CN113687250A - 电芯容量预测方法、装置、电子设备及介质 - Google Patents
电芯容量预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113687250A CN113687250A CN202110949809.9A CN202110949809A CN113687250A CN 113687250 A CN113687250 A CN 113687250A CN 202110949809 A CN202110949809 A CN 202110949809A CN 113687250 A CN113687250 A CN 113687250A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- training
- capacity
- cell capacity
- 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 81
- 238000004519 manufacturing process Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims description 66
- 230000008569 process Effects 0.000 claims description 37
- 238000007731 hot pressing Methods 0.000 claims description 31
- 238000002347 injection Methods 0.000 claims description 24
- 239000007924 injection Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 239000007788 liquid Substances 0.000 claims description 19
- 238000012217 deletion Methods 0.000 claims description 12
- 230000037430 deletion Effects 0.000 claims description 12
- 230000037452 priming Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 238000003475 lamination Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005429 filling process Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000000284 resting effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004537 pulping Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池技术领域,特别涉及一种电芯容量预测方法、装置、电子设备及介质,其中,方法包括:获取待测电池的在生产过程中的生产参数;从生产参数中提取与电芯容量相关的至少一个电池特征;将至少一个电池特征输入预先训练好的电芯容量预估模型中,得到待测电池的预测电芯容量。根据本发明实施例的电芯容量预测方法,解决了相关技术中时间、成本相对较高,无法判断容量高低产生的原因,无法为后期电池性能改善提供决策性分析和建议,且收益较少的问题,提高电芯容量预测的准确性。
Description
技术领域
本发明涉及电池技术领域,特别涉及一种电芯容量预测方法、装置、电子设备及介质。
背景技术
锂电池电芯的生产过程非常复杂,既有过程行业生产流程,也有离散行业生产流程。电芯生产的主要工艺包括:制浆、涂布、辊压、分切、模切、组装、烘烤、注液、化成、分容,生产过程对质量要求非常严格,大部分生产工艺之间相互关联、互相影响。其中,化成/分容为整个电芯生产过程中最重要的一环,电芯在这个工艺被“激活”,激活后的电芯,也在这个过程做:容量检测、自放电测试、直流内阻测试、电流内阻测试。
相关技术中,通过化成段的数据来预测容量,精度相对较高。
然而,相关技术中的时间、成本相对较高,无法判断容量高低产生的原因,无法为后期电池性能改善提供决策性分析和建议,且收益较少,亟待解决。
发明内容
有鉴于此,本发明旨在提出一种电芯容量预测方法,该方法解决了相关技术中时间、成本相对较高,无法判断容量高低产生的原因,无法为后期电池性能改善提供决策性分析和建议,且收益较少的问题,提高电芯容量预测的准确性。
为达到上述目的,本发明的技术方案是这样实现的:
一种电芯容量预测方法,包括以下步骤:
获取待测电池的在生产过程中的生产参数;
从所述生产参数中提取与电芯容量相关的至少一个电池特征;
将所述至少一个电池特征输入预先训练好的电芯容量预估模型中,得到所述待测电池的预测电芯容量。
进一步地,在将所述至少一个电池特征输入所述预先训练好的电芯容量预估模型之前,还包括:
获取训练电池在生产过程中的一道或多道工序对应的生产参数;
对所述生产参数进行数据清洗,筛选出满足训练条件的训练数据;
基于所述训练数据进行特征处理,训练初始电芯容量预估模型,直至模型的评分指标达到预设阈值,生成所述电芯容量预估模型。
进一步地,所述对应的生产参数包括叠片工序中的极组重量、预热工序的预热温度和预热时间、热压工序的热压温度、热压压力和热压时间、一次注液工序的注液量、预充工序的静置时间、开始电压、开始电流、能量和真空度、二次注液工序的注液前重量、注液量和总注液量、化成工序的开始电压、开始电流、结束电压、结束电流、中值电压、库位温度、工步运行时间、结束容量和结束能量中的一项或多项。
进一步地,所述基于所述训练数据进行特征处理,包括:
对所述训练数据进行重塑数据,得到数据特征集;
删除所述数据特征集中缺失率大于预设缺失率与变化幅度小于预设幅度的数据特征;
对所述数据特征集中极组类型的数据特征进行处理,删除由每个极组参数中的最大值、最小值、均值生成的数据特征之外的特征;
删除大于预设分位数的异常的数据特征和满足离群条件的特征,得训练所述初始电芯容量预估模型的训练集。
进一步地,所述基于所述训练数据进行特征处理,还包括:
检验所述训练集中训练数据的相关系数;
在检测到所述相关系数满足相关条件后,允许训练。
相对于现有技术,本发明所述的电芯容量预测方法具有以下优势:
本发明所述的电芯容量预测方法,可以获取待测电池的在生产过程中的生产参数,并从生产参数中提取与电芯容量相关的至少一个电池特征,并将至少一个电池特征输入预先训练好的电芯容量预估模型中,得到待测电池的预测电芯容量。由此,解决了相关技术中时间、成本相对较高,无法判断容量高低产生的原因,无法为后期电池性能改善提供决策性分析和建议,且收益较少的问题,提高电芯容量预测的准确性。
本发明的第二个目的在于提出一种电芯容量预测装置,该装置解决了相关技术中时间、成本相对较高,无法判断容量高低产生的原因,无法为后期电池性能改善提供决策性分析和建议,且收益较少的问题,提高电芯容量预测的准确性。为达到上述目的,本发明的技术方案是这样实现的:
一种电芯容量预测装置,包括:
获取模块,用于获取待测电池的在生产过程中的生产参数;
提取模块,用于从所述生产参数中提取与电芯容量相关的至少一个电池特征;
预测模块,用于将所述至少一个电池特征输入预先训练好的电芯容量预估模型中,得到所述待测电池的预测电芯容量。
进一步地,在将所述至少一个电池特征输入所述预先训练好的电芯容量预估模型之前,所述预测模块,还包括:
获取单元,用于获取训练电池在生产过程中的一道或多道工序对应的生产参数;
筛选单元,用于对所述生产参数进行数据清洗,筛选出满足训练条件的训练数据;
生成单元,用于基于所述训练数据进行特征处理,训练初始电芯容量预估模型,直至模型的评分指标达到预设阈值,生成所述电芯容量预估模型。
进一步地,所述对应的生产参数包括叠片工序中的极组重量、预热工序的预热温度和预热时间、热压工序的热压温度、热压压力和热压时间、一次注液工序的注液量、预充工序的静置时间、开始电压、开始电流、能量和真空度、二次注液工序的注液前重量、注液量和总注液量、化成工序的开始电压、开始电流、结束电压、结束电流、中值电压、库位温度、工步运行时间、结束容量和结束能量中的一项或多项。
进一步地,所述生成单元,包括:
对所述训练数据进行重塑数据,得到数据特征集;
删除所述数据特征集中缺失率大于预设缺失率与变化幅度小于预设幅度的数据特征;
对所述数据特征集中极组类型的数据特征进行处理,删除由每个极组参数中的最大值、最小值、均值生成的数据特征之外的特征;
删除大于预设分位数的异常的数据特征和满足离群条件的特征,得训练所述初始电芯容量预估模型的训练集。
进一步地,所述生成单元,还包括:
检验所述训练集中训练数据的相关系数;
在检测到所述相关系数满足相关条件后,允许训练。
所述的电芯容量预测装置与上述的电芯容量预测方法相对于现有技术所具有的优势相同,在此不再赘述。
本发明的第三个目的在于提出一种电子设备。
为达到上述目的,本发明的技术方案是这样实现的:
一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的电芯容量预测方法。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达到上述目的,本发明的技术方案是这样实现的:
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,以用于实现如上述实施例所述的电芯容量预测方法。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的电芯容量预测方法的流程图;
图2为本发明一个实施例所述的电芯容量预测方法的流程图;
图3为本发明一个实施例所述的spearman相关系数检验的示意图;
图4为本发明一个实施例所述的实际生产数据的示例图;
图5为本发明一个实施例所述的电芯容量预测装置的方框示意图;
图6为本发明实施例所述的电子设备的方框示意图。
具体实施方式
需要说明的是,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。
下面将参考附图并结合实施例来详细说明本发明。
图1是根据本发明实施例的电芯容量预测方法的流程图。
如图1所示,根据本发明实施例的电芯容量预测方法,包括以下步骤:
步骤S101,获取待测电池的在生产过程中的生产参数。
具体而言,本发明实施例可以从数据库中获取电芯生产过程中的各种参数数据。
步骤S102,从生产参数中提取与电芯容量相关的至少一个电池特征。
其中,电芯容量是衡量电池性能的重要性指标之一,它表示在一定条件下(放电率、温度、终止电压等)电池放出的电量,即电池的容量,通常以安倍·小时为单位(以A·H表示)。与电芯容量相关的至少一个电池特征可以为预热、热压等。
步骤S103,将至少一个电池特征输入预先训练好的电芯容量预估模型中,得到待测电池的预测电芯容量。
进一步地,在一些实施例中,在将至少一个电池特征输入预先训练好的电芯容量预估模型之前,还包括:获取训练电池在生产过程中的一道或多道工序对应的生产参数;对生产参数进行数据清洗,筛选出满足训练条件的训练数据;基于训练数据进行特征处理,训练初始电芯容量预估模型,直至模型的评分指标达到预设阈值,生成电芯容量预估模型。
其中,在一些实施例中,对应的生产参数包括叠片工序中的极组重量、预热工序的预热温度和预热时间、热压工序的热压温度、热压压力和热压时间、一次注液工序的注液量、预充工序的静置时间、开始电压、开始电流、能量和真空度、二次注液工序的注液前重量、注液量和总注液量、化成工序的开始电压、开始电流、结束电压、结束电流、中值电压、库位温度、工步运行时间、结束容量和结束能量中的一项或多项。
其中,对应的生产参数可以如表1所示:
表1
具体地,如图2所示,本发明实施例可以通过以下方式对生产参数进行数据清洗:
(1)剔除样本中的非真实数据,如测试数据(含有MESTEST,VLOOK标志)。
(2)剔除SFC,ParamIdentifier重复的数据。
(3)剔除化成工序之前,因各种原因导致返工的数据(占比例1.5%)。
(4)剔除正常区间外的电池数据(占比例2.6%),参数正常区间由本领域技术人员根据实际情况进行给出。
进一步地,在一些实施例中,基于训练数据进行特征处理,包括:对训练数据进行重塑数据,得到数据特征集;删除数据特征集中缺失率大于预设缺失率与变化幅度小于预设幅度的数据特征;对数据特征集中极组类型的数据特征进行处理,删除由每个极组参数中的最大值、最小值、均值生成的数据特征之外的特征;删除大于预设分位数的异常的数据特征和满足离群条件的特征,得训练初始电芯容量预估模型的训练集。
具体而言,本发明实施例从数据库中提取到的原始数据,包含以下9列:'SFC','Model','OperationIdentifier','StepCode','ParamIdentifier','ParamValue','StandardParamType','createon','etltime',经过pivot方法,重塑数据,将ParamIdentifier,ParamValue转换为列,作为特征;对于缺失率>10%的特征,直接删除。对于缺失率<10%的特征,不做处理,XGBoost内部有自动处理缺失值的机制。如果一个特征的1/4分位数和3/4分位数相等,说明这一列的数据变化幅度过小,没有太大意义,予以剔除。
进一步地,在对数据特征集中极组类型的数据特征进行处理时,极组数据为:极组重量,热压温度(上),热压温度(下)和热压压力,其中,热压温度(上)指的是叠片后热压装置上压板温度,热压温度(下)指的是叠片后热压装置下压板温度。由于极组数据无法与电池一一对应,且是无序的,故而无法直接作为特征,因此,本发明实施例可以考虑采用每个极组参数中的最大值、最小值、均值作为该参数的3个特征。
并且,对于异常值的检测与处理时,本发明实施例可以采用四分位间距法和孤立森林。其中,对于四分位间距法来说,超出4分位数三倍以上的点,认为是极端异常点;并将这些点的值设置为nan。对于采用孤立森林(Isolation Forest)算法对数据进行离群点检测,并对离群点予以剔除;孤立森林iForest是一个基于Ensemble的快速异常检测方法,具有线性时间复杂度和高精准度,是符合大数据处理要求的state-of-the-art算法。
进一步地,在一些实施例中,基于训练数据进行特征处理,还包括:检验训练集中训练数据的相关系数;在检测到相关系数满足相关条件后,允许训练。
具体地,如图3所示,经spearman相关系数检验,数据集中的大部分列的p-value<0.05,检验显著,可以认为该列与容量之间存在相关性。
经特征工程后,得到可以输入到模型中的包含147个特征的数据集。其中,特征工程是机器学习算法的核心步骤,数据和特征决定了机器学习算法性能的上限,而算法只是逼近这个上限而已。
输入到XGBoost算法中进行训练。其中,XGBoost为GBDT(Gradient BoostingDecision Tree,梯度提升树)算法的工程实现,它对GBDT进行了诸多优化,是目前最快最好的开源boosted tree工具包。
经贝叶斯调参后,确定最终模型:
XGBRegressor(max_depth=7,learning_rate=0.01,n_estimators=800,booster='gbdt',gamma=0.1,min_child_weight=100,subsample=0.7,colsample_bytree=0.75,importance_type='gain')。
其中,贝叶斯调参即贝叶斯优化通过基于目标函数的过去评估结果建立替代函数(概率模型),来找到最小化目标函数的值;max_depth为基学习器的树的最大深度;learning_rate为学习率,xgb中的eta;n_estimators为基学习器数量;booster为每次迭代的模型,有两种选择:gbtree:基于树模型进行提升;gbliner:基于线性模型进行提升;gamma为在节点***时,只有***后损失函数值下降了,才会***这个节点。Gamma指定了节点***所需的最小损失函数下降值。这个参数值越大,算法越保守;min_child_weight为最小叶子节点样本权重的和。可用于避免过拟合;subsample其控制对于每棵树,随机采样的比例。减小这个参数的值,算法会更加保守,避免过拟合。但是,如果这个值设置的过小,它可能会导致欠拟合。典型值:0.5-1;colsample_bytree为控制每棵树随机采样的列数的占比(每一列是一个特征)。典型值:0.5-1;importance_type为特征重要性如何计算。默认gain,使用特征所在树中作为划分属性的次数
进一步地,对模型进行评价时,评价指标可以为:
举例而言,如图4所示,根据图4所示的实际生产数据进行验证,可得:
MAE=312.1538;
MAPE=0.295319%;
R2=0.9980。
由此,根据从数据库中获取电芯生产过程中的各种参数数据,经过数据清洗、数据分析、特征工程、机器学习算法建模等过程,对化成后的电池容量进行预测。根据预测容量,结合生产现场实际状况,质量检测要求等,可以减少电芯在分容工艺中耗费的资源(时间、设备、占地、库存),从而有效控制成本,降低锂电池电芯的价格,提高竞争力。
根据本发明实施例的电芯容量预测方法,可以获取待测电池的在生产过程中的生产参数,并从生产参数中提取与电芯容量相关的至少一个电池特征,并将至少一个电池特征输入预先训练好的电芯容量预估模型中,得到待测电池的预测电芯容量。由此,解决了相关技术中时间、成本相对较高,无法判断容量高低产生的原因,无法为后期电池性能改善提供决策性分析和建议,且收益较少的问题,提高电芯容量预测的准确性。
进一步地,如图5所示,本发明的实施例还公开了一种电芯容量预测装置10,其包括:获取模块100、提取模块200和预测模块300。
其中,获取模块100用于获取待测电池的在生产过程中的生产参数;
提取模块200用于从生产参数中提取与电芯容量相关的至少一个电池特征;
预测模块300用于将至少一个电池特征输入预先训练好的电芯容量预估模型中,得到待测电池的预测电芯容量。
进一步地,在一些实施例中,在将至少一个电池特征输入预先训练好的电芯容量预估模型之前,预测模块300还包括:
获取单元,用于获取训练电池在生产过程中的一道或多道工序对应的生产参数;
筛选单元,用于对生产参数进行数据清洗,筛选出满足训练条件的训练数据;
生成单元,用于基于训练数据进行特征处理,训练初始电芯容量预估模型,直至模型的评分指标达到预设阈值,生成电芯容量预估模型。
进一步地,在一些实施例中,对应的生产参数包括叠片工序中的极组重量、预热工序的预热温度和预热时间、热压工序的热压温度、热压压力和热压时间、一次注液工序的注液量、预充工序的静置时间、开始电压、开始电流、能量和真空度、二次注液工序的注液前重量、注液量和总注液量、化成工序的开始电压、开始电流、结束电压、结束电流、中值电压、库位温度、工步运行时间、结束容量和结束能量中的一项或多项。
进一步地,在一些实施例中,生成单元,包括:
对训练数据进行重塑数据,得到数据特征集;
删除数据特征集中缺失率大于预设缺失率与变化幅度小于预设幅度的数据特征;
对数据特征集中极组类型的数据特征进行处理,删除由每个极组参数中的最大值、最小值、均值生成的数据特征之外的特征;
删除大于预设分位数的异常的数据特征和满足离群条件的特征,得训练初始电芯容量预估模型的训练集。
进一步地,在一些实施例中,生成单元,还包括:
检验训练集中训练数据的相关系数;
在检测到相关系数满足相关条件后,允许训练。
需要说明的是,本发明实施例的车辆的电芯容量预测装置的具体实现方式与电芯容量预测方法的具体实现方式类似,为了减少冗余,此处不做赘述。
根据本发明实施例的电芯容量预测装置,可以获取待测电池的在生产过程中的生产参数,并从生产参数中提取与电芯容量相关的至少一个电池特征,并将至少一个电池特征输入预先训练好的电芯容量预估模型中,得到待测电池的预测电芯容量。由此,解决了相关技术中时间、成本相对较高,无法判断容量高低产生的原因,无法为后期电池性能改善提供决策性分析和建议,且收益较少的问题,提高电芯容量预测的准确性。
图6为本发明实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
处理器602执行程序时实现上述实施例中提供的电芯容量预测方法。
进一步地,电子设备还包括:
通信接口603,用于存储器601和处理器602之间的通信。
存储器601,用于存放可在处理器602上运行的计算机程序。
存储器601可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器601、处理器602和通信接口603独立实现,则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器601、处理器602及通信接口603,集成在一块芯片上实现,则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
处理器602可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
本实施例还提供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如上的电芯容量预测方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电芯容量预测方法,其特征在于,包括以下步骤:
获取待测电池的在生产过程中的生产参数;
从所述生产参数中提取与电芯容量相关的至少一个电池特征;
将所述至少一个电池特征输入预先训练好的电芯容量预估模型中,得到所述待测电池的预测电芯容量。
2.根据权利要求1所述的方法,其特征在于,在将所述至少一个电池特征输入所述预先训练好的电芯容量预估模型之前,还包括:
获取训练电池在生产过程中的一道或多道工序对应的生产参数;
对所述生产参数进行数据清洗,筛选出满足训练条件的训练数据;
基于所述训练数据进行特征处理,训练初始电芯容量预估模型,直至模型的评分指标达到预设阈值,生成所述电芯容量预估模型。
3.根据权利要求2所述的方法,其特征在于,所述对应的生产参数包括叠片工序中的极组重量、预热工序的预热温度和预热时间、热压工序的热压温度、热压压力和热压时间、一次注液工序的注液量、预充工序的静置时间、开始电压、开始电流、能量和真空度、二次注液工序的注液前重量、注液量和总注液量、化成工序的开始电压、开始电流、结束电压、结束电流、中值电压、库位温度、工步运行时间、结束容量和结束能量中的一项或多项。
4.根据权利要求2所述的方法,其特征在于,所述基于所述训练数据进行特征处理,包括:
对所述训练数据进行重塑数据,得到数据特征集;
删除所述数据特征集中缺失率大于预设缺失率与变化幅度小于预设幅度的数据特征;
对所述数据特征集中极组类型的数据特征进行处理,删除由每个极组参数中的最大值、最小值、均值生成的数据特征之外的特征;
删除大于预设分位数的异常的数据特征和满足离群条件的特征,得到训练所述初始电芯容量预估模型的训练集。
5.根据权利要求4所述的方法,其特征在于,所述基于所述训练数据进行特征处理,还包括:
检验所述训练集中训练数据的相关系数;
在检测到所述相关系数满足相关条件后,允许训练。
6.一种电芯容量预测装置,其特征在于,包括:
获取模块,用于获取待测电池的在生产过程中的生产参数;
提取模块,用于从所述生产参数中提取与电芯容量相关的至少一个电池特征;
预测模块,用于将所述至少一个电池特征输入预先训练好的电芯容量预估模型中,得到所述待测电池的预测电芯容量。
7.根据权利要求6所述的装置,其特征在于,在将所述至少一个电池特征输入所述预先训练好的电芯容量预估模型之前,所述预测模块,还包括:
获取单元,用于获取训练电池在生产过程中的一道或多道工序对应的生产参数;
筛选单元,用于对所述生产参数进行数据清洗,筛选出满足训练条件的训练数据;
生成单元,用于基于所述训练数据进行特征处理,训练初始电芯容量预估模型,直至模型的评分指标达到预设阈值,生成所述电芯容量预估模型。
8.根据权利要求7所述的装置,其特征在于,所述对应的生产参数包括叠片工序中的极组重量、预热工序的预热温度和预热时间、热压工序的热压温度、热压压力和热压时间、一次注液工序的注液量、预充工序的静置时间、开始电压、开始电流、能量和真空度、二次注液工序的注液前重量、注液量和总注液量、化成工序的开始电压、开始电流、结束电压、结束电流、中值电压、库位温度、工步运行时间、结束容量和结束能量中的一项或多项。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的电芯容量预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的电芯容量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949809.9A CN113687250B (zh) | 2021-08-18 | 2021-08-18 | 电芯容量预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949809.9A CN113687250B (zh) | 2021-08-18 | 2021-08-18 | 电芯容量预测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113687250A true CN113687250A (zh) | 2021-11-23 |
CN113687250B CN113687250B (zh) | 2023-10-24 |
Family
ID=78580471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110949809.9A Active CN113687250B (zh) | 2021-08-18 | 2021-08-18 | 电芯容量预测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113687250B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298507A (zh) * | 2021-12-17 | 2022-04-08 | 欣旺达电子股份有限公司 | 锂电池失效判定方法、模型生成方法、设备及存储介质 |
CN114460474A (zh) * | 2022-01-25 | 2022-05-10 | 电子科技大学 | 电池分容方法及其装置、电子设备 |
CN115453371A (zh) * | 2022-09-29 | 2022-12-09 | 上海玫克生储能科技有限公司 | 电芯数据监测方法、电芯数据监测装置、介质及电子设备 |
CN115470995A (zh) * | 2022-09-15 | 2022-12-13 | 湖北亿纬动力有限公司 | 电池容量预测模型训练方法、电池分容方法及装置 |
CN115510648A (zh) * | 2022-09-27 | 2022-12-23 | 上海玫克生储能科技有限公司 | 一种锂电池电芯实际容量和电芯健康度识别方法和*** |
CN115656834A (zh) * | 2022-11-02 | 2023-01-31 | 武汉动力电池再生技术有限公司 | 一种电池容量预测方法、装置及电子设备 |
WO2023202098A1 (zh) * | 2022-04-19 | 2023-10-26 | 深圳先进技术研究院 | 锂电池化成阶段产品质量预测方法及*** |
WO2024077587A1 (zh) * | 2022-10-14 | 2024-04-18 | 宁德时代新能源科技股份有限公司 | 电池性能预测方法与电池性能分布预测方法 |
WO2024140759A1 (zh) * | 2022-12-27 | 2024-07-04 | 华为技术有限公司 | 一种电池性能的预测方法、模型训练方法及相关装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608535A (zh) * | 2012-02-27 | 2012-07-25 | 宁德新能源科技有限公司 | 一种锂离子电池容量的预测方法 |
CN110794308A (zh) * | 2019-11-07 | 2020-02-14 | 交控科技股份有限公司 | 列车电池容量预测方法及装置 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN112018854A (zh) * | 2020-09-08 | 2020-12-01 | 广东省华南技术转移中心有限公司 | 电池充电控制方法、装置以及终端、存储介质 |
CN112051504A (zh) * | 2020-08-13 | 2020-12-08 | 联合汽车电子有限公司 | 电池容量的预测方法、装置、终端及计算机可读存储介质 |
CN112098848A (zh) * | 2020-09-14 | 2020-12-18 | 北京大学深圳研究生院 | 一种电池放电容量预测方法、***及可读存储介质 |
CN112213643A (zh) * | 2020-09-30 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池初始容量、电池健康状态的预测方法、***及设备 |
CN112485689A (zh) * | 2020-10-26 | 2021-03-12 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于Xgboost模型预测储能***中锂电池剩余循环寿命的方法 |
CN112986830A (zh) * | 2021-04-22 | 2021-06-18 | 湖北工业大学 | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 |
CN113095000A (zh) * | 2021-06-08 | 2021-07-09 | 蜂巢能源科技有限公司 | 获取电芯放电容量的方法、装置、存储介质及电子设备 |
-
2021
- 2021-08-18 CN CN202110949809.9A patent/CN113687250B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608535A (zh) * | 2012-02-27 | 2012-07-25 | 宁德新能源科技有限公司 | 一种锂离子电池容量的预测方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110794308A (zh) * | 2019-11-07 | 2020-02-14 | 交控科技股份有限公司 | 列车电池容量预测方法及装置 |
CN112051504A (zh) * | 2020-08-13 | 2020-12-08 | 联合汽车电子有限公司 | 电池容量的预测方法、装置、终端及计算机可读存储介质 |
CN112018854A (zh) * | 2020-09-08 | 2020-12-01 | 广东省华南技术转移中心有限公司 | 电池充电控制方法、装置以及终端、存储介质 |
CN112098848A (zh) * | 2020-09-14 | 2020-12-18 | 北京大学深圳研究生院 | 一种电池放电容量预测方法、***及可读存储介质 |
CN112213643A (zh) * | 2020-09-30 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池初始容量、电池健康状态的预测方法、***及设备 |
CN112485689A (zh) * | 2020-10-26 | 2021-03-12 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于Xgboost模型预测储能***中锂电池剩余循环寿命的方法 |
CN112986830A (zh) * | 2021-04-22 | 2021-06-18 | 湖北工业大学 | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 |
CN113095000A (zh) * | 2021-06-08 | 2021-07-09 | 蜂巢能源科技有限公司 | 获取电芯放电容量的方法、装置、存储介质及电子设备 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298507A (zh) * | 2021-12-17 | 2022-04-08 | 欣旺达电子股份有限公司 | 锂电池失效判定方法、模型生成方法、设备及存储介质 |
CN114460474A (zh) * | 2022-01-25 | 2022-05-10 | 电子科技大学 | 电池分容方法及其装置、电子设备 |
WO2023202098A1 (zh) * | 2022-04-19 | 2023-10-26 | 深圳先进技术研究院 | 锂电池化成阶段产品质量预测方法及*** |
CN115470995A (zh) * | 2022-09-15 | 2022-12-13 | 湖北亿纬动力有限公司 | 电池容量预测模型训练方法、电池分容方法及装置 |
CN115510648A (zh) * | 2022-09-27 | 2022-12-23 | 上海玫克生储能科技有限公司 | 一种锂电池电芯实际容量和电芯健康度识别方法和*** |
CN115510648B (zh) * | 2022-09-27 | 2023-12-19 | 上海玫克生储能科技有限公司 | 一种锂电池电芯实际容量和电芯健康度识别方法和*** |
CN115453371A (zh) * | 2022-09-29 | 2022-12-09 | 上海玫克生储能科技有限公司 | 电芯数据监测方法、电芯数据监测装置、介质及电子设备 |
WO2024077587A1 (zh) * | 2022-10-14 | 2024-04-18 | 宁德时代新能源科技股份有限公司 | 电池性能预测方法与电池性能分布预测方法 |
CN115656834A (zh) * | 2022-11-02 | 2023-01-31 | 武汉动力电池再生技术有限公司 | 一种电池容量预测方法、装置及电子设备 |
WO2024093005A1 (zh) * | 2022-11-02 | 2024-05-10 | 武汉动力电池再生技术有限公司 | 一种电池容量预测方法、装置及电子设备 |
WO2024140759A1 (zh) * | 2022-12-27 | 2024-07-04 | 华为技术有限公司 | 一种电池性能的预测方法、模型训练方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113687250B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113687250A (zh) | 电芯容量预测方法、装置、电子设备及介质 | |
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
CN105488539B (zh) | 分类模型的生成方法及装置、***容量的预估方法及装置 | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN110443377B (zh) | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 | |
CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
CN114047452B (zh) | 一种确定电池循环寿命的方法及装置 | |
CN110598300A (zh) | 一种电池soh预测方法及装置 | |
CN107491425A (zh) | 确定方法、确定装置、计算机装置和计算机可读存储介质 | |
CN117148168B (zh) | 训练模型的方法、预测电池容量的方法、装置及介质 | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
CN114325454A (zh) | 一种多特征对电池健康度影响的确定方法、装置、设备及介质 | |
CN111339385A (zh) | 基于cart的舆情类型识别方法及***、存储介质、电子设备 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN108380527B (zh) | 一种电池批量分选的***及方法 | |
JP2016126891A (ja) | 蓄電池評価装置、蓄電池評価方法およびプログラム | |
CN116720145B (zh) | 基于数据处理的无线充电剩余时间预测方法 | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN105608460A (zh) | 多分类器融合方法和*** | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
CN115856695A (zh) | 一种电池健康状态预测方法、装置以及电子设备 | |
CN110515001B (zh) | 一种基于充放电的两阶段电池性能预测方法 | |
CN113933718A (zh) | 一种退役电池容量分选方法、装置、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 |