电池分选参数的选取方法、装置、计算机设备和存储介质

技术领域

本申请涉及电池回收领域，尤其涉及一种电池分选参数的选取方法、装置、计算机设备和存储介质。

背景技术

随着电动汽车对动力电池的性能要求较高，当动力电池的容量下降到一定程度后，为了确保电动汽车的动力性能、续驶里程和运行过程中的安全性能，就必须对其进行更换。从电动汽车上更换下来的电池，仍具有较高的剩余容量。锂离子电池具有比能量高、高温特性好、循环寿命长等优点，在作为电动汽车动力电池退役后，经过筛选和重新配组，有可能应用于工况相对良好、对电池性能要求相对较低的场合，实现动力电池的梯级利用。在对退役电池进行分选时，可采用的分选方法可以大概分为静态分选方法和动态分选方法。

然而，所述静态分选方法可以采用的参数和所述动态分选方法可以采用的参数不同且种类较多，根据不同的参数对电池进行分选的结果也各不相同，并且引入较多参数会造成电池分选时的聚类困难。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提供合适的参数，实现对电池组的有效分选的电池分选参数的选取方法、装置、计算机设备和存储介质。

一种电池分选参数的选取方法，包括：

获取电池分选的多个特征字段，以及各特征字段对应的多个分选参数的历史数据，并根据获取的多个特征字段和多个历史数据形成原始数据集；

通过训练XGBoost模型从原始数据集中选取出目标数据集；

根据目标数据集输出各分选参数的目标重要度值；

根据目标重要度值确定目标数据集中多个分选参数中的至少一个作为目标参数。

在其中一个实施例中，通过训练XGBoost模型从原始数据集中选取出目标数据集，包括：

根据原始数据集训练第一XGBoost模型，并获取第一XGBoost模型的第一预测准确率；

选择多个特征字段中的一个作为备选字段，并根据备选字段和备选字段对应的多个分选参数的历史数据形成备选子数据集；

根据备选子数据集训练第二XGBoost模型，并获取第二XGBoost模型的第二预测准确率；

当预测差值满足预设条件时，确定当前的备选子数据集作为目标数据集，预测差值为第二预测准确率与第一预测准确率之间的差值。

在其中一个实施例中，选择多个特征字段中的一个作为备选字段前，还包括：

根据第一XGBoost模型获取原始数据集中每个特征字段的训练次序值；

按照从小到大的顺序对训练次序值对应的多个特征字段进行排序，以获取字段训练序列；

选择多个特征字段中的一个作为备选字段，包括：

选择字段训练序列中的第一个特征字段作为备选字段。

在其中一个实施例中，当预测差值满足预设条件时，确定当前的备选子数据集作为目标数据集，包括：

当预测差值小于或者等于差值阈值时，确定当前的备选子数据集为目标数据集。

在其中一个实施例中，通过训练XGBoost模型从原始数据集中选取出目标数据集，还包括：

当预测差值不满足预设条件时，选择字段训练序列中的下一个特征字段作为新的备选字段，根据新的备选字段更新备选子数据集；

根据更新后的备选子数据重复执行根据备选子数据集训练第二XGBoost模型的步骤，直至更新后的第二XGBoost模型的预测差值满足预设条件。

在其中一个实施例中，根据原始数据集训练第一XGBoost模型，并获取第一XGBoost模型的第一预测准确率，包括：

根据原始数据集构造样本训练集及样本测试集；

根据样本训练集训练第一XGBoost模型；

根据样本测试集测试第一XGBoost模型，以获取第一预测准确率。

在其中一个实施例中，分选参数的历史数据包括静态分选参数数据和动态分选参数数据。

一种电池分选参数的选取装置，包括：

采集模块，用于获取电池分选的多个特征字段，以及各特征字段对应的多个分选参数的历史数据，并根据获取的多个特征字段和多个历史数据形成原始数据集；

训练模块，用于通过训练XGBoost模型从原始数据集中选取出目标数据集；

输出模块，用于根据目标数据集输出中各分选参数的目标重要度值；

确定模块，用于根据目标重要度值确定目标数据集中多个分选参数中的至少一个作为目标参数。

一种计算机设备，包括：

处理器；及

存储器，存储器存储有计算机程序，处理器执行计算机程序时实现如上述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述的方法的步骤。

上述电池分选参数的选取方法、装置、计算机设备和存储介质，所述电池分选参数的选取方法，包括：获取电池分选的多个特征字段，以及各特征字段对应的多个分选参数的历史数据，并根据获取的多个特征字段和多个历史数据形成原始数据集；通过训练XGBoost模型从原始数据集中选取出目标数据集；根据目标数据集输出各分选参数的目标重要度值；根据目标重要度值确定目标数据集中多个分选参数中的至少一个作为目标参数。XGBoost(Extreme Gradient Boosting)是一种提升树模型，Boosting算法的思想是将许多弱分类器集成在一起，通过加入新的弱学习器，来纠正前面所有弱学习器的残差，最终这样多个学习器相加在一起用来进行最终预测，准确率就会比单独的一个分类器要高，从而形成一个强分类器。通过XGBoost模型训练电池分选过程中的历史参数数据及其对应的特征字段构成的原始数据集，选取出重要的目标数据集，并基于目标数据集训练出目标XGBoost模型，获得其目标数据集中分选参数的目标重要度值，并根据目标重要度值选取出目标数据集中至少一个分选参数作为电池分选过程中的目标参数。本申请利用XGBoost算法模型的特点结合电池分选参数的历史数据的选取方法，能够得到合适的电池分选时使用的参数，解决了电池分选过程中较多不同参数的引入造成的分选聚类困难的问题。

附图说明

图1为一个实施例中电池分选参数的选取方法的流程示意图之一；

图2为一个实施例中电池分选参数的选取方法的流程示意图之二；

图3为一个实施例中电池分选参数的选取方法的流程示意图之三；

图4为一个实施例中电池分选参数的选取方法的流程示意图之四；

图5为一个实施例中电池分选参数的选取装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种电池分选参数的选取方法，包括以下步骤：

步骤S100，获取电池分选的多个特征字段，以及各特征字段对应的多个分选参数的历史数据，并根据获取的多个特征字段和多个历史数据形成原始数据集。

其中，上述特征字段描述的是根据参数数据对电池组进行分选时的分选特征，例如耗时长，准确度低、准确度高，成本低等。以退役锂电池组为例子，每个所述退役锂电池组包括多个单体电池。选取分选过程中耗时短时对应的历史数据，形成一个子原始数据集，多个特征字段对应其历史数据构成原始数据集。

步骤S200，通过训练XGBoost模型从原始数据集中选取出目标数据集。

具体地，原始数据集中包括多个历史参数数据和多个特征字段，每个特征字段对应于多个历史参数数据。重要数据集是指对XGBoost模型起到主要贡献度的特征字段及特征字段对应的多个历史参数数据。

步骤S300，根据目标数据集输出中各分选参数的目标重要度值。

具体地，XGBoost模型在训练结束时，会输出各特征字段的重要度值，所述重要度值用以表示各分选参数对XGBoost模型的贡献程度。重要度值越大，表明其对应的分选参数对XGBoost模型的贡献程度越大；重要度值越小，表明其对应的分选参数对XGBoost模型的贡献程度越小。

步骤S400，根据目标重要度值确定目标数据集中多个分选参数中的至少一个作为目标参数。

具体地，由于所述目标数据集的数据量远小于原始数据集的数据量，并且是从原始数据集中挑选出来的更具重要性的目标数据集。再从目标数据集中筛选出来的数据对应的参数，就可以作为用户对电池组进行筛选时采用的目标参数。并且由于太少参数的引入会造成电池分选结果不准确的问题；而太多参数的引入又会出现电池分选时聚类困难的问题。因此，为了选取合适的参数，需要选择重要度值大的参数，并且选取的参数数量不能过少，也不能过多。例如，选取数量可以大于或等于2且小于或等于4。

上述电池分选参数的选取方法中，通过XGBoost模型强大的分类特性和历史参数数据的结合，利用输出的重要度值选取至少一个目标参数作为电池分选参数，替代了电池分选过程中毫无分类性的多个分选参数，解决了分选聚类困难的问题。

在其中一个实施例中，如图2所示，步骤S200通过训练XGBoost模型从原始数据集中选取出目标数据集，包括：

步骤S210，根据原始数据集训练第一XGBoost模型，并获取第一XGBoost模型的第一预测准确率。

其中，预测准确率是根据XGBoost模型输出的预测值与真实值计算得到的步骤S220，选择多个特征字段中的一个作为备选字段，并根据备选字段和备选字段对应的多个分选参数的历史数据形成备选子数据集。

步骤S230，根据备选子数据集训练第二XGBoost模型，并获取第二XGBoost模型的第二预测准确率。

步骤S240，当预测差值满足预设条件时，确定当前的备选子数据集作为目标数据集，预测差值为第二预测准确率与第一预测准确率之间的差值。

具体地，当预测差值满足预设条件时，表明第二预测准确率对应的目标数据集对第二XGBoost模型起到了主要的贡献作用，使得第一XGBoost模型与第二XGBoost模型之间的预测能力满足预设条件。

本实施例中，通过训练原始数据集得到可对比的预测准确率，再继续训练其子数据集得到与之对比的预测准确率，当满足条件时选择出相应的子数据集用于替代原始数据集，能够准确且快速的选取在分选过程中最具有代表性的目标数据集，既具有与原始数据集近似的准确率，同时减少了分选参数数据集，进而加速电池分选。

在其中一个实施例中，如图3所示，步骤S220选择多个特征字段中的一个作为备选字段前，还包括：

步骤S221，根据第一XGBoost模型获取原始数据集中每个特征字段的训练次序值；

具体地，训练次序值对应于训练第一XGBoost输出的每一个特征字段的重要度值，重要度值越高的对应于预先设置的最小的训练次序值，依次按照重要度从大到小的顺序，用预先设置的训练次序值按照升序进行标序。

步骤S222，按照从小到大的顺序对训练次序值对多个特征字段进行排序，以获取字段训练序列；

具体地，字段训练序列可以为[X

其中，步骤S220选择多个特征字段中的一个作为备选字段，包括：

步骤S223，选择字段训练序列中的第一个特征字段作为备选字段。例如，选取X

本实施例中，通过将基于XGBoost模型训练的原始数据集中的各特征字段按照规则进行排序，有利于优先对贡献度大的子数据集进行训练，快速准确找到合适的子数据集，减少不必要的训练资源浪费。

在其中一个实施例中，步骤S240当预测差值满足预设条件时，确定当前的备选子数据集作为目标数据集，包括：

当预测差值小于或者等于差值阈值时，确定当前的备选子数据集为目标数据集。

本实施例中，通过对比基于所述子原始数据集训练出的XGBoost模型的预测准确率与基于所述原始数据集训练出的XGBoost模型的预测准确率相差不大时，即可确定出能够对XGBoost模型的预测准确率起主要贡献度的重要数据集。表明利用XGBoost模型强分类的特点达到可将子数据集替代原始数据的能力。

在其中一个实施例中，S200通过训练XGBoost模型从原始数据集中选取出目标数据集，还包括：

步骤S250，当预测差值不满足预设条件时，选择字段训练序列中的下一个特征字段作为新的备选字段，根据新的备选字段更新备选子数据集；

具体地，当预测差值不满足预设条件时，表明当前特征字段对应的子数据集训练的XGBoost模型预设能力与原始数据集训练的XGBoost模型预设能力差别较大，无法实现替代原始数据的功能，因此，需要继续寻找下一个特征字段对应的数据集更新用于替代原始数据集的子原始数据集。

步骤S260，根据更新后的备选子数据重复执行根据备选子数据集训练第二XGBoost模型的步骤，直至更新后的第二XGBoost模型的预测差值满足预设条件。

本实施例中，通过不断的从原始数据集中获取子原始数据集，并依次训练出XGBoost模型，直至找到合适的目标数据集，能够准确定位到目标参数，并且能够节约资源。

在其中一个实施例中，如图4所示，步骤S210根据原始数据集训练第一XGBoost模型，并获取第一XGBoost模型的第一预测准确率，包括：

步骤S211，根据原始数据集构造样本训练集及样本测试集；

步骤S212，根据样本训练集训练第一XGBoost模型；

步骤S213，根据样本测试集测试第一XGBoost模型，以获取第一预测准确率。

其中，在所有训练XGBoost模型都需要构造样本训练集及样本测试集，并根据样本训练集训练XGBoost模型，根据样本测试集测试XGBoost模型，以获取其XGBoost的预测准确率。具体地，可以按照以下步骤完成步骤S211：

S2111：根据原始数据集构造正负样本集。

为了训练XGBoost模型，需要先构造XGBoost模型需要的训练数据，再根据所述训练数据构造正负样本集。以训练第一XGBoost模型为例，所述训练数据为原始数据集。具体地，可以获取原始数据集中正样本的历史参数数据以及所述历史参数数据对应的特征字段以及负样本的历史参数数据以及所述历史参数数据对应的特征字段；将正样本的历史参数数据以及所述历史参数数据对应的特征字段标注类别，以使正样本的历史参数数据以及所述历史参数数据对应的特征字段携带类别标签。需要说明的是，所述正样本的历史参数数据以及所述历史参数数据对应的特征字段，是指通过分选方法选择电池组为可梯次利用的电池组时采用的参数以及对应的特征字段；所述负样本的历史参数数据以及所述历史参数数据对应的特征字段，是指通过分选方法选择电池组为待拆解的电池组时采用的参数以及对应的特征字段。

S2112：从所构造的正负样本集中生成正负样本训练集及正负样本测试集。

在其中一个实施例中，训练XGBoost模型时可以采用交叉验证(CrossValidation)的思想，将构造的正负样本集按照合适的比例进行划分成正负样本训练集及正负样本测试集。例如，合适的划分比例为6:4。

在其中一个实施例中，可以预先设置一个预设数量的固定值。例如，500。即在所生成的正负样本训练集中随机挑选出500个样本参与XGBoost模型的训练。也可以预先设置一个预设数量的比例值，例如，1/10，即在所生成的正负样本训练集中随机挑选1/10比例的样本参与XGBoost模型的训练。

具体地，可以按照以下步骤完成步骤S212-S213：

(3)利用所述正负样本训练集训练XGBoost模型，并利用所述正负样本测试集验证训练后的XGBoost模型的准确率。

在其中一个实施例中，所述正负样本训练集用以训练XGBoost模型，所述正负样本测试集用以测试所训练出的XGBoost模型的性能。

在其中一个实施例中，先将正负样本训练集中的训练样本分发到不同的文件夹里然后从不同的文件夹里分别提取第一预设比例(例如，70％)的训练样本作为总的训练样本进行XGBoost模型的训练，从不同的文件夹里分别取剩余第二预设比例(例如，30％)的训练样本作为总的测试样本对训练完成的XGBoost模型进行准确性验证。

应该理解的是，虽然图1-图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在其中一个实施例中，分选参数的历史数据包括静态分选参数数据和动态分选参数数据。

静态分选参数数据是指电池电芯参数与工作状态无关，通常被用来做静态分选的参数包括电池的容量，开路电压和内阻等。静态分选无法反应电池工作过程中的参数特点，准确度差。并且电池的电化学反应是一个复杂的动态过程，简单的用电池的几个静态参数，无法准确概括电池中的电芯的未来特性。动态分选参数数据包括电池的电压、容量、内阻、放电平台、电芯厚度、充电极化电压和放电极化电压等参数。动态分选耗时较长、工序多，成本大。本实施例通过对电池分选过程中的历史参数进行分析和评估，通过XGBoost模型来评价所述静态分选和所述动态分选过程中的哪些参数能得到较好的分选结果，以供用户参考使用。

在其中一实施例中，电池分选参数的选取方法可以按照以下详细步骤实施：

(1)采集退役电池在历史分选过程中使用到的所有数据，其中包括静态分选法的用到的静态分选参数数据和动态分选法的用到的动态分选参数数据，将采集到的特征字段以及特征字段对应的历史参数数据汇集成原始数据集。

(2)将原始数据中70％数据用于训练第一XGBoost模型，剩余30％数据用于计算第一XGBoost模型的第一预测准确率，可以理解地是，训练样本集以及测试样本集可以其他占比值，只要达到训练XGBoost模型以及对其准确率计算即可。

(3)训练第一XGBoost模型结束后输出原始数据中各特征字段的重要度值，并对重要度值进行降序排序，选取位于排序后第一位的重要度值对应的特征字段作为备选字段，并将备选字段的对应的数据集作为备选子数据集，根据备选子数据集重复上述(2)步骤，训练获得第二XGBoost模型，并计算其第二预测准确率。

(4)当第一预测准确率和第二预测准确率之间的预测差值小于或者等于差值阈值时，表明两种数据集训练出的XGBoost模型预测准确率相差不大，较少数据的备选子数据集可替代原始数据集作为目标数据集；当预测差值大于差值阈值时，表明当前备选数据集不可替代原始数据集作为目标数据集，继续选取上述步骤(3)中位于排序后一位的重要度值对应的特征字段作为备选字段，重复上述(2)和(3)步骤获得新的第二预测准确率，直至预测差值小于或者等于差值阈值时，停止寻找备选子数据集，将当前备选子数据集作为目标数据集。

(5)找到目标数据集后，将基于当前目标数据集训练XGBoost模型输出的各分选参数的目标重要度值，根据重要度值进行降序排序。

(6)根据目标重要度值确定目标数据集中多个分选参数中的至少一个作为目标参数。可以理解的是，目标参数的选取需要选择重要度值大的参数，并且选取的参数数量不能过少，也不能过多，可以根据电池分选实际需求决定。

在一个实施例中，如图5所示，提供了一种电池分选参数的选取装置100，包括：采集模块110、训练模块120、输出模块130和确定模块140，其中：

采集模块110，用于获取电池分选的多个特征字段，以及各特征字段对应的多个分选参数的历史数据，并根据获取的多个特征字段和多个历史数据形成原始数据集。训练模块120，用于通过训练XGBoost模型从原始数据集中选取出目标数据集。输出模块130用于根据目标数据集输出中各分选参数的目标重要度值。确定模块140用于根据目标重要度值确定目标数据集中多个分选参数中的至少一个作为目标参数。

关于电池分选参数的选取装置的具体限定可以参见上文中对于电池分选参数的选取方法的限定，在此不再赘述。上述电池分选参数的选取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电池分选参数的选取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本申请实施例中的计算机设备外接的电池组用于存储电量，且电池组的正极和负极均能脱出且接收载能粒子。按照电池组的应用场景，本申请实施例中外接的电池组可以包括动力电池组和储能电池组，动力电池组例如可以应用于电动汽车、电动自行车以及其它电动工具领域，储能电池组，例如可以应用于储能电站、可再生能源并网以及微电网等领域。以动力电池组为例，从电池组种类而言，该电池组可以但不限于是磷酸铁锂体系电池组或加硅体系的电池组，磷酸铁锂体系电池组为正极活性物含磷酸铁锂的锂离子电池组，加硅体系电池组为负极活性物含硅的锂离子电池组。从电池组规模而言，该电池组可以是电芯单体，也可以是电池组模组或电池组包，在本申请实施例中不做具体限定。

在本申请实施例中，所述电池组通过电源管理系统与所述处理器逻辑相连，从而通过所述电源管理系统实现充电、放电、以及功耗管理等功能。

需要说明的是，图6仅为举例说明计算机设备。在其他实施方式中，计算机设备也可以包括更多或者更少的元件，或者具有不同的元件配置。所述计算机设备可以为电动摩托、电动单车、电动汽车、手机、平板电脑、个数数字助理、个人电脑，或者任何其他适合的可充电式设备。

尽管未示出，所述计算机设备还可以包括无线保真(Wireless Fidelity，WiFi)单元、蓝牙单元、扬声器等其他组件，还包括通信接口，用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现在此不再一一赘述。

该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述存储器也可以是计算机设备的外部存储器，即外接于所述计算机设备的存储器。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的。该计算机程序被处理器执行时以实现一种电池分选参数的选取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。