本发明涉及锂电池检测,特别指一种基于自监督学习的充电特征提取方法及系统。
背景技术:
1、随着科技技术的发展和进步,越来越多的电子设备被大量普及,其中使用锂电池进行驱动的电动汽车和电动自行车成为了我们出行不可或缺的一部分。
2、然而不同厂家所生产的锂电池质量参差不齐,锂电池的化学配方和制作工艺也存在差异,最直接的表现为相同使用时间下,锂电池的容量衰减率(老化程度)不同。锂电池在充放电循环过程中,内部会发生一些不可逆的化学反应,使锂电池的电极上“嵌入/脱出”的li+损失,所以不同老化程度的锂电池,在充电时形成的电压电流曲线会有所不同。
3、由于电池容量估计的准确性直接关系到用车的安全性和用户体验,因此需要使用电压电流曲线(电池数据)来估计电池容量。针对电池容量的估计,传统上存在如下方法:1、通过建立电化学机理模型、等效电路模型来描述锂电池老化行为,即进行电池容量估计;2、通过cnn和rnn的深度学习模型进行电池容量估计;3、通过机器学习算法进行电池容量估计。
4、然而,上述传统的方法都需要通过人工进行充电特征的提取,需要大量的专业知识,不仅效率低下,且使用不同来源电池数据提取的充电特征训练的模型的估计(预测)效果参差不齐,泛化能力差,在实际应用过程中容易受到环境影响。
5、因此,如何提供一种基于自监督学习的充电特征提取方法及系统,实现提升充电特征提取的效率以及质量,成为一个亟待解决的技术问题。
技术实现思路
1、本发明要解决的技术问题,在于提供一种基于自监督学习的充电特征提取方法及系统,实现提升充电特征提取的效率以及质量。
2、第一方面,本发明提供了一种基于自监督学习的充电特征提取方法,包括如下步骤:
3、步骤s10、获取大量包括充电电流、充电电压以及充电soc的电池充电数据;
4、步骤s20、对各所述电池充电数据进行分组和截取,得到充电子数据;
5、步骤s30、对各所述充电子数据进行随机mask操作,得到充电数据集;
6、步骤s40、基于transformer构建一特征提取模型,利用所述充电数据集对特征提取模型进行训练;
7、步骤s50、利用训练后的所述特征提取模型进行充电特征的自动提取。
8、进一步地,所述步骤s20具体为:
9、设定一soc梯度以及一时长阈值,基于所述soc梯度对各电池充电数据进行分组,再基于所述时长阈值对分组后的各电池充电数据进行顺序截取得到充电子数据,对时长不满足所述时长阈值的充电子数据用0进行填充。
10、进一步地,所述步骤s30具体为:
11、设定一mask比例、一mask长度区间、一mask间隔区间,基于所述mask比例、mask长度区间以及mask间隔区间,对所述充电子数据中的充电电流、充电电压以及充电soc分别进行随机mask操作,得到充电数据集。
12、进一步地,所述步骤s40中,所述特征提取模型用于将输入的所述充电数据集转换为特征向量,再通过transformer对各所述特征向量进行无监督学习后,线性投射出所述充电数据集中被mask的数据。
13、进一步地,所述步骤s40中,所述特征提取模型的损失函数为:
14、l=l(x,y)={l1,...,ln,...,ln}t,ln=(xn-yn)2;
15、其中,l表示损失函数;x表示预测值;y表示真实值;n表示充电数据集中数据的编号;n表示充电数据集中数据的总数;xn表示第n个预测值;yn表示第n个真实值;t表示转置;l()表示rmse函数。
16、第二方面,本发明提供了一种基于自监督学习的充电特征提取系统,包括如下模块:
17、电池充电数据获取模块,用于获取大量包括充电电流、充电电压以及充电soc的电池充电数据;
18、充电子数据生成模块,用于对各所述电池充电数据进行分组和截取,得到充电子数据;
19、充电数据集生成模块,用于对各所述充电子数据进行随机mask操作,得到充电数据集;
20、特征提取模型训练模块,用于基于transformer构建一特征提取模型,利用所述充电数据集对特征提取模型进行训练;
21、充电特征自动提取模块,用于利用训练后的所述特征提取模型进行充电特征的自动提取。
22、进一步地,所述充电子数据生成模块具体用于:
23、设定一soc梯度以及一时长阈值,基于所述soc梯度对各电池充电数据进行分组,再基于所述时长阈值对分组后的各电池充电数据进行顺序截取得到充电子数据,对时长不满足所述时长阈值的充电子数据用0进行填充。
24、进一步地,所述充电数据集生成模块具体用于:
25、设定一mask比例、一mask长度区间、一mask间隔区间,基于所述mask比例、mask长度区间以及mask间隔区间,对所述充电子数据中的充电电流、充电电压以及充电soc分别进行随机mask操作,得到充电数据集。
26、进一步地,所述特征提取模型训练模块中,所述特征提取模型用于将输入的所述充电数据集转换为特征向量,再通过transformer对各所述特征向量进行无监督学习后,线性投射出所述充电数据集中被mask的数据。
27、进一步地,所述特征提取模型训练模块中,所述特征提取模型的损失函数为:
28、l=l(x,y)={l1,...,ln,...,ln}t,ln=(xn-yn)2;
29、其中,l表示损失函数;x表示预测值;y表示真实值;n表示充电数据集中数据的编号;n表示充电数据集中数据的总数;xn表示第n个预测值;yn表示第n个真实值;t表示转置;l()表示rmse函数。
30、本发明的优点在于:
31、通过对包括充电电流、充电电压以及充电soc的电池充电数据进行分组、截取、随机mask操作以得到充电数据集,利用充电数据集对基于transformer构建的特征提取模型进行训练,再利用训练后的特征提取模型进行充电特征的自动提取,即使用深度学习算法对充电特征进行自动提取以代替传统的人工提取,缩短充电特征提取时间,且深度学习算法基于大量的电池充电数据进行算法拟合,具有很好的泛化能力,而利用transformer能很好的捕捉长时间序列的特征表示,通过transformer的无监督学习能缓和不同数据分布之间带来的预测误差,通过随机mask操作让每一充电子数据的充电曲线都能学习到大数据样本下的表征体系,最终极大的提升了充电特征提取的效率以及质量。
1.一种基于自监督学习的充电特征提取方法,其特征在于:包括如下步骤:
2.如权利要求1所述的一种基于自监督学习的充电特征提取方法,其特征在于:所述步骤s20具体为:
3.如权利要求1所述的一种基于自监督学习的充电特征提取方法,其特征在于:所述步骤s30具体为:
4.如权利要求1所述的一种基于自监督学习的充电特征提取方法,其特征在于:所述步骤s40中,所述特征提取模型用于将输入的所述充电数据集转换为特征向量,再通过transformer对各所述特征向量进行无监督学习后,线性投射出所述充电数据集中被mask的数据。
5.如权利要求1所述的一种基于自监督学习的充电特征提取方法,其特征在于:所述步骤s40中,所述特征提取模型的损失函数为:
6.一种基于自监督学习的充电特征提取系统,其特征在于:包括如下模块:
7.如权利要求6所述的一种基于自监督学习的充电特征提取系统,其特征在于:所述充电子数据生成模块具体用于:
8.如权利要求6所述的一种基于自监督学习的充电特征提取系统,其特征在于:所述充电数据集生成模块具体用于:
9.如权利要求6所述的一种基于自监督学习的充电特征提取系统,其特征在于:所述特征提取模型训练模块中,所述特征提取模型用于将输入的所述充电数据集转换为特征向量,再通过transformer对各所述特征向量进行无监督学习后,线性投射出所述充电数据集中被mask的数据。
10.如权利要求6所述的一种基于自监督学习的充电特征提取系统,其特征在于:所述特征提取模型训练模块中,所述特征提取模型的损失函数为: