一种基于大数据分析的锂电池能量损耗预测方法及系统与流程

本技术涉及但不限于数据处理、深度学习，尤其涉及一种基于大数据分析的锂电池能量损耗预测方法及系统。

背景技术：

1、随着科技的不断进步，锂电池作为现代电子设备的重要能源来源，其性能与安全性的检测变得至关重要。在锂电池性能分析中，准确地识别能量损耗异常是评估锂电池质量和使用寿命的关键因素。然而，传统的锂电池性能分析方法往往依赖于大量的学习样例，并且在面对复杂多变的异常情况时，识别精度和效率都受到一定的限制。现有的锂电池性能分析技术，虽然能够通过对比分析电池性能数据来识别异常，但在实际操作中，由于锂电池性能数据的复杂性和多样性，这些技术往往难以准确捕捉到所有类型的异常损耗。此外，当遇到未被充分学习的异常类型时，现有技术的识别能力会大幅下降，甚至可能出现漏检或误检的情况。因此，需要一种新的提高锂电池能量损耗检测精度的方式方法。

技术实现思路

1、有鉴于此，本技术实施例至少提供一种基于大数据分析的锂电池能量损耗预测方法及系统。本技术实施例的技术方案是这样实现的：第一方面，本技术实施例提供一种基于大数据分析的锂电池能量损耗预测方法，包括：获取目标锂电池的拟分析电池性能矩阵数据以及所述目标锂电池的参考电池性能矩阵数据，将所述拟分析电池性能矩阵数据与所述参考电池性能矩阵数据进行差异抽取，获得目标差异矩阵数据；将所述拟分析电池性能矩阵数据与所述目标差异矩阵数据加载到异常识别神经网络，挖掘得到目标电池数据表征向量，依据所述目标电池数据表征向量对所述拟分析电池性能矩阵数据进行异常识别，获得所述拟分析电池性能矩阵数据中的异常识别曲线信息，其中，所述目标电池数据表征向量包括所述拟分析电池性能矩阵数据的表征信息以及所述目标差异矩阵数据的表征信息；在所述目标差异矩阵数据中确定得到异常数据范围，基于所述异常数据范围确定所述目标锂电池的候选能量损耗异常识别结果；基于所述异常识别曲线信息和所述候选能量损耗异常识别结果，确定所述目标锂电池的目标能量损耗异常识别结果。

2、在一些实施例中，所述将所述拟分析电池性能矩阵数据与所述目标差异矩阵数据加载到异常识别神经网络，挖掘得到目标电池数据表征向量，包括：将所述拟分析电池性能矩阵数据与所述目标差异矩阵数据分别加载到异常识别神经网络，抽取所述拟分析电池性能矩阵数据的第一电池数据表征向量，以及抽取所述目标差异矩阵数据的第二电池数据表征向量；将所述第一电池数据表征向量和所述第二电池数据表征向量进行整合，获得目标电池数据表征向量。

3、在一些实施例中，所述将所述拟分析电池性能矩阵数据与所述目标差异矩阵数据分别加载到异常识别神经网络，包括：对所述目标差异矩阵数据进行克隆，直到所述目标差异矩阵数据的通道数和所述拟分析电池性能矩阵数据的通道数一致；将所述拟分析电池性能矩阵数据与克隆后的所述目标差异矩阵数据分别加载到异常识别神经网络，其中，所述拟分析电池性能矩阵数据与克隆后的所述目标差异矩阵数据同时使用所述异常识别神经网络中的相同的表征信息抽取组件；所述抽取所述拟分析电池性能矩阵数据的第一电池数据表征向量，包括：对所述拟分析电池性能矩阵数据逐一进行多个环节的线性滤波，其中，每一环节包括不少于一个线性滤波分支，每一个所述线性滤波分支用于进行多次线性滤波，每次开启下一环节的线性滤波时，扩充所述线性滤波分支进行线性滤波，扩充的所述线性滤波分支的滤波器感受野小于隶属环节中任一个已存在的所述线性滤波分支，任一个环节中任一个所述线性滤波分支的输入信息为基于上一个环节中所有所述线性滤波分支的输出信息整合获得的；获取最末一个环节每个所述线性滤波分支输出的初始线性滤波表征向量，将多个所述初始线性滤波表征向量进行整合，获得第一目标线性滤波表征向量；对所述第一目标线性滤波表征向量进行池化操作，获得所述拟分析电池性能矩阵数据的第一电池数据表征向量；所述将所述第一电池数据表征向量和所述第二电池数据表征向量进行整合，获得目标电池数据表征向量，包括：将所述第一电池数据表征向量中各个数据项的向量元素值与所述第二电池数据表征向量中对应数据项的向量元素值在特征维度进行拼接，获得第三电池数据表征向量；对所述第三电池数据表征向量进行维度压缩，获得第四电池数据表征向量；对所述第四电池数据表征向量进行非线性变换，获得目标电池数据表征向量。

4、在一些实施例中，所述将多个所述初始线性滤波表征向量进行整合，获得第一目标线性滤波表征向量，包括：将多个所述初始线性滤波表征向量进行整合后，分别进行与最末一个环节每个所述线性滤波分支滤波器感受野相同的线性滤波，获得对应滤波器感受野的第二目标线性滤波表征向量；将多个所述第二目标线性滤波表征向量进行整合，获得第一目标线性滤波表征向量。

5、在一些实施例中，所述依据所述目标电池数据表征向量对所述拟分析电池性能矩阵数据进行异常识别，获得所述拟分析电池性能矩阵数据中的异常识别曲线信息，包括：将依据所述目标电池数据表征向量进行降采样获得的降采样表征向量，加载到所述异常识别神经网络中多个依次连接的探测器进行异常识别，获得所述拟分析电池性能矩阵数据中的异常识别曲线信息；其中，所述降采样表征向量为目标数据范围的表征信息，所述异常识别曲线信息包括异常识别曲线的分布位置；加载到第一个所述探测器的所述降采样表征向量为在所述目标电池数据表征向量中，抽取候选识别曲线分布位置对应的表征信息并与所述目标电池数据表征向量进行降采样获得的，所述候选识别曲线分布位置是将所述目标电池数据表征向量加载到所述异常识别神经网络中的建议曲线生成组件进行数据范围抽取获得的；加载到其他所述探测器的所述降采样表征向量为在所述目标电池数据表征向量中，抽取上一个所述探测器输出的所述异常识别曲线的分布位置对应的表征信息，以及与所述目标电池数据表征向量进行降采样获得的。

6、在一些实施例中，所述异常识别曲线信息包括异常识别曲线的分布位置、识别曲线支持系数以及目标异常损耗类型，所述基于所述异常识别曲线信息和所述候选能量损耗异常识别结果，确定所述目标锂电池的目标能量损耗异常识别结果，包括：如果所述候选能量损耗异常识别结果指示所述目标锂电池没有能量异常损耗，则获取所述目标异常损耗类型对应的预设临界支持系数以及预设临界曲线密度；基于所述异常识别曲线的分布位置确定异常曲线密度，确定所述异常曲线密度与所述预设临界曲线密度之间的第一比较结果，以及所述识别曲线支持系数与所述预设临界支持系数之间的第二比较结果；基于所述第一比较结果和所述第二比较结果确定所述目标锂电池的目标能量损耗异常识别结果；如果所述候选能量损耗异常识别结果指示所述目标锂电池具有能量异常损耗，则确定所述目标锂电池的目标能量损耗异常识别结果为所述目标锂电池具有能量异常损耗。

7、在一些实施例中，所述将所述拟分析电池性能矩阵数据与所述参考电池性能矩阵数据进行差异抽取，获得目标差异矩阵数据，包括：确定所述拟分析电池性能矩阵数据与所述参考电池性能矩阵数据之间的校准变量，基于所述校准变量将所述参考电池性能矩阵数据与所述拟分析电池性能矩阵数据进行对齐；在进行对齐后，将所述拟分析电池性能矩阵数据与所述参考电池性能矩阵数据进行差异抽取，获得原始差异矩阵数据；对所述原始差异矩阵数据进行去噪处理，获得目标差异矩阵数据。

8、在一些实施例中，所述确定所述拟分析电池性能矩阵数据与所述参考电池性能矩阵数据之间的校准变量，包括：依据所述参考电池性能矩阵数据在所述拟分析电池性能矩阵数据中进行尺取移动，确定所述参考电池性能矩阵数据每一次静止时与所述拟分析电池性能矩阵数据中对应数据范围之间的共性度量结果；基于所述共性度量结果在所述拟分析电池性能矩阵数据中确定目标数据范围，基于所述目标数据范围确定将所述拟分析电池性能矩阵数据转换为所述参考电池性能矩阵数据的位置的转换数组；确定所述转换数组的逆元，将所述逆元作为所述拟分析电池性能矩阵数据与所述参考电池性能矩阵数据之间的校准变量。

9、在一些实施例中，所述将所述拟分析电池性能矩阵数据与所述目标差异矩阵数据加载到异常识别神经网络，挖掘得到目标电池数据表征向量，包括：将所述拟分析电池性能矩阵数据与所述目标差异矩阵数据进行合并，获得合并矩阵数据；将所述合并矩阵数据加载到异常识别神经网络，抽取所述合并矩阵数据的目标电池数据表征向量。

10、在一些实施例中，所述异常识别神经网络的调试过程包括：获取所述目标锂电池的电池性能矩阵数据样本，将所述电池性能矩阵数据样本与所述参考电池性能矩阵数据进行差异抽取，获得样本差异矩阵数据，其中，所述电池性能矩阵数据样本携带对应的异常损耗类型注释信息；将所述电池性能矩阵数据样本与所述样本差异矩阵数据加载到所述异常识别神经网络，获得所述电池性能矩阵数据样本中的样本识别曲线信息，其中，所述样本识别曲线信息包括所述目标锂电池的样本异常损耗类型；基于所述样本异常损耗类型与所述异常损耗类型注释信息确定初始识别误差；确定事先部署的第一优化变量和第二优化变量，基于所述第一优化变量和所述第二优化变量优化所述初始识别误差，获得目标识别误差，其中，所述第一优化变量与所述异常损耗类型注释信息对应的积极-消极样本个数关联，所述第二优化变量与所述异常损耗类型注释信息对应的识别困难度关联；基于所述目标识别误差调试所述异常识别神经网络。

11、第二方面，本技术提供一种计算机系统，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述方法中的步骤。

12、本技术的有益效果至少包括：本技术基于目标锂电池的拟分析电池性能矩阵数据和参考电池性能矩阵数据进行差异抽取，获得目标差异矩阵数据，目标差异矩阵数据可以呈现目标锂电池的直观的误差，然后将拟分析电池性能矩阵数据和目标差异矩阵数据加载到异常识别神经网络，以帮网络带来误差信息，以增加网络进行表征信息抽取的精度。之后，挖掘得到目标电池数据表征向量，以及依据目标电池数据表征向量对拟分析电池性能矩阵数据进行异常识别，获得拟分析电池性能矩阵数据中的异常识别曲线信息，基于采用目标电池数据表征向量中目标差异矩阵数据对应的表征信息凸显拟分析数据中的异常数据范围相关的表征信息，以增加网络对因调试样例不足导致没有学习到异常损耗类型的识别效果，增加异常识别曲线信息的精度；基于目标差异矩阵数据定位得出的异常数据范围确定得到目标锂电池的候选能量损耗异常识别结果，基于综合候选能量损耗异常识别结果和异常识别曲线信息确定目标锂电池的目标能量损耗异常识别结果，也就是在进行能量异常损耗识别的前提下联合多次差异提取对比的表征信息，可以结合差异提取对比得到的表征信息协同进行能量异常损耗识别，增加能量异常损耗识别的精度，使得调试环节不需要大量的学习样例。

13、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本技术的技术方案。