储能电池弱监督学习模型训练方法、装置及相关设备与流程

本发明涉及储能电池故障检测领域，尤其涉及一种储能电池弱监督学习模型训练方法、装置及相关设备。

背景技术：

1、随着世界能源需求的增长和对可再生能源的依赖度增加，储能电池组作为新型的能源储存设备，越来越受到人们的关注。储能电池组由储能电池构成，可以存储电能并在需要时释放电能，为电力系统提供稳定的电源，应用于新型储能系统、电动汽车、无人机等领域。然而，储能电池组在使用过程中容易出现各种故障，例如电池单体损坏、电池内阻增加、电池温度异常等，这些故障不仅影响电池组的性能和寿命，还可能导致设备损坏和安全事故的发生。因此，储能电池故障诊断技术的研究和开发具有重要意义。

2、传统的储能电池故障诊断方法通常为基于有监督的机器学习技术，需要通过大量的标记数据来训练模型，但在实际应用过程中，标注数据难以获取，且标注成本较高，导致对储能电池故障诊断的成本高。此外，每当设备有新的运行数据时，传统方法还需要重新训练模型，以适应新的故障情况，这种方式很大程度上需要浪费大量的模型训练成本和时间消耗等，导致故障诊断的成本高。

3、因此，现有的储能电池故障诊断方法存在诊断成本高的技术问题。

技术实现思路

1、本发明实施例提供一种储能电池弱监督学习模型训练方法、装置、计算机设备和存储介质，以降低储能电池故障诊断的诊断成本。

2、为了解决上述技术问题，本申请实施例提供一种储能电池弱监督学习模型训练方法，包括：

3、获取预设时间段的电池运行数据，所述电池运行数据为弱监督数据；

4、基于初始储能电池弱监督学习模型的多层感知机，对所述电池运行数据进行数据压缩，得到潜在空间，所述潜在空间用于表征所述电池运行数据的特征；

5、根据所述潜在空间，对所述电池运行数据进行聚类，得到聚类中心，所述聚类中心包括标签；

6、对所述聚类中心的k近邻点进行标签化，并根据得到的标签结果确定训练数据，其中，k为正整数；

7、基于所述训练数据，对所述初始储能电池弱监督学习模型进行训练，直到目标函数满足预设条件，得到储能电池弱监督学习模型。

8、为了解决上述技术问题，本申请实施例还提供一种储能电池弱监督学习模型训练装置，包括：

9、电池运行数据获取模块，用于获取预设时间段的电池运行数据，所述电池运行数据为弱监督数据；

10、潜在空间确定模块，用于基于初始储能电池弱监督学习模型的多层感知机，对所述电池运行数据进行数据压缩，得到潜在空间，所述潜在空间用于表征所述电池运行数据的特征；

11、聚类中心确定模块，用于根据所述潜在空间，对所述电池运行数据进行聚类，得到聚类中心，所述聚类中心包括标签；

12、训练数据确定模块，用于对所述聚类中心的k近邻点进行标签化，并根据得到的标签结果确定训练数据，其中，k为正整数；

13、训练模块，用于基于所述训练数据，对所述初始储能电池弱监督学习模型进行训练，直到目标函数满足预设条件，得到储能电池弱监督学习模型。

14、为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述储能电池弱监督学习模型训练方法的步骤。

15、为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述储能电池弱监督学习模型训练方法的步骤。

16、本发明实施例提供的储能电池弱监督学习模型训练方法、装置、计算机设备及存储介质，通过获取预设时间段的电池运行数据，所述电池运行数据为弱监督数据；基于初始储能电池弱监督学习模型的多层感知机，对所述电池运行数据进行数据压缩，得到潜在空间，所述潜在空间用于表征所述电池运行数据的特征；根据所述潜在空间，对所述电池运行数据进行聚类，得到聚类中心，所述聚类中心包括标签；对所述聚类中心的k近邻点进行标签化，并根据得到的标签结果确定训练数据；基于所述训练数据，对所述初始储能电池弱监督学习模型进行训练，直到目标函数满足预设条件，得到储能电池弱监督学习模型。通过多层感知机、聚类分析技术，学习电池运行数据的分布特征和表征，并通过标签化电池运行数据，获取具有少量标签信息的训练数据，降低了标注的成本，从而降低储能电池故障诊断的诊断成本。

技术特征：

1.一种储能电池弱监督学习模型训练方法，其特征在于，所述储能电池弱监督学习模型训练方法包括：

2.如权利要求1所述的储能电池弱监督学习模型训练方法，其特征在于，所述基于初始储能电池弱监督学习模型的多层感知机，对所述电池运行数据进行数据压缩，得到潜在空间的步骤包括：

3.如权利要求1所述的储能电池弱监督学习模型训练方法，其特征在于，所述基于所述训练数据，对所述初始储能电池弱监督学习模型进行训练，直到目标函数满足预设条件，得到储能电池弱监督学习模型的步骤包括：

4.如权利要求3所述的储能电池弱监督学习模型训练方法，其特征在于，所述基于所述重构数据和训练数据，对所述初始储能电池弱监督学习模型进行训练，直到目标函数满足预设条件，得到储能电池弱监督学习模型的步骤包括：

5.如权利要求1所述的储能电池弱监督学习模型训练方法，其特征在于，在所述基于所述训练数据，对所述初始储能电池弱监督学习模型进行训练，直到目标函数满足预设条件，得到储能电池弱监督学习模型之后，所述方法还包括：

6.如权利要求5所述的储能电池弱监督学习模型训练方法，其特征在于，所述基于所述新增数据的潜在空间，更新所述储能电池弱监督学习模型的步骤包括：

7.一种储能电池弱监督学习模型训练装置，其特征在于，所述储能电池弱监督学习模型训练装置包括：

8.如权利要求7所述的储能电池弱监督学习模型训练装置，其特征在于，所述训练模块包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的储能电池弱监督学习模型训练方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的储能电池弱监督学习模型训练方法。

技术总结本发明公开了一种储能电池弱监督学习模型训练方法、装置、计算机设备及存储介质，所述方法包括：获取预设时间段的电池运行数据，所述电池运行数据为弱监督数据；基于初始储能电池弱监督学习模型的多层感知机，对所述电池运行数据进行数据压缩，得到潜在空间；根据所述潜在空间，对所述电池运行数据进行聚类，得到聚类中心，所述聚类中心包括标签；对所述聚类中心的K近邻点进行标签化，并根据得到的标签结果确定训练数据，其中，K为正整数；基于所述训练数据，对所述初始储能电池弱监督学习模型进行训练，直到目标函数满足预设条件，得到储能电池弱监督学习模型，采用本发明降低储能电池故障诊断的诊断成本。技术研发人员：陈晓红,陈姣龙,胡东滨,孟庆强,耿涌,明煦受保护的技术使用者：湘江实验室技术研发日：技术公布日：2024/9/12