CN116205379B - 锂亚电池存活天数预测模型建立方法、系统、设备及介质 - Google Patents

锂亚电池存活天数预测模型建立方法、系统、设备及介质 Download PDF

Info

Publication number
CN116205379B
CN116205379B CN202310484769.4A CN202310484769A CN116205379B CN 116205379 B CN116205379 B CN 116205379B CN 202310484769 A CN202310484769 A CN 202310484769A CN 116205379 B CN116205379 B CN 116205379B
Authority
CN
China
Prior art keywords
task
feature
battery
training data
training
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
Application number
CN202310484769.4A
Other languages
English (en)
Other versions
CN116205379A (zh
Inventor
陈宝
栾星
王子峥
杜庆敏
周翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Three Zero Four Zero Technology Co ltd
Original Assignee
Shanghai Three Zero Four Zero Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Three Zero Four Zero Technology Co ltd filed Critical Shanghai Three Zero Four Zero Technology Co ltd
Priority to CN202310484769.4A priority Critical patent/CN116205379B/zh
Publication of CN116205379A publication Critical patent/CN116205379A/zh
Application granted granted Critical
Publication of CN116205379B publication Critical patent/CN116205379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种锂亚电池存活天数预测模型建立方法、系统、设备及介质，方法包括对每个电池供电设备执行：获取电池供电设备整个存活天数耗尽所执行过的若干时间点的特征集合X，构建训练数据集合W=[Q1，Q2,…Qr],训练数据Qi=（xi，yi）；获得训练数据总集；对训练数据总集中所有训练数据Q按Z1:Z2比例进行划分，生成训练集与测试集；采用训练集对机器学习模型进行训练，并采用模型优化算法对训练出的机器学习模型进行参数优化；采用测试集对参数优化过的机器学习模型进行测试，若测试结果通过，则输出电池剩余存活天数预测模型。本发明使用执行任务为建模训练的特征，建立了可对锂亚电池剩余存活天数进行预测的模型。

Description

锂亚电池存活天数预测模型建立方法、系统、设备及介质
技术领域
本发明属于机器学习技术领域，尤其涉及一种锂亚电池存活天数预测模型建立方法、系统、设备及介质。
背景技术
目前，电池剩余存活天数预测的技术，主要根据电池电压变化数据来间接评估电池的剩余存活天数，或专用存活天数计量芯片来计算电池剩余存活天数；例如专利CN100514082C电池剩余容量计算方法、电池剩余容量计算装置和电池剩余容量计算程序，公开了在低消耗模式中，根据所述输出电压值以及作为二次电池的放电特性的预定参考电压曲线来计算剩余功率。在高消耗模式中，在假定当低消耗模式变化为高消耗模式时的剩余功率的变化几乎为零的情况下，计算所述的剩余功率。专利CN102385040B电池剩余量算出电路，基于电池的输出电压来高精度地算出电池剩余量。
但对于锂亚电池，无法使用电压、电流等参数利用现有技术计算出剩余存活天数，原因在于该种电池相较于其他铅酸等材料的电池，具有高比能、放电时电压稳定等优点，工作期间电压保持平稳，所以没法利用电压电流变化计算出剩余存活天数。
若存在一种锂亚电池存活天数预测模型，则可很好的解决锂亚电池剩余存活天数的估算问题，但目前缺乏锂亚电池存活天数预测模型的建立方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种锂亚电池存活天数预测模型建立策略，通过利用机器学习方法，使用设备的执行任务为建模训练的特征，建立了可对锂亚电池剩余存活天数进行预测的模型。
本发明第一方面公开了一种锂亚电池存活天数预测模型建立方法，包括以下步骤：
步骤一、训练数据构建：对每个电池供电设备执行：获取电池供电设备整个存活天数耗尽所执行过的若干时间点的特征集合X，X=[x1,x2,…,xr]，xr为第r个时间点tr对应的任务特征集，任一个任务特征集xi包含有从起始时间点t0到当前时间点ti产生的所有任务特征；构建训练数据集合W=[Q1，Q2,…Qr], 训练数据Qi=（xi，yi），i=[1，2，…，r]，yi为第i个时间点时电池剩余存活天数T剩余；
T剩余=T总存活天数-i*t时段，t时段指相邻两个时间点之间的时长；
获得训练数据总集[W1，W2,…WN], WN为第N个电池供电设备对应的训练数据集合；
电池供电设备指由电池作为唯一能量源的设备；
步骤二、训练集与测试集生成：对训练数据总集中所有训练数据Q按Z1:Z2比例进行划分，生成训练集与测试集；
步骤三、模型构建：采用训练集对机器学习模型进行训练，并采用模型优化算法对训练出的机器学习模型进行参数优化；
步骤四、模型验证：采用测试集对参数优化过的机器学习模型进行测试，若测试结果通过，则输出该机器学习模型为电池剩余存活天数预测模型。
上述锂亚电池存活天数预测模型建立方法，步骤一还包括对特征集合X=[x1,x2,…,xr]进行特征选择，具体操作为：使用逻辑回归算法模型计算任务特征的权重P=[p1,p2,…,pr]；根据对应电池供电设备的权重阈值Ps，去除权重低于权重阈值Ps的任务特征，获得特征集合X=[x1’,x2’,…,xr’]，使用特征集合X=[x1’,x2’,…,xr’]构建训练数据Q。
上述锂亚电池存活天数预测模型建立方法，所述逻辑回归算法模型通过以下步骤获得：
获取电池供电设备在电池整个存活天数H内仅执行单个任务task的最大频次T，构建训练数据E=（taskx，U耗），U耗=H÷T；获得训练数据集F=[E1,E2,…,Em]；
Em为对应第m个任务的训练数据；
使用训练数据集F对逻辑回归算法模型进行训练，所述逻辑回归算法模型为采用softmax函数的逻辑回归算法模型。
上述锂亚电池存活天数预测模型建立方法，所述电池供电设备所执行过的若干任务分为数据采集任务和数据上传任务两种；
步骤一还包括对特征集合X=[x1,x2,…,xr]进行特征合并，包括以下步骤：任务特征集xi=[task1，task2，…, taskn]，taskn为截止第i个时间点获取到的第n个任务特征；
当任务特征为采集任务特征时taskc=（ac，bc），ac为采集对象标识，bc为采集数据时长；
当任务特征为上传任务特征时tasks=（as，bs），as为上传对象标识，bs为上传数据时长；
对于任务特征集xi，对采集对象相同的多个采集任务特征taskC进行合并，对上传对象相同的多个上传任务特征tasks进行合并；
合并后的任务特征集xi=[taskc 1，taskc 2,…, taskc k, tasks 1，tasks 2,…,tasks L]，taskc k为第k个采集任务特征；tasks L为第L个上传任务特征。
本发明第二方面还公开了一种锂亚电池存活天数预测模型建立系统，包括训练数据构建模块、训练集与测试集生成模块、模型训练模块和模型验证模块：
训练数据构建模块，用于对每个电池供电设备执行：获取电池供电设备整个存活天数耗尽所执行过的若干时间点的特征集合X，X=[x1,x2,…,xr]，xr为第r个时间点tr对应的任务特征集，任一个任务特征集xi包含有从起始时间点t0到当前时间点ti产生的所有任务特征；构建训练数据集合W=[Q1，Q2,…Qr], 训练数据Qi=（xi，yi），i=[1，2，…，r]，yi为第i个时间点时电池剩余存活天数T剩余；
T剩余=T总存活天数-i*t时段，t时段指相邻两个时间点之间的时长；
获得训练数据总集[W1，W2,…WN], WN为第N个电池供电设备对应的训练数据集合；
电池供电设备指由电池作为唯一能量源的设备；
训练集与测试集生成模块，用于对训练数据总集中所有训练数据Q按Z1:Z2比例进行划分，生成训练集与测试集；
模型训练模块，用于对采用训练集对机器学习模型进行训练，并采用模型优化算法对训练出的机器学习模型进行参数优化；
模型验证模块，用于对采用测试集对参数优化过的机器学习模型进行测试，若测试结果通过，则输出该机器学习模型为电池剩余存活天数预测模型。
上述锂亚电池存活天数预测模型建立系统，训练数据构建模块还包括特征选择单元，所述特征选择单元用于对特征集合X=[x1,x2,…,xr]进行特征选择，具体操作为：使用逻辑回归算法模型计算任务特征的权重P=[p1,p2,…,pr]；根据对应电池供电设备的权重阈值Ps，去除权重低于权重阈值Ps的任务特征，获得特征集合X=[x1’,x2’,…,xr’]，使用特征集合X=[x1’,x2’,…,xr’]构建训练数据Q。
上述锂亚电池存活天数预测模型建立系统，所述逻辑回归算法模型通过以下步骤获得：
获取电池供电设备在电池整个存活天数H内仅执行单个任务task的最大频次T，构建训练数据E=（taskx，U耗），U耗=H÷T；获得训练数据集F=[E1,E2,…,Em]；
Em为对应第m个任务的训练数据；
使用训练数据集F对逻辑回归算法模型进行训练，所述逻辑回归算法模型为采用softmax函数的逻辑回归算法模型。
上述锂亚电池存活天数预测模型建立系统，所述电池供电设备所执行过的若干任务分为数据采集任务和数据上传任务两种；
训练数据构建模块还包括特征合并单元，特征合并单元用于对特征集合X=[x1,x2,…,xr]进行特征合并，包括以下步骤：任务特征集xi=[task1，task2，…, taskn]，taskn为截止第i个时间点获取到的第n个任务特征；
当任务特征为采集任务特征时taskc=（ac，bc），ac为采集对象标识，bc为采集数据时长；
当任务特征为上传任务特征时tasks=（as，bs），as为上传对象标识，bs为上传数据时长；
对于任务特征集xi，对采集对象相同的多个采集任务特征taskC进行合并，对上传对象相同的多个上传任务特征tasks进行合并；
合并后的任务特征集xi=[taskc 1，taskc 2,…, taskc k, tasks 1，tasks 2,…,tasks L]，taskc k为第k个采集任务特征；tasks L为第L个上传任务特征。
本发明第三方面提供一种电子设备，包括：存储器和处理器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器调用存储于所述存储器中的程序，以执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施例提供的方法。
本发明第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机运行时执行第一方面实施例和/或结合第一方面实施例的任一种可能的实施例提供的方法。
本发明与现有技术相比具有以下优点：本发明在电池剩余存活天数预测模型的建立中，面对锂亚电池剩余电量难以测量的问题时，使用电池供电设备的已执行任务特征和当下剩余存活天数作为训练数据，使用机器学习的方法建立电池剩余存活天数预测模型，有效的实现了对锂亚电池剩余存活天数的预测。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为锂亚电池存活天数预测模型建立方法流程图。
图2为锂亚电池存活天数预测模型建立系统架构图。
具体实施方式
实施例1
如图1所示，一种锂亚电池存活天数预测模型建立方法，包括以下步骤：
步骤一、训练数据构建：对每个电池供电设备执行：获取电池供电设备整个存活天数耗尽所执行过的若干时间点的特征集合X，X=[x1,x2,…,xr]，xr为第r个时间点tr对应的任务特征集，任一个任务特征集xi包含有从起始时间点t0到当前时间点ti产生的所有任务特征；构建训练数据集合W=[Q1，Q2,…Qr],训练数据Qi=（xi，yi），i=[1，2，…，r]，yi为第i个时间点时电池剩余存活天数T剩余；
T剩余=T总存活天数-i*t时段，t时段指相邻两个时间点之间的时长，此处取t时段=1天；
获得训练数据总集[W1，W2,…WN], WN为第N个电池供电设备对应的训练数据集合；
电池供电设备指由电池作为唯一能量源的设备；
需要说明是，电池供电设备譬如对天燃气调压设备进行监测的物联终端，天燃气调压设备主要用于天燃气输配管网中，目的是将高压天然气适当减压至适用于工业或民用的低压天然气。若物联终端的电池存活天数耗尽时，天然气调压设备运行的各项数据无法被天然气仿真系统获取，以致最终影响到城市天然气管网的数据化运营；
获取电池供电设备整个存活天数耗尽所执行过的若干时间点的特征集合X，X=[x1,x2,…,xr]，例如电池供电设备整个存活天数耗尽为200天，x1为电池第一天内所有执行任务对应的任务特征集，x2为电池第一天和第二天两天内所有执行任务对应的任务特征集，xr为电池200天内所有执行任务对应的任务特征集；电池剩余存活天数T剩余的单位为天数，即y1=200-1=199天，y2=200-2=198天；
步骤二、训练集与测试集生成：对训练数据总集中所有训练数据Q按Z1:Z2比例进行划分，生成训练集与测试集；
优选的，Z1:Z2=7:3；
步骤三、模型构建：采用训练集对机器学习模型进行训练，并采用模型优化算法对训练出的机器学习模型进行参数优化；
本实施例中，机器学习模型选择XGBoost（极端梯度提升）模型，当然本领域技术人员也可以选择其他机器学习模型，参数优化使用PSO（粒子群）算法对XGBoost模型的参数进行优化，寻找最优参数，提升模型的精确度，此处为常规技术，不做详细描述。
步骤四、模型验证：采用测试集对参数优化过的机器学习模型进行测试，若测试结果通过，则输出该机器学习模型为电池剩余存活天数预测模型。
本实施例中，步骤一还包括对特征集合X=[x1,x2,…,xr]进行特征选择，具体操作为：使用逻辑回归算法模型计算任务特征的权重P=[p1,p2,…,pr]；根据对应电池供电设备的权重阈值Ps，去除权重低于权重阈值Ps的任务特征，获得特征集合X=[x1’,x2’,…,xr’]，使用特征集合X=[x1’,x2’,…,xr’]构建训练数据Q。
需要说明的是，电池供电设备会在实际中执行很多任务的，以所述物联终端为例，其执行的任务可以划分为：
任务1：采集管道中的燃气压力、时间戳数据；
任务2：采集管道的温度、时间戳数据；
任务3：采集周围环境的温度、时间戳数据、气体浓度、水位、位移；
任务4：采集电池的电压、电流等数据；
任务5：上传数据（含采集数据及不同类型的报文数据如：00、11、22、33、44、BB、CC）、接收指令、信号强度；
当然也可进一步细化任务内容，例如任务3-1：采集周围环境的温度、时间戳数据，任务3-2：采集周围环境的气体浓度、时间戳数据；
对于电池供电设备来说，部分任务被执行时的耗电微乎其微，所以将这部分任务的特征从任务特征集x中剔除，可以有效减少数据运算和干扰；
本实施例中，所述逻辑回归算法模型通过以下步骤获得：
获取电池供电设备在电池整个存活天数H内仅执行单个任务task的最大频次T，构建训练数据E=（taskx，U耗），U耗=H÷T；获得训练数据集F=[E1,E2,…,Em]；
Em为对应第m个任务的训练数据；
使用训练数据集F对逻辑回归算法模型进行训练，所述逻辑回归算法模型为采用softmax函数的逻辑回归算法模型。
需要说明的是，采用softmax函数的逻辑回归算法模型是解决多分类问题的分类模型，此处将分类的类型设定为具体任务单次执行的耗存活天数U耗，据此训练出的模型，可在后续应用中根据任务标识taskx，得到该任务的耗存活天数，实际实施时，可以根据技术员经验仅对部分任务在实验环境下测算出任务单次执行的耗存活天数，用于训练逻辑回归算法模型；然后在对特征集合X=[x1,x2,…,xr]进行优化时，将这些任务的权重算出，其他用逻辑回归算法模型无法计算权重的任务，直接统一赋值权重，免于筛选，据此降低数据量。
本实施例中，所述电池供电设备所执行过的若干任务分为数据采集任务和数据上传任务两种；
步骤一还包括对特征集合X=[x1,x2,…,xr]进行特征合并，包括以下步骤：任务特征集xi=[task1，task2，…, taskn]，taskn为截止第i个时间点获取到的第n个任务特征；
当任务特征为采集任务特征时taskc=（ac，bc），ac为采集对象标识，bc为采集数据时长；
当任务特征为上传任务特征时tasks=（as，bs），as为上传对象标识，bs为上传数据时长；
对于任务特征集xi，对采集对象相同的多个采集任务特征taskC进行合并，对上传对象相同的多个上传任务特征tasks进行合并；
合并后的任务特征集xi=[taskc 1，taskc 2,…, taskc k, tasks 1，tasks 2,…,tasks L]，taskc k为第k个采集任务特征；tasks L为第L个上传任务特征。
需要说明的是，实际中，因为电池供电设备的数据采集任务和数据上传任务的耗存活天数具有很大的不同，数据采集任务大多只是在收到数据时发生回应，但频次很多；而上传任务耗费的时间很多，但频次较少，为了消除这种数据差别，所以进行特征合并，使训练出的电池剩余存活天数预测模型稳定性和准确率更好。
需要说明的是，步骤一中对特征集合X=[x1,x2,…,xr]的特征选择操作和特征合并操作，先后顺序可以互换。
实施例2
如图2所示，一种锂亚电池存活天数预测模型建立系统，包括训练数据构建模块、训练集与测试集生成模块、模型训练模块和模型验证模块：
训练数据构建模块，用于对每个电池供电设备执行：获取电池供电设备整个存活天数耗尽所执行过的若干时间点的特征集合X，X=[x1,x2,…,xr]，xr为第r个时间点tr对应的任务特征集，任一个任务特征集xi包含有从起始时间点t0到当前时间点ti产生的所有任务特征；构建训练数据集合W=[Q1，Q2,…Qr],训练数据Qi=（xi，yi），i=[1，2，…，r]，yi为第i个时间点时电池剩余存活天数T剩余；
T剩余=T总存活天数-i*t时段，t时段指相邻两个时间点之间的时长；
获得训练数据总集[W1，W2,…WN], WN为第N个电池供电设备对应的训练数据集合；
电池供电设备指由电池作为唯一能量源的设备；
训练集与测试集生成模块，用于对训练数据总集中所有训练数据Q按Z1:Z2比例进行划分，生成训练集与测试集；
模型训练模块，用于对采用训练集对机器学习模型进行训练，并采用模型优化算法对训练出的机器学习模型进行参数优化；
模型验证模块，用于对采用测试集对参数优化过的机器学习模型进行测试，若测试结果通过，则输出该机器学习模型为电池剩余存活天数预测模型。
上述锂亚电池存活天数预测模型建立系统，训练数据构建模块还包括特征选择单元，所述特征选择单元用于对特征集合X=[x1,x2,…,xr]进行特征选择，具体操作为：使用逻辑回归算法模型计算任务特征的权重P=[p1,p2,…,pr]；根据对应电池供电设备的权重阈值Ps，去除权重低于权重阈值Ps的任务特征，获得特征集合X=[x1’,x2’,…,xr’]，使用特征集合X=[x1’,x2’,…,xr’]构建训练数据Q。
上述锂亚电池存活天数预测模型建立系统，所述逻辑回归算法模型通过以下步骤获得：
获取电池供电设备在电池整个存活天数H内仅执行单个任务task的最大频次T，构建训练数据E=（taskx，U耗），U耗=H÷T；获得训练数据集F=[E1,E2,…,Em]；
Em为对应第m个任务的训练数据；
使用训练数据集F对逻辑回归算法模型进行训练，所述逻辑回归算法模型为采用softmax函数的逻辑回归算法模型。
上述锂亚电池存活天数预测模型建立系统，所述电池供电设备所执行过的若干任务分为数据采集任务和数据上传任务两种；
训练数据构建模块还包括特征合并单元，特征合并单元用于对特征集合X=[x1,x2,…,xr]进行特征合并，包括以下步骤：任务特征集xi=[task1，task2，…, taskn]，taskn为截止第i个时间点获取到的第n个任务特征；
当任务特征为采集任务特征时taskc=（ac，bc），ac为采集对象标识，bc为采集数据时长；
当任务特征为上传任务特征时tasks=（as，bs），as为上传对象标识，bs为上传数据时长；
对于任务特征集xi，对采集对象相同的多个采集任务特征taskC进行合并，对上传对象相同的多个上传任务特征tasks进行合并；
合并后的任务特征集xi=[taskc 1，taskc 2,…, taskc k, tasks 1，tasks 2,…,tasks L]，taskc k为第k个采集任务特征；tasks L为第L个上传任务特征。
需要说明的是，训练数据构建模块对特征集合X=[x1,x2,…,xr]的特征选择操作和特征合并操作，先后顺序可以互换。
本实施例提供的锂亚电池存活天数预测模型建立系统，其实现原理及产生的技术效果与实施例1中的方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考实施例1中相应内容。
实施例3
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机运行时执行上述实施例1中所述锂亚电池存活天数预测模型建立方法。
实施例4
一种电子设备，包括：存储器和处理器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器调用存储于所述存储器中的程序，以执行如实施例1中所述锂亚电池存活天数预测模型建立方法。
需要说明的是，所述电子设备，可以是，但不限于个人电脑（personal computer，PC）、平板电脑、移动上网设备（mobile internet device，MID）等设备。
应当注意的是，处理器、存储器以及其他可能出现于电子设备的组件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，处理器、存储器以及其他可能出现的组件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的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(可以是个人计算机，笔记本电脑,服务器，手机，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器 (ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (10)

1.一种锂亚电池存活天数预测模型建立方法，其特征在于，包括以下步骤：
步骤一、训练数据构建：对每个电池供电设备执行：获取电池供电设备整个存活天数耗尽所执行过的若干时间点的特征集合X，X=[x1,x2,…,xr]，xr为第r个时间点tr对应的任务特征集，任一个任务特征集xi包含有从起始时间点t0到当前时间点ti产生的所有任务特征；构建训练数据集合W=[Q1，Q2,…Qr], 训练数据Qi=（xi，yi），i=[1，2，…，r]，yi为第i个时间点时电池剩余存活天数T剩余；
T剩余=T总存活天数-i*t时段，t时段指相邻两个时间点之间的时长；
获得训练数据总集[W1，W2,…WN], WN为第N个电池供电设备对应的训练数据集合；
电池供电设备指由电池作为唯一能量源的设备；
步骤二、训练集与测试集生成：对训练数据总集中所有训练数据Q按Z1:Z2比例进行划分，生成训练集与测试集；
步骤三、模型构建：采用训练集对机器学习模型进行训练，并采用模型优化算法对训练出的机器学习模型进行参数优化；
步骤四、模型验证：采用测试集对参数优化过的机器学习模型进行测试，若测试结果通过，则输出该机器学习模型为电池剩余存活天数预测模型。
2.按照权利要求1所述的一种锂亚电池存活天数预测模型建立方法，其特征在于，步骤一还包括对特征集合X=[x1,x2,…,xr]进行特征选择，具体操作为：使用逻辑回归算法模型计算任务特征的权重P=[p1,p2,…,pr]；根据对应电池供电设备的权重阈值Ps，去除权重低于权重阈值Ps的任务特征，获得特征集合X=[x1’,x2’,…,xr’]，使用特征集合X=[x1’,x2’,…,xr’]构建训练数据Q。
3.按照权利要求2所述的一种锂亚电池存活天数预测模型建立方法，其特征在于，所述逻辑回归算法模型通过以下步骤获得：
获取电池供电设备在电池整个存活天数H内仅执行单个任务task的最大频次T，构建训练数据E=（taskx，U耗），U耗=H÷T；获得训练数据集F=[E1,E2,…,Em]；
Em为对应第m个任务的训练数据；
使用训练数据集F对逻辑回归算法模型进行训练，所述逻辑回归算法模型为采用softmax函数的逻辑回归算法模型。
4.按照权利要求1所述的一种锂亚电池存活天数预测模型建立方法，其特征在于，所述电池供电设备所执行过的若干任务分为数据采集任务和数据上传任务两种；
步骤一还包括对特征集合X=[x1,x2,…,xr]进行特征合并，包括以下步骤：任务特征集xi=[task1，task2，…, taskn]，taskn为截止第i个时间点获取到的第n个任务特征；
当任务特征为采集任务特征时taskc =（ac，bc），ac为采集对象标识，bc为采集数据时长；
当任务特征为上传任务特征时tasks=（as，bs），as为上传对象标识，bs为上传数据时长；
对于任务特征集xi，对采集对象相同的多个采集任务特征taskC进行合并，对上传对象相同的多个上传任务特征tasks进行合并；
合并后的任务特征集xi=[taskc 1，taskc 2,…, taskc k, tasks 1，tasks 2,…, tasks L]，taskc k为第k个采集任务特征；tasks L为第L个上传任务特征。
5.一种锂亚电池存活天数预测模型建立系统，其特征在于，包括训练数据构建模块、训练集与测试集生成模块、模型训练模块和模型验证模块：
训练数据构建模块，用于对每个电池供电设备执行：获取电池供电设备整个存活天数耗尽所执行过的若干时间点的特征集合X，X=[x1,x2,…,xr]，xr为第r个时间点tr对应的任务特征集，任一个任务特征集xi包含有从起始时间点t0到当前时间点ti产生的所有任务特征；构建训练数据集合W=[Q1，Q2,…Qr], 训练数据Qi=（xi，yi），i=[1，2，…，r]，yi为第i个时间点时电池剩余存活天数T剩余；
T剩余=T总存活天数-i*t时段，t时段指相邻两个时间点之间的时长；
获得训练数据总集[W1，W2,…WN], WN为第N个电池供电设备对应的训练数据集合；
电池供电设备指由电池作为唯一能量源的设备；
训练集与测试集生成模块，用于对训练数据总集中所有训练数据Q按Z1:Z2比例进行划分，生成训练集与测试集；
模型训练模块，用于对采用训练集对机器学习模型进行训练，并采用模型优化算法对训练出的机器学习模型进行参数优化；
模型验证模块，用于对采用测试集对参数优化过的机器学习模型进行测试，若测试结果通过，则输出该机器学习模型为电池剩余存活天数预测模型。
6.按照权利要求5所述的一种锂亚电池存活天数预测模型建立系统，其特征在于，训练数据构建模块还包括特征选择单元，所述特征选择单元用于对特征集合X=[x1,x2,…,xr]进行特征选择，具体操作为：使用逻辑回归算法模型计算任务特征的权重P=[p1,p2,…,pr]；根据对应电池供电设备的权重阈值Ps，去除权重低于权重阈值Ps的任务特征，获得特征集合X=[x1’,x2’,…,xr’]，使用特征集合X=[x1’,x2’,…,xr’]构建训练数据Q。
7.按照权利要求6所述的一种锂亚电池存活天数预测模型建立系统，其特征在于，所述逻辑回归算法模型通过以下步骤获得：
获取电池供电设备在电池整个存活天数H内仅执行单个任务task的最大频次T，构建训练数据E=（taskx，U耗），U耗=H÷T；获得训练数据集F=[E1,E2,…,Em]；
Em为对应第m个任务的训练数据；
使用训练数据集F对逻辑回归算法模型进行训练，所述逻辑回归算法模型为采用softmax函数的逻辑回归算法模型。
8.按照权利要求5所述的一种锂亚电池存活天数预测模型建立系统，其特征在于，所述电池供电设备所执行过的若干任务分为数据采集任务和数据上传任务两种；
训练数据构建模块还包括特征合并单元，特征合并单元用于对特征集合X=[x1,x2,…,xr]进行特征合并，包括以下步骤：任务特征集xi=[task1，task2，…, taskn]，taskn为截止第i个时间点获取到的第n个任务特征；
当任务特征为采集任务特征时taskc =（ac，bc），ac为采集对象标识，bc为采集数据时长；
当任务特征为上传任务特征时tasks=（as，bs），as为上传对象标识，bs为上传数据时长；
对于任务特征集xi，对采集对象相同的多个采集任务特征taskC进行合并，对上传对象相同的多个上传任务特征tasks进行合并；
合并后的任务特征集xi=[taskc 1，taskc 2,…, taskc k, tasks 1，tasks 2,…, tasks L]，taskc k为第k个采集任务特征；tasks L为第L个上传任务特征。
9.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器调用存储于所述存储器中的程序，以执行如权利要求1—4中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被计算机运行时执行如权利要求1—4中任一项所述的方法。
CN202310484769.4A 2023-05-04 2023-05-04 锂亚电池存活天数预测模型建立方法、系统、设备及介质 Active CN116205379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310484769.4A CN116205379B (zh) 2023-05-04 2023-05-04 锂亚电池存活天数预测模型建立方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310484769.4A CN116205379B (zh) 2023-05-04 2023-05-04 锂亚电池存活天数预测模型建立方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN116205379A CN116205379A (zh) 2023-06-02
CN116205379B true CN116205379B (zh) 2023-07-07

Family

ID=86509768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310484769.4A Active CN116205379B (zh) 2023-05-04 2023-05-04 锂亚电池存活天数预测模型建立方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116205379B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019018974A1 (zh) * 2017-07-24 2019-01-31 罗伯特·博世有限公司 用于对电池容量进行建模和估计的方法及系统
CN110058165A (zh) * 2017-10-17 2019-07-26 小利兰·斯坦福大学托管委员会 锂离子电池容量衰减和寿命预测的数据驱动模型
CN110095731A (zh) * 2019-05-06 2019-08-06 哈尔滨工业大学 应用于长寿命空间锂离子电池的剩余寿命直接预测方法
CN112585487A (zh) * 2019-11-29 2021-03-30 深圳市大疆创新科技有限公司 电池寿命检测方法、电池、电子设备和存储介质
CN114839540A (zh) * 2022-05-17 2022-08-02 西安交通大学 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法
CN114879050A (zh) * 2022-06-14 2022-08-09 山东大学 基于云边协同的动力电池寿命智能快速测试方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7429849B2 (en) * 2003-11-26 2008-09-30 Toyo System Co., Ltd. Method and apparatus for confirming the charge amount and degradation state of a battery, a storage medium, an information processing apparatus, and an electronic apparatus
US20100235121A1 (en) * 2009-03-11 2010-09-16 Scott Douglas Constien Methods and apparatus for modeling, simulating, estimating and controlling power consumption in battery-operated devices

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019018974A1 (zh) * 2017-07-24 2019-01-31 罗伯特·博世有限公司 用于对电池容量进行建模和估计的方法及系统
CN110058165A (zh) * 2017-10-17 2019-07-26 小利兰·斯坦福大学托管委员会 锂离子电池容量衰减和寿命预测的数据驱动模型
CN110095731A (zh) * 2019-05-06 2019-08-06 哈尔滨工业大学 应用于长寿命空间锂离子电池的剩余寿命直接预测方法
CN112585487A (zh) * 2019-11-29 2021-03-30 深圳市大疆创新科技有限公司 电池寿命检测方法、电池、电子设备和存储介质
CN114839540A (zh) * 2022-05-17 2022-08-02 西安交通大学 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法
CN114879050A (zh) * 2022-06-14 2022-08-09 山东大学 基于云边协同的动力电池寿命智能快速测试方法及系统

Also Published As

Publication number Publication date
CN116205379A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
Zhou et al. A fast screening framework for second-life batteries based on an improved bisecting K-means algorithm combined with fast pulse test
US9618993B2 (en) System and method for power management of mobile devices
CN110082682B (zh) 一种锂电池荷电状态估计方法
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
CN114371409B (zh) 电池状态预测模型的训练方法、电池状态预测方法及装置
CN110806546A (zh) 电池健康评估方法、装置、存储介质及电子设备
Shen et al. Toward fast and accurate SOH prediction for lithium-ion batteries
CN116796631A (zh) 一种计及约束条件的锂电池寿命预测方法
CN114879046B (zh) 一种基于卡尔曼滤波的锂电池寿命预测方法和系统
CN115586444A (zh) 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法
CN116205379B (zh) 锂亚电池存活天数预测模型建立方法、系统、设备及介质
CN116609686B (zh) 一种基于云平台大数据的电芯一致性评估方法
WO2024060539A1 (zh) 动力电池的年度碳排放量估算方法及装置
CN114089204B (zh) 一种电池容量跳水拐点预测方法及装置
CN115499315A (zh) Ota升级任务的执行方法、装置和电子设备
Lu et al. Deep learning to predict battery voltage behavior after uncertain cycling-induced degradation
CN115951225A (zh) 一种电池均衡优化容量估计方法和装置
CN109977622B (zh) 一种动力电池的剩余寿命预测方法
CN113655384A (zh) 一种云边端计算的电池状态计算方法
CN107748327B (zh) 一种储能电池组在线评估方法及装置
CN117237034B (zh) 度电成本确定方法、装置、计算机设备及存储介质
CN116500460B (zh) 一种基于云计算的物联网电池健康状态诊断和预测系统
Li et al. Control-oriented implementation and model order reduction of a lithium-ion battery electrochemical model
CN107093755B (zh) 液流电池系统的控制方法和装置
CN117808323A (zh) 基于电解铝生产数据和碳排放量的碳足迹计量方法及系统

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
GR01 Patent grant
GR01 Patent grant