CN116910006B - 基于新能源电池的数据压缩存储处理方法及系统 - Google Patents
基于新能源电池的数据压缩存储处理方法及系统 Download PDFInfo
- Publication number
- CN116910006B CN116910006B CN202310907237.7A CN202310907237A CN116910006B CN 116910006 B CN116910006 B CN 116910006B CN 202310907237 A CN202310907237 A CN 202310907237A CN 116910006 B CN116910006 B CN 116910006B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- weight information
- new energy
- network weight
- 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.)
- Active
Links
- 238000013144 data compression Methods 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000013508 migration Methods 0.000 claims abstract description 106
- 230000005012 migration Effects 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 13
- 208000032953 Device battery issue Diseases 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 48
- 238000013461 design Methods 0.000 description 5
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000011232 storage material Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
- G06F3/0646—Horizontal data movement in storage systems, i.e. moving data in between storage devices or systems
- G06F3/0647—Migration mechanisms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请实施例提供一种基于新能源电池的数据压缩存储处理方法及系统，通过电池故障决策模型获取样本新能源电池故障数据的第一故障原因估计数据，由此采用故障预测代价函数确定电池故障决策模型所对应的第二网络权重信息，通过初始化迁移预测单元获取样本新能源电池故障数据的第二故障原因估计数据，采用故障预测代价函数确定初始化迁移预测单元所对应的第三网络权重信息，据此对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型。由此，可以提高目标故障定位模型的模型训练速度和准确性，进而提高后续基于故障定位节点对任意目标新能源电池故障数据进行数据压缩存储配置的可靠性。
Description
技术领域
本申请涉及新能源电池技术领域，具体而言，涉及一种基于新能源电池的数据压缩存储处理方法及系统。
背景技术
新能源电池指的是电池以及其所采用的材料、结构设计、制造方法等，用新绿色能源作为其储能材料的发电设备，这种电池可被称为新能源电池。新能源电池广泛应用于日常生活的各个领域，包括家电、汽车电池、电子产品和高端装备电池。随着现代化的发展，新能源电池在电子产品和新能源汽车中得到了更加广泛应用，特别是应用于新能源汽车行业中。
新能源电池的核心就是安全和可靠，因此需要配置新能源电池监控系统对新能源电池的运行状态进行监控，并及时排查出其中可能存在的故障情况并进行压缩存储备案，以便于后续基于人工经验或者人工智能模型进一步统计故障触发的规律。如何保证相关的故障定位数据的压缩存储配置的可靠性，是当前亟待研究的方向。
发明内容
有鉴于此，本申请的目的在于提供一种基于新能源电池的数据压缩存储处理方法及系统。
依据本申请的第一方面，提供一种基于新能源电池的数据压缩存储处理方法，应用于云服务器，所述方法包括：
获取样本新能源电池故障数据，其中，所述样本新能源电池故障数据具有故障原因训练数据，所述故障原因训练数据表征所述样本新能源电池故障数据中触发故障的故障原因信息；
当固定初始化迁移预测单元的第一网络权重信息时，通过电池故障决策模型获取所述样本新能源电池故障数据的第一故障原因估计数据，其中，所述初始化迁移预测单元用于基于迁移特征对新能源电池故障数据进行故障预测，所述电池故障决策模型用于对新能源电池故障数据中的故障特征进行故障预测；
基于所述故障原因信息以及所述第一故障原因估计数据，采用故障预测代价函数确定所述电池故障决策模型所对应的第二网络权重信息；
当固定所述电池故障决策模型的所述第二网络权重信息时，基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第二故障原因估计数据；
基于所述故障原因信息以及所述第二故障原因估计数据，基于所述故障预测代价函数确定所述初始化迁移预测单元所对应的第三网络权重信息；
基于所述第二网络权重信息与所述第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，其中，所述目标故障定位模型用于确定新能源电池监控系统的任意目标新能源电池故障数据的故障定位节点，以便于基于所述故障定位节点对所述任意目标新能源电池故障数据进行数据压缩存储配置。
根据所述的基于新能源电池的数据压缩存储处理方法，所述基于所述故障原因信息以及所述第一故障原因估计数据，采用故障预测代价函数确定所述电池故障决策模型所对应的第二网络权重信息，包括：
基于所述故障原因信息以及所述第一故障原因估计数据，确定在各个故障原因所对应的估计置信度；
基于所述各个故障原因所对应的估计置信度确定所述故障预测代价函数的故障预测代价；
当所述故障预测代价函数的故障预测代价为最小值时，确定所述电池故障决策模型所对应的所述第二网络权重信息。
根据所述的基于新能源电池的数据压缩存储处理方法，所述基于所述故障原因信息以及所述第二故障原因估计数据，基于所述故障预测代价函数确定所述初始化迁移预测单元所对应的第三网络权重信息，包括：
基于所述故障原因信息以及所述第二故障原因估计数据，确定在各个故障原因所对应的估计置信度；
基于所述各个故障原因所对应的估计置信度确定所述故障预测代价函数的故障预测代价；
当所述故障预测代价函数的故障预测代价为最大值时，确定所述初始化迁移预测单元所对应的所述第三网络权重信息。
根据所述的基于新能源电池的数据压缩存储处理方法，所述基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第二故障原因估计数据之前，所述方法还包括：
通过故障迁移特征编码器获取所述样本新能源电池故障数据所对应的样本特征向量，其中，所述故障迁移特征编码器用于所述样本新能源电池故障数据的迁移特征；
所述基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第二故障原因估计数据，包括：
基于所述初始化迁移预测单元所述样本特征向量所对应的所述第二故障原因估计数据。
根据所述的基于新能源电池的数据压缩存储处理方法，所述基于所述故障原因信息以及所述第二故障原因估计数据，基于所述故障预测代价函数确定所述电池故障决策模型所对应的第三网络权重信息之后，所述方法还包括：
当固定所述初始化迁移预测单元所对应的所述第三网络权重信息时，基于所述电池故障决策模型获取所述样本新能源电池故障数据的第三故障原因估计数据；
基于所述故障原因信息以及所述第三故障原因估计数据，基于所述故障预测代价函数确定所述电池故障决策模型所对应的第四网络权重信息；
当固定所述电池故障决策模型的所述第四网络权重信息时，基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第四故障原因估计数据；
基于所述故障原因信息以及所述第四故障原因估计数据，基于所述故障预测代价函数确定所述初始化迁移预测单元所对应的第五网络权重信息； 所述基于所述第二网络权重信息与所述第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，包括：
基于所述第二网络权重信息、所述第三网络权重信息、所述第四网络权重信息以及所述第五网络权重信息，对所述初始化故障定位模型进行权重信息迭代更新，生成所述目标故障定位模型。
根据所述的基于新能源电池的数据压缩存储处理方法，所述基于所述第二网络权重信息与所述第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，包括：
当基于所述第二网络权重信息与所述第三网络权重信息对所述初始化迁移预测单元经过N次权重信息更新时，基于每次权重信息更新所述初始化迁移预测单元的迁移特征，确定所述样本新能源电池故障数据所对应的故障特征位置，其中，所述N为不小于1的整数；
基于所述故障特征位置，采用目标代价函数对初始化故障定位模型进行权重信息迭代更新；
当所述目标代价函数的代价结果为最小值时，生成所述目标故障定位模型。
根据所述的基于新能源电池的数据压缩存储处理方法，所述方法包括：
获取任意目标新能源电池故障数据；
通过目标故障定位模型获取所述任意目标新能源电池故障数据的故障定位节点，其中，所述目标故障定位模型为基于电池故障决策模型以及初始化迁移预测单元交替生成的，所述初始化迁移预测单元用于基于迁移特征对新能源电池故障数据进行故障预测，所述电池故障决策模型用于对新能源电池故障数据中的故障特征进行故障预测；
基于所述故障定位节点对所述任意目标新能源电池故障数据进行数据压缩存储配置。
依据本申请的第二方面，提供一种云服务器，所述云服务器包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该云服务器实现前述的基于新能源电池的数据压缩存储处理方法。
依据本申请的第三方面，提供提供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计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的基于新能源电池的数据压缩存储处理方法。
依据上述任一方面，本申请中，首先获取样本新能源电池故障数据，当固定初始化迁移预测单元的第一网络权重信息时，通过电池故障决策模型获取样本新能源电池故障数据的第一故障原因估计数据，然后基于故障原因信息以及第一故障原因估计数据，采用故障预测代价函数确定电池故障决策模型所对应的第二网络权重信息，当固定电池故障决策模型的第二网络权重信息时，通过初始化迁移预测单元获取样本新能源电池故障数据的第二故障原因估计数据，然后基于故障原因信息以及第二故障原因估计数据，采用故障预测代价函数确定初始化迁移预测单元所对应的第三网络权重信息，最后可以基于第二网络权重信息与第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型。由此，采用初始化迁移预测单元以及电池故障决策模型进行交替训练，可以提高目标故障定位模型的模型训练速度和准确性，进而提高后续基于所述故障定位节点对所述任意目标新能源电池故障数据进行数据压缩存储配置的可靠性。
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，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于新能源电池的数据压缩存储处理方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的基于新能源电池的数据压缩存储处理方法的云服务器的组件结构示意图。
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，下面将依据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基于本申请实施例的一些实施例实现的操作。应该理解，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它操作，也可以从流程图中销毁一个或多个操作。
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所有其它实施例，都属于本申请保护的范围。
图1示出了本申请实施例提供的基于新能源电池的数据压缩存储处理方法的流程示意图，应当理解，在其它实施例中，本实施例的基于新能源电池的数据压缩存储处理方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该基于新能源电池的数据压缩存储处理方法的详细包括：
步骤S101、获取样本新能源电池故障数据，其中，样本新能源电池故障数据具有故障原因训练数据，故障原因训练数据表征样本新能源电池故障数据中触发故障的故障原因信息；
首先需要获取样本新能源电池故障数据，其中，样本新能源电池故障数据具有故障原因训练数据。故障原因训练数据表征样本新能源电池故障数据中触发故障的故障原因信息。
步骤S102、当固定初始化迁移预测单元的第一网络权重信息时，通过电池故障决策模型获取样本新能源电池故障数据的第一故障原因估计数据，其中，初始化迁移预测单元用于基于迁移特征对新能源电池故障数据进行故障预测，电池故障决策模型用于对新能源电池故障数据中的故障特征进行故障预测；
获取到样本新能源电池故障数据以及该样本新能源电池故障数据所对应的故障原因训练数据之后，开始进行电池故障决策模型与初始化迁移预测单元的交替训练。在训练样本新能源电池故障数据故障预测网的时候，需要先固定初始化迁移预测单元的网络权重信息，即固定初始化迁移预测单元的第一网络权重信息，然后将样本新能源电池故障数据加载到电池故障决策模型，由该电池故障决策模型输出样本新能源电池故障数据的第一故障原因估计数据。
其中，初始化迁移预测单元用于提供对故障预测贡献较弱的数据位置，基于改变后的迁移数据，可达到定位到判别性较弱的故障特征位置的目的。电池故障决策模型用于对整体新能源电池故障数据中的故障特征位置进行故障预测。
步骤S103、基于故障原因信息以及第一故障原因估计数据，采用故障预测代价函数确定电池故障决策模型所对应的第二网络权重信息；
可以采用故障预测代价函数对电池故障决策模型进行权重信息迭代更新，故障预测代价函数用于确定估计值与实际值的差异，其中，样本新能源电池故障数据的故障原因信息属于实际值，样本新能源电池故障数据的第一故障原因估计数据属于估计值，故障预测代价函数越小，表示电池故障决策模型的鲁棒性就越好。于是，基于故障预测代价函数能够得到电池故障决策模型所对应的第二网络权重信息。
步骤S104、当固定电池故障决策模型的第二网络权重信息时，通过初始化迁移预测单元获取样本新能源电池故障数据的第二故障原因估计数据；
在训练得到电池故障决策模型的第二网络权重信息之后，依据模型的交替训练，此时需要固定电池故障决策模型的权重信息，即固定电池故障决策模型的第二网络权重信息，然后将样本新能源电池故障数据加载到初始化迁移预测单元，由该初始化迁移预测单元输出样本新能源电池故障数据的第二故障原因估计数据。
在电池故障决策模型与初始化迁移预测单元进行交替训练的时候，可以先固定初始化迁移预测单元的网络权重信息，然后对电池故障决策模型进行权重信息迭代更新。也可以先固定电池故障决策模型的网络权重信息，然后对初始化迁移预测单元进行权重信息迭代更新。本申请以先固定初始化迁移预测单元的网络权重信息，再对电池故障决策模型进行权重信息迭代更新为例进行介绍。
步骤S105、基于故障原因信息以及第二故障原因估计数据，采用故障预测代价函数确定初始化迁移预测单元所对应的第三网络权重信息；
可以采用同一个故障预测代价函数对初始化迁移预测单元进行权重信息迭代更新。
步骤S106、基于第二网络权重信息与第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，其中，目标故障定位模型用于确定任意目标新能源电池故障数据的故障定位节点。
基于每次生成的网络权重信息(包括生成的第二网络权重信息和第三网络权重信息)，对初始化故障定位模型进行权重信息迭代更新。
基于以上步骤，首先获取样本新能源电池故障数据，当固定初始化迁移预测单元的第一网络权重信息时，通过电池故障决策模型获取样本新能源电池故障数据的第一故障原因估计数据，然后基于故障原因信息以及第一故障原因估计数据，采用故障预测代价函数确定电池故障决策模型所对应的第二网络权重信息，当固定电池故障决策模型的第二网络权重信息时，通过初始化迁移预测单元获取样本新能源电池故障数据的第二故障原因估计数据，然后基于故障原因信息以及第二故障原因估计数据，采用故障预测代价函数确定初始化迁移预测单元所对应的第三网络权重信息，最后可以基于第二网络权重信息与第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型。由此，采用初始化迁移预测单元以及电池故障决策模型进行交替训练，可以提高目标故障定位模型的模型训练速度和准确性，进而提高后续基于所述故障定位节点对所述任意目标新能源电池故障数据进行数据压缩存储配置的可靠性。
在进一步的实施例中，基于故障原因信息以及第一故障原因估计数据，采用故障预测代价函数确定电池故障决策模型所对应的第二网络权重信息，包括：
基于故障原因信息以及第一故障原因估计数据，确定在各个故障原因所对应的估计置信度；
基于各个故障原因所对应的估计置信度确定故障预测代价函数的故障预测代价；
当故障预测代价函数的故障预测代价为最小值时，确定电池故障决策模型所对应的第二网络权重信息。
当该故障预测代价函数的故障预测代价达到最小值时，即可获取该最小值下电池故障决策模型所对应的网络权重信息，该网络权重信息即为第二网络权重信息。基于故障原因信息以及第一故障原因估计数据，确定在各个故障原因所对应的估计置信度，然后基于各个故障原因所对应的估计置信度确定故障预测代价函数，当故障预测代价函数的故障预测代价为最小值时，确定电池故障决策模型所对应的第二网络权重信息。
在进一步的实施例中，基于故障原因信息以及第二故障原因估计数据，采用故障预测代价函数确定初始化迁移预测单元所对应的第三网络权重信息，包括：
基于故障原因信息以及第二故障原因估计数据，确定在各个故障原因所对应的估计置信度；
基于各个故障原因所对应的估计置信度确定故障预测代价函数的故障预测代价；
当故障预测代价函数的故障预测代价为最大值时，确定初始化迁移预测单元所对应的第三网络权重信息。
当该故障预测代价函数的故障预测代价达到最大值时，即可获取该最大值下初始化迁移预测单元所对应的网络权重信息，该网络权重信息即为第三网络权重信息。
即先基于故障原因信息以及第二故障原因估计数据，确定在各个故障原因所对应的估计置信度，然后基于各个故障原因所对应的估计置信度确定故障预测代价函数的故障预测代价，当故障预测代价函数的故障预测代价为最大值时，确定初始化迁移预测单元所对应的第三网络权重信息
在进一步的实施例中，通过初始化迁移预测单元获取样本新能源电池故障数据的第二故障原因估计数据之前，还可以包括：
通过故障迁移特征编码器获取样本新能源电池故障数据所对应的样本特征向量，其中，故障迁移特征编码器用于样本新能源电池故障数据的迁移特征；
通过初始化迁移预测单元获取样本新能源电池故障数据的第二故障原因估计数据，可以包括：
通过初始化迁移预测单元样本特征向量所对应的第二故障原因估计数据。
在进一步的实施例中，基于故障原因信息以及第二故障原因估计数据，采用故障预测代价函数确定电池故障决策模型所对应的第三网络权重信息之后，还可以包括：
当固定初始化迁移预测单元所对应的第三网络权重信息时，通过电池故障决策模型获取样本新能源电池故障数据的第三故障原因估计数据；
基于故障原因信息以及第三故障原因估计数据，采用故障预测代价函数确定电池故障决策模型所对应的第四网络权重信息；
当固定电池故障决策模型的第四网络权重信息时，通过初始化迁移预测单元获取样本新能源电池故障数据的第四故障原因估计数据；
基于故障原因信息以及第四故障原因估计数据，采用故障预测代价函数确定初始化迁移预测单元所对应的第五网络权重信息；
基于第二网络权重信息与第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，包括：
基于第二网络权重信息、第三网络权重信息、第四网络权重信息以及第五网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型。
在训练样本新能源电池故障数据故障预测时，需要先固定初始化迁移预测单元的权重信息，即固定初始化迁移预测单元的第三网络权重信息，然后将样本新能源电池故障数据加载到电池故障决策模型，由该电池故障决策模型输出样本新能源电池故障数据的第三故障原因估计数据。然后采用故障预测代价函数对电池故障决策模型进行权重信息迭代更新，故障预测代价函数用于确定估计值与实际值的不一致程度，其中，样本新能源电池故障数据的故障原因信息属于实际值，样本新能源电池故障数据的第三故障原因估计数据属于估计值，故障预测代价函数越小，表示电池故障决策模型的鲁棒性就越好。于是，基于故障预测代价函数能够得到电池故障决策模型所对应的第四网络权重信息。
在生成电池故障决策模型的第四网络权重信息之后，依据交替训练，此时需要固定电池故障决策模型的权重信息，即固定电池故障决策模型的第四网络权重信息，然后将样本新能源电池故障数据加载到初始化迁移预测单元，由该初始化迁移预测单元输出样本新能源电池故障数据的第四故障原因估计数据。
采用同一个故障预测代价函数对初始化迁移预测单元进行权重信息迭代更新，故障预测代价函数用于确定估计值与实际值的不一致程度，其中，样本新能源电池故障数据的故障原因信息属于实际值，样本新能源电池故障数据的第四故障原因估计数据属于估计值。于是，基于故障预测代价函数能够得到初始化迁移预测单元所对应的第五网络权重信息。
基于每次生成的网络权重信息(包括生成的第二网络权重信息、第三网络权重信息、第四网络权重信息以及第五网络权重信息)，对初始化故障定位模型进行权重信息迭代更新。
即当固定初始化迁移预测单元所对应的第三网络权重信息时，通过电池故障决策模型获取样本新能源电池故障数据的第三故障原因估计数据，然后基于故障原因信息以及第三故障原因估计数据，再采用故障预测代价函数确定电池故障决策模型所对应的第四网络权重信息，当固定电池故障决策模型的第四网络权重信息时，通过初始化迁移预测单元获取样本新能源电池故障数据的第四故障原因估计数据，然后基于故障原因信息以及第四故障原因估计数据，再采用故障预测代价函数确定初始化迁移预测单元所对应的第五网络权重信息，最后基于第二网络权重信息、第三网络权重信息、第四网络权重信息以及第五网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型。
在进一步的实施例中，基于第二网络权重信息与第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，可以包括：
当采用第二网络权重信息与第三网络权重信息对初始化迁移预测单元经过N次权重信息更新时，基于每次权重信息更新初始化迁移预测单元的迁移特征，确定样本新能源电池故障数据所对应的故障特征位置，其中，N为不小于1的整数；
基于故障特征位置，采用目标代价函数对初始化故障定位模型进行权重信息迭代更新；
当目标代价函数的代价结果为最小值时，生成目标故障定位模型。
在进一步的应用层面的方法实施例中，包括：
步骤S201、获取任意目标新能源电池故障数据；
步骤S202、通过目标故障定位模型获取任意目标新能源电池故障数据的故障定位节点，其中，目标故障定位模型为基于电池故障决策模型以及初始化迁移预测单元交替生成的，初始化迁移预测单元用于基于迁移特征对新能源电池故障数据进行故障预测，电池故障决策模型用于对新能源电池故障数据中的故障特征进行故障预测；
本实施例中，将任意目标新能源电池故障数据加载到目标故障定位模型，由该目标故障定位模型输出相应的故障定位节点。其中，目标故障定位模型是通过电池故障决策模型以及初始化迁移预测单元交替生成的，该初始化迁移预测单元用于基于迁移特征对新能源电池故障数据进行故障预测，电池故障决策模型用于对新能源电池故障数据中的故障特征进行故障预测。
步骤S203、基于故障定位节点对任意目标新能源电池故障数据进行数据压缩存储配置。
基于故障定位节点对该任意目标新能源电池故障数据进行数据压缩存储配置，例如，可以从该任意目标新能源电池故障数据确定与所述故障定位节点相对应的特定定位数据，然后将该特定定位数据进行数据压缩存储，并将对应的压缩存储包与所述目标新能源电池故障数据进行关联配置。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器100。
对于一个实施例，图2示出了云服务器100，该云服务器100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110，和被耦合到控制模块106的网络接口112。
处理器102可包括至少一个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些示例性的设计思路中，云服务器100能够作为本申请实施例中所述网关等服务器设备。
一些示例性的设计思路中，云服务器100可包括具有指令114的至少一个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该至少一个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的至少一个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(至少一个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为云服务器100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些示例性的设计思路中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块104可包括至少一个输入/输出控制器，以向NVM/存储设备108及(至少一个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(至少一个)非易失性存储设备(例如，至少一个硬盘驱动器(HDD)、至少一个光盘(CD)驱动器和/或至少一个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为云服务器100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(至少一个)输入/输出设备110进行访问。
(至少一个)输入/输出设备110可为云服务器100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为云服务器100提供接口以依据至少一个网络通信，云服务器100可依据至少一个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的至少一个组件进行无线通信，例如接入依据通信标准的无线网络，如WwFw、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑加载在一起以形成系统级加载(SwP)。对于一个实施例，(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上。对于一个实施例，(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，云服务器100可以但不限于是：云服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，云服务器100可具有更多或更少的组件和/或不同的架构。例如，一些示例性的设计思路中，云服务器100包括至少一个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种基于新能源电池的数据压缩存储处理方法，其特征在于，应用于云服务器，所述方法包括：
获取样本新能源电池故障数据，其中，所述样本新能源电池故障数据具有故障原因训练数据，所述故障原因训练数据表征所述样本新能源电池故障数据中触发故障的故障原因信息；
当固定初始化迁移预测单元的第一网络权重信息时，通过电池故障决策模型获取所述样本新能源电池故障数据的第一故障原因估计数据，其中，所述初始化迁移预测单元用于基于迁移特征对新能源电池故障数据进行故障预测，所述电池故障决策模型用于对新能源电池故障数据中的故障特征进行故障预测；
基于所述故障原因信息以及所述第一故障原因估计数据，采用故障预测代价函数确定所述电池故障决策模型所对应的第二网络权重信息；
当固定所述电池故障决策模型的所述第二网络权重信息时，基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第二故障原因估计数据；
基于所述故障原因信息以及所述第二故障原因估计数据，基于所述故障预测代价函数确定所述初始化迁移预测单元所对应的第三网络权重信息；
基于所述第二网络权重信息与所述第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，其中，所述目标故障定位模型用于确定新能源电池监控系统的任意目标新能源电池故障数据的故障定位节点，以便于基于所述故障定位节点对所述任意目标新能源电池故障数据进行数据压缩存储配置；
所述基于所述故障原因信息以及所述第一故障原因估计数据，采用故障预测代价函数确定所述电池故障决策模型所对应的第二网络权重信息，包括：
基于所述故障原因信息以及所述第一故障原因估计数据，确定在各个故障原因所对应的估计置信度；
基于所述各个故障原因所对应的估计置信度确定所述故障预测代价函数的故障预测代价；
当所述故障预测代价函数的故障预测代价为最小值时，确定所述电池故障决策模型所对应的所述第二网络权重信息；
所述基于所述故障原因信息以及所述第二故障原因估计数据，基于所述故障预测代价函数确定所述初始化迁移预测单元所对应的第三网络权重信息，包括：
基于所述故障原因信息以及所述第二故障原因估计数据，确定在各个故障原因所对应的估计置信度；
基于所述各个故障原因所对应的估计置信度确定所述故障预测代价函数的故障预测代价；
当所述故障预测代价函数的故障预测代价为最大值时，确定所述初始化迁移预测单元所对应的所述第三网络权重信息；
所述基于所述故障原因信息以及所述第二故障原因估计数据，基于所述故障预测代价函数确定所述电池故障决策模型所对应的第三网络权重信息之后，所述方法还包括：
当固定所述初始化迁移预测单元所对应的所述第三网络权重信息时，基于所述电池故障决策模型获取所述样本新能源电池故障数据的第三故障原因估计数据；
基于所述故障原因信息以及所述第三故障原因估计数据，基于所述故障预测代价函数确定所述电池故障决策模型所对应的第四网络权重信息；
当固定所述电池故障决策模型的所述第四网络权重信息时，基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第四故障原因估计数据；
基于所述故障原因信息以及所述第四故障原因估计数据，基于所述故障预测代价函数确定所述初始化迁移预测单元所对应的第五网络权重信息；
所述基于所述第二网络权重信息与所述第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，包括：
基于所述第二网络权重信息、所述第三网络权重信息、所述第四网络权重信息以及所述第五网络权重信息，对所述初始化故障定位模型进行权重信息迭代更新，生成所述目标故障定位模型。
2.根据权利要求1所述的基于新能源电池的数据压缩存储处理方法，其特征在于，所述基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第二故障原因估计数据之前，所述方法还包括：
通过故障迁移特征编码器获取所述样本新能源电池故障数据所对应的样本特征向量，其中，所述故障迁移特征编码器用于所述样本新能源电池故障数据的迁移特征；
所述基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第二故障原因估计数据，包括：
基于所述初始化迁移预测单元所述样本特征向量所对应的所述第二故障原因估计数据。
3.根据权利要求1所述的基于新能源电池的数据压缩存储处理方法，其特征在于，所述基于所述第二网络权重信息与所述第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，包括：
当基于所述第二网络权重信息与所述第三网络权重信息对所述初始化迁移预测单元经过N次权重信息更新时，基于每次权重信息更新所述初始化迁移预测单元的迁移特征，确定所述样本新能源电池故障数据所对应的故障特征位置，其中，所述N为不小于1的整数；
基于所述故障特征位置，采用目标代价函数对初始化故障定位模型进行权重信息迭代更新；
当所述目标代价函数的代价结果为最小值时，生成所述目标故障定位模型。
4.根据权利要求1所述的基于新能源电池的数据压缩存储处理方法，其特征在于，所述方法包括：
获取任意目标新能源电池故障数据；
通过目标故障定位模型获取所述任意目标新能源电池故障数据的故障定位节点，其中，所述目标故障定位模型为基于电池故障决策模型以及初始化迁移预测单元交替生成的；
基于所述故障定位节点对所述任意目标新能源电池故障数据进行数据压缩存储配置。
5.一种计算机可读存储介质，其特征在于，其上存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-4中任意一项所述的基于新能源电池的数据压缩存储处理方法。
6.一种云服务器，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-4中任意一项所述的基于新能源电池的数据压缩存储处理方法。
7.一种基于新能源电池的数据压缩存储处理系统，其特征在于，所述基于新能源电池的数据压缩存储处理系统包括云服务器以及与所述云服务器通信连接的新能源电池监控系统，所述云服务器具体用于：
获取样本新能源电池故障数据，其中，所述样本新能源电池故障数据具有故障原因训练数据，所述故障原因训练数据表征所述样本新能源电池故障数据中触发故障的故障原因信息；
当固定初始化迁移预测单元的第一网络权重信息时，通过电池故障决策模型获取所述样本新能源电池故障数据的第一故障原因估计数据，其中，所述初始化迁移预测单元用于基于迁移特征对新能源电池故障数据进行故障预测，所述电池故障决策模型用于对新能源电池故障数据中的故障特征进行故障预测；
基于所述故障原因信息以及所述第一故障原因估计数据，采用故障预测代价函数确定所述电池故障决策模型所对应的第二网络权重信息；
当固定所述电池故障决策模型的所述第二网络权重信息时，基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第二故障原因估计数据；
基于所述故障原因信息以及所述第二故障原因估计数据，基于所述故障预测代价函数确定所述初始化迁移预测单元所对应的第三网络权重信息；
基于所述第二网络权重信息与所述第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，其中，所述目标故障定位模型用于确定新能源电池监控系统的任意目标新能源电池故障数据的故障定位节点，以便于基于所述故障定位节点对所述任意目标新能源电池故障数据进行数据压缩存储配置；
所述基于所述故障原因信息以及所述第一故障原因估计数据，采用故障预测代价函数确定所述电池故障决策模型所对应的第二网络权重信息，包括：
基于所述故障原因信息以及所述第一故障原因估计数据，确定在各个故障原因所对应的估计置信度；
基于所述各个故障原因所对应的估计置信度确定所述故障预测代价函数的故障预测代价；
当所述故障预测代价函数的故障预测代价为最小值时，确定所述电池故障决策模型所对应的所述第二网络权重信息；
所述基于所述故障原因信息以及所述第二故障原因估计数据，基于所述故障预测代价函数确定所述初始化迁移预测单元所对应的第三网络权重信息，包括：
基于所述故障原因信息以及所述第二故障原因估计数据，确定在各个故障原因所对应的估计置信度；
基于所述各个故障原因所对应的估计置信度确定所述故障预测代价函数的故障预测代价；
当所述故障预测代价函数的故障预测代价为最大值时，确定所述初始化迁移预测单元所对应的所述第三网络权重信息；
所述基于所述故障原因信息以及所述第二故障原因估计数据，基于所述故障预测代价函数确定所述电池故障决策模型所对应的第三网络权重信息之后，当固定所述初始化迁移预测单元所对应的所述第三网络权重信息时，基于所述电池故障决策模型获取所述样本新能源电池故障数据的第三故障原因估计数据；
基于所述故障原因信息以及所述第三故障原因估计数据，基于所述故障预测代价函数确定所述电池故障决策模型所对应的第四网络权重信息；
当固定所述电池故障决策模型的所述第四网络权重信息时，基于所述初始化迁移预测单元获取所述样本新能源电池故障数据的第四故障原因估计数据；
基于所述故障原因信息以及所述第四故障原因估计数据，基于所述故障预测代价函数确定所述初始化迁移预测单元所对应的第五网络权重信息；
所述基于所述第二网络权重信息与所述第三网络权重信息，对初始化故障定位模型进行权重信息迭代更新，生成目标故障定位模型，包括：
基于所述第二网络权重信息、所述第三网络权重信息、所述第四网络权重信息以及所述第五网络权重信息，对所述初始化故障定位模型进行权重信息迭代更新，生成所述目标故障定位模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310907237.7A CN116910006B (zh) | 2023-07-24 | 2023-07-24 | 基于新能源电池的数据压缩存储处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310907237.7A CN116910006B (zh) | 2023-07-24 | 2023-07-24 | 基于新能源电池的数据压缩存储处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116910006A CN116910006A (zh) | 2023-10-20 |
| CN116910006B true CN116910006B (zh) | 2024-03-29 |
Family
ID=88356328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310907237.7A Active CN116910006B (zh) | 2023-07-24 | 2023-07-24 | 基于新能源电池的数据压缩存储处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116910006B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201111167Y (zh) * | 2007-08-30 | 2008-09-03 | 比亚迪股份有限公司 | 一种电池状态数据记录装置 |
| CN105375930A (zh) * | 2015-04-09 | 2016-03-02 | 国家电网公司 | 一种储能电站海量数据压缩方法及系统 |
| WO2018068742A1 (zh) * | 2016-10-14 | 2018-04-19 | 腾讯科技（深圳）有限公司 | 数据处理方法和装置 |
| CN109960237A (zh) * | 2017-12-25 | 2019-07-02 | 郑州宇通客车股份有限公司 | 一种车辆故障诊断和数据分析系统及车辆 |
| WO2021109578A1 (zh) * | 2019-12-02 | 2021-06-10 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| CN114756420A (zh) * | 2020-12-29 | 2022-07-15 | 超聚变数字技术有限公司 | 故障预测方法及相关装置 |
| CN116345698A (zh) * | 2023-05-30 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 储能电站运维管控方法、系统、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5435126B2 (ja) * | 2010-04-26 | 2014-03-05 | 株式会社日立製作所 | 時系列データ診断圧縮方法 |
-
2023
- 2023-07-24 CN CN202310907237.7A patent/CN116910006B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201111167Y (zh) * | 2007-08-30 | 2008-09-03 | 比亚迪股份有限公司 | 一种电池状态数据记录装置 |
| CN105375930A (zh) * | 2015-04-09 | 2016-03-02 | 国家电网公司 | 一种储能电站海量数据压缩方法及系统 |
| WO2018068742A1 (zh) * | 2016-10-14 | 2018-04-19 | 腾讯科技（深圳）有限公司 | 数据处理方法和装置 |
| CN109960237A (zh) * | 2017-12-25 | 2019-07-02 | 郑州宇通客车股份有限公司 | 一种车辆故障诊断和数据分析系统及车辆 |
| WO2021109578A1 (zh) * | 2019-12-02 | 2021-06-10 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| CN114756420A (zh) * | 2020-12-29 | 2022-07-15 | 超聚变数字技术有限公司 | 故障预测方法及相关装置 |
| CN116345698A (zh) * | 2023-05-30 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 储能电站运维管控方法、系统、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 融合粒子滤波的网络故障定位算法;张沛朋;魏楠;;大庆师范学院学报;20170510(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116910006A (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3465241A1 (en) | Method and system for estimating state of charge of a battery using gaussian process regression | |
| US9231434B2 (en) | Charging a battery using a multi-rate charge | |
| CN116594364B (zh) | 基于预制菜生产控制系统的优化方法及系统 | |
| US20220200293A1 (en) | Method and apparatus with battery short circuit detection | |
| US20210325470A1 (en) | Battery management system and method for determining active material content in electrode of battery | |
| EP4211435A1 (en) | Technique for estimation of internal battery temperature | |
| CN116430817A (zh) | 应用于光伏组件生产系统的数据采集处理方法及系统 | |
| CN116500449A (zh) | 电芯温度预测方法、装置、存储介质及电子设备 | |
| CN110303941B (zh) | 一种电池均衡方法、系统、设备以及介质 | |
| CN116910006B (zh) | 基于新能源电池的数据压缩存储处理方法及系统 | |
| CN116755403B (zh) | 基于光伏组件生产控制系统的数据采集方法及系统 | |
| CN116542673B (zh) | 应用于机器学习的欺诈行为识别方法及系统 | |
| CN116797973A (zh) | 应用于环卫智慧管理平台的数据挖掘方法及系统 | |
| CN116885824A (zh) | 充电方法、装置、设备、存储介质和程序产品 | |
| CN116991136A (zh) | 燃气机组aps启动控制系统的优化方法及系统 | |
| US12078682B2 (en) | Method and apparatus for estimating state of battery | |
| US8838421B2 (en) | Method and circuit for calculating sensor modelling coefficients | |
| CN115099398A (zh) | 硬件加速器运行优化方法、装置、电子设备及存储介质 | |
| CN114565172A (zh) | 电池剩余寿命预测模型构建、电池剩余寿命预测方法 | |
| CN117291609B (zh) | 用于账户风险监控系统的数据分析方法及系统 | |
| US20140006599A1 (en) | Probabilities of potential actions based on system observations | |
| CN114372237B (zh) | 一种分布式状态估计方法 | |
| CN117872153B (zh) | 一种锂电池荷电状态的评估方法、装置及电子设备 | |
| CN111695683B (zh) | 可执行人工智能运算的存储器芯片及其运算方法 | |
| CN116827818A (zh) | 一种异常网络数据检测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |