【技术实现步骤摘要】
本专利技术涉及数据处理，特别是涉及一种锂电池充放电过程性能测试方法、电子设备及介质。
技术介绍
1、锂离子电池作为电动汽车的储能设备，因其具有功率密度高、充电速度快、使用寿命长等特点而被广泛运用。随着电池寿命的减少，电池的整体性能下降，表现为容量衰减和内阻增加，这限制了电池的推广和使用。因此，准确地对锂电池充放电过程进行性能测试评估进行估算 ，有利于及时对电 池进行维护，避免电池的过充电和过放电，延长电池寿命。
2、现有技术中将锂电池电压、电流和温度等作为输入，输出为锂电池的性能评估测试结果。如采用深度神经网络(dnn)，卷积神经网络(cnn)，循环神经网络(rnn)和长短期记忆神经网络(lstm)等机器学习方法，已被广泛应用于锂电池的性能评估测试模型。然而由于缺乏大量训练数据、缺乏有效的前期处理过程等，锂电池的性能评估测试结果往往不准确，无法进行有效的使用。
技术实现思路
1、鉴于上述问题，本申请提供了一种锂电池充放电过程性能测试方法、电子设备及介质，能够对待测试锂电池充放电过程中的充电数据和放电数据进行特征计算提取，以实现数据降维，提高了锂电池充放电过程性能测试评估的计算效率，同时基于聚类距离方差、聚类归属度和聚类波动对聚类结果进行优化，提高了对锂电池充放电过程中的充电数据和放电数据的聚类效果，进而提高了对锂电池充放电过程性能测试评估的准确性，实现了更高的对锂电池充放电过程性能测试评估的精度。
2、第一方面，本申请实施例提供了一种锂电池充放电过程性能测试
3、获取待测试锂电池充放电过程中的第一性能表征数据集合，其中第一性能表征数据集合包括充电数据和放电数据；
4、对第一性能表征数据进行预处理，得到第二性能表征数据集合；
5、对第二性能表征数据集合进行特征计算，得到每一个第二性能表征数据的特征值，并选择累计特征值贡献率之和大于第一预设阈值的对应的第二性能表征数据，得到第三性能表征数据集合；
6、对第三性能表征数据集合进行聚类处理，得到聚类结果；
7、将聚类结果输入预先训练好的神经网络模型，得到锂电池充放电过程的性能测试结果。
8、在一种可能的实现方式中，充电数据至少包括：充电电压、充电电流、电池荷电状态、充电温度；放电数据至少包括：放电电压、放电电流、电池荷电状态、放电温度。
9、在一种可能的实现方式中，对第一性能表征数据进行预处理，得到第二性能表征数据集合，包括：
10、将第一性能表征数据进行最大最小值归一化处理映射到[0,1]区间得到归一化处理后的第一性能表征数据；
11、对归一化处理后的第一性能表征数据采用去噪滤波算法进行滤波平滑处理，得到第二性能表征数据集合；
12、其中，滤波算法采用线性滤波算法或非线性滤波算法，其中线性滤波算法采用高斯滤波算法、方框滤波或均值滤波；非线性滤波算法采用中值滤波或双边滤波。
13、在一种可能的实现方式中，对第二性能表征数据集合进行特征计算，得到每一个第二性能表征数据的特征值，并选择累计特征值贡献率之和大于第一预设阈值的对应的第二性能表征数据，得到第三性能表征数据集合，包括：
14、根据第二性能表征数据集合构建第一数据矩阵；
15、将第一数据矩阵和第一数据矩阵的转置矩阵相乘，得到第二数据矩阵；
16、计算第二数据矩阵的特征值，并根据特征值计算累计特征值贡献率之和，并选择累计特征值贡献率之和大于第一预设阈值的对应的第二性能表征数据，得到第三性能表征数据集合。
17、在一种可能的实现方式中，对第三性能表征数据集合进行聚类处理，得到聚类结果，包括：
18、计算任意两个第三性能表征数据之间的聚类欧式距离，
19、将聚类欧式距离与第二预设阈值进行比较，当任意两个第三性能表征数据之间的聚类欧式距离小于第二预设阈值时，将两个第三性能表征数据归为一类；
20、将归为一类的第三性能表征数据作为新的簇内点与其他第三性能表征数据进行聚类欧式距离计算，基于第二预设阈值进行判定，重复聚类操作直至无符合第二预设阈值要求的第三性能表征数据。
21、在一种可能的实现方式中，还包括：
22、每次归类一个第三性能表征数据时，分别计算簇内各第三性能表征数据相互之间的距离方差、各第三性能表征数据的聚类归属度和各第三性能表征数据的聚类波动；
23、根据距离方差、聚类归属度和聚类波动，判断是否将新归类的第三性能表征数据剔除；其中距离方差的计算公式为：
24、
25、其中，表示聚类簇的聚类距离方差，代表第个聚类簇内第三性能表征数据两两组合计算聚类欧式距离的组合数量，代表其中任意一组，代表第个聚类簇内第组聚类欧式距离，代表第个聚类簇内聚类欧式距离均值；聚类归属度的计算公式为：
26、
27、其中，表示第个聚类簇内第个第三性能表征数据的聚类归属度，表示第个第三性能表征数据到第个聚类簇的聚类中心的第三性能表征数据的聚类欧式距离；表示第个第三性能表征数据到第个聚类簇的聚类中心的第三性能表征数据的聚类欧式距离，表示除去第个第三性能表征数据所在聚类簇其它聚类簇的数量，代表以e为底的对数函数；为常数；聚类波动的计算公式为：
28、
29、其中，表示第个聚类簇的聚类波动，用于表征相邻两次聚类前后同一聚类簇聚类中心数据的欧氏距离，表示第次迭代第个聚类簇的聚类中心数据，表示第+1次迭代第个聚类簇的聚类中心数据，表示第+1次迭代加入第个聚类簇的第三性能表征数据到聚类中心数据的欧式距离。
30、在一种可能的实现方式中，根据距离方差、聚类归属度和聚类波动，判断是否将新归类的第三性能表征数据剔除，包括：
31、当距离方差、聚类归属度和聚类波动的加权之和大于第三预设阈值时，将新归类的第三性能表征数据剔除；其中加权公式为：
32、
33、其中，表示综合聚类因子，、、为不为零的常数，。
34、在一种可能的实现方式中，预先训练神经网络模型包括：
35、获取训练样本，训练样本为标注有锂电池充放电过程性能测试结果标签的性能表征数据库，其中训练样本包括训练集和测试集，训练集和测试集的比例为8:2；
36、将训练集输入初始神经网络模型中，得到第一预测结果，根据第一预测结果与训练集标签计算得到训练集的交叉熵损失函数值；
37、根据交叉熵损失函数值，对初始神经网络模型的待训练参数进行调整，得到训练后的神经网络模型；
38、将测试集输入到预先训练的神经网络模型中，得出第二预测结果，根据第二预测结果和测试集标签计算当前测试集的交叉熵损失函数值，并将当前测试集的交叉熵损失函数值与设置的最优测试集交叉熵损失函数值进行比较：
39、若当前测试集的交叉熵损失函数值小于设置的最优测试集交叉熵损失函数值，则将最本文档来自技高网...
【技术保护点】
1.一种锂电池充放电过程性能测试方法，其特征在于，包括：
2.根据权利要求1所述锂电池充放电过程性能测试方法，其特征在于，所述充电数据至少包括：充电电压、充电电流、电池荷电状态、充电温度；所述放电数据至少包括：放电电压、放电电流、电池荷电状态、放电温度。
3.根据权利要求1所述锂电池充放电过程性能测试方法，其特征在于，对所述第一性能表征数据进行预处理，得到第二性能表征数据集合，包括：
4.根据权利要求1所述锂电池充放电过程性能测试方法，其特征在于，对所述第二性能表征数据集合进行特征计算，得到每一个所述第二性能表征数据的特征值，并选择累计特征值贡献率之和大于第一预设阈值的对应的第二性能表征数据，得到第三性能表征数据集合，包括：
5.根据权利要求1所述锂电池充放电过程性能测试方法，其特征在于，对第三性能表征数据集合进行聚类处理，得到聚类结果，包括：
6.根据权利要求5所述锂电池充放电过程性能测试方法，其特征在于，还包括：
7.根据权利要求6所述锂电池充放电过程性能测试方法，其特征在于，根据所述距离方差、所述聚类归
8.根据权利要求1所述锂电池充放电过程性能测试方法，其特征在于，所述预先训练所述神经网络模型包括：
9.一种电子设备，包括处理器和存储器；其中，所述存储器，用于保存计算机程序；所述处理器，用于通过执行计算机程序来实现如权利要求1-8任一项所述的锂电池充放电过程性能测试方法。
10.一种存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的锂电池充放电过程性能测试方法。
...【技术特征摘要】
1.一种锂电池充放电过程性能测试方法，其特征在于，包括：
2.根据权利要求1所述锂电池充放电过程性能测试方法，其特征在于，所述充电数据至少包括：充电电压、充电电流、电池荷电状态、充电温度；所述放电数据至少包括：放电电压、放电电流、电池荷电状态、放电温度。
3.根据权利要求1所述锂电池充放电过程性能测试方法，其特征在于，对所述第一性能表征数据进行预处理，得到第二性能表征数据集合，包括：
4.根据权利要求1所述锂电池充放电过程性能测试方法，其特征在于，对所述第二性能表征数据集合进行特征计算，得到每一个所述第二性能表征数据的特征值，并选择累计特征值贡献率之和大于第一预设阈值的对应的第二性能表征数据，得到第三性能表征数据集合，包括：
5.根据权利要求1所述锂电池充放电过程性能测试方法，其特征在于，对第三性能...
【专利技术属性】
技术研发人员：刘杰，
申请(专利权)人：上海搜鹿电子有限公司，
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。