CN115994478A - 电池寿命预测方法、装置、电子设备和可读存储介质 - Google Patents
电池寿命预测方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115994478A CN115994478A CN202111214616.5A CN202111214616A CN115994478A CN 115994478 A CN115994478 A CN 115994478A CN 202111214616 A CN202111214616 A CN 202111214616A CN 115994478 A CN115994478 A CN 115994478A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- capacity
- parameters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000000737 periodic effect Effects 0.000 claims abstract description 26
- 238000005562 fading Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供一种电池寿命预测方法、装置、电子设备和可读存储介质。电池寿命预测方法包括以下步骤:获取电池的容量衰减数据,所述容量衰减数据包括电池的循环次数以及每一次循环时电池的放电容量;根据所述容量衰减数据作为训练集数据进行模型训练,获得电池寿命预测模型的模型参数,其中,所述模型参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数;根据所述模型参数建立电池寿命预测模型;将待预测的电池的容量衰减数据输入所述电池寿命预测模型获得电池寿命的预测数据。本发明实施例能够提高对于电池寿命的预测精度。
Description
技术领域
本发明实施例涉及深度学习技术领域,尤其涉及一种电池寿命预测方法、装置、电子设备和可读存储介质。
背景技术
随着新能源技术的发展,电动车辆也越来越受到用户的欢迎,电动车辆通常通过电池供电,电池的可靠性和循环寿命参数影响车辆的性能,因此也受到人们的关注。现有对于电池寿命的预测方法通常从电池机理模型或基于统计学模型进行。然而现有的电池寿命预测方法对于电池寿命预测的准确性相对较低。
发明内容
本发明实施例提供一种电池寿命预测方法、装置、电子设备和可读存储介质,以解决现有的电池寿命预测方法对于电池寿命预测的准确性相对较低的问题。
为解决上述问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种电池寿命预测方法,包括以下步骤:
获取电池的容量衰减数据,所述容量衰减数据包括电池的循环次数以及每一次循环时电池的放电容量;
根据所述容量衰减数据作为训练集数据进行模型训练,获得电池寿命预测模型的模型参数,其中,所述模型参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数;
根据所述模型参数建立电池寿命预测模型;
将待预测的电池的容量衰减数据输入所述电池寿命预测模型获得电池寿命的预测数据。
在一些实施例中,所述获取电池的容量衰减数据之后,所述方法还包括:
计算各所述容量衰减数据的均值;
根据所述均值计算所述容量衰减数据的方差;
根据所述均值和所述方差对所述容量衰减数据进行标准化处理,其中,标准化处理是通过以下公式进行的:
在一些实施例中,所述根据所述容量衰减数据作为训练集数据进行模型训练,包括:
确定粒子群优化算法的粒子速度更新参数;
根据速度更新量确定粒子群优化算法的粒子位置更新参数;
以所述容量衰减数据作为训练集数据,以目标参数为粒子,利用粒子群优化算法根据预设损失函数迭代更新粒子速度更新参数和粒子位置更新参数,获得所述目标参数的最优值作为模型参数,其中,所述目标参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数。
在一些实施例中,所述确定粒子群优化算法的粒子速度更新参数,包括:
将以下公式作为所述目标参数的速度更新公式:
vid(t+1)=ωvid(t)+c1rid1(t)(pid(t)-Xid(t))+c2rid2(t)(pgd(t)-Xid(t));
其中,vid(t+1)为第i个目标参数在第t+1次迭代中第d个维度上的速度,ω为预设惯性权重,vid(t)第i个目标参数在第t次迭代中第d个维度上的速度,Xid(t)为第i个目标参数在第t次迭代中第d个维度上的位置,c1和c2为预设加速常数,rid1(t)和rid2(t)为预设的随机数,pid(t)为第i个目标参数在t时刻的个体历史极值在第d个维度上的值,pgd(t)为第i个目标参数在t时刻的全局极值在第d个维度上的值;
所述根据速度更新量确定所述目标参数的粒子位置更新参数,包括:
将以下公式作为所述目标参数的位置更新公式:
Xid(t+1)=Xid(t)+vid(t+1);
其中,Xid(t+1)为i个目标参数在第t+1次迭代中第d个维度上的位置。
在一些实施例中,所述根据所述模型参数建立电池寿命预测模型,包括:
将以下公式作为电池寿命预测模型:
y(t)=g(t)+s(t)+h(t);
其中,g(t)代表时间序列在非周期上的变化趋势,s(t)代表时间序列在周期上的变化趋势,h(t)为时间序列的波动变化;
其中,C(t)为承载量,k为增长率,m为偏移量,t为循环次数,a(t)为指示函数,a(t)满足a(t)∈{0,1}S,δ为时间戳上的增长率变化量,γ为时间戳上的偏移量变化量;
其中,P表示时间序列的周期,N为时间周期的个数,β=(a1,b1,……,aN,bN)T,β~Normal(0,σ2),Normal指正态分布,σ2为季节影响参数;
在一些实施例中,所述将所述容量衰减数据输入所述电池寿命预测模型获得电池寿命的预测数据,包括:
将第一数据组输入所述电池寿命预测模型获得输出第二数据,其中,所述第一数据组为所述容量衰减数据的最后一组放电容量数据,所述第一数据组中的数据按照时间先后依次排列;
删除所述第一数据组中的第一个数据,并将所述第二数据作为所述第一数据组中的最后一个数据,获得更新后的第一数据组;
迭代更新所述第一数据组至电池的容量达到预设值;
将电池的容量达到预设值时的电池循环次数作为电池寿命的预测数据。
在一些实施例中,所述删除所述第一数据组中的第一个数据,并将所述第二数据作为所述第一数据组中的最后一个数据,获得更新后的第一数据组,包括:
将所述第二数据反标准化之后作为所述第一数据组中的最后一个数据。
第二方面,本发明实施例还提供一种电池寿命预测装置,包括:
获取模块,用于获取电池的容量衰减数据,所述容量衰减数据包括电池的循环次数以及每一次循环时电池的放电容量;
参数训练模块,用于根据所述容量衰减数据作为训练集数据进行模型训练获得电池寿命预测模型的模型参数,其中,所述模型参数包括电池容量的非周期变化趋势参数和周期变化趋势参数;
模型建立模块,用于根据所述模型参数建立电池寿命预测模型;
预测模块,用于将待预测的电池的容量衰减数据的最后一组放电容量数据输入所述电池寿命预测模型获得电池寿命的预测数据。
第三方面,本发明实施例还提供一种电子设备,包括:收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;所述处理器,用于读取存储器中的程序实现如前述第一方面所述方法中的步骤。
第四方面,本发明实施例还提供一种可读存储介质,用于存储程序,所述程序被处理器执行时实现如前述第一方面所述方法中的步骤。
在本发明实施例的方法包括获取电池的容量衰减数据,所述容量衰减数据包括电池的循环次数以及每一次循环时,电池的放电容量;根据所述容量衰减数据作为训练集数据进行模型训练,获得电池寿命预测模型的模型参数,其中,所述模型参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数;根据所述模型参数建立电池寿命预测模型;将所述容量衰减数据输入所述电池寿命预测模型获得电池寿命的预测数据。这样,本发明实施例通过引入电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数,能够提高对于电池寿命的预测精度,同时,本发明实施例的技术方案基于电池的容量衰减数据进行,能够匹配不同类型的电池,提高了通用性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电池寿命预测方法的一流程示意图;
图2是本发明实施例提供的电池寿命预测方法的又一流程示意图;
图3是本发明实施例提供的电池寿命预测装置的结构示意图;
图4是本发明实施提供的电子设备的结构示意图。
具体实施方式
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。
本发明实施例中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,本申请中使用“和/或”表示所连接对象的至少其中之一,例如A和/或B和/或C,表示包含单独A,单独B,单独C,以及A和B都存在,B和C都存在,A和C都存在,以及A、B和C都存在的7种情况。
本发明实施例提供了一种电池寿命预测方法。
如图1所示,在一个实施例中,该方法包括以下步骤:
步骤101:获取电池的容量衰减数据,所述容量衰减数据包括电池的循环次数以及每一次循环时电池的放电容量。
本实施例中,首先获取电池的容量衰减数据,这里,进行分析的电池可以是锂离子电池,也可以是其他类型的电池,此处不做进一步限定。
应当理解的是,随着电池的不断进行的充电和放电循环,电池可以容纳的总电量会不断减少,这种现象称作电池容量的衰减。本实施例中,首先获取电池一定量的容量衰减数据,所获得的数据应当是电池在正常工作状态下的数据,示例性的,一般为其在常温下容量衰减数据。容量衰减数据具体包括电池的循环次数,以及每一次循环时,电池的放电电量。
本实施例中,所采集的容量衰减数据可以根据需要设定,示例性的,可以设定为指定数量的,也可以设定为指定时间段内的。在一个实施例中,将该条件设定为电池的理论循环寿命的一定比例,示例性的,可以是40%、45%、50%等不同的比例。
示例性的,某一电池的寿命定义为衰减至其初始容量的80%时,认为其达到使用寿命,理论上来说,经过1000次循环,达到其使用寿命,则采集400此循环对应的容量衰减数据。显然,上述数据仅用于作为示例性说明,实施时,可以根据需要设定,本实施例中不做进一步限定和描述。
在其中一些实施例中,获取了容量衰减数据之后,还对容量衰减数据进行归一化处理。
具体的,在步骤101之后,该方法还包括:
计算各所述容量衰减数据的均值;
根据所述均值计算所述容量衰减数据的方差;
根据所述均值和所述方差对所述容量衰减数据进行标准化处理
本实施例中,将容量衰减数据的集合记作C={x1,x2,x3,……,xm},其中,m为数据的个数。首先通过公式(1)计算C的均值μC。
进一步的,根据公式(3)对C进行标准化。
其中,为C中的数据xi的标准化结果,xi代表C中的第i个容量衰减数据,μC为C的均值,为C的方差,ε为预设调整因子。应当理解的是,C的方差可能为0,通过设置该预设调整因子,能够避免在方差为0时,分母等于0。
步骤102:根据所述容量衰减数据作为训练集数据进行模型训练,获得电池寿命预测模型的模型参数,其中,所述模型参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数。
接下来,通过模型训练获得电池寿命预测模型的模型参数。在其中一些实施例中,具体是通过粒子群优化算法进行模型训练获得电池寿命预测模型的参数。
在一个实施例中,该步骤102具体包括:
确定粒子群优化算法的粒子速度更新参数;
根据速度更新量确定粒子群优化算法的粒子位置更新参数;
以所述容量衰减数据作为训练集数据,以目标参数为粒子,利用粒子群优化算法根据预设损失函数迭代更新粒子速度更新参数和粒子位置更新参数,获得所述目标参数的最优值作为模型参数,其中,所述目标参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数。
在其中一些实施例中,所述确定粒子群优化算法的粒子速度更新参数,包括:
将以下公式(4)作为所述目标参数的速度更新公式:
vid(t+1)=ωvid(t)+c1rid1(t)(pid(t)-Xid(t))+c2rid2(t)(pgd(t)-Xid(t))……(4);
在公式(4)中,vid(t+1)为第i个目标参数在第t+1次迭代中第d个维度上的速度,ω为预设惯性权重,可以根据需要设定为不同的数值,示例性的,可以是0.5、0.6等不同的数值,vid(t)第i个目标参数在第t次迭代中第d个维度上的速度,Xid(t)为第i个目标参数在第t次迭代中第d个维度上的位置,c1和c2为预设加速常数,rid1(t)和rid2(t)为预设的随机数,其取值范围可以在(0,1),pid(t)为第i个目标参数在t时刻的个体历史极值在第d个维度上的值,pgd(t)为第i个目标参数在t时刻的全局极值在第d个维度上的值。
在其中一些实施例中,所述根据速度更新量确定所述目标参数的粒子位置更新参数,包括:
将以下公式(5)作为所述目标参数的位置更新公式:
Xid(t+1)=Xid(t)+vid(t+1)……(5);
在公式(5)中,Xid(t+1)为i个目标参数在第t+1次迭代中第d个维度上的位置,时间单位为1,这样,vid(t+1)实际上对应第t+1次迭代中第d个维度的位置变化量。
在其中一些实施例中,以均方误差损失MSE作为损失函数进行模型训练,具体的,损失函数如式(6)所示。
实施时,首先设定目标参数的取值范围,然后利用训练集中的一部分数据,例如,可以是1/4或1/5等不同比例的训练集数据,以公式(6)为损失函数,通过上述公式(4)和(5)不断迭代更新,在所设定的范围内求得目标参数的最优值,这里,最优值具体包括单个粒子的历史最优位置和所有粒子的全局最优解,最后,将该最优值作为电池寿命预测模型的模型参数。
该最优解可以在损失函数收敛时获得,也可以在迭代次数达到一定次数时获得,示例性的,可以是进行30次迭代后,将获得的值作为最优值。
利用粒子群优化算法对范围内的参数进行寻优,得到单个粒子的历史最优位置和群体的最优位置,从而避免人工设定模型初始化参数带来的盲目性与随机性。
在一些实施例中,所述根据所述模型参数建立电池寿命预测模型,包括:
将以下公式作为电池寿命预测模型:
y(t)=g(t)+s(t)+h(t)……(7);
其中,g(t)代表时间序列在非周期上的变化趋势,s(t)代表时间序列在周期上的变化趋势,h(t)为时间序列的波动变化;
式(8)中,C(t)为承载量,k为增长率,m为偏移量,t为循环次数,a(t)为指示函数,a(t)=(a1(t),a2(t),……,aS(t))T,a(t)满足a(t)∈{0,1}S;δ为时间戳上的增长率变化量,δ=(δ1,δ2,……,δS)T;γ为时间戳上的偏移量变化量,γ=(γ1,γ2,……,γS)T,γt=-stδt。
上述a(t)为指示函数,该函数的定义为,当t满足取值范围S内时,a(t)的取值为1,当t不满足取值范围S之外时,a(t)的取值为0,S为根据需要设定的时间范围,具体的,设增长率变化点的位置的时间戳为sj,当1≤j≤S时,
其中,P表示时间序列的周期,N为时间周期的个数。
β=(a1,b1,……,aN,bN)T,β~Normal(0,σ2),σ2为季节影响参数。
示例性的,波动影响可以指的是节假日等非周期性且不规律的因素对于电池的使用带来的影响。
实施时,首先对参数进行初始化,获得初始化的最优位置,进一步的,设定各模型参数的取值范围,以各目标参数为粒子,通过粒子群优化算法确定其最优值,将最优值作为电池寿命预测模型的模型参数。
步骤103:根据所述模型参数建立电池寿命预测模型。
将步骤102中获得的模型参数代入模型中,即可获得用于预测电池寿命的电池寿命预测模型。
所建立的电池寿命预测模型可以是Prophet模型(一种模型),Prophet模型能够自动在模型中添加异常检测逻辑,减少噪点对预测结果的影响,能够避免某些电池容量衰退过程中存在的周期性的容量跃升对预测结果带来的影响,提高对于电池循环寿命的预测精度。
同时,本实施例的技术方案不需要了解电池衰退的物理化学机理,单纯从数据角度出发,对于各不同类型电池的循环寿命预测适配性好。
步骤104:将待预测的电池的容量衰减数据输入所述电池寿命预测模型获得电池寿命的预测数据。
将容量衰减数据输入电池寿命预测模型,即可获得电池寿命的预测数据。
在一些实施例中,该步骤104具体包括:
将第一数据组输入所述电池寿命预测模型获得输出第二数据,其中,所述第一数据组为所述容量衰减数据的最后一组放电容量数据,所述第一数据组中的数据按照时间先后依次排列;
删除所述第一数据组中的第一个数据,并将所述第二数据作为所述第一数据组中的最后一个数据,获得更新后的第一数据组;
迭代更新所述第一数据组至电池的容量达到预设值;
将电池的容量达到预设值时的电池循环次数作为电池寿命的预测数据。
本实施例中,将容量衰减数据的最后一组放电容量数据记作C*,具体的,
这里,为上述第一数据组,中的各数据按照时间先后顺序依次排列,H为批数据的长度,将该输入上述电池寿命预测模型能够获得输出结果将依据上述标准化过程,将反标准化后获得xm+1,xm+1即为上述第二数据。也就是说,该步骤具体包括将所述第二数据反标准化之后作为所述第一数据组中的最后一个数据。
这样,循环执行对于第一数据组的更新过程,直至电池的容量达到预设值。
示例性的,将预设值设定为80%,通过上述过程,当电池容量达到80%时,记录经过的循环次数。
实施时,可以将该预设值设定为电池的寿命对应的容量,这样,能够对电池的寿命进行预测。
如图2所示,本实施例的技术方案可以概括为,首先对粒子位置和速度进行初始化,获得其初始化状态下的最优位置。接下来,进行模型训练,以预设损失函数为约束,计算单个粒子的历史最优位置和全局最优解,并根据计算结果不断更新粒子的位置和速度。迭代执行该模型训练的过程,直至满足模型训练条件,获得满足要求的电池寿命预测模型,基于该电池寿命预测模型,能够获得对于电池寿命的预测结果。
本发明实施例还提供一种电池寿命预测装置。
如图3所示,在一个实施例中,该电池寿命预测装置300包括:
获取模块301,用于获取电池的容量衰减数据,所述容量衰减数据包括电池的循环次数以及每一次循环时电池的放电容量;
参数训练模块302,用于根据所述容量衰减数据作为训练集数据进行模型训练,获得电池寿命预测模型的模型参数,其中,所述模型参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数;
模型建立模块303,用于根据所述模型参数建立电池寿命预测模型;
预测模块304,用于将待预测的电池的容量衰减数据输入所述电池寿命预测模型获得电池寿命的预测数据。
在一些实施例中,还包括:
均值计算模块,用于计算各所述容量衰减数据的均值;
方差计算模块,用于根据所述均值计算所述容量衰减数据的方差;
标准化处理模块,用于根据所述均值和所述方差对所述容量衰减数据进行标准化处理,其中,标准化处理是通过以下公式进行的:
在一些实施例中,所述参数训练模块302,包括:
速度更新参数确定子模块,用于确定粒子群优化算法的粒子速度更新参数;
位置更新参数确定子模块,用于根据速度更新量确定粒子群优化算法的粒子位置更新参数;
训练子模块,用于以所述容量衰减数据作为训练集数据,以目标参数为粒子,利用粒子群优化算法根据预设损失函数迭代更新粒子速度更新参数和粒子位置更新参数,获得所述目标参数的最优值作为模型参数,其中,所述目标参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数。
在一些实施例中,所述速度更新参数确定子模块具体用于:将以下公式作为所述目标参数的速度更新公式:
vid(t+1)=ωvid(t)+c1rid1(t)(pid(t)-Xid(t))+c2rid2(t)(pgd(t)-Xid(t));
其中,vid(t+1)为第i个目标参数在第t+1次迭代中第d个维度上的速度,ω为预设惯性权重,vid(t)第i个目标参数在第t次迭代中第d个维度上的速度,Xid(t)为第i个目标参数在第t次迭代中第d个维度上的位置,c1和c2为预设加速常数,rid1(t)和rid2(t)为预设的随机数,pid(t)为第i个目标参数在t时刻的个体历史极值在第d个维度上的值,pgd(t)为第i个目标参数在t时刻的全局极值在第d个维度上的值;
所述位置更新参数确定子模块具体用于:将以下公式作为所述目标参数的位置更新公式:
Xid(t+1)=Xid(t)+vid(t+1);
其中,Xid(t+1)为i个目标参数在第t+1次迭代中第d个维度上的位置。
在一些实施例中,所述模型建立模块303具体用于:将以下公式作为电池寿命预测模型:
y(t)=g(t)+s(t)+h(t);
其中,g(t)代表时间序列在非周期上的变化趋势,s(t)代表时间序列在周期上的变化趋势,h(t)为时间序列的波动变化;
其中,C(t)为承载量,k为增长率,m为偏移量,t为循环次数,a(t)为指示函数,a(t)满足a(t)∈{0,1}S,δ为时间戳上的增长率变化量,γ为时间戳上的偏移量变化量;
其中,P表示时间序列的周期,N为时间周期的个数,β=(a1,b1,……,aN,bN)T,β~Nomal(0,σ2),σ2为季节影响参数;
在一些实施例中,所述预测模块304包括::
输入子模块,用于将第一数据组输入所述电池寿命预测模型获得输出第二数据,其中,所述第一数据组为所述容量衰减数据的最后一组放电容量数据,所述第一数据组中的数据按照时间先后依次排列;
更新子模块,用于删除所述第一数据组中的第一个数据,并将所述第二数据作为所述第一数据组中的最后一个数据,获得更新后的第一数据组;
迭代子模块,用于迭代更新所述第一数据组至电池的容量达到预设值;
记录子模块,用于将电池的容量达到预设值时的电池循环次数作为电池寿命的预测数据。
在一些实施例中,所述更新子模块具体用于:将所述第二数据反标准化之后作为所述第一数据组中的最后一个数据。
本实施例的电池寿命预测装置300能够实现上述电池寿命预测方法实施例的各个步骤,并能实现基本相同的技术效果,此处不再赘述。
本发明实施例还提供一种电子设备。请参见图4,电子设备可以包括处理器401、存储器402及存储在存储器402上并可在处理器401上运行的程序4021。
在电子设备为终端的情况下,程序4021被处理器401执行时可实现图1对应的方法实施例中的任意步骤及达到相同的有益效果,此处不再赘述。
在电子设备为网络侧设备的情况下,程序4021被处理器401执行时可实现图4对应的方法实施例中的任意步骤及达到相同的有益效果,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成,所述的程序可以存储于一可读取介质中。
本发明实施例还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时可实现上述图1对应的方法实施例中的任意步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
所述的存储介质,如只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
以上所述是本发明实施例的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种电池寿命预测方法,其特征在于,包括以下步骤:
获取电池的容量衰减数据,所述容量衰减数据包括电池的循环次数以及每一次循环时电池的放电容量;
根据所述容量衰减数据作为训练集数据进行模型训练,获得电池寿命预测模型的模型参数,其中,所述模型参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数;
根据所述模型参数建立电池寿命预测模型;
将待预测的电池的容量衰减数据输入所述电池寿命预测模型获得电池寿命的预测数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述容量衰减数据作为训练集数据进行模型训练,包括:
确定粒子群优化算法的粒子速度更新参数;
根据速度更新量确定粒子群优化算法的粒子位置更新参数;
以所述容量衰减数据作为训练集数据,以目标参数为粒子,利用粒子群优化算法根据预设损失函数迭代更新粒子速度更新参数和粒子位置更新参数,获得所述目标参数的最优值作为模型参数,其中,所述目标参数包括电池容量的非周期变化趋势参数、周期变化趋势参数和波动变化趋势参数。
4.根据权利要求3所述的方法,其特征在于,所述确定粒子群优化算法的粒子速度更新参数,包括:
将以下公式作为所述目标参数的速度更新公式:
vid(t+1)=ωvid(t)+c1rid1(t)(pid(t)-Xid(t))+c2rid2(t)(pgd(t)-Xid(t));
其中,vid(t+1)为第i个目标参数在第t+1次迭代中第d个维度上的速度,ω为预设惯性权重,vid(t)第i个目标参数在第t次迭代中第d个维度上的速度,Xid(t)为第i个目标参数在第t次迭代中第d个维度上的位置,c1和c2为预设加速常数,rid1(t)和rid2(t)为预设的随机数,pid(t)为第i个目标参数在t时刻的个体历史极值在第d个维度上的值,pgd(t)为第i个目标参数在t时刻的全局极值在第d个维度上的值;
所述根据速度更新量确定所述目标参数的粒子位置更新参数,包括:
将以下公式作为所述目标参数的位置更新公式:
Xid(t+1)=Xid(t)+vid(t+1);
其中,Xid(t+1)为i个目标参数在第t+1次迭代中第d个维度上的位置。
5.根据权利要求3所述的方法,其特征在于,所述根据所述模型参数建立电池寿命预测模型,包括:
将以下公式作为电池寿命预测模型:
y(t)=g(t)+s(t)+h(t);
其中,g(t)代表时间序列在非周期上的变化趋势,s(t)代表时间序列在周期上的变化趋势,h(t)为时间序列的波动变化;
其中,C(t)为承载量,k为增长率,m为偏移量,t为循环次数,a(t)为指示函数,a(t)满足a(t)∈{0,1}S,δ为时间戳上的增长率变化量,γ为时间戳上的偏移量变化量;
其中,P表示时间序列的周期,N为时间周期的个数,β=(a1,b1,......,aN,bN)T,β~Normal(0,σ2),σ2为季节影响参数;
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述将所述容量衰减数据输入所述电池寿命预测模型获得电池寿命的预测数据,包括:
将第一数据组输入所述电池寿命预测模型获得输出第二数据,其中,所述第一数据组为所述容量衰减数据的最后一组放电容量数据,所述第一数据组中的数据按照时间先后依次排列;
删除所述第一数据组中的第一个数据,并将所述第二数据作为所述第一数据组中的最后一个数据,获得更新后的第一数据组;
迭代更新所述第一数据组至电池的容量达到预设值;
将电池的容量达到预设值时的电池循环次数作为电池寿命的预测数据。
7.根据权利要求6所述的方法,其特征在于,所述删除所述第一数据组中的第一个数据,并将所述第二数据作为所述第一数据组中的最后一个数据,获得更新后的第一数据组,包括:
将所述第二数据反标准化之后作为所述第一数据组中的最后一个数据。
8.一种电池寿命预测装置,其特征在于,包括:
获取模块,用于获取电池的容量衰减数据,所述容量衰减数据包括电池的循环次数以及每一次循环时电池的放电容量;
参数训练模块,用于根据所述容量衰减数据作为训练集数据进行模型训练获得电池寿命预测模型的模型参数,其中,所述模型参数包括电池容量的非周期变化趋势参数和周期变化趋势参数;
模型建立模块,用于根据所述模型参数建立电池寿命预测模型;
预测模块,用于将待预测的电池的容量衰减数据的最后一组放电容量数据输入所述电池寿命预测模型获得电池寿命的预测数据。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;其特征在于,所述处理器,用于读取存储器中的程序实现如权利要求1至7中任一项所述的电池寿命预测方法中的步骤。
10.一种可读存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的电池寿命预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214616.5A CN115994478A (zh) | 2021-10-19 | 2021-10-19 | 电池寿命预测方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214616.5A CN115994478A (zh) | 2021-10-19 | 2021-10-19 | 电池寿命预测方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115994478A true CN115994478A (zh) | 2023-04-21 |
Family
ID=85992888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111214616.5A Pending CN115994478A (zh) | 2021-10-19 | 2021-10-19 | 电池寿命预测方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994478A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973769A (zh) * | 2023-09-22 | 2023-10-31 | 中国华能集团清洁能源技术研究院有限公司 | 检测储能电池状态的方法、装置、电子设备和介质 |
-
2021
- 2021-10-19 CN CN202111214616.5A patent/CN115994478A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973769A (zh) * | 2023-09-22 | 2023-10-31 | 中国华能集团清洁能源技术研究院有限公司 | 检测储能电池状态的方法、装置、电子设备和介质 |
CN116973769B (zh) * | 2023-09-22 | 2023-12-26 | 中国华能集团清洁能源技术研究院有限公司 | 检测储能电池状态的方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abbasi-Yadkori et al. | Politex: Regret bounds for policy iteration using expert prediction | |
Zeilinger et al. | Real-time suboptimal model predictive control using a combination of explicit MPC and online optimization | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
US11366433B2 (en) | Reinforcement learning method and device | |
CN108428017B (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN112946484B (zh) | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
CN115994478A (zh) | 电池寿命预测方法、装置、电子设备和可读存储介质 | |
CN112731183B (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
CN112183750A (zh) | 神经网络模型训练方法、装置、计算机设备及存储介质 | |
CN115979310A (zh) | 一种惯导系统性能退化评估方法、系统、电子设备及介质 | |
CN112445136B (zh) | 一种基于连续时间神经网络的浓密机预测控制方法及系统 | |
CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
Gehring et al. | Incremental truncated LSTD | |
CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 | |
CN114741659B (zh) | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 | |
Liu et al. | Online expectation maximization for reinforcement learning in POMDPs | |
US20170068226A1 (en) | Hybrid estimation of transition probability values in markov decision processes | |
CN114859231A (zh) | 基于维纳过程和极限学习机的电池剩余寿命预测方法 | |
KR20230064389A (ko) | 예측구간에 기반한 제조공정 파라미터의 구간 최적화 방법 및 시스템 | |
TW202221564A (zh) | 硫氧化物的預測方法與燒結工廠 | |
Jiang | Reinforcement Learning and Monte-Carlo Methods | |
Zhu et al. | Cautious policy programming: exploiting KL regularization for monotonic policy improvement in reinforcement learning | |
CN116774084A (zh) | 电池退化的估计方法 | |
CN117557870B (zh) | 基于联邦学习客户端选择的分类模型训练方法及系统 |
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 |