CN113673157A - 电池容量预测模型的训练方法、装置、电子设备和介质 - Google Patents
电池容量预测模型的训练方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113673157A CN113673157A CN202110952398.9A CN202110952398A CN113673157A CN 113673157 A CN113673157 A CN 113673157A CN 202110952398 A CN202110952398 A CN 202110952398A CN 113673157 A CN113673157 A CN 113673157A
- Authority
- CN
- China
- Prior art keywords
- battery
- battery capacity
- charging
- predicted
- algorithm
- 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 50
- 238000012549 training Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 114
- 238000012417 linear regression Methods 0.000 claims abstract description 19
- 125000004122 cyclic group Chemical group 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种电池容量预测模型的训练方法、装置、电子设备和介质。该方法中获取至少一个电池的历史充电数据,历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应荷电状态值增量;对于任一电池的历史充电数据,基于每次充电的充电量和相应荷电状态值增量,获取电池的电池容量数据集,电池容量数据集包括电池的电池标识和每次充电对应的电池容量;基于充电时间的顺序,采用预设趋势预测算法,对至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型;其中,预设趋势预测算法为指数回归算法和线性回归算法的组合算法。该方法提高了电池容量预测的准确性。
Description
技术领域
本申请涉及电池充放电技术领域,具体而言,涉及一种电池容量预测模型的训练方法、装置、电子设备和介质。
背景技术
随着社会的发展,人们的环保意识逐渐增强,越来越多人使用新能源车辆。目前,在我国新能源车辆多是电动车辆,其中,电动车辆主要由存储在动力电池,如蓄电池组内的电能为车辆的行驶提供动力,具有零污染、零排放的优点。
蓄电池组由多节蓄电池串联后供电,蓄电池容量下降到80%以后性能会有急剧的衰退,容易失效。若单个蓄电池失效,则整个蓄电池组也将失效,对于电动车辆会因为蓄电池组失效而不能行驶,容易造成交通事故,故需对每节蓄电池进行容量预测。
目前,一般采用高斯过程回归用于蓄电池容量的预测,然而采用该方法对蓄电池进行容量预测时,对计算硬件要求高,且计算过程易出错,导致预测的准确性不高。
发明内容
本申请实施例的目的在于提供一种电池容量预测模型的训练方法、装置、电子设备和介质,用以解决现有技术存在的上述问题,提高了电池容量预测的准确性。
第一方面,提供了一种电池容量预测模型的训练方法,该方法可以包括:
获取至少一个电池的历史充电数据,所述历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应荷电状态值SOC增量;
对于任一电池的历史充电数据,基于每次充电的充电量和相应SOC增量,获取所述电池的电池容量数据集,所述电池容量数据集包括所述电池的电池标识和每次充电对应的电池容量;
基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型;其中,所述预设趋势预测算法为指数回归算法和线性回归算法的组合算法;所述电池容量预测模型用于预测所述每个电池的电池容量的变化趋势。
在一个可选的实现中,基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型,包括:
根据所述充电时间的顺序,获取所述每个电池的累计充电天数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计充电天数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计充电天数的变化趋势。
在一个可选的实现中,基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型,包括:
根据所述充电时间的顺序和每次充电时间对应的SOC增量,获取所述每个电池的SOC从0至100的累计循环充电次数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计循环充电次数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计循环充电次数的变化趋势。
在一个可选的实现中,所述预设趋势预测算法表示为:
在一个可选的实现中,建立电池容量预测模型之后,所述方法还包括:
获取用户触发的电池容量的预测请求,所述预测请求包括待预测的累计充电天数或待预测的累计循环充电次数;
将所述待预测的累计充电天数或所述待预测的累计循环充电次数,以及目标电池的电池标识输入所述电池容量预测模型,通过所述预设趋势预测算法,对所述目标电池在达到所述待预测的累计充电天数或所述待预测的累计循环充电次数时的电池容量进行预测,获取所述电池容量预测模型输出的所述目标电池的预测电池容量;
将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述预测电池容量。
在一个可选的实现中,获取所述电池容量预测模型输出的所述目标电池的预测电池容量之后,所述方法还包括:
生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线;
将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述历史电池容量的衰减曲线和所述预测的电池容量的衰减曲线。
在一个可选的实现中,生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线,所述方法还包括:
基于所述历史电池容量的衰减曲线和预测的电池容量的衰减曲线的曲线斜率,确定所述目标电池的衰减状态,所述衰减状态包括正常衰减状态和异常衰减状态。
第二方面,提供了一种电池容量预测模型的训练装置,该装置可以包括:
获取单元,用于获取至少一个电池的历史充电数据,所述历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应SOC增量;
以及,对于任一电池的历史充电数据,基于每次充电的充电量和相应SOC增量,获取所述电池的电池容量数据集,所述电池容量数据集包括所述电池的电池标识和每次充电对应的电池容量;
建立单元,用于基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型;其中,所述预设趋势预测算法为指数回归算法和线性回归算法的组合算法;所述电池容量预测模型用于预测所述每个电池的电池容量的变化趋势。
在一个可选的实现中,所述建立单元,具体用于:
根据所述充电时间的顺序,获取所述每个电池的累计充电天数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计充电天数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计充电天数的变化趋势。
在一个可选的实现中,所述建立单元,还具体用于:
根据所述充电时间的顺序和每次充电时间对应的SOC增量,获取所述每个电池的SOC从0至100的累计循环充电次数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计循环充电次数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计循环充电次数的变化趋势。
在一个可选的实现中,所述预设趋势预测算法表示为:
在一个可选的实现中,所述装置还包括:发送单元;
所述获取单元,还用于获取用户触发的电池容量的预测请求,所述预测请求包括待预测的累计充电天数或待预测的累计循环充电次数;
以及,将所述待预测的累计充电天数或所述待预测的累计循环充电次数,以及目标电池的电池标识输入所述电池容量预测模型,通过所述预设趋势预测算法,对所述目标电池在达到所述待预测的累计充电天数或所述待预测的累计循环充电次数时的电池容量进行预测,获取所述电池容量预测模型输出的所述目标电池的预测电池容量;
所述发送单元,用于将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述预测电池容量。
在一个可选的实现中,所述装置还包括:生成单元;
所述生成单元,用于生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线;
所述发送单元,还用于将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述历史电池容量的衰减曲线和所述预测的电池容量的衰减曲线。
在一个可选的实现中,所述装置还包括:确定单元;
所述确定单元,用于基于所述历史电池容量的衰减曲线和预测的电池容量的衰减曲线的曲线斜率,确定所述目标电池的衰减状态,所述衰减状态包括正常衰减状态和异常衰减状态。
第三方面,提供了一种电子设备,该电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面中任一所述的方法步骤。
第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本申请提供的电池容量预测模型的训练方法中获取至少一个电池的历史充电数据,历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应SOC增量;对于任一电池的历史充电数据,基于每次充电的充电量和相应SOC增量,获取电池的电池容量数据集,电池容量数据集包括电池的电池标识和每次充电对应的电池容量;基于充电时间的顺序,采用预设趋势预测算法,对至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型;其中,预设趋势预测算法为指数回归算法和线性回归算法的组合算法;电池容量预测模型用于预测每个电池的电池容量的变化趋势。该方法通过指数回归算法和线性回归算法的组合算法对电池的电池容量进行趋势预测,提高了电池容量预测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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为本申请实施例提供的一种电池容量预测模型的训练方法的流程示意图;
图2为本申请实施例提供的一种电池容量预测模型的训练装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
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,并不是全部的实施例。基于本申请实施例,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。
实时对电池的工作指标进行安全检测可预测出电池寿命,以有效降低电动车辆充电安全事故的概率。其中,电池的电池容量是安全检测的一个工作指标。
本申请提供的电池容量预测模型的训练方法是采用指数回归算法和线性回归算法的组合算法,对不同电动车辆电池的历史充电数据进行的电池衰减的建模和衰减趋势的分析,与现有技术的高斯过程回归算法相比,提高了电池容量预测的准确性。
以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
图1为本申请实施例提供的一种电池容量预测模型的训练方法的流程示意图。如图1所示,该方法可以包括:
步骤S110、获取至少一个电池的历史充电数据。
历史充电数据可以包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应荷电状态值(State of Charge,SOC)增量等。
步骤S120、对于任一电池的历史充电数据,基于每次充电的充电量和相应SOC增量,获取电池的电池容量数据集。
具体实施中,由于在不同的SOC阶段,SOC每增长1%,实际充进电池的电量是不等的。若要计算当次充电后,通常将当次充电时间对应的充电量与相应SOC增量的比值,确定为该电池的当前容量,即当前容量为充电量与相应SOC增量的商。
由此可以得到每个电池的历史充电数据对应的电池容量数据集,该电池容量数据集可以包括电池的电池标识和每次充电对应的电池容量。
步骤S130、基于充电时间的顺序,采用预设趋势预测算法,对至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型。
其中,预设趋势预测算法为指数回归算法和线性回归算法的组合算法;电池容量预测模型用于预测每个电池的电池容量的变化趋势。
一种实施方式中,根据充电时间的顺序,获取每个电池的累计充电天数;
采用预设趋势预测算法,对每个电池的电池容量数据集进行累计充电天数的迭代预测,建立电池容量预测模型。
此时,电池容量预测模型用于预测电池的电池容量随累计充电天数的变化趋势。
另一种实施方式中,根据充电时间的顺序和每次充电时间对应的SOC增量,获取每个电池的SOC从0至100的累计循环充电次数;
采用预设趋势预测算法,对每个电池的电池容量数据集进行累计循环充电次数的迭代预测,建立电池容量预测模型。
此时,电池容量预测模型用于预测电池的电池容量随累计循环充电次数的变化趋势。
进一步的,预设趋势预测算法可以表示为:
基于上述任一实施例,在建立电池容量预测模型之后,为了使用户可以实时查看电池的电池容量,以使在电池容量衰减到80%之前停止使用该电池,用户可以通过用户终端向电池容量预测模型所在的系统发送电池容量预测请求,该预测请求可以包括待预测的累计充电天数或待预测的累计循环充电次数,在电池容量预测模型所在系统获取到用户触发的电池容量的预测请求后,将待预测的累计充电天数或待预测的累计循环充电次数,以及目标电池的电池标识输入电池容量预测模型,通过预设趋势预测算法,对目标电池在达到待预测的累计充电天数或待预测的累计循环充电次数时的电池容量进行预测,获取电池容量预测模型输出的目标电池的预测电池容量;并将该预测电池容量发送至用户终端,以通过用户终端向该用户展示该预测电池容量。
基于上述实施例,为了向用户形象的展示该电池的衰减趋势,提高用户体验,在获取电池容量预测模型输出的目标电池的预测电池容量之后,可以按照时间先后顺序,基于历史电池容量和预测的电池容量,生成目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线;并将该预测电池容量发送至用户终端,以通过用户终端向该用户展示历史电池容量的衰减曲线和预测的电池容量的衰减曲线。
进一步的,基于历史电池容量的衰减曲线和预测的电池容量的衰减曲线的曲线斜率,可以确定目标电池的衰减状态,该衰减状态包括正常衰减状态和异常衰减状态。
其中,该曲线斜率的值越大,表明该衰减状态可能处于异常衰减状态,此时可以通过用户终端向用户发送提醒,以避免事故发生。
本申请提供的电池容量预测模型的训练方法中获取至少一个电池的历史充电数据,历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应SOC增量;对于任一电池的历史充电数据,基于每次充电的充电量和相应SOC增量,获取电池的电池容量数据集,电池容量数据集包括电池的电池标识和每次充电对应的电池容量;基于充电时间的顺序,采用预设趋势预测算法,对至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型;其中,预设趋势预测算法为指数回归算法和线性回归算法的组合算法;电池容量预测模型用于预测每个电池的电池容量的变化趋势。该方法通过指数回归算法和线性回归算法的组合算法对电池的电池容量进行趋势预测,提高了电池容量预测的准确性。
基于同一发明构思,本申请实施例中还提供一种电池容量预测模型的训练装置,如图2所示,该装置可以包括:获取单元210和建立单元220;
获取单元210,用于获取至少一个电池的历史充电数据,所述历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应SOC增量;
以及,对于任一电池的历史充电数据,基于每次充电的充电量和相应SOC增量,获取所述电池的电池容量数据集,所述电池容量数据集包括所述电池的电池标识和每次充电对应的电池容量;
建立单元220,用于基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型;其中,所述预设趋势预测算法为指数回归算法和线性回归算法的组合算法;所述电池容量预测模型用于预测所述每个电池的电池容量的变化趋势。
在一个可选的实现中,建立单元220,具体用于:
根据所述充电时间的顺序,获取所述每个电池的累计充电天数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计充电天数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计充电天数的变化趋势。
在一个可选的实现中,建立单元220,还具体用于:
根据所述充电时间的顺序和每次充电时间对应的SOC增量,获取所述每个电池的SOC从0至100的累计循环充电次数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计循环充电次数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计循环充电次数的变化趋势。
在一个可选的实现中,所述预设趋势预测算法表示为:
在一个可选的实现中,所述装置还包括:发送单元230;
获取单元210,还用于获取用户触发的电池容量的预测请求,所述预测请求包括待预测的累计充电天数或待预测的累计循环充电次数;
以及,将所述待预测的累计充电天数或所述待预测的累计循环充电次数,以及目标电池的电池标识输入所述电池容量预测模型,通过所述预设趋势预测算法,对所述目标电池在达到所述待预测的累计充电天数或所述待预测的累计循环充电次数时的电池容量进行预测,获取所述电池容量预测模型输出的所述目标电池的预测电池容量;
发送单元230,用于将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述预测电池容量。
在一个可选的实现中,所述装置还包括:生成单元240;
生成单元240,用于生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线;
发送单元230,还用于将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述历史电池容量的衰减曲线和所述预测的电池容量的衰减曲线。
在一个可选的实现中,所述装置还包括:确定单元250;
确定单元250,用于基于所述历史电池容量的衰减曲线和预测的电池容量的衰减曲线的曲线斜率,确定所述目标电池的衰减状态,所述衰减状态包括正常衰减状态和异常衰减状态。
本申请上述实施例提供的电池容量预测模型的训练装置的各功能单元的功能,可以通过上述各方法步骤来实现,因此,本申请实施例提供的电池容量预测模型的训练装置中的各个单元的具体工作过程和有益效果,在此不复赘述。
本申请实施例还提供了一种电子设备,如图3所示,包括处理器310、通信接口320、存储器330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。
存储器330,用于存放计算机程序;
处理器310,用于执行存储器330上所存放的程序时,实现如下步骤:
获取至少一个电池的历史充电数据,所述历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应SOC增量;
对于任一电池的历史充电数据,基于每次充电的充电量和相应SOC增量,获取所述电池的电池容量数据集,所述电池容量数据集包括所述电池的电池标识和每次充电对应的电池容量;
基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型;其中,所述预设趋势预测算法为指数回归算法和线性回归算法的组合算法;所述电池容量预测模型用于预测所述每个电池的电池容量的变化趋势。
在一个可选的实现中,基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型,包括:
根据所述充电时间的顺序,获取所述每个电池的累计充电天数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计充电天数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计充电天数的变化趋势。
在一个可选的实现中,基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型,包括:
根据所述充电时间的顺序和每次充电时间对应的SOC增量,获取所述每个电池的SOC从0至100的累计循环充电次数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计循环充电次数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计循环充电次数的变化趋势。
在一个可选的实现中,所述预设趋势预测算法表示为:
在一个可选的实现中,建立电池容量预测模型之后,所述方法还包括:
获取用户触发的电池容量的预测请求,所述预测请求包括待预测的累计充电天数或待预测的累计循环充电次数;
将所述待预测的累计充电天数或所述待预测的累计循环充电次数,以及目标电池的电池标识输入所述电池容量预测模型,通过所述预设趋势预测算法,对所述目标电池在达到所述待预测的累计充电天数或所述待预测的累计循环充电次数时的电池容量进行预测,获取所述电池容量预测模型输出的所述目标电池的预测电池容量;
将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述预测电池容量。
在一个可选的实现中,获取所述电池容量预测模型输出的所述目标电池的预测电池容量之后,所述方法还包括:
生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线;
将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述历史电池容量的衰减曲线和所述预测的电池容量的衰减曲线。
在一个可选的实现中,生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线,所述方法还包括:
基于所述历史电池容量的衰减曲线和预测的电池容量的衰减曲线的曲线斜率,确定所述目标电池的衰减状态,所述衰减状态包括正常衰减状态和异常衰减状态。
上述提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图1所示的实施例中的各步骤来实现,因此,本申请实施例提供的电子设备的具体工作过程和有益效果,在此不复赘述。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的电池容量预测模型的训练方法。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的电池容量预测模型的训练方法。
本领域内的技术人员应明白,本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此,本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然,本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样,倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内,则本申请实施例中也意图包含这些改动和变型在内。
Claims (10)
1.一种电池容量预测模型的训练方法,其特征在于,所述方法包括:
获取至少一个电池的历史充电数据,所述历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应荷电状态值增量;
对于任一电池的历史充电数据,基于每次充电的充电量和相应荷电状态值增量,获取所述电池的电池容量数据集,所述电池容量数据集包括所述电池的电池标识和每次充电对应的电池容量;
基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型;其中,所述预设趋势预测算法为指数回归算法和线性回归算法的组合算法;所述电池容量预测模型用于预测所述每个电池的电池容量的变化趋势。
2.如权利要求1所述的方法,其特征在于,基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型,包括:
根据所述充电时间的顺序,获取所述每个电池的累计充电天数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计充电天数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计充电天数的变化趋势。
3.如权利要求1所述的方法,其特征在于,基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型,包括:
根据所述充电时间的顺序和每次充电时间对应的荷电状态值增量,获取所述每个电池的荷电状态值从0至100的累计循环充电次数;
采用预设趋势预测算法,对所述每个电池的电池容量数据集进行累计循环充电次数的迭代预测,建立电池容量预测模型;所述电池容量预测模型用于预测电池的电池容量随累计循环充电次数的变化趋势。
5.如权利要求4所述的方法,其特征在于,建立电池容量预测模型之后,所述方法还包括:
获取用户触发的电池容量的预测请求,所述预测请求包括待预测的累计充电天数或待预测的累计循环充电次数;
将所述待预测的累计充电天数或所述待预测的累计循环充电次数,以及目标电池的电池标识输入所述电池容量预测模型,通过所述预设趋势预测算法,对所述目标电池在达到所述待预测的累计充电天数或所述待预测的累计循环充电次数时的电池容量进行预测,获取所述电池容量预测模型输出的所述目标电池的预测电池容量;
将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述预测电池容量。
6.如权利要求5所述的方法,其特征在于,获取所述电池容量预测模型输出的所述目标电池的预测电池容量之后,所述方法还包括:
生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线;
将所述目标电池的预测电池容量发送至用户终端,以通过所述用户终端向所述用户展示所述历史电池容量的衰减曲线和所述预测的电池容量的衰减曲线。
7.如权利要求6所述的方法,其特征在于,生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线,所述方法还包括:
基于所述历史电池容量的衰减曲线和预测的电池容量的衰减曲线的曲线斜率,确定所述目标电池的衰减状态,所述衰减状态包括正常衰减状态和异常衰减状态。
8.一种电池容量预测模型的训练装置,其特征在于,所述装置包括:
获取单元,用于获取至少一个电池的历史充电数据,所述历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应荷电状态值增量;
以及,对于任一电池的历史充电数据,基于每次充电的充电量和相应荷电状态值增量,获取所述电池的电池容量数据集,所述电池容量数据集包括所述电池的电池标识和每次充电对应的电池容量;
建立单元,用于基于所述充电时间的顺序,采用预设趋势预测算法,对所述至少一个电池中每个电池的电池容量数据集进行迭代预测,建立电池容量预测模型;其中,所述预设趋势预测算法为指数回归算法和线性回归算法的组合算法;所述电池容量预测模型用于预测所述每个电池的电池容量的变化趋势。
9.一种电子设备,其特征在于,所述电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存储的程序时,实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952398.9A CN113673157A (zh) | 2021-08-19 | 2021-08-19 | 电池容量预测模型的训练方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952398.9A CN113673157A (zh) | 2021-08-19 | 2021-08-19 | 电池容量预测模型的训练方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113673157A true CN113673157A (zh) | 2021-11-19 |
Family
ID=78543783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110952398.9A Pending CN113673157A (zh) | 2021-08-19 | 2021-08-19 | 电池容量预测模型的训练方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673157A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120109557A1 (en) * | 2009-07-01 | 2012-05-03 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method for calibrating an electrochemical battery |
US20140129163A1 (en) * | 2012-11-02 | 2014-05-08 | Fairfield Industries, Inc. | Battery capacity and durability prediction method |
US20190277917A1 (en) * | 2017-09-14 | 2019-09-12 | The Hkust Fok Ying Tung Research Institute | Method and apparatus for estimating state of charge of battery, and computer readable storage medium |
CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
CN111157908A (zh) * | 2020-01-09 | 2020-05-15 | 青岛特来电云科技有限公司 | 一种基于大数据机器学习的电池健康度预测方法 |
CN112084459A (zh) * | 2019-06-12 | 2020-12-15 | 电计贸易(上海)有限公司 | 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 |
CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
CN113158345A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池容量预测方法及系统 |
-
2021
- 2021-08-19 CN CN202110952398.9A patent/CN113673157A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120109557A1 (en) * | 2009-07-01 | 2012-05-03 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method for calibrating an electrochemical battery |
US20140129163A1 (en) * | 2012-11-02 | 2014-05-08 | Fairfield Industries, Inc. | Battery capacity and durability prediction method |
US20190277917A1 (en) * | 2017-09-14 | 2019-09-12 | The Hkust Fok Ying Tung Research Institute | Method and apparatus for estimating state of charge of battery, and computer readable storage medium |
CN112084459A (zh) * | 2019-06-12 | 2020-12-15 | 电计贸易(上海)有限公司 | 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 |
CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
CN111157908A (zh) * | 2020-01-09 | 2020-05-15 | 青岛特来电云科技有限公司 | 一种基于大数据机器学习的电池健康度预测方法 |
CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
CN113158345A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池容量预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
MD SAZZAD HOSEN 等: "Battery cycle life study through relaxation and forecasting the lifetime via machine learning", JOURNAL OF ENERGY STORAGE, vol. 40, 28 May 2021 (2021-05-28), pages 102726 * |
吕佳朋;史贤俊;王康;: "基于高斯过程回归的电池容量预测模型", 电子测量技术, no. 03, 8 February 2020 (2020-02-08), pages 43 - 48 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220099753A1 (en) | Method For Predicting Service Life Of Retired Power Battery | |
CN112068004A (zh) | 一种电池异常、电池充电剩余时间的确定方法及装置 | |
CN110412470B (zh) | 电动汽车动力电池soc估计方法 | |
CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
CN115995628B (zh) | 一种退役锂离子电池的回收处理方法及装置 | |
CN113093015B (zh) | 电池寿命估算方法、装置、电池管理系统、汽车及介质 | |
CN104749528B (zh) | 动力锂电池容量确定方法 | |
CN113406508A (zh) | 基于数字孪生的电池检测和维护方法及装置 | |
CN113743661A (zh) | 锂离子电池在线容量预测的方法、系统、设备及存储介质 | |
CN108845267B (zh) | 一种动力电池的数据处理方法和装置 | |
CN113673157A (zh) | 电池容量预测模型的训练方法、装置、电子设备和介质 | |
CN109818089A (zh) | 一种电池限流方法及装置 | |
CN115327391A (zh) | 一种基于梯次利用电池的检测方法及装置 | |
CN111186333B (zh) | 电动车充电识别方法、装置、终端设备及存储介质 | |
CN114239388A (zh) | 一种融合测试与车联网的电池剩余寿命预测方法及系统 | |
CN115293100B (zh) | 一种新能源电池剩余电量精准评估方法 | |
WO2023145205A1 (ja) | 情報処理方法、情報処理装置及び制御プログラム | |
CN113920717B (zh) | 一种信息处理方法、装置、电子设备以及存储介质 | |
CN118040794B (zh) | 一种光储充一体化功率变换方法及系统 | |
CN115360793B (zh) | 电池组均衡方法、装置、电池系统及存储介质 | |
CN116160878B (zh) | 一种换电控制系统及方法、计算机可读介质及电子设备 | |
CN112787386B (zh) | 智能充电控制方法、系统、充电设备及计算机存储介质 | |
CN115811119B (zh) | 管理电池的方法及装置 | |
CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 | |
CN116626500A (zh) | 退役电池的梯次利用效果分析方法 |
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 |