【技术实现步骤摘要】
本公开涉及新能源电池，尤其涉及一种基于双重集成学习的锂电池生产定容的预测方法、装置、存储介质及电子设备。
技术介绍
1、锂离子电池因其循环寿命长、功率高和能量密度大等优点，成为新能源汽车中最常用的电源之一。容量作为衡量电池性能的指标、质量筛选的关键，由于生产参数的波动，实际容量并非恒定值。而分容工艺旨在测试即将交付给客户的电池的实际容量，并淘汰低于设计额定容量的电池。在当前的锂电池生产中，分容工序在化成工艺完成后进行，通过在室温或高温环境下采用低倍率电流进行至少一次完全充放电，这个步骤获得的完全放电容量被视为电池的出厂容量，这个过程被称为对锂离子电池进行定容。
2、由于分容工艺需要经历多次静置和恒流放电步骤，电池放电时，能量通过负载以热能的形式散失，会造成大量的能量浪费，并导致严重的安全事故，且增加了电池的生产时间；另外，化成分容设备的投资成本高，运营维护成本也相应较高。若减少或省略分容放电测试，利用化成工艺或分容工艺中的充电数据来确定锂电池的实际容量，可以降低电池生产成本，缩短生产周期，这对于提高企业的生产效率具有重要意义。
3、现有技术中，常利用化成工艺中单一种类的电池特征数据进行锂电池的定容预测，导致有效数据的利用率低，限制了预测精度；并且，特征数据清洗时会直接丢弃数据异常的电池，对于这部分电池不进行定容预测直接进行返工，导致返工率较高，导致生产周期和成本增加。
技术实现思路
1、本公开实施例的目的在于提供一种基于双重集成学习的锂电池生产定容的预测方法
2、本公开的实施例采用如下技术方案：一种基于双重集成学习的锂电池生产定容的预测方法，包括：获取每个样本电池的统计特征数据、工步时间序列数据以及定容容量，并从所有所述样本电池中筛选出所述统计特征数据和所述工步时间序列数据均无异常的电池作为训练电池；将所述训练电池的所述统计特征数据和所述定容容量输入至轻量级梯度提升数模型中进行训练，得到整体预测模型；利用k-means聚类算法对所述训练电池进行分类，将所述训练电池划分为m个无交叉的电池类别，将每个电池类别的所述统计特征数据和所述定容容量分别输入至轻量级梯度提升数模型中进行训练，得到每个所述电池类别的分类预测模型；将所述整体预测模型和所有所述分类预测模型进行集成，得到预测模型群；将所述训练电池的所述工步时间序列数据和定容容量输入至深度学习模型进行训练，得到时间序列预测模型；获取待测电池的统计特征数据和工步时间序列数据，检测所述待测电池的统计特征数据和工步时间序列数据是否异常；在所述待测电池的统计特征数据和工步时间序列数据均无异常的情况下，使用所述预测模型群得到第一预测容量，使用所述时间序列预测模型得到第二预测容量，将所述第一预测容量和所述第二预测容量进行集成融合，得到所述待测电池的定容容量；在所述待测电池的所述统计特征数据正常，所述工步时间序列数据异常的情况下，使用所述预测模型群得到的第一预测容量作为所述待测电池的定容容量；在所述待测电池的所述统计特征数据异常，所述工步时间序列数据正常的情况下，使用所述时间序列预测模型得到的第二预测容量，作为所述待测电池的定容容量。
3、本公开实施例还提供了一种基于双重集成学习的锂电池生产定容的预测装置，包括：训练电池筛选模块，用于获取每个样本电池的统计特征数据、工步时间序列数据以及定容容量，并从所有所述样本电池中筛选出所述统计特征数据和所述工步时间序列数据均无异常的电池作为训练电池；第一模型训练模块，用于将所述训练电池的所述统计特征数据和所述定容容量输入至轻量级梯度提升数模型中进行训练，得到整体预测模型；第二模型训练模块，用于利用k-means聚类算法对所述训练电池进行分类，将所述训练电池划分为m个无交叉的电池类别，将每个电池类别的所述统计特征数据和所述定容容量分别输入至轻量级梯度提升数模型中进行训练，得到每个所述电池类别的分类预测模型；模型集成模块，用于将所述整体预测模型和所有所述分类预测模型进行集成，得到预测模型群；第三模型训练模块，用于将所述训练电池的所述工步时间序列数据和定容容量输入至深度学习模型进行训练，得到时间序列预测模型；数据检测模块，用于获取待测电池的统计特征数据和工步时间序列数据，检测所述待测电池的统计特征数据和工步时间序列数据是否异常；定容预测模块，用于在所述待测电池的统计特征数据和工步时间序列数据均无异常的情况下，使用所述预测模型群得到第一预测容量，使用所述时间序列预测模型得到第二预测容量，将所述第一预测容量和所述第二预测容量进行加权集成融合，得到所述待测电池的定容容量；在所述待测电池的所述统计特征数据正常，所述工步时间序列数据异常的情况下，使用所述预测模型群得到的第一预测容量作为所述待测电池的定容容量；在所述待测电池的所述统计特征数据异常，所述工步时间序列数据正常的情况下，使用所述时间序列预测模型得到的第二预测容量，作为所述待测电池的定容容量。
4、本公开实施例还提供了一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于双重集成学习的锂电池生产定容的预测方法的步骤。
5、本公开实施例还提供了一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述的基于双重集成学习的锂电池生产定容的预测方法的步骤。
6、本公开实施例的有益效果在于：充分利用化成工艺中统计特征数据和工步时间序列数据，有效提高了定容预测的精度；与此同时，采用双重集成的预测方法，弥补单一类型数据异常对电池定容预测精度的影响，并且有效提升了定容预测效率，减少电池返工情况的发生。
本文档来自技高网...【技术保护点】
1.一种基于双重集成学习的锂电池生产定容的预测方法，其特征在于，包括：
2.根据权利要求1所述的预测方法，其特征在于，所述将所述整体预测模型和所有所述分类预测模型进行集成，得到预测模型群，包括：
3.根据权利要求1所述的预测方法，其特征在于，所述将所述第一预测容量和所述第二预测容量进行集成融合，得到所述待测电池的定容容量，包括：
4.根据权利要求1所述的预测方法，其特征在于，所述深度学习模型为基于多通道GRU和多头自注意力机制的深度学习网络预测模型。
5.根据权利要求1所述的预测方法，其特征在于，所述统计特征数据至少包括以下数据的一种或多种：电池在化成工艺中恒流充电阶段的工步开始温度、工步结束温度、工步平均温度、工步电流、工步电压、工步能量、工步容量和接触阻抗；
6.根据权利要求5所述的预测方法，其特征在于，检测所述统计特征数据和所述工步时间序列数据是否存在异常的步骤包括：
7.根据权利要求1至6中任一项所述的预测方法，其特征在于，在所述获取每个样本电池的统计特征数据、工步时间序列数据以及定容容量，并从所有所
8.一种基于双重集成学习的锂电池生产定容的预测装置，其特征在于，包括：
9.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于双重集成学习的锂电池生产定容的预测方法的步骤。
10.一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器在执行所述存储器上的计算机程序时实现权利要求1至7中任一项所述的基于双重集成学习的锂电池生产定容的预测方法的步骤。
...【技术特征摘要】
1.一种基于双重集成学习的锂电池生产定容的预测方法，其特征在于，包括：
2.根据权利要求1所述的预测方法，其特征在于，所述将所述整体预测模型和所有所述分类预测模型进行集成，得到预测模型群，包括：
3.根据权利要求1所述的预测方法，其特征在于，所述将所述第一预测容量和所述第二预测容量进行集成融合，得到所述待测电池的定容容量，包括：
4.根据权利要求1所述的预测方法，其特征在于，所述深度学习模型为基于多通道gru和多头自注意力机制的深度学习网络预测模型。
5.根据权利要求1所述的预测方法，其特征在于，所述统计特征数据至少包括以下数据的一种或多种：电池在化成工艺中恒流充电阶段的工步开始温度、工步结束温度、工步平均温度、工步电流、工步电压、工步能量、工步容量和接触阻抗；
6.根据权利要求5所述的预测方法，其特征在于，检测所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。