CN113866638A - 一种电池参数推测方法、装置、设备及介质 - Google Patents
一种电池参数推测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113866638A CN113866638A CN202110977584.8A CN202110977584A CN113866638A CN 113866638 A CN113866638 A CN 113866638A CN 202110977584 A CN202110977584 A CN 202110977584A CN 113866638 A CN113866638 A CN 113866638A
- Authority
- CN
- China
- Prior art keywords
- model
- battery parameter
- data
- module
- training
- 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
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本公开涉及一种电池参数推测装置、方法、设备及介质,其中,所述方法应用于电池参数推测装置上,所述方法包括:利用所述模型生成装置生成模型并更新模型;利用所述数据处理装置读取并保存训练用数据;根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出;根据输出的电池参数推测计算结果判断当前模型的参数是否满足要求,若满足则以当前参数保存模型,若不满足则保存模型参数,分析计算模型参数后生成新的模型参数以更新模型。
Description
技术领域
本公开涉及数据处理技术领域,更为具体来说,本公开涉及一种电池参数推测方法、装置、设备及介质。
背景技术
电池的使用寿命推测具有重要意义,现有技术的技术方案不能满足用户对于电池的状态例如使用寿命等推测的需求,因此,本公开主要提供了一种通过深度学习/机器学习解决对于电池状态的推测的方法、装置、设备及介质。
发明内容
为解决现有技术不能满足用户的电池参数推测需求的技术问题。
为实现上述技术目的,本公开提供了一种电池参数推测装置,包括:
模型生成装置和数据处理装置;
其中,所述模型生成装置具体包括:
训练数据存储模块,用于存储训练数据;
训练数据获取模块,用于从所述训练数据存储模块中读取训练数据以进行模型训练;
模型训练模块,用于利用所述训练数据获取模块读取的训练数据进行模型训练得到电池参数推测模型;
第一模型存储模块,用于存储所述模型训练模块训练得到的所述电池参数推测模型;
模型发送模块,用于发送所述模型训练模块训练后的所述状态推测模型;
所述训练数据存储模块依次与所述训练数据获取模块、所述模型训练模块、所述第一模型存储模块以及所述模型发送模块相连接;
其中,所述数据处理装置具体包括:
模型参数获取模块,用于读取所述模型发送模块发送的所述电池参数推测计算模型;
第二模型存储模块,用于存储所述模型参数获取模块获取的模型;
输入数据获取模块,用于获取测定对象相关的输入数据并存储;
输出数据生成模块,用于调用所述第二模型存储模块中存储的模型以及读取所述输入数据获取模块中的输入数据计算后并输出;
其中,所述输入数据获取模块具体包括:输入数据获取子模块以及输入数据存储子模块;
所述输出数据生成模块具体包括:输出数据计算子模块以及输出数据输出子模块;
表示处理模块,用于调用所述输出数据生成模块的输出数据并进行处理得到可以显示的数据;
显示模块,用于显示所述表示处理模块处理后得到的可以显示的数据。
进一步,还包括:
模型训练参数训练模块,用于训练所述模型训练模块中模型训练的参数。
进一步,所述模型训练参数训练模块具体用于:
利用深度学习模型、机械学习模型和/或线性回归分析方法对所述模模型训练模块中的参数进行训练。
进一步,所述深度学习模型具体包括:
深度神经网络、卷积神经网络、循环神经网络、递归神经网络、长短期记忆网络和/或双向长短期记忆网络。
为实现上述技术目的,本公开提供了一种电池参数推测方法,应用于上述的电池参数推测装置上,所述方法包括:
利用所述模型生成装置生成模型并更新模型;
利用所述数据处理装置读取并保存训练用数据;
根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出;
根据输出的电池参数推测计算结果判断当前模型的参数是否满足要求,若满足则以当前参数保存模型,若不满足则保存模型参数,分析计算模型参数后生成新的模型参数以更新模型。
进一步,所述根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出具体包括:
第一电池参数推测模型组中包括n个独立模型;
将ai~aj段数据分别输入n个模型中作为输入参数,其中,ai表示电池参数输入段的起始时刻,aj表示电池参数输入段的结束时刻,n为大于等于2的整数;
各个阶段的第一电池参数推测模型分别保存所述ai~aj段数据,n个独立模型分别使用所述ai~aj段数据计算其所负责的输出阶段的第一电池参数推测结果,如第一个模型计算出bi1~bj1,第二个模型计算出bi2~bj2……第n个模型计算出bin~bjn;
将所述第一电池参数推测结果汇总,处理并存储。
进一步,所述根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出具体包括:
第二电池参数模型组中包括m个独立模型;
将ai~aj段作为输入数据分m段输入m个模型中作为输入数据,其中,ai表示电池参数输入段的起始时刻,aj表示电池参数输入段的结束时刻,m为大于等于2的整数;
各个所述第二电池参数推测模型使用所述ai~aj段数据分段后的数据作为各个模型的输入数据;
各个所述第二电池参数推测模型利用所属各个模型的输入数据,分别计算所述各个模型所负责的第二电池参数数据段推测输出数据并存储;
将各组所述第二电池参数推测输出数据输入到分析模型中进行分析;
将所述分析后的结果存储作为第二电池参数模型组的输出结果。
进一步,所述根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出具体包括:
第三电池参数模型组包括k个独立模型;
将ai~aj段数据输入到第一个第三电池参数推测模型,所述第一个第三电池参数推测模型存储所述ai~aj段数据,其中,ai表示电池参数输入段的起始时刻,aj表示电池参数输入段的结束时刻;
所述第一个第三电池参数推测模型使用所述ai~aj段数据计算后将计算结果输入第二个第三电池参数推测模型作为第二个模型的输入数据,依次循环直至将第k-1个第三电池参数推测模型的计算结果输入第k个第三电池参数推测模型,其中,k为大于等于2的整数;
将k个第三电池参数推测模型的计算结果进行处理得到第三电池参数模型组的推测结果。
为实现上述技术目的,本公开还能够提供一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时用于实现上述的电池参数推测方法的步骤。
为实现上述技术目的,本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的电池参数推测方法的步骤。
附图说明
图1示出了本公开的实施例1的装置的结构示意图;
图2示出了本公开的实施例1的模型生成装置的结构示意图;
图3示出了本公开的实施例1的数据处理装置的结构示意图;
图4示出了本公开的实施例2的方法的流程示意图;
图5示出了本公开的实施例2的方法的流程示意图;
图6示出了本公开的实施例2的方法的流程示意图;
图7示出了本公开的实施例2的方法的流程示意图;
图8示出了本公开的实施例2的方法的流程示意图;
图9示出了本公开的实施例4的结构示意图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层,或根据实际情况对图中的逻辑关系和/或拓扑结构进行调整。
实施例一:
如图1所示:
本公开提供了一种电池参数推测装置,包括:
模型生成装置10和数据处理装置20;
其中,所述模型生成装置10具体包括:
训练数据存储模块,用于存储训练数据;
训练数据获取模块,用于从所述训练数据存储模块中读取训练数据以进行模型训练;
模型训练模块,用于利用所述训练数据获取模块读取的训练数据进行模型训练得到电池参数推测模型;
第一模型存储模块,用于存储所述模型训练模块训练得到的所述电池参数推测模型;
模型发送模块,用于发送所述模型训练模块训练后的所述寿命推测模型;
所述训练数据存储模块依次与所述训练数据获取模块、所述模型训练模块、所述第一模型存储模块以及所述模型发送模块相连接;
其中,所述数据处理装置20具体包括:
模型参数获取模块,用于读取所述模型发送模块发送的所述电池参数推测计算模型;
第二模型存储模块,用于存储所述模型参数获取模块获取的模型;
输入数据获取模块,用于获取测定对象相关的输入数据并存储;
输出数据生成模块,用于调用所述第二模型存储模块中存储的模型以及读取所述输入数据获取模块中的输入数据计算后并输出;
其中,所述输入数据获取模块具体包括:输入数据获取子模块以及输入数据存储子模块;
所述输出数据生成模块具体包括:输出数据计算子模块以及输出数据输出子模块;
表示处理模块,用于调用所述输出数据生成模块的输出数据并进行处理得到可以显示的数据;
显示模块,用于显示所述表示处理模块处理后得到的可以显示的数据。
作为一个示例,输入数据为测定对象30状态的测试指标数据,至少包含有多个测试指标中的一部分。输出数据为表示测定对象30现在或将来状态的数据。例如,输出数据可以是测定对象30的多个测试指标中未作为输入数据部分中的数据的现在或将来的推定值,也可以是测定对象30的至少一个指标的将来值的推定值。后者的情况下,输出数据中所包含的指标也可以出现在输入数据中.
例如当测定对象30为蓄电池时,输入数据中至少包含的多个指标如蓄电池的输出电压、输出电流值,以及温度中的至少一个。但对象物和指标并不限于此。输出数据中则至少包含如测定对象30的残容量(单位Ah)、充电率(SOC:state of charge),以及SOH(stateof health)中的至少一个,但若包含有输出电压、输出电流值、温度中的至少一个也可以。
SOH=当前满充电容量(Ah)/初始满充电容量(Ah)*100%
此外,当测定对象30为蓄电池时,数据处理装置20的一部分功能可用作测定对象30的BMS(battery management system)。在本图中所示案例中,一个数据处理装置20与多个测定对象30连接,从而对多个测定对象30执行处理。
测定对象30为蓄电池的情况下,测定对象30将对机器进行供电,比如机器可以是如电动车等的车辆。但当测定对象30为家用蓄电池时,机器则为家用电器等类似用电器,在这种情况下,测定对象30是被设置在机器外部的。此外,测定对象30也可以与***供电网相连接,该情况下测定对象30用于使供应电量平均化。具体表现为当机器的电量有剩余时存储电量,机器电量不足时供应电量。
如上所述,数据处理装置20在生成输出数据时会应用该模型。模型生成装置10则通过机械学习,如神经网络,生成数据处理装置20所要用到的至少一种模型并更新。
如图2所示:
图2是模型生成装置10的功能结构的一个示例。
如图2中所示:
训练数据存储模块110,用于存储训练数据;
训练数据获取模块120,用于从所述训练数据存储模块中读取训练数据以进行模型训练;
模型训练模块130,用于利用所述训练数据获取模块读取的训练数据进行模型训练得到电池参数推测模型;
第一模型存储模块140,用于存储所述模型训练模块训练得到的所述电池参数推测模型;
模型发送模块150,用于发送所述模型训练模块训练后的所述寿命推测模型。
所述训练数据存储模块依次110与所述训练数据获取模块120、所述模型训练模块130、所述第一模型存储模块140以及所述模型发送模块150相连接。
训练数据获取模块120获取多个训练数据,模型训练模块130对训练数据获取模块120所取得的复数个训练数据进行机械学习,从而生成模型。模型训练模块130可以通过多种机械学习算法(例如,LSTM(long short-term memory),DNN(deep neural network),LR(linear regression),CNN(Convolutional Neural Networks),GAN(GenerativeAdversarial Networks))等生成多种不同的模型。
训练数据获取模块120从训练数据存储模块110中取得训练数据。训练数据存储模块110可以是模型生成装置10的一部分,也可以是模型生成装置10外配设置。
模型训练模块130生成的模型将保存在第一模型存储模块140中,然后模型发送模块150将存储在第一模型存储模块140中的模型发送给数据处理装置20。如图所示,第一模型存储模块140和模型发送模块150均为模型生成装置10的一部分。但第一模型存储模块140和模型发送模块150也可以作为模型生成装置10的外部设置。
数据处理装置20的功能结构的一例如图3所示。
其中,所述数据处理装置20具体包括:
模型参数获取模块210,用于读取所述模型发送模块发送的所述电池参数推测计算模型;
第二模型存储模块220,用于存储所述模型参数获取模块获取的模型;
输入数据获取模块230,用于获取测定对象相关的输入数据并存储;
输出数据生成模块240,用于调用所述第二模型存储模块中存储的模型以及读取所述输入数据获取模块中的输入数据计算后并输出;
其中,所述输入数据获取模块230具体包括:输入数据获取子模块2301以及输入数据存储子模块2302;
所述输出数据生成模块240具体包括:输出数据计算子模块2401以及输出数据输出子模块2402;
表示处理模块250,用于调用所述输出数据生成模块的输出数据并进行处理得到可以显示的数据;
显示模块260,用于显示所述表示处理模块处理后得到的可以显示的数据。
输入数据通过输入数据获取模块230获取。例,测定对象30为蓄电池时,输入数据获取模块230将从蓄电池状态检出探测器(电流计、电压计、温度计等)获得输入数据。
输出数据生成模块240,使用模型生成装置10生成的模型处理输入数据,产生输出数据。
模型参数获取模块210从模型生成装置10处获得模型,于第二模型存储模块220处存储。在模型参数获取模块210从模型生成装置10处获得更新用的参数(例如模型的参数)时,使用这个参数,更新第二模型存储模块220中记录的模型。这种更新处理,适合反复重复操作。
表示处理模块250可以在显示模块260处显示输出数据生成模块240生成的数据。显示模块260可以根据使用者需求设置在方便使用的位置。
实施例二:
如图4所示,
本公开还能够提供一种电池参数推测方法,包括:
S401:利用所述模型生成装置生成模型并更新模型;
S402:利用所述数据处理装置读取并保存训练用数据;
S403:根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出;
S404:根据输出的电池参数推测计算结果判断当前模型的参数是否满足要求,若满足则以当前参数保存模型,若不满足则保存模型参数,分析计算模型参数后生成新的模型参数以更新模型。
具体地,如图5所示,
所述S403具体分为实施方式S403-a:
第一电池参数推测模型组中包括n个独立模型。将ai~aj段数据分别输入n个模型中作为输入参数,其中,ai表示电池参数输入段的起始时刻,aj表示电池参数输入段的结束时刻,n为大于等于2的整数;
各个阶段的第一电池参数推测模型分别保存所述ai~aj段数据,n个独立模型分别使用所述ai~aj段数据计算其所负责的输出阶段的第一电池参数推测结果,如第一个模型计算出bi1~bj1,第二个模型计算出bi2~bj2……第n个模型计算出bin~bjn;
将所述第一电池参数推测结果汇总,处理并存储。
具体地,如图6所示,
所述S403具体分为实施方式S403-b:
第二电池参数模型组中包括m个独立模型;
将ai~aj段作为输入数据分m段输入m个模型中作为输入数据,其中,ai表示电池参数输入段的起始时刻,aj表示电池参数输入段的结束时刻,m为大于等于2的整数;
各个所述第二电池参数推测模型使用所述ai~aj段数据分段后的数据作为各个模型的输入数据;
各个所述第二电池参数推测模型利用所属各个模型的输入数据,分别计算所述各个模型所负责的第二电池参数数据段推测输出数据并存储;
将各组所述第二电池参数推测输出数据输入到分析模型中进行分析;
将所述分析后的结果存储作为第二电池参数模型组的输出结果。
具体地,如图7所示,
所述S403具体分为实施方式S403-c-1:
第三电池参数模型组包括k个独立模型;
将ai~aj段数据输入到第一个第三电池参数推测模型,所述第一个第三电池参数推测模型存储所述ai~aj段数据,其中,ai表示电池参数输入段的起始时刻,aj表示电池参数输入段的结束时刻;
所述第一个第三电池参数推测模型使用所述ai~aj段数据计算后将计算结果输入第二个第三电池参数推测模型作为第二个模型的输入数据,依次循环直至将第k-1个第三电池参数推测模型的计算结果输入第k个第三电池参数推测模型,其中,k为大于等于2的整数;
将k个第三电池参数推测模型的计算结果进行处理得到第三电池参数模型组的推测结果。
进一步地,在实施方式S403-c-1基础上,还可以进行改进,具体如图8所示:
将ai~aj段数据输入到第一个第三电池参数推测模型,所述第一个第三电池参数推测模型存储所述ai~aj段数据,其中,ai表示电池参数推测的起始时刻,aj表示电池参数推测的结束时刻;
所述第一个第三电池参数推测模型计算后将计算结果输入第二个第三电池参数推测模型;
将所述第一个第三电池参数推测模型计算后的结果和所述第二个第三电池参数推测模型计算后的结果导入第三个第三电池参数推测模型;
依次循环
直至将第一个第三电池参数推测模型计算后的结果至第k-1个第三电池参数推测模型计算后的结果一起导入第k个第三电池参数推测模型进行计算;其中,k为大于等于2的整数;
将第k个第三电池参数推测模型的计算结果作为第三电池参数推测结果。
在此需要强调的是,其他类似变形例,诸如:将复数个第三电池参数推测模型的结果合并作为后一段的第三电池参数推测模型的输入的方式,因为属于同一种架构和类似的思路,也属于本方案的变形例中。因为变形方式多样,在此不在赘述。
实施例三:
本公开还能够提供一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时用于实现上述的电池参数推测方法的步骤。
本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁盘存储器实现。
半导体存储器,主要用于计算机的半导体存储元件主要有Mos和双极型两种。Mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。NMos和CMos问世后,使Mos存储器在半导体存储器中开始占主要地位。NMos速度快,如英特尔公司的1K位静态随机存储器的存取时间为45ns。而CMos耗电省,4K位的CMos静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(RAM),即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器(ROM)在工作过程中可随机读出但不能写入,它用来存放已固化好的程序和数据。ROM又分为不可改写的熔断丝式只读存储器──PROM和可改写的只读存储器EPROM两种。
磁芯存储器,具有成本低,可靠性高的特点,且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上,存取时间最快为300ns。国际上典型的磁芯存储器容量为4MS~8MB,存取周期为1.0~1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后,磁芯存储器仍然可以作为大容量扩充存储器而得到应用。
磁鼓存储器,一种磁记录的外存储器。由于其信息存取速度快,工作稳定可靠,虽然其容量较小,正逐渐被磁盘存储器所取代,但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要,出现了超小型磁鼓,其体积小、重量轻、可靠性高、使用方便。
磁盘存储器,一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点,即其存储容量较磁鼓容量大,而存取速度则较磁带存储器快,又可脱机贮存,因此在各种计算机***中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。
硬磁盘存储器的品种很多。从结构上,分可换式和固定式两种。可换式磁盘盘片可调换,固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种,又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小,记录密度低存取速度高,但造价高。活动磁头型磁盘记录密度高(可达1000~6250位/英寸),因而容量大,但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节,位密度为每英寸6 250位,道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换,具有很大的脱体容量,而且容量大,速度高,可存储大容量情报资料,在联机情报检索***、数据库管理***中得到广泛应用。
实施例四:
本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的电池参数推测方法的步骤。
图9为一个实施例中电子设备的内部结构示意图。如图9所示,该电子设备包括通过***总线连接的处理器、存储介质、存储器和网络接口。其中,该计算机设备的存储介质存储有操作***、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种电池参数推测方法。该电设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种电池参数推测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。
所述处理器在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等),以及调用存储在所述存储器内的数据,以执行电子设备的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
图9仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图9示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种电池参数推测装置,其特征在于,包括:
模型生成装置和数据处理装置;
其中,所述模型生成装置具体包括:
训练数据存储模块,用于存储训练数据;
训练数据获取模块,用于从所述训练数据存储模块中读取训练数据以进行模型训练;
模型训练模块,用于利用所述训练数据获取模块读取的训练数据进行模型训练得到电池参数推测模型;
第一模型存储模块,用于存储所述模型训练模块训练得到的所述电池参数推测模型;
模型发送模块,用于发送所述模型训练模块训练后的所述寿命推测模型;
所述训练数据存储模块依次与所述训练数据获取模块、所述模型训练模块、所述第一模型存储模块以及所述模型发送模块相连接;
其中,所述数据处理装置具体包括:
模型参数获取模块,用于读取所述模型发送模块发送的所述电池参数推测计算模型;
第二模型存储模块,用于存储所述模型参数获取模块获取的模型;
输入数据获取模块,用于获取测定对象相关的输入数据并存储;
输出数据生成模块,用于调用所述第二模型存储模块中存储的模型以及读取所述输入数据获取模块中的输入数据计算后并输出;
其中,所述输入数据获取模块具体包括:输入数据获取子模块以及输入数据存储子模块;
所述输出数据生成模块具体包括:输出数据计算子模块以及输出数据输出子模块;
表示处理模块,用于调用所述输出数据生成模块的输出数据并进行处理得到可以显示的数据;
显示模块,用于显示所述表示处理模块处理后得到的可以显示的数据。
2.根据权利要求1所述的装置,其特征在于,还包括:
模型训练参数训练模块,用于训练所述模型训练模块中模型训练的参数。
3.根据权利要求2所述的装置,其特征在于,所述模型训练参数训练模块具体用于:
利用深度学习模型、机械学习模型和/或线性回归分析方法对所述模模型训练模块中的参数进行训练。
4.根据权利要求3所述的装置,其特征在于,所述深度学习模型具体包括:
深度神经网络、卷积神经网络、循环神经网络、递归神经网络、长短期记忆网络和/或双向长短期记忆网络。
5.一种电池参数推测方法,应用于如权利要求1~4任一项中所述的装置上,其特征在于,所述方法包括:
利用所述模型生成装置生成模型并更新模型;
利用所述数据处理装置读取并保存训练用数据;
根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出;
根据输出的电池参数推测计算结果判断当前模型的参数是否满足要求,若满足则以当前参数保存模型,若不满足则保存模型参数,分析计算模型参数后生成新的模型参数以更新模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出具体包括:
将ai~aj段数据分别输入n个阶段的第一电池参数推测模型,其中,ai表示电池参数推测的起始时刻,aj表示电池参数推测的结束时刻,n为大于等于2的整数;
各个阶段的第一电池参数推测模型分别保存所述ai~aj段数据,并分别计算电池的所述ai~aj段数据在其所处阶段的第一电池参数推测结果;
将所述第一电池参数推测结果汇总并存储。
7.根据权利要求5所述的方法,其特征在于,所述根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出具体包括:
将ai~aj段数据分m段输入m个第二电池参数推测模型,其中,ai表示电池参数推测的起始时刻,aj表示电池参数推测的结束时刻,m为大于等于2的整数;
利用各个所述第二电池参数推测模型保存所述ai~aj段数据分段后的数据;
利用各个所述第二电池参数推测模型分别计算所述ai~aj段数据全段数据对应的第二电池参数推测输出数据并存储;
将各组所述第二电池参数推测输出数据输入到分析模型中进行分析;
将所述分析后的结果存储。
8.根据权利要求5所述的方法,其特征在于,所述根据所述模型生成装置更新后的模型以及所述数据处理装置保存的训练用数据进行电池参数推测计算并输出具体包括:
将ai~aj段数据输入到第一个第三电池参数推测模型,所述第一个第三电池参数推测模型存储所述ai~aj段数据,其中,ai表示电池参数推测的起始时刻,aj表示电池参数推测的结束时刻;
所述第一个第三电池参数推测模型计算后将计算结果输入第二个第三电池参数推测模型,依次循环直至将第k-1个第三电池参数推测模型的计算结果输入第k个第三电池参数推测模型,其中,k为大于等于2的整数;
将第k个第三电池参数推测模型的计算结果作为第三电池参数推测结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现权利要求5~8任一项中所述的电池参数推测方法对应的步骤。
10.一种计算机存储介质,其上存储有计算机程序指令,其特征在于,所述程序指令被处理器执行时用于实现权利要求1~7任一项中所述的电池参数推测方法对应的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977584.8A CN113866638A (zh) | 2021-08-24 | 2021-08-24 | 一种电池参数推测方法、装置、设备及介质 |
PCT/JP2022/031639 WO2023027048A1 (ja) | 2021-08-24 | 2022-08-23 | 電池パラメータ推定方法、装置、デバイス及び媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977584.8A CN113866638A (zh) | 2021-08-24 | 2021-08-24 | 一种电池参数推测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113866638A true CN113866638A (zh) | 2021-12-31 |
Family
ID=78988271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110977584.8A Pending CN113866638A (zh) | 2021-08-24 | 2021-08-24 | 一种电池参数推测方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113866638A (zh) |
WO (1) | WO2023027048A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054892B (zh) * | 2023-10-11 | 2024-02-27 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754014A (zh) * | 2018-12-29 | 2019-05-14 | 北京航天数据股份有限公司 | 工业模型训练方法、装置、设备及介质 |
CN109816158A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 预测模型的组合方法、装置、设备及可读存储介质 |
US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
CN110765701A (zh) * | 2019-10-24 | 2020-02-07 | 华南理工大学 | 一种led荧光粉胶涂覆厚度的预测方法 |
CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
CN111768096A (zh) * | 2020-06-24 | 2020-10-13 | 平安银行股份有限公司 | 基于算法模型的评级方法、装置、电子设备及存储介质 |
CN112001496A (zh) * | 2020-08-27 | 2020-11-27 | 展讯通信(上海)有限公司 | 神经网络结构搜索方法及***、电子设备及存储介质 |
CN112200389A (zh) * | 2020-11-11 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 数据预测方法、装置、设备及存储介质 |
CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN113064093A (zh) * | 2021-03-22 | 2021-07-02 | 山东建筑大学 | 储能电池荷电状态与健康状态联合估算方法及*** |
CN113219341A (zh) * | 2021-03-23 | 2021-08-06 | 陈九廷 | 一种模型生成及电池劣化推测装置、方法、介质及设备 |
CN113240128A (zh) * | 2021-04-07 | 2021-08-10 | 睿蜂群(北京)科技有限公司 | 数据不平衡的协同训练方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102553031B1 (ko) * | 2016-01-14 | 2023-07-06 | 삼성전자주식회사 | 배터리의 상태 추정 장치 및 방법 |
US9960625B2 (en) * | 2016-03-31 | 2018-05-01 | Robert Bosch Gmbh | Battery management system with multiple observers |
KR102399602B1 (ko) * | 2017-08-17 | 2022-05-18 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
JP2021060230A (ja) * | 2019-10-03 | 2021-04-15 | 株式会社Gsユアサ | 推定装置、推定方法、及びコンピュータプログラム |
KR20210057955A (ko) * | 2019-11-13 | 2021-05-24 | 엘지전자 주식회사 | 전기 자동차의 배터리 소모량 예측 장치, 시스템 및 방법 |
-
2021
- 2021-08-24 CN CN202110977584.8A patent/CN113866638A/zh active Pending
-
2022
- 2022-08-23 WO PCT/JP2022/031639 patent/WO2023027048A1/ja unknown
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190257886A1 (en) * | 2018-02-21 | 2019-08-22 | Nec Laboratories America, Inc. | Deep learning approach for battery aging model |
CN109754014A (zh) * | 2018-12-29 | 2019-05-14 | 北京航天数据股份有限公司 | 工业模型训练方法、装置、设备及介质 |
CN109816158A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 预测模型的组合方法、装置、设备及可读存储介质 |
CN110765701A (zh) * | 2019-10-24 | 2020-02-07 | 华南理工大学 | 一种led荧光粉胶涂覆厚度的预测方法 |
CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
CN111768096A (zh) * | 2020-06-24 | 2020-10-13 | 平安银行股份有限公司 | 基于算法模型的评级方法、装置、电子设备及存储介质 |
CN112001496A (zh) * | 2020-08-27 | 2020-11-27 | 展讯通信(上海)有限公司 | 神经网络结构搜索方法及***、电子设备及存储介质 |
CN112200389A (zh) * | 2020-11-11 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 数据预测方法、装置、设备及存储介质 |
CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN113064093A (zh) * | 2021-03-22 | 2021-07-02 | 山东建筑大学 | 储能电池荷电状态与健康状态联合估算方法及*** |
CN113219341A (zh) * | 2021-03-23 | 2021-08-06 | 陈九廷 | 一种模型生成及电池劣化推测装置、方法、介质及设备 |
CN113240128A (zh) * | 2021-04-07 | 2021-08-10 | 睿蜂群(北京)科技有限公司 | 数据不平衡的协同训练方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023027048A1 (ja) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113219341B (zh) | 一种模型生成及电池劣化推测装置、方法、介质及设备 | |
CN110442936A (zh) | 基于数字孪生模型的设备故障诊断方法、装置及*** | |
CN112766512B (zh) | 基于元算子的深度学习框架诊断***、方法、装置、设备及介质 | |
US20210325469A1 (en) | Learning apparatus, estimation apparatus, learning method, estimation method, recording medium having recorded thereon learning program, and recording medium having recorded thereon estimation program | |
JP7423119B2 (ja) | 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル | |
CN112308313B (zh) | 一种学校连续点选址方法、装置、介质及计算机设备 | |
CN112348213A (zh) | 运维故障排查实现方法、装置、介质及设备 | |
WO2023027048A1 (ja) | 電池パラメータ推定方法、装置、デバイス及び媒体 | |
CN113255682B (zh) | 一种目标检测***、方法、装置、设备及介质 | |
CN114692873A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN116011343A (zh) | 可靠性数字孪生***构建方法、装置和计算机设备 | |
CN115691557A (zh) | 一种基于情绪识别的智能客服***、方法、介质及设备 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN113806539A (zh) | 一种文本数据增强***、方法、设备及介质 | |
CN112911285B (zh) | 硬件编码器帧内模式决策电路、方法、装置、设备及介质 | |
CN113704487A (zh) | 知识图谱的生成方法、装置、计算机设备及存储介质 | |
CN113799786A (zh) | 一种轴转速信号解析方法、装置、设备及介质 | |
CN112232115B (zh) | 一种计算因子植入方法、介质及设备 | |
CN112685189B (zh) | 一种实现数据处理方法、装置、设备及介质 | |
US9268898B1 (en) | Estimating power consumption of a circuit design | |
CN113159100B (zh) | 电路故障诊断方法、装置、电子设备和存储介质 | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、***和计算机设备 | |
CN112911309B (zh) | avs2编码器运动矢量处理***、方法、装置、设备及介质 | |
US20230088429A1 (en) | Processing device, processing method, and program | |
CN115424042A (zh) | 基于层间特征相似性网络稀疏化方法、装置、介质及设备 |
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 |