CN113902121B

CN113902121B - 一种电池劣化推测装置校验的方法、装置、设备及介质

Info

Publication number: CN113902121B
Application number: CN202110801288.2A
Authority: CN
Inventors: 陈九廷; 连源; 黄天奇
Original assignee: Individual
Current assignee: Individual
Priority date: 2021-07-15
Filing date: 2021-07-15
Publication date: 2023-07-21
Anticipated expiration: 2041-07-15
Also published as: WO2023286650A1; CN113902121A; JP7423119B2; JPWO2023286650A1

Abstract

本公开涉及一种电池劣化推测装置校验的方法、装置、设备及介质，包括：模型生成装置和数据处理装置；其中，所述模型生成装置具体包括：训练数据存储模块，用于存储训练数据；训练数据获取模块，用于从所述训练数据存储模块中读取训练数据以进行模型训练；模型训练模块，用于利用所述训练数据获取模块读取的训练数据进行模型训练得到电池劣化推测计算模型；第一模型存储模块，用于存储所述模型训练模块训练得到的所述电池劣化推测计算模型；模型发送模块，用于发送所述模型训练模块训练后的所述劣化推测计算模型；所述训练数据存储模块依次与所述训练数据获取模块、所述模型训练模块、所述第一模型存储模块以及所述模型发送模块相连接。

Description

一种电池劣化推测装置校验的方法、装置、设备及介质

技术领域

本公开涉及蓄电池技术领域，更为具体来说，本公开涉及一种电池劣化推测装置校验的方法、装置、设备及介质。

背景技术

机器学习生成的模型具有很高的价值。另一方面，此类模型的广泛使用增加了模型被第三方擅自使用的可能性。因此，模型创建者最好能够验证模型是否由其自己创建。

本公开的目的主要目的之一是使模型创建者更容易识别出其自己创建的模型。

发明内容

为解决的技术问题是使模型创建者更容易识别出其自己创建的模型。

为实现上述技术目的，本公开提供了一种电池劣化推测装置校验装置，包括：

模型生成装置和数据处理装置；

其中，所述模型生成装置具体包括：

训练数据存储模块，用于存储训练数据；

训练数据获取模块，用于从所述训练数据存储模块中读取训练数据以进行模型训练；

模型训练模块，用于利用所述训练数据获取模块读取的训练数据进行模型训练得到电池劣化推测计算模型；

第一模型存储模块，用于存储所述模型训练模块训练得到的所述电池劣化推测计算模型；

模型发送模块，用于发送所述模型训练模块训练后的所述劣化推测计算模型；

所述训练数据存储模块依次与所述训练数据获取模块、所述模型训练模块、所述第一模型存储模块以及所述模型发送模块相连接；

其中，所述数据处理装置具体包括：

模型参数获取模块，用于读取所述模型发送模块发送的所述劣化推测计算模型；

第二模型存储模块，用于存储所述模型参数获取模块获取的模型；

输入数据获取模块，用于获取测定对象相关的输入数据并存储；

输出数据生成模块，用于调用所述第二模型存储模块中存储的模型以及读取所述输入数据获取模块中的输入数据计算后并输出；

其中，所述输入数据获取模块具体包括：输入数据获取子模块以及输入数据存储子模块；

所述输出数据生成模块具体包括：输出数据计算子模块以及输出数据输出子模块；

表示处理模块，用于调用所述输出数据生成模块的输出数据并进行处理得到可以显示的数据；

显示模块，用于显示所述表示处理模块处理后得到的可以显示的数据。

进一步，还包括：

模型训练参数训练模块，用于训练所述模型训练模块中模型训练的参数。

进一步，所述模型训练参数训练模块具体用于：

利用深度学习模型、机械学习模型和/或线性回归分析方法对所述模模型训练模块中的参数进行训练。

进一步，所述深度学习模型具体包括：

深度神经网络、卷积神经网络、循环神经网络、递归神经网络、长短期记忆网络和/或双向长短期记忆网络

为实现上述技术目的，本公开还能够提供一种电池劣化推测装置校验方法，应用于上述的装置上，所述方法包括：

利用所述输入数据获取模块获取测定对象的输入数据，读取所述第二模型存储模块中存储的模型；

将所述输入数据输入模型中进行电池劣化推测测试；

将所述电池劣化推测测试的结果通过输出数据生成模块输出；

根据所述输出数据生成模块输出的测试结果判断当前电池劣化推定测试的模型是否为所述模型生成装置训练生成得到。

进一步，所述输入数据包含表征测定对象状态的至少一种参数的测试结果，具有多个输入要素。

进一步，所述输出数据包含了多个输出要素的输出结果，其中，多个输出要素需包含以下至少一种数据类型：不被用作能够表示测定对象状态的输入数据的参数的当前或将来的推测值和/或被用作输入数据的参数的将来的推测值。

进一步，所述输入要素的值的取值区间在常规输入数据的区间范围外，当预定范围内的用于验证的数据作为所述输入数据时，所述输出数据的结果将变成在预定范围内的验证输出数据。

为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的劣化推测装置校验方法的步骤。

为实现上述技术目的，本公开还提供了一种电子设备，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，处理器执行计算机程序时实现上述的劣化推测装置校验方法的步骤。

附图说明

图1用于说明实施形态相关联的模型生成装置以及数据处理装置的使用环境的一种示例说明图；

图2为模型生成装置的功能结构示例图；

图3为训练数据记忆部所存储的训练数据示意图；

图4为第2训练数据的第1详细示例说明图；

图5为第2训练数据的第2详细示例说明图；

图6为第2训练数据的第3详细示例说明图；

图7为第2训练数据的第4详细示例说明图；

图8为数据处理装置的功能结构示例图；

图9为本公开的实施例2的流程示意图；

图10为本公开的实施例4的结构示意图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

实施例一：

如图1所示：

本公开提供了一种劣化推测装置校验装置，包括：

模型生成装置10和数据处理装置20；

其中，所述模型生成装置10具体包括：

训练数据存储模块，用于存储训练数据；

其中，所述数据处理装置20具体包括：

作为一个示例，输入数据为测定对象30状态的测试指标数据，至少包含有多个测试指标中的一部分。输出数据为表示测定对象30现在或将来状态的数据。例如，输出数据可以是测定对象30的多个测试指标中未作为输入数据部分中的数据的现在或将来的推定值，也可以是测定对象30的至少一个指标的将来值的推定值。后者的情况下，输出数据中所包含的指标也可以出现在输入数据中.

当测定对象30为蓄电池时，输入数据中至少包含的多个指标如蓄电池的输出电压、输出电流值，以及温度中的至少一个。但对象物和指标并不限于此。输出数据中则至少包含如测定对象30的残容量(单位Ah)、充电率(SOC:state of charge)，以及SOH(state ofhealth)中的至少一个，但若包含有输出电压、输出电流值、温度中的至少一个也可以。

SOH＝当前满充电容量(Ah)/初始满充电容量(Ah)*100％

此外，当测定对象30为蓄电池时，数据处理装置20的一部分功能可用作测定对象30的BMS(battery management system)。在本图中所示案例中，一个数据处理装置20与多个测定对象30连接，从而对多个测定对象30执行处理。

测定对象30为蓄电池的情况下，测定对象30将对机器进行供电，比如机器可以是如电动车等的车辆。但当测定对象30为家用蓄电池时，机器则为家用电器等类似用电器，在这种情况下，测定对象30是被设置在机器外部的。此外，测定对象30也可以与系统供电网相连接，该情况下测定对象30用于使供应电量平均化。具体表现为当机器的电量有剩余时存储电量，机器电量不足时供应电量。

如上所述，数据处理装置20在生成输出数据时会应用要模型。模型生成装置10则通过机械学习，如神经网络，生成数据处理装置20所要用到的至少一种模型并更新。

图2是模型生成装置10的功能结构的一个示例。

如图2中所示：

所述模型生成装置10具体包括：

训练数据存储模块110，用于存储训练数据；

训练数据获取模块120，用于从所述训练数据存储模块中读取训练数据以进行模型训练；

模型训练模块130，用于利用所述训练数据获取模块读取的训练数据进行模型训练得到电池劣化推测计算模型；

第一模型存储模块140，用于存储所述模型训练模块训练得到的所述电池劣化推测计算模型；

模型发送模块150，用于发送所述模型训练模块训练后的所述劣化推测计算模型；

所述训练数据存储模块依次110与所述训练数据获取模块120、所述模型训练模块130、所述第一模型存储模块140以及所述模型发送模块150相连接。

训练数据获取模块120获取多个训练数据，模型训练模块130对训练数据获取模块120所取得的复数个训练数据进行机械学习，从而生成模型。模型训练模块130可以通过多种机械学习算法(如，LSTM(long short-termmemory),DNN(deep neural network),LR(linear regression))生成多种不同的模型。

训练数据获取模块120从训练数据存储模块110中取得训练数据。训练数据存储模块110可以是模型生成装置10的一部分，也可以是模型生成装置10外配设置。

模型训练模块130生成的模型将保存在模型记忆部140中，然后模型发送模块150将存储在第一模型存储模块140中的模型发送给数据处理装置20。如图所示，第一模型存储模块140和模型送信部均为模型生成装置10的一部分。但第一模型存储模块140和模型发送模块150也可以作为模型生成装置10的外部设置。

图3为训练数据存储模块110所存储的训练数据的举例说明。如图3所示，训练数据包含有第1训练数据和第2训练数据。第1训练数据和第2训练数据均包含了输入数据的多个要素(以下称为输入要素)。输入数据，比如矩阵数列，输入要素则为构成矩阵的各种要素。构成矩阵数列的行或列的各种要素，可以是某个时刻对测定对象30的测试结果，此时矩阵数列则表示不同时刻对测定对象30的测试结果。此外第1训练数据和第2训练数据页均包含了输出数据的多个要素(下记为输出要素)。输出数据，如矩阵数列，输出要素则作为构成矩阵的各种元素。第1训练数据用于提高模型精度，第2训练数据用于帮助模型作者容易地识别出自己创作的模型。

第1训练数据的输入数据(下记为第1输入数据)的所有输入要素，取值在被视为合理的取值范围内。第1训练数据的输出数据(下记为第1输出数据)的所有输出要素也取值于被认为合理的值域范围。换言之，第1训练数据的输入数据和输出数据都是正常情况下会出现的数值，并且第1训练数据为对测定对象30实际测试所得的数据的情况很多。因此，第1训练数据的输出数据，一般而言在多数情况下均对应着与其匹配的输入数据。

另一方面，第2训练数据的输入数据(下记第2输入数据)的特定输入要素的值在被认为是合理的范围之外，同时在预设范围之内。第2训练数据的输出数据(下记第2输出数据)的特定输出要素的值则在预设的范围之内。此处所指的特定输入要素的值为相较于如测定对象30在正常状态下的取值范围之外的区间，例如，当测定对象30为电器机器时，其在规格内的运行状态下的取值则为正常范围，特定的输入要素值则为该正常范围之外的取值。

使用第2训练数据的对模型进行训练后，当输入的特定输入要素为取值在被视为合理的范围外并在预设范围内的输入数据(以下称为验证用输入数据)时，模型将输出的特定输出要素为取值在预设范围的输出数据(以下称为验证用输出数据)。验证用输入数据以及验证用输出数据的组合即为该模型的特征表现。因此，模型的创作者可通过将验证用输入数据输入到某模型中，以验证该模型是否为自己的原创。其中，验证用输入数据和验证用输出数据与第2训练数据的第2输入数据及第2输出数据为同一概念。

测定对象30为蓄电池的场合，输入数据的输入要素涵盖了能表示蓄电池的某个充放电循环状态的指标(如电流、电压、温度)，输出数据的输出要素则涵盖该蓄电池的性能示数(如残容量、SOC、SOH等参数中的至少一个)，以此作为训练用输出数据的目标值。此外，特定的输入要素的值则为该蓄电池对应的规格下无法取得的值(如，异常电压值、异常输出电流值、异常温度等)。此处“无法取得的值”例如_：电压值为额定电压的约两倍及以上(甚至10倍及以上)，输出电流为额定电流的约两倍及以上(甚至10倍及以上)，电压为负，或放电过程中输出电流为负等情况中的任意至少一种。

图4为第2训练数据(即训练用输入数据和训练用输出数据)的第1详细例的说明图。如图所示，第2输入数据(即验证用输入数据)的所有输入要素值即为前文描述过的“特定输入要素”，该输入要素存在于被视为合理的取值区间外(但在作者预设的范围之内)。此处，输入要素的值最好是比该要素合理的取值上限位数更多(例如位数多出一位或两位及以上)的值。

此处，模型创作者可以通过对所有输入要素进行特殊的设定来决定第2输入数据，也可以对正常的输入数据的所有输入要素设定特殊的演算过程来生成第2输入数据。后者的情况下，可以较容易地生成多组第2输入数据。另，此处所指的演算过程可以是如乘法(负系数的情况也存在)、除法、加法、减法，或四则运算等各类型组合运算。

对于第2输出数据(即验证用输出数据)，其输出要素可以全部是前文所描述过的“特定输出要素”，也可以仅一部分是“特定输出要素”。这两种情况下，特定输出要素可以全部在被视为合理的取值范围外，也可以仅一部分在合理的取值范围外。另，不论是何种情况，所有的“特定输出要素”的值都应为模型创作者所预设的值。因此，在验证用输出数据和所有“特定输出要素”的范围中，输出要素的值应该为作者预设的值，或者与其相近的值(即预设误差范围之内的值)。

图5为第2训练数据(即验证用输入数据和验证用输出数据)的第2详细例说明图。如图所示，第2输出数据(即验证用输出数据)与图4所示例相同。但第2输入数据(即验证用输入数据)中，一部分的输入要素的值为“特定的输入要素”，取值在被视为合理的范围外(但在作者预设的范围内)，其余部分的输入要素则在被视为合理的范围之内。此处，“被视为合理的范围之外”的具体例与图4的说明一致。

图6与图7是第2训练数据(即验证用输入数据和验证用输出数据)的第3详细例的说明图。如图所示，测定对象30为蓄电池。此外，第2输出数据(即验证用输出数据)与图4例相同。

另一方面，第2输入数据(即验证用输入数据)，如图7所示，包含了第1时刻测定的测定对象30的第1参数(如电流、电压、温度等参数中的至少一个)的值和第2时刻测定的第1参数的值。另，第1时刻测得的第1参数的值和第2时刻测定的第1参数的值之间的差，在第1时刻和第2时刻的间隔可取到的大小的范围之外。举一例说明，第1参数为电压的情况下，发生了第1时刻和第2时刻的间隔内不可能发生的电压大幅度下降(或电流下降)；或是明明处于单纯的放电状态，电压却发生异常升高(或者输出电流出现异常变动)的情况。

数据处理装置20的功能结构的一例如图8所示。

所述数据处理装置20具体包括：

模型参数获取模块210，用于读取所述模型发送模块发送的所述劣化推测计算模型；

第二模型存储模块220，用于存储所述模型参数获取模块获取的模型；

输入数据获取模块230，用于获取测定对象相关的输入数据并存储；

输出数据生成模块240，用于调用所述第二模型存储模块中存储的模型以及读取所述输入数据获取模块中的输入数据计算后并输出；

其中，所述输入数据获取模块230具体包括：输入数据获取子模块2301以及输入数据存储子模块2302；

所述输出数据生成模块240具体包括：输出数据计算子模块2401以及输出数据输出子模块2402；

表示处理模块250，用于调用所述输出数据生成模块的输出数据并进行处理得到可以显示的数据；

显示模块260，用于显示所述表示处理模块处理后得到的可以显示的数据。

输入数据通过输入数据获取模块230获取。例，测定对象30为蓄电池时，输入数据获取模块230将从蓄电池状态检出探测器(电流计、电压计、温度计等)获得输入数据。

输出数据生成模块240，使用模型生成装置10生成的模型处理输入数据，产生输出数据。

此处，在输入数据获取模块230处获取的是上面提到的验证用输入数据的情况下，输出数据生成模块240输出上文提到的验证用输出数据。为了达成这个目的，即使在不同于数据处理装置20的装置上使用输入数据获取模块230使用的模型，模型的制作者也可以通过向这个装置中输入验证用数据，验证这个装置使用的模型是否是自己制造的模型。

模型参数获取模块210从模型生成装置10处获得模型，于第二模型存储模块220处存储。在模型参数获取模块210从模型生成装置10处获得更新用的参数(例如模型的参数)时，使用这个参数，更新第二模型存储模块220中记录的模型。这种更新处理，适合反复重复操作。

表示处理模块250可以在显示模块260处显示输出数据生成模块240生成的数据。显示模块260可以根据使用者需求设置在方便使用的位置。

实施例二：

如图9所示，

本公开还能够提供一种电池劣化推测装置校验方法，应用于上述的电池劣化推测装置校验装置上，所述方法包括：

S201:利用所述输入数据获取模块获取测定对象的输入数据，读取所述第二模型存储模块中存储的模型；

S202:将所述输入数据输入模型中进行电池劣化推测测试；

S203:将所述电池劣化推测测试的结果通过输出数据生成模块输出；

S204:根据所述输出数据生成模块输出的测试结果判断当前电池劣化推定测试的模型是否为所述模型生成装置训练生成得到。

实施例三：

本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的劣化推测装置校验方法的步骤。

本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁盘存储器实现。

半导体存储器，主要用于计算机的半导体存储元件主要有Mos和双极型两种。Mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。NMos和CMos问世后，使Mos存储器在半导体存储器中开始占主要地位。NMos速度快，如英特尔公司的1K位静态随机存储器的存取时间为45ns。而CMos耗电省，4K位的CMos静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(RAM),即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器(ROM)在工作过程中可随机读出但不能写入，它用来存放已固化好的程序和数据。ROM又分为不可改写的熔断丝式只读存储器──PROM和可改写的只读存储器EPROM两种。

磁芯存储器，具有成本低，可靠性高的特点，且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上，存取时间最快为300ns。国际上典型的磁芯存储器容量为4MS～8MB，存取周期为1.0～1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后，磁芯存储器仍然可以作为大容量扩充存储器而得到应用。

磁鼓存储器，一种磁记录的外存储器。由于其信息存取速度快，工作稳定可靠，虽然其容量较小，正逐渐被磁盘存储器所取代，但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要，出现了超小型磁鼓，其体积小、重量轻、可靠性高、使用方便。

磁盘存储器，一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点，即其存储容量较磁鼓容量大，而存取速度则较磁带存储器快，又可脱机贮存，因此在各种计算机系统中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。

硬磁盘存储器的品种很多。从结构上，分可换式和固定式两种。可换式磁盘盘片可调换，固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种，又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小，记录密度低存取速度高，但造价高。活动磁头型磁盘记录密度高(可达1000～6250位/英寸)，因而容量大,但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节，位密度为每英寸6 250位,道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换,具有很大的脱体容量,而且容量大,速度高,可存储大容量情报资料，在联机情报检索系统、数据库管理系统中得到广泛应用。

实施例四：

本公开还提供了一种电子设备，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，处理器执行计算机程序时实现上述的劣化推测装置校验方法的步骤。

图10为一个实施例中电子设备的内部结构示意图。如图10所示，该电子设备包括通过系统总线连接的处理器、存储介质、存储器和网络接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种劣化推测装置校验方法。该电设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种劣化推测装置校验方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机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。

该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。

所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。

图10仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图10示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。

可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims

1.一种电池劣化推测装置校验的装置，其特征在于，包括：

模型生成装置和数据处理装置；

其中，所述模型生成装置具体包括：

训练数据存储模块，用于存储训练数据；

其中，所述数据处理装置具体包括：

2.根据权利要求1所述的装置，其特征在于，还包括：

3.根据权利要求2所述的装置，其特征在于，所述模型训练参数训练模块具体用于：

4.根据权利要求3所述的装置，其特征在于，所述深度学习模型具体包括：

深度神经网络、卷积神经网络、循环神经网络、递归神经网络、长短期记忆网络和/或双向长短期记忆网络。

5.一种电池劣化推测装置校验的方法，应用于如权利要求1～4任一项中所述的装置上，其特征在于，包括：

将所述输入数据输入模型中进行电池劣化推测测试；

6.根据权利要求5所述的方法，其特征在于，所述输入数据包含表征测定对象状态的至少一种参数的测试结果，具有多个输入要素。

7.根据权利要求5或6所述的方法，其特征在于，所述输出数据包含了多个输出要素的输出结果，其中，多个输出要素需包含以下至少一种数据类型：不被用作能够表示测定对象状态的输入数据的参数的当前或将来的推测值和/或被用作输入数据的参数的将来的推测值。

8.根据权利要求7所述的方法，其特征在于，所述输入要素的值的取值区间在常规输入数据的区间范围外，当预定范围内的用于验证的数据作为所述输入数据时，所述输出数据的结果将变成在预定范围内的验证输出数据。

9.一种电子设备，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，处理器执行计算机程序时实现权利要求5～8任一项中所述的劣化推测装置校验的方法对应的步骤。s

10.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时用于实现权利要求5～8任一项中所述的劣化推测装置校验的方法对应的步骤。