CN116148679A - 一种电池健康状态的预测方法及相关装置 - Google Patents

Abstract

本发明涉及电池管理领域，公开了一种电池健康状态的预测方法及相关装置，用于提高通信基站储能电源的电池健康状态预测准确率。方法包括：对降维参数信息进行特征提取，得到目标参数特征；构建初始电池健康状态监测模型，并对降维参数信息进行数据扩充，得到参数训练集；通过参数训练集对初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；将目标参数特征输入目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；对目标电池工作状态进行标准参数采集，通过目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果。

Description

一种电池健康状态的预测方法及相关装置

技术领域

本发明涉及电池管理领域，尤其涉及一种电池健康状态的预测方法及相关装置。

背景技术

通信基站是现代社会的重要组成部分，而储能电池则是通信基站备用电源的核心部件。为了确保通信基站的稳定运行，必须对储能电池的状态进行监测和分析。因此，研究如何准确地监测储能电池的健康状态，已成为通信基站运维中的关键问题。

目前，通信基站的储能电池健康状态监测方法主要有内阻检测、开路电压测试和温度检测等。但这些方法都存在一些缺点。内阻检测需要断开电池连接并安装专用仪表，操作不太方便；开路电压测试只能在电池处于静止状态时进行，不能实时监测电池状态；温度检测也具有一定局限性，容易受到环境温度变化的影响，即现有方案的准确率低。

发明内容

本发明提供了一种电池健康状态的预测方法及相关装置，用于提高通信基站储能电源的电池健康状态预测准确率。

本发明第一方面提供了一种电池健康状态的预测方法，所述电池健康状态的预测方法包括：

采集通信基站储能电源的电池参数信息，并采集通信基站的通信参数，其中，所述通信参数包括通信信号以及通信频率；

通过所述通信信号以及所述通信频率，对所述电池参数信息进行数据降维，得到降维参数信息；

对所述降维参数信息进行特征提取，得到目标参数特征；

构建初始电池健康状态监测模型，并对所述降维参数信息进行数据扩充，得到参数训练集；

通过所述参数训练集对所述初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；

将所述目标参数特征输入所述目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；

对所述目标电池工作状态进行标准参数采集，得到标准参数数据库；

基于所述标准参数数据库，通过所述目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果。

结合第一方面，在本发明第一方面的第一实施方式中，所述通过所述通信信号以及所述通信频率，对所述电池参数信息进行数据降维，得到降维参数信息，包括：

分别对所述通信信号以及所述通信频率进行数据提取，得到第一参数信息以及第二参数信息，其中，所述第一参数信息包括通信帧头及通信帧尾，所述第二参数信息包括通信平均频率、通信最大频率以及通信最小频率；

通过所述通信帧头及所述通信帧尾对所述电池参数信息进行滤波处理，得到第一候选电池参数信息；

通过所述第二参数信息对所述候选电池参数信息进行归一化处理，得到第二候选电池参数信息；

通过主成分分析法对所述第二候选电池参数信息进行数据降维处理，得到降维参数信息。

结合第一方面，在本发明第一方面的第二实施方式中，所述对所述降维参数信息进行特征提取，得到目标参数特征，包括：

对所述降维参数信息进行标准化处理，得到标准化参数信息；

通过相关系数分析算法对所述标准化参数信息进行相关系数分析，确定至少一个相关系数；

通过所述至少一个相关系数对所述标准化参数信息进行特征变换，得到变换特征信息；

通过所述变换特征信息对所述降维参数信息进行特征提取，得到目标参数特征。

结合第一方面，在本发明第一方面的第三实施方式中，所述通过所述参数训练集对所述初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型，包括：

将所述参数训练集输入所述初始电池健康状态监测模型进行特征提取，得到初始特征向量；

对所述初始特征向量进行矩阵转换，得到候选特征向量；

基于预置的模板特征向量数据库，通过所述初始电池健康状态监测模型进行向量相似度计算，得到相似度计算结果；

将所述相似度计算结果输入所述初始电池健康状态监测模型进行电池健康状态分析，确定待处理分析结果；

通过损失函数对所述待处理分析结果进行误差分析，得到目标数据误差；

通过所述目标数据误差对所述初始电池健康状态监测模型进行参数调整，得到目标电池健康状态监测模型。

结合第一方面，在本发明第一方面的第四实施方式中，所述将所述目标参数特征输入所述目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态，包括：

通过所述目标电池健康状态监测模型对所述目标参数特征进行电池指标分析，确定电池指标数据集合；

对所述电池指标数据集合进行聚类分析，确定多个数据类型；

基于多个所述数据类型对所述电池指标数据集合进行向量转换，得到多个特征向量；

通过所述目标电池健康状态监测模型对多个所述特征向量进行电池工作状态分析，确定目标电池工作状态。

结合第一方面，在本发明第一方面的第五实施方式中，所述对所述目标电池工作状态进行标准参数采集，得到标准参数数据库，包括：

对所述目标电池工作状态进行数据标识分析，确定多个数据标识；

通过多个所述数据标识进行列表构建，得到标准参数列表；

基于所述标准参数列表进行标准参数采集，得到标准参数数据库。

结合第一方面，在本发明第一方面的第六实施方式中，在所述基于所述标准参数数据库，通过所述目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果之后，所述电池健康状态的预测方法还包括：

对所述目标电池健康状态分析结果进行解析，得到电池健康状态信息；

对所述电池健康状态信息进行策略匹配，确定目标处理策略，并将所述目标处理策略传输至数据处理终端。

本发明第二方面提供了一种电池健康状态的预测装置，所述电池健康状态的预测装置包括：

采集模块，用于采集通信基站储能电源的电池参数信息，同时，采集通信基站的通信参数，其中，所述通信参数包括通信信号以及通信频率；

降维模块，用于通过所述通信信号以及所述通信频率，对所述电池参数信息进行数据降维，得到降维参数信息；

提取模块，用于对所述降维参数信息进行特征提取，得到目标参数特征；

扩充模块，用于构建初始电池健康状态监测模型，并对所述降维参数信息进行数据扩充，得到参数训练集；

训练模块，用于通过所述参数训练集对所述初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；

分析模块，用于将所述目标参数特征输入所述目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；

获取模块，用于对所述目标电池工作状态进行标准参数采集，获取标准参数数据库；

确定模块，用于基于所述标准参数数据库，通过所述目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果。

本发明第三方面提供了一种电池健康状态的预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述电池健康状态的预测设备执行上述的电池健康状态的预测方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的电池健康状态的预测方法。

本发明提供的技术方案中，对电池参数信息进行数据降维，得到降维参数信息；对降维参数信息进行特征提取，得到目标参数特征；构建初始电池健康状态监测模型，并对降维参数信息进行数据扩充，得到参数训练集；通过参数训练集对初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；将目标参数特征输入目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；对目标电池工作状态进行标准参数采集，通过目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果，本发明通过对通信基站的通信参数结合电池状态参数，并通过深度学习模型进行电池健康状态的预测分析，解决了通信基站的储能电池难以常态化检测的问题，提高了通信基站储能电源的电池健康状态预测准确率。

附图说明

图1为本发明实施例中电池健康状态的预测方法的一个实施例示意图；

图2为本发明实施例中特征提取的流程图；

图3为本发明实施例中模型训练的流程图；

图4为本发明实施例中电池工作状态分析的流程图；

图5为本发明实施例中电池健康状态的预测装置的一个实施例示意图；

图6为本发明实施例中电池健康状态的预测设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种电池健康状态的预测方法及相关装置，用于提高通信基站储能电源的电池健康状态预测准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，用于这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，服务器包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中电池健康状态的预测方法的一个实施例包括：

S101、采集通信基站储能电源的电池参数信息，并采集通信基站的通信参数，其中，通信参数包括通信信号以及通信频率；

可以理解的是，本发明的执行主体可以为电池健康状态的预测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，服务器选取参数采集所需的储能电池健康状态监测设备，其中，储能电池健康状态监测设备包括内阻测试仪、多功能电池测试仪、电化学测试仪等。将监测设备直接连接到通信基站的储能电源上，并通过数据线连接到相应的监测仪表上。此外，为了确保监测设备的稳定运行和安全性，还需要对设备进行可靠的接地和绝缘处理。服务器配置监测系统，在安装完监测设备之后，对监测系统进行配置，包括设备的参数设置、采集频率的选择、数据传输的方式等。服务器在完成监测设备的安装和配置之后，进行数据采集和分析。数据采集通过计算机软件或者直接读取仪器上的数值来实现，数据分析则根据实际需求进行不同的处理。进一步地，服务器采集通信参数，其中，通信参数包括通信信号、通信频率等。服务器通过功率分析仪、频谱分析仪等专用设备对通信基站的通信参数进行测量和分析。

S102、通过通信信号以及通信频率，对电池参数信息进行数据降维，得到降维参数信息；

具体的，服务器确定通信信号和通信频率。电池管理系统中使用标准协议或自定义协议来传输数据。在通信基站储能电源中，通过CAN（控制器局域网）协议。通信频率是指数据传输的频率，通常以Hz为单位。根据应用场景和系统要求来选择通信信号和通信频率。服务器确定需要降维的电池参数信息。电池参数信息包括电压、温度、容量等多种因素。服务器确定需要降维的参数信息以及降维程度。采集电池参数信息，通过传感器或其他方式采集电池参数信息，并将其转换为数字信号。服务器进行数据降维。在这一步骤中，通过算法来对电池参数信息进行降维处理。服务器通过主成分分析算法来将高维度的数据降为低维度数据。这里需要注意，降维后的数据保留原始数据的有效信息。服务器通过通信信号传输降维参数信息。将降维后的参数信息通过通信信号以及先前确定的通信频率进行传输。传输的数据经过加密和校验等处理，以确保数据的完整性和安全性。服务器接收降维参数信息并进行解码。接收端需要根据之前约定的协议，解码得到降维参数信息。

S103、对降维参数信息进行特征提取，得到目标参数特征；

需要说明的是，服务器进行特征提取是通过统计学方法、机器学习方法和深度学习方法等。具体的，服务器基于统计学的特征提取方法，在提取出多个特征之后，选择其中最具有代表性和区分性的特征，并将其作为目标参数特征。其中，特征选择方法包括相关系数分析、卡方检验、L1正则化等。服务器进行特征重要性分析，对选择出的目标参数特征进行重要性分析，确认所选特征是否能够很好地描述目标参数信息，并为后续的模型训练和应用提供支持。其中，特征重要性分析方法包括基于决策树的特征重要性分析、基于梯度提升的特征重要性分析等。

S104、构建初始电池健康状态监测模型，并对降维参数信息进行数据扩充，得到参数训练集；

具体的，服务器对降维参数信息进行数据扩充，在降维参数信息上进行监测通过大量的标记数据来进行训练和验证。由于标记数据的获得和标记过程的耗时和成本较高，因此通过数据扩充技术来增加数据样本数量，从而提高监测模型的泛化能力。其中，服务器构建初始电池健康状态监测模型，采用深度学习模型来构建电池健康状态监测模型，服务器将降维参数信息转换为图像，然后使用卷积神经网络来提取特征并进行监测。在构建初始电池健康状态监测模型时，通过进行相关参数和结构的选择，具体包括：（1）网络结构：采用常见的卷积神经网络架构，如VGG、ResNet等，选择合适的深度和宽度参数，以得到更好的分类性能。（2）学习率和优化器：通过多次实验找到最佳学习率和优化器超参组合，以提高训练效率和准确率。（3）损失函数：选择适当的损失函数，如交叉熵损失、均方误差等，以分析模型的性能。服务器得到参数训练集，在构建初始监测模型之前，通过先获得标记数据，并将其转换为图像格式。通过数据扩充技术在较少的标记数据情况下提高模型的准确率。选择合适的数据扩充方法后，从原始数据中随机裁剪出若干张图片，并对其进行水平翻转等操作，从而生成更多的数据样本。最后，将扩充后的数据样本转化为适合卷积神经网络训练的数据格式。

S105、通过参数训练集对初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；

具体的，服务器确定监测的电池健康状态指标。电池健康状态指标通常包括电压、温度、容量等因素。根据电池管理系统的实际需求，选择需要监测的指标。收集参数训练集。参数训练集是指已经标注好电池健康状态的数据集合。可以通过实验室测试或者应用场景中的实际数据来收集训练集。将训练集分为训练集和测试集。训练集用于模型的训练，测试集用于分析模型的精度和可靠性。通常的做法是将数据集按照一定的比例分成训练集和测试集。利用机器学习算法对初始电池健康状态监测模型进行模型训练。其中，机器学习算法包括支持向量机（SVM）、决策树、神经网络等。在这一步骤中，可以选择合适的机器学习算法来构建模型，并将训练集输入到模型中进行训练。通过测试集分析模型的精度和可靠性。将测试集输入到已经训练好的模型中进行预测，并将预测结果与真实值进行比较，计算模型的准确率、召回率、F1值等指标。如果模型的表现不佳，则需要调整模型参数或重新选择模型算法。优化模型并重复以上步骤，直到满足要求。在模型优化过程中，服务器加入新的特征变量、改进算法等方式来提高模型的预测精度和可靠性。使用目标电池健康状态监测模型进行实际监测。当模型的预测精度和可靠性符合实际需求时，得到目标电池健康状态监测模型。

S106、将目标参数特征输入目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；

具体的，服务器将目标参数特征输入目标电池健康状态监测模型中，将特征信息作为输入，传递到目标电池健康状态监测模型中。服务器对模型输出进行分析和判断，确定目标电池工作状态。

S107、对目标电池工作状态进行标准参数采集，得到标准参数数据库；

具体的，服务器确定目标电池工作状态的数据标识。服务器将电池参数信息与电池工作状态进行关联，并确定多个数据标识，以反映不同的电池工作状态。服务器在通信基站储能电源中，将剩余容量、温度、电流等因素作为数据标识，以反映电池的充放电状态、健康状况等。服务器通过多个数据标识进行列表构建。服务器将多个数据标识组合成一个列表，并对其进行分类和排序。分类可以根据电池工作状态进行划分，排序可以根据数据标识的重要性进行排序。服务器基于标准参数列表进行标准参数采集。服务器采集与标准参数列表相对应的电池参数信息。采集的参数信息应该具有高精度和低噪声，以确保采集的数据质量和可靠性。参数采集通过传感器、测试仪器等。服务器将采集的标准参数信息存储到标准参数数据库中。服务器将采集到的标准参数信息存储到标准参数数据库中，并对其进行标记和分类。标记是根据电池工作状态进行标记，分类是根据数据标识进行分类。服务器对标准参数数据库进行管理和维护。服务器对标准参数数据库进行管理和维护，以确保其可靠性和实时性。管理和维护可以包括数据备份、数据恢复、数据清理等。

S108、基于标准参数数据库，通过目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果。

具体的，服务器获取目标电池参数信息。这里需要采集目标电池的参数信息，并将其转换为数字信号。然后，对数字信号进行滤波、去噪等预处理操作，以提高数据质量和精度。服务器根据目标电池参数信息查询标准参数数据库。将目标电池参数信息与标准参数数据库中的数据进行匹配和比较，以找到最相似的标准参数信息。服务器通过目标电池健康状态监测模型进行电池健康状态分析。将标准参数信息输入到目标电池健康状态监测模型中，并进行电池健康状态分析。分析结果可以包括电池剩余容量、电池寿命等。服务器确定目标电池健康状态分析结果。根据电池健康状态分析的结果来确定目标电池的工作状态。服务器在通信基站储能电源中，可以根据剩余容量来判断是否需要充电；可以根据电池寿命来预测电池的使用寿命等。

本发明实施例中，对电池参数信息进行数据降维，得到降维参数信息；对降维参数信息进行特征提取，得到目标参数特征；构建初始电池健康状态监测模型，并对降维参数信息进行数据扩充，得到参数训练集；通过参数训练集对初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；将目标参数特征输入目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；对目标电池工作状态进行标准参数采集，通过目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果，本发明通过对通信基站的通信参数结合电池状态参数，并通过深度学习模型进行电池健康状态的预测分析，解决了通信基站的储能电池难以常态化检测的问题，提高了通信基站储能电源的电池健康状态预测准确率。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）分别对通信信号以及通信频率进行数据提取，得到第一参数信息以及第二参数信息，其中，第一参数信息包括通信帧头及通信帧尾，第二参数信息包括通信平均频率、通信最大频率以及通信最小频率；

（2）通过通信帧头及通信帧尾对电池参数信息进行滤波处理，得到第一候选电池参数信息；

（3）通过第二参数信息对候选电池参数信息进行归一化处理，得到第二候选电池参数信息；

（4）通过主成分分析法对第二候选电池参数信息进行数据降维处理，得到降维参数信息。

具体的，服务器对通信信号进行数据提取，分别提取通信帧头和通信帧尾，以及通信频率的相关信息。其中，通信帧头和帧尾是通信协议中用于标识数据包边界的信息，可用于定位电池参数信息的位置；通信平均频率、最大频率和最小频率则用于后续的归一化处理。服务器使用滤波器对通过帧头与帧尾定位的电池参数信息进行滤波处理，得到第一候选电池参数信息。滤波器采用数字滤波器去除噪声等干扰因素，提高提取电池参数信息的准确性。服务器根据通信频率信息对第一候选电池参数信息进行归一化处理，得到第二候选电池参数信息。归一化使不同采集点采集到的电池参数值在同一量纲下进行比较，便于进一步的处理和分析。服务器基于主成分分析法对第二候选电池参数信息进行数据降维处理，得到降维参数信息。通过主成分分析，将高维数据压缩为低维空间，并保留原始数据中的主要信息。进而服务器提取电池参数信息，得到降维参数信息，减少了数据的冗余性，使得后续分析更加高效和准确。

在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：

S201、对降维参数信息进行标准化处理，得到标准化参数信息；

S202、通过相关系数分析算法对标准化参数信息进行相关系数分析，确定至少一个相关系数；

S203、通过至少一个相关系数对标准化参数信息进行特征变换，得到变换特征信息；

S204、通过变换特征信息对降维参数信息进行特征提取，得到目标参数特征。

具体的，服务器对降维参数信息进行标准化处理，将降维参数信息转化为具有统一标准差和均值的形式，用于更好地进行相关系数分析。标准化处理通过z-score算法或min-max归一化算法等。服务器通过相关系数分析算法对标准化参数信息进行相关系数分析，确定至少一个相关系数。相关系数反映各个参数之间的关联程度。服务器通过皮尔逊相关系数或斯皮尔曼等级相关系数等算法进行分析。在分析过程中，根据相关系数的大小来选取重要的参数组合。服务器通过至少一个相关系数对标准化参数信息进行特征变换，得到变换特征信息。特征变换通过主成分分析等算法实现，将原始的标准化参数信息映射到新的特征空间中，并且保留原始信息中最为重要的成分。服务器通过变换特征信息对降维参数信息进行特征提取，得到目标参数特征。将变换后的特征信息与原始参数信息结合，提取出与电池状态相关的特征，根据目标参数特征来预测电池健康状态。

在一具体实施例中，如图3所示，执行步骤S105的过程可以具体包括如下步骤：

S301、将参数训练集输入初始电池健康状态监测模型进行特征提取，得到初始特征向量；

S302、对初始特征向量进行矩阵转换，得到候选特征向量；

S303、基于预置的模板特征向量数据库，通过初始电池健康状态监测模型进行向量相似度计算，得到相似度计算结果；

S304、将相似度计算结果输入初始电池健康状态监测模型进行电池健康状态分析，确定待处理分析结果；

S305、通过损失函数对待处理分析结果进行误差分析，得到目标数据误差；

S306、通过目标数据误差对初始电池健康状态监测模型进行参数调整，得到目标电池健康状态监测模型。

具体的，服务器将参数训练集输入初始电池健康状态监测模型进行特征提取，得到初始特征向量。对初始特征向量进行矩阵转换，得到候选特征向量。候选特征向量将作为相似度计算和误差分析的基础。服务器基于预置的模板特征向量数据库，通过初始电池健康状态监测模型进行向量相似度计算，得到相似度计算结果。通过相似度计算方法，例如欧几里德距离、余弦相似度等。在计算之前，对候选特征向量进行归一化处理，使其尺度相同。服务器将相似度计算结果输入初始电池健康状态监测模型进行电池健康状态分析，确定待处理分析结果。通过损失函数对待处理分析结果进行误差分析，得到目标数据误差。其中，损失函数包括均方误差、交叉熵等。服务器通过目标数据误差对初始电池健康状态监测模型进行参数调整，得到目标电池健康状态监测模型。通过预设的优化算法，例如梯度下降来调整模型参数以最小化误差，得到目标电池健康状态监测模型。其中，目标电池健康状态监测模型包括：一维卷积神经网络层，该一维卷积神经网络层的卷积核宽为特征维度Dim，卷积核大小记为Lcon，卷积核数量记为Ncon，局部特征为Lwin×Ncon的数据矩阵；两层LSTM层，该两层LSTM层采用所述预测模型的第二层对所述局部特征进行时序特征提取，该两层LSTM分别设置有激活函数、神经元个数、以及Dropout；三个全连接层，采用三个全连接层进行预测，得到预测结果。

在一具体实施例中，如图4所示，执行步骤S106的过程可以具体包括如下步骤：

S401、通过目标电池健康状态监测模型对目标参数特征进行电池指标分析，确定电池指标数据集合；

S402、对电池指标数据集合进行聚类分析，确定多个数据类型；

S403、基于多个数据类型对电池指标数据集合进行向量转换，得到多个特征向量；

S404、通过目标电池健康状态监测模型对多个特征向量进行电池工作状态分析，确定目标电池工作状态。

具体的，服务器进行电池指标分析，通过目标电池健康状态监测模型对目标参数特征进行电池指标分析，确定电池指标数据集合。基于电池指标数据集合的时间属性对电池指标数据集合进行离散化，得到各时间点下各类电参数的具体数值；对电池指标数据集合进行聚类分析，确定多个数据类型，基于多个数据类型对电池指标数据集合进行向量转换，得到多个特征向量，其中，多个特征向量至少包括：电压特征向量、内阻变化向量以及温度特征向量，其中，电池指标数据集合包括电压、电流、温度、容量等。进一步地，服务器进行聚类分析，对电池指标数据集合进行聚类分析，确定多个数据类型。其中，聚类算法包括K-means算法、层次聚类等。聚类分析可以将相似的数据点分组，生成数据的结构和特征。服务器进行向量转换，基于多个数据类型对电池指标数据集合进行向量转换，得到多个特征向量。通过向量转换提取数据中的主要特征，并将其表示为低维向量。服务器进行电池工作状态分析，通过目标电池健康状态监测模型对多个特征向量进行电池工作状态分析，确定目标电池工作状态。

在一具体实施例中，执行步骤S107的过程可以具体包括如下步骤：

（1）对目标电池工作状态进行数据标识分析，确定多个数据标识；

（2）通过多个数据标识进行列表构建，得到标准参数列表；

（3）基于标准参数列表进行标准参数采集，得到标准参数数据库。

具体的，服务器对目标电池的工作状态进行标准参数采集。常见的参数包括电压、电流、温度、容量等。通过仪器和设备进行采集，例如数字多用表、温度计、充放电测试仪等。在采集过程中，记录下采集时间和位置等信息。服务器获得原始参数数据后，进行数据处理来清洗和预处理数据。数据处理包括去除异常值、填补缺失值、归一化等。通过以下任一种统计方法和机器学习算法进行数据处理，例如均值、中位数、插值法、离群点检测等。处理后的数据存储到数据库中，在数据库构建过程中，需要确定合适的数据库结构和存储格式。常见的数据库类型包括关系型数据库和非关系型数据库等。通过数据库管理工具并基于标准参数列表进行标准参数采集，得到标准参数数据库。

在一具体实施例中，执行上述电池健康状态的预测方法还包括如下步骤：

（1）对目标电池健康状态分析结果进行解析，得到电池健康状态信息；

（2）对电池健康状态信息进行策略匹配，确定目标处理策略，并将目标处理策略传输至数据处理终端。

具体的，服务器对目标电池健康状态分析结果进行解析，获得电池健康状态信息。服务器在解析过程中，结合历史数据和外部环境因素进行判断。服务器对电池健康状态信息进行策略匹配，确定目标处理策略。目标处理策略包括电池维护、充放电控制以及温度管理。服务器根据电池健康状态信息和历史数据，制定不同级别的处理策略，并设置响应规则和阈值等。服务器将确定的目标处理策略传输至数据处理终端，以实现自动化处理。通过通信协议和数据传输方式，设置适当的传输频率和质量控制，将目标处理策略传输至数据处理终端。具体的，获取接收到的目标处理策略，并基于处理类型将目标处理策略归类，得到策略信息集群，将策略信息集群进行压缩打包，得到压缩包，基于策略信息集群对压缩包进行排序，基于策略信息集群对排序后的压缩包添加包头标识，得到目标压缩包，并将目标压缩包传输至预设监控终端；数据处理终端对接收到的目标压缩包进行二次解压，并基于包头标识将各解压后的各策略信息集群分别与对应的报警阈值进行比对，基于比对结果判定存在异常取值时进行报警操作。

上面对本发明实施例中电池健康状态的预测方法进行了描述，下面对本发明实施例中电池健康状态的预测装置进行描述，请参阅图5，本发明实施例中电池健康状态的预测装置一个实施例包括：

采集模块501，用于采集通信基站储能电源的电池参数信息，同时，采集通信基站的通信参数，其中，所述通信参数包括通信信号以及通信频率；

降维模块502，用于通过所述通信信号以及所述通信频率，对所述电池参数信息进行数据降维，得到降维参数信息；

提取模块503，用于对所述降维参数信息进行特征提取，得到目标参数特征；

扩充模块504，用于构建初始电池健康状态监测模型，并对所述降维参数信息进行数据扩充，得到参数训练集；

训练模块505，用于通过所述参数训练集对所述初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；

分析模块506，用于将所述目标参数特征输入所述目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；

获取模块507，用于对所述目标电池工作状态进行标准参数采集，获取标准参数数据库；

确定模块508，用于基于所述标准参数数据库，通过所述目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果。

通过上述各个组成部分的协同合作，对电池参数信息进行数据降维，得到降维参数信息；对降维参数信息进行特征提取，得到目标参数特征；构建初始电池健康状态监测模型，并对降维参数信息进行数据扩充，得到参数训练集；通过参数训练集对初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；将目标参数特征输入目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；对目标电池工作状态进行标准参数采集，通过目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果，本发明通过对通信基站的通信参数结合电池状态参数，并通过深度学习模型进行电池健康状态的预测分析，解决了通信基站的储能电池难以常态化检测的问题，提高了通信基站储能电源的电池健康状态预测准确率。

上面图5从模块化功能实体的角度对本发明实施例中的电池健康状态的预测装置进行详细描述，下面从硬件处理的角度对本发明实施例中电池健康状态的预测设备进行详细描述。

图6是本发明实施例提供的一种电池健康状态的预测设备的结构示意图，该电池健康状态的预测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（服务器一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对电池健康状态的预测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在电池健康状态的预测设备600上执行存储介质630中的一系列指令操作。

电池健康状态的预测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的电池健康状态的预测设备结构并不构成对电池健康状态的预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种电池健康状态的预测设备，所述电池健康状态的预测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述电池健康状态的预测方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述电池健康状态的预测方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的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全部或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（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电池健康状态的预测方法，其特征在于，所述电池健康状态的预测方法包括：

采集通信基站储能电源的电池参数信息，并采集通信基站的通信参数，其中，所述通信参数包括通信信号以及通信频率；

通过所述通信信号以及所述通信频率，对所述电池参数信息进行数据降维，得到降维参数信息；

对所述降维参数信息进行特征提取，得到目标参数特征；

构建初始电池健康状态监测模型，并对所述降维参数信息进行数据扩充，得到参数训练集；

通过所述参数训练集对所述初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；

将所述目标参数特征输入所述目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；

对所述目标电池工作状态进行标准参数采集，得到标准参数数据库；

基于所述标准参数数据库，通过所述目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果。

2.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述通过所述通信信号以及所述通信频率，对所述电池参数信息进行数据降维，得到降维参数信息，包括：

分别对所述通信信号以及所述通信频率进行数据提取，得到第一参数信息以及第二参数信息，其中，所述第一参数信息包括通信帧头及通信帧尾，所述第二参数信息包括通信平均频率、通信最大频率以及通信最小频率；

通过所述通信帧头及所述通信帧尾对所述电池参数信息进行滤波处理，得到第一候选电池参数信息；

通过所述第二参数信息对所述候选电池参数信息进行归一化处理，得到第二候选电池参数信息；

通过主成分分析法对所述第二候选电池参数信息进行数据降维处理，得到降维参数信息。

3.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述对所述降维参数信息进行特征提取，得到目标参数特征，包括：

对所述降维参数信息进行标准化处理，得到标准化参数信息；

通过相关系数分析算法对所述标准化参数信息进行相关系数分析，确定至少一个相关系数；

通过所述至少一个相关系数对所述标准化参数信息进行特征变换，得到变换特征信息；

通过所述变换特征信息对所述降维参数信息进行特征提取，得到目标参数特征。

4.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述通过所述参数训练集对所述初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型，包括：

将所述参数训练集输入所述初始电池健康状态监测模型进行特征提取，得到初始特征向量；

对所述初始特征向量进行矩阵转换，得到候选特征向量；

基于预置的模板特征向量数据库，通过所述初始电池健康状态监测模型进行向量相似度计算，得到相似度计算结果；

将所述相似度计算结果输入所述初始电池健康状态监测模型进行电池健康状态分析，确定待处理分析结果；

通过损失函数对所述待处理分析结果进行误差分析，得到目标数据误差；

通过所述目标数据误差对所述初始电池健康状态监测模型进行参数调整，得到目标电池健康状态监测模型。

5.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述将所述目标参数特征输入所述目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态，包括：

通过所述目标电池健康状态监测模型对所述目标参数特征进行电池指标分析，确定电池指标数据集合；

对所述电池指标数据集合进行聚类分析，确定多个数据类型；

基于多个所述数据类型对所述电池指标数据集合进行向量转换，得到多个特征向量；

通过所述目标电池健康状态监测模型对多个所述特征向量进行电池工作状态分析，确定目标电池工作状态。

6.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述对所述目标电池工作状态进行标准参数采集，得到标准参数数据库，包括：

对所述目标电池工作状态进行数据标识分析，确定多个数据标识；

通过多个所述数据标识进行列表构建，得到标准参数列表；

基于所述标准参数列表进行标准参数采集，得到标准参数数据库。

7.根据权利要求1所述的电池健康状态的预测方法，其特征在于，在所述基于所述标准参数数据库，通过所述目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果之后，所述电池健康状态的预测方法还包括：

对所述目标电池健康状态分析结果进行解析，得到电池健康状态信息；

对所述电池健康状态信息进行策略匹配，确定目标处理策略，并将所述目标处理策略传输至数据处理终端。

8.一种电池健康状态的预测装置，其特征在于，所述电池健康状态的预测装置包括：

采集模块，用于采集通信基站储能电源的电池参数信息，同时，采集通信基站的通信参数，其中，所述通信参数包括通信信号以及通信频率；

降维模块，用于通过所述通信信号以及所述通信频率，对所述电池参数信息进行数据降维，得到降维参数信息；

提取模块，用于对所述降维参数信息进行特征提取，得到目标参数特征；

扩充模块，用于构建初始电池健康状态监测模型，并对所述降维参数信息进行数据扩充，得到参数训练集；

训练模块，用于通过所述参数训练集对所述初始电池健康状态监测模型进行模型训练，得到目标电池健康状态监测模型；

分析模块，用于将所述目标参数特征输入所述目标电池健康状态监测模型进行电池工作状态分析，确定目标电池工作状态；

获取模块，用于对所述目标电池工作状态进行标准参数采集，获取标准参数数据库；

确定模块，用于基于所述标准参数数据库，通过所述目标电池健康状态监测模型进行电池健康状态分析，确定目标电池健康状态分析结果。

9.一种电池健康状态的预测设备，其特征在于，所述电池健康状态的预测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述电池健康状态的预测设备执行如权利要求1-7中任一项所述的电池健康状态的预测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的电池健康状态的预测方法。

Images