CN116298906A - 电池容量的预测模型训练方法、预测方法、装置及介质 - Google Patents
电池容量的预测模型训练方法、预测方法、装置及介质 Download PDFInfo
- Publication number
- CN116298906A CN116298906A CN202310102848.4A CN202310102848A CN116298906A CN 116298906 A CN116298906 A CN 116298906A CN 202310102848 A CN202310102848 A CN 202310102848A CN 116298906 A CN116298906 A CN 116298906A
- Authority
- CN
- China
- Prior art keywords
- battery capacity
- battery
- sample
- parameter
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000012549 training Methods 0.000 title claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000003860 storage Methods 0.000 claims description 14
- 238000009413 insulation Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000000926 separation method Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 8
- 230000032683 aging Effects 0.000 description 7
- 239000007788 liquid Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000007774 positive electrode material Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池容量的预测模型训练方法、预测方法、装置及介质，涉及电池领域，所述方法包括：获取电池样本集；基于电池样本集中的每个样本，确定每个电池容量特征参数分别与真实电池容量的关联程度，并将关联程度高于预设目标的参数作为重要特征参数；将每个样本的重要特征参数输入至预设模型，得到每个样本的预测电池容量；基于每个样本的真实电池容量和预测电池容量计算损失函数值，并利用损失函数值更新预设模型，得到电池容量的预测模型。基于此，使得电池容量的预测模型在进行推理时只需接收重要特征参数即可输出相应的电池容量预测结果，从而避免了常规分容工序中的耗时耗能问题。
Description
技术领域
本发明涉及电池领域，尤其涉及一种电池容量的预测模型训练方法、预测方法、装置及介质。
背景技术
现阶段的电池制造过程通常包括分容工序(也被称为定容工序)，也即，将每个电池满充并满放，以确定电池的容量。此工序中，满充和满放过程存在不可避免的能源消耗，且需花费较长时间，由此导致分容工序的执行过程中存在耗时耗电的问题。
发明内容
有鉴于此，本发明提供一种电池容量的预测模型训练方法、预测方法、装置及介质，用于解决分容工序的执行过程中的耗时耗电问题。
第一方面，本发明实施例提供一种电池容量的预测模型训练方法，包括：
获取电池样本集，其中，所述电池样本集中的每个样本均包括真实电池容量和多个电池容量特征参数，所述多个电池容量特征参数至少包括工艺参数和电池等效电路模型参数；
基于所述电池样本集中的每个样本，确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数；
将每个样本的所述重要特征参数输入至预设模型，得到每个样本的预测电池容量；
基于每个样本的真实电池容量和所述预测电池容量计算损失函数值，并利用所述损失函数值迭代更新所述预设模型，得到电池容量的预测模型。
可选的，在本发明实施例提供的一种可行方式中，所述基于所述电池样本集中的每个样本，确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数，包括：
基于已训练的基准模型，确定每个所述电池容量特征参数的排列重要性，其中，所述基准模型用于根据所述电池样本集中所述样本的多个电池容量特征参数输出所述样本对应的电池容量预测结果；
基于所述排列重要性，确定在各个所述电池容量特征参数被依次去除时的所述基准模型的样本预测误差程度，并将所述样本预测误差程度高于预设目标的电池容量特征参数作为重要特征参数。
可选的，在本发明实施例提供的一种可行方式中，所述基于所述排列重要性，确定在各个所述电池容量特征参数被依次去除时的所述基准模型的样本预测误差程度，并将所述样本预测误差程度高于预设目标的电池容量特征参数作为重要特征参数，包括：
以所述排列重要性由高到低的顺序，将所述多个电池容量特征参数中未被标记的一个参数作为目标参数；
将每个所述样本的所述多个电池容量特征参数中除所述目标参数之外的参数输入至所述基准模型，得到每个所述样本的预测结果；
基于每个所述样本的预测结果与真实电池容量，确定基准模型的样本预测误差程度；
若所述样本预测误差程度超过预设目标，则将所述目标参数标记；
若所述样本预测误差程度不超过所述预设目标，则将所述目标参数从所述多个电池容量特征参数中删除；
返回所述以所述排列重要性由高到低的顺序，将所述多个电池容量特征参数中未被标记的一个参数作为目标参数的步骤，直至所述多个电池容量特征参数中不存在未被标记的参数时，将被标记的所有参数作为重要特征参数。
可选的，在本发明实施例提供的一种可行方式中，所述确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数之前，还包括：
对所述电池样本集中每个所述样本的电池容量特征参数进行预处理，其中，所述预处理包括数值归一化处理和异常数据剔除处理。
可选的，在本发明实施例提供的一种可行方式中，所述多个电池容量特征参数还包括未注液电池绝缘耐压检测曲线参数、微分容量曲线参数、所述微分容量曲线参数的分段曲线特征参数及电池温度曲线参数。
第二方面，本发明实施例提供一种电池容量的预测方法，包括：
获取目标电池的重要特征参数；
将所述目标电池的重要特征参数输入至电池容量的预测模型，得到所述目标电池的电池容量，其中，所述电池容量的预测模型通过第一方面中的电池容量的预测模型训练方法得到。
可选的，在本发明实施例提供的一种可行方式中，还包括：
若满足预设存储条件，则获取所述目标电池的真实电池容量，并将所述目标电池的重要特征参数、电池容量及真实电池容量存储至预设集合；
当所述预设集合中，存在一个电池容量和真实电池容量的误差大于预设误差阈值的预测错误电池时，利用所述预测错误电池的重要特征参数和真实电池容量更新所述电池容量的预测模型。
可选的，在本发明实施例提供的一种可行方式中，还包括：
若在预设时长内存储至所述预设集合中的多个目标电池均为所述预测错误电池，则基于所述多个目标电池的多个电池容量特征参数和真实电池容量，对所述电池容量的预测模型的输入参数和网络参数进行调整。
第三方面，本发明实施例提供一种电池容量的预测模型训练装置，包括：
获取模块，用于获取电池样本集，其中，所述电池样本集中的每个样本均包括真实电池容量和多个电池容量特征参数，所述多个电池容量特征参数至少包括工艺参数和电池等效电路模型参数；
确定模块，用于基于所述电池样本集中的每个样本，确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数；
输入模块，用于将每个样本的所述重要特征参数输入至预设模型，得到每个样本的预测电池容量；
更新模块，用于基于每个样本的真实电池容量和所述预测电池容量计算损失函数值，并利用所述损失函数值迭代更新所述预设模型，得到电池容量的预测模型。
第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中的电池容量的预测模型训练方法，或执行如第二方面中的电池容量的预测方法。
本发明提供的电池容量的预测模型训练方法中，首先，获取电池样本集；接着，基于电池样本集中的每个样本，确定每个电池容量特征参数分别与真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数，以使模型训练时仅采用部分电池容量特征参数完成，从而降低网络中的训练参数，以提高网络训练和推理效率；然后，将每个样本的重要特征参数输入至预设模型，得到每个样本的预测电池容量；最后，基于每个样本的真实电池容量和预测电池容量计算损失函数值，并利用损失函数值迭代更新预设模型，得到电池容量的预测模型。基于此，本发明通过从众多的电池容量特征参数中挑选出与真实电池容量的关联程度较高的重要特征参数来完成电池容量的预测模型的训练，使得电池容量的预测模型在进行推理时只需接收重要特征参数即可输出相应的电池容量预测结果，从而避免了常规分容工序中的耗时耗能问题，并使得电池容量的预测模型的训练效率和推理效率均较高，且能以较高准确率完成电池容量的预测。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本发明实施例提供的第一种电池容量的预测模型训练方法的流程示意图；
图2示出了本发明实施例提供的第二种电池容量的预测模型训练方法的流程示意图；
图3示出了本发明实施例提供的模型构建过程的示意图；
图4示出了本发明实施例提供的分布示意图；
图5示出了本发明实施例提供的电池容量的预测方法的流程示意图；
图6示出了本发明实施例提供的电池容量的预测模型训练装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
参照图1，示出了本发明实施例提供的第一种电池容量的预测模型训练方法的流程示意图，本发明实施例提供的电池容量的预测模型训练方法包括：
步骤S110，获取电池样本集，其中，所述电池样本集中的每个样本均包括真实电池容量和多个电池容量特征参数，所述多个电池容量特征参数至少包括工艺参数和电池等效电路模型参数。
可以理解的是，工艺参数指代电池在生产过程中的各项规格参数。在一种可行方式中，工艺参数分为前段工序参数、中段工序参数及后段工序参数，其中，前段工序参数指匀浆、涂布等工序中涉及到的数据，如浆料黏度、极片面密度均值及烘烤工序温度平均值等等；中段工序参数包括叠片/卷绕、焊接、注液等工序中涉及到的各项数据，如每个极组或卷芯的重量、未注液电芯的绝缘阻值及注液量等等；后段工序参数则指化成(预充)、分容(定容)、老化、检测等工序中涉及到的数据，如高温老化时间、常温老化时间、高温老化时电池的温度、常温老化时电池的温度、电池厚度、化成平均温度、分容及平均温度等等。
还可以理解的是，电池等效电路模型参数是指通过等效电路模型拟合化成工序和分容工序分别对应的充电段的电压曲线而得到的数据。
示范性的，当利用Rint等效电路模型完成拟合时，设电池在充电段的电压曲线为V(t)，电池的正极容量为Cp，正极初始锂含量为y0，电池的负极容量为Cn，负极的初始锂含量为x0，电池的内阻为R，则通过Rint等效电路模型得到的电压曲线
满足以下公式：
式中，I表示电池电流，τ是单位时间，
表示电池负极开路电势曲线，
表示正极开路电势曲线，x和y分别表示负极和正极的相对锂离子含量，范围0～1，单位为1。
利用预设的优化算法如遗传算法求解模型电压与实测电压的差异E最小时，Cp、y0、Cn、x0及R的取值，从而得到等效电路模型参数。其中，E的计算公式为：
需说明的是，在现有技术中，等效电路模型参数常用于电池使用阶段的电池管理。而本发明实施例将等效电路模型参数引入至电池生产过程中的化成分容工序中后，使得后续进行模型训练时，模型能学习到等效电路模型参数与电池容量的映射关系。也因此，在模型推理过程中，能从正负极解耦角度来考虑电池容量。
还需说明的是，等效电路模型参数中的正负极开路电势曲线需在电池实验室中对电池产线的极片进行实验才可得到。也因此，本发明实施例还实现了产线上的工艺参数和实验室内的实验数据的共用，使得模型训练和推理能得到广泛而又有效的数据支撑。
此外，能够想到的是，因本发明实施例基于上述步骤S110中获取到的样本集中样本的各个电池容量特征参数来进行电池容量的预测模型的训练，故电池容量特征参数的数量/种类越多，则电池容量的预测模型的精度可能越高。因此，在本发明实施例提供的一种优选方式中，所述多个电池容量特征参数还包括未注液电池绝缘耐压检测曲线参数、微分容量曲线参数、所述微分容量曲线参数的分段曲线特征参数及电池温度曲线参数。
其中，未注液电池绝缘耐压检测曲线参数指电池未进行注液工序前，对电池进行绝缘耐压检测而得到的电压曲线的特征参数，如电压曲线的特定时间段的电压平均值、电压标准差及电压偏度等等。可以理解的是，常规的绝缘耐压检测用于对未注液电池的正负极绝缘阻值进行检测，未注液电池在测试过程中的电压变化在现有技术中不常用于电池容量的确定，但未注液电池的电压变化与电池容量存在较高的关联性。
本发明实施例中的微分容量曲线参数是指基于电池在化成工序中充电段的电压曲线和电池在分容工序中充电段的电压曲线，分别进行计算而得到的dQdV曲线的特征参数。其中，dQdV曲线的计算公式为：
式中，I为电池电量，Δt表示时间步长，ΔV表示电压窗口宽度，
为电压处于
区间内数据点的数量，Vi为ΔV的整数倍。
dQdV曲线通常包含多个峰值，基于峰提取算法提取dQdV曲线中的各个峰值及各个峰值对应的电压值，进而得到dQdV曲线的特征参数[(dQdVp1,Vp1)，(dQdVp2,Vp2)，(dQdVp3,Vp3)……]，也即得到微分容量曲线参数。可选的，在一种可行方式中，本发明实施例还基于峰的最小相对高度、最小绝对高度、最小宽度等指标对各个峰进行过滤，以去除小峰并保留主峰。
本发明实施例中的微分容量曲线参数的分段曲线特征参数是指对前述微分容量曲线参数进行分段处理后，对各个曲线段进行单独特征提取而得到的参数。可以理解的是，微分容量曲线参数存在多个平台和多个拐点，进而以此作为分段方式即能得到包含不同的机理信息的各个曲线段。示范性的，以前述通过峰提取算法的峰值[Vp1，Vp2，Vp3……]作为分段点，则电压值位于0至Vp1的数据点作为第一曲线段，电压值位于Vp2至Vp2的数据点作为第二曲线段电压值位于Vp2至Vp3的数据点作为第三曲线段，依次类推得到多个曲线段后，提取每个曲线段的特征参数如电压平均值，电压标准差，电压偏度等等，即得到前述dQdV曲线的分段曲线特征参数。可以理解的是，微分容量曲线参数和微分容量曲线参数的分段曲线特征参数能表征不同材料相变阶段的电池特性，也因此，将微分容量曲线参数和微分容量曲线参数的分段曲线特征参数用于模型训练和推理后，模型能基于不同材料相变阶段的电池特性来进行电池容量预测。
本发明实施例中的电池温度曲线参数是指基于电池在化成工序的电池温度曲线和电池在分容工序充电段的电池温度曲线，计算得到dQdT曲线的特征参数。dQdT曲线的计算公式为：
式中，I为电池电量，Δt表示时间步长，ΔT表示电压窗口宽度，
为电压处于
区间内数据点的数量，Ti为ΔT的整数倍。
基于上述公式得到dQdT曲线后，提取dQdT曲线的各类特征参数如均值、变化率、峰值等等，即得到电池温度曲线参数。
不难理解的，相比于现有技术中仅采用工艺参数确定电池容量的方式，或是在工艺参数的基础上额外采用充放电过程中的均值、峰度、一阶差值等参数来确定电池容量的方式，本发明实施例基于工艺参数、电池等效电路模型参数、未注液电池绝缘耐压检测曲线参数、微分容量曲线参数、微分容量曲线参数的分段曲线特征参数及电池温度曲线参数来完成模型训练和模型推理电池容量的方式，不仅实现了产线上的工艺参数、分容化成工序中的充放电数据以及实验室内的实验数据这三种数据的共用，还由此完成了模型构建、训练及推理，使得模型的预测能建立在多维度特征参数的基础上完成，确保了模型的推理精度能维持在较高水准。
此外，需理解的是，获取各个电池容量特征参数的过程为可根据实际情况设置的内容，如借助各类型传感器或检测/测试电路来完成电池容量特征参数获取，本发明实施例对此不进行限定。
步骤S120，基于所述电池样本集中的每个样本，确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数。
也即，本发明实施例将基于各个样本的电池容量特征参数和真实电池容量，确定各个电池容量特征参数与真实电池容量的关联程度，关联程度越高，则表明电池容量特征参数与真实电池容量的联系越强，电池容量特征参数的数值大小越能有效反映出真实电池容量的大小；而关联程度越低，则表明电池容量特征参数与真实电池容量的联系较弱，即使电池容量特征参数的数值发生较大变化，真实电池容量的大小可能仅出现较小波动或者不变。
进而，在确定各个电池容量特征参数与真实电池容量的关联程度后，本发明实施例再将关联程度较高的电池容量特征参数作为重要特征参数，以利用重要特征参数完成后续的模型训练过程和推理过程。也因此，本发明实施例通过重要特征参数来完成模型训练和推理，使得预测电池容量时能基于最有效的特征参数来完成，从而确保了有效特征的提取，确保了预测精度。同时，相比于现有技术中需采用多轮迭代来完成模型训练的情况，本发明实施例能基于重要特征参数减少训练所需轮次，从而提升了训练效率。不仅如此，本发明实施例还避免了模型的输入参数需包含前述所有电池容量特征参数的情况出现，实现了模型输入参数的降维，减少了模型中的可训练参数。
此外，可以理解的是，确定电池容量特征参数与真实电池容量的关联程度的方式存在多种，为可根据实际情况设置的内容，如在一种可行方式中，本发明实施例通过多项式模型拟合的方式，将拟合得到的模型中各个电池容量特征参数的系数作为其对应的关联程度。
而在本发明实施例提供的另一种可行方式中，具体可参考图2，示出了本发明实施例提供的第二种容量的预测模型训练方法的流程示意图，上述步骤S120在此种可行方式中具体包括：
步骤S121，基于已训练的基准模型，确定每个所述电池容量特征参数的排列重要性，其中，所述基准模型用于根据所述电池样本集中所述样本的多个电池容量特征参数输出所述样本对应的电池容量预测结果；
步骤S122，基于所述排列重要性，确定在各个所述电池容量特征参数被依次去除时的所述基准模型的样本预测误差程度，并将所述样本预测误差程度高于预设目标的电池容量特征参数作为重要特征参数。
需说明的是，此种可行方式中的基准模型为预先利用电池样本集中的各个样本完成模型训练而得到。可选的，基准模型可以是前馈神经网络、卷积神经网络及长短期记忆神经网络等等，为可根据实际情况设置的内容。
还需说明的是，本发明实施例还将基于以完成训练的基准模型确定各个电池容量特征参数的排列重要性(Permutation Importance)。可以理解的是，电池容量特征参数的排列重要性越高，则表明电池容量特征参数与模型输出参数(也即真实电池容量)的关联性越高。还可以理解的是，确定排列重要性的过程为可根据实际情况设置的内容，或是直接参考现有技术。
在确定各个电池容量特征参数的排列重要性后，本发明实施例还将按照排列重要性由高到低的顺序或由低到高的顺序，逐个删除样本中多个电池容量特征参数中的其中一个，并将完成删除的样本输入至基准模型以得到对应的电池容量预测结果。
不难理解的是，因样本中缺失/删除了一个电池容量特征参数，则基准模型在对未删除参数的样本和已删除参数的样本进行推理时，输出的两个预测结果间存在差异。并且，因基准模型是基于未删除参数的样本进行训练，故未删除参数的样本对应的预测结果更接近真实电池容量。
进一步的，本发明实施例通过基准模型确定不同情形的已删除参数(也即删除不同电池容量特征参数)的样本对应的预测结果与真实结果(也即真实电池容量)的误差程度，确定不同电池等效电路模型参数对应的重要程度。需说明的是，若电池容量特征参数被删除后，对应的误差程度高于预设目标，则表明电池容量特征参数删除后，基准模型难以正确完成预测，故其重要程度(也即与真实电池容量的关联程度)较高，进而将其作为重要特征参数；而若误差程度不高于预设目标，则表明电池容量特征参数的删除不会对基准模型的预测造成太大影响，故其为可忽略的参数。
步骤S130，将每个样本的所述重要特征参数输入至预设模型，得到每个样本的预测电池容量。
也即，本发明实施例将在确定样本中的重要特征参数后，将各个样本的重要特征参数和真实电池容量输入至待训练的模型(也即预设模型)，以得到各个样本的预测电池容量。
步骤S140，基于每个样本的真实电池容量和所述预测电池容量计算损失函数值，并利用所述损失函数值迭代更新所述预设模型，得到电池容量的预测模型。
也即，本发明实施例将利用每个样本的真实电池容量和预测电池容量计算损失函数值，进而利用损失函数值反向更新预设模型中的偏置参数和权重参数，进而在满足训练终止条件后得到电池容量的预测模型。
可以理解的是，本发明实施例中预设模型的训练是个迭代过程，将重复执行batchsize(批大小)样本抽取、预测电池容量计算、损失函数计算及反向更新的步骤，具体过程可参考现有技术。
还可以理解的是，本发明实施例中的训练终止条件亦为可根据实际情况设置的内容，如在一种可行方式中，当模型的准确率到达预设值时，则停止训练。而在另一种可行方式中，当模型出现过拟合现象时，则停止训练。
基于此，本发明实施例通过从众多的电池容量特征参数中挑选出与真实电池容量的关联程度较高的重要特征参数来完成电池容量的预测模型的训练，使得电池容量的预测模型在进行推理时只需接收重要特征参数即可输出相应的电池容量预测结果，从而避免了常规分容工序中的耗时耗能问题，并使得电池容量的预测模型的训练效率和推理效率均较高，且能以较高准确率完成电池容量的预测。
可选的，对于上述步骤S122，在本发明实施例提供的一种可行方式中，具体包括：
以所述排列重要性由高到低的顺序，将所述多个电池容量特征参数中未被标记的一个参数作为目标参数；
将每个所述样本的所述多个电池容量特征参数中除所述目标参数之外的参数输入至所述基准模型，得到每个所述样本的预测结果；
基于每个所述样本的预测结果与真实电池容量，确定基准模型的样本预测误差程度；
若所述样本预测误差程度超过预设目标，则将所述目标参数标记；
若所述样本预测误差程度不超过所述预设目标，则将所述目标参数从所述多个电池容量特征参数中删除；
返回所述以所述排列重要性由高到低的顺序，将所述多个电池容量特征参数中未被标记的一个参数作为目标参数的步骤，直至所述多个电池容量特征参数中不存在未被标记的参数时，将被标记的所有参数作为重要特征参数。
也即，在此种可行方式中，本发明实施例首先将以排列重要性由低到高的顺序，确定样本中排列重要性最高且未被标记的一个参数，并将其作为目标参数。
然后，将各个样本中除目标参数之外的其他电池容量特征参数输入至基准模型，以使基准模型对缺失目标参数的样本进行预测，从而得到各个样本的预测结果。
接着，基于各个样本的预测结果和真实电池容量，确定基准模型在样本缺失目标参数时的误差，即样本预测误差程度。
随后，若样本预测误差程度超过预设目标，则将此目标参数标记，也即，将目标参数视作重要特征参数；而若样本预测误差程度不超过预设目标，则将此目标参数从多个电池容量特征参数中删除，使得样本集中的每个样本均不再包含次目标参数。可选的，在本发明实施例提供的一种可行方式中，预设目标为10％。
最后，回到起始步骤(也即确定目标参数的步骤)以进行下一轮次的重要特征参数确定，进而确定所有电池容量特征参数中的所有重要特征参数。
基于此，本发明实施例通过对每个电池容量特征参数进行对应的样本预测误差程度判定，使得重要特征参数能被准确无误地确定。
可选的，在本发明实施例提供的一种可行方式中，上述步骤S120之前，还包括：
对所述电池样本集中每个所述样本的电池容量特征参数进行预处理，其中，所述预处理包括数值归一化处理和异常数据剔除处理。
也即，本发明实施例为消除量纲差异及异常数据对模型训练及推理的负面影响，因而对样本集的数据进行了数值归一化操作和异常数据剔除操作，以使各个参数的平均值为0且标准差为1，并使错误的数据被剔除。
由此，使得模型在训练和推理时能得到有效/准确的数据支撑，并避免了量纲差异带来的负面影响，从而提高了模型的预测精度。
为更清楚地本发明实施例提供的容量的预测模型的训练方法，故在此示出一个简单实例，并请查看图3，图3示出了本发明实施例提供的模型构建过程的示意图，具体如下：
训练集包含3000个样本，每个样本共包括6个电池容量特征参数和1和真实电池容量，其中，6个电池容量特征参数包括：基于绝缘耐压检测得到的绝缘电阻值、电池正极活性材料面密度均值、预充终止点电池端电压、化成工序充电段dQdV曲线峰高度、化成工序充电段充入电量以及等效电路模型拟合得到的正极容量。
首先，基于3000个样本及每个样本的6个电池容量特征参数，构成3000*6的电池容量特征参数矩阵。
其次，利用每个样本的真实电池容量和前述电池容量特征参数矩阵，对输入层神经元数量为6、隐藏层神经元数量为6以及输出层神经元数量为1的前馈神经网络进行训练，得到基准模型。
然后，利用基准模型反推6个电池容量特征参数中每个电池容量特征参数的排列重要性。
接着，以排列重要性由高到低的顺序，逐个确定6个电池容量特征参数中各个电池容量特征参数缺失时，基准模型所产生的预测误差，从而得到各个电池容量特征参数与真实电池容量的相关程度，进而将相关程度高于预设目标的电池容量特征参数作为重要特征保留，而相关程度不高于预设目标的电池容量特征参数作为冗余特征去除。
在完成上一步骤后，得到的重要特征参数包括：电池正极活性材料面密度均值、化成工序充电段dQdV曲线峰高度以及化成工序充电段充入电量。而剩余的其他3个电池容量特征参数将被冗余特征并从电池容量特征参数矩阵中剔除。
利用每个样本的真实电池容量和已剔除冗余的电池容量特征参数矩阵对输入层神经元数量为3、隐藏层神经元数量为3以及输出层神经元数量为1的前馈神经网络进行训练，即得到电池容量的预测模型。
此种实例下的每个样本的真实电池容量和电池容量的预测模型针对于每个样本的预测结果的分布关系可见图4，示出了本发明实施例提供的分布示意图，不难发现，真实电池容量和预测电池容量十分接近，二者均匀地分布在(y＝x)的两侧，换言之，模型预测精度较高，故能较好地运用在产线中。
实施例2
参照图5，示出了本发明实施例提供的电池容量的预测方法的流程示意图，本发明实施例提供的电池容量的预测方法包括：
步骤S210，获取目标电池的重要特征参数；
步骤S220，将所述目标电池的重要特征参数输入至电池容量的预测模型，得到所述目标电池的电池容量，其中，所述电池容量的预测模型通过实施例1对应的电池容量的预测模型训练方法得到。
也即，本发明实施例2将通过由实施例1得到的电池容量的预测模型来完成待测电池/目标电池的容易预测，即，获取到目标电池的各个重要特征参数后，将各个重要特征参数输入至电池容量的预测模型以得到对应的容量预测结果。
基于此，本发明实施例使得目标电池的电池容量能以高精度高效率的方式确定，由此避免了常规分容工序需耗费较长时间且需耗费较多能源的情况，从而提高了电池制造效率。
可选的，在本发明实施例提供的一种可行方式中，还包括：
若满足预设存储条件，则获取所述目标电池的真实电池容量，并将所述目标电池的重要特征参数、电池容量及真实电池容量存储至预设集合；
当所述预设集合中，存在一个电池容量和真实电池容量的误差大于预设误差阈值的预测错误电池时，利用所述预测错误电池的重要特征参数和真实电池容量更新所述电池容量的预测模型。
也即，本发明实施例将在利用训练好的电池容量的预测模型预测各个待测电池的同时，还将获取部分待测电池的真实电池容量(也即通过常规的完整分容工序而得到的电池容量值)，并由此来完成电池容量的预测模型的二次训练。
可以理解的是，本发明实施例中的预设存储条件为根据实际情况设置的内容，如在一种可行方式中，因电池厂内通常是批量个电池进行预测，故预设存储条件为：当待测电池(也即目标电池)的总数超过预设数量时，且当前正在被预测容量的电池被随机选取到时，则获取目标电池的容量。也即，本发明实施例将从所有待测电池中，随机选取预设数量个待测电池，并使预设数量个待测电池均进行常规的完整分容工序以得到真实电池容量值。在一种可行方式中，获取真实电池容量值的待测电池的数量占同一批次的待测电池总数的为5％。
而在获取到待测电池的真实电池容量和预测电池容量后，本发明实施例将待测电池的真实电池容量、预测电池容量以及重要特征参数均存储至预设集合中。随后，基于此待测电池的真实电池容量和预测电池容量是否预测错误，也即，判断此待测电池的真实电池容量和预测电池容量的差值是否超过预设误差阈值的电池。若是，则表明此待测电池为预测错误电池。
可以理解的是，由于设备老化、设备更新、设备替换、工序替换及其他因素，电池容量的预测模型的预测精度可能随运行时间的增加而降低，换言之，电池容量的预测模型中的网络参数不再适应当前时刻下的预测需求。因此，本发明实施例将在确定出预设集合中存在的预测错误电池后，将预测错误电池的真实电池容量和重要特征参数作为电池容量的预测模型的训练样本，以使电池容量的预测模型进行二次更新。
由此，本发明实施例使得电池容量的预测模型将基于新且预测错误的数据来二次更新，实现了预测模型中模型参数的滚动自适应更新。
进一步的，当同一时间段内存在多个待测电池均为预测错误电池时，则表明电池容量的预测模型的更新速度落后于产线变化速度，需对电池容量的预测模型进行较大的调整，因此，在本发明实施例提供的一种可行方式中，还包括：
若在预设时长内存储至所述预设集合中的多个目标电池均为所述预测错误电池，则基于所述多个目标电池的多个电池容量特征参数和真实电池容量，对所述电池容量的预测模型的输入参数和网络参数进行调整。
需理解的是，在本发明实施例中，若多个目标电池的真实电池容量和预测电池容量均是同一个预设时长内被存储预设集合中，则表明上述多个目标电池属于同一个批次。可以理解的是，预设时长为可根据实际情况设置的内容，本发明实施例仅要求预设时长能表征批次关系。
进一步的，若属于同一个批次的多个电池均为预测错误电池，则表明电池产线存在较大幅度的设备老化、设备更新、设备替换、工序替换及其他因素变化，或是各类因素的变化量累计值超过预设情况，由此导致当前时刻下，电池容量的预测模型无法正确预测各个电池的容量。
针对上述情况，本发明实施例将获取同一批次的各个预测错误电池的真实电池容量和其对应的多个电池容量特征参数，进而根据真实电池容量和其对应的多个电池容量特征参数重新构建电池容量的预测模型。
需理解的是，预测错误电池的多个电池容量特征参数即指代实施例1中的工艺参数、电池等效电路模型参数，或是指工艺参数、电池等效电路模型参数、未注液电池绝缘耐压检测曲线参数、微分容量曲线参数、所述微分容量曲线参数的分段曲线特征参数及电池温度曲线参数。
还需理解的是，本发明实施例中“对所述电池容量的预测模型的输入参数和网络参数进行调整”指代，利用同一批次的各个预测错误电池的真实电池容量和其对应的多个电池容量特征参数，重新执行实施例1中的步骤S120至步骤S140，以确定新的重要特征参数，并基于新的重要特征参数构建/训练新的电池容量的预测模型。
由此，本发明实施例通过同一批次下的预测错误电池的电池容量特征参数和真实电池容量，完成了模型输入参数更新和模型参数更新，使得模型的更新针对性更强，能确保电池容量的预测模型能随产线的更新而更新，实现了持久化的高精度预测。并且，相比于现有技术中采用的利用批量个待测目标来进行模型参数更新的方式，本发明实施例实现了更具针对性的模型参数更新，以及，还实现了输入参数自动调节机制，也因此执行了模型的重构，使得模型的输入参数能在复杂多变的产线下动自适应变化调节。
实施例3
与本发明实施例1提供的电池容量的预测模型训练方法相对应的，本发明实施例3还提供一种电池容量的预测模型训练装置，参照图6，示出了本发明实施例提供的电池容量的预测模型训练装置的结构示意图，本发明实施例提供的电池容量的预测模型训练装置300，包括：
获取模块310，用于获取电池样本集，其中，所述电池样本集中的每个样本均包括真实电池容量和多个电池容量特征参数，所述多个电池容量特征参数至少包括工艺参数和电池等效电路模型参数；
确定模块320，用于基于所述电池样本集中的每个样本，确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数；
输入模块330，用于将每个样本的所述重要特征参数输入至预设模型，得到每个样本的预测电池容量；
更新模块340，用于基于每个样本的真实电池容量和所述预测电池容量计算损失函数值，并利用所述损失函数值迭代更新所述预设模型，得到电池容量的预测模型。
可选的，在本发明实施例提供的一种可行方式中，所确定模块，包括：
重要性确定子模块，用于基于已训练的基准模型，确定每个所述电池容量特征参数的排列重要性，其中，所述基准模型用于根据所述电池样本集中所述样本的多个电池容量特征参数输出所述样本对应的电池容量预测结果；
误差确定子模块，用于基于所述排列重要性，确定在各个所述电池容量特征参数被依次去除时的所述基准模型的样本预测误差程度，并将所述样本预测误差程度高于预设目标的电池容量特征参数作为重要特征参数。
可选的，在本发明实施例提供的一种可行方式中，所述误差确定子模块，包括：
参数确定单元，用于以所述排列重要性由高到低的顺序，将所述多个电池容量特征参数中未被标记的一个参数作为目标参数；
结果得到单元，用于将每个所述样本的所述多个电池容量特征参数中除所述目标参数之外的参数输入至所述基准模型，得到每个所述样本的预测结果；
误差计算单元，用于基于每个所述样本的预测结果与真实电池容量，确定基准模型的样本预测误差程度；
标记单元，用于若所述样本预测误差程度超过预设目标，则将所述目标参数标记；
删除单元，用于若所述样本预测误差程度不超过所述预设目标，则将所述目标参数从所述多个电池容量特征参数中删除；
返回单元，用于返回所述以所述排列重要性由高到低的顺序，将所述多个电池容量特征参数中未被标记的一个参数作为目标参数的步骤，直至所述多个电池容量特征参数中不存在未被标记的参数时，将被标记的所有参数作为重要特征参数。
可选的，在本发明实施例提供的一种可行方式中，所述确定模块还包括：
预处理子模块，用于对所述电池样本集中每个所述样本的电池容量特征参数进行预处理，其中，所述预处理包括数值归一化处理和异常数据剔除处理。
可选的，在本发明实施例提供的一种可行方式中，所述多个电池容量特征参数还包括未注液电池绝缘耐压检测曲线参数、微分容量曲线参数、所述微分容量曲线参数的分段曲线特征参数及电池温度曲线参数。
本申请实施例提供的电池容量的预测模型训练装置300能够实现实施例1对应的电池容量的预测模型训练方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如实施例1中所述的电池容量的预测模型训练方法，或执行如实施例2中所述的电池容量的预测方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如实施例1中所述的电池容量的预测模型训练方法，或执行如实施例2中所述的电池容量的预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、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，结构图和/或流程图中的每个方框、以及结构图和/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，在本发明各个实施例中的各功能模块或单元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，也可以两个或更多个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(可以是智能手机、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(ROM，Read-Only Memory)、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。
以上所述，仅为本发明的具体实施方式，但本发明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揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种电池容量的预测模型训练方法，其特征在于，包括：
获取电池样本集，其中，所述电池样本集中的每个样本均包括真实电池容量和多个电池容量特征参数，所述多个电池容量特征参数至少包括工艺参数和电池等效电路模型参数；
基于所述电池样本集中的每个样本，确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数；
将每个样本的所述重要特征参数输入至预设模型，得到每个样本的预测电池容量；
基于每个样本的真实电池容量和所述预测电池容量计算损失函数值，并利用所述损失函数值迭代更新所述预设模型，得到电池容量的预测模型。
2.根据权利要求1所述的电池容量的预测模型训练方法，其特征在于，所述基于所述电池样本集中的每个样本，确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数，包括：
基于已训练的基准模型，确定每个所述电池容量特征参数的排列重要性，其中，所述基准模型用于根据所述电池样本集中所述样本的多个电池容量特征参数输出所述样本对应的电池容量预测结果；
基于所述排列重要性，确定在各个所述电池容量特征参数被依次去除时的所述基准模型的样本预测误差程度，并将所述样本预测误差程度高于预设目标的电池容量特征参数作为重要特征参数。
3.根据权利要求2所述的电池容量的预测模型训练方法，其特征在于，所述基于所述排列重要性，确定在各个所述电池容量特征参数被依次去除时的所述基准模型的样本预测误差程度，并将所述样本预测误差程度高于预设目标的电池容量特征参数作为重要特征参数，包括：
以所述排列重要性由高到低的顺序，将所述多个电池容量特征参数中未被标记的一个参数作为目标参数；
将每个所述样本的所述多个电池容量特征参数中除所述目标参数之外的参数输入至所述基准模型，得到每个所述样本的预测结果；
基于每个所述样本的预测结果与真实电池容量，确定基准模型的样本预测误差程度；
若所述样本预测误差程度超过预设目标，则将所述目标参数标记；
若所述样本预测误差程度不超过所述预设目标，则将所述目标参数从所述多个电池容量特征参数中删除；
返回所述以所述排列重要性由高到低的顺序，将所述多个电池容量特征参数中未被标记的一个参数作为目标参数的步骤，直至所述多个电池容量特征参数中不存在未被标记的参数时，将被标记的所有参数作为重要特征参数。
4.根据权利要求1所述的电池容量的预测模型训练方法，其特征在于，所述确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数之前，还包括：
对所述电池样本集中每个所述样本的电池容量特征参数进行预处理，其中，所述预处理包括数值归一化处理和异常数据剔除处理。
5.根据权利要求1所述的电池容量的预测模型训练方法，其特征在于，所述多个电池容量特征参数还包括未注液电池绝缘耐压检测曲线参数、微分容量曲线参数、所述微分容量曲线参数的分段曲线特征参数及电池温度曲线参数。
6.一种电池容量的预测方法，其特征在于，包括：
获取目标电池的重要特征参数；
将所述目标电池的重要特征参数输入至电池容量的预测模型，得到所述目标电池的电池容量，其中，所述电池容量的预测模型通过权利要求1-5任一种所述的容量的预测模型训练方法得到。
7.根据权利要求6所述的电池容量的预测方法，其特征在于，还包括：
若满足预设存储条件，则获取所述目标电池的真实电池容量，并将所述目标电池的重要特征参数、电池容量及真实电池容量存储至预设集合；
当所述预设集合中，存在一个电池容量和真实电池容量的误差大于预设误差阈值的预测错误电池时，利用所述预测错误电池的重要特征参数和真实电池容量更新所述电池容量的预测模型。
8.根据权利要求7所述的电池容量的预测方法，其特征在于，还包括：
若在预设时长内存储至所述预设集合中的多个目标电池均为所述预测错误电池，则基于所述多个目标电池的多个电池容量特征参数和真实电池容量，对所述电池容量的预测模型的输入参数和网络参数进行调整。
9.一种电池容量的预测模型训练装置，其特征在于，包括：
获取模块，用于获取电池样本集，其中，所述电池样本集中的每个样本均包括真实电池容量和多个电池容量特征参数，所述多个电池容量特征参数至少包括工艺参数和电池等效电路模型参数；
确定模块，用于基于所述电池样本集中的每个样本，确定每个所述电池容量特征参数分别与所述真实电池容量的关联程度，并将关联程度高于预设目标的电池容量特征参数作为重要特征参数；
输入模块，用于将每个样本的所述重要特征参数输入至预设模型，得到每个样本的预测电池容量；
更新模块，用于基于每个样本的真实电池容量和所述预测电池容量计算损失函数值，并利用所述损失函数值迭代更新所述预设模型，得到电池容量的预测模型。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在处理器上运行时执行如权利要求1-5任一项所述的电池容量的预测模型训练方法，或执行如权利要求6至8所述的电池容量的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310102848.4A CN116298906B (zh) | 2023-01-19 | 2023-01-19 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310102848.4A CN116298906B (zh) | 2023-01-19 | 2023-01-19 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116298906A true CN116298906A (zh) | 2023-06-23 |
| CN116298906B CN116298906B (zh) | 2024-04-16 |
Family
ID=86819551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310102848.4A Active CN116298906B (zh) | 2023-01-19 | 2023-01-19 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298906B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522153A (zh) * | 2023-07-05 | 2023-08-01 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
| CN117148168A (zh) * | 2023-10-27 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 训练模型的方法、预测电池容量的方法、装置及介质 |
| CN117151201A (zh) * | 2023-08-24 | 2023-12-01 | 广芯微电子（广州）股份有限公司 | 一种用于神经网络训练的电池组样本组织方法及装置 |
| CN117995412A (zh) * | 2024-04-07 | 2024-05-07 | 粤港澳大湾区数字经济研究院(福田) | 一种未来发病概率的预测方法、装置、终端及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013157132A1 (ja) * | 2012-04-20 | 2013-10-24 | 日立ビークルエナジー株式会社 | 二次電池システム、二次電池の劣化状態判断方法 |
| CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
| CN109507594A (zh) * | 2018-12-26 | 2019-03-22 | 中国人民解放军国防科技大学 | 锂电池容量估计的间接健康因子选取方法 |
| CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
| CN113109715A (zh) * | 2021-03-29 | 2021-07-13 | 东华大学 | 基于特征选择和支持向量回归的电池健康状况预测方法 |
| CN113158345A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池容量预测方法及系统 |
| CN114578234A (zh) * | 2022-03-21 | 2022-06-03 | 首都师范大学 | 一种考虑因果性特征的锂离子电池退化与容量预测模型 |
| KR20220075967A (ko) * | 2020-11-30 | 2022-06-08 | 중앙대학교 산학협력단 | 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법 |
| CN115114843A (zh) * | 2022-04-24 | 2022-09-27 | 腾讯科技（深圳）有限公司 | 一种电池容量的预测方法、相关装置、设备以及存储介质 |
| CN115201684A (zh) * | 2022-07-11 | 2022-10-18 | 徐州市恒源电器有限公司 | 一种锂离子电池不同衰退模式下的寿命评估方法 |
| CN115236519A (zh) * | 2022-07-07 | 2022-10-25 | 泉州装备制造研究所 | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 |
| CN115270454A (zh) * | 2022-07-22 | 2022-11-01 | 中国人民解放军海军勤务学院 | 电池寿命预测方法及相关设备 |
| CN115616414A (zh) * | 2022-11-09 | 2023-01-17 | 中国华能集团清洁能源技术研究院有限公司 | 储能锂电池剩余寿命长时间序列预测方法及装置 |
-
2023
- 2023-01-19 CN CN202310102848.4A patent/CN116298906B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013157132A1 (ja) * | 2012-04-20 | 2013-10-24 | 日立ビークルエナジー株式会社 | 二次電池システム、二次電池の劣化状態判断方法 |
| CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
| CN109507594A (zh) * | 2018-12-26 | 2019-03-22 | 中国人民解放军国防科技大学 | 锂电池容量估计的间接健康因子选取方法 |
| CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
| KR20220075967A (ko) * | 2020-11-30 | 2022-06-08 | 중앙대학교 산학협력단 | 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법 |
| CN113109715A (zh) * | 2021-03-29 | 2021-07-13 | 东华大学 | 基于特征选择和支持向量回归的电池健康状况预测方法 |
| CN113158345A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池容量预测方法及系统 |
| CN114578234A (zh) * | 2022-03-21 | 2022-06-03 | 首都师范大学 | 一种考虑因果性特征的锂离子电池退化与容量预测模型 |
| CN115114843A (zh) * | 2022-04-24 | 2022-09-27 | 腾讯科技（深圳）有限公司 | 一种电池容量的预测方法、相关装置、设备以及存储介质 |
| CN115236519A (zh) * | 2022-07-07 | 2022-10-25 | 泉州装备制造研究所 | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 |
| CN115201684A (zh) * | 2022-07-11 | 2022-10-18 | 徐州市恒源电器有限公司 | 一种锂离子电池不同衰退模式下的寿命评估方法 |
| CN115270454A (zh) * | 2022-07-22 | 2022-11-01 | 中国人民解放军海军勤务学院 | 电池寿命预测方法及相关设备 |
| CN115616414A (zh) * | 2022-11-09 | 2023-01-17 | 中国华能集团清洁能源技术研究院有限公司 | 储能锂电池剩余寿命长时间序列预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 韩云飞，谢佳，蔡涛，程时杰: "结合高斯过程回归与特征选择的锂离子电池容量估计方法", 《储能科学与技术》, vol. 10, no. 4, pages 1432 - 1438 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522153A (zh) * | 2023-07-05 | 2023-08-01 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
| CN116522153B (zh) * | 2023-07-05 | 2023-12-26 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
| CN117151201A (zh) * | 2023-08-24 | 2023-12-01 | 广芯微电子（广州）股份有限公司 | 一种用于神经网络训练的电池组样本组织方法及装置 |
| CN117151201B (zh) * | 2023-08-24 | 2024-03-15 | 广芯微电子（广州）股份有限公司 | 一种用于神经网络训练的电池组样本组织方法及装置 |
| CN117148168A (zh) * | 2023-10-27 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 训练模型的方法、预测电池容量的方法、装置及介质 |
| CN117148168B (zh) * | 2023-10-27 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 训练模型的方法、预测电池容量的方法、装置及介质 |
| CN117995412A (zh) * | 2024-04-07 | 2024-05-07 | 粤港澳大湾区数字经济研究院(福田) | 一种未来发病概率的预测方法、装置、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116298906B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
| CN116298906A (zh) | 电池容量的预测模型训练方法、预测方法、装置及介质 | |
| Zhang et al. | State of health estimation of lithium-ion batteries based on modified flower pollination algorithm-temporal convolutional network | |
| CN113361197B (zh) | 一种锂电池剩余使用寿命预测方法及系统 | |
| CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
| Wang et al. | A method based on improved ant lion optimization and support vector regression for remaining useful life estimation of lithium‐ion batteries | |
| CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
| CN111812519B (zh) | 一种电池参数辨识方法及系统 | |
| CN114970332A (zh) | 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法 | |
| CN108490365A (zh) | 一种估计电动汽车的动力电池的剩余寿命的方法 | |
| Ansari et al. | Jellyfish optimized recurrent neural network for state of health estimation of lithium-ion batteries | |
| CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
| CN117252112B (zh) | 用于训练驱动数据模型的方法及估算电池剩余寿命的方法 | |
| CN118465591A (zh) | 一种基于并行混合神经网络的锂离子电池健康状态估算方法 | |
| CN116400224A (zh) | 一种基于工作温度矫正的电池剩余使用寿命预测方法 | |
| CN111983471A (zh) | 一种基于双卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 | |
| CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
| CN114415041A (zh) | 电池剩余容量估算方法、装置及终端设备 | |
| CN117407795B (zh) | 一种电池安全预测方法、装置、电子设备及存储介质 | |
| Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
| CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN118330469A (zh) | 基于时态图神经网络的锂离子电池健康状态估计方法 | |
| Zhang et al. | A method for remaining discharge time prediction of lithium‐ion batteries under dynamic uncertainty | |
| Zhang et al. | The early prediction of lithium-ion battery remaining useful life using a novel long short-term memory network | |
| CN117368737A (zh) | 动力锂离子电池soc数模结合预测方法、装置、设备及介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240913 Address after: 200120, 2nd Floor, No. 696 Caozhi Road, Xinchang Town, Pudong New Area, Shanghai Patentee after: Saiou Technology (Shanghai) Co.,Ltd. Country or region after: China Address before: 644005 No. 601, 6 / F, block d2-c, science and technology innovation center, No. 7, shaping Road, Guoxing Avenue, Lingang Economic Development Zone, Yibin City, Sichuan Province Patentee before: Sichuan new energy automobile Innovation Center Co.,Ltd. Country or region before: China Patentee before: Saiou Technology (Shanghai) Co.,Ltd. |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20250117 Address after: Room 22301-1894, Building 14, 498 Guoshoujing Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, 201203 Patentee after: Shanghai Wei Zhi Di Intelligent Technology Co.,Ltd. Country or region after: China Address before: 200120, 2nd Floor, No. 696 Caozhi Road, Xinchang Town, Pudong New Area, Shanghai Patentee before: Saiou Technology (Shanghai) Co.,Ltd. Country or region before: China |