CN117930017A - 基于机器学习的健康状态确定方法、装置和计算机设备 - Google Patents
基于机器学习的健康状态确定方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117930017A CN117930017A CN202311789679.2A CN202311789679A CN117930017A CN 117930017 A CN117930017 A CN 117930017A CN 202311789679 A CN202311789679 A CN 202311789679A CN 117930017 A CN117930017 A CN 117930017A
- Authority
- CN
- China
- Prior art keywords
- battery
- target
- retired
- parameters
- retired battery
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 27
- 238000013210 evaluation model Methods 0.000 claims abstract description 94
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000012423 maintenance Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 36
- 230000003862 health status Effects 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请涉及一种基于机器学习的健康状态确定方法、装置和计算机设备。所述方法包括:获取目标退役电池的电池参数;其中,目标退役电池的电池参数包括目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;将目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态;使得影响退役电池健康状态评估的因素得到了充分的考量,从而使得确定的目标退役电池的健康状态更加准确,进而提高了退役电池健康状态评估的准确性。
Description
技术领域
本申请涉及电动汽车动力电池技术领域,特别是涉及一种基于机器学习的健康状态确定方法、装置和计算机设备。
背景技术
退役电池(即退役动力电池)可以理解为电池容量衰减至初始容量的预设程度的电池,例如电池容量衰减至初始容量的80%的电池就可以退役了。退役电池健康状态估计是将电池进行分选、拆解、重组和梯次利用前的关键环节。退役动力电池健康状态评估可以理解为将性能较好且特征参数相似的电池进行筛选,并分成不同等级,然后应用到对应的实际场合中。
现有技术中,对退役动力电池健康状态估计存在状态评估不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种基于机器学习的健康状态确定方法、装置和计算机设备,能够提高退役动力电池健康状态评估的准确性。
第一方面,本申请提供了一种基于机器学习的健康状态确定方法,所述方法包括:
获取目标退役电池的电池参数;其中,所述目标退役电池的电池参数包括所述目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态。
在其中一个实施例中,所述目标电池评估模型通过以下方式训练得到:
获取样本退役电池的电池参数和样本健康状态;
对所述样本退役电池的电池参数进行特征提取,得到所述样本退役电池的电池特征;
以所述样本退役电池的电池特征为输入数据,以所述样本退役电池的样本健康状态为标签数据,对初始电池评估模型进行训练,得到所述目标电池评估模型。
在其中一个实施例中,所述将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态,包括:
根据所述目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型;
将所述目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至所述目标电池评估模型,得到所述目标退役电池的目标健康状态。
在其中一个实施例中,所述获取目标退役电池的电池参数,包括:
从所述目标退役电池关联的车载终端中,获取所述目标退役电池的运行信息、维修信息和出险信息;
根据所述目标退役电池的运行信息、维修信息和出险信息,确定所述目标退役电池的电池参数。
在其中一个实施例中,所述将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态,包括:
对所述目标退役电池的电池参数进行预处理;其中,所述预处理包括数据清洗、数据转换和数据填充中的至少一种;
将预处理后的所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态。
在其中一个实施例中,所述方法还包括:
基于候选健康状态与候选使用等级之间的对应关系,根据所述目标退役电池的目标健康状态,确定所述目标退役电池的目标使用等级;
基于候选使用等级与候选使用场景之间的对应关系,根据所述目标使用等级,确定所述目标退役电池的目标使用场景。
在其中一个实施例中,所述方法还包括:
根据所述目标退役电池的目标健康状态,确定所述目标退役电池的维护方式;
根据所述维护方式,对所述目标退役电池进行维护。
第二方面,本申请还提供了一种基于机器学习的健康状态确定装置,所述装置包括:
获取模块,用于获取目标退役电池的电池参数;其中,所述目标退役电池的电池参数包括所述目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
评估模块,用于将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标退役电池的电池参数;其中,所述目标退役电池的电池参数包括所述目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标退役电池的电池参数;其中,所述目标退役电池的电池参数包括所述目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态。
第五方面,本申请还提供了一种计算机程序产品,所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标退役电池的电池参数;其中,所述目标退役电池的电池参数包括所述目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态。
上述基于机器学习的健康状态确定方法、装置和计算机设备,在对目标退役电池的健康状态进行评估时,获取目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型等电池参数,并将上述电池参数输入目标电池评估模型中,以获取目标退役电池的目标健康状态,用于确定目标退役电池的目标健康状态的电池参数可以从多个维度反应目标退役电池的健康状态,使得影响退役电池健康状态评估的因素得到了充分的考量,从而使得确定的目标退役电池的健康状态更加准确,进而提高了退役电池健康状态评估的准确性。
附图说明
图1为一个实施例中基于机器学习的健康状态确定方法的流程示意图;
图2为一个实施例中获取目标电池评估模型的流程示意图;
图3为一个实施例中根据目标退役电池的电池参数确定目标健康状态的流程示意图;
图4为一个实施例中确定目标健康状态的流程示意图;
图5为一个实施例中确定目标退役电池的应用场景的流程示意图;
图6为另一个实施例中基于机器学习的健康状态确定方法的流程示意图;
图7为一个实施例中基于机器学习的健康状态确定装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的基于机器学习的健康状态确定方法,可以适用于对车辆的退役动力电池进行状态评估的场景。该方法可以由服务器来执行,也可以由算力比较强大的终端来执行。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图1所示,提供了一种基于机器学习的健康状态确定方法,以该方法应用于服务器为例进行说明,包括以下步骤:
S101,获取目标退役电池的电池参数。
可选的,目标退役电池可以理解为当前需要进行健康状态评估的退役电池;退役电池可以是容量衰减至初始容量的预设值的电池,例如,新能源汽车搭载的动力锂离子电池,当动力锂离子电池的电池容量小于等于初始容量的80%时,可以将该动力锂离子电池作为退役电池。目标退役电池的电池参数包括目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型等。
可选的,获取目标退役电池的电池参数可对目标退役电池进行检测来实现,也可以通过调用目标退役电池的相关参数来获取。下面提供一种获取目标退役电池的电池参数的实现方式:
从目标退役电池关联的车载终端中,获取目标退役电池的运行信息、维修信息和出险信息;进而根据目标退役电池的运行信息、维修信息和出险信息,确定目标退役电池的电池参数。
可以理解的是,与目标退役电池关联的车载终端中存储有目标退役电池的运行信息、维修信息和出险信息,其中,目标退役电池的运行信息包括目标退役电池的运行数据,例如包括目标退役电池的电池容量、电压和内阻参数等数据;维修信息和出险信息包括使用环境、使用时间和电池类型等数据。进而可以对目标退役电池的运行信息、维修信息和出险信息进行数据处理,例如进行数据提取、数据转换和数据整合等操作,以确定目标退役电池的电池参数。
S102,将目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
可选的,目标电池评估模型为根据样本退役电池的电池参数训练得到的,将将目标退役电池的电池参数输入至目标电池评估模型中,目标电池评估模型可以根据电池参数,确定目标退役电池的目标健康状态。进一步地,可以根据目标退役电池的目标健康状态输出目标退役电池的健康状态评估报告,健康状态评估报告可以包括目标退役电池整体健康评估结果,以及各项参数的分别对应的评估结果。
上述基于机器学习的健康状态确定方法,在对目标退役电池的健康状态进行评估时,获取目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型等电池参数,并将上述电池参数输入目标电池评估模型中,以获取目标退役电池的目标健康状态,用于确定目标退役电池的目标健康状态的电池参数可以从多个维度反应目标退役电池的健康状态,使得影响退役电池健康状态评估的因素得到了充分的考量,从而使得确定的目标退役电池的健康状态更加准确,进而提高了退役电池健康状态评估的准确性。
在一个实施例中,参见图2,图2提供了一种获取上述实施例中的目标电池评估模型的实现方式,具体包括以下步骤:
S201,获取样本退役电池的电池参数和样本健康状态。
可选的,可以利用采集设备采集不同样本退役电池的电池参数和样本健康状态,或者在与样本退役电池关联的车载终端中,获取样本退役电池的电池参数和样本健康状态。其中,采集设备可以采用开路电压(Open Circuit Voltage,OCV)测试仪和电化学工作站,如此可以提高采集数据的准确性,以及缩短采集数据所需时间。样本退役电池的电池参数也包括样本退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型等参数。示例性的,可以利用OCV仪和电化学工作站进行开路电压和电阻测试,可以查验并记录车载终端记录的电池容量剩余信息、汽车急加速和急减速情况电池容量变化等参数。还可以查验并记录样本退役电池出厂信息,以获取出厂时间、使用时间和工作温度工况等信息。
S202,对样本退役电池的电池参数进行特征提取,得到样本退役电池的电池特征。
可选的,可以利用机器学习算法对样本退役电池的电池参数进行特征提取,也可以通过对样本退役电池的电池参数进行分析、提取和整合来实现对样本退役电池的电池参数进行特征提取,以得到样本退役电池的电池特征。例如,得到的电池特征包括充放电电压、内阻、容量和寿命,以及不同的温度、电压、电流、压力和膨胀等特征数据。
S203,以样本退役电池的电池特征为输入数据,以样本退役电池的样本健康状态为标签数据,对初始电池评估模型进行训练,得到目标电池评估模型。
可选的,可以采用交叉验证方法,以样本退役电池的电池特征为输入数据,以样本退役电池的样本健康状态为标签数据,对初始电池评估模型进行训练,在初始电池评估模型的准确度满足预设阈值的情况下,停止对初始电池评估模型的训练,得到目标电池评估模型。例如,在始电池评估模型的准确度大于或等于95%的情况下,停止对初始电池评估模型的训练,得到目标电池评估模型。
本申请实施例,利用样本退役电池的电池参数和样本健康状态,对初始电池评估模型进行训练,使得得到的目标电池评估模型能够根据不同的电池类型,确定目标退役电池的健康状态,使得影响退役电池健康状态评估的因素得到了充分的考量,从而使得确定的目标退役电池的健康状态更加准确,进而提高了退役电池健康状态评估的准确性。
在一个实施例中,参见图3,图3提供了一种根据目标退役电池的电池参数确定目标健康状态的实现方式,具体包括以下步骤:
S301,根据目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型。
可选的,上述实施例中对初始电池评估模型进行训练,以获取目标电池评估模型的实现过程中,可以根据不同的样本退役电池的电池类型,分别训练不同的样本电池评估模型,以得到与电池类型相对应的目标电池评估模型;还可以针对同一个样本电池评估模型进行训练,得到目标电池评估模型,利用同一个目标电池评估模型来对不同类型的目标退役电池的健康状态进行评估。
可选的,若根据不同的样本退役电池的电池类型,分别训练不同的样本电池评估模型,以得到与电池类型相对应的目标电池评估模型,根据目标退役电池的电池参数确定目标健康状态时,可以首先根据目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型。
S302,将目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至目标电池评估模型,得到目标退役电池的目标健康状态。
可选的,可以将目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至目标电池评估模型中,以得到目标退役电池的目标健康状态。
本申请实施例中,通过根据不同的电池类型训练初始电池评估模型,得到与各电池类型相对应的目标电池评估模型,使得目标退役电池健康状态测试更有针对性,进一步提高退役电池健康状态评估的准确性。
在一个实施例中,参见图4,图4提供了一种利用目标电池评估模型确定目标健康状态的实现方式,具体包括以下步骤:
S401,对目标退役电池的电池参数进行预处理。
可选的,首先需要对目标退役电池的电池参数进行预处理,其中,预处理包括数据清洗、数据转换和数据填充中的至少一种;例如,需要对目标退役电池的电池参数进行错误数据的修正、重复数据的删除以及数据归一化处理等操作,例如,可以通过截断、删除或替换方式进行异常值预处理;数据转化可以理解为将获取的不是数值型的电池参数,转换为数值型;数据填充可以理解为将缺失的数据进行填充等操作,例如,可以采用插补方法填充缺失值。
S402,将预处理后的目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
可选的,将预处理后的目标退役电池的电池参数输入至目标电池评估模型中,以得到目标退役电池的目标健康状态。
本申请实施例在利用目标评估模型对目标退役电池进行健康状态评估之前,对电池参数进行预处理,一方面可以加快目标电池评估模型的评估效率,还可以提高退役电池健康状态评估的准确性。
在一个实施例中,在获取到目标退役电池的目标健康状态后,还可以根据目标健康状态确定目标退役电池的使用场景,以提高目标退役电池的利用率。
可选的,参见图5,图5提供了一种确定目标退役电池的应用场景的流程示意图,具体包括以下步骤:
S501,基于候选健康状态与候选使用等级之间的对应关系,根据目标退役电池的目标健康状态,确定目标退役电池的目标使用等级。
可选的,可以预先将不同电池类型的候选退役电池的不同健康状态与使用等级进行关联,例如,可以设置不同类型的候选退役电池的健康状态与使用等级的对应关系,示例性的,可以设置候选健康状态越好对应的候选使用等级越低。可以根据目标退役电池的目标健康状态,基于候选健康状态与候选使用等级之间的对应关系,确定目标退役电池的目标使用等级。
S502,基于候选使用等级与候选使用场景之间的对应关系,根据目标使用等级,确定目标退役电池的目标使用场景。
可选的,可以预先将不同电池类型的候选退役电池的不同候选使用等级与候选使用场景进行关联,例如,可以设置不同候选使用等级与候选使用场景之间的对应关系,进而可以基于候选使用等级与候选使用场景之间的对应关系,根据目标使用等级,确定目标退役电池的目标使用场景。
本申请实施例中,通过预先设置候选健康状态与候选使用等级的对应关系,以及设置候选使用等级与候选使用场景的对应关系,可以根据目标退役电池的目标健康状态来确定目标退役电池的目标使用场景,进而能够提高目标退役电池的使用率。
在一个实施例中,还可以根据目标退役电池的目标健康状态,来对目标退役电池进行维护,以减少目标退役电池可能发生的故障。
示例性的,可以根据目标退役电池的目标健康状态,确定目标退役电池的维护方式;并且根据维护方式,对目标退役电池进行维护。可以理解的是,可以预先将目标退役电池的目标健康状态与目标退役电池的维护方式之间的对应关系进行存储,可以基于目标退役电池的目标健康状态,筛选出与目标健康状态对应的维护方式,来对目标退役电池进行维护。其中,维护方式包括维护周期、目标退役电池维护项和相应的维护手段。
本申请实施例,根据目标退役电池的目标健康状态,来对目标退役电池进行维护,可以使得维护更有针对性,减少目标退役电池发生故障的风险,避免故障扩大化以减少维修成本;并且可以有效延长电池的使用寿命,并降低维护成本。
在一个实施例中,参见图6,图6提供了另一种基于机器学习的健康状态确定方法的流程示意图,具体包括以下步骤:
S601,获取目标退役电池的电池参数。
可选的,目标退役电池可以理解为当前需要进行健康状态评估的退役电池;退役电池可以是容量衰减至初始容量的预设值的电池,例如,新能源汽车搭载的动力锂离子电池,当动力锂离子电池的电池容量小于等于初始容量的80%时,可以将该动力锂离子电池作为退役电池。目标退役电池的电池参数包括目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型等。
S602,根据目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型。
可选的,可以根据不同的样本退役电池的电池类型,分别训练不同的样本电池评估模型,以得到与电池类型相对应的目标电池评估模型,根据目标退役电池的电池参数确定目标健康状态时,可以首先根据目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型。
S603,将目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至目标电池评估模型,得到目标退役电池的目标健康状态。
可选的,可以将目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至目标电池评估模型中,以得到目标退役电池的目标健康状态。
S604,基于候选健康状态与候选使用等级之间的对应关系,根据目标退役电池的目标健康状态,确定目标退役电池的目标使用等级。
可选的,可以预先将不同电池类型的候选退役电池的不同健康状态与使用等级进行关联,例如,可以设置不同类型的候选退役电池的健康状态与使用等级的对应关系,示例性的,可以设置候选健康状态越好对应的候选使用等级越低。可以根据目标退役电池的目标健康状态,基于候选健康状态与候选使用等级之间的对应关系,确定目标退役电池的目标使用等级。
S605,基于候选使用等级与候选使用场景之间的对应关系,根据目标使用等级,确定目标退役电池的目标使用场景。
可选的,可以预先将不同电池类型的候选退役电池的不同候选使用等级与候选使用场景进行关联,例如,可以设置不同候选使用等级与候选使用场景之间的对应关系,进而可以基于候选使用等级与候选使用场景之间的对应关系,根据目标使用等级,确定目标退役电池的目标使用场景。
上述S601至S605的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及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,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于机器学习的健康状态确定方法的基于机器学习的健康状态确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于机器学习的健康状态确定装置实施例中的具体限定可以参见上文中对于健康状态确定方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种基于机器学习的健康状态确定装置,包括:
获取模块10,用于获取目标退役电池的电池参数;其中,目标退役电池的电池参数包括目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
评估模块20,用于将目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
上述基于机器学习的健康状态确定装置,在对目标退役电池的健康状态进行评估时,获取目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型等电池参数,并将上述电池参数输入目标电池评估模型中,以获取目标退役电池的目标健康状态,用于确定目标退役电池的目标健康状态的电池参数可以从多个维度反应目标退役电池的健康状态,使得影响退役电池健康状态评估的因素得到了充分的考量,从而使得确定的目标退役电池的健康状态更加准确,进而提高了退役电池健康状态评估的准确性。
在一个实施例中,基于机器学习的健康状态确定装置还包括训练模块,训练模块用于:
获取样本退役电池的电池参数和样本健康状态;对样本退役电池的电池参数进行特征提取,得到样本退役电池的电池特征;以样本退役电池的电池特征为输入数据,以样本退役电池的样本健康状态为标签数据,对初始电池评估模型进行训练,得到目标电池评估模型。
在一个实施例中,评估模块20还可以用于:
根据目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型;将目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至目标电池评估模型,得到目标退役电池的目标健康状态。
在一个实施例中,获取模块10还可以用于:
从目标退役电池关联的车载终端中,获取目标退役电池的运行信息、维修信息和出险信息;根据目标退役电池的运行信息、维修信息和出险信息,确定目标退役电池的电池参数。
在一个实施例中,评估模块20还可以用于:
对目标退役电池的电池参数进行预处理;其中,预处理包括数据清洗、数据转换和数据填充中的至少一种;将预处理后的目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
在一个实施例中,基于机器学习的健康状态确定装置还包括确定模块,确定模块用于:
基于候选健康状态与候选使用等级之间的对应关系,根据目标退役电池的目标健康状态,确定目标退役电池的目标使用等级;基于候选使用等级与候选使用场景之间的对应关系,根据目标使用等级,确定目标退役电池的目标使用场景。
在一个实施例中,基于机器学习的健康状态确定装置还包括维护模块,维护模块用于:
根据目标退役电池的目标健康状态,确定目标退役电池的维护方式;根据维护方式,对目标退役电池进行维护。
上述基于机器学习的健康状态确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储退役电池的电池参数。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种健康状态确定方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标退役电池的电池参数;其中,目标退役电池的电池参数包括目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
将目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本退役电池的电池参数和样本健康状态;对样本退役电池的电池参数进行特征提取,得到样本退役电池的电池特征;以样本退役电池的电池特征为输入数据,以样本退役电池的样本健康状态为标签数据,对初始电池评估模型进行训练,得到目标电池评估模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型;将目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至目标电池评估模型,得到目标退役电池的目标健康状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从目标退役电池关联的车载终端中,获取目标退役电池的运行信息、维修信息和出险信息;根据目标退役电池的运行信息、维修信息和出险信息,确定目标退役电池的电池参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对目标退役电池的电池参数进行预处理;其中,预处理包括数据清洗、数据转换和数据填充中的至少一种;将预处理后的目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于候选健康状态与候选使用等级之间的对应关系,根据目标退役电池的目标健康状态,确定目标退役电池的目标使用等级;基于候选使用等级与候选使用场景之间的对应关系,根据目标使用等级,确定目标退役电池的目标使用场景。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据目标退役电池的目标健康状态,确定目标退役电池的维护方式;根据维护方式,对目标退役电池进行维护。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标退役电池的电池参数;其中,目标退役电池的电池参数包括目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
将目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本退役电池的电池参数和样本健康状态;对样本退役电池的电池参数进行特征提取,得到样本退役电池的电池特征;以样本退役电池的电池特征为输入数据,以样本退役电池的样本健康状态为标签数据,对初始电池评估模型进行训练,得到目标电池评估模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型;将目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至目标电池评估模型,得到目标退役电池的目标健康状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从目标退役电池关联的车载终端中,获取目标退役电池的运行信息、维修信息和出险信息;根据目标退役电池的运行信息、维修信息和出险信息,确定目标退役电池的电池参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对目标退役电池的电池参数进行预处理;其中,预处理包括数据清洗、数据转换和数据填充中的至少一种;将预处理后的目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于候选健康状态与候选使用等级之间的对应关系,根据目标退役电池的目标健康状态,确定目标退役电池的目标使用等级;基于候选使用等级与候选使用场景之间的对应关系,根据目标使用等级,确定目标退役电池的目标使用场景。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标退役电池的目标健康状态,确定目标退役电池的维护方式;根据维护方式,对目标退役电池进行维护。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标退役电池的电池参数;其中,目标退役电池的电池参数包括目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
将目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本退役电池的电池参数和样本健康状态;对样本退役电池的电池参数进行特征提取,得到样本退役电池的电池特征;以样本退役电池的电池特征为输入数据,以样本退役电池的样本健康状态为标签数据,对初始电池评估模型进行训练,得到目标电池评估模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型;将目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至目标电池评估模型,得到目标退役电池的目标健康状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从目标退役电池关联的车载终端中,获取目标退役电池的运行信息、维修信息和出险信息;根据目标退役电池的运行信息、维修信息和出险信息,确定目标退役电池的电池参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对目标退役电池的电池参数进行预处理;其中,预处理包括数据清洗、数据转换和数据填充中的至少一种;将预处理后的目标退役电池的电池参数输入至目标电池评估模型中,得到目标退役电池的目标健康状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于候选健康状态与候选使用等级之间的对应关系,根据目标退役电池的目标健康状态,确定目标退役电池的目标使用等级;基于候选使用等级与候选使用场景之间的对应关系,根据目标使用等级,确定目标退役电池的目标使用场景。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标退役电池的目标健康状态,确定目标退役电池的维护方式;根据维护方式,对目标退役电池进行维护。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于机器学习的健康状态确定方法,其特征在于,所述方法包括:
获取目标退役电池的电池参数;其中,所述目标退役电池的电池参数包括所述目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态。
2.根据权利要求1所述的方法,其特征在于,所述目标电池评估模型通过以下方式训练得到:
获取样本退役电池的电池参数和样本健康状态;
对所述样本退役电池的电池参数进行特征提取,得到所述样本退役电池的电池特征;
以所述样本退役电池的电池特征为输入数据,以所述样本退役电池的样本健康状态为标签数据,对初始电池评估模型进行训练,得到所述目标电池评估模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态,包括:
根据所述目标退役电池的电池类型,从候选电池评估模型中选择目标电池评估模型;
将所述目标退役电池的电池容量、电压、内阻参数、使用环境和使用时间,输入至所述目标电池评估模型,得到所述目标退役电池的目标健康状态。
4.根据权利要求1所述的方法,其特征在于,所述获取目标退役电池的电池参数,包括:
从所述目标退役电池关联的车载终端中,获取所述目标退役电池的运行信息、维修信息和出险信息;
根据所述目标退役电池的运行信息、维修信息和出险信息,确定所述目标退役电池的电池参数。
5.根据权利要求1所述的方法,其特征在于,所述将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态,包括:
对所述目标退役电池的电池参数进行预处理;其中,所述预处理包括数据清洗、数据转换和数据填充中的至少一种;
将预处理后的所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于候选健康状态与候选使用等级之间的对应关系,根据所述目标退役电池的目标健康状态,确定所述目标退役电池的目标使用等级;
基于候选使用等级与候选使用场景之间的对应关系,根据所述目标使用等级,确定所述目标退役电池的目标使用场景。
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:
根据所述目标退役电池的目标健康状态,确定所述目标退役电池的维护方式;
根据所述维护方式,对所述目标退役电池进行维护。
8.一种基于机器学习的健康状态确定装置,其特征在于,所述装置包括:
获取模块,用于获取目标退役电池的电池参数;其中,所述目标退役电池的电池参数包括所述目标退役电池的电池容量、电压、内阻参数、使用环境、使用时间和电池类型;
评估模块,用于将所述目标退役电池的电池参数输入至目标电池评估模型中,得到所述目标退役电池的目标健康状态。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311789679.2A CN117930017A (zh) | 2023-12-22 | 2023-12-22 | 基于机器学习的健康状态确定方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311789679.2A CN117930017A (zh) | 2023-12-22 | 2023-12-22 | 基于机器学习的健康状态确定方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117930017A true CN117930017A (zh) | 2024-04-26 |
Family
ID=90749769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311789679.2A Pending CN117930017A (zh) | 2023-12-22 | 2023-12-22 | 基于机器学习的健康状态确定方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117930017A (zh) |
-
2023
- 2023-12-22 CN CN202311789679.2A patent/CN117930017A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN113946986B (zh) | 基于加速退化试验的产品平均失效前时间评估方法和装置 | |
CN115795928B (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及系统 | |
CN116228045B (zh) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
CN117930017A (zh) | 基于机器学习的健康状态确定方法、装置和计算机设备 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN113761103A (zh) | 批量数据的处理方法、装置及电子设备 | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 | |
CN116087702A (zh) | 电连接器的寿命评估方法、装置、设备和存储介质 | |
CN118034961A (zh) | 设备系统的可靠性评估方法、装置、计算机设备及介质 | |
CN118011240A (zh) | 电池的一致性的评估方法、装置、存储介质和计算机设备 | |
CN116432066A (zh) | 电缆温度数据处理方法、装置、计算机设备和存储介质 | |
CN117937477A (zh) | 发电机组无功功率边界值预测方法、装置和计算机设备 | |
CN118230994A (zh) | 元件寿命更新方法、装置、设备、介质和计算机程序产品 | |
CN118134099A (zh) | 设备监造方法、装置、设备、存储介质和计算机程序产品 | |
CN115829543A (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 | |
CN117041015A (zh) | 网络故障检测方法、装置、计算机设备和存储介质 | |
CN116432415A (zh) | 产品可靠性预测方法、装置、计算机设备和存储介质 | |
CN117725499A (zh) | 电池故障预测方法、装置、电子装置和存储介质 | |
CN116166511A (zh) | 电连接器工作寿命的评估方法、装置、设备和存储介质 | |
CN116087683A (zh) | 配电网故障检测方法、装置、计算机设备和存储介质 | |
CN118275912A (zh) | 氢燃料电池的性能试验方法、装置、计算机设备、存储介质和计算机程序产品 |
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 |