本公开涉及人工智能和电池，尤其涉及一种放电时长的预测方法、装置及设备。
背景技术：
1、电池是保障基站不间断供电的核心设备，基站电池的剩余可放电时长会影响基站的工作质量。然而，相关技术中，利用模型对电池的剩余可放电时长预测时，模型的通用性差，需要为每个电池创建个性化预测模型，不仅资源消耗大，且在新电池使用初期无法进行剩余可放电时长预测，同时预测准确性低，无法满足企业对基站电池放电时长预测的精度要求。
技术实现思路
1、为了解决上述技术问题，本公开提供了一种放电时长的预测方法、装置及设备，有效解决了资源消耗大，预测准确性低，无法满足企业对基站电池放电时长预测的精度要求的技术问题。
2、第一方面，本公开实施例提供了一种放电时长的预测方法，方法包括：
3、获取待预测电池的电池数据；
4、将电池数据输入至剩余放电时长预测模型，得到待预测电池的剩余放电时长。
5、在一种可能实施的方式中，本发明实施例提供的方法中，电池数据中包括电池的温度，将电池数据输入至剩余放电时长预测模型，得到待预测电池的剩余放电时长，包括：
6、基于电池的温度和多个预设电池温度阈值，从多个剩余放电时长预测模型中确定电池数据对应的目标剩余放电时长预测模型，多个预设电池温度阈值与多个剩余放电时长预测模型一一对应；
7、将电池数据输入至目标剩余放电时长预测模型，得到待预测电池的剩余放电时长。
8、在一种可能实施的方式中，本发明实施例提供的方法中，获取待预测电池的电池数据之后，方法包括：
9、对电池数据进行预处理，预处理包括去除重复数据和填入缺失数据。
10、在一种可能实施的方式中，本发明实施例提供的方法中，剩余放电时长预测模型通过如下方法进行训练：
11、获取历史电池数据；
12、基于历史电池数据得到用于训练剩余放电时长预测模型的多个特征数据和每个特征数据对应的标注结果；
13、以多个特征数据作为输入，将每个特征数据对应输出的剩余放电时长与特征数据对应的标注结果做比对，基于每个特征数据对应输出的剩余放电时长与特征数据对应的标注结果的差异训练生成剩余放电时长预测模型。
14、在一种可能实施的方式中，本发明实施例提供的方法中，历史电池数据中包括多组电池的历史数据，历史数据中包括电池的工作电压、电流和工作时间，基于历史电池数据得到用于训练剩余放电时长预测模型的多个特征数据和每个特征数据对应的标注结果，包括：
15、根据多组电池的历史数据，确定每组电池的剩余放电时长；
16、根据多组电池的历史数据，确定每组电池的特征数据。
17、在一种可能实施的方式中，本发明实施例提供的方法中，基于历史电池数据得到用于训练剩余放电时长预测模型的多个特征数据和每个特征数据对应的标注结果之前，方法还包括：
18、对历史电池数据进行预处理，预处理包括去除重复数据和填入缺失数据。
19、在一种可能实施的方式中，本发明实施例提供的方法中，根据多组电池的历史数据，确定每组电池的剩余放电时长，包括：
20、根据多组电池的历史数据，确定每组电池的放电开始点和放电终止点；
21、基于每组电池的放电开始点和放电终止点，确定每组电池的剩余放电时长。
22、在一种可能实施的方式中，本发明实施例提供的方法中，每组电池的放电开始点和放电终止点通过如下方法进行确定：
23、根据每组电池的历史数据计算每组电池的电流平均值；
24、基于电流平均值确定拐点系数；
25、利用拐点系数确定每组电池的放电开始点和放电终止点。
26、在一种可能实施的方式中，本发明实施例提供的方法中，利用拐点系数确定每组电池的放电开始点和放电终止点，包括：
27、若任意三个连续的时刻的电压下降值均小于拐点系数时，确定任意三个连续的时刻中首个时刻为放电开始点；
28、若于任意三个连续的时刻的电压升高值均大于拐点系数时，确定任意三个连续的时刻中首个时刻为放电终止点。
29、在一种可能实施的方式中，本发明实施例提供的方法中，根据多组电池的历史数据，确定每组电池的特征数据，包括：
30、根据每组电池的放电开始点和放电终止点，确定预设数量的特征点；
31、基于预设数量的特征点得到每组电池的特征数据。
32、在一种可能实施的方式中，本发明实施例提供的方法中，根据每组电池的放电开始点和放电终止点，确定预设数量的特征点，包括：
33、从每组电池的放电开始点开始，以预设时长为时间间隔，选取预设数量的特征点。
34、在一种可能实施的方式中，本发明实施例提供的方法中，对历史电池数据进行预处理之后，方法还包括：
35、对历史电池数据进行数据平滑处理。
36、在一种可能实施的方式中，本发明实施例提供的方法中，通过如下方法对历史电池数据进行数据平滑处理：
37、对于每组电池的历史数据，任选一个时刻的数据为第一数据；
38、基于第一数据确定时刻最接近第一数据的第二数据和第三数据，第二数据的时刻早于第一数据，第三数据的时刻晚于第一数据；
39、确定第二数据和第三数据差值的绝对值为第一差值，确定第一数据和第二数据差值的绝对值为第二差值，确定第一数据和第三数据差值的绝对值为第三差值；
40、基于第一差值、第二差值和第三差值判断第一数据是否为异常数据。
41、在一种可能实施的方式中，本发明实施例提供的方法中，基于第一差值、第二差值和第三差值判断第一数据是否为异常数据，包括：
42、在第二差值和第三差值中确定数值大的为目标差值；
43、在第一差值小于目标差值与预设系数的积时，确定第一数据为正常数据；
44、在第一差值不小于目标差值与预设系数的积时，确定第一数据为异常数据。
45、第二方面，本公开实施例提供了一种放电时长的预测装置，装置包括：
46、获取单元，用于获取待预测电池的电池数据；
47、处理单元，用于将电池数据输入至剩余放电时长预测模型，得到待预测电池的剩余放电时长。
48、在一种可能实施的方式中，本发明实施例提供的装置中，电池数据中包括电池的温度，处理单元具体用于：
49、基于电池的温度和多个预设电池温度阈值，从多个剩余放电时长预测模型中确定电池数据对应的目标剩余放电时长预测模型，多个预设电池温度阈值与多个剩余放电时长预测模型一一对应；
50、将电池数据输入至目标剩余放电时长预测模型，得到待预测电池的剩余放电时长。
51、在一种可能实施的方式中，本发明实施例提供的装置中，获取单元还用于：
52、对电池数据进行预处理，预处理包括去除重复数据和填入缺失数据。
53、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元还用于通过如下方法训练剩余放电时长预测模型：
54、获取历史电池数据；
55、基于历史电池数据得到用于训练剩余放电时长预测模型的多个特征数据和每个特征数据对应的标注结果；
56、以多个特征数据作为输入，将每个特征数据对应输出的剩余放电时长与特征数据对应的标注结果做比对，基于每个特征数据对应输出的剩余放电时长与特征数据对应的标注结果的差异训练生成剩余放电时长预测模型。
57、在一种可能实施的方式中，本发明实施例提供的装置中，历史电池数据中包括多组电池的历史数据，历史数据中包括电池的工作电压、电流和工作时间，处理单元具体用于：
58、根据多组电池的历史数据，确定每组电池的剩余放电时长；
59、根据多组电池的历史数据，确定每组电池的特征数据。
60、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元具体还用于：
61、对历史电池数据进行预处理，预处理包括去除重复数据和填入缺失数据。
62、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元具体用于：
63、根据多组电池的历史数据，确定每组电池的放电开始点和放电终止点；
64、基于每组电池的放电开始点和放电终止点，确定每组电池的剩余放电时长。
65、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元具体还用于：
66、根据每组电池的历史数据计算每组电池的电流平均值；
67、基于电流平均值确定拐点系数；
68、利用拐点系数确定每组电池的放电开始点和放电终止点。
69、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元具体用于：
70、若任意三个连续的时刻的电压下降值均小于拐点系数时，确定任意三个连续的时刻中首个时刻为放电开始点；
71、若于任意三个连续的时刻的电压升高值均大于拐点系数时，确定任意三个连续的时刻中首个时刻为放电终止点。
72、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元具体用于：
73、根据每组电池的放电开始点和放电终止点，确定预设数量的特征点；
74、基于预设数量的特征点得到每组电池的特征数据。
75、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元具体用于：
76、从每组电池的放电开始点开始，以预设时长为时间间隔，选取预设数量的特征点。
77、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元具体还用于：
78、对历史电池数据进行数据平滑处理。
79、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元具体用于：
80、对于每组电池的历史数据，任选一个时刻的数据为第一数据；
81、基于第一数据确定时刻最接近第一数据的第二数据和第三数据，第二数据的时刻早于第一数据，第三数据的时刻晚于第一数据；
82、确定第二数据和第三数据差值的绝对值为第一差值，确定第一数据和第二数据差值的绝对值为第二差值，确定第一数据和第三数据差值的绝对值为第三差值；
83、基于第一差值、第二差值和第三差值判断第一数据是否为异常数据。
84、在一种可能实施的方式中，本发明实施例提供的装置中，处理单元具体用于：
85、在第二差值和第三差值中确定数值大的为目标差值；
86、在第一差值小于目标差值与预设系数的积时，确定第一数据为正常数据；
87、在第一差值不小于目标差值与预设系数的积时，确定第一数据为异常数据。
88、第三方面，本公开实施例提供了一种电子设备，包括：
89、存储器；
90、处理器；以及
91、计算机程序；
92、其中，计算机程序存储在存储器中，并被配置为由处理器执行以实现如上述的放电时长的预测方法。
93、第四方面，本公开实施例提供了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放电时长的预测方法的步骤。
94、本公开实施例提供了一种放电时长的预测方法，包括：
95、首先获取待预测电池的电池数据，然后将电池数据输入至剩余放电时长预测模型，得到待预测电池的剩余放电时长。通过应用本公开提供的剩余放电时长预测模型，利用电池数据，准确预测出电池的剩余放电时长，在提升通用性的同时，显著提升了预测的准确性。
1.一种放电时长的预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述电池数据中包括电池的温度，所述将所述电池数据输入至剩余放电时长预测模型，得到所述待预测电池的剩余放电时长，包括：
3.根据权利要求1所述的方法，其特征在于，所述剩余放电时长预测模型通过如下方法进行训练：
4.根据权利要求3所述的方法，其特征在于，所述历史电池数据中包括多组电池的历史数据，所述历史数据中包括电池的工作电压、电流和工作时间，所述基于所述历史电池数据得到用于训练所述剩余放电时长预测模型的多个特征数据和每个特征数据对应的标注结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述多组电池的历史数据，确定每组电池的剩余放电时长，包括：
6.根据权利要求5所述的方法，其特征在于，所述每组电池的放电开始点和放电终止点通过如下方法进行确定：
7.根据权利要求5所述的方法，其特征在于，所述根据所述多组电池的历史数据，确定所述每组电池的特征数据，包括：
8.根据权利要求7所述的方法，其特征在于，所述对所述历史电池数据进行预处理之后，所述方法还包括：
9.根据权利要求8所述的方法，其特征在于，所述基于所述第一差值、所述第二差值和所述第三差值判断所述第一数据是否为异常数据，包括：
10.一种放电时长的预测装置，其特征在于，所述装置包括：
11.一种电子设备，其特征在于，包括：
