【技术实现步骤摘要】
本申请涉及电池剩余寿命预测，尤其涉及一种模型的训练方法及电池剩余寿命预测方法。
技术介绍
1、车载电池的剩余寿命(remaining useful life，rul)，会受到电池荷电状态(state of charge，soc)、电池电流、电池温度、电池电压、驾驶员的驾驶习惯等多种指标的影响。在现有技术中，通常只分析单一指标对剩余寿命的影响，而没有考虑到在多种指标的联合作用下对剩余寿命的影响。因此，现有技术难以对剩余寿命进行准确预测。
技术实现思路
1、本申请提供一种模型的训练方法及电池剩余寿命预测方法，以准确预测电池的剩余寿命。
2、第一方面，本申请提供一种特征向量提取模型的训练方法，所述方法包括：
3、获取第一样本车辆的第一样本工况数据；所述第一样本工况数据包括多种指标、多种指标对应的车载数据、车载数据的生成时间；所述多种指标包括：电池状态指标、环境指标、驾驶习惯指标；
4、根据所述第一样本工况数据，构建第一样本工况矩阵；所述第一样本工况矩阵表征车载数据在多种指标联合影响下的分布情况；
5、利用所述第一样本工况矩阵训练初始多分支自编码器模型，得到目标多分支自编码器模型；所述目标多分支自编码器模型包括目标编码器；
6、将所述目标编码器作为特征向量提取模型。
7、在一些实施例中，所述车载数据携带工况类型标签；
8、根据所述第一样本工况数据，构建第一样本工况矩阵，包括：
9、将所述车载数据
10、将不同指标对应的初始区间进行组合，构建组合区间；
11、根据所述第一样本工况数据中车载数据的生成时间以及工况类型标签，计算不同工况类型对应的车载数据在组合区间上的分布比例，作为第一样本分布比例；
12、将所述第一样本分布比例按照初始区间进行升序排列，得到第一样本工况矩阵；所述第一样本工况矩阵携带工况类型标签。
13、在一些实施例中，根据所述第一样本工况数据中车载数据的生成时间以及工况类型标签，计算不同工况类型对应的车载数据在组合区间上的分布比例，作为第一样本分布比例，包括：
14、根据所述第一样本工况数据中车载数据的生成时间以及工况类型标签，计算不同工况类型中属于组合区间的车载数据的累计时长，作为第一时长；所述第一时长携带工况类型标签；
15、计算不同工况类型的累计时长，作为第二时长；所述第二时长携带工况类型标签；
16、对携带有相同工况类型标签的第一时长与第二时长进行相除运算，得到第一样本分布比例；所述第一样本分布比例携带工况类型标签。
17、在一些实施例中，利用所述第一样本工况矩阵训练初始多分支自编码器模型，得到目标多分支自编码器模型，包括：
18、获取初始多分支自编码器模型；所述初始多分支自编码器模型包括初始编码器、初始解码器；
19、将所述第一样本工况矩阵划分为训练集工况矩阵、测试集工况矩阵；
20、将所述训练集工况矩阵输入至所述初始编码器，以对所述训练集工况矩阵进行特征提取，得到所述训练集工况矩阵对应的特征向量，作为训练集向量；
21、将所述训练集向量输入至所述初始解码器，以对所述训练集向量进行还原，得到训练集还原矩阵；
22、利用所述训练集工况矩阵、所述训练集向量、所述训练集还原矩阵训练所述初始多分支自编码器模型，得到第一模型；
23、利用所述测试集工况矩阵检测所述第一模型的精度，得到第一检测结果；
24、在所述第一检测结果为合格的情况下，将所述第一模型作为目标多分支自编码器模型。
25、在一些实施例中，在利用所述测试集工况矩阵检测所述第一模型的精度，得到第一检测结果之后，所述方法还包括：
26、在所述第一检测结果为不合格的情况下，将所述第一模型作为初始多分支自编码器模型。
27、在一些实施例中，所述第一模型包括：第一编码器、第一解码器；
28、利用所述测试集工况矩阵检测所述第一模型的精度，得到第一检测结果，包括：
29、将所述测试集工况矩阵输入至所述第一编码器，以对所述测试集工况矩阵进行特征提取，得到所述测试集工况矩阵对应的特征向量，作为测试集向量；
30、将所述测试集向量输入至所述第一解码器，以对所述测试集向量进行还原，得到测试集还原矩阵；
31、根据所述测试集工况矩阵、所述测试集还原矩阵之间的差异程度检测所述第一模型的精度，得到第一检测结果。
32、第二方面，本申请提出一种电池健康状态预测模型的训练方法，包括：
33、获取第二样本车辆的第二样本工况数据、第二样本行驶数据、第二样本电池健康状态；所述第二样本工况数据包括多种指标、多种指标对应的车载数据、车载数据的生成时间；所述多种指标包括：电池状态指标、环境指标、驾驶习惯指标；
34、根据所述第二样本工况数据，构建第二样本工况矩阵；所述第二样本工况矩阵表征车载数据在多种指标联合影响下的分布情况；
35、将所述第二样本工况矩阵输入至特征向量提取模型，得到第二样本工况矩阵的特征向量，作为第二样本特征向量；其中，所述特征向量提取模型是通过任一项特征向量提取模型的训练方法训练得到的；
36、利用所述第二样本特征向量、所述第二样本行驶数据、所述第二样本电池健康状态，训练初始神经网络模型，得到电池健康状态预测模型。
37、在一些实施例中，利用所述第二样本特征向量、所述第二样本行驶数据、所述第二样本电池健康状态，训练初始神经网络模型，得到电池健康状态预测模型，包括：
38、组合所述第二样本特征向量、所述第二样本行驶数据、所述第二样本电池健康状态，得到第二样本数据集；
39、将所述第二样本数据集划分为第二样本训练集、第二样本测试集；
40、利用所述第二样本训练集训练初始神经网络模型，得到第二模型；
41、利用所述第二样本测试集检测所述第二模型的精度，得到第二检测结果；
42、在所述第二检测结果为合格的情况下，将所述第二模型作为电池健康状态预测模型。
43、在一些实施例中，在利用所述第二样本测试集检测所述第二模型的精度，得到第二检测结果之后，所述方法还包括：
44、在所述第二检测结果为不合格的情况下，将所述第二模型作为初始神经网络模型。
45、在一些实施例中，所述初始神经网络模型包括以下之一：xgboost模型、lightgbm模型、长短期记忆网络模型、transformer模型。
46、在一些实施例中，所述车载数据携带工况类型标签；
47、根据所述第二样本工况数据，构建第二样本工况矩阵，包括：
48、将所述车载数据的取值范围划分为多个初始区间；
49、将不同指标对应的初始区间本文档来自技高网...
【技术保护点】
1.一种特征向量提取模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述车载数据携带工况类型标签；
3.根据权利要求2所述的方法，其特征在于，根据所述第一样本工况数据中车载数据的生成时间以及工况类型标签，计算不同工况类型对应的车载数据在组合区间上的分布比例，作为第一样本分布比例，包括：
4.根据权利要求1所述的方法，其特征在于，利用所述第一样本工况矩阵训练初始多分支自编码器模型，得到目标多分支自编码器模型，包括：
5.根据权利要求4所述的方法，其特征在于，在利用所述测试集工况矩阵检测所述第一模型的精度，得到第一检测结果之后，所述方法还包括：
6.根据权利要求4所述的方法，其特征在于，所述第一模型包括：第一编码器、第一解码器；
7.一种电池健康状态预测模型的训练方法，其特征在于，包括：
8.根据权利要求7所述的方法，其特征在于，利用所述第二样本特征向量、所述第二样本行驶数据、所述第二样本电池健康状态，训练初始神经网络模型，得到电池健康状态预测模型，包括：
9
10.根据权利要求7所述的方法，其特征在于，所述初始神经网络模型包括以下之一：XGBoost模型、LightGBM模型、长短期记忆网络模型、Transformer模型。
11.根据权利要求7所述的方法，其特征在于，所述车载数据携带工况类型标签；
12.一种电池剩余寿命预测方法，其特征在于，包括：
13.根据权利要求12所述的方法，其特征在于，在检测第一电池健康状态预测值是否大于电池健康状态阈值之后，所述方法还包括：
14.根据权利要求13所述的方法，其特征在于，对所述第一行驶数据进行更新，得到更新后的第一行驶数据，包括：
15.根据权利要求12所述的方法，其特征在于，所述行驶数据变化量包括：总里程变化量、日历时长变化量、累计输入电量变化量。
16.根据权利要求15所述的方法，其特征在于，所述电池剩余寿命包括：里程寿命、日历寿命、循环寿命；
17.一种特征向量提取模型的训练装置，其特征在于，包括：
18.一种电池健康状态预测模型的训练装置，其特征在于，包括：
19.一种电池剩余寿命预测装置，其特征在于，包括：
20.一种电子设备，其特征在于，所述电子设备包括处理器及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至6中任一项，或者权利要求7至11中任一项，或者权利要求12至16中任一项所述方法的步骤。
21.一种存储介质，其特征在于，其上存储有计算机指令，所述指令被处理器执行时实现权利要求1至6中任一项，或者权利要求7至11中任一项，或者权利要求12至16中任一项所述方法的步骤。
...【技术特征摘要】
1.一种特征向量提取模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述车载数据携带工况类型标签；
3.根据权利要求2所述的方法，其特征在于，根据所述第一样本工况数据中车载数据的生成时间以及工况类型标签，计算不同工况类型对应的车载数据在组合区间上的分布比例，作为第一样本分布比例，包括：
4.根据权利要求1所述的方法，其特征在于，利用所述第一样本工况矩阵训练初始多分支自编码器模型，得到目标多分支自编码器模型，包括：
5.根据权利要求4所述的方法，其特征在于，在利用所述测试集工况矩阵检测所述第一模型的精度，得到第一检测结果之后，所述方法还包括：
6.根据权利要求4所述的方法，其特征在于，所述第一模型包括：第一编码器、第一解码器；
7.一种电池健康状态预测模型的训练方法，其特征在于，包括：
8.根据权利要求7所述的方法，其特征在于，利用所述第二样本特征向量、所述第二样本行驶数据、所述第二样本电池健康状态，训练初始神经网络模型，得到电池健康状态预测模型，包括：
9.根据权利要求8所述的方法，其特征在于，在利用所述第二样本测试集检测所述第二模型的精度，得到第二检测结果之后，所述方法还包括：
10.根据权利要求7所述的方法，其特征在于，所述初始神经网络模型包括以下之一：xgboost模型、lightgbm模型、长短期记忆网络模型、transforme...
【专利技术属性】
技术研发人员：申存骁，高科杰，
申请(专利权)人：浙江凌骁能源科技有限公司，
类型：发明
国别省市：
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。