本发明专利技术公开了一种电池容量预测模型训练方法、电池分容方法及装置，包括：获取电池生产过程中的制程数据以及电池的实际容量；对制程数据和实际容量进行清洗得到清洗后的制程数据和实际容量；采用清洗后的制程数据和实际容量训练电池容量预测模型。电池容量预测模型训练学习到根据电池生产制程中的制程数据来预测电池容量的能力，降低了化成柜电压测量精度、化成车间不同库位温度差异、电芯SOC在20％～80％区间内电芯电压变化不明显对容量计算的影响，同时避免按照单一计算公式计算容量存在偏差大的问题，并且对制程数据和实际容量进行清洗，电池容量预测模型预测容量的准确性高，能够根据所预测的容量准确筛选出不合格的电池。电池。电池。
【技术实现步骤摘要】
电池容量预测模型训练方法、电池分容方法及装置
[0001]本专利技术涉及电池检测
，尤其涉及一种电池容量预测模型训练方法、电池分容方法及装置。
技术介绍
[0002]电芯在制程过程中，同工序制程中各单体电芯之间存在差异，经过多道工序差异叠加，导致下线电芯容量存在分布宽、出现低容的情况，因此需要对电芯进行全分容，以筛选出容量不合格的电芯。
[0003]目前，主要是通过SOC
‑
OCV曲线来计算容量后分容，其是利用电芯在不同的SOC下拥有不同的电压的特点，具体为：将电芯置于恒温条件下调荷至不同的SOC，测量电芯的电压得到SOC
‑
OCV曲线，通常是在化成制程时以SOC来进行截止(通常为30％～60％)，化成充电容量为固定值，在化成后用化成柜采集电芯的电压来生成SOC
‑
OCV曲线，然后按照SOC
‑
OCV曲线表得出SOC荷电量比例后计算电芯的容量。
[0004]目前计算容量的方法由于化成柜电压测量精度较低、化成车间不同库位温度存在差异影响电压测量、电芯SOC在20％～80％区间内电芯电压变化不明显以及按照单一计算公式计算容量，导致所计算的容量与实际容量偏差大，无法识别出不合格电池的问题。
技术实现思路
[0005]本专利技术提供了一种电池容量预测模型训练方法、电池分容方法及装置，以解决现有分容方法存在所计算的容量与实际容量偏差大，无法识别出不合格电池的问题。
[0006]第一方面，本专利技术提供一种电池容量预测模型训练方法，包括：
[0007]获取电池生产过程中的制程数据以及所述电池的实际容量；
[0008]对所述制程数据和所述实际容量进行清洗，得到清洗后的制程数据和实际容量；
[0009]采用清洗后的制程数据和实际容量训练电池容量预测模型。
[0010]可选地，所述对所述制程数据和所述实际容量进行清洗，得到清洗后的制程数据和实际容量，包括：
[0011]去除所述制程数据和所述实际容量中在预设标准之外的数据，得到去除异常值之后的制程数据和实际容量；
[0012]对去除异常值之后的制程数据进行修正，得到清洗后的制程数据。
[0013]可选地，所述制程数据包括环境温度和电池的电压，所述对去除异常值之后的制程数据进行修正，得到清洗后的制程数据，包括：
[0014]采用所述环境温度对所述电池的电压进行修正，得到修正后的电压。
[0015]可选地，所述采用清洗后的制程数据和实际容量训练电池容量预测模型，包括：
[0016]初始化电池容量预测模型；
[0017]将至少一个电池的清洗后的制程数据输入所述电池容量预测模型中得到所述电池的预测容量；
[0018]根据所述预测容量和所述电池的实际容量计算损失率；
[0019]判断损失率是否小于预设阈值；
[0020]若是，停止对所述电池容量预测模型进行迭代训练；
[0021]若否，采用所述损失率调整所述电池容量预测模型的参数，并返回将清洗后的至少一个电池的制程数据输入所述电池容量预测模型中得到所述电池的预测容量的步骤。
[0022]可选地，所述电池容量预测模型为XGBoost模型，所述XGBoost模型的数学表达式如下:
[0023][0024]训练XGBoost模型的目标函数为：
[0025][0026][0027]其中，为电池的预测容量，K为模型中树的数量，F为有所可能的树，f()函数表示其中的一棵树，f
k
(x
i
)表第k棵树对电池x
i
的预测容量，为损失函数，Ω(f
k
)为模型的正则化项，T为一棵树f()中叶子的数量，w为每个叶子的打分分数，γ和λ为系数，γ和λ的值越大树的结构越简单。
[0028]第二方面，本专利技术提供一种电池分容方法，包括：
[0029]获取待分容电池在生产制程过程中的制程数据；
[0030]将所述制程数据输入预先训练好的电池容量预测模型中，得到所述待分容电池的容量；
[0031]根据所述容量对所述待分容电池进行分容；
[0032]其中，所述电池容量预测模型通过权利要求1
‑
5任一项所述的电池容量预测模型训练方法所训练。
[0033]第三方面，本专利技术提供一种电池容量预测模型训练装置，包括：
[0034]训练数据获取模块，用于获取电池生产过程中的制程数据以及所述电池的实际容量；
[0035]训练数据清洗模块，用于对所述制程数据和所述实际容量进行清洗，得到清洗后的制程数据和实际容量；
[0036]模型训练模块，用于采用清洗后的制程数据和实际容量训练电池容量预测模型。
[0037]第四方面，本专利技术提供一种电池分容装置，包括：
[0038]制程数据获取模块，用于获取待分容电池在生产制程过程中的制程数据；
[0039]容量预测模块，用于将所述制程数据输入预先训练好的电池容量预测模型中，得到所述待分容电池的容量；
[0040]分容模块，用于根据所述容量对所述待分容电池进行分容；
[0041]其中，所述电池容量预测模型通过权利要求1
‑
5任一项所述的电池容量预测模型训练方法所训练。
[0042]第五方面，本专利技术提供一种电子设备，所述电子设备包括：
[0043]至少一个处理器；以及
[0044]与所述至少一个处理器通信连接的存储器；其中，
[0045]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面任一项所述的电池容量预测模型训练方法，和/或，第二方面所述的电池分容方法。
[0046]第六方面，本专利技术提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现第一方面任一项所述的电池容量预测模型训练方法，和/或，第二方面所述的电池分容方法。
[0047]本实施例在训练电池容量预测模型时，获取电池生产过程中的制程数据以及所述电池的实际容量，并对制程数据和实际容量进行清洗得到清洗后的制程数据和实际容量，进一步采用清洗后的制程数据和实际容量训练电池容量预测模型，使得电池容量预测模型训练学习到根据电池生产制程中的制程数据来预测电池容量的能力，降低了化成柜电压测量精度、化成车间不同库位温度差异、电芯SOC在20％～80％区间内电芯电压变化不明显对容量计算的影响，同时也避免了按照单一计算公式计算容量存在偏差大的问题，并且还对制程数据和实际容量进行清洗，电池容量预测模型所预测电池的容量的准确性高，能够根据所预测的容量准确筛选出不合格的电池。
[0048]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电池容量预测模型训练方法，其特征在于，包括：获取电池生产过程中的制程数据以及所述电池的实际容量；对所述制程数据和所述实际容量进行清洗，得到清洗后的制程数据和实际容量；采用清洗后的制程数据和实际容量训练电池容量预测模型。2.如权利要求1所述的电池容量预测模型训练方法，其特征在于，所述对所述制程数据和所述实际容量进行清洗，得到清洗后的制程数据和实际容量，包括：去除所述制程数据和所述实际容量中在预设标准之外的数据，得到去除异常值之后的制程数据和实际容量；对去除异常值之后的制程数据进行修正，得到清洗后的制程数据。3.如权利要求2所述的电池容量预测模型训练方法，其特征在于，所述制程数据包括环境温度和电池的电压，所述对去除异常值之后的制程数据进行修正，得到清洗后的制程数据，包括：采用所述环境温度对所述电池的电压进行修正，得到修正后的电压。4.如权利要求1
‑
3任一项所述的电池容量预测模型训练方法，其特征在于，所述采用清洗后的制程数据和实际容量训练电池容量预测模型，包括：初始化电池容量预测模型；将至少一个电池的清洗后的制程数据输入所述电池容量预测模型中得到所述电池的预测容量；根据所述预测容量和所述电池的实际容量计算损失率；判断损失率是否小于预设阈值；若是，停止对所述电池容量预测模型进行迭代训练；若否，采用所述损失率调整所述电池容量预测模型的参数，并返回将至少一个电池的清洗后的制程数据输入所述电池容量预测模型中得到所述电池的预测容量的步骤。5.如权利要求4所述的电池容量预测模型训练方法，其特征在于，所述电池容量预测模型为XGBoost模型，所述XGBoost模型的数学表达式如下:训练XGBoost模型的目标函数为：训练XGBoost模型的目标函数为：其中，为电池的预测容量，K为模型中树的数量，F为有所可能的树，f()函数表示其中的一棵树，f
k
(x
i
)表第k棵树对电池x
i
的预测容量，为损失函数，Ω(f<...
【专利技术属性】
技术研发人员：吴志飞，宋帅帅，陈利权，何巍，
申请(专利权)人：湖北亿纬动力有限公司，
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。