CN115856694B - 电池寿命预测方法、装置、计算机设备和存储介质 - Google Patents
电池寿命预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115856694B CN115856694B CN202211697035.6A CN202211697035A CN115856694B CN 115856694 B CN115856694 B CN 115856694B CN 202211697035 A CN202211697035 A CN 202211697035A CN 115856694 B CN115856694 B CN 115856694B
- Authority
- CN
- China
- Prior art keywords
- target
- battery
- target battery
- life prediction
- battery life
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 31
- 238000003066 decision tree Methods 0.000 claims description 28
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Abstract
本发明涉及电池管理技术领域,提供了一种电池寿命预测方法、装置、计算机设备和存储介质,包括:获取待预测的目标电池的电池使用数据;获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型;根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型;获取所述目标电池的电池使用数据的数据类型,并从所述目标电池的电池使用数据中筛选出对应所述目标输入数据类型的目标数据;将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命。本发明在预测电池寿命时,实现针对不同类型的电池采用不同的寿命预测模型进行预测。
Description
技术领域
本发明涉及电池管理技术领域,特别涉及一种电池寿命预测方法、装置、计算机设备和存储介质。
背景技术
电池(动力电池)广泛应用于电子产品中,目前常用电池包括锂离子电池以及钠离子电池,随着电池技术的进步,消费者对电池的使用寿命也越来越关注,电池的使用寿命通常具有相应的规范,超出使用寿命,电池被认为是不可继续使用的,需要进行维护或者更换。为了能够清晰的了解电池的使用寿命,需要对电池寿命进行预测;目前的电池寿命预测方法中通常是针对所有类型的电池均采用统一或者类似的预测方法,无法进行差异化预测;对电池寿命的预测准确度会差别较大,不利于准确预测电池的使用寿命。
发明内容
本发明的主要目的为提供一种电池寿命预测方法、装置、计算机设备和存储介质,旨在解决目前无法差异化进行电池寿命的预测的缺陷。
为实现上述目的,本发明提供了一种电池寿命预测方法,包括以下步骤:
获取待预测的目标电池的电池使用数据;
获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型;
根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型;
获取所述目标电池的电池使用数据的数据类型,并从所述目标电池的电池使用数据中筛选出对应所述目标输入数据类型的目标数据;
将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命。
进一步地,所述将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命的步骤,包括:
将所述目标数据进行向量化后,输入至所述目标电池寿命预测模型,得到所述目标电池的最大容量低于预设值的概率分布;其中,所述目标电池寿命预测模型为决策树神经网络模型训练得到;
根据所述目标电池的最大容量低于预设值的概率分布,去除不符合指定要求的概率,得到目标概率分布,根据所述目标概率分布预测所述目标电池的电池寿命。
进一步地,所述目标数据包括所述目标电池的当前内阻、目标电池的内阻变化数据以及目标电池的当前循环次数;所述将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命的步骤,包括:
根据所述目标电池的内阻变化数据计算所述目标电池的内阻变化率;
将所述目标电池的当前内阻、当前循环次数以及所述内阻变化率输入至所述目标电池寿命预测模型中进行计算,得到所述目标电池的总循环次数;
根据所述目标电池的总循环次数,得到所述目标电池的电池寿命标签;
其中,所述目标电池寿命预测模型计算所述目标电池的总循环次数的计算方式为:
K=k+(R*n-r)/△v,其中,K为目标电池的总循环次数,k为当前循环次数,R为所述目标电池的内阻变化数据中的最小值,n为常数,r为所述目标电池的当前内阻,△v为所述目标电池的内阻变化率。
进一步地,所述获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型的步骤,包括:
获取所述目标电池的特征信息,并对所述特征信息进行解析,得到第一特征信息以及第二特征信息;所述第一特征信息包括所述目标电池的生产商信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产工艺信息;
根据所述第一特征信息,在厂商数据库中进行查找;若查找到,则根据所述电池类型信息以及电池生产工艺信息,在数据库中匹配出对应的目标电池寿命预测模型。
进一步地,所述获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型的步骤,包括:
获取所述目标电池的特征信息,并对所述特征信息进行解析,得到第一特征信息以及第二特征信息;所述第一特征信息包括所述目标电池的生产商
信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产5工艺信息;
将所述第一特征信息以及第二特征信息进行向量化得到第一特征向量以及第二特征向量;
将所述第一特征向量以及第二特征向量输入至预设的决策树分类模型中进行分类,得到所述目标电池寿命预测模型;其中,所述决策树分类模型为0决策树神经网络模型经过预先训练得到。
进一步地,所述根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型的步骤,包括:
根据所述目标电池寿命预测模型,在数据库中匹配对应的目标字段;其
中,所述数据库中预存有电池寿命预测模型与字段的映射关系;5对所述目标字段进行区域划分,得到多个区域,并从中获取一个指定区域;
对所述指定区域进行解析,得到多个特征字母;
分别解析每个特征字母对应输入数据类型,将各个特征字母对应的输入数据类型进行组合,作为所述目标输入数据类型。
本发明还提供了一种电池寿命预测装置,包括:
第一获取单元,用于获取待预测的目标电池的电池使用数据;
第二获取单元,用于获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型;
5确定单元,用于根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型;
筛选单元,用于获取所述目标电池的电池使用数据的数据类型,并从所述目标电池的电池使用数据中筛选出对应所述目标输入数据类型的目标数据;
0预测单元,用于将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命。
进一步地,所述预测单元具体用于:
将所述目标数据进行向量化后,输入至所述目标电池寿命预测模型,得到所述目标电池的最大容量低于预设值的概率分布;其中,所述目标电池寿命预测模型为决策树神经网络模型训练得到;
根据所述目标电池的最大容量低于预设值的概率分布,去除不符合指定要求的概率,得到目标概率分布,根据所述目标概率分布预测所述目标电池的电池寿命。
本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明提供的电池寿命预测方法、装置、计算机设备和存储介质,包括:获取待预测的目标电池的电池使用数据;获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型;根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型;获取所述目标电池的电池使用数据的数据类型,并从所述目标电池的电池使用数据中筛选出对应所述目标输入数据类型的目标数据;将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命。本发明在预测电池寿命时,先根据目标电池的特征,确定出对应的目标电池寿命预测模型,从而实现针对不同类型的电池采用不同的寿命预测模型进行预测。
附图说明
图1是本发明一实施例中池寿命预测方法步骤示意图;
图2是本发明一实施例中步骤S5的具体步骤示意图;
图3是本发明一实施例中池寿命预测装置结构框图;
图4是本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本发明一实施例中提供了一种电池寿命预测方法,包括以下步骤:
步骤S1,获取待预测的目标电池的电池使用数据;
步骤S2,获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型;
步骤S3,根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型;
步骤S4,获取所述目标电池的电池使用数据的数据类型,并从所述目标电池的电池使用数据中筛选出对应所述目标输入数据类型的目标数据;
步骤S5,将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命。
在本实施例中,如上述步骤S1所述的,在需要对待检测的目标电池进行电池寿命预测时,需要获取到目标电池的一些电池使用数据,上述电池使用数据包括电池的内存、电池的循环次数、电池的使用时间、电池的温度、电池的容量等。可以理解的是,在预测电池的寿命时,可以获取其中的一种或者多种电池使用数据。
如上述步骤S2所述的,本实施例中为了针对不同的电池类型,差异化进行电池寿命的预测,获取到目标电池的特征信息,该特征信息可以表达出目标电池的类型。上述特征信息可以是一个特征向量,也可以是文本信息,其可以表达目标电池的生产商信息、电池生产工艺信息、电池型号信息等。可以理解的是,根据上述目标电池的特征信息去数据库中匹配出对应的目标电池寿命预测模型,上述匹配过程可以是采用映射表的形式对特征信息进行逐一匹配,也可以采用分类模型对特征信息进行逐级匹配,从而得到匹配度最高的目标电池寿命预测模型。在本实施例中,针对不同的目标电池,匹配不同的目标电池寿命预测模型,便于进行差异化的电池寿命预测。
如上述步骤S3所述的,不同的目标电池寿命预测模型,其在预测目标电池的电池寿命时,所需要输入的目标输入数据类型不同;在数据库中可以预存目标电池寿命预测模型与目标输入数据类型的映射关系,也可以是在目标电池寿命预测模型中预添加特定字段,上述特定字段中添加有上述目标输入数据类型;从而,在确定出上述目标电池寿命预测模型后,从上述目标电池寿命预测模型中解析出该特定字段,并根据特定字段中的信息解析出上述目标输入数据类型。
如上述步骤S4所述的,确定出目标输入数据类型之后,则获取出目标电池的电池使用数据所有的数据类型,并从中进行筛选出与目标输入数据类型相同的使用数据作为目标数据,上述目标数据则作为输入至目标电池寿命预测模型的最终数据,进行电池寿命的预测。
如上述步骤S5所述的,将上述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命,便可有针对性对该目标电池进行电池寿命的预测,提升准确度;实现差异化对不同的电池进行电池寿命的预测。可以理解的是,上述目标电池寿命预测模型可以是基于神经网络模型训练得到,也可以是函数方法等其它模型。
参照图2,在一实施例中,所述将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命的步骤S5,包括:
步骤S51,将所述目标数据进行向量化后,输入至所述目标电池寿命预测模型,得到所述目标电池的最大容量低于预设值的概率分布;其中,所述目标电池寿命预测模型为决策树神经网络模型训练得到;
步骤S52,根据所述目标电池的最大容量低于预设值的概率分布,去除不符合指定要求的概率,得到目标概率分布,根据所述目标概率分布预测所述目标电池的电池寿命。
在本实施例中,预先对决策树神经网络模型进行训练,得到上述目标电池寿命预测模型,从而将上述目标数据进行向量化之后,便可以直接输入至目标电池寿命预测模型中进行预测;可以理解的是,决策树神经网络模型具有多个决策树单元,针对上述向量化后的目标数据逐级进行分类,最终可以输出得到目标电池的最大容量低于预设值(如20%、30%)的概率分布;上述最大容量指的是目标电池充满电时的最大容量。
进而,根据从上述目标电池的最大容量低于预设值的概率分布中,去除一些不符合指定要求的概率,得到目标概率分布,根据所述目标概率分布预测所述目标电池的电池寿命。在本实施例中,为了降低误差,还需要对上述概率分布进行筛选,去除一些明显不符合指定要求的概率,例如偏离值过高的、概率太小的等,上述指定要求可以根据大量数据训练上述决策树神经网络模型时,进行统计得到。
在本实施例中,根据上述目标概率分布,便可以预测出所述目标电池的电池寿命,例如预测目标电池的最大容量低于预设值(28%)的目标概率分布为83.3%、84.5%、83.77%;则可以确定当前目标电池的电池寿命为28%的概率较高,可以将其作为当前目标电池的电池寿命。
在一实施例中,所述目标数据包括所述目标电池的当前内阻、目标电池的内阻变化数据以及目标电池的当前循环次数;所述将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命的步骤S5,包括:
步骤S501,根据所述目标电池的内阻变化数据计算所述目标电池的内阻变化率;
步骤S502,将所述目标电池的当前内阻、当前循环次数以及所述内阻变化率输入至所述目标电池寿命预测模型中进行计算,得到所述目标电池的总循环次数;
步骤S503,根据所述目标电池的总循环次数,得到所述目标电池的电池寿命标签;
其中,所述目标电池寿命预测模型计算所述目标电池的总循环次数的计算方式为:
K=k+(R*n-r)/△v,其中,K为目标电池的总循环次数,k为当前循环次数,R为所述目标电池的内阻变化数据中的最小值,n为常数,r为所述目标电池的当前内阻,△v为所述目标电池的内阻变化率。
在本实施例中,采用电池寿命函数计算目标电池的寿命,上述目标电池的寿命采用目标电池的总循环次数进行表达。在计算目标电池的总循环次数时,获取目标电池的内阻变化数据,该内阻变化数据包括该目标电池使用过程中的随着使用时间的内阻变化数据(可以是一个关系曲线),根据该内阻变化数据计算所述目标电池的内阻变化率;进而将目标电池的当前内阻、当前循环次数以及所述内阻变化率输入至所述目标电池寿命预测模型中进行计算,得到所述目标电池的总循环次数;由于目标电池的总循环次数不同(如1000次、300次),则表明当前目标电池的寿命不同;通常总循环次数越低,表面寿命越短;因此,在数据库中可以预存总循环次数与电池寿命标签(该电池寿命标签可包括维修、报废等)的对应关系,根据上述预测的总循环次数,便可以获取到目标电池的电池寿命标签。
在其它实施例中,还可以计算总循环次数与目标电池的初始循环次数的比值,得到目标电池的寿命值。
在一实施例中,所述获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型的步骤S2,包括:
步骤S21,获取所述目标电池的特征信息,并对所述特征信息进行解析,得到第一特征信息以及第二特征信息;所述第一特征信息包括所述目标电池的生产商信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产工艺信息;
步骤S22,根据所述第一特征信息,在厂商数据库中进行查找;若查找到,则根据所述电池类型信息以及电池生产工艺信息,在数据库中匹配出对应的目标电池寿命预测模型。
在本实施例中,提出一种根据目标电池特征信息,确定目标电池寿命预测模型的方式。具体地,对目标电池的特征信息进行解析,得到所述目标电池的生产商信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产工艺信息;由于生产商信息、电池型号信息的不同,其生产电池的规则也有一定偏差;而同一个生产商,其生产的电池类型、生产工艺也会有所不同;因此,解析出上述特征信息,有益于后续进行差异化的电池寿命预测。进一步地,根据第一特征信息,在厂商数据库(存储各个正规厂商的信息)中进行查找,若查找不到,则该目标电池可能存在生产问题,可以不进行预测;若查找到,则可以表面该目标电池是一个正规厂商生产。可以理解的是,预先可以在数据库中存储有目标电池寿命预测模型与电池类型信息、电池生产工艺信息的对应关系;因此,根据所述电池类型信息以及电池生产工艺信息,便可以在数据库中匹配出对应的目标电池寿命预测模型。
在一实施例中,所述获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型的步骤S2,包括:
步骤S201,获取所述目标电池的特征信息,并对所述特征信息进行解析,得到第一特征信息以及第二特征信息;所述第一特征信息包括所述目标电池的生产商信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产工艺信息;
步骤S202,将所述第一特征信息以及第二特征信息进行向量化得到第一特征向量以及第二特征向量;
步骤S203,将所述第一特征向量以及第二特征向量输入至预设的决策树分类模型中进行分类,得到所述目标电池寿命预测模型;其中,所述决策树分类模型为决策树神经网络模型经过预先训练得到。
在本实施例中,提出另一种根据目标电池特征信息,确定目标电池寿命预测模型的方式。具体地,对目标电池的特征信息进行解析,得到所述目标电池的生产商信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产工艺信息;由于生产商信息、电池型号信息的不同,其生产电池的规则也有一定偏差;而同一个生产商,其生产的电池类型、生产工艺也会有所不同;因此,解析出上述特征信息,有益于后续进行差异化的电池寿命预测。
在本实施例中,预先训练决策树神经网络模型得到上述决策树分类模型;在将数据输入至上述决策树分类模型之前,需要对第一特征信息以及第二特征信息进行向量化得到第一特征向量以及第二特征向量;将所述第一特征向量以及第二特征向量分别输入至预设的决策树分类模型中,该决策树分类模型包括多个决策树,其对上述第一特征向量以及第二特征向量进行逐级分类,最终预测得到概率最大的电池寿命预测模型作为所述目标电池寿命预测模型。
在另一实施例中,所述根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型的步骤S3,包括:
根据所述目标电池寿命预测模型,在数据库中匹配对应的目标字段;其中,所述数据库中预存有电池寿命预测模型与字段的映射关系;
对所述目标字段进行区域划分,得到多个区域,并从中获取一个指定区域;
对所述指定区域进行解析,得到多个特征字母;
分别解析每个特征字母对应输入数据类型,将各个特征字母对应的输入数据类型进行组合,作为所述目标输入数据类型。
在本实施例中,提出一种根据所述目标电池寿命预测模型获取目标输入数据类型的方式;具体地,数据库中预存有所述目标电池寿命预测模型与目标字段的映射关系,因此可以在数据库中匹配对应目标电池寿命预测模型的目标字段;得到上述目标字段之后,对上述目标字段进行区域划分,得到多个区域,并从中获取一个指定区域;例如,可以将目标字段划分为三个区域,前4位是头部区域,中间8位是中部区域,末尾3位是尾部区域,在一实施例中,将上述头部区域作为指定区域。
进一步地,对上述指定区域进行解析,得到多个特征字母,如对上述头部区域进行解析,则可以得到4个特征字母;其中,每个字母分别对应一个输入数据类型,将各个特征字母对应的输入数据类型进行组合,作为所述目标输入数据类型。
参照图3,本发明一实施例中还提供了一种电池寿命预测装置,包括:
第一获取单元10,用于获取待预测的目标电池的电池使用数据;
第二获取单元20,用于获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型;
确定单元30,用于根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型;
筛选单元40,用于获取所述目标电池的电池使用数据的数据类型,并从所述目标电池的电池使用数据中筛选出对应所述目标输入数据类型的目标数据;
预测单元50,用于将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命。
在一实施例中,所述预测单元50具体用于:
将所述目标数据进行向量化后,输入至所述目标电池寿命预测模型,得到所述目标电池的最大容量低于预设值的概率分布;其中,所述目标电池寿命预测模型为决策树神经网络模型训练得到;
根据所述目标电池的最大容量低于预设值的概率分布,去除不符合指定要求的概率,得到目标概率分布,根据所述目标概率分布预测所述目标电池的电池寿命。
在一实施例中,所述目标数据包括所述目标电池的当前内阻、目标电池的内阻变化数据以及目标电池的当前循环次数;所述预测单元50具体用于:
根据所述目标电池的内阻变化数据计算所述目标电池的内阻变化率;
将所述目标电池的当前内阻、当前循环次数以及所述内阻变化率输入至所述目标电池寿命预测模型中进行计算,得到所述目标电池的总循环次数;
根据所述目标电池的总循环次数,得到所述目标电池的电池寿命标签;
其中,所述目标电池寿命预测模型计算所述目标电池的总循环次数的计算方式为:
K=k+(R*n-r)/△v,其中,K为目标电池的总循环次数,k为当前循环次数,R为所述目标电池的内阻变化数据中的最小值,n为常数,r为所述目标电池的当前内阻,△v为所述目标电池的内阻变化率。
在一实施例中,所述第二获取单元20具体用于:
获取所述目标电池的特征信息,并对所述特征信息进行解析,得到第一特征信息以及第二特征信息;所述第一特征信息包括所述目标电池的生产商信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产工艺信息;
根据所述第一特征信息,在厂商数据库中进行查找;若查找到,则根据所述电池类型信息以及电池生产工艺信息,在数据库中匹配出对应的目标电池寿命预测模型。
在另一实施例中,所述第二获取单元20具体用于:
获取所述目标电池的特征信息,并对所述特征信息进行解析,得到第一特征信息以及第二特征信息;所述第一特征信息包括所述目标电池的生产商信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产工艺信息;
将所述第一特征信息以及第二特征信息进行向量化得到第一特征向量以及第二特征向量;
将所述第一特征向量以及第二特征向量输入至预设的决策树分类模型中进行分类,得到所述目标电池寿命预测模型;其中,所述决策树分类模型为决策树神经网络模型经过预先训练得到。
在另一实施例中,所述确定单元30具体用于:
根据所述目标电池寿命预测模型,在数据库中匹配对应的目标字段;其中,所述数据库中预存有电池寿命预测模型与字段的映射关系;
对所述目标字段进行区域划分,得到多个区域,并从中获取一个指定区域;
对所述指定区域进行解析,得到多个特征字母;
分别解析每个特征字母对应输入数据类型,将各个特征字母对应的输入数据类型进行组合,作为所述目标输入数据类型。
在本实施例中,上述装置中的各个单元的具体实现请参照上述方法实施例中所述,在此不再进行赘述。
参照图4,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储语音信号数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现电池寿命预测方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种电池寿命预测方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
综上所述,为本发明实施例中提供的电池寿命预测方法、装置、计算机设备和存储介质,包括:获取待预测的目标电池的电池使用数据;获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型;根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型;获取所述目标电池的电池使用数据的数据类型,并从所述目标电池的电池使用数据中筛选出对应所述目标输入数据类型的目标数据;将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命。本发明在预测电池寿命时,先根据目标电池的特征,确定出对应的目标电池寿命预测模型,从而实现针对不同类型的电池采用不同的寿命预测模型进行预测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种电池寿命预测方法,其特征在于,包括以下步骤:
获取待预测的目标电池的电池使用数据;
获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型;
根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型;
获取所述目标电池的电池使用数据的数据类型,并从所述目标电池的电池使用数据中筛选出对应所述目标输入数据类型的目标数据;
将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命;
所述目标数据包括所述目标电池的当前内阻、目标电池的内阻变化数据以及目标电池的当前循环次数;所述将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命的步骤,包括:
根据所述目标电池的内阻变化数据计算所述目标电池的内阻变化率;
将所述目标电池的当前内阻、当前循环次数以及所述内阻变化率输入至所述目标电池寿命预测模型中进行计算,得到所述目标电池的总循环次数;
根据所述目标电池的总循环次数,得到所述目标电池的电池寿命标签;
其中,所述目标电池寿命预测模型计算所述目标电池的总循环次数的计算方式为:
K=k+(R*n-r)/△v,其中,K为目标电池的总循环次数,k为当前循环次数,R为所述目标电池的内阻变化数据中的最小值,n为常数,r为所述目标电池的当前内阻,△v为所述目标电池的内阻变化率。
2.根据权利要求1所述的电池寿命预测方法,其特征在于,所述将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命的步骤,包括:
将所述目标数据进行向量化后,输入至所述目标电池寿命预测模型,得到所述目标电池的最大容量低于预设值的概率分布;其中,所述目标电池寿命预测模型为决策树神经网络模型训练得到;
根据所述目标电池的最大容量低于预设值的概率分布,去除不符合指定要求的概率,得到目标概率分布,根据所述目标概率分布预测所述目标电池的电池寿命。
3.根据权利要求1所述的电池寿命预测方法,其特征在于,所述获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型的步骤,包括:
获取所述目标电池的特征信息,并对所述特征信息进行解析,得到第一特征信息以及第二特征信息;所述第一特征信息包括所述目标电池的生产商信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产工艺信息;
根据所述第一特征信息,在厂商数据库中进行查找;若查找到,则根据所述电池类型信息以及电池生产工艺信息,在数据库中匹配出对应的目标电池寿命预测模型。
4.根据权利要求1所述的电池寿命预测方法,其特征在于,所述获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型的步骤,包括:
获取所述目标电池的特征信息,并对所述特征信息进行解析,得到第一特征信息以及第二特征信息;所述第一特征信息包括所述目标电池的生产商信息以及电池型号信息,所述第二特征信息包括电池类型信息以及电池生产工艺信息;
将所述第一特征信息以及第二特征信息进行向量化得到第一特征向量以及第二特征向量;
将所述第一特征向量以及第二特征向量输入至预设的决策树分类模型中进行分类,得到所述目标电池寿命预测模型;其中,所述决策树分类模型为决策树神经网络模型经过预先训练得到。
5.根据权利要求1所述的电池寿命预测方法,其特征在于,所述根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型的步骤,包括:
根据所述目标电池寿命预测模型,在数据库中匹配对应的目标字段;其中,所述数据库中预存有电池寿命预测模型与字段的映射关系;
对所述目标字段进行区域划分,得到多个区域,并从中获取一个指定区域;
对所述指定区域进行解析,得到多个特征字母;
分别解析每个特征字母对应输入数据类型,将各个特征字母对应的输入数据类型进行组合,作为所述目标输入数据类型。
6.一种电池寿命预测装置,其特征在于,包括:
第一获取单元,用于获取待预测的目标电池的电池使用数据;
第二获取单元,用于获取所述目标电池的特征信息,根据所述特征信息在数据库中确定出对应的目标电池寿命预测模型;
确定单元,用于根据所述目标电池寿命预测模型,确定所述目标电池寿命预测模型所需要的目标输入数据类型;
筛选单元,用于获取所述目标电池的电池使用数据的数据类型,并从所述目标电池的电池使用数据中筛选出对应所述目标输入数据类型的目标数据;
预测单元,用于将所述目标数据输入至所述目标电池寿命预测模型,预测所述目标电池的电池寿命;
所述目标数据包括所述目标电池的当前内阻、目标电池的内阻变化数据以及目标电池的当前循环次数;所述预测单元具体用于:
根据所述目标电池的内阻变化数据计算所述目标电池的内阻变化率;
将所述目标电池的当前内阻、当前循环次数以及所述内阻变化率输入至所述目标电池寿命预测模型中进行计算,得到所述目标电池的总循环次数;
根据所述目标电池的总循环次数,得到所述目标电池的电池寿命标签;
其中,所述目标电池寿命预测模型计算所述目标电池的总循环次数的计算方式为:
K=k+(R*n-r)/△v,其中,K为目标电池的总循环次数,k为当前循环次数,R为所述目标电池的内阻变化数据中的最小值,n为常数,r为所述目标电池的当前内阻,△v为所述目标电池的内阻变化率。
7.根据权利要求6所述的池寿命预测装置,其特征在于,所述预测单元具体用于:
将所述目标数据进行向量化后,输入至所述目标电池寿命预测模型,得到所述目标电池的最大容量低于预设值的概率分布;其中,所述目标电池寿命预测模型为决策树神经网络模型训练得到;
根据所述目标电池的最大容量低于预设值的概率分布,去除不符合指定要求的概率,得到目标概率分布,根据所述目标概率分布预测所述目标电池的电池寿命。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697035.6A CN115856694B (zh) | 2022-12-28 | 2022-12-28 | 电池寿命预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697035.6A CN115856694B (zh) | 2022-12-28 | 2022-12-28 | 电池寿命预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115856694A CN115856694A (zh) | 2023-03-28 |
CN115856694B true CN115856694B (zh) | 2023-10-31 |
Family
ID=85655512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211697035.6A Active CN115856694B (zh) | 2022-12-28 | 2022-12-28 | 电池寿命预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115856694B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116505629B (zh) * | 2023-06-29 | 2023-09-08 | 深圳市南霸科技有限公司 | 固态电池的控制管理方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
CN105005001A (zh) * | 2015-06-26 | 2015-10-28 | 江苏北新能源科技有限公司 | 一种快速检测电池剩余使用次数的方法 |
CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
CN111707956A (zh) * | 2020-08-11 | 2020-09-25 | 中北大学 | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 |
CN112379297A (zh) * | 2020-10-22 | 2021-02-19 | 欣旺达电动汽车电池有限公司 | 电池系统寿命预测方法、装置、设备及存储介质 |
CN112557909A (zh) * | 2020-12-17 | 2021-03-26 | 四川虹微技术有限公司 | 一种基于内阻的锂电池寿命检测系统及方法 |
CN114330130A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种电池剩余使用寿命预测方法、设备及介质 |
CN114881316A (zh) * | 2022-04-24 | 2022-08-09 | 上海玫克生储能科技有限公司 | 锂电池剩余寿命预测方法、系统、终端设备及存储介质 |
CN115267558A (zh) * | 2022-09-30 | 2022-11-01 | 深圳先进技术研究院 | 一种双向锂离子电池的寿命预测与状态估计方法 |
-
2022
- 2022-12-28 CN CN202211697035.6A patent/CN115856694B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
CN105005001A (zh) * | 2015-06-26 | 2015-10-28 | 江苏北新能源科技有限公司 | 一种快速检测电池剩余使用次数的方法 |
CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
CN111707956A (zh) * | 2020-08-11 | 2020-09-25 | 中北大学 | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 |
CN112379297A (zh) * | 2020-10-22 | 2021-02-19 | 欣旺达电动汽车电池有限公司 | 电池系统寿命预测方法、装置、设备及存储介质 |
CN112557909A (zh) * | 2020-12-17 | 2021-03-26 | 四川虹微技术有限公司 | 一种基于内阻的锂电池寿命检测系统及方法 |
CN114330130A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种电池剩余使用寿命预测方法、设备及介质 |
CN114881316A (zh) * | 2022-04-24 | 2022-08-09 | 上海玫克生储能科技有限公司 | 锂电池剩余寿命预测方法、系统、终端设备及存储介质 |
CN115267558A (zh) * | 2022-09-30 | 2022-11-01 | 深圳先进技术研究院 | 一种双向锂离子电池的寿命预测与状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115856694A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783604B (zh) | 基于少量样本的信息提取方法、装置和计算机设备 | |
CN115856694B (zh) | 电池寿命预测方法、装置、计算机设备和存储介质 | |
CN111368887B (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
CN111080117A (zh) | 设备风险标签的构建方法、装置、电子设备及存储介质 | |
CN111813618A (zh) | 数据异常检测方法、装置、设备及存储介质 | |
CN115656673A (zh) | 变压器数据的处理及装置、设备存储介质 | |
CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
CN111338876B (zh) | 一种故障模式与影响分析的决策方法、系统及存储介质 | |
CN114491282A (zh) | 一种基于云计算的异常用户行为分析方法及系统 | |
CN114398059A (zh) | 参数的更新方法、装置、设备以及存储介质 | |
CN116862079B (zh) | 一种企业污染物排放预测方法及预测系统 | |
CN116362607B (zh) | 一种物资储备效能评估方法及装置 | |
CN113408696A (zh) | 深度学习模型的定点量化方法及装置 | |
CN115761648A (zh) | 应用于变压器的渗油评估方法、装置、设备、介质及产品 | |
CN109978038B (zh) | 一种集群异常判定方法及装置 | |
CN114676868A (zh) | 物流货量预测方法、装置、计算机设备和存储介质 | |
CN116067524B (zh) | 一种用于油浸变压器内部组件的实时温度监测方法 | |
CN111191692B (zh) | 基于决策树的数据计算方法、装置和计算机设备 | |
CN114742391B (zh) | 基于人工智能的异常处理方法、装置、计算机设备及介质 | |
CN117808024B (zh) | 基于自适应调控的读写器设备管理方法及系统 | |
CN113821600B (zh) | 基于语义理解的加工委托信息提取方法和装置 | |
CN117057475A (zh) | 充电站负荷预测方法、装置、存储介质和计算机设备 | |
CN116503157A (zh) | 风险识别方法、装置、计算机设备及存储介质 | |
CN115906170A (zh) | 应用于存储集群的安全防护方法及ai系统 | |
CN117201333A (zh) | 限流阈值推荐方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |