基于组合特征选择的储能系统性能预测方法及装置

技术领域

本发明涉及电池管理技术领域，尤其涉及一种基于组合特征选择的储能系统性能预测方法及装置。

背景技术

氢燃料电池具有燃料适应性广、能量转化效率高、全固态、模块化组装、零污染等特点，作为船舶动力电源、交通车辆动力电源等移动电源，有广阔的应用前景。氢燃料电池被应用于分布式发电中，分布式电站由于其成本低、可维护性高等有点渐渐成为能源供应的重要组成部分。

氢燃料电池的系统性能均值体现电池运行效能，是电池寿命的关键指标。系统性能均值预测与氢燃料电池系统中运行的工况、环境因素、控制软件版本等一系列变量有相关性。这些变量相互耦合、相互影响，使燃料电池性能和获得最佳输出性能的相关参数评估面临巨大困难。现有技术中，通常通过人工定期检测实现氢燃料电池系统性能预测，但这种预测方式不仅仅实时性差，且预测准确性难以保证。

发明内容

本发明提供一种基于组合特征选择的储能系统性能预测方法及装置，用以解决现有技术中通过人工定期检测实现氢燃料电池系统性能预测的预测方式，实时性差且预测准确性难以保证的缺陷，实现增强氢燃料电池系统性能预测的实时性和预测准确性。

本发明提供一种基于组合特征选择的储能系统性能预测方法，包括：

获取目标电池系统中各目标子系统的当前性能参数，以及各所述目标子系统所属的系统类别；所述当前性能参数包括多维性能特征；

基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略和目标性能预测模型；

基于各所述目标子系统对应的特征提取策略，对所述多维性能特征进行组合特征选择，得到各所述目标子系统对应的当前目标特征；

将各所述目标子系统对应的当前目标特征输入至各所述目标子系统对应的目标性能预测模型中，得到各所述目标子系统的当前性能预测值；

根据所有所述目标子系统的当前性能预测值，确定所述目标电池系统的当前性能预测值；

其中，各所述目标子系统对应的目标性能预测模型是基于决策树算法、各所述目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签，对预先构建的深度学习模型进行训练得到的。

根据本发明提供的一种基于组合特征选择的储能系统性能预测方法，所述方法还包括：

对于每一所述目标子系统执行以下步骤：

获取当前目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签；

基于卡方检验算法，计算所述历史性能参数中各性能特征与所述性能标签之间的第一相关系数；

基于斯皮尔曼算法，计算所述历史性能参数中各性能特征与所述性能标签之间的第二相关系数；

根据所述第一相关系数和所述第二相关系数，确定所述当前目标子系统所属的系统类别对应的特征提取策略；

建立所述当前目标子系统所属的系统类别与所述特征提取策略之间的映射关系；

基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略，包括：

根据所述映射关系以及各所述目标子系统所属的系统类别，获取各所述目标子系统对应的特征提取策略。

根据本发明提供的一种基于组合特征选择的储能系统性能预测方法，所述根据所述第一相关系数和所述第二相关系数，确定所述当前目标子系统所属的系统类别对应的特征提取策略，包括：

将所述第一相关系数与第一预设值进行对比；

根据对比结果，在所述历史性能参数中确定所述第一相关系数大于所述第一预设值的至少一个性能特征；

在所述至少一个性能特征中确定所述第二相关系数大于第二预设值的性能特征；

根据所述第二相关系数大于第二预设值的性能特征，确定所述当前目标子系统所属的系统类别对应的特征提取策略。

根据本发明提供的一种基于组合特征选择的储能系统性能预测方法，各所述目标子系统对应的目标性能预测模型的训练步骤包括：

获取各所述目标子系统所属的系统类别下的样本子系统的所述历史性能参数以及所述样本子系统的性能标签；

基于各所述样本子系统对应的特征提取策略，对所述样本子系统的所述多维性能特征进行组合特征选择，得到所述样本子系统对应的历史目标特征；

根据所述历史目标特征和所述性能标签，构建样本数据集；

将所述样本数据集划分为训练集和测试集；

根据所述训练集以及所述决策树算法，对所述深度学习模型进行训练；

根据所述测试集，对训练后的深度学习模型的模型性能进行测试，在所述训练后的深度学习模型未通过测试的情况下，对所述训练后的深度学习模型的模型结构和/或模型参数进行调整；

继续根据所述训练集以及所述决策树算法，对调整后的深度学习模型进行训练，直到训练后的深度学习模型通过测试，得到各所述目标子系统对应的目标性能预测模型。

根据本发明提供的一种基于组合特征选择的储能系统性能预测方法，在所述基于各所述样本子系统对应的特征提取策略，对所述样本子系统的所述多维性能特征进行组合特征选择，得到所述样本子系统对应的历史目标特征之前，所述方法还包括：

基于稳态处理算法，确定所述样本子系统在各历史时刻的历史性能参数中是否存在非稳态的性能特征；

在确定任一历史时刻的所述历史性能参数中存在非稳态的性能特征的情况下，将所述任一历史时刻的所述历史性能参数以及所述性能标签删除。

根据本发明提供的一种基于组合特征选择的储能系统性能预测方法，所述根据所有所述目标子系统的当前性能预测值，确定所述目标电池系统的当前性能预测值，包括：

对所有所述目标子系统的当前性能预测值进行加权相加或者求平均值，得到所述目标电池系统的当前性能预测值。

本发明还提供一种基于组合特征选择的储能系统性能预测装置，包括：

获取模块，用于获取目标电池系统中各目标子系统的当前性能参数，以及各所述目标子系统所属的系统类别；所述当前性能参数包括多维性能特征；

第一确定模块，用于基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略和目标性能预测模型；

选择模块，用于基于各所述目标子系统对应的特征提取策略，对所述多维性能特征进行组合特征选择，得到各所述目标子系统对应的当前目标特征；

预测模块，用于将各所述目标子系统对应的当前目标特征输入至各所述目标子系统对应的目标性能预测模型中，得到各所述目标子系统的当前性能预测值；

第二确定模块，用于根据所有所述目标子系统的当前性能预测值，确定所述目标电池系统的当前性能预测值；

其中，各所述目标子系统对应的目标性能预测模型是基于决策树算法、各所述目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签，对预先构建的深度学习模型进行训练得到的。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于组合特征选择的储能系统性能预测方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于组合特征选择的储能系统性能预测方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于组合特征选择的储能系统性能预测方法。

本发明提供的基于组合特征选择的储能系统性能预测方法及装置，通过首先获取目标电池系统中各目标子系统的当前性能参数和各目标子系统所属的系统类别；并获取各目标子系统所属的系统类别，根据获取到的系统类别确定各目标子系统对应的特征提取策略和目标性能预测模型；接着根据对应的特征提取策略，对各目标子系统的当前性能参数进行组合特征选择，获取各目标子系统对应的当前目标特征；然后，将各目标子系统对应的当前目标特征输入至对应的目标性能预测模型中，将输出结果作为各目标子系统的当前性能预测值，继而对进行各目标子系统的当前性能预测值整合确定目标电池系统的当前性能预测值，建立了一套完整的全自动化电池性能预测流程，针对各目标子系统自适应地选择相应的特征提取策略和相应的目标性能预测模型，实现对目标电池系统进行实时有效地性能预测的同时，提高预测准确性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。

图1是本发明提供的基于组合特征选择的储能系统性能预测方法的流程示意图；

图2是本发明提供的目标子系统的结构示意图；

图3是本发明提供的各性能特征之间的相关性示意图；

图4是本发明提供的确定特征提取策略的流程示意图；

图5是本发明提供的目标能耗预测模型训练过程的流程示意图；

图6是本发明提供的运用决策树算法进行模型训练的流程示意图；

图7是本发明提供的系统性能预测值与系统性能实际值的对比示意图；

图8是本发明提供的目标子系统对应的目标性能预测模型训练过程和预测过程的流程示意图；

图9是本发明提供的基于组合特征选择的储能系统性能预测装置的结构示意图；

图10是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本实施例提供的基于组合特征选择的储能系统性能预测方法及装置可应用于各种电池系统的性能预测，如氢燃料电池、锌空气电池等，本实施例对此不作具体地限定，以下以氢燃料电池为例进行说明，对于其他电池可进行适应性替换。

氢燃料电池是将氢气和氧气的化学能直接转换成电能的发电装置，基本原理是将氢气送到燃料电池的阳极板(负极)，经过催化剂(铂)的作用，氢原子中的一个电子被分离出来，失去电子的氢离子(质子)穿过质子交换膜，到达燃料电池阴极板(正极)，而电子不能通过质子交换膜，只能经外部电路，到达燃料电池阴极板，从而在外电路中产生电流。氢离子到达阴极板后，与氧原子、电子重新结合为水。氢燃料电池系统主要包括电池堆、氢气路、空气路、冷却路、电气路五部分。电池堆的主要作用是将氢气和空气转换成电能；空气路的主要作用是将空气输送给电池堆，并排出电池堆生成的水；氢气路的主要作用是将氢气输送给电池堆；冷却路的主要作用是调节电池堆的运行温度；电气路的主要作用是利用电池堆生成的电能。

氢燃料电池具有燃料适应性广、能量转化效率高、全固态、模块化组装、零污染等特点，作为船舶动力电源、交通车辆动力电源、空间宇航等移动电源，有广阔的应用前景。氢燃料电池被应用于分布式发电中，分布式电站由于其成本低、可维护性高等有点渐渐成为能源供应的重要组成部分。氢燃料电池的系统性能均值体现电池运行效能，是电池寿命的关键指标。系统性能均值预测与氢燃料电池系统中运行的工况、环境因素、控制软件版本等一系列变量有相关性。这些变量相互耦合、相互影响，使燃料电池性能和获得最佳输出性能的相关参数评估面临巨大困难。现有技术中，通常通过人工定期检测实现氢燃料基于组合特征选择的储能系统性能预测，但这种预测方式不仅仅实时性差，且检测精度难以保证。

针对上述问题，本申请提出一种基于组合特征选择的储能系统性能预测方法，通过分析各变量与目标电池系统的当前性能预测值之间的动态变化，构建以当前性能预测值为核心的算法模型，提供了一种更为科学有效的氢燃料电池性能计算及分析方法，在准确且实时计算当前性能水平的同时，还可以分析影响燃料电池系统性能的因素。可为氢燃料电池系统的性能分析、设计优化和运营改进提供数字孪生模拟手段，为氢燃料电池的设计、制造、运行及维护全生命周期提供助力。

需要说明的是，该方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本发明不作具体限定。

下面结合图1-图8描述本发明的基于组合特征选择的储能系统性能预测方法。

图1是本实施例提供的基于组合特征选择的储能系统性能预测方法的流程示意图，如图1所示，该方法包括：

步骤101，获取的当前目标电池系统中各目标子系统的当前性能参数，以及各所述目标子系统所属的系统类别；所述当前性能参数包括多维性能特征；

以下以目标电池系统为氢燃料电池系统描述本实施例。其中，各目标子系统为当前目标电池系统中根据不同位置、环境等因素设置的相同或不同类型的子系统。

图2为本实施例提供的目标子系统的结构示意图，如图2所示，目标子系统系统可以是包括多个关键元件，如电堆、电气路、冷却路、氢气路和空气路。其中，电堆可以是包括由一个或多个氢燃料电池组成的电池堆；电气路可以是包括DCDC(Direct Current-DirectCurrent，直流变换器)和电机；冷却路可以是包括散热风扇、电加热装置、节温器和冷却泵；氢气路可以是包括氢气泵；空气路可以是包括空压机和加湿器。

其中，各目标子系统的性能参数为电池当前周期运行时各关键元件产生的参数数据，可以是包括设定参数和实际参数，其中设定参数可以是根据目标子系统的额定运行情况预先设置的参数值；实际参数可以是在目标子系统的回路中根据反馈信息得到的回路实际参数。

示例性的，本实施例中各目标子系统的性能参数可以是包括电堆参数、电气路参数、冷气路参数、氢气路参数、空气路参数和环境参数等。

电堆参数可以是包括控制程序版本号参数、系统状态参数、系统警告参数、最值电压节数参数、性能标签参数、电堆反馈参数、限功率标志位参数、低温标志位参数、最高警告等级参数、氢气浓度参数紧急停机标志位参数、警告停机标志位参数、燃料电池温度探针总数参数、FCU(Fuel Cell Unit，燃料电池系统)心跳信号参数、电导率参数、电堆标准差参数、部件维护次数参数等；其中，最值电压节数参数可以是包括最大电压节数参数和最小电压节数参数等；电堆反馈参数可以是包括一项或多项可控电堆反馈数据；部件维护次数参数可以是抱愧一项或多项部件维护次数数据。

电气路参数可以是包括电气路电流参数、DCDC参数、降压DCDC参数和电气路设定参数等。其中，电气路电流参数可以是包括一项或多项电气路电流反馈数据；DCDC参数可以是包括DCDC警告参数、DCDC温度参数、DCDC心跳参数、DCDC状态参数等；DCDC参数可以是包括降压DCDC状态餐宿、降压DCDC输出电流参数、降压DCDC输出电压参数、降压DCDC警告参数、降压DCDC温度参数和降压DCDC心跳参数等；电气路设定参数可以是对于上述电气路电流参数、DCDC参数和降压DCDC参数等参数中的一项参数或多项参数的额定运行情况预先设置的参数值。

冷气路参数可以是包括冷却路反馈参数、水泵参数、水泵反馈参数、PTC(Pulse-Tube Cryocooler，脉冲管制冷机)参数、PTC反馈参数、冷却液参数和冷却路设定参数等。其中冷却路反馈参数可以是包括一项或多项冷却路可控反馈数据和一项或多项冷却路非可控反馈数据；水泵参数可以是包括水泵警告参数和水泵心跳参数等；水泵反馈参数可以是包括一项或多项水泵反馈数据；PTC参数可以是包括PTC警告说明参数、PTC工作状态参数和PTC心跳参数等；PTC反馈参数可以是包括一项或多项PTC反馈数据；冷却液参数可以是包括冷却液液位参数等；冷却路设定参数可以是对于上述冷却路反馈参数、水泵参数、水泵反馈参数、PTC参数、PTC反馈参数和冷却液参数等参数中的一项参数或多项参数的额定运行情况预先设置的参数值。

氢气路参数可以是包括氢气循环泵参数、氢气循环泵反馈参数、氢气泵反馈参数、储氢压力参数、储氢送FCU心跳参数、FCU送储氢心跳参数、储氢参数、氢气路反馈参数和氢气路设定参数等。其中，氢气循环泵参数可以是包括氢气循环泵状态参数和氢气循环泵心跳参数等；氢气循环泵反馈参数可以是包括一项或多项氢气循环泵反馈数据；氢气泵反馈参数可以是包括一项或多项氢气泵反馈数据；储氢压力参数可以是包括一项或多项储氢压力值反馈数据；储氢参数可以是包括储氢最高浓度参数、储氢最高浓度号参数、储氢最高温度参数、储氢状态参数、储氢警告等级参数和储氢警告码参数等；氢气路反馈参数可以是包括一项或多项氢气路反馈数据；氢气路设定参数可以是对于上述氢气循环泵参数、氢气循环泵反馈参数、氢气泵反馈参数、储氢压力参数、储氢送FCU心跳参数、FCU送储氢心跳参数、储氢参数和氢气路反馈参数等参数中的一项参数或多项参数的额定运行情况预先设置的参数值。

空气路参数可以是包括空气路反馈参数、气量调整次数、空压机参数、空压机反馈参数、空压机控制器反馈参数和空气路设定参数等。其中空气路反馈参数可以是包括一项或多项空气路可控反馈数据和一项或多项空气路非可控反馈数据；空压机参数可以是包括空压机心跳参数、空压机软件版本参数和空压机警告标志参数等；空压机反馈参数可以是包括一项或多项空压机反馈数据；空压机控制器反馈参数可以是包括一项或多项空压机控制器反馈数据；空气路设定参数可以是对于上述空气路反馈参数、气量调整次数、空压机参数、空压机反馈参数、空压机控制器反馈参数和空气路设定参数等参数中的一项参数或多项参数的额定运行情况预先设置的参数值。

环境参数可以是包括环境反馈参数、整车反馈参数、整车设定参数、车辆参数、累计行驶里程参数、接电母线参数和电流极限参数等。其中环境反馈参数可以是包括一项或多项环境反馈数据；整车反馈参数可以是包括一项或多项整车反馈数据；整车设定参数可以是对于上述整车反馈参数中的一项参数或多项参数的额定运行情况预先设置的参数值；车辆参数可以是包括车辆运行模式参数和车辆充电状态参数等；接电母线参数可以是包括接电母线电流参数和接电母线电压参数等；电流极限参数可以是包括回充电流极限参数和放电电流极限参数等，本实施例对此不作具体地限定。

其中，各目标子系统的当前性能参数包括各目标子系统的性能参数在当前时刻下的数据，或者包括各目标子系统的性能参数在当前时刻下的数据，以及在当前时刻之前的多个历史时刻下的数据。

首先，扫描目标电池系统中各目标子系统，根据扫描结果获取各目标子系统的当前性能参数和各目标子系统所属的系统类别。

可选地，确定各目标子系统所属的系统类别，可以是首先获取各目标子系统对应的子系统编号，再根据预先设置的子系统编号和系统类别之间的映射关系，获取各目标子系统所属的系统类别。

步骤102，基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略和目标性能预测模型；

然后，可以是根据各系统类别与特征提取策略之间预先设置的映射关系以及各目标子系统所属的系统类别，获取目标子系统对应的特征提取策略；相似地，根据各系统类别与目标性能预测模型之间预先设置的映射关系以及各目标子系统所属的系统类别，获取目标子系统对应的目标性能预测模型。

其中，各所述目标子系统对应的目标性能预测模型是基于决策树算法、各所述目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签，对预先构建的深度学习模型进行训练得到的。

可选地，对于目标性能预测模型的建立，可以是针对不同的系统类别一对一分别建立多个目标性能预测模型并将各系统类别与各性能预测模型以映射关系的形式进行存储。

在执行步骤102之前，需要针对不同的系统类别一对一分别建立相应的性能预测模型，并建立不同的系统类别与相应的性能预测模型之间一对一的映射关系。

对于每一系统类别对应的性能预测模型，其构建步骤包括：

首先获取在该系统类别下的样本子系统在全生命周期的各个历史时刻下的历史性能参数以及性能标签。

在获取到样本子系统的历史性能参数以及性能标签后，可以根据样本子系统对应的特征提取策略对样本子系统的历史性能参数进行组合特征选择，获取样本子系统对应的历史目标特征，接着根据历史目标特征和性能标签构建样本数据集，并将样本数据集划分为训练集和测试集，然后根据训练集以及决策树算法，对深度学习模型进行迭代训练直到训练后的深度学习模型通过运用测试集进行的测试，得到各目标子系统对应的目标性能预测模型。

步骤103，基于各所述目标子系统对应的特征提取策略，对所述多维性能特征进行组合特征选择，得到各所述目标子系统对应的当前目标特征；

针对不同特征提取策略提取的特征不尽相同。

接着根据目标子系统对应的特征提取策略，即可确定针对当前性能参数所需选择的特征，以从当前性能参数中提取出相应的当前目标特征，并将当前目标特征输入目标子系统对应的目标性能预测模型以获取目标子系统的当前性能预测值。

步骤104，将各所述目标子系统对应的当前目标特征输入至各所述目标子系统对应的目标性能预测模型中，得到各所述目标子系统的当前性能预测值；

其中，当前性能预测值可以是目标性能预测模型对于目标子系统在当前时刻的实时性能值的预测。

可选地，基于目标能耗预测模型对目标特征进行学习，即可预测输出得到目标车辆的当前时刻的能耗预测值。

步骤105，根据所有所述目标子系统的当前性能预测值，确定所述目标电池系统的当前性能预测值；

可选地，目标电池系统的当前性能预测值的获取方式可以是根据实际场景对各目标子系统的当前性能预测值进行叠加(加权相加)获取，也可以是通过将各目标子系统的当前性能预测值输入预先设置的评分模型进行训练获取，本实施例对此不作具体地限定。

本实施例通过首先获取目标电池系统中各目标子系统的当前性能参数和各目标子系统所属的系统类别；并获取各目标子系统所属的系统类别，根据获取到的系统类别确定各目标子系统对应的特征提取策略和目标性能预测模型；接着根据对应的特征提取策略，对各目标子系统的当前性能参数进行组合特征选择，获取各目标子系统对应的当前目标特征；然后，将各目标子系统对应的当前目标特征输入至对应的目标性能预测模型中，将输出结果作为各目标子系统的当前性能预测值，继而对进行各目标子系统的当前性能预测值整合确定目标电池系统的当前性能预测值，建立了一套完整的全自动化电池性能预测流程，针对各目标子系统自适应地选择相应的特征提取策略和相应的目标性能预测模型，实现对目标电池系统进行实时有效地性能预测的同时，提高预测准确性。

在一些实施例中，所述方法还包括：

对于每一所述目标子系统执行以下步骤：

获取当前目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签；基于卡方检验算法，计算所述历史性能参数中各性能特征与所述性能标签之间的第一相关系数；基于斯皮尔曼算法，计算所述历史性能参数中各性能特征与所述性能标签之间的第二相关系数；根据所述第一相关系数和所述第二相关系数，确定所述当前目标子系统所属的系统类别对应的特征提取策略；建立所述当前目标子系统所属的系统类别与所述特征提取策略之间的映射关系；

基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略，包括：根据所述映射关系以及各所述目标子系统所属的系统类别，获取各所述目标子系统对应的特征提取策略。

首先，根据当前目标子系统所属的系统类别，获取该系统类别对应的样本子系统，并扫描样本子系统，根据扫描结果获取样本子系统在全生命周期的各历史时刻的历史性能参数以及性能标签。

可选地，性能标签可以是根据不同的样本子系统的各历史时刻的历史性能参数进行预先标记得到的；换言之，样本子系统的各历史时刻的历史性能参数与性能标签之间存在一一对应的映射关系，根据样本子系统的各历史时刻的历史性能参数可以获取样本子系统的性能标签。

可选地，预先可以根据各目标子系统所属的系统类别，对样本子系统及其数据进行组合分类并以子系统编号方式存储，以将样本子系统所在的电池系统的原始数据划分为多个类别的样本子系统数据，并针对不同类别的样本子系统数据进行相应的性能预测模型构建，可以降低每一性能预测模型构建的数据量，在特征层面解决数据量过大的问题，减少时间开销，增加预测效果。

数据分类就是把具有某种共同属性或特征的数据归并在一起，通过其类别的属性或特征来对数据进行区别。换句话说，就是相同内容、相同性质的信息以及要求统一管理的信息集合在一起，而把相异的和需要分别管理的信息区分开来，然后确定各个集合之间的关系，形成一个有条理的分类系统。数据分类的目的是根据新数据对象的属性，将其分配到一个正确的类别中。数据分类强调的是根据种类的不同按照属性、特征而进行的划分。

接着对各系统类别下的各样本子系统进行特征选择，以确定各系统类别对应的特征提取策略。高维数据的研究极具挑战，在保证学习算法预测精度的前提下，随着特征维数的提升，训练时样本需求量会呈指数形式增加。而特征选择能够去除一些不相关、冗余的特征，从而达到缩减维度、减少特征个数、减少运行时间和提高算法的运行时间等作用。卡方检验算法和斯皮尔曼(Spearman)算法是两种比较常用的特征选择方法。

如图3所示，为以某一样本子系统的历史时刻为例，各性能特征之间的相关性不尽相同，部分性能特征之间的相关性几乎为0，严重影响电池性能预测。

可选地，可以基于卡方检验算法，计算历史性能参数中各性能特征与性能标签之间的第一相关系数；其中第一相关系数可以是卡方检验算法计算得到的卡方值。

卡方检验中X

其中，A为实际频数，T为理论频数，X

同样地，可以基于斯皮尔曼算法，计算历史性能参数中各性能特征与性能标签之间的第二相关系数；其中第二相关系数可以是斯皮尔曼算法计算得到的斯皮尔曼相关系数。

斯皮尔曼相关系数是非参数指标，计算按采用的数据是秩。当某外部因素是影响系统性能均值的主要特征时，值接近于1，反之则接近于0。斯皮尔曼相关系数的计算表达式为：

其中，ρ为2组向量间的斯皮尔曼相关系数；n为样本个数；R、S分别为各性能特征与性能标签；R

接着，根据第一相关系数和第二相关系数，确定当前目标子系统所属的系统类别对应的特征提取策略；

可选地，目标子系统所属的系统类别对应的特征提取策略可以是根据样本子系统中相对更敏感的一项或多项性能特征，即相似度更高的一项或多项性能特征等方式进行确定；示例性的，可以是选择第一相关系数和第二相关系数分别高于预设阈值的性能特征集合，并根据该性能特征集合确定特征提取策略；也可以是将第一相关系数和第二相关系数进行加权相加得到总相关系数，并根据总相关系数高于预设阈值的性能特征集合确定特征提取策略，本实施例对此不作具体地限定。

可选地，接着建立当前目标子系统所属的系统类别与特征提取策略之间的映射关系，可以是配置当前目标子系统所属的系统类别与特征提取策略之间直接存在的映射关系；也可以是通过对当前目标子系统所属的系统类别设置标识并将其与目标特征提取策略一一对应以构建映射关系，本实施例对此不作具体地限定。

建立特征提取策略与每一目标子系统所属的系统类别之间的映射关系后，即可根据映射关系以及目标子系统所属的系统类别，获取目标子系统所属的系统类别对应的目标特征提取策略。

相应地，根据映射关系获取目标子系统所属的系统类别对应的特征提取策略时，可以是根据二者间的映射关系直接获取，也可以是根据对于目标子系统所属的系统类别预先设置的标识与目标特征提取策略之间的映射关系进行获取，本实施例对此不作具体地限定。

本实施例通过对于每一目标子系统，获取当前目标子系统所属的系统类别下的样本子系统及其在各历史时刻的历史性能参数以及性能标签；接着基于卡方检验算法和基于斯皮尔曼算法，分别计算历史性能参数中各性能特征与性能标签之间的第一相关系数和第二相关系数；然后根据第一相关系数和第二相关系数，确定当前目标子系统所属的系统类别对应的特征提取策略，并建立当前目标子系统所属的系统类别与特征提取策略之间的映射关系；即可实现根据映射关系以及各目标子系统所属的系统类别，获取各目标子系统对应的特征提取策略，更具灵活性地获取可适用于各目标子系统所属的系统类别的特征提取策略，以助于实现对目标电池系统进行实时有效地性能预测，减少时间开销，增加预测效果。

在一些实施例中，所述根据所述第一相关系数和所述第二相关系数，确定所述当前目标子系统所属的系统类别对应的特征提取策略，包括：将所述第一相关系数与第一预设值进行对比；根据对比结果，在所述历史性能参数中确定所述第一相关系数大于所述第一预设值的至少一个性能特征；在所述至少一个性能特征中确定所述第二相关系数大于第二预设值的性能特征；根据所述第二相关系数大于第二预设值的性能特征，确定所述当前目标子系统所属的系统类别对应的特征提取策略。

图4为本实施例提供的确定特征提取策略的流程示意图。如图4所示，确定当前目标子系统所属的系统类别对应的特征提取策略具体包括如下步骤：

步骤401，数据准备，即为获取当前目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签；

步骤402，完成数据准备后，可以对数据进行预处理；

步骤403，接着在完成卡方值计算后，可以是根据第一预设值和计算得到的第一相关系数，将各性能特征分为高区间和低区间并获取划分结果；

步骤404，根据划分结果选择高区间的性能特征构成特征子集；

将历史性能参数中各性能特征的第一相关系数与第一预设值进行对比，根据对比结果在历史性能参数中确定第一相关系数大于第一预设值的至少一个性能特征(即为特征子集)。

步骤405，完成基于斯皮尔曼算法计算特征子集的第二相关系数后，将得到的第二相关系数与第二预设值进行对比并获取对比结果；

步骤406，剔除不满足第二预设值所确定的区间的特征，将剩下的性能特征构成新的特征子集；即在至少一个性能特征中，将第二相关系数小于等于第二预设值的性能特征剔除，确定保留的第二相关系数大于第二预设值的性能特征。

步骤407，完成特征选择，将保留的第二相关系数大于第二预设值的性能特征所组成的集合，作为当前目标子系统所属的系统类别对应的特征提取策略，结束当前步骤。

本实施例通过首先将第一相关系数与第一预设值进行对比获取对比结果，并根据对比结果在历史性能参数中确定第一相关系数大于第一预设值的至少一个性能特征；接着在至少一个性能特征中确定第二相关系数大于第二预设值的性能特征，并根据第二相关系数大于第二预设值的性能特征，确定当前目标子系统所属的系统类别对应的特征提取策略，实现，针对各目标子系统自适应地选择相应的特征提取策略，有助于对目标电池系统进行实时有效地性能预测。

图5是本实施例提供的目标能耗预测模型的训练过程的流程示意图，如图5所示，在一些实施例中，各所述目标子系统对应的目标性能预测模型的训练步骤包括：

步骤501，获取各所述目标子系统所属的系统类别下的样本子系统的所述历史性能参数以及所述样本子系统的性能标签；

其中，历史性能参数包括当前时刻之前的一个或多个历史时刻采集的样本子系统的性能参数。

需要说明的是，对于任一历史时刻下的样本子系统，该样本子系统对应的历史性能参数可以是仅包括该历史时刻下的性能参数；或者是包括该历史时刻下的性能参数，以及该历史时刻之前的多个历史时刻的性能参数。

步骤502，基于各所述样本子系统对应的特征提取策略，对所述样本子系统的所述多维性能特征进行组合特征选择，得到所述样本子系统对应的历史目标特征；

根据样本子系统对应的特征提取策略可以对历史性能参数对应的目标特征进行组合特征选择，以便于深度学习模型的训练。

由于不同的样本子系统中特征相关性不同，选择的特征也不尽相同，因此对于样本子系统的历史性能参数，训练时分别采用独立的深度学习模型，选取在样本子系统中历史性能参数进行组合特征选择得到的历史目标特征作为模型的输入，实现样本子系统的有效区分和深度学习模型的高效学习训练。

步骤503，根据所述历史目标特征和所述性能标签，构建样本数据集；

将每一样本子系统对应的历史目标特征和该样本子系统的性能标签一一对应地进行存储，并将不同系统类别下的所有样本子系统形成不同系统类别对应的样本数据集；

步骤504，将所述样本数据集划分为训练集和测试集；

步骤505，根据所述训练集以及所述决策树算法，对所述深度学习模型进行训练；

利用LightGBM(Light Gradient Boosting Machine，决策树)算法进行模型训练。LightGBM是基于分布式梯度提升树(Gradient Boosting Decision Tree，GBDT)的集成强学习器模型，凭借其快速、低内耗、高准确性等优势被应用于回归问题。LightGBM将决策树作为基学习器，其训练公式可表示为：

其中，H

图6为本实施例提供的运用决策树算法进行模型训练的流程示意图。

LightGBM算法针对样本多的问题提出了基于梯度的单边采样算法(Gradient-based One-Side Sampling，GOSS)，针对特征多的问题提出了互斥特征捆绑算法(Exclusive Feature Bundling，EFB)。以训练集采用GOSS算法采样为例为例，如图6所示，运用决策树算法进行模型训练的步骤如下：

首先，开始模型训练；

接着，选取训练集中的大梯度训练样本；

LightGBM算法可以是利用求得的梯度对训练样本进行筛选。梯度越大应该是越欠学习。如果大梯度训练样本能够预测正确，对增益的贡献将会更大，所以希望节点分裂时能够准确地划分大梯度训练样本，小梯度训练样本可以有错误。既然如此，筛选训练样本的时候，就保留完整训练集中的大梯度训练样本。

接着，选取训练集中的小梯度训练样本；

接着，构建新小梯度训练样本；

在尽量保持数据分布不变的情况下，对训练集中的小梯度训练样本进行抽样。

接着，合并样本；

将完整的大梯度训练样本和采样后的小梯度训练样本进行合并，得到新的训练集。

接着，训练弱学习器；

将新的训练集输入模型以训练弱学习器。

接着，判断是否达到迭代终止条件；

若判断为达到迭代终止条件的情况下，将参数空间中的模型参数输入深度学习模型的最终预测结果；否则，重新回到选取大梯度训练样本的步骤，并继续进行迭代训练。

最后，输出最终预测结果。

步骤506，根据所述测试集，对训练后的深度学习模型的模型性能进行测试，在所述训练后的深度学习模型未通过测试的情况下，对所述训练后的深度学习模型的模型结构和/或模型参数进行调整；

步骤507，继续根据所述训练集以及所述决策树算法，对调整后的深度学习模型进行训练，直到训练后的深度学习模型通过测试，得到各所述目标子系统对应的目标性能预测模型。

每次训练完成后，需要判断深度学习模型是否达到迭代终止条件，即运用测试集对训练后的深度学习模型的模型性能进行测试。

若训练后的深度学习模型未通过测试，则对训练后的深度学习模型的模型结构和/或模型参数进行调整，然后继续根据训练集以及决策树算法，对调整后的深度学习模型进行训练，直到训练后的深度学习模型通过测试，得到各目标子系统对应的目标性能预测模型；若训练后的深度学习模型通过测试，则将训练后的深度学习模型作为目标性能预测模型。

示例性的，模型参数可以是包括num_leaves(叶节点数)、learning_rate(学习率)、feature_fraction(选择特征数)、bagging_fraction(使用数据量)、max_depth(最大深度)、min_child_weight(样本权重总和)等参数中的一项或多项的组合。其中num_leaves可以是用于控制每个决策树的叶子节点数；learning_rate可以是用于在梯度下降过程中更新每个模型的权重的速度；feature_fraction可以是用于控制在每一次决策树生长时选择多少特征；bagging_fraction可以是用于控制在每次迭代中，模型将使用多少数据；max_depth可以是用于决定决策树的深度，即每个叶节点所达到的最大深度；min_child_weight可以是最小子节点中的所有样本权重总和，本实施例对此不作具体地限定。

可以理解的是，在得到目标性能预测模型后，为了有效地评价预测效果，本实施例研究了以下三种回归模型的常用评价指标：

均方根误差(Root Mean Squared Error，RMSE)是预测值与真实值偏差的平方与观测次数比值的平方根，在实际测量中，观测次数总是有限的，真值只能用最可信赖值来代替。计算方法见下式：

平均绝对误差(Mean Absolute Error，MAE)是真实值和预测值之间的平均绝对误差，通常用来衡量预测与实际结果的接近程度。计算方法见下式：

决定系数(R

如表1所示，为采用R

表1模型性能预测结果汇总表

图7为系统性能预测值与系统性能实际值的对比示意图，如图7所示，可以发现本实施例目标性能预测模型能够准确有效地预测出电池系统的性能，表明了本实施例目标性能预测模型的优越性。

本实施例通过首先获取各目标子系统所属的系统类别下的样本子系统，并获取样本子系统的历史性能参数以及样本子系统的性能标签；接着根据各样本子系统对应的特征提取策略，对样本子系统的历史目标特征进行组合特征选择，得到样本子系统对应的历史目标特征，并将历史目标特征和性能标签进行整合，构建样本数据集；然后将得到的样本数据集划分为训练集和测试集；根据训练集以及决策树算法，对深度学习模型进行训练，接着根据测试集对训练后的深度学习模型的模型性能进行测试，若训练后的深度学习模型未通过测试，则调整训练后的深度学习模型的模型结构和/或模型参数，并继续对调整后的深度学习模型进行训练，直到训练后的深度学习模型通过测试，最终得到各目标子系统对应的目标性能预测模型，实现针对各目标子系统自适应地选择相应的目标性能预测模型，有助于实现对目标电池系统进行实时有效地性能预测的同时，提高预测准确性。

在一些实施例中，在所述基于各所述样本子系统对应的特征提取策略，对所述样本子系统的所述多维性能特征进行组合特征选择，得到所述样本子系统对应的历史目标特征之前，所述方法还包括：基于稳态处理算法，确定所述样本子系统在各历史时刻的历史性能参数中是否存在非稳态的性能特征；在确定任一历史时刻的所述历史性能参数中存在非稳态的性能特征的情况下，将所述任一历史时刻的所述历史性能参数以及所述性能标签删除。

运用稳态处理算法判断样本子系统在各历史时刻的历史性能参数中是否存在非稳态的性能特征，对于每一历史时刻的历史性能参数，若该历史时刻的历史性能参数中存在非稳态的性能特征，则需要将该历史时刻样本子系统的历史性能参数和该历史时刻的样本子系统的性能标签删除；若该历史时刻的历史性能参数中不存在非稳态的性能特征，则保留将该历史时刻样本子系统的历史性能参数和该历史时刻的样本子系统的性能标签。

其中，运用稳态处理算法对特征数据进行处理的具体步骤如下：

第一步：筛选留下FCU送VCU心跳参数连续变化的数据；

其中，连续变化是指相邻60行内有变化，若大于60行无变化，则只保留第一行数据。

第二步：筛选留下最高警告等级参数为1或0的数据；

第三步：筛选留下电气路设定参数1(自变量)为192的数据；

第四步：在第三步的基础上，筛选留下连续大于600行的数据为一组；

其中，连续是指该组数据内没有任何一行被筛除。

第五步：筛选留下同时满足74.5<冷却路反馈参数3(可控)<77.5与74.5<冷却路反馈参数5(可控)<77.5的数据；

第六步：筛除每组数据的前180行数据。

完成稳态处理后历史性能参数转化为稳态数据。电池稳态是指电池连续稳定运行状态，按照特定规则筛选稳态性能评价指标是判断氢燃料电池系统性能的前提。

图8为目标子系统对应的目标性能预测模型训练过程和预测过程的流程示意图。如图8所示，以目标电池系统为氢燃料电池系统为例，目标性能预测模型训练和预测全过程步骤如下：

首先，开始模型训练；

接着，收集氢燃料电池系统中的历史性能参数；

接着，对历史性能参数进行数据分组，获取样本子系统的历史性能参数；

接着，对历史性能参数进行稳态处理；

接着，对稳态处理后的历史性能参数进行特征选择，获取历史目标特征；

可以理解的是，获取历史目标特征后，将历史目标特征和性能标签进行整合，构建样本数据集。

接着，将样本数据集拆分为训练集和测试集；

接着，根据训练集以及LightGBM算法，对深度学习模型进行训练；

接着，根据测试集对训练后的深度学习模型的模型性能进行模型验证，判断训练后的深度学习模型是否通过测试；

在训练后的深度学习模型未通过测试的情况下，对训练后的深度学习模型的模型结构和/或模型参数进行调整，并继续根据训练集以及决策树算法，对调整后的深度学习模型进行训练，直到训练后的深度学习模型通过测试。

接着，得到各目标子系统对应的目标性能预测模型，并将目标子系统对应的当前目标特征输入至各目标子系统对应的目标性能预测模型；

目标子系统对应的当前目标特征的获取是通过首先获取目标电池系统中各目标子系统的当前性能参数，以及各目标子系统所属的系统类别；当前性能参数包括多维性能特征，然后基于各目标子系统所属的系统类别，确定各目标子系统对应的特征提取策略和目标性能预测模型，然后基于各目标子系统对应的特征提取策略，对组合特征选择进行组合特征选择得到各目标子系统对应的当前目标特征。

最后，将输出结果作为目标子系统的当前性能预测值。

本实施例通过基于稳态处理算法判断样本子系统在各历史时刻的历史性能参数中是否存在非稳态的性能特征，若确定任一历史时刻的历史性能参数中存在非稳态的性能特征的情况下，删除任一历史时刻的历史性能参数以及性能标签，实现将历史性能参数转化为稳态数据，有助于提高池性能预测准确性。

在一些实施例中，所述根据所有所述目标子系统的当前性能预测值，确定所述目标电池系统的当前性能预测值，包括：对所有所述目标子系统的当前性能预测值进行加权相加或者求平均值，得到所述目标电池系统的当前性能预测值。

可选地，目标电池系统的当前性能预测值，可以是通过对所有目标子系统的当前性能预测值进行加权相加或者求平均值进行获取；示例性的，本实施例中对每一目标子系统的当前性能预测值按照下式进行计算，以获取目标电池系统的当前性能预测值：

其中U

本实施例通过对所有目标子系统的当前性能预测值进行加权相加或者求平均值得到目标电池系统的当前性能预测值，有助于实现对目标电池系统进行实时有效地性能预测的同时，提高预测准确性。

下面对本发明提供的基于组合特征选择的储能系统性能预测装置进行描述，下文描述的基于组合特征选择的储能系统性能预测装置与上文描述的基于组合特征选择的储能系统性能预测方法可相互对应参照。

如图9所示，为本发明提供的基于组合特征选择的储能系统性能预测装置的结构示意图，该装置包括：

获取模块901，用于获取目标电池系统中各目标子系统的当前性能参数，以及各所述目标子系统所属的系统类别；所述当前性能参数包括多维性能特征；

第一确定模块902，用于基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略和目标性能预测模型；

选择模块903，用于基于各所述目标子系统对应的特征提取策略，对所述多维性能特征进行组合特征选择，得到各所述目标子系统对应的当前目标特征；

预测模块904，用于将各所述目标子系统对应的当前目标特征输入至各所述目标子系统对应的目标性能预测模型中，得到各所述目标子系统的当前性能预测值；

第二确定模块905，用于根据所有所述目标子系统的当前性能预测值，确定所述目标电池系统的当前性能预测值；

其中，各所述目标子系统对应的目标性能预测模型是基于决策树算法、各所述目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签，对预先构建的深度学习模型进行训练得到的。

本实施例提供的基于组合特征选择的储能系统性能预测装置，通过首先获取目标电池系统中各目标子系统的当前性能参数和各目标子系统所属的系统类别；并获取各目标子系统所属的系统类别，根据获取到的系统类别确定各目标子系统对应的特征提取策略和目标性能预测模型；接着根据对应的特征提取策略，对各目标子系统的当前性能参数进行组合特征选择，获取各目标子系统对应的当前目标特征；然后，将各目标子系统对应的当前目标特征输入至对应的目标性能预测模型中，将输出结果作为各目标子系统的当前性能预测值，继而对进行各目标子系统的当前性能预测值整合确定目标电池系统的当前性能预测值，建立了一套完整的全自动化电池性能预测流程，针对各目标子系统自适应地选择相应的特征提取策略和相应的目标性能预测模型，实现对目标电池系统进行实时有效地性能预测的同时，提高预测准确性。

在一些实施例中，第一确定模块902具体用于对于每一所述目标子系统执行以下步骤：获取当前目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签；基于卡方检验算法，计算所述历史性能参数中各性能特征与所述性能标签之间的第一相关系数；基于斯皮尔曼算法，计算所述历史性能参数中各性能特征与所述性能标签之间的第二相关系数；根据所述第一相关系数和所述第二相关系数，确定所述当前目标子系统所属的系统类别对应的特征提取策略；建立所述当前目标子系统所属的系统类别与所述特征提取策略之间的映射关系；基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略，包括：根据所述映射关系以及各所述目标子系统所属的系统类别，获取各所述目标子系统对应的特征提取策略。

在一些实施例中，第一确定模块902还用于：将所述第一相关系数与第一预设值进行对比；根据对比结果，在所述历史性能参数中确定所述第一相关系数大于所述第一预设值的至少一个性能特征；在所述至少一个性能特征中确定所述第二相关系数大于第二预设值的性能特征；根据所述第二相关系数大于第二预设值的性能特征，确定所述当前目标子系统所属的系统类别对应的特征提取策略。

在一些实施例中，基于组合特征选择的储能系统性能预测装置还包括训练模块，训练模块具体用于：获取各所述目标子系统所属的系统类别下的样本子系统的所述历史性能参数以及所述样本子系统的性能标签；基于各所述样本子系统对应的特征提取策略，对所述样本子系统的所述多维性能特征进行组合特征选择，得到所述样本子系统对应的历史目标特征；根据所述历史目标特征和所述性能标签，构建样本数据集；将所述样本数据集划分为训练集和测试集；根据所述训练集以及所述决策树算法，对所述深度学习模型进行训练；根据所述测试集，对训练后的深度学习模型的模型性能进行测试，在所述训练后的深度学习模型未通过测试的情况下，对所述训练后的深度学习模型的模型结构和/或模型参数进行调整；继续根据所述训练集以及所述决策树算法，对调整后的深度学习模型进行训练，直到训练后的深度学习模型通过测试，得到各所述目标子系统对应的目标性能预测模型。

在一些实施例中，训练模块还用于：基于稳态处理算法，确定所述样本子系统在各历史时刻的历史性能参数中是否存在非稳态的性能特征；

在确定任一历史时刻的所述历史性能参数中存在非稳态的性能特征的情况下，将所述任一历史时刻的所述历史性能参数以及所述性能标签删除。

在一些实施例中，第二确定模块905具体用于：对所有所述目标子系统的当前性能预测值进行加权相加或者求平均值，得到所述目标电池系统的当前性能预测值。

图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1001、通信接口(Communications Interface)1002、存储器(memory)1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信。处理器1001可以调用存储器1003中的逻辑指令，以执行基于组合特征选择的储能系统性能预测方法，该方法包括：获取目标电池系统中各目标子系统的当前性能参数，以及各所述目标子系统所属的系统类别；所述当前性能参数包括多维性能特征；基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略和目标性能预测模型；基于各所述目标子系统对应的特征提取策略，对所述多维性能特征进行组合特征选择，得到各所述目标子系统对应的当前目标特征；将各所述目标子系统对应的当前目标特征输入至各所述目标子系统对应的目标性能预测模型中，得到各所述目标子系统的当前性能预测值；根据所有所述目标子系统的当前性能预测值，确定所述目标电池系统的当前性能预测值；其中，各所述目标子系统对应的目标性能预测模型是基于决策树算法、各所述目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签，对预先构建的深度学习模型进行训练得到的。

本发明实施例提供的电子设备是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。

此外，上述的存储器1003中的逻辑指令可以通过软件功能单元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，本发明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)执行本发明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。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于组合特征选择的储能系统性能预测方法，该方法包括：获取目标电池系统中各目标子系统的当前性能参数，以及各所述目标子系统所属的系统类别；所述当前性能参数包括多维性能特征；基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略和目标性能预测模型；基于各所述目标子系统对应的特征提取策略，对所述多维性能特征进行组合特征选择，得到各所述目标子系统对应的当前目标特征；将各所述目标子系统对应的当前目标特征输入至各所述目标子系统对应的目标性能预测模型中，得到各所述目标子系统的当前性能预测值；根据所有所述目标子系统的当前性能预测值，确定所述目标电池系统的当前性能预测值；其中，各所述目标子系统对应的目标性能预测模型是基于决策树算法、各所述目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签，对预先构建的深度学习模型进行训练得到的。

本发明实施例提供的电子设备是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于组合特征选择的储能系统性能预测方法，该方法包括：获取目标电池系统中各目标子系统的当前性能参数，以及各所述目标子系统所属的系统类别；所述当前性能参数包括多维性能特征；基于各所述目标子系统所属的系统类别，确定各所述目标子系统对应的特征提取策略和目标性能预测模型；基于各所述目标子系统对应的特征提取策略，对所述多维性能特征进行组合特征选择，得到各所述目标子系统对应的当前目标特征；将各所述目标子系统对应的当前目标特征输入至各所述目标子系统对应的目标性能预测模型中，得到各所述目标子系统的当前性能预测值；根据所有所述目标子系统的当前性能预测值，确定所述目标电池系统的当前性能预测值；其中，各所述目标子系统对应的目标性能预测模型是基于决策树算法、各所述目标子系统所属的系统类别下的样本子系统在各历史时刻的历史性能参数以及性能标签，对预先构建的深度学习模型进行训练得到的。

本发明实施例提供的电子设备是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。