本发明涉及电池,尤其涉及一种电池阈值的自适应设定方法、装置、设备及存储介质。
背景技术:
1、随着电池技术的发展,对电池管理系统(bms)的要求也越来越高。电池管理系统需要预先设定电池阈值才能够准确地监测和控制电池的状态和性能。传统的电池阈值设定方法通常采用固定阈值或固定阈值范围,这样的设定方法可能无法适应不同的环境和条件,导致系统的灵活性和准确性不足。
技术实现思路
1、本发明的主要目的在于提供一种电池阈值的自适应设定方法、装置、设备及存储介质,旨在解决现有技术中无法动态设定电池阈值的技术问题。
2、为实现上述目的,本发明提供了一种电池阈值的自适应设定方法,所述方法包括以下步骤:
3、获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;
4、根据所述历史数据确定阈值设定相关特征;
5、利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;
6、将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。
7、可选地,所述获取目标电池的历史数据,包括:
8、获取所述目标电池的初始历史数据;
9、对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据。
10、可选地,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
11、对所述初始历史数据依次进行数据清洗、数据筛选之后,得到第一预处理数据;
12、确定所述第一预处理数据的最小-最大归一化结果、z-score标准化结果以及最大绝对值缩放结果;
13、随机确定第一权重、第二权重以及第三权重;
14、基于所述最小-最大归一化结果、所述z-score标准化结果、所述最大绝对值缩放结果、所述第一权重、所述第二权重以及所述第三权重,确定归一化数据;
15、对所述归一化数据进行时间序列化处理,得到所述目标电池的历史数据。
16、可选地,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
17、对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化处理之后,得到第二预处理数据;
18、将所述第二预处理数据按照采集时间进行排序,得到排序数据;
19、将所述排序数据分割成连续的时间窗口,得到所述目标电池的历史数据,其中,所述时间窗口内包含历史数据在时间维度上的动态变化特征。
20、可选地,所述根据所述历史数据确定阈值设定相关特征,包括:
21、判断所述当前数据是否在数据波动范围内;
22、若判定所述当前数据不在数据波动范围内,则根据在预设时间段内监测到的当前数据更新所述历史数据;
23、根据所述历史数据确定阈值设定相关特征。
24、可选地,所述根据所述历史数据中确定阈值设定相关特征,包括:
25、对所述历史数据进行统计,得到所述历史数据的统计特征;
26、确定所述历史数据的频域数据,从所述频域数据汇总提取出所述历史数据的频率特征;
27、利用所述历史数据在时间窗口内的数据来提取时间序列特征;
28、将所述统计特征、所述频率特征以及所述时间序列特征进行特征融合,得到融合特征;
29、降低所述融合特征的维度,得到所述阈值设定相关特征。
30、可选地,所述利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型,包括:
31、利用所述阈值设定相关特征训练初始深度学习模型,得到训练好的初始深度学习模型;
32、对所述训练好的初始深度学习模型进行超参数调优,得到目标深度学习模型。
33、此外,为实现上述目的,本发明还提出一种电池阈值的自适应设定装置,所述电池阈值的自适应设定装置包括:
34、获取模块,用于获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;
35、确定模块,用于根据所述历史数据确定阈值设定相关特征;
36、训练模块,用于利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;
37、预测模块,用于将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。
38、此外,为实现上述目的,本发明还提出一种电池阈值的自适应设定设备,所述电池阈值的自适应设定设备包括: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阈值的自适应设定程序,所述电池阈值的自适应设定程序配置为实现如上文所述的电池阈值的自适应设定方法的步骤。
39、此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有电池阈值的自适应设定程序,所述电池阈值的自适应设定程序被处理器执行时实现如上文所述的电池阈值的自适应设定方法的步骤。
40、本发明提出的电池阈值的自适应设定方法、装置、设备及存储介质,通过获取目标电池的历史数据,以及实时监测所述目标电池的当前数据;根据所述历史数据确定阈值设定相关特征;利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型;将所述当前数据输入至所述目标深度学习模型中,预测出所述目标电池的预测阈值/或预测范围。通过上述方式,能够根据输入的特征预测出目标电池的合适阈值或合适的阈值范围。
1.一种电池阈值的自适应设定方法,其特征在于,所述电池阈值的自适应设定方法包括:
2.如权利要求1所述的方法,其特征在于,所述获取目标电池的历史数据,包括:
3.如权利要求2所述的方法,其特征在于,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
4.如权利要求2所述的方法,其特征在于,所述对所述初始历史数据依次进行数据清洗、数据筛选、数据归一化以及时间序列化处理,得到所述目标电池的历史数据,包括:
5.如权利要求1所述的方法,其特征在于,所述根据所述历史数据确定阈值设定相关特征,包括:
6.如权利要求5所述的方法,其特征在于,所述根据所述历史数据中确定阈值设定相关特征,包括:
7.如权利要求1所述的方法,其特征在于,所述利用所述阈值设定相关特征训练初始深度学习模型,得到目标深度学习模型,包括:
8.一种电池阈值的自适应设定装置,其特征在于,所述电池阈值的自适应设定装置包括:
9.一种电池阈值的自适应设定设备,其特征在于,所述设备包括: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阈值的自适应设定程序,所述电池阈值的自适应设定程序配置为实现如权利要求1至7中任一项所述的电池阈值的自适应设定方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有电池阈值的自适应设定程序,所述电池阈值的自适应设定程序被处理器执行时实现如权利要求1至7任一项所述的电池阈值的自适应设定方法的步骤。