1.一种退役动力电池智能仓储方法,其特征在于,包括:
获得待仓储的多个目标动力蓄电池的目标信息,其中,每个所述目标信息包括多种目标指标参数,所述目标指标参数用于表征对应的所述目标动力蓄电池的一种特性参数,所述特性参数包括内特性参数和外特性参数;
在对每个所述目标动力蓄电池所对应的所述多种目标指标参数进行预处理,生成对应的多种标准特征参数之后,利用已训备的评估分类模型处理每个所述目标动力蓄电池所对应的多种所述标准特征参数,得到与每个所述目标动力蓄电池对应的分类标签数据,其中,所述分类标签数据包括所述目标动力蓄电池对应的目标重组热度分类及目标重组热度评分值,所述目标重组热度分类用于表征所述目标动力蓄电池在重组时被使用的优先级,所述评估分类模型是基于极致梯度提升决策树算法XGBoost训练的机器学习模型,被并训练为根据输入的重组电池特征参数生成与对应电池所对应的分类标签数据;
基于预设的仓储库区对应的布局参数信息和多个所述目标动力蓄电池,利用多目标遗传NSGA-II算法进行仓储分配规划,生成对应的初始仓储分配信息,其中,所述初始仓储分配信息包括为每个所述目标动力蓄电池分配的备选仓储库区;
确定所述初始仓储分配信息中的所有所述备选仓储库区所对应的第一仓储适应度,并根据与所述目标重组热度分类及所述目标重组热度评分值对应的目标仓储适应度和所述第一仓储适应度的差值,对所述初始仓储分配信息进行基于所述NSGA-II算法的非支配排序迭代及遗传进化操作迭代,直至所述差值不大于预设阈值,生成对应的目标仓储分配信息,其中,所述目标仓储分配信息包括为每个所述目标动力蓄电池分配的目标仓储库区。
2.根据权利要求1所述的方法,其特征在于,对每个所述目标动力蓄电池所对应的所述多种目标指标参数进行预处理,生成对应的多种标准特征参数,包括:从每个所述目标动力蓄电池的所述目标信息中,提取每个所述目标动力蓄电池所对应的多种所述目标指标参数,其中,所述目标指标参数包括以下其中一种:动力蓄电池种类、动力蓄电池品铭、动力蓄电池类型、动力蓄电池电性参数;
对所有所述目标动力蓄电池所对应的所述目标指标参数进行过滤、降噪及清洗,生成标准指标参数;
对所有所述目标动力蓄电池所对应的所述标准指标参数进行归一化处理,生成所述标准特征参数。
3.根据权利要求2所述的方法,其特征在于,在获取待仓储的多个目标动力蓄电池的目标信息之前,所述方法还包括:利用预设的数据采集器,从目标网络平台上获取对应的超文本标记语言HTML页面数据;
从所述HTML页面数据中,提取动力蓄电池对应的交易数据,并从所述交易数据中解析出与所述外特性参数所对应的第一指标参数;
将已采集的内特性参数所对应的第二指标参数和所述第一指标参数,作为所述目标指标参数。
4.根据权利要求1所述的方法,其特征在于,基于预设的仓储库区对应的布局参数信息和多个所述目标动力蓄电池,利用多目标遗传NSGA-II算法进行仓储分配规划,生成对应的初始仓储分配信息,包括:获取多个所述目标动力蓄电池所对应的编码信息和每个所述仓储库区的所述布局参数信息,其中,所述布局参数信息包括每个所述仓储库区所对应的重组拣选效率参数、仓储安全参数和仓储状态参数,所述重组拣选效率参数是根据所述仓储库区的位置信息所确定的,所述仓储安全参数是根据所述仓储库区所对应的存储环境和所述位置信息所确定的;
在根据所述仓储状态参数确定出当前空闲的所述仓储库区之后,将当前空闲的所述仓储库区与每个所述编码信息进行随机分配编码,得到与多个所述目标动力蓄电池所对应的多个编码体,并将每个所述编码体对应的所述仓储库区作为对应的备选仓储库区;
确定每个所述备选仓储库区对应的所述第一仓储适应度,并基于所有所述目标动力蓄电池对应的所述备选仓储库区和所述第一仓储适应度,生成所述初始仓储分配信息,其中,所述第一仓储适应度是根据对应的仓储库区对应的所述重组拣选效率参数和所述仓储安全参数进行加权所生成的。
5.根据权利要求4所述的方法,其特征在于,根据与所述目标重组热度分类及所述目标重组热度评分值对应的目标仓储适应度和所述第一仓储适应度的差值,对所述初始仓储分配信息进行基于所述NSGA-II算法的非支配排序迭代及遗传进化操作迭代,包括:确定每个所述目标动力蓄电池对应的所述目标重组热度分类所对应的适应度区间,并确定每个所述备选仓储库区所对应的所述第一仓储适应度是否处于对应的所述适应度区间;
在确定到至少有一个所述备选仓储库区所对应的所述第一仓储适应度未处于所述适应度区间的情况下,对所述初始仓储分配信息进行多次基于所述NSGA-II算法的非支配排序迭代及遗传进化操作迭代,直至生成的当前仓储分配信息中为每个所述目标动力蓄电池分配的当前仓储库区所对应的所述第一仓储适应度处于对应的所述适应度区间,其中,所述遗传进化操作包括编码体选择操作、编码体交叉操作及编码体变异操作;
判断所述当前仓储库区所对应的所述第一仓储适应度和与所述目标重组热度评分值对应的所述目标仓储适应度的差值是否大于预设阈值,在判断到所述当前仓储库区所对应的所述第一仓储适应度与所述目标仓储适应度的差值不大于预设阈值的情况下,将所述当前仓储库区作为所述目标动力蓄电池所对应的所述目标仓储库区,并生成所述目标仓储分配信息。
6.根据权利要求5所述的方法,其特征在于,在至少一个所述当前仓储库区所对应的所述第一仓储适应度未处于对应的所述适应度区间之前,所述方法还包括:重复执行对当次生成的仓储分配信息进行基于所述NSGA-II算法的非支配排序迭代和遗传进化操作迭代;
在判断到所述当前仓储库区所对应的所述第一仓储适应度和与所述目标重组热度评分值对应的所述目标仓储适应度的差值大于预设阈值的情况下,所述方法还包括:对所述当前仓储分配信息进行基于所述NSGA-II算法的非支配排序迭代及遗传进化操作迭代。
7.根据权利要求1所述的方法,其特征在于,所述评估分类模型的训练包括:
获取预设的数据集,其中,所述数据集包括多个动力蓄电池对应的所述目标指标参数;
在将所述数据集中的每个动力蓄电池对应的所述目标指标参数进行预处理,生成特征参数集之后,将所述特征参数集中每个动力蓄电池对应的所有所述标准特征参数划分为重组电池特征组,并为每个动力蓄电池对应的所述重组电池特征组标注对应的所述分类标签数据,生成重组电池特征参数集;
将所述重组电池特征参数集按预设比例切割为重组电池特征参数训练集和重组电池特征参数测试集,并利用所述重组电池特征参数训练集,训练初始构建的XGBoost机器学习模型,直至回归拟合,得到训练好的XGBoost机器学习模型;
利用所述重组电池特征参数测试集,对训练好的XGBoost机器学习模型进行测试评估,以训练生成所述评估分类模型。
8.一种退役动力电池智能仓储装置,其特征在于,包括:
获取模块,用于获得待仓储的多个目标动力蓄电池的目标信息,其中,每个所述目标信息包括多种目标指标参数,所述目标指标参数用于表征对应的所述目标动力蓄电池的一种特性参数,所述特性参数包括内特性参数和外特性参数;
预测模块,用于在对每个所述目标动力蓄电池所对应的所述多种目标指标参数进行预处理,生成对应的多种标准特征参数之后,利用已训备的评估分类模型处理每个所述目标动力蓄电池所对应的多种所述标准特征参数,得到与每个所述目标动力蓄电池对应的分类标签数据,其中,所述分类标签数据包括所述目标动力蓄电池对应的目标重组热度分类及目标重组热度评分值,所述目标重组热度分类用于表征所述目标动力蓄电池在重组时被使用的优先级,所述评估分类模型是基于极致梯度提升决策树算法XGBoost训练的机器学习模型,被并训练为根据输入的重组电池特征参数生成与对应电池所对应的分类标签数据;
规划模块,用于基于预设的仓储库区对应的布局参数信息和多个所述目标动力蓄电池,利用多目标遗传算法NSGA-II进行仓储分配规划,生成对应的初始仓储分配信息,其中,所述初始仓储分配信息包括为每个所述目标动力蓄电池分配的备选仓储库区;
处理模块,用于确定所述初始仓储分配信息中的所有所述备选仓储库区所对应的第一仓储适应度,并根据由所述目标重组热度分类和所述目标重组热度评分值确定的目标仓储适应度和所述第一仓储适应度的差值,对所述初始仓储分配信息进行基于所述NSGA-II的非支配排序迭代及遗传进化迭代,直至所述差值不大于预设阈值,生成对应的目标仓储分配信息,其中,所述目标仓储分配信息包括为每个所述目标动力蓄电池分配的目标仓储库区。
9.一种智能仓储系统,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的退役动力电池智能仓储方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的退役动力电池智能仓储方法。