CN116559681A - 基于深度学习时序算法的退役电池容量预测方法和装置 - Google Patents
基于深度学习时序算法的退役电池容量预测方法和装置 Download PDFInfo
- Publication number
- CN116559681A CN116559681A CN202310847566.7A CN202310847566A CN116559681A CN 116559681 A CN116559681 A CN 116559681A CN 202310847566 A CN202310847566 A CN 202310847566A CN 116559681 A CN116559681 A CN 116559681A
- Authority
- CN
- China
- Prior art keywords
- capacity
- prediction
- deep learning
- battery capacity
- battery
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000013136 deep learning model Methods 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种基于深度学习时序算法的退役电池容量预测方法和装置,包括S1、基于待测电池分容测试中符合预定要求的数据集,确定预测模型输入项;S2、基于自注意力机制确定深度学习模型,S3、将所述预测模型输入项输入到所述深度学习模型函数内,进行电池容量预测;S4、对电池容量预测的效果进行评估。本发明的深度学习模型提高了张量时间序列的全局信息和结构信息的捕获能力,能够较好地分析序列之间的关系,提高了张量时间序列预测的准确度,本发明的方法通过采集部分实时充电阶段电流、电压、容量等时序数据特征实现对退役电池的容量预测;本发明突破传统方法的静态和精度瓶颈,可动态及高精度对退役电池容量预测分析。
Description
技术领域
本发明涉及电池容量预测技术领域,具体为一种基于深度学习时序算法的退役电池容量预测方法和装置。
背景技术
目前常用电池容量预测方法有安时计量法、开路电压法(OCV)、内阻法、卡尔曼滤波法等。上述方法通过检测电池的一些参数来推断电池的剩余容量,如电压、电流、温度等参数。通过各方法计算出的容量与这些参数不是线性的而且关系式比较复杂,而其中的某一参数如电池容量与静置时间和温度有密切关系。因其在使用过程中影响电池状态的因素太多,上述方法很难完全表达出来;另一方面,需对蓄电池进行多次充放电测试,耗时比较长很难达到快速分容的目的。
随着国内外新能源汽车保有量的提高,动力电池的退役数量高峰即将到来,如何针对实现有效的退役电池回收利用,对于环境、资源的保护与可持续发展来说具有重要意义;现阶段,本领域对将退役的动力电池寿命预测以及后续分选利用的问题,只能满足较小数量电池的试验与粗略统计,尚无法实现在数量较大的情况下针对可能导致电池衰退的各种因素,通过执行多维度的参数指标分析来得到较为精确的预测结果;不利于提前对各电池的后期使用、退役及回收做出规划。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于深度学习时序算法的退役电池容量预测方法和装置,可以解决现有对将退役的动力电池寿命预测以及后续分选利用的问题,只能满足较小数量电池的试验与粗略统计,尚无法实现在数量较大的情况下针对可能导致电池衰退的各种因素,通过执行多维度的参数指标分析来得到较为精确的预测结果;不利于提前对各电池的后期使用、退役及回收做出规划的问题。
为了实现上述目的,本发明是技术方案如下:
本发明是通过如下的技术方案来实现:一种基于深度学习时序算法的退役电池容量预测方法和装置,包括
S1、基于待测电池分容测试中符合预定要求的数据集,确定预测模型输入项;
S2、基于自注意力机制确定深度学习模型,包括:
设,表示L个维数为F的向量,深度学习模型函数表示为/>,并且T由N个层/>组成,则:
其中,是由一个简单的前馈神经网络组成,/>是自注意力机制函数;双向点积注意力机制注意力机制/>计算包括:
其中,是注意力矩阵,/>是隐藏维度,/>是所有元素为1的L维列向量,/>是以元素的方式应用,/>是一个对角矩阵;
S3、将所述预测模型输入项输入到所述深度学习模型函数内,进行电池容量预测;
S4、对电池容量预测的效果进行评估。
进一步的,所述基于待测电池分容测试中符合预定要求的数据集,确定预测模型输入项,包括:
S1.1、基于待测电池的规格,设置分容工步以及参数,对待测电池进行分容测试;
S1.2、筛选出分容测试中符合预定要求的数据集;
S1.3、对所述数据集进行处理,获得张量时间序列向量化的纵向排列;
S1.4、基于通过转换、编码,获得预测模型的输入项/>。
进一步的,所述符合预定要求,包括符合
设定每个电芯的充放电工况需完整且工步一致,
满电放空状态下容量值需不小于充电阶段实时容量任意值,
充电状态下记录数不少于50条。
进一步的,所述对所述数据集进行处理,获得张量时间序列向量化的纵向排列,包括:
S1.31、对所述数据集张量化,并将张量时间序列切边得到;
S1.32、对切片后的张量时间序列向量化,得到。
进一步的,所述基于通过转换、编码,获得预测模型的输入项/>,包括:
对张量时间序列向量化的经过嵌入层转换为更高维的嵌入向量;并对输入向量进行位置编码;为了两个向量的可加性,位置编码的维数应与嵌入向量的维数相同,采用位置编码方式为正弦和余弦函数;相加后得到的向量记为/>。
进一步的,所述深度学习模型包括编码器-解码器结构;所述编码器包括N个层,每层包括三个子层连接结构,其中第一个子层连接结构基于输入数据,第二个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接;第三个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接;所述解码器包括N个层,每层与所述编中的三个子层连接结构相同,另外解码器中还插入了第四个子层连接结构,第四个子层连接结构对编码器堆栈的输出执行多头注意力机制。
进一步的,所述对电池容量预测的效果进行评估,其中所述评估指标包括平均绝对百分比误差MAPE和均方误差MSE,其中:
式中,表示预测值,/>表示观察值,/>为样本数量。
基于深度学习时序算法的退役电池容量预测装置,包括服务器、分容预测柜、打印机,其中:
服务器:所述服务器通过tcp协议和分容预测柜进行通讯,下发测试指令给中位机,实时获取分容预测柜产生的电流、电压、通道号的数据,保存测试数据至数据库并执行如上述任一所述的退役电池容量预测方法的步骤;
分容预测柜:所述分容预测柜包含中位机及下位机,其中中位机用于网络连接,接收服务器的控制命令,控制下位机,传输实时数据;下位机用于接收中位机的命令,控制通道的充/放电,实时采集通道的电压、电流、容量的数据;
打印机:所述打印机用于调用数据库中结果存储表为每个单体电池生成唯一可识别的身份码,身份码包含设备分区柜号、通道号、电池ID、采集时间、分容结果。
一种电子设备,包括存储器、处理器,以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述任一项所述退役电池容量预测方法的步骤。
一种非暂态计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上述任一所述退役电池容量预测方法的步骤。
与现有技术相比,本发明的有益效果包括:
本发明提出了预测方法基于深度学习模型,深度学习模型提高了张量时间序列的全局信息和结构信息的捕获能力,能够较好地分析序列之间的关系,提高了张量时间序列预测的准确度,本发明的方法通过采集部分实时充电阶段电流、电压、容量等时序数据特征实现对退役电池的容量预测;本发明突破传统方法的静态和精度瓶颈,可动态及高精度对退役电池容量预测分析,大幅减少分容工艺的时间和能耗。
附图说明
参照附图来说明本发明的公开内容。应当了解,附图仅仅用于说明目的,而并非意在对本发明的保护范围构成限制。其中:
图1为本发明基于深度学习时序算法的退役电池容量预测方法的深度学习模型的框架示意图;
图2为本发明基于深度学习时序算法的退役电池容量预测设备的连接示意图;
图3为本发明基于深度学习时序算法的退役电池容量预测方法的流程示意图;
图4为采用本发明预测方法预测的电池容量与实际检测的电池容量折线对比图。
具体实施方式
容易理解,根据本发明的技术方案,在不变更本发明实质精神下,本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此,以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
本发明提供了一种基于深度学习时序算法对退役电池容量预测方法,本发明的方法通过采集部分实时充电阶段电流、电压、容量等时序数据特征实现对退役电池的容量预测;本发明突破传统方法的静态和精度瓶颈,可动态及高精度对退役电池容量预测分析,大幅减少分容工艺的时间和能耗。
本发明的基于深度学习时序算法对退役电池容量预测方法,如图3所示,包括以下步骤:
步骤一:基于待测电池分容测试中符合预定要求的数据集,确定预测模型输入项;
具体的,1.1、现场分容:选择电池规格上柜,设置分容工步及参数、启动通道;打开测试仪电源,调用测试程序;适时观察充放电曲线,打印分容结果制作标签并贴在对应电池上。其中数据集为待测电池分容测试时检测到的电流、电压和容量的数据集合。
1.2、数据清洗以得到符合预定要求的数据集:通过设定每个电芯的充放电工况需完整且工步一致、满电放空状态下容量值需不小于充电阶段实时容量任意值、充电状态下记录数不少于50条等筛选条件,筛选符合该预定要求的数据集。
1.3、数据处理:对清洗后(筛选后)的数据集张量化,并将张量时间序列切片,得到,详述如下:
张量时间序列是一个-模的张量,表示为/>或/>,其中第/>模是时间维度,维数为T,张量时间序列在时间维度t时刻的切片/>是一个n阶张量,包含/>个时间序列。当n=1时,/>是一个多元时间序列矩阵,包含/>个时间序列;当n=1时,/>是常见的三阶张量。因为时间T放在最后一个维度,即表示为一个时间序列,/>对应的是正面切片,表示t时刻所有时间序列数据,是一个/>维矩阵。
张量时间序列的预测是指用/>预测/>,
其中,是需要训练的预测函数,/>是预测步长,/>是第/>时刻张量切片的预测。
由于模型的数据输入是向量形式,为了使模型能够捕获张量时间序列的全局特征并进行预测,需要对切片后的张量时间序列向量化,得到,详述如下:
N阶张量的列向量化是将张量,排列成一个/>列向量X的运算,记作/>;N阶张量的行向量化则是将张量排列成行向量的运算,用符号/>表示;三阶张量的向量化通常定义为正面切片矩阵的列向量化的纵向排列:
。
1.4、确定模型输入量:将张量时间序列向量化的/>经过嵌入层(embedding)转换为更高维的嵌入向量;由于这种嵌入向量不具备序列的位置信息,因此还需要对输入向量进行位置编码;为了两个向量的可加性,位置编码的维数应与嵌入向量的维数相同,一般采用的位置编码方式为正弦和余弦函数;相加后得到的向量记为;然后将/>作为模型的输入项进行预测。
步骤二、基于自注意力机制确定深度学习模型,包括:
时序预测模型是完全基于注意力机制的深度学习模型,一般具有编码器-解码器(encoder-decoder)结构;编码器(encoder)由N个层组成,每层由三个子层连接结构组成,第一个子层连接结构基于输入数据,有效的选择最显著的特征,第二个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接;第三个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接;解码器(decoder)也由N个层组成,每层除了编码器层中的三个子层连接结构外,解码器中还插入了第四个子层连接结构,该子层连接结构对编码器堆栈的输出执行多头注意力机制。
解码器结构基本与编码器中的结构相似,都包括注意力机制,注意力机制计算如下:
设,表示L个维数为F的向量,深度学习模型函数表示为/>,并且T由N个层/>组成,则:
其中,一般是由一个简单的前馈神经网络组成,/>是自注意力机制函数;双向点积注意力机制注意力机制/>计算包括:
其中,是注意力矩阵,/>是隐藏维度,/>是所有元素为1的L维列向量,这里/>以元素的方式应用,/>是一个对角矩阵;
步骤三、将所述预测模型输入项输入到所述深度学习模型函数内,进行电池容量预测;
步骤四、对电池容量预测的效果进行评估;选择平均绝对百分比误差MAPE和均方误差MSE最为评估指标:
式中,表示预测值,/>表示观察值,/>为样本数量。
图1示出了本发明容量预测深度学习模型的框架示意图,如图1所示数据集(其通过位置(Location)、时间(Time)、类型(Type)构成),基于时间序列(Time维)进行切片,得到;对切片后的张量时间序列向量化得到/>;张量时间序列向量化的进行位置编码转换为更高维的嵌入向量经编码器层、解码器层后经过线性层输出得到指定维度的输出, 然后经过softmax层(逻辑回归层)使最后一维的向量中的数字缩放到0-1的概率值域内,并满足他们的和为1。
本发明还提供一种基于深度学习时序算法对退役电池容量预测设备,如图2所示;包括:
服务器:通过tcp协议和分容预测柜进行通讯,下发测试指令给中位机,实时获取分容预测柜产生的电流、电压、通道号等数据,保存测试数据至数据库并执行算法分析。
分容预测柜:包含中位机及下位机,其中中位机实现网络连接,接收服务器的控制命令,控制下位机,传输实时数据。下位机:接收中位机的命令,控制通道的充/放电,实时采集通道的电压、电流、容量等数据。
打印机:调用数据库中结果存储表为每个单体电池生成唯一可识别的身份码,身份码包含设备分区柜号、通道号、电池ID、采集时间、分容结果等。后期用户可通过电池条码快速查询对应测试数据详细,确保电池测试数据的可追溯性。
常规的分容技术通常工步设置需要多次的充电-静置-放电循环,耗时较长且受设备精度、空间环境等因素的影响分容结果的准确度无法保证。本发明的容量预测技术利基于经典张量时间序列预测方法与深度学习的多元时间序列预测方法基础上,提出了DeepTP(深度学习)模型,该模型的特点是利用张量代数运算保留了张量时间序列的全局信息;利用自注意力机制对数据进行encoder-decoder,捕获张量时间序列的整体性和随着时间变化协同演化的特征信息。首先将张量时间序列数据切片和向量化,然后将经过编码的向量序列作为模型的输入对张量时间序列进行预测。我们提出的模型取得了显著的性能改进和精度提高。DeepTP 模型提高了张量时间序列的全局信息和结构信息的捕获能力,能够较好地分析序列之间的关系,提高了张量时间序列预测的准确度。
图4为编号为1-510的电池进行容量检测和预测的实验数据形成的折线图,其中系列1为通过本发明的方法进行预测的电池容量,系列2为实际检测的真实电池容量,由图4可以看出,本发明预测模型预测的电池容量预测平均误差≤1%,因此本发明提出的模型取得了显著的性能改进和精度提高。
本发明的技术范围不仅仅局限于上述说明中的内容,本领域技术人员可以在不脱离本发明技术思想的前提下,对上述实施例进行多种变形和修改,而这些变形和修改均应当属于本发明的保护范围内。
Claims (10)
1.基于深度学习时序算法的退役电池容量预测方法,其特征在于:包括
S1、基于待测电池分容测试中符合预定要求的数据集,确定预测模型输入项;
S2、基于自注意力机制确定深度学习模型,包括:
设 ,表示L个维数为F的向量,深度学习模型函数表示为/>,并且T由N个层/>组成,则:
其中,是由一个简单的前馈神经网络组成,/>是自注意力机制函数;双向点积注意力机制注意力机制/>计算包括:
其中,是注意力矩阵,/>是隐藏维度,/>是所有元素为1的L维列向量,/>是以元素的方式应用,/>是一个对角矩阵;
S3、将所述预测模型输入项输入到所述深度学习模型函数内,进行电池容量预测;
S4、对电池容量预测的效果进行评估。
2.根据权利要求1所述的基于深度学习时序算法的退役电池容量预测方法,其特征在于:所述基于待测电池分容测试中符合预定要求的数据集,确定预测模型输入项,包括:
S1.1、基于待测电池的规格,设置分容工步以及参数,对待测电池进行分容测试;
S1.2、筛选出分容测试中符合预定要求的数据集;
S1.3、对所述数据集进行处理,获得张量时间序列向量化的纵向排列;
S1.4、基于通过转换、编码,获得预测模型的输入项/>。
3.根据权利要求2所述的基于深度学习时序算法的退役电池容量预测方法,其特征在于:所述符合预定要求,包括符合
设定每个电芯的充放电工况需完整且工步一致,
满电放空状态下容量值需不小于充电阶段实时容量任意值,
充电状态下记录数不少于50条。
4.根据权利要求2所述的基于深度学习时序算法的退役电池容量预测方法,其特征在于:所述对所述数据集进行处理,获得张量时间序列向量化的纵向排列,包括:
S1.31、对所述数据集张量化,并将张量时间序列切边得到;
S1.32、对切片后的张量时间序列向量化,得到。
5.根据权利要求2所述的基于深度学习时序算法的退役电池容量预测方法,其特征在于:所述基于通过转换、编码,获得预测模型的输入项/>,包括:
对张量时间序列向量化的经过嵌入层转换为更高维的嵌入向量;并对输入向量进行位置编码;为了两个向量的可加性,位置编码的维数应与嵌入向量的维数相同,采用位置编码方式为正弦和余弦函数;相加后得到的向量记为/>。
6.根据权利要求1所述的基于深度学习时序算法的退役电池容量预测方法,其特征在于:所述深度学习模型包括编码器-解码器结构;所述编码器包括N个层,每层包括三个子层连接结构,其中第一个子层连接结构基于输入数据,第二个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接;第三个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接;所述解码器包括N个层,每层与所述编中的三个子层连接结构相同,另外解码器中还插入了第四个子层连接结构,第四个子层连接结构对编码器堆栈的输出执行多头注意力机制。
7.根据权利要求1所述的基于深度学习时序算法的退役电池容量预测方法,其特征在于:所述对电池容量预测的效果进行评估,其中,评估时的指标包括平均绝对百分比误差MAPE和均方误差MSE,其中:
式中,表示预测值, />表示观察值,/>为样本数量。
8.基于深度学习时序算法的退役电池容量预测装置,其特征在于:包括服务器、分容预测柜、打印机,其中:
服务器:所述服务器通过tcp协议和分容预测柜进行通讯,下发测试指令给中位机,实时获取分容预测柜产生的电流、电压、通道号的数据,保存测试数据至数据库并执行如权利要求1-7任一所述的退役电池容量预测方法的步骤;
分容预测柜:所述分容预测柜包含中位机及下位机,其中中位机用于网络连接,接收服务器的控制命令,控制下位机,传输实时数据;下位机用于接收中位机的命令,控制通道的充/放电,实时采集通道的电压、电流、容量的数据;
打印机:所述打印机用于调用数据库中结果存储表为每个单体电池生成唯一可识别的身份码,身份码包含设备分区柜号、通道号、电池ID、采集时间、分容结果。
9.一种电子设备,包括存储器、处理器,以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1-7任一项所述退役电池容量预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1-7任一所述退役电池容量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847566.7A CN116559681A (zh) | 2023-07-12 | 2023-07-12 | 基于深度学习时序算法的退役电池容量预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847566.7A CN116559681A (zh) | 2023-07-12 | 2023-07-12 | 基于深度学习时序算法的退役电池容量预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116559681A true CN116559681A (zh) | 2023-08-08 |
Family
ID=87498629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310847566.7A Pending CN116559681A (zh) | 2023-07-12 | 2023-07-12 | 基于深度学习时序算法的退役电池容量预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116559681A (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528679A (zh) * | 2016-10-24 | 2017-03-22 | 天津大学 | 基于多线性自回归模型的时间序列分析方法 |
US20190325312A1 (en) * | 2018-04-20 | 2019-10-24 | Fujitsu Limited | Computer-readable recording medium, machine learning method, and machine learning apparatus |
CN110750874A (zh) * | 2019-09-26 | 2020-02-04 | 长沙理工大学 | 一种退役动力电池寿命预测的方法 |
CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
CN113689030A (zh) * | 2021-08-03 | 2021-11-23 | 广东工业大学 | 一种基于双向注意力和二次优化的短期风功率预测方法 |
CN114069075A (zh) * | 2021-10-27 | 2022-02-18 | 风帆有限责任公司 | 一种锂离子电池自放电筛选方法 |
CN114280491A (zh) * | 2021-12-23 | 2022-04-05 | 中山大学 | 一种基于主动学习的退役电池剩余容量估计方法 |
CN114330863A (zh) * | 2021-12-23 | 2022-04-12 | 中国电信股份有限公司 | 时间序列预测处理方法、装置、存储介质及电子装置 |
CN114460474A (zh) * | 2022-01-25 | 2022-05-10 | 电子科技大学 | 电池分容方法及其装置、电子设备 |
CN114545277A (zh) * | 2022-02-18 | 2022-05-27 | 北京理工新源信息科技有限公司 | 一种基于容量衰减的动力电池退役预测方法 |
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 |
CN115409263A (zh) * | 2022-08-30 | 2022-11-29 | 北京航空航天大学 | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 |
CN115470995A (zh) * | 2022-09-15 | 2022-12-13 | 湖北亿纬动力有限公司 | 电池容量预测模型训练方法、电池分容方法及装置 |
CN115698737A (zh) * | 2020-11-13 | 2023-02-03 | 株式会社Lg化学 | 电池容量测量装置和方法,以及包括电池容量测量装置的电池控制系统 |
CN115951246A (zh) * | 2023-01-10 | 2023-04-11 | 阿里云计算有限公司 | 电池容量预测方法、模型训练方法、电子设备及存储介质 |
CN116091276A (zh) * | 2022-12-16 | 2023-05-09 | 深圳云天励飞技术股份有限公司 | 基于深度学习的长时间序列预测方法、装置、设备及介质 |
CN116304912A (zh) * | 2023-03-28 | 2023-06-23 | 吉林大学 | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 |
CN116307097A (zh) * | 2023-02-13 | 2023-06-23 | 新源智储能源发展(北京)有限公司 | 基于深度学习的储能系统剩余电量预测方法 |
-
2023
- 2023-07-12 CN CN202310847566.7A patent/CN116559681A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528679A (zh) * | 2016-10-24 | 2017-03-22 | 天津大学 | 基于多线性自回归模型的时间序列分析方法 |
US20190325312A1 (en) * | 2018-04-20 | 2019-10-24 | Fujitsu Limited | Computer-readable recording medium, machine learning method, and machine learning apparatus |
CN110750874A (zh) * | 2019-09-26 | 2020-02-04 | 长沙理工大学 | 一种退役动力电池寿命预测的方法 |
CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
CN115698737A (zh) * | 2020-11-13 | 2023-02-03 | 株式会社Lg化学 | 电池容量测量装置和方法,以及包括电池容量测量装置的电池控制系统 |
CN113689030A (zh) * | 2021-08-03 | 2021-11-23 | 广东工业大学 | 一种基于双向注意力和二次优化的短期风功率预测方法 |
CN114069075A (zh) * | 2021-10-27 | 2022-02-18 | 风帆有限责任公司 | 一种锂离子电池自放电筛选方法 |
CN114280491A (zh) * | 2021-12-23 | 2022-04-05 | 中山大学 | 一种基于主动学习的退役电池剩余容量估计方法 |
CN114330863A (zh) * | 2021-12-23 | 2022-04-12 | 中国电信股份有限公司 | 时间序列预测处理方法、装置、存储介质及电子装置 |
CN114460474A (zh) * | 2022-01-25 | 2022-05-10 | 电子科技大学 | 电池分容方法及其装置、电子设备 |
CN114545277A (zh) * | 2022-02-18 | 2022-05-27 | 北京理工新源信息科技有限公司 | 一种基于容量衰减的动力电池退役预测方法 |
CN115409263A (zh) * | 2022-08-30 | 2022-11-29 | 北京航空航天大学 | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 |
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 |
CN115470995A (zh) * | 2022-09-15 | 2022-12-13 | 湖北亿纬动力有限公司 | 电池容量预测模型训练方法、电池分容方法及装置 |
CN116091276A (zh) * | 2022-12-16 | 2023-05-09 | 深圳云天励飞技术股份有限公司 | 基于深度学习的长时间序列预测方法、装置、设备及介质 |
CN115951246A (zh) * | 2023-01-10 | 2023-04-11 | 阿里云计算有限公司 | 电池容量预测方法、模型训练方法、电子设备及存储介质 |
CN116307097A (zh) * | 2023-02-13 | 2023-06-23 | 新源智储能源发展(北京)有限公司 | 基于深度学习的储能系统剩余电量预测方法 |
CN116304912A (zh) * | 2023-03-28 | 2023-06-23 | 吉林大学 | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 |
Non-Patent Citations (3)
Title |
---|
MENGDA CAO: "An LSTM-Based Approach For Capacity Estimation on Lithium-ion Battery", 《IEEE》, pages 494 - 499 * |
李文 等: "张量时间序列预测T-Transformer 模型", 《计算机过程与应用》, vol. 59, no. 11, pages 57 - 62 * |
王朋凯: "基于ResNet-Bi-LSTM-Attention的锂离子电池剩余使用寿命预测", 《储能科学与技术》, vol. 12, no. 4, pages 1215 - 1222 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102362532B1 (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
CN113109715B (zh) | 基于特征选择和支持向量回归的电池健康状况预测方法 | |
CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
CN110376457A (zh) | 基于半监督学习算法的非侵入式负荷监测方法及装置 | |
CN111175666B (zh) | 一种soh检测方法及装置 | |
CN113009349A (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
CN114720899A (zh) | 退役电池梯次利用分选方法及系统、电子设备、存储介质 | |
CN115201692A (zh) | 一种锂电池剩余寿命分析预测方法 | |
CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
CN114578251A (zh) | 基于卷积神经网络的电池模组安全状态评估方法及装置 | |
CN113533995A (zh) | 一种动力电池一致性检测方法 | |
CN117171588A (zh) | 一种用于动力电池梯次利用故障检测方法 | |
CN116559681A (zh) | 基于深度学习时序算法的退役电池容量预测方法和装置 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN116148681A (zh) | 一种铁-铬液流电池性能预测方法 | |
CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
KR20230142121A (ko) | 신경망 기반의 배터리 사용량 예측 방법 및 장치 | |
Liu et al. | Prediction method for battery self-discharge voltage drop based on pre-classifier | |
CN112580875A (zh) | 一种配电装置的故障预测方法及系统 | |
Li et al. | Rapid quantization of battery degradation mode based on multi-head attention model of Variational autoencoder | |
CN117134507B (zh) | 基于智能群体关联的全站容性设备在线监测方法及系统 | |
CN117031293A (zh) | 锂离子电池工作状态的检测方法和相关装置 |
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 |