CN115270454A - 电池寿命预测方法及相关设备 - Google Patents
电池寿命预测方法及相关设备 Download PDFInfo
- Publication number
- CN115270454A CN115270454A CN202210871877.2A CN202210871877A CN115270454A CN 115270454 A CN115270454 A CN 115270454A CN 202210871877 A CN202210871877 A CN 202210871877A CN 115270454 A CN115270454 A CN 115270454A
- Authority
- CN
- China
- Prior art keywords
- battery capacity
- prediction model
- battery
- prediction
- interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 74
- 238000005259 measurement Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000007423 decrease Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 61
- 238000011156 evaluation Methods 0.000 claims description 25
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 13
- 229910001416 lithium ion Inorganic materials 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 9
- 230000035882 stress Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 239000011149 active material Substances 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000007784 solid electrolyte Substances 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000001453 impedance spectrum Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000013543 active substance Substances 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009831 deintercalation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910052987 metal hydride Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 239000000126 substance 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种电池寿命预测方法及相关设备;方法包括:在预设的多类测试条件下对电池进行测试,得到每类测试条件下的多组初始特征组和与各组初始特征组对应的电池容量测量区间;将每个初始特征组和对应的电池容量测量区间输入到预置的点云语义分割网络,得到与该初始特征组对应的目标特征组和对应的电池容量测量区间;利用基于梯度下降的损失函数构建预测模型,将全部目标特征组和对应的电池容量测量区间输入到预测模型,通过多轮次的迭代对预测模型进行训练;响应于损失函数的梯度下降直预设的收敛精度,完成对预测模型的训练,利用完成训练的预测模型对电池寿命进行预测。本方法解决了计算冗余和过拟合的问题,提高了预测的准确性。
Description
技术领域
本申请的实施例涉及电池健康状态评估的技术领域,尤其涉及一种电池寿命预测方法及相关装置。
背景技术
相关的电池寿命或容量的预测方法中,面对多种场景的模型,往往需要人工对模型的参数进行调整,并且使用的大量的电池相关特征,并非全部有助于判断特定场景下的电池容量,当预测模型运行大量特征时,不可避免地造成运行成本增高,效率降低,并且过于复杂的结构不仅增加了运算的冗余,还极易发生过拟合的情况。
基于此,需要一种能够挑选出判别能力强的特征,并有效降提高预测效率的方案。
发明内容
有鉴于此,本申请的目的在于提出一种电池寿命预测方法及相关装置。
基于上述目的,本申请提供了电池寿命预测方法,包括:
在预设的多类测试条件下对电池进行测试,得到每类测试条件下的多组初始特征组和与各组初始特征组对应的电池容量测量区间;
将每个所述初始特征组和对应的所述电池容量测量区间输入到预置的点云语义分割网络,得到与该初始特征组对应的目标特征组和对应的所述电池容量测量区间;
利用基于梯度下降的损失函数构建预测模型,将全部所述目标特征组和对应的所述电池容量测量区间输入到所述预测模型,通过多轮次的迭代对所述预测模型进行训练;
响应于所述损失函数的梯度下降直预设的收敛精度,完成对所述预测模型的训练,利用完成训练的所述预测模型对电池寿命进行预测。
进一步地,在预设的多类测试条件下对电池进行测试,得到每类测试条件下的多组初始特征组和与各组初始特征组对应的电池容量测量区间,包括:
通过对所述电池施加预设的振动应力,进行振动应力测试;
对所述电池分别进行0C、1C、2C和0.5C放电倍率的行循环老化测试;
对所述电池进行0.5C倍率充放电的容量测试;
通过对所述电池施加预设的频率的交流信号,进行阻抗谱测试;
在每个测试条件下,确定与每组初始特征组对应的电池容量百分比,将所述电池容量百分比按照预定的间隔值划分为多个区间;
确定各个所述电池容量百分比所对应的区间,并作为所述电池容量测量区间;
每个所述初始特征组中,包括多个初始特征。
进一步地,将每个所述初始特征组和对应的所述电池容量测量区间输入到预置的点云语义分割网络,得到与该初始特征组对应的目标特征组和对应的所述电池容量测量区间,包括:
构建由卷积层、池化层和全连接层组成的点云语义分割网络;
将全部所述初始特征和对应的所述电池容量测量区间以矩阵的形式输入所述点云语义分割网络;
通过所述卷基层、池化层和所述全连接层,从所述初始特征中选择出目标特征,并组成多个目标特征组;
每个所述目标特征组中包括有多个目标特征:
电导率损失、活性物质损失、锂离子损失、欧姆阻抗、电荷转移阻抗、固体电解质界面膜阻抗、扩散阻抗、温度和等压降时间
进一步地,利用基于梯度下降的损失函数构建预测模型,包括:
构建如下所示的损失函数:
其中,x表示所述预测模型预测出的电池容量预测区间与所述电池容量测量区间的残差,a表示所述预测模型中预设的超参数,c表示所述预测模型中预设的协调参数。
进一步地,所述通过多轮次的迭代对所述预测模型进行训练,包括:
在每轮次的迭代中,令所述预测模型利用每个所述目标特征组进行预测,确定与该目标特征组对应的所述电池容量预测区间;
确定所述电池容量预测区间与所述电池容量测量区间之间的残差;
根据所述残差计算所述损失函数;
根据计算的结果确定所述损失函数的下降梯度。
进一步地,完成对所述预测模型的训练后,还包括:
确定最后轮次迭代中所述预测模型输出的所述电池容量预测区间;
确定所述电池容量预测区间和所述电池容量测量区间的均方根误差、绝对误差、平均百分比误差和最大误差;
确定迭代的总次数;
确定所述预测模型运行时的内存占用;
确定所述模型进行预测的速度;
根据预设的权重,利用所述均方根误差、绝对误差、平均百分比误差、最大误差、内存占用和速度建立评价函数;
利用所述评价函数对所述预测模型进行评价。
基于同一发明构思,本申请还提供了一种电池寿命预测装置,包括:测试数据获取模块、特征选择模块、训练模块和预测模块;
其中,所述测试数据获取模块,被配置为,在预设的多类测试条件下对电池进行测试,得到每类测试条件下的多组初始特征组和与各组初始特征组对应的电池容量测量区间;
所述特征选择模块,被配置为,将每个所述初始特征组和对应的所述电池容量测量区间输入到预置的点云语义分割网络,得到与该初始特征组对应的目标特征组和对应的所述电池容量测量区间;
模型训练模块,被配置为,利用基于梯度下降的损失函数构建预测模型,将全部所述目标特征组和对应的所述电池容量测量区间输入到所述预测模型,通过多轮次的迭代对所述预测模型进行训练;
所述预测模块,被配置为,响应于所述损失函数的梯度下降直预设的收敛精度,完成对所述预测模型的训练,利用完成训练的所述预测模型对电池寿命进行预测。
进一步地,该电池寿命预测装置还包括:评价模块,
所述评价模块,被配置为,确定最后轮次迭代中所述预测模型输出的所述电池容量预测区间;
确定所述电池容量预测区间和所述电池容量测量区间的均方根误差、绝对误差、平均百分比误差和最大误差;
确定迭代的总次数;
确定所述预测模型运行时的内存占用;
确定所述模型进行预测的速度;
根据预设的权重,利用所述均方根误差、绝对误差、平均百分比误差、最大误差、内存占用和速度建立评价函数;
利用所述评价函数对所述预测模型进行评价。
基于同一发明构思,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一项所述的电池寿命预测方法。
基于同一发明构思,本申请还提供了一种非暂态计算机可读存储介质,其中,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上述电池寿命预测方法。
从上面所述可以看出,本申请提供的电池寿命预测方法,基于对不同条件下的测试,得到大量针对各类工况的初始特征,综合考虑了预测模型和网络模型在运算时的计算冗余和过拟合情况,来对初始特征进行选择,使得预测模型可以直接使用判别能力强的特征对电池寿命,也即电池容量进行预测,从而实现减轻预测模型计算负担的情况下,提高了预测的准确性。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的电池寿命预测方法的流程图;
图2为本申请实施例的电池寿命预测方法装置结构示意图;
图3为本申请实施例的电子设备结构示意。
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明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请的实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
如背景技术部分所述,相关的电池寿命预测方法还难以满足实际预测工作的需要。
在电池市场上,动力电池主要包括铅酸电池、镍氢电池和锂离子电池等,其中,锂离子电池因其在能量密度、循环寿命、自放电率、充放电性能、工作温度范围等性能方面的优良表现,在电动汽车或者混合电动汽车等领域得到广泛应用。
然而,随着锂离子电池循环充放电次数的增加,电池内部的电化学反应加剧,除了锂离子脱嵌发生的氧化还原反应外,还存在许多的副反应,如电解液分解、活性物质溶解、金属锂沉积等,这些副反应导致电池容量衰减。在电动汽车实际行驶工况下,电池的工作环境和性能衰退情况复杂,电池剩余使用寿命,也即电池容量的准确预测需要依据大量关于电池相关的特征数据。
申请人在实现本申请的过程中发现,相关的电池寿命预测方法存在的主要问题在于:
相关的电池寿命或容量的预测方法中,面对多种场景的模型,往往需要人工对模型的参数进行调整,并且使用的大量的电池相关特征,并非全部有助于判断特定场景下的电池容量,当预测模型运行大量特征时,不可避免地造成运行成本增高,效率降低,并且过于复杂的结构不仅增加了运算的冗余,还极易发生过拟合的情况。
以下结合附图详细说明本申请的实施例。
参考图1,本申请一个实施例的电池寿命预测方法,包括以下步骤:
步骤S101、在预设的多类测试条件下对电池进行测试,得到每类测试条件下的多组初始特征组和与各组初始特征组对应的电池容量测量区间。
在本申请的实施例中,为了保证对电池寿命预测结果的准确性,需要尽可能多地获取各类工况条件下,电池的衰减情况,以将其作为输入预测模型的特征。
在本实施例中,设置了振动应力测试,用于模拟电池在实际使用中可能受到的振动,以作为电池的工作环境模拟,具体地,可以使用实验样机对电池施加预设的不同的振动应力,以模拟多种振动条件下的工作环境。
进一步地,还设置了循环老化测试,在该循环老化测试中,对待测试的电池以不同预设的放电倍率对其进行充放电循环,直至电池损坏,具体地,例如,对于电动汽车的电池的测试,其放电倍率可以分别设置为0C、1C、2C和0.5C,以模拟电池在电动汽车怠速、匀速、加速和减速条件下的电池容量衰退的情况。
进一步地,还设置了容量测试,在该容量测试中,可以对电池进行固定倍率的充放电,具体地,例如,可以以0.5C倍率对电池进行满充满放,以测试电池容量在此类工况下的衰退情况。
在本实施例中,将电池在单位时间内所放出的电量作为电池容量,其单位可以是安培·小时,也即A·H,也可以以符号C来表达电池容量,并且1A·H=3600C。
进一步地,还设置了IC-DV曲线(积分容量-微分电压曲线)测试,在该IC-DV曲线测试中,可以对待测试的电池以固定的小倍率的充放电,具体地,例如,可以以0.04倍率对电池进行满充满放,并确定电池在此类情况下的IC-DV曲线。
进一步地,还设置了阻抗谱测试,在该阻抗谱测试中,可以对电池施加激励,具体地,例如,可以对电池施加0.01kHz至100kHZ的激励,在上述的电动汽车的电池示例中,该激励可以是交流信号。
在本实施例中,需要在每个类型的测试中,均获取与电池容量衰退相关的多个初始特征,并获取每个初始特征的取值。
具体地,可以根据具体的情况,确定多个不同的初始特征,在本实施例中,将电压、电导率损失、活性物质损失、锂离子损失、欧姆阻抗、电荷转移阻抗、EIS膜阻抗(固体电解质界面膜阻抗)、扩散阻抗、温度和等压降时间等。
在本实施例中,在每个类型的测试中,需要多次获取的每个初始特征的取值,并将每次同时获取的多个初始特征的取值作为一组初始特征组。
具体地,在每个类型的测试中,可以先在测试之前测量出电池容量的初始值和电压的初始值,并在多次充放电中测量出当前时刻的电池容量的测量值和电压的测量值。
进一步地,利用上述确定的电压的初始值和测量值,并采取如下所示的公式计算CL(导电率损失):
其中,V0表示电池电压的初始值,Vi表示第i次充电或者放电,或者充放电循环的电池电压的测量值,LCi表示了在第i次上述循环时的导电率损失。
进一步地,利用上述确定的电池容量的初始值和测量值,并采取如下所示的公式计算LLI(锂离子损失):
其中,Q0表示电池容量的初始值,Qi表示第i次充电或者放电,或者充放电循环的电池容量的测量值,LLIi表示了在第i次上述循环时的锂离子损失。
可以看出,在上述各个类型的测试中,对电压和电池容量的测量可以在每个循环中测量多次,并在上述公式的计算中使用其中的最大值进行计算。
进一步地,结合上述确定的电压和电池容量,可以采取如下公式,以求导的方式计算该循环中的LAM(活性物质损失):
其中LAMi表示了在第i次上述循环时的活性物质损失。
进一步地,欧姆阻抗、电荷转移阻抗、EIS膜阻抗、扩散阻抗的获取方式可以是:在各个类型的测试中,可以将该测试电路转换为二阶等效电路模型,并利用该二阶等效电路模型确定上述的欧姆阻抗、电荷转移阻抗、EIS膜阻抗、扩散阻抗。
进一步地,在各个类型的测试中,对于电池的温度的获取,可以通过利用热电偶采集器来获取电池表面的温度,并将其作为电池的温度。
进一步地,在各个类型的测试中,可以通过绘制关于电压和电池容量的SOC曲线(充放电曲线),并获取从同一时刻为起点,下降相同电压所对应的时间,以确定等压降时间。
在一些实施例中,SOC曲线也可以基于电压和电容进行绘制。
进一步地,在IC-DV曲线测试中,通过对电池进行0.04C倍率的充放电,可以根据以下的方式构建由IC曲线和DV曲线组成的IC-DV曲线:
首先,基于上述获取的电池容量的测量值和电压的测量值,确定如下的关系式:
Vi=f(Qi)=f(Ii·t)
其中,Ii表示第i个循环中的电流,f()则用于描述Vi和Qi之间的关系,在各个类型的测试中,Vi和Qi之间的关系可以有所不同。
进一步地,以如下方式计算电池容量对电压的求导:
进一步地,由于IC曲线表示电池容量对电压求导后与电压的关系,因此,可以将电压作为IC曲线的横坐标,将电池容量对电压的求导Δc作为IC曲线的纵坐标。
进一步地,以如下方式计算电压对电池容量的求导:
由于DV曲线表示了电压对电池容量求导后与电池容量的关系,因此,可以将电池容量作为DV曲线的横坐标,将电压对电池容量的求导Δu作为DV曲线的纵坐标。
通过上述计算可以确定各个初始特征在各个类型测试下的取值。
进一步地,在本实施例中,为了利用下述的点云语义分割网络在上述的多个初始特征中选择出最有判别意义的目标特征,也即选择出判定电池容量时效果较好的目标特征,需要将各个初始特征与电池容量的关系抽象为分类问题。
因此,在本实施例中需要将电池容量转化为有多个固定选择的电池容量区间,具体地,将电池容量的初始值作为100%,并以此估算电池容量的各个测量值所对应的SOH(电池健康状态)百分比。
进一步地,将该SOH百分比以固定的间隔值划分为多个区间,例如,可以在0%至100%之间,以20%的间隔值将其划分为5个区间,也即5个初始特征所对应的分类类型,并将各个电池容量测量值所对应的SOH百分比按照上述划定的区间,确定其各自所属的区间,并将所确定的区间所谓该电池容量的电池容量测量区间。
在一些实施例中,为了有更好的预测效果,可以提高分类类型的细粒度,也即以更小的间隔值,划分出更多的区间。
基于上述的划分,可以确定各个初始特征所对应的分类,也即所对应的电池容量测量区间。
步骤S102、将每个所述初始特征组和对应的所述电池容量测量区间输入到预置的点云语义分割网络,得到与该初始特征组对应的目标特征组和对应的所述电池容量测量区间。
在本申请的实施例中,需要将上述获得的全部初始特征组中的初始特征的取值输入到预先构建的点云语义分割网络,以进行目标特征的选择。
在本实施例中,可以确定的是,当衰退特征越多,则预测模型对电池寿命的预测越准确,但当衰退特征过多时,也将极大增加预测过程中不必要的计算冗余,并且,当特征越多,在预测模型构建时,则需要设置更加复杂精细的结构,而过于精细的结构也很容易导致过拟合。
因此,为了解决上述问题,可以对上述获取的多个初始特征进行筛选,以选择出最具判别能力的初始特征,以作为预测模型所使用的目标特征,其中,最具判别能力的初始特征也就是对预测电池容量影响较大的多个特征。
在本实施例中,可以利用预训练的点云语义分割网络对上述的多个初始特征进行筛选,在本实施例中点云语义分割网络也称作网络模型,网络模型可以包括卷积层、池化层和全连接层。
具体地,先将上述获得的初始特征进行归一化,以统一各个初始特征在计算中的尺度,进一步地,将归一化之后的各个初始特征和与其对应的电池容量测量区间构成多个输入矩阵,并将全部输入矩阵输入到点云语义分割网络的卷积层中,可以看出,该输入矩阵在本实施例中作为初始阶段时的特征空间。
在本实施例中,卷积层用于抽象出更高层次的特征,然而,由于卷积层并没有实际降低输入矩阵的维度,很容易出现过拟合的现象,因此,在卷积层之后还需要加入池化层,用来降低输入矩阵的维度。
在本实施例中的网络模型中,该预训练的点云语意分割网络是经过改进的,其中,为了实现最大程度的轻量化,以避免不必要的计算冗余,本实施例的网络模型中不设置激活函数,也就是说,在将电池寿命预测问题抽象为分组问题后,可以将输入其中的初始特征和电池容量测量区间作为线性可分的数据集,并将本申请中的电池寿命的预测问题视为线性可分的问题,因此,对于该线性可分的数据,可以不设置例如sigmoid函数或者tanh函数之类的激活函数,进一步地轻量化传统点云语义分割网络的结构。
进一步地,网络模型中还设置有全连接层,用于对将池化层中的局部信息进行整合。
在一些实施例中,也可以采取注意力机制代替全连接层,并通过计算每个输入矩阵的注意力值,以设置权重的方式来对各个初始特征进行权衡,实现整个信息聚合过程,并以此来解决全连接层中权重固定的问题。
在一些实施例中,网络模型也可以不是预训练的,并利用预置的训练数据集来训练构建的网络模型,通过在网络模型中设置交叉熵损失函数,来完成该训练过程。
进一步地,通过网络模型对初始特征的筛选,可以从初始特征中选择出判别分组能力较好的多个特征作为输入预测模型的目标特征。
在一些其他实施例中,还可以通过皮尔逊相关系数来对目标特征进行选择。
具体地,可以分别计算各个初始特征与电池容量之间的皮尔逊相关系数,并以两者间的皮尔逊相关系数来描述该初始特征与电池容量之间的相关程度,进将相关程度较高的多个初始特征确定为目标特征,以得到下述步骤中的特征空间。
在一些其他实施例中,以上述皮尔逊相关系数描述初始特征与电池容量之间相关程度的方式,除了可以用于从初始特征中筛选出目标特征,还可以与上述的点云语义分割网络相结合,通过计算皮尔逊相关系数,确定各个初始特征与电池容量之间的相关程度,来从初始特征中选取多个候选特征,再将选取出的候选特征输入至点云语义分割网络中进行进一步地特征选择。
可以看出,在点云语义分割网络执行特征选择之前,增加对初始特征的筛选步骤,可以有效降低点云语义分割网络的资源消耗,使得对目标特征的获取更加快速。
具体地,上述初始特征与电池容量之间的皮尔逊相关系数,可以通过如下所示的公式进行计算:
进一步地,皮尔逊相关系数的数值可以介于0到1之间,若数值越大,则越表明两个变量的相关性越强。
在本实施例中,所选择的目标特征具体包括:电导率损失、活性物质损失、锂离子损失、欧姆阻抗、电荷转移阻抗、固体电解质界面膜阻抗、扩散阻抗、温度和等压降时间。
在一些其他实施例中,对于上述确定的目标特征,仍可以通过计算任意两个目标特征之间的皮尔逊相关系数来确定该两个目标特征之间的相关程度。
具体地,可以采取如下所示的公式计算任意两个目标特征之间的皮尔逊相关系数:
其中,RULj表示在第j个初始特征影响下的电池容量的输出结果,RULk表示在第k个初始特征影响下的电池容量的输出结果;Cov(RULj,RULk)表示RULj与RULk之间的协方差,Var()则表示对括号中内容所计算的方差。
可以看出,皮尔逊相关系数通过统计两个变量,也即上述RULj与RULk之间的线性相关程度,来评价第j个初始特征与第j个初始特征之间在影响电池用量方面的关联性。
进一步地,皮尔逊相关系数的数值可以介于0到1之间,若数值越大,则越表明两个变量的相关性越强。
其中,在上述皮尔逊相关系数的公式中,在绝对值内的数据,若其大于0,则表示RULj与RULk之间呈现正相关的关系;若其小于0,则表示RULj与RULk之间呈现负相关的关系;若其等于0,则表示RULj与RULk之间无相关关系。
步骤S103、利用基于梯度下降的损失函数构建预测模型,将全部所述目标特征组和对应的所述电池容量测量区间输入到所述预测模型,通过多轮次的迭代对所述预测模型进行训练。
在本申请的实施例中,基于上述确定的目标特征,可以通过构建预测模型,并在预测模型中利用目标特征来对电池容量进行预测,也即,确定电池容量预测区间。
在一些其他实施例中,在输入预测模型的目标特征数量不够充足的情况下,可以基于上述计算出的两个目标特征之间的相关系数来寻找其他可用的目标特征。
例如,若通过计算目标特征:锂离子损失与另一目标特征:活性物质损失之间的皮尔逊相关系数,确定了上述两个目标特征之间的相关程度较高,在缺少其中一个目标特征时,可以利用另一目标特征代替所缺少的目标特征;或者在目标特征过少时,可以在现有的目标特征中加入相关程度较高的另一目标特征,以使输入预测模型中的目标特征足够充足。
在本实施例中,可以基于决策树的原理构建预测模型,具体地,以LightGBM(轻量级梯度提升机)作为预测模型中的基学习器。
进一步地,可以将上述确定的目标特征输作为特征空间,并将其以矩阵形式入预测模型的基学习器中。
进一步地,可以沿梯度下降方向设置多个基学习器,并将多个基学习器连接成的总体作为强学习器,并在其中设置如下所示的损失函数,以对该预测模型进行训练:
其中,x表示预测模型预测出的电池容量预测区间与电池容量测量区间之间的残差,a表示预测模型中的超参数,c表示预测模型中的协调参数,其中a被用于对上述损失函数的鲁棒性进行控制,而c则被用于调整该损失函数在x=0处,曲线弯曲的尺度。
进一步地,在本实施例中,上述的损失函数可以根据超参数的不同取值,将其转化为如下形式:
具体地,a=2时,即为L2范数损失函数,用于表示最小平方误差(真实值和预测值之间所有平方差的总和),在数据存在异常值时,L2范数损失函数因考虑平方差会导致预测效果差。
a=0时,即为柯西损失函数,在处理含数据噪声的样本训练时,有较好表现。
a=-∞时,即为Welsch损失函数,在处理含异常值的样本训练时,有较好的鲁棒性。
进一步地,可以将其确定为如下所示的形式:
进一步地,该损失函数不仅可以表征如上相对传统的损失函数,在一些实施例中,根据a的不同取值,还可以表征如下的L1范数损失函数L1(x)和Geman-McClure损失函数G(x):
进一步地,基于上述确定的损失函数,可以利用预测模型进行训练。
具体地,可以将上述点云语义分割网络所输出的目标特征组以及各个目标特征组所对应的电池容量测量区间输入到预测模型中,通过在多次迭代中,利用多个基分类器分别去拟合已有的模型,使其损失达到最小,也就是梯度下降。
在一些其他实施例中,也可以通过计算皮尔逊相关系数,来将上述的多个基学习器组合为强学习器。
具体地,可以利用如下公式计算皮尔逊相关系数:
其中,αi表示第i个基学习器的输出结果,β表示强学习器整体的输出结果;Cov(αi,β)表示第i个基学习器的输出结果与强学习器整体输出结果之间的协方差,Var()则表示对括号中内容所计算的方差。
可以看出,皮尔逊相关系数通过统计两个变量,也即上述的α和β之间的线性相关程度,来评价基学习器与强学习器整体之间的关联性,以确定该基学习器是否适合被选择使用。
进一步地,皮尔逊相关系数的数值可以介于0到1之间,若数值越大,则越表明两个变量的相关性越强。
其中,在上述皮尔逊相关系数的公式中,在绝对值内的数据,若其大于0,则表示α和β之间呈现正相关的关系;若其小于0,则表示α和β之间呈现负相关的关系;若其等于0,则表示α和β之间无相关关系。
在本申请的一些其他实施例中,也可以针对不同的场景需求来构建强学习器。
具体地,根据前述步骤S102中所述的,使用注意力机制来代替全连接层,也就是说,可以采用注意力机制,通过关注不同的场景需求,对需要重点关注的场景需求分配更多的计算资源,并为不同的场景需求选择适合该场景需求的评价指标和代价函数,来实现将基学习器集成为强学习器。
其中,对于不同的场景需求,其评价指标可以从下述步骤中的各个评价指标中选取。
可以看出,上述通过注意力机制,基于不同的场景需求来集成强学习器的方式,可以有效地提高本方案的自适应性和泛化能力,使其有效应对不同的场景需求。
步骤S104、响应于所述损失函数的梯度下降直预设的收敛精度,完成对所述预测模型的训练,利用完成训练的所述预测模型对电池寿命进行预测。
在本申请的实施例中,对于上述的预测模型,可以通过预设的收敛精度来控制训练过程。
具体地,收敛精度可以根据具体的情况进行设置,当该损失函数的梯度下降至预设的收敛精度,并保持稳定,则可以完成预测模型的训练。
在一些实施例中,预测函数的训练过程也可以通过其他方式控制。
例如,可以沿梯度下降的方向设置预定的步长,当预测模型的训练达到该预设的步长时,则可以完成训练。
进一步地,还可以设置固定的迭代轮次,当预测模型的训练达到预设的迭代轮次时,则可以完成训练。
在本实施例中,在预测模型完成训练后,则可以将其应用于对电池寿命的预测。
在一些实施例中,也可以在预测模型完成训练后,对其进行评价,以确定该预测模型的预测效果。
具体地,对预测模型的评价可以执行多评价准则,例如,可以将多个评价指标设置为:均方根误差、平均绝对误差、百分比误差、最大误差、内存使用率、迭代次数和预测速度等。
其中,均方根误差可以采取如下所示的公式进行计算:
其中,RUL表示电池容量,角标pred.i表示对于前述实施例的测试中,对第i次循环的预测值,角标true.i则表示第i次循环的测量值。
进一步地,平均绝对误差可以采取如下所示的公式进行计算:
进一步地,平均百分比误差可以采取如下所示的公式进行计算:
进一步地,最大误差可以采取如下所示的公式进行计算:
在本实施例中,基于上述确定的各项评价指标,也可以为各个评价指标设置不同的权重,并通过预设的权重将全部评价指标进行融合。
在一些其他实施例中,根据电池使用时的具体工况不同,也可以对所设置的权重进行调整,以适用各类工况。
可见,本申请的实施例的电池寿命预测方法,基于对不同条件下的测试,得到大量针对各类工况的初始特征,综合考虑了预测模型和网络模型在运算时的计算冗余和过拟合情况,来对初始特征进行选择,使得预测模型可以直接使用判别能力强的特征对电池寿命,也即电池容量进行预测,从而实现减轻预测模型计算负担的情况下,提高预测的准确性。
需要说明的是,本申请的实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请的实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请的实施例还提供了一种电池寿命预测装置。
参考图2,所述电池寿命预测装置,包括:测试数据获取模块201、特征选择模块202、训练模块203和预测模块204;
其中,所述测试数据获取模块201,被配置为,在预设的多类测试条件下对电池进行测试,得到每类测试条件下的多组初始特征组和与各组初始特征组对应的电池容量测量区间;
所述特征选择模块202,被配置为,将每个所述初始特征组和对应的所述电池容量测量区间输入到预置的点云语义分割网络,得到与该初始特征组对应的目标特征组和对应的所述电池容量测量区间;
模型训练模块203,被配置为,利用基于梯度下降的损失函数构建预测模型,将全部所述目标特征组和对应的所述电池容量测量区间输入到所述预测模型,通过多轮次的迭代对所述预测模型进行训练;
所述预测模块204,被配置为,响应于所述损失函数的梯度下降直预设的收敛精度,完成对所述预测模型的训练,利用完成训练的所述预测模型对电池寿命进行预测。
作为一个可选的实施例,所述测试数据获取模块201,具体被配置为:
通过对所述电池施加预设的振动应力,进行振动应力测试;
对所述电池分别进行0C、1C、2C和0.5C放电倍率的行循环老化测试;
对所述电池进行0.5C倍率充放电的容量测试;
通过对所述电池施加预设的频率的交流信号,进行阻抗谱测试;
在每个测试条件下,确定与每组初始特征组对应的电池容量百分比,将所述电池容量百分比按照预定的间隔值划分为多个区间;
确定各个所述电池容量百分比所对应的区间,并作为所述电池容量测量区间;
每个所述初始特征组中,包括多个初始特征。
作为一个可选的实施例,所述述特征选择模块202,具体被配置为:
构建由卷积层、池化层和全连接层组成的点云语义分割网络;
将全部所述初始特征和对应的所述电池容量测量区间以矩阵的形式输入所述点云语义分割网络;
通过所述卷基层、池化层和所述全连接层,从所述初始特征中选择出目标特征,并组成多个目标特征组;
每个所述目标特征组中包括有多个目标特征:
电导率损失、活性物质损失、锂离子损失、欧姆阻抗、电荷转移阻抗、固体电解质界面膜阻抗、扩散阻抗、温度和等压降时间。
作为一个可选的实施例,所述模型训练模块203,具体被配置为:
构建如下所示的损失函数:
其中,x表示所述预测模型预测出的电池容量预测区间与所述电池容量测量区间的残差,a表示所述预测模型中预设的超参数,c表示所述预测模型中预设的协调参数。
在每轮次的迭代中,令所述预测模型利用每个所述目标特征组进行预测,确定与该目标特征组对应的所述电池容量预测区间;
确定所述电池容量预测区间与所述电池容量测量区间之间的残差;
根据所述残差计算所述损失函数;
根据计算的结果确定所述损失函数的下降梯度。
在一些实施例中,所述电池寿命预测装置,还包括:评价模块;
该评价模块,被配置为,确定最后轮次迭代中所述预测模型输出的所述电池容量预测区间;
确定所述电池容量预测区间和所述电池容量测量区间的均方根误差、绝对误差、平均百分比误差和最大误差;
确定迭代的总次数;
确定所述预测模型运行时的内存占用;
确定所述模型进行预测的速度;
根据预设的权重,利用所述均方根误差、绝对误差、平均百分比误差、最大误差、内存占用和速度建立评价函数;
利用所述评价函数对所述预测模型进行评价。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请的实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的电池寿命预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请的实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一实施例所述的电池寿命预测方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备、动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本申请实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本申请实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的装置用于实现前述任一实施例中相应的电池寿命预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的电池寿命预测方法。
本实施例的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。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的电池寿命预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请的实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请的实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请的实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请的实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请的实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请的实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种电池寿命预测方法,其特征在于,包括:
在预设的多类测试条件下对电池进行测试,得到每类测试条件下的多组初始特征组和与各组初始特征组对应的电池容量测量区间;
将每个所述初始特征组和对应的所述电池容量测量区间输入到预置的点云语义分割网络,得到与该初始特征组对应的目标特征组和对应的所述电池容量测量区间;
利用基于梯度下降的损失函数构建预测模型,将全部所述目标特征组和对应的所述电池容量测量区间输入到所述预测模型,通过多轮次的迭代对所述预测模型进行训练;
响应于所述损失函数的梯度下降直预设的收敛精度,完成对所述预测模型的训练,利用完成训练的所述预测模型对电池寿命进行预测。
2.根据权利要求1所述的方法,其特征在于,所述在预设的多类测试条件下对电池进行测试,得到每类测试条件下的多组初始特征组和与各组初始特征组对应的电池容量测量区间,包括:
通过对所述电池施加预设的振动应力,进行振动应力测试;
对所述电池分别进行0C、1C、2C和0.5C放电倍率的行循环老化测试;
对所述电池进行0.5C倍率充放电的容量测试;
通过对所述电池施加预设的频率的交流信号,进行阻抗谱测试;
在每个测试条件下,确定与每组初始特征组对应的电池容量百分比,将所述电池容量百分比按照预定的间隔值划分为多个区间;
确定各个所述电池容量百分比所对应的区间,并作为所述电池容量测量区间;
每个所述初始特征组中,包括多个初始特征。
3.根据权利要求2所述的方法,其特征在于,所述将每个所述初始特征组和对应的所述电池容量测量区间输入到预置的点云语义分割网络,得到与该初始特征组对应的目标特征组和对应的所述电池容量测量区间,包括:
构建由卷积层、池化层和全连接层组成的点云语义分割网络;
将全部所述初始特征和对应的所述电池容量测量区间以矩阵的形式输入所述点云语义分割网络;
通过所述卷基层、池化层和所述全连接层,从所述初始特征中选择出目标特征,并组成多个目标特征组;
每个所述目标特征组中包括有多个目标特征:
电导率损失、活性物质损失、锂离子损失、欧姆阻抗、电荷转移阻抗、固体电解质界面膜阻抗、扩散阻抗、温度和等压降时间。
5.根据权利要求4所述的方法,其特征在于,所述通过多轮次的迭代对所述预测模型进行训练,包括:
在每轮次的迭代中,令所述预测模型利用每个所述目标特征组进行预测,确定与该目标特征组对应的所述电池容量预测区间;
确定所述电池容量预测区间与所述电池容量测量区间之间的残差;
根据所述残差计算所述损失函数;
根据计算的结果确定所述损失函数的下降梯度。
6.根据权利要求5所述的方法,其特征在于,所述完成对所述预测模型的训练后,还包括:
确定最后轮次迭代中所述预测模型输出的所述电池容量预测区间;
确定所述电池容量预测区间和所述电池容量测量区间的均方根误差、绝对误差、平均百分比误差和最大误差;
确定迭代的总次数;
确定所述预测模型运行时的内存占用;
确定所述模型进行预测的速度;
根据预设的权重,利用所述均方根误差、绝对误差、平均百分比误差、最大误差、内存占用和速度建立评价函数;
利用所述评价函数对所述预测模型进行评价。
7.一种电池寿命预测装置,包括:测试数据获取模块、特征选择模块、训练模块和预测模块;
其中,所述测试数据获取模块,被配置为,在预设的多类测试条件下对电池进行测试,得到每类测试条件下的多组初始特征组和与各组初始特征组对应的电池容量测量区间;
所述特征选择模块,被配置为,将每个所述初始特征组和对应的所述电池容量测量区间输入到预置的点云语义分割网络,得到与该初始特征组对应的目标特征组和对应的所述电池容量测量区间;
模型训练模块,被配置为,利用基于梯度下降的损失函数构建预测模型,将全部所述目标特征组和对应的所述电池容量测量区间输入到所述预测模型,通过多轮次的迭代对所述预测模型进行训练;
所述预测模块,被配置为,响应于所述损失函数的梯度下降直预设的收敛精度,完成对所述预测模型的训练,利用完成训练的所述预测模型对电池寿命进行预测。
8.根据权利要求7所述的装置,其特征在于,还包括:评价模块,
所述评价模块,被配置为,确定最后轮次迭代中所述预测模型输出的所述电池容量预测区间;
确定所述电池容量预测区间和所述电池容量测量区间的均方根误差、绝对误差、平均百分比误差和最大误差;
确定迭代的总次数;
确定所述预测模型运行时的内存占用;
确定所述模型进行预测的速度;
根据预设的权重,利用所述均方根误差、绝对误差、平均百分比误差、最大误差、内存占用和速度建立评价函数;
利用所述评价函数对所述预测模型进行评价。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行根据权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871877.2A CN115270454A (zh) | 2022-07-22 | 2022-07-22 | 电池寿命预测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871877.2A CN115270454A (zh) | 2022-07-22 | 2022-07-22 | 电池寿命预测方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270454A true CN115270454A (zh) | 2022-11-01 |
Family
ID=83769888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210871877.2A Pending CN115270454A (zh) | 2022-07-22 | 2022-07-22 | 电池寿命预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270454A (zh) |
Cited By (3)
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 |
CN116736163A (zh) * | 2023-05-29 | 2023-09-12 | 盐城工学院 | 一种户外空间内储能电池循环寿命的预测方法 |
CN117374437A (zh) * | 2023-12-07 | 2024-01-09 | 天津国能津能滨海热电有限公司 | 蓄电池寿命管理系统、方法、装置、存储介质及设备 |
-
2022
- 2022-07-22 CN CN202210871877.2A patent/CN115270454A/zh active Pending
Cited By (5)
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 |
CN116736163A (zh) * | 2023-05-29 | 2023-09-12 | 盐城工学院 | 一种户外空间内储能电池循环寿命的预测方法 |
CN117374437A (zh) * | 2023-12-07 | 2024-01-09 | 天津国能津能滨海热电有限公司 | 蓄电池寿命管理系统、方法、装置、存储介质及设备 |
CN117374437B (zh) * | 2023-12-07 | 2024-03-19 | 天津国能津能滨海热电有限公司 | 蓄电池寿命管理系统、方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200386819A1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
CN115270454A (zh) | 电池寿命预测方法及相关设备 | |
CN110568361A (zh) | 一种动力电池健康状态的预测方法 | |
CN112051511A (zh) | 基于多通道技术的动力电池健康状态的估计方法及系统 | |
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN112180258B (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN111414709A (zh) | 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 | |
CN116400241A (zh) | 基于全生命周期运行数据的电池健康评估方法及装置 | |
CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
US20240027537A1 (en) | Battery management apparatus and method | |
CN115166532A (zh) | 镍氢电池容量预测方法、装置、电子设备及存储介质 | |
CN113447840B (zh) | 锂离子电池分选方法和装置 | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN114236410A (zh) | 基于新型生成式对抗神经网络的锂电池soh估计方法 | |
CN116449244A (zh) | 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 | |
CN114089204B (zh) | 一种电池容量跳水拐点预测方法及装置 | |
CN115963404A (zh) | 一种电池荷电状态预测方法、设备和存储介质 | |
CN115718261A (zh) | 蓄电池容量估计方法、训练方法、寿命估计方法及装置 | |
CN115327416A (zh) | 基于群体智能优化和粒子滤波的锂离子电池soc估算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |