一种基于度量学习的电池性能预测方法及系统技术方案

本发明专利技术提供了电池检测技术领域的一种基于度量学习的电池性能预测方法及系统，方法包括：步骤

【技术实现步骤摘要】
一种基于度量学习的电池性能预测方法及系统


[0001]本专利技术涉及电池检测
，特别指一种基于度量学习的电池性能预测方法及系统
。

技术介绍

[0002]锂电池作为一种高性能的储能设备，在电动汽车
、
便携式电子设备等领域得到广泛应用
。
然而，锂电池的充电性能受到许多因素的影响，如电池健康状态
、
充电过程中的环境条件等，为了对锂电池进行高效
、
安全的充电，需要对锂电池的充电片段数据进行分析和预测
。
[0003]然而，由于缺乏带标签的大规模充电片段数据，获取大规模标记数据集是一项昂贵且耗时的任务，因此传统的监督学习方法在锂电池充电片段数据的预训练中受到限制，而对于无标签的充电片段数据进行预训练的方法存在如下缺点：
1、
现有的无监督学习方法通常难以捕捉到充电片段数据之间的复杂关系，限制了预训练模型的性能；
2、
传统的特征提取方法无法有效提取出充电片段数据中的关键信息，进而影响电池性能预测的准确度
。
[0004]因此，如何提供一种基于度量学习的电池性能预测方法及系统，实现提升电池性能预测准确度，成为一个亟待解决的技术问题
。

技术实现思路

[0005]本专利技术要解决的技术问题，在于提供一种基于度量学习的电池性能预测方法及系统，实现提升电池性能预测准确度
。
[0006]第一方面，本专利技术提供了一种基于度量学习的电池性能预测方法，包括如下步骤：
[0007]步骤
S10、
基于编码器以及预测器创建一预训练电池模型；
[0008]步骤
S20、
将获取的充电数据依序裁剪为等长的充电子数据
A、
充电子数据
B、
充电子数据
C
；
[0009]步骤
S30、
通过所述编码器分别对充电子数据
A、
充电子数据
B
以及充电子数据
C
进行编码，分别获取电池特征
e_anchor、e_pos
以及
e_neg
；
[0010]步骤
S40、
将所述
e_anchor、e_pos
以及
e_neg
输入预测器，分别获取电池新鲜程度
fa、fb
以及
fc
；
[0011]步骤
S50、
基于所述
e_anchor、e_pos
以及
e_neg
构建一度量学习代理任务，基于所述
fa、fb
以及
fc
构建一排序学习代理任务；
[0012]步骤
S60、
创建一总损失函数，基于所述总损失函数
、
度量学习代理任务以及排序学习代理任务对预训练电池模型进行训练；
[0013]步骤
S70、
从训练完成的所述预训练电池模型中提取编码器用于电池性能预测
。
[0014]进一步的，所述步骤
S20
中，所述充电数据至少包括电压值
、
电流值
、
温度值
、SOC
值以及充电时间；所述充电子数据
A、
充电子数据
B
以及充电子数据
C
的充电时间依次变大
。
[0015]进一步的，所述步骤
S50
中，所述度量学习代理任务要求
e_anchor
与
e_neg
的第一
度量距离大于
e_anchor
与
e_pos
的第二度量距离
。
[0016]进一步的，所述步骤
S50
中，所述排序学习代理任务要求预测器预测的三个电池新鲜程度，根据充电时间的先后顺序依次变小
。
[0017]进一步的，所述步骤
S60
具体为：
[0018]创建一总损失函数：
L
＝
Lmetric+
λ
Lrank
；
[0019]其中，
L
表示总损失函数的总损失值；
Lmetric
表示度量学习代理任务的损失函数；
Lrank
表示排序学习代理任务的损失函数；
λ
表示权重系数；
[0020]利用所述度量学习代理任务以及排序学习代理任务对预训练电池模型进行训练，直至所述总损失函数的总损失值小于预设的阈值
。
[0021]第二方面，本专利技术提供了一种基于度量学习的电池性能预测系统，包括如下模块：
[0022]电池模型创建模块，用于基于编码器以及预测器创建一预训练电池模型；
[0023]充电数据裁剪模块，用于将获取的充电数据依序裁剪为等长的充电子数据
A、
充电子数据
B、
充电子数据
C
；
[0024]特征提取模块，用于通过所述编码器分别对充电子数据
A、
充电子数据
B
以及充电子数据
C
进行编码，分别获取电池特征
e_anchor、e_pos
以及
e_neg
；
[0025]新鲜程度预测模块，用于将所述
e_anchor、e_pos
以及
e_neg
输入预测器，分别获取电池新鲜程度
fa、fb
以及
fc
；
[0026]任务构建模块，用于基于所述
e_anchor、e_pos
以及
e_neg
构建一度量学习代理任务，基于所述
fa、fb
以及
fc
构建一排序学习代理任务；
[0027]训练模块，用于创建一总损失函数，基于所述总损失函数
、
度量学习代理任务以及排序学习代理任务对预训练电池模型进行训练；
[0028]电池性能预测模块，用于从训练完成的所述预训练电池模型中提取编码器用于电池性能预测
。
[0029]进一步的，所述充电数据裁剪模块中，所述充电数据至少包括电压值
、
电流值
、
温度值
、SOC
值以及充电时间；所述充电子数据
A、
充电子数据
B
以及充电子数据
C
的充电时间依次变大
。
[0030]进一步的，所述任务构建模块中，所述度量学习代理任务要求
e_anchor
与
e_neg
的第一度量距离大于
e_anchor
...

【技术保护点】

【技术特征摘要】
1.
一种基于度量学习的电池性能预测方法，其特征在于：包括如下步骤：步骤
S10、
基于编码器以及预测器创建一预训练电池模型；步骤
S20、
将获取的充电数据依序裁剪为等长的充电子数据
A、
充电子数据
B、
充电子数据
C
；步骤
S30、
通过所述编码器分别对充电子数据
A、
充电子数据
B
以及充电子数据
C
进行编码，分别获取电池特征
e_anchor、e_pos
以及
e_neg
；步骤
S40、
将所述
e_anchor、e_pos
以及
e_neg
输入预测器，分别获取电池新鲜程度
fa、fb
以及
fc
；步骤
S50、
基于所述
e_anchor、e_pos
以及
e_neg
构建一度量学习代理任务，基于所述
fa、fb
以及
fc
构建一排序学习代理任务；步骤
S60、
创建一总损失函数，基于所述总损失函数
、
度量学习代理任务以及排序学习代理任务对预训练电池模型进行训练；步骤
S70、
从训练完成的所述预训练电池模型中提取编码器用于电池性能预测
。2.
如权利要求1所述的一种基于度量学习的电池性能预测方法，其特征在于：所述步骤
S20
中，所述充电数据至少包括电压值
、
电流值
、
温度值
、SOC
值以及充电时间；所述充电子数据
A、
充电子数据
B
以及充电子数据
C
的充电时间依次变大
。3.
如权利要求1所述的一种基于度量学习的电池性能预测方法，其特征在于：所述步骤
S50
中，所述度量学习代理任务要求
e_anchor
与
e_neg
的第一度量距离大于
e_anchor
与
e_pos
的第二度量距离
。4.
如权利要求1所述的一种基于度量学习的电池性能预测方法，其特征在于：所述步骤
S50
中，所述排序学习代理任务要求预测器预测的三个电池新鲜程度，根据充电时间的先后顺序依次变小
。5.
如权利要求1所述的一种基于度量学习的电池性能预测方法，其特征在于：所述步骤
S60
具体为：创建一总损失函数：
L
＝
Lmetric+
λ
Lrank
；其中，
L
表示总损失函数的总损失值；
Lmetric
表示度量学习代理任务的损失函数；
Lrank
表示排序学习代理任务的损失函数；
λ
表示权重系数；利用所述度量学习代理...

【专利技术属性】
技术研发人员：梁琦晖，何学智，汤慈全，
申请(专利权)人：福建星云电子股份有限公司，
类型：发明
国别省市：