CN113655397A - 一种确定电池满充满放次数的方法、装置和存储介质 - Google Patents
一种确定电池满充满放次数的方法、装置和存储介质 Download PDFInfo
- Publication number
- CN113655397A CN113655397A CN202010397301.8A CN202010397301A CN113655397A CN 113655397 A CN113655397 A CN 113655397A CN 202010397301 A CN202010397301 A CN 202010397301A CN 113655397 A CN113655397 A CN 113655397A
- Authority
- CN
- China
- Prior art keywords
- battery
- full
- charge
- tested
- energy consumption
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000005265 energy consumption Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 21
- 238000009825 accumulation Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
Abstract
本申请公开了一种确定电池满充满放次数的方法、装置和存储介质,具体为首先获取待测电池消耗每个单位电量值内的实际耗能数值,并将在预设时间范围内的至少一个实际耗能数值作为待测电池在预设时间范围内的电池性能信息,其次,基于电池性能信息、以及待测电池在时间范围内的历史工作累计信息和总充电次数,生成与待测电池对应的电池状态特征,最后,将电池状态特征输入预先训练的电池满充满放次数确定模型,确定待测电池的满充满放次数。本申请实施例通过构造与电池的满充满放次数的相关的多个特征值,并训练电池满充满放次数确定模型,以计算出电池的满充满放次数。提升了电池满充满放次数的计算效率和精度,降低了计算成本。
Description
技术领域
本申请涉及电能存储技术领域,尤其涉及一种确定电池满充满放次数的方法、装置和存储介质。
背景技术
现有对电池健康度的评判标准一般基于电池当前的满充满放次数和理论满充满放次数。其中,电池满充满放次数一般指在电池每经过一个完整的充放电周期时,电池满充满放次数增加1,如电池理论满充满放次数有500次循环、800次循环等。因此,为了能对所有电池的健康度进行监控,一般需要获取这些电池的满充满放次数。但目前只有少部分电池能上报当前的满充满放次数(如京东当前使用的占比一半以上的安尚电池不能上报此数据)。基于当前相应技术,若要评估电池健康度,需要通过满充满放次数进行计算。而直接测试电池的当前实际容量,通常使用0.2C放电测试。但这种测试成本极高,不具有普适性,且计算精度可能较低。
发明内容
本申请实施例提供了一种确定电池满充满放次数的方法,克服了获取电池的满充满放次数成本较高且不精确的问题。
该方法包括:
获取待测电池消耗每个单位电量值内的实际耗能数值,并将在预设时间范围内的至少一个所述实际耗能数值作为所述待测电池在所述预设时间范围内的电池性能信息;
基于所述电池性能信息、以及所述待测电池在所述预设时间范围内的所述历史工作累计信息和所述总充电次数,生成与所述待测电池对应的电池状态特征;
将所述电池状态特征输入预先训练的电池满充满放次数确定模型,确定所述待测电池的满充满放次数。
可选地,在所述待测电池对应的所述实际耗能数值中选取在所述预设时间范围内的至少一个所述实际耗能数值,计算至少一个所述实际耗能数值的平均值;
基于所述实际耗能数值的平均值与所述待测电池的身份标识,生成与所述待测电池对应的所述电池性能信息。
可选地,将预先获取的样本电池对应的电池状态特征中的所述历史工作累计信息中的总充电时长不在第一数值区间、总工作时长不在第二数值区间内的所述电池状态特征剔除,以及将所述电池状态特征中的所述电池性能信息不在第三数值区间的所述电池状态特征剔除,并将剔除后的所述电池状态特征分为训练样本集和测试样本集;
将所述训练样本集输入待训练的所述电池满充满放次数确定模型,并使用所述测试样本集对所述电池满充满放次数确定模型进行优化。
可选地,将所述电池状态特征输入预先训练的所述电池满充满放次数确定模型中,经过所述电池满充满放次数确定模型中包含的至少一个预测模块,并生成与至少一个所述预测模块对应的初始满充满放次数;
计算至少一个所述初始满充满放次数的平均值,并确定为所述待测电池的所述满充满放次数。
可选地,根据权利要求1所述的方法,其特征在于,所述生成与所述待测电池对应的电池状态特征的步骤还包括:
所述历史工作累计信息还包括使用所述待测电池行进的总行驶里程。
可选地,将预先获取的样本电池对应的电池状态特征中的所述历史工作累计信息中的总充电时长不在第一数值区间、总工作时长不在第二数值区间内和所述总行驶里程不在第四数值区间内的所述电池状态特征剔除,以及将所述电池状态特征中的所述电池性能信息不在第三数值区间的所述电池状态特征剔除,并将剔除后的所述电池状态特征分为训练样本集和测试样本集;
将所述训练样本集输入待训练的所述电池满充满放次数确定模型,并使用所述测试样本集对所述电池满充满放次数确定模型进行优化。
在本发明的另一个实施例中,提供了一种确定电池满充满放次数的装置,该装置包括:
获取模块,用于获取待测电池消耗每个单位电量值内的实际耗能数值,并将在预设时间范围内的至少一个所述实际耗能数值作为所述待测电池在所述预设时间范围内的电池性能信息;
生成模块,用于基于所述电池性能信息、以及所述待测电池在所述预设时间范围内的所述历史工作累计信息和所述总充电次数,生成与所述待测电池对应的电池状态特征;
确定模块,用于将所述电池状态特征输入预先训练的电池满充满放次数确定模型,确定所述待测电池的满充满放次数。
可选地,所述获取模块包括:
计算单元,用于在所述待测电池对应的所述实际耗能数值中选取在所述预设时间范围内的至少一个所述实际耗能数值,计算至少一个所述实际耗能数值的平均值;
第一生成单元,用于基于所述实际耗能数值的平均值与所述待测电池的身份标识,生成与所述待测电池对应的所述电池性能信息。
在本发明的另一个实施例中,提供了一种非瞬时计算机可读存储介质,所述非瞬时计算机可读存储介质存储指令,所述指令在由处理器执行时使得所述处理器执行上述一种确定电池满充满放次数的方法中的各个步骤。
在本发明的另一个实施例中,提供了一种终端设备,包括处理器,所述处理器用于执行上述一种确定电池满充满放次数的方法中的各个步骤。
基于上述实施例,首先获取待测电池消耗每个单位电量值内的实际耗能数值,并将在预设时间范围内的至少一个实际耗能数值作为待测电池在预设时间范围内的电池性能信息,其次,基于电池性能信息、以及待测电池在时间范围内的历史工作累计信息和总充电次数,生成与待测电池对应的电池状态特征,最后,将电池状态特征输入预先训练的电池满充满放次数确定模型,确定待测电池的满充满放次数。本申请实施例通过构造与电池的满充满放次数的相关的多个特征值,并训练电池满充满放次数确定模型,以计算出电池的满充满放次数。通过前述方法提升了电池满充满放次数的计算效率和精度,降低了计算成本。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例100所提供的一种确定电池满充满放次数的方法的流程示意图;
图2示出了本申请实施例200提供的一种确定电池满充满放次数的方法的具体流程的示意图;
图3示出了本申请实施例300提供的一种电池满充满放预测模型的训练步骤的的示意图;
图4示出了本申请实施例400提供的另一种确定电池满充满放次数的方法的具体流程的示意图;
图5示出了本申请实施例500提供的另一种电池满充满放预测模型的训练步骤的的示意图;
图6示出了本申请实施例600还提供一种确定电池满充满放次数的装置的示意图;
图7示出了本申请实施例700所提供的一种终端设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
基于现有技术中的问题,本申请实施例提供了一种确定电池满充满放次数的方法,主要适用于储能控制技术领域。通过选取待测电池的多个数据指标对电池满充满放次数确定模型进行训练和优化,以较低成本且较为精确地计算出待测电池的满充满放次数。下面以具体实施例对本发明的技术方案进行详细说明,以实现一种确定电池满充满放次数的方法。以下几个具体实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。如图1所示,为本申请实施例100提供的一种确定电池满充满放次数的方法的流程示意图。
其中,详细步骤如下:
S11,获取待测电池消耗每个单位电量值内的实际耗能数值,并将在预设时间范围内的至少一个实际耗能数值作为待测电池在预设时间范围内的电池性能信息。
本步骤中,首先统计每个待测电池在每一个时间点上的当前电流、电压、电量、电池温度、充电状态以及满充满放次数。进一步地,通过前述数据获取待测电池消耗每个单位电量值内的实际耗能数值,如当该待测电池用于带动自动引导小车(Automated GuidedVehicle,AGV)时,AGV小车每消耗1%电量时的实际近似做功量可作为该待测电池消耗每个单位电量值内的实际耗能数值。其中,单位电量值可以基于业务需要设置区间。进一步地,基于设定的预设时间范围,获取该待预电池消耗每个单位电量值内的实际耗能数值。其中,预设时间范围为一段时间段,如设定预设时间范围为2019年6月12日0时至2019年6月13日0时之间,则获取该预设时间范围内的该待测电池的至少一个实际耗能数值作为电池性能信息。
S12,基于电池性能信息、以及待测电池在预设时间范围内的历史工作累计信息和总充电次数,生成与待测电池对应的电池状态特征。
本步骤中,待测电池的满充满放次数与待测电池的历史工作状况有非常强的关联性。如使用某个待测电池的一辆AGV小车的出厂批次越早,投入生产越早,那么它的工作时间就越长。相应的,历史工作累计信息和总充电量就会越高,必然导致其有更高的满充满放次数。因此,将待测电池在预设时间范围内的历史工作累计信息和总充电次数作为影响待测电池的满充满放次数的表征。其中,历史工作累计信息包括总充电时长和总工作时长。进一步地,在获取了待测电池在预设时间范围内的电池性能信息、历史工作累计信息和总充电次数后,与待测电池的身份标识关联,生成与待测电池对应的电池状态特征。其中,电池状态特征一般由获取的电池性能信息、历史工作累计信息和总充电次数的数据进行拼接生成。
S13,将电池状态特征输入预先训练的电池满充满放次数确定模型,确定待测电池的满充满放次数。
本步骤中,电池满充满放次数确定模型基于之前获取的电池的电池性能信息、历史工作累计信息和总充电次数组成的电池状态特征形成的数据集进行训练和优化。将前述方法获取的电池状态特征输入预先训练的电池满充满放次数确定模型,并确定待测电池的满充满放次数。
如上所述,基于上述实施例,首先获取待测电池消耗每个单位电量值内的实际耗能数值,并将在预设时间范围内的至少一个实际耗能数值作为待测电池在预设时间范围内的电池性能信息,其次,基于电池性能信息、以及待测电池在时间范围内的历史工作累计信息和总充电次数,生成与待测电池对应的电池状态特征,最后,将电池状态特征输入预先训练的电池满充满放次数确定模型,确定待测电池的满充满放次数。本申请实施例通过构造与电池的满充满放次数的相关的多个特征值,并训练电池满充满放次数确定模型,以计算出电池的满充满放次数。通过前述方法提升了电池满充满放次数的计算效率和精度,降低了计算成本。
如图2所示,为本申请实施例200提供的一种确定电池满充满放次数的方法的具体流程的示意图。其中,该具体流程的详细过程如下:
S201,获取待测电池消耗每个单位电量值内的实际耗能数值。
这里,根据待测电池耗费每个电量值时对应的数据作为一个切片,即待测电池基于耗费地每个电量值内包含多个样本数据,样本数据中包括电流、电压和耗费时间,计算耗费时间内的耗能W=U*I*t作为待测电池消耗每个单位电量值内的实际耗能数值。
S202,将在预设时间范围内的至少一个实际耗能数值作为待测电池在预设时间范围内的电池性能信息。
这里,在待测电池对应的实际耗能数值中选取在预设时间范围内的至少一个实际耗能数值,计算至少一个实际耗能数值的平均值;基于实际耗能数值的平均值与待测电池的身份标识,生成与待测电池对应的电池性能信息。具体的,选择数据量比较完整的时间段作为预设时间范围。如2019年6月12日0时至2019年6月13日0之间待测电池的实际耗能数值较为完整,则选取该预设时间范围内待测电池对应的至少一个实际耗能数值,计算其平均值或选取中位数与该待测电池的身份标识进行关联,生成该待测电池对应在预设时间范围内的电池性能信息。
S203,获取待测电池在预设时间范围内的历史工作累计信息。
这里,待测电池的满充满放次数一般与电池的历史工作状况有一定的关联性。当电池的使用时间越早,其总工作时间和总充电时长就越高,可能导致该电池具有较高的满充满放次数。其中,历史工作累计信息包括待测电池的总充电时长和总工作时长。
S204,获取待测电池在预设时间范围内的总充电次数。
S205,基于电池性能信息、以及待测电池在预设时间范围内的历史工作累计信息和总充电次数,生成与待测电池对应的电池状态特征。
这里,将电池性能信息、历史工作累计信息和总充电次数进行拼接,与对应的待测电池的身份信息关联,生成与待测电池对应的电池状态特征。
S206,将待测电池对应的电池状态特征输入预先训练的电池满充满放次数确定模型,确定待测电池的满充满放次数。
这里,将电池状态特征输入预先训练的电池满充满放次数确定模型中,经过电池满充满放次数确定模型中包含的至少一个预测模块,并生成与至少一个预测模块对应的初始满充满放次数。进一步地,计算至少一个初始满充满放次数的平均值,并确定为待测电池的满充满放次数。其中,电池满充满放次数确定模型可以包括至少一个预测模块,预测模块可以为Ridge Regression回归模块、最小绝对收缩选择算子(Least Absoulute Shrinkageand Selection Operator,Lasso)、随机森林和梯度提升迭代决策树(Gradient BoostingDecision Tree,GBDT)分别计算待测电池的满充满放次数。具体的,Ridge和Lasso的预测模块使用Ridge回归对自变量进行压缩,牺牲其无偏性以提高其有效性进而提高模型的整体效率;另一方面,作为另一种benchmark采用Lasso稀疏回归将不重要的变量压缩为0以减少模型的复杂度,通过测试结果进行对比。其中最优参数选取方式为十折交叉验证。采用随机森林的预测模块属于集成算法。该算法有两大优点,一是运行速度快,二是预测准确率高。其中最优参数选取方式为十折交叉验证。采用GBDT的预测模块是集成学习的典型代表之一,是boosting算法的一种。其中最优参数选取方式为五折交叉验证。
进一步地,在使用上述几个预测模块分别计算出待测电池的初始满充满放次数,并取其平均值作为该待测电池的满充满放次数。另外,也可使用中位数或方差等形式确定最终的待检测电池的满充满放次数。
如图3所示,为本申请实施例300提供的一种电池满充满放次数确定模型的训练步骤的具体示意图,其中,具体步骤如下所示:
S301,获取样本电池的在多个预设时间范围内的电池性能信息、历史工作累计信息和总充电次数,并生与样本电池成对应的电池状态特征。
这里,选取可以上报满充满放次数的电池作为样本电池。同时,获取多个样本电池在多个预设时间范围内的由电池性能信息、历史工作累计信息和总充电次数关联后生成的电池状态特征,组成用于训练电池满充满放次数确定模型的数据集。
S302,过滤不符合预设条件的电池状态特征。
这里,在过滤不符合预设条件的电池状态特征之前,首先剔除获取的数据集中的异常值。对于异常值的判定主要包括以下两种:
第一种异常值:按照单位比率=总充电时长/满充满放次数判断异常值。例如某些样本电池的历史工作累计信息很低,但其满充满放次数却很大。一般地,电池的小车单位比率稳定在第一比率值左右,当电池的单位比率值极高或极低,与第一比率值相差较大的样本电池的电池状态特征予以剔除。其中,第一比率值的最佳实施例为100,若单位比率值远低于100,如为10,或单位比率值远高于100,如为200,此类电池状态特征剔除后并不会影响样本质量。
第二种异常值:样本电池的满充满放次数随着时间突然增大或减小,这类样本电池的电池状态特征予以剔除。
进一步地,将电池状态特征中的历史工作累计信息中的总充电时长不在第一数值区间、总工作时长不在第二数值区间内的电池状态特征剔除,以及将电池状态特征中的电池性能信息不在第三数值区间的电池状态特征剔除,并将剔除后的电池状态特征分为训练样本集和测试样本集。具体的,如表1所示,为基于统计后各个变量与满充满放次数的相关系数。根据总充电时长、总工作时长和电池性能信息与电池的满充满放次数的强相关性,继续过滤电池状态特征中不符合预设条件的数据。预设条件中的第一数值区间、第二数值区间和第三数值区间基于业务需要进行设定。
变量 | 相关系数 |
总充电时长 | 0.991470 |
总工作时长 | 0.942373 |
电池性能信息 | 0.126592 |
表1
S303,使用样本电池对应的电池状态特征作为数据集对电池满充满放次数确定模型进行训练和优化。
这里,将训练样本集输入待训练的电池满充满放次数确定模型,并使用测试样本集对电池满充满放次数确定模型进行优化。电池满充满放次数确定模型可以包括至少一个预测模块,预测模块可以为Ridge Regression回归模块、最小绝对收缩选择算子(LeastAbsoulute Shrinkage and Selection Operator,Lasso)、随机森林和梯度提升迭代决策树(Gradient Boosting Decision Tree,GBDT)分别计算待测电池的满充满放次数。
具体的,Ridge和Lasso的预测模块使用Ridge回归对自变量进行压缩,牺牲其无偏性以提高其有效性进而提高模型的整体效率;另一方面,作为另一种batchmark采用Lasso稀疏回归将不重要的变量压缩为0以减少模型的复杂度,通过测试结果进行对比。其中最优参数选取方式为十折交叉验证。选用样本电池的电池状态特征和对应的实际的满充满放次数进行交叉检验获取最优参数,进行预测模块的模型拟合,对该预测模块进行优化,返回最佳的满充满放次数。
采用随机森林的预测模块属于集成算法。该算法有两大优点,一是运行速度快,二是预测准确率高。其中最优参数选取方式为十折交叉验证。其中,将获取的样本电池的电池状态特征输入预测模块,基于实际的满充满放次数测试预测模块的参数,并进行拟合,对随机森林的预测模块进行优化。
采用GBDT的预测模块是集成学习的典型代表之一,是boosting算法的一种。其中最优参数选取方式为五折交叉验证,选用创建的样本电池的电池状态特征的超参数的取值,使用网络搜索算法选择梯度提升树的合理参数组合,进行GBDT的预测模块的训练。
进一步地,基于上述的多个预测模块,在优化后将多个预测模块的预测值的平均数或中位数作为电池满充满放次数确定模型的输出值。
另外,若待测电池和样本电池均使用于AGV上时,将AGV的数据与电池自身的数据结合进行电池满充满放次数确定模型的训练和最终的预测。如图4所示,为本申请是本申请实施例提供的另一种确定电池满充满放次数的方法的具体流程的示意图。具体的,如下所示:
S401,获取待测电池所在AGV消耗每个单位电量值内的实际耗能数值。
这里,根据待测电池所在的AGV在耗费每个电量值时对应的数据作为一个切片,与步骤S201相似地,获取AGV是在做功消耗每个单位电量值内的实际耗能数值。
S402,将在预设时间范围内的至少一个实际耗能数值作为待测电池所在AGV在预设时间范围内的电池性能信息。
S403,获取待测电池所在的AGV在预设时间范围内的历史工作累计信息。
这里,AGV的待测电池的满充满放次数一般与AGV的历史工作状况较大关联性。若AGV的出场批次越早,投入生产越早,其总工作时间和总充电时长就越高。相应的,满充满放次数也会增大。其中,历史工作累计信息包括待测电池的总充电时长、总工作时长和总行驶里程。
S404,获取待测电池所在AGV在预设时间范围内的总充电次数。
S405,基于电池性能信息、以及待测电池在预设时间范围内的历史工作累计信息和总充电次数,生成与AGV对应的电池状态特征。
这里,将电池性能信息、历史工作累计信息和总充电次数进行拼接,与对应的AGV的身份信息关联,生成与AGV对应的电池状态特征。
S406,将待测电池所在的AGV对应的电池状态特征输入预先训练的电池满充满放次数确定模型,确定待测电池的满充满放次数。
如图5所示,为本申请实施例500提供的一种电池满充满放次数确定模型的训练步骤的具体示意图,其中,具体步骤如下所示:
S501,获取样本电池所在的AGV在多个预设时间范围内的电池性能信息、历史工作累计信息和总充电次数,并生与样本电池成对应的电池状态特征。
这里,选取可以上报满充满放次数的AGV的电池作为样本电池。同时,获取多个样本电池在多个预设时间范围内的由电池性能信息、历史工作累计信息和总充电次数关联后生成的电池状态特征,组成用于训练电池满充满放次数确定模型的数据集。
S502,过滤不符合预设条件的电池状态特征。
这里,与步骤S302一致地,在提出异常值后,进一步过滤不符合预设条件的电池状态特征。具体的,将电池状态特征中的历史工作累计信息中的总充电时长不在第一数值区间、总工作时长不在第二数值区间内,以及AGV的总行驶里程不在第四数值区间内的电池状态特征剔除,以及将电池状态特征中的电池性能信息不在第三数值区间的电池状态特征剔除,并将剔除后的电池状态特征分为训练样本集和测试样本集。具体的,如表1所示,为基于统计后各个变量与满充满放次数的相关系数。根据总充电时长、总工作时长、总行驶里程和电池性能信息与电池的满充满放次数的强相关性,继续过滤电池状态特征中不符合预设条件的数据。预设条件中的第一数值区间、第二数值区间、第四数值区间和第三数值区间基于业务需要进行设定。
变量 | 相关系数 |
总充电时长 | 0.991470 |
总行驶里程 | 0.976865 |
总工作时长 | 0.942373 |
电池性能信息 | 0.126592 |
表2
S503,使用样本电池所在的AGV对应的电池状态特征作为数据集对电池满充满放次数确定模型进行训练和优化。
这里,与步骤S303的训练步骤相似地,将训练样本集输入待训练的电池满充满放次数确定模型,并使用测试样本集对电池满充满放次数确定模型进行优化。
本申请基于上述步骤实现一种确定电池满充满放次数的方法。通过从已上报满充满放次数的电池或AGV的历史数据中提取出与电池的满充满放次数相关联的一系列指标数据,经过转换和处理后,建立电池满充满放次数确定模型,预测未上报的AGV使用的电池或者待测电池的满充满放次数的实际值。从而提供更为精确的电池健康度评分,在经济上具有可实现性,具备大规模应用的能力。
基于同一发明构思,本申请实施例600还提供一种确定电池满充满放次数的装置,其中,如图6所示,该装置包括:
获取模块61,用于获取待测电池消耗每个单位电量值内的实际耗能数值,并将在预设时间范围内的至少一个实际耗能数值作为待测电池在预设时间范围内的电池性能信息;
生成模块62,用于基于电池性能信息、以及待测电池在预设时间范围内的历史工作累计信息和总充电次数,生成与待测电池对应的电池状态特征;
确定模块63,用于将电池状态特征输入预先训练的电池满充满放次数确定模型,确定待测电池的满充满放次数。
本实施例中,获取模块61、生成模块62和确定模块63的具体功能和交互方式,可参见图1对应的实施例的记载,在此不再赘述。
可选地,获取模块61包括:
计算单元,用于在待测电池对应的实际耗能数值中选取在预设时间范围内的至少一个实际耗能数值,计算至少一个实际耗能数值的平均值;
生成单元,用于基于实际耗能数值的平均值与待测电池的身份标识,生成与待测电池对应的电池性能信息。
如图7所示,本申请的又一实施例700还提供一种终端设备,包括处理器701,其中,处理器701用于执行上述一种确定电池满充满放次数的方法的步骤。从图7中还可以看出,上述实施例提供的终端设备还包括非瞬时计算机可读存储介质702,该非瞬时计算机可读存储介质702上存储有计算机程序,该计算机程序被处理器701运行时执行上述一种确定电池满充满放次数的方法的步骤。实际应用中,该终端设备可以是一台或多台计算机,只要包括上述计算机可读介质和处理器即可。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘和FLASH等,该存储介质上的计算机程序被运行时,能够执行上述的一种确定电池满充满放次数的方法中的各个步骤。实际应用中,所述的计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的,也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或多个程序被执行时,能够执行上述的一种确定电池满充满放次数的方法中的各个步骤。
根据本申请公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件,或者上述的任意合适的组合,但不用于限制本申请保护的范围。在本申请公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本申请附图中的流程图和框图,示出了按照本申请公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或者代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应该注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同附图中所标注的顺序发生。例如,两个连接地表示的方框实际上可以基本并行地执行,它们有时也可以按照相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或者流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本申请中。特别地,在不脱离本申请精神和教导的情况下,本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,所有这些组合和/或结合均落入本申请公开的范围。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行变更或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些变更、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种确定电池满充满放次数的方法,其特征在于,包括:
获取待测电池消耗每个单位电量值内的实际耗能数值,并将在预设时间范围内的至少一个所述实际耗能数值作为所述待测电池在所述预设时间范围内的电池性能信息;
基于所述电池性能信息、以及所述待测电池在所述预设时间范围内的所述历史工作累计信息和所述总充电次数,生成与所述待测电池对应的电池状态特征;
将所述电池状态特征输入预先训练的电池满充满放次数确定模型,确定所述待测电池的满充满放次数。
2.根据权利要求1所述的方法,其特征在于,所述并将在预设时间范围内的至少一个所述实际耗能数值作为所述待测电池在所述预设时间范围内的电池性能信息的步骤包括:
在所述待测电池对应的所述实际耗能数值中选取在所述预设时间范围内的至少一个所述实际耗能数值,计算至少一个所述实际耗能数值的平均值;
基于所述实际耗能数值的平均值与所述待测电池的身份标识,生成与所述待测电池对应的所述电池性能信息。
3.根据权利要求2所述的方法,其特征在于,在所述将所述电池状态特征输入预先训练的电池满充满放次数确定模型的步骤中,包括对所述电池满充满放次数确定模型进行训练的步骤:
将预先获取的样本电池对应的电池状态特征中的所述历史工作累计信息中的总充电时长不在第一数值区间、总工作时长不在第二数值区间内的所述电池状态特征剔除,以及将所述电池状态特征中的所述电池性能信息不在第三数值区间的所述电池状态特征剔除,并将剔除后的所述电池状态特征分为训练样本集和测试样本集;
将所述训练样本集输入待训练的所述电池满充满放次数确定模型,并使用所述测试样本集对所述电池满充满放次数确定模型进行优化。
4.根据权利要求1所述的方法,其特征在于,所述确定所述待测电池的满充满放次数的步骤包括:
将所述电池状态特征输入预先训练的所述电池满充满放次数确定模型中,经过所述电池满充满放次数确定模型中包含的至少一个预测模块,并生成与至少一个所述预测模块对应的初始满充满放次数;
计算至少一个所述初始满充满放次数的平均值,并确定为所述待测电池的所述满充满放次数。
5.根据权利要求1所述的方法,其特征在于,所述生成与所述待测电池对应的电池状态特征的步骤还包括:
所述历史工作累计信息还包括使用所述待测电池行进的总行驶里程。
6.根据权利要求5所述的方法,其特征在于,在所述将所述电池状态特征输入预先训练的电池满充满放次数确定模型的步骤中,还包括对所述电池满充满放次数确定模型进行训练的步骤:
将预先获取的样本电池对应的电池状态特征中的所述历史工作累计信息中的总充电时长不在第一数值区间、总工作时长不在第二数值区间内和所述总行驶里程不在第四数值区间内的所述电池状态特征剔除,以及将所述电池状态特征中的所述电池性能信息不在第三数值区间的所述电池状态特征剔除,并将剔除后的所述电池状态特征分为训练样本集和测试样本集;
将所述训练样本集输入待训练的所述电池满充满放次数确定模型,并使用所述测试样本集对所述电池满充满放次数确定模型进行优化。
7.一种确定电池满充满放次数的装置,其特征在于,所述装置包括:
获取模块,用于获取待测电池消耗每个单位电量值内的实际耗能数值,并将在预设时间范围内的至少一个所述实际耗能数值作为所述待测电池在所述预设时间范围内的电池性能信息;
生成模块,用于基于所述电池性能信息、以及所述待测电池在所述预设时间范围内的所述历史工作累计信息和所述总充电次数,生成与所述待测电池对应的电池状态特征;
确定模块,用于将所述电池状态特征输入预先训练的电池满充满放次数确定模型,确定所述待测电池的满充满放次数。
8.根据权利要求5所述的装置,其特征在于,所述获取模块包括:
计算单元,用于在所述待测电池对应的所述实际耗能数值中选取在所述预设时间范围内的至少一个所述实际耗能数值,计算至少一个所述实际耗能数值的平均值;
第一生成单元,用于基于所述实际耗能数值的平均值与所述待测电池的身份标识,生成与所述待测电池对应的所述电池性能信息。
9.一种非瞬时计算机可读存储介质,其特征在于,所述非瞬时计算机可读存储介质存储指令,所述指令在由处理器执行时使得所述处理器执行如权利要求1至6任一项所述的一种确定电池满充满放次数的方法中的各个步骤。
10.一种终端设备,其特征在于,包括处理器,所述处理器用于执行如权利要求1至6中任一项所述的一种确定电池满充满放次数的方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397301.8A CN113655397A (zh) | 2020-05-12 | 2020-05-12 | 一种确定电池满充满放次数的方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397301.8A CN113655397A (zh) | 2020-05-12 | 2020-05-12 | 一种确定电池满充满放次数的方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113655397A true CN113655397A (zh) | 2021-11-16 |
Family
ID=78488707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010397301.8A Pending CN113655397A (zh) | 2020-05-12 | 2020-05-12 | 一种确定电池满充满放次数的方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113655397A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040041008A (ko) * | 2002-11-08 | 2004-05-13 | 엠텍주식회사 | 스마트 배터리의 재충전 횟수 계수 방법과 이를 이용한완전 충전 용량 보정 방법 및 잔량 보정 장치 |
CN102306943A (zh) * | 2011-09-15 | 2012-01-04 | 河北工业大学 | 锂离子电池管理系统 |
JP2017073370A (ja) * | 2015-10-09 | 2017-04-13 | 株式会社ピューズ | 蓄電池保全装置、及び、蓄電池保全方法 |
CN107607875A (zh) * | 2017-08-15 | 2018-01-19 | 北京智行鸿远汽车有限公司 | 基于循环次数统计的锂电池soh估计方法 |
CN107728072A (zh) * | 2017-10-10 | 2018-02-23 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池循环寿命的快速预测方法 |
CN108688479A (zh) * | 2017-04-06 | 2018-10-23 | 中兴通讯股份有限公司 | 一种电池管理方法、装置及系统 |
CN110598300A (zh) * | 2019-09-05 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池soh预测方法及装置 |
CN110609233A (zh) * | 2019-10-25 | 2019-12-24 | 沃特威(广州)电子科技有限公司 | 一种基于大数据进行储能电池soh预测的方法 |
-
2020
- 2020-05-12 CN CN202010397301.8A patent/CN113655397A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040041008A (ko) * | 2002-11-08 | 2004-05-13 | 엠텍주식회사 | 스마트 배터리의 재충전 횟수 계수 방법과 이를 이용한완전 충전 용량 보정 방법 및 잔량 보정 장치 |
CN102306943A (zh) * | 2011-09-15 | 2012-01-04 | 河北工业大学 | 锂离子电池管理系统 |
JP2017073370A (ja) * | 2015-10-09 | 2017-04-13 | 株式会社ピューズ | 蓄電池保全装置、及び、蓄電池保全方法 |
CN108688479A (zh) * | 2017-04-06 | 2018-10-23 | 中兴通讯股份有限公司 | 一种电池管理方法、装置及系统 |
CN107607875A (zh) * | 2017-08-15 | 2018-01-19 | 北京智行鸿远汽车有限公司 | 基于循环次数统计的锂电池soh估计方法 |
CN107728072A (zh) * | 2017-10-10 | 2018-02-23 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池循环寿命的快速预测方法 |
CN110598300A (zh) * | 2019-09-05 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池soh预测方法及装置 |
CN110609233A (zh) * | 2019-10-25 | 2019-12-24 | 沃特威(广州)电子科技有限公司 | 一种基于大数据进行储能电池soh预测的方法 |
Non-Patent Citations (1)
Title |
---|
陈德海, 华铭, 徐王娟, 任永昌: "基于二分法查找-伪循环次数法的动力电池健康状态实时预测", 汽车技术, no. 4, 24 April 2019 (2019-04-24), pages 29 - 33 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
CN112098848B (zh) | 一种电池放电容量预测方法、系统及可读存储介质 | |
JP5936711B2 (ja) | 蓄電デバイスの寿命予測装置及び蓄電デバイスの寿命予測方法 | |
CN114072684A (zh) | 在服务器侧表征能重复充电的电池 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
US20200292620A1 (en) | Battery life learning device, battery life prediction device, method and non-transitory computer readable medium | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
KR20160000317A (ko) | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 | |
JP7299274B2 (ja) | 電池モデル構築方法及び電池劣化予測装置 | |
CN103399280B (zh) | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 | |
CN111448467A (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
CN112904208A (zh) | 用于估计电池单元的开路电压的方法和系统 | |
CN111157911B (zh) | 一种电池包压差过大的预测方法、装置及设备 | |
CN114290960B (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
JP6036404B2 (ja) | 蓄電池制御システム及びその蓄電池劣化度予測方法 | |
CN111639442A (zh) | 一种动力锂电池剩余使用寿命的影响因素筛选方法及系统 | |
KR20200056716A (ko) | 배터리 soh 산출 시스템 및 방법 | |
Eleftheriadis et al. | Comparative study of machine learning techniques for the state of health estimation of li-ion batteries | |
CN113655397A (zh) | 一种确定电池满充满放次数的方法、装置和存储介质 | |
CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
CN115291113A (zh) | 一种统一的锂离子电池soc、soh和rul的联合估计方法及系统 | |
CN113743664B (zh) | 一种基于随机片段数据的锂电池状态估计方法及系统 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 |
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 |