CN114462194A - 自放电监控模型的训练方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提出一种自放电监控模型的训练方法、装置、电子设备及存储介质，涉及电池管理技术领域。该方法包括：获取多个训练样本，其中，每个所述训练样本包括标注自放电等级及多个荷电状态离群特征参考值；将多个所述荷电状态离群特征参考值输入初始模型，以获取所述初始模型输出的预测自放电等级；根据所述预测自放电等级与所述标注自放电等级间的差异，对所述初始模型进行修正，以生成自放电监控模型。本公开通过训练生成能够对电池的自放电程度进行分级的自放电监控模型，不仅保证了对电池自放电情况的准确识别，而且实现了基于电池自放电的严重程度确定电池自放电的等级。

Description

自放电监控模型的训练方法、装置、电子设备及存储介质

技术领域

本公开涉及电池管理技术领域，尤其涉及一种自放电监控模型的训练方法、装置、电子设备及存储介质。

背景技术

电动汽车采用电池作为动力源，电池在使用过程中，当内部存在短路点时，正负极搭接产生短路电流，会导致电池的自放电问题。目前，对于电池自放电的监控方法，仅能确定电池自放电是否异常。然而，电池不同程度的自放电问题，可能会带来不同的后果，比如导致汽车续航里程下降，动力性能不足，甚至带来严重的安全隐患。因此，研究如何快速、准确识别电池自放电的严重程度，具有重要意义。

发明内容

本公开旨在至少在一定程度上解决相关技术中的技术问题之一。

本公开第一方面实施例提出了一种自放电监控模型的训练方法，包括：

获取多个训练样本，其中，每个所述训练样本包括标注自放电等级及多个荷电状态离群特征参考值，所述标注自放电等级是从自放电等级中确定的；

将多个所述荷电状态离群特征参考值输入初始模型，以获取所述初始模型输出的预测自放电等级，所述预测自放电等级是所述初始模型对多个所述荷电状态离群特征参考值解析后从所述自放电等级中确定的；

根据所述预测自放电等级与所述标注自放电等级间的差异，对所述初始模型进行修正，以生成自放电监控模型。

本公开第二方面实施例提出了一种电池自放电的监控方法，包括：

获取每个电池单体的电压监测数据及电流监测数据；

根据所述电压监测数据及所述电流监测数据，确定每个所述电池单体在多个参考时段的荷电状态；

根据每个所述电池单体在每个所述参考时段的所述荷电状态，确定每个所述电池单体在每个所述参考时段的荷电状态离群特征；

将每个所述电池单体的所有所述荷电状态离群特征输入自放电监控模型中，以确定每个所述电池单体的自放电等级。

本公开第三方面实施例提出了一种自放电监控模型的训练装置，包括：

第一获取模块，用于获取多个训练样本，其中，每个所述训练样本包括标注自放电等级及多个荷电状态离群特征参考值，所述标注自放电等级是从自放电等级中确定的；

第二获取模块，用于将多个所述荷电状态离群特征参考值输入初始模型，以获取所述初始模型输出的预测自放电等级等级，所述预测自放电等级是所述初始模型对多个所述荷电状态离群特征参考值解析后从所述自放电等级中确定的；

生成模块，用于根据所述预测自放电等级与所述标注自放电等级间的差异，对所述初始模型进行修正，以生成所述自放电监控模型。

本公开第四方面实施例提出了一种电池自放电的监控装置，包括：

第一获取模块，用于获取每个电池单体的电压监测数据及电流监测数据；

第一确定模块，用于根据所述电压监测数据及所述电流监测数据，确定每个所述电池单体在多个参考时段的荷电状态；

第二确定模块，用于根据每个所述电池单体在每个所述参考时段的所述荷电状态，确定每个所述电池单体在每个所述参考时段的荷电状态离群特征；

第三确定模块，用于将每个所述电池单体的所有所述荷电状态离群特征输入自放电监控模型中，以确定每个所述电池单体的自放电等级。

本公开第五方面实施例提出了一种电子设备，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指令，所述处理器执行所述指令时，实现如本公开第一方面实施例或第二方面实施例提出的方法。

本公开第六方面实施例提出了一种车辆，包括如本公开第五方面实施例提出的电子设备。

本公开第七方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机指令，所述计算机指令被处理器执行时实现如本公开第一方面实施例或第二方面实施例提出的方法。

本公开第八方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行本公开第一方面实施例或第二方面实施例提出的方法。

本公开提供的自放电监控模型的训练方法、装置、计算机设备及存储介质，存在如下有益效果：

首先获取多个训练样本，其中，每个训练样本包括标注自放电等级及多个荷电状态离群特征参考值；然后将多个荷电状态离群特征参考值输入初始模型，以获取初始模型输出的预测自放电等级；最后根据预测自放电等级与标注自放电等级间的差异，对初始模型进行修正，以生成自放电监控模型。本公开基于电池训练样本的荷电状态离群特征，训练生成能够对电池的自放电程度进行分级的自放电监控模型，实现了通过自放电监控模型对电池的自放电情况进行准确识别，同时能够根据电池自放电的严重程度确定电池的自放电等级，为基于电池自放电的等级采取不同的应对措施提供了支撑和依据。

本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本公开一实施例所提供的自放电监控模型的训练方法的流程示意图；

图2为本公开另一实施例所提供的自放电监控模型的训练方法的流程示意图；

图3为本公开一实施例所提供的不同自放电等级对应的训练样本的变化曲线；

图4为本公开一实施例所提供的电池自放电的监控方法的流程示意图；

图5为本公开另一实施例所提供的电池自放电的监控方法的流程示意图；

图6为本公开一实施例所提供的电池SOC_OCV经验曲线的示意图；

图7为本公开一实施例所提供的自放电监控模型的训练装置的结构示意图；

图8为本公开一实施例所提供的电池自放电的监控装置的结构示意图；

图9示出了适于用来实现本公开实施方式的示例性电子设备的框图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

下面参考附图描述本公开实施例的自放电监控模型的训练方法、装置、电子设备和存储介质。

图1为本公开实施例所提供的自放电监控模型的训练方法的流程示意图。

本公开实施例以该自放电监控模型的训练方法被配置于自放电监控模型的训练装置中来举例说明，该自放电监控模型的训练装置可以应用于任一车载设备、云端设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备中，以使该设备可以执行自放电监控模型的训练功能。

如图1所示，该自放电监控模型的训练方法可以包括以下步骤：

步骤101，获取多个训练样本，其中，每个训练样本包括标注自放电等级及多个荷电状态离群特征参考值，标注自放电等级是从自放电等级中确定的。

需要说明的是，电池的自放电等级可以表征电池自放电的严重程度。其中，自放电等级的具体划分方式可以根据实际需要确定。

比如，可以划分为正常、严重和不严重。或者，还可以划分为0级、1级、2级、3级等。其中，0级代表电池自放电正常。随着级数的增加，表明电池的自放电程度越来越严重。

需要说明的是，电动汽车动力电池可以包括多个电池单体，每个电池单体分别对应一个荷电状态(state of charge，简称SOC)，即电池剩余电量。

当电池单体内部存在短路点时，正负极搭接产生短路电流，随着时间累积剩余电量逐渐下降，即SOC下降，同时电池电压下降。荷电状态离群特征可以为能够表征各个电池单体荷电状态差异的任意类型的数值。

比如，各个电池单体在某个时段的荷电状态分别为SOC₁，SOC₂，……，SOC_n。其中，n为电池单体的个数。各个电池单体的荷电状态的平均值

为:(SOC₁+SOC₂+……+SOC_n)/n，各个电池单体的荷电状态离群特征可以为：

或者，各个电池单体在某个参考时段的荷电状态分别为SOC₁，SOC₂，……，SOC_n。各个电池单体在参考时段的荷电状态的中位数为SOC_i。各个电池单体的荷电状态离群特征分别为：ΔSOC₁＝SOC₁-SOC_i，ΔSOC₂＝SOC₂-SOC_i，……，ΔSOC_n＝SOC_n-SOC_i。

其中，需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中荷电状态离群特征的限定。

本公开实施例中，每个训练样本包括一个标注自放电等级及多个荷电状态离群特征参考值。其中，多个荷电状态离群特征参考值形成一个数据序列。每个训练样本中包含的荷电状态离群特征参考值个数，可以根据参考时段的个数确定。也就是说，训练样本中的每个荷电状态离群特征参考值，分别对应一个参考时段。

比如，参考时段的时长为6小时，7天共包括28个参考时段，分别为每天的0点至6点、6点至12点、12点至18点、18点至24点。则每个训练样本中可以包括28个按序排列的荷电状态离群特征参考值。

可以理解的是，电池单体的荷电状态离群特征在一定时间内的变化趋势，可以表征电池自放电的严重程度。因此，根据每个训练样本中多个荷电状态离群特征参考值的数值大小，可以从自放电等级中确定每个训练样本对应的标注自放电等级。

比如，自放电等级分为0至5级。对于某个训练样本，其包含的荷电状态离群特征参考值为0，0.8，0.4，0.7，……，1.1，则对应的标注自放电等级可以为0级。对于另一训练样本，其包含的荷电状态离群特征参考值为-3.8，-2.3，-3.2，……，-1.5，则对应的标注自放电等级可以为1级。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中的荷电状态离群特征参考值及标注自放电等级的限定。

步骤102，将多个荷电状态离群特征参考值输入初始模型，以获取初始模型输出的预测自放电等级，预测自放电等级是初始模型对多个荷电状态离群特征参考值解析后从自放电等级中确定的。

其中，初始模型，可以为预先构建的任意类型的机器学习模型，比如可以为Xgboost(Extreme Gradient Boosting，极端梯度提升)模型等，本公开对此不做限定。

具体的，初始模型可以基于预先设置的模型参数对输入的多个荷电状态离群特征参考值进行解析，以确定电池自放电的严重程度，并将其转换为预测自放电等级输出。

比如，初始模型可以根据多个荷电状态离群特征参考值的数值大小，以及各个荷电状态离群特征参考值随时间的变化趋势，从预先设置的自放电等级中确定一种等级作为预测自放电等级。

步骤103，根据预测自放电等级与标注自放电等级间的差异，对初始模型进行修正，以生成自放电监控模型。

其中，在初始阶段，初始模型输出的预测自放电等级可能与标注自放电等级差异较大。随着训练的进行不断对初始模型进行修正，直至预测自放电等级与标注自放电等级间的差异满足要求。

比如，可以采用Xgboost模型，不断生成新的决策树去拟合上个决策树训练结果的残差，将每棵树的预测结果相加得到最终结果，直至预测自放电等级与标注自放电等级间的差异满足要求。

本公开实施例中，首先获取多个训练样本，其中，每个训练样本包括标注自放电等级及多个荷电状态离群特征参考值；然后将多个荷电状态离群特征参考值输入初始模型，以获取初始模型输出的预测自放电等级；最后根据预测自放电等级与标注自放电等级间的差异，对初始模型进行修正，以生成自放电监控模型。本公开基于电池的荷电状态离群特征，训练能够对电池的自放电程度进行分级的生成自放电监控模型，实现了基于自放电监控模型对电池自放电情况的准确识别，同时根据电池自放电的严重程度确定电池自放电的等级，为基于电池自放电的等级采取不同的应对措施提供了支撑和依据。

可以理解的是，训练样本是影响模型预测结果的准确性和可靠性的重要因素。然而，在现实场景中，电池自放电严重的情况可能并不多见。因此，根据真实数据产生的训练样本的数量有限。在一种可能的实现方式中，可以通过构造训练数据的方式获取大量训练样本，下面结合图2对上述过程进行进一步说明。

图2为本公开另一实施例所提供的自放电监控模型的训练方法的流程示意图。如图2所示，该自放电监控模型的训练方法可以包括以下步骤：

步骤201，确定每个自放电等级对应的第一数值范围及第二数值范围，其中，第一数值范围为荷电状态离群特征在设定周期内的数值范围，第二数值范围为荷电状态离群特征在设定周期内的变化率的数值范围。

需要说明的是，电池自放电等级可以通过电池单体的荷电状态离群特征在设定周期内的变化趋势表征。

其中，设定周期的时长可以根据实际需要设定。比如，可以为7天、10天或20天等，本公开对此不做限定。

进而，可以将设定周期按照时长划分为多个参考时段。其中，参考时段的时长可以根据设定周期的时长确定。

比如，设定周期为7天，可以将每天划分为4个参考时段，将设定周期划分为28个参考时段。

或者，设定周期为20天，可以将每天划分为1个参考时段，将设定周期划分为20个参考时段。

其中，可以根据设定周期内的荷电状态离群特征确定每个自放电等级对应的第一数值范围，根据设定周期内荷电状态离群特征的变化率确定每个自放电等级对应的第二数值范围。

进而，可以同时采用第一数值范围和第二数值范围，作为判定电池自放电等级的两个指标。

比如，当电池自放电等级为0级时，第一数值范围可以为(-1，1)，第二数值范围可以为(-0.1，0.1)。当电池自放电等级为1级时，第一数值范围可以为(-4，-1)，第二数值范围可以为(-0.5，-0.1)。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中每个自放电等级对应的第一数值范围及第二数值范围的限定。

此外，各个电池自放电等级分别对应的第一数值范围和第二数值范围可以相互独立，也可以有交集，本公开对此不做限定。

步骤202，根据第一数值范围及第二数值范围，生成每个自放电等级对应的多个初始样本曲线；其中，初始样本曲线为荷电状态离群特征在设定周期内的变化曲线。

可以理解的是，由于第一数值范围代表设定周期内的荷电状态离群特征，第二数值范围代表设定周期内荷电状态离群特征的变化率。因此，对于每个自放电等级，可以从对应的第一数值范围内任意选择两个数值，分别作为设定周期初始时刻和结束时刻的荷电状态离群特征，同时确保荷电状态离群特征在设定周期内的变化率位于对应的第二数值范围内，从而生成一条初始样本曲线。

具体的，初始样本曲线所在坐标系的横轴为时间，纵轴为荷电状态离群特征。初始样本曲线的起点对应的时间为设定周期的初始时刻，初始样本曲线的终点对应的时间为设定周期的结束时刻。初始样本曲线的起点和终点对应的荷电状态离群特征为从第一数值范围内任意选取的两个数值，初始样本曲线的斜率位于第二数值范围内。

步骤203，根据初始样本曲线，确定设定周期内多个参考时段的荷电状态离群特征初始值。

其中，由于初始样本曲线的起点坐标、终点坐标以及斜率已知，因此可以确定设定周期内任一时刻的荷电状态离群特征。

具体的，可以根据设定周期内参考时段的时长，在初始样本曲线上选取多个样本点，每个样本点对应一个参考时段。根据初始样本曲线可以确定每个参考时段对应的荷电状态离群特征初始值。

步骤204，为每个荷电状态离群特征初始值分别生成一个对应的随机数。

步骤205，将每个荷电状态离群特征初始值分别与对应的随机数相加，以获取每个参考时段对应的荷电状态离群特征参考值。

需要说明的是，在现实场景中，电池单体在不同时段的荷电状态离群特征通常是波动的、不规律的。

因此，为了使每个参考时段对应的荷电状态离群特征更接近真实值，可以为每个荷电状态离群特征初始值分别生成一个随机数，并将每个荷电状态离群特征初始值分别与对应的随机数相加，得到每个参考时段对应的荷电状态离群特征参考值。

其中，随机数的数值范围可以根据实际需要设定。比如，可以为0至0.1，或者，可以为0至0.5等，本公开对此不做限定。

步骤206，获取多个自放电正常的电池单体在设定周期的多个参考时段的荷电状态离群特征真实值。

可以理解的是，在现场场景中，大部分电池单体自放电正常，只有少量电池单体自放电可能异常。因此，可以获取大量自放电正常的电池单体在设定周期的多个参考时段的荷电状态真实值。

进而，根据荷电状态真实值，可以确定电池单体在设定周期的多个参考时段的荷电状态离群特征真实值。

其中，获取荷电状态离群特征真实值的具体实现方式，可以参照本公开其他实施例中获取荷电状态离群特征的详细描述，在此不再赘述。

步骤207，将每个荷电状态离群特征参考值分别与对应时段的荷电状态离群特征真实值相加，以更新荷电状态离群特征参考值。

需要说明的是，在现实场景中，自放电正常的电池单体的荷电状态离群特征往往在零附近波动。

为了进一步提高每个参考时段对应的荷电状态离群特征参考值的真实性，可以将每个荷电状态离群特征参考值分别与对应时段的荷电状态离群特征真实值相加，使其变化特征更接近于真实数据。

步骤208，获取多个荷电状态离群特征参考值对应的标注自放电等级，以生成训练样本。

其中，根据设定周期内每个参考时段的荷电状态离群特征参考值的数值大小及荷电状态离群特征在设定周期内的变化率，可以确定每个训练样本对应的标注自放电等级。

在一些实施例中，如图3所示，设定周期可以为20天，设定周期内的每个参考时段的时长为1天。将自放电等级划分为0-6级，其中，0级代表电池单体自放电正常。1级代表电池单体自放电程度最弱，随着级数的增加，荷电状态离群特征的变化越来越大，代表电池单体的自放电程度越来越严重。

需要说明的是，本公开实施例中，可以利用电池单体真实的监测数据，构造电池自放电正常的训练样本，利用上述方式构造电池自放电异常的训练样本。通过对训练样本进行随机采样，使每个自放电等级对应的训练样本数量保持均衡。

步骤209，将多个荷电状态离群特征参考值输入初始模型，以获取初始模型输出的预测自放电等级。

步骤210，根据预测自放电等级与标注自放电等级间的差异，对初始模型进行修正，以生成自放电监控模型。

其中，步骤209-步骤210的具体实现方式，可以参照本公开其他实施例的详细描述，在此不再赘述。

本公开实施例中，首先基于自放电等级的划分规则，通过构造数据的方式生成大量的训练样本，然后利用历史监测数据生成电池自放电正常的真实数据，并对构造的训练样本进行修正，不仅保证了模型训练样本的数据量，而且提高了监控模型预测结果的准确性和可靠性。

图4为本公开实施例所提供的电池自放电的监控方法的流程示意图。

本公开实施例以该电池自放电的监控方法被配置于电池自放电的监控装置中来举例说明，该电池自放电的监控装置可以应用于任一车载设备、云端设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备中，以使该设备可以执行电池自放电的监控功能。

如图4所示，该电池自放电的监控方法可以包括以下步骤：

步骤401，获取每个电池单体的电压监测数据及电流监测数据。

需要说明的是，电动汽车的动力电池是由多个电池单体电连接组成的。比如，一个动力电池可以包括96个电池单体。

可以理解的是，为了保证电池的可靠运行，延长电池的使用寿命，可以对每个电池单体的电压、电流进行监控，以对电池进行维护和管理。

其中，相互串联的每个电池单体的电流监测数据是相同的，电池单体的电压监测数据可能由于个体间的差异而不同。电压监测数据为每个电池单体在任意时刻的电压值，电流监测数据为每个电池单体在任意时刻的电流值。

步骤402，根据电压监测数据及电流监测数据，确定每个电池单体在多个参考时段的荷电状态。

需要说明的是，电池荷电状态(state of charge，简称SOC)即电池剩余电量。当电池内部存在短路点时，正负极搭接产生短路电流，随着时间累积剩余电量逐渐下降，即SOC下降，同时电池电压下降。

因此，根据每个电池单体的电压监测数据及电流监测数据，可以确定每个电池单体在对应时刻的荷电状态。其中，荷电状态SOC的下降，即短路电流与时间的积分，是目前衡量电池自放电最准确的指标。

可以理解的是，电池自放电的情况在短时间内变化可能不大。但随时间的累积，电池自放电的变化趋势会逐渐明显。

因此，可以基于电池在多个参考时段的荷电状态来评估电池的自放电情况。由此，实现结合实时数据和历史数据对电池的自放电情况进行评估，以提高评估的准确性。

其中，参考时段的个数和时长，应与每个训练样本对应的参考时段保持一致。每个参考时段对应一个荷电状态，多个参考时段可以形成一个固定时长。

比如，参考时段的时长为6小时，7天可以包括28个参考时段，分别为每天的0点至6点、6点至12点、12点至18点、18点至24点。或者，参考时段的时长为1天，20天可以包括20个参考时段。

需要说明的是，对电池自放电情况的监控，可以按照设定时间重复进行，以实现对电池的持续监控。

比如，可以每天对电池的自放电情况进行一次监控。或者，可以每隔12小时对电池的自放电情况进行一次监控，本公开对此不做限定。

当每次对电池的自放电情况进行监控时，可以根据每个电池单体的实时荷电状态及历史荷电状态，对电池的自放电情况进行评估。

比如，当每天对电池的自放电情况进行监控，并且参考时段的时长为6小时时，可以获取电池单体当天4个参考时段的荷电状态，作为实时荷电状态；同时获取电池单体前6天24个参考时段的荷电状态，作为历史荷电状态。进而，根据7天共28个参考时段的荷电状态，对电池的自放电情况进行评估

本公开实施例中，历史荷电状态可以根据存储在云端设备上的历史监测数据确定，实时荷电状态可以通过车端设备的实时监测数据确定。本公开实施例结合实时数据与历史数据，对电池自放电情况进行评估，保证了电池自放电监控的时效性。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中的参考时段等的限定。

步骤403，根据每个电池单体在每个参考时段的荷电状态，确定每个电池单体在每个参考时段的荷电状态离群特征。

其中，确定每个电池单体在每个参考时段的荷电状态离群特征的方式，应与每个训练样本对应的荷电状态离群特征保持一致。

比如，各个电池单体在某个时段的荷电状态分别为SOC₁，SOC₂，……，SOC_n。其中，n为电池单体的个数。各个电池单体的荷电状态的平均值

为:(SOC₁+SOC₂+……+SOC_n)/n，各个电池单体的荷电状态离群特征可以为：

或者，各个电池单体在某个参考时段的荷电状态分别为SOC₁，SOC₂，……，SOC_n。各个电池单体在参考时段的荷电状态的中位数为SOC_i。各个电池单体的荷电状态离群特征分别为：ΔSOC₁＝SOC₁-SOC_i，ΔSOC₂＝SOC₂-SOC_i，……，ΔSOC_n＝SOC_n-SOC_i。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中荷电状态离群特征的限定。

步骤404，将每个电池单体的所有荷电状态离群特征输入自放电监控模型中，以确定每个电池单体的自放电等级。

可以理解的是，电池单体的荷电状态离群特征在一定时间内的变化趋势，可以表征电池自放电的严重程度。

因此，可以利用自放电监控模型对电池单体的荷电状态离群特征进行解析，以确定电池单体的自放电等级。

比如，电池单体的自放电等级可以为正常、严重或不严重。或者，还可以为0级、1级、2级或3级等。

其中，自放电监控模型具体实现方式，可以参照本公开其他实施例的详细描述，在此不再赘述。

本公开实施例中，首先获取每个电池单体的电压监测数据及电流监测数据；然后根据电压监测数据及电流监测数据，确定每个电池单体在多个参考时段的荷电状态；之后根据每个电池单体在每个参考时段的荷电状态，确定每个电池单体在每个参考时段的荷电状态离群特征；最后将每个电池单体的所有荷电状态离群特征输入自放电监控模型中，以确定每个电池单体的自放电等级。本公开基于电池在设定周期内的荷电状态离群特征，通过自放电监控模型对电池的自放电等级进行监控，实现了对电池自放电严重程度的准确识别，为基于电池自放电的风险等级采取不同的应对措施提供了支撑和依据。

图5为本公开另一实施例所提供的电池自放电的监控方法的流程示意图。如图5所示，该电池自放电的监控方法可以包括以下步骤：

步骤501，获取每个电池单体的电压监测数据及电流监测数据。

其中，步骤201的具体实现方式，可以参照本公开其他实施例的详细描述，在此不再赘述。

步骤502，确定在每个参考时段内电流监测数据位于设定范围内的目标时段。

可以理解的是，当电动汽车处于行驶状态时，电池电流明显大于电动汽车处于静置状态时的电流。因此，可以根据电池电流监测数据确定电动汽车处于静置状态的时段，并根据静置状态的电池电压确定对应的荷电状态，以提高电池自放电监控的准确性和可靠性。

具体的，可以从每个参考时段中筛选电流监测数据位于设定范围内的目标时段。其中，参考时段的具体实现方式，可以参照本公开其他实施例的详细描述，在此不再赘述。

其中，电流监测数据的设定范围可以根据实际需要确定。比如，设定范围可以为0到10安，或者，设定范围可以为0到5安，本公开对此不做限定。

此外，除了电流监测数据的数值之外，还可以结合持续时长来确定目标时段。比如，电池的电流监测数据在设定范围内持续1小时以上的时段为目标时段。

步骤503，根据每个电池单体在目标时段内的电压监测数据，及电池荷电状态与开路电压的映射关系，确定每个电池单体在参考时段的荷电状态。

可以理解的是，电池单体在每个时刻的电流数据与电压数据是一一对应的。也就是说，当根据电流监测数据确定目标时段后，可以获取目标时段的电压监测数据。

需要说明的是，电池在开路状态下的端电压称为开路电压(open circuitvoltage，简称OCV)。电池荷电状态与开路电压具有一定的映射关系，可以通过SOC_OCV经验曲线进行表征，如图6所示。

因此，根据电池单体在目标时段内的电压监测数据，以及表征电池荷电状态与开路电压映射关系的SOC_OCV经验曲线，可以获取目标时段内的荷电状态SOC。

需要说明的是，当参考时段的持续时间较长时，可能包含多个目标时段。比如，当参考时段的时长为1天时，目标时段可能包括0点至8点，12点至14点等。

因此，当确定电池单体在参考时段内的荷电状态时，可以根据需要采用不同的方式。

比如，可以选取参考时段内的某个目标时段，并将该目标时段内某个时刻的荷电状态作为电池单体在参考时段的荷电状态。

或者，可以对参考时段内的每个目标时段进行采样，并将所有采样点的荷电状态的平均值作为电池单体在参考时段的荷电状态。

需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中电池单体在参考时段的荷电状态的限定。

步骤504，根据所有电池单体在参考时段的荷电状态的中位数，确定参考荷电状态。

其中，参考荷电状态，可以作为确定各个电池单体间的荷电状态差异的对比基准。通过将每个电池单体对应的荷电状态与参考荷电状态进行对比，可以确定两者间的差异。

本公开实施例中，可以将所有电池单体在参考时段的荷电状态的中位数，作为参考荷电状态。

比如，各个电池单体在某个参考时段的荷电状态分别为SOC₁，SOC₂，……，SOC_n。将SOC₁，SOC₂，……，SOC_n按照数值大小进行排列，居于中间位置的数即为参考荷电状态。如果电池单体有偶数个，则可以取最中间的两个数值的平均数作为参考荷电状态。

步骤505，根据每个电池单体在参考时段的荷电状态与参考荷电状态的差值，确定每个电池单体在参考时段的荷电状态离群特征。

其中，荷电状态离群特征可以表征各个电池单体的荷电状态间的差异。本公开实施例中，可以将每个电池单体对应的荷电状态与参考荷电状态的差值，作为每个电池单体的荷电状态离群特征。

比如，各个电池单体在某个参考时段的荷电状态分别为SOC₁，SOC₂，……，SOC_n。各个电池单体的荷电状态离群特征分别为：ΔSOC₁＝SOC₁-SOC_i，ΔSOC₂＝SOC₂-SOC_i，……，ΔSOC_n＝SOC_n-SOC_i。其中，SOC_i为参考荷电状态。

步骤506，将每个电池单体的所有荷电状态离群特征输入自放电监控模型中，以确定每个电池单体的自放电等级。

其中，步骤506的具体实现方式，可以参照本公开其他实施例的详细描述，在此不再赘述。

本公开实施例中，首先获取每个电池单体的电压监测数据及电流监测数据，然后根据电池单体的电流监测数据从参考时段内筛选目标时段，并基于目标时段的电压监测数据获取对应的荷电状态；然后根据荷电状态确定电池单体在多个参考时段的荷电状态离群特征；最后根据电池在多个参考时段的荷电状态离群特征，通过自放电监控模型对电池的自放电等级进行监控，不仅提高了对电池自放电监控的及时性和准确性，而且实现了对电池自放电严重程度的划分，为基于电池自放电等级采取不同的应对措施提供了支撑和依据。

为了实现上述实施例，本公开还提出一种自放电监控模型的训练装置。

图7为本公开实施例所提供的一种自放电监控模型的训练装置的结构示意图。

如图7所示，该自放电监控模型的训练装置100可以包括：第一获取模块110、第二获取模块120、生成模块130。

其中，第一获取模块110，用于获取多个训练样本，其中，每个训练样本包括标注自放电等级及多个荷电状态离群特征参考值，标注自放电等级是从自放电等级中确定的；

第二获取模块120，用于将多个荷电状态离群特征参考值输入初始模型，以获取初始模型输出的预测自放电等级，预测自放电等级是初始模型对多个荷电状态离群特征参考值解析后从自放电等级中确定的；

生成模块130，用于根据预测自放电等级与标注自放电等级间的差异，对初始模型进行修正，以生成自放电监控模型。

在一种可能的实现方式中，第一获取模块包括：

第一确定单元，用于确定每个自放电等级对应的第一数值范围及第二数值范围，其中，第一数值范围为荷电状态离群特征在设定周期内的数值范围，第二数值范围为荷电状态离群特征在设定周期内的变化率的数值范围；

第一生成单元，用于根据第一数值范围及第二数值范围，生成每个自放电等级对应的多个初始样本曲线；其中，初始样本曲线为荷电状态离群特征在设定周期内的变化曲线；

第二确定单元，用于根据初始样本曲线，确定设定周期内多个参考时段的荷电状态离群特征初始值；

第二生成单元，用于为每个荷电状态离群特征初始值分别生成一个对应的随机数；

第一获取单元，用于将每个荷电状态离群特征初始值分别与对应的随机数相加，以获取每个参考时段对应的荷电状态离群特征参考值；

第二获取单元，用于获取多个荷电状态离群特征参考值对应的标注自放电等级，以生成训练样本。

在一种可能的实现方式中，第一获取模块还包括：

第三获取单元，用于获取多个自放电正常的电池单体在设定周期的多个参考时段的荷电状态离群特征真实值；

更新单元，用于将每个荷电状态离群特征参考值分别与对应时段的荷电状态离群特征真实值相加，以更新荷电状态离群特征参考值。

本公开实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。

本公开实施例的自放电监控模型的训练装置，首先获取多个训练样本，其中，每个训练样本包括标注自放电等级及多个荷电状态离群特征参考值；然后将多个荷电状态离群特征参考值输入初始模型，以获取初始模型输出的预测自放电等级；最后根据预测自放电等级与标注自放电等级间的差异，对初始模型进行修正，以生成自放电监控模型。本公开基于电池的荷电状态离群特征，训练生成能够对电池的自放电程度进行分级的自放电监控模型，实现了基于自放电监控模型对电池自放电情况的准确识别，同时根据电池自放电的严重程度确定电池自放电的等级，为基于电池自放电的等级采取不同的应对措施提供了支撑和依据。

为了实现上述实施例，本公开还提出一种电池自放电的监控装置。

图8为本公开实施例所提供的电池自放电的监控装置的结构示意图。

如图8所示，该电池自放电的监控装置200可以包括：第一获取模块210、第一确定模块220、第二确定模块230、第三确定模块240。

其中，第一获取模块210，用于获取每个电池单体的电压监测数据及电流监测数据；

第一确定模块220，用于根据电压监测数据及电流监测数据，确定每个电池单体在多个参考时段的荷电状态；

第二确定模块230，用于根据每个电池单体在每个参考时段的荷电状态，确定每个电池单体在每个参考时段的荷电状态离群特征；

第三确定模块240，用于将每个电池单体的所有荷电状态离群特征输入自放电监控模型中，以确定每个电池单体的自放电等级。

本公开实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。

在一种可能的实现方式中，第一确定模块用于：

确定在每个参考时段内电流监测数据位于设定范围内的目标时段；

根据每个电池单体在目标时段内的电压监测数据，及电池荷电状态与开路电压的映射关系，确定每个电池单体在参考时段的荷电状态。

在一种可能的实现方式中，第二确定模块用于：

根据所有电池单体在参考时段的荷电状态的中位数，确定参考荷电状态；

根据每个电池单体在参考时段的荷电状态与参考荷电状态的差值，确定每个电池单体在参考时段的荷电状态离群特征。

本公开实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。

本公开实施例的电池自放电的监控装置，首先获取每个电池单体的电压监测数据及电流监测数据，然后根据电池单体的电流监测数据从参考时段内筛选目标时段，并基于目标时段的电压监测数据获取对应的荷电状态；然后根据荷电状态确定电池单体在多个参考时段的荷电状态离群特征；最后根据电池在多个参考时段的荷电状态离群特征，通过自放电监控模型对电池的自放电等级进行监控，不仅提高了对电池自放电监控的及时性和准确性，而且实现了对电池自放电严重程度的划分，为基于电池自放电等级采取不同的应对措施提供了支撑和依据。

图9示出了适于用来实现本公开实施方式的示例性电子设备的框图。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900可以包括以下一个或多个组件：处理组件902，存储器904，电源组件906，多媒体组件908，音频组件910，输入/输出(I/O)的接口912，传感器组件914，以及通信组件916。

处理组件902通常控制电子设备900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理组件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。

存储器904被配置为存储各种类型的数据以支持在电子设备900的操作。这些数据的示例包括用于在电子设备900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件906为电子设备900的各种组件提供电力。电源组件906可以包括电源管理系统，一个或多个电源，及其他与为电子设备900生成、管理和分配电力相关联的组件。

多媒体组件908包括在电子设备900和用户之间的提供一个输出接口的触控显示屏。在一些实施例中，触控显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件908包括一个前置摄像头和/或后置摄像头。当电子设备900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(MIC)，当电子设备900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。

在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。

I/O接口912为处理组件902和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件914包括一个或多个传感器，用于为电子设备900提供各个方面的状态评估。例如，传感器组件914可以检测到电子设备900的打开/关闭状态，组件的相对定位，例如组件为电子设备900的显示器和小键盘，传感器组件914还可以检测电子设备900或电子设备900一个组件的位置改变，用户与电子设备900接触的存在或不存在，电子设备900方位或加速/减速和电子设备900的温度变化。传感器组件914可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件914还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件916被配置为便于电子设备900和其他设备之间有线或无线方式的通信。电子设备900可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件916还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供一种车辆，包括如前述实施例提出的电子设备。

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器904，上述指令可由电子设备900的处理器920执行以完成上述方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如前所述的方法。

本公开的技术方案，首先获取多个训练样本，其中，每个训练样本包括标注自放电等级及多个荷电状态离群特征参考值；然后将多个荷电状态离群特征参考值输入初始模型，以获取初始模型输出的预测自放电等级；最后根据预测自放电等级与标注自放电等级间的差异，对初始模型进行修正，以生成自放电监控模型。本公开基于电池的荷电状态离群特征，训练生成能够对电池的自放电程度进行分级的自放电监控模型，实现了基于自放电监控模型对电池自放电情况的准确识别，同时根据电池自放电的严重程度确定电池自放电的等级，为基于电池自放电的等级采取不同的应对措施提供了支撑和依据。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种自放电监控模型的训练方法，其特征在于，包括：

获取多个训练样本，其中，每个所述训练样本包括标注自放电等级及多个荷电状态离群特征参考值，所述标注自放电等级是从自放电等级中确定的；

将多个所述荷电状态离群特征参考值输入初始模型，以获取所述初始模型输出的预测自放电等级，所述预测自放电等级是所述初始模型对多个所述荷电状态离群特征参考值解析后从所述自放电等级中确定的；

根据所述预测自放电等级与所述标注自放电等级间的差异，对所述初始模型进行修正，以生成自放电监控模型。

2.如权利要求1所述的方法，其特征在于，所述获取多个训练样本，包括：

确定每个所述自放电等级对应的第一数值范围及第二数值范围，其中，所述第一数值范围为荷电状态离群特征在设定周期内的数值范围，所述第二数值范围为所述荷电状态离群特征在所述设定周期内的变化率的数值范围；

根据所述第一数值范围及所述第二数值范围，生成每个所述自放电等级对应的多个初始样本曲线；其中，所述初始样本曲线为所述荷电状态离群特征在所述设定周期内的变化曲线；

根据所述初始样本曲线，确定所述设定周期内多个参考时段的荷电状态离群特征初始值；

为每个所述荷电状态离群特征初始值分别生成一个对应的随机数；

将每个所述荷电状态离群特征初始值分别与对应的随机数相加，以获取每个所述参考时段对应的所述荷电状态离群特征参考值；

获取多个所述荷电状态离群特征参考值对应的所述标注自放电等级，以生成所述训练样本。

3.如权利要求2所述的方法，其特征在于，在所述获取多个所述荷电状态离群特征参考值对应的所述标注自放电等级之前，还包括：

获取多个自放电正常的电池单体在所述设定周期的多个所述参考时段的荷电状态离群特征真实值；

将每个所述荷电状态离群特征参考值分别与对应时段的所述荷电状态离群特征真实值相加，以更新所述荷电状态离群特征参考值。

4.一种电池自放电的监控方法，其特征在于，包括：

获取每个电池单体的电压监测数据及电流监测数据；

根据所述电压监测数据及所述电流监测数据，确定每个所述电池单体在多个参考时段的荷电状态；

根据每个所述电池单体在每个所述参考时段的所述荷电状态，确定每个所述电池单体在每个所述参考时段的荷电状态离群特征；

将每个所述电池单体的所有所述荷电状态离群特征输入自放电监控模型中，以确定每个所述电池单体的自放电等级。

5.如权利要求4所述的方法，其特征在于，所述根据所述电压监测数据及所述电流监测数据，确定每个所述电池单体在多个参考时段的荷电状态，包括：

确定在每个所述参考时段内所述电流监测数据位于设定范围内的目标时段；

根据每个所述电池单体在所述目标时段内的电压监测数据，及所述荷电状态与开路电压的映射关系，确定每个所述电池单体在所述参考时段的所述荷电状态。

6.如权利要求4或5所述的方法，其特征在于，所述根据每个所述电池单体在每个所述参考时段的所述荷电状态，确定每个所述电池单体在每个所述参考时段的荷电状态离群特征，包括：

根据所有所述电池单体在所述参考时段的所述荷电状态的中位数，确定参考荷电状态；

根据每个所述电池单体在所述参考时段的所述荷电状态与所述参考荷电状态的差值，确定每个所述电池单体在所述参考时段的所述荷电状态离群特征。

7.一种自放电监控模型的训练装置，其特征在于，包括：

第一获取模块，用于获取多个训练样本，其中，每个所述训练样本包括标注自放电等级及多个荷电状态离群特征参考值，所述标注自放电等级是从自放电等级中确定的；

第二获取模块，用于将多个所述荷电状态离群特征参考值输入初始模型，以获取所述初始模型输出的预测自放电等级，所述预测自放电等级是所述初始模型对多个所述荷电状态离群特征参考值解析后从所述自放电等级中确定的；

生成模块，用于根据所述预测自放电等级与所述标注自放电等级间的差异，对所述初始模型进行修正，以生成所述自放电监控模型。

8.一种电池自放电的监控装置，其特征在于，包括：

第一获取模块，用于获取每个电池单体的电压监测数据及电流监测数据；

第一确定模块，用于根据所述电压监测数据及所述电流监测数据，确定每个所述电池单体在多个参考时段的荷电状态；

第二确定模块，用于根据每个所述电池单体在每个所述参考时段的所述荷电状态，确定每个所述电池单体在每个所述参考时段的荷电状态离群特征；

第三确定模块，用于将每个所述电池单体的所有所述荷电状态离群特征输入自放电监控模型中，以确定每个所述电池单体的自放电等级。

9.一种电子设备，其特征在于，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指令，所述处理器执行所述指令时，实现如权利要求1-6中任一项所述的方法。

10.一种车辆，其特征在于，包括如权利要求9所述的电子设备。

11.一种计算机可读存储介质，存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现如权利要求1-6中任一项所述的方法。

12.一种计算机程序产品，其特征在于，包括计算机指令，所述计算机指令在被处理器执行时实现如权利要求1-6中任一项所述的方法。

Images