CN116238384B - 电池的性能识别方法、装置、设备及存储介质 - Google Patents
电池的性能识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116238384B CN116238384B CN202310534572.7A CN202310534572A CN116238384B CN 116238384 B CN116238384 B CN 116238384B CN 202310534572 A CN202310534572 A CN 202310534572A CN 116238384 B CN116238384 B CN 116238384B
- Authority
- CN
- China
- Prior art keywords
- battery
- vehicle
- target
- performance
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/80—Exchanging energy storage elements, e.g. removable batteries
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池管理领域,公开了一种电池的性能识别方法、装置、设备及存储介质,用于提高电池性能的识别准确率以及提高换电匹配的效率。所述方法包括:获取目标电池的电池关联信息;对电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据目标电池性能特征构建性能评价矩阵;获取多个待匹配车辆信息,并将多个待匹配车辆信息和性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;分别将多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;根据多个预测推送率生成目标换电序列,并根据目标换电序列对多个待匹配车辆信息进行换电推荐。
Description
技术领域
本发明涉及电池管理领域,尤其涉及一种电池的性能识别方法、装置、设备及存储介质。
背景技术
随着新能源车辆行业的高速发展,也带动了电池技术产业的高速发展。电池是一种储电器件,而新能源车辆对电池的性能要求会更加严格。目前市面上出现了可以用于新能源车辆换电的电池换电站,新能源车辆可以不用等待充电而直接采用换电的方式,大大节省了充电的等待时间。
但是现有方案无法针对性的对每一个换电站的电池进行性能识别,进而导致无法对电池匹配到最适用的目标车辆,导致电池的性能识别准确率低,进而使得换电匹配的效率较低。
发明内容
本发明提供了一种电池的性能识别方法、装置、设备及存储介质,用于提高电池性能的识别准确率以及提高换电匹配的效率。
本发明第一方面提供了一种电池的性能识别方法,所述电池的性能识别方法包括:获取待处理的目标电池所对应的电池关联信息,其中,所述电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息;对所述电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据所述目标电池性能特征构建性能评价矩阵;获取多个待匹配车辆信息,并将所述多个待匹配车辆信息和所述性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;分别将所述多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;根据所述多个预测推送率生成目标换电序列,并根据所述目标换电序列对所述多个待匹配车辆信息进行换电推荐。
可选的,在本发明第一方面的第一种实现方式中,所述对所述电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据所述目标电池性能特征构建性能评价矩阵,包括:根据所述电池本体信息确定所述目标电池对应的多个电池本体特征;根据所述历史车辆使用信息计算所述目标电池的历史使用频率,并根据所述历史使用频率生成电池使用偏好特征;根据所述多个电池本体特征和所述电池使用偏好特征生成目标电池性能特征;根据所述目标电池性能特征构建所述目标电池对应的性能评价矩阵。
可选的,在本发明第一方面的第二种实现方式中,所述根据所述目标电池性能特征构建所述目标电池对应的性能评价矩阵,包括:对所述目标电池性能特征中的多个电池本体特征和电池使用偏好特征进行特征值映射,得到多个本体特征值和偏好特征值;对所述多个本体特征值和所述偏好特征值进行特征交叉处理,得到离散化矩阵元素数据;根据所述离散化矩阵元素数据生成所述目标电池性能特征对应的性能评价矩阵。
可选的,在本发明第一方面的第三种实现方式中,所述获取多个待匹配车辆信息,并将所述多个待匹配车辆信息和所述性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果,包括:获取多个待匹配车辆信息,并根据所述多个待匹配车辆信息确定每个待匹配车辆对应的权重参数;将所述性能评价矩阵和所述权重参数输入预置的车辆换电匹配模型,并通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率;根据所述多个匹配概率生成所述目标电池和所述多个待匹配车辆之间的多个换电匹配结果。
可选的,在本发明第一方面的第四种实现方式中,所述将所述性能评价矩阵和所述权重参数输入预置的车辆换电匹配模型,并通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率,包括:根据所述性能评价矩阵和所述权重参数生成每个待匹配车辆对应的目标参数矩阵;将每个待匹配车辆对应的目标参数矩阵输入预置的车辆换电匹配模型,其中,所述车辆换电匹配模型包括:第一门限循环网络、第二门限循环网络和全连接网络;通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率。
可选的,在本发明第一方面的第五种实现方式中,所述分别将所述多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率,包括:分别将所述多个换电匹配结果输入预置的推送预测模型;通过所述推送预测模型计算所述多个换电匹配结果的关联度;根据所述关联度生成每个换电匹配结果的换电推送预测率,得到多个预测推送率。
可选的,在本发明第一方面的第六种实现方式中,所述根据所述多个预测推送率生成目标换电序列,并根据所述目标换电序列对所述多个待匹配车辆信息进行换电推荐,包括:按照所述多个预测推送率对所述多个待匹配车辆进行排序,得到目标换电序列;从所述目标换电序列中选取预测推送率最大时对应的待匹配车辆作为目标车辆;将所述目标电池对应的电池关联信息推送至所述目标车辆。
本发明第二方面提供了一种电池的性能识别装置,所述电池的性能识别装置包括:获取模块,用于获取待处理的目标电池所对应的电池关联信息,其中,所述电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息;构建模块,用于对所述电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据所述目标电池性能特征构建性能评价矩阵;匹配模块,用于获取多个待匹配车辆信息,并将所述多个待匹配车辆信息和所述性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;预测模块,用于分别将所述多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;生成模块,用于根据所述多个预测推送率生成目标换电序列,并根据所述目标换电序列对所述多个待匹配车辆信息进行换电推荐。
可选的,在本发明第二方面的第一种实现方式中,所述构建模块还包括:处理单元,用于根据所述电池本体信息确定所述目标电池对应的多个电池本体特征;计算单元,用于根据所述历史车辆使用信息计算所述目标电池的历史使用频率,并根据所述历史使用频率生成电池使用偏好特征;生成单元,用于根据所述多个电池本体特征和所述电池使用偏好特征生成目标电池性能特征;构建单元,用于根据所述目标电池性能特征构建所述目标电池对应的性能评价矩阵。
可选的,在本发明第二方面的第二种实现方式中,所述构建单元具体用于:对所述目标电池性能特征中的多个电池本体特征和电池使用偏好特征进行特征值映射,得到多个本体特征值和偏好特征值;对所述多个本体特征值和所述偏好特征值进行特征交叉处理,得到离散化矩阵元素数据;根据所述离散化矩阵元素数据生成所述目标电池性能特征对应的性能评价矩阵。
可选的,在本发明第二方面的第三种实现方式中,所述匹配模块具体用于:获取单元,用于获取多个待匹配车辆信息,并根据所述多个待匹配车辆信息确定每个待匹配车辆对应的权重参数;匹配单元,用于将所述性能评价矩阵和所述权重参数输入预置的车辆换电匹配模型,并通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率;输出单元,用于根据所述多个匹配概率生成所述目标电池和所述多个待匹配车辆之间的多个换电匹配结果。
可选的,在本发明第二方面的第四种实现方式中,所述匹配单元具体用于:根据所述性能评价矩阵和所述权重参数生成每个待匹配车辆对应的目标参数矩阵;将每个待匹配车辆对应的目标参数矩阵输入预置的车辆换电匹配模型,其中,所述车辆换电匹配模型包括:第一门限循环网络、第二门限循环网络和全连接网络;通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率。
可选的,在本发明第二方面的第五种实现方式中,所述预测模块具体用于:分别将所述多个换电匹配结果输入预置的推送预测模型;通过所述推送预测模型计算所述多个换电匹配结果的关联度;根据所述关联度生成每个换电匹配结果的换电推送预测率,得到多个预测推送率。
可选的,在本发明第二方面的第六种实现方式中,所述生成模块具体用于:按照所述多个预测推送率对所述多个待匹配车辆进行排序,得到目标换电序列;从所述目标换电序列中选取预测推送率最大时对应的待匹配车辆作为目标车辆;将所述目标电池对应的电池关联信息推送至所述目标车辆。
本发明第三方面提供了一种电池的性能识别设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述电池的性能识别设备执行上述的电池的性能识别方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的电池的性能识别方法。
本发明提供的技术方案中,获取目标电池的电池关联信息;对电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据目标电池性能特征构建性能评价矩阵;获取多个待匹配车辆信息,并将多个待匹配车辆信息和性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;分别将多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;根据多个预测推送率生成目标换电序列,并根据目标换电序列对多个待匹配车辆信息进行换电推荐,本发明首先对目标电池进行性能识别分析,然后根据性能分析结果生成性能评价矩阵,进而实现根据目标电池的性能匹配到最适用于目标车辆的电池,提高电池的利用率并延长电池寿命,进而提高了电池性能的识别准确率以及提高了换电匹配的效率。
附图说明
图1为本发明实施例中电池的性能识别方法的一个实施例示意图;
图2为本发明实施例中电池的性能识别方法的另一个实施例示意图;
图3为本发明实施例中电池的性能识别装置的一个实施例示意图;
图4为本发明实施例中电池的性能识别装置的另一个实施例示意图;
图5为本发明实施例中电池的性能识别设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种电池的性能识别方法、装置、设备及存储介质,用于提高电池性能的识别准确率以及提高换电匹配的效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中电池的性能识别方法的一个实施例包括:
101、获取待处理的目标电池所对应的电池关联信息,其中,电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息;
可以理解的是,本发明的执行主体可以为电池的性能识别装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,获取目标区域在预设周期内的运营时间、电池关联信息、实际换电次数和额定换电次数,基于目标区域在预设周期内的运营时间、电池关联信息和额定换电次数,确定目标区域在预设周期内的最大换电次数,基于实际换电次数和最大换电次数,获取待处理的目标电池所对应的电池关联信息,其中,电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息。
102、对电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据目标电池性能特征构建性能评价矩阵;
具体的,提供待分析电池和满足预设循环性能要求的标准待分析电池,分别与相同的负极、性能按照相同的方法分别组装成电池,得到标准电池和待测电池,将标准电池和待测电池在同样的条件下进行预充老化和分容处理,在电池检测系统上充放1-3个循环,收集充电和放电容量、电压数据,得到目标电池性能特征,根据目标电池性能特征构建性能评价矩阵。
103、获取多个待匹配车辆信息,并将多个待匹配车辆信息和性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;
具体的,服务器首先对待匹配的车辆信息进行归一化处理,获取归一化的车辆信息库,将待匹配的车辆与电池信息与归一化的车辆信息库中预先存储的车辆信息进行对比,并计算车辆相似度分数,输出车辆信息库中车辆相似度分数最高的车辆信息,并据此进行车辆和电池信息匹配,得到多个换电匹配结果。
104、分别将多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;
具体的,根据多个换电匹配结果预测下一时段的换电预测量,预测下一时段的放电量,预测下一时段的用电量,预测下一时段的充电量,预测下一时段的换电量,基于用电量、预测充电量及预测换电量确定各时段的预测所需电量,基于换电预测量及放电量确定各时段的预测可供应电量,基于预测可供应电量及预测所需电量确定电量分配计划,得到多个预测推送率。
105、根据多个预测推送率生成目标换电序列,并根据目标换电序列对多个待匹配车辆信息进行换电推荐。
具体的,服务器根据多个预测推送率生成目标换电序列,进而服务器分析使用充换电站车辆的目标换电序列以及充换电需求,建立充换电需求模型,依据行为数据集建立电池充电规则矩阵与车辆换电需求矩阵,进行车辆与电池的匹配决策,并根据目标换电序列对多个待匹配车辆信息进行换电推荐。
本发明实施例中,获取目标电池的电池关联信息;对电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据目标电池性能特征构建性能评价矩阵;获取多个待匹配车辆信息,并将多个待匹配车辆信息和性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;分别将多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;根据多个预测推送率生成目标换电序列,并根据目标换电序列对多个待匹配车辆信息进行换电推荐,本发明首先对目标电池进行性能识别分析,然后根据性能分析结果生成性能评价矩阵,进而实现根据目标电池的性能匹配到最适用于目标车辆的电池,提高电池的利用率并延长电池寿命,进而提高了电池性能的识别准确率以及提高了换电匹配的效率。
请参阅图2,本发明实施例中电池的性能识别方法的另一个实施例包括:
201、获取待处理的目标电池所对应的电池关联信息,其中,电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息;
202、根据电池本体信息确定目标电池对应的多个电池本体特征;
203、根据历史车辆使用信息计算目标电池的历史使用频率,并根据历史使用频率生成电池使用偏好特征;
具体的,服务器获取待处理的目标电池所对应的电池关联信息,其中,电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息,根据电池本体信息确定目标电池对应的多个电池本体特征,分别对电池本体特征的充放电曲线以及负极半电池的充放电曲线划分,得到电池本体特征的充放电曲线、负极半电池的充放电曲线在不同区间的相变反应区间,根据电池本体特征的充放电曲线、负极半电池的充放电曲线在不同区间的相变反应区间对全电池的差分电压曲线进行特征区域划分,得到全电池差分电压曲线的特征参数,并根据历史车辆使用信息计算目标电池的历史使用频率,并根据历史使用频率生成电池使用偏好特征。
204、根据多个电池本体特征和电池使用偏好特征生成目标电池性能特征;
205、根据目标电池性能特征构建目标电池对应的性能评价矩阵;
具体的,对目标电池性能特征中的多个电池本体特征和电池使用偏好特征进行特征值映射,得到多个本体特征值和偏好特征值;对多个本体特征值和偏好特征值进行特征交叉处理,得到离散化矩阵元素数据;根据离散化矩阵元素数据生成目标电池性能特征对应的性能评价矩阵。
其中,记录电池使用时每一次充放电循环后的容量,获得与循环次数对应的电池容量数据,设定拟合曲线取数周期,获取拟合曲线取数周期内对应的容量趋势曲线及容量预测公式,每当循环次数达到拟合曲线取数周期时,进行特征值映射,得到多个本体特征值和偏好特征值,对多个本体特征值和偏好特征值进行特征交叉处理,得到离散化矩阵元素数据,根据离散化矩阵元素数据生成目标电池性能特征对应的性能评价矩阵,其中,在对多个本体特征值和偏好特征值进行特征交叉处理时,服务器获取本体特征值,生成与本体特征值对应的偏好特征值,本体特征值与偏好特征值之间存在映射关系,基于本体特征值与偏好特征值之间的映射关系建立映射表,将本体特征值、偏好特征值以及映射表存储到服务器中,最终服务器根据离散化矩阵元素数据生成目标电池性能特征对应的性能评价矩阵。
206、获取多个待匹配车辆信息,并将多个待匹配车辆信息和性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;
具体的,获取多个待匹配车辆信息,并根据多个待匹配车辆信息确定每个待匹配车辆对应的权重参数;将性能评价矩阵和权重参数输入预置的车辆换电匹配模型,并通过车辆换电匹配模型计算目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率;根据多个匹配概率生成目标电池和多个待匹配车辆之间的多个换电匹配结果。
需要说明的是,待匹配的车辆信息包括待匹配车辆的品牌信息、车系信息及车型信息,对待匹配的车辆信息进行归一化,获取归一化的车辆信息库,将待匹配的车辆信息与归一化的车辆信息库中预先存储的车辆信息进行对比,并计算车辆相似度分数,将性能评价矩阵和权重参数输入预置的车辆换电匹配模型,并通过车辆换电匹配模型计算目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率;根据多个匹配概率生成目标电池和多个待匹配车辆之间的多个换电匹配结果,其中,在服务器通过车辆换电匹配模型计算目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率时,服务器获取待匹配的车辆信息在本次换电后至下一次换电时的未来使用行为的预测结果,根据预测结果以及目标换电站内每一匹配电池的累计使用情况,根据多个匹配概率生成目标电池和多个待匹配车辆之间的多个换电匹配结果。
可选的,根据性能评价矩阵和权重参数生成每个待匹配车辆对应的目标参数矩阵;将每个待匹配车辆对应的目标参数矩阵输入预置的车辆换电匹配模型,其中,车辆换电匹配模型包括:第一门限循环网络、第二门限循环网络和全连接网络;通过车辆换电匹配模型计算目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率。
其中,服务器根据性能评价矩阵和权重参数生成每个待匹配车辆对应的目标参数矩阵,确定性能评价矩阵的参数特征值,确定评价参数的参数矩阵,得到车辆换电匹配模型,进一步服务器构建参数评价矩阵,构建约束条件,确定关联矩阵的母序列,构建约束下的参数评价矩阵,灰色关联分析评价指标参数归一化处理,计算灰色关联度系数,计算灰色关联度,求取目标评价参数权重,同时服务器将每个待匹配车辆对应的目标参数矩阵输入预置的车辆换电匹配模型。
207、分别将多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;
具体的,分别将多个换电匹配结果输入预置的推送预测模型;通过推送预测模型计算多个换电匹配结果的关联度;根据关联度生成每个换电匹配结果的换电推送预测率,得到多个预测推送率。
其中,针对每个换电匹配结果,根据向预测模型推送的历史推送信息和用户的相关信息,确定训练样本对应的场景特征以及综合特征,根据该换电匹配结果对应的标识信息,确定场景权重矩阵,将场景特征和利用场景权重矩阵加权后的综合特征,输入到该推送预测模型对应的子预测层中,计算多个换电匹配结果的关联度;根据关联度生成每个换电匹配结果的换电推送预测率,得到多个预测推送率。
208、根据多个预测推送率生成目标换电序列,并根据目标换电序列对多个待匹配车辆信息进行换电推荐。
具体的,按照多个预测推送率对多个待匹配车辆进行排序,得到目标换电序列;从目标换电序列中选取预测推送率最大时对应的待匹配车辆作为目标车辆;将目标电池对应的电池关联信息推送至目标车辆。
可选的,获取换电数据和序列数据,将换电车辆为序列车辆且与序列时间段有重叠的换电订单提取出来作为待匹配订单,选取一目标待匹配订单,获取与目标待匹配订单的换电车辆的类型相同且换电时间段不重叠的换电订单作为候选订单,计算目标待匹配订单与候选订单中的每个换电订单的时间差,将与最小的时间差对应的换电订单的换电车辆分配为目标待匹配订单的新的换电车辆,生成新换电数据,统计换电时间段与预设时间段有重叠的换电订单中换电车辆的用量数据,同时将目标电池对应的电池关联信息推送至目标车辆。
本发明实施例中,获取目标电池的电池关联信息;对电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据目标电池性能特征构建性能评价矩阵;获取多个待匹配车辆信息,并将多个待匹配车辆信息和性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;分别将多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;根据多个预测推送率生成目标换电序列,并根据目标换电序列对多个待匹配车辆信息进行换电推荐,本发明首先对目标电池进行性能识别分析,然后根据性能分析结果生成性能评价矩阵,进而实现根据目标电池的性能匹配到最适用于目标车辆的电池,提高电池的利用率并延长电池寿命,进而提高了电池性能的识别准确率以及提高了换电匹配的效率。
上面对本发明实施例中电池的性能识别方法进行了描述,下面对本发明实施例中电池的性能识别装置进行描述,请参阅图3,本发明实施例中电池的性能识别装置一个实施例包括:
获取模块301,用于获取待处理的目标电池所对应的电池关联信息,其中,所述电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息;
构建模块302,用于对所述电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据所述目标电池性能特征构建性能评价矩阵;
匹配模块303,用于获取多个待匹配车辆信息,并将所述多个待匹配车辆信息和所述性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;
预测模块304,用于分别将所述多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;
生成模块305,用于根据所述多个预测推送率生成目标换电序列,并根据所述目标换电序列对所述多个待匹配车辆信息进行换电推荐。
本发明实施例中,获取目标电池的电池关联信息;对电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据目标电池性能特征构建性能评价矩阵;获取多个待匹配车辆信息,并将多个待匹配车辆信息和性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;分别将多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;根据多个预测推送率生成目标换电序列,并根据目标换电序列对多个待匹配车辆信息进行换电推荐,本发明首先对目标电池进行性能识别分析,然后根据性能分析结果生成性能评价矩阵,进而实现根据目标电池的性能匹配到最适用于目标车辆的电池,提高电池的利用率并延长电池寿命,进而提高了电池性能的识别准确率以及提高了换电匹配的效率。
请参阅图4,本发明实施例中电池的性能识别装置另一个实施例包括:
获取模块301,用于获取待处理的目标电池所对应的电池关联信息,其中,所述电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息;
构建模块302,用于对所述电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据所述目标电池性能特征构建性能评价矩阵;
匹配模块303,用于获取多个待匹配车辆信息,并将所述多个待匹配车辆信息和所述性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;
预测模块304,用于分别将所述多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;
生成模块305,用于根据所述多个预测推送率生成目标换电序列,并根据所述目标换电序列对所述多个待匹配车辆信息进行换电推荐。
可选的,所述构建模块302还包括:
处理单元3021,用于根据所述电池本体信息确定所述目标电池对应的多个电池本体特征;
计算单元3022,用于根据所述历史车辆使用信息计算所述目标电池的历史使用频率,并根据所述历史使用频率生成电池使用偏好特征;
生成单元3023,用于根据所述多个电池本体特征和所述电池使用偏好特征生成目标电池性能特征;
构建单元3024,用于根据所述目标电池性能特征构建所述目标电池对应的性能评价矩阵。
可选的,所述构建单元3024具体用于:对所述目标电池性能特征中的多个电池本体特征和电池使用偏好特征进行特征值映射,得到多个本体特征值和偏好特征值;对所述多个本体特征值和所述偏好特征值进行特征交叉处理,得到离散化矩阵元素数据;根据所述离散化矩阵元素数据生成所述目标电池性能特征对应的性能评价矩阵。
可选的,所述匹配模块303具体用于:
获取单元3031,用于获取多个待匹配车辆信息,并根据所述多个待匹配车辆信息确定每个待匹配车辆对应的权重参数;
匹配单元3032,用于将所述性能评价矩阵和所述权重参数输入预置的车辆换电匹配模型,并通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率;
输出单元3033,用于根据所述多个匹配概率生成所述目标电池和所述多个待匹配车辆之间的多个换电匹配结果。
可选的,所述匹配单元3032具体用于:根据所述性能评价矩阵和所述权重参数生成每个待匹配车辆对应的目标参数矩阵;将每个待匹配车辆对应的目标参数矩阵输入预置的车辆换电匹配模型,其中,所述车辆换电匹配模型包括:第一门限循环网络、第二门限循环网络和全连接网络;通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率。
可选的,所述预测模块304具体用于:分别将所述多个换电匹配结果输入预置的推送预测模型;通过所述推送预测模型计算所述多个换电匹配结果的关联度;根据所述关联度生成每个换电匹配结果的换电推送预测率,得到多个预测推送率。
可选的,所述生成模块305具体用于:按照所述多个预测推送率对所述多个待匹配车辆进行排序,得到目标换电序列;从所述目标换电序列中选取预测推送率最大时对应的待匹配车辆作为目标车辆;将所述目标电池对应的电池关联信息推送至所述目标车辆。
本发明实施例中,获取目标电池的电池关联信息;对电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据目标电池性能特征构建性能评价矩阵;获取多个待匹配车辆信息,并将多个待匹配车辆信息和性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;分别将多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;根据多个预测推送率生成目标换电序列,并根据目标换电序列对多个待匹配车辆信息进行换电推荐,本发明首先对目标电池进行性能识别分析,然后根据性能分析结果生成性能评价矩阵,进而实现根据目标电池的性能匹配到最适用于目标车辆的电池,提高电池的利用率并延长电池寿命,进而提高了电池性能的识别准确率以及提高了换电匹配的效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的电池的性能识别装置进行详细描述,下面从硬件处理的角度对本发明实施例中电池的性能识别设备进行详细描述。
图5是本发明实施例提供的一种电池的性能识别设备的结构示意图,该电池的性能识别设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对电池的性能识别设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在电池的性能识别设备500上执行存储介质530中的一系列指令操作。
电池的性能识别设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的电池的性能识别设备结构并不构成对电池的性能识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种电池的性能识别设备,所述电池的性能识别设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述电池的性能识别方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述电池的性能识别方法的步骤。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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取存储介质中。基于这样的理解,本发明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(可以是个人计算机,服务器,或者网络设备等)执行本发明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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电池的性能识别方法,其特征在于,所述电池的性能识别方法包括:
获取待处理的目标电池所对应的电池关联信息,其中,所述电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息;
对所述电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据所述目标电池性能特征构建性能评价矩阵;
获取多个待匹配车辆信息,并将所述多个待匹配车辆信息和所述性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;
分别将所述多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;
根据所述多个预测推送率生成目标换电序列,并根据所述目标换电序列对所述多个待匹配车辆信息进行换电推荐。
2.根据权利要求1所述的电池的性能识别方法,其特征在于,所述对所述电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据所述目标电池性能特征构建性能评价矩阵,包括:
根据所述电池本体信息确定所述目标电池对应的多个电池本体特征;
根据所述历史车辆使用信息计算所述目标电池的历史使用频率,并根据所述历史使用频率生成电池使用偏好特征;
根据所述多个电池本体特征和所述电池使用偏好特征生成目标电池性能特征;
根据所述目标电池性能特征构建所述目标电池对应的性能评价矩阵。
3.根据权利要求2所述的电池的性能识别方法,其特征在于,所述根据所述目标电池性能特征构建所述目标电池对应的性能评价矩阵,包括:
对所述目标电池性能特征中的多个电池本体特征和电池使用偏好特征进行特征值映射,得到多个本体特征值和偏好特征值;
对所述多个本体特征值和所述偏好特征值进行特征交叉处理,得到离散化矩阵元素数据;
根据所述离散化矩阵元素数据生成所述目标电池性能特征对应的性能评价矩阵。
4.根据权利要求1所述的电池的性能识别方法,其特征在于,所述获取多个待匹配车辆信息,并将所述多个待匹配车辆信息和所述性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果,包括:
获取多个待匹配车辆信息,并根据所述多个待匹配车辆信息确定每个待匹配车辆对应的权重参数;
将所述性能评价矩阵和所述权重参数输入预置的车辆换电匹配模型,并通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率;
根据所述多个匹配概率生成所述目标电池和所述多个待匹配车辆之间的多个换电匹配结果。
5.根据权利要求4所述的电池的性能识别方法,其特征在于,所述将所述性能评价矩阵和所述权重参数输入预置的车辆换电匹配模型,并通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率,包括:
根据所述性能评价矩阵和所述权重参数生成每个待匹配车辆对应的目标参数矩阵;
将每个待匹配车辆对应的目标参数矩阵输入预置的车辆换电匹配模型,其中,所述车辆换电匹配模型包括:第一门限循环网络、第二门限循环网络和全连接网络;
通过所述车辆换电匹配模型计算所述目标电池和多个待匹配车辆之间的匹配概率,得到多个匹配概率。
6.根据权利要求1所述的电池的性能识别方法,其特征在于,所述分别将所述多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率,包括:
分别将所述多个换电匹配结果输入预置的推送预测模型;
通过所述推送预测模型计算所述多个换电匹配结果的关联度;
根据所述关联度生成每个换电匹配结果的换电推送预测率,得到多个预测推送率。
7.根据权利要求1所述的电池的性能识别方法,其特征在于,所述根据所述多个预测推送率生成目标换电序列,并根据所述目标换电序列对所述多个待匹配车辆信息进行换电推荐,包括:
按照所述多个预测推送率对所述多个待匹配车辆进行排序,得到目标换电序列;
从所述目标换电序列中选取预测推送率最大时对应的待匹配车辆作为目标车辆;
将所述目标电池对应的电池关联信息推送至所述目标车辆。
8.一种电池的性能识别装置,其特征在于,所述电池的性能识别装置包括:
获取模块,用于获取待处理的目标电池所对应的电池关联信息,其中,所述电池关联信息包括:电池本体信息、历史车辆使用信息和历史充放电信息;
构建模块,用于对所述电池关联信息进行电池性能特征提取,得到目标电池性能特征,并根据所述目标电池性能特征构建性能评价矩阵;
匹配模块,用于获取多个待匹配车辆信息,并将所述多个待匹配车辆信息和所述性能评价矩阵输入预置的车辆换电匹配模型进行车辆和电池信息匹配,得到多个换电匹配结果;
预测模块,用于分别将所述多个换电匹配结果输入预置的推送预测模型进行换电推送预测,得到多个预测推送率;
生成模块,用于根据所述多个预测推送率生成目标换电序列,并根据所述目标换电序列对所述多个待匹配车辆信息进行换电推荐。
9.一种电池的性能识别设备,其特征在于,所述电池的性能识别设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述电池的性能识别设备执行如权利要求1-7中任一项所述的电池的性能识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的电池的性能识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534572.7A CN116238384B (zh) | 2023-05-12 | 2023-05-12 | 电池的性能识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534572.7A CN116238384B (zh) | 2023-05-12 | 2023-05-12 | 电池的性能识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116238384A CN116238384A (zh) | 2023-06-09 |
CN116238384B true CN116238384B (zh) | 2023-07-07 |
Family
ID=86631726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310534572.7A Active CN116238384B (zh) | 2023-05-12 | 2023-05-12 | 电池的性能识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116238384B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191839A (zh) * | 2019-12-26 | 2020-05-22 | 上海钧正网络科技有限公司 | 一种换电预测方法和系统及存储介质 |
CN113169579A (zh) * | 2018-06-22 | 2021-07-23 | 莫伊沙能源控股有限公司 | 用于分布式储能资源的机器学习、本地多资产灵活性优化和管理的系统 |
WO2022173174A1 (ko) * | 2021-02-09 | 2022-08-18 | 한국전지연구조합 | 사용 후 배터리 등급 분류 공정 및 이를 제공하는 시스템 |
WO2023030151A1 (zh) * | 2021-09-06 | 2023-03-09 | 曹西军 | 一种补能系统以及补能方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9878631B2 (en) * | 2014-02-25 | 2018-01-30 | Elwha Llc | System and method for predictive control of an energy storage system for a vehicle |
US11691518B2 (en) * | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
-
2023
- 2023-05-12 CN CN202310534572.7A patent/CN116238384B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113169579A (zh) * | 2018-06-22 | 2021-07-23 | 莫伊沙能源控股有限公司 | 用于分布式储能资源的机器学习、本地多资产灵活性优化和管理的系统 |
CN111191839A (zh) * | 2019-12-26 | 2020-05-22 | 上海钧正网络科技有限公司 | 一种换电预测方法和系统及存储介质 |
WO2022173174A1 (ko) * | 2021-02-09 | 2022-08-18 | 한국전지연구조합 | 사용 후 배터리 등급 분류 공정 및 이를 제공하는 시스템 |
WO2023030151A1 (zh) * | 2021-09-06 | 2023-03-09 | 曹西军 | 一种补能系统以及补能方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116238384A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A novel clustering algorithm for grouping and cascade utilization of retired Li-ion batteries | |
CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及系统 | |
CN111614491A (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
CN112308124B (zh) | 一种面向用电信息采集系统的智能防窃电方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN111291782B (zh) | 一种基于信息累积k-Shape聚类算法的累积负荷预测方法 | |
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 | |
CN114707431A (zh) | 一种旋转多组件剩余使用寿命预测方法、系统及存储介质 | |
CN116238384B (zh) | 电池的性能识别方法、装置、设备及存储介质 | |
CN116720145B (zh) | 基于数据处理的无线充电剩余时间预测方法 | |
CN115456223B (zh) | 基于全生命周期的锂电池梯次回收管理方法及系统 | |
CN112731160A (zh) | 电池滞回模型训练方法、估算电池soc的方法和装置 | |
CN115938490A (zh) | 一种基于图表示学习算法的代谢物鉴定方法、系统和设备 | |
Ganesh et al. | Prediction of Residual Energy in Batteries using CNN-BiGRU and Attention Mechanism Model | |
CN110861496B (zh) | 电池soh值调整方法及系统 | |
CN114740389A (zh) | 电池健康评估方法、装置、电子设备和可读存储介质 | |
CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
CN114662704A (zh) | 一种储能电池热失控诊断方法及装置 | |
CN112614007A (zh) | 充电潜力小区的识别方法和装置 | |
CN116512968B (zh) | 基于换电柜的充电功率分配方法、装置、设备及存储介质 | |
CN116176353B (zh) | 一种高性能电池的监控方法、装置、设备及存储介质 | |
CN115860574B (zh) | 充电设备的使用效果分析方法及装置 | |
CN115544903A (zh) | 基于大数据的电池数据处理方法、装置、设备及存储介质 | |
CN117134468B (zh) | 一种动态调整功率的稳定pd快充系统及方法 |
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 |