CN117151201B - 一种用于神经网络训练的电池组样本组织方法及装置 - Google Patents
一种用于神经网络训练的电池组样本组织方法及装置 Download PDFInfo
- Publication number
- CN117151201B CN117151201B CN202311077393.1A CN202311077393A CN117151201B CN 117151201 B CN117151201 B CN 117151201B CN 202311077393 A CN202311077393 A CN 202311077393A CN 117151201 B CN117151201 B CN 117151201B
- Authority
- CN
- China
- Prior art keywords
- voltage
- training
- battery pack
- target
- sample
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 143
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008520 organization Effects 0.000 title abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 75
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 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
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本申请属于电池技术领域，公开了一种用于神经网络训练的电池组样本组织方法及装置，该方法包括：获取样本电池组的第一时刻采样数据、第二时刻采样数据和训练参数；根据第一时刻采样数据和第二时刻采样数据得到训练电池数据；将训练电池数据和训练参数输入神经网络进行训练，得到训练好的神经网络；获取目标电池组的当前时刻采样数据和上一时刻采样数据；根据当前时刻采样数据和上一时刻采样数据得到目标电池数据；将目标电池数据输入训练好的神经网络，得到预测参数；计算目标电池组与样本电池组的串数比和并数比；基于训练参数、串数比、并数比和预测参数得到目标参数。本申请能够避免额外花大量时间收集用来训练神经网络的多个样本。
Description
技术领域
本申请涉及电池技术领域，尤其涉及一种用于神经网络训练的电池组样本组织方法及装置。
背景技术
在BMS/数字电源中，电量的计算一般使用功率积分法，这种方法对于单次充放电前提下精度较准，但对于多次充放电及电池老化情况下的累积误差无法有效处理，而较为精准的方法可以使用神经网络，在使用神经网络算法中，作为监督学习，样本数据的收集是比较重要的；因为电池组数据在不同的串并数下有不同的组织，即无法使用相同维度的样本结构，导致不同串并数的电池组样本数据之间兼容度不高，所以为了使训练好的神经网络能够应用于不同串并数电池组的电量计算中，通常需要收集多种串并数的电池组的数据作为样本训练神经网络，导致样本收集和训练过程需花费大量时间。
发明内容
本申请提供了一种用于神经网络训练的电池组样本组织方法及装置，能够避免额外花大量时间收集多个样本，一次样本收集时间可复用于不同串并数的目标电池组的电量计算，且用两个时刻的采用数据保证了神经网络的训练梯度。
第一方面，本申请提供了一种用于神经网络训练的电池组样本组织方法，该方法包括：
获取样本电池组的第一时刻采样数据、第二时刻采样数据和训练参数；
根据第一时刻采样数据和第二时刻采样数据得到训练电池数据；
将训练电池数据和训练参数输入神经网络进行训练，得到训练好的神经网络；
获取目标电池组的当前时刻采样数据和上一时刻采样数据；
根据当前时刻采样数据和上一时刻采样数据得到目标电池数据；
将目标电池数据输入训练好的神经网络，得到预测参数；
计算目标电池组与样本电池组的串数比和并数比；
基于训练参数、串数比、并数比和预测参数得到目标参数。
进一步的，第一时刻采样数据包括样本电池组在第一时刻的第一电流和样本电池组中各电池单体在第一时刻的第一电压；第二时刻采样数据包括样本电池组在第二时刻的第二电流和样本电池组中各电池单体在第二时刻的第二电压。
进一步的，上述根据第一时刻采样数据和第二时刻采样数据得到训练电池数据，包括：
根据各第一电压得到第一平均加权电压、第一最高电压和第一最低电压；
根据各第二电压得到第二平均加权电压、第二最高电压和第二最低电压；
将第一电流、第二电流、第一平均加权电压、第一最高电压、第一最低电压、第二平均加权电压、第二最高电压和第二最低电压作为训练电池数据。
进一步的，上述根据各第一电压计算得到第一平均加权电压、第一最高电压和第一最低电压，包括：
获取各第一电压中的第一最高电压和第一最低电压，计算除第一最高电压和第一最低电压外剩余各第一电压的平均值，作为第一平均电压；
将第一最高电压与第一预设权重相乘、第一最低电压与第二预设权重相乘、第一平均电压与第三预设权重相乘，将三项乘积结果相加，得到第一平均加权电压。
进一步的，第一预设权重为0.3，第二预设权重为0.3，第三预设权重为0.4。
进一步的，上一时刻采样数据包括目标电池组在上一时刻的第三电流和目标电池组中各电池单体在上一时刻的第三电压；当前时刻采样数据包括目标电池组在当前时刻的第四电流和目标电池组中各电池单体在当前时刻的第四电压。
进一步的，上述根据当前时刻采样数据和上一时刻采样数据得到目标电池数据，包括：
根据各第三电压得到第三平均加权电压、第三最高电压和第三最低电压；
根据各第四电压得到第四平均加权电压、第四最高电压和第四最低电压；
将第三电流、第四电流、第三平均加权电压、第三最高电压、第三最低电压、第四平均加权电压、第四最高电压和第四最低电压作为目标电池数据。
进一步的，上述基于训练参数、串数比、并数比和预测参数得到目标参数，包括：
若训练参数为样本电池组的容量，且容量的单位为安时，则将预测参数与并数比相乘，得到目标参数；若训练参数为样本电池组的容量，且容量的单位为瓦时，将预测参数、串数比和并数比相乘，得到目标参数。
进一步的，上述基于训练参数、串数比、并数比和预测参数得到目标参数，包括：
若训练参数为样本电池组的充放电时间，则将预测参数与并数比相乘，得到目标参数。
第二方面，本申请还提供了一种用于神经网络训练的电池组样本组织装置，该装置包括：
获取模块，用于获取样本电池组的第一时刻采样数据、第二时刻采样数据和训练参数；
训练计算模块，用于根据第一时刻采样数据和第二时刻采样数据得到训练电池数据；
神经网络训练模块，用于将训练电池数据和训练参数输入神经网络进行训练，得到训练好的神经网络；
目标获取模块，用于获取目标电池组的当前时刻采样数据和上一时刻采样数据；
目标计算模块，用于根据当前时刻采样数据和上一时刻采样数据得到目标电池数据；
输入模块，用于将目标电池数据输入训练好的神经网络，得到预测参数；
串并数比计算模块，用于计算目标电池组与样本电池组的串数比和并数比；
目标参数计算模块，用于基于训练参数、串数比、并数比和预测参数得到目标参数。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时执行如上述任一种用于神经网络训练的电池组样本组织方法的步骤。
第四方面，本申请实施例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如上述任一种用于神经网络训练的电池组样本组织方法的步骤。
综上，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的一种用于神经网络训练的电池组样本组织方法，首先获取样本电池组的训练参数和样本电池组在两个时刻的采样数据用于神经网络的训练；在训练完成后，将目标电池组的目标电池数据作为训练好的神经网络的输入，得到预测参数；但由于预测参数是用样本电池组的数据训练出的神经网络预测的，所以不能作为目标电池组的真实的预测结果，需要和样本电池组与目标电池组的串并数比进行结合，才能得到最终的目标参数。上述方法在训练神经网络时只需要收集一个样本电池组的数据，在训练完成后的应用中，通过串数比、并数比的加入实现各种串并数的目标电池组的目标参数计算，不需要额外花大量时间收集多个样本训练神经网络，一次样本收集时间可复用于不同串并数的目标电池组的参数计算，且用样本电池组两个时刻的采用数据保证了神经网络的训练梯度。
附图说明
图1为本申请一个实施例提供的一种用于神经网络训练的电池组样本组织方法的流程图。
图2为本申请一个实施例提供的一种用于神经网络训练的电池组样本组织装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参见图1，本申请实施例提供了一种用于神经网络训练的电池组样本组织方法，该方法具体包括以下步骤：
获取样本电池组的第一时刻采样数据、第二时刻采样数据和训练参数。
其中，训练参数包括样本电池组的容量或充放电时间；第一时刻和第二时刻为训练阶段相邻的两个采样时刻，在具体实施过程中，两个时刻之间通常相差1-3分钟。
根据第一时刻采样数据和第二时刻采样数据得到训练电池数据。
将训练电池数据和训练参数输入神经网络进行训练，得到训练好的神经网络。
本申请不设计神经网络内部的训练过程，重点关注如何建立样本集使得训练精度更高。
在本申请中，训练参数即为神经网络的训练目标，即训练参数是可选的：若想让训练好的神经网络能够计算容量，则训练参数为样本电池组的容量，同理若想让训练好的神经网络能够计算充放电时间，则训练参数为样本电池组的充放电时间。
获取目标电池组的当前时刻采样数据和上一时刻采样数据。
其中，上一时刻和当前时刻也是正式应用阶段相邻的两个采样时刻，相差1-3分钟。
根据当前时刻采样数据和上一时刻采样数据得到目标电池数据。
将目标电池数据输入训练好的神经网络，得到预测参数。
其中，预测参数的参数类型和训练参数一致，若训练参数为样本电池组的容量，则预测参数为训练好的神经网络预测的目标电池组容量；但因神经网络只用了一个样本电池组，即一种串并数电池组的数据进行训练，因此此时输出的预测参数并不是目标电池组真正的参数，还需将预测参数和串数比、并数比结合，得到目标电池组真正的目标参数。
计算目标电池组与样本电池组的串数比和并数比。
具体地，假设目标电池组串联单体电池的个数A，并联支路个数为B，样本电池组中串联单体电池的个数为a，并联支路个数为b，则串数比为A/a，并数比为B/b。
在具体实施过程中，样本电池组的串联单体电池数量可以为2-4个；若样本电池组或目标电池组只有串联，则并联支路个数取1。
基于训练参数、串数比、并数比和预测参数得到目标参数。具体地，若训练参数为容量且单位为瓦时(WH)，则目标参数＝预测参数*串数比*并数比；若容量单位为安时(AH)，则目标参数＝预测参数*并数比；若训练参数为充放电时间，则目标参数＝预测参数*并数比。
上述实施例提供的一种用于神经网络训练的电池组样本组织方法，首先获取样本电池组的训练参数和样本电池组在两个时刻的采样数据用于神经网络的训练；在训练完成后，将目标电池组的目标电池数据作为训练好的神经网络的输入，得到预测参数；但由于预测参数是用样本电池组的数据训练出的神经网络预测的，所以不能作为目标电池组的真实的预测结果，需要和样本电池组与目标电池组的串并数比进行结合，才能得到最终的目标参数。上述方法在训练神经网络时只需要收集一个样本电池组的数据，在训练完成后的应用中，通过串数比、并数比的加入实现各种串并数的目标电池组的目标参数计算，不需要额外花大量时间收集多个样本训练神经网络，一次样本收集时间可复用于不同串并数的目标电池组的参数计算，且用样本电池组两个时刻的采用数据保证了神经网络的训练梯度。
在一些实施例中，第一时刻采样数据包括样本电池组在第一时刻的第一电流和样本电池组中各电池单体在第一时刻的第一电压；第二时刻采样数据包括样本电池组在第二时刻的第二电流和样本电池组中各电池单体在第二时刻的第二电压。
其中，上述根据第一时刻采样数据和第二时刻采样数据得到训练电池数据，包括：
根据各第一电压得到第一平均加权电压、第一最高电压和第一最低电压。
根据各第二电压得到第二平均加权电压、第二最高电压和第二最低电压。
其中，第一最高电压为各第一电压中的最大值，第一最低电压为各第一电压中的最小值；第二最高电压为各第二电压中的最大值，第二最低电压为各第二电压中的最小值。
将第一电流、第二电流、第一平均加权电压、第一最高电压、第一最低电压、第二平均加权电压、第二最高电压和第二最低电压作为训练电池数据。
上述实施例令每个时刻的训练数据包括该时刻样本电池组的三项电压相关参数，在恒压阶段训练时可提供更多的梯度，使得神经网络的训练结果更符合实际的样本拟合。
在一些实施例中，上述根据各第一电压计算得到第一平均加权电压、第一最高电压和第一最低电压，具体可以包括：
获取各第一电压中的第一最高电压和第一最低电压，计算除第一最高电压和第一最低电压外剩余各第一电压的平均值，作为第一平均电压。
将第一最高电压与第一预设权重相乘、第一最低电压与第二预设权重相乘、第一平均电压与第三预设权重相乘，将三项乘积结果相加，得到第一平均加权电压。
其中，第一预设权重可以为0.3，第二预设权重可以为0.3，第三预设权重可以为0.4。
具体地，先通过排序得到各第一电压中的最大值和最小值，分别作为第一最高电压和第一最低电压；再计算除第一最高电压和第一最低电压外，剩余各个第一电压的平均值；再通过加权平均电压计算公式：平均加权电压＝最高电压*0.3+最低电压*0.3+剩余各电压的均值*0.4，计算得到第一平均加权电压。
同理第二平均加权电压的计算过程与第一平均加权电压相同。
上述实施例计算的第一平均加权电压使得训练电池数据具有更好的代表性，能够使神经网络在恒压阶段的训练更加精准、快速。
在一些实施例中，上一时刻采样数据包括目标电池组在上一时刻的第三电流和目标电池组中各电池单体在上一时刻的第三电压；当前时刻采样数据包括目标电池组在当前时刻的第四电流和目标电池组中各电池单体在当前时刻的第四电压。
其中，上述根据当前时刻采样数据和上一时刻采样数据得到电池数据，包括：
根据各第三电压得到第三平均加权电压、第三最高电压和第三最低电压；
根据各第四电压得到第四平均加权电压、第四最高电压和第四最低电压；
将第三电流、第四电流、第三平均加权电压、第三最高电压、第三最低电压、第四平均加权电压、第四最高电压和第四最低电压作为电池数据。
其中，第三最高电压为各第三电压中的最大值，第三最低电压为各第三电压中的最小值；第四最高电压为各第四电压中的最大值，第四最低电压为各第四电压中的最小值。
计算第三平均加权电压的方法为：获取各第三电压中的第三最高电压和第三最低电压，计算除第三最高电压和第三最低电压外剩余各第三电压的平均值，作为第三平均电压。
将第三最高电压与第一预设权重相乘、第三最低电压与第二预设权重相乘、第三平均电压与第三预设权重相乘，将三项乘积结果相加，得到第三平均加权电压。
可以理解，第三平均加权电压和第四平均加权电压的计算方式与第一平均加权电压相同。
在一些实施例中，上述基于训练参数、串数比、并数比和预测参数得到目标参数，包括：
若训练参数为样本电池组的容量，且容量的单位为安时，则将预测参数与并数比相乘，得到目标参数；若训练参数为样本电池组的容量，且容量的单位为瓦时，将预测参数、串数比和并数比相乘，得到目标参数。具体地，训练参数为人为选择添加的，当选择训练参数为“容量”且单位为安时(AH)时，目标参数＝预测参数*并数比；当选择训练参数为“容量”且单位为瓦时(WH)时，目标参数＝预测参数*串数比*并数比。
这主要是因为容量可以有2种表示，一是安时(AH),另一个是瓦时(WH)，AH和WH是两个角度去看容量的，虽然都用来表述容量，但计算方法不同。
在一些实施例中，上述基于训练参数、串数比、并数比和预测参数得到目标参数，包括：
若训练参数为样本电池组的充放电时间，则将预测参数与并数比相乘，得到目标参数。
而当训练参数为充放电时间时，表示训练好的神经网络的功能就是计算目标电池组的充放电时间，此时目标电池组的充放电时间即为目标参数，目标参数＝预测参数*并数比。在训练阶段，训练参数可以同时包括容量和充放电时间，这样训练出的神经网络在正式应用于目标电池组时，计算的目标参数为目标电池组的容量和充放电时间。
上述实施例将串数比、并数比与神经网络输出的预测参数相结合得到目标参数，无需使神经网络具有能够预测多种串并数电池组参数的能力，一次样本收集时间可复用于不同串并数的目标电池组的计算，减少了训练阶段的样本收集时间。
请参见图2，本申请另一实施例提供了一种用于神经网络训练的电池组样本组织装置，该装置具体可以包括：
获取模块101,用于获取样本电池组的第一时刻采样数据、第二时刻采样数据和训练参数。
训练计算模块102,用于根据第一时刻采样数据和第二时刻采样数据得到训练电池数据。
神经网络训练模块103,用于将训练电池数据和训练参数输入神经网络进行训练，得到训练好的神经网络。
目标获取模块104,用于获取目标电池组的当前时刻采样数据和上一时刻采样数据。
目标计算模块105,用于根据当前时刻采样数据和上一时刻采样数据得到目标电池数据。
输入模块106,用于将目标电池数据输入训练好的神经网络，得到预测参数。
串并数比计算模块107,用于计算目标电池组与样本电池组的串数比和并数比。
目标参数计算模块108,用于基于训练参数、串数比、并数比和预测参数得到目标参数。
上述实施例中提供的一种用于神经网络训练的电池组样本组织装置，首先获取样本电池组的训练参数和样本电池组在两个时刻的采样数据用于神经网络的训练；在训练完成后，将目标电池组的目标电池数据作为训练好的神经网络的输入，得到预测参数；但由于预测参数是用样本电池组的数据训练出的神经网络预测的，所以不能作为目标电池组的真实的预测结果，需要和样本电池组与目标电池组的串并数比进行结合，才能得到最终的目标参数。上述装置在训练神经网络时只需要收集一个样本电池组的数据，在训练完成后的应用中，通过串数比、并数比的加入实现各种串并数的目标电池组的目标参数计算，不需要额外花大量时间收集多个样本训练神经网络，一次样本收集时间可复用于不同串并数的目标电池组的参数计算，且用样本电池组两个时刻的采用数据保证了神经网络的训练梯度。
本实施例中提供的关于一种用于神经网络训练的电池组样本组织装置的具体限定，可以参见上文中关于一种用于神经网络训练的电池组样本组织方法的实施例，于此不再赘述。上述一种用于神经网络训练的电池组样本组织装置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，也可以软件形式存储于计算机设备的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供了一种计算机设备，该计算机设备可以包括通过系统总线连接的处理器、存储器、网络接口和数据库。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、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。处计算机程序被处理器执行时，使得处理器执行如上述任一实施例的一种用于神经网络训练的电池组样本组织方法的步骤。本实施例提供的计算机设备的工作过程、工作细节和技术效果，可以参见上文中关于一种用于神经网络训练的电池组样本组织方法的实施例，于此不再赘述。
本申请实施例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如上述任一实施例的一种用于神经网络训练的电池组样本组织方法的步骤。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于一种用于神经网络训练的电池组样本组织方法的实施例，于此不再赘述。
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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种用于神经网络训练的电池组样本组织方法，其特征在于，所述方法包括：
获取样本电池组的第一时刻采样数据、第二时刻采样数据和训练参数；
根据所述第一时刻采样数据和所述第二时刻采样数据得到训练电池数据；
将所述训练电池数据和所述训练参数输入神经网络进行训练，得到训练好的神经网络；
获取目标电池组的当前时刻采样数据和上一时刻采样数据；
根据所述当前时刻采样数据和所述上一时刻采样数据得到目标电池数据；
将所述目标电池数据输入所述训练好的神经网络，得到预测参数；
计算所述目标电池组与所述样本电池组的串数比和并数比；具体地，设所述目标电池组中串联单体电池的个数A，并联支路个数为B，所述样本电池组中串联单体电池的个数为a，并联支路个数为b，则所述串数比为A/a，所述并数比为B/b；
基于所述训练参数、所述串数比、所述并数比和所述预测参数得到目标参数；具体地，若所述训练参数为所述样本电池组的容量，且所述容量的单位为安时，则将所述预测参数与所述并数比相乘，得到所述目标参数；若所述训练参数为所述样本电池组的容量，且所述容量的单位为瓦时，将所述预测参数、所述串数比和所述并数比相乘，得到所述目标参数。
2.根据权利要求1所述的方法，其特征在于，所述第一时刻采样数据包括所述样本电池组在第一时刻的第一电流和所述样本电池组中各电池单体在第一时刻的第一电压；
所述第二时刻采样数据包括所述样本电池组在第二时刻的第二电流和所述样本电池组中各所述电池单体在第二时刻的第二电压。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一时刻采样数据和所述第二时刻采样数据得到训练电池数据，包括：
根据各所述第一电压得到第一平均加权电压、第一最高电压和第一最低电压；
根据各所述第二电压得到第二平均加权电压、第二最高电压和第二最低电压；
将所述第一电流、所述第二电流、所述第一平均加权电压、所述第一最高电压、所述第一最低电压、所述第二平均加权电压、所述第二最高电压和所述第二最低电压作为所述训练电池数据。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述第一电压计算得到第一平均加权电压、第一最高电压和第一最低电压，包括：
获取各所述第一电压中的所述第一最高电压和所述第一最低电压，计算除所述第一最高电压和所述第一最低电压外剩余各所述第一电压的平均值，作为第一平均电压；
将所述第一最高电压与第一预设权重相乘、所述第一最低电压与第二预设权重相乘、所述第一平均电压与第三预设权重相乘，将三项乘积结果相加，得到所述第一平均加权电压。
5.根据权利要求4所述的方法，其特征在于，所述第一预设权重为0.3，所述第二预设权重为0.3，所述第三预设权重为0.4。
6.根据权利要求1所述的方法，其特征在于，所述上一时刻采样数据包括所述目标电池组在上一时刻的第三电流和所述目标电池组中各电池单体在上一时刻的第三电压；
所述当前时刻采样数据包括所述目标电池组在当前时刻的第四电流和所述目标电池组中各所述电池单体在当前时刻的第四电压。
7.根据权利要求6所述的方法，其特征在于，所述根据所述当前时刻采样数据和所述上一时刻采样数据得到目标电池数据，包括：
根据各所述第三电压得到第三平均加权电压、第三最高电压和第三最低电压；
根据各所述第四电压得到第四平均加权电压、第四最高电压和第四最低电压；
将所述第三电流、所述第四电流、所述第三平均加权电压、所述第三最高电压、所述第三最低电压、所述第四平均加权电压、所述第四最高电压和所述第四最低电压作为所述目标电池数据。
8.根据权利要求1所述的方法，其特征在于，所述基于所述训练参数、所述串数比、所述并数比和所述预测参数得到目标参数，还包括：
若所述训练参数为所述样本电池组的充放电时间，则将所述预测参数与所述并数比相乘，得到所述目标参数。
9.一种用于神经网络训练的电池组样本组织装置，其特征在于，所述装置包括：
获取模块，用于获取样本电池组的第一时刻采样数据、第二时刻采样数据和训练参数；
训练计算模块，用于根据所述第一时刻采样数据和所述第二时刻采样数据得到训练电池数据；
神经网络训练模块，用于将所述训练电池数据和所述训练参数输入神经网络进行训练，得到训练好的神经网络；
目标获取模块，用于获取目标电池组的当前时刻采样数据和上一时刻采样数据；
目标计算模块，用于根据所述当前时刻采样数据和所述上一时刻采样数据得到目标电池数据；
输入模块，用于将所述目标电池数据输入所述训练好的神经网络，得到预测参数；
串并数比计算模块，用于计算所述目标电池组与所述样本电池组的串数比和并数比；具体地，设所述目标电池组中串联单体电池的个数A，并联支路个数为B，所述样本电池组中串联单体电池的个数为a，并联支路个数为b，则所述串数比为A/a，所述并数比为B/b；
目标参数计算模块，用于基于所述训练参数、所述串数比、所述并数比和所述预测参数得到目标参数；具体地，若所述训练参数为所述样本电池组的容量，且所述容量的单位为安时，则所述目标参数计算模块用于将所述预测参数与所述并数比相乘，得到所述目标参数；若所述训练参数为所述样本电池组的容量，且所述容量的单位为瓦时，所述目标参数计算模块用于将所述预测参数、所述串数比和所述并数比相乘，得到所述目标参数。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述方法的步骤。
11.一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如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311077393.1A CN117151201B (zh) | 2023-08-24 | 2023-08-24 | 一种用于神经网络训练的电池组样本组织方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311077393.1A CN117151201B (zh) | 2023-08-24 | 2023-08-24 | 一种用于神经网络训练的电池组样本组织方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151201A CN117151201A (zh) | 2023-12-01 |
| CN117151201B true CN117151201B (zh) | 2024-03-15 |
Family
ID=88909267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311077393.1A Active CN117151201B (zh) | 2023-08-24 | 2023-08-24 | 一种用于神经网络训练的电池组样本组织方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151201B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686917A (zh) * | 2023-12-12 | 2024-03-12 | 广芯微电子（广州）股份有限公司 | 一种基于神经网络的电量计算方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111208438A (zh) * | 2020-03-05 | 2020-05-29 | 东南大学 | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 |
| KR20210047627A (ko) * | 2019-10-22 | 2021-04-30 | 한국전력공사 | 태양광 발전량 예측 장치 및 방법 |
| CN112816809A (zh) * | 2020-12-29 | 2021-05-18 | 中通客车控股股份有限公司 | 整车工况试验用动力电池模拟系统及模拟方法 |
| CN114062950A (zh) * | 2021-11-16 | 2022-02-18 | 蜂巢能源科技有限公司 | 混联电池soc确定方法、装置、电子设备及存储介质 |
| CN114492182A (zh) * | 2022-01-18 | 2022-05-13 | 江苏大学 | 一种电池组任意拓扑结构循环寿命推衍预测方法 |
| EP4027158A1 (en) * | 2021-01-08 | 2022-07-13 | Nio Technology (Anhui) Co., Ltd | Soc estimation method for battery system, battery system and computer device |
| KR102431801B1 (ko) * | 2022-03-23 | 2022-08-11 | 주식회사 크레스트 | Soc 인덱스를 이용한 배터리 밸런싱 장치 및 방법 |
| CN115166532A (zh) * | 2022-07-25 | 2022-10-11 | 武汉动力电池再生技术有限公司 | 镍氢电池容量预测方法、装置、电子设备及存储介质 |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
| JP7314855B2 (ja) * | 2020-04-21 | 2023-07-26 | トヨタ自動車株式会社 | 組電池の状態判定装置および状態判定方法 |
| EP4358353A1 (en) * | 2021-11-26 | 2024-04-24 | Samsung Electronics Co., Ltd. | Method for controlling current ratio of multiple battery cells connected in parallel, and control system thereof |
-
2023
- 2023-08-24 CN CN202311077393.1A patent/CN117151201B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210047627A (ko) * | 2019-10-22 | 2021-04-30 | 한국전력공사 | 태양광 발전량 예측 장치 및 방법 |
| CN111208438A (zh) * | 2020-03-05 | 2020-05-29 | 东南大学 | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 |
| CN112816809A (zh) * | 2020-12-29 | 2021-05-18 | 中通客车控股股份有限公司 | 整车工况试验用动力电池模拟系统及模拟方法 |
| EP4027158A1 (en) * | 2021-01-08 | 2022-07-13 | Nio Technology (Anhui) Co., Ltd | Soc estimation method for battery system, battery system and computer device |
| CN114062950A (zh) * | 2021-11-16 | 2022-02-18 | 蜂巢能源科技有限公司 | 混联电池soc确定方法、装置、电子设备及存储介质 |
| CN114492182A (zh) * | 2022-01-18 | 2022-05-13 | 江苏大学 | 一种电池组任意拓扑结构循环寿命推衍预测方法 |
| KR102431801B1 (ko) * | 2022-03-23 | 2022-08-11 | 주식회사 크레스트 | Soc 인덱스를 이용한 배터리 밸런싱 장치 및 방법 |
| CN115166532A (zh) * | 2022-07-25 | 2022-10-11 | 武汉动力电池再生技术有限公司 | 镍氢电池容量预测方法、装置、电子设备及存储介质 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| Fast battery capacity estimation using convolutional neural networks;Yihuan Li 等;《THEMED ISSUE: Control engineering in shaping a low energy future》;20201231;全文 * |
| 锂离子电池成组应用技术及性能状态参数估计策略研究;黄凯;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20170815;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151201A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A novel model of the initial state of charge estimation for LiFePO4 batteries | |
| Li et al. | Study of battery modeling using mathematical and circuit oriented approaches | |
| US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
| CN117151201B (zh) | 一种用于神经网络训练的电池组样本组织方法及装置 | |
| CN110376536B (zh) | 电池系统soh检测方法、装置、计算机设备和存储介质 | |
| Li et al. | A new parameter estimation algorithm for an electrical analogue battery model | |
| CN112213643A (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
| CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
| CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
| CN111987377B (zh) | 电池的快充方法、电池管理系统以及电池的快充装置 | |
| CN112083346A (zh) | 基于lstm的并联电池组内部电流分布估计方法及系统 | |
| CN113484783B (zh) | 电池soh检测方法、装置、系统、介质及程序产品 | |
| CN113406496B (zh) | 基于模型迁移的电池容量预测方法、系统、装置及介质 | |
| CN116298927B (zh) | 一种电池容量估计方法和装置、计算机设备、存储介质 | |
| CN116430243A (zh) | 电芯soc的估计方法、装置、服务器及存储介质 | |
| CN113075550B (zh) | 获取电动势曲线的方法、装置、介质及电子设备 | |
| CN115993554A (zh) | 一种评估煤矿井下电源箱电池健康度的方法及装置 | |
| CN110068409A (zh) | 锂电池应力预测方法和装置 | |
| Tong et al. | Comprehensive battery equivalent circuit based model for battery management application | |
| CN112946498B (zh) | 电动势曲线的获得方法和装置、及处理器 | |
| CN117169749A (zh) | 电池容量预测模型的生成方法、预测方法及其装置 | |
| KR20220105895A (ko) | 셀 밸런싱을 이용한 배터리 전력 제어 장치 및 방법 | |
| EP3637120A1 (en) | Apparatus and method for estimating battery state-of-charge | |
| CN114184969B (zh) | 一种电芯可逆自放电容量损失测试方法及装置 | |
| CN114578229B (zh) | 动力电池健康状态确定方法、装置和可读存储介质 |
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 |