CN115114843A - 一种电池容量的预测方法、相关装置、设备以及存储介质 - Google Patents
一种电池容量的预测方法、相关装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115114843A CN115114843A CN202210454868.3A CN202210454868A CN115114843A CN 115114843 A CN115114843 A CN 115114843A CN 202210454868 A CN202210454868 A CN 202210454868A CN 115114843 A CN115114843 A CN 115114843A
- Authority
- CN
- China
- Prior art keywords
- voltage
- temperature
- current
- sequence
- charge
- 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
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
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种基于人工智能技术实现的电池容量预测方法。应用场景至少包括各类终端,如:手机、电脑、车载终端等。本申请包括:获取针对待测电池的K个目标信号特征类型,K目标信号特征类型来源于电压信号集合、电流信号集合以及温度信号集合中至少一个;根据K个目标信号特征类型,获取待测电池所对应的K个信号统计值序列;基于K个信号统计值序列,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的。本申请还提供了相关装置、设备及存储介质。本申请在利用模型预测电池容量时,综合考虑了影响电池容量的多方面因素,有利于提升电池容量的预测精度,且能够对电池容量进行连续且实时的预测。
Description
技术领域
本申请涉及人工智能技术领域以及电池管理技术领域,尤其涉及一种电池容量的预测方法、相关装置、设备以及存储介质。
背景技术
能源是社会经济发展和提高人民生活水平的重要物质基础,对于能源的需求也在日趋增长。随着能源产业的蓬勃发展,电池(例如,锂离子电池、燃料电池等)在新能源车和储能场景中得以广泛应用,因此,电池容量预测变得越来越重要。
目前,主要采用基于物理电化学方法预测电池容量。具体过程为,通过数学方法建立电池物理模型或经验模型来描述电池的老化行为,该模型通常由一系列代数和微分方程构成。可见,通过建立耦合电池反应机理模型,可进行电池剩余容量的预测。
然而,发明人发现现有方案中至少存在如下问题,基于物理电化学模型的预测方法对数据需求较少,适合于实验室环境数据精准模拟。但难以描述电池衰退速率过快,电池容量回升,电池容量跳水等异常变化的情况,从而导致电池容量的预测精度较低。
发明内容
本申请实施例提供了一种电池容量的预测方法、相关装置、设备以及存储介质。本申请在利用模型预测电池容量时,综合考虑了影响电池容量的多方面因素,一方面有利于提升电池容量的预测精度,另一方面,能够对电池容量进行连续且实时的预测。
有鉴于此,本申请一方面提供一种电池容量的预测方法,包括:
获取针对待测电池的K个目标信号特征类型,其中,K目标信号特征类型来源于电压信号集合、电流信号集合以及温度信号集合中的至少一个,K为大于或等于1的整数;
根据K个目标信号特征类型,获取待测电池所对应的K个信号统计值序列,其中,每个信号统计值序列包括T个充放电周期的信号特征,K个信号统计值序列中的信号统计值序列与K个目标信号特征类型中的目标信号特征类型具有一一对应的关系,T为大于1的整数;
基于K个信号统计值序列,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的。
本申请另一方面提供一种电池容量预测装置,包括:
获取模块,用于获取针对待测电池的K个目标信号特征类型,其中,K目标信号特征类型来源于电压信号集合、电流信号集合以及温度信号集合中的至少一个,K为大于或等于1的整数;
获取模块,还用于根据K个目标信号特征类型,获取待测电池所对应的K个信号统计值序列,其中,每个信号统计值序列包括T个充放电周期的信号特征,K个信号统计值序列中的信号统计值序列与K个目标信号特征类型中的目标信号特征类型具有一一对应的关系,T为大于1的整数;
预测模块,用于基于K个信号统计值序列,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,电池容量预测装置还包括确定模块;
获取模块,还用于获取针对待测电池的K个目标信号特征类型之前,获取样本电池的至少一个电压统计值序列,其中,每个电压统计值序列包括Q个充放电周期的电压统计值,每个电压统计值序列对应于电压信号集合中的一个电压信号类型,Q为大于1的整数;
获取模块,还用于获取样本电池的至少一个电流统计值序列,其中,每个电流统计值序列包括Q个充放电周期的电流统计值,每个电流统计值序列对应于电流信号集合中的一个电流信号类型;
获取模块,还用于获取样本电池的至少一个温度统计值序列,其中,每个温度统计值序列包括Q个充放电周期的温度统计值,每个温度统计值序列对应于温度信号集合中的一个温度信号类型;
获取模块,还用于获取样本电池的电池容量序列,其中,电池容量序列包括Q个充放电周期的电池容量;
确定模块,用于根据至少一个电压统计值序列、至少一个电流统计值序列、至少一个温度统计值序列以及电池容量序列,确定针对样本电池的K个信号特征类型。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
电压信号集合包括电压均值类型、电压标准差类型、电压方差类型、电压形状因子类型、电压偏度类型、电压峰度类型、电压脉冲值类型、电压脉冲因子类型、电压波峰因子类型以及电压间隙因子类型中的至少一项;
获取模块,具体用于若电压信号集合包括电压均值类型,则生成样本电池的电压均值序列,其中,电压均值序列包括Q个充放电周期的电压均值;
若电压信号集合包括电压标准差类型,则生成样本电池的电压标准差序列,其中,电压标准差序列包括Q个充放电周期的电压标准差;
若电压信号集合包括电压方差类型,则生成样本电池的电压方差序列,其中,电压方差序列包括Q个充放电周期的电压方差;
若电压信号集合包括电压形状因子类型,则生成样本电池的电压形状因子序列,其中,电压形状因子序列包括Q个充放电周期的电压形状因子;
若电压信号集合包括电压偏度类型,则生成样本电池的电压偏度序列,其中,电压偏度序列包括Q个充放电周期的电压偏度;
若电压信号集合包括电压峰度类型,则生成样本电池的电压峰度序列,其中,电压峰度序列包括Q个充放电周期的电压峰度;
若电压信号集合包括电压脉冲值类型,则生成样本电池的电压脉冲值序列,其中,电压脉冲值序列包括Q个充放电周期的电压脉冲值;
若电压信号集合包括电压脉冲因子类型,则生成样本电池的电压脉冲因子序列,其中,电压脉冲因子序列包括Q个充放电周期的电压脉冲因子;
若电压信号集合包括电压波峰因子类型,则生成样本电池的电压波峰因子序列,其中,电压波峰因子序列包括Q个充放电周期的电压波峰因子;
若电压信号集合包括电压间隙因子类型,则生成样本电池的电压间隙因子序列,其中,电压间隙因子序列包括Q个充放电周期的电压间隙因子。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电压值,计算得到样本电池的电压均值;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压标准差;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压方差;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均方根以及各个采样点所对应的电压值,计算得到样本电池的电压形状因子;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压偏度;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压峰度;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电压值,确定样本电池的电压脉冲值;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到样本电池的电压脉冲因子;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到样本电池的电压波峰因子;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到样本电池的电压间隙因子。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
电流信号集合包括电流均值类型、电流标准差类型、电流方差类型、电流形状因子类型、电流偏度类型、电流峰度类型、电流脉冲值类型、电流脉冲因子类型、电流波峰因子类型以及电流间隙因子类型中的至少一项;
获取模块,具体用于若电流信号集合包括电流均值类型,则生成样本电池的电流均值序列,其中,电流均值序列包括Q个充放电周期的电流均值;
若电流信号集合包括电流标准差类型,则生成样本电池的电流标准差序列,其中,电流标准差序列包括Q个充放电周期的电流标准差;
若电流信号集合包括电流方差类型,则生成样本电池的电流方差序列,其中,电流方差序列包括Q个充放电周期的电流方差;
若电流信号集合包括电流形状因子类型,则生成样本电池的电流形状因子序列,其中,电流形状因子序列包括Q个充放电周期的电流形状因子;
若电流信号集合包括电流偏度类型,则生成样本电池的电流偏度序列,其中,电流偏度序列包括Q个充放电周期的电流偏度;
若电流信号集合包括电流峰度类型,则生成样本电池的电流峰度序列,其中,电流峰度序列包括Q个充放电周期的电流峰度;
若电流信号集合包括电流脉冲值类型,则生成样本电池的电流脉冲值序列,其中,电流脉冲值序列包括Q个充放电周期的电流脉冲值;
若电流信号集合包括电流脉冲因子类型,则生成样本电池的电流脉冲因子序列,其中,电流脉冲因子序列包括Q个充放电周期的电流脉冲因子;
若电流信号集合包括电流波峰因子类型,则生成样本电池的电流波峰因子序列,其中,电流波峰因子序列包括Q个充放电周期的电流波峰因子;
若电流信号集合包括电流间隙因子类型,则生成样本电池的电流间隙因子序列,其中,电流间隙因子序列包括Q个充放电周期的电流间隙因子。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电流值,计算得到样本电池的电流均值;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流标准差;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流方差;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均方根以及各个采样点所对应的电流值,计算得到样本电池的电流形状因子;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流偏度;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流峰度;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电流值,确定样本电池的电流脉冲值;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到样本电池的电流脉冲因子;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到样本电池的电流波峰因子;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到样本电池的电流间隙因子。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
温度信号集合包括温度均值类型、温度标准差类型、温度方差类型、温度形状因子类型、温度偏度类型、温度峰度类型、温度脉冲值类型、温度脉冲因子类型、温度波峰因子类型以及温度间隙因子类型中的至少一项;
获取模块,具体用于若温度信号集合包括温度均值类型,则生成样本电池的温度均值序列,其中,温度均值序列包括Q个充放电周期的温度均值;
若温度信号集合包括温度标准差类型,则生成样本电池的温度标准差序列,其中,温度标准差序列包括Q个充放电周期的温度标准差;
若温度信号集合包括温度方差类型,则生成样本电池的温度方差序列,其中,温度方差序列包括Q个充放电周期的温度方差;
若温度信号集合包括温度形状因子类型,则生成样本电池的温度形状因子序列,其中,温度形状因子序列包括Q个充放电周期的温度形状因子;
若温度信号集合包括温度偏度类型,则生成样本电池的温度偏度序列,其中,温度偏度序列包括Q个充放电周期的温度偏度;
若温度信号集合包括温度峰度类型,则生成样本电池的温度峰度序列,其中,温度峰度序列包括Q个充放电周期的温度峰度;
若温度信号集合包括温度脉冲值类型,则生成样本电池的温度脉冲值序列,其中,温度脉冲值序列包括Q个充放电周期的温度脉冲值;
若温度信号集合包括温度脉冲因子类型,则生成样本电池的温度脉冲因子序列,其中,温度脉冲因子序列包括Q个充放电周期的温度脉冲因子;
若温度信号集合包括温度波峰因子类型,则生成样本电池的温度波峰因子序列,其中,温度波峰因子序列包括Q个充放电周期的温度波峰因子;
若温度信号集合包括温度间隙因子类型,则生成样本电池的温度间隙因子序列,其中,温度间隙因子序列包括Q个充放电周期的温度间隙因子。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的温度值,计算得到样本电池的温度均值;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度标准差;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度方差;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均方根以及各个采样点所对应的温度值,计算得到样本电池的温度形状因子;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度偏度;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度峰度;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的温度值,确定样本电池的温度脉冲值;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到样本电池的温度脉冲因子;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到样本电池的温度波峰因子;
获取模块,具体用于针对Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到样本电池的温度间隙因子。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于根据至少一个电压统计值序列以及电池容量序列,计算电压信号集合中每个电压信号类型所对应的F校验值,其中,F校验值表示信号特征类型与电池容量之间的相关性;
根据至少一个电流统计值序列以及电池容量序列,计算电流信号集合中每个电流信号类型所对应的F校验值;
根据至少一个温度统计值序列以及电池容量序列,计算温度信号集合中每个温度信号类型所对应的F校验值;
按照F校验值从大到小的顺序,对电压信号集合、电流信号集合以及温度信号集合中的各个信号特征类型进行排序;
从排序结果中选择前K个信号特征类型作为针对样本电池的K个信号特征类型。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,电池容量预测装置还包括构建模块;
获取模块,还用于确定针对样本电池的K个信号特征类型之后,获取样本电池的型号信息;
构建模块,用于根据样本电池的型号信息以及针对样本电池的K个信号特征类型,构建型号特征映射关系。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,具体用于获取待测电池的目标型号信息;
若目标型号信息与样本电池的型号信息匹配一致,则根据型号特征映射关系,将K个信号特征类型作为针对待测电池的K个目标信号特征类型。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,还用于获取待测电池所对应的关联数据,其中,关联数据包括电池内阻、荷电量以及充放电周期时长中的至少一种;
预测模块,具体用于基于K个信号统计值序列以及关联数据,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,还用于获取针对样本电池集合的K个信号特征类型;
获取模块,还用于根据K个信号特征类型,获取每个样本电池所对应的K个信号统计值样本序列;
获取模块,还用于获取每个样本电池的实际电池容量;
获取模块,还用于基于每个样本电池所对应的K个信号统计值样本序列,通过多层感知机模型获取每个样本电池所对应的第一电池容量;
获取模块,还用于基于每个样本电池所对应的K个信号统计值样本序列,通过时序网络模型获取每个样本电池所对应的第二电池容量;
确定模块,还用于根据每个样本电池所对应的第一电池容量、每个样本电池所对应的第二电池容量以及每个样本电池所对应的实际电池容量,确定容量预测模型。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于根据每个样本电池所对应的第一电池容量以及每个样本电池所对应的实际电池容量,计算得到第一均方根误差;
根据每个样本电池所对应的第二电池容量以及每个样本电池所对应的实际电池容量,计算得到第二均方根误差;
若第一均方根误差小于第二均方根误差,则将多层感知机模型作为容量预测模型;
若第一均方根误差大于第二均方根误差,则将时序网络模型作为容量预测模型。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
预测模块,具体用于基于K个信号统计值序列,通过多层感知机模型获取待测电池的电池容量,其中,多层感知机模型包括输入层、隐藏层以及输出层,输入层用于接收信号统计值序列,隐藏层用于对输入的信号统计值序列进行变换计算,输出层用于对隐藏层输出的结果进行变换计算。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
预测模块,具体用于根据K个信号统计值序列,生成T个周期统计值序列,其中,每个周期统计值序列对应于一个充放电周期,每个周期统计值序列包括K个信号统计值;
基于T个周期统计值序列,通过时序网络模型获取待测电池的电池容量,其中,时序网络模型包括具有连接关系的T个循环单元,每个循环单元用于输入一个充放电周期所对应的周期统计值序列。
本申请另一方面提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述各方面的方法。
本申请的另一方面提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方面的方法。
本申请的另一个方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方面的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例中,提供了一种电池容量的预测方法。首先获取针对待测电池的K个目标信号特征类型,然后,根据K个目标信号特征类型,获取待测电池所对应的K个信号统计值序列。最后,基于K个信号统计值序列,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的。通过上述方式,能够有针对性地提取待测电池的若干个信号统计值序列,这些信号统计值序列来源于不同的信号特征类型,每个信号统计值序列能够描述待测电池在一段时间内的信号特征变化情况。可见,本申请在利用模型预测电池容量时,综合考虑了影响电池容量的多方面因素,一方面有利于提升电池容量的预测精度,另一方面,能够对电池容量进行连续且实时的预测。
附图说明
图1为本申请实施例中电池容量预测系统的一个应用环境示意图;
图2为本申请实施例中电池容量预测系统的一个框架示意图;
图3为本申请实施例中电池容量预测方法的一个流程示意图;
图4为本申请实施例中不同健康状态下样本电池集合的一个电压变化示意图;
图5为本申请实施例中基于电压信号的一个信号采样示意图;
图6为本申请实施例中不同健康状态下样本电池集合的一个电流变化示意图;
图7为本申请实施例中基于电流信号的一个信号采样示意图;
图8为本申请实施例中不同健康状态下样本电池集合的一个温度变化示意图;
图9为本申请实施例中基于温度信号的一个信号采样示意图;
图10为本申请实施例中基于F校验值对各个信号特征类型进行排序的一个示意图;
图11为本申请实施例中多层感知机模型的一个结构示意图;
图12为本申请实施例中时序网络模型的一个结构示意图;
图13为本申请实施例中循环单元的一个结构示意图;
图14为本申请实施例中电池容量预测装置的一个示意图;
图15为本申请实施例中计算机设备的一个结构示意图。
具体实施方式
本申请实施例提供了一种电池容量的预测方法、相关装置、设备以及存储介质。本申请在利用模型预测电池容量时,综合考虑了影响电池容量的多方面因素,一方面有利于提升电池容量的预测精度,另一方面,能够对电池容量进行连续且实时的预测。
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”、“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,以便这里描述的本申请的实施例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“对应于”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它步骤或单元。
随着电池技术的快速发展,目前已广泛应用于移动电子设备、电动汽车、储能等领域。电池容量是评估电池品质的重要技术指标之一,它表示在一定条件下电池放出的电量,即电池的容量。电池容量按照不同条件分为实际容量、理论容量与额定容量。实际容量指在一定的放电制下电池所能给出的电量,理论容量指的是活性物质全部参加电池反应所给出的电量。额定容量是指电机或电器在额定工作条件下能长期持续工作的容量。电池类型多种多样,包含但不限于锂电池、聚合物电池、镍镉电池、磷酸铁锂电池等。可以理解的是,本申请不对电池容量的类型以及电池的类型进行限定。
为了提升电池容量的预测精度,本申请提出了一种融合多维度信息的电池容量预测方法,实现端到端的电池容量预测,其中,端到端指的是无需经过特征工程的处理。该方法应用于图1所示的电池容量预测系统,如图所示,电池容量预测系统包括测试控制台以及计算机设备,计算机设备可以是终端或服务器中的至少一种。其中,客户端部署于终端上,客户端可以通过浏览器的形式运行于终端上,也可以通过独立的应用程序(application,APP)的形式运行于终端上等,对于客户端的具体展现形式,此处不做限定。终端可以是智能手机、平板电脑、笔记本电脑、掌上电脑、个人电脑、智能电视、智能手表、车载设备、可穿戴设备等,但并不局限于此。本申请涉及的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
测试控制台与计算机设备可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。可通过计算机设备向测试控制台发送控制指令,或者,直接在测试控制台进行指令控制,例如,通过控制指令调节电流、电压以及充放电周期时长等。测试控制台包括传感器,通过传感器检测电池在充放电周期内的电压信息、电流信息和温度信息等。基于此,测试控制台可将检测到的信息反馈至计算机设备,由计算机设备利用检测到的信息进行特征统计以及模型预测等操作。最后,可展示统计结果和模型预测结果等内容。
基于此,为了便于理解,请参阅图2,图2为本申请实施例中电池容量预测系统的一个框架示意图,如图所示,采集电池充放电周期内的电压信息、电流信息以及温度信息。然后分别对电压信息、电流信息以及温度信息进行均匀采样,并分别统计三类信号的特征,即得到电压统计值、电流统计值以及温度统计值。接下来,可采用F校验进行特征筛选,再分别基于筛选后的特征进行模型训练。其中,F检验(F-test)最常用的别名叫做联合假设检验,此外也称方差比率检验或方差齐性检验。它是一种在零假设(null hypothesis,H0)之下,统计值服从F-分布的检验。零假设指进行统计检验时预先建立的假设。
本申请采用的容量预测模型涉及到基于人工智能(Artificial Intelligence,AI)的机器学习(Machine Learning,ML)技术。AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,AI是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。AI也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
AI技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。AI基础技术一般包括如传感器、专用AI芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。AI软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及ML/深度学习等几大方向。
其中,ML是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。ML是AI的核心,是使计算机具有智能的根本途径,其应用遍及AI的各个领域。ML和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着AI技术研究和进步,AI技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,AI技术将在更多的领域得到应用,并发挥越来越重要的价值。
结合上述介绍,下面将对本申请中电池容量的预测方法进行介绍,请参阅图3,本申请实施例中电池容量预测方法可以由计算机设备执行,该计算机设备可以是终端或服务器,本申请包括:
110、获取针对待测电池的K个目标信号特征类型,其中,K目标信号特征类型来源于电压信号集合、电流信号集合以及温度信号集合中的至少一个,K为大于或等于1的整数;
在一个或多个实施例中,首先确定待测电池所对应的K个目标信号特征类型,其中,K个目标信号特征类型是从电压信号集合、电流信号集合以及温度信号集合中预先筛选出来的。以K=9为例,示例性地,K个目标信号特征类型可包括电压间隙因子类型、电压波峰因子类型、电压形状因子类型、电压偏度类型、电流间隙因子类型、电流波峰因子类型、电流脉冲因子类型、温度波峰因子类型和温度脉冲因子类型。
120、根据K个目标信号特征类型,获取待测电池所对应的K个信号统计值序列,其中,每个信号统计值序列包括T个充放电周期的信号特征,K个信号统计值序列中的信号统计值序列与K个目标信号特征类型中的目标信号特征类型具有一一对应的关系,T为大于1的整数;
在一个或多个实施例中,按照K个目标信号特征类型中的每个目标信号特征类型,分别提取其对应的信号统计值序列。其中,每个信号统计值序列包括T个充放电周期的信号特征,且,K个信号统计值序列均对应于T个充放电周期。
具体地,假设K个目标信号特征类型包括电压间隙因子类型,以电压间隙因子类型为例,分别在每个充放电周期内进行信号采样,然后基于每个充放电周期内各个采样点对应的电压信号,计算得到每个充放电周期所对应的电压间隙因子。其中,电压间隙因子属于信号特征。基于此,将每个充放电周期所对应的电压间隙因子按时间先后顺序进行排序,即可得到一个电压间隙因子序列。其中,电压间隙因子序列属于信号统计值序列。
可以理解的是,针对其他的目标信号特征类型,也采用上述方式进行统计和计算,此处不一一列举。
130、基于K个信号统计值序列,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的。
在一个或多个实施例中,将K个信号统计值序列作为容量预测模型的输入,通过容量预测模型输出待测电池的电池容量。
需要说明的是,还可以训练得到的多个候选预测模型中筛选出一个模型作为容量预测模型。多个候选预测模型包含但不仅限于多层感知机(Multi-Layer perceptron,MLP)模型,长短期记忆(Long Short-Term Memory,LSTM)网络模型,循环神经网络(RecurrentNeural Network,RNN)模型,基于门控循环单元(Gated Recurrent Unit,GRU)模型。
可以理解的是,电池容量可表示为一个0至1的值,例如,电池容量为0.8,即表示电池容量为初始电池容量的80%。或者,电池容量也可表示为一个具体的数值,例如,电池容量为12毫安时(mAh)。此处不做限定。
本申请实施例中,提供了一种电池容量的预测方法。通过上述方式,能够有针对性地提取待测电池的若干个信号统计值序列,这些信号统计值序列来源于不同的信号特征类型,每个信号统计值序列能够描述待测电池在一段时间内的信号特征变化情况。可见,本申请在利用模型预测电池容量时,综合考虑了影响电池容量的多方面因素,一方面有利于提升电池容量的预测精度,另一方面,能够对电池容量进行连续且实时的预测。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,获取针对待测电池的K个目标信号特征类型之前,还可以包括:
获取样本电池的至少一个电压统计值序列,其中,每个电压统计值序列包括Q个充放电周期的电压统计值,每个电压统计值序列对应于电压信号集合中的一个电压信号类型,Q为大于1的整数;
获取样本电池的至少一个电流统计值序列,其中,每个电流统计值序列包括Q个充放电周期的电流统计值,每个电流统计值序列对应于电流信号集合中的一个电流信号类型;
获取样本电池的至少一个温度统计值序列,其中,每个温度统计值序列包括Q个充放电周期的温度统计值,每个温度统计值序列对应于温度信号集合中的一个温度信号类型;
获取样本电池的电池容量序列,其中,电池容量序列包括Q个充放电周期的电池容量;
根据至少一个电压统计值序列、至少一个电流统计值序列、至少一个温度统计值序列以及电池容量序列,确定针对样本电池的K个信号特征类型。
在一个或多个实施例中,介绍了一种构建K信号特征类型的方式。由前述实施例可知,一种情形下,所有电池均采用相同的K个信号特征类型作为K个目标信号特征类型。另一种情形下,不同类型的电池采用不同的K个信号特征类型作为K个目标信号特征类型。无论采用何种方式,都需要先确定K个信号特征类型,为了便于说明,下面将以样本电池为例,介绍确定其对应K个信号特征类型的方式。
具体地,基于电压信号集合,分别提取各个电压信号类型所对应的电压统计值序列,每个电压统计值序列包括Q个充放电周期的电压统计值。类似地,基于电流信号集合,分别提取各个电流信号类型所对应的电流统计值序列,每个电流统计值序列包括Q个充放电周期的电流统计值。基于温度信号集合,分别提取各个温度信号类型所对应的温度统计值序列,每个温度统计值序列包括Q个充放电周期的温度统计值。此外,还需要获取样本电池的电池容量序列,电池容量序列包括Q个充放电周期的电池容量。
可以理解的是,Q个充放电周期通常情况下是一致的,由此实现特征对齐。
基于此,根据一个电压统计值序列和电池容量序列,可构建Q个样本对。以电压信号类型为电压均值类型作为示例,其对应的电压统计值序列为电压均值序列。为了便于理解,请参阅表1,表1为电压均值序列与电池容量序列之间构建的样本对示例。
表1
样本对标识 | 电压均值序列 | 电池容量序列 |
1 | 35 | 0.98 |
2 | 33 | 0.97 |
3 | 31 | 0.98 |
4 | 30 | 0.98 |
5 | 33 | 0.97 |
6 | 34 | 0.96 |
可见,表1示出了6个样本对,基于这些个样本对可计算电压均值类型与电池容量之间的相关性。
需要说明的是,对于其他电压信号类型、电流信号类型以及温度信号类型而言,也采用类似方式构建对应的样本对。然后分别根据对应的样本对,计算各个电压信号类型与电池容量之间的相关性,各个电流信号类型与电池容量之间的相关性,以及各个温度信号类型与电池容量之间的相关性。最后,选择相关性最大的前K个信号特征类型即可。
其次,本申请实施例中,提供了一种构建K信号特征类型的方式。通过上述方式,从多种信号特征类型中筛选出更适合描述电池特性的K信号特征类型,基于多个维度的信号特征类型来预测电池容量,有利于提升预测的准确度。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,电压信号集合包括电压均值类型、电压标准差类型、电压方差类型、电压形状因子类型、电压偏度类型、电压峰度类型、电压脉冲值类型、电压脉冲因子类型、电压波峰因子类型以及电压间隙因子类型中的至少一项;
获取样本电池的至少一个电压统计值序列,具体包括:
若电压信号集合包括电压均值类型,则生成样本电池的电压均值序列,其中,电压均值序列包括Q个充放电周期的电压均值;
若电压信号集合包括电压标准差类型,则生成样本电池的电压标准差序列,其中,电压标准差序列包括Q个充放电周期的电压标准差;
若电压信号集合包括电压方差类型,则生成样本电池的电压方差序列,其中,电压方差序列包括Q个充放电周期的电压方差;
若电压信号集合包括电压形状因子类型,则生成样本电池的电压形状因子序列,其中,电压形状因子序列包括Q个充放电周期的电压形状因子;
若电压信号集合包括电压偏度类型,则生成样本电池的电压偏度序列,其中,电压偏度序列包括Q个充放电周期的电压偏度;
若电压信号集合包括电压峰度类型,则生成样本电池的电压峰度序列,其中,电压峰度序列包括Q个充放电周期的电压峰度;
若电压信号集合包括电压脉冲值类型,则生成样本电池的电压脉冲值序列,其中,电压脉冲值序列包括Q个充放电周期的电压脉冲值;
若电压信号集合包括电压脉冲因子类型,则生成样本电池的电压脉冲因子序列,其中,电压脉冲因子序列包括Q个充放电周期的电压脉冲因子;
若电压信号集合包括电压波峰因子类型,则生成样本电池的电压波峰因子序列,其中,电压波峰因子序列包括Q个充放电周期的电压波峰因子;
若电压信号集合包括电压间隙因子类型,则生成样本电池的电压间隙因子序列,其中,电压间隙因子序列包括Q个充放电周期的电压间隙因子。
在一个或多个实施例中,提供了一种构建若干个电压统计值序列的方式。由前述实施例可知,电压信号集合包含但不仅限于电压均值类型、电压标准差类型、电压方差类型、电压形状因子类型、电压偏度类型、电压峰度类型、电压脉冲值类型、电压脉冲因子类型、电压波峰因子类型以及电压间隙因子类型。下面将结合示例进行说明。
(1)电压均值类型;
电压均值类型用于描述电压信号的平均值。针对每个充放电周期,计算得到一个电压均值,由此,可得到由Q个电压均值构成的电压均值序列。
(2)电压标准差类型;
电压标准差类型用于描述电压信号偏离平均值的大小。针对每个充放电周期,计算得到一个电压标准差,由此,可得到由Q个电压标准差构成的电压标准差序列。
(3)电压方差类型;
电压方差类型也用于描述电压信号偏离平均值的大小。针对每个充放电周期,计算得到一个电压方差,由此,可得到由Q个电压方差构成的电压方差序列。
(4)电压形状因子类型;
电压形状因子类型用于描述电压信号的形状,且电压信号的形状与电压信号的尺寸无关。针对每个充放电周期,计算得到一个电压形状因子,由此,可得到由Q个电压形状因子构成的电压形状因子序列。
可以理解的是,电压均值类型、电压标准差类型、电压方差类型和电压形状因子类型均属于电压信号的基础统计特征。
(5)电压偏度类型;
电压偏度类型用于描述电压信号分布的不对称性。故障或性能衰退会影响电压信号分布的对称性,因此,偏度可以一定程度上反应系统的健康程度。针对每个充放电周期,计算得到一个电压偏度,由此,可得到由Q个电压偏度构成的电压偏度序列。
(6)电压峰度类型;
电压峰度类型用于描述电压信号分布的尾部长度,或者,时序电压信号中离群值的占比。故障系统的电压信号时长会有许多分布外的异常值,而峰度则可以反映这个异常值的多少。针对每个充放电周期,计算得到一个电压峰度,由此,可得到由Q个电压峰度构成的电压峰度序列。
可以理解的是,电压偏度类型和电压峰度类型均属于电压信号的高阶统计特征。
(7)电压脉冲值类型;
电压脉冲值类型用于描述电压信号的最大绝对值,可用于其他脉冲指标的计算。针对每个充放电周期,计算得到一个电压脉冲值,由此,可得到由Q个电压脉冲值构成的电压脉冲值序列。
(8)电压脉冲因子类型;
电压脉冲因子类型用于描述电压信号的脉冲变化。针对每个充放电周期,计算得到一个电压脉冲因子,由此,可得到由Q个电压脉冲因子构成的电压脉冲因子序列。
(9)电压波峰因子类型;
电压波峰因子类型用于描述峰值在波形中的极端程度。故障或性能衰退往往先表现为信号的峰值变化,然后表现为信号均方根所代表的能量。电压波峰因子可以在故障首次发生时提供一个早期预警。针对每个充放电周期,计算得到一个电压波峰因子,由此,可得到由Q个电压波峰因子构成的电压波峰因子序列。
(10)电压间隙因子类型;
电压间隙因子类型用于描述电压脉冲值相较于信号振动幅度的偏离值,是旋转机械等电压信号存在周期变化的系统中广泛使用的健康指数。针对每个充放电周期,计算得到一个电压间隙因子,由此,可得到由Q个电压间隙因子构成的电压间隙因子序列。
可以理解的是,电压脉冲值类型、电压脉冲因子类型、电压波峰因子类型和电压间隙因子类型均属于电压信号的脉冲统计特征。
需要说明的是,本申请中的样本电池来源于样本电池集合,即,可从样本电池集合中选择具有不同健康状态的样本电池进行测试或者模型训练,使得特征具有更好的泛化性。为了便于理解,请参阅图4,图4为本申请实施例中不同健康状态下样本电池集合的一个电压变化示意图,如图所示,不同灰度的区域表示不同的健康状态,电池样本的健康状态越好,其对应的电池容量越高。由此,采集各个健康状态下不同样本电池的电压信号,以进行后续处理。
再次,本申请实施例中,提供了一种构建若干个电压统计值序列的方式。通过上述方式,考虑到电池容量的大小受电压的影响较大,因此,通过增加电压维度信息输入,可对当前电池容量有更精确的预测。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,生成样本电池的电压均值序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电压值,计算得到样本电池的电压均值;
生成样本电池的电压标准差序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压标准差;
生成样本电池的电压方差序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压方差;
生成样本电池的电压形状因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电压均方根以及各个采样点所对应的电压值,计算得到样本电池的电压形状因子;
生成样本电池的电压偏度序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压偏度;
生成样本电池的电压峰度序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压峰度;
生成样本电池的电压脉冲值序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电压值,确定样本电池的电压脉冲值;
生成样本电池的电压脉冲因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到样本电池的电压脉冲因子;
生成样本电池的电压波峰因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到样本电池的电压波峰因子;
生成样本电池的电压间隙因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到样本电池的电压间隙因子。
在一个或多个实施例中,介绍一种计算各个电压统计值的方式。由前述实施例可知,为了控制计算复杂度,可使用均匀采样对电压信号进行采样,在一个充放电周期内通过以下方式产生若干个(例如,10个)伪随机数列作为采样点序列:
xn+1=(axn+c)mod m; (公式1)
其中,xn+1表示第n+1个采样点。xn表示第n个采样点。a、c和m分别表示预设参数。mod表示对(axn+c)除以m的余数。
可以理解的是,本申请对Q个充放电周期进行采样,为了便于理解,请参阅图5,图5为本申请实施例中基于电压信号的一个信号采样示意图,如图所示,假设每个充放电周期为20分钟,在早期充放电周期内进行信号采样时,基于实线进行信号采样。在晚期充放电周期内进行信号采样时,基于虚线进行信号采样。
下面将结合示例分别介绍各个电压统计值的计算方式:
(1)电压统计值为电压均值类型所对应的电压均值;
采用如下方式计算针对一个充放电周期的电压均值:
(2)电压统计值为电压标准差类型所对应的电压标准差;
采用如下方式计算针对一个充放电周期的电压标准差:
(3)电压统计值为电压方差类型所对应的电压方差;
采用如下方式计算针对一个充放电周期的电压方差:
(4)电压统计值为电压形状因子类型所对应的电压形状因子;
采用如下方式计算针对一个充放电周期的电压形状因子:
其中,xSFV表示针对一个充放电周期的电压形状因子。xrmsV表示针对一个充放电周期的电压均方根。N表示一个充放电周期内的采样点数量。xiV表示第i个采样点对应的电压值。
(5)电压统计值为电压偏度类型所对应的电压偏度;
采用如下方式计算针对一个充放电周期的电压偏度:
(6)电压统计值为电压峰度类型所对应的电压峰度;
采用如下方式计算针对一个充放电周期的电压峰度:
(7)电压统计值为电压脉冲值类型所对应的电压脉冲值;
采用如下方式计算针对一个充放电周期的电压脉冲值:
xpV=maxi|xiV|; (公式8)
其中,xpV表示针对一个充放电周期的电压脉冲值。xiV表示第i个采样点对应的电压值。
(8)电压统计值为电压脉冲因子类型所对应的电压脉冲因子;
采用如下方式计算针对一个充放电周期的电压脉冲因子:
其中,xIFV表示针对一个充放电周期的电压脉冲因子。xpV表示针对一个充放电周期的电压脉冲值。xiV表示第i个采样点对应的电压值。即,电压脉冲因子为电压脉冲值除以电压均值。
(9)电压统计值为电压波峰因子类型所对应的电压波峰因子;
采用如下方式计算针对一个充放电周期的电压波峰因子:
其中,xcrestV表示针对一个充放电周期的电压波峰因子。xpV表示针对一个充放电周期的电压脉冲值。xiV表示第i个采样点对应的电压值。即,电压波峰因子为电压脉冲值除以电压均方根。
(10)电压统计值为电压间隙因子类型所对应的电压间隙因子;
采用如下方式计算针对一个充放电周期的电压间隙因子:
其中,xclearV表示针对一个充放电周期的电压间隙因子。xpV表示针对一个充放电周期的电压脉冲值。xiV表示第i个采样点对应的电压值。即,电压波峰因子为电压脉冲值除以振幅平方根的平均值。
进一步地,本申请实施例中,提供一种计算各个电压统计值的方式。通过上述方式,基于每个充放电周期内提取到的各个采样点,可分别计算相关的电压统计值,从而增加方案的可行性和可操作性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,电流信号集合包括电流均值类型、电流标准差类型、电流方差类型、电流形状因子类型、电流偏度类型、电流峰度类型、电流脉冲值类型、电流脉冲因子类型、电流波峰因子类型以及电流间隙因子类型中的至少一项;
获取样本电池的至少一个电流统计值序列,具体包括:
若电流信号集合包括电流均值类型,则生成样本电池的电流均值序列,其中,电流均值序列包括Q个充放电周期的电流均值;
若电流信号集合包括电流标准差类型,则生成样本电池的电流标准差序列,其中,电流标准差序列包括Q个充放电周期的电流标准差;
若电流信号集合包括电流方差类型,则生成样本电池的电流方差序列,其中,电流方差序列包括Q个充放电周期的电流方差;
若电流信号集合包括电流形状因子类型,则生成样本电池的电流形状因子序列,其中,电流形状因子序列包括Q个充放电周期的电流形状因子;
若电流信号集合包括电流偏度类型,则生成样本电池的电流偏度序列,其中,电流偏度序列包括Q个充放电周期的电流偏度;
若电流信号集合包括电流峰度类型,则生成样本电池的电流峰度序列,其中,电流峰度序列包括Q个充放电周期的电流峰度;
若电流信号集合包括电流脉冲值类型,则生成样本电池的电流脉冲值序列,其中,电流脉冲值序列包括Q个充放电周期的电流脉冲值;
若电流信号集合包括电流脉冲因子类型,则生成样本电池的电流脉冲因子序列,其中,电流脉冲因子序列包括Q个充放电周期的电流脉冲因子;
若电流信号集合包括电流波峰因子类型,则生成样本电池的电流波峰因子序列,其中,电流波峰因子序列包括Q个充放电周期的电流波峰因子;
若电流信号集合包括电流间隙因子类型,则生成样本电池的电流间隙因子序列,其中,电流间隙因子序列包括Q个充放电周期的电流间隙因子。
在一个或多个实施例中,提供了一种构建若干个电流统计值序列的方式。由前述实施例可知,电流信号集合包含但不仅限于电流均值类型、电流标准差类型、电流方差类型、电流形状因子类型、电流偏度类型、电流峰度类型、电流脉冲值类型、电流脉冲因子类型、电流波峰因子类型以及电流间隙因子类型。下面将结合示例进行说明。
(1)电流均值类型;
电流均值类型用于描述电流信号的平均值。针对每个充放电周期,计算得到一个电流均值,由此,可得到由Q个电流均值构成的电流均值序列。
(2)电流标准差类型;
电流标准差类型用于描述电流信号偏离平均值的大小。针对每个充放电周期,计算得到一个电流标准差,由此,可得到由Q个电流标准差构成的电流标准差序列。
(3)电流方差类型;
电流方差类型也用于描述电流信号偏离平均值的大小。针对每个充放电周期,计算得到一个电流方差,由此,可得到由Q个电流方差构成的电流方差序列。
(4)电流形状因子类型;
电流形状因子类型用于描述电流信号的形状,且电流信号的形状与电流信号的尺寸无关。针对每个充放电周期,计算得到一个电流形状因子,由此,可得到由Q个电流形状因子构成的电流形状因子序列。
可以理解的是,电流均值类型、电流标准差类型、电流方差类型和电流形状因子类型均属于电流信号的基础统计特征。
(5)电流偏度类型;
电流偏度类型用于描述电流信号分布的不对称性。故障或性能衰退会影响电流信号分布的对称性,因此,偏度可以一定程度上反应系统的健康程度。针对每个充放电周期,计算得到一个电流偏度,由此,可得到由Q个电流偏度构成的电流偏度序列。
(6)电流峰度类型;
电流峰度类型用于描述电流信号分布的尾部长度,或者,时序电流信号中离群值的占比。故障系统的电流信号时长会有许多分布外的异常值,而峰度则可以反映这个异常值的多少。针对每个充放电周期,计算得到一个电流峰度,由此,可得到由Q个电流峰度构成的电流峰度序列。
可以理解的是,电流偏度类型和电流峰度类型均属于电流信号的高阶统计特征。
(7)电流脉冲值类型;
电流脉冲值类型用于描述电流信号的最大绝对值,可用于其他脉冲指标的计算。针对每个充放电周期,计算得到一个电流脉冲值,由此,可得到由Q个电流脉冲值构成的电流脉冲值序列。
(8)电流脉冲因子类型;
电流脉冲因子类型用于描述电流信号的脉冲变化。针对每个充放电周期,计算得到一个电流脉冲因子,由此,可得到由Q个电流脉冲因子构成的电流脉冲因子序列。
(9)电流波峰因子类型;
电流波峰因子类型用于描述峰值在波形中的极端程度。故障或性能衰退往往先表现为信号的峰值变化,然后表现为信号均方根所代表的能量。电流波峰因子可以在故障首次发生时提供一个早期预警。针对每个充放电周期,计算得到一个电流波峰因子,由此,可得到由Q个电流波峰因子构成的电流波峰因子序列。
(10)电流间隙因子类型;
电流间隙因子类型用于描述电流脉冲值相较于信号振动幅度的偏离值,是旋转机械等电流信号存在周期变化的系统中广泛使用的健康指数。针对每个充放电周期,计算得到一个电流间隙因子,由此,可得到由Q个电流间隙因子构成的电流间隙因子序列。
可以理解的是,电流脉冲值类型、电流脉冲因子类型、电流波峰因子类型和电流间隙因子类型均属于电流信号的脉冲统计特征。
需要说明的是,本申请中的样本电池来源于样本电池集合,即,可从样本电池集合中选择具有不同健康状态的样本电池进行测试或者模型训练,使得特征具有更好的泛化性。为了便于理解,请参阅图6,图6为本申请实施例中不同健康状态下样本电池集合的一个电流变化示意图,如图所示,不同灰度的区域表示不同的健康状态,电池样本的健康状态越好,其对应的电池容量越高。由此,采集各个健康状态下不同样本电池的电流信号,以进行后续处理。
再次,本申请实施例中,提供了一种构建若干个电流统计值序列的方式。通过上述方式,考虑到电池容量的大小受电流的影响较大,因此,通过增加电流维度信息输入,可对当前电池容量有更精确的预测。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,生成样本电池的电流均值序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电流值,计算得到样本电池的电流均值;
生成样本电池的电流标准差序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流标准差;
生成样本电池的电流方差序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流方差;
生成样本电池的电流形状因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电流均方根以及各个采样点所对应的电流值,计算得到样本电池的电流形状因子;
生成样本电池的电流偏度序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流偏度;
生成样本电池的电流峰度序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流峰度;
生成样本电池的电流脉冲值序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电流值,确定样本电池的电流脉冲值;
生成样本电池的电流脉冲因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到样本电池的电流脉冲因子;
生成样本电池的电流波峰因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到样本电池的电流波峰因子;
生成样本电池的电流间隙因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到样本电池的电流间隙因子。
在一个或多个实施例中,介绍一种计算各个电流统计值的方式。由前述实施例可知,为了控制计算复杂度,可使用均匀采样对电流信号进行采样,在一个充放电周期内采用公式1产生若干个(例如,10个)伪随机数列作为采样点序列,此处不做赘述。
可以理解的是,本申请对Q个充放电周期进行采样,为了便于理解,请参阅图7,图7为本申请实施例中基于电流信号的一个信号采样示意图,如图所示,假设每个充放电周期为20分钟,在早期充放电周期内进行信号采样时,基于实线进行信号采样。在晚期充放电周期内进行信号采样时,基于虚线进行信号采样。
下面将结合示例分别介绍各个电流统计值的计算方式:
(1)电流统计值为电流均值类型所对应的电流均值;
采用如下方式计算针对一个充放电周期的电流均值:
(2)电流统计值为电流标准差类型所对应的电流标准差;
采用如下方式计算针对一个充放电周期的电流标准差:
(3)电流统计值为电流方差类型所对应的电流方差;
采用如下方式计算针对一个充放电周期的电流方差:
(4)电流统计值为电流形状因子类型所对应的电流形状因子;
采用如下方式计算针对一个充放电周期的电流形状因子:
其中,xSFC表示针对一个充放电周期的电流形状因子。xrmsC表示针对一个充放电周期的电流均方根。N表示一个充放电周期内的采样点数量。xiC表示第i个采样点对应的电流值。
(5)电流统计值为电流偏度类型所对应的电流偏度;
采用如下方式计算针对一个充放电周期的电流偏度:
(6)电流统计值为电流峰度类型所对应的电流峰度;
采用如下方式计算针对一个充放电周期的电流峰度:
(7)电流统计值为电流脉冲值类型所对应的电流脉冲值;
采用如下方式计算针对一个充放电周期的电流脉冲值:
xpC=maxi|xiC|; (公式18)
其中,xpC表示针对一个充放电周期的电流脉冲值。xiC表示第i个采样点对应的电流值。
(8)电流统计值为电流脉冲因子类型所对应的电流脉冲因子;
采用如下方式计算针对一个充放电周期的电流脉冲因子:
其中,xIFC表示针对一个充放电周期的电流脉冲因子。xpC表示针对一个充放电周期的电流脉冲值。xiC表示第i个采样点对应的电流值。即,电流脉冲因子为电流脉冲值除以电流均值。
(9)电流统计值为电流波峰因子类型所对应的电流波峰因子;
采用如下方式计算针对一个充放电周期的电流波峰因子:
其中,xcrestC表示针对一个充放电周期的电流波峰因子。xpC表示针对一个充放电周期的电流脉冲值。xiC表示第i个采样点对应的电流值。即,电流波峰因子为电流脉冲值除以电流均方根。
(10)电流统计值为电流间隙因子类型所对应的电流间隙因子;
采用如下方式计算针对一个充放电周期的电流间隙因子:
其中,xclearC表示针对一个充放电周期的电流间隙因子。xpC表示针对一个充放电周期的电流脉冲值。xiC表示第i个采样点对应的电流值。即,电流波峰因子为电流脉冲值除以振幅平方根的平均值。
进一步地,本申请实施例中,提供一种计算各个电流统计值的方式。通过上述方式,基于每个充放电周期内提取到的各个采样点,可分别计算相关的电流统计值,从而增加方案的可行性和可操作性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,温度信号集合包括温度均值类型、温度标准差类型、温度方差类型、温度形状因子类型、温度偏度类型、温度峰度类型、温度脉冲值类型、温度脉冲因子类型、温度波峰因子类型以及温度间隙因子类型中的至少一项;
获取样本电池的至少一个温度统计值序列,具体包括:
若温度信号集合包括温度均值类型,则生成样本电池的温度均值序列,其中,温度均值序列包括Q个充放电周期的温度均值;
若温度信号集合包括温度标准差类型,则生成样本电池的温度标准差序列,其中,温度标准差序列包括Q个充放电周期的温度标准差;
若温度信号集合包括温度方差类型,则生成样本电池的温度方差序列,其中,温度方差序列包括Q个充放电周期的温度方差;
若温度信号集合包括温度形状因子类型,则生成样本电池的温度形状因子序列,其中,温度形状因子序列包括Q个充放电周期的温度形状因子;
若温度信号集合包括温度偏度类型,则生成样本电池的温度偏度序列,其中,温度偏度序列包括Q个充放电周期的温度偏度;
若温度信号集合包括温度峰度类型,则生成样本电池的温度峰度序列,其中,温度峰度序列包括Q个充放电周期的温度峰度;
若温度信号集合包括温度脉冲值类型,则生成样本电池的温度脉冲值序列,其中,温度脉冲值序列包括Q个充放电周期的温度脉冲值;
若温度信号集合包括温度脉冲因子类型,则生成样本电池的温度脉冲因子序列,其中,温度脉冲因子序列包括Q个充放电周期的温度脉冲因子;
若温度信号集合包括温度波峰因子类型,则生成样本电池的温度波峰因子序列,其中,温度波峰因子序列包括Q个充放电周期的温度波峰因子;
若温度信号集合包括温度间隙因子类型,则生成样本电池的温度间隙因子序列,其中,温度间隙因子序列包括Q个充放电周期的温度间隙因子。
在一个或多个实施例中,提供了一种构建若干个温度统计值序列的方式。由前述实施例可知,温度信号集合包含但不仅限于温度均值类型、温度标准差类型、温度方差类型、温度形状因子类型、温度偏度类型、温度峰度类型、温度脉冲值类型、温度脉冲因子类型、温度波峰因子类型以及温度间隙因子类型。下面将结合示例进行说明。
(1)温度均值类型;
温度均值类型用于描述温度信号的平均值。针对每个充放电周期,计算得到一个温度均值,由此,可得到由Q个温度均值构成的温度均值序列。
(2)温度标准差类型;
温度标准差类型用于描述温度信号偏离平均值的大小。针对每个充放电周期,计算得到一个温度标准差,由此,可得到由Q个温度标准差构成的温度标准差序列。
(3)温度方差类型;
温度方差类型也用于描述温度信号偏离平均值的大小。针对每个充放电周期,计算得到一个温度方差,由此,可得到由Q个温度方差构成的温度方差序列。
(4)温度形状因子类型;
温度形状因子类型用于描述温度信号的形状,且温度信号的形状与温度信号的尺寸无关。针对每个充放电周期,计算得到一个温度形状因子,由此,可得到由Q个温度形状因子构成的温度形状因子序列。
可以理解的是,温度均值类型、温度标准差类型、温度方差类型和温度形状因子类型均属于温度信号的基础统计特征。
(5)温度偏度类型;
温度偏度类型用于描述温度信号分布的不对称性。故障或性能衰退会影响温度信号分布的对称性,因此,偏度可以一定程度上反应系统的健康程度。针对每个充放电周期,计算得到一个温度偏度,由此,可得到由Q个温度偏度构成的温度偏度序列。
(6)温度峰度类型;
温度峰度类型用于描述温度信号分布的尾部长度,或者,时序温度信号中离群值的占比。故障系统的温度信号时长会有许多分布外的异常值,而峰度则可以反映这个异常值的多少。针对每个充放电周期,计算得到一个温度峰度,由此,可得到由Q个温度峰度构成的温度峰度序列。
可以理解的是,温度偏度类型和温度峰度类型均属于温度信号的高阶统计特征。
(7)温度脉冲值类型;
温度脉冲值类型用于描述温度信号的最大绝对值,可用于其他脉冲指标的计算。针对每个充放电周期,计算得到一个温度脉冲值,由此,可得到由Q个温度脉冲值构成的温度脉冲值序列。
(8)温度脉冲因子类型;
温度脉冲因子类型用于描述温度信号的脉冲变化。针对每个充放电周期,计算得到一个温度脉冲因子,由此,可得到由Q个温度脉冲因子构成的温度脉冲因子序列。
(9)温度波峰因子类型;
温度波峰因子类型用于描述峰值在波形中的极端程度。故障或性能衰退往往先表现为信号的峰值变化,然后表现为信号均方根所代表的能量。温度波峰因子可以在故障首次发生时提供一个早期预警。针对每个充放电周期,计算得到一个温度波峰因子,由此,可得到由Q个温度波峰因子构成的温度波峰因子序列。
(10)温度间隙因子类型;
温度间隙因子类型用于描述温度脉冲值相较于信号振动幅度的偏离值,是旋转机械等温度信号存在周期变化的系统中广泛使用的健康指数。针对每个充放电周期,计算得到一个温度间隙因子,由此,可得到由Q个温度间隙因子构成的温度间隙因子序列。
可以理解的是,温度脉冲值类型、温度脉冲因子类型、温度波峰因子类型和温度间隙因子类型均属于温度信号的脉冲统计特征。
需要说明的是,本申请中的样本电池来源于样本电池集合,即,可从样本电池集合中选择具有不同健康状态的样本电池进行测试或者模型训练,使得特征具有更好的泛化性。为了便于理解,请参阅图8,图8为本申请实施例中不同健康状态下样本电池集合的一个温度变化示意图,如图所示,不同灰度的区域表示不同的健康状态,电池样本的健康状态越好,其对应的电池容量越高。由此,采集各个健康状态下不同样本电池的温度信号,以进行后续处理。
再次,本申请实施例中,提供了一种构建若干个温度统计值序列的方式。通过上述方式,考虑到电池容量的大小受温度的影响较大,因此,通过增加温度维度信息输入,可对当前电池容量有更精确的预测。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,生成样本电池的温度均值序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的温度值,计算得到样本电池的温度均值;
生成样本电池的温度标准差序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度标准差;
生成样本电池的温度方差序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度方差;
生成样本电池的温度形状因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据温度均方根以及各个采样点所对应的温度值,计算得到样本电池的温度形状因子;
生成样本电池的温度偏度序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度偏度;
生成样本电池的温度峰度序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度峰度;
生成样本电池的温度脉冲值序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的温度值,确定样本电池的温度脉冲值;
生成样本电池的温度脉冲因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到样本电池的温度脉冲因子;
生成样本电池的温度波峰因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到样本电池的温度波峰因子;
生成样本电池的温度间隙因子序列,具体包括:
针对Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到样本电池的温度间隙因子。
在一个或多个实施例中,介绍一种计算各个温度统计值的方式。由前述实施例可知,为了控制计算复杂度,可使用均匀采样对温度信号进行采样,在一个充放电周期内采用公式1产生若干个(例如,10个)伪随机数列作为采样点序列,此处不做赘述。
可以理解的是,本申请对Q个充放电周期进行采样,为了便于理解,请参阅图9,图9为本申请实施例中基于温度信号的一个信号采样示意图,如图所示,假设每个充放电周期为20分钟,在早期充放电周期内进行信号采样时,基于实线进行信号采样。在晚期充放电周期内进行信号采样时,基于虚线进行信号采样。
下面将结合示例分别介绍各个温度统计值的计算方式:
(1)温度统计值为温度均值类型所对应的温度均值;
采用如下方式计算针对一个充放电周期的温度均值:
(2)温度统计值为温度标准差类型所对应的温度标准差;
采用如下方式计算针对一个充放电周期的温度标准差:
(3)温度统计值为温度方差类型所对应的温度方差;
采用如下方式计算针对一个充放电周期的温度方差:
(4)温度统计值为温度形状因子类型所对应的温度形状因子;
采用如下方式计算针对一个充放电周期的温度形状因子:
其中,xSFT表示针对一个充放电周期的温度形状因子。xrmsT表示针对一个充放电周期的温度均方根。N表示一个充放电周期内的采样点数量。xiT表示第i个采样点对应的温度值。
(5)温度统计值为温度偏度类型所对应的温度偏度;
采用如下方式计算针对一个充放电周期的温度偏度:
(6)温度统计值为温度峰度类型所对应的温度峰度;
采用如下方式计算针对一个充放电周期的温度峰度:
(7)温度统计值为温度脉冲值类型所对应的温度脉冲值;
采用如下方式计算针对一个充放电周期的温度脉冲值:
xpT=maxi|xiT|; (公式28)
其中,xpT表示针对一个充放电周期的温度脉冲值。xiT表示第i个采样点对应的温度值。
(8)温度统计值为温度脉冲因子类型所对应的温度脉冲因子;
采用如下方式计算针对一个充放电周期的温度脉冲因子:
其中,xIFT表示针对一个充放电周期的温度脉冲因子。xpT表示针对一个充放电周期的温度脉冲值。xiT表示第i个采样点对应的温度值。即,温度脉冲因子为温度脉冲值除以温度均值。
(9)温度统计值为温度波峰因子类型所对应的温度波峰因子;
采用如下方式计算针对一个充放电周期的温度波峰因子:
其中,xcrestT表示针对一个充放电周期的温度波峰因子。xpT表示针对一个充放电周期的温度脉冲值。xiT表示第i个采样点对应的温度值。即,温度波峰因子为温度脉冲值除以温度均方根。
(10)温度统计值为温度间隙因子类型所对应的温度间隙因子;
采用如下方式计算针对一个充放电周期的温度间隙因子:
其中,xclearT表示针对一个充放电周期的温度间隙因子。xpT表示针对一个充放电周期的温度脉冲值。xiT表示第i个采样点对应的温度值。即,温度波峰因子为温度脉冲值除以振幅平方根的平均值。
进一步地,本申请实施例中,提供一种计算各个温度统计值的方式。通过上述方式,基于每个充放电周期内提取到的各个采样点,可分别计算相关的温度统计值,从而增加方案的可行性和可操作性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,根据至少一个电压统计值序列、至少一个电流统计值序列、至少一个温度统计值序列以及电池容量序列,确定针对样本电池的K个信号特征类型,具体包括:
根据至少一个电压统计值序列以及电池容量序列,计算电压信号集合中每个电压信号类型所对应的F校验值,其中,F校验值表示信号特征类型与电池容量之间的相关性;
根据至少一个电流统计值序列以及电池容量序列,计算电流信号集合中每个电流信号类型所对应的F校验值;
根据至少一个温度统计值序列以及电池容量序列,计算温度信号集合中每个温度信号类型所对应的F校验值;
按照F校验值从大到小的顺序,对电压信号集合、电流信号集合以及温度信号集合中的各个信号特征类型进行排序;
从排序结果中选择前K个信号特征类型作为针对样本电池的K个信号特征类型。
在一个或多个实施例中,介绍了一种利用F校验值筛选特征的方式。由前述实施例可知,需分别计算各个电压信号类型与电池容量的相关性,各个电流信号类型与电池容量的相关性,以及各个温度信号类型与电池容量的相关性。为了便于理解,下面将以电压信号类型为电压均值类型作为示例,介绍计算电压均值序列与电池容量序列之间F校验值的方式,其中,F校验值越大,表示相关性越强。
具体地,利用F检验对电压均值序列与目标回归值(即,电池容量序列)进行线性相关分析。假设电池容量序列与电压均值序列服从F分布,即:
其中,X和Y分别表示两个独立的样本,F校验值服从自由度n1,n2的F分布,记为F~F(n1,n2)。
为了检测电池容量序列与电压均值序列的相关性,采用如下方式计算相关性系数:
相关性系数与F校验值满足如下关系:
其中,F表示F校验值。MSR表示回归均方(mean squares regression)。MSE表示残差均方(mean square error)。SSR表示回归平方和(sum of squares regression)。SSE表示误差平方和(sum of squares error)。SST总体平方和(sum of squares total)。rxy表示相关性系数。n表示自由度。
类似地,对于其他各个信号特征类型对应的统计值序列与目标回归值(即,电池容量序列),也分别计算相应的F校验值。
基于此,按照F校验值从大到小的顺序,对电压信号集合、电流信号集合以及温度信号集合中的各个信号特征类型进行排序。为了便于理解,请参阅图10,图10为本申请实施例中基于F校验值对各个信号特征类型进行排序的一个示意图,如图所示,假设K为6,则前6个信号特征类型包括电压间隙因子类型、电压波峰因子类型、电流间隙因子类型、电流波峰因子类型、温度波峰因子类型以及温度脉冲因子类型。由此,将这K个信号特征类型作为针对样本电池的K个信号特征类型。
需要说明的是,图10所示的排序结果仅为一个示意,不应理解为对本申请的限定。
再次,本申请实施例中,提供了一种利用F校验值筛选特征的方式。通过上述方式,利用F检验对不同信号特征类型与电池容量进行线性相关分析,最后取相关系数最高的若干信号特征类型作为筛选后信号特征类型。由此,提升方案的可行性和可操作性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,确定针对样本电池的K个信号特征类型之后,还可以包括:
获取样本电池的型号信息;
根据样本电池的型号信息以及针对样本电池的K个信号特征类型,构建型号特征映射关系。
在一个或多个实施例中,介绍了一种按照电池型号信息构建特征映射关系的方式。由前述实施例可知,样本电池具有对应的型号信息,不同型号的电池可能具有不同的特性,因此,可针对不同的型号信息构建相应的K个信号特征类型。
具体地,示例性地,假设样本电池的型号信息为“H-111”,且对应的K个信号特征类型为电压间隙因子类型、电压波峰因子类型、电流间隙因子类型、电流波峰因子类型、温度波峰因子类型以及温度脉冲因子类型。
为了便于理解,请参阅表2,表2为型号特征映射关系的一个示意。
表2
可以理解的是,表2所示的型号特征映射关系仅为一个示意,实际应用中,还可以构建更多不同型号信息及其对应信号特征类型之间的型号特征映射关系。
再次,本申请实施例中,提供了一种按照电池型号信息构建特征映射关系的方式。通过上述方式,以电池型号信息为索引,构建每种电池型号信息对应的K个信号特征类型。由此,能够为不同型号的电池提供有针对性的信号特征类型,实现差异化检测,从而有利于提升电池容量预测的准确性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,获取针对待测电池的K个目标信号特征类型,具体包括:
获取待测电池的目标型号信息;
若目标型号信息与样本电池的型号信息匹配一致,则根据型号特征映射关系,将K个信号特征类型作为针对待测电池的K个目标信号特征类型。
在一个或多个实施例中,介绍了一种确定K个目标信号特征类型的方式。由前述实施例可知,基于样本电池对应的型号信息以及K个信号特征类型,可构建其对应的型号特征映射关系。
具体地,示例性地,为了便于理解,请再次参阅表2,假设待测电池的目标型号信息为“H-111”,由此,与表2所示的样本电池的型号信息匹配一致。因此,根据型号特征映射关系,将电压间隙因子类型、电压波峰因子类型、电流间隙因子类型、电流波峰因子类型、温度波峰因子类型以及温度脉冲因子类型作为针对待测电池的K个目标信号特征类型。
进一步地,本申请实施例中,提供了一种确定K个目标信号特征类型的方式。通过上述方式,能够基于型号信息,有针对性地提取相应的K个目标信号特征类型,从而有利于更准确地描述待测电池的特性,由此,提升电池容量的预测精度。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,还可以包括:
获取待测电池所对应的关联数据,其中,关联数据包括电池内阻、荷电量以及充放电周期时长中的至少一种;
基于K个信号统计值序列,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的,具体包括:
基于K个信号统计值序列以及关联数据,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的。
在一个或多个实施例中,介绍了一种引入电池其他属性参与容量预测的方式。由前述实施例可知,电池的容量还会受到荷电量和充放电周期时长的影响,与此同时,与电池本身特性相关的特征也可以进一步挖掘。
具体地,在实际预测时,可获取待测电池所对应的关联数据,其中,关联数据包含但不仅限于电池内阻、荷电量以及充放电周期时长。基于此,将K个信号统计值序列以及关联数据作为容量预测模型的输入,通过容量预测模型输出测电池的电池容量。
其次,本申请实施例中,提供了一种引入电池其他属性参与容量预测的方式。通过上述方式,挖掘更多特征参与容量预测,有利于对电池容量有更精确的预测。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,还可以包括:
获取针对样本电池集合的K个信号特征类型;
根据K个信号特征类型,获取每个样本电池所对应的K个信号统计值样本序列;
获取每个样本电池的实际电池容量;
基于每个样本电池所对应的K个信号统计值样本序列,通过多层感知机模型获取每个样本电池所对应的第一电池容量;
基于每个样本电池所对应的K个信号统计值样本序列,通过时序网络模型获取每个样本电池所对应的第二电池容量;
根据每个样本电池所对应的第一电池容量、每个样本电池所对应的第二电池容量以及每个样本电池所对应的实际电池容量,确定容量预测模型。
在一个或多个实施例中,介绍了一种选择容量预测模型的方式。由前述实施例可知,构建初始的MLP模型以及初始的时序网络模型,然后分别基于样本电池集合中各个样本电池所对应的K个信号统计值样本序列,对MLP模型和时序网络模型进行训练。
示例性地,将每个样本电池所对应的K个信号统计值样本序列作为MLP模型的输入,通过MLP模型输出每个样本电池所对应的第一电池容量。与此同时,可以预先获取每个样本电池所对应的实际电池容量。其中,实际电池容量为真实值,第一电池容量为预测值。
示例性地,将每个样本电池所对应的K个信号统计值样本序列作为时序网络模型的输入,通过时序网络模型输出每个样本电池所对应的第二电池容量。与此同时,可以预先获取每个样本电池所对应的实际电池容量。其中,实际电池容量为真实值,第二电池容量为预测值。
基于此,考虑到不同数据集可能有不同表现,因此,可以针对不同电池进行模型优选,即,选择MLP模型或时序网络模型作为最终的容量预测模型。
其次,本申请实施例中,提供了一种选择容量预测模型的方式。通过上述方式,在实际训练过程中,可训练多个可选的容量预测模型,然后按照一定策略选择预测效果更好的容量预测模型,由此,进一步提升电池容量预测精度。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,根据每个样本电池所对应的第一电池容量、每个样本电池所对应的第二电池容量以及每个样本电池所对应的实际电池容量,确定容量预测模型,具体包括:
根据每个样本电池所对应的第一电池容量以及每个样本电池所对应的实际电池容量,计算得到第一均方根误差;
根据每个样本电池所对应的第二电池容量以及每个样本电池所对应的实际电池容量,计算得到第二均方根误差;
若第一均方根误差小于第二均方根误差,则将多层感知机模型作为容量预测模型;
若第一均方根误差大于第二均方根误差,则将时序网络模型作为容量预测模型。
在一个或多个实施例中,介绍了一种利用均方根误差筛选模型的方式。由前述实施例可知,可预先训练两个模型,即,MLP模型和时序网络模型。两个模型完成特征映射后,基于两个模型分别计算预测结果与真值之间的均方根误差,取均方根误差(Root MeanSquared Error,RMSE)较小的模型作为最终预测模型。
示例性地,通过MLP模型输出每个样本电池所对应的第一电池容量。基于此,利用各个样本电池所对应的第一电池容量和实际电池容量,可计算出第一均方根误差。
示例性地,通过时序网络模型输出每个样本电池所对应的第二电池容量。基于此,利用各个样本电池所对应的第二电池容量和实际电池容量,可计算出第二均方根误差。
具体地,如果第一均方根误差小于第二均方根误差,则将MLP模型作为容量预测模型。如果第一均方根误差大于第二均方根误差,则将时序网络模型作为容量预测模型。如果第一均方根误差等于第二均方根误差,则可以任选其一作为容量预测模型。
再次,本申请实施例中,提供了一种利用均方根误差筛选模型的方式。通过上述方式,将RMSE较小模型作为更优化的容量预测模型,从而提升方案的可行性和可操作性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,基于K个信号统计值序列,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的,具体包括:
基于K个信号统计值序列,通过多层感知机模型获取待测电池的电池容量,其中,多层感知机模型包括输入层、隐藏层以及输出层,输入层用于接收信号统计值序列,隐藏层用于对输入的信号统计值序列进行变换计算,输出层用于对隐藏层输出的结果进行变换计算。
在一个或多个实施例中,介绍了一种基于MLP模型预测电池容量的方式。由前述实施例可知,选择MLP模型预测电池容量时,将K个信号统计值序列分别作为MLP模型的输入,经过MLP模型中的隐藏层和输出层后,得到电池容量。
为了便于理解,请参阅图11图11为本申请实施例中多层感知机模型的一个结构示意图,如图所示,示例性地,这里仅示出4个输入层的节点,每个节点用于输入一个信号统计值序列。例如,x1输入电压间隙因子序列,其中,该电压间隙因子序列包括T个充放电周期的电压间隙因子。类似的,输入层的其他节点也分别输入长度为T的信号统计值序列。
隐藏层和输入层是全连接的,假设输入层采用向量X表示,则隐藏层输出为f(W1X+b1),其中,W1是权重(即,连接系数),b1是偏置,函数f可以是sigmoid函数或者tanh函数。
输出层的输出就是softmax(W2X1+b2),其中,X1表示隐藏层的输出的f(W1X+b1)。
其次,本申请实施例中,提供了一种基于MLP模型预测电池容量的方式。通过上述方式,由于MLP模型具有高度并行处理能力,以及具有良好的容错性和自适应能力,因此,使用MLP模型进行电池容量预测具有较好效果。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的另一个可选实施例中,基于K个信号统计值序列,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的,具体包括:
根据K个信号统计值序列,生成T个周期统计值序列,其中,每个周期统计值序列对应于一个充放电周期,每个周期统计值序列包括K个信号统计值;
基于T个周期统计值序列,通过时序网络模型获取待测电池的电池容量,其中,时序网络模型包括具有连接关系的T个循环单元,每个循环单元用于输入一个充放电周期所对应的周期统计值序列。
在一个或多个实施例中,介绍了一种基于时序网络模型预测电池容量的方式。由前述实施例可知,选择时序网络模型预测电池容量时,将K个信号统计值序列作为时序网络模型的输入,经过时序网络模型输出电池容量。下面将以时序网络模型为LSTM网络为例进行说明。其中,LSTM网络是一种针对时间序列和序列问题的循环神经网络,
具体地,LSTM网络通过引入输入门、遗忘门、单元候选门和输出门等,可以控制信息流的功能,从而减少因长序列梯度消失而对时间步长较远处的信息的遗忘,实现对长时间序列信息的高效抓取与记忆。LSTM网络的层结构是以链式重复模块的形式存在,称为循环单元(即,LSTM单元)。
为了便于理解,请参阅图12,图12为本申请实施例中时序网络模型的一个结构示意图,如图所示,可以按照T个充放电周期将K个信号统计值序列划分为T个周期统计值序列,每个周期统计值序列包括K维信号统计值,即,每一维信号统计值对应于一个信号统计值。基于此,图12中示出一个特征维度为K,充放电周期为T的矩阵X,即,其中,图中的h表示隐藏状态,c表示单元状态。LSTM网络有三个主要的训练过程,为前向传播、后向传播和更新梯度,在其传播机制中,梯度和导数随着时间步长的变换进行传导。因为输入是原始连续时间数据,所以LSTM网络很好地维持了原始输入数据的时间特征。
LSTM网络的设计可以有效缓解因为时间步长相隔过远导致的梯度消失问题,从而实现对长时间序列信息的抽取与储存。有四个组件以一种特殊的方式相互作用,这四个组件分别为遗忘门f,输入门i,单元候选门输出门o。它们分别控制单元状态更新的水平,控制单元状态遗忘的水平,向单元状态添加信息,控制单元状态添加到隐藏状态的水平。
进一步地,为了便于理解,请参阅图13,图13为本申请实施例中循环单元的一个结构示意图,如图所示,结合图12,以第t个充放电周期对应的第t个循环单元(即,LSTM单元)为例,其中,LSTM网络是一个单层LSTM网络的序列到序列回归网络。循环单元接收到ht-1和ct-1在(t-1)个充放电周期得到的xt-1输入,xt-1,ht和ct将在下一个时序中被计算,并通过前向传播输出
四个分量的值可采用如下方式进行计算,且,下面的计算过程都是采用矢量化的形式,可以提高计算效率,也易于代码实现。
ft=σ(Wfht-1+Ufxt+bf)=σ(zft)
it=σ(Wiht-1+Uixt+bi)=σ(zit)
ot=σ(Woht-1+Uoxt+bo)=σ(zfo);(公式35)
其中,W表示神经元(即,循环单元)与神经元间的递归权重。U表示输入与神经元的输入权重。b表示偏置。假设神经元节点数为m,则:
tanh(·)和sigmoid表示激活函数,具体表示为:
其中,公式35可以矢量化为如下公式:
ht=ot⊙tanh(ct);(公式40)
其中,⊙表示矩阵哈密顿点乘。Wv和bv分别表示输出权重和输出偏置。假设输出的维度为n,则:
需要说明的是,本申请以时序网络模型为LSTM网络为例进行说明,在实际应用中,可以采用时序网络模型还可以是循环神经网络或者双向LSTM网络等。此处仅为一个示意,不应理解为对本申请的限定。
其次,本申请实施例中,提供了一种基于时序网络模型预测电池容量的方式。通过上述方式,LSTM改善了循环神经网络中存在的长期依赖问题,LSTM的表现通常比时间递归神经网络更好。此外,作为非线性模型,LSTM可作为复杂的非线性单元,并用于构造更大型深度神经网络。因此,使用时序网络模型进行电池容量预测具有较好效果。
下面对本申请中的电池容量预测装置进行详细描述,请参阅图14,图14为本申请实施例中电池容量预测装置的一个实施例示意图,电池容量预测装置20包括:
获取模块210,用于获取针对待测电池的K个目标信号特征类型,其中,K目标信号特征类型来源于电压信号集合、电流信号集合以及温度信号集合中的至少一个,K为大于或等于1的整数;
获取模块210,还用于根据K个目标信号特征类型,获取待测电池所对应的K个信号统计值序列,其中,每个信号统计值序列包括T个充放电周期的信号特征,K个信号统计值序列中的信号统计值序列与K个目标信号特征类型中的目标信号特征类型具有一一对应的关系,T为大于1的整数;
预测模块220,用于基于K个信号统计值序列,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,电池容量预测装置20还包括确定模块230;
获取模块210,还用于获取针对待测电池的K个目标信号特征类型之前,获取样本电池的至少一个电压统计值序列,其中,每个电压统计值序列包括Q个充放电周期的电压统计值,每个电压统计值序列对应于电压信号集合中的一个电压信号类型,Q为大于1的整数;
获取模块210,还用于获取样本电池的至少一个电流统计值序列,其中,每个电流统计值序列包括Q个充放电周期的电流统计值,每个电流统计值序列对应于电流信号集合中的一个电流信号类型;
获取模块210,还用于获取样本电池的至少一个温度统计值序列,其中,每个温度统计值序列包括Q个充放电周期的温度统计值,每个温度统计值序列对应于温度信号集合中的一个温度信号类型;
获取模块210,还用于获取样本电池的电池容量序列,其中,电池容量序列包括Q个充放电周期的电池容量;
确定模块230,用于根据至少一个电压统计值序列、至少一个电流统计值序列、至少一个温度统计值序列以及电池容量序列,确定针对样本电池的K个信号特征类型。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
电压信号集合包括电压均值类型、电压标准差类型、电压方差类型、电压形状因子类型、电压偏度类型、电压峰度类型、电压脉冲值类型、电压脉冲因子类型、电压波峰因子类型以及电压间隙因子类型中的至少一项;
获取模块210,具体用于若电压信号集合包括电压均值类型,则生成样本电池的电压均值序列,其中,电压均值序列包括Q个充放电周期的电压均值;
若电压信号集合包括电压标准差类型,则生成样本电池的电压标准差序列,其中,电压标准差序列包括Q个充放电周期的电压标准差;
若电压信号集合包括电压方差类型,则生成样本电池的电压方差序列,其中,电压方差序列包括Q个充放电周期的电压方差;
若电压信号集合包括电压形状因子类型,则生成样本电池的电压形状因子序列,其中,电压形状因子序列包括Q个充放电周期的电压形状因子;
若电压信号集合包括电压偏度类型,则生成样本电池的电压偏度序列,其中,电压偏度序列包括Q个充放电周期的电压偏度;
若电压信号集合包括电压峰度类型,则生成样本电池的电压峰度序列,其中,电压峰度序列包括Q个充放电周期的电压峰度;
若电压信号集合包括电压脉冲值类型,则生成样本电池的电压脉冲值序列,其中,电压脉冲值序列包括Q个充放电周期的电压脉冲值;
若电压信号集合包括电压脉冲因子类型,则生成样本电池的电压脉冲因子序列,其中,电压脉冲因子序列包括Q个充放电周期的电压脉冲因子;
若电压信号集合包括电压波峰因子类型,则生成样本电池的电压波峰因子序列,其中,电压波峰因子序列包括Q个充放电周期的电压波峰因子;
若电压信号集合包括电压间隙因子类型,则生成样本电池的电压间隙因子序列,其中,电压间隙因子序列包括Q个充放电周期的电压间隙因子。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电压值,计算得到样本电池的电压均值;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压标准差;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压方差;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均方根以及各个采样点所对应的电压值,计算得到样本电池的电压形状因子;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压偏度;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到样本电池的电压峰度;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电压值,确定样本电池的电压脉冲值;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到样本电池的电压脉冲因子;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到样本电池的电压波峰因子;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到样本电池的电压间隙因子。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
电流信号集合包括电流均值类型、电流标准差类型、电流方差类型、电流形状因子类型、电流偏度类型、电流峰度类型、电流脉冲值类型、电流脉冲因子类型、电流波峰因子类型以及电流间隙因子类型中的至少一项;
获取模块210,具体用于若电流信号集合包括电流均值类型,则生成样本电池的电流均值序列,其中,电流均值序列包括Q个充放电周期的电流均值;
若电流信号集合包括电流标准差类型,则生成样本电池的电流标准差序列,其中,电流标准差序列包括Q个充放电周期的电流标准差;
若电流信号集合包括电流方差类型,则生成样本电池的电流方差序列,其中,电流方差序列包括Q个充放电周期的电流方差;
若电流信号集合包括电流形状因子类型,则生成样本电池的电流形状因子序列,其中,电流形状因子序列包括Q个充放电周期的电流形状因子;
若电流信号集合包括电流偏度类型,则生成样本电池的电流偏度序列,其中,电流偏度序列包括Q个充放电周期的电流偏度;
若电流信号集合包括电流峰度类型,则生成样本电池的电流峰度序列,其中,电流峰度序列包括Q个充放电周期的电流峰度;
若电流信号集合包括电流脉冲值类型,则生成样本电池的电流脉冲值序列,其中,电流脉冲值序列包括Q个充放电周期的电流脉冲值;
若电流信号集合包括电流脉冲因子类型,则生成样本电池的电流脉冲因子序列,其中,电流脉冲因子序列包括Q个充放电周期的电流脉冲因子;
若电流信号集合包括电流波峰因子类型,则生成样本电池的电流波峰因子序列,其中,电流波峰因子序列包括Q个充放电周期的电流波峰因子;
若电流信号集合包括电流间隙因子类型,则生成样本电池的电流间隙因子序列,其中,电流间隙因子序列包括Q个充放电周期的电流间隙因子。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电流值,计算得到样本电池的电流均值;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流标准差;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流方差;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均方根以及各个采样点所对应的电流值,计算得到样本电池的电流形状因子;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流偏度;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到样本电池的电流峰度;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电流值,确定样本电池的电流脉冲值;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到样本电池的电流脉冲因子;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到样本电池的电流波峰因子;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到样本电池的电流间隙因子。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
温度信号集合包括温度均值类型、温度标准差类型、温度方差类型、温度形状因子类型、温度偏度类型、温度峰度类型、温度脉冲值类型、温度脉冲因子类型、温度波峰因子类型以及温度间隙因子类型中的至少一项;
获取模块210,具体用于若温度信号集合包括温度均值类型,则生成样本电池的温度均值序列,其中,温度均值序列包括Q个充放电周期的温度均值;
若温度信号集合包括温度标准差类型,则生成样本电池的温度标准差序列,其中,温度标准差序列包括Q个充放电周期的温度标准差;
若温度信号集合包括温度方差类型,则生成样本电池的温度方差序列,其中,温度方差序列包括Q个充放电周期的温度方差;
若温度信号集合包括温度形状因子类型,则生成样本电池的温度形状因子序列,其中,温度形状因子序列包括Q个充放电周期的温度形状因子;
若温度信号集合包括温度偏度类型,则生成样本电池的温度偏度序列,其中,温度偏度序列包括Q个充放电周期的温度偏度;
若温度信号集合包括温度峰度类型,则生成样本电池的温度峰度序列,其中,温度峰度序列包括Q个充放电周期的温度峰度;
若温度信号集合包括温度脉冲值类型,则生成样本电池的温度脉冲值序列,其中,温度脉冲值序列包括Q个充放电周期的温度脉冲值;
若温度信号集合包括温度脉冲因子类型,则生成样本电池的温度脉冲因子序列,其中,温度脉冲因子序列包括Q个充放电周期的温度脉冲因子;
若温度信号集合包括温度波峰因子类型,则生成样本电池的温度波峰因子序列,其中,温度波峰因子序列包括Q个充放电周期的温度波峰因子;
若温度信号集合包括温度间隙因子类型,则生成样本电池的温度间隙因子序列,其中,温度间隙因子序列包括Q个充放电周期的温度间隙因子。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的温度值,计算得到样本电池的温度均值;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度标准差;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度方差;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均方根以及各个采样点所对应的温度值,计算得到样本电池的温度形状因子;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度偏度;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到样本电池的温度峰度;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据各个采样点所对应的温度值,确定样本电池的温度脉冲值;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到样本电池的温度脉冲因子;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到样本电池的温度波峰因子;
获取模块210,具体用于针对Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到样本电池的温度间隙因子。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
确定模块230,具体用于根据至少一个电压统计值序列以及电池容量序列,计算电压信号集合中每个电压信号类型所对应的F校验值,其中,F校验值表示信号特征类型与电池容量之间的相关性;
根据至少一个电流统计值序列以及电池容量序列,计算电流信号集合中每个电流信号类型所对应的F校验值;
根据至少一个温度统计值序列以及电池容量序列,计算温度信号集合中每个温度信号类型所对应的F校验值;
按照F校验值从大到小的顺序,对电压信号集合、电流信号集合以及温度信号集合中的各个信号特征类型进行排序;
从排序结果中选择前K个信号特征类型作为针对样本电池的K个信号特征类型。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,电池容量预测装置20还包括构建模块240;
获取模块210,还用于确定针对样本电池的K个信号特征类型之后,获取样本电池的型号信息;
构建模块240,用于根据样本电池的型号信息以及针对样本电池的K个信号特征类型,构建型号特征映射关系。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
获取模块210,具体用于获取待测电池的目标型号信息;
若目标型号信息与样本电池的型号信息匹配一致,则根据型号特征映射关系,将K个信号特征类型作为针对待测电池的K个目标信号特征类型。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
获取模块210,还用于获取待测电池所对应的关联数据,其中,关联数据包括电池内阻、荷电量以及充放电周期时长中的至少一种;
预测模块220,具体用于基于K个信号统计值序列以及关联数据,通过容量预测模型获取待测电池的电池容量,其中,容量预测模型为从多个候选预测模型中筛选得到的。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
获取模块210,还用于获取针对样本电池集合的K个信号特征类型;
获取模块210,还用于根据K个信号特征类型,获取每个样本电池所对应的K个信号统计值样本序列;
获取模块210,还用于获取每个样本电池的实际电池容量;
获取模块210,还用于基于每个样本电池所对应的K个信号统计值样本序列,通过多层感知机模型获取每个样本电池所对应的第一电池容量;
获取模块210,还用于基于每个样本电池所对应的K个信号统计值样本序列,通过时序网络模型获取每个样本电池所对应的第二电池容量;
确定模块230,还用于根据每个样本电池所对应的第一电池容量、每个样本电池所对应的第二电池容量以及每个样本电池所对应的实际电池容量,确定容量预测模型。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
确定模块230,具体用于根据每个样本电池所对应的第一电池容量以及每个样本电池所对应的实际电池容量,计算得到第一均方根误差;
根据每个样本电池所对应的第二电池容量以及每个样本电池所对应的实际电池容量,计算得到第二均方根误差;
若第一均方根误差小于第二均方根误差,则将多层感知机模型作为容量预测模型;
若第一均方根误差大于第二均方根误差,则将时序网络模型作为容量预测模型。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
预测模块220,具体用于基于K个信号统计值序列,通过多层感知机模型获取待测电池的电池容量,其中,多层感知机模型包括输入层、隐藏层以及输出层,输入层用于接收信号统计值序列,隐藏层用于对输入的信号统计值序列进行变换计算,输出层用于对隐藏层输出的结果进行变换计算。
可选地,在上述图14所对应的实施例的基础上,本申请实施例提供的电池容量预测装置20的另一实施例中,
预测模块220,具体用于根据K个信号统计值序列,生成T个周期统计值序列,其中,每个周期统计值序列对应于一个充放电周期,每个周期统计值序列包括K个信号统计值;
基于T个周期统计值序列,通过时序网络模型获取待测电池的电池容量,其中,时序网络模型包括具有连接关系的T个循环单元,每个循环单元用于输入一个充放电周期所对应的周期统计值序列。
图15是本申请实施例提供的一种计算机设备结构示意图,该计算机设备300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对计算机设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在计算机设备300上执行存储介质330中的一系列指令操作。
计算机设备300还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由计算机设备所执行的步骤可以基于该图15所示的计算机设备结构。
本申请实施例中还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,该处理器执行计算机程序时,实现前述各个实施例描述方法的步骤。
本申请实施例中还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现前述各个实施例描述方法的步骤。
本申请实施例中还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时,实现前述各个实施例描述方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是服务器或终端等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储计算机程序的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;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: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申请各实施例技术方案的精神和范围。
Claims (20)
1.一种电池容量的预测方法,其特征在于,包括:
获取针对待测电池的K个目标信号特征类型,其中,所述K目标信号特征类型来源于电压信号集合、电流信号集合以及温度信号集合中的至少一个,所述K为大于或等于1的整数;
根据所述K个目标信号特征类型,获取所述待测电池所对应的K个信号统计值序列,其中,每个信号统计值序列包括T个充放电周期的信号特征,所述K个信号统计值序列中的信号统计值序列与所述K个目标信号特征类型中的目标信号特征类型具有一一对应的关系,所述T为大于1的整数;
基于所述K个信号统计值序列,通过容量预测模型获取所述待测电池的电池容量,其中,所述容量预测模型为从多个候选预测模型中筛选得到的。
2.根据权利要求1所述的预测方法,其特征在于,所述获取针对待测电池的K个目标信号特征类型之前,所述方法还包括:
获取样本电池的至少一个电压统计值序列,其中,每个电压统计值序列包括Q个充放电周期的电压统计值,所述每个电压统计值序列对应于所述电压信号集合中的一个电压信号类型,所述Q为大于1的整数;
获取所述样本电池的至少一个电流统计值序列,其中,每个电流统计值序列包括所述Q个充放电周期的电流统计值,所述每个电流统计值序列对应于所述电流信号集合中的一个电流信号类型;
获取所述样本电池的至少一个温度统计值序列,其中,每个温度统计值序列包括所述Q个充放电周期的温度统计值,所述每个温度统计值序列对应于所述温度信号集合中的一个温度信号类型;
获取所述样本电池的电池容量序列,其中,所述电池容量序列包括所述Q个充放电周期的电池容量;
根据所述至少一个电压统计值序列、所述至少一个电流统计值序列、所述至少一个温度统计值序列以及电池容量序列,确定针对所述样本电池的K个信号特征类型。
3.根据权利要求2所述的预测方法,其特征在于,所述电压信号集合包括电压均值类型、电压标准差类型、电压方差类型、电压形状因子类型、电压偏度类型、电压峰度类型、电压脉冲值类型、电压脉冲因子类型、电压波峰因子类型以及电压间隙因子类型中的至少一项;
所述获取样本电池的至少一个电压统计值序列,包括:
若所述电压信号集合包括所述电压均值类型,则生成所述样本电池的电压均值序列,其中,所述电压均值序列包括所述Q个充放电周期的电压均值;
若所述电压信号集合包括所述电压标准差类型,则生成所述样本电池的电压标准差序列,其中,所述电压标准差序列包括所述Q个充放电周期的电压标准差;
若所述电压信号集合包括所述电压方差类型,则生成所述样本电池的电压方差序列,其中,所述电压方差序列包括所述Q个充放电周期的电压方差;
若所述电压信号集合包括所述电压形状因子类型,则生成所述样本电池的电压形状因子序列,其中,所述电压形状因子序列包括所述Q个充放电周期的电压形状因子;
若所述电压信号集合包括所述电压偏度类型,则生成所述样本电池的电压偏度序列,其中,所述电压偏度序列包括所述Q个充放电周期的电压偏度;
若所述电压信号集合包括所述电压峰度类型,则生成所述样本电池的电压峰度序列,其中,所述电压峰度序列包括所述Q个充放电周期的电压峰度;
若所述电压信号集合包括所述电压脉冲值类型,则生成所述样本电池的电压脉冲值序列,其中,所述电压脉冲值序列包括所述Q个充放电周期的电压脉冲值;
若所述电压信号集合包括所述电压脉冲因子类型,则生成所述样本电池的电压脉冲因子序列,其中,所述电压脉冲因子序列包括所述Q个充放电周期的电压脉冲因子;
若所述电压信号集合包括所述电压波峰因子类型,则生成所述样本电池的电压波峰因子序列,其中,所述电压波峰因子序列包括所述Q个充放电周期的电压波峰因子;
若所述电压信号集合包括所述电压间隙因子类型,则生成所述样本电池的电压间隙因子序列,其中,所述电压间隙因子序列包括所述Q个充放电周期的电压间隙因子。
4.根据权利要求3所述的预测方法,其特征在于,所述生成所述样本电池的电压均值序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电压值,计算得到所述样本电池的电压均值;
所述生成所述样本电池的电压标准差序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到所述样本电池的电压标准差;
所述生成所述样本电池的电压方差序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到所述样本电池的电压方差;
所述生成所述样本电池的电压形状因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电压均方根以及各个采样点所对应的电压值,计算得到所述样本电池的电压形状因子;
所述生成所述样本电池的电压偏度序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到所述样本电池的电压偏度;
所述生成所述样本电池的电压峰度序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电压均值以及各个采样点所对应的电压值,计算得到所述样本电池的电压峰度;
所述生成所述样本电池的电压脉冲值序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电压值,确定所述样本电池的电压脉冲值;
所述生成所述样本电池的电压脉冲因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到所述样本电池的电压脉冲因子;
所述生成所述样本电池的电压波峰因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到所述样本电池的电压波峰因子;
所述生成所述样本电池的电压间隙因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电压脉冲值以及各个采样点所对应的电压值,计算得到所述样本电池的电压间隙因子。
5.根据权利要求2所述的预测方法,其特征在于,所述电流信号集合包括电流均值类型、电流标准差类型、电流方差类型、电流形状因子类型、电流偏度类型、电流峰度类型、电流脉冲值类型、电流脉冲因子类型、电流波峰因子类型以及电流间隙因子类型中的至少一项;
所述获取样本电池的至少一个电流统计值序列,包括:
若所述电流信号集合包括所述电流均值类型,则生成所述样本电池的电流均值序列,其中,所述电流均值序列包括所述Q个充放电周期的电流均值;
若所述电流信号集合包括所述电流标准差类型,则生成所述样本电池的电流标准差序列,其中,所述电流标准差序列包括所述Q个充放电周期的电流标准差;
若所述电流信号集合包括所述电流方差类型,则生成所述样本电池的电流方差序列,其中,所述电流方差序列包括所述Q个充放电周期的电流方差;
若所述电流信号集合包括所述电流形状因子类型,则生成所述样本电池的电流形状因子序列,其中,所述电流形状因子序列包括所述Q个充放电周期的电流形状因子;
若所述电流信号集合包括所述电流偏度类型,则生成所述样本电池的电流偏度序列,其中,所述电流偏度序列包括所述Q个充放电周期的电流偏度;
若所述电流信号集合包括所述电流峰度类型,则生成所述样本电池的电流峰度序列,其中,所述电流峰度序列包括所述Q个充放电周期的电流峰度;
若所述电流信号集合包括所述电流脉冲值类型,则生成所述样本电池的电流脉冲值序列,其中,所述电流脉冲值序列包括所述Q个充放电周期的电流脉冲值;
若所述电流信号集合包括所述电流脉冲因子类型,则生成所述样本电池的电流脉冲因子序列,其中,所述电流脉冲因子序列包括所述Q个充放电周期的电流脉冲因子;
若所述电流信号集合包括所述电流波峰因子类型,则生成所述样本电池的电流波峰因子序列,其中,所述电流波峰因子序列包括所述Q个充放电周期的电流波峰因子;
若所述电流信号集合包括所述电流间隙因子类型,则生成所述样本电池的电流间隙因子序列,其中,所述电流间隙因子序列包括所述Q个充放电周期的电流间隙因子。
6.根据权利要求5所述的预测方法,其特征在于,所述生成所述样本电池的电流均值序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电流值,计算得到所述样本电池的电流均值;
所述生成所述样本电池的电流标准差序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到所述样本电池的电流标准差;
所述生成所述样本电池的电流方差序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到所述样本电池的电流方差;
所述生成所述样本电池的电流形状因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电流均方根以及各个采样点所对应的电流值,计算得到所述样本电池的电流形状因子;
所述生成所述样本电池的电流偏度序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到所述样本电池的电流偏度;
所述生成所述样本电池的电流峰度序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电流均值以及各个采样点所对应的电流值,计算得到所述样本电池的电流峰度;
所述生成所述样本电池的电流脉冲值序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据各个采样点所对应的电流值,确定所述样本电池的电流脉冲值;
所述生成所述样本电池的电流脉冲因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到所述样本电池的电流脉冲因子;
所述生成所述样本电池的电流波峰因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到所述样本电池的电流波峰因子;
所述生成所述样本电池的电流间隙因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据电流脉冲值以及各个采样点所对应的电流值,计算得到所述样本电池的电流间隙因子。
7.根据权利要求2所述的预测方法,其特征在于,所述温度信号集合包括温度均值类型、温度标准差类型、温度方差类型、温度形状因子类型、温度偏度类型、温度峰度类型、温度脉冲值类型、温度脉冲因子类型、温度波峰因子类型以及温度间隙因子类型中的至少一项;
所述获取样本电池的至少一个温度统计值序列,包括:
若所述温度信号集合包括所述温度均值类型,则生成所述样本电池的温度均值序列,其中,所述温度均值序列包括所述Q个充放电周期的温度均值;
若所述温度信号集合包括所述温度标准差类型,则生成所述样本电池的温度标准差序列,其中,所述温度标准差序列包括所述Q个充放电周期的温度标准差;
若所述温度信号集合包括所述温度方差类型,则生成所述样本电池的温度方差序列,其中,所述温度方差序列包括所述Q个充放电周期的温度方差;
若所述温度信号集合包括所述温度形状因子类型,则生成所述样本电池的温度形状因子序列,其中,所述温度形状因子序列包括所述Q个充放电周期的温度形状因子;
若所述温度信号集合包括所述温度偏度类型,则生成所述样本电池的温度偏度序列,其中,所述温度偏度序列包括所述Q个充放电周期的温度偏度;
若所述温度信号集合包括所述温度峰度类型,则生成所述样本电池的温度峰度序列,其中,所述温度峰度序列包括所述Q个充放电周期的温度峰度;
若所述温度信号集合包括所述温度脉冲值类型,则生成所述样本电池的温度脉冲值序列,其中,所述温度脉冲值序列包括所述Q个充放电周期的温度脉冲值;
若所述温度信号集合包括所述温度脉冲因子类型,则生成所述样本电池的温度脉冲因子序列,其中,所述温度脉冲因子序列包括所述Q个充放电周期的温度脉冲因子;
若所述温度信号集合包括所述温度波峰因子类型,则生成所述样本电池的温度波峰因子序列,其中,所述温度波峰因子序列包括所述Q个充放电周期的温度波峰因子;
若所述温度信号集合包括所述温度间隙因子类型,则生成所述样本电池的温度间隙因子序列,其中,所述温度间隙因子序列包括所述Q个充放电周期的温度间隙因子。
8.根据权利要求7所述的预测方法,其特征在于,所述生成所述样本电池的温度均值序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据各个采样点所对应的温度值,计算得到所述样本电池的温度均值;
所述生成所述样本电池的温度标准差序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到所述样本电池的温度标准差;
所述生成所述样本电池的温度方差序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到所述样本电池的温度方差;
所述生成所述样本电池的温度形状因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据温度均方根以及各个采样点所对应的温度值,计算得到所述样本电池的温度形状因子;
所述生成所述样本电池的温度偏度序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到所述样本电池的温度偏度;
所述生成所述样本电池的温度峰度序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据温度均值以及各个采样点所对应的温度值,计算得到所述样本电池的温度峰度;
所述生成所述样本电池的温度脉冲值序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据各个采样点所对应的温度值,确定所述样本电池的温度脉冲值;
所述生成所述样本电池的温度脉冲因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到所述样本电池的温度脉冲因子;
所述生成所述样本电池的温度波峰因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到所述样本电池的温度波峰因子;
所述生成所述样本电池的温度间隙因子序列,包括:
针对所述Q个充放电周期中的每个充放电周期,根据温度脉冲值以及各个采样点所对应的温度值,计算得到所述样本电池的温度间隙因子。
9.根据权利要求2所述的预测方法,其特征在于,所述根据所述至少一个电压统计值序列、所述至少一个电流统计值序列、所述至少一个温度统计值序列以及电池容量序列,确定针对所述样本电池的K个信号特征类型,包括:
根据所述至少一个电压统计值序列以及所述电池容量序列,计算所述电压信号集合中每个电压信号类型所对应的F校验值,其中,所述F校验值表示信号特征类型与电池容量之间的相关性;
根据所述至少一个电流统计值序列以及所述电池容量序列,计算所述电流信号集合中每个电流信号类型所对应的F校验值;
根据所述至少一个温度统计值序列以及所述电池容量序列,计算所述温度信号集合中每个温度信号类型所对应的F校验值;
按照F校验值从大到小的顺序,对所述电压信号集合、所述电流信号集合以及所述温度信号集合中的各个信号特征类型进行排序;
从排序结果中选择前K个信号特征类型作为针对所述样本电池的K个信号特征类型。
10.根据权利要求2所述的预测方法,其特征在于,所述确定针对所述样本电池的K个信号特征类型之后,所述方法还包括:
获取所述样本电池的型号信息;
根据所述样本电池的型号信息以及针对所述样本电池的K个信号特征类型,构建型号特征映射关系。
11.根据权利要求10所述的预测方法,其特征在于,所述获取针对待测电池的K个目标信号特征类型,包括:
获取所述待测电池的目标型号信息;
若所述目标型号信息与所述样本电池的型号信息匹配一致,则根据所述型号特征映射关系,将所述K个信号特征类型作为针对所述待测电池的K个目标信号特征类型。
12.根据权利要求1所述的预测方法,其特征在于,所述方法还包括:
获取所述待测电池所对应的关联数据,其中,所述关联数据包括电池内阻、荷电量以及充放电周期时长中的至少一种;
所述基于所述K个信号统计值序列,通过容量预测模型获取所述待测电池的电池容量,其中,所述容量预测模型为从多个候选预测模型中筛选得到的,包括:
基于所述K个信号统计值序列以及所述关联数据,通过所述容量预测模型获取所述待测电池的电池容量。
13.根据权利要求1所述的预测方法,其特征在于,所述方法还包括:
获取针对样本电池集合的K个信号特征类型;
根据所述K个信号特征类型,获取每个样本电池所对应的K个信号统计值样本序列;
获取每个样本电池的实际电池容量;
基于所述每个样本电池所对应的K个信号统计值样本序列,通过多层感知机模型获取所述每个样本电池所对应的第一电池容量;
基于所述每个样本电池所对应的K个信号统计值样本序列,通过时序网络模型获取所述每个样本电池所对应的第二电池容量;
根据所述每个样本电池所对应的第一电池容量、所述每个样本电池所对应的第二电池容量以及所述每个样本电池所对应的实际电池容量,确定所述容量预测模型。
14.根据权利要求13所述的预测方法,其特征在于,所述根据所述每个样本电池所对应的第一电池容量、所述每个样本电池所对应的第二电池容量以及所述每个样本电池所对应的实际电池容量,确定所述容量预测模型,包括:
根据所述每个样本电池所对应的第一电池容量以及所述每个样本电池所对应的实际电池容量,计算得到第一均方根误差;
根据所述每个样本电池所对应的第二电池容量以及所述每个样本电池所对应的实际电池容量,计算得到第二均方根误差;
若所述第一均方根误差小于所述第二均方根误差,则将所述多层感知机模型作为所述容量预测模型;
若所述第一均方根误差大于所述第二均方根误差,则将所述时序网络模型作为所述容量预测模型。
15.根据权利要求1至14中任一项所述的预测方法,其特征在于,所述基于所述K个信号统计值序列,通过容量预测模型获取所述待测电池的电池容量,其中,所述容量预测模型为从多个候选预测模型中筛选得到的,包括:
基于所述K个信号统计值序列,通过多层感知机模型获取所述待测电池的电池容量,其中,所述多层感知机模型包括输入层、隐藏层以及输出层,所述输入层用于接收信号统计值序列,所述隐藏层用于对输入的信号统计值序列进行变换计算,所述输出层用于对所述隐藏层输出的结果进行变换计算。
16.根据权利要求1至14中任一项所述的预测方法,其特征在于,所述基于所述K个信号统计值序列,通过容量预测模型获取所述待测电池的电池容量,其中,所述容量预测模型为从多个候选预测模型中筛选得到的,包括:
根据所述K个信号统计值序列,生成T个周期统计值序列,其中,每个周期统计值序列对应于一个充放电周期,所述每个周期统计值序列包括K个信号统计值;
基于所述T个周期统计值序列,通过时序网络模型获取所述待测电池的电池容量,其中,所述时序网络模型包括具有连接关系的T个循环单元,每个循环单元用于输入一个充放电周期所对应的周期统计值序列。
17.一种电池容量预测装置,其特征在于,包括:
获取模块,用于获取针对待测电池的K个目标信号特征类型,其中,所述K目标信号特征类型来源于电压信号集合、电流信号集合以及温度信号集合中的至少一个,所述K为大于或等于1的整数;
所述获取模块,还用于根据所述K个目标信号特征类型,获取所述待测电池所对应的K个信号统计值序列,其中,每个信号统计值序列包括T个充放电周期的信号特征,所述K个信号统计值序列中的信号统计值序列与所述K个目标信号特征类型中的目标信号特征类型具有一一对应的关系,所述T为大于1的整数;
预测模块,用于基于所述K个信号统计值序列,通过容量预测模型获取所述待测电池的电池容量,其中,所述容量预测模型为从多个候选预测模型中筛选得到的。
18.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至16中任一项所述的预测方法的步骤。
19.一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,所述计算机程序被处理器执行时实现权利要求1至16中任一项所述的预测方法的步骤。
20.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至16中任一项所述的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210454868.3A CN115114843A (zh) | 2022-04-24 | 2022-04-24 | 一种电池容量的预测方法、相关装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210454868.3A CN115114843A (zh) | 2022-04-24 | 2022-04-24 | 一种电池容量的预测方法、相关装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115114843A true CN115114843A (zh) | 2022-09-27 |
Family
ID=83327182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210454868.3A Pending CN115114843A (zh) | 2022-04-24 | 2022-04-24 | 一种电池容量的预测方法、相关装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115114843A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116298906A (zh) * | 2023-01-19 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
CN117411151A (zh) * | 2023-12-14 | 2024-01-16 | 深圳鑫资物联科技有限公司 | 一种无线电源的电源管理系统及其控制方法 |
-
2022
- 2022-04-24 CN CN202210454868.3A patent/CN115114843A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116298906A (zh) * | 2023-01-19 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
CN116298906B (zh) * | 2023-01-19 | 2024-04-16 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
CN117411151A (zh) * | 2023-12-14 | 2024-01-16 | 深圳鑫资物联科技有限公司 | 一种无线电源的电源管理系统及其控制方法 |
CN117411151B (zh) * | 2023-12-14 | 2024-04-02 | 深圳鑫资物联科技有限公司 | 一种无线电源的电源管理系统及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gou et al. | State-of-health estimation and remaining-useful-life prediction for lithium-ion battery using a hybrid data-driven method | |
Ren et al. | A data-driven auto-CNN-LSTM prediction model for lithium-ion battery remaining useful life | |
Bai et al. | A generic model-free approach for lithium-ion battery health management | |
Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
Zhang et al. | A novel approach of battery pack state of health estimation using artificial intelligence optimization algorithm | |
CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
CN115114843A (zh) | 一种电池容量的预测方法、相关装置、设备以及存储介质 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
Lipu et al. | Real-time state of charge estimation of lithium-ion batteries using optimized random forest regression algorithm | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
Luzi et al. | A novel neural networks ensemble approach for modeling electrochemical cells | |
CN111707956B (zh) | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
Venugopal et al. | Analysis of optimal machine learning approach for battery life estimation of Li-ion cell | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
Fei et al. | A deep attention-assisted and memory-augmented temporal convolutional network based model for rapid lithium-ion battery remaining useful life predictions with limited data | |
Sun et al. | Adaptive evolution enhanced physics-informed neural networks for time-variant health prognosis of lithium-ion batteries | |
Wang et al. | SOC estimation algorithm of power lithium battery based on AFSA‐BP neural network | |
Jamshidi et al. | A dynamic artificial neural network approach to estimate thermal behaviors of li-ion batteries | |
De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
Eleftheriadis et al. | Bayesian hyperparameter optimization of stacked bidirectional long short-term memory neural network for the state of charge estimation |
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 |