CN117407795A - 一种电池安全预测方法、装置、电子设备及存储介质 - Google Patents
一种电池安全预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117407795A CN117407795A CN202311478596.1A CN202311478596A CN117407795A CN 117407795 A CN117407795 A CN 117407795A CN 202311478596 A CN202311478596 A CN 202311478596A CN 117407795 A CN117407795 A CN 117407795A
- Authority
- CN
- China
- Prior art keywords
- battery
- safety
- battery safety
- data
- neural network
- 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 73
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 231100000279 safety data Toxicity 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 239000006185 dispersion Substances 0.000 claims description 14
- 241000272168 Laridae Species 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006355 external stress Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/241—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池安全预测方法、装置、电子设备及存储介质;该方法包括:获取车辆行驶数据和安全信息,基于车辆行驶数据和安全信息提取预设数量的电池安全参数;将各电池安全参数输入到预训练的目标神经网络模型中,目标神经网络模型的权重基于海鸥算法优化确定;根据目标神经网络模型的输出结果确定电池的安全预测结果,解决了电池安全预测准确性较低,容易出现误报的问题,通过对车辆行驶数据和安全信息进行数据提取,得到影响电池安全的电池安全参数,电池安全参数的数量为预设数量;基于海鸥算法对目标神经网络模型进行训练,确定目标神经网络模型的权重,对电池的安全进行准确预测,以便及时发现危险,提高车辆安全性,提高用户体验。
Description
技术领域
本发明涉及电池管理技术领域,尤其涉及一种电池安全预测方法、装置、电子设备及存储介质。
背景技术
随着能源政策推动与环境保护等相关政策引导,越来越多用户选择电动汽车取代传统化石能源汽车。目前国内市场上销售的电动汽车大多采用锂离子电池系统作为车辆的能源驱动核心。然而,近年来电动汽车引发的安全事故日益增多,因此,需要建立车辆电池安全预警体系,保证车辆安全。
现有的预警方法通常通过单一参数变量进行预测,其预测阈值相对单一且固定,无法及时判断锂电池发生安全问题的变化信号。电池的安全预测结果准确性较低,容易出现误报的情况。
发明内容
本发明提供了一种电池安全预测方法、装置、电子设备及存储介质,以解决电池安全预测准确性较低,容易出现误报的问题。
根据本发明的一方面,提供了一种电池安全预测方法,包括:
获取车辆行驶数据和安全信息,基于所述车辆行驶数据和安全信息提取预设数量的电池安全参数;
将各所述电池安全参数输入到预训练的目标神经网络模型中,所述目标神经网络模型的权重基于海鸥算法优化确定;
根据所述目标神经网络模型的输出结果确定电池的安全预测结果。
根据本发明的另一方面,提供了一种电池安全预测装置,包括:
数据获取模块,用于获取车辆行驶数据和安全信息,基于所述车辆行驶数据和安全信息提取预设数量的电池安全参数;
模型预测模块,用于将各所述电池安全参数输入到预训练的目标神经网络模型中,所述目标神经网络模型的权重基于海鸥算法优化确定;
预测结果确定模块,用于根据所述目标神经网络模型的输出结果确定电池的安全预测结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的电池安全预测方法。
根据本发明的另一方面,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,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电池安全预测方法。
本发明实施例的技术方案,通过获取车辆行驶数据和安全信息,基于所述车辆行驶数据和安全信息提取预设数量的电池安全参数;将各所述电池安全参数输入到预训练的目标神经网络模型中,所述目标神经网络模型的权重基于海鸥算法优化确定;根据所述目标神经网络模型的输出结果确定电池的安全预测结果,解决了电池安全预测准确性较低,容易出现误报的问题,通过对车辆行驶数据和安全信息进行数据提取,得到影响电池安全的电池安全参数,电池安全参数的数量为预设数量,解决单一参数进行预测时准确性较低的问题,提供预测结果的准确性;基于海鸥算法对目标神经网络模型进行训练,确定目标神经网络模型的权重,将各电池安全参数输入到预训练的目标神经网络模型中进行安全预测,得到电池的安全预测结果,提高网络的收敛速度和准确性,模型的泛化能力得到了进一步增强,能够更准确地预测车辆的安全风险概率,为电池的安全运行提供可靠的预警和保障,以便及时发现危险,提高车辆安全性,进一步提高用户体验。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种电池安全预测方法的流程图;
图2是根据本发明实施例二提供的一种电池安全预测方法的流程图;
图3是根据本发明实施例二提供的一种目标神经网络模型的结构示意图;
图4是根据本发明实施例三提供的一种电池安全预测装置的结构示意图;
图5是实现本发明实施例的电池安全预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种电池安全预测方法的流程图,本实施例可适用于对电池的安全进行预测的情况,该方法可以由电池安全预测装置来执行,该电池安全预测装置可以采用硬件和/或软件的形式实现,该电池安全预测装置可配置于电子设备中。如图1所示,该方法包括:
S101、获取车辆行驶数据和安全信息,基于车辆行驶数据和安全信息提取预设数量的电池安全参数。
在本实施例中,车辆行驶数据具体可以理解为车辆行驶过程中所产生的数据,例如,车辆的行驶里程、温度、电压、电流等;安全信息具体可以理解为对车辆或电池的安全性进行描述的信息,例如,车辆是否存在故障、电池健康状态等。预设数量为预先确定的值,预设数量可以根据各类型参数与电池安全之间的相关性确定,即根据各类型参数与电池安全之间的相关性的高低选择合适的参数类型,进而统计得到预设数量。电池安全参数具体可以理解为影响电池安全性的参数。
车辆行驶过程,可以产生不同类型的数据,各类型的数据可以反映车辆的情况,同时也可以反映电池的运行情况。本实施例中,车辆行驶过程指车辆启动到熄火的过程,在此过程中,车辆可以行驶在路上,也可以停车不熄火。预先确定预设数量,以及所要获取的数据的类型,获取车辆行驶过程中所产生的车辆行驶数据和安全信息,根据预先确定的所要获取的数量的类型从车辆行驶数据和安全信息中进行数据提取,提取到与所要获取的数据的类型对应的数据,得到不同类型的电池安全参数,各电池安全参数的数量为预设数量。
S102、将各电池安全参数输入到预训练的目标神经网络模型中,目标神经网络模型的权重基于海鸥算法优化确定。
在本实施例中,目标神经网络模型具体可以理解为预先训练好的神经网络模型,目标神经网络模型为多输入的模型。
预先训练目标神经网络模型,获取训练样本,基于训练样本对模型进行训练,在训练过程中不断的调整模型的权重,得到最优的权重作为模型的权重,此时得到的模型即为目标神经网络模型,其权重为最优权重。在确定目标神经网络模型对应的最优权重时,通过海鸥算法进行寻优,以确定最优权重。将各电池安全参数输入到预训练的目标神经网络模型中,目标神经网络模型根据模型的权重以及其他参数对各电池安全参数进行加权、预测处理,确定最终预测的结果并输出。
S103、根据目标神经网络模型的输出结果确定电池的安全预测结果。
在本实施例中,安全预测结果具体可以理解为预测得到的电池是否安全的信息,安全预测结果可以是安全或者不安全。
目标神经网络模型的输出结果可以是安全/不安全;或者用于表示是否安全的信息,例如,1代表安全,0代表不安全,等;或者电池发生安全风险的概率,等等。确定目标神经网络模型的输出结果,若输出结果是安全/不安全,可以直接将其作为电池的安全预测结果;若输出结果是用于表示是否安全的信息,可以将其转换为安全/安全并作为安全预测结果;若输出结果为电池发生安全风险的概率,则根据概率大小判断是否安全,例如,概率大于概率阈值时确定为安全,否则,为不安全,将判断结果作为安全预测结果,等等。
在确定电池的安全预测结果后,若电池安全预测结果为不安全,可以通过声音告警、灯光提示等方式提示驾驶员,或者通过短信等方式提示车主等,避免由于电池不安全导致车辆事故发生。
本发明实施例提供的电池安全预测方法,通过获取车辆行驶数据和安全信息,基于所述车辆行驶数据和安全信息提取预设数量的电池安全参数;将各所述电池安全参数输入到预训练的目标神经网络模型中,所述目标神经网络模型的权重基于海鸥算法优化确定;根据所述目标神经网络模型的输出结果确定电池的安全预测结果,解决了电池安全预测准确性较低,容易出现误报的问题,通过对车辆行驶数据和安全信息进行数据提取,得到影响电池安全的电池安全参数,电池安全参数的数量为预设数量,解决单一参数进行预测时准确性较低的问题,提供预测结果的准确性;基于海鸥算法对目标神经网络模型进行训练,确定目标神经网络模型的权重,将各电池安全参数输入到预训练的目标神经网络模型中进行安全预测,得到电池的安全预测结果,提高网络的收敛速度和准确性,模型的泛化能力得到了进一步增强,能够更准确地预测车辆的安全风险概率,为电池的安全运行提供可靠的预警和保障,以便及时发现危险,提高车辆安全性,进一步提高用户体验。
实施例二
图2为本发明实施例二提供的一种电池安全预测方法的流程图,本实施例在上述实施例的基础上进行细化。如图2所示,该方法包括:
S201、获取至少一个候选电池安全数据集,候选电池安全数据集包括至少一组电池安全风险概率和候选车辆参数,各候选电池安全数据集中的候选车辆参数的类型不同。
在本实施例中,候选电池安全数据集具体可以理解为由与电池安全相关的数据所构成的数据集;电池安全风险概率具体可以理解为电池发生安全风险的概率;候选车辆参数具体可以理解为可能影响电池安全的车辆参数。每个候选电池安全数据集中包括至少一组电池安全风险概率和候选车辆参数,一组电池安全风险概率和候选车辆参数为同一时刻的数据;不同的候选电池安全数据集中所包括的候选车辆参数的类型不同,例如,电压、电流、行驶里程、温度等等。基于每种类型的候选车辆参数,分别获取相应类型的数据,结合电池安全风险概率作为一组数据,并基于一组或者多组数据形成候选电池安全数据集。
S202、对各候选电池安全数据集进行相关性分析,确定预设数量的电池安全相关因子类型。
在本实施例中,电池安全相关因子类型具体可以理解为影响电池安全的参数的类型,例如,电压、温度等。分别对每个候选电池安全数据集中的数据进行相关性分析,对于每个候选电池安全数据集,均根据其包括的一组或者多组电池安全风险概率和候选车辆参数计算电池安全风险概率与此类型的候选车辆参数之间的相关度,比较各类型的候选车辆参数之间的相关度,选择相关度较高的候选车辆参数的类型作为电池安全相关因子类型。
作为本实施例的一个可选实施例,本可选实施例进一步将对各候选电池安全数据集进行相关性分析,确定预设数量的电池安全相关因子类型,优化为A1-A3:
A1、针对每个候选电池安全数据集,计算电池安全风险概率和候选车辆参数的相关性。
计算电池安全风险概率和候选车辆参数的相关性可以是计算皮尔逊相关系数、斯皮尔曼相关系数等方式实现。
作为本实施例的一个可选实施例,本可选实施例进一步将计算电池安全风险概率和候选车辆参数的相关性,优化为B1-B6:
B1、计算各电池安全风险概率的平均值得到第一均值,计算各候选车辆参数的平均值,得到第二均值。
在本实施例中,第一均值为电池安全风险概率的平均值;第二均值为候选车辆参数的平均值。计算各电池安全风险概率的平均值,将此平均值作为第一均值;计算各候选车辆参数的平均值,将此平均值作为第二均值。
B2、计算各电池安全风险概率与第一均值的差值,得到第一差值,计算各候选车辆参数与第二均值的差值,得到第二差值,将各第一差值与对应的第二差值的乘积进行相加,得到乘积和。
在本实施例中,第一差值为电池安全风险概率与第一均值之间的差值;第二差值为候选车辆参数与第二均值之间的差值;乘积和为各乘积相加得到的和。
对于每个电池安全风险概率,计算电池安全风险概率与第一均值的差值,将此差值作为第一差值,得到一个或者多个第一差值;针对每个候选车辆参数,计算候选车辆参数与第二均值的差值,将此差值作为第二差值,得到一个或者多个第二差值;将同一时刻对应的第一差值和第二差值进行相乘,即一组电池安全风险概率和候选车辆参数对应的第一差值和第二差值进行相乘,将乘积进行相加,得到乘积和。
B3、将各第一差值的平方进行累加,得到第一平方和,将第一平方和进行开平方,得到第一算数平方根。
在本实施例中,第一平方和为根据第一差值进行平方以及求和运算得到的值;第一算数平方根为进行开平方得到的算数平方根。计算各第一差值的平方,然后将各第一差值的平方进行相加,得到第一平方和;将第一平方和进行开平方,将其算数平方根作为第一算数平方根。
B4、将各第二差值的平方进行累加,得到第二平方和,将第二平方和进行开平方,得到第二算数平方根。
在本实施例中,第二平方和为根据第二差值进行平方以及求和运算得到的值;第二算数平方根为进行开平方得到的算数平方根。计算各第二差值的平方,然后将各第二差值的平方进行相加,得到第二平方和;将第二平方和进行开平方,将其算数平方根作为第二算数平方根。
B5、将第一算数平方根和第二算数平方根进行相乘,得到平方根乘积。
B6、将乘积与平方根乘积的比值确定为电池安全风险概率和候选车辆参数的相关性。
示例性的,本申请实施例提供一种电池安全风险概率和候选车辆参数的相关性的计算公式:
其中,ρxy为相关性,n为候选电池安全数据集中所包括电池安全风险概率和候选车辆参数的组数;xi为第i个电池安全风险概率,为第一均值;yi为第i个候选车辆参数,/>为第二均值。
皮尔逊(Pearson)相关系数ρxy取值范围在[-1,+1],负数代表负相关,正数代表正相关,0则代表不存在相关关系。相关系数越接近0,相关关系越弱;越接近-1或+1,相关关系越强。
A2、比较各相关性,按照相关性从高到低的顺序,依次获取预设数量的相关性,并作为目标相关性。
在本实施例中,目标相关性具体可以理解为相关程度较高的相关性。比较各相关性的大小,并将各相关性从高到底进行排序,从高到低依次获取预设数量的相关性,以预设数量等于N为例,N大于或者等于2,从高到底选择N个相关性作为目标相关性。
A3、将各目标相关性对应的候选车辆参数的类型确定为电池安全相关因子类型。
确定各目标相关性对应的候选车辆参数的类型,得到N种候选车辆参数的类型,将其作为电池安全相关因子类型。
S203、基于各电池安全相关因子类型确定训练样本集。
分别获取各电池安全相关因子类型在同一时刻对应的数据,作为一个训练样本,基于多个训练样本生成训练样本集。
作为本实施例的一个可选实施例,本可选实施例进一步将基于各电池安全相关因子类型确定训练样本集,优化为C1-C3:
C1、基于各电池安全相关因子类型,获取至少一个备选数据集,备选数据集中包括同一时刻的不同电池安全相关因子类型所对应的备选数据。
在本实施例中,备选数据集具体可以理解为由备选数据所构成的数据集;备选数据具体可以理解为用于确定训练数据的数据,备选数据集中包括预设数量的备选数据,各备选数据为同一时刻的不同电池安全相关因子类型所对应的数据。
对于每个电池安全相关因子类型,分别获取同一时刻的不同类型的备选数据,形成备选数据集;获取多个时刻的备选数据集,以保证模型训练的精度。
C2、对各备选数据进行归一化和去噪处理,得到处理后的待预测数据。
在本实施例中,待预测数据具体可以理解为用于预测电池安全性的数据。
对所有的备选数据进行归一化和去噪处理,在处理过程中,可以对同一类型的数据进行统一处理,例如,对于电池安全相关因子类型为电压的备选数据,先通过归一化算法进行归一化处理,然后进行去噪处理,或者先进行去噪处理,然后进行归一化处理,去噪处理可以采用滤波器进行滤波实现,通过归一化和去噪处理,得到待预测数据。
示例性的,本申请实施例提供一种归一化处理的公式:
其中,x′为归一化后的数据,x为归一化之前的数据,min(x)为同一类型的数据中的最小值;max(x)为同一类型的数据中的最大值。
示例性的,本申请实施例通过使用Savtizky-Golay滤波器进行去噪处理。Savitzky-Golay滤波器基于多项式拟合的原理,通过在滑动窗口内拟合多项式来平滑数据,具有在保留数据特征的同时去除高频噪声的优点。以下是使用Savitzky-Golay滤波器来处理这些电池数据的一般步骤:
(1)首先,准备均匀采样间隔的电池数据,包括温度、电压、电流和温差等时间序列数据。
(2)选择适当的窗口大小,窗口大小决定了多项式拟合的范围,通常根据数据的变化速度来选择。较大的窗口适用于平滑缓慢变化的数据,而较小的窗口适用于较快变化的数据。
(3)使用Savitzky-Golay滤波器对每个数据序列进行滤波处理。滤波器将在每个窗口内进行多项式拟合,然后取中心点的值作为平滑后的数据点。
(4)应用滤波器后,评估平滑后的数据是否满足需求。确保平滑后的数据仍然保留了重要的特征,同时去除了不必要的噪声。
如果滤波效果不理想,可以尝试不同的窗口大小和多项式阶数,以找到最佳参数设置。
C3、将每个备选数据集所对应的各待预测数据作为一个训练样本,形成训练样本集。
将每个备选数据集中的备选数据经处理后得到的各待预测数据作为一个训练样本,即每个训练样本中包括同一时刻的不同电池安全相关因子类型所对应的待预测数据。基于各训练样本形成训练样本集。
S204、基于训练样本集以及海鸥算法进行模型训练,得到目标神经网络模型。
同训练样本集进行模型训练,在模型训练过程中通过海鸥算法进行寻优,确定最优权重,得到目标神经网络模型。
作为本实施例的一个可选实施例,本可选实施例进一步将基于训练样本集以及海鸥算法进行模型训练,得到目标神经网络模型,优化为:
D1、对训练样本集中的每个训练样本进行预测,得到预测拟合数据。
在本实施例中,预测拟合数据具体可以理解为通过模型预测得到的数据,预测拟合数据为电池安全数据,用于对电池的安全程度进行表示。预测拟合数据可以是通过机器学习或统计模型对特定输入或观测值所产生的估计输出值,估计输出值是由模型基于已知数据进行预测计算得来的,即预测拟合数据是模型根据输入数据和学到的模型参数所生成的输出。预先确定预测所用模型或算法,基于模型或者算法对训练样本进行预测,得到每个训练样本所对应的预测拟合数据。
D2、基于各预测拟合数据及对应的标签值确定误差参数。
在本实施例中,误差参数具体可以理解为预测的数据和标签值之间的误差。标签值通常预先标注,对于每个预测拟合数据,比较预测拟合数据和标签值的差异,并计算误差。基于各预测拟合数据对应的误差确定误差参数,例如,求各误差的平均值、中位数、均方差等等。
作为本实施例的一个可选实施例,本可选实施例进一步将基于各预测拟合数据及对应的标签值确定误差参数,优化为E1-E3:
E1、将各预测拟合数据及其对应的标签值的差值作为预测差值。
在本实施例中,预测差值具体可以理解为预测值和标签值之间的差值。针对每个预测拟合数据,计算预测拟合数据及其对应的标签值的差值,将此差值作为预测差值。
E2、将各预测差值进行平方并求和,得到误差平方和。
在本实施例中,误差平方和具体可以理解为误差进行平方和求和运算得到的值。将各预测差值首先进行平方,然后将各平方进行相加,得到误差平方和。
E3、将误差平方和与训练样本的数量的比值确定为误差参数。
示例性的,本申请实施例提供一种误差参数的计算公式:
其中,MSE为误差参数,m为训练样本的数量,为第i个预测拟合数据,Pi为第i个预测拟合数据对应的标签值。
D3、根据误差参数结合预确定的误差参数表,确定误差参数对应的最优隐含层层数。
在本实施例中,误差参数表具体可以理解为对应存储误差参数相关的数据和隐含层层数的数据表。预先确定不同的误差参数对应的隐含层层数,形成误差参数表。在确定误差参数后,查询误差参数表,将与其匹配的最优隐含层层数。例如,误差参数表中对应存储隐含层层数和误差参数区间,或者对应存储隐含层层数和误差参数,等等。
作为本实施例的一个可选实施例,本可选实施例进一步将根据误差参数结合预确定的误差参数表,确定误差参数对应的最优隐含层层数,优化为F1-F3:
F1、计算误差参数与误差参数表中的各候选误差参数之间的差值。
在本实施例中,候选误差参数具体可以理解为误差参数表中所存储的误差参数。确定误差参数表中的各候选误差参数,计算误差参数与每个候选误差参数的差值。
F2、比较各差值,将差值最小的候选误差参数确定为目标误差参数。
在本实施例中,目标误差参数具体可以理解为误差参数表中与误差参数匹配的候选误差参数。比较各差值的大小,确定差值最小的候选误差参数,将此候选误差参数确定为目标误差参数。可以通过排序的方式确定差值最小的候选误差参数,排序算法可以是冒泡排序、选择排序、插入排序等等。
F3、将目标误差参数对应的隐含层层数确定为最优隐含层层数。
确定目标误差参数对应的隐含层层数,将此隐含层层数确定我最优隐含层层数。
D4、基于最优隐含层层数构建初始神经网络模型。
在本实施例中,初始神经网络模型具体可以理解为初始构建的网络模型,其模型参数可以赋值为初始值。
将最优隐含层层数作为神经网络模型的隐含层层数,构建初始神经网络模型。初始神经网络模型可以是多层前馈网络BP。
D5、将初始神经网络模型的初始权重矩阵作为海鸥的初始位置,通过海鸥算法寻优,确定最优权重,将最优权重确定为目标神经网络模型的权重。
在本实施例中,初始权重矩阵具体可以理解为初始神经网络模型初始时的权重所构成的矩阵。通过海鸥算法对模型进行优化,将初始神经网络模型的初始权重矩阵作为海鸥的初始位置,通过海鸥算法寻优,找到最优海鸥个体,即为最优权重,将最优权重确定为目标神经网络模型的权重。
海鸥算法(SOA)的步骤为:
海鸥种群通过均匀分布来随机初始化每只海鸥的位置:
HSi,j=Lbj+rand×(Ubj-Lbj)
其中Ubj和Lbj分别为第j维定义域的上界和下界,rand为[0,1]范围内服从均匀分布的一个随机数。
海鸥算法模拟了海鸥群在迁徙阶段的行为特征,这一阶段对应着算法的全局搜索。算法通过控制因子fc来计算每只海鸥的新位置:
Cs(t)=fc×HS(t)
式中,Cs(t)代表该海鸥与其他海鸥无位置冲突的新位置,HS(t)表示海鸥迁徙之前的位置,t为当前迭代次数。控制因子fc的作用是调整海鸥的位置从而避免相邻海鸥发生碰撞,在一定程度上也能起到平衡全局搜索和局部搜索的作用,其计算公式如下:
式中,MaxT为算法的最大迭代次数。当前迭代次数t等于MaxT时,算法寻优结束,输出最优解。在避免了与其他海鸥的碰撞后,每只海鸥会判断最优海鸥所在的方向,然后向最优海鸥靠拢。最优海鸥的方向通过如下公式来计算:
Ms(t)=fb×[HSbest(t)-HS(t)]
式中,Ms(t)表示最优海鸥的方向HSbest(t)表示最优海鸥的位置。fb是搜索平衡因子,其表达式如下:
fb=2×fc 2×rd
式中,rd是[0,1]范围内服从均匀分布的随机数,用来赋予fb随机的属性;fb受随机数rd和控制因子fc影响,用来调整每只海鸥的飞行距离。海鸥个体在获取最优海鸥的方向之后,可由下式来确定它们的距离:
DS(t)=|CS(t)+MS(t)|
式中,DS(t)表示海鸥个体与最优海鸥的距离;
海鸥攻击行为的描述对应算法的局部开发,目的是利用算法搜索过程的历史和经验,调整搜索范围,从而提高算法的搜索精度,海鸥的攻击位置如下:
HS(t+1)=Ds(t)×x×y×z+HSbest(t)
式中HS(t+1)是海鸥进攻的地点,保存了最优解并更新其他搜索代理的位置。第一代初始海鸥群的位置是随机的,每次迭代后的新位置都是通过上式来产生。
本申请实施例中,为提高算法的准确性,使用海鸥算法对BP神经网络进行优化,在原算法的基础上,进一步提高神经网络收敛到期望误差的速度,增强全局搜索能力。
本申请实施例在模型训练过程中,还可以对模型进行适应度优化,利用误差随进化代数的变化情况,通过进化,找到最小误差。
本申请实施例所提供的目标神经网络模型通过梯度下降方式确定最优权重。在模型训练过程中,将训练集数据输入模型进行训练,还可以设置预设误差阈值,当误差低于预设误差时,停止训练,否则,继续进行训练调整。还可以将训练样本分为测试集和训练集,将模型对测试集数据的预测结果与真实值进行对比,并进行误差分析,计算精度是否达到要求。
在完成模型训练后,可以通过得到目标神经网络模型实时对电池安全进行预测。
S205、获取车辆行驶数据和安全信息,基于车辆行驶数据和安全信息提取预设数量的电池安全参数。
可选的,电池安全参数,包括:车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行驶里程、最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态。
在本实施例中,车辆地区为车辆当前所在地区;车辆使用时间为车辆充满电到当前时刻使用的时间;车辆是否有故障中的故障指与电池安全有关的故障;车辆均衡情况是指车辆中的电池组中各个电池单元之间的电荷状态、电压和容量的一致性,可以通过电池管理系统BMS确定;车辆使用电流指电池给车辆供电的总电流;车辆行驶里程为车辆充好电到当前时刻行驶的里程;最高温度是指车辆本次使用的起始时间到当前时间这一过程中的最高温度;温度变化包括电池在使用过程温度的变化和充放电过程中温度的变化;温差是指电池内部不同部分之间的温度差异;温度离散是指电池内部不同位置的温度分布的均匀性,温度离散度越低,意味着电池内部的温度分布越均匀,相反,较高的温度离散度表示电池内部不同部分之间的温度差异较大。最高电压是指车辆本次使用的起始时间到当前时间这一过程中电池输出的最高电压;电压变化包括电池在使用过程电压的变化和充放电过程中电压的变化;电池通常为由多个子电池构成的电池组,压差是指电池组内部不同子电池之间的电压差异;电压离散是指电池内部不同子电池的电压分布的均匀性,电压离散度越低,意味着电池内部的电压分布越均匀,相反,较高的电压离散度表示电池内部不同部分之间的电压差异较大。电池健康状态用于对电池的健康情况进行表示。
内短路电阻指的是电池内部存在的短路路径的电阻;这种电阻是电池内部不同元件(如电池单元或电池组中的子单元)之间的电连接的电阻,通常是由于电池内部的故障或损坏而产生。电池内部短路电阻不一定总是由故障或损坏引起的,它可以有多种原因产生,生产和制造缺陷、材料老化、外部应力或损伤、电池充电和放电、污染和杂质都有影响,通常不是绝对的零值,因为电池内部的材料都具有一定的电阻。在正常情况下,这些电阻非常小,以至于可以忽略不计。当出现内部短路或问题时,电阻值可能会显著增加。内部短路电阻的大小通常取决于具体的原因和程度。
上述16种电池安全参数分为外部因素和内部因素,其中,车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行驶里程为外部因素;最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻、电池健康状态为内部因素。
本实施例中提供了16种电池安全参数的类型,上述的电池安全参数的类型为根据相关性所筛选出来的电池安全相关因子类型。在模型训练过程中筛选出来后,在电池安全预测的应用过程中,可以直接按照上述类型获取相应数据。也可以根据设置选择上述16种电池安全参数中的至少两种。
S206、将各电池安全参数输入到预训练的目标神经网络模型中。
各电池安全参数输入到目标神经网络模型的输入层中,利用激活函数进行隐含层导入,以输入层中输入的数据为电池电压为例,其对应的激活函数为:
其中,m为训练样本的个数;wi为第i个输入数据在通过神经元连接时的权重;Vi为第i个神经元输入的电池电压;θ为阈值。
示例性的,图3提供一种目标神经网络模型的结构示意图。其中,激活函数中x1、x2…xm为第一个至第m个神经元的输入数据,即电池安全参数,包括最高温度T、电池电压V、车辆使用电流I等;w1、w2…wm为每个输入数据在通过神经元连接时的权重;θ为阈值;y为通过神经元后的激活函数。
S207、根据目标神经网络模型的输出结果确定电池的安全预测结果。
在通过目标神经网络模型对电池安全参数进行预测时,可以调用sim函数进行预测,sim函数根据输入变量和优化后的目标神经网络模型,执行预测操作,输出对于电池安全状态的安全预测结果。
本发明实施例提供的电池安全预测方法,解决了电池安全预测准确性较低,容易出现误报的问题,采用多参数耦合方式进行安全状态检测,能够显著减少误差,提高拟合效果,解决通过单一参数变量进行预测,预测阈值较为单一固定的问题;通过在模型训练过程中引入海鸥算法,提高网络的收敛速度和准确性,模型的泛化能力得到了进一步增强,能够更准确地预测车辆的安全风险概率,为电池的安全运行提供可靠的预警和保障。并且通过分析参数与电池安全的相关性选择相关度高的参数类型进行模型训练以及预测,提高了预测的准确性;通过确定误差参数选择最优隐含层层数构建模型,进一步提高模型预测能力,降低误报率,提高模型推广力;及时发现电池危险,提高车辆安全性,同时提高用户体验。
实施例三
图4为本发明实施例三提供的一种电池安全预测装置的结构示意图。如图4所示,该装置包括:数据获取模块31、模型预测模块32和预测结果确定模块33。
其中,数据获取模块31,用于获取车辆行驶数据和安全信息,基于所述车辆行驶数据和安全信息提取预设数量的电池安全参数;
模型预测模块32,用于将各所述电池安全参数输入到预训练的目标神经网络模型中,所述目标神经网络模型的权重基于海鸥算法优化确定;
预测结果确定模块33,用于根据所述目标神经网络模型的输出结果确定电池的安全预测结果。
本发明实施例提供的电池安全预测装置,解决了电池安全预测准确性较低,容易出现误报的问题,通过对车辆行驶数据和安全信息进行数据提取,得到影响电池安全的电池安全参数,电池安全参数的数量为预设数量,解决单一参数进行预测时准确性较低的问题,提供预测结果的准确性;基于海鸥算法对目标神经网络模型进行训练,确定目标神经网络模型的权重,将各电池安全参数输入到预训练的目标神经网络模型中进行安全预测,得到电池的安全预测结果,提高网络的收敛速度和准确性,模型的泛化能力得到了进一步增强,能够更准确地预测车辆的安全风险概率,为电池的安全运行提供可靠的预警和保障,以便及时发现危险,提高车辆安全性,进一步提高用户体验。
可选的,该装置包括:
候选数据集获取模块,用于获取至少一个候选电池安全数据集,所述候选电池安全数据集包括至少一组电池安全风险概率和候选车辆参数,各所述候选电池安全数据集中的候选车辆参数的类型不同;
相关性分析模块,用于对各所述候选电池安全数据集进行相关性分析,确定预设数量的电池安全相关因子类型;
训练集确定模块,用于基于各所述电池安全相关因子类型确定训练样本集;
模型训练模块,用于基于所述训练样本集以及海鸥算法进行模型训练,得到目标神经网络模型。
可选的,相关性分析模块,包括:
相关性计算单元,用于针对每个候选电池安全数据集,计算所述电池安全风险概率和候选车辆参数的相关性;
相关性筛选单元,用于比较各所述相关性,按照相关性从高到低的顺序,依次获取预设数量的相关性,并作为目标相关性;
安全相关类型确定单元,用于将各所述目标相关性对应的候选车辆参数的类型确定为电池安全相关因子类型。
可选的,相关性计算单元,具体用于:计算各所述电池安全风险概率的平均值得到第一均值,计算各所述候选车辆参数的平均值,得到第二均值;计算各所述电池安全风险概率与第一均值的差值,得到第一差值,计算各所述候选车辆参数与所述第二均值的差值,得到第二差值,将各所述第一差值与对应的第二差值的乘积进行相加,得到乘积和;将各所述第一差值的平方进行累加,得到第一平方和,将所述第一平方和进行开平方,得到第一算数平方根;将各所述第二差值的平方进行累加,得到第二平方和,将所述第二平方和进行开平方,得到第二算数平方根;将所述第一算数平方根和第二算数平方根进行相乘,得到平方根乘积;将所述乘积与所述平方根乘积的比值确定为电池安全风险概率和候选车辆参数的相关性。
可选的,训练集确定模块,包括:
备选数据集获取单元,用于基于各所述电池安全相关因子类型,获取至少一个备选数据集,所述备选数据集中包括同一时刻的不同电池安全相关因子类型所对应的备选数据;
数据处理单元,用于对各所述备选数据进行归一化和去噪处理,得到处理后的待预测数据;
训练样本集形成单元,用于将每个备选数据集所对应的各所述待预测数据作为一个训练样本,形成训练样本集。
可选的,模型训练模块,包括:
预测拟合单元,用于对所述训练样本集中的每个训练样本进行预测,得到预测拟合数据;
误差参数确定单元,用于基于各所述预测拟合数据及对应的标签值确定误差参数;
层数确定单元,用于根据所述误差参数结合预确定的误差参数表,确定所述误差参数对应的最优隐含层层数;
初始模型构建单元,用于基于所述最优隐含层层数构建初始神经网络模型;
模型权重确定单元,用于将所述初始神经网络模型的初始权重矩阵作为海鸥的初始位置,通过海鸥算法寻优,确定最优权重,将所述最优权重确定为目标神经网络模型的权重。
可选的,误差参数确定单元,具体用于:将各所述预测拟合数据及其对应的标签值的差值作为预测差值;将各所述预测差值进行平方并求和,得到误差平方和;将所述误差平方和与所述训练样本的数量的比值确定为误差参数。
可选的,层数确定单元,具体用于:计算所述误差参数与所述误差参数表中的各候选误差参数之间的差值;比较各所述差值,将所述差值最小的候选误差参数确定为目标误差参数;将所述目标误差参数对应的隐含层层数确定为最优隐含层层数。
可选的,所述电池安全参数,包括:车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行驶里程、最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态。
本发明实施例所提供的电池安全预测装置可执行本发明任意实施例所提供的电池安全预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理,例如电池安全预测方法。
在一些实施例中,电池安全预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的电池安全预测方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电池安全预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,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。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种电池安全预测方法,其特征在于,包括:
获取车辆行驶数据和安全信息,基于所述车辆行驶数据和安全信息提取预设数量的电池安全参数;
将各所述电池安全参数输入到预训练的目标神经网络模型中,所述目标神经网络模型的权重基于海鸥算法优化确定;
根据所述目标神经网络模型的输出结果确定电池的安全预测结果。
2.根据权利要求1所述的方法,其特征在于,所述目标神经网络模型的训练步骤,包括:
获取至少一个候选电池安全数据集,所述候选电池安全数据集包括至少一组电池安全风险概率和候选车辆参数,各所述候选电池安全数据集中的候选车辆参数的类型不同;
对各所述候选电池安全数据集进行相关性分析,确定预设数量的电池安全相关因子类型;
基于各所述电池安全相关因子类型确定训练样本集;
基于所述训练样本集以及海鸥算法进行模型训练,得到目标神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述对各所述候选电池安全数据集进行相关性分析,确定预设数量的电池安全相关因子类型,包括:
针对每个候选电池安全数据集,计算所述电池安全风险概率和候选车辆参数的相关性;
比较各所述相关性,按照相关性从高到低的顺序,依次获取预设数量的相关性,并作为目标相关性;
将各所述目标相关性对应的候选车辆参数的类型确定为电池安全相关因子类型。
4.根据权利要求3所述的方法,其特征在于,所述计算所述电池安全风险概率和候选车辆参数的相关性,包括:
计算各所述电池安全风险概率的平均值得到第一均值,计算各所述候选车辆参数的平均值,得到第二均值;
计算各所述电池安全风险概率与第一均值的差值,得到第一差值,计算各所述候选车辆参数与所述第二均值的差值,得到第二差值,将各所述第一差值与对应的第二差值的乘积进行相加,得到乘积和;
将各所述第一差值的平方进行累加,得到第一平方和,将所述第一平方和进行开平方,得到第一算数平方根;
将各所述第二差值的平方进行累加,得到第二平方和,将所述第二平方和进行开平方,得到第二算数平方根;
将所述第一算数平方根和第二算数平方根进行相乘,得到平方根乘积;
将所述乘积与所述平方根乘积的比值确定为电池安全风险概率和候选车辆参数的相关性。
5.根据权利要求2所述的方法,其特征在于,所述基于各所述电池安全相关因子类型确定训练样本集,包括:
基于各所述电池安全相关因子类型,获取至少一个备选数据集,所述备选数据集中包括同一时刻的不同电池安全相关因子类型所对应的备选数据;
对各所述备选数据进行归一化和去噪处理,得到处理后的待预测数据;
将每个备选数据集所对应的各所述待预测数据作为一个训练样本,形成训练样本集。
6.根据权利要求2所述的方法,其特征在于,所述基于所述训练样本集以及海鸥算法进行模型训练,得到目标神经网络模型,包括:
对所述训练样本集中的每个训练样本进行预测,得到预测拟合数据;
基于各所述预测拟合数据及对应的标签值确定误差参数;
根据所述误差参数结合预确定的误差参数表,确定所述误差参数对应的最优隐含层层数;
基于所述最优隐含层层数构建初始神经网络模型;
将所述初始神经网络模型的初始权重矩阵作为海鸥的初始位置,通过海鸥算法寻优,确定最优权重,将所述最优权重确定为目标神经网络模型的权重。
7.根据权利要求6所述的方法,其特征在于,所述基于各所述预测拟合数据及对应的标签值确定误差参数,包括:
将各所述预测拟合数据及其对应的标签值的差值作为预测差值;
将各所述预测差值进行平方并求和,得到误差平方和;
将所述误差平方和与所述训练样本的数量的比值确定为误差参数。
8.根据权利要求6所述的方法,其特征在于,所述根据所述误差参数结合预确定的误差参数表,确定所述误差参数对应的最优隐含层层数,包括:
计算所述误差参数与所述误差参数表中的各候选误差参数之间的差值;
比较各所述差值,将所述差值最小的候选误差参数确定为目标误差参数;
将所述目标误差参数对应的隐含层层数确定为最优隐含层层数。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述电池安全参数,包括:车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行驶里程、最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态。
10.一种电池安全预测装置,其特征在于,包括:
数据获取模块,用于获取车辆行驶数据和安全信息,基于所述车辆行驶数据和安全信息提取预设数量的电池安全参数;
模型预测模块,用于将各所述电池安全参数输入到预训练的目标神经网络模型中,所述目标神经网络模型的权重基于海鸥算法优化确定;
预测结果确定模块,用于根据所述目标神经网络模型的输出结果确定电池的安全预测结果。
11.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的电池安全预测方法。
12.一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1-9中任一项所述的电池安全预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311478596.1A CN117407795A (zh) | 2023-11-07 | 2023-11-07 | 一种电池安全预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311478596.1A CN117407795A (zh) | 2023-11-07 | 2023-11-07 | 一种电池安全预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117407795A true CN117407795A (zh) | 2024-01-16 |
Family
ID=89486966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311478596.1A Pending CN117407795A (zh) | 2023-11-07 | 2023-11-07 | 一种电池安全预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407795A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649905A (zh) * | 2024-01-30 | 2024-03-05 | 国家超级计算天津中心 | 电池有机正极材料的数据预测方法、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114121277A (zh) * | 2021-11-04 | 2022-03-01 | 四川省医学科学院·四川省人民医院 | 一种压疮预测系统及方法 |
CN115374710A (zh) * | 2022-09-19 | 2022-11-22 | 兰州理工大学 | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 |
CN115759434A (zh) * | 2022-11-24 | 2023-03-07 | 浙江凌骁能源科技有限公司 | 电池电量实时预测方法、系统、计算机设备和存储介质 |
US20230215159A1 (en) * | 2020-09-10 | 2023-07-06 | Huawei Technologies Co., Ltd. | Neural network model training method, image processing method, and apparatus |
CN116933948A (zh) * | 2023-09-18 | 2023-10-24 | 北京邮电大学 | 基于改进海鸥算法与反向传播神经网络的预测方法和系统 |
-
2023
- 2023-11-07 CN CN202311478596.1A patent/CN117407795A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230215159A1 (en) * | 2020-09-10 | 2023-07-06 | Huawei Technologies Co., Ltd. | Neural network model training method, image processing method, and apparatus |
CN114121277A (zh) * | 2021-11-04 | 2022-03-01 | 四川省医学科学院·四川省人民医院 | 一种压疮预测系统及方法 |
CN115374710A (zh) * | 2022-09-19 | 2022-11-22 | 兰州理工大学 | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 |
CN115759434A (zh) * | 2022-11-24 | 2023-03-07 | 浙江凌骁能源科技有限公司 | 电池电量实时预测方法、系统、计算机设备和存储介质 |
CN116933948A (zh) * | 2023-09-18 | 2023-10-24 | 北京邮电大学 | 基于改进海鸥算法与反向传播神经网络的预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
郑永飞;文怀兴;韩昉;杨鑫;: "基于电池外特征的粒子群神经网络电池健康状态预测", 科学技术与工程, no. 36, 28 December 2019 (2019-12-28) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649905A (zh) * | 2024-01-30 | 2024-03-05 | 国家超级计算天津中心 | 电池有机正极材料的数据预测方法、设备和存储介质 |
CN117649905B (zh) * | 2024-01-30 | 2024-04-05 | 国家超级计算天津中心 | 电池有机正极材料的数据预测方法、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
Ma et al. | State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network | |
CN108535656A (zh) | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 | |
CN115291116B (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
CN117407795A (zh) | 一种电池安全预测方法、装置、电子设备及存储介质 | |
CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
CN115221795A (zh) | 容量预测模型的训练方法、预测方法、装置、设备及介质 | |
CN110794308A (zh) | 列车电池容量预测方法及装置 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
CN116401954A (zh) | 一种锂电池循环寿命的预测方法、预测装置、设备及介质 | |
Pu et al. | A novel cuckoo search particle filtering strategy for the remaining useful life prediction of the lithium‐ion batteries in hybrid electric vehicle | |
CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
CN118095570A (zh) | 台区智能负荷预测方法、系统、电子设备、介质及芯片 | |
CN116093497B (zh) | 一种电池热失控概率预测方法、装置、设备及存储介质 | |
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 | |
CN116703109A (zh) | 一种配电网项目选取方法、装置、设备及存储介质 | |
CN115656824A (zh) | 基于cnn-lstm模型的锂电池核电状态预测方法 | |
CN110516845A (zh) | 一种续航里程预测方法及装置 | |
CN116316699A (zh) | 一种大电网频率安全态势预测方法、装置及存储介质 | |
Zhang et al. | A novel streamlined particle‐unscented Kalman filtering method for the available energy prediction of lithium‐ion batteries considering the time‐varying temperature‐current influence | |
CN117420444A (zh) | 一种电池状态确定方法、装置、设备及存储介质 | |
CN118566756A (zh) | 一种车辆电池荷电状态的预测方法、电子设备及存储介质 | |
CN117907872A (zh) | 一种电池寿命的预测方法、装置、电子设备和存储介质 |
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 |