CN117574111A - 基于场景状态的bms算法选择方法、装置、设备和介质 - Google Patents
基于场景状态的bms算法选择方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117574111A CN117574111A CN202410050868.6A CN202410050868A CN117574111A CN 117574111 A CN117574111 A CN 117574111A CN 202410050868 A CN202410050868 A CN 202410050868A CN 117574111 A CN117574111 A CN 117574111A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- scene
- bms
- state
- decision model
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 532
- 238000010187 selection method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 21
- 230000008901 benefit Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000013433 optimization analysis Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 22
- 206010068065 Burning mouth syndrome Diseases 0.000 description 225
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及电池管理的技术领域，尤其是涉及基于场景状态的BMS算法选择方法、装置、设备和介质，方法包括：基于当前场景信息进行正交状态分类，并将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，选取目标BMS算法，其中，算法决策模型的建立方式为：基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类，然后，基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型。通过这种方式，使得选取的BMS算法能够适应当前的工作场景和环境条件，合适的BMS算法能够提高BMS系统对电池状态和电池寿命预估的精准度。
Description
技术领域
本申请涉及电池管理的技术领域，尤其是涉及基于场景状态的BMS算法选择方法、装置、设备和介质。
背景技术
BMS系统（BATTERY MANAGEMENT SYSTEM，电池管理系统）用于智能化管理和维护各个电池单元，监控电池的状态，防止电池出现过充电和过放电，以延长电池的使用寿命。根据BMS系统部署的位置不同，确定云端BMS和边缘BMS，其中，云端BMS为部署在云端服务器上，通过互联网进行远程访问和控制；边缘BMS为部署在车辆、储能设备等边缘设备上，实现本地化处理和控制。
由于云端BMS可以实现对多个边缘BMS的集中管理和控制，能够处理和分析大量数据，为电池管理提供更急准确的数据支持，因而，相关技术中常常追求使用云端BMS。然而，云端BMS并不能高度适配各种场景，在某些特定场景下，云端BMS对电池的管控效果并不如边缘BMS，例如，在网络质量较差的情况下、在电池所处场景变化的情况下。
因而，如何提供一种基于场景状态的BMS算法选择方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供基于场景状态的BMS算法选择方法、装置、设备和介质，用于解决以上至少一项技术问题。
本申请的上述发明目的是通过以下技术方案得以实现的：
第一方面，本申请提供一种基于场景状态的BMS算法选择方法，采用如下的技术方案：
一种基于场景状态的BMS算法选择方法，包括：
获取电池的当前场景信息，基于所述当前场景信息进行正交状态分类，得到多维场景状态信息，其中，所述多维场景状态信息由多个无相关性的维度信息组成；
将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，所述BMS算法集合包括：云端BMS算法和边缘BMS算法；
其中，所述算法决策模型的建立方式，包括：
基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类；
基于机器学习算法和所述场景集合分类进行模型训练，得到算法决策模型，其中，所述算法决策模型对场景集合分类中每一状态设定了权重。
通过采用上述技术方案，基于当前场景信息进行正交状态分类，得到多维场景状态信息，然后，将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，算法决策模型的建立方式为：基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类，然后，基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型。通过这种方式，能够基于电池或电池所在设备所工作的场景状态智能地选取云端BMS算法或边缘BMS算法，以使得选取的BMS算法能够适应当前的工作场景和环境条件，合适的BMS算法能够提高BMS系统对电池状态和电池寿命预估的精准度。
本申请在一较佳示例中可以进一步配置为：所述将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，包括：
将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，并输出目标场景状态，其中，所述目标场景状态为多维场景状态信息中的信息项；
基于所述目标场景状态进行选取原因分析，确定选取所述目标BMS算法的优势原因。
本申请在一较佳示例中可以进一步配置为：所述基于所述目标场景状态进行选取原因分析，确定选取所述目标BMS算法的优势原因之后，还包括：
基于所述优势原因进行双执行端优化分析，得到所述云端BMS算法对应的第一优化建议和所述边缘BMS算法对应的第二优化建议。
本申请在一较佳示例中可以进一步配置为：所述从BMS算法集合中选取目标BMS算法之后，还包括：
获取选取所述目标BMS算法对应的校验结果，其中，所述校验结果包括：选取正确和选取错误；
当所述校验结果为选取正确时，则将所述多维场景状态信息添加至所述场景集合分类，得到扩充场景集合分类。
本申请在一较佳示例中可以进一步配置为：所述将所述多维场景状态信息添加至所述场景集合分类，得到扩充场景集合分类之后，还包括：
当检测到迭代训练的指令时，则基于所述扩充场景集合分类和机器学习算法，对所述算法决策模型进行迭代训练，得到迭代训练后的算法决策模型。
本申请在一较佳示例中可以进一步配置为：所述基于机器学习算法和所述场景集合分类进行模型训练，得到算法决策模型，包括：
获取算法组合序列，其中，所述算法组合序列包括多项算法组合，每一算法组合由至少两项机器学习算法构成；
基于目标算法组合和所述场景集合分类进行模型训练，得到待选算法决策模型，其中，所述目标算法组合为所述算法组合序列中任意一项算法组合；
获取每一所述待选算法决策模型的测试结果，并基于每一所述测试结果，从多个所述待选算法决策模型选取算法决策模型。
第二方面，本申请提供一种基于场景状态的BMS算法选择装置，采用如下的技术方案：
一种基于场景状态的BMS算法选择装置，包括：
正交状态分类模块，用于获取电池的当前场景信息，基于所述当前场景信息进行正交状态分类，得到多维场景状态信息，其中，所述多维场景状态信息由多个无相关性的维度信息组成；
算法选择模块，用于将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，所述BMS算法集合包括：云端BMS算法和边缘BMS算法；
模型训练模块，用于基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类；基于机器学习算法和所述场景集合分类进行模型训练，得到算法决策模型，其中，所述算法决策模型对场景集合分类中每一状态设定了权重。
本申请在一较佳示例中可以进一步配置为：算法选择模块在执行所述将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法时，用于：
将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，并输出目标场景状态，其中，所述目标场景状态为多维场景状态信息中的信息项；
基于所述目标场景状态进行选取原因分析，确定选取所述目标BMS算法的优势原因。
本申请在一较佳示例中可以进一步配置为：基于场景状态的BMS算法选择装置，还包括：
双执行端优化分析模块，用于基于所述优势原因进行双执行端优化分析，得到所述云端BMS算法对应的第一优化建议和所述边缘BMS算法对应的第二优化建议。
本申请在一较佳示例中可以进一步配置为：基于场景状态的BMS算法选择装置，还包括：
集合扩充模块，用于获取选取所述目标BMS算法对应的校验结果，其中，所述校验结果包括：选取正确和选取错误；
当所述校验结果为选取正确时，则将所述多维场景状态信息添加至所述场景集合分类，得到扩充场景集合分类。
本申请在一较佳示例中可以进一步配置为：基于场景状态的BMS算法选择装置，还包括：
迭代训练模块，用于当检测到迭代训练的指令时，则基于所述扩充场景集合分类和机器学习算法，对所述算法决策模型进行迭代训练，得到迭代训练后的算法决策模型。
本申请在一较佳示例中可以进一步配置为：模型训练模块在执行所述基于机器学习算法和所述场景集合分类进行模型训练，得到算法决策模型时，用于：
获取算法组合序列，其中，所述算法组合序列包括多项算法组合，每一算法组合由至少两项机器学习算法构成；
基于目标算法组合和所述场景集合分类进行模型训练，得到待选算法决策模型，其中，所述目标算法组合为所述算法组合序列中任意一项算法组合；
获取每一所述待选算法决策模型的测试结果，并基于每一所述测试结果，从多个所述待选算法决策模型选取算法决策模型。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行上述的基于场景状态的BMS算法选择方法。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行上所述的基于场景状态的BMS算法选择方法。
综上所述，本申请包括以下至少一种有益技术效果：
基于当前场景信息进行正交状态分类，得到多维场景状态信息，然后，将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，算法决策模型的建立方式为：基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类，然后，基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型。通过这种方式，能够基于电池或电池所在设备所工作的场景状态智能地选取云端BMS算法或边缘BMS算法，以使得选取的BMS算法能够适应当前的工作场景和环境条件，合适的BMS算法能够提高BMS系统对电池状态和电池寿命预估的精准度。
基于优势原因进行双执行端优化分析，得到云端BMS算法对应的第一优化建议和边缘BMS算法对应的第二优化建议，双执行端优化分析所得到的第一优化建议和第二优化建议能够便于技术人员对执行端的BMS算法进行优化，以提高电池管理系统的效率、减少资源消耗。
附图说明
图1是本申请其中一实施例的一种基于场景状态的BMS算法选择方法的流程示意图；
图2是本申请其中一实施例的一种算法决策模型的建立方式的流程示意图；
图3是本申请其中一实施例的场景集合分类的表现形式的示意图；
图4是本申请其中一实施例的一种基于场景状态的BMS算法选择装置的结构示意图；
图5是本申请其中一实施例的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图5对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的范围内都受到专利法的保护。
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作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。
下面结合说明书附图对本申请实施例作进一步详细描述。
由于云端BMS可以实现对多个边缘BMS的集中管理和控制，能够处理和分析大量数据，为电池管理提供更急准确的数据支持，因而，相关技术中常常追求使用云端BMS。然而，云端BMS并不能高度适配各种场景，在某些特定场景下，云端BMS对电池的管控效果并不如边缘BMS，例如，在网络质量较差的情况下、在电池所处场景变化的情况下。
为了解决上述技术问题，本申请实施例提供了一种基于场景状态的BMS算法选择方法，能够基于电池或电池所在设备所工作的场景状态智能地选取云端BMS算法或边缘BMS算法，以使得选取的BMS算法能够适应当前的工作场景和环境条件，其中，云端BMS算法为云端BMS内所使用的算法，边缘BMS算法为边缘BMS内所使用的算法。与此同时，合适的BMS算法能够提高BMS系统对电池状态和电池寿命预估的精准度。
本申请实施例提供了一种基于场景状态的BMS算法选择方法，由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此，该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制，如图1所示，该方法包括步骤S101和步骤S102，其中：
步骤S101：获取电池的当前场景信息，基于当前场景信息进行正交状态分类，得到多维场景状态信息，其中，多维场景状态信息由多个无相关性的维度信息组成；
步骤S102：将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，BMS算法集合包括：云端BMS算法和边缘BMS算法；
对于本申请实施例，当前场景信息用于表示电池或电池所在设备所工作的工作场景和环境条件，为了便于算法决策模型能够更加快速、精准地进行基于场景状态的BMS算法选择，基于当前场景信息进行正交状态分类，得到多维场景状态信息，其中，多维场景状态信息由多个无相关性的维度信息组成，无相关性的维度包括但不限于：电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况。正交状态分类用于降低不同维度信息之间的干扰，使得每个维度的信息能够更加清晰地被分析和处理，相互独立的维度信息方便进行数据分析和挖掘，提取有用的信息和特征。然后，将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，确定目标BMS算法，其中，目标BMS算法为适应当前场景状态的BMS算法。利用算法决策模型进行BMS算法选择，能够更加准确地选取出适应当前场景状态的BMS算法，适应当前场景状态的BMS算法可以更加准确地预测电池的充放电行为，避免过度充电或过度放电等不安全情况，与此同时，正确的BMS算法选择可以优化电池的充放电过程，提高电池的能量使用效率，减少能源浪费。
其中，算法决策模型的建立方式，如图2所示，包括：步骤SA和步骤SB，其中：
步骤SA：基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类。
对于本申请实施例，电池设备使用工况能够直接反映电池设备的物理状态和工作情况，电池设备使用工况包括但不限于：温度、湿度、气压、是否处于高负荷运行、工作状态（包括：空闲状态、执行关键任务状态）。云端算法状态表示在云端服务器上运行的云端BMS算法的性能和可用性，有助于判断云端处理的可行性和效率，云端算法状态包括但不限于：云端BMS算法对应的运行速度、资源利用率、当前状态（例如，处于更新状态、维护状态、正常状态）。边缘算法状态表示在电池设备本地上运行的边缘BMS算法的性能和响应能力，有助于判断边缘BMS算法的可行性和效果，边缘算法状态包括但不限于：边缘BMS算法对应的执行速度、内存占用情况和当前是否有任务正在执行等。执行端负载情况包括但不限于：执行端对应的处理器使用情况、内存使用情况，执行端负载情况用于确定执行端当前的负载水平，以便于更好地决策将BMS系统部署至哪一执行端，执行端包括：云端和边端。数据质量情况包括但不限于：数据的准确性和完整性，数据质量情况用于评估数据质量，以确保基于数据所做出的决策可靠。网络状况表征电池设备与云端之间的通信质量，包括但不限于：带宽、延迟和丢包率，网络状况对于选择云端通信或本地处理具有关键性意义。算法选择表示选择在哪一执行端运行的BMS算法，算法选择包括：云端BMS算法和边缘BMS算法。进而，基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类，其中，正交状态用于表征场景集合分类中每一关键因素之间是不相关的。场景集合分类的表现形式如图3所示，图3中第一行为：电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，针对每一标签下包括的多个状态和每一状态对应的数值，本申请实施例不再进行限定，用户可以根据实际情况进行调整。
步骤SB：基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型，其中，算法决策模型对场景集合分类中每一状态设定了权重。
对于本申请实施例，基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型，算法决策模型对场景集合分类中每一状态设定了权重，每一状态的权重用于反映不同因素对算法选择的相对重要性，以确保在不同的场景状态下能够选择出适应当前场景状态的BMS算法。针对模型训练的过程中，利用机器学习算法对场景集合分类中不同标签下的不同状态进行分类，并为每个状态赋予相应的权重，其中，机器学习算法包括但不限于：支持向量机分类算法、K均值聚类、层次聚类算法、DBSCAN聚类算法、高斯混合模型等，优选的，将至少两种机器学习算法结合起来进行模型训练，多算法整合能够更全面地考虑不同场景下的算法选择，提高了算法决策模型算法选择的准确性和适应性。
可见，在本申请实施例中，基于当前场景信息进行正交状态分类，得到多维场景状态信息，然后，将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，算法决策模型的建立方式为：基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类，然后，基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型。通过这种方式，能够基于电池或电池所在设备所工作的场景状态智能地选取云端BMS算法或边缘BMS算法，以使得选取的BMS算法能够适应当前的工作场景和环境条件，合适的BMS算法能够提高BMS系统对电池状态和电池寿命预估的精准度。
进一步的，为了更好地发挥选定的目标BMS算法的优势，提高电池管理系统的整体性能和效率，在本申请实施例中，将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，包括：
将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，并输出目标场景状态，其中，目标场景状态为多维场景状态信息中的信息项；
基于目标场景状态进行选取原因分析，确定选取目标BMS算法的优势原因。
对于本申请实施例，算法决策模型对场景集合分类中每一状态设定了权重，将多维场景状态信息输入至算法决策模型后，算法决策模型能够针对多维场景状态自动进行BMS算法选择，确定目标算法，与此同时，还能够输出目标场景状态，其中，目标场景状态为算法决策模型在BMS算法选择的过程中从多维场景状态信息中确定的权重值高的至少一项信息项。然后，基于目标场景状态进行选取原因分析，确定选取目标BMS算法的优势原因。针对上述操作步骤而言，为了便于能够更好地理解，现进行举例论述。例如，当多维场景状态信息中网络状况良好时，即，网络状况标签下带宽、延迟和丢包率表现优秀时，与此同时，云端算法状态良好时，即，云端算法状态标签下运行速度、资源利用率表现优秀时，算法决策模型会确定目标BMS算法为云端BMS算法，并输出目标场景状态包括：网络状况、云端算法状态，当然，还可以包括网络状况和云端算法状态每一标签下的信息项。然后，基于目标场景状态进行选取原因分析，确定选取目标BMS算法的优势原因，其中，优势原因包括但不限于：云端运行速度快、可支持大规模数据计算。基于目标场景状态进行选取原因分析，确定选取目标BMS算法的优势原因，优势原因用于优化BMS系统，通过调整和优化电池管理策略，以更好地发挥选定的目标BMS算法的优势，提高电池管理系统的整体性能和效率。
在本申请实施例中，云端BMS算法更加适合的场景状态包括但不限于：电池设备具有大规模数据计算需求、电池设备本身的负载和状态比较复杂的情况；边缘BMS算法更加适合的场景状态包括但不限于：网络状况较差、电池设备所在的场景变化比较快的情况。
可见，在本申请实施例中，将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，然后，基于目标场景状态进行选取原因分析，确定选取目标BMS算法的优势原因，优势原因用于优化BMS系统，通过调整和优化电池管理策略，以更好地发挥选定的目标BMS算法的优势，提高电池管理系统的整体性能和效率。
进一步的，为了便于技术人员对执行端的BMS算法进行优化，以提高电池管理系统的效率、减少资源消耗，在本申请实施例中，基于目标场景状态进行选取原因分析，确定选取目标BMS算法的优势原因之后，还包括：
基于优势原因进行双执行端优化分析，得到云端BMS算法对应的第一优化建议和边缘BMS算法对应的第二优化建议。
对于本申请实施例，在确定选取目标BMS算法的优势原因之后，基于优势原因进行双执行端优化分析，得到云端BMS算法对应的第一优化建议和边缘BMS算法对应的第二优化建议，双执行端优化分析所得到的第一优化建议和第二优化建议能够便于技术人员对执行端的BMS算法进行优化，以提高电池管理系统的效率、减少资源消耗。针对云端BMS算法对应的第一优化建议而言，第一优化建议包括但不限于：云端BMS算法逻辑改进、优化数据传输和处理方式、提高算法的并行性和并发性等，第一优化建议旨在提高云端BMS算法的执行效率和性能，以满足更复杂、更高效的场景需求。针对边缘BMS算法对应的第二优化建议而言，第二优化建议包括但不限于：优化本地数据处理和分析能力、提高本地设备的自适应性和智能性、加强与云端的协同工作，第二优化建议旨在提高边缘BMS算法的执行效率和本地设备性能。
可见，在本申请实施例中，基于优势原因进行双执行端优化分析，得到云端BMS算法对应的第一优化建议和边缘BMS算法对应的第二优化建议，双执行端优化分析所得到的第一优化建议和第二优化建议能够便于技术人员对执行端的BMS算法进行优化，以提高电池管理系统的效率、减少资源消耗。
进一步的，为了便于算法决策模型能够适应不断变换的使用场景，在本申请实施例中，从BMS算法集合中选取目标BMS算法之后，还包括：
获取选取目标BMS算法对应的校验结果，其中，校验结果包括：选取正确和选取错误；
当校验结果为选取正确时，则将多维场景状态信息添加至场景集合分类，得到扩充场景集合分类。
对于本申请实施例，随着场景数据的不断积累和不断变换的使用场景，算法决策模型在存在选择目标BMS算法时，可能会出现预测结果不精确的情况，因而，当算法决策模型基于场景状态进行BMS算法选择后，需要验证算法决策模型的选取结果是否正确。当算法决策模型的选取结果正确时，确定校验结果为选取正确；当算法决策模型的选取结果不正确时，确定校验结果为选取错误。然后，当校验结果为选取正确时，则将多维场景状态信息添加至场景集合分类，得到扩充场景集合分类，扩充场景集合分类为后续算法决策模型的迭代训练了提供了更多数据，以便于算法决策模型能够适应不断变换的使用场景。当校验结果为选取正确时，表征算法决策模型在该场景环境下没有正确选择目标BMS算法，该多维场景状态信息可以抛弃，当然，也可以通过人工调整后添加至场景集合分类，以达到为算法决策模型的迭代训练提供了更多数据的目的。
可见，在本申请实施例中，从BMS算法集合中选取目标BMS算法之后，获取选取目标BMS算法对应的校验结果，当校验结果为选取正确时，则将多维场景状态信息添加至场景集合分类，得到扩充场景集合分类。扩充场景集合分类为后续算法决策模型的迭代训练了提供了更多数据，以便于算法决策模型能够适应不断变换的使用场景。
进一步的，为了使得算法决策模型能够在不同的场景环境下更加精准地选取目标BMS算法，在本申请实施例中，将多维场景状态信息添加至场景集合分类，得到扩充场景集合分类之后，还包括：
当检测到迭代训练的指令时，则基于扩充场景集合分类和机器学习算法，对算法决策模型进行迭代训练，得到迭代训练后的算法决策模型。
对于本申请实施例，当检测到迭代训练的指令时，则基于扩充场景集合分类对和机器学习算法进行迭代训练，得到迭代训练后的算法决策模型。通过对算法决策模型进行迭代训练，可以不断更新算法决策模型中对场景集合分类中每一状态对应的权重，使得算法决策模型能够在不同的场景环境下更加精准地选取目标BMS算法。与此同时，迭代训练可以让算法决策模型接触到更多的场景环境，从而提高算法决策模型的泛化能力，使其能够更好地适应未知场景环境。
可见，在本申请实施例中，当检测到迭代训练的指令时，则基于扩充场景集合分类和机器学习算法，对算法决策模型进行迭代训练，得到迭代训练后的算法决策模型。通过对算法决策模型进行迭代训练，可以不断更新算法决策模型中对场景集合分类中每一状态对应的权重，使得算法决策模型能够在不同的场景环境下更加精准地选取目标BMS算法。
进一步的，为了确保算法决策模型在进行基于场景状态的BMS算法选择时具有更高的准确性，更好地适应未知场景环境，提高算法决策模型的泛化能力，在本申请实施例中，基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型，包括：
获取算法组合序列，其中，算法组合序列包括多项算法组合，每一算法组合由至少两项机器学习算法构成；
基于目标算法组合和场景集合分类进行模型训练，得到待选算法决策模型，其中，目标算法组合为算法组合序列中任意一项算法组合；
获取每一待选算法决策模型的测试结果，并基于每一测试结果，从多个待选算法决策模型选取算法决策模型。
对于本申请实施例，算法组合序列包括多项算法组合，每一算法组合由至少两项机器学习算法构成，其中，机器学习算法包括但不限于：支持向量机分类算法、K均值聚类、层次聚类算法、DBSCAN聚类算法、高斯混合模型。基于目标算法组合和场景集合分类进行模型训练，得到待选算法决策模型，并基于每一待选算法决策模型的测试结果，从多个待选算法决策模型中选取测试结果最好的模型作为最终的算法决策模型，其中，测试结果包括但不限于：准确率、召回率、F1分数等指标。从多个待选算法决策模型选取算法决策模型时，根据测试结果，对每个待选算法决策模型进行评估，选择测试结果最好的模型作为最终的算法决策模型，如果存在多个待选算法决策模型具有相似的测试结果，可以根据其他因素（例如，待选算法决策模型的可解释性、计算效率等）进行选择。在机器学习算法和场景集合分类进行模型训练的过程中，通过使用不同的算法组合进行模型训练，并选取测试结果最好的模型作为算法决策模型，可以确保算法决策模型在进行基于场景状态的BMS算法选择时具有更高的准确性，还能够更好地适应未知场景环境，提高算法决策模型的泛化能力。
可见，在本申请实施例中，基于目标算法组合和场景集合分类进行模型训练，得到待选算法决策模型，然后，基于每一待选算法决策模型的测试结果，从多个待选算法决策模型选取算法决策模型。通过这种方式，可以确保算法决策模型在进行基于场景状态的BMS算法选择时具有更高的准确性，还能够更好地适应未知场景环境，提高算法决策模型的泛化能力。
上述实施例从方法流程的角度介绍一种基于场景状态的BMS算法选择方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种基于场景状态的BMS算法选择装置，具体详见下述实施例。
本申请实施例提供一种基于场景状态的BMS算法选择装置，如图4所示，该基于场景状态的BMS算法选择装置具体可以包括：
正交状态分类模块210，用于获取电池的当前场景信息，基于当前场景信息进行正交状态分类，得到多维场景状态信息，其中，多维场景状态信息由多个无相关性的维度信息组成；
算法选择模块220，用于将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，BMS算法集合包括：云端BMS算法和边缘BMS算法；
模型训练模块230，用于基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类；基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型，其中，算法决策模型对场景集合分类中每一状态设定了权重。
对于本申请实施例，基于当前场景信息进行正交状态分类，得到多维场景状态信息，然后，将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，算法决策模型的建立方式为：基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类，然后，基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型。通过这种方式，能够基于电池或电池所在设备所工作的场景状态智能地选取云端BMS算法或边缘BMS算法，以使得选取的BMS算法能够适应当前的工作场景和环境条件，合适的BMS算法能够提高BMS系统对电池状态和电池寿命预估的精准度。
本申请实施例的一种可能的实现方式，算法选择模块220在执行将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法时，用于：
将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，并输出目标场景状态，其中，目标场景状态为多维场景状态信息中的信息项；
基于目标场景状态进行选取原因分析，确定选取目标BMS算法的优势原因。
本申请实施例的一种可能的实现方式，基于场景状态的BMS算法选择装置，还包括：
双执行端优化分析模块，用于基于优势原因进行双执行端优化分析，得到云端BMS算法对应的第一优化建议和边缘BMS算法对应的第二优化建议。
本申请实施例的一种可能的实现方式，基于场景状态的BMS算法选择装置，还包括：
集合扩充模块，用于获取选取目标BMS算法对应的校验结果，其中，校验结果包括：选取正确和选取错误；
当校验结果为选取正确时，则将多维场景状态信息添加至场景集合分类，得到扩充场景集合分类。
本申请实施例的一种可能的实现方式，基于场景状态的BMS算法选择装置，还包括：
迭代训练模块，用于当检测到迭代训练的指令时，则基于扩充场景集合分类和机器学习算法，对算法决策模型进行迭代训练，得到迭代训练后的算法决策模型。
本申请实施例的一种可能的实现方式，模型训练模块230在执行基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型时，用于：
获取算法组合序列，其中，算法组合序列包括多项算法组合，每一算法组合由至少两项机器学习算法构成；
基于目标算法组合和场景集合分类进行模型训练，得到待选算法决策模型，其中，目标算法组合为算法组合序列中任意一项算法组合；
获取每一待选算法决策模型的测试结果，并基于每一测试结果，从多个待选算法决策模型选取算法决策模型。
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，上述描述的一种基于场景状态的BMS算法选择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。
本申请实施例中提供了一种电子设备，如图5所示，图5所示的电子设备300包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一型的总线。
存储器303可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与相关技术相比，本申请实施例，基于当前场景信息进行正交状态分类，得到多维场景状态信息，然后，将多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，算法决策模型的建立方式为：基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类，然后，基于机器学习算法和场景集合分类进行模型训练，得到算法决策模型。通过这种方式，能够基于电池或电池所在设备所工作的场景状态智能地选取云端BMS算法或边缘BMS算法，以使得选取的BMS算法能够适应当前的工作场景和环境条件，合适的BMS算法能够提高BMS系统对电池状态和电池寿命预估的精准度。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种基于场景状态的BMS算法选择方法，其特征在于，包括：
获取电池的当前场景信息，基于所述当前场景信息进行正交状态分类，得到多维场景状态信息，其中，所述多维场景状态信息由多个无相关性的维度信息组成；
将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，所述BMS算法集合包括：云端BMS算法和边缘BMS算法；
其中，所述算法决策模型的建立方式，包括：
基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类；
基于机器学习算法和所述场景集合分类进行模型训练，得到算法决策模型，其中，所述算法决策模型对场景集合分类中每一状态设定了权重。
2.根据权利要求1所述的基于场景状态的BMS算法选择方法，其特征在于，所述将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，包括：
将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，并输出目标场景状态，其中，所述目标场景状态为多维场景状态信息中的信息项；
基于所述目标场景状态进行选取原因分析，确定选取所述目标BMS算法的优势原因。
3.根据权利要求2所述的基于场景状态的BMS算法选择方法，其特征在于，所述基于所述目标场景状态进行选取原因分析，确定选取所述目标BMS算法的优势原因之后，还包括：
基于所述优势原因进行双执行端优化分析，得到所述云端BMS算法对应的第一优化建议和所述边缘BMS算法对应的第二优化建议。
4.根据权利要求1所述的基于场景状态的BMS算法选择方法，其特征在于，所述从BMS算法集合中选取目标BMS算法之后，还包括：
获取选取所述目标BMS算法对应的校验结果，其中，所述校验结果包括：选取正确和选取错误；
当所述校验结果为选取正确时，则将所述多维场景状态信息添加至所述场景集合分类，得到扩充场景集合分类。
5.根据权利要求4所述的基于场景状态的BMS算法选择方法，其特征在于，所述将所述多维场景状态信息添加至所述场景集合分类，得到扩充场景集合分类之后，还包括：
当检测到迭代训练的指令时，则基于所述扩充场景集合分类和机器学习算法，对所述算法决策模型进行迭代训练，得到迭代训练后的算法决策模型。
6.根据权利要求1至5任意一项所述的基于场景状态的BMS算法选择方法，其特征在于，所述基于机器学习算法和所述场景集合分类进行模型训练，得到算法决策模型，包括：
获取算法组合序列，其中，所述算法组合序列包括多项算法组合，每一算法组合由至少两项机器学习算法构成；
基于目标算法组合和所述场景集合分类进行模型训练，得到待选算法决策模型，其中，所述目标算法组合为所述算法组合序列中任意一项算法组合；
获取每一所述待选算法决策模型的测试结果，并基于每一所述测试结果，从多个所述待选算法决策模型选取算法决策模型。
7.一种基于场景状态的BMS算法选择装置，其特征在于，包括：
正交状态分类模块，用于获取电池的当前场景信息，基于所述当前场景信息进行正交状态分类，得到多维场景状态信息，其中，所述多维场景状态信息由多个无相关性的维度信息组成；
算法选择模块，用于将所述多维场景状态信息输入至算法决策模型进行基于场景状态的BMS算法选择，从BMS算法集合中选取目标BMS算法，其中，所述BMS算法集合包括：云端BMS算法和边缘BMS算法；
模型训练模块，用于基于电池设备使用工况、云端算法状态、边缘算法状态、执行端负载情况、数据质量情况、网络状况和算法选择，生成正交状态的场景集合分类；基于机器学习算法和所述场景集合分类进行模型训练，得到算法决策模型，其中，所述算法决策模型对场景集合分类中每一状态设定了权重。
8.一种电子设备，其特征在于，包括：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行权利要求1～6任一项所述的基于场景状态的BMS算法选择方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1～6任一项所述的基于场景状态的BMS算法选择方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410050868.6A CN117574111B (zh) | 2024-01-15 | 2024-01-15 | 基于场景状态的bms算法选择方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410050868.6A CN117574111B (zh) | 2024-01-15 | 2024-01-15 | 基于场景状态的bms算法选择方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117574111A true CN117574111A (zh) | 2024-02-20 |
| CN117574111B CN117574111B (zh) | 2024-03-19 |
Family
ID=89890349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410050868.6A Active CN117574111B (zh) | 2024-01-15 | 2024-01-15 | 基于场景状态的bms算法选择方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574111B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
| CN112711892A (zh) * | 2020-12-07 | 2021-04-27 | 深圳先进技术研究院 | 一种基于数字孪生和区块链技术的云电池管理系统及方法 |
| CN114312830A (zh) * | 2021-12-14 | 2022-04-12 | 江苏大学 | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 |
| CN115285143A (zh) * | 2022-08-03 | 2022-11-04 | 东北大学 | 一种基于场景分类的自动驾驶车辆导航方法 |
| WO2023206771A1 (zh) * | 2022-04-24 | 2023-11-02 | 南栖仙策(南京)科技有限公司 | 基于决策流图的环境建模方法、装置和电子设备 |
| CN117310504A (zh) * | 2023-09-11 | 2023-12-29 | 中山大学 | 一种电池健康状态评估方法、系统、设备及介质 |
-
2024
- 2024-01-15 CN CN202410050868.6A patent/CN117574111B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
| CN112711892A (zh) * | 2020-12-07 | 2021-04-27 | 深圳先进技术研究院 | 一种基于数字孪生和区块链技术的云电池管理系统及方法 |
| CN114312830A (zh) * | 2021-12-14 | 2022-04-12 | 江苏大学 | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 |
| WO2023206771A1 (zh) * | 2022-04-24 | 2023-11-02 | 南栖仙策(南京)科技有限公司 | 基于决策流图的环境建模方法、装置和电子设备 |
| CN115285143A (zh) * | 2022-08-03 | 2022-11-04 | 东北大学 | 一种基于场景分类的自动驾驶车辆导航方法 |
| CN117310504A (zh) * | 2023-09-11 | 2023-12-29 | 中山大学 | 一种电池健康状态评估方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117574111B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598802A (zh) | 一种内存检测模型训练的方法、内存检测的方法及装置 | |
| CN113467944B (zh) | 面向复杂软件系统的资源部署装置及方法 | |
| CN113672467A (zh) | 运维预警方法及装置、电子设备、存储介质 | |
| CN110516060B (zh) | 用于确定问题答案的方法及问答装置 | |
| CN116596095A (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
| CN115220916A (zh) | 视频智能分析平台的自动算力调度方法、装置及系统 | |
| CN112559078B (zh) | 一种移动边缘计算服务器分级卸载任务方法及系统 | |
| CN116680992B (zh) | 建立电芯容量预测模型的方法、装置、计算机设备及介质 | |
| CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
| CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
| CN117574111B (zh) | 基于场景状态的bms算法选择方法、装置、设备和介质 | |
| CN113408804A (zh) | 窃电行为检测方法、系统、终端设备及存储介质 | |
| US20230186150A1 (en) | Hyperparameter selection using budget-aware bayesian optimization | |
| CN109829014A (zh) | 测试数据获取的方法及装置 | |
| EP4339843A1 (en) | Neural network optimization method and apparatus | |
| US20230297430A1 (en) | Machine-Learning Model Retargeting | |
| CN115185658A (zh) | 一种基于时间和通信可靠的任务卸载调度方法及相关产品 | |
| CN113760407A (zh) | 信息处理方法、装置、设备及存储介质 | |
| CN115079929A (zh) | 路径调度方法及装置、存储介质和电子设备 | |
| CN117175664B (zh) | 基于使用场景的储能充电设备输出功率自适应调节系统 | |
| CN116739440B (zh) | 自智网络的评价方法、装置、电子设备及存储介质 | |
| CN117408832B (zh) | 应用于环保胶生产控制系统的异常分析方法及系统 | |
| CN117193675B (zh) | 基于分布式计算容量的固态储存器管理系统 | |
| KR102554905B1 (ko) | 학습데이터 모집단에서 최종학습데이터셋을 도출하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체 | |
| CN115525532A (zh) | 一种测试用例选择方法及相关装置 |
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 |