CN116090332A - 一种蓄电池后备时长确定方法、装置、设备和存储介质 - Google Patents
一种蓄电池后备时长确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116090332A CN116090332A CN202211608020.8A CN202211608020A CN116090332A CN 116090332 A CN116090332 A CN 116090332A CN 202211608020 A CN202211608020 A CN 202211608020A CN 116090332 A CN116090332 A CN 116090332A
- Authority
- CN
- China
- Prior art keywords
- information
- storage battery
- sample
- model
- characteristic information
- 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
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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种蓄电池后备时长确定方法、装置、设备及存储介质,本申请通过将待测蓄电池的特征信息输入到训练好的蓄电池后备时长确定模型中进行处理,得到所述模型输出所述待测蓄电池的目标后备时长。其中,所述蓄电池后备时长确定模型是通过若干个蓄电池样本的样本特征信息和后备时长信息训练得到的。本申请实施例将待测蓄电池的特征信息作为确定待测蓄电池后别时长的参考信息,所述特征信息包括有蓄电池的静态信息和动态信息,能够从多方面进行预测,确定多个因素考虑后得到的更加准确的待测蓄电池的后备时长。
Description
技术领域
本申请涉及电池续航技术领域,更具体地说,涉及一种蓄电池后备时长确定方法、装置、设备和存储介质。
背景技术
不间断电源(UPS)对各个行业都是重要的基础设施,维持供电的连续性和供电系统的安全性,蓄电池是UPS的重要组成部分,其中,UPS蓄电池的实际续航时间以及后备时长的准确性预测对生产生活都有重大的影响。如果存在续航时间或后备时长预测误差较大,会严重影响企业的生产、业务的进行以及群众的生活等等。
现有技术中,UPS蓄电池后备时长的预测方法主要通过将UPS满载后备时长除以负载因数(负载率)得出蓄电池后备时长,此方法与蓄电池实际后备时长偏差较大。无法全面考虑到UPS蓄电池的设备寿命、实际负载情况、运行环境等情况,无法保证计算得到的UPS蓄电池后备时长的准确性,影响断电后的应急策略等。
发明内容
有鉴于此,本申请提供了一种蓄电池后备时长确定方法、装置、设备及存储介质,用于解决现有蓄电池后备时长确定方式,公式计算确定蓄电池后备时长无法考虑蓄电池的设备条件以及运行情况,导致确定的蓄电池后备时长不准确的问题。
为了实现上述目的,现提出的方案如下:
一种蓄电池后备时长确定方法,包括:
获取待测蓄电池的特征信息,所述特征信息至少包括静态信息和动态信息,所述静态信息包括表征蓄电池设备信息的子信息,所述动态信息包括表征待测蓄电池运行信息的子信息;
将所述特征信息输入到蓄电池后备时长确定模型中进行处理,输出所述待测蓄电池的目标后备时长;
所述蓄电池后备时长确定模型是基于蓄电池样本的样本特征信息作为特征值,后备时长信息作为目标值训练得到的回归模型。
优选地,所述方法还包括:
获取若干个蓄电池样本的样本特征信息和后备时长信息;
基于所述样本特征信息和后备时长信息生成与每一个蓄电池样本对应的样本数据集,所述样本数据集包括以一个所述样本特征信息为特征,以及标注有后备时长信息的数据;
基于每一个预设模型结构和所述样本数据集进行模型训练,得到与每一个预设模型相匹配的初始模型,其中,模型训练过程以每一个样本数据集中的样本特征信息作为特征值,以所述后备时长信息作为目标值,训练得到初始模型;
对所述初始模型进行模型评估,得到与每一个初始模型对应的评估结果;
对比所述评估结果,将达到预设条件的评估结果对应的初始模型确定为蓄电池后备时长确定模型。
优选地,其中,所述获取若干个蓄电池样本的样本特征信息,包括:
后去若干个蓄电池样本的特征信息,所述特征信息包括静态信息和动态信息,所述静态信息中包括若干个表征蓄电池样本设备特征的子信息,所述动态信息包括若干个表征蓄电池样本运行特征的子信息;
基于所述特征信息进行筛选,得到样本特征信息。
优选地,所述基于所述特征信息进行筛选,得到样本特征信息,包括:
获取若干个蓄电池样本的后备时长信息;
将每一个蓄电池特征信息与所述后备时长信息进行相关性计算,得到与每一个特征信息对应的相关性系数;
基于每一个特征信息对应的相关性系数,在所述特征信息中确定样本特征信息。
优选地,所述基于第一个预设模型结构和所述样本数据进行模型训练,得到与每一个预设模型相匹配的初始模型,包括:
对每一个所述样本数据集中的样本特征信息进行标准化,得到与每一个蓄电池样本对应的标准化样本数据集,所述标准化样本数据集中包括所述标准化样本特征信息和后备时长信息;
将所有的所述标准化样本数据集进行随机划分,得到训练数据集与测试数据集;
基于每一个预设模型结构与所述训练数据集进行训练,得到与每一个所述初始训练模型相对应的初始模型。
一种蓄电池后备时长确定装置,包括:
信息获取单元,用于获取待测蓄电池的特征信息,所述特征信息至少包括静态信息和动态信息,所述静态信息包括表征待测蓄电池设备特征的子信息,所述动态信息包括表征待测蓄电池运行特征的子信息;
信息处理单元,用于将所述特征信息输入到蓄电池后备时长确定模型中进行处理,输出所述待测蓄电池的目标后备时长;
所述蓄电池后备时长确定模型是基于蓄电池样本的样本特征信息作为特征值,后备时长信息作为目标值训练得到的回归模型。
优选地,所述装置还包括:
样本信息获取单元,用于获取若干个蓄电池样本的样本特征信息和后备时长信息;
样本信息处理单元,用于基于所述样本特征信息和后备时长信息生成与每一个蓄电池样本对应的样本数据集,所述样本数据集包括与一个所述样本特征信息为特征,以及标注有后备时长信息的数据;
初始模型训练单元,用于基于每一个预设模型结构和所述样本数据集进行模型训练,得到与每一个预设模型相匹配的初始模型,其中,模型训练过程以每一个样本数据集中的样本特征信息作为特征值,以所述后备时长信息作为目标值,训练得到初始模型;
初始模型评估单元,用于对所述初始模型进行模型评估,得到与每一个初始模型对应的评估结果;
目标模型确定单元,用于对比所述评估结果,将达到预设条件的评估结果对应的初始模型确定为蓄电池后备时长确定模型。
优选地,其中,所述样本信息获取单元,包括:
特征信息获取子单元,用于获取若干个蓄电池样本的特征信息,所述特征信息包括静态信息和动态信息,所述静态信息中包括若干个表征蓄电池样本设备特征的子信息,所述动态信息包括若干个表征蓄电池样本运行特征的子信息;
信息筛选子单元,用于基于所述特征信息进行筛选,得到样本特征信息一种蓄电池后备时长确定设备,包括:
处理器和存储器;
其中,所述处理器,用于执行存储器中存储的程序;
所述存储器,用于存储程序,所述程序实现上述的蓄电池后备时长确定方法的各个步骤。
一种存储介质,所述存储介质中存储有程序,所述程序被处理器加载并执行,实现上述蓄电池后备时长确定方法。
从上述的技术方案可以看出,本申请实施例提供的蓄电池后备时长确定方法、装置、设备及存储介质,通过将待测蓄电池的特征信息输入到训练好的蓄电池后备时长确定模型中进行处理,得到所述模型输出所述待测蓄电池的目标后备时长。其中,所述蓄电池后备时长确定模型是通过若干个蓄电池样本的样本特征信息和后备时长信息训练得到的。本申请实施例将待测蓄电池的特征信息作为确定待测蓄电池后别时长的参考信息,所述特征信息包括有蓄电池的静态信息和动态信息,能够从多方面进行预测,确定多个因素考虑后得到的更加准确的待测蓄电池的后备时长。
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的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的蓄电池后备时长确定方法的一种流程示意图;
图2为本申请实施例提供的获取蓄电池后备时长确定模型的一种流程示意图;
图3为本申请实施例提供的蓄电池后备时长确定装置的一种结构示意图;
图4为本申请实施例提供的蓄电池后备时长确定设备的一种结构示意图。
具体实施方式
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。
如图1所示的本申请实施例提供的蓄电池后备时长确定方法的一种优选的流程示意图,参照图1,该流程可以包括:
步骤S110、获取待测蓄电池的特征信息。
所述特征信息至少要包括待测蓄电池的静态信息和动态信息,所述静态信息包括表征待测蓄电池设备属性特征的子信息,即这些子信息不会随着蓄电池的应用和消耗所改变,所述动态信息包括表征待测蓄电池运行特征的子信息。其中,表征设备属性特征的子信息可以是蓄电池的电池类型、生产厂家、额定容量等等,表征运行特征的子信息可以包括电池电压、电池温度、电池升入运行时间、输入或输出频率等等,电池工作过程中实时更新的电池数据信息。
本申请实施例可以获取上述子信息的一个或多个,通过获取的信息所表征的电池特征可以有针对性的分析当前待测蓄电池的电池状态,更能从多方面预测待测蓄电池的后备时长。
需要说明的是,为了进一步提升数据处理的准确性,本申请实施例获取的待测蓄电池的特征信息是从蓄电池的众多特征信息中经过筛选得到的,即从众多信息中挑选出本申请实施例实际使用到的目标信息作为特征信息。
步骤S120、将所述特征信息输入到蓄电池后备时长确定模型中进行处理,得到目标后备时长。
所述蓄电池后备时长确定模型是通过采集若干蓄电池样本得到的样本数据,并基于所述样本数据训练得到的回归预测模型。所述样本数据中可以包括上述特征信息,以及与不同特征信息的蓄电池样本对应的后备时长信息。其中,所述特征信息作为特征值,所述后备时长信息作为目标值进行训练,得到能够根据输入的特征信息确定待测蓄电池的后备时长的蓄电池后备时长确定模型。
另外,蓄电池后备时长确定模型对输入的特征信息的要求并不唯一,可能不同的蓄电池类型不同,影响蓄电池后备时长的因素也各不相同,模型可以根据蓄电池的类型,调整模型进行预测时从特征信息中提取的有效特征信息;又或者蓄电池后备时长确定模型统一根据输入的特征信息进行预测,所述特征信息可以是在步骤S110直接获取的待测蓄电池的特征信息。关于蓄电池后备时长确定模型在正式投入使用后,所采用的输入信息可以根据情况极性调整。
显然,本申请实施例通过蓄电池后备时长确定模型对待测蓄电池的特征信息进行处理,得到准确的与所述待测蓄电池相对应的目标后备时长。其中,待测蓄电池的特征信息作为预测目标后备时长的参考信息,能够反映待测蓄电池多方面的特征,并基于所述特征对待测蓄电池进行后备时长的预测,由于参考因素的多元化,预测得到的结果更加准确。
接下来,本申请实施例将要描述蓄电池后备时长确定模型的获取过程,参考图2,其示出了本申请实施例提供的获取蓄电池后备时长确定模型的优选的流程示意图,其中,具体流程可以包括:
步骤S121、获取若干蓄电池样本的样本特征信息和后备时长信息。
其中,获取若干蓄电池样本的样本特征信息和后备时长信息,可以通过多种途经。例如,可以通过蓄电池控制系统所记录的蓄电池的电量下降到一定程度后,所持续供电的时间。但是由于不同企业对蓄电池的管理并不相同,无法准确并且完全的获取蓄电池的使用记录,所以可以通过多个数据源计算得到若干蓄电池样本的后备时长,以及样本特征信息。
具体地,本申请实施例可以根据数据来源将数据分为报警记录数据、市电中断数据和设备信息数据三部分。其中,报警记录数据是对市电中断事件的记录,具体包括报警事件的类型、所述网点以及发生时间。通过提取类型为“市电中断”、“市电中断恢复”类型的数据,从“市电中断”类型数据为主档,分别匹配同一设备的“市电中断恢复”数据,计算时间间隔。选择所述时间间隔最小的“市电中断”、“市电中断恢复”数据作为一个市电中断数据,市电中断数据对应的一个市电中断时间(断电事件),其发生时间作为市电中断事件的开始和结束时间。
由于本申请实施例实现的是确定蓄电池的后备时长,则需要选择蓄电池电量接近用完时的数据作为样本参考。因此在选择上述市电中断时间时,还要考虑蓄电池的电量情况,最终确定能够作为样本的市电中断事件。
具体地,市电中断数据中记录了包括电池状态、电池状态时间、电池容量、电池电压、电池温度、电池剩余运行时间、电池当前输入线电压、输入最大线电压、输入频率、输入电压、环境温度等多种蓄电池的特征信息数据,根据上述得到的市电中断事件,使用结构化查询语言(SQL)提取对应市电中断事件时间范围内的全部数据,将蓄电池样本的数据与时间匹配,得到市电中断事件。
具体还可以将蓄电池样本的数据以报警记录数据中所记录的中断时间和设备ID为限制条件和连接字段,判断关于蓄电池的数据记录是否在市电中断时间内的记录,如果判断该记录是在市电中断时间内的数据记录,则设定该数据记录为该蓄电池断电时间ID的数据。如果判断结果未否,则跳过该数据记录。
经过上述过程,可以得到以断电事件ID为分组字段,相同市电中断事件ID的市电中断数据为一组,并按照时间发生顺序进行排序,组成时间序列。但是由于数据记录过程中可能会因为不确定因素,数据可能存在缺失值,因此对存在缺失值的数据采用“时间临近方式”进行填充,选用段点前最后一个时刻记录的数据作为断电时刻的记录数据。
另外,设备信息数据是对蓄电池对应的UPS设备信息的具体描述,可以包括UPS型号、生产厂家、容量、电池信息、电池节数、UPS安装时间、电池更换时间等信息,设备信息时对设备基础能力和运行时间的描述。所以,本申请实施例也可以具体到对UPS蓄电池后备时长的预测。
上述方式能够得到若干个蓄电池样本的市电中断事件,所述市电中断事件中包括着对应的市电中断时间和蓄电池中断时间内的特征信息,其中市电中断时间即后备时间信息,所述蓄电池中断时间内的特征信息则需要进一步筛选才能得到进行模型训练的样本特征信息。由于记录的蓄电池特征信息类型过多,并且如果同时将所有的特征信息用于预测蓄电池后备时长,则可能出现过拟合现象。因此需要将得到的特征信息进行筛选,得到最具影响力的特征信息用于模型训练。
具体地,可以先将获得的蓄电池的特征信息进行分类,得到静态信息和动态信息,所述静态信息中包括若干个表征蓄电池样本设备特征的子信息,所述动态信息中包括若干个表征蓄电池样本运行特征的子信息。可以理解的是,所述动态信息是指蓄电池在使用过程中会实时改变的信息,可以包括类似电池状态、电池状态时间、电池容量、电池电压、电池温度、电池生育运行时间、电池输入线电压、电池输入最大线电压、输入最小线电压、输出电压、电池负载、输出负载率等信息。所述静态信息是指蓄电池无论处于什么状态都不会改变的信息,可以包括类似UPS类型、容量、生产厂家、电池节数、标准后备时间、网点类型等信息。
基于此,可以得到多个维度的蓄电池特征信息,基于上述若干个特征信息进行筛选,得到样本特征信息。具体可以通过将特征信息与蓄电池后备时长进行相关性分析,确定于蓄电池后备时长关系最紧密的蓄电池特征信息。可以理解的是,上述特征信息包括多个子信息,具体可以个分析各个子信息与后备时长的相关性,确定最终的特征信息。
通过分析各个特征信息与与后备时长的相关性,得到与各个特征信息对应的相关性系数,将达到预设条件的相关性系数对应的特征信息确定为样本特征信息。所述预设条件可以是相关性系数阈值,当所述特征信息对应的相关性系数达到相关性系数阈值,则将对应的特征信息确定为样本特征信息;又或者,将所述特征信息对应的相关性系数按照大小进行从大到小的循序排列,将在序列排名前10的相关性系数对应的特征信息确定为样本特征信息,具体可以根据相关性系数结果选择筛选方式,得到最终的样本特征信息。
步骤S122、基于所述样本特征信息和后备时长信息生成样本数据集。
基于上述步骤S121所述的方式能够得到若干蓄电池样本的样本特征信息和后备时长信息,生成可以投入模型训练的样本数据集。
具体地,所述样本数据集用于蓄电池后备时长确定模型的训练,所述样本数据集至少需要包括输入数据和输出数据。其中在本申请实施例中,输入数据为样本特征信息,作为模型训练过程中的特征值;输出数据为与所述样本特征信息对应的后备时长信息,作为模型训练过程中的目标值。
步骤S123、基于预设模型结构和所述样本数据集训练得到多个初始模型。
所述预设模型结构可以是一个也可以是多个,通常采用多个预设模型结构与所述样本数据集进行训练,得到多个初始模型,以便于从中挑选出最优的初始模型,以预测出最佳的蓄电池后备时长。
具体地,对所述样本数据集进行标准化,可以将所述样本数据集中的特征信息进行标准化处理,得到标准化样本数据集,所述标准化样本数据集中包括标准化样本特征信息和后备时长信息。其中后备时长信息依旧采用原有的数据信息,以便模型得到的后备时长更加直观,不需要进一步换算。
将标准化后的数据组成的数据集按照预定比例进行划分,得到训练数据集合测试数据集。所述训练数据集用于模型的训练,得到初始训练模型;而测试数据集用于测试所述初始训练模型,起到优化的作用,完善数据初始训练模型,得到初始模型。
使用相同训练数据集分别采用不同的预设模型结构进行训练,所述预设模型结构可以包括分别基于线性回归算法、Lasso算法和随机森林回归算法进行建模,得到模型结构,基于所述模型结构进行训练,分别得到多个初始训练模型。
基于所述初始训练模型和所述测试数据集进行测试,并分别对每个初始训练模型超参数进行格点搜索,获取最优参数,所述最优参数按照交叉验证结果进行确定,最终得到与每一个初始训练模型对应的初始模型。
步骤S124、对所述初始模型进行模型评估,得到与每一个初始模型对应的评估结果。
步骤S125、基于所述评估结果,在所述初始模型中确定蓄电池后备时长确定模型。
本申请实施例通过采用交叉验证的方法对各个初始模型进行模型评估,得到与所述每一个初始模型相对应的评估结果,将所述评估结果最优的初始模型确定为蓄电池后备时长确定模型。其中,确定所述评估结果是否最优可以通过对各个模型之间的平均绝对误差进行判断。
显然,本申请实施例通过对蓄电池后备时长确定模型进行筛选后确定可以应用于实际预测中的模型,以及所述得到的蓄电池后备时长确定模型的输入数据也需要蓄电池的多维度特征信息,能够使模型能够更加准确的确定待测蓄电池的电池状态,并基于此准确地确定待测蓄电池的目标后备时长。
下面是本申请实施例提供的蓄电池后备时长确定方法的具体示例,以银行系统对蓄电池的使用为该实施例对应的应用场景,银行通常需要执行信息业务以及其他金融业务,但是在面对可能出现的长时间断电情况时,则需要蓄电池作为电源,以保证银行业务在一定时间范围内正常工作,减少银行的业务损失。此时,就需要银行针对现有的蓄电池确定蓄电池的后备时长,以供银行工作人员能够在此时间范围内尽快完成紧急业务,保证银行信息的安全等。
则银行就可以采用上述方法,将银行所有的蓄电池对应的特征信息输入至蓄电池后备时长确定模型中以预测获得各个蓄电池的后备时长。此外,如果银行并不确定输入到蓄电池后备时长确定模型的具体特征信息,则可以直接将已知的蓄电池的所有特征信息输入到所述蓄电池后备时长确定模型,所述模型可以根据模型预测所需从上述银行输入的众多特征信息中提取有效的特征信息进行处理,最终预测出所述蓄电池的目标后备时长,银行则可以根据此目标后备时长安排业务,减少银行损失。
另外,不仅仅是银行,其他的企业也可以采用该方法确定蓄电池的后备时长。通常某些企业会采用特定的蓄电池,可以根据上述获取蓄电池后备时长确定模型的方法制作一各针对所述特定的蓄电池的模型,如此,更能提高对此类特定蓄电池的后备时长预测的准确性。
下面对本申请实施例提供的蓄电池后备时长确定装置进行描述,下文描述的蓄电池后备时长确定装置与上述蓄电池后备时长确定方法可以相互参照。
具体参照图3,其示出了本申请实施例提供的蓄电池后备时长确定装置的结构示意图,结合图3,该蓄电池后备时长确定装置可以包括:
信息获取单元100,用于获取待测蓄电池的特征信息,所述特征信息至少包括静态信息和动态信息,所述静态信息包括表征待测蓄电池设备信息的子信息,所述动态信息包括表征待测蓄电池运行信息的子信息;
信息处理单元200,用于将所述特征信息输入到蓄电池后备时长确定模型中进行处理,输出所述待测蓄电池的目标后备时长;
所述蓄电池后备时长确定模型是基于蓄电池样本的样本特征信息作为特征值,后备时长信息作为目标值训练得到的回归模型。
本申请实施例提供的蓄电池后备时长确定装置,通过将待测蓄电池的特征信息输入到训练好的蓄电池后备时长确定模型中进行处理,得到所述模型输出所述待测蓄电池的目标后备时长。其中,所述蓄电池后备时长确定模型是通过若干个蓄电池样本的样本特征信息和后备时长信息训练得到的。
相较于现有技术通常使用的公式计算的方法,无法根据待测蓄电池的实际情况确定准确的后备时长。本申请实施例将待测蓄电池的特征信息作为确定待测蓄电池后别时长的参考信息,所述特征信息包括有蓄电池的静态信息和动态信息,能够从多方面进行预测,确定多个因素考虑后得到的更加准确的待测蓄电池的后备时长。
优选地,所述蓄电池后备时长确定装置还包括:
样本信息获取单元,用于获取若干个蓄电池样本的样本特征信息和后备时长信息;
样本信息处理单元,用于基于所述样本特征信息和后备时长信息生成与每一个蓄电池样本对应的样本数据集,所述样本数据集包括以一个所述样本特征信息为特征,以及标注有后备时长信息的数据;
初始模型训练单元,用于基于每一个预设模型结构和所述样本数据集进行模型训练,得到与每一个预设模型相匹配的初始模型,其中,模型训练过程以每一个样本数据集中的样本特征信息作为特征值,以所述后备时长信息作为目标值,训练得到初始模型;
初始模型评估单元,用于对所述初始模型进行模型评估,得到与每一个初始模型对应的评估结果;
目标模型确定单元,用于对比所述评估结果,将达到预设条件的评估结果对应的初始模型确定为蓄电池后备时长确定模型。
优选地,其中,所述样本信息获取单元,包括:
特征信息获取子单元,用于获取若干个蓄电池样本的特征信息,所述特征信息包括静态信息和动态信息,所述静态信息中包括若干个表征蓄电池样本设备特征的子信息,所述动态信息包括若干个表征蓄电池样本运行特征的子信息;
信息筛选子单元,用于基于所述特征信息进行筛选,得到样本特征信息。
优选地,所述信息筛选子单元,包括:
后备时长信息获取子单元,用于获取若干个蓄电池样本的后备时长信息;
相关性计算子单元;用于将每一个蓄电池特征信息与所述后备时长信息进行相关性计算,得到与每一个特征信息对应的相关性系数;
样本特征信息确定子单元,用于基于每一个特征信息对应的相关性系数,在所述特征信息中确定样本特征信息。
优选地,所述初始模型训练单元,包括:
样本数据标准化子单元,用于对每一个所述样本数据集中的样本特征信息进行标准化,得到与每一个蓄电池样本对应的标准化样本数据集,所述标准化样本数据集中包括所述标准化样本特征信息和后备时长信息;
数据划分子单元,用于将所有的所述标准化样本数据集进行随机划分,得到训练数据集与测试数据集;
模型训练子单元,用于基于每一个预设模型结构与所述训练数据集进行训练,得到与每一个预设模型结构相匹配的初始训练模型;
模型测试子单元,用于基于每一个所述初始训练模型与所述测试数据集进行测试,得到与每一个所述初始训练模型相对应的初始模型。
本申请实施例提供的蓄电池后备时长确定装置可以应用于蓄电池后备时长确定设备,图4示出了本申请实施例提供的蓄电池后备时长确定设备的结构示意图,参照图4,蓄电池后备时长确定设备可以包括:至少一个处理器10,至少一个存储器20,至少一个通信总线30和至少一个通信接口40.
在本申请实施例中,处理器10、存储器20、通信总线30、通信接口40的数量为至少一个,且处理器10、存储器20、通信接口40都是通过通信总线30完成的相互之间的信息传输。
其中,处理器10可以是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecificIntegratedCircuit),或者是配置成实施本申请实施例的一个或多个集成电路等。
存储器20可以包括告诉RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少包括一个磁盘存储器。
另外,存储器中存储有计算机程序,处理器可以调用所述程序,所述程序用于实现上述蓄电池后备时长确定方法的各个处理步骤。
本申请实施例还提供了一种存储介质,该存储介质可存储有适用于处理器执行的程序,所述程序可用于实现上述的蓄电池后备时长确定方法的各个处理步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种蓄电池后备时长确定方法,其特征在于,包括:
获取待测蓄电池的特征信息,所述特征信息至少包括静态信息和动态信息,所述静态信息包括表征待测蓄电池设备特征的子信息,所述动态信息包括表征待测蓄电池运行特征的子信息;
将所述特征信息输入到蓄电池后备时长确定模型中进行处理,输出所述待测蓄电池的目标后备时长;
所述蓄电池后备时长确定模型是基于蓄电池样本的样本特征信息作为特征值,后备时长信息作为目标值训练得到的回归模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取若干个蓄电池样本的样本特征信息和后备时长信息;
基于所述样本特征信息和后备时长信息生成与每一个蓄电池样本对应的样本数据集,所述样本数据集包括以一个所述样本特征信息为特征,以及标注有后备时长信息的数据;
基于每一个预设模型结构和所述样本数据集进行模型训练,得到与每一个预设模型相匹配的初始模型,其中,模型训练过程以每一个样本数据集中的样本特征信息作为特征值,以所述后备时长信息作为目标值,训练得到初始模型;
对所述初始模型进行模型评估,得到与每一个初始模型对应的评估结果;
对比所述评估结果,将达到预设条件的评估结果对应的初始模型确定为蓄电池后备时长确定模型。
3.根据权利要求2所述的方法,其特征在于,其中,所述获取若干个蓄电池样本的样本特征信息,包括:
获取若干个蓄电池样本的特征信息,所述特征信息包括静态信息和动态信息,所述静态信息中包括若干个表征蓄电池样本设备特征的子信息,所述动态信息包括若干个表征蓄电池样本运行特征的子信息;
基于所述特征信息进行筛选,得到样本特征信息。
4.根据权利要求3所述的方法,其特征在于,所述基于所述特征信息进行筛选,得到样本特征信息,包括:
获取若干个蓄电池样本的后备时长信息;
将每一个蓄电池特征信息与所述后备时长信息进行相关性计算,得到与每一个特征信息对应的相关性系数;
基于每一个特征信息对应的相关性系数,在所述特征信息中确定样本特征信息。
5.根据权利要求2所述的方法,其特征在于,所述基于每一个预设模型结构和所述样本数据集进行模型训练,得到与每一个预设模型相匹配的初始模型,包括:
对每一个所述样本数据集中的样本特征信息进行标准化,得到与每一个蓄电池样本对应的标准化样本数据集,所述标准化样本数据集中包括所述标准化样本特征信息和后备时长信息;
将所有的所述标准化样本数据集进行随机划分,得到训练数据集与测试数据集;
基于每一个预设模型结构与所述训练数据集进行训练,得到与每一个预设模型结构相匹配的初始训练模型;
基于每一个所述初始训练模型与所述测试数据集进行测试,得到与每一个所述初始训练模型相对应的初始模型。
6.一种蓄电池后备时长确定装置,其特征在于,包括:
信息获取单元,用于获取待测蓄电池的特征信息,所述特征信息至少包括静态信息和动态信息,所述静态信息包括表征待测蓄电池设备信息的子信息,所述动态信息包括表征待测蓄电池运行信息的子信息;
信息处理单元,用于将所述特征信息输入到蓄电池后备时长确定模型中进行处理,输出所述待测蓄电池的目标后备时长;
所述蓄电池后备时长确定模型是基于蓄电池样本的样本特征信息作为特征值,后备时长信息作为目标值训练得到的回归模型。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
样本信息获取单元,用于获取若干个蓄电池样本的样本特征信息和后备时长信息;
样本信息处理单元,用于基于所述样本特征信息和后备时长信息生成与每一个蓄电池样本对应的样本数据集,所述样本数据集包括以一个所述样本特征信息为特征,以及标注有后备时长信息的数据;
初始模型训练单元,用于基于每一个预设模型结构和所述样本数据集进行模型训练,得到与每一个预设模型相匹配的初始模型,其中,模型训练过程以每一个样本数据集中的样本特征信息作为特征值,以所述后备时长信息作为目标值,训练得到初始模型;
初始模型评估单元,用于对所述初始模型进行模型评估,得到与每一个初始模型对应的评估结果;
目标模型确定单元,用于对比所述评估结果,将达到预设条件的评估结果对应的初始模型确定为蓄电池后备时长确定模型。
8.根据权利要求7所述的装置,其特征在于,其中,所述样本信息获取单元,包括:
特征信息获取子单元,用于获取若干个蓄电池样本的特征信息,所述特征信息包括静态信息和动态信息,所述静态信息中包括若干个表征蓄电池样本设备特征的子信息,所述动态信息包括若干个表征蓄电池样本运行特征的子信息;
信息筛选子单元,用于基于所述特征信息进行筛选,得到样本特征信息。
9.一种蓄电池后备时长确定设备,其特征在于,包括:
处理器和存储器;
其中,所述处理器,用于执行存储器中存储的程序;
所述存储器,用于存储程序,所述程序实现权利要求1至5任一项所述的蓄电池后备时长确定方法。
10.一种存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器加载并执行,实现权利要求1至5任一项所述的蓄电池后备时长确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211608020.8A CN116090332A (zh) | 2022-12-14 | 2022-12-14 | 一种蓄电池后备时长确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211608020.8A CN116090332A (zh) | 2022-12-14 | 2022-12-14 | 一种蓄电池后备时长确定方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116090332A true CN116090332A (zh) | 2023-05-09 |
Family
ID=86211174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211608020.8A Pending CN116090332A (zh) | 2022-12-14 | 2022-12-14 | 一种蓄电池后备时长确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090332A (zh) |
-
2022
- 2022-12-14 CN CN202211608020.8A patent/CN116090332A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
KR20190136072A (ko) | 이완 전압들에 기반하여 모바일 장치에 대한 배터리 수명을 추정하는 방법 | |
CN105071983A (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
JP5768983B2 (ja) | 契約違反予測システム、契約違反予測方法および契約違反予測プログラム | |
JP2022514992A (ja) | バッテリ診断システム、バッテリ診断方法、及び記憶媒体 | |
WO2018071005A1 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
KR20090020362A (ko) | 배터리의 장기 특성 예측 시스템 및 방법 | |
JP2015059924A (ja) | 蓄電池性能評価装置およびその方法 | |
WO2018112818A1 (zh) | 一种电池循环寿命的快速预测方法及其快速预测装置 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN109542742A (zh) | 基于专家模型的数据库服务器硬件健康评估方法 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
US11513159B1 (en) | Systems for analysis of vehicle electrical system performance | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN111858108B (zh) | 一种硬盘故障预测方法、装置、电子设备和存储介质 | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
CN116090332A (zh) | 一种蓄电池后备时长确定方法、装置、设备和存储介质 | |
JP5985328B2 (ja) | 蓄電池の残存価値格付け装置およびプログラム | |
CN114048085B (zh) | 一种磁盘故障分析方法、装置、设备及可读存储介质 | |
CN112949951A (zh) | 数据预测方法、装置、电子设备及存储介质 | |
CN112116139A (zh) | 一种电力需求预测方法及系统 | |
CN112395167A (zh) | 一种作业故障预测方法、装置及电子设备 | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
WO2024090453A1 (ja) | 情報処理方法、情報処理システム及びプログラム |
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 |