【技术实现步骤摘要】
本申请涉及电池，具体而言，涉及一种电池续航能力评估方法、装置、存储介质及设备。
技术介绍
1、随着全球能源结构的变化和环境保护意识的增强，新能源汽车得到了迅速发展。作为新能源汽车的核心组成部分，电池技术的性能直接决定了汽车的续航能力、安全性和经济性。当前，电池续航能力的准确评估成为了新能源汽车行业关注的焦点。电池续航能力不仅影响用户的驾驶体验，还关系到电池的安全性和使用寿命，因此，开发一种高效、准确的电池续航能力评估方法具有重要的实际意义。
2、目前的电池续航能力评估方法主要依赖于简单的物理模型和实验数据。然而，这种方式难以应对电池性能随使用环境和条件变化的复杂性，例如，电池的老化过程和性能衰减是非线性和多变的，该评估方法难以准确预测这些变化，导致评估结果的准确度较低。
技术实现思路
1、本申请的目的在于提供一种电池续航能力评估方法、装置、存储介质及设备，旨在解决相关技术中的电池续航能力评估方式存在的评估结果的准确度较低的问题。
2、第一方面，本申请提供的一种电池续航能力评估方法，包括：获取目标汽车的特征数据，并将所述特征数据输入特征提取模型，得到电池性能特征；所述特征数据包括电池充放电循环数据、车辆行驶数据和环境因素数据；通过特征降维模型对所述电池性能特征进行降维处理，获取目标特征表示；基于分类器对所述目标特征表示进行分类，根据分类结果确定所述目标汽车的电池的续航能力等级。
3、在上述实现过程中，获取目标汽车的特征数据，包括电池充放电循环数据、
4、进一步地，在一些例子中，所述特征提取模型、所述特征降维模型和所述分类器是基于训练数据集训练得到的；所述训练数据集包括原始数据和合成样本；所述原始数据包括所述目标汽车的历史特征数据和标注的续航能力等级；所述合成样本是基于所述原始数据生成的。
5、在上述实现过程中，提供用于训练模型的训练数据集的可选来源，基于原始数据进行数据扩充，有利于提升模型的泛化能力和精度。
6、进一步地，在一些例子中，所述合成样本是通过改进的smote算法对所述原始数据进行处理而生成的；所述改进的smote算法通过交替方向乘子法，优化基于smote算法生成的合成样本。
7、在上述实现过程中，采用基于交替方向乘子法的smote算法来进行样本生成，提高计算效率和样本质量。
8、进一步地，在一些例子中，所述改进的smote算法通过交替方向乘子法优化后的合成样本基于以下公式进行表示：
9、
10、其中，为优化后的合成样本；为优化前的合成样本；为通过交替方向乘子法转化的优化问题的目标函数；所述目标函数基于以下公式进行表示：
11、
12、其中，为合成样本的数量；为基于所述原始数据得到的原始样本集；为所述原始样本集中第个样本；为第个合成样本与原始样本集中样本的平均相似度；为正则化参数；为第个合成样本与原始样本集中第个样本之间的欧氏距离的平方。
13、在上述实现过程中，提供一种通过交替方向乘子法，优化基于smote算法生成的合成样本的具体方式。
14、进一步地，在一些例子中，所述特征提取模型使用近端梯度下降法更新模型参数；所述特征提取模型的每层网络使用非线性激活函数处理数据，并根据所述网络的输出和当前的损失值调整所述非线性激活函数中的非线性调节因子。
15、在上述实现过程中，在特征提取模型的训练过程中，应用近端梯度下降法更新模型参数，在非凸优化情况下，允许算法有效地跳出局部最优解，并且引入非线性调节因子，如此，增强训练好的特征提取模型在复杂数据环境下的稳定性和泛化能力。
16、进一步地，在一些例子中，所述特征降维模型使用基于约束性投影的自编码神经网络对输入特征进行降维处理后，输出目标维度的特征表示；所述基于约束性投影的自编码神经网络的损失函数包括重构误差和正则化项；所述正则化项采用l2范数的平方。
17、在上述实现过程中，采用基于约束性投影的自编码神经网络来进行特征降维，通过引入约束性投影机制，提升通过自编码神经网络处理后的低维特征表示的质量。
18、进一步地，在一些例子中，所述分类器是极限学习机模型；所述极限学习机模型通过自动微分变分推断对输出层权重进行优化。
19、在上述实现过程中，极限学习机模型利用自动微分变分推断对输出层权重进行优化，确保模型可以准确地从隐藏层特征中学习到电池续航能力的相关信息，从而提高分类器处理大量数据的能力，进而提高分类器评估电池续航能力的准确性。
20、第二方面，本申请提供的一种电池续航能力评估装置，包括：获取模块，用于获取目标汽车的特征数据，并将所述特征数据输入特征提取模型，得到电池性能特征；所述特征数据包括电池充放电循环数据、车辆行驶数据和环境因素数据；降维模块，用于通过特征降维模型对所述电池性能特征进行降维处理，获取目标特征表示；分类模块，用于基于分类器对所述目标特征表示进行分类，根据分类结果确定所述目标汽车的电池的续航能力等级。
21、第三方面，本申请提供的一种电子设备，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如第一方面任一项所述的方法的步骤。
22、第四方面，本申请提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
23、第五方面，本申请提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
24、本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
25、为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种电池续航能力评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述特征提取模型、所述特征降维模型和所述分类器是基于训练数据集训练得到的；所述训练数据集包括原始数据和合成样本；所述原始数据包括所述目标汽车的历史特征数据和标注的续航能力等级；所述合成样本是基于所述原始数据生成的。
3.根据权利要求2所述的方法，其特征在于，所述合成样本是通过改进的SMOTE算法对所述原始数据进行处理而生成的；所述改进的SMOTE算法通过交替方向乘子法，优化基于SMOTE算法生成的合成样本。
4.根据权利要求3所述的方法，其特征在于，所述改进的SMOTE算法通过交替方向乘子法优化后的合成样本基于以下公式进行表示：
5.根据权利要求1所述的方法，其特征在于，所述特征提取模型使用近端梯度下降法更新模型参数；所述特征提取模型的每层网络使用非线性激活函数处理数据，并根据所述网络的输出和当前的损失值调整所述非线性激活函数中的非线性调节因子。
6.根据权利要求1所述的方法，其特征在于，所述特征降维模型使用基于约束性投影的自编码
7.根据权利要求1所述的方法，其特征在于，所述分类器是极限学习机模型；所述极限学习机模型通过自动微分变分推断对输出层权重进行优化。
8.一种电池续航能力评估装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
10.一种电子设备，其特征在于，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种电池续航能力评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述特征提取模型、所述特征降维模型和所述分类器是基于训练数据集训练得到的；所述训练数据集包括原始数据和合成样本；所述原始数据包括所述目标汽车的历史特征数据和标注的续航能力等级；所述合成样本是基于所述原始数据生成的。
3.根据权利要求2所述的方法，其特征在于，所述合成样本是通过改进的smote算法对所述原始数据进行处理而生成的；所述改进的smote算法通过交替方向乘子法，优化基于smote算法生成的合成样本。
4.根据权利要求3所述的方法，其特征在于，所述改进的smote算法通过交替方向乘子法优化后的合成样本基于以下公式进行表示：
5.根据权利要求1所述的方法，其特征在于，所述特征提取模型使用近端梯度下降法更新模型参数；所述特征提取模型的每层网络使用非线性激活函数处理数据，并根据所述网络的输出和当...
【专利技术属性】
技术研发人员：赵睿，沈烈，陈智文，
申请(专利权)人：广汽埃安新能源汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。