CN115765085A - 一种动力电池的过充放电阈值控制方法及装置 - Google Patents

Abstract

本发明公开了一种动力电池的过充放电阈值控制方法及装置，包括：在动力电池满足预设的条件时，获取所述动力电池的电池健康状态信息；基于预先训练完成的关系模型，确定与所述电池健康状态信息相匹配的目标过充放电压阈值；按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作。本发明能够提高动力电池的过充放电压阈值的控制可靠性，从而降低电池事故的发生频率。

Description

一种动力电池的过充放电阈值控制方法及装置

技术领域

本发明涉及动力电池技术领域，具体而言，涉及一种动力电池的过充放电阈值控制方法及装置。

背景技术

目前，电动车的动力电池频繁发生自燃、充电起火等事故，使得广大电动汽车的生产企业和消费者对电动汽车的动力电池的安全问题非常关注和担忧。其中，大量的研究数据表明，过充放电是导致动力电池事故的主要原因之一。其中，过充放电指的是电池过度充电和电池过度放电。

在实践中发现，现有技术针对动力电池的过充放电情况，通常会设置固定的充放电压阈值，并按照该充放电压阈值控制对动力电池的充放电。然而，这种方式设定得到的充放电压阈值是一个恒定的值，较为死板，从而导致充放电压阈值的可靠性较低，进而导致电池事故的发生频率依然较高。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种动力电池的过充放电阈值控制方法及装置，以至少提高动力电池的过充放电压阈值的控制可靠性，从而降低电池事故的发生频率。

根据本发明实施例的一个方面，提供了一种动力电池的过充放电阈值控制方法，所述方法包括：在动力电池满足预设的条件时，获取所述动力电池的电池健康状态信息；基于预先训练完成的关系模型，确定与所述电池健康状态信息相匹配的目标过充放电压阈值；按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作。

作为一种可选的实施方式，所述预先训练完成的关系模型基于以下步骤训练得到：获取整车动力电池运行数据；对所述整车动力电池运行数据进行数据清洗，得到整车动力电池运行数据集；对所述整车动力电池运行数据集进行数据切片和数据抽取，得到训练样本集；利用所述训练样本集，对待训练的机器学习模型进行训练，得到所述预先训练完成的关系模型。

作为一种可选的实施方式，所述训练样本集中的训练样本至少包括以下一项字段：电池剩余电量百分比、电池健康度、总里程数、充放电次数、电池温度、室外温度、过充放电压阈值。

作为一种可选的实施方式，所述待训练的机器学习模型至少包括极端梯度提升模型、随机森林模型或者支持向量机模型。

作为一种可选的实施方式，所述预设的条件至少包括动力电池处于衰减状态或者异常状态。

作为一种可选的实施方式，所述获取所述动力电池的电池健康状态信息，包括：通过勒贝格采样，获取所述动力电池的所述电池健康状态信息。

作为一种可选的实施方式，在按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作之后，所述方法还包括：监测所述动力电池是否满足所述预设的条件，用以在所述动力电池满足所述预设的条件时基于所述关系模型对所述目标过充放电压阈值进行更新。

根据本发明实施例的另一方面，还提供了一种动力电池的过充放电阈值控制装置，包括：状态获取单元，用于在动力电池满足预设的条件时，获取所述动力电池的电池健康状态信息；阈值确定单元，用于基于预先训练完成的关系模型，确定与所述电池健康状态信息相匹配的目标过充放电压阈值；控制单元，用于按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作。

作为一种可选的实施方式，所述预先训练完成的关系模型基于以下步骤训练得到：获取整车动力电池运行数据；对所述整车动力电池运行数据进行数据清洗，得到整车动力电池运行数据集；对所述整车动力电池运行数据集进行数据切片和数据抽取，得到训练样本集；利用所述训练样本集，对待训练的机器学习模型进行训练，得到所述预先训练完成的关系模型。

作为一种可选的实施方式，所述训练样本集中的训练样本至少包括以下一项字段：电池剩余电量百分比、电池健康度、总里程数、充放电次数、电池温度、室外温度、过充放电压阈值。

作为一种可选的实施方式，所述待训练的机器学习模型至少包括极端梯度提升模型、随机森林模型或者支持向量机模型。

作为一种可选的实施方式，所述预设的条件至少包括动力电池处于衰减状态或者异常状态。

作为一种可选的实施方式，所述状态获取单元具体用于：通过勒贝格采样，获取所述动力电池的所述电池健康状态信息。

作为一种可选的实施方式，所述装置还包括：阈值更新单元，用于在按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作之后，监测所述动力电池是否满足所述预设的条件，用以在所述动力电池满足所述预设的条件时基于所述关系模型对所述目标过充放电压阈值进行更新。

根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述动力电池的过充放电阈值控制方法。

根据本发明实施例的又一方面，还提供了一种电子装置，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，其中，上述处理器通过计算机程序执行上述的动力电池的过充放电阈值控制方法。

在本发明实施例中，可以通过在动力电池满足预设的条件时，获取动力电池的电池健康状态信息，基于预先训练完成的关系模型，确定与电池健康状态信息相匹配的目标过充放电压阈值，按照目标过充放电压阈值，控制动力电池进行充电操作或者放电操作，能够基于关系模型，对过充放电压阈值进行自适应调整，从而提高动力电池的过充放电压阈值的控制可靠性，进而降低电池事故的发生频率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的动力电池的过充放电阈值控制方法的流程图；

图2是根据本发明实施例的一种可选的动力电池的过充放电阈值控制装置的结构示意图；

图3是根据本发明实施例的一种可选的电子装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例提供了一种可选的动力电池的过充放电阈值控制方法，如图1所示，该动力电池的过充放电阈值控制方法包括：

S101，在动力电池满足预设的条件时，获取所述动力电池的电池健康状态信息。

在本实施例中，执行主体可以为动力电池管理系统，并且，动力电池管理系统可以和云端服务器建立通信连接。其中，动力电池管理系统为现有的对动力电池进行监控及有效管理的系统。

其中，执行主体可以持续监测动力电池的电池状态，并在动力电池满足预设的条件时，触发动力电池健康状态采集事件，以获取动力电池的电池健康状态信息。其中，电池健康状态信息可以为用于描述动力电池的健康状态的多个指标参数，可以包括但不限于SOC(state-of-charge，剩余容量，表示电池继续工作的能力)、SOH(State of Health，健康状态)、电池温度等，本实施例对此不做限定。

其中，预设的条件可以为常规的时间条件，例如，每隔预设的采样周期，则确定动力电池满足预设的条件，获取电池健康状态信息。但是，常规情况下，动力电池循环上千次才会出现明显的衰减，所以如果选在常规的周期采样，就会造成很多无效重复的采样，势必会造成计算资源浪费。对此，预设的条件优选为动力电池出现明显的衰减迹象或者异常。对于动力电池是否出现明显的衰减迹象或者异常，可以结合动力电池的关键指标参数进行判定。这里的关键指标参数可以选取上述电池监控状态信息中的一个指标参数，例如，根据SOH判定动力电池是否出现明显的衰减迹象或者异常，如果出现，则进一步获取SOC、电池温度等其他指标参数，得到电池监控状态信息。

S102，基于预先训练完成的关系模型，确定与所述电池健康状态信息相匹配的目标过充放电压阈值。

在本实施例中，云端服务器中可以预先训练得到关系模型，这里的关系模型用于描述电池健康状态信息与过充放电阈值之间的映射关系，将电池健康状态信息输入关系模型，可以得到相匹配的过放充电压阈值。

其中，在训练关系模型时，可以利用各个历史指标参数、为历史指标参数标注的过充放电压阈值，控制关系模型对这种映射关系进行机器学习，得到训练完成的关系模型。

具体的，执行主体可以在获取电池健康状态信息之后，将电池健康状态信息，传输给云端服务器，以使云端服务器将电池健康状态信息输入预先训练完成的关系模型，以使预先训练完成的关系模型输出与电池健康状态信息相匹配的目标过充放电压阈值。

S103，按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作。

在本实施例中，目标过充放电压阈值可以包括目标过充电压阈值和目标过放电压阈值，在控制动力电池进行充电操作时，可以控制充电电压低于目标过充电压阈值。在控制动力电池进行放电操作时，可以控制放电电压不低于目标过放电压阈值。

作为一种可选的实施方式，所述预先训练完成的关系模型基于以下步骤训练得到：获取整车动力电池运行数据；对所述整车动力电池运行数据进行数据清洗，得到整车动力电池运行数据集；对所述整车动力电池运行数据集进行数据切片和数据抽取，得到训练样本集；利用所述训练样本集，对待训练的机器学习模型进行训练，得到所述预先训练完成的关系模型。

在本实施方式中，执行主体可以获取整车动力电池运行数据，其中，整车动力电池运行数据可以为整车的动力电池在历史运行过程中所产生的运行数据。之后，执行主体可以对整车动力电池运行数据进行清洗，得到整车动力电池运行数据集。再对整车动力电池运行数据集进行数据切片和数据抽取，形成包含多个字段的训练样本集。其中，这里的训练样本集能够体现电池的指标参数与过充放电压阈值之间的映射关系。之后，可以利用训练样本集，对待训练的机器学习模型进行训练，拟合回归上述训练样本集中的多个字段，得到训练完成的关系模型。

作为一种可选的实施方式，所述训练样本集中的训练样本至少包括以下一项字段：电池剩余电量百分比、电池健康度、总里程数、充放电次数、电池温度、室外温度、过充放电压阈值。

作为一种可选的实施方式，所述待训练的机器学习模型至少包括极端梯度提升模型、随机森林模型或者支持向量机模型。

作为一种可选的实施方式，所述预设的条件至少包括动力电池处于衰减状态或者异常状态。

在本实施方式中，动力电池是否处于衰减状态或者异常状态可以根据动力电池的关键指标参数进行确定。

作为一种可选的实施方式，所述获取所述动力电池的电池健康状态信息，包括：通过勒贝格采样，获取所述动力电池的所述电池健康状态信息。

在本实施方式中，可以通过事件驱动的采样方法，获取动力电池的电池健康状态信息。这里的事件驱动的采样方法可以为勒贝格采样，也可以为其他各类采样方法，本实施例对此不做限定。

作为一种可选的实施方式，在按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作之后，所述方法还包括：监测所述动力电池是否满足所述预设的条件，用以在所述动力电池满足所述预设的条件时基于所述关系模型对所述目标过充放电压阈值进行更新。

在本实施方式中，在按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作之后，执行主体可以持续监测动力电池是否满足预设的条件，以在所述动力电池满足所述预设的条件时基于所述关系模型对所述目标过充放电压阈值进行更新。具体的更新过程即为重新获取动力电池的电池健康状态信息，输入上述关系模型，得到上述关系模型输出的新的过充放电压阈值，再将目标过充放电压阈值更新为该新的过充放电压阈值。从而实现了根据电池健康状态自适应调整过充放电压阈值。

其中，由于电池的健康状态随着使用时间增长会逐渐的老去，如人一样，会生病，体能会下降，所以电池也会生病，它的体能也会下降，充满电的电压也会下降。然而现有的设置固定的充放电压阈值方法，没有将动力电池的过充放的阈值是随着电池自身健康状态动态改变的这个关键因素考虑进去，还是以原来的设定的阈值电压对电池充放电，导致电池过充放的情况出现，从而大大增加了电池事故的发生的概率。

在本发明实施例中，可以通过在动力电池满足预设的条件时，获取动力电池的电池健康状态信息，基于预先训练完成的关系模型，确定与电池健康状态信息相匹配的目标过充放电压阈值，按照目标过充放电压阈值，控制动力电池进行充电操作或者放电操作，能够基于关系模型，对过充放电压阈值进行自适应调整，从而提高动力电池的过充放电压阈值的控制可靠性，进而降低电池事故的发生频率。

需要说明的是，对于前述的各方法实施例，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，本发明并不受所描述的动作顺序的限制，因为依据本发明，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，所涉及的动作和模块并不一定是本发明所必须的。

进一步的，本发明实施例提供了一种可选的动力电池的过充放电阈值控制装置，如图2所示，该动力电池的过充放电阈值控制装置包括：

状态获取单元201，用于在动力电池满足预设的条件时，获取所述动力电池的电池健康状态信息。

在本实施例中，动力电池的过充放电阈值控制装置可以为动力电池管理系统，并且，动力电池管理系统可以和云端服务器建立通信连接。其中，动力电池管理系统为现有的对动力电池进行监控及有效管理的系统。

其中，动力电池的过充放电阈值控制装置可以持续监测动力电池的电池状态，并在动力电池满足预设的条件时，触发动力电池健康状态采集事件，以获取动力电池的电池健康状态信息。其中，电池健康状态信息可以为用于描述动力电池的健康状态的多个指标参数，可以包括但不限于SOC(state-of-charge，剩余容量，表示电池继续工作的能力)、SOH(State of Health，健康状态)、电池温度等，本实施例对此不做限定。

其中，预设的条件可以为常规的时间条件，例如，每隔预设的采样周期，则确定动力电池满足预设的条件，获取电池健康状态信息。但是，常规情况下，动力电池循环上千次才会出现明显的衰减，所以如果选在常规的周期采样，就会造成很多无效重复的采样，势必会造成计算资源浪费。对此，预设的条件优选为动力电池出现明显的衰减迹象或者异常。对于动力电池是否出现明显的衰减迹象或者异常，可以结合动力电池的关键指标参数进行判定。这里的关键指标参数可以选取上述电池监控状态信息中的一个指标参数，例如，根据SOH判定动力电池是否出现明显的衰减迹象或者异常，如果出现，则进一步获取SOC、电池温度等其他指标参数，得到电池监控状态信息。

阈值确定单元202，用于基于预先训练完成的关系模型，确定与所述电池健康状态信息相匹配的目标过充放电压阈值。

在本实施例中，云端服务器中可以预先训练得到关系模型，这里的关系模型用于描述电池健康状态信息与过充放电阈值之间的映射关系，将电池健康状态信息输入关系模型，可以得到相匹配的过放充电压阈值。

其中，在训练关系模型时，可以利用各个历史指标参数、为历史指标参数标注的过充放电压阈值，控制关系模型对这种映射关系进行机器学习，得到训练完成的关系模型。

具体的，可以在获取电池健康状态信息之后，将电池健康状态信息，传输给云端服务器，以使云端服务器将电池健康状态信息输入预先训练完成的关系模型，以使预先训练完成的关系模型输出与电池健康状态信息相匹配的目标过充放电压阈值。

控制单元203，用于按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作。

在本实施例中，目标过充放电压阈值可以包括目标过充电压阈值和目标过放电压阈值，在控制动力电池进行充电操作时，可以控制充电电压低于目标过充电压阈值。在控制动力电池进行放电操作时，可以控制放电电压不低于目标过放电压阈值。

作为一种可选的实施方式，所述预先训练完成的关系模型基于以下步骤训练得到：获取整车动力电池运行数据；对所述整车动力电池运行数据进行数据清洗，得到整车动力电池运行数据集；对所述整车动力电池运行数据集进行数据切片和数据抽取，得到训练样本集；利用所述训练样本集，对待训练的机器学习模型进行训练，得到所述预先训练完成的关系模型。

在本实施方式中，可以获取整车动力电池运行数据，其中，整车动力电池运行数据可以为整车的动力电池在历史运行过程中所产生的运行数据。之后，可以对整车动力电池运行数据进行清洗，得到整车动力电池运行数据集。再对整车动力电池运行数据集进行数据切片和数据抽取，形成包含多个字段的训练样本集。其中，这里的训练样本集能够体现电池的指标参数与过充放电压阈值之间的映射关系。之后，可以利用训练样本集，对待训练的机器学习模型进行训练，拟合回归上述训练样本集中的多个字段，得到训练完成的关系模型。

作为一种可选的实施方式，所述训练样本集中的训练样本至少包括以下一项字段：电池剩余电量百分比、电池健康度、总里程数、充放电次数、电池温度、室外温度、过充放电压阈值。

作为一种可选的实施方式，所述待训练的机器学习模型至少包括极端梯度提升模型、随机森林模型或者支持向量机模型。

作为一种可选的实施方式，所述预设的条件至少包括动力电池处于衰减状态或者异常状态。

在本实施方式中，动力电池是否处于衰减状态或者异常状态可以根据动力电池的关键指标参数进行确定。

作为一种可选的实施方式，所述状态获取单元201具体用于：通过勒贝格采样，获取所述动力电池的所述电池健康状态信息。

在本实施方式中，可以通过事件驱动的采样方法，获取动力电池的电池健康状态信息。这里的事件驱动的采样方法可以为勒贝格采样，也可以为其他各类采样方法，本实施例对此不做限定。

作为一种可选的实施方式，所述装置还包括：阈值更新单元，用于在按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作之后，监测所述动力电池是否满足所述预设的条件，用以在所述动力电池满足所述预设的条件时基于所述关系模型对所述目标过充放电压阈值进行更新。

在本实施方式中，在按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作之后，可以持续监测动力电池是否满足预设的条件，以在所述动力电池满足所述预设的条件时基于所述关系模型对所述目标过充放电压阈值进行更新。具体的更新过程即为重新获取动力电池的电池健康状态信息，输入上述关系模型，得到上述关系模型输出的新的过充放电压阈值，再将目标过充放电压阈值更新为该新的过充放电压阈值。从而实现了根据电池健康状态自适应调整过充放电压阈值。

其中，由于电池的健康状态随着使用时间增长会逐渐的老去，如人一样，会生病，体能会下降，所以电池也会生病，它的体能也会下降，充满电的电压也会下降。然而现有的设置固定的充放电压阈值方法，没有将动力电池的过充放的阈值是随着电池自身健康状态动态改变的这个关键因素考虑进去，还是以原来的设定的阈值电压对电池充放电，导致电池过充放的情况出现，从而大大增加了电池事故的发生的概率。

在本发明实施例中，可以通过在动力电池满足预设的条件时，获取动力电池的电池健康状态信息，基于预先训练完成的关系模型，确定与电池健康状态信息相匹配的目标过充放电压阈值，按照目标过充放电压阈值，控制动力电池进行充电操作或者放电操作，能够基于关系模型，对过充放电压阈值进行自适应调整，从而提高动力电池的过充放电压阈值的控制可靠性，进而降低电池事故的发生频率。

进一步的，根据本发明实施例的又一个方面，还提供了一种用于实施上述动力电池的过充放电阈值控制方法的电子装置，如图3所示，该电子装置包括存储器302和处理器304，该存储器302中存储有计算机程序，该处理器304被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，在动力电池满足预设的条件时，获取所述动力电池的电池健康状态信息；

S2，基于预先训练完成的关系模型，确定与所述电池健康状态信息相匹配的目标过充放电压阈值；

S3，按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作。

可选地，本领域普通技术人员可以理解，图3所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图3其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图3中所示更多或者更少的组件(如网络接口等)，或者具有与图3所示不同的配置。

其中，存储器302可用于存储软件程序以及模块，如本发明实施例中的动力电池的过充放电阈值控制方法对应的程序指令/模块，处理器304通过运行存储在存储器302内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的动力电池的过充放电阈值控制方法。存储器302可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器302可进一步包括相对于处理器304远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器302具体可以但不限于用于存储操作指令等信息。作为一种示例，如图3所示，上述存储器302中可以但不限于包括上述装置中的各个模块。

可选地，上述的传输装置306用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置306包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置306为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子装置还包括：显示器308和连接总线310。

根据本发明的实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，在动力电池满足预设的条件时，获取所述动力电池的电池健康状态信息；

S2，基于预先训练完成的关系模型，确定与所述电池健康状态信息相匹配的目标过充放电压阈值；

S3，按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

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。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。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或者该技术方案的全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元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单元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，也可以采用软件功能单元的形式实现。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种动力电池的过充放电阈值控制方法，其特征在于，包括：

在动力电池满足预设的条件时，获取所述动力电池的电池健康状态信息；

基于预先训练完成的关系模型，确定与所述电池健康状态信息相匹配的目标过充放电压阈值；

按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作。

2.根据权利要求1所述的方法，其特征在于，所述预先训练完成的关系模型基于以下步骤训练得到：

获取整车动力电池运行数据；

对所述整车动力电池运行数据进行数据清洗，得到整车动力电池运行数据集；

对所述整车动力电池运行数据集进行数据切片和数据抽取，得到训练样本集；

利用所述训练样本集，对待训练的机器学习模型进行训练，得到所述预先训练完成的关系模型。

3.根据权利要求2所述的方法，其特征在于，所述训练样本集中的训练样本至少包括以下一项字段：电池剩余电量百分比、电池健康度、总里程数、充放电次数、电池温度、室外温度、过充放电压阈值。

4.根据权利要求2所述的方法，其特征在于，所述待训练的机器学习模型至少包括极端梯度提升模型、随机森林模型或者支持向量机模型。

5.根据权利要求1所述的方法，其特征在于，所述预设的条件至少包括动力电池处于衰减状态或者异常状态。

6.根据权利要求1所述的方法，其特征在于，所述获取所述动力电池的电池健康状态信息，包括：

通过勒贝格采样，获取所述动力电池的所述电池健康状态信息。

7.根据权利要求1所述的方法，其特征在于，在按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作之后，所述方法还包括：

监测所述动力电池是否满足所述预设的条件，用以在所述动力电池满足所述预设的条件时基于所述关系模型对所述目标过充放电压阈值进行更新。

8.一种动力电池的过充放电阈值控制装置，其特征在于，包括：

状态获取单元，用于在动力电池满足预设的条件时，获取所述动力电池的电池健康状态信息；

阈值确定单元，用于基于预先训练完成的关系模型，确定与所述电池健康状态信息相匹配的目标过充放电压阈值；

控制单元，用于按照所述目标过充放电压阈值，控制所述动力电池进行充电操作或者放电操作。

9.根据权利要求8所述的装置，其特征在于，所述预先训练完成的关系模型基于以下步骤训练得到：

获取整车动力电池运行数据；

对所述整车动力电池运行数据进行数据清洗，得到整车动力电池运行数据集；

对所述整车动力电池运行数据集进行数据切片和数据抽取，得到训练样本集；

利用所述训练样本集，对待训练的机器学习模型进行训练，得到所述预先训练完成的关系模型。

10.根据权利要求9所述的装置，其特征在于，所述训练样本集中的训练样本至少包括以下一项字段：电池剩余电量百分比、电池健康度、总里程数、充放电次数、电池温度、室外温度、过充放电压阈值。

Images