CN108983103B - 一种动力电池的数据处理方法和装置 - Google Patents

Abstract

本发明实施例提供了一种动力电池的数据处理方法和装置，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，获取所述数据库中的电池历史数据；提取出所述电池历史数据中的特征序列数据及初始序列数据；依据所述特征序列数据生成第一训练输入向量及第一训练样本向量；采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型；将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；依据所述预测电压序列数据获得动力电池的电池容量信息。降低成本、节省时间、解决了容量估算实验带来的消耗人力较多的问题。

Description

一种动力电池的数据处理方法和装置

技术领域

本发明涉及动力电池技术领域，特别是涉及一种动力电池的数据处理方法和一种动力电池的数据处理装置。

背景技术

动力电池是新能源汽车领域最为核心的部件。动力电池的性能直接影响电动汽车的动力性能、续航里程和安全性等驾驶体验。动力电池的性能包括电池容量、内阻和单体一致性等，其中电池容量作为最重要且直观的性能衡量指标，能够直接影响电动汽车的续航能力。现有的电池容量估算方法主要分为以下两种方法：基于理想状况实验的容量衰减模式的经验估计，及基于电池表征数据和实验条件测得标签容量的黑箱模型。

基于理想状况实验的容量衰减模式的经验估计对新的动力电池进行数百至数千次的满充满放实验，并得到动力电池在各循环节点或时间节点时的电池容量信息，并以此作为依据建立经验估计，如1000次循环后有80％的电池容量保持率，在实际监控场景中依照电池循环次数进行线性插值得到当前电池容量保持率。

基于电池表征数据和实验条件测得标签容量的黑箱模型是模拟电池充放电的过程，记录过程中的电池表征数据，并且周期性的对电池进行满充满放恒流充放电实验，得到其实际的容量信息。然后利用机器学习领域的方法建模，以电池表征数据作为输入，容量信息作为标签，进行有监督学习得到表征数据向电池容量的映射。

但是，在实验条件下的充放电复杂性和随机性无法与电动汽车实际运行过程相比，因此实际工况条件下动力电池容量衰减特征并未得到有效关注；而且实验所必需消耗的人力、物力和时间在实际中的大规模应用下难以维持。

发明内容

本发明实施例提供一种动力电池的数据处理方法和相应的一种动力电池的数据处理装置，以解决现有的电池容量估算方法并未考虑实际工况条件下动力电池容量衰减特征以及消耗的人力、物力和时间较多的上述问题。

为了解决上述问题，本发明实施例公开了一种动力电池的数据处理方法，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；所述方法包括：

获取所述数据库中的电池历史数据；

提取出所述电池历史数据中的特征序列数据及初始序列数据；

依据所述特征序列数据生成第一训练输入向量及第一训练样本向量；

采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型；

将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；

依据所述预测电压序列数据获得动力电池的电池容量信息。

优选地，所述特征序列数据包括电压序列数据、电流序列数据及温度序列数据中的至少一种；所述依据所述特征序列数据生成第一训练输入向量及第一训练样本向量的步骤包括：

提取出所述电压序列数据、电流序列数据及温度序列数据中预设数量的序列数据元素；

将所述序列数据元素组合为第一训练输入向量。

优选地，所述依据所述特征序列数据生成第一训练输入向量及第一训练样本向量的步骤还包括：

提取出电压序列数据中预设数量的序列数据元素；

将所述序列数据元素组合为第一训练样本向量。

优选地，所述采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型的步骤包括：

以所述第一训练样本向量作为训练标签，将所述第一训练输入向量输入预置的机器学习模型进行训练，获得训练后的机器学习模型。

优选地，所述将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据的步骤包括：

当所述预测电压序列数据对应的电压信息符合预设条件时，停止将所述初始序列数据输入至所述训练后的机器学习模型，输出所述预测电压序列数据。

优选地，所述依据所述预测电压序列数据获得动力电池的电池容量信息的步骤包括：

获取所述电池历史数据中的时间间隔信息及充放电电流信息；

获取所述预测电压序列数据对应的长度信息；

根据所述时间间隔信息、充放电电流信息及长度信息计算出所述电池容量信息。

本发明实施例还公开了一种动力电池的数据处理装置，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；所述装置包括：

电池历史数据获取模块，用于获取所述数据库中的电池历史数据；

提取模块，用于提取出所述电池历史数据中的特征序列数据及初始序列数据；

生成模块，用于依据所述特征序列数据生成第一训练输入向量及第一训练样本向量；

机器学习模型获得模块，用于采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型；

预测电压序列数据获得模块，用于将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；

电池容量信息获得模块，用于依据所述预测电压序列数据获得动力电池的电池容量信息。

优选地，所述特征序列数据包括电压序列数据、电流序列数据及温度序列数据中的至少一种；所述生成模块包括：

第一提取子模块，用于提取出所述电压序列数据、电流序列数据及温度序列数据中预设数量的序列数据元素；

第一组合子模块，用于将所述序列数据元素组合为第一训练输入向量。

本发明实施例还公开了一种电子设备，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上述的动力电池的数据处理的步骤。

本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的动力电池的数据处理的步骤。

本发明实施例包括以下优点：

本发明实施例中，获取所述数据库中的电池历史数据；提取出所述电池历史数据中的特征序列数据及初始序列数据；依据所述特征序列数据生成第一训练输入向量及第一训练样本向量；采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型；将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；依据所述预测电压序列数据获得动力电池的电池容量信息；利用电池生命周期的电压，电流和温度数据，训练出机器学习模型。对模型输入充放电的电压，电流和温度序列，预测得到下一时刻电池的电压数值，并以此为新的输入滚动进行预测，得到电池在允许电压范围内的充放电完整序列数据，并计算其中的累积电量变化，作为电池的容量信息，降低成本、节省时间、解决了容量估算实验带来的消耗人力较多的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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；

图1是本发明实施例的一种动力电池的数据处理方法实施例一的步骤流程图；

图2是本发明实施例的一种动力电池的数据处理方法实施例二的步骤流程图；

图3是本发明实施例的一种动力电池的数据处理装置实施例的结构框图。

具体实施方式

为了使本发明实施例所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明实施例进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，示出了本发明实施例的一种动力电池的数据处理方法实施例一的步骤流程图，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；具体可以包括如下步骤：

步骤101，获取所述数据库中的电池历史数据；

本发明实施例可以应用到动力组件，所述动力组件可以是给设备提供动力的装置或器件，如电动汽车的动力电池组，其包括多个动力电池，所述动力组件运行有电池管理系统，电池管理系统(Battery Management System,BMS)是连接动力电池和电动汽车的重要纽带，其主要功能包括：电池物理参数实时监测；电池状态估计；在线诊断与预警；充、放电与预充控制；均衡管理和热管理等。

具体地，电池管理系统可以准确估测动力电池的荷电状态，动力电池的荷电状态(State of Charge，SOC)，即电池剩余电量，保证SOC维持在合理的范围内，防止由于过充电或过放电对电池的损伤，从而随时预报电动汽车的电池剩余电量或者动力电池的荷电状态。

另一方面，电池管理系统还可以动态监测动力电池的工作状态；在电池充放电过程中，实时采集每块动力电池的端电压和温度、充放电电流及电池总电压，防止电池发生过充电或过放电现象。同时能够及时给出电池状况，保持整组电池运行的可靠性和高效性。除此以外，还要建立每块动力电池的使用历史档案，其包含电池历史数据，具体而言，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，为离线分析系统故障提供依据。

此外，电池管理系统还可以调节单体电池间、电池组间的均衡状态：即在单体的动力电池、电池组间进行均衡，使电池组中各个单体的动力电池都达到均衡一致的状态。

从硬件的角度而言，该电池管理系统包括数据采样电路、微处理器及显示装置，数据采样电路测量电池实时状态信息(电池电压、充放电电流及电池表面温度等)；然后将这些数据传送到微处理器，微处理器再对数据进行处理并运行相关的程序算法；最后，微处理器根据分析结果对系统功能模块及执行器发出控制指令，同时向显示装置输出电池数据信息。

本发明实施例中，可以首先获取到所述数据库中的电池历史数据，所述电池历史数据包括电压信息、电流信息及温度信息中的至少一种，当然也可以包括其他的电池历史数据，如电池上限电压信息、电池下限电压信息、时间间隔信息及充放电电流信息等，本发明实施例对此不作限制。

步骤102，提取出所述电池历史数据中的特征序列数据及初始序列数据；

进一步应用到本发明实施例中，还可以提取出所述电池历史数据中的特征序列数据及初始序列数据。

需要说明的是，所述特征序列数据包括电压序列数据、电流序列数据及温度序列数据等，本发明实施例对此不作限制；该电压序列数据可以为由特定时间段内连续的电压信息组成的序列数据，如动力电池全生命周期内连续的电压信息组成的序列数据。

进一步地，所述电流序列数据可以包括由特定时间段内连续的电流信息组成的序列数据，如动力电池全生命周期内连续的电流信息组成的序列数据；更进一步地，所述温度序列数据可以为由特定时间段内连续的温度信息组成的序列数据，如动力电池充电周期内连续的温度信息组成的序列数据。

本发明实施例中，该特定时间段可以是动力电池的全生命周期或者是全生命周期任意一个时间段，本发明实施例对此不作限制。

步骤103，依据所述特征序列数据生成第一训练输入向量及第一训练样本向量；

实际应用到本发明实施例中，可以根据该特征序列数据生成第一训练输入向量及第一训练样本向量；具体地，可以将所述特征序列数据中的序列数据元素进行提取，生成新的序列数据，以该新的序列数据作为第一训练输入向量或第一训练样本向量。

举例而言，可以提取出电压序列数据、电流序列数据及温度序列数据中对应的六个序列数据元素，将该六个序列数据元素组成第一训练输入向量；即从该电压序列数据提取出第一电压元素、第二电压元素；从该电流序列数据提取出第一电流元素、第二电流元素；从该温度序列数据提取出第一温度元素、第二温度元素；将上述的第一电压元素、第二电压元素、第一电流元素、第二电流元素、第一温度元素、第二温度元素组成第一训练输入向量。

需要说明的是，所述提取元素的数量可以为本领域技术人员根据实际情况而设置的任何数值，本发明实施例对此不作限制。

进一步地，从所述电压序列数据中提取出特定电压元素，将该特定电压元素作为第一训练输入向量，当然，本发明实施例中，对该特定电压元素的数量不作的限制。

步骤104，采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型；

具体应用到本发明实施例中，该机器学习模型可以包括有监督的机器学习模型，如k-近邻算法模型、朴素贝叶斯算法模型、支持向量机模型及决策树模型等，本发明实施例对此不作限制。

本发明实施例中，可以将该第一训练样本向量为训练样本，以第一训练输入向量为模型输入，得到经过训练后的机器学习模型。

步骤105，将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；

进一步地，可以将该初始序列数据输入至所述训练后的机器学习模型进行运算，获得预测电压序列数据。

需要说明的是，该初始序列数据可以包括每三个电压元素(如第一电压元素、第二电压元素、第三电压元素)、每三个电流元素(如第一电流元素、第二电流元素、第三电流元素)、每三个温度元素(如第一温度元素、第二温度元素、第三温度元素)组成的序列数据，当然，也可以包括由其他预设数量的序列数据元素组成的序列数据，本发明实施例对此不作限制。

步骤106，依据所述预测电压序列数据获得动力电池的电池容量信息。

本发明实施例中，待训练后的机器学习模型输出该预测电压序列数据后，可以根据该预测电压序列数据获得动力电池的电池容量信息。

具体地，首先可以获取到该电池历史数据中的时间间隔信息及充放电电流信息；再进一步提取出所述预测电压序列数据对应的长度信息；将上述的时间间隔信息、充放电电流信息及长度信息的乘积作为电池容量信息。

本发明实施例中，获取所述数据库中的电池历史数据；提取出所述电池历史数据中的特征序列数据及初始序列数据；依据所述特征序列数据生成第一训练输入向量及第一训练样本向量；采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型；将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；依据所述预测电压序列数据获得动力电池的电池容量信息；利用电池生命周期的电压，电流和温度数据，训练出机器学习模型。对模型输入充放电的电压，电流和温度序列，预测得到下一时刻电池的电压数值，并以此为新的输入滚动进行预测，得到电池在允许电压范围内的充放电完整序列数据，并计算其中的累积电量变化，作为电池的容量信息，降低成本、节省时间、解决了容量估算实验带来的消耗人力较多的问题。

参照图2，示出了本发明实施例的一种动力电池的数据处理方法实施例二的步骤流程图，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；具体可以包括如下步骤：

步骤201，获取所述数据库中的电池历史数据；

本发明实施例中，可以首先获取到数据库中储存的电池历史数据；其中，所述电池历史数据可以包括电压信息、电流信息、温度信息、电池上限电压信息、电池下限电压信息、时间间隔信息及充放电电流信息等，本发明实施例对此不作限制。

步骤202，提取出所述电池历史数据中的特征序列数据及初始序列数据；其中，所述特征序列数据包括电压序列数据、电流序列数据及温度序列数据中的至少一种；

进一步地，可以提取出所述电池历史数据中的电压序列数据、电流序列数据及温度序列数据。

需要说明的是，该电压序列数据可以为由特定时间段内连续的电压信息组成的序列数据，电流序列数据可以包括由特定时间段内连续的电流信息组成的序列数据，所述温度序列数据可以为由特定时间段内连续的温度信息组成的序列数据。

本发明实施例中，还可以提取出初始序列数据，该初始序列数据可以包括由相同数量的电压元素、电流元素、温度元素组成的序列数据(即种子输入序列)。

步骤203，提取出所述电压序列数据、电流序列数据及温度序列数据中预设数量的序列数据元素；

具体而言，可以提取出电压序列数据、电流序列数据及温度序列数据中预设数量的序列数据元素。

举例而言，可以提取出每三个电压元素(如第一电压元素、第二电压元素、第三电压元素)、每三个电流元素(如第一电流元素、第二电流元素、第三电流元素)、每三个温度元素(如第一温度元素、第二温度元素、第三温度元素)。

步骤204，将所述序列数据元素组合为第一训练输入向量；

进一步地，将上述的序列数据元素组合为第一训练输入向量；即将所述每三个电压元素(如第一电压元素、第二电压元素、第三电压元素)、每三个电流元素(如第一电流元素、第二电流元素、第三电流元素)、每三个温度元素(如第一温度元素、第二温度元素、第三温度元素)组合为第一训练输入向量。

步骤205，提取出电压序列数据中预设数量的序列数据元素；

实际应用到本发明实施例中，还提取出电压序列数据中预设数量的序列数据元素。

举例而言，可以提取出两个电压元素(如第四电压元素、第五电压元素)或者提取出一个电压元素(如第四电压元素)。

步骤206，将所述序列数据元素组合为第一训练样本向量；

进一步应用到本发明实施例中，可以将上述的序列数据元素组合为第一训练样本向量；

举例而言，可以将上述的第四电压元素、第五电压元素组合为第一训练样本向量；当然，也可以将上述的第四电压元素或者第五电压元素单独作为一个第一训练样本向量，本发明实施例对此不作限制。

步骤207，以所述第一训练样本向量作为训练标签，将所述第一训练输入向量输入预置的机器学习模型进行训练，获得训练后的机器学习模型；

在本发明实施例的一种具体示例中，以所述第一训练样本向量作为训练标签，以第一训练输入向量为输入，训练所述预置的机器学习模型；获得训练后的机器学习模型。

步骤208，将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；

进一步地，将该初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据。

当所述预测电压序列数据对应的电压信息符合预设条件时，停止将所述初始序列数据输入至所述训练后的机器学习模型，输出所述预测电压序列数据。

需要说明的是，上述的预设条件包括所述预测电压序列数据对应的电压信息小于电池下限电压信息；或者，所述预测电压序列数据对应的电压信息大于电池上限电压信息；停止将所述初始序列数据输入至所述训练后的机器学习模型，输出所述预测电压序列数据。

需要说明的是，所述电池下限电压信息及电池上限电压信息均为动力电池的预置的制造属性参数，即为动力电池的制造属性决定的参数。

步骤209，依据所述预测电压序列数据获得动力电池的电池容量信息。

本发明实施例的一种优选实施例中，所述依据所述预测电压序列数据获得动力电池的电池容量信息的步骤包括：获取所述电池历史数据中的时间间隔信息及充放电电流信息；获取所述预测电压序列数据对应的长度信息；根据所述时间间隔信息、充放电电流信息及长度信息计算出所述电池容量信息。

本发明实施例中，可以根据时间间隔信息、充放电电流信息及长度信息的乘积决定该电池容量信息。

本发明实施例中，获取所述数据库中的电池历史数据；提取出所述电池历史数据中的特征序列数据及初始序列数据；其中，所述特征序列数据包括电压序列数据、电流序列数据及温度序列数据中的至少一种；提取出所述电压序列数据、电流序列数据及温度序列数据中预设数量的序列数据元素；将所述序列数据元素组合为第一训练输入向量；将所述序列数据元素组合为第一训练输入向量；将所述序列数据元素组合为第一训练样本向量；以所述第一训练样本向量作为训练标签，将所述第一训练输入向量输入预置的机器学习模型进行训练，获得训练后的机器学习模型；将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；依据所述预测电压序列数据获得动力电池的电池容量信息；充分利用电动汽车实际运行的数据，且不需要依赖于大量的实验来获取训练标签。利用动力电池生命周期的所有电压，电流和温度数据，训练出预测模型。对模型输入连续的充放电的电压，电流和温度序列，预测得到下一时刻动力电池的电压数值，并以此为新的输入滚动进行预测。通过人工限制起始和结束的电压截至条件，并按要求输入充放电电流大小和环境温度大小，得到电池在允许电压范围内的充放电完整序列数据，并计算其中的累积电量变化，作为电池的电池容量信息，降低成本、节省时间。

为了使本领域技术人员更好地理解本发明实施例，以下通过一个具体示例进行说明：

1、提取动力电池的BMS记录的动力电池的全生命周期的电压，电流和环境温度序列数据，根据产生时间的先后递序排列，记为V,I,T共3个序列(即电压序列数据、电流序列数据及温度序列数据)，每一个序列均有K条数据，每一条序列记为v_k,i_k,t_k，k∈[1,K]，每一条序列产生的时间间隔信息为Δt；

2、设置一个序列长度l，从k＝1开始；

3、选取

三个向量，并将三个向量合并产生的新向量[V_k,I_k,T_k]记为X_k；将X_k作为训练输入，加入训练数据的集合X(即第一训练输入向量)；

4、选取v_k+l，记为Y_k；将Y_k作为训练标签，加入训练标签的集合Y(即第一训练样本向量)；

5、令k＝k+1，并重复步骤3开始的流程，直至k+l-1＝K；

6、使用有监督的机器学习算法，对训练数据集X和训练标签集Y进行训练，得到能够表达X→Y的映射的函数F(即得到训练后的机器学习模型),且F(x)＝y，其中x是长度为3×l的向量，y是标量；

7、根据电池设备制备商提供的电池参数信息，设置该动力电池的电池上限电压信息为v_upper，电池下限电压信息为v_lower，充放电电流信息为i，环境温度信息为t；

8、构造放电起始的种子输入序列x₀＝[v_upper,v_upper,...,v_upper,v_upper,0,0,...,0,i,t,t,...,t,t]，其中v_upper和t共l项(如果构造充电起始序列，替换v_upper为v_lower)，即生成初始序列数据，0共l-1项，同时令n＝0，并首先创建一个空的预测电压序列数据对应的向量

9、计算y_n＝F(x_n)，将y_n添加至

10、修改x_n，删除其中分别属于电压，电流和温度的第一个元素，将剩余的元素向前移动一个位置；

11、将分别属于电压，电流和温度的最后一个元素设置为y_n，i和t；

12、令n＝n+1，x_n＝步骤10，步骤11修改后的x_n；

13、跳至步骤9，直至y_n＜＝vl_ower(如果模拟充电过程，直至y_n＞＝v_upper)；

14、计算

的长度(即获得预测电压序列数据对应的长度信息)，结果记为m；

15、输出最终容量估算结果

即将时间间隔信息、充放电电流信息及长度信息的乘积作为电池容量信息。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图3，示出了本发明实施例的一种动力电池的数据处理装置实施例的结构框图，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；具体可以包括如下模块：

电池历史数据获取模块301，用于获取所述数据库中的电池历史数据；

提取模块302，用于提取出所述电池历史数据中的特征序列数据及初始序列数据；

生成模块303，用于依据所述特征序列数据生成第一训练输入向量及第一训练样本向量；

机器学习模型获得模块304，用于采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型；

预测电压序列数据获得模块305，用于将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；

电池容量信息获得模块306，用于依据所述预测电压序列数据获得动力电池的电池容量信息。

优选地，所述特征序列数据包括电压序列数据、电流序列数据及温度序列数据中的至少一种；所述生成模块包括：

第一提取子模块，用于提取出所述电压序列数据、电流序列数据及温度序列数据中预设数量的序列数据元素；

第一组合子模块，用于将所述序列数据元素组合为第一训练输入向量。

优选地，所述生成模块还包括：

第二提取子模块，用于提取出电压序列数据中预设数量的序列数据元素；

第二组合子模块，用于将所述序列数据元素组合为第一训练样本向量。

优选地，所述机器学习模型获得模块包括：

机器学习模型获得子模块，用于以所述第一训练样本向量作为训练标签，将所述第一训练输入向量输入预置的机器学习模型进行训练，获得训练后的机器学习模型。

优选地，所述预测电压序列数据获得模块包括：

停止子模块，用于当所述预测电压序列数据对应的电压信息符合预设条件时，停止将所述初始序列数据输入至所述训练后的机器学习模型，输出所述预测电压序列数据。

优选地，所述电池容量信息获得模块包括：

第一获取子模块，用于获取所述电池历史数据中的时间间隔信息及充放电电流信息；

第二获取子模块，用于获取所述预测电压序列数据对应的长度信息；

电池容量信息获得子模块，用于根据所述时间间隔信息、充放电电流信息及长度信息计算出所述电池容量信息。

本发明实施例还公开了一种电子设备，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上述的动力电池的数据处理的步骤。

本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的动力电池的数据处理的步骤。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种动力电池的数据处理方法和一种动力电池的数据处理装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种动力电池的数据处理方法，其特征在于，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；所述方法包括：

获取所述数据库中的电池历史数据；

提取出所述电池历史数据中的特征序列数据及初始序列数据；

依据所述特征序列数据生成第一训练输入向量及第一训练样本向量；

采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型；

将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；

依据所述预测电压序列数据获得动力电池的电池容量信息；

其中，所述特征序列数据包括电压序列数据、电流序列数据及温度序列数据中的至少一种；

所述依据所述预测电压序列数据获得动力电池的电池容量信息的步骤包括：

获取所述电池历史数据中的时间间隔信息及充放电电流信息；

获取所述预测电压序列数据对应的长度信息；

根据所述时间间隔信息、充放电电流信息及长度信息计算出所述电池容量信息。

2.根据权利要求1所述的方法，其特征在于，所述依据所述特征序列数据生成第一训练输入向量及第一训练样本向量的步骤包括：

提取出所述电压序列数据、电流序列数据及温度序列数据中预设数量的序列数据元素；

将所述序列数据元素组合为第一训练输入向量。

3.根据权利要求1或2所述的方法，其特征在于，所述依据所述特征序列数据生成第一训练输入向量及第一训练样本向量的步骤还包括：

提取出电压序列数据中预设数量的序列数据元素；

将所述序列数据元素组合为第一训练样本向量。

4.根据权利要求1所述的方法，其特征在于，所述采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型的步骤包括：

以所述第一训练样本向量作为训练标签，将所述第一训练输入向量输入预置的机器学习模型进行训练，获得训练后的机器学习模型。

5.根据权利要求1或4所述的方法，其特征在于，所述将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据的步骤包括：

当所述预测电压序列数据对应的电压信息符合预设条件时，停止将所述初始序列数据输入至所述训练后的机器学习模型，输出所述预测电压序列数据。

6.一种动力电池的数据处理装置，其特征在于，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；所述装置包括：

电池历史数据获取模块，用于获取所述数据库中的电池历史数据；

提取模块，用于提取出所述电池历史数据中的特征序列数据及初始序列数据；

生成模块，用于依据所述特征序列数据生成第一训练输入向量及第一训练样本向量；

机器学习模型获得模块，用于采用所述第一训练输入向量及第一训练样本向量训练预置的机器学习模型，获得训练后的机器学习模型；

预测电压序列数据获得模块，用于将所述初始序列数据输入至所述训练后的机器学习模型，获得预测电压序列数据；

电池容量信息获得模块，用于依据所述预测电压序列数据获得动力电池的电池容量信息；

其中，所述特征序列数据包括电压序列数据、电流序列数据及温度序列数据中的至少一种；

所述电池容量信息获得模块包括：

第一获取子模块，用于获取所述电池历史数据中的时间间隔信息及充放电电流信息；

第二获取子模块，用于获取所述预测电压序列数据对应的长度信息；

电池容量信息获得子模块，用于根据所述时间间隔信息、充放电电流信息及长度信息计算出所述电池容量信息。

7.根据权利要求6所述的装置，其特征在于，所述生成模块包括：

第一提取子模块，用于提取出所述电压序列数据、电流序列数据及温度序列数据中预设数量的序列数据元素；

第一组合子模块，用于将所述序列数据元素组合为第一训练输入向量。

8.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任一项所述的动力电池的数据处理的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的动力电池的数据处理的步骤。

Images