本技術涉及電池領域，特別是涉及一種電池容量預測模型訓練、電池容量預測方法及其相關設備。

背景技術：

1、隨著新能源的不斷發(fā)展，電動汽車憑借其高環(huán)保性、低噪音和低成本使用等優(yōu)點，顯示出巨大的市場前景，并能夠有效促進節(jié)能減排，推動社會的可持續(xù)發(fā)展和進步。在電動汽車的發(fā)展中，電池容量具有重要影響?；陔姵厝萘康闹匾裕瑸榱颂岣唠妱悠嚳煽啃?，目前已經(jīng)出現(xiàn)了一些電池容量預測的技術方案。

2、但是，這些技術方案對有些電動汽車的電池容量波動并不能做到很好的預測，存在預測偏差較大的問題。因此，如何提升電池容量預測的準確性，是一個待解決的技術問題。

技術實現(xiàn)思路

1、本技術實施例提供一種電池容量預測模型訓練方法、電池容量預測方法及其相關設備，能夠提升電池容量預測的準確性。

2、第一方面，提供一種電池容量預測模型訓練方法，包括：

3、獲取電池容量標簽；

4、獲取所述電池容量標簽對應電池工況和車輛工況的工況數(shù)據(jù)，其中，所述工況數(shù)據(jù)包括：電池存儲、電池循環(huán)、電池溫度、電池荷電狀態(tài)和車輛累計里程中多個維度對應的工況數(shù)據(jù)，所述工況數(shù)據(jù)還包括：整車電池一致性評估數(shù)據(jù)和/或車型；

5、基于所述工況數(shù)據(jù)，對電池容量預測模型進行訓練。

6、本技術實施例的技術方案，在獲取電池容量標簽后，獲取電池存儲、電池循環(huán)、電池溫度、電池荷電狀態(tài)和車輛累計里程中多個維度的工況數(shù)據(jù)，并且工況數(shù)據(jù)中還包括整車電池一致性評估數(shù)據(jù)和/或車型，而整車電池一致性或車型對電池容量具有較大影響，比如若整車電池一致性相對較好，則整車的各個電池的充放電相對較為平衡，車輛整體電池容量高，若整車電池一致性相對較差，則整車的各個電池的充放電相對不平衡，導致車輛整體電池容量低，而不同車型的電池管理有不同的算法和策略，算法和策略的不同對電池容量的也會帶來較大影響，因此，基于本技術實施例獲取的所述工況數(shù)據(jù)，對電池容量預測模型進行訓練，從而訓練所使用的數(shù)據(jù)能夠覆蓋車輛的各種工況，得到訓練后的電池容量預測模型，有效提升了模型對車輛各種情況下的容量預測能力、預測精度。

7、在一種可能的實現(xiàn)方式中，所述基于所述工況數(shù)據(jù)，對電池容量預測模型進行訓練，包括：

8、從所述工況數(shù)據(jù)中，提取出所述電池容量標簽對應的目標工況指標樣本；

9、通過對所述電池容量標簽和對應的目標工況指標樣本進行相關性分析，篩選出滿足相關性條件的目標工況指標樣本，得到訓練數(shù)據(jù)集；

10、通過所述訓練數(shù)據(jù)集，對初始的電池容量預測模型進行訓練，并分析所述初始的電池容量預測模型的誤差影響因子，所述電池容量預測模型用于預測電池容量；

11、基于所述誤差影響因子，對所述訓練數(shù)據(jù)集進行樣本降噪，得到更新的訓練數(shù)據(jù)集；

12、基于所述更新的訓練數(shù)據(jù)集，對初始的電池容量預測模型進行訓練，得到訓練后的電池容量預測模型。

13、該實現(xiàn)方式的技術方案，從工況數(shù)據(jù)中提取出電池容量標簽對應的目標工況指標樣本，從而樣本能夠覆蓋車輛的各種工況，并且對目標工況指標樣本進行相關性分析，篩選出滿足相關性條件的目標工況指標樣本，實現(xiàn)樣本降維，再通過訓練數(shù)據(jù)集對初始的電池容量預測模型進行訓練分析出誤差影響影子，從而能夠基于誤差影響因子對訓練數(shù)據(jù)集進行樣本降噪，得到更新的訓練數(shù)據(jù)集，訓練初始的電池容量預測模型，得到訓練后的電池容量預測模型，有效提升了模型對車輛各種情況下的容量預測能力、預測精度。

14、在一種可能的實現(xiàn)方式中，所述獲取電池容量標簽，包括：獲取滿足標簽選取條件的電池容量標簽，所述標簽選取條件包括以下至少一項條件：

15、電池容量標簽對應的電池在充電前，放電應達到預設容量低端閾值；

16、電池容量標簽對應的電池在充電結束前，充電應達到預設容量滿充閾值；

17、電池容量標簽對應的電池在充電結束后，電池靜置時間應達到預設靜置時間閾值；

18、電池容量標簽對應的電池在充電過程中，未發(fā)生預設影響事件；

19、電池容量標簽的分布占比滿足分布占比條件。

20、通過該實現(xiàn)方式的技術方案，能夠有效選取到對應數(shù)據(jù)純凈、準確、確定，干擾少且分布合理的電池容量標簽，進而提升模型的預測精度。

21、在一種可能的實現(xiàn)方式中，所述獲取滿足標簽選取條件的電池容量標簽，包括：

22、獲取對應電池在充電前，放電達到預設容量低端閾值、且電池在充電結束前，充電達到預設容量滿充閾值、且電池在充電結束后，電池靜置時間達到預設靜置時間閾值、且電池在充電過程中，未發(fā)生預設影響事件的電池容量標簽，得到初始的電池容量標簽集合；

23、統(tǒng)計所述初始的電池容量標簽集合在多個容量區(qū)間的分布占比；

24、根據(jù)所述分布占比，從所述初始的電池容量標簽中，篩選出滿足分布占比條件的電池容量標簽。

25、通過該實現(xiàn)方式的技術方案，先篩選出可信的電池容量標簽，再通過分布占比的統(tǒng)計進行篩選，能夠提升各個容量區(qū)間的樣本的可信性、分布合理性，避免區(qū)間樣本過多或過少不符合預測需求。

26、在一種可能的實現(xiàn)方式中，所述通過對所述電池容量標簽和對應的目標工況指標樣本進行相關性分析，篩選出滿足相關性條件的目標工況指標樣本，包括：

27、對所述電池容量標簽與對應的目標工況指標樣本之間進行第一相關性分析，得到所述電池容量標簽與對應的目標工況指標樣本之間的第一相關性分析結果；

28、基于所述第一相關性分析結果，為所述電池容量標簽篩選出滿足第一相關性條件的目標工況指標樣本。

29、通過該實現(xiàn)方式的技術方案，能夠基于電池容量標簽與目標工況指標樣本之間的相關性，有效排除與電池容量標簽不相關或弱相關的工況指標樣本，進而提升模型的訓練效率和模型預測精度。

30、在一種可能的實現(xiàn)方式中，所述通過對所述電池容量標簽和對應的目標工況指標樣本進行相關性分析，篩選出滿足相關性條件的目標工況指標樣本，包括：

31、對任一所述電池容量標簽對應的多個目標工況指標樣本之間進行第二相關性分析，得到所述多個目標工況指標樣本之間的第二相關性分析結果；

32、基于所述第二相關性分析結果，為任一所述電池容量標簽篩選出滿足第二相關性條件的目標工況指標樣本。

33、通過該實現(xiàn)方式的技術方案，能夠基于多個目標工況指標樣本之間的相關性，有效排除冗余樣本，降低數(shù)據(jù)復雜度，提升模型的訓練效率和模型預測精度。

34、在一種可能的實現(xiàn)方式中，所述相關性條件包括：

35、任一所述電池容量標簽與對應的目標工況指標樣本之間的相關性大于或等于第一預設相關閾值，且任一所述電池容量標簽對應的多個目標工況指標樣本之間的相關性小于或等于第二預設相關閾值。

36、該實現(xiàn)方式的技術方案，使篩選出的電池容量標簽與對應的目標工況指標樣本之間的相關性大于或等于第一預設相關閾值，且多個目標工況指標樣本之間的相關性小于或等于第二預設相關閾值，從而有效排除與電池容量標簽不相關或弱相關的工況指標樣本，且強相關的多個工況指標樣本中剔除冗余樣本，降低數(shù)據(jù)復雜度，提升模型的訓練效率和模型預測精度。

37、在一種可能的實現(xiàn)方式中，在篩選出滿足相關性條件的目標工況指標樣本之后，所述方法還包括：

38、計算所述目標工況指標樣本的集合對應的協(xié)方差矩陣；

39、基于所述協(xié)方差矩陣，確定所述目標工況指標樣本的集合中各個目標工況指標樣本對應的特征貢獻度；

40、基于所述各個目標工況指標樣本對應的特征貢獻度，將特征貢獻度不滿足貢獻度條件的目標工況指標樣本從目標工況指標樣本的集合中剔除，得到更新的目標工況指標樣本集；

41、基于更新的目標工況指標樣本集，得到所述訓練數(shù)據(jù)集。

42、該實現(xiàn)方式的技術方案，通過計算目標工況指標樣本的集合的協(xié)方差矩陣，分解出特征貢獻度，基于特征貢獻度篩選滿足貢獻度條件的目標工況指標樣本，剔除不滿足條件的目標工況指標樣本，提高了目標工況指標樣本集的樣本質量，實現(xiàn)了樣本降維，有效提升了模型訓練效率和訓練效果。

43、在一種可能的實現(xiàn)方式中，所述通過所述訓練數(shù)據(jù)集，對初始的電池容量預測模型進行訓練，分析所述初始的電池容量預測模型的誤差影響因子，包括：

44、將所述訓練數(shù)據(jù)集中的目標工況指標樣本輸入到初始的電池容量預測模型，得到所述初始的電池容量預測模型輸出的容量預測結果；

45、基于所述目標工況指標樣本對應的電池容量標簽和所述容量預測結果，計算所述初始的電池容量預測模型的均方誤差、平均絕對誤差、決定系數(shù)和各次預測偏差的分布；

46、基于所述均方誤差、平均絕對誤差、決定系數(shù)和各次預測偏差的分布，分析所述初始的電池容量預測模型的誤差影響因子。

47、該實現(xiàn)方式的技術方案，通過對均方誤差、平均絕對誤差、決定系數(shù)和各次預測偏差的分布進行分析，分析出誤差影響因子，基于誤差影響因子對訓練數(shù)據(jù)集進行樣本降噪，從而能夠降低異常樣本所帶來的誤差，提高模型訓練效果，得到更優(yōu)化的電池容量預測模型。

48、第二方面，提供一種電池容量預測方法，包括：接收電池容量預測請求，確定待測電池的工況指標；將所述待測電池的工況指標輸入電池容量預測模型，得到所述電池容量預測模型輸出的容量預測結果；

49、其中，所述電池容量預測模型是預先基于工況數(shù)據(jù)訓練得到的，所述工況數(shù)據(jù)包括：電池存儲、電池循環(huán)、電池溫度、電池荷電狀態(tài)和車輛累計里程中多個維度對應的工況數(shù)據(jù)，所述工況數(shù)據(jù)還包括：整車電池一致性評估數(shù)據(jù)和/或車型。

50、通過該實現(xiàn)方式的技術方案，電池容量預測模型能夠有效避免誤差因素的干擾，并且預先訓練模型的工況數(shù)據(jù)中還包括整車電池一致性評估數(shù)據(jù)和/或車型，而整車電池一致性或車型對電池容量具有較大影響，比如若整車電池一致性相對較好，則整車的各個電池的充放電相對較為平衡，車輛整體電池容量高，若整車電池一致性相對較差，則整車的各個電池的充放電相對不平衡，導致車輛整體電池容量低，而不同車型的電池管理有不同的算法和策略，算法和策略的不同對電池容量的也會帶來較大影響，從而訓練所使用的數(shù)據(jù)能夠覆蓋車輛的各種工況，學習到不同電池容量與不同工況數(shù)據(jù)之間的映射關系，進而在應用中基于工況指標即可精準地預測出電池容量，有效提升了對車輛各種情況下的容量預測能力以及預測精度。

51、第三方面，提供一種電池容量預測模型訓練裝置，包括：

52、電池容量標簽獲取模塊，用于獲取電池容量標簽；

53、工況數(shù)據(jù)獲取模塊，用于獲取所述電池容量標簽對應電池工況和車輛工況的工況數(shù)據(jù)，其中，所述工況數(shù)據(jù)包括：電池存儲、電池循環(huán)、電池溫度、電池荷電狀態(tài)和車輛累計里程中多個維度對應的工況數(shù)據(jù)，所述工況數(shù)據(jù)還包括：整車電池一致性評估數(shù)據(jù)和/或車型；

54、模型訓練模塊，用于基于所述工況數(shù)據(jù)，對電池容量預測模型進行訓練。

55、本技術實施例的技術方案，在獲取電池容量標簽后，獲取電池存儲、電池循環(huán)、電池溫度、電池荷電狀態(tài)和車輛累計里程中多個維度的工況數(shù)據(jù)，并且工況數(shù)據(jù)中還包括整車電池一致性評估數(shù)據(jù)和/或車型，而整車電池一致性或車型對電池容量具有較大影響，比如若整車電池一致性相對較好，則整車的各個電池的充放電相對較為平衡，車輛整體電池容量高，若整車電池一致性相對較差，則整車的各個電池的充放電相對不平衡，導致車輛整體電池容量低，而不同車型的電池管理有不同的算法和策略，算法和策略的不同對電池容量的也會帶來較大影響，因此，基于所述工況數(shù)據(jù)，對電池容量預測模型進行訓練，從而訓練所使用的數(shù)據(jù)能夠覆蓋車輛的各種工況，得到訓練后的電池容量預測模型，有效提升了模型對車輛各種情況下的容量預測能力、預測精度。

56、可選地，所述模型訓練模塊包括：

57、指標樣本提取子模塊，用于從所述工況數(shù)據(jù)中，提取出所述電池容量標簽對應的目標工況指標樣本；

58、訓練數(shù)據(jù)集獲取子模塊，用于通過對所述電池容量標簽和對應的目標工況指標樣本進行相關性分析，篩選出滿足相關性條件的目標工況指標樣本，得到訓練數(shù)據(jù)集；

59、誤差分析子模塊，用于通過所述訓練數(shù)據(jù)集，對初始的電池容量預測模型進行訓練，并分析所述初始的電池容量預測模型的誤差影響因子，所述電池容量預測模型用于預測電池容量；

60、樣本降噪子模塊，用于基于所述誤差影響因子，對所述訓練數(shù)據(jù)集進行樣本降噪，得到更新的訓練數(shù)據(jù)集；

61、訓練子模塊，用于基于所述更新的訓練數(shù)據(jù)集，對初始的電池容量預測模型進行訓練，得到訓練后的電池容量預測模型。

62、該實現(xiàn)方式的技術方案，從工況數(shù)據(jù)中提取出電池容量標簽對應的目標工況指標樣本，從而樣本能夠覆蓋車輛的各種工況，并且對目標工況指標樣本進行相關性分析，篩選出滿足相關性條件的目標工況指標樣本，實現(xiàn)樣本降維，再通過訓練數(shù)據(jù)集對初始的電池容量預測模型進行訓練分析出誤差影響影子，從而能夠基于誤差影響因子對訓練數(shù)據(jù)集進行樣本降噪，得到更新的訓練數(shù)據(jù)集，訓練初始的電池容量預測模型，得到訓練后的電池容量預測模型，有效提升了模型對車輛各種情況下的容量預測能力、預測精度。

63、在一種可能的實現(xiàn)方式中，電池容量標簽獲取模塊，用于獲取滿足標簽選取條件的電池容量標簽，所述標簽選取條件包括以下至少一項條件：

64、電池容量標簽對應的電池在充電前，放電應達到預設容量低端閾值；

65、電池容量標簽對應的電池在充電結束前，充電應達到預設容量滿充閾值；

66、電池容量標簽對應的電池在充電結束后，電池靜置時間應達到預設靜置時間閾值；

67、電池容量標簽對應的電池在充電過程中，未發(fā)生預設影響事件；

68、電池容量標簽的分布占比滿足分布占比條件。

69、通過該實現(xiàn)方式的技術方案，能夠有效選取到對應數(shù)據(jù)純凈、準確、確定，干擾少且分布合理的電池容量標簽，進而提升模型的預測精度。

70、在一種可能的實現(xiàn)方式中，電池容量標簽獲取模塊，包括：

71、初始標簽集合獲取子模塊，用于獲取對應電池在充電前，放電達到預設容量低端閾值、且電池在充電結束前，充電達到預設容量滿充閾值、且電池在充電結束后，電池靜置時間達到預設靜置時間閾值、且電池在充電過程中，未發(fā)生預設影響事件的電池容量標簽，得到初始的電池容量標簽集合；

72、占比統(tǒng)計子模塊，用于統(tǒng)計所述初始的電池容量標簽集合在多個容量區(qū)間的分布占比；

73、占比篩選子模塊，用于根據(jù)所述分布占比，從所述初始的電池容量標簽中，篩選出滿足分布占比條件的電池容量標簽。

74、通過該實現(xiàn)方式的技術方案，先篩選出可信的電池容量標簽，再通過分布占比的統(tǒng)計進行篩選，能夠提升各個容量區(qū)間的樣本的可信性、分布合理性，避免區(qū)間樣本過多或過少不符合預測需求。

75、在一些實施例中，訓練數(shù)據(jù)集獲取子模塊，包括：

76、第一相關性計算子模塊，用于對所述電池容量標簽與對應的目標工況指標樣本之間進行第一相關性分析，得到所述電池容量標簽與對應的目標工況指標樣本之間的第一相關性分析結果；

77、第一相關篩選子模塊，用于基于所述第一相關性分析結果，為所述電池容量標簽篩選出滿足第一相關性條件的目標工況指標樣本。

78、通過該實現(xiàn)方式的技術方案，能夠基于電池容量標簽與目標工況指標樣本之間的相關性，有效排除與電池容量標簽不相關或弱相關的工況指標樣本，進而提升模型的訓練效率和模型預測精度。

79、在一些實施例中，訓練數(shù)據(jù)集獲取子模塊，包括：

80、第二相關性計算子模塊，用于對任一所述電池容量標簽對應的多個目標工況指標樣本之間進行第二相關性分析，得到所述多個目標工況指標樣本之間的第二相關性分析結果；

81、第二相關篩選子模塊，用于基于所述第二相關性分析結果，為任一所述電池容量標簽篩選出滿足第二相關性條件的目標工況指標樣本。

82、通過該實現(xiàn)方式的技術方案，能夠基于多個目標工況指標樣本之間的相關性，有效排除冗余樣本，降低數(shù)據(jù)復雜度，提升模型的訓練效率和模型預測精度。

83、在一些實施例中，所述相關性條件包括：

84、任一所述電池容量標簽與對應的目標工況指標樣本之間的相關性大于或等于第一預設相關閾值，且任一所述電池容量標簽對應的多個目標工況指標樣本之間的相關性小于或等于第二預設相關閾值。

85、該實現(xiàn)方式的技術方案，能夠使得篩選出電池容量標簽與對應的目標工況指標樣本之間的相關性大于或等于第一預設相關閾值，且多個目標工況指標樣本之間的相關性小于或等于第二預設相關閾值，從而有效排除與電池容量標簽不相關或弱相關的工況指標樣本，且強相關的多個工況指標樣本中剔除冗余樣本，降低數(shù)據(jù)復雜度，提升模型的訓練效率和模型預測精度。

86、在一些實施例中，所述裝置還包括：

87、協(xié)方差矩陣計算模塊，用于計算所述目標工況指標樣本的集合對應的協(xié)方差矩陣；

88、特征貢獻度獲取子模塊，用于基于所述協(xié)方差矩陣，確定所述目標工況指標樣本的集合中各個目標工況指標樣本對應的特征貢獻度；

89、剔除子模塊，用于基于所述各個目標工況指標樣本對應的特征貢獻度，將特征貢獻度不滿足貢獻度條件的目標工況指標樣本從目標工況指標樣本的集合中剔除，得到更新的目標工況指標樣本集；

90、訓練集獲取子模塊，用于基于更新的目標工況指標樣本集，得到所述訓練數(shù)據(jù)集。

91、該實現(xiàn)方式的技術方案，通過計算目標工況指標樣本的集合的協(xié)方差矩陣，分解出特征貢獻度，基于特征貢獻度篩選滿足貢獻度條件的目標工況指標樣本，剔除不滿足條件的目標工況指標樣本，提高了目標工況指標樣本集的樣本質量，實現(xiàn)了樣本降維，有效提升了模型訓練效率和訓練效果。

92、在一些實施例中，誤差分析子模塊包括：

93、輸入子模塊，用于將所述訓練數(shù)據(jù)集中的目標工況指標樣本輸入到初始的電池容量預測模型，得到所述初始的電池容量預測模型輸出的容量預測結果；

94、計算子模塊，用于基于所述目標工況指標樣本對應的電池容量標簽和所述容量預測結果，計算所述初始的電池容量預測模型的均方誤差、平均絕對誤差、決定系數(shù)和各次預測偏差的分布；

95、分析子模塊，用于基于所述均方誤差、平均絕對誤差、決定系數(shù)和各次預測偏差的分布，分析所述初始的電池容量預測模型的誤差影響因子。

96、該實現(xiàn)方式的技術方案，通過對均方誤差、平均絕對誤差、決定系數(shù)和各次預測偏差的分布進行分析，分析出誤差影響因子，基于誤差影響因子對訓練數(shù)據(jù)集進行樣本降噪，從而能夠降低異常樣本所帶來的誤差，提高模型訓練效果，得到更優(yōu)化的電池容量預測模型。

97、第四方面，提供了一種電池容量預測裝置，包括：預測請求接收模塊，用于接收電池容量預測請求，確定待測電池的工況指標；預測結果輸出模塊，用于將所述待測電池的工況指標輸入電池容量預測模型，得到所述電池容量預測模型輸出的容量預測結果；其中，所述電池容量預測模型是預先基于工況數(shù)據(jù)訓練得到的，所述工況數(shù)據(jù)包括：電池存儲、電池循環(huán)、電池溫度、電池荷電狀態(tài)和車輛累計里程中多個維度對應的工況數(shù)據(jù)，所述工況數(shù)據(jù)還包括：整車電池一致性評估數(shù)據(jù)和/或車型。

98、通過該實現(xiàn)方式的技術方案，電池容量預測模型能夠有效避免誤差因素的干擾，并且預先訓練模型的工況數(shù)據(jù)中還包括整車電池一致性評估數(shù)據(jù)和/或車型，而整車電池一致性或車型對電池容量具有較大影響，比如若整車電池一致性相對較好，則整車的各個電池的充放電相對較為平衡，車輛整體電池容量高，若整車電池一致性相對較差，則整車的各個電池的充放電相對不平衡，導致車輛整體電池容量低，而不同車型的電池管理有不同的算法和策略，算法和策略的不同對電池容量的也會帶來較大影響，從而訓練所使用的數(shù)據(jù)能夠覆蓋車輛的各種工況，學習到不同電池容量與不同工況數(shù)據(jù)之間的映射關系，進而在應用中基于工況指標即可精準地預測出電池容量，有效提升了對車輛各種情況下的容量預測能力以及預測精度。

99、第五方面，提供了一種電子設備，包括：處理器，存儲器及存儲在所述存儲器上并可在所述處理器上運行的程序或指令，所述程序或指令被所述處理器執(zhí)行時實現(xiàn)如第一方面所述的電池容量預測模型訓練法或第二方面所述的電池容量預測方法的步驟。

100、第六方面，提供了一種可讀存儲介質，所述可讀存儲介質上存儲程序或指令，所述程序或指令被處理器執(zhí)行時實現(xiàn)如第一方面所述的電池容量預測模型訓練法或第二方面所述的電池容量預測方法的步驟。

101、第七方面，提供了一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如第一方面所述的電池容量預測模型訓練法或第二方面所述的電池容量預測方法的步驟。