CN116611010A - 锂离子电池形变的预测方法、装置、设备及存储介质 - Google Patents

锂离子电池形变的预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116611010A
CN116611010A CN202310362607.3A CN202310362607A CN116611010A CN 116611010 A CN116611010 A CN 116611010A CN 202310362607 A CN202310362607 A CN 202310362607A CN 116611010 A CN116611010 A CN 116611010A
Authority
CN
China
Prior art keywords
model
target
deformation
models
preselected
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
Application number
CN202310362607.3A
Other languages
English (en)
Inventor
江彬
张毅鸿
周颖
都治军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Three Gorges Times Energy Technology Co ltd
Original Assignee
Chongqing Three Gorges Times Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Three Gorges Times Energy Technology Co ltd filed Critical Chongqing Three Gorges Times Energy Technology Co ltd
Priority to CN202310362607.3A priority Critical patent/CN116611010A/zh
Publication of CN116611010A publication Critical patent/CN116611010A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电池监测技术领域，公开了一种锂离子电池形变的预测方法、装置、设备及存储介质。该方法包括：获取目标电池的历史形变数据；将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型；基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值；在监测到所述预测形变值大于预设形变值时，进行预警。通过上述方式，能够预测出锂离子电池的未来形变量，进而实现提前预警。

Description

锂离子电池形变的预测方法、装置、设备及存储介质
技术领域
本发明涉及电池监测技术领域，尤其涉及一种锂离子电池形变的预测方法、装置、设备及存储介质。
背景技术
锂离子电池在充放电过程中，锂离子会在电池正负极脱嵌与嵌入、电极产热、电池副反应反应产气等，这会导致锂离子电池在宏观上发生形变。当锂离子电池的形变量超过一定阈值时，将会对电池的安全使用造成影响。但是目前预测锂离子电池未来形变量的方式均存在精度不高的情况。
发明内容
本发明的主要目的在于提供一种锂离子电池形变的预测方法、装置、设备及存储介质，旨在解决现有技术中预测锂离子电池未来形变量的方式均存在精度不高的情况的技术问题。
为实现上述目的，本发明提供了一种锂离子电池形变的预测方法，所述方法包括以下步骤：
获取目标电池的历史形变数据；
将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型；
基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值；
在监测到所述预测形变值大于预设形变值时，进行预警。
可选地，在所述基于各预选模型对应的目标权重值以及所述形变预测结果，确定所述目标电池的预测形变值之前，还包括：
随机确定各预选模型的初始权重；
将所述目标预选模型集合中的任意两个预选模型进行重要性对比，确定任意两个预选模型的对比矩阵；
为对比矩阵进行一致性校验，得到一致性对比结果，并基于所述一致性对比结果确定所述对比矩阵的目标对比矩阵；
基于所述目标对比矩阵确定各预选模型的归一化权重；
基于所述初始权重以及所述归一化权重，确定所述目标权重值。
可选地，所述为对比矩阵进行一致性校验，得到一致性对比结果，并基于所述一致性对比结果确定所述对比矩阵的目标对比矩阵，包括：
S3031、对所述对比矩阵进行一致性校验，得到一致性对比结果；
S3032、判断所述一致性对比结果是否小于预设对比阈值；
S3033、在判定所述一致性对比结果不小于预设对比阈值时，修正所述对比矩阵，得到修正对比矩阵，并将所述修正对比矩阵作为新的对比矩阵来重复执行步骤S3031-S3033，直至判定所述一致性对比结果小于预设对比阈值之后，将当前的对比矩阵作为目标对比矩阵。
可选地，所述基于所述初始权重以及所述归一化权重，确定所述目标权重值，包括：
基于所述初始权重、所述归一化权重以及所述形变预测结果，确定目标预选模型集合中各预选模型对应的加权形变值；
将目标预选模型集合中最小加权形变值对应的预选模型作为剔除预选模型，并将所述剔除预选模型从所述目标预选模型集合中剔除以更新所述目标预选模型集合；
将所述剔除预选模型的归一化权重分配给更新后的目标预选模型集合中的其它预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值。
可选地，所述将所述剔除预选模型的归一化权重分配给更新后的目标预选模型集合中的其它预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值，包括：
基于更新后的目标预选模型集合中各预选模型的归一化权重，按照比例将所述剔除预选模型的归一化权重分配给所述更新后的目标预选模型中的预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值；
所述基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值，包括：
基于更新后的目标预选模型集合中各预选模型对应的目标权重值以及更新后的目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值。
可选地，所述深度学习模型包括informer算法模型和CNN-LSTM深度算法模型；其中，
所述将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，包括：
若所述预选模型为深度学习模型中的informer算法模型，则将所述预选模型配置为基于transformer网络，使用encoder和decoder对时间序列提取特征，以对所述历史形变数据进行拟合，得到所述预选模型对应的形变预测结果；
若所述预选模型为深度学习模型中的CNN-LSTM深度算法模型，则将所述预选模型配置为使用CNN-LSTM深度算法提取所述目标电池的特征，以对所述历史形变数据进行拟合，得到所述预选模型对应的形变预测结果。
可选地，所述数学方法模型包括为线性拟合模型、时间序列预测模型、加权滑动平均模型以及回归拟合预测模型；其中，
所述将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，包括：
若所述预选模型为数学方法模型中的线性拟合模型，则该预选模型的形变预测结果与所述目标电池的工作参数成线性相关；
若所述预选模型为数学方法模型中的时间序列预测模型，则该预选模型被配置为使用滑动窗口处理时间序列的均值，以获取该预选模型对应的形变预测结果；
若所述预选模型为数学方法模型中的加权滑动平均模型，则该预选模型被配置为在时间序列预测模型的基础上，加以权重来获取该预选模型对应的形变预测结果；
若所述预选模型为数学方法模型中的加回归拟合预测模型，当时间t趋向于无穷大时，采用回归拟合模型逼近实际数据序列来获取该预选模型对应的形变预测结果。
此外，为实现上述目的，本发明还提出一种锂离子电池形变的预测装置，所述锂离子电池形变的预测装置包括：
获取模块，用于获取目标电池的历史形变数据；
输入模块，用于将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型；
确定模块，用于基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值；
检测模块，用于在监测到所述预测形变值大于预设形变值时，进行预警。
此外，为实现上述目的，本发明还提出一种锂离子电池形变的预测设备，所述锂离子电池形变的预测设备包括：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锂离子电池形变的预测程序，所述锂离子电池形变的预测程序配置为实现如上文所述的锂离子电池形变的预测方法的步骤。
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锂离子电池形变的预测程序，所述锂离子电池形变的预测程序被处理器执行时实现如上文所述的锂离子电池形变的预测方法的步骤。
本发明提出的锂离子电池形变的预测方法、装置、设备及存储介质，通过获取目标电池的历史形变数据；将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型；基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值；在监测到所述预测形变值大于预设形变值时，进行预警。通过上述方式，将稳定性强的数学方法模型与精度高的人工智能算法结合来预测锂离子电池的未来形变值，能够取长补短，发挥模型各自的优势，使得最终的预测形变值更接近于锂离子电池的实际形变值。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的锂离子电池形变的预测设备的结构示意图；
图2为本发明锂离子电池形变的预测方法第一实施例的流程示意图；
图3为本发明锂离子电池形变的预测方法第一实施例的整体流程示意图；
图4为本发明锂离子电池形变的预测方法第二实施例的流程示意图；
图5为本发明锂离子电池形变的预测方法第二实施例中对比矩阵的确定步骤图；
图6为本发明锂离子电池形变的预测方法第二实施例中对比矩阵的修正步骤图；
图7为本发明锂离子电池形变的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锂离子电池形变的预测设备结构示意图。
如图1所示，该锂离子电池形变的预测设备可以包括：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)存储器，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锂离子电池形变的预测设备的限定，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、网络通信模块、用户接口模块以及锂离子电池形变的预测程序。
在图1所示的锂离子电池形变的预测设备中，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；本发明锂离子电池形变的预测设备中的处理器1001、存储器1005可以设置在锂离子电池形变的预测设备中，所述锂离子电池形变的预测设备通过处理器1001调用存储器1005中存储的锂离子电池形变的预测程序，并执行本发明实施例提供的锂离子电池形变的预测方法。
基于上述硬件结构，提出本发明锂离子电池形变的预测方法实施例。
参照图2，图2为本发明一种锂离子电池形变的预测方法第一实施例的流程示意图。
本实施例中，所述锂离子电池形变的预测方法包括以下步骤：
步骤S10：获取目标电池的历史形变数据。
需要说明的是，本实施例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计算服务设备，例如手机、平板电脑、个人电脑等，或者是一种能够实现上述功能的电子设备或锂离子电池形变的预测设备。以下以所述锂离子电池形变的预测设备为例，对本实施例及下述各实施例进行说明。
需要说明的是，目标电池可以是单个电芯，也可以是电池pack或电池包；可以从目标电池的电池数据云后台获取目标电池的历史形变值，再经过特征工程之后将历史形变值转换为历史形变数据，历史形变数据即为经过处理后的特征工程字段。
步骤S20：将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型。
需要说明的是，由于数学模型算法不需要基于锂离子电池的历史数据进行模型的训练，所以数学模型算法的稳定性强；机器学习模型以及深度学习模型需要不断地基于锂离子电池的历史数据来更新模型，所以相对来说预测精度更高。
需要说明的是，目标预选模型集合中包括至少一个数学方法模型、至少一个机器学习模型以及至少一个深度学习模型。
需要说明的是，机器学习模型为决策树算法模型，其被配置为使用Light GBM模型，将历史形变数据输入至该机器学习模型中去迭代预测该模型的形变预测结果，迭代预测为利用该机器学习模型上一步的形变预测结果作为下一步的模型输入。
在一实施例中，所述数学方法模型包括为线性拟合模型、时间序列预测模型、加权滑动平均模型以及回归拟合预测模型；其中，
所述将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，包括：
若所述预选模型为数学方法模型中的线性拟合模型，则该预选模型的形变预测结果与所述目标电池的工作参数成线性相关；
若所述预选模型为数学方法模型中的时间序列预测模型，则该预选模型被配置为使用滑动窗口处理时间序列的均值，以获取该预选模型对应的形变预测结果；
若所述预选模型为数学方法模型中的加权滑动平均模型，则该预选模型被配置为在时间序列预测模型的基础上，加以权重来获取该预选模型对应的形变预测结果；
若所述预选模型为数学方法模型中的回归拟合预测模型，当时间t趋向于无穷大时，采用回归拟合模型逼近实际数据序列来获取该预选模型对应的形变预测结果。
在具体实现中，将历史形变数据输入至数学方法模型中，得到该数学方法模型对应的形变预测结果。
在一实施例中，所述深度学习模型包括informer算法模型和CNN-LSTM深度算法模型；其中，
所述将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，包括：
若所述预选模型为深度学习模型中的informer算法模型，则将所述预选模型配置为基于transformer网络，使用encoder和decoder对时间序列提取特征，以对所述历史形变数据进行拟合，得到所述预选模型对应的形变预测结果；
若所述预选模型为深度学习模型中的CNN-LSTM深度算法模型，则将所述预选模型配置为使用CNN-LSTM深度算法提取所述目标电池的特征，以对所述历史形变数据进行拟合，得到所述预选模型对应的形变预测结果。
在具体实现中，将历史形变数据输入至深度学习模型中，得到该深度学习模型对应的形变预测结果。
步骤S30：基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值。
需要说明的是，目标权重值可以是随机确定的，也可以是基于各预测模型的重要性来确定的。
步骤S40：在监测到所述预测形变值大于预设形变值时，进行预警。
需要说明的是，预测形变值是提前进行设定的。
在具体实现中，如图3所示，需要先从电池数据云后台获取目标电池的历史形变值，再将历史形变值经过特征工程之后转化为历史形变数据，再将历史形变数据分别输入到各预选模型中得到各预选模型的形变预测结果，并进行融合得到预测形变值。
可以理解的是，当预测形变值大于预设形变值时，会对目标电池的安全使用造成较大影响，故需要进行预警，以及时将目标电池换下来。
本实施例通过获取目标电池的历史形变数据；将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型；基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值；在监测到所述预测形变值大于预设形变值时，进行预警。通过上述方式，将稳定性强的数学方法模型与精度高的人工智能算法结合来预测锂离子电池的未来形变值，能够取长补短，发挥模型各自的优势，使得最终的预测形变值更接近于锂离子电池的实际形变值。
参考图4，图4为本发明一种锂离子电池形变的预测方法第二实施例的流程示意图。
基于上述第一实施例，本实施例锂离子电池形变的预测方法在所述步骤S30之前，还包括：
步骤S301：随机确定各预选模型的初始权重。
需要说明的是，可采用雪花算法随机生成各预选模型的初始权重。
步骤S302：将所述目标预选模型集合中的任意两个预选模型进行重要性对比，确定任意两个预选模型的对比矩阵。
需要说明的是，每两个预选模型进行重要性对比都能生成一个对比矩阵，目标预选模型集合中任意一个预选模型都需要与目标预选模型集合中的其他模型进行重要性对比生成对比矩阵。示例性地，目标预选模型集合中包括A模型、B模型以及C模型，那么可以生成A与B的对比矩阵、A与C的对比矩阵以及B与C的对比矩阵，即通过目标预选集合可以确定3个对比矩阵。
在具体实现中，如图5所示，以目标预选模型集合中包括A模型、B模型、C模型以及D模型为例，确定对比矩阵的具体方式为：A模型与B模型进行重要性对比，即将A模型的系数定义为1，将B模型的系数定义为-1，将C模型以及D模型的系数定义为0，再通过SPSS方差分析Contrasts实现A模型与B模型的对比矩阵；A模型与C模型进行重要性对比，即将A模型的系数定义为1，将C模型的系数定义为-1，将B模型以及D模型的系数定义为0，再通过SPSS方差分析Contrasts实现A模型与C模型的对比矩阵；A模型与D模型进行重要性对比，即将A模型的系数定义为1，将D模型的系数定义为-1，将B模型以及C模型的系数定义为0，再通过SPSS方差分析Contrasts实现A模型与D模型的对比矩阵；B模型与C模型进行重要性对比，即将B模型的系数定义为1，将C模型的系数定义为-1，将A模型以及D模型的系数定义为0，再通过SPSS方差分析Contrasts实现B模型与C模型的对比矩阵；B模型与D模型进行重要性对比，即将B模型的系数定义为1，将D模型的系数定义为-1，将A模型以及C模型的系数定义为0，再通过SPSS方差分析Contrasts实现B模型与D模型的对比矩阵；C模型与D模型进行重要性对比，即将C模型的系数定义为1，将D模型的系数定义为-1，将A模型以及B模型的系数定义为0，再通过SPSS方差分析Contrasts实现C模型与D模型的对比矩阵。
步骤S303：为对比矩阵进行一致性校验，得到一致性对比结果，并基于所述一致性对比结果确定所述对比矩阵的目标对比矩阵。
可以理解的是，需要将目标预选模型对应的所有对比矩阵都进行一致性校验，每个对比矩阵在进行一致性校验之后均能得到一致性对比结果。
在一实施例中，如图6所示，所述为对比矩阵进行一致性校验，得到一致性对比结果，并基于所述一致性对比结果确定所述对比矩阵的目标对比矩阵，包括：
步骤S3031：对所述对比矩阵进行一致性校验，得到一致性对比结果。
步骤S3032：判断所述一致性对比结果是否小于预设对比阈值。
步骤S3033：在判定所述一致性对比结果不小于预设对比阈值时，修正所述对比矩阵，得到修正对比矩阵，并将所述修正对比矩阵作为新的对比矩阵来重复执行步骤S3031-S3033，直至判定所述一致性对比结果小于预设对比阈值之后，将当前的对比矩阵作为目标对比矩阵。
在具体实现中，可通过调整参数来完成对比矩阵的修正。
需要说明的是，预设对比阈值是提前进行设定的。
可以理解的是，需要不断地修正对比矩阵，直至修正后的对比矩阵的一致性对比结果小于预设对比阈值时，才能得到目标对比矩阵。
在本实施例中，可通过将对比矩阵的一致性对比结果与预设对比阈值进行比较来判断是否需要修正对比矩阵，当对比矩阵的一致性对比结果大于预设对比阈值时，需要修正对比矩阵，才能得到更为精准的归一化权重。
步骤S304：基于所述目标对比矩阵确定各预选模型的归一化权重。
在具体实现中，需要先根据目标对比矩阵确定各预选模型的特征根之和，再基于归一化算法对各预选模型的特征根进行归一化，才能得到各预选模型的归一化权重。
在具体实现中，以目标预选模型集合中包括A模型、B模型以及C模型为例，确定目标预选模型集合可以生成A与B的对比矩阵、A与C的对比矩阵以及B与C的对比矩阵，故可以生成A与B的目标对比矩阵(用a矩阵表示)、A与C的目标对比矩阵(用b矩阵表示)以及B与C的目标对比矩阵(用c矩阵表示)，根据a矩阵会得到A模型和B模型的特征根，根据b矩阵会得到A模型和C模型的特征根，以及根据c矩阵会得到B模型和C模型的特征根，那么A模型的权重系数为A模型在a矩阵和b矩阵中的特征根的和，B模型的权重系数为B模型在a矩阵和c矩阵中的特征根的和，C模型的权重系数为C模型在b矩阵和c矩阵中的特征根的和。
步骤S305：基于所述初始权重以及所述归一化权重，确定所述目标权重值。
在一实施例中，所述基于所述初始权重以及所述归一化权重，确定所述目标权重值，包括：
基于所述初始权重、所述归一化权重以及所述形变预测结果，确定目标预选模型集合中各预选模型对应的加权形变值；
将目标预选模型集合中最小加权形变值对应的预选模型作为剔除预选模型，并将所述剔除预选模型从所述目标预选模型集合中剔除以更新所述目标预选模型集合；
将所述剔除预选模型的归一化权重分配给更新后的目标预选模型集合中的其它预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值。
在具体实现中，将预选模型的初始权重为a，将预选模型的归一化权重记为b以及将预选模型的形变预测结果记为c，那么该预选模型的加权形变值即为abc(即a与b与c的乘积)。
可以理解的是，每个预选模型均存在加权形变值，那么目标预选模型集合可以对应多个加权形变值，最小加权形变值即为目标预选模型对应的最小的加权形变值。
在具体实现中，可根据其他预选模型的数量将剔除预选模型的归一化权重均分给其他预选模型，还可以根据其他预选模型的归一化权重按比例将剔除预选模型的归一化权重分配给其他预选模型。示例性地，假设初始的目标预选模型集合中包括A模型、B模型、C模型以及D模型，在确定A模型为剔除预选模型之后，可将A模型的归一化权重均分成三份之后分配给B模型、C模型以及D模型，还可根据B模型、C模型以及D模型的归一化权重按照比例将A模型的归一化权重分配给B模型、C模型以及D模型，以更新B模型、C模型以及D模型的目标权重值。
在本实施例中，可通过最小形变值来筛选出目标预选模型集合中的剔除预选模型，并将剔除预选模型从目标预选模型集合中剔除，从而更新目标预选模型集合以及更新目标预选模型结合中各预选模型的目标权重，以使得目标电池最终的预测形变值更接近于实际形变值。
在一实施例中，所述将所述剔除预选模型的归一化权重分配给更新后的目标预选模型集合中的其它预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值，包括：
基于更新后的目标预选模型集合中各预选模型的归一化权重，按照比例将所述剔除预选模型的归一化权重分配给所述更新后的目标预选模型中的预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值；
所述基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值，包括：
基于更新后的目标预选模型集合中各预选模型对应的目标权重值以及更新后的目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值。
需要说明的是，更新后的目标预选模型集合中不包括剔除预选模型。
在具体实现中，初始的目标预选模型集合包括A模型、B模型、C模型、D模型以及E模型，其中，A模型的归一化权重为0.3，B模型的归一化权重为0.15，C模型的归一化权重为0.2，D模型的归一化权重为0.2，E模型的归一化权重为0.15，经确定，剔除预选模型为D模型，那么更新后的目标预选模型集合包括A模型、B模型、C模型以及E模型，则可以将D模型的归一化权重按照0.3、0.15、0.2以及0.15的比例分配给A模型、B模型、C模型以及E模型。
本实施例通过随机确定各预选模型的初始权重；将所述目标预选模型集合中的任意两个预选模型进行重要性对比，确定任意两个预选模型的对比矩阵；为对比矩阵进行一致性校验，得到一致性对比结果，并基于所述一致性对比结果确定所述对比矩阵的目标对比矩阵；基于所述目标对比矩阵确定各预选模型的归一化权重；基于所述初始权重以及所述归一化权重，确定所述目标权重值。通过上述方式，为各预选模型分配最合适的目标权重值，从而使得目标电池的预测形变值更接近于实际形变值。
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锂离子电池形变的预测程序，所述锂离子电池形变的预测程序被处理器执行时实现如上文所述的锂离子电池形变的预测方法的步骤。
参照图7，图7为本发明锂离子电池形变的预测装置第一实施例的结构框图。
如图7所示，本发明实施例提出的锂离子电池形变的预测装置包括：
获取模块10，用于获取目标电池的历史形变数据。
输入模块20，用于将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型。
确定模块30，用于基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值。
检测模块40，用于在监测到所述预测形变值大于预设形变值时，进行预警。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例通过获取目标电池的历史形变数据；将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型；基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值；在监测到所述预测形变值大于预设形变值时，进行预警。通过上述方式，将稳定性强的数学方法模型与精度高的人工智能算法结合来预测锂离子电池的未来形变值，能够取长补短，发挥模型各自的优势，使得最终的预测形变值更接近于锂离子电池的实际形变值。
在一实施例中，所述确定模块30，还用于：
随机确定各预选模型的初始权重；
将所述目标预选模型集合中的任意两个预选模型进行重要性对比，确定任意两个预选模型的对比矩阵；
为对比矩阵进行一致性校验，得到一致性对比结果，并基于所述一致性对比结果确定所述对比矩阵的目标对比矩阵；
基于所述目标对比矩阵确定各预选模型的归一化权重；
基于所述初始权重以及所述归一化权重，确定所述目标权重值。
在一实施例中，所述确定模块30，还用于：
对所述对比矩阵进行一致性校验，得到一致性对比结果；
判断所述一致性对比结果是否小于预设对比阈值；
在判定所述一致性对比结果不小于预设对比阈值时，修正所述对比矩阵，得到修正对比矩阵，并将所述修正对比矩阵作为新的对比矩阵来修正所述对比矩阵，直至判定所述一致性对比结果小于预设对比阈值之后，将当前的对比矩阵作为目标对比矩阵。
在一实施例中，所述确定模块30，还用于：
基于所述初始权重、所述归一化权重以及所述形变预测结果，确定目标预选模型集合中各预选模型对应的加权形变值；
将目标预选模型集合中最小加权形变值对应的预选模型作为剔除预选模型，并将所述剔除预选模型从所述目标预选模型集合中剔除以更新所述目标预选模型集合；
将所述剔除预选模型的归一化权重分配给更新后的目标预选模型集合中的其它预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值。
在一实施例中，所述确定模块30，还用于：
基于更新后的目标预选模型集合中各预选模型的归一化权重，按照比例将所述剔除预选模型的归一化权重分配给所述更新后的目标预选模型中的预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值；
所述基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值，包括：
基于更新后的目标预选模型集合中各预选模型对应的目标权重值以及更新后的目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值。
在一实施例中，所述深度学习模型包括informer算法模型和CNN-LSTM深度算法模型；其中，所述确定模块30，还用于：
若所述预选模型为深度学习模型中的informer算法模型，则将所述预选模型配置为基于transformer网络，使用encoder和decoder对时间序列提取特征，以对所述历史形变数据进行拟合，得到所述预选模型对应的形变预测结果；
若所述预选模型为深度学习模型中的CNN-LSTM深度算法模型，则将所述预选模型配置为使用CNN-LSTM深度算法提取所述目标电池的特征，以对所述历史形变数据进行拟合，得到所述预选模型对应的形变预测结果。
在一实施例中，所述数学方法模型包括为线性拟合模型、时间序列预测模型、加权滑动平均模型以及回归拟合预测模型；其中，所述确定模块30，还用于：
若所述预选模型为数学方法模型中的线性拟合模型，则该预选模型的形变预测结果与所述目标电池的工作参数成线性相关；
若所述预选模型为数学方法模型中的时间序列预测模型，则该预选模型被配置为使用滑动窗口处理时间序列的均值，以获取该预选模型对应的形变预测结果；
若所述预选模型为数学方法模型中的加权滑动平均模型，则该预选模型被配置为在时间序列预测模型的基础上，加以权重来获取该预选模型对应的形变预测结果；
若所述预选模型为数学方法模型中的加回归拟合预测模型，当时间t趋向于无穷大时，采用回归拟合模型逼近实际数据序列来获取该预选模型对应的形变预测结果。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的锂离子电池形变的预测方法，此处不再赘述。
此外，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(Read Only Memory，ROM)/RAM、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，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)

1.一种锂离子电池形变的预测方法，其特征在于，所述锂离子电池形变的预测方法包括：
获取目标电池的历史形变数据；
将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型；
基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值；
在监测到所述预测形变值大于预设形变值时，进行预警。
2.如权利要求1所述的方法，其特征在于，在所述基于各预选模型对应的目标权重值以及所述形变预测结果，确定所述目标电池的预测形变值之前，还包括：
随机确定各预选模型的初始权重；
将所述目标预选模型集合中的任意两个预选模型进行重要性对比，确定任意两个预选模型的对比矩阵；
为对比矩阵进行一致性校验，得到一致性对比结果，并基于所述一致性对比结果确定所述对比矩阵的目标对比矩阵；
基于所述目标对比矩阵确定各预选模型的归一化权重；
基于所述初始权重以及所述归一化权重，确定所述目标权重值。
3.如权利要求2所述的方法，其特征在于，所述为对比矩阵进行一致性校验，得到一致性对比结果，并基于所述一致性对比结果确定所述对比矩阵的目标对比矩阵，包括：
S3031、对所述对比矩阵进行一致性校验，得到一致性对比结果；
S3032、判断所述一致性对比结果是否小于预设对比阈值；
S3033、在判定所述一致性对比结果不小于预设对比阈值时，修正所述对比矩阵，得到修正对比矩阵，并将所述修正对比矩阵作为新的对比矩阵来重复执行步骤S3031-S3033，直至判定所述一致性对比结果小于预设对比阈值之后，将当前的对比矩阵作为目标对比矩阵。
4.如权利要求2所述的方法，其特征在于，所述基于所述初始权重以及所述归一化权重，确定所述目标权重值，包括：
基于所述初始权重、所述归一化权重以及所述形变预测结果，确定目标预选模型集合中各预选模型对应的加权形变值；
将目标预选模型集合中最小加权形变值对应的预选模型作为剔除预选模型，并将所述剔除预选模型从所述目标预选模型集合中剔除以更新所述目标预选模型集合；
将所述剔除预选模型的归一化权重分配给更新后的目标预选模型集合中的其它预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值。
5.如权利要求4所述的方法，其特征在于，所述将所述剔除预选模型的归一化权重分配给更新后的目标预选模型集合中的其它预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值，包括：
基于更新后的目标预选模型集合中各预选模型的归一化权重，按照比例将所述剔除预选模型的归一化权重分配给所述更新后的目标预选模型中的预选模型，得到更新后的目标预选模型集合中各预选模型对应的目标权重值；
所述基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值，包括：
基于更新后的目标预选模型集合中各预选模型对应的目标权重值以及更新后的目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值。
6.如权利要求1所述的方法，其特征在于，所述深度学习模型包括informer算法模型和CNN-LSTM深度算法模型；其中，
所述将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，包括：
若所述预选模型为深度学习模型中的informer算法模型，则将所述预选模型配置为基于transformer网络，使用encoder和decoder对时间序列提取特征，以对所述历史形变数据进行拟合，得到所述预选模型对应的形变预测结果；
若所述预选模型为深度学习模型中的CNN-LSTM深度算法模型，则将所述预选模型配置为使用CNN-LSTM深度算法提取所述目标电池的特征，以对所述历史形变数据进行拟合，得到所述预选模型对应的形变预测结果。
7.如权利要求1所述的方法，其特征在于，所述数学方法模型包括为线性拟合模型、时间序列预测模型、加权滑动平均模型以及回归拟合预测模型；其中，
所述将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，包括：
若所述预选模型为数学方法模型中的线性拟合模型，则该预选模型的形变预测结果与所述目标电池的工作参数成线性相关；
若所述预选模型为数学方法模型中的时间序列预测模型，则该预选模型被配置为使用滑动窗口处理时间序列的均值，以获取该预选模型对应的形变预测结果；
若所述预选模型为数学方法模型中的加权滑动平均模型，则该预选模型被配置为在时间序列预测模型的基础上，加以权重来获取该预选模型对应的形变预测结果；
若所述预选模型为数学方法模型中的加回归拟合预测模型，当时间t趋向于无穷大时，采用回归拟合模型逼近实际数据序列来获取该预选模型对应的形变预测结果。
8.一种锂离子电池形变的预测装置，其特征在于，所述锂离子电池形变的预测装置包括：
获取模块，用于获取目标电池的历史形变数据；
输入模块，用于将所述历史形变数据输入到目标预选模型集合的各预选模型中，得到各预选模型对应的形变预测结果，其中，预选模型包括数学方法模型、机器学习模型以及深度学习模型；
确定模块，用于基于所述目标预选模型集合中各预选模型对应的目标权重值以及所述目标预选模型集合中各预选模型对应的形变预测结果，确定所述目标电池的预测形变值；
检测模块，用于在监测到所述预测形变值大于预设形变值时，进行预警。
9.一种锂离子电池形变的预测设备，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锂离子电池形变的预测程序，所述锂离子电池形变的预测程序配置为实现如权利要求1至7中任一项所述的锂离子电池形变的预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有锂离子电池形变的预测程序，所述锂离子电池形变的预测程序被处理器执行时实现如权利要求1至7任一项所述的锂离子电池形变的预测方法的步骤。
CN202310362607.3A 2023-04-06 2023-04-06 锂离子电池形变的预测方法、装置、设备及存储介质 Pending CN116611010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310362607.3A CN116611010A (zh) 2023-04-06 2023-04-06 锂离子电池形变的预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310362607.3A CN116611010A (zh) 2023-04-06 2023-04-06 锂离子电池形变的预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116611010A true CN116611010A (zh) 2023-08-18

Family

ID=87680730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310362607.3A Pending CN116611010A (zh) 2023-04-06 2023-04-06 锂离子电池形变的预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116611010A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190056456A1 (en) * 2016-03-15 2019-02-21 Toyo Tire & Rubber Co., Ltd. Sealed secondary battery remaining capacity prediction method, remaining capacity prediction system, battery internal information acquisition method, and battery control method
CN111105403A (zh) * 2019-12-24 2020-05-05 汕头大学 一种基于形变特征预测电池碰撞后SoH的方法
US20200158596A1 (en) * 2017-01-24 2020-05-21 Lg Chem, Ltd. Apparatus for predicting deformation of battery module
CN114924203A (zh) * 2022-05-24 2022-08-19 上海电享信息科技有限公司 一种电池soh预测分析方法及电动汽车
CN115792637A (zh) * 2022-12-09 2023-03-14 杭州电子科技大学 一种锂电池健康状态估算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190056456A1 (en) * 2016-03-15 2019-02-21 Toyo Tire & Rubber Co., Ltd. Sealed secondary battery remaining capacity prediction method, remaining capacity prediction system, battery internal information acquisition method, and battery control method
US20200158596A1 (en) * 2017-01-24 2020-05-21 Lg Chem, Ltd. Apparatus for predicting deformation of battery module
CN111105403A (zh) * 2019-12-24 2020-05-05 汕头大学 一种基于形变特征预测电池碰撞后SoH的方法
CN114924203A (zh) * 2022-05-24 2022-08-19 上海电享信息科技有限公司 一种电池soh预测分析方法及电动汽车
CN115792637A (zh) * 2022-12-09 2023-03-14 杭州电子科技大学 一种锂电池健康状态估算方法

Similar Documents

Publication Publication Date Title
CN109302719B (zh) 一种lte小区容量预测分析方法及装置
CN110276369B (zh) 基于机器学习的特征选择方法、装置、设备及存储介质
CN110827924B (zh) 基因表达数据的聚类方法、装置、计算机设备及存储介质
CN109768340B (zh) 一种电池放电过程电压不一致性估计方法及装置
CN110727943B (zh) 一种入侵检测方法及装置
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
CN112766402A (zh) 算法选择方法、装置和电子设备
CN117035374B (zh) 一种应对突发事件的兵力协同调度方法、系统及介质
CN114446019A (zh) 告警信息处理方法、装置、设备、存储介质和产品
CN117176611B (zh) 一种分布式通信库的性能测试方法、系统及介质
CN118093183A (zh) 算力资源分配方法、装置、设备、存储介质及产品
CN116611010A (zh) 锂离子电池形变的预测方法、装置、设备及存储介质
CN116362348A (zh) 参数优化方法以及装置
CN114124456B (zh) 综合能源系统安全检测方法、装置、电子设备及存储介质
CN115423201A (zh) 发电量数据预测方法、装置、设备及计算机可读存储介质
CN115935284A (zh) 电网异常电压检测方法、装置、设备及存储介质
CN111582430A (zh) 基于萤火虫算法的参数优化方法、装置、设备及存储介质
CN114693066A (zh) 地震危险性分析方法、装置、设备及存储介质
CN113222370A (zh) 电力系统风险预警方法、装置、设备及存储介质
CN117723999B (zh) 电池使用寿命预测方法、装置、设备及存储介质
CN113407950B (zh) 一种风险评估方法及装置
CN114996536B (zh) 维修方案查询方法、装置、设备及计算机可读存储介质
CN117991118A (zh) 异常电芯检测方法、装置、设备及存储介质
CN117609039A (zh) 策略评估方法、装置、终端设备以及存储介质
CN116308715A (zh) 信用评价模型的获取方法、用户信用评估的方法和装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: 401120 No.107 dataguzhong Road, Xiantao street, Yubei District, Chongqing

Applicant after: Chongqing Gengchen Energy Technology Co.,Ltd.

Address before: 401120 No.107 dataguzhong Road, Xiantao street, Yubei District, Chongqing

Applicant before: Chongqing Three Gorges Times Energy Technology Co.,Ltd.

Country or region before: China