CN117761563A - 一种电池的健康状态确定方法、装置、设备和存储介质 - Google Patents
一种电池的健康状态确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117761563A CN117761563A CN202410143178.5A CN202410143178A CN117761563A CN 117761563 A CN117761563 A CN 117761563A CN 202410143178 A CN202410143178 A CN 202410143178A CN 117761563 A CN117761563 A CN 117761563A
- Authority
- CN
- China
- Prior art keywords
- battery
- training
- data
- model
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 273
- 238000009826 distribution Methods 0.000 claims description 87
- 238000003062 neural network model Methods 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000003862 health status Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开一种电池的健康状态确定方法、装置、设备和存储介质,涉及计算机技术领域,该方法包括:获取待测电池的电池数据,电池数据包括多个电池参数;将电池数据输入预先训练好的预测模型中,以使预测模型根据电池数据对待测电池的健康状态进行分析,确定待测电池的健康状态。上述技术方案,在获取到待测电池的电池数据之后,可以将待测电池的电池数据输入预先训练好的预测模型中,预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析,由于预测模型是采用贝叶斯网络训练得到的,预测模型根据待测电池的电池数据对待测电池的健康状态进行分析时,可以更全面地分析待测电池的电池数据,实现确定待测电池准确度更高的健康状态。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种电池的健康状态确定方法、装置、设备和存储介质。
背景技术
电池作为电力存储装置在各领域中广泛使用,例如,用于移动设备、电动车辆、可再生能源系统等。电池的健康状态(State of Health,SOH)估计对确保电池的性能、安全性和寿命至关重要。
近年来,机器学习和深度学习技术的发展为电池健康状态估计提供了新的机会。现有技术中,通常依赖于电池的循环次数、容量衰减率和内阻等参数,结合深度学习技术对电池进行SOH估计。
但是,现有技术对电池进行SOH估计往往受限于模型的精确性和适应性,导致确定的电池的健康状态精确度不高。
发明内容
本发明提供一种电池的健康状态确定方法、装置、设备和存储介质,以实现精确确定电池的健康状态。
第一方面,本发明实施例提供了一种电池的健康状态确定方法,包括:
获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;
将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。
本发明实施例的技术方案,提供一种电池的健康状态确定方法,包括:获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。上述技术方案,在获取到待测电池的电池数据之后,可以将待测电池的电池数据输入预先训练好的预测模型中,预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析,由于预测模型是采用贝叶斯网络训练得到的,预测模型根据待测电池的电池数据对待测电池的健康状态进行分析时,可以更全面地分析待测电池的电池数据,实现确定待测电池准确度更高的健康状态。
进一步地,所述电池参数至少包括电压、电流、温度和循环次数。
进一步地,所述预测模型的训练过程包括:
获取训练电池数据和各所述训练电池数据对应的真实健康状态,其中,所述训练电池数据包括多个训练电池参数;
将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络;
将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练,并基于所述贝叶斯网络更新所述神经网络模型的模型参数,得到所述预测模型。
进一步地,在将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络之后,还包括:
确定各所述训练电池参数的先验分布,为所述预测健康状态定义第一似然函数;
对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第一似然函数和当前训练电池参数,确定所述预测健康状态对应的第一后验分布;
根据所述第一后验分布更新所述贝叶斯网络。
进一步地,在将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络之后,还包括:
为所述预测模型的模型参数定义第二似然函数;
对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第二似然函数、当前训练电池参数和当前健康状态,确定各所述模型参数对应的第二后验分布;
根据所述第二后验分布更新所述贝叶斯网络。
进一步地,将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练,并基于所述贝叶斯网络更新所述神经网络模型的模型参数,得到所述预测模型,包括:
将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练;
根据所述训练数据以及各所述模型参数对应的第二后验分布更新所述神经网络模型的模型参数,得到所述预测模型。
进一步地,在将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型之前,还包括:
确定任一所述训练电池参数不符合所述训练电池参数的先验分布的情况下,基于所述训练电池参数的先验分布调整所述训练电池参数。
第二方面,本发明实施例还提供了一种电池的健康状态确定装置,包括:
获取模块,用于获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;
分析模块,用于将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面中任一所述的电池的健康状态确定方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面中任一所述的电池的健康状态确定方法。
第五方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在计算机上运行时,使得计算机执行如第一方面提供的电池的健康状态确定方法。
需要说明的是,上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中,计算机可读存储介质可以与电池的健康状态确定装置的处理器封装在一起的,也可以与电池的健康状态确定装置的处理器单独封装,本申请对此不做限定。
本申请中第二方面、第三方面、第四方面以及第五方面的描述,可以参考第一方面的详细描述;并且,第二方面、第三方面、第四方面、以及第五方面的描述的有益效果,可以参考第一方面的有益效果分析,此处不再赘述。
在本申请中,上述电池的健康状态确定装置的名字对设备或功能模块本身不构成限定,在实际实现中,这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似,属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电池的健康状态确定方法的流程图;
图2为本发明实施例提供的另一种电池的健康状态确定方法的流程图;
图3为本发明实施例提供的另一种电池的健康状态确定方法中神经网络模型的示意图;
图4为本发明实施例提供的一种电池的健康状态确定装置的结构示意图;
图5为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象,或者用于区别对同一对象的不同处理,而不是用于描述对象的特定顺序。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选的还包括其他没有列出的步骤或单元,或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
图1为本发明实施例提供的一种电池的健康状态确定方法的流程图,本实施例可适用于需要精确确定电池的健康状态的情况,该方法可以由电池的健康状态确定装置来执行,如图1所示,具体包括如下步骤:
步骤110、获取待测电池的电池数据。
其中,所述电池数据包括多个电池参数。
待测电池可以理解为需要进行SOH估计的电池,待测电池的电池数据可以理解为表明待测电池运行状态的数据,电池数据包括多个电池参数,电池参数可以包括电压、电流、温度、循环次数等。
具体地,在待测电池运行过程中,可以获取待测电池的电压、电流、温度、循环次数等电池参数,实现获取待测电池的电池数据。
步骤120、将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。
预测模型是根据包括多个训练电池参数的训练电池数据和各训练电池数据对应的真实健康状态预先训练好的,可以用于根据待测电池的电池数据确定待测电池的SOH。
基于训练电池数据和各训练电池数据对应的真实SOH对神经网络模型进行模型训练的过程中,可以基于贝叶斯网络更新模型参数。
具体地,将待测电池的电池数据输入预先训练好的预测模型中,预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析,得到待测电池的SOH。本申请采用贝叶斯网络训练得到的预测模型根据待测电池的电池数据对待测电池的SOH进行分析,可以更全面地处理电池数据,实现确定待测电池准确度更高的SOH。
本发明实施例中,在获取到待测电池的电池数据之后,可以将待测电池的电池数据输入预先训练好的预测模型中,预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析,实现确定待测电池更加精确的健康状态。
本发明实施例提供的电池的健康状态确定方法,包括:获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。上述技术方案,在获取到待测电池的电池数据之后,可以将待测电池的电池数据输入预先训练好的预测模型中,预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析,由于预测模型是采用贝叶斯网络训练得到的,预测模型根据待测电池的电池数据对待测电池的健康状态进行分析时,可以更全面地分析待测电池的电池数据,实现确定待测电池准确度更高的健康状态。
图2为本发明实施例提供的另一种电池的健康状态确定方法的流程图,本实施例是在上述实施例的基础上进行具体化。如图2所示,在本实施例中,该方法还可以包括:
步骤210、获取训练电池数据和各所述训练电池数据对应的真实健康状态。
其中,所述训练电池数据包括多个训练电池参数,训练电池参数至少包括电压、电流、温度和循环次数。
训练电池数据为训练电池的电池数据,训练电池可以理解为与待测电池同型号的电池。
具体地,基于至少一个训练电池获取训练电池数据以及各训练电池数据对应的真实健康状态,具体可以获取各训练电池的多个训练电池参数,例如,至少获取各训练电池的包电压、电流、温度和循环次数。
在实际应用中,获取到训练电池数据和各训练电池数据对应的真实健康状态之后,还需要对数据进行预处理,例如,可以对数据进行数据清洗、归一化和序列切割,确保数据适合预测模型的输入要求。
步骤220、将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络。
其中,贝叶斯网络可以为变参数贝叶斯网络(VP-BN),贝叶斯网络由多个节点以及各节点之间的因果连接关系构成。
具体地,电池的电池数据决定电池的健康状态,贝叶斯网络的参数决定预测模型的参数,贝叶斯网络的参数由电池的电池数据以及电池的健康状态决定,因此,可以将训练电池数据所包含的各训练电池参数作为节点,训练电池数据对应的预测健康状态、预测模型的模型参数作为目标节点,构建贝叶斯网络。
当然,预测模型的模型参数为目标节点时,训练电池数据对应的预测健康状态同样可以作为节点对预测模型的模型参数进行更新。
本发明实施例中,通过将各训练电池参数作为节点,训练电池数据对应的预测健康状态和预测模型的模型参数作为目标节点,实现构建贝叶斯网络。
步骤230、确定各所述训练电池参数的先验分布,为所述预测健康状态定义第一似然函数;对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第一似然函数和当前训练电池参数,确定所述预测健康状态对应的第一后验分布;根据所述第一后验分布更新所述贝叶斯网络。
具体地,首先可以基于公式确定各训练电池参数的先验分布,其次可以为健康状态定义第一似然函数/>以表示在给定电池参数的情况下,健康状态为SOH的概率。其中,θi表示训练电池参数,μi表示训练电池参数的均值,/>表示训练电池参数的方差,μSOH表示与电池参数相关的健康状态的均值,/>表示与电池参数相关的健康状态的方差。
进而,对于当前训练电池参数,可以结合各训练电池参数的先验分布、第一似然函数和当前训练电池参数,确定预测健康状态对应的第一后验分布,具体而言,对于各训练电池参数,可以利用贝叶斯定理,将各训练电池参数的先验分布、健康状态对应的第一似然函数和当前训练电池参数结合,得到预测健康状态对应的第一后验分布P(θi|SOH,当前训练电池参数)∝P(SOH|θ1,θ2,...,θn)·P(θi),其中,P(θi|SOH,当前训练电池参数)表示电池参数给定的情况下,健康状态为SOH的概率分布。
还可以从第一后验分布中提取参数信息,更新贝叶斯网络中健康状态对应的目标节点,具体可以通过计算第一后验分布的期望值、中位数等更新健康状态对应的目标节点的参数。
当然,基于当前训练电池参数更新贝叶斯网络之后,可以将第一后验分布作为新的先验分布,继续基于其他训练电池参数重复上述步骤,实现对贝叶斯网络中健康状态对应的目标节点的迭代参数更新。
贝叶斯网络的输入为当前训练电池数据所包含的当前训练电池参数以及当前电池数据对应的真实健康状态,输出为对健康状态的后验概率分布。对预测健康状态的后验概率分布反映了在待测电池的电池数据为当前训练电池数据的情况下,对电池健康状态的概率分布。具体而言,是给定当前训练电池数据情况下,待测电池处于不同健康状态的概率,表示待测电池处于不同健康状态的可能性。
在每次迭代中,对于每个电池参数节点,根据当前训练电池数据所包含的当前训练电池参数以及当前电池数据对应的真实健康状态计算得到其后验分布参数。这个过程可以对电池参数的具体值进行更新,以更好地反映当前训练电池数据所包含的当前训练电池参数以及当前电池数据对应的真实健康状态。
通过不断进行上述过程,贝叶斯网络中的参数不断地被各训练电池数据所包含的训练电池参数以及各训练电池数据对应的真实健康状态更新,使贝叶斯网络更好地适应实际数据分布。
本发明实施例中,基于各训练电池参数实现对贝叶斯网络中健康状态对应的目标节点的参数更新。
步骤240、为所述预测模型的模型参数定义第二似然函数;对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第二似然函数、当前训练电池参数和当前健康状态,确定各所述模型参数对应的第二后验分布;根据所述第二后验分布更新所述贝叶斯网络。
具体地,基于公式确定各训练电池参数的先验分布之后,可以为预测模型的模型参数定义第二似然函数/>以表示在给定电池参数的情况下,模型参数为/>的概率。其中,/>表示预测模型的模型参数,由于预测模型包括多个模型参数,因此,/>表示预测模型的模型参数集合,/>表示与电池参数相关的模型参数的均值,/>表示与电池参数相关的模型参数的方差。
进而,对于当前训练电池参数,可以结合各训练电池参数的先验分布、第二似然函数和当前训练电池参数,确定预测模型的模型参数对应的第二后验分布,具体而言,对于各训练电池参数,可以利用贝叶斯定理,将各训练电池参数的先验分布、预测模型的模型参数对应的第二似然函数和当前训练电池参数结合,得到预测模型的模型参数对应的第二后验分布当前训练电池参数)/>其中,/>当前训练电池参数)表示电池参数给定的情况下,模型参数为/>的概率分布。
还可以从第二后验分布中提取参数信息,更新贝叶斯网络中预测模型的模型参数对应的目标节点,具体可以通过计算第二后验分布的期望值、中位数等更新预测模型的模型参数对应的目标节点的参数。
当然,基于当前训练电池参数更新贝叶斯网络之后,可以将第二后验分布作为新的先验分布,继续基于其他训练电池参数重复上述步骤,实现对贝叶斯网络中预测模型的模型参数对应的目标节点的迭代参数更新。
本发明实施例中,基于各训练电池参数实现对贝叶斯网络中预测模型的模型参数对应的目标节点的参数更新。
需要说明的是,更新贝叶斯网络之后,可以对调整后的贝叶斯网络进行验证和测试,具体可以选择适当的性能指标,如均方根误差(RMSE)、平均绝对误差(MAE)等,以量化贝叶斯网络的预测与实际观测之间的差异。
步骤250、确定任一所述训练电池参数不符合所述训练电池参数的先验分布的情况下,基于所述训练电池参数的先验分布调整所述训练电池参数。
具体地,确定各训练电池参数的先验分布之后,如果任一训练电池数据中的任一训练电池参数不符合训练电池参数的先验分布,可以基于训练电池参数的先验分布调整该训练电池参数,实现对训练电池参数的调整,减少训练电池数据的数据偏移,可以为预测模型的训练提供质量较好的训练数据,提高模型的精确度。
本发明实施例中,可以根据训练电池参数的先验分布确定各训练电池数据中各训练电池参数是否偏移,并对发生数据偏移的训练电池数据进行及时的调整,实现为预测模型的训练提供质量较好的训练数据。
步骤260、将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练,并基于所述贝叶斯网络更新所述神经网络模型的模型参数,得到所述预测模型。
一种实施方式中,步骤260具体可以包括:
将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练;根据所述训练数据以及各所述模型参数对应的第二后验分布更新所述神经网络模型的模型参数,得到所述预测模型。
神经网络模型可以为递归神经网络RNN,例如,可以选择长短期记忆网络LSTM作为RNN的基本单元,LSTM具有记忆单元和门控机制,能够更好地捕捉电池健康状态的时间依赖关系。神经网络模型用于处理电池健康状态的时序性,神经网络模型可以接受训练电池数据和各训练电池数据对应的真实健康状态作为输入,学习电池的健康状态的演化趋势。
图3为本发明实施例提供的另一种电池的健康状态确定方法中神经网络模型的示意图,如图3所示,为神经网络模型设定初始化网络参数、迭代次数和其他的超参数之后,确定神经网络模型的计算方法如下:
Ot=g(V·St)
St=f(U·Xt+W·St-1)
其中,X表示输入层的值,S表示隐藏层的值,O表示输出层的值,U表示输入层到隐藏层的权重矩阵,V表示隐藏层到输出层的权重矩阵,W表示隐藏层上一次的值作为这一次的输入的权重。
具体地,将各训练电池数据和各训练电池数据对应的真实健康状态作为训练数据输入神经网络模型,对神经网络模型进行训练,在对神经网络模型进行训练的过程中,可以根据训练数据以及各模型参数对应的第二后验分布更新神经网络模型的模型参数,得到预测模型。
在实际应用中,可以通过梯度下降等优化算法,更新神经网络模型的模型参数,使得得到的预测模型能够准确地预测待测电池的健康状态。
训练神经网络模型得到预测模型之后,可以使用测试集的数据来评估预测模型的预测能力。可以将测试集所包含的测试电池数据输入到预测模型中,预测模型可以确定预测电池数据对应的预测健康状态。通过确定测试电池数据对应的真实健康状态和预测健康状态的差值,可以实现对预测模型准确性和稳定性的评估。
当然,还可以使用预留的测试集,验证预测模型的性能,确保模型对未见数据的泛化性能良好。具体而言,可以将预测模型与BN模型、RNN模型进行比较,使用预设性能指标来评估每个模型的表现,例如,可以使用均方误差、均方根误差、平均绝对误差等,验证预测模型对于电池健康状态确定的精确性。
本发明实施例中,通过各训练电池数据和各训练电池数据对应的真实健康状态以及贝叶斯网络实现对神经网络模型的模型训练,得到可以用于根据电池的电池数据确定电池的健康状态的预测模型。
步骤270、获取待测电池的电池数据。
其中,所述电池数据包括多个电池参数,所述电池参数至少包括电压、电流、温度和循环次数。
步骤280、将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。
如前所述,将获取到的待测电池的电池数据输入预先训练好的预测模型中,预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析,得到待测电池的SOH。采用贝叶斯网络训练得到预测模型根据待测电池的电池数据对待测电池的SOH进行分析,可以更全面地处理电池数据,实现确定待测电池准确度更高的SOH。
本发明实施例中,在获取到待测电池的电池数据之后,可以将待测电池的电池数据输入预先训练好的预测模型中,预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析,实现确定待测电池更加精确的健康状态。
本发明实施例提供的电池的健康状态确定方法,包括:获取训练电池数据和各所述训练电池数据对应的真实健康状态;将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络;确定各所述训练电池参数的先验分布,为所述预测健康状态定义第一似然函数;对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第一似然函数和当前训练电池参数,确定所述预测健康状态对应的第一后验分布;根据所述第一后验分布更新所述贝叶斯网络;为所述预测模型的模型参数定义第二似然函数;对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第二似然函数、当前训练电池参数和当前健康状态,确定各所述模型参数对应的第二后验分布;根据所述第二后验分布更新所述贝叶斯网络;确定任一所述训练电池参数不符合所述训练电池参数的先验分布的情况下,基于所述训练电池参数的先验分布调整所述训练电池参数;将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练,并基于所述贝叶斯网络更新所述神经网络模型的模型参数,得到所述预测模型;获取待测电池的电池数据;将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。上述技术方案,首先可以获取训练电池数据和各训练电池数据对应的真实健康状态,将各训练电池参数作为节点、训练电池数据对应的预测健康状态和预测模型的模型参数作为目标节点构建贝叶斯网络之后,可以确定各训练电池参数的先验分布,为预测健康状态定义第一似然函数;对于各训练电池参数,结合各训练电池参数的先验分布、第一似然函数和当前训练电池参数,确定预测健康状态对应的第一后验分布;根据第一后验分布更新贝叶斯网络,实现对贝叶斯网络中健康状态对应的目标节点的参数更新,还可以为预测模型的模型参数定义第二似然函数;对于各训练电池参数,结合各训练电池参数的先验分布、第二似然函数、当前训练电池参数和当前健康状态,确定各模型参数对应的第二后验分布;根据第二后验分布更新贝叶斯网络,实现对贝叶斯网络中预测模型的模型参数对应的目标节点的参数更新,还可以根据训练电池参数的先验分布确定各训练电池数据中各训练电池参数是否偏移,并对发生数据偏移的训练电池数据进行及时的调整,实现为预测模型的训练提供质量较好的训练数据,进而通过各训练电池数据和各训练电池数据对应的真实健康状态以及贝叶斯网络对神经网络模型进行模型训练,得到可以用于根据电池的电池数据确定电池的健康状态的预测模型,在获取到待测电池的电池数据之后,可以将待测电池的电池数据输入预先训练好的预测模型中,预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析,实现确定待测电池更加精确的健康状态。
图4为本发明实施例提供的一种电池的健康状态确定装置的结构示意图,该装置可以适用于需要精确确定电池的健康状态的情况。该装置可以通过软件和/或硬件实现,并一般集成在计算机设备中。
如图4所示,该装置包括:
获取模块410,用于获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;
分析模块420,用于将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。
本实施例提供的电池的健康状态确定装置,获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。上述技术方案,在获取到待测电池的电池数据之后,可以将待测电池的电池数据输入预先训练好的预测模型中,预测模型可以根据待测电池的电池数据对待测电池的健康状态进行分析,由于预测模型是采用贝叶斯网络训练得到的,预测模型根据待测电池的电池数据对待测电池的健康状态进行分析时,可以更全面地分析待测电池的电池数据,实现确定待测电池准确度更高的健康状态。
一种实施方式中,所述电池参数至少包括电压、电流、温度和循环次数。
在上述实施例的基础上,该装置还包括:
训练模块,用于获取训练电池数据和各所述训练电池数据对应的真实健康状态,其中,所述训练电池数据包括多个训练电池参数;将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络;将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练,并基于所述贝叶斯网络更新所述神经网络模型的模型参数,得到所述预测模型。
在上述实施例的基础上,训练模块,还用于:
在将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络之后,确定各所述训练电池参数的先验分布,为所述预测健康状态定义第一似然函数;对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第一似然函数和当前训练电池参数,确定所述预测健康状态对应的第一后验分布;根据所述第一后验分布更新所述贝叶斯网络。
在上述实施例的基础上,训练模块,还用于:
在将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络之后,为所述预测模型的模型参数定义第二似然函数;对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第二似然函数、当前训练电池参数和当前健康状态,确定各所述模型参数对应的第二后验分布;根据所述第二后验分布更新所述贝叶斯网络。
一种实施方式中,将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练,并基于所述贝叶斯网络更新所述神经网络模型的模型参数,得到所述预测模型,包括:
将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练;根据所述训练数据以及各所述模型参数对应的第二后验分布更新所述神经网络模型的模型参数,得到所述预测模型。
在上述实施例的基础上,该装置还包括:
调整模块,用于在确定任一所述训练电池参数不符合所述训练电池参数的先验分布的情况下,基于所述训练电池参数的先验分布调整所述训练电池参数。
本发明实施例所提供的电池的健康状态确定装置可执行本发明任意实施例所提供的电池的健康状态确定方法,具备执行电池的健康状态确定方法相应的功能模块和有益效果。
值得注意的是,上述电池的健康状态确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
图5为本发明实施例提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备5的框图。图5显示的计算机设备5仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备5以通用计算电子设备的形式表现。计算机设备5的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备5典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备5访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备5可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备5也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备5交互的设备通信,和/或与使得该计算机设备5能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备5还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器20通过总线18与计算机设备5的其它模块通信。应当明白,尽管图5中未示出,可以结合计算机设备5使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及页面显示,例如实现本发明实施例所提供的电池的健康状态确定方法,该方法包括:
获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;
将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的电池的健康状态确定方法的技术方案。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现例如本发明实施例所提供的电池的健康状态确定方法,该方法包括:
获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;
将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
另外,本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种电池的健康状态确定方法,其特征在于,包括:
获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;
将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。
2.根据权利要求1所述的电池的健康状态确定方法,其特征在于,所述电池参数至少包括电压、电流、温度和循环次数。
3.根据权利要求1所述的电池的健康状态确定方法,其特征在于,所述预测模型的训练过程包括:
获取训练电池数据和各所述训练电池数据对应的真实健康状态,其中,所述训练电池数据包括多个训练电池参数;
将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络;
将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练,并基于所述贝叶斯网络更新所述神经网络模型的模型参数,得到所述预测模型。
4.根据权利要求3所述的电池的健康状态确定方法,其特征在于,在将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络之后,还包括:
确定各所述训练电池参数的先验分布,为所述预测健康状态定义第一似然函数;
对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第一似然函数和当前训练电池参数,确定所述预测健康状态对应的第一后验分布;
根据所述第一后验分布更新所述贝叶斯网络。
5.根据权利要求4所述的电池的健康状态确定方法,其特征在于,在将各所述训练电池参数作为节点,所述训练电池数据对应的预测健康状态和所述预测模型的模型参数作为目标节点,构建贝叶斯网络之后,还包括:
为所述预测模型的模型参数定义第二似然函数;
对于各所述训练电池参数,结合各所述训练电池参数的先验分布、所述第二似然函数、当前训练电池参数和当前健康状态,确定各所述模型参数对应的第二后验分布;
根据所述第二后验分布更新所述贝叶斯网络。
6.根据权利要求5所述的电池的健康状态确定方法,其特征在于,将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练,并基于所述贝叶斯网络更新所述神经网络模型的模型参数,得到所述预测模型,包括:
将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型,对所述神经网络模型进行训练;
根据所述训练数据以及各所述模型参数对应的第二后验分布更新所述神经网络模型的模型参数,得到所述预测模型。
7.根据权利要求4所述的电池的健康状态确定方法,其特征在于,在将各所述训练电池数据和各所述训练电池数据对应的所述真实健康状态作为训练数据输入神经网络模型之前,还包括:
确定任一所述训练电池参数不符合所述训练电池参数的先验分布的情况下,基于所述训练电池参数的先验分布调整所述训练电池参数。
8.一种电池的健康状态确定装置,其特征在于,包括:
获取模块,用于获取待测电池的电池数据,其中,所述电池数据包括多个电池参数;
分析模块,用于将所述电池数据输入预先训练好的预测模型中,以使所述预测模型根据所述电池数据对所述待测电池的健康状态进行分析,确定所述待测电池的健康状态。
9.一种计算机设备,其特征在于,所述计算机设备包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7中任一所述的电池的健康状态确定方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的电池的健康状态确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410143178.5A CN117761563A (zh) | 2024-01-31 | 2024-01-31 | 一种电池的健康状态确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410143178.5A CN117761563A (zh) | 2024-01-31 | 2024-01-31 | 一种电池的健康状态确定方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117761563A true CN117761563A (zh) | 2024-03-26 |
Family
ID=90321905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410143178.5A Pending CN117761563A (zh) | 2024-01-31 | 2024-01-31 | 一种电池的健康状态确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117761563A (zh) |
-
2024
- 2024-01-31 CN CN202410143178.5A patent/CN117761563A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110968985B (zh) | 集成电路修补算法确定方法及装置、存储介质、电子设备 | |
CN109196366B (zh) | 使用高斯过程回归估计电池充电状态的方法和系统 | |
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN109376267B (zh) | 用于生成模型的方法和装置 | |
CN111145076B (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
US20190286776A1 (en) | System design using accurate performance models | |
CN113884961A (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
CN113723618B (zh) | 一种shap的优化方法、设备及介质 | |
CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
CN113487019A (zh) | 电路故障诊断方法、装置、计算机设备和存储介质 | |
US10248462B2 (en) | Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program | |
CN117151329A (zh) | 一种考虑碳排放强度预测方法、装置、设备及存储介质 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN111161238A (zh) | 图像质量评价方法及装置、电子设备、存储介质 | |
CN111161884A (zh) | 针对不平衡数据的疾病预测方法、装置、设备及介质 | |
CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
CN113902260A (zh) | 信息预测方法、装置、电子设备和介质 | |
CN114792097B (zh) | 预训练模型提示向量的确定方法、装置及电子设备 | |
CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
CN117761563A (zh) | 一种电池的健康状态确定方法、装置、设备和存储介质 | |
EP4012667A2 (en) | Data preparation for artificial intelligence models | |
KR20190109194A (ko) | 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법 | |
CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
CN114355222A (zh) | 基于电压曲线的电池健康状态估计方法、装置及可读介质 | |
CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 |
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 |