CN114330130A - 一种电池剩余使用寿命预测方法、设备及介质 - Google Patents
一种电池剩余使用寿命预测方法、设备及介质 Download PDFInfo
- Publication number
- CN114330130A CN114330130A CN202111655629.6A CN202111655629A CN114330130A CN 114330130 A CN114330130 A CN 114330130A CN 202111655629 A CN202111655629 A CN 202111655629A CN 114330130 A CN114330130 A CN 114330130A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- target battery
- distribution
- historical
- 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
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本申请公开了一种电池剩余使用寿命的预测方法、设备及介质,方法包括:获取目标电池的历史电池数据,历史电池数据至少包括目标电池的基础信息、历史工作数据;基础信息至少包括目标电池的电池型号、使用时间;通过t分布‑随机邻近嵌入算法对历史工作数据进行降维,得到第一数据;确定预设的初始长短期记忆模型,并通过训练数据训练初始长短期记忆模型,以得到目标电池的电池容量预测模型;获取目标电池的当前工作数据,并通过t分布‑随机邻近嵌入算法对历史工作数据进行降维,以得到第二数据;将第二数据输入至所述电池容量预测模型,得到目标电池的预测电池容量;根据预测电池容量以及基础信息,确定目标电池的剩余使用寿命。
Description
技术领域
本申请涉及数据预测领域,具体涉及一种电池剩余使用寿命预测方法、设备及介质。
背景技术
随着新能源技术的发展,电池在日常生活以及科研领域中都得到了广泛的应用,但现有技术仍然无法解决电池的性能退化现象,。性能退化涉及的因素较多,例如阳极、电解液、阴极的许多化学副反应在受到影响时,均会导致电池的性能退化,而电池的容量局部再生、自充电现象、用户使用习惯、环境温度、道路振动等因素下,都可能使得电池容量衰减,从而对电池的寿命产生影响。
综上,影响电池寿命的原因多种多样,这些影响电池寿命的自变量和电池寿命很可能存在复杂的非线性关系,然而现有的电池寿命预测方法,仅能捕捉各个变量之间的非线性关系,因此预测精度较低。
因此,亟需一种预测精度较高的电池剩余使用寿命预测方法。
发明内容
为了解决上述问题,本申请提出了一种电池剩余使用寿命预测方法,包括:
获取目标电池的历史电池数据,所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据;所述基础信息至少包括所述目标电池的电池型号、使用时间;通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据;确定预设的初始长短期记忆模型,并通过所述第一数据训练所述初始长短期记忆模型,以得到所述目标电池的电池容量预测模型;获取所述目标电池的当前工作数据,并通过所述t分布-随机邻近嵌入算法对所述历史工作数据进行降维,以得到第二数据;将所述第二数据输入至所述电池容量预测模型,得到所述目标电池的预测电池容量;根据所述预测电池容量以及所述基础信息,确定所述目标电池的剩余使用寿命。
在一个示例中,所述通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据,具体包括:确认所述历史工作数据中的多种工作特征以及与所述多种工作特征对应的特征值;所述多种工作特征的至少包括电池容量、电压状态、电流状态;在所述历史工作数据中剔除所述电池容量以及所述电池容量对应的特征值,以得到初始训练数据;通过所述t分布-随机邻近嵌入算法,对所述初始训练数据进行降维,以得到所述第一数据。
在一个示例中,所述通过所述t分布-随机邻近嵌入算法,对所述初始训练数据进行降维,以得到所述第一数据,具体包括:确定所述初始训练数据的原始空间以及嵌入空间;以条件概率描述所述初始训练数据中的各个数据点之间的相似度;确定所述原始空间以及所述嵌入空间的联合概率分布的损失函数,并通过梯度下降算法降低所述损失函数,以使所述损失函数取到所述损失函数的最低值,以得到所述第一数据。
在一个示例中,所述原始空间中所述各个数据点之间的所述条件概率通过高斯联合分布进行表示;所述嵌入空间中所述各个数据点之间的所述条件概率通过t分布进行表示;所述损失函数为所述高斯联合分布与所述t分布之间的相对熵。
在一个示例中,所述通过所述t分布-随机邻近嵌入算法,对所述初始训练数据进行降维之后,所述方法还包括:确定所述工作特征对应多个数据点;在所述多个数据点之间选择任一数据点,计算所述任一数据点与其他数据点之间的距离之和,并将所述距离之和作为所述任一数据点的路径权值;将所述路径权值大于第一预设阈值的所述数据点剔除,以得到所述第一数据。
在一个示例中,所述训练所述初始长短期记忆模型,具体包括:通过使用反向传播算法对所述初始长短期记忆模型训练,所述训练过程具体包括:通过确定所述初始长短期记忆模型中每个神经元的误差项值,确定优化目标函数;通过所述优化目标函数的梯度指引,更新所述初始长短期记忆模型中的网络权值参数,直至所述误差项值低于第二预设阈值。
在一个示例中,获取目标电池的电池数据之后,所述方法还包括:确定所述电池数据的的缺失值占比;若所述缺失值占比高于第三预设阈值,则将所述电池数据删除;若所述缺失值占比低于所述第三预设阈值,且高于第四预设阈值,则确定所述缺失值对应的所述电池数据的均值,并通过所述均值对所述缺失值进行填充。
在一个示例中,所述确定所述目标电池的剩余使用寿命之后,所述方法还包括:根据所述目标电池的所述基础信息,确定所述目标电池的告警阈值;若所述目标电池的所述剩余使用寿命低于所述告警阈值,则通过告警装置进行告警。
本申请还提供了一种电池剩余使用寿命预测设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:获取目标电池的历史电池数据,所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据;所述基础信息至少包括所述目标电池的电池型号、使用时间;通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据;确定预设的初始长短期记忆模型,并通过所述第一数据训练所述初始长短期记忆模型,以得到所述目标电池的电池容量预测模型;获取所述目标电池的当前工作数据,并通过所述t分布-随机邻近嵌入算法对所述历史工作数据进行降维,以得到第二数据;将所述第二数据输入至所述电池容量预测模型,得到所述目标电池的预测电池容量;根据所述预测电池容量以及所述基础信息,确定所述目标电池的剩余使用寿命。
本申请还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:获取目标电池的历史电池数据,所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据;所述基础信息至少包括所述目标电池的电池型号、使用时间;通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据;确定预设的初始长短期记忆模型,并通过所述第一数据训练所述初始长短期记忆模型,以得到所述目标电池的电池容量预测模型;获取所述目标电池的当前工作数据,并通过所述t分布-随机邻近嵌入算法对所述历史工作数据进行降维,以得到第二数据;将所述第二数据输入至所述电池容量预测模型,得到所述目标电池的预测电池容量;根据所述预测电池容量以及所述基础信息,确定所述目标电池的剩余使用寿命。
通过本申请提出的方法能够通过t分布-随机邻近嵌入算法捕捉变量间的非线性关系,并将海量数据进行降维,在减少计算量的同时,可以更多的保留自变量的有效信息,从而提高LSTM模型的预测精度,从而使得对于电池长期的寿命预测更加准确,以在更大程度上保障电池的安全使用。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种电池剩余使用寿命预测方法的流程示意图;
图2为本申请实施例中一种电池剩余使用寿命预测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、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。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书一个或多个实施例提供的一种电池剩余使用寿命预测方法的流程示意图。该方法可以应用于不同类型的电池,该流程可以由相应领域的计算设备执行,流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。需要说明的是,该服务器可以是单独的一台设备,可以是有多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
如图1所示,本申请实施例提供一种电池剩余使用寿命预测方法,包括:
S101:获取目标电池的历史电池数据,所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据;所述基础信息至少包括所述目标电池的电池型号、使用时间。
首先需要确定预测任务,即确定带预测的目标电池,并获取目标电池的历史电池数据,这里的历史电池数据应该至少包括目标电池的基础信息以及历史工作数据。这里的基础信息应该至少包括目标电池的电池型号以及使用时间长短等类型的数据。
S102:通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据。
获取了目标电池的历史电池数据之后,由于电池数据中变量数目较多,且数据量大,导致后续预测过程的计算量也较大,因此,首先需要对历史电池数据进行降维,以缩小历史电池数据的数据量,从而减小后续过程的计算量。现有技术中通常使用主成分分析方法进行降维,但是主成分分析方法仅能捕捉变量之间的线性关系,但影响电池寿命的原因多种多样,这些影响电池寿命的自变量和电池寿命很可能存在复杂的非线性关系,因此通过使用主成分分析方法对历史电池数据降维,准确性不高。本申请通过使用t分布-随机邻近嵌入算法(t-distributed stochastic neighbor embedding,t-SNE)对历史电池数据进行降维,以得到第一数据,并将第一数据作为后续预测模型的训练数据。
S103:确定预设的初始长短期记忆模型,并通过所述第一数据训练所述初始长短期记忆模型,以得到所述目标电池的电池容量预测模型。
在将历史电池数据进行降维,得到第一数据之后,需要确定初始长短期记忆模型,长短期记忆网络(Long Short-Term Memory,LSTM)是一种时间循环神经网络,是为了解决一般的循环神经网络(RNN)存在的长期依赖问题而专门设计出来的,主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说,就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。获取预设的初始长短期记忆模型之后,通过第一数据,对初始长短期记忆模型进行训练,以得到能够预测目标电池的电池容量的电池容量预测模型。将训练好的模型在验证数据集上验证模型预测效果。调整模型参数使得模型在训练集和验证集都能取得较好的预测效果。
S104:获取所述目标电池的当前工作数据,并通过所述t分布-随机邻近嵌入算法对所述历史工作数据进行降维,以得到第二数据。
得到了电池容量预测模型之后,就可以通过目标电池的当前数据,对目标电池当前的电池容量进行预测,因此,需要获取目标电池的当前工作数据,并再次通过t分布-随机邻近嵌入算法,对当前工作数据进行降维,以降低当前工作数据的数据量,以得到第二数据。
S105:将所述第二数据输入至所述电池容量预测模型,得到所述目标电池的预测电池容量。
对当前工作数据进行降维,以降低当前工作数据的数据量,以得到第二数据之后,通过第二数据以及电池容量预测模型,能够得到目标电池的预测电池容量,也就是电池容量的预测值。
S106:根据所述预测电池容量以及所述基础信息,确定所述目标电池的剩余使用寿命。
得到电池容量的预测值之后,因为电池容量和电池损耗情况之间存在对应关系,我们就可以根据模型预测的电池容量数值来判断电池的损耗情况,即通过电池容量预测值确定目标电池的剩余使用寿命。
在一个实施例中,在通过t分布-随机邻近嵌入算法对历史工作数据进行降维,得到第一数据时,首先需要确认历史工作数据中的多种工作特征以及与多种工作特征对应的特征值,这里的工作特征应当至少包括电池容量、电压状态、电流状态等。在对电池容量进行预测时,将电池容量作为因变量,其他变量作为自变量,这里自变量即为初始训练数据,因此在对历史工作数据进行降维时,仅将初始训练数据传入t分布-随机邻近嵌入算法进行降维处理。同时,将降维后的初始训练数据和电池容量数据合并后,划分为训练数据集以及验证数据集,在这里训练数据集和验证数据集都是第一数据。
进一步地,在通过所述t分布-随机邻近嵌入算法,对初始训练数据进行降维时,首先需要确定初始训练数据的原始空间以及嵌入空间,这里的原始空间指的是初始训练数据在进行降维之前的高维空间,嵌入空间则是预设的低维空间。比如要将原本20维的数据降维至3维,那么原始空间就是20维空间,嵌入空间就是3维空间。通过条件概率的形式,描述初始训练数据中的各个数据点的相似度,然后通过原始空间和嵌入空间的联合概率分布的损失函数,来评估嵌入效果的好坏,并通过梯度下降算法最小化损失函数,最终获得收敛结果。通过梯度下降算法最小化损失函数,最终获得收敛结果,即第一数据。
更进一步地,原始空间中数据点的相似度由高斯联合分布表示,嵌入空间中数据点的相似度由学生t分布表示。t分布是一种长尾分布,从图中可以看到,在没有异常点时,t分布与高斯分布的拟合结果基本一致。而在第二张图中,出现了部分异常点,由于高斯分布的尾部较低,对异常点比较敏感,为了照顾这些异常点,高斯分布的拟合结果偏离了大多数样本所在位置,方差也较大。相比之下,t分布的尾部较高,对异常点不敏感,保证了其鲁棒性,因此其拟合结果更为合理,较好的捕获了数据的整体特征。同时损失函数为高斯联合分布与t分布之间的相对熵。
更进一步地,通过所述t分布-随机邻近嵌入算法,对所述初始训练数据进行降维之后,为了进一步减小计算量,可以在降维后的初始训练数据中,确定每个工作特征对应的多个数据点,并在多个数据点之间任选一个数据点,并计算该数据点与其他数据点的距离之和,并将距离之和作为这一数据点的路径权值。选择路径权值较大的数据点进行剔除,从而得到第一数据。从可视化角度来讲,这一步骤是为了将与其他同工作特征的数据点相距较远的数据点剔除,从而减小噪点的影响。
在一个实施例中,在训练初始长短期记忆模型时,是通过使用反向传播算法对初始长短期记忆模型训练的,且训练过程具体包括:通过确定初始长短期记忆模型中每个神经元的误差项值,从而确定优化目标函数;并根据优化目标函数的梯度指引,更新初始长短期记忆模型中的网络权值参数,直至误差项值低于第二预设阈值,此时长短期记忆模型即为训练至满意程度。
在一个实施例中,在获取目标电池的电池数据之后,还要对电池数据进行预处理,其中预处理过程具体包括:对于缺失值占比较大,即缺失值占比高于第三预设阈值的电池数据,将电池数据进行删除;对于缺失值低于第三预设阈值,且高于第四预设阈值,即缺失值占比不算太高,则确定缺失值对应的电池数据的均值,并通过均值对所述缺失值进行填充。从而保证电池数据的完整性,避免缺失值占比过大对后续预测过程造成影响。
在一个实施例中,确定目标电池的剩余使用寿命之后,可以根据目标电池的基础信息,确定目标电池的告警阈值。一旦目标电池的剩余使用寿命低于告警阈值时,则通过告警装置进行告警,从而保障电池的安全使用。
如图2所示,本申请实施例还提供了一种电池剩余使用寿命预测设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取目标电池的历史电池数据,所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据;所述基础信息至少包括所述目标电池的电池型号、使用时间;通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据;确定预设的初始长短期记忆模型,并通过所述第一数据训练所述初始长短期记忆模型,以得到所述目标电池的电池容量预测模型;获取所述目标电池的当前工作数据,并通过所述t分布-随机邻近嵌入算法对所述历史工作数据进行降维,以得到第二数据;将所述第二数据输入至所述电池容量预测模型,得到所述目标电池的预测电池容量;根据所述预测电池容量以及所述基础信息,确定所述目标电池的剩余使用寿命。
本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:获取目标电池的历史电池数据,所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据;所述基础信息至少包括所述目标电池的电池型号、使用时间;通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据;确定预设的初始长短期记忆模型,并通过所述第一数据训练所述初始长短期记忆模型,以得到所述目标电池的电池容量预测模型;获取所述目标电池的当前工作数据,并通过所述t分布-随机邻近嵌入算法对所述历史工作数据进行降维,以得到第二数据;将所述第二数据输入至所述电池容量预测模型,得到所述目标电池的预测电池容量;根据所述预测电池容量以及所述基础信息,确定所述目标电池的剩余使用寿命。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种电池剩余使用寿命预测方法,其特征在于,包括:
获取目标电池的历史电池数据,所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据;所述基础信息至少包括所述目标电池的电池型号、使用时间;
通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据;
确定预设的初始长短期记忆模型,并通过所述第一数据训练所述初始长短期记忆模型,以得到所述目标电池的电池容量预测模型;
获取所述目标电池的当前工作数据,并通过所述t分布-随机邻近嵌入算法对所述历史工作数据进行降维,以得到第二数据;
将所述第二数据输入至所述电池容量预测模型,得到所述目标电池的预测电池容量;
根据所述预测电池容量以及所述基础信息,确定所述目标电池的剩余使用寿命。
2.根据权利要求1所述的方法,其特征在于,所述通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据,具体包括:
确认所述历史工作数据中的多种工作特征以及与所述多种工作特征对应的特征值;所述多种工作特征的至少包括电池容量、电压状态、电流状态;
在所述历史工作数据中剔除所述电池容量以及所述电池容量对应的特征值,以得到初始训练数据;
通过所述t分布-随机邻近嵌入算法,对所述初始训练数据进行降维,以得到所述第一数据。
3.根据权利要求2所述的方法,其特征在于,所述通过所述t分布-随机邻近嵌入算法,对所述初始训练数据进行降维,以得到所述第一数据,具体包括:
确定所述初始训练数据的原始空间以及嵌入空间;
以条件概率描述所述初始训练数据中的各个数据点之间的相似度;
确定所述原始空间以及所述嵌入空间的联合概率分布的损失函数,并通过梯度下降算法降低所述损失函数,以使所述损失函数取到所述损失函数的最低值,以得到所述第一数据。
4.根据权利要求3所述的方法,其特征在于,所述原始空间中所述各个数据点之间的所述条件概率通过高斯联合分布进行表示;
所述嵌入空间中所述各个数据点之间的所述条件概率通过t分布进行表示;
所述损失函数为所述高斯联合分布与所述t分布之间的相对熵。
5.根据权利要求4所述的方法,其特征在于,所述通过所述t分布-随机邻近嵌入算法,对所述初始训练数据进行降维之后,所述方法还包括:
确定所述工作特征对应多个数据点;
在所述多个数据点之间选择任一数据点,计算所述任一数据点与其他数据点之间的距离之和,并将所述距离之和作为所述任一数据点的路径权值;
将所述路径权值大于第一预设阈值的所述数据点剔除,以得到所述第一数据。
6.根据权利要求1所述的方法,其特征在于,所述训练所述初始长短期记忆模型,具体包括:
通过使用反向传播算法对所述初始长短期记忆模型训练,所述训练过程具体包括:
通过确定所述初始长短期记忆模型中每个神经元的误差项值,确定优化目标函数;
通过所述优化目标函数的梯度指引,更新所述初始长短期记忆模型中的网络权值参数,直至所述误差项值低于第二预设阈值。
7.根据权利要求1所述的方法,其特征在于,获取目标电池的电池数据之后,所述方法还包括:
确定所述电池数据的的缺失值占比;
若所述缺失值占比高于第三预设阈值,则将所述电池数据删除;
若所述缺失值占比低于所述第三预设阈值,且高于第四预设阈值,则确定所述缺失值对应的所述电池数据的均值,并通过所述均值对所述缺失值进行填充。
8.根据权利要求1所述的方法,其特征在于,所述确定所述目标电池的剩余使用寿命之后,所述方法还包括:
根据所述目标电池的所述基础信息,确定所述目标电池的告警阈值;
若所述目标电池的所述剩余使用寿命低于所述告警阈值,则通过告警装置进行告警。
9.一种电池剩余使用寿命预测设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:
获取目标电池的历史电池数据,所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据;所述基础信息至少包括所述目标电池的电池型号、使用时间;
通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据;
确定预设的初始长短期记忆模型,并通过所述第一数据训练所述初始长短期记忆模型,以得到所述目标电池的电池容量预测模型;
获取所述目标电池的当前工作数据,并通过所述t分布-随机邻近嵌入算法对所述历史工作数据进行降维,以得到第二数据;
将所述第二数据输入至所述电池容量预测模型,得到所述目标电池的预测电池容量;
根据所述预测电池容量以及所述基础信息,确定所述目标电池的剩余使用寿命。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
获取目标电池的历史电池数据,所述历史电池数据至少包括所述目标电池的基础信息、历史工作数据;所述基础信息至少包括所述目标电池的电池型号、使用时间;
通过t分布-随机邻近嵌入算法对所述历史工作数据进行降维,得到第一数据;
确定预设的初始长短期记忆模型,并通过所述第一数据训练所述初始长短期记忆模型,以得到所述目标电池的电池容量预测模型;
获取所述目标电池的当前工作数据,并通过所述t分布-随机邻近嵌入算法对所述历史工作数据进行降维,以得到第二数据;
将所述第二数据输入至所述电池容量预测模型,得到所述目标电池的预测电池容量;
根据所述预测电池容量以及所述基础信息,确定所述目标电池的剩余使用寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111655629.6A CN114330130A (zh) | 2021-12-30 | 2021-12-30 | 一种电池剩余使用寿命预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111655629.6A CN114330130A (zh) | 2021-12-30 | 2021-12-30 | 一种电池剩余使用寿命预测方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330130A true CN114330130A (zh) | 2022-04-12 |
Family
ID=81018333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111655629.6A Pending CN114330130A (zh) | 2021-12-30 | 2021-12-30 | 一种电池剩余使用寿命预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330130A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144780A (zh) * | 2022-06-16 | 2022-10-04 | 中国第一汽车股份有限公司 | 电池的健康检测方法及存储介质 |
CN115327382A (zh) * | 2022-06-28 | 2022-11-11 | 广州汽车集团股份有限公司 | 电池使用寿命预测模型的生成方法、装置及车辆 |
CN115544903A (zh) * | 2022-11-29 | 2022-12-30 | 深圳市菲尼基科技有限公司 | 基于大数据的电池数据处理方法、装置、设备及存储介质 |
CN115656862A (zh) * | 2022-12-09 | 2023-01-31 | 深圳海润新能源科技有限公司 | 寿命预测方法、电池管理系统、用电设备及存储介质 |
CN115856694A (zh) * | 2022-12-28 | 2023-03-28 | 深圳市南霸科技有限公司 | 电池寿命预测方法、装置、计算机设备和存储介质 |
WO2024045567A1 (zh) * | 2022-08-31 | 2024-03-07 | 广东邦普循环科技有限公司 | 电池寿命预测方法、系统、终端设备及计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109991542A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
CN111999648A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 |
CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
CN113743661A (zh) * | 2021-08-30 | 2021-12-03 | 西安交通大学 | 锂离子电池在线容量预测的方法、系统、设备及存储介质 |
-
2021
- 2021-12-30 CN CN202111655629.6A patent/CN114330130A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109991542A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111999648A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 |
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
CN113743661A (zh) * | 2021-08-30 | 2021-12-03 | 西安交通大学 | 锂离子电池在线容量预测的方法、系统、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
LVYYIN: "t-SNE算法", HTTPS://BLOG.CSDN.NET/SINAT_20177327/ARTICLE/DETAILS/80298645, pages 1 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144780A (zh) * | 2022-06-16 | 2022-10-04 | 中国第一汽车股份有限公司 | 电池的健康检测方法及存储介质 |
CN115327382A (zh) * | 2022-06-28 | 2022-11-11 | 广州汽车集团股份有限公司 | 电池使用寿命预测模型的生成方法、装置及车辆 |
CN115327382B (zh) * | 2022-06-28 | 2024-02-23 | 广州汽车集团股份有限公司 | 电池使用寿命预测模型的生成方法、装置及车辆 |
WO2024045567A1 (zh) * | 2022-08-31 | 2024-03-07 | 广东邦普循环科技有限公司 | 电池寿命预测方法、系统、终端设备及计算机可读介质 |
CN115544903A (zh) * | 2022-11-29 | 2022-12-30 | 深圳市菲尼基科技有限公司 | 基于大数据的电池数据处理方法、装置、设备及存储介质 |
CN115656862A (zh) * | 2022-12-09 | 2023-01-31 | 深圳海润新能源科技有限公司 | 寿命预测方法、电池管理系统、用电设备及存储介质 |
CN115656862B (zh) * | 2022-12-09 | 2023-03-10 | 深圳海润新能源科技有限公司 | 寿命预测方法、电池管理系统、用电设备及存储介质 |
CN115856694A (zh) * | 2022-12-28 | 2023-03-28 | 深圳市南霸科技有限公司 | 电池寿命预测方法、装置、计算机设备和存储介质 |
CN115856694B (zh) * | 2022-12-28 | 2023-10-31 | 深圳市南霸科技有限公司 | 电池寿命预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330130A (zh) | 一种电池剩余使用寿命预测方法、设备及介质 | |
CN109063886B (zh) | 一种异常检测方法、装置以及设备 | |
EP3678072A1 (en) | Model integration method and device | |
CN105740667A (zh) | 一种基于用户行为的信息识别方法及装置 | |
CN110503566B (zh) | 风控模型建立方法、装置、计算机设备及存储介质 | |
CN115550195A (zh) | 流量抑制预测方法、电子设备、存储介质 | |
CN113506175A (zh) | 中小企业风险预警模型优化方法、装置、设备和存储介质 | |
CN117035374A (zh) | 一种应对突发事件的兵力协同调度方法、系统及介质 | |
CN110928941B (zh) | 一种数据分片抽取方法及装置 | |
CN112738098A (zh) | 一种基于网络行为数据的异常检测方法及装置 | |
CN116991455A (zh) | 一种api资产识别方法和装置 | |
CN110163470B (zh) | 事件评估方法及装置 | |
CN115456801B (zh) | 个人信用的人工智能大数据风控系统、方法和存储介质 | |
CN116225958A (zh) | 故障预测方法、装置、存储介质及电子设备 | |
CN111258871A (zh) | 一种分布式文件系统的验证方法、装置、设备及存储介质 | |
CN115134805B (zh) | 预测潜在携入的异网号码的方法、装置、设备及存储介质 | |
CN115579887B (zh) | 一种传输线路动态增容方法、系统及介质 | |
CN115757061A (zh) | 一种服务器硬件需求的获取方法、装置、设备及介质 | |
CN117934076A (zh) | 权益方案的确定方法、装置、处理器及电子设备 | |
CN118353773A (zh) | 一种用于信息通信系统的故障定位方法及系统 | |
CN117648638A (zh) | 监测策略的确定方法、装置以及电子设备 | |
CN116401088A (zh) | 根因指标确定方法、装置及设备 | |
CN114358641A (zh) | 一种预算审批的预测方法、装置、设备及介质 | |
CN117459576A (zh) | 基于边缘计算的数据推送方法、装置和计算机设备 | |
CN117540857A (zh) | 一种单据量的预测方法、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 |