CN117310500A - 电池状态分类模型构建方法及电池状态分类方法 - Google Patents
电池状态分类模型构建方法及电池状态分类方法 Download PDFInfo
- Publication number
- CN117310500A CN117310500A CN202311025648.XA CN202311025648A CN117310500A CN 117310500 A CN117310500 A CN 117310500A CN 202311025648 A CN202311025648 A CN 202311025648A CN 117310500 A CN117310500 A CN 117310500A
- Authority
- CN
- China
- Prior art keywords
- battery
- battery state
- data
- sample
- 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
- 238000013145 classification model Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000010276 construction Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 claims abstract description 14
- 238000003066 decision tree Methods 0.000 claims description 195
- 238000012545 processing Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F18/2431—Multiple classes
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供了一种电池状态分类模型构建方法、电池状态分类方法、装置、电子设备及计算机可读存储介质;电池状态分类方法包括:获取待测电池的待测电池数据;其中,待测电池数据包括待测电池对应多种目标电池特征的特征值;多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别;其中,电池状态分类模型是通过电池状态分类模型构建方法构建得到的;目标电池状态类别是多种电池状态类别中的一种。通过本申请,能够提升分类模型的建模效果,进而提升电池状态检测的准确性,有助于更加有效地管理电池。
Description
技术领域
本申请涉及电池管理技术领域,具体涉及一种电池状态分类模型构建方法、电池状态分类方法、装置、电子设备及计算机可读存储介质。
背景技术
随着技术发展,电池已广泛应用在交通出行、电子产品、储能及航空等多种场景,而受限于电池本身材料,在其使用过程中会存在无法避免的损耗,对于使用者而言,需要了解电池状态的具体情况,从而确定预期使用时长或者判断是否更换电池,因此,目前存在对电池状态进行检测的需求。
在相关技术提供的方案中,通常是通过电池健康状态(State Of Health,SOH)以及电池荷电状态(State Of Charge,SOC)来判断电池使用状况及状态。然而,发明人经过大量研究后发现,通过该种方式得到的电池状态并不准确,以新能源汽车搭载的高压电池(电压一般在200V~700V)为例,高压电池一般在SOH降到80%时满足电池更换条件,然而,SOH为80%的电池的耐用性及安全性可能会比SOH为85%~90%且出现少量故障(如过热)的电池更高。因此,相关技术提供的方案所检测出的电池状态的准确性差,容易对电池的使用或更换造成不良影响。
发明内容
本申请实施例提供一种电池状态分类模型构建方法、电池状态分类方法、装置、电子设备及计算机可读存储介质,能够提升检测出的状态的准确性,更利于电池的有效利用。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种电池状态分类模型构建方法,包括:
获取第一样本电池数据;其中,所述第一样本电池数据包括样本电池对应多种目标电池特征的特征值、以及所述样本电池所属的标签电池状态类别;所述多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;所述标签电池状态类别为多种电池状态类别中的一种;
根据多个第一样本电池数据构建电池状态分类模型;
其中,所述电池状态分类模型用于对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别;所述待测电池数据包括所述待测电池对应所述多种目标电池特征的特征值;所述目标电池状态类别为所述多种电池状态类别中的一种。
通过上述方案,基于对电池状态类别影响较大的目标电池特征来构建电池状态分类模型,能够提升构建出的电池状态分类模型的分类精度,从而便于更好地使用或更换电池。
在上述方案中,所述电池状态分类模型包括多个独立决策树;所述根据多个第一样本电池数据构建电池状态分类模型,包括:
根据多个第一样本电池数据并行生成多个独立决策树;
其中,每个独立决策树用于根据至少一种目标电池特征进行预测;所述多个独立决策树分别得到的决策树预测结果用于进行平均或表决,以得到预测出的电池状态类别。
通过上述方案,采用并行生成多个独立决策树的方式来拟合多个第一样本电池数据,能够提升拟合效果,有效学习到多个第一样本电池数据中的数据规律。
在上述方案中,所述根据多个第一样本电池数据并行生成多个独立决策树,包括:
在并行生成的任意一轮生成过程中,执行以下处理:
对多个第一样本电池数据进行数据抽取处理;
对所述多种目标电池特征进行特征抽取处理;
将抽取出的第一样本电池数据作为根节点的数据;
自根节点开始,从抽取出的目标电池特征中选择一种目标电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为所述任意一轮生成的独立决策树。
通过上述方案,能够加强独立决策树生成过程中的随机性,从而提升模型的多样性,提升分类性能。
在上述方案中,所述获取第一样本电池数据之前,所述方法还包括:
获取第二样本电池数据;其中,所述第二样本电池数据包括所述样本电池对应多种候选电池特征的特征值、以及所述样本电池所属的标签电池状态类别;
对多个第二样本电池数据进行特征关联处理,得到所述多种候选电池特征相对于电池状态类别的特征重要度;
根据特征重要度对所述多种候选电池特征进行筛选处理,得到目标电池特征。
通过上述方案,能够从多种候选电池特征中筛选出对电池状态类别影响较大的若干种目标电池特征,从而能够提升模型构建效果。
在上述方案中,所述对多个第二样本电池数据进行特征关联处理,得到所述多种候选电池特征相对于电池状态类别的特征重要度,包括:
根据多个第二样本电池数据串行生成多个关联决策树;其中,每个关联决策树用于根据至少一种候选电池特征进行预测;所述多个关联决策树分别得到的决策树预测结果用于进行累计,以得到预测出的电池状态类别;
根据所述多种候选电池特征在所述多个关联决策树中的特征决策信息,确定所述多种候选电池特征相对于电池状态类别的特征重要度。
通过上述方案,针对候选电池特征的种类较多的特点,通过串行生成多个关联决策树的方式来确定候选电池特征对电池状态类别的影响,由于串行生成多个关联决策树的方式适合大规模的数据集,因此能够提升得到的特征重要度的准确性。
在上述方案中,所述特征决策信息包括特征被使用次数、对决策树预测结果的增益、以及对多个第二样本电池数据的覆盖度;
所述根据所述多种候选电池特征在所述多个关联决策树中的特征决策信息,确定所述多种候选电池特征相对于电池状态类别的特征重要度,包括:
针对任意一种候选电池特征,执行以下处理:
对所述任意一种候选电池特征在所述多个关联决策树中的特征被使用次数、增益以及覆盖度进行融合处理,得到所述任意一种候选电池特征相对于电池状态类别的特征重要度。
通过上述方案,综合关联决策树中多个维度的信息来得到特征重要度,能够进一步提升计算出的特征重要度的准确性。
在上述方案中,所述根据多个第二样本电池数据串行生成多个关联决策树,包括:
在任意一个关联决策树的生成过程中执行以下处理:
将多个第二样本电池数据作为根节点的数据;
自根节点开始,根据前一个关联决策树的残差,从所述多种候选电池特征中选择一种候选电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为关联决策树;其中,所述残差用于表征决策树预测结果与标签电池状态类别之间的差异。
通过上述方案,考虑前一个关联决策树的残差来依次构建关联决策树,能够加强不同树之间的关联性,并且更好地学习到候选电池特征对于电池状态类别的影响。
在上述方案中,所述根据多个第一样本电池数据构建电池状态分类模型之后,所述方法还包括:
执行以下任意一种处理:
将所述电池状态分类模型部署至边缘设备,以使所述边缘设备采集待测电池数据,通过所述电池状态分类模型对所述待测电池数据进行预测处理,得到所述待测电池所属的目标电池状态类别,并根据所述目标电池状态类别进行提示;
接收所述边缘设备采集的待测电池数据,通过所述电池状态分类模型对所述待测电池数据进行预测处理,得到所述待测电池所属的目标电池状态类别,并根据所述目标电池状态类别对所述边缘设备进行提示。
通过上述方案,提升了状态预测及提示的灵活性,即可以协助边缘设备进行处理或者由边缘设备自身进行处理,满足不同场景下的需求。
本申请实施例提供一种电池状态分类方法,包括:
获取待测电池的待测电池数据;其中,所述待测电池数据包括所述待测电池对应多种目标电池特征的特征值;所述多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;
通过电池状态分类模型对所述待测电池数据进行预测处理,得到所述待测电池所属的目标电池状态类别;其中,所述电池状态分类模型是通过上述的电池状态分类模型构建方法构建得到的;所述目标电池状态类别是多种电池状态类别中的一种。
通过上述方案,基于对电池状态类别影响较大的目标电池特征来预测目标电池状态类别,能够提升状态分类的精度,有利于电池管理。
在上述方案中,所述电池状态分类模型包括多个独立决策树;所述通过电池状态分类模型对所述待测电池数据进行预测处理,得到所述待测电池所属的目标电池状态类别,包括:
通过每个独立决策树对所述待测电池数据进行预测处理,得到决策树预测结果;其中,每个独立决策树用于根据至少一种目标电池特征进行预测;
对所述多个独立决策树分别对应的决策树预测结果进行平均或表决,得到所述待测电池所属的目标电池状态类别。
在上述方案中,综合多个独立决策树的决策树预测结果,能够兼顾到各个目标电池特征与电池状态类别之间的联系,提升电池状态分类的精度。
本申请实施例提供一种电池状态分类模型构建装置,包括:
样本获取模块,用于获取第一样本电池数据;其中,所述第一样本电池数据包括样本电池对应多种目标电池特征的特征值、以及所述样本电池所属的标签电池状态类别;所述多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;所述标签电池状态类别为多种电池状态类别中的一种;
构建模块,用于根据多个第一样本电池数据构建电池状态分类模型;
其中,所述电池状态分类模型用于对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别;所述待测电池数据包括所述待测电池对应所述多种目标电池特征的特征值;所述目标电池状态类别为所述多种电池状态类别中的一种。
本申请实施例提供一种电池状态分类装置,包括:
待测获取模块,用于获取待测电池的待测电池数据;其中,所述待测电池数据包括所述待测电池对应多种目标电池特征的特征值;所述多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;
预测模块,用于通过电池状态分类模型对所述待测电池数据进行预测处理,得到所述待测电池所属的目标电池状态类别;其中,所述电池状态分类模型是通过上述的电池状态分类模型构建方法构建得到的;所述目标电池状态类别是多种电池状态类别中的一种。
本申请实施例提供一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请实施例提供的电池状态分类模型构建方法或者电池状态分类方法。
本申请实施例提供一种计算机可读存储介质,存储有可执行指令,用于引起处理器执行时,实现本申请实施例提供的电池状态分类模型构建方法或者电池状态分类方法。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括可执行指令,该可执行指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该可执行指令,处理器执行该可执行指令,使得该电子设备执行本申请实施例上述的电池状态分类模型构建方法或者电池状态分类方法。
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,对于本领域技术人员来讲,在不付出创造性劳动的前提下,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电池状态分类系统的一个架构示意图;
图2A是本申请实施例提供的服务器的一个结构示意图;
图2B是本申请实施例提供的服务器的另一个结构示意图;
图3A是本申请实施例提供的电池状态分类模型构建方法的一个流程示意图;
图3B是本申请实施例提供的电池状态分类模型构建方法的另一个流程示意图;
图3C是本申请实施例提供的电池状态分类模型构建方法的另一个流程示意图;
图3D是本申请实施例提供的电池状态分类模型构建方法的另一个流程示意图;
图4是本申请实施例提供的电池状态分类方法的一个流程示意图;
图5是本申请实施例提供的高压电池状态检测的一个流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。在以下的描述中,所涉及的术语“多个”是指至少两个。
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本申请实施例的目的,不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
1)电池特征:指针对电池可采集的各种特征,例如,在车辆场景中,可以将车辆的电池管理系统(Battery Management System,BMS)模块可采集的各种特征均作为电池特征。
2)电池状态类别:指预设的若干种用于表征电池使用情况的类别,例如可以包括电池需更换、电池SOH低但其他性能完好、电池异常、电池表现正常等。值得说明的是,本申请实施例中的标签电池状态类别是指已标注的、认定为正确的电池状态类别,可由人为标注或通过其他方式得到。
3)样本电池:作为观察样本的电池,可以是正在使用中的电池,也可以是被更换下来的电池,对此不做限定。
4)待测电池:需要检测电池状态的电池。
5)边缘设备:指用于采集待测电池数据、并进行相应提示的设备,相对于云端来说位于边缘端。
6)决策树:是一种树形结构,其中每个内部节点表示一个属性(电池特征)上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别(电池状态类别)。决策树的生成是一种监督学习过程,所谓监督学习就是给定一堆样本,每个样本都有一组属性和一个类别,这些类别是事先确定的,那么通过学习得到决策树,决策树能够对新出现的对象给出正确的分类,这样的学习过程就被称为监督学习。在本申请实施例中,涉及关联决策树和独立决策树,关联决策树的生成过程依赖于上一个关联决策树,而各个独立决策树的生成过程是相互独立的。
本申请实施例提供一种电池状态分类模型构建方法、电池状态分类方法、装置、电子设备及计算机可读存储介质,能够提升电池状态分类的准确性,便于更有效的利用电池,例如便于准确预估电池的使用时长,或者便于在合适时机更换电池,以降低更换电池的成本。下面说明本申请实施例提供的电子设备的示例性应用,本申请实施例提供的电子设备可以实施为车载设备,笔记本电脑,平板电脑,台式计算机,机顶盒,移动设备(例如,移动电话,便携式音乐播放器,个人数字助理,专用消息设备,便携式游戏设备)等各种类型的终端设备,也可以实施为服务器。
参见图1,图1是本申请实施例提供的电池状态分类系统100的一个架构示意图,终端设备400-1和终端设备400-2分别通过网络300连接服务器200,其中,网络300可以是广域网或者局域网,又或者是二者的组合。
在一些实施例中,以电子设备是服务器为例,本申请实施例提供的电池状态分类模型构建方法可以由服务器实现。为了便于理解,以车辆的电池状态分类场景进行说明,终端设备400-1和终端设备400-2都是部署于车辆的设备,功能可以包括数据采集、数据通信、车辆控制及数据计算等。
服务器200首先从终端设备400-1获取第二样本电池数据以作为训练样本,第二样本电池数据包括样本电池对应多种候选电池特征的特征值、以及样本电池所属的标签电池状态类别;标签电池状态类别为多种电池状态类别中的一种。这里,样本电池可以是终端设备400-1所在车辆的电池,当然,根据实际情况的不同,样本电池也可以是其他类型的电池。值得说明的是,终端设备400-1可以一并提供样本电池对应多种候选电池特征的特征值以及样本电池所属的标签电池状态类别;也可以仅提供样本电池对应多种候选电池特征的特征值,并由服务器200统一标注对应的标签电池状态类别。
服务器200对获取到的多个第二样本电池数据进行特征关联处理,得到多种候选电池特征相对于电池状态类别的特征重要度;根据特征重要度对多种候选电池特征进行筛选处理,得到目标电池特征;根据多个第一样本电池数据构建电池状态分类模型;其中,第一样本电池数据包括样本电池对应多种目标电池特征的特征值以及样本电池所属的标签电池状态类别。在得到电池状态分类模型后,服务器200即具有准确进行电池状态分类的能力。
在一些实施例中,以电子设备是服务器为例,本申请实施例提供的电池状态分类方法可以由服务器实现。例如,终端设备400-2在采集到待测电池数据(待测电池是终端设备400-2所在车辆的电池)时,将待测电池数据发送至服务器200。服务器200通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别,并将目标电池状态类别发送至终端设备400-2,由终端设备400-2根据接收到的目标电池状态类别进行提示。该种方式将计算工作交由服务器200完成,能够减轻终端设备400-2的计算压力,适用于对计算实时性要求不高的场景。
在一些实施例中,以电子设备是终端设备为例,本申请实施例提供的电池状态分类方法可以由终端设备实现。例如,服务器200将构建出的电池状态分类模型发送至终端设备400-2,终端设备400-2在本地部署该电池状态分类模型,如此,终端设备400-2在采集到待测电池数据时,便可通过本地部署的电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别,此时,终端设备400-2即为相对于服务器200的边缘设备。然后,终端设备400-2可以根据得到的目标电池状态类别进行提示,例如可以在车辆的显示屏幕显示目标电池状态类别,或者将目标电池状态类别发送至车主的移动终端。如图1所示,该种方式能够通过边缘计算的方式降低云端的存储压力及计算压力,提高计算效率。
在一些实施例中,电子设备可以通过运行计算机程序来实现本申请实施例提供的电池状态分类模型构建方法或者电池状态分类方法,例如,计算机程序可以是操作系统中的原生程序或软件模块;可以是本地(Native)应用程序(APP,Application),即需要在操作系统中安装才能运行的程序,如专用于电池状态分类的应用程序;也可以是小程序,即只需要下载到浏览器环境中就可以运行的程序;还可以是能够嵌入至任意APP中的小程序或插件,其中,该小程序或插件可以由用户控制运行或关闭。总而言之,上述计算机程序可以是任意形式的应用程序、模块或插件。
在一些实施例中,服务器200可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器,其中,云服务可以是电池状态分类服务,供终端设备进行调用。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例中不做限制。
参见图2A,图2A是本申请实施例提供的服务器200的结构示意图,图2A所示的服务器200包括:至少一个处理器210、存储器250和至少一个网络接口220。服务器200中的各个组件通过总线系统240耦合在一起。可理解,总线系统240用于实现这些组件之间的连接通信。总线系统240除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2A中将各种总线都标为总线系统240。
处理器210可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),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,其中,通用处理器可以是微处理器或者任何常规的处理器等。
存储器250可以是可移除的,不可移除的或其组合。示例性的硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器250可选地包括在物理位置上远离处理器210的一个或多个存储设备。
存储器250包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM,Read Only Memory),易失性存储器可以是随机存取存储器(RAM,Random Access Memory)。本申请实施例描述的存储器250旨在包括任意适合类型的存储器。
在一些实施例中,存储器250能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统251,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
网络通信模块252,用于经由一个或多个(有线或无线)网络接口220到达其他计算设备,示例性的网络接口220包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB,Universal Serial Bus)等;
在一些实施例中,本申请实施例提供的电池状态分类模型构建装置可以采用软件方式实现,图2A示出了存储在存储器250中的电池状态分类模型构建装置2551,其可以是程序和插件等形式的软件,包括以下软件模块:样本获取模块25511以及构建模块25512,这些模块是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在一些实施例中,本申请实施例提供的电池状态分类装置可以采用软件方式实现,图2B示出了存储在存储器250中的电池状态分类装置2552,其可以是程序和插件等形式的软件,包括以下软件模块:待测获取模块25521以及预测模块25522,这些模块是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
将结合本申请实施例提供的电子设备的示例性应用和实施,说明本申请实施例提供的电池状态分类模型构建方法,本申请实施例提供的电池状态分类模型构建方法可以由服务器(如图1示出的服务器200)执行。
参见图3A,图3A是本申请实施例提供的电池状态分类模型构建方法的一个流程示意图,将结合图3A示出的步骤进行说明。
在步骤101中,获取第一样本电池数据;其中,第一样本电池数据包括样本电池对应多种目标电池特征的特征值、以及样本电池所属的标签电池状态类别;多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;标签电池状态类别为多种电池状态类别中的一种。
在本申请实施例中,基于监督学习的方式来构建用于进行电池状态分类的模型,而监督学习的第一步是需要收集训练数据。这里,获取样本电池对应多种目标电池特征的特征值、以及该样本电池所属的标签电池状态类别,以构建样本电池数据,为了便于区分,将这里的样本电池数据命名为第一样本电池数据。其中,样本电池可以是正在使用中的电池,也可以是被更换的电池。
其中,上述的多种目标电池特征包括电池温度、电池电压、充电电流(如充电电流平均值)、放电电流(如放电电流平均值)、SOH、SOC以及充电频率,当然,目标电池特征并不限于此,还可以包括更多的特征。
值得说明的是,本申请实施例采用的是分类的方式来进行电池状态检测,因此,需要预设多种电池状态类别,如电池需更换、电池SOH低但其他性能完好、电池异常、电池表现正常等。而标签电池状态类别是指针对样本电池已标注的、认定为正确的电池状态类别,可由人为标注或通过其他方式得到。
值得说明的是,样本电池与第一样本电池数据之间可以是“一对一”或“一对多”的关系。其中,“一对一”是指在某一时刻收集样本电池的数据;“一对多”是指在多个时刻分别收集样本电池的数据,例如在样本电池刚开始使用时、使用一年时、以及接近报废时分别收集数据。
在步骤102中,根据多个第一样本电池数据构建电池状态分类模型;
其中,电池状态分类模型用于对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别;待测电池数据包括待测电池对应多种目标电池特征的特征值;目标电池状态类别为多种电池状态类别中的一种。
然后,根据多个第一样本电池数据进行监督学习,以学习多个第一样本电池数据中隐含的目标电池特征与标签电池状态类别之间的数据规律,从而构建出电池状态分类模型。由于目标电池特征是相对于电池状态类别的强关联特征,因此能够有效保证监督学习的效果,避免陷入过拟合。
得到的电池状态分类模型可以用于待测电池的电池状态分类,例如,可以先采集待测电池的电池数据,该电池数据包括待测电池对应多种目标电池特征的特征值,为了便于区分,将这里的电池数据命名为待测电池数据。然后,将待测电池数据作为电池状态分类模型的输入,即通过电池状态分类模型对待测电池数据进行预测处理,电池状态分类模型的输出即为预测出的电池状态类别,为了便于区分,命名为目标电池状态类别。
在一些实施例中,根据多个第一样本电池数据构建电池状态分类模型之后,还包括:执行以下任意一种处理:将电池状态分类模型部署至边缘设备,以使边缘设备采集待测电池数据,通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别,并根据目标电池状态类别进行提示;接收边缘设备采集的待测电池数据,通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别,并根据目标电池状态类别对边缘设备进行提示。
这里,可以通过中心计算或边缘计算的方式来计算目标电池状态类别。第一种方式是边缘计算,即是将电池状态分类模型部署至需要检测电池状态的边缘设备,边缘设备在本地部署完成电池状态分类模型后,采集待测电池数据,通过电池状态分类模型对待测电池数据进行预测处理,并根据得到的目标电池状态类别进行提示。该种方式将计算任务置于边缘端,能够提升边缘设备取得目标电池状态类别的速度,降低云端的存储及计算压力。
第二种方式是中心计算,是指云端(即服务器端)接收边缘设备采集的待测电池数据,通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别,并根据目标电池状态类别对边缘设备进行提示,例如将目标电池状态类别发送至边缘设备,由边缘设备进行提示。该种方式中,由云端面向不同的边缘设备,承担大量的计算任务,可以减轻边缘设备端的存储及计算压力,适用于对取得目标电池状态类别的效率要求不高的场景。在实际场景中,可以根据需求来选择上述任一种计算方式。
值得说明的是,本申请实施例对提示的方式不做限定,例如可以是在显示屏显示提示的内容,或是将提示的内容发送到待测电池对应用户的用户设备;对提升的内容也不做限定,可以包括目标电池状态类别,可以包括目标电池状态类别对应的提示话术(可以针对各种电池状态类别分别预设好提示话术),还可以包括待测电池数据。
通过图3A实施例,根据与电池状态类别关联程度较大的目标电池特征来构建电池状态分类模型,能够有效提升构建出的电池状态分类模型的效果,进而提升电池状态分类的精度。
在一些实施例中,参见图3B,图3B是本申请实施例提供的电池状态分类模型构建方法的一个流程示意图,图3A所示的步骤102可以更新为步骤201,在步骤201中,根据多个第一样本电池数据并行生成多个独立决策树;其中,每个独立决策树用于根据至少一种目标电池特征进行预测;多个独立决策树分别得到的决策树预测结果用于进行平均或表决,以得到预测出的电池状态类别。
这里,第一样本电池数据包括样本电池对应多种目标电池特征的特征值、以及样本电池所属的标签电池状态类别,可以根据多个第一样本电池数据并行生成多个决策树,这里生成各决策树的过程是相互独立的,为了便于区分,将这里生成的决策树命名为独立决策树。每个独立决策树都包括至少一种目标电池特征,根据该至少一种目标电池特征来执行预测得到决策树预测结果,多个独立决策树分别得到的决策树预测结果用于进行平均或表决,以得到预测出的电池状态类别。
在一些实施例中,可以通过这样的方式来实现上述的根据多个第一样本电池数据并行生成多个独立决策树:在并行生成的任意一轮生成过程中,执行以下处理:对多个第一样本电池数据进行数据抽取处理;对多种目标电池特征进行特征抽取处理;将抽取出的第一样本电池数据作为根节点的数据;自根节点开始,从抽取出的目标电池特征中选择一种目标电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为任意一轮生成的独立决策树。
这里,提供了并行生成多个独立决策树的示例,以任意一轮的生成过程进行举例。对多个第一样本电池数据进行数据抽取处理,以抽取出若干个第一样本电池数据,并将抽取出的第一样本电池数据作为根节点的数据,其中,数据抽取处理可以是有放回的抽取;同时,对多种目标电池特征进行特征抽取处理,以抽取出不重复的若干个目标电池特征。然后,自根节点开始,从抽取出的若干个目标电池特征中选择一种目标电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为该轮生成的独立决策树。其中,节点分类的策略可以是信息增益策略或其他策略,对此不做限定。通过上述的数据抽取处理及特征抽取处理,能够加强生成独立决策树过程中的随机性,从而提升模型的多样性,提升分类性能。
通过图3B所示实施例,以并行生成多个独立决策树的方式来完成模型构建,能够综合多个独立决策树有效提升模型性能,提升分类的准确性。
在一些实施例中,参见图3C,图3C是本申请实施例提供的电池状态分类模型构建方法的一个流程示意图,在图3A所示的步骤101之前,还可以在步骤301中,获取第二样本电池数据;其中,第二样本电池数据包括样本电池对应多种候选电池特征的特征值、以及样本电池所属的标签电池状态类别。
这里,候选电池特征可以是针对样本电池可以采集到的各种特征,有的候选电池特征与电池状态类别之间的关联较大,有的候选电池特征与电池状态类别之间的关联较小,因此,在本申请实施例中,从多种候选电池特征中筛选出与电池状态类别之间的关联最大的目标电池特征。
首先,获取样本电池的第二样本电池数据,第二样本电池数据包括样本电池对应多种候选电池特征的特征值、以及样本电池所属的标签电池状态类别。
在步骤302中,对多个第二样本电池数据进行特征关联处理,得到多种候选电池特征相对于电池状态类别的特征重要度。
这里,通过特征关联处理来挖掘出候选电池特征与电池状态类别之间的关系,体现为各种候选电池特征相对于电池状态类别的特征重要度。某个候选电池特征的特征重要度越高,表示该候选电池特征对电池状态类别的影响更大。
其中,可以采用监督学习的方式来进行特征关联处理,例如通过多个第二样本电池数据构建用于预测电池状态类别的模型,并将候选电池特征在模型中的重要程度,作为候选电池特征相对于电池状态类别的特征重要度。
在步骤303中,根据特征重要度对多种候选电池特征进行筛选处理,得到目标电池特征。
例如,可以按照特征重要度从大到小的顺序,对多种候选电池特征进行排序,并选取排名靠前的预设数量或预设比例的候选电池特征,以作为目标电池特征。其中,预设数量或预设比例可以根据实际情况进行设定。这里的目标电池特征即为多种候选电池特征中的、对电池状态类别的影响最大的若干个特征。在本申请实施例中,目标电池特征至少包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率,当然还可以包括更多的特征。
在得到多种目标电池特征后,可以根据多种目标电池特征对多个第二样本电池数据进行更新处理,以使得更新得到的数据仅包括样本电池对应多种目标电池特征的特征值、以及样本电池所属的标签电池状态类别,即更新得到的数据为第一样本电池数据。
通过图3C实施例,以计算出的特征重要度对候选电池特征进行筛选,并基于筛选后的特征进行监督学习,能够有效提升构建出的电池状态分类模型的效果。
在一些实施例中,参见图3D,图3D是本申请实施例提供的电池状态分类模型构建方法的一个流程示意图,图3C所示的步骤302可以通过步骤401及步骤402实现。
在步骤401中,根据多个第二样本电池数据串行生成多个关联决策树;其中,每个关联决策树用于根据至少一种候选电池特征进行预测;多个关联决策树分别得到的决策树预测结果用于进行累计,以得到预测出的电池状态类别。
这里,提供了特征关联处理的一种示例方式。首先,根据多个第二样本电池数据串行生成多个相互关联的决策树,为了便于区分,将这里的决策树命名为关联决策树。所谓串行生成,是指在每一个关联决策树(不包括生成的第一个关联决策树)的生成过程中,都要考虑前一个关联决策树所产生的误差,在此基础上确定在各个节点上使用什么特征和阈值可以使得损失函数值最小。
对于每个关联决策树,本质上是一个弱分类器,通过联合所有关联决策树来构建一个强分类器。落到数据层面,是指每个关联决策树包括至少一种候选电池特征,根据该至少一种候选电池特征来执行预测得到决策树预测结果;所有关联决策树分别得到的决策树预测结果用于进行累计,以得到预测出的电池状态类别,其中,累计可以是求和或加权求和等。
在一些实施例中,可以通过这样的方式来实现上述的根据多个第二样本电池数据串行生成多个关联决策树:在任意一个关联决策树的生成过程中执行以下处理:将多个第二样本电池数据作为根节点的数据;自根节点开始,根据前一个关联决策树的残差,从多种候选电池特征中选择一种候选电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为关联决策树;其中,残差用于表征决策树预测结果与标签电池状态类别之间的差异。
为了便于说明,以第二个关联决策树进行举例。在第二个关联决策树的生成过程中,首先,将多个第二样本电池数据作为第二个关联决策树的根节点的数据。自根节点开始,根据第一个关联决策树(即前一个关联决策树)的残差,从多种候选电池特征中选择一种候选电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为第二个关联决策树。其中,第一个关联决策树的残差用于表征第一个关联决策树的决策树预测结果与标签电池状态类别之间的差异。
依次生成关联决策树的过程,实质上是将各关联决策树的残差不断加入到目标函数,并找寻使得目标函数值最小的节点结构的过程。由于候选电池特征的种类较多,第二样本电池数据的规模通常也较大,故上述方式通过生成多个弱分类器,并组合多个弱分类器以构建强分类器,从而能够有效学习到大量特征与标签之间的关联。
在步骤402中,根据多种候选电池特征在多个关联决策树中的特征决策信息,确定多种候选电池特征相对于电池状态类别的特征重要度。
由于每个关联决策树中都包括至少一种候选电池特征,即每个关联决策树都要考虑至少一种候选电池特征来进行决策(预测),因此,在本申请实施例中,根据每种候选电池特征在多个关联决策树中影响决策的特征决策信息,来确定该种候选电池特征相对于电池状态类别的特征重要度。
本申请实施例对特征决策信息的类型不做限定,例如可以包括特征被使用次数、增益以及覆盖度中的至少之一,其中,特征被使用次数是候选电池特征在所有关联决策树中被使用的次数,如果一个候选电池特征被用于更多的关联决策树中,那么该候选电池特征对最终预测结果的贡献就更大;增益可以是候选电池特征在所有关联决策树中对决策树预测结果的平均增益,增益这个参数反映了候选电池特征在每个节点上的分裂能力,如果分裂能力越强,那么对最终预测结果的贡献就越大;覆盖度可以是候选电池特征在所有关联决策树中对第二样本电池数据的平均覆盖度,覆盖度参数反映了候选电池特征对整个强分类器的覆盖能力,如果一个候选电池特征对更多的第二样本电池数据有影响,那么对最终预测结果的贡献就更大。如果特征决策信息仅包括一种类型,则可以将特征决策信息直接作为特征重要度;如果特征决策信息包括多种类型,则可以综合考虑多种类型的信息,得到特征重要度。
在一些实施例中,特征决策信息包括特征被使用次数、对决策树预测结果的增益、以及对多个第二样本电池数据的覆盖度;可以通过这样的方式来实现上述的根据多种候选电池特征在多个关联决策树中的特征决策信息,确定多种候选电池特征相对于电池状态类别的特征重要度,包括:针对任意一种候选电池特征,执行以下处理:对任意一种候选电池特征在多个关联决策树中的特征被使用次数、增益以及覆盖度进行融合处理,得到任意一种候选电池特征相对于电池状态类别的特征重要度。
这里,若特征决策信息包括特征被使用次数、增益以及覆盖度,则对于任意一个候选电池特征(以候选电池特征A举例)来说,可以对候选电池特征A在多个关联决策树中的特征被使用次数、增益以及覆盖度进行融合处理,得到候选电池特征A相对于电池状态类别的特征重要度,其中,融合处理可以是求和、加权求和或加权平均等。通过上述方式,能够综合考虑多个方面的信息,提升得到的特征重要度的准确性。
通过图3D所示实施例,以串行生成多个关联决策树的方式来学习各候选电池特征与电池状态类别之间的关联,适合候选电池特征的种类较多的情况,得到的特征重要度能够与多个第二样本电池数据中隐含的数据规律相贴合。
将结合本申请实施例提供的电子设备的示例性应用和实施,说明本申请实施例提供的电池状态分类方法,本申请实施例提供的电池状态分类方法可以由服务器(如图1示出的服务器200)或终端设备(如图1示出的终端设备400-2)执行。
参见图4,图4是本申请实施例提供的电池状态分类方法的一个流程示意图,将结合图4示出的步骤进行说明。
在步骤501中,获取待测电池的待测电池数据;其中,待测电池数据包括待测电池对应多种目标电池特征的特征值;多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率。
这里,获取待测电池对应多种目标电池特征的特征值,其中,对特征值的获取方式不做限定,可以根据实际应用场景而定,例如在车辆场景中,可以通过车辆的BMS模块来获取车辆的电池对应多种电池特征的特征值。
其中,多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、SOH、SOC以及充电频率,当然还可以包括更多的特征。
在步骤502中,通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别;其中,电池状态分类模型是通过电池状态分类模型构建方法构建得到的;目标电池状态类别是多种电池状态类别中的一种。
这里,将待测电池数据作为电池状态分类模型的输入数据,由电池状态分类模型对待测电池数据进行预测处理,输出待测电池所属的目标电池状态类别,该目标电池状态类别是预设的多种电池状态类别中的一种。
对于得到的目标电池状态类别,可以进行提示,例如显示目标电池状态类别,又如将目标电池状态类别发送至特定用户的移动终端等。
在一些实施例中,电池状态分类模型包括多个独立决策树;可以通过这样的方式来实现上述的通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别:通过每个独立决策树对待测电池数据进行预测处理,得到决策树预测结果;其中,每个独立决策树用于根据至少一种目标电池特征进行预测;对多个独立决策树分别对应的决策树预测结果进行平均或表决,得到待测电池所属的目标电池状态类别。
这里,在电池状态分类模型包括多个独立决策树的情况下,通过每个独立决策树对待测电池数据进行预测处理,得到决策树预测结果,如此,对于每个独立决策树均可以得到一个决策树预测结果。然后,对多个独立决策树分别对应的决策树预测结果进行平均或表决,得到待测电池所属的目标电池状态类别。
值得说明的是,如果在构建电池状态分类模型时,针对多个独立决策树分别对应的决策树预测结果采用的是平均处理的方式,则在这里同样采用平均处理的方式来得到目标电池状态类别;如果在构建电池状态分类模型时,针对多个独立决策树分别对应的决策树预测结果采用的是表决处理的方式,则在这里同样采用表决处理的方式来得到目标电池状态类别。
通过上述方式,综合多个独立决策树的决策树预测结果,能够更好地兼顾到各个目标电池特征与电池状态类别之间的联系,提升电池状态分类的精度。
如图4所示,本申请实施例基于目标电池状态类别来预测待测电池所属的电池状态类别,能够提升分类精度,基于预测出的目标电池状态类别,可以更好地进行电池管理,例如准确预估电池的预期使用时长,避免使用时陷入电池没电的尴尬情况;又例如可以准确评估电池的健康状况,使得用户可以在合适的时机更换或修理电池,避免频繁更换或修理所导致的资源浪费、成本过高的问题,同时也可以通知用户及时更换或修理。
下面,将说明本申请实施例在一个实际的应用场景中的示例性应用,为了便于理解,以新能源汽车中的高压电池状态检测场景进行举例说明,在新能源汽车中,高压电池是重要部件,由于高压电池价格高昂,导致新能源汽车的保值率及使用成本提高,同时,高压电池的老化也严重影响新能源汽车的性能,例如造成可行驶里程降低严重等问题,因此,存在对高压电池进行状态检测的需求。
在相关技术提供的方案中,通常是通过SOH及SOC来判断高压电池使用状况及状态,然而,该种方案存在不足之处,例如高压电池一般在SOH降到80%时满足电池更换条件,但是该高压电池其他性能表现良好(电池温度控制正常、电压电流正常、放电速度正常等),耐用性及安全性可能会比SOH为85%~90%且出现少量故障的高压电池更高,这些性能良好的高压电池被更换的话会导致资源被浪费。
因此,发明人经过大量研究,提出了本申请实施例的方案,将结合图5,通过步骤形式进行说明。
1)采集车端的电池数据并上传云端。
这里,作为样本的样本电池可以包括车端正在使用中的电池。在一些实施例中,可以通过车端的控制器局域网总线(Controller Area Network,CAN)采集电池管理系统(Battery Management System,BMS)模块的数据(包括各种候选电池特征对应的特征值),并通过远程通信终端(Telematics Box,T-Box)上传到云端。
2)采集已更换电池(或称为报废电池)的电池数据并上传云端。
这里,样本电池还可以包括已更换电池,从而保证数据源的多样性。已更换电池的电池数据与车端的电池数据在数据类型上相同,区别是车端的电池数据是正在使用的电池的数据,而已更换电池的电池数据需要在测试过程中获得,或者在更换电池前保存该电池的电池数据。
值得说明的是,步骤1)和2)中的电池数据对应上文的第二样本电池数据。另外,可以在云端统一标注样本电池所属的标签电池状态类别,以构建第二样本电池数据,电池状态类别可以根据实际情况进行设定,例如包括电池需更换、电池SOH低但其他性能完好、电池异常、电池表现正常等。
3)云端存储数据。
云端可以将从不同地方获取到的数据进行存储。在一些实施例中,云端可以进行数据预处理,例如可以包括数据清洗、数据集成、数据转换和数据规约等,从而提升后续分析及建模的准确性和可靠性。
云端可以判断是否已有电池状态分类模型,如果没有的话,基于存储的电池数据来训练模型;如果有的话,可以对根据电池数据对模型进行进一步优化。
4)云端构建电池状态分类模型。
因为过多的特征会影响分类算法的性能,并且可能会导致过拟合,因此,云端先进行特征的筛选。例如,云端根据多个电池数据串行生成多个关联决策树以进行建模,从而根据候选电池特征在多个关联决策树中的分布情况,确定候选电池特征相对于电池状态类别的特征重要度,特征重要度越高,代表与预测结果的关联性越强,对分类结果影响越大。在得到各个候选电池特征的特征重要度后,对多个候选电池特征进行筛选处理,筛选出特征重要度最高的若干个候选电池特征,以作为目标电池特征。在本申请实施例中,目标电池特征至少包括电池温度、电池电压、充电电流、放电电流、SOH、SOC以及充电频率。
然后,云端根据目标电池特征对电池数据进行更新,以使得电池数据不涉及除目标电池特征之外的其他特征。更新后的电池数据(对应上文的第一样本电池数据)作为构建分类模型的样本,用于进行建模,建模过程示例如下:
a)从多个样本(这里的样本是指第一样本电池数据)中有放回地抽取N次,得到N个样本;
b)用得到的N个样本用来训练一个决策树,该N个样本作为决策树根节点处的样本;
c)从样本的M个特征(指所有目标电池特征)中随机选取出m个特征,满足条件m<<M;
d)从这m个特征中采用某种策略(比如说信息增益)来选择1个特征作为根节点的分裂特征;
e)各个节点依次进行分裂,以得到决策树;
f)重复步骤a)、b)、c)、d)、e),以生成多个独立决策树。其中,多个独立决策树分别进行预测,多个决策树预测结果进行平均或表决以得到最终预测出的电池状态类别。
在完成建模后,可以将得到的电池状态分类模型(包括多个独立决策树)部署至车端的域控制器。
5)车端进行边缘计算。
对于车端来说,域控制器内已部署有电池状态分类模型,因此车端可以采集电池数据(对应上文的待测电池数据),并调用域控制器内的电池状态分类模型进行预测处理,得到目标电池状态类别。通过域控制器来进行边缘计算,能够降低云端的计算及存储压力,也能快速将预测结果提供给车主。
6)输出结果。
步骤5)得到的目标电池状态类别可以通过车机或仪表盘向车主进行提示告警,也可以基于目标电池状态类别来确定更换电池建议,并将更换电池建议输出给车主。
7)存储结果。
同时,也可以将得到的目标电池状态类别存储至云端的数据库,以供相关人员(如车厂开发人员)进行数据分析,从而对电池组成、架构等进行调整,提高新能源汽车的安全性及耐用性。
如图5所示,本申请实施例运用了大数据分析应用、特征重要度分析以及分类模型相结合的方式,对车辆高压电池的数据进行深层的分析与探索,提升了高压电池状态预测的准确性;同时,边缘计算的方式减少了云端的存储及计算压力,并且在车端进行边缘计算可更快提供结果给车主,降低出安全事故的风险。
下面继续说明本申请实施例提供的电池状态分类模型构建装置2551实施为软件模块的示例性结构,在一些实施例中,如图2A所示,存储在存储器250的电池状态分类模型构建装置2551中的软件模块可以包括:样本获取模块25511,用于获取第一样本电池数据;其中,第一样本电池数据包括样本电池对应多种目标电池特征的特征值、以及样本电池所属的标签电池状态类别;多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;标签电池状态类别为多种电池状态类别中的一种;构建模块25512,用于根据多个第一样本电池数据构建电池状态分类模型;其中,电池状态分类模型用于对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别;待测电池数据包括待测电池对应多种目标电池特征的特征值;目标电池状态类别为多种电池状态类别中的一种。
在一些实施例中,电池状态分类模型包括多个独立决策树;构建模块25512,还用于:根据多个第一样本电池数据并行生成多个独立决策树;其中,每个独立决策树用于根据至少一种目标电池特征进行预测;多个独立决策树分别得到的决策树预测结果用于进行平均或表决,以得到预测出的电池状态类别。
在一些实施例中,构建模块25512,还用于在并行生成的任意一轮生成过程中,执行以下处理:对多个第一样本电池数据进行数据抽取处理;对多种目标电池特征进行特征抽取处理;将抽取出的第一样本电池数据作为根节点的数据;自根节点开始,从抽取出的目标电池特征中选择一种目标电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为任意一轮生成的独立决策树。
在一些实施例中,电池状态分类模型构建装置2551还包括筛选模块,用于:获取第二样本电池数据;其中,第二样本电池数据包括样本电池对应多种候选电池特征的特征值、以及样本电池所属的标签电池状态类别;对多个第二样本电池数据进行特征关联处理,得到多种候选电池特征相对于电池状态类别的特征重要度;根据特征重要度对多种候选电池特征进行筛选处理,得到目标电池特征。
在一些实施例中,筛选模块还用于:根据多个第二样本电池数据串行生成多个关联决策树;其中,每个关联决策树用于根据至少一种候选电池特征进行预测;多个关联决策树分别得到的决策树预测结果用于进行累计,以得到预测出的电池状态类别;根据多种候选电池特征在多个关联决策树中的特征决策信息,确定多种候选电池特征相对于电池状态类别的特征重要度。
在一些实施例中,特征决策信息包括特征被使用次数、对决策树预测结果的增益、以及对多个第二样本电池数据的覆盖度;筛选模块还用于针对任意一种候选电池特征,执行以下处理:对任意一种候选电池特征在多个关联决策树中的特征被使用次数、增益以及覆盖度进行融合处理,得到任意一种候选电池特征相对于电池状态类别的特征重要度。
在一些实施例中,筛选模块还用于在任意一个关联决策树的生成过程中执行以下处理:将多个第二样本电池数据作为根节点的数据;自根节点开始,根据前一个关联决策树的残差,从多种候选电池特征中选择一种候选电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为关联决策树;其中,残差用于表征决策树预测结果与标签电池状态类别之间的差异。
在一些实施例中,电池状态分类模型构建装置2551还包括计算模块,用于执行以下任意一种处理:将电池状态分类模型部署至边缘设备,以使边缘设备采集待测电池数据,通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别,并根据目标电池状态类别进行提示;接收边缘设备采集的待测电池数据,通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别,并根据目标电池状态类别对边缘设备进行提示。
下面继续说明本申请实施例提供的电池状态分类装置2552实施为软件模块的示例性结构,在一些实施例中,如图2B所示,存储在存储器250的电池状态分类装置2552中的软件模块可以包括:待测获取模块25521,用于获取待测电池的待测电池数据;其中,待测电池数据包括待测电池对应多种目标电池特征的特征值;多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;预测模块25522,用于通过电池状态分类模型对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别;其中,电池状态分类模型是通过上述的电池状态分类模型构建方法构建得到的;目标电池状态类别是多种电池状态类别中的一种。
在一些实施例中,电池状态分类模型包括多个独立决策树;预测模块25522,还用于:通过每个独立决策树对待测电池数据进行预测处理,得到决策树预测结果;其中,每个独立决策树用于根据至少一种目标电池特征进行预测;对多个独立决策树分别对应的决策树预测结果进行平均或表决,得到待测电池所属的目标电池状态类别。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括可执行指令,该可执行指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该可执行指令,处理器执行该可执行指令,使得该电子设备执行本申请实施例上述的电池状态分类模型构建方法或者电池状态分类方法。
本申请实施例提供一种存储有可执行指令的计算机可读存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本申请实施例提供的电池状态分类模型构建方法或者电池状态分类方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
Claims (12)
1.一种电池状态分类模型构建方法,其特征在于,包括:
获取第一样本电池数据;其中,所述第一样本电池数据包括样本电池对应多种目标电池特征的特征值、以及所述样本电池所属的标签电池状态类别;所述多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;所述标签电池状态类别为多种电池状态类别中的一种;
根据多个第一样本电池数据构建电池状态分类模型;
其中,所述电池状态分类模型用于对待测电池数据进行预测处理,得到待测电池所属的目标电池状态类别;所述待测电池数据包括所述待测电池对应所述多种目标电池特征的特征值;所述目标电池状态类别为所述多种电池状态类别中的一种。
2.根据权利要求1所述的方法,其特征在于,所述电池状态分类模型包括多个独立决策树;所述根据多个第一样本电池数据构建电池状态分类模型,包括:
根据多个第一样本电池数据并行生成多个独立决策树;
其中,每个独立决策树用于根据至少一种目标电池特征进行预测;所述多个独立决策树分别得到的决策树预测结果用于进行平均或表决,以得到预测出的电池状态类别。
3.根据权利要求2所述的方法,其特征在于,所述根据多个第一样本电池数据并行生成多个独立决策树,包括:
在并行生成的任意一轮生成过程中,执行以下处理:
对多个第一样本电池数据进行数据抽取处理;
对所述多种目标电池特征进行特征抽取处理;
将抽取出的第一样本电池数据作为根节点的数据;
自根节点开始,从抽取出的目标电池特征中选择一种目标电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为所述任意一轮生成的独立决策树。
4.根据权利要求1所述的方法,其特征在于,所述获取第一样本电池数据之前,所述方法还包括:
获取第二样本电池数据;其中,所述第二样本电池数据包括所述样本电池对应多种候选电池特征的特征值、以及所述样本电池所属的标签电池状态类别;
对多个第二样本电池数据进行特征关联处理,得到所述多种候选电池特征相对于电池状态类别的特征重要度;
根据特征重要度对所述多种候选电池特征进行筛选处理,得到目标电池特征。
5.根据权利要求4所述的方法,其特征在于,所述对多个第二样本电池数据进行特征关联处理,得到所述多种候选电池特征相对于电池状态类别的特征重要度,包括:
根据多个第二样本电池数据串行生成多个关联决策树;其中,每个关联决策树用于根据至少一种候选电池特征进行预测;所述多个关联决策树分别得到的决策树预测结果用于进行累计,以得到预测出的电池状态类别;
根据所述多种候选电池特征在所述多个关联决策树中的特征决策信息,确定所述多种候选电池特征相对于电池状态类别的特征重要度。
6.根据权利要求5所述的方法,其特征在于,所述特征决策信息包括特征被使用次数、对决策树预测结果的增益、以及对多个第二样本电池数据的覆盖度;
所述根据所述多种候选电池特征在所述多个关联决策树中的特征决策信息,确定所述多种候选电池特征相对于电池状态类别的特征重要度,包括:
针对任意一种候选电池特征,执行以下处理:
对所述任意一种候选电池特征在所述多个关联决策树中的特征被使用次数、增益以及覆盖度进行融合处理,得到所述任意一种候选电池特征相对于电池状态类别的特征重要度。
7.根据权利要求5所述的方法,其特征在于,所述根据多个第二样本电池数据串行生成多个关联决策树,包括:
在任意一个关联决策树的生成过程中执行以下处理:
将多个第二样本电池数据作为根节点的数据;
自根节点开始,根据前一个关联决策树的残差,从所述多种候选电池特征中选择一种候选电池特征进行节点分裂,直至得到包括多个节点的决策树,以作为关联决策树;其中,所述残差用于表征决策树预测结果与标签电池状态类别之间的差异。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述根据多个第一样本电池数据构建电池状态分类模型之后,所述方法还包括:
执行以下任意一种处理:
将所述电池状态分类模型部署至边缘设备,以使所述边缘设备采集待测电池数据,通过所述电池状态分类模型对所述待测电池数据进行预测处理,得到所述待测电池所属的目标电池状态类别,并根据所述目标电池状态类别进行提示;
接收所述边缘设备采集的待测电池数据,通过所述电池状态分类模型对所述待测电池数据进行预测处理,得到所述待测电池所属的目标电池状态类别,并根据所述目标电池状态类别对所述边缘设备进行提示。
9.一种电池状态分类方法,其特征在于,包括:
获取待测电池的待测电池数据;其中,所述待测电池数据包括所述待测电池对应多种目标电池特征的特征值;所述多种目标电池特征包括电池温度、电池电压、充电电流、放电电流、电池健康状态SOH、电池荷电状态SOC以及充电频率;
通过电池状态分类模型对所述待测电池数据进行预测处理,得到所述待测电池所属的目标电池状态类别;其中,所述电池状态分类模型是通过权利要求1至8任一项所述的电池状态分类模型构建方法构建得到的;所述目标电池状态类别是多种电池状态类别中的一种。
10.根据权利要求9所述的方法,其特征在于,所述电池状态分类模型包括多个独立决策树;所述通过电池状态分类模型对所述待测电池数据进行预测处理,得到所述待测电池所属的目标电池状态类别,包括:
通过每个独立决策树对所述待测电池数据进行预测处理,得到决策树预测结果;其中,每个独立决策树用于根据至少一种目标电池特征进行预测;
对所述多个独立决策树分别对应的决策树预测结果进行平均或表决,得到所述待测电池所属的目标电池状态类别。
11.一种电子设备,其特征在于,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至8任一项所述的电池状态分类模型构建方法,或者权利要求9至10任一项所述的电池状态分类方法。
12.一种计算机可读存储介质,其特征在于,存储有可执行指令,用于被处理器执行时,实现权利要求1至8任一项所述的电池状态分类模型构建方法,或者权利要求9至10任一项所述的电池状态分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025648.XA CN117310500A (zh) | 2023-08-14 | 2023-08-14 | 电池状态分类模型构建方法及电池状态分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025648.XA CN117310500A (zh) | 2023-08-14 | 2023-08-14 | 电池状态分类模型构建方法及电池状态分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117310500A true CN117310500A (zh) | 2023-12-29 |
Family
ID=89248739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311025648.XA Pending CN117310500A (zh) | 2023-08-14 | 2023-08-14 | 电池状态分类模型构建方法及电池状态分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117310500A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117637081A (zh) * | 2024-01-26 | 2024-03-01 | 江苏杰成新能源科技有限公司 | 一种用于废旧电池材料的智能修复评估方法 |
-
2023
- 2023-08-14 CN CN202311025648.XA patent/CN117310500A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117637081A (zh) * | 2024-01-26 | 2024-03-01 | 江苏杰成新能源科技有限公司 | 一种用于废旧电池材料的智能修复评估方法 |
CN117637081B (zh) * | 2024-01-26 | 2024-04-26 | 江苏杰成新能源科技有限公司 | 一种用于废旧电池材料的智能修复评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
Jouin et al. | Prognostics of PEM fuel cell in a particle filtering framework | |
JP6482819B2 (ja) | グリッドタイ・エネルギ背景の経済的最適化のための戦略的モデリング | |
US10191116B2 (en) | Battery test system for predicting battery test results | |
KR102239040B1 (ko) | 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법 | |
CN113022378B (zh) | 温度一致性预测方法、装置、预测设备及存储介质 | |
Kim et al. | Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network | |
CN102208028A (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
CN115330275B (zh) | 一种退役电池的梯次利用方法及装置 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
Tang et al. | Novel metrics and methodologies for the verification and validation of prognostic algorithms | |
CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
CN116796623A (zh) | 锂电池soc的预测方法、系统、设备和介质 | |
CN117592975A (zh) | 基于云计算的高速公路机电设备运维决策处理方法及系统 | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
CN115267586A (zh) | 锂电池soh评估方法 | |
CN115759862A (zh) | 预约揽件服务考核方法、装置、设备及存储介质 | |
CN115222145A (zh) | 基于新能源汽车运行大数据的续驶里程预测方法及系统 | |
CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
Hametner et al. | Model based lithium ion cell ageing data analysis | |
CN110865939A (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN116502156B (zh) | 一种换流站光ct异常状态智能辨识方法及系统 | |
CN117081666B (zh) | 故障预测方法、装置、电子设备、存储介质及程序产品 | |
CN116224091B (zh) | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
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 |