一种基于大数据迁移学习的动力电池预测方法技术

本发明专利技术涉及一种基于大数据迁移学习的动力电池预测方法，该方法为：基于动力电池的大数据建立并训练用于预测动力电池的带有若干项预留特征的迁移学习预训练模型；当需要对新类型动力电池进行预测时，利用新类型动力电池的部分时序数据微调训练迁移学习预训练模型，将新类型动力电池的部分时序数据中的部分特征对应应用到预留特征中，得到适用于新类型动力电池的新预测模型，再利用新预测模型对待预测的动力电池进行预测并得到预测结果。本发明专利技术能够加快模型开发速度、解决新动力电池产品数据偏少时的模型开发问题，解决了不同动力电池产品数据特征不统一的问题，能够降低模型开发难度，提高模型开发效率。提高模型开发效率。提高模型开发效率。

【技术实现步骤摘要】
一种基于大数据迁移学习的动力电池预测方法


[0001]本专利技术属于动力电池属性计算、管理
，具体涉及一种基于大数据迁移学习的动力电池预测方法。

技术介绍

[0002]新能源汽车的动力电池在运行过程中会产生大量的监控数据，使用这些数据可以建立机器学习预测模型，对动力电池的各种属性进行预测。例如使用动力电池的历史监控数据预测动力电池将来一段时间的最高温度，并根据温度的高低改变车辆的控制策略，可以将温度控制在安全范围内，降低动力电池发生热失控的风险。
[0003]使用监控数据建立机器学习尤其是深度学习预测模型的过程，包括准备大量数据集、创建模型结构、使用数据集训练模型、根据训练结果进一步调参，不断重复训练、调参过程直至最终得到令人满意的预测效果。
[0004]如附图1所示，常规模型开发流程为：1）动力电池时序数据这里使用的时序数据是从一大段完整动力电池数据中，采用滑动窗口法截取的时序片段，通常截取1小时的片段数据，如数据采样频率比较高，则可以使用较短的片段数据，但为了保证预测效果，数据长度不应该低于30分钟。
[0005]2）数据清洗数据清洗的目的是清洗数据中的缺失值或异常数值：缺失值：对于轻微数据缺失（比如95个电压值中有少数几个电压值缺失）则使用均值、中位值或邻近值进行填充，对于严重数据缺失（比如95个电压值大部分缺失）则直接删除本条数据；异常值：使用统计判断或领域知识判断数据是否在正常范围内，对于非正常范围内的数据做替换处理，具体处理方式与缺失值填充类似，使用均值、中位值或邻近值替换。
[0006]3）数据归一化为消除不同特征间的量纲差异，使用min
‑
max归一化方法对数据做归一化处理。
[0007]4）数据尺寸标准化为了便于CNN方法处理数据，对数据尺寸做标准化处理，但因为动力电池数据相邻特征间不存在时间和空间上的邻域关系，还因为数据宽度方向上本来就已经保持了统一的尺寸，故而无需对数据在宽度方向进行缩放处理。在高度方向上，因为数据存在时间上的邻域关系，所以可以在数据高度方向上进行缩放，以使得不同的输入数据保持统一的标准尺寸。
[0008]5）训练模型使用大批量数据长时间重复训练模型，并在训练过程中检测模型在验证集上的预测效果，当模型收敛后保存得到训练好的模型。
[0009]新能源汽车是个快速发展的行业，新产品推出速度快，行蓬勃发展给创建机器学
习模型带来了很多机遇，同时也带来了很多挑战，表现为产品类型多、监控数据格式不统一（例如不同车型中单体电压数量可能不同）、新产品数据积累少等等，这都增加了模型开发的难度，如按照常规的模型开发模式，不得不花费大量人力针对不同的产品类型、数据格式分别训练出大量不同的模型，费时费力的同时还无法保证模型的预测效果。

技术实现思路

[0010]本专利技术的目的是提供一种能够降低模型开发难度，提高模型开发效率的基于大数据迁移学习的动力电池预测方法。
[0011]为达到上述目的，本专利技术采用的技术方案是：一种基于大数据迁移学习的动力电池预测方法，该方法为：预先基于动力电池的大数据建立并训练用于预测动力电池的带有若干项预留特征的迁移学习预训练模型；当需要对新类型动力电池进行预测时，利用所述新类型动力电池的部分时序数据微调训练所述迁移学习预训练模型，将所述新类型动力电池的部分时序数据中的部分特征对应应用到所述预留特征中，得到适用于所述新类型动力电池的新预测模型；在对属于所述新类型动力电池的待预测的动力电池进行预测时，利用所述新预测模型对所述待预测的动力电池进行预测并得到预测结果。
[0012]所述迁移学习预训练模型中的所述预留特征默认值为0。
[0013]所述迁移学习预训练模型使用卷积神经网络结构或循环神经网络结构。
[0014]当所述迁移学习预训练模型使用卷积神经网络结构时，所述迁移学习预训练模型采用VGG系列、GoogLeNet系列、ResNet系列或DenseNet系列模型。
[0015]当所述迁移学习预训练模型使用循环神经网络结构时，所述迁移学习预训练模型采用LSTM或GRU模型。
[0016]所述迁移学习预训练模型为回归模型或分类模型。
[0017]由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：本专利技术能够加快模型开发速度、解决新动力电池产品数据偏少时的模型开发问题，解决了不同动力电池产品数据特征不统一的问题，能够降低模型开发难度，提高模型开发效率。
附图说明
[0018]附图1为现有的常规模型开发流程图。
[0019]附图2为本专利技术的基于大数据迁移学习的动力电池预测方法中迁移学习预训练模型开发流程图。
[0020]附图3为本专利技术的基于大数据迁移学习的动力电池预测方法中新预测模型开发流程图。
具体实施方式
[0021]下面结合附图所示的实施例对本专利技术作进一步描述。
[0022]实施例一：一种基于大数据迁移学习的动力电池预测方法，该方法为：预先基于动力电池的大数据建立并训练用于预测动力电池的带有若干项预留特征的迁移学习预训练
模型；当需要对新类型动力电池进行预测时，利用新类型动力电池的部分时序数据微调训练迁移学习预训练模型，将新类型动力电池的部分时序数据中的部分特征对应应用到预留特征中，得到适用于新类型动力电池的新预测模型；在对属于所述新类型动力电池的待预测的动力电池进行预测时，利用新预测模型对待预测的动力电池进行预测并得到预测结果。简而言之，本申请的基于大数据迁移学习的动力电池预测方法包括两部分，分别为创建迁移学习预训练模型和使用迁移学习预训练模型创建新预测模型。
[0023]1、迁移学习预训练模型的开发流程1）开发流程迁移学习预训练模型的开发过程，与常规模型开发流程基本相同，如附图2所示，不同之处在于确定模型的输入特征时，添加了若干项预留特征。因为新能源汽车企业众多且每家企业又有很多的车型，尽管有国标格式的规范，因为众多车型配置得不同，动力电池数据在特征上难免存在较大差异。为了应对这一问题，本方案通过增加预留特征的方法，使用足够充分的特征数量来保证数据特征上的一致性。比如，动力电池单体电池的特征数量通常在100个左右，可以增加预留特征使单体电池特征总数达到120个，迁移学习预训练模型中的预留特征默认值为0。
[0024]预留特征主要包括3种类型：单体电池预留特征、电池包温度预留特征、其它特征预留特征。
[0025]2）模型网络结构迁移学习预训练模型使用卷积神经网络（CNN）结构或循环神经网络（RNN）结构。当迁移学习预训练模型使用卷积神经网络结构时，迁移学习预训练模型采用VGG系列、GoogLeNet系列、ResNet系列或DenseNet系列模型。当迁移学习预训练模型使用循环神经网络结构时，迁移学习预训练模型采用LSTM或GRU模型。
[0026]相比之下，CNN方法模型在微调训练时的灵活度会更高些，故本实施例中迁移学习预训练模型使用标准的卷积神经网络结构，比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据迁移学习的动力电池预测方法，其特征在于：所述基于大数据迁移学习的动力电池预测方法为：预先基于动力电池的大数据建立并训练用于预测动力电池的带有若干项预留特征的迁移学习预训练模型；当需要对新类型动力电池进行预测时，利用所述新类型动力电池的部分时序数据微调训练所述迁移学习预训练模型，将所述待新类型动力电池的部分时序数据中的部分特征对应应用到所述预留特征中，得到适用于所述新类型动力电池的新预测模型；在对属于所述新类型动力电池的待预测的动力电池进行预测时，利用所述新预测模型对所述待预测的动力电池进行预测并得到预测结果。2.根据权利要求1所述的一种基于大数据迁移学习的动力电池预测方法，其特征在于：所述迁移学习预训练模型中的所述预留特征默认值为0。3.根据权...

【专利技术属性】
技术研发人员：赵建强，朱卓敏，
申请(专利权)人：上海电享信息科技有限公司，
类型：发明
国别省市：