CN116522153A - 锂电池容量预测方法、装置、计算机设备和存储介质 - Google Patents
锂电池容量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116522153A CN116522153A CN202310816738.4A CN202310816738A CN116522153A CN 116522153 A CN116522153 A CN 116522153A CN 202310816738 A CN202310816738 A CN 202310816738A CN 116522153 A CN116522153 A CN 116522153A
- Authority
- CN
- China
- Prior art keywords
- training
- lithium battery
- capacity
- sample data
- data set
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 139
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 143
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 120
- 239000000523 sample Substances 0.000 claims description 136
- 238000005070 sampling Methods 0.000 claims description 27
- 238000009499 grossing Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000003487 electrochemical reaction Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种锂电池容量预测方法、装置、计算机设备和存储介质。该方法包括:获取锂电池的化成充电样本数据集和分容放电容量样本数据集;从化成充电样本数据集中提取待训练数据集,其中,待训练数据集包括至少一种衍生特征;将至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,其中,分容放电容量样本数据集作为至少两种初始训练模型训练时的标签值;根据至少两种一级预测模型集成训练得到二级预测模型,其中,在二级预测模型输入待预测锂电池的化成充电数据后,输出待预测锂电池的预测放电容量。该方法能够提高锂电池容量预测准确度。
Description
技术领域
本申请涉及锂电池容量预测技术领域,尤其涉及一种锂电池容量预测方法、装置、计算机设备和存储介质。
背景技术
在当前锂电池巨大的产能背景下,锂电池容量预测是生产者较为关心的问题。现有的锂电池容量预测方案,大部分都是在基于完整充放电曲线的基础上去预测锂离子电池容量。然而,目前的方案需根据锂离子电池型号和工作状态的不同对容量预测模型进行不断修正而难以扩展,并不能很好地应用于各种场景,在实际应用中的预测准确度较低。
发明内容
有鉴于此,本申请提供了一种锂电池容量预测方法、装置、计算机设备和存储介质,用以解决锂电池容量预测准确度较低的问题。
第一方面,本申请提供了一种锂电池容量预测方法,包括:
获取锂电池的化成充电样本数据集和分容放电容量样本数据集;
从所述化成充电样本数据集中提取待训练数据集,其中,所述待训练数据集包括至少一种衍生特征;
将所述至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,其中,所述分容放电容量样本数据集作为所述至少两种初始训练模型训练时的标签值;
根据所述至少两种一级预测模型集成训练得到二级预测模型,其中,在所述二级预测模型输入待预测锂电池的化成充电数据后,输出所述待预测锂电池的预测放电容量。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述至少一种衍生特征包括微分容量,所述从所述化成充电样本数据集中提取待训练数据集,包括:
根据初始取点数量寻找特征峰;
若存在所述特征峰,根据所述特征峰确定目标取点数量;
若不存在所述特征峰,将所述初始取点数量作为所述目标取点数量;
根据所述目标取点数量获取微分容量曲线;
根据所述微分容量曲线计算取点斜率,得到所述待训练数据集,其中,所述待训练数据集包括所述微分容量。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述至少两种一级预测模型集成训练得到二级预测模型,包括:
获取所述至少两种一级预测模型的预测结果;
根据所述预测结果生成二级训练数据;
将所述二级训练数据输入到二级初始模型进行集成训练,得到所述二级预测模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述预测结果生成二级训练数据,包括:
将所述预测结果按照所述至少两种一级预测模型的模型种类进行分类;
将不同种类的所述预测结果按照输出序号进行组合,得到所述二级训练数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法还包括:
遍历所述化成充电样本数据集,其中,所述化成充电样本数据集中的每一充电样本数据均对应有标识信息;
在遍历至当前化成充电样本数据时,若存在与所述当前化成充电样本数据对应的所述标识信息相同的历史化成充电样本数据,则剔除所述当前化成充电样本数据;
根据预设数据采集周期对应的数据步长对所述化成充电样本数据进行复检,将不满足所述数据步长或者多个相同的所述化成充电样本数据剔除。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在所述将不满足所述数据步长或者多个相同的所述化成充电样本数据剔除之后,所述方法还包括:
根据剩余的所述化成充电样本数据集,按照特征类型生成与所述特征类型对应的特征曲线;
若所述特征曲线的曲率不满足曲线平滑条件,采用预设置的曲率调整方法对所述特征曲线进行平滑处理。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法还包括:
按照采集周期,采用探针获取锂电池的顶盖壳温度,并将所述锂电池的顶盖壳温度作为电池温度;
根据所述电池温度对所述分容放电容量样本数据集进行修正。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在所述从所述化成充电样本数据集中提取待训练数据集之后,所述方法还包括:
将至少一种相同特征类型的特征进行图示化,得到至少一种特征分布图,其中,所述特征包括所述衍生特征和基本特征;
从所述至少一种特征分布图中确定特征偏离点;
将所述特征偏离点对应的所述特征剔除。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述将所述至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,包括:
将所述衍生特征分为第一占比的训练集和第二占比的测试集;
将所述训练集输入到所述至少两种初始训练模型中进行训练,得到至少两种中间模型,所述至少两种中间模型包括中间阶段模型参数;
将所述测试集输入到所述至少两种中间模型中进行训练,更新所述中间阶段模型参数,得到所述至少两种一级预测模型。
第二方面,本申请提供了一种锂电池容量预测装置,包括:
获取模块,用于获取锂电池的化成充电样本数据集和分容放电容量样本数据集;
提取模块,用于从所述化成充电样本数据集中提取待训练数据集,其中,所述待训练数据集包括至少一种衍生特征;
第一训练模块,用于将所述至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,其中,所述分容放电容量样本数据集作为所述至少两种初始训练模型训练时的标签值;
第二训练模块,用于根据所述至少两种一级预测模型集成训练得到二级预测模型,其中,在所述二级预测模型输入待预测锂电池的化成充电数据后,输出所述待预测锂电池的预测放电容量。
进一步地,所述至少一种衍生特征包括微分容量。
进一步地,所述提取模块具体用于:
根据初始取点数量寻找特征峰;
若存在所述特征峰,根据所述特征峰确定目标取点数量;
若不存在所述特征峰,将所述初始取点数量作为所述目标取点数量;
根据所述目标取点数量获取微分容量曲线;
根据所述微分容量曲线计算取点斜率,得到所述待训练数据集,其中,所述待训练数据集包括所述微分容量。
进一步地,所述第二训练模块具体用于:
获取所述至少两种一级预测模型的预测结果;
根据所述预测结果生成二级训练数据;
将所述二级训练数据输入到二级初始模型进行集成训练,得到所述二级预测模型。
进一步地,所述第二训练模块还具体用于:
将所述预测结果按照所述至少两种一级预测模型的模型种类进行分类;
将不同种类的所述预测结果按照输出序号进行组合,得到所述二级训练数据。
进一步地,所述锂电池容量预测装置还具体用于:
遍历所述化成充电样本数据集,其中,所述化成充电样本数据集中的每一充电样本数据均对应有标识信息;
在遍历至当前化成充电样本数据时,若存在与所述当前化成充电样本数据对应的所述标识信息相同的历史化成充电样本数据,则剔除所述当前化成充电样本数据;
根据预设数据采集周期对应的数据步长对所述化成充电样本数据进行复检,将不满足所述数据步长或者多个相同的所述化成充电样本数据剔除。
进一步地,锂电池容量预测装置还具体用于:
根据剩余的所述化成充电样本数据集,按照特征类型生成与所述特征类型对应的特征曲线;
若所述特征曲线的曲率不满足曲线平滑条件,采用预设置的曲率调整方法对所述特征曲线进行平滑处理。
进一步地,锂电池容量预测装置还具体用于:
按照采集周期,采用探针获取锂电池的顶盖壳温度,并将所述锂电池的顶盖壳温度作为电池温度;
根据所述电池温度对所述分容放电容量样本数据集进行修正。
进一步地,锂电池容量预测装置还具体用于:
将至少一种相同特征类型的特征进行图示化,得到至少一种特征分布图,其中,所述特征包括所述衍生特征和基本特征;
从所述至少一种特征分布图中确定特征偏离点;
将所述特征偏离点对应的所述特征剔除。
进一步地,第一训练模块具体用于:
将所述衍生特征分为第一占比的训练集和第二占比的测试集;
将所述训练集输入到所述至少两种初始训练模型中进行训练,得到至少两种中间模型,所述至少两种中间模型包括中间阶段模型参数;
将所述测试集输入到所述至少两种中间模型中进行训练,更新所述中间阶段模型参数,得到所述至少两种一级预测模型。
第三方面,本申请提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时执行如第一方面所述锂电池容量预测方法的步骤。
第四方面,本申请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存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如第一方面所述锂电池容量预测方法的步骤。
在本申请中,首先获取锂电池的化成充电样本数据集和分容放电容量样本数据集,本申请以生产锂电池过程中电池产生的参数变化对锂电池容量进行预测,从而不再需要在每次获取锂电池容量时都将经历一次锂电池完整的放电过程,较大提高了锂电池容量获取的效率;然后从化成充电样本数据集中提取待训练数据集,其中,该待训练数据集可包括多种衍生特征,这些衍生特征的参数变化与锂电池容量具有关联,本申请中通过衍生特征的参数变化实现对锂电池容量的预测;之后,将至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,并根据至少两种一级预测模型集成训练得到二级预测模型,本申请通过采用多种模型训练获得多种一级预测模型,再从多种一级预测模型中训练得到二级预测模型的方式,能够避免锂电池容量预测陷于单个模型的预测误差中,通过整合多个不同的一级预测模型能够消除预测误差,有效提高锂电池容量预测准确度。
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,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本申请实施例中一种锂电池容量预测方法的流程图;
图2是本申请实施例中一种多个一级预测模型生成二级预测模型的示意图;
图3是本申请实施例中一种剔除不合格的化成数据的流程图;
图4是本申请实施例中一种对处于充电阶段采集的100个电压数据进行平滑的效果图;
图5是本申请实施例中一种温度的特征分布示意图;
图6是本申请实施例中另一种温度的特征分布示意图;
图7是本申请实施例中一种锂电池容量预测装置的原理框图;
图8是本申请实施例一种计算机设备。
具体实施方式
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的相同的字段,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本申请实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本申请实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1是本申请实施例中一种锂电池容量预测方法的流程图。该锂电池容量预测方法具体可应用在锂电池生产后确定电池容量的场景。本申请中锂电池不需要完全放电便可确定电池容量,且适用于目前市面上大多数的锂电池。如图1所示,该锂电池容量预测方法包括如下步骤:
S10:获取锂电池的化成充电样本数据集和分容放电容量样本数据集。
其中,锂电池在装配完成时是没有电的,需要充电进行激活。首次充电的步骤称为化成,用于激活电池体内的活性材料。化成充电样本数据集即化成过程中涉及的参数数据集。其中,该化成充电样本数据集包括化成过程中锂电池的多种基本特征,具体可包括电压,压力,温度,接触阻抗等。这些基本特征可每隔一时间段(如10秒)取一个值作为该时间段内的特征值。可以理解地,由于静置状态下的电压,压力,温度,大多一致,变化较小,因此静置阶段具体的操作方式可以是取电压,压力,温度的平均值作为特征值即可,而接触阻抗在静置状态下的值并不发生改变,因此接触阻抗的值在静置状态时可不取。这些基本特征表征了锂电池在化成过程中的基本状态,本申请中将基于这些基本特征获取更能体现锂电池容量变化相关的衍生特征,以更准确地预测锂电池的电池容量。
分容是用来测试锂电池充满电时的放电容量,分容放电的总容量即锂电池实际的总电池容量。分容放电容量样本数据集是分容过程中涉及的放电容量数据集。
本申请中,可以在工厂条件下,配置大批专门用于模型训练的锂电池,在锂电池化成和分容的步骤中,对出现的与电池相关的参数进行记录,以从化成充电样本数据集中学习锂电池容量和化成数据之间的特征关系,使得后续的锂电池通过化成充电样本数据集和分容放电容量样本数据集便能较准确地对锂电池容量进行预测。
S20:从化成充电样本数据集中提取待训练数据集,其中,待训练数据集包括至少一种衍生特征。
其中,衍生特征来自化成充电样本数据集,例如均值、峰值、差值等由化成充电样本数据集衍生而来的能够反映锂电池容量的特征,这类衍生特征可根据化成充电样本数据集间接得到。一些衍生特征与直接无任何预处理的化成充电样本数据集相比,其与锂电池容量的关联度甚至要强很多,所以在模型训练时可以采用合适的衍生特征进行训练,这样得到的预测模型的预测准确度会更高。
在一实施例中,化成充电样本数据集不一定直接用于模型训练,根据化成充电样本数据集衍生得到的至少一种衍生特征更适合作为待训练数据集。其中,需要说明的是,并不是所有衍生特征都适用于模型训练,在实际操作中,应优先选择与锂电池容量的关联度强的衍生特征进行模型训练。
S30:将至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,其中,分容放电容量样本数据集作为至少两种初始训练模型训练时的标签值。
在一实施例中,初始训练模型具体可以采用KNN算法模型、决策树模型和lightGBM模型等,这些算法模型在单独进行预测模型训练时都有较好的发挥,但是仍会存在准确度问题,本申请将结合多种训练得到的一级预测模型尽可能抵消单独训练时出现的误差。
S40:根据至少两种一级预测模型训练集成训练得到二级预测模型,其中,在二级预测模型输入待预测锂电池的化成充电数据后,输出待预测锂电池的锂电池预测放电容量。
在一实施例中,本申请的一级预测模型实际上是用于生成训练二级预测模型的过渡型模型。一级预测模型不直接用于预测锂电池容量,而是将已训练好的多个一级预测模型作为基分类器,对多个一级预测模型进行结合,再进行模型集成训练,能够得到锂电池容量预测结果更准确的二级预测模型。
步骤S10-S40中,以生产锂电池过程中电池产生的参数变化对锂电池容量进行预测,利用与锂电池容量具有关联的至少一种衍生特征,实现对锂电池容量的预测;以及,通过整合多个不同的一级预测模型消除单模型训练的预测误差、泛化能力较差的问题,能够有效提高锂电池容量预测准确度。
进一步地,衍生特征包括微分容量。其中,该微分容量的衍生特征经研究实际上表征的是电池的电荷量在微积分层面上的变化关系。
该衍生特征微分容量具体可以表示为dQ/dV ,Q表示电荷量,V表示电压,d是微积分符号,dQ表示Q的微分,dV表示V的微分。本申请中,dQ/dV的取值具体采用观察dQ/dV曲线(微分容量曲线)来获取。微分容量曲线是通过计算恒定的电压间隔内电池容量变化,是基于恒电流测试所得的时间和电压值绘制的dQ/dV与电压的关系图。微分容量曲线的单位可用下面的方程式表示:
可以理解地,dQ/dV可拆分为dQ/dt和dt/dV,而dQ/dt又等于电流I,则微分容量曲线的单位可以表示为Idt/dV。
可以理解地,对于锂电池正/负极材料,它们通常有一个或一个以上的电压平台。这就意味着:锂电池电压在平台范围内有较小的波动就对应着较大的容量,这在dQ/dV曲线上显示为一个特征峰。本申请中,可认为dQ/dV曲线上的每一个峰就代表一个电化学反应。该峰值点代表材料的相变点,曲线与横坐标围成的面积则代表在相变过程中所充入或者放出的容量。本申请中利用该微分容量作为衍生特征,能够很好地将微分容量曲线的物理含义和锂电池容量进行关联,通过该微分容量的变化能够对锂电池容量进行准确的预测。
进一步地,在步骤S20中,即在从训练用锂电池的化成充电样本数据集中提取待训练数据集,其中,待训练数据集包括至少一种多种衍生特征的步骤中,具体包括如下步骤:
S211:根据初始取点数量寻找特征峰。
其中,dQ/dV曲线上的每一个峰代表一个电化学反应,也即在发生电化学反应的前后时间段曲线的曲率会有较大变化。本申请实施例中,可以先设置一个初始取点数量,根据取点进行划线,以在划线过程中找出特征峰。具体地,可以建立一个坐标系,该坐标系的横坐标为时间,纵坐标为dQ/dV的值。该坐标系上的点表示的是在某一时刻锂电池化成过程中衍生特征dQ/dV的值。考虑到静置状态下锂电池电压变化较小,因此dQ/dV可在锂电池处于充电阶段的时候获取,则会更容易找到特征峰。在一实施例中,初始取点数量由取点的时间间隔确定,采用的取点的时间间隔越短,取点数量越多,反之取点数量越少。可以理解地,取点越密集,点之间连成的线就越接近真实的dQ/dV曲线。但是在微分计算中理论上取点是无限的,应采用合理的取点方式。例如,在第1个充电阶段(假设有4个充电阶段)采用20个取点计算斜率时,曲线平滑,且0到120秒时中出现一个特征峰,但从120秒之后曲线开始呈现锯齿状。以上说明0到120秒采用20个取点是合适的,但是120秒之后曲线开始呈现锯齿状说明有多个特征峰出现,应提高取点数(例如100取点),直到120秒之后曲线变得平滑。因此,第1个充电阶段的dQ/dV前0到120秒取20个取点计算斜率,后120秒具体可取100个取点计算斜率。同理,可通过设置不同的初始取点数量进行作图分析,通过斜率确定特征峰,从而确定充电阶段2、3、4合适的初始取点数量。
S212:若存在特征峰,根据特征峰确定目标取点数量,其中,目标取点数量用于获取预设平滑度的微分容量曲线。
在一实施例中,特征峰表征的是dQ/dV取点值的变化波动。不同的特征峰附近的波动代表中锂电池所处的不同化成状态,例如在第1个充电阶段的前120秒只出现了一个特征峰,而120秒后出现多个特征峰的情况,反映的是不同的电池化成状态。对于特征峰稀疏的时间段,说明特征峰附近的变化波动并不大,可根据取点画线的曲线平滑情况确定目标取点数量,以使得用最少的取点数量画出满足平滑度的dQ/dV曲线段;对于特征峰密集的时间段,说明特征峰附近的变化波动大,此时需要用较多的取点数量才能更准确的描绘dQ/dV曲线段,取点越多,dQ/dV曲线段也就越平滑。以上是根据特征峰及特征峰附近的取点情况进行的取点分析,以根据不同的特征峰情况总结得到合适的目标取点数量。
S213:若不存在特征峰,将初始取点数量作为目标取点数量。
在一实施例中,目标取点数量的设置实际上是为了让画出的微分容量曲线平滑不陡峭,由于特征峰的存在,不同时间段的取点数量设置会有所差别。可以理解地,特征峰是相变点,因此在有特征峰的情况下需要设置合理的取点数量,以获取平滑度较佳的微分容量曲线;若没有特征峰的存在,说明曲线是整体顺滑,斜率变化小的,此时可将初始取点数量作为目标取点数量。
S214:根据目标取点数量获取微分容量曲线。
在一实施例中,微分容量曲线是将dQ/dV取点相连后得到的曲线。可以理解地,若没有设置合适的取点数量,采用dQ/dV取点相连后得到的微分容量曲线是不准确的,且取点数量也可能造成较大浪费。在通过S212-S213的分析后,可通过特征峰将时间分为多段,每段时间采用目标取点数量获取对应的微分容量曲线段,然后再将这些微分容量曲线段连接后就得到了微分容量曲线。该种获取微分容量曲线的方式,不仅没有滥用取点数量,还保证了微分容量曲线的平滑度,使得微分容量曲线能够准确地表征出锂电池化成过程dQ/dV在时间轴上的变化。
S215:根据微分容量曲线计算取点斜率,得到微分容量。
在一实施例中,微分容量是待训练数据集其中的一种衍生特征。在获取微分容量曲线后,若需要某个具体时刻的微分容量,则可以在该微分容量曲线的基础上通过计算该时刻的微分容量的斜率,得到对应的微分容量。
步骤S211-S215中,利用微分容量作为衍生特征,能够很好地利用微分容量曲线的物理含义,通过其物理含义对锂电池容量进行较准确的预测。
进一步地,在步骤S40中,即在根据至少两种一级预测模型训练集成训练得到二级预测模型,其中,在二级预测模型输入待预测锂电池的化成充电数据后,输出待预测锂电池的锂电池预测放电容量的步骤中,具体包括如下步骤:
S41:获取至少两种一级预测模型的预测结果。
在一实施例中,该一级预测模型具体可以采用KNN、lightGBM、决策树等算法模型,通过将待训练数据集输入到这些一级预测模型中,可得到模型的输出结果,也即预测结果。
S42:根据预测结果生成二级训练数据。
在一实施例中,由一级预测模型输出的预测结果若直接作为锂电池容量预测结果的准确性是不够的,可能会存在一级预测模型本身带来的模型误差,鉴于此,本申请对至少两种一级预测模型进行集合预测,利用多种不同算法模型的输出作为二级训练数据,以互相抵消单个模型下所带来的模型误差。
S43:将二级训练数据输入到二级初始模型进行集成训练,得到二级预测模型。
在一实施例中,本申请利用由至少两个一级预测模型的预测结果生成的二级训练数据再一次进行模型训练,实际上是对多个一级预测模型进行集中训练,通过多个模型之间的互相约束抵消各模型的模型误差,从而得到预测准确度更高的二级预测模型。
步骤S41-S43中,将一级预测模型得到的预测结果作为二级训练数据进行训练得到二级预测二级模型,能够结合多个一级预测模型的优点,以及抵消单模型训练的误差,将多个一级预测模型进行模型集成,得到的二级预测模型能够更好地提升锂电池容量预测的准确度。
进一步地,在步骤S30中,即将至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,其中,分容放电容量样本数据集作为至少两种初始训练模型训练时的标签值的步骤中,具体还包括如下步骤:
S31:将衍生特征分为第一占比的训练集和第二占比的测试集。
S32:将训练集输入到至少两种初始训练模型中进行训练,得到至少两种中间模型,至少两种中间模型包括中间阶段模型参数。
S33:将测试集输入到至少两种中间模型中进行训练,更新中间阶段模型参数,得到至少两种一级预测模型。
进一步地,本申请具体可采用平均绝对百分比误差以及最大误差作为评价指标,将衍生特征采用如python中train_test_split()函数等方法进行数据集的划分,将衍生特征集划分如为70%训练集和30%测试集,这样,每次训练将训练集用于模型训练,训练完成后将测试集用于验证模型的模型训练,通过不断训练调参,可使模型达到一个最优的预测效果。在一实施例中,在训练初始训练模型时,采用训练集训练得到至少两种中间模型后,再采用测试集对中间模型进行训练,能够有效防止模型训练过程中出现过拟合的情况。
进一步地,在步骤S42中,即在根据预测结果生成二级训练数据的步骤中,具体包括如下步骤:
S421:将预测结果按照至少两种一级预测模型的模型种类进行分类。
在一实施例中,为了每一个二级训练数据都包含所有种类的一级预测模型的数据,将会按照一级预测模型的模型种类对预测结果进行分类,以确保预测结果的数据来源,从而整合得到具有训练意义,包含多种一级预测模型预测结果的二级训练数据。
S422:将不同种类的预测结果按照输出序号进行组合,得到二级训练数据。
本申请中,将已训练好的多个一级预测模型作为基分类器,其原理如图2所示。图2是本申请实施例中一种多个一级预测模型生成二级预测模型的示意图。具体地,如图2所示,采用多个基分类器(第一模型、第二模型…第n模型)的预测结果(第一预测结果、第二预测结果…第n预测结果)作为新的训练集,来学习一个新的学习器。该方式可以看成是一种结合策略,其中,一级预测模型为初级学习器,二级预测模型为次级学习器,而该次级学习器采用的是二级训练数据。
在一实施例中,假设一级预测模型有3个,则第一个一级预测模型第一个输出的预测结果可作为第一个二级训练数据的第一数据段,第二个一级预测模型第一个输出的预测结果可作为第一个二级训练数据的第二数据段,同理,第三个一级预测模型第一个输出的预测结果可作为第一个二级训练数据的第三数据段,该第一数据段、第二数据段和第三数据段即组成了第一个二级训练数据。其中,第一个输出的预测结果表示输出序号1的预测结果,同理,输出序号2的预测结果可表示各一级预测模型的第二输出的预测结果。通过这样的组合方式,可得到多个二级训练数据,二级训练数据的数据数量为输出序号的最大值。该种组合方式使得每一二级训练数据中同时包含不同种类的一级预测模型的预测结果,能够将个体机器学习器的结果结合在一起,得到的二级预测模型的电池容量预测准确度更高。
进一步地,该锂电池容量预测方法还包括如下步骤:
S221:遍历化成充电样本数据集,其中,化成充电样本数据集中的每一充电样本数据均对应有标识信息。
在一实施例中,化成充电样本数据集中的每一充电样本数据都设置有唯一的标识信息。该标识信息具体可以是采用文字、数字及其结合等方式表示的编码。
S222:在遍历至当前化成充电样本数据时,若存在与当前化成充电样本数据对应的标识信息相同的历史化成充电样本数据,则剔除当前化成充电样本数据。
在一实施例中,若在遍历过程中发现遍历过的历史化成充电样本数据的标识信息和当前的化成充电样本数据对应的标识信息相同,说明该数据出现重复的情况,可剔除当前化成充电样本数据,或者,保留当前化成充电样本数据、删除标识信息相同的历史化成充电样本数据。
S223:根据预设数据采集周期对应的数据步长对化成充电样本数据进行复检,将不满足数据步长或者多个相同的化成充电样本数据剔除。
在一实施例中,数据采集周期对应的数据步长一般是固定的,例如隔一秒采集一次,每一秒正确来说是对应一组化成充电样本数据,若数据采集周期对应的数据步长不是隔一秒采集一次,则对应的数据是有误的,需将不满足数据步长或者多个相同的化成充电样本数据剔除。
图3是本申请实施例中一种剔除不合格的化成数据的流程图。在一实施例中,本申请可将缺失数据以及重复的电池编码均进行剔除,其中,重复的编码主要是通过遍历数据文件,查看每个数据文件的电池编码是否有重复的方式实现;将重复的数据文件剔除后,对每个数据文件内的充电以及静置阶段进行检查,查看阶段内数据是否存在复测或缺失,由于每个阶段所采集的电池信息时间周期均为1秒且每个阶段总的采集时间为固定的,因此只需读取正常数据文件中每个阶段的行数,将其定为标准值,如若存在有数据文件中的某一阶段行数不等于该标准值,则将其文件剔除,该数据处理流程如图3所示,总结的流程为遍历数据文件-判断文件名是否相等,若相等则剔除,若不相等则判断数据确实或重复,若是则剔除,否则保留文件。
进一步地,在步骤S222中,即在将不满足数据步长或者多个相同的化成充电样本数据剔除之后,具体包括如下步骤:
S2221:根据剩余的化成充电样本数据集,按照特征类型生成与特征类型对应的特征曲线。
在一实施例中,化成充电样本数据集中可以包括多种不同的衍生特征,每种衍生特征对应一种特征类型。在对化成充电样本进行数据预处理后,为了提高剩余的化成充电样本数据集的准确性和可靠性,可对特征类型对应的特征曲线进一步进行处理。
S2222:若特征曲线的曲率不满足曲线平滑条件,采用预设置的曲率调整方法对特征曲线进行平滑处理。
在一实施例中,可通过提高特征曲线平滑度的方式提高剩余的化成充电样本数据集的准确性和可靠性。具体地,若特征曲线的曲率不满足曲线平滑条件,例如特征曲线的曲率过大,超过预设值的曲线曲率,或者出现锯齿状等情形,则说明数据噪声较大,会导致预测精度下降,可采用提高曲线曲率的算法对特征曲线进行调整,以提高数据化成充电样本数据集的准确性和可靠性。
在一实施例中,具体可以采用如SG滤波法(Savitzky Golay Filter)、插值法等曲率调整方法,本申请以SG滤波法为例进行说明。
SG滤波法主要是对窗口内的数据进行加权滤波,在进行滤波平滑的同时,它能够有效地保留信号的变化信息,加权权重是对给定的高阶多项式进行最小二乘拟合得到。对当前时刻的前后一共2n+1个观测值进行滤波,用k-1阶多项式对其进行拟合。对于当前时刻的观测值,可以用下面的公式进行拟合:
同样,对于前后时刻(如t-1、t+1、t-2、t+2等时刻)的预测值,同样可以用上式来计算,这样一共得到2n+1个式子,构成一个矩阵:
要使得整个矩阵有解,必须满足 2n+1>k,这样我们才能够通过最小二乘法确定参数α0、α1、α2...αk-1,可把上面的矩阵简化表示为下面公式:
各个参数下标表示它们各自的维度,如Ak1表示有K行1列的参数。通过最小二乘法,我们可以求得Ak/>1的解为:
下标trans表示转置,模型的滤波值为:
最终可以得到滤波值和观测值之间的关系矩阵:
得到B矩阵,就能够快速的将观测值转换为滤波值。对文件中每个阶段的电压数据进行作图分析,静置阶段中的电压数据曲线较平滑,无明显曲折波动,到充电阶段后曲线开始呈现较明显的锯齿状,因此对充电阶段的数据进行平滑处理,通过调用函数为savgol_filter(v,window_length,k),其中v代表需要平滑的电压数据;window_length代表窗口长度,该值需为正奇整数,值越小曲线越贴近真实曲线,值越大则平滑效果越强;k代表多项式拟合的阶数,即对窗口内的数据点进行k阶多项式拟合,k的值需小于window_length,与window_length不同,k值越大,曲线越贴近真实曲线,反之则曲线越平滑。本申请中window_length取值为21,k值取为1。图4是本申请实施例中一种对处于充电阶段采集的100个电压数据进行平滑的效果图。如图4所示,在采用预设置的曲率调整方法对特征曲线进行平滑处理后,可将原本陡峭的线段变成平滑的特征曲线。
进一步地,该锂电池容量预测方法还包括如下步骤:
S51:按照采集周期,采用探针获取锂电池的顶盖壳温度,并将锂电池的顶盖壳温度作为电池温度。
S52:根据电池温度对分容放电容量样本数据集进行修正。
在一实施例中,在每次采集周期中,可保留每次采集的最高温度和最低温度,然后将所有采集的最高温度做平均值运算,得到平均最大温度;将所有采集的最低温度做平均值运算,得到平均最小温度。之后,将平均最大温度和平均最小温度相加后再除以2,可得到采集时间内的平均温度。最后,将未经修正的电池容量值除以温度修正系数可对电池的容量值进行修正,可进一步提高电池容量预测的准确度。
在一实施例中,不同的温度条件会对电池容量造成影响。产线中测量电池的放电容量会由于温度的不同而产生测量偏差,在锂电池进行分容时,本申请运用探针去测试顶盖铝壳的温度,以此作为电池温度。
温度对容量值的修正具体如下所示:
上式中:C1 (t)为温度修正系数;e为自然指数;t为平均温度, 其计算如上所示;Tmin为采集时间片段中单体最低温度的平均值;Tmax为采集时间片段中单体最高温度的平均值;Ci为未经修正的电池容量值;C(t)为经过温度修正的容量值。
进一步地,在步骤S20之后,即从化成充电样本数据集中提取待训练数据集,其中,待训练数据集包括至少一种衍生特征的步骤之后,还包括如下步骤;
S231:将至少一种相同特征类型的特征进行图示化,得到至少一种特征分布图,其中,特征包括衍生特征和基本特征。
在一实施例中,对锂电池采集的特征可以是基本特征也可以是衍生特征,相同特征类型的特征中,并不是所有数据都是可用的,其仍会存在一些数据偏离的情况,为了进一步提高数据的可靠性,本申请可将相同特征类型的衍生特征采用二维图示化的方式表现,得到特征分布图,其中,特征分布图的横轴表示数据量,特征分布图的纵轴表示衍生特征值。
S232:从至少一种特征分布图中确定特征偏离点。
在一实施例中,特征分布图表征有特征值之间的疏密程度和远近关系,可根据预设值的特征偏离点判断方法确定特征偏离点。例如,过一特征值的直线上的特征数量没有达到预设数量,或者,过一特征值的直线上的特征数量与另一预设的过一特征值的直线上的特征数量的比例没有达到预设比例,则以该过一特征值的直线作为边界判断特征偏离点。
S233:将特征偏离点对应的特征剔除。
在一实施例中,在确定边界后可将边界外的特征剔除。
在一实施例中,可对提取的衍生特征作图分析,分析查看是否存在一些特征偏离点,如若存在较大的特征偏离点,需对其进行剔除,防止将最后的预测误差拉大,影响预测精度。
图5是本申请实施例中一种温度的特征分布示意图。图6是本申请实施例中另一种温度的特征分布示意图。如图5所示,对其中某一充电阶段的第30秒时的温度进行作散点图分析可知,此时温度值大多集中在45-52℃之间,因此可将(45,52)区间以外的点视作偏离点,并将其剔除,剔除后的温度的特征分布如图6所示。
在本申请实施例中,首先获取锂电池的化成充电样本数据集和分容放电容量样本数据集,本申请以生产锂电池过程中电池产生的参数变化对锂电池容量进行预测,从而不再需要在每次获取锂电池容量时都将经历一次锂电池完整的放电过程,较大提高了锂电池容量获取的效率;然后从化成充电样本数据集中提取待训练数据集,其中,该待训练数据集可包括多种衍生特征,这些衍生特征的参数变化与锂电池容量具有关联,本申请中通过衍生特征的参数变化实现对锂电池容量的预测;之后,将至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,并根据至少两种一级预测模型集成训练得到二级预测模型,本申请通过采用多种模型训练获得多种一级预测模型,再从多种一级预测模型中训练得到二级预测模型的方式,能够避免锂电池容量预测陷于单个模型的预测误差中,通过整合多个不同的一级预测模型能够消除预测误差,有效提高锂电池容量预测准确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图7是本申请实施例中一种锂电池容量预测装置的原理框图,如图7所示,包括:
获取模块10,用于获取锂电池的化成充电样本数据集和分容放电容量样本数据集;
提取模块20,用于从化成充电样本数据集中提取待训练数据集,其中,待训练数据集包括至少一种衍生特征;
第一训练模块30,用于将至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,其中,分容放电容量样本数据集作为至少两种初始训练模型训练时的标签值;
第二训练模块40,用于根据至少两种一级预测模型集成训练得到二级预测模型,其中,在二级预测模型输入待预测锂电池的化成充电数据后,输出待预测锂电池的预测放电容量。
进一步地,衍生特征包括微分容量。
进一步地,提取模块20具体用于:
根据初始取点数量寻找特征峰;
若存在特征峰,根据特征峰确定目标取点数量;
若不存在特征峰,将初始取点数量作为目标取点数量;
根据目标取点数量获取微分容量曲线;
根据微分容量曲线计算取点斜率,得到待训练数据集,其中,待训练数据集包括微分容量。
进一步地,第二训练模块40具体用于:
获取至少两种一级预测模型的预测结果;
根据预测结果生成二级训练数据;
将二级训练数据输入到二级初始模型进行集成训练,得到二级预测模型。
进一步地,第二训练模块40还具体用于:
将预测结果按照至少两种一级预测模型的模型种类进行分类;
将不同种类的预测结果按照输出序号进行组合,得到二级训练数据。
进一步地,锂电池容量预测装置还具体用于:
遍历化成充电样本数据集,其中,化成充电样本数据集中的每一充电样本数据均对应有标识信息;
在遍历至当前化成充电样本数据时,若存在与当前化成充电样本数据对应的标识信息相同的历史化成充电样本数据,则剔除当前化成充电样本数据;
根据预设数据采集周期对应的数据步长对化成充电样本数据进行复检,将不满足数据步长或者多个相同的化成充电样本数据剔除。
进一步地,锂电池容量预测装置还具体用于:
根据剩余的化成充电样本数据集,按照特征类型生成与特征类型对应的特征曲线;
若特征曲线的曲率不满足曲线平滑条件,采用预设置的曲率调整方法对特征曲线进行平滑处理。
进一步地,锂电池容量预测装置还具体用于:
按照采集周期,采用探针获取锂电池的顶盖壳温度,并将锂电池的顶盖壳温度作为电池温度;
根据电池温度对分容放电容量样本数据集进行修正。
进一步地,锂电池容量预测装置还具体用于:
将至少一种相同特征类型的特征进行图示化,得到至少一种特征分布图,其中,特征包括衍生特征和基本特征;
从至少一种特征分布图中确定特征偏离点;
将特征偏离点对应的特征剔除。
进一步地,第一训练模块30具体用于:
将衍生特征分为第一占比的训练集和第二占比的测试集;
将训练集输入到至少两种初始训练模型中进行训练,得到至少两种中间模型,至少两种中间模型包括中间阶段模型参数;
将测试集输入到至少两种中间模型中进行训练,更新中间阶段模型参数,得到至少两种一级预测模型。
在本申请实施例中,首先获取锂电池的化成充电样本数据集和分容放电容量样本数据集,本申请以生产锂电池过程中电池产生的参数变化对锂电池容量进行预测,从而不再需要在每次获取锂电池容量时都将经历一次锂电池完整的放电过程,较大提高了锂电池容量获取的效率;然后从化成充电样本数据集中提取待训练数据集,其中,该待训练数据集可包括多种衍生特征,这些衍生特征的参数变化与锂电池容量具有关联,本申请中通过衍生特征的参数变化实现对锂电池容量的预测;之后,将至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,并根据至少两种一级预测模型集成训练得到二级预测模型,本申请通过采用多种模型训练获得多种一级预测模型,再从多种一级预测模型中训练得到二级预测模型的方式,能够避免锂电池容量预测陷于单个模型的预测误差中,通过整合多个不同的一级预测模型能够消除预测误差,有效提高锂电池容量预测准确度。
本申请还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可读指令,计算机可读指令被处理器执行时实现如上述实施例锂电池容量预测方法的步骤。
图8是本申请实施例一种计算机设备。如图8所示,计算机设备110包括处理器111、存储器112以及存储在存储器112中并可在处理器111上运行的计算机可读指令113。处理器111执行计算机可读指令113时实现锂电池容量预测方法的各个步骤。
示例性地,计算机可读指令113可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器112中,并由处理器111执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述计算机可读指令113在计算机设备110中的执行过程。
计算机设备110可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括,但不仅限于,处理器111、存储器112。本领域技术人员可以理解,图8仅仅是计算机设备110的示例,并不构成对计算机设备110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,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
根据实现方式的不同,所称处理器111可以包括中央处理器(Central ProcessingUnit,CPU)、图形处理器(Graphics Processing Unit, GPU)、人工智能处理器等通用和/或专用处理器中的一种或多种类型的处理器。这些处理器可以包括但不限于数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,并且其数目可以根据实际需要来确定。存储器112可以是计算机设备110的内部存储单元,例如计算机设备110的硬盘或内存。存储器112也可以是计算机设备110的外部存储设备,例如计算机设备110上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器112还可以既包括计算机设备110的内部存储单元也包括外部存储设备。存储器112用于存储计算机可读指令以及计算机设备所需的其他程序和数据。存储器112还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (12)
1.一种锂电池容量预测方法,其特征在于,包括:
获取锂电池的化成充电样本数据集和分容放电容量样本数据集;
从所述化成充电样本数据集中提取待训练数据集,其中,所述待训练数据集包括至少一种衍生特征;
将所述至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,其中,所述分容放电容量样本数据集作为所述至少两种初始训练模型训练时的标签值;
根据所述至少两种一级预测模型集成训练得到二级预测模型,其中,在所述二级预测模型输入待预测锂电池的化成充电数据后,输出所述待预测锂电池的预测放电容量。
2.根据权利要求1所述的方法,其特征在于,所述至少一种衍生特征包括微分容量,所述从所述化成充电样本数据集中提取待训练数据集,包括:
根据初始取点数量寻找特征峰;
若存在所述特征峰,根据所述特征峰确定目标取点数量;
若不存在所述特征峰,将所述初始取点数量作为所述目标取点数量;
根据所述目标取点数量获取微分容量曲线;
根据所述微分容量曲线计算取点斜率,得到所述待训练数据集,其中,所述待训练数据集包括所述微分容量。
3.根据权利要求1所述的方法,其特征在于,所述根据所述至少两种一级预测模型集成训练得到二级预测模型,包括:
获取所述至少两种一级预测模型的预测结果;
根据所述预测结果生成二级训练数据;
将所述二级训练数据输入到二级初始模型进行集成训练,得到所述二级预测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预测结果生成二级训练数据,包括:
将所述预测结果按照所述至少两种一级预测模型的模型种类进行分类;
将不同种类的所述预测结果按照输出序号进行组合,得到所述二级训练数据。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
遍历所述化成充电样本数据集,其中,所述化成充电样本数据集中的每一充电样本数据均对应有标识信息;
在遍历至当前化成充电样本数据时,若存在与所述当前化成充电样本数据对应的所述标识信息相同的历史化成充电样本数据,则剔除所述当前化成充电样本数据;
根据预设数据采集周期对应的数据步长对所述化成充电样本数据进行复检,将不满足所述数据步长或者多个相同的所述化成充电样本数据剔除。
6.根据权利要求5所述的方法,其特征在于,在所述将不满足所述数据步长或者多个相同的所述化成充电样本数据剔除之后,所述方法还包括:
根据剩余的所述化成充电样本数据集,按照特征类型生成与所述特征类型对应的特征曲线;
若所述特征曲线的曲率不满足曲线平滑条件,采用预设置的曲率调整方法对所述特征曲线进行平滑处理。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照采集周期,采用探针获取锂电池的顶盖壳温度,并将所述锂电池的顶盖壳温度作为电池温度;
根据所述电池温度对所述分容放电容量样本数据集进行修正。
8.根据权利要求1所述的方法,其特征在于,在所述从所述化成充电样本数据集中提取待训练数据集之后,所述方法还包括:
将至少一种相同特征类型的特征进行图示化,得到至少一种特征分布图,其中,所述特征包括所述衍生特征和基本特征;
从所述至少一种特征分布图中确定特征偏离点;
将所述特征偏离点对应的所述特征剔除。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述将所述至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,包括:
将所述衍生特征分为第一占比的训练集和第二占比的测试集;
将所述训练集输入到所述至少两种初始训练模型中进行训练,得到至少两种中间模型,所述至少两种中间模型包括中间阶段模型参数;
将所述测试集输入到所述至少两种中间模型中进行训练,更新所述中间阶段模型参数,得到所述至少两种一级预测模型。
10.一种锂电池容量预测装置,其特征在于,包括:
获取模块,用于获取锂电池的化成充电样本数据集和分容放电容量样本数据集;
提取模块,用于从所述化成充电样本数据集中提取待训练数据集,其中,所述待训练数据集包括至少一种衍生特征;
第一训练模块,用于将所述至少一种衍生特征输入到至少两种初始训练模型中进行训练,得到至少两种一级预测模型,其中,所述分容放电容量样本数据集作为所述至少两种初始训练模型训练时的标签值;
第二训练模块,用于根据所述至少两种一级预测模型集成训练得到二级预测模型,其中,在所述二级预测模型输入待预测锂电池的化成充电数据后,输出所述待预测锂电池的预测放电容量。
11.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时执行如权利要求1-9任一项所述锂电池容量预测方法的步骤。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1-9任一项所述锂电池容量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816738.4A CN116522153B (zh) | 2023-07-05 | 2023-07-05 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816738.4A CN116522153B (zh) | 2023-07-05 | 2023-07-05 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116522153A true CN116522153A (zh) | 2023-08-01 |
CN116522153B CN116522153B (zh) | 2023-12-26 |
Family
ID=87390782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310816738.4A Active CN116522153B (zh) | 2023-07-05 | 2023-07-05 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522153B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116929437A (zh) * | 2023-09-15 | 2023-10-24 | 深圳和润达科技有限公司 | 应用于电芯化成分容系统的传感器信息识别方法及装置 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268466A1 (en) * | 2012-04-05 | 2013-10-10 | Hoyul Baek | System for predicting lifetime of battery |
CN109031153A (zh) * | 2018-10-16 | 2018-12-18 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
CN111398833A (zh) * | 2020-03-13 | 2020-07-10 | 浙江大学 | 一种电池健康状态评估方法和评估系统 |
CN113848480A (zh) * | 2021-09-23 | 2021-12-28 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN114415034A (zh) * | 2022-01-21 | 2022-04-29 | 河北工业大学 | 一种基于内部机理分析的锂离子电池容量预测方法 |
CN114879042A (zh) * | 2022-06-14 | 2022-08-09 | 湖北亿纬动力有限公司 | 电芯分容放电容量预测方法、装置及电子设备 |
CN115049093A (zh) * | 2022-01-28 | 2022-09-13 | 昆明理工大学 | 一种基于集成学习算法的屈服应力预测方法及系统 |
CN115308610A (zh) * | 2022-09-01 | 2022-11-08 | 合肥国轩高科动力能源有限公司 | 一种锂电池分容容量预测方法及系统 |
CN116298906A (zh) * | 2023-01-19 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
-
2023
- 2023-07-05 CN CN202310816738.4A patent/CN116522153B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268466A1 (en) * | 2012-04-05 | 2013-10-10 | Hoyul Baek | System for predicting lifetime of battery |
CN109031153A (zh) * | 2018-10-16 | 2018-12-18 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
CN111398833A (zh) * | 2020-03-13 | 2020-07-10 | 浙江大学 | 一种电池健康状态评估方法和评估系统 |
CN113848480A (zh) * | 2021-09-23 | 2021-12-28 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN114415034A (zh) * | 2022-01-21 | 2022-04-29 | 河北工业大学 | 一种基于内部机理分析的锂离子电池容量预测方法 |
CN115049093A (zh) * | 2022-01-28 | 2022-09-13 | 昆明理工大学 | 一种基于集成学习算法的屈服应力预测方法及系统 |
CN114879042A (zh) * | 2022-06-14 | 2022-08-09 | 湖北亿纬动力有限公司 | 电芯分容放电容量预测方法、装置及电子设备 |
CN115308610A (zh) * | 2022-09-01 | 2022-11-08 | 合肥国轩高科动力能源有限公司 | 一种锂电池分容容量预测方法及系统 |
CN116298906A (zh) * | 2023-01-19 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
Non-Patent Citations (2)
Title |
---|
周末 等: "多算法多模型与在线第二次学习结合的短期电力负荷预测方法", 计算机应用, vol. 37, no. 11, pages 3317 - 3322 * |
李国进 等: "磷酸铁锂电池的SOC预测", 计算机仿真, vol. 32, no. 03, pages 163 - 168 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116929437A (zh) * | 2023-09-15 | 2023-10-24 | 深圳和润达科技有限公司 | 应用于电芯化成分容系统的传感器信息识别方法及装置 |
CN116929437B (zh) * | 2023-09-15 | 2023-12-08 | 深圳和润达科技有限公司 | 应用于电芯化成分容系统的传感器信息识别方法及装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116522153B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116522153B (zh) | 锂电池容量预测方法、装置、计算机设备和存储介质 | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
CN111967502B (zh) | 一种基于条件变分自编码器的网络入侵检测方法 | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN110058178A (zh) | 一种锂电池健康状态检测方法和系统 | |
CN108154198B (zh) | 知识库实体归一方法、系统、终端和计算机可读存储介质 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
JP2023520970A (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN110731773A (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
CN112163106B (zh) | 二阶相似感知的图像哈希码提取模型建立方法及其应用 | |
CN111343147A (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
CN113219357A (zh) | 电池包健康状态计算方法、系统及电子设备 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN116572747A (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN116310850A (zh) | 基于改进型RetinaNet的遥感图像目标检测方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
CN116859259A (zh) | 基于集成学习和实车大数据的电池健康状态估计方法 | |
CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN113344247B (zh) | 一种基于深度学习的电力设施选址预测方法与系统 |
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 |