CN114970841A - 电池状态预测模型的训练方法及相关装置 - Google Patents
电池状态预测模型的训练方法及相关装置 Download PDFInfo
- Publication number
- CN114970841A CN114970841A CN202110197414.8A CN202110197414A CN114970841A CN 114970841 A CN114970841 A CN 114970841A CN 202110197414 A CN202110197414 A CN 202110197414A CN 114970841 A CN114970841 A CN 114970841A
- Authority
- CN
- China
- Prior art keywords
- battery
- characteristic information
- training
- information
- model
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了人工智能领域中一种电池状态预测模型的训练方法及相关装置。本申请提供的技术方案中,根据目标电池的第一电池特征信息对第一模型进行自监督训练,第一模型包括第一预训练表示模型和第一预测模型;根据目标电池的第二电池特征信息和第一标签信息对电池状态预测模型进行监督训练,电池状态预测模型包括特征向量提取模型和第二预测模型,特征向量提取模型进行监督训练之前的初始参数包括对第一模型进行自监督训练后得到的第一预训练表示模型的参数。本申请的技术方案能够使用实车数据预测实车的电池状态,并且降低了电池状态预测模型的训练成本。
Description
技术领域
本申请涉及人工智能领域,尤其涉及电池状态预测模型的训练方法及相关装置。
背景技术
人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能、感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人、自然语言处理、计算机视觉、决策与推理、人机交互、推荐与搜索、AI基础理论等。
电动汽车(electric vehicle,EV)因具有低污染和高性能的优点,成为了当代汽车发展的主要方向。同时,电动汽车的电池状态预测也成为了行业的关注热点。
目前,用于预测电池的各种状态(例如SOC信息、SOH信息、故障信息或剩余寿命信息)的模型为端到端的预测模型,且都是从零初始状态开始训练,因此对标签数据的数据量要求极高。
发明内容
本申请提供了一种电池状态预测模型的训练方法及相关装置,使得能够使用实车数据预测EV的电池状态,并且降低了电池状态预测模型的训练成本。
第一方面,本申请提供一种电池状态预测模型的训练方法,所述训练方法包括:获取目标电池在第一时段内的第一电池特征信息,所述目标电池的电池特征信息包括以下一种或多种信息:所述目标电池的电流信息、所述目标电池的电压信息、所述目标电池的温度信息和所述目标电池的电池电量指标SOC;根据所述第一电池特征信息对第一模型进行自监督训练,所述第一模型包括第一预训练表示模型和第一预测模型,所述第一预测模型的输入包括所述第一预训练表示模型的输出,所述第一预训练表示模型用于确定输入的电池特征信息的表示向量,所述第一预测模型用于确定输入的表示向量对应的目标电池特征信息;获取所述目标电池的第二电池特征信息和第一标签信息,所述第一标签信息用于指示所述第二电池特征信息对应的电池状态信息;根据所述第二电池特征信息和所述第一标签信息对所述电池状态预测模型进行监督训练,所述电池状态预测模型包括特征向量提取模型和第二预测模型,所述第二预测模型的输入包括所述特征向量提取模型的输出,所述特征向量提取模型的初始参数包括对所述第一模型进行所述自监督训练后得到的所述第一预训练表示模型的参数。
本方法中,因为使用无标签数据对第一模型进行自监督训练之后,训练得到的预训练表示模型的参数中能够学习到电池特征信息与电池状态信息之间的关联知识,所以使用带标签数据对初始化参数包含了该预训练表示模型训练后的电池状态预测模型训练时,可以降低该电池状态预测模型对带标签数据的要求。换句话说,使用少量或存量带标签数据也能训练得到电池状态预测模型。
可选地,本方法中的各个电池特征信息可以是电池原始数据特征,例如可以是经由传感器采集到的电池原始数据特征。例如,电池特征信息可以包括电流信息、电压信息、温度信息和SOC信息等。这样可以使得训练得到的电池状态模型能够直接根据电池原始数据进行状态预测,即可以基于电池实时数据实现电池状态预测。
结合第一方面,在第一种可能的实现方式中,所述第二预测模型的结构与所述第一预测模型的结构相同,并且,所述第二预测模型进行所述监督训练之前的初始参数包括对所述第一模型进行所述自监督训练后得到的所述第一预测模型的参数。
该实现方式中,第二预测模型的结构与第一预测模型的结构相同,并且第二预测模型的初始参数包括完成自监督训练后的第一预测模型的参数。完成自监督训练后的第一预测模型已经学习到了电池特征信息的表示向量与电池特征信息之间的关联关系,这等同于在对第二预测模型进行训练之前,已经对其进行了预训练,提高了电池状态预测模型的训练效率。
结合第一方面或第一种可能的实现方式,在第二种可能的实现方式中,所述第一电池特征信息包括所述目标电池在所述第一时段内的N个时间的N个电池特征信息,N为正整数,所述第一预训练表示模型中包括第一编码器和第二编码器,所述第一编码器的输入包括电池特征信息,所述第二编码器的输入包括所述第一编码器的输出。
结合第二种可能的实现方式,在第三种可能的实现方式中,所述根据所述第一电池特征信息对第一模型进行自监督训练,包括:将所述N个电池特征信息划分为n个子集合,所述n个子集合中每个子集合包含至少一个电池特征信息,所述n个子集合中第i个子集合中的任意电池特征信息在所述第一时间内对应的时间早于所述n个子集合中第i+1个子集合中的任意电池特征信息在所述第一时间内对应的时间,n为正整数且n小于或等于N,i为正整数且i小于n;将所述n个子集合中的每个子集合中的所有电池特征信息按照对应的时间先后顺序排列得到的电池特征信息序列输入所述第一编码器,得到所述每个子集合对应的表示向量;将所述n个子集合对应的n个表示向量按照对应的时间先后顺序或按照SOC值从低到高的顺序排列后得到的电池特征信息序列输入所述第二编码器,得到所述第一电池特征信息的第一表示向量;将所述第一表示向量输入所述第一预测模型,得到所述第一表示向量对应的目标电池特征信息;根据所述目标电池特征信息和所述第一电池特征信息调整所述第一模型的参数。
该实现方式中,将第一时间段内的N个电池特征信息划分为n个子集合,将n个子集合中的每个子集合中的所有电池特征信息按照对应的时间先后顺序排列得到的电池特征信息序列输入至第一编码器,得到每个子集合对应的表示向量;将每个子集合对应的表示向量按照时间先后顺序或按照SOC值从低到高的顺序依次输入第二编码器,得到第一电池特征信息的第一表示向量;将第一表示向量输入第一预测模型,得到第一表示向量对应的目标电池特征信息;根据目标电池特征信息和第一电池特征信息训练第一模型的参数,提高了第一模型的准确度,降低了训练成本。
结合第三种可能的实现方式,在第四种可能的实现方式中,所述将所述N个电池特征信息划分为n个子集合,包括:按照SOC值将所述电池特征值划分为所述n个子集合,所述n个子集合中的每个子集合包含的所有电池特征信息对应的SOC值相同。
结合第二种或第三种或第四种可能的实现方式,在第五种可能的实现方式中,所述目标电池为电池包,所述第一电池特征信息和/或所述第二电池特征信息还包括所述电池包中每个单体电芯的电压信息。
结合第一方面,在第六种可能的实现方式中,所述第一电池特征信息包括所述目标电池在第一时段内的M个时间的M个电池特征信息,M为正整数,所述第一预训练表示模型包括变分编码器,所述第一预测模型包括变分解码器,所述第二预测模型包括回归模型或分类模型。
结合第六种可能的实现方式,在第七种可能的实现方式中,所述根据所述第一电池特征信息对第一模型进行自监督训练,包括:将所述M个电池特征信息划分为m个子集合,所述m个子集合中每个子集合包含至少一个电池特征信息,所述m个子集合中第j个子集合中的任意电池特征信息在所述第一时间内对应的时间早于所述m个子集合中第j+1个子集合中的任意电池特征信息在所述第一时间内对应的时间,m为正整数且m小于或等于M,j为正整数且j小于m;根据所述m个子集合中的每个子集合中的所有电池特征信息确定所述每个子集合对应的表示向量;计算所述m个子集合对应的m个表示向量的平均值;将所述平均值输入所述第一预训练表示模型,得到所述第一电池特征信息的第二表示向量;将所述第二表示向量输入所述第一预测模型,得到所述第二表示向量对应的目标电池特征信息;根据所述目标电池特征信息和所述第一电池特征信息调整所述第一模型的参数。
该实现方式中,将第一时间段内的M个电池特征信息划分为m个子集合,根据m个子集合中的每个子集合中的所有电池特征信息确定每个子集合对应的表示向量;计算m个子集合对应的m个表示向量的平均值;将平均值输入第一预训练表示模型,得到第一电池特征信息的第二表示向量;将第二表示向量输入第一预测模型,得到第二表示向量对应的目标电池特征信息;根据目标电池特征信息和第一电池特征信息训练第一模型的参数,提高了第一模型的准确度,降低了训练成本。
结合第七种可能的实现方式,在第八种可能的实现方式中,所述m个子集合中任意一个子集合中的电池特征信息的数量等于所述m个子集合中其它任意一个子集合中的电池特征信息的数量。
结合第六种或第七种或第八种可能的实现方式,在第九种可能的实现方式中,所述目标电池为单体电芯,所述第一电池特征信息和/或所述第二电池特征信息包括所述单体电芯的绝缘电阻信息和/或所述单体电芯的电化学交流阻抗谱EIS。
结合第一方面或上述任意一种可能的实现方式,在第十种可能的实现方式中,所述目标电池特征信息包括:所述目标电池在所述第一时段内的SOC序列,所述目标电池在所述第一时段内的电压序列、所述目标电池内每个单体电芯在所述第一时段内的充电时长序列、所述目标电池的充电模式或所述目标电池在所述第一时间内的随机掩码处的SOC值,所述充电模式包括快充模型或慢充模式。
结合第一方面或上述任意一种可能的实现方式,在第十一种可能的实现方式中,所述电池状态信息包括电池健康度指标SOH信息或故障信息或剩余寿命信息。
第二方面,本申请提供一种电池状态的预测方法,所述预测方法包括:获取待预测电池的待预测电池特征信息;使用电池状态预测模型基于所述待预测电池特征信息确定所述待预测电池的电池状态信息,所述电池状态预测模型为使用第一方面或其中任意一种可能的实现方式所述的训练方法训练得到的电池状态预测模型。
本方法中,待预测电池的待预测电池特征信息可以直接从EV上报的数据中获取,使得EV可以根据实车数据预测电池状态。
第三方面,本申请提供一种电池状态预测模型的训练装置,所述装置可以包括用于实现第一方面中的方法的各个模块,这些模块可以通过软件和/或硬件的方式实现。
第四方面,本申请提供一种电池状态的预测装置,所述装置可以包括用于实现第二方面中的方法的各个模块,这些模块可以通过软件和/或硬件的方式实现。
第五方面,本申请提供一种电池状态预测模型的训练装置。该装置可以包括与存储器耦合的处理器。其中,该存储器用于存储程序代码,该处理器用于执行该存储器中的程序代码,以实现第一方面或其中任意一种实现方式中的方法。
可选地,该装置还可以包括该存储器。
第六方面,本申请提供一种电池状态的预测装置。该装置可以包括与存储器耦合的处理器。其中,该存储器用于存储程序代码,该处理器用于执行该存储器中的程序代码,以实现第二方面中的方法。
可选地,该装置还可以包括该存储器。
第七方面,本申请提供一种芯片,包括至少一个处理器和通信接口,所述通信接口和所述至少一个处理器通过线路互联,所述至少一个处理器用于运行计算机程序或指令,以执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。
第八方面,本申请提供一种计算机可读介质,该计算机可读介质存储用于设备执行的程序代码,该程序代码包括用于执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。
第九方面,本申请提供一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。
第十方面,本申请提供一种计算设备,包括至少一个处理器和通信接口,所述通信接口和所述至少一个处理器通过线路互联,所述通信接口与目标***通信,所述至少一个处理器用于运行计算机程序或指令,以执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。
第十一方面,本申请提供一种计算***,包括至少一个处理器和通信接口,所述通信接口和所述至少一个处理器通过线路互联,所述通信接口与目标***通信,所述至少一个处理器用于运行计算机程序或指令,以执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。
本申请提供的电池状态预测模型的训练方法,引入了深度学习中的嵌入式表示(embedding representation)思想及预训练流水线思想,提出将电池在任意一个检测段的状态表示为抽象的电池表示向量,充分利用电池包上报的无标签数据,通过根据电池的电化学特性设计的至少一个预训练任务对电池状态预测模型进行训练。
针对训练完成后的电池状态预测模型,既可以利用迁移学习的方法执行后续所有电池的端到端的数据驱动任务,也可以使用电池状态预测模型中的预训练表示模型直接提取电池的表示向量,用于后续的电池状态预测任务,减少了对需要大量人工标注的标签数据的依赖,使得EV对电池状态的预测只依赖于EV上报的一般性数据,不需要对EV上报的一般性数据进行特征转化,也不需要对EV的硬件进行改造,降低了成本。
本申请提供的电池状态预测模型的训练方法可以通过迁移学习适配不同厂家不同结构的EV电池包或者不同材料体系的单体电芯。
本申请提供的电池状态预测模型中的预训练表示模型可以使用transformer编码器模型,通过设计两层继承编码器模型,充分利用每个时间节点的样本,可以处理可变长度的时间序列,并且计算量较小。
当EV上报的实车数据量足够大时,可以覆盖电压、温度和电流多种特性,可通过扩大电池状态预测模型的规模,充分挖掘输入数据间的非线性关系,达到覆盖复杂工况和复杂电池包内部结构的效果。
附图说明
图1为本申请的实施例提供的一种***架构的示意图;
图2为本申请的实施例提供的一种芯片硬件的结构示意图;
图3为本申请的实施例提供的另一种***架构的示意图;
图4为本申请的实施例的一种电池状态预测模型的训练方法的流程示意图;
图5为本申请一个实施例的电池包的SOH预测模型的训练方法的流程示意图;
图6为本申请一个实施例的电池包的故障预测模型的训练方法的流程示意图;
图7为本申请一个实施例的单体电芯的SOH预测模型的训练方法的流程示意图;
图8为本申请一个实施例的单体电芯的故障预测模型的训练方法的流程示意图;
图9为本申请的实施例的一种电池状态预测方法的流程示意图;
图10为本申请一个实施例的电池状态预测模型的训练装置的示意性结构图;
图11为本申请一个实施例的电池状态的预测装置的示意性结构图;
图12为本申请一个实施例提供的装置的结构示意图。
具体实施方式
下面将结合本申请的实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请的实施例提供的一种***架构的示意图。参见图1,数据采集设备160用于采集目标电池的电池特征信息和部分电池特征对应的电池状态标签信息并存入数据库130,其中,没有对应电池状态标签信息的电池特征信息称为第一电池特征信息,有对应电池状态标签信息的电池特征信息称为第二电池特征信息,第二电池特征信息对应的电池状态标签信息称为第一标签信息;训练设备120基于数据库130中维护的第一电池特征信息、第二电池特征信息和第一标签信息生成电池状态预测模型101,其中,电池状态模型也可以称为电池状态预测规则。
训练设备120基于第一电池特征信息、第二电池特征信息和第一标签信息获取电池状态预测模型101的方法可以参见图4至图8中任意图所示的实施例。
训练设备120得到的电池状态预测模型101可以应用不同的***或设备中,例如应用到执行设备110中。
执行设备110配置有I/O接口112,与外部设备进行数据交互,“用户”可以通过客户设备140向I/O接口112输入待预测电池的待预测电池特征信息。
执行设备110可以调用数据存储***150中的数据、代码等,也可以将数据、指令等存入数据存储***150中。
计算模块111使用电池状态预测模型101对待预测电池的待预测电池特征信息进行处理,从而得到待预测电池的电池状态信息。
最后,I/O接口112将处理结果返回给客户设备140,提供给用户。
在图1所示的情况下,用户可以手动指定输入执行设备110中的待预测电池特征信息,例如,在I/O接口112提供的界面中操作。另一种情况下,客户设备140可以自动地向I/O接口112输入待预测电池特征信息并获得电池状态信息,如果客户设备140自动输入待预测电池特征信息需要获得用户的授权,用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的电池状态信息,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端将采集到电池特征信息和标签信息存入数据库130。
值得注意的,图1仅是本申请实施例提供的一种***架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图1中,数据存储***150相对执行设备110是外部存储器,在其它情况下,也可以将数据存储***150置于执行设备110中。
图2为本申请的实施例提供的一种芯片硬件的结构示意图。参见图2,神经网络处理器(neural-network processing unit,NPU)作为协处理器挂载到主中央处理器(hostcentral processing unit,Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路20,控制器204控制运算电路203提取存储器(权重存储器202和/或输入存储器201)中的数据并进行运算。
在一些实现方式中,运算电路203内部包括多个处理单元(process engine,PE)。在一些实现方式中,运算电路203是二维脉动阵列。运算电路203还可以是一维脉动阵列或者能够执行例如乘法或加法这样的数学运算的其它电子线路。在一些实现方式中,运算电路203是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器202中取矩阵B相应的数据,并缓存在运算电路203的中每一个PE上。运算电路从输入存储器201中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)208中。
向量计算单元207可以对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。例如,向量计算单元207可以用于神经网络中非卷积/非FC层的网络计算,如池化(Pooling),批归一化(Batch Normalization),局部响应归一化(Local Response Normalization)等。
在一些实现中,向量计算单元207可以将经处理的输出的向量存储到统一缓存器206。例如,向量计算单元207可以将非线性函数应用到运算电路203的输出,例如累加值的向量,用以生成激活值。在一些实现方式中,向量计算单元207可以生成归一化的值、合并值,或二者均有。在一些实现方式中,处理过的输出的向量能够用作运算电路203的激活输入,例如用于在神经网络中的后续层中的使用。
统一存储器206用于存放输入数据以及输出数据。
存储单元访问控制器(direct memory access controller,DMAC)205将外部存储器中的输入数据搬运到输入存储器201和/或统一存储器206,将外部存储器中的权重数据存入权重存储器202,以及将统一存储器206中的数据存入外部存储器。
总线接口单元(bus interface unit,BIU)210,用于通过总线实现主CPU、DMAC和取指存储器209之间的交互。
与控制器204连接的取指存储器(instruction fetch buffer)209,用于存储控制器204使用的指令。
控制器204,用于调用取指存储器209中缓存的指令,实现控制该运算加速器的工作过程。统一存储器206、输入存储器201、权重存储器202以及取指存储器209均为片上(On-Chip)存储器。外部存储器私有于该NPU硬件架构。
在一些实现方式中,图2所示的芯片可以实现图4至图8中任意图所示的方法,以获得电池状态预测模型。作为一种示例,该方法可以是由主CPU和NPU共同配合完成的。
在另一些实现方式中,图2所示的芯片可以实现图9所示的方法,以获得待预测电池的电池状态信息。作为一种示例,该方法可以是由主CPU和NPU共同配合完成的。
图3为本申请的实施例提供的另一种***架构的示意图。参见图3,计算设备310由一个或多个服务器实现,可选的,可以与其它计算设备配合,例如,计算设备310可以与数据存储、路由器和负载均衡器等设备配合;计算设备310可以布置在一个物理站点上,或者分布在多个物理站点上。
在图3所示的***中,计算设备310可以使用数据存储***350中的数据,或者调用数据存储***150中的程序代码实现图4至图8中任意图所示的方法。作为一种示例,计算设备310可以是图1中的训练设备120。
或者,在图3所示的***中,计算设备310可以使用数据存储***350中的数据,或者调用数据存储***150中的程序代码实现图9所示的方法。
用户可以操作各自的用户设备(例如本地设备301和本地设备302)与计算设备310进行交互。每个本地设备可以表示任何计算设备,例如个人计算机、计算机工作站、智能手机、平板电脑、智能摄像头、智能汽车或其他类型蜂窝电话、媒体消费设备、可穿戴设备、机顶盒、游戏机等。
每个用户的本地设备可以通过任何通信机制或通信标准的通信网络与计算设备310进行交互,通信网络可以是广域网、局域网、点对点连接等方式或它们的任意组合。
在另一种实现中,计算设备310的一个方面或多个方面可以由每个本地设备实现,例如,本地设备301可以为计算设备310提供本地数据或反馈计算结果。
需要注意的,计算设备310的所有功能也可以由本地设备实现。例如,本地设备301实现计算设备310的功能并为自己的用户提供服务,或者为本地设备302的用户提供服务。
图4为本申请的实施例的一种电池状态预测模型的训练方法的流程示意图,如图4所示,该方法至少包括S401至S404。
S401,获取目标电池在第一时段内的第一电池特征信息。
目标电池可以是包含多个单体电芯的电池包,也可以是单体电芯。第一时段可以为任意时段,第一时段的时长可以是预先规定好的。
可以理解的是,目标电池在第一时段内的第一电池特征信息可以包括目标电池在第一时段内至少一个时间点中每个时间点的电池特征信息。
作为一种示例,目标电池为电池包时,第一电池特征信息可以包括电池包的电流信息、电池包的电压信息、电池包的温度信息、电池包中每个单体电芯的电压信息和电池包的电池电量指标(state of charge,SOC)等。
作为另一种示例,目标电池为单体电芯时,第一电池特征信息可以包括单体电芯的电压信息,单体电芯的温度信息,单体电芯的电流信息,单体电芯的SOC信息,单体电芯的绝缘电阻信息或单体电芯的电化学交流阻抗谱(electrochemical impedancespectroscopy,EIS)等。
在一些实现方式中,目标电池的第一电池特征信息可以从目标电池所属的EV的原始电池管理***(battery management system,BMS)上报的数据中直接获取。
S402,根据第一电池特征信息对第一模型进行自监督训练,第一模型包括第一预训练表示模型和第一预测模型,第一预测模型的输入包括第一预训练表示模型的输出,第一预训练表示模型用于确定输入的电池特征信息的表示向量,第一预测模型用于确定输入的表示向量对应的目标电池特征信息。
在一些实现方式中,第一预训练表示模型中包括第一编码器和第二编码器,第一编码器的输入包括第一电池特征信息,第二编码器的输入包括第一编码器的输出,第一预测模型包括回归器或分类器等。
在另一些实现方式中,第一预训练表示模型中包括变分编码器(variationalauto-encoder,VAE),第一预测模型包括变分解码器。
第一预训练表示模型包括两级编码器时,示例性的,第一预训练表示模型中的第一编码器和第二编码器可以为多层继承转换器(transformer)结构。
本实施例的一些实现方式中,上述自监督训练可以包括以下训练任务中至少一项任务:预测目标电池在第一时段内的SOC序列,即目标电池特征信息为目标电池在第一时段内的SOC序列;预测目标电池在第一时段的电压序列,即目标电池特征信息为目标电池在第一时段的电压序列;预测目标电池在第一时段内每个SOC片段的充电时间,即目标电池特征信息为目标电池在第一时段内每个SOC片段的充电时间;预测目标电池在第一时段内的充电模式,即目标电池特征信息为目标电池在第一时段内的充电模式为快充模式还是慢充模式;或,预测目标电池在第一时段内的随机掩码处的SOC值,即目标电池特征信息为目标电池在第一时段内的随机掩码处的SOC值。
本实施例中,根据第一电池特征信息对第一模型进行自监督训练的一种实现方式可以包括步骤1至步骤5。这种实现方式中,第一电池特征信息包括目标电池在第一时段内的N个时间点处的N个电池特征信息,N为正整数。
步骤1,将第一时间段内的N个电池特征信息划分为n个子集合,n个子集合中每个子集合包含至少一个电池特征信息,n个子集合中第i个子集合中的任意电池特征信息在第一时间内对应的时间早于n个子集合中第i+1个子集合中的任意电池特征信息在第一时间内对应的时间,n为正整数且n小于或等于N,i为正整数且i小于n。
作为一种示例,可以根据第一时间段内的N个电池特征信息的SOC值,将N个电池特征值划分为n个子集合,划分后的n个子集合中的每个子集合包含的所有电池特征信息对应的SOC值相同。
作为另一种示例,可以根据第一时间段内的N个电池特征信息的电压值,将N个电池特征值划分为n个子集合,划分后的n个子集合中的每个子集合包含的所有电池特征信息对应的电压值相同。
步骤2,将n个子集合中的每个子集合中的所有电池特征信息按照对应的时间先后顺序排列得到的电池特征信息序列输入第一编码器,得到每个子集合对应的表示向量。
步骤3,将n个子集合对应的n个表示向量按照对应的时间先后顺序或按照SOC值从低到高的顺序排列后得到的电池特征信息序列输入第二编码器,得到第一电池特征信息的第一表示向量。
步骤4,将第一表示向量输入至第一预测模型,得到第一表示向量对应的目标电池特征信息。
步骤5,根据目标电池特征信息和第一电池特征信息训练第一模型的参数。
本实施例中,根据第一电池特征信息对第一模型进行自监督训练的另一种实现方式可以包括步骤6至步骤11。其中,第一电池特征信息可以包括目标电池在第一时段内的M个时间的M个电池特征信息,M为正整数。
步骤6,将第一时间段内的M个电池特征信息划分为m个子集合,m个子集合中每个子集合包含至少一个电池特征信息,m个子集合中第j个子集合中的任意电池特征信息在第一时间内对应的时间早于m个子集合中第j+1个子集合中的任意电池特征信息在第一时间内对应的时间,m为正整数且m小于或等于M,j为正整数且j小于m。
作为一种示例,可以预设m个子集合中每个子集合中的电池特征信息的数量,且m个子集合中任意一个子集合中的电池特征信息的数量等于m个子集合中其他任意一个子集合中的电池特征信息的数量,将第一时间段内的M个电池特征信息根据预设的每个子集合的电池特征信息的数量进行划分,若m个子集合中的任意一个子集合中的电池特征信息的数量未达到预设的每个子集合中的电池特征信息的数量时,将缺少的电池特征信息记为0。
步骤7,根据m个子集合中的每个子集合中的所有电池特征信息确定每个子集合对应的表示向量。
步骤8,计算m个子集合对应的m个表示向量的平均值。
步骤9,将平均值输入第一预训练表示模型,得到第一电池特征信息的第二表示向量。
步骤10,将第二表示向量输入第一预测模型,得到第二表示向量对应的目标电池特征信息。
步骤11,根据目标电池特征信息和第一电池特征信息训练第一模型的参数。
S403,获取第二电池特征信息和第一标签信息,第一标签信息用于指示第二电池特征信息对应的电池状态信息。
作为一种示例,目标电池可以为电池包,第二电池特征信息可以包括电池包的电流信息、电池包的电压信息、电池包的温度信息、电池包中每个单体电芯的电压信息和电池包的SOC值等。
作为另一种示例,目标电池可以为单体电芯,第二电池特征信息可以包括单体电芯的电压信息,单体电芯的温度信息,单体电芯的电流信息,单体电芯的SOC信息,单体电芯的绝缘电阻信息或单体电芯的EIS。
本实施例中,第二电池特征信息与第一电池特征信息可以是同一个电池特征信息,也可以是不同的电池特征信息。
本实施例的一些实现方式中,第二电池特征信息对应的电池状态信息可以包括目标电池的SOH信息、故障信息或剩余寿命信息等。
本实施例中,第二电池特征信息和第一标签信息合起来可以称为训练数据。
S404,根据第二电池特征信息和第一标签信息对电池状态预测模型进行监督训练,电池状态预测模型包括特征向量提取模型和第二预测模型,第二预测模型的输入包括特征向量提取模型的输出,特征向量提取模型进行监督训练之前的初始参数包括对第一模型进行自监督训练后得到的第一预训练表示模型的参数。
在一些实现方式中,可以使用第一模型中进行自监督训练后得到的第一预训练表示模型的模型参数对电池状态预测模型中的特征向量提取模型中的全部或部分参数进行初始化,再使用第二电池特征信息和第一标签信息对特征向量提取模型电池状态预测模型进行进一步训练,得到电池状态预测模型。
在另一些可能的实现方式中,可以将第一模型进行自监督训练后得到的第一预训练表示模型作为电池状态预测模型中的特征向量提取模型,将第二电池特征信息输入至特征向量提取模型中,得到该第二电池特征信息的表示向量,使用第二电池特征信息、第二电池特征信息的表示向量和第一标签信息对第二预测模型进行训练,得到电池状态预测模型。
本实施例中,电池状态信息包括SOH信息时,电池状态预测模型可以称为SOH预测模型;电池状态信息包括故障信息时,电池状态预测模型可以称为故障预测模型。
本申请提出的技术方案中,对第一模型进行自监督训练的第一电池特征信息和对第二模型进行监督训练的第二电池特征信息均可以直接从EV上报的数据中直接获取,对第二模型进行监督训练所使用的第一标签信息的数量与现有技术中对电池状态预测模型进行训练所使用的标签数据的数量相比大大减少,降低了对电池状态预测模型的训练成本。
因为在电池状态预测模型的训练过程中,仅使用实车数据对电池状态预测模型的预训练表示模型进行训练,因此在使用电池状态预测模型对EV的电池状态进行预测时,可以仅使用实车数据对EV的电池状态进行预测。
下面以目标电池为电池包,第一预训练表示模型包括SOC编码器和SOC序列编码器,第一预测模型为分类器或回归器,电池状态预测模型为SOH预测模型为例,介绍本申请电池状态预测模型的一种示例性训练方法。
图5为本申请一个实施例的电池包的SOH预测模型的训练方法的流程示意图。如图5所示,该方法至少包括S501至S508。
S501,获取电池包在第一检测时长内的所有第一电池特征信息。
可选的,电池包在第一检测时长内的第一电池特征信息可以包括电池包的电流信息、电池包的电压信息、电池包的温度信息、电池包中每个单体电芯的电压信息和电池包的SOC信息等。
电池包的第一电池特征信息可以基于EV的原始BMS上报的数据获取得到。
S502,根据电池包的SOC值将第一检测时长划分为K个时间片段,每个时间片段中的第一电池特征信息的SOC值相同,K为正整数。
根据电池包在第一检测时长内的SOC值将第一检测时长划分为K个时间片段,每个时间片段对应一个SOC值,每个时间片段中的第一电池特征信息的SOC值相同,每个时间片段中至少包括一个第一电池特征信息,时间片段也可以称为SOC帧。
K个时间片段中第x个时间片段中的任意第一电池特征信息在第一检测时长内对应的时间早于K个时间片段中第x+1个时间片段中的任意第一电池特征信息在第一检测时长内对应的时间,x为正整数且x小于K。
S503,将K个时间片段中的每个时间片段中的第一电池特征信息输入至SOC编码器中,得到该时间片段对应的表示向量。
K个时间片段中的每个时间片段对应一个表示向量,该表示向量用于表征对应的时间片段的第一电池特征信息。
第一检测时长的K个时间片段对应K个表示向量。
S504,将K个时间片段中的每个时间片段对应的表示向量按照时间顺序依次输入至SOC序列编码器中,得到第一检测时长对应的表示向量。
SOC序列编码器根据第一检测时长中的K个时间片段的表示向量,得到第一检测时长对应的表示向量,该第一检测时长对应的表示向量用于表征电池包在第一检测时长内的电池特征信息。
S505,将第一检测时长对应的表示向量输入至回归器或分类器中,得到电池包在第一检测时长内的预测输出结果。
S506,使用预训练任务对第一预训练表示模型和第一预测模型进行自监督训练,其中,第一预训练表示模型包括SOC编码器和SOC序列编码器,第一预测模型包括回归器或分类器。
可选的,可以设计多种预训练任务来进行自监督训练,设计的预训练任务可以包括预测电池包在第一检测时长的SOC序列、预测电池包在第一检测时长的电压序列、预测电池包在第一检测时长内每个SOC片段的充电时间,预测电池包在第一检测时长内的充电模式和预测电池包在第一检测时长内的随机掩码处的SOC值等。
可以理解的是,基于多种预训练任务进行自监督训练时,不同的预训练任务可以对应同一个预训练表示模型和不同的第一预测模型。或者说,设计了多个预训练任务的情况下,可以为每个预训练任务设计对应的第一预测模型,然后依次针对每个预训练任务对同一个预训练任务和该预训练任务对应的第一预测模型进行自监督训练。
例如,设计了5个预训练任务时,可以为每个预训练任务设计对应的第一预测模型,即最终设计5个第一预测模型;然后使用这5个预训练任务中的第一个预训练任务对由预训练表示模型和第一个预训练任务对应的第一预测模型构成的模型进行训练;接下来再使用第二个预训练任务对由训练后的预训练表示模型和第二个预训练任务对应的第一预测模型构成的模型进行自监督训练;依次类推,直到使用最后一个预训练任务对由第四次自监督训练得到的预训练表示模型和最后一个训练任务对应的第一预测模型构成的模型自监督训练完毕。
S507,获取电池包的第二电池特征信息和第二电池特征信息对应的SOH标签信息。
可选的,电池包的第二电池特征信息可以包括电池包的电流信息、电池包的电压信息、电池包的温度信息、电池包中每个单体电芯的电压信息和电池包的SOC信息等。
S508,根据电池包的第二电池特征信息和第二电池特征信息对应的SOH标签信息对电池状态预测模型进行监督训练,电池状态预测模型包括特征向量提取模型和第二预测模型。
在一些可能的实现方式中,使用进行自监督训练后得到的第一预训练表示模型的模型参数对电池状态预测模型中的特征向量提取模型中的参数进行初始化,再使用第二电池特征信息和第二电池特征信息对应的SOH标签信息对特征向量提取模型和第二预测模型进行进一步训练,得到电池状态预测模型。
在另一些可能的实现方式中,将进行自监督训练后得到的第一预训练表示模型作为电池状态预测模型中的特征向量提取模型,将第二电池特征信息输入至特征向量提取模型中,得到该第二电池特征信息的表示向量,使用第二电池特征信息、第二电池特征信息的表示向量和第二电池特征信息对应的SOH标签信息对第二预测模型进行训练,得到电池状态预测模型。
根据图5所示的训练方法得到的电池状态预测模型可以用来预测电池包的SOH信息。
本申请提出的技术方案中,将电池包在第一检测时长内的所有第一电池特征信息根据电池包的SOC值划分为K个时间片段,将K个时间片段中的每个时间片段中的电池特征信息输入至第一预训练表示模型中的SOC编码器中,得到每个时间片段对应的表示向量,将K个时间片段中的每个时间片段对应的表示向量按照时间顺序依次输入至第一预训练表示模型中的SOC序列编码器中,得到第一检测时长对应的表示向量,将第一检测时长的对应的表示向量输入至第一预测模型,得到电池包在第一检测时长内的预测输出结果,使用预训练任务对第一预训练表示模型和第一预测模型进行自监督训练,根据电池包的第二电池特征信息和第二电池特征信息对应的SOH标签信息对电池状态预测模型进行监督训练,得到了电池包的SOH预测模型。在对电池包的SOH预测模型进行训练的过程中所使用的第一电池特征信息和第二电池特征信息可以从EV上报的数据中直接获取,降低了训练成本,并且EV可以根据实车数据对电池包的SOH信息进行预测。
下面以目标电池为电池包,第一预训练表示模型包括SOC编码器和SOC序列编码器、第一预测模型为分类器或回归器,电池状态预测模型为故障预测模型为例,介绍本申请电池状态预测模型的一种示例性训练方法。
图6为本申请一个实施例的电池包的故障预测模型的训练方法的流程示意图。如图6所示,该方法至少包括S601至S608。
S601,获取电池包在第一检测时长内的所有第一电池特征信息。
S602,根据电池包的SOC值将第一检测时长划分为L个时间片段,每个时间片段中的第一电池特征信息的SOC值相同,L为正整数。
S603,将L个时间片段中的每个时间片段中的第一电池特征信息输入至SOC编码器中,得到该时间片段对应的表示向量。
S604,将每个时间片段对应的表示向量按照时间顺序依次输入至SOC序列编码器中,得到第一检测时长对应的表示向量。
S605,将第一检测时长对应的表示向量输入至回归器或分类器中,得到预训练输出结果。
S606,使用预训练任务对第一预训练表示模型和第一预测模型进行自监督训练,第一预训练表示模型包括SOC编码器和SOC序列编码器,第一预测模型包括回归器或分类器。
需要说明的是,S601至S606可以参照S501至S506,此处不再进行赘述。
S607,获取电池包的第二电池特征信息和第二电池特征信息对应的故障标签信息。
可选的,电池包的第二电池特征信息可以包括电池包的电流信息、电池包的电压信息、电池包的温度信息、电池包中每个单体电芯的电压信息和电池包的SOC信息等。
S608,根据电池包的第二电池特征信息和第二电池特征信息对应的故障标签信息对电池状态预测模型进行监督训练,电池状态预测模型包括特征向量提取模型和第二预测模型。
在一些可能的实现方式中,使用进行自监督训练后得到的第一预训练表示模型的模型参数对电池状态预测模型中的特征向量提取模型中的参数进行初始化,再使用第二电池特征信息和第二电池特征信息对应的故障标签信息对特征向量提取模型和第二预测模型进行进一步训练,得到电池状态预测模型。
在另一些可能的实现方式中,将进行自监督训练后得到的第一预训练表示模型作为电池状态预测模型中的特征向量提取模型,将第二电池特征信息输入至特征向量提取模型中,得到该第二电池特征信息的表示向量,使用第二电池特征信息、第二电池特征信息的表示向量和第二电池特征信息对应的故障标签信息对第二预测模型进行训练,得到电池状态预测模型。
根据图6所示的训练方法得到的电池状态预测模型可以用来预测电池包的故障信息。
本申请提出的技术方案中,将电池包在第一检测时长内的所有第一电池特征信息根据电池包的SOC值划分为L个时间片段,将L个时间片段中的每个时间片段中的电池特征信息输入至第一预训练表示模型中的SOC编码器中,得到每个时间片段对应的表示向量,将L个时间片段中的每个时间片段对应的表示向量按照时间顺序依次输入至第一预训练表示模型中的SOC序列编码器中,得到第一检测时长对应的表示向量,将第一检测时长的对应的表示向量输入至第一预测模型,得到电池包在第一检测时长内的预测输出结果,使用预训练任务对第一预训练表示模型和第一预测模型进行自监督训练,根据电池包的第二电池特征信息和第二电池特征信息对应的故障标签信息对电池状态预测模型进行监督训练,得到了电池包的故障预测模型。在对电池包的故障预测模型进行训练的过程中所使用的第一电池特征信息和第二电池特征信息可以从EV上报的数据中直接获取,降低了训练成本,并且EV可以根据实车数据对电池包的故障信息进行预测。
下面以目标电池为单体电芯,第一预训练表示模型包括变分编码器、第一预测模型为变分解码器,电池状态预测模型为SOH预测模型为例,介绍本申请电池状态预测模型的一种示例性训练方法。
图7为本申请一个实施例的单体电芯的SOH预测模型的训练方法的流程示意图,如图7所示,该方法至少包括S701至S708。
S701,获取单体电芯在第一检测时长内的所有第一电池特征信息。
可选的,单体电芯在第一检测时长内的第一电池特征信息可以包括单体电芯的电压信息,单体电芯的温度信息,单体电芯的电流信息,单体电芯的SOC信息,单体电芯的绝缘电阻信息或单体电芯的EIS信息等。
电体电芯的第一电池特征信息可以基于EV的原始BMS上报的数据获取。
S702,将第一检测时长划分为Q个时间窗口帧,每个时间窗口帧中的所有第一电池特征信息组成该时间窗口帧对应的表示向量,Q为正整数。
在一些可能的实现方式中,可以预设Q个时间窗口帧中每个时间窗口帧中的第一电池特征信息的数量,且Q个时间窗口帧中任意一个时间窗口帧中的第一电池特征信息的数量等于Q个时间窗口帧中其他任意一个时间窗口帧中的第一电池特征信息的数量,将第一检测时长内的第一电池特征信息根据预设的每个子时间窗口帧的第一电池特征信息的数量进行划分,若Q个时间窗口帧中的任意一个时间窗口帧中的第一电池特征信息的数量未达到预设的每个时间窗口帧中的第一电池特征信息的数量时,将缺少的第一电池特征信息记为0,且每个时间窗口帧中包含至少一个第一电池特征信息。
Q个时间窗口帧中第q个时间窗口帧中的任意第一电池特征信息在第一检测时长内对应的时间早于Q个时间窗口帧中第q+1个时间窗口帧中的任意第一电池特征信息在第一检测时长内对应的时间,q为小于Q的正整数。
S703,计算Q个时间窗口帧对应的Q个表示向量的平均值。
Q个时间窗口帧中的每个时间窗口帧对应一个表示向量,该表示向量用于表征对应的时间窗口帧的单体电芯特征信息。
S704,将计算得到的Q个表示向量的平均值输入至变分编码器中,得到第一检测时长对应的表示向量。
变分编码器根据Q个表示向量的平均值得到第一检测时长对应的表示向量,该第一检测时长对应的表示向量用于表征单体电芯在第一检测时长内的单体电芯特征信息。
S705,将第一检测时长对应的表示向量输入至变分解码器中,得到单体电芯在第一检测时长内的预测输出结果。
S706,使用预训练任务对第一预训练表示模型和第一预测模型进行自监督训练,第一预训练表示模型包括变分编码器,第一预测模型包括变分解码器。
该步骤可以参考S506,此处不再赘述。
S707,获取单体电芯的第二电池特征信息和第二电池特征信息对应的SOH标签信息。
可选的,单体电芯在第一检测时长内的第二电池特征信息可以包括单体电芯的电压信息,单体电芯的温度信息,单体电芯的电流信息,单体电芯的SOC信息,单体电芯的绝缘电阻信息或单体电芯的EIS信息等。
S708,根据单体电芯的第二电池特征信息和第二电池特征信息对应的SOH标签信息对电池状态预测模型进行监督训练,电池状态预测模型包括特征向量提取模型和第二预测模型。
在一些可能的实现方式中,使用进行自监督训练后得到的第一预训练表示模型的模型参数对电池状态预测模型中的特征向量提取模型中的参数进行初始化,再使用第二电池特征信息和第二电池特征信息对应的SOH标签信息对特征向量提取模型和第二预测模型进行进一步训练,得到电池状态预测模型。
在另一些可能的实现方式中,将进行自监督训练后得到的第一预训练表示模型作为电池状态预测模型中的特征向量提取模型,将第二电池特征信息输入至特征向量提取模型中,得到该第二电池特征信息的表示向量,使用第二电池特征信息、第二电池特征信息的表示向量和第二电池特征信息对应的SOH标签信息对第二预测模型进行训练,得到电池状态预测模型。
根据图7所示的训练方法得到的电池状态预测模型可以用来预测单体电芯的SOH信息。
本申请提出的技术方案中,将单体电芯在第一检测时长内的所有第一电池特征信息划分为Q个时间窗口帧,每个时间窗口帧中的所有第一电池特征信息组成该时间窗口帧对应的表示向量,计算Q个时间窗口帧对应的Q个表示向量的平均值,将该平均值输入至第一预训练表示模型中,得到第一检测时长对应的表示向量,将第一检测时长对应的表示向量输入至第一预测模型中,得到单体电芯在第一检测时长内的预测输出结果,使用预训练任务对第一预训练表示模型和第一预测模型进行自监督训练,根据单体电芯的第二电池特征信息和第二电池特征信息对应的SOH标签信息对电池状态预测模型进行监督训练,得到单体电芯的SOH预测模型。在对单体电芯的SOH预测模型进行训练的过程中所使用的第一电池特征信息和第二电池特征信息可以从EV上报的数据中直接获取,降低了训练成本,并且EV可以根据实车数据对单体电芯的SOH信息进行预测。
下面以目标电池为单体电芯,第一预训练表示模型包括变分编码器,第一预测模型为变分解码器,电池状态预测模型为故障预测模型为例,介绍本申请电池状态预测模型的一种示例性训练方法。
图8为本申请一个实施例的单体电芯的故障预测模型的训练方法的流程示意图,如图8所示,该方法至少包括S801至S808。
S801,获取单体电芯在第一检测时长内的所有第一电池特征信息。
S802,将第一检测时长划分为W个时间窗口帧,每个时间窗口帧中的所有第一电池特征信息组成该时间窗口帧对应的表示向量。
S803,计算W个时间窗口帧对应的W个表示向量的平均值。
S804,将计算得到的W个表示向量的平均值输入至变分编码器中,得到第一检测时长对应的表示向量。
S805,将第一检测时长对应的表示向量输入至变分解码器中,得到预测的目标电池特征信息。
S806,使用预训练任务对第一预训练表示模型和第一预测模型进行自监督训练,第一预训练表示模型包括变分编码器,第一预测模型包括变分解码器。
需要说明的是,S801至S806可以参照S701至S706,此处不再进行赘述。
S807,获取单体电芯的第二电池特征信息和第二电池特征信息对应的故障标签信息。
可选的,单体电芯在第一检测时长内的第二电池特征信息可以包括单体电芯的电压信息,单体电芯的温度信息,单体电芯的电流信息,单体电芯的SOC信息,单体电芯的绝缘电阻信息或单体电芯的EIS信息等。
S808,根据单体电芯的第二电池特征信息和第二电池特征信息对应的故障标签信息对电池状态预测模型进行监督训练,电池状态预测模型包括特征向量提取模型和第二预测模型。
在一些可能的实现方式中,使用进行自监督训练后得到的第一预训练表示模型的模型参数对电池状态预测模型中的特征向量提取模型中的参数进行初始化,再使用第二电池特征信息和第二电池特征信息对应的故障标签信息对特征向量提取模型和第二预测模型进行进一步训练,得到电池状态预测模型。
在另一些可能的实现方式中,将进行自监督训练后得到的第一预训练表示模型作为电池状态预测模型中的特征向量提取模型,将第二电池特征信息输入至特征向量提取模型中,得到该第二电池特征信息的表示向量,使用第二电池特征信息、第二电池特征信息的表示向量和第二电池特征信息对应的故障标签信息对第二预测模型进行训练,得到电池状态预测模型。
根据图8所示的训练方法得到的电池状态预测模型可以用来预测单体电芯的故障信息。
本申请提出的技术方案中,将单体电芯在第一检测时长内的所有第一电池特征信息划分为W个时间窗口帧,每个时间窗口帧中的所有第一电池特征信息组成该时间窗口帧对应的表示向量,计算W个时间窗口帧对应的W个表示向量的平均值,将该平均值输入至第一预训练表示模型中,得到第一检测时长对应的表示向量,将第一检测时长对应的表示向量输入至第一预测模型中,得到单体电芯在第一检测时长内的预测输出结果,使用预训练任务对第一预训练表示模型和第一预测模型进行自监督训练,根据单体电芯的第二电池特征信息和第二电池特征信息对应的故障标签信息对电池状态预测模型进行监督训练,得到单体电芯的故障预测模型。在对单体电芯的故障预测模型进行训练的过程中所使用的第一电池特征信息和第二电池特征信息可以从EV上报的数据中直接获取,降低了训练成本,并且EV可以根据实车数据对单体电芯的故障信息进行预测。
图9为本申请的实施例的一种电池状态预测方法的流程示意图,如图9所示,该方法至少包括S901至S902。
S901,获取待预测电池的待预测电池特征信息。
待预测电池可以是包含多个单体电芯的电池包,也可以是单体电芯。
作为一种示例,待预测电池为电池包时,待预测电池特征信息可以包括电池包的电流信息、电池包的电压信息、电池包的温度信息、电池包中每个单体电芯的电压信息和电池包的SOC信息等。
作为另一种示例,待预测电池为单体电芯时,待预测电池特征信息可以包括单体电芯的电压信息,单体电芯的温度信息,单体电芯的电流信息,单体电芯的SOC信息,单体电芯的绝缘电阻信息或单体电芯的EIS信息等。
在一些实现方式中,待预测电池的待预测电池特征信息可以从待预测电池所属的EV的原始BMS上报的数据中直接获取。
S902,使用电池状态预测模型基于待预测电池特征信息确定待预测电池的电池状态信息。
将待预测电池特征信息输入至电池状态预测模型,可以得到待预测电池的电池状态信息,待预测电池的状态信息可以包括待预测电池的SOH信息和/或故障信息和/或剩余寿命信息等。
可以理解的是,电池状态预测模型可以根据图4至图8所示的训练方法进行训练得到。
示例性的,当待预测电池为电池包时,使用图5所示的训练方法得到的电池状态预测模型进行预测,可以得到电池包的SOH信息;使用图6所示的训练方法得到的电池状态预测模型进行预测,可以得到电池包的故障信息。
示例性的,当待预测电池为单体电芯时,使用图7所示的训练方法得到的电池状态预测模型进行预测,可以得到单体电芯的SOH信息;使用图8所示的训练方法得到的电池状态预测模型进行预测,可以得到单体电芯的故障信息。
本申请提出的技术方案中,将待预测电池的待预测电池特征信息输入至根据图4至图8中任意一个实施例所述的训练方法训练得到的电池状态预测模型中,得到待预测电池的电池状态信息。其中,待预测电池的待预测电池特征信息可以从EV上报的数据中直接获取,使得EV可以根据实车数据预测电池状态。
图10为本申请一个实施例的电池状态预测模型的训练装置的示意性结构图。如图10所示,装置1000可以包括获取模块1001和训练模块1002。
本申请实施例中的获取模块和训练模块中任意模块可以全部或部分通过软件和/硬件方式实现。其中,通过软件实现的部分可以在处理器上运行以实现相应的功能,通过硬件方式实现的部分可以是处理器的构成部分。
在一种实现方式中,装置1000可以用于实现上述图4所示的方法。例如,获取模块1001用于实现S401和S403,训练模块1002用于实现S402和S404。
在另一种实现方式中,装置1000可以用于实现上述图5所示的方法。例如,获取模块1001用于实现S501和S507,训练模块1002用于实现S506和S508。
在又一种实现方式中,装置1000可以用于实现上述图6所示的方法。例如,获取模块1001用于实现S601和S607,训练模块1002用于实现S606和S608。
在再一种实现方式中,装置1000可以用于实现上述图7所示的方法。例如,获取模块1001用于实现S701和S707,训练模块1002用于实现S706和S708。
在再一种实现方式中,装置1000可以用于实现上述图8所示的方法。例如,获取模块1001用于实现S801和S807,训练模块1002用于实现S806和S808。
图11为本申请一个实施例的电池状态的预测装置的示意性结构图。如图11所示,装置1100可以包括获取模块1101和处理模块1102。
本申请实施例中的获取模块和处理模块中任意模块可以全部或部分通过软件和/硬件方式实现。其中,通过软件实现的部分可以在处理器上运行以实现相应的功能,通过硬件方式实现的部分可以是处理器的构成部分。
在一种实现方式中,装置1100可以用于实现上述图9所示的方法。例如,获取模块1101用于实现S901,处理模块1102用于实现S902。
图12为本申请一个实施例提供的装置的结构示意图。图12所示的装置1200可以用于执行前述任意一个实施例所述的方法。
如图12所示,本实施例的装置1200包括:存储器1201、处理器1202、通信接口1203以及总线1204。其中,存储器1201、处理器1202、通信接口1203通过总线1204实现彼此之间的通信连接。
存储器1201可以是只读存储器(read only memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(random access memory,RAM)。存储器1201可以存储程序,当存储器1201中存储的程序被处理器1202执行时,处理器1202可以用于执行图4至图9所示的方法的各个步骤。
处理器1202可以采用通用的中央处理器(central processing unit,CPU),微处理器,应用专用集成电路(application specific integrated circuit,ASIC),或者一个或多个集成电路,用于执行相关程序,以实现本申请方法实施例的电池状态预测模型的训练方法和电池状态的预测方法。
处理器1202还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请各个实施例的方法的各个步骤可以通过处理器1202中的硬件的集成逻辑电路或者软件形式的指令完成。
上述处理器1202还可以是通用处理器、数字信号处理器(digital signalprocessing,DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gatearray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1201,处理器1202读取存储器1201中的信息,结合其硬件完成本申请实施例中各个方法所需执行的功能,例如,可以执行图4至图9所示实施例的各个步骤/功能。
通信接口1203可以使用但不限于收发器一类的收发装置,来实现装置1200与其他设备或通信网络之间的通信。
总线1204可以包括在装置1200各个部件(例如,存储器1201、处理器1202、通信接口1203)之间传送信息的通路。
应理解,本申请实施例所示的装置1200可以是电子设备,或者,也可以是配置于电子设备中的芯片。
应理解,本申请实施例中的处理器可以为中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,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,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、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,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (20)
1.一种电池状态预测模型的训练方法,其特征在于,所述训练方法包括:
获取目标电池在第一时段内的第一电池特征信息,所述目标电池的电池特征信息包括以下一种或多种信息:所述目标电池的电流信息、所述目标电池的电压信息、所述目标电池的温度信息和所述目标电池的电池电量指标SOC;
根据所述第一电池特征信息对第一模型进行自监督训练,所述第一模型包括第一预训练表示模型和第一预测模型,所述第一预测模型的输入包括所述第一预训练表示模型的输出,所述第一预训练表示模型用于确定输入的电池特征信息的表示向量,所述第一预测模型用于确定输入的表示向量对应的目标电池特征信息;
获取所述目标电池的第二电池特征信息和第一标签信息,所述第一标签信息用于指示所述第二电池特征信息对应的电池状态信息;
根据所述第二电池特征信息和所述第一标签信息对所述电池状态预测模型进行监督训练,所述电池状态预测模型包括特征向量提取模型和第二预测模型,所述第二预测模型的输入包括所述特征向量提取模型的输出,所述特征向量提取模型的初始参数包括对所述第一模型进行所述自监督训练后得到的所述第一预训练表示模型的参数。
2.根据权利要求1所述的训练方法,其特征在于,所述第二预测模型的结构与所述第一预测模型的结构相同,并且,所述第二预测模型进行所述监督训练之前的初始参数包括对所述第一模型进行所述自监督训练后得到的所述第一预测模型的参数。
3.根据权利要求1或2所述的训练方法,其特征在于,所述第一电池特征信息包括所述目标电池在所述第一时段内的N个时间的N个电池特征信息,N为正整数,所述第一预训练表示模型中包括第一编码器和第二编码器,所述第一编码器的输入包括电池特征信息,所述第二编码器的输入包括所述第一编码器的输出。
4.根据权利要求3所述的训练方法,其特征在于,所述根据所述第一电池特征信息对第一模型进行自监督训练,包括:
将所述N个电池特征信息划分为n个子集合,所述n个子集合中每个子集合包含至少一个电池特征信息,所述n个子集合中第i个子集合中的任意电池特征信息在所述第一时间内对应的时间早于所述n个子集合中第i+1个子集合中的任意电池特征信息在所述第一时间内对应的时间,n为正整数且n小于或等于N,i为正整数且i小于n;
将所述n个子集合中的每个子集合中的所有电池特征信息按照对应的时间先后顺序排列得到的电池特征信息序列输入所述第一编码器,得到所述每个子集合对应的表示向量;
将所述n个子集合对应的n个表示向量按照对应的时间先后顺序或按照SOC值从低到高的顺序排列后得到的电池特征信息序列输入所述第二编码器,得到所述第一电池特征信息的第一表示向量;
将所述第一表示向量输入所述第一预测模型,得到所述第一表示向量对应的目标电池特征信息;
根据所述目标电池特征信息和所述第一电池特征信息调整所述第一模型的参数。
5.根据权利要求4所述的训练方法,其特征在于,所述将所述N个电池特征信息划分为n个子集合,包括:
按照SOC值将所述电池特征值划分为所述n个子集合,所述n个子集合中的每个子集合包含的所有电池特征信息对应的SOC值相同。
6.根据权利要求3至5中任一项所述的训练方法,其特征在于,所述目标电池为电池包,所述第一电池特征信息和/或所述第二电池特征信息还包括:所述电池包中每个单体电芯的电压信息。
7.根据权利要求1所述的训练方法,其特征在于,所述第一电池特征信息包括所述目标电池在第一时段内的M个时间的M个电池特征信息,M为正整数,所述第一预训练表示模型包括变分编码器,所述第一预测模型包括变分解码器,所述第二预测模型包括回归模型或分类模型。
8.根据权利要求7所述的训练方法,其特征在于,所述根据所述第一电池特征信息对第一模型进行自监督训练,包括:
将所述M个电池特征信息划分为m个子集合,所述m个子集合中每个子集合包含至少一个电池特征信息,所述m个子集合中第j个子集合中的任意电池特征信息在所述第一时间内对应的时间早于所述m个子集合中第j+1个子集合中的任意电池特征信息在所述第一时间内对应的时间,m为正整数且m小于或等于M,j为正整数且j小于m;
根据所述m个子集合中的每个子集合中的所有电池特征信息确定所述每个子集合对应的表示向量;
计算所述m个子集合对应的m个表示向量的平均值;
将所述平均值输入所述第一预训练表示模型,得到所述第一电池特征信息的第二表示向量;
将所述第二表示向量输入所述第一预测模型,得到所述第二表示向量对应的目标电池特征信息;
根据所述目标电池特征信息和所述第一电池特征信息调整所述第一模型的参数。
9.根据权利要求8所述的训练方法,其特征在于,所述m个子集合中任意一个子集合中的电池特征信息的数量等于所述m个子集合中其它任意一个子集合中的电池特征信息的数量。
10.根据权利要求7至9中任一项所述的训练方法,其特征在于,所述目标电池为单体电芯,所述第一电池特征信息和/或所述第二电池特征信息还包括:所述单体电芯的绝缘电阻信息和/或所述单体电芯的电化学交流阻抗谱EIS。
11.根据权利要求1至10中任一项所述的训练方法,其特征在于,所述目标电池特征信息包括:所述目标电池在所述第一时段内的SOC序列,所述目标电池在所述第一时段内的电压序列、所述目标电池内每个单体电芯在所述第一时段内的充电时长序列、所述目标电池的充电模式或所述目标电池在所述第一时间内的随机掩码处的SOC值,所述充电模式包括快充模型或慢充模式。
12.根据权利要求1至11中任一项所述的方法,其特征在于,所述电池状态信息包括电池健康度指标SOH信息或故障信息或剩余寿命信息。
13.一种电池状态的预测方法,其特征在于,包括:
获取待预测电池的待预测电池特征信息;
使用电池状态预测模型基于所述待预测电池特征信息确定所述待预测电池的电池状态信息,所述电池状态预测模型为使用如权利要求1至12中任一项所述的训练方法训练得到的电池状态预测模型。
14.一种电池状态预测模型的训练装置,其特征在于,包括用于实现权利要求1至12中任一项所述的方法的各个功能模块。
15.一种电池状态的预测装置,其特征在于,包括用于实现权利要求13所述的方法的各个功能模块。
16.一种电池状态预测模型的训练装置,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用所述存储器中的程序指令执行如权利要求1至12中任一项所述的方法。
17.一种电池状态的预测装置,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用所述存储器中的程序指令执行如权利要求13所述的方法。
18.一种芯片,其特征在于,包括至少一个处理器和通信接口,所述通信接口和所述至少一个处理器通过线路互联,所述至少一个处理器用于运行计算机程序或指令,以执行如权利要求1至12中任一项所述的方法或权利要求13中所述的方法。
19.一种计算机可读介质,其特征在于,所述计算机可读介质存储用于计算机执行的程序代码,该程序代码包括用于执行如权利要求1至12中任一项所述的方法的指令或权利要求13中所述的方法的指令。
20.一种计算机程序产品,其特征在于,所述计算机程序产品包括指令,当所述指令被执行时,使得计算机执行权利要求1至12中任一项所述的方法或权利要求13所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197414.8A CN114970841A (zh) | 2021-02-22 | 2021-02-22 | 电池状态预测模型的训练方法及相关装置 |
PCT/CN2021/124343 WO2022174601A1 (zh) | 2021-02-22 | 2021-10-18 | 电池状态预测模型的训练方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197414.8A CN114970841A (zh) | 2021-02-22 | 2021-02-22 | 电池状态预测模型的训练方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114970841A true CN114970841A (zh) | 2022-08-30 |
Family
ID=82931972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110197414.8A Pending CN114970841A (zh) | 2021-02-22 | 2021-02-22 | 电池状态预测模型的训练方法及相关装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114970841A (zh) |
WO (1) | WO2022174601A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169756A (zh) * | 2022-09-07 | 2022-10-11 | 深圳市信润富联数字科技有限公司 | 电芯水份预测方法、装置、设备及存储介质 |
CN115563704A (zh) * | 2022-09-23 | 2023-01-03 | 四川新能源汽车创新中心有限公司 | 电池状态预测模型的优化方法、容量预测方法及相关装置 |
WO2024113909A1 (zh) * | 2022-12-01 | 2024-06-06 | 伏瓦科技(苏州)有限公司 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11226374B2 (en) * | 2017-10-17 | 2022-01-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven model for lithium-ion battery capacity fade and lifetime prediction |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN112092675B (zh) * | 2020-08-31 | 2022-03-25 | 长城汽车股份有限公司 | 一种电池热失控预警方法、***及服务器 |
CN112379269B (zh) * | 2020-10-14 | 2024-03-05 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
-
2021
- 2021-02-22 CN CN202110197414.8A patent/CN114970841A/zh active Pending
- 2021-10-18 WO PCT/CN2021/124343 patent/WO2022174601A1/zh active Application Filing
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169756A (zh) * | 2022-09-07 | 2022-10-11 | 深圳市信润富联数字科技有限公司 | 电芯水份预测方法、装置、设备及存储介质 |
CN115563704A (zh) * | 2022-09-23 | 2023-01-03 | 四川新能源汽车创新中心有限公司 | 电池状态预测模型的优化方法、容量预测方法及相关装置 |
CN115563704B (zh) * | 2022-09-23 | 2023-12-08 | 四川新能源汽车创新中心有限公司 | 电池状态预测模型的优化方法、容量预测方法及相关装置 |
WO2024113909A1 (zh) * | 2022-12-01 | 2024-06-06 | 伏瓦科技(苏州)有限公司 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022174601A1 (zh) | 2022-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep separable convolutional network for remaining useful life prediction of machinery | |
Zhang et al. | Deep learning-based prognostic approach for lithium-ion batteries with adaptive time-series prediction and on-line validation | |
Weerakody et al. | A review of irregular time series data handling with gated recurrent neural networks | |
Dahiwade et al. | Designing disease prediction model using machine learning approach | |
Gao et al. | Machine learning toward advanced energy storage devices and systems | |
CN114970841A (zh) | 电池状态预测模型的训练方法及相关装置 | |
Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
Hannan et al. | State-of-charge estimation of li-ion battery using gated recurrent unit with one-cycle learning rate policy | |
CN110264270B (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN111612215A (zh) | 训练时间序列预测模型的方法、时间序列预测方法及装置 | |
US20240135174A1 (en) | Data processing method, and neural network model training method and apparatus | |
CN111797970B (zh) | 训练神经网络的方法和装置 | |
CN114095381B (zh) | 多任务模型训练方法、多任务预测方法及相关产品 | |
EP4273754A1 (en) | Neural network training method and related device | |
JP2023520970A (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN111612035A (zh) | 训练迁移模型的方法、故障检测的方法以及装置 | |
CN114492723A (zh) | 神经网络模型的训练方法、图像处理方法及装置 | |
Couture et al. | Image-and health indicator-based transfer learning hybridization for battery RUL prediction | |
CN110838364A (zh) | 一种基于深度学习混合模型的克罗恩病预测方法及装置 | |
CN113869496A (zh) | 一种神经网络的获取方法、数据处理方法以及相关设备 | |
CN114004383A (zh) | 时间序列预测模型的训练方法、时间序列预测方法及装置 | |
CN114881318A (zh) | 基于生成对抗网络的锂电池健康状态预测方法及*** | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN116106773A (zh) | 一种基于数据增强的混合模型锂电池健康状态监测方法 |
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 |