本發明實施例涉及人工智能，尤其涉及一種電池性能的預測方法、裝置及電池性能預測模型的訓練方法。

背景技術：

1、近年來，隨著電動汽車、儲能電站等新興應用場景的迅速發展，鋰離子電池市場規模快速增長。在鋰離子電池的生產制造過程中，電池性能的優劣直接影響最終產品的質量和用戶體驗，因此對電池性能進行預測至關重要。

2、現有技術中，可以利用電池生產過程中的監測數據建立電池性能的預測模型，通過預測模型對電池性能進行預測。然而，通過單一模型實現電池性能預測可能會存在如下問題：電池數據的高維度特性使得模型在確定最相關的特征時選擇困難；電池性能與其影響因素之間的非線性關系復雜，模型難以有效捕捉。上述問題導致現有方式對電池性能進行預測的準確性較低。

技術實現思路

1、本發明提供了一種電池性能的預測方法、裝置及電池性能預測模型的訓練方法，可以提高對電池性能進行預測的準確性。

2、第一方面，本發明實施例提供了一種電池性能的預測方法，包括：

3、獲取待預測電池的電池生產數據；

4、結合顯式特征交叉與隱式特征交叉對所述電池生產數據進行處理，得到特征交叉數據；

5、通過多模型集成架構，基于所述特征交叉數據進行特征學習和特征拼接，確定所述特征交叉數據對應的高維特征向量；

6、通過所述多模型集成架構，基于所述高維特征向量生成所述待預測電池對應的預測性能參數。

7、第二方面，本發明實施例提供了一種電池性能預測模型的訓練方法，包括：

8、獲取待訓練樣本集，所述待訓練樣本集中的每個待訓練樣本包括待訓練電池生產數據和所述待訓練電池生產數據對應電池的實際性能參數；

9、結合顯式特征交叉與隱式特征交叉對所述待訓練電池生產數據進行處理，得到待訓練特征交叉數據；

10、通過待訓練多模型集成架構，基于所述待訓練特征交叉數據進行特征學習和特征拼接，確定所述待訓練特征交叉數據對應的待訓練高維特征向量；

11、通過所述待訓練多模型集成架構，基于所述待訓練高維特征向量生成所述待訓練電池生產數據對應電池的訓練預測性能參數；

12、基于所述實際性能參數和所述訓練預測性能參數構建損失函數，通過所述損失函數優化所述待訓練多模型集成架構，得到優化后的多模型集成架構。

13、第三方面，本發明實施例提供了一種電池性能的預測裝置，包括：

14、獲取模塊，用于獲取待預測電池的電池生產數據；

15、特征交叉模塊，用于結合顯式特征交叉與隱式特征交叉對所述電池生產數據進行處理，得到特征交叉數據；

16、特征學習和拼接模塊，用于通過多模型集成架構，基于所述特征交叉數據進行特征學習和特征拼接，確定所述特征交叉數據對應的高維特征向量；

17、預測模塊，用于通過所述多模型集成架構，基于所述高維特征向量生成所述待預測電池對應的預測性能參數。

18、第四方面，本發明實施例提供了一種電池性能預測模型的訓練裝置，包括：

19、第一處理模塊，用于獲取待訓練樣本集，所述待訓練樣本集中的每個待訓練樣本包括待訓練電池生產數據和所述待訓練電池生產數據對應電池的實際性能參數；

20、第二處理模塊，用于結合顯式特征交叉與隱式特征交叉對所述待訓練電池生產數據進行處理，得到待訓練特征交叉數據；

21、第三處理模塊，用于通過待訓練多模型集成架構，基于所述待訓練特征交叉數據進行特征學習和特征拼接，確定所述待訓練特征交叉數據對應的待訓練高維特征向量；

22、第四處理模塊，用于通過所述待訓練多模型集成架構，基于所述待訓練高維特征向量生成所述待訓練電池生產數據對應電池的訓練預測性能參數；

23、第五處理模塊，用于基于所述實際性能參數和所述訓練預測性能參數構建損失函數，通過所述損失函數優化所述待訓練多模型集成架構，得到優化后的多模型集成架構。

24、第五方面，本發明實施例提供了一種電子設備，包括：

25、至少一個處理器；以及

26、與所述至少一個處理器通信連接的存儲器；其中，

27、所述存儲器存儲有可被所述至少一個處理器執行的計算機程序，所述計算機程序被所述至少一個處理器執行，以使所述至少一個處理器能夠執行如第一方面所述的方法，或執行如第二方面所述的方法。

28、第六方面，本發明實施例提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現如第一方面所述的方法，或實現如第二方面所述的方法。

29、本發明實施例的技術方案，通過顯式特征交叉和隱式特征交叉的有機結合對電池生產數據進行處理，可以有效挖掘電池生產數據中的邏輯關聯和非線性交互關系，實現了特征提取的全面性與高效性，為后續的模型預測提供良好的數據基礎；通過多模型集成架構生成待預測電池對應的預測性能參數，綜合利用多個模型的預測能力，不僅可以增強模型對不同數據的適應能力，有效避免單一模型在某些特殊數據分布下可能出現的偏差，還可以捕捉數據中復雜的動態變化；因此，該方案可以提高對電池性能進行預測的準確性。

30、應當理解，本部分所描述的內容并非旨在標識本發明的實施例的關鍵或重要特征，也不用于限制本發明的范圍。本發明的其它特征將通過以下的說明書而變得容易理解。

技術特征：

1.一種電池性能的預測方法，其特征在于，包括：

2.根據權利要求1所述的方法，其特征在于，所述電池生產數據按時間序列記錄；通過多模型集成架構，基于所述特征交叉數據進行特征學習和特征拼接，確定所述特征交叉數據對應的高維特征向量，包括：

3.根據權利要求2所述的方法，其特征在于，所述多模型集成架構包括的多個模型中，不同模型對應的時間依賴范圍不同。

4.根據權利要求1所述的方法，其特征在于，所述預測性能參數包括預測性能值和預測性能類別；通過所述多模型集成架構，基于所述高維特征向量生成所述待預測電池對應的預測性能參數，包括：

5.根據權利要求4所述的方法，其特征在于，所述預測性能值通過回歸任務生成，所述預測性能類別通過分類任務生成；所述方法還包括：

6.根據權利要求4所述的方法，其特征在于，所述預測性能值包括預測電池容量，所述預測性能類別包括預測容量類別。

7.一種電池性能預測模型的訓練方法，其特征在于，包括：

8.根據權利要求7所述的方法，其特征在于，基于所述實際性能參數和所述訓練預測性能參數構建損失函數，包括：

9.根據權利要求8所述的方法，其特征在于，還包括：

10.一種電池性能的預測裝置，其特征在于，包括：

技術總結
本發明公開了一種電池性能的預測方法、裝置及電池性能預測模型的訓練方法。該預測方法包括：獲取待預測電池的電池生產數據；結合顯式特征交叉與隱式特征交叉對所述電池生產數據進行處理，得到特征交叉數據；通過多模型集成架構，基于所述特征交叉數據進行特征學習和特征拼接，確定所述特征交叉數據對應的高維特征向量；通過所述多模型集成架構，基于所述高維特征向量生成所述待預測電池對應的預測性能參數。該方案通過顯式特征交叉和隱式特征交叉的有機結合對電池生產數據進行處理，為模型預測提供良好的數據基礎；通過多模型集成架構生成預測性能參數，可以綜合利用多個模型的預測能力；因此，該方案可以提高對電池性能進行預測的準確性。

技術研發人員：郭笑洋,陳林昱,李雄,劉蓓蓓,王縉
受保護的技術使用者：廣州巨灣技研有限公司
技術研發日：
技術公布日：2025/4/24