CN117454186A - 模型训练、电池性能预测方法、装置、设备及存储介质 - Google Patents
模型训练、电池性能预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117454186A CN117454186A CN202311776884.5A CN202311776884A CN117454186A CN 117454186 A CN117454186 A CN 117454186A CN 202311776884 A CN202311776884 A CN 202311776884A CN 117454186 A CN117454186 A CN 117454186A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- model
- polynomial fitting
- performance
- 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 177
- 238000012549 training Methods 0.000 title claims abstract description 104
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 68
- 238000012360 testing method Methods 0.000 claims description 91
- 230000009467 reduction Effects 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 239000000463 material Substances 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 16
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 13
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 9
- 239000003792 electrolyte Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- JLVVSXFLKOJNIY-UHFFFAOYSA-N Magnesium ion Chemical compound [Mg+2] JLVVSXFLKOJNIY-UHFFFAOYSA-N 0.000 description 1
- 108010049508 Myxococcus acidic endoprotease Proteins 0.000 description 1
- KEAYESYHFKHZAL-UHFFFAOYSA-N Sodium Chemical compound [Na] KEAYESYHFKHZAL-UHFFFAOYSA-N 0.000 description 1
- JDZCKJOXGCMJGS-UHFFFAOYSA-N [Li].[S] Chemical compound [Li].[S] JDZCKJOXGCMJGS-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- VVNXEADCOVSAER-UHFFFAOYSA-N lithium sodium Chemical compound [Li].[Na] VVNXEADCOVSAER-UHFFFAOYSA-N 0.000 description 1
- 229910001425 magnesium ion Inorganic materials 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例公开了一种模型训练、电池性能预测方法、装置、设备及存储介质,其中,所述模型训练方法包括:基于电池的设计参数、工艺参数和性能参数,确定多个不同的多项式拟合条件;获取每一多项式拟合条件对应的样本电池数据;基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型。如此,训练好的目标电池性能预测模型可以对不同业务场景中的电池性能进行自动化预测,适用范围广且预测效率高。
Description
技术领域
本申请涉及但不限于电池生产技术领域,尤其涉及一种模型训练、电池性能预测方法、装置、设备及存储介质。
背景技术
新能源电池在生活和产业中的应用越来越广泛,例如,搭载电池的新能源汽车已经被广泛使用,另外,电池还被越来越多地应用于储能领域等。一般,从电池的容量、电压、内阻和使用寿命等多项指标来衡量电池的质量。
相关技术中,采集电池在测试过程中的测试数据,后对采集的测试数据进行数据分析,以确定出该电池的性能。然而,上述方法无法对未测试的电池进行性能预测,存在适用范围窄、预测效率低的问题。
发明内容
有鉴于此,本申请实施例至少提供一种模型训练、电池性能预测方法、装置、设备及存储介质,训练好的目标电池性能预测模型可以对不同业务场景中的电池性能进行自动化预测,适用范围广且预测效率高。
本申请实施例的技术方案是这样实现的:
一方面,本申请实施例提供一种模型训练方法,所述模型训练方法包括:基于电池的设计参数、工艺参数和性能参数,确定多个不同的多项式拟合条件;获取每一多项式拟合条件对应的样本电池数据;基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型。
可以理解,基于电池的设计参数、工艺参数和性能参数确定多个不同的多项式拟合条件,可以枚举出不同业务场景中衡量电池性能所需的参数,模拟出不同业务场景中的测试需求;进而,基于每一多项式拟合条件和对应的样本电池数据对初始电池性能预测模型进行训练,可以使得训练好的目标电池性能预测模型能够对不同业务场景中的电池性能进行自动化预测,即使不具有电池的测试数据,也能够基于电池在诸如设计阶段、制造阶段等其他阶段产生的数据进行自动化预测,适用范围广且预测效率高,解决了相关技术中的适用范围窄、预测效率低的问题。
在一些实施例中,所述获取每一多项式拟合条件对应的样本电池数据,包括:基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据;对所述第一电池数据进行预处理,得到所述每一多项式拟合条件对应的样本电池数据。
可以理解,根据每一多项式拟合条件对应的电池类型,可以从多个不同的数据库中汇聚到每一多项式拟合条件对应的第一电池数据,使训练好的目标电池性能预测模型可以基于不同生产阶段的电池数据进行电池性能的预测,扩大模型的适用范围;并且,通过对汇聚到的第一电池数据进行预处理,可以提高数据集的准确性,进而从数据集这一方面提高模型的预测准确率。
在一些实施例中,所述基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据,包括:采用加密通讯方法,基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据。
可以理解,通过加密通讯方法进行数据交互,可以提高数据的安全性。
在一些实施例中,所述基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据,包括:基于所述每一多项式拟合条件对应的电池类型,从设计数据库中获取所述每一多项式拟合条件对应的电池设计数据;基于所述每一多项式拟合条件对应的电池类型,从测试数据库中获取所述每一多项式拟合条件对应的电池测试数据;基于所述每一多项式拟合条件对应的电池类型,从工艺数据库中获取所述每一多项式拟合条件对应的电池工艺数据;对所述电池设计数据、所述电池测试数据和所述电池工艺数据进行汇聚,得到所述每一多项式拟合条件对应的第一电池数据。
可以理解,从设计数据库、工艺数据库、测试数据库(测试结果数据库和测试条件数据库)等多个不同的数据库中汇聚每一多项式拟合条件对应的第一电池数据,可以使得训练模型的数据集包含电池在整个生产阶段产生的电池数据,提高数据集的丰富度。
在一些实施例中,所述对所述第一电池数据进行预处理,得到所述每一多项式拟合条件对应的样本电池数据,包括:对所述第一电池数据进行数据降维,得到降维后的第一电池数据;对所述降维后的第一电池数据进行数据清洗,得到清洗后的第一电池数据;对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据。
可以理解,通过对第一电池数据进行数据降维、数据清洗以及数据扩充等预处理,能够去除对模型训练无益的数据,提高数据集的准确性,进而从数据集这一方面上提高模型的预测准确率。
在一些实施例中,所述对所述第一电池数据进行数据降维,得到降维后的第一电池数据,包括:确定影响电池直流内阻DCR的第一预设参数;从所述第一预设参数中,筛选出所述每一多项式拟合条件对应的第二预设参数;采用数据降维算法,保留所述第一电池数据中与所述第二预设参数具有关联关系的数据,得到所述降维后的第一电池数据。
可以理解,对第一预设参数进行筛选,能够进一步确定出每一业务场景所需的影响因子,进而采用筛选出的第二预设参数进行数据降维,能够降低数据维度,以提高后续处理效率。
在一些实施例中,所述对所述降维后的第一电池数据进行数据清洗,得到清洗后的第一电池数据,包括:对所述降维后的第一电池数据进行异常去除,得到去除后的第一电池数据;对所述去除后的第一电池数据进行差异去除,得到所述清洗后的第一电池数据。
可以理解,对降维后的第一电池数据进行异常去除,可以去除第一电池数据中的异常数据;对去除后的第一电池数据进行差异去除,可以去除第一电池数据中的同组内(相同测试条件、相同工艺、相同设计)差异较大的数据;从而,进一步提高数据集的准确性。
在一些实施例中,所述对所述降维后的第一电池数据进行异常去除,得到去除后的第一电池数据,包括:基于异常检测算法,确定所述降维后的第一电池数据中的异常数据;从所述降维后的第一电池数据中去除所述异常数据,得到所述去除后的第一数据。
可以理解,根据异常检测算法可以确定出第一电池数据中的异常数据,进而对降维后的第一电池数据进行异常去除。
在一些实施例中,所述对所述去除后的第一电池数据进行差异去除,得到所述清洗后的第一电池数据,包括:基于所述每一多项式拟合条件中的性能,对所述去除后的第一电池数据进行分组,得到多个第二电池数据集合;基于每一第二电池数据集合的性能差异,从所述多个第二电池数据集合中确定待去除电池数据;从所述去除后的第一电池数据中去除所述待去除电池数据,得到所述清洗后的第一电池数据。
可以理解,根据每一多项式拟合条件中的性能进行分组,将组内差异较大的电池数据确定为待去除电池数据并去除,可以提高数据集的准确性。
在一些实施例中,所述基于每一第二电池数据集合的性能差异,从所述多个第二电池数据集合中确定待去除电池数据,包括:确定所述每一第二电池数据集合的性能最大值和性能最小值;基于所述每一第二电池数据集合的性能最大值和性能最小值,确定所述每一第二电池数据集合的性能差异;将性能差异大于差异阈值的第二电池数据集合中的电池数据确定为待去除电池数据。
可以理解,根据每一第二电池数据集合的性能最大值和性能最小值确定组内差异大的第二电池数据集合并去除,可以进一步提高数据集的准确性。
在一些实施例中,所述对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据,包括:基于电池的材料属性,对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据。
可以理解,根据材料属性对数据集进行扩充,可以扩大模型的使用范围,也可以让模型学习到材料属性与短周期DCR的结果。
在一些实施例中,所述初始电池性能预测模型包括第一预测模型和优化模型;所述基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型,包括:将所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据输入至所述第一预测模型进行训练,得到第一模型输出和第一模型参数;将所述第一模型参数输入至所述优化模型进行优化,得到第二模型参数;将所述第一预测模型中的模型参数调整为所述第二模型参数,得到调整后的第一预测模型;将所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据输入至所述调整后的第一预测模型进行训练,直至得到最优模型参数,将模型参数为所述最优模型参数的第一预测模型确定为所述目标电池性能预测模型。
可以理解,采用优化模型对第一预测模型的模型参数进行优化,可以使第一预测模型的模型参数是当下的最优解,以提高模型的预测准确率。
在一些实施例中,所述最优模型参数的确定方法至少包括以下之一:所述最优模型参数中的平均绝对百分比误差满足第一阈值;模型参数为所述最优模型参数的第一预测模型的过拟合度满足第二阈值。
在一些实施例中,所述初始电池性能预测模型包括多个模型结构不同的第二预测模型;所述基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型,包括:基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据分别对所述多个第二预测模型进行训练,得到每一第二预测模型的模型输出;基于所述每一第二预测模型的模型输出和所述样本电池数据的标签,确定所述每一第二预测模型的模型性能;将模型性能最优的第二预测模型确定为所述目标电池性能预测模型。
可以理解,预先训练多个第二预测模型,从中选取性能最优的第二预测模型作为目标电池性能预测模型,可以使训练好的目标电池性能预测模型的模型结构是最优的,以提高模型的预测准确率。
一方面,本申请实施例提供一种电池性能预测方法,所述电池性能预测方法包括:基于当前业务场景衡量电池性能所需的设计参数、工艺参数和性能参数,确定目标多项式拟合条件;采用目标电池性能预测模型对所述目标多项式拟合条件和当前业务场景中的待处理电池数据进行回归拟合,得到当前业务场景中的电池性能变化情况;其中,所述目标电池性能预测模型是在基于电池的设计参数、工艺参数和性能参数确定的多个不同的多项式拟合条件下训练得到的。
可以理解,由于目标电池性能预测模型是基于电池的设计参数、工艺参数和性能参数确定的多个不同的多项式拟合条件进行训练后得到的,且多个不同的多项式拟合条件可以表征不同业务场景中的测试需求,因此目标电池性能预测模型能够对不同业务场景中的电池性能进行自动化预测,即使不具有电池的测试数据,也能够基于电池在诸如设计阶段、制造阶段等其他阶段产生的数据进行自动化预测,适用范围广且预测效率高,从而能够快速确定出当前业务场景下的电池性能变化情况。
在一些实施例中,所述采用目标电池性能预测模型对所述目标多项式拟合条件和当前业务场景中的待处理电池数据进行回归拟合,得到当前业务场景中的电池性能变化情况,包括:采用所述目标电池性能预测模型对所述目标多项式拟合条件和所述待处理电池数据进行性能预测,得到所述目标多项式拟合条件中的每一参数对应的预测性能;基于所述目标多项式拟合条件中的每一参数对所述预测性能进行曲面拟合,得到当前业务场景下的电池性能变化图谱;所述电池性能变化图谱表征电池性能变化情况。
可以理解,将预测性能转换为图谱,可以使电池开发人员直观地看出电池性能的变化趋势,快速且准确地判断电池是否异常。
另一方面,本申请实施例提供一种模型训练装置,所述模型训练装置包括:
第一确定单元,配置成基于电池的设计参数、工艺参数和性能参数,确定多个不同的多项式拟合条件;
所述第一确定单元,配置成获取每一多项式拟合条件对应的样本电池数据;
训练单元,配置成基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型。
另一方面,本申请实施例提供一种电池性能预测装置,所述电池性能预测装置包括:
第二确定单元,配置成基于当前业务场景衡量电池性能所需的设计参数、工艺参数和性能参数,确定目标多项式拟合条件;
处理单元,配置成采用目标电池性能预测模型对所述目标多项式拟合条件和当前业务场景中的待处理电池数据进行回归拟合,得到当前业务场景中的电池性能变化情况;其中,所述目标电池性能预测模型是在基于电池的设计参数、工艺参数和性能参数确定的多个不同的多项式拟合条件下训练得到的。
再一方面,本申请实施例提供一种模型训练设备,包括第一存储器和第一处理器,所述第一存储器存储有可在第一处理器上运行的计算机程序,所述第一处理器执行所述程序时实现本申请实施例所述的模型训练方法。
再一方面,本申请实施例提供一种电池性能预测设备,包括第二存储器和第二处理器,所述第二存储器存储有可在第二处理器上运行的计算机程序,所述第二处理器执行所述程序时实现本申请实施例所述的电池性能预测方法。
又一方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。
又一方面,本申请实施例提供一种计算机程序,包括计算机可读代码,当所述计算机可读代码在计算机设备中运行时,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
又一方面,本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。
本申请实施例中,基于电池的设计参数、工艺参数和性能参数确定多个不同的多项式拟合条件,可以枚举出不同业务场景中衡量电池性能所需的参数,模拟出不同业务场景中的测试需求;进而,基于每一多项式拟合条件和对应的样本电池数据对初始电池性能预测模型进行训练,可以使得训练好的目标电池性能预测模型能够对不同业务场景中的电池性能进行自动化预测,即使不具有电池的测试数据,也能够基于电池在诸如设计阶段、制造阶段等其他阶段产生的数据进行自动化预测,适用范围广且预测效率高,解决了相关技术中的适用范围窄、预测效率低的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种模型训练方法的实现流程示意图一;
图2为本申请实施例提供的一种模型训练方法的实现流程示意图二;
图3为本申请实施例提供的一种电池性能预测方法的实现流程示意图一;
图4为本申请实施例提供的一种电池性能预测方法的实现流程示意图二;
图5为本申请实施例提供的一种电池性能预测方法中的训练集回归结果的示意图;
图6为本申请实施例提供的一种电池性能预测方法中的测试集回归结果的示意图;
图7为本申请实施例提供的一种电池性能预测方法中的验证集回归结果的示意图;
图8为本申请实施例提供的一种电池性能预测方法中的拟合结果的示意图一;
图9为本申请实施例提供的一种电池性能预测方法中的拟合结果的示意图二;
图10为本申请实施例提供的一种模型训练装置的组成结构示意图;
图11为本申请实施例提供的一种电池性能预测装置的组成结构示意图;
图12为本申请实施例提供的一种模型训练设备的硬件实体示意图;
图13为本申请实施例提供的一种电池性能预测设备的硬件实体示意图。
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,下面结合附图和实施例对本申请的技术方案进一步详细阐述,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。
所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
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的目的,不是旨在限制本申请。
在对本申请实施例进行进一步详细说明之前,先对本申请实施例的相关技术进行说明。
随着新能源行业的快速发展,储能技术作为支持可再生能源,提高了传统电力效率、安全性、可靠性和经济性,是支撑分布式能源、能源互联网、区域能源管理系统以及电动汽车的关键技术。储能技术对改变传统供电模式、实现能源转型以及可再生能源的高比例接入、保证能源安全、实现节能减排的目标均具有重要意义。
目前,新能源电池不仅被应用于水力、火力、风力和太阳能电站等储能电源系统,而且还被广泛应用于电动自行车、电动摩托车、电动汽车等电动交通工具,以及航空航天等多个领域。随着动力电池应用领域的不断扩大,其市场的需求量也在不断地扩增。本公开实施例中,电池可以是电池单体。电池单体是指能够实现化学能和电能相互转换的基本单元,可以用于制作电池模组或电池包,从而用于向用电装置供电。电池单体可以为二次电池,二次电池是指在电池单体放电后可通过充电的方式使活性材料激活而继续使用的电池单体。电池单体可以为锂离子电池、钠离子电池、钠锂离子电池、锂金属电池、钠金属电池、锂硫电池、镁离子电池、镍氢电池、镍镉电池、铅蓄电池等,本公开实施例对此并不限定。
现有的锂离子电池的电化学模型普遍基于多孔电极理论,模型中假定整个多孔体系是由空间互补的两个均匀的连续介质组成的,其中一个是固体基质(即电极的基体),另一个是渗入孔中的溶液。传统的液态锂离子电池的电极是多孔电极并且电极内部空隙被电解液填充,因此可以使用多孔电极理论对电池电化学行为进行描述。然而,由于固态电池采用的是固态电解质,电极的浸润中不存在电解液的浸润,电解质与电极仅在电极/电解质界面上存在接触,因此不能使用多孔电极理论对电池性能进行描述。
电池设计和生产过程中对短周期直流内阻(Direct Current Resistance,DCR)有影响的参数较多,但目前电化学模型可使用的参数较少,大量参数对于短期DCR的机理影响还没有加入研究,这些参数对于短周期DCR的影响暂无量化研究。
本申请在经过多年的研究和发展的基础上,已具备了大量的电池材料、电解液、电池生产、电池测试的数据,通过大数据的方法对电池性能进行预测具备了数据基础和研究基础,采用基于大数据的机器学习算法,来拟合复杂的电化学机理,目标为推测不同材料、不同电池、不同测试条件下的电池性能。
本申请的实施例中,电池还可以是包括一个或多个电池单体以提供更高的电压和容量的单一的物理模块。电池单体有多个时,多个电池单体通过汇流部件串联、并联或混联。
下面对本申请实施例的目标电池性能预测模型的构建方案进行说明。
本申请实施例提供一种模型训练方法,该模型训练方法可以由模型训练设备的处理器执行。图1为本申请实施例提供的一种模型训练方法的实现流程示意图一,如图1所示,该方法包括如下步骤101至步骤103:
步骤101、基于电池的设计参数、工艺参数和性能参数,确定多个不同的多项式拟合条件。
电池的设计参数表征电池在设计阶段的产品特征。在一种可行的实现方式中,电池的设计参数可以包括但不限于:电池正极、负极和电解液的材料、材料配比、电池尺寸、电池壳体的材质、电池底盖型号、电池所用的添加剂以及电池重量等。
电池的工艺参数表征电池在制造阶段的制造工艺。一般,电池的制造需要经过制备材料、涂布、组装、测试、包装等多个阶段。在一种可行的实现方式中,电池的工艺参数指的可以是电池在制备材料、涂布、组装、测试和包装等多个阶段所产生的参数。示例性地,电池在测试阶段所产生的参数可以包括但不限于:测试时间、测试设备、测试组织、测试参数以及测试结果等。
电池的性能参数指的可以是与电池性能相关的参数,换言之,电池的性能参数指的可以是用于评价电池好坏的指标。在一种可行的实现方式中,电池的性能参数可以包括但不限于:电池容量、电池电压、电池充放电速率、电池阻抗、电池寿命、电池自放电率以及电池健康度SOH等。
一个多项式拟合条件对应一个测试任务,多项式拟合条件用于表征多个不同业务场景中衡量电池性能所需的参数,以体现不同业务场景中的测试需求。具体地,多项式拟合条件可以表征对应测试任务要测试的参数、在哪些设计参数、哪些工艺参数和哪些性能参数的限制下进行测试、以及每一项参数对应的阈值区间。多项式拟合条件指的可以是从电池的设计参数、工艺参数和性能参数这三种参数中选取的多个参数组合成的条件;也即,多项式指的是从电池的设计参数、工艺参数和性能参数这三种参数中选取的多个参数。示例性地,多项式拟合条件可以为设定时间、设定温度和设定电池荷电状态(State of Charge,SOC)组合成的测试条件。
在一些实施方式中,可以从电池的设计参数、工艺参数和性能参数中枚举出多个不同的参数组合,基于多个不同的参数组合得到多个不同的多项式拟合条件。
步骤102、获取每一多项式拟合条件对应的样本电池数据。
样本电池数据指的可以是用于训练模型的数据集;样本电池数据可以为电池在生产过程中产生的电池数据。
在一些实施方式中,每一测试任务可以包括测试条件(多项式拟合条件)、测试编号、要测试的电池类型以及要测试的电池的电池标识等数据。如此,可以根据每一多项式拟合条件对应的电池类型,获取每一多项式拟合条件对应的样本电池数据。
步骤103、基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型。
初始电池性能预测模型指的可以是未训练的模型,也可以是预训练过但未训练好的模型。目标电池性能预测模型指的可以是训练好的模型。在一种可行的实现方式中,初始电池性能预测模型可以为机器学习模型;示例性地,初始电池性能预测模型可以为基于bagging或boosting等集成学习算法构建的模型,也可以为卷积神经网络(ConvolutionalNeural Networks,CNN)、递归神经网络(Recurrent Neural Network,RNN)、深度神经网络(Deep Neural Network,DNN)等神经网络模型。
在一些实施方式中,初始电池性能预测模型指代的是单个模型;这种情况下,可以直接将每一多项式拟合条件和对应的样本电池数据输入至初始电池性能预测模型进行训练,得到训练好的目标电池性能预测模型。
在一些实施方式中,初始电池性能预测模型指代的是两个模型,该两个模型分别为预测模型和优化模型;这种情况下,可以基于每一多项式拟合条件和对应的样本电池数据对预测模型进行训练,采用优化模型对预测模型的模型参数和/或模型结构进行优化,将训练好的预测模型确定为目标电池性能预测模型。
本申请实施例中,基于电池的设计参数、工艺参数和性能参数确定多个不同的多项式拟合条件,可以枚举出不同业务场景中衡量电池性能所需的参数,模拟出不同业务场景中的测试需求;进而,基于每一多项式拟合条件和对应的样本电池数据对初始电池性能预测模型进行训练,可以使得训练好的目标电池性能预测模型能够对不同业务场景中的电池性能进行自动化预测,即使不具有电池的测试数据,也能够基于电池在诸如设计阶段、制造阶段等其他阶段产生的数据进行自动化预测,适用范围广且预测效率高,解决了相关技术中的适用范围窄、预测效率低的问题。
本申请实施例提供一种模型训练方法,该方法可以由模型训练设备的处理器执行。如图2所示,该方法包括如下步骤201至步骤204:
步骤201、基于电池的设计参数、工艺参数和性能参数,确定多个不同的多项式拟合条件。
步骤202、基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据。
第一电池数据指的可以是从多个不同的数据库中汇聚到的每一多项式拟合条件对应的电池数据。第一电池数据是未经过预处理的数据集。在一种可行的实现方式中,可以根据尺寸大小来确定电池类型,或者,可以根据材料来确定电池类型,或者,可以根据型号确定电池类型,本申请实施例对此不作限定。
在一种可行的实现方式中,每一测试任务可以包括测试条件(多项式拟合条件)、测试编号、要测试的电池类型以及要测试的电池的电池标识等数据。如此,可以根据每一多项式拟合条件对应的电池类型和/或电池标识,从多个不同的数据库中汇聚到每一多项式拟合条件对应的第一电池数据。
步骤203、对所述第一电池数据进行预处理,得到所述每一多项式拟合条件对应的样本电池数据。
这里,上述步骤202至步骤203分别对应于前述步骤102,在实施时可以参照前述步骤102的具体实施方式。
由于汇聚到的每一多项式拟合条件对应的第一电池数据可能存在冗余、异常、对电池性能预测有影响、对电池性能无关等对模型训练无益的数据,因此在获取到每一多项式拟合条件对应的第一电池数据后,可以对每一多项式拟合条件对应的第一电池数据进行预处理,以去除对模型训练无益的数据,提高数据集的准确性,进而从数据集这一方面提高模型的预测准确率。
在一种可行的实现方式中,可以对第一电池数据进行数据降维、数据清洗以及数据扩充等预处理,得到每一多项式拟合条件对应的样本电池数据,以提高数据集的可靠性和准确性。
步骤204、基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型。
可以理解,根据每一多项式拟合条件对应的电池类型,可以从多个不同的数据库中汇聚到每一多项式拟合条件对应的第一电池数据,使训练好的目标电池性能预测模型可以基于不同生产阶段的电池数据进行电池性能的预测,扩大模型的适用范围;并且,通过对汇聚到的第一电池数据进行预处理,可以提高数据集的准确性,进而从数据集这一方面提高模型的预测准确率。
在一些实施例中,上述步骤202可以通过如下步骤2021来实现:
步骤2021、采用加密通讯方法,基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据。
加密通讯方法用于保证数据交互的安全性。
在一种可行的实现方式中,加密通讯方法指的可以是模型训练设备和多个数据库之间的通讯协议。示例性地,通讯协议中约定了特定通讯地址和特定通讯接口,如此,模型训练设备可以通过该特定通讯接口从该特定通讯地址中提取数据。
在另一种可行的实现方式中,加密通讯方法指的可以是模型训练设备和多个数据库之间的数据是在加密后传输的。示例性地,可以预先约定加密算法,如此,模型训练设备和多个数据库之间的数据在采用加密算法进行加密后再传输给对方,可以提高数据的安全性。
需要说明的是,模型训练设备和多个数据库之间可以采用相同的加密通讯方法,还可以采用不同的加密通讯方法。
在一些实施方式中,步骤2021的具体实现方式可以为:基于所述每一多项式拟合条件对应的电池类型,从设计数据库中获取所述每一多项式拟合条件对应的电池设计数据;基于所述每一多项式拟合条件对应的电池类型,从测试数据库中获取所述每一多项式拟合条件对应的电池测试数据;基于所述每一多项式拟合条件对应的电池类型,从工艺数据库中获取所述每一多项式拟合条件对应的电池工艺数据;对所述电池设计数据、所述电池测试数据和所述电池工艺数据进行汇聚,得到所述每一多项式拟合条件对应的第一电池数据。
设计数据库用于存储电池在设计阶段产生的所有数据。测试数据库用于存储电池在生产过程中的所有测试数据。工艺数据库用于存储电池在制造阶段产生的所有数据。在一种可行的实现方式中,为便于管理数据,进一步提高数据的安全性,可以将测试条件与测试结果分开存储;此时,测试数据库可以包括测试条件数据库和测试结果数据库。
在一种可行的实现方式中,可以将每一多项式拟合条件对应的电池类型和/或电池标识作为匹配依据,采用加密通讯方法,从设计数据库、工艺数据库、测试结果数据库和测试条件数据库等多个不同的数据库中提取数据,以汇聚每一多项式拟合条件对应的第一电池数据。如此,不会泄露数据库中的数据,提高数据交互的安全性。
可以理解,从设计数据库、工艺数据库、测试结果数据库和测试条件数据库等多个不同的数据库中汇聚每一多项式拟合条件对应的第一电池数据,可以使得训练模型的数据集包含电池在整个生产阶段产生的电池数据,提高数据集的丰富度。
在一些实施例中,上述步骤203可以通过如下步骤2031至步骤2033来实现:
步骤2031、对所述第一电池数据进行数据降维,得到降维后的第一电池数据。
在一种可行的实现方式中,可以采用任一降维方法,将第一电池数据降维至对应的维度阈值,得到降维后的第一电池数据。例如,可以从左到右对第一电池数据进行编号,将超出维度阈值的数据直接去除,得到降维后的第一电池数据。
在一种实施方式中,步骤2031的具体实现方式可以为:确定影响电池直流内阻DCR的第一预设参数;从所述第一预设参数中,筛选出所述每一多项式拟合条件对应的第二预设参数;采用数据降维算法,保留所述第一电池数据中与所述第二预设参数具有关联关系的数据,得到所述降维后的第一电池数据。
第一预设参数指的可以是对电池DCR有影响的参数。在一种可行的实现方式中,第一预设参数可以预先设置,可以由电池开发人员根据业务经验进行设置。具体地,针对不同的测试任务,可以设置不同的预设参数,以满足不同业务场景的性能需求。第二预设参数是从第一预设参数中筛选出的参数。数据降维算法用于进行数据降维,如将第一电池数据从50维降至40维。在一种可行的实现方式中,数据降维算法可以为基于特征重要性进行筛选的递归模型,或基于特征权重进行筛选的回归分析模型,本申请实施例不限定数据降维算法的具体实现。
在一种可行的实现方式中,可以采用数据降维算法,确定第一电池数据中与第二预测参数没有关联关系的数据,并去除这些数据,保留第一电池数据中与第二预设参数具有关联关系的数据,得到降维后的第一电池数据。
在另一种可行的实现方式中,可以采用特征提取算法,从第一电池数据中提取出与第二预设参数具有关联关系的数据,得到降维后的第一电池数据。其中,特征提取算法可以为相关性分析算法,关联度分析算法等。
可以理解,对第一预设参数进行筛选,能够进一步确定出每一业务场景所需的影响因子,进而采用筛选出的第二预设参数进行数据降维,能够降低数据维度,以提高后续处理效率。
步骤2032、对所述降维后的第一电池数据进行数据清洗,得到清洗后的第一电池数据。
数据清洗是为了去除第一电池数据中的对模型训练无益的数据。
在一种可行的实现方式中,可以采用数据清洗算法,对降维后的第一电池数据进行数据清洗得到清洗后的第一电池数据。
步骤2033、对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据。
数据扩充是为了扩充用于进行模型训练的数据集,以通过扩充数据集提升模型的准确率和适用范围。
在一种实施方式中,步骤2033的具体实现方式可以为:基于电池的材料属性,对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据。
材料属性可以包括但不限于:材料的孔径、颗粒度、扩散力度、子配方等材料独有特征。
由于电池设计时的材料信息为材料的编号,将材料编号带入建模会影响模型的使用范围,采用材料属性替换的方法既可以扩大模型的使用范围,也可以让模型学习到材料属性与短周期DCR的结果。
在一种可行的实现方式中,可以将清洗后的第一电池数据中的材料编号替换为其他材料编号,以扩充数据集。
在一种实施方式中,如果存在一些对电池性能没有影响的属性,那么还可以基于该属性对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据。
可以理解,通过对第一电池数据进行数据降维、数据清洗以及数据扩充等预处理,去除对模型训练无益的数据,提高数据集的准确性,进而从数据集这一方面上提高模型的预测准确率。
在一种实施例中,上述步骤2032可以通过如下步骤A至B来实现:
步骤A、对所述降维后的第一电池数据进行异常去除,得到去除后的第一电池数据。
异常去除是为了去除第一电池数据中的异常数据。
在一些实施方式中,步骤A的具体实现方式可以为:基于异常检测算法,确定所述降维后的第一电池数据中的异常数据;从所述降维后的第一电池数据中去除所述异常数据,得到所述去除后的第一数据。
异常检测算法用于确定第一电池数据中的异常数据。在一种可行的实现方式中,异常检测算法可以为孤立森林算法、k最近邻(K-NearestNeighbor,KNN)算法、基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)、主成分分析(Principal Component Analysis,PCA)算法等。
示例性地,可以采用孤立森林算法确定降维后的第一电池数据中的异常数据,然后从降维后的第一电池数据中去除该异常数据,得到去除后的第一数据。
步骤B、对所述去除后的第一电池数据进行差异去除,得到所述清洗后的第一电池数据。
差异去除是为了去除第一电池数据中的组内(相同测试条件、相同工艺、相同设计)差异较大的数据集合。
在一种实施方式中,步骤B的具体实现方式可以为:基于所述每一多项式拟合条件中的性能,对所述去除后的第一电池数据进行分组,得到多个第二电池数据集合;基于每一第二电池数据集合的性能差异,从所述多个第二电池数据集合中确定待去除电池数据;从所述去除后的第一电池数据中去除所述待去除电池数据,得到所述清洗后的第一电池数据。
多个第二电池数据集合是按照多项式拟合条件中的性能对第一电池数据进行分组后得到的。待去除电池数据指的可以是组内差异较大的第二电池数据集合中的电池数据。
在一种可行的实现方式中,上述“基于每一第二电池数据集合的性能差异,从所述多个第二电池数据集合中确定待去除电池数据”的具体实现方式可以为:确定所述每一第二电池数据集合的性能最大值和性能最小值;基于所述每一第二电池数据集合的性能最大值和性能最小值,确定所述每一第二电池数据集合的性能差异;将性能差异大于差异阈值的第二电池数据集合中的电池数据确定为待去除电池数据。
实现时,在获取到第二电池数据后,可以确定每一第二电池数据的性能值,以将性能值作为数据集的标签,便于进行数据清洗和模型训练。由于组内差异较大的第二电池数据集合会影响模型的准确率,因此可以将组内差异较大的第二电池数据集合去除,提高数据集的准确性,降低误差影响。差异阈值是判断组内差异较大的第二电池数据集合的依据;差异阈值可以预先阈值,具体可设置为10%。
具体地,可以将确定每一第二电池数据集合的性能最大值和性能最小值,基于每一第二电池数据集合的性能最大值和性能最小值确定每一第二电池数据集合的性能差异,将性能差异大于10%的第二电池数据集合中的电池数据确定为待去除电池数据。示例性地,可以对每一第二电池数据集合(同组)进行APE差异计算。绝对百分比误差(AbsolutePercentage Error,APE)的计算公式为:,其中,/>为性能最大值,/>为性能最小值。
可以理解,对降维后的第一电池数据进行异常去除,可以去除第一电池数据中的异常数据;对去除后的第一电池数据进行差异去除,可以去除第一电池数据中的组内(相同测试条件、相同工艺、相同设计)差异较大的数据集合;从而,进一步提高数据集的准确性。
在一些实施例中,在初始电池性能预测模型包括第一预测模型和优化模型的情况下,上述步骤204可以通过如下步骤2041至步骤2044来实现:
步骤2041、将所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据输入至所述第一预测模型进行训练,得到第一模型输出和第一模型参数。
第一模型输出指的可以是第一预测模型初次训练后预测的电池性能。第一模型参数指的可以是第一预测模型初次训练后的模型参数。在一种可行的实现方式中,第一预测模型可以为基于bagging或boosting等集成学习算法构建的模型,也可以为用于进行回归拟合的神经网络模型。
在一种可行的实现方式中,可以将每一多项式拟合条件和每一多项式拟合条件对应的样本电池数据输入至神经网络模型进行训练,得到第一模型输出和第一模型参数。其中,神经网络模型的损失函数可以为平均百分比误差(Mean Absolute Percentage Error,MAPE)。
步骤2042、将所述第一模型参数输入至所述优化模型进行优化,得到第二模型参数。
第二模型参数是对第一模型参数进行优化后得到的。这里的优化模型用于优化第一预测模型的模型参数。在一种可行的实现方式中,优化模型可以为基于粒子群优化算法、贝叶斯优化算法、帕累托最优(Pareto Optimality)算法等优化算法构建的模型。优化模型的优化目标可以包括但不限于:测试集的MAPE、过拟合度以及每一超参数的权重等。
步骤2043、将所述第一预测模型中的模型参数调整为所述第二模型参数,得到调整后的第一预测模型。
步骤2044、将所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据输入至所述调整后的第一预测模型进行训练,直至得到最优模型参数,将模型参数为所述最优模型参数的第一预测模型确定为所述目标电池性能预测模型。
其中,所述最优模型参数中的平均绝对百分比误差满足第一阈值;模型参数为所述最优模型参数的第一预测模型的过拟合度满足第二阈值。
第一阈值指的可以是判断测试集MAPE是否满足需求的依据。第二阈值指的可以是判断第一预测模型的过拟合度是否满足需求的依据。第一阈值和第二阈值均可以预先设置,具体可根据实际业务需求进行设置,本申请实施例对此不作限定。
在一种可行的实现方式中,可以确定第一预测模型在每次调整后的模型参数下的MAPE,在MAPE小于或等于第一阈值的情况下,将对应的模型参数确定为最优模型参数。如果MAPE小于或等于第一阈值的模型参数不止一个,则从中选取MAPE最小的模型参数作为最优模型参数。MAPE的计算公式可以为:,其中,/>为数据量,/>为样本标签,/>为预测值。
在一种可行的实现方式中,可以确定第一预测模型在每次调整后的模型参数下的过拟合度,在过拟合度大于第二阈值的情况下,将对应的模型参数确定为最优模型参数。需要说明的是,多拟合度越大,说明模型拟合的越好。如果过拟合度大于第二阈值的模型参数不止一个,则从中选取多拟合度最大的模型参数作为最优模型参数。
可以理解,采用优化模型对第一预测模型的模型参数进行优化,可以使第一预测模型的模型参数是当下的最优解,以提高模型的预测准确率。
在一些实施例中,在初始电池性能预测模型包括多个模型结构不同的第二预测模型的情况下,上述步骤204还可以通过如下步骤2045至步骤2047来实现:
步骤2045、基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据分别对所述多个第二预测模型进行训练,得到每一第二预测模型的模型输出。
步骤2046、基于所述每一第二预测模型的模型输出和所述样本电池数据的标签,确定所述每一第二预测模型的模型性能。
步骤2047、将模型性能最优的第二预测模型确定为所述目标电池性能预测模型。
可以理解,预先训练多个第二预测模型,从中选取性能最优的第二预测模型作为目标电池性能预测模型,可以使训练好的目标电池性能预测模型的模型结构是最优的,以提高模型的预测准确率。
需要说明的是,目标电池性能预测模型对待处理电池数据的处理操作与初始电池性能预测模型对样本电池数据的处理操作是类似的,可以参照前述模型训练方法对数据的处理过程,本申请实施例对此不再赘述。
本申请实施例中,基于电池的设计参数、工艺参数和性能参数确定多个不同的多项式拟合条件,可以枚举出不同业务场景中衡量电池性能所需的参数,模拟出不同业务场景中的测试需求;进而,基于每一多项式拟合条件和对应的样本电池数据对初始电池性能预测模型进行训练,可以使得训练好的目标电池性能预测模型能够对不同业务场景中的电池性能进行自动化预测,即使不具有电池的测试数据,也能够基于电池在诸如设计阶段、制造阶段等其他阶段产生的数据进行自动化预测,适用范围广且预测效率高,解决了相关技术中的适用范围窄、预测效率低的问题。
下面对本申请实施例的目标电池性能预测模型的使用方案进行说明。
本申请实施例提供一种电池性能预测方法,该电池性能预测方法可以由电池性能预测设备的处理器执行。需要说明的是,模型训练设备和电池性能预测模型可以是同一设备,也可以是不同设备,本申请实施例对此不作限定。图3为本申请实施例提供的一种电池性能预测方法的实现流程示意图一,如图3所示,该方法包括如下步骤301至302:
步骤301、基于当前业务场景衡量电池性能所需的设计参数、工艺参数和性能参数,确定目标多项式拟合条件。
目标多项式拟合条件指的可以是当前业务场景中的测试条件。目标多项式拟合条件可以包括当前要测试的参数、当前在哪些设计参数、哪些工艺参数和哪些性能参数的限制下进行测试、以及每一项参数对应的阈值区间。
示例性地,目标多项式拟合条件可以为条件概率(conditional_rate)=1.0、温度/秒(time_second)=5.0、温度的Mapping区间为[-25,-20,-15,-10,-5,0,5,10,15,20,25,30,35,45]、SOC的Mapping区间为:[0,0.05,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95]。可以看出,此时设置的温度粒度为5,SOC粒度为0.05。
步骤302、采用目标电池性能预测模型对所述目标多项式拟合条件和当前业务场景中的待处理电池数据进行回归拟合,得到当前业务场景中的电池性能变化情况;其中,所述目标电池性能预测模型是在基于电池的设计参数、工艺参数和性能参数确定的多个不同的多项式拟合条件下训练得到的。
在一些实施方式中,步骤302的具体实现方式可以为:采用所述目标电池性能预测模型对所述目标多项式拟合条件和所述待处理电池数据进行性能预测,得到所述目标多项式拟合条件中的每一参数对应的预测性能;基于所述目标多项式拟合条件中的每一参数对所述预测性能进行曲面拟合,得到当前业务场景下的电池性能变化图谱。
电池性能变化图谱表征当前业务场景下的电池性能变化情况。
在一种可行的实现方式中,可以将目标多项式拟合条件和待处理电池数据输入至目标电池性能预测模型进行预测,得到目标多项式拟合条件中的所有参数对应的预测性能;按照目标多项式拟合条件中的所有参数对所有参数对应的预测性能进行曲面拟合,当前业务场景下的电池性能变化图谱。
本申请实施例中,由于目标电池性能预测模型是基于电池的设计参数、工艺参数和性能参数确定的多个不同的多项式拟合条件进行训练后得到的,且多个不同的多项式拟合条件可以表征不同业务场景中的测试需求,因此目标电池性能预测模型能够对不同业务场景中的电池性能进行自动化预测,即使不具有电池的测试数据,也能够基于电池在诸如设计阶段、制造阶段等其他阶段产生的数据进行自动化预测,适用范围广且预测效率高,从而能够快速确定出当前业务场景下的电池性能变化情况。
下面说明本申请实施例提供的电池性能预测方法在实际场景中的应用。
如图4所示,该方法包括如下几个阶段:
数据汇聚41:
步骤401、从设计数据库、工艺数据库、测试结果数据库和测试条件数据库这四个数据库中汇聚每一多项式拟合条件对应的第一电池数据。
具体地,可以设计电池包标识、测试编号(bill_number)、电池标识(barcode)作为匹配依据,从设计数据库、工艺数据库、测试结果数据库和测试条件数据库这四个数据库中进行匹配,构建数据集。
数据降维42:
步骤402、根据影响电池DCR的预设参数对第一电池数据进行数据降维,得到降维后的第一电池数据。
数据清洗43:
步骤403、去除降维后的第一电池数据中的异常数据,得到去除后的第一数据。
步骤404、根据每一多项式拟合条件中的性能对去除后的第一电池数据进行分组,得到多个第二电池数据集合。
步骤405、从去除后的第一电池数据中去除组内差异较大的第二电池数据集合中的数据,得到清洗后的第一电池数据。
由于电池在生产过程中存在误差影响和偶然因素,需要对数据集中的异常数据进行剔除(比如温度过高的值)。除去常用的异常剔除之外,还可以增加组内差异计算:根据测试条件中的性能进行分组,对同组内进行APE差异计算,如果出现组内差异APE>10%的情况,则将该组数据剔除,降低误差的影响。
材料属性替换44:
步骤406、基于电池的材料属性对清洗后的第一电池数据进行数据扩充,得到样本电池数据。
由于电池在设计阶段的材料信息为材料编号,将材料编号带入建模会影响模型的使用范围,采用材料属性替换的方法既可以扩大模型的使用范围,也可以让模型学习到材料的属性与短周期DCR的结果。
数据集拆分和训练45:
步骤407、将样本电池数据按照特定比例进行训练集和测试集的划分。
具体地,可以将样本电池数据按照8:2比例进行训练集和测试集的划分。
步骤408、使用bagging、boosting的集成学习算法、神经网络等预测模型对训练集和测试集中的数据进行回归拟合,使用MAPE作为损失函数进行训练。
步骤409、使用粒子群优化、贝叶斯优化、帕累托最优等优化算法对预测模型中的超参数、以及神经网络中不同参数权重进行多目标优化,优化目标为测试集的MAPE和过拟合程度。
算法上线和Mapping46:
步骤410、训练好的预测模型部署到系统中,通过系统调用训练好的预测模型,并通过改变不同测试条件进行模型预测,得到不同测试条件下的Mapping数据。
目标多项式拟合条件可以为条件概率(conditional_rate)=1.0、温度/秒(time_second)=5.0、温度的Mapping区间为[-25,-20,-15,-10,-5,0,5,10,15,20,25,30,35,45]、SOC的Mapping区间为:[0,0.05,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95],这种情况下,训练集的预测结果如图5所示,测试集的预测结果如图6所示,验证集的预测结果如图7所示;最终,拟合后的Mapping图谱可以为图8或图9。
需要说明的是,本申请至少具有如下创新点:
(1)对与短周期DCR性能相关性较高的电池的设计参数、工艺参数的筛选和梳理;
(2)基于短周期电池的设计参数、工艺参数、测试条件、DCR值的数据清洗;
(3)采用包含bagging、boosting的集成学习模型、带权重的神经网络模型对多材料、多电池、多测试条件的DCR回归拟合;
(4)采用改进粒子群算法、贝叶斯方法等优化模型,构建测试集MAEP、验证集MAPE、过拟合指标的多目标优化方法,提取帕累托最优参数组合;
(5)基于上述建立的模型,将测试条件按照预设颗粒度的参数区间进行Mapping,并结合多元多项式拟合完成更细颗粒度参数的Mapping,以满足电池的数据需求;
(6)基于加密数据库的短周期电池设计参数、工艺参数、测试条件、DCR值的提取方案;
(7)完成算法的系统集成,可以通过数据库匹配现有设计参数,并支持调整个别参数进行快速的短周期DCR预测。
需要说明的是,本申请至少具有如下技术效果:
(1)通过电化学机理(与电池性能相关的参数)和统计学(相关性分析)结合的方式,明确了电池性能预测建模所需的影响因子;
(2)通过多种检测方法对数据集进行数据清洗,并参考了不同测试条件、不同设计、不同工艺下的差异度,剔除了存在较大差异的数据,防止影响建模效果;
(3)采用了多种算法,对多种材料、多类电池、多种测试条件进行建模,从中可以挑选效果较好的模型,也可以将几个效果不错的模型进行权重融合,获得更好的效果;
(4)用多种方法对建模的超参数进行寻优,考虑包括测试集MAPE、过拟合度、验证集MAPE等优化目标进行多目标优化,采用帕累托最优的方法选取最佳超参;
(5)通过自动化Mapping的方式,可以快速获得不同测试条件下的性能指标,快速对比设计需求和电池标定需求,优化设计效率;
(6)通过多数据库间相互关键信息匹配以及内部加解密,完成数据提取的同时,不会泄露数据库中的其他信息以及加密流程;
(7)通过系统集成的方式,可快速匹配历史设计参数和工艺参数,通过调整参数可以快速完成设计变更,快速求解性能参数,优化设计效率。
本申请中的模型与计算机系统的内部结构存在特定技术关联,且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等),从而获得符合自然规律的计算机系统内部性能改进的技术效果。
基于前述的实施例,本申请实施例提供一种模型训练装置,该装置包括所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(Central ProcessingUnit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(Digital SignalProcessor,DSP)或现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
基于前述的实施例,本申请实施例提供一种模型训练装置,该装置包括所包括的各单元、以及各单元所包括的各模块,可以通过模型训练设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CentralProcessing Unit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(DigitalSignal Processor,DSP)或现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
图10为本申请实施例提供的一种模型训练装置的组成结构示意图,如图10所示,模型训练装置100包括:第一确定单元1001和训练单元1002,其中:
第一确定单元1001,配置成基于电池的设计参数、工艺参数和性能参数,确定多个不同的多项式拟合条件;
第一确定单元1001,配置成获取每一多项式拟合条件对应的样本电池数据;
训练单元1002,配置成基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型。
在一些实施例中,第一确定单元1001具体配置成:基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据;对所述第一电池数据进行预处理,得到所述每一多项式拟合条件对应的样本电池数据。
在一些实施例中,第一确定单元1001具体配置成:采用加密通讯方法,基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据。
在一些实施例中,第一确定单元1001具体配置成:基于所述每一多项式拟合条件对应的电池类型,从设计数据库中获取所述每一多项式拟合条件对应的电池设计数据;基于所述每一多项式拟合条件对应的电池类型,从测试数据库中获取所述每一多项式拟合条件对应的电池测试数据;基于所述每一多项式拟合条件对应的电池类型,从工艺数据库中获取所述每一多项式拟合条件对应的电池工艺数据;对所述电池设计数据、所述电池测试数据和所述电池工艺数据进行汇聚,得到所述每一多项式拟合条件对应的第一电池数据。
在一些实施例中,第一确定单元1001具体配置成:对所述第一电池数据进行数据降维,得到降维后的第一电池数据;对所述降维后的第一电池数据进行数据清洗,得到清洗后的第一电池数据;对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据。
在一些实施例中,第一确定单元1001具体配置成:确定影响电池直流内阻DCR的第一预设参数;从所述第一预设参数中,筛选出所述每一多项式拟合条件对应的第二预设参数;采用数据降维算法,保留所述第一电池数据中与所述第二预设参数具有关联关系的数据,得到所述降维后的第一电池数据。
在一些实施例中,第一确定单元1001具体配置成:对所述降维后的第一电池数据进行异常去除,得到去除后的第一电池数据;对所述去除后的第一电池数据进行差异去除,得到所述清洗后的第一电池数据。
在一些实施例中,第一确定单元1001具体配置成:基于异常检测算法,确定所述降维后的第一电池数据中的异常数据;从所述降维后的第一电池数据中去除所述异常数据,得到所述去除后的第一数据。
在一些实施例中,第一确定单元1001具体配置成:基于所述每一多项式拟合条件中的性能,对所述去除后的第一电池数据进行分组,得到多个第二电池数据集合;基于每一第二电池数据集合的性能差异,从所述多个第二电池数据集合中确定待去除电池数据;从所述去除后的第一电池数据中去除所述待去除电池数据,得到所述清洗后的第一电池数据。
在一些实施例中,第一确定单元1001具体配置成:确定所述每一第二电池数据集合的性能最大值和性能最小值;基于所述每一第二电池数据集合的性能最大值和性能最小值,确定所述每一第二电池数据集合的性能差异;将性能差异大于差异阈值的第二电池数据集合中的电池数据确定为待去除电池数据。
在一些实施例中,第一确定单元1001具体配置成:基于电池的材料属性,对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据。
在一些实施例中,训练单元1002具体配置成:将所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据输入至所述第一预测模型进行训练,得到第一模型输出和第一模型参数;将所述第一模型参数输入至所述优化模型进行优化,得到第二模型参数;将所述第一预测模型中的模型参数调整为所述第二模型参数,得到调整后的第一预测模型;将所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据输入至所述调整后的第一预测模型进行训练,直至得到最优模型参数,将模型参数为所述最优模型参数的第一预测模型确定为所述目标电池性能预测模型。
在一些实施例中,所述最优模型参数的确定方法至少包括以下之一:所述最优模型参数中的平均绝对百分比误差满足第一阈值;模型参数为所述最优模型参数的第一预测模型的过拟合度满足第二阈值。
在一些实施例中,训练单元1002具体配置成:基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据分别对所述多个第二预测模型进行训练,得到每一第二预测模型的模型输出;基于所述每一第二预测模型的模型输出和所述样本电池数据的标签,确定所述每一第二预测模型的模型性能;将模型性能最优的第二预测模型确定为所述目标电池性能预测模型。
基于前述的实施例,本申请实施例提供一种电池性能预测装置,该装置包括所包括的各单元、以及各单元所包括的各模块,可以通过电池性能预测设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器、微处理器、数字信号处理器或现场可编程门阵列等。
图11为本申请实施例提供的一种电池性能预测装置的组成结构示意图,如图11所示,电池性能预测装置110包括:第二确定单元1101和处理单元1102,其中:
第二确定单元1101,配置成基于当前业务场景衡量电池性能所需的设计参数、工艺参数和性能参数,确定目标多项式拟合条件;
处理单元1102,配置成采用目标电池性能预测模型对所述目标多项式拟合条件和当前业务场景中的待处理电池数据进行回归拟合,得到当前业务场景中的电池性能变化情况;其中,所述目标电池性能预测模型是在基于电池的设计参数、工艺参数和性能参数确定的多个不同的多项式拟合条件下训练得到的。
在一些实施例中,处理单元1102具体配置成:采用所述目标电池性能预测模型对所述目标多项式拟合条件和所述待处理电池数据进行性能预测,得到所述目标多项式拟合条件中的每一参数对应的预测性能;基于所述目标多项式拟合条件中的每一参数对所述预测性能进行曲面拟合,得到当前业务场景下的电池性能变化图谱;所述电池性能变化图谱表征电池性能变化情况。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种模型训练设备,图12为本申请实施例提供的模型训练设备的硬件实体示意图,如图12所示,模型训练设备120包括第一存储器1201和第一处理器1202,第一存储器1201存储有可在第一处理器1202上运行的计算机程序,第一处理器1202执行所述程序时实现本申请实施例所述的模型训练方法。
需要说明的是,第一存储器1201配置为存储由第一处理器1202可执行的指令和应用,还可以缓存在第一处理器1202以及模型训练设备120中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
在本申请实施例中,模型训练设备120在实施本申请实施例所述的模型训练方法的过程中,可以是各种类型的具有信息处理能力的设备,例如模型训练设备120指的可以是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、机顶盒、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备数据处理能力的设备。
本申请实施例提供一种电池性能预测设备,图13为本申请实施例提供的电池性能预测设备的硬件实体示意图,如图13所示,电池性能预测设备130包括第二存储器1301和第二处理器1302,第二存储器1301存储有可在第二处理器1302上运行的计算机程序,第二处理器1302执行所述程序时实现本申请实施例所述的电池性能预测方法。
需要说明的是,第二存储器1301配置为存储由第二处理器1302可执行的指令和应用,还可以缓存在第二处理器1302以及电池性能预测设备130中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存或随机访问存储器实现。
在本申请实施例中,电池性能预测设备130在实施本申请实施例所述的电池性能预测方法的过程中,可以是各种类型的具有信息处理能力的设备,例如电池性能预测设备130指的可以是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、机顶盒、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备数据处理能力的设备。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本申请实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (21)
1.一种模型训练方法,其特征在于,所述模型训练方法包括:
基于电池的设计参数、工艺参数和性能参数,确定多个不同的多项式拟合条件;
获取每一多项式拟合条件对应的样本电池数据;
基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型。
2.根据权利要求1所述的模型训练方法,其特征在于,所述获取每一多项式拟合条件对应的样本电池数据,包括:
基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据;
对所述第一电池数据进行预处理,得到所述每一多项式拟合条件对应的样本电池数据。
3.根据权利要求2所述的模型训练方法,其特征在于,所述基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据,包括:
采用加密通讯方法,基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据。
4.根据权利要求2或3所述的模型训练方法,其特征在于,所述基于所述每一多项式拟合条件对应的电池类型,从多个不同的数据库中汇聚所述每一多项式拟合条件对应的第一电池数据,包括:
基于所述每一多项式拟合条件对应的电池类型,从设计数据库中获取所述每一多项式拟合条件对应的电池设计数据;
基于所述每一多项式拟合条件对应的电池类型,从测试数据库中获取所述每一多项式拟合条件对应的电池测试数据;
基于所述每一多项式拟合条件对应的电池类型,从工艺数据库中获取所述每一多项式拟合条件对应的电池工艺数据;
对所述电池设计数据、所述电池测试数据和所述电池工艺数据进行汇聚,得到所述每一多项式拟合条件对应的第一电池数据。
5.根据权利要求2或3所述的模型训练方法,其特征在于,所述对所述第一电池数据进行预处理,得到所述每一多项式拟合条件对应的样本电池数据,包括:
对所述第一电池数据进行数据降维,得到降维后的第一电池数据;
对所述降维后的第一电池数据进行数据清洗,得到清洗后的第一电池数据;
对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据。
6.根据权利要求5所述的模型训练方法,其特征在于,所述对所述第一电池数据进行数据降维,得到降维后的第一电池数据,包括:
确定影响电池直流内阻DCR的第一预设参数;
从所述第一预设参数中,筛选出所述每一多项式拟合条件对应的第二预设参数;
采用数据降维算法,保留所述第一电池数据中与所述第二预设参数具有关联关系的数据,得到所述降维后的第一电池数据。
7.根据权利要求5所述的模型训练方法,其特征在于,所述对所述降维后的第一电池数据进行数据清洗,得到清洗后的第一电池数据,包括:
对所述降维后的第一电池数据进行异常去除,得到去除后的第一电池数据;
对所述去除后的第一电池数据进行差异去除,得到所述清洗后的第一电池数据。
8.根据权利要求7所述的模型训练方法,其特征在于,所述对所述降维后的第一电池数据进行异常去除,得到去除后的第一电池数据,包括:
基于异常检测算法,确定所述降维后的第一电池数据中的异常数据;
从所述降维后的第一电池数据中去除所述异常数据,得到所述去除后的第一数据。
9.根据权利要求7所述的模型训练方法,其特征在于,所述对所述去除后的第一电池数据进行差异去除,得到所述清洗后的第一电池数据,包括:
基于所述每一多项式拟合条件中的性能,对所述去除后的第一电池数据进行分组,得到多个第二电池数据集合;
基于每一第二电池数据集合的性能差异,从所述多个第二电池数据集合中确定待去除电池数据;
从所述去除后的第一电池数据中去除所述待去除电池数据,得到所述清洗后的第一电池数据。
10.根据权利要求9所述的模型训练方法,其特征在于,所述基于每一第二电池数据集合的性能差异,从所述多个第二电池数据集合中确定待去除电池数据,包括:
确定所述每一第二电池数据集合的性能最大值和性能最小值;
基于所述每一第二电池数据集合的性能最大值和性能最小值,确定所述每一第二电池数据集合的性能差异;
将性能差异大于差异阈值的第二电池数据集合中的电池数据确定为待去除电池数据。
11.根据权利要求5所述的模型训练方法,其特征在于,所述对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据,包括:
基于电池的材料属性,对所述清洗后的第一电池数据进行数据扩充,得到所述样本电池数据。
12.根据权利要求8至10中任一项所述的模型训练方法,其特征在于,所述初始电池性能预测模型包括第一预测模型和优化模型;
所述基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型,包括:
将所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据输入至所述第一预测模型进行训练,得到第一模型输出和第一模型参数;
将所述第一模型参数输入至所述优化模型进行优化,得到第二模型参数;
将所述第一预测模型中的模型参数调整为所述第二模型参数,得到调整后的第一预测模型;
将所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据输入至所述调整后的第一预测模型进行训练,直至得到最优模型参数,将模型参数为所述最优模型参数的第一预测模型确定为所述目标电池性能预测模型。
13.根据权利要求12所述的模型训练方法,其特征在于,所述最优模型参数的确定方法至少包括以下之一:
所述最优模型参数中的平均绝对百分比误差满足第一阈值;
模型参数为所述最优模型参数的第一预测模型的过拟合度满足第二阈值。
14.根据权利要求8至10中任一项所述的模型训练方法,其特征在于,所述初始电池性能预测模型包括多个模型结构不同的第二预测模型;
所述基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型,包括:
基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据分别对所述多个第二预测模型进行训练,得到每一第二预测模型的模型输出;
基于所述每一第二预测模型的模型输出和所述样本电池数据的标签,确定所述每一第二预测模型的模型性能;
将模型性能最优的第二预测模型确定为所述目标电池性能预测模型。
15.一种电池性能预测方法,其特征在于,所述电池性能预测方法包括:
基于当前业务场景衡量电池性能所需的设计参数、工艺参数和性能参数,确定目标多项式拟合条件;
采用目标电池性能预测模型对所述目标多项式拟合条件和当前业务场景中的待处理电池数据进行回归拟合,得到当前业务场景中的电池性能变化情况;其中,所述目标电池性能预测模型是在基于电池的设计参数、工艺参数和性能参数确定的多个不同的多项式拟合条件下训练得到的。
16.根据权利要求15所述的电池性能预测方法,其特征在于,所述采用目标电池性能预测模型对所述目标多项式拟合条件和当前业务场景中的待处理电池数据进行回归拟合,得到当前业务场景中的电池性能变化情况,包括:
采用所述目标电池性能预测模型对所述目标多项式拟合条件和所述待处理电池数据进行性能预测,得到所述目标多项式拟合条件中的每一参数对应的预测性能;
基于所述目标多项式拟合条件中的每一参数对所述预测性能进行曲面拟合,得到当前业务场景下的电池性能变化图谱;所述电池性能变化图谱表征电池性能变化情况。
17.一种模型训练装置,其特征在于,所述模型训练装置包括:
第一确定单元,配置成基于电池的设计参数、工艺参数和性能参数,确定多个不同的多项式拟合条件;
所述第一确定单元,配置成获取每一多项式拟合条件对应的样本电池数据;
训练单元,配置成基于所述每一多项式拟合条件和所述每一多项式拟合条件对应的样本电池数据对初始电池性能预测模型进行训练,得到目标电池性能预测模型。
18.一种电池性能预测装置,其特征在于,所述电池性能预测装置包括:
第二确定单元,配置成基于当前业务场景衡量电池性能所需的设计参数、工艺参数和性能参数,确定目标多项式拟合条件;
处理单元,配置成采用目标电池性能预测模型对所述目标多项式拟合条件和当前业务场景中的待处理电池数据进行回归拟合,得到当前业务场景中的电池性能变化情况;其中,所述目标电池性能预测模型是在基于电池的设计参数、工艺参数和性能参数确定的多个不同的多项式拟合条件下训练得到的。
19.一种模型训练设备,包括第一存储器和第一处理器,所述第一存储器存储有可在第一处理器上运行的计算机程序,其特征在于,所述第一处理器执行所述程序时实现权利要求1至14任一项所述的方法。
20.一种电池性能预测设备,包括第二存储器和第二处理器,所述第二存储器存储有可在第二处理器上运行的计算机程序,其特征在于,所述第二处理器执行所述程序时实现权利要求15至16任一项所述的方法。
21.一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,该计算机程序被处理器执行时实现如权利要求1至14任一项所述的方法,或权利要求15至16任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311776884.5A CN117454186B (zh) | 2023-12-22 | 2023-12-22 | 模型训练、电池性能预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311776884.5A CN117454186B (zh) | 2023-12-22 | 2023-12-22 | 模型训练、电池性能预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117454186A true CN117454186A (zh) | 2024-01-26 |
CN117454186B CN117454186B (zh) | 2024-05-14 |
Family
ID=89584107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311776884.5A Active CN117454186B (zh) | 2023-12-22 | 2023-12-22 | 模型训练、电池性能预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454186B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239439A1 (en) * | 2006-04-06 | 2007-10-11 | Kabushiki Kaisha Toshiba | Method and apparatus for training f0 and pause prediction model, method and apparatus for f0 and pause prediction, method and apparatus for speech synthesis |
CN113935225A (zh) * | 2020-06-29 | 2022-01-14 | 中国科学院大连化学物理研究所 | 一种基于机器学习的液流电池电堆优化和性能预测方法 |
CN114047452A (zh) * | 2022-01-13 | 2022-02-15 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN114547969A (zh) * | 2022-01-24 | 2022-05-27 | 华南理工大学 | 一种基于emd-mrvr的多应力下电池寿命预测方法 |
US20220398351A1 (en) * | 2021-06-11 | 2022-12-15 | Tsinghua University | Method and system for reverse design of micro-nano structure based on deep neural network |
CN116148679A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市伟创源科技有限公司 | 一种电池健康状态的预测方法及相关装置 |
CN116500449A (zh) * | 2023-04-28 | 2023-07-28 | 上海玫克生储能科技有限公司 | 电芯温度预测方法、装置、存储介质及电子设备 |
US20230384392A1 (en) * | 2022-05-31 | 2023-11-30 | Sk Innovation Co., Ltd. | Method for detecting abnormal condition or fault of battery, and a battery management system operating the same |
-
2023
- 2023-12-22 CN CN202311776884.5A patent/CN117454186B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239439A1 (en) * | 2006-04-06 | 2007-10-11 | Kabushiki Kaisha Toshiba | Method and apparatus for training f0 and pause prediction model, method and apparatus for f0 and pause prediction, method and apparatus for speech synthesis |
CN113935225A (zh) * | 2020-06-29 | 2022-01-14 | 中国科学院大连化学物理研究所 | 一种基于机器学习的液流电池电堆优化和性能预测方法 |
US20220398351A1 (en) * | 2021-06-11 | 2022-12-15 | Tsinghua University | Method and system for reverse design of micro-nano structure based on deep neural network |
CN114047452A (zh) * | 2022-01-13 | 2022-02-15 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN114547969A (zh) * | 2022-01-24 | 2022-05-27 | 华南理工大学 | 一种基于emd-mrvr的多应力下电池寿命预测方法 |
US20230384392A1 (en) * | 2022-05-31 | 2023-11-30 | Sk Innovation Co., Ltd. | Method for detecting abnormal condition or fault of battery, and a battery management system operating the same |
CN116148679A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市伟创源科技有限公司 | 一种电池健康状态的预测方法及相关装置 |
CN116500449A (zh) * | 2023-04-28 | 2023-07-28 | 上海玫克生储能科技有限公司 | 电芯温度预测方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
刘俊 等: "基于多维气象数据和PCA-BP神经网络的光伏发电功率预测", 《电网与清洁能源》, no. 01, 25 January 2017 (2017-01-25), pages 122 - 127 * |
Also Published As
Publication number | Publication date |
---|---|
CN117454186B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
Zhang et al. | A deep learning method for lithium-ion battery remaining useful life prediction based on sparse segment data via cloud computing system | |
Jiang et al. | Multi-kernel relevance vector machine with parameter optimization for cycling aging prediction of lithium-ion batteries | |
US20220373601A1 (en) | Battery Performance Prediction | |
Qiao et al. | Prediction of the remaining useful life of lithium-ion batteries based on empirical mode decomposition and deep neural networks | |
Kong et al. | State‐of‐health estimation and remaining useful life for lithium‐ion battery based on deep learning with Bayesian hyperparameter optimization | |
CN116502112B (zh) | 一种新能源电源测试数据管理方法及系统 | |
CN112331941A (zh) | 云端辅助电池管理系统及方法 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN112791997A (zh) | 一种退役电池梯次利用筛选的方法 | |
CN115204038A (zh) | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 | |
Garg et al. | Aging model development based on multidisciplinary parameters for lithium‐ion batteries | |
Telmoudi et al. | Modeling and state of health estimation of nickel–metal hydride battery using an EPSO-based fuzzy c-regression model | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
Liu et al. | Data science-based full-lifespan management of lithium-ion battery: manufacturing, operation and reutilization | |
CN114692827A (zh) | 面向边缘联邦学习的电动汽车锂电池soh在线预测方法 | |
Lin et al. | Lithium-ion batteries SOH estimation with multimodal multilinear feature fusion | |
Pang et al. | A Review on the Prediction of Health State and Serving Life of Lithium‐Ion Batteries | |
CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
CN117454186B (zh) | 模型训练、电池性能预测方法、装置、设备及存储介质 | |
Wu et al. | A novel state of health estimation of lithium-ion battery energy storage system based on linear decreasing weight-particle swarm optimization algorithm and incremental capacity-differential voltage method | |
Li et al. | Toward group applications of zinc-silver battery: A classification strategy based on PSO-LSSVM | |
Wang et al. | A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points | |
CN115986229A (zh) | 一种基于充电片段数据对电池健康度进行判断的方法 |
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 |