CN113673712A - 剩余电量值计算方法及装置、服务器、存储介质 - Google Patents

Abstract

本发明实施例公开了一种剩余电量值计算方法及装置、服务器、存储介质。方法包括：接收电池参数报文；根据电池参数报文生成剩余电量值；发送剩余电量值。本发明实施例能计算出更加准确的电池剩余电量值。

Description

剩余电量值计算方法及装置、服务器、存储介质

技术领域

本申请涉及电源技术领域，尤其涉及一种剩余电量值计算方法及装置、服务器、存储介质。

背景技术

传统的技术方案一般基于开路电压（OCV，Open Current Voltage）和库仑计积分相结合的方式来估算电池的剩余电量。

上述方案存在以下技术问题：

上述方案需在以下前提才能实现：电池在无充放电状态下长时间静置。

但是在实际的应用场景中，电池不可能长时间处于静置状态，因此，上述方案在某些情况下无法实现。

此外，电池的剩余电量的估算并不仅仅依靠电池的电压值和电流值，其还会受到诸如电池循环次数、放电倍率等因素的影响。

基于以上问题，传统的方案无法得出较为准确的关于电池的剩余电量的估算结果。

故，有必要提出一种新的技术，以解决上述技术问题。

发明内容

本申请的目的在于提供一种剩余电量值计算方法及装置、服务器、存储介质，其能计算出更加准确的电池剩余电量值。

为解决上述问题，本发明实施例的技术方案如下：

一种剩余电量值计算方法，所述方法包括：接收电池参数报文；对所接收到的所述电池参数报文按照电池类型进行归类；从所述电池参数报文的归类结果中筛选出符合筛选条件的电池参数报文；根据所筛选出的电池参数报文计算所述剩余电量值；以及发送所述剩余电量值。

在上述剩余电量值计算方法中，所述根据所筛选出的电池参数报文计算所述剩余电量值包括：

从筛选后得出的符合筛选条件的报文中提取出至少两电池参数；

将至少两所述电池参数输入到电池剩余电量学习模型中；

根据所述电池剩余电量学习模型输出的学习结果计算所述剩余电量值。

在上述剩余电量值计算方法中，所述将至少两所述电池参数输入到电池剩余电量学习模型中包括：将至少两所述电池参数分别输入到所述电池剩余电量学习模型中的至少两子模型中；所述根据所述电池剩余电量学习模型输出的学习结果计算所述剩余电量值包括：将至少两所述子模型输出的剩余电量平均值进行比较；输出比较结果中符合预定条件中的一者。

在上述剩余电量值计算方法中，所述将至少两所述电池参数输入到电池剩余电量学习模型中包括：

将至少两所述电池参数分别输入到所述电池剩余电量学习模型中的至少两子模型中；

所述根据所述电池剩余电量学习模型输出的学习结果计算所述剩余电量值包括：

将至少两所述子模型输出的剩余电量平均值进行比较；

输出比较结果中符合预定条件中的一者。

在上述剩余电量值计算方法中，所述将至少两所述子模型输出的剩余电量平均值进行比较包括：

以所述电池剩余电量学习模型中的预定子模型所计算得出的剩余电量值与所述电池剩余电量学习模型中其余子模型中所计算得出的剩余电量值的平均值进行比较；其中，所述预定子模型为所述电池剩余电量学习模型中用于根据温度参数计算剩余电量值的子模型、用于根据电流参数计算剩余电量值的子模型以及用于根据循环次数参数计算剩余电量值的子模型的组合；

所述输出比较结果中符合预定条件中的一者包括：

若比较得出的差值超过预定范围，则输出所述电池剩余电量学习模型中的所有子模型所计算得出的剩余电量值的平均值；

若比较得出的差值没有超过所述预定范围，则输出所述预定子模型所计算得出的剩余电量值。

在上述剩余电量值计算方法中，所述用于根据温度参数计算剩余电量值的子模型所计算得到的剩余电量值的权重大于所述用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重，所述用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重大于所述用于根据循环次数参数计算剩余电量值的子模型所计算得到的剩余电量值的权重。

在上述剩余电量值计算方法中，所述用于根据温度参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比50%至70%，所述用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比10%-30%，所述用于根据循环次数参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比10%-20%。

在上述剩余电量值计算方法中，所述剩余电量值计算方法还包括：

配置单个电芯的信息和包括至少一个电芯的电池组的信息，其中，所述电芯的信息包括电芯生产厂家、电芯ID、电芯化学类型、电芯设计容量、电芯充电截止电压、电芯放电截止电压，所述电池组的信息包括电芯串联节数、电池高温使用温度、电池日常使用温度、电池低温使用温度；

将电芯放置在配置参数中的指定温度下，并静置3小时，然后按照电芯生产厂商规定的充电电压和充电电流对电芯进行充电，直至满足以下条件中的任意一个：容量大于100AH时，电流小于0.001C；容量小于100AH时，电流小于0.01C，并获取电芯的运行数据；

根据电芯的化学类型将电芯静置不同的时间，然后根据配置的截止电压，以0.1C的放电电流对电芯进行放电，直至放空，并获取电芯运行数据；

将所获取到的电芯运行数据进行归一化处理，并输入到所述电池剩余电量学习模型的输入层中，以对所述电池剩余电量学习模型初始化。

一种剩余电量值计算装置，所述装置包括：电池参数报文接收模块，用于接收电池参数报文；

剩余电量值生成模块，用于对所接收到的所述电池参数报文按照电池类型进行归类；从所述电池参数报文的归类结果中筛选出符合筛选条件的电池参数报文；根据所筛选出的电池参数报文计算所述剩余电量值；

剩余电量值发送模块，用于发送所述剩余电量值。

一种服务器，所述服务器包括处理器和存储器，所述存储器用于存储程序代码，所述服务器运行时，所述处理器用于执行所述程序代码，以执行上述剩余电量值计算方法。

一种存储有程序代码的计算机可读存储介质，所述程序代码用于使得计算机执行上述剩余电量值计算方法。

本申请实施例使用一种新方式来校准BMS的剩余电量值，解决了传统校准方式精度不足的问题，与此同时，本申请实施例并不是使用固定的一种方式或者模型来对剩余电量值进行校准，而是使用自适应的方式对其进行校准，最明显的体现为随着一类电池类型的数据量增加，模型将会越来越熟悉这类电池的特性，从而更准确地计算出剩余电量值。此外，系统稳定的运行的前提下，完全不需要人员的干预，因此杜绝了误操作等影响系统运行的因素。具体地，本申请实施例将复杂的所述电池剩余电量学习模型（自适应机器学习模型）部署到云端（服务器），通过部署于云端（服务器）的所述电池剩余电量学习模型来计算剩余电量值，即，无需将成本高的高性能的MCU（Micro Controller Unit，微控制器）运用到基站BMS中，解决了基站BMS由于成本限制而导致无法运行复杂的自适应机器学习模型的问题。此外，本申请实施例对多种不同的影响剩余电量值计算的因素（电池参数）进行学习训练（自适应学习），即，所述电池剩余电量学习模型（“剩余电量值计算系统”）可以按照所存储的各类电池相关参数进行进一步的训练，从而提高模型计算各类电池的剩余电量值的准确度。

附图说明

图1是本申请实施例提供的由剩余电量值计算装置以及剩余电量值修正装置构成的剩余电量值修正系统的结构示意图。

图2是本申请实施例提供的由剩余电量值计算装置以及剩余电量值修正装置构成的剩余电量值修正系统的运行示意图。

图3是本申请实施例提供的剩余电量值计算装置计算剩余电量值的流程图。

图4是本申请实施例提供的剩余电量值计算装置对电池剩余电量学习模型进行学习训练的流程图。

图5是本申请实施例提供的剩余电量值计算方法的流程图。

图6是图5所示的剩余电量值计算方法中根据所述电池参数报文生成剩余电量值的步骤的流程图。

图7是图6所示的根据所述电池参数报文生成剩余电量值的步骤中从所接收到的所述电池参数报文中筛选出符合预定条件的报文的步骤的流程图。

图8是图6所示的根据所述电池参数报文生成剩余电量值的步骤中根据所筛选出的所述报文计算所述剩余电量值的步骤的流程图。

图9是图8所示的根据所筛选出的所述报文计算所述剩余电量值的步骤中根据所述电池剩余电量学习模型输出的学习结果计算所述剩余电量值的步骤的流程图。

图10是本申请实施例提供的剩余电量值计算方法和装置所适用的电池剩余电量学习模型的示意图。

图11是本申请实施例提供的剩余电量值计算方法和装置所接收的报文中DataInfo字段的内容的示意图。

图12是本申请实施例提供的剩余电量值计算装置的框图。

图13是本申请实施例提供的剩余电量值修正方法的流程图。

图14是本申请实施例提供的剩余电量值修正装置的框图。

图15是本申请实施例提供的剩余电量值计算方法、装置以及剩余电量值修正方法、装置的运行环境的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例中，术语“模块”一般指：硬件、硬件和软件的组合、软件等。例如，模块可以是运行在处理器上的进程、处理器、对象、可执行应用、执行的线程、程序等。运行在处理器上的应用和该处理器二者都可以是模块。一个或多个模块可以位于一个计算机中和/或分布在两个或更多计算机之间。

本发明提出了一种剩余电量值修正系统，剩余电量值修正系统包括剩余电量值计算装置和剩余电量值修正装置，剩余电量值计算装置和剩余电量值修正装置均接入到通信网络。

剩余电量值计算装置可以为个人计算机、服务器、移动设备（例如：移动电话、个人数字助理（PDA，Personal Digital Assistant）、平板电脑）、路由器等等。

剩余电量值修正装置为使用电池作为电源的电子设备，例如个人计算机、服务器、移动设备、基站、汽车、轮船、飞行器等等。

下面将以剩余电量值计算方法和装置适用于服务器，剩余电量值修正方法和装置适用于基站为例来说明。

本申请实施例提供了一种剩余电量值计算方法、装置以及剩余电量值修正方法、装置，以对基站BMS（Battery Management System，电池管理系统）的SOC（State ofCharge，荷电状态/剩余电量）值进行远程校准。

上述方法、装置的工作原理为：服务器从基站获取每类电池的相关参数，根据相关参数，通过该类电池的机器学习模型生成剩余电量值，同时，服务器保留相关参数以便机器学习模型进行自适应训练学习，服务器根据该类型的电池传输参数对生成的剩余电量值进行修正，基站根据服务器发送的剩余电量值对电池的剩余电量值进行修正。本申请实施例通过自适应机器学习的方式对电池进行分类，并生成剩余电量值，因此可以动态地修正电池的剩余电量值，从而消除电池多次循环后产生的剩余电量值计算偏差，可以使得计算得到的剩余电量值更加准确。

本申请实施例提供了一种剩余电量值计算方法，剩余电量值计算方法适用于服务器，服务器可例如为剩余电量值计算装置，如图12所示，剩余电量值计算装置包括电池参数报文接收模块1201、剩余电量值生成模块1202、剩余电量值发送模块1203。如图1至图9所示，其中图3是本申请实施例提供的剩余电量值计算装置计算剩余电量值的流程图，图4是本申请实施例提供的剩余电量值计算装置对电池剩余电量学习模型进行学习训练的流程图。

剩余电量值计算方法请参照图5至图9，包括以下步骤：

步骤501，服务器的电池参数报文接收模块1201从与服务器通信的电子设备接收电池参数报文。电池参数报文是包括电池参数的数据包。电子设备包括电池和电池管理系统（BMS）。服务器与电子设备通过有线网络或无线网络通信。

电池参数报文为包括以下数据的报文：报文头、电池类型ID、…、CID2、…、DataInfo、…、报文尾。

步骤502，剩余电量值生成模块1202根据电池参数报文生成剩余电量值。剩余电量值生成模块1202包括电池剩余电量学习模型。

步骤502包括：

步骤5021，剩余电量值生成模块1202（电池剩余电量学习模型）从所接收到的电池参数报文中筛选出符合筛选条件的报文。筛选条件可例如为CID2=42H。具体地，对所收到的所有报文进行筛选，得到所有CID2为42H的报文，

报文头

电池类型ID

…

CID2

…

DataInfo

…

报文尾

0x7E

Li-lon0001

…

42H

…

…

0x0D

0x7E

LiFePo40001

…

42H

…

…

0x0D

如上表所示。

其中，DataInfo的内容如图11所示。

步骤5022，根据所筛选出的报文计算剩余电量值。

步骤5021包括：

步骤50211，对所接收到的电池参数报文按照电池类型进行归类。

将获取到的报文按照“电池类型ID”进行分类。以“电池类型ID”来对电池参数报文进行第一次分类。例如，按照电池类型将电池参数报文归类为A类、B类、C类、……、X类，归类后的每一组电池参数报文分别对应一类电池。

步骤50212，从电池参数报文的归类结果中筛选出符合筛选条件的报文。

步骤5022包括：

将收到的报文输入到电池剩余电量学习模型中。电池剩余电量学习模型可例如为神经网络模型Transform。将分类后的每一类电池的报文输入到对应该类电池的电池剩余电量学习模型中，例如，对应电池类型ID为A的模型、对应电池类型ID为B的模型、……。

电池剩余电量学习模型根据报文估算电池的剩余电量值。

进一步地，步骤5022包括：

步骤50221，从筛选后得出的符合筛选条件的报文中提取出至少两电池参数。例如，从满足CID2为42H的报文中提取出的8个电池参数。

步骤50222，将至少两电池参数输入到电池剩余电量学习模型中。

步骤50223，根据电池剩余电量学习模型输出的学习结果计算剩余电量值。

步骤50222包括：

将至少两电池参数分别输入到电池剩余电量学习模型中的至少两子模型中。电池剩余电量学习模型包括至少两个子模型，每一个子模型用于针对电池参数报文中的一项电池参数计算电池的剩余电量值。电池剩余电量学习模型包含了8个子模型，这8个子模型用于分别基于不同类型的参数进行电池剩余电量的计算，以得出剩余电量值。这8个子模型具有不同的权重，这8个子模型的权重与其分别对应的8个不同类型的电池参数的权重对应，即，以不同的权重来区分这些子模型。例如，如图10所示，将所提取的8个电池参数分别输入到电池剩余电量学习模型的8个子模型中。

步骤50223包括：

步骤502231，将至少两子模型输出的剩余电量平均值进行比较。

步骤502232，输出比较结果中符合预定条件中的一者。

具体地，在电池剩余电量学习模型计算出剩余电量值后输出对应至少两个电池参数的剩余电量值（例如，8个子模型输出8个剩余电量值）后，根据如下操作输出唯一的剩余电量值：

因不同参数对剩余电量值的影响不同，设定最重要的三个影响因素，并将其优先级划分为：温度（当报文的中温度高于基本配置信息中的高温使用温度时）>电流（当报文中的电流超过10A时）>循环次数（当报文中的循环次数超过500次时）。其中，温度的优先级（权重）占比50%至70%，电流的优先级（权重）占比10%-30%，循环次数的优先级（权重）占比10%-20%，例如，温度的优先级（权重）占比60%，电流的优先级（权重）占比30%，循环次数的优先级（权重）占比10%。

以相应子模型（用于根据温度参数计算剩余电量值的子模型、用于根据电流参数计算剩余电量值的子模型以及用于根据循环次数参数计算剩余电量值的子模型的组合模型）输出的剩余电量值为标准，与剩余子模型（8个子模型中除温度的子模型、电流的子模型、循环次数的子模型以外的子模型）输出的平均值进行比较，如差值超过指定范围（5%）则使用平均的剩余电量值，反之则使用相应子模型输出的剩余电量值。当得出的剩余电量值在误差范围外时，通过服务器对远程BMS的剩余电量值进行校准。

即，将至少两子模型输出的剩余电量平均值进行比较包括：以电池剩余电量学习模型中的预定子模型所计算得出的剩余电量值与电池剩余电量学习模型中其余子模型中所计算得出的剩余电量值的平均值进行比较，其中，预定子模型为电池剩余电量学习模型中用于根据温度参数计算剩余电量值的子模型、用于根据电流参数计算剩余电量值的子模型、用于根据循环次数参数计算剩余电量值的子模型的组合模型。

用于根据温度参数计算剩余电量值的子模型所计算得到的剩余电量值的权重大于用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重，用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重大于用于根据循环次数参数计算剩余电量值的子模型所计算得到的剩余电量值的权重。

比如用于根据温度参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比50%至70%，用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比10%-30%，用于根据循环次数参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比10%-20%；

输出比较结果中符合预定条件中的一者包括：

若比较得出的差值超过预定范围（例如，5%），则输出电池剩余电量学习模型中的所有子模型所计算得出的剩余电量值的平均值；

若比较得出的差值没有超过预定范围（例如，5%），则输出预定子模型所计算得出的剩余电量值。

步骤503，剩余电量值发送模块1203发送剩余电量值。

作为一种改进，服务器将所接收到的报文存储到数据库中。当预定时间（例如，每天、每周、每月、每季的预定时间）到达时，服务器的电池剩余电量学习模型根据数据库中存储的报文进行学习训练（触发电池剩余电量学习模型学习训练）。

作为一种改进，服务器对所接收到的报文进行处理（数据清洗），例如，过滤掉不存在电池类型ID的报文，过滤掉CID2不为42H的报文，过滤掉电池充放电循环次数超过2000次的报文，过滤掉数据不完整的报文（如缺少包头、包尾、校验不通过的报文），过滤掉报文中含有图11中的告警、保护、故障中任意一项的报文。

作为一种改进，对电池剩余电量学习模型进行训练的方式如下：

将电池参数报文根据电池类型ID进行分类，并将以电池类型ID进行分类的结果再次分别按照训练集（报文的数目占比约60%）、验证集（报文的数目占比约20%）、测试集（报文的数目占比约20%）进行分配。

提取出完整的从充电截止电压到放电截止电压的数据。

将按照比例分配好的训练集输入到电池剩余电量学习模型Transform中。

电池剩余电量学习模型根据反馈算法（交叉熵Cross entropy）计算Loss并更新各个“神经元”的参数。

将按照比例分配好的测试集输入到电池剩余电量学习模型Transform中。

电池剩余电量学习模型计算Accuracy，记录Epoch。

若满足结束条件，电池剩余电量学习模型停止训练。其中，电池剩余电量学习模型训练的结束条件为：

默认的Epoch为60，超过则停止训练；

默认的Accuracy为95，超过则停止训练。

在训练结束后，判断是否需要更新电池剩余电量学习模型。具体地，使用相同的验证集对最新训练出来的电池剩余电量学习模型（A）和正在运行的电池剩余电量学习模型（B）进行验证，如果模型A的正确率高于模型B，则对正在运行的电池剩余电量学习模型（B）进行更新。

随着电池的持续循环直至报废，电池剩余电量学习模型（剩余电量值计算系统）会生成该类电池整个生命周期的完整模型，有利于提高各类电池相对应模型计算剩余电量值的准确度。

作为一种改进，如图10所示，本申请实施例提供的电池剩余电量学习模型包括输入层（Input layer）、嵌入层（Embedding layer）、隐藏层（Hidden layer）、输出层（Targetlayer）。

输入层：模型所需的输入参数层，用于接收并输入各类参数（例如，各电芯电压、各电芯温度、环境温度、电池组放电电流、电池组充电电流、电池组设计容量、电池循环次数、电池组内阻）。“神经元”为[Im x In]的矩阵，其中Im固定为1，In为模型输入参数的个数（在此模型中，In为8，分别对应8个输入的参数）。

嵌入层：模型输入的再细化。考虑到电池的化学特性，其剩余电量值不仅仅只受到单一输入参数的影响，因此该层将输入参数重新排列组合。“神经元”为[In x En]的矩阵，其中In为模型输入参数的个数，En为嵌入层的矩阵的列数（根据服务的算力自行调整，默认为100）。

隐藏层：模型的隐藏层。“神经元”为[En x Hn]的矩阵。其中En为嵌入层的矩阵列数，Hn为模型的输出层的矩阵的行数。此外隐藏层不仅仅局限于1层，根据服务器算力，可设置更多的隐藏层，例如3层隐藏层，其从左到右的“神经元”矩阵为[En x An]、[An x Bn]、[Bn x Hn]。

输出层：模型的输出层，用于输出剩余电量值。“神经元”为[Hn x 1]的矩阵。其中Hn为隐藏层的矩阵的列数。

本申请实施例提供的剩余电量值计算方法还包括以下步骤：

初始化电池剩余电量学习模型。具体地，电池剩余电量学习模型是通过以下步骤初始化的：

第一，配置单个电芯的信息和包括至少一个电芯的电池组的信息。

其中，单个电芯的信息包括：电芯生产厂家、电芯ID、电芯化学类型（三元锂、磷酸铁锂）、电芯设计容量（mAh）、电芯充电截止电压（mV）、电芯放电截止电压（mV）。

电池组的信息包括：电芯串联节数、电池高温使用温度（默认60摄氏度）、电池日常使用温度（默认30摄氏度）、电池低温使用温度（默认-10摄氏度）。

第二，获取电芯的运行数据（曲线）。

具体地，对电芯进行如下操作并获取运行数据：

静置1：将电芯放置在配置参数中的指定温度下，并静置3小时，此处为模拟电芯在该温度下，进行后续整个流程中的化学特性。

充满：按照电芯生产厂商规定的充电电压和充电电流对电芯进行充电，直至满足以下截止条件中的任意一个。根据电芯容量的不同截止条件分别为：容量>100AH时，电流<0.001C；容量<100AH时，电流<0.01C。

获取电芯的运行数据。

静置2：根据电芯的化学类型将电芯静置不同的时间，静置时间分别为：磷酸铁锂类6h、锂离子类3h。

放电：根据配置的截止电压，以0.1C的放电电流对电芯进行放电，直至放空。

获取电芯的运行数据。

静置3：参考步骤“静置2”。

获取电芯的运行数据。

第三，将电芯运行数据（根据上述步骤得到的相关数据）对齐并进行泛化（例如，将所获取到的电芯运行数据进行归一化处理，并输入到电池剩余电量学习模型的输入层中）。例如：根据已知的0.001/0.01C放电数据，计算出0.2/0.5/1C等放电时的相关参数如电压等；根据已知的温度-10/30/60摄氏度，计算出20/40/80等摄氏度时电池相关参数如电压等；然后将所计算得到的数据输入到电池剩余电量学习模型的输入层中。

本申请实施例提供了一种剩余电量值计算装置，剩余电量值计算装置适用于服务器，如图12所示，剩余电量值计算装置包括电池参数报文接收模块1201、剩余电量值生成模块1202、剩余电量值发送模块1203。

电池参数报文接收模块1201用于从与服务器通信的电子设备接收电池参数报文。电池参数报文是包括电池参数的数据包。电子设备包括电池和电池管理系统（BMS）。服务器与电子设备通过有线网络或无线网络通信。

电池参数报文为包括以下数据的报文：报文头、电池类型ID、…、CID2、…、DataInfo、…、报文尾。

剩余电量值生成模块1202用于根据电池参数报文生成剩余电量值。剩余电量值生成模块1202包括电池剩余电量学习模型。

具体地，剩余电量值生成模块1202（电池剩余电量学习模型）用于从所接收到的电池参数报文中筛选出符合筛选条件的报文。筛选条件可例如为CID2=42H。具体地，剩余电量值生成模块1202用于对所收到的所有报文进行筛选，得到所有CID2为42H的报文，

报文头

电池类型ID

…

CID2

…

DataInfo

…

报文尾

0x7E

Li-lon0001

…

42H

…

…

0x0D

0x7E

LiFePo40001

…

42H

…

…

0x0D

如上表所示。

其中，DataInfo的内容如图11所示。

剩余电量值生成模块1202用于根据所筛选出的报文计算剩余电量值。

剩余电量值生成模块1202用于对所接收到的电池参数报文按照电池类型进行归类。具体地，剩余电量值生成模块1202用于将获取到的报文按照“电池类型ID”进行分类。例如，剩余电量值生成模块1202用于按照电池类型将电池参数报文归类为A类、B类、C类、……、X类，归类后的每一组电池参数报文分别对应一类电池。

剩余电量值生成模块1202用于从电池参数报文的归类结果中筛选出符合筛选条件的报文。

剩余电量值生成模块1202用于将收到的报文输入到电池剩余电量学习模型中。电池剩余电量学习模型可例如为神经网络模型Transform。将分类后的每一类电池的报文输入到对应该类电池的电池剩余电量学习模型中，例如，对应电池类型ID为A的模型、对应电池类型ID为B的模型、……。

电池剩余电量学习模型根据报文计算电池的剩余电量值。

进一步地，剩余电量值生成模块1202用于从筛选后得出的符合筛选条件的报文中提取出至少两电池参数。例如，从满足CID2为42H的报文中提取出的8个电池参数。

剩余电量值生成模块1202用于将至少两电池参数输入到电池剩余电量学习模型中。具体地，电池剩余电量学习模型包括至少两个子模型，每一个子模型用于针对电池参数报文中的一项电池参数计算电池的剩余电量值。剩余电量值生成模块1202用于将至少两电池参数分别输入到电池剩余电量学习模型中的至少两子模型中。电池剩余电量学习模型包含了8个子模型，这8个子模型用于分别基于不同类型的参数进行电池剩余电量的计算，以得出剩余电量值。这8个子模型具有不同的权重，这8个子模型的权重与其分别对应的8个不同类型的电池参数的权重对应，即，以不同的权重来区分这些子模型。例如，如图10所示，将所提取的8个电池参数分别输入到电池剩余电量学习模型的8个子模型中。

剩余电量值生成模块1202用于根据电池剩余电量学习模型输出的学习结果计算剩余电量值。具体地，剩余电量值生成模块1202用于将至少两子模型输出的剩余电量平均值进行比较，并用于输出比较结果中符合预定条件中的一者。

具体地，在电池剩余电量学习模型计算出剩余电量值后输出对应至少两个电池参数的剩余电量值（例如，8个子模型输出8个剩余电量值）后，剩余电量值生成模块1202用于根据如下操作输出唯一的剩余电量值：

因不同参数对剩余电量值的影响不同，设定最重要的三个影响因素，并将其优先级划分为：温度（当报文的中温度高于基本配置信息中的高温使用温度时）>电流（当报文中的电流超过10A时）>循环次数（当报文中的循环次数超过500次时）。其中，温度的优先级（权重）占比50%至70%，电流的优先级（权重）占比10%-30%，循环次数的优先级（权重）占比10%-20%，例如，温度的优先级（权重）占比60%，电流的优先级（权重）占比30%，循环次数的优先级（权重）占比10%。

以相应子模型（用于根据温度参数计算剩余电量值的子模型、用于根据电流参数计算剩余电量值的子模型、用于根据循环次数参数计算剩余电量值的子模型的组合模型）输出的剩余电量值为标准，与剩余子模型（8个子模型中除温度的子模型、电流的子模型、循环次数的子模型以外的子模型）输出的平均值进行比较，如差值超过指定范围（5%）则使用平均的剩余电量值，反之则使用相应子模型输出的剩余电量值。当得出的剩余电量值在误差范围外时，通过服务器对远程BMS的剩余电量值进行校准。

即，剩余电量值生成模块1202用于以电池剩余电量学习模型中的预定子模型所计算得出的剩余电量值与电池剩余电量学习模型中其余子模型中所计算得出的剩余电量值的平均值进行比较，其中，预定子模型为电池剩余电量学习模型中用于根据温度参数计算剩余电量值的子模型、用于根据电流参数计算剩余电量值的子模型、用于根据循环次数参数计算剩余电量值的子模型的组合模型。

用于根据温度参数计算剩余电量值的子模型所计算得到的剩余电量值的权重大于用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重，用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重大于用于根据循环次数参数计算剩余电量值的子模型所计算得到的剩余电量值的权重。

用于根据温度参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比50%至70%，用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比10%-30%，用于根据循环次数参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比10%-20%；

若比较得出的差值超过预定范围（例如，5%），则剩余电量值生成模块1202用于输出电池剩余电量学习模型中的所有子模型所计算得出的剩余电量值的平均值；

若比较得出的差值没有超过预定范围（例如，5%），则剩余电量值生成模块1202用于输出预定子模型所计算得出的剩余电量值。

剩余电量值发送模块1203用于发送剩余电量值。

本申请实施例提供了一种剩余电量值修正方法，剩余电量值修正方法应用于电子设备，电子设备可例如为剩余电量值修正装置，剩余电量值修正装置包括电池参数获取模块1401、电池参数报文发送模块1402、剩余电量值接收模块1403、剩余电量值修正模块1404。

如图13所示，剩余电量值修正方法包括以下步骤：

步骤1301，电池参数获取模块1401获取电池管理系统中的电池参数。其中，电池参数获取模块1401根据电池厂商的生产批次，对每一个批次的电池制定唯一的“电池类型ID”，并将“电池类型ID”添加到待上传的报文中。

步骤1302，电池参数报文发送模块1402将包括电池参数的电池参数报文发送至服务器。电池参数报文发送模块1402通过有线网络或者无线网络将电池运行相关参数打包成报文，并上传至服务器。

步骤1303，剩余电量值接收模块1403接收服务器发送的剩余电量值。

步骤1304，剩余电量值修正模块1404根据剩余电量值对电池管理系统的剩余电量值进行修正。

本申请实施例提供了一种剩余电量值修正装置，剩余电量值修正装置应用于电子设备，如图14所示，剩余电量值计算装置还包括电池参数获取模块1401、电池参数报文发送模块1402、剩余电量值接收模块1403、剩余电量值修正模块1404，电池参数获取模块1401、电池参数报文发送模块1402、剩余电量值接收模块1403、剩余电量值修正模块1404应用于电子设备。

电池参数获取模块1401用于获取电池管理系统中的电池参数。

电池参数报文发送模块1402用于将包括电池参数的电池参数报文发送至服务器。

剩余电量值接收模块1403用于接收服务器发送的剩余电量值。

剩余电量值修正模块1404用于根据剩余电量值对电池管理系统的剩余电量值进行修正。

针对传统的使用OCV对剩余电量值进行校准的技术方案需要将电池在无充放电的前提下长时间静置，但实际应用中没有足够的时间让电池处于静置状态的现状；并且，不同厂家的电池在相同状态下工作电池的电压曲线是完全不同的，即使满足OCV方法的使用前提，传统的基站BMS或其它设备BMS也无法对电池的剩余电量值作出准确的计算；并且，剩余电量值的计算并不仅仅依靠于电池的电压和电流，它还受到诸如电池循环次数、放电倍率等其自身的特性或其它因素的影响。

本申请实施例提供的剩余电量值计算方法、装置以及剩余电量值修正方法、装置中，服务器从电子设备获取每类电池的相关运行参数，机器学习模型根据相关参数通对该类电池生成修正剩余电量值，并保留相关参数以便机器学习模型进行自适应训练学习，生成的剩余电量值根据接收到该类型的电池传输参数对其进行修正，因此，可以克服传统的基站BMS或其它设备BMS因无法让电池长时间处于静置状态而无法对电池的剩余电量值进行计算的缺陷，并且可以有效地提高剩余电量值计算的准确度，从而实现更准确地校准剩余电量值的目的。

本申请实施例使用一种新方式来校准BMS的剩余电量值，解决了传统校准方式精度不足的问题，与此同时，本申请实施例并不是使用固定的一种方式或者模型来对剩余电量值进行校准，而是使用自适应的方式对其进行校准，最明显的体现为随着一类电池类型的数据量增加，模型将会越来越熟悉这类电池的特性，从而更准确地计算出剩余电量值。此外，系统稳定的运行的前提下，完全不需要人员的干预，因此杜绝了误操作等影响系统运行的因素。具体地，本申请实施例将复杂的电池剩余电量学习模型（自适应机器学习模型）部署到云端（服务器），通过部署于云端（服务器）的电池剩余电量学习模型来计算剩余电量值，即，无需将成本高的高性能的MCU（Micro Controller Unit，微控制器）运用到基站BMS中，解决了基站BMS由于成本限制而导致无法运行复杂的自适应机器学习模型的问题。此外，本申请实施例对多种不同的影响剩余电量值计算的因素（电池参数）进行学习训练（自适应学习），即，电池剩余电量学习模型（“剩余电量值计算系统”）可以按照所存储的各类电池相关参数进行进一步的训练，从而提高模型计算各类电池的剩余电量值的准确度。

本发明提供的剩余电量值计算方法、装置以及剩余电量值修正方法、装置可以通过硬件实现，如图15所示，该硬件可以包括处理器1502、存储器1501、通信电路1503等的任意组合，其中，存储器1501、通信电路1503均与处理器1502电性连接。上述处理器1502、存储器1501、通信电路1503等的任意组合用于实现本发明提供的剩余电量值计算方法、装置以及剩余电量值修正方法、装置的功能、步骤。

其中，该处理器1502可例如为：CPU（Central Processing Unit，中央处理器）、GPU、NPU（Neural Processing Unit，神经网络处理单元）、其他通用处理器、数字信号处理器（DSP，Digital Signal Processor）、专用集成电路（ASIC，Application SpecificIntegrated Circuit）、现场可编程门阵列（FPGA，Field-Programmable Gate Array）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器或者是任何常规的处理器等。

该存储器1501可以包括只读存储器和随机存取存储器，用于向处理器提供程序代码和数据。存储器还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable ROM，PROM）、可擦除可编程只读存储器（Erasable PROM，EPROM）、电可擦除可编程只读存储器（ElectricallyEPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（Random Access Memory，RAM），其用作外部高速缓存。

本发明提供的剩余电量值计算方法、装置以及剩余电量值修正方法、装置也可以通过软件实现，此时，本发明提供的剩余电量值计算方法、装置以及剩余电量值修正方法、装置及其各个模块也可以为软件模块。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品（其载体可例如为本发明的计算机可读存储介质）的形式实现。

本发明提供的剩余电量值计算方法、装置以及剩余电量值修正方法、装置还可以通过软件、硬件的组合来实现。

本发明提供的剩余电量值计算方法、装置以及剩余电量值修正方法、装置可对应于执行本发明中描述的方法，并且剩余电量值计算装置以及剩余电量值修正装置中的各个模块的上述和其它操作和/或功能用于实现本发明提供的剩余电量值计算方法以及剩余电量值修正方法的相应流程。

本发明提供的计算机包括处理器和存储器，其中，处理器、存储器通过总线进行通信。所述存储器用于存储程序代码，所述计算机运行时，所述处理器执行所述程序代码，以执行本发明提供的剩余电量值计算方法以及剩余电量值修正方法。例如，该程序代码可以执行上述剩余电量值计算方法或所述剩余电量值修正方法中的步骤：

本发明的计算机可读存储介质存储有程序代码，所述程序代码用于使得计算机执行本发明提供的剩余电量值计算方法以及剩余电量值修正方法。例如，该程序代码可以执行上述剩余电量值计算方法或所述剩余电量值修正方法中的步骤：

所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘（Solid State Drive，SSD）。

所述程序代码的指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述程序代码的指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL，DigitalSubscriber Line））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能。

综上所述，虽然本申请已以优选实施例揭露如上，但上述优选实施例并非用以限制本申请，本领域的普通技术人员，在不脱离本申请的精神和范围内，均可作各种更动与润饰，因此本申请的保护范围以权利要求界定的范围为准。

Claims (10)

1.一种剩余电量值计算方法，其特征在于，所述方法包括：

接收电池参数报文；

对所接收到的所述电池参数报文按照电池类型进行归类；

从所述电池参数报文的归类结果中筛选出符合筛选条件的电池参数报文；

根据所筛选出的电池参数报文计算所述剩余电量值；以及

发送所述剩余电量值。

2.根据权利要求1所述的剩余电量值计算方法，其特征在于，所述根据所筛选出的电池参数报文计算所述剩余电量值包括：

从筛选后得出的符合筛选条件的报文中提取出至少两电池参数；

将至少两所述电池参数输入到电池剩余电量学习模型中；

根据所述电池剩余电量学习模型输出的学习结果计算所述剩余电量值。

3.根据权利要求2所述的剩余电量值计算方法，其特征在于，所述将至少两所述电池参数输入到电池剩余电量学习模型中包括：

将至少两所述电池参数分别输入到所述电池剩余电量学习模型中的至少两子模型中；

所述根据所述电池剩余电量学习模型输出的学习结果计算所述剩余电量值包括：

将至少两所述子模型输出的剩余电量平均值进行比较；

输出比较结果中符合预定条件中的一者。

4.根据权利要求3所述的剩余电量值计算方法，其特征在于，所述将至少两所述子模型输出的剩余电量平均值进行比较包括：

以所述电池剩余电量学习模型中的预定子模型所计算得出的剩余电量值与所述电池剩余电量学习模型中其余子模型中所计算得出的剩余电量值的平均值进行比较；其中，所述预定子模型为所述电池剩余电量学习模型中用于根据温度参数计算剩余电量值的子模型、用于根据电流参数计算剩余电量值的子模型以及用于根据循环次数参数计算剩余电量值的子模型的组合；

所述输出比较结果中符合预定条件中的一者包括：

若比较得出的差值超过预定范围，则输出所述电池剩余电量学习模型中的所有子模型所计算得出的剩余电量值的平均值；

若比较得出的差值没有超过所述预定范围，则输出所述预定子模型所计算得出的剩余电量值。

5.根据权利要求4所述的剩余电量值计算方法，其特征在于，所述用于根据温度参数计算剩余电量值的子模型所计算得到的剩余电量值的权重大于所述用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重，所述用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重大于所述用于根据循环次数参数计算剩余电量值的子模型所计算得到的剩余电量值的权重。

6.根据权利要求5所述的剩余电量值计算方法，其特征在于，所述用于根据温度参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比50%至70%，所述用于根据电流参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比10%-30%，所述用于根据循环次数参数计算剩余电量值的子模型所计算得到的剩余电量值的权重占比10%-20%。

7.根据权利要求1所述的剩余电量值计算方法，其特征在于，所述剩余电量值计算方法还包括：

配置单个电芯的信息和包括至少一个电芯的电池组的信息，其中，所述电芯的信息包括电芯生产厂家、电芯ID、电芯化学类型、电芯设计容量、电芯充电截止电压、电芯放电截止电压，所述电池组的信息包括电芯串联节数、电池高温使用温度、电池日常使用温度、电池低温使用温度；

将电芯放置在配置参数中的指定温度下，并静置3小时，然后按照电芯生产厂商规定的充电电压和充电电流对电芯进行充电，直至满足以下条件中的任意一个：容量大于100AH时，电流小于0.001C；容量小于100AH时，电流小于0.01C，并获取电芯的运行数据；

根据电芯的化学类型将电芯静置不同的时间，然后根据配置的截止电压，以0.1C的放电电流对电芯进行放电，直至放空，并获取电芯运行数据；

将所获取到的电芯运行数据进行归一化处理，并输入到所述电池剩余电量学习模型的输入层中，以对所述电池剩余电量学习模型初始化。

8.一种执行如权利要求1至7中任意一项所述的剩余电量值计算方法的剩余电量值计算装置，其特征在于，所述装置包括：

电池参数报文接收模块，用于接收电池参数报文；

剩余电量值生成模块，用于对所接收到的所述电池参数报文按照电池类型进行归类；从所述电池参数报文的归类结果中筛选出符合筛选条件的电池参数报文；根据所筛选出的电池参数报文计算所述剩余电量值；

剩余电量值发送模块，用于发送所述剩余电量值。

9.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器用于存储程序代码，所述服务器运行时，所述处理器用于执行所述程序代码，以执行权利要求1至7中任意一项所述的剩余电量值计算方法。

10.一种存储有程序代码的计算机可读存储介质，其特征在于，所述程序代码用于使得计算机执行权利要求1至7中任意一项所述的剩余电量值计算方法。

Images