CN114325454B - 一种多特征对电池健康度影响的确定方法、装置、设备及介质 - Google Patents
一种多特征对电池健康度影响的确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114325454B CN114325454B CN202111668825.7A CN202111668825A CN114325454B CN 114325454 B CN114325454 B CN 114325454B CN 202111668825 A CN202111668825 A CN 202111668825A CN 114325454 B CN114325454 B CN 114325454B
- Authority
- CN
- China
- Prior art keywords
- features
- ranking
- model
- feature set
- data
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供了一种多特征对电池健康度影响的确定方法,包括:通过包括多个特征的第一特征集合与特征数据和多个特征的电池健康度数据,通过相关系数和训练模型获得第二特征集合。然后通过包括多个特征的特征集合与特征数据和多个特征的电池健康度数据训练第二模型,然后根据第二模型的参数以及模型解释,确定多个特征对于电池健康度的影响。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种多特征对电池健康度影响的确定方法、装置、设备及计算机可读存储介质。
背景技术
随着电子设备用户生活中的广泛应用,电子设备电池的健康度越来越受到用户的关注。多种因素可能影响电池的健康度,例如探针温度、电压、电流等。
通常情况下,可以基于模型根据电池的使用情况预测电池健康损耗,但是用户无法获知多个特征分别对于电池健康度的影响以及多个特征对于电池健康度影响的重要程度,因此用户无法据此改变使用习惯,从而获得更好的使用体验。生产方也无法据此对于电池进行有针对性的优化,从而提高用户的使用体验。
因此,亟需一种对于多个特征分别对电池健康度影响的确定方法。
发明内容
本申请提供了一种多特征对电池健康度影响的确定方法,该方法能够对于电池健康度的多个特征进行分析,获取多个特征分别对于电池健康度的影响,从而提示用户改变使用习惯,提高用户的使用体验。本申请还提供了上述方法对应的装置、设备、计算机可读存储介质。
第一方面,本申请提供了一种多特征对电池健康度影响的确定方法,该方法包括:
通过包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据训练第一模型;
根据所述第一模型的模型参数,获取所述第一特征集合中多个特征的第一排名;
根据包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据确定所述多个特征与所述健康度数据的相关系数;
基于所述相关系数确定所述第一特征集合中多个特征的第二排名;
融合所述第一排名和所述第二排名获得第二特征集合,所述第一特征集合大于所述第二特征集合;
通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据训练获得第二模型;
根据所述第二模型的模型参数,获取所述第二特征集合中多个特征的第三排名;
根据所述第二模型,通过模型解释获取所述第二特征集合中多个特征的第四排名;
融合所述第三排名和所述第四排名,确定多个特征对于电池健康度的影响。
在一些可能的实现方式中,所述多个特征包括探针温度、电压、电流、静置时长、静置温度、荷电状态和静置荷电状态中的至少一种。
在一些可能的实现方式中,所述特征数据包括特征的最大值、最小值、均值、分位数和标准差的至少一种。
在一些可能的实现方式中,所述第一模型和所述第二模型均为集成树模型。
在一些可能的实现方式中,所述融合所述第一排名和所述第二排名获得第二特征集合,包括:
通过排序方式融合所述第一排名和所述第二排名,获得第六排名;
根据所述第六排名进行特征选取,获得所述第二特征集合。
在一些可能的实现方式中,所述通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据训练第二模型,包括:
通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据通过自动超级参数调优多次训练获得所述第二模型。
在一些可能的实现方式中,所述根据所述第二模型的模型参数,获取所述第二特征集合中多个特征的第三排名,包括:
根据所述第二模型,通过贝叶斯优化,获取所述第二特征集合中多个特征的第三排名。
在一些可能的实现方式中,所述多个特征的电池健康度数据包括所述多个特征的电池健康度损失值。
在一些可能的实现方式中,所述方法还包括:
根据所述多个特征对于电池健康度的影响,提示用户影响电池健康度的使用习惯。
第二方面,本申请提供了一种多特征对电池健康度影响的确定装置,该装置包括:
第一训练模块,用于通过包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据训练第一模型;
第一排名模块,用于根据所述第一模型的模型参数,获取所述第一特征集合中多个特征的第一排名;
第一确定模块,用于根据包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据确定所述多个特征与所述健康度数据的相关系数;
第二排名模块,用于基于所述相关系数确定所述第一特征集合中多个特征的第二排名;
第一融合模块,用于融合所述第一排名和所述第二排名获得第二特征集合,所述第一特征集合大于所述第二特征集合;
第二训练模块,用于通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据训练获得第二模型;
第三排名模块,用于根据所述第二模型的模型参数,获取所述第二特征集合中多个特征的第三排名;
第四排名模块,用于根据所述第二模型,通过模型解释获取所述第二特征集合中多个特征的第四排名;
第二确定模块,用于融合所述第三排名和所述第四排名,确定多个特征对于电池健康度的影响。
在一些可能的实现方式中,所述多个特征包括探针温度、电压、电流、静置时长、静置温度、荷电状态和静置荷电状态中的至少一种。
在一些可能的实现方式中,所述特征数据包括特征的最大值、最小值、均值、分位数和标准差的至少一种。
在一些可能的实现方式中,所述第一模型和所述第二模型均为集成树模型。
在一些可能的实现方式中,所述第一融合模块具体用于:
通过排序方式融合所述第一排名和所述第二排名,获得第六排名;
根据所述第六排名进行特征选取,获得所述第二特征集合。
在一些可能的实现方式中,所述第二训练模块具体用于:
通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据通过自动超级参数调优多次训练获得所述第二模型。
在一些可能的实现方式中,所述第三排名模块具体用于:
根据所述第二模型,通过贝叶斯优化,获取所述第二特征集合中多个特征的第三排名。
在一些可能的实现方式中,所述多个特征的电池健康度数据包括所述多个特征的电池健康度损失值。
在一些可能的实现方式中,该装置还包括提示模块,用于:
根据所述多个特征对于电池健康度的影响,提示用户影响电池健康度的使用习惯。
第三方面,本申请提供一种设备,所述设备包括处理器和存储器。所述处理器、所述存储器进行相互的通信。所述处理器用于执行所述存储器中存储的指令,以使得设备执行如第一方面或第一方面的任一种实现方式中的多特征对电池健康度影响的确定方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,所述指令指示设备执行上述第一方面或第一方面的任一种实现方式所述的多特征对电池健康度影响的确定方法。
本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例提供了一种多特征对电池健康度影响的确定方法,通过包括多个特征的第一特征集合与特征数据和多个特征的电池健康度数据,通过相关系数和训练模型获得第二特征集合,由于一开始的多个特征中可能包括对于电池健康度影响较小的特征或者对电池健康度没有影响的特征,因此可以将影响较大或者具有影响的特征作为第二特征集合进一步进行判断。
通过包括多个特征的特征集合与特征数据和多个特征的电池健康度数据训练第二模型,然后根据第二模型的参数以及模型解释,确定多个特征对于电池健康度的影响。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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为本申请实施例提供的一种多特征对电池健康度影响的确定方法的流程示意图;
图2为本申请实施例提供的一种多特征对电池健康度影响的确定方法装置的架构示意图。
具体实施方式
下面将结合本申请中的附图,对本申请提供的实施例中的方案进行描述。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。
随着电子设备用户生活中的广泛应用,电子设备电池的健康度越来越受到用户的关注。多种因素可能影响电池的健康度,例如探针温度、电压、电流等。
由于用户的使用习惯不同,不同用户对应不同的使用习惯。为了维护电池的健康度,需要对于用户的使用情况进行分析,从而确定出该用户的多个使用习惯的影响。
通常情况下,对于不同习惯对于电池健康度的影响仅停留在某些操作可能影响电池健康,但是缺少一种可解释的方式去量化不同特征对于电池健康度的影响。
有鉴于此,本申请提供了一种多特征对电池健康度影响的确定方法,该方法可以由电子设备执行。电子设备是指具有数据处理能力的设备,例如可以是智能手机等终端设备,或者是服务器。在本实施例中,电子设备可以为搭载该电池的设备,也可以为其他设备。
具体地,电子设备通过包括多个特征的第一特征集合与特征数据和多个特征的电池健康度数据训练第一模型,根据第一模型的模型参数获得第一排名,并且基于特征数据和多个特征的电池健康度数据的相关系数获得第二排名,然后融合第一排名和第二排名,确定出对于电池健康度有影响的第二特征集合。由于一开始的多个特征中可能包括对于电池健康度影响较小的特征或者对电池健康度没有影响的特征,因此可以将影响较大或者具有影响的特征作为第二特征集合进一步进行判断。
然后,电子设备通过包括多个特征的特征集合与特征数据和多个特征的电池健康度数据训练第二模型,然后根据第二模型的模型参数获得第三排名,并且基于模型解释获得第四排名,通过第三排名与第四排名共同确定多个特征分别对于电池健康度的影响。
接下来,将结合附图对本申请实施例提供的多特征对电池健康度影响的确定方法进行介绍。
参见图1所示的多特征对电池健康度影响的确定方法的流程图,该方法包括如下步骤:
S102:电子设备通过包括多个特征的第一特征集合与特征数据和多个特征的电池健康度数据训练第一模型。
特征是指可能影响电池健康度的参数名称。例如,特征可以为探针温度、电压、电流、静置时长、静置温度、荷电状态和静置荷电状态等。在电池为车载电池时,特征还可以包括行驶里程。
特征数据是指特征分别对应的统计数据。例如可以为在一段时间内特征的最大值、最小值、均值、分位数和标准差。
电池健康度(state of health,SOH)是用来评估电池的使用、维护、经济性分析的参数指标。电池健康度的降低幅度可以用于标识电池健康度的变化情况。
在本实施例中,可以选取固定周期的多个特征作为可能影响电池健康度的特征,然后将该特征的特征数据以及健康度数据作为训练数据训练第一模型。
例如,可以以一个季度为固定周期,获取电池使用两年内(包括8个季度)充电电流、充电电压、静置时长、静止温度、荷电状态和静置荷电状态6个特征对于电池健康度的影响。
训练数据包括每一个季度每一个特征分别对应的特征数据以及电池健康度降低幅度。季度中电池健康度的降低幅度可以通过季度末十天的健康度均值与季度初十天的健康度均值作差获得。季度中电池健康度的降低幅度也可以通过季度最后一天的健康度值与季度第一天的健康度值作差获得
例如包括:第一季度充电电流的最大值、最小值、均值、分位数和标准差;第一季度充电电压的最大值、最小值、均值、分位数和标准差;第一季度静置时长的最大值、最小值、均值、分位数和标准差;……;第一季度静置荷电状态的最大值、最小值、均值、分位数和标准差,以及第一季度电池健康度的降低幅度。第二季度充电电流的最大值、最小值、均值、分位数和标准差;……,以及第二季度电池健康度的降低幅度。……第八季度充电电流的最大值、最小值、均值、分位数和标准差;……,以及第八季度电池健康度的降低幅度。
第一模型可以为集成树模型,通过上述数据对于集成树模型进行训练。其中,输入数据可以为特征分别对应的特征数据,输出可以为电池健康度的降低幅度。
在一些可能的实现方式中,可以将训练数据按照7:3的比例进行划分,7/10的数据用于对集成树模型进行训练,3/10的数据用于对集成树模型进行测试。如此,获得训练好的第一模型。
S104:电子设备根据第一模型的模型参数,获取第一特征集合中多个特征的第一排名。
电子设备根据训练好的第一模型,通过该模型的模型参数,可以获得影响电池健康度的多个特征分别对应的影响因子。然后电子设备可以根据影响因子对于多个特征进行排序,获得影响因子由高到低的第一排名。例如,第一排名可以为:充电电压、充电电流、静置时长、静置温度、荷电状态和静置荷电状态。其中,第一排名为表征特征重要性的排名。
S106:电子设备根据包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据确定所述多个特征与所述健康度数据的相关系数。
具体地,电子设备可以计算多个特征分别与健康度数据的相关系数,相关系数用于表示变量之间线性相关程度。相关系数可以为简单相关系数、复相关系数或典型相关系数。
在本实施例中,电子设备可以分别计算每一个特征与电池健康度数据的相关系数,例如充电电压与电池健康度数据的相关系数、充电电流与电池健康度数据的相关系数、静置时长与电池健康度数据的相关系数、静置温度与电池健康度数据的相关系数、荷电状态与电池健康度数据的相关系数和静置荷电状态与电池健康度数据的相关系数。
S107:电子设备基于相关系数确定第一特征集合中多个特征的第二排名。
特征与电池健康度数据的相关系数可以反应该特征对于电池健康度数据的影响,因此可以基于特征分别对应的相关系数的排名,确定出第一特征集合中多个特征的第二排名。其中,第二排名为特征与电池健康度数据相关性的排名。
在一些可能的实现方式中,由于第一排名和第二排名是基于不同的原理所获得的,因此第一排名和第二排名可能相同,也可能不同。
S108:电子设备融合第一排名和第二排名获得第二特征集合。
具体地,电子设备可以通过排序方式融合第一排名和第二排名,确定第二特征集合。
其中,电子设备可以通过rank aggregation融合通过S104和S106所获得的第一排名和第二排名,获得融合后的第六排名。其中,融合后的第六排名可以与第一排名或第二排名中的某一个相同,也可以与第一排名和第二排名均不相同。例如,可以为充电电流、充电电压、静置时长、静置温度、荷电状态和静置荷电状态。
然后对于融合后的排名中的多个特征,可以通过相关性系数计算(例如spearman相关性系数矩阵),利用协方差信息,选取第二特征集合。其中,第二特征集合可以为对电池健康度影响较大(例如影响度高于某个阈值)的某些特征,也可以为多个特征中影响较大的固定个特征(例如确定其中三个特征)。其中,第一特征集合大于第二特征集合。例如,第二特征集合可以为充电电流、充电电压与静置时长。
S110:电子设备通过包括多个特征的第二特征集合与特征数据和多个特征的电池健康度数据训练获得第二模型。
电子设备可以通过类似S102中的方式训练第二模型。其中,第二模型也可以为集成树模型。与第一模型不同的是,第二模型中的训练数据为第二特征集合中对应的特征数据。
例如,训练数据包括:第一季度充电电流的最大值、最小值、均值、分位数和标准差;第一季度充电电压的最大值、最小值、均值、分位数和标准差;第一季度静置时长的最大值、最小值、均值、分位数和标准差,以及第一季度电池健康度的降低幅度。第二季度充电电流的最大值、最小值、均值、分位数和标准差;……,以及第二季度电池健康度的降低幅度。……第八季度充电电流的最大值、最小值、均值、分位数和标准差;……,以及第八季度电池健康度的降低幅度。
电子设备可以通过包括多个特征的第二特征集合与特征数据和多个特征的电池健康度数据通过自动超级参数调优多次训练获得第二模型。
机器学习中通常包括两类参数,一种可以从数据中通过学习估计获得的,称为参数。一种无法从数据中估计获得,而只能依靠人的经验进行设计,称为超级参数。在模型学习中,超级参数需要预先确定,而如果选择不恰当的超级参数可能导致欠拟合或者过拟合等问题,因此可以采取自动超级参数调优多次训练获得第二模型,以提高模型的准确度。
电子设备可以采用多种方式进行超级参数自动优化,例如贝叶斯优化或者基于群体的训练(Population Based Training,PBT)等。
具体地,电子设备可以通过Tree-structured Parzen Estimator(TPE)算法获取第二模型的超参数。TPE算法是通过高斯混合模型(Gaussian Mixture Model,GMM)学习超参模型的一种方法,具体可以通过贝叶斯(Bayes)统计的方法实现自动对于最优化超参数的搜索。
S112:电子设备根据第二模型的模型参数,获取第二特征集合中多个特征的第三排名。
电子设备根据训练好的第二模型,通过该模型的模型参数,可以获得影响电池健康度的多个特征分别对应的影响因子。然后电子设备可以根据影响因子对于多个特征进行排序,获得影响因子由高到低的第三排名。
在一些可能的实现方式中,电子设备可以根据第二模型的模型参数,通过贝叶斯优化获取第二特征集合中多个特征的第三排名。
S114:电子设备根据第二模型,通过模型解释获取第二特征集合中多个特征的第四排名。
模型解释是指对于模型中各参数对模型输出数值进行解释的一种方法。在本实施例中,由于已经具有上述数据,因此可以采用模型事后解释。可选地,可以采用可加性解释模型(SHapley Additive exPlanation,SHAP)进行实现。SHAP的核心是计算特征对模型输出的边际贡献,再从全局和局部两个层面对模型进行解释。
如此,电子设备可以通过SHAP模型获得每个特征对于模型的贡献,然后可以按照贡献值由高到低的顺序获得多个特征的第四排名。
在一些可能的实现方式中,由于第三排名和第四排名是基于不同的原理所获得的,因此第三排名和第四排名可能相同,也可能不同。
S116:电子设备融合第三排名和第四排名,确定多个特征对于电池健康度的影响。
在一些可能的实现方式中,电子设备可以融合第三排名和第四排名获得第五排名,然后基于第五排名确定多个特征对于电池健康度的影响。
其中,电子设备可以通过rank aggregation融合通过S112和S114所获得的第三排名和第四排名,获得融合后的第五排名。其中,融合后的排名可以与第三排名或第四排名中的某一个相同,也可以与第三排名和第四排名均不相同。
第三排名是根据模型的模型参数所确定的,第四排名是根据模型可解释所确定的,均可以反应特征对于模型输出结果的影响,即可以反应特征对于电池健康度的影响,因此可以综合这两种方式所获得的第五排名,确定多个特征对于电池健康度的影响。
在一些可能的实现方式中,电子设备也可以为两种方式所获得的第三排名和第四排名设置相同的权重,评价综合获得多个特征对于电池健康度的影响。也可以赋予不同的权重,根据需要获得多个特征对于电池健康度的影响。通常情况下,各特征对于模型的影响可以通过百分数表示,多个特征影响之和为1。
S118:电子设备根据多个特征对于电池健康度的影响,提示用户影响电池健康度的使用习惯。
通常情况下,不同特征反应用户不同习惯,例如有些用户习惯使用电流较小的电源进行充电。因此基于多个特征对于电池健康度的影响,可以提示用户改变不同的习惯,以维持电池的健康度,提高用户的使用体验。
基于以上内容的描述,电子设备通过包括多个特征的第一特征集合与特征数据和多个特征的电池健康度数据训练第一模型,根据第一模型的模型参数获得第一排名,并且基于特征数据和多个特征的电池健康度数据的相关系数获得第二排名,然后融合第一排名和第二排名,确定出对于电池健康度有影响的第二特征集合。由于一开始的多个特征中可能包括对于电池健康度影响较小的特征或者对电池健康度没有影响的特征,因此可以将影响较大或者具有影响的特征作为第二特征集合进一步进行判断。
然后,电子设备通过包括多个特征的特征集合与特征数据和多个特征的电池健康度数据训练第二模型,然后根据第二模型的模型参数获得第三排名,并且基于模型解释获得第四排名,通过第三排名与第四排名共同确定多个特征分别对于电池健康度的影响。
其中,对于第二特征集合以及对于最终影响均采用多种方式综合判断,避免某一方式可能因为算法偏差导致的误判断,从而提高了对于多个特征对于电池健康度的影响的确定精度。
以上结合图1对本申请实施例提供的多特征对电池健康度影响的确定方法进行了详细介绍,接下来,将结合附图对本申请实施例提供的多特征对电池健康度影响的确定装置进行介绍。
参见图2所示的多特征对电池健康度影响的确定装置的结构示意图,该装置200包括:第一训练模块202、第一排名模块204、第一确定模块206、第二排名模块208、第一融合模块210、第二训练模块212、第三排名模块214、第四排名模块216以及第二确定模块218。
第一训练模块,用于通过包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据训练第一模型;
第一排名模块,用于根据所述第一模型的模型参数,获取所述第一特征集合中多个特征的第一排名;
第一确定模块,用于根据包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据确定所述多个特征与所述健康度数据的相关系数;
第二排名模块,用于基于所述相关系数确定所述第一特征集合中多个特征的第二排名;
第一融合模块,用于融合所述第一排名和所述第二排名获得第二特征集合,所述第一特征集合大于所述第二特征集合;
第二训练模块,用于通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据训练获得第二模型;
第三排名模块,用于根据所述第二模型的模型参数,获取所述第二特征集合中多个特征的第三排名;
第四排名模块,用于根据所述第二模型,通过模型解释获取所述第二特征集合中多个特征的第四排名;
第二确定模块,用于融合所述第三排名和所述第四排名,确定多个特征对于电池健康度的影响。
在一些可能的实现方式中,所述多个特征包括探针温度、电压、电流、静置时长、静置温度、荷电状态和静置荷电状态中的至少一种。
在一些可能的实现方式中,所述特征数据包括特征的最大值、最小值、均值、分位数和标准差的至少一种。
在一些可能的实现方式中,所述第一模型和所述第二模型均为集成树模型。
在一些可能的实现方式中,所述第一融合模块具体用于:
通过排序方式融合所述第一排名和所述第二排名,获得第六排名;
根据所述第六排名进行特征选取,获得所述第二特征集合。
在一些可能的实现方式中,所述第二训练模块具体用于:
通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据通过自动超级参数调优多次训练获得所述第二模型。
在一些可能的实现方式中,所述第三排名模块具体用于:
根据所述第二模型,通过贝叶斯优化,获取所述第二特征集合中多个特征的第三排名。
在一些可能的实现方式中,所述多个特征的电池健康度数据包括所述多个特征的电池健康度损失值。
在一些可能的实现方式中,该装置还包括提示模块,用于:
根据所述多个特征对于电池健康度的影响,提示用户影响电池健康度的使用习惯。
根据本申请实施例的多特征对电池健康度影响的确定装置200可对应于执行本申请实施例中描述的方法,并且多特征对电池健康度影响的确定装置200的各个模块的上述和其它操作和/或功能分别为了实现图1中的各个方法的相应流程,为了简洁,在此不再赘述。
本申请提供一种设备,用于实现多特征对电池健康度影响的确定方法。所述设备包括处理器和存储器。所述处理器、所述存储器进行相互的通信。所述处理器用于执行所述存储器中存储的指令,以使得设备执行多特征对电池健康度影响的确定方法。
本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在设备上运行时,使得设备执行上述多特征对电池健康度影响的确定方法。
本申请提供了一种包含指令的计算机程序产品,当其在设备上运行时,使得设备执行上述多特征对电池健康度影响的确定方法。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (10)
1.一种多特征对电池健康度影响的确定方法,其特征在于,所述方法包括:
通过包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据训练第一模型;
根据所述第一模型的模型参数,获取所述第一特征集合中多个特征的第一排名;
根据包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据确定所述多个特征与所述健康度数据的相关系数;
基于所述相关系数确定所述第一特征集合中多个特征的第二排名;
融合所述第一排名和所述第二排名获得第二特征集合,所述第一特征集合大于所述第二特征集合;
通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据训练获得第二模型;
根据所述第二模型的模型参数,获取所述第二特征集合中多个特征的第三排名;
根据所述第二模型,通过模型解释获取所述第二特征集合中多个特征的第四排名;
融合所述第三排名和所述第四排名,确定多个特征对于电池健康度的影响。
2.根据权利要求1所述的方法,其特征在于,所述多个特征包括探针温度、电压、电流、静置时长、静置温度、荷电状态和静置荷电状态中的至少一种。
3.根据权利要求1所述的方法,其特征在于,所述特征数据包括特征的最大值、最小值、均值、分位数和标准差的至少一种。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述第一模型和所述第二模型均为集成树模型。
5.根据权利要求1所述的方法,其特征在于,所述融合所述第一排名和所述第二排名获得第二特征集合,包括:
通过排序方式融合所述第一排名和所述第二排名,获得第六排名;
根据所述第六排名进行特征选取,获得所述第二特征集合。
6.根据权利要求1所述的方法,其特征在于,所述通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据训练第二模型,包括:
通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据通过自动超级参数调优多次训练获得所述第二模型。
7.根据权利要求1所述的方法,其特征在于,所述根据所述第二模型的模型参数,获取所述第二特征集合中多个特征的第三排名,包括:
根据所述第二模型,通过贝叶斯优化,获取所述第二特征集合中多个特征的第三排名。
8.根据权利要求1至3任意一项所述的方法,其特征在于,所述多个特征的电池健康度数据包括所述多个特征的电池健康度损失值。
9.根据权利要求1至3任意一项所述的方法,其特征在于,所述方法还包括:
根据所述多个特征对于电池健康度的影响,提示用户影响电池健康度的使用习惯。
10.一种多特征对电池健康度影响的确定装置,其特征在于,所述装置包括:
第一训练模块,用于通过包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据训练第一模型;
第一排名模块,用于根据所述第一模型的模型参数,获取所述第一特征集合中多个特征的第一排名;
第一确定模块,用于根据包括多个特征的第一特征集合与特征数据和所述多个特征的电池健康度数据确定所述多个特征与所述健康度数据的相关系数;
第二排名模块,用于基于所述相关系数确定所述第一特征集合中多个特征的第二排名;
第一融合模块,用于融合所述第一排名和所述第二排名获得第二特征集合,所述第一特征集合大于所述第二特征集合;
第二训练模块,用于通过包括多个特征的第二特征集合与特征数据和所述多个特征的电池健康度数据训练获得第二模型;
第三排名模块,用于根据所述第二模型的模型参数,获取所述第二特征集合中多个特征的第三排名;
第四排名模块,用于根据所述第二模型,通过模型解释获取所述第二特征集合中多个特征的第四排名;
第二确定模块,用于融合所述第三排名和所述第四排名,确定多个特征对于电池健康度的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111668825.7A CN114325454B (zh) | 2021-12-30 | 2021-12-30 | 一种多特征对电池健康度影响的确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111668825.7A CN114325454B (zh) | 2021-12-30 | 2021-12-30 | 一种多特征对电池健康度影响的确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114325454A CN114325454A (zh) | 2022-04-12 |
CN114325454B true CN114325454B (zh) | 2023-07-04 |
Family
ID=81020799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111668825.7A Active CN114325454B (zh) | 2021-12-30 | 2021-12-30 | 一种多特征对电池健康度影响的确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114325454B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544900B (zh) * | 2022-11-28 | 2023-05-02 | 深圳联友科技有限公司 | 一种基于Shap算法分析电动车续航里程影响因素的方法 |
CN115728463A (zh) * | 2022-12-01 | 2023-03-03 | 哈尔滨工业大学 | 一种基于半嵌入式特征选择的可解释性水质预测方法 |
CN116298930B (zh) * | 2023-05-11 | 2023-09-05 | 苏州清研精准汽车科技有限公司 | 电池包健康度的测量方法、装置及服务器 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013051828A2 (ko) * | 2011-10-04 | 2013-04-11 | 주식회사 엘지화학 | 배터리 관리 시스템 및 배터리 관리 방법 |
CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
CN110208706A (zh) * | 2019-06-13 | 2019-09-06 | 重庆长安新能源汽车科技有限公司 | 一种基于车联网的动力电池健康状态在线评估系统及方法 |
CN111142026A (zh) * | 2019-12-31 | 2020-05-12 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN112269137A (zh) * | 2020-10-19 | 2021-01-26 | 中山大学 | 一种基于动态参数识别的电池健康状态估算方法 |
CN112379269A (zh) * | 2020-10-14 | 2021-02-19 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
CN112529464A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池包的健康度评估方法、装置及相关产品 |
CN112630662A (zh) * | 2020-12-30 | 2021-04-09 | 南京航空航天大学 | 一种基于数据驱动及多参数融合的动力电池soh估算方法 |
CN112924886A (zh) * | 2021-01-23 | 2021-06-08 | 青岛大学 | 一种电池健康状态soh预测方法及装置 |
CN113111580A (zh) * | 2021-04-07 | 2021-07-13 | 东软睿驰汽车技术(沈阳)有限公司 | 电池soh评估模型的构建方法及电池soh值的评估方法 |
EP3885776A1 (en) * | 2020-03-24 | 2021-09-29 | Siemens Aktiengesellschaft | Method, computer-implemented tool and battery management system for estimating states of health of batteries storing electrical energy and battery energy storage system |
CN113568820A (zh) * | 2021-07-19 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 监控模型的方法、装置、电子设备和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
-
2021
- 2021-12-30 CN CN202111668825.7A patent/CN114325454B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013051828A2 (ko) * | 2011-10-04 | 2013-04-11 | 주식회사 엘지화학 | 배터리 관리 시스템 및 배터리 관리 방법 |
CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
CN110208706A (zh) * | 2019-06-13 | 2019-09-06 | 重庆长安新能源汽车科技有限公司 | 一种基于车联网的动力电池健康状态在线评估系统及方法 |
CN111142026A (zh) * | 2019-12-31 | 2020-05-12 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
EP3885776A1 (en) * | 2020-03-24 | 2021-09-29 | Siemens Aktiengesellschaft | Method, computer-implemented tool and battery management system for estimating states of health of batteries storing electrical energy and battery energy storage system |
CN112379269A (zh) * | 2020-10-14 | 2021-02-19 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
CN112269137A (zh) * | 2020-10-19 | 2021-01-26 | 中山大学 | 一种基于动态参数识别的电池健康状态估算方法 |
CN112529464A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池包的健康度评估方法、装置及相关产品 |
CN112630662A (zh) * | 2020-12-30 | 2021-04-09 | 南京航空航天大学 | 一种基于数据驱动及多参数融合的动力电池soh估算方法 |
CN112924886A (zh) * | 2021-01-23 | 2021-06-08 | 青岛大学 | 一种电池健康状态soh预测方法及装置 |
CN113111580A (zh) * | 2021-04-07 | 2021-07-13 | 东软睿驰汽车技术(沈阳)有限公司 | 电池soh评估模型的构建方法及电池soh值的评估方法 |
CN113568820A (zh) * | 2021-07-19 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 监控模型的方法、装置、电子设备和介质 |
Non-Patent Citations (1)
Title |
---|
电动汽车动力电池健康状态在线动态估算方法;肖亚;《电源技术》;第45卷(第2期);第177-180、235页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114325454A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114325454B (zh) | 一种多特征对电池健康度影响的确定方法、装置、设备及介质 | |
Elliott et al. | Confidence sets for the date of a single break in linear time series regressions | |
CN111666450B (zh) | 视频召回方法、装置、电子设备及计算机可读存储介质 | |
CA2765111C (en) | Method and system for estimating age of a user based on mass data | |
CN104951886A (zh) | 一种配电网运行状态综合评价的方法及系统 | |
CN111914176B (zh) | 题目的推荐方法及装置 | |
CN105869022B (zh) | 一种应用流行度预测方法和装置 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN106874416A (zh) | 排行榜单生成方法及排行榜单生成装置 | |
CN110991476A (zh) | 决策分类器的训练、音视频的推荐方法、装置及存储介质 | |
US11733308B2 (en) | Deterioration state estimation system of secondary battery, deterioration state estimation method of secondary battery, and storage medium | |
US10248462B2 (en) | Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program | |
CN116362359A (zh) | 基于ai大数据的用户满意度预测方法、装置、设备及介质 | |
CN110688409A (zh) | 学习状态的挖掘方法、推荐方法及电子设备 | |
KR101028810B1 (ko) | 광고 대상 분석 장치 및 그 방법 | |
CN113537693A (zh) | 人员风险等级获取方法、终端、存储装置 | |
US20220317195A1 (en) | State estimation system of secondary battery, state estimation method of secondary battery, and storage medium | |
CN118311459A (zh) | 一种电池寿命预测方法、装置、存储介质及设备 | |
CN115963404A (zh) | 一种电池荷电状态预测方法、设备和存储介质 | |
CN115203556A (zh) | 一种评分预测模型训练方法、装置、电子设备及存储介质 | |
JP2014063617A (ja) | 蓄電池の残存価値格付け装置およびプログラム | |
CN115907056A (zh) | 预测模型训练方法、信息预测方法及相应装置 | |
CN114154014A (zh) | 视频冷启动推荐方法和装置 | |
CN114765624B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN116541718B (zh) | 电池容量跳水识别模型的训练方法、装置、设备及介质 |
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 |