Nothing Special   »   [go: up one dir, main page]

CN118151020B - 一种电池安全性能的检测方法及系统 - Google Patents

一种电池安全性能的检测方法及系统 Download PDF

Info

Publication number
CN118151020B
CN118151020B CN202410582627.6A CN202410582627A CN118151020B CN 118151020 B CN118151020 B CN 118151020B CN 202410582627 A CN202410582627 A CN 202410582627A CN 118151020 B CN118151020 B CN 118151020B
Authority
CN
China
Prior art keywords
battery
data set
detection data
battery detection
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410582627.6A
Other languages
English (en)
Other versions
CN118151020A (zh
Inventor
何明阳
徐红燕
祝云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GAC Aion New Energy Automobile Co Ltd
Original Assignee
GAC Aion New Energy Automobile Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GAC Aion New Energy Automobile Co Ltd filed Critical GAC Aion New Energy Automobile Co Ltd
Priority to CN202410582627.6A priority Critical patent/CN118151020B/zh
Publication of CN118151020A publication Critical patent/CN118151020A/zh
Application granted granted Critical
Publication of CN118151020B publication Critical patent/CN118151020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Secondary Cells (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种电池安全性能的检测方法及系统，涉及电池安全技术领域。该电池安全性能的检测方法包括：获取样本电池检测数据；对样本电池检测数据进行样本生成，获得扩充电池检测数据集；对扩充电池检测数据集进行特征提取，获得特征提取数据集；对特征提取数据集进行特征降维，获得降维数据集；将降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器；基于电池安全性能分类器对待检测电池进行检测，获得电池安全性能检测结果。该电池安全性能的检测方法可以实现提高电池安全性能的检测准确性的技术效果。

Description

一种电池安全性能的检测方法及系统
技术领域
本申请涉及电池安全技术领域，具体而言，涉及一种电池安全性能的检测方法及系统。
背景技术
现有技术中，传统的电池安全性能检测技术存在一系列的局限性。首先，许多现有的检测方法依赖于单一或有限的数据源，例如仅考虑电池的充放电循环数据或者只关注电池的物理化学特性，这种单一的数据处理方法忽略了电池性能是多因素综合作用的结果，因此无法全面反映电池的实际工作状态和潜在的安全风险。此外，由于高质量数据的获取往往成本高昂且耗时长，现有的方法常常面临样本数量不足的问题，这在一定程度上限制了检测方法的准确性和可靠性。在特征提取和数据处理方面，传统方法往往没有充分利用先进的数据处理技术。例如，在进行数据降维时，可能会导致关键信息的丢失，而过度依赖原始数据又会增加计算的复杂度和资源消耗。此外，电池安全性能的分类和预测是一个高度复杂且动态变化的问题，需要能够处理大规模、非线性可分数据的高效算法；然而，许多传统分类方法在这方面的表现并不理想。
发明内容
本申请的目的在于提供一种电池安全性能的检测方法、系统、电子设备及计算机可读存储介质，可以实现提高电池安全性能的检测准确性的技术效果。
第一方面，本申请提供了一种电池安全性能的检测方法，包括：
获取样本电池检测数据；
对所述样本电池检测数据进行样本生成，获得扩充电池检测数据集；
对所述扩充电池检测数据集进行特征提取，获得特征提取数据集；
对所述特征提取数据集进行特征降维，获得降维数据集；
将所述降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器；
基于所述电池安全性能分类器对待检测电池进行检测，获得电池安全性能检测结果。
在上述实现过程中，该电池安全性能的检测方法首先进行数据扩充，解决了训练样本数量不足的问题，增加了模型的训练效率和样本的多样性，从而避免了过度依赖有限的数据集；还通过高效的特征提取和降维技术，能够更好地捕捉和表示电池数据中的关键特征，减少了无关信息的干扰，提高了后续分类器的性能；此外，采用极限学习机分类器，由于其独特的训练机制，提供了快速且有效的分类性能，尤其是在处理大规模数据集时，能显著减少计算时间和资源消耗；从而，该电池安全性能的检测方法可以实现提高电池安全性能的检测准确性的技术效果。
进一步地，对所述样本电池检测数据进行样本生成，获得扩充电池检测数据集的步骤，包括：
对所述样本电池检测数据进行清洗和标准化处理，获得标准化电池检测数据；
通过交替最小二乘法算法在特征空间中对所述进行标准化电池检测数据进行优化处理，获得优化电池检测数据；
基于样本生成策略和所述优化电池检测数据进行样本生成，获得新增电池检测数据集；
基于所述样本电池检测数据和所述新增电池检测数据集，获得扩充电池检测数据集。
在上述实现过程中，采用基于交替最小二乘法的SMOTE算法进行样本生成，进而实现样本扩充；传统的SMOTE算法在处理高维数据时，往往忽略了数据的内在结构和潜在关系，导致生成的合成数据可能不准确或不具代表性；本申请采用基于交替最小二乘法的SMOTE算法优化了合成样本的生成过程，确保新样本能更好地反映数据的真实分布。
进一步地，基于所述样本电池检测数据和所述新增电池检测数据集，获得扩充电池检测数据集的步骤，包括：
对所述新增电池检测数据集进行质量评估，获得质量评估数据，其中所述质量评估包括特征空间分布一致性检测、异常值检测和类别平衡性检测中的一种或多种；
根据所述质量评估数据自适应调整所述样本生成策略，并根据调整后的样本生成策略生成反馈函数；
在所述反馈函数不满足预设条件时，跳转至所述对所述新增电池检测数据集进行质量评估，获得质量评估数据的步骤；
在所述反馈函数满足预设条件时，基于调整后的样本生成策略和所述优化电池检测数据进行样本生成，获得调整后电池检测数据集，并基于所述调整后电池检测数据和所述新增电池检测数据集，获得扩充电池检测数据集。
进一步地，对所述扩充电池检测数据集进行特征提取，获得特征提取数据集的步骤，包括：
初始化设置灰狼优化算法和构建神经网络模型；
通过所述灰狼优化算法对所述神经网络模型的权重和偏置进行迭代调整，获得迭代后的神经网络模型，其中，在每次迭代中，根据预设概率决定探索策略或开发策略对所述神经网络模型进行调整；
所述扩充电池检测数据集基于所述迭代后的神经网络模型进行特征提取，获得特征提取数据集。
在上述实现过程中，灰狼优化算法是一种模仿灰狼捕食行为的优化算法，其特点在于通过模拟灰狼的社会等级和追踪、包围、攻击猎物的策略来寻找全局最优解；采用交替探索策略以增强算法的探索能力和避免局部最优，从而，在每次迭代中交替改变灰狼优化算法的探索和开发策略，以平衡局部和全局搜索。
进一步地，对所述特征提取数据集进行特征降维，获得降维数据集的步骤，包括：
构建自编码神经网络，所述自编码神经网络包括编码器和解码器；
在所述编码器的输入层基于局部敏感哈希处理，并基于训练数据训练所述编码器和所述解码器；
对训练后的所述自编码神经网络进行性能评估，获得自编码器评估结果；
在所述自编码器评估结果不满足预设条件时，调整所述编码器、所述解码器的权重和偏置，并跳转至在所述编码器的输入层基于局部敏感哈希处理，并基于训练数据训练所述编码器和所述解码器的步骤；
在所述自编码器评估结果满足预设条件时，对所述特征提取数据集基于训练后的所述自编码神经网络进行特征降维，获得降维数据集。
在上述实现过程中，将特征提取后的数据输入到自编码神经网络中进行训练，自编码神经网络包含一个编码器和一个解码器，编码器用于将高维数据转换为低维表示，解码器用于从低维表示重构数据；在自编码器的编码阶段，利用局部敏感哈希技术来保持相似数据点的邻近性，从而改善特征降维的效果。
进一步地，将所述降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器的步骤，包括：
构建极限学习机模型；
基于核函数将所述降维数据映射到高维空间，获得极限学习机训练数据；
基于所述极限学习机训练数据训练所述极限学习机模型的输出层权重，获得训练后的极限学习机模型；
对训练后的极限学习机模型进行性能评估，获得极限学习机评估结果；
在所述极限学习机评估结果不满足预设条件时，调整所述核函数的参数和所述极限学习机模型的参数并跳转至基于核函数将所述降维数据映射到高维空间，获得极限学习机训练数据的步骤；
在所述极限学习机评估结果满足预设条件时，基于训练后的极限学习机模型，获得电池安全性能分类器。
在上述实现过程中，将降维后的数据输入到分类器中进行训练，从而针对电池安全性能数据的分类任务，通过快速学习和优化，实现高效且准确的分类。
第二方面，本申请提供了一种电池安全性能的检测系统，包括：
样本数据模块，用于获取样本电池检测数据；
扩充数据模块，用于对所述样本电池检测数据进行样本生成，获得扩充电池检测数据集；
特征提取模块，用于对所述扩充电池检测数据集进行特征提取，获得特征提取数据集；
降维数据模块，用于对所述特征提取数据集进行特征降维，获得降维数据集；
分类器模块，用于将所述降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器；
性能检测模块，用于基于所述电池安全性能分类器对待检测电池进行检测，获得电池安全性能检测结果。
进一步地，所述扩充数据模块具体用于：
对所述样本电池检测数据进行清洗和标准化处理，获得标准化电池检测数据；
通过交替最小二乘法算法在特征空间中对所述进行标准化电池检测数据进行优化处理，获得优化电池检测数据；
基于样本生成策略和所述优化电池检测数据进行样本生成，获得新增电池检测数据集；
基于所述样本电池检测数据和所述新增电池检测数据集，获得扩充电池检测数据集。
进一步地，所述扩充数据模块还用于：
对所述新增电池检测数据集进行质量评估，获得质量评估数据，其中所述质量评估包括特征空间分布一致性检测、异常值检测和类别平衡性检测中的一种或多种；
根据所述质量评估数据自适应调整所述样本生成策略，并根据调整后的样本生成策略生成反馈函数；
在所述反馈函数不满足预设条件时，跳转至所述对所述新增电池检测数据集进行质量评估，获得质量评估数据的步骤；
在所述反馈函数满足预设条件时，基于调整后的样本生成策略和所述优化电池检测数据进行样本生成，获得调整后电池检测数据集，并基于所述调整后电池检测数据和所述新增电池检测数据集，获得扩充电池检测数据集。
进一步地，所述特征提取模块还用于：
初始化设置灰狼优化算法和构建神经网络模型；
通过所述灰狼优化算法对所述神经网络模型的权重和偏置进行迭代调整，获得迭代后的神经网络模型，其中，在每次迭代中，根据预设概率决定探索策略或开发策略对所述神经网络模型进行调整；
所述扩充电池检测数据集基于所述迭代后的神经网络模型进行特征提取，获得特征提取数据集。
进一步地，所述降维数据模块还用于：
构建自编码神经网络，所述自编码神经网络包括编码器和解码器；
在所述编码器的输入层基于局部敏感哈希处理，并基于训练数据训练所述编码器和所述解码器；
对训练后的所述自编码神经网络进行性能评估，获得自编码器评估结果；
在所述自编码器评估结果不满足预设条件时，调整所述编码器、所述解码器的权重和偏置，并跳转至在所述编码器的输入层基于局部敏感哈希处理，并基于训练数据训练所述编码器和所述解码器的步骤；
在所述自编码器评估结果满足预设条件时，对所述特征提取数据集基于训练后的所述自编码神经网络进行特征降维，获得降维数据集。
进一步地，所述分类器模块还用于：
构建极限学习机模型；
基于核函数将所述降维数据映射到高维空间，获得极限学习机训练数据；
基于所述极限学习机训练数据训练所述极限学习机模型的输出层权重，获得训练后的极限学习机模型；
对训练后的极限学习机模型进行性能评估，获得极限学习机评估结果；
在所述极限学习机评估结果不满足预设条件时，调整所述核函数的参数和所述极限学习机模型的参数并跳转至基于核函数将所述降维数据映射到高维空间，获得极限学习机训练数据的步骤；
在所述极限学习机评估结果满足预设条件时，基于训练后的极限学习机模型，获得电池安全性能分类器。
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。
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。
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。
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。
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。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种电池安全性能的检测方法的流程示意图；
图2为本申请实施例提供的获得扩充电池检测数据集的流程示意图；
图3为本申请实施例提供的获得特征提取数据集的流程示意图；
图4为本申请实施例提供的获得降维数据集的流程示意图；
图5为本申请实施例提供的获得电池安全性能分类器的流程示意图；
图6为本申请实施例提供的电池安全性能的检测系统的流程示意图；
图7为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
一般地，所述在电动汽车和可再生能源领域，电池安全性能的重要性更是不言而喻。电池安全问题不仅关系到设备的正常运行，更关乎公共安全和环境保护。因此，电池安全性能的检测方法对于保证电池产品的质量和安全性至关重要。对于常规的电池安全性能的检测方法，还存在以下缺陷：
（1）传统方法可能面临样本数量不足的问题，特别是在高质量、有代表性的数据难以获得的情况下，这限制了模型的训练和泛化能力；
（2）在特征提取和降维方面，现有技术可能没有充分利用高效的算法，导致关键信息丢失或过度关注无关特征，影响最终模型的性能；
（3）传统的分类方法可能在处理复杂或非线性可分数据时效率不高，特别是在大规模数据集上，这可能导致分类速度慢和准确度不高；
（4）现有技术在处理未见数据时，可能由于模型泛化能力不足而导致性能下降，尤其是在电池安全性能检测这样的复杂应用场景中；
为了解决上述提出的技术问题，本申请实施例提供了一种电池安全性能的检测方法、系统、电子设备及计算机可读存储介质，可以应用于动力电池的安全性能检测过程中；请参见图1，图1为本申请实施例提供的一种电池安全性能的检测方法的流程示意图，该电池安全性能的检测方法包括如下步骤：
S100：获取样本电池检测数据；
示例性地，样本电池检测数据可以是从多个数据源收集到的电池性能相关数据；其中，数据源包括电池的充放电循环数据、温度变化数据、电池材料特性数据。
可选地，样本电池检测数据以向量形存储于CSV（Comma-Separated Values，逗号分隔值）文件中，样本电池检测数据的具体属性包括：电池充放电时的电压、电池充放电时的电流、电池的总容量、电池充放电循环次数、电池运行时的温度、电池的内阻、电池充电时间、电池放电时间、电池充放电效率、电池老化速度等；需要注意的是，此处样本电池检测数据的具体属性仅作为示例而非限定，样本电池检测数据的具体属性也可以根据需要进行增减。
S200：对样本电池检测数据进行样本生成，获得扩充电池检测数据集；
示例性地，对样本电池检测数据采用基于交替最小二乘法的SMOTE算法进行样本生成和数据扩充，可以有效解决训练样本不足的问题，同时保证新样本能更好地反映真实数据分布。
S300：对扩充电池检测数据集进行特征提取，获得特征提取数据集；
示例性地，对扩充电池检测数据使用基于交替探索灰狼优化算法的神经网络模型，该方法模仿灰狼的社会结构和捕食行为来寻找最优解，增强了算法的探索能力，避免了局部最优问题。
S400：对特征提取数据集进行特征降维，获得降维数据集；
示例性地，对特征提取数据应用基于局部敏感哈希技术的自编码神经网络算法进行特征降维，在有效地减少数据维度的同时保留关键信息，从而有助于提高后续处理的效率和准确性。
S500：将降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器；
示例性地，采用极限学习机模型，可以快速且高效地处理非线性可分的复杂数据，从而为电池安全性能分类提供了一个有效的解决方案。
S600：基于电池安全性能分类器对待检测电池进行检测，获得电池安全性能检测结果。
示例性地，该电池安全性能的检测方法首先进行数据扩充，解决了训练样本数量不足的问题，增加了模型的训练效率和样本的多样性，从而避免了过度依赖有限的数据集；还通过高效的特征提取和降维技术，能够更好地捕捉和表示电池数据中的关键特征，减少了无关信息的干扰，提高了后续分类器的性能；此外，采用极限学习机分类器，由于其独特的训练机制，提供了快速且有效的分类性能，尤其是在处理大规模数据集时，能显著减少计算时间和资源消耗；从而，该电池安全性能的检测方法可以实现提高电池安全性能的检测准确性的技术效果。
请参见图2，图2为本申请实施例提供的获得扩充电池检测数据集的流程示意图。
示例性地，S200：对样本电池检测数据进行样本生成，获得扩充电池检测数据集的步骤，包括：
S210：对样本电池检测数据进行清洗和标准化处理，获得标准化电池检测数据；
S220：通过交替最小二乘法算法在特征空间中对进行标准化电池检测数据进行优化处理，获得优化电池检测数据；
S230：基于样本生成策略和优化电池检测数据进行样本生成，获得新增电池检测数据集；
S240：基于样本电池检测数据和新增电池检测数据集，获得扩充电池检测数据集。
示例性地，采用基于交替最小二乘法的SMOTE算法进行样本生成，进而实现样本扩充；传统的SMOTE算法在处理高维数据时，往往忽略了数据的内在结构和潜在关系，导致生成的合成数据可能不准确或不具代表性；本申请采用基于交替最小二乘法的SMOTE算法优化了合成样本的生成过程，确保新样本能更好地反映数据的真实分布。
示例性地，S240：基于样本电池检测数据和新增电池检测数据集，获得扩充电池检测数据集的步骤，包括：
对新增电池检测数据集进行质量评估，获得质量评估数据，其中质量评估包括特征空间分布一致性检测、异常值检测和类别平衡性检测中的一种或多种；
根据质量评估数据自适应调整样本生成策略，并根据调整后的样本生成策略生成反馈函数；
在反馈函数不满足预设条件时，跳转至对新增电池检测数据集进行质量评估，获得质量评估数据的步骤；
在反馈函数满足预设条件时，基于调整后的样本生成策略和优化电池检测数据进行样本生成，获得调整后电池检测数据集，并基于调整后电池检测数据和新增电池检测数据集，获得扩充电池检测数据集。
请参见图3，图3为本申请实施例提供的获得特征提取数据集的流程示意图。
示例性地，S300：对扩充电池检测数据集进行特征提取，获得特征提取数据集的步骤，包括：
S310：初始化设置灰狼优化算法和构建神经网络模型；
S320：通过灰狼优化算法对神经网络模型的权重和偏置进行迭代调整，获得迭代后的神经网络模型，其中，在每次迭代中，根据预设概率决定探索策略或开发策略对神经网络模型进行调整；
S330：扩充电池检测数据集基于迭代后的神经网络模型进行特征提取，获得特征提取数据集。
示例性地，灰狼优化算法是一种模仿灰狼捕食行为的优化算法，其特点在于通过模拟灰狼的社会等级和追踪、包围、攻击猎物的策略来寻找全局最优解；采用交替探索策略以增强算法的探索能力和避免局部最优，从而，在每次迭代中交替改变灰狼优化算法的探索和开发策略，以平衡局部和全局搜索。
请参见图4，图4为本申请实施例提供的获得降维数据集的流程示意图。
示例性地，S400：对特征提取数据集进行特征降维，获得降维数据集的步骤，包括：
S410：构建自编码神经网络，自编码神经网络包括编码器和解码器；
S420：在编码器的输入层基于局部敏感哈希处理，并基于训练数据训练编码器和解码器；
S430：对训练后的自编码神经网络进行性能评估，获得自编码器评估结果；
S440：在自编码器评估结果不满足预设条件时，调整编码器、解码器的权重和偏置，并跳转至在编码器的输入层基于局部敏感哈希处理，并基于训练数据训练编码器和解码器的步骤；
S450：在自编码器评估结果满足预设条件时，对特征提取数据集基于训练后的自编码神经网络进行特征降维，获得降维数据集。
示例性地，将特征提取后的数据输入到自编码神经网络中进行训练，自编码神经网络包含一个编码器和一个解码器，编码器用于将高维数据转换为低维表示，解码器用于从低维表示重构数据；在自编码器的编码阶段，利用局部敏感哈希技术来保持相似数据点的邻近性，从而改善特征降维的效果。
请参见图5，图5为本申请实施例提供的获得电池安全性能分类器的流程示意图。示例性地，S500：将降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器的步骤，包括：
S510：构建极限学习机模型；
S520：基于核函数将降维数据映射到高维空间，获得极限学习机训练数据；
S530：基于极限学习机训练数据训练极限学习机模型的输出层权重，获得训练后的极限学习机模型；
S540：对训练后的极限学习机模型进行性能评估，获得极限学习机评估结果；
S550：在极限学习机评估结果不满足预设条件时，调整核函数的参数和极限学习机模型的参数并跳转至基于核函数将降维数据映射到高维空间，获得极限学习机训练数据的步骤；
S560：在极限学习机评估结果满足预设条件时，基于训练后的极限学习机模型，获得电池安全性能分类器。
示例性地，将降维后的数据输入到分类器中进行训练，从而针对电池安全性能数据的分类任务，通过快速学习和优化，实现高效且准确的分类。
在一些实施方式中，结合图1至图5，本申请实施例提供的电池安全性能的检测方法，其具体的实施步骤示例如下：
步骤一：数据采集与标注；
本申请从多个数据源收集电池性能相关数据，在一个实施例中，数据源包括电池的充放电循环数据、温度变化数据、电池材料特性数据。这些数据以向量形存储于CSV文件中；
步骤二：数据扩充；
可以理解的是，在本申请电池安全性能检测的任务中，训练数据的采集获取、标注及预处理是耗时耗力的，且训练样本不足容易导致模型泛化能力差，同时影响模型的精度。本申请采用基于交替最小二乘法的SMOTE算法进行样本生成，进而实现样本扩充。传统的SMOTE算法在处理高维数据时，往往忽略了数据的内在结构和潜在关系，导致生成的合成数据可能不准确或不具代表性。本申请采用基于交替最小二乘法的SMOTE算法优化了合成样本的生成过程，确保新样本能更好地反映数据的真实分布；
具体地，基于交替最小二乘法的SMOTE算法生成样本的过程如下：
输入：
原始多源数据集；
2.1、将收集的多源数据进行清洗和标准化处理，确保数据质量和一致性。具体的，设原始电池性能相关数据集为，其中每个数据点是一个向量，表示电池的多个特性，数据预处理的目标是将这些数据标准化到同一尺度，标准化后的数据表示为，则标准化过程为：
；
其中，和分别是数据集的均值和标准差；
进一步地，均值的计算方式可以表示为：
；
其中，是数据集中的数据点总数，是数据集中的第个数据点；
标准差的计算方式可以表示为：
；
2.2、使用交替最小二乘法算法在特征空间中对数据进行分析，以理解数据的潜在结构和分布。具体的，设为数据在特征空间的表示，和分别为样本特征矩阵和属性特征矩阵，所述属性特征是指电池的各项性能指标。交替最小二乘法的优化目标是最小化以下损失函数：
；
其中，是正则化参数，用于防止过拟合。在一个实施例中，被设置为0.1。
进一步地，更新的方式可以表示为：
；
其中，是属性特征矩阵，是单位矩阵，是样本对所有属性的评分向量；
更新的方式可以表示为：
；
其中，是样本特征矩阵，是属性由所有样本评分的向量；
2.3、根据数据的特性，设计合适的样本生成策略，即，选择合适的邻近样本。具体的，计算每个数据点在特征空间中的邻近点集合，然后根据邻近点生成合成样本，合成样本生成公式为：
；
其中，是的一个邻近点，是一个随机数，用于控制生成样本的差异。在一个实施例中，可以在0到1之间随机选取；
2.4、按照设定的策略，在特征空间中生成新的样本；
2.5、生成的样本通过一系列质量控制步骤进行评估，包括检查其在特征空间的分布一致性、异常值检测和类别平衡性检查；
具体的，生成的样本进行质量评估时，定义样本质量评估函数，其考虑了样本在特征空间中的分布一致性和样本多样性，则质量评估公式为：
；
其中，是平衡系数，用于权衡分布一致性和多样性。在一个实施例中，可以设置为0.5；
进一步地，分布一致性可以通过计算合成样本与原始数据在特征空间中的距离差异来评估：
；
进一步地，样本多样性通过计算合成样本之间的平均距离来评估：
；
其中，是合成样本的第个特征，是特征空间中对应特征的值，是特征的总数。是样本的第个特征；
2.6、根据样本质量评估的结果，自适应调整样本生成策略。具体的，设为调整阈值，若，则调整生成策略。在一个实施例中，调整生成策略为，改变的取值范围或调整邻近点选择策略，调整策略可以表示为：
；
其中，是调整系数，用于控制生成样本的变化幅度。在一个实施例中，阈值设置为0.8；
2.7、通过持续监控生成样本对模型性能的影响，实施反馈调整，确保数据扩充过程与模型训练目标的一致性。具体的，定义反馈函数，用于评估合成样本对模型性能的影响，可以表示为：
；
其中，是预测性能指标，是平衡系数。在一个实施例中，设置为0.7；
2.8、将通过上述步骤生成的高质量合成样本与原始数据集合并，形成最终用于模型训练的扩充数据集。最终数据集是原始数据集(与质量评估后的合成样本集的结合，可以表示为：
；
其中，表示集合的并集操作，确保最终数据集包含了原始数据和高质量的合成样本，以此提供更全面和多样的训练数据；
输出：
扩充后的数据集：包括原始数据和合成的新样本；
在电池安全性能检测中，这种扩充的数据集能够提供更全面的信息，例如在模拟电池在极端条件下的表现时，合成数据能够增强模型的预测能力和泛化性。此外，通过自适应调整和反馈机制，本申请能够不断优化数据生成过程，确保数据集的质量始终符合电池安全性能检测的高标准；
步骤三：特征提取模型训练；
将扩充后的数据输入到特征提取模型中进行训练，本申请采用基于交替探索灰狼优化算法的神经网络模型进行特征提取。灰狼优化算法是一种模仿灰狼捕食行为的优化算法，其特点在于通过模拟灰狼的社会等级和追踪、包围、攻击猎物的策略来寻找全局最优解，本申请采用交替探索策略以增强算法的探索能力和避免局部最优，即，在每次迭代中交替改变灰狼优化算法的探索和开发策略，以平衡局部和全局搜索；
具体的，基于交替探索灰狼优化算法的神经网络模型的训练流程如下：
输入：
扩充后的电池安全性能检测数据集。
3.1、初始化：设定灰狼优化算法的初始参数，包括狼群的大小、社会等级结构（例如领头狼、副领头狼和追随者）和位置信息。具体的，每个灰狼的位置在特征空间中随机初始化，表示为一个向量，其中代表特征数量。
3.2、特征提取网络构建：构建神经网络框架，包括输入层、隐藏层和输出层，具体的，对于神经网络中的每个连接权重和偏置，使用灰狼位置信息来初始化，初始化的方式可以表示为：
；
；
3.3、权重和偏置优化：使用灰狼优化算法调整网络的权重和偏置，在每次迭代中，根据狼群成员的位置信息和社会等级，更新权重和偏置。具体的，在领头狼位置更新时，领头狼的位置基于当前最优解更新；在副领头狼和追随者位置更新时，其余灰狼的位置根据领头狼和副领头狼的位置进行更新，可以表示为：
；
其中，和是随机数，用于控制更新步长。
进一步地，领头狼位置更新是基于当前迭代中最优解的位置计算得到的，即当前找到的最佳权重和偏置组合，通过比较所有灰狼的目标函数值来确定，可以表示为：
；
其中，是第只灰狼对应解的性能评估值。
进一步地，副领头狼位置更新是在排除领头狼后的最优解，可以表示为：
；
进一步地，其他灰狼位置更新依赖于领头狼和副领头狼的位置。更新公式中的随机数和可以具体表达为：
；
；
其中，表示在区间[0，1]内生成一个随机数。
3.4、交替探索策略应用：在每次迭代中，根据预设的概率决定采用探索还是开发策略。在一个实施例中，当随机数小于时采用探索策略，否则采用开发策略，确保算法不仅能有效利用已知信息寻找最优解，同时也能探索新的可能区域。
3.5、序列二次规划法应用：在每一迭代步骤中，利用序列二次规划法精细调整权重更新，确保收敛的精确性和速度。具体的，使用序列二次规划法对灰狼位置进行微调的方式可以表示为：
；
其中，是目标函数在当前位置的梯度。
进一步地，序列二次规划法优化是一种迭代优化算法，用于灰狼优化算法中的精细调整，具体实现可以表示为：
；
其中，是目标函数在处的海森矩阵的逆，是目标函数在处的梯度，这种方法通过迭代求解二次近似问题来精确调整灰狼位置。
3.6、性能评估与反馈：在每次迭代后评估模型性能，根据性能反馈调整控制参数，如探索和开发系数。在一个实施例中，使用定义好的性能评估函数来评估当前解的质量的方式为基于损失函数。
在本实施例中，使用均方误差作为损失函数，则可以表示为：
；
其中，是验证集的样本数量，和分别是第个样本的真实值和由当前灰狼位置在神经网络中预测的值。所述当前灰狼位置在神经网络中预测的值由预设的Softmax函数计算得到。
3.7、终止条件判断：当达到预设的迭代次数或性能满足要求时，终止训练过程，输出最终的神经网络模型。
输出：
经过特征提取的数据集，包含了每个样本的关键特征向量。
步骤四：特征降维模型训练；
将特征提取后的数据输入到特征降维模型中进行训练，本申请采用基于局部敏感哈希的自编码神经网络算法进行特征降维，自编码器包含一个编码器和一个解码器，编码器用于将高维数据转换为低维表示，解码器用于从低维表示重构数据。在自编码器的编码阶段，本申请利用局部敏感哈希技术来保持相似数据点的邻近性，从而改善特征降维的效果。此外，在解码阶段应用期望传播算法，用于优化数据重构过程，减少信息丢失。
具体的，基于局部敏感哈希的自编码神经网络算法的训练流程如下：
输入：
特征提取后的高维数据，在一个实施例中，为100维数据。
4.1、自编码器构建：构建包含编码器和解码器的自编码器网络结构，确定层的数量和神经元的配置。具体的，设定编码器和解码器的层数和，每层神经元数量和，初始化编码器每层的权重和偏置，解码器每层的权重和偏置。
在一个实施例中，编码器和解码器各设置为3层。第一层200个神经元，第二层100个神经元，第三层10个神经元。
4.2、局部敏感哈希计算：在编码器的输入层应用局部敏感哈希技术，以保证输入特征的局部邻近性得以保留。具体的，对于输入特征向量，局部敏感哈希函数将其映射到哈希值，保持相似特征的邻近性，局部敏感哈希函数定义为：
；
其中，和是局部敏感哈希函数的参数，函数将结果映射到哈希空间。
4.3、编码器训练：使用训练数据训练编码器，以学习将高维输入转换为低维表示的函数。具体的，编码过程中，编码器将输入特征转换为低维表示，可以表示为：
；
其中，和是编码器的权重和偏置，是激活函数。
4.4、解码器训练：解码器学习如何从低维表示重构原始数据，期望传播算法在此阶段用于优化重构过程。具体的，解码器从低维表示重构输入特征，可以表示为：
；
其中，和是解码器的权重和偏置。
进一步地，在解码过程中，应用期望传播算法来优化重构的数据。期望传播通过调整解码器输出，最小化重构误差，可以表示为：
；
其中，表示期望传播的操作。
进一步地，期望传播算法在解码过程中应用，通过调整解码器输出，使其更接近原始输入，可以表示为：
；
其中，是一个调整因子，根据重构误差和原始数据的差异自适应调整，以优化重构过程。调整因子的计算可以基于重构误差的大小，可以表示为：
；
其中，是一个比例系数，用于控制调整的强度。
4.5、细节调整：通过验证集上的性能反馈，对网络结构和参数进行细节调整，在一个实施例中，可以调整层数、神经元数目和学习率等。
4.6、模型评估与优化：评估自编码器在测试集上的性能，特别是在降维后数据的重构质量，根据评估结果进一步优化模型参数。具体的，性能评估使用损失函数来评估自编码器的性能，在一个实施例中，采用均方误差实现，可以表示为：
；
其中，是样本数量，和分别是原始数据和重构数据的第个特征。
进一步地，根据损失函数的结果，调整编码器和解码器的权重和偏置。本申请使用梯度下降法或其他优化算法进行参数更新，可以表示为：
；
；
其中，是学习率。在一个实施例中，学习率设置为0.01。
进一步地，梯度和通过反向传播算法计算，具体为：
；
；
其中，和是损失函数对编码器输出和解码器输出的梯度，分别通过解码器和编码器的层传播回来。
4.7、最终模型输出：得到优化后的自编码器模型，可用于实际的电池安全性能检测数据的特征降维任务。在一个实施例中，当损失函数达到预设阈值或时，输出最终的自编码器模型。
输出：
特征降维后的数据，在一个实施例中，输出的数据为10维。
通过自编码器结构实现了高效的特征降维，有助于减少后续分析和模型训练的计算负担。结合局部敏感哈希和期望传播技术，保证了即使在降维过程中也能尽可能地保留数据的关键信息。此外，通过动态调整局部敏感哈希参数和期望传播调整因子，使模型能够适应不同类型和条件下的电池数据，提高了模型的泛化能力和稳定性。
步骤五：训练分类器；
将降维后的数据输入到分类器中进行训练，本申请提出一种基于无梯度优化的极限学习机分类算法，针对电池安全性能数据的分类任务，通过快速学习和优化，实现高效且准确的分类。
极限学习机是一种单层前馈神经网络，其特点是隐藏层节点的权重和偏置在训练过程中不需要调整，只需训练输出层的权重。本申请在极限学习机的基础上结合核技巧，以处理非线性可分的复杂数据。
具体的，基于无梯度优化的极限学习机分类算法的训练流程如下：
输入：
降维后的数据。
5.1、极限学习机模型构建：构建极限学习机模型，包括输入层、隐藏层和输出层。隐藏层的神经元数量根据数据复杂度和分类任务需求确定。具体的，隐藏层权重和偏置为随机初始化，可以表示为：
；
；
其中，是输入层神经元数量，是隐藏层神经元数量，表示随机数生成函数。在一个实施例中，隐藏层神经元数量被设置为150。
5.2、设置核函数：选择合适的核函数，并将输入数据通过核函数转换到高维特征空间。具体的，使用核函数将输入数据映射到高维空间，可以表示为：
；
在一个实施例中，所采用的核函数维高斯核函数，可以表示为：
；
其中，是核函数的带宽参数。
5.3、输出层权重训练：使用训练数据集训练极限学习机的输出层权重。由于隐藏层的权重和偏置是随机生成的，训练过程主要是求解输出层权重的最优解。具体的，输出层权重的计算基于最小化输出误差，在理想情况下，该权重可通过求解以下线性方程组获得，可以表示为：
；
其中，是隐藏层的输出矩阵，是目标输出矩阵。在一个实施例中，可以使用岭回归方法求解，可以表示为：
；
其中，是正则化系数，用于控制模型的复杂度，防止过拟合。在一个实施例中，正则化参数被设置为0.001。
5.4、模型评估和优化：使用验证数据集评估模型的分类性能，根据性能反馈调整核函数参数和隐藏层神经元数量。具体的，使用验证集评估模型性能时采用准确率指标，可以表示为：
；
其中，为在验证集上正确分类的样本数量，为验证集中的总样本数量。
进一步地，根据性能评估的结果，调整隐藏层神经元数量和高斯核的带宽，具体的，设置调整规则为：
；
其中，是调整步长，用于根据准确率差距调整核参数。为目标精度值，由人为预设；为当前精度值。为调整后的高斯核的带宽，为调整前的高斯核的带宽。
进一步地，对于新的输入数据，使用训练好的极限学习机模型进行分类时，输出的计算方式可以表示为：
；
其中，是新数据在隐藏层的输出，函数用于生成分类预测。
输出：
分类类别。
步骤六：电池安全性能检测；
通过上述训练完成的模型来处理新的电池测试样本。对新电池样本进行特征提取后，再进行特征降维，将降维后的特征输入到训练完成的极限学习机分类器中，进行分类预测。在一个实施例中，分类预测的结果为电池安全性能等级，共分为5个等级，包括：安全等级一：以1表示该类别代号；安全等级二：以2表示该类别代号；安全等级三：以3表示该类别代号；安全等级四：以4表示该类别代号；安全等级五：以5表示该类别代号。
请参见图6，图6为本申请实施例他提供的电池安全性能的检测系统的流程示意图，该电池安全性能的检测系统包括：
样本数据模块100，用于获取样本电池检测数据；
扩充数据模块200，用于对样本电池检测数据进行样本生成，获得扩充电池检测数据集；
特征提取模块300，用于对扩充电池检测数据集进行特征提取，获得特征提取数据集；
降维数据模块400，用于对特征提取数据集进行特征降维，获得降维数据集；
分类器模块500，用于将降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器；
性能检测模块600，用于基于电池安全性能分类器对待检测电池进行检测，获得电池安全性能检测结果。
示例性地，扩充数据模块200具体用于：
对样本电池检测数据进行清洗和标准化处理，获得标准化电池检测数据；
通过交替最小二乘法算法在特征空间中对进行标准化电池检测数据进行优化处理，获得优化电池检测数据；
基于样本生成策略和优化电池检测数据进行样本生成，获得新增电池检测数据集；
基于样本电池检测数据和新增电池检测数据集，获得扩充电池检测数据集。
示例性地，扩充数据模块200还用于：
对新增电池检测数据集进行质量评估，获得质量评估数据，其中质量评估包括特征空间分布一致性检测、异常值检测和类别平衡性检测中的一种或多种；
根据质量评估数据自适应调整样本生成策略，并根据调整后的样本生成策略生成反馈函数；
在反馈函数不满足预设条件时，跳转至对新增电池检测数据集进行质量评估，获得质量评估数据的步骤；
在反馈函数满足预设条件时，基于调整后的样本生成策略和优化电池检测数据进行样本生成，获得调整后电池检测数据集，并基于调整后电池检测数据和新增电池检测数据集，获得扩充电池检测数据集。
示例性地，特征提取模块300还用于：
初始化设置灰狼优化算法和构建神经网络模型；
通过灰狼优化算法对神经网络模型的权重和偏置进行迭代调整，获得迭代后的神经网络模型，其中，在每次迭代中，根据预设概率决定探索策略或开发策略对神经网络模型进行调整；
扩充电池检测数据集基于迭代后的神经网络模型进行特征提取，获得特征提取数据集。
示例性地，降维数据模块400还用于：
构建自编码神经网络，自编码神经网络包括编码器和解码器；
在编码器的输入层基于局部敏感哈希处理，并基于训练数据训练编码器和解码器；
对训练后的自编码神经网络进行性能评估，获得自编码器评估结果；
在自编码器评估结果不满足预设条件时，调整编码器、解码器的权重和偏置，并跳转至在编码器的输入层基于局部敏感哈希处理，并基于训练数据训练编码器和解码器的步骤；
在自编码器评估结果满足预设条件时，对特征提取数据集基于训练后的自编码神经网络进行特征降维，获得降维数据集。
示例性地，分类器模块500还用于：
构建极限学习机模型；
基于核函数将降维数据映射到高维空间，获得极限学习机训练数据；
基于极限学习机训练数据训练极限学习机模型的输出层权重，获得训练后的极限学习机模型；
对训练后的极限学习机模型进行性能评估，获得极限学习机评估结果；
在极限学习机评估结果不满足预设条件时，调整核函数的参数和极限学习机模型的参数并跳转至基于核函数将降维数据映射到高维空间，获得极限学习机训练数据的步骤；
在极限学习机评估结果满足预设条件时，基于训练后的极限学习机模型，获得电池安全性能分类器。
需要注意的是，本申请实施例提供的电池安全性能的检测系统与图1至图5所示的方法实施例相对应，为避免重复，此处不再赘述。
本申请还提供一种电子设备，请参见图7，图7为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中，通信总线540用于实现这些组件直接的连接通信。其中，本申请实施例中电子设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片，具有信号的处理能力。
上述的处理器510可以是通用处理器，包括中央处理器(CPU，CentralProcessingUnit)、网络处理器(NP，NetworkProcessor)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是，但不限于，随机存取存储器（RAM，RandomAccessMemory），只读存储器（ROM，Read Only Memory），可编程只读存储器（PROM ，Programmable Read-OnlyMemory），可擦除只读存储器（EPROM ，Erasable Programmable Read-Only Memory），电可擦除只读存储器（EEPROM ，Electric Erasable Programmable Read-Only Memory）等。存储器530中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器510执行时，电子设备可以执行上述图1至图5方法实施例涉及的各个步骤。
可选地，电子设备还可以包括存储控制器、输入输出单元。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。
可以理解，图7所示的结构仅为示意，所述电子设备还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。
本申请还提供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，使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中，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，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (8)

1.一种电池安全性能的检测方法，其特征在于，包括：
获取样本电池检测数据；
对所述样本电池检测数据进行样本生成，获得扩充电池检测数据集；
对所述扩充电池检测数据集进行特征提取，获得特征提取数据集；
对所述特征提取数据集进行特征降维，获得降维数据集；
将所述降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器；
基于所述电池安全性能分类器对待检测电池进行检测，获得电池安全性能检测结果；
对所述样本电池检测数据进行样本生成，获得扩充电池检测数据集的步骤，包括：
对所述样本电池检测数据进行清洗和标准化处理，获得标准化电池检测数据；
通过交替最小二乘法算法在特征空间中对所述标准化电池检测数据进行优化处理，获得优化电池检测数据；
基于样本生成策略和所述优化电池检测数据进行样本生成，获得新增电池检测数据集；
基于所述样本电池检测数据和所述新增电池检测数据集，获得扩充电池检测数据集。
2.根据权利要求1所述的电池安全性能的检测方法，其特征在于，基于所述样本电池检测数据和所述新增电池检测数据集，获得扩充电池检测数据集的步骤，包括：
对所述新增电池检测数据集进行质量评估，获得质量评估数据，其中所述质量评估包括特征空间分布一致性检测、异常值检测和类别平衡性检测中的一种或多种；
根据所述质量评估数据自适应调整所述样本生成策略，并根据调整后的样本生成策略生成反馈函数；
在所述反馈函数不满足预设条件时，跳转至所述对所述新增电池检测数据集进行质量评估，获得质量评估数据的步骤；
在所述反馈函数满足预设条件时，基于调整后的样本生成策略和所述优化电池检测数据进行样本生成，获得调整后电池检测数据集，并基于所述调整后电池检测数据和所述新增电池检测数据集，获得扩充电池检测数据集。
3.根据权利要求1所述的电池安全性能的检测方法，其特征在于，对所述扩充电池检测数据集进行特征提取，获得特征提取数据集的步骤，包括：
初始化设置灰狼优化算法和构建神经网络模型；
通过所述灰狼优化算法对所述神经网络模型的权重和偏置进行迭代调整，获得迭代后的神经网络模型，其中，在每次迭代中，根据预设概率决定探索策略或开发策略对所述神经网络模型进行调整；
所述扩充电池检测数据集基于所述迭代后的神经网络模型进行特征提取，获得特征提取数据集。
4.根据权利要求1所述的电池安全性能的检测方法，其特征在于，对所述特征提取数据集进行特征降维，获得降维数据集的步骤，包括：
构建自编码神经网络，所述自编码神经网络包括编码器和解码器；
在所述编码器的输入层基于局部敏感哈希处理，并基于训练数据训练所述编码器和所述解码器；
对训练后的所述自编码神经网络进行性能评估，获得自编码器评估结果；
在所述自编码器评估结果不满足预设条件时，调整所述编码器、所述解码器的权重和偏置，并跳转至在所述编码器的输入层基于局部敏感哈希处理，并基于训练数据训练所述编码器和所述解码器的步骤；
在所述自编码器评估结果满足预设条件时，对所述特征提取数据集基于训练后的所述自编码神经网络进行特征降维，获得降维数据集。
5.根据权利要求1所述的电池安全性能的检测方法，其特征在于，将所述降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器的步骤，包括：
构建极限学习机模型；
基于核函数将所述降维数据映射到高维空间，获得极限学习机训练数据；
基于所述极限学习机训练数据训练所述极限学习机模型的输出层权重，获得训练后的极限学习机模型；
对训练后的极限学习机模型进行性能评估，获得极限学习机评估结果；
在所述极限学习机评估结果不满足预设条件时，调整所述核函数的参数和所述极限学习机模型的参数并跳转至基于核函数将所述降维数据映射到高维空间，获得极限学习机训练数据的步骤；
在所述极限学习机评估结果满足预设条件时，基于训练后的极限学习机模型，获得电池安全性能分类器。
6.一种电池安全性能的检测系统，其特征在于，包括：
样本数据模块，用于获取样本电池检测数据；
扩充数据模块，用于对所述样本电池检测数据进行样本生成，获得扩充电池检测数据集；
特征提取模块，用于对所述扩充电池检测数据集进行特征提取，获得特征提取数据集；
降维数据模块，用于对所述特征提取数据集进行特征降维，获得降维数据集；
分类器模块，用于将所述降维数据集输入到极限学习机模型中进行训练，获得电池安全性能分类器；
性能检测模块，用于基于所述电池安全性能分类器对待检测电池进行检测，获得电池安全性能检测结果；
所述扩充数据模块具体用于：
对所述样本电池检测数据进行清洗和标准化处理，获得标准化电池检测数据；
通过交替最小二乘法算法在特征空间中对所述标准化电池检测数据进行优化处理，获得优化电池检测数据；
基于样本生成策略和所述优化电池检测数据进行样本生成，获得新增电池检测数据集；
基于所述样本电池检测数据和所述新增电池检测数据集，获得扩充电池检测数据集。
7.一种电子设备，其特征在于，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权利要求1至权利要求5任一项所述的电池安全性能的检测方法的步骤。
8.一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权利要求1至权利要求5任一项所述的电池安全性能的检测方法。
CN202410582627.6A 2024-05-11 2024-05-11 一种电池安全性能的检测方法及系统 Active CN118151020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410582627.6A CN118151020B (zh) 2024-05-11 2024-05-11 一种电池安全性能的检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410582627.6A CN118151020B (zh) 2024-05-11 2024-05-11 一种电池安全性能的检测方法及系统

Publications (2)

Publication Number Publication Date
CN118151020A CN118151020A (zh) 2024-06-07
CN118151020B true CN118151020B (zh) 2024-08-09

Family

ID=91297186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410582627.6A Active CN118151020B (zh) 2024-05-11 2024-05-11 一种电池安全性能的检测方法及系统

Country Status (1)

Country Link
CN (1) CN118151020B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118393368B (zh) * 2024-06-28 2024-09-10 广汽埃安新能源汽车股份有限公司 一种电池续航能力评估方法、装置、存储介质及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684363A (zh) * 2020-12-18 2021-04-20 北京工业大学 一种基于放电过程的锂离子电池健康状态估计方法
CN117665604A (zh) * 2023-10-20 2024-03-08 合肥国轩高科动力能源有限公司 电池采样异常识别方法、装置、存储介质及电子设备
CN117892251A (zh) * 2024-03-18 2024-04-16 山东神力索具有限公司 基于人工智能的索具锻造工艺参数监测预警方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117825998A (zh) * 2023-12-29 2024-04-05 国网陕西省电力有限公司电力科学研究院 一种锂离子电池剩余寿命预测方法、系统、设备及介质
CN117851921B (zh) * 2024-03-07 2024-06-18 山东能源数智云科技有限公司 基于迁移学习的设备寿命预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684363A (zh) * 2020-12-18 2021-04-20 北京工业大学 一种基于放电过程的锂离子电池健康状态估计方法
CN117665604A (zh) * 2023-10-20 2024-03-08 合肥国轩高科动力能源有限公司 电池采样异常识别方法、装置、存储介质及电子设备
CN117892251A (zh) * 2024-03-18 2024-04-16 山东神力索具有限公司 基于人工智能的索具锻造工艺参数监测预警方法及装置

Also Published As

Publication number Publication date
CN118151020A (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
Chattopadhyay et al. Data-driven predictions of a multiscale Lorenz 96 chaotic system using machine-learning methods: reservoir computing, artificial neural network, and long short-term memory network
CN110070141B (zh) 一种网络入侵检测方法
CN109408389B (zh) 一种基于深度学习的代码缺陷检测方法及装置
US10387768B2 (en) Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment
CN106453293B (zh) 一种基于改进bpnn的网络安全态势预测方法
Khayyam et al. A novel hybrid machine learning algorithm for limited and big data modeling with application in industry 4.0
KR20210040248A (ko) 물질의 생성 구조-특성 역 계산 공동 설계
Zangooei et al. Protein secondary structure prediction using DWKF based on SVR-NSGAII
CN118151020B (zh) 一种电池安全性能的检测方法及系统
CN115983087A (zh) 一种注意力机制与lstm结合检测时序数据异常方法及终端机
Zhang et al. Features fusion exaction and KELM with modified grey wolf optimizer for mixture control chart patterns recognition
Liu et al. State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network
Zhang et al. Fault diagnosis of oil-immersed power transformer based on difference-mutation brain storm optimized catboost model
Shu et al. Perf-al: Performance prediction for configurable software through adversarial learning
YAN et al. AttentionSplice: An Interpretable Multi‐Head Self‐Attention Based Hybrid Deep Learning Model in Splice Site Prediction
Pamir et al. Electricity theft detection for energy optimization using deep learning models
Parker et al. Nonlinear time series classification using bispectrum‐based deep convolutional neural networks
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
Khan et al. Forecasting renewable energy for environmental resilience through computational intelligence
CN118018272A (zh) 针对数据管理平台实现入侵防御处理的方法、装置、处理器及其计算机可读存储介质
CN117521063A (zh) 基于残差神经网络并结合迁移学习的恶意软件检测方法及装置
Rossi et al. Relational similarity machines (RSM): A similarity-based learning framework for graphs
Zhou et al. An intelligent model validation method based on ECOC SVM
CN115423091A (zh) 一种条件对抗神经网络训练方法、场景生成方法和系统

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant