CN115421045A - 一种电池健康度影响因素的分析方法及装置 - Google Patents

Abstract

本申请公开了一种电池健康度影响因素的分析方法及装置。获取在目标时长的时段内的车辆数据和车辆的电池健康度的衰减幅度；对车辆数据进行特征提取，得到特征集合；特征集合中的特征对应于电池健康度的影响因素；根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型；在电池健康度影响因素分析模型训练完毕后，基于电池健康度影响因素分析模型和样本数据中的特征的期望梯度，分析在时段内对电池健康度的关键影响因素。通过该模型能够帮助用户、生产方从多个可能的影响因素中分析出对电池健康度的关键影响因素，从而便于用户改善电池使用习惯，辅助生产方优化电池。

Description

一种电池健康度影响因素的分析方法及装置

技术领域

本申请涉及电池技术领域，特别是涉及一种电池健康度影响因素的分析方法及装置。

背景技术

随着电动汽车在生活中的广泛应用，支撑电动汽车工作的电池越来越受到人们的关注。特别地，电池的健康度反映影响电池的性能，进一步影响电动汽车的应用时长。

多种因素可能影响电池的健康度，但一般情况下车辆数据冗杂多样，用户无法知道多个因素之间的重要程度，因此难以据此改变不良的电池使用习惯，提高电池的健康度。生产方也无法据此对于电池进行有针对性的优化，从而提高用户的使用体验。因此，亟需一种电池健康度影响因素的分析方案。

发明内容

基于上述问题，本申请提供了一种电池健康度影响因素的分析方法及装置，以帮助用户、生产方分析对电池健康度的关键影响因素。

本申请实施例公开了如下技术方案：

本申请第一方面提供了一种电池健康度影响因素的分析方法，包括：

获取在目标时长的时段内的车辆数据和车辆的电池健康度的衰减幅度；

对所述车辆数据进行特征提取，得到特征集合；所述特征集合中的特征对应于电池健康度的影响因素；

根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型；在所述样本数据中，所述电池健康度的衰减幅度作为所述特征集合的数据标签；

在所述电池健康度影响因素分析模型训练完毕后，基于所述电池健康度影响因素分析模型和所述样本数据中的特征的期望梯度，分析在所述时段内对电池健康度的关键影响因素。

可选地，所述电池健康度影响因素分析模型的训练过程为迭代过程；所述根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型，包括：

根据第n次迭代训练所述电池健康度影响因素分析模型提取到的各特征对所述电池健康度的衰减幅度的贡献作为正则项，构建第n+1次迭代训练对应的损失函数；所述n为正整数；

通过第n+1次迭代训练对应的损失函数和所述样本数据，对所述电池健康度影响因素分析模型进行第n+1次迭代训练。

可选地，所述基于所述电池健康度影响因素分析模型和所述样本数据中的特征的期望梯度，分析在所述时段内对电池健康度的关键影响因素，包括：

将所述样本数据输入所述电池健康度影响因素分析模型中；

从所述电池健康度影响因素分析模型中，提取所述样本数据中各特征对所述电池健康度影响因素分析模型的输出的贡献；

根据各特征对所述电池健康度影响因素分析模型的输出的贡献，以及特征与影响因素之间的对应关系，分析在所述时段内对电池健康度的关键影响因素。

可选地，所述样本数据包括：训练集和测试集；所述训练集和所述测试集的数据类型相同；

所述根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型，包括：

将所述训练集中的特征或所述测试集中的特征作为模型训练阶段的输入，将所述电池健康度的衰减幅度作为数据标签，训练电池健康度影响因素分析模型；

所述基于所述电池健康度影响因素分析模型和所述样本数据中的特征的期望梯度，分析在所述时段内对电池健康度的关键影响因素，包括：

基于所述电池健康度影响因素分析模型和所述训练集中的特征的期望梯度分析在所述时段内对电池健康度的关键影响因素；或者，基于所述电池健康度影响因素分析模型和所述测试集中的特征的期望梯度分析在所述时段内对电池健康度的关键影响因素。

可选地，所述车辆数据包括多个类型的影响因素；所述对所述车辆数据进行特征提取，得到特征集合，包括：

获取所述车辆数据中各类型的影响因素的统计指标作为特征，构建出第一特征集合；

从所述第一特征集合中进行特征筛选，利用筛选出的特征构建得到第二特征集合。

可选地，从所述第一特征集合中进行特征筛选，包括：

基于所述电池健康度的衰减幅度，通过树模型的算法从所述第一特征集合中进行特征筛选；或者，

根据所述第一特征集合中特征与所述电池健康度的衰减幅度的相关性，通过相关性分析法从所述第一特征集合中进行特征筛选；或者，

基于所述电池健康度的衰减幅度，通过树模型的算法从所述第一特征集合中进行特征筛选得到第一筛选结果，并根据所述第一特征集合中特征与所述电池健康度的衰减幅度的相关性，通过相关性分析法从所述第一特征集合中进行特征筛选得到第二筛选结果，根据所述第一筛选结果和所述第二筛选结果得到最终筛选结果。

可选地，所述多个类型的影响因素包括以下至少两种：

车辆行驶里程、探针温度、充电深度、放电深度、静置时长、静置温度、电池工作电流、电池工作电压、电池工作的荷电状态或静置状态下的电池荷电状态。

可选地，所述各类型的影响因素的统计指标包括以下至少一种：

同一类型的影响因素的最大值、最小值、均值、分位数或标准差。

可选地，所述获取在目标时长的时段内车辆的电池健康度的衰减幅度，包括：

获取所述时段内前x天的电池健康度和所述时段内末尾x天的电池健康度；所述x为正整数，所述x少于所述目标时长包含的总天数；

根据所述时段内前x天的电池健康度计算均值作为第一电池健康度，并根据所述时段内末尾x天的电池健康度计算均值作为第二电池健康度；

将所述第二电池健康度和所述第一电池健康度的差值作为所述目标时段内的电池健康度的实际衰减幅度。

本申请第二方面提供了一种电池健康度影响因素的分析装置，包括：

获取模块，用于获取在目标时长的时段内的车辆数据和车辆的电池健康度的衰减幅度；

特征提取模块，用于对所述车辆数据进行特征提取，得到特征集合；所述特征集合中的特征对应于电池健康度的影响因素；

训练模块，用于根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型；在所述样本数据中，所述电池健康度的衰减幅度作为所述特征集合的数据标签；

分析模块，用于在所述电池健康度影响因素分析模型训练完毕后，基于所述电池健康度影响因素分析模型和所述样本数据中的特征的期望梯度，分析在所述时段内对电池健康度的关键影响因素。

可选地，所述电池健康度影响因素分析模型的训练过程为迭代过程；训练模块，包括：

损失函数构建单元，用于根据第n次迭代训练所述电池健康度影响因素分析模型提取到的各特征对所述电池健康度的衰减幅度的贡献作为正则项，构建第n+1次迭代训练对应的损失函数；所述n为正整数；

迭代训练单元，用于通过第n+1次迭代训练对应的损失函数和所述样本数据，对所述电池健康度影响因素分析模型进行第n+1次迭代训练。

可选地，分析模块，包括：

输入单元，用于将所述样本数据输入所述电池健康度影响因素分析模型中；

特征贡献提取单元，用于从所述电池健康度影响因素分析模型中，提取所述样本数据中各特征对所述电池健康度影响因素分析模型的输出的贡献；

影响因素分析单元，用于根据各特征对所述电池健康度影响因素分析模型的输出的贡献，以及特征与影响因素之间的对应关系，分析在所述时段内对电池健康度的关键影响因素。

可选地，所述样本数据包括：训练集和测试集；所述训练集和所述测试集的数据类型相同；

所述训练模块用于将所述训练集中的特征或所述测试集中的特征作为模型训练阶段的输入，将所述电池健康度的衰减幅度作为数据标签，训练电池健康度影响因素分析模型；

所述分析模块用于基于所述电池健康度影响因素分析模型和所述训练集中的特征的期望梯度分析在所述时段内对电池健康度的关键影响因素；或者，基于所述电池健康度影响因素分析模型和所述测试集中的特征的期望梯度分析在所述时段内对电池健康度的关键影响因素。

可选地，所述车辆数据包括多个类型的影响因素；所述特征提取模块包括：

特征集合构建单元，用于获取所述车辆数据中各类型的影响因素的统计指标作为特征，构建出第一特征集合；

特征提取单元，用于从所述第一特征集合中进行特征筛选，利用筛选出的特征构建得到第二特征集合。

可选地，特征提取单元具体用于：

基于所述电池健康度的衰减幅度，通过树模型的算法从所述第一特征集合中进行特征筛选；或者，

根据所述第一特征集合中特征与所述电池健康度的衰减幅度的相关性，通过相关性分析法从所述第一特征集合中进行特征筛选；或者，

基于所述电池健康度的衰减幅度，通过树模型的算法从所述第一特征集合中进行特征筛选得到第一筛选结果，并根据所述第一特征集合中特征与所述电池健康度的衰减幅度的相关性，通过相关性分析法从所述第一特征集合中进行特征筛选得到第二筛选结果，根据所述第一筛选结果和所述第二筛选结果得到最终筛选结果。

可选地，所述获取模块包括：

健康度获取单元，用于获取所述时段内前x天的电池健康度和所述时段内末尾x天的电池健康度；所述x为正整数，所述x少于所述目标时长包含的总天数；

健康度统计单元，用于根据所述时段内前x天的电池健康度计算均值作为第一电池健康度，并根据所述时段内末尾x天的电池健康度计算均值作为第二电池健康度；

衰减幅度确定单元，用于将所述第二电池健康度和所述第一电池健康度的差值作为所述目标时段内的电池健康度的实际衰减幅度。

相较于现有技术，本申请具有以下有益效果：

在本申请提供的技术方案中，获取在目标时长的时段内的车辆数据和车辆的电池健康度的衰减幅度；对车辆数据进行特征提取，得到特征集合；特征集合中的特征对应于电池健康度的影响因素；根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型；在电池健康度影响因素分析模型训练完毕后，基于电池健康度影响因素分析模型和样本数据中的特征的期望梯度，分析在时段内对电池健康度的关键影响因素。通过该模型能够帮助用户、生产方从多个可能的影响因素中分析出对电池健康度的关键影响因素，从而便于用户改善电池使用习惯，辅助生产方优化电池。由于关键影响因素的分析是基于特征的期望梯度进行的，因此能够以局部解释全局的方式通过计算真实值的梯度来量化各特征的重要性，针对整个样本集进行计算获取全局特征重要性。使分析结果具有更高的可信度和指导意义。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种电池健康度影响因素的分析方法的流程图；

图2为本申请实施例提供的一种训练电池健康度影响因素分析模型的示意图；

图3为本申请实施例提供的一种电池健康度影响因素的分析装置的结构示意图。

具体实施方式

正如前文描述，目前可能造成电池健康度发生衰减的影响因素可能有很多种，例如电池充放电的深度、电池静置时长、工作温度等。对于这些因素，尽管猜测其对电池健康度有所影响，但是无法明确究竟哪一种因素对于电池健康度衰减的影响最为关键。在不具备准确结论的前提下，难以指导用户进行使用习惯的修改或者指导生产方进一步优化电池。

有鉴于此，发明人提出了一种利用电池健康度影响因素分析模型进行影响因素分析的技术方案。通过所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型，通过期望梯度对电池健康度的衰减进行归因解释，实现对于关键影响因素的分析与明确。从而帮助用户、生产方分析对电池健康度的关键影响因素。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

参见图1，该图为本申请实施例提供的一种电池健康度影响因素的分析方法的流程图。如图1所示的电池健康度影响因素分析方法包括：

步骤101、获取在目标时长的时段内的车辆数据和车辆的电池健康度的衰减幅度。

本申请实施例中，目标时长可以由人为设定，例如设定目标时长为3个月或者90天等，具体的时长随实际需求设定。需要说明的是，目标时长不宜过短，例如设置为20天，因为过短的时段内电池健康度的衰减幅度可能并不明显，相关的车辆数据也不易于分析出关键影响因素。

在一种可选实现方式中，来自不同车辆的车辆数据只要所属的时段的时长为目标时长均可以采用。例如，车辆A的数据来自3-5月，车辆B的数据来自8-10月。这些数据所属时段的时长都是3个月。

在一种可能的实现方式中，车辆数据来自于同一车型的车辆，这样训练出的模型的分析准确度更高。

车辆数据包括在整段目标时长的时段内车辆与电池有关的数据。这些数据可包括电池工作时间(充放电时)采集的数据和静置时间采集的数据。作为示例，车辆数据包括了可能对电池健康度有所影响的多个类型的影响因素。在此阶段，贡献较高的影响因素暂时无法确定。可选地，多个类型的影响因素包括以下至少两种：

车辆行驶里程、探针温度、充电深度、放电深度、静置时长、静置温度、电池工作电流、电池工作电压、电池工作的荷电状态或静置状态下的电池荷电状态。其中探针位于车辆的电池包，用于探测温度。

下面介绍一种获取在目标时长的时段内车辆的电池健康度的衰减幅度示例实现方式。在该实现方式中包括如下步骤：

获取时段内前x天的电池健康度和时段内末尾x天的电池健康度；根据时段内前x天的电池健康度计算均值作为第一电池健康度，并根据时段内末尾x天的电池健康度计算均值作为第二电池健康度；将第二电池健康度和第一电池健康度的差值作为目标时段内的电池健康度的实际衰减幅度。其中，x为正整数，x少于目标时长包含的总天数。x的数值可以根据实际需求进行设置，此处不做数值限定。例如可以设为5天，8天，10天等。

举例而言，目标时长是3个月，x取值为10，即是获取3个月内前10天的电池健康度，并获取其10天的均值记为第一电池健康度；并获取3个月内后10天的电池健康度，获得其10天的均值记为第二电池健康度；最终将第二电池健康度和第一电池健康度做减法运算得到数值作为电池健康度的衰减幅度(即电池健康度的变化量)。通过以上方式运算得到的衰减幅度考虑到了单日测得的电池健康度可能存在的误差，以多日计算平均值的方式，不但考虑到了电池健康度在前期和后期的多日的情况，更加完善，还降低了不准确数据的影响。

步骤102、对车辆数据进行特征提取，得到特征集合；特征集合中的特征对应于电池健康度的影响因素。

在实际应用中，车辆数据中涉及到的数据类型比较多，难以直接用来训练神经网络模型。通过提取特征可以使数据降维，对数据做出有选择的筛选。需要特别说明的是，在本申请实施例中特征不是指数据的名称或者标签含义，而是指拥有此项特征的数据。举例而言，年龄作为一项特征，但是特征不是“年龄”两个字的标签，而是具有该年龄含义的数值，例如16岁，17岁等。

特征提取方式有多种，下面示例性地介绍本步骤的一种可选的实现方式：

首先获取车辆数据中各类型的影响因素的统计指标作为特征，构建出第一特征集合。举例而言，各类型的影响因素的统计指标包括以下至少一种：同一类型的影响因素的最大值、最小值、均值、分位数或标准差。

接着从第一特征集合中进行特征筛选，利用筛选出的特征构建得到第二特征集合。从第一特征集合中进行特征筛选的方式也有很多种，例如可以基于树模型的算法(例如XGBoost，LightGBM等)进行筛选，也可以基于相关性分析法(例如spearman斯皮尔曼相关性系数矩阵)进行筛选。在筛选过程中，考虑到第一特征集合本身，还要考虑到前面提到的电池健康度的衰减幅度。

具体实现时，对于第一特征集合，基于电池健康度的衰减幅度，通过树模型的算法从第一特征集合中进行特征筛选；或者，根据第一特征集合中特征与电池健康度的衰减幅度的相关性，通过相关性分析法从第一特征集合中进行特征筛选；或者，基于电池健康度的衰减幅度，通过树模型的算法从第一特征集合中进行特征筛选得到第一筛选结果，并根据第一特征集合中特征与电池健康度的衰减幅度的相关性，通过相关性分析法从第一特征集合中进行特征筛选得到第二筛选结果，根据第一筛选结果和第二筛选结果得到最终筛选结果。最后一种实现方式中可以参考两种筛选结果中重合的特征构建第二特征集合，或者求并集列入第二特征集合中。

在已知两部分有关联的数据的前提下，通过树模型对一部分数据进行筛选，或者通过相关性系数矩阵对其中一部分数据筛选，属于比较成熟的技术。故此处不做赘述。

步骤103、根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型。

在所述样本数据中，所述电池健康度的衰减幅度作为所述特征集合的数据标签。

下面结合图2对电池健康度影响因素分析模型的训练过程进行介绍。图2为本申请实施例提供的一种训练电池健康度影响因素分析模型的示意图。如图2所示，准备好步骤101获得的电池健康度的衰减幅度作为模型训练的数据标签，准备好步骤102获得的特征集合，构建模型训练的样本数据。通过这两样内容对模型进行训练。模型基于输入的特征，输出预测的电池健康度的衰减幅度。通过将输出的预测值与数据标签进行比较，能够得到损失值。基于损失值可以对模型的系数进行调整，以促使模型具备更加准确的预测效果。

需要说明的是，本申请实施例训练模型的主要目的并不是收获一个准确的电池健康度衰减幅度的预测值，而是以训练完成的模型去对所输入的特征对应的影响因素进行归因解释。这就要求训练的模型具备可解释可分析出对电池健康度的衰减幅度关键影响因素的特性。

本申请实施例中提出了一种调整模型损失函数的实现方案。模型的训练过程为多次迭代训练的过程。在此过程中，每一次迭代都能够获得特征对电池健康度的衰减幅度的贡献，这一贡献是针对单一参照样本的情况下进行扰动，与最后一步采用参照样本集合扰动的方式不同，这样的目的是加快训练速度，提升训练效率，同时被证明可以在进行批训练的时候可以达到接近无偏的效果。得到的贡献可以作为正则项，正则项则可以构建下一次迭代训练的损失函数。

举例而言，根据第n次迭代训练电池健康度影响因素分析模型提取到的各特征对电池健康度的衰减幅度的贡献作为正则项，构建第n+1次迭代训练对应的损失函数；n为正整数；通过第n+1次迭代训练对应的损失函数和样本数据获得第n+1次迭代训练的损失值，基于损失值，对电池健康度影响因素分析模型进行第n+1次迭代训练。首次迭代使用的损失函数可以采用默认的特征贡献作为正则项的损失函数，在逐次迭代中基于当次训练的特征贡献不断完善损失函数。各个特征作为输入联合构成正则项加入到损失函数中进行训练，这样做的目的不仅仅会帮助提升模型的训练效果，同时会提升特征重要性的效果，提供高质量的特征归因。

相比梯度积分，期望梯度避免使用了固定参考，而是采取从样本数据训练集中随机抽取的方式来进行计算，计算方式大致分为三步，首先第一步从训练集中随机采样，同时随机从(0，1)区间U中采样作为α的值。第二步，对于每个样本计算期望值。第三步，计算所有样本期望值的均值。执行上述步骤，是因为期望梯度是每一个样本中的期望梯度，计算完单一样本的特征贡献之后(局部)，还需要将所有样本进行平均来计算一个全局的特征贡献，即第三步。公式如下：

公式中，α表示从(0，1)区间U内的随机采样值，D代表训练集，x_i代表测试集中的第i个特征；x’测试集中的第i个特征x_i在训练集D中对应的特征，其作为x_i的参考特征。在上述公式中

代表特征x_i的梯度，(x_i-x')代表x_i与参考特征x’的距离；EG_i(x)代表测试集中的第i个特征的贡献(期望梯度)。需要说明的是，公式中所代表的训练集和测试集的角色可以对调，例如，以训练集的第i个特征求取特征贡献，参考特征选择测试集。

期望梯度满足一致性，敏感性，共线性，完整性以及对称性。

当后续迭代的损失值满足要求，表示模型收敛，可以完成对模型的训练。

步骤104、在电池健康度影响因素分析模型训练完毕后，基于电池健康度影响因素分析模型和样本数据中的特征的期望梯度，分析在时段内对电池健康度的关键影响因素。

在前面步骤103完成了对于模型的训练。训练完毕后，即需要使用该模型来进行关键影响因素的分析。训练得到的电池健康度影响因素分析模型并不会直接输出关键影响因素，而是其模型特性作为关键影响因素的分析基础。

在分析使用该电池健康度影响因素分析模型时，将样本数据的特征输入电池健康度影响因素分析模型中；从电池健康度影响因素分析模型中，提取样本数据中各特征对电池健康度影响因素分析模型的输出的贡献；根据各特征对电池健康度影响因素分析模型的输出的贡献，以及特征与影响因素之间的对应关系，分析在时段内对电池健康度的关键影响因素。

具体而言，在实现时可以提取各特征对电池健康度影响因素分析模型的输出的贡献，这些贡献是可以通过期望梯度进行量化的，从而区别出贡献的相对大小。接着可以通过比较贡献的相对大小，从中确定出贡献最大的一个或者几个特征。前面提到，特征与影响因素是具有对应关系的。因此，在此基础上，可以根据确定出的贡献最大的一个或者几个特征，确定出对于电池健康度的关键影响因素。

以上介绍的电池健康度影响因素的分析方法，通过模型能够帮助用户、生产方从多个可能的影响因素中分析出对电池健康度的关键影响因素，从而便于用户改善电池使用习惯，辅助生产方优化电池。由于关键影响因素的分析是基于特征的期望梯度进行的，因此能够以局部解释全局的方式通过计算真实值的梯度来量化各特征的重要性，针对整个样本集进行计算获取全局特征重要性。使分析结果具有更高的可信度和指导意义。

在一种可选的实现方式中，提取特征得到的特征集合构建样本数据，可以划分为训练集和测试集两部分。其中，训练集和测试集的数据类型相同。对于上述训练集和测试集的使用阶段，可以有多种不同的实现方式。例如，将训练集用于模型训练阶段，将测试集用于模型的使用和归因解释阶段。或者，将测试集用于模型训练阶段，将训练集用于模型的使用和归因解释阶段。需要说明的是，由于在此方案中，训练集和测试集一者作为另一者的背景，为了减少数据扰动，尽量避免同时使用训练集和测试集在同一阶段。

因此，根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型，包括：

将训练集中的特征或测试集中的特征作为模型训练阶段的输入，将电池健康度的衰减幅度作为数据标签，训练电池健康度影响因素分析模型。此即为模型训练阶段的数据使用。

此外，基于电池健康度影响因素分析模型和样本数据中的特征的期望梯度，分析在时段内对电池健康度的关键影响因素，包括：

基于电池健康度影响因素分析模型和训练集中的特征的期望梯度分析在时段内对电池健康度的关键影响因素；或者，基于电池健康度影响因素分析模型和测试集中的特征的期望梯度分析在时段内对电池健康度的关键影响因素。此即为模型使用和归因解释阶段的数据使用。并且，同一波数据即可以参与模型的训练阶段，也可以参与模型的使用和归因解释阶段。

在前述实施例介绍的电池健康度影响因素的分析方法基础上，相应地，本申请还提供了一种电池健康度影响因素的分析装置。图3为该装置的一种示例结构示意图。如图3所示的电池健康度影响因素的分析装置300，包括：

获取模块301，用于获取在目标时长的时段内的车辆数据和车辆的电池健康度的衰减幅度；

特征提取模块302，用于对所述车辆数据进行特征提取，得到特征集合；所述特征集合中的特征对应于电池健康度的影响因素；

训练模块303，用于根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型；在所述样本数据中，所述电池健康度的衰减幅度作为所述特征集合的数据标签；

分析模块304，用于在所述电池健康度影响因素分析模型训练完毕后，基于所述电池健康度影响因素分析模型和所述样本数据中的特征的期望梯度，分析在所述时段内对电池健康度的关键影响因素。

可选地，所述电池健康度影响因素分析模型的训练过程为迭代过程；训练模块303，包括：

损失函数构建单元，用于根据第n次迭代训练所述电池健康度影响因素分析模型提取到的各特征对所述电池健康度的衰减幅度的贡献作为正则项，构建第n+1次迭代训练对应的损失函数；所述n为正整数；

迭代训练单元，用于通过第n+1次迭代训练对应的损失函数和所述样本数据，对所述电池健康度影响因素分析模型进行第n+1次迭代训练。

可选地，分析模块304，包括：

输入单元，用于将所述样本数据输入所述电池健康度影响因素分析模型中；

特征贡献提取单元，用于从所述电池健康度影响因素分析模型中，提取所述样本数据中各特征对所述电池健康度影响因素分析模型的输出的贡献；

影响因素分析单元，用于根据各特征对所述电池健康度影响因素分析模型的输出的贡献，以及特征与影响因素之间的对应关系，分析在所述时段内对电池健康度的关键影响因素。

可选地，所述样本数据包括：训练集和测试集；所述训练集和所述测试集的数据类型相同；

所述训练模块303用于将所述训练集中的特征或所述测试集中的特征作为模型训练阶段的输入，将所述电池健康度的衰减幅度作为数据标签，训练电池健康度影响因素分析模型；

所述分析模块304用于基于所述电池健康度影响因素分析模型和所述训练集中的特征的期望梯度分析在所述时段内对电池健康度的关键影响因素；或者，基于所述电池健康度影响因素分析模型和所述测试集中的特征的期望梯度分析在所述时段内对电池健康度的关键影响因素。

可选地，所述车辆数据包括多个类型的影响因素；所述特征提取模块302包括：

特征集合构建单元，用于获取所述车辆数据中各类型的影响因素的统计指标作为特征，构建出第一特征集合；

特征提取单元，用于从所述第一特征集合中进行特征筛选，利用筛选出的特征构建得到第二特征集合。

可选地，特征提取单元具体用于：

基于所述电池健康度的衰减幅度，通过树模型的算法从所述第一特征集合中进行特征筛选；或者，

根据所述第一特征集合中特征与所述电池健康度的衰减幅度的相关性，通过相关性分析法从所述第一特征集合中进行特征筛选；或者，

基于所述电池健康度的衰减幅度，通过树模型的算法从所述第一特征集合中进行特征筛选得到第一筛选结果，并根据所述第一特征集合中特征与所述电池健康度的衰减幅度的相关性，通过相关性分析法从所述第一特征集合中进行特征筛选得到第二筛选结果，根据所述第一筛选结果和所述第二筛选结果得到最终筛选结果。

可选地，所述获取模块301包括：

健康度获取单元，用于获取所述时段内前x天的电池健康度和所述时段内末尾x天的电池健康度；所述x为正整数，所述x少于所述目标时长包含的总天数；

健康度统计单元，用于根据所述时段内前x天的电池健康度计算均值作为第一电池健康度，并根据所述时段内末尾x天的电池健康度计算均值作为第二电池健康度；

衰减幅度确定单元，用于将所述第二电池健康度和所述第一电池健康度的差值作为所述目标时段内的电池健康度的实际衰减幅度。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种电池健康度影响因素的分析方法，其特征在于，包括：

获取在目标时长的时段内的车辆数据和车辆的电池健康度的衰减幅度；

对所述车辆数据进行特征提取，得到特征集合；所述特征集合中的特征对应于电池健康度的影响因素；

根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型；在所述样本数据中，所述电池健康度的衰减幅度作为所述特征集合的数据标签；

在所述电池健康度影响因素分析模型训练完毕后，基于所述电池健康度影响因素分析模型和所述样本数据中的特征的期望梯度，分析在所述时段内对电池健康度的关键影响因素。

2.根据权利要求1所述的方法，其特征在于，所述电池健康度影响因素分析模型的训练过程为迭代过程；所述根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型，包括：

根据第n次迭代训练所述电池健康度影响因素分析模型提取到的各特征对所述电池健康度的衰减幅度的贡献作为正则项，构建第n+1次迭代训练对应的损失函数；所述n为正整数；

通过第n+1次迭代训练对应的损失函数和所述样本数据，对所述电池健康度影响因素分析模型进行第n+1次迭代训练。

3.根据权利要求1所述的方法，其特征在于，所述基于所述电池健康度影响因素分析模型和所述样本数据中的特征的期望梯度，分析在所述时段内对电池健康度的关键影响因素，包括：

将所述样本数据输入所述电池健康度影响因素分析模型中；

从所述电池健康度影响因素分析模型中，提取所述样本数据中各特征对所述电池健康度影响因素分析模型的输出的贡献；

根据各特征对所述电池健康度影响因素分析模型的输出的贡献，以及特征与影响因素之间的对应关系，分析在所述时段内对电池健康度的关键影响因素。

4.根据权利要求1所述的方法，其特征在于，所述样本数据包括：训练集和测试集；所述训练集和所述测试集的数据类型相同；

所述根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型，包括：

将所述训练集中的特征或所述测试集中的特征作为模型训练阶段的输入，将所述电池健康度的衰减幅度作为数据标签，训练电池健康度影响因素分析模型；

所述基于所述电池健康度影响因素分析模型和所述样本数据中的特征的期望梯度，分析在所述时段内对电池健康度的关键影响因素，包括：

基于所述电池健康度影响因素分析模型和所述训练集中的特征的期望梯度分析在所述时段内对电池健康度的关键影响因素；或者，基于所述电池健康度影响因素分析模型和所述测试集中的特征的期望梯度分析在所述时段内对电池健康度的关键影响因素。

5.根据权利要求1所述的方法，其特征在于，所述车辆数据包括多个类型的影响因素；所述对所述车辆数据进行特征提取，得到特征集合，包括：

获取所述车辆数据中各类型的影响因素的统计指标作为特征，构建出第一特征集合；

从所述第一特征集合中进行特征筛选，利用筛选出的特征构建得到第二特征集合。

6.根据权利要求5所述的方法，其特征在于，从所述第一特征集合中进行特征筛选，包括：

基于所述电池健康度的衰减幅度，通过树模型的算法从所述第一特征集合中进行特征筛选；或者，

根据所述第一特征集合中特征与所述电池健康度的衰减幅度的相关性，通过相关性分析法从所述第一特征集合中进行特征筛选；或者，

基于所述电池健康度的衰减幅度，通过树模型的算法从所述第一特征集合中进行特征筛选得到第一筛选结果，并根据所述第一特征集合中特征与所述电池健康度的衰减幅度的相关性，通过相关性分析法从所述第一特征集合中进行特征筛选得到第二筛选结果，根据所述第一筛选结果和所述第二筛选结果得到最终筛选结果。

7.根据权利要求5或6所述的方法，其特征在于，所述多个类型的影响因素包括以下至少两种：

车辆行驶里程、探针温度、充电深度、放电深度、静置时长、静置温度、电池工作电流、电池工作电压、电池工作的荷电状态或静置状态下的电池荷电状态。

8.根据权利要求5或6所述的方法，其特征在于，所述各类型的影响因素的统计指标包括以下至少一种：

同一类型的影响因素的最大值、最小值、均值、分位数或标准差。

9.根据权利要求1所述的方法，其特征在于，所述获取在目标时长的时段内车辆的电池健康度的衰减幅度，包括：

获取所述时段内前x天的电池健康度和所述时段内末尾x天的电池健康度；所述x为正整数，所述x少于所述目标时长包含的总天数；

根据所述时段内前x天的电池健康度计算均值作为第一电池健康度，并根据所述时段内末尾x天的电池健康度计算均值作为第二电池健康度；

将所述第二电池健康度和所述第一电池健康度的差值作为所述目标时段内的电池健康度的实际衰减幅度。

10.一种电池健康度影响因素的分析装置，其特征在于，包括：

获取模块，用于获取在目标时长的时段内的车辆数据和车辆的电池健康度的衰减幅度；

特征提取模块，用于对所述车辆数据进行特征提取，得到特征集合；所述特征集合中的特征对应于电池健康度的影响因素；

训练模块，用于根据所述特征集合和所述电池健康度的衰减幅度构建样本数据，训练电池健康度影响因素分析模型；在所述样本数据中，所述电池健康度的衰减幅度作为所述特征集合的数据标签；

分析模块，用于在所述电池健康度影响因素分析模型训练完毕后，基于所述电池健康度影响因素分析模型和所述样本数据中的特征的期望梯度，分析在所述时段内对电池健康度的关键影响因素。

Images