(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111655629.6 (22)申请日 2021.12.3 0 (71)申请人 山东浪潮科 学研究院有限公司 地址 250101 山东省济南市高新区浪潮路 1036号S02号楼 (72)发明人 李锐　蒋梦梦　姜凯　张晖　 (74)专利代理 机构 北京君慧知识产权代理事务 所(普通合伙) 11716 代理人 肖鹏 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 一种电池剩余使用寿命 预测方法、 设备及介 质 (57)摘要 本申请公开了一种电池剩余使用寿命的预 测方法、 设备及介质， 方法包括： 获取目标电池的 历史电池数据， 历史电池数据至少包括目标电池 的基础信息、 历史工作数据； 基础信息至少包括 目标电池的电池型号、 使用时间； 通过t分布 ‑随 机邻近嵌入算法对历史工作数据进行降维， 得到 第一数据； 确定预设的初始长短期记忆模型， 并 通过训练数据训练初始长短期记忆模 型， 以得到 目标电池的电池容量预测模型； 获取目标电池的 当前工作数据， 并通过t分布 ‑随机邻近嵌入算法 对历史工作数据进行降维， 以得到第二数据； 将 第二数据输入至所述电池容量预测模 型， 得到目 标电池的预测电池容量； 根据预测电池容量以及 基础信息， 确定目标电池的剩余使用寿 命。 权利要求书2页 说明书7页 附图2页 CN 114330130 A 2022.04.12 CN 114330130 A 1.一种电池剩余使用寿命预测方法， 其特 征在于， 包括： 获取目标电池的历史电池数据， 所述历史电池数据至少包括所述目标电池的基础信 息、 历史工作数据； 所述基础信息 至少包括所述目标电池的电池型号、 使用时间； 通过t分布 ‑随机邻近嵌入算法对所述历史工作数据进行降维， 得到第一数据； 确定预设的初始长短期记忆模型， 并通过所述第一数据训练所述初始长短期记忆模 型， 以得到所述目标电池的电池容 量预测模型； 获取所述目标电池的当前工作 数据， 并通过所述t分布 ‑随机邻近嵌入算法对所述历史 工作数据进行降维， 以得到第二数据； 将所述第二数据输入至所述电池容 量预测模型， 得到所述目标电池的预测电池容 量； 根据所述预测电池容 量以及所述基础信息， 确定所述目标电池的剩余使用寿命。 2.根据权利要求1所述的方法， 其特征在于， 所述通过t分布 ‑随机邻近嵌入算法对所述 历史工作数据进行降维， 得到第一数据， 具体包括： 确认所述历史工作 数据中的多种工作特征以及与 所述多种工作 特征对应的特征值； 所 述多种工作特 征的至少包括电池容 量、 电压状态、 电流状态； 在所述历史工作数据中剔除所述电池容量以及所述电池容量对应的特征值， 以得到初 始训练数据； 通过所述t分布 ‑随机邻近嵌入算法， 对所述初始训练数据进行降维， 以得到所述第一 数据。 3.根据权利要求2所述的方法， 其特征在于， 所述通过所述t分布 ‑随机邻近嵌入算法， 对所述初始训练数据进行降维， 以得到所述第一数据， 具体包括： 确定所述初始训练数据的原 始空间以及嵌入空间； 以条件概 率描述所述初始训练数据中的各个数据点之间的相似度； 确定所述原始 空间以及所述嵌入空间的联合概率分布的损失函数， 并通过梯度 下降算 法降低所述损失函数， 以使所述损失函数取到所述损失函数 的最低值， 以得到所述第一数 据。 4.根据权利要求3所述的方法， 其特征在于， 所述原始空间中所述各个数据点之间的所 述条件概 率通过高斯联合分布进行表示； 所述嵌入空间中所述各个数据点之间的所述条件概 率通过t分布进行表示； 所述损失函数为所述高斯联合分布与所述t分布之间的相对熵。 5.根据权利要求4所述的方法， 其特征在于， 所述通过所述t分布 ‑随机邻近嵌入算法， 对所述初始训练数据进行降维之后， 所述方法还 包括： 确定所述工作特 征对应多个数据点； 在所述多个数据点之间选择任一数据点， 计算所述任一数据点与其他数据点之间的距 离之和， 并将所述距离之和作为所述任一数据点的路径权值； 将所述路径权值大于第一预设阈值的所述数据点剔除， 以得到所述第一数据。 6.根据权利要求1所述的方法， 其特征在于， 所述训练所述初始长短期记忆模型， 具体 包括： 通过使用反向传播 算法对所述初始长短期记 忆模型训练， 所述训练过程具体包括： 通过确定所述初始长短期记 忆模型中每 个神经元的误差项值， 确定优化目标函数；权　利　要　求　书 1/2 页 2 CN 114330130 A 2通过所述优化目标函数的梯度指引， 更新所述初始长短期记忆模型中的网络权值参 数， 直至所述 误差项值低于第二预设阈值。 7.根据权利要求1所述的方法， 其特征在于， 获取目标电池的 电池数据之后， 所述方法 还包括： 确定所述电池数据的 的缺失值占比； 若所述缺失值占比高于第三预设阈值， 则将所述电池数据删除； 若所述缺失值占比低于所述第三预设阈值， 且高于第 四预设阈值， 则确定所述缺失值 对应的所述电池数据的均值， 并通过 所述均值对所述 缺失值进行填充。 8.根据权利要求1所述的方法， 其特征在于， 所述确定所述目标电池的剩余使用寿命之 后， 所述方法还 包括： 根据所述目标电池的所述基础信息， 确定所述目标电池的告警阈值； 若所述目标电池的所述剩余使用寿命低于所述告警阈值， 则通过告警装置进行告警。 9.一种电池剩余使用寿命预测设备， 其特 征在于， 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指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处 理器能够执 行： 获取目标电池的历史电池数据， 所述历史电池数据至少包括所述目标电池的基础信 息、 历史工作数据； 所述基础信息 至少包括所述目标电池的电池型号、 使用时间； 通过t分布 ‑随机邻近嵌入算法对所述历史工作数据进行降维， 得到第一数据； 确定预设的初始长短期记忆模型， 并通过所述第一数据训练所述初始长短期记忆模 型， 以得到所述目标电池的电池容 量预测模型； 获取所述目标电池的当前工作 数据， 并通过所述t分布 ‑随机邻近嵌入算法对所述历史 工作数据进行降维， 以得到第二数据； 将所述第二数据输入至所述电池容 量预测模型， 得到所述目标电池的预测电池容 量； 根据所述预测电池容 量以及所述基础信息， 确定所述目标电池的剩余使用寿命。 10.一种非易失性计算机存储介质， 存储有计算机可执行指令， 其特征在于， 所述计算 机可执行指令设置为： 获取目标电池的历史电池数据， 所述历史电池数据至少包括所述目标电池的基础信 息、 历史工作数据； 所述基础信息 至少包括所述目标电池的电池型号、 使用时间； 通过t分布 ‑随机邻近嵌入算法对所述历史工作数据进行降维， 得到第一数据； 确定预设的初始长短期记忆模型， 并通过所述第一数据训练所述初始长短期记忆模 型， 以得到所述目标电池的电池容 量预测模型； 获取所述目标电池的当前工作 数据， 并通过所述t分布 ‑随机邻近嵌入算法对所述历史 工作数据进行降维， 以得到第二数据； 将所述第二数据输入至所述电池容 量预测模型， 得到所述目标电池的预测电池容 量； 根据所述预测电池容 量以及所述基础信息， 确定所述目标电池的剩余使用寿命。权　利　要　求　书 2/2 页 3 CN 114330130 A 3