CN116840689A - 一种电池容量的预测方法、装置及计算机可读存储介质 - Google Patents
一种电池容量的预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116840689A CN116840689A CN202310750617.4A CN202310750617A CN116840689A CN 116840689 A CN116840689 A CN 116840689A CN 202310750617 A CN202310750617 A CN 202310750617A CN 116840689 A CN116840689 A CN 116840689A
- Authority
- CN
- China
- Prior art keywords
- battery
- prediction
- battery capacity
- parameters
- training
- 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 41
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000007637 random forest analysis Methods 0.000 claims abstract description 21
- 238000003066 decision tree Methods 0.000 claims description 34
- 230000015572 biosynthetic process Effects 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000002347 injection Methods 0.000 claims description 9
- 239000007924 injection Substances 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000003792 electrolyte Substances 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 239000013598 vector Substances 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种电池容量的预测方法、装置及计算机可读存储介质,其中方法,包括:获取电池历史制造过程中的电池参数;对所述电池参数进行预处理,根据预处理后的所述电池参数获得训练集;通过所述训练集对随机森林回归模型进行训练,获得所述电池参数与电池容量之间关系的预测模型;获取待测电池制造过程中的电池参数,并作为预测电池容量的预测集;根据所述预测集和所述预测模型,得到所述电池容量的预测结果。本发明提供的技术方案,缩短了分容的测试周期、降低了能源损耗和测试成本。
Description
技术领域
本发明实施例涉及电池技术领域,尤其涉及一种电池容量的预测方法、装置及计算机可读存储介质。
背景技术
随着电动汽车、储能系统等领域的不断发展,锂离子电池的市场需求量越来越大。分容作为电池制造的重要工序之一,通过分容可以有效的筛选出内阻和容量相近的电池,便于后续电池成组。
然而,现有技术的电池分容过程,需要对电池进行多次的容量测试实验,才能完成分容容量的测试,存在耗时耗能、设备占用多、投资成本大等问题。
发明内容
本发明提供一种电池容量的预测方法、装置及计算机可读存储介质,缩短了分容的测试周期、降低了能源损耗和测试成本。
第一方面,本发明实施例提供一种电池容量的预测方法,包括:
获取电池历史制造过程中的电池参数;
对所述电池参数进行预处理,根据预处理后的所述电池参数获得训练集;
通过所述训练集对随机森林回归模型进行训练,获得所述电池参数与电池容量之间关系的预测模型;
获取待测电池制造过程中的电池参数,并作为预测电池容量的预测集;
根据所述预测集和所述预测模型,得到所述电池容量的预测结果。
可选的,所述电池参数包括:正负极极片的尺寸、正负极极片的材质、电解液种类、注液量、烘烤温度、化成电压、化成温度、化成时间和开路电压。
可选的,所述对所述电池参数进行预处理,根据预处理后的所述电池参数获得训练集,包括:
对所述电池参数进行清洗、去噪和特征提取生成训练数据;
对所述训练数据增加数据标签,建立所述电池参数和电池容量的对应关系;
随机选取预设数量的所述训练数据获得所述训练集。
可选的,通过所述训练集对随机森林回归模型进行训练,获得所述电池参数与电池容量之间关系的预测模型,包括:
根据所述电池参数生成多个决策树;
令所述电池容量对应为所述决策树的预测结果,通过分析所述电池参数与所述电池容量之间的关系,获得所述预测模型。
可选的,在通过所述训练集对随机森林回归模型进行训练,获得所述电池参数与电池容量之间关系的预测模型之后,还包括:
根据预处理后的所述电池参数获得测试集;
将所述测试集输入所述预测模型获得预测结果;
比较所述预测结果与所述电池容量获得误差指标;
根据所述误差指标优化所述预测模型的预测能力。
可选的,在根据所述预测集和所述预测模型,得到所述电池容量的预测结果之后,还包括:
持续获取所述待测电池的监测数据和实际的电池容量;
将所述监测数据、所述预测结果和所述实际的电池容量作为反馈训练数据;
基于学习算法根据所述反馈训练数据调整所述预测模型中决策树的权重,对所述预测模型进行更新和优化。
第二方面,本发明实施例提供一种电池容量的预测装置,包括:
第一获取单元,用于获取电池历史制造过程中的电池参数;
预处理单元,用于对所述电池参数进行预处理,根据预处理后的所述电池参数获得训练集;
训练单元,用于通过所述训练集对随机森林回归模型进行训练,获得所述电池参数与电池容量之间关系的预测模型;
第二获取单元,用于获取待测电池制造过程中的电池参数,并作为预测电池容量的预测集;
预测单元,用于根据所述预测集和所述预测模型,得到所述电池容量的预测结果。
可选的,所述预处理单元,包括:
数据处理单元,用于对所述电池参数进行清洗、去噪和特征提取生成训练数据;
统计单元,用于对所述训练数据增加数据标签,建立所述电池参数和电池容量的对应关系;
选取单元,用于随机选取预设数量的所述训练数据获得所述训练集。
可选的,所述的电池容量的预测装置,还包括:优化单元,用于根据预处理后的所述电池参数获得测试集,将所述测试集输入所述预测模型获得预测结果;并比较所述预测结果与所述电池容量获得误差指标,根据所述误差指标优化所述预测模型的预测能力。
第三方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现任意本发明实施例所述的电池容量的预测方法。
本发明实施例提供的技术方案,通过采集电池制造过程的电池参数,基于随机森林回归模型获得电池参数和电池容量的预测模型,从而预测电池容量,利用电池制造过程的电池参数,减少电池后续的数据采集周期,并且利用预测模型获得预测电池容量,缩短了分容的测试周期、降低了能源损耗和测试成本。
附图说明
图1为本发明实施例提供的一种电池容量的预测方法的流程示意图;
图2为数据分类的流程示意图;
图3为一种决策树结构示意图图;
图4为本发明实施例提供的又一种电池容量的预测方法的流程示意图;
图5为本发明实施例提供的一种电池容量的预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种电池容量的预测方法的流程示意图,本实施例可适用于电池分容情况,该方法可以由电池容量的预测装置来执行,该装置可采用硬件和/或软件的方式来实现。该方法具体包括如下步骤:
S110、获取电池历史制造过程中的电池参数;
具体的,在制造锂电的过程中,可以从电池各制造阶段记录一些过程数据作为电池参数,例如在模切阶段,可以测量正负极片的尺寸来获取相关的几何电池参数,确定正负极片的材质;在注液阶段,获取电解液种类,还可以通过称重设备测量电池注液前后的重量差,即注液量;在化成阶段,可以测量化成电压、化成温度、化成时间和烘烤温度等参数;在开路电压阶段,可以测量电池的开路电压,其中,开路电压指的是在没有外部负载情况下电池两极之间的电压。
S120、对电池参数进行预处理,根据预处理后的电池参数获得训练集;
具体的,当采集大量的样本数据时,由于某些原因会存在或多或少的异常数据,对这些异常数据进行恰当的处理将会有效的提升预测模型计算结果的精度。异常数据主要包括:数据缺失、出现极大(极小)值、毛刺、畸变数据。其中,数据缺失指数据文档中显示为空;极大(极小)值不符合实际规律产生,在数据字段以突变形式存在;毛刺表现为一段稳定的数据中突然呈现齿状波动;畸变数据主要数据采集装置出现故障、检修等因素造成。通过清洗、去噪和特征提取等预处理操作,可以得到经过优化的训练集,为后续的建模和训练提供更准确和可靠的数据输入。
S130、通过训练集对随机森林回归模型进行训练,获得电池参数与电池容量之间关系的预测模型;
具体的,随机森林回归模型是一种基于决策树的集成回归模型,它由多个决策树通过一定规则聚合而成构成。其中,每个决策树都是独立的,且每个决策树都在随机选取的一部分特征集上进行训练。例如,从训练集中获得用于预测电池容量的电池参数作为输入向量,分别建立电池容量回归决策树模型,得到每个决策树对应的结果,通过多次训练,得到输入向量与已知的电池容量之间的关系即预测模型。预测模型输出的最终的预测结果可以采用所有决策树的输出结果的平均值或加权平均值来确定。这样即使某些决策树出现问题或失效,整个模型仍然能够正常工作。与传统的回归模型相比,随机森林回归模型在数据量较大、特征较多或特征之间存在复杂关系的情况下,通常具有更好的预测性能和更好的鲁棒性。
S140、获取待测电池制造过程中的电池参数,并作为预测电池容量的预测集;
具体的,在制造锂电的过程中,可以从待预测电池的各制造阶段记录过程数据作为电池参数,并作为电池容量的预测集。
S150、根据预测集和预测模型,得到电池容量的预测结果。
具体的,将预测集中电池参数作为输入相量输入预测模型,得到电池容量的预测结果。例如,假设预测模型包括k棵决策树,输入相量为正负极极片的尺寸、正负极极片的材质、电解液种类、注液量、烘烤温度、化成电压、化成温度、化成时间和开路电压等电池参数,每棵决策树对应一个输出结果,将所有决策树的输出结果的平均值或加权平均值来确定电池容量的预测结果。
本发明实施例提供的技术方案,通过采集电池制造过程的电池参数,基于随机森林回归模型获得电池参数和电池容量的预测模型,从而预测电池容量,利用电池制造过程的电池参数,减少电池后续的数据采集周期,并且利用预测模型获得预测电池容量,缩短了分容的测试周期、降低了能源损耗和测试成本。
可选的,对电池参数进行预处理,根据预处理后的电池参数获得训练集,包括:
对电池参数和电池容量进行清洗、去噪和特征提取生成训练数据;
对训练数据增加数据标签,建立电池参数和电池容量的对应关系;
随机选取预设数量的训练数据获得训练集。
具体的,预处理包括清洗数据、去噪操作和特征提取。针对数据缺失、畸变数据等可以通过清洗数据识别和处理无效或错误的数据点,确保数据的完整性和一致性。例如,可以删除重复的数据、填补缺失值或使用插值方法来补充缺失数据。通过去噪操作消除数据中由于传感器误差、设备故障或其他干扰因素引入的噪声。例如应用滤波器或平滑算法来实现,其中,滤波器可以根据信号的特性选择合适的滤波方法,例如低通滤波器用于去除高频噪声。将采集到的原始数据转化为具有代表性的特征,以便更好地描述电池的性能和特征。特征提取可以基于领域专业知识或统计方法进行。例如,可以从采集到的数据中提取统计特征,如平均值、方差、最大值、最小值等。另外,还可以应用信号处理技术或频域分析方法来提取频谱特征。通过预处理后,得到训练数据相应的文档。对训练数据增加数据标签,其中,数据标签是对同类数据的分类,例如,对电池参数进行分类,得到特征1、特征2、……等标签,对应真实值的电池容量,从而建立电池参数和真实值的电池容量的对应关系的数据文档。图2为数据分类的流程示意图,参见图2,对电池参数和电池容量增加数据标签后,通过随机选取划分得到训练集和测试集,训练集和测试集中均包括电池参数和对应的电池容量,训练集用于基于随机森林回归模型得到预测模型,测试集用于对预测模型进行测试和优化。
可选的,通过训练集对随机森林回归模型进行训练,获得电池参数与电池容量之间关系的预测模型,包括:
根据电池参数生成多个决策树;
令电池容量对应为决策树的预测结果,通过分析电池参数与电池容量之间的关系,获得预测模型。
具体的,图3为一种决策树结构示意图图,参见图3,根据训练集中电池参数构建多个决策树,通过构建好的决策树从根节点起对电池参数按照特定的分裂规则做出属性判断,产生连通子节点的树枝,沿着树枝方向重复上述步骤,直至电池参数里的所有数据被完全分类或达到分类规则所设定的阀值,则立即停止该决策树的生长,此时相应属性数据都被划分进了各自所在类的叶子节点,一棵完整的决策树也就被构建起来。令训练集中对应的真实的电池容量作为预测结果,通过分析每个决策树电池参数与电池容量之间的关系,得到预测模型,预测模型输出的预测结果,可以采用所有决策树的输出结果的平均值或加权平均值来确定电池容量的预测结果。
图4为本发明实施例提供的又一种电池容量的预测方法的流程示意图,参见图4,包括:
S410、获取电池历史制造过程中的电池参数;
S420、对电池参数进行预处理,根据预处理后的电池参数获得训练集;
S430、通过训练集对随机森林回归模型进行训练,获得电池参数与电池容量之间关系的预测模型;
S440、根据预处理后的电池参数获得测试集,将测试集输入预测模型获得预测结果,比较预测结果与电池容量获得误差指标,根据误差指标优化预测模型的预测能力。
具体的,结合图2,对电池参数和电池容量增加数据标签后,通过随机选取划分得到训练集和测试集,训练集和测试集中均包括电池参数和对应的电池容量,训练集用于基于随机森林回归模型得到预测模型,测试集用于对预测模型进行测试和优化。将测试集中电池参数作为输入向量输入预测模型,得到对应的预测结果,并与测试集中真实的电池容量进行比较,通过计算预测结果与真实的电池容量的误差指标,如均方根误差(Root MeanSquare Error,RMSE)或平均绝对误差(Mean Absolute Error,MAE),来评估模型的性能。通过反复调整预测模型的参数、训练和测试的迭代过程,可以逐步改进模型的预测能力,最终得出的测试结果将反映预测模型对于电池容量预测的准确性和可靠性。
S450、获取待测电池制造过程中的电池参数,并作为预测电池容量的预测集;
S460、根据预测集和预测模型,得到电池容量的预测结果。
可选的,在根据预测集和预测模型,得到电池容量的预测结果之后,还包括:
持续获取待测电池的监测数据和实际的电池容量;
将监测数据、预测结果和实际的电池容量作为反馈训练数据;
基于学习算法根据反馈训练数据调整预测模型中决策树的权重,对预测模型进行更新和优化。
具体的,通过采集实际部署预测后的电池的监测数据,例如电池电压、电流、电芯温度及制造过程电池参数等,其中,监测数据可以通过相应的传感器和监测系统获取。根据获取的监测数据、预测得到的预测结果和实际生产中得到的电池容量作为反馈训练数据,基于学习算法对容量的预测模型进行更新和优化,其中,学习算法可以使用增量学习、自适应学习或增强学习等技术,结合反馈训练数据,不断调整预测模型中决策树的权重和决策树的参数,从而提高预测的准确性和可靠性,为不同产线提供精确的电池容量预测结果。
图5为本发明实施例提供的一种电池容量的预测装置的结构示意图,参见图5,包括:
第一获取单元110,用于获取电池历史制造过程中的电池参数;
预处理单元120,用于对电池参数进行预处理,根据预处理后的电池参数获得训练集;
训练单元130,用于通过训练集对随机森林回归模型进行训练,获得电池参数与电池容量之间关系的预测模型;
第二获取单元140,用于获取待测电池制造过程中的电池参数,并作为预测电池容量的预测集;
预测单元150,用于根据预测集和预测模型,得到电池容量的预测结果。
具体的,第一获取单元110在制造锂电的过程中,可以从电池各制造阶段记录一些过程数据作为电池参数,例如在模切阶段,可以测量正负极片的尺寸来获取相关的几何电池参数,确定正负极片的材质;在注液阶段,获取电解液种类,还可以通过称重设备测量电池注液前后的重量差,即注液量;在化成阶段,可以测量化成电压、化成温度、化成时间和烘烤温度等参数;在开路电压阶段,可以测量电池的开路电压,开路电压是指在没有外部负载情况下电池两极之间的电压。预处理单元120通过清洗、去噪和特征提取等预处理操作,可以得到经过优化和准备的训练集,为后续的建模和训练提供更准确和可靠的数据输入。训练单元130从训练集中获得用于预测电池容量的电池参数作为输入向量,分别建立电池容量回归决策树模型,得到每个决策树对应的结果,通过多次训练,得到输入向量与已知的电池容量之间的关系,得到预测模型。第二获取单元140在制造锂电的过程中,可以从待预测电池的各制造阶段记录过程数据作为电池参数,并作为电池容量的预测集。预测单元150将预测集中电池参数作为输入相量输入预测模型,得到电池容量的预测结果。
可选的,预处理单元,包括:
数据处理单元,用于对电池参数和电池容量进行清洗、去噪和特征提取生成训练数据;
统计单元,用于对训练数据增加数据标签,建立电池参数和电池容量的对应关系;
选取单元,用于随机选取预设数量的训练数据获得训练集。
具体的,针对数据缺失、畸变数据等数据处理单元可以通过清洗数据识别和处理无效或错误的数据点,确保数据的完整性和一致性。例如,可以删除重复的数据、填补缺失值或使用插值方法来补充缺失数据。数据处理单元通过去噪操作消除数据中由于传感器误差、设备故障或其他干扰因素引入的噪声。例如应用滤波器或平滑算法来实现,其中,滤波器可以根据信号的特性选择合适的滤波方法,例如低通滤波器用于去除高频噪声。数据处理单元将采集到的原始数据转化为具有代表性的特征,以便更好地描述电池的性能和特征。特征提取可以基于领域专业知识或统计方法进行。例如,可以从采集到的数据中提取统计特征,如平均值、方差、最大值、最小值等。另外,还可以应用信号处理技术或频域分析方法来提取频谱特征。通过预处理后,得到训练数据相应的文档。统计单元对训练数据增加数据标签,其中,数据标签是对同类数据的分类,例如,对电池参数进行分类,得到特征1、特征2、等标签,对应真实的电池容量,从而建立电池参数和电池容量的对应关系的数据文档。选取单元通过随机选取划分得到训练集和测试集,训练集和测试集中均包括电池参数和对应的电池容量,训练集用于基于随机森林回归模型得到预测模型,测试集用于对预测模型进行测试和优化。
可选的,电池容量的预测装置,还包括:优化单元,用于根据预处理后的电池参数和电池容量获得测试集,将测试集输入预测模型获得预测结果;并比较预测结果与电池容量获得误差指标,根据误差指标优化预测模型的预测能力。
具体的,优化单元将测试集中电池参数作为输入向量输入预测模型,得到对应的预测结果,并与测试集中真实的电池容量进行比较,通过计算预测结果与真实的电池容量的误差指标,如均方根误差(Root Mean Square Error,RMSE)或平均绝对误差(MeanAbsolute Error,MAE),来评估模型的性能。通过反复调整预测模型的参数、训练和测试的迭代过程,可以逐步改进模型的预测能力,最终得出的测试结果将反映预测模型对于电池容量预测的准确性和可靠性。
本发明实施例还提供一种电池容量的预测系统,包括云平台和数据平台,数据平台上集成数据接口,通过数据接口接收实时或批量的电池的电池参数,并发送至云平台,数据接口可以采用RESTful API、消息队列或其他通信协议,来确保数据接口的稳定性和安全性,以实现可靠的数据传输和预测请求。
云平台提供了高度可扩展的计算和存储资源,可满足电池容量预测的需求,并提供稳定的服务和可靠的性能。其中,在云平台上创建预测服务,将预测模型与计算资源进行关联。示例性的,可以通过使用云平台提供的服务和工具来实现基于随机森林回归模型的预测模型计算,确保预测服务具备高可用性、可扩展性和安全性。预测系统在实际应用中完成部署,云平台对预测结果进行测试和优化。通过使用测试集和真实场景的数据,评估预测结果的准确性。根据预测结果进行优化,如调整模型参数、优化计算资源配置或增加容错机制,以提高预测的准确性和响应性。
通过将预测模型部署在云平台上,可以实现高效、可扩展和准确的电池容量预测,同样的利用云平台可以使相关数据可以随时访问,以支持生产计划、电池管理和决策制定。进一步的,云平台还可以基于在线学习,对预测模型进行更新,利用增量学习、自适应学习或增强学习等技术,结合反馈训练数据,不断调整预测模型的决策树的权重和决策树的参数,以提高预测的准确性和稳定性。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明实施例中任意的电池容量的预测方法。
具体的,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电池容量的预测方法,其特征在于,包括:
获取电池历史制造过程中的电池参数;
对所述电池参数进行预处理,根据预处理后的所述电池参数获得训练集;
通过所述训练集对随机森林回归模型进行训练,获得所述电池参数与电池容量之间关系的预测模型;
获取待测电池制造过程中的电池参数,并作为预测电池容量的预测集;
根据所述预测集和所述预测模型,得到所述电池容量的预测结果。
2.根据权利要求1所述的电池容量的预测方法,其特征在于,所述电池参数包括:正负极极片的尺寸、正负极极片的材质、电解液种类、注液量、烘烤温度、化成电压、化成温度、化成时间和开路电压。
3.根据权利要求1所述的电池容量的预测方法,其特征在于,所述对所述电池参数进行预处理,根据预处理后的所述电池参数获得训练集,包括:
对所述电池参数进行清洗、去噪和特征提取生成训练数据;
对所述训练数据增加数据标签,建立所述电池参数和电池容量的对应关系;
随机选取预设数量的所述训练数据获得所述训练集。
4.根据权利要求1所述的电池容量的预测方法,其特征在于,通过所述训练集对随机森林回归模型进行训练,获得所述电池参数与电池容量之间关系的预测模型,包括:
根据所述电池参数生成多个决策树;
令所述电池容量对应为所述决策树的预测结果,通过分析所述电池参数与所述电池容量之间的关系,获得所述预测模型。
5.根据权利要求1所述的电池容量的预测方法,其特征在于,在通过所述训练集对随机森林回归模型进行训练,获得所述电池参数与电池容量之间关系的预测模型之后,还包括:
根据预处理后的所述电池参数获得测试集;
将所述测试集输入所述预测模型获得预测结果;
比较所述预测结果与所述电池容量获得误差指标;
根据所述误差指标优化所述预测模型的预测能力。
6.根据权利要求5所述的电池容量的预测方法,其特征在于,在根据所述预测集和所述预测模型,得到所述电池容量的预测结果之后,还包括:
持续获取所述待测电池的监测数据和实际的电池容量;
将所述监测数据、所述预测结果和所述实际的电池容量作为反馈训练数据;
基于学习算法根据所述反馈训练数据调整所述预测模型中决策树的权重,对所述预测模型进行更新和优化。
7.一种电池容量的预测装置,其特征在于,包括:
第一获取单元,用于获取电池历史制造过程中的电池参数;
预处理单元,用于对所述电池参数进行预处理,根据预处理后的所述电池参数获得训练集;
训练单元,用于通过所述训练集对随机森林回归模型进行训练,获得所述电池参数与电池容量之间关系的预测模型;
第二获取单元,用于获取待测电池制造过程中的电池参数,并作为预测电池容量的预测集;
预测单元,用于根据所述预测集和所述预测模型,得到所述电池容量的预测结果。
8.根据权利要求7所述的电池容量的预测装置,其特征在于,所述预处理单元,包括:
数据处理单元,用于对所述电池参数进行清洗、去噪和特征提取生成训练数据;
统计单元,用于对所述训练数据增加数据标签,建立所述电池参数和电池容量的对应关系;
选取单元,用于随机选取预设数量的所述训练数据获得所述训练集。
9.根据权利要求7所述的电池容量的预测装置,其特征在于,还包括:优化单元,用于根据预处理后的所述电池参数获得测试集,将所述测试集输入所述预测模型获得预测结果;并比较所述预测结果与所述电池容量获得误差指标,根据所述误差指标优化所述预测模型的预测能力。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一所述的电池容量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310750617.4A CN116840689A (zh) | 2023-06-21 | 2023-06-21 | 一种电池容量的预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310750617.4A CN116840689A (zh) | 2023-06-21 | 2023-06-21 | 一种电池容量的预测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116840689A true CN116840689A (zh) | 2023-10-03 |
Family
ID=88159180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310750617.4A Pending CN116840689A (zh) | 2023-06-21 | 2023-06-21 | 一种电池容量的预测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116840689A (zh) |
-
2023
- 2023-06-21 CN CN202310750617.4A patent/CN116840689A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
CN108376982B (zh) | 负载相序的识别方法及装置 | |
CN112633421A (zh) | 一种用户异常用电行为检测方法及装置 | |
CN113887846B (zh) | 一种电容式电压互感器的超差风险预警方法 | |
CN112699605B (zh) | 一种充电桩故障元件预测方法及系统 | |
CN112508442A (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
CN115184674A (zh) | 一种绝缘测试方法、装置、电子终端及存储介质 | |
CN116070143A (zh) | 一种基于人工智能的配电网多源异构数据融合方法及系统 | |
CN109800477B (zh) | 锂离子电池三因素不一致性预测方法及装置 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN114579659A (zh) | 一种梯次利用动力电池利用潜力评估及分选系统和方法 | |
CN113726558A (zh) | 基于随机森林算法的网络设备流量预测系统 | |
CN108596450B (zh) | 电网风险预警方法和系统 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN114978878B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
CN115407217B (zh) | 一种电动汽车锂电池荷电状态在线估计方法及系统 | |
CN116840689A (zh) | 一种电池容量的预测方法、装置及计算机可读存储介质 |
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 |