【技術實現步驟摘要】
本申請涉及電池剩余壽命預測，尤其涉及一種模型的訓練方法及電池剩余壽命預測方法。
技術介紹
1、車載電池的剩余壽命(remaining?useful?life，rul)，會受到電池荷電狀態(state?of?charge，soc)、電池電流、電池溫度、電池電壓、駕駛員的駕駛習慣等多種指標的影響。在現有技術中，通常只分析單一指標對剩余壽命的影響，而沒有考慮到在多種指標的聯合作用下對剩余壽命的影響。因此，現有技術難以對剩余壽命進行準確預測。
技術實現思路
1、本申請提供一種模型的訓練方法及電池剩余壽命預測方法，以準確預測電池的剩余壽命。
2、第一方面，本申請提供一種特征向量提取模型的訓練方法，所述方法包括：
3、獲取第一樣本車輛的第一樣本工況數據；所述第一樣本工況數據包括多種指標、多種指標對應的車載數據、車載數據的生成時間；所述多種指標包括：電池狀態指標、環境指標、駕駛習慣指標；
4、根據所述第一樣本工況數據，構建第一樣本工況矩陣；所述第一樣本工況矩陣表征車載數據在多種指標聯合影響下的分布情況；
5、利用所述第一樣本工況矩陣訓練初始多分支自編碼器模型，得到目標多分支自編碼器模型；所述目標多分支自編碼器模型包括目標編碼器；
6、將所述目標編碼器作為特征向量提取模型。
7、在一些實施例中，所述車載數據攜帶工況類型標簽；
8、根據所述第一樣本工況數據，構建第一樣本工況矩陣，包括：
9、將所述車載數據
10、將不同指標對應的初始區間進行組合，構建組合區間；
11、根據所述第一樣本工況數據中車載數據的生成時間以及工況類型標簽，計算不同工況類型對應的車載數據在組合區間上的分布比例，作為第一樣本分布比例；
12、將所述第一樣本分布比例按照初始區間進行升序排列，得到第一樣本工況矩陣；所述第一樣本工況矩陣攜帶工況類型標簽。
13、在一些實施例中，根據所述第一樣本工況數據中車載數據的生成時間以及工況類型標簽，計算不同工況類型對應的車載數據在組合區間上的分布比例，作為第一樣本分布比例，包括：
14、根據所述第一樣本工況數據中車載數據的生成時間以及工況類型標簽，計算不同工況類型中屬于組合區間的車載數據的累計時長，作為第一時長；所述第一時長攜帶工況類型標簽；
15、計算不同工況類型的累計時長，作為第二時長；所述第二時長攜帶工況類型標簽；
16、對攜帶有相同工況類型標簽的第一時長與第二時長進行相除運算，得到第一樣本分布比例；所述第一樣本分布比例攜帶工況類型標簽。
17、在一些實施例中，利用所述第一樣本工況矩陣訓練初始多分支自編碼器模型，得到目標多分支自編碼器模型，包括：
18、獲取初始多分支自編碼器模型；所述初始多分支自編碼器模型包括初始編碼器、初始解碼器；
19、將所述第一樣本工況矩陣劃分為訓練集工況矩陣、測試集工況矩陣；
20、將所述訓練集工況矩陣輸入至所述初始編碼器，以對所述訓練集工況矩陣進行特征提取，得到所述訓練集工況矩陣對應的特征向量，作為訓練集向量；
21、將所述訓練集向量輸入至所述初始解碼器，以對所述訓練集向量進行還原，得到訓練集還原矩陣；
22、利用所述訓練集工況矩陣、所述訓練集向量、所述訓練集還原矩陣訓練所述初始多分支自編碼器模型，得到第一模型；
23、利用所述測試集工況矩陣檢測所述第一模型的精度，得到第一檢測結果；
24、在所述第一檢測結果為合格的情況下，將所述第一模型作為目標多分支自編碼器模型。
25、在一些實施例中，在利用所述測試集工況矩陣檢測所述第一模型的精度，得到第一檢測結果之后，所述方法還包括：
26、在所述第一檢測結果為不合格的情況下，將所述第一模型作為初始多分支自編碼器模型。
27、在一些實施例中，所述第一模型包括：第一編碼器、第一解碼器；
28、利用所述測試集工況矩陣檢測所述第一模型的精度，得到第一檢測結果，包括：
29、將所述測試集工況矩陣輸入至所述第一編碼器，以對所述測試集工況矩陣進行特征提取，得到所述測試集工況矩陣對應的特征向量，作為測試集向量；
30、將所述測試集向量輸入至所述第一解碼器，以對所述測試集向量進行還原，得到測試集還原矩陣；
31、根據所述測試集工況矩陣、所述測試集還原矩陣之間的差異程度檢測所述第一模型的精度，得到第一檢測結果。
32、第二方面，本申請提出一種電池健康狀態預測模型的訓練方法，包括：
33、獲取第二樣本車輛的第二樣本工況數據、第二樣本行駛數據、第二樣本電池健康狀態；所述第二樣本工況數據包括多種指標、多種指標對應的車載數據、車載數據的生成時間；所述多種指標包括：電池狀態指標、環境指標、駕駛習慣指標；
34、根據所述第二樣本工況數據，構建第二樣本工況矩陣；所述第二樣本工況矩陣表征車載數據在多種指標聯合影響下的分布情況；
35、將所述第二樣本工況矩陣輸入至特征向量提取模型，得到第二樣本工況矩陣的特征向量，作為第二樣本特征向量；其中，所述特征向量提取模型是通過任一項特征向量提取模型的訓練方法訓練得到的；
36、利用所述第二樣本特征向量、所述第二樣本行駛數據、所述第二樣本電池健康狀態，訓練初始神經網絡模型，得到電池健康狀態預測模型。
37、在一些實施例中，利用所述第二樣本特征向量、所述第二樣本行駛數據、所述第二樣本電池健康狀態，訓練初始神經網絡模型，得到電池健康狀態預測模型，包括：
38、組合所述第二樣本特征向量、所述第二樣本行駛數據、所述第二樣本電池健康狀態，得到第二樣本數據集；
39、將所述第二樣本數據集劃分為第二樣本訓練集、第二樣本測試集；
40、利用所述第二樣本訓練集訓練初始神經網絡模型，得到第二模型；
41、利用所述第二樣本測試集檢測所述第二模型的精度，得到第二檢測結果；
42、在所述第二檢測結果為合格的情況下，將所述第二模型作為電池健康狀態預測模型。
43、在一些實施例中，在利用所述第二樣本測試集檢測所述第二模型的精度，得到第二檢測結果之后，所述方法還包括：
44、在所述第二檢測結果為不合格的情況下，將所述第二模型作為初始神經網絡模型。
45、在一些實施例中，所述初始神經網絡模型包括以下之一：xgboost模型、lightgbm模型、長短期記憶網絡模型、transformer模型。
46、在一些實施例中，所述車載數據攜帶工況類型標簽；
47、根據所述第二樣本工況數據，構建第二樣本工況矩陣，包括：
48、將所述車載數據的取值范圍劃分為多個初始區間；
49、將不同指標對應的初始區間本文檔來自技高網...
【技術保護點】
1.一種特征向量提取模型的訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述車載數據攜帶工況類型標簽；
3.根據權利要求2所述的方法，其特征在于，根據所述第一樣本工況數據中車載數據的生成時間以及工況類型標簽，計算不同工況類型對應的車載數據在組合區間上的分布比例，作為第一樣本分布比例，包括：
4.根據權利要求1所述的方法，其特征在于，利用所述第一樣本工況矩陣訓練初始多分支自編碼器模型，得到目標多分支自編碼器模型，包括：
5.根據權利要求4所述的方法，其特征在于，在利用所述測試集工況矩陣檢測所述第一模型的精度，得到第一檢測結果之后，所述方法還包括：
6.根據權利要求4所述的方法，其特征在于，所述第一模型包括：第一編碼器、第一解碼器；
7.一種電池健康狀態預測模型的訓練方法，其特征在于，包括：
8.根據權利要求7所述的方法，其特征在于，利用所述第二樣本特征向量、所述第二樣本行駛數據、所述第二樣本電池健康狀態，訓練初始神經網絡模型，得到電池健康狀態預測模型，包括：
9
10.根據權利要求7所述的方法，其特征在于，所述初始神經網絡模型包括以下之一：XGBoost模型、LightGBM模型、長短期記憶網絡模型、Transformer模型。
11.根據權利要求7所述的方法，其特征在于，所述車載數據攜帶工況類型標簽；
12.一種電池剩余壽命預測方法，其特征在于，包括：
13.根據權利要求12所述的方法，其特征在于，在檢測第一電池健康狀態預測值是否大于電池健康狀態閾值之后，所述方法還包括：
14.根據權利要求13所述的方法，其特征在于，對所述第一行駛數據進行更新，得到更新后的第一行駛數據，包括：
15.根據權利要求12所述的方法，其特征在于，所述行駛數據變化量包括：總里程變化量、日歷時長變化量、累計輸入電量變化量。
16.根據權利要求15所述的方法，其特征在于，所述電池剩余壽命包括：里程壽命、日歷壽命、循環壽命；
17.一種特征向量提取模型的訓練裝置，其特征在于，包括：
18.一種電池健康狀態預測模型的訓練裝置，其特征在于，包括：
19.一種電池剩余壽命預測裝置，其特征在于，包括：
20.一種電子設備，其特征在于，所述電子設備包括處理器及用于存儲處理器可執行指令的存儲器，所述處理器執行所述指令時實現權利要求1至6中任一項，或者權利要求7至11中任一項，或者權利要求12至16中任一項所述方法的步驟。
21.一種存儲介質，其特征在于，其上存儲有計算機指令，所述指令被處理器執行時實現權利要求1至6中任一項，或者權利要求7至11中任一項，或者權利要求12至16中任一項所述方法的步驟。
...【技術特征摘要】
1.一種特征向量提取模型的訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述車載數據攜帶工況類型標簽；
3.根據權利要求2所述的方法，其特征在于，根據所述第一樣本工況數據中車載數據的生成時間以及工況類型標簽，計算不同工況類型對應的車載數據在組合區間上的分布比例，作為第一樣本分布比例，包括：
4.根據權利要求1所述的方法，其特征在于，利用所述第一樣本工況矩陣訓練初始多分支自編碼器模型，得到目標多分支自編碼器模型，包括：
5.根據權利要求4所述的方法，其特征在于，在利用所述測試集工況矩陣檢測所述第一模型的精度，得到第一檢測結果之后，所述方法還包括：
6.根據權利要求4所述的方法，其特征在于，所述第一模型包括：第一編碼器、第一解碼器；
7.一種電池健康狀態預測模型的訓練方法，其特征在于，包括：
8.根據權利要求7所述的方法，其特征在于，利用所述第二樣本特征向量、所述第二樣本行駛數據、所述第二樣本電池健康狀態，訓練初始神經網絡模型，得到電池健康狀態預測模型，包括：
9.根據權利要求8所述的方法，其特征在于，在利用所述第二樣本測試集檢測所述第二模型的精度，得到第二檢測結果之后，所述方法還包括：
10.根據權利要求7所述的方法，其特征在于，所述初始神經網絡模型包括以下之一：xgboost模型、lightgbm模型、長短期記憶網絡模型、transforme...
【專利技術屬性】
技術研發人員：申存驍，高科杰，
申請(專利權)人：浙江凌驍能源科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。