一种锂电池充放电时长预测方法及系统

技术领域

本发明涉及锂电池检测技术领域，特别指一种锂电池充放电时长预测方法及系统。

背景技术

随着锂电池成本的持续下降，电动汽车和储能系统的销量也显著提升，对锂电池各方面的要求也越来越高。

锂电池检测需要对锂电池进行不断的充放电，以获得不同循环次数下的充放电数据，不仅需要较高的人力成本、充放电设备成本的投入，而且只有在所有循环测试完成，才能知道锂电池在不同的循环次数下的充电时长和放电时长，导致整体测试周期过长，不利于锂电池的性能分析，不利于充放电设备的智能调度和排配。

因此，如何提供一种锂电池充放电时长预测方法及系统，实现提升锂电池在不同循环次数下的充放电时长预测的效率，成为一个亟待解决的技术问题。

发明内容

本发明要解决的技术问题，在于提供一种锂电池充放电时长预测方法及系统，实现提升锂电池在不同循环次数下的充放电时长预测的效率。

第一方面，本发明提供了一种锂电池充放电时长预测方法，包括如下步骤：

步骤S10、获取大量的不同循环次数下锂电池的充放电数据；

步骤S20、对各所述充放电数据进行预处理；

步骤S30、对预处理后的各所述充放电数据中的异常数据进行处理，并构建电池数据集；

步骤S40、基于深度学习创建一时长预测模型，利用所述电池数据集对时长预测模型进行训练；

步骤S50、利用训练后的所述时长预测模型对锂电池在不同循环次数下的充电时长和放电时长进行预测。

进一步地，所述步骤S10中，所述充放电数据至少包括各时刻下的电压、电流以及温度。

进一步地，所述步骤S20具体包括：

步骤S21、基于各所述充放电数据计算不同循环次数下锂电池的实际充电时长以及实际放电时长，并利用安时积分法累加计算充电容量以及放电容量；

步骤S22、对各所述充放电数据进行数据降维，选取影响锂电池充放电的特征变量；所述特征变量包括电压、电流以及温度；

步骤S23、对所述实际充电时长、实际放电时长、充电容量、放电容量以及特征变量分别进行绝对值处理和归一化处理，完成所述充放电数据的预处理。

进一步地，所述步骤S30具体包括：

步骤S31、分别计算各所述充放电数据中的实际充电时长和实际放电时长的均值μ以及标准差σ；

步骤S32、基于所述均值μ和标准差σ构建一数据筛选区间[μ-2σ,μ+2σ]，将处于所述数据筛选区间内的实际充电时长和实际放电时长定义为正常值，将不处于所述数据筛选区间内的实际充电时长和实际放电时长定义为异常值；

步骤S33、对各所述异常值的数据，利用所述异常值与相邻的正常值的平均值进行填充，以完成异常数据的处理；

步骤S34、以数据补0的方式统一各所述充放电数据的长度，并从各所述充放电数据中选取标签为[n+100,n+200,……,n+1000]的数据构建电池数据集。

进一步地，所述步骤S40中，所述时长预测模型基于2D的卷积神经网络以及长短期记忆网络创建。

第二方面，本发明提供了一种锂电池充放电时长预测系统，包括如下模块：

充放电数据获取模块，用于获取大量的不同循环次数下锂电池的充放电数据；

充放电数据预处理模块，用于对各所述充放电数据进行预处理；

电池数据集构建模块，用于对预处理后的各所述充放电数据中的异常数据进行处理，并构建电池数据集；

时长预测模型训练模块，用于基于深度学习创建一时长预测模型，利用所述电池数据集对时长预测模型进行训练；

充放电时长预测模块，用于利用训练后的所述时长预测模型对锂电池在不同循环次数下的充电时长和放电时长进行预测。

进一步地，所述充放电数据获取模块中，所述充放电数据至少包括各时刻下的电压、电流以及温度。

进一步地，所述充放电数据预处理模块具体包括：

充放电时长及容量计算单元，用于基于各所述充放电数据计算不同循环次数下锂电池的实际充电时长以及实际放电时长，并利用安时积分法累加计算充电容量以及放电容量；

数据降维单元，用于对各所述充放电数据进行数据降维，选取影响锂电池充放电的特征变量；所述特征变量包括电压、电流以及温度；

绝对值及归一化处理单元，用于对所述实际充电时长、实际放电时长、充电容量、放电容量以及特征变量分别进行绝对值处理和归一化处理，完成所述充放电数据的预处理。

进一步地，所述电池数据集构建模块具体包括：

均值及标准差计算单元，用于分别计算各所述充放电数据中的实际充电时长和实际放电时长的均值μ以及标准差σ；

数据筛选单元，用于基于所述均值μ和标准差σ构建一数据筛选区间[μ-2σ,μ+2σ]，将处于所述数据筛选区间内的实际充电时长和实际放电时长定义为正常值，将不处于所述数据筛选区间内的实际充电时长和实际放电时长定义为异常值；

异常处理单元，用于对各所述异常值的数据，利用所述异常值与相邻的正常值的平均值进行填充，以完成异常数据的处理；

数据长度补齐单元，用于以数据补0的方式统一各所述充放电数据的长度，并从各所述充放电数据中选取标签为[n+100,n+200,……,n+1000]的数据构建电池数据集。

进一步地，所述时长预测模型训练模块中，所述时长预测模型基于2D的卷积神经网络以及长短期记忆网络创建。

本发明的优点在于：

1、通过2D的卷积神经网络以及长短期记忆网络创建时长预测模型，利用电池数据集对时长预测模型进行训练，再利用训练后的时长预测模型对锂电池在不同循环次数下的充电时长和放电时长进行预测，即基于深度学习对锂电池在不同循环次数下的充电时长和放电时长进行预测，无需像传统上等待所有循环测试完成，缩短了充电时长和放电时长预测的周期，最终极大的提升了锂电池在不同循环次数下的充放电时长预测的效率，便于对充放电设备进行智能调度和排配，降低充放电时长预测成本。

2、通过对充放电数据进行数据降维、绝对值处理、归一化处理的预处理，对预处理后的各充放电数据中的异常数据进行处理，进而构建电池数据集，再利用电池数据集对时长预测模型进行训练，进而极大的提升了时长预测模型预测的精度。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1是本发明一种锂电池充放电时长预测方法的流程图。

图2是本发明一种锂电池充放电时长预测系统的结构示意图。

图3是本发明长短期记忆网络的结构示意图。

具体实施方式

本申请实施例中的技术方案，总体思路如下：基于深度学习对锂电池在不同循环次数下的充电时长和放电时长进行预测，无需像传统上等待所有循环测试完成，以提升锂电池在不同循环次数下的充放电时长预测的效率。

请参照图1至图3所示，本发明一种锂电池充放电时长预测方法的较佳实施例，包括如下步骤：

步骤S10、获取大量的不同循环次数下锂电池的充放电数据；

步骤S20、对各所述充放电数据进行预处理；

步骤S30、对预处理后的各所述充放电数据中的异常数据进行处理，并构建电池数据集；

步骤S40、基于深度学习创建一时长预测模型，利用所述电池数据集对时长预测模型进行训练；

步骤S50、利用训练后的所述时长预测模型对锂电池在不同循环次数下的充电时长和放电时长进行预测，对于其他循环的充电时长和放电时长，采用三项式拟合生成。

所述步骤S10中，所述充放电数据至少包括各时刻下的电压、电流以及温度。

所述步骤S20具体包括：

步骤S21、基于各所述充放电数据计算不同循环次数下锂电池的实际充电时长以及实际放电时长，并利用安时积分法累加计算充电容量以及放电容量；

步骤S22、对各所述充放电数据进行数据降维，选取影响锂电池充放电的特征变量；所述特征变量包括电压、电流以及温度；

步骤S23、对所述实际充电时长、实际放电时长、充电容量、放电容量以及特征变量分别进行绝对值处理和归一化处理，完成所述充放电数据的预处理；归一化处理即让数据的值处于[0,1]之间，公式为：(x-最小值)/(最大值-最小值)。具体实施时，可将所述实际充电时长、实际放电时长、充电容量、放电容量以及特征变量存储到同一张数据表里，以对数据进行归集，便于后续的处理和调用。

所述步骤S30具体包括：

步骤S31、分别计算各所述充放电数据中的实际充电时长和实际放电时长的均值μ以及标准差σ；所述标准差σ用于反应数据间的离散程度；

步骤S32、基于所述均值μ和标准差σ构建一数据筛选区间[μ-2σ,μ+2σ]，将处于所述数据筛选区间内的实际充电时长和实际放电时长定义为正常值，将不处于所述数据筛选区间内的实际充电时长和实际放电时长定义为异常值；

步骤S33、对各所述异常值的数据，利用所述异常值与相邻的正常值的平均值进行填充，以完成异常数据的处理；

步骤S34、以数据补0的方式统一各所述充放电数据的长度，并从各所述充放电数据中选取标签为[n+100,n+200,……,n+1000]的数据构建电池数据集。

所述步骤S40中，所述时长预测模型基于2D的卷积神经网络(CNN)以及长短期记忆网络(LSTM)创建。

卷积神经网络和传统神经网络的区别在于，卷积神经网络是部分连接网络，不是全连接网络，卷积神经网络的卷积和池化简化了传统神经网络的模型复杂度，减少了模型参数的规模。卷积神经网络用于对充电过程的充电数据、放电过程的放电数据分别进行特征提取，向长短期记忆网络输出特征数据。

LSTM有两个传输状态，分别是神经元状态C

f

C

i

o

其中，f

输出由四个状态计算得到，包含隐含层：

h

本发明一种锂电池充放电时长预测系统的较佳实施例，包括如下模块：

充放电数据获取模块，用于获取大量的不同循环次数下锂电池的充放电数据；

充放电数据预处理模块，用于对各所述充放电数据进行预处理；

电池数据集构建模块，用于对预处理后的各所述充放电数据中的异常数据进行处理，并构建电池数据集；

时长预测模型训练模块，用于基于深度学习创建一时长预测模型，利用所述电池数据集对时长预测模型进行训练；

充放电时长预测模块，用于利用训练后的所述时长预测模型对锂电池在不同循环次数下的充电时长和放电时长进行预测，对于其他循环的充电时长和放电时长，采用三项式拟合生成。

所述充放电数据获取模块中，所述充放电数据至少包括各时刻下的电压、电流以及温度。

所述充放电数据预处理模块具体包括：

充放电时长及容量计算单元，用于基于各所述充放电数据计算不同循环次数下锂电池的实际充电时长以及实际放电时长，并利用安时积分法累加计算充电容量以及放电容量；

数据降维单元，用于对各所述充放电数据进行数据降维，选取影响锂电池充放电的特征变量；所述特征变量包括电压、电流以及温度；

绝对值及归一化处理单元，用于对所述实际充电时长、实际放电时长、充电容量、放电容量以及特征变量分别进行绝对值处理和归一化处理，完成所述充放电数据的预处理；归一化处理即让数据的值处于[0,1]之间，公式为：(x-最小值)/(最大值-最小值)。具体实施时，可将所述实际充电时长、实际放电时长、充电容量、放电容量以及特征变量存储到同一张数据表里，以对数据进行归集，便于后续的处理和调用。

所述电池数据集构建模块具体包括：

均值及标准差计算单元，用于分别计算各所述充放电数据中的实际充电时长和实际放电时长的均值μ以及标准差σ；所述标准差σ用于反应数据间的离散程度；

数据筛选单元，用于基于所述均值μ和标准差σ构建一数据筛选区间[μ-2σ,μ+2σ]，将处于所述数据筛选区间内的实际充电时长和实际放电时长定义为正常值，将不处于所述数据筛选区间内的实际充电时长和实际放电时长定义为异常值；

异常处理单元，用于对各所述异常值的数据，利用所述异常值与相邻的正常值的平均值进行填充，以完成异常数据的处理；

数据长度补齐单元，用于以数据补0的方式统一各所述充放电数据的长度，并从各所述充放电数据中选取标签为[n+100,n+200,……,n+1000]的数据构建电池数据集。

所述时长预测模型训练模块中，所述时长预测模型基于2D的卷积神经网络(CNN)以及长短期记忆网络(LSTM)创建。

卷积神经网络和传统神经网络的区别在于，卷积神经网络是部分连接网络，不是全连接网络，卷积神经网络的卷积和池化简化了传统神经网络的模型复杂度，减少了模型参数的规模。卷积神经网络用于对充电过程的充电数据、放电过程的放电数据分别进行特征提取，向长短期记忆网络输出特征数据。

LSTM有两个传输状态，分别是神经元状态C

f

C

i

o

其中，f

输出由四个状态计算得到，包含隐含层：

h

综上所述，本发明的优点在于：

1、通过2D的卷积神经网络以及长短期记忆网络创建时长预测模型，利用电池数据集对时长预测模型进行训练，再利用训练后的时长预测模型对锂电池在不同循环次数下的充电时长和放电时长进行预测，即基于深度学习对锂电池在不同循环次数下的充电时长和放电时长进行预测，无需像传统上等待所有循环测试完成，缩短了充电时长和放电时长预测的周期，最终极大的提升了锂电池在不同循环次数下的充放电时长预测的效率，便于对充放电设备进行智能调度和排配，降低充放电时长预测成本。

2、通过对充放电数据进行数据降维、绝对值处理、归一化处理的预处理，对预处理后的各充放电数据中的异常数据进行处理，进而构建电池数据集，再利用电池数据集对时长预测模型进行训练，进而极大的提升了时长预测模型预测的精度。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。