CN118152806A - 模型训练方法、电池健康状态的估计方法、设备及介质 - Google Patents

Abstract

本发明公开了模型训练方法、电池健康状态的估计方法、设备及介质。涉及电池管理技术领域，该方法包括：获取初始模型，初始模型是基于贝叶斯优化算法对极限学习机ELM模型进行寻优后得到的模型；利用源域数据集对初始模型进行训练，得到中间模型，源域数据集包括多个开源的动力电池工作数据；获取目标域数据集，并根据目标域数据集和源域数据集，确定迁移学习数据集，目标域数据集包括目标动力电池的历史工作数据；利用迁移学习数据集对中间模型进行训练，得到目标模型，目标模型用于估计目标动力电池的电池健康状态SOH。本方案能够基于开源的动力电池工作数据和目标动力电池的历史工作数据训练针对目标动力电池的模型，从而提升对其SOH的估计精度。

Description

模型训练方法、电池健康状态的估计方法、设备及介质

技术领域

本发明涉及电池管理技术领域，尤其涉及模型训练方法、电池健康状态的估计方法、设备及介质。

背景技术

动力电池是一种为工具提供动力来源的电源，多指为电动车辆(如汽车、自行车、工程机械车辆等)提供动力的蓄电池。动力电池作为电动车辆的核心部件，其工作状态是影响电动车辆安全性、动力性的重要因素。

电池管理***(Battery Management System，BMS)可以用于监测动力电池的工作状态，电池健康状态(State Of Health，SOH)是BMS中用于衡量动力电池在其生命周期中健康退化程度的关键指标，SOH能够表征动力电池从出厂到寿命结束期间的性能状态，通常以百分比的形式表示。例如，当动力电池的SOH为100％时，表示该动力电池是全新的；当动力电池的SOH小于80％时，表示该动力电池已达寿命终止条件，需要进行更换。因此，准确的估计动力电池的SOH对提高工程机械性能具有重要的意义。

目前，动力电池的SOH通常是采用估计模型来实现的，而估计模型主要依赖于大量的电池数据来提升模型的精度以及模型参数的辨识准确度。对于一些新兴领域，如电动工程机械，其发展的时间短、相关数据匮乏，难以实现SOH的准确估计。

发明内容

本发明提供了一种模型训练方法、电池健康状态的估计方法、设备及介质，能够基于开源的动力电池工作数据和目标动力电池的历史工作数据训练针对目标动力电池的模型，从而提升对其SOH的估计精度。

根据本发明的一方面，提供了一种模型训练方法，包括：

获取初始模型，其中，初始模型是基于贝叶斯优化算法对极限学习机ELM模型进行寻优后得到的模型；

利用源域数据集对初始模型进行训练，得到中间模型，其中，源域数据集包括多个开源的动力电池工作数据；

获取目标域数据集，并根据目标域数据集和源域数据集，确定迁移学习数据集，其中，目标域数据集包括目标动力电池的历史工作数据；

利用迁移学习数据集对中间模型进行训练，得到目标模型，其中，目标模型用于估计目标动力电池的电池健康状态SOH。

可选的，获取初始模型，包括：

构建目标函数，并确定ELM模型的初始采样点；

根据目标函数和初始采样点，构建采集函数，并根据采集函数确定下一采样点；

计算下一采样点对应的目标函数的取值，并判断下一采样点及其对应的目标函数的取值是否满足迭代终止条件；

若满足迭代终止条件，则将下一采样点作为ELM模型的最优解；

若不满足迭代终止条件，则更新目标函数，并将下一采样点和初始采样点共同作为新的初始采样点，返回执行根据目标函数和初始采样点，构建采集函数，并根据采集函数确定下一采样点的步骤。

可选的，目标域数据集中的数据量小于源域数据集中的数据量；

迁移学习数据集包括训练集和验证集，其中，训练集包括源域数据集的一部分和目标域数据集的一部分，验证集包括目标域数据集的剩余部分。

可选的，利用迁移学习数据集对中间模型进行训练，得到目标模型，包括：

将当前训练数据输入中间模型，构建中间模型的损失函数，其中，当前训练数据为训练集中的任意一个工作数据；

若满足训练结束条件，则将中间模型作为候选模型；

若不满足训练结束条件，则根据损失函数，调节中间模型的参数，并将训练集中的下一训练数据作为当前训练数据，返回执行将当前训练数据输入中间模型，构建中间模型的损失函数的步骤；

利用验证集对候选模型进行验证，并将通过验证的候选模型作为目标模型；

其中，训练结束条件包括以下至少之一：损失函数的取值小于或者等于预设阈值；损失函数收敛；当前训练次数等于最大训练次数。

可选的，利用验证集对候选模型进行验证，包括：

分别将验证集中的每个工作数据输入候选模型，确定每个工作数据对应的估计SOH值；

根据每个工作数据对应的实际SOH值和估计SOH值，判断候选模型是否通过验证；

若候选模型未通过验证，则重构ELM模型，并返回执行获取初始模型的步骤。

可选的，工作数据为放电电压数据，或者利用容量增量分析法从放电电压数据中提取的电池健康因子。

根据本发明的另一方面，提供了一种电池健康状态的估计方法，包括：

确定目标动力电池的当前工作数据；

将当前工作数据输入目标模型，估计目标动力电池的电池健康状态SOH，其中，目标模型采用本发明任一实施例的模型训练方法得到。

可选的，在估计目标动力电池的SOH后，还包括：

显示目标动力电池的SOH。

根据本发明的另一方面，提供了一种电子设备，电子设备包括：

至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的方法。

本发明实施例的技术方案，通过利用源域数据集对初始模型进行训练，得到中间模型；进一步确定迁移学习数据集，并利用迁移学习数据集对中间模型进行训练，得到目标模型，以估计目标动力电池的SOH。该模型训练方法，第一方面，由于初始模型是基于贝叶斯优化算法对极限学习机(Extreme Learning Machine，ELM)模型进行寻优后得到的模型，能够在保留ELM模型预测准确性的同时，利用贝叶斯优化算法有效地提升模型的泛化性能，并且避免了手动寻优可能存在的资源浪费问题；第二方面，利用包括多个开源的动力电池工作数据的源域数据集对初始模型进行训练，可以进一步优化中间模型的参数；第三方面，由于迁移学习数据集是根据目标域数据集和源域数据集确定的，目标域数据集包括目标动力电池的历史工作数据，即使目标动力电池的历史工作数据比较少，也依然可以保证训练样本的数量。进一步利用迁移学习数据集对中间模型进行训练，得到的目标模型对目标动力电池更具有针对性，能够提升对其SOH的估计精度。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种模型训练方法的流程示意图；

图2是本发明实施例二提供的一种电池健康状态的估计方法的流程示意图；

图3是本发明实施例二提供的另一种电池健康状态的估计方法的流程示意图；

图4是本发明实施例三提供的一种模型训练装置的结构示意图；

图5是本发明实施例四提供的一种电池健康状态的估计装置的结构示意图；

图6是本发明实施例四提供的另一种电池健康状态的估计装置的结构示意图；

图7是本发明实施例五提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”、“初始”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数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例一提供的一种模型训练方法的流程示意图，本实施例可适用于训练能够估计动力电池的SOH的模型的场景，该方法可以由模型训练装置来执行，该模型训练装置可以采用硬件和/或软件的形式实现，该模型训练装置可配置于电子设备(如计算机设备、服务器等)中。如图1所示，该方法包括：

S110、获取初始模型，其中，初始模型是基于贝叶斯优化算法对ELM模型进行寻优后得到的模型。

在一实施例中，获取初始模型的方法可以是直接获取预先寻优好的初始模型；也可以先获取ELM模型，再采用贝叶斯优化算法对ELM模型进行寻优，以确定初始模型。

其中，ELM模型是一种基于前馈神经网络(Feedforward Neuron Network，FNN)构建的机器学习模型，适用于监督学习和非监督学习问题。其特点是隐含层节点的权重为随机或人为给定的，且不需要更新，在学习速率和泛化能力方面具有优势。贝叶斯优化算法是一种黑盒优化算法，用于求解表达式未知的函数的极值问题，适用于调节机器学习算法的超参数。

在一实施例中，基于贝叶斯优化算法对ELM模型进行寻优的方法可以包括如下5个步骤。

步骤a1：构建目标函数，并确定ELM模型的初始采样点。

贝叶斯优化算法是一种全局优化方法，其思路是首先生成一个初始候选解集合，然后根据这些点寻找下一个最有可能是极值的点，将该点加入集合中，重复这一步骤，直至迭代终止。最后从这些点中找出函数值最大的点作为问题的解。

贝叶斯优化算法的数学原理为：其中，A、B均为随机事件；P(A)为事件A发生的概率，被称为先验概率；P(B|A)为事件A发生下事件B发生的条件概率；P(B)为事件B发生的概率；P(A|B)为事件B发生下事件A发生的条件概率，被称为后验概率。

因此，在基于贝叶斯优化算法对ELM模型进行寻优时，首先需要构建目标函数f(x)，并确定ELM模型的初始采样点(即初始候选解集合)。

可选的，目标函数可以是通过高斯过程(GP)回归建立的数学模型。例如，目标函数f(x)～GP(μ(x),σ²(x,x))，其中，μ(x)是均值函数，σ²(x,x)是协方差函数。

ELM模型的初始采样点可以是随机确定的采样点，也可以是按照一定的规则(如在整个可行域内均匀地选取的)采样点，本发明实施例对此不作具体限制。

步骤a2：根据目标函数和初始采样点，构建采集函数，并根据采集函数确定下一采样点。

在本发明中，可以通过观测先验概率P(A)来抽象出数据的分布机制P(B|A)，再根据更新的数据P(B)得到包含更多信息的后验概率P(A|B)，从而通过目标函数估计出分布范围，进而通过采集函数确定下一采样点。

在一实施例中，采集函数可以基于置信边界策略进行构建。例如，采集函数U_UCB(x)＝μ(x)+λσ²(x)，其中，λ是均值函数和协方差函数之间的调节参数，用于控制开发与探索之间的平衡。

步骤a3：计算下一采样点对应的目标函数的取值，并判断下一采样点及其对应的目标函数的取值是否满足迭代终止条件。若是，则执行步骤a4；若否，则执行步骤a5。

步骤a4：将下一采样点作为ELM模型的最优解。

步骤a5：更新目标函数，并将下一采样点和初始采样点共同作为新的初始采样点，返回执行步骤a2。

由于初始模型是基于贝叶斯优化算法对ELM模型进行寻优后得到的模型，能够在保留ELM模型预测准确性的同时，利用贝叶斯优化算法有效地提升模型的泛化性能，并且避免了手动寻优可能存在的资源浪费问题。

S120、利用源域数据集对初始模型进行训练，得到中间模型，其中，源域数据集包括多个开源的动力电池工作数据。

在本发明中，源域数据集中的数据为开源的动力电池工作数据，开源的动力电池可以与目标动力电池属于相同的应用领域(如同属于工程机械车辆的动力电池)，也可以属于不同的应用领域。采用开源的数据可以解决在某些特定的领域(如纯电动工程机械车辆)的历史数据比较少的问题，保证模型训练的准确性。

在一实施例中，利用源域数据集对初始模型进行训练，得到中间模型的方法可以包括：依次源域数据集中的每个开源的动力电池工作数据输入初始模型，确定初始模型的损失函数；并根据损失函数，调节初始模型的参数，以确定中间模型。

可选的，源域数据集中的开源的动力电池工作数据可以是对开源数据进行预处理后得到的数据。预处理包括但不限于：异常值处理、归一化处理。

S130、获取目标域数据集，并根据目标域数据集和源域数据集，确定迁移学习数据集，其中，目标域数据集包括目标动力电池的历史工作数据。

在一实施例中，目标域数据集包括目标动力电池的历史工作数据，目标域数据集中的数据量小于源域数据集中的数据量。如此，即使目标动力电池的历史工作数据比较少，也依然可以保证训练样本的数量。

迁移学习数据集包括训练集和验证集，其中，训练集包括源域数据集的一部分和目标域数据集的一部分，验证集包括目标域数据集的剩余部分。训练集是用来训练模型内参数的数据集；验证集是用于在训练过程中检验模型的状态，收敛情况的数据集。另外，训练集和验证集可以按照6:4、7:3或者8:2的比例进行划分。

在一实施例中，确定迁移学习数据集的方法可以包括：将获取到的所有目标域数据集，以及一部分源域数据集共同作为迁移学习数据集。其中，一部分源域数据集可以是按照数据量需求随机从源域数据集中进行选择。

可选的，目标域数据集中的目标动力电池的历史工作数据可以是对历史工作数据进行预处理后得到的数据。预处理包括但不限于：异常值处理、归一化处理。

S140、利用迁移学习数据集对中间模型进行训练，得到目标模型，其中，目标模型用于估计目标动力电池的SOH。

在一实施例中，利用迁移学习数据集对中间模型进行训练，得到目标模型的方法可以包括如下5个步骤。

步骤b1：将当前训练数据输入中间模型，构建中间模型的损失函数，其中，当前训练数据为训练集中的任意一个工作数据。

通常，训练集中包括多个工作数据，对于训练集中的一个工作数据来说，其可能是目标域数据集中的目标动力电池的历史工作数据，也可能是源域数据集中的开源的动力电池工作数据。

在一实施例中，工作数据为放电电压数据，或者利用容量增量分析法从放电电压数据中提取的电池健康因子。

步骤b2：判断是否满足训练结束条件。若是，则执行步骤b3；若否，则执行步骤b4。

训练结束条件包括以下3个条件中的至少之一：

条件1：损失函数的取值小于或者等于预设阈值；

条件2：损失函数收敛；

条件3：当前训练次数等于最大训练次数。

当训练结束条件包括上述至少两个条件时，只要满足其中任意一个条件，即确认模型训练满足训练结束条件。

步骤b3：将中间模型作为候选模型。

步骤b4：根据损失函数，调节中间模型的参数，并将训练集中的下一训练数据作为当前训练数据，返回执行步骤b1。

步骤b5：利用验证集对候选模型进行验证，并将通过验证的候选模型作为目标模型。

在一实施例中，利用验证集对候选模型进行验证的方法可以包括：分别将验证集中的每个工作数据输入候选模型，确定每个工作数据对应的估计SOH值；根据每个工作数据对应的实际SOH值和估计SOH值，判断候选模型是否通过验证；若候选模型未通过验证，则重构ELM模型，并返回执行步骤S110。可以理解的是，若候选模型通过验证，则将通过验证的候选模型作为目标模型即可。

本发明实施例的技术方案，通过利用源域数据集对初始模型进行训练，得到中间模型；进一步确定迁移学习数据集，并利用迁移学习数据集对中间模型进行训练，得到目标模型，以估计目标动力电池的SOH。该模型训练方法，第一方面，由于初始模型是基于贝叶斯优化算法对ELM模型进行寻优后得到的模型，能够在保留ELM模型预测准确性的同时，利用贝叶斯优化算法有效地提升模型的泛化性能，并且避免了手动寻优可能存在的资源浪费问题；第二方面，利用包括多个开源的动力电池工作数据的源域数据集对初始模型进行训练，可以进一步优化中间模型的参数；第三方面，由于迁移学习数据集是根据目标域数据集和源域数据集确定的，目标域数据集包括目标动力电池的历史工作数据，即使目标动力电池的历史工作数据比较少，也依然可以保证训练样本的数量。进一步利用迁移学习数据集对中间模型进行训练，得到的目标模型对目标动力电池更具有针对性，能够提升对其SOH的估计精度。

实施例二

图2是本发明实施例二提供的一种电池健康状态的估计方法的流程示意图，本实施例可适用于利用上述实施例一得到的目标模型估计目标动力电池的SOH的场景。该方法可以由电池健康状态的估计装置来执行，该电池健康状态的估计装置可以采用硬件和/或软件的形式实现，该电池健康状态的估计装置可配置于电子设备(如计算机设备、服务器等)中。如图2所示，该方法包括：

S210、确定目标动力电池的当前工作数据。

在一实施例中，当前工作数据可以是采集的目标动力电池的实时工作数据。当前工作数据可以为放电电压数据，或者为利用容量增量分析法从放电电压数据中提取的电池健康因子。

可选的，电池健康因子可以是将放电电压数据点进行差分计算，得到相邻两点的斜率，然后再计算一些特征参数(如平均斜率、最大斜率、最小斜率等)，以得到描述电池的放电特性的电池健康因子。

S220、将当前工作数据输入目标模型，估计目标动力电池的SOH。

其中，目标模型采用如实施例一所描述的模型训练方法得到。

在上述实施例的基础上，图3是本发明实施例二提供的另一种电池健康状态的估计方法的流程示意图，如图3所示，在步骤S220执行之后，还包括步骤S230。

S230、显示目标动力电池的SOH。

如此，可以使用户能够及时了解到目标动力电池的SOH，以衡量目标动力电池在其生命周期中的健康退化程度，为更换目标动力电池提供理论基础。

本发明实施例提供的电池健康状态的估计方法，能够提升对目标动力电池的SOH的估计精度。

实施例三

图4是本发明实施例三提供的一种模型训练装置的结构示意图。如图4所示，该装置包括：获取模块401和训练模块402。

获取模块401，用于获取初始模型，其中，初始模型是基于贝叶斯优化算法对极限学习机ELM模型进行寻优后得到的模型；

训练模块402，用于利用源域数据集对初始模型进行训练，得到中间模型，其中，源域数据集包括多个开源的动力电池工作数据；

获取模块401，还用于获取目标域数据集，并根据目标域数据集和源域数据集，确定迁移学习数据集，其中，目标域数据集包括目标动力电池的历史工作数据；

训练模块402，还用于利用迁移学习数据集对中间模型进行训练，得到目标模型，其中，目标模型用于估计目标动力电池的电池健康状态SOH。

可选的，获取模块401，具体用于构建目标函数，并确定ELM模型的初始采样点；根据目标函数和初始采样点，构建采集函数，并根据采集函数确定下一采样点；计算下一采样点对应的目标函数的取值，并判断下一采样点及其对应的目标函数的取值是否满足迭代终止条件；若满足迭代终止条件，则将下一采样点作为ELM模型的最优解；若不满足迭代终止条件，则更新目标函数，并将下一采样点和初始采样点共同作为新的初始采样点，返回执行根据目标函数和初始采样点，构建采集函数，并根据采集函数确定下一采样点的步骤。

可选的，目标域数据集中的数据量小于源域数据集中的数据量；

迁移学习数据集包括训练集和验证集，其中，训练集包括源域数据集的一部分和目标域数据集的一部分，验证集包括目标域数据集的剩余部分。

可选的，训练模块402，具体用于将当前训练数据输入中间模型，构建中间模型的损失函数，其中，当前训练数据为训练集中的任意一个工作数据；若满足训练结束条件，则将中间模型作为候选模型；若不满足训练结束条件，则根据损失函数，调节中间模型的参数，并将训练集中的下一训练数据作为当前训练数据，返回执行将当前训练数据输入中间模型，构建中间模型的损失函数的步骤；利用验证集对候选模型进行验证，并将通过验证的候选模型作为目标模型；其中，训练结束条件包括以下至少之一：损失函数的取值小于或者等于预设阈值；损失函数收敛；当前训练次数等于最大训练次数。

可选的，训练模块402，具体用于分别将验证集中的每个工作数据输入候选模型，确定每个工作数据对应的估计SOH值；根据每个工作数据对应的实际SOH值和估计SOH值，判断候选模型是否通过验证；若候选模型未通过验证，则重构ELM模型，并返回执行获取初始模型的步骤。

可选的，工作数据为放电电压数据，或者利用容量增量分析法从放电电压数据中提取的电池健康因子。

本发明实施例所提供的模型训练装置可执行本发明任意实施例所提供的模型训练方法，具备执行方法相应的功能模块和有益效果。

实施例四

图5是本发明实施例四提供的一种电池健康状态的估计装置的结构示意图。如图5所示，该装置包括：数据确定模块501和估计模块502。

数据确定模块501，用于确定目标动力电池的当前工作数据；

估计模块502，用于将当前工作数据输入目标模型，估计目标动力电池的电池健康状态SOH，其中，目标模型采用如实施例一所描述的模型训练方法得到。

在上述实施例的基础上，图6是本发明实施例四提供的另一种电池健康状态的估计装置的结构示意图。如图6所示，该装置还包括：显示模块503。

显示模块503，用于显示目标动力电池的SOH。

本发明实施例所提供的电池健康状态的估计装置可执行本发明任意实施例所提供的电池健康状态的估计方法，具备执行方法相应的功能模块和有益效果。

实施例五

图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如模型训练方法和/或电池健康状态的估计方法。

在一些实施例中，模型训练方法和/或电池健康状态的估计方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的模型训练方法和/或电池健康状态的估计方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法和/或电池健康状态的估计方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种模型训练方法，其特征在于，包括：

获取初始模型，其中，所述初始模型是基于贝叶斯优化算法对极限学习机ELM模型进行寻优后得到的模型；

利用源域数据集对所述初始模型进行训练，得到中间模型，其中，所述源域数据集包括多个开源的动力电池工作数据；

获取目标域数据集，并根据所述目标域数据集和所述源域数据集，确定迁移学习数据集，其中，所述目标域数据集包括目标动力电池的历史工作数据；

利用所述迁移学习数据集对所述中间模型进行训练，得到目标模型，其中，所述目标模型用于估计所述目标动力电池的电池健康状态SOH。

2.根据权利要求1所述的模型训练方法，其特征在于，所述获取初始模型，包括：

构建目标函数，并确定所述ELM模型的初始采样点；

根据所述目标函数和所述初始采样点，构建采集函数，并根据所述采集函数确定下一采样点；

计算所述下一采样点对应的所述目标函数的取值，并判断所述下一采样点及其对应的所述目标函数的取值是否满足迭代终止条件；

若满足迭代终止条件，则将所述下一采样点作为所述ELM模型的最优解；

若不满足迭代终止条件，则更新所述目标函数，并将所述下一采样点和所述初始采样点共同作为新的初始采样点，返回执行根据所述目标函数和所述初始采样点，构建采集函数，并根据所述采集函数确定下一采样点的步骤。

3.根据权利要求1所述的模型训练方法，其特征在于，所述目标域数据集中的数据量小于所述源域数据集中的数据量；

所述迁移学习数据集包括训练集和验证集，其中，所述训练集包括所述源域数据集的一部分和所述目标域数据集的一部分，所述验证集包括所述目标域数据集的剩余部分。

4.根据权利要求3所述的模型训练方法，其特征在于，所述利用所述迁移学习数据集对所述中间模型进行训练，得到目标模型，包括：

将当前训练数据输入所述中间模型，构建所述中间模型的损失函数，其中，所述当前训练数据为所述训练集中的任意一个工作数据；

若满足训练结束条件，则将所述中间模型作为候选模型；

若不满足训练结束条件，则根据所述损失函数，调节所述中间模型的参数，并将所述训练集中的下一训练数据作为所述当前训练数据，返回执行将当前训练数据输入所述中间模型，构建所述中间模型的损失函数的步骤；

利用所述验证集对所述候选模型进行验证，并将通过验证的所述候选模型作为所述目标模型；

其中，所述训练结束条件包括以下至少之一：所述损失函数的取值小于或者等于预设阈值；所述损失函数收敛；当前训练次数等于最大训练次数。

5.根据权利要求4所述的模型训练方法，其特征在于，所述利用所述验证集对所述候选模型进行验证，包括：

分别将所述验证集中的每个工作数据输入所述候选模型，确定每个工作数据对应的估计SOH值；

根据每个工作数据对应的实际SOH值和估计SOH值，判断所述候选模型是否通过验证；

若所述候选模型未通过验证，则重构所述ELM模型，并返回执行获取初始模型的步骤。

6.根据权利要求4或5所述的模型训练方法，其特征在于，所述工作数据为放电电压数据，或者利用容量增量分析法从放电电压数据中提取的电池健康因子。

7.一种电池健康状态的估计方法，其特征在于，包括：

确定目标动力电池的当前工作数据；

将所述当前工作数据输入目标模型，估计所述目标动力电池的电池健康状态SOH，其中，所述目标模型采用如权利要求1-6中任意一项所述的模型训练方法得到。

8.根据权利要求7所述的电池健康状态的估计方法，其特征在于，在估计所述目标动力电池的SOH后，还包括：

显示所述目标动力电池的SOH。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的方法。