一种电芯的膨胀力预测模型的训练方法及装置制造方法及图纸

本申请实施例提供了一种电芯的膨胀力预测模型的训练方法及装置、电芯的膨胀力预测方法、计算机设备及存储介质，电芯的膨胀力预测模型的训练方法包括获取电芯在不同时刻的膨胀力以及与所述膨胀力对应的温度、电压以及电流的实际值，生成样本数据集，将所述样本数据集划分为训练集以及验证集，将所述训练集作为模型输入对基于神经网络搭建的模型进行训练，并将所述验证集作为模型输入对训练后的模型进行验证，获取电芯的膨胀力预测模型，通过采用多输入单输出，即结合电压、电流、温度、膨胀力多个输入预测未来膨胀力，提高模型的精确度，考虑了膨胀力数据间的时序性（也即当前状态对后续状态变化的影响），可以预测较长时间后的膨胀力变化。后的膨胀力变化。后的膨胀力变化。

【技术实现步骤摘要】
一种电芯的膨胀力预测模型的训练方法及装置
[0001]本申请为申请号：202310006951.9，申请日：2023年1月4日，名称：一种电芯的膨胀力预测模型的训练方法及装置的分案申请。


[0002]本申请涉及电池生产
，尤其涉及一种电芯的膨胀力预测模型的训练方法及装置、电芯的膨胀力预测方法、计算机设备及存储介质。

技术介绍

[0003]随着技术的发展，电池已经成为人类的重要能源之一，为各领域设备提供持续稳定的工作电能，逐步成为人类科技发展中不可或缺的产品，其中锂电池因其高能量密度和长循环寿命而得到广泛应用。但是电池使用过程中会产生大量的热量，尤其是密闭环境下的大型电池包工作发热特别可观，不仅会影响整个电池包性能，而且长期积聚的热量甚至会造成电池包发生起火爆炸等危险事故。
[0004]目前由于电池起火爆炸的事件对社会造成了不良影响。为了起到预示警报的作用，可以通过对电芯进行膨胀力测试，但是当前预测膨胀力技术仍不成熟导致存在预警有延迟、响应不灵敏等现象。
[0005]因此，亟需提出一种新的预测膨胀力的方法，以解决上述问题。

技术实现思路

[0006]为了解决现有技术中存在的上述一个或多个技术问题，本申请实施例提供了一种电芯的膨胀力预测模型的训练方法及装置、电芯的膨胀力预测方法、计算机设备及存储介质，以解决现有技术中的电芯膨胀力预测技术不成熟导致存在预警有延迟、响应不灵敏等问题。
[0007]为了达到上述目的，本申请就解决其技术问题所采用的技术方案是：第一方面，本申请提供了一种电芯的膨胀力预测模型的训练方法，所述方法包括：获取电芯在不同时刻的膨胀力以及与所述膨胀力对应的温度、电压以及电流的实际值，生成样本数据集；将所述样本数据集划分为训练集以及验证集；将所述训练集作为模型输入对基于神经网络搭建的模型进行训练，并将所述验证集作为模型输入对训练后的模型进行验证，获取电芯的膨胀力预测模型。
[0008]在一个具体的实施例中，将所述样本数据集划分为训练集以及验证集前，所述方法还包括：对所述样本数据集中的所述膨胀力、所述温度、所述电压以及所述电流的实际值分别进行归一化处理。
[0009]在一个具体的实施例中，所述归一化处理的计算公式为：
[0010]其中，F为膨胀力、温度、电压以及电流的实际值中的其中一个，Fmin为膨胀力、温度、电压或电流取值范围的最小值，Fmax为膨胀力、温度、电压或电流取值范围的最大值。
[0011]在一个具体的实施例中，所述将所述训练集作为模型输入对基于神经网络搭建的模型进行训练包括：步骤一、将所述训练集中第一时刻经过归一化的数据输入基于神经网络搭建的模型中，获取第二时刻的膨胀力的预测值；步骤二、根据所述第二时刻的膨胀力的预测值以及实际值计算得到损失值；步骤三、重复迭代上述步骤一至步骤二，直至所述损失值小于预设阈值或迭代次数超过预设迭代次数上限。
[0012]在一个具体的实施例中，所述根据所述膨胀力的预测值以及实际值计算得到损失值的计算公式如下：
[0013]其中，N为带入数据样本的数量，为i时刻模型输出的膨胀力的预测值，为i时刻膨胀力的实际值。
[0014]在一个具体的实施例中，所述神经网络包括LSTM。
[0015]第二方面，本申请还提供了一种电芯的膨胀力预测模型的训练装置，所述装置包括：数据获取模块，用于获取电芯在不同时刻的膨胀力以及与所述膨胀力对应的温度、电压以及电流的实际值，生成样本数据集；数据处理模块，用于将所述样本数据集划分为训练集以及验证集；模型获取模块，用于将所述训练集作为模型输入对基于神经网络搭建的模型进行训练，并将所述验证集作为模型输入对训练后的模型进行验证，获取电芯的膨胀力测试模型。
[0016]第三方面，还提供了一种电芯的膨胀力预测方法，所述方法包括：获取待预测电芯当前时刻对应的当前膨胀力以及所述当前膨胀力对应的温度、电压以及电流；对所述当前膨胀力以及所述当前膨胀力对应的温度、电压以及电流进行归一化处理，获取归一化结果；将所述归一化结果输入至根据上述电芯的膨胀力预测模型的训练方法得到的电芯的膨胀力预测模型中，获取所述待预测电芯在待预测时刻的膨胀力的预测值。
[0017]第四方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现所述电芯的膨胀力预测模型的训练方法。
[0018]第五方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储
有计算机程序，所述计算机程序被执行时，实现所述电芯的膨胀力预测模型的训练方法。
[0019]本申请实施例提供的技术方案带来的有益效果是：本申请实施例提供的电芯的膨胀力预测模型的训练方法及装置、电芯的膨胀力预测方法、计算机设备及存储介质，电芯的膨胀力预测模型的训练方法包括获取电芯在不同时刻的膨胀力以及与所述膨胀力对应的温度、电压以及电流的实际值，生成样本数据集，将所述样本数据集划分为训练集以及验证集，将所述训练集作为模型输入对基于神经网络搭建的模型进行训练，并将所述验证集作为模型输入对训练后的模型进行验证，获取电芯的膨胀力预测模型，通过采用多输入单输出，即结合电压、电流、温度、膨胀力多个输入预测未来膨胀力，提高模型的精确度，考虑了膨胀力数据间的时序性（也即当前状态对后续状态变化的影响），可以预测较长时间后的膨胀力变化；进一步地，本申请实施例提供的电芯的膨胀力预测模型的训练方法及装置、电芯的膨胀力预测方法、计算机设备及存储介质，在模型训练过程中，通过采用代价函数（RMSE）计算损失值进行重复迭代，直至损失值小于预设损失值或者迭代次数超过最大迭代次数上限，使得训练得到模型的精确度更高。
附图说明
[0020]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1是本申请实施例提供的电芯的膨胀力预测模型的训练方法的流程图；图2是本申请实施例提供的电芯的膨胀力预测模型的训练方法的逻辑关系图；图3是本申请实施例提供的LSTM单元结构图；图4是本申请实施例提供的电芯的膨胀力预测模型的训练装置的结构示意图；图5是本申请实施例提供的电芯的膨胀力预测方法的流程图；图6是本申请实施例提供的计算机设备的机构示例图。
具体实施方式
[0022]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0023]如
技术介绍
所述，现有技术中的电芯的膨胀力预测技术还不成熟，导本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电芯的膨胀力预测模型的训练方法，其特征在于，所述方法包括：获取电芯在不同时刻的膨胀力以及与所述膨胀力对应的温度、电压以及电流的实际值，生成样本数据集；将所述样本数据集划分为训练集以及验证集；将所述训练集作为模型输入对基于神经网络搭建的模型进行训练，并将所述验证集作为模型输入对训练后的模型进行验证，获取电芯的膨胀力预测模型。2.根据权利要求1所述的电芯的膨胀力预测模型的训练方法，其特征在于，将所述样本数据集划分为训练集以及验证集前，所述方法还包括：对所述样本数据集中的所述膨胀力、所述温度、所述电压以及所述电流的实际值分别进行归一化处理。3.根据权利要求2所述的电芯的膨胀力预测模型的训练方法，其特征在于，所述归一化处理的计算公式为：其中，为膨胀力、温度、电压以及电流的实际值中的其中一个，Fmin为膨胀力、温度、电压或电流取值范围的最小值，Fmax为膨胀力、温度、电压或电流取值范围的最大值。4.根据权利要求1至3任一项所述的电芯的膨胀力预测模型的训练方法，其特征在于，所述将所述训练集作为模型输入对基于神经网络搭建的模型进行训练包括：步骤一、将所述训练集中第一时刻经过归一化的数据输入基于神经网络搭建的模型中，获取第二时刻的膨胀力的预测值；步骤二、根据所述第二时刻的膨胀力的预测值以及实际值计算得到损失值；步骤三、重复迭代上述步骤一至步骤二，直至所述损失值小于预设阈值或迭代次数超过预设迭代次数上限。5.根据权利要求4所述的电芯的膨胀力预测模型的训练方法，其特征在于，所述根据所述膨胀力的预测值以及实际值计算得到损失值的计算公式如下...

【专利技术属性】
技术研发人员：冯玉川，盛瑜琪，陈凯，李艳，李峥，何泓材，
申请(专利权)人：清陶昆山能源发展股份有限公司，
类型：发明
国别省市：