CN116087814A - 一种提高电压采样精度的方法、装置及电子设备 - Google Patents
一种提高电压采样精度的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116087814A CN116087814A CN202310079630.1A CN202310079630A CN116087814A CN 116087814 A CN116087814 A CN 116087814A CN 202310079630 A CN202310079630 A CN 202310079630A CN 116087814 A CN116087814 A CN 116087814A
- Authority
- CN
- China
- Prior art keywords
- voltage data
- generator
- real
- loss function
- time series
- 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.)
- Granted
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 138
- 238000012360 testing method Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 16
- 238000012217 deletion Methods 0.000 claims description 14
- 230000037430 deletion Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000010606 normalization Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 6
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明提供了一种提高电压采样精度的方法、装置及电子设备,其中,该方法包括:获取多个正样本,确定负样本;将多个正样本作为真实数据集;将多个负样本作为输入数据集;确定生成器的目标损失函数,确定判别器的目标损失函数;并基于生成器的目标损失函数以及判别器的目标损失函数对生成对抗网络进行训练,得到能够生成采样精度高于预设阈值的电压数据的生成器。通过本发明实施例提供的提高电压采样精度的方法、装置及电子设备,对生成对抗网络训练获得可生成采样精度较高的电压数据的生成器;无需利用较为稀少的高采样精度的电站获取电压数据;可以使计算得到的IC曲线能够更加完整和准确,不会丢失特征值,保证电站中大容量电芯的安全监测。
Description
技术领域
本发明涉及锂电池技术领域,具体而言,涉及一种提高电压采样精度的方法、装置、电子设备及计算机可读存储介质。
背景技术
电池IC曲线(incremental capacity,微分差容曲线)可以在宏观上体现电池的衰减,因为IC曲线的峰值来源于电池的电压平台,电压平台的下降对应电池的容量衰减,所以可以从IC曲线的峰值等特征观察到电池的衰减,以此建立关于IC曲线特征的AI(Artificial Intelligence,人工智能)模型对电池的健康状态进行估计和预测。其中,大部分的IC曲线计算都需要高精度,高采集频率的电压数据,但是在大部分电站中的采样频率并不高,甚至采样间隔时间达到了15s,在这样的采样频率下会使计算得出的IC曲线丢失特征值,导致电站中大容量电芯的安全监测出现问题。
发明内容
为解决现有存在的技术问题,本发明实施例提供一种提高电压采样精度的方法、装置、电子设备及计算机可读存储介质。
第一方面,本发明实施例提供了一种提高电压采样精度的方法,包括:获取多个正样本,所述正样本为采样精度高于预设阈值的电压数据的时间序列;确定负样本;所述负样本为采样精度低于所述预设阈值的电压数据的时间序列;将多个所述正样本作为真实数据集,所述真实数据集用于输入至生成对抗网络的判别器;将多个所述负样本作为输入数据集,所述输入数据集用于输入至所述生成对抗网络的生成器;确定所述生成器的目标损失函数,确定所述判别器的目标损失函数;并基于所述生成器的目标损失函数以及所述判别器的目标损失函数对所述生成对抗网络进行训练,得到能够生成采样精度高于所述预设阈值的电压数据的生成器。
可选地,在所述得到能够生成采样精度高于所述预设阈值的电压数据的生成器之后,该方法还包括:获取实际采集的电压数据的时间序列,将所述实际采集的电压数据的时间序列输入至所述能够生成采样精度高于所述预设阈值的电压数据的生成器中;确定所述能够生成采样精度高于所述预设阈值的电压数据的生成器的输出结果,所述输出结果的采样精度高于所述预设阈值。
可选地,获取多个正样本包括:对电芯进行参数辨识,并建立电化学模型;根据所述电化学模型与所述电芯的电流数据,生成多个所述正样本;所述电流数据为采样精度高于预设阈值的电流数据的时间序列。
可选地,确定负样本,包括:根据预设的缺失率,在所述正样本的序列长度范围内任意选取电压数据;任意选取的电压数据的数量等于所述正样本的序列长度与所述缺失率的乘积;将所述任意选取的电压数据替换为相邻时刻的电压数据,确定所述负样本。
可选地,确定负样本,包括:根据低于预设阈值的采样精度,在所述正样本的基础上按所述低于预设阈值的采样精度选取电压数据;将所述选取的电压数据作为所述负样本。
可选地,将多个所述正样本作为真实数据集包括:将多个所述正样本归一化至(-1,1)之间,得到所述真实数据集;所述将多个所述负样本作为输入数据集包括:将多个所述负样本归一化至(-1,1)之间,得到所述输入数据集。
可选时,将多个所述正样本归一化至(-1,1)之间满足:
其中,Xi_norm表示第i个归一化后的正样本;Xi表示第i个正样本;Min(Xi)表示Xi的最小值;Max(Xi)表示Xi的最大值;所述将多个所述负样本归一化至(-1,1)之间满足:
其中,xi_norm表示第i个归一化后的负样本;xi表示第i个负样本;Min(xi)表示xi的最小值;Max(xi)表示xi的最大值。
可选地,生成器的目标损失函数,包括:均方误差损失函数形式的所述判别器将所述生成器生成的电压数据的时间序列判别为真的损失;所述判别器的目标损失函数,包括:均方误差损失函数形式的所述判别器将所述生成器生成的电压数据的时间序列判别为假的损失。
可选地,生成器的目标损失函数,还包括:附加的更新损失,所述更新损失表示所述生成器生成的电压数据的时间序列和所述真实数据集中的电压数据的时间序列之间的距离损失。
可选地,生成器的目标损失函数,还包括:附加的拟合优度检验结果,所述拟合优度检验结果为所述生成器生成的电压数据的时间序列与所述真实数据集中电压数据的时间序列之间的相似度。
可选地,生成器的目标损失函数满足:LG=F(D(G(X)))-P+F_G(G(X),Xreal);其中,D表示所述判别器;G表示所述生成器;X表示所述输入数据集;LG表示所述生成器的目标损失函数;G(X)表示所述生成器生成的电压数据的时间序列的集合;D(G(X))表示所述判别器对所述生成器生成的电压数据的时间序列的判别结果;F(D(G(X)))表示所述判别器将所述生成器生成的电压数据的时间序列判别为真的损失;P表示所述拟合优度检验结果;Xreal表示所述真实数据集;F_G(G(X),Xreal)表示所述更新损失。
可选地,判别器的目标损失函数,还包括:附加的所述判别器将所述真实数据集中的电压数据的时间序列判别为真的损失。
可选地,判别器的目标损失函数,还包括:附加的拟合优度检验结果,所述拟合优度检验结果为所述生成器生成的电压数据的时间序列与所述真实数据集中电压数据的时间序列之间的相似度。
可选地,判别器的目标损失函数满足:LD=F(1-D(G(X)))+F(D(Xreal))+P;其中,G表示所述生成器;D表示所述判别器;X表示所述输入数据集;LD表示所述判别器的目标损失函数;G(X)表示所述生成器生成的电压数据的时间序列的集合;D(G(X))表示所述判别器对所述生成器生成的电压数据的时间序列的判别结果;F(1-D(G(X)))表示所述判别器将所述生成器生成的电压数据的时间序列判别为假的损失;Xreal表示所述真实数据集;D(Xreal)表示所述判别器对所述真实数据集的判别结果;F(D(Xreal))表示所述判别器将所述真实数据集中的电压数据的时间序列判别为真的损失;P表示所述拟合优度检验结果。
第二方面,本发明实施例还提供了一种提高电压采样精度的装置,包括:第一获取模块、第二获取模块、样本处理模块和训练模块;所述第一获取模块用于获取多个正样本,所述正样本为采样精度高于预设阈值的电压数据的时间序列;所述第二获取模块用于确定负样本;所述负样本为采样精度低于所述预设阈值的电压数据的时间序列;所述样本处理模块用于将多个所述正样本作为真实数据集,所述真实数据集用于输入至生成对抗网络的判别器;将多个所述负样本作为输入数据集,所述输入数据集用于输入至所述生成对抗网络的生成器;所述训练模块用于确定所述生成器的目标损失函数,确定所述判别器的目标损失函数;并基于所述生成器的目标损失函数以及所述判别器的目标损失函数对所述生成对抗网络进行训练,得到能够生成采样精度高于所述预设阈值的电压数据的生成器。
第三方面,本发明实施例提供了一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述存储器中存储的计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的提高电压采样精度的方法中的步骤。
第四方面,本发明实施例还提供了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意一项所述的提高电压采样精度的方法中的步骤。
第五方面,本申请还提供一种计算机程序产品,包括计算机程序,当计算机程序被执行时,可以实现上述第一方面或者第一方面的任一种可能的设计方式所述的提高电压采样精度的方法。
本发明实施例提供的提高电压采样精度的方法、装置、电子设备及计算机可读存储介质,能够通过对生成对抗网络的训练,获得可以生成采样精度较高的电压数据的生成器;该方法无需利用较为稀少的高采样精度的电站进行电压数据的获取,而是可以直接利用训练好的生成器,生成高采样精度的电压数据,进而可以使通过该电压数据计算得到的IC曲线能够更加完整和准确,不会产生丢失特征值的情况,该方法能够保证电站中大容量电芯的安全监测不出现问题。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案,下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1示出了本发明实施例所提供的一种提高电压采样精度的方法的流程图;
图2示出了本发明实施例所提供的提高电压采样精度的方法中,判别器的结构示意图;
图3示出了本发明实施例所提供的提高电压采样精度的方法中,判别器中卷积层的结构示意图;
图4示出了本发明实施例所提供提高电压采样精度的方法中,生成器的结构示意图;
图5示出了本发明实施例所提供的提高电压采样精度的方法中,生成器中转置卷积层的结构示意图;
图6示出了本发明实施例所提供的提高电压采样精度的方法中,基于生成器生成的电压数据的时间序列计算得到的IC曲线和真实的IC曲线的对比示意图;
图7示出了本发明实施例所提供的提高电压采样精度的方法中,获取多个正样本的流程图;
图8示出了本发明实施例所提供的提高电压采样精度的方法中,一种基于正样本,确定负样本的流程图;
图9示出了本发明实施例所提供的提高电压采样精度的方法中,另一种基于正样本,确定负样本的流程图;
图10示出了本发明实施例所提供的一种提高电压采样精度的装置的结构示意图;
图11示出了本发明实施例所提供的一种用于执行提高电压采样精度的方法的电子设备的结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。
图1示出了本发明实施例所提供的一种提高电压采样精度的方法的流程图。如图1所示,该方法包括以下步骤101-104。
步骤101:获取多个正样本,正样本为采样精度高于预设阈值的电压数据的时间序列。
本发明实施例中,采样精度可以是采样时间或采样频率所表示的精度,采样频率越高,相应的采样精度也越高;选取的正样本可以是按高于预设阈值的采样精度所获取的电压数据的时间序列,其中,预设阈值可以根据实际所需进行设定;例如,正样本可以是由采样精度高于某预设阈值的电站所采集的电压数据的时间序列,或者正样本也可以通过实验室采集等方法获取,只要是任何能得到高采样精度的方法都可以,本发明实施例对此不做限定。
例如,采样精度为1s采集一个电压数据,可以将10s内获取的电压数据的时间序列[v0,v1,v2,v3,…,v9]作为一个正样本。
步骤102:确定负样本;负样本为采样精度低于预设阈值的电压数据的时间序列。
本发明实施例中,负样本是按大部分电站通常所满足的较低采样精度所采集的电压数据的时间序列,也就是说,所获取的负样本是采样精度低于正样本的电压数据的时间序列。例如,若正样本的采样精度为1s采集一个电压数据,那么负样本的采样精度可以是2s采集一个数据,或者,15s采集一个数据等。其中,确定负样本的方法可以是由采样精度低于某预设阈值的电站所采集的电压数据的时间序列,如已采集到的一些不符合预期精度要求的电压数据的时间序列,即采样精度低于预设阈值的历史真实数据;或者,在已获得的历史真实数据(低采样精度的电压数据的时间序列)数量不足的情况下,本发明实施例也可以根据上述步骤101所获取的正样本,在正样本的基础上生成可以模拟在现实工况中,按大部分电站通常所满足的较低采样精度所采集的电压数据的时间序列的负样本,换句话说,就是基于采样精度高于预设阈值的正样本,生成采样精度低于预设阈值的负样本,以补充样本多样性,使模型的训练的数据集更加丰富。其中,可以在一条正样本的基础上对应生成一条负样本,或者,也可以在一条正样本的基础上生成多条不同的负样本,本发明实施例对此不做限定。
步骤103:将多个正样本作为真实数据集,真实数据集用于输入至生成对抗网络的判别器;将多个负样本作为输入数据集,输入数据集用于输入至生成对抗网络的生成器。
本发明实施例所提供的方法可以利用生成对抗网络训练得到生成器,利用该生成器生成所需的数据,即本发明实施例最终所需生成的采样精度高于预设阈值的电压数据。其中,该生成对抗网络可以是DCGAN(Deep Convolution Generative AdversarialNetworks,深度卷积生成对抗网络),该DCGAN可以用于填充缺失数据,该生成对抗网络包括:生成器(Generator)和判别器(Discriminator)。
其中,如图2所示,判别器可以包括两个部分,判别器的卷积层(图2所示标有Block的部分)和判别器的全连接层(图2所示标有FC的部分);该判别器的卷积层可以包括两个模块,该两个模块Block1和Block2的定义如图3所示,图3中Conv2D层代表判别器的二维卷积层,LeakyReLU层代表判别器的激活层,BN层代表判别器的批归一化层。其中,如图4所示,上述生成器包含两个部分,生成器的全连接层(图4所示标有FC的部分)和生成器的转置卷积层(图4所示标有Block的部分),其中,生成器的转置卷积层包含两个模块,该两个模块Block3和Block4的结构如图5所示,图5中ConvT2D层代表生成器的转置二维卷积层,BN层代表生成器的批归一化层,ReLU层和Tanh层代表生成器的激活层。
本发明实施例中,可以将上述步骤101所获取的多个正样本直接作为真实数据集,该真实数据集是用于直接输入至上述DCGAN的判别器的数据集;将上述步骤102所确定的多个负样本直接作为输入数据集,该输入数据集是用于输入至上述DCGAN的生成器的数据集。需要说明的是,真实数据集中正样本的个数与输入数据集中负样本的个数相同,即一个正样本对应一个负样本,例如,可以选取100个正样本作为真实数据集,并选取100个负样本作为输入数据集。
步骤104:确定生成器的目标损失函数,确定判别器的目标损失函数;并基于生成器的目标损失函数以及判别器的目标损失函数对生成对抗网络进行训练,得到能够生成采样精度高于预设阈值的电压数据的生成器。
通常情况下,可以对生成对抗网络的生成器与判别器设置相应的损失函数,基于各自的损失函数通过对该生成对抗网络的生成器与判别器进行训练,不断优化生成器,令该生成器可以生成更加近似于真实数据集的数据,并同时不断优化判别器,令该判别器可以判别出生成器所生成数据的真伪。本发明实施例中,将对生成器所设置的损失函数作为生成器的目标损失函数,将对判别器所设置的损失函数作为判别器的目标损失函数;通过分别对生成器和判别器确定各自的目标损失函数,令生成器与判别器基于各自对应的目标损失函数进行不断训练优化,最终得到可以生成采样精度高于预设阈值的电压数据的生成器。
其中,用于训练的数据可以是真实数据集中的一部分,以及输入数据集中的一部分,且两部分数量相同;例如,若真实数据集中共有100个正样本,输入数据集中对应有100个负样本,本发明实施例可以将真实数据集中的正样本与输入数据集中的负样本均按8:1:1的组份进行划分,得到用于训练的80个正样本和80个负样本、用于验证的10个正样本和10个负样本以及用于测试的10个正样本和10个负样本;根据用于训练的80个正样本和80个负样本,对生成器(设置有生成器的目标损失函数)和判别器(设置有判别器的目标损失函数)构成的生成对抗网络进行训练,例如,本发明实施例可以设置训练循环次数为6000次,学习率为0.0001,训练批次大小为40;并保存训练过程中在验证集(如用于验证的10个正样本和10个负样本)中表现最好的生成器,即最终得到能够生成采样精度高于预设阈值的电压数据的生成器,通过训练生成对抗网络进而提高电压采样精度。
本发明实施例所提供的提高电压采样精度的方法,能够通过对对抗网路模型的训练,获得可以生成采样精度较高的电压数据的生成器;该方法无需利用较为稀少的高采样精度的电站进行电压数据的获取,而是可以直接利用训练好的生成器,生成高采样精度的电压数据,进而可以使通过该电压数据计算得到的IC曲线能够更加完整和准确,不会产生丢失特征值的情况,该方法能够保证电站中大容量电芯的安全监测不出现问题。
可选地,在上述步骤104“得到能够生成采样精度高于预设阈值的电压数据的生成器”之后,该方法还可以包括以下步骤A1-A2。
步骤A1:获取实际采集的电压数据的时间序列,将实际采集的电压数据的时间序列输入至能够生成采样精度高于预设阈值的电压数据的生成器中。
在需要对低采样精度(如低于预设阈值)电站中的大容量电芯进行安全监测的情况下,例如,在需要测算大容量电芯的IC曲线的情况下,可以通过该电站实时采集得到采样精度较低(如低于预设阈值)的电压数据的时间序列,可以理解,实际所采集到的电压数据的时间序列需要进行数据填充,方可得到最终用于计算IC曲线所使用的采样精度高于预设阈值的电压数据的时间序列;本发明实施例将实际所采集到的电压数据的时间序列作为上述步骤104经训练所获得的生成器的输入数据,也就是将实际所采集到的电压数据的时间序列输入至能够生成较高采样精度的电压数据的生成器,该生成器所生成的电压数据的时间序列所对应的采样精度高于实际采集的电压数据的时间序列的采样精度,即生成的电压数据的时间序列的所对应的采样精度高于预设阈值。
步骤A2:确定能够生成采样精度高于预设阈值的电压数据的生成器的输出结果,输出结果的采样精度高于预设阈值。
经过上述步骤A1确定该生成器的输出结果,该输出结果(生成的电压数据的时间序列)是采样精度高于预设阈值的电压数据,换句话说,该输出结果是经过数据填充的电压数据的时间序列,采用该输出结果可以更加准确地计算得到IC曲线,且不会产生丢失特征值的情况。
例如,可以采用等距电压区间(5毫伏)容量增量计算方法和傅里叶变化滤波,计算得到IC曲线,其中计算公式如下所示:
其中,Vk为k时刻的电压数据,k-a表示与k时刻电压数据差为5毫伏的时刻。在待插值电芯的整个充放电过程中,电压每变化5毫伏计算一次dQ/dV值,得到最后的dQ/dV曲线(微分容量曲线),该dQ/dV曲线是通过计算恒定的电压间隔内电池容量变化的曲线;其中,基于生成器生成的电压数据的时间序列计算得到的IC曲线和真实的IC曲线的相似概率达到的98%,且能够保留IC曲线的峰值特征(如图6所示)。
可选地,参见图7所示,上述步骤101“获取多个正样本”可以包括以下步骤1011-1012。
步骤1011:对电芯进行参数辨识,并建立电化学模型。
其中,该电芯是采样精度低于预设阈值的电站中的大容量电芯,换句话说,针对该电芯所获取的电压数据的时间序列是待插值数据,即需要进行数据填充的序列;本发明实施例对该待插值数据电芯进行参数辨识,例如,可以利用粒子群算法对参数进行辨识,得到参数后可以建立电化学模型,该电化学模型是关于待插值数据电芯的电化学模型,即针对实际所要检测的电芯的电化学模型。
步骤1012:根据电化学模型与电芯的电流数据,生成多个正样本;电流数据为采样精度高于预设阈值的电流数据的时间序列。
根据上述步骤1012所构建的电化学模型以及采集到的该电芯的电流数据(采样精度较高的电流数据的时间序列),可以生成采样精度高于预设阈值的电压曲线,该电压曲线的横坐标表示时间,纵坐标表示对应的电压数据,基于该电压曲线可以得到电压数据的时间序列,即正样本。
本发明实施例通过构建电化学模型从而获取正样本,该方法可以对任何电芯进行电压数据的获取,即便是正处于工作状态下的电芯,也无需对其进行拆解,只需要采集电芯的电流数据便可通过电化学模型轻易获取到可作为正样本的电压数据的时间序列。
可选地,参见图8所示,上述步骤102“基于正样本,确定负样本”,可以包括以下步骤1021-1022。
步骤1021:根据预设的缺失率,在正样本的序列长度范围内任意选取电压数据;任意选取的电压数据的数量等于正样本的序列长度与缺失率的乘积。
本发明实施例中,将现实工况中因采样误差导致电压数据出现错误,电压数据不准确的情况,归为电压数据的时间序列所对应的采样精度较低的情况;而负样本是为了模拟在上述低采样精度的情况下所得到的电压数据的时间序列,因此,可以根据实际工况所得到的电压数据的时间序列通常所具有的电压数据的缺失率,确定一个预设的缺失率,例如,该缺失率可以是10%、20%或者30%等任意数值的百分比;在上述步骤101所获取的正样本的序列长度范围内,基于该缺失率任意选取一定数量的电压数据,其中,从一个正样本中所选取的电压数据的数量等于该正样本的序列长度与该缺失率的乘积。
具体地,预设的缺失率为a,正样本的序列长度为N,可以在该正样本的N个电压数据中任意选取a*N个电压数据;例如,某条正样本为序列长度是10个时间单位的电压数据[v0,v1,v2,v3,v4,v5,v6,v7,v8,v9];若预设的缺失率为20%,则可在该正样本的电压数据中任意选取20%*10个电压数据,即任意选取2个电压数据。
步骤1022:将任意选取的电压数据替换为相邻时刻的电压数据,确定负样本。
其中,将上述步骤1022所任取的电压数据替换为与该电压数据相邻时刻所对应的电压数据,如,将该时刻对应的电压数据替换为该时刻的前一时刻所对应的电压数据,或者,将该时刻对应的电压数据替换为该时刻的后一时刻所对应的电压数据;换句话说,就是令与所选取的电压数据的时刻相邻的其他时刻对应的电压数据,替换掉该时刻原本对应的电压数据,将替换后的电压数据的时间序列作为负样本。例如,正样本为[v0,v1,v2,v3,v4,v5,v6,v7,v8,v9],缺失率为20%,从正样本的10个电压数据中任选第2个电压数据,例如,选取第二个时刻对应的电压数据以及第五个时刻对应的电压数据,将该第二个时刻对应的电压数据的前一个时刻,即第一个时刻的电压数据,替换掉该第二个时刻原本所对应的电压数据,并将该第五个时刻对应的电压数据的前一个时刻,即第四个时刻的电压数据,替换掉该第五个时刻原本所对应的电压数据;得到负样本为[v0,v0,v2,v3,v3,v5,v6,v7,v8,v9]。
本发明实施例所提供的方法,由于可以随意选取数量为正样本的序列长度与缺失率乘积的任意电压数据作为被替换的数据,因此,所生成的负样本中电压数据的缺失时刻是随机的,故可以根据一条正样本随机生成多条负样本,负样本的生成率较高,且该方法简便快捷。
或者,可选地,参见图9所示,上述步骤102“基于所述正样本,确定负样本”,可以包括以下步骤1023-1024。
步骤1023:根据低于预设阈值的采样精度,在所述正样本的基础上按所述采样精度选取电压数据。
步骤1024:将所述选取的电压数据作为所述负样本。
本发明实施例中,还可以将现实工况中因采样误差导致电压数据丢失的情况,归为电压数据的时间序列所对应的采样精度较低的情况;因此,为了生成可模拟该情况的负样本,可以根据实际工况所得到的电压数据的时间序列通常所具有的采样精度,如每n秒采集一个电压数据,将该采样精度作为预设的采样精度,在正样本的基础上按预设的采样精度选取电压数据。
例如,在上述步骤101所获取的正样本的序列范围内,基于该采样精度选取电压数据;若正样本为[v0,v1,v2,v3,v4,v5,v6,v7,v8,v9],且正样本的采样精度为每1s采集一次电压数据;若预设的采样精度是每2s采集一次电压数据,则负样本可以为[v1,v3,v5,v7,v9]。
可选地,上述步骤103“将多个正样本作为真实数据集”可以包括:将多个正样本归一化至(-1,1)之间,得到真实数据集。
本发明实施例可以采用归一化的方法对上述步骤101所获取的多个正样本进行数据处理,将归一化处理后的正样本做为真实数据集。具体地,本发明实施例所进行的归一化与传统归一化的不同之处在于,本发明实施例将正样本归一化至(-1,1)之间,而传统归一化一般是将数据归一化至(0,1)之间;本发明实施例将多个正样本归一化至(-1,1)之间,可以更加适用于生成对抗网络中生成器的激活层,如当对抗网络采用DCGAN时,其中的生成器中的一层激活层使用了tanh函数,该函数会让数据分布在(-1,1)之间;因此,当将多个正样本归一化至(-1,1)之间时,可以更加适用于DCGAN。
可选地,将多个正样本归一化至(-1,1)之间满足:
其中,Xi_norm表示第i个归一化后的正样本;Xi表示第i个正样本;Min(Xi)表示Xi的最小值;Max(Xi)表示Xi的最大值。
相应地,上述步骤103“将多个负样本作为输入数据集”可以包括:将多个负样本归一化至(-1,1)之间,得到输入数据集,该过程与上述归一化正样本的过程相同,此处不再赘述。具体地,将多个负样本归一化至(-1,1)之间满足:
其中,xi_norm表示第i个归一化后的负样本;xi表示第i个负样本;Min(xi)表示xi的最小值;Max(xi)表示xi的最大值。
可选地,生成器的目标损失函数,包括:均方误差损失函数形式的判别器将生成器生成的电压数据的时间序列判别为真的损失;判别器的目标损失函数,包括:均方误差损失函数形式的判别器将生成器生成的电压数据的时间序列判别为假的损失。
在生成对抗网络中,最终用于训练的生成器的目标损失函数与判别器的目标损失函数,通常是以传统的交叉熵二损失函数的形式呈现;但在本发明实施例中,可以采用均方误差损失函数作为生成器和判别器的目标损失函数的基本形式。
具体地,以G表示生成器,该生成器的目标损失函数记为LG,且该生成器的目标损失函数包括:判别器将生成器生成的电压数据的时间序列判别为真的均方误差损失函数形式的损失,其中,均方差损失函数可以记为F,以均方误差损失函数形式表示判别器将生成器生成的电压数据的时间序列判别为真的损失,该损失可表示为:
其中,Y表示判别器输出的判别结果,且Y=D(G(X));D表示判别器;X表示输入数据集;G(X)表示生成器生成的电压数据的时间序列的集合;yk∈Y;ny为Y集合中序列的数量。本发明实施例中,若Y=1,则表示该判别器输出的判别结果为真,即该判别器认为生成器所生成的电压数据的时间序列的集合G(X)是真实的数据;若Y=0,则表示该判别器输出的判别结果为假,即该判别器认为生成器所生成的电压数据的时间序列的集合G(X)是虚假的数据。可以理解,该生成器的目标损失函数可以满足:LG=F(Y)=F(D(G(X))),且由于生成器的目的是希望生成的电压数据的时间序列越真实越好,即希望生成的假数据可以骗过判别器,所以希望判别器把假数据判断为真的损失越小越好,即希望F(D(G(X)))越小越好,因此,本发明实施例需要对该生成器的目标损失函数进行最小化,基于最小化该生成器的目标损失函数对该生成器进行训练。
此外,该判别器的目标损失函数记为LD,且该判别器的目标损失函数包括:均方误差损失函数形式的判别器将生成器生成的电压数据的时间序列判别为假的损失,其中,均方差损失函数可以记为F,且判别器将生成器生成的电压数据的时间序列判别为假的均方误差损失函数形式的损失可表示为:
可以理解,该判别器的目标损失函数可以满足:LD=F(1-Y)=F(1-D(G(X))),其中,F(1-D(G(X)))表示判别器将生成器生成的电压数据的时间序列判别为假的损失。本发明实施例中,由于判别器的目的是希望能够完全辨识出生成器所生成的电压数据的时间序列的真假,因此,希望判别器将生成器生成的电压数据的时间序列判别为假的损失F(1-D(G(X)))越小越好,因此,本发明实施例需要对该判别器的目标损失函数进行最小化,基于最小化该判别器的目标损失函数对该判别器进行训练。
本发明实施例采用均方差损失函数形式是因为该损失函数形式会使整个生成对抗网络更快地收敛且不会导致模式崩塌;在生成对抗网络的训练过程中,如果采用传统的交叉熵二损失函数会让整个模型的训练过程收敛慢,且判别器和生成器实力不均衡,导致无法训练成功,而均方差损失函数的形式在一定程度上可以让判别器的学习变慢,使判别器和生成器更快达到平衡。
可选地,生成器的目标损失函数,还包括:附加的更新损失,更新损失表示生成器生成的电压数据的时间序列和真实数据集中的电压数据的时间序列之间的距离损失。
在本发明实施例中,由于高采样精度的电压数据噪声小易分辨,因此,判别器常常强过生成器导致整个模型模式崩塌,故可以在该生成器当前的目标损失函数(均方误差损失函数形式的判别器将生成器生成的电压数据的时间序列判别为真的损失)的基础上,额外增加更新损失,通过所叠加的更新损失进一步更新调整该生成器的目标损失函数,提高了生成器的能力,避免判别器强过生成器导致整个模型模式崩塌的情况发生。
其中,G表示生成器;X表示输入数据集;Xreal表示真实数据集;G(X)表示生成器生成的电压数据的时间序列的集合;表示生成器生成的第k个电压数据的时间序列;xreal_k表示真实数据集中的第k个电压数据的时间序列;nx表示输入数据集中电压数据的时间序列的数量。
从该更新损失的形式不难看出,该更新损失同样采用了均方差损失函数的形式,可以理解,在此情况下,该生成器的目标损失函数可以满足:LG=F(Y)+F_G(G(X),Xreal)=F(D(G(X)))+F_G(G(X),Xreal);其中,生成器希望生成的电压数据的时间序列(虚假数据)越真实越好,换句话说,该生成器希望其所生成的电压数据的时间序列(虚假数据)所表示的曲线与真实数据集中的序列(真实数据)所表示的曲线之间的距离越近越好,因此,本发明实施例需要对叠加了更新损失的该生成器的目标损失函数进行最小化,并对该生成器进行训,得到生成电压数据更加真实的生成器。
可选地,生成器的目标损失函数,还可以包括:附加的拟合优度检验结果,拟合优度检验结果为生成器生成的电压数据的时间序列与真实数据集中电压数据的时间序列之间的相似度。
其中,可以在均方误差损失函数形式的判别器将生成器生成的电压数据的时间序列判别为真的损失,以及更新损失的基础上叠加拟合优度检验结果,利用拟合优度检验结果更进一步地优化该生成器的目标损失函数,将优化后(如叠加了拟合优度检验结果)的结果作为该生成器的目标损失函数。
本发明实施例中,拟合优度检验结果可以基于KS检验(Kolmogorov-Smirnovtest)函数确定,其中,KS-检验是为了检验两个序列是否具有同样的分布,可以用来表征生成的电压数据的时间序列和真实的电压数据的时间序列(即真实数据集中的序列)是否存在相似性,通过KS检验函数可以得到上述两序列的相似度P,即本发明实施例中附加的拟合优度检验结果。
可选地,生成器的目标损失函数满足:LG=F(D(G(X)))-P+F_G(G(X),Xreal);其中,D表示判别器;G表示生成器;X表示输入数据集;LG表示生成器的目标损失函数;G(X)表示生成器生成的电压数据的时间序列的集合;D(G(X))表示判别器对生成器生成的电压数据的时间序列的判别结果;F(D(G(X)))表示判别器将生成器生成的电压数据的时间序列判别为真的损失;P表示拟合优度检验结果;Xreal表示真实数据集;F_G(G(X),Xreal)表示更新损失。
本发明实施例中,在分别对判别器将生成器生成的电压数据的时间序列判别为真的损失F(D(G(X)))和生成器生成的电压数据的时间序列和真实数据集中的电压数据的时间序列之间的距离损失F_G(G(X),Xreal)进行最小化,并令拟合优度检验结果P进行最大化(即对生成器的目标损失函数中的-P最小化)的情况下,可以最大程度地减小生成器的目标损失函数LG;此外,这样设置生成器的目标损失函数能够尽可能避免出现整个生成对抗网络的训练过程收敛慢,判别器和生成器实力不均衡,导致无法训练成功的情况。
可选地,判别器的目标损失函数,还可以包括:附加的判别器将真实数据集中的电压数据的时间序列判别为真的损失。
为了使判别器与生成器实力均衡,本发明实施例可以在均方误差损失函数形式的判别器将生成器生成的电压数据的时间序列判别为假的损失的基础上,叠加判别器将真实数据集中的电压数据的时间序列判别为真的损失,进一步优化该判别器的目标损失函数。本发明实施例中,该判别器将真实数据集中的电压数据的时间序列判别为真的损失,可以记为F(D(Xreal)),其中,Xreal表示真实数据集;D(Xreal)表示判别器对真实数据集的判别结果;可以理解,在此情况下,该判别器的目标损失函数可以满足:LD=F(1-D(G(X)))+F(D(Xreal));在分别对判别器将生成器生成的电压数据的时间序列判别为假的损失=F(1-D(G(X))),以及判别器将真实数据集中的电压数据的时间序列判别为真的损失F(D(Xreal))进行最小化的情况下,可以最大程度地减小判别器的目标损失函数LD。
可选地,判别器的目标损失函数还可以包括:附加的拟合优度检验结果,其中,该拟合优度检验结果与生成器的目标损失函数中所附加的拟合优度检验结果一致,该拟合优度检验结果表示生成器生成的电压数据的时间序列与真实数据集中电压数据的时间序列之间的相似度。可以理解,在此情况下,判别器的目标损失函数满足:LD=F(1-D(G(X)))+F(D(Xreal))+P;其中,G表示生成器;D表示判别器;X表示输入数据集;LD表示判别器的目标损失函数;G(X)表示生成器生成的电压数据的时间序列的集合;D(G(X))表示判别器对生成器生成的电压数据的时间序列的判别结果;F(1-D(G(X)))表示判别器将生成器生成的电压数据的时间序列判别为假的损失;Xreal表示真实数据集;D(Xreal)表示判别器对真实数据集的判别结果;F(D(Xreal))表示判别器将真实数据集中的电压数据的时间序列判别为真的损失;P表示拟合优度检验结果。
本发明实施例通过在判别器将生成器生成的电压数据的时间序列判别为假的损失F(1-D(G(X)))以及判别器将真实数据集中的电压数据的时间序列判别为真的损失F(D(Xreal))的基础上,叠加拟合优度检验结果P,利用拟合优度检验结果更进一步地优化该判别器的目标损失函数,将优化后(如叠加了拟合优度检验结果)的结果作为该判别器的目标损失函数,即该判别器最优的目标损失函数;并且,在分别对判别器将生成器生成的电压数据的时间序列判别为假的损失F(1-D(G(X)))、判别器将真实数据集中的电压数据的时间序列判别为真的损失F(D(Xreal))以及拟合优度检验结果P进行最小化的情况下,可以最大程度地减小判别器的目标损失函数LD。
上文详细描述了本发明实施例提供的提高电压采样精度的方法,该方法也可以通过相应的装置实现,下面详细描述本发明实施例提供的提高电压采样精度的装置。
图10示出了本发明实施例所提供的一种提高电压采样精度的装置的结构示意图。如图10所示,该提高电压采样精度的装置包括:第一获取模块11、第二获取模块12、样本处理模块13和训练模块14。
第一获取模块11用于获取多个正样本,所述正样本为采样精度高于预设阈值的电压数据的时间序列。
第二获取模块12用于确定负样本;所述负样本为采样精度低于所述预设阈值的电压数据的时间序列。
样本处理模块13用于将多个所述正样本作为真实数据集,所述真实数据集用于输入至生成对抗网络的判别器;将多个所述负样本作为输入数据集,所述输入数据集用于输入至所述生成对抗网络的生成器。
训练模块14用于确定所述生成器的目标损失函数,确定所述判别器的目标损失函数;并基于所述生成器的目标损失函数以及所述判别器的目标损失函数对所述生成对抗网络进行训练,得到能够生成采样精度高于所述预设阈值的电压数据的生成器。
可选地,该提高电压采样精度的装置还包括:实际采集模块和数据填充模块。
实际采集模块用于获取实际采集的电压数据的时间序列,将所述实际采集的电压数据的时间序列输入至所述能够生成采样精度高于所述预设阈值的电压数据的生成器中。
数据填充模块用于确定所述能够生成采样精度高于所述预设阈值的电压数据的生成器的输出结果,所述输出结果的采样精度高于所述预设阈值。
可选地,第一获取模块11包括:构建电化学模型单元和生成正样本单元。
建电化学模型单元用于对电芯进行参数辨识,并建立电化学模型。
生成正样本单元用于根据所述电化学模型与所述电芯的电流数据,生成多个所述正样本;所述电流数据为采样精度高于预设阈值的电流数据的时间序列。
可选地,第二获取模块12包括:第一数据选取单元和第一生成负样本单元。
第一数据选取单元用于根据预设的缺失率,在所述正样本的序列长度范围内任意选取电压数据;任意选取的电压数据的数量等于所述正样本的序列长度与所述缺失率的乘积。
第一生成负样本单元用于将所述任意选取的电压数据替换为相邻时刻的电压数据,确定所述负样本。
可选地,第二获取模块12包括:第二数据选取单元和第二生成负样本单元。
第二数据选取单元用于根据低于预设阈值的采样精度,在所述正样本的基础上按所述采样精度选取电压数据。
第二生成负样本单元用于将所述选取的电压数据作为所述负样本。
可选地,样本处理模块13包括:将多个所述正样本归一化至(-1,1)之间,得到所述真实数据集;将多个所述负样本归一化至(-1,1)之间,得到所述输入数据集。
可选地,将多个所述正样本归一化至(-1,1)之间满足:
其中,Xi_norm表示第i个归一化后的正样本;Xi表示第i个正样本;Min(Xi)表示Xi的最小值;Max(Xi)表示Xi的最大值;
所述将多个所述负样本归一化至(-1,1)之间满足:
其中,xi_norm表示第i个归一化后的负样本;xi表示第i个负样本;Min(xi)表示xi的最小值;Max(xi)表示xi的最大值。
可选地,生成器的目标损失函数,包括:均方误差损失函数形式的所述判别器将所述生成器生成的电压数据的时间序列判别为真的损失;所述判别器的目标损失函数,包括:均方误差损失函数形式的所述判别器将所述生成器生成的电压数据的时间序列判别为假的损失。
可选地,生成器的目标损失函数,还包括:附加的更新损失,所述更新损失表示所述生成器生成的电压数据的时间序列和所述真实数据集中的电压数据的时间序列之间的距离损失。
可选地,生成器的目标损失函数,还包括:附加的拟合优度检验结果,所述拟合优度检验结果为所述生成器生成的电压数据的时间序列与所述真实数据集中电压数据的时间序列之间的相似度。
可选地,生成器的目标损失函数满足:LG=F(D(G(X)))-P+F_G(G(X),Xreal);
其中,D表示所述判别器;G表示所述生成器;X表示所述输入数据集;LG表示所述生成器的目标损失函数;G(X)表示所述生成器生成的电压数据的时间序列的集合;D(G(X))表示所述判别器对所述生成器生成的电压数据的时间序列的判别结果;F(D(G(X)))表示所述判别器将所述生成器生成的电压数据的时间序列判别为真的损失;P表示所述拟合优度检验结果;Xreal表示所述真实数据集;F_G(G(X),Xreal)表示所述更新损失。
可选地,判别器的目标损失函数,还包括:附加的所述判别器将所述真实数据集中的电压数据的时间序列判别为真的损失。
可选地,判别器的目标损失函数,还包括:附加的拟合优度检验结果,所述拟合优度检验结果为所述生成器生成的电压数据的时间序列与所述真实数据集中电压数据的时间序列之间的相似度。
可选地,判别器的目标损失函数满足:LD=F(1-D(G(X)))+F(D(Xreal))+P;其中,G表示所述生成器;D表示所述判别器;X表示所述输入数据集;LD表示所述判别器的目标损失函数;G(X)表示所述生成器生成的电压数据的时间序列的集合;D(G(X))表示所述判别器对所述生成器生成的电压数据的时间序列的判别结果;F(1-D(G(X)))表示所述判别器将所述生成器生成的电压数据的时间序列判别为假的损失;Xreal表示所述真实数据集;D(Xreal)表示所述判别器对所述真实数据集的判别结果;F(D(Xreal))表示所述判别器将所述真实数据集中的电压数据的时间序列判别为真的损失;P表示所述拟合优度检验结果。
本发明实施例所提供的装置,能够通过对生成对抗网络的训练,获得可以生成采样精度较高的电压数据的生成器;该装置无需利用较为稀少的高采样精度的电站进行电压数据的获取,而是可以直接利用训练好的生成器,生成高采样精度的电压数据,进而可以使通过该电压数据计算得到的IC曲线能够更加完整和准确,不会产生丢失特征值的情况,该装置能够保证电站中大容量电芯的安全监测不出现问题。
上述实施例提供的提高电压采样精度的装置在实现相应的功能时,仅以上述各功能模块的划分举例说明,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,即将设备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。另外,上述实施例提供的提高电压采样精度的装置与提高电压采样精度的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。
根据本申请的一个方面,本发明实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装。在该计算机程序被处理器执行时,执行本申请实施例提供的提高电压采样精度的方法。
此外,本发明实施例还提供了一种电子设备,该设备包括处理器和存储器,存储器存储有计算机程序,处理器能够执行存储器中存储的计算机程序,计算机程序被处理器执行时,可以实现上述任一实施例提供的提高电压采样精度的方法。
具体的,参见图11所示,本发明实施例还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述提高电压采样精度的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port,AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构(Industry Standard Architecture,ISA)总线、微通道体系结构(Micro Channel Architecture,MCA)总线、扩展ISA(Enhanced ISA,EISA)总线、视频电子标准协会(Video Electronics Standards Association,VESA)、外围部件互连(Peripheral Component Interconnect,PCI)总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、复杂可编程逻辑器件(Complex Programmable LogicDevice,CPLD)、可编程逻辑阵列(Programmable Logic Array,PLA)、微控制单元(Microcontroller Unit,MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory,RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本发明实施例中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)、蜂窝电话网、无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带(Enhance Mobile Broadband,eMBB)系统、海量机器类通信(massive Machine Type of Communication,mMTC)系统、超可靠低时延通信(UltraReliable Low Latency Communications,uRLLC)系统等。
应理解,本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存(Flash Memory)。
易失性存储器包括:随机存取存储器(Random Access Memory,RAM),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(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151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1152包含各种应用程序,例如:媒体播放器(Media Player)、浏览器(Browser),用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
此外,本发明实施例还提供了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提高电压采样精度的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
计算机可读存储介质包括:永久性和非永久性、可移动和非可移动媒体,是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括:电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定,计算机可读存储介质不包括暂时信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
在本申请所提供的几个实施例中,应该理解到,所披露的装置、电子设备和方法,可以通过其他的方式实现。例如,以上描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,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,也可以是电的、机械的或其他的形式连接。
所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,既可以位于一个位置,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全部单元来解决本发明实施例方案要解决的问题。
另外,在本发明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,也可以是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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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(包括:个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
在本发明实施例的描述中,所属技术领域的技术人员应当知道,本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本发明实施例可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、闪存(Flash Memory)、光纤、光盘只读存储器(CD-ROM)、光存储器件、磁存储器件或以上任意组合。在本发明实施例中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
上述计算机可读存储介质包含的计算机程序代码可以用任意适当的介质传输,包括:无线、电线、光缆、射频(Radio Frequency,RF)或者以上任意合适的组合。
可以以汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,例如:Java、Smalltalk、C++,还包括常规的过程式程序设计语言,例如:C语言或类似的程序设计语言。计算机程序代码可以完全的在用户计算机上执行、部分的在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行以及完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括:局域网(LAN)或广域网(WAN),可以连接到用户计算机,也可以连接到外部计算机。
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
以上所述,仅为本发明实施例的具体实施方式,但本发明实施例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发明实施例披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明实施例的保护范围之内。因此,本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (18)
1.一种提高电压采样精度的方法,其特征在于,包括:
获取多个正样本,所述正样本为采样精度高于预设阈值的电压数据的时间序列;
确定负样本;所述负样本为采样精度低于所述预设阈值的电压数据的时间序列;
将多个所述正样本作为真实数据集,所述真实数据集用于输入至生成对抗网络的判别器;将多个所述负样本作为输入数据集,所述输入数据集用于输入至所述生成对抗网络的生成器;
确定所述生成器的目标损失函数,确定所述判别器的目标损失函数;并基于所述生成器的目标损失函数以及所述判别器的目标损失函数对所述生成对抗网络进行训练,得到能够生成采样精度高于所述预设阈值的电压数据的生成器。
2.根据权利要求1所述的方法,其特征在于,在所述得到能够生成采样精度高于所述预设阈值的电压数据的生成器之后,还包括:
获取实际采集的电压数据的时间序列,将所述实际采集的电压数据的时间序列输入至所述能够生成采样精度高于所述预设阈值的电压数据的生成器中;
确定所述能够生成采样精度高于所述预设阈值的电压数据的生成器的输出结果,所述输出结果的采样精度高于所述预设阈值。
3.根据权利要求1所述的方法,其特征在于,所述获取多个正样本包括:
对电芯进行参数辨识,并建立电化学模型;
根据所述电化学模型与所述电芯的电流数据,生成多个所述正样本;所述电流数据为采样精度高于预设阈值的电流数据的时间序列。
4.根据权利要求1所述的方法,其特征在于,所述确定负样本,包括:
根据预设的缺失率,在所述正样本的序列长度范围内任意选取电压数据;任意选取的电压数据的数量等于所述正样本的序列长度与所述缺失率的乘积;
将所述任意选取的电压数据替换为相邻时刻的电压数据,确定所述负样本。
5.根据权利要求1所述的方法,其特征在于,所述确定负样本,包括:
根据低于预设阈值的采样精度,在所述正样本的基础上按所述低于预设阈值的采样精度选取电压数据;
将所述选取的电压数据作为所述负样本。
6.根据权利要求1所述的方法,其特征在于,所述将多个所述正样本作为真实数据集包括:将多个所述正样本归一化至(-1,1)之间,得到所述真实数据集;
所述将多个所述负样本作为输入数据集包括:将多个所述负样本归一化至(-1,1)之间,得到所述输入数据集。
8.根据权利要求1所述的方法,其特征在于,所述生成器的目标损失函数,包括:均方误差损失函数形式的所述判别器将所述生成器生成的电压数据的时间序列判别为真的损失;
所述判别器的目标损失函数,包括:均方误差损失函数形式的所述判别器将所述生成器生成的电压数据的时间序列判别为假的损失。
9.根据权利要求8所述的方法,其特征在于,所述生成器的目标损失函数,还包括:附加的更新损失,所述更新损失表示所述生成器生成的电压数据的时间序列和所述真实数据集中的电压数据的时间序列之间的距离损失。
10.根据权利要求9所述的方法,其特征在于,所述生成器的目标损失函数,还包括:附加的拟合优度检验结果,所述拟合优度检验结果为所述生成器生成的电压数据的时间序列与所述真实数据集中电压数据的时间序列之间的相似度。
11.根据权利要求10所述的方法,其特征在于,所述生成器的目标损失函数满足:LG=F(D(G(X)))-P+F_G(G(X),Xreal);
其中,D表示所述判别器;G表示所述生成器;X表示所述输入数据集;LG表示所述生成器的目标损失函数;G(X)表示所述生成器生成的电压数据的时间序列的集合;D(G(X))表示所述判别器对所述生成器生成的电压数据的时间序列的判别结果;F(D(G(X)))表示所述判别器将所述生成器生成的电压数据的时间序列判别为真的损失;P表示所述拟合优度检验结果;Xreal表示所述真实数据集;F_G(G(X),Xreal)表示所述更新损失。
13.根据权利要求8所述的方法,其特征在于,所述判别器的目标损失函数,还包括:附加的所述判别器将所述真实数据集中的电压数据的时间序列判别为真的损失。
14.根据权利要求13所述的方法,其特征在于,所述判别器的目标损失函数,还包括:附加的拟合优度检验结果,所述拟合优度检验结果为所述生成器生成的电压数据的时间序列与所述真实数据集中电压数据的时间序列之间的相似度。
15.根据权利要求14所述的方法,其特征在于,所述判别器的目标损失函数满足:LD=F(1-D(G(X)))+F(D(Xreal))+P;
其中,G表示所述生成器;D表示所述判别器;X表示所述输入数据集;LD表示所述判别器的目标损失函数;G(X)表示所述生成器生成的电压数据的时间序列的集合;D(G(X))表示所述判别器对所述生成器生成的电压数据的时间序列的判别结果;F(1-D(G(X)))表示所述判别器将所述生成器生成的电压数据的时间序列判别为假的损失;Xreal表示所述真实数据集;D(Xreal)表示所述判别器对所述真实数据集的判别结果;F(D(Xreal))表示所述判别器将所述真实数据集中的电压数据的时间序列判别为真的损失;P表示所述拟合优度检验结果。
16.一种提高电压采样精度的装置,其特征在于,包括:第一获取模块、第二获取模块、样本处理模块和训练模块;
所述第一获取模块用于获取多个正样本,所述正样本为采样精度高于预设阈值的电压数据的时间序列;
所述第二获取模块用于确定负样本;所述负样本为采样精度低于所述预设阈值的电压数据的时间序列;
所述样本处理模块用于将多个所述正样本作为真实数据集,所述真实数据集用于输入至生成对抗网络的判别器;将多个所述负样本作为输入数据集,所述输入数据集用于输入至所述生成对抗网络的生成器;
所述训练模块用于确定所述生成器的目标损失函数,确定所述判别器的目标损失函数;并基于所述生成器的目标损失函数以及所述判别器的目标损失函数对所述生成对抗网络进行训练,得到能够生成采样精度高于所述预设阈值的电压数据的生成器。
17.一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述存储器中存储的计算机程序,以实现如权利要求1至15中任一项所述的提高电压采样精度的方法。
18.一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如权利要求1至15中任一项所述的提高电压采样精度的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310079630.1A CN116087814B (zh) | 2023-01-28 | 2023-01-28 | 一种提高电压采样精度的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310079630.1A CN116087814B (zh) | 2023-01-28 | 2023-01-28 | 一种提高电压采样精度的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116087814A true CN116087814A (zh) | 2023-05-09 |
CN116087814B CN116087814B (zh) | 2023-11-10 |
Family
ID=86210047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310079630.1A Active CN116087814B (zh) | 2023-01-28 | 2023-01-28 | 一种提高电压采样精度的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116087814B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466243A (zh) * | 2023-06-16 | 2023-07-21 | 国网安徽省电力有限公司电力科学研究院 | 基于生成对抗网络锂电池健康状态评估方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6023386A (en) * | 1997-10-31 | 2000-02-08 | Cirrus Logic, Inc. | Fault tolerant sync mark detector for synchronizing a time varying sequence detector in a sampled amplitude read channel |
CN111007399A (zh) * | 2019-11-15 | 2020-04-14 | 浙江大学 | 基于改进生成对抗网络的锂电池荷电状态预测方法 |
CN112464990A (zh) * | 2020-11-03 | 2021-03-09 | 中车工业研究院有限公司 | 一种基于电流电压传感器感知振动数据的方法和装置 |
CN114563712A (zh) * | 2022-03-04 | 2022-05-31 | 上海玫克生储能科技有限公司 | 一种电池容量估算方法、装置及电子设备 |
US20220180204A1 (en) * | 2020-12-08 | 2022-06-09 | International Business Machines Corporation | Adversarial semi-supervised one-shot learning |
CN114662653A (zh) * | 2022-02-24 | 2022-06-24 | 苏州恒美电子科技股份有限公司 | 一种基于生成式对抗网络的Double-LSTM电池容量估算方法 |
WO2022205612A1 (zh) * | 2021-04-01 | 2022-10-06 | 重庆邮电大学 | 时序数据对抗样本生成方法、系统、电子设备及存储介质 |
CN115267541A (zh) * | 2022-07-29 | 2022-11-01 | 中国汽车工程研究院股份有限公司 | 一种基于对抗学习的新能源汽车电池异常检测方法 |
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
US20220381848A1 (en) * | 2021-06-01 | 2022-12-01 | Guangzhou Automobile Group Co., Ltd. | Method and system for detecting vehicle battery cell imbalance |
KR20220166513A (ko) * | 2021-06-10 | 2022-12-19 | 한국전력공사 | 디지털 변전소의 샘플링 값 자동 시험 시스템 및 방법 |
-
2023
- 2023-01-28 CN CN202310079630.1A patent/CN116087814B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6023386A (en) * | 1997-10-31 | 2000-02-08 | Cirrus Logic, Inc. | Fault tolerant sync mark detector for synchronizing a time varying sequence detector in a sampled amplitude read channel |
CN111007399A (zh) * | 2019-11-15 | 2020-04-14 | 浙江大学 | 基于改进生成对抗网络的锂电池荷电状态预测方法 |
CN112464990A (zh) * | 2020-11-03 | 2021-03-09 | 中车工业研究院有限公司 | 一种基于电流电压传感器感知振动数据的方法和装置 |
US20220180204A1 (en) * | 2020-12-08 | 2022-06-09 | International Business Machines Corporation | Adversarial semi-supervised one-shot learning |
WO2022205612A1 (zh) * | 2021-04-01 | 2022-10-06 | 重庆邮电大学 | 时序数据对抗样本生成方法、系统、电子设备及存储介质 |
US20220381848A1 (en) * | 2021-06-01 | 2022-12-01 | Guangzhou Automobile Group Co., Ltd. | Method and system for detecting vehicle battery cell imbalance |
KR20220166513A (ko) * | 2021-06-10 | 2022-12-19 | 한국전력공사 | 디지털 변전소의 샘플링 값 자동 시험 시스템 및 방법 |
CN114662653A (zh) * | 2022-02-24 | 2022-06-24 | 苏州恒美电子科技股份有限公司 | 一种基于生成式对抗网络的Double-LSTM电池容量估算方法 |
CN114563712A (zh) * | 2022-03-04 | 2022-05-31 | 上海玫克生储能科技有限公司 | 一种电池容量估算方法、装置及电子设备 |
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
CN115267541A (zh) * | 2022-07-29 | 2022-11-01 | 中国汽车工程研究院股份有限公司 | 一种基于对抗学习的新能源汽车电池异常检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466243A (zh) * | 2023-06-16 | 2023-07-21 | 国网安徽省电力有限公司电力科学研究院 | 基于生成对抗网络锂电池健康状态评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116087814B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881991B (zh) | 一种识别欺诈的方法、装置及电子设备 | |
CN111860573A (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
WO2020215783A1 (zh) | 定位方法、装置及存储介质 | |
CN116087814B (zh) | 一种提高电压采样精度的方法、装置及电子设备 | |
CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN114024328A (zh) | 储能电站系统的综合评估方法、设备及可读介质 | |
CN115599653A (zh) | 一种构建焊接质量诊断模型的方法、系统、介质 | |
CN115113054A (zh) | 一种梯次电池的安全评估方法、装置及电子设备 | |
CN116973797A (zh) | 电池组一致性的判断方法、装置、设备及存储介质 | |
CN117082547A (zh) | 小区异常检测方法、装置、电子设备和可读存储介质 | |
CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
CN114675190A (zh) | 一种电池安全评估的方法、装置及电子设备 | |
CN117434429B (zh) | 芯片的稳定性测试方法及相关装置 | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
CN115840145B (zh) | 电化学参数辨识方法、装置、设备及存储介质 | |
CN110988673B (zh) | 电机转子故障检测方法、装置及终端设备 | |
CN117275644A (zh) | 基于深度学习的检测结果互认方法、系统及存储介质 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
CN115618252A (zh) | 一种光伏接入容量评估方法、装置及电子设备 | |
CN115963404A (zh) | 一种电池荷电状态预测方法、设备和存储介质 | |
CN117037917A (zh) | 细胞类型预测模型训练方法、细胞类型预测方法和装置 | |
CN115222018A (zh) | 非侵入式负荷分解方法及装置 | |
Zhao et al. | Lithium‐Ion Battery State‐of‐Health Estimation Method Using Isobaric Energy Analysis and PSO‐LSTM | |
CN116165542B (zh) | 一种电池参数的辨识方法、装置、设备及存储介质 | |
CN115980590B (zh) | 电化学参数的辨识方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |