CN116047309A - 一种电池容量的预测方法及电子设备 - Google Patents
一种电池容量的预测方法及电子设备 Download PDFInfo
- Publication number
- CN116047309A CN116047309A CN202310138915.8A CN202310138915A CN116047309A CN 116047309 A CN116047309 A CN 116047309A CN 202310138915 A CN202310138915 A CN 202310138915A CN 116047309 A CN116047309 A CN 116047309A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic data
- prediction strategy
- prediction
- strategy
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种电池容量的预测方法,包括:第一模型获得待预测电池的工艺特征数据,所述工艺特征数据至少包括工艺点位数据;基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略,所述待选预测策略至少包括所述目标预测策略,不同的待选预测策略是由不同数据量的历史工艺特征数据经过训练得到;基于所述工艺特征数据和所述目标预测策略,确定所述待预测电池的电池容量。同时,本申请还提供一种电子设备。
Description
技术领域
本申请涉及电池容量的预测技术,尤其涉及一种电池容量的预测方法及电子设备。
背景技术
目前,由于锂电池生产工艺是一个十分复杂的工艺过程,在生产过程中要经过涂布/涂膜、辊压、分切、装配、注液、烘烤、化成、老化、分容等工序,在这些生产环节中的工艺点位数据控制好坏与否,直接关系到最终生产的成品电池容量和电池品质的好坏,也对电池的能量密度、持久性和安全性等重要指标起着决定性作用。因此准确的预测出电池容量,具有很重要的指导意义,也影响电池的最终等级和使用寿命。
发明内容
有鉴于此,本申请实施例期望提供一种电池容量的预测方法及电子设备。
为达到上述目的,本申请的技术方案是这样实现的:
根据本申请的一方面,提供一种电池容量的预测方法,包括:
第一模型获得待预测电池的工艺特征数据,所述工艺特征数据至少包括工艺点位数据;
基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略,所述待选预测策略至少包括所述目标预测策略,不同的待选预测策略是由不同数据量的历史工艺特征数据经过训练得到;
基于所述工艺特征数据和所述目标预测策略,确定所述待预测电池的电池容量。
上述方案中,所述第一模型获得待预测电池的工艺特征数据,包括:
第一模型获得用于电池容量预测的工艺点位数据;
对所述工艺点位数据进行机理计算,得到机理特征数据;
根据所述工艺点位数据和所述机理特征数据确定所述工艺特征数据。
上述方案中,所述根据所述工艺点位数据和所述机理特征数据确定所述工艺特征数据,包括:
对所述工艺点位数据和所述机理特征数据进行时间对齐和预处理,得到所述工艺点位数据的有效数据;
通过相关性检验方式对所述有效数据中的工艺点位数据和所述机理特征数据进行筛选,得到所述工艺特征数据。
上述方案中,在所述基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略之前,所述方法还包括:
确定所述待预测电池的工艺特征数据和历史工艺特征数据的差异度;
在所述差异度小于预设阈值的情况下,执行所述基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略。
上述方案中,还包括:
在所述差异度大于所述预设阈值的情况下,基于参考指示,从所述待选预测策略中确定目标预测策略。
上述方案中,所述待选预测策略,包括第一预测策略、第二预测策略和第三预测策略,其分别由第一时间周期长度、第二时间周期长度和第三时间周期长度的历史工艺特征数据经过训练得到,其中,所述第三时间周期长度大于所述第二时间周期长度和所述第一时间周期长度,所述第二时间周期长度大于所述第一时间周期长度。
上述方案中,所述基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略,包括:
确定所述待选预测策略中,与所述历史工艺特征数据的拟合结果满足预设条件的预测策略,作为所述目标预测策略。
上述方案中,还包括:在所述待预测电池的电池容量不满足预设条件的情况下,基于所述工艺特征数据的第一重要度参数和/或机理算法,调整所述工艺特征数据;其中,所述第一重要度参数表征所述工艺特征数据对所述电池容量的影响程度。
上述方案中,还包括:
确定所述工艺特征数据的所述第一重要度参数;
将所述第一重要度参数与工艺特征表中对应的第二重要度参数进行比较;
如果比较结果表征所述第一重要度参数满足异常条件,输出告警信息。
根据本申请的另一方面,提供一种电子设备,包括:
获得单元,用于获得待预测电池的工艺特征数据,所述工艺特征数据至少包括工艺点位数据;
确定单元,用于基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略,所述待选预测策略至少包括所述目标预测策略,不同的待选预测策略是由不同数据量的历史工艺特征数据经过训练得到;以及用于基于所述工艺特征数据和所述目标预测策略,确定所述待预测电池的电池容量。
附图说明
图1为本申请中电池容量预测的方法流程实现示意图一;
图2为本申请中电池容量预测的方法流程实现示意图二;
图3为本申请中电子设备的结构组成示意图一;
图4是本申请中电子设备的结构组成示意图二。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,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,所描述的实施例仅仅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做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。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
以下结合说明书附图及具体实施例对本申请的技术方案做进一步的详细阐述。
图1为本申请中电池容量的预设方法的流程实现示意图一,该方法可以应用于各种电子设备,例如该电子设备可以是电脑、平板、手机等具有数据处理能力的设备。如图1所示,该方法包括:
步骤101,第一模型获得待预测电池的工艺特征数据,所述工艺特征数据至少包括工艺点位数据;
这里,第一模型可以理解为是电池容量的预测模型。该电子设备通过第一模型可以获得用于电池容量预测的工艺特征数据,该工艺特征数据中至少可以包括有工艺点位数据;这里,该工艺点位数据具体可以是通过传感器直接检测到的数据,包括但不限于温度、湿度、压力等数据。
本申请中,该电子设备在得到该工艺点位数据的情况下,还可以通过机理模型对所述工艺点位数据进行机理计算,得到待预测电池的机理特征数据;根据所述工艺点位数据和所述机理特征数据确定所述待预测电池的工艺特征数据。
比如,工艺点位数据是温度40,将温度40作为自变量输入到机理模型中,可以得到一个受温度影响的因变量参数值(机理特征数据),比如因变量参数值为电解液浓度20。
本申请中,该电子设备在根据所述工艺点位数据和所述机理特征数据确定所述工艺特征数据时,可以先对所述工艺点位数据和所述机理特征数据进行时间对齐和预处理,得到所述工艺点位数据的有效数据;然后再通过相关性检验方式对所述有效数据中的工艺点位数据和所述机理特征数据进行筛选,得到所述工艺特征数据。
这里,对所述工艺点位数据和所述机理特征数据进行预处理,包括但不限于对缺失数据的补充,对异常数据的剔除或修正,对不符合正态分布的数据进行修正等。
这里,该相关性检验方式包括但不限于皮尔逊检测方式、斯皮尔曼检测方式、协方差检测方式及协方差矩阵检测方式、互信息检测方式、多元回归检测方式。该电子设备具体可以使用双重相关性检测方式对所述有效数据中的工艺点位数据和所述机理特征数据进行筛选。
比如,工艺点位数据有10个,其中,温度、湿度、压力三个点位特征与电池容量的相关系数满足要求(比如大于阈值),则将温度、湿度、压力三个点位特征作为目标工艺特征数据。
步骤102,基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略,所述待选预测策略至少包括所述目标预测策略,不同的待选预测策略是由不同数据量的历史工艺特征数据经过训练得到;
这里,待选预测策略中至少包括有第一预测策略、第二预测策略和第三预测策略,其中,所述第一预测策略可以是由第一时间周期长度的历史工艺特征数据经过训练得到的预测模型;第二预测策略可以是由第二时间周期长度的历史工艺特征数据经过训练得到的预测模型;该第三预测策略可以是由第三时间周期长度的历史工艺特征数据经过训练得到的预测模型。
这里,所述第三时间周期长度大于所述第二时间周期长度和所述第一时间周期长度,所述第二时间周期长度大于所述第一时间周期长度。
比如,第一预测模型是由昨天的历史工艺特征数据训练得到,第二预测模型是由前7天的历史工艺特征数据训练得到,第三预设模型是由前一个月的历史工艺特征数据训练得到。
本申请中,该电子设备在得到待预测电池的工艺特征数据后,还可以先将该工艺特征数据与历史工艺特征数据进行差异度比较,得到差异度值。然后将差异度值与预设阈值进行比较,得到比较结果,如果比较结果表征差异度值小于或等于预设阈值,则说明待预测电池的工艺特征数据与历史工艺特征数据比较相似,可以基于历史工艺特征数据与待选预测策略的拟合结果,来确定用于预测电池容量的目标预测策略。如此,可以提高对电池容量的预测精准度,和用于对电池容量进行预测的目标预测策略的鲁棒性。如果比较结果表征该差异度值大于预设阈值,则说明待预测电池的工艺特征数据与历史工艺特征数据差异较大,如果使历史工艺特征数据与待选预测策略的拟合结果来确定目标预测策略,可能会导致电池容量的预测效果不准,这种情况下,则可以基于参考指示,从待选预测策略中确定目标预测策略。
这里,参考指示比如可以是通过人工指示的方式从多个预测策略中确定目标预测策略。还可以是根据差异度值所在区间,通过查询表中各预测策略与区间的对应关系,在多个预测策略中确定出该差异度值所在区间对应的目标预测策略。
这里,该电子设备可以将每个工艺特征数据的数值与对应的权重进行相乘,得到与历史工艺特征数据的差异度。具体得到差异度的方法不作限定,只要能够得到该差异度的方法都可以。
本申请中,电子设备在基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略时,可以确定所述待选预测策略中,与所述历史工艺特征数据的拟合结果满足预设条件的预测策略,作为所述目标预测策略。
这里,可以将历史工艺特征数据与待选预测策略的多个拟合结果进行比较,根据比较结果将拟合结果最优的预测策略作为目标预测策略。
一实现示例中,比如昨天是18号,将18号当天的生产数据分别输入到第一预测策略、第二预测策略、第三预测策略这三个模型中,得到三个拟合结果,比如分别是准确率80%、90%、85%,说明三个拟合结果中第二预测策略的拟合效果最好,则将第二预测策略作为目标预测策略,在今天19号使用该第二预测策略进行电池容量的预测。
步骤103,基于所述工艺特征数据和所述目标预测策略,确定所述待预测电池的电池容量。
这里,该电子设备可以根据预设规则将该工艺特征数据的部分数据确定为目标训练数据,将目标训练数据输入到该目标预测策略中,得到待测电池的电池容量的预测参数。
这里,该电子设备还可以将该工艺特征数据中除该部分数据以外的剩余数据确定为目标测试数据,其中,该目标测试数据的数据量可以小于该目标训练数据。比如,利用百分比的方式将工艺特征数据中的80%作为目标训练数据,剩余的20%作为目标测试数据。然后该电子设备可以将该预测参数与目标测试数据的测试参数进行比较。如果比较结果表征预测参数满足条件,则对该目标预测策略进行优化,以使得优化后的所述目标策略的预测参数满足待生成电池的电池容量的预测条件。
这里,测试参数表征真实测试的数据。如果预测参数与测试参数之间的参数差小于或等于预设阈值,则表征预测参数不满足条件,目标预测策略已经是最优状态。如果预测参数与测试参数之间的参数差大于预设阈值,则表征预测参数满足条件,需要对目标预测策略进行进一步的调优操作。
本申请中,该电子设备还可以在所述待预测电池的电池容量不满足预设条件的情况下,基于所述工艺特征数据的第一重要度参数和/或机理算法,调整所述工艺特征数据;其中,所述第一重要度参数表征所述工艺特征数据对所述电池容量的影响程度。
比如,工艺特征数据为温度、湿度和压力,其中,温度与电池容量的影响程度较大,压力与电池容量的影响程序较小。如果温度的检测值不满足条件,则需要对工艺特征数据进行重新调整。如果压力的检测值不满足条件,则不需要对工艺特征数据进行重新调整,其电池容量的预测结果不会受到影,或者受到的影响特征小,可以忽略不计。
这里,该电子设备在基于所述工艺特征数据和所述目标预测策略,确定所述待预测电池的电池容量的情况下,还可以将预测电池容量与预设电池容量进行比较,得到比较结果,如果比较结果表征预测电池容量小于预设电池容量,则确定待预测电池的电池容量不满足预设条件;或者,该电子设备可以接收用户输入的参数,基于该参数确定预测电池容量不满足预设条件。此时,电子设备可以基于所述工艺特征数据的第一重要度参数和/或机理算法,调整所述工艺特征数据。
这里,电子设备通过预测模型可以确定所述工艺特征数据的所述第一重要度参数;然后将所述第一重要度参数与工艺特征表中对应的第二重要度参数进行比较;如果比较结果表征所述第一重要度参数与第二重要度参数不同,则确定第一重要度参数满足异常条件,输出告警信息。
这里,告警信息的输出方式包括但不限于声音告警、灯光告警、向接收设备发送告警信息的方式。
本申请通过捕获待预测电池的工艺点位数据,并利用历史工艺特征数据在多个预测模型(待选预测策略)中确定出目标预测模型,利用目标预测模型对电池容量进行预测,不仅可以满足不同状态下电池容量的预测,而且可以提高电池容量的预测准确率,不会因生产工艺不稳定而导致电池容量预测模型的偏差较大。另外,由于采用多模型融合,因些可以捕获到不同状态下电池容量的规律,从而可以及时将不同等级容量的电池区分开,提升整体电池的稳定性。
图2为本申请中电池容量的预测方法的流程实现示意图二,如图2所示,该方法包括:
步骤201,从数据源获取待预测电池的工艺特征数据;
步骤202,对工艺特征数据进行时间对齐;
步骤203,对工艺特征数据进行预处理;
这里,可以是对异常数据进行剔除和修正,对缺失数据进行补充等等。
步骤204,对工艺特征数据进行特征提取,得到工艺点位数据;
这里,可以通过双重相关性检测方式对数据中的工艺点位数据进行特征筛选。
步骤205,利用机理模型对工艺点位数据进行机理计算,得到机理特征数据;
步骤206,根据工艺点位数据和所述机理特征数据确定工艺特征数据;
步骤207,将工艺特征数据中的部分数据作为训练数据;
这里,比如可以将工艺特征数据中的80%作为训练数据。
步骤208,将工艺特征数据中的剩余部分数据作为测试数据;
这里,比如将工艺特征数据中剩余的20%数据作为测试数据。
步骤209,将训练数据输入到预测模型池中;
这里,预测模型池中包括有第一预测模型、第二预测模型、第三预测模型。其中,第一预测模型由第一时间周期长度的历史工艺特征数据经过训练得到、第二预测模型由第二时间周期长度的历史工艺特征数据经过训练得到、第三预测模型由第三时间周期长度的历史工艺特征数据经过训练得到,其中,所述第三时间周期长度大于所述第二时间周期长度和所述第一时间周期长度,所述第二时间周期长度大于所述第一时间周期长度。
比如,第一预测模型可以是使用当前批次全检数据进行训练的模型;用于预测当前批次电池数据,保证环境状态,生产工艺高度接近,要求数据保持短期内的高度有效性。第二预测模型可以是使用前一批次数据及当前批次数据进行训练的模型,用于预测当前批次电芯数据,采用滚动预测方式调整预测模型。第三预测模型的训练数据周期可以为7天内批次的数据,可以根据近期工艺状况预测相近工艺情况的电池容量数据。
这里,可以使用最小二乘法、贝叶斯脊回归、LASSO、ElasticNet、随机森林、XGBoost等多种模型进行模型训练。
步骤210,确定目标预测模型;
步骤211,利用测试数据对使用目标预测模型预测的电池容量进行评估和检验。
这里,可将预测电池容量与预设阈值进行比较,根据比较结果评估和检测预设模型的预测精准度。
这里,可使用已统计出的影响电池容量的工艺特征数据,在与电池容量具有一定相关性的特征范围内选择多个工艺点位特征,采用双重相关性方式对工艺点位特征数据进行相关性分析,以及根据每个工艺点位特征数据对电池容量的影响程度,对当前的工艺点位特征数据进行特征重要度分析。
这里,还可以通过将工艺特征数据中每个工艺特征数据的第一重要度参数与工艺特征表中对应的第二重要度参数进行比较;如果比较结果表征所述第一重要度参数满足异常条件,输出告警信息。
步骤212,确定待预测电池的电池容量不满足预设条件的情况下,对目标预测模型进行调优。
这里,可利用大数据平台能力和机器学习算法,根据实时数据对目标预测模型进行不断迭代更新,最终形成锂电池容量预测模型。
步骤213,得到电池容量预测模型。
这里,利用三种不同类型的预测模型,可以捕获到不同状态下电池容量的规律,结合不同状态下检测到的实时数据,不断地对预设模型进行迭代更新,适配到最合适的预测模型,可以提高模型的适用性。
图3为本申请中电子设备的结构组成示意图一,如图3所示,该电子设备包括:
获取单元301,用于获得待预测电池的工艺特征数据,所述工艺特征数据至少包括工艺点位数据;
确定单元302,用于基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略,所述待选预测策略至少包括所述目标预测策略,不同的待选预测策略是由不同数据量的历史工艺特征数据经过训练得到;以及用于基于所述工艺特征数据和所述目标预测策略,确定所述待预测电池的电池容量。
优选方案中,该电子设备还包括:计算单元303;
其中,获取单元,还用于获得用于电池容量预测的工艺点位数据;
计算单元303,用于对所述工艺点位数据进行机理计算,得到机理特征数据;
确定单元302,具体用于根据所述工艺点位数据和所述机理特征数据确定所述工艺特征数据。
优选方案中,该电子设备还包括:处理单元304;
其中,处理单元304,用于对所述工艺点位数据和所述机理特征数据进行时间对齐和预处理,得到所述工艺点位数据的有效数据;以及用于通过相关性检验方式对所述有效数据中的工艺点位数据和所述机理特征数据进行筛选,得到所述工艺特征数据。
优选方案中,该电子设备还包括:执行单元305;
其中,确定单元302,还用于确定所述待预测电池的工艺特征数据和历史工艺特征数据的差异度;
执行单元305,用于在所述差异度小于预设阈值的情况下,执行所述基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略。
优选方案中,确定单元302,还用于在所述差异度大于所述预设阈值的情况下,基于参考指示,从所述待选预测策略中确定目标预测策略。
这里,所述待选预测策略,包括第一预测策略、第二预测策略和第三预测策略,其分别由第一时间周期长度、第二时间周期长度和第三时间周期长度的历史工艺特征数据经过训练得到,其中,所述第三时间周期长度大于所述第二时间周期长度和所述第一时间周期长度,所述第二时间周期长度大于所述第一时间周期长度。
优选方案中,确定单元302具体用于确定所述待选预测策略中与所述历史工艺特征数据的拟合结果满足预设条件的预测策略,作为所述目标预测策略。
优选方案中,该电子设备还包括:调整单元306,用于在所述待预测电池的电池容量不满足预设条件的情况下,基于所述工艺特征数据的第一重要度参数和/或机理算法,调整所述工艺特征数据;其中,所述第一重要度参数表征所述工艺特征数据对所述电池容量的影响程度。
优选方案中,该电子设备还包括:比较单元307和输出单元308;
其中,该确定单元302,还用于确定所述工艺特征数据的所述第一重要度参数;
比较单元307,用于将所述第一重要度参数与工艺特征表中对应的第二重要度参数进行比较;
输出单元308,用于如果比较结果表征所述第一重要度参数满足异常条件,输出告警信息。
需要说明的是:上述实施例提供的电子设备在对电池容量进行预测时,仅以上述各程序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处理分配由不同的程序模块完成,即将电子设备的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的电子设备与上述提供的电池容量的预测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种电子设备,该电子设备包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行上述处理方法中任一项方法步骤。
图4是本申请中电子设备的结构组成示意图二,电子设备400可以是移动电话、计算机、数字广播终端、信息收发设备、平板设备、工业设备、个人数字助理等终端。图4所示的电子设备400包括:至少一个处理器401、存储器402、至少一个网络接口404和用户接口403。电子设备400中的各个组件通过总线系统405耦合在一起。可理解,总线系统405用于实现这些组件之间的连接通信。总线系统405除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图4中将各种总线都标为总线系统405。
其中,用户接口403可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解,存储器402可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory);磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM,Random AccessMemory),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,Static Random Access Memory)、同步静态随机存取存储器(SSRAM,Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM,Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM,SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM,Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM,Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM,SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM,Direct Rambus Random Access Memory)。本申请实施例描述的存储器402旨在包括但不限于这些和任意其它适合类型的存储器。
本申请实施例中的存储器402用于存储各种类型的数据以支持电子设备400的操作。这些数据的示例包括:用于在电子设备400上操作的任何计算机程序,如操作系统4021和应用程序4022;联系人数据;电话簿数据;消息;图片;音频等。其中,操作系统4021包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序4022可以包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本申请实施例方法的程序可以包含在应用程序4022中。
上述本申请实施例揭示的方法可以应用于处理器401中,或者由处理器401实现。处理器401可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(DSP,Digital Signal Processor),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。处理器401可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器402,处理器401读取存储器402中的信息,结合其硬件完成前述方法的步骤。
在示例性实施例中,电子设备400可以被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU,Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现,用于执行前述方法。
在示例性实施例中,本申请实施例还提供了一种计算机可读存储介质,例如包括计算机程序的存储器402,上述计算机程序可由电子设备400的处理器401执行,以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备,如移动电话、计算机、平板设备、个人数字助理等。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器运行时,执行上述处理方法中任一项方法步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,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全部单元来实现本实施例方案的目的。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种电池容量的预测方法,包括:
第一模型获得待预测电池的工艺特征数据,所述工艺特征数据至少包括工艺点位数据;
基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略,所述待选预测策略至少包括所述目标预测策略,不同的待选预测策略是由不同数据量的历史工艺特征数据经过训练得到;
基于所述工艺特征数据和所述目标预测策略,确定所述待预测电池的电池容量。
2.根据权利要求1所述的方法,所述第一模型获得待预测电池的工艺特征数据,包括:
第一模型获得用于电池容量预测的工艺点位数据;
对所述工艺点位数据进行机理计算,得到机理特征数据;
根据所述工艺点位数据和所述机理特征数据确定所述工艺特征数据。
3.根据权利要求2所述的方法,所述根据所述工艺点位数据和所述机理特征数据确定所述工艺特征数据,包括:
对所述工艺点位数据和所述机理特征数据进行时间对齐和预处理,得到所述工艺点位数据的有效数据;
通过相关性检验方式对所述有效数据中的工艺点位数据和所述机理特征数据进行筛选,得到所述工艺特征数据。
4.根据权利要求1所述的方法,在所述基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略之前,所述方法还包括:
确定所述待预测电池的工艺特征数据和历史工艺特征数据的差异度;
在所述差异度小于预设阈值的情况下,执行所述基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略。
5.根据权利要求4所述的方法,还包括:
在所述差异度大于所述预设阈值的情况下,基于参考指示,从所述待选预测策略中确定目标预测策略。
6.根据权利要求1、4或5中任一项所述的方法,所述待选预测策略,包括第一预测策略、第二预测策略和第三预测策略,其分别由第一时间周期长度、第二时间周期长度和第三时间周期长度的历史工艺特征数据经过训练得到,其中,所述第三时间周期长度大于所述第二时间周期长度和所述第一时间周期长度,所述第二时间周期长度大于所述第一时间周期长度。
7.根据权利要求1所述的方法,所述基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略,包括:
确定所述待选预测策略中与所述历史工艺特征数据的拟合结果满足预设条件的预测策略,作为所述目标预测策略。
8.根据权利要求2所述的方法,还包括:
在所述待预测电池的电池容量不满足预设条件的情况下,基于所述工艺特征数据的第一重要度参数和/或机理算法,调整所述工艺特征数据;其中,所述第一重要度参数表征所述工艺特征数据对所述电池容量的影响程度。
9.根据权利要求8所述的方法,还包括:
确定所述工艺特征数据的所述第一重要度参数;
将所述第一重要度参数与工艺特征表中对应的第二重要度参数进行比较;
如果比较结果表征所述第一重要度参数满足异常条件,输出告警信息。
10.一种电子设备,包括:
获取单元,用于获得待预测电池的工艺特征数据,所述工艺特征数据至少包括工艺点位数据;
确定单元,用于基于历史工艺特征数据与待选预测策略的拟合结果,确定目标预测策略,所述待选预测策略至少包括所述目标预测策略,不同的待选预测策略是由不同数据量的历史工艺特征数据经过训练得到;以及用于基于所述工艺特征数据和所述目标预测策略,确定所述待预测电池的电池容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310138915.8A CN116047309A (zh) | 2023-02-20 | 2023-02-20 | 一种电池容量的预测方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310138915.8A CN116047309A (zh) | 2023-02-20 | 2023-02-20 | 一种电池容量的预测方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116047309A true CN116047309A (zh) | 2023-05-02 |
Family
ID=86118243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310138915.8A Pending CN116047309A (zh) | 2023-02-20 | 2023-02-20 | 一种电池容量的预测方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116047309A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116794533A (zh) * | 2023-08-21 | 2023-09-22 | 深圳海辰储能控制技术有限公司 | 一种电芯容量分档方法和相关产品 |
-
2023
- 2023-02-20 CN CN202310138915.8A patent/CN116047309A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116794533A (zh) * | 2023-08-21 | 2023-09-22 | 深圳海辰储能控制技术有限公司 | 一种电芯容量分档方法和相关产品 |
CN116794533B (zh) * | 2023-08-21 | 2023-12-29 | 深圳海辰储能科技有限公司 | 一种电芯容量分档方法和相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
EP3678072A1 (en) | Model integration method and device | |
Song et al. | Predicting software project effort: A grey relational analysis based method | |
CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
CN115270003B (zh) | 一种基于物联网平台行为数据挖掘的信息推荐方法及系统 | |
CN116047309A (zh) | 一种电池容量的预测方法及电子设备 | |
Zhou et al. | Research on state of health prediction model for lithium batteries based on actual diverse data | |
CN114041796A (zh) | 一种基于脑电波信号的专注力评估方法、装置及存储介质 | |
CN110888625A (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
CN110717509A (zh) | 基于树分裂算法的数据样本分析方法及装置 | |
CN115795928A (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
CN117852865A (zh) | 森林火灾风险评估的非火点生成方法、装置、设备及介质 | |
CN112633583A (zh) | 发电机组振动预测方法、装置、计算机设备和存储介质 | |
CN113055984B (zh) | 终端控制方法、装置、移动终端及存储介质 | |
Yin et al. | A new state‐of‐health estimation method for Li‐ion batteries based on interpretable belief rule base with expert knowledge credibility | |
CN116067524B (zh) | 一种用于油浸变压器内部组件的实时温度监测方法 | |
CN112417767A (zh) | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 | |
CN115856694B (zh) | 电池寿命预测方法、装置、计算机设备和存储介质 | |
CN116720946A (zh) | 基于循环神经网络的信贷风险预测方法、装置和存储介质 | |
CN116341976A (zh) | 导航地图生产线的指标数据调整方法、装置及设备 | |
CN112581250B (zh) | 模型生成方法、装置、计算机设备和存储介质 | |
CN114386525B (zh) | 一种评估标准的自适应调整方法、装置、设备和存储介质 | |
CN115983502B (zh) | 数据处理方法、装置及介质 | |
CN112734568B (zh) | 信用评分卡模型构建方法、装置、设备及可读存储介质 | |
CN117254562B (zh) | 电池的充电管理方法、装置、设备及存储介质 |
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 |