电池包Y电容预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种电池包Y电容预测方法、装置、计算机设备和存储介质。该方法包括：基于电池模组的Y电容大数据建立并训练用于预测电池包Y电容的迁移学习预训练模型；当需要对新类型电池包Y电容进行预测时，利用新类型电池模组的部分时序数据训练所述迁移学习预训练模型，将所述新类型电池模组的部分时序数据中的特征对应填充到所述迁移学习预训练模型的预留特征中，得到新预测模型；利用所述新预测模型对待预测的新类型电池包Y电容进行预测并得到预测结果。采用本方法能够提高电池包Y电容预测的准确性、增加预测的便捷性并降低预测成本。本。本。

【技术实现步骤摘要】
电池包Y电容预测方法、装置、计算机设备和存储介质


[0001]本申请涉及电芯故障预测
，特别是涉及一种电池包Y电容预测方法、装置、计算机设备和存储介质。

技术介绍

[0002]目前，随着我国对新能源汽车推广力度的加大，越来越多的人开始使用新能源汽车作为出行的主要交通工具，新能源汽车主要以电池包作为动力源，因此电池包的性能决定车辆的动力性能，而电池中的Y电容正是其重要参数，深刻影响着电池的安全与性能。电池包Y电容是指存在于动力电池、整车高压系统正负极与电池包金属外壳或整车车体之间的电容。电池包通过串联和并联的方式来给车辆进行供电，每个电池包的Y电容在电池包系统内耦合叠加，进一步增大了电池包对车辆的漏电流，从而对人员安全造成很大的影响。所以，对于电池包Y电容的研究就非常有必要。
[0003]专利CN113376538A公开了电池包Y电容的测试方法。该测试方法是包含上位机和测试盒，该测试盒用于连接电池包。测试盒根据预设的分压比配置分压电路；测试开始时，测试盒模拟测试环境，并采集经分压电路分压后的电压值；上位机根据分压比对测试盒上传的电压值进行复原，并根据复原后的电压值和预设的公式计算电池包Y电容。但是现有的这种测试方式存在的缺点是：需要借助常规的高端仪器来导出测试数据，测试成本高，操作不便捷。

技术实现思路

[0004]基于此，本专利技术提供一种电池包Y电容预测方法、装置、计算机设备和存储介质，能够提高新能源电池包Y电容预测的准确性、降低预测成本以及增加预测便捷性。
[0005]一方面，提供一种电池包Y电容预测方法，所述方法包括：S1、基于电池模组Y电容大数据建立并训练用于预测电池包Y电容的迁移学习预训练模型；所述迁移学习预训练模型中包括若干项预留特征；S2、当需要对新类型电池包Y电容进行预测时，利用所述新类型电池模组的部分时序数据训练所述迁移学习预训练模型，将所述新类型电池模组的部分时序数据中的特征对应填充到所述迁移学习预训练模型的预留特征中，得到适用于所述新类型电池包Y电容的新预测模型；S3、利用所述新预测模型对待预测的新类型电池包Y电容进行预测并得到预测结果。
[0006]在其中一个实施例中，在所述S1中，所述迁移学习预训练模型中的所述预留特征的默认值为零。
[0007]在其中一个实施例中，在所述S1中，所述迁移学习预训练模型使用循环神经网络结构。
[0008]在其中一个实施例中，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长短时记忆网络（LSTM）模型或门循环单元（GRU）模型。
[0009]在其中一个实施例中，在所述S1中，所述迁移学习预训练模型为回归模型或分类模型。
[0010]在其中一个实施例中，所述S1具体包括：获取大批量电池模组Y电容的时序数据；对电池模组Y电容的时序数据进行数据清洗；对数据清洗后的时序数据进行归一化处理以获得迁移学习预训练模型的标准高度，其中所述标准高度为时序数据归一化处理后的数据平均值；将电池模组的Y电容的时序数据中的特征数据高度和标准高度对比，当特征数据高度和标准高度相等时，将对应的时序数据标为中采样数据，当特征数据高度大于标准高度时将对应的时序数据标为下采样数据，当特征数据高度小于标准高度时将对应的时序数据标为上采样数据；其中，所述中采样数据形成标准尺寸的特征数据，所述下采样数据和所述上采样数据值置零形成预留特征；利用标准尺寸的特征数据训练用于预测电池包Y电容的迁移学习预训练模型；所述迁移学习预训练模型中包括若干项预留特征。
[0011]在其中一个实施例中，所述S2具体包括：将用于训练的所述新类型电池模组的部分时序数据分为电压特征、电流特征和其它特征；按照电压特征、电流特征和其它特征的顺序依次训练所述迁移学习预训练模型，将新类型电池模组的电压特征数据填充到所述迁移学习预训练模型的电压特征位置，将新类型电池模组的电流特征数据填充到所述迁移学习预训练模型的电流特征位置，将新类型电池模组的其它特征填充到所述迁移学习预训练模型中对应的特征位置，所述迁移学习预训练模型中没有对应电压特征、电流特征和其它特征的特征位置使用所述预留特征的默认值零填充。
[0012]另一方面，本申请还提供一种电池包Y电容预测装置，所述装置包括：迁移学习预训练模型训练单元，基于电池模组Y电容大数据建立并训练用于预测电池包Y电容的迁移学习预训练模型；所述迁移学习预训练模型中包括若干项预留特征；新预测模型训练单元，用于在当需要对新类型电池包Y电容进行预测时，利用所述新类型电池模组的部分时序数据训练所述迁移学习预训练模型，将所述新类型电池模组的部分时序数据中的特征对应填充到所述迁移学习预训练模型的预留特征中，得到适用于所述新类型电池包Y电容的新预测模型；Y电容预测单元，用于利用所述新预测模型对待预测的新类型电池模组Y电容进行预测并得到预测结果。
[0013]再一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：S1、基于电池模组Y电容大数据建立并训练用于预测电池包Y电容的迁移学习预训练模型；所述迁移学习预训练模型中包括若干项预留特征；S2、当需要对新类型电池包Y电容进行预测时，利用所述新类型电池模组的部分时序数据训练所述迁移学习预训练模型，将所述新类型电池模组的部分时序数据中的特征对应填充到所述迁移学习预训练模型的预留特征中，得到适用于所述新类型电池包Y电容的
新预测模型；S3、利用所述新预测模型对待预测的新类型电池包Y电容进行预测并得到预测结果。
[0014]又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：S1、基于电池模组Y电容大数据建立并训练用于预测电池包Y电容的迁移学习预训练模型；所述迁移学习预训练模型中包括若干项预留特征；S2、当需要对新类型电池包Y电容进行预测时，利用所述新类型电池模组的部分时序数据训练所述迁移学习预训练模型，将所述新类型电池模组的部分时序数据中的特征对应填充到所述迁移学习预训练模型的预留特征中，得到适用于所述新类型电池包Y电容的新预测模型；S3、利用所述新预测模型对待预测的新类型电池包Y电容进行预测并得到预测结果。
[0015]上述电池包Y电容预测方法、装置、计算机设备和存储介质，先通过基于电池模组的Y电容大数据建立并训练用于预测电池包Y电容的迁移学习预训练模型，再利用需要预测的新类型电池模组的部分时序数据训练迁移学习预训练模型，本申请迁移学习与常规模型在训练上完全不同，不需要大量数据的长时间训练，只需要使用新类型动力电池的小批量数据对预训练模型微调，就可以快速得到达到期望预测效果的新预测模型，解决新动力电池产品数据偏少时的模型开发问题；使用预留特征还解决了不同产品的动力电池数据特征差异问题，不同动力电池数据可以统一到同一个模型，增加了模型的通用性，减少了模型开发的规模，提升了模型开发的便捷性，解决了不同动力电池Y电容数据特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池包Y电容预测方法，其特征在于，包括：S1、基于电池模组Y电容大数据建立并训练用于预测电池包Y电容的迁移学习预训练模型；所述迁移学习预训练模型中包括若干项预留特征；S2、当需要对新类型电池包Y电容进行预测时，利用新类型电池模组的部分时序数据训练所述迁移学习预训练模型，将所述新类型电池模组的部分时序数据中的特征对应填充到所述迁移学习预训练模型的预留特征中，得到适用于所述新类型电池包Y电容的新预测模型；S3、利用所述新预测模型对待预测的新类型电池包Y电容进行预测并得到预测结果。2.根据权利要求1所述的电池包Y电容预测方法，其特征在于，在所述S1中，所述迁移学习预训练模型中的所述预留特征的默认值为零。3.根据权利要求1所述的电池包Y电容预测方法，其特征在于，在所述S1中，所述迁移学习预训练模型使用循环神经网络结构。4.根据权利要求3所述的电池包Y电容预测方法，其特征在于，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长短时记忆网络模型或门循环单元模型。5.根据权利要求1所述的电池包Y电容预测方法，其特征在于，在所述S1中，所述迁移学习预训练模型为回归模型或分类模型。6.根据权利要求1所述的电池包Y电容预测方法，其特征在于，所述S1具体包括：获取大批量电池模组Y电容的时序数据；对电池模组Y电容的时序数据进行数据清洗；对数据清洗后的时序数据进行归一化处理以获得迁移学习预训练模型的标准高度，其中所述标准高度为时序数据归一化处理后的数据平均值；将电池模组的Y电容的时序数据中的特征数据高度和标准高度对比，当特征数据高度和标准高度相等时，将对应的时序数据标为中采样数据，当特征数据高度大于标准高度时将对应的时序数据标为下采样数据，当特征数据高度小于标准高度时将对应的时序数据标为上采样数据；其中，所述中采样数据形成标准尺寸的特征数据，所述下采样数据和所述...

【专利技术属性】
技术研发人员：舒伟，董汉，陈超，
申请(专利权)人：苏州清研精准汽车科技有限公司，
类型：发明
国别省市：