【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及電池檢測分析，具體涉及一種基于分段模型的電池續(xù)航能力預(yù)測方法。
技術(shù)介紹
1、現(xiàn)有方法中有很多將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到能源電池領(lǐng)域，具體包括對電池壽命的預(yù)測、汽車剩余里程的預(yù)測等場景和方向。但在電池續(xù)航能力的預(yù)測方面存在一定不足，因為電池隨著使用年限的增加，總放電時長呈不規(guī)律變化，主要原因是電池還受使用過程中的環(huán)境、使用頻率、保養(yǎng)程度和隨機擾動等難以量化的因素影響，因此無法將使用年限作為有效特征輸入模型，預(yù)測電池的續(xù)航能力。現(xiàn)有技術(shù)更多是計算剩余放電時長，再使用總放電時長減去已放電時長，這種方式存在以下缺陷：
2、1.總放電時長結(jié)果的準確程度嚴重影響到剩余放電時長的結(jié)果，但總放電時長一般是根據(jù)放電到某個閾值所需要的時間來確定，這種方式嚴重依賴于模型的準確程度，一旦模型稍有偏差，將會成倍放大到剩余放電時長上。
3、2.電池真實的放電數(shù)據(jù)受實際情況的影響，使得電池關(guān)于電壓的放電曲線并不是光滑的，而隨著時間的推進，在單位時間內(nèi)，電壓的變化量有時候會很多，有時候會很少。導(dǎo)致數(shù)據(jù)量不足，從而影響模型預(yù)測效果，出現(xiàn)過擬合導(dǎo)致和真實結(jié)果偏離。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于分段模型的電池續(xù)航能力預(yù)測方法，能夠解決上述問題。為了達到上述目的，提供了一種基于分段模型的電池續(xù)航能力預(yù)測方法，包括以下步驟：
2、s1、獲取電池的放電的電流數(shù)據(jù)，將電流數(shù)據(jù)輸入到總放電時長預(yù)測模型中，輸出所述電池的總放電時長；
3、s2、獲取電池
4、s3、將多個電壓預(yù)測數(shù)據(jù)輸入stacking模型組合，得到放電電壓的最終預(yù)測結(jié)果；根據(jù)放電電壓的最終預(yù)測結(jié)果和已放電時長得到電池的放電曲線，根據(jù)放電曲線預(yù)測剩余放電時長。
5、進一步，所述步驟s3中根據(jù)放電曲線分析電池續(xù)航能力具體包括以下步驟：
6、s301、利用已知電流的放電曲線填補出其他電流下的放電曲線；
7、s302、根據(jù)已知的目前電池的電壓和已放電時長，尋求其對應(yīng)的放電曲線；
8、s303、根據(jù)該電流對應(yīng)放電曲線的最大放電時長減去已放電時長，求得剩余放電時長。
9、進一步，在步驟s2中，從數(shù)據(jù)集中隨機抽取不同的數(shù)據(jù)子集，具體根據(jù)電壓閾值將數(shù)據(jù)集分割成兩數(shù)據(jù)子集，分別為第一數(shù)據(jù)子集和第二數(shù)據(jù)子集，所述第一數(shù)據(jù)子集的放電電壓大于電壓閾值，所述第二數(shù)據(jù)子集的放電電壓小于電壓閾值，根據(jù)數(shù)據(jù)集、第一數(shù)據(jù)子集和第二數(shù)據(jù)子集分別訓(xùn)練得到對應(yīng)的預(yù)測模型；多個對應(yīng)放電電壓的電壓預(yù)測數(shù)據(jù)分別為閾值上預(yù)測結(jié)果、閾值下預(yù)測結(jié)果和全量數(shù)據(jù)預(yù)測結(jié)果。
10、進一步，在步驟s2中，根據(jù)放電曲線數(shù)據(jù)進行預(yù)處理，刪掉導(dǎo)致電壓不穩(wěn)的輸入數(shù)據(jù)，所述輸入數(shù)據(jù)對應(yīng)已放電時長、電流數(shù)據(jù)和總放電時長。
11、進一步，在步驟s2中對特征做特征交叉處理，將低維度特征轉(zhuǎn)換為高維度特征。
12、進一步，所述預(yù)測模型為線性回歸模型、樹分類回歸模型、邏輯斯蒂回歸模型和前饋神經(jīng)網(wǎng)絡(luò)回歸模型中的任一種。
13、進一步，所述預(yù)測模型優(yōu)選為前饋神經(jīng)網(wǎng)絡(luò)回歸模型，需要調(diào)整的參數(shù)有隱藏層數(shù)、神經(jīng)元數(shù)目、激活函數(shù)和學(xué)習(xí)率，以評價指標最優(yōu)值為目標，遍歷尋找最佳的參數(shù)組合。
14、進一步，所述步驟s3中的stacking模型為xgboost回歸模型、線性回歸模型、邏輯斯蒂回歸模型中的任一種。
15、原理及優(yōu)點：
16、1.本方案通過單獨預(yù)測模型總放電時長，在計算剩余放電時長時，一般可使用得到的總放電時長減去已放電時長得到一個略微精準的剩余放電時長，但嚴重依賴于模型的準確程度，一旦模型稍有偏差，將會成倍放大到剩余放電時長上。本方案的總放電時長預(yù)測模型，可得到各電流下的精準總放電時長，若不過高追求計算剩余放電時長的精度，可使用得到的總放電時長減去已放電時長得到一個精準的剩余放電時長。而本方案則是將其作為一個特征輸入到下一步的stacking堆疊模型中，不直接計算剩余放電時長，以便后續(xù)精準分析預(yù)測剩余放電時長。
17、2.本方案構(gòu)建的stacking堆疊模型為分段模型，本質(zhì)是通過隨機抽樣的方法建立多個模型，最后使用stacking模型將多個模型結(jié)果組合起來，可以解決模型的過擬合的問題。因為電池的放電數(shù)據(jù)本身會有波動，如果使用復(fù)雜度很高的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，模型的走向會完全和放電數(shù)據(jù)波動一致，遂引入隨機抽樣的方法，并將多個模型組合在一起，來平均掉數(shù)據(jù)本身的波動。
18、3.通過實踐發(fā)現(xiàn)，一個單純的神經(jīng)網(wǎng)絡(luò)模型的擬合結(jié)果并不盡如人意，增大模型復(fù)雜度后，不僅降低了模型的訓(xùn)練效率而且結(jié)果提升不明顯。通過擬合結(jié)果發(fā)現(xiàn)，由于放電曲線的第三階段電壓下降速度過快，這一階段的擬合結(jié)果始終大于實際放電電壓。為了提高閾值下電壓的權(quán)重，也不影響閾值上模型的結(jié)果，本方案將數(shù)據(jù)集分割成兩部分，一部分數(shù)據(jù)子集大于電壓閾值，另一部分數(shù)據(jù)子集小于電壓閾值，利用兩部分數(shù)據(jù)子集分別訓(xùn)練得到一個神經(jīng)網(wǎng)絡(luò)模型，分別獲得對應(yīng)的放電電壓的預(yù)測結(jié)果。最后，可以得到閾值上預(yù)測結(jié)果、閾值下預(yù)測結(jié)果和全量數(shù)據(jù)預(yù)測結(jié)果三種模型結(jié)果組成的數(shù)據(jù)集。再選取最優(yōu)的回歸模型訓(xùn)練數(shù)據(jù)集得到三個模型堆疊而成的最終模型，從而提高模型的準確度，最終獲取到更貼合實際情況的剩余放電時長。
19、4.本方案通過構(gòu)建機器學(xué)習(xí)模型，深度挖掘更細粒度下的放電曲線，利用有限的數(shù)據(jù)填補出其他電流下的放電曲線，將原來一條1a的放電曲線拓展成0.1a、0.01a甚至0.001a的放電曲線，反向去尋找當(dāng)前電池的電流放電曲線，最終方便地獲取其他電流條件下精確的剩余放電時長。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：所述步驟S3中根據(jù)放電曲線分析電池續(xù)航能力具體包括以下步驟：
3.根據(jù)權(quán)利要求2所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：在步驟S2中，從數(shù)據(jù)集中隨機抽取不同的數(shù)據(jù)子集，具體根據(jù)電壓閾值將數(shù)據(jù)集分割成兩數(shù)據(jù)子集，分別為第一數(shù)據(jù)子集和第二數(shù)據(jù)子集，所述第一數(shù)據(jù)子集的放電電壓大于電壓閾值，所述第二數(shù)據(jù)子集的放電電壓小于電壓閾值，根據(jù)數(shù)據(jù)集、第一數(shù)據(jù)子集和第二數(shù)據(jù)子集分別訓(xùn)練得到對應(yīng)的預(yù)測模型；多個對應(yīng)放電電壓的電壓預(yù)測數(shù)據(jù)分別為閾值上預(yù)測結(jié)果、閾值下預(yù)測結(jié)果和全量數(shù)據(jù)預(yù)測結(jié)果。
4.根據(jù)權(quán)利要求3所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：在步驟S2中，根據(jù)放電曲線數(shù)據(jù)進行預(yù)處理，刪掉導(dǎo)致電壓不穩(wěn)的輸入數(shù)據(jù)，所述輸入數(shù)據(jù)對應(yīng)已放電時長、電流數(shù)據(jù)和總放電時長。
5.根據(jù)權(quán)利要求4所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：在步驟S2中對特征做特征交叉
6.根據(jù)權(quán)利要求1所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：所述預(yù)測模型為線性回歸模型、樹分類回歸模型、邏輯斯蒂回歸模型和前饋神經(jīng)網(wǎng)絡(luò)回歸模型中的任一種。
7.根據(jù)權(quán)利要求6所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：所述預(yù)測模型優(yōu)選為前饋神經(jīng)網(wǎng)絡(luò)回歸模型，需要調(diào)整的參數(shù)有隱藏層數(shù)、神經(jīng)元數(shù)目、激活函數(shù)和學(xué)習(xí)率，以評價指標最優(yōu)值為目標，遍歷尋找最佳的參數(shù)組合。
8.根據(jù)權(quán)利要求1所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：所述步驟S3中的stacking模型為xgboost回歸模型、線性回歸模型、邏輯斯蒂回歸模型中的任一種。
...【技術(shù)特征摘要】
1.一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：所述步驟s3中根據(jù)放電曲線分析電池續(xù)航能力具體包括以下步驟：
3.根據(jù)權(quán)利要求2所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：在步驟s2中，從數(shù)據(jù)集中隨機抽取不同的數(shù)據(jù)子集，具體根據(jù)電壓閾值將數(shù)據(jù)集分割成兩數(shù)據(jù)子集，分別為第一數(shù)據(jù)子集和第二數(shù)據(jù)子集，所述第一數(shù)據(jù)子集的放電電壓大于電壓閾值，所述第二數(shù)據(jù)子集的放電電壓小于電壓閾值，根據(jù)數(shù)據(jù)集、第一數(shù)據(jù)子集和第二數(shù)據(jù)子集分別訓(xùn)練得到對應(yīng)的預(yù)測模型；多個對應(yīng)放電電壓的電壓預(yù)測數(shù)據(jù)分別為閾值上預(yù)測結(jié)果、閾值下預(yù)測結(jié)果和全量數(shù)據(jù)預(yù)測結(jié)果。
4.根據(jù)權(quán)利要求3所述的一種基于分段模型的電池續(xù)航能力預(yù)測方法，其特征在于：在步驟s2中，根據(jù)放電曲線數(shù)據(jù)進行預(yù)處理，刪掉導(dǎo)致電壓不穩(wěn)的輸入數(shù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：穆馨兒，沈俊宏，
申請(專利權(quán))人：重慶新合縱電力科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。