CN113111580A - 电池soh评估模型的构建方法及电池soh值的评估方法 - Google Patents

电池soh评估模型的构建方法及电池soh值的评估方法 Download PDF

Info

Publication number
CN113111580A
CN113111580A CN202110376223.8A CN202110376223A CN113111580A CN 113111580 A CN113111580 A CN 113111580A CN 202110376223 A CN202110376223 A CN 202110376223A CN 113111580 A CN113111580 A CN 113111580A
Authority
CN
China
Prior art keywords
sample
battery
soh
data set
training data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110376223.8A
Other languages
English (en)
Other versions
CN113111580B (zh
Inventor
郭毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Reach Automotive Technology Shenyang Co Ltd
Original Assignee
Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Neusoft Reach Automotive Technology Shenyang Co Ltd filed Critical Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority to CN202110376223.8A priority Critical patent/CN113111580B/zh
Priority claimed from CN202110376223.8A external-priority patent/CN113111580B/zh
Publication of CN113111580A publication Critical patent/CN113111580A/zh
Application granted granted Critical
Publication of CN113111580B publication Critical patent/CN113111580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种电池SOH评估模型的构建方法及电池SOH值的评估方法，涉及电池评估技术领域，包括：获取第一训练数据集和第二训练数据集；其中，所述第一训练数据集包括多个未标注SOH标签的第一电池数据样本，所述第二训练数据集包括多个标注SOH标签的第二电池数据样本，所述第二训练数据集的样本数量远小于所述第一训练数据集的样本数量；基于所述第一训练数据集内各个所述第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定多个样本对，并利用各个所述样本对对预先构建的相似度模型进行训练；根据训练得到的相似度模型和/或所述第二训练数据集构建电池SOH评估模型。本发明可以有效降低电池SOH评估的难度和成本。

Description

电池SOH评估模型的构建方法及电池SOH值的评估方法
技术领域
本发明涉及电池评估技术领域，尤其是涉及一种电池SOH评估模型的构建方法及电池SOH值的评估方法。
背景技术
随着科技的进步，电池广泛应用于各种行业并占据重要地位，而电池的性能会随着电池的使用时间、充放电电量、电动车的行驶里程变化。目前，为对SOH(State ofHealth，电池健康度)进行评估，通常需要获取大量在不同条件下的实验标定的SOH标签作为模型训练数据的标签，而在实际应用中，收集大量规模的带有SOH标签的训练数据需要花费大量的成本和时间，从而增加了电池SOH评估的难度和成本。
发明内容
有鉴于此，本发明的目的在于提供一种电池SOH评估模型的构建方法及电池SOH值的评估方法，可以有效降低电池SOH评估的难度和成本。
第一方面，本发明实施例提供了一种电池SOH评估模型的构建方法，包括：获取第一训练数据集和第二训练数据集；其中，所述第一训练数据集包括多个未标注SOH标签的第一电池数据样本，所述第二训练数据集包括多个标注SOH标签的第二电池数据样本，所述第二训练数据集的样本数量远小于所述第一训练数据集的样本数量；基于所述第一训练数据集内各个所述第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定多个样本对，并利用各个所述样本对对预先构建的相似度模型进行训练；根据训练得到的相似度模型和/或所述第二训练数据集构建电池SOH评估模型。
在一种实施方式中，所述基于第一训练数据集内各个所述第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定多个样本对的步骤，包括：从所述第一训练数据集中随机抽取第一电池数据样本作为锚点样本；对于每个锚点样本，根据该锚点样本与所述第一训练数据集中其余第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定该锚点样本分别对应的正样本和负样本；将该锚点样本与该锚点样本对应的正样本和/或负样本组合成样本对。
在一种实施方式中，所述根据该锚点样本与所述第一训练数据集中其余第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定该锚点样本分别对应的正样本和负样本的步骤，包括：对于所述第一训练数据集中除该锚点样本之外的每个第一电池数据样本，根据该锚点样本的使用时间与该第一电池数据样本的使用时间，计算该锚点样本与该第一电池数据样本之间的时间间隔；如果所述时间间隔小于第一间隔阈值，确定该第一电池数据样本为该锚点样本对应的正样本；如果所述时间间隔大于第二间隔阈值，确定该第一电池数据样本为该锚点样本对应的负样本；其中，所述第二间隔阈值大于或等于所述第一间隔阈值；和/或；对于所述第一训练数据集中除该锚点样本之外的每个第一电池数据样本，根据该锚点样本对应的行驶里程与该第一电池数据样本对应的行驶里程，计算该锚点样本与该第一电池数据样本之间的里程间隔；如果所述里程间隔小于第三间隔阈值，确定该第一电池数据样本为该锚点样本对应得到正样本；如果所述里程间隔大于第四间隔阈值，确定该第一电池数据样本为该锚点样本对应的负样本；其中，所述第四间隔阈值大于或等于所述第三间隔阈值。
在一种实施方式中，所述相似度模型包括特征映射层和第一回归层；所述利用各个所述样本对对预先构建的相似度模型进行训练的步骤，包括：通过所述特征映射层对所述样本对进行特征映射，得到所述样本对的样本距离；通过第一回归层根据所述样本距离确定所述样本对中各个样本之间的相似程度；根据所述相似程度和预设损失函数对相似度模型的参数进行更新。
在一种实施方式中，所述根据训练得到的相似度模型和/或所述第二训练数据集构建电池SOH评估模型的步骤，包括：将相似度模型中的所述特征映射层与第二回归层进行链接得到第一SOH评估模型，并利用所述第二训练数据集对第一SOH评估模型进行训练；或，将所述相似度模型作为第二SOH评估模型；其中，所述电池SOH评估模型包括所述第一SOH评估模型或所述第二SOH评估模型。
第二方面，本发明实施例还提供一种电池SOH值的评估方法，包括：获取待评估电池数据；通过电池SOH评估模型对所述待评估电池数据进行健康状态评估，得到所述待评估电池数据对应的SOH值；其中，所述电池SOH评估模型是按照第一方面任一项所述的电池SOH评估模型的构建方法构建得到的。
在一种实施方式中，所述通过电池SOH评估模型对所述待评估电池数据进行健康状态评估，得到所述待评估电池数据对应的SOH值的步骤，包括：如果所述电池SOH评估模型为第一SOH评估模型，将所述待评估电池数据输入至所述第一SOH评估模型，得到所述第一SOH评估模型针对所述待评估电池数据输出的SOH值。
在一种实施方式中，所述通过电池SOH评估模型对所述待评估电池数据进行健康状态评估，得到所述待评估电池数据对应的SOH值的步骤，包括：如果所述电池SOH评估模型为第二SOH评估模型，将所述待评估电池数据和第二训练数据集输入至所述第二SOH评估模型；通过所述第二SOH评估模型计算所述待评估电池数据与所述第二训练数据集中各个所述第二电池数据之间的相似程度；基于所述相似程度从各个所述第二电池数据中确定目标电池数据；将所述目标电池数据标注的SOH标签作为所述待评估电池数据对应的SOH值。
第三方面，本发明实施例还提供一种电池SOH评估模型的构建装置，所述装置包括：数据集获取模块，用于获取第一训练数据集和第二训练数据集；其中，所述第一训练数据集包括多个未标注SOH标签的第一电池数据样本，所述第二训练数据集包括多个标注SOH标签的第二电池数据样本，所述第二训练数据集的样本数量远小于所述第一训练数据集的样本数量；模型训练模块，用于基于所述第一训练数据集内各个所述第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定多个样本对，并利用各个所述样本对对预先构建的相似度模型进行训练；模型构建模块，用于根据训练得到的相似度模型和/或所述第二训练数据集构建电池SOH评估模型。
第四方面，本发明实施例还提供一种电池SOH值的评估装置，所述装置包括：数据获取模块，用于获取待评估电池数据；评估模块，用于通过电池SOH评估模型对所述待评估电池数据进行健康状态评估，得到所述待评估电池数据对应的SOH值；其中，所述电池SOH评估模型是按照第一方面任一项所述的电池SOH评估模型的构建方法构建得到的。
第五方面，本发明实施例还提供一种电子设备，包括存储器以及处理器；所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面和第四方面任一项所述的方法的步骤。
第六方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述第一方面和第四方面任一项所述的方法。
本发明实施例提供的一种电池SOH评估模型的构建方法及装置，首先，将多个未标注SOH标签的第一电池数据样本作为第一训练数据集，多个标注SOH标签的第二电池数据样本作为第二训练数据集，其中，第二训练数据集的样本数量远远小于第一训练数据集的样本数量。然后，计算第一电池数据样本间的样本间隔，并基于样本间隔确定多个样本对，利用样本对对预先构建的相似度模型进行训练。最后，根据训练得到的相似度模型和/或第二训练样本数据集构建电池SOH评估模型。上述方法通过大量的无SOH标签的第一电池数据样本和少量带SOH标签的第二电池数据样本即可建立得到电池SOH评估矫正模型，以通过SOH评估模型对电池SOH值进行评估，相较于现有技术需要在不同条件下的实验标定电池使用数据的SOH标签，本发明实施例可以有效降低训练数据的获取难度，从而可以降低电池SOH的评估难度，还可以显著节约电池SOH的评估成本。
本发明提供的一种电池SOH的评估方法及装置，通过上述电池SOH评估模型的构建方法构建电池SOH评估模型，再利用该电池SOH评估模型对待评估电池数据进行评估，得到待评估电池数据的SOH值。本发明实施例能够利用上述电池SOH评估模型高效准确地对电池SOH值进行评估，以及有效降低电池SOH评估的难度和成本。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电池SOH评估模型的构建方法流程示意图；
图2为本发明实施例提供的一种相似度模型的结构示意图；
图3为本发明实施例提供的另一种相似度模型的结构示意图；
图4为本发明实施例提供的一种电池SOH值评估方法的流程示意图；
图5为本发明实施例提供的一种电池SOH评估模型的构建装置结构示意图；
图6为本发明实施例提供的一种电池SOH值评估装置结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
电池在人们的生产生活中扮演重要角色，电池的性能会随着电池使用时间、充放电发生变化。目前，在进行电池SOH评估的过程中，由于收集大量规模的带有SOH标签的训练数据需要花费大量的成本和时间，因此增加了电池SOH评估的难度和成本。基于此，本发明实施提供的一种电池SOH评估模型的构建方法及电池SOH值的评估方法，可以有效降低电池SOH评估的难度和成本。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种电池SOH评估模型的构建方法进行详细介绍，参见图1所示的一种电池SOH评估模型的构建方法的流程示意图，该方法可以包括以下步骤：
步骤S102，获取第一训练数据集和第二训练数据集。其中，第一训练数据集包括多个未标注SOH标签的第一电池数据样本，第二训练数据集包括多个标注SOH标签的第二电池数据样本，第二训练数据集的样本数量远小于第一训练数据集的样本数量。在实际应用中，需要收集大量的无SOH标签的电池使用数据，该无SOH标签的电池使用数据即为上述第一电池数据样本，另外，还可以收集少量带SOH标签的电池使用数据，该带SOH标签的电池使用数据即为上述第二电池数据。在一种可选的实施方式中，第一训练数据集的样本数量与第二训练数据集的样本数量的比值可以大于预设比值，例如，预设比值设置为10，第一训练数据集的样本数量为1000，第二训练数据集的样本数量为100，此时可称第一训练数据集的样本数量远大于第二训练数据集的样本数量。
步骤S104，基于第一训练数据集内各个第一电池数据样本之间的样本间隔，从第一训练数据集中确定多个样本对，并利用各个样本对对预先构建的相似度模型进行训练。其中，样本间隔用于表征各个第一电池数据样本之间是否相邻，例如，样本间隔可以包括时间维度上的间隔，也可以包括里程维度上的间隔。样本对可以包括第一训练数据集中任一第一电池数据样本与其正样本和/或负样本的组合，在一种实施方式中，可以根据各个第一电池数据样本之间的样本间隔，从第一训练数据集中确定与第一电池数据样本X之间的样本间隔较近3的正样本Y和样本间隔较远的负样本Z，然后将第一电池数据样本X和正样本Y可以得到一组样本对，第一电池数据样本X和负样本Z可以得到一组样本对，第一电池数据样本X、正样本Y和负样本Z也可以得到一组样本对。另外，还可以通过上述样本对对相似度模型进行训练，以使训练得到的相似度模型可以较好地预测输入的数据样本之间的相似程度。
步骤S106，根据训练得到的相似度模型和/或第二训练数据集构建电池SOH评估模型。在一些可选的实施方式中，可以从相似度模型中提取出特征映射层，并将该特征映射层与新回归层链接，得到电池SOH评估模型，再利用第二训练数据集对电池SOH评估模型进行训练，以使该电池SOH评估模型可以针对输入的待评估电池数据输出相应的SOH值；也可以直接将相似度模型作为电池SOH模型，并利用该电池SOH评估模型对待评估电池数据的SOH之进行预测。
本发明实施例提供的一种电池SOH评估模型的构建方法，通过大量的无SOH标签的第一电池数据样本和少量带SOH标签的第二电池数据样本即可建立得到电池SOH评估矫正模型，以通过SOH评估模型对电池SOH值进行评估，相较于现有技术需要在不同条件下的实验标定电池使用数据的SOH标签，本发明实施例可以有效降低训练数据的获取难度，从而可以降低电池SOH的评估难度，还可以显著节约电池SOH的评估成本。
对于前述步骤S102，为获取到第一训练数据集，可以收集大量的无SOH标签的电池使用数据，并按照一定距离标准将电池使用数据分为多个样本作为第一训练数据集P，其中，上述距离标准可以包括电池使用天数，累计充放电电量，电动车的行驶里程等。另外，为获取到第二训练数据集，可以收集少量的带有SOH标签的电池使用数据，并按照同样标准将电池使用数据分为多个样本作为第二训练数据集Q。
为较好的对电池SOH进行评估，本发明实施例根据电池SOH随着使用一般为单调下降且变化较慢的性质，对相似度模型进行训练，为了便于理解，本发明实施例提供了一种前述步骤S104的实施方式，具体的，可以参照如下步骤1至步骤3：
步骤1，从第一训练数据集中随机抽取第一电池数据样本作为锚点样本。例如，从第一训练数据集P中随机抽取锚点样本X。
步骤2，对于每个锚点样本，根据该锚点样本与第一训练数据集中其余第一电池数据样本之间的样本间隔，从第一训练数据集中确定该锚点样本分别对应的正样本和负样本。例如，第一训练数据集P中除锚点样本X以外剩余的第一电池数据样本M，根据锚点样本X和第一电池数据样本M之间的样本间隔确定锚点样本X对应的正样本Y和负样本Z。
步骤3，将该锚点样本与该锚点样本对应的正样本和/或负样本组合成样本对。例如，锚点样本X与正样本Y组成正样本对，且正样本对中的正样本Y用标签1表示，或锚点样本X与负样本Z组成负样本对，且负样本对中负样本Z用标签0表示。在另一种实施方式中，还可以将锚点样本X和与之对应的正样本Y和负样本Z组合成样本对，该样本对无需设置标签。
基于此，本发明实施例还提供前述步骤2的一种实施方式，具体可参见如下方式一和/或方式二：
方式一：(1)对于第一训练数据集中除该锚点样本之外的每个第一电池数据样本，根据该锚点样本的使用时间与该第一电池数据样本的使用时间，计算该锚点样本与该第一电池数据样本之间的时间间隔；(2)如果时间间隔小于第一间隔阈值，确定该第一电池数据样本为该锚点样本对应的正样本；(3)如果时间间隔大于第二间隔阈值，确定该第一电池数据样本为该锚点样本对应的负样本；其中，第二间隔阈值大于或等于第一间隔阈值。由于电池的SOH会随着电池的使用时间下降，因此可基于使用时间从第一训练数据集中确定锚点样本对应的正样本和负样本。例如，锚点样本的使用时间为T1，第一电池数据样本的使用时间为T2，则时间间隔为ΔT。假设第一间隔阈值为2，第二间隔阈值为5，则若ΔT<2即可确定该第一电池数据样本为锚点样本的正样本，若ΔT>5即可确定该第一电池数据样本为锚点样本的负样本；假设第一间隔阈值和第二间隔阈值为5，则若ΔT<5即可确定该第一电池数据样本为锚点样本的正样本，若ΔT>5即可确定该第一电池数据样本为锚点样本的负样本。应当注意的是，上述数值仅为应用示例，间隔阈值的具体数值可基于实际需求进行设置。
方式二：(1)对于第一训练数据集中除该锚点样本之外的每个第一电池数据样本，根据该锚点样本对应的行驶里程与该第一电池数据样本对应的行驶里程，计算该锚点样本与该第一电池数据样本之间的里程间隔；(2)如果里程间隔小于第三间隔阈值，确定该第一电池数据样本为该锚点样本对应得到正样本；(3)如果里程间隔大于第四间隔阈值，确定该第一电池数据样本为该锚点样本对应的负样本；其中，第四间隔阈值大于或等于所述第三间隔阈值。由于电池的SOH会随着电池的行驶里程增大而减小，因此可基于行驶里程从第一训练数据集中确定锚点样本对应的正样本和负样本。另外，上述第三间隔阈值和第四间隔阈值也可基于实际需求进行限制，本发明实施例对此不进行限制。
在实际应用中，可以选择上述方式一和方式二中任意一种方式确定样本对，也可以选择方式一与方式二相结合的方式确定锚点样本对应的正样本和负样本。在另一种实施方式中，正样本可以为与锚点样本使用时间和行驶里程间隔最相近的第一电池数据样本，负样本可以为与锚点样本使用时间和行驶里程间隔最远的第一电池数据样本。
在一种实施方式中，相似度模型包括特征映射层和第一回归层。基于此，本发明实施例还提供一种利用各个样本对对预先构建的相似度模型进行训练的实施方式，包括：通过特征映射层对所述样本对进行特征映射，得到样本对的样本距离；通过第一回归层根据样本距离确定样本对中各个样本之间的相似程度；根据相似程度和预设损失函数对相似度模型的参数进行更新。其中，特征映射层指embedding层。为了能够实现以少量标签数据和大量无标签数据有效的训练回归模型，在模型训练时，首先将上述样本对输入到embedding层得到相应的映射后的特征向量对，再将映射后的特征向量对输入到第一回归层，通过样本距离确定样本对中的样本是否属于相似样本，并根据样本相似程度和预设损失函数(比如KL(Kullback-Leibler Divergence，相对熵)散度，ELBO(Evidence Lower Bound，证据下界)等)计算模型误差，并利用优化算法更新相似度模型的参数。对于两个SOH相近的电池，其特征向量之间的距离小，对于两个SOH差异大的电池，其特征向量之间的距离大。其中，特征空间中特征向量间的距离反应的是需求预测目标间差异的大小，这样只需较少的标签数据就能有效构建回归模型。
为便于对相似度模型的训练过程进行理解，本发明实施例提供了一些相似度模型的训练示例，其中，如下网络结构仅为应用示例，在实际应用中并不局限于如下网络结构。(一)如果样本对包括锚点样本和正样本的组合，或包括锚点样本和负样本的组合，则相似度模型可以采用Siamese networks(孪生神经网络)，参见图2所示的一种相似度模型的结构示意图，其中network A和network B为网络结构相同共享参数的网络，一般可以根据需要使用多层CNN(Convolutional Neural Networks，卷积神经网络)，或者LSTM(LongShort-Term Memory，长短期记忆网络)等网络结构。network A和network B的输入进入一个距离度量，计算network A和network B输出的特征向量之间的距离，最后输出的距离进入第一回归层，比如一个sigmoid门输出样本对的相似概率或预测结果。(二)如果样本对包括锚点样本、正样本和负样本，则相似度模型可以采用Triplet Network，参见图3所示的另一种相似度模型的结构示意图，损失函数一般使用Triplet loss。
基于上述步骤S106，本发明实施例还提供一种根据训练得到的相似度模型和/或第二训练数据集构建电池SOH评估模型的实施方式，其中，电池SOH评估模型包括第一SOH评估模型或第二SOH评估模型。在一种实施方式中，可以将相似度模型中的特征映射层与第二回归层进行链接得到第一SOH评估模型，并利用第二训练数据集对第一SOH评估模型进行训练。在实际应用中，将相似度模型中的embedding层提取出来，链接到第二回归层得到第一SOH评估模型，使用数据集B对第一SOH评估模型进行训练，在训练的过程中，对embedding层参数固定或微调，只对第二回归层的参数进行更新。在另一种实施方式中，可以将相似度模型作为第二SOH评估模型，此时可直接利用相似度模型计算待评估样本和第二训练数据集的样本相似度，取相似度最高的第二训练数据集中的样本SOH标签作为相似度模型评估的SOH值，还可以将相似度作为权重来计算第二训练数据集的SOH标签的平均值作为最终的SOH值。
本发明提供一种电池SOH值的评估方法，参见图4所示的一种电池SOH值的评估方法的流程示意图，该方法可以包括以下步骤参见包括：
步骤S402，获取待评估电池数据；
步骤S404，通过电池SOH评估模型对待评估电池数据进行健康状态评估，得到待评估电池数据对应的SOH值；其中，电池SOH评估模型是按照前述实施例提供的电池SOH评估模型的构建方法构建得到的。在一种实施方式中，根据电池SOH评估模型构建方法训练好的相似度模型对待评估电池数据进行评估，主要包括电池的健康状态，最后评估结果以SOH值的形式输出。
在上述论述的基础上，本发明还提供了一种通过电池SOH评估模型对待评估电池数据进行健康状态评估，得到待评估电池数据对应的SOH值的实施方式，包括：如果电池SOH评估模型为第一SOH评估模型，将待评估电池数据输入至所述第一SOH评估模型，得到第一SOH评估模型针对待评估电池数据输出的SOH值。将待评估电池数据集输入到第一SOH评估模型中，评估结果以第一SOH评估模型输出的SOH值为标准。
本发明还提供了另一种通过电池SOH评估模型对待评估电池数据进行健康状态评估，得到待评估电池数据对应的SOH值的实施方式，包括：如果电池SOH评估模型为第二SOH评估模型，将待评估电池数据和第二训练数据集输入至第二SOH评估模型；通过第二SOH评估模型计算待评估电池数据与第二训练数据集中各个第二电池数据之间的相似程度；基于相似程度从各个第二电池数据中确定目标电池数据；将目标电池数据标注的SOH标签作为待评估电池数据对应的SOH值。在实际应用中，直接利用相似度模型计算待评估样本和第二训练数据集的样本相似度，取相似度最高的第二训练数据集中的样本SOH标签作为相似度模型评估的SOH值，还可以将相似度作为权重来计算第二训练数据集的SOH标签的平均值作为最终的SOH值。
本发明提供的一种电池SOH的评估方法，能够利用上述电池SOH评估模型高效准确地对电池SOH值进行评估，以及有效降低电池SOH评估的难度和成本。
综上所述，本发明实施例提供的电池SOH评估模型的构建方法，通过大量的无SOH标签的电池使用数据和少量的SOH标签训练相似度模型，降低了训练模型对标注soh样本数量的依赖，极大的减少了用于标注soh的实验成本，同时提高了模型评估的准确性和稳定性。
基于前述实施例所提供的电池SOH评估模型的构建方法，本发明实施例提供了一种电池SOH评估模型的构建装置，参见图5所示的一种电池SOH评估模型的构建装置结构示意图，该装置至少包括以下部分：
数据集获取模块502，用于获取第一训练数据集和第二训练数据集；其中，第一训练数据集包括多个未标注SOH标签的第一电池数据样本，第二训练数据集包括多个标注SOH标签的第二电池数据样本，第二训练数据集的样本数量远小于第一训练数据集的样本数量。
模型训练模块504，用于基于第一训练数据集内各个第一电池数据样本之间的样本间隔，从第一训练数据集中确定多个样本对，并利用各个样本对对预先构建的相似度模型进行训练。
模型构建模块506，用于根据训练得到的相似度模型和/或第二训练数据集构建电池SOH评估模型。
本发明实施例提供的上述电池SOH评估模型的构建装置，通过大量的无SOH标签的第一电池数据样本和少量带SOH标签的第二电池数据样本即可建立得到电池SOH评估矫正模型，以通过SOH评估模型对电池SOH值进行评估，相较于现有技术需要在不同条件下的实验标定电池使用数据的SOH标签，本发明实施例可以有效降低训练数据的获取难度，从而可以降低电池SOH的评估难度，还可以显著节约电池SOH的评估成本。
在一种实施方式中，模型训练模块504还用于，从第一训练数据集中随机抽取第一电池数据样本作为锚点样本；对于每个锚点样本，根据该锚点样本与第一训练数据集中其余第一电池数据样本之间的样本间隔，从第一训练数据集中确定该锚点样本分别对应的正样本和负样本；将该锚点样本与该锚点样本对应的正样本和/或负样本组合成样本对。
在一种实施方式中，模型训练模块504还用于，对于第一训练数据集中除该锚点样本之外的每个第一电池数据样本，根据该锚点样本的使用时间与该第一电池数据样本的使用时间，计算该锚点样本与该第一电池数据样本之间的时间间隔；如果时间间隔小于第一间隔阈值，确定该第一电池数据为该锚点样本对应的正样本；如果时间间隔大于第二间隔阈值，确定该第一电池数据样本为该锚点样本对应的负样本；其中，第二间隔阈值大于或等于所述第一间隔阈值；和/或；对于第一训练数据集中除该锚点样本之外的每个第一电池数据样本，根据该锚点样本对应的行驶里程与该第一电池数据样本对应的行驶里程，计算该锚点样本与该第一电池数据之间的里程间隔；如果里程间隔小于第三间隔阈值，确定该第一电池数据样本为该锚点样本对应得到正样本；如果里程间隔大于第四间隔阈值，确定该第一电池数据样本为该锚点样本对应的负样本；其中，第四间隔阈值大于或等于所述第三间隔阈值。
在一种实施方式中，相似度模型包括特征映射层和第一回归层；模型训练模块504还用于，通过特征映射层对样本对进行特征映射，得到样本对的样本距离；通过第一回归层根据样本距离确定样本对中各个样本之间的相似程度；根据相似程度和预设损失函数对相似度模型的参数进行更新。
在一种实施方式中，模型构建模块506还用于，将相似度模型中的特征映射层与第二回归层进行链接得到第一SOH评估模型，并利用第二训练数据集对第一SOH评估模型进行训练；或，将相似度模型作为第二SOH评估模型；其中，电池SOH评估模型包括第一SOH评估模型或第二SOH评估模型。
基于前述实施例所提供的电池SOH值的评估方法，本发明实施例还提供了一种电池SOH值评估装置，参见图6所示的一种电池SOH值的评估装置结构示意图，该装置至少包括以下部分：
数据获取模块602，用于获取待评估电池数据。
评估模块604，用于通过电池SOH评估模型对待评估电池数据进行健康状态评估，得到待评估电池数据对应的SOH值；其中，电池SOH评估模型是按照前述实施例提供的电池SOH评估模型的构建方法构建得到的。
本发明实施例还提供了一种电池SOH值评估装置，能够利用上述电池SOH评估模型高效准确地对电池SOH值进行评估，以及有效降低电池SOH评估的难度和成本。
在一种实施方式中，评估模块604还用于，如果电池SOH评估模型为第一SOH评估模型，将待评估电池数据输入至第一SOH评估模型，得到第一SOH评估模型针对待评估电池数据输出的SOH值。
在一种实施方式中，评估模块604还用于，如果电池SOH评估模型为第二SOH评估模型，将待评估电池数据和第二训练数据集输入至第二SOH评估模型；通过第二SOH评估模型计算待评估电池数据与第二训练数据集中各个第二电池数据之间的相似程度；基于相似程度从各个第二电池数据中确定目标电池数据；将目标电池数据标注的SOH标签作为待评估电池数据对应的SOH值。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图7为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器70，存储器71，总线72和通信接口73，所述处理器70、通信接口73和存储器71通过总线72连接；处理器70用于执行存储器71中存储的可执行模块，例如计算机程序。
其中，存储器71可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线72可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器71用于存储程序，所述处理器70在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器70中，或者由处理器70实现。
处理器70可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器70中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器70可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器71，处理器70读取存储器71中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种电池SOH评估模型的构建方法，其特征在于，包括：
获取第一训练数据集和第二训练数据集；其中，所述第一训练数据集包括多个未标注SOH标签的第一电池数据样本，所述第二训练数据集包括多个标注SOH标签的第二电池数据样本，所述第二训练数据集的样本数量远小于所述第一训练数据集的样本数量；
基于所述第一训练数据集内各个所述第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定多个样本对，并利用各个所述样本对对预先构建的相似度模型进行训练；
根据训练得到的相似度模型和/或所述第二训练数据集构建电池SOH评估模型。
2.根据权利要求1所述的方法，其特征在于，所述基于第一训练数据集内各个所述第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定多个样本对的步骤，包括：
从所述第一训练数据集中随机抽取第一电池数据样本作为锚点样本；
对于每个锚点样本，根据该锚点样本与所述第一训练数据集中其余第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定该锚点样本分别对应的正样本和负样本；
将该锚点样本与该锚点样本对应的正样本和/或负样本组合成样本对。
3.根据权利要求2所述的方法，其特征在于，所述根据该锚点样本与所述第一训练数据集中其余第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定该锚点样本分别对应的正样本和负样本的步骤，包括：
对于所述第一训练数据集中除该锚点样本之外的每个第一电池数据样本，根据该锚点样本的使用时间与该第一电池数据样本的使用时间，计算该锚点样本与该第一电池数据样本之间的时间间隔；
如果所述时间间隔小于第一间隔阈值，确定该第一电池数据样本为该锚点样本对应的正样本；如果所述时间间隔大于第二间隔阈值，确定该第一电池数据样本为该锚点样本对应的负样本；其中，所述第二间隔阈值大于或等于所述第一间隔阈值；
和/或；
对于所述第一训练数据集中除该锚点样本之外的每个第一电池数据样本，根据该锚点样本对应的行驶里程与该第一电池数据样本对应的行驶里程，计算该锚点样本与该第一电池数据样本之间的里程间隔；
如果所述里程间隔小于第三间隔阈值，确定该第一电池数据样本为该锚点样本对应得到正样本；如果所述里程间隔大于第四间隔阈值，确定该第一电池数据样本为该锚点样本对应的负样本；其中，所述第四间隔阈值大于或等于所述第三间隔阈值。
4.根据权利要求3所述的方法，其特征在于，所述相似度模型包括特征映射层和第一回归层；
所述利用各个所述样本对对预先构建的相似度模型进行训练的步骤，包括：
通过所述特征映射层对所述样本对进行特征映射，得到所述样本对的样本距离；
通过第一回归层根据所述样本距离确定所述样本对中各个样本之间的相似程度；
根据所述相似程度和预设损失函数对相似度模型的参数进行更新。
5.根据权利要求4所述的方法，其特征在于，所述根据训练得到的相似度模型和/或所述第二训练数据集构建电池SOH评估模型的步骤，包括：
将相似度模型中的所述特征映射层与第二回归层进行链接得到第一SOH评估模型，并利用所述第二训练数据集对第一SOH评估模型进行训练；
或，将所述相似度模型作为第二SOH评估模型；
其中，所述电池SOH评估模型包括所述第一SOH评估模型或所述第二SOH评估模型。
6.一种电池SOH值的评估方法，其特征在于，包括：
获取待评估电池数据；
通过电池SOH评估模型对所述待评估电池数据进行健康状态评估，得到所述待评估电池数据对应的SOH值；其中，所述电池SOH评估模型是按照权利要求1-5任一项所述的电池SOH评估模型的构建方法构建得到的。
7.根据权利要求6所述的方法，其特征在于，所述通过电池SOH评估模型对所述待评估电池数据进行健康状态评估，得到所述待评估电池数据对应的SOH值的步骤，包括：
如果所述电池SOH评估模型为第一SOH评估模型，将所述待评估电池数据输入至所述第一SOH评估模型，得到所述第一SOH评估模型针对所述待评估电池数据输出的SOH值。
8.根据权利要求6所述的方法，其特征在于，所述通过电池SOH评估模型对所述待评估电池数据进行健康状态评估，得到所述待评估电池数据对应的SOH值的步骤，包括：
如果所述电池SOH评估模型为第二SOH评估模型，将所述待评估电池数据和第二训练数据集输入至所述第二SOH评估模型；
通过所述第二SOH评估模型计算所述待评估电池数据与所述第二训练数据集中各个所述第二电池数据之间的相似程度；
基于所述相似程度从各个所述第二电池数据中确定目标电池数据；
将所述目标电池数据标注的SOH标签作为所述待评估电池数据对应的SOH值。
9.一种电池SOH评估模型的构建装置，其特征在于，包括：
数据集获取模块，用于获取第一训练数据集和第二训练数据集；其中，所述第一训练数据集包括多个未标注SOH标签的第一电池数据样本，所述第二训练数据集包括多个标注SOH标签的第二电池数据样本，所述第二训练数据集的样本数量远小于所述第一训练数据集的样本数量；
模型训练模块，用于基于所述第一训练数据集内各个所述第一电池数据样本之间的样本间隔，从所述第一训练数据集中确定多个样本对，并利用各个所述样本对对预先构建的相似度模型进行训练；
模型构建模块，用于根据训练得到的相似度模型和/或所述第二训练数据集构建电池SOH评估模型。
10.一种电池SOH值的评估装置，其特征在于，包括：
数据获取模块，用于获取待评估电池数据；
评估模块，用于通过电池SOH评估模型对所述待评估电池数据进行健康状态评估，得到所述待评估电池数据对应的SOH值；其中，所述电池SOH评估模型是按照权利要求1-5任一项所述的电池SOH评估模型的构建方法构建得到的。
11.一种电子设备，其特征在于，包括处理器和存储器；
所述存储器上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至5任一项所述的方法，或执行如权利要求6至8任一项所述的方法。
12.一种计算机存储介质，其特征在于，用于储存为权利要求1至5任一项所述方法所用的计算机软件指令，或储存为权利要求6至8任一项所述方法所用的计算机软件指令。
CN202110376223.8A 2021-04-07 电池soh评估模型的构建方法及电池soh值的评估方法 Active CN113111580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110376223.8A CN113111580B (zh) 2021-04-07 电池soh评估模型的构建方法及电池soh值的评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110376223.8A CN113111580B (zh) 2021-04-07 电池soh评估模型的构建方法及电池soh值的评估方法

Publications (2)

Publication Number Publication Date
CN113111580A true CN113111580A (zh) 2021-07-13
CN113111580B CN113111580B (zh) 2024-11-08

Family

ID=

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114325454A (zh) * 2021-12-30 2022-04-12 东软睿驰汽车技术（沈阳）有限公司 一种多特征对电池健康度影响的确定方法、装置、设备及介质
CN115343627A (zh) * 2022-10-19 2022-11-15 力高(山东)新能源技术股份有限公司 一种动力电池的soh估算方法
CN115754738A (zh) * 2022-12-01 2023-03-07 合肥力高动力科技有限公司 一种基于小样本学习孪生网络的电池组健康状态估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN110673050A (zh) * 2018-07-03 2020-01-10 法国电力公司 评估电池健康状态的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN110673050A (zh) * 2018-07-03 2020-01-10 法国电力公司 评估电池健康状态的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUE WANG等: "Probabilistic Prediction Algorithm for Cycle Life of Energy Storage in Lithium Battery", 《WORLD ELECTRIC VEHICLE JOURNAL》, 28 January 2019 (2019-01-28), pages 1 - 17 *
周頔: "电动汽车锂电池健康状态在线估算方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 1, 15 January 2021 (2021-01-15), pages 035 - 70 *
李龙刚;李立伟;杨玉新;罗羽;: "基于改进灰狼优化与支持向量回归的锂电池健康状态预测", 《南京理工大学学报》, vol. 44, no. 02, 15 May 2020 (2020-05-15), pages 32 - 39 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114325454A (zh) * 2021-12-30 2022-04-12 东软睿驰汽车技术（沈阳）有限公司 一种多特征对电池健康度影响的确定方法、装置、设备及介质
CN114325454B (zh) * 2021-12-30 2023-07-04 东软睿驰汽车技术（沈阳）有限公司 一种多特征对电池健康度影响的确定方法、装置、设备及介质
CN115343627A (zh) * 2022-10-19 2022-11-15 力高(山东)新能源技术股份有限公司 一种动力电池的soh估算方法
CN115343627B (zh) * 2022-10-19 2023-02-10 力高(山东)新能源技术股份有限公司 一种动力电池的soh估算方法
CN115754738A (zh) * 2022-12-01 2023-03-07 合肥力高动力科技有限公司 一种基于小样本学习孪生网络的电池组健康状态估计方法

Similar Documents

Publication Publication Date Title
US10375171B2 (en) Iterative learning for reliable sensor sourcing systems
CN110263824B (zh) 模型的训练方法、装置、计算设备及计算机可读存储介质
JP7413806B2 (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
CN108664605B (zh) 一种模型评估方法及系统
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
CN115810178A (zh) 人群异常聚集预警方法、装置、电子设备及介质
CN111091099A (zh) 一种场景识别模型的构建方法、场景识别方法及设备
CN116993396B (zh) 基于车辆用户标签的风险预警方法、计算机设备
CN111178508B (zh) 用于执行卷积神经网络中全连接层的运算装置及方法
CN113776610A (zh) 一种车辆油耗的确定方法及装置
JP7314822B2 (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
CN113111580B (zh) 电池soh评估模型的构建方法及电池soh值的评估方法
CN113111580A (zh) 电池soh评估模型的构建方法及电池soh值的评估方法
CN112417767A (zh) 一种衰减趋势确定模型构建方法、衰减趋势确定方法
CN115345261B (zh) 车辆轨迹真实性校验方法、装置及电子设备
CN116704765A (zh) 路况预测方法、装置及可读存储介质
CN114764600A (zh) 新能源车电池包的寿命预测方法、装置和电子设备
CN111339468B (zh) 信息推送方法、装置、电子设备和存储介质
CN115113991A (zh) 资源调度方法、装置和服务器
CN117557157B (zh) 一种基于卷积神经网络的质量考核评价方法
CN116298930B (zh) 电池包健康度的测量方法、装置及服务器
CN111782301B (zh) 卸载动作集合获取方法及装置
CN113158072A (zh) 多属性异构网络节点影响力度量方法、装置、设备及介质
CN116258322A (zh) 资源调度的方法、装置、电子设备及存储介质
CN114742120A (zh) 一种多标签批处理模式主动学习方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant