System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及电池,特别地涉及一种电池充电剩余时间预测方法、装置、设备和介质。
技术介绍
1、现有电池充电剩余时间预测方法中,采用的预测模型算法,未针对电池充电实际生产进行优化,导致机器学习预测的结果部分数据不符合实际生产逻辑。例如,在电池充电剩余时间为0时,预测模型无法精准的输出0,可能为负数;又例如,某一时刻的剩余充电时间长于上一时刻等,上述情况在模型误差评估中不会体现,但生产中不能允许出现这种情况;此外,现有模型算法对电池充电过程的时序特征学习不充分,电池充电前半段通常比较稳定,但到后半段会产生电流、电压的异常波动,对模型预测产生干扰,导致预测结果不准确。
技术实现思路
1、为了解决或至少部分地解决上述技术问题,本申请提供了一种电池充电剩余时间预测方法、装置、设备和介质,能够解决预测结果部分数据不符合实际生产逻辑和时序特征学习不充分的问题。
2、第一方面,本申请提供了一种电池充电剩余时间预测方法,所述方法包括:
3、获取第一电池充电数据;
4、对所述第一电池充电数据进行预处理,得到处理后的第一电池充电数据集;
5、根据处理后的第一电池充电数据集对双向独立长短期记忆循环预测模型进行训练,得到训练后的预测模型;
6、通过所述训练后的预测模型进行电池充电剩余时间预测,输出当前时刻电池充电剩余时间的预测结果;
7、采用预设的递推收敛算法根据上一时刻剩余充电时间的预测结果对当前时刻剩余充电时间的预测结果进行优化,得到当
8、第二方面,本申请提供了一种电池充电剩余时间预测方法,所述方法包括:
9、获取第二电池充电数据;
10、对所述第二电池充电数据进行预处理,得到处理后的第二电池充电数据;
11、将所述处理后的第二电池充电数据输入到训练后的双向独立长短期记忆循环预测模型,通过训练后的预测模型进行电池充电剩余时间预测,输出当前时刻电池充电剩余时间的预测结果;
12、采用预设的递推收敛算法根据上一时刻剩余充电时间的预测结果对当前时刻剩余充电时间的预测结果进行优化,得到当前时刻剩余充电时间的目标预测结果。
13、第三方面,本申请提供了一种电池充电剩余时间预测装置,包括:
14、获取单元,用于获取第一电池充电数据;
15、预处理单元,用于对所述第一电池充电数据进行预处理,得到处理后的第一电池充电数据集;
16、训练单元,用于根据处理后的第一电池充电数据集对双向独立长短期记忆循环预测模型进行训练,得到训练后的预测模型;
17、预测单元,用于通过所述训练后的预测模型进行电池充电剩余时间预测,输出当前时刻电池充电剩余时间的预测结果;
18、优化单元,用于采用预设的递推收敛算法根据上一时刻剩余充电时间的预测结果对当前时刻剩余充电时间的预测结果进行优化,得到当前时刻剩余充电时间的目标预测结果。
19、第四方面,本申请的实施方式还提供了一种电子设备,包括处理器和存储器;以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置成由所述处理器执行,所述程序包括用于如前述的电池充电剩余时间预测方法的步骤。
20、第五方面,本申请的实施方式还提供了一种计算机可读存储介质,存储有程序指令,程序指令被计算机执行时使得计算机执行前述的电池充电剩余时间预测方法。
21、本申请的实施方式,通过获取第一电池充电数据;对所述第一电池充电数据进行预处理,得到处理后的第一电池充电数据集;根据处理后的第一电池充电数据集对双向独立长短期记忆循环预测模型进行训练,得到训练后的预测模型;通过述训练后的预测模型进行电池充电剩余时间预测,输出当前时刻电池充电剩余时间的预测结果;采用预设的递推收敛算法根据上一时刻剩余充电时间的预测结果对当前时刻剩余充电时间的预测结果进行优化,得到当前时刻剩余充电时间的目标预测结果;其中,通过采用递推收敛算法,利用上一时刻的预测结果对当前时刻的预测结果进行优化,能够解决预测结果部分数据不符合实际生产逻辑的问题,提高预测模型与实际生产的契合度;通过采用双向独立长短期记忆循环预测模型进行训练和预测,能够更好的挖掘时序特征,解决时序特征学习不充分,提高预测模型的预测精度。
本文档来自技高网...【技术保护点】
1.一种电池充电剩余时间预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的电池充电剩余时间预测方法,其特征在于,所述对所述第一电池充电数据进行预处理,得到处理后的第一电池充电数据集,包括:
3.根据权利要求1所述的电池充电剩余时间预测方法,其特征在于,所述预测模型包括多层双向独立长短期记忆循环神经网络、注意力神经网络和多层感知器神经网络,所述根据处理后的第一电池充电数据集对双向独立长短期记忆循环预测模型进行训练,得到训练后的预测模型,包括:
4.根据权利要求3所述的电池充电剩余时间预测方法,其特征在于,所述采用预设损失函数对所述剩余充电时间的训练预测结果和实际剩余充电时间计算损失,包括:
5.根据权利要求3所述的电池充电剩余时间预测方法,其特征在于,所述通过所述注意力神经网络学习输入特征的注意力权重,并调整对不同输入特征的权重,包括:
6.根据权利要求1-5任一项所述的电池充电剩余时间预测方法,其特征在于,所述采用预设的递推收敛算法根据上一时刻剩余充电时间的预测结果对当前时刻剩余充电时间的预测结果进行优化,得
7.一种电池充电剩余时间预测方法,其特征在于,所述方法包括:
8.一种电池充电剩余时间预测装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括处理器和存储器;以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置成由所述处理器执行,所述程序包括用于如权利要求1至7中任一项所述的电池充电剩余时间预测方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的电池充电剩余时间预测方法的步骤。
...【技术特征摘要】
1.一种电池充电剩余时间预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的电池充电剩余时间预测方法,其特征在于,所述对所述第一电池充电数据进行预处理,得到处理后的第一电池充电数据集,包括:
3.根据权利要求1所述的电池充电剩余时间预测方法,其特征在于,所述预测模型包括多层双向独立长短期记忆循环神经网络、注意力神经网络和多层感知器神经网络,所述根据处理后的第一电池充电数据集对双向独立长短期记忆循环预测模型进行训练,得到训练后的预测模型,包括:
4.根据权利要求3所述的电池充电剩余时间预测方法,其特征在于,所述采用预设损失函数对所述剩余充电时间的训练预测结果和实际剩余充电时间计算损失,包括:
5.根据权利要求3所述的电池充电剩余时间预测方法,其特征在于,所述通过所述注意力神经网络学习输入特征的注意力权重,并调整对不同输入特...
【专利技术属性】
技术研发人员:宋洋,孙维晟,沈崴,范赟鹏,邢冠文,杜鑫宝,
申请(专利权)人:广西科驰特网络科技有限责任公司,
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。