CN116413609B - 一种电池跳水识别方法、装置、电子设备及存储介质 - Google Patents
一种电池跳水识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116413609B CN116413609B CN202310672411.4A CN202310672411A CN116413609B CN 116413609 B CN116413609 B CN 116413609B CN 202310672411 A CN202310672411 A CN 202310672411A CN 116413609 B CN116413609 B CN 116413609B
- Authority
- CN
- China
- Prior art keywords
- battery
- discharge
- battery capacity
- charge
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000009189 diving Effects 0.000 title claims abstract description 34
- 238000007599 discharging Methods 0.000 claims abstract description 71
- 238000012706 support-vector machine Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 208000028659 discharge Diseases 0.000 description 176
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
-
- 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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供了一种电池跳水识别方法、装置、电子设备及存储介质，该方法包括：获取当前电池进行充放电循环得到的电池容量曲线和当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；依据电池容量曲线和多个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征；将当前电池的多个目标特征输入至训练好的支持向量机模型，得到支持向量机模型输出的当前电池的跳水识别信息。通过确定电池的目标特征，并将目标特征输入至训练好的支持向量机模型，得到支持向量机模型预测的电池的跳水识别信息，解决了现有技术中通过设置阈值或者人工查阅电池容量曲线来确定电池是否跳水的技术问题。
Description
技术领域
本申请涉及锂电池技术领域，尤其涉及一种电池跳水识别方法、装置、电子设备及存储介质。
背景技术
锂电池容量在使用一段时间后可能会出现跳水现象。跳水现象一般指电池在使用过程中，随着充放电次数的增加，电池容量呈现近似线性的衰退后出现突然大幅度衰退的现象。这预示着出现了新的老化机制主导了电池容量的衰减过程。这种突然的衰减，很大程度上影响电池的正常使用，也通常意味着需要更新电池。由于“木桶效应”，锂电池容量“跳水”在串联的电池组中产生的后果较单体电池来说更为严重。
现有的锂电池跳水识别方法是通过人工肉眼对电池容量曲线进行识别，该方法的弊端是无法对大批量的电池容量曲线进行识别，且影响识别的准确度。另一种方法是通过电池容量曲线的几何特征进行阈值判别，该方法可以对大批量电池进行识别，但弊端是阈值是人为设置，受主观因素影响较大，也影响识别的准确度。
发明内容
有鉴于此，本申请的目的在于至少提供一种电池跳水识别方法、装置、电子设备及存储介质，通过将电池的电池容量曲线和多个预设充放电次数对应的电池放电电阻中确定目标特征，并将目标特征输入至训练好的支持向量机模型，得到支持向量机模型预测的电池的跳水识别信息，解决了现有技术中通过设置阈值或者人工查阅电池容量曲线来确定电池是否跳水的技术问题，达到了提高识别效率和准确率的技术效果。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供一种电池跳水识别方法，所述电池跳水识别方法包括：获取当前电池进行充放电循环得到的电池容量曲线和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；依据所述电池容量曲线和多个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征；所述多个目标特征指的是导致电池在充放电循环过程中出现跳水现象的特征；将所述当前电池的多个目标特征输入至训练好的支持向量机模型，得到所述支持向量机模型输出的当前电池的跳水识别信息。
可选地，所述获取当前电池进行充放电循环得到的电池容量曲线，包括：依据当前电池在每次充放电操作的目标电池容量，生成当前电池的电池容量与充放电次数相关的电池容量散点图；基于所述电池容量散点图，确定所述当前电池对应的电池容量曲线。
可选地，通过以下步骤确定当前电池在每次充放电操作的目标电池容量，包括：获取当前电池在每次充放电操作对应的实际电池容量；对当前电池在每次充放电操作对应的实际电池容量进行数据预处理，得到当前电池进行每次充放电操作对应的目标电池容量；所述数据预处理用于处理异常的实际电池容量。
可选地，依据所述电池容量曲线和多个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征，包括：确定当前电池的所述电池容量曲线的多个几何特征和所述当前电池在在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；将当前电池的所述电池容量曲线的多个几何特征和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻输入至训练好的极限提升树XGBoost模型筛选出当前电池的目标特征。
可选地，通过以下方式筛选出目标特征：针对每个历史电池，将该历史电池的电池容量曲线的多个几何特征和该历史电池在充放电循环过程中多个预设充放电次数对应的电池放电电阻作为该历史电池的特征集合；将多个历史电池的所述特征集合作为样本数据，将该历史电池的实际跳水信息作为标签训练XGBoost模型，得到训练好的XGBoost模型和所述特征集合中每个特征的重要性得分；所述实际跳水信息用于描述电池在进行充放电循环后是否出现跳水现象；基于每个特征的重要性得分，在所述特征集合中筛选出多个目标特征。
可选地，通过以下方式训练所述支持向量机模型，包括：将多个历史电池的电池容量曲线的多个目标特征作为样本数据，将该历史电池的实际跳水信息作为标签训练支持向量机模型，得到训练好的所述支持向量机模型。
可选地，多个目标特征包括：是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻。
第二方面，本申请实施例还提供一种电池跳水识别装置，所述电池跳水识别装置包括：获取装置，用于获取当前电池进行充放电循环得到的电池容量曲线和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；确定装置，用于依据所述电池容量曲线和每个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征；所述多个目标特征指的是导致电池在充放电循环过程中出现跳水现象的特征；预测装置，用于将所述当前电池的多个目标特征输入至训练好的支持向量机模型，得到所述支持向量机模型输出的当前电池的跳水识别信息。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的电池跳水识别方法的步骤。
第四方面，本申请实施例还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上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的电池跳水识别方法的步骤。
本申请实施例提供的一种电池跳水识别方法、装置、电子设备及存储介质，该方法包括：获取当前电池进行充放电循环得到的电池容量曲线和当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；依据电池容量曲线和多个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征；将当前电池的多个目标特征输入至训练好的支持向量机模型，得到支持向量机模型输出的当前电池的跳水识别信息。通过将电池的电池容量曲线和多个预设充放电次数对应的电池放电电阻中确定目标特征，并将目标特征输入至训练好的支持向量机模型，得到支持向量机模型预测的电池的跳水识别信息，解决了现有技术中通过设置阈值或者人工查阅电池容量曲线来确定电池是否跳水的技术问题，达到了提高识别效率和准确率的技术效果。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种电池跳水识别方法的流程图。
图2示出了本申请实施例所提供的依据所述电池容量曲线和多个预设充放电次数对应的电池放电电阻确定当前电池的多个目标特征的步骤的流程图。
图3示出了本申请实施例所提供的一种电池跳水识别装置的功能模块图。
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，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全部其他实施例，都属于本申请保护的范围。
现有技术中通过人工识别电池容量曲线，确定电池是否产生跳水现象，人工识别可能会导致判断不准确且效率较低；或者，人为设置电池容量曲线的阈值，通过阈值确定电池容量曲线对应的电池是否产生跳水现象，若阈值设置出现偏差，也会导致判断不准确。
基于此，本申请实施例提供了一种电池跳水识别方法、装置、电子设备及存储介质，通过将电池的电池容量曲线和多个预设充放电次数对应的电池放电电阻中确定目标特征，并将目标特征输入至训练好的支持向量机模型，得到支持向量机模型预测的电池的跳水识别信息，解决了现有技术中通过设置阈值或者人工查阅电池容量曲线来确定电池是否跳水的技术问题，达到了提高识别效率和准确率的技术效果，具体如下：
请参阅图1，图1为本申请实施例所提供的一种电池跳水识别方法的流程图。如图1所示，本申请实施例提供的电池跳水识别方法，包括以下步骤：
S101：获取当前电池进行充放电循环得到的电池容量曲线和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻。
电池容量曲线用于表示当前电池在充放电循环过程中的电池容量变化。充放电循环可以理解为进行预设次数的充放电操作，每次充放电操作可以理解为先将电池充满电再对电池进行放电操作，并确定放电操作当前电池的实际电池容量。以及在充放电循环过程中确定多个预设充放电次数分别对应的电池放电电阻。
其中，多个预设充放电次数指的是在电池容量曲线的曲线拐点的充放电次数之前的预设次数或之后的预设次数。多个预设充放电次数可以是用户自行选择的。示例性的，若当前电池的电池容量曲线的曲线拐点是第120次充放电操作，则将曲线拐点对应的充放电次数（第120次充放电操作）、曲线拐点对应的充放电次数向前50次（第70次充放电操作）、曲线拐点对应的充放电次数向后50次（第170次充放电操作）、曲线拐点对应的充放电次数向前100次（第20次充放电操作）、曲线拐点对应的充放电次数向后100次（第170次充放电操作）作为多个预设充放电次数。
也就是说，需要先确定电池容量曲线的曲线拐点，确定电池容量曲线的曲线拐点方法可以是确定电池容量曲线中每次充放电操作对应的斜率，确定该次充放电操作对应的斜率与该次充放电操作的下一次充放电操作对应的斜率之间的差值，确定差值是否小于预设阈值，若差值是否小于预设阈值，则认为该次充放电操作在电池容量曲线上对应的电池容量点为曲线拐点。
需要说明的是，需要保证在充放电循环过程中每次充放电操作的放电电流均是恒定的，每次充放电操作的充电操作的充电电流也可以是恒定的。
所述获取当前电池进行充放电循环得到的电池容量曲线，包括：依据当前电池在每次充放电操作的目标电池容量，生成当前电池的电池容量与充放电次数相关的电池容量散点图；基于所述电池容量散点图，确定所述当前电池对应的电池容量曲线。
也就是说，电池容量散点图的横坐标表示充放电次数，电池容量散点图的纵坐标表示目标电池容量。也就是说，将电池容量散点图中每个点作为电池容量点，该电池容量点表示在该电池容量点对应的充放电次数下当前电池的目标电池容量。
基于所述电池容量散点图，确定所述当前电池对应的电池容量曲线，包括：通过Savitzky-Golay滤波器，对电池容量散点图进行平滑处理得到电池容量曲线；或者，将电池容量散点图中相邻的两个电池容量点进行连接，得到当前电池对应的电池容量曲线。
Savitzky-Golay滤波器，其核心思想是对一定长度窗口内的数据点进行k阶多项式拟合，从而得到拟合后的结果。对它进行离散化处理后，Savitzky-Golay滤波其实是一种移动窗口的加权平均算法，但是其加权系数不是简单的常数窗口，而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出。这种滤波器最大的特点在于在滤除噪声的同时可以确保曲线的形状、宽度不变。
也就是说，Savitzky-Golay滤波器是对电池容量散点图中每个电池容量点的周围选择一个窗口，并在该窗口内拟合一个多项式，然后用该多项式的值来估计该电池容量点的平滑值。这样可以消除噪声和抖动，并保留信号中的趋势信息。选择合适的窗口大小和多项式阶数可以使平滑效果更好。
通过以下步骤确定当前电池在每次充放电操作的目标电池容量，包括：获取当前电池在每次充放电操作对应的实际电池容量；对当前电池在每次充放电操作对应的实际电池容量进行数据预处理，得到当前电池进行每次充放电操作对应的目标电池容量；所述数据预处理用于处理异常的实际电池容量。
数据预处理可以是异常值处理、缺失值补充等操作。异常的实际电池容量一般指的是充放电循环的电池容量曲线中出现的异常掉零的情况。对于异常值和缺失值的处理方法是通过向后插补等方式，进行修正。
示例性的，对当前电池进行一定次数的充放电操作，确定每次充放电操作的放电阶段的实际电池容量；确定每次充放电操作的放电阶段的实际电池容量是否不属于预设电池容量范围；若该次充放电操作的放电阶段的实际电池容量不属于预设电池容量范围，则将该次充放电操作的上一次充放电操作的放电阶段的实际电池容量作为该次充放电操作的目标电池容量；若该次充放电操作的放电阶段的实际电池容量属于预设电池容量范围，则将该次充放电操作的实际电池容量作为该次充放电操作的目标电池容量。
S102：依据所述电池容量曲线和多个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征。
所述多个目标特征指的是导致电池在充放电循环过程中出现跳水现象的特征。
请参阅图2，图2为本申请实施例所提供的依据所述电池容量曲线和多个预设充放电次数对应的电池放电电阻确定当前电池的多个目标特征的步骤的流程图。依据所述电池容量曲线和多个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征，包括：
S1021：确定当前电池的所述电池容量曲线的多个几何特征和所述当前电池在在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻。
确定当前电池的所述电池容量曲线的多个几何特征是通过识别电池容量曲线得到的。
电池容量曲线的多个几何特征包括：是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第一预设充放电次数对应的电池容量点的斜率、第二预设充放电次数对应的电池容量点的斜率、第三预设充放电次数对应的电池容量点的斜率。
多个预设充放电次数对应的电池放电电阻指的是曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻。
电池容量曲线是否为凸曲线的判断方式可以是人工判断，或者是通过每个电池容量点的斜率特征来判断，电池容量曲线是否为凸曲线的判断方式是现有技术，在此不再赘述。
S1022：将当前电池的所述电池容量曲线的多个几何特征和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻输入至训练好的极限提升树XGBoost模型筛选出当前电池的目标特征。
也就是说，XGBoost模型在当前电池的所述电池容量曲线的多个几何特征、当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻中筛选出当前电池的目标特征。
通过以下方式筛选出目标特征：针对每个历史电池，将该历史电池的电池容量曲线的多个几何特征和该历史电池在充放电循环过程中多个预设充放电次数对应的电池放电电阻作为该历史电池的特征集合；将多个历史电池的所述特征集合作为样本数据，将该历史电池的实际跳水信息作为标签训练XGBoost模型，得到训练好的XGBoost模型和所述特征集合中每个特征的重要性得分；所述实际跳水信息用于描述电池在进行充放电循环后是否出现跳水现象；基于每个特征的重要性得分，在所述特征集合中筛选出多个目标特征。
重要性得分用于衡量每个特征对识别电池是否出现跳水现象的影响程度。该特征的重要性得分越高，代表该特征越能识别出电池是否出现跳水现象。
XGBoost模型（eXtreme Gradient Boosting）根据特征集合中各个特征的结构分数的增益情况计算出来选择哪个特征作为分割点，而每个特征的重要性得分的判断依据可以是：该特征在所有树中被用作分割样本的特征的次数（weight）、该特征在所有树中的平均增益（gain）、该特征在树中使用该特征时的平均覆盖范围（cover）。在XGBoost模型中，特征的重要性得分可以由训练好的模型的feature_importances_属性获得。该属性返回一个按照各个特征的重要性得分进行从高到低排序的数组。因此，在进行特征选择时，可以根据特征的重要性得分对特征进行排序，并选择得分最高的前几个特征作为模型输入。
也就是说，基于每个特征的重要性得分，在所述特征集合中筛选出多个目标特征的方法可以是依据每个特征的重要性得分按照从大到小的顺序进行排序，将排序后的各个特征的前预设数量的特征作为目标特征。
若特征集合中的特征较多，则在对特征重要性排序后，我们剔除重要性得分较低的特征，将剩余的特征作为初选特征，还可以对通过相关系数对初选特征进行第二轮筛选。可以通过每个特征的可视化箱线图以及相关性检验，对初选特征进行第二轮筛选，从初选特征中筛选出目标特征。
多个目标特征包括：是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻。
第一预设充放电次数是拐点向前100次的充放电操作，第二预设充放电次数是拐点向后100次的充放电操作，第三预设充放电次数是充放电循环过程中第3次充放电操作。第一预设充放电次数和第二预设充放电次数可以理解为与电池的拐点存在区别且电池状态较为稳定的放电操作次数，第三预设充放电次数指的是充放电循环过程中电池处于稳定状态的充放电操作次数。
也就是说，多个预设充放电次数对应的电池放电电阻指的是拐点向前100次的充放电操作对应的电池放电电阻、拐点向后100次的充放电操作对应的电池放电电阻、第3次充放电操作对应的电池放电电阻。第一预设充放电次数、第二预设充放电次数和第三预设充放电次数都是经验取值，可以由用户自行设置。一般的，第3次充放电操作的实际电池容量代表了电池处于稳定状态下的电池容量；第3次充放电操作的放电直流电阻代表了电池处于稳定状态下的放电直流电阻。
示例性的，在是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第一预设充放电次数对应的电池容量点的斜率、第二预设充放电次数对应的电池容量点的斜率、第三预设充放电次数对应的电池容量点的斜率、曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻中筛选出是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻作为多个目标特征。
S103：将所述当前电池的多个目标特征输入至训练好的支持向量机模型，得到所述支持向量机模型输出的当前电池的跳水识别信息。
也就是说，将当前电池的多个目标特征输入至训练好的支持向量机模型，得到支持向量机模型预测的当前电池是否产生跳水现象。
通过以下方式训练所述支持向量机模型，包括：将多个历史电池的电池容量曲线的多个目标特征作为样本数据，将该历史电池的实际跳水信息作为标签训练支持向量机模型，得到训练好的所述支持向量机模型。
也就是说，将多个历史电池的电池容量曲线和实际跳水信息划分为训练集和验证集，通过训练集训练支持向量机模型，并通过验证集验证训练后的支持向量机模型的效果，以此完成对支持向量机模型的训练。在使用训练集进行训练过程中，通过网格搜索和十折交叉验证，对支持向量机模型的超参数进行优化，寻找并确定最优超参数。
本申请实施例使用了124个历史电池来训练支持向量机模型。其中，训练集包含99个历史电池，验证集包含25个历史电池。
通过以下公式计算支持向量机模型分别基于训练集和测试集的各项评价指标：
（1）
（2）
（3）
（4）
上述公式中，为准确率、/>为查准率、/>为召回率、/>为F1指标（F1-score）、TP为第一电池数量、FP为第二电池数量、FN为第三电池数量、TN为第四电池数量。
也就是说，评价指标用于衡量支持向量机模型的预测的准确性，评价指标包括准确率、查准率、召回率和F1指标。第一电池数量是支持向量机模型输出的跳水信息和实际跳水信息均为出现电池跳水现象的电池数量，第二电池数量是支持向量机模型输出的跳水信息为出现电池跳水现象而实际跳水信息为未出现电池跳水现象的电池数量，第三电池数量是支持向量机模型输出的跳水信息为未出现电池跳水现象而实际跳水信息为出现电池跳水现象的电池数量，第四电池数量是支持向量机模型输出的跳水信息和实际跳水信息均为未出现电池跳水现象的电池数量。
支持向量机模型在训练集、验证集上对124个历史电池的预测结果的评价指标如表1所示。
表1：
将验证集的准确率作为训练好的支持向量机模型的预测准确率（84.62%），预测效果较好。
区别于传统的统计方法，机器学习是主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能，从数据或以往经验中自动分析获得模型，并利用模型对未知数据进行预测。
支持向量机模型（SVM模型）是一种二分类模型。它的基本模型是在特征空间中寻找间隔最大化的分离超平面的线性分类器。当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。它通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好分类的目的。
本申请的技术效果是可以对大批量的电池容量曲线进行自动化识别，避免了人工识别的成本和不可重复性，还可以进行自主学习，具有自适应优化能力，可以通过不断扩展样本量，提升其识别的准确率及应用场景，避免了人为设置阈值的主观性和局限性；且计算量小，既可以应用于实验室的电池是否出现跳水现象进行识别,也可以为实际工况中的电池是否出现跳水现象进行识别。
基于同一申请构思，本申请实施例中还提供了与上述实施例提供的电池跳水识别方法对应的电池跳水识别装置，由于本申请实施例中的装置解决问题的原理与本申请上述实施例的电池跳水识别方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
如图3所示，图3为本申请实施例提供的一种电池跳水识别装置的功能模块图。电池跳水识别装置10包括：获取装置101、确定装置102和预测装置103。
获取装置101，用于获取当前电池进行充放电循环得到的电池容量曲线和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；
确定装置102，用于依据所述电池容量曲线和每个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征；所述多个目标特征指的是导致电池在充放电循环过程中出现跳水现象的特征；
预测装置103，用于将所述当前电池的多个目标特征输入至训练好的支持向量机模型，得到所述支持向量机模型输出的当前电池的跳水识别信息。
基于同一申请构思，参见图4所示，为本申请实施例提供的一种电子设备的结构示意图，电子设备20包括：处理器201、存储器202和总线203，所述存储器202存储有所述处理器201可执行的机器可读指令，当电子设备20运行时，所述处理器201与所述存储器202之间通过所述总线203进行通信，所述机器可读指令被所述处理器201运行时执行如上述实施例中任一所述的电池跳水识别方法的步骤。
具体地，所述机器可读指令被所述处理器201执行时可以执行如下处理：获取当前电池进行充放电循环得到的电池容量曲线和当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；依据电池容量曲线和多个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征；将当前电池的多个目标特征输入至训练好的支持向量机模型，得到支持向量机模型输出的当前电池的跳水识别信息。
基于同一申请构思，本申请实施例还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上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例提供的电池跳水识别方法的步骤。
具体地，所述存储介质能够为通用的存储介质，如移动磁盘、硬盘等，所述存储介质上的计算机程序被运行时，能够执行上述电池跳水识别方法，通过将电池的电池容量曲线和多个预设充放电次数对应的电池放电电阻中确定目标特征，并将目标特征输入至训练好的支持向量机模型，得到支持向量机模型预测的电池的跳水识别信息，解决了现有技术中通过设置阈值或者人工查阅电池容量曲线来确定电池是否跳水的技术问题，达到了提高识别效率和准确率的技术效果。
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，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应所述理解到，所揭露的系统、装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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者全部单元来实现本实施例方案的目的。
另外，在本申请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，也可以两个或两个以上单元集成在一个单元中。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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所述技术方案的部分可以以软件产品的形式体现出来，所述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（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。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种电池跳水识别方法，其特征在于，所述方法包括：
获取当前电池进行充放电循环得到的电池容量曲线和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；
依据所述电池容量曲线和多个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征；所述多个目标特征指的是导致电池在充放电循环过程中出现跳水现象的特征；
将所述当前电池的多个目标特征输入至训练好的支持向量机模型，得到所述支持向量机模型输出的当前电池的跳水识别信息；
所述多个目标特征包括：是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻；
所述依据所述电池容量曲线和多个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征，包括：
确定当前电池的所述电池容量曲线的多个几何特征和所述当前电池在在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；
将当前电池的所述电池容量曲线的多个几何特征和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻输入至训练好的极限提升树XGBoost模型筛选出当前电池的目标特征。
2.根据权利要求1所述的方法，其特征在于，所述获取当前电池进行充放电循环得到的电池容量曲线，包括：
依据当前电池在每次充放电操作的目标电池容量，生成当前电池的电池容量与充放电次数相关的电池容量散点图；
基于所述电池容量散点图，确定所述当前电池对应的电池容量曲线。
3.根据权利要求2所述的方法，其特征在于，通过以下步骤确定当前电池在每次充放电操作的目标电池容量，包括：
获取当前电池在每次充放电操作对应的实际电池容量；
对当前电池在每次充放电操作对应的实际电池容量进行数据预处理，得到当前电池进行每次充放电操作对应的目标电池容量；所述数据预处理用于处理异常的实际电池容量。
4.根据权利要求1所述的方法，其特征在于，通过以下方式筛选出目标特征：
针对每个历史电池，将该历史电池的电池容量曲线的多个几何特征和该历史电池在充放电循环过程中多个预设充放电次数对应的电池放电电阻作为该历史电池的特征集合；
将多个历史电池的所述特征集合作为样本数据，将该历史电池的实际跳水信息作为标签训练XGBoost模型，得到训练好的XGBoost模型和所述特征集合中每个特征的重要性得分，所述实际跳水信息用于描述电池在进行充放电循环后是否出现跳水现象；
基于每个特征的重要性得分，在所述特征集合中筛选出多个目标特征。
5.根据权利要求1所述的方法，其特征在于，通过以下方式训练所述支持向量机模型，包括：
将多个历史电池的电池容量曲线的多个目标特征作为样本数据，将该历史电池的实际跳水信息作为标签训练支持向量机模型，得到训练好的所述支持向量机模型。
6.一种电池跳水识别装置，其特征在于，所述装置包括：
获取装置，用于获取当前电池进行充放电循环得到的电池容量曲线和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；
确定装置，用于依据所述电池容量曲线和每个预设充放电次数对应的电池放电电阻，确定当前电池的多个目标特征；所述多个目标特征指的是导致电池在充放电循环过程中出现跳水现象的特征；
预测装置，用于将所述当前电池的多个目标特征输入至训练好的支持向量机模型，得到所述支持向量机模型输出的当前电池的跳水识别信息；
所述多个目标特征包括：是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻；
所述确定装置，还用于确定当前电池的所述电池容量曲线的多个几何特征和所述当前电池在在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻；将当前电池的所述电池容量曲线的多个几何特征和所述当前电池在充放电循环过程中多个预设充放电次数分别对应的电池放电电阻输入至训练好的极限提升树XGBoost模型筛选出当前电池的目标特征。
7.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至5任一所述的电池跳水识别方法的步骤。
8.一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，所述计算机程序被处理器运行时执行如权利要求1至5任一所述的电池跳水识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672411.4A CN116413609B (zh) | 2023-06-08 | 2023-06-08 | 一种电池跳水识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672411.4A CN116413609B (zh) | 2023-06-08 | 2023-06-08 | 一种电池跳水识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116413609A CN116413609A (zh) | 2023-07-11 |
| CN116413609B true CN116413609B (zh) | 2023-08-29 |
Family
ID=87056355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310672411.4A Active CN116413609B (zh) | 2023-06-08 | 2023-06-08 | 一种电池跳水识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116413609B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
| CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
| CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
| CN112130086A (zh) * | 2020-05-29 | 2020-12-25 | 国家电网有限公司 | 一种动力电池剩余寿命预测方法及系统 |
| CN112327194A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种锂电池容量跳水识别方法及装置 |
| CN112327192A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种基于曲线形态的电池容量跳水现象识别方法 |
| CN112666464A (zh) * | 2021-01-27 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 电池健康状态预测方法、装置、电子设备和可读存储介质 |
| CN112904219A (zh) * | 2021-04-08 | 2021-06-04 | 合肥工业大学 | 一种基于大数据的动力电池健康状态的预测方法 |
| CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
| CN115877238A (zh) * | 2022-12-06 | 2023-03-31 | 北汽福田汽车股份有限公司 | 电池容量的检测方法、装置、可读存储介质及电子设备 |
| CN115994441A (zh) * | 2022-10-27 | 2023-04-21 | 重庆大学 | 基于机理信息的大数据云平台在线电池寿命预测方法 |
-
2023
- 2023-06-08 CN CN202310672411.4A patent/CN116413609B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
| CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
| CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
| CN112130086A (zh) * | 2020-05-29 | 2020-12-25 | 国家电网有限公司 | 一种动力电池剩余寿命预测方法及系统 |
| CN112327194A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种锂电池容量跳水识别方法及装置 |
| CN112327192A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种基于曲线形态的电池容量跳水现象识别方法 |
| CN112666464A (zh) * | 2021-01-27 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 电池健康状态预测方法、装置、电子设备和可读存储介质 |
| CN112904219A (zh) * | 2021-04-08 | 2021-06-04 | 合肥工业大学 | 一种基于大数据的动力电池健康状态的预测方法 |
| CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
| CN115994441A (zh) * | 2022-10-27 | 2023-04-21 | 重庆大学 | 基于机理信息的大数据云平台在线电池寿命预测方法 |
| CN115877238A (zh) * | 2022-12-06 | 2023-03-31 | 北汽福田汽车股份有限公司 | 电池容量的检测方法、装置、可读存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116413609A (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113687250A (zh) | 电芯容量预测方法、装置、电子设备及介质 | |
| CN109711707B (zh) | 一种船舶动力装置综合状态评估方法 | |
| WO2022257743A1 (zh) | 流量抑制预测方法、电子设备、存储介质 | |
| CN116401954A (zh) | 一种锂电池循环寿命的预测方法、预测装置、设备及介质 | |
| US20220382229A1 (en) | Machining condition searching device and machining condition searching method | |
| CN108595884A (zh) | 电力系统暂态稳定性评估方法及装置 | |
| CN111753987A (zh) | 机器学习模型的生成方法和装置 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN114331238B (zh) | 智能模型算法优选方法、系统、存储介质及计算机设备 | |
| CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
| CN115423013A (zh) | 电力系统运行方式分类方法、装置、设备及介质 | |
| CN110702986B (zh) | 一种自适应信号搜索门限实时动态生成方法及系统 | |
| CN112801231A (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
| CN116413609B (zh) | 一种电池跳水识别方法、装置、电子设备及存储介质 | |
| CN113822336A (zh) | 一种云硬盘故障预测方法、装置、系统及可读存储介质 | |
| CN116928038A (zh) | 基于海上风电机组主轴承温度的故障预警方法及装置 | |
| CN112485694B (zh) | 电池组的检测方法及装置 | |
| CN114884075A (zh) | 一种基于监督式学习的事件型非侵入式负荷监测方法 | |
| CN116541718B (zh) | 电池容量跳水识别模型的训练方法、装置、设备及介质 | |
| CN112149833B (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
| CN113313582A (zh) | 拒客回捞模型训练方法、装置及电子设备 | |
| CN113435655B (zh) | 扇区动态管理决策方法、服务器及系统 | |
| CN117555812B (zh) | 一种云平台自动化测试方法及系统 | |
| US20230268753A1 (en) | Intelligent battery charging based on history | |
| Chen et al. | Performance Assessment of Product Modules Based on Usage Data Collected Through Embedded Sensors |
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 |