电池状态预测模型的优化方法、容量预测方法及相关装置与流程

1.本技术涉及电池领域，具体而言，涉及一种电池状态预测模型的优化方法、容量预测方法及相关装置。


背景技术：

2.电动汽车锂离子电池作为车辆的动力来源和核心部件，其耐久性是保证锂离子动力电池长期稳定输出能量的关键性能，锂离子电池的健康状态(state of health,soh)作为衡量耐久性的关键指标，是电动汽车电池管理系统(battery management system，bms)和云端数据平台的主要监控对象，而锂离子电池容量值被普遍用于表征soh，并且容量估计值也会影响电池充电状态(state of charge,soc)的估计结果，因此，准确高精度的容量估计是电动汽车bms和云端平台的重要部分。
3.虽然在大数据快速发展和云端平台建设背景下，提出了一些基于机器学习的充电状态预估方法，但受限于不同整车厂设计的bms对soc估计方法也存在不同修正策略导致soc值也存在误差，从而难以取的准确的标签对机器学习模型进行训练，也就意味着所训练的机器学习模型在预测的电池充电状态时存在较大的误差。


技术实现要素：

4.为了克服现有技术中的至少一个不足，本技术提供一种电池状态预测模型的优化方法、容量预测方法及相关装置，用于在标签精度有限的情况下，训练出预测效果更佳的电池状态预测模型，具体包括：
5.第一方面，本技术提供一种电池状态预测模型的优化方法，应用于训练设备，所述方法包括：
6.获取预先训练的电池状态预测模型；
7.将电池包在基准充电时段的状态信息输入所述电池状态预测模型，预估所述电池包在基准充电时段的第一soc起始值以及第一soc终止值；
8.根据所述第一soc起始值以及所述第一soc终止值，计算出所述电池包在参考充电时段的第二soc起始值以及第二soc终止值，其中，所述参考充电时段与所述基准充电时段分别分布在所述电池包整个充电时段的不同位置；
9.将所述第二soc起始值以及所述第二soc终止值作为监督信息，更新所述电池状态预测模型。
10.第二方面，本技术提供一种容量预测方法，应用于容量预测设备，所述容量预测设备配置有经电池状态预测模型的优化方法所训练的电池状态预测模型，所述方法包括：
11.获取目标电池包在目标充电时段的状态信息；
12.将所述状态信息经所述电池状态预测模型进行处理，得到所述目标电池包在所述目标充电时段修正后的soc起始值以及soc终止值；
13.根据所述修正后的soc起始值以及soc终止值，得到所述目标电池包修正后的电池
容量。
14.第三方面，本技术提供一种电池状态预测模型的优化装置，应用于训练设备，所述装置包括：
15.模型获取模块，用于获取预先训练的电池状态预测模型；
16.状态预测模块，用于将电池包在基准充电时段的状态信息输入所述电池状态预测模型，预估所述电池包在基准充电时段的第一soc起始值以及第一soc终止值；
17.状态计算模块，用于所述第一soc起始值以及所述第一soc终止值，计算出所述电池包在参考充电时段的第二soc起始值以及第二soc终止值，其中，所述参考充电时段与所述基准充电时段分别分布在所述电池包整个充电时段的不同位置；
18.模型训练模块，用于根据所述第二soc起始值以及所述第二soc终止值，更新所述电池状态预测模型。
19.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序存储有计算机程序，所述计算机程序被处理器执行时，实现所述的电池状态预测模型的优化方法或者所述的容量预测方法。
20.第五方面，本技术提供一种电子设备，所述训练设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的电池状态预测模型的优化方法或者所述的容量预测方法。
21.相对于现有技术而言，本技术具有以下有益效果：
22.本技术提供的电池状态预测模型的优化方法、容量预测方法及相关装置，训练设备通过预先训练的电池状态预测模型预估电池包在基准充电时段的第一soc起始值以及第一soc终止值；根据第一soc起始值以及第一soc终止值，确定出电池包在参考充电时段的第二soc起始值以及第二soc终止值，最后，将第二soc起始值以及第二soc终止值作为监督信息，更新电池状态预测模型。由于该预训练的电池状态预测模型对soc值具备一定的修正能力，使得确定出的第二soc起始值以及第二soc终止值相较于实测soc值更为准确，因此，将其作为监督信息能够进一步提升电池状态预测模型的性能。
附图说明
23.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
24.图1为本技术实施例提供的方法流程图；
25.图2为本技术实施例提供的高soc区间修正原理示意图；
26.图3为本技术实施例提供的机器学习模型结构示意图；
27.图4为本技术实施例提供的参考充电时段的soc值计算原理示意图；
28.图5为本技术实施例提供的soc值修正效果示意图；
29.图6为本技术实施例提供的容量预测方法的流程示意图；
30.图7为本技术实施例提供的容量预测结果对比图；
31.图8为本技术实施例提供的装置结构示意图；
32.图9为本技术实施例提供的训练设备结构示意图。
33.图标：101-第一实测曲线；102-第一修正曲线；201-第二实测曲线；202-第二修正曲线；203-第三实测曲线；204-第三修正曲线；301-模型获取模块；302-状态预测模块；303-状态计算模块；304-模型训练模块；401-存储器；402-处理器；403-通信单元。
具体实施方式
34.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
35.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
36.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
37.在本技术的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
38.基于以上声明，研究发现，虽然在大数据快速发展和云端平台建设背景下，提出了一些基于机器学习的充电状态预估方法，受限于不同整车厂设计的bms对soc估计方法也存在不同修正策略导致soc值也存在误差，这就导致以soc值作为标签进行机器学习的训练时，soc值的精度限制了最终得到的机器学习模型的性能。
39.需要注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本技术实施例针对上述问题所提出的解决方案，都应该是发明人在发明创造过程中对本技术做出的贡献，而不应当理解为本领域技术人员所公知的技术内容。
40.鉴于此，本实施例提供一种应用于训练设备的电池状态预测模型的优化方法。该方法中，训练设通过预先训练的电池状态预测模型，预测出更为准确的soc起止值，将预其作为基准，以获得更为准确的电池容量；然后，使用该更为准确的电池容量与更为准确的soc起止值，计算获得该电池包在其他参考充电时段的soc起止值；最后，将其他参考充电时段的soc起止值作为监督信息，用于对预先训练的电池状态预测模型做进一步优化调整。通过以上训练方式对预先训练的电池状态预测模型经过多轮迭代，直到获得满足训练条件的电池状态预测模型。
41.其中，由于在模型训练期间需要进行大量的运算，因此，只要能够提供足够算力的设备均可作为本实施例中的训练设备。
42.一些实施方式中，该训练设备可以是服务器，该服务器与搭载电池包的车辆通信连接，采集车辆在行驶以及充电过程中电池包的状态信息，例如，该车辆的里程数、充电时的充电电流以及充电电压、各单体电池的温度以及电压、充电过程中的soc值。为了便于后续用于训练电池状态预测模型，以上数据还携带有采集时的时间戳。
43.其中，该服务器可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器可以是分布式系统)。在一些实施例中，服务器相对于用户终端，可以是本地的、也可以是远程的。在一些实施例中，服务器可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务器可以在具有一个或多个组件的电子设备上实现。
44.在其他一些实施方式中，该训练设备还可以是移动终端、平板计算机、膝上型计算机、车载终端等。在一些实施例中，移动终端可以包括智能手机、个人数字助理(personal digital assistant，pda)等。例如，当训练设备是车载终端时，该车载终端通过部署并训练电池状态预测模型，以便通过该电池状态预测模型为用户提供车辆更为准确的soc信息。
45.基于以上介绍，下面将对该方法包括各个步骤进行详细阐述。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。如图1所示，该方法包括：
46.s101a，获取预先训练的电池状态预测模型。
47.为使本技术实施例的目的、技术方案和优点更加清楚，在对预先训练的电池状态预测模型的调整方式进行介绍之前，先对电池状态预测模型的预训练过程进行介绍。
48.本实施例中的训练样本源自于与云平台通信连接的样本车辆，由于本实施例更多是关注样本车辆充电期间电池包的状态变化，因此，该训练设备通过云平台收集大量样本车辆在充电时段内的初始状态信息，以得到初始状态集。其中，该初始状态信息包括样本车辆的里程数、充电时的充电电流以及充电电压、电池包中各采样点的温度、各单体电池的电压、充电过程中的soc起止值等信息。
49.而初始状态集中包括了一些干扰信息，因此，训练设备将初始状态集进行预处理，得到样本状态集，其中，预处理的方式包括更正bms修改过的soc终止值，剔除soc变化区间低于区间阈值的初始状态信息以及剔除初始状态信息中的soc起止值中的至少一种。下面就每种预处理方式分别进行详细介绍：
50.剔除soc变化区间低于区间阈值的初始状态信息：
51.初始状态集中包括一些充电时长较短的状态信息，例如，soc值的变化范围小于或者等于10％。这一类的状态信息由于时长过短，并不能实际反映电池包的容量变化，因此，训练设备需要从初始状态集中剔除soc变化区间小于区间阈值的初始状态信息。
52.例如，要求区间阈值的跨度大于40％，从而保证两点法中的安时积分的时间足够长，尽量减小安时积分误差。所谓该soc变化区间的跨度大于是40％，表示若电池包充电时的剩余电量为20％，则需要该电池包不间断充电直到剩余电量超过60％；同理，满足该跨度范围soc变化区间还可以包括20％-70％，30％-80％，25％-85％等。
53.更正bms修改过的soc终止值：
54.研究过程中发现，一些样本车辆的bms，其充电策略在高soc区间存在将soc值强制置为100％的情况，这就导致初始状态集中存在一些soc终止值并非电池包的真实soc终止值。
55.如图2所示的一个样本车辆的电池包在充电过程中的soc曲线，图中当电池包的soc值达到80％时，样本车辆的bms出于对电池包的保护目的，将此时的soc值直接强制置为100％，而图中强制置为100％的第一实测曲线101并不能真实反映电池包充电过程中的状态变化，因此，对于初始状态集中存在soc值被bms强制修改过的初始状态信息，将其soc终止值修正为强制置为100％之前时刻的soc值。即将图2中的80％作为soc终止值，以此得到真实反映电池包充电过程中状态变化第一修正曲线102。
56.剔除初始状态信息中的soc起止值：
57.除此之外，多方面的因素会导致样本电池包充电时段起始时刻的soc起止值与终止时刻的soc值存在较大的误差。因此，还需剔除初始状态信息中起始时刻的soc起始值与终止时刻的soc终止值，从而得到用于进行训练的样本状态集。
58.例如，假定一个电池包的soc变化区间为20％-70％，则保留该电池包在21％-69％这一变化区间的状态信息。
59.经过以上预处理方式得到包括样本状态信息的样本状态集，该训练设备将样本状态集中的soc起止值作为监督信息对初始神经网络模型进行训练，得到预先训练的电池状态预测模型，使得该预先训练的电池状态预测模型对soc起止值具备一定的校正能力。
60.示例性的，构建如图3所示的初始神经网络模型，通过样本状态集对初始神经网络模型进行有监督训练学习，从而到预先训练的电池状态预测模型，
61.继续参见图3，该机器学习模型包括1个输入层、2个隐藏层、1个输出层。其中，输入层的输入信息包括7个维度，分别是样本状态信息中车辆的里程数、充电时的充电电流以及充电电压、电池包中的最高温度以及最低温度、电池包中电池单体最高电压以及最低低压。
62.输出层包括2个维度，输出结果包括预测的soc起始值以及预测的soc终止值。
63.该训练设备将样本状态信息中实测的soc起始值与预测的soc起始值进行比较，以及将实测的soc终止值与预测的soc终止值进行比较，根据两比较结果调整初始神经网络模型的网络参数。通过以上实施方式对机器学习模型进行多次迭代，直到满足训练条件，获得预先训练的电池状态预测模型。
64.其中，调整机器学习模型的网络参数的方式为反向传播算法，反向传播过程对初始神经网络模型中的权重和偏置的参数更新过程，具体涉及的计算过程方式为：
[0065][0066]
[0067][0068]
式中，x和y分别是神经网络训练集的输入和标签值，和分别是神经网络的第p个隐含层的输入和输出，w
p
和b
p
分别是权重矩阵和偏置矩阵，g(
·
)是神经网络的激活函数，l(g(x),y)是神经网络的损失函数，η是神经网络的学习速率。
[0069]
基于以上关于电池状态预测模型预训练过程的介绍，继续参见图1，该方法还包括：
[0070]
s102a，将电池包在基准充电时段的状态信息输入电池状态预测模型，预估电池包在基准充电时段的第一soc起始值以及第一soc终止值。
[0071]
其中，该电池包可以是样本电池包中的任意一个，或者是其他车辆所搭载的电池包。
[0072]
s103a，根据第一soc起始值以及第一soc终止值，计算出电池包在参考充电时段的第二soc起始值以及第二soc终止值。
[0073]
其中，参考充电时段与基准充电时段分别分布在电池包整个充电时段的不同位置。此处应理解的是，由于样本状态集中的数据是经过精心筛选的数据，因此，预先训练的电池状态预测模型本身已经具备对soc值进行修正的能力。也就意味着，电池状态预测模型预测出的第一soc起始值以及第一soc终止值，相较于实测的起止soc值具有更高的精度。因此，基于第一soc起始值以及第一soc终止值，通过安时积分法能够获得更为准确电池容量。即步骤s103a包括：
[0074]
s103a-1，根据基准充电时段的起始时刻、终止时刻、第一soc起始值以及第一soc终止值，以安时积分算法得到电池包的预估容量。
[0075]
其中，安时积分算法的表达式为：
[0076][0077]
式中，q
α,β
表示预估容量，t
α
表示基准充电时段的终止时刻，t
β
表示基准充电时段的起始时刻，soc(t
β
)表示第一soc起始值，soc(t
α
)表示第一soc终止值，i(τ)表示电池包在基准充电时段内的充电电流。
[0078]
s103a-2，将第一soc起始值与第一soc终止值中的任意一个、参考充电时段的起始时刻及预估容量作为已知量，求解与参考充电时段的起始时刻相对应的第二soc起始值。
[0079]
s103a-3，将第一soc起始值与第一soc终止值中的任意一个、参考充电时段的终止时刻、述预估容量作为安时积分算法中的已知量，求解与参考充电时段的终止时刻相对应的第二soc终止值。
[0080]
为使本技术实施例的目的、技术方案和优点更加清楚，下面结合具体的示例说明第二soc起始值以及第二soc终止值的计算方式。
[0081]
如图4所示，假定将第一soc起始值为20％，第一soc终止值为60％，并且第一soc起始值与第一soc终止值对应的基准充电时段表示为t1～t2，这里假定在t1～t2内充电电流的积分表示为o1，则按照安时积分法可得到电池包的容量为
[0082][0083]
进一步地，将图4中的t2～t3作为一个充电时段，并且在t3时刻的soc值为未知量x1；将充电时段t2～t3内充电电流的积分表示为o2，作为一个已知量，电池包的容量为作为另外一个已知量，则关于未知量x1的待求解的方程为：
[0084][0085]
同理，将图4中的t0～t1作为另外一个充电时段，并且在t0时刻的soc值为未知量x0；将参考充电时段t0～t1内充电电流的积分表示为o3，作为一个已知量，电池包的容量为作为另外一个已知量，则关于未知量x0的待求解的方程为：
[0086][0087]
如此，将未知量x0的求解结果作为第二soc起始值，未知量x1的求解结果作为第二soc终止值，将t0～t3作为参考充电时段。
[0088]
s104a，将第二soc起始值以及第二soc终止值作为监督信息，更新电池状态预测模型。
[0089]
本实施例对电池状态预测模型进行微调时，同样采用监督学习的方式，与预训练阶段不同的是，微调时的监督信息是通过安时积分法计算出的soc值。具体实施方式包括：
[0090]
s104a-1，获取电池包在参考充电时段的状态信息。
[0091]
其中，状态信息与电池包的soc值相关。
[0092]
s104a-2，将参考充电时段的状态信息输入电池状态预测模型，得到参考充电时段预估的soc起始值以及soc终止值；
[0093]
s104a-3，根据参考充电时段预估的soc起始值以及soc终止值与第二soc起始值以及第二soc终止值之间的差异，更新电池状态预测模型。
[0094]
即在以上实施方式中，该训练设备将参考充电时段的状态信息输入到电池状态预测模型，获得电池状态预测模型输出结果，其中，该输出结果包括针对参考充电时段预测的soc起始值以及预测的soc终止值，将这两个预测值与通过安时积分法计算出的soc起止值进行比较，并根据两者之家的差异以反向传播算法更新电池状态预测模型的参数。
[0095]
另外，为更为直观的展示本实施例的技术效果，下面给出本实施例在实施过程中就实际数据的验证对比结果。如图5所示，图中包括4条soc曲线，分别是第二实测曲线201、
第二实测曲线201经修正后的第二修正曲线202；第三实测曲线203、第三实测曲线203经修正后的第三修正曲线204。可见，相较于实测曲线，修正曲线均在原实测曲线的基础上进行了一定调整。
[0096]
综上，训练设备通过预先训练的电池状态预测模型，预估电池包在基准充电时段的第一soc起始值以及第一soc终止值；根据第一soc起始值以及第一soc终止值，确定出电池包在参考充电时段的第二soc起始值以及第二soc终止值，最后，将第二soc起始值以及第二soc终止值作为监督信息，更新电池状态预测模型。由于该预训练的电池状态预测模型对soc值具备一定的修正能力，使得确定出的第二soc起始值以及第二soc终止值相较于实测soc值更为准确，因此，将其作为监督信息能够进步一步提升电池状态预测模型的性能。
[0097]
另外，本实施例还提供一种容量预测方法，应用于容量预测设备，容量预测设备配置有经以上电池状态预测模型的优化方法所训练的电池状态预测模型。如图6所示，该方法包括：
[0098]
s101b，获取目标电池包在目标充电时段的状态信息。
[0099]
其中，该状态信息包括目标电池包在目标充电时段的内车辆的里程数、充电时的充电电流、充电电压、目标电池包中的最高温度、目标电池包中的最低温度、目标电池包中电池单体最高电压、目标电池单体最低低压。
[0100]
s102b，将状态信息经电池状态预测模型进行处理，得到目标电池包在目标充电时段修正后的soc起始值以及soc终止值。
[0101]
将以上信息输入到电池状态预测模型，经由电池状态预测模型的输层、隐藏层处理后，最终由输出成输出更为准确的soc起始值以及soc终止值。
[0102]
s103b，根据修正后的soc起始值以及soc终止值，得到目标电池包修正后的电池容量。
[0103]
将以上修正后的soc起始值以及soc终止值带入到安时积分法的表达式，从而得出目标电池包修正后的电池容量。又由于环境温度对电池容量存在一定的影响，两者之间的数学关系为：
[0104]qtemp_corr
(t)＝q
α,β
×
(1-2
·
10-3
×
(t-25
°
))
[0105]
式中，q
temp_corr
表示目标电池包经温度修正后的电池容量，q
α,β
表示目标电池包修正后的电池容量，t表示目标充电时段期间目标电池包中的环境温度。如此，以克服环境温度对目标电池包电池容量的影响。
[0106]
如图7所示，在实际验证过程中，提供具有实际容量真实值的5辆电动车辆(lat2、lat3、lat5、lat6、lat7)。图7中将5辆电动车辆的真实容量、基于预训练的电池状态预测模型得到的第一预估容量以及通过优化后的电池状态预测模型得到的第二预估容量。可见，通过优化后的电池状态预测模型得到的第二预估容量，其误差具有显著的下降。
[0107]
基于与电池状态预测模型的优化方法相同的发明构思，本实施例还提供一种电池状态预测模型的优化装置，应用于训练设备。电池状态预测模型的优化装置包括至少一个可以软件形式存储于存储器或固化在训练设备的操作系统(operating system，简称os)中的软件功能模块。训练设备中的处理器用于执行存储器中存储的可执行模块。例如，该可执行模块可以是电池状态预测模型的优化装置所包括的软件功能模块及计算机程序等。请参照图8，从功能上划分，电池状态预测模型的优化装置可以包括：
[0108]
模型获取模块301，用于预先训练的电池状态预测模型。
[0109]
在本实施例中，该模型获取模块301用于实现图1中的步骤s101a，关于该模型获取模块301的详细描述可以参见步骤s101a的详细描述。
[0110]
状态预测模块302，用于将电池包在基准充电时段的状态信息输入电池状态预测模型，预估电池包在基准充电时段的第一soc起始值以及第一soc终止值。
[0111]
在本实施例中，该状态预测模块302用于实现图1中的步骤s102a，关于该状态预测模块302的详细描述，可以参见步骤s102a的详细描述。
[0112]
状态计算模块303，用于第一soc起始值以及第一soc终止值，计算出电池包在参考充电时段的第二soc起始值以及第二soc终止值，其中，参考充电时段与基准充电时段分别分布在电池包整个充电时段的不同位置。
[0113]
在本实施例中，该状态计算模块303用于实现图1中的步骤s103a，关于该状态计算模块303的详细描述，可以参见步骤s103a的详细描述。
[0114]
模型训练模块304，用于将第二soc起始值以及第二soc终止值作为监督信息，更新电池状态预测模型。
[0115]
在本实施例中，该模型训练模块304用于实现图1中的步骤s104a，关于该模型训练模块304的详细描述，可以参见步骤s104a的详细描述。
[0116]
值得说明的是，由于与电池状态预测模型的优化方法具有相同的发明构思，因此，电池状态预测模型的优化装置包括的模型获取模块301、状态预测模块302、状态计算模块303以及模型训练模块304还可以用于实现电池状态预测模型的优化方法的其他步骤或者子步骤。
[0117]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0118]
还应理解的是，以上实施方式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，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，本技术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)执行本技术各个实施例所述方法的全部或部分步骤。
[0119]
因此，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时，实现本实施例提供的电池状态预测模型的优化方法。其中，该计算机可读存储介质可以是u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0120]
如图9所示，本实施还提供一种电子设备，该电子设备可以包括处理器402及存储器401。处理器402与存储器401可经由系统总线通信。并且，存储器401存储有计算机程序。当该电子设备作为训练设备时，处理器通过读取并执行存储器401中与以上实施方式对应的计算机程序，实现本实施例所提供的电池状态预测模型的优化方法；当电子设备作为容量预测设备时，处理器通过读取并执行存储器401中与以上实施方式对应的计算机程序，实现本实施例所提供的容量预测方法。
[0121]
继续如图9所示，该电子设备还包括通信单元，该存储器401、处理器402以及通信单元403各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
[0122]
其中，该存储器401可以是基于任何电子、磁性、光学或其它物理原理的信息记录装置，用于记录执行指令、数据等。在一些实施方式中，该存储器401可以是，但不限于，易失存储器、非易失性存储器、存储驱动器等。
[0123]
在一些实施方式中，该易失存储器可以是随机存取存储器(random access memory，ram)；在一些实施方式中，该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 read-only memory，prom)、可擦除只读存储器(erasable programmable read-only memory，eprom)、电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)、闪存等；在一些实施方式中，该存储驱动器可以是磁盘驱动器、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合等。
[0124]
该通信单元403用于通过网络收发数据。在一些实施方式中，该网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(local area network，lan)、广域网(wide area network，wan)、无线局域网(wireless local area networks，wlan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、公共电话交换网(public switched telephone network，pstn)、蓝牙网络、zigbee网络、或近场通信(near field communication，nfc)网络等，或其任意组合。在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
[0125]
该处理器402可能是一种集成电路芯片，具有信号的处理能力，并且，该处理器可以包括一个或多个处理核(例如，单核处理器或多核处理器)。仅作为举例，上述处理器可以包括中央处理单元(central processing unit，cpu)、专用集成电路(application specific integrated circuit，asic)、专用指令集处理器(application specific instruction-set processor，asip)、图形处理单元(graphics processing unit，gpu)、物理处理单元(physics processing unit，ppu)、数字信号处理器(digital signal processor，dsp)、现场可编程门阵列(field programmable gate array，fpga)、可编程逻辑器件(programmable logic device，pld)、控制器、微控制器单元、简化指令集计算机(reduced instruction set computing，risc)、或微处理器等，或其任意组合。
[0126]
应该理解到的是，在上述实施方式中所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、
以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0127]
以上所述，仅为本技术的各种实施方式，但本技术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技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。