CN116626502A - 电池容量预测方法、装置、设备及存储介质 - Google Patents
电池容量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116626502A CN116626502A CN202310583025.8A CN202310583025A CN116626502A CN 116626502 A CN116626502 A CN 116626502A CN 202310583025 A CN202310583025 A CN 202310583025A CN 116626502 A CN116626502 A CN 116626502A
- Authority
- CN
- China
- Prior art keywords
- battery capacity
- battery
- data
- sample
- preset
- 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 103
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000007600 charging Methods 0.000 claims abstract description 95
- 230000007246 mechanism Effects 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000002474 experimental method Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000007599 discharging Methods 0.000 claims description 45
- 238000010280 constant potential charging Methods 0.000 claims description 25
- 238000010277 constant-current charging Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 63
- 230000015556 catabolic process Effects 0.000 description 21
- 238000006731 degradation reaction Methods 0.000 description 21
- 230000002829 reductive effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000004904 shortening Methods 0.000 description 3
- 230000003313 weakening effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池技术领域,公开了一种电池容量预测方法、装置、设备及存储介质。该方法包括采集预设工况下样本电池的充放电数据,根据充放电数据提取电池容量因子和电池容量数据,以构建样本合集;基于样本合集对预设注意力机制神经网络进行训练,以获得电池容量预测模型;获取当前充电数据并根据当前充电数据提取当前电池容量因子;将当前电池容量因子输入电池容量预测模型,以获得当前电池容量预测结果。本发明基于实验测量的电池容量因子和电池容量数据来训练融合注意力机制的神经网络模型,得到高精度的电池容量预测模型,实现对电池容量的快速预测,并能有效提高电池状态诊断和电池容量预测的准确度,有助于电池状态监测。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种电池容量预测方法、装置、设备及存储介质。
背景技术
随着我国双碳目标的远期规划和近年来新能源汽车的销量持续攀升,储能电池和动力电池的大规模使用已然成为了未来新能源领域的主要共识。然而电池本身在使用过程中,其内部会发生不可逆的物理化学过程,随着电池充放电循环的次数增长,会出现电池内阻升高、容量下降的现象。
然而,电池的容量退化会造成电池性能下降以及使用寿命缩短等问题,进一步可能导致对应电气设备的性能下降或者电气设备***故障。因此,为了更好的应对电池容量退化产生的潜在影响,对电池容量状态进行诊断显得尤为重要。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种电池容量预测方法、装置、设备及存储介质,旨在解决现有电池容量预测方式存在预测结果不精准、预测过程复杂的技术问题。
为实现上述目的,本发明提供了一种电池容量预测方法,所述电池容量预测方法包括:
采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据;
根据所述电池容量因子和所述电池容量数据构建样本合集;
获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型;
获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;
将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。
进一步地,所述采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据,包括:
对样本电池进行充放电循环实验,获取预设工况下所述样本电池的充放电数据;
提取所述充放电数据的充电数据,根据所述充电数据获取恒定电流充电时长和恒定电压充电时长;
根据所述恒定电流充电时长和所述恒定电压充电时长确定电池容量因子;
提取所述充放电数据的放电数据,根据所述放电数据获取电池放电电量,并根据所述电池放电电量确定电池容量数据。
进一步地,所述对样本电池进行充放电循环实验,包括:
对样本电池的电池状态进行初始化校准;
在执行初始化校准后,对所述样本电池进行预设充电操作;
在预设充电操作完成后,对所述样本电池静置第一预设时间并在静置所述第一预设时间后,对所述样本电池进行预设放电操作;
在预设放电操作完成后,对所述样本电池静置第二预设时间;
对所述样本电池循环执行预设充电操作和预设放电操作至所述样本电池的充放电循环次数达到预设循环实验次数。
进一步地,所述对样本电池进行充放电循环实验,获取预设工况下所述样本电池的充放电数据,包括:
在对样本电池进行充放电循环实验时,基于预设间隔时间采集所述样本电池的充放电数据,所述充放电数据包括所述样本电池的电池编号、瞬时电压、瞬时电流、充放电标识、测量时间。
进一步地,所述根据所述电池容量因子和所述电池容量数据构建样本合集,包括:
基于采集时间对所述电池容量因子和所述电池容量数据进行排序,以获得所述样本电池的数据集;
基于预设固定窗口长度对所述数据集进行分组;
分别计算每一所述数据集的统计指标值,根据所述统计指标值确定每一所述数据集的数据波动范围;
去除所述数据集中不符合所述数据波动范围的数据,以获得处理后的数据集;其中,所述处理后的数据集包括处理后的电池容量因子和处理后的电池容量数据;
基于所述处理后的电池容量因子和处理后的电池容量数据构建样本合集。
进一步地,所述基于所述处理后的电池容量因子和处理后的电池容量数据构建样本合集,包括:
对所述处理后的电池容量因子进行特征标准化处理,以获得更新后的电池容量因子;
基于预设电池标定容量对所述处理后的电池容量数据进行缩放处理,以获得更新后的电池容量数据;
根据所述更新后的电池容量因子和更新后的电池容量数据构建样本合集。
进一步地,所述获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型,包括:
将带位置编码的神经网络模型作为预设注意力机制神经网络;
基于所述样本合集提取更新后的电池容量因子和更新后的电池容量数据;
将所述更新后的电池容量因子作为所述预设注意力机制神经网络的输入,将所述更新后的电池容量数据作为所述预设注意力机制神经网络的输出,训练所述预设注意力机制神经网络;
在所述预设注意力机制神经网络的损失函数收敛且评价指标达到预设预测精度时,获得电池容量预测模型。
此外,为实现上述目的,本发明还提出一种电池容量预测装置,包括:
采集模块,用于采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据;
构建模块,用于根据所述电池容量因子和所述电池容量数据构建样本合集;
训练模块,用于获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型;
获取模块,用于获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;
预测模块,用于将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。
此外,为实现上述目的,本发明还提出一种电池容量预测设备,所述电池容量预测设备包括: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电池容量预测程序,所述电池容量预测程序配置为实现如上文所述的电池容量预测方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质存储有电池容量预测程序,所述电池容量预测程序用于使处理器执行时实现如上文所述的电池容量预测方法。
本发明通过采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据;根据所述电池容量因子和所述电池容量数据构建样本合集;基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型;获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。本发明基于实验测量的电池容量因子和电池容量数据,训练融合注意力机制的神经网络模型,得到高精度的电池容量预测模型,可以简便、快捷、精准的预测电池容量,并能有效提高电池状态诊断和电池容量预测的准确度,从而减少因为电池性能下降导致的设备性能下降或者***故障的发生,有助于电池健康状态的监测和管理,延长电池的使用寿命等,从而解决了现有电池容量预测方式存在预测结果不精准、预测过程复杂的技术问题。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的电池容量预测设备的结构示意图;
图2为本发明电池容量预测方法第一实施例的流程示意图;
图3为本发明电池容量预测方法第二实施例的流程示意图;
图4为本发明电池容量预测方法第三实施例的流程示意图;
图5为本发明电池容量预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当人认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的电池容量预测设备结构示意图。
如图1所示,该电池容量预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口))。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM存储器),也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电池容量预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及电池容量预测程序。
在图1所示的电池容量预测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电池容量预测设备中的处理器1001、存储器1005可以设置在电池容量预测设备中,所述电池容量预测设备通过处理器1001调用存储器1005中存储的电池容量预测程序,并执行本发明实施例提供的电池容量预测方法。
鉴于上述分析,本发明实施例提供了一种电池容量预测方法,参照图2,图2为本发明一种电池容量预测方法第一实施例的流程示意图。
如图2所示,所述电池容量预测方法,包括:
步骤S100:采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据;
步骤S200:根据所述电池容量因子和所述电池容量数据构建样本合集;
步骤S300:获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型;
步骤S400:获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;
步骤S500:将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。
需要说明的是,本实施例中的执行主体可为电池容量预测设备,该电池容量预测设备可为具有数据处理功能的计算机设备,还可为其他可实现相同或相似功能的设备,本实施例对此不作限制,在本实施例中,以计算机设备为例进行说明。
在一示例中,采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据,包括:对样本电池进行充放电循环实验,获取预设工况下所述样本电池的充放电数据;提取所述充放电数据的充电数据,根据所述充电数据获取恒定电流充电时长和恒定电压充电时长;根据所述恒定电流充电时长和所述恒定电压充电时长确定电池容量因子;提取所述充放电数据的放电数据,根据所述放电数据获取电池放电电量,并根据所述电池放电电量确定电池容量数据。需要说明的是,样本电池包括但不限于蓄电池。电池的充放电本身是一个复杂的物理化学过程,潜在的影响因素比较多,本实施例中选取了充电过程中的两个可测量的指标(电池容量因子和电池容量数据)进行说明,实际应用时,还可以考虑其他可以获取的外部指标值,例如环境温度、用户充电习惯、用户驾驶评分、车辆电机性能指标等。此外,在研究电池容量预测的过程中,还可以考虑电池寿命的日历年限、不同类型电池容量的差异以及不同电池工作条件对电池容量的影响等因素指标,本实施例对此并不加以限制。
具体地,采集预设工况下样本电池的充放电数据可以包括两个过程,即充电过程和放电过程。在充电过程中,按照恒定电流将样本电池充电至电压值A,然后进行恒定电压充电,至充电电流降至B时结束充电过程,将样本电池静置一段时间。在放电过程中,按照固定的放电倍率对电池进行放电,至电池电压达到C值时放电过程结束,将样本电池静置一段时间。将样本电池按照以上充电过程和放电过程进行充电放电循环实验,在对样本电池进行充放电循环实验时,基于预设间隔时间采集所述样本电池的充放电数据,所述充放电数据包括所述样本电池的电池编号、瞬时电压、瞬时电流、充放电标识、测量时间。可以理解的是,采集数据的预设间隔时间可以为固定的时间间隔(例如30秒),预设间隔时间可以为变动的时间间隔,本实施例对此不加以限制。
可以理解的是,每个充电过程及随后的放电过程为样本电池一个完整的充放电循环,基于前述充电放电循环实验采集到的充放电数据,需要提取得到每次循环的电池容量因子、电池放电电量等数据;其中,电池容量因子包括电池恒定电流充电时长和恒定电压充电时长,电池放电电量为根据电池放电过程测算得到的电池容量数据。具体地,对于每个充电过程,恒定电流充电时长等于充电电压首次达到A值时的时间减去充电开始时间,恒定电压充电时长等于充电电流首次达到B值时的时间减去充电电压首次达到A值时的时间;对于每个放电过程,电池放电电量等于各区间内的放电电量求和,区间内放电电量=∫放电电流*dt。
需要说明的是,根据所述电池容量因子和所述电池容量数据构建样本合集,具体包括:对于每个样本电池的每次充电放电循环实验,均按照上述充电放电过程进行处理,对每一个样本电池进行编号记为电池编号,将同一个样本电池的充电过程及随后的放电过程记为一个样本编号,即得到电池编号、样本编号、电池容量因子、电池容量数据等组合的数据集合即样本合集。其中每个电池的样本编号,可以按照各样本数据采集时间的先后顺序进行排序。
在一示例中,获取预设注意力机制神经网络,基于处理后的样本合集对预设注意力机制神经网络进行训练,以获得电池容量预测模型。具体地,电池容量预测一般基于历史容量因子和当前容量因子来进行预测,然而电池容量的变化是一个基于时间渐次变化的指标值,电池容量预测模型需要发现电池容量因子与电池容量之间的关联关系。对此,本实施例可以采用基于注意力机制的模型框架(即预设注意力机制神经网络)进行训练。具体训练时,可以采用基于带位置编码的Transformer结构的神经网络模型,配置对应的损失函数、评价指标、训练迭代次数、批处理样本大小、优化器设定等,训练多轮至损失函数收敛且评价指标达到预设的预测精度时,得到电池容量预测模型。
需要说明的是,实际应用中,为了提升样本的准确性,加速后续预设注意力机制神经网络训练时的参数收敛及防止训练时出现梯度***等问题,需要对样本合集进行处理,处理的过程包括但不限于异常值处理、标准化处理以及缩放处理等。采用处理后的样本对预设注意力机制神经网络进行训练,可以进一步提高电池容量预测的准确性。
在一示例中,获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。具体的,对于训练后的电池容量预测模型,预测精度达到预期的预测效果时可部署至生产环境,进行实际的容量电池预测。实际预测时,需要获取实际电池的获取当前充电数据,当前充电数据包括当前充电时长数据即当前恒定电流充电时长和当前恒定电压充电时长,结合训练后的训练后的电池容量预测模型可以预测得到对应时刻的电池容量预测值。示例性地,当前恒定电流充电时长等于充电电压首次达到A值时的时间减去充电开始时间,当前恒定电压充电时长等于充电电流首次达到B值时的时间减去充电电压首次达到A值时的时间。
需要说明的是,电池的容量退化会造成电池性能下降以及使用寿命缩短等问题,进一步可能导致对应电气设备的性能下降或者电气设备***故障。因此,为了更好的应对电池容量退化产生的潜在影响,需要精确地预测电池容量,以更好地评估电池的实际寿命和性能,提高电池的使用效率。此外,电池容量的预测对电池制造商和设备制造商具有重要的意义,可以帮助他们制定更好的生产、销售和售后策略。电池容量预测对设备使用的性能和可靠性也存在重要影响,可以帮助设备用户更好地维护和管理电池,提高设备的可靠性和使用寿命。因此,本实施例提出一种电池容量预测方法,并建立相应的预测模型即电池容量预测模型,以更好地应对上述问题。
本实施例通过采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据;根据所述电池容量因子和所述电池容量数据构建样本合集;获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型;获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。本实施例基于实验测量的电池容量因子和电池容量数据,训练融合注意力机制的神经网络模型,得到高精度的电池容量预测模型,可以简便、快捷、精准的预测电池容量,并能有效提高电池状态诊断和电池容量预测的准确度,从而减少因为电池性能下降导致的设备性能下降或者***故障的发生,有助于电池健康状态的监测和管理,延长电池的使用寿命等,从而解决了现有电池容量预测方式存在预测结果不精准、预测过程复杂的技术问题。
在一实施例中,如图3所示,基于第一实施例提出本发明电池容量预测方法第二实施例,所述步骤S100,包括:
步骤S101:对样本电池进行充放电循环实验,获取预设工况下所述样本电池的充放电数据。
步骤S102:提取所述充放电数据的充电数据,根据所述充电数据获取恒定电流充电时长和恒定电压充电时长。
步骤S103:根据所述恒定电流充电时长和所述恒定电压充电时长确定电池容量因子。
步骤S104:提取所述充放电数据的放电数据,根据所述放电数据获取电池放电电量,并根据所述电池放电电量确定电池容量数据。
示例性地,对样本电池进行充放电循环实验,包括:对样本电池的电池状态进行初始化校准;在执行初始化校准后,对所述样本电池进行预设充电操作;在预设充电操作完成后,对所述样本电池静置第一预设时间并在静置所述第一预设时间后,对所述样本电池进行预设放电操作;在预设放电操作完成后,对所述样本电池静置第二预设时间;对所述样本电池循环执行预设充电操作和预设放电操作至所述样本电池的充放电循环次数达到预设循环实验次数。
实际应用中,可以基于实验室对一批同规格的新电池(例如样本电池10块)先进行一次充放电过程过程,具体操作包括对样本电池恒流充电至4.2V,后恒压充电直至电流降至20mA,样本电池静置30分钟;然后以2C的倍率对样本电池进行放电,直至电压低至2.7V,样本电池静置30分钟。上述步骤用于对样本电池状态进行初始化校准。
可以理解的是,对所述样本电池循环执行预设充电操作和预设放电操作的具体操作包括:对该10块样本电池,循环进行如下操作:充电过程,按照恒定电流充电至电压值4.2V,然后恒定电压充电至充电电流降至20mA,样本电池静置30分钟;放电过程,以2C(C是用来表示电池充放电能力倍率,2C表示电池放电速率)的倍率对样本电池进行放电,样本电池静置30分钟后进行下一轮的充电放电过程。直至每块电池的充放电循环次数达到预设循环实验次数(例如1000次)时停止试验。电池状态初始化校准后,对每个充放电过程,对预设循环实验次数的电压和电流按照30S一次的频率采集并记录数据,保存电池编号、瞬时电压、瞬时电流、充放电标识、测量时间等数据。
示例性地,提取所述充放电数据的充电数据,根据所述充电数据获取恒定电流充电时长和恒定电压充电时长。具体地,对前述采集的数据进行提取,每个充电过程及随后的放电过程为一个完整的充放电循环。对每个样本电池,按照试验时间的先后顺序对充放电循环过程依次进行编号。例如样本电池1,进行了1000次循环,依次标记为1,2,3,4,…1000。对于循环1,充电过程,根据样本电池开始充电时间及电池电压首次达到4.2V时的时间,计算得到恒定电流充电的时间长度为T_cc_1;根据样本电池结束充电的时间和电池电压首次达到4.2V时的时间,得到恒定电压充电的时间长度为T_cv_1。其中,T_cc_1为恒定电流充电时长,T_cv_1为恒定电压充电时长。需要说明的是,电池容量因子包括恒定电流充电时长和恒定电压充电时长。本实施例以充放电循环试验次数为1000为例进行说明,在试验成本允许的情况下可以增加测试的电池数量和充放电循环次数,以扩大样本数据的量级。
示例性地,提取所述充放电数据的放电数据,根据所述放电数据获取电池放电电量,并根据所述电池放电电量确定电池容量数据。实际应用中,提取放电过程的放电数据,根据电池放电结束时间和放电开始时间以及采集的电流数据,可以近似计算得到电池放电电量Q_1。其中,Q_1为电池容量数据。
可以理解的是,例如样本电池1,进行了1000次循环,依次标记为1,2,3,4,…1000。对于后续999个充放电循环,按照上述循环1计算电池容量因子和电池容量数据的方式分别计算其余各循环的恒定电流充电时长、恒定电压充电时长以及电池放电电量。对于其他9块样本电池,参照样本电池1,进行相似的操作,此处不再赘述。最终得到的记录为10块样本电池在1000次充电循环中的恒定电流充电时长、恒定电压充电时长以及电池容量数据。
本实施例通过基于实验测量的电池容量因子和电池容量数据,训练融合注意力机制的神经网络模型,得到高精度的电池容量预测模型。通过能够反映电池退化机制的电池容量因子和电池容量数据训练电池容量预测模型,以更精确预测电池容量,从而减少因为电池性能下降导致的设备性能下降或者***故障的发生,有助于电池健康状态的监测和管理。
在一实施例中,如图4所示,基于第一实施例提出本发明电池容量预测方法第三实施例,所述步骤S200,包括:
步骤S201:基于采集时间对所述电池容量因子和所述电池容量数据进行排序,以获得所述样本电池的数据集;
步骤S202:基于预设固定窗口长度对所述数据集进行分组;
步骤S203:分别计算每一所述数据集的统计指标值,根据所述统计指标值确定每一所述数据集的数据波动范围;
步骤S204:去除所述数据集中不符合所述数据波动范围的数据,以获得处理后的数据集;其中,所述处理后的数据集包括处理后的电池容量因子和处理后的电池容量数据;
步骤S205:基于所述处理后的电池容量因子和处理后的电池容量数据构建样本合集。
在一示例中,对每一个样本电池进行编号记为电池编号,将同一个样本电池的充电过程及随后的放电过程记为一个样本编号,即得到电池编号、样本编号、电池容量因子、电池容量数据等组合的数据集合即样本合集。其中每个电池的样本编号,可以按照各样本数据采集时间的先后顺序进行排序,得到样本电池的数据集。需要说明的是,考虑到电池放电过程为一个复杂的物理化学反应过程,对于同一电池,存在顺次测量的容量数据呈现小幅的波动。导致这种波动的原因并非是测量数据有误,而可能是电池内部物理化学反应受内外部因素影响所致,该波动的测量值并不能准确反应电池容量。为了提升预测准确性,需要对该波动影响进行弱化处理。
本实施例中,以该波动影响进行弱化处理为例进行说明。基于预设固定窗口长度对所述数据集进行分组:设定长度为20的观测窗口,对于每个样本电池的1000次循环,按照20个循环为一组,依次将获取的指标数据分成(1,2,3,…,20)、(21,12,…,40)、…、(981,982,…,1000)的分组。分别计算每一所述数据集的统计指标值,根据所述统计指标值确定每一所述数据集的数据波动范围:依次计算每组数据的容量均值和标准差。例如对于分组(1,2,3,…,20),计算该20个容量值的均值为x,标准差为y,可以设定该数据集的数据波动范围为(x-2y,x+2y),即围绕均值的正负2倍标准差的波动。去除所述数据集中不符合所述数据波动范围的数据,以获得处理后的数据集:剔除超过该数据波动范围的数据记录值。
可以理解的是,对于每个数据分组,均按照该弱化处理方式进行异常值剔除;对于每个电池,均按照上述弱化处理方式进行异常值处理,此处不再赘述。经过此异常值剔除操作后,得到剔除容量值异常的指标数据即获得处理后的数据集;其中,处理后的数据集包括处理后的电池容量因子和处理后的电池容量数据。
示例性地,步骤S205包括:对所述处理后的电池容量因子进行特征标准化处理,以获得更新后的电池容量因子;基于预设电池标定容量对所述处理后的电池容量数据进行缩放处理,以获得更新后的电池容量数据;根据所述更新后的电池容量因子和更新后的电池容量数据构建样本合集。
本实施例中,对上述剔除异常容量值的指标数据,按照电池编号可以划分训练数据和测试数据,例如对于10个样本电池,将编号1至7的样本电池的试验指标数据(即训练集数据)用于电池容量预测模型的训练,剩余编号为8、9、10的样本电池的试验指标数据(即测试集数据)用于电池容量预测模型的测试。
需要说明的是,为了加速后续模型训练时的参数收敛及防止训练时出现梯度***等问题,需要对数据特征即处理后的电池容量因子和处理后的电池容量数据进行数据预处理。示例性地,对处理后的电池容量因子进行特征标准化处理,使该输入特征落入一个特定的小区间。具体地,对恒定电流充电时长和恒定电压充电时长进行标准化处理的具体操作包括:对于训练集数据,计算恒定电流充电时长与恒定电压充电时长两个指标值的均值和标准差,并记录下该均值和标准差。分别对训练集和测试集的数据按照该均值和标准差执行标准化操作,标准化操作即减去均值后除以标准差的操作,以获得更新后的电池容量因子。示例性地,对于处理后的电池容量数据,基于不同电池的标定容量进行缩放处理,以获得更新后的电池容量数据,可以使训练后的电池容量预测模型更好地适配不同容量的电池。
可以理解的是,基于注意力机制的神经网络模型,输入为固定长度的时间序列,在本实施例中,对应为固定观测时间窗口的电池容量因子,输出为观测时间窗口末时刻的电池容量数据。其中,输入特征涉及到多个特征的多个连续时间节点数据,需要加工成固定的数组形状以便神经网络模型的训练输入。具体地,神经网络模型的输入特征形态为观测时间窗口长度k,特征维度为m的二维矩阵;其中,观测时间窗口长度k可结合具体的数据进行确认;神经网络模型的输出为观测时间窗口末时刻的电池容量值。
本实施例中,更新后的电池容量因子和更新后的电池容量数据构成样本合集,样本合集中的指标数据,一条记录为一块样本电池单次充放电循环的记录值,包含了本次测试记录的恒定电流充电时长、恒定电压充电时长以及电池放电容量等数据。本实施例中,选取2个特征和1个目标值。示例性地,设定观测的时间窗口长度为50,预测的输出为观测时间窗口末时刻的电池容量值。即基于注意力机制的神经网络模型的输入为50个连续充放电循环记录组成的二维数组,对应的输出为末次充放电循环对应的电池放电的电量值。
具体地,假定对于编号为1的样本电池,剔除异常容量记录后剩余990条记录,对该记录按照采集时间先后顺序重新依次编号为(1,2,…,990)。每条记录包含了(x1,x2)两个特征,即对应为恒定电流充电时长和恒定电压充电时长,则其中的一个样本数据记为:样本:编号为1,2,3,4…,50的50次充放电循环的恒定电流充电时长、恒定电压充电时长以及电池电量数值;样本输入为编号为1,2,3,4…,50的50次充放电循环的恒定电流充电时长和恒定电压充电时长组成的50*2的二维矩阵;样本输出为第50次充放电循环对应的放电电量值。由此,依次构建观测窗口特征与测量容量值的样本组合,即包括:1至50(电池容量因子)与对应的50(电池容量数据);2-51(电池容量因子)与对应的51(电池容量数据),…,941-990(电池容量因子)与对应的990(电池容量数据)。根据上述示例,对于每块样本电池的充电循环记录,均参照编号为1的样本电池执行此操作构造样本,最终得到全量的样本集合。
在一示例中,基于上述数据处理后的样本合集来训练预设注意力机制神经网络时,步骤S300包括:将带位置编码的神经网络模型作为预设注意力机制神经网络;基于所述样本合集提取更新后的电池容量因子和更新后的电池容量数据;将所述更新后的电池容量因子作为所述预设注意力机制神经网络的输入,将所述更新后的电池容量数据作为所述预设注意力机制神经网络的输出,训练所述预设注意力机制神经网络;在所述预设注意力机制神经网络的损失函数收敛且评价指标达到预设预测精度时,获得电池容量预测模型。
具体训练时,可以采用基于带位置编码的Transformer结构的神经网络模型,配置对应的损失函数、评价指标、训练迭代次数、批处理样本大小、优化器设定等,然后训练多轮至损失函数收敛且评价指标达到预设预测精度。基于前述实施例构建的样本合集,引入带位置编码的Transformer模型进行模型训练,相关的参数设定形式如下:损失函数为mse;评价函数为mse;训练迭代次数为120;批处理样本大小为256;梯度下降优化器为Adam(0.001)。需要说明的是,模型参数设定仅是本实施例的示例,本实施例对此并不加以限制。按照设定好的模型参数与模型结构,对样本合集中的训练集进行训练。基于该训练好的电池容量预测模型,保存模型文件并部署至生产环境,即可用于实际的电池容量预测。
需要说明的是,本实施例中示例性设定观测时间窗口和样本量,观测时间窗口长度为50,该时间窗口可以进行多次调参确定合适的值。此外,本实施例以预设注意力机制神经网络(例如带位置编码的Transformer模型)为例进行模型训练,还可以采用其他类型的神经网络(例如循环神经网络RNN),本实施例对此并不加以限制。
本实施例采用注意力机制神经网络来构建电池容量预测模型,具体基于实验测量的电池容量因子和电池容量数据,融合带位置编码的Transformer模型,不断迭代、学习采集到的电池容量因子和电池容量数据之间的关联关系,以得到预测效果较好的电池容量预测模型,简便、快捷、精准的预测电池容量,并能有效提高电池状态诊断和电池容量预测的准确度,从而减少因为电池性能下降导致的设备性能下降或者***故障的发生,有助于电池健康状态的监测和管理,延长电池的使用寿命等。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有电池容量预测程序,所述电池容量预测程序被处理器执行时实现如上文所述的电池容量预测方法的步骤。
参照图5,图5为本发明电池容量预测装置第一实施例的结构框图。如图5所示,所述电池容量预测装置,包括:
采集模块10,用于采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据;
构建模块20,用于根据所述电池容量因子和所述电池容量数据构建样本合集;
训练模块30,用于获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型;
获取模块40,用于获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;
预测模块50,用于将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。
在一示例中,采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据,包括:对样本电池进行充放电循环实验,获取预设工况下所述样本电池的充放电数据;提取所述充放电数据的充电数据,根据所述充电数据获取恒定电流充电时长和恒定电压充电时长;根据所述恒定电流充电时长和所述恒定电压充电时长确定电池容量因子;提取所述充放电数据的放电数据,根据所述放电数据获取电池放电电量,并根据所述电池放电电量确定电池容量数据。需要说明的是,样本电池包括但不限于蓄电池。电池的充放电本身是一个复杂的物理化学过程,潜在的影响因素比较多,本实施例中选取了充电过程中的两个可测量的指标(电池容量因子和电池容量数据)进行说明,实际应用时,还可以考虑其他可以获取的外部指标值,例如环境温度、用户充电习惯、用户驾驶评分、车辆电机性能指标等。此外,在研究电池容量预测的过程中,还可以考虑电池寿命的日历年限、不同类型电池容量的差异以及不同电池工作条件对电池容量的影响等因素指标,本实施例对此并不加以限制。
具体地,采集预设工况下样本电池的充放电数据可以包括两个过程,即充电过程和放电过程。在充电过程中,按照恒定电流将样本电池充电至电压值A,然后进行恒定电压充电,至充电电流降至B时结束充电过程,将样本电池静置一段时间。在放电过程中,按照固定的放电倍率对电池进行放电,至电池电压达到C值时放电过程结束,将样本电池静置一段时间。将样本电池按照以上充电过程和放电过程进行充电放电循环实验,在对样本电池进行充放电循环实验时,基于预设间隔时间采集所述样本电池的充放电数据,所述充放电数据包括所述样本电池的电池编号、瞬时电压、瞬时电流、充放电标识、测量时间。可以理解的是,采集数据的预设间隔时间可以为固定的时间间隔(例如30秒),预设间隔时间可以为变动的时间间隔,本实施例对此不加以限制。
可以理解的是,每个充电过程及随后的放电过程为样本电池一个完整的充放电循环,基于前述充电放电循环实验采集到的充放电数据,需要提取得到每次循环的电池容量因子、电池放电电量等数据;其中,电池容量因子包括电池恒定电流充电时长和恒定电压充电时长,电池放电电量为根据电池放电过程测算得到的电池容量数据。具体地,对于每个充电过程,恒定电流充电时长等于充电电压首次达到A值时的时间减去充电开始时间,恒定电压充电时长等于充电电流首次达到B值时的时间减去充电电压首次达到A值时的时间;对于每个放电过程,电池放电电量等于各区间内的放电电量求和,区间内放电电量=∫放电电流*dt。
需要说明的是,根据所述电池容量因子和所述电池容量数据构建样本合集,具体包括:对于每个样本电池的每次充电放电循环实验,均按照上述充电放电过程进行处理,对每一个样本电池进行编号记为电池编号,将同一个样本电池的充电过程及随后的放电过程记为一个样本编号,即得到电池编号、样本编号、电池容量因子、电池容量数据等组合的数据集合即样本合集。其中每个电池的样本编号,可以按照各样本数据采集时间的先后顺序进行排序。
在一示例中,获取预设注意力机制神经网络,基于处理后的样本合集对预设注意力机制神经网络进行训练,以获得电池容量预测模型。具体地,电池容量预测一般基于历史容量因子和当前容量因子来进行预测,然而电池容量的变化是一个基于时间渐次变化的指标值,电池容量预测模型需要发现电池容量因子与电池容量之间的关联关系。对此,本实施例可以采用基于注意力机制的模型框架(即预设注意力机制神经网络)进行训练。具体训练时,可以采用基于带位置编码的Transformer结构的神经网络模型,配置对应的损失函数、评价指标、训练迭代次数、批处理样本大小、优化器设定等,训练多轮至损失函数收敛且评价指标达到预设的预测精度时,得到电池容量预测模型。
需要说明的是,实际应用中,为了提升样本的准确性,加速后续预设注意力机制神经网络训练时的参数收敛及防止训练时出现梯度***等问题,需要对样本合集进行处理,处理的过程包括但不限于异常值处理、标准化处理以及缩放处理等。采用处理后的样本对预设注意力机制神经网络进行训练,可以进一步提高电池容量预测的准确性。
在一示例中,获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。具体的,对于训练后的电池容量预测模型,预测精度达到预期的预测效果时可部署至生产环境,进行实际的容量电池预测。实际预测时,需要获取实际电池的获取当前充电数据,当前充电数据包括当前充电时长数据即当前恒定电流充电时长和当前恒定电压充电时长,结合训练后的训练后的电池容量预测模型可以预测得到对应时刻的电池容量预测值。示例性地,当前恒定电流充电时长等于充电电压首次达到A值时的时间减去充电开始时间,当前恒定电压充电时长等于充电电流首次达到B值时的时间减去充电电压首次达到A值时的时间。
需要说明的是,电池的容量退化会造成电池性能下降以及使用寿命缩短等问题,进一步可能导致对应电气设备的性能下降或者电气设备***故障。因此,为了更好的应对电池容量退化产生的潜在影响,需要精确地预测电池容量,以更好地评估电池的实际寿命和性能,提高电池的使用效率。此外,电池容量的预测对电池制造商和设备制造商具有重要的意义,可以帮助他们制定更好的生产、销售和售后策略。电池容量预测对设备使用的性能和可靠性也存在重要影响,可以帮助设备用户更好地维护和管理电池,提高设备的可靠性和使用寿命。因此,本实施例提出一种电池容量预测方法,并建立相应的预测模型即电池容量预测模型,以更好地应对上述问题。
本实施例中采集模块10,用于采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据;构建模块20,用于根据所述电池容量因子和所述电池容量数据构建样本合集;训练模块30,用于获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型;获取模块40,用于获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;预测模块50,用于将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。本实施例基于实验测量的电池容量因子和电池容量数据,训练融合注意力机制的神经网络模型,得到高精度的电池容量预测模型,可以简便、快捷、精准的预测电池容量,并能有效提高电池状态诊断和电池容量预测的准确度,从而减少因为电池性能下降导致的设备性能下降或者***故障的发生,有助于电池健康状态的监测和管理,延长电池的使用寿命等,从而解决了现有电池容量预测方式存在预测结果不精准、预测过程复杂的技术问题。
另外,未在本电池容量预测装置实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的电池容量预测方法,此处不再赘述。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电池容量预测方法,其特征在于,所述电池容量预测方法包括:
采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据;
根据所述电池容量因子和所述电池容量数据构建样本合集;
获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型;
获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;
将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。
2.如权利要求1所述的电池容量预测方法,其特征在于,所述采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据,包括:
对样本电池进行充放电循环实验,获取预设工况下所述样本电池的充放电数据;
提取所述充放电数据的充电数据,根据所述充电数据获取恒定电流充电时长和恒定电压充电时长;
根据所述恒定电流充电时长和所述恒定电压充电时长确定电池容量因子;
提取所述充放电数据的放电数据,根据所述放电数据获取电池放电电量,并根据所述电池放电电量确定电池容量数据。
3.如权利要求2所述的电池容量预测方法,其特征在于,所述对样本电池进行充放电循环实验,包括:
对样本电池的电池状态进行初始化校准;
在执行初始化校准后,对所述样本电池进行预设充电操作;
在预设充电操作完成后,对所述样本电池静置第一预设时间并在静置所述第一预设时间后,对所述样本电池进行预设放电操作;
在预设放电操作完成后,对所述样本电池静置第二预设时间;
对所述样本电池循环执行预设充电操作和预设放电操作至所述样本电池的充放电循环次数达到预设循环实验次数。
4.如权利要求2所述的电池容量预测方法,其特征在于,所述对样本电池进行充放电循环实验,获取预设工况下所述样本电池的充放电数据,包括:
在对样本电池进行充放电循环实验时,基于预设间隔时间采集所述样本电池的充放电数据,所述充放电数据包括所述样本电池的电池编号、瞬时电压、瞬时电流、充放电标识、测量时间。
5.如权利要求1所述的电池容量预测方法,其特征在于,所述根据所述电池容量因子和所述电池容量数据构建样本合集,包括:
基于采集时间对所述电池容量因子和所述电池容量数据进行排序,以获得所述样本电池的数据集;
基于预设固定窗口长度对所述数据集进行分组;
分别计算每一所述数据集的统计指标值,根据所述统计指标值确定每一所述数据集的数据波动范围;
去除所述数据集中不符合所述数据波动范围的数据,以获得处理后的数据集;其中,所述处理后的数据集包括处理后的电池容量因子和处理后的电池容量数据;
基于所述处理后的电池容量因子和处理后的电池容量数据构建样本合集。
6.如权利要求5所述的电池容量预测方法,其特征在于,所述基于所述处理后的电池容量因子和处理后的电池容量数据构建样本合集,包括:
对所述处理后的电池容量因子进行特征标准化处理,以获得更新后的电池容量因子;
基于预设电池标定容量对所述处理后的电池容量数据进行缩放处理,以获得更新后的电池容量数据;
根据所述更新后的电池容量因子和更新后的电池容量数据构建样本合集。
7.如权利要求6所述的电池容量预测方法,其特征在于,所述获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型,包括:
将带位置编码的神经网络模型作为预设注意力机制神经网络;
基于所述样本合集提取更新后的电池容量因子和更新后的电池容量数据;
将所述更新后的电池容量因子作为所述预设注意力机制神经网络的输入,将所述更新后的电池容量数据作为所述预设注意力机制神经网络的输出,训练所述预设注意力机制神经网络;
在所述预设注意力机制神经网络的损失函数收敛且评价指标达到预设预测精度时,获得电池容量预测模型。
8.一种电池容量预测装置,其特征在于,包括:
采集模块,用于采集预设工况下样本电池的充放电数据,根据所述充放电数据提取电池容量因子和电池容量数据;
构建模块,用于根据所述电池容量因子和所述电池容量数据构建样本合集;
训练模块,用于获取预设注意力机制神经网络,基于所述样本合集对所述预设注意力机制神经网络进行训练,以获得电池容量预测模型;
获取模块,用于获取当前充电数据并根据所述当前充电数据提取当前电池容量因子;
预测模块,用于将所述当前电池容量因子输入所述电池容量预测模型,以获得当前电池容量预测结果。
9.一种电池容量预测设备,其特征在于,所述电池容量预测设备包括: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电池容量预测程序,所述电池容量预测程序配置为实现如权利要求1至7中任一项所述的电池容量预测方法。
10.一种存储介质,其特征在于,所述存储介质存储有电池容量预测程序,所述电池容量预测程序用于使处理器执行时实现如权利要求1至7中任一项所述的电池容量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310583025.8A CN116626502A (zh) | 2023-05-23 | 2023-05-23 | 电池容量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310583025.8A CN116626502A (zh) | 2023-05-23 | 2023-05-23 | 电池容量预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116626502A true CN116626502A (zh) | 2023-08-22 |
Family
ID=87612836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310583025.8A Pending CN116626502A (zh) | 2023-05-23 | 2023-05-23 | 电池容量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116626502A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054893A (zh) * | 2023-10-12 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117706376A (zh) * | 2024-02-04 | 2024-03-15 | 深圳海辰储能科技有限公司 | 电池容量预测方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-23 CN CN202310583025.8A patent/CN116626502A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054893A (zh) * | 2023-10-12 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117054893B (zh) * | 2023-10-12 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117706376A (zh) * | 2024-02-04 | 2024-03-15 | 深圳海辰储能科技有限公司 | 电池容量预测方法、装置、电子设备及存储介质 |
CN117706376B (zh) * | 2024-02-04 | 2024-05-24 | 深圳海辰储能科技有限公司 | 电池容量预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108254696B (zh) | 电池的健康状态评估方法及*** | |
CN116626502A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
WO2017143830A1 (zh) | 检测电池健康状态的方法、装置和电池管理*** | |
KR102633335B1 (ko) | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 | |
JP2019510215A (ja) | バッテリーの充電状態を推定する方法及びセンサーシステム | |
CN109991554B (zh) | 一种电池电量检测方法、装置及终端设备 | |
CN113391213B (zh) | 一种基于电池组一致性演变的电池微故障诊断方法 | |
KR20160067510A (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
CN109991545B (zh) | 一种电池包电量检测方法、装置及终端设备 | |
CN108663634B (zh) | 一种动力电池内阻的确定方法和装置 | |
CN112904208A (zh) | 用于估计电池单元的开路电压的方法和*** | |
KR20230129953A (ko) | 차량 배터리 셀 일관성 평가 방법, 장치, 기기 및 저장매체 | |
CN115392134B (zh) | 车辆动力电池综合性能评估方法及相关装置 | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、***和存储介质 | |
CN115158076A (zh) | 计量误差评估方法、装置及计算机可读存储介质 | |
CN114371408A (zh) | 电池荷电状态的估算方法、充电曲线的提取方法及装置 | |
CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
CN113447840B (zh) | 锂离子电池分选方法和装置 | |
CN114200323A (zh) | 电池短路故障预警信息生成方法和装置、设备、介质 | |
CN115663980B (zh) | 一种航空器电池管理***、方法、计算机设备及存储介质 | |
CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
CN117825965A (zh) | 一种锂离子电池的状态预测方法及*** | |
CN116298927B (zh) | 一种电池容量估计方法和装置、计算机设备、存储介质 | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
CN116540105A (zh) | 基于神经网络与热网络模型的锂电池内部温度在线估计方法 |
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 |