。
上述的实施方式采用的框架图以及网络架构如图4-5所示，包括电动车主的app端、锂电池终端以及锂电池大数据云平台；其中锂电池大数据云平台执行数据清洗、实时处理、深度学习以及聚类处理的相关操作，锂电池终端通过锂电池的BMS手里锂电池的性能参数以及锂电池的其他信息并通过NB-IoT、GPRS以及Internet进行上报，例如，收集的参数包括定位信息、运行轨迹、电池容量、电池性能、安全放到以及电池温度等。车主app端用于接收锂电池大数据云平台发送的信息。锂电池大数据云平台还用于对锂电池终端以及车主app端进行安全认证。
本实施例基于大数据和深度神经网络的锂电池实时评估方法中，采用将大量的锂电池参数作为电池性能参数，对大量的锂电池数据进行分类，然后再利用专家系统对锂电池的类别进行类别标签的标注，从而，能够准确且全面的判断电池的性能指标，准确的了解电池的当前状态，为电池的维护、维修以及更换提供准确的参考。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：包括：
通过嵌入在锂电池BMS系统的数据采集终端，实时获取锂电池的若干种性能参数；
将锂电池实时运行数据上报到锂电池大数据云平台，所述锂电池大数据云平台将数据进行清洗存储；
将锂电池的若干种性能参数形成原始数据集；
利用深度学习的自编码器autoencoder算法将所述原始数据集进行降维处理，形成维度更低的降维数据集，所述降维数据集具有所述原始数据的有效性；
将所述降维数据集进行Kmeans聚类处理，利用机器学习算法不断迭代运行Kmeans聚类处理过程直至收敛形成若干数据簇；
将所述若干数据簇依据专家经验库的判断结果生成与每个数据簇对应的类别标签；
所述锂电池大数据云平台依据所述类别标签和实时上报的锂电池性能数据向用户发送提示信息。
2.如权利要求1所述基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：所述若干种性能参数包括电池容量、电池电流、电池电压、电池温度、电池循环次数、对应电动车的行驶速度速度或对应电动车的续航里程。
3.如权利要求1所述基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：所述降维处理包括：
将每一条的数据的N个维度参数表示为N维向量；
将M条数据表示为N行M列的矩阵X；
选定投影方向W并确定截距b；
计算降维数据为Y，yi＝δ(WTxi+b)；其中，yi属于Y，xi属于X，δ为非线性激活函数；
将降维后数据进行重建为xi'＝δ'(W'yi-b')，其中，xi'为重建后的xi，W'为xi'所在方向，b'为yi在W'方向的截距，δ'为重建过程中的非线性激活函数；
计算降维与原数据之间的误差
Figure FDA0002367485880000021
其中，p为范数；
计算最小误差，并利用反向传播算法计算W、b、W'和b'的局部最优解。
4.如权利要求1所述基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：
所述聚类处理包括：
选取降维数据集中的若干个数据点作为簇心；
计算每个数据点与各个所述簇心的距离，并将每个数据点与距离最近的簇心归为一类，以将所述降维数据集分为若干数据簇；
依据每个数据簇中的数据点的分布，计算该数据簇的质心，将若干数据簇的质心作为若干簇心；
计算当前簇心与上一簇心的距离，当当前簇心与上一簇心的距离在预定的阈值范围外时，重复数据簇分类和质心计算的过程；当当前簇心与上一簇心的距离在预定范围之内时，将当前的分类结果作为聚类结果。
5.如权利要求4所述基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：初始簇心的选取包括：
在数据集中随机选择一个样本点作为第一个初始化的簇心
计算样本中的每一个样本点与已经初始化的聚类中心之间的距离，并选择其中最短的距离，记为d(i)；
计算每个样本被选择为下一个簇心的概率：
Figure FDA0002367485880000022
采用轮盘法选定下一个簇心；
重复上述过程，直到k个聚类中心都被确定。
6.如权利要求1所述基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：在采集锂电池的若干性能参数形成原始数据集之前，还包括数据获取步骤：
依据预定的时间间隔对电池管理系统发送抓取性能参数的请求，
并接收电池管理系统响应请求发送的性能参数。
7.如权利要求6所述基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：在完成降维处理后，还包括数据存储：
将所述降维数据集发送至数据库进行存储。
8.如权利要求7所述基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：还包括数据发送步骤：
实时接收用户的查询指令，并依据所述用户的查询指令发送电池的性能参数数据以及所述性能参数对应的类别标签；
还包括数据解析：
依据所述查询指令查询对应的降维数据，将所述降维数据进行解释还原成所述电池的性能参数数据。
9.如权利要求1所述基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：还包括触发警告：
设定电池性能参数警告阈值；
当对应的电池的性能参数在所述警告阈值内时，计算平台向对应电池的管理系统发送警告信息。
10.如权利要求1所述基于大数据和深度神经网络的锂电池实时评估方法，其特征在于：依据所述类别标签的内容，设定与所述类别标签对应的电池性能参数警告阈值；锂电池大数据云平台实时准确将电池标签和电池性能数据推送给电动车用户。
CN202010045689.5A 2020-01-15 2020-01-15 基于大数据和深度神经网络的锂电池实时评估方法 Pending CN111222584A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010045689.5A CN111222584A (zh) 2020-01-15 2020-01-15 基于大数据和深度神经网络的锂电池实时评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010045689.5A CN111222584A (zh) 2020-01-15 2020-01-15 基于大数据和深度神经网络的锂电池实时评估方法

Publications (1)

Publication Number Publication Date
CN111222584A true CN111222584A (zh) 2020-06-02

Family

ID=70831146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010045689.5A Pending CN111222584A (zh) 2020-01-15 2020-01-15 基于大数据和深度神经网络的锂电池实时评估方法

Country Status (1)

Country Link
CN (1) CN111222584A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859815A (zh) * 2020-07-31 2020-10-30 中国汽车工程研究院股份有限公司 一种电池报警特征数据的模式聚类方法与事故特征识别技术
CN111913964A (zh) * 2020-08-03 2020-11-10 广东博力威科技股份有限公司 评估电动车锂电池使用习惯的方法
CN112285565A (zh) * 2020-09-21 2021-01-29 电子科技大学 基于rkhs域匹配的迁移学习预测电池soh方法
CN112327165A (zh) * 2020-09-21 2021-02-05 电子科技大学 一种基于无监督迁移学习的电池soh预测方法
WO2022003208A1 (de) * 2020-07-03 2022-01-06 TWAICE Technologies GmbH Verarbeitung von zustandsdaten einer batterie zur alterungsschätzung
WO2022162060A1 (de) * 2021-01-27 2022-08-04 TWAICE Technologies GmbH Big-data für fehlererkennung in batteriesystemen
CN114860922A (zh) * 2022-03-25 2022-08-05 南京脑科医院 心理测评量表的分类模型获取方法、筛查方法及系统
CN116404186A (zh) * 2023-06-08 2023-07-07 西安黄河电子技术有限公司 一种功率型锂锰电池生产系统
CN117061605A (zh) * 2023-10-11 2023-11-14 杭州宇谷科技股份有限公司 基于端云协同的智能锂电池主动式信息推送方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160239592A1 (en) * 2015-02-12 2016-08-18 Nec Laboratories America, Inc. Data-driven battery aging model using statistical analysis and artificial intelligence
CN106168799A (zh) * 2016-06-30 2016-11-30 常伟 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
CN109299552A (zh) * 2018-09-29 2019-02-01 清华大学 一种电池能量状态的评估方法及其评估系统
CN110579709A (zh) * 2019-08-30 2019-12-17 西南交通大学 一种有轨电车用质子交换膜燃料电池故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160239592A1 (en) * 2015-02-12 2016-08-18 Nec Laboratories America, Inc. Data-driven battery aging model using statistical analysis and artificial intelligence
CN106168799A (zh) * 2016-06-30 2016-11-30 常伟 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
CN109299552A (zh) * 2018-09-29 2019-02-01 清华大学 一种电池能量状态的评估方法及其评估系统
CN110579709A (zh) * 2019-08-30 2019-12-17 西南交通大学 一种有轨电车用质子交换膜燃料电池故障诊断方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022003208A1 (de) * 2020-07-03 2022-01-06 TWAICE Technologies GmbH Verarbeitung von zustandsdaten einer batterie zur alterungsschätzung
CN111859815B (zh) * 2020-07-31 2023-05-23 中国汽车工程研究院股份有限公司 一种电池报警特征数据的模式聚类方法与事故特征识别技术
CN111859815A (zh) * 2020-07-31 2020-10-30 中国汽车工程研究院股份有限公司 一种电池报警特征数据的模式聚类方法与事故特征识别技术
CN111913964B (zh) * 2020-08-03 2024-01-05 广东博力威科技股份有限公司 评估电动车锂电池使用习惯的方法
CN111913964A (zh) * 2020-08-03 2020-11-10 广东博力威科技股份有限公司 评估电动车锂电池使用习惯的方法
CN112327165A (zh) * 2020-09-21 2021-02-05 电子科技大学 一种基于无监督迁移学习的电池soh预测方法
CN112327165B (zh) * 2020-09-21 2021-07-13 电子科技大学 一种基于无监督迁移学习的电池soh预测方法
CN112285565B (zh) * 2020-09-21 2021-07-13 电子科技大学 基于rkhs域匹配的迁移学习预测电池soh方法
CN112285565A (zh) * 2020-09-21 2021-01-29 电子科技大学 基于rkhs域匹配的迁移学习预测电池soh方法
WO2022162060A1 (de) * 2021-01-27 2022-08-04 TWAICE Technologies GmbH Big-data für fehlererkennung in batteriesystemen
CN114860922A (zh) * 2022-03-25 2022-08-05 南京脑科医院 心理测评量表的分类模型获取方法、筛查方法及系统
CN116404186B (zh) * 2023-06-08 2023-09-19 西安黄河电子技术有限公司 一种功率型锂锰电池生产系统
CN116404186A (zh) * 2023-06-08 2023-07-07 西安黄河电子技术有限公司 一种功率型锂锰电池生产系统
CN117061605A (zh) * 2023-10-11 2023-11-14 杭州宇谷科技股份有限公司 基于端云协同的智能锂电池主动式信息推送方法和装置
CN117061605B (zh) * 2023-10-11 2024-02-06 杭州宇谷科技股份有限公司 基于端云协同的智能锂电池主动式信息推送方法和装置

Similar Documents

Publication Publication Date Title
CN111222584A (zh) 基于大数据和深度神经网络的锂电池实时评估方法
CN111614491B (zh) 一种面向电力监控系统安全态势评估指标选取方法及系统
CN112241494B (zh) 基于用户行为数据的关键信息推送方法及装置
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN107025228B (zh) 一种问题推荐方法及设备
CN111191839B (zh) 一种换电预测方法和系统及存储介质
CN113687972B (zh) 业务系统异常数据的处理方法、装置、设备及存储介质
CN116541790B (zh) 基于多特征融合的新能源车辆健康评估方法和装置
CN112308341A (zh) 电力数据的处理方法和装置
CN112085869A (zh) 一种基于飞参数据的民机飞行安全性分析方法
CN114707431B (zh) 一种旋转多组件剩余使用寿命预测方法、系统及存储介质
CN116541782A (zh) 一种电力营销数据异常识别方法
CN117113232A (zh) 一种电动汽车锂离子电池组热失控风险识别方法
CN116523177A (zh) 融合机理和深度学习模型的车辆能耗预测方法及装置
CN113127469B (zh) 一种三相不平衡数据的缺失值的填补方法及系统
Nour et al. Road traffic accidents injury data analytics
CN114021758A (zh) 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置
CN117609818A (zh) 基于聚类与信息熵的电网关联关系发现方法
CN115034278A (zh) 性能指标异常检测方法、装置、电子设备和存储介质
CN108694486A (zh) 一种基于云模型的驾驶行为智能评价方法和装置
CN116340586A (zh) 基于云平台的汽车故障管理方法、系统及存储介质
CN115865716A (zh) 一种网络状态分析方法、系统及计算机可读介质
CN115687788A (zh) 一种智能化商机推荐方法和系统
Chaudhary et al. Comparative analysis of supervised machine learning algorithm
CN115577259A (zh) 高压直流输电系统故障选极方法、装置和计算机设备

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