电池容量预测模型的训练和预测方法、系统、设备及介质

本发明涉及电池容量预测领域，特别涉及一种电池容量预测模型的训练和预测方法、系统、设备及介质。

背景技术：

1、锂离子电池具有高能量密度、循环寿命长、成本价格低、环保无污染等优点，广泛应用于电动汽车和储能等民用领域。在锂电池生产制造过程中，容量作为一项重要的质量评价指标，通常是在分容工序中使用分容柜进行测定。在锂电池首次分容后，需静置一段时间，一般不少于15天，之后进行二次分容，确定锂电池容量，筛选出容量较低的异常电芯，在这个过程中，消耗了大量的时间和能源，因此，需要提供一种电池容量预测模型的训练和预测方法、系统、设备及介质。

技术实现思路

1、本发明提供一种电池容量预测模型的训练和预测方法、系统、设备及介质。以解决现有技术中电池容量预测速度较慢，且预测不准确的问题。

2、本发明提供的一种电池容量预测模型的训练方法，包括：获取多个电池的电池容量以及各电池在充放电实验中的电压数据，绘制充放电电压曲线；从所述充放电电压曲线中提取多个动态特征，并对提取的多个动态特征与对应电池容量进行灰色关联度分析，获取关联度符合预设条件的目标特征集合；将所述目标特征集合输入至待训练的电池容量预测模型进行训练，并基于麻雀搜索算法，优化所述电池容量预测模型的超参数，获得训练好的电池容量预测模型；其中，所述电池容量预测模型为极限梯度提升树模型。

3、于本发明一实施例中，所述将所述目标特征集合输入至待训练的电池容量预测模型进行训练，并基于麻雀搜索算法，优化所述电池容量预测模型的超参数，获得训练好的电池容量预测模型，包括：从目标特征集合中随机选择预设数量的目标特征；将选择的目标特征输入至待训练的电池容量预测模型进行训练，获得对应的电池容量预测值；其中，所述电池容量预测模型包括多棵决策树；基于所述麻雀搜索算法更新当前训练的电池容量预测模型的超参数，并基于更新的超参数获得更新后的电池容量预测模型；将电池容量预测值和真实电池容量进行比较，并基于比较结果或迭代次数判断所述电池容量预测模型是否符合预设的训练终止条件；若所述电池容量预测模型符合所述训练终止条件，则终止训练，将更新后的电池容量预测模型作为训练好的电池容量预测模型；若所述电池容量预测模型不符合所述训练终止条件，则从所述目标特征集合中再次随机选择预设数量的目标特征，对更新后的所述电池容量预测模型再进行训练，直至比较结果符合预设的训练终止条件。

4、于本发明一实施例中，所述将电池容量预测值和真实电池容量进行比较，并基于比较结果判断所述电池容量预测模型是否符合预设的训练终止条件，包括：基于预设的目标函数获取规则，获取所述电池容量预测值和所述真实电池容量的目标函数值，将所述目标函数值与预设的误差阈值进行比较，判断所述目标函数值是否大于所述误差阈值；若所述目标函数值大于所述误差阈值，则电池容量预测模型符合所述训练终止条件；若所述目标函数值小于或等于所述误差阈值，则电池容量预测模型不符合所述训练终止条件。

5、于本发明一实施例中，所述基于所述麻雀搜索算法更新当前训练的电池容量预测模型的超参数，并基于更新的超参数获得更新后的电池容量预测模型，包括：获取当前训练的电池容量预测模型中麻雀种群的各个体的适应度值，并基于预设的划分策略，根据每个个体的适应度值，将所述麻雀种群中的各个体划分为发现者、加入者和侦察者，并获取各个体在当前待训练时的位置；其中，个体的适应度值与当前训练的电池容量预测模型的超参数相关联；根据预设的发现者位置更新策略、加入者位置更新策略、侦察者位置更新策略更新当前麻雀种群中每个个体的位置；基于更新后的位置计算更新后各个体的适应度值，获得当前最优适应度值及对应位置；根据当前最优适应度值和对应位置，更新当前训练的电池容量预测模型的超参数，并基于更新的超参数获得更新后的电池容量预测模型。

6、于本发明一实施例中，所述根据当前最优适应度值和对应位置，更新当前训练的电池容量预测模型的超参数，还包括：判断当前最优适应度值是否小于前一次迭代后的最优适应度值；若是，则将当前最优适应度值对应位置更新当前训练的电池容量预测模型的超参数；若否，则保持当前训练的电池容量预测模型的超参数不变。

7、于本发明一实施例中，所述获取多个电池的电池容量，包括：对多个电池分别进行二次分容，获取各个电池的电池容量。

8、于本发明一实施例中，还提供一种电池容量预测方法，包括：将电池按照化成工序和分容工序制式进行充放电实验，并记录所述充放电实验过程中，所述电池的电压数据，绘制充放电电压曲线；从所述充放电电压曲线中提取预设的多个动态特征，并基于灰色关联度分析法，从所述多个动态特征中获取目标特征；将所述目标特征输入至上述任一项所述的电池容量预测模型的训练方法训练出的电池容量预测模型中，获得所述电池的容量预测数据。

9、在本发明的另一方面，还提供了一种电池容量预测模型的训练系统，所述系统包括：数据获取模块，用于获取多个电池在充放电实验中的电压数据以及电池容量，并绘制充放电电压曲线；特征提取模块，用于从所述充放电电压曲线中提取多个动态特征，基于灰色关联度分析法，对多个动态特征的变化趋势与电池容量变化趋势进行关联度分析，获取关联度符合预设条件的目标特征；模型训练模块，用于将所述目标特征集合输入至待训练的电池容量预测模型进行训练，并基于麻雀搜索算法，优化所述电池容量预测模型的超参数，获得训练好的电池容量预测模型；其中，所述电池容量预测模型为极限梯度提升树模型。

10、于本发明一实施例中，还提供一种电子设备，包括：一个或多个处理器；及存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述任一项所述电池容量预测模型的训练方法或上述所述的电池容量预测方法。

11、于本发明一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行上述任一项所述电池容量预测模型的训练方法或上述所述的电池容量预测方法。

12、本发明提出的一种电池容量预测模型的训练和预测方法、系统、设备及介质。通过将电池进行充放电试验，获取充放电电压曲线，并从中提取多个动态特征。将提取的各动态特征与电池容量进行灰色关联度分析，从而得到关联度较高的目标特征。将目标特征输入至待训练的电池容量预测模型，并基于麻雀搜索算法在训练过程中不断优化模型的超参数，以使获取的电池容量预测模型具有较高的预测精度。能够快速准确的预测电池容量，省去电池后续分容过程，节约生产时间、减少能源浪费。

技术特征：

1.一种电池容量预测模型的训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的电池容量预测模型的训练方法，其特征在于，所述将所述目标特征集合输入至待训练的电池容量预测模型进行训练，并基于麻雀搜索算法，优化所述电池容量预测模型的超参数，获得训练好的电池容量预测模型，包括：

3.根据权利要求2所述的电池容量预测模型的训练方法，其特征在于，所述将电池容量预测值和真实电池容量进行比较，并基于比较结果判断所述电池容量预测模型是否符合预设的训练终止条件，包括：

4.根据权利要求2所述的电池容量预测模型的训练方法，其特征在于，所述基于所述麻雀搜索算法更新当前训练的电池容量预测模型的超参数，并基于更新的超参数获得更新后的电池容量预测模型，包括：

5.根据权利要求4所述的电池容量预测模型的训练方法，其特征在于，所述根据当前最优适应度值和对应位置，更新当前训练的电池容量预测模型的超参数，还包括：

6.根据权利要求1所述的电池容量预测模型的训练方法，其特征在于，所述获取多个电池的电池容量，包括：对多个电池分别进行二次分容，获取各个电池的电池容量。

7.一种电池容量预测方法，其特征在于，所述方法包括：

8.一种电池容量预测模型的训练系统，其特征在于，所述系统包括：

9.一种电子设备，其特征在于：所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行权利要求1至6中任一项所述电池容量预测模型的训练方法或权利要求7所述的电池容量预测方法。

技术总结
本发明涉及电池容量预测领域，提供一种电池容量预测模型的训练和预测方法、系统、设备及介质。训练方法包括：获取多个电池的电池容量以及各电池在充放电实验中的电压数据，绘制充放电电压曲线；从充放电电压曲线中提取多个动态特征，并对提取的多个动态特征与对应电池容量进行灰色关联度分析，获取关联度符合预设条件的目标特征集合；将目标特征集合输入至待训练的电池容量预测模型进行训练，并基于麻雀搜索算法，优化电池容量预测模型的超参数，获得训练好的电池容量预测模型；其中，电池容量预测模型为极限梯度提升树模型。能够快速准确预测电池容量。

技术研发人员：刘征宇,王浩,唐炼栋,黄再军
受保护的技术使用者：合肥工业大学
技术研发日：
技术公布日：2024/1/16