CN117148168A - 训练模型的方法、预测电池容量的方法、装置及介质 - Google Patents
训练模型的方法、预测电池容量的方法、装置及介质 Download PDFInfo
- Publication number
- CN117148168A CN117148168A CN202311404268.7A CN202311404268A CN117148168A CN 117148168 A CN117148168 A CN 117148168A CN 202311404268 A CN202311404268 A CN 202311404268A CN 117148168 A CN117148168 A CN 117148168A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- sample data
- capacity
- batteries
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 133
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000004519 manufacturing process Methods 0.000 claims description 65
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000007600 charging Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 60
- 238000002347 injection Methods 0.000 description 37
- 239000007924 injection Substances 0.000 description 37
- 239000011248 coating agent Substances 0.000 description 33
- 238000000576 coating method Methods 0.000 description 33
- 239000007788 liquid Substances 0.000 description 25
- 230000015572 biosynthetic process Effects 0.000 description 18
- 230000008595 infiltration Effects 0.000 description 14
- 238000001764 infiltration Methods 0.000 description 14
- 239000003792 electrolyte Substances 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000010406 cathode material Substances 0.000 description 6
- 239000002002 slurry Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 239000006255 coating slurry Substances 0.000 description 3
- 239000007772 electrode material Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012956 testing procedure 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
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种训练模型的方法、预测电池容量的方法、装置及介质，属于电池技术领域。训练模型时，获取多组电池样本数据，根据多组电池样本数据中的部分电池样本数据和多个电池的电池容量真实值，训练得到第二模型；将另一部分电池样本数据输入至第二模型，得到多个电池的电池容量的预测值；根据多个电池的电池容量预测值与多个电池的电池容量真实值之间的容量误差值确定多个第二特征参数；根据多组电池样本数据、多个第二特征参数和多个电池的电池容量真实值，训练得到第一模型。本申请使用的样本数据更多，能够使第一模型的准确度更高。应用第一模型对待测电池的电池容量进行预测，无需获取充电工况数据，能够避免损耗电池的电能和寿命。
Description
技术领域
本申请属于电池技术领域，尤其涉及一种训练模型的方法、预测电池容量的方法、装置及介质。
背景技术
随着电池技术的不断发展，电池在许多领域得到了广泛的应用，例如：交通、储能以及医疗领域等，尤其是新能源汽车领域。电池容量是衡量电池性能的重要指标之一，对电池容量进行预测可以确定电池是否符合使用要求。
目前，电池容量预测方法是通过实际充放电数据对电池容量进行预测的，而获取实际充放电数据需要对电池进行充电并放电，在电池生产制造过程中对电池进行充电并放电会损耗电池的电能和寿命。
发明内容
鉴于上述技术问题，本申请实施例提供一种训练模型的方法、预测电池容量的方法、装置及介质，能够在电池生产制造早期阶段对电池容量进行预测，且避免损耗电池的电能和寿命。
第一方面，本申请实施例提供了一种训练模型的方法，该方法包括：
获取多组电池样本数据，每组电池样本数据中包括同一电池在生产过程中的多个第一特征参数；
根据多组电池样本数据中的部分电池样本数据和多个电池的电池容量真实值，训练得到第二模型；
将多组电池样本数据中的另一部分电池样本数据输入至第二模型，得到多个电池的电池容量的预测值；
根据多个电池的电池容量预测值与多个电池的电池容量真实值之间的容量误差值确定多个第二特征参数；
根据多组电池样本数据、多个电池的电池容量真实值、多个第二特征参数，训练得到第一模型，第一模型用于在生产过程中对待测电池的容量进行预测。
基于上述技术方案，获取多组电池样本数据并且确定多个第二特征参数，将多组电池样本数据和多个第二特征参数作为样本数据，多个电池的电池容量真实值作为标签，训练得到第一模型。相比于只将多组电池样本数据作为样本数据，本申请将第二特征参数也作为样本数据训练第一模型，使得训练第一模型时使用的样本数据更多，能够使训练得到的第一模型的准确度更高。在实际生产过程中，在获取待测电池在生产过程中的一些第一特征参数之后，可以应用第一模型对待测电池的电池容量进行预测，从而实现在电池生产制造中对电池容量进行预测，无需获取充电工况数据，避免损耗电池的电能和寿命，此外，在生产早期阶段应用第一模型，能够尽早识别出容量异常的电池，将容量异常的电池移出生产线，无需进行后续生产流程，能够节省资源。
其中，多个第一特征参数中包括工艺参数，工艺参数可以包括电池极片的材料参数，如材料比容量、比表面积、粒径情况等；电池极片涂布浆料的配比参数，如浆料中各材料的重量配比；电池极片涂布重量密度，如主体区、削薄区的涂布重量密度，其中，涂布重量密度是指单位面积的涂布重量，主体区是指极片的非边缘区域，削薄区是指极片边缘具有较小涂布重量密度的区域；电池极片涂膜区的尺寸参数，如极片涂膜区的长度和宽度，其中，涂膜区是指实际涂覆了电极材料的区域；电池极片烘烤的相关参数，如烘烤温度、烘烤时间、烘烤过程的真空度；电池的注液和浸润参数，如一次注液量、二次注液量、浸润温度、浸润时间，其中，注液是指向电池内部注入电解液的过程，注液后需静置一段时间保证电解液浸润，注液包括一次注液和二次注液两个步骤；化成工序相关参数，如化成前后以及化成过程中的电压，其中，化成过程是指电池的首次充电过程，化成期间会产生逐渐变化的电压数据，等。
其中，第一模型可以是决策树模型、随机森林模型、神经网络模型等，本申请对此不做限定。第二模型可以是决策树模型、随机森林模型、神经网络模型等，本申请对此不做限定。第二模型可以与第一模型相同，也可以不同。
其中，一个电池可以有零个、一个或多个第二特征参数。
在一些实施例中，多个第二特征参数中包括多个电池中的每个电池的第二特征参数，上述方法还包括：
重复执行根据多组电池样本数据中的部分电池样本数据和多个电池的电池容量真实值，训练得到第二模型，将多组电池样本数据中的另一部分电池样本数据输入至第二模型，得到多个电池的电池容量的预测值，直至确定多个电池中每个电池的电池容量的预测值。
在一些实施例中，在同一电池确定出多个电池容量预测值的情况下，将多个电池容量预测值的平均预测值确定为同一电池的电池容量的预测值。
在一些实施例中，同一电池在生产过程中的多个第一特征参数中的部分参数是在生产过程中获取的原始参数，另一部分参数是根据原始参数生成的。
原始参数即上述工艺参数，多个第一特征参数中除了工艺参数之外，还包括基于上述工艺参数计算得到的特征参数，例如，可以通过涂布重量密度乘以浆料中阴极材料的重量配比得到阴极材料的涂布重量密度；可以通过一次注液量与二次注液量相加得到电池的总注液量，等等。
在一些实施例中，在获取多组电池样本数据之后，上述训练模型的方法还包括：剔除多组电池样本数据中的异常数据。
本申请中，可以在获取多个电池的工艺参数之后对获取的所有工艺进行清洗，剔除异常数据，之后根据各电池的工艺参数衍生出新的特征参数；也可以先根据各电池的工艺参数衍生出新的特征参数，之后，对所有工艺参数和新的特征参数进行清洗，剔除异常数据。
其中，异常数据指的是超出指定区间范围的数据。异常数据可以通过多种方法进行判定，如四分位距法、3σ原则法等。
第二方面，本申请实施例提供一种预测电池容量的方法，包括：
获取待测电池在生产过程中的多个第一特征参数；
将多个第一特征参数输入至第一模型，得到待测电池的电池容量，其中，第一模型是通过上述第一方面所述的方法训练得到的。
基于上述技术方案，预先训练第一模型，在电池生产制造的多道工序中获取第一特征参数，在指定工序使用第一模型对电池容量进行预测，无需获取充放电工况数据，能够避免损耗电池的电能和寿命，此外，根据实际情况在电池生产早期阶段应用第一模型，能够尽早识别出容量异常的电池，从而可以将容量异常的电池移出生产线，无需进行后续生产流程，能够节省资源。
第三方面，本申请实施例还提供了一种预测电池容量的装置，包括：
获取模块，用于获取待测电池在生产过程中的多个第一特征参数；
处理模块，用于将多个第一特征参数输入至第一模型，得到待测电池的电池容量，其中，第一模型是通过上述第一方面所述的方法训练得到的。
第四方面，本申请实施例还提供了一种训练模型的装置，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如上述第一方面所述的方法。
第五方面，本申请实施例还提供了一种预测电池容量的装置，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如上述第二方面所述的方法。
第六方面，本申请实施例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存储有计算机指令，当所述计算机指令在计算机上运行时，使得所述计算机执行如上述第一方面或上述第二方面所述的方法。
第七方面，本申请实施例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，当所述计算机程序产品在计算机上运行时，实现如上述第一方面或上述第二方面所述的方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种训练模型的方法的流程示意图；
图2是本申请实施例提供的一种剔除异常数据的方法示意图；
图3是本申请实施例提供的一种确定第二特征参数的方法流程示意图；
图4是本申请实施例提供的一种预测电池容量的方法的流程示意图；
图5是本申请实施例提供的一种预测电池容量的装置的结构示意图；
图6是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个及两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在电池生产早期识别出容量异常的电池是电池生产企业一直以来的目标。现阶段通常根据电池充放电数据预测电池容量，而电池充放电数据而获取实际充放电数据需要对电池进行充电并放电，在电池生产制造过程中对电池进行充电并放电会损耗电池的电能和寿命，且需花费较长时间。此外，电池充放电数据需要在电池生产后期获取，无法在电池生产早期阶段获取，不能实现在电池生产早期阶段预测电池容量。
有鉴于此，本申请提供一种训练模型的方法、预测电池容量的方法、装置及介质，首先基于电池生产早期阶段的工艺参数训练用于预测电池容量的模型，在实际生产中，获取生产线上的待测电池在不同工序对应的工艺参数，将工艺参数输入到训练好的模型中，预测待测电池的电池容量。
下面结合附图进行详细说明，图1 示出了本申请实施例提供了一种训练模型的方法的流程示意图，如图1所示，该方法包括步骤S101-步骤S103。
S101，获取多组电池样本数据，每组电池样本数据中包括同一电池在生产过程中的多个第一特征参数。
多组电池样本数据包括多个电池的电池样本数据，一个电池对应一组电池样本数据。其中，多个第一特征参数中包括工艺参数，工艺参数指电池生产过程中的多个工序所涉及的影响电池容量的规格参数。在多个电池的生产过程中收集工艺参数，得到多组电池样本数据。
可以理解的是，电池的生产过程往往包括多道工序。以方壳电池单体为例，传统的电池的生产过程可以包括搅拌、涂布、冷压、预分切，卷绕、整形、焊接、烘烤、注液和浸润、化成、容量测试等工序。
工艺参数可以包括电池极片的材料参数，如材料比容量、比表面积、粒径情况等；电池极片涂布浆料的配比参数，如浆料中各材料的重量配比；电池极片涂布重量密度，如主体区、削薄区的涂布重量密度，其中，涂布重量密度是指单位面积的涂布重量，主体区是指极片的非边缘区域，削薄区是指极片边缘具有较小涂布重量密度的区域；电池极片涂膜区的尺寸参数，如极片涂膜区的长度和宽度，其中，涂膜区是指实际涂覆了电极材料的区域；电池极片烘烤的相关参数，如烘烤温度、烘烤时间、烘烤过程的真空度；电池的注液和浸润参数，如一次注液量、二次注液量、浸润温度、浸润时间，其中，注液是指向电池内部注入电解液的过程，注液后需静置一段时间保证电解液浸润，注液包括一次注液和二次注液两个步骤；化成工序相关参数，如化成前后以及化成过程中的电压，其中，化成过程是指电池的首次充电过程，化成期间会产生逐渐变化的电压数据，等等。上述工艺参数与电池容量存在较高的关联性。
上述工艺参数只是示例性说明，在训练模型时可以收集上述工艺参数中的一部分，也可以收集更多的工艺参数。
S102，根据多组电池样本数据、多个电池的电池容量真实值，确定多个电池的电池容量的预测值。
本申请中提到的电池容量指的是电池的初始容量，即电池制作完成后第一次放电的时候所放出的全部容量。在训练模型时，可以通过电池生产过程中的容量测试工序，对电池容量进行测试，得到电池容量真实值。
在获取到多组电池样本数据和多个电池的电池容量真实值之后，根据多组电池样本数据和多个电池的电池容量真实值训练第二模型，确定多个电池的电池容量的预测值，然后根据多个电池的电池容量预测值以及与预测值对应的电池容量真实值确定多个电池的容量误差值，根据容量误差值确定多个第二特征参数。
S103，根据多组电池样本数据、多个电池的电池容量真实值、多个第二特征参数，训练得到第一模型，第一模型用于对待测电池的容量进行预测，多个第二特征参数是根据多个电池的电池容量预测值与多个电池的电池容量真实值确定的。
本申请中将多组电池样本数据和多个第二特征参数作为样本集，多个电池的电池容量真实值作为标签，在确定初始模型后，将样本集按照一定比例分割为训练集和测试集（例如随机划分，或者，划分70%-80%作为训练集、20%-30%作为测试集），对初始模型进行迭代训练得到第一模型。
具体的迭代过程为：在第一次迭代中，使用指定值或随机值初始化模型参数，将训练集输入到初始模型中，训练结束后得到一个中间模型，基于损失函数和标签，得到训练集的误差；将测试集输入到中间模型，根据输出的电池容量和标签，得到测试集的误差。
其中，损失函数可以为平均绝对误差函数、均方误差函数、交叉熵损失函数、铰链损失函数等类型。其中，将训练集输入到初始模型时，可以一次输入一批样本、或者所有样本、或者一个样本，本申请对此不做限定。其中，初始模型可以是决策树模型、随机森林模型、神经网络模型等，本申请对此不做限定。
在下一次迭代时，根据训练集的误差和测试集的误差调整上一次迭代时的模型参数，进行优化，再次将训练集输入到调整参数后的模型中进行训练，得到又一个中间模型，将测试集输入到中间模型，再次计算训练集的误差和测试集的误差，进行多次迭代，每次迭代均得到训练集的误差和测试集的误差，每次迭代误差都会下降，在多个训练集的误差的数值逐渐变小，多个测试集误差的数值几乎不变时，即连续多次迭代后的变化值小于预设阈值时，停止模型训练，得到训练好的第一模型。
基于上述技术方案，获取多组电池样本数据并且确定多个第二特征参数，将多组电池样本数据和多个第二特征参数作为样本数据，多个电池的电池容量真实值作为标签，训练得到第一模型。相比于只将多组电池样本数据作为样本数据，本申请将第二特征参数也作为样本数据训练第一模型，使得训练第一模型时使用的样本数据更多，能够使训练得到的第一模型的准确度更高。在实际生产过程中，在获取待测电池在生产过程中的一些第一特征参数之后，可以应用第一模型对待测电池的电池容量进行预测，从而实现在电池生产制造中对电池容量进行预测，无需获取充电工况数据，避免损耗电池的电能和寿命，此外，在生产早期阶段应用第一模型，能够尽早识别出容量异常的电池，将容量异常的电池移出生产线，无需进行后续生产流程，能够节省资源。
在一些实施例中，同一电池在生产过程中的多个第一特征参数中的部分参数是在生产过程中获取的原始参数，另一部分参数是根据原始参数生成的。
原始参数即上述工艺参数，多个第一特征参数中除了工艺参数之外，还包括基于上述工艺参数计算得到的特征参数，例如，可以通过涂布重量密度乘以浆料中阴极材料的重量配比得到阴极材料的涂布重量密度；可以通过一次注液量与二次注液量相加得到电池的总注液量，等等。
本申请实施例中，能够基于获取的工艺参数衍生出新的特征参数，将新的特征参数作为样本可以使得样本数据增加，样本数据越多则训练的模型准确性越高，因此，能够使训练得到的第二模型的准确度更高。
在一些实施例中，在获取多组电池样本数据之后，上述训练模型的方法还包括：剔除多组电池样本数据中的异常数据。
本申请中，可以在获取多个电池的工艺参数之后对获取的所有工艺进行清洗，剔除异常数据，之后根据各电池的工艺参数衍生出新的特征参数；也可以先根据各电池的工艺参数衍生出新的特征参数，之后，对所有工艺参数和新的特征参数进行清洗，剔除异常数据。
其中，异常数据指的是超出指定区间范围的数据。异常数据可以通过多种方法进行判定。示例性的，图2示出了一种四分位距法的示意图，以清洗工艺参数为例，将所有工艺参数按照一定规则排序并分为四份数据，记为第一份数据、第二份数据、第三份数据、第四份数据，第一份数据和第二份数据之间确定上四分位数，第二份数据和第三份数据之间确定中位数，第三份数据和第四份数据之间确定上四分位数下四分位数，四分位距（IQR）=上四分位数-下四分位数，将上四分位数之上1.5倍IQR的位置设为上界，下四分位数之下1.5倍IQR的位置设为下界，将上界和下界之外的数据作为异常数据进行剔除。
上述判定异常数据的方法也可以选择其他方法，本申请对此不做限定，例如，还可以通过3σ原则等方法对异常数据进行判定，3σ原则是指在正态分布的情况下，数据集中的大部分数据都集中在平均值附近，而极端值的出现是非常少的，因此，可以通过计算数据的平均值和标准差，将超过平均值±3倍标准差的数据视为异常数据进行剔除。例如，所有工艺参数的数值的平均值为100，标准差为10，那么超过130或小于70的数据可以被视为异常数据进行剔除。
在一些实施例中，根据多组电池样本数据、多个电池的电池容量真实值，确定多个电池的电池容量的预测值，包括：根据多组电池样本数据中的部分电池样本数据和多个电池的电池容量真实值，训练得到第二模型；将多组电池样本数据中的另一部分电池样本数据输入至第二模型，得到多个电池的电池容量的预测值。
本申请中将多组电池样本数据分为两部分，使用其中一部分电池样本数据作为样本，多个电池的电池容量真实值作为标签，训练第二模型，然后将另一部分电池样本数据输入至第二模型，得到多个电池的电池容量的预测值，进而得到多个第二特征参数，其中，一个电池可以有零个、一个或多个第二特征参数。第二模型可以是决策树模型、随机森林模型、神经网络模型等，本申请对此不做限定。
示例性的，训练模型时有5个电池可作为样本，分别记为电池1、电池2、电池3、电池4、电池5，每组电池样本数据中包括5个第一特征参数，分别记为A、B、C、D、E。由此，获取的5组电池样本数据分别为：电池1的电池样本数据为{A1、B1、C1、D1、E1}，电池2的电池样本数据为{A2、B2、C2、D2、E2}，电池3的电池样本数据为{A3、B3、C3、D3、E3}，电池4的电池样本数据为{A4、B4、C4、D4、E4}，电池5的电池样本数据为{A5、B5、C5、D5、E5}。
在一种实现方式中，多组电池样本数据可以按照第一特征参数划分为两部分：第一部分和第二部分，从每组电池样本数据中抽取一部分第一特征参数作为第一部分，且每组抽取的第一特征参数不完全相同，每组电池样本数据中剩余的第一特征参数作为第二部分，例如，第一部分可以为{A1、B1、A2、C2、B3、D3、C4、D4、E4、D5、E5}，根据多组电池样本数据中的第一部分和多个电池的电池容量真实值训练得到第二模型，将第二部分输入到第二模型，可以分别得到5个电池的电池容量预测值，将电池1的容量真实值与电池1的容量预测值相减，取绝对值或者绝对值的平方得到容量误差值，将容量误差值作为电池1的一个第二特征参数，同理，分别计算每个电池的容量误差值，得到每个电池的第二特征参数。
优选地，本申请中还可以再次从每组电池样本数据中抽取一部分第一特征参数作为第一部分，例如，第一部分可以为{ C1、D1、E1、A2、C2、B3、D3、B4、D4、A5、D5、E5}，本次抽取的第一部分与上次抽取的第一部分中同一电池的参数不完全相同，再次训练得到又一第二模型，将本次剩余的第二部分输入到第二模型，通过计算，得到每个电池的又一个第二特征参数。多次将多组电池样本数据划分为两部分，得到每个电池的多个第二特征参数，以增加用于训练第一模型的样本数据。
在另一种实现方式中，多组电池样本数据可以按照电池划分为两部分，从多个电池中选择部分电池的样本数据作为第一部分，剩余电池的样本数据作为第二部分，例如第一部分包括电池1、电池2、电池3的电池样本数据：{A1、B1、C1、D1、E1、A2、B2、C2、D2、E2、A3、B3、C3、D3、E3}，根据第一部分和电池1、电池2、电池3的电池容量真实值训练得到第二模型，将电池4、电池5的电池样本数据输入到第二模型，得到电池4、电池5的电池容量预测值，进而得到电池4、电池5的第二特征参数。
优选地，本申请中还可以重复执行划分、训练、预测的过程，直至确定出每个电池的电池容量的预测值，从而得到每个电池的第二特征参数。在重复执行的过程中，若同一电池确定出多个电池容量预测值，将多个电池容量预测值的平均预测值确定为同一电池的电池容量的预测值，例如，在一次重复执行过程中，得到电池4的电池容量预测值1，在又一次重复执行过程中，得到电池4的电池容量预测值2，将电池容量预测值1和电池容量预测值2的平均值作为电池4的电池容量的预测值，根据平均值确定电池4的第二特征参数。
优选地，本申请中还可以将上述重复执行划分、训练、预测直至确定出每个电池的电池容量的预测值的过程作为一次循环，通过多次循环可以得到每个电池的多个第二特征参数。
在另一种实现方式中，多组电池样本数据可以按照电池和第一特征参数划分为两部分，如图3所示，多组电池样本数据获取了L个第一特征参数，首先对第一特征参数进行M次特征抽样，每次特征抽样后随机抽取几个电池的样本，基于M组抽样结果建立M个第二模型。M个第二模型分别对未抽到的电池样本进行预测，根据预测误差确定多个电池的第二特征参数（记为O）。重复执行上述过程U次，此时每个电池的样本数据中有L+U个特征，基于多个电池的样本数据训练第一模型，第一模型用于在实际生产中预测电池的电池容量。
其中，每次特征抽样时抽取的第一特征参数的数量随机，M为大于0，小于L的阶乘的整数，M的取值可以随L的数值大小变化。抽取电池样本时，可以每次随机抽取一个样本，共抽取N次，并去除抽取到的重复的电池样本，N为电池总个数。U为大于0，小于L的阶乘的整数，U的取值通过测试确定。每次特征抽样后均随机抽取样本N次，尽可能使每次特征抽样对应的电池样本不同，使每个电池都能作为未抽到的样本，进而得到每个电池的多个第二特征参数。
示例性地，假设M=3，进行了3次特征抽样，特征抽样结果为：ABC、BD、CE；得到第一特征参数ABC后，从所有电池样本中随机抽取5次电池样本，抽取结果为：电池1、电池3、电池4；得到第一特征参数BD后，从所有电池样本中随机抽取5次电池样本，抽取结果为：电池1、电池2、电池4；得到第一特征参数CE后，从所有电池样本中随机抽取5次电池样本，抽取结果为：电池2、电池5。
基于电池1的样本数据中的{A1、B1、C1}、电池3的样本数据中的{A3、B3、C3}、电池4的样本数据中的{A4、B4、C4}，和电池1、电池3、电池4的容量真实值，训练第二模型，记为模型1。将电池2和电池5的样本数据输入至模型1，得到电池2的容量预测值和电池5的容量预测值。根据电池2的容量真实值和电池5的容量真实值，分别确定电池2的预测误差和电池5的预测误差。
基于电池1的样本数据中的{B1、D1}、电池2的样本数据中的{B2、D2}、电池4的样本数据中的{B4、D4}，和电池1、电池2、电池4的容量真实值，训练第二模型，记为模型2。将电池3和电池5的样本数据输入至模型2，得到电池3的容量预测值和电池5的容量预测值。根据电池3的容量真实值和电池5的容量真实值，分别确定电池3的预测误差和电池5的预测误差。
基于电池2的样本数据中的{C2、E2}、电池5的样本数据中的{C5、E5}，和电池2、电池5的容量真实值，训练第二模型，记为模型3。将电池1、电池3和电池4的样本数据输入至模型3，得到电池1的容量预测值、电池3的容量预测值和电池4的容量预测值。根据电池1的容量真实值、电池3的容量真实值和电池4的容量真实值，分别确定电池1的预测误差、电池3的预测误差和电池4的预测误差。
将各电池的预测误差作为本次得到的各电池的第二特征参数，分别记为O11、O21、O31、O41、O51，其中，同一电池对应多个预测误差时（如电池3、电池5），取平均误差作为本次得到的第二特征参数。
重复执行上述过程U次，可以得到各电池的多个第二特征参数，依次记为O12、O22、O32、O42、O52；O13、O23、O33、O43、O53，……。
本申请实施例中，通过大量的随机操作可避免模型发生过拟合；第二特征参数是基于第一特征参数通过一定变化确定的，包含了第一特征参数的信息，第一特征参数与电池容量的预测具有相关性，那么第二特征参数也与电池容量有关，且未抽到样本的预测误差属于深层特征，将预测误差作为第二特征参数训练第一模型，能够提高第一模型的预测准确度。
通过上述训练模型的方法训练得到第一模型之后，可以将第一模型应用于实际生产中。图4示出了本申请实施例提供的一种预测电池容量的方法的流程示意图，如图4所示，该方法包括步骤S401和步骤S402。
S401，获取待测电池在生产过程中的多个第一特征参数。
多个第一特征参数中包括工艺参数，工艺参数指电池生产过程中的多个工序所涉及的影响电池容量的规格参数。
工艺参数可以包括电池极片的材料参数，如材料比容量、比表面积、粒径情况等；电池极片涂布浆料的配比参数，如浆料中各材料的重量配比；电池极片涂布重量密度，如主体区、削薄区的涂布重量密度，其中，涂布重量密度是指单位面积的涂布重量，主体区是指极片的非边缘区域，削薄区是指极片边缘具有较小涂布重量密度的区域；电池极片涂膜区的尺寸参数，如极片涂膜区的长度和宽度，其中，涂膜区是指实际涂覆了电极材料的区域；电池极片烘烤的相关参数，如烘烤温度、烘烤时间、烘烤过程的真空度；电池的注液和浸润参数，如一次注液量、二次注液量、浸润温度、浸润时间，其中，注液是指向电池内部注入电解液的过程，注液后需静置一段时间保证电解液浸润，注液包括一次注液和二次注液两个步骤；化成工序相关参数，如化成前后以及化成过程中的电压，其中，化成过程是指电池的首次充电过程，化成期间会产生逐渐变化的电压数据，等等。
本申请中，通过在电池生产线上设置传感器获取待测电池的工艺参数。如，使用温度传感器测量烘烤温度，使用电子天平测量注液量，使用X射线测量涂布重量密度等。
S402，将多个第一特征参数输入至第一模型，得到待测电池的电池容量。
电池的生产过程可以包括搅拌、涂布、冷压、预分切，卷绕、整形、焊接、烘烤、注液和浸润、化成等多道工序，生产过程中在指定工序对电池容量进行预测，例如，在化成工序，将收集的待测电池的工艺参数输入到第一模型中，得到待测电池的电池容量。也可以在注液和浸润工序对电池容量进行预测，具体指定的工序根据实际情况进行确定。
在一些实施例中，多个第一特征参数中除了工艺参数之外，还包括基于上述工艺参数计算得到的特征参数。在获取到工艺参数之后，可以根据工艺参数计算得到新的特征参数，例如，可以通过涂布重量密度乘以浆料中阴极材料的重量配比得到阴极材料的涂布重量密度；可以通过一次注液量与二次注液量相加得到电池的总注液量，等等。
基于上述技术方案，预先根据工艺参数等样本训练第一模型，在电池生产制造的多道工序中获取工艺参数等数据，在指定工序使用第一模型对电池容量进行预测，无需获取充放电工况数据，能够避免损耗电池的电能和寿命，此外，根据实际情况在电池生产早期阶段应用第一模型，能够尽早识别出容量异常的电池，从而可以将容量异常的电池移出生产线，无需进行后续生产流程，能够节省资源。
图5示出了本申请实施例提供的一种预测电池容量的装置500，该装置500包括获取模块510和处理模块520。
获取模块510，用于获取待测电池在生产过程中的多个第一特征参数。
处理模块520，用于将多个第一特征参数输入至第一模型，得到待测电池的电池容量。
应理解的是，本申请实施例的装置500可以通过专用集成电路（application-specific integrated circuit，ASIC）实现，或可编程逻辑器件（programmable logicdevice，PLD）实现，上述PLD可以是复杂程序逻辑器件（complex programmable logicaldevice，CPLD），现场可编程门阵列（field-programmable gate array，FPGA），通用阵列逻辑（generic array logic，GAL）或其任意组合。也可以通过软件实现图4所示的预测电池容量的方法，通过软件实现图4所示的预测电池容量的方法时，装置500及其各个模块也可以为软件模块。
图6为本申请实施例提供的一种电子设备600的结构示意图。如图6所示，该设备600包括处理器601、存储器602、通信接口603和总线604。其中，处理器601、存储器602、通信接口603通过总线604进行通信。该存储器602用于存储指令，该处理器601用于执行该存储器602存储的指令。该存储器602存储程序代码6021，且处理器601可以调用存储器602中存储的程序代码6021执行图4或图1所示的方法。
应理解，在本申请实施例中，处理器601可以是CPU，处理器601还可以是其他通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
该存储器602可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器602还可以包括非易失性随机存取存储器。该存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electricallyEPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double datadate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。
该总线604除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图6中将各种总线都标为总线604。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘（solid state drive，SSD）。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种训练模型的方法，其特征在于，所述方法包括：
获取多组电池样本数据，每组电池样本数据中包括同一电池在生产过程中的多个第一特征参数；
根据所述多组电池样本数据中的部分电池样本数据和所述多个电池的电池容量真实值，训练得到第二模型；
将所述多组电池样本数据中的另一部分电池样本数据输入至所述第二模型，得到所述多个电池的电池容量的预测值；
根据所述多个电池的电池容量预测值与所述多个电池的电池容量真实值之间的容量误差值确定多个第二特征参数；
根据所述多组电池样本数据、所述多个电池的电池容量真实值、所述多个第二特征参数，训练得到第一模型，所述第一模型用于在生产过程中对待测电池的容量进行预测。
2.根据权利要求1所述的方法，其特征在于，所述多个第二特征参数中包括所述多个电池中的每个电池的第二特征参数，所述方法还包括：
重复执行根据所述多组电池样本数据中的部分电池样本数据和所述多个电池的电池容量真实值，训练得到第二模型，将所述多组电池样本数据中的另一部分电池样本数据输入至所述第二模型，得到所述多个电池的电池容量的预测值，直至确定所述多个电池中每个电池的电池容量的预测值。
3.根据权利要求2所述的方法，其特征在于，在同一电池确定出多个电池容量预测值的情况下，将所述多个电池容量预测值的平均预测值确定为所述同一电池的电池容量的预测值。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述同一电池在生产过程中的多个第一特征参数中的部分参数是在所述生产过程中获取的原始参数，另一部分参数是根据所述原始参数生成的。
5.根据权利要求1至3中任一项所述的方法，其特征在于，在获取多组电池样本数据之后，所述方法还包括：
剔除所述多组电池样本数据中的异常数据。
6.一种预测电池容量的方法，其特征在于，所述方法包括：
获取待测电池在生产过程中的多个第一特征参数；
将所述多个第一特征参数输入至第一模型，得到所述待测电池的电池容量，其中，所述第一模型是通过上述权利要求1至5中任一项所述的方法训练得到的。
7.一种预测电池容量的装置，其特征在于，包括：
获取模块，用于获取待测电池在生产过程中的多个第一特征参数；
处理模块，用于将所述多个第一特征参数输入至第一模型，得到所述待测电池的电池容量，其中，所述第一模型是通过上述权利要求1至5中任一项所述的方法训练得到的。
8.一种训练模型的装置，其特征在于，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如权利要求1至5中任一项所述的方法。
9.一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，当所述计算机指令被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述的方法，或如权利要求6所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311404268.7A CN117148168B (zh) | 2023-10-27 | 2023-10-27 | 训练模型的方法、预测电池容量的方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311404268.7A CN117148168B (zh) | 2023-10-27 | 2023-10-27 | 训练模型的方法、预测电池容量的方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117148168A true CN117148168A (zh) | 2023-12-01 |
| CN117148168B CN117148168B (zh) | 2024-03-29 |
Family
ID=88910402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311404268.7A Active CN117148168B (zh) | 2023-10-27 | 2023-10-27 | 训练模型的方法、预测电池容量的方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117148168B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| 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 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182630A (zh) * | 2014-08-20 | 2014-12-03 | 国家电网公司 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
| WO2022198616A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
| CN115221795A (zh) * | 2022-08-03 | 2022-10-21 | 一汽解放汽车有限公司 | 容量预测模型的训练方法、预测方法、装置、设备及介质 |
| US20230023044A1 (en) * | 2021-07-26 | 2023-01-26 | Honda Motor Co., Ltd. | Battery model construction method and battery degradation prediction device |
| CN116298906A (zh) * | 2023-01-19 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
| CN116299008A (zh) * | 2023-02-27 | 2023-06-23 | 武汉动力电池再生技术有限公司 | 一种电池soh预测方法、装置、电子设备及存储介质 |
| CN116466242A (zh) * | 2023-05-15 | 2023-07-21 | 国网江苏省电力有限公司电力科学研究院 | 一种锂离子电池剩余寿命预测方法、装置、设备及介质 |
| CN116522153A (zh) * | 2023-07-05 | 2023-08-01 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
| WO2023184824A1 (zh) * | 2022-03-31 | 2023-10-05 | 上海玫克生储能科技有限公司 | 电池簇荷电状态的估计方法及系统、电子设备及存储介质 |
-
2023
- 2023-10-27 CN CN202311404268.7A patent/CN117148168B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182630A (zh) * | 2014-08-20 | 2014-12-03 | 国家电网公司 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
| WO2022198616A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
| US20230023044A1 (en) * | 2021-07-26 | 2023-01-26 | Honda Motor Co., Ltd. | Battery model construction method and battery degradation prediction device |
| WO2023184824A1 (zh) * | 2022-03-31 | 2023-10-05 | 上海玫克生储能科技有限公司 | 电池簇荷电状态的估计方法及系统、电子设备及存储介质 |
| CN115221795A (zh) * | 2022-08-03 | 2022-10-21 | 一汽解放汽车有限公司 | 容量预测模型的训练方法、预测方法、装置、设备及介质 |
| CN116298906A (zh) * | 2023-01-19 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 电池容量的预测模型训练方法、预测方法、装置及介质 |
| CN116299008A (zh) * | 2023-02-27 | 2023-06-23 | 武汉动力电池再生技术有限公司 | 一种电池soh预测方法、装置、电子设备及存储介质 |
| CN116466242A (zh) * | 2023-05-15 | 2023-07-21 | 国网江苏省电力有限公司电力科学研究院 | 一种锂离子电池剩余寿命预测方法、装置、设备及介质 |
| CN116522153A (zh) * | 2023-07-05 | 2023-08-01 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| YIMING YAO: ""Prediction of lithium-ion battery capacity and remaining useful life based on characteristic ohmic resistance model"", 《2022 CHINA AUTOMATION CONGRESS (CAC)》, 13 March 2023 (2023-03-13), pages 5569 - 5574 * |
| 何明前等: ""基于BP神经网络的镉镍电池放电特性预测"", 《电源技术》, vol. 40, no. 8, 20 August 2016 (2016-08-20), pages 1618 - 1619 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| CN117471327B (zh) * | 2023-12-25 | 2024-05-07 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117148168B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117148168B (zh) | 训练模型的方法、预测电池容量的方法、装置及介质 | |
| CN111239624B (zh) | 一种电池容量校准方法、装置、电子设备及存储介质 | |
| CN113111508B (zh) | 电芯一致性的评估方法、装置及服务器 | |
| CN111289910B (zh) | 一种梯次电池的分级方法、装置、计算机设备及介质 | |
| US20230112978A1 (en) | Method and apparatus for calculating cell state, and storage medium | |
| CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
| CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
| CN112505569A (zh) | 电池状态信息的生成方法、装置及终端设备 | |
| CN112180258A (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
| JP2024511082A (ja) | 蓄電装置の容量損失を算定する方法、装置およびコンピュータプログラム製品 | |
| CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
| CN113447840B (zh) | 锂离子电池分选方法和装置 | |
| CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
| CN116754981B (zh) | 电池容量预测方法、装置、电子设备及存储介质 | |
| CN110068409B (zh) | 锂电池应力预测方法和装置 | |
| CN117110884A (zh) | 基于多核相关向量机的锂电池剩余使用寿命预测方法 | |
| CN115754772B (zh) | 一种电池容量衰减处理方法、装置、设备和存储介质 | |
| CN116593921A (zh) | 计算电池soh的方法、装置、设备及存储介质 | |
| CN115389940A (zh) | 预测动力电池内阻的方法、功率的方法、系统及存储介质 | |
| CN114879042A (zh) | 电芯分容放电容量预测方法、装置及电子设备 | |
| CN113219358A (zh) | 电池包健康状态计算方法、系统及电子设备 | |
| CN115291111B (zh) | 电池静置时间预测模型的训练方法以及静置时间预测方法 | |
| WO2024130552A1 (zh) | 电池模型构建方法、仿真方法、装置、设备及存储介质 | |
| CN117054879A (zh) | 一种电池寿命的预测方法、装置、电子设备及存储介质 | |
| CN118226305A (zh) | 电池性能预测方法、装置、电子设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |