CN117574984A - 容量保持率判断模型的训练、应用方法、装置及存储介质 - Google Patents
容量保持率判断模型的训练、应用方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117574984A CN117574984A CN202410064130.5A CN202410064130A CN117574984A CN 117574984 A CN117574984 A CN 117574984A CN 202410064130 A CN202410064130 A CN 202410064130A CN 117574984 A CN117574984 A CN 117574984A
- Authority
- CN
- China
- Prior art keywords
- battery
- retention rate
- capacity retention
- original data
- target battery
- 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
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 164
- 238000012549 training Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000007774 longterm Effects 0.000 claims description 42
- 239000012634 fragment Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000012360 testing method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种容量保持率判断模型的训练、应用方法、装置及存储介质,涉及车辆技术领域。该方法包括获取目标电池的多个原始数据集;其中,每个原始数据集均包括目标电池在满足第一静置时长条件下的下述参数:目标电池的使用时间、使用里程、静置时间、以及静置温度的参数信息、目标电池的容量保持率;根据多个原始数据集,构建训练样本集;将训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,电池容量保持率判断模型用于根据电池数据确定电池容量保持率。用本申请的模型训练方法得到的电池容量保持率判断模型,可以自动确定电池容量保持率,提高了获取电池容量保持率的效率。
Description
技术领域
本申请涉及车辆技术领域,具体而言,涉及一种容量保持率判断模型的训练、应用方法、装置及存储介质。
背景技术
新能源汽车动力电池的容量保持率指的是动力电池长期静置后与静置前容量相比,所得到的容量保持比率,容量保持率是衡量动力电池性能的重要指标。
随着新能源车辆的增多,动力电池的功能性能验证越发重要,但目前,对动力电池容量保持率的获取方式,主要是通过试验室进行试验确认,由于试验设备受限,试验周期长,存在效率低下的问题。
发明内容
本申请针对上述现有技术中的不足,提供一种容量保持率判断模型的训练、应用方法、装置及存储介质,以便解决现有技术中存在的问题。
本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种容量保持率判断模型的训练方法,包括:
获取目标电池的多个原始数据集;其中,每个所述原始数据集均包括所述目标电池在满足第一静置时长条件下的下述参数:目标电池的使用时间、使用里程、静置时间、以及静置温度的参数信息、目标电池的容量保持率;
根据多个所述原始数据集,构建训练样本集;
将所述训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,所述电池容量保持率判断模型用于根据电池数据确定电池容量保持率。
在一实施例中,所述获取目标电池的多个原始数据集,包括:
采集多个安装有所述目标电池的车辆分别在对应的预设时间序列下的多帧原始数据;其中,每帧原始数据均包括:目标电池对应的车辆标识、数据采集时的时间、目标电池的电压、数据采集时的车辆里程、以及温度信息;
根据各个所述车辆对应的多帧所述原始数据,获取多个长期静置事件;所述长期静置事件用于指示所述目标电池满足所述第一静置时长;
计算多个所述第一静置时长开始时和结束时,所述目标电池分别对应的第一剩余容量和第二剩余容量;
根据多个所述第一剩余容量、多个所述第二剩余容量、以及多帧所述原始数据,构建所述目标电池的多个原始数据集。
在一实施例中,所述根据各个所述车辆对应的多帧所述原始数据,获取多个长期静置事件,包括:
对多帧所述原始数据进行片段划分,获取所述目标电池对应的多个事件;其中,每个所述事件至少包括:事件起始时间、事件结束时间、事件类型、事件起始里程、事件结束里程、以及事件发生时目标电池的电压和温度;
根据每相邻两个事件的时间差、以及每相邻两个事件的里程差,确定所述时间差和所述里程差满足预设阈值的事件满足所述第一静置时长。
在一实施例中,所述对多帧所述原始数据进行片段划分,获取所述目标电池对应的多个事件,包括:
根据多帧所述原始数据分别对应的车辆主继电器的连接信息、以及车辆充电枪的连接信息,将多帧所述原始数据按照多个预设事件进行片段划分,获取所述目标电池对应的多个事件。
在一实施例中,所述根据多个所述第一剩余容量、多个所述第二剩余容量、以及多帧所述原始数据,构建所述目标电池的多个原始数据集之前,还包括:
根据多帧所述原始数据的采样频率,计算获取累计时间误差参数;
根据所述累计时间误差参数,对多帧所述原始数据进行筛选,得到多帧目标数据;
所述根据多个所述第一剩余容量、多个所述第二剩余容量、以及多帧所述原始数据,构建所述目标电池的多个原始数据集,包括:
根据多个所述第一剩余容量、多个所述第二剩余容量、以及多帧所述目标数据,构建所述目标电池的多个原始数据集。
在一实施例中,所述采集多个安装有所述目标电池的车辆分别在对应的预设时间序列下的多帧原始数据之后,还包括:
对多帧所述原始数据进行清洗,得到清洗后的原始数据;
所述对多帧所述原始数据进行片段划分,获取所述目标电池对应的多个事件,包括:
对所述清洗后的原始数据进行片段划分,获取所述目标电池对应的多个事件。
在一实施例中,所述计算多个所述第一静置时长开始时和结束时,所述目标电池分别对应的第一剩余容量和第二剩余容量,包括:
根据所述第一静置时长开始前的目标静置事件的信息、以及所述目标电池对应的多个事件,确定所述目标电池对应的第一剩余容量,并将所述第一静置时长结束时的电池容量作为所述第二剩余容量,其中,所述目标静置事件为满足第二静置时长的事件,所述第二静置时长小于所述第一静置时长。
在一实施例中,所述将所述第一静置时长结束时的电池容量作为所述第二剩余容量,包括:
根据所述第一静置时长结束时所述目标电池的电压和温度,采用开路电压插值法,计算获取所述目标电池对应的第二剩余容量。
在一实施例中,所述将所述训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,包括:
对所述训练样本集进行样本特征归一化;
根据归一化后的训练样本集、激活函数、以及寻优函数,对所述预设神经网络模型进行训练,获取所述电池容量保持率判断模型。
第二方面,本申请实施例提供了一种容量保持率判断模型的应用方法,包括:
获取待测电池的电池数据,其中,所述待测电池的电池数据包括:使用时间、使用里程、长期静置时间、以及静置温度;
将待测电池的电池数据代入上述任一实施例所述的电池容量保持率判断模型,获取所述待测电池的电池容量保持率。
第三方面,本申请实施例提供了一种容量保持率判断模型的训练装置,包括:
获取模块,用于获取目标电池的多个原始数据集;其中,每个所述原始数据集均包括所述目标电池在满足第一静置时长条件下的下述参数:目标电池的使用时间、使用里程、静置时间、以及静置温度的参数信息、目标电池的容量保持率;
构建模块,用于根据多个所述原始数据集,构建训练样本集;
训练模块,用于将所述训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,所述电池容量保持率判断模型用于根据电池数据确定电池容量保持率。
第四方面,本申请实施例提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以实现上述任一实施例所述的容量保持率判断模型的训练方法。
第五方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现上述任一实施例所述的容量保持率判断模型的训练方法。
本申请的有益效果是:本申请提供了一种容量保持率判断模型的训练、应用方法、装置及存储介质,该容量保持率判断模型的训练方法包括获取目标电池的多个原始数据集;其中,每个原始数据集均包括目标电池在满足第一静置时长条件下的下述参数:目标电池的使用时间、使用里程、静置时间、以及静置温度的参数信息、目标电池的容量保持率;根据多个原始数据集,构建训练样本集;将训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,电池容量保持率判断模型用于根据电池数据确定电池容量保持率。
其中,根据训练得到的电池容量保持率判断模型来确定电池容量保持率,实现了对电池容量保持率的自动获取,提高了获取电池容量保持率的效率,其次,相比于现有技术中工作人员通过试验室对电池容量保持率进行试验确认,本申请自动获取电池容量保持率,减少了人力物力成本,最后,由于容量保持率指的是电池长期静置后与长期静置前的容量比率,本申请采用满足长期静置时长的原始数据集来训练预设神经网络模型,使获取的电池容量保持率判断模型能够用于确定待测电池的容量保持率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之一;
图2为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之二;
图3为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之三;
图4为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之四;
图5为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之五;
图6为本申请提供的时间序列下的多个事件的示意图之一;
图7为本申请提供的时间序列下的多个事件的示意图之二;
图8为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之六;
图9为本申请一实施例提供的容量保持率判断模型的应用方法的流程示意图;
图10为本申请一实施例提供的容量保持率判断模型的训练装置的结构示意图;
图11为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
此外,本申请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,以便这里描述的本申请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。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
本申请实施例提供了一种容量保持率判断模型的训练方法,该方法可由任一具备处理、计算能力的电子设备生成,电子设备例如可以是面向终端的电子设备,也可以是后端的服务器。
以下结合附图通过多个示例对本申请提供的容量保持率判断模型的训练方法进行具体的示例说明。
图1为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之一,如图1所示,该方法包括:
S101、获取目标电池的多个原始数据集。
在训练获取电池容量保持率判断模型之前,需要先获取目标电池的多个原始数据集,多个原始数据集用于构建训练样本集。原始数据集中包含的数据类型见表1。
表1 每个原始数据集中包含的字段
如表1所示,在多个原始数据集中,每个原始数据集均包括目标电池在满足第一静置时长条件下的下述参数:目标电池的使用时间、使用里程、静置时间、以及静置温度的参数信息、目标电池的容量保持率。
在本实施例中,由于容量保持率指的是动力电池长期静置后与静置前容量相比,所得到的容量保持比率,则对应的,若要使训练得到的电池容量保持率判断模型能够用于确定电池容量保持率,第一静置时长的数值用于指示长期静置时长,通常,长期静置时长指的是电池静置时长大于10天,则本实施例的第一静置时长可以被设置为大于10天,也即原始数据集中的数据是目标电池静置时长大于10天时采集的数据,每个原始数据集对应目标电池的一个长期静置事件。
其中,目标电池的使用时间指的是采集数据的时间、目标电池出厂时间之间的间隔,使用里程指的是采集数据时目标电池对应的车辆的总行驶里程,静置时间指的是长期静置事件的前后时间差,静置温度的参数信息指的是目标电池在该长期静置事件下的温度,目标电池的容量保持率指的是目标电池在该长期静置事件后与该长期静置事件前的容量相比,所得到的容量保持比率。
S102、根据多个原始数据集,构建训练样本集。
得到多个原始数据集之后,根据多个原始数据集即可得到训练样本集。
在本实施例中,可以将原始数据集的一部分作为训练样本集、另一部分作为测试集,例如将原始数据集的75%作为训练样本集,将25%作为测试集。训练样本集例如可以为一个文本文件,训练样本集中的原始数据集的数量至少为1000条,数量足够大的原始数据集能够确保训练效果,使得到的电池容量保持率判断模型对电池容量保持率的判断准确度更高。
训练样本集中,每个原始数据集的结构形式例如可以为{(X1, Y1), (X2, Y2),(X3, Y3),…,(Xn, Yn)},记其中任意一个样本为(Xi, Yi),Xi为特征,其形式为(Xi 1, Xi 2,Xi 3, Xi 4),4个特征分别为目标电池的使用时间、目标电池的使用里程、目标电池的长期静置时间,目标电池的静置温度,与之对应,Yi为该样本的标签,即目标电池的容量保持率。
S103、将训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型。
将训练样本集代入预设神经网络模型中,即可对预设神经网络模型进行训练,由于训练样本集中包含目标电池的使用时间、使用里程、静置时间、以及静置温度的参数信息、目标电池的容量保持率,相应地,训练后的预设神经网络模型即为电池容量保持率判断模型,能够用于根据电池的使用时间、使用里程、静置时间、以及静置温度等训练过程中对应的数据,确定电池的容量保持率。
综上,本实施例提供了一种容量保持率判断模型的训练方法,根据该方法训练得到的电池容量保持率判断模型,能够用来确定电池容量保持率,实现了对电池容量保持率的自动获取,提高了获取电池容量保持率的效率,其次,相比于现有技术中工作人员通过试验室对电池容量保持率进行试验确认,本实施例自动获取电池容量保持率,减少了人力物力成本,最后,由于容量保持率指的是电池长期静置后与长期静置前的容量比率,本实施例采用满足长期静置时长的原始数据集来训练预设神经网络模型,使获取的电池容量保持率判断模型能够用于确定待测电池的容量保持率。
以下结合图2-图6,对获取原始数据集的具体实施方式进行说明。图2为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之二,如图2所示,S101所述获取目标电池的多个原始数据集,可以包括:
S201、采集多个安装有目标电池的车辆分别在对应的预设时间序列下的多帧原始数据。
本申请实施例中,可以基于高频的新能源汽车埋点数据实现,至少要保证数据采集频率大于1hz,才能确保重要的参数计算准确。在本实施例中,首先要采集多个安装有目标电池的车辆分别在对应的预设时间序列下的多帧原始数据,采集的原始数据的具体类型见表2。
表2 每帧原始数据中包含的字段
如表2所示,每帧原始数据均至少包括:目标电池对应的车辆标识(车架号)、数据采集时的时间(当前时间)、目标电池的电压(电压采样列表)、数据采集时的车辆里程(里程)、以及温度信息(温度采样列表)。
S202、根据各个车辆对应的多帧原始数据,获取多个长期静置事件。
为了提高运算效率,将多帧原始数据进行事件划分,以便后续处理时只选取对应片段,节省运算资源,提升运算效率。可以理解,上述实施例所述的每个原始数据集均对应一个长期静置事件,每个原始数据集中包括一个以上原始数据帧。
本实施例采集到多帧原始数据之后,将多帧原始数据划分为多个事件,并从中获取多个长期静置事件,长期静置事件用于指示目标电池满足第一静置时长的事件。
S203、计算多个第一静置时长开始时和结束时,目标电池分别对应的第一剩余容量和第二剩余容量。
当获取多个长期静置事件后,需要计算多个第一静置时长开始时目标电池的第一剩余容量、以及多个第一静置时长结束时目标电池的第二剩余容量。
S204、根据多个第一剩余容量、多个第二剩余容量、以及多帧原始数据,构建目标电池的多个原始数据集。
根据S201采集的多帧原始数据,以及S203获取的多个第一剩余容量和第二剩余容量,即可构建目标电池的多个原始数据集。
其中,多帧原始数据中,数据采集时的时间用于得到原始数据集中,目标电池的使用时间和静置时间,数据采集时的车辆里程用于得到目标电池的使用里程,温度信息用于得到目标电池的静置温度,原始数据集中目标电池的容量保持率由原始数据中的电压参数和静置温度计算得到。
本申请另一实施例提供了获取多个长期静置事件的具体实施方式,图3为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之三,如图3所示,S202所述根据各个车辆对应的多帧原始数据,获取多个长期静置事件,可以包括:
S301、对多帧原始数据进行片段划分,获取目标电池对应的多个事件。
采集到多帧原始数据之后,为了提高运算效率,将多帧原始数据进行片段划分,即可将多帧原始数据划分为多个事件,以便后续处理时只选取对应片段,节省运算资源,提升运算效率。
对多帧原始数据进行片段划分,获取目标电池对应的多个事件,具体包括:根据多帧原始数据分别对应的车辆主继电器的连接信息、以及车辆充电枪的连接信息,将多帧原始数据按照多个预设事件进行片段划分,获取目标电池对应的多个事件。
例如,表2中包含主继电器状态以及充电枪连接状态,本实施例可以多帧数据中,主继电器吸合、且充电枪连接状态为未连接的数据标记为行驶数据(记为segment_type =10);将充电枪连接状态为快充的数据帧标记为快充数据(记为segment_type = 30);将充电枪连接状态为非快充、且连接状态为已连接的数据帧标记为慢充数据(记为segment_type = 40);将除了行驶、快充、慢充数据之外的数据帧标记为静止数据(记为segment_type = 20)。
然后,将数据按时间升序排列,以前后两帧数据的时间差大于或等于3min、segment_type字段改变作为事件的切分依据,上述两个条件满足其一即进行一次事件切分,对切分后的事件提取对应特征形成事件表,得到的事件表如表3。
表3 每个事件包含的字段
如表3所示,每个事件至少包括:事件起始时间、事件结束时间、事件类型、事件起始里程、事件结束里程、以及事件发生时目标电池的电压和温度。
S302、根据每相邻两个事件的时间差、以及每相邻两个事件的里程差,确定时间差和里程差满足预设阈值的事件满足第一静置时长。
获取到目标电池对应的多个事件之后,将所有事件按事件起始时间升序排列,根据公式(1)计算每相邻两个事件的时间差,根据公式(2)计算每相邻两个事件的里程差。
(1)
(2)
然后,根据每相邻两个事件的时间差、以及每相邻两个事件的里程差,确定时间差和里程差均满足预设阈值的事件满足第一静置时长,在本实施例中,时间差的预设阈值被设置为大于10天,里程差的预设阈值被设置为0,也即,认为时间差大于10天、里程差为0的事件满足第一静置时长,该事件即为长期静置事件。
综上,将多帧原始数据进行片段划分以获取多个事件,有利于后续数据处理时只选取对应片段,节省了运算资源,提升了运算效率,并且,根据多个事件的信息即可确定长期静置事件,提高了获取长期静置事件的速度和准确性,加快了训练获取电池容量保持率判断模型的速度,有利于进一步提高获取电池容量保持率的效率。
为了进一步确保训练得到的电池容量保持率判断模型的准确度,图4为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之四,如图4所示,S204所述根据多个第一剩余容量、多个第二剩余容量、以及多帧原始数据,构建目标电池的多个原始数据集之前,还包括:
S401、根据多帧原始数据的采样频率,计算获取累计时间误差参数。
如S204所述,原始数据集中目标电池的容量保持率由原始数据中的电压参数和静置温度计算得到,在下述实施例中会提到,根据原始数据中的电压参数和静置温度计算目标电池的容量保持率时,应用了安时积分计算容量变化值,不可避免地,需要考虑由于数据缺失导致的估算误差,同时由于各事件的容量估算置信度不一致,引入累计时间误差参数TE。
设本申请中每帧原始数据的采样频率为x(hz),可以计算出原始数据的采样间隔为1/x (s),如果每帧数据的实际间隔为,根据公式(3)计算每帧原始数据的时间误差/>:
(3)
正常情况下,等于1/x,因此,/>的结果应为零,当/>大于零时,表示第i帧的时间丢失,根据公式(3),对每帧原始数据均进行筛选,得到/>大于零的数据帧。
然后,根据原始数据的事件类型segment_type,为每个事件类型中的时间误差设置对应的事件误差系数,事件误差系数的设计原则为,根据电流的波动性和大小制定。例如,行驶事件中的电流波动性较大,有相同的数据丢失的情况下,估算的准确度较小,则行驶事件的/>设置为较大的数值,同理,由于慢充事件电流的波动性较小,电流偏小,在相同的数据丢失的情况下,估算的准确度较大,则慢充事件的/>设置为较小的数值,以此为原则,设置每个事件类型的误差系数/>参数,参数值不在本申请详述。
对于需要进行电池容量保持率估算的事件,根据公式(4)计算事件i的估算误差,其中,n为事件i中包含的数据帧的总帧数。
(4)
对所有需要进行电池容量保持率估算的事件进行聚合,根据公式(5)得到累计时间误差参数TE:
(5)
其中n为事件数。
S402、根据累计时间误差参数,对多帧原始数据进行筛选,得到多帧目标数据。
当S401计算获取累计时间误差参数之后,根据累计时间误差参数,对多帧原始数据进行筛选,即可得到多帧目标数据,得到的目标数据排除了数据缺失导致的估算误差,能使训练得到的电池容量保持率判断模型更准确。
可选地,对多帧原始数据进行筛选,例如可以是根据预先设置的累计时间误差阈值TBD,对每帧数据进行筛选:当S401计算获取累计时间误差参数之后,若,认为该帧数据的静置前的荷电状态(State of Charge,简称SOC)不可置信,将该帧数据去除,然后根据模型实际运行情况、数据量等因素调整/>阈值,确保得到的原始数据的数据量能够满足后续计算。
则S204所述根据多个第一剩余容量、多个第二剩余容量、以及多帧原始数据,构建目标电池的多个原始数据集,包括:
S403、根据多个第一剩余容量、多个第二剩余容量、以及多帧目标数据,构建目标电池的多个原始数据集。
根据累计时间误差参数,对多帧原始数据进行筛选,得到多帧目标数据之后,根据多个第一剩余容量、多个第二剩余容量、以及多帧目标数据,构建目标电池的多个原始数据集,排除了数据缺失导致的估算误差的影响,能够确保得到的多个原始数据集中的数据帧更加准确,进一步确保训练获取电池容量保持率判断模型的准确度。
为了确保原始数据与目标电池实际工况下的实际数据的符合程度高,本申请一实施例提供了一种对原始数据进行预处理的具体实施方式。
图5为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之五,如图5所示,S201所述采集多个安装有目标电池的车辆分别在对应的预设时间序列下的多帧原始数据之后,还包括:
S501、对多帧原始数据进行清洗,得到清洗后的原始数据。
数据预处理在构建神经网络模型时起到了重要作用,往往能决定训练效果,本实施例提供了一种预处理的具体策略,如表4。
表4 对原始数据进行清洗的策略表
其中,TBD为相关参数的阈值,TBD1-TBD2表示电压阈值为0V-5V,TBD3-TBD4表示温度阈值为-40℃-150℃,TBD5-TBD6表示电流阈值为-900A-1200A。
根据表4所示的清洗策略,对表2所示的原始数据进行清洗,然后根据清洗后的数据执行S202以及后续操作。
则,在S501的基础上,S301所述对多帧所述原始数据进行片段划分,获取所述目标电池对应的多个事件,可以包括:
S502、对清洗后的原始数据进行片段划分,获取目标电池对应的多个事件。
S301所述对多帧原始数据进行片段划分,获取目标电池对应的多个事件,具体可以为:对清洗后的原始数据进行片段划分,获取目标电池对应的多个事件,这样可以保证得到的多个事件中包含的数据帧符合实际工况,使训练得到的电池容量保持率判断模型的输出结果更符合实际情况。
本实施例中,对多帧原始数据进行清洗以得到清洗后的原始数据,实现了对原始数据的预处理,根据清洗后的原始数据获取目标电池对应的多个事件,确保了多个事件中包含的数据与实际工况下实际数据的符合程度高,使训练获取的电池容量保持率判断模型更精准,用电池容量保持率判断模型获取的电池容量保持率更准确。
在图5所示实施例的基础上,S203所述计算多个第一静置时长开始时和结束时,目标电池分别对应的第一剩余容量和第二剩余容量,可以包括:根据第一静置时长开始前的目标静置事件的信息、以及所述目标电池对应的多个事件,确定目标电池对应的第一剩余容量,并将第一静置时长结束时的电池容量作为第二剩余容量,其中,目标静置事件为满足第二静置时长的事件,第二静置时长小于第一静置时长。
具体地,在电池使用过程中,荷电状态(SOC)为当前状态下所能提供的实际电量与完全充满电的状态下所能提供的电量的比值,对于纯电动汽车来说,准确的SOC估算是保证动力电池在工作范围内充、放电的主要依据,开路电压(Open-circuitvoltage,简称OCV)为电池在长期静置事件后,电池两端的电压,在一定的温度下,电池的荷电状态与开路电压是一一对应的关系,因此,可以根据电池的电压和温度,采用开路电压插值法(OCV插值法),计算获取目标静置事件发生时目标电池的剩余容量、以及第一静置时长结束时目标电池对应的第二剩余容量。
并且,在本申请中,可以根据第一静置时长开始前的目标静置事件的信息、以及所述目标电池对应的多个事件,确定目标电池对应的第一剩余容量,包括:根据目标静置事件发生时目标电池的电压和温度,采用开路电压插值法(OCV插值法),计算获取目标静置事件发生时目标电池的剩余容量,然后,根据目标静置事件与长期静置事件之间的多个事件的数据帧,用安时积分计算获取第一静置时长开始时目标电池对应的第一剩余容量。
表5为OCV插值法的一种示例,如表5,第一列为温度参数,第一行为电池剩余容量,其余数值为电压参数,当获取到目标电池的电压和温度之后,先在第一列中找到其温度参数对应的数值,然后在该温度参数对应的行中找到电压参数对应的数值,最后,确定该电压参数对应第一行的电池剩余容量,将该数值作为目标电池的剩余容量(也即荷电状态SOC)。
表5 OCV插值法示例
图6为本申请提供的时间序列下的多个事件的示意图之一,图7为本申请提供的时间序列下的多个事件的示意图之二,如图6和图7所示,长期静置事件前的最后一帧,由于不满足静置条件,无法使用OCV插值法进行计算。为保证计算准确,对每个长期静置事件前的最后一帧,均以长期静置事件/>为起点,向前回溯n个事件,直至最近的一个满足第二静置时长的目标静置事件/>,/>需满足以下条件:
(h)(6)
(km)(7)
也即,目标静置事件满足的第二静置时长为大于2个小时,里程差为0,同时满足以上条件,认为事件满足静置,且不存在数据丢失,事件/>的第一帧可置信,所以将事件/>作为目标静置事件,事件/>的第一帧作为第一剩余容量的估算起点。
另外,为了保证对第一剩余容量估算准确,对事件至/>的n个事件的里程差提出要求,如式(8):
(8)
其中,为事件/>至/>内的合计里程差,只有=0的情况下,认为/>至/>之间连续,没有数据丢失,满足估算长期静置事件前目标电池的第一剩余容量的条件。
然后,由于计算出的事件,满足静置条件,所以其第一帧可以置信,根据第一帧的电压列表及温度,可以根据OCV插值法计算/>的初始云端/>,也即目标静置事件发生时目标电池的剩余容量。
下一步需要对至/>进行云端SOC估算:
以事件为例,根据事件起始时间和事件的结束时间进行原始数据的截取,截取原始数据后,按时间进行排序。有:
(9)
其中,为/>事件中第x帧数据的时间差。
进一步地,有:
(10)
其中,为第x帧数据的容量变化值,3600表示每小时有3600秒。/>
再进一步地,有:
(11)
其中,为事件/>全片段数据的内容量变化值,n为片段内的数据总帧数。
进一步地,还有:
/100)(12)
其中,Q为电池当前满充容量,为额定容量,SOH为当前片段内SOH的众数。
(13)
其中,为事件/>的云端结束SOC,至此我们完成了对事件的云端SOC估算。
同理,事件的/>,为事件/>的/>,重复上述公式(9)-(13)的全部流程,得到事件/>的/>,以此类推,即可得到长期静置事件的前一个事件/>的/>,作为本申请长期静置事件开始时SOC值。
图8为本申请一实施例提供的容量保持率判断模型的训练方法的流程示意图之六,如图8所示,将训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,包括:
S601、对训练样本集进行样本特征归一化。
由于样本不同特征的取值范围不一致,会影响后续数据算法收敛的速度。为此,对特征进行归一化处理,对于任意一个特征XJ(J = 1, 2, 3, 4),求取其数学期望作为,求取其标准差std(XJ),进一步地,记转化后的特征/>为/>_new,转换过程的计算方式如下:
(14)
S602、根据归一化后的训练样本集、激活函数、以及寻优函数,对预设神经网络模型进行训练,获取电池容量保持率判断模型。
激活函数选择Sigmoid函数,此函数取值范围(0,1),具有单调性、处处可微的优点,可以增加预测精度与收敛速度,激活函数S(x)的公式如下:
(15)
寻优函数选择最速下降法,当下最大梯度方向迭代的思想,其基本公式如式(16):
(16)
式(16)中,ω代表预设神经网络中任意一个神经元的权值,θ代表任意一个神经元的阈值,η为学习率,即为单次迭代的步长,Δω k为在第k次训练后神经元权值调整量,Δθ k为在第k次训练后神经元阈值调整量。通过对各神经元的权值等求偏导,依照设定的学习率,得到当下权值与阈值的变化量,进而完成参数修改,最后进行再次训练。
在本申请中,训练获取电池容量保持率判断模型时,先对训练样本集进行样本特征归一化,然后根据归一化后的训练样本集、式(15)所示的激活函数、以及式(16)所示的寻优函数,按照设定的最大训练次数3000、设定的损失函数阈值0.03,各层神经元初始阈值与权值采用默认值,对预设神经网络模型进行训练,当预设神经网络模型达到最大训练次数或者损失函数值低于设定阈值,即代表模型完成训练,获取电池容量保持率判断模型。
可选地,如S102所述,本申请实施例将原始数据集的75%作为训练样本集,将25%作为测试集,因此,在训练获取电池容量保持率判断模型之后,还可以将测试集输入经过训练的模型,当测试集误差小于设定阈值时,则认为模型训练效果良好,否则需要调整参数,重新训练模型,如此循环往复,直至模型精度达标。
综上,本申请提供了一种容量保持率判断模型的训练方法,具有以下优点:
1、采用训练得到的电池容量保持率判断模型,能够基于待测电池的电池数据来自动获取其电池容量保持率,相比于通过试验室进行试验确认,降低了人力物力成本,并且,基于OCV插值法计算获取容量保持率,提高了计算的准确性、并且,采用该方法,电池容量保持率的数据由电子设备自动计算获取,提高了该方法使用场景的普适性,让用户更便捷、更准确地获取电池的容量保持率性能指标。
2、引入了累计时间误差参数,可以通过调整累计时间误差参数的阈值大小,调整输入预设神经网络模型的数据量,也可以帮助规避数据大量丢失的异常场景,提高了计算精度。
3、采用训练得到的电池容量保持率判断模型,能够将电池性能数据与标准工况下的容量保持率进行拟合,从而计算出电池的实际容量保持率性能指标,不仅能够提供更精确的电池性能评估,还可以为电池制造商和用户提供有关电池健康状态的关键信息。
在根据上述实施例训练获取电池容量保持率判断模型之后,即可根据待测电池的设计任务书中,标准的电池使用时间、电池使用里程、电池长期静置时间,电池静置温度,组合成特征序列X_normal,输入训练好的电池容量保持率判断模型,得到待测电池的电池容量保持率预测值Y_normal。使用标准工况的容量保持率预测值与标准的容量保持率性能指标做对比,即可对该待测电池的性能指标是否达到性能指标做出判断。
图9为本申请一实施例提供的容量保持率判断模型的应用方法的流程示意图,如图9所示,本申请一实施例提供了一种容量保持率判断模型的应用方法,包括:
S100、获取待测电池的电池数据。
当需要获取待测的容量保持率时,只需获取待测电池的电池数据,将待测电池的电池数据代入电池容量保持率判断模型即可,其中,待测电池的电池数据包括:使用时间、使用里程、长期静置时间、以及静置温度。
S200、将待测电池的电池数据代入电池容量保持率判断模型,获取待测电池的电池容量保持率。
上述实施例中电池容量保持率判断模型是由目标电池的使用时间、目标电池的使用里程、目标电池的长期静置时间,目标电池的静置温度、以及目标电池的容量保持率训练得到,因此,将使用时间、使用里程、长期静置时间、静置温度输入电池容量保持率判断模型,即可获取电池的容量保持率。
采用本实施例提供的应用方法,在训练获取电池容量保持率判断模型之后,若想要对待测电池的容量保持率进行判断,只需将待测电池的电池数据代入电池容量保持率判断模型,即可自动判断待测电池的电池容量保持率,在提高判断准确率、判断效率的同时也节省了大量人力物力。
如下继续对执行本申请上述任一实施例提供的容量保持率判断模型的训练方法的装置、设备及存储介质进行相应的解释,其具体的实现过程以及产生的技术效果与前述对应的方法实施例相同,为简要描述,下述实施例中未提及部分,可参考方法实施例中的相应内容。
本申请一实施例提供了一种容量保持率判断模型的训练装置,图10为本申请一实施例提供的容量保持率判断模型的训练装置的结构示意图,如图10所示,容量保持率判断模型的训练装置包括:
获取模块10,用于获取目标电池的多个原始数据集;其中,每个原始数据集均包括目标电池在满足第一静置时长条件下的下述参数:目标电池的使用时间、使用里程、静置时间、以及静置温度的参数信息、目标电池的容量保持率。
构建模块20,用于根据多个原始数据集,构建训练样本集。
训练模块30,用于将训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,电池容量保持率判断模型用于根据电池数据确定电池容量保持率。
可选地,获取模块10,用于采集多个安装有目标电池的车辆分别在对应的预设时间序列下的多帧原始数据;其中,每帧原始数据均包括:目标电池对应的车辆标识、数据采集时的时间、目标电池的电压、数据采集时的车辆里程、以及温度信息;根据各个车辆对应的多帧原始数据,获取多个长期静置事件;长期静置事件用于指示目标电池满足第一静置时长;计算多个第一静置时长开始时和结束时,目标电池分别对应的第一剩余容量和第二剩余容量;根据多个第一剩余容量、多个第二剩余容量、以及多帧原始数据,构建目标电池的多个原始数据集。
可选地,获取模块10,用于对多帧原始数据进行片段划分,获取目标电池对应的多个事件;其中,每个事件至少包括:事件起始时间、事件结束时间、事件类型、事件起始里程、事件结束里程、以及事件发生时目标电池的电压和温度;根据每相邻两个事件的时间差、以及每相邻两个事件的里程差,确定时间差和里程差满足预设阈值的事件满足第一静置时长。
可选地,获取模块10,用于根据多帧原始数据分别对应的车辆主继电器的连接信息、以及车辆充电枪的连接信息,将多帧原始数据按照多个预设事件进行片段划分,获取目标电池对应的多个事件。
可选地,获取模块10,用于根据多帧原始数据的采样频率,计算获取累计时间误差参数;根据累计时间误差参数,对多帧原始数据进行筛选,得到多帧目标数据;根据多个第一剩余容量、多个第二剩余容量、以及多帧目标数据,构建目标电池的多个原始数据集。
可选地,获取模块10,用于对多帧原始数据进行清洗,得到清洗后的原始数据;对清洗后的原始数据进行片段划分,获取目标电池对应的多个事件。
可选地,获取模块10,用于根据第一静置时长开始前的目标静置事件的信息、以及所述目标电池对应的多个事件,确定目标电池对应的第一剩余容量,并将第一静置时长结束时的电池容量作为第二剩余容量,其中,目标静置事件为满足第二静置时长的事件,第二静置时长小于第一静置时长。
可选地,获取模块10,用于根据第一静置时长结束时目标电池的电压和温度,采用开路电压插值法,计算获取目标电池对应的第二剩余容量。
可选地,训练模块30,用于对训练样本集进行样本特征归一化;
根据归一化后的训练样本集、激活函数、以及寻优函数,对预设神经网络模型进行训练,获取电池容量保持率判断模型。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
可选地,本申请还提供了一种容量保持率判断模型的应用装置,包括:
数据获取模块,用于获取待测电池的电池数据,其中,待测电池的电池数据包括:使用时间、使用里程、长期静置时间、以及静置温度。
代入模块,用于将待测电池的电池数据代入上述任一实施例的电池容量保持率判断模型,获取待测电池的电池容量保持率。
本申请一实施例还提供了一种电子设备,图11为本申请一实施例提供的电子设备的结构示意图,如图11所示,本申请提供的电子设备包括:处理器100、存储介质200和总线300,存储介质存储有处理器可执行的程序指令,当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行程序指令,以实现上述任一实施例的容量保持率判断模型的训练方法。
本申请一实施例还提供了一种计算机可读存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时实现上述任一实施例的容量保持率判断模型的训练方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种容量保持率判断模型的训练方法,其特征在于,包括:
获取目标电池的多个原始数据集;其中,每个所述原始数据集均包括所述目标电池在满足第一静置时长条件下的下述参数:目标电池的使用时间、使用里程、静置时间、以及静置温度的参数信息、目标电池的容量保持率;
根据多个所述原始数据集,构建训练样本集;
将所述训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,所述电池容量保持率判断模型用于根据电池数据确定电池容量保持率。
2.根据权利要求1所述的方法,其特征在于,所述获取目标电池的多个原始数据集,包括:
采集多个安装有所述目标电池的车辆分别在对应的预设时间序列下的多帧原始数据;其中,每帧原始数据均包括:目标电池对应的车辆标识、数据采集时的时间、目标电池的电压、数据采集时的车辆里程、以及温度信息;
根据各个所述车辆对应的多帧所述原始数据,获取多个长期静置事件;所述长期静置事件用于指示所述目标电池满足所述第一静置时长;
计算多个所述第一静置时长开始时和结束时,所述目标电池分别对应的第一剩余容量和第二剩余容量;
根据多个所述第一剩余容量、多个所述第二剩余容量、以及多帧所述原始数据,构建所述目标电池的多个原始数据集。
3.根据权利要求2所述的方法,其特征在于,所述根据各个所述车辆对应的多帧所述原始数据,获取多个长期静置事件,包括:
对多帧所述原始数据进行片段划分,获取所述目标电池对应的多个事件;其中,每个所述事件至少包括:事件起始时间、事件结束时间、事件类型、事件起始里程、事件结束里程、以及事件发生时目标电池的电压和温度;
根据每相邻两个事件的时间差、以及每相邻两个事件的里程差,确定所述时间差和所述里程差满足预设阈值的事件满足所述第一静置时长。
4.根据权利要求3所述的方法,其特征在于,所述对多帧所述原始数据进行片段划分,获取所述目标电池对应的多个事件,包括:
根据多帧所述原始数据分别对应的车辆主继电器的连接信息、以及车辆充电枪的连接信息,将多帧所述原始数据按照多个预设事件进行片段划分,获取所述目标电池对应的多个事件。
5.根据权利要求2所述的方法,其特征在于,所述根据多个所述第一剩余容量、多个所述第二剩余容量、以及多帧所述原始数据,构建所述目标电池的多个原始数据集之前,还包括:
根据多帧所述原始数据的采样频率,计算获取累计时间误差参数;
根据所述累计时间误差参数,对多帧所述原始数据进行筛选,得到多帧目标数据;
所述根据多个所述第一剩余容量、多个所述第二剩余容量、以及多帧所述原始数据,构建所述目标电池的多个原始数据集,包括:
根据多个所述第一剩余容量、多个所述第二剩余容量、以及多帧所述目标数据,构建所述目标电池的多个原始数据集。
6.根据权利要求3所述的方法,其特征在于,所述采集多个安装有所述目标电池的车辆分别在对应的预设时间序列下的多帧原始数据之后,还包括:对多帧所述原始数据进行清洗,得到清洗后的原始数据;
所述对多帧所述原始数据进行片段划分,获取所述目标电池对应的多个事件,包括:
对所述清洗后的原始数据进行片段划分,获取所述目标电池对应的多个事件。
7.根据权利要求6所述的方法,其特征在于,所述计算多个所述第一静置时长开始时和结束时,所述目标电池分别对应的第一剩余容量和第二剩余容量,包括:
根据所述第一静置时长开始前的目标静置事件的信息、以及所述目标电池对应的多个事件,确定所述目标电池对应的第一剩余容量,并将所述第一静置时长结束时的电池容量作为所述第二剩余容量,其中,所述目标静置事件为满足第二静置时长的事件,所述第二静置时长小于所述第一静置时长。
8.根据权利要求7所述的方法,其特征在于,所述将所述第一静置时长结束时的电池容量作为所述第二剩余容量,包括:
根据所述第一静置时长结束时所述目标电池的电压和温度,采用开路电压插值法,计算获取所述目标电池对应的第二剩余容量。
9.根据权利要求1所述的方法,其特征在于,所述将所述训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,包括:
对所述训练样本集进行样本特征归一化;
根据归一化后的训练样本集、激活函数、以及寻优函数,对所述预设神经网络模型进行训练,获取所述电池容量保持率判断模型。
10.一种容量保持率判断模型的应用方法,其特征在于,包括:
获取待测电池的电池数据,其中,所述待测电池的电池数据包括:使用时间、使用里程、长期静置时间、以及静置温度;
将待测电池的电池数据代入权利要求1-9任一项所述的电池容量保持率判断模型,获取所述待测电池的电池容量保持率。
11.一种容量保持率判断模型的训练装置,其特征在于,包括:
获取模块,用于获取目标电池的多个原始数据集;其中,每个所述原始数据集均包括所述目标电池在满足第一静置时长条件下的下述参数:目标电池的使用时间、使用里程、静置时间、以及静置温度的参数信息、目标电池的容量保持率;
构建模块,用于根据多个所述原始数据集,构建训练样本集;
训练模块,用于将所述训练样本集代入预设神经网络模型,训练获取电池容量保持率判断模型,所述电池容量保持率判断模型用于根据电池数据确定电池容量保持率。
12.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以实现权利要求1至9任一所述的容量保持率判断模型的训练方法。
13.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现权利要求1至9任一所述的容量保持率判断模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064130.5A CN117574984B (zh) | 2024-01-17 | 2024-01-17 | 容量保持率判断模型的训练、应用方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064130.5A CN117574984B (zh) | 2024-01-17 | 2024-01-17 | 容量保持率判断模型的训练、应用方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574984A true CN117574984A (zh) | 2024-02-20 |
CN117574984B CN117574984B (zh) | 2024-05-14 |
Family
ID=89892212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410064130.5A Active CN117574984B (zh) | 2024-01-17 | 2024-01-17 | 容量保持率判断模型的训练、应用方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574984B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115219903A (zh) * | 2022-03-11 | 2022-10-21 | 中国第一汽车股份有限公司 | 基于车联网数据分析的电池自放电率异常判断方法及装置 |
CN115389954A (zh) * | 2022-08-12 | 2022-11-25 | 深圳大学 | 一种电池容量的估算方法、电子设备及可读存储介质 |
CN116316988A (zh) * | 2023-03-23 | 2023-06-23 | 国网青海省电力公司清洁能源发展研究院 | 基于电池组自放电率预测的储能系统管理优化方法 |
CN116754981A (zh) * | 2023-08-16 | 2023-09-15 | 宁德新能源科技有限公司 | 电池容量预测方法、装置、电子设备及存储介质 |
CN117033887A (zh) * | 2023-07-24 | 2023-11-10 | 合肥国轩高科动力能源有限公司 | 锂离子电池包模块自放电率计算方法及系统 |
-
2024
- 2024-01-17 CN CN202410064130.5A patent/CN117574984B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115219903A (zh) * | 2022-03-11 | 2022-10-21 | 中国第一汽车股份有限公司 | 基于车联网数据分析的电池自放电率异常判断方法及装置 |
CN115389954A (zh) * | 2022-08-12 | 2022-11-25 | 深圳大学 | 一种电池容量的估算方法、电子设备及可读存储介质 |
CN116316988A (zh) * | 2023-03-23 | 2023-06-23 | 国网青海省电力公司清洁能源发展研究院 | 基于电池组自放电率预测的储能系统管理优化方法 |
CN117033887A (zh) * | 2023-07-24 | 2023-11-10 | 合肥国轩高科动力能源有限公司 | 锂离子电池包模块自放电率计算方法及系统 |
CN116754981A (zh) * | 2023-08-16 | 2023-09-15 | 宁德新能源科技有限公司 | 电池容量预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
余懿衡;钱祥忠;杨光辉;夏克刚;张佳瑶;: "基于模糊控制磷酸铁锂电池SOC的准确估计", 电子测量技术, no. 20, 23 October 2018 (2018-10-23), pages 13 - 17 * |
张睿;周永勤;李然;: "基于Delphi-变异系数组合赋权法的电池性能评估研究", 汽车工程, no. 08, 25 August 2018 (2018-08-25), pages 17 - 24 * |
Also Published As
Publication number | Publication date |
---|---|
CN117574984B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11175343B2 (en) | Method and device for estimating remaining available energy of a power battery | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
EP3742181B1 (en) | Method and apparatus for correcting soc, battery management system and storage medium | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
JP5944291B2 (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
DE112017005281B4 (de) | Energiespeichervorrichtung und Steuerverfahren dafür | |
CN110673039B (zh) | 一种基于大数据的磷酸铁锂电池soc充电在线校正方法 | |
CN105301509A (zh) | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 | |
CN110133525B (zh) | 一种应用于电池管理系统的锂离子电池健康状态估计方法 | |
KR20160067510A (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN112379297A (zh) | 电池系统寿命预测方法、装置、设备及存储介质 | |
CN113504479B (zh) | 基于云的电池充电剩余时间的估算方法、系统和存储介质 | |
CN115698738A (zh) | 劣化推定装置、模型生成装置、劣化推定方法、模型生成方法及程序 | |
CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
CN114371408A (zh) | 电池荷电状态的估算方法、充电曲线的提取方法及装置 | |
CN115453366A (zh) | 一种动力电池的健康评估系统、方法及电子设备 | |
CN112356737B (zh) | 电池充电管理方法及电池管理系统 | |
CN113125967A (zh) | 一种基于温升预测的锂电池soe计算方法 | |
CN117574984B (zh) | 容量保持率判断模型的训练、应用方法、装置及存储介质 | |
CN116298927B (zh) | 一种电池容量估计方法和装置、计算机设备、存储介质 | |
CN116540099A (zh) | 锂离子动力电池的使用寿命预测方法、装置、设备及介质 | |
CN116068420A (zh) | 电池一致性修正方法 | |
CN113447826B (zh) | 一种基于稳态等效电路模型的soc确定方法及装置 | |
CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |