CN116626504A - 动力电池性能确定方法、装置、计算机设备和存储介质 - Google Patents
动力电池性能确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116626504A CN116626504A CN202310705600.7A CN202310705600A CN116626504A CN 116626504 A CN116626504 A CN 116626504A CN 202310705600 A CN202310705600 A CN 202310705600A CN 116626504 A CN116626504 A CN 116626504A
- Authority
- CN
- China
- Prior art keywords
- performance
- target
- power battery
- determining
- logistic regression
- 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 65
- 238000007477 logistic regression Methods 0.000 claims abstract description 105
- 238000012360 testing method Methods 0.000 claims description 58
- 238000011156 evaluation Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000002459 sustained effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种动力电池性能确定方法、装置、计算机设备和存储介质。所述方法包括:确定目标动力电池的实际电池类型,基于所述实际电池类型确定相应的训练完毕的逻辑回归模型;获取所述目标动力电池的性能参数,将所述性能参数输入相应的训练完毕的逻辑回归模型中,输出所述目标动力电池的可用与否概率值;利用所述可用与否概率值计算所述目标动力电池的性能得分,基于所述性能得分确定所述目标动力电池的性能。采用本方法能够提高动力电池性能确定的精确度。
Description
技术领域
本申请涉及动力电池对标评价技术领域,特别是涉及一种动力电池性能确定方法、装置、计算机设备和存储介质。
背景技术
根据动力电池的性能参数对不同的动力电池进行对标评价,对于整车厂与电池厂都是一项重要工作。电池厂可以通过对动力电池的对标评价判断自己与竞争对手设计电芯的优劣,整车厂则可以根据对标评价结果从大量动力电池中来挑选最佳动力电池来适配整车。
但动力电池的性能参数种类繁多,且不同厂商、不同规格的动力电池各方面性能参数往往各有优劣,这对评价不同动力电池的相对好坏造成了很大的困难。传统技术中往往是基于电池工程师自身的经验进行动力电池性能确定的,会导致不客观、评价好坏的精确度低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高动力电池性能确定精确度的动力电池性能确定方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种动力电池性能确定方法。所述方法包括:
确定目标动力电池的实际电池类型,基于所述实际电池类型确定相应的训练完毕的逻辑回归模型;
获取所述目标动力电池的性能参数,将所述性能参数输入相应的训练完毕的逻辑回归模型中,输出所述目标动力电池的可用与否概率值;
利用所述可用与否概率值计算所述目标动力电池的性能得分,基于所述性能得分确定所述目标动力电池的性能。
在其中一个实施例中,所述性能参数包括峰值充电倍率、峰值放电倍率、快充倍率、持续放电倍率和目标摄氏度循环圈数。
在其中一个实施例中,所述获取所述目标动力电池的性能参数,包括:
在所述目标动力电池的荷电状态为预设值且持续预设时长的情况下,获取所述目标动力电池的初始峰值充电倍率和初始峰值放电倍率;
对所述初始峰值充电倍率、所述初始峰值放电倍率、初始快充倍率和初始持续放电倍率进行归一化处理,得到峰值充电倍率、峰值放电倍率、快充倍率和持续放电倍率;
对初始目标摄氏度循环圈数进行分箱,利用证据权重法计算每一分箱的权重值,将所述权重值作为相应分箱的目标摄氏度循环圈数。
在其中一个实施例中,所述相应的训练完毕的逻辑回归模型的训练过程,包括:
获取目标电池类型下的不同动力电池相应的历史性能参数,利用可用标记或者不可用标记对所述历史性能参数进行标记,其中,所述目标电池类型包括能量型电池和功率型电池,所述可用标记和所述不可用标记是基于不同动力电池确定的;
利用所述历史性能参数和相应的标记构建训练集和测试集,通过所述训练集和预设损失函数对初始逻辑回归模型进行训练,得到训练后的逻辑回归模型;
利用所述测试集对所述训练后的逻辑回归模型进行测试,得到测试结果;
利用模型评价指标参数对所述测试结果进行评价,若评价通过则得到与所述目标电池类型对应的训练完毕的逻辑回归模型;
若评价不通过则利用模型优化参数对所述训练后的逻辑回归模型进行更新,得到更新后的逻辑回归模型,重新利用所述测试集对所述更新后的逻辑回归模型进行测试。
在其中一个实施例中,所述模型评价指标参数包括精确率、召回率、F1-score或者Roc曲线中的至少一项;所述模型优化参数包括正则化惩罚系数、学习率或者迭代次数中的至少一项。
在其中一个实施例中,所述利用所述可用与否概率值计算所述目标动力电池的性能得分,包括:
基于所述可用与否概率值确定好坏比值;
在所述好坏比值为1的情况下,确定第一目标值,在所述好坏比值每增加一倍的情况下,确定第二目标值;
利用所述第一目标值、所述第二目标值和所述好坏比值确定所述目标动力电池的性能得分。
第二方面,本申请还提供了一种动力电池性能确定装置。所述装置包括:
模型确定模块,用于确定目标动力电池的实际电池类型,基于所述实际电池类型确定相应的训练完毕的逻辑回归模型;
模型输出模块,用于获取所述目标动力电池的性能参数,将所述性能参数输入相应的训练完毕的逻辑回归模型中,输出所述目标动力电池的可用与否概率值;
性能确定模块,用于利用所述可用与否概率值计算所述目标动力电池的性能得分,基于所述性能得分确定所述目标动力电池的性能。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一方法的步骤。
上述动力电池性能确定方法、装置、计算机设备和存储介质,通过确定目标动力电池的实际电池类型,基于实际电池类型确定相应的训练完毕的逻辑回归模型,获取目标动力电池的性能参数,将性能参数输入相应的训练完毕的逻辑回归模型中,输出目标动力电池的可用与否概率值,利用可用与否概率值计算目标动力电池的性能得分,基于性能得分确定目标动力电池的性能。相比于传统技术中通过电池工程师进行动力电池性能确定导致的精确度低的问题而言,本申请通过目标动力电池的实际电池类型,确定相应的训练完毕的逻辑回归模型,针对不同类型的动力电池会对应不同的训练完毕的逻辑回归模型,保证了准确性,将目标动力电池的性能参数输入至相应的训练完毕的逻辑回归模型中,利用输出的可用与否概率值计算目标动力电池的性能得分,从而确定目标动力电池的性能,制定统一的性能得分计算标准,进一步保证了动力电池性能确定的精确度。
附图说明
图1为本申请实施例中提供的动力电池性能确定方法的流程示意图;
图2为一个实施例中获取目标动力电池的性能参数的流程示意图;
图3为一个实施例中相应的训练完毕的逻辑回归模型的训练过程的流程示意图;
图4为一个实施例中利用可用与否概率值计算目标动力电池的性能得分的流程示意图;
图5为本申请实施例中提供的一种动力电池性能确定装置的结构框图;
图6为本申请实施例中提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本实施例中,提供了一种动力电池性能确定方法,本实施例以该方法应用于计算机设备进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括计算机设备和服务器的系统,并通过计算机设备和服务器交互实现。
图1为本申请实施例中提供的动力电池性能确定方法的流程示意图,该方法应用于计算机设备中,在一个实施例中,如图1所示,包括以下步骤:
S101,确定目标动力电池的实际电池类型,基于实际电池类型确定相应的训练完毕的逻辑回归模型。
其中,目标动力电池为待进行动力电池性能确定的电池。实际电池类型为目标动力电池所属的电池类型。实际电池类型为能量型电池或者功率型电池。逻辑回归模型为类别为“1”和“0”的二分类模型。
S102,获取目标动力电池的性能参数,将性能参数输入相应的训练完毕的逻辑回归模型中,输出目标动力电池的可用与否概率值。
其中,性能参数包括能量密度、持续放电倍率、快充倍率、峰值充电倍率、峰值放电倍率、45摄氏度容量保持率、零下20摄氏度容量保持率、直流充电内阻、直流放电内阻、45摄氏度30d容量保持率或者目标摄氏度循环圈数中的至少一项。
可用与否概率值为其中,p为类别为“1”时可采用的概率,x为输入的性能参数的向量,θ为回归式参数的向量,θT为θ的转置。
S103,利用可用与否概率值计算目标动力电池的性能得分,基于性能得分确定目标动力电池的性能。
本实施例提供的动力电池性能确定方法,通过确定目标动力电池的实际电池类型,基于实际电池类型确定相应的训练完毕的逻辑回归模型,获取目标动力电池的性能参数,将性能参数输入相应的训练完毕的逻辑回归模型中,输出目标动力电池的可用与否概率值,利用可用与否概率值计算目标动力电池的性能得分,基于性能得分确定目标动力电池的性能。相比于传统技术中通过电池工程师进行动力电池性能确定导致的精确度低的问题而言,本实施例通过目标动力电池的实际电池类型,确定相应的训练完毕的逻辑回归模型,针对不同类型的动力电池会对应不同的训练完毕的逻辑回归模型,保证了准确性,将目标动力电池的性能参数输入至相应的训练完毕的逻辑回归模型中,利用输出的可用与否概率值计算目标动力电池的性能得分,从而确定目标动力电池的性能,制定统一的性能得分计算标准,进一步保证了动力电池性能确定的精确度。
在一个实施例中,性能参数包括峰值充电倍率、峰值放电倍率、快充倍率、持续放电倍率和目标摄氏度循环圈数。
其中,目标摄氏度循环圈数包括25摄氏度循环圈数和45摄氏度循环圈数。
在本实施例中,选择尽可能多的性能参数,能够保证模型训练的准确性。
在一个实施例中,获取目标动力电池的性能参数的流程示意图,如图2所示,包括以下内容:
S201,在目标动力电池的荷电状态为预设值且持续预设时长的情况下,获取目标动力电池的初始峰值充电倍率和初始峰值放电倍率。
其中,预设值和预设时长提前设定,例如设定预设值为50%、预设时长为10秒。
S202,对初始峰值充电倍率、初始峰值放电倍率、初始快充倍率和初始持续放电倍率进行归一化处理,得到峰值充电倍率、峰值放电倍率、快充倍率和持续放电倍率。
通过归一化处理公式对初始峰值充电倍率、初始峰值放电倍率、初始快充倍率和初始持续放电倍率进行归一化处理,归一化处理公式为
其中,xi为初始峰值充电倍率、初始峰值放电倍率、初始快充倍率或者初始持续放电倍率,为初始峰值充电倍率、初始峰值放电倍率、初始快充倍率或者初始持续放电倍率中的最小值,/>为初始峰值充电倍率、初始峰值放电倍率、初始快充倍率或者初始持续放电倍率中的最大值,xi'为峰值充电倍率、峰值放电倍率、快充倍率和持续放电倍率,构成输入的性能参数的向量x。
S203,对初始目标摄氏度循环圈数进行分箱,利用证据权重法计算每一分箱的权重值,将权重值作为相应分箱的目标摄氏度循环圈数。
在一些实施例中,对初始目标摄氏度循环圈数进行分箱,利用证据权重法计算每一分箱的权重值的方式为将初始目标摄氏度循环圈数每500圈分为一箱,利用WOE公式计算得到每一分箱的权重值,WOE公式为
其中,WOEn为第n分箱的权重值,Badn为第n分箱内类别为“0”的个数,BadT为全部的类别为“0”的个数,Goodn为第n分箱内类别为“1”的个数,GoodT为全部的类别为“1”的个数。
目标摄氏度循环圈数构成输入的性能参数的向量x。
在本实施例中,对各初始性能参数进行处理,得到目标动力电池的性能参数,能够保证获取到的性能参数可用于模型,且能够帮助提升模型的准确度。
在一个实施例中,相应的训练完毕的逻辑回归模型的训练过程的流程示意图,如图3所示,包括以下内容:
S301,获取目标电池类型下的不同动力电池相应的历史性能参数,利用可用标记或者不可用标记对历史性能参数进行标记,其中,目标电池类型包括能量型电池和功率型电池,可用标记和不可用标记是基于不同动力电池确定的。
对已采用装车或决定应用的动力电池标记上可用标记为“1”,对不考虑进行实际应用的动力电池标记上不可用标记为“0”。
不同目标电池类型对应不同的逻辑回归模型。
S302,利用历史性能参数和相应的标记构建训练集和测试集,通过训练集和预设损失函数对初始逻辑回归模型进行训练,得到训练后的逻辑回归模型。
其中,预设损失函数可采用最大似然损失函数,通过梯度下降法对最大似然损失函数进行优化。初始逻辑回归模型中加入L1正则化项,能够防止模型过拟合。
S303,利用测试集对训练后的逻辑回归模型进行测试,得到测试结果。
S304,利用模型评价指标参数对测试结果进行评价,若评价通过则得到与目标电池类型对应的训练完毕的逻辑回归模型。
S305,若评价不通过则利用模型优化参数对训练后的逻辑回归模型进行更新,得到更新后的逻辑回归模型,重新利用测试集对更新后的逻辑回归模型进行测试。
在本实施例中,对初始逻辑回归模型进行训练和测试,得到训练完毕的逻辑回归模型,能够保证模型的准确性,并且针对不同目标电池类型的动力电池分别训练模型,进一步保证模型使用过程中的准确性。
在一个实施例中,模型评价指标参数包括精确率、召回率、F1-score或者Roc曲线中的至少一项;模型优化参数包括正则化惩罚系数、学习率或者迭代次数中的至少一项。
在本实施例中,使用模型评价指标参数和模型优化参数,能够得到精确度较高的模型。
在一个实施例中,利用可用与否概率值计算目标动力电池的性能得分的流程示意图,如图4所示,包括以下内容:
S401,基于可用与否概率值确定好坏比值。
具体的,好坏比值为p为可用与否概率值。
S402,在好坏比值为1的情况下,确定第一目标值,在好坏比值每增加一倍的情况下,确定第二目标值。
S403,利用第一目标值、第二目标值和好坏比值确定目标动力电池的性能得分。
在一些实施例中,利用第一目标值、第二目标值和好坏比值确定目标动力电池的性能得分的方式为Score=A-B×log(odds),其中,Score为性能得分,A为第一目标值,B为第二目标值,odds为好坏比值。可通过设置第一目标值和第二目标值将性能得分限制在0至100分。
在本实施例中,利用可用与否概率值计算目标动力电池的性能得分的方式,能够实现对动力电池的对标量化评价,相比于传统技术中通过电池工程师进行动力电池性能确定导致的精确度低的问题而言,这种方式更加严谨和细化。
在这里,以一具体实施例的方式对本申请提供的动力电池性能确定方法进行说明。
首先,获取目标电池类型为能量型电池和功率型电池相应的训练完毕的逻辑回归模型。
具体的,获取目标电池类型下的不同动力电池相应的历史性能参数,历史性能参数包括能量密度、持续放电倍率、快充倍率、峰值充电倍率、峰值放电倍率、45摄氏度容量保持率、零下20摄氏度容量保持率、直流充电内阻、直流放电内阻、45摄氏度30d容量保持率、25摄氏度循环圈数和45摄氏度循环圈数,利用可用标记1或者不可用标记0对历史性能参数进行标记,利用历史性能参数和相应的标记构建训练集和测试集,训练集和测试集的比例为8:2,通过训练集和最大似然损失函数对加入L1正则化项的初始逻辑回归模型进行训练,通过梯度下降法对最大似然损失函数进行优化,得到训练后的逻辑回归模型,利用测试集对训练后的逻辑回归模型进行测试,得到测试结果,利用精确率、召回率、F1-score或者Roc曲线对测试结果进行评价,若评价通过则得到与目标电池类型对应的训练完毕的逻辑回归模型,若评价不通过则利用正则化惩罚系数、学习率或者迭代次数对训练后的逻辑回归模型进行更新,得到更新后的逻辑回归模型,重新利用测试集对更新后的逻辑回归模型进行测试,直至得到相应的训练完毕的逻辑回归模型。
该动力电池性能确定方法的应用过程包括:
确定目标动力电池的实际电池类型,基于实际电池类型确定相应的训练完毕的逻辑回归模型。
获取目标动力电池的性能参数,具体的,在目标动力电池的荷电状态为预设值且持续预设时长的情况下,获取目标动力电池的初始峰值充电倍率和初始峰值放电倍率,对初始峰值充电倍率、初始峰值放电倍率、初始快充倍率和初始持续放电倍率进行归一化处理,得到峰值充电倍率、峰值放电倍率、快充倍率和持续放电倍率,对初始目标摄氏度循环圈数进行分箱,利用证据权重法计算每一分箱的权重值,将权重值作为相应分箱的目标摄氏度循环圈数。
将性能参数输入相应的训练完毕的逻辑回归模型中,输出目标动力电池的可用与否概率值,基于可用与否概率值确定好坏比值,在好坏比值为1的情况下,确定第一目标值50,在好坏比值每增加一倍的情况下,确定第二目标值10,利用第一目标值、第二目标值和好坏比值确定目标动力电池的性能得分,基于性能得分确定目标动力电池的性能。
本实施例提供的动力电池性能确定方法,是能够量化评价动力电池好坏的方法,做到了更加严谨和细化,从动力电池的基本性能参数中,利用逻辑回归模型进行深入的特征挖掘,并且预先对的动力电池性能参数进行预处理,以便于更好的进行模型训练,还将性能得分设定在0至100分,更好地进行动力电池的对标评价。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的动力电池性能确定方法的动力电池性能确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个动力电池性能确定装置实施例中的具体限定可以参见上文中对于动力电池性能确定方法的限定,在此不再赘述。
参见图5,图5为本申请实施例中提供的一种动力电池性能确定装置的结构框图,该装置500包括:模型确定模块501、模型输出模块502和性能确定模块503,其中:
模型确定模块501,用于确定目标动力电池的实际电池类型,基于实际电池类型确定相应的训练完毕的逻辑回归模型;
模型输出模块502,用于获取目标动力电池的性能参数,将性能参数输入相应的训练完毕的逻辑回归模型中,输出目标动力电池的可用与否概率值;
性能确定模块503,用于利用可用与否概率值计算目标动力电池的性能得分,基于性能得分确定目标动力电池的性能。
本实施例提供的动力电池性能确定装置,通过确定目标动力电池的实际电池类型,基于实际电池类型确定相应的训练完毕的逻辑回归模型,获取目标动力电池的性能参数,将性能参数输入相应的训练完毕的逻辑回归模型中,输出目标动力电池的可用与否概率值,利用可用与否概率值计算目标动力电池的性能得分,基于性能得分确定目标动力电池的性能。相比于传统技术中通过电池工程师进行动力电池性能确定导致的精确度低的问题而言,本实施例通过目标动力电池的实际电池类型,确定相应的训练完毕的逻辑回归模型,针对不同类型的动力电池会对应不同的训练完毕的逻辑回归模型,保证了准确性,将目标动力电池的性能参数输入至相应的训练完毕的逻辑回归模型中,利用输出的可用与否概率值计算目标动力电池的性能得分,从而确定目标动力电池的性能,制定统一的性能得分计算标准,进一步保证了动力电池性能确定的精确度。
可选的,性能参数包括峰值充电倍率、峰值放电倍率、快充倍率、持续放电倍率和目标摄氏度循环圈数。
可选的,模型输出模块502包括:
倍率获取单元,用于在目标动力电池的荷电状态为预设值且持续预设时长的情况下,获取目标动力电池的初始峰值充电倍率和初始峰值放电倍率;
归一化处理单元,用于对初始峰值充电倍率、初始峰值放电倍率、初始快充倍率和初始持续放电倍率进行归一化处理,得到峰值充电倍率、峰值放电倍率、快充倍率和持续放电倍率;
循环圈数获取单元,用于对初始目标摄氏度循环圈数进行分箱,利用证据权重法计算每一分箱的权重值,将权重值作为相应分箱的目标摄氏度循环圈数。
可选的,该装置500还包括:
历史参数获取模块,用于获取目标电池类型下的不同动力电池相应的历史性能参数,利用可用标记或者不可用标记对历史性能参数进行标记,其中,目标电池类型包括能量型电池和功率型电池,可用标记和不可用标记是基于不同动力电池确定的;
模型训练模块,用于利用历史性能参数和相应的标记构建训练集和测试集,通过训练集和预设损失函数对初始逻辑回归模型进行训练,得到训练后的逻辑回归模型;
模型测试模块,用于利用测试集对训练后的逻辑回归模型进行测试,得到测试结果;
模型评价模块,用于利用模型评价指标参数对测试结果进行评价,若评价通过则得到与目标电池类型对应的训练完毕的逻辑回归模型;
模型更新模块,用于若评价不通过则利用模型优化参数对训练后的逻辑回归模型进行更新,得到更新后的逻辑回归模型,重新利用测试集对更新后的逻辑回归模型进行测试。
可选的,模型评价指标参数包括精确率、召回率、F1-score或者Roc曲线中的至少一项;模型优化参数包括正则化惩罚系数、学习率或者迭代次数中的至少一项。
可选的,性能确定模块503包括:
好坏比值确定单元,用于基于可用与否概率值确定好坏比值;
目标值确定单元,用于在好坏比值为1的情况下,确定第一目标值,在好坏比值每增加一倍的情况下,确定第二目标值;
得分确定单元,用于利用第一目标值、第二目标值和好坏比值确定目标动力电池的性能得分。
上述动力电池性能确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种动力电池性能确定方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述实施例提供的动力电池性能确定方法的步骤:
确定目标动力电池的实际电池类型,基于实际电池类型确定相应的训练完毕的逻辑回归模型;
获取目标动力电池的性能参数,将性能参数输入相应的训练完毕的逻辑回归模型中,输出目标动力电池的可用与否概率值;
利用可用与否概率值计算目标动力电池的性能得分,基于性能得分确定目标动力电池的性能。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
性能参数包括峰值充电倍率、峰值放电倍率、快充倍率、持续放电倍率和目标摄氏度循环圈数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在目标动力电池的荷电状态为预设值且持续预设时长的情况下,获取目标动力电池的初始峰值充电倍率和初始峰值放电倍率;
对初始峰值充电倍率、初始峰值放电倍率、初始快充倍率和初始持续放电倍率进行归一化处理,得到峰值充电倍率、峰值放电倍率、快充倍率和持续放电倍率;
对初始目标摄氏度循环圈数进行分箱,利用证据权重法计算每一分箱的权重值,将权重值作为相应分箱的目标摄氏度循环圈数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取目标电池类型下的不同动力电池相应的历史性能参数,利用可用标记或者不可用标记对历史性能参数进行标记,其中,目标电池类型包括能量型电池和功率型电池,可用标记和不可用标记是基于不同动力电池确定的;
利用历史性能参数和相应的标记构建训练集和测试集,通过训练集和预设损失函数对初始逻辑回归模型进行训练,得到训练后的逻辑回归模型;
利用测试集对训练后的逻辑回归模型进行测试,得到测试结果;
利用模型评价指标参数对测试结果进行评价,若评价通过则得到与目标电池类型对应的训练完毕的逻辑回归模型;
若评价不通过则利用模型优化参数对训练后的逻辑回归模型进行更新,得到更新后的逻辑回归模型,重新利用测试集对更新后的逻辑回归模型进行测试。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
模型评价指标参数包括精确率、召回率、F1-score或者Roc曲线中的至少一项;模型优化参数包括正则化惩罚系数、学习率或者迭代次数中的至少一项。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于可用与否概率值确定好坏比值;
在好坏比值为1的情况下,确定第一目标值,在好坏比值每增加一倍的情况下,确定第二目标值;
利用第一目标值、第二目标值和好坏比值确定目标动力电池的性能得分。
上述实施例的实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例提供的动力电池性能确定方法的步骤:
确定目标动力电池的实际电池类型,基于实际电池类型确定相应的训练完毕的逻辑回归模型;
获取目标动力电池的性能参数,将性能参数输入相应的训练完毕的逻辑回归模型中,输出目标动力电池的可用与否概率值;
利用可用与否概率值计算目标动力电池的性能得分,基于性能得分确定目标动力电池的性能。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
性能参数包括峰值充电倍率、峰值放电倍率、快充倍率、持续放电倍率和目标摄氏度循环圈数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在目标动力电池的荷电状态为预设值且持续预设时长的情况下,获取目标动力电池的初始峰值充电倍率和初始峰值放电倍率;
对初始峰值充电倍率、初始峰值放电倍率、初始快充倍率和初始持续放电倍率进行归一化处理,得到峰值充电倍率、峰值放电倍率、快充倍率和持续放电倍率;
对初始目标摄氏度循环圈数进行分箱,利用证据权重法计算每一分箱的权重值,将权重值作为相应分箱的目标摄氏度循环圈数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取目标电池类型下的不同动力电池相应的历史性能参数,利用可用标记或者不可用标记对历史性能参数进行标记,其中,目标电池类型包括能量型电池和功率型电池,可用标记和不可用标记是基于不同动力电池确定的;
利用历史性能参数和相应的标记构建训练集和测试集,通过训练集和预设损失函数对初始逻辑回归模型进行训练,得到训练后的逻辑回归模型;
利用测试集对训练后的逻辑回归模型进行测试,得到测试结果;
利用模型评价指标参数对测试结果进行评价,若评价通过则得到与目标电池类型对应的训练完毕的逻辑回归模型;
若评价不通过则利用模型优化参数对训练后的逻辑回归模型进行更新,得到更新后的逻辑回归模型,重新利用测试集对更新后的逻辑回归模型进行测试。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
模型评价指标参数包括精确率、召回率、F1-score或者Roc曲线中的至少一项;模型优化参数包括正则化惩罚系数、学习率或者迭代次数中的至少一项。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于可用与否概率值确定好坏比值;
在好坏比值为1的情况下,确定第一目标值,在好坏比值每增加一倍的情况下,确定第二目标值;
利用第一目标值、第二目标值和好坏比值确定目标动力电池的性能得分。
上述实施例的实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述实施例提供的动力电池性能确定方法的步骤:
确定目标动力电池的实际电池类型,基于实际电池类型确定相应的训练完毕的逻辑回归模型;
获取目标动力电池的性能参数,将性能参数输入相应的训练完毕的逻辑回归模型中,输出目标动力电池的可用与否概率值;
利用可用与否概率值计算目标动力电池的性能得分,基于性能得分确定目标动力电池的性能。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
性能参数包括峰值充电倍率、峰值放电倍率、快充倍率、持续放电倍率和目标摄氏度循环圈数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在目标动力电池的荷电状态为预设值且持续预设时长的情况下,获取目标动力电池的初始峰值充电倍率和初始峰值放电倍率;
对初始峰值充电倍率、初始峰值放电倍率、初始快充倍率和初始持续放电倍率进行归一化处理,得到峰值充电倍率、峰值放电倍率、快充倍率和持续放电倍率;
对初始目标摄氏度循环圈数进行分箱,利用证据权重法计算每一分箱的权重值,将权重值作为相应分箱的目标摄氏度循环圈数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取目标电池类型下的不同动力电池相应的历史性能参数,利用可用标记或者不可用标记对历史性能参数进行标记,其中,目标电池类型包括能量型电池和功率型电池,可用标记和不可用标记是基于不同动力电池确定的;
利用历史性能参数和相应的标记构建训练集和测试集,通过训练集和预设损失函数对初始逻辑回归模型进行训练,得到训练后的逻辑回归模型;
利用测试集对训练后的逻辑回归模型进行测试,得到测试结果;
利用模型评价指标参数对测试结果进行评价,若评价通过则得到与目标电池类型对应的训练完毕的逻辑回归模型;
若评价不通过则利用模型优化参数对训练后的逻辑回归模型进行更新,得到更新后的逻辑回归模型,重新利用测试集对更新后的逻辑回归模型进行测试。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
模型评价指标参数包括精确率、召回率、F1-score或者Roc曲线中的至少一项;模型优化参数包括正则化惩罚系数、学习率或者迭代次数中的至少一项。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于可用与否概率值确定好坏比值;
在好坏比值为1的情况下,确定第一目标值,在好坏比值每增加一倍的情况下,确定第二目标值;
利用第一目标值、第二目标值和好坏比值确定目标动力电池的性能得分。
上述实施例的实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种动力电池性能确定方法,其特征在于,所述方法包括:
确定目标动力电池的实际电池类型,基于所述实际电池类型确定相应的训练完毕的逻辑回归模型;
获取所述目标动力电池的性能参数,将所述性能参数输入相应的训练完毕的逻辑回归模型中,输出所述目标动力电池的可用与否概率值;
利用所述可用与否概率值计算所述目标动力电池的性能得分,基于所述性能得分确定所述目标动力电池的性能。
2.根据权利要求1所述的方法,其特征在于,所述性能参数包括峰值充电倍率、峰值放电倍率、快充倍率、持续放电倍率和目标摄氏度循环圈数。
3.根据权利要求2所述的方法,其特征在于,所述获取所述目标动力电池的性能参数,包括:
在所述目标动力电池的荷电状态为预设值且持续预设时长的情况下,获取所述目标动力电池的初始峰值充电倍率和初始峰值放电倍率;
对所述初始峰值充电倍率、所述初始峰值放电倍率、初始快充倍率和初始持续放电倍率进行归一化处理,得到峰值充电倍率、峰值放电倍率、快充倍率和持续放电倍率;
对初始目标摄氏度循环圈数进行分箱,利用证据权重法计算每一分箱的权重值,将所述权重值作为相应分箱的目标摄氏度循环圈数。
4.根据权利要求1所述的方法,其特征在于,所述相应的训练完毕的逻辑回归模型的训练过程,包括:
获取目标电池类型下的不同动力电池相应的历史性能参数,利用可用标记或者不可用标记对所述历史性能参数进行标记,其中,所述目标电池类型包括能量型电池和功率型电池,所述可用标记和所述不可用标记是基于不同动力电池确定的;
利用所述历史性能参数和相应的标记构建训练集和测试集,通过所述训练集和预设损失函数对初始逻辑回归模型进行训练,得到训练后的逻辑回归模型;
利用所述测试集对所述训练后的逻辑回归模型进行测试,得到测试结果;
利用模型评价指标参数对所述测试结果进行评价,若评价通过则得到与所述目标电池类型对应的训练完毕的逻辑回归模型;
若评价不通过则利用模型优化参数对所述训练后的逻辑回归模型进行更新,得到更新后的逻辑回归模型,重新利用所述测试集对所述更新后的逻辑回归模型进行测试。
5.根据权利要求4所述的方法,其特征在于,所述模型评价指标参数包括精确率、召回率、F1-score或者Roc曲线中的至少一项;所述模型优化参数包括正则化惩罚系数、学习率或者迭代次数中的至少一项。
6.根据权利要求1所述的方法,其特征在于,所述利用所述可用与否概率值计算所述目标动力电池的性能得分,包括:
基于所述可用与否概率值确定好坏比值;
在所述好坏比值为1的情况下,确定第一目标值,在所述好坏比值每增加一倍的情况下,确定第二目标值;
利用所述第一目标值、所述第二目标值和所述好坏比值确定所述目标动力电池的性能得分。
7.一种动力电池性能确定装置,其特征在于,所述装置包括:
模型确定模块,用于确定目标动力电池的实际电池类型,基于所述实际电池类型确定相应的训练完毕的逻辑回归模型;
模型输出模块,用于获取所述目标动力电池的性能参数,将所述性能参数输入相应的训练完毕的逻辑回归模型中,输出所述目标动力电池的可用与否概率值;
性能确定模块,用于利用所述可用与否概率值计算所述目标动力电池的性能得分,基于所述性能得分确定所述目标动力电池的性能。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705600.7A CN116626504A (zh) | 2023-06-14 | 2023-06-14 | 动力电池性能确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705600.7A CN116626504A (zh) | 2023-06-14 | 2023-06-14 | 动力电池性能确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116626504A true CN116626504A (zh) | 2023-08-22 |
Family
ID=87597353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310705600.7A Pending CN116626504A (zh) | 2023-06-14 | 2023-06-14 | 动力电池性能确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116626504A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609846A (zh) * | 2024-01-23 | 2024-02-27 | 宁德时代新能源科技股份有限公司 | 电池性能参数的获取方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-14 CN CN202310705600.7A patent/CN116626504A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609846A (zh) * | 2024-01-23 | 2024-02-27 | 宁德时代新能源科技股份有限公司 | 电池性能参数的获取方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116626504A (zh) | 动力电池性能确定方法、装置、计算机设备和存储介质 | |
CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
CN116010226A (zh) | 软件系统可靠性仿真评估方法、装置和计算机设备 | |
CN115859016B (zh) | 基于处理器的运算方法、装置、计算机设备及存储介质 | |
CN115345257B (zh) | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 | |
CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
CN116093454A (zh) | 电池参数表加载方法、装置、计算机设备和存储介质 | |
CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
CN116011681A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN117233630B (zh) | 锂离子电池的使用寿命预测方法、装置和计算机设备 | |
CN113159100B (zh) | 电路故障诊断方法、装置、电子设备和存储介质 | |
CN115587805B (zh) | 实验室环境试验项目确定方法及装置、环境综合试验评估方法及装置 | |
CN116794533B (zh) | 一种电芯容量分档方法和相关产品 | |
CN116302364B (zh) | 自动驾驶可靠性测试方法、装置、设备、介质和程序产品 | |
CN117331590B (zh) | 工艺设计工具包更新方法、装置、计算机设备和存储介质 | |
CN117175664B (zh) | 基于使用场景的储能充电设备输出功率自适应调节系统 | |
CN116090599A (zh) | 充电负荷预测方法、装置、设备、存储介质和程序产品 | |
CN116991639A (zh) | 能耗预测方法、装置、计算机设备和存储介质 | |
CN117873522A (zh) | 芯片更新方法、装置、计算机设备和存储介质 | |
CN117890792A (zh) | 动力电池容量的预测方法、装置、计算机设备、存储介质 | |
CN116205391A (zh) | 车辆路线的距离优化方法、装置、计算机设备和存储介质 | |
CN117424198A (zh) | 基于数据知识联合驱动的电力负荷预测方法和装置 | |
CN116225808A (zh) | 数据标签的修正方法、装置、设备、存储介质和程序产品 | |
CN118093385A (zh) | 代码质量评估模型的训练、代码质量评估方法和装置 |
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 |