CN116609671A - 电池容量预测方法、装置、设备及存储介质 - Google Patents
电池容量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116609671A CN116609671A CN202310545513.XA CN202310545513A CN116609671A CN 116609671 A CN116609671 A CN 116609671A CN 202310545513 A CN202310545513 A CN 202310545513A CN 116609671 A CN116609671 A CN 116609671A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- target
- domain
- battery capacity
- 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 80
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 230000006978 adaptation Effects 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 36
- 230000036541 health Effects 0.000 claims description 29
- 230000007246 mechanism Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003042 antagnostic effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 13
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 10
- 229910001416 lithium ion Inorganic materials 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电池容量预测方法、装置、设备及存储介质,该方法包括:检测目标电池的电池数据,并对电池数据进行归一化处理,获得目标容量数据;基于T‑ADDA模型对目标容量数据进行电池容量预测,获得电池容量预测结果,T‑ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型;根据电池容量预测结果确定目标电池的电池容量。本发明通过对电池数据进行归一化处理,基于T‑ADDA模型进行电池容量预测,通过电池容量预测结果确定电池容量。与传统电池容量预测方法相比,通过T‑ADDA模型预测的方法具有更高的泛化能力,能够进行更加准确的预测。
Description
技术领域
本发明涉及电池性能预测技术领域,尤其涉及一种电池容量预测方法、装置、设备及存储介质。
背景技术
锂离子电池作为各种可移动设备的储能元件,因其具有能量密度高、寿命长、自放电率低等优点,被广泛应用在手机、电动汽车、航空航天等领域。然而,随着充放电次数的增加,电池的容量和功率会随之下降。当电池容量衰减超过30%时意味着该电池达到了寿命终止(EOL)点,若超过此阀值电池就容易出现各种故障,例如过热、过度充电、短路等。为了确保锂离子电池在整个生命周期内安全稳定的运行,电池失效预测和健康管理已经成为目前电池健康研究的热点问题。容量是评估锂离子电池健康的重要技术指标之一。
目前,对锂离子电池容量预测的方法主要有基于模型和数据驱动方法。基于模型的方法主要是通过构建电化学模型、等效电路模型、经验模型等模拟电池动力学的退化机制。数据驱动方法是通过从大量历史数据中提取相关隐藏的老化信息,从而来估计电池的容量。然而电池在实际使用过程中会出现各种随机的充放电工况,传统的智能方法就无法很好的提取训练数据中的固有特征,进而无法进行电池容量的准确预测。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种电池容量预测方法、装置、设备及存储介质,旨在解决现有技术中电池预测方法的泛化能力不足,难以进行准确的电池容量预测的技术问题。
为实现上述目的,本发明提供了一种电池容量预测方法,所述方法包括以下步骤:
检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据;
基于T-ADDA模型对所述目标容量数据进行电池容量预测,获得电池容量预测结果,所述T-ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型;
根据所述电池容量预测结果确定所述目标电池的电池容量。
可选地,所述方法还包括:
通过Transformer网络对源域数据进行特征提取获得源域特征;
将所述源域特征输入到回归预测器中进行训练,获得源域特征提取网络的对应参数以及训练后的回归预测网络;
基于所述源域特征提取网络的对应参数对目标域特征进行训练,并将所述源域特征以及所述目标域特征分别输入域鉴别器中进行对抗训练,获得目标域特征提取网络;
将所述目标域特征提取网络与所述训练后的回归预测网络相结合,获得T-ADDA模型。
可选地,所述基于所述源域特征提取网络的对应参数对目标域特征进行训练,并将所述源域特征以及所述目标域特征分别输入域鉴别器中进行对抗训练,获得目标域特征提取网络的步骤,包括:
将所述源域特征以及目标域特征映射到同一特征空间,获得源映射以及目标映射;
对所述源映射以及目标映射进行正规划,获得正规化后的源映射数据以及目标映射数据;
在源映射数据与目标域数据之间的距离小于预设距离时,通过域鉴别器对所述源域特征以及目标域特征进行鉴别;
在通过鉴别结果难以鉴别特征来源时,获得目标域特征提取网络。
可选地,所述通过Transformer网络对源域数据进行特征提取获得源域特征的步骤,包括:
通过Transformer网络对源域数据进行编码,获得编码源域数据;
通过自注意力机制捕捉所述编码源域数据中的关键信息;
通过多头注意力机制提取所述编码源域数据的多元特征;
对所述关键信息以及多元特征进行残差连接处理,获得特征数据;
将所述特征数据进行解码,获得源域特征。
可选地,所述通过Transformer网络对源域数据进行特征提取获得源域特征的步骤之前,还包括:
获取充电数据在时间上的积分作为健康数据;
将健康特征进行免失真处理,获得源域数据。
可选地,所述将健康特征进行免失真处理,获得源域数据的步骤,包括:
将健康特征进行min-max归一化处理,获得源域数据,其中,min-max归一化处理的计算公式为:
式中,为归一化后的健康特征,xi为原始的健康特征,min(x)为健康特征的最小值,max(x)为健康特征的最大值。
可选地,所述检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据的步骤,包括:
检测目标电池对应的充电数据在时间上的积分,并将目标电池对应的充电数据在时间上的积分作为电池数据;
对所述电池数据进行归一化处理,获得目标容量数据。
此外,为实现上述目的,本发明还提出一种电池容量预测装置,所述装置包括:
数据检测模块,用于检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据;
容量预测模块,用于基于T-ADDA模型对所述目标容量数据进行电池容量预测,获得电池容量预测结果,所述T-ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型;
容量确定模块,用于根据所述电池容量预测结果确定所述目标电池的电池容量。
此外,为实现上述目的,本发明还提出一种电池容量预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池容量预测程序,所述电池容量预测程序配置为实现如上文所述的电池容量预测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有电池容量预测程序,所述电池容量预测程序被处理器执行时实现如上文所述的电池容量预测方法的步骤。
本发明公开了一种电池容量预测方法、装置、设备及存储介质,该方法包括:检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据;基于T-ADDA模型对所述目标容量数据进行电池容量预测,获得电池容量预测结果,所述T-ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型;根据所述电池容量预测结果确定所述目标电池的电池容量。本发明通过对电池数据进行归一化处理,再基于T-ADDA模型对目标容量数据进行电池容量预测,通过电池容量预测结果最后确定电池容量。与传统电池容量预测方法相比,通过T-ADDA模型进行预测的方法具有更高的泛化能力,能够进行更加准确的预测。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的电池容量预测设备的结构示意图;
图2为本发明电池容量预测方法第一实施例的流程示意图;
图3为本发明电池容量预测方法第二实施例的流程示意图;
图4为本发明电池容量预测方法第三实施例的流程示意图;
图5为本发明电池容量预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的电池容量预测设备结构示意图。
如图1所示,该电池容量预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电池容量预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电池容量预测程序。
在图1所示的电池容量预测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电池容量预测设备中的处理器1001、存储器1005可以设置在电池容量预测设备中,所述电池容量预测设备通过处理器1001调用存储器1005中存储的电池容量预测程序,并执行本发明实施例提供的电池容量预测方法。
本发明实施例提供了一种电池容量预测方法,参照图2,图2为本发明电池容量预测方法第一实施例的流程示意图。
本实施例中,所述电池容量预测方法包括以下步骤:
步骤S10:检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据。
需要说明的是,本实施例方法的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的电池性能预测设备,例如电池容量预测设备;还可以是其他具有相同或相似功能的电子设备,或者是装载有该电子设备的电池容量预测系统。本实施例及下述各实施例将以电池容量预测设备为执行主体对本发明电池容量预测方法进行举例说明。
可理解的是,目标电池可以是待测量电池容量的锂离子电池。电池数据可以是锂离子电池充放电时的电流数据、电压数据、温度数据以及和时间相关的数据等可直接测量的电池数据。
进一步地,由于检测到电池数据后,电池数据对应的输入的充电电压、充电电流、充电温度的量纲不一样,并且值的大小差异性较大,需要对电池数据进行处理,因此,所述步骤S10还包括:检测目标电池对应的充电数据在时间上的积分,并将目标电池对应的充电数据在时间上的积分作为电池数据;对所述电池数据进行归一化处理,获得目标容量数据。
应理解的是,为了方便获取测量数据,将充放电电流、充放电电压及温度等可直接测量的变量作为电池退化的间接指标。由于在实际中放电过程受用电设备的影响较大,难以实现恒流状态放电,不利于作为参考指标。然而充电过程相对稳定,一般为恒流-恒压模式。因此,本发明选取充电电压在时间上的积分FV、充电电流在时间上的积分FI、充电温度在时间上的积分FT作为电池数据。
需理解的是,由于电池数据的量纲不同且差异性较大,为了防止在后续计算中部分电池数据的失真,将电池数据进行min-max归一化处理,获得目标容量数据,其中,min-max归一化处理的计算公式为:
式中,为归一化后的健康特征,xi为原始的健康特征,min(x)为健康特征的最小值,max(x)为健康特征的最大值。
步骤S20:基于T-ADDA模型对所述目标容量数据进行电池容量预测,获得电池容量预测结果,所述T-ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型。
需要说明的是,T-ADDA模型可以是基于自注意力机制的对抗性判别域自适应模型(Transformer-Adversarial Discriminative Domain Adaptation,T-ADDA),T-ADDA模型结合了自注意力模型和对抗性判别域自适应模型各自的优点,提高了对跨域数据的适应性。
应理解的是,T-ADDA的结构主要有三部分组成,分别为:特征提取器模块、回归预测器模块、域鉴别器模块。特征提取器是采用Transformer网络对原始数据提取时间序列特征。回归预测器是由全连接层构成,目的是找到时间序列特征与电池容量之间的映射关系。域鉴别器是由全连接层构成,目的是对源域和目标域的时间序列特征进行判别。
可理解的是,Transformer是一种基于注意力机制的简单神经网络,完全摒弃了神经网络的递归和卷积,在序列建模中取得良好的效果。Transformer网络可以并行计算,极大的提高了计算效率,缩短了计算时间。Transformer模型的编码器是由N个编码层组成,每个编码层是由一个多头注意力层和一个前馈全连接网络层。
应理解的是,自注意力机制的核心是缩放点积注意力函数,作用是将输入的查询向量Q、键向量K、值向量V映射为一个权重值输出。缩放点积注意力函数首先通过查询向量和键向量进行点积,然后经过softmax函数,计算出值的权重,可以表示为:
式中,dk为查询向量和键向量的维度。为了提取模型的更多隐藏特征,将多个自注意力层并行化处理,形成多头注意力模块。多头注意力MultiHead(Q,K,V)为:MultiHead(Q,K,V)=Concat(head1,...,headh)WO,headi=Attention(QWi Q,KWi K,VWi V)式中,h为多头数,WO,Wi Q,Wi K,Wi V为参数矩阵。前馈全连接网络包括两个线性变换和一个ReLU激活,计算公式为:FFN(x)=max(0,xW1+b1)W2+b2为了标记模型的位置信息,在编码器和解码器的输入端加入了位置编码,计算公式为:式中,pos为位置,i为维度,dmodel为模型的维度向量。
步骤S30:根据所述电池容量预测结果确定所述目标电池的电池容量。
可理解的是,根据电池容量预测结果,确定目标电池的电池容量需要考虑多种因素,如电池的使用场景、所需的使用时间和电池的规格等。
应理解的是,电池容量预测设备根据所述电池容量预测结果通过结合电池使用场景、使用时间以及电池的规格来确定目标电池的电池容量。
本实施例中,检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据;基于T-ADDA模型对所述目标容量数据进行电池容量预测,获得电池容量预测结果,所述T-ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型;根据所述电池容量预测结果确定所述目标电池的电池容量。本发明通过对电池数据进行归一化处理,再基于T-ADDA模型对目标容量数据进行电池容量预测,通过电池容量预测结果最后确定电池容量。与传统电池容量预测方法相比,通过T-ADDA模型进行预测的方法具有更高的泛化能力,能够进行更加准确的预测。
参考图4,图4为本发明电池容量预测方法第二实施例的流程示意图。
进一步地,为了实现T-ADDA模型能够准确的预测,需要对T-ADDA模型进行训练。故基于上述第一实施例,在本实施例中,所述电池容量预测方法还包括:
步骤S201:通过Transformer网络对源域数据进行特征提取获得源域特征。
需说明的是,源域数据可以是包含充电电压、充电电流、充电温度以及电池容量的训练数据,其中,电池容量可以为源域数据的标签。
进一步地,为了通过Transformer网络利用自注意力机制全局处理源域数据,提取更丰富的特征。因此,所述步骤S201,还包括:通过Transformer网络对源域数据进行编码,获得编码源域数据;通过自注意力机制捕捉所述编码源域数据中的关键信息;通过多头注意力机制提取所述编码源域数据的多元特征;对所述关键信息以及多元特征进行残差连接处理,获得特征数据;将所述特征数据进行解码,获得源域特征。
可理解的是,将源域数据输入到Transformer网络中,基于编码器将源域数据转换成隐藏表示,以使数据能够被Transformer网络更好的处理。自注意力机制可以用于计算源域数据中的各个位置的重要点,能够更好地捕捉源域数据中的关键信息。
应理解的是,将编码源域数据进行线性变换,得到多个不同的查询、键和值。将不同的查询、键和值输入到不同的注意力头中,计算多个注意力分布。将多个注意力分布加权平均,得到最终的注意力分布。根据注意力分布对值进行加权求和,得到多头注意力机制输出的多元特征。
具体实现中,通过Transformer网络对源域数据进行特征提取获得源域特征之前,获取充电数据在时间上的积分作为健康数据;将健康特征进行免失真处理,获得源域数据,其中免失真处理包括min-max归一化处理。电池容量预测设备通过Transformer网络对源域数据进行编码,获得编码源域数据;通过自注意力机制捕捉所述编码源域数据中的关键信息;通过多头注意力机制提取所述编码源域数据的多元特征;对所述关键信息以及多元特征进行残差连接处理,获得特征数据;将所述特征数据进行解码,获得源域特征。
步骤202:将所述源域特征输入到回归预测器中进行训练,获得源域特征提取网络的对应参数以及训练后的回归预测网络。
可理解的是,电池容量预测设备将所述源域特征输入至回归预测器中进行训练,获得源域特征提取网络对应的参数以及训练后的回归预测网络。
步骤S203:基于所述源域特征提取网络的对应参数对目标域特征进行训练,并将所述源域特征以及所述目标域特征分别输入域鉴别器中进行对抗训练,获得目标域特征提取网络。
需要说明的是,首先将第一阶段训练的特征提取网络的对应参数作为初始值,对目标域特征提取网络进行训练。然后将源域特征和目标域特征分别输入至域鉴别器中进行对抗训练。在训练过程中,通过域标签的交替翻转,实现网络结构参数的调整。最终使域鉴别器无法鉴别特征是来源于源域还是目标域。
具体实现中,电池容量预测设备基于所述源域特征提取网络的对应参数对目标域特征进行训练,并将所述源域特征以及所述目标域特征分别输入域鉴别器中进行对抗训练,获得目标域特征提取网络。
步骤S204:将所述目标域特征提取网络与所述训练后的回归预测网络相结合,获得T-ADDA模型。
可理解的是,将所述目标域特征提取网络与所述训练后的回归预测网络相结合,获得T-ADDA模型,对目标域数据进行预测。实现了锂离子电池的跨域容量预测。
本实施例中,通过Transformer网络对源域数据进行特征提取获得源域特征;将所述源域特征输入到回归预测器中进行训练,获得源域特征提取网络的对应参数以及训练后的回归预测网络;基于所述源域特征提取网络的对应参数对目标域特征进行训练,并将所述源域特征以及所述目标域特征分别输入域鉴别器中进行对抗训练,获得目标域特征提取网络;将所述目标域特征提取网络与所述训练后的回归预测网络相结合,获得T-ADDA模型。本实施例通过对源域数据进行特征提取,将特征输入至回归预测器中训练,将源域特征和所述目标域特征进行对抗训练,将目标域特征提取网络与训练后的回归预测网络相结合。实现了电池跨域容量预测,具有更高的泛化能力,能够进行更加准确的预测。
参考图5,图5为本发明电池容量预测方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,所述步骤S203包括:
步骤S2031:将所述源域特征以及目标域特征映射到同一特征空间,获得源映射以及目标映射。
应理解的是,目标域特征可以是目标域数据基于Transformer网络进行特征提取获得的特征,目标域数据可以是包括充电电压、充电电流以及充电温度的预测数据(不包含电池容量的标签)。
可理解的是,将源域和目标域特征输入到对应的映射网络中,分别得到源映射和目标映射。在映射网络中引入领域自适应机制,通过将源域数据与目标域数据进行混合来提高模型的泛化能力。利用最小二乘法或其他优化算法,将源映射和目标映射映射到同一特征空间。
步骤S2032:对所述源映射以及目标映射进行正规划,获得正规化后的源映射数据以及目标映射数据。
需要说明的是,我们定义一个源域分布PS(x,y)和一个目标域分布PT(x,y),源域分布对应的源数据为XS,标签为YS。目标域分布对应的目标数据为XT,并且没有标签。T-ADDA模型的优化损失分为回归损失和域分类损失,本发明将锂离子电池容量预测作为回归任务,以均方根误差作为源域回归的最小化损失函数。在特征提取器和域分类器进行对抗训练的过程中,特征提取器的目标是使域分类损失最大化,域分类器的目标是使域损失最小化。为了实现这种最大-最小损失,T-ADDA模型采用带有反向标签的损失函数训练生成器。T-ADDA模型的源域回归损失函数为:
在对抗适应阶段,鉴别器D对来自源域和目标域的数据进行分类,其中对抗损失函数为:
源映射和目标映射是通过受约束的对抗目标进行优化的,其训练映射的目标损失函数为:
步骤S2033:在源映射数据与目标域数据之间的距离小于预设距离时,通过域鉴别器对所述源域特征以及目标域特征进行鉴别。
可理解的是,预设距离可以是一个超参数,可以根据具体场景和任务进行设置。在域鉴别过程中,预设距离可以设置为源映射与目标映射之间的最小距离等。
应理解的是,将目标域和源域的数据映射到同一特征空间,通过域判别器分辨域标签。主要目标是对源映射和目标映射进行正则化,使源映射和目标映射之间的距离最小。最后通过未标记的目标域数据测试目标域分类器性能。
步骤S2034:在通过鉴别结果难以鉴别特征来源时,获得目标域特征提取网络。
具体实现中,电池容量预测设备将所述源域特征以及目标域特征映射到同一特征空间,获得源映射以及目标映射;电池容量预测设备对所述源映射以及目标映射进行正规划,获得正规化后的源映射数据以及目标映射数据;在源映射数据与目标域数据之间的距离小于预设距离时,通过域鉴别器对所述源域特征以及目标域特征进行鉴别;在电池容量预测设备通过鉴别结果难以鉴别特征来源时,获得目标域特征提取网络。
本实施例中,将所述源域特征以及目标域特征映射到同一特征空间,获得源映射以及目标映射;对所述源映射以及目标映射进行正规划,获得正规化后的源映射数据以及目标映射数据;在源映射数据与目标域数据之间的距离小于预设距离时,通过域鉴别器对所述源域特征以及目标域特征进行鉴别;在通过鉴别结果难以鉴别特征来源时,获得目标域特征提取网络。本实施例通过对特征进行映射,后对源映射和目标映射进行正规化,在距离小于预设距离时,对特征进行鉴别,在通过鉴别结果难以鉴别特征来源时,获得目标域特征提取网络,实现跨域容量预测。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有电池容量预测程序,所述电池容量预测程序被处理器执行时实现如上文所述的电池容量预测方法的步骤。
参照图5,图5为本发明电池容量预测装置第一实施例的结构框图。
如图5所示,本发明实施例提出的电池容量预测装置包括:数据检测模块501、容量预测模块502和容量确定模块503。
所述数据检测模块501,用于检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据。
可理解的是,目标电池可以是待测量电池容量的锂离子电池。电池数据可以是锂离子电池充放电时的电流数据、电压数据、温度数据以及和时间相关的数据等可直接测量的电池数据。
进一步地,由于检测到电池数据后,电池数据对应的输入的充电电压、充电电流、充电温度的量纲不一样,并且值的大小差异性较大,需要对电池数据进行处理,因此,所述步骤S10还包括:检测目标电池对应的充电数据在时间上的积分,并将目标电池对应的充电数据在时间上的积分作为电池数据;对所述电池数据进行归一化处理,获得目标容量数据。
应理解的是,为了方便获取测量数据,将充放电电流、充放电电压及温度等可直接测量的变量作为电池退化的间接指标。由于在实际中放电过程受用电设备的影响较大,难以实现恒流状态放电,不利于作为参考指标。然而充电过程相对稳定,一般为恒流-恒压模式。因此,本发明选取充电电压在时间上的积分FV、充电电流在时间上的积分FI、充电温度在时间上的积分FT作为电池数据。
需理解的是,由于电池数据的量纲不同且差异性较大,为了防止在后续计算中部分电池数据的失真,将电池数据进行min-max归一化处理,获得目标容量数据,其中,min-max归一化处理的计算公式为:
式中,为归一化后的健康特征,xi为原始的健康特征,min(x)为健康特征的最小值,max(x)为健康特征的最大值。
所述容量预测模块502,用于基于T-ADDA模型对所述目标容量数据进行电池容量预测,获得电池容量预测结果,所述T-ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型。
需要说明的是,T-ADDA模型可以是Transformer-Adversarial DiscriminativeDomain Adaptation(简称T-ADDA)模型,T-ADDA模型结合了Transformer算法和Adversarial Discriminative Domain Adaptation算法各自的优点,提高了对跨域数据的适应性。
应理解的是,T-ADDA的结构主要有三部分组成,分别为:特征提取器模块、回归预测器模块、域鉴别器模块。特征提取器是采用Transformer网络对原始数据提取时间序列特征。回归预测器是由全连接层构成,目的是找到时间序列特征与电池容量之间的映射关系。域鉴别器是由全连接层构成,目的是对源域和目标域的时间序列特征进行判别。
可理解的是,Transformer是一种基于注意力机制的简单神经网络,完全摒弃了神经网络的递归和卷积,在序列建模中取得良好的效果。Transformer网络可以并行计算,极大的提高了计算效率,缩短了计算时间。Transformer模型的编码器是由N个编码层组成,每个编码层是由一个多头注意力层和一个前馈全连接网络层。
应理解的是,自注意力机制的核心是缩放点积注意力函数,作用是将输入的查询向量Q、键向量K、值向量V映射为一个权重值输出。缩放点积注意力函数首先通过查询向量和键向量进行点积,然后经过softmax函数,计算出值的权重,可以表示为:
式中,dk为查询向量和键向量的维度。为了提取模型的更多隐藏特征,将多个自注意力层并行化处理,形成多头注意力模块。多头注意力MultiHead(Q,K,V)为:MultiHead(Q,K,V)=Concat(head1,...,headh)WO,headi=Attention(QWi Q,KWi K,VWi V)式中,h为多头数,WO,Wi Q,Wi K,Wi V为参数矩阵。前馈全连接网络包括两个线性变换和一个ReLU激活,计算公式为:FFN(x)=max(0,xW1+b1)W2+b2为了标记模型的位置信息,在编码器和解码器的输入端加入了位置编码,计算公式为:式中,pos为位置,i为维度,dmodel为模型的维度向量。
所述容量确定模块503,用于根据所述电池容量预测结果确定所述目标电池的电池容量。
可理解的是,根据电池容量预测结果,确定目标电池的电池容量需要考虑多种因素,如电池的使用场景、所需的使用时间和电池的规格等。
应理解的是,电池容量预测设备根据所述电池容量预测结果通过结合电池使用场景、使用时间以及电池的规格来确定目标电池的电池容量。
本实施例中,检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据;基于T-ADDA模型对所述目标容量数据进行电池容量预测,获得电池容量预测结果,所述T-ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型;根据所述电池容量预测结果确定所述目标电池的电池容量。本发明通过对电池数据进行归一化处理,再基于T-ADDA模型对目标容量数据进行电池容量预测,通过电池容量预测结果最后确定电池容量。与传统电池容量预测方法相比,通过T-ADDA模型进行预测的方法具有更高的泛化能力,能够进行更加准确的预测。
本发明电池容量预测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电池容量预测方法,其特征在于,所述电池容量预测方法包括以下步骤:
检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据;
基于T-ADDA模型对所述目标容量数据进行电池容量预测,获得电池容量预测结果,所述T-ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型;
根据所述电池容量预测结果确定所述目标电池的电池容量。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过Transformer网络对源域数据进行特征提取获得源域特征;
将所述源域特征输入到回归预测器中进行训练,获得源域特征提取网络的对应参数以及训练后的回归预测网络;
基于所述源域特征提取网络的对应参数对目标域特征进行训练,并将所述源域特征以及所述目标域特征分别输入域鉴别器中进行对抗训练,获得目标域特征提取网络;
将所述目标域特征提取网络与所述训练后的回归预测网络相结合,获得T-ADDA模型。
3.如权利要求2所述的方法,其特征在于,所述基于所述源域特征提取网络的对应参数对目标域特征进行训练,并将所述源域特征以及所述目标域特征分别输入域鉴别器中进行对抗训练,获得目标域特征提取网络的步骤,包括:
将所述源域特征以及目标域特征映射到同一特征空间,获得源映射以及目标映射;
对所述源映射以及目标映射进行正规划,获得正规化后的源映射数据以及目标映射数据;
在源映射数据与目标域数据之间的距离小于预设距离时,通过域鉴别器对所述源域特征以及目标域特征进行鉴别;
在通过鉴别结果难以鉴别特征来源时,获得目标域特征提取网络。
4.如权利要求2所述的方法,其特征在于,所述通过Transformer网络对源域数据进行特征提取获得源域特征的步骤,包括:
将源域数据输入到Transformer网络,对源域数据进行编码,获得编码源域数据;
通过自注意力机制捕捉所述编码源域数据中的关键信息;
通过多头注意力机制提取所述编码源域数据的多元特征;
对所述关键信息以及多元特征进行残差连接处理,获得特征数据;
将所述特征数据进行解码,获得源域特征。
5.如权利要求2所述的方法,其特征在于,所述通过Transformer网络对源域数据进行特征提取获得源域特征的步骤之前,还包括:
获取充电电压在时间上的积分、充电电流在时间上的积分和充电温度在时间上的积分作为健康数据;
将健康特征进行免失真处理,获得源域数据。
6.如权利要求5所述的方法,其特征在于,所述将健康特征进行免失真处理,获得源域数据的步骤,包括:
将健康特征进行min-max归一化处理,获得源域数据,其中,min-max归一化处理的计算公式为:
式中,为归一化后的健康特征,xi为原始的健康特征,min(x)为健康特征的最小值,max(x)为健康特征的最大值。
7.如权利要求1-6中任一项所述的方法,其特征在于,所述检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据的步骤,包括:
检测目标电池对应的充电电压在时间上的积分、充电电流在时间上的积分和充电温度在时间上的积分,并将目标电池对应的充电电压在时间上的积分、充电电流在时间上的积分和充电温度在时间上的积分作为电池数据;
对所述电池数据进行归一化处理,获得目标容量数据。
8.一种电池容量预测装置,其特征在于,所述装置包括:
数据检测模块,用于检测目标电池的电池数据,并对所述电池数据进行归一化处理,获得目标容量数据;
容量预测模块,用于基于T-ADDA模型对所述目标容量数据进行电池容量预测,获得电池容量预测结果,所述T-ADDA模型是采用电池充电数据为输入,通过对源域数据以及目标域数据进行对抗性域适应训练,结合源域对应的回归网络所获得的模型;
容量确定模块,用于根据所述电池容量预测结果确定所述目标电池的电池容量。
9.一种电池容量预测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池容量预测程序,所述电池容量预测程序配置为实现如权利要求1至7中任一项所述的电池容量预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有电池容量预测程序,所述电池容量预测程序被处理器执行时实现如权利要求1至7中任一项所述的电池容量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310545513.XA CN116609671A (zh) | 2023-05-15 | 2023-05-15 | 电池容量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310545513.XA CN116609671A (zh) | 2023-05-15 | 2023-05-15 | 电池容量预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116609671A true CN116609671A (zh) | 2023-08-18 |
Family
ID=87675829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310545513.XA Pending CN116609671A (zh) | 2023-05-15 | 2023-05-15 | 电池容量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609671A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879761A (zh) * | 2023-09-06 | 2023-10-13 | 杭州宇谷科技股份有限公司 | 基于多模态的电池内短路检测方法、系统、装置及介质 |
-
2023
- 2023-05-15 CN CN202310545513.XA patent/CN116609671A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879761A (zh) * | 2023-09-06 | 2023-10-13 | 杭州宇谷科技股份有限公司 | 基于多模态的电池内短路检测方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
Jiang et al. | Multi-kernel relevance vector machine with parameter optimization for cycling aging prediction of lithium-ion batteries | |
CN103954913A (zh) | 电动汽车动力电池寿命预测方法 | |
CN115622203B (zh) | 基于车载无线充电器充电数据的分析提醒方法及系统 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN116540101A (zh) | 关键区间特征提取的快速电池寿命预测方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN117261599B (zh) | 电动汽车的故障检测方法、装置、电子设备及电动汽车 | |
CN117067921B (zh) | 电动汽车的故障检测方法及电动汽车 | |
CN113538037A (zh) | 监测电瓶车充电事件的方法及系统、设备、存储介质 | |
CN112327190A (zh) | 一种储能电池健康状态辨识方法 | |
CN116643178A (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN116520154A (zh) | 锂电池极片检测的性能评估方法及其系统 | |
CN115865716A (zh) | 一种网络状态分析方法、系统及计算机可读介质 | |
CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
Channegowda et al. | An attention‐based synthetic battery data augmentation technique to overcome limited dataset challenges | |
Wang et al. | Identifying household EV models via weighted power recurrence graphs | |
CN117148165B (zh) | 聚合物锂离子电池的测试分析方法及其系统 | |
CN116582450B (zh) | 低压配电网业务接入感知方法及系统 | |
Feng et al. | Detection of False Data Injection Attacks in Cyber-Physical Power Systems: An Adaptive Adversarial Dual Autoencoder With Graph Representation Learning Approach | |
CN117554737B (zh) | 一种车载充电器的健康状况检测方法及系统 | |
CN117332361B (zh) | 一种不间断电源的在线预警方法及检测系统 |
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 |