CN115618998A - 一种基于碳排放的动力电池回收量预测方法及装置 - Google Patents

一种基于碳排放的动力电池回收量预测方法及装置 Download PDF

Info

Publication number
CN115618998A
CN115618998A CN202211132754.3A CN202211132754A CN115618998A CN 115618998 A CN115618998 A CN 115618998A CN 202211132754 A CN202211132754 A CN 202211132754A CN 115618998 A CN115618998 A CN 115618998A
Authority
CN
China
Prior art keywords
power battery
prediction model
recovery
carbon emission
training
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.)
Pending
Application number
CN202211132754.3A
Other languages
English (en)
Inventor
余海军
李爱霞
谢英豪
李长东
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.)
Hunan Brunp Recycling Technology Co Ltd
Guangdong Brunp Recycling Technology Co Ltd
Original Assignee
Hunan Brunp Recycling Technology Co Ltd
Guangdong Brunp Recycling Technology 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 Hunan Brunp Recycling Technology Co Ltd, Guangdong Brunp Recycling Technology Co Ltd filed Critical Hunan Brunp Recycling Technology Co Ltd
Priority to CN202211132754.3A priority Critical patent/CN115618998A/zh
Publication of CN115618998A publication Critical patent/CN115618998A/zh
Priority to PCT/CN2023/081916 priority patent/WO2024055546A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于碳排放的动力电池回收量预测方法及装置，方法包括：获取动力电池的碳排放数据；将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量；其中，所述动力电池回收预测模型的构建步骤，包括：获取动力电池的历史碳排放数据以及对应所述历史碳排放数据的动力电池回收数量，作为第一训练数据；根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型。本发明可准确输出动力电池的回收量，提高了企业工作人员对动力电池回收处理计划的制定效率，避免了现有人工主观进行预测的高复杂性，对电池回收数量进行辅助决策，提高了动力电池回收的准确性与合理性。

Description

一种基于碳排放的动力电池回收量预测方法及装置
技术领域
本发明涉及碳排放技术领域，尤其涉及一种基于碳排放的动力电池回收量预测方法及装置。
背景技术
制造新电池需要大量能源，电池回收可节省更多能源，同时电池材料是可以循环的，发展动力电池梯次利用，做好动力电池的环保处理，充分挖掘动力电池的价值，能够在客观上减少碳排放。
但是在动力电池的实际回收过程中也会存在碳的排放，若过量的回收会导致碳排放不降反增，从而难以实现减少碳排放，而目前对动力电池回收数量进行预测主要是根据人为主观进行确定，难以得到一个准确且合适的动力电池回收数量，不利于人们对动力电池回收量进行准确的预测，使得预测复杂性高的同时精确度低。
发明内容
本发明提供了一种基于碳排放的动力电池回收量预测方法及装置，以解决现有技术中对动力电池回收量预测精确度低、预测复杂的技术问题。
为了解决上述技术问题，本发明实施例提供了一种基于碳排放的动力电池回收量预测方法，包括：
获取动力电池的碳排放数据；
将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量；
其中，所述动力电池回收预测模型的构建步骤，包括：
获取动力电池的历史碳排放数据以及对应所述历史碳排放数据的动力电池回收数量，作为第一训练数据；
根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型。
可以理解的是，相比于现有技术，本发明通过对动力电池的历史碳排放数据进行采集，以及对应历史碳排放数据的动力电池回收数量作为训练数据，来对建立的初始动力电池预测模型网络进行训练，从而能够准确得到动力电池预测模型网络，以使的后续可直接将动力电池的碳排放数据直接进行输入，即可准确输出动力电池的回收量，提高了企业工作人员对动力电池回收处理计划的制定效率，避免了现有人工主观进行预测的高复杂性，对电池回收数量进行辅助决策，提高了动力电池回收的准确性与合理性。
作为优选方案，所述根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型，具体为：
构建初始动力电池预测模型网络；
根据最优化算法，对所述初始动力电池预测模型网络的权值和阈值进行初始化操作；
根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络。
可以理解的是，通过对初始动力电池预测模型网络进行构建，从而根据最优化算法来对初始动力电池预测模型网络的权值和阈值进行初始化操作，确保训练前的网络模型能够符合后续迭代训练的模型精度要求，并通过第一训练数据来对初始动力电池预测模型进行迭代训练，保证了训练得到的动力电池预测模型具备高精密度与高准确性，并且使得训练得到的动力电池预测模型避免了人为因素的干扰，使模型更加合理与客观。
作为优选方案，所述根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络，具体为：
对所述初始动力电池预测模型网络进行迭代训练，以使在每一次训练过程中，将根据输入至所述初始动力电池预测模型网络的所述第一训练数据中的历史碳排放数据，计算得到输出值与所述第一训练数据中的动力电池回收数量的误差指标函数，并根据输出值和误差指标函数，来计算并更新初始动力电池预测模型网络的权值和阈值，直至误差指标函数小于预设允许值时，输出训练完成后的动力电池预测模型网络。
可以理解的是，通过对初始动力电池预测模型网络进行迭代训练，确保了动力电池预测模型网络能够具备高精度和高准确性的预测能力，同时使得通过模型网络进行预测避免了现有人工预测的高复杂性，并在每一次训练过程中通过误差指标函数，来对模型网络的权值和阈值进行更新，使得初始动力电池预测模型网络逐渐收敛，以在误差指标函数小于预设允许值时，确保了能够准确且稳定地输出训练完成后的动力电池预测模型网络。
作为优选方案，在所述将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量之后，还包括：
记录所述碳排放数据以及所述动力电池回收量，作为第二训练数据；
根据所述第二训练数，对所述动力电池回收预测模型进行再训练，从而输出得到再训练后的动力电池回收预测模型。
可以理解的是，通过记录所获取的碳排放数据以及预测得到的动力电池回收量，进而将新预测得到的数据作为第二训练数据，来对动力电池回收预测模型进行再训练，以使动力电池回收预测模型能够实现自动更新与修正，确保动力电池回收预测模型的准确性和精度，以使动力电池回收量预测精确度得到提高。
作为优选方案，所述动力电池的碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的碳排放数据；
所述动力电池的历史碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的历史碳排放数据。
相应地，本发明还提供一种基于碳排放的动力电池回收量预测装置，包括：初始数据模块、预测模块和建模模块；
所述初始数据模块，用于获取动力电池的碳排放数据；
所述预测模块，用于将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量；
其中，所述建模模块，包括：第一训练数据子模块和训练子模块；
所述第一训练数据子模块，用于获取动力电池的历史碳排放数据以及对应所述历史碳排放数据的动力电池回收数量，作为第一训练数据；
所述训练子模块，用于根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型。
作为优选方案，所述根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型，具体为：
构建初始动力电池预测模型网络；
根据最优化算法，对所述初始动力电池预测模型网络的权值和阈值进行初始化操作；
根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络。
作为优选方案，所述根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络，具体为：
对所述初始动力电池预测模型网络进行迭代训练，以使在每一次训练过程中，将根据输入至所述初始动力电池预测模型网络的所述第一训练数据中的历史碳排放数据，计算得到输出值与所述第一训练数据中的动力电池回收数量的误差指标函数，并根据输出值和误差指标函数，来计算并更新初始动力电池预测模型网络的权值和阈值，直至误差指标函数小于预设允许值时，输出训练完成后的动力电池预测模型网络。
作为优选方案，本发明实施例还包括：再训练模块；
所述再训练模块，用于记录所述碳排放数据以及所述动力电池回收量，作为第二训练数据；根据所述第二训练数，对所述动力电池回收预测模型进行再训练，从而输出得到再训练后的动力电池回收预测模型。
作为优选方案，所述动力电池的碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的碳排放数据；
所述动力电池的历史碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的历史碳排放数据。
相应地，本发明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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上任一项所述的基于碳排放的动力电池回收量预测方法。
附图说明
图1：为本发明实施例所提供的一种基于碳排放的动力电池回收量预测方法的步骤流程图；
图2：为本发明实施例所提供的一种基于碳排放的动力电池回收量预测方法中再训练的步骤流程图；
图3：为本发明实施例所提供的一种基于碳排放的动力电池回收量预测方法中动力电池回收预测模型的构建步骤流程图；
图4：为本发明实施例所提供的一种基于碳排放的动力电池回收量预测方法中初始动力电池回收预测模型的结构图；
图5：为本发明实施例所提供的一种基于碳排放的动力电池回收量预测装置的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
实施例一
请参照图1，为本发明实施例提供的一种基于碳排放的动力电池回收量预测方法，包括以下步骤S101-S102：
S101：获取动力电池的碳排放数据。
具体地，所述动力电池的碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的碳排放数据。
需要说明的是，在本实施例中，动力电池在生产阶段、运输阶段和使用阶段的碳排放数据可以通过序列的形式进行获取；示例性地，将生产阶段所产生的碳排放数据作为X1，将运输阶段所产生的碳排放数据作为X2，将使用阶段所产生的碳排放数据作为X3，从而作为一个动力电池碳排放数据的序列A＝[X1，X2，X3]，并将序列A作为动力电池回收预测模型的输入数据。
其中，生产阶段所产生的碳排放数据X1获取原理为：生产阶段碳排放包括原料获取和电池组装的碳排放。对于原料获取阶段，首先需要收集制造电池所需原材料的相关数据，通过本实施例对应的单一产品规格书和物料清单来确定本实施例对应类型的储能电池所需原材料的种类以及其所需质量，原材料包括但不限于正极材料、负极材料、隔膜、电解液、电池包等。进而需要确定获取各类原材料所产生的碳排放，通过获取各种原材料的生产线数据，分析该种材料在某个定量产量下，生产所产生的碳排放量，得到获得该种材料单位质量的所产生的碳排放，计算得出该材料在原材料获取阶段的碳排放。对于电池组装阶段，主要包括电池的制造、电路板的制造和电池包的组装；获取电池在制造过程中，因所用工艺和消耗能源产生的碳排放量，计算得出在电池组装阶段生产单位质量电池的碳排放，并将制造所需的所有原材料碳排放和制造碳排放求和，从而得到对应于本实施例的动力电池在生产阶段的碳排放。
运输阶段所产生的碳排放数据X2获取原理为：运输阶段需收集动力电池出厂运输时，使用不同运输工具完成运输所消耗能源的量，以及该种能源的碳排放，基于上述数据确定该阶段的碳排放量。
使用阶段所产生的碳排放数据X3获取原理为：动力电池运行阶段的电能损耗也是影响其全生命周期碳排放的因素之一，动力电池因充放电效率在运行阶段会产生电能，这部分损耗的电能应计算到储能电池运行阶段碳排放中，其中需要基于当地发电能源结构确定不同发电类型(例如：火电、水电、核电等)所占发电结构的百分比，以及该种能源发电碳排放强度，得到损耗这部分电能的碳排放量。
S102：将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量。
需要说明的是，经过输入至动力电池回收预测模型后，每一个碳排放数据的序列对应有一个动力电池回收量进行输出。
作为本实施例的一种优选方案，请参阅图2，在所述将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量之后，还包括步骤S103-S104：
S103：记录所述碳排放数据以及所述动力电池回收量，作为第二训练数据。
S104：根据所述第二训练数，对所述动力电池回收预测模型进行再训练，从而输出得到再训练后的动力电池回收预测模型。
可以理解的是，通过记录所获取的碳排放数据以及预测得到的动力电池回收量，进而将新预测得到的数据作为第二训练数据，来对动力电池回收预测模型进行再训练，以使动力电池回收预测模型能够实现自动更新与修正，确保动力电池回收预测模型的准确性和精度，以使动力电池回收量预测精确度得到提高。
其中，请参阅图3，所述动力电池回收预测模型的构建步骤，包括以下步骤S201-S202：
S201：获取动力电池的历史碳排放数据以及对应所述历史碳排放数据的动力电池回收数量，作为第一训练数据。
具体地，所述动力电池的历史碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的历史碳排放数据。
需要说明的是，在本实施例中，动力电池在生产阶段、运输阶段和使用阶段的历史碳排放数据可以通过序列的形式进行获取，类似于步骤S101中的，动力电池碳排放数据的序列A＝[X1，X2，X3]，相应地，动力电池的历史碳排放数据的序列B＝[Y1，Y2，Y3]，其中，Y1为动力电池生产阶段所产生的历史碳排放数据，Y2为动力电池运输阶段所产生的历史碳排放数据，Y3为动力电池排放阶段所产生的历史碳排放数据。
进一步地，对应历史碳排放数据的动力电池回收数量，即为基于该碳排放数据下时，进行预测所得到的动力电池回收数量的历史数据，即一个动力电池的历史碳排放数据的序列B＝[Y1，Y2，Y3]，对应于一个动力电池的历史回收数量。
进一步地，作为本实施例示例性的方案，在第一训练数据中选取70％的数据作为训练数据，15％的数据作为验证数据，15％的数据作为测试数据。
S202：根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型。
需要说明的是，在本实施例中，示例性地，请参阅图4，构建的初始动力电池回收预测模型为BP神经网络模型，具体包括：输入层、隐藏层和输出层；其中，输入层中包括对应生产阶段、运输阶段和使用阶段的三个节点，输出层中包括对应动力电池回收数量的一个节点，隐藏层节点的数量根据实际的需求情况进行设定。
作为本实施例的一种优选方案，所述根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型，具体为：
构建初始动力电池预测模型网络；根据最优化算法，对所述初始动力电池预测模型网络的权值和阈值进行初始化操作；根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络。
需要说明的是，示例性地，本发明实施例中的最优化算法为levenberg-marquardt算法，通常用于非线性最小二乘法的目标函数极小化。
在本实施例中，初始动力电池预测模型网络的权值和阈值μ进行初始化操作，示例性地，令k＝0，阈值μ＝μ0，其中常数μ0＝0.05。
可以理解的是，通过对初始动力电池预测模型网络进行构建，从而根据最优化算法来对初始动力电池预测模型网络的权值和阈值进行初始化操作，确保训练前的网络模型能够符合后续迭代训练的模型精度要求，并通过第一训练数据来对初始动力电池预测模型进行迭代训练，保证了训练得到的动力电池预测模型具备高精密度与高准确性，并且使得训练得到的动力电池预测模型避免了人为因素的干扰，使模型更加合理与客观。
作为本实施例的一种优选方案，所述根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络，具体为：
对所述初始动力电池预测模型网络进行迭代训练，以使在每一次训练过程中，将根据输入至所述初始动力电池预测模型网络的所述第一训练数据中的历史碳排放数据，计算得到输出值与所述第一训练数据中的动力电池回收数量的误差指标函数，并根据输出值和误差指标函数，来计算并更新初始动力电池预测模型网络的权值和阈值，直至误差指标函数小于预设允许值时，输出训练完成后的动力电池预测模型网络。
在本实施例中，示例性地，计算网络输出及误差指标函数E(w)，
Figure BDA0003848756900000091
其中，Yi为期望的网络输出向量；Yi′为实际的网络输出向量；P为样本数量；w为网络权值和阈值所组成的向量；ei(w)为误差。
进而计算误差矩阵J(w)，
Figure BDA0003848756900000101
并Δw，Δw＝[JT(w)J(w)+μI]-1JT(w)e(w)；其中，I为单位矩阵；μ为用户定义的学习率，优选地，在本实施例中，μ设为0.05。
在本实施例中，优选地，预设允许值ε设为0.95，其中，预设允许值ε根据实际的需求与情况进行设定。若误差指标函数E(wk)<ε＝0.95，则直接结束模型训练，并输出训练后的动力电池预测模型网络；否则，对网络的权值和阈值进行更新，以wk+1＝wk+Δw为新的权值和阈值向量，计算误差指数函数E(wk+1)，若E(wk+1)<E(wk)，则令k＝k+1，阈值
Figure BDA0003848756900000102
为0至1之间的随机数，其中k为迭代次数。
作为本实施例的一种优选方案，在输出训练完成后的动力电池预测模型网络之后，还需要通过输入测试集数据和验证集数据对动力电池预测模型网络的拟合残差和均方误差进行计算，以确保动力电池预测模型网络满足误差要求、拟合程度高以及线性化程度高。需要说明的是，均方误差是输出和目标之间的平均平方差，值越低越好，即零意味着没有误差。
可以理解的是，通过对初始动力电池预测模型网络进行迭代训练，确保了动力电池预测模型网络能够具备高精度和高准确性的预测能力，同时使得通过模型网络进行预测避免了现有人工预测的高复杂性，并在每一次训练过程中通过误差指标函数，来对模型网络的权值和阈值进行更新，使得初始动力电池预测模型网络逐渐收敛，以在误差指标函数小于预设允许值时，确保了能够准确且稳定地输出训练完成后的动力电池预测模型网络。
实施以上本发明实施例，具有如下效果：
本发明实施例相比于现有技术，通过对动力电池的历史碳排放数据进行采集，以及对应历史碳排放数据的动力电池回收数量作为训练数据，来对建立的初始动力电池预测模型网络进行训练，从而能够准确得到动力电池预测模型网络，以使的后续可直接将动力电池的碳排放数据直接进行输入，即可准确输出动力电池的回收量，提高了企业工作人员对动力电池回收处理计划的制定效率，避免了现有人工主观进行预测的高复杂性，对电池回收数量进行辅助决策，提高了动力电池回收的准确性与合理性。
实施例二
请参阅图5，本发明还提供一种基于碳排放的动力电池回收量预测装置，包括：初始数据模块301、预测模块302和建模模块303。
所述初始数据模块301，用于获取动力电池的碳排放数据。
所述预测模块302，用于将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量。
其中，所述建模模块303，包括：第一训练数据子模块3031和训练子模块3032。
所述第一训练数据子模块3031，用于获取动力电池的历史碳排放数据以及对应所述历史碳排放数据的动力电池回收数量，作为第一训练数据。
所述训练子模块3032，用于根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型。
作为本实施例的一种优选方案，所述根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型，具体为：
构建初始动力电池预测模型网络；根据最优化算法，对所述初始动力电池预测模型网络的权值和阈值进行初始化操作；根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络。
作为本实施例的一种优选方案，所述根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络，具体为：
对所述初始动力电池预测模型网络进行迭代训练，以使在每一次训练过程中，将根据输入至所述初始动力电池预测模型网络的所述第一训练数据中的历史碳排放数据，计算得到输出值与所述第一训练数据中的动力电池回收数量的误差指标函数，并根据输出值和误差指标函数，来计算并更新初始动力电池预测模型网络的权值和阈值，直至误差指标函数小于预设允许值时，输出训练完成后的动力电池预测模型网络。
作为本实施例的一种优选方案，本实施例还包括：再训练模块304；
所述再训练模块304，用于记录所述碳排放数据以及所述动力电池回收量，作为第二训练数据；根据所述第二训练数，对所述动力电池回收预测模型进行再训练，从而输出得到再训练后的动力电池回收预测模型。
作为本实施例的一种优选方案，所述动力电池的碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的碳排放数据；所述动力电池的历史碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的历史碳排放数据。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施以上本发明实施例，具有如下效果：
本发明实施例相比于现有技术，通过对动力电池的历史碳排放数据进行采集，以及对应历史碳排放数据的动力电池回收数量作为训练数据，来对建立的初始动力电池预测模型网络进行训练，从而能够准确得到动力电池预测模型网络，以使的后续可直接将动力电池的碳排放数据直接进行输入，即可准确输出动力电池的回收量，提高了企业工作人员对动力电池回收处理计划的制定效率，避免了现有人工主观进行预测的高复杂性，对电池回收数量进行辅助决策，提高了动力电池回收的准确性与合理性。
实施例三
相应地，本发明还提供一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项实施例所述的基于碳排放的动力电池回收量预测方法。
该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤，例如图1所示的步骤S101至S102。或者，所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能，例如预测模块302。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述预测模块302，用于将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
实施例四
相应地，本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的基于碳排放的动力电池回收量预测方法。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于碳排放的动力电池回收量预测方法，其特征在于，包括：
获取动力电池的碳排放数据；
将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量；
其中，所述动力电池回收预测模型的构建步骤，包括：
获取动力电池的历史碳排放数据以及对应所述历史碳排放数据的动力电池回收数量，作为第一训练数据；
根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型。
2.如权利要求1所述的一种基于碳排放的动力电池回收量预测方法，其特征在于，所述根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型，具体为：
构建初始动力电池预测模型网络；
根据最优化算法，对所述初始动力电池预测模型网络的权值和阈值进行初始化操作；
根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络。
3.如权利要求2所述的一种基于碳排放的动力电池回收量预测方法，其特征在于，所述根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络，具体为：
对所述初始动力电池预测模型网络进行迭代训练，以使在每一次训练过程中，将根据输入至所述初始动力电池预测模型网络的所述第一训练数据中的历史碳排放数据，计算得到输出值与所述第一训练数据中的动力电池回收数量的误差指标函数，并根据输出值和误差指标函数，来计算并更新初始动力电池预测模型网络的权值和阈值，直至误差指标函数小于预设允许值时，输出训练完成后的动力电池预测模型网络。
4.如权利要求1所述的一种基于碳排放的动力电池回收量预测方法，其特征在于，在所述将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量之后，还包括：
记录所述碳排放数据以及所述动力电池回收量，作为第二训练数据；
根据所述第二训练数，对所述动力电池回收预测模型进行再训练，从而输出得到再训练后的动力电池回收预测模型。
5.如权利要求1－4任意一项所述的一种基于碳排放的动力电池回收量预测方法，其特征在于，所述动力电池的碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的碳排放数据；
所述动力电池的历史碳排放数据包括动力电池生产阶段、运输阶段和使用阶段的历史碳排放数据。
6.一种基于碳排放的动力电池回收量预测装置，其特征在于，包括：初始数据模块、预测模块和建模模块；
所述初始数据模块，用于获取动力电池的碳排放数据；
所述预测模块，用于将所述碳排放数据输入至动力电池回收预测模型，输出得到动力电池回收量；
其中，所述建模模块，包括：第一训练数据子模块和训练子模块；
所述第一训练数据子模块，用于获取动力电池的历史碳排放数据以及对应所述历史碳排放数据的动力电池回收数量，作为第一训练数据；
所述训练子模块，用于根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型。
7.如权利要求6所述的一种基于碳排放的动力电池回收量预测装置，其特征在于，所述根据所述第一训练数据，对构建的初始动力电池回收预测模型进行训练，从而输出得到训练后的动力电池回收预测模型，具体为：
构建初始动力电池预测模型网络；
根据最优化算法，对所述初始动力电池预测模型网络的权值和阈值进行初始化操作；
根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络。
8.如权利要求7所述的一种基于碳排放的动力电池回收量预测装置，其特征在于，所述根据所述第一训练数据，对所述初始动力电池预测模型网络进行迭代训练，从而输出训练完成后的动力电池预测模型网络，具体为：
对所述初始动力电池预测模型网络进行迭代训练，以使在每一次训练过程中，将根据输入至所述初始动力电池预测模型网络的所述第一训练数据中的历史碳排放数据，计算得到输出值与所述第一训练数据中的动力电池回收数量的误差指标函数，并根据输出值和误差指标函数，来计算并更新初始动力电池预测模型网络的权值和阈值，直至误差指标函数小于预设允许值时，输出训练完成后的动力电池预测模型网络。
9.如权利要求6所述的一种基于碳排放的动力电池回收量预测装置，其特征在于，还包括：再训练模块；
所述再训练模块，用于记录所述碳排放数据以及所述动力电池回收量，作为第二训练数据；根据所述第二训练数，对所述动力电池回收预测模型进行再训练，从而输出得到再训练后的动力电池回收预测模型。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1－5中任一项所述的基于碳排放的动力电池回收量预测方法。
CN202211132754.3A 2022-09-16 2022-09-16 一种基于碳排放的动力电池回收量预测方法及装置 Pending CN115618998A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211132754.3A CN115618998A (zh) 2022-09-16 2022-09-16 一种基于碳排放的动力电池回收量预测方法及装置
PCT/CN2023/081916 WO2024055546A1 (zh) 2022-09-16 2023-03-16 动力电池回收量预测方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211132754.3A CN115618998A (zh) 2022-09-16 2022-09-16 一种基于碳排放的动力电池回收量预测方法及装置

Publications (1)

Publication Number Publication Date
CN115618998A true CN115618998A (zh) 2023-01-17

Family

ID=84858201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211132754.3A Pending CN115618998A (zh) 2022-09-16 2022-09-16 一种基于碳排放的动力电池回收量预测方法及装置

Country Status (2)

Country Link
CN (1) CN115618998A (zh)
WO (1) WO2024055546A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664004A (zh) * 2023-06-20 2023-08-29 北京工业大学 一种三元动力电池回收碳减排效益分配方法及装置
WO2024055546A1 (zh) * 2022-09-16 2024-03-21 广东邦普循环科技有限公司 动力电池回收量预测方法、装置及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401759B (zh) * 2020-03-20 2022-08-23 支付宝(杭州)信息技术有限公司 数据处理方法、装置、电子设备及存储介质
CN114004375A (zh) * 2021-10-27 2022-02-01 广东邦普循环科技有限公司 一种动力电池回收利用碳排放核算边界的界定方法和装置
CN114090939A (zh) * 2021-11-05 2022-02-25 国网湖北省电力有限公司经济技术研究院 一种储能电池全生命周期碳排放系数确定方法
CN115049095A (zh) * 2022-03-23 2022-09-13 上海创能国瑞新能源科技股份有限公司 一种提升设备能效和碳排放动态优化系统及相关装置
CN114897226A (zh) * 2022-04-25 2022-08-12 广东邦普循环科技有限公司 一种碳排放量预测方法、装置、设备及存储介质
CN115618998A (zh) * 2022-09-16 2023-01-17 广东邦普循环科技有限公司 一种基于碳排放的动力电池回收量预测方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024055546A1 (zh) * 2022-09-16 2024-03-21 广东邦普循环科技有限公司 动力电池回收量预测方法、装置及介质
CN116664004A (zh) * 2023-06-20 2023-08-29 北京工业大学 一种三元动力电池回收碳减排效益分配方法及装置
CN116664004B (zh) * 2023-06-20 2024-05-03 北京工业大学 一种三元动力电池回收碳减排效益分配方法及装置

Also Published As

Publication number Publication date
WO2024055546A1 (zh) 2024-03-21

Similar Documents

Publication Publication Date Title
CN115618998A (zh) 一种基于碳排放的动力电池回收量预测方法及装置
JP2020106470A (ja) 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
CN109713762B (zh) 一种充电控制方法、装置及终端设备
Malik et al. Extraction of battery parameters using a multi-objective genetic algorithm with a non-linear circuit model
US20220393467A1 (en) Method and system for energy scheduling of shared energy storage considering degradation cost of energy storage
CN112287605A (zh) 一种基于图卷积网络加速的潮流校核方法
Chayambuka et al. Physics-based modeling of sodium-ion batteries part II. Model and validation
Wu et al. Prediction of remaining useful life of the lithium-ion battery based on improved particle filtering
Du et al. State-of-charge estimation for second-life lithium-ion batteries based on cell difference model and adaptive fading unscented Kalman filter algorithm
Fang et al. Estimation of lithium-ion battery soc model based on aga-foukf algorithm
Wang et al. Long short-term memory network with transfer learning for lithium-ion battery capacity fade and cycle life prediction
Li et al. SOC estimation for lithium‐ion batteries based on a novel model
Amrit et al. Design strategies for multi-objective optimization of aerodynamic surfaces
CN114676522A (zh) 融合gan和迁移学习的气动形状优化设计方法及系统及设备
Ai et al. Improving the convergence rate of Newman’s battery model using 2nd order finite element method
CN112766609A (zh) 一种基于云计算的用电量预测方法
Chayambuka et al. A modified pseudo-steady-state analytical expression for battery modeling
CN112084710B (zh) 固体氧化物燃料电池电压预测方法、终端设备及存储介质
Zhang et al. Capacity fading knee-point recognition method and life prediction for lithium-ion batteries using segmented capacity degradation model
Lu et al. Auto-LUT: Auto Approximation of Non-Linear Operations for Neural Networks on FPGA
Hou et al. Remaining useful cycle life prediction of lithium-ion battery based on TS fuzzy model
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
CN116049156A (zh) 一种基于大数据技术的电量数据采集优化方法及系统
CN115329487A (zh) 一种光伏发电系统参数整定方法和终端设备
CN116596116B (zh) 一种风储联合投标策略优化方法及其装置

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