一种电池供应安全评估方法、系统、设备及存储介质

1.本发明涉及电池供应安全评估技术领域，尤其涉及一种电池供应安全评估方法、系统、设备及存储介质。


背景技术：

2.随着电池技术的不断发展及供电设施建设完善，消费者里程焦虑得到缓解，电动汽车市场认可度提升，销量持续攀升。随着新能源汽车国内市场渗透率首次突破20％，动力电池的需求也开始急剧增长，但是由于国内电池高端产品不足、中低端产品产能过剩的行业现状，造成了电池的结构性紧缺，使得“电池荒”开始成为当前新能源汽车行业面临的严峻问题之一。根据sne research的预测，到2023年，全球电动汽车对动力电池的需求达406gwh，而动力电池供应预计为335gwh，缺口约18％；到2025年，这一缺口将扩大到约40％。国内证券公司也给出产能缺口预测，2021年至2025年缺口分别为17、30、45和370gwh。
3.整个市场表现说明汽车的竞争端，正处在努力上量的阶段；但是若有订单而电池供货不足，必将打乱车辆生产步骤，阻碍车企抢占市场份额的脚步；而如何利用有限的资源生产出更符合市场需求的电芯款型也是电池厂在行业优胜劣汰加剧的环境中生存的关键。
4.因此，亟需一种能够及时发现电池供货风险的电池供应安全评估方法。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种电池供应安全评估方法、系统、设备及存储介质。
6.一种电池供应安全评估方法，包括以下步骤：提取电动车在一段时间内的电池溯源数据，根据所述电池溯源数据计算获取电芯历史周产销量；将电芯的历史周产量和历史周销量分别作为模型输入，并划分对应的训练集和验证集；基于所述历史周产量和历史周销量构建lstm产销预测模型，根据所述lstm产销预测模型获取待评估电芯的预测产量和预测销量；根据电芯共线生产关系，对所述预测产量进行调整，获取待评估电芯的最终产量；将待评估电芯的最终产量和预测销量的比值，与预定风险等级区间进行匹配，根据匹配结果评估电池供应安全风险。
7.在其中一个实施例中，所述提取电动车在一段时间内的电池溯源数据，根据所述电池溯源数据计算获取电芯历史周产销量，具体包括：基于新能源汽车监测与管理平台获取电动车的vin码；根据所述vin码，与电池溯源生产表进行连接，获取每辆电动车的生产信息，所述生产信息包括电芯厂、主机厂、电芯类型、电芯编码、pack编码、电芯数量和标称电量；根据汽车动力蓄电池编码规则，提取电芯及pack编码中的第15、16和17位数据，并进行解码，获得相应的生产时间；根据预设时间段对所述生产时间进行平移处理，并校验和删除空值数据，获取电芯生产日期；根据所述电芯生产日期，将处于相同生产日期的电芯聚合形成电芯日产量，相同日期下pack中的电芯数量作为电芯日销量；根据周时间粒度，将电芯日产量和电芯日销量进行聚合，形成电芯的历史周产量和历史周销量。
8.在其中一个实施例中，所述将电芯的历史周产量和历史周销量分别作为模型输入，并划分对应的训练集和验证集，具体包括：在所述电芯历史周产销量中，获取电芯的历史周产量和历史周销量，作为模型输入；并对选取的历史周产量和历史周销量进行z-score标准化预处理，获取产量预处理数据和销量预处理数据，计算公式如下：
[0009][0010]
其中，x表示产量或销量的实际数值，u表示均值，σ表示方差；根据预设时间，将产量预处理数据划分为产量训练集和产量验证集，并根据所述预设时间，将销量预处理数据划分为销量训练集和销量验证集。
[0011]
在其中一个实施例中，所述基于所述历史周产量和历史周销量构建lstm产销预测模型，并分别获取待评估电芯的预测产量和预测销量，具体包括：构建第一lstm预测模型，根据所述产量训练集对所述第一lstm预测模型进行训练，并采用所述产量验证集对训练后的第一lstm预测模型进行验证，获取lstm产量预测模型；构建第二lstm预测模型，根据所述销量训练集对所述第二lstm预测模型进行训练，并采用所述销量验证集对训练后的第二lstm预测模型进行验证，获取lstm销量预测模型；结合所述lstm产量预测模型和lstm销量预测模型，获取lstm产销预测模型；将待评估电芯的历史周产量和历史周销量分别输入所述lstm产销预测模型，获取待评估电芯的预测产量和预测销量。
[0012]
在其中一个实施例中，所述根据电芯共线生产关系，对所述预测产量进行调整，获取待评估电芯的最终产量，具体包括：根据不同电芯间的相关性分析，获取电芯共线生产关系，所述相关性分析计算如下：
[0013][0014]
其中，x和y分别为相同时段下两款电芯的产量情况；根据所述电芯生产共线关系，对所述预测产量进行调整，获取待评估电芯的最终产量。
[0015]
在其中一个实施例中，所述将待评估电芯的最终产量和预测销量的比值，与预定风险等级区间进行匹配，根据匹配结果评估电池供应安全风险，具体包括：根据待评估电芯的最终产量与预测销量获取对应的比值，作为产销比；将所述产销比与预定风险等级区间进行匹配，获取匹配结果；根据所述匹配结果，评估待评估电芯的供应安全风险。
[0016]
在其中一个实施例中，所述根据所述匹配结果，评估待评估电芯的供应安全风险，具体包括：当产销比＞1.2时，所述待评估电芯的供应风险为低风险；当0.95＜产销比≤1.2时，所述待评估电芯的供应风险为中风险；当产销比≤0.95时，所述待评估电芯的供应风险为高风险。
[0017]
一种电池供应安全评估系统，包括：电池溯源数据提取模块，用于提取电动车在一段时间内的电池溯源数据，根据所述电池溯源数据计算获取电芯历史周产销量；数据集划分模块，用于将电芯的历史周产量和历史周销量分别作为模型输入，并划分对应的训练集和验证集；电芯产销量预测模块，用于基于所述历史周产量和历史周销量构建lstm产销预测模型，根据所述lstm产销预测模型获取待评估电芯的预测产量和预测销量；电芯预测产量调整模块，用于根据电芯共线生产关系，对所述预测产量进行调整，获取待评估电芯的最
终产量；电池供应安全评估模块，用于将待评估电芯的最终产量和预测销量的比值，与预定风险等级区间进行匹配，根据匹配结果评估电池供应安全风险。
[0018]
一种设备，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上述各个实施例中所述的一种电池供应安全评估方法的步骤。
[0019]
一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述各个实施例中所述的一种电池供应安全评估方法的步骤。
[0020]
相比于现有技术，本发明的优点及有益效果在于：本发明通过提取电动车在一段时间内的电池溯源数据，根据电池溯源数据计算获取电芯历史周产销量，将电芯的历史周产销量分别作为模型输入，并划分对应的训练集和验证集，基于历史周产量和历史周销量构建lstm产销预测模型，根据lstm模型获取待评估电芯的预测产量和预测销量，根据电芯共线生产关系，对预测产量进行调整，获取待评估电芯的最终产量，根据待评估电芯的最终产量和预测销量的比值，匹配预定风险等级区间，根据匹配结果评估电池供应安全，实现了对电池供应风险的精细化预判，便于企业根据评估风险部署应对解决方案，降低损失。
附图说明
[0021]
图1为一个实施例中一种电池供应安全评估方法的流程示意图；
[0022]
图2为一个实施例中一种电池供应安全评估系统的结构示意图；
[0023]
图3为一个实施例中设备的内部结构示意图。
具体实施方式
[0024]
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0025]
在一个实施例中，如图1所示，提供了一种电池供应安全评估方法，包括以下步骤：
[0026]
步骤s101，提取电动车在一段时间内的电池溯源数据，根据电池溯源数据计算获取电芯历史周产销量。
[0027]
具体地，提取电动车在一段时间内的电池溯源数据，例如，基于新能源汽车国家监测与管理平台，获取生产时间为2019和2020年的纯电动乘用车的电池溯源数据，根据获取的电池溯源数据进行解码、校验、计算等处理，获取电芯的历史周产量和历史周销量，当然，电芯的产销量周期也可以根据实际需求进行对应的调整。
[0028]
步骤s102，将电芯的历史周产量和历史周销量分别作为模型输入，并划分对应的训练集和验证集。
[0029]
具体地，选取某款电芯的历史周产量或历史周销量，作为模型的输入，将对应的历史周产量或历史周销量划分为对应的训练集和验证集，例如，以2020年6月为界，将2019年和2020年电芯的历史周产量划分为训练集和验证集，2020年6月前的数据作为训练集，2020年6月至12月的数据作为验证集。
[0030]
步骤s103，基于历史周产量和历史周销量构建lstm产销预测模型，根据lstm产销预测模型获取待评估电芯的预测产量和预测销量。
[0031]
具体地，构建lstm(long short-term memory，长短期记忆神经网络)预测模型，采用训练集对lstm预测模型进行训练，并通过验证集对训练后的模型进行验证，获取lstm产销预测模型，将待评估电芯的历史周产量和历史周销量输入lstm产销预测模型，获取待评估电芯的预测产量和预测销量。
[0032]
步骤s104，根据电芯共线生产关系，对预测产量进行调整，获取待评估电芯的最终产量。
[0033]
具体地，由于电池厂的同一产线下无法同时生产两款电芯，电芯间的产量可能存在此消彼长的负相关性，因此，可以根据电芯共线生产关系，对待评估电芯的预测产量进行调整，获取待评估电芯的最终产量。在电芯存在共线生产时，对预测产量进行调整；在电芯不存在共线生产关系时，将预测产量作为最终产量。
[0034]
步骤s105，将待评估电芯的最终产量和预测销量的比值，与预定风险等级区间进行匹配，根据匹配结果评估电池供应安全风险。
[0035]
具体地，根据待评估电芯的最终产量和预测销量，获取对应的产销比，将产销比与预定风险等级区间进行匹配，获取匹配结果，根据匹配结果评估待评估电池的供应安全风险。
[0036]
由于锂电池主要由两大块构成，即电芯和保护板pcm(动力电池一般称为电池管理系统bms)，保护板pcm主要由保护芯片(或管理芯片)、mos管、电阻、电容和pcb板等构成；而电芯相当于锂电池的心脏，主要由正极材料、负极材料、电解液、隔膜和外壳构成，根据电芯的不同可以区分不同的电池类别，因此，电芯的供应风险即为对应电池的供应风险。
[0037]
在本实施例中，通过提取电动车在一段时间内的电池溯源数据，根据电池溯源数据计算获取电芯历史周产销量，将电芯的历史周产销量分别作为模型输入，并划分对应的训练集和验证集，基于历史周产量和历史周销量构建lstm产销预测模型，根据lstm模型获取待评估电芯的预测产量和预测销量，根据电芯共线生产关系，对预测产量进行调整，获取待评估电芯的最终产量，根据待评估电芯的最终产量和预测销量的比值，匹配预定风险等级区间，根据匹配结果评估电池供应安全，实现了对电池供应风险的精细化预判，便于企业根据评估风险部署应对解决方案，降低损失。
[0038]
其中，步骤s101具体包括：基于新能源汽车监测与管理平台获取电动车的vin码；根据vin码，与电池溯源生产表进行连接，获取每辆电动车的生产信息，生产信息包括电芯厂、主机厂、电芯类型、电芯编码、pack编码、电芯数量和标称电量；根据汽车动力蓄电池编码规则，提取电芯及pack编码中的第15、16和17位数据，并进行解码，获得相应的生产时间；根据预设时间段对生产时间进行平移处理，并校验和删除空值数据，获取电芯生产日期；根据电芯生产日期，将处于相同生产日期的电芯聚合形成电芯日产量，相同日期下pack中的电芯数量作为电芯日销量；根据周时间粒度，将电芯日产量和电芯日销量进行聚合，形成电芯的历史周产量和历史周销量。
[0039]
具体地，基于新能源汽车监测与管理平台，获取一段时间内的电动车vin码，并将vin码作为链接条件，与电池溯源生产表相连，获取每辆纯电动乘用车对应的生产信息。其中，生产信息包括电芯厂、主机厂、电芯类型、电芯编码、pack编码、电芯数量以及标称电量等数据。
[0040]
以汽车动力蓄电池编码规则(gb/t 34014-2017)为依据，提取电芯及pack编码的
第15、16和17位数据进行解码。其中，第15位代表生产年份，1-9分别代表2011-2019年，a-y的部分字母分别代表2020-2040年，30年循环一次；第16位代表生产月份，以十六进制数值表示，如a表示10月；第17位代表生产日期。例如，某个pack的编码为
‘
05hpep32a1ipat92v0000127’，提取编码的第15-17位解码后可知pack生产时间为2019年2月27日。
[0041]
考虑到供应链中电芯生产到pack装包的整个流程需要耗费一定时间，因此，可以根据预设时间段对生产时间进行平移处理，例如，预设时间段为7天，则将生产时间加上7天，作为电芯生产日期，从而满足电芯生产日期与pack日期的匹配原则。在对生产时间进行平移处理后，还需要校验生产时间的数据准确性，并删除空值数据，获取电芯生产日期。
[0042]
以周时间粒度，将电芯日产量和电芯日销量进行聚合，并对异常值数据进行平滑处理，获取电芯的历史周产量和历史周销量。
[0043]
其中，步骤s102具体包括：在电芯历史周产销量中，获取电芯的历史周产量和历史周销量，作为模型输入；并对选取的历史周产量和历史周销量进行z-score标准化预处理，获取产量预处理数据和销量预处理数据，计算公式如下：
[0044][0045]
其中，x表示产量或销量的实际数值，u表示均值，σ表示方差；根据预设时间，将产量预处理数据划分为产量训练集和产量验证集，并根据预设时间，将销量预处理数据划分为销量训练集和销量验证集。
[0046]
具体地，在电芯历史周产销量中，选取一款电芯的历史周产量和历史周销量，作为模型输入，并对选取的数据进行z-score(zero-mean normalization，零均值标准化)标准化预处理，从而将不同量级的数据统一转化为同一个量级，统一用计算出的z-score值衡量，以保证数据之间的可比性。在预处理数据为2019至2020年的数据时，根据预设时间，例如2020年6月，将产量预处理数据划分为产量训练集和产量验证集，即2020年6月之前的数据作为产量训练集，2020年6月至12月的数据作为产量验证集；同理，划分销量预处理数据，获取销量训练集和销量验证集。
[0047]
其中，步骤s103具体包括：构建第一lstm预测模型，根据产量训练集对第一lstm预测模型进行训练，并采用产量验证集对训练后的第一lstm预测模型进行验证，获取lstm产量预测模型；构建第二lstm预测模型，根据销量训练集对第二所述lstm预测模型进行训练，并采用销量验证集对训练后的第二lstm预测模型进行验证，获取lstm销量预测模型；结合lstm产量预测模型和lstm销量预测模型，获取lstm产销预测模型；将待评估电芯的历史周产量和历史周销量分别输入lstm产销预测模型，获取待评估电芯的预测产量和预测销量。
[0048]
具体地，构建第一lstm预测模型，根据产量训练集对第一lstm预测模型进行训练，并通过产量验证集对训练后的第一lstm预测模型进行验证，获取lstm产量预测模型；同理，构建第二lstm预测模型，并通过销量训练集和销量验证集对第二lstm预测模型进行训练和验证，获取lstm销量预测模型。结合lstm产量预测模型和lstm销量预测模型，获取lstm产销预测模型，将待评估电芯的历史周产量和历史周销量分别输入该模型，获取预测产量和预测销量，便于后续根据预测产销量的比值，确定电芯风险情况。
[0049]
其中，步骤s104具体包括：根据不同电芯间的相关性分析，获取电芯共线生产关
系，相关性分析计算如下：
[0050][0051]
其中，x和y分别为相同时段下两款电芯的产量情况；根据电芯生产共线关系，对预测产量进行调整，获取待评估电芯的最终产量。
[0052]
具体地，例如，设定相关性≤-0.5时，电芯存在共线关系，在生产上相互影响。通过相关性分析，发现a、b两类电芯的相关性为-0.7，即可知a、b两类电芯生产共线，且共线因子为0.7；而a、c两类电芯的相关性为0.3时，即a、c两类电芯没有共线生产关系。
[0053]
若某电芯厂生产a、b和c类三款电芯，通过预测模型得到电芯厂总产量为14000，c类电芯预测值为6000，因没有共线关系，预测值即为最终产量。
[0054]
a类电芯预测产量为6000，b类电芯预测产量为4000。由于a、b电芯总产量为10000，大于电芯厂总产量减去c类电芯的产量，且a、b类电芯共线，因此，有：b类电芯产量＝0.7a类电芯产量，且a类电芯产量 b类电芯产量＝14000-6000，基于以上公式计算获取最终的电芯产量，即a类电芯产量为4709，b类电芯产量为3294。若a、b类电芯产量总和未超过电芯厂总产量减去非共线产量时，则保留原有预测结果。
[0055]
其中，步骤s105具体包括：根据待评估电芯的最终产量与预测销量获取对应的比值，作为产销比；将产销比与预定风险等级区间进行匹配，获取匹配结果；根据匹配结果，评估待评估电芯的供应安全风险。
[0056]
具体地，根据最终产量和预测销量，获取产销比，将产销比与设定的风险等级区间进行匹配，用于评估电池供应安全风险。
[0057]
其中，评估待评估电芯的供应安全风险时，具体包括：当产销比＞1.2时，待评估电芯的供应风险为低风险；当0.95＜产销比≤1.2时，待评估电芯的供应风险为中风险；当产销比≤0.95时，待评估电芯的供应风险为高风险。
[0058]
具体地，当产销比大于1.2时，待评估电芯的生产几乎无风险；而当产销比小于0.95时，待评估电芯的供应存在风险，电芯厂需要提前做好应对准备，而电芯厂也需要关注待评估电芯的生产情况，尽量保证供货质量，从而降低风险。
[0059]
如图2所示，提供了一种电池供应安全评估系统20，包括：电池溯源数据提取模块21、数据集划分模块22、电芯产销量预测模块23、电芯预测产量调整模块24和电池供应安全评估模块25，其中：
[0060]
电池溯源数据提取模块21，用于提取电动车在一段时间内的电池溯源数据，根据电池溯源数据计算获取电芯历史周产销量；
[0061]
数据集划分模块22，用于将电芯的历史周产量和历史周销量分别作为模型输入，并划分对应的训练集和验证集；
[0062]
电芯产销量预测模块23，用于基于历史产量和历史销量构建lstm产销预测模型，根据lstm产销预测模型获取待评估电芯的预测产量和预测销量；
[0063]
电芯预测产量调整模块24，用于根据电芯共线生产关系，对预测产量进行调整，获取待评估电芯的最终产量；
[0064]
电池供应安全评估模块25，用于将待评估电芯的最终产量和预测销量的比值，与
预定风险等级区间进行匹配，根据匹配结果评估电池供应安全风险。
[0065]
在一个实施例中，电池溯源数据提取模块21具体用于：基于新能源汽车监测与管理平台获取电动车的vin码；根据vin码，与电池溯源生产表进行连接，获取每辆电动车的生产信息，生产信息包括电芯厂、主机厂、电芯类型、电芯编码、pack编码、电芯数量和标称电量；根据汽车动力蓄电池编码规则，提取电芯及pack编码中的第15、16和17位数据，并进行解码，获得相应的生产时间；根据预设时间段对生产时间进行平移处理，并校验和删除空值数据，获取电芯生产日期；根据电芯生产日期，将处于相同生产日期的电芯聚合形成电芯日产量，相同日期下pack中的电芯数量作为电芯日销量；根据周时间粒度，将电芯日产量和电芯日销量进行聚合，形成电芯的历史周产量和历史周销量。
[0066]
在一个实施例中，电芯产销量预测模块23具体用于：构建第一lstm预测模型，根据产量训练集对第一lstm预测模型进行训练，并采用产量验证集对训练后的第一lstm预测模型进行验证，获取lstm产量预测模型；构建第二lstm预测模型，根据销量训练集对第二所述lstm预测模型进行训练，并采用销量验证集对训练后的第二lstm预测模型进行验证，获取lstm销量预测模型；结合lstm产量预测模型和lstm销量预测模型，获取lstm产销预测模型；将待评估电芯的历史周产量和历史周销量分别输入lstm产销预测模型，获取待评估电芯的预测产量和预测销量。
[0067]
在一个实施例中，电池供应安全评估模块25具体用于：根据待评估电芯的最终产量与预测销量获取对应的比值，作为产销比；将产销比与预定风险等级区间进行匹配，获取匹配结果；根据匹配结果，评估待评估电芯的供应安全风险。
[0068]
在一个实施例中，提供了一种设备，该设备可以是服务器，其内部结构图可以如图3所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该设备的处理器用于提供计算和控制能力。该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、计算机程序和数据库。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。该设备的数据库用于存储配置模板，还可用于存储目标网页数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池供应安全评估方法。
[0069]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的设备的限定，具体的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。
[0070]
在一个实施例中，还可以提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法，所述计算机可以为上述提到的一种电池供应安全评估系统的一部分。
[0071]
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0072]
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的
网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(rom/ram、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
[0073]
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。