CN117808116A - 电池状态预测模型训练方法、电池状态预测方法及装置 - Google Patents
电池状态预测模型训练方法、电池状态预测方法及装置 Download PDFInfo
- Publication number
- CN117808116A CN117808116A CN202311550329.0A CN202311550329A CN117808116A CN 117808116 A CN117808116 A CN 117808116A CN 202311550329 A CN202311550329 A CN 202311550329A CN 117808116 A CN117808116 A CN 117808116A
- Authority
- CN
- China
- Prior art keywords
- battery
- performance parameter
- state
- samples
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012549 training Methods 0.000 title claims abstract description 50
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 117
- 230000002159 abnormal effect Effects 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 abstract description 24
- 238000003062 neural network model Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 22
- 230000004913 activation Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 238000002372 labelling Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007599 discharging Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000178 monomer Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请提供了一种电池状态预测模型训练方法、电池状态预测方法及装置,方法包括:获取电池样本的多组性能参数样本;对多组性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,每个聚类簇具有对应的状态参数;针对每个聚类簇,将聚类簇对应的状态参数,确定为聚类簇包括的性能参数样本的标签;根据性能参数样本,以及性能参数样本对应的标签训练机器学习模型,得到电池状态预测模型,电池状态预测模型,用于根据待预测电池的性能参数,预测得到待预测电池的状态参数。方法提高了获取电池状态预测模型的处理效率。
Description
技术领域
本申请属于电池技术领域,具体涉及一种电池状态预测模型训练方法、电池状态预测方法及装置。
背景技术
在使用电池为电子设备充电的过程中,需要对电池的状态进行预测,以避免电池处于异常状态下对电子设备充电所造成的安全问题。
在相关技术中,获取电池的电流等样本数据,通过人工标注的方式确定样本数据的标签,使用样本数据和标签获取电池状态预测模型。
根据相关技术中的方法,在样本数据的数据量比较大的情况下,人工标注会造成成本高和效率低的问题。
发明内容
本申请旨在提供一种电池状态预测模型训练方法、电池状态预测方法及装置,至少解决相关技术中获取预测模型的效率低且成本高的问题。
第一方面,本申请实施例公开了一种电池状态预测模型训练方法,所述方法包括:
获取电池样本的多组性能参数样本;
对多组所述性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,每个聚类簇具有对应的状态参数;
针对每个聚类簇,将聚类簇对应的状态参数,确定为所述聚类簇包括的性能参数样本的标签;
根据所述性能参数样本,以及性能参数样本对应的标签训练机器学习模型,得到电池状态预测模型,所述电池状态预测模型,用于根据待预测电池的性能参数,预测得到所述待预测电池的状态参数。
第二方面,本申请实施例公开了一种电池状态预测方法,包括:
获取待预测电池的性能参数;
将所述待预测电池的性能参数输入电池状态预测模型,得到待预测电池的状态参数;
其中,电池状态预测模型是根据所述性能参数样本,以及性能参数样本对应的标签训练机器学习模型得到的,所述性能参数样本对应的标签是对电池样本的多组性能参数样本进行聚类操作所得到多个聚类簇中,与性能参数所属的聚类簇对应的状态参数。
第三方面,本申请实施例公开了一种电池状态预测模型训练装置,包括:
第一获取模块,用于获取电池样本的多组性能参数样本;
第二获取模块,用于对多组所述性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,每个聚类簇具有对应的状态参数;
第一确定模块,用于针对每个聚类簇,将聚类簇对应的状态参数,确定为所述聚类簇包括的性能参数样本的标签;
第三获取模块,用于根据所述性能参数样本,以及性能参数样本对应的标签训练机器学习模型,得到电池状态预测模型,所述电池状态预测模型,用于根据待预测电池的性能参数,预测得到待预测电池的状态参数。
第四方面,本申请实施例提供了一种电池状态预测装置,包括:
第四获取模块,用于获取待预测电池的性能参数;
第五获取模块,用于将所述待预测电池的性能参数输入电池状态预测模型,得到待预测电池的状态参数;
其中,电池状态预测模型是根据电池样本的多组性能参数样本,以及性能参数样本对应的标签训练机器学习模型得到的,所述性能参数样本对应的标签是对电池样本的多组性能参数样本进行聚类操作所得到多个聚类簇中,与性能参数样本所属的聚类簇对应的状态参数。
第五方面,本申请实施例还公开了一种电子设备,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第六方面,本申请实施例还公开了一种可读存储介质,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如第一方面或第二方面所述的方法的步骤。
综上,在本实施例中,在获取电池样本的多组性能参数样本后,对多组性能参数样本进行聚类操作,得到多个聚类簇,将聚类簇对应的状态参数,确定为聚类簇包括的性能参数样本的标签,由此,可以实现快速为性能参数确定标签。相对于相关技术中人工确定标签的方法,本实施例节省了人力成本,并提高了确定标签的效率。使用确定标签的性能参数样本训练机器学习模型,可以得到能够准确预测电池的状态参数的电池状态预测模型,基于由此获取的电池状态预测模型,可以准确预测待预测电池的状态参数。解决了相关技术中,在样本数据的数据量比较大的情况下,人工标注会造成成本高和效率低的问题。
附图说明
在附图中:
图1是本申请实施例提供的一种电池状态预测模型训练方法的步骤流程图;
图2是本申请实施例提供的另一种电池状态预测模型训练方法的步骤流程图;
图3是本申请实施例提供的一种电池状态预测方法的步骤流程图;
图4是本申请实施例提供的一种电池状态预测模型训练和预测方法的步骤流程图;
图5是相关技术中LSTM神经网络模型的结构示意图;
图6是本申请实施例提供的一种改进的LSTM神经网络模型的结构示意图;
图7是本申请实施例提供的一种自注意力机制模块的结构示意图;
图8是本申请实施例提供的一种电池状态预测模型训练装置的结构示意图;
图9是本申请实施例提供的一种电池状态预测装置的结构示意图;
图10是本申请实施例提供的一个实施例的电子设备的框图;
图11是本申请实施例提供的另一个实施例的电子设备的框图。
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。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。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不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,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
图1是本实施例提供的一种电池状态预测模型训练方法的步骤流程图,参照图1,方法可以包括如下步骤:
步骤101,获取电池样本的多组性能参数样本。
具体的,电池样本可以是用于为手机、平板电脑、相机、LED灯、风扇等电子设备充电的移动电源,还可以是为车辆提供动力的车辆电池。进一步的,电池样本可以是16串48V的磷酸铁锂电池组成的电池模组,也可以是其他类型的电池。
具体的,性能参数样本包括电池样本在使用过程中的性能参数。
示例地,性能参数样本包括电池样本在充电过程中的电流值、电压值和温度值,以及在放电过程中的电流值、电压值和温度值。
步骤102,对多组性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,每个聚类簇具有对应的状态参数。
示例地,获取性能参数样本的特征向量,根据性能参数样本的特征向量,使用K-means算法对性能参数样本进行聚类,得到多个聚类簇。
示例地,针对每两组性能参数样本,计算性能参数样本的特征向量之间的相似度,根据相似度将性能参数样本划分为多个聚类簇。对性能参数样本执行多次聚类操作,直至最新得到的聚类簇的个数等于预设个数,则停止聚类,并将最新得到的聚类簇作为最终得到的聚类簇。其中,预设个数等于状态参数的个数。
进一步的,每个聚类簇中包括多个性能参数样本,同一个聚类簇所包括的性能参数样本对应于同一个状态参数。
示例地,采集电池在使用过程中多个时刻点的性能参数,性能参数包括电流值、电压值和温度值,将每个时刻点的性能参数,作为一组性能参数样本,将每个时刻点的电流值、电压值和温度值的向量表示,作为性能参数样本的特征向量。
示例地,采集电池在使用过程中多个时刻点的电流值、电压值和温度值,按照时间间隔进行划分,得到多组针对不同时间段的性能参数。将每个时间段的性能参数,作为一组性能参数样本,针对每组性能参数样本,获取电流值、电压值和温度值在时间段内多个时刻点分布的向量表示,由此获取三维特征向量,这这个三维特征向量作为性能参数样本的特征向量。
示例地,使用K-means算法对性能参数样本聚类时,计算性能参数样本的特征向量,与作为簇心的性能参数样本的特征向量之间的欧式距离,将欧式距离最近的性能参数样本,划分至和该簇心对应的性能参数样本所在的聚类簇,以实现根据欧式距离,将多个性能参数样本划分为多个聚类簇。
具体的,状态参数,用于表示电池在使用过程中,是否处于正常状态。比如,状态参数包括:电池处于正常工作状态,或者电池处于异常工作状态。
在使用电池为电子设备供电的过程中,如果电池为电子设备提供的电流或电压过大,或者电池的温度过高,则确定电池处于异常工作状态。比如,若电池的电流值大于20A,确定电池处于过充电的异常工作状态,若电流的电流值大于40A,确定电池处于过放电的异常工作状态。比如,电池是多个电池单体组成的电子模组,若电池单体的电压值大于3.8V,则确定电池处于超压的异常工作状态,若电池单体的电压小于2.8V,则确定电池处于欠压的异常工作状态。比如,若电池温度值大于60℃,则确定电池处于温度过高的异常工作状态。
电池电流过大,会出现过热或短路,导致电池损坏甚至产生爆炸时间。电池为电子设备供电时,如果电压过大,可能会导致电池内部化学反应异常,影响电池使用寿命。电池温度过高会加速电池老化,或者导致电池内部化学反应异常,影响电池使用寿命。
示例地,如果电池持续输出的最大电流值和电压值满足额定电流和额定电压要求,且电池的温度值满足预设温度,则确定电池处于正常工作状态。
步骤103,针对每个聚类簇,将聚类簇对应的状态参数,确定为聚类簇包括的性能参数样本的标签。
示例地,在进行聚类操作,得到的聚类簇的个数等于预设个数时,停止聚类。针对每个聚类簇,获取聚类簇中所有状态参数的特征向量的平均值。根据该平均值,以及电池的状态参数与电池的性能参数的特征向量之间的对应关系,确定出与该平均值对应的目标状态参数,该目标状态参数,即为与平均值对应的聚类簇的状态参数。
示例地,聚类簇包括多个性能参数,将该聚类簇对应的状态参数,确定为聚类簇包括的每个性能参数的标签。
步骤104,根据性能参数样本,以及性能参数样本对应的标签训练机器学习模型,得到电池状态预测模型,电池状态预测模型,用于根据待处理性能参数,预测得到状态参数。
具体的,机器学习模型是有监督的神经网络模型。
示例地,将性能参数样本输入机器学习模型,机器学习模型根据预测得到的状态参数,以及作为性能参数样本标签的状态参数,结合机器学习模型的损失函数,计算得到损失函数值,根据损失函数值优化机器学习模型的模型参数,得到训练好的机器学习模型,并将训练好的机器学习模型,作为用于预测电池的状态参数的电池状态预测模型。
具体的,待预测电池是和电池样本类型相同的电池。
示例地,获取待预测电池的性能参数,将待预测电池的性能参数输入电池状态预测模型,获取电池状态预测模型的输出结果,将该输出结果,确定为预测的待预测电池的状态参数。
综上,在本实施例中,在获取电池样本的多组性能参数样本后,对多组性能参数样本进行聚类操作,得到多个聚类簇,将聚类簇对应的状态参数,确定为聚类簇包括的性能参数样本的标签,由此,可以实现快速为性能参数确定标签。相对于相关技术中人工确定标签的方法,本实施例节省了人力成本,并提高了确定标签的效率。使用确定标签的性能参数样本训练机器学习模型,可以得到能够准确预测电池的状态参数的电池状态预测模型,基于由此获取的电池状态预测模型,可以准确预测待预测电池的状态参数。解决了相关技术中,在样本数据的数据量比较大的情况下,人工标注会造成成本高和效率低的问题。
图2是本申请实施例提供的另一种电池状态预测模型训练方法的步骤流程图,参照图2,方法可以包括如下步骤:
步骤201,获取电池样本的多组性能参数样本。
本步骤的方法,在前述步骤101中已作说明,此处不再赘述。
步骤202,获取每组性能参数样本的特征向量。
示例地,每组性能参数样本包括:在电池样本工作过程中采集的,和预设时刻点对应的电流值、电压值和温度值。针对每组性能参数样本,拼接电流值、电压值和温度值的特征向量,得到性能参数样本的特征向量。
示例地,每组性能参数样本包括:在电池样本工作过程中采集的,和预设时间段中多个预设时刻点对应的电流值、电压值和温度值。针对每组性能参数样本,分别获取电流值、电压值和温度值在多个预设时刻点的向量序列,由此得到三维的特征向量,将该三维的特征向量,作为性能参数样本的特征向量。
步骤203,根据特征向量,对多组性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇。
示例地,根据性能参数样本的特征向量,通过K-means聚类算法对多个性能参数样本进行聚类,得到多个聚类簇。其中,每个聚类簇包括至少一个性能参数样本。
步骤204,针对每个聚类簇,将聚类簇对应的状态参数,确定为聚类簇包括的性能参数样本的标签;
本步骤的方法,在前述步骤103中已做说明,此处不再赘述。
步骤205,根据性能参数样本,以及性能参数样本对应的标签训练机器学习模型,得到电池状态预测模型,电池状态预测模型,用于根据待预测电池的性能参数,预测得到待预测电池的状态参数。
本步骤的方法,在前述步骤104中已做说明,此处不再赘述。
综上,获取电池样本的每组性能参数样本的特征向量,根据特征向量,可以准确的对多组性能参数样本进行聚类,得到多个包括性能参数样本的聚类簇。将聚类簇对应的状态参数,确定为聚类簇包括的性能参数样本的标签,由此,可以实现快速为性能参数确定标签。相对于相关技术中人工确定标签的方法,本实施例节省了人力成本,并提高了确定标签的效率。使用确定标签的性能参数样本训练机器学习模型,可以得到能够准确预测电池的状态参数的电池状态预测模型,基于由此获取的电池状态预测模型,可以准确预测待预测电池的状态参数。解决了相关技术中,在样本数据的数据量比较大的情况下,人工标注会造成成本高和效率低的问题。
在一个实施例中,步骤203可以包括如下子步骤:
子步骤2031,针对每个聚类簇,获取聚类簇的所有性能参数样本的特征向量中,作为簇心的性能参数样本的第一目标特征向量。
示例地,根据K-means聚类算法,以及每个性能参数样本的特征向量,对多个性能参数样本进行聚类,得到多个聚类簇,其中每个聚类簇包括多个性能参数样本,簇心为聚类簇包括的多个性能参数样本中的一个,作为簇心的性能参数样本具有对应的特征向量,该特征向量即为本步骤中的第一目标状态参数。
子步骤2032,根据电池的状态参数与电池的性能参数的特征向量之间的对应关系,确定出与第一目标特征向量对应的第一目标状态参数。
示例地,采集电池样本处于不同工作状态下的性能参数,用状态参数表示工作状态,根据与工作状态对应的状态参数,以及对应的性能参数的特征向量,构建电池的状态参数和电池的性能参数的特征向量之间的对应关系。
具体的,比对第一目标特征向量和对应关系中的特征向量,确定出与第一目标特征向量相匹配的特征向量,并将与第一目标特征向量相匹配的特征向量对应的状态参数,作为与第一目标特征向量对应的第一目标状态参数。
示例地,比对第一目标特征向量和对应关系中的特征向量,分别计算第一目标特征向量和对应关系中每个特征向量之间的欧氏距离,确定最小欧式距离对应的特征向量,为与第一目标特征向量相匹配的特征向量。
示例地,比对第一目标特征向量和对应关系中的特征向量,分别计算第一目标特征向量和对应关系中每个特征向量之间的相似度,确定最小相似度对应的特征向量,为与第一目标特征向量相匹配的特征向量。
子步骤2033,将第一目标状态参数,确定为与第一目标特征向量对应的聚类簇的状态参数。
具体的,与第一目标特征向量对应的聚类簇,是第一目标特征向量对应的性能参数样本所在的聚类簇。
在本实施例中,获取聚类簇的所有性能参数样本的特征向量中,作为簇心的性能参数样本的第一目标特征向量,根据电池的状态参数与电池的性能参数的特征向量之间的对应关系,可以快速确定出与第一目标特征向量对应的第一目标状态参数,将第一目标状态参数,确定为与第一目标特征向量对应的聚类簇的状态参数,由此,可以快速得到聚类簇的状态参数。
在一个实施例中,步骤203可以包括如下子步骤:
子步骤2034,针对每个聚类簇,获取聚类簇包括的所有性能参数样本的特征向量的平均值。
具体的,对聚类簇包括的所有性能参数的特征向量求平均,得到聚类簇包括的所有性能参数样本的特征向量的平均值。
子步骤2035,根据电池的状态参数与电池的性能参数的特征向量之间的对应关系,确定出与特征向量的平均值对应的第二目标状态参数。
具体的,比对特征向量的平均值和对应关系中的特征向量,确定出与平均值相匹配的特征向量,并将与平均值相匹配的特征向量对应的状态参数,作为与目标特征向量对应的第二目标状态参数。
子步骤2036,将第二目标状态参数,确定为与第二目标特征向量对应的聚类簇的状态参数。
具体的,与第二目标特征向量对应的聚类簇,是第二目标特征向量对应的性能参数样本所在的聚类簇。
在本实施例中,根据聚类簇包括的所有性能参数样本的特征向量的平均值,以及电池的状态参数与电池的性能参数的特征向量之间的对应关系,可以快速确定出与特征向量的平均值对应的第二目标状态参数,将第二目标状态参数,确定为与第二目标特征向量对应的聚类簇的状态参数,由此,可以快速得到聚类簇的状态参数。
在一个实施例中,状态参数包括:电池样本处于正常工作状态,或者,电池样本处于异常工作状态。
示例地,在电池样本的电流值过大、电压值过大、电压值过小,或者温度值过大的情况下,确定电池样本处于异常工作状态。
示例地,在电池样本的电流值、电压值和温度值均落入对应的预设范围内,确定电池样本处于正常工作状态。
对应的,步骤203还可以包括如下子步骤:
子步骤2037,获取电池样本处于正常工作状态下的多组性能参数,以及电池样本处于异常工作状态下的多组性能参数。
示例地,每组性能参数包括:电池的电流值、电压值和温度值。
子步骤2038,根据电池样本处于正常工作状态下的多组性能参数,以及电池样本处于异常工作状态下的多组性能参数,得到电池的状态参数与电池的性能参数的特征向量之间的对应关系。
示例地,获取电池样本处于正常工作状态下的多组性能参数中,每组性能参数的特征向量,对电池样本处于正常工作状态下的所有性能参数的特征向量求平均,得到对应的平均值,将该平均值作为电池样本处于正常工作状态下的性能参数的特征向量。由此得到电池样本处于正常工作状态下的状态参数与电池的性能参数的特征向量之间的对应关系。
示例地,获取电池样本处于异常工作状态下的多组性能参数中,每组性能参数的特征向量,对电池样本处于异常工作状态下的所有性能参数的特征向量求平均,得到对应的平均值,将该平均值作为电池样本处于异常工作状态下的性能参数的特征向量。由此得到电池样本处于异常工作状态下的状态参数与电池的性能参数的特征向量之间的对应关系。
图3是本申请实施例提供的一种电池状态预测方法的步骤流程图,参照图3,方法可以包括如下步骤:
步骤301,获取待预测电池的性能参数。
具体的,采集待预测电池在工作过程中的性能参数,性能参数可以包括电流值、电压值和温度值。
步骤302,将待预测电池的性能参数输入电池状态预测模型,得到待预测电池的状态参数;
其中,电池状态预测模型是根据电池样本的多组性能参数样本,以及性能参数样本对应的标签训练机器学习模型得到的,性能参数样本对应的标签是对电池样本的多组性能参数样本进行聚类操作所得到多个聚类簇中,与性能参数样本所属的聚类簇对应的状态参数。
具体的,将待预测电池的性能参数输入电池状态预测模型,得到电池状态预测模型的输出结果,该输出结果即为预测得到的待预测电池的状态参数。
综上,电池状态预测模型是根据性能参数样本,以及性能参数样本对应的标签训练机器学习模型得到的,性能参数样本对应的标签是对电池样本的多组性能参数样本进行聚类操作所得到多个聚类簇中,与性能参数所属的聚类簇对应的状态参数,相对于相关技术中人工标注训练样本的方法,本实施例提高了确定性能参数样本标签的效率,进而提高了获取电池状态预测模型的效率,且基于本方法获取的电池状态预测模型的预测准确度高,由此,将待预测电池的性能参数输入电池状态预测模型,得到待预测电池的状态参数的准确度高。
在一个实施例中,待预测电池的状态参数包括:待预测电池处于正常工作状态,或者,待预测电池处于异常工作状态;
在步骤302之后,还可以包括如下步骤:
步骤303,在确定得到待预测电池的状态参数是待预测电池处于异常工作状态的情况下,通过待预测电池中的电源保护模块,对待预测电池进行断电保护。
示例地,待预测电池中设置有采集性能参数的采集模块,以及存储有电池状态预测模型,并根据性能参数预测出状态参数的处理模块,处理模块和电源保护模块相连,处理模块预测出待预测电池的状态参数是待预测电池处于异常工作状态的情况下,生成断电保护指令并发送给电源保护模块,以供电源保护模块对待预测电池进行断电保护。
进一步的,电源保护模块可以包括充电保护子模块和放电保护子模块,具体的,在待预测电池处于充电过程中,如果确定待遇测电池的状态参数是待遇测电池处于异常状态下,通过充电保护子模块,控制待预测电池中断充电。在待遇测电池处于放电过程中,如果确定待遇测电池的状态参数是待遇测电池处于异常状态下,通过放电保护子模块,控制待遇测电池中断放电。
在本实施例中,在确定得到待预测电池的状态参数是待预测电池处于异常工作状态的情况下,通过待预测电池中的电源保护模块,对待预测电池进行断电保护,提高了待预测电池的安全性。
图4是本申请实施例提供的一种电池状态预测模型训练和预测方法的步骤流程图,参照图4,方法可以包括如下步骤:
步骤S1,采集电池样本处于工作状态下的多组初始性能参数,初始性能参数包括电压值、电流值和温度值。
示例地,电池样本可以是电池单体,也可以是多个电池单体组成的电池模组。比如,可以是6串或者16串电池单体组成的电池模组。
例如,电池样本可以是用于露营、旅行、野外探险等场合的户外电源,用于为电子设备供电。例如,电池样本可以是能够通过太阳能板充电的电池,也可以是通过USB接口与其他电源相连,进而进行充电的电池,比如,可以通过USB接口实现车载充电。
步骤S2,对初始性能参数依次进行去除异常值和归一化处理,得到性能参数样本。
示例地,针对初始性能参数中所有电压值,计算电压值相对于所有电压值的离散程度值,确定离散程度值超过第一预设阈值的电压值为异常值。针对初始性能参数中所有电流值,计算电流值相对于所有电流值的离散程度值,确定离散程度值超过第二预设阈值的电流值为异常值。针对对初始性能参数中所有温度值,计算温度值相对于所有温度值的离散程度值,确定离散程度值超过第三预设阈值的温度值为异常值。
其中,初始性能参数具有对应的时刻点,在某一时刻点的电压值、电流值或者温度值为异常值时,将该时刻点对应的电压值、电流值和温度值删除,或者,获取该时刻点的前一时刻点和后一时刻点的初始性能参数,并求取这两个时刻点的初始性能参数的平均值,用该平均值替换出现异常值的时刻点的初始性能参数,以实现去除异常值。
在对初始性能参数进行去除异常值处理后,对去除异常值的初始性能参数进行归一化处理,下面对归一化处理方法,进行进一步的示例性说明。
示例地,将初始性能参数通过离散标准化的方法进行归一化,以避免不同参数之间的量纲差异对聚类结果产生影响,并且避免在机器学习模型训练过程中,机器学习模型的神经元出现饱和的现象。
具体的,根据如下所示的离散标准化方法,得到对去除异常点的初始性能参数的归一化处理结果x′,该归一化处理结果即为针对初始性能参数的性能参数样本:
其中,x为待进行归一化处理的数据,具体为通过前述方法进行去除异常点的初始性能参数。min(x)为去除异常点的初始性能参数中的最小值,max(x)为去除异常点的初始性能参数中的最大值。
在动态采集电池样本的初始性能参数时,初始性能参数中可能存在异常值和噪声数据,异常值和噪声数据会影响训练机器学习模型的精度,进而影响预测结果。在一个实施例中,在去除初始性能参数中的异常值后,还可以对初始性能参数进行去噪处理,以进一步提高数据的可用度。
步骤S3,通过K-means聚类算法,对性能参数样本进行聚类,得到多个聚类簇。
在一个实施例中,在聚类操作后,可以对聚类簇中性能参数样本的特征向量进行降维处理,将高维数据降为低维数据,减少神经网络的计算复杂度和参数量,提高神经网络的训练速度和效率。
使用K-means聚类算法,将具有相似性的性能参数样本划分为同一个聚类簇,在后续根据聚类结果训练机器学习模型时,可以提高机器学习模型的训练效果和准确的,以提高预测结果的准确度。
需要说明的是,聚类算法是一种无监督学习算法,用于将多个性能参数样本划分为多个聚类簇,同一聚类簇内的性能参数样本之间的相似度高于不同聚类簇之间的相似度。
归一化处理后的数据作为数据样本,通过k-means聚类算法进行聚类操作,并从每个聚类簇中提取特征。
具体的,使用手肘法确定聚类个数K值,具体的,计算性能参数样本和作为簇心的性能参数样本的特征向量的误差平方和SSE:
其中,Ci是第i个聚类簇,p是聚类簇Ci中的性能参数样本,mi是Ci的簇心,SSE为所有性能参数样本的聚类误差,可以表示聚类效果的好坏。当K值增大并且SSE下降趋势平缓时,此时的K值为获取的聚类簇的个数。
步骤S4,将聚类簇对应的状态参数,作为聚类簇包括的性能参数样本的标签。
通过聚类操作得到多个聚类簇后,不同聚类簇代表不同电池工作状态,每个聚类簇具有对应的电池的状态参数,将电池的状态参数作为对应的聚类簇包括的性能参数样本的标签,将添加标签的性能参数样本输入机器学习模型,进行机器学习模型训练。
步骤S5,使用性能参数样本和标签训练训练神经网络模型,得到电池状态预测模型。
示例地,可以使用性能参数样本和标签训练LSTM神经网络模型,得到电池状态预测模型。使用LSTM神经网络模型得到的电池状态预测模型,可以用于预测电池的剩余能量状态(State of Energy,SOC)。对应的,若需要预测电池的SOC,与性能参数样本对应的标签不是电池处于正常工作状态或者异常工作状态,而是与性能参数样本对应的SOC值标签。
示例地,机器学习模型可以是长短期记忆(Long Short Term Memory networks,LSTM)神经网络模型,使用性能参数样本和标签训练训练LSTM神经网络模型,得到电池状态预测模型。
在本实施例中,LSTM神经网络模型中的激活函数为SiLu激活函数,且LSTM神经网络模型中具有注意力机制模块。
图5是相关技术中LSTM神经网络模型的结构示意图,参照图5,在当前迭代过程中,LSTM神经网络模型的输入数据包括:为当前迭代的输入数据INt,上一次迭代的电池状态预测结果Nt-1,以及上一次迭代的全局信息Ct-1。其中,σ表示sigmoid激活函数,tanh为双曲线正切函数,x表示模型参数。LSTM神经网络模型的输出数据包括:本次迭代的全局信息Ct,以及本次迭代输出的电池状态预测结果Nt。
图6是本申请实施例提供的改进的LSTM神经网络模型的结构示意图,参照图6,在本实施例中,使用SiLU激活函数替代传统LSTM神经网络模型的激活函数,得到改进的LSTM神经网络模型,其中,β表示激活函数SiLU。在本实施例中,还在LSTM神经网络模型中加入了入图7所示的注意力机制模块。
LSTM神经网络模型中的门结构能可以控制数据的输入和输出,以使数据选择性的进入LSTM神经网络模型。在相关技术中,LSTM的激活函数默认是sigmoid函数,本实施例将LSTM神经网络激活函数改成用SiLU函数,SiLU具备无上界有下界、平滑、非单调的特性。相较于sigmoid有效解决梯度消失问题,并且在处理连续变化的值表现更好,可以提高检测电池SOC的精准度。
其中,SiLU激活函数f(s)为:
其中,s表示梯度值。
相关技术的LSTM循环神经网络模型常用的激活函数sigmoid,存在梯度消失问题,电池SOC是一个连续变化的值,而sigmoid函数的输出值在接近0或1时变化非常缓慢,这会导致LSTM循环神经网络模型难以准确地预测电池SOC的变化。
此外,电池SOC的变化速率可能很快,而sigmoid函数的导数在输入值很大或很小的时候非常接近于0,这会导致LSTM循环神经网络模型无法及时地反应SOC变化,从而影响预测的准确性。
本实施例使用SiLU激活函数作为LSTM神经网络模型的激活函数,相较于sigmoid激活函数,SiLU激活函数可以有效解决梯度消失问题,并且在处理连续变化的值表现更好,因此,可以提高检测电池SOC的精准度。
在本实施例中,在LSTM神经网络模型中引入注意力机制模块,采用注意力机制,可以增强LSTM神经网络模型,以更准确的预测电池的SOC。具体的,基于注意力机制,可以从大量数据中筛选对于任务目的更加重要的特征,让LSTM神经网络模型更关注这些特征数据,大幅度提高训练得到的预测模型的精准度。在算力较小的条件下,注意力机制能够将算力分配给更加关键的特性,由此,提高了LSTM神经网络模型的适用性。
其中,使用LSTM神经网络模型预测电池的SOC时,通过k-means聚类算法得到的不同聚类簇的特征向量对电池SOC的影响不同,因此LSTM神经网络神经元对不同特征数值的关注权重不同。注意力机制是一种能重点注意需要关注因素的机制,将注意力机制模块使用到LSTM神经网络中,可以明确在当前时间步中,每个输入数据的重要性。
将不同权重的特征向量输入到增强后的LSTM神经网络模型中,可以提高LSTM神经网络模型输出的电池SOC的准确度。
在一些应用场景中,对电池SOC的预测十分重要,比如,在新能源汽车领域中,准确预测车载电池的SOC,可以避免电池过冲过放导致的电池燃烧事故。
另外,电池SOC会受到电流、电压、温度等因素影响,并且在动态动作状态下具有强烈的非线性和时变特性。快速准确的预测SOC值可以提高电池的使用安全性,但电池SOC无法通过直接测量得到,只能通过对电池工作电压,电流,温度等可以直接测量的外特性参数估算获得。在相关技术中,各厂商估算SOC的方法包括:安时积分法、开路电压法、阻抗估算法等。但安时积分法受突变电流的影响很大,并且测试的时间越长,累计误差会越大;开路电压法需要在电池停止工作的状态下进行预测,无法做到实时估算;阻抗估算法对于电池内阻的测量比较困难,并且电池老化等因素导致电池的内阻可能并不一致,这会导致预测结果的准确度低。
而神经网络模型是一种典型的机器学习模型,可以描述复杂的非线性映射关系,能够有效处理非线性、非规律性问题,基于机器学习,可以进一步提升预测电池的状态参数的精确度。
在复杂多变的应用场景中,需要收集大量的样本构建训练集,以训练神经网络模型。然而实际数据中,存在许多冗余和无效的特征,这会导致神经网络的计算复杂度和参数量很大。此外,还存在许多异常值和噪声数值,这些都会对精度产生影响。基于本实施例的方法,对采集的电池样本的性能参数样本进行去除异常点和去噪声处理,然后使用聚类算法得到各个性能参数样本的标签,提高了用于训练机器学习模型的性能参数样本的可用性,并提高了为性能参数样本打标签的效率,进而提高了训练得到的电池状态预测模型的准确度和训练效率。
步骤S6,获取待预测电池的待处理性能参数,将待处理参数输入电池状态预测模型。
示例地,待预测电池是和前述步骤S1至步骤S5中,电池样本同类型的电池。待处理性能参数和电池样本的性能参数样本,包含的性能参数的种类相同,例如,都可以包括电流值、电压值和温度值。
步骤S7,根据电池状态预测模型,得到待预测电池的状态参数。
具体的,将待处理参数输入电池状态预测模型,得到电池状态预测模型的输出结果,该输出结果即为待预测电池的状态参数。
参考图8,其示出了本申请实施例提供的一种电池状态预测模型训练装置80,电池状态预测模型训练装置80包括:
第一获取模块801,用于获取电池样本的多组性能参数样本;
第二获取模块802,用于对多组性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,每个聚类簇具有对应的状态参数;
第一确定模块803,用于针对每个聚类簇,将聚类簇对应的状态参数,确定为聚类簇包括的性能参数样本的标签;
第三获取模块804,用于根据性能参数样本,以及性能参数样本对应的标签训练机器学习模型,得到电池状态预测模型,电池状态预测模型,用于根据待预测电池的性能参数,预测得到待预测电池的状态参数。
可选地,第二获取模块802可以包括:
第一获取子模块,用于获取每组性能参数样本的特征向量;
第二获取子模块,用于根据特征向量,对多组性能参数样本进行聚类,得到多个包括性能参数样本的聚类簇。
可选地,第二获取子模块可以包括:
第一获取单元,用于针对每个聚类簇,获取聚类簇的所有性能参数样本的特征向量中,作为簇心的性能参数样本的第一目标特征向量;
第一确定单元,用于根据电池的状态参数与电池的性能参数的特征向量之间的对应关系,确定出与第一目标特征向量对应的第一目标状态参数;
第二确定单元,用于将第一目标状态参数,确定为与第一目标特征向量对应的聚类簇的状态参数。
可选地,第二获取子模块还可以包括:
第二获取单元,用于针对每个聚类簇,获取聚类簇包括的所有性能参数样本的特征向量的平均值;
第三确定单元,用于根据电池的状态参数与电池的性能参数的特征向量之间的对应关系,确定出与特征向量的平均值对应的第二目标状态参数;
第四确定单元,用于将第二目标状态参数,确定为与第二目标特征向量对应的聚类簇的状态参数。
可选地,状态参数包括:电池样本处于正常工作状态,或者,电池样本处于异常工作状态;
第二获取子模块可以包括:
第三获取单元,用于获取电池样本处于正常工作状态下的多组性能参数,以及电池样本处于异常工作状态下的多组性能参数;
第四获取单元,用于根据电池样本处于正常工作状态下的多组性能参数,以及电池样本处于异常工作状态下的多组性能参数,得到电池的状态参数与电池的性能参数的特征向量之间的对应关系。
综上,在本实施例中,在获取电池样本的多组性能参数样本后,对多组性能参数样本进行聚类操作,得到多个聚类簇,将聚类簇对应的状态参数,确定为聚类簇包括的性能参数样本的标签,由此,可以实现快速为性能参数确定标签。相对于相关技术中人工确定标签的方法,本实施例节省了人力成本,并提高了确定标签的效率。使用确定标签的性能参数样本训练机器学习模型,可以得到能够准确预测电池的状态参数的电池状态预测模型,基于由此获取的电池状态预测模型,可以准确预测待预测电池的状态参数。解决了相关技术中,在样本数据的数据量比较大的情况下,人工标注会造成成本高和效率低的问题。
参考图9,其示出了本申请实施例提供的一种电池状态预测装置,参照图9,电池状态预测装置90包括:
第四获取模块901,用于获取待预测电池的性能参数;
第五获取模块902,用于将待预测电池的性能参数输入电池状态预测模型,得到待预测电池的状态参数;
其中,电池状态预测模型是根据性能参数样本,以及性能参数样本对应的标签训练机器学习模型得到的,性能参数样本对应的标签是对电池样本的多组性能参数样本进行聚类操作所得到多个聚类簇中,与性能参数所属的聚类簇对应的状态参数。
可选地,待预测电池的状态参数包括:待预测电池处于正常工作状态,或者,待预测电池处于异常工作状态;
电池状态预测装置90还包括:
电池保护模块,用于在确定得到待预测电池的状态参数是待预测电池处于异常工作状态的情况下,通过待预测电池中的电源保护模块,对待预测电池进行断电保护。
综上,电池状态预测模型是根据性能参数样本,以及性能参数样本对应的标签训练机器学习模型得到的,性能参数样本对应的标签是对电池样本的多组性能参数样本进行聚类操作所得到多个聚类簇中,与性能参数所属的聚类簇对应的状态参数,相对于相关技术中人工标注训练样本的方法,本实施例提高了确定性能参数样本标签的效率,进而提高了获取电池状态预测模型的效率,且基于本实施例获取的电池状态预测模型的预测准确度高,由此,将待预测电池的性能参数输入电池状态预测模型,得到待预测电池的状态参数的准确度高。
参照图10,电子设备1000可以包括以下一个或多个组件:处理组件1002,存储器1004,电源组件1006,多媒体组件1008,音频组件1010,输入/输出(I/O)接口1012,传感器组件1014,以及通信组件1016。
处理组件1002通常控制电子设备1000的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1002可以包括一个或多个处理器1020来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1002可以包括一个或多个模块,便于处理组件1002和其他组件之间的交互。例如,处理组件1002可以包括多媒体模块,以方便多媒体组件1008和处理组件1002之间的交互。
存储器1004用于存储各种类型的数据以支持在电子设备1000的操作。这些数据的示例包括用于在电子设备1000上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,多媒体等。存储器1004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1006为电子设备1000的各种组件提供电力。电源组件1006可以包括电源管理系统,一个或多个电源,及其他与为电子设备1000生成、管理和分配电力相关联的组件。
多媒体组件1008包括在电子设备1000和用户之间的提供一个输出接口的界面。在一些实施例中,界面可以包括液晶显示器(LCD)和触摸面板(TP)。如果界面包括触摸面板,界面可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的分界,而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1008包括一个前置摄像头和/或后置摄像头。当电子设备1000处于操作模式,如拍摄模式或多媒体模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1010用于输出和/或输入音频信号。例如,音频组件1010包括一个麦克风(MIC),当电子设备1000处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1004或经由通信组件1016发送。在一些实施例中,音频组件1010还包括一个扬声器,用于输出音频信号。
输入/输出I/O接口1012为处理组件1002和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1014包括一个或多个传感器,用于为电子设备1000提供各个方面的状态评估。例如,传感器组件1014可以检测到电子设备1000的打开/关闭状态,组件的相对定位,例如组件为电子设备1000的显示器和小键盘,传感器组件1014还可以检测电子设备1000或电子设备1000一个组件的位置改变,用户与电子设备1000接触的存在或不存在,电子设备1000方位或加速/减速和电子设备1000的温度变化。传感器组件1014可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1014还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1016用于便于电子设备1000和其他设备之间有线或无线方式的通信。电子设备1000可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件1016经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件1016还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于实现本申请实施例提供的一种电池状态预测模型的训练方法或电池状态预测方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1004,上述指令可由电子设备1000的处理器1020执行以完成上述方法。例如,非临时性存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图11是本发明另一个实施例的电子设备1100的框图。例如,电子设备1100可以被提供为一服务器。参照图11,电子设备1100包括处理组件1122,其进一步包括一个或多个处理器,以及由存储器1132所代表的存储器资源,用于存储可由处理组件1122的执行的指令,例如应用程序。存储器1132中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1122被配置为执行指令,以执行本申请实施例提供的一种电池状态预测模型的训练方法或电池状态预测方法。
电子设备1100还可以包括一个电源组件1126被配置为执行电子设备1100的电源管理,一个有线或无线网络接口1150被配置为将电子设备1100连接到网络,和一个输入/输出(I/O)接口1158。电子设备1100可以操作基于存储在存储器1132的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的申请后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (11)
1.一种电池状态预测模型训练方法,其特征在于,包括:
获取电池样本的多组性能参数样本;
对多组所述性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,每个聚类簇具有对应的状态参数;
针对每个聚类簇,将聚类簇对应的状态参数,确定为所述聚类簇包括的性能参数样本的标签;
根据所述性能参数样本,以及性能参数样本对应的标签训练机器学习模型,得到电池状态预测模型,所述电池状态预测模型,用于根据待预测电池的性能参数,预测得到所述待预测电池的状态参数。
2.根据权利要求1所述的方法,其特征在于,所述对多组所述性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,包括:
获取每组性能参数样本的特征向量;
根据所述特征向量,对多组所述性能参数样本进行聚类,得到多个包括性能参数样本的聚类簇。
3.根据权利要求2所述的方法,其特征在于,根据所述特征向量,对多组所述性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,包括:
针对每个聚类簇,获取聚类簇的所有性能参数样本的特征向量中,作为簇心的性能参数样本的第一目标特征向量;
根据电池的状态参数与电池的性能参数的特征向量之间的对应关系,确定出与第一目标特征向量对应的第一目标状态参数;
将所述第一目标状态参数,确定为与第一目标特征向量对应的聚类簇的状态参数。
4.根据权利要求2所述的方法,其特征在于,根据所述特征向量,对多组所述性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,包括:
针对每个聚类簇,获取聚类簇包括的所有性能参数样本的特征向量的平均值;
根据电池的状态参数与电池的性能参数的特征向量之间的对应关系,确定出与特征向量的平均值对应的第二目标状态参数;
将所述第二目标状态参数,确定为与第二目标特征向量对应的聚类簇的状态参数。
5.根据权利要求3或4所述的方法,其特征在于,状态参数包括:电池样本处于正常工作状态,或者,电池样本处于异常工作状态;
所述方法还包括:
获取电池样本处于正常工作状态下的多组性能参数,以及电池样本处于异常工作状态下的多组性能参数;
根据所述电池样本处于正常工作状态下的多组性能参数,以及所述电池样本处于异常工作状态下的多组性能参数,得到电池的状态参数与电池的性能参数的特征向量之间的对应关系。
6.一种电池状态预测方法,其特征在于,包括:
获取待预测电池的性能参数;
将所述待预测电池的性能参数输入电池状态预测模型,得到待预测电池的状态参数;
其中,电池状态预测模型是根据电池样本的多组性能参数样本,以及性能参数样本对应的标签训练机器学习模型得到的,所述性能参数样本对应的标签是对电池样本的多组性能参数样本进行聚类操作所得到多个聚类簇中,与性能参数样本所属的聚类簇对应的状态参数。
7.根据权利要求6所述的电池状态预测方法,其特征在于,待预测电池的状态参数包括:待预测电池处于正常工作状态,或者,待预测电池处于异常工作状态;
在将所述待预测电池的性能参数输入电池状态预测模型,得到待预测电池的状态参数之后,还包括:
在确定得到待预测电池的状态参数是待预测电池处于异常工作状态的情况下,通过待预测电池中的电源保护模块,对所述待预测电池进行断电保护。
8.一种电池状态预测模型训练装置,其特征在于,包括:
第一获取模块,用于获取电池样本的多组性能参数样本;
第二获取模块,用于对多组所述性能参数样本进行聚类操作,得到多个包括性能参数样本的聚类簇,每个聚类簇具有对应的状态参数;
第一确定模块,用于针对每个聚类簇,将聚类簇对应的状态参数,确定为所述聚类簇包括的性能参数样本的标签;
第三获取模块,用于根据所述性能参数样本,以及性能参数样本对应的标签训练机器学习模型,得到电池状态预测模型,所述电池状态预测模型,用于根据待预测电池的性能参数,预测得到待预测电池的状态参数。
9.一种电池状态预测装置,其特征在于,包括:
第四获取模块,用于获取待预测电池的性能参数;
第五获取模块,用于将所述待预测电池的性能参数输入电池状态预测模型,得到待预测电池的状态参数;
其中,电池状态预测模型是根据电池样本的多组性能参数样本,以及性能参数样本对应的标签训练机器学习模型得到的,所述性能参数样本对应的标签是对电池样本的多组性能参数样本进行聚类操作所得到多个聚类簇中,与性能参数样本所属的聚类簇对应的状态参数。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
11.一种可读存储介质,其特征在于,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550329.0A CN117808116A (zh) | 2023-11-20 | 2023-11-20 | 电池状态预测模型训练方法、电池状态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550329.0A CN117808116A (zh) | 2023-11-20 | 2023-11-20 | 电池状态预测模型训练方法、电池状态预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117808116A true CN117808116A (zh) | 2024-04-02 |
Family
ID=90430699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311550329.0A Pending CN117808116A (zh) | 2023-11-20 | 2023-11-20 | 电池状态预测模型训练方法、电池状态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808116A (zh) |
-
2023
- 2023-11-20 CN CN202311550329.0A patent/CN117808116A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3886004A1 (en) | Method for training classification model, classification method and device, and storage medium | |
CN109389162B (zh) | 样本图像筛选方法和装置、电子设备及存储介质 | |
CN111160448B (zh) | 一种图像分类模型的训练方法及装置 | |
CN105720644A (zh) | 充电控制方法、装置和终端设备 | |
WO2019085749A1 (zh) | 应用程序管控方法、装置、介质及电子设备 | |
EP3706043A1 (en) | Application program control method and apparatus, medium, and electronic device | |
CN108345954B (zh) | 配电网线路短期负荷预测方法及装置 | |
CN111464690A (zh) | 一种应用的预加载方法及电子设备 | |
CN114462194A (zh) | 自放电监控模型的训练方法、装置、电子设备及存储介质 | |
CN107707759B (zh) | 终端控制方法、装置以及系统、存储介质 | |
CN110970959A (zh) | 充电管理方法、图形用户界面及相关装置 | |
CN114976325A (zh) | 热失控确定方法、电池管理系统、电池及交通工具 | |
CN110308780B (zh) | 电池管理方法、系统、终端设备及存储介质 | |
CN117808116A (zh) | 电池状态预测模型训练方法、电池状态预测方法及装置 | |
CN108874107B (zh) | 荷电状态的控制方法及装置 | |
US11686776B2 (en) | Prediction method and apparatus of battery health, and storage medium | |
CN116859248A (zh) | 电池循环寿命预测方法、装置及存储介质 | |
CN114267895A (zh) | 一种电池化成方法、系统及存储介质 | |
CN110991566B (zh) | 通过信息融合方式进行风力发电机故障诊断的方法和装置 | |
CN113346564A (zh) | 电源管理芯片控制方法及装置、终端设备 | |
CN116359734A (zh) | 电池荷电状态的校正方法、装置、电子设备及存储介质 | |
CN115173495A (zh) | 充电控制方法、装置以及存储介质 | |
CN112421702A (zh) | 锂电池充电方法及装置 | |
CN115983502B (zh) | 数据处理方法、装置及介质 | |
US20220045535A1 (en) | Charging control method, charging control device and storage medium |
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 |