CN115470995A - 电池容量预测模型训练方法、电池分容方法及装置 - Google Patents
电池容量预测模型训练方法、电池分容方法及装置 Download PDFInfo
- Publication number
- CN115470995A CN115470995A CN202211123668.6A CN202211123668A CN115470995A CN 115470995 A CN115470995 A CN 115470995A CN 202211123668 A CN202211123668 A CN 202211123668A CN 115470995 A CN115470995 A CN 115470995A
- Authority
- CN
- China
- Prior art keywords
- capacity
- battery
- process data
- prediction model
- training
- 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 224
- 238000012549 training Methods 0.000 title claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 152
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 abstract description 27
- 238000004364 calculation method Methods 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 6
- 210000004027 cell Anatomy 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000007599 discharging Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池容量预测模型训练方法、电池分容方法及装置,包括:获取电池生产过程中的制程数据以及电池的实际容量;对制程数据和实际容量进行清洗得到清洗后的制程数据和实际容量;采用清洗后的制程数据和实际容量训练电池容量预测模型。电池容量预测模型训练学习到根据电池生产制程中的制程数据来预测电池容量的能力,降低了化成柜电压测量精度、化成车间不同库位温度差异、电芯SOC在20%~80%区间内电芯电压变化不明显对容量计算的影响,同时避免按照单一计算公式计算容量存在偏差大的问题,并且对制程数据和实际容量进行清洗,电池容量预测模型预测容量的准确性高,能够根据所预测的容量准确筛选出不合格的电池。
Description
技术领域
本发明涉及电池检测技术领域,尤其涉及一种电池容量预测模型训练方法、电池分容方法及装置。
背景技术
电芯在制程过程中,同工序制程中各单体电芯之间存在差异,经过多道工序差异叠加,导致下线电芯容量存在分布宽、出现低容的情况,因此需要对电芯进行全分容,以筛选出容量不合格的电芯。
目前,主要是通过SOC-OCV曲线来计算容量后分容,其是利用电芯在不同的SOC下拥有不同的电压的特点,具体为:将电芯置于恒温条件下调荷至不同的SOC,测量电芯的电压得到SOC-OCV曲线,通常是在化成制程时以SOC来进行截止(通常为30%~60%),化成充电容量为固定值,在化成后用化成柜采集电芯的电压来生成SOC-OCV曲线,然后按照SOC-OCV曲线表得出SOC荷电量比例后计算电芯的容量。
目前计算容量的方法由于化成柜电压测量精度较低、化成车间不同库位温度存在差异影响电压测量、电芯SOC在20%~80%区间内电芯电压变化不明显以及按照单一计算公式计算容量,导致所计算的容量与实际容量偏差大,无法识别出不合格电池的问题。
发明内容
本发明提供了一种电池容量预测模型训练方法、电池分容方法及装置,以解决现有分容方法存在所计算的容量与实际容量偏差大,无法识别出不合格电池的问题。
第一方面,本发明提供一种电池容量预测模型训练方法,包括:
获取电池生产过程中的制程数据以及所述电池的实际容量;
对所述制程数据和所述实际容量进行清洗,得到清洗后的制程数据和实际容量;
采用清洗后的制程数据和实际容量训练电池容量预测模型。
可选地,所述对所述制程数据和所述实际容量进行清洗,得到清洗后的制程数据和实际容量,包括:
去除所述制程数据和所述实际容量中在预设标准之外的数据,得到去除异常值之后的制程数据和实际容量;
对去除异常值之后的制程数据进行修正,得到清洗后的制程数据。
可选地,所述制程数据包括环境温度和电池的电压,所述对去除异常值之后的制程数据进行修正,得到清洗后的制程数据,包括:
采用所述环境温度对所述电池的电压进行修正,得到修正后的电压。
可选地,所述采用清洗后的制程数据和实际容量训练电池容量预测模型,包括:
初始化电池容量预测模型;
将至少一个电池的清洗后的制程数据输入所述电池容量预测模型中得到所述电池的预测容量;
根据所述预测容量和所述电池的实际容量计算损失率;
判断损失率是否小于预设阈值;
若是,停止对所述电池容量预测模型进行迭代训练;
若否,采用所述损失率调整所述电池容量预测模型的参数,并返回将清洗后的至少一个电池的制程数据输入所述电池容量预测模型中得到所述电池的预测容量的步骤。
可选地,所述电池容量预测模型为XGBoost模型,所述XGBoost模型的数学表达式如下:
训练XGBoost模型的目标函数为:
其中,为电池的预测容量,K为模型中树的数量,F为有所可能的树,f()函数表示其中的一棵树,fk(xi)表第k棵树对电池xi的预测容量,为损失函数,Ω(fk)为模型的正则化项,T为一棵树f()中叶子的数量,w为每个叶子的打分分数,γ和λ为系数,γ和λ的值越大树的结构越简单。
第二方面,本发明提供一种电池分容方法,包括:
获取待分容电池在生产制程过程中的制程数据;
将所述制程数据输入预先训练好的电池容量预测模型中,得到所述待分容电池的容量;
根据所述容量对所述待分容电池进行分容;
其中,所述电池容量预测模型通过权利要求1-5任一项所述的电池容量预测模型训练方法所训练。
第三方面,本发明提供一种电池容量预测模型训练装置,包括:
训练数据获取模块,用于获取电池生产过程中的制程数据以及所述电池的实际容量;
训练数据清洗模块,用于对所述制程数据和所述实际容量进行清洗,得到清洗后的制程数据和实际容量;
模型训练模块,用于采用清洗后的制程数据和实际容量训练电池容量预测模型。
第四方面,本发明提供一种电池分容装置,包括:
制程数据获取模块,用于获取待分容电池在生产制程过程中的制程数据;
容量预测模块,用于将所述制程数据输入预先训练好的电池容量预测模型中,得到所述待分容电池的容量;
分容模块,用于根据所述容量对所述待分容电池进行分容;
其中,所述电池容量预测模型通过权利要求1-5任一项所述的电池容量预测模型训练方法所训练。
第五方面,本发明提供一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面任一项所述的电池容量预测模型训练方法,和/或,第二方面所述的电池分容方法。
第六方面,本发明提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现第一方面任一项所述的电池容量预测模型训练方法,和/或,第二方面所述的电池分容方法。
本实施例在训练电池容量预测模型时,获取电池生产过程中的制程数据以及所述电池的实际容量,并对制程数据和实际容量进行清洗得到清洗后的制程数据和实际容量,进一步采用清洗后的制程数据和实际容量训练电池容量预测模型,使得电池容量预测模型训练学习到根据电池生产制程中的制程数据来预测电池容量的能力,降低了化成柜电压测量精度、化成车间不同库位温度差异、电芯SOC在20%~80%区间内电芯电压变化不明显对容量计算的影响,同时也避免了按照单一计算公式计算容量存在偏差大的问题,并且还对制程数据和实际容量进行清洗,电池容量预测模型所预测电池的容量的准确性高,能够根据所预测的容量准确筛选出不合格的电池。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本邻域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种电池容量预测模型训练方法的流程图;
图2是本发明实施例二提供的一种电池容量预测模型训练方法的流程图;
图3是本发明实施例三提供的一种电池分容方法的流程图;
图4是本发明实施例四提供的一种电池容量预测模型训练装置的结构示意图;
图5是本发明实施例五提供的一种电池分容装置的结构示意图;
图6是本发明实施例六提供的电子设备的结构示意图。
具体实施方式
为了使本技术邻域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本邻域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例一
图1为本发明实施例一提供的一种电池容量预测模型训练方法的流程图,本实施例可适用于训练电池容量预测模型来预测电池的容量,以对电池进行分容的情况,该方法可以由电池容量预测模型训练装置来执行,该电池容量预测模型训练装置可以采用硬件和/或软件的形式实现,该电池容量预测模型训练装置可配置在电子设备中。如图1所示,该电池容量预测模型训练方法包括:
S101、获取电池生产过程中的制程数据以及电池的实际容量。
本实施例中,在电池生产过程中,可以通过电池的各个制程中的检测设备采集电池的制程数据,以及电池下线后对电池分容得到电池的实际容量。示例性地,制程数据可以包括在化成制程中至少一个工步结束时电池的温度和电压,电池的卷芯重量,电池的一次注液量,在调荷制程中至少一个工步结束时电池的放电容量、电压以及温度,电池的SOC曲线、OCV曲线中的至少一项数据。
S102、对制程数据和实际容量进行清洗,得到清洗后的制程数据和实际容量。
在一个可选实施例中,制程数据包括多项数据,每项数据可以设置有标准值,该标准值可以是确定的一个值,还可以是数值范围,例如,制程数据包括电压,则可以设置一个电压范围,在检测到电压在该电压范围之外时,该电压为异常值,可以从制程数据中去除该电池的所有制程数据和实际容量,其他制程数据和实际容量同理处理,以从制程数据中去除异常的电池的制程数据和实际容量,以避免制程异常所产生的制程数据降低模型的预测精度。
进一步地,还可以对清洗后的制程数据进行修正,示例性地,可以根据环境温度对检测到的电压进行修正,以避免环境温度对电压的影响,获取到电池的准确电压,可以提高训练数据的准确度,从而提高后续所训练的模型的精度。
S103、采用清洗后的制程数据和实际容量训练电池容量预测模型。
在一个示例中,电池容量预测模型可以是各种神经网络,例如可以是CNN(Convolutional Networks,卷积神经网络)、RNN(Recurrent Neural Networks,循环神经网络)、DNN(Deep Neural Networks,深度神经网络)等,还可以是各种决策树网络,例如CART(Classification And Regression Tree,分类与回归树)、XGBoost(eXtremeGradient Boosting,极限梯度提升)等,本实施例对电池容量预测模型的类型不作限制。
在训练时先初始化电池容量预测模型的参数,然后随机提取至少一个电池的制程数据输入到电池容量预测模型中得到电池的预测容量,然后通过预测容量与实际容量来计算损失率,如果损失率小于预设阈值,则停止迭代训练,否则通过损失率来调整模型参数后继续训练,直到损失率小于预设阈值或者是训练次数达到预设的迭代训练次数,得到训练好的电池容量预测模型,将待分容电池的制程数据输入到该训练好的电池容量预测模型即可以得到待分容电池的容量,根据该容量对待分容电池进行分容。
本实施例在训练电池容量预测模型时,获取电池生产过程中的制程数据以及所述电池的实际容量,并对制程数据和实际容量进行清洗得到清洗后的制程数据和实际容量,进一步采用清洗后的制程数据和实际容量训练电池容量预测模型,使得电池容量预测模型训练学习到根据电池生产制程中的制程数据来预测电池容量的能力,降低了化成柜电压测量精度、化成车间不同库位温度差异、电芯SOC在20%~80%区间内电芯电压变化不明显对容量计算的影响,同时也避免了按照单一计算公式计算容量存在偏差大的问题,并且还对制程数据和实际容量进行清洗,电池容量预测模型所预测电池的容量的准确性高,能够根据所预测的容量准确筛选出不合格的电池。
实施例二
图2为本发明实施例二提供的一种电池容量预测模型训练方法的流程图,本发明实施例在上述实施例一的基础上进行优化,如图2所示,该电池容量预测模型训练方法包括:
S201、获取电池生产过程中的制程数据以及电池的实际容量。
本实施例中,制程数据可以包括电池在化成制程中至少一个工步结束时电池的温度和电压、电池的卷芯重量、电池的一次注液量、在调荷制程中至少一个工步结束时电池的放电容量、电压以及温度,电池的SOC曲线、OCV曲线中的至少一项。
示例性地,电池化成工步包括多个工步,具体工步依次包括:
第一工步:静置;第二工步:小电流充电;第三工步:静置;第四工步:小电流充电;第五工步:静置,则可以分别通过化成设备上的或者其他装置上的温度传感器和电压采集装置采集第二工步、第四工步和第五工步结束时电池的电芯温度和电压,当然,也可以采集其他化成工步结束时电池的电芯的温度和电压,电池化成以时间为截止条件,即对于同一批电池,在每个化成工步的同一结束时刻,电池的充电容量理论上相等,但由于电池的电芯本身容量存在差异,故SOC存在差异,所表现出的OCV电压也有所不同,一定程度上可反映出电池的容量。
由于电池的容量与电池内部较轻的卷芯的重量相关性高,可以采集电池的A、B卷芯的重量,另外,电池中电解液量会影响化成过程的一致性,与电池的容量相关,可以采集电池的电芯的一次注液量。
电池化成后还进行调荷,调荷包括多个充电放电工步,各个工步的放电容量可以反映电池的电芯的充电容量,可以采集调荷各个工步的电池的放电容量、电压和温度作为制程数据,例如,调荷制程包括7个工步,可以分别采集7个工步结束时刻的放电容量、电压、温度。
当然,还可以获取生产过程中的其他数据,比如电池的SOC曲线、OCV曲线等作为制程数据。
实际容量可以是采用分容设备对下线后的电池进行检测后所得的容量值,比如,可以对20-40%的下线电池抽检进行分容得到电池的实际容量。
在实际应用中,在采集到每个电池的制程数据和实际容量后,可以将每个电池的制程数据和实际容量与电池的标签进行绑定,以通过标签可以查找到该电池的制程数据和实际容量。
S202、去除制程数据和实际容量中在预设标准之外的数据,得到去除异常值之后的制程数据和实际容量。
示例性地,每项制程数据设置有标准,该标准可以是上限值和下限值所形成的数值范围,可以判断每项制程数据是否在对应的数值范围内,若是,则说明该制程数据为正常制程数据,若否,则说明该制程数据为制程突变导致的异常制程数据,可以在所采集到的数据中去除掉该电池的所有制程数据和实际容量,同理,当电池的实际容量超出预设范围时,可以确定该电池为制程突变所生产的电池,在所采集到的数据中去除掉该电池的所有制程数据和实际容量,得到去除异常值之后的制程数据和实际容量,以避免制程突变造成的异常数据对电池容量预测模型的训练影响,提高训练后的电池容量预测模型对容量的预测精度。
S203、对去除异常值之后的制程数据进行修正,得到清洗后的制程数据。
示例性地,对于电池来说,在化成和调荷制程中需要采集电池充电、放电时的温度和电压,可以通过环境温度来对采集到的电压进行修正,对于电压,环境温度越高,电压越低,示例性地,环境温度与基准温度相差超过5℃,电池的电压偏差1mV,由此可以计算环境温度与基准温度的差值,环境温度每高于基准温度5℃,电压调低1mV,环境温度每低于基准温度5℃,电压调高1mV,以避免环境温度对电压造成影响,亦即降低环境温度对模型预测容量的影响,提高模型的预测精度。
当然,本领域技术人员还可以对其他制程数据进行修正,比如,对SOC曲线修正、对放电容量修正等等,本领域技术人员可以根据制程数据的影响因素来对制程数据进行修正。
S204、初始化电池容量预测模型。
在一个示例中,初始化电池容量预测模型可以是构建模型结构、初始化模型的参数等。示例性地,对于有监督训练,可以设置学习率、损失函数、权重等参数。
本实施例以电池容量预测模型为XGBoost模型作为示例,初始化可以是设置模型中树的数量、每棵树的叶子的数量、树中每个叶子的初始打分分数以及各种系数等。
示例性地,设置XGBoost模型的数学表达式如下:
设置训练XGBoost模型的目标函数为:
其中,为电池的预测容量,K为模型中树的数量,F为有所可能的树,f()函数表示其中的一棵树,fk(xi)表第k棵树对电池xi的预测容量,为损失函数,Ω(fk)为模型的正则化项,T为一棵树f()中叶子的数量,w为每个叶子的打分分数,γ和λ为可以预先设置的系数,γ和λ越大树的结构越简单。
当然,在其他如CNN、RNN、DNN等模型,初始化可以是设置模型的各个层的神经元个数、每个神经元的权重等。
S205、将至少一个电池的清洗后的制程数据输入电池容量预测模型中得到电池的预测容量。
本实施例可以从所有数据中,随机提取一个或多个电池的制程数据输入到电池容量预测模型中得到电池的预测容量,
以上述公式(1)的XGBoost模型的数学表达式,一共有K棵树,可以将电池的制程数据xi输入到每棵树fk中求和后得到电池的预测容量即XGBoost模型通过多轮迭代,每轮选代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练,最终的总分类器是将每轮训练得到的弱分类器加权求和,即XGBoost模型生成K个由不同特征驱动的决策树模型,最终通过K个树的叶子节点的线性加和来获得最终的预测结果。
S206、根据预测容量和电池的实际容量计算损失率。
如上述公式(2)目标函数L所示,目标函数L中,为损失函数,表示电池的预测容量与实际容量的偏差,可以是均方差损失函数、L2范数等等,为惩罚项,亦即正则化项,以惩罚模型的复杂度,通过正则化项,能够在训练模型偏差降低的同时避免模型过拟合,使得模型的参数更加平滑,XGBoost模型中树的结构更为简单。
S207、判断损失率是否小于预设阈值。
在每轮迭代计算得到目标函数L的值后,判断目标函数L的值是否小于预设阈值,若是,则执行S208,若否,执行S209。
S208、停止对电池容量预测模型进行迭代训练。
若目标函数L的值小于预设阈值,说明模型预测精度足够高,并且模型的树结构足够简洁,可以停止对模型进行迭代训练,得到训练好的模型。
S209、采用损失率调整电池容量预测模型的参数。
若目标函数L的值大于预设阈值,说明模型输出的预测容量与实际容量偏差大,并且模型的树结构复杂,需要通过损失率调整模型的参数。
对于XGBoost模型可以参考XGBoost模型对目标函数L的优化求解方法,本实施例在此不再详述,对于其他诸如CNN、RNN、DNN等类型的电池容量预测模型,可以根据损失函数计算梯度,通过梯度对模型参数进行下降后返回S205继续对模型训练,直到损失率小于预设阈值或者迭代次数大于预设次数为止。
本实施例训练电池容量预测模型时,获取电池生产过程中的制程数据以及所述电池的实际容量,去除制程数据和实际容量中在预设标准之外的数据,得到去除异常值之后的制程数据和实际容量,对去除异常值之后的制程数据进行修正,得到清洗后的制程数据,进一步采用清洗后的制程数据和实际容量训练电池容量预测模型,使得电池容量预测模型训练学习到根据电池生产制程中的制程数据来预测电池容量的能力,降低了化成柜电压测量精度、化成车间不同库位温度差异、电芯SOC在20%~80%区间内电芯电压变化不明显对容量计算的影响,同时也避免了按照单一计算公式计算容量存在偏差大的问题,并且还对制程数据和实际容量进行清洗,电池容量预测模型预测电池的容量的准确性高,能够根据所预测的容量准确筛选出不合格的电池。
进一步地,对去除异常值之后的制程数据进行修正,得到清洗后的制程数据用于训练电池容量预测模型,以避免环境温度对电压造成影响,亦即降低环境温度对模型预测容量的影响,提高模型的预测精度。
实施例三
图3为本发明实施例三提供的一种电池分容方法的流程图,本实施例可适用于确定电池的容量以对电池进行分容的情况,该方法可以由电池分容装置来执行,该电池分容装置可以采用硬件和/或软件的形式实现,该电池分容装置可配置在电子设备中。如图3所示,该电池分容方法包括:
S301、获取待分容电池在生产制程过程中的制程数据。
本实施例中,待分容电池在生产制程过程中的制程数据可以还包括如下数据中的至少一项:
化成制程中至少一个工步结束时电池的温度和电压、电池的卷芯重量、电池的一次注液量、在调荷制程中至少一个工步结束时电池的放电容量、电压以及温度,电池的SOC曲线、OCV曲线中的至少一项。
在实际应用中,每个电池的制程数据与电池的标签绑定,可以通电池的标签查找电池的制程数据。
S302、将制程数据输入预先训练好的电池容量预测模型中,得到待分容电池的容量。
其中,电池容量预测模型通过实施例一或实施例二的电池容量预测模型训练方法所训练,具体训练过程可参考实施例一、实施例二,本实施例在此不再详述。
在获取待分容电池的制程数据后,可以将制程数据输入到电池容量预测模型,以通过电池容量预测模型输出待分容电池的容量。
S303、根据容量对待分容电池进行分容。
具体地,可以预先设置不同的分容标准,以筛选出容量不合格的电池,以及筛选出容量相近的电池用于组成电池包。
本实施例通过将待分容电池的制程数据输入电池容量预测模型中,得到待分容电池的容量以进行分容,该电池容量预测模型训练学习到根据电池生产制程中的制程数据来预测电池容量的能力,降低了化成柜电压测量精度、化成车间不同库位温度差异、电芯SOC在20%~80%区间内电芯电压变化不明显对容量计算的影响,同时也避免了按照单一计算公式计算容量存在偏差大的问题,并且还对制程数据和实际容量进行清洗,电池容量预测模型预测电池的容量的准确性高,能够根据所预测的容量准确筛选出不合格的电池以及准确对电池进行分容。
实施例四
图4为本发明实施例四提供的一种电池容量预测模型训练装置的结构示意图。如图4所示,该电池容量预测模型训练装置包括:
训练数据获取模块401,用于获取电池生产过程中的制程数据以及所述电池的实际容量;
训练数据清洗模块402,用于对所述制程数据和所述实际容量进行清洗,得到清洗后的制程数据和实际容量;
模型训练模块403,用于采用清洗后的制程数据和实际容量训练电池容量预测模型。
可选地,所述训练数据清洗模块402包括:
异常值去除单元,用于去除所述制程数据和所述实际容量中在预设标准之外的数据,得到去除异常值之后的制程数据和实际容量;
数据修正单元,用于对去除异常值之后的制程数据进行修正,得到清洗后的制程数据。
可选地,所述制程数据包括环境温度和电池的电压,所述数据修正单元,包括:
电压修正单元,用于采用所述环境温度对所述电池的电压进行修正,得到修正后的电压。
可选地,所述模型训练模块403包括:
模型初始化单元,用于初始化电池容量预测模型;
训练单元,用于将至少一个电池的清洗后的制程数据输入所述电池容量预测模型中得到所述电池的预测容量;
损失率计算单元,用于根据所述预测容量和所述电池的实际容量计算损失率;
损失率判断单元,用于判断损失率是否小于预设阈值;
停止训练单元,用于停止对所述电池容量预测模型进行迭代训练;
参数调整单元,用于采用所述损失率调整所述电池容量预测模型的参数,并返回训练单元。
可选地,所述电池容量预测模型为XGBoost模型,所述XGBoost模型的数学表达式如下:
训练XGBoost模型的目标函数为:
其中,为电池的预测容量,K为模型中树的数量,F为有所可能的树,f()函数表示其中的一棵树,fk(xi)表第k棵树对电池xi的预测容量,为损失函数,Ω(fk)为模型的正则化项,T为一棵树f()中叶子的数量,w为每个叶子的打分分数,γ和λ为系数,γ和λ越大树的结构越简单。
本发明实施例所提供的电池容量预测模型训练装置可执行本发明实施例一、实施例二所提供的电池容量预测模型训练方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种电池分容装置的结构示意图。如图5所示,该电池分容装置包括:
制程数据获取模块501,用于获取待分容电池在生产制程过程中的制程数据;
容量预测模块502,用于将所述制程数据输入预先训练好的电池容量预测模型中,得到所述待分容电池的容量;
分容模块503,用于根据所述容量对所述待分容电池进行分容;
其中,所述电池容量预测模型通过实施例一或实施例二所述的电池容量预测模型训练方法所训练。
实施例六
图6示出了可以用来实施本发明的实施例的电子设备60的结构示意图。电子设备60旨在表示包含各种形式的数字计算机的设备,诸如,包含膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机的设备。
如图6所示,电子设备60包括至少一个处理器61,以及与至少一个处理器61通信连接的存储器,如只读存储器(ROM)62、随机访问存储器(RAM)63等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器61可以根据存储在只读存储器(ROM)62中的计算机程序或者从存储单元68加载到随机访问存储器(RAM)63中的计算机程序,来执行各种适当的动作和处理。在RAM 63中,还可存储电子设备60操作所需的各种程序和数据。处理器61、ROM 62以及RAM 63通过总线64彼此相连。输入/输出(I/O)接口65也连接至总线64。
电子设备60中的多个部件连接至I/O接口65,包括:输入单元66,例如键盘、鼠标等;输出单元67,例如各种类型的显示器、扬声器等;存储单元68,例如磁盘、光盘等;以及通信单元69,例如网卡、调制解调器、无线通信收发机等。通信单元69允许电子设备60通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器61可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器61的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器61执行上文所描述的各个方法和处理,例如电池容量预测模型训练方法,和/或,电池分容方法。
在一些实施例中,电池容量预测模型训练方法,和/或,电池分容方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元68。在一些实施例中,计算机程序的部分或者全部可以经由ROM 62和/或通信单元69而被载入和/或安装到电子设备60上。当计算机程序加载到RAM 63并由处理器61执行时,可以执行上文描述的电池容量预测模型训练方法的一个或多个步骤。备选地,在其他实施例中,处理器61可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电池容量预测模型训练方法,和/或,电池分容方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电流系统、集成电流系统、场可编程门阵列(FPGA)、专用集成电流(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备60上实施此处描述的系统和技术,该电子设备60具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备60。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本邻域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种电池容量预测模型训练方法,其特征在于,包括:
获取电池生产过程中的制程数据以及所述电池的实际容量;
对所述制程数据和所述实际容量进行清洗,得到清洗后的制程数据和实际容量;
采用清洗后的制程数据和实际容量训练电池容量预测模型。
2.如权利要求1所述的电池容量预测模型训练方法,其特征在于,所述对所述制程数据和所述实际容量进行清洗,得到清洗后的制程数据和实际容量,包括:
去除所述制程数据和所述实际容量中在预设标准之外的数据,得到去除异常值之后的制程数据和实际容量;
对去除异常值之后的制程数据进行修正,得到清洗后的制程数据。
3.如权利要求2所述的电池容量预测模型训练方法,其特征在于,所述制程数据包括环境温度和电池的电压,所述对去除异常值之后的制程数据进行修正,得到清洗后的制程数据,包括:
采用所述环境温度对所述电池的电压进行修正,得到修正后的电压。
4.如权利要求1-3任一项所述的电池容量预测模型训练方法,其特征在于,所述采用清洗后的制程数据和实际容量训练电池容量预测模型,包括:
初始化电池容量预测模型;
将至少一个电池的清洗后的制程数据输入所述电池容量预测模型中得到所述电池的预测容量;
根据所述预测容量和所述电池的实际容量计算损失率;
判断损失率是否小于预设阈值;
若是,停止对所述电池容量预测模型进行迭代训练;
若否,采用所述损失率调整所述电池容量预测模型的参数,并返回将至少一个电池的清洗后的制程数据输入所述电池容量预测模型中得到所述电池的预测容量的步骤。
6.一种电池分容方法,其特征在于,包括:
获取待分容电池在生产制程过程中的制程数据;
将所述制程数据输入预先训练好的电池容量预测模型中,得到所述待分容电池的容量;
根据所述容量对所述待分容电池进行分容;
其中,所述电池容量预测模型通过权利要求1-5任一项所述的电池容量预测模型训练方法所训练。
7.一种电池容量预测模型训练装置,其特征在于,包括:
训练数据获取模块,用于获取电池生产过程中的制程数据以及所述电池的实际容量;
训练数据清洗模块,用于对所述制程数据和所述实际容量进行清洗,得到清洗后的制程数据和实际容量;
模型训练模块,用于采用清洗后的制程数据和实际容量训练电池容量预测模型。
8.一种电池分容装置,其特征在于,包括:
制程数据获取模块,用于获取待分容电池在生产制程过程中的制程数据;
容量预测模块,用于将所述制程数据输入预先训练好的电池容量预测模型中,得到所述待分容电池的容量;
分容模块,用于根据所述容量对所述待分容电池进行分容;
其中,所述电池容量预测模型通过权利要求1-5任一项所述的电池容量预测模型训练方法所训练。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的电池容量预测模型训练方法,和/或,权利要求6所述的电池分容方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的电池容量预测模型训练方法,和/或,权利要求6所述的电池分容方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123668.6A CN115470995A (zh) | 2022-09-15 | 2022-09-15 | 电池容量预测模型训练方法、电池分容方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123668.6A CN115470995A (zh) | 2022-09-15 | 2022-09-15 | 电池容量预测模型训练方法、电池分容方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115470995A true CN115470995A (zh) | 2022-12-13 |
Family
ID=84371163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211123668.6A Pending CN115470995A (zh) | 2022-09-15 | 2022-09-15 | 电池容量预测模型训练方法、电池分容方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115470995A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116559681A (zh) * | 2023-07-12 | 2023-08-08 | 安徽国麒科技有限公司 | 基于深度学习时序算法的退役电池容量预测方法和装置 |
CN116953519A (zh) * | 2023-05-31 | 2023-10-27 | 山东大学 | 一种全温度锂离子电池ocv评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
CN112213659A (zh) * | 2020-01-20 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池容量修正方法及测试系统 |
CN113687250A (zh) * | 2021-08-18 | 2021-11-23 | 蜂巢能源科技有限公司 | 电芯容量预测方法、装置、电子设备及介质 |
CN113884961A (zh) * | 2021-09-23 | 2022-01-04 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN114460474A (zh) * | 2022-01-25 | 2022-05-10 | 电子科技大学 | 电池分容方法及其装置、电子设备 |
-
2022
- 2022-09-15 CN CN202211123668.6A patent/CN115470995A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
CN112213659A (zh) * | 2020-01-20 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池容量修正方法及测试系统 |
CN113687250A (zh) * | 2021-08-18 | 2021-11-23 | 蜂巢能源科技有限公司 | 电芯容量预测方法、装置、电子设备及介质 |
CN113884961A (zh) * | 2021-09-23 | 2022-01-04 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN114460474A (zh) * | 2022-01-25 | 2022-05-10 | 电子科技大学 | 电池分容方法及其装置、电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116953519A (zh) * | 2023-05-31 | 2023-10-27 | 山东大学 | 一种全温度锂离子电池ocv评估方法及系统 |
CN116559681A (zh) * | 2023-07-12 | 2023-08-08 | 安徽国麒科技有限公司 | 基于深度学习时序算法的退役电池容量预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
CN110750852B (zh) | 一种超级电容器的剩余使用寿命预测方法、装置及电子设备 | |
CN113065283A (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN113935440A (zh) | 一种电压互感器误差状态迭代评估方法及系统 | |
CN116298906B (zh) | 电池容量的预测模型训练方法、预测方法、装置及介质 | |
CN111784061A (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN113807469A (zh) | 一种多能源用户价值预测方法、装置、存储介质和设备 | |
Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
CN116381494A (zh) | 电池最大可用容量预测方法、装置、电子设备及存储介质 | |
Wu et al. | Remaining useful life prediction of Lithium-ion batteries based on PSO-RF algorithm | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
CN117407795A (zh) | 一种电池安全预测方法、装置、电子设备及存储介质 | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN116562596A (zh) | 一种退役电池处理方法、装置、退役电池仓储立库及介质 | |
JP2024015998A (ja) | 電圧レベル315kV以下の配電変圧器に対する自動容量校正方法 | |
CN115907158A (zh) | 一种基于启发式配置的负荷预测方法、设备及存储介质 | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
CN115759395A (zh) | 光伏检测模型的训练、光伏发电的检测方法及相关装置 | |
CN114861800A (zh) | 模型训练方法、概率确定方法、装置、设备、介质及产品 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN114895209A (zh) | 面向锂电池少循环的二维支持域直推式健康状态预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221213 |
|
RJ01 | Rejection of invention patent application after publication |