[发明专利]电池容量预测方法、模型训练方法、电子设备及存储介质

说明书

本申请实施例提供一种电池容量预测方法、模型训练方法、电子设备及存储介质。在本申请实施例中，一方面基于异常检测模型处理表征电池的时序类别的制造数据的特征向量，以对电池容量是正常还是异常进行检测，另一方面，在异常检测模型输出的异常检测结果指示电池容量正常的情况下，基于回归模型对表征电池的时序类别的制造数据的特征向量和表征电池的离散类别的制造数据的特征向量进行预测处理，以预测电池容量。由此，提供一种基于数据驱动的电池分容方式，通过对锂电池的制造数据进行分析，结合异常检测模型和回归模型能够高精度地预测电池的电池容量，降低了电耗成本和耗时，简化了电池的整个制造过程，提高了电池的生产效率和生产安全。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种电池容量预测方法、模型训练方法、电子设备及存储介质。

背景技术

电池容量是指电池所能储存的电荷量，是衡量电池性能的重要性能指标之一。大部分锂电池制造厂商通常采用以下方式对锂电池进行分容：在锂电池化成后，先将锂电池充电至满电量，再对锂电池进行放电，以获得锂电池的电池容量。但是，这种分容方式需要进行充放电工序，电耗成本较大，耗时较长，还容易发生火灾危险，影响锂电池的生产效率和生产安全。

发明内容

本申请的多个方面提供一种电池容量预测方法、模型训练方法、电子设备及存储介质，用以高精度地预测电池的电池容量，降低了电耗成本和耗时，提高电池的生产效率和生产安全。

本申请实施例提供一种电池容量预测方法，包括：获取目标电池的时序类别的制造数据和离散类别的制造数据，时序类别的制造数据表征目标电池在制造过程中产生的数据，离散类别的制造数据表征目标电池的制造工序的数据；对时序类别的制造数据和离散类别的制造数据分别进行特征工程处理，以提取时序类别的制造数据对应的第一特征向量和离散类别的制造数据对应的第二特征向量；将第一特征向量输入异常检测模型中，以通过异常检测模型对目标电池的电池容量进行异常检测；若异常检测结果指示目标电池的电池容量正常，则将第一特征向量和第二特征向量输入回归模型中，以通过回归模型预测目标电池的电池容量。

本申请实施例还提供一种模型训练方法，包括：获取多个样本电池的样本时序特征向量；根据多个样本电池的样本特征向量对初始异常检测模型进行模型训练，得到异常检测模型。

本申请实施例还提供另一种模型训练方法，包括：获取多个样本电池的样本时序特征向量、样本离散特征向量及期望电池容量，样本电池的电池容量正常，样本时序特征向量是对样本电池的时序类别的制造数据进行特征工程处理得到的，样本离散特征向量是对样本电池的离散类别的制造数据进行特征工程处理得到的；利用多个样本电池的样本时序特征向量、样本离散特征向量及期望电池容量，对初始回归模型进行训练，得到回归模型。

本申请实施例还提供一种电子设备，包括：存储器和处理器；存储器，用于存储计算机程序；处理器耦合至存储器，用于执行计算机程序以用于执行电池容量预测方法中的步骤。

本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，包括：当计算机程序被处理器执行时，致使处理器能够实现电池容量预测方法中的步骤。

本申请实施例提供的技术方案，一方面基于异常检测模型处理表征电池的时序类别的制造数据的特征向量，以对电池容量是正常还是异常进行检测，另一方面，在异常检测模型输出的异常检测结果指示电池容量正常的情况下，基于回归模型对表征电池的时序类别的制造数据的特征向量和表征电池的离散类别的制造数据的特征向量进行预测处理，以预测电池容量。由此，提供一种基于数据驱动的电池分容方式，通过对锂电池的制造数据进行分析，结合异常检测模型和回归模型能够高精度地预测电池的电池容量，降低了电耗成本和耗时，简化了电池的整个制造过程，提高了电池的生产效率和生产安全。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：