一种数据处理方法、装置及电子设备转让专利
申请号 : CN201911418635.2
文献号 : CN111142026B
文献日 : 2021-12-24
发明人 : 金继民 , 杨帆 , 张成松
申请人 : 联想(北京)有限公司
摘要 :
权利要求 :
1.一种数据处理方法,包括:
获得电池的训练数据,所述训练数据中包括至少两组运行数据,所述运行数据包括至少两项运行参数的参数值和相应的电池健康度值,所述运行数据中的运行参数包括:环境信息、停车信息、汽车行驶信息、充电信息以及放电信息,所述环境信息包括:所述电池运行环境中的天气信息或/和交通是否拥堵;所述停车信息包括:停放地点、停车方式及停车时长中的任一项或任意多项;所述汽车行驶信息包括:所述电池所在汽车的驾驶时长、驾驶速度、加速度中的任一项或任意多项;所述充电信息及放电信息包括:充放电次数或/和充放电时长;
以所述训练数据中的运行数据作为预先构建的健康度预测模型的训练样本,对所述健康度预测模型进行训练;
根据所述健康度预测模型的模型参数,获得所述运行数据中的所述运行参数的参数向量,所述参数向量包括:所述健康度预测模型中的多个运算单元与所述运行参数对应的参数权重值;
以第一运行参数的参数向量为预先构建的评分模型的输入,以所述第一运行参数的评分值为所述评分模型的输出,对所述评分模型进行训练,以得到训练完成的评分模型,所述第一运行参数为所述至少两项运行参数中具有评分值的运行参数;所述第一运行参数的评分值表征所述第一运行参数对所述电池的健康度值的影响程度;
其中,所述评分模型用于以第二运行参数的参数向量作为输入,输出所述第二运行参数的评分结果,所述第二运行参数为没有评分值的运行参数;所述评分结果表征所述第二运行参数对所述电池的健康度值的影响程度。
2.根据权利要求1所述的方法,所述健康度预测模型为基于人工神经网络构建的模型,所述健康度预测模型中包括至少一层隐藏层,所述隐藏层包括多个神经网络运算单元;
其中,所述参数向量包括:所述健康度预测模型中第一层所述隐藏层的多个神经网络运算单元与所述运行参数对应的参数权重值。
3.根据权利要求2所述的方法,根据所述健康度预测模型的模型参数,获得所述运行数据中的所述运行参数的参数向量,包括:获得所述健康度预测模型的模型参数,所述模型参数包括所述至少一层隐藏层中的多个所述神经网络运算单元与所述运行参数对应的参数权重值;
在所述至少一层隐藏层中的多个所述神经网络运算单元与所述运行参数对应的参数权重值中,获得第一层所述隐藏层的多个神经网络运算单元与所述运行参数对应的参数权重值,以组成所述运行数据中的所述运行参数的参数向量。
4.根据权利要求1或2所述的方法,以所述训练数据中的运行数据作为预先构建的健康度预测模型的训练样本,对所述健康度预测模型进行训练,包括:对所述训练数据中所述运行数据内的运行参数进行预处理;所述预处理包括:数据归一化、数据缺失补充、数据冗余去除、数据降噪和数据异常删除中的任意一种或任意多种的组合;
将所述训练数据中所述运行数据内的运行参数作为预先构建的健康度预测模型的输入,将所述运行数据中的电池健康度值作为所述健康度预测模型的输出,对所述健康度预测模型进行训练,以得到训练完成的健康度预测模型。
5.根据权利要求1或2所述的方法,还包括:获得电池的验证数据,所述验证数据中包括至少两组运行数据,所述运行数据包括至少两项运行参数的参数值和相应的电池健康度值;所述验证数据与所述训练数据不同;
将所述验证数据中的运行数据输入所述健康度预测模型,以得到所述健康度预测模型输出的预测结果;
根据所述预测结果,对所述模型参数进行修改。
6.根据权利要求5所述的方法,根据所述预测结果,对所述模型参数进行修改,包括:将所述预测结果和所述验证数据中所述运行数据内的电池健康度值进行比对,得到比对结果;
根据所述比对结果,对所述模型参数进行修改。
7.根据权利要求3所述的方法,还包括:利用预设的优化算法,对训练完成的健康度预测模型的模型参数进行优化。
8.根据权利要求1所述的方法,还包括:利用预设的回归算法,构建所述评分模型。
9.一种数据处理装置,包括:
数据获得单元,用于获得电池的训练数据,所述训练数据中包括至少两组运行数据,所述运行数据包括至少两项运行参数的参数值和相应的电池健康度值,所述运行数据中的运行参数包括:环境信息、停车信息、汽车行驶信息、充电信息以及放电信息,所述环境信息包括:所述电池运行环境中的天气信息或/和交通是否拥堵;所述停车信息包括:停放地点、停车方式及停车时长中的任一项或任意多项;所述汽车行驶信息包括:所述电池所在汽车的驾驶时长、驾驶速度、加速度中的任一项或任意多项;所述充电信息及放电信息包括:充放电次数或/和充放电时长;
第一训练单元,用于以所述训练数据中的运行数据作为预先构建的健康度预测模型的训练样本,对所述健康度预测模型进行训练;
向量获得单元,用于根据所述健康度预测模型的模型参数,获得所述运行数据中的所述运行参数的参数向量,所述参数向量包括:所述健康度预测模型中的多个运算单元与所述运行参数对应的参数权重值;
第二训练单元,用于以第一运行参数的参数向量为预先构建的评分模型的输入,以所述第一运行参数的评分值为所述评分模型的输出,对所述评分模型进行训练,以得到训练完成的评分模型,所述第一运行参数为所述至少两项运行参数中具有评分值的运行参数;
所述第一运行参数的评分值表征所述第一运行参数对所述电池的健康度值的影响程度;
其中,所述评分模型用于以第二运行参数的参数向量作为输入,输出所述第二运行参数的评分结果,所述第二运行参数为没有评分值的运行参数;所述评分结果表征所述第二运行参数对所述电池的健康度值的影响程度。
10.一种电子设备,包括:
存储器,用于存储应用程序和应用程序运行所产生的数据;
处理器,用于执行所述应用程序,以实现:获得电池的训练数据,所述训练数据中包括至少两组运行数据,所述运行数据包括至少两项运行参数的参数值和相应的电池健康度值,所述运行数据中的运行参数包括:环境信息、停车信息、汽车行驶信息、充电信息以及放电信息,所述环境信息包括:所述电池运行环境中的天气信息或/和交通是否拥堵;所述停车信息包括:停放地点、停车方式及停车时长中的任一项或任意多项;所述汽车行驶信息包括:所述电池所在汽车的驾驶时长、驾驶速度、加速度中的任一项或任意多项;所述充电信息及放电信息包括:充放电次数或/和充放电时长;以所述训练数据中的运行数据作为预先构建的健康度预测模型的训练样本,对所述健康度预测模型进行训练;根据所述健康度预测模型的模型参数,获得所述运行数据中的所述运行参数的参数向量,所述参数向量包括:所述健康度预测模型中的多个运算单元与所述运行参数对应的参数权重值;以第一运行参数的参数向量为预先构建的评分模型的输入,以所述第一运行参数的评分值为所述评分模型的输出,对所述评分模型进行训练,以得到训练完成的评分模型,所述第一运行参数为所述至少两项运行参数中具有评分值的运行参数;所述第一运行参数的评分值表征所述第一运行参数对所述电池的健康度值的影响程度;
其中,所述评分模型用于以第二运行参数的参数向量作为输入,输出所述第二运行参数的评分结果,所述第二运行参数为没有评分值的运行参数;所述评分结果表征所述第二运行参数对所述电池的健康度值的影响程度。
说明书 :
一种数据处理方法、装置及电子设备
技术领域
背景技术
发明内容
的参数权重值;
所述第一运行参数为所述至少两项运行参数中具有评分值的运行参数;所述第一运行参数
的评分值表征所述第一运行参数对所述电池的健康度值的影响程度;
第二运行参数对所述电池的健康度值的影响程度。
数权重值,以组成所述运行数据中的所述运行参数的参数向量。
种的组合;
度预测模型进行训练,以得到训练完成的健康度预测模型。
同;
与所述运行参数对应的参数权重值;
训练完成的评分模型,所述第一运行参数为所述至少两项运行参数中具有评分值的运行参
数;所述第一运行参数的评分值表征所述第一运行参数对所述电池的健康度值的影响程
度;
第二运行参数对所述电池的健康度值的影响程度。
度值;以所述训练数据中的运行数据作为预先构建的健康度预测模型的训练样本,对所述
健康度预测模型进行训练;根据所述健康度预测模型的模型参数,获得所述运行数据中的
所述运行参数的参数向量,所述参数向量包括:所述健康度预测模型中的多个运算单元与
所述运行参数对应的参数权重值;以第一运行参数的参数向量为预先构建的评分模型的输
入,以所述第一运行参数的评分值为所述评分模型的输出,对所述评分模型进行训练,以得
到训练完成的评分模型,所述第一运行参数为所述至少两项运行参数中具有评分值的运行
参数;所述第一运行参数的评分值表征所述第一运行参数对所述电池的健康度值的影响程
度;
第二运行参数对所述电池的健康度值的影响程度。
测电池健康度的健康度预测模型进行训练,进而以训练成熟的健康度预测模型中的模型参
数为样本训练能够预测每项运行参数对电池健康度值影响程度的评分模型,由此利用训练
完成的评分模型就能够获得电池在各种环境因素上的运行参数对电池健康度的影响程度,
实现本申请目的。
附图说明
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。
具体实施方式
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,都属于本申请保护的范围。
得电池的各项运行参数对电池健康度影响程度,以提供给电池用户作为使用电池过程中的
参考数据,减缓电池使用过程电池健康度的下降速率。
停车信息、汽车行驶信息、充电信息以及放电信息等参数。环境信息可以理解为电池运行环
境中的天气以及交通是否拥堵等信息;停车信息可以包括有:停放地点(是否平坦)、停车方
式及停车时长等信息中的任一项或任意多项;汽车行驶信息可以包括有:电池所在汽车的
驾驶时长、驾驶速度、加速度等信息中的任一项或任意多项;充电信息及放电信息可以包括
有:充放电次数、充放电时长等信息。
以X1、X2、...、Xn等表示n项运行参数,每组运行数据中以Y表示电池健康度值。
x1_1 X2_1 ... Xn_1 Y_1
X1_2 X2_2 ... Xn_2 Y_2
X1_3 X2_3 ... Xn_3 Y_3
X1_4 X2_4 ... Xn_4 Y_4
... ... ... ... ...
X1_m X2_m ... Xn_m Y_m
数,哪些是不会对电池健康度值的改变产生任何影响的参数,由此,在获得训练数据中,所
获得的运行数据中的运行参数均是与电池健康度值相关的参数,即能够对电池健康度值的
改变产生正向或负向的影响的参数。
练,进而得到训练成熟的健康度预测模型,而这里的健康度预测模型可以用于对电池的健
康度值进行预测,例如,将某个未知健康度值的电池的多项运行参数输入到健康度预测模
型中,运行健康度预测模型,得到模型输出结果,该模型输出结果中就包含有该电池的预测
的健康度值。
量,而参数向量中包含每个运算单元中与该运行参数对应的参数权重值,每项参数权重值
表征相应运算单元中相应运行参数在电池健康度值预测时所能够对电池健康度值的改变
做出的贡献或影响程度。
度。也就是说,本实施例中的第一运行参数为已知评分值的运行参数,而这里的第一运行参
数的评分值可以由用户手动设置或者根据一定的算法计算设置,此时认为第一运行参数的
评分值是准确的。
即第二运行参数为未知评分值的运行参数,而相应所得到的评分结果表征第二运行参数对
所述电池的健康度值的影响程度,可见,本实施例中利用经过已知评分值的第一运行参数
训练的评分模型对未知评分值的第二运行参数进行预测处理,以得到这些未知对电池健康
度值的影响程度的第二运行参数的评分,以表征第二运行参数对电池健康度值的影响程
度,如第二运行参数能够对电池健康度值的改变做出的贡献或影响的程度。
度预测模型进行训练,进而以训练成熟的健康度预测模型中的模型参数为样本训练能够预
测每项运行参数对电池健康度值影响程度的评分模型,由此利用训练完成的评分模型就能
够获得电池在各种环境因素上的运行参数对电池健康度的影响程度,实现本实施例目的。
如图2中所示,健康度预测模型中可以包括至少两层神经网络隐藏层,每层神经网络隐藏层
中是包含多个神经网络运算单元的,每个神经网络运算单元也可以称为神经元或者神经网
络单元等。
值。
行数据中的运行参数的参数向量。
重矩阵:
W2_1 W2_2 ... W2_n
... ... ... ...
Wi_1 Wi_2 ... Wi_n
... ... ... ...
Wk_1 Wk_2 ... Wk_n
则对于影响因素X1可以向量化表示为W1_1、W2_1、...、Wk_1。
任意一种或任意多种的组合;
型进行训练,以得到训练完成的健康度预测模型,其中,训练完成的健康度预测模型中的模
型参数是经过训练优化后的模型参数,能够准确的根据电池的运行数据中的各项运行参数
对未知健康度值的电池进行健康度值预测。
优化后的健康度预测模型能够准确的对电池的健康度值进行预测。
据不同。
根据比对结果,对模型参数进行修改,例如,如果比对结果表明预测健康度值与实际的电池
健康度值相同,那么说明模型参数是准确的,能够准确的对电池的健康度值进行预测,而如
果比对结果表明预测健康度值与实际的电池健康度值不同,那么说明模型参数存在参数误
差,此时可以对模型参数中的所有参数或部分参数进行调整,直到经过参数调整的健康度
预测模型能够准确的对电池健康度值进行预测。
于获得电池的各项运行参数对电池健康度影响程度,以提供给电池用户作为使用电池过程
中的参考数据,减缓电池使用过程电池健康度的下降速率。
元与所述运行参数对应的参数权重值;
到训练完成的评分模型,所述第一运行参数为所述至少两项运行参数中具有评分值的运行
参数;所述第一运行参数的评分值表征所述第一运行参数对所述电池的健康度值的影响程
度;
第二运行参数对所述电池的健康度值的影响程度。
度预测模型进行训练,进而以训练成熟的健康度预测模型中的模型参数为样本训练能够预
测每项运行参数对电池健康度值影响程度的评分模型,由此利用训练完成的评分模型就能
够获得电池在各种环境因素上的运行参数对电池健康度的影响程度,实现本实施例目的。
数权重值,以组成所述运行数据中的所述运行参数的参数向量。
种的组合;
度预测模型进行训练,以得到训练完成的健康度预测模型。
同;
获得电池的各项运行参数对电池健康度影响程度,以提供给电池用户作为使用电池过程中
的参考数据,减缓电池使用过程电池健康度的下降速率。
康度值;以所述训练数据中的运行数据作为预先构建的健康度预测模型的训练样本,对所
述健康度预测模型进行训练;根据所述健康度预测模型的模型参数,获得所述运行数据中
的所述运行参数的参数向量,所述参数向量包括:所述健康度预测模型中的多个运算单元
与所述运行参数对应的参数权重值;以第一运行参数的参数向量为预先构建的评分模型的
输入,以所述第一运行参数的评分值为所述评分模型的输出,对所述评分模型进行训练,以
得到训练完成的评分模型,所述第一运行参数为所述至少两项运行参数中具有评分值的运
行参数;所述第一运行参数的评分值表征所述第一运行参数对所述电池的健康度值的影响
程度;
第二运行参数对所述电池的健康度值的影响程度。
测模型进行训练,进而以训练成熟的健康度预测模型中的模型参数为样本训练能够预测每
项运行参数对电池健康度值影响程度的评分模型,由此利用训练完成的评分模型就能够获
得电池在各种环境因素上的运行参数对电池健康度的影响程度,实现本实施例目的。
信息(用Y表示),其中X1、X2、...、Xn主要为影响电池健康度的潜在因素(运行参数)。
有效性。
池健康度值(右侧),其中的隐藏层一般由多层神经网络构成。
驶信息、充电信息以及放电信息等潜在的影响因素的参数值作为模型的输入,以电池健康
度值作为模型的输出,训练电池健康度预测模型。之后,根据构建模型的特点,使用K‑折交
叉验证的方法搜索寻优得到较优的模型参数,或通过经验设置的方法对参数进行调整。通
过多次迭代,得到优化有的神经网络模型M(健康度预测模型)。
Factor_1 0.3
Factor_2 0.1
... ...
Factor_i 0
... ...
Factor_n 0
决策树、随机森林等;通过训练,获得模型P。
间的关系为非线性的,本申请的技术方案通过模型学习因素与电池健康度之间的关系向量
化表示,更加符合事实;而且相对于传统的影响因素分析,通过人工标注数据引入人工经验
信息,实现了数据驱动与行业经判断的融合,提高影响因素分析结果的可靠性。
而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说
明即可。
软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些
功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业
技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应
认为超出本申请的范围。
储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD‑ROM、或技术
领域内所公知的任意其它形式的存储介质中。
一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请
将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一
致的最宽的范围。