一种电池内外总压测试的压差预测方法及装置与流程

1.本发明涉及电池测试领域，特别涉及一种电池内外总压测试的压差预测方法及装置。


背景技术：

2.电池包内部电芯串并联后会输出总正极和总负极（称为内总压），内总压通过电池内部控制系统或切换回路输出到电池外部的高压接插件处（称为外总压），进行电压采集时，一般采用内部夹子和外部的配套接插件连接采集电压，内总压与外总压之间一般相差在1～2v左右，但具体相差值需要人工在不同测试条件下，做重复性验证。
3.在电池产线的电池内总压和外总压测试中，现阶段都会分别做内总压和外总压的电压采集，重复采集多次以后，将稳定的电压值相减，算出内外压差的允许范围，不同的电池包或不同的工艺流程对应的采集测量又需要重复进行确认，特别的不方便。在做预测方法时，单一的回归模型预测精度有限。


技术实现要素：

4.本发明目的是：提供一种电池内外总压测试的压差预测方法及装置，测试回路的电压及电阻采集，并结合大量测试数据，能够找到内外总压压差的关系并进行预测。
5.本发明的技术方案是：一种电池内外总压测试的压差预测方法，包括步骤：s1、测试电池内总压、外总压、正极内外阻抗、负极内外阻抗形成测试数据集d；s2、采用n种回归算法的子模型，根据测试数据集d分别预测新的电池数据，得到压差预测值v1、v2
……
vn；s3、将各子模型得到的压差预测值v1、v2
……
vn，与测试的压差真实值vt进行对比，得到预测值与真实值误差最小的子模型，作为标签；s4、将各子模型得到的压差预测值v1、v2
……
vn与标签带入基于支持向量回归的二次预测中，得出各子模型对应的n个概率p1、p2
……
pn；s5、最后根据n各子模型预测值v1、v2
……
vn和对应概率向量p1、p2
……
pn，计算加权平均值，作为最终预测结果vf：vf=（v1* p1 v2* p2
……
vn* pn）/（p1 p2
……
pn）。
6.优选的，所述n种回归算法的子模型，至少包括随机森林回归子模型，支持向量回归子模型和贝叶斯岭回归子模型。
7.优选的，所述测试数据集d还包括压差与正极和负极之间的阻抗关系。
8.优选的，通过数字万用表及切换模块，采集电池的内总压、外总压数据，同时通过数字万用表采集电池内回路、外回路的阻抗数据；所有数据通过计算机通讯读取，并存储在数据库中。
9.一种电池内外总压测试的压差预测装置，包括数字万用表和计算机，所述数字万
用表采集电池的内总压、外总压、正极内外阻抗、负极内外阻抗数据，计算机通过采集软件读取数字万用表的采集数据，并存储在数据库中。
10.优选的，所述数字万用表测试多个电池内总压、外总压、正极内外阻抗、负极内外阻抗形成测试数据集d；计算机采用n种回归算法的子模型，根据测试数据集d分别预测新的电池数据，得到压差预测值v1、v2
……
vn；将各子模型得到的压差预测值v1、v2
……
vn，与测试的压差真实值vt进行对比，得到预测值与真实值误差最小的子模型，作为标签；将各子模型得到的压差预测值v1、v2
……
vn与标签带入基于支持向量回归的二次预测中，得出各子模型对应的n个概率p1、p2
……
pn；最后根据n各子模型预测值v1、v2
……
vn和对应概率向量p1、p2
……
pn，计算加权平均值，作为最终预测结果vf：vf=（v1* p1 v2* p2
……
vn* pn）/（p1 p2
……
pn）。
11.优选的，所述n种回归算法的子模型，至少包括随机森林回归子模型，支持向量回归子模型和贝叶斯岭回归子模型。
12.优选的，所述测试数据集d还包括电池正极内外阻抗、负极内外阻抗数据。
13.优选的，所述数据库采用计算机硬盘存储，或服务器存储，或云端存储。
14.本发明的优点是：本发明通过数字万用表数据测试电池内、外总压及正极内外阻抗、负极内外阻抗的测试数据集，通过集成学习方法，能够预测出新电池对应的内外总压的压差范围，以几种传统的机器学习回归算法作为子模型，提出了基于支持向量回归的二次预测，提升预测准确性。
附图说明
15.下面结合附图及实施例对本发明作进一步描述：图1为本发明电池内外总压测试的压差预测装置的原理图；图2为本发明电池内外总压测试的压差预测流程图。
具体实施方式
16.如图1所示，本发明的一种电池内外总压测试的压差预测装置，包括数字万用表和计算机，数字万用表及切换模块采集电池的内总压、外总压、正极内外阻抗、负极内外阻抗数据。计算机通过采集软件读取数字万用表的采集数据，并存储在数据库中。数据输入对应测试的内、外总压及正极内外阻抗、负极内外阻抗的测试数据集，通过集成学习方法，能够预测出新电池对应的内外总压的压差范围。
17.所述数字万用表及切换模块测试电池内总压、外总压数据和电池正极内外阻抗、负极内外阻抗数据，输入到计算机存储在数据库形成测试数据集d，测试数据集d还包括压差与正极和负极之间的阻抗关系；所述数据库采用计算机硬盘存储，或服务器存储，或云端存储。
18.计算机集成学习采用n种回归算法的子模型，根据测试数据集d分别预测新的电池
数据，得到压差预测值v1、v2
……
vn；所述n种回归算法的子模型，至少包括随机森林回归子模型，支持向量回归子模型和贝叶斯岭回归子模型；将各子模型得到的压差预测值v1、v2
……
vn，与测试的压差真实值vt进行对比，得到预测值与真实值误差最小的子模型，作为标签；将各子模型得到的压差预测值v1、v2
……
vn与标签带入基于支持向量回归的二次预测中，得出各子模型对应的n个概率p1、p2
……
pn；最后根据n各子模型预测值v1、v2
……
vn和对应概率向量p1、p2
……
pn，计算加权平均值，作为最终预测结果vf：vf=（v1* p1 v2* p2
……
vn* pn）/（p1 p2
……
pn）。
19.具体实施时，如图2所示，本发明一种实施例的压差预测方法，包括步骤：s1、通过数字万用表及切换模块，采集电池的内总压、外总压数据，同时通过数字万用表采集电池正极内外阻抗、负极内外阻抗数据；输入到计算机存储在数据库形成测试数据集d，测试数据集d还包括压差与正极和负极之间的阻抗关系；所有数据通过计算机通讯读取。
20.s2、综合各子模型优势，训练模型时首先训练各个子模型。采用三种传统的机器学习回归算法作为子模型：随机森林回归，支持向量回归和贝叶斯岭回归，分别根据测试数据集d分别预测新的电池数据，得到压差预测值v1、v2、v3；1、随机森林回归是利用多棵决策树对样本进行训练并预测的一种分类器，并且其输出的类别是由个别树输出的类别的众数而定。随机森林的构建呢有两个方面：数据的随机性选取，以及待选特征的随机选取。
21.（1）数据的随机选取首先，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复。第二，利用子数据集来构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出一个结果。最后，如果有了新的数据需要通过随机森林得到分类结果，就可以通过对子决策树的判断结果的投票，得到随机森林的输出结果了。
22.（2）待选特征的随机选取与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征。这样能够使得随机森林中的决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。
23.2、支持向量回归是在机器学习中，具有相关学习算法的监督学习模型，用于分析用于分类和回归分析的数据。在支持向量回归中，拟合数据所需的直线称为超平面。 支持向量机算法的目标是在 n 维空间中找到一个对数据点进行明确分类的超平面。超平面两侧最接近超平面的数据点称为支持向量。这些影响超平面的位置和方向，从而有助于构建 svm。
24.svm 回归算法称为支持向量回归或svr。支持向量回归是一种监督学习算法，用于预测离散值。支持向量回归使用与 svm 相同的原理。svr 背后的基本思想是找到最佳拟合线。在 svr 中，最佳拟合线是点数最多的超平面。svr 的主要优点之一是其计算复杂度不
依赖于输入空间的维度。此外，它具有出色的泛化能力，具有很高的预测精度。
25.3、贝叶斯线性回归（bayesian linear regression）是使用统计学中贝叶斯推断（bayesian inference）方法求解的线性回归（linear regression）模型。
26.贝叶斯线性回归将线性模型的参数视为随机变量（random variable），并通过模型参数（权重系数）的先验（prior）计算其后验（posterior）。贝叶斯线性回归可以使用数值方法求解，在一定条件下，也可得到解析型式的后验或其有关统计量。贝叶斯线性回归具有贝叶斯统计模型的基本性质，可以求解权重系数的概率密度函数，进行在线学习以及基于贝叶斯因子（bayes factor）的模型假设检验。若贝叶斯线性回归使用正态先验，则其map的估计结果等价于岭回归。
27.s3、将随机森林回归，支持向量回归和贝叶斯岭回归子模型得到的压差预测值v1、v2、v3，与测试的压差真实值vt进行对比，得到预测值与真实值误差最小的子模型，作为标签。
28.在做预测方法时，由于单一的回归模型预测精度有限，使用集成学习来提升预测准确性。这种模型以机器学习常见的三种传统的机器学习回归算法作为子模型。这些不同的回归预测算法对于不同的电池数据预测精度可能是不一样的，在这三个子模型的基础上提出了基于支持向量回归的二次预测。
29.s4、将各子模型得到的压差预测值v1、v2、v3与标签带入基于支持向量回归的二次预测中，得出各子模型对应的3个概率p1、p2、p3，组成概率向量；s5、最后根据三各子模型预测值v1、v2、v3和对应概率向量p1、p2、p3，计算加权平均值，作为最终预测结果vf：vf=（v1* p1 v2* p2 v3* p3）/（p1 p2 p3）。
30.上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明主要技术方案的精神实质所做的修饰，都应涵盖在本发明的保护范围之内。