CN114579644B - 基于深度学习的电池有效充电数据识别方法、设备和介质 - Google Patents
基于深度学习的电池有效充电数据识别方法、设备和介质 Download PDFInfo
- Publication number
- CN114579644B CN114579644B CN202210483230.2A CN202210483230A CN114579644B CN 114579644 B CN114579644 B CN 114579644B CN 202210483230 A CN202210483230 A CN 202210483230A CN 114579644 B CN114579644 B CN 114579644B
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- chaos
- deep learning
- total 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 38
- 238000013136 deep learning model Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000028659 discharge Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明实施例公开了一种基于深度学习的电池有效充电数据识别方法、设备和介质。其中,方法包括:获取整车充电过程中的充电数据曲线;采用多个不同尺寸的滑动窗口在所述充电数据曲线上进行滑动,在每个滑动窗口的每次滑动后,根据窗口内的充电数据曲线计算数据混乱度和数据变化趋势,进而汇总得到每个滑动窗口对应的总数据混乱度和总数据变化趋势;提取所述总数据混乱度和总数据变化趋势的特征;将所述总数据混乱度和总数据变化趋势的特征输入至深度学习模型,得到所述深度学习模型输出的有效或无效的识别结果。本实施例可以实现电池有效充电数据的快速、自动化识别。
Description
技术领域
本发明实施例涉及深度学习和数据识别技术领域,尤其涉及一种基于深度学习的电池有效充电数据识别方法、设备和介质。
背景技术
目前电动汽车动力电池的在线准确估算是行业内的一大难题。消费者在购买和使用电动汽车时,核心的关注点包括续航里程和经济性,与之相对应的便是对电池可用容量的准确预测。对于电池寿命预测的研究,目前主要还是基于恒流工况下获得的容量数据。然而,在电动汽车的实际运行中,由于车辆运行工况极其复杂,因此无法得到恒流放电阶段的容量数据。考虑到整车充电过程通常较为规范,电流变化通常具有规律性或比较稳定,因此采用充电过程的数据进行寿命预测成为一种可行的手段。
在实际应用中,由于车辆所处环境较复杂,受温度波动、充电桩的充电方式、电池传感器精度、以及电池本身老化程度的影响,可能会造成充电数据丢包或者数据混乱、错误的情况,导致充电段数据质量参差不齐,无法将充电段数据用于进行电池可用寿命的预测。
因此需要开发相关的算法,能够实现整车充电状态下电池有效充电数据的快速、自动化识别。
发明内容
本发明实施例提供一种基于深度学习的电池有效充电数据识别方法、设备和介质,以实现电池有效充电数据的快速、自动化识别。
第一方面,本发明实施例提供了一种基于深度学习的电池有效充电数据识别方法,包括:
获取整车充电过程中的充电数据曲线;
采用多个不同尺寸的滑动窗口在所述充电数据曲线上进行滑动,在每个滑动窗口的每次滑动后,根据窗口内的充电数据曲线计算数据混乱度和数据变化趋势,进而汇总得到每个滑动窗口对应的总数据混乱度和总数据变化趋势;
提取所述总数据混乱度和总数据变化趋势的特征;
将所述总数据混乱度和总数据变化趋势的特征输入至深度学习模型,得到所述深度学习模型输出的有效或无效的识别结果。
第二方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现任一实施例所述的基于深度学习的电池有效充电数据识别方法。
第三方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一实施例所述的基于深度学习的电池有效充电数据识别方法。
本发明实施例通过采用不同尺寸的滑动窗口提取充电数据的数据特点,再进行特征提取,可以充分挖掘充电数据的变化趋势和分布规律,进一步采用深度学习模型进行识别,实现了识别的智能化、自动化;同时提高了识别效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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的附图。
图1是本发明实施例提供的一种基于深度学习的电池有效充电数据识别方法的流程图;
图2是无效的电量-电压曲线;
图3是有效的电量-电压曲线;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例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的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
基于现有技术中充电数据受到丢包和扰动影响,会使得数据质量大大降低,即使滤波也无法弥补大量的数据缺失和无序,使得无法将这些数据应用到后续的健康程度检测和故障预警中,特提出本方法,以识别充电数据是否是有效的。这里的“有效”指的是,车辆实际在充电且数据能够反映车辆的确在充电;“无效”指的是,车辆实际在充电但数据不能反映车辆在充电。
本发明实施例提供一种基于深度学习的电池有效充电数据识别方法,适用于对电池的充电数据进行有效性识别的情况,本实施例由电子设备执行。该方法的流程图如图1所示,本实施例提供的方法具体包括:
S110、获取整车充电过程中的充电数据曲线。
本实施例中的充电数据是从电池中采集到的数据,包括但不限于电压数据、电流数据和电量。
可选的,在整车充电过程中,以设定时间间隔采集电压数据以及同时刻的电量;将所述电压数据和电量构成充电数据曲线。
相比于变化差别不大的电流电压曲线,充电时的电压随着充电电量的变化是电池充电时的最重要的变化特征,代表电池本身的变化趋势,因此使用电池充电时的充电电量与电压曲线作为评判充电片段有效性的依据。选取每次充电时以相同时间间隔获取的电压数值,以及充电过程中当前时刻充入的电量,构成电池充电时的充电电量-电压曲线变化曲线片段。
图2是无效的电量-电压曲线,图3是有效的电量-电压曲线,横坐标为电量(单位为安时/AH),纵坐标为电压(单位为伏/V);但不限于此,也可以将电压作为横坐标,电量作为纵坐标。
S120、采用多个不同尺寸的滑动窗口在所述充电数据曲线上进行滑动,在每个滑动窗口的每次滑动后,根据窗口内的充电数据曲线计算数据混乱度和数据变化趋势,进而汇总得到每个滑动窗口对应的总数据混乱度和总数据变化趋势。
构建能代表曲线形状,变化趋势以及数值分布的特征数值是本发明需要解决的关键问题。充电时,随着充电电量的增加,电池的电压是不断上升的,其中,在充电过程的前段时间,电压先是快速上升,而后平缓上升,最后再快速上升。因此,整个充电过程中,有效的充电电量-电压曲线应该包含两种分布趋势,电压快速上升和电压平缓上升。
在实际应用场景中,磷酸铁锂和三元电池的充电曲线特征差异很大,本发明描述的快速上升和平缓上升这两个特征对于磷酸铁锂适用。
如果电量-电压曲线不满足该趋势,说明可能是电池本身的问题,这不在本实施例的讨论范围内。
本实施例使用不同大小的滑动窗口,以设定步长在充电数据曲线上滑动,在每个滑动窗口的每次滑动后,提取窗口内的充电数据曲线。根据窗口内第i个充电数据(第i个充电数据为所述窗口内的任一数据,第i个充电数据可以是电压或者电量)与将所述窗口内充电数据进行顺序排序后的第i个充电数据的距离,计算数据混乱度,参见公式1。在每个滑动窗口的每次滑动后,根据窗口内充电数据进行排序后相邻充电数据的距离,计算数据变化趋势,参见公式3。进一步的,汇总得到每个滑动窗口对应的总数据混乱度和总数据变化趋势,包括:将每个滑动窗口历次滑动后计算出的数据混乱度相加,得到每个滑动窗口对应的总数据混乱度,参见公式2;将每个滑动窗口历次滑动后计算出的数据变化趋势相加,得到每个滑动窗口对应的总数据变化趋势,参见公式4。
公式1中,F(i)代表滑动窗口中的第i个充电数据,FS(i)代表将滑动窗口的数值正序排列(例如从小到大)后的第i个充电数据。
公式2中,m是当前滑动窗口j在整个充电曲线上滑动的次数,Ftotal_cj为当前滑动窗口j对应的总数据混乱度。
公式3中,FS(i-1)代表将滑动窗口的数值正序排列后的第i-1个充电数据。
公式4中,当滑动窗口在整个曲线计算完成后,将数值变化趋势进行叠加,代表当前滑动窗口j的总数据变化趋势Ftotal_sj。
总数据混乱度代表整个曲线的数值突变量,总数据变化趋势代表整个曲线的形状。计算总数据混乱度能有效计算出曲线的总突变量,计算总数据变化趋势能有效计算出曲线的整体形状。使用不同大小的滑动窗口对数据混乱度和数据变化趋势进行汇总,当滑动窗口长度较小时,能获取曲线的局部特征,即局部数值突变;当长度较大时,能获取曲线的全局特征,即曲线的趋势变化。
S130、提取所述总数据混乱度和总数据变化趋势的特征。
总数据混乱度和总数据变化趋势的特征可以是总数据混乱度和总数据变化趋势本身。
由于总数据混乱度和总数据变化趋势体现的是原始数据,数值范围广泛,特征不明显,优选的,提取多个总数据混乱度的分布特征;提取多个总数据变化趋势的分布特征;将所述多个总数据混乱度的分布特征和多个总数据变化趋势的分布特征构成二维矩阵,作为提取的特征。
具体的,可采用统计直方图,分别统计总数据混乱度和总数据变化趋势,统计总数据混乱度/总数据变化趋势落在不同数据范围内的个数,作为分布特征,构成二维矩阵的行向量。
本实施例计算得到的特征反映了曲线的局部和全局的变化趋势以及数值分布。因此,使用的特征能够代表充电电量-电压曲线变化趋势和数值分布。
S140、将所述总数据混乱度和总数据变化趋势的特征输入至深度学习模型,得到所述深度学习模型输出的有效或无效的识别结果。
本实施例不限定深度学习模型的种类,可选的,深度学习模型为基于自注意力机制的深度学习模型。
深度学习模型用于输入总数据混乱度和总数据变化趋势的特征并进行有效性识别。在S140之前需要对深度学习模型进行训练。可选的,构建训练样本,所述训练样本包括总数据混乱度和总数据变化趋势的特征样本,所述特征样本的有效标签和无效标签;构建待训练的深度学习模型;根据所述训练样本对所述待训练的深度学习模型进行训练。
其中,在电池充电过程中,人为判断有效或者无效的充电数据,并人为标注有效标签和无效标签。特征样本与上述S130中的特征提取方式相同,此处不再赘述。训练采用的损失函数为交叉熵。
可选的,在将所述总数据混乱度和总数据变化趋势的特征输入至深度学习模型,得到所述深度学习模型输出的有效或无效的识别结果之后,还包括:如果识别结果为有效,根据充电数据曲线检测电池健康程度,和/或进行故障预警。
在对电池进行安全预警分析以及健康状态检测时都需要基于电池不同循环次数的充电片段数据的特征趋势,如果采用有效的,即能准确反映电池充电状态的数据检测电池健康程度,和/或进行故障预警,则可以显著提高检测和报警的准确性。
本发明实施例通过采用不同尺寸的滑动窗口提取充电数据的数据特点,再进行特征提取,可以充分挖掘充电数据的变化趋势和分布规律,进一步采用深度学习模型进行识别,实现了识别的智能化、自动化;同时提高了识别效率。
图4为本发明实施例提供的一种电子设备的结构示意图,如图4所示,该设备包括处理器40、存储器41、输入装置42和输出装置43;设备中处理器40的数量可以是一个或多个,图4中以一个处理器40为例;设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的基于深度学习的电池有效充电数据识别方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于深度学习的电池有效充电数据识别方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一实施例的燃料电池流阻值函数训练方法或燃料电池流阻值预测方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、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。在本文件中,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。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (8)
1.一种基于深度学习的电池有效充电数据识别方法,其特征在于,包括:
获取整车充电过程中的充电数据曲线,具体的,在整车充电过程中,以设定时间间隔采集电压数据以及同时刻的电量;将所述电压数据和电量构成充电数据曲线;
采用多个不同尺寸的滑动窗口在所述充电数据曲线上进行滑动,在每个滑动窗口的每次滑动后,根据窗口内的充电数据曲线计算数据混乱度和数据变化趋势,进而汇总得到每个滑动窗口对应的总数据混乱度和总数据变化趋势;具体的,所述在每个滑动窗口的每次滑动后,根据窗口内的充电数据曲线计算数据混乱度和数据变化趋势,包括:在每个滑动窗口的每次滑动后,根据窗口内第i个充电数据与将所述窗口内充电数据进行顺序排序后的第i个充电数据的距离,计算数据混乱度;所述第i个充电数据为所述窗口内的任一数据;在每个滑动窗口的每次滑动后,根据窗口内充电数据进行排序后相邻充电数据的距离,计算数据变化趋势;
提取所述总数据混乱度和总数据变化趋势的特征;
将所述总数据混乱度和总数据变化趋势的特征输入至深度学习模型,得到所述深度学习模型输出的有效充电数据或无效充电数据的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述汇总得到每个滑动窗口对应的总数据混乱度和总数据变化趋势,包括:
将每个滑动窗口历次滑动后计算出的数据混乱度相加,得到每个滑动窗口对应的总数据混乱度;
将每个滑动窗口历次滑动后计算出的数据变化趋势相加,得到每个滑动窗口对应的总数据变化趋势。
3.根据权利要求1所述的方法,其特征在于,所述提取所述总数据混乱度和总数据变化趋势的特征,包括:
提取多个总数据混乱度的分布特征;
提取多个总数据变化趋势的分布特征;
将所述多个总数据混乱度的分布特征和多个总数据变化趋势的分布特征构成二维矩阵。
4.根据权利要求1所述的方法,其特征在于,在将所述总数据混乱度和总数据变化趋势的特征输入至深度学习模型,得到所述深度学习模型输出的有效充电数据或无效充电数据的识别结果之前,还包括:
构建训练样本,所述训练样本包括总数据混乱度和总数据变化趋势的特征样本,所述特征样本的有效标签和无效标签;
构建待训练的深度学习模型;
根据所述训练样本对所述待训练的深度学习模型进行训练。
5.根据权利要求1所述的方法,其特征在于,所述深度学习模型为基于自注意力机制的深度学习模型。
6.根据权利要求1-5任一项所述的方法,其特征在于,在将所述总数据混乱度和总数据变化趋势的特征输入至深度学习模型,得到所述深度学习模型输出的有效充电数据或无效充电数据的识别结果之后,还包括:
如果识别结果为有效充电数据,根据所述充电数据曲线检测电池健康程度,和/或进行故障预警。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的基于深度学习的电池有效充电数据识别方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的基于深度学习的电池有效充电数据识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210483230.2A CN114579644B (zh) | 2022-05-06 | 2022-05-06 | 基于深度学习的电池有效充电数据识别方法、设备和介质 |
KR1020220181132A KR102615145B1 (ko) | 2022-05-06 | 2022-12-21 | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210483230.2A CN114579644B (zh) | 2022-05-06 | 2022-05-06 | 基于深度学习的电池有效充电数据识别方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114579644A CN114579644A (zh) | 2022-06-03 |
CN114579644B true CN114579644B (zh) | 2022-07-22 |
Family
ID=81785582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210483230.2A Active CN114579644B (zh) | 2022-05-06 | 2022-05-06 | 基于深度学习的电池有效充电数据识别方法、设备和介质 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102615145B1 (zh) |
CN (1) | CN114579644B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184968B (zh) * | 2023-04-24 | 2023-07-11 | 山东星峰面粉机械有限公司 | 用于玉米熟粉生产线的生产控制方法及系统 |
CN117233629B (zh) * | 2023-11-13 | 2024-01-30 | 深圳市普裕时代新能源科技有限公司 | 一种锂离子电池电性能测试方法、系统、设备及介质 |
CN117591987B (zh) * | 2024-01-18 | 2024-04-26 | 北京国旺盛源智能终端科技有限公司 | 一种基于人工智能的用电设备监测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397592A (zh) * | 2022-01-07 | 2022-04-26 | 中国第一汽车股份有限公司 | 一种电动汽车动力电池的健康度预测方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102357351B1 (ko) * | 2015-01-07 | 2022-01-28 | 삼성전자주식회사 | 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법 |
CN109633448B (zh) * | 2018-11-19 | 2022-01-25 | 深圳智链物联科技有限公司 | 识别电池健康状态的方法、装置和终端设备 |
KR102362532B1 (ko) * | 2020-03-16 | 2022-02-16 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
CN111641236B (zh) * | 2020-05-27 | 2023-04-14 | 上海电享信息科技有限公司 | 基于大数据ai的动态阈值动力电池充电电压状态判断方法 |
CN113459897B (zh) * | 2021-07-27 | 2023-06-20 | 四川嘉垭汽车科技有限公司 | 一种基于电动汽车充电大数据的荷电状态修正及预测方法 |
CN113933725B (zh) * | 2021-09-08 | 2023-09-12 | 深圳大学 | 一种基于数据驱动确定动力电池荷电状态的方法 |
CN113866659A (zh) * | 2021-09-26 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于机器学习和安时积分法的锂电池soh预测方法 |
CN113895272A (zh) * | 2021-10-15 | 2022-01-07 | 青岛科技大学 | 基于深度学习的电动汽车交流充电状态监测和故障预警方法 |
-
2022
- 2022-05-06 CN CN202210483230.2A patent/CN114579644B/zh active Active
- 2022-12-21 KR KR1020220181132A patent/KR102615145B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397592A (zh) * | 2022-01-07 | 2022-04-26 | 中国第一汽车股份有限公司 | 一种电动汽车动力电池的健康度预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114579644A (zh) | 2022-06-03 |
KR20230156641A (ko) | 2023-11-14 |
KR102615145B1 (ko) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114579644B (zh) | 基于深度学习的电池有效充电数据识别方法、设备和介质 | |
CN112858919B (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN107290679B (zh) | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 | |
CN110458195B (zh) | 一种基于多判据融合的异常数据甄别方法 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN103954913A (zh) | 电动汽车动力电池寿命预测方法 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
Wang et al. | Dynamic early recognition of abnormal lithium-ion batteries before capacity drops using self-adaptive quantum clustering | |
CN113253125B (zh) | 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN117173100B (zh) | 聚合物锂离子电池生产控制系统及其方法 | |
CN117148169A (zh) | 基于大数据的电池使用时间预测方法、系统、设备及介质 | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN116910655A (zh) | 一种基于装置量测数据的智能电能表故障预测方法 | |
CN115374211A (zh) | 基于物联网的车间设备运行监测方法、装置和计算机设备 | |
CN113077038A (zh) | 工业数据特征选择方法、装置、计算机设备和存储介质 | |
CN114994547B (zh) | 基于深度学习和一致性检测的电池包安全状态评估方法 | |
CN117406007B (zh) | 一种充电桩充电数据检测方法及系统 | |
CN115544903B (zh) | 基于大数据的电池数据处理方法、装置、设备及存储介质 |
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 |