CN116706281A - 电池充电的方法、装置、电子设备及计算机可读存储介质 - Google Patents

Abstract

本申请实施例提供了一种电池充电的方法、装置、电子设备及计算机可读存储介质，该方法包括：获取充电电池的状态信息；将所述状态信息输入目标模型，经由目标模型确定满足预设充电约束条件的多个待选充电功率；通过目标模型计算得到每一所述待选充电功率对应的荷电状态，并输出目标荷电状态对应的所述待选充电功率；其中，所述待选充电功率对应的荷电状态为采用待选充电功率充电预设时长后充电电池的荷电状态；目标荷电状态为多个所述待选充电功率对应的荷电状态中数值最大的一个；采用所述目标模型输出的待选充电功率对所述充电电池进行充电。在不对电池寿命造成过多损害的前提下，完成充电电池的快速充电，实现了电池寿命和充电速度之间均衡。

Description

电池充电的方法、装置、电子设备及计算机可读存储介质

技术领域

本申请关于电池技术领域，具体地说，涉及电池技术领域下的电池充电技术，更具体地说，涉及一种电池充电的方法、装置、电子设备及计算机可读存储介质。

背景技术

随着电动汽车和便携式电子设备的普及，锂离子电池在现代社会中扮演着越来越重要的角色。锂离子电池具有高能量密度、长循环寿命和低自放电率等优点，使其成为许多应用的理想选择。

目前，基于经验的充电方法简单易行且应用广泛，代表性的充电方法包括：恒流-恒压(CCCV)法、多阶段恒流法等。

然而，上述充电方法鲁棒性差，要么充电功率过大，虽然可以实现快速充电，但对电池寿命会造成较大的损害。要么虽然可以对电池寿命造成较小损害，但充电速度过慢。

发明内容

本申请中多个实施例提供一种电池充电的方法、装置、电子设备及计算机可读存储介质，以实现均衡电池寿命和充电速度的目的。

第一方面，本申请的一个实施例提供了一种电池充电的方法，所述电池充电的方法包括：

获取充电电池的状态信息；

将所述状态信息输入目标模型，经由所述目标模型确定满足预设充电约束条件的多个待选充电功率；

通过所述目标模型计算得到每一所述待选充电功率对应的荷电状态，并输出目标荷电状态对应的所述待选充电功率；其中，所述待选充电功率对应的荷电状态为采用所述待选充电功率充电预设时长后所述充电电池的荷电状态；所述目标荷电状态为多个所述待选充电功率对应的荷电状态中数值最大的一个；

采用所述目标模型输出的待选充电功率对所述充电电池进行充电。

可选地，在采用所述目标模型输出的待选充电功率对所述充电电池进行充电之后，所述方法还包括：

计算所述目标荷电状态和预设荷电状态之间的荷电状态差值；

采用所述荷电状态差值更新所述目标模型的模型参数，以使所述目标模型的模型输出向目标充电功率调整；

其中，所述目标充电功率为在满足所述预设充电约束条件的情况下，使所述充电电池的荷电状态最快到达所述预设荷电状态的充电功率。

可选地，所述获取充电电池的状态信息，包括：

获取所述充电电池的充电电压、充电电流和温度；

采用扩展卡尔曼滤波估算所述充电电池当前的荷电状态；

将所述充电电压、所述充电电流、所述温度和所述充电电池当前的荷电状态，确定为所述充电电池的状态信息。

可选地，所述预设充电约束条件为基于电池的电化学模型和热模型确定的对电池的目标参数进行约束的条件；

其中，所述目标参数包括：充电电流、充电电压、负极过电位和温度中的至少一项。

可选地，在获取充电电池的状态信息之前，所述方法还包括：

构建初始神经网络模型；

获取预设充电约束条件以及电池在不同充电条件下的状态信息；

将所述不同充电条件下的状态信息作为训练样本，对所述初始神经网络模型进行训练得到所述目标模型；

其中，每次训练过程中：

将每一所述训练样本输入所述初始神经网络模型，采用所述预设充电约束条件对所述初始神经网络模型确定待选充电功率的过程进行约束，并使用所述初始神经网络模型的模型输出对应的荷电状态和预设荷电状态之间的差值对模型参数进行更新。

第二方面，本申请的一个实施例提供了一种电池充电的装置，所述电池充电的装置包括：

获取模块，用于获取充电电池的状态信息；

第一模型模块，用于将所述状态信息输入目标模型，经由所述目标模型确定满足预设充电约束条件的多个待选充电功率；

第二模型模块，用于通过所述目标模型计算得到每一所述待选充电功率对应的荷电状态，并输出目标荷电状态对应的所述待选充电功率；其中，所述待选充电功率对应的荷电状态为采用所述待选充电功率充电预设时长后所述充电电池的荷电状态；所述目标荷电状态为多个所述待选充电功率对应的荷电状态中数值最大的一个；

充电模块，用于采用所述目标模型输出的待选充电功率对所述充电电池进行充电。

可选地，所述装置还包括：

差值计算模块，用于计算所述目标荷电状态和预设荷电状态之间的荷电状态差值；

在线更新模块，用于采用所述荷电状态差值更新所述目标模型的模型参数，以使所述目标模型的模型输出向目标充电功率调整；

其中，所述目标充电功率为在满足所述预设充电约束条件的情况下，使所述充电电池的荷电状态最快到达所述预设荷电状态的充电功率。

可选地，所述获取模块，具体用于：

获取所述充电电池的充电电压、充电电流和温度；

采用扩展卡尔曼滤波估算所述充电电池当前的荷电状态；

将所述充电电压、所述充电电流、所述温度和所述充电电池当前的荷电状态，确定为所述充电电池的状态信息。

可选地，所述预设充电约束条件为基于电池的电化学模型和热模型确定的对电池的目标参数进行约束的条件；

其中，所述目标参数包括：充电电流、充电电压、负极过电位和温度中的至少一项。

可选地，所述装置还包括：

模型构建模块，用于构建初始神经网络模型；

训练获取模块，用于获取预设充电约束条件以及电池在不同充电条件下的状态信息；

训练模块，用于将所述不同充电条件下的状态信息作为训练样本，对所述初始神经网络模型进行训练得到所述目标模型；

其中，每次训练过程中：

将每一所述训练样本输入所述初始神经网络模型，采用所述预设充电约束条件对所述初始神经网络模型确定待选充电功率的过程进行约束，并使用所述初始神经网络模型的模型输出对应的荷电状态和预设荷电状态之间的差值对模型参数进行更新。

第三方面，本申请的一个实施例提供了一种电子设备，包括处理器和存储器；

其中，所述存储器与所述处理器连接，所述存储器用于存储计算机程序；

所述处理器，用于通过运行所述存储器中存储的计算机程序，实现如上所述的电池充电的方法。

第四方面，本申请的一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如上所述的电池充电的方法。

第五方面，本申请的一个实施例提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中；所述计算机设备的处理器从所述计算机可读存储介质读取所述计算机程序，所述处理器执行所述计算机程序时实现上述的电池充电的方法的步骤。

本申请提供的多个实施例，在获取充电电池的状态信息之后，将状态信息输入目标模型，利用神经网络模型可以确定满足预设充电约束条件的多个待选充电功率。由于预设充电约束条件的约束，使用该多个待选充电功率进行充电时，不会对电池寿命造成过多伤害。进而通过目标模型从多个待选充电功率中，选择充电速度最快的待选充电功率对充电电池进行充电。最终，在不对电池寿命造成过多损害的前提下，完成充电电池的快速充电，实现了电池寿命和充电速度之间均衡。

附图说明

图1为本申请的一个实施例提供的一种电池充电的方法的步骤示意图；

图2为本申请的一个实施例提供的采用扩展卡尔曼滤波估算充电电池当前的荷电状态的过程示意图；

图3为本申请的一个实施例提供的一种电池充电的方法的实际应用流程图

图4为本申请的一个实施例提供的分别采用本申请实施例、4C、6C充电条件充电过程中充电速度随时间的变化曲线；

图5为本申请的一个实施例提供的分别采用本申请实施例、4C、6C充电条件充电过程中荷电状态随时间的变化曲线；

图6为本申请的一个实施例提供的一种电池充电的装置的结构示意图；

图7为本申请的一个实施例提供的一种电子设备的结构示意图。

具体实施方式

除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来避免构成要素的混同而设置的。

除非上下文另有要求，否则，在整个说明书中，“多个”表示“至少两个”，“包括”被解释为开放、包含的意思，即为“包含，但不限于”。在说明书的描述中，术语“一个实施例”、“一些实施例”、“示例性实施例”、“示例”、“特定示例”或“一些示例”等旨在表明与该实施例或示例相关的特定特征、结构、材料或特性包括在本申请的至少一个实施例或示例中。上述术语的示意性表示不一定是指同一实施例或示例。

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，都属于本申请保护的范围。

概述

如背景技术中所述，目前在对电池充电的过程中，通常存在两种情况。第一种，采用大功率进行充电，可以快速的提升电池的荷电状态(State of Charge，简称SOC)。但由于充电功率较大，这种情况对电池寿命的损害很大。第二种，采用小功率充电，可以最大程度的降低对电池寿命的损害。但由于充电功率过小，这种情况下的充电速度很很慢。

针对上述问题，本申请提供一种电池充电的方法、装置、电子设备及计算机可读存储介质，目的在于均衡电池寿命和充电速度，在对电池寿命造成较低伤害的前提下，尽快的提升充电速度。以下通过实施例对具体方案进行详细说明。

示例性方法

如图1所示，本申请实施例提供了一种电池充电的方法。该电池充电的方法包括：

S101：获取充电电池的状态信息。

本步骤中，充电电池为当前正在充电的电池。其可以为对任意电子设备进行供电的供电电池。例如充电电池可以为手机、笔记本、电动汽车中的供电电池，但不限于此。较佳地，充电电池为锂离子电池。充电电池的状态信息为充电电池在充电时的与电池状态或充电状态相关的信息，例如状态信息可以包括：充电电压、充电电流等。可以理解的是，状态信息将作为目标模型的输入。因此，目标模型使用充电电池的哪些数据作为模型输入进行模型训练，状态信息就是哪些数据。例如目标模型使用充电电池的充电电压和充电电流作为模型输入进行模型训练，则充电电池的状态信息包括充电电压和充电电流。

一些实施例中，电动汽车在连接充电枪进行充电时，该电动汽车上的动力电池为充电电池。通过电动汽车的电池管理系统可以获取动力电池的状态信息。

S102：将状态信息输入目标模型，经由目标模型确定满足预设充电约束条件的多个待选充电功率。

本步骤中，预设约束条件为电池充电过程中，对影响电池寿命的各电池参数的约束。在对充电电池充电过程中，通过将各电池参数约束在该预设约束条件下，可以避免对电池寿命产生过大的影响。

目标模型为预先训练好的神经网络模型。该目标模型在训练过程中添加有上述预设充电约束条件，可以将各电池参数约束在该预设约束条件下。即通过目标模型确定的待选充电功率对充电电池进行充电，可以将充电过程中的各电池参数约束在该预设约束条件下。这里，多个待选充电功率包括满足预设充电约束条件的各充电功率中，可以快速提升电池荷电状态的多个充电功率。

具体的，目标模型使用充电电池的状态信息进行训练，并在训练过程中添加预设充电约束条件。最终，完成训练的模型可以根据充电电池的状态信息，可以确定满足预设充电约束条件，且可以实现快速充电的多个待选充电功率。

S103：通过目标模型计算得到每一待选充电功率对应的荷电状态，并输出目标荷电状态对应的待选充电功率。

S104：采用目标模型输出的待选充电功率对充电电池进行充电。

本实施例中，可以从步骤S102中确定的多个待选充电功率中选择一个充电速度最快的作为目标模型的输出，进而使用目标模型输出的充电速度最快的待选充电功率对充电电池进行充电。可以理解的是，充电速度可以采用固定时长内对充电电池的荷电状态的提升进行衡量。针对多个待选充电功率，在同一预设时长内，将充电电池的荷电状态提升至最大的待选充电功率，为充电速度最快的待选充电功率。具体的，待选充电功率对应的荷电状态为采用待选充电功率充电预设时长后充电电池的荷电状态；目标荷电状态为多个待选充电功率对应的荷电状态中数值最大的一个。

一些实施例中，充电电池的状态信息包括充电电池当前的荷电状态。目标模型在当前的荷电状态基础上，加上待选充电功率下充电电流在预设时长内的积分，可以得到待选充电功率对应的荷电状态。

一些实施例中，待选充电功率对应的荷电状态为采用待选充电功率充电预设时长后充电电池的荷电状态增加量，目标荷电状态为多个待选充电功率对应的荷电状态中数值最大的一个。这样，只需计算待选充电功率下充电电流在预设时长内的积分，得到荷电状态增加量即可。

一些实施例中，可以周期性的执行上述步骤S101～步骤S104。具体的，每隔目标时长执行一遍步骤S101～步骤S104，计算得到当前周期内最佳的充电功率(当前周期内目标模型输出的待选充电功率)，然后利用最佳的充电功率在当前周期内对充电电池进行充电。这样，在每一周期内均可以利用当前周期内最佳的充电功率对充电电池进行充电，从而快速的完成充电，并且不会对电池寿命造成过大损害。其中，目标时长为预先确定的某一时长，例如可以为十分钟、半个小时、一个小时等。例如，某一智能手机的充电电池为一容量为2480mAh，在对该充电电池充电时，首先获取当前时刻下充电电池的状态信息。假设此时充电电池的状态信息具体为：电池温度为25℃，荷电状态为35％，充电电压为5.3V，充电电流为8A。将这些状态信息输入至上述目标模型，可以得到该目标模型输出的一充电功率。假设模型输出的充电功率为50W，则改用50W的充电功率对充电电池继续充电。在一个小时之后，重新获取充电电池的状态信息。假设此时充电电池的状态信息具体为：电池温度为30℃，荷电状态为80％，充电电压为6.25V，充电电流为8A。将充电电池此时的状态信息重新输入至上述目标模型，可以得到该目标模型输出的一充电功率。假设模型输出的充电功率为30W，则改用30W的充电功率对充电电池继续充电。以此类推，直至充电电池的荷电状态达到100％为止。

在周期性的执行上述步骤S101～步骤S104的实施例中，还可以将充电电池的荷电状态每上升一固定百分数视为一个周期。例如，在充电电池的荷电状态达到35％，获取当前时刻下充电电池的其它状态信息。假设此时充电电池的其它状态信息具体为：电池温度为25℃，充电电压为5.3V，充电电流为8A。将充电电池此时的状态信息输入至上述目标模型，可以得到该目标模型输出的一充电功率。假设模型输出的充电功率为50W，则改用50W的充电功率对充电电池继续充电。在充电电池的荷电状态达到45％时，重新获取充电电池的其它状态信息。假设此时充电电池的其它状态信息具体为：电池温度为30℃，充电电压为6.25V，充电电流为8A。将充电电池此时的状态信息重新输入至上述目标模型，可以得到该目标模型输出的一充电功率。假设模型输出的充电功率为30W，则改用30W的充电功率对充电电池继续充电。以此类推，在充电电池的荷电状态分别达到55％、65％、75％、85％、95％时再次执行前述步骤，使用目标模型最新输出的充电功率对充电电池进行充电，直至充电电池的荷电状态达到100％为止。

在本实施例中，在获取充电电池的状态信息之后，将状态信息输入目标模型，利用神经网络模型可以确定满足预设充电约束条件的多个待选充电功率。由于预设充电约束条件的约束，使用该多个待选充电功率进行充电时，不会对电池寿命造成过多伤害。进而通过目标模型从多个待选充电功率中，选择充电速度最快的待选充电功率对充电电池进行充电。最终，在不对电池寿命造成过多损害的前提下，完成充电电池的快速充电，实现了电池寿命和充电速度之间均衡。

为不断优化目标模型，提升目标模型的准确性，在一些实施例中，在采用目标模型输出的待选充电功率对充电电池进行充电之后，该电池充电的方法还包括：

计算目标荷电状态和预设荷电状态之间的荷电状态差值；

采用荷电状态差值更新目标模型的模型参数，以使目标模型的模型输出向目标充电功率调整；

其中，目标充电功率为在满足预设充电约束条件的情况下，使充电电池的荷电状态最快到达预设荷电状态的充电功率。

在本实施例中，线上每次使用目标模型对充电电池进行充电时，都可以基于本次充电过程中的数据对目标模型进行优化。可以理解的是，目标模型基于充电电池的状态信息确定的待选充电功率以及输出的待选充电功率，均已满足预设充电约束条件。因此，在优化目标模型时，可以向提升充电速度的方向优化目标模型。即，使目标模型尽量输出满足预设充电约束条件的对荷电状态提升最快的充电功率。

具体的，可以预先设置一较大的荷电状态作为目标，即预设荷电状态。使充电电池的荷电状态尽快到达该预设荷电状态。这样，就可以使用模型输出对应的荷电状态与预设荷电状态之间的差值，对目标模型的模型参数进行更新。使得目标模型在不断更新之后，其模型输出越来越接近目标充电功率，即其模型输出对应的荷电状态越来越接近预设荷电状态，从而充电速度越来越快。

本申请实施例中，在线上充电过程中，可以对目标模型进行不断的优化，从而提升目标模型的准确性。在满足预设充电约束条件的情况下，提升充电电池的充电速度。

在一些实施例中，获取充电电池的状态信息，包括：

获取充电电池的充电电压、充电电流和温度；

采用扩展卡尔曼滤波估算充电电池当前的荷电状态；

将充电电压、充电电流、温度和充电电池当前的荷电状态，确定为充电电池的状态信息。

应当说明的是，充电电池的状态信息包括可以直接检测得到的第一类型的状态信息和基于第一类型的状态信息计算得到的第二类型的状态信息。其中，第一类型的状态信息包括充电电压、充电电流以及温度。第二类型的状态信息包括充电电池当前的荷电状态。一些实施例中，为提升充电电池的温度的准确性，可以检测电池内部温度以及外部环境温度，进而利用两部分的温度进行计算，得到更为精准的电池温度。

在估算充电电池当前的荷电状态时，还可以采用其它方式，例如开路电压法、神经网络法等。本实施例中采用扩展卡尔曼滤波可以估算出更为准确的荷电状态。如图2所示，为本实施例中采用扩展卡尔曼滤波估算充电电池当前的荷电状态的过程示意图。通过原始荷电状态和充电信息，计算得到当前荷电状态。具体的，该过程包括：

S201：状态更新，也就是初始化。为滤波器设置初始状态和协方差矩阵。这里，可以基于电池的设计参数和经验判断。该滤波器为基于扩展卡尔曼滤波设计的滤波器。

S202：计算估计值。具体的，使用非线性系统模型预测下一荷电状态。这包括利用电池模型的输入(如电流)以及电池的内在特性(容量和内阻)。滤波器在当前估计值处线性化非线性系统。具体的，可以通过计算系统模型相对于状态和观测的雅可比矩阵实现。

S203：测量状态更新。具体的，当新的观测值(电池电压和温度)可用时，滤波器将这些信息纳入模型，更新预测的状态。这一步通过卡尔曼增益来优化，卡尔曼增益是通过考虑预测误差和观测噪声来计算的。图2中关于误差更新、计算卡尔曼增益以及测量误差协方差更新，这里不再详述。可以理解的是，随着不断的更新和预测，可以实时提供电池的荷电状态。

本申请实施例中，利用扩展卡尔曼滤波可以得到更为精准的估算出充电电池当前的荷电状态。

在一些实施例中，预设充电约束条件为基于电池的电化学模型和热模型确定的对电池的目标参数进行约束的条件；

其中，目标参数包括：充电电流、充电电压、负极过电位和温度中的至少一项。

应当说明的是，电池的电化学模型和热模型为基于电池的电化学特性和热特性创建的物理模型。这里，对于电化学模型和热模型的创建方式这里不做限定。可以理解的是，电化学模型和热模型用于提取预设充电约束条件，确定哪些条件下可以对电池寿命造成较小的伤害。当然，电池寿命与电池充电过程中的安全性直接相关。因此，可以以电池充电过程中的安全性代替电池寿命，提取预设充电约束条件。

可以理解的是，强电流、高电压会加速锂离子电池不可逆损伤，老化，甚至析锂短路，容量跳水。所以不能过大。但过小则充电缓慢，无法快充，因而约束。析锂随极化增加而急剧增加，在负极过电位小于0时候便开始析锂，造成短路。因此，负极过电位必须约束在大于等于0的范围内，以保证不析锂。升温速率会随着充电速率的增加而非线性增加。充电速率太高的时候，温度升温太快，散热速率跟不上，会出现不可逆损伤甚至热失控。所以要限定温度的上限度。限定温度下限是为了增加充电速率(温度在上限以下说明是热安全的，若低于下限，则说明还能在保证安全的基础上增加充电速率)。综合考虑，充电电流、充电电压、负极过电位和温度对电池安全性均有较大的影响。因此，可以基于其中的一个或多个设置预设充电约束条件。

本申请实施例中，以影响电池安全性的因素作为影响电池寿命的因素，从而选择充电电流、充电电压、负极过电位和温度中的至少一项，设置预设充电约束条件。

在一些实施例中，在获取充电电池的状态信息之前，该方法还包括：

构建初始神经网络模型；

获取预设充电约束条件以及电池在不同充电条件下的状态信息；

将不同充电条件下的状态信息作为训练样本，对初始神经网络模型进行训练得到目标模型；

其中，每次训练过程中：

将每一训练样本输入初始神经网络模型，采用预设充电约束条件对初始神经网络模型确定待选充电功率的过程进行约束，并使用初始神经网络模型的模型输出对应的荷电状态和预设荷电状态之间的差值对模型参数进行更新。

应当说明的是，选择合适网络结构的网络模型作为初始神经网络模型，该初始神经网络模型包括全连接层、卷积层等。更新模型参数时，可以使用Adam优化器、RMSprop优化器等，但不限于此。一些实施例中，在模型训练过程中可以通过交叉验证的方式提升目标模型的泛化能力。

本申请实施例中，在对初始神经网络模型进行训练的过程中，不仅加入了保证电池健康的预设充电约束条件，同时利用模型输出对应的荷电状态和预设荷电状态之间的差值对模型参数进行更新，以优化模型。

如图3所示，为本申请实施例提供的一种电池充电的方法的实际应用流程图，包括：

S301：数据收集与预处理。其包括子步骤a1：收集电池实验数据。子步骤b1：对实验数据进行预处理。具体的，收集锂离子电池在不同充电条件下的实验数据，包括电压、电流、温度等关键参数。对这些数据进行预处理，如去噪、归一化等，以便于后续的模型训练和分析。

S302：确定物理模型约束。其包括子步骤a2：建立电化学模型。子步骤b2：建立热模型。子步骤c2：提取关键约束条件。这里，关键约束条件即为上述申请实施例中的预设充电约束条件，这里不再赘述。

S303：状态估计。其包括子步骤a3：使用EKF(扩展卡尔曼滤波，Extended KalmanFilter)。子步骤b3：实时估计电池状态。这里的电池状态包括荷电状态。其中，状态估计的过程可以参见图2以及相应的描述，这里不再赘述。

S304：构建深度神经网络模型。其包括子步骤a4：设计深度神经网络结构。子步骤b4：确定损失函数和优化算法。

S305：模型训练与优化。其包括子步骤a5：训练数据输入模型。该训练数据即为S301中预处理后的数据。子步骤b5：应用物理模型约束和实时状态估计调整模型参数。子步骤c5：模型验证和性能评估。例如通过交叉验证的方式进行模型验证，评估模型的泛化能力。

S306：在线更新与自适应调整。其包括子步骤a6：收集新的电池数据。子步骤b6：在线更新深度神经网络模型。子步骤c6：实时调整充电策略。

应当说明的是，本实施例结合物理模型约束，通过在优化问题中引入物理模型的约束条件，可以保证优化后的充电策略在实际应用中的安全性和可行性。采用扩展卡尔曼滤波实时估计电池的状态量，如荷电状态，可以提供实时的电池状态信息，从而使充电策略能够更好地适应电池在不同条件下的性能变化。使用深度神经网络作为优化充电策略的主要手段，可以充分挖掘电池数据中的隐藏模式和规律，从而实现更高效、更精确的充电策略优化。另外，将物理模型约束、EKF实时状态估计和深度神经网络整合到一个端到端的学习框架中，可以实现充电策略优化过程的自动化和智能化。通过不断收集新的电池数据，对深度神经网络模型进行在线更新，使得充电策略能够自适应地调整，以应对电池性能随时间的变化。如图4所示，为比较本申请实施例与4C、6C充电条件随时间的变化曲线。三者在充电过程中的表现如图5所示，电池的荷电状态随时间变化。本申请实施例与6C充电条件下的充电情况十分接近。

一次测试中，在4C CCCV、6C CCCV、本申请实施例三个不同的充电策略或充电条件下，将电池的荷电状态充到80％、90％、100％所需花费的时间如表1所示。电池的循环寿命如表2所示。

策略	4C CCCV	6C CCCV	本申请实施例
				充到80％	553	376	451
充到90％	751	485	493
				充到100％	845	612	597

表1

策略	4C CCCV	6C CCCV	本申请实施例
				循环寿命(圈)	1320	739	1217

表2

从表1和表2中可以看出，采用本申请实施例进行充电的充电速度与6C CCCV下的充电速度接近，但对电池寿命的损害与4C CCCV下的充电情况接近。

示例性装置

本申请的一些实施例还提供了一种电池充电的装置，如图6所示，该电池充电的装置包括：

获取模块61，用于获取充电电池的状态信息；

第一模型模块62，用于将状态信息输入目标模型，经由目标模型确定满足预设充电约束条件的多个待选充电功率；

第二模型模块63，用于通过目标模型计算得到每一待选充电功率对应的荷电状态，并输出目标荷电状态对应的待选充电功率；其中，待选充电功率对应的荷电状态为采用待选充电功率充电预设时长后充电电池的荷电状态；目标荷电状态为多个待选充电功率对应的荷电状态中数值最大的一个；

充电模块64，用于采用目标模型输出的待选充电功率对充电电池进行充电。

可选地，该电池充电的装置还包括：

差值计算模块，用于计算目标荷电状态和预设荷电状态之间的荷电状态差值；

在线更新模块，用于采用荷电状态差值更新目标模型的模型参数，以使目标模型的模型输出向目标充电功率调整；

其中，目标充电功率为在满足预设充电约束条件的情况下，使充电电池的荷电状态最快到达预设荷电状态的充电功率。

可选地，获取模块61，具体用于：

获取充电电池的充电电压、充电电流和温度；

采用扩展卡尔曼滤波估算充电电池当前的荷电状态；

将充电电压、充电电流、温度和充电电池当前的荷电状态，确定为充电电池的状态信息。

可选地，预设充电约束条件为基于电池的电化学模型和热模型确定的对电池的目标参数进行约束的条件；

其中，目标参数包括：充电电流、充电电压、负极过电位和温度中的至少一项。

可选地，该电池充电的装置还包括：

模型构建模块，用于构建初始神经网络模型；

训练获取模块，用于获取预设充电约束条件以及电池在不同充电条件下的状态信息；

训练模块，用于将不同充电条件下的状态信息作为训练样本，对初始神经网络模型进行训练得到目标模型；

其中，每次训练过程中：

将每一训练样本输入初始神经网络模型，采用预设充电约束条件对初始神经网络模型确定待选充电功率的过程进行约束，并使用初始神经网络模型的模型输出对应的荷电状态和预设荷电状态之间的差值对模型参数进行更新。

本申请实施例提供的电池充电的装置，与本申请上述实施例所提供的电池充电的方法属于同一发明构思。未在本实施例中详尽描述的技术细节，可参见本申请上述实施例提供的电池充电的方法的具体处理内容，此处不再加以赘述。

示例性电子设备

本申请另一实施例还提出一种电子设备，参见图7所示，本申请的一个示例性实施例还提供了一种电子设备，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行本申请上述实施例中描述的根据本申请各种实施例的电池充电的方法中的步骤。

该电子设备的内部结构可以如图7所示，该电子设备包括通过系统总线连接的处理器、存储器、网络接口和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以本申请上述实施例中描述的根据本申请各种实施例的电池充电的方法中的步骤。

处理器可包括主处理器，还可包括基带芯片、调制解调器等。

存储器中保存有执行本发明技术方案的计算机程序，还可以保存有操作系统和其他关键业务。具体地，计算机程序可以包括程序代码，程序代码包括计算机操作指令。更具体的，存储器可以包括只读存储器(read-only memory，ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory，RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。

处理器可以是通用处理器，例如通用中央处理器(CPU)、微处理器等，也可以是特定应用集成电路(Application-Specific Integrated Circuit，ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)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。

输入设备可包括接收用户输入的数据和信息的装置，例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。

输出设备可包括允许输出信息给用户的装置，例如显示屏、打印机、扬声器等。

通信接口可包括使用任何收发器一类的装置，以便与其他设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(WLAN)等。

处理器执行存储器中所存放的计算机程序，以及调用其他设备，可用于实现本申请上述实施例所提供的电池充电的方法的各个步骤。

该电子设备还可以包括显示组件和语音组件，该显示组件可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示组件上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7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电子设备的限定，具体的电子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。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请实施例提供的电池充电的方法还可以是计算机程序产品，其包括计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行本申请上述“示例性方法”部分中描述的根据本申请各种实施例的电池充电的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行本申请上述“示例性方法”部分中描述的根据本申请各种实施例的电池充电的方法中的步骤。

可以理解，本文中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例，而非限制本申请的范围。

可以理解，在本申请中的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

可以理解，本申请中描述的各种实施例，既可以单独实施，也可以组合实施，本申请实施例对此并不限定。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。本申请所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

可以理解，本申请实施例的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

可以理解，本申请实施例中的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(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(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

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，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应所述理解到，所揭露的系统、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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述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，在本申请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。

所述功能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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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所述技术方案的部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施例，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种电池充电的方法，其特征在于，所述电池充电的方法包括：

获取充电电池的状态信息；

将所述状态信息输入目标模型，经由所述目标模型确定满足预设充电约束条件的多个待选充电功率；

通过所述目标模型计算得到每一所述待选充电功率对应的荷电状态，并输出目标荷电状态对应的所述待选充电功率；其中，所述待选充电功率对应的荷电状态为采用所述待选充电功率充电预设时长后所述充电电池的荷电状态；所述目标荷电状态为多个所述待选充电功率对应的荷电状态中数值最大的一个；

采用所述目标模型输出的待选充电功率对所述充电电池进行充电。

2.根据权利要求1所述的方法，其特征在于，在采用所述目标模型输出的待选充电功率对所述充电电池进行充电之后，所述方法还包括：

计算所述目标荷电状态和预设荷电状态之间的荷电状态差值；

采用所述荷电状态差值更新所述目标模型的模型参数，以使所述目标模型的模型输出向目标充电功率调整；

其中，所述目标充电功率为在满足所述预设充电约束条件的情况下，使所述充电电池的荷电状态最快到达所述预设荷电状态的充电功率。

3.根据权利要求1所述的方法，其特征在于，所述获取充电电池的状态信息，包括：

获取所述充电电池的充电电压、充电电流和温度；

采用扩展卡尔曼滤波估算所述充电电池当前的荷电状态；

将所述充电电压、所述充电电流、所述温度和所述充电电池当前的荷电状态，确定为所述充电电池的状态信息。

4.根据权利要求1所述的方法，其特征在于，所述预设充电约束条件为基于电池的电化学模型和热模型确定的对电池的目标参数进行约束的条件；

其中，所述目标参数包括：充电电流、充电电压、负极过电位和温度中的至少一项。

5.根据权利要求1所述的方法，其特征在于，在获取充电电池的状态信息之前，所述方法还包括：

构建初始神经网络模型；

获取预设充电约束条件以及电池在不同充电条件下的状态信息；

将所述不同充电条件下的状态信息作为训练样本，对所述初始神经网络模型进行训练得到所述目标模型；

其中，每次训练过程中：

将每一所述训练样本输入所述初始神经网络模型，采用所述预设充电约束条件对所述初始神经网络模型确定待选充电功率的过程进行约束，并使用所述初始神经网络模型的模型输出对应的荷电状态和预设荷电状态之间的差值对模型参数进行更新。

6.一种电池充电的装置，其特征在于，所述电池充电的装置包括：

获取模块，用于获取充电电池的状态信息；

第一模型模块，用于将所述状态信息输入目标模型，经由所述目标模型确定满足预设充电约束条件的多个待选充电功率；

第二模型模块，用于通过所述目标模型计算得到每一所述待选充电功率对应的荷电状态，并输出目标荷电状态对应的所述待选充电功率；其中，所述待选充电功率对应的荷电状态为采用所述待选充电功率充电预设时长后所述充电电池的荷电状态；所述目标荷电状态为多个所述待选充电功率对应的荷电状态中数值最大的一个；

充电模块，用于采用所述目标模型输出的待选充电功率对所述充电电池进行充电。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

差值计算模块，用于计算所述目标荷电状态和预设荷电状态之间的荷电状态差值；

在线更新模块，用于采用所述荷电状态差值更新所述目标模型的模型参数，以使所述目标模型的模型输出向目标充电功率调整；

其中，所述目标充电功率为在满足所述预设充电约束条件的情况下，使所述充电电池的荷电状态最快到达所述预设荷电状态的充电功率。

8.根据权利要求6所述的装置，其特征在于，所述获取模块，具体用于：

获取所述充电电池的充电电压、充电电流和温度；

采用扩展卡尔曼滤波估算所述充电电池当前的荷电状态；

将所述充电电压、所述充电电流、所述温度和所述充电电池当前的荷电状态，确定为所述充电电池的状态信息。

9.根据权利要求6所述的装置，其特征在于，所述预设充电约束条件为基于电池的电化学模型和热模型确定的对电池的目标参数进行约束的条件；

其中，所述目标参数包括：充电电流、充电电压、负极过电位和温度中的至少一项。

10.根据权利要求6所述的装置，其特征在于，所述装置还包括：

模型构建模块，用于构建初始神经网络模型；

训练获取模块，用于获取预设充电约束条件以及电池在不同充电条件下的状态信息；

训练模块，用于将所述不同充电条件下的状态信息作为训练样本，对所述初始神经网络模型进行训练得到所述目标模型；

其中，每次训练过程中：

将每一所述训练样本输入所述初始神经网络模型，采用所述预设充电约束条件对所述初始神经网络模型确定待选充电功率的过程进行约束，并使用所述初始神经网络模型的模型输出对应的荷电状态和预设荷电状态之间的差值对模型参数进行更新。

11.一种电子设备，其特征在于，包括：处理器和存储器；

其中，所述存储器与所述处理器连接，所述存储器用于存储计算机程序；

所述处理器，用于通过运行所述存储器中存储的计算机程序，实现如权利要求1～5任一项所述的电池充电的方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如权利要求1至5任意一项所述的电池充电的方法。