CN116840696A - 蓄电池剩余寿命的预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种蓄电池剩余寿命的预测方法、装置、电子设备及存储介质，涉及机器学习技术领域。其中，该方法包括：获取蓄电池在当前时刻下特征的状态量和在当前时刻之前预设时间段内的特征的历史数据集；从历史数据集中挑选出目标样本集；构造特征的加权核函数，通过目标样本集和加权核函数对蓄电池剩余寿命的初始预测模型进行训练得到目标预测模型；将特征的状态量输入至目标预测模型，得到蓄电池剩余寿命的预测结果。本申请提供的技术方案，降低了蓄电池剩余寿命的预测难度，可以准确地预测蓄电池的剩余寿命。

Description

蓄电池剩余寿命的预测方法、装置、电子设备及存储介质

技术领域

本申请涉及机器学习技术领域，尤其涉及一种蓄电池剩余寿命的预测方法、装置、电子设备及存储介质。

背景技术

变电站的可靠稳定运行对电力电网系统的正常运转起着关键性作用，直流电源系统作为变电站中重要的组成部分为相关设备提供电源需求，而蓄电池作为直流系统的关键部件，其运行状态直接决定直流电源系统的安全可靠性。然而，蓄电池在长时间的充放电中不可避免的出现性能退化以及失效的问题，造成变电站供电波动，甚至会引发安全事故。由于蓄电池工作模式存在间隙性，电池退化规律会呈现随机性、复杂性和非线性，所以增加了对蓄电池剩余寿命的预测难度。因此，准确地预测蓄电池的剩余寿命成为了亟待解决的问题。

发明内容

本申请提供了一种蓄电池剩余寿命的预测方法、装置、电子设备及存储介质，降低了蓄电池剩余寿命的预测难度，可以准确地预测蓄电池的剩余寿命。

第一方面，本申请提供了一种蓄电池剩余寿命的预测方法，该方法包括：

获取蓄电池在当前时刻下特征的状态量和在所述当前时刻之前预设时间段内的所述特征的历史数据集；

从所述历史数据集中挑选出目标样本集；

构造所述特征的加权核函数，通过所述目标样本集和所述加权核函数对所述蓄电池剩余寿命的初始预测模型进行训练得到目标预测模型；

将所述特征的状态量输入至所述目标预测模型，得到所述蓄电池剩余寿命的预测结果。

本申请实施例提供了一种蓄电池剩余寿命的预测方法，降低了蓄电池剩余寿命的预测难度，可以准确地预测蓄电池的剩余寿命。

进一步的，所述构造所述特征的加权核函数，包括：基于所述历史数据集计算所述特征的信息增益；将所述特征的信息增益确定为所述特征的权重；基于所述特征的权重构造所述特征的加权核函数。

进一步的，所述从所述历史数据集中挑选出目标样本集，包括：通过对所述历史数据集添加松弛因子和惩罚因子进行容错处理，得到初始样本集；通过对所述初始样本集添加拉格朗日乘子进行优化处理，得到中间样本集；基于所述特征的权重计算所述中间样本集的样本紧密度；基于所述样本紧密度从所述中间样本集中筛选出紧密度满足预设要求的样本，从而得到目标样本集。

进一步的，所述目标样本集中每个样本具有加权模糊隶属度，通过如下方式确定所述每个样本的加权模糊隶属度：确定所述历史数据集中每个历史数据的初始模糊隶属度；基于所述样本紧密度对所述目标样本集中每个样本的所述初始模糊隶属度进行改进，得到所述每个样本的加权模糊隶属度。

进一步的，所述特征至少包括充放电次数、放电深度和剩余容量。

进一步的，所述初始预测模型是基于模糊支持向量机模型构建的。

进一步的，所述方法还包括：基于所述预测结果为所述蓄电池制定运维策略。

第二方面，本申请提供了一种蓄电池剩余寿命的预测装置，该装置包括：

状态数据获取模块，用于获取蓄电池在当前时刻下特征的状态量和在所述当前时刻之前预设时间段内的所述特征的历史数据集；

样本集确定模块，用于从所述历史数据集中挑选出目标样本集；

预测模型训练模块，用于构造所述特征的加权核函数，通过所述目标样本集和所述加权核函数对所述蓄电池剩余寿命的初始预测模型进行训练得到目标预测模型；

剩余寿命预测模块，用于将所述特征的状态量输入至所述目标预测模型，得到所述蓄电池剩余寿命的预测结果。

第三方面，本申请提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的蓄电池剩余寿命的预测方法。

第四方面，本申请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存储有计算机指令，所述计算机指令用于使处理器执行时实现本申请任意实施例所述的蓄电池剩余寿命的预测方法。

需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与蓄电池剩余寿命的预测装置的处理器封装在一起，也可以与蓄电池剩余寿命的预测装置的处理器单独封装，本申请对此不做限定。

本申请中第二方面、第三方面以及第四方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面以及第四方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。

可以理解的是，在使用本申请各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本申请所涉及个人信息的类型、使用范围以及使用场景等告知用户并获得用户的授权。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种蓄电池剩余寿命的预测方法的流程示意图；

图2为本申请实施例提供的一种蓄电池剩余寿命的预测装置的结构示意图；

图3是用来实现本申请实施例的一种蓄电池剩余寿命的预测方法的电子设备的框图。

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，显然，所描述的实施例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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”“目标”以及“原始”等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，以便这里描述的本申请的实施例能够实施除了在这里图示或描述之外的顺序。此外，术语“包括”“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，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。

图1为本申请实施例提供的一种蓄电池剩余寿命的预测方法的流程示意图，本实施例可适用于根据蓄电池在当前时刻下特征的状态量对其剩余寿命进行预测的情况。本实施例提供的一种蓄电池剩余寿命的预测方法可以由本申请实施例提供的蓄电池剩余寿命的预测装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的电子设备中。

参见图1，本实施例的方法包括但不限于如下步骤：

S110、获取蓄电池在当前时刻下特征的状态量和在当前时刻之前预设时间段内的特征的历史数据集。

其中，蓄电池可以是蓄电池组。预先对影响变电站蓄电池寿命的因素进行分析，确定出影响蓄电池寿命的特征。特征至少包括充放电次数、放电深度和剩余容量。

选择充放电次数作为特征的原因在于，在变电站蓄电池工作过程中，为了满足支撑设备实际运行，需要对蓄电池进行充电和放电，而蓄电池具有额定的充放电次数，充放电次数越多对蓄电池的寿命影响就越大，因此蓄电池充放电次数是影响蓄电池剩余寿命的重要因素之一。选择放电深度作为特征的原因在于，蓄电池容量可有效反映电池退化状态，因而在不同充放电周期内的放电深度是影响蓄电池剩余寿命的重要因素之一。选择剩余容量作为特征的原因在于，剩余容量越低，电池损耗就越快，蓄电池的健康状态也就会下降，蓄电池剩余容量也是影响蓄电池剩余寿命的重要因素之一。

在本申请实施例中，电子设备获取蓄电池在当前时刻之前预设时间段内的特征的历史数据集，预设时间段可以是一个月，如：获取并统计蓄电池当前时间一个月内每天的充放电次数、放电深度和剩余容量对应的数据。并且，电子设备还获取蓄电池在当前时刻下的充放电次数、放电深度和剩余容量。

S120、从历史数据集中挑选出目标样本集。

在本申请实施例中，获取到蓄电池在当前时刻之前预设时间段内的特征的历史数据集之后，考虑到历史数据集可以存在无效、误差或缺失等状况，电子设备可以对历史数据集进行数据清洗或数据预处理操作，得到目标样本集。目标样本集用于对蓄电池剩余寿命的预测模型进行训练，调整预测模型参数。

具体的，从历史数据集中挑选出目标样本集，包括：首先，考虑到特征的历史数据集中可能会出现一定的统计误差，可以加了松弛因子和惩罚因子，减小统计误差对数据分类结果的影响，可以使得保证分类结果误差最小化，具体为：通过对历史数据集添加松弛因子和惩罚因子进行容错处理，得到初始样本集；然后，可以对初始样本集进一步优化扩展，以降低预测模型的复杂度以及提高预测模型的准确度，实现对样本集(即历史数据集)进一步还原，具体为：通过对初始样本集添加拉格朗日乘子进行优化处理，得到中间样本集；最后，考虑样本集之间的紧密程度，可以从中间样本集中挑选出数据密集区域中数据作为目标样本数据，用于训练预测模型，也就是，判断出中间样本集离密集区域数据的距离大小，保留联系紧密的样本，舍弃联系不紧密不具代表性的样本，具体为：基于特征的权重计算中间样本集的样本紧密度；基于样本紧密度从中间样本集中筛选出紧密度满足预设要求的样本，从而得到目标样本集。其中，预设要求为样本紧密度大于预设数值，特征权重的计算过程在步骤S130中进行详细地解释说明。

进一步的，目标样本集中每个样本具有加权模糊隶属度，隶属度表示的是蓄电池上一个样本特征的状态量对当前这个样本特征的状态量的隶属关系程度，也就是，上一个样本特征的状态量决定当前这个特征的状态量的能力，通过如下方式确定每个样本的加权模糊隶属度：通过现有模糊隶属度计算公式计算历史数据集中每个历史数据的初始模糊隶属度；基于样本紧密度对目标样本集中每个样本的初始模糊隶属度进行调整，得到每个样本的加权模糊隶属度。

S130、构造特征的加权核函数，通过目标样本集和加权核函数对蓄电池剩余寿命的初始预测模型进行训练得到目标预测模型。

其中，初始预测模型是基于模糊支持向量机模型构建的。在训练预测模型的过程中，核函数的作用是以低维向量作为输入得到高维向量内积结果，而无需给出显式高维空间的表达式，可以实现将在低维不可分的样本映射成高维线性可分的样本，可以以低的计算复杂度构造更复杂的分类器。

在本申请实施例中，考虑样本集之间的紧密程度，结合特征加权方法，对核函数进行加权得到特征的加权核函数。将目标样本集和加权核函数输入至初始预测模型中，对初始预测模型进行训练，搜索模型参数的最优值，从而得到目标预测模型。

进一步的，构造特征的加权核函数，包括：基于历史数据集计算特征的信息增益；如果某个特征的信息增益值越大，表示该特征对蓄电池剩余寿命预测的贡献越大，可以将该特征的信息增益确定为该特征的权重；基于特征的权重通过现有加权核函数构造方法构造特征的加权核函数。

S140、将特征的状态量输入至目标预测模型，得到蓄电池剩余寿命的预测结果。

在本申请实施例中，将取蓄电池在当前时刻下特征的状态量输入至目标预测模型，通过目标预测模型的输出结果得到蓄电池剩余寿命的预测结果。进一步的，基于预测结果为蓄电池制定运维策略，对蓄电池相关性能评估提供辅助决策，为工作人员提供维护巡视变电站蓄电池的辅助策略，从而进一步降低由于设备故障导致发生停电事故的发生。

本实施例提供的技术方案，通过获取蓄电池在当前时刻下特征的状态量和在当前时刻之前预设时间段内的特征的历史数据集；从历史数据集中挑选出目标样本集；构造特征的加权核函数，通过目标样本集和加权核函数对蓄电池剩余寿命的初始预测模型进行训练得到目标预测模型；将特征的状态量输入至目标预测模型，得到蓄电池剩余寿命的预测结果。本申请通过获取蓄电池的特征的历史数据集，并对历史数据集进行数据优化得到目标样本集，进而构造特征的加权核函数，以使得通过目标样本集和加权核函数所训练得到的目标预测模型具有较低地复杂度以及更高地预测准确度，最后将蓄电池在当前时刻下的特征的状态量输入至目标预测模型，得到蓄电池剩余寿命的预测结果。本申请合理地构建目标预测模型，降低了蓄电池剩余寿命的预测难度，可以准确地预测蓄电池的剩余寿命。

图2为本申请实施例提供的一种蓄电池剩余寿命的预测装置的结构示意图，如图2所示，该装置200可以包括：

状态数据获取模块210，用于获取蓄电池在当前时刻下特征的状态量和在所述当前时刻之前预设时间段内的所述特征的历史数据集；

样本集确定模块220，用于从所述历史数据集中挑选出目标样本集；

预测模型训练模块230，用于构造所述特征的加权核函数，通过所述目标样本集和所述加权核函数对所述蓄电池剩余寿命的初始预测模型进行训练得到目标预测模型；

剩余寿命预测模块240，用于将所述特征的状态量输入至所述目标预测模型，得到所述蓄电池剩余寿命的预测结果。

进一步的，上述预测模型训练模块230，可以具体用于：基于所述历史数据集计算所述特征的信息增益；将所述特征的信息增益确定为所述特征的权重；基于所述特征的权重构造所述特征的加权核函数。

进一步的，上述样本集确定模块220，可以具体用于：通过对所述历史数据集添加松弛因子和惩罚因子进行容错处理，得到初始样本集；通过对所述初始样本集添加拉格朗日乘子进行优化处理，得到中间样本集；基于所述特征的权重计算所述中间样本集的样本紧密度；基于所述样本紧密度从所述中间样本集中筛选出紧密度满足预设要求的样本，从而得到目标样本集。

可选的，所述目标样本集中每个样本具有加权模糊隶属度，通过如下方式确定所述每个样本的加权模糊隶属度：确定所述历史数据集中每个历史数据的初始模糊隶属度；基于所述样本紧密度对所述目标样本集中每个样本的所述初始模糊隶属度进行改进，得到所述每个样本的加权模糊隶属度。

可选的，所述特征至少包括充放电次数、放电深度和剩余容量。

可选的，所述初始预测模型是基于模糊支持向量机模型构建的。

可选的，所述方法还包括：基于所述预测结果为所述蓄电池制定运维策略。

本实施例提供的蓄电池剩余寿命的预测装置可适用于上述任意实施例提供的蓄电池剩余寿命的预测方法，具备相应的功能和有益效果。

图3是用来实现本申请实施例的一种蓄电池剩余寿命的预测方法的电子设备的框图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如蓄电池剩余寿命的预测方法。

在一些实施例中，蓄电池剩余寿命的预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的蓄电池剩余寿命的预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行蓄电池剩余寿命的预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置和该至少一个输出装置。

用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)或者包括中间件部件的计算系统(例如，应用服务器)或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)或者包括这种后台部件、中间件部件或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。例如，本领域技术人员可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤；可以并行地执行、顺序地执行或者不同的次序执行本申请中记载的各步骤，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种蓄电池剩余寿命的预测方法，其特征在于，所述方法包括：

获取蓄电池在当前时刻下特征的状态量和在所述当前时刻之前预设时间段内的所述特征的历史数据集；

从所述历史数据集中挑选出目标样本集；

构造所述特征的加权核函数，通过所述目标样本集和所述加权核函数对所述蓄电池剩余寿命的初始预测模型进行训练得到目标预测模型；

将所述特征的状态量输入至所述目标预测模型，得到所述蓄电池剩余寿命的预测结果。

2.根据权利要求1所述的蓄电池剩余寿命的预测方法，其特征在于，所述构造所述特征的加权核函数，包括：

基于所述历史数据集计算所述特征的信息增益；

将所述特征的信息增益确定为所述特征的权重；

基于所述特征的权重构造所述特征的加权核函数。

3.根据权利要求2所述的蓄电池剩余寿命的预测方法，其特征在于，所述从所述历史数据集中挑选出目标样本集，包括：

通过对所述历史数据集添加松弛因子和惩罚因子进行容错处理，得到初始样本集；

通过对所述初始样本集添加拉格朗日乘子进行优化处理，得到中间样本集；

基于所述特征的权重计算所述中间样本集的样本紧密度；

基于所述样本紧密度从所述中间样本集中筛选出紧密度满足预设要求的样本，从而得到目标样本集。

4.根据权利要求3所述的蓄电池剩余寿命的预测方法，其特征在于，所述目标样本集中每个样本具有加权模糊隶属度，通过如下方式确定所述每个样本的加权模糊隶属度：

确定所述历史数据集中每个历史数据的初始模糊隶属度；

基于所述样本紧密度对所述目标样本集中每个样本的所述初始模糊隶属度进行改进，得到所述每个样本的加权模糊隶属度。

5.根据权利要求1所述的蓄电池剩余寿命的预测方法，其特征在于，所述特征至少包括充放电次数、放电深度和剩余容量。

6.根据权利要求1所述的蓄电池剩余寿命的预测方法，其特征在于，所述初始预测模型是基于模糊支持向量机模型构建的。

7.根据权利要求1所述的蓄电池剩余寿命的预测方法，其特征在于，所述方法还包括：

基于所述预测结果为所述蓄电池制定运维策略。

8.一种蓄电池剩余寿命的预测装置，其特征在于，所述装置包括：

状态数据获取模块，用于获取蓄电池在当前时刻下特征的状态量和在所述当前时刻之前预设时间段内的所述特征的历史数据集；

样本集确定模块，用于从所述历史数据集中挑选出目标样本集；

预测模型训练模块，用于构造所述特征的加权核函数，通过所述目标样本集和所述加权核函数对所述蓄电池剩余寿命的初始预测模型进行训练得到目标预测模型；

剩余寿命预测模块，用于将所述特征的状态量输入至所述目标预测模型，得到所述蓄电池剩余寿命的预测结果。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一所述的蓄电池剩余寿命的预测方法。

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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1至7中任一所述的蓄电池剩余寿命的预测方法。