CN116541718A - 电池容量跳水识别模型的训练方法、装置、设备及介质 - Google Patents

Abstract

本申请提供了一种电池容量跳水识别模型的训练方法、装置、设备及介质，其中，该方法包括：获取多个电池在多次充放电操作后分别形成的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻；将每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的实际容量跳水信息作为标签训练多种集成学习模型，得到训练好的每种集成学习模型并在训练好的多种集成学习模型中确定电池容量跳水识别模型。本申请解决了现有技术中电池容量跳水识别不准确的技术问题，达到了提高电池容量跳水识别的准确率和识别效率的技术效果。

Description

电池容量跳水识别模型的训练方法、装置、设备及介质

技术领域

本申请涉及电池技术领域，尤其涉及一种电池容量跳水识别模型的训练方法、装置、设备及介质。

背景技术

锂电池容量在使用一段时间后可能会出现电池容量跳水现象。电池容量跳水现象一般指电池在使用过程中，随着充放电次数的增加，电池容量呈现近似线性的衰退后出现突然大幅度衰退的现象。这预示着出现了新的老化机制主导了电池容量的衰减过程。这种突然的衰减，很大程度上影响电池的正常使用，也通常意味着需要更新电池。由于“木桶效应”，锂电池容量“电池容量跳水”在串联的电池组中产生的后果较单体电池来说更为严重。

现有的锂电池电池容量跳水识别方法是通过人工肉眼对电池容量曲线进行识别，该方法的弊端是无法对大批量的电池容量曲线进行识别，且影响识别的准确度。第二种方法是对电池容量曲线的几何特征进行阈值判别，该方法可以对大批量电池进行识别，但弊端是阈值是人为设置，受主观因素影响较大，也影响识别的准确度。第三种方法为通过机器学习模型识别电池容量曲线，该方法仅依赖电池容量曲线的走势而确定电池是否出现电池容量跳水现象，导致机器学习模型的预测结果不准确。

发明内容

有鉴于此，本申请的目的在于至少提供一种电池容量跳水识别模型的训练方法、装置、设备及介质，通过使用多个电池的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻训练多个集成学习模型，并得到每种集成学习模型的评价指标，依据各个集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型，解决了现有技术中电池容量跳水识别不准确的技术问题，达到了提高电池容量跳水识别的准确率和识别效率的技术效果。

本申请主要包括以下几个方面：

本申请实施例提供一种电池容量跳水识别模型的训练方法，所述电池容量跳水识别模型的训练方法包括：获取多个电池在多次充放电操作后分别形成的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻；所述实际容量跳水信息用于描述每个电池在多次充放电操作后是否出现容量跳水现象；将每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的所述实际容量跳水信息作为标签训练多种集成学习模型，得到训练好的每种集成学习模型和该种集成学习模型的评价指标；依据每种集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型。

可选地，通过以下方式训练多种集成学习模型和得到每种集成学习模型的评价指标：将多个电池的电池容量曲线的几何特征、每个电池在多个预设充放电次数分别对应的电池放电电阻和该电池的所述实际容量跳水信息分为训练集和测试集；将所述训练集拆分为多个训练子集；将所述多个训练子集基于交叉验证法对该种集成学习模型的第一层学习器的每个基学习器进行训练，并得到每个基学习器的预测容量跳水信息；将该种集成学习模型的第一层学习器的每个基学习器的预测容量跳水信息作为样本数据，将所述预测容量跳水信息对应的电池的实际容量跳水信息作为标签训练该种集成学习模型的第二层学习器；依据所述测试集对训练好的每种集成学习模型进行验证，得到每种集成学习模型的评价指标。

可选地，依据所述测试集对训练好的每种集成学习模型进行验证，得到每种集成学习模型的评价指标，包括：将所述测试集中每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻输入至训练好的每种集成学习模型中，得到每种集成学习模型输出的该电池对应的预测容量跳水信息；统计所述测试集的电池在每种集成学习模型下的第一电池数量、第二电池数量、第三电池数量和第四电池数量；其中，第一电池数量为所述预测容量跳水信息与所述实际容量跳水信息均为出现容量跳水现象的电池数量，第二电池数量为所述预测容量跳水信息为出现容量跳水现象且所述实际容量跳水信息为未出现容量跳水现象的电池数量，第三电池数量为所述预测容量跳水信息为未出现容量跳水现象且所述实际容量跳水信息为出现容量跳水现象的电池数量，第四电池数量为所述预测容量跳水信息与所述实际容量跳水信息均为未出现容量跳水现象的电池数量；基于每种集成学习模型的所述第一电池数量、所述第二电池数量、所述第三电池数量和所述第四电池数量，确定该种集成学习模型的准确率、查准率、召回率和F1指标；将每种集成学习模型的准确率、查准率、召回率和F1指标，作为该种集成学习模型的评价指标。

可选地，通过以下方式确定每种集成学习模型的第一层学习器和第二层学习器：在多种学习器中选择一个学习器作为第二层学习器；将多种学习器中除所述第二层学习器之外的学习器中选择预设数量的学习器作为第一层学习器中的基学习器。

可选地，电池容量跳水识别模型的第一层学习器包括：逻辑斯蒂回归模型、支持向量机模型、自适应增强模型、随机森林模型，所述电池容量跳水识别模型的第二层学习器为极限提升树模型。

可选地，每个电池的电池容量曲线的几何特征包括：电池容量曲线是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率；每个电池在多个预设充放电次数分别对应的电池放电电阻包括：曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻。

可选地，方法还包括：将目标电池在多次充放电操作后形成的电池容量曲线和目标电池在多个预设充放电次数分别对应的电池放电电阻输入至电池容量跳水识别模型中，得到所述电池容量跳水识别模型输出的目标电池的预测容量跳水信息。

第二方面，本申请实施例还提供一种电池容量跳水识别模型的训练装置，所述电池容量跳水识别模型的训练装置包括：获取模块，用于获取多个电池在多次充放电操作后分别形成的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻；所述实际容量跳水信息用于描述每个电池在多次充放电操作后是否出现容量跳水现象；训练模块，用于将每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的所述实际容量跳水信息作为标签训练多种集成学习模型，得到训练好的每种集成学习模型和该种集成学习模型的评价指标；确定模块，用于依据每种集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型。

第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的电池容量跳水识别模型的训练方法的步骤。

第四方面，本申请实施例还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上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的电池容量跳水识别模型的训练方法的步骤。

本申请实施例提供的一种电池容量跳水识别模型的训练方法、装置、设备及介质，该方法包括：获取多个电池在多次充放电操作后分别形成的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻；将每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的实际容量跳水信息作为标签训练多种集成学习模型，得到训练好的每种集成学习模型和该种集成学习模型的评价指标；依据每种集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型。本申请通过训练多个集成学习模型并得到每种集成学习模型的评价指标，依据各个集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型，解决了现有技术中电池容量跳水识别不准确的技术问题，达到了提高电池容量跳水识别的准确率和识别效率的技术效果。

为使本申请的上述目的、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

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种电池容量跳水识别模型的训练方法的流程图。

图2示出了本申请实施例所提供的依据测试集对训练好的每种集成学习模型进行验证得到每种集成学习模型的评价指标的步骤的流程图。

图3示出了本申请实施例所提供的一种电池容量跳水识别模型的训练装置的功能模块图。

图4示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，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。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。

现有技术中，通过人工肉眼观察电池容量曲线识别电池是否出现容量跳水现象，影响识别的准确度；或者，对电池容量曲线的几何特征进行阈值判别，弊端是阈值是人为设置，受主观因素影响较大，也影响识别的准确度；还可以通过机器学习模型识别电池容量曲线，该方法仅依赖电池容量曲线的走势而确定电池是否出现容量跳水现象，导致机器学习模型的预测结果不准确。

基于此，本申请实施例提供了一种电池容量跳水识别模型的训练方法、装置、设备及介质，通过训练多个集成学习模型并得到每种集成学习模型的评价指标，依据各个集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型，解决了现有技术中电池容量跳水识别不准确的技术问题，达到了提高电池容量跳水识别的准确率和识别效率的技术效果。具体如下：

请参阅图1，图1为本申请实施例所提供的一种电池容量跳水识别模型的训练方法的流程图。如图1所示，本申请实施例提供的电池容量跳水识别模型的训练方法，包括以下步骤：

S101：获取多个电池在多次充放电操作后分别形成的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻。

所述实际容量跳水信息用于描述每个电池在多次充放电操作后是否出现容量跳水现象。

也就是说，针对每个电池，对该电池进行预设充放电次数的充放电操作，得到该电池的电池容量曲线。同时，多个电池中的每个电池均需要获取该电池在多个预设充放电次数分别对应的电池放电电阻，以及每个电池在进行多次充放电操作后的实际容量跳水信息。

这对每个电池，每次充放电操作可以理解为先将该电池充满电再对该电池的电量放尽，在充放电操作的放电过程中确定电池的实际电池容量。因此，每个电池在每次充放电操作均可以获取该电池的一个实际电池容量。

从而，依据每个电池在每次充放电操作对应的实际电池容量，可以绘制出该电池的电池容量散点图，电池容量散点图中每个点的横坐标对应充放电次数，纵坐标对应实际电池容量。还可以在绘制每个电池的电池容量散点图之前，还可以对每个电池的所有充放电操作对应的实际电池容量进行异常值处理。异常值一般指的是实际电池容量异常掉零的情况。对于异常值处理方法可以通过向后插补的方式进行修正，以对异常值处理后的每个电池的所有充放电操作的实际电池容量的绘制电池容量散点图。

对每个电池的电池容量散点图通过Savitzky-Golay滤波器（Savitzky-Golay滤波拟合法）进行处理，得到该电池的电池容量曲线，或者，将每个电池的电池容量散点图中相邻的两个点进行连接，得到该电池的电池容量曲线。每个电池的电池容量曲线上的电池容量点的横坐标对应充放电操作次数，纵坐标对应该电池在每次充放电操作下的电池容量。

Savitzky-Golay滤波器，其核心思想是对一定长度窗口内的数据点进行k阶多项式拟合，从而得到拟合后的结果。对它进行离散化处理后，Savitzky-Golay滤波其实是一种移动窗口的加权平均算法，但是其加权系数不是简单的常数窗口，而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出。这种滤波器最大的特点在于在滤除噪声的同时可以确保曲线的形状、宽度不变。

S102：将每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的所述实际容量跳水信息作为标签训练多种集成学习模型，得到训练好的每种集成学习模型和该种集成学习模型的评价指标。

每个电池的电池容量曲线的几何特征包括：电池容量曲线是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率。

确定电池容量曲线是否为凸曲线可以通过人工识别的方式，也可以通过电池容量曲线的斜率特征来判断，确定电池容量曲线是否为凸曲线是现有技术，在此不再赘述。

确定电池容量曲线的曲线拐点方法可以是确定电池容量曲线中每次充放电操作对应的斜率，确定该次充放电操作对应的斜率与该次充放电操作的下一次充放电操作对应的斜率之间的差值，确定差值的绝对值是否大于预设阈值，若差值的绝对值大于预设阈值，则认为该次充放电操作在电池容量曲线上对应的电池容量点为曲线拐点。曲线拐点用于指示电池容量曲线在该曲线拐点的充放电次数之后进行充放电操作时，电池容量出现突然下降的趋势。也就是说，在该曲线拐点之后的点对应的电池容量与该曲线拐点之前的点对应的电池容量之间的差值较大，且该曲线拐点之后的点对应的电池容量小于该曲线拐点之前的点对应的电池容量。也就是说，曲线拐点是必然对应为整数的充放电操作次数。

第一预设充放电次数是曲线拐点向前100次的充放电操作，第二预设充放电次数是拐点向后100次的充放电操作，第三预设充放电次数是第3次充放电操作。

由于曲线拐点、电池容量曲线上的第一预设充放电次数的电池容量点、电池容量曲线上的第二预设充放电次数的电池容量点和电池容量曲线上的第三预设充放电次数的电池容量点在电池容量曲线上都是已知的，进而可以得知曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率。

每个电池在多个预设充放电次数分别对应的电池放电电阻包括：曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻。

也就是说，在进行多次充放电操作的过程中，对于每次充放电操作的放电操作时均需要检测电池的放电直流电阻。从而通过电池容量曲线得知曲线拐点对应的充放电操作次数后，可以得知曲线拐点对应的放电直流电阻。且依据第一预设充放电次数，得知第一预设充放电次数的放电直流电阻，依据第二预设充放电次数，得知第二预设充放电次数的放电直流电阻。

具体的，确定多个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻之后，所述方法还包括：将每个电池容量曲线的几何特征和该电池在多个预设充放电次数分别对应的电池放电电阻作为初始特征，将所述初始特征作为样本数据，将该电池的实际容量跳水信息作为标签，训练Xgboost模型，使得Xgboost模型对初始模型进行重要度排序和相关性分析，并对初始特征进行两轮筛选，确定出最终输入多种集成学习模型的目标特征。

通过以下方式训练多种集成学习模型和得到每种集成学习模型的评价指标：将多个电池的电池容量曲线的几何特征、每个电池在多个预设充放电次数分别对应的电池放电电阻和该电池的所述实际容量跳水信息分为训练集和测试集；将所述训练集拆分为多个训练子集；将所述多个训练子集基于交叉验证法对该种集成学习模型的第一层学习器的每个基学习器进行训练，并得到每个基学习器的预测容量跳水信息；将该种集成学习模型的第一层学习器的每个基学习器的预测容量跳水信息作为样本数据，将所述预测容量跳水信息对应的电池的实际容量跳水信息作为标签训练该种集成学习模型的第二层学习器；依据所述测试集对训练好的每种集成学习模型进行验证，得到每种集成学习模型的评价指标。

多个电池的数量可以是用户自行设置的。

训练集和测试集的比例可以设置为8:2，也就是说，将多个电池中80%的电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻和该电池的所述实际容量跳水信息作为训练集，将多个电池中20%的电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻和该电池的所述实际容量跳水信息作为训练集。

其中，将训练集拆分为多个训练子集，也是保证每个训练子集的电池数量相同，训练子集的个数也是用户自行设置的。

在对第一层学习器的每个基学习器和第二层学习器进行训练的过程中，还会通过网格搜索法对每个基学习器和第二层学习器的超参数进行优化，以实现训练好的基学习器和第二层学习器的超参数为最优超参数。

通过以下方式确定每种集成学习模型的第一层学习器和第二层学习器：在多种学习器中选择一个学习器作为第二层学习器；将多种学习器中除所述第二层学习器之外的学习器中选择预设数量的学习器作为第一层学习器中的基学习器。

多种学习器包括：逻辑斯蒂回归模型Logistic、决策树模型DT、支持向量机SVM、梯度提升树模型GBDT、极限提升树模型XgBoost、极端随机树模型ET、随机森林模型RF和自适应增强模型AdaBoost。

首先，在多种学习器中选择一种学习器作为第二层学习器；然后，在剩余的七种学习器中随机选择三种至七种的学习器作为第一层学习器的基学习器；直至每个学习器均作为一次第二层学习器。

示例性的，若逻辑斯蒂回归模型为第二层学习器，则在决策树模型DT、支持向量机SVM、梯度提升树模型GBDT、极限提升树模型XgBoost、极端随机树模型ET、随机森林模型RF和自适应增强模型AdaBoost中选择三至七种学习器作为第一层学习器，保证每次选择的第一层学习器的基学习器不重复，得到逻辑斯蒂回归模型为第二层学习器对应的多个集成学习模型。逻辑斯蒂回归模型为第二层学习器对应的多个集成学习模型的第一层学习器的可能性为+/>，一共有99种可能。

也就是说，每种集成学习模型的第一层学习器的每个基学习器之间是并列的关系。针对每个基学习器，该基学习器的输入是训练子集中所有电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻和该电池的所述实际容量跳水信息。即，将训练子集中所有电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的所述实际容量跳水信息作为标签训练该基学习器，该基学习器输出的是该基学习器预测的电池是否出现容量跳水现象。第二层学习器的输入是每个基学习器预测的电池是否出现容量跳水现象和训练子集中所有电池的实际容量跳水信息，第二层学习器的输出是第二层学习器预测的电池是否出现容量跳水现象。

示例性的，通过交叉验证和网格搜索的方法对集成学习模型进行训练，具体步骤如下：首先将训练集划分为预设数量的训练子集，其中，预设数量减一份用作训练，1份用作验证；定义超参数的参数范围，并在超参数的参数范围内设置多组候选超参数值；对于每组候选超参数值，使用预设数量减一份的训练子集对该集成学习模型进行训练，然后使用一份用作验证的训练子集确定集成学习模型在每组候选超参数下的评价指标；针对每组超参数值对应的评价指标，选择评价指标最佳的超参数值，作为最优超参数；选择训练集对在最优超参数值下的集成学习模型再次进行训练，使用测试集来确定集成学习模型的评价指标，以此完成对集成学习模型的训练。

请参阅图2，图2为本申请实施例提供的依据测试集对训练好的每种集成学习模型进行验证得到每种集成学习模型的评价指标的步骤的流程图。如图所示，依据所述测试集对训练好的每种集成学习模型进行验证，得到每种集成学习模型的评价指标，包括：

S201：将所述测试集中每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻输入至训练好的每种集成学习模型中，得到每种集成学习模型输出的该电池对应的预测容量跳水信息。

也就是说，通过训练好的每种集成学习模型对测试集中的每个电池是否出现容量跳水现象进行预测。

S202：统计所述测试集的电池在每种集成学习模型下的第一电池数量、第二电池数量、第三电池数量和第四电池数量。

第一电池数量为所述预测容量跳水信息与所述实际容量跳水信息均为出现容量跳水现象的电池数量，第二电池数量为所述预测容量跳水信息为出现容量跳水现象且所述实际容量跳水信息为未出现容量跳水现象的电池数量，第三电池数量为所述预测容量跳水信息为未出现容量跳水现象且所述实际容量跳水信息为出现容量跳水现象的电池数量，第四电池数量为所述预测容量跳水信息与所述实际容量跳水信息均为未出现容量跳水现象的电池数量。

S203：基于每种集成学习模型的所述第一电池数量、所述第二电池数量、所述第三电池数量和所述第四电池数量，确定该种集成学习模型的准确率、查准率、召回率和F1指标。

通过以下公式计算每种集成学习模型的各项评价指标：

（1）

（2）

（3）

（4）

上述公式中，为准确率、/>为查准率、/>为召回率、/>为F1指标（F1-score）、TP为第一电池数量、FP为第二电池数量、FN为第三电池数量、TN为第四电池数量。

S204：将每种集成学习模型的准确率、查准率、召回率和F1指标，作为该种集成学习模型的评价指标。

本实施例的电池数量为124个。其中，训练集包含99个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻，测试集包含25个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻。

选择一种集成学习模型和单一学习模型，分别确定前述两种模型在训练集、测试集的各项评价指标，如表1所示。

表1：

由上表可以看出：集成学习的准确率为92.31%，F1指标为90.57%。集成学习的比单一模型的预测效果更优，且F1指标更高，表示集成学习模型在准确性和覆盖面上比单一模型表现更好。

返回图1，S103：依据每种集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型。

从而，依据多种集成学习模型的评价指标，在训练好的多种集成学习模型中选择评价指标最优的集成学习模型，作为电池容量跳水识别模型。

一般的，评价指标最优的集成学习模型的方法为：比较训练好的多种集成学习模型的F1指标，将F1指标最大的集成学习模型作为电池容量跳水识别模型。

示例性的，所述电池容量跳水识别模型的第一层学习器包括：逻辑斯蒂回归模型、支持向量机模型、自适应增强模型、随机森林模型，所述电池容量跳水识别模型的第二层学习器为极限提升树模型。

所述方法还包括：将目标电池在多次充放电操作后形成的电池容量曲线和目标电池在多个预设充放电次数分别对应的电池放电电阻输入至电池容量跳水识别模型中，得到所述电池容量跳水识别模型输出的目标电池的预测容量跳水信息。

也就是说，通过电池容量跳水识别模型预测目标电池是否出现容量跳水现象。

基于同一申请构思，本申请实施例中还提供了与上述实施例提供的电池容量跳水识别模型的训练方法对应的电池容量跳水识别模型的训练装置，由于本申请实施例中的装置解决问题的原理与本申请上述实施例的电池容量跳水识别模型的训练方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

如图3所示，图3为本申请实施例提供的一种电池容量跳水识别模型的训练装置，电池容量跳水识别模型的训练装置10包括：获取模块101、训练模块102和确定模块103。

获取模块101，用于获取多个电池在多次充放电操作后分别形成的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻；所述实际容量跳水信息用于描述每个电池在多次充放电操作后是否出现容量跳水现象。

训练模块102，用于将每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的所述实际容量跳水信息作为标签训练多种集成学习模型，得到训练好的每种集成学习模型和该种集成学习模型的评价指标。

确定模块103，用于依据每种集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型。

基于同一申请构思，参见图4所示，为本申请实施例提供的一种电子设备的结构示意图，电子设备20包括：处理器201、存储器202和总线203，所述存储器202存储有所述处理器201可执行的机器可读指令，当电子设备20运行时，所述处理器201与所述存储器202之间通过所述总线203进行通信，所述机器可读指令被所述处理器201运行时执行如上述实施例中任一所述的电池容量跳水识别模型的训练方法的步骤。

具体地，所述机器可读指令被所述处理器201执行时可以执行如下处理：获取多个电池在多次充放电操作后分别形成的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻；将多个电池的电池容量曲线的几何特征、每个电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的实际容量跳水信息作为标签训练多种集成学习模型，得到训练好的每种集成学习模型和该种集成学习模型的评价指标；依据每种集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型。

基于同一申请构思，本申请实施例还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上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例提供的电池容量跳水识别模型的训练方法的步骤。

具体地，所述存储介质能够为通用的存储介质，如移动磁盘、硬盘等，所述存储介质上的计算机程序被运行时，能够执行上述电池容量跳水识别模型的训练方法，通过训练多个集成学习模型并得到每种集成学习模型的评价指标，依据各个集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型，解决了现有技术中电池容量跳水识别不准确的技术问题，达到了提高电池容量跳水识别的准确率和识别效率的技术效果。

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，上述描述的系统和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。在本申请所提供的几个实施例中，应所述理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述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，作为单元显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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请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所述技术方案的部分可以以软件产品的形式体现出来，所述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）执行本申请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 Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的具体实施方式，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以权利要求的保护范围为准。

Claims (10)

1.一种电池容量跳水识别模型的训练方法，其特征在于，所述方法包括：

获取多个电池在多次充放电操作后分别形成的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻；所述实际容量跳水信息用于描述每个电池在多次充放电操作后是否出现容量跳水现象；

将每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的所述实际容量跳水信息作为标签训练多种集成学习模型，得到训练好的每种集成学习模型和该种集成学习模型的评价指标；

依据每种集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型。

2.根据权利要求1所述的方法，其特征在于，通过以下方式训练多种集成学习模型和得到每种集成学习模型的评价指标：

将多个电池的电池容量曲线的几何特征、每个电池在多个预设充放电次数分别对应的电池放电电阻和该电池的所述实际容量跳水信息分为训练集和测试集；

将所述训练集拆分为多个训练子集；

将所述多个训练子集基于交叉验证法对该种集成学习模型的第一层学习器的每个基学习器进行训练，并得到每个基学习器的预测容量跳水信息；

将该种集成学习模型的第一层学习器的每个基学习器的预测容量跳水信息作为样本数据，将所述预测容量跳水信息对应的电池的实际容量跳水信息作为标签训练该种集成学习模型的第二层学习器；

依据所述测试集对训练好的每种集成学习模型进行验证，得到每种集成学习模型的评价指标。

3.根据权利要求2所述的方法，其特征在于，所述依据所述测试集对训练好的每种集成学习模型进行验证，得到每种集成学习模型的评价指标，包括：

将所述测试集中每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻输入至训练好的每种集成学习模型中，得到每种集成学习模型输出的该电池对应的预测容量跳水信息；

统计所述测试集的电池在每种集成学习模型下的第一电池数量、第二电池数量、第三电池数量和第四电池数量；其中，第一电池数量为所述预测容量跳水信息与所述实际容量跳水信息均为出现容量跳水现象的电池数量，第二电池数量为所述预测容量跳水信息为出现容量跳水现象且所述实际容量跳水信息为未出现容量跳水现象的电池数量，第三电池数量为所述预测容量跳水信息为未出现容量跳水现象且所述实际容量跳水信息为出现容量跳水现象的电池数量，第四电池数量为所述预测容量跳水信息与所述实际容量跳水信息均为未出现容量跳水现象的电池数量；

基于每种集成学习模型的所述第一电池数量、所述第二电池数量、所述第三电池数量和所述第四电池数量，确定该种集成学习模型的准确率、查准率、召回率和F1指标；

将每种集成学习模型的准确率、查准率、召回率和F1指标，作为该种集成学习模型的评价指标。

4.根据权利要求2所述的方法，其特征在于，通过以下方式确定每种集成学习模型的第一层学习器和第二层学习器：

在多种学习器中选择一个学习器作为第二层学习器；

将多种学习器中除所述第二层学习器之外的学习器中选择预设数量的学习器作为第一层学习器中的基学习器。

5.根据权利要求2或4所述的方法，其特征在于，所述电池容量跳水识别模型的第一层学习器包括：逻辑斯蒂回归模型、支持向量机模型、自适应增强模型、随机森林模型；

所述电池容量跳水识别模型的第二层学习器为极限提升树模型。

6.根据权利要求1所述的方法，其特征在于，所述每个电池的目标电池容量曲线的几何特征包括：电池容量曲线是否为凸曲线、曲线拐点与第一预设充放电次数的电池容量点的连线及曲线拐点与第二预设充放电次数的电池容量点的连线之间围成的夹角、第一预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率、第二预设充放电次数的电池容量点与第三预设充放电次数的电池容量点的连线的斜率；

每个电池在多个预设充放电次数分别对应的电池放电电阻包括：曲线拐点对应的放电直流电阻、第一预设充放电次数的电池容量点对应的放电直流电阻和第二预设充放电次数的电池容量点对应的放电直流电阻。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将目标电池在多次充放电操作后形成的电池容量曲线和目标电池在多个预设充放电次数分别对应的电池放电电阻输入至电池容量跳水识别模型中，得到所述电池容量跳水识别模型输出的目标电池的预测容量跳水信息。

8.一种电池容量跳水识别模型的训练装置，其特征在于，所述装置包括：

获取模块，用于获取多个电池在多次充放电操作后分别形成的电池容量曲线、每个电池的实际容量跳水信息和该电池在多个预设充放电次数分别对应的电池放电电阻；所述实际容量跳水信息用于描述每个电池在多次充放电操作后是否出现容量跳水现象；

训练模块，用于将每个电池的电池容量曲线的几何特征、该电池在多个预设充放电次数分别对应的电池放电电阻作为样本数据，将该电池的所述实际容量跳水信息作为标签训练多种集成学习模型，得到训练好的每种集成学习模型和该种集成学习模型的评价指标；

确定模块，用于依据每种集成学习模型的评价指标，在训练好的多种集成学习模型中确定电池容量跳水识别模型。

9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的电池容量跳水识别模型的训练方法的步骤。

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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的电池容量跳水识别模型的训练方法的步骤。