CN116819352A - 电池阈值的自适应设定方法、装置、设备及存储介质 - Google Patents
电池阈值的自适应设定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116819352A CN116819352A CN202310666580.7A CN202310666580A CN116819352A CN 116819352 A CN116819352 A CN 116819352A CN 202310666580 A CN202310666580 A CN 202310666580A CN 116819352 A CN116819352 A CN 116819352A
- Authority
- CN
- China
- Prior art keywords
- data
- historical data
- battery
- threshold
- target
- 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 61
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000013136 deep learning model Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 238000010606 normalization Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000002759 z-score normalization Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于电池技术领域,公开了一种电池阈值的自适应设定方法、装置、设备及存储介质。该方法包括:获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;根据所述历史数据确定阈值设定相关特征;利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。通过上述方式,能够根据目标电池的当前数据动态调整目标电池的阈值或阈值范围。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种电池阈值的自适应设定方法、装置、设备及存储介质。
背景技术
随着电池技术的发展,对电池管理系统(BMS)的要求也越来越高。电池管理系统需要预先设定电池阈值才能够准确地监测和控制电池的状态和性能。传统的电池阈值设定方法通常采用固定阈值或固定阈值范围,这样的设定方法可能无法适应不同的环境和条件,导致系统的灵活性和准确性不足。
发明内容
本发明的主要目的在于提供一种电池阈值的自适应设定方法、装置、设备及存储介质,旨在解决现有技术中无法动态设定电池阈值的技术问题。
为实现上述目的,本发明提供了一种电池阈值的自适应设定方法,所述方法包括以下步骤:
获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;
根据所述历史数据确定阈值设定相关特征;
利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;
将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。
可选地,所述获取目标电池的历史数据,包括:
获取所述目标电池的初始历史数据;
对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据。
可选地,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
对所述初始历史数据依次进行数据清洗、数据筛选之后,得到第一预处理数据;
确定所述第一预处理数据的最小-最大归一化结果、Z-score标准化结果以及最大绝对值缩放结果;
随机确定第一权重、第二权重以及第三权重;
基于所述最小-最大归一化结果、所述Z-score标准化结果、所述最大绝对值缩放结果、所述第一权重、所述第二权重以及所述第三权重,确定归一化数据;
对所述归一化数据进行时间序列化处理,得到所述目标电池的历史数据。
可选地,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化处理之后,得到第二预处理数据;
将所述第二预处理数据按照采集时间进行排序,得到排序数据;
将所述排序数据分割成连续的时间窗口,得到所述目标电池的历史数据,其中,所述时间窗口内包含历史数据在时间维度上的动态变化特征。
可选地,所述根据所述历史数据确定阈值设定相关特征,包括:
判断所述当前数据是否在数据波动范围内;
若判定所述当前数据不在数据波动范围内,则根据在预设时间段内监测到的当前数据更新所述历史数据;
根据所述历史数据确定阈值设定相关特征。
可选地,所述根据所述历史数据中确定阈值设定相关特征,包括:
对所述历史数据进行统计,得到所述历史数据的统计特征;
确定所述历史数据的频域数据,从所述频域数据汇总提取出所述历史数据的频率特征;
利用所述历史数据在时间窗口内的数据来提取时间序列特征;
将所述统计特征、所述频率特征以及所述时间序列特征进行特征融合,得到融合特征;
降低所述融合特征的维度,得到所述阈值设定相关特征。
可选地,所述利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型,包括:
利用所述阈值设定相关特征训练初始深度学习模型,得到训练好的初始深度学习模型;
对所述训练好的初始深度学习模型进行超参数调优,得到目标深度学习模型。
此外,为实现上述目的,本发明还提出一种电池阈值的自适应设定装置,所述电池阈值的自适应设定装置包括:
获取模块,用于获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;
确定模块,用于根据所述历史数据确定阈值设定相关特征;
训练模块,用于利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;
预测模块,用于将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。
此外,为实现上述目的,本发明还提出一种电池阈值的自适应设定设备,所述电池阈值的自适应设定设备包括: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阈值的自适应设定程序,所述电池阈值的自适应设定程序配置为实现如上文所述的电池阈值的自适应设定方法的步骤。
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阈值的自适应设定程序,所述电池阈值的自适应设定程序被处理器执行时实现如上文所述的电池阈值的自适应设定方法的步骤。
本发明提出的电池阈值的自适应设定方法、装置、设备及存储介质,通过获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;根据所述历史数据确定阈值设定相关特征;利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。通过上述方式,能够根据输入的特征预测出目标电池的合适阈值或合适的阈值范围。
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电池阈值的自适应设定设备的结构示意图;
图2为本发明电池阈值的自适应设定方法第一实施例的流程示意图;
图3为本发明电池阈值的自适应设定方法第一实施例中对数据进行特征提取的流程示意图;
图4为本发明电池阈值的自适应设定方法第二实施例的流程示意图;
图5为本发明电池阈值的自适应设定方法第二实施例中对数据进行预处理的流程示意图;
图6为本发明电池阈值的自适应设定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阈值的自适应设定设备结构示意图。
如图1所示,该电池阈值的自适应设定设备可以包括: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电池阈值的自适应设定设备的限定,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、用户接口模块以及电池阈值的自适应设定程序。
在图1所示的电池阈值的自适应设定设备中,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;本发明电池阈值的自适应设定设备中的处理器1001、存储器1005可以设置在电池阈值的自适应设定设备中,所述电池阈值的自适应设定设备通过处理器1001调用存储器1005中存储的电池阈值的自适应设定程序,并执行本发明实施例提供的电池阈值的自适应设定方法。
基于上述硬件结构,提出本发明电池阈值的自适应设定方法实施例。
参照图2,图2为本发明一种电池阈值的自适应设定方法第一实施例的流程示意图。
本实施例中,所述电池阈值的自适应设定方法包括以下步骤:
步骤S10:获取目标电池的历史数据,以及实时监测所述目标电池的当前数据。
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电池阈值的自适应设定设备。以下以所述电池阈值的自适应设定设备为例,对本实施例及下述各实施例进行说明。
需要说明的是,目标电池的历史数据指的是跟电池阈值设定相关的数据,包括电压、电流、温度以及充放电状态等等;目标电池的当前数据指的是在当前时刻下获取到的目标电池的数据,具体地,当用户需要对目标电池的温度阈值进行动态设定时,可以确定目标电池的当前数据即为温度数据。
步骤S20:根据所述历史数据确定阈值设定相关特征。
可以理解的是,在确定阈值设定相关特征之前需要先确定当前数据的类型,即确定用户需要预测的目标电池的数据类型,才能从初始历史数据中筛选出与当前数据相关的数据来作为历史数据,从而再根据历史数据来确定预设设定相关特征,其中,初始历史数据指的是收集到的原始数据,其中,有些数据跟阈值设定相关特征无关,可以剔除掉。
在一实施例中,所述根据所述历史数据确定阈值设定相关特征,包括:
判断所述当前数据是否在数据波动范围内;
若判定所述当前数据不在数据波动范围内,则根据在预设时间段内监测到的当前数据更新所述历史数据;
根据所述历史数据确定阈值设定相关特征。
可以理解的是,若当前数据不在数据波动范围内可以说明目标电池的数据在系统运行过程中发生了较大的变化(即当前数据不同于之前的数据,故需要新的当前数据来重新训练模型)。
在本实施例中,可以根据当前数据的变化情况来动态调整阈值或阈值范围(即根据当前数据来更新历史数据,并基于更新后的历史数据来训练初始深度学习模型,使得训练好的初始深度学习模型能够适应新的数据分布),从而使得预测到的阈值或阈值范围能够适应新的数据分布。
在一实施例中,所述根据所述历史数据中确定阈值设定相关特征,包括:
对所述历史数据进行统计,得到所述历史数据的统计特征;
确定所述历史数据的频域数据,从所述频域数据汇总提取出所述历史数据的频率特征;
利用所述历史数据在时间窗口内的数据来提取时间序列特征;
将所述统计特征、所述频率特征以及所述时间序列特征进行特征融合,得到融合特征;
降低所述融合特征的维度,得到所述阈值设定相关特征。
需要说明的是,统计特征指的是通过计算历史数据的统计得到特征,具体可通过均值、中位数、标准差、四分位距等方式来确定历史数据的统计特征。
需要说明的是,频域特征指的是将历史数据转换到频域后(如通过傅立叶变换或小波变换来将历史数据转换到频域),提取出频率相关的特征,如主频率、能量谱密度等。
需要说明的是,时间序列特征指的是利用时间窗口内的数据提取时间序列特征,如趋势、季节性、自相关性等。
需要说明的是,特征融合指的是将多个特征组合成一个新特征,以表征更多的信息,具体地,可以通过特征加权以及特征组合等方法实现特征融合。
可以理解的是,可以通过降维技术来降低融合特征的维度,这样能够在减少融和特征的维度的同时,还能保留尽可能多的信息,具体地,常用的降维技术包括主要成分分析(PCA)、线性判别分析(LDA)和t-分布邻域嵌入算法(t-SNE)。
步骤S30:利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型。
在具体实现中,初始深度学习模型采用GRU模型。
在一实施例中,所述利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型,包括:
利用所述阈值设定相关特征训练初始深度学习模型,得到训练好的初始深度学习模型;
对所述训练好的初始深度学习模型进行超参数调优,得到目标深度学习模型。
需要说明的是,可以采用网格搜索、贝叶斯优化等技术来对训练好的初始深度学习模型进行超参数调优。
在本实施例中,通过对训练好的模型进行优化调整,能够实现更精准的阈值设定。
步骤S40:将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。
在具体实现中,如图3所示,为动态设定电池阈值的全部流程。
在具体实现中,收集电池管理系统在不同阈值设定下的运行数据,分析其性能,以便进一步优化模型和阈值设定策略。
本实施例通过获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;根据所述历史数据确定阈值设定相关特征;利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。通过上述方式,能够根据输入的特征预测出目标电池的合适阈值或合适的阈值范围。
参考图4,图4为本发明一种电池阈值的自适应设定方法第二实施例的流程示意图。
基于上述第一实施例,本实施例电池阈值的自适应设定方法在所述步骤S10之前,还包括:
步骤S101:获取所述目标电池的初始历史数据。
可以理解的是,初始历史数据指的是收集到的原始数据。
步骤S102:对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据。
需要说明的是,数据清洗是指对收集到的初始历史数据进行处理,消除噪声、异常值和无关数据,从而获得高质量的数据,具体包括:
(1)去除重复数据:检查并删除重复初始历史数据中的数据记录;
(2)缺失值处理:对于初始历史数据中的缺失值,可以使用插值方法(如线性插值、多项式插值等)进行填充,或者直接删除含有缺失值的记录;
(3)异常值处理:使用统计方法(如3σ原则、箱线图等)或机器学习方法(如LOF)识别并处理初始历史数据中的异常值,可以选择替换、修正或删除异常值。
需要说明的是,数据筛选指的是从清洗后的数据中筛选出与阈值设定相关的变量,如电压、电流以及温度等。还可以基于领域知识和经验选择有意义的变量,或者利用相关性分析、主成分分析等方法进行自动筛选。
需要说明的是,数据归一化是将不同量纲和范围的数据统一到一个相对较小的范围内,以便于后续的分析和建模。
需要说明的是,时间序列化处理是指将预处理后的数据按照时间顺序进行排序和分组,以便于后续的时间序列分析和模型训练。
在具体实现中,如图5所示,为对初始历史数据进行预处理的全部过程。
在一实施例中,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
对所述初始历史数据依次进行数据清洗、数据筛选之后,得到第一预处理数据;
确定所述第一预处理数据的最小-最大归一化结果、Z-score标准化结果以及最大绝对值缩放结果;
随机确定第一权重、第二权重以及第三权重;
基于所述最小-最大归一化结果、所述Z-score标准化结果、所述最大绝对值缩放结果、所述第一权重、所述第二权重以及所述第三权重,确定归一化数据;
对所述归一化数据进行时间序列化处理,得到所述目标电池的历史数据。
需要说明的是,第一预处理数据的最小-最大归一化结果指的是对第一预处理数据进行最小-最大归一化处理后得到的结果,最小-最大归一化处理指的是将数据线性缩放到[0,1]区间,计算公式为:x'=(x-min)/(max-min)。
需要说明的是,第一预处理数据的Z-score标准化结果指的是对第一预处理数据进行Z-score标准化处理后得到的结果,Z-score标准化处理指的是将数据转换为均值为0,标准差为1的正态分布,计算公式为:x'=(x-μ)/σ。
需要说明的是,第一预处理数据的最大绝对值缩放结果指的是对第一预处理数据进行最大绝对值缩放处理后得到的结果,最大绝对值缩放处理指的是将数据缩放到[-1,1]区间,计算公式为:x'=x/max(abs(x))。
可以理解的是,第一权重、第二权重以及第三权重的和为1。
在具体实现中,将最小-最大归一化结果乘以第一权重、将Z-score标准化结果乘以第二权重,以及将最大绝对值缩放结果乘以第三权重得到第一结果、第二结果以及第三结果,再采用Z-score标准化对第一结果、第二结果以及第三结果进行计算得到归一化数据。
在一实施例中,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化处理之后,得到第二预处理数据;
将所述第二预处理数据按照采集时间进行排序,得到排序数据;
将所述排序数据分割成连续的时间窗口,得到所述目标电池的历史数据,其中,所述时间窗口内包含历史数据在时间维度上的动态变化特征。
需要说明的是,时间序列化处理的具体操作包括时间排序和时间窗口分组,其中,时间排序为将数据按照采集时间顺序排序,时间窗口分组为将排序后的数据分割成连续的时间窗口,每个窗口包含一定数量的数据记录,这有助与捕捉数据在时间维度上的动态变化特征。
本实施例通过获取所述目标电池的初始历史数据;对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据。通过上述方式,能够对收集到的数据进行预先处理,可以获得高质量、有序的数据,为后续特征提取、机器学习模型训练和阈值设定奠定基础。
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阈值的自适应设定程序,所述电池阈值的自适应设定程序被处理器执行时实现如上文所述的电池阈值的自适应设定方法的步骤。
参照图6,图6为本发明电池阈值的自适应设定装置第一实施例的结构框图。
如图6所示,本发明实施例提出的电池阈值的自适应设定装置包括:
获取模块10,用于获取目标电池的历史数据,以及实时监测所述目标电池的当前数据。
确定模块20,用于根据所述历史数据确定阈值设定相关特征。
训练模块30,用于利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型。
预测模块40,用于将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。
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数据,以及实时监测所述目标电池的当前数据;根据所述历史数据确定阈值设定相关特征;利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。通过上述方式,能够根据输入的特征预测出目标电池的合适阈值或合适的阈值范围。
在一实施例中,所述获取模块10,还用于:
获取所述目标电池的初始历史数据;
对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据。
在一实施例中,所述获取模块10,还用于:
对所述初始历史数据依次进行数据清洗、数据筛选之后,得到第一预处理数据;
确定所述第一预处理数据的最小-最大归一化结果、Z-score标准化结果以及最大绝对值缩放结果;
随机确定第一权重、第二权重以及第三权重;
基于所述最小-最大归一化结果、所述Z-score标准化结果、所述最大绝对值缩放结果、所述第一权重、所述第二权重以及所述第三权重,确定归一化数据;
对所述归一化数据进行时间序列化处理,得到所述目标电池的历史数据。
在一实施例中,所述获取模块10,还用于:
对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化处理之后,得到第二预处理数据;
将所述第二预处理数据按照采集时间进行排序,得到排序数据;
将所述排序数据分割成连续的时间窗口,得到所述目标电池的历史数据,其中,所述时间窗口内包含历史数据在时间维度上的动态变化特征。
在一实施例中,所述确定模块20,还用于:
判断所述当前数据是否在数据波动范围内;
若判定所述当前数据不在数据波动范围内,则根据在预设时间段内监测到的当前数据更新所述历史数据;
根据所述历史数据确定阈值设定相关特征。
在一实施例中,所述确定模块20,还用于:
对所述历史数据进行统计,得到所述历史数据的统计特征;
确定所述历史数据的频域数据,从所述频域数据汇总提取出所述历史数据的频率特征;
利用所述历史数据在时间窗口内的数据来提取时间序列特征;
将所述统计特征、所述频率特征以及所述时间序列特征进行特征融合,得到融合特征;
降低所述融合特征的维度,得到所述阈值设定相关特征。
在一实施例中,所述训练模块30,还用于:
利用所述阈值设定相关特征训练初始深度学习模型,得到训练好的初始深度学习模型;
对所述训练好的初始深度学习模型进行超参数调优,得到目标深度学习模型。
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电池阈值的自适应设定方法,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)
1.一种电池阈值的自适应设定方法,其特征在于,所述电池阈值的自适应设定方法包括:
获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;
根据所述历史数据确定阈值设定相关特征;
利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;
将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。
2.如权利要求1所述的方法,其特征在于,所述获取目标电池的历史数据,包括:
获取所述目标电池的初始历史数据;
对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据。
3.如权利要求2所述的方法,其特征在于,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
对所述初始历史数据依次进行数据清洗、数据筛选之后,得到第一预处理数据;
确定所述第一预处理数据的最小-最大归一化结果、Z-score标准化结果以及最大绝对值缩放结果;
随机确定第一权重、第二权重以及第三权重;
基于所述最小-最大归一化结果、所述Z-score标准化结果、所述最大绝对值缩放结果、所述第一权重、所述第二权重以及所述第三权重,确定归一化数据;
对所述归一化数据进行时间序列化处理,得到所述目标电池的历史数据。
4.如权利要求2所述的方法,其特征在于,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化处理之后,得到第二预处理数据;
将所述第二预处理数据按照采集时间进行排序,得到排序数据;
将所述排序数据分割成连续的时间窗口,得到所述目标电池的历史数据,其中,所述时间窗口内包含历史数据在时间维度上的动态变化特征。
5.如权利要求1所述的方法,其特征在于,所述根据所述历史数据确定阈值设定相关特征,包括:
判断所述当前数据是否在数据波动范围内;
若判定所述当前数据不在数据波动范围内,则根据在预设时间段内监测到的当前数据更新所述历史数据;
根据所述历史数据确定阈值设定相关特征。
6.如权利要求5所述的方法,其特征在于,所述根据所述历史数据中确定阈值设定相关特征,包括:
对所述历史数据进行统计,得到所述历史数据的统计特征;
确定所述历史数据的频域数据,从所述频域数据汇总提取出所述历史数据的频率特征;
利用所述历史数据在时间窗口内的数据来提取时间序列特征;
将所述统计特征、所述频率特征以及所述时间序列特征进行特征融合,得到融合特征;
降低所述融合特征的维度,得到所述阈值设定相关特征。
7.如权利要求1所述的方法,其特征在于,所述利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型,包括:
利用所述阈值设定相关特征训练初始深度学习模型,得到训练好的初始深度学习模型;
对所述训练好的初始深度学习模型进行超参数调优,得到目标深度学习模型。
8.一种电池阈值的自适应设定装置,其特征在于,所述电池阈值的自适应设定装置包括:
获取模块,用于获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;
确定模块,用于根据所述历史数据确定阈值设定相关特征;
训练模块,用于利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;
预测模块,用于将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。
9.一种电池阈值的自适应设定设备,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阈值的自适应设定程序,所述电池阈值的自适应设定程序配置为实现如权利要求1至7中任一项所述的电池阈值的自适应设定方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有电池阈值的自适应设定程序,所述电池阈值的自适应设定程序被处理器执行时实现如权利要求1至7任一项所述的电池阈值的自适应设定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310666580.7A CN116819352A (zh) | 2023-06-06 | 2023-06-06 | 电池阈值的自适应设定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310666580.7A CN116819352A (zh) | 2023-06-06 | 2023-06-06 | 电池阈值的自适应设定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116819352A true CN116819352A (zh) | 2023-09-29 |
Family
ID=88113749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310666580.7A Pending CN116819352A (zh) | 2023-06-06 | 2023-06-06 | 电池阈值的自适应设定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116819352A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686922A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市安仕新能源科技有限公司 | 基于数据建模的电芯测试方法、系统和可读存储介质 |
-
2023
- 2023-06-06 CN CN202310666580.7A patent/CN116819352A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686922A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市安仕新能源科技有限公司 | 基于数据建模的电芯测试方法、系统和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105071983B (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
EP4020315A1 (en) | Method, apparatus and system for determining label | |
CN107943583B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN111325416A (zh) | 预测叫车平台的用户流失的方法和装置 | |
CN107357764B (zh) | 数据分析方法、电子设备及计算机存储介质 | |
CN116819352A (zh) | 电池阈值的自适应设定方法、装置、设备及存储介质 | |
CN112398700B (zh) | 一种服务降级方法及装置、存储介质、计算机设备 | |
CN112465237B (zh) | 基于大数据分析的故障预测方法、装置、设备和存储介质 | |
CN112445690A (zh) | 信息获取方法、装置及电子设备 | |
CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
CN111819550B (zh) | 一种数据处理方法及网络设备 | |
CN115794369A (zh) | 内存占用数值的预测方法及装置、存储介质、终端 | |
CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN113918433A (zh) | 一种自适应的智慧网络设备性能指标异常检测装置及方法 | |
CN112001563B (zh) | 一种话单量的管理方法、装置、电子设备及存储介质 | |
CN116893314A (zh) | 一种非侵入式电力负荷监测方法、装置、设备及存储介质 | |
CN116361695A (zh) | 异常数据检测方法以及装置 | |
CN115617604A (zh) | 基于图像模式匹配的磁盘故障预测方法及系统 | |
CN114418207A (zh) | 一种时间序列趋势预测方法和装置 | |
CN111258866A (zh) | 计算机性能预测方法、装置、设备及可读存储介质 | |
CN109086207B (zh) | 页面响应故障分析方法、计算机可读存储介质及终端设备 | |
CN113449409A (zh) | 海上风机故障诊断模型的样本数据的存储方法及设备 | |
CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
CN117459877B (zh) | 一种基于智能感知的耳机音效调控方法及系统 |
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 | ||
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 |