CN115061042A - 多特征对电池健康度影响的确定方法、装置、设备及介质 - Google Patents

Abstract

本申请提供了一种多特征对电池健康度影响的确定方法，包括：获取多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签，其中多个目标特征对应的数据标签包括多个目标特征影响下电池的健康度降低幅度，然后将多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签共同输入至神经网络模型进行训练，基于神经网络模型的梯度确定多个目标特征对该电池健康度的影响，由此，提供一种能够确定多特征分别对于电池健康度的影响，确定出对电池健康度影响最大的因素，以便用户据此改变使用习惯，提高电池寿命。

Description

多特征对电池健康度影响的确定方法、装置、设备及介质

技术领域

本申请涉及电池技术领域，尤其涉及一种多特征对电池健康度影响的确定方法、装置、设备及计算机可读存储介质。

背景技术

随着电子设备在生活中的广泛应用，支撑电子设备的电池越来越受到用户的关注，特别地，电池的健康度影响电池的性能，进一步影响电子设备的应用时长。

多种因素可能影响电池的健康度，但是对于用户来说，用户无法知道多个因素之间的重要程度，因此难以据此改变不良习惯，提高电池的健康度。生产方也无法据此对于电池进行有针对性的优化，从而提高用户的使用体验。

因此，亟需一种对于多个特征分别对电池健康度影响的确定方法。

发明内容

本申请提供了一种多特征对电池健康度影响的确定方法，该方法能够对于可能影响电池健康度的多个目标特征进行分析，获取多个目标特征分别对于电池健康度的影响，从而提示用户改变使用习惯，提高用户的使用体验。本申请还提供了上述方法对应的装置、设备、计算机可读存储介质。

第一方面，本申请提供了一种多特征对电池健康度影响的确定方法，该方法包括：

获取多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签，所述多个目标特征对应的数据标签包括所述多个目标特征影响下电池的健康度降低幅度；

将所述多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签共同输入至神经网络模型进行训练；

基于所述神经网络模型的梯度确定所述多个目标特征对于所述电池健康度的影响。

在一些可能的实现方式中，所述方法还包括：

将所述多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签共同输入至树模型进行训练；

基于所述树模型获得所述多个目标特征对于所述电池健康度的影响排名。

在一些可能的实现方式中，所述方法还包括：

基于所述树模型获得所述多个目标特征对电池健康度的相关性系数矩阵；

根据所述相关性系数矩阵确定目标特征组合。

在一些可能的实现方式中，所述方法还包括：

基于所述多个目标特征对于所述电池健康度的影响生成提醒报告。

在一些可能的实现方式中，所述目标特征包括行驶里程、探针温度、电压、电流、静置时长、荷电状态和静置荷电状态中的至少一种。

在一些可能的实现方式中，所述统计指标包括最大值、最小值、均值、分位数和标准差的至少一种。

第二方面，本申请提供了一种多特征对电池健康度影响的确定装置，该装置包括：

获取模块，用于获取多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签，所述多个目标特征对应的数据标签包括所述多个目标特征影响下电池的健康度降低幅度；

训练模块，用于将所述多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签共同输入至神经网络模型进行训练；

确定模块，用于基于所述神经网络模型的梯度确定所述多个目标特征对于所述电池健康度的影响。

在一些可能的实现方式中，所述训练模块还用于：

将所述多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签共同输入至树模型进行训练；

所述确定模块，还用于基于所述树模型获得所述多个目标特征对于所述电池健康度的影响排名。

在一些可能的实现方式中，所述装置还包括组合模块，用于：

基于所述树模型获得所述多个目标特征对电池健康度的相关性系数矩阵；

根据所述相关性系数矩阵确定目标特征组合。

在一些可能的实现方式中，所述装置还包括提醒模块，用于：

基于所述多个目标特征对于所述电池健康度的影响生成提醒报告。

在一些可能的实现方式中，所述目标特征包括行驶里程、探针温度、电压、电流、静置时长、荷电状态和静置荷电状态中的至少一种。

在一些可能的实现方式中，所述统计指标包括最大值、最小值、均值、分位数和标准差的至少一种。

第三方面，本申请提供一种设备，所述设备包括处理器和存储器。所述处理器、所述存储器进行相互的通信。所述处理器用于执行所述存储器中存储的指令，以使得设备执行如第一方面或第一方面的任一种实现方式中的多特征对电池健康度影响的确定方法。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，所述指令指示设备执行上述第一方面或第一方面的任一种实现方式所述的多特征对电池健康度影响的确定方法。

本申请在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例提供了一种多特征对电池健康度影响的确定方法，通过获取多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签，其中多个目标特征对应的数据标签包括多个目标特征影响下电池的健康度降低幅度，然后将多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签共同输入至神经网络模型进行训练，基于神经网络模型的梯度确定多个目标特征对该电池健康度的影响，由此，提供一种能够确定多特征分别对于电池健康度的影响，确定出对电池健康度影响最大的因素，以便用户据此改变使用习惯，提高电池寿命。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种多特征对电池健康度影响的确定方法的流程示意图；

图2为本申请实施例提供的另一种多特征对电池健康度影响的确定方法的流程示意图；

图3为本申请实施例提供的一种多特征对电池健康度影响的确定装置的架构示意图。

具体实施方式

下面将结合本申请中的附图，对本申请提供的实施例中的方案进行描述。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。

随着电子设备在生活中的广泛应用，支撑电子设备的电池越来越受到用户的关注，特别地，电池的健康度影响电池的性能，进一步影响电子设备的应用时长。

多种因素可能影响电池的健康度，但是对于用户来说，用户无法知道多个因素之间的重要程度，因此难以据此改变不良习惯，提高电池的健康度。生产方也无法据此对于电池进行有针对性的优化，从而提高用户的使用体验。

有鉴于此，本申请提供了一种多特征对电池健康度影响的确定方法，该方法可以由电子设备执行。电子设备是指具有数据处理能力的设备，例如可以是智能手机等终端设备，或者是服务器。在本实施例中，电子设备可以为搭载该电池的设备，也可以为其他设备。

具体地，电子设备获取多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签，其中多个目标特征对应的数据标签包括多个目标特征影响下电池的健康度降低幅度，然后将多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签共同输入至神经网络模型进行训练，基于神经网络模型的梯度确定多个目标特征对该电池健康度的影响，由此，提供一种能够确定多特征分别对于电池健康度的影响，确定出对电池健康度影响最大的因素，以便用户据此改变使用习惯，提高电池寿命。

接下来，将结合附图对本申请实施例提供的多特征对电池健康度影响的确定方法进行介绍。

参见图1所示的多特征对电池健康度影响的确定方法的流程图，该方法包括如下步骤：

S102：电子设备获取多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签。

目标特征是指可以影响电池健康度的因素，具体可以包括行驶里程、探针温度、电压、电流、静置时长、荷电状态和静置荷电状态中的至少一种。

统计指标是指能够对目标特征进行量化的数据，可以包括最大值、最小值、均值、分位数和标准差的至少一种。例如，电池的电压的统计指标可以为充电时的最大电压、最小电压、电压均值、电压分位数和电压的标准差中的任意一种或多种。

多个目标特征对应的数据标签为多个目标特征影响下电池的健康度降低幅度，例如可以为三个月内电池健康度的降低幅度。

电池健康度(state of health，SOH)是用来评估电池的使用、维护、经济性分析的参数指标。电池健康度的降低幅度可以用于标识电池健康度的变化情况。

示例性地，多个目标特征可以分别为行驶里程、探针温度、电压和电流，多个目标特征的统计指标可以分别为3个月内行驶里程的均值、3个月内探针温度的均值、3个月内电压的均值和3个月内电流的均值。数据标签可以为3个月内电池健康度降低幅度。为了避免偶然性，可以由该3个月初10天的SOH均值和该3个月末10天的SOH相减获得。

S104：电子设备将多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签共同输入至神经网络模型进行训练。

其中，神经网络模型可以为人工神经网络(Artificial Neural Network，ANN)模型，也可以为卷积神经网络(Convolutional Neural Network，CNN)。

电子设备可以基于多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签获得分别对应的梯度。具体地，可以通过该神经网络模型对于多个目标特征、多个目标特征的统计指标预测电池健康度的降低幅度，然后将预测值与多个目标特征对应的数据标签进行对比，获取对应的梯度。

例如，可以假设神经网络模型的计算结果依赖于每一个目标特征，计算结果y可以表示为y＝Wx+b,那么输出y相对于目标特征x的梯度为

用来直接量化目标特征对于y的重要程度。

但是，如果直接用纯梯度表示，由于神经网络高度非线性会存在梯度饱和的问题。即当计算结果与标签差异过大时，难以判断是客观问题还是该算法本身的问题，因此算法需要满足必要的公理，以排除算法本身问题的可能。

积分梯度是在模型梯度的思想之上加以改进使满足一致性、敏感性、共线性、完成性和对称性等公理，因此积分梯度可以用于量化各个特征对于模型输出的贡献，以此来解释特征对于模型的影响。一致性是指两个功能一样的神经网络即便结构不一样，对于最后的特征重要性也是一样。敏感性是指如果一个变量对于模型没有影响，那么它的贡献值为零。共线性是指如果第三个神经网络是两个神经网络线性组合，那么贡献值也遵从同样的线性组合。完整性是指所有特征贡献之和等于样本跟baseline之间的差值。对称性是指对于满足对称性的变量，它们的贡献值确定。

积分梯度的定义如公式(1)所示：

S106：电子设备基于神经网络模型的梯度确定多个目标特征对于电池健康度的影响。

如此，电子设备可以基于神经网络模型训练过程中的梯度确定多个目标特征对于电池健康度的影响，例如梯度较大即表明影响较大。或者，也可以通过梯度量化表示该目标特征对电池健康度的影响。

通常情况下，不同目标特征反应用户不同习惯，例如有些用户习惯使用电流较小的电源进行充电。因此基于多个目标特征对于电池健康度的影响，可以提示用户改变不同的习惯，以维持电池的健康度，提高用户的使用体验。

进一步地，该方法还包括电子设备基于多个目标特征对于电池健康度的影响生成提醒报告。示例性地，可以按照梯度数值的不同将多个目标特征划分为不同的影响等级，并向用户提示影响程度较高的目标特征。或者，电子设备也可以将影响因素与用户使用习惯进行结合，向用户提醒用户使用习惯中，影响程度较高的目标特征等。

在一些可能的实现方式中，该方法还可以用于获取多特征组合对于电池健康度的影响，具体包括：电子设备将多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签共同输入至树模型进行训练，然后基于树模型获得多个目标特征对于电池健康度的影响排名，基于树模型获得所述多个目标特征对电池健康度的相关性系数矩阵，根据该相关性系数矩阵确定目标特征组合，从而获取目标特征组合中的目标特征对于电池健康度的影响。

参见图2所示的另一种多特征对电池健康度影响的确定方法的流程图，该方法包括如下步骤：

S202：电子设备获取多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签。

S204：电子设备将多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签共同输入至树模型进行训练。

树模型是机器学习中的一类模型，包括决策树模型、随机森林模型、梯度提升树(Gradient Boosting Decision Tree，GBDT)模型(例如极限梯度提升算法(eXtremeGradient Boosting，XGBoost)模型和轻量梯度提升(Light Gradient Boosting Machine，LightGBM))等。

S206：电子设备基于树模型获得所述多个目标特征对于所述电池健康度的影响排名。

具体地，可以采用信息增益表示多个目标特征对于该电池健康度的影响排名。即通过判断特征能够为模型带来多少信息来判断特征重要性，该特征带来的信息越多，那么该特征越重要。可以采用熵来表示信息量，熵可以为

条件熵可以为在条件X下的信息量，即H(Y|X)＝∑_XP(X)H(Y|X＝x)。

S208：电子设备基于树模型获得所述多个目标特征对电池健康度的相关性系数矩阵。

具体地，电子设备可以基于树模型获得多个特征对于电池健康度的影响排名，并且结合spearman相关性系数矩阵获取包括多个目标特征的特征集合。

spearman相关性系数用于描述两个变量之间的相关性，在本方案中可以获得两个目标特征之间的相关性，也可以用于获得目标特征与电池健康度之间的相关性，例如可以通过

表示x和y之间的相关性。

需要说明的是，本方案中并不限制S206和S208执行的先后顺序，电子设备可以先基于树模型获得多个目标特征对于电池健康度的影响排名，然后获得多个目标特征对电池健康度的相关性系数矩阵。电子设备也可以先基于树模型获得多个目标特征对于电池健康度的相关性系数矩阵，再获得多个目标特征对于电池健康度的影响排名。电子设备还可以基于树模型获得多个目标特征对于电池健康度的影响排名的同时获得多个目标特征对电池健康度的相关性系数矩阵。

S210：电子设备根据所述相关性系数矩阵确定目标特征组合。

电子设备综合多个目标特征对于电池健康度的影响排名，以及多个目标特征与电池健康度之间的相关性，共同确定包括多个目标特征的目标特征组合。其中，特征组合中的目标特征可以为全部目标特征，也可以为部分目标特征。通过S206、S208和S210可以将对电池健康度没有影响或者影响较低的特征筛除，将影响排名较高的目标特征添加至目标特征组合中

S212：电子设备将多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签共同输入至神经网络模型进行训练。

S214：电子设备基于神经网络模型的梯度确定所述多个目标特征对于所述电池健康度的影响。

具体地，电子设备基于神经网络模型的梯度确定目标特征组合中的目标特征对于电池健康度的影响。

S216：电子设备基于多个目标特征对于所述电池健康度的影响生成提醒报告。

如此，电子设备基于多个目标特征对于电池健康度的影响生成提醒报告。示例性地，可以按照梯度数值的不同将多个目标特征划分为不同的影响等级，并向用户提示影响程度较高的目标特征。或者，电子设备也可以将影响因素与用户使用习惯进行结合，向用户提醒用户使用习惯中，影响程度较高的目标特征等。

基于以上内容的描述，本申请提供了一种多特征对电池健康度影响的确定方法，通过获取多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签，其中多个目标特征对应的数据标签包括多个目标特征影响下电池的健康度降低幅度，然后将多个目标特征、多个目标特征的统计指标以及多个目标特征对应的数据标签共同输入至神经网络模型进行训练，基于神经网络模型的梯度确定多个目标特征对该电池健康度的影响，由此，提供一种能够确定多特征分别对于电池健康度的影响，确定出对电池健康度影响最大的因素，以便用户据此改变使用习惯，提高电池寿命。

以上结合图1对本申请实施例提供的多特征对电池健康度影响的确定方法进行了详细介绍，接下来，将结合附图对本申请实施例提供的多特征对电池健康度影响的确定装置进行介绍。

参见图3所示的多特征对电池健康度影响的确定装置的结构示意图，该装置300包括：获取模块302、训练模块304和确定模块306。

获取模块302，用于获取多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签，所述多个目标特征对应的数据标签包括所述多个目标特征影响下电池的健康度降低幅度；

训练模块304，用于将所述多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签共同输入至神经网络模型进行训练；

确定模块306，用于基于所述神经网络模型的梯度确定所述多个目标特征对于所述电池健康度的影响。

在一些可能的实现方式中，所述训练模块还用于：

将所述多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签共同输入至树模型进行训练；

所述确定模块，还用于基于所述树模型获得所述多个目标特征对于所述电池健康度的影响排名。

在一些可能的实现方式中，所述装置还包括组合模块，用于：

基于所述树模型获得所述多个目标特征对电池健康度的相关性系数矩阵；

根据所述相关性系数矩阵确定目标特征组合。

在一些可能的实现方式中，所述装置还包括提醒模块，用于：

基于所述多个目标特征对于所述电池健康度的影响生成提醒报告。

在一些可能的实现方式中，所述目标特征包括行驶里程、探针温度、电压、电流、静置时长、荷电状态和静置荷电状态中的至少一种。

在一些可能的实现方式中，所述统计指标包括最大值、最小值、均值、分位数和标准差的至少一种。

根据本申请实施例的多特征对电池健康度影响的确定装置300可对应于执行本申请实施例中描述的方法，并且多特征对电池健康度影响的确定装置300的各个模块的上述和其它操作和/或功能分别为了实现图1中的各个方法的相应流程，为了简洁，在此不再赘述。

本申请提供一种设备，用于实现多特征对电池健康度影响的确定方法。所述设备包括处理器和存储器。所述处理器、所述存储器进行相互的通信。所述处理器用于执行所述存储器中存储的指令，以使得设备执行多特征对电池健康度影响的确定方法。

本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在设备上运行时，使得设备执行上述多特征对电池健康度影响的确定方法。

本申请提供了一种包含指令的计算机程序产品，当其在设备上运行时，使得设备执行上述多特征对电池健康度影响的确定方法。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (10)

1.一种多特征对电池健康度影响的确定方法，其特征在于，所述方法包括：

获取多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签，所述多个目标特征对应的数据标签包括所述多个目标特征影响下电池的健康度降低幅度；

将所述多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签共同输入至神经网络模型进行训练；

基于所述神经网络模型的梯度确定所述多个目标特征对于所述电池健康度的影响。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签共同输入至树模型进行训练；

基于所述树模型获得所述多个目标特征对于所述电池健康度的影响排名。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于所述树模型获得所述多个目标特征对电池健康度的相关性系数矩阵；

根据所述相关性系数矩阵确定目标特征组合。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述多个目标特征对于所述电池健康度的影响生成提醒报告。

5.根据权利要求1所述的方法，其特征在于，所述目标特征包括行驶里程、探针温度、电压、电流、静置时长、荷电状态和静置荷电状态中的至少一种。

6.根据权利要求1所述的方法，其特征在于，所述统计指标包括最大值、最小值、均值、分位数和标准差的至少一种。

7.一种多特征对电池健康度影响的确定装置，其特征在于，所述装置包括：

获取模块，用于获取多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签，所述多个目标特征对应的数据标签包括所述多个目标特征影响下电池的健康度降低幅度；

训练模块，用于将所述多个目标特征、所述多个目标特征的统计指标以及所述多个目标特征对应的数据标签共同输入至神经网络模型进行训练；

确定模块，用于基于所述神经网络模型的梯度确定所述多个目标特征对于所述电池健康度的影响。

8.一种设备，其特征在于，所述设备包括处理器和存储器；

所述处理器用于执行所述存储器中存储的指令，以使得所述设备执行如权利要求1至6中任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，包括指令，所述指令指示设备执行如权利要求1至6中任一项所述的方法。

10.一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行权利要求1至6中任意一项所述的方法。

Images