CN115600728A - 一种动力电池的年度碳排放量估算方法及装置 - Google Patents
一种动力电池的年度碳排放量估算方法及装置 Download PDFInfo
- Publication number
- CN115600728A CN115600728A CN202211177780.8A CN202211177780A CN115600728A CN 115600728 A CN115600728 A CN 115600728A CN 202211177780 A CN202211177780 A CN 202211177780A CN 115600728 A CN115600728 A CN 115600728A
- Authority
- CN
- China
- Prior art keywords
- power battery
- annual
- production
- carbon emission
- weight
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 148
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 claims abstract description 190
- 238000013145 classification model Methods 0.000 claims abstract description 38
- 239000000463 material Substances 0.000 claims description 90
- 238000012549 training Methods 0.000 claims description 45
- 238000003062 neural network model Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 20
- 239000000470 constituent Substances 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 239000003792 electrolyte Substances 0.000 claims description 6
- 239000007773 negative electrode material Substances 0.000 claims description 6
- 239000007774 positive electrode material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012731 temporal analysis Methods 0.000 claims description 6
- 238000000700 time series analysis Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 5
- 239000000306 component Substances 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 125000004122 cyclic group Chemical group 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- -1 lithium hexafluorophosphate Chemical compound 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- SECXISVLQFMRJM-UHFFFAOYSA-N N-Methylpyrrolidone Chemical compound CN1CCCC1=O SECXISVLQFMRJM-UHFFFAOYSA-N 0.000 description 2
- 239000002033 PVDF binder Substances 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- KMTRUDSVKNLOMY-UHFFFAOYSA-N Ethylene carbonate Chemical compound O=C1OCCO1 KMTRUDSVKNLOMY-UHFFFAOYSA-N 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000011889 copper foil Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- IEJIGPNLZYLLBP-UHFFFAOYSA-N dimethyl carbonate Chemical compound COC(=O)OC IEJIGPNLZYLLBP-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种动力电池的年度碳排放量估算方法及装置,通过获取的新能源汽车的年度销售数据输入到预训练的动力电池年度生产预测模型中,输出年度动力电池预测生产量;将年度动力电池预测生产量输入到预训练的动力电池重量分类模型中,以使动力电池重量分类模型基于单个动力电池总重量的不同,输出多种总重量对应的第一重量动力电池预测生产量;获取第一重量动力电池预测生产量对应的第一碳排放量,整合所有第一碳排放量,得到年度碳排放量。与现有技术相比,本发明帮助企业基于新能源汽车的年度销售量来预测动力电池的生产量,并基于动力电池重量的不同,对预测的动力电池生产量进行分类,能提高碳排放量估算的效率和准确性。
Description
技术领域
本发明涉及碳排放量估算的技术领域,特别是涉及一种动力电池的年度碳排放量估算方法及装置。
背景技术
新能源汽车是零排放,但原材料及电池的生产过程中会产生碳排;随着新能源汽车市场规模迅速扩大,其核心部件动力电池的环保和碳排放问题也越来越受关注。
为面对国家提出的“碳中和”目标,不少企业在开始关注动力电池在生产过程中的碳排放,以为后续进行碳排放量处理提供数据支撑,但目前,对于动力电池在生产过程中的碳排放,普通通过在生产车间装设碳排放量检测器,用以获取动力电池在生产阶段中产生的碳排放量,当该操作无法实现对动力电池生产阶段的碳排放量进行提前预估,且仅能在生产完成后,才能输出检测到的碳排放量,所需时间长,效率低下;同时,现有中还存在基于获取动力电池的生产量直接进行碳排放量计算,忽视了不同动力电池之间重量不同,导致的碳排放量不同的问题,使得计算出来的碳排放量误差较大。
发明内容
本发明要解决的技术问题是:提供一种动力电池的年度碳排放量估算方法及装置,提高碳排放量估算的效率和准确性。
为了解决上述技术问题,本发明提供了一种动力电池的年度碳排放量估算方法及装置,包括:
获取新能源汽车的年度销售数据,将所述年度销售数据输入到预训练的动力电池年度生产预测模型中,以使所述动力电池年度生产预测模型输出年度动力电池预测生产量;
将所述年度动力电池预测生产量输入到预训练的动力电池重量分类模型中,以使所述动力电池重量分类模型基于单个动力电池总重量的不同,输出多种总重量对应的第一重量动力电池预测生产量;
获取所述第一重量动力电池预测生产量对应的第一碳排放量,整合所有第一碳排放量,得到年度碳排放量。
在一种可能的实现方式中,获取所述第一重量动力电池预测生产量对应的第一碳排放量,具体包括:
获取所述第一重量动力电池预测生产量中单个动力电池的所有组成材料,并获取每种组成材料对应的第一材料重量;
根据所述第一材料重量和所述第一重量动力电池预测生产量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第二材料重量;
获取每种组成材料对应的标准单位碳排放量,基于所述第二材料重量和所述标准单位碳排放量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第一材料碳排放量,整合所有第一材料碳排放量,得到所述第一重量动力电池预测生产量对应的第一碳排放量。
在一种可能的实现方式中,动力电池年度生产预测模型的预训练过程,具体包括:
获取不同年份对应的新能源汽车历史年度销售数据及动力电池历史年度生产量,得到基于时间序列分析的历史样本数据集;
对所述历史样本数据集进行随机抽样处理,得到训练集;
将所述训练集输入到神经网络进行前向传播和后向传播,得到动力电池年度生产预测模型。
在一种可能的实现方式中,动力电池重量分类模型的预训练过程,具体包括:
获取不同年份对应的动力电池历史年度生产量,基于单个动力电池总重量的不同,对所述动力电池历史年度生产量进行分类,得到多种总重量对应的第一重量动力电池历史生产量;
将所述动力电池历史年度生产量作为神经网络模型的输入,将所述多种总重量对应的第一重量动力电池历史生产量作为神经网络模型的输出,直至训练所述神经网络模型收敛,得到动力电池重量分类模型。
在一种可能的实现方式中,所述单个动力电池的所有组成材料包括正极材料、负极材料、电解液、隔膜、壳体和BMS。
本发明还提供了一种动力电池的年度碳排放量估算装置,包括:年度动力电池预测生产量获取模块、动力电池重量分类模块和年度碳排放量获取模块;
其中,所述年度动力电池预测生产量获取模块,用于获取新能源汽车的年度销售数据,将所述年度销售数据输入到预训练的动力电池年度生产预测模型中,以使所述动力电池年度生产预测模型输出年度动力电池预测生产量;
所述动力电池重量分类模块,用于将所述年度动力电池预测生产量输入到预训练的动力电池重量分类模型中,以使所述动力电池重量分类模型基于单个动力电池总重量的不同,输出多种总重量对应的第一重量动力电池预测生产量;
所述年度碳排放量获取模块,用于获取所述第一重量动力电池预测生产量对应的第一碳排放量,整合所有第一碳排放量,得到年度碳排放量。
在一种可能的实现方式中,所述年度碳排放量获取模块,用于获取所述第一重量动力电池预测生产量对应的第一碳排放量,具体包括:
获取所述第一重量动力电池预测生产量中单个动力电池的所有组成材料,并获取每种组成材料对应的第一材料重量;
根据所述第一材料重量和所述第一重量动力电池预测生产量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第二材料重量;
获取每种组成材料对应的标准单位碳排放量,基于所述第二材料重量和所述标准单位碳排放量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第一材料碳排放量,整合所有第一材料碳排放量,得到所述第一重量动力电池预测生产量对应的第一碳排放量。
在一种可能的实现方式中,所述年度动力电池预测生产量获取模块中动力电池年度生产预测模型的预训练过程,具体包括:
获取不同年份对应的新能源汽车历史年度销售数据及动力电池历史年度生产量,得到基于时间序列分析的历史样本数据集;
对所述历史样本数据集进行随机抽样处理,得到训练集;
将所述训练集输入到神经网络进行前向传播和后向传播,得到动力电池年度生产预测模型。
在一种可能的实现方式中,所述动力电池重量分类模块中动力电池重量分类模型的预训练过程,具体包括:
获取不同年份对应的动力电池历史年度生产量,基于单个动力电池总重量的不同,对所述动力电池历史年度生产量进行分类,得到多种总重量对应的第一重量动力电池历史生产量;
将所述动力电池历史年度生产量作为神经网络模型的输入,将所述多种总重量对应的第一重量动力电池历史生产量作为神经网络模型的输出,直至训练所述神经网络模型收敛,得到动力电池重量分类模型。
在一种可能的实现方式中,所述单个动力电池的所有组成材料包括正极材料、负极材料、电解液、隔膜、壳体和BMS。
本发明还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的动力电池的年度碳排放量估算方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的动力电池的年度碳排放量估算方法。
本发明实施例一种动力电池的年度碳排放量估算方法及装置,与现有技术相比,具有如下有益效果:
通过获取的新能源汽车的年度销售数据输入到预训练的动力电池年度生产预测模型中,输出年度动力电池预测生产量;将年度动力电池预测生产量输入到预训练的动力电池重量分类模型中,以使动力电池重量分类模型基于单个动力电池总重量的不同,输出多种总重量对应的第一重量动力电池预测生产量;获取第一重量动力电池预测生产量对应的第一碳排放量,整合所有第一碳排放量,得到年度碳排放量。与现有技术相比,本发明帮助企业基于新能源汽车的年度销售量来预测动力电池的生产量,并基于动力电池重量的不同,对预测的动力电池生产量进行分类,进一步的基于动力电池总重量的不同,计算其对应的碳排放量,相比于直接基于生产量来计算碳排放量,能提高碳排放量估算的准确性,还基于预训练的两个模型,能提高碳排放量的预测效率,为企业后续开展碳排放处理提供重要的绿色支撑。
附图说明
图1是本发明提供的一种动力电池的年度碳排放量估算方法的一种实施例的流程示意图;
图2是本发明提供的一种动力电池的年度碳排放量估算装置的一种实施例的结构示意图。
具体实施方式
下面将结合本发明中的附图,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实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
参见图1,图1是本发明提供的一种动力电池的年度碳排放量估算方法的一种实施例的流程示意图,如图1所示,该方法包括步骤101-步骤103,具体如下:
步骤101:获取新能源汽车的年度销售数据,将所述年度销售数据输入到预训练的动力电池年度生产预测模型中,以使所述动力电池年度生产预测模型输出年度动力电池预测生产量。
一实施例中,对于动力电池年度生产预测模型,其预训练过程,通过获取不同年份对应的新能源汽车历史年度销售数据及动力电池历史年度生产量,得到基于时间序列分析的历史样本数据集,具体的,对获取的新能源汽车历史年度销售数据及动力电池历史年度生产量按年份的先后顺序进行排列,得到数据序列,形成历史样本数据集。
优选的,依据数据获取的年份信息,对历史样本数据集中的每一个历史样本数据设置时间标签,其中,所述时间标签为年份数据。
一实施例中,对所述历史样本数据集进行随机抽样处理,得到训练集;具体的,将历史样本数据集按预设比例分为训练集和测试集,基于划分的训练集的数量,从历史样本数据集中随机抽取相应的数量的历史样本数据,形成训练集,并将剩余部分作为测试集;其中,所述预设比例为8:2。
一实施例中,将所述训练集输入到神经网络模型进行前向传播和后向传播,得到动力电池年度生产预测模型。
具体的,将所述训练集输入到长短时记忆循环神经网络模型中进行训练,获取原始动力电池年度生产预测模型,其中,所述长短时记忆循环神经网络模型是一种时间递归神经网络模型,适合于处理和预测具有时间序列,且时间序列间隔和延迟相对较长的重要事件。
一实施例中,长短时记忆循环神经网络模型包括输入层、隐藏层和输出层三层网络结构。其中,输入层是长短时记忆循环神经网络模型的第一层,用于接收外界信号,即负责接收训练集中的新能源汽车历史年度销售数据及动力电池历史年度生产量;输出层是长短时记忆循环神经网络模型的最后一层,用于向外界输出信号,即负责输出长短时记忆循环神经网络模型的计算预测结果;隐藏层是长短时记忆循环神经网络模型中除输入层和输出层之外的各层,用于对训练集中的新能源汽车历史年度销售数据及动力电池历史年度生产量进行处理,获取长短时记忆循环神经网络模型的计算结果。优选的,采用长短时记忆循环神经网络模型进行模型训练增加了训练数据的时序性,从而提高了预测模型的准确率。
一实施例中,获取并基于前向传播算法对训练集进行训练,获取原始动力电池年度生产预测模型的第一状态参数,其中,第一状态参数是指基于训练数据进行模型训练时初始迭代过程所得到的参数;前向传播算法的计算公式为和其中,St表示t时刻隐藏层的输出;表示隐藏层上一时刻t-1到t时刻的权值;表示输入层到输出层的权值;表示t时刻的预测输出;表示隐藏层到所述输出层的权值。
一实施例中,获取并基于后向传播算法对所述第一状态参数进行误差计算,得到原始动力电池年度生产预测模型的第二状态参数,基于所述第二状态参数,得到原始动力电池年度生产预测模型。其中,所述后向传播算法为式中,Ot表示t时刻与对应的真实值。
一实施例中,在得到原始动力电池年度生产预测模型后,基于测试集,对所述原始动力电池年度生产预测模型进行测试,得到动力电池年度生产预测模型。
具体的,将测试集中的任一年份的新能源汽车历史年度销售数据依次输入到原始动力电池年度生产预测模型中,以使原始动力电池年度生产预测模型依次输出动力电池年度预测生产量,将所述动力电池年度预测生产量与该年份对应的所述动力电池历史年度生产量进行对比,得到预测误差值,判断所述预测误差值是否在预设误差范围内,若是,则将所述原始动力电池年度生产预测模型作为所述动力电池年度生产预测模型;若否,则将继续对所述原始动力电池年度生产预测模型进行训练,直至所述预测误差值在所述预测误差范围内。
步骤102:将所述年度动力电池预测生产量输入到预训练的动力电池重量分类模型中,以使所述动力电池重量分类模型基于单个动力电池总重量的不同,输出多种总重量对应的第一重量动力电池预测生产量。
一实施例中,动力电池的重量受动力电池的额定电压和容量的影响,不同的额定电压和容量,会导致动力电池的重量不同;因此基于新能源汽车的不同,其对应的动力电池重量也可能存在差异,基于此,还需要预构建动力电池重量分类模型,以使基于动力电池重量分类模型对预测得到的年度动力电池预测生产量按单个动力电池总重量的不同进行分类。
一实施例中,动力电池重量分类模型的训练过程,通过获取同年份对应的动力电池历史年度生产量,基于单个动力电池总重量的不同,对所述动力电池历史年度生产量进行分类,得到多种总重量对应的第一重量动力电池历史生产量;将所述动力电池历史年度生产量作为神经网络模型的输入,将所述多种总重量对应的第一重量动力电池历史生产量作为神经网络模型的输出,直至训练所述神经网络模型收敛,得到动力电池重量分类模型。
具体的,基于获取的不同年份对应的动力电池历史年度生产量,生成历史生产量数据集,将所述历史生产量数据集按预设比例划分为第一训练集和第一测试集;其中,预测比例为8:2。
一实施例中,基于第一训练集对神经网络模型进行训练,并通过记录模型训练过程中的损失值和准确度值,确定原始动力电池重量分类模型。
具体的,通过TensorBoard可视化技术,使模型训练直观可控,同时将每步训练得出的损失值和准确度值记录下来,然后每隔5步用测试集进行模型准确度计算,得出验证的损失值和准确度值,并将验证的损失值和准确度值记录在TensorBoard中,以使根据将损失值和准确度值绘制成变化曲线图,用于衡量当前训练进度下的模型识别效果。
具体的,在进行模型训练时,还设置了损失变化阈值和最大迭代次数,通过损失变化阈值和最大迭代次数判断是否停止对模型进行训练;具体的,当模型训练未达到最大迭代次数,且损失值的变化在一定的周期内一直没有达到损失变化阈值时,判断验证的准确度值是否开始下降时,若否,则继续对模型进行训练,若是,则说明此时模型的拟合度达到最优的峰值,接下来若再训练就会使验证数据集的准确度持续下降,导致模型过拟合,所以此时应停止训练。
一实施例中,基于第一测试集对所述原始动力电池重量分类模型进行测试,得到动力电池重量分类模型。
具体的,将第一测试集中的任一年份的动力电池历史年度生产量依次输入到原始动力电池重量分类模型中,以使原始动力电池重量分类模型依次输出多种总重量对应的第一重量动力电池历史预测生产量,将第一重量动力电池历史预测生产量与该年份对应的所述第一重量动力电池历史生产量进行对比,得到第一预测误差值,判断所述第一预测误差值是否在第一预设误差范围内,若是,则将所述原始动力电池重量分类模型作为动力电池重量分类模型;若否,则将继续对所述原始动力电池重量分类模型进行训练,直至所述第一预测误差值在所述第一预测误差范围内。
步骤103:获取所述第一重量动力电池预设生产量对应的第一碳排放量,整合所有第一碳排放量,得到年度碳排放量。
一实施例中,获取所述第一重量动力电池预测生产量中单个动力电池的所有组成材料,并获取每种组成材料对应的第一材料重量。
一实施例中,所述单个动力电池的所有组成材料包括正极材料、负极材料、电解液、隔膜、壳体和BMS。
优选的,所述正极材料包括磷酸铁锂、聚偏氟乙烯、N-甲基吡咯烷酮和铝箔;所述负极材料包括石墨、聚偏氟乙烯、N-甲基吡咯烷酮、铜箔;所述电解液包括六氟磷酸锂、碳酸乙烯酯和碳酸二甲酯;所述隔膜包括聚丙烯和聚乙烯;所述壳体包括铝片;所述BMS包括电路板、钢片和铜片。
一实施例中,获取每种组成材料在单个动力电池中对应的第一材料重量,具体的,通过获取每种组成材料对应的标准单位所需材料质量,基于单个动力电池总重量和所述标准单位所需材料质量,得到每种组成材料在单个动力电池中对应的第一材料重量。具体计算过程过下所示:
mi=Pi×m总;
其中,mi为第i种所需材料在单个动力电池中的第一材料重量,单位为kg,m总为年度动力电池预测生产量的总重量,单位为kg,Pi为第i种组成材料对应的标准单位所需材料质量,单位为kg。
一实施例中,根据所述第一材料重量和所述第一重量动力电池预测生产量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第二材料重量。
具体的,由于第一材料重量为单个动力电池中的单个所需组成材料的重量,因此将所述第一材料重量乘以该单个动力电池总重量对应的第一重量动力电池预测生产量,就能得到该种所需组成材料在第一重量动力电池预测生产量的总重量,即第二材料重量;计算过程如下所示:
Mi=Si×mi;
其中,Mi为第i种所需材料在第一重量动力电池预测生产量中的第二材料重量,单位为kg,Si为第一重量动力电池预测生产量。
一实施例中,获取每种组成材料对应的标准单位碳排放量,基于所述第二材料重量和所述标准单位碳排放量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第一材料碳排放量,整合所有第一材料碳排放量,得到所述第一重量动力电池预测生产量对应的第一碳排放量。
具体的,对于第一材料碳排放量的计算过程,如下所示:
Ei=Mi×ei;
其中,Ei为第i种所需组成材料对应的第一材料碳排放量,单位为kg,ei为第i种所需组成材料对应的标准单位碳排放量。
具体的,对计算出来的所有所需组成材料对应的第一材料碳排放量进行叠加处理,形成所述第一重量动力电池预测生产量对应的第一碳排放量,计算过程如下所示:
其中,wt为第t组第一重量动力电池预测生产量对应的第一碳排放量。
一实施例中,整合所有第一碳排放量,得到年度碳排放量;具体的,对所有第一碳排放量进行叠加处理,形成所述年度动力电池预测生产量的年度碳排放量,实现对年度碳排放量的预测;其中年度碳排放量的计算过程如下所示:
其中,W为年度碳排放量,单位为kg。
一实施例中,还可基于预测未来目标年度对应的年度碳排放量,将所述未来目标年度对应的年度碳排放量与当前年度对应的年度碳排放量进行对比,得到年度碳排放量增长趋势,其中,所述年度碳排放量增长趋势可以为上升或下降,以使相关企业能及时了解到碳排放相关信息,对企业后续开展碳排放处理提供重要的绿色支撑。
实施例2
参见图2,图2是本发明提供的一种动力电池的年度碳排放量估算装置的一种实施例的结构示意图,如图2所示,该装置包括年度动力电池预测生产量获取模块201、动力电池重量分类模块202和年度碳排放量获取模块203,具体如下:
所述年度动力电池预测生产量获取模块201,用于获取新能源汽车的年度销售数据,将所述年度销售数据输入到预训练的动力电池年度生产预测模型中,以使所述动力电池年度生产预测模型输出年度动力电池预测生产量;
所述动力电池重量分类模块202,用于将所述年度动力电池预测生产量输入到预训练的动力电池重量分类模型中,以使所述动力电池重量分类模型基于单个动力电池总重量的不同,输出多种总重量对应的第一重量动力电池预测生产量;
所述年度碳排放量获取模块203,用于获取所述第一重量动力电池预测生产量对应的第一碳排放量,整合所有第一碳排放量,得到年度碳排放量。
一实施例中,所述年度碳排放量获取模块203,用于获取所述第一重量动力电池预测生产量对应的第一碳排放量,具体包括:获取所述第一重量动力电池预测生产量中单个动力电池的所有组成材料,并获取每种组成材料对应的第一材料重量;根据所述第一材料重量和所述第一重量动力电池预测生产量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第二材料重量;获取每种组成材料对应的标准单位碳排放量,基于所述第二材料重量和所述标准单位碳排放量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第一材料碳排放量,整合所有第一材料碳排放量,得到所述第一重量动力电池预测生产量对应的第一碳排放量。
一实施例中,所述年度动力电池预测生产量获取模块201中动力电池年度生产预测模型的预训练过程,具体包括:获取不同年份对应的新能源汽车历史年度销售数据及动力电池历史年度生产量,得到基于时间序列分析的历史样本数据集;对所述历史样本数据集进行随机抽样处理,得到训练集;将所述训练集输入到神经网络进行前向传播和后向传播,得到动力电池年度生产预测模型。
一实施例中,所述动力电池重量分类模块202中动力电池重量分类模型的预训练过程,具体包括:获取不同年份对应的动力电池历史年度生产量,基于单个动力电池总重量的不同,对所述动力电池历史年度生产量进行分类,得到多种总重量对应的第一重量动力电池历史生产量;将所述动力电池历史年度生产量作为神经网络模型的输入,将所述多种总重量对应的第一重量动力电池历史生产量作为神经网络模型的输出,直至训练所述神经网络模型收敛,得到动力电池重量分类模型。
一实施例中,所述单个动力电池的所有组成材料包括正极材料、负极材料、电解液、隔膜、壳体和BMS。
所属领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不在赘述。
需要说明的是,上述动力电池的年度碳排放量估算装置的实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
在上述的动力电池的年度碳排放量估算方法的实施例的基础上,本发明另一实施例提供了一种动力电池的年度碳排放量估算终端设备,该动力电池的年度碳排放量估算终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时,实现本发明任意一实施例的动力电池的年度碳排放量估算方法。
示例性的,在这一实施例中所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述动力电池的年度碳排放量估算终端设备中的执行过程。
所述动力电池的年度碳排放量估算终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述动力电池的年度碳排放量估算终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述动力电池的年度碳排放量估算终端设备的控制中心,利用各种接口和线路连接整个动力电池的年度碳排放量估算终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述动力电池的年度碳排放量估算终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述动力电池的年度碳排放量估算方法的实施例的基础上,本发明另一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时,控制所述存储介质所在的设备执行本发明任意一实施例的动力电池的年度碳排放量估算方法。
在这一实施例中,上述存储介质为计算机可读存储介质,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
综上,本发明提供的一种动力电池的年度碳排放量估算方法及装置,通过获取的新能源汽车的年度销售数据输入到预训练的动力电池年度生产预测模型中,输出年度动力电池预测生产量;将年度动力电池预测生产量输入到预训练的动力电池重量分类模型中,以使动力电池重量分类模型基于单个动力电池总重量的不同,输出多种总重量对应的第一重量动力电池预测生产量;获取第一重量动力电池预测生产量对应的第一碳排放量,整合所有第一碳排放量,得到年度碳排放量。与现有技术相比,本发明帮助企业基于新能源汽车的年度销售量来预测动力电池的生产量,并基于动力电池重量的不同,对预测的动力电池生产量进行分类,能提高碳排放量估算的效率和准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种动力电池的年度碳排放量估算方法,其特征在于,包括:
获取新能源汽车的年度销售数据,将所述年度销售数据输入到预训练的动力电池年度生产预测模型中,以使所述动力电池年度生产预测模型输出年度动力电池预测生产量;
将所述年度动力电池预测生产量输入到预训练的动力电池重量分类模型中,以使所述动力电池重量分类模型基于单个动力电池总重量的不同,输出多种总重量对应的第一重量动力电池预测生产量;
获取所述第一重量动力电池预测生产量对应的第一碳排放量,整合所有第一碳排放量,得到年度碳排放量。
2.如权利要求1所述的一种动力电池的年度碳排放量估算方法,其特征在于,获取所述第一重量动力电池预测生产量对应的第一碳排放量,具体包括:
获取所述第一重量动力电池预测生产量中单个动力电池的所有组成材料,并获取每种组成材料对应的第一材料重量;
根据所述第一材料重量和所述第一重量动力电池预测生产量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第二材料重量;
获取每种组成材料对应的标准单位碳排放量,基于所述第二材料重量和所述标准单位碳排放量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第一材料碳排放量,整合所有第一材料碳排放量,得到所述第一重量动力电池预测生产量对应的第一碳排放量。
3.如权利要求1所述的一种动力电池的年度碳排放量估算方法,其特征在于,动力电池年度生产预测模型的预训练过程,具体包括:
获取不同年份对应的新能源汽车历史年度销售数据及动力电池历史年度生产量,得到基于时间序列分析的历史样本数据集;
对所述历史样本数据集进行随机抽样处理,得到训练集;
将所述训练集输入到神经网络进行前向传播和后向传播,得到动力电池年度生产预测模型。
4.如权利要求1所述的一种动力电池的年度碳排放量估算方法,其特征在于,动力电池重量分类模型的预训练过程,具体包括:
获取不同年份对应的动力电池历史年度生产量,基于单个动力电池总重量的不同,对所述动力电池历史年度生产量进行分类,得到多种总重量对应的第一重量动力电池历史生产量;
将所述动力电池历史年度生产量作为神经网络模型的输入,将所述多种总重量对应的第一重量动力电池历史生产量作为神经网络模型的输出,直至训练所述神经网络模型收敛,得到动力电池重量分类模型。
5.如权利要求2所述的一种动力电池的年度碳排放量估算方法,其特征在于,所述单个动力电池的所有组成材料包括正极材料、负极材料、电解液、隔膜、壳体和BMS。
6.一种动力电池的年度碳排放量估算装置,其特征在于,包括:年度动力电池预测生产量获取模块、动力电池重量分类模块和年度碳排放量获取模块;
其中,所述年度动力电池预测生产量获取模块,用于获取新能源汽车的年度销售数据,将所述年度销售数据输入到预训练的动力电池年度生产预测模型中,以使所述动力电池年度生产预测模型输出年度动力电池预测生产量;
所述动力电池重量分类模块,用于将所述年度动力电池预测生产量输入到预训练的动力电池重量分类模型中,以使所述动力电池重量分类模型基于单个动力电池总重量的不同,输出多种总重量对应的第一重量动力电池预测生产量;
所述年度碳排放量获取模块,用于获取所述第一重量动力电池预测生产量对应的第一碳排放量,整合所有第一碳排放量,得到年度碳排放量。
7.如权利要求6所述的一种动力电池的年度碳排放量估算装置,其特征在于,所述年度碳排放量获取模块,用于获取所述第一重量动力电池预测生产量对应的第一碳排放量,具体包括:
获取所述第一重量动力电池预测生产量中单个动力电池的所有组成材料,并获取每种组成材料对应的第一材料重量;
根据所述第一材料重量和所述第一重量动力电池预测生产量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第二材料重量;
获取每种组成材料对应的标准单位碳排放量,基于所述第二材料重量和所述标准单位碳排放量,得到所述第一重量动力电池预测生产量中每种组成材料对应的第一材料碳排放量,整合所有第一材料碳排放量,得到所述第一重量动力电池预测生产量对应的第一碳排放量。
8.如权利要求6所述的一种动力电池的年度碳排放量估算装置,其特征在于,所述年度动力电池预测生产量获取模块中动力电池年度生产预测模型的预训练过程,具体包括:
获取不同年份对应的新能源汽车历史年度销售数据及动力电池历史年度生产量,得到基于时间序列分析的历史样本数据集;
对所述历史样本数据集进行随机抽样处理,得到训练集;
将所述训练集输入到神经网络进行前向传播和后向传播,得到动力电池年度生产预测模型。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的动力电池的年度碳排放量估算方法。
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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的动力电池的年度碳排放量估算方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211177780.8A CN115600728A (zh) | 2022-09-23 | 2022-09-23 | 一种动力电池的年度碳排放量估算方法及装置 |
PCT/CN2023/081880 WO2024060539A1 (zh) | 2022-09-23 | 2023-03-16 | 动力电池的年度碳排放量估算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211177780.8A CN115600728A (zh) | 2022-09-23 | 2022-09-23 | 一种动力电池的年度碳排放量估算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115600728A true CN115600728A (zh) | 2023-01-13 |
Family
ID=84845016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211177780.8A Pending CN115600728A (zh) | 2022-09-23 | 2022-09-23 | 一种动力电池的年度碳排放量估算方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115600728A (zh) |
WO (1) | WO2024060539A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024060539A1 (zh) * | 2022-09-23 | 2024-03-28 | 广东邦普循环科技有限公司 | 动力电池的年度碳排放量估算方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236750B (zh) * | 2023-09-08 | 2024-07-05 | 重庆环问问科技有限公司 | 一种基于差异数据分析的全周期碳排放计算方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320064A (zh) * | 2018-04-28 | 2018-07-24 | 国电南瑞南京控制系统有限公司 | 一种电动汽车与风电协同充电双层优化调度方法 |
CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
CN114004634A (zh) * | 2021-10-18 | 2022-02-01 | 广东邦普循环科技有限公司 | 一种全球动力电池报废量的预测方法及装置 |
CN114090939A (zh) * | 2021-11-05 | 2022-02-25 | 国网湖北省电力有限公司经济技术研究院 | 一种储能电池全生命周期碳排放系数确定方法 |
CN115600728A (zh) * | 2022-09-23 | 2023-01-13 | 广东邦普循环科技有限公司(Cn) | 一种动力电池的年度碳排放量估算方法及装置 |
-
2022
- 2022-09-23 CN CN202211177780.8A patent/CN115600728A/zh active Pending
-
2023
- 2023-03-16 WO PCT/CN2023/081880 patent/WO2024060539A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024060539A1 (zh) * | 2022-09-23 | 2024-03-28 | 广东邦普循环科技有限公司 | 动力电池的年度碳排放量估算方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2024060539A1 (zh) | 2024-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Deep neural network battery charging curve prediction using 30 points collected in 10 min | |
Hu et al. | Health prognosis for electric vehicle battery packs: A data-driven approach | |
Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
Lai et al. | A comparative study of global optimization methods for parameter identification of different equivalent circuit models for Li-ion batteries | |
CN110068774B (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
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 | |
Braco et al. | Health indicator selection for state of health estimation of second-life lithium-ion batteries under extended ageing | |
Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
CN105911476A (zh) | 一种基于数据挖掘的电池储能系统soc预测方法 | |
CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
Chen et al. | A novel battery health indicator and PSO-LSSVR for LiFePO4 battery SOH estimation during constant current charging | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
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 | |
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 | |
CN115407211A (zh) | 一种电动汽车锂电池健康状态在线预测方法及系统 | |
Pau et al. | Microcontroller architectures for battery state of charge prediction with tiny neural networks | |
He et al. | Inconsistency modeling of lithium-ion battery pack based on variational auto-encoder considering multi-parameter correlation | |
Liu et al. | Big field data-driven battery pack health estimation for electric vehicles: A deep-fusion transfer learning approach | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 |
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 |