CN115392331A - 电池分类方法、装置、存储介质及电子设备 - Google Patents

Abstract

本发明提供了一种电池分类方法、装置、存储介质及电子设备，涉及电工技术领域，所述方法包括：对待分类电池的测试数据进行处理，获得标准化数据；采用已训练的LSTM网络模型对所述标准化数据进行特征提取，获得第一特征向量；基于所述待分类电池的测试数据获得第二特征向量；将所述第一特征向量和所述第二特征向量作为已训练的SVM模型的输入，以获得所述待分类电池的分类结果。本发明提供的技术方案，能够简单、准确地对不同性能的电池进行有效分类。

Description

电池分类方法、装置、存储介质及电子设备

技术领域

本发明涉及电工技术领域，特别地涉及一种电池分类方法、装置、存储介质及电子设备。

背景技术

在对电池新工艺进行开发或对商业电池研究/使用的过程中，需要对电池的性能优劣进行验证。现有技术通过采用对电池进行多次充放电循环后，预测电池剩余寿命的方式来验证电池性能的优劣。

目前，对电池剩余寿命的预测大多采用训练好的神经网络模型来进行。现有的通过神经网络来预测电池剩余寿命的技术存在的主要缺陷为：提取不到有效的特征值，导致对电池性能优劣的判断并不准确；或者，需要较长的充放电循环周期才能获得足够的预测数据，导致整个判断过程繁琐、计算量较大。

发明内容

针对上述现有技术中的问题，本申请提出了一种电池分类方法、装置、存储介质及电子设备，能够简单、准确地对不同性能的电池进行有效分类。

为达到上述目的，本发明的技术方案是这样实现的：

第一方面，本发明实施例提供了一种电池分类方法，所述方法包括：

对待分类电池的测试数据进行处理，获得标准化数据；

采用已训练的LSTM网络模型对所述标准化数据进行特征提取，获得第一特征向量；

基于所述待分类电池的测试数据获得第二特征向量；

将所述第一特征向量和所述第二特征向量作为已训练的SVM模型的输入，以获得所述待分类电池的分类结果。

优选地，所述待分类电池的测试数据有多个；所述对待分类电池的测试数据进行处理，获得标准化数据，包括：

对每个所述测试数据进行以下处理，以获得多个所述标准化数据：

对该测试数据进行数据预处理，获得无噪声的平滑数据；

基于预设采样频率将所述平滑数据在预设的充放电测试循环周期内形成序列信号；

对所述序列信号进行瞬时频率分析和谱熵分析，获得所述序列信号的瞬时频率信号和谱熵信号；

对所述瞬时频率信号和所述谱熵信号进行合并处理，获得合并信号；

对所述合并信号进行标准化处理，获得所述标准化数据。

优选地，所述对该测试数据进行数据预处理，获得无噪声的平滑数据，包括：

对该测试数据进行标幺化处理，获得标幺化数据；

对所述标幺化数据进行滤波，获得滤波数据；

对所述滤波数据进行预设去噪处理，获得所述平滑数据。

进一步地，所述对该测试数据进行数据预处理，获得无噪声的平滑数据，还包括：

在所述对所述滤波数据进行预设去噪处理，获得所述平滑数据之前，判断所述滤波数据中是否存在离群点；

当所述滤波数据中存在离群点时，基于所述离群点的前后两个采样点，采用线性插值法对所述离群点进行拟合，获得拟合后滤波数据；

所述对所述滤波数据进行预设去噪处理，获得所述平滑数据，包括：

对所述拟合后滤波数据进行预设去噪处理，获得所述平滑数据。

优选地，采用Savitzky-Golay滤波法对所述标幺化数据进行滤波；采用以下方式判断所述滤波数据中的某一个数据为离群点：

计算所述滤波数据中相邻两个数据之间的差值；

当所述差值满足以下关系式时，判断所述相邻两个数据中存在一个离群点：

其中，ΔL为所述差值；T为所述待分类电池的测试数据的采样时间间隔；C_Rate为所述待分类电池的电池放电C率；k_outlier为预设的离群判断系数；

在满足所述关系式的前提下，在所述相邻两个数据中，当某个数据满足以下条件时，判断该数据为离群点：

在以该数据为中心的区间

内，所述滤波数据与对应的所述标幺化数据的差值大于第一预设阈值；在以该数据为中心的区间

外，所述滤波数据与对应的所述标幺化数据的差值小于第二预设阈值；其中，L_window为所述Savitzky-Golay滤波法采用的窗长。

进一步地，所述对该测试数据进行数据预处理，获得无噪声的平滑数据，还包括：

判断所述滤波数据中是否存在满足预设条件的噪声；

当所述滤波数据中存在满足所述预设条件的噪声时，对所述滤波数据进行所述预设去噪处理，获得所述平滑数据。

优选地，采用Savitzky-Golay滤波法对所述标幺化数据进行滤波；采用以下方式判断所述滤波数据中是否存在满足所述预设条件的噪声：

采用以下表达式计算参数L_noise和参数L_noiseLimit：

其中，L_window为所述Savitzky-Golay滤波法采用的窗长；i为一个所述窗长内的所述标幺化数据的序列号；D_i为一个所述窗长内第i个所述标幺化数据的数值；median(L_window)为区间[1+(i-1)×L_window,i×L_window]内所有所述标幺化数据的中值；k_noise为预设的噪声判断系数；T为所述待分类电池的测试数据的采样时间间隔；C_Rate为所述待分类电池的电池放电C率；

当L_noise≥L_noiseLimit时，确认所述滤波数据中存在满足所述预设条件的噪声。

优选地，所述LSTM网络模型包括依次连接的输入层、LSTM层、全连接层、softmax层和分类层；

所述输入层用于接收所述标准化数据，对所述标准化数据进行处理后输出时间序列数据；

所述LSTM层用于学习所述时间序列数据中的时间步长与对应的数据值之间的长期依赖关系，获得所述瞬时频率信号经LSTM训练后的结果和所述谱熵信号经LSTM训练后的结果；

所述全连接层用于将所述瞬时频率信号经LSTM训练后的结果和所述谱熵信号经LSTM训练后的结果连接成二维序列数据；

所述softmax层用于对所述二维序列数据进行最大值的限值；

所述分类层用于对经过限值后的二维序列数据进行分类，以获得所述第一特征向量。

优选地，所述基于所述待分类电池的测试数据获得第二特征向量，包括：

对所述待分类电池的测试数据进行数据预处理，获得无噪声的平滑数据；

基于预设采样频率将所述平滑数据在预设的充放电测试循环周期内形成序列信号；

计算所述序列信号在所述预设的充放电测试循环周期内的峰峰值、平均值、标准差、峭度和偏度，作为所述第二特征向量。

优选地，所述待分类电池的测试数据包括以下项目中的至少一项：

充电电压随时间变化的数据，放电电压随时间变化的数据，充电电流随时间变化的数据，放电电流随时间变化的数据，电池容量随时间变化的数据，电池容量随放电电压变化的数据，电池容量随充电电电压变化的数据，电池容量增量随放电电压变化的数据，电池容量增量随充电电压变化的数据。

第二方面，本发明实施例提供了一种电池分类装置，所述装置包括：

数据处理模块，用于对待分类电池的测试数据进行处理，获得标准化数据；

第一特征提取模块，用于采用已训练的LSTM网络模型对所述标准化数据进行特征提取，获得第一特征向量；

第二特征提取模块，用于基于所述待分类电池的测试数据获得第二特征向量；

分类模块，用于将所述第一特征向量和所述第二特征向量作为已训练的SVM模型的输入，以获得所述待分类电池的分类结果。

第三方面，本发明实施例提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例中任一项所述的电池分类方法。

第四方面，本发明实施例提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例中任一项所述的电池分类方法。

本发明实施例提供的一种电池分类方法、装置、存储介质及电子设备，通过对待分类电池的测试数据进行处理，获得标准化数据，采用已训练的LSTM网络模型对该标准化数据进行特征提取，获得第一特征向量，并将基于待分类电池的测试数据所获得第二特征向量和上述第一特征向量一起作为已训练的SVM模型的输入，以此获得待分类电池的分类结果。即本发明采用将LSTM网络模型和SVM模型相结合的方式来对不同性能的电池进行分类，其中，LSTM网络模型能够有效提取测试数据的大部分主要特征，而不需要大量的电池测试数据，进而不需要对电池进行较长的充放电循环周期的测试；将第一特征向量和第二特征向量一起作为SVM模型的输入，能够全面地刻画电池特征，使得SVM模型能够更加全面、有效地基于输入的特征向量对电池进行分类。可见，与现有技术相比，本发明提供的技术方案所需的测试数据更少、电池特征值获取更加全面，因此，能够更简单、准确地对不同性能的电池进行有效分类。

附图说明

通过结合附图阅读下文示例性实施例的详细描述可更好地理解本发明公开的范围。其中所包括的附图是：

图1为本发明实施例的方法流程图一；

图2为本发明实施例的方法流程图二；

图3为本发明实施例中将每一充放电测试循环周期内的序列信号进行合并的示意图；

图4为本发明实施例中某一个电池单体的放电容量标幺化后的曲线图；

图5为图4中的曲线数据进行Savitzky-Golay滤波后的曲线图；

图6为本发明实施例中对离群点进行判别的示意图；

图7为本发明实施例中对离群点进行处理的示意图；

图8为本发明实施例中对离群点进行处理后电池单体的放电容量的曲线图；

图9为本发明实施例中某一段含噪声的电池放电容量数据；

图10为对图9中的数据进行噪声计算后的示意图；

图11为对图9中的数据进行预设去噪处理后的结果；

图12A为本发明实施例中对序列信号进行瞬时频率分析所获得的瞬时频率信号示意图；

图12B为本发明实施例中对序列信号进行谱熵分析所获得的谱熵信号示意图；

图13为本发明实施例的装置结构图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例一

根据本发明的实施例，提供了一种电池分类方法，如图1和图2所示，本实施例所述的方法包括：

步骤S101，对待分类电池的测试数据进行处理，获得标准化数据；

本实施例中，所述待分类电池的测试数据可以有多个，包括但不限于：充电电压随时间变化的数据，放电电压随时间变化的数据，充电电流随时间变化的数据，放电电流随时间变化的数据，电池容量随时间变化的数据，电池容量随放电电压变化的数据，电池容量随充电电电压变化的数据，电池容量增量随放电电压变化的数据，电池容量增量随充电电压变化的数据。

本实施例中的电池测试数据包括以上项目中的至少一项。

本实施例中，步骤S101具体包括：对每个所述测试数据进行以下处理，以获得多个所述标准化数据：对该测试数据进行数据预处理，获得无噪声的平滑数据；基于预设采样频率将所述平滑数据在预设的充放电测试循环周期内形成序列信号；对所述序列信号进行瞬时频率分析和谱熵分析，获得所述序列信号的瞬时频率信号和谱熵信号；对所述瞬时频率信号和所述谱熵信号进行合并处理，获得合并信号；对所述合并信号进行标准化处理，获得所述标准化数据。

本实施例中，所述对该测试数据进行数据预处理，获得无噪声的平滑数据，包括：对该测试数据进行标幺化处理，获得标幺化数据；对所述标幺化数据进行滤波，获得滤波数据；对所述滤波数据进行预设去噪处理，获得所述平滑数据。

具体地，采用以下表达式对某一测试数据进行标幺化处理：

其中，D_p.u.为所述标幺化数据，D为所述测试数据，D_Base为预设的基准数据。

当所述测试数据D为电压数据时，以电池的额定电压为基准数据，进行上述标幺化处理；当所述测试数据D为电流数据时，以电池运行过程中电流的中位数为基准数据，进行上述标幺化处理；当所述测试数据D为容量数据时，以电池的额定容量为基准数据，进行上述标幺化处理；当所述测试数据D为温度数据时，以电池运行过程电池温度的中位数为基准数据，进行上述标幺化处理。

为了去除采样过程中所获得的明显异常数据，使得处理后的数据更加平滑、准确，本实施例中，在对所述滤波数据进行预设去噪处理，获得所述平滑数据之前，还可以进一步判断所述滤波数据中是否存在离群点；当所述滤波数据中存在离群点时，基于所述离群点的前后两个采样点，采用线性插值法对所述离群点进行拟合，获得拟合后滤波数据。则，上述对所述滤波数据进行预设去噪处理，获得所述平滑数据的步骤，具体包括：对所述拟合后滤波数据进行预设去噪处理，获得所述平滑数据。

本实施例中，采用Savitzky-Golay滤波法对所述标幺化数据进行滤波。Savitzky-Golay滤波法是一种在时域内基于局域多项式最小二乘法拟合的滤波方法，这种滤波法最大的特点在于在滤除噪声的同时可以确保信号的形状、宽度不变。Savitzky-Golay滤波法需确定的主要参数为滤波时采用的窗长和阶数。

具体地，采用以下方式判断所述滤波数据中的某一个数据为离群点：

计算所述滤波数据中相邻两个数据之间的差值；

当所述差值满足以下关系式(判据一)时，判断所述相邻两个数据中存在一个离群点：

其中，ΔL为所述差值；T为所述待分类电池的测试数据的采样时间间隔；C_Rate为所述待分类电池的电池放电C率；k_outlier为预设的离群判断系数。

在满足上述式(2)的前提下，在所述相邻两个数据中，当某个数据满足以下条件(判据二)时，判断该数据为离群点：

在以该数据为中心的区间

内，所述滤波数据与对应的所述标幺化数据的差值大于第一预设阈值；在以该数据为中心的区间

外，所述滤波数据与对应的所述标幺化数据的差值小于第二预设阈值；其中，L_window为所述Savitzky-Golay滤波法采用的窗长。

即，上述判据一用于确定滤波数据的某相邻两个数据中存在一个离群点，上述判据二用于进一步确定上述相邻两个数据中具体哪个数据为离群点。

为了减少不必要的滤波操作，降低计算开销，本实施例中，在对所述滤波数据进行预设去噪处理之前，还可以先行判断所述滤波数据中是否存在满足预设条件的噪声；当所述滤波数据中存在满足所述预设条件的噪声时，对所述滤波数据进行所述预设去噪处理，获得所述平滑数据。

具体地，采用以下方式判断所述滤波数据中是否存在满足所述预设条件的噪声：

采用以下表达式计算参数L_noise和参数L_noiseLimit：

其中，L_window为所述Savitzky-Golay滤波法采用的窗长；i为一个所述窗长内的所述标幺化数据的序列号；D_i为一个所述窗长内第i个所述标幺化数据的数值；median(L_window)为区间[1+(i-1)×L_window,i×L_window]内所有所述标幺化数据的中值；k_noise为预设的噪声判断系数；T为所述待分类电池的测试数据的采样时间间隔；C_Rate为所述待分类电池的电池放电C率；

当L_noise≥L_noiseLimit时，确认所述滤波数据中存在满足所述预设条件的噪声。

即，当通过上述式(3)计算出的噪声数值L_noise达到或超过通过上述式(4)计算出的噪声阈值L_noiseLimit时，确认滤波数据中存在噪声，进而需对该滤波数据进行进一步去噪处理。

本实施例中，采用以下表达式对所述合并信号进行标准化处理，获得所述标准化数据：

其中，X'为所述标准化数据，X为所述合并信号，mean(X)为所述合并信号的平均值，std(X)为所述合并信号的标准差。

步骤S102，采用已训练的LSTM网络模型对所述标准化数据进行特征提取，获得第一特征向量；

本实施例中，所述LSTM(Long Short-Term Memory，长短期记忆)网络模型包括依次连接的输入层、LSTM层、全连接层、softmax层和分类层。其中，输入层用于接收由步骤S101所得到的标准化数据，对所述标准化数据进行处理后输出时间序列数据；LSTM层用于学习所述时间序列数据中的时间步长与对应的数据值之间的长期依赖关系，获得所述瞬时频率信号经LSTM训练后的结果和所述谱熵信号经LSTM训练后的结果；全连接层用于将所述瞬时频率信号经LSTM训练后的结果和所述谱熵信号经LSTM训练后的结果连接成二维序列数据；

softmax层用于对所述二维序列数据进行最大值的限值；分类层用于对经过限值后的二维序列数据进行分类，以获得所述第一特征向量。

在对上述LSTM网络模型进行训练时，把样本数据随机分为训练集和测试集，其中训练集为90％，测试集为10％。LSTM网络模型采用输入序列大小指定为2，指定输出大小为100的LSTM层，并输出序列的最后一个元素。通过包括大小为2的全连接层、softmax层和分类层，进行分类训练。

步骤S103，基于所述待分类电池的测试数据获得第二特征向量；

本实施例中，步骤S103具体包括：

对所述待分类电池的测试数据进行数据预处理，获得无噪声的平滑数据；基于预设采样频率将所述平滑数据在预设的充放电测试循环周期内形成序列信号；计算所述序列信号在所述预设的充放电测试循环周期内的峰峰值、平均值、标准差、峭度和偏度，作为所述第二特征向量。

本实施例中，所述待分类电池的测试数据有多个，则上述过程为：对每个所述测试数据分别进行数据预处理，获得多个无噪声的平滑数据；基于预设采样频率将每个所述平滑数据在预设的充放电测试循环周期内形成序列信号；计算每个所述序列信号在所述预设的充放电测试循环周期内的峰峰值、平均值、标准差、峭度和偏度，作为第二特征向量。

其中，对每个所述测试数据分别进行数据预处理，获得多个无噪声的平滑数据，包括：对该测试数据进行标幺化处理，获得标幺化数据；对所述标幺化数据进行滤波，获得滤波数据；判断所述滤波数据中是否存在离群点；当所述滤波数据中存在离群点时，基于所述离群点的前后两个采样点，采用线性插值法对所述离群点进行拟合，获得拟合后滤波数据；判断所述拟合后滤波数据中是否存在满足预设条件的噪声；当所述拟合后滤波数据中存在满足所述预设条件的噪声时，对所述拟合后滤波数据进行预设去噪处理，获得所述平滑数据。

上述基于预设采样频率将每个所述平滑数据在预设的充放电测试循环周期内形成序列信号的示意图如图3所示。其中，预设的充放电测试循环周期指的是图3中N个连续的循环周期所形成的时长，即将该时长内序列信号进行合并，且每个测试数据可形成一个序列信号。

计算每个所述序列信号在所述预设的充放电测试循环周期内的峰峰值、平均值、标准差、峭度和偏度，将计算出的这些峰峰值、平均值、标准差、峭度和偏度均作为第二特征向量，一起输入至后续的SVM(Support Vector Machine，支持向量机)模型中进行分类。

步骤S104，将所述第一特征向量和所述第二特征向量作为已训练的SVM模型的输入，以获得所述待分类电池的分类结果。

其中，SVM模型是一类按监督学习方式对数据进行二元分类的广义线性分类器，其能够有效地基于输入的特征向量对电池进行分类。

本发明实施例提供的一种电池分类方法，通过对待分类电池的测试数据进行处理，获得标准化数据，采用已训练的LSTM网络模型对该标准化数据进行特征提取，获得第一特征向量，并将基于待分类电池的测试数据所获得第二特征向量和上述第一特征向量一起作为已训练的SVM模型的输入，以此获得待分类电池的分类结果。即本发明采用将LSTM网络模型和SVM模型相结合的方式来对不同性能的电池进行分类，其中，LSTM网络模型能够有效提取测试数据的大部分主要特征，而不需要大量的电池测试数据，进而不需要对电池进行较长的充放电循环周期的测试；将第一特征向量和第二特征向量一起作为SVM模型的输入，能够全面地刻画电池特征，使得SVM模型能够更加全面、有效地基于输入的特征向量对电池进行分类。可见，与现有技术相比，本发明提供的技术方案所需的测试数据更少、电池特征值获取更加全面，因此，能够更简单、准确地对不同性能的电池进行有效分类。

实施例二

本实施例以对电池进行分类的实际处理过程为例，详细描述电池分类方法，所述方法包括：

步骤S201，对电池测试数据进行标幺化处理，获得标幺化数据；

以电池的可放电容量为例，本实施例中实际测试的电池的额定容量为1.1Ah，因此，以1.1Ah作为放电容量的基准数据对实际测试数据进行标幺化处理：

本实施例中采用的电池个数为124节，以其中某一个电池单体的放电容量数据为例，标幺化后的电池放电容量如图4所示。

当然，本实施例中的测试数据还可以包括电压、电流、温度等数据，此处不做限制。

步骤S202，对所述标幺化数据进行滤波，获得滤波数据；

本实施例中，采用Savitzky-Golay滤波法对所述标幺化数据进行滤波处理，Savitzky-Golay滤波法进行滤波时所采用的窗长L_window＝21、阶数n＝3。

图5示出了采用Savitzky-Golay滤波法对图4中的标幺化后的电池放电容量进行滤波后的曲线图，可见，滤波后的数据相对于原始数据更加平滑。

步骤S203，判断所述滤波数据中是否存在离群点，若存在离群点，对该离群点进行处理；

具体地，采用以下方式判断所述滤波数据中的某一个数据为离群点：

计算所述滤波数据中相邻两个数据之间的差值；

当所述差值满足以下关系式(判据一)时，判断所述相邻两个数据中存在一个离群点：

其中，ΔL为所述差值；T为所述待分类电池的测试数据的采样时间间隔；C_Rate为所述待分类电池的电池放电C率；k_outlier为预设的离群判断系数。

在满足上述式(2)的前提下，在所述相邻两个数据中，当某个数据满足以下条件(判据二)时，判断该数据为离群点：

在以该数据为中心的区间

内，所述滤波数据与对应的所述标幺化数据的差值大于第一预设阈值；在以该数据为中心的区间

外，所述滤波数据与对应的所述标幺化数据的差值小于第二预设阈值；其中，L_window为所述Savitzky-Golay滤波法采用的窗长。

即，上述判据一用于确定滤波数据的某相邻两个数据中存在一个离群点，上述判据二用于进一步确定上述相邻两个数据中具体哪个数据为离群点。

本实施例中，ko_utlier＝10，C_Rate＝4C,T＝5s，设定

则根据该式可计算出L_outlier＝0.056。当滤波数据中某相邻两个数据的差值达到或超过上述限值0.056时，判断该相邻两个数据中存在一个离群点。

由于L_window＝21，因此，在所述相邻两个数据中，当某个数据满足以下条件时，判断该数据为离群点：

在以该数据为中心的区间[-10,10]内，所述滤波数据与对应的所述标幺化数据的差值大于第一预设阈值；在以该数据为中心的区间[-10,10]外，所述滤波数据与对应的所述标幺化数据的差值小于第二预设阈值。其中，第一预设阈值和第二预设阈值可以根据实际需要设定。

采用上述方法进行离群点判别的示意图如图6所示。找到离群点后，基于所述离群点的前后两个采样点，采用线性插值法对所述离群点进行拟合，并用拟合后的值代替该离群点，获得拟合后滤波数据。图7中示出了拟合后的值。

对离群点进行处理后电池单体的放电容量的曲线图如图8所示，可见，经过上述处理后，放电容量曲线中不存在明显异常数据，且数据更加平滑。

步骤S204，判断滤波数据中是否存在满足预设条件的噪声，若存在，对滤波数据进行预设去噪处理，获得平滑数据；

采用以下方式判断所述滤波数据中是否存在满足所述预设条件的噪声：

采用以下表达式计算参数L_noise和参数L_noiseLimit：

其中，L_window为所述Savitzky-Golay滤波法采用的窗长；i为一个所述窗长内的所述标幺化数据的序列号；D_i为一个所述窗长内第i个所述标幺化数据的数值；median(L_window)为区间[1+(i-1)×L_window,i×L_window]内所有所述标幺化数据的中值；k_noise为预设的噪声判断系数；T为所述待分类电池的测试数据的采样时间间隔；C_Rate为所述待分类电池的电池放电C率；

当L_noise≥L_noiseLimit时，确认所述滤波数据中存在满足所述预设条件的噪声。

图9示出了某一段含噪声的电池放电容量数据，本实施例中，L_window＝21，k_noise＝4，根据上述式(4)计算出的L_noiseLimit＝0.0003，且可根据Savitzky-Golay滤波阶数n确定式(3)中的参数，从而进一步计算L_noise的值。

图10示出了对图9中的数据进行噪声计算后的示意图。

当采用上述方法确定需要对滤波数据进行进一步去噪处理时，采用对该滤波数据进行进一步Savitzky-Golay滤波的方式来进行，图11示出了对图9中的数据进行预设去噪处理后的结果，该结果即为所获得的所述平滑数据。

步骤S205，基于预设采样频率将所述平滑数据在预设的充放电测试循环周期内形成序列信号；

基于预设采样频率将平滑数据在预设的充放电测试循环周期内形成序列信号的示意图如图3所示。其中，预设的充放电测试循环周期指的是图3中N个连续的循环周期所形成的时长，即将该时长内序列信号进行合并，且每个测试数据可形成一个序列信号。

本实施例中，所述的预设的充放电测试循环周期为5个充放电周期所形成的时长，且电池测试数据包括但不限于：充电电压随时间变化的数据，放电电压随时间变化的数据，充电电流随时间变化的数据，放电电流随时间变化的数据，电池容量随时间变化的数据，电池容量随放电电压变化的数据，电池容量随充电电电压变化的数据，电池容量增量随放电电压变化的数据，电池容量增量随充电电压变化的数据。

步骤S206，对所述序列信号进行瞬时频率分析和谱熵分析，获得所述序列信号的瞬时频率信号和谱熵信号；

本发明实施例中，图12A示出了对序列信号进行瞬时频率分析所获得的瞬时频率信号示意图，图12B示出了对序列信号进行谱熵分析所获得的谱熵信号示意图。

步骤S207，对所述瞬时频率信号和所述谱熵信号进行合并处理，获得合并信号；

步骤S208，对所述合并信号进行标准化处理，获得标准化数据；

本实施例中，采用以下表达式对所述合并信号进行标准化处理，获得所述标准化数据：

其中，X'为所述标准化数据，X为所述合并信号，mean(X)为所述合并信号的平均值，std(X)为所述合并信号的标准差。

步骤S209，采用已训练的LSTM网络模型对所述标准化数据进行特征提取，获得第一特征向量；

本实施例中，所述LSTM网络模型包括依次连接的输入层、LSTM层、全连接层、softmax层和分类层。其中，输入层用于接收由步骤S101所得到的标准化数据，对所述标准化数据进行处理后输出时间序列数据；LSTM层用于学习所述时间序列数据中的时间步长与对应的数据值之间的长期依赖关系，获得所述瞬时频率信号经LSTM训练后的结果和所述谱熵信号经LSTM训练后的结果；全连接层用于将所述瞬时频率信号经LSTM训练后的结果和所述谱熵信号经LSTM训练后的结果连接成二维序列数据；softmax层用于对所述二维序列数据进行最大值的限值；分类层用于对经过限值后的二维序列数据进行分类，以获得所述第一特征向量。

步骤S210，基于待分类电池的测试数据获得第二特征向量；

本实施例中，具体采用以下方式获得所述第二特征向量：对待分类电池的测试数据进行数据预处理，获得无噪声的平滑数据；基于预设采样频率将所述平滑数据在预设的充放电测试循环周期内形成序列信号；计算所述序列信号在所述预设的充放电测试循环周期内的峰峰值、平均值、标准差、峭度和偏度，作为所述第二特征向量。

以上对无噪声的平滑数据的获取、序列信号的形成等详细的实施过程可参见实施例一，此处不再赘述。

步骤S211，将所述第一特征向量和所述第二特征向量作为已训练的SVM模型的输入，以获得所述待分类电池的分类结果。

实践表明，本实施例中的SVM模型的预测精度为93％，满足实际应用需求。

本发明实施例提供的一种电池分类方法，通过对待分类电池的测试数据进行处理，获得标准化数据，采用已训练的LSTM网络模型对该标准化数据进行特征提取，获得第一特征向量，并将基于待分类电池的测试数据所获得第二特征向量和上述第一特征向量一起作为已训练的SVM模型的输入，以此获得待分类电池的分类结果。即本发明采用将LSTM网络模型和SVM模型相结合的方式来对不同性能的电池进行分类，其中，LSTM网络模型能够有效提取测试数据的大部分主要特征，而不需要大量的电池测试数据，进而不需要对电池进行较长的充放电循环周期的测试；将第一特征向量和第二特征向量一起作为SVM模型的输入，能够全面地刻画电池特征，使得SVM模型能够更加全面、有效地基于输入的特征向量对电池进行分类。可见，与现有技术相比，本发明提供的技术方案所需的测试数据更少、电池特征值获取更加全面，因此，能够更简单、准确地对不同性能的电池进行有效分类。

实施例三

与上述方法实施例相对应地，本发明还提供一种电池分类装置，如图13所示，所述装置包括：

数据处理模块301，用于对待分类电池的测试数据进行处理，获得标准化数据；

第一特征提取模块302，用于采用已训练的LSTM网络模型对所述标准化数据进行特征提取，获得第一特征向量；

第二特征提取模块303，用于基于所述待分类电池的测试数据获得第二特征向量；

分类模块304，用于将所述第一特征向量和所述第二特征向量作为已训练的SVM模型的输入，以获得所述待分类电池的分类结果。

上述装置的工作原理、工作流程等涉及具体实施方式的内容可参见本发明所提供的电池分类方法的具体实施方式，此处不再对相同的技术内容进行详细描述。

实施例四

根据本发明的实施例，还提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例任一项所述的电池分类方法。

实施例五

根据本发明的实施例，还提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例任一项所述的电池分类方法。

本发明实施例提供的一种电池分类方法、装置、存储介质及电子设备，通过对待分类电池的测试数据进行处理，获得标准化数据，采用已训练的LSTM网络模型对该标准化数据进行特征提取，获得第一特征向量，并将基于待分类电池的测试数据所获得第二特征向量和上述第一特征向量一起作为已训练的SVM模型的输入，以此获得待分类电池的分类结果。即本发明采用将LSTM网络模型和SVM模型相结合的方式来对不同性能的电池进行分类，其中，LSTM网络模型能够有效提取测试数据的大部分主要特征，而不需要大量的电池测试数据，进而不需要对电池进行较长的充放电循环周期的测试；将第一特征向量和第二特征向量一起作为SVM模型的输入，能够全面地刻画电池特征，使得SVM模型能够更加全面、有效地基于输入的特征向量对电池进行分类。可见，与现有技术相比，本发明提供的技术方案所需的测试数据更少、电池特征值获取更加全面，因此，能够更简单、准确地对不同性能的电池进行有效分类。

本发明通过对电池测试数据的降噪处理、特征值提取、基于LSTM+SVM的分类方法，实现电池分类。实践表明，本发明通过对电池超短循环周期(≤10个循环周期)的测量就可以实现对电池优劣的分类，可以大幅提高电池新工艺开发验证速度，大幅提高商业电池的分选速度，具有显著的实用价值。

本发明提供的技术方案原理清晰、方法简单、便于实现、操作方便，具有良好的应用前景。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，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。

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发明实施例方案的目的。

另外，在本发明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，也可以是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。

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，本发明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电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (13)

1.一种电池分类方法，其特征在于，所述方法包括：

对待分类电池的测试数据进行处理，获得标准化数据；

采用已训练的LSTM网络模型对所述标准化数据进行特征提取，获得第一特征向量；

基于所述待分类电池的测试数据获得第二特征向量；

将所述第一特征向量和所述第二特征向量作为已训练的SVM模型的输入，以获得所述待分类电池的分类结果。

2.根据权利要求1所述的电池分类方法，其特征在于，所述待分类电池的测试数据有多个；所述对待分类电池的测试数据进行处理，获得标准化数据，包括：

对每个所述测试数据进行以下处理，以获得多个所述标准化数据：

对该测试数据进行数据预处理，获得无噪声的平滑数据；

基于预设采样频率将所述平滑数据在预设的充放电测试循环周期内形成序列信号；

对所述序列信号进行瞬时频率分析和谱熵分析，获得所述序列信号的瞬时频率信号和谱熵信号；

对所述瞬时频率信号和所述谱熵信号进行合并处理，获得合并信号；

对所述合并信号进行标准化处理，获得所述标准化数据。

3.根据权利要求2所述的电池分类方法，其特征在于，所述对该测试数据进行数据预处理，获得无噪声的平滑数据，包括：

对该测试数据进行标幺化处理，获得标幺化数据；

对所述标幺化数据进行滤波，获得滤波数据；

对所述滤波数据进行预设去噪处理，获得所述平滑数据。

4.根据权利要求3所述的电池分类方法，其特征在于，所述对该测试数据进行数据预处理，获得无噪声的平滑数据，还包括：

在所述对所述滤波数据进行预设去噪处理，获得所述平滑数据之前，判断所述滤波数据中是否存在离群点；

当所述滤波数据中存在离群点时，基于所述离群点的前后两个采样点，采用线性插值法对所述离群点进行拟合，获得拟合后滤波数据；

所述对所述滤波数据进行预设去噪处理，获得所述平滑数据，包括：

对所述拟合后滤波数据进行预设去噪处理，获得所述平滑数据。

5.根据权利要求4所述的电池分类方法，其特征在于，采用Savitzky-Golay滤波法对所述标幺化数据进行滤波；采用以下方式判断所述滤波数据中的某一个数据为离群点：

计算所述滤波数据中相邻两个数据之间的差值；

当所述差值满足以下关系式时，判断所述相邻两个数据中存在一个离群点：

其中，ΔL为所述差值；T为所述待分类电池的测试数据的采样时间间隔；C_Rate为所述待分类电池的电池放电C率；k_outlier为预设的离群判断系数；

在满足所述关系式的前提下，在所述相邻两个数据中，当某个数据满足以下条件时，判断该数据为离群点：

在以该数据为中心的区间

内，所述滤波数据与对应的所述标幺化数据的差值大于第一预设阈值；在以该数据为中心的区间

外，所述滤波数据与对应的所述标幺化数据的差值小于第二预设阈值；其中，L_window为所述Savitzky-Golay滤波法采用的窗长。

6.根据权利要求3所述的电池分类方法，其特征在于，所述对该测试数据进行数据预处理，获得无噪声的平滑数据，还包括：

判断所述滤波数据中是否存在满足预设条件的噪声；

当所述滤波数据中存在满足所述预设条件的噪声时，对所述滤波数据进行所述预设去噪处理，获得所述平滑数据。

7.根据权利要求6所述的电池分类方法，其特征在于，采用Savitzky-Golay滤波法对所述标幺化数据进行滤波；采用以下方式判断所述滤波数据中是否存在满足所述预设条件的噪声：

采用以下表达式计算参数L_noise和参数L_noiseLimit：

其中，L_window为所述Savitzky-Golay滤波法采用的窗长；i为一个所述窗长内的所述标幺化数据的序列号；D_i为一个所述窗长内第i个所述标幺化数据的数值；median(L_window)为区间[1+(i-1)×L_window,i×L_window]内所有所述标幺化数据的中值；k_noise为预设的噪声判断系数；T为所述待分类电池的测试数据的采样时间间隔；C_Rate为所述待分类电池的电池放电C率；

当L_noise≥L_noiseLimit时，确认所述滤波数据中存在满足所述预设条件的噪声。

8.根据权利要求2所述的电池分类方法，其特征在于，所述LSTM网络模型包括依次连接的输入层、LSTM层、全连接层、softmax层和分类层；

所述输入层用于接收所述标准化数据，对所述标准化数据进行处理后输出时间序列数据；

所述LSTM层用于学习所述时间序列数据中的时间步长与对应的数据值之间的长期依赖关系，获得所述瞬时频率信号经LSTM训练后的结果和所述谱熵信号经LSTM训练后的结果；

所述全连接层用于将所述瞬时频率信号经LSTM训练后的结果和所述谱熵信号经LSTM训练后的结果连接成二维序列数据；

所述softmax层用于对所述二维序列数据进行最大值的限值；

所述分类层用于对经过限值后的二维序列数据进行分类，以获得所述第一特征向量。

9.根据权利要求1所述的电池分类方法，其特征在于，所述基于所述待分类电池的测试数据获得第二特征向量，包括：

对所述待分类电池的测试数据进行数据预处理，获得无噪声的平滑数据；

基于预设采样频率将所述平滑数据在预设的充放电测试循环周期内形成序列信号；

计算所述序列信号在所述预设的充放电测试循环周期内的峰峰值、平均值、标准差、峭度和偏度，作为所述第二特征向量。

10.根据权利要求1所述的电池分类方法，其特征在于，所述待分类电池的测试数据包括以下项目中的至少一项：

充电电压随时间变化的数据，放电电压随时间变化的数据，充电电流随时间变化的数据，放电电流随时间变化的数据，电池容量随时间变化的数据，电池容量随放电电压变化的数据，电池容量随充电电电压变化的数据，电池容量增量随放电电压变化的数据，电池容量增量随充电电压变化的数据。

11.一种电池分类装置，其特征在于，所述装置包括：

数据处理模块，用于对待分类电池的测试数据进行处理，获得标准化数据；

第一特征提取模块，用于采用已训练的LSTM网络模型对所述标准化数据进行特征提取，获得第一特征向量；

第二特征提取模块，用于基于所述待分类电池的测试数据获得第二特征向量；

分类模块，用于将所述第一特征向量和所述第二特征向量作为已训练的SVM模型的输入，以获得所述待分类电池的分类结果。

12.一种存储介质，所述存储介质上存储有程序代码，其特征在于，所述程序代码被处理器执行时，实现如权利要求1至10中任一项所述的电池分类方法。

13.一种电子设备，其特征在于，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如权利要求1至10中任一项所述的电池分类方法。

Images