[发明专利]一种非线性数据的分类预测方法、系统、设备和存储介质

权利要求书

1.一种非线性数据的分类预测方法，其特征在于，所述方法包括：

从电池充电过程中获取非线性的电压数据和所述电压导数数据，将所述电压导数数据插入所述电压数据，得到原始矩阵；

对所述原始矩阵进行相关系数分析，得到所述原始矩阵中偶数列与奇数列之间的相关系数，根据所述相关系数选取所述原始矩阵中相关列；

对所述原始矩阵进行主成分分析，得到所述原始矩阵的主成分贡献率，根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵；

将所述相关列和所述主成分矩阵进行数据融合，得到融合矩阵，根据所述融合矩阵完成对非线性数据的分类预测；包括：得到经过相关系数分析得到的偶数列，并得到主成分分析后累计贡献率超过85％的列，将所述偶数列和累计贡献率超过85％的列进行融合；对所述融合矩阵进行深度机器学习，并对所述融合矩阵进行特征值的求取，利用所述特征值提取特征数据；根据提取的所述特征数据得到电池每次循环的电压特征，利用所述电压特征对充电完成后的可用电池容量进行分类；每次电池充电循环的电压数据对应一个可用电池容量，根据电池充电循环对应的下一次的可用电池容量的预测。

2.根据权利要求1所述的非线性数据的分类预测方法，其特征在于，所述对所述原始矩阵进行相关系数分析，得到所述原始矩阵中偶数列与奇数列之间的相关系数，根据所述相关系数选取所述原始矩阵中相关列，包括：

通过采用相关系数函数方程分析所述原始矩阵的偶数列与奇数列之间的相关指数；

根据所述相关指数，获取相关系数曲线，得到偶数列之间的相关系数的似线性下降趋势，根据列数的增加，得到相关系数的差距变化趋势；

从所述原始矩阵的列标准差中得到偶数列的标准差的周期性变化趋势；

将离散的采样信号变为1秒步长采样周期里的时域信号，并通过傅里叶变换来分析所述时域信号幅值的周期性。

3.根据权利要求1所述的非线性数据的分类预测方法，其特征在于，所述对所述原始矩阵进行主成分分析，得到所述原始矩阵的主成分贡献率，根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵，包括：

将所述原始矩阵进行展开，获取矩阵中值的均值和标准差，根据所述均值和标准差对所述原始矩阵进行标准化处理，得到标准化矩阵；

通过所述标准化矩阵求取相关系数矩阵，并通过雅可比法求解特征方程得到所述标准化矩阵的特征值和对应的特征向量；

根据所述标准化矩阵的第j个特征值除以所有特征值之和，获取第j个成分的信息贡献率，通过累加k个特征值再除以所有特征值之和获得k个成分的累计贡献率。

4.一种基于非线性数据的分类预测系统，其特征在于，包括：

原始矩阵模块，用于从电池充电过程中获取非线性的电压数据和所述电压导数数据，将所述电压导数数据插入所述电压数据，得到原始矩阵；

系数分析模块，用于对所述原始矩阵进行相关系数分析，得到所述原始矩阵中偶数列与奇数列之间的相关系数，根据所述相关系数选取所述原始矩阵中相关列；

主成分分析模块，用于对所述原始矩阵进行主成分分析，得到所述原始矩阵的主成分贡献率，根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵；

分类预测模块，用于将所述相关列和所述主成分矩阵进行数据融合，得到融合矩阵，根据所述融合矩阵完成对非线性数据的分类预测；所述分类预测模块包括特征数据计算单元，所述特征数据计算单元用于：得到经过相关系数分析得到的偶数列，并得到主成分分析后累计贡献率超过85％的列，将所述偶数列和累计贡献率超过85％的列进行融合；对所述融合矩阵进行深度机器学习，并对所述融合矩阵进行特征值的求取，利用所述特征值提取特征数据；根据提取的所述特征数据得到电池每次循环的电压特征，利用所述电压特征对充电完成后的可用电池容量进行分类；每次电池充电循环的电压数据对应一个可用电池容量，根据电池充电循环对应的下一次的可用电池容量的预测。