CN115856641A - 一种电池剩余充电时间预测方法、装置及电子设备 - Google Patents
一种电池剩余充电时间预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115856641A CN115856641A CN202211666115.5A CN202211666115A CN115856641A CN 115856641 A CN115856641 A CN 115856641A CN 202211666115 A CN202211666115 A CN 202211666115A CN 115856641 A CN115856641 A CN 115856641A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- battery
- determining
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种电池剩余充电时间预测方法、装置及电子设备,该方法包括:获取待测电池的充电环境信息和电池属性信息;根据充电环境信息和电池属性信息,确定待测电池的预测特征;基于预设的融合模型,根据待测电池的预测特征,确定待测电池的剩余充电时间预测结果。上述方案提供的方法,通过基于融合模型,结合待测电池的充电环境信息和电池属性信息,对待测电池的剩余充电时间进行预测,提高了预测结果的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种电池剩余充电时间预测方法、装置及电子设备。
背景技术
目前,电动汽车的电池充电是用户比较重视的信息之一,预测电池剩余充电时间可以使客户了解电池还有多久时间充满,以便安排自己的出行时间。
在现有技术中,通常是根据车辆的历史充电记录表征的电池每次充电的SOC平均充电时间,计算当前SOC到充满需要的充电时间。
但是,由于车辆每次的充电环境不同,电池使用程度也不同,导致现有技术得到的SOC平均充电时间的准确性无法保证,也就无法保证最终得到的预测结果的准确性。
发明内容
本申请提供一种电池剩余充电时间预测方法、装置及电子设备,以解决现有技术无法保证预测结果的准确性等缺陷。
本申请第一个方面提供一种电池剩余充电时间预测方法,包括:
获取待测电池的充电环境信息和电池属性信息;
根据所述充电环境信息和电池属性信息,确定所述待测电池的预测特征;
基于预设的融合模型,根据所述待测电池的预测特征,确定所述待测电池的剩余充电时间预测结果。
可选的,所述基于预设的融合模型,根据所述待测电池的预测特征,确定所述待测电池的剩余充电时间预测结果,包括:
基于预设的第一LightGBM模型,根据所述待测电池的预测特征,确定第一中间预测结果;
将所述第一中间预测结果作为第一新特征,添加到所述预测特征,得到第一融合预测特征;
基于预设的第一XGBoost模型,根据所述第一融合预测特征,确定第二中间预测结果;
将所述第二中间预测结果作为第二新特征,添加到所述预测特征,得到第二融合预测特征;
基于预设的第二LightGBM模型,根据所述第二融合预测特征,确定LightGBM模型预测结果;
基于预设的第二XGBoost模型,根据所述第一融合预测特征,确定XGBoost模型预测结果;
基于预设的神经网络模型,根据所述预测特征,确定神经网络模型预测结果;
根据所述LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,确定所述待测电池的剩余充电时间预测结果。
可选的,所述根据所述LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,确定所述待测电池的剩余充电时间预测结果,包括:
根据所述第二LightGBM模型、第二XGBoost模型和神经网络模型的预测精度,分别确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重;
根据所述LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,以及所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,确定所述待测电池的剩余充电时间预测结果。
可选的,所述根据所述第二LightGBM模型、第二XGBoost模型和神经网络模型的预测精度,分别确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,包括:
基于预设的若干个测试集,对所述第二LightGBM模型、第二XGBoost模型和神经网络模型,进行预测精度验证;
针对任一所述模型,根据各所述测试集对应的预测精度验证结果,确定该模型在各所述测试集中体现的误差率;
以减小各所述测试集之间的误差率差距为目标,修正该模型在各所述测试集中体现的误差率,得到该模型的误差率特征集合;
根据各所述模型的误差率特征集合,确定若干个模型权重特征集合;其中,所述模型权重特征集合包括各所述模型对同一测试集产生的误差率特征;
根据所述若干个模型权重特征集合,确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
可选的,所述根据所述若干个模型权重特征集合,确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,包括:
根据所述模型权重特征集合,确定多组候选预测权重;
基于所述若干个测试集,验证各组候选预测权重应用于所述第二LightGBM模型、第二XGBoost模型和神经网络模型时的预测精度;
将预测精度最高的一组候选预测权重,确定为所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
可选的,还包括:
获取多台车辆的电池充电数据;其中,所述电池充电数据包括电池充电过程中的充电环境信息、电池属性信息和各信息指标对应的时间戳;
对所述电池充电数据进行数据预处理,得到模型训练集;
利用所述模型训练集,训练融合模型,得到所述预设的融合模型。
可选的,所述待测电池的预测特征至少包括车辆充电方式,充电电流、充电电压、环境温度、荷电状态和电池充放电循环次数。
本申请第二个方面提供一种电池剩余充电时间预测装置,包括:
获取模块,用于获取待测电池的充电环境信息和电池属性信息;
确定模块,用于根据所述充电环境信息和电池属性信息,确定所述待测电池的预测特征;
预测模块,用于基于预设的融合模型,根据所述待测电池的预测特征,确定所述待测电池的剩余充电时间预测结果。
可选的,所述预测模块,具体用于:
基于预设的第一LightGBM模型,根据所述待测电池的预测特征,确定第一中间预测结果;
将所述第一中间预测结果作为第一新特征,添加到所述预测特征,得到第一融合预测特征;
基于预设的第一XGBoost模型,根据所述第一融合预测特征,确定第二中间预测结果;
将所述第二中间预测结果作为第二新特征,添加到所述预测特征,得到第二融合预测特征;
基于预设的第二LightGBM模型,根据所述第二融合预测特征,确定LightGBM模型预测结果;
基于预设的第二XGBoost模型,根据所述第一融合预测特征,确定XGBoost模型预测结果;
基于预设的神经网络模型,根据所述预测特征,确定神经网络模型预测结果;
根据所述LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,确定所述待测电池的剩余充电时间预测结果。
可选的,所述预测模块,具体用于:
根据所述第二LightGBM模型、第二XGBoost模型和神经网络模型的预测精度,分别确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重;
根据所述LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,以及所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,确定所述待测电池的剩余充电时间预测结果。
可选的,所述预测模块,具体用于:
基于预设的若干个测试集,对所述第二LightGBM模型、第二XGBoost模型和神经网络模型,进行预测精度验证;
针对任一所述模型,根据各所述测试集对应的预测精度验证结果,确定该模型在各所述测试集中体现的误差率;
以减小各所述测试集之间的误差率差距为目标,修正该模型在各所述测试集中体现的误差率,得到该模型的误差率特征集合;
根据各所述模型的误差率特征集合,确定若干个模型权重特征集合;其中,所述模型权重特征集合包括各所述模型对同一测试集产生的误差率特征;
根据所述若干个模型权重特征集合,确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
可选的,所述预测模块,具体用于:
根据所述模型权重特征集合,确定多组候选预测权重;
基于所述若干个测试集,验证各组候选预测权重应用于所述第二LightGBM模型、第二XGBoost模型和神经网络模型时的预测精度;
将预测精度最高的一组候选预测权重,确定为所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
可选的,所述装置还包括:
模型训练模块,用于获取多台车辆的电池充电数据;其中,所述电池充电数据包括电池充电过程中的充电环境信息、电池属性信息和各信息指标对应的时间戳;对所述电池充电数据进行数据预处理,得到模型训练集;利用所述模型训练集,训练融合模型,得到所述预设的融合模型。
可选的,所述待测电池的预测特征至少包括车辆充电方式,充电电流、充电电压、环境温度、荷电状态和电池充放电循环次数。
本申请第三个方面提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请第四个方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请技术方案,具有如下优点:
本申请提供一种电池剩余充电时间预测方法、装置及电子设备,该方法包括:获取待测电池的充电环境信息和电池属性信息;根据充电环境信息和电池属性信息,确定待测电池的预测特征;基于预设的融合模型,根据待测电池的预测特征,确定待测电池的剩余充电时间预测结果。上述方案提供的方法,通过基于融合模型,结合待测电池的充电环境信息和电池属性信息,对待测电池的剩余充电时间进行预测,提高了预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例基于的电池剩余充电时间预测系统的结构示意图;
图2为本申请实施例提供的电池剩余充电时间预测方法的流程示意图;
图3为本申请实施例提供的示例性的电池剩余充电时间预测方法的流程示意图;
图4为本申请实施例提供的电池剩余充电时间预测装置的结构示意图;
图5为本申请实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在现有技术中,通常是根据车辆的历史充电记录表征的电池每次充电的SOC平均充电时间,计算当前SOC到充满需要的充电时间。或者根据物理特征预测充电时间,即使用额定电功率、充电电压、充电SOC值计算充电时间。也有引入机器学习模型,比如随机森林进行电池充电时间的预测。但是,由于车辆每次的充电环境不同,电池使用程度也不同,导致现有技术得到的SOC平均充电时间的准确性无法保证,也就无法保证最终得到的预测结果的准确性。即使引入机器学习模型,但是不同的机器学习模型的训练原理不同,从历史数据中所学到的知识也不一样,不同模型在不同情况以及不同方面的学习能力不一样,导致模型整体性能不强。
针对上述问题,本申请实施例提供的电池剩余充电时间预测方法、装置及电子设备,该方法包括:获取待测电池的充电环境信息和电池属性信息;根据充电环境信息和电池属性信息,确定待测电池的预测特征;基于预设的融合模型,根据待测电池的预测特征,确定待测电池的剩余充电时间预测结果。上述方案提供的方法,通过基于融合模型,结合待测电池的充电环境信息和电池属性信息,对待测电池的剩余充电时间进行预测,提高了预测结果的准确性。
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明实施例进行描述。
首先,对本申请所基于的电池剩余充电时间预测系统的结构进行说明:
本申请实施例提供的电池剩余充电时间预测方法、装置及电子设备,适用于预测电动汽车电池的剩余充电时间。如图1所示,为本申请实施例基于的电池剩余充电时间预测系统的结构示意图,主要包括待测电池、数据采集装置及电池剩余充电时间预测装置。具体地,数据采集装置用于采集待测电池的充电环境信息和电池属性信息,并将得到的信息发送给电池剩余充电时间预测装置,该装置根据得到的信息,预测待测电池的剩余充电时间。
本申请实施例提供了一种电池剩余充电时间预测方法,用于预测电动汽车电池的剩余充电时间。本申请实施例的执行主体为电子设备,比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于预测电池剩余充电时间的电子设备。
如图2所示,为本申请实施例提供的电池剩余充电时间预测方法的流程示意图,该方法包括:
步骤201,获取待测电池的充电环境信息和电池属性信息。
其中,充电环境信息可以表征待测电池的供电条件和天气等因素对电池充电影响情况,电池属性信息可以表征待测电池本身的荷电状态和电池使用程度等。
步骤202,根据充电环境信息和电池属性信息,确定待测电池的预测特征。
具体地,可以对充电环境信息和电池属性信息进行数据分析,得到待测电池的多种预测特征。其中,预测特征至少包括车辆充电方式,充电电流、充电电压、环境温度、荷电状态和电池充放电循环次数。
步骤203,基于预设的融合模型,根据待测电池的预测特征,确定待测电池的剩余充电时间预测结果。
需要说明的是,预设的融合模型可以基于多种不同机器学习算法构建,以实现采用不同的机器学习算法,联合预测待测电池的剩余充电时间,进一步提高了预测结果的准确性。
在上述实施例的基础上,为了提高预测结果的准确性,作为一种可实施的方式,在一实施例中,基于预设的融合模型,根据待测电池的预测特征,确定待测电池的剩余充电时间预测结果,包括:
步骤2031,基于预设的第一LightGBM模型,根据待测电池的预测特征,确定第一中间预测结果;
步骤2032,将第一中间预测结果作为第一新特征,添加到预测特征,得到第一融合预测特征;
步骤2033,基于预设的第一XGBoost模型,根据第一融合预测特征,确定第二中间预测结果;
步骤2034,将第二中间预测结果作为第二新特征,添加到预测特征,得到第二融合预测特征;
步骤2035,基于预设的第二LightGBM模型,根据第二融合预测特征,确定LightGBM模型预测结果;
步骤2036,基于预设的第二XGBoost模型,根据第一融合预测特征,确定XGBoost模型预测结果;
步骤2037,基于预设的神经网络模型,根据预测特征,确定神经网络模型预测结果;
步骤2038,根据LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,确定待测电池的剩余充电时间预测结果。
需要说明的是,虽然第一XGBoost模型和第二XGBoost模型均以第一融合预测特征为输入特征,进行待测电池剩余充电时间的预测,但是这两个模型的超参数不同,所以得到的第二中间预测结果和XGBoost模型预测结果也存在一定的差异。
具体地,在一实施例中,可以根据第二LightGBM模型、第二XGBoost模型和神经网络模型的预测精度,分别确定第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重;根据LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,以及第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,确定待测电池的剩余充电时间预测结果。
示例性的,如图3所示,为本申请实施例提供的示例性的电池剩余充电时间预测方法的流程示意图,首先将包括荷电状态和电池充放电循环次数、充电电流、充电电压和环境温度的预测特征(feature1)输入到预设的第一LightGBM模型,以得到对应的第一中间预测结果(LGB1)。然后将LGB1作为第一新特征(新特征1)添加到feature1,得到第一融合预测特征(feature2)。然后基于第一XGBoost模型和第二XGBoost模型,根据feature2进行预测,分别得到第二新特征(新特征2)和XGBoost模型预测结果(XGB2),将新特征2添加到feature1,得到第二融合预测特征(feature3)。然后基于第二LightGBM模型,根据feature2,确定LightGBM模型预测结果,基于神经网络模型根据feature1,确定神经网络模型预测结果(LSTM)。最后基于第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,对LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果进行加权融合计算,得到待测电池的剩余充电时间预测结果。
具体地,在一实施例中,由于第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重将直接影响剩余充电时间预测结果的准确性,为了进一步提高预测结果的准确性,可以基于预设的若干个测试集,对第二LightGBM模型、第二XGBoost模型和神经网络模型,进行预测精度验证;针对任一模型,根据各测试集对应的预测精度验证结果,确定该模型在各测试集中体现的误差率;以减小各测试集之间的误差率差距为目标,修正该模型在各测试集中体现的误差率,得到该模型的误差率特征集合;根据各模型的误差率特征集合,确定若干个模型权重特征集合;其中,模型权重特征集合包括各模型对同一测试集产生的误差率特征;根据若干个模型权重特征集合,确定第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
具体地,可以将第二LightGBM模型、第二XGBoost模型和神经网络模型分别应用于若干个测试集,以进行预测精度验证,具体可以根据如下公式,计算各模型在任一测试集中的误差率:
其中,MAPE表示误差率,yi表示真实值,表示预测值。为了减小MAPE较大的模型对最终预测结果的影响,可以以减小各测试集之间的误差率差距为目标,修正该模型在各测试集中体现的误差率。以有三个测试集为例,可以对模型在各测试集中体现的误差率进行从小到大排序,然后依次减去0.4、0.5和0.6,得到该模型的三个误差率特征,即得到误差率特征集合。
进一步地,可以构建各测试集对应的模型权重特征集合ΔMAPE1{1,ape2,ape3},ΔMAPE2{1,ape2,ape3}ΔMAPE3{1,ape2,ape3},其中mape1表示第二XGBoost模型计算的MAPE值,mape2表示神经网络模型的MAPE值,mape3表示第二LightGBM模型的MAPE值。
进一步地,在一实施例中,可以根据模型权重特征集合,确定多组候选预测权重;基于若干个测试集,验证各组候选预测权重应用于第二LightGBM模型、第二XGBoost模型和神经网络模型时的预测精度;将预测精度最高的一组候选预测权重,确定为第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
具体地,可以根据如下公式,计算各模型权重特征集合对应的候选预测权重:
其中,最终预测结果为a1*GB2+a2*STM+a3*GB2。
具体地,为了保证融合模型最终预测结果的准确性,可以将每个模型权重特征集合对应的候选预测权重都应用到第二LightGBM模型、第二XGBoost模型和神经网络模型,并对其预测结果进行预测精度验证,最后将预测精度最高的一组候选预测权重作为目标预测权重,即确定为第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,如a1=0.23、a2=0.35、a3=0.42。
在上述实施例的基础上,作为一种可实施的方式,在一实施例中,该方法还包括:
步骤301,获取多台车辆的电池充电数据;其中,电池充电数据包括电池充电过程中的充电环境信息、电池属性信息和各信息指标对应的时间戳;
步骤302,对电池充电数据进行数据预处理,得到模型训练集;
步骤303,利用模型训练集,训练融合模型,得到预设的融合模型。
需要说明的是,在对电池充电数据进行数据预处理之后,可以将数据样本划分为模型训练集和测试集,如将模型训练集以外的样本数据划分为三个测试集。
具体地,可以从BMS系统中收集数十台电动车辆在过去两年的电池充电数据,其中电池充电数据包括车辆充电方式,充电电流、充电电压、SOC、电池充放电循环次数等电池本身信息,以及充电环境温度等外部信息。
进一步地,为了使得到的融合模型更精确,对电池充电数据进行如下预处理:
1)数据去重,将原始数据中特征完全一致的重复样本数据剔除,保留其中一条样本数据。
2)将原始数据按照时间顺序排列。
3)异常数据处理,根据箱体图上/下四分位法,删除超过正常范围的数据所在的整条样本数据。
4)缺失数据的处理,当字段中连续出现5条以下的缺失数据时,采用线性插补法对缺失数据进行填补。当字段中连续缺失数据较多(连续超过5条),直接删除这些缺失值所在的样本数据。
5)类别特征进行独热编码处理,比如“充电方式”的特征有“快充”和“慢充”两种,经过独热编码处理后“快充”和“慢充”分别使用[1,0]、[0,1]两个向量表示。
6)对经过上述步骤清洗后的数据进行充电段数据提取,即仅包括电池充电过程数据。
7)数据打标,计算每条样本SOC值到下一次SOC为100%时的时间(以min为单位)即为实际充电剩余时间,将该字段数据作为模型目标变量。
具体地,预设的融合模型包括第一LightGBM模型、第二LightGBM模型、第一XGBoost模型、第二XGBoost模型和神经网络模型。XGBoost和LightGBM属于决策树模型,神经网络模型采用LSTM算法,这两类模型原理相差较大,预测结果相关性较低,融合后有利于预测结果准确性的提高。
其中,可以模型训练集的中车辆充电方式,充电电流、充电电压、SOC、电池充放电循环次数和环境温度的作为输入特征构造n*6的矩阵(n表示样本数量,6为特征数),可以将该n*6矩阵输入到初始状态的第一LightGBM模型,以对其进行模型训练,得到训练好的第一LightGBM模型,最终选取第一LightGBM模型超参数为:
{“objective”:”regression”,”n_estimators”:5500,”min_child_samples”:20,”num_leaves”:20,”learning_rate”:0.05,”feature_fraction”:0.8,”subsample”:0.5}。
进一步地,将第一LightGBM模型的预测结果作为新特征构造训练集2,以得到n*8的矩阵,输入到初始状态的第一XGBoost模型和第二XGBoost模型,以对其进行模型训练,得到训练好的第一XGBoost模型和第二XGBoost模型,最终选取第一XGBoost模型超参数为:
{“objective”:”reg:linear”,”n_estimators”:8000,”min_child_weight”:1,”num_leaves”:20,”learning_rate”:0.01,”max_depth”:6,”subsample”:0.6,”colsample_bytree”:0.4,”colsample_bylevel”:1}。
选取第二XGBoost模型超参数为:
{“objective”:”reg:linear”,”n_estimators”:8000,”min_child_weight”:1,”num_leaves”:26,”learning_rate”:0.01,”max_depth”:5,”subsample”:0.4,”colsample_bytree”:0.4,”colsample_bylevel”:1}。
进一步地,将第一XGBoost模型的预测结果应用于训练集,即得到得输出结果作为新特征构造n*8的输入矩阵,输入到初始状态的第二LightGBM模型,以对其进行模型训练,得到训练好的第二LightGBM模型,最终选取第二LightGBM模型超参数为:
{“objective”:”regression”,”n_estimators”:6000,”min_child_samples”:20,”num_leaves”:20,”learning_rate”:0.01,”feature_fraction”:0.6,”subsample”:0.4}。
进一步地,使用最初得到的n*7矩阵作为训练集训练LSTM模型(神经网络模型),为了使模型更快得收敛,在输入LSTM模型之前,对数据进行归一化处理,即xim表示特征序列归一化后的序列,/>表示原始特征序列,/>表示样本中该特征序列的最小值,/>表示样本中该特征序列的最大值。将归一化处理的特征矩阵输入搭建好的LSTM模型中,LSTM网络结构为:输入层、LSTM层、全连接层、输出层,输入层用于输入样本;LSTM层中设计200个神经元,并且激活函数使用/>全连接层激活函数设置为/>设置mse为损失函数,adam为模型优化器,训练出LSTM模型。
本申请实施例提供的电池剩余充电时间预测方法,通过获取待测电池的充电环境信息和电池属性信息;根据充电环境信息和电池属性信息,确定待测电池的预测特征;基于预设的融合模型,根据待测电池的预测特征,确定待测电池的剩余充电时间预测结果。上述方案提供的方法,通过基于融合模型,结合待测电池的充电环境信息和电池属性信息,对待测电池的剩余充电时间进行预测,提高了预测结果的准确性。并且,通过采用不同类型的机器学习算法训练不同的模型,综合考虑不同模型的优势,使得多个模型进行有机融合,确保对车辆剩余充电时间预测的准确性,有利于改善用户的用车体验。
本申请实施例提供了一种电池剩余充电时间预测装置,用于执行上述实施例提供的电池剩余充电时间预测方法。
如图4所示,为本申请实施例提供的电池剩余充电时间预测装置的结构示意图。该电池剩余充电时间预测装置40包括:获取模块401、确定模块402和预测模块403。
其中,获取模块,用于获取待测电池的充电环境信息和电池属性信息;确定模块,用于根据充电环境信息和电池属性信息,确定待测电池的预测特征;预测模块,用于基于预设的融合模型,根据待测电池的预测特征,确定待测电池的剩余充电时间预测结果。
具体地,在一实施例中,预测模块,具体用于:
基于预设的第一LightGBM模型,根据待测电池的预测特征,确定第一中间预测结果;
将第一中间预测结果作为第一新特征,添加到预测特征,得到第一融合预测特征;
基于预设的第一XGBoost模型,根据第一融合预测特征,确定第二中间预测结果;
将第二中间预测结果作为第二新特征,添加到预测特征,得到第二融合预测特征;
基于预设的第二LightGBM模型,根据第二融合预测特征,确定LightGBM模型预测结果;
基于预设的第二XGBoost模型,根据第一融合预测特征,确定XGBoost模型预测结果;
基于预设的神经网络模型,根据预测特征,确定神经网络模型预测结果;
根据LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,确定待测电池的剩余充电时间预测结果。
具体地,在一实施例中,预测模块,具体用于:
根据第二LightGBM模型、第二XGBoost模型和神经网络模型的预测精度,分别确定第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重;
根据LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,以及第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,确定待测电池的剩余充电时间预测结果。
具体地,在一实施例中,预测模块,具体用于:
基于预设的若干个测试集,对第二LightGBM模型、第二XGBoost模型和神经网络模型,进行预测精度验证;
针对任一模型,根据各测试集对应的预测精度验证结果,确定该模型在各测试集中体现的误差率;
以减小各测试集之间的误差率差距为目标,修正该模型在各测试集中体现的误差率,得到该模型的误差率特征集合;
根据各模型的误差率特征集合,确定若干个模型权重特征集合;其中,模型权重特征集合包括各模型对同一测试集产生的误差率特征;
根据若干个模型权重特征集合,确定第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
具体地,在一实施例中,预测模块,具体用于:
根据模型权重特征集合,确定多组候选预测权重;
基于若干个测试集,验证各组候选预测权重应用于第二LightGBM模型、第二XGBoost模型和神经网络模型时的预测精度;
将预测精度最高的一组候选预测权重,确定为第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
具体地,在一实施例中,该装置还包括:
模型训练模块,用于获取多台车辆的电池充电数据;其中,电池充电数据包括电池充电过程中的充电环境信息、电池属性信息和各信息指标对应的时间戳;对电池充电数据进行数据预处理,得到模型训练集;利用模型训练集,训练融合模型,得到预设的融合模型。
具体地,在一实施例中,待测电池的预测特征至少包括车辆充电方式,充电电流、充电电压、环境温度、荷电状态和电池充放电循环次数。
关于本实施例中的电池剩余充电时间预测装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请实施例提供的电池剩余充电时间预测装置,用于执行上述实施例提供的电池剩余充电时间预测方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种电子设备,用于执行上述实施例提供的电池剩余充电时间预测方法。
如图5所示,为本申请实施例提供的电子设备的结构示意图。该电子设备50包括:至少一个处理器51和存储器52。
存储器存储计算机执行指令;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如上实施例提供的电池剩余充电时间预测方法。
本申请实施例提供的一种电子设备,用于执行上述实施例提供的电池剩余充电时间预测方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上任一实施例提供的电池剩余充电时间预测方法。
本申请实施例的包含计算机可执行指令的存储介质,可用于存储前述实施例中提供的电池剩余充电时间预测方法的计算机执行指令,其实现方式与原理相同,不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。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,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种电池剩余充电时间预测方法,其特征在于,包括:
获取待测电池的充电环境信息和电池属性信息;
根据所述充电环境信息和电池属性信息,确定所述待测电池的预测特征;
基于预设的融合模型,根据所述待测电池的预测特征,确定所述待测电池的剩余充电时间预测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于预设的融合模型,根据所述待测电池的预测特征,确定所述待测电池的剩余充电时间预测结果,包括:
基于预设的第一LightGBM模型,根据所述待测电池的预测特征,确定第一中间预测结果;
将所述第一中间预测结果作为第一新特征,添加到所述预测特征,得到第一融合预测特征;
基于预设的第一XGBoost模型,根据所述第一融合预测特征,确定第二中间预测结果;
将所述第二中间预测结果作为第二新特征,添加到所述预测特征,得到第二融合预测特征;
基于预设的第二LightGBM模型,根据所述第二融合预测特征,确定LightGBM模型预测结果;
基于预设的第二XGBoost模型,根据所述第一融合预测特征,确定XGBoost模型预测结果;
基于预设的神经网络模型,根据所述预测特征,确定神经网络模型预测结果;
根据所述LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,确定所述待测电池的剩余充电时间预测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,确定所述待测电池的剩余充电时间预测结果,包括:
根据所述第二LightGBM模型、第二XGBoost模型和神经网络模型的预测精度,分别确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重;
根据所述LightGBM模型预测结果、XGBoost模型预测结果和神经网络模型预测结果,以及所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,确定所述待测电池的剩余充电时间预测结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二LightGBM模型、第二XGBoost模型和神经网络模型的预测精度,分别确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,包括:
基于预设的若干个测试集,对所述第二LightGBM模型、第二XGBoost模型和神经网络模型,进行预测精度验证;
针对任一所述模型,根据各所述测试集对应的预测精度验证结果,确定该模型在各所述测试集中体现的误差率;
以减小各所述测试集之间的误差率差距为目标,修正该模型在各所述测试集中体现的误差率,得到该模型的误差率特征集合;
根据各所述模型的误差率特征集合,确定若干个模型权重特征集合;其中,所述模型权重特征集合包括各所述模型对同一测试集产生的误差率特征;
根据所述若干个模型权重特征集合,确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
5.根据权利要求4所述的方法,其特征在于,所述根据所述若干个模型权重特征集合,确定所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重,包括:
根据所述模型权重特征集合,确定多组候选预测权重;
基于所述若干个测试集,验证各组候选预测权重应用于所述第二LightGBM模型、第二XGBoost模型和神经网络模型时的预测精度;
将预测精度最高的一组候选预测权重,确定为所述第二LightGBM模型、第二XGBoost模型和神经网络模型对应的预测权重。
6.根据权利要求1所述的方法,其特征在于,还包括:
获取多台车辆的电池充电数据;其中,所述电池充电数据包括电池充电过程中的充电环境信息、电池属性信息和各信息指标对应的时间戳;
对所述电池充电数据进行数据预处理,得到模型训练集;
利用所述模型训练集,训练融合模型,得到所述预设的融合模型。
7.根据权利要求1所述的方法,其特征在于,所述待测电池的预测特征至少包括车辆充电方式,充电电流、充电电压、环境温度、荷电状态和电池充放电循环次数。
8.一种电池剩余充电时间预测装置,其特征在于,包括:
获取模块,用于获取待测电池的充电环境信息和电池属性信息;
确定模块,用于根据所述充电环境信息和电池属性信息,确定所述待测电池的预测特征;
预测模块,用于基于预设的融合模型,根据所述待测电池的预测特征,确定所述待测电池的剩余充电时间预测结果。
9.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的方法。
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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022114049200 | 2022-11-10 | ||
CN202211404920 | 2022-11-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115856641A true CN115856641A (zh) | 2023-03-28 |
Family
ID=85654378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211666115.5A Pending CN115856641A (zh) | 2022-11-10 | 2022-12-23 | 一种电池剩余充电时间预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115856641A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879753A (zh) * | 2023-06-21 | 2023-10-13 | 重庆邮电大学 | 一种基于大数据的电池寿命预测方法 |
-
2022
- 2022-12-23 CN CN202211666115.5A patent/CN115856641A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879753A (zh) * | 2023-06-21 | 2023-10-13 | 重庆邮电大学 | 一种基于大数据的电池寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
von Bülow et al. | A review on methods for state of health forecasting of lithium-ion batteries applicable in real-world operational conditions | |
CN113589189B (zh) | 基于充放电数据特征的锂电池健康状况预测方法及装置 | |
CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN113219357A (zh) | 电池包健康状态计算方法、系统及电子设备 | |
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 | |
JP2023520970A (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
CN115508711B (zh) | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 | |
CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
Schmitt et al. | State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data | |
Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
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 | |
CN112418564A (zh) | 基于lstm的充换电站换电负荷预测方法及其相关组件 | |
CN116901707A (zh) | 一种动力电池组故障预警方法、系统及车辆 | |
CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
CN113933725B (zh) | 一种基于数据驱动确定动力电池荷电状态的方法 | |
CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 | |
Zhu et al. | State of Health Estimation of Lithium‐Ion Battery Using Time Convolution Memory Neural Network | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 | |
CN117630682B (zh) | 一种基于随机退化过程的锂离子电池rul预测方法 | |
CN117341477B (zh) | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 |
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 |