CN115616408A - 电池热管理数据处理方法及系统 - Google Patents

Abstract

本发明提供的电池热管理数据处理方法及系统，涉及数据处理技术领域。在本发明中，采集到目标电池对应的多条历史电池热管理数据；依据多条历史电池热管理数据之间的数据相关关系，对多条历史电池热管理数据进行整合处理，以形成多条历史电池热管理数据对应的历史数据分布阵列，历史数据分布阵列包括多行历史电池热管理数据和多列历史电池热管理数据；利用目标电池寿命预测神经网络，对历史数据分布阵列进行分析处理，以输出目标电池对应的电池寿命预测值。基于上述方法，可以在一定程度上提高电池热管理数据处理的可靠度。

Description

电池热管理数据处理方法及系统

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种电池热管理数据处理方法及系统。

背景技术

电池的热管理数据一般是指记录电池的工作过程中的各个时刻或时段的温度值，其中，电池的热管理数据具有较多的应用，例如，可以用于对充电电流进行管控，还可以用于对电池的寿命进行分析。但是，在现有技术中，一般仅仅是基于对热管理数据进行异常分析，以确定出异常温度的数量和频次等参数，再基于该参数确定出电池的预估寿命，如此，就存在分析的可靠度不佳问题，即电池热管理数据处理的可靠度不佳的问题。

发明内容

有鉴于此，本发明的目的在于提供一种电池热管理数据处理方法及系统，以在一定程度上提高电池热管理数据处理的可靠度。

为实现上述目的，本发明实施例采用如下技术方案：

一种电池热管理数据处理方法，包括：

采集到目标电池对应的多条历史电池热管理数据，每一条所述历史电池热管理数据基于在历史上对所述目标电池进行热管理监控得到，且每一条历史电池热管理数据至少包括所述目标电池在两个维度的数据；

依据所述多条历史电池热管理数据之间的数据相关关系，对所述多条历史电池热管理数据进行整合处理，以形成所述多条历史电池热管理数据对应的历史数据分布阵列，所述历史数据分布阵列包括多行历史电池热管理数据和多列历史电池热管理数据，每一行的历史电池热管理数据的数量大于1，每一列的历史电池热管理数据的数量大于1；

利用目标电池寿命预测神经网络，对所述历史数据分布阵列进行分析处理，以输出所述目标电池对应的电池寿命预测值。

在一些优选的实施例中，在上述电池热管理数据处理方法中，所述采集到目标电池对应的多条历史电池热管理数据的步骤，包括：

采集到目标电池对应的多条原始历史电池热管理数据，每一条所述原始历史电池热管理数据包括温度维度对应的历史电池温度数据和体积维度对应的历史电池体积数据；

对所述多条原始历史电池热管理数据进行数据对应关系确定处理，以输出所述多条原始历史电池热管理数据对应的目标温度体积对应关系；

依据所述目标温度体积对应关系，对所述多条原始历史电池热管理数据进行异常分析处理，以标记出所述多条原始历史电池热管理数据中的每一条异常原始历史电池热管理数据，在存在多条异常原始历史电池热管理数据的情况下，任意两条异常原始历史电池热管理数据在时间是不相邻；

将所述多条原始历史电池热管理数据中的每一条异常原始历史电池热管理数据筛除，以得到所述目标电池对应的多条历史电池热管理数据。

在一些优选的实施例中，在上述电池热管理数据处理方法中，所述依据所述多条历史电池热管理数据之间的数据相关关系，对所述多条历史电池热管理数据进行整合处理，以形成所述多条历史电池热管理数据对应的历史数据分布阵列的步骤，包括：

依据对应的采集时间，对所述多条历史电池热管理数据进行排序处理，以所述多条历史电池热管理数据对应的数据排序序列；

分别依据多个预设序列长度中的每一个预设序列长度，对所述数据排序序列进行分割处理，以形成所述多个预设序列长度对应的多个子序列集合，对于所述多个子序列集合中的每一个所述子序列集合，该序列集合包括多个子数据排序序列，该多个子数据排序序列中的每一个子数据排序序列的序列长度等于该子序列集合对应的预设序列长度；

对于所述多个子序列集合中的每一个所述子序列集合，分别对该子序列集合包括的每一个子数据排序序列进行体积变化关系的确定处理，所述体积变化关系用于反映对应的子数据排序序列中各历史电池热管理数据包括的历史电池体积数据基于对应的采集时间形成的体积变化；

对于所述多个子序列集合中的每一个所述子序列集合，对该子序列集合包括的每两个相邻的子数据排序序列对应的体积变化关系进行关系相关度的确定处理，再对该子序列集合包括的每两个相邻的子数据排序序列对应的体积变化关系之间的关系相关度进行均值计算，以输出该子序列集合对应的关系相关度均值，以及，依据所述多个子序列集合中的每一个所述子序列集合对应的关系相关度均值，筛选出目标子序列集合；

基于所述目标子序列集合包括的多个子数据排序序列，构建形成所述多条历史电池热管理数据对应的历史数据分布阵列，在所述历史数据分布阵列中，一行历史数据分布阵列与一个子数据排序序列一致。

在一些优选的实施例中，在上述电池热管理数据处理方法中，所述利用目标电池寿命预测神经网络，对所述历史数据分布阵列进行分析处理，以输出所述目标电池对应的电池寿命预测值的步骤，包括：

对所述历史数据分布阵列进行数据挖掘操作，以输出用于代表所述历史数据分布阵列的阵列挖掘结果代表向量，所述历史数据分布阵列包括至少两个历史数据分布阵列区域，所述阵列挖掘结果代表向量包括至少两个阵列区域挖掘结果代表向量，一个所述历史数据分布阵列区域与一个所述阵列区域挖掘结果代表向量对应；

分别分析出所述至少两个阵列区域挖掘结果代表向量中的每一个阵列区域挖掘结果代表向量对应的向量影响力表征参数，再基于对应的所述向量影响力表征参数对所述至少两个阵列区域挖掘结果代表向量进行向量融合操作，以输出对应的融合阵列区域挖掘结果代表向量；

对所述至少两个阵列区域挖掘结果代表向量进行分类筛选操作，以输出至少两个代表向量分类集合分别包括的筛选阵列区域挖掘结果代表向量，再基于所述至少两个代表向量分类集合和预先配置的非稠密数据分布阵列，分析输出每一个所述筛选阵列区域挖掘结果代表向量对应的非稠密向量全局影响力，以及，基于分析出的至少两个所述非稠密向量全局影响力形成对应的非稠密数据代表向量，一个所述筛选阵列区域挖掘结果代表向量对应的非稠密向量全局影响力依据对应的代表向量分类集合中的筛选阵列区域挖掘结果代表向量形成；

利用目标电池寿命预测神经网络，并基于所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行分析处理，以输出所述历史数据分布阵列对应的电池寿命预测值。

在一些优选的实施例中，在上述电池热管理数据处理方法中，所述对所述历史数据分布阵列进行数据挖掘操作，以输出用于代表所述历史数据分布阵列的阵列挖掘结果代表向量的步骤，包括：

检测出所述历史数据分布阵列中的阵列边缘部分和阵列中间部分；

基于所述阵列边缘部分和所述阵列中间部分对所述历史数据分布阵列进行阵列区域划分操作，以形成对应的初始阵列中间部分；

基于预先配置的区域调整参数对所述初始阵列中间部分进行区域尺寸调整操作，以形成对应的目标阵列中间部分；

基于预先配置的历史数据分布阵列区域行数目和历史数据分布阵列区域列数目，对所述目标阵列中间部分进行区域分割操作，以形成对应的至少两个历史数据分布阵列区域，所述历史数据分布阵列区域行数目小于所述目标阵列中间部分的行数目，所述历史数据分布阵列区域列数目小于所述目标阵列中间部分的列数目；

对所述至少两个历史数据分布阵列区域分别进行阵列区域数据挖掘操作，以输出所述至少两个历史数据分布阵列区域中的每一个历史数据分布阵列区域对应的阵列区域挖掘结果代表向量，再基于所述至少两个历史数据分布阵列区域分别对应的阵列区域挖掘结果代表向量形成所述历史数据分布阵列对应的阵列挖掘结果代表向量。

在一些优选的实施例中，在上述电池热管理数据处理方法中，所述利用目标电池寿命预测神经网络，并基于所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行分析处理，以输出所述历史数据分布阵列对应的电池寿命预测值的步骤，包括：

将所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量加载到目标电池寿命预测神经网络包括的预测模型中，所述预测模型包括数据聚合子模型和数据预测子模型；

利用所述数据聚合子模型，对所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行数据聚合操作，以输出对应的数据聚合代表向量，以及，利用所述数据预测子模型，对所述数据聚合代表向量进行寿命预测操作，以输出所述历史数据分布阵列对应的电池寿命预测值。

在一些优选的实施例中，在上述电池热管理数据处理方法中，还包括更新形成所述目标电池寿命预测神经网络的步骤，该步骤包括：

对提取出的典型历史数据分布阵列进行数据挖掘操作，以输出用于代表所述典型历史数据分布阵列的典型阵列挖掘结果代表向量，所述典型历史数据分布阵列包括至少两个典型历史数据分布阵列区域，所述典型阵列挖掘结果代表向量包括至少两个典型阵列区域挖掘结果代表向量，一个典型历史数据分布阵列区域与一个典型阵列区域挖掘结果代表向量对应；

将所述至少两个典型历史数据分布阵列区域加载到待处理电池寿命预测神经网络中，以利用所述待处理电池寿命预测神经网络，分别分析出所述至少两个典型阵列区域挖掘结果代表向量中的每一个典型阵列区域挖掘结果代表向量对应的典型向量影响力表征参数，再基于对应的所述典型向量影响力表征参数，对所述至少两个典型阵列区域挖掘结果代表向量进行向量融合操作，以输出对应的典型融合阵列区域挖掘结果代表向量；

利用所述待处理电池寿命预测神经网络，对所述至少两个典型阵列区域挖掘结果代表向量进行分类筛选操作，以输出至少两个典型代表向量分类集合分别包括的典型筛选阵列区域挖掘结果代表向量，再基于所述至少两个典型代表向量分类集合和预先配置的非稠密数据分布阵列，分析输出每一个所述典型筛选阵列区域挖掘结果代表向量对应的典型非稠密向量全局影响力，以及，基于分析出的至少两个所述典型非稠密向量全局影响力形成对应的典型非稠密数据代表向量，一个所述典型筛选阵列区域挖掘结果代表向量对应的典型非稠密向量全局影响力依据对应的典型代表向量分类集合中的典型筛选阵列区域挖掘结果代表向量形成；

利用所述待处理电池寿命预测神经网络，并基于所述典型融合阵列区域挖掘结果代表向量和所述典型非稠密数据代表向量分析输出所述典型历史数据分布阵列对应的典型电池寿命预测值；

基于所述至少两个典型代表向量分类集合、所述至少两个典型阵列区域挖掘结果代表向量分别对应的向量影响力表征参数、所述典型电池寿命预测值和所述典型历史数据分布阵列对应的电池寿命真实值，对所述待处理电池寿命预测神经网络进行网络优化操作，以形成对应的目标电池寿命预测神经网络。

在一些优选的实施例中，在上述电池热管理数据处理方法中，所述基于所述至少两个典型代表向量分类集合、所述至少两个典型阵列区域挖掘结果代表向量分别对应的向量影响力表征参数、所述典型电池寿命预测值和所述典型历史数据分布阵列对应的电池寿命真实值，对所述待处理电池寿命预测神经网络进行网络优化操作，以形成对应的目标电池寿命预测神经网络的步骤，包括：

基于所述至少两个典型代表向量分类集合和所述至少两个典型阵列区域挖掘结果代表向量分别对应的典型向量影响力表征参数，分析出对应的相对熵学习代价值；

基于所述典型电池寿命预测值和所述典型历史数据分布阵列对应的电池寿命真实值，分析出对应的预测学习代价值；

对所述相对熵学习代价值和所述预测学习代价值融合，以输出对应的目标学习代价值，再基于所述目标学习代价值对所述待处理电池寿命预测神经网络进行网络优化操作，以形成对应的目标电池寿命预测神经网络。

在一些优选的实施例中，在上述电池热管理数据处理方法中，所述基于所述至少两个典型代表向量分类集合和所述至少两个典型阵列区域挖掘结果代表向量分别对应的典型向量影响力表征参数，分析出对应的相对熵学习代价值的步骤，包括：

分别将所述至少两个典型代表向量分类集合中的每一个典型代表向量分类集合包括的典型阵列区域挖掘结果代表向量，标记为第一典型阵列区域挖掘结果代表向量；

提取出由所述第一典型阵列区域挖掘结果代表向量对应的典型向量影响力表征参数形成的目标向量影响力阵列；对所述目标向量影响力阵列进行阵列数据转换操作，已输出对应的转换目标向量影响力阵列；对所述第一典型阵列区域挖掘结果代表向量的数量对应的向量影响力均匀分布阵列进行标记处理，以标记形成向量影响力阵列对比结果；分别基于对应的所述转换目标向量影响力阵列和所述向量影响力阵列对比结果，分析出每一个所述典型代表向量分类集合对应的第一相对熵学习代价值；

将每一个所述典型代表向量分类集合对应的第一相对熵学习代价值进行融合，分析出对应的相对熵学习代价值。

本发明实施例还提供一种电池热管理数据处理系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的电池热管理数据处理方法。

本发明实施例提供的一种电池热管理数据处理方法及系统，采集到目标电池对应的多条历史电池热管理数据；依据多条历史电池热管理数据之间的数据相关关系，对多条历史电池热管理数据进行整合处理，以形成多条历史电池热管理数据对应的历史数据分布阵列，历史数据分布阵列包括多行历史电池热管理数据和多列历史电池热管理数据；利用目标电池寿命预测神经网络，对历史数据分布阵列进行分析处理，以输出目标电池对应的电池寿命预测值。基于前述的内容，通过神经网络对整合后的历史电池热管理数据进行分析处理，可以利用神经网络的高精度数据分析能力，实现对电池寿命的可靠预测，可以在一定程度上提高电池热管理数据处理的可靠度；另外，由于每一条历史电池热管理数据至少包括目标电池在两个维度的数据，相较于现有技术中仅依靠温度一个维度的数据进行分析的方案，可以使得分析依据进一步提高，保障电池热管理数据处理的可靠度。

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

图1为本发明实施例提供的电池热管理数据处理系统的结构框图。

图2为本发明实施例提供的电池热管理数据处理方法包括的各步骤的流程示意图。

图3为本发明实施例提供的电池热管理数据处理装置包括的各模块的示意图。

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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。其中，机器学习(MachineLearning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

如图1所示，本发明实施例提供了一种电池热管理数据处理系统。其中，所述电池热管理数据处理系统可以包括存储器和处理器。

详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例（如后文所述）提供的电池热管理数据处理方法。

举例来说，在一些可行的示例中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（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。

举例来说，在一些可行的示例中，图1所示的结构仅为示意，所述电池热管理数据处理系统还可包括比图1中所示更多或者更少的组件，或具有与图1所示不同的配置，例如，可以包括用于信息交互的通信单元。

举例来说，在一些可行的示例中，所述电池热管理数据处理系统可以是一种具备数据处理能力的服务器。

结合图2，本发明实施例还提供一种电池热管理数据处理方法，可应用于上述电池热管理数据处理系统。其中，所述电池热管理数据处理方法有关的流程所定义的方法步骤，可以由所述电池热管理数据处理系统实现。

下面将对图2所示的具体流程，进行详细阐述。

步骤P110，采集到目标电池对应的多条历史电池热管理数据。

在本发明实施例中，所述电池热管理数据处理系统可以采集到目标电池对应的多条历史电池热管理数据。每一条所述历史电池热管理数据基于在历史上对所述目标电池进行热管理监控得到，且每一条历史电池热管理数据至少包括所述目标电池在两个维度的数据。

步骤P120，依据所述多条历史电池热管理数据之间的数据相关关系，对所述多条历史电池热管理数据进行整合处理，以形成所述多条历史电池热管理数据对应的历史数据分布阵列。

在本发明实施例中，所述电池热管理数据处理系统可以依据所述多条历史电池热管理数据之间的数据相关关系，对所述多条历史电池热管理数据进行整合处理，以形成所述多条历史电池热管理数据对应的历史数据分布阵列。所述历史数据分布阵列包括多行历史电池热管理数据和多列历史电池热管理数据，每一行的历史电池热管理数据的数量大于1，每一列的历史电池热管理数据的数量大于1（即多行多列，可以呈矩阵分布）。

步骤P130，利用目标电池寿命预测神经网络，对所述历史数据分布阵列进行分析处理，以输出所述目标电池对应的电池寿命预测值。

在本发明实施例中，所述电池热管理数据处理系统可以利用目标电池寿命预测神经网络，对所述历史数据分布阵列进行分析处理，以输出所述目标电池对应的电池寿命预测值。

基于前述的内容，通过神经网络对整合后的历史电池热管理数据进行分析处理，可以利用神经网络的高精度数据分析能力，实现对电池寿命的可靠预测，可以在一定程度上提高电池热管理数据处理的可靠度；另外，由于每一条历史电池热管理数据至少包括目标电池在两个维度的数据，相较于现有技术中仅依靠温度一个维度的数据进行分析的方案，可以使得分析依据进一步提高，保障电池热管理数据处理的可靠度。

举例来说，在一些可行的示例中，对于上述内容中的步骤P110，可以进一步包括以下详细的子步骤：

采集到目标电池对应的多条原始历史电池热管理数据，每一条所述原始历史电池热管理数据包括温度维度对应的历史电池温度数据和体积维度对应的历史电池体积数据（体积的变化也会反映出寿命的变化）；

对所述多条原始历史电池热管理数据进行数据对应关系确定处理，以输出所述多条原始历史电池热管理数据对应的目标温度体积对应关系（示例性地，可以将历史电池温度数据和历史电池体积数据分别作为参考系的横坐标和纵坐标，以进行曲线拟合）；

依据所述目标温度体积对应关系，对所述多条原始历史电池热管理数据进行异常分析处理（示例性地，计算对应二维坐标与拟合曲线之间的距离），以标记出所述多条原始历史电池热管理数据中的每一条异常原始历史电池热管理数据（示例性地，异常原始历史电池热管理数据对应的二维坐标与拟合曲线之间的距离可以大于预先配置的偏离距离参考值），在存在多条异常原始历史电池热管理数据的情况下，任意两条异常原始历史电池热管理数据在时间是不相邻（即若相邻的两条原始历史电池热管理数据对应的二维坐标与拟合曲线之间的距离都大于偏离距离参考值，则不将该两条原始历史电池热管理数据标记为异常，即这里的异常筛除，主要是对采集误差数据进行筛选，相邻的都出现误差的概率较小，因而不筛除）；

将所述多条原始历史电池热管理数据中的每一条异常原始历史电池热管理数据筛除，以得到所述目标电池对应的多条历史电池热管理数据。

举例来说，在一些可行的示例中，对于上述内容中的步骤P120，可以进一步包括以下详细的子步骤：

依据对应的采集时间，对所述多条历史电池热管理数据进行排序处理（示例性地，在排序时可以先采集时间较晚的，后采集时间较早的），以所述多条历史电池热管理数据对应的数据排序序列；

分别依据多个预设序列长度中的每一个预设序列长度，对所述数据排序序列进行分割处理，以形成所述多个预设序列长度对应的多个子序列集合，对于所述多个子序列集合中的每一个所述子序列集合，该序列集合包括多个子数据排序序列，该多个子数据排序序列中的每一个子数据排序序列的序列长度等于该子序列集合对应的预设序列长度；

对于所述多个子序列集合中的每一个所述子序列集合，分别对该子序列集合包括的每一个子数据排序序列进行体积变化关系的确定处理，所述体积变化关系用于反映对应的子数据排序序列中各历史电池热管理数据包括的历史电池体积数据基于对应的采集时间形成的体积变化（所述体积变化关系可以为体积基于时间的变化拟合曲线）；

对于所述多个子序列集合中的每一个所述子序列集合，对该子序列集合包括的每两个相邻的子数据排序序列对应的体积变化关系进行关系相关度的确定处理（示例性地，可以对相应的变化拟合曲线之间的相似度进行计算，其中，曲线相似度的计算方式可以参照相关的现有技术，如轨迹、轮廓相似度等），再对该子序列集合包括的每两个相邻的子数据排序序列对应的体积变化关系之间的关系相关度进行均值计算，以输出该子序列集合对应的关系相关度均值，以及，依据所述多个子序列集合中的每一个所述子序列集合对应的关系相关度均值，筛选出目标子序列集合（示例性地，所述目标子序列集合对应的关系相关度均值可以具有最大值）；

基于所述目标子序列集合包括的多个子数据排序序列，构建形成所述多条历史电池热管理数据对应的历史数据分布阵列，在所述历史数据分布阵列中，一行历史数据分布阵列与一个子数据排序序列一致。

举例来说，在一些可行的示例中，对于上述内容中的步骤P130，可以进一步包括以下详细的子步骤：

对所述历史数据分布阵列进行数据挖掘操作，以输出用于代表所述历史数据分布阵列的阵列挖掘结果代表向量，所述历史数据分布阵列包括至少两个历史数据分布阵列区域，所述阵列挖掘结果代表向量包括至少两个阵列区域挖掘结果代表向量，一个所述历史数据分布阵列区域与一个所述阵列区域挖掘结果代表向量对应；

分别分析出所述至少两个阵列区域挖掘结果代表向量中的每一个阵列区域挖掘结果代表向量对应的向量影响力表征参数，再基于对应的所述向量影响力表征参数对所述至少两个阵列区域挖掘结果代表向量进行向量融合操作，以输出对应的融合阵列区域挖掘结果代表向量；

对所述至少两个阵列区域挖掘结果代表向量进行分类筛选操作，以输出至少两个代表向量分类集合分别包括的筛选阵列区域挖掘结果代表向量，再基于所述至少两个代表向量分类集合和预先配置的非稠密数据分布阵列，分析输出每一个所述筛选阵列区域挖掘结果代表向量对应的非稠密向量全局影响力，以及，基于分析出的至少两个所述非稠密向量全局影响力形成对应的非稠密数据代表向量，一个所述筛选阵列区域挖掘结果代表向量对应的非稠密向量全局影响力依据对应的代表向量分类集合中的筛选阵列区域挖掘结果代表向量形成；

利用目标电池寿命预测神经网络，并基于所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行分析处理，以输出所述历史数据分布阵列对应的电池寿命预测值。

举例来说，在一些可行的示例中，对于所述对所述历史数据分布阵列进行数据挖掘操作，以输出用于代表所述历史数据分布阵列的阵列挖掘结果代表向量的步骤，可以进一步包括以下详细的子步骤：

检测出所述历史数据分布阵列中的阵列边缘部分和阵列中间部分（示例性地，可以先确定出所述历史数据分布阵列的阵列中心，再按照所述历史数据分布阵列的阵列形状，即阵列的行列数量比值，确定出以该阵列中心为矩形中心的最大矩形框，该最大矩形框内的各历史电池温度数据与阵列中心之间的数据差值的平均值小于预先确定的数据参考值，其中，在所述历史数据分布阵列可以仅包括历史电池温度数据，而不包括历史电池体积数据，即历史电池体积数据仅用于整合形成历史数据分布阵列）；

基于所述阵列边缘部分和所述阵列中间部分对所述历史数据分布阵列进行阵列区域划分操作，以形成对应的初始阵列中间部分；

基于预先配置的区域调整参数对所述初始阵列中间部分进行区域尺寸调整操作，以形成对应的目标阵列中间部分（例如，若所述初始阵列中间部分的尺寸小于所述历史数据分布阵列的一半，则基于所述区域调整参数对应的比例，对所述初始阵列中间部分进行放大；若所述初始阵列中间部分的尺寸大于所述历史数据分布阵列的一半，则基于所述区域调整参数对应的比例，对所述初始阵列中间部分进行压缩；若所述初始阵列中间部分的尺寸等于所述历史数据分布阵列的一半，可以不调整）；

基于预先配置的历史数据分布阵列区域行数目和历史数据分布阵列区域列数目（具体数值根据实际数据量配置），对所述目标阵列中间部分进行区域分割操作，以形成对应的至少两个历史数据分布阵列区域，每一个所述历史数据分布阵列区域行数目小于所述目标阵列中间部分的行数目，所述历史数据分布阵列区域列数目小于所述目标阵列中间部分的列数目；

对所述至少两个历史数据分布阵列区域分别进行阵列区域数据挖掘操作，以输出所述至少两个历史数据分布阵列区域中的每一个历史数据分布阵列区域对应的阵列区域挖掘结果代表向量（示例性地，可以通过训练得到的特征挖掘神经网络进行阵列区域数据挖掘操作），再基于所述至少两个历史数据分布阵列区域分别对应的阵列区域挖掘结果代表向量形成所述历史数据分布阵列对应的阵列挖掘结果代表向量。

举例来说，在一些可行的示例中，对于所述分别分析出所述至少两个阵列区域挖掘结果代表向量中的每一个阵列区域挖掘结果代表向量对应的向量影响力表征参数，再基于对应的所述向量影响力表征参数对所述至少两个阵列区域挖掘结果代表向量进行向量融合操作，以输出对应的融合阵列区域挖掘结果代表向量的步骤，可以进一步包括以下详细的子步骤：

将所述至少两个阵列区域挖掘结果代表向量加载到目标电池寿命预测神经网络包括的第一关联性特征感知模型，所述第一关联性特征感知模型包括影响力分析子模型和向量融合子模型；

利用所述影响力分析子模型，分别对所述至少两个阵列区域挖掘结果代表向量进行影响力分析确定操作，以分别输出所述至少两个阵列区域挖掘结果代表向量对应的向量影响力表征参数（示例性地，所述向量影响力表征参数也可以称为向量影响力分数，用于衡量阵列区域挖掘结果代表向量的重要性，向量影响力表征参数越大，对应的阵列区域挖掘结果代表向量越重要，在最终输出的融合阵列区域挖掘结果代表向量中，其对应的阵列区域挖掘结果代表向量的占比就越大。并且，每一个阵列区域挖掘结果代表向量对应的向量影响力表征参数可以采用一个以其自身为输入的网络学分析得到。其中，所述影响力分析子模型可以采用参数化的神经网络，来以分析出阵列区域挖掘结果代表向量对应的向量影响力表征参数）；

利用所述向量融合子模型，并结合对应的所述向量影响力表征参数，分别对每一个所述阵列区域挖掘结果代表向量进行更新操作（如相乘），以输出每一个所述阵列区域挖掘结果代表向量对应的更新阵列区域挖掘结果代表向量，再对输出的所述更新阵列区域挖掘结果代表向量进行融合操作（如求和），以输出对应的融合阵列区域挖掘结果代表向量。

举例来说，在一些可行的示例中，对于所述对所述至少两个阵列区域挖掘结果代表向量进行分类筛选操作，以输出至少两个代表向量分类集合分别包括的筛选阵列区域挖掘结果代表向量，再基于所述至少两个代表向量分类集合和预先配置的非稠密数据分布阵列，分析输出每一个所述筛选阵列区域挖掘结果代表向量对应的非稠密向量全局影响力，以及，基于分析出的至少两个所述非稠密向量全局影响力形成对应的非稠密数据代表向量的步骤，可以进一步包括以下详细的子步骤：

将所述至少两个阵列区域挖掘结果代表向量加载到目标电池寿命预测神经网络包括的第二关联性特征感知模型（示例性地，可以与上述的加载到第一关联性特征感知模型中的步骤同步执行，也可以先后执行）；

利用所述第二关联性特征感知模型包括的分类筛选子模型，对所述至少两个阵列区域挖掘结果代表向量进行分类筛选操作，以输出至少两个代表向量分类集合分别包括的筛选阵列区域挖掘结果代表向量，每一个所述代表向量分类集合包括的筛选阵列区域挖掘结果代表向量的数量的和值等于目标数量，所述目标数量小于所述至少两个阵列区域挖掘结果代表向量的数量；

利用所述第二关联性特征感知模型包括的整体关联性特征感知子模型，并结合预先配置的非稠密数据分布阵列，分析输出所述目标数量个筛选阵列区域挖掘结果代表向量的整体感知向量影响力表征参数分布；

利用所述第二关联性特征感知模型包括的关联性特征感知子模型，并结合所述至少两个代表向量分类集合和所述整体感知向量影响力表征参数分布，分析输出每一个所述筛选阵列区域挖掘结果代表向量对应的非稠密向量全局影响力；

利用所述第二关联性特征感知模型包括的特征降维子模型，对分析输出的至少两个所述非稠密向量全局影响力进行特征降维操作（示例性地，所述特征降维操作可以是指，对所述至少两个所述非稠密向量全局影响力进行均值计算），以输出对应的非稠密数据代表向量。

举例来说，在一些可行的示例中，对于所述利用所述第二关联性特征感知模型包括的分类筛选子模型，对所述至少两个阵列区域挖掘结果代表向量进行分类筛选操作，以输出至少两个代表向量分类集合分别包括的筛选阵列区域挖掘结果代表向量的步骤，可以进一步包括以下详细的子步骤：

利用所述分类筛选子模型，对所述至少两个阵列区域挖掘结果代表向量进行分类操作（所述分类操作的具体方式不受限制，可以是任意中聚类算法），以输出对应的至少两个代表向量分类集合；提取出所述至少两个代表向量分类集合中的第x个代表向量分类集合，所述第x个代表向量分类集合包括一个及以上数量的分类阵列区域挖掘结果代表向量；

分别分析输出所述一个及以上数量的分类阵列区域挖掘结果代表向量中的每一个分类阵列区域挖掘结果代表向量与所述第x个代表向量分类集合的中心分类阵列区域挖掘结果代表向量之间的相关度参数（如向量之间的乘积），以标记为对应的待处理相关度；

基于对应的所述待处理相关度，从所述一个及以上数量的分类阵列区域挖掘结果代表向量中，提取出a个分类阵列区域挖掘结果代表向量，再将所述a个分类阵列区域挖掘结果代表向量标记所述第x个代表向量分类集合包括的筛选阵列区域挖掘结果代表向量（示例性地，所述至少两个代表向量分类集合中包括的代表向量分类集合的数量为X，每一个代表向量分类集合包括一个中心分类阵列区域挖掘结果代表向量，在对每一个代表向量分类集合进行筛选时，可以筛选出与该代表向量分类集合的中心分类阵列区域挖掘结果代表向量之间的待处理相关度最大的a个阵列区域挖掘结果代表向量，最终可以共得到目标数量个筛选阵列区域挖掘结果代表向量，目标数量等于X和a的乘积。另外，由于经过聚类处理和筛选处理后，得到的目标数量个筛选阵列区域挖掘结果代表向量可以具有多样性，可以有效代表最初的至少两个阵列区域挖掘结果代表向量）。

举例来说，在一些可行的示例中，对于所述第二关联性特征感知模型包括自主性提示（query）影响力（影响力可以是指重要度）分布阵列和非自主性提示（key）影响力分布阵列，所述利用所述第二关联性特征感知模型包括的整体关联性特征感知子模型，并结合预先配置的非稠密数据分布阵列，分析输出所述目标数量个筛选阵列区域挖掘结果代表向量的整体感知向量影响力表征参数分布的步骤，可以进一步包括以下详细的子步骤：

利用所述第二关联性特征感知模型包括的整体关联性特征感知子模型，并结合所述至少两个代表向量分类集合分别包括的筛选阵列区域挖掘结果代表向量，组建出对应的筛选阵列区域挖掘结果代表向量分布阵列（即将所述至少两个代表向量分类集合分别包括的筛选阵列区域挖掘结果代表向量进行组合，形成筛选阵列区域挖掘结果代表向量分布阵列）；

将所述筛选阵列区域挖掘结果代表向量分布阵列与所述自主性提示影响力分布阵列进行融合（示例性地，可以将所述筛选阵列区域挖掘结果代表向量分布阵列与所述自主性提示影响力分布阵列进行相乘运算），以输出对应的自主性提示分布阵列，再将所述筛选阵列区域挖掘结果代表向量分布阵列与所述非自主性提示影响力分布阵列融合（示例性地，可以对将所述筛选阵列区域挖掘结果代表向量分布阵列与所述非自主性提示影响力分布阵列进行相乘运算），以输出对应的非自主性提示分布阵列；

对所述非自主性提示分布阵列进行行列数据的转换操作（即将所述非自主性提示分布阵列中的行数据转换为列数据），以输出对应的非自主性提示分布阵列转换结果，再基于所述自主性提示分布阵列、所述非自主性提示分布阵列转换结果和预先配置的非稠密数据分布阵列（示例性地，在所述非稠密数据分布阵列中，数值为0的阵列元素的数量远大于数值不为0的阵列元素的数量，如20:1，并且，数值不为0的阵列元素在所述非稠密数据分布阵列中分布情况不具有规律），分析输出对应的非稠密整体关联性分布阵列；对所述非稠密整体关联性分布阵列进行阵列数据转换操作，以输出对应的整体感知向量影响力表征参数分布。

举例来说，在一些可行的示例中，所述基于所述自主性提示分布阵列、所述非自主性提示分布阵列转换结果和预先配置的非稠密数据分布阵列，分析输出对应的非稠密整体关联性分布阵列；对所述非稠密整体关联性分布阵列进行阵列数据转换操作，以输出对应的整体感知向量影响力表征参数分布的步骤，可以进一步包括以下详细的子步骤：

可以先对所述自主性提示分布阵列、所述非自主性提示分布阵列转换结果和预先配置的非稠密数据分布阵列进行相乘运算，得到对应的非稠密整体关联性分布阵列，然后，对所述非稠密整体关联性分布阵列进行归一化处理，以输出对应的整体感知向量影响力表征参数分布。

举例来说，在一些可行的示例中，所述第二关联性特征感知模型还包括感官输入（value）影响力分布阵列，对于所述利用所述第二关联性特征感知模型包括的关联性特征感知子模型，并结合所述至少两个代表向量分类集合和所述整体感知向量影响力表征参数分布，分析输出每一个所述筛选阵列区域挖掘结果代表向量对应的非稠密向量全局影响力的步骤，可以进一步包括以下详细的子步骤：

利用所述第二关联性特征感知模型包括的关联性特征感知子模型，将所述筛选阵列区域挖掘结果代表向量分布阵列和所述感官输入影响力分布阵列融合（如进行相乘运算），输出对应的感官输入阵列；

对所述目标数量个筛选阵列区域挖掘结果代表向量包括的任意一个筛选阵列区域挖掘结果代表向量对应的代表向量分类集合中的筛选阵列区域挖掘结果代表向量进行标记处理，以标记出对应的第一筛选阵列区域挖掘结果代表向量；在所述整体感知向量影响力表征参数分布中，提取出所述任意一个筛选阵列区域挖掘结果代表向量和所述第一筛选阵列区域挖掘结果代表向量之间的非稠密整体向量影响力表征参数，并标记为对应的第一非稠密整体向量影响力表征参数；

在所述感官输入阵列中，提取出与所述第一筛选阵列区域挖掘结果代表向量对应的感官输入参数（所述感官输入阵列有多个所述感官输入参数排序形成），并标记为对应的第一感官输入参数；基于所述第一感官输入参数和所述第一非稠密整体向量影响力表征参数，分析输出与一个所述阵列区域挖掘结果代表向量对应的非稠密向量全局影响力（示例性地，可以将筛选阵列区域挖掘结果代表向量分布阵列中的筛选阵列区域挖掘结果代表向量标记为F，将所述感官输入阵列中与F相关联的感官输入参数标记为G，将整体感知向量影响力表征参数分布中与F相关联一个非稠密整体向量影响力表征参数标记为T，则对G和T进行相乘运算，得到所述阵列区域挖掘结果代表向量对应的非稠密向量全局影响力）。

举例来说，在一些可行的示例中，对于所述利用目标电池寿命预测神经网络，并基于所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行分析处理，以输出所述历史数据分布阵列对应的电池寿命预测值的步骤，可以进一步包括以下详细的子步骤：

将所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量加载到目标电池寿命预测神经网络包括的预测模型中，所述预测模型包括数据聚合子模型和数据预测子模型；

利用所述数据聚合子模型，对所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行数据聚合操作（如对所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行求和），以输出对应的数据聚合代表向量，以及，利用所述数据预测子模型，对所述数据聚合代表向量进行寿命预测操作（如基于softmax函数实现），以输出所述历史数据分布阵列对应的电池寿命预测值。

举例来说，在一些可行的示例中，所述电池热管理数据处理方法还包括更新形成所述目标电池寿命预测神经网络的步骤，该步骤可以进一步包括以下详细的子步骤：

对提取出的典型历史数据分布阵列进行数据挖掘操作，以输出用于代表所述典型历史数据分布阵列的典型阵列挖掘结果代表向量，所述典型历史数据分布阵列包括至少两个典型历史数据分布阵列区域，所述典型阵列挖掘结果代表向量包括至少两个典型阵列区域挖掘结果代表向量，一个典型历史数据分布阵列区域与一个典型阵列区域挖掘结果代表向量对应；

将所述至少两个典型历史数据分布阵列区域加载到待处理电池寿命预测神经网络中，以利用所述待处理电池寿命预测神经网络，分别分析出所述至少两个典型阵列区域挖掘结果代表向量中的每一个典型阵列区域挖掘结果代表向量对应的典型向量影响力表征参数，再基于对应的所述典型向量影响力表征参数，对所述至少两个典型阵列区域挖掘结果代表向量进行向量融合操作，以输出对应的典型融合阵列区域挖掘结果代表向量；

利用所述待处理电池寿命预测神经网络，对所述至少两个典型阵列区域挖掘结果代表向量进行分类筛选操作，以输出至少两个典型代表向量分类集合分别包括的典型筛选阵列区域挖掘结果代表向量，再基于所述至少两个典型代表向量分类集合和预先配置的非稠密数据分布阵列，分析输出每一个所述典型筛选阵列区域挖掘结果代表向量对应的典型非稠密向量全局影响力，以及，基于分析出的至少两个所述典型非稠密向量全局影响力形成对应的典型非稠密数据代表向量，一个所述典型筛选阵列区域挖掘结果代表向量对应的典型非稠密向量全局影响力依据对应的典型代表向量分类集合中的典型筛选阵列区域挖掘结果代表向量形成；

利用所述待处理电池寿命预测神经网络，并基于所述典型融合阵列区域挖掘结果代表向量和所述典型非稠密数据代表向量分析输出所述典型历史数据分布阵列对应的典型电池寿命预测值；

基于所述至少两个典型代表向量分类集合、所述至少两个典型阵列区域挖掘结果代表向量分别对应的向量影响力表征参数、所述典型电池寿命预测值和所述典型历史数据分布阵列对应的电池寿命真实值，对所述待处理电池寿命预测神经网络进行网络优化操作（即网络权重的优化更新），以形成对应的目标电池寿命预测神经网络。

举例来说，在一些可行的示例中，对于所述基于所述至少两个典型代表向量分类集合、所述至少两个典型阵列区域挖掘结果代表向量分别对应的向量影响力表征参数、所述典型电池寿命预测值和所述典型历史数据分布阵列对应的电池寿命真实值，对所述待处理电池寿命预测神经网络进行网络优化操作，以形成对应的目标电池寿命预测神经网络的步骤，可以进一步包括以下详细的子步骤：

基于所述至少两个典型代表向量分类集合和所述至少两个典型阵列区域挖掘结果代表向量分别对应的典型向量影响力表征参数，分析出对应的相对熵学习代价值（所述相对熵学习代价值用于保证最终形成的目标电池寿命预测神经网络的两个网络分支对同样的阵列区域挖掘结果代表向量输入的注意力分布（即上述的向量影响）是相同的）；

基于所述典型电池寿命预测值和所述典型历史数据分布阵列对应的电池寿命真实值，分析出对应的预测学习代价值（所述预测学习代价值用于保证最终形成的目标电池寿命预测神经网络输出的电池寿命预测值能更接近对应的电池寿命真实值，即保障预测的可靠性）；

对所述相对熵学习代价值和所述预测学习代价值融合（示例性地，可以对所述相对熵学习代价值和所述预测学习代价值进行加权求和），以输出对应的目标学习代价值，再基于所述目标学习代价值对所述待处理电池寿命预测神经网络进行网络优化操作（直到学习代价值小于预先配置的参考值），以形成对应的目标电池寿命预测神经网络。

举例来说，在一些可行的示例中，对于所述基于所述至少两个典型代表向量分类集合和所述至少两个典型阵列区域挖掘结果代表向量分别对应的典型向量影响力表征参数，分析出对应的相对熵学习代价值的步骤，可以进一步包括以下详细的子步骤：

分别将所述至少两个典型代表向量分类集合中的每一个典型代表向量分类集合包括的典型阵列区域挖掘结果代表向量，标记为第一典型阵列区域挖掘结果代表向量；

提取出由所述第一典型阵列区域挖掘结果代表向量对应的典型向量影响力表征参数形成的目标向量影响力阵列；对所述目标向量影响力阵列进行阵列数据转换操作，已输出对应的转换目标向量影响力阵列；对所述第一典型阵列区域挖掘结果代表向量的数量对应的向量影响力均匀分布阵列进行标记处理，以标记形成向量影响力阵列对比结果（示例性地，所述第一典型阵列区域挖掘结果代表向量对应的典型向量影响力表征参数可以为0.15、0.2、0.3、0.12，则构成的目标向量影响力阵列即为[0.15，0.2，0.3，0.12]，为便于后续第一相对熵学习代价值计算时要求输入的是概率，因此，需要对该目标向量影响力阵列进行阵列数据转换操作，即转换为的数据的和值等于一。由于所述第一典型阵列区域挖掘结果代表向量的数量为4，则对应的向量影响力阵列对比结果，为[0.25，0.25，0.25，0.25]）；

分别基于对应的所述转换目标向量影响力阵列和所述向量影响力阵列对比结果，分析出每一个所述典型代表向量分类集合对应的第一相对熵学习代价值（示例性地，可以对转换目标向量影响力阵列中的每一个参数进行取对数操作，然后，对向量影响力阵列对比结果中的每一个参数进行取对数操作，然后，计算对应的参数之间的取对数结果的差值，再对各差值进行求和计算）；将每一个所述典型代表向量分类集合对应的第一相对熵学习代价值进行融合，分析出对应的相对熵学习代价值。

结合图3，本发明实施例还提供一种电池热管理数据处理装置，可应用于上述电池热管理数据处理系统。其中，所述电池热管理数据处理装置可以包括以下的软件功能模块：

电池热管理数据采集模块，用于采集到目标电池对应的多条历史电池热管理数据，每一条所述历史电池热管理数据基于在历史上对所述目标电池进行热管理监控得到，且每一条历史电池热管理数据至少包括所述目标电池在两个维度的数据；

电池热管理数据整合模块，用于依据所述多条历史电池热管理数据之间的数据相关关系，对所述多条历史电池热管理数据进行整合处理，以形成所述多条历史电池热管理数据对应的历史数据分布阵列，所述历史数据分布阵列包括多行历史电池热管理数据和多列历史电池热管理数据，每一行的历史电池热管理数据的数量大于1，每一列的历史电池热管理数据的数量大于1；

电池寿命预测模块，用于利用目标电池寿命预测神经网络，对所述历史数据分布阵列进行分析处理，以输出目标电池对应的电池寿命预测值。

综上所述，本发明提供的一种电池热管理数据处理方法及系统，采集到目标电池对应的多条历史电池热管理数据；依据多条历史电池热管理数据之间的数据相关关系，对多条历史电池热管理数据进行整合处理，以形成多条历史电池热管理数据对应的历史数据分布阵列，历史数据分布阵列包括多行历史电池热管理数据和多列历史电池热管理数据；利用目标电池寿命预测神经网络，对历史数据分布阵列进行分析处理，以输出目标电池对应的电池寿命预测值。基于前述的内容，通过神经网络对整合后的历史电池热管理数据进行分析处理，可以利用神经网络的高精度数据分析能力，实现对电池寿命的可靠预测，可以在一定程度上提高电池热管理数据处理的可靠度；另外，由于每一条历史电池热管理数据至少包括目标电池在两个维度的数据，相较于现有技术中仅依靠温度一个维度的数据进行分析的方案，可以使得分析依据进一步提高，保障电池热管理数据处理的可靠度。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电池热管理数据处理方法，其特征在于，包括：

采集到目标电池对应的多条历史电池热管理数据，每一条所述历史电池热管理数据基于在历史上对所述目标电池进行热管理监控得到，且每一条历史电池热管理数据至少包括所述目标电池在两个维度的数据；

依据所述多条历史电池热管理数据之间的数据相关关系，对所述多条历史电池热管理数据进行整合处理，以形成所述多条历史电池热管理数据对应的历史数据分布阵列，所述历史数据分布阵列包括多行历史电池热管理数据和多列历史电池热管理数据，每一行的历史电池热管理数据的数量大于1，每一列的历史电池热管理数据的数量大于1；

利用目标电池寿命预测神经网络，对所述历史数据分布阵列进行分析处理，以输出所述目标电池对应的电池寿命预测值。

2.如权利要求1所述的电池热管理数据处理方法，其特征在于，所述采集到目标电池对应的多条历史电池热管理数据的步骤，包括：

采集到目标电池对应的多条原始历史电池热管理数据，每一条所述原始历史电池热管理数据包括温度维度对应的历史电池温度数据和体积维度对应的历史电池体积数据；

对所述多条原始历史电池热管理数据进行数据对应关系确定处理，以输出所述多条原始历史电池热管理数据对应的目标温度体积对应关系；

依据所述目标温度体积对应关系，对所述多条原始历史电池热管理数据进行异常分析处理，以标记出所述多条原始历史电池热管理数据中的每一条异常原始历史电池热管理数据，在存在多条异常原始历史电池热管理数据的情况下，任意两条异常原始历史电池热管理数据在时间是不相邻；

将所述多条原始历史电池热管理数据中的每一条异常原始历史电池热管理数据筛除，以得到所述目标电池对应的多条历史电池热管理数据。

3.如权利要求1所述的电池热管理数据处理方法，其特征在于，所述依据所述多条历史电池热管理数据之间的数据相关关系，对所述多条历史电池热管理数据进行整合处理，以形成所述多条历史电池热管理数据对应的历史数据分布阵列的步骤，包括：

依据对应的采集时间，对所述多条历史电池热管理数据进行排序处理，以所述多条历史电池热管理数据对应的数据排序序列；

分别依据多个预设序列长度中的每一个预设序列长度，对所述数据排序序列进行分割处理，以形成所述多个预设序列长度对应的多个子序列集合，对于所述多个子序列集合中的每一个所述子序列集合，该序列集合包括多个子数据排序序列，该多个子数据排序序列中的每一个子数据排序序列的序列长度等于该子序列集合对应的预设序列长度；

对于所述多个子序列集合中的每一个所述子序列集合，分别对该子序列集合包括的每一个子数据排序序列进行体积变化关系的确定处理，所述体积变化关系用于反映对应的子数据排序序列中各历史电池热管理数据包括的历史电池体积数据基于对应的采集时间形成的体积变化；

对于所述多个子序列集合中的每一个所述子序列集合，对该子序列集合包括的每两个相邻的子数据排序序列对应的体积变化关系进行关系相关度的确定处理，再对该子序列集合包括的每两个相邻的子数据排序序列对应的体积变化关系之间的关系相关度进行均值计算，以输出该子序列集合对应的关系相关度均值，以及，依据所述多个子序列集合中的每一个所述子序列集合对应的关系相关度均值，筛选出目标子序列集合；

基于所述目标子序列集合包括的多个子数据排序序列，构建形成所述多条历史电池热管理数据对应的历史数据分布阵列，在所述历史数据分布阵列中，一行历史数据分布阵列与一个子数据排序序列一致。

4.如权利要求1-3任意一项所述的电池热管理数据处理方法，其特征在于，所述利用目标电池寿命预测神经网络，对所述历史数据分布阵列进行分析处理，以输出所述目标电池对应的电池寿命预测值的步骤，包括：

对所述历史数据分布阵列进行数据挖掘操作，以输出用于代表所述历史数据分布阵列的阵列挖掘结果代表向量，所述历史数据分布阵列包括至少两个历史数据分布阵列区域，所述阵列挖掘结果代表向量包括至少两个阵列区域挖掘结果代表向量，一个所述历史数据分布阵列区域与一个所述阵列区域挖掘结果代表向量对应；

分别分析出所述至少两个阵列区域挖掘结果代表向量中的每一个阵列区域挖掘结果代表向量对应的向量影响力表征参数，再基于对应的所述向量影响力表征参数对所述至少两个阵列区域挖掘结果代表向量进行向量融合操作，以输出对应的融合阵列区域挖掘结果代表向量；

对所述至少两个阵列区域挖掘结果代表向量进行分类筛选操作，以输出至少两个代表向量分类集合分别包括的筛选阵列区域挖掘结果代表向量，再基于所述至少两个代表向量分类集合和预先配置的非稠密数据分布阵列，分析输出每一个所述筛选阵列区域挖掘结果代表向量对应的非稠密向量全局影响力，以及，基于分析出的至少两个所述非稠密向量全局影响力形成对应的非稠密数据代表向量，一个所述筛选阵列区域挖掘结果代表向量对应的非稠密向量全局影响力依据对应的代表向量分类集合中的筛选阵列区域挖掘结果代表向量形成；

利用目标电池寿命预测神经网络，并基于所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行分析处理，以输出所述历史数据分布阵列对应的电池寿命预测值。

5.如权利要求4所述的电池热管理数据处理方法，其特征在于，所述对所述历史数据分布阵列进行数据挖掘操作，以输出用于代表所述历史数据分布阵列的阵列挖掘结果代表向量的步骤，包括：

检测出所述历史数据分布阵列中的阵列边缘部分和阵列中间部分；

基于所述阵列边缘部分和所述阵列中间部分对所述历史数据分布阵列进行阵列区域划分操作，以形成对应的初始阵列中间部分；

基于预先配置的区域调整参数对所述初始阵列中间部分进行区域尺寸调整操作，以形成对应的目标阵列中间部分；

基于预先配置的历史数据分布阵列区域行数目和历史数据分布阵列区域列数目，对所述目标阵列中间部分进行区域分割操作，以形成对应的至少两个历史数据分布阵列区域，所述历史数据分布阵列区域行数目小于所述目标阵列中间部分的行数目，所述历史数据分布阵列区域列数目小于所述目标阵列中间部分的列数目；

对所述至少两个历史数据分布阵列区域分别进行阵列区域数据挖掘操作，以输出所述至少两个历史数据分布阵列区域中的每一个历史数据分布阵列区域对应的阵列区域挖掘结果代表向量，再基于所述至少两个历史数据分布阵列区域分别对应的阵列区域挖掘结果代表向量形成所述历史数据分布阵列对应的阵列挖掘结果代表向量。

6.如权利要求4所述的电池热管理数据处理方法，其特征在于，所述利用目标电池寿命预测神经网络，并基于所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行分析处理，以输出所述历史数据分布阵列对应的电池寿命预测值的步骤，包括：

将所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量加载到目标电池寿命预测神经网络包括的预测模型中，所述预测模型包括数据聚合子模型和数据预测子模型；

利用所述数据聚合子模型，对所述融合阵列区域挖掘结果代表向量和所述非稠密数据代表向量进行数据聚合操作，以输出对应的数据聚合代表向量，以及，利用所述数据预测子模型，对所述数据聚合代表向量进行寿命预测操作，以输出所述历史数据分布阵列对应的电池寿命预测值。

7.如权利要求4所述的电池热管理数据处理方法，其特征在于，还包括更新形成所述目标电池寿命预测神经网络的步骤，该步骤包括：

对提取出的典型历史数据分布阵列进行数据挖掘操作，以输出用于代表所述典型历史数据分布阵列的典型阵列挖掘结果代表向量，所述典型历史数据分布阵列包括至少两个典型历史数据分布阵列区域，所述典型阵列挖掘结果代表向量包括至少两个典型阵列区域挖掘结果代表向量，一个典型历史数据分布阵列区域与一个典型阵列区域挖掘结果代表向量对应；

将所述至少两个典型历史数据分布阵列区域加载到待处理电池寿命预测神经网络中，以利用所述待处理电池寿命预测神经网络，分别分析出所述至少两个典型阵列区域挖掘结果代表向量中的每一个典型阵列区域挖掘结果代表向量对应的典型向量影响力表征参数，再基于对应的所述典型向量影响力表征参数，对所述至少两个典型阵列区域挖掘结果代表向量进行向量融合操作，以输出对应的典型融合阵列区域挖掘结果代表向量；

利用所述待处理电池寿命预测神经网络，对所述至少两个典型阵列区域挖掘结果代表向量进行分类筛选操作，以输出至少两个典型代表向量分类集合分别包括的典型筛选阵列区域挖掘结果代表向量，再基于所述至少两个典型代表向量分类集合和预先配置的非稠密数据分布阵列，分析输出每一个所述典型筛选阵列区域挖掘结果代表向量对应的典型非稠密向量全局影响力，以及，基于分析出的至少两个所述典型非稠密向量全局影响力形成对应的典型非稠密数据代表向量，一个所述典型筛选阵列区域挖掘结果代表向量对应的典型非稠密向量全局影响力依据对应的典型代表向量分类集合中的典型筛选阵列区域挖掘结果代表向量形成；

利用所述待处理电池寿命预测神经网络，并基于所述典型融合阵列区域挖掘结果代表向量和所述典型非稠密数据代表向量分析输出所述典型历史数据分布阵列对应的典型电池寿命预测值；

基于所述至少两个典型代表向量分类集合、所述至少两个典型阵列区域挖掘结果代表向量分别对应的向量影响力表征参数、所述典型电池寿命预测值和所述典型历史数据分布阵列对应的电池寿命真实值，对所述待处理电池寿命预测神经网络进行网络优化操作，以形成对应的目标电池寿命预测神经网络。

8.如权利要求7所述的电池热管理数据处理方法，其特征在于，所述基于所述至少两个典型代表向量分类集合、所述至少两个典型阵列区域挖掘结果代表向量分别对应的向量影响力表征参数、所述典型电池寿命预测值和所述典型历史数据分布阵列对应的电池寿命真实值，对所述待处理电池寿命预测神经网络进行网络优化操作，以形成对应的目标电池寿命预测神经网络的步骤，包括：

基于所述至少两个典型代表向量分类集合和所述至少两个典型阵列区域挖掘结果代表向量分别对应的典型向量影响力表征参数，分析出对应的相对熵学习代价值；

基于所述典型电池寿命预测值和所述典型历史数据分布阵列对应的电池寿命真实值，分析出对应的预测学习代价值；

对所述相对熵学习代价值和所述预测学习代价值融合，以输出对应的目标学习代价值，再基于所述目标学习代价值对所述待处理电池寿命预测神经网络进行网络优化操作，以形成对应的目标电池寿命预测神经网络。

9.如权利要求8所述的电池热管理数据处理方法，其特征在于，所述基于所述至少两个典型代表向量分类集合和所述至少两个典型阵列区域挖掘结果代表向量分别对应的典型向量影响力表征参数，分析出对应的相对熵学习代价值的步骤，包括：

分别将所述至少两个典型代表向量分类集合中的每一个典型代表向量分类集合包括的典型阵列区域挖掘结果代表向量，标记为第一典型阵列区域挖掘结果代表向量；

提取出由所述第一典型阵列区域挖掘结果代表向量对应的典型向量影响力表征参数形成的目标向量影响力阵列；对所述目标向量影响力阵列进行阵列数据转换操作，已输出对应的转换目标向量影响力阵列；对所述第一典型阵列区域挖掘结果代表向量的数量对应的向量影响力均匀分布阵列进行标记处理，以标记形成向量影响力阵列对比结果；分别基于对应的所述转换目标向量影响力阵列和所述向量影响力阵列对比结果，分析出每一个所述典型代表向量分类集合对应的第一相对熵学习代价值；

将每一个所述典型代表向量分类集合对应的第一相对熵学习代价值进行融合，分析出对应的相对熵学习代价值。

10.一种电池热管理数据处理系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的电池热管理数据处理方法。

Images