CN113093012A - 电池能量状态检测方法、设备、存储介质及装置 - Google Patents

Abstract

本发明公开了一种电池能量状态检测方法、设备、存储介质及装置，相较于现有的基于电池SOC查表或基于电池等效电路模型估计动力电池当前能量状态的方式，本发明中，通过获取待检测车辆的当前电池外特性参数，根据当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成，根据当前电池能量值确定当前电池能量状态信息，并将当前能量状态信息发送至待检测车辆，从而能够克服现有技术中无法准确检测电池能量状态的缺陷，提高电池能量状态检测的可靠性。

Description

电池能量状态检测方法、设备、存储介质及装置

技术领域

本发明涉及电动汽车技术领域，尤其涉及一种电池能量状态检测方法、设备、存储介质及装置。

背景技术

动力电池是电动汽车的动力来源，通过动力电池能量状态可以计算续驶里程。因此，动力电池能量状态估计至关重要。目前，往往基于电池荷电状态(State of charge，SOC)查表或基于电池等效电路模型来估计动力电池的当前能量状态。

但是，通过电池SOC查表确定动力电池当前能量状态的方式，由于受温度变化以及电动汽车未来行驶工况的影响较大，因此，无法保证电池能量状态估计的精度；而通过电池等效电路模型估计动力电池当前能量状态的方式，由于无法准确测量电池内特性参数，因此，也无法保证电池能量状态估计的精度。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种电池能量状态检测方法、设备、存储介质及装置，旨在解决现有技术中无法准确检测电池能量状态的技术问题。

为实现上述目的，本发明提供一种电池能量状态检测方法，所述电池能量状态检测方法包括以下步骤：

获取待检测车辆的当前电池外特性参数；

根据所述当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，所述目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成；

根据所述当前电池能量值确定当前电池能量状态信息，并将所述当前能量状态信息发送至所述待检测车辆。

可选地，所述获取待检测车辆的当前电池外特性参数的步骤之前，所述电池能量状态检测方法还包括：

获取历史电池外特性参数和对应的历史电池能量值；

对所述历史电池外特性参数进行特征提取，获得所述历史电池外特性参数的参数特征；

根据所述参数特征构建初始能量状态估计模型；

根据所述历史电池外特性参数以及所述历史电池能量值对所述初始能量状态估计模型进行训练，获得目标能量状态估计模型。

可选地，所述对所述历史电池外特性参数进行特征提取，获得所述历史电池外特性参数的参数特征的步骤，具体包括：

对所述历史电池外特性参数进行分类，获得多个参数类别；

统计所述参数类别的类别数量，并分析各参数类别之间的关联关系；

根据所述类别数量以及所述关联关系生成所述历史电池外特性参数的参数特征。

可选地，所述根据所述参数特征构建初始能量状态估计模型的步骤，具体包括：

根据所述参数特征确定神经网络节点数以及神经网络模型层数；

根据所述神经网络节点数以及所述神经网络模型层数构建初始能量状态估计模型。

可选地，所述根据所述历史电池外特性参数以及所述历史电池能量值对所述初始能量状态估计模型进行训练，获得目标能量状态估计模型的步骤，具体包括：

根据所述历史电池外特性参数通过所述初始能量状态估计模型确定输出电池能量值；

根据所述输出电池能量值以及所述历史电池能量值确定输出数据误差值，并判断所述输出数据误差值是否小于预设阈值；

在所述输出数据误差值小于预设阈值时，将所述初始能量状态估计模型作为目标能量状态估计模型。

可选地，所述根据所述初始输出数据以及预设输出数据确定输出数据误差值，并判断所述输出数据误差值是否小于预设阈值的步骤之后，所述电池能量状态检测方法包括：

在所述输出数据误差值大于或等于预设阈值时，根据所述误差值对所述初始能量状态估计模型进行参数调整，并返回所述根据所述历史电池外特性参数通过所述初始能量状态估计模型确定初始输出数据的步骤。

可选地，所述根据所述当前电池能量值确定当前电池能量状态信息，并将所述当前能量状态信息发送至所述待检测车辆的步骤之后，所述电池能量状态检测方法还包括：

接收所述待检测车辆根据所述当前能量状态信息反馈的精度验证结果；

在所述精度验证结果为验证通过时，根据所述当前电池外特性参数对历史电池外特性参数进行更新；

根据所述当前电池能量值对历史电池能量值进行更新，并返回所述获取历史电池外特性参数和对应的历史电池能量值的步骤。

此外，为实现上述目的，本发明还提出一种电池能量状态检测设备，所述电池能量状态检测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池能量状态检测程序，所述电池能量状态检测程序配置为实现如上文所述的电池能量状态检测方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有电池能量状态检测程序，所述电池能量状态检测程序被处理器执行时实现如上文所述的电池能量状态检测方法的步骤。

此外，为实现上述目的，本发明还提出一种电池能量状态检测装置，所述电池能量状态检测装置包括：获取模块、输入模块和确定模块；

所述获取模块，用于获取待检测车辆的当前电池外特性参数；

所述输入模块，用于根据所述当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，所述目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成；

所述确定模块，用于根据所述当前电池能量值确定当前电池能量状态信息，并将所述当前能量状态信息发送至所述待检测车辆。

本发明中，公开了获取待检测车辆的当前电池外特性参数，根据当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成，根据当前电池能量值确定当前电池能量状态信息，并将当前能量状态信息发送至待检测车辆；相较于现有的基于电池SOC查表或基于电池等效电路模型估计动力电池当前能量状态的方式，由于本发明中，基于电池外特性参数进行模型训练，并根据电池外特性参数以及训练好的能量状态估计模型进行电池能量状态检测，从而能够克服现有技术中无法准确检测电池能量状态的缺陷，提高电池能量状态检测的可靠性。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的电池能量状态检测设备的结构示意图；

图2为本发明电池能量状态检测方法第一实施例的流程示意图；

图3为本发明电池能量状态检测方法第二实施例的流程示意图；

图4为本发明电池能量状态检测方法第三实施例的流程示意图；

图5为本发明电池能量状态检测装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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，图1为本发明实施例方案涉及的硬件运行环境的电池能量状态检测设备结构示意图。

如图1所示，该电池能量状态检测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对电池能量状态检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电池能量状态检测程序。

在图1所示的电池能量状态检测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述电池能量状态检测设备通过处理器1001调用存储器1005中存储的电池能量状态检测程序，并执行本发明实施例提供的电池能量状态检测方法。

基于上述硬件结构，提出本发明电池能量状态检测方法的实施例。

参照图2，图2为本发明电池能量状态检测方法第一实施例的流程示意图，提出本发明电池能量状态检测方法第一实施例。

步骤S10：获取待检测车辆的当前电池外特性参数。

需要说明的是，本实施例的执行主体是所述电池能量状态检测设备，其中，所述电池能量状态检测设备可为服务器等电子设备，还可为其他可实现相同或相似功能的设备，本实施例对此不作限制，在本实施例以及下述各实施例中，以大数据平台为例对本发明电池能量状态检测方法进行说明。

待检测车辆可以是装有预设车载终端设备的电动汽车。其中，预设车载终端设备可以是预先与电池能量状态检测设备建立通信连接的终端设备。在本实施例以及其他实施例中，车载终端设备可以是整车控制器。

电池外特性参数可以是动力电池的电池参数。例如：电池电流、电池电压以及电池温度等参数，本实施例对此不加以限制。

应当理解的是，获取待检测车辆的当前电池外特性参数可以是获取待检测车辆的车载终端设备上传的当前检测数据，并对电池初始参数进行预处理，获得当前电池外特性参数。其中，预处理可以是数据清洗等，本实施例对此不加以限制。

需要说明的是，当前检测数据可以包括车辆识别号码(Vehicle IdentificationNumber，VIN)、数据采集时间、充放电状态、电池包电流、电池包电压、单体最大电压、单体最小电压、单体最高温度、单体最低温度以及车辆速度等，本实施例对此不加以限制。

在具体实现中，例如，大数据平台可以每隔10S采集电动汽车的汽车数据。主要采集的数据为：VIN、数据采集时间、充放电状态、电池包电流、电池包电压、单体最大电压、单体最小电压、单体最高温度、单体最低温度以及车辆速度等。对提取的汽车数据进行清洗，去除异常数据和空数据，得到所需要的数据，如：电池温度、电池电流以及电池电压等。

步骤S20：根据所述当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，所述目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成。

可以理解的是，根据当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值可以是将当前电池外特性参数作为模型输入数据输入目标能量状态估计模型，获得当前电池能量值。

进一步地，为了能够基于历史电池外特性参数和对应的历史电池能量值生成目标能量状态估计模型，所述获取待检测车辆的当前电池外特性参数之前，还包括：

获取历史电池外特性参数和对应的历史电池能量值，对历史电池外特性参数进行特征提取，获得历史电池外特性参数的参数特征，根据参数特征构建初始能量状态估计模型，根据历史电池外特性参数以及历史电池能量值对初始能量状态估计模型进行训练，获得目标能量状态估计模型。

步骤S30：根据所述当前电池能量值确定当前电池能量状态信息，并将所述当前能量状态信息发送至所述待检测车辆。

应当理解的是，根据当前电池能量值确定当前电池能量状态信息可以是在预设状态表中查找当前电池能量值对应的当前电池能量状态信息。其中，预设状态表中包含电池能量值与电池能量状态信息的对应关系，电池能量值与电池能量状态信息的对应关系可以由电池能量状态检测设备的管理人员预先设置，本实施例对此不加以限制。

在第一实施例中，公开了获取待检测车辆的当前电池外特性参数，根据当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成，根据当前电池能量值确定当前电池能量状态信息，并将当前能量状态信息发送至待检测车辆；相较于现有的基于电池SOC查表或基于电池等效电路模型估计动力电池当前能量状态的方式，由于本实施例中，基于电池外特性参数进行模型训练，并根据电池外特性参数以及训练好的能量状态估计模型进行电池能量状态检测，从而能够克服现有技术中无法准确检测电池能量状态的缺陷，提高电池能量状态检测的可靠性。

参照图3，图3为本发明电池能量状态检测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明电池能量状态检测方法的第二实施例。

在第二实施例中，所述步骤S10之前，还包括：

步骤S01：获取历史电池外特性参数和对应的历史电池能量值。

需要说明的是，电池外特性参数可以是动力电池的电池参数。例如：电池电流、电池电压以及电池温度等参数；电池能量值可以是电池剩余电量值，本实施例对此不加以限制。

应当理解的是，获取历史电池外特性参数和对应的历史电池能量值可以是从预设数据库中获取历史电池外特性参数和对应的历史电池能量值。其中，预设数据库可以是预先设置用于存储历史数据的数据库，本实施例对此不加以限制。

步骤S02：对所述历史电池外特性参数进行特征提取，获得所述历史电池外特性参数的参数特征。

可以理解的是，对历史电池外特性参数进行特征提取，获得所述历史电池外特性参数的参数特征可以是根据历史电池外特性参数的参数信息进行进行特征提取，获得所述历史电池外特性参数的参数特征。

进一步地，为了能够提高参数特征的准确性，所述对所述历史电池外特性参数进行特征提取，获得所述历史电池外特性参数的参数特征，包括：

对所述历史电池外特性参数进行分类，获得多个参数类别，统计参数类别的类别数量，并分析各参数类别之间的关联关系，根据类别数量以及关联关系生成历史电池外特性参数的参数特征。

步骤S03：根据所述参数特征构建初始能量状态估计模型。

应当理解的是，根据参数特征构建初始能量状态估计模型可以是根据参数特征以及预设算法构建初始能量状态估计模型。其中，预设算法可以由电池能量状态检测设备的管理人员预先设置，在本实施例以及其他实施例中，以Bayesian Regularization算法为例进行说明。

进一步地，为了能够提高初始能量状态估计模型的可靠性，所述根据所述参数特征构建初始能量状态估计模型，包括：

根据参数特征确定神经网络节点数以及神经网络模型层数，根据神经网络节点数以及神经网络模型层数构建初始能量状态估计模型。

步骤S04：根据所述历史电池外特性参数以及所述历史电池能量值对所述初始能量状态估计模型进行训练，获得目标能量状态估计模型。

可以理解的是，根据历史电池外特性参数以及历史电池能量值对初始能量状态估计模型进行训练，获得目标能量状态估计模型可以是根据历史电池外特性参数通过初始能量状态估计模型确定输出电池能量值，根据输出电池能量值以及历史电池能量值确定输出数据误差值，并判断输出数据误差值是否小于预设阈值，在输出数据误差值小于预设阈值时，将初始能量状态估计模型作为目标能量状态估计模型。

在第二实施例中，公开了获取历史电池外特性参数和对应的历史电池能量值，对历史电池外特性参数进行特征提取，获得历史电池外特性参数的参数特征，根据参数特征构建初始能量状态估计模型，根据历史电池外特性参数以及历史电池能量值对初始能量状态估计模型进行训练，获得目标能量状态估计模型；由于本实施例中，预先对能量状态估计模型进行训练，获得目标能量状态估计模型，从而能够提高目标能量状态估计模型的可靠性。

在第二实施例中，所述步骤S30之后，还包括：

步骤S40：接收所述待检测车辆根据所述当前能量状态信息反馈的精度验证结果。

可以理解的是，用户可以通过待检测车辆的车载终端设备反馈精度验证结果。

步骤S50：在所述精度验证结果为验证通过时，根据所述当前电池外特性参数对历史电池外特性参数进行更新。

应当理解的是，在精度验证结果为验证通过时，说明用户确定能量状态信息正确，此时，可以将当前电池外特性参数作为历史电池外特性参数参与后续运算。

步骤S60：根据所述当前电池能量值对历史电池能量值进行更新，并返回所述获取历史电池外特性参数和对应的历史电池能量值的步骤。

可以理解的是，根据当前电池能量值对历史电池能量值进行更新可以是将当前电池能量值作为历史电池能量值参与后续运算。

在第二实施例中，通过接收待检测车辆根据当前能量状态信息反馈的精度验证结果，在精度验证结果为验证通过时，根据当前电池外特性参数对历史电池外特性参数进行更新，根据当前电池能量值对历史电池能量值进行更新，并返回获取历史电池外特性参数和对应的历史电池能量值的步骤，从而能够循环进行能量状态估计模型训练，以提高能量状态估计模型的准确性。

参照图4，图4为本发明电池能量状态检测方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明电池能量状态检测方法的第三实施例。

在第三实施例中，所述步骤S02，包括：

步骤S021：对所述历史电池外特性参数进行分类，获得多个参数类别。

应当理解的是，对历史电池外特性参数进行分类，获得多个参数类别可以是获取历史电池外特性参数的参数标记，并根据参数标识对历史电池外特性参数进行分类，获得多个参数类别。其中，参数标识可以是用于表示参数身份的标识信息，可以由电池能量状态检测设备的管理人员在存入历史电池外特性参数时设置，本实施例对此不加以限制。

在具体实现中，例如，对历史电池外特性参数进行分类，将电流参数分为一个类别，将电压参数分为一个类别，将温度参数分为一个类别。

步骤S022：统计所述参数类别的类别数量，并分析各参数类别之间的关联关系。

可以理解的是，分析各参数类别之间的关联关系可以是根据预设关联模型确定各参数类别之间的关联关系。其中，预设关联模型可以由电池能量状态检测设备的管理人员预先设置，本实施例对此不加以限制。

步骤S023：根据所述类别数量以及所述关联关系生成所述历史电池外特性参数的参数特征。

应当理解的是，根据类别数量以及关联关系生成历史电池外特性参数的参数特征可以是将类别数量以及关联关系进行合并，获得历史电池外特性参数的参数特征。

在第三实施例中，公开了对所述历史电池外特性参数进行分类，获得多个参数类别，统计参数类别的类别数量，并分析各参数类别之间的关联关系，根据类别数量以及关联关系生成历史电池外特性参数的参数特征；由于本实施例中，先确定参数类别的类别数量以及各参数类别之间的关联关系，再根据类别数量以及关联关系生成历史电池外特性参数的参数特征，从而能够提高参数特征的准确性。

在第三实施例中，所述步骤S03，包括：

步骤S031：根据所述参数特征确定神经网络节点数以及神经网络模型层数。

可以理解的是，根据参数特征确定神经网络节点数以及神经网络模型层数可以是根据参数特征确定模型复杂度，并根据模型复杂度确定神经网络节点数以及神经网络模型层数。

步骤S032：根据所述神经网络节点数以及所述神经网络模型层数构建初始能量状态估计模型。

应当理解的是，根据神经网络节点数以及神经网络模型层数构建初始能量状态估计模型可以是根据神经网络节点数、神经网络模型层数以及预设算法构建初始能量状态估计模型。其中，预设算法可以由电池能量状态检测设备的管理人员预先设置，在本实施例以及其他实施例中，以Bayesian Regularization算法为例进行说明。

在具体实现中，例如，将初始能量状态估计模型整理为：

式中，y为能量状态估计模型的输出，x为能量状态估计模型的输入，a可以根据神经网络节点数以及神经网络模型层数确定，A、B为能量状态估计模型的模型参数，可以由电池能量状态检测设备的管理人员预先设置。

在第三实施例中，公开了根据参数特征确定神经网络节点数以及神经网络模型层数，根据神经网络节点数以及神经网络模型层数构建初始能量状态估计模型；由于本实施例中，将能量状态估计模型的构建步骤具体到了神经网络节点数以及神经网络模型层数，从而能够提高初始能量状态估计模型的可靠性。

在第三实施例中，所述步骤S04，包括：

步骤S041：根据所述历史电池外特性参数通过所述初始能量状态估计模型确定输出电池能量值。

应当理解的是，根据历史电池外特性参数通过初始能量状态估计模型确定输出电池能量值可以是将历史电池外特性参数作为模型输入数据输入初始能量状态估计模型，获得输出电池能量值。

步骤S042：根据所述输出电池能量值以及所述历史电池能量值确定输出数据误差值，并判断所述输出数据误差值是否小于预设阈值。

需要说明的是，预设阈值可以由电池能量状态检测设备的管理人员预先设置，本实施例对此不加以限制。

进一步地，为了能够初始能量状态估计模型不符合要求时，对初始能量状态估计模型进行自适应调整。在所述步骤S042之后，还包括：

在所述输出数据误差值大于或等于预设阈值时，根据所述误差值对所述初始能量状态估计模型进行参数调整，并返回所述根据所述历史电池外特性参数通过所述初始能量状态估计模型确定初始输出数据的步骤。

需要说明的是，根据误差值对初始能量状态估计模型进行参数调整可以是根据误差值对初始能量状态估计模型中的权重和偏置进行调整。

在具体实现中，例如，根据误差值对初始能量状态估计模型进行参数调整可以是调整初始能量状态估计模型

中的A和B。

步骤S043：在所述输出数据误差值小于预设阈值时，将所述初始能量状态估计模型作为目标能量状态估计模型。

应当理解的是，在输出数据误差值小于预设阈值时，说明初始能量状态估计模型的准确性符合要求，此时，可以直接将初始能量状态估计模型作为目标能量状态估计模型。

在第三实施例中，根据历史电池外特性参数通过初始能量状态估计模型确定输出电池能量值，根据输出电池能量值以及历史电池能量值确定输出数据误差值，并判断输出数据误差值是否小于预设阈值，在输出数据误差值小于预设阈值时，将初始能量状态估计模型作为目标能量状态估计模型，从而能够验证初始能量状态估计模型的准确性，并在初始能量状态估计模型符合准确性要求时，将初始能量状态估计模型作为目标能量状态估计模型。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有电池能量状态检测程序，所述电池能量状态检测程序被处理器执行时实现如上文所述的电池能量状态检测方法的步骤。

此外，参照图5，本发明实施例还提出一种电池能量状态检测装置，所述电池能量状态检测装置包括：获取模块10、输入模块20和确定模块30；

所述获取模块10，用于获取待检测车辆的当前电池外特性参数。

需要说明的是，待检测车辆可以是装有预设车载终端设备的电动汽车。其中，预设车载终端设备可以是预先与电池能量状态检测设备建立通信连接的终端设备。在本实施例以及其他实施例中，车载终端设备可以是整车控制器。

电池外特性参数可以是动力电池的电池参数。例如：电池电流、电池电压以及电池温度等参数，本实施例对此不加以限制。

应当理解的是，获取待检测车辆的当前电池外特性参数可以是获取待检测车辆的车载终端设备上传的当前检测数据，并对电池初始参数进行预处理，获得当前电池外特性参数。其中，预处理可以是数据清洗等，本实施例对此不加以限制。

需要说明的是，当前检测数据可以包括车辆识别号码(Vehicle IdentificationNumber，VIN)、数据采集时间、充放电状态、电池包电流、电池包电压、单体最大电压、单体最小电压、单体最高温度、单体最低温度以及车辆速度等，本实施例对此不加以限制。

在具体实现中，例如，大数据平台可以每隔10S采集电动汽车的汽车数据。主要采集的数据为：VIN、数据采集时间、充放电状态、电池包电流、电池包电压、单体最大电压、单体最小电压、单体最高温度、单体最低温度以及车辆速度等。对提取的汽车数据进行清洗，去除异常数据和空数据，得到所需要的数据，如：电池温度、电池电流以及电池电压等。

所述输入模块20，用于根据所述当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，所述目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成。

可以理解的是，根据当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值可以是将当前电池外特性参数作为模型输入数据输入目标能量状态估计模型，获得当前电池能量值。

进一步地，为了能够基于历史电池外特性参数和对应的历史电池能量值生成目标能量状态估计模型，所述电池能量状态检测装置还包括：训练模块；

所述训练模块，用于获取历史电池外特性参数和对应的历史电池能量值，对历史电池外特性参数进行特征提取，获得历史电池外特性参数的参数特征，根据参数特征构建初始能量状态估计模型，根据历史电池外特性参数以及历史电池能量值对初始能量状态估计模型进行训练，获得目标能量状态估计模型。

所述确定模块30，用于根据所述当前电池能量值确定当前电池能量状态信息，并将所述当前能量状态信息发送至所述待检测车辆。

应当理解的是，根据当前电池能量值确定当前电池能量状态信息可以是在预设状态表中查找当前电池能量值对应的当前电池能量状态信息。其中，预设状态表中包含电池能量值与电池能量状态信息的对应关系，电池能量值与电池能量状态信息的对应关系可以由电池能量状态检测设备的管理人员预先设置，本实施例对此不加以限制。

在本实施例中，公开了获取待检测车辆的当前电池外特性参数，根据当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成，根据当前电池能量值确定当前电池能量状态信息，并将当前能量状态信息发送至待检测车辆；相较于现有的基于电池SOC查表或基于电池等效电路模型估计动力电池当前能量状态的方式，由于本实施例中，基于电池外特性参数进行模型训练，并根据电池外特性参数以及训练好的能量状态估计模型进行电池能量状态检测，从而能够克服现有技术中无法准确检测电池能量状态的缺陷，提高电池能量状态检测的可靠性。

在一实施例中，所述电池能量状态检测装置还包括：训练模块；所述训练模块，用于获取历史电池外特性参数和对应的历史电池能量值；对所述历史电池外特性参数进行特征提取，获得所述历史电池外特性参数的参数特征；根据所述参数特征构建初始能量状态估计模型；根据所述历史电池外特性参数以及所述历史电池能量值对所述初始能量状态估计模型进行训练，获得目标能量状态估计模型；

在一实施例中，所述训练模块，还用于对所述历史电池外特性参数进行分类，获得多个参数类别；统计所述参数类别的类别数量，并分析各参数类别之间的关联关系；根据所述类别数量以及所述关联关系生成所述历史电池外特性参数的参数特征；

在一实施例中，所述训练模块，还用于根据所述参数特征确定神经网络节点数以及神经网络模型层数；根据所述神经网络节点数以及所述神经网络模型层数构建初始能量状态估计模型；

在一实施例中，所述训练模块，还用于根据所述历史电池外特性参数通过所述初始能量状态估计模型确定输出电池能量值；根据所述输出电池能量值以及所述历史电池能量值确定输出数据误差值，并判断所述输出数据误差值是否小于预设阈值；在所述输出数据误差值小于预设阈值时，将所述初始能量状态估计模型作为目标能量状态估计模型；

在一实施例中，所述训练模块，还用于在所述输出数据误差值大于或等于预设阈值时，根据所述误差值对所述初始能量状态估计模型进行参数调整，并返回所述根据所述历史电池外特性参数通过所述初始能量状态估计模型确定初始输出数据的步骤；

在一实施例中，所述训练模块，还用于接收所述待检测车辆根据所述当前能量状态信息反馈的精度验证结果；在所述精度验证结果为验证通过时，根据所述当前电池外特性参数对历史电池外特性参数进行更新；根据所述当前电池能量值对历史电池能量值进行更新，并返回所述获取历史电池外特性参数和对应的历史电池能量值的步骤。

本发明所述电池能量状态检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种电池能量状态检测方法，其特征在于，所述电池能量状态检测方法包括以下步骤：

获取待检测车辆的当前电池外特性参数；

根据所述当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，所述目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成；

根据所述当前电池能量值确定当前电池能量状态信息，并将所述当前能量状态信息发送至所述待检测车辆。

2.如权利要求1所述的电池能量状态检测方法，其特征在于，所述获取待检测车辆的当前电池外特性参数的步骤之前，所述电池能量状态检测方法还包括：

获取历史电池外特性参数和对应的历史电池能量值；

对所述历史电池外特性参数进行特征提取，获得所述历史电池外特性参数的参数特征；

根据所述参数特征构建初始能量状态估计模型；

根据所述历史电池外特性参数以及所述历史电池能量值对所述初始能量状态估计模型进行训练，获得目标能量状态估计模型。

3.如权利要求2所述的电池能量状态检测方法，其特征在于，所述对所述历史电池外特性参数进行特征提取，获得所述历史电池外特性参数的参数特征的步骤，具体包括：

对所述历史电池外特性参数进行分类，获得多个参数类别；

统计所述参数类别的类别数量，并分析各参数类别之间的关联关系；

根据所述类别数量以及所述关联关系生成所述历史电池外特性参数的参数特征。

4.如权利要求2所述的电池能量状态检测方法，其特征在于，所述根据所述参数特征构建初始能量状态估计模型的步骤，具体包括：

根据所述参数特征确定神经网络节点数以及神经网络模型层数；

根据所述神经网络节点数以及所述神经网络模型层数构建初始能量状态估计模型。

5.如权利要求2所述的电池能量状态检测方法，其特征在于，所述根据所述历史电池外特性参数以及所述历史电池能量值对所述初始能量状态估计模型进行训练，获得目标能量状态估计模型的步骤，具体包括：

根据所述历史电池外特性参数通过所述初始能量状态估计模型确定输出电池能量值；

根据所述输出电池能量值以及所述历史电池能量值确定输出数据误差值，并判断所述输出数据误差值是否小于预设阈值；

在所述输出数据误差值小于预设阈值时，将所述初始能量状态估计模型作为目标能量状态估计模型。

6.如权利要求5所述电池能量状态检测方法，其特征在于，所述根据所述初始输出数据以及预设输出数据确定输出数据误差值，并判断所述输出数据误差值是否小于预设阈值的步骤之后，所述电池能量状态检测方法包括：

在所述输出数据误差值大于或等于预设阈值时，根据所述误差值对所述初始能量状态估计模型进行参数调整，并返回所述根据所述历史电池外特性参数通过所述初始能量状态估计模型确定初始输出数据的步骤。

7.如权利要求2-6所述的电池能量状态检测方法，其特征在于，所述根据所述当前电池能量值确定当前电池能量状态信息，并将所述当前能量状态信息发送至所述待检测车辆的步骤之后，所述电池能量状态检测方法还包括：

接收所述待检测车辆根据所述当前能量状态信息反馈的精度验证结果；

在所述精度验证结果为验证通过时，根据所述当前电池外特性参数对历史电池外特性参数进行更新；

根据所述当前电池能量值对历史电池能量值进行更新，并返回所述获取历史电池外特性参数和对应的历史电池能量值的步骤。

8.一种电池能量状态检测设备，其特征在于，所述电池能量状态检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池能量状态检测程序，所述电池能量状态检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的电池能量状态检测方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有电池能量状态检测程序，所述电池能量状态检测程序被处理器执行时实现如权利要求1至7中任一项所述的电池能量状态检测方法的步骤。

10.一种电池能量状态检测装置，其特征在于，所述电池能量状态检测装置包括：获取模块、输入模块和确定模块；

所述获取模块，用于获取待检测车辆的当前电池外特性参数；

所述输入模块，用于根据所述当前电池外特性参数通过目标能量状态估计模型确定当前电池能量值，所述目标能量状态估计模型基于历史电池外特性参数和对应的历史电池能量值生成；

所述确定模块，用于根据所述当前电池能量值确定当前电池能量状态信息，并将所述当前能量状态信息发送至所述待检测车辆。

Images