CN117706376A - 电池容量预测方法、装置、电子设备及存储介质 - Google Patents
电池容量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117706376A CN117706376A CN202410159661.2A CN202410159661A CN117706376A CN 117706376 A CN117706376 A CN 117706376A CN 202410159661 A CN202410159661 A CN 202410159661A CN 117706376 A CN117706376 A CN 117706376A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- prediction model
- batteries
- capacity prediction
- 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 165
- 238000004519 manufacturing process Methods 0.000 claims abstract description 162
- 230000008569 process Effects 0.000 claims abstract description 106
- 238000007599 discharging Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration 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
- 239000002994 raw material Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例公开了一种电池容量预测方法、装置、电子设备及存储介质,包括:获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据,电池数据包括在目标充电时长对应的充电数据以及电池容量,第一分容过程指的是第一电池充满电量再放空电量,并进行容量统计的过程;根据多个第一电池分别对应的电池数据,对容量预测模型进行更新,以对第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,第二分容过程指的是第二电池充电目标充电时长就进行容量预测的过程。实施本申请实施例,能够提高电池生产的效率。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种电池容量预测方法、装置、电子设备及存储介质。
背景技术
目前,为了确定新生产电池的电池容量,通常在分容过程中将新生产电池充满电量再放空电量后,统计新生产电池的放电量,作为新生产电池的电池容量,该方法测量出来的电池容量虽然准确性得到保障,但是电池需要经历一次满充电以及满放电,影响了电池生产的效率。
发明内容
本申请实施例公开了一种电池容量预测方法、装置、电子设备及存储介质,既能够准确确定电池的电池容量,又可以提高电池生产的效率。
本申请实施例公开了一种电池容量预测方法,包括:
获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据,所述电池数据包括在目标充电时长对应的充电数据以及电池容量,所述第一分容过程指的是所述第一电池充满电量再放空电量,并进行容量统计的过程;
根据所述多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型用于对所述第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,所述第二分容过程指的是所述第二电池充电所述目标充电时长就进行容量预测的过程。
在一个实施例中,所述第一生产过程中,第一电池的生产数量小于第二电池的生产数量。
在一个实施例中,所述容量预测模型包括更新权重,所述更新权重用于表征所述容量预测模型进行更新时对模型参数的变化量的约束程度,在生产过程发生变化的情况下,所述容量预测模型在生产过程发生变化之后的更新权重,大于在生产过程发生变化之前的更新权重。
在一个实施例中,所述方法还包括:
在所述更新权重发生变化的情况下,若对所述容量预测模型进行更新的电池数据对应的电池数量未达到预设数量阈值,则控制所述容量预测模型停止对所述第二电池进行电池容量预测。
在一个实施例中,在所述根据所述多个第一电池分别对应的电池数据,对容量预测模型进行更新之后,所述方法还包括:
若所述更新后的容量预测模型收敛,则停止对容量预测模型进行更新。
在一个实施例中,所述方法还包括:
根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对所述容量预测模型进行校验;
若所述容量预测模型满足校验要求,则通过所述容量预测模型根据所述目标生产时间段生产的第二电池对应的充电数据,预测所述第二电池对应的电池容量。
在一个实施例中,在所述根据目标时间段生产的第二电池对应的充电数据以及电池容量,对所述容量预测模型进行校验之后,所述方法还包括:
若所述容量预测模型不满足所述校验要求,则获取历史电池数据,所述历史电池数据包括在所述目标生产时间段以及在所述目标生产时间段之前的历史生产时间段生产的多个第一电池分别对应的电池数据;
根据所述历史电池数据,对所述容量预测模型进行更新,并再次执行所述根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对所述容量预测模型进行校验的步骤。
在一个实施例中,所述容量预测模型包括多个子模型,所述多个子模型包括一个第一子模型和至少一个第二子模型;
所述根据所述多个第一电池分别对应的电池数据,对容量预测模型进行更新,包括:
将目标第一电池对应的充电数据输入到所述第一子模型及各个所述第二子模型,所述目标第一电池为所述多个第一电池中的任一第一电池;通过所述第一子模型根据所述目标第一电池对应的充电数据确定预测电池容量,以及通过各个所述第二子模型根据所述目标第一电池对应的充电数据确定上一个子模型对应的预测值;
根据所述目标第一电池对应的电池容量及所述预测电池容量确定所述第一子模型对应的残差值;
根据各个所述第二子模型确定的预测值以及各个所述第二子模型的上一子模型对应的残差值,确定各个所述第二子模型对应的残差值;
根据所述多个子模型分别对应的残差值,对所述容量预测模型的模型参数进行更新。
本申请实施例公开了一种电池容量预测装置,包括:
数据获取模块,用于获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据,所述电池数据包括在目标充电时长对应的充电数据以及电池容量,所述第一分容过程指的是所述第一电池充满电量再放空电量,并进行容量统计的过程;
模型更新模块,用于根据所述多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型用于对所述第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,所述第二分容过程指的是所述第二电池充电所述目标充电时长就进行容量预测的过程。
本申请实施例公开了一种电子设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行上述任一实施例所述的方法。
本申请实施例公开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计算机程序,其中,所述计算机程序在被处理器执行时,使得所述处理器执行上述任一实施例所述的方法。
通过本申请实施例公开的电池容量预测方法、装置、电子设备及存储介质,电子设备可以获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据,该电池数据可以包括在目标充电时长对应的充电数据以及电池容量,第一分容过程中第一电池充满电量再放空电量,电子设备再根据多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型可以对第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,该第二分容过程中第二电池充电目标充电时长。在本申请实施例中,无需将第二电池充满电量再对第二电池进行满放电,容量预测模型可以仅根据第二电池在充电目标时长所得到的充电数据准确预测第二电池的电池容量,既能够准确确定电池的电池容量,又可以提高电池生产的效率。并且,该容量预测模型还通过同一生产过程生产的多个第一电池分别对应的电池数据进行更新,可以在生产过程中不断提高容量预测模型的准确性,使其可以适应环境因素的变化,提高了模型训练的效率及准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需要使用的附图进行简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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-A是本申请实施例公开的一种电池容量预测方法的应用场景示意图;
图1-B为本申请实施例公开的一种第一分容过程与第二分容过程的具体流程示意图;
图2是本申请实施例公开的一种电池容量预测方法的流程示意图;
图3是本申请实施例公开的另一种电池容量预测方法的流程示意图;
图4是本申请实施例公开的另一种对容量预测模型的校验方法的流程示意图;
图5是本申请实施例公开的一种电池容量预测装置的模块化示意图;
图6是本申请实施例公开的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例的术语“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。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一分容过程称为第二分容过程,且类似地,可将第二分容过程称为第一分容过程。第一分容过程和第二分容过程两者都是分容过程,但其不是同一分容过程。
在相关技术中,现有的容量预测模型都依据大量的数据进行建模,然后才能将容量预测模型作用于电池生产线中,以对电池进行容量预测,但随着环境的慢慢变化,容量预测模型的准确率将逐步降低,并且,在生产过程发生变化时,如产线更换生产材料、新建立的产线,该容量预测模型无法做到快速响应,需要对变化后的生产过程再次收集大量的数据,严重影响了电池生产的效率。
本申请实施例公开了一种电池容量预测方法、装置、电子设备及存储介质,既能够准确确定电池的电池容量,又可以提高电池生产的效率。
以下将结合附图进行详细描述。
如图1-A所示,图1-A是本申请实施例公开的一种电池容量预测方法的应用场景示意图,该应用场景可以包括电子设备110、第一电池120以及第二电池130,该电子设备110可以包括但不限于手机、平板电脑、可穿戴设备、笔记本电脑、PC(Personal Computer,个人计算机)等。其中,第一生产过程指的是生产电池的过程,在第一生产过程中,多条产线可以同时生产第一电池120以及第二电池130,由于第一电池120以及第二电池130都是在第一生产过程中生产的,该第一电池120以及第二电池130为相同的电池,但第一电池120和第二电池130对应不同的分容过程,即第一电池120对应第一分容过程,第二电池130对应第二分容过程。
其中,第一电池120和第二电池130可以包括锂电池、铅酸电池、石墨烯电池等等,对此不作限制。该分容过程指的是对电池进行充电和/或放电,以得到电池的电池容量的过程,其中,第一电池120对应的第一分容过程可以指的是第一电池120先充满电量再放空电量,并进行容量统计的过程,该容量统计指的是统计第一电池120的放电量来得到第一电池120的电池容量,而第二电池130对应的第二分容过程可以指的是第二电池130仅充电目标充电时长就进行容量预测的过程,该目标充电时长可以为预先设置的时长,因此,第二电池130无法通过统计放电量来得到第二电池130的电池容量。其中,第一电池120充满电量所消耗的时长大于目标充电时长。
如图1-B所示,图1-B为本申请实施例公开的一种第一分容过程与第二分容过程的具体流程示意图。第一分容过程中,第一电池可以放电到2.5V,再充电到100%SOC(State ofCharge,荷电状态),即对第一电池充满电量,再放电到0%SOC,即对第一电池放空电量,得到第一电池对应的电池数据,再调荷到出货SOC,完成第一分容过程。第二分容过程中,第二电池可以放电到2.5V,再充电到1h(hour,小时),即对第一电池充电目标充电时长,得到第二电池对应的电池数据,再调荷到出货SOC,完成第二分容过程。
由于第一分容过程和第二分容过程不同,第一电池120在第一分容过程中对应的电池数据与第二电池130在第二分容过程中对应的电池数据是不同的,第一电池120对应的电池数据可以包括第一电池120在目标充电时长对应的充电数据以及电池容量,第二电池130对应的电池数据可以包括第二电池130在目标充电时长对应的充电数据,其中,在目标充电时长对应的充电数据可以包括但不限于电池充电目标充电时长后的充电量、电池电压等。
其中,电子设备110还可以包括容量预测模型,电子设备110可以通过该容量预测模型对第二电池130进行电池容量预测。可选的,电子设备110可以将第二电池130在目标充电时长对应的充电数据输入到容量预测模型,从而得到第二电池130对应的电池容量。
在一个实施例中,电子设备110可以获取第一生产过程生产的多个第一电池120在第一分容过程中分别对应的电池数据,根据多个第一电池120分别对应的电池数据对容量预测模型进行更新。电子设备110再通过该更新后的容量预测模型对第一生产过程生产的多个第二电池130在第二分容过程中进行电池容量预测,由于第一电池120和第二电池130对应同一生产过程,则通过第一电池120对应的电池数据更新的容量预测模型,在预测第二电池130的电池容量时,可以进一步地提高准确性。
为了提高电池生产的效率,可选的,第一生产过程中,第一电池的生产数量小于第二电池的生产数量,但可以理解的是,第一电池的生产数量需要满足容量预测模型的更新需求,因此,第一电池的生产数量也不可为0。具体的,第一电池的生产数量与第二电池的生产数量之间的比值可为预设比值,例如1:4,1:5等,但不限于此。
如图2所示,图2是本申请实施例公开的一种电池容量预测方法的流程示意图,该电池容量预测方法可以应用于上述实施例中的电子设备,该电池容量预测方法可以包括如下步骤:
步骤210,获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据。
生产的所有第一电池在第一分容过程中对应的电池数据都可以传输到电子设备,电子设备可以保存所有第一电池对应的电池数据。电子设备可以在需要对容量预测模型进行更新时,获取多个第一电池在第一分容过程中分别对应的电池数据,用于更新容量预测模型。需要说明的是,用于更新容量预测模型的电池数据所对应的第一电池的数量不作限制。可选的,电子设备可以根据预先设置的更新规则获取多个第一电池在第一分容过程中分别对应的电池数据,该更新规则可以包括容量预测模型在本次更新所需的电池数据对应的第一电池的数量以及第一电池的生产时间段等,例如,更新规则中容量预测模型在本次更新所需的电池数据对应的第一电池的数量可以为100,电子设备可以获取最近生产的100个第一电池在第一分容过程中分别对应的电池数据,更新规则中第一电池的生产时间段可以为前一天或当天,电子设备可以获取前一天或当天生产的第一电池在第一分容过程中对应的电池数据。
作为一种可选的实施方式,电子设备还可以保存有每个第一电池对应的生产时间段,该生产时间段指的是生产第一电池的时间段,时间段的长度是预设的,如一天或者一周,电子设备可以根据当前保存的所有第一电池分别对应的生产时间段,确定各个生产时间段对应的第一电池在当前保存的所有第一电池中的占比,从而根据各个生产时间段对应的占比,从当前保存的所有第一电池分别对应的电池数据中选择出多个第一电池分别对应的电池数据。可选的,每次用于模型更新的电池数据对应的多个第一电池的电池数量可以为固定的预设电池数量,电子设备可以根据各个生产时间段对应的占比以及预设电池数量,确定各个生产时间段对应的第一电池的电池数量。电子设备可以根据各个生产时间段对应的第一电池的电池数量,从各个生产时间段随机选择第一电池对应的电池数据,例如,每次用于模型更新的电池数据对应的多个第一电池的电池数量可以为200个,一个生产时间段对应的占比为10%,则该生产时间段对应的第一电池的电池数量为20个,电子设备可以从该生产时间段对应的第一电池对应的电池数据中随机选择20个第一电池对应的电池数据。实施该实施方式,电子设备可以从当前保存的所有第一电池对应的电池数据中,选择出各个生产时间段的第一电池对应的电池数据,以对容量预测模型进行更新,避免容量预测模型过拟合,提高容量预测模型的准确性。
可选的,电子设备在从各个生产时间段随机选择第一电池对应的电池数据之前,可以判断各个生产时间段对应的第一电池的电池数据是否存在异常,若存在第一电池对应的电池数据存在异常,则电子设备可以将该存在异常的电池数据删除,以避免使用异常的电池数据对容量预测模型进行更新,降低容量预测模型的准确性。
步骤220,根据多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型用于对第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测。
电子设备根据该多个第一电池分别对应的电池数据,通过预设的神经网络训练方法对容量预测模型进行更新,该预设的神经网络训练方法可以使得更新后的容量预测模型在保留之前学习到的特征的情况下,从多个第一电池分别对应的电池数据中学习到新的特征。可选的,该预设的神经网络训练方法可以包括增量学习方法、迁移学习方法。通过该预设的神经网络训练方法,可以减少容量预测模型的训练样本需求,容量预测模型无需在建模时就需要大量数据进行训练,并且,由于第一生产过程中,生产环境可能发生变化,例如,温度、同一种原材料之间的误差等,容量预测模型可以适应该生产环境可能发生的变化,提高容量预测模型的准确性。
其中,在增量学习方法中,容量预测模型可以在学习多个第一电池分别对应的电池数据中的特征时,保留其在先前的训练过程中学习到的特征,即容量预测模型可以积累以及复用已学习到的特征。在迁移学习方法中,容量预测模型可以使用多个第一电池分别对应的电池数据中的特征对原来的容量预测模型在电池容量预测任务上的性能,具体不作赘述。
可以理解的是,容量预测模型的更新与容量预测模型对第二电池的电池容量预测之间不存在先后顺序关系,更新前的容量预测模型也可以用于对第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,电子设备使用当前的容量预测模型对第二电池进行电池容量预测,不去确定当前的容量预测模型的更新情况。
在本申请实施例中,电子设备可以获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据,该电池数据可以包括在目标充电时长对应的充电数据以及电池容量,第一分容过程中第一电池充满电量再放空电量,电子设备再根据多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型可以对第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,该第二分容过程中第二电池充电目标充电时长。在本申请实施例中,无需将第二电池充满电量再对第二电池进行满放电,容量预测模型可以仅根据第二电池在充电目标时长所得到的充电数据准确预测第二电池的电池容量,既能够准确确定电池的电池容量,又可以提高电池生产的效率。并且,该容量预测模型还通过同一生产过程生产的多个第一电池分别对应的电池数据进行更新,可以在生产过程中不断提高容量预测模型的准确性,使其可以适应环境因素的变化,提高了模型训练的效率及准确性。
如图3所示,图3是本申请实施例公开的另一种电池容量预测方法的流程示意图,该电池容量预测方法可以应用于上述实施例中的电子设备,该电池容量预测方法可以包括如下步骤:
步骤310,获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据。
步骤320,根据多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型用于对第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测。
在一个实施例中,电子设备根据多个第一电池分别对应的充电数据及电池容量,对容量预测模型进行更新的步骤,可以包括:电子设备将目标第一电池对应的充电数据输入到第一子模型及各个第二子模型,通过第一子模型根据目标第一电池对应的充电数据确定预测电池容量,以及通过各个第二子模型根据目标第一电池对应的充电数据确定上一个子模型对应的预测值;根据目标第一电池对应的电池容量及预测电池容量确定第一子模型对应的残差值;根据各个第二子模型确定的预测值以及各个第二子模型的上一子模型对应的残差值,确定各个第二子模型对应的残差值;根据多个子模型分别对应的残差值,对容量预测模型的模型参数进行更新。
其中,容量预测模型包括多个子模型,多个子模型包括一个第一子模型和至少一个第二子模型,目标第一电池可以为多个第一电池中的任一第一电池,电子设备可以将目标第一电池对应的充电数据输入到各个子模型中。各个第二子模型之间存在先后顺序,且第一子模型在至少一个第二子模型之前,即,第一子模型预测的是目标第一电池的电池容量,第一个第二子模型预测的是第一子模型的残差值,其它第二子模型预测的是上一个第二子模型的残差值。其中,每个预测值都是根据目标第一电池对应的充电数据确定的,预测值用于表征第二子模型对上一个子模型的残差值的预测。可选的,该容量预测模型可以为梯度提升树模型,通过梯度下降来对每个子模型进行迭代。
可选的,电子设备可以计算目标第一电池对应的电池容量与预测电池容量的差值,确定为第一子模型对应的残差值。电子设备也可以计算各个第二子模型确定的预测值与各个第二子模型的上一子模型对应的残差值之间的差值,确定为各个第二子模型的残差值。其中,电子设备需要按照至少一个第二子模型的先后顺序,先确定第一个第二子模型的残差值,再依次确定各个第二子模型的残差值。电子设备可以通过损失函数代入多个子模型分别对应的残差值,计算模型损失,从而对容量预测模型的模型参数进行更新。
作为一个示例,容量预测模型可以包括1个第一子模型以及2个第二子模型,第一子模型可以根据目标第一电池对应的充电数据确定预测电池容量为4980mAh(milliampereHour,毫安时),目标第一电池对应的电池容量为5000 mAh,则电子设备计算目标第一电池对应的电池容量与预测电池容量之间的差值为20 mAh,即第一子模型的残差值,第一个第二子模型可以根据目标第一电池对应的充电数据对该第一子模型的残差值进行预测,得到第一个第二子模型的预测值为17 mAh,第一个第二子模型的上一子模型为第一子模型,电子设备计算第一个第二子模型确定的预测值与第一子模型对应的残差值之间的差值为3mAh,即第一个第二子模型的残差值,第二个第二子模型可以根据目标第一电池对应的充电数据对该第一个第二子模型的残差值进行预测,得到第二个第二子模型的预测值为2 mAh,第二个第二子模型的上一子模型为第一个第二子模型,电子设备计算第而个第二子模型确定的预测值与第一个第二子模型对应的残差值之间的差值为1mAh,即第二个第二子模型的残差值。
步骤330,若更新后的容量预测模型收敛,则停止对容量预测模型进行更新。
在对容量预测模型进行更新之后,电子设备可以判断更新后的容量预测模型是否收敛,在更新后的容量预测模型收敛时,则停止对容量预测模型进行更新,在更新后的容量预测模型未收敛时,则可以对容量预测模型进行下次更新,但电子设备可以不立即对容量预测模型进行下次更新,而是在达到预设的时间时或者在检测到更新操作时,对容量预测模型进行下次更新。
可选的,电子设备在对容量预测模型进行更新之后,可以将更新之前的模型参数与更新之后的模型参数进行比较,得到比较结果,该比较结果可以表征更新所带来的参数变化值是否在变化阈值内,若比较结果表征更新所带来的参数变化值在变化阈值内,则说明模型参数已经达到稳定状态,即使输入新的电池数据进行更新也不会发生较大的变化,电子设备可以停止对容量预测模型进行更新。
作为一种可选的实施方式,在更新后的容量预测模型收敛的情况下,电子设备可以确定更新后的容量预测模型的精确度是否大于第一精确度阈值,若更新后的容量预测模型的精确度满足大于第一精确度阈值,则可以停止对容量预测模型进行更新,若更新后的容量预测模型的精确度不大于第一精确度阈值,则可以对容量预测模型进行下次更新。其中,容量预测模型的精确度用于表征容量预测模型预测的电池容量是否接近真实的电池容量。实施该实施方式,可以提高容量预测模型更新的智能程度。
步骤340,在容量预测模型包括的更新权重变化的情况下,若对容量预测模型进行更新的电池数据对应的电池数量未达到预设数量阈值,则控制容量预测模型停止对第二电池进行电池容量预测。
其中,更新权重用于表征容量预测模型进行更新时对模型参数的变化量的约束程度,更新权重越高,则约束程度越高,即在更新中的其它参数以及数据不变的情况下,容量预测模型的模型参数的变化量越小。可以理解的是,在第一生产过程变化为第二生产过程时,如产线更换生产材料、新建立的产线,为了使得容量预测模型尽快适应该生产过程的变化,工作人员可以将容量预测模型包括的更新权重增大,电子设备可以检测到更新权重发生变化,则说明生产过程发生变化,此时需要较多的电池数据来对容量预测模型进行更新,否则对第二电池的电池容量预测的准确性较低。在生产过程发生变化的情况下,容量预测模型在生产过程发生变化之后的更新权重,大于在生产过程发生变化之前的更新权重,即容量预测模型为了适应第二生产过程,需要使得在更新过程中容量预测模型的模型参数的变化量越大。
因此,在容量预测模型包括的更新权重变化之后,电子设备可以判断对容量预测模型进行更新的电池数据对应的电池数量未达到预设数量阈值,若对容量预测模型进行更新的电池数据对应的电池数量未达到预设数量阈值,则控制容量预测模型停止对第二电池进行电池容量预测。其中,对容量预测模型进行更新的电池数据指的是在容量预测模型包括的更新权重变化之后,电子设备可以获取到第二生产过程中生产的N个第一电池分别对应的电池数据,以对容量预测模型进行更新。其中,N可以为预设数量阈值,N为正整数。例如,N可以为2000,在更新权重变化之后,电子设备可以获取到2000个第一电池分别对应的电池数据,该2000个第一电池是第二生产过程中生产的。
需要说明的是,在生产过程对应的正常分容过程中,可以同时得到进行第一分容过程的第一电池以及进行第二分容过程的第二电池,但是在生产过程发生变化时,即在第一生产过程变化为第二生产过程时,为了提供足够的第二生产过程生产的第一电池在第一分容过程中对应的电池数据,第二生产过程可以对应非正常分容过程,将生产的前N个电池都可以进行第一分容过程的第一电池,而不将生产的电池进行第二分容过程,即第二生产过程对应的非正常分容过程中可以先得到N个第一电池,该N个第一电池对应的更新权重,高于正常分容过程中得到的第一电池对应的更新权重。
可选的。在电子设备根据该N个第一电池分别对应的电池数据,对容量预测模型进行更新之后,说明容量预测模型已经适应该第二生产过程,即生产过程发生变化的情况已经结束,当前为稳定的生产过程,电子设备可以控制容量预测模型包括的更新权重恢复为生产过程发生变化之前的更新权重,再进行后续的更新过程。
在本申请实施例中,电子设备还可以在更新后的容量预测模型收敛时,停止对容量预测模型进行更新,减小容量预测模型的更新时间,可以更多地作用于第二电池的电池容量预测中,提高电池生产的效率,电子设备还可以在更新权重发生变化的情况下,若对容量预测模型进行更新的电池数据对应的电池数量未达到预设数量阈值,则控制容量预测模型停止对第二电池进行电池容量预测,避免在第一生产过程变化为第二生产过程时,更新不充足的容量预测模型对第二生产过程生产的第二电池进行的电池容量预测不准确,从而造成生产事故,提高了电池生产的安全性。
如图4所示,图4是本申请实施例公开的另一种对容量预测模型的校验方法的流程示意图,该校验方法可以应用于上述实施例中的电子设备,该校验方法可以包括如下步骤:
步骤410,根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对容量预测模型进行校验。
步骤420,若容量预测模型满足校验要求,则通过容量预测模型根据目标生产时间段生产的第二电池对应的充电数据,预测第二电池对应的电池容量。
其中,目标生产时间段可以为任一生产时间段,在该目标生产时间段中,第一生产过程可以生产进行第一分容过程的第一电池以及进行第二分容过程的第二电池,为了提高容量预测模型对目标生产时间段生产的第二电池进行电池容量预测的准确性,电子设备可以根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对容量预测模型进行校验,校验结果可以为预测的电池容量与第一电池的电池容量之间的容量差值,校验要求可以为目标比例的第一电池对应的容量差值小于预测差值阈值,例如多个第一电池中80%的第一电池对应的容量差值小于预测差值阈值。
步骤430,若容量预测模型不满足校验要求,则获取历史电池数据,历史电池数据包括在目标生产时间段以及在目标生产时间段之前的历史生产时间段生产的多个第一电池分别对应的电池数据。
步骤440,根据历史电池数据,对容量预测模型进行更新,并再次执行根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对容量预测模型进行校验的步骤,即再次执行步骤410。
可以理解的是,并不是在每个生产时间段生产得到第一电池之后,电子设备都需要立即对容量预测模型进行更新,电子设备可以以预设的更新频率对容量预测模型进行更新,若容量预测模型不满足校验要求,则可以获取历史电池数据立即进行更新。例如,电子设备一周进行一次更新,在电子设备对上次更新后的第五天生产的第二电池进行电池容量预测时,检测出容量预测模型不满足校验要求,则电子设备可以获取历史电池数据,该历史电池数据可以包括上次更新后的第一天到第五天生产的多个第一电池分别对应的电池数据,以对容量预测模型进行更新。本申请实施例对历史电池数据包括的第一电池的数量不作限制。
在本申请实施例中,电子设备可以根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对容量预测模型进行校验,若容量预测模型满足校验要求,则通过容量预测模型根据目标生产时间段生产的第二电池对应的充电数据,预测第二电池对应的电池容量,提高了电池容量预测的准确性,从而提高电池生产的效率。若容量预测模型不满足校验要求,则电子设备还可以获取历史电池数据,该历史电池数据可以包括在目标生产时间段以及在目标生产时间段之前的历史生产时间段生产的多个第一电池分别对应的电池数据,根据历史电池数据,对容量预测模型进行更新,以使得电池容量预测对目标生产时间段生产的第二电池的电池容量预测准确,进一步保证了预测的电池容量的准确性,从而提高了电池生产的效率。
如图5所示,图5是本申请实施例公开的一种电池容量预测装置的模块化示意图,该电池容量预测装置500可以包括数据获取模块510以及模型更新模块520,其中:
数据获取模块510,用于获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据,电池数据包括在目标充电时长对应的充电数据以及电池容量,第一分容过程指的是第一电池充满电量再放空电量,并进行容量统计的过程;
模型更新模块520,用于根据多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型用于对第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,第二分容过程指的是第二电池充电目标充电时长就进行容量预测的过程。
在一个实施例中,第一生产过程中,第一电池的生产数量小于第二电池的生产数量。
在一个实施例中,容量预测模型包括更新权重,更新权重用于表征容量预测模型进行更新时对模型参数的变化量的约束程度,在生产过程发生变化的情况下,容量预测模型在生产过程发生变化之后的更新权重,大于在生产过程发生变化之前的更新权重。
在一个实施例中,电池容量预测装置500还包括模型控制模块,用于在更新权重发生变化的情况下,若对容量预测模型进行更新的电池数据对应的电池数量未达到预设数量阈值,则控制容量预测模型停止对第二电池进行电池容量预测。
在一个实施例中,模型控制模块,还用于若所述更新后的容量预测模型收敛,则停止对容量预测模型进行更新。
在一个实施例中,电池容量预测装置500还包括模型校验模块,用于根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对容量预测模型进行校验;若容量预测模型满足校验要求,则通过容量预测模型根据目标生产时间段生产的第二电池对应的充电数据,预测第二电池对应的电池容量。
在一个实施例中,模型更新模块520,还用于若容量预测模型不满足校验要求,则获取历史电池数据,历史电池数据包括在目标生产时间段以及在目标生产时间段之前的历史生产时间段生产的多个第一电池分别对应的电池数据;根据历史电池数据,对容量预测模型进行更新,并再次执行根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对容量预测模型进行校验的步骤。
在一个实施例中,容量预测模型包括多个子模型,多个子模型包括一个第一子模型和至少一个第二子模型;模型更新模块520,还用于将目标第一电池对应的充电数据输入到第一子模型及各个第二子模型,所述目标第一电池为所述多个第一电池中的任一第一电池;通过第一子模型根据目标第一电池对应的充电数据确定预测电池容量,以及通过各个第二子模型根据目标第一电池对应的充电数据确定上一个子模型对应的预测值,该预测值用于表征第二子模型对上一个子模型的残差值的预测;根据目标第一电池对应的电池容量及预测电池容量确定第一子模型对应的残差值;根据各个第二子模型确定的预测值以及各个第二子模型的上一子模型对应的残差值,确定各个第二子模型对应的残差值;根据多个子模型分别对应的残差值,对容量预测模型的模型参数进行更新。
在本申请实施例中,电子设备可以获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据,该电池数据可以包括在目标充电时长对应的充电数据以及电池容量,第一分容过程中第一电池充满电量再放空电量,电子设备再根据多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型可以对第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,该第二分容过程中第二电池充电目标充电时长。在本申请实施例中,无需将第二电池充满电量再对第二电池进行满放电,容量预测模型可以仅根据第二电池在充电目标时长所得到的充电数据准确预测第二电池的电池容量,既能够准确确定电池的电池容量,又可以提高电池生产的效率。并且,该容量预测模型还通过同一生产过程生产的多个第一电池分别对应的电池数据进行更新,可以在生产过程中不断提高容量预测模型的准确性,使其可以适应环境因素的变化,提高了模型训练的效率及准确性。
如图6所示,在一个实施例中,提供一种电子设备,该电子设备可以包括:
存储有可执行程序代码的存储器610;
与存储器610耦合的处理器620;
处理器620调用存储器610中存储的可执行程序代码,可实现如上述各实施例中提供的电池容量预测方法。
存储器610可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。存储器610可用于存储指令、程序、代码、代码集或指令集。存储器610可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等。存储数据区还可以存储电子设备在使用中所创建的数据等。
处理器620可以包括一个或者多个处理核。处理器620利用各种接口和线路连接整个电子设备内的各个部分,通过运行或执行存储在存储器610内的指令、程序、代码集或指令集,以及调用存储在存储器610内的数据,执行电子设备的各种功能和处理数据。可选地,处理器620可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器620可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器620中,单独通过一块通信芯片进行实现。
可以理解地,电子设备可包括比上述结构框图中更多或更少的结构元件,例如,包括电源模块、物理按键、WiFi(Wireless Fidelity,无线保真)模块、扬声器、蓝牙模块、传感器等,还可在此不进行限定。
本申请实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行上述各实施例中所描述的方法。
此外,本申请实施例进一步公开一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机可以执行上述实施例所描述的任意一种电池容量预测方法中的全部或部分步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本申请实施例公开的电池容量预测方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种电池容量预测方法,其特征在于,包括:
获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据,所述电池数据包括在目标充电时长对应的充电数据以及电池容量,所述第一分容过程指的是所述第一电池充满电量再放空电量,并进行容量统计的过程;
根据所述多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型用于对所述第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,所述第二分容过程指的是所述第二电池充电所述目标充电时长就进行容量预测的过程。
2.根据权利要求1所述的方法,其特征在于,所述第一生产过程中,第一电池的生产数量小于第二电池的生产数量。
3.根据权利要求1所述的方法,其特征在于,所述容量预测模型包括更新权重,所述更新权重用于表征所述容量预测模型进行更新时对模型参数的变化量的约束程度,在生产过程发生变化的情况下,所述容量预测模型在生产过程发生变化之后的更新权重,大于在生产过程发生变化之前的更新权重。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在所述更新权重发生变化的情况下,若对所述容量预测模型进行更新的电池数据对应的电池数量未达到预设数量阈值,则控制所述容量预测模型停止对所述第二电池进行电池容量预测。
5.根据权利要求1所述的方法,其特征在于,在所述根据所述多个第一电池分别对应的电池数据,对容量预测模型进行更新之后,所述方法还包括:
若所述更新后的容量预测模型收敛,则停止对容量预测模型进行更新。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对所述容量预测模型进行校验;
若所述容量预测模型满足校验要求,则通过所述容量预测模型根据所述目标生产时间段生产的第二电池对应的充电数据,预测所述第二电池对应的电池容量。
7.根据权利要求6所述的方法,其特征在于,在所述根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对所述容量预测模型进行校验之后,所述方法还包括:
若所述容量预测模型不满足所述校验要求,则获取历史电池数据,所述历史电池数据包括在所述目标生产时间段以及在所述目标生产时间段之前的历史生产时间段生产的多个第一电池分别对应的电池数据;
根据所述历史电池数据对所述容量预测模型进行更新,并再次执行所述根据目标生产时间段生产的多个第一电池分别对应的充电数据以及电池容量,对所述容量预测模型进行校验的步骤。
8.根据权利要求1所述的方法,其特征在于,所述容量预测模型包括多个子模型,所述多个子模型包括一个第一子模型和至少一个第二子模型;
所述根据所述多个第一电池分别对应的电池数据,对容量预测模型进行更新,包括:
将目标第一电池对应的充电数据输入到所述第一子模型及各个所述第二子模型,所述目标第一电池为所述多个第一电池中的任一第一电池;
通过所述第一子模型根据所述目标第一电池对应的充电数据确定预测电池容量,以及通过各个所述第二子模型根据所述目标第一电池对应的充电数据确定预测值,所述预测值用于表征第二子模型对上一个子模型的残差值的预测;
根据所述目标第一电池对应的电池容量及所述预测电池容量确定所述第一子模型对应的残差值;
根据各个所述第二子模型确定的预测值以及各个所述第二子模型的上一子模型对应的残差值,确定各个所述第二子模型对应的残差值;
根据所述多个子模型分别对应的残差值,对所述容量预测模型的模型参数进行更新。
9.一种电池容量预测装置,其特征在于,包括:
数据获取模块,用于获取第一生产过程生产的多个第一电池在第一分容过程中分别对应的电池数据,所述电池数据包括在目标充电时长对应的充电数据以及电池容量,所述第一分容过程中所述第一电池充满电量再放空电量;
模型更新模块,用于根据所述多个第一电池分别对应的电池数据,对容量预测模型进行更新,更新后的容量预测模型用于对所述第一生产过程生产的多个第二电池在第二分容过程中进行电池容量预测,所述第二分容过程中所述第二电池充电所述目标充电时长。
10.一种电子设备,其特征在于,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行权利要求1至8任一项所述的方法。
11.一种计算机存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序在被处理器执行时,使得所述处理器执行权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410159661.2A CN117706376B (zh) | 2024-02-04 | 2024-02-04 | 电池容量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410159661.2A CN117706376B (zh) | 2024-02-04 | 2024-02-04 | 电池容量预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117706376A true CN117706376A (zh) | 2024-03-15 |
CN117706376B CN117706376B (zh) | 2024-05-24 |
Family
ID=90146490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410159661.2A Active CN117706376B (zh) | 2024-02-04 | 2024-02-04 | 电池容量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117706376B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07191709A (ja) * | 1993-12-27 | 1995-07-28 | Toshiba Corp | モデル予測制御のパラメータ設定方法 |
JP2005338358A (ja) * | 2004-05-26 | 2005-12-08 | Nippon Telegr & Teleph Corp <Ntt> | 音響モデル雑音適応化方法およびこの方法を実施する装置 |
CN102399594A (zh) * | 2011-12-30 | 2012-04-04 | 华东理工大学 | 一种在线优化“德士古气化炉”运行工况的方法 |
CN102766728A (zh) * | 2012-06-25 | 2012-11-07 | 攀钢集团研究院有限公司 | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 |
CN103869783A (zh) * | 2014-03-18 | 2014-06-18 | 东北大学 | 一种精矿产量在线预测方法 |
CN106777786A (zh) * | 2017-01-12 | 2017-05-31 | 常州工学院 | 一种锂离子电池soc估算方法 |
CN113096388A (zh) * | 2021-03-22 | 2021-07-09 | 北京工业大学 | 一种基于梯度提升决策树的短时交通流量预测方法 |
CN113848480A (zh) * | 2021-09-23 | 2021-12-28 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN114489167A (zh) * | 2021-12-17 | 2022-05-13 | 中国船舶重工集团公司第七一九研究所 | 一种基于监督学习的舰船旋转机械设备前馈振动控制系统 |
CN114580712A (zh) * | 2022-02-07 | 2022-06-03 | 东北大学 | 一种冶金副产煤气产耗量的在线预测方法及系统 |
CN115018133A (zh) * | 2022-05-20 | 2022-09-06 | 天永锂电科技(东莞)有限公司 | 一种基于混沌理论和非线性系统的锂电池容量预测方法 |
CN115191004A (zh) * | 2020-03-02 | 2022-10-14 | 松下电器(美国)知识产权公司 | 信息处理方法、信息处理系统、以及信息处理装置 |
CN115221795A (zh) * | 2022-08-03 | 2022-10-21 | 一汽解放汽车有限公司 | 容量预测模型的训练方法、预测方法、装置、设备及介质 |
CN116626502A (zh) * | 2023-05-23 | 2023-08-22 | 南斗六星系统集成有限公司 | 电池容量预测方法、装置、设备及存储介质 |
CN117169749A (zh) * | 2022-05-27 | 2023-12-05 | 北京车和家汽车科技有限公司 | 电池容量预测模型的生成方法、预测方法及其装置 |
-
2024
- 2024-02-04 CN CN202410159661.2A patent/CN117706376B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07191709A (ja) * | 1993-12-27 | 1995-07-28 | Toshiba Corp | モデル予測制御のパラメータ設定方法 |
JP2005338358A (ja) * | 2004-05-26 | 2005-12-08 | Nippon Telegr & Teleph Corp <Ntt> | 音響モデル雑音適応化方法およびこの方法を実施する装置 |
CN102399594A (zh) * | 2011-12-30 | 2012-04-04 | 华东理工大学 | 一种在线优化“德士古气化炉”运行工况的方法 |
CN102766728A (zh) * | 2012-06-25 | 2012-11-07 | 攀钢集团研究院有限公司 | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 |
CN103869783A (zh) * | 2014-03-18 | 2014-06-18 | 东北大学 | 一种精矿产量在线预测方法 |
CN106777786A (zh) * | 2017-01-12 | 2017-05-31 | 常州工学院 | 一种锂离子电池soc估算方法 |
CN115191004A (zh) * | 2020-03-02 | 2022-10-14 | 松下电器(美国)知识产权公司 | 信息处理方法、信息处理系统、以及信息处理装置 |
CN113096388A (zh) * | 2021-03-22 | 2021-07-09 | 北京工业大学 | 一种基于梯度提升决策树的短时交通流量预测方法 |
CN113848480A (zh) * | 2021-09-23 | 2021-12-28 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN114489167A (zh) * | 2021-12-17 | 2022-05-13 | 中国船舶重工集团公司第七一九研究所 | 一种基于监督学习的舰船旋转机械设备前馈振动控制系统 |
CN114580712A (zh) * | 2022-02-07 | 2022-06-03 | 东北大学 | 一种冶金副产煤气产耗量的在线预测方法及系统 |
CN115018133A (zh) * | 2022-05-20 | 2022-09-06 | 天永锂电科技(东莞)有限公司 | 一种基于混沌理论和非线性系统的锂电池容量预测方法 |
CN117169749A (zh) * | 2022-05-27 | 2023-12-05 | 北京车和家汽车科技有限公司 | 电池容量预测模型的生成方法、预测方法及其装置 |
CN115221795A (zh) * | 2022-08-03 | 2022-10-21 | 一汽解放汽车有限公司 | 容量预测模型的训练方法、预测方法、装置、设备及介质 |
CN116626502A (zh) * | 2023-05-23 | 2023-08-22 | 南斗六星系统集成有限公司 | 电池容量预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117706376B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
CN108646190B (zh) | 电池剩余充电时间估算方法、装置和设备 | |
CN104956233B (zh) | 电池状态推断装置 | |
CN115291116B (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
CN101206246A (zh) | 预估电池剩余容量的方法 | |
US20150316618A1 (en) | Methods and apparatus for battery power and energy availability prediction | |
CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
CN114243867B (zh) | 电池均衡优化容量估计方法、系统、电子设备及存储介质 | |
CN113589189B (zh) | 基于充放电数据特征的锂电池健康状况预测方法及装置 | |
CN101860623B (zh) | 感知系统情境的智能手机电池使用时间指示方法及系统 | |
CN103135056A (zh) | 电池容量预测装置及其预测方法 | |
US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
CN107340476A (zh) | 电池的电气状态监测系统和电气状态监测方法 | |
EP4235198A1 (en) | Apparatus and method for managing battery | |
CN108021735B (zh) | 电池的模拟方法、上位机、实时仿真机及电池模拟系统 | |
CN117706376B (zh) | 电池容量预测方法、装置、电子设备及存储介质 | |
CN116774084A (zh) | 电池退化的估计方法 | |
CN116643177A (zh) | 一种电池健康度在线预测方法、装置、设备及介质 | |
CN116154892A (zh) | 运行用户接口为设备电池选择充电策略和运行设备电池的方法及用户接口 | |
CN110337594B (zh) | 对运行中的电化学装置的未来功能运行预后的改良性表征 | |
CN118068200B (zh) | 电池电量的确定方法、电子设备和存储介质 | |
CN118011225B (zh) | 可充放电容量的修正方法、装置、存储介质及电子装置 | |
EP4318728A1 (en) | Battery control system and method for guiding soc level | |
CN118381149A (zh) | 一种蓄电池充电策略优化方法、装置、设备及介质 | |
CN113406499A (zh) | 基于优化的tcn的锂电池soc实时估算方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |