首页 > 资讯 > 蓄电池健康度估算方法、装置、电子设备及存储介质与流程

蓄电池健康度估算方法、装置、电子设备及存储介质与流程

泰然健康网
2025-08-04 04:32

1.本发明涉及智能检测技术领域，尤其涉及一种蓄电池健康度估算方法、装置、电子设备及存储介质。

背景技术：

2.随着云计算、大数据技术的快速发展，很多数据的存储和处理都在数据中心进行，这就要求数据中心能够为各种存储、计算服务器提供充足稳定的电力保障。
3.交、直流不间断供电系统是数据中心机房的动力保障，保证了数据中心各种设备的供电连续性，蓄电池恰恰是不间断供电系统中的最后一道保险，其质量好坏直接关系到不间断供电系统的运行情况，因此关于蓄电池健康预测方面的研究越来越多。
4.电池的健康度值(state of health，soh)是指在一定条件下，电池所能放出的容量与电池标称容量的比值，是判断蓄电池是否可以继续提供可靠保障的指标。
5.目前蓄电池健康度估计方法，主要使用原始对比和测量的方法，即通过核对性试验及全容量试验进行估算，建立电池内阻与健康状态的对应关系，通过电池内阻特性精确的反映电池当前健康状态，由于试验周期长，不适合拥有大规模数量蓄电池的数据机房。此外，这种原始方法并不能实时掌握电池的健康度。
6.上述蓄电池容量估算方法，均需要获取蓄电池实际容量，目前经常使用的方法为全容量测试法，而每块蓄电池做一次全容量测试需要10小时左右，对于拥有上万块蓄电池的大型数据中心来说，对每一块蓄电池都进行全容量测试，几乎是一项难以完成的工作。
7.此外，根据相关维护规定，大多数数据中心每三年做一次容量试验，这样的soh测量频率，使得维护人员无法及时掌握蓄电池的工作状况，更无法及时发现隐患并消除隐患。

技术实现要素：

8.针对现有技术中关于蓄电池健康度估算的方法，普遍存在耗时长、工作量大、无法实现实时监测等问题，本发明实施例提供一种蓄电池健康度估算方法、装置、电子设备及存储介质。
9.本发明提供一种蓄电池健康度估算方法，包括：获取每个样本蓄电池的健康度值，并获取每个所述样本蓄电池的监测数据；所述健康度值为当前容量与标称容量的比值；
10.将每个所述样本蓄电池的监测数据作为一个样本数据，所述样本蓄电池的健康度值作为相应的标签，构建样本数据集；
11.基于和声搜索算法，根据所述样本数据集，确定支持向量机的最优参数，以优化所述支持向量机；
12.利用所述样本数据集，对优化后的所述支持向量机进行预训练，以获取健康度值估算模型；
13.获取目标蓄电池的监测数据，并将所述监测数据作为所述健康度值估算模型的输入，以获取由所述健康度值估算模型输出的所述目标蓄电池的健康度值。
14.根据本发明提供的一种蓄电池健康度估算方法，所述基于和声搜索算法，根据所述样本数据集，确定支持向量机的最优参数，以优化所述支持向量机，包括：
15.初始化所述支持向量机的参数，以及所述和声搜索算法的算法参数，并确定与所述支持向量机的初始参数相关的初始解空间；
16.将所述初始解空间作为所述和声搜索算法的初始和声向量，进行和声搜索算法迭代计算，以获取最优和声向量；
17.根据所述最优和声向量，确定所述支持向量机的最优参数，并将所述最优参数作为所述支持向量机的参数，以完成对所述支持向量机的优化；
18.所述初始参数为所述支持向量机初始化后的参数。所述支持向量机的参数，包括惩罚因子c和核函数参数g；
19.所述算法参数，包括和声记忆库大小hms、和声记忆库取值概率hmcr、音调微调概率par、音调微调带宽bw和最大创作次数t
max
。
20.根据本发明提供的一种蓄电池健康度估算方法，在初始化所述和声搜索算法的算法参数之后，还包括：
21.设进行和声搜索算法优化的适应度评价函数f(x)的表达式为f(x)，x＝{x1，x2…
，xn}∈rn；其中为xn为支持向量机的中需要优化的第n个参数，x为由n个成员组成的乐队，rn为n维的集合；
22.从x的解空间中随机生成hms个和声，构成和声记忆库hm。
23.根据本发明提供的一种蓄电池健康度估算方法，所述将所述初始解空间作为所述和声搜索算法的初始和声向量，进行和声搜索算法迭代计算，以获取最优和声向量，包括：
24.s1，将所述初始解空间作为所述和声搜索算法的初始和声向量，进行和声搜索算法计算，以确定所述初始和声向量对应的适应度值；
25.s2，若所述适应度值不小于hm中所有和声向量所对应的最小适应度值，则将所述初始和声向量替换hm中与所述最小适应度值对应的和声变量；
26.s3，在[0,1]之间产生一个随机数r1，并将r1与hmcr进行比较；
[0027]
若r1《hmcr，则从hm中随机取出一个和声变量，并利用par以及bw对所述和声变量进行微调，以生成新的和声变量
[0028]
否则，从x的解空间中生成一个新的和声变量；
[0029]
s4，确定所述新的和声变量对应的适应度值；
[0030]
s5，迭代执行步骤s2-s4，直至迭代次数达到t
max
为止，并确定当前hm中与最大适应度值对应的和声向量为最优和声向量。
[0031]
根据本发明提供的一种蓄电池健康度估算方法，所述监测数据，包括以下数据中的至少一种：电压、电阻以及温度。
[0032]
根据本发明提供的一种蓄电池健康度估算方法，所述和声搜索算法优化的适应度评价函数f(x)具体为svmtrain函数；
[0033]
所述支持向量机的核函数具体为径向基rbf函数。
[0034]
本发明还提供一种蓄电池健康度估算装置，包括：
[0035]
数据采集单元，用于获取每个样本蓄电池的健康度值，并获取每个所述样本蓄电池的监测数据；所述健康度值为当前容量与标称容量的比值；
[0036]
数据集构建单元，用于将每个所述样本蓄电池的监测数据作为一个样本数据，所述样本蓄电池的健康度值作为相应的标签，构建样本数据集；
[0037]
参数优化单元，用于基于和声搜索算法，根据所述样本数据集，确定支持向量机的最优参数，以优化所述支持向量机；
[0038]
模型构建单元，用于根据所述样本数据集，对优化后的所述支持向量机进行预训练，以获取健康度值估算模型；
[0039]
结果运算单元，用于根据获取的目标蓄电池的监测数据，以将所述监测数据作为所述健康度值估算模型的输入，获取由所述健康度值估算模型输出的所述目标蓄电池的健康度值。
[0040]
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蓄电池健康度估算方法的步骤。
[0041]
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蓄电池健康度估算方法的步骤。
[0042]
本发明提供的蓄电池健康度估算方法、装置、电子设备及存储介质，利用和声搜索算法优化支持向量机参数，以实现实时掌握蓄电池健康度，从而能降低因蓄电池维护不及时而导致意外事故发生的概率。
附图说明
[0043]
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。
[0044]
图1是本发明提供的蓄电池健康度估算方法的流程示意图；
[0045]
图2是本发明提供的和声搜索算法的流程示意图；
[0046]
图3是本发明提供的蓄电池健康度估算装置的结构示意图；
[0047]
图4是本发明提供的电子设备的结构示意图。
具体实施方式
[0048]
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。
[0049]
需要说明的是，在本发明实施例的描述中，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。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发
明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0050]
本发明提供一种利用和声搜索算法来优化支持向量机，然后利用预先构建的样本数据集，对优化后的支持向量机进行训练，以获取用于实时对目标蓄电池的soh进行预测的健康度值估算模型。
[0051]
下面结合图1-图4描述本发明实施例所提供的蓄电池健康度估算方法、装置、电子设备及存储介质。
[0052]
图1是本发明提供的蓄电池健康度估算方法的流程示意图，如图1所示，包括但不限于以下步骤：
[0053]
步骤101，获取每个样本蓄电池的soh，并获取每个所述样本蓄电池的监测数据；所述soh为当前容量与标称容量的比值。
[0054]
其中，其中样本蓄电池可以从不同数据机房中选择，为了确保估算结果的鲁棒性，可以采集不同型号、不同容量、不同厂家不同使用期限的蓄电池，作为样本蓄电池。
[0055]
然后，分别测量每个样本蓄电池的监测数据，如：蓄电池的输出电压、内阻以及蓄电池主体的温度，该温度可以统一为蓄电池主体的平均温度；同时，获取每个样本蓄电池的健康度值，即通过现有的蓄电池的soh测量方法，分别测量每个样本蓄电池的当前容量，并计算这一当前容量与其标称容量的比值。
[0056]
步骤102，将每个所述样本蓄电池的监测数据作为一个样本数据，所述样本蓄电池的健康度值作为相应的标签，构建样本数据集。
[0057]
将每个样本蓄电池的监测数据作为一个样本数据，将其对应样本蓄电池的soh作为标签，构建样本数据集。本发明对样本数据集所涉及的样本蓄电池的数量不作具体的限定，如可以将150个样本蓄电池所测量的监测数据以及对应的soh，组建成一个样本数据集。
[0058]
步骤103，基于和声搜索算法，根据所述样本数据集，确定支持向量机的最优参数，以优化所述支持向量机。
[0059]
和声搜索算法(harmony search，hs)是一种智能优化算法，是一个模拟在乐队演奏的过程中，乐师凭借自己的记忆不断进行调整每种乐器的音调，使整个乐队的演奏最终呈现出美妙的和声的过程。
[0060]
具体来说，hs算法是通过反复调整和声记忆库中的解变量，使函数值随着迭代次数的增加不断收敛，从而来完成优化的过程，该算法概念简单、可调参数少、容易实现。
[0061]
支持向量机(support vector machine,svm)是一种分类模型，svm模型主要目的是寻找到分类的最优超平面。具体来说，svm模型是根据有限的样本数据，利用统计学理论，寻求最佳的学习能力的分类算法。svm模型的主要优势在于：可以在有限的样本下，通过引入适当的核函数，将不同类别的样本数据分开，将线性不可分的问题转化为线性可分的问题。
[0062]
由于svm模型的不同参数，对其最终输出的结果影响较大。就本发明提供的蓄电池健康度估算方法来说，svm模型的不同参数(惩罚因子c或核函数参数g等)的取值会极大影响svm的泛化能力以及估算的性能。
[0063]
本发明提供的蓄电池健康度估算方法，主要是利用hs算法来优化svm模型的相关
参数，以通过优化后获取的相关参数对svm模型进行优化。
[0064]
步骤104，利用所述样本数据集，对优化后的所述支持向量机进行预训练，以获取健康度值估算模型；
[0065]
在完成了svm模型的优化之后，在利用预先构建的样本数据集，对优化后的svm模型进行预训练，以使得优化后的svm模型能够充分学习到soh与监测数据之间的关联关系，并由预训练后的svm模型构建出健康度值估算模型(以下简称soh估算模型)。
[0066]
具体地，在本发明所提供的蓄电池健康度估算方法中，可以采用有监督学习的方法，对优化后的svm模型进行预训练，包括：
[0067]
将样本数据集中的每个样本数据对应的监测数据作为模型的输入，将该样本数据对应的健康度值作为模型的输出，通过迭代的方式，根据交叉熵损失，分别对优化后的svm模型的模型参数进行适当的调整，以获取最终的soh估算模型。
[0068]
步骤105，获取目标蓄电池的监测数据，并将所述监测数据作为所述健康度值估算模型的输入，以获取由所述健康度值估算模型输出的所述目标蓄电池的健康度值。
[0069]
最后，若需要对任一目标蓄电池的soh进行估算，仅仅需要采集该目标电池的监测数据，并将这一检测数据输入至soh估算模型，即可以获取由soh估算模型输出的该目标蓄电池的soh。
[0070]
进一步地，可以按照相关维护规程划分的等级，根据该目标蓄电池的soh，进一步地评估出该目标蓄电池的健康度。
[0071]
例如，可以根据soh所在的数值范围，根据相关维护规程，将整个数值范围划分成不同的等级(如健康、一般、较差以及报废等四个级别)，这样在获取到任一目标蓄电池的soh之后，根据其所在的数值范围，自动确定出其对应的健康度。
[0072]
本发明提供的蓄电池健康度估算方法，利用和声搜索算法优化支持向量机参数，以实现实时掌握蓄电池健康度，从而能降低因蓄电池维护不及时而导致意外事故发生的概率。
[0073]
基于上述实施例的内容，作为一种可选实施例，上述基于和声搜索算法，根据样本数据集，确定支持向量机的最优参数，以优化支持向量机，主要包括：初始化支持向量机的参数，以及和声搜索算法的算法参数，并确定与支持向量机的初始参数相关的初始解空间；将初始解空间作为和声搜索算法的初始和声向量，进行和声搜索算法迭代计算，以获取最优和声向量；根据最优和声向量，确定支持向量机的最优参数，并将最优参数作为所述支持向量机的参数，以完成对述支持向量机的优化；初始参数为支持向量机初始化后的参数。
[0074]
作为一种可选的实施例，上述支持向量机的参数，主要包括但不限于：惩罚因子c和核函数参数g；上述算法参数，主要包括但不限于：和声记忆库大小hms、和声记忆库取值概率hmcr、音调微调概率par、音调微调带宽bw和最大创作次数t
max
。
[0075]
svm模型由于本身受设置的参数影响较大，而和声搜索算法具有很好的参数优化效果，因此本发明采用和声搜索算法对svm模型的惩罚因子c和核函数参数g进行优化，以此来优化svm模型。
[0076]
主要思路是：将上述惩罚因子c和核函数参数g看成是乐队中的两种乐器，模仿乐器调节自己的音调达到最优和声的过程，不断调节两个参数的值，寻找到最优解(c
best
,g
best
)，主要包括但不限于以下步骤：
[0077]
步骤1)，调取样本数据集，即包含有多个样本蓄电池相关的样本数据以及对应的健康度值。
[0078]
步骤2)，初始化svm模型以及初始化hs算法的参数，包括：初始化svm模型的搜索范围和初始化和声搜索算法参数，如：设定创作的最大次数t
max
、和声记忆库大小hms、和声记忆库取值概率hmcr、音调微调带宽bw、音调微调概率par、svm模型的初始适应值等数值，生成一组随机数据(c0,g0)，以此作为初始解空间。
[0079]
步骤3)，用步骤2)中得到的初始解空间(c0,g0)，作为hs算法优化的svm模型的初始值，病以此计算初始解空间(c0,g0)对应的适应度值，并以得到的适应度值的大小来对hs算法优化后的svm模型的参数惩罚因子c和核函数参数g进行评价，包括：
[0080]
通过选取当前和声记忆库中的信息，与计算的和声适应度值作对比，以从和声记忆库中选取与最优的和声适应度相对应的和声向量来更新和声记忆库。
[0081]
若不满足终止条件，会持续的更新和声记忆库。其中，所述终止条件可以是指是否达到最大迭代次数t
max
。
[0082]
如果满足了最大迭代次数搜索结束并给出搜索结果，即svm分类器的惩罚因子c和核函数参数g。
[0083]
步骤4)，根据步骤3得到的最优惩罚因子c
best
和最优核函数参数g
best
，并以此设置svm模型的参数，由此得到适用于蓄电池soh估算的健康度值估算模型的初始模型(即最优svm模型)。
[0084]
图2是本发明提供的和声搜索算法的流程示意图，作为一种可选收视率，如图2所示，在初始化所述和声搜索算法的算法参数之后，还包括：
[0085]
设进行和声搜索算法优化的适应度评价函数f(x)的表达式为f(x)，x＝{x1，x2…
，xn}∈rn；其中为xn为支持向量机的中需要优化的第n个参数，x为由n个成员组成的乐队，rn为n维的集合；从x的解空间中随机生成hms个和声，构成和声记忆库hm。
[0086]
进一步地，上述将初始解空间作为所述和声搜索算法的初始和声向量，进行和声搜索算法迭代计算，以获取最优和声向量，包括：
[0087]
s1，将所述初始解空间(c0,g0)作为hs算法的初始和声向量，进行hs算法计算，以确定初始和声向量对应的适应度值；
[0088]
s2，若适应度值不小于hm中所有和声向量所对应的最小适应度值，则将所述初始和声向量替换hm中与所述最小适应度值对应的和声变量；
[0089]
s3，在[0,1]之间产生一个随机数r1，并将r1与hmcr进行比较；
[0090]
若r1《hmcr，则从hm中随机取出一个和声变量，并利用par以及bw对所述和声变量进行微调，以生成新的和声变量
[0091]
否则，从x的解空间中生成一个新的和声变量；
[0092]
s4，确定新的和声变量对应的适应度值；
[0093]
s5，迭代执行步骤s2-s4，直至迭代次数达到t
max
为止，并确定当前hm中与最大适应度值对应的和声向量为最优和声向量。
[0094]
需要强调的是，本发明关于svm模型的参数设置，考虑了以下几点：
[0095]
svm模型常用的核函数有：线性核函数、多项式核函数、采用径向基rbf核函数和sigmoid核函数。
[0096]
由于svm算法结果受其参数的影响，因此为了得到更优的参数，本发明采用和声搜索算法优化svm模型的参数，并采用径向基rbf核函数作为svm模型的核函数，径向基rbf核函数可以将样本数据映射到一个更高维的空间内，相对于多项式核函数而言参数少，大多数不知道该选用哪种核函数的情况下，优先使用rbf核函数，形式如下：
[0097][0098]
进一步地，上述初始化svm模型的参数包括：设置svm模型的初始惩罚因子c＝2，初始核函数参数g＝0.015，并使用svmtrain函数作为适应度函数，用于在hs算法对svm模型的参数进行寻优的过程中，计算各和声向量的适应度值。
[0099]
作为一种可选实施例，关于hs算法参数设置需要强调以下几点：
[0100]
上述初始化hs算法的算法参数，包括：设置初始的和声记忆库大小hms为200、和声记忆库取值概率hmcr为9.5、音调微调概率par为0.3、音调微调带宽bw为0.01以及最大创作次数t
max
为20。
[0101]
本发明提供的蓄电池健康度估算方法，可以实现对数据中心各蓄电池soh的实时监测，可大幅减少蓄电池维护不及时所产生的问题和事故，同时更好的确保蓄电池作为机房设备电力保障的可靠性。
[0102]
为了更加充分的证明本发明所提供的蓄电池健康度估算方法的可行性，通过对中国移动(呼和浩特)数据中心的相关蓄电池进行相关验证，具体如下：
[0103]
从该数据中心随机采集到149组样本数据，其中监测数据主要包括蓄电池的电压、内阻以及温度信息。将这149组样本数据分为两部分，一部为训练样本数据；另一部分为验证样本数据。其中，训练样本数据包括139组样本数据，验证样本数据包含10组样本数据。具体的测试结果如表1所示：
[0104]
表1：实际测量的soh与估算的soh值比对表
[0105]
实际测量的soh值估算的soh值58％60％56％57％58％60％57％59％57％60％59％60％60％60％59％60％59％60％60％60％
[0106]
由表1，明显可以获知：采用本发明提供的蓄电池健康度估算方法，对149各蓄电池进行估算所获取的soh值与实际测量的soh值之间的误差很小，完全能够满足实际工作的需要，故充分证明了本发明所提供的蓄电池健康度估算方法，满足预期要求、方案有效。
[0107]
图3是本发明提供的蓄电池健康度估算装置的结构示意图，如图3所示，主要包括：
数据采集单元31、数据集构建单元32、参数优化单元33、模型构建单元34以及结果运算单元35，其中：
[0108]
数据采集单元31主要用于获取每个样本蓄电池的健康度值，并获取每个所述样本蓄电池的监测数据；所述健康度值为当前容量与标称容量的比值。
[0109]
数据集构建单元32主要用于将每个所述样本蓄电池的监测数据作为一个样本数据，所述样本蓄电池的健康度值作为相应的标签，构建样本数据集。
[0110]
参数优化单元33主要用于基于和声搜索算法，根据所述样本数据集，确定支持向量机的最优参数，以优化所述支持向量机。
[0111]
模型构建单元34主要用于根据所述样本数据集，对优化后的所述支持向量机进行预训练，以获取健康度值估算模型。
[0112]
结果运算单元35主要用于根据获取的目标蓄电池的监测数据，以将所述监测数据作为所述健康度值估算模型的输入，获取由所述健康度值估算模型输出的所述目标蓄电池的健康度值。
[0113]
需要说明的是，本发明实施例提供的蓄电池健康度估算装置，在具体执行时，可以基于上述任一实施例所述的蓄电池健康度估算方法来实现，对此本实施例不作赘述。
[0114]
本发明提供的蓄电池健康度估算装置，利用和声搜索算法优化支持向量机参数，以实现实时掌握蓄电池健康度，从而能降低因蓄电池维护不及时而导致意外事故发生的概率。
[0115]
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行蓄电池健康度估算方法，该方法包括：获取每个样本蓄电池的健康度值，并获取每个所述样本蓄电池的监测数据；所述健康度值为当前容量与标称容量的比值；将每个所述样本蓄电池的监测数据作为一个样本数据，所述样本蓄电池的健康度值作为相应的标签，构建样本数据集；基于和声搜索算法，根据所述样本数据集，确定支持向量机的最优参数，以优化所述支持向量机；利用所述样本数据集，对优化后的所述支持向量机进行预训练，以获取健康度值估算模型；获取目标蓄电池的监测数据，并将所述监测数据作为所述健康度值估算模型的输入，以获取由所述健康度值估算模型输出的所述目标蓄电池的健康度值。
[0116]
此外，上述的存储器430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。
[0117]
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存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序
指令被计算机执行时，计算机能够执行上述各方法所提供的蓄电池健康度估算方法，该方法包括：获取每个样本蓄电池的健康度值，并获取每个所述样本蓄电池的监测数据；所述健康度值为当前容量与标称容量的比值；将每个所述样本蓄电池的监测数据作为一个样本数据，所述样本蓄电池的健康度值作为相应的标签，构建样本数据集；基于和声搜索算法，根据所述样本数据集，确定支持向量机的最优参数，以优化所述支持向量机；利用所述样本数据集，对优化后的所述支持向量机进行预训练，以获取健康度值估算模型；获取目标蓄电池的监测数据，并将所述监测数据作为所述健康度值估算模型的输入，以获取由所述健康度值估算模型输出的所述目标蓄电池的健康度值。
[0118]
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实施例提供的蓄电池健康度估算方法，该方法包括：获取每个样本蓄电池的健康度值，并获取每个所述样本蓄电池的监测数据；所述健康度值为当前容量与标称容量的比值；将每个所述样本蓄电池的监测数据作为一个样本数据，所述样本蓄电池的健康度值作为相应的标签，构建样本数据集；基于和声搜索算法，根据所述样本数据集，确定支持向量机的最优参数，以优化所述支持向量机；利用所述样本数据集，对优化后的所述支持向量机进行预训练，以获取健康度值估算模型；获取目标蓄电池的监测数据，并将所述监测数据作为所述健康度值估算模型的输入，以获取由所述健康度值估算模型输出的所述目标蓄电池的健康度值。
[0119]
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。
[0120]
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。
[0121]
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。