[发明专利]电池容量预测模型的训练方法、装置、电子设备和介质

权利要求书

1.一种电池容量预测模型的训练方法，其特征在于，所述方法包括：

获取至少一个电池的历史充电数据，所述历史充电数据包括电池的电池标识、充电时间、相应充电时间对应的充电量和相应荷电状态值增量；

对于任一电池的历史充电数据，基于每次充电的充电量和相应荷电状态值增量，获取所述电池的电池容量数据集，所述电池容量数据集包括所述电池的电池标识和每次充电对应的电池容量；

基于所述充电时间的顺序，采用预设趋势预测算法，对所述至少一个电池中每个电池的电池容量数据集进行迭代预测，建立电池容量预测模型；其中，所述预设趋势预测算法为指数回归算法和线性回归算法的组合算法；所述电池容量预测模型用于预测所述每个电池的电池容量的变化趋势。

2.如权利要求1所述的方法，其特征在于，基于所述充电时间的顺序，采用预设趋势预测算法，对所述至少一个电池中每个电池的电池容量数据集进行迭代预测，建立电池容量预测模型，包括：

根据所述充电时间的顺序，获取所述每个电池的累计充电天数；

采用预设趋势预测算法，对所述每个电池的电池容量数据集进行累计充电天数的迭代预测，建立电池容量预测模型；所述电池容量预测模型用于预测电池的电池容量随累计充电天数的变化趋势。

3.如权利要求1所述的方法，其特征在于，基于所述充电时间的顺序，采用预设趋势预测算法，对所述至少一个电池中每个电池的电池容量数据集进行迭代预测，建立电池容量预测模型，包括：

根据所述充电时间的顺序和每次充电时间对应的荷电状态值增量，获取所述每个电池的荷电状态值从0至100的累计循环充电次数；

采用预设趋势预测算法，对所述每个电池的电池容量数据集进行累计循环充电次数的迭代预测，建立电池容量预测模型；所述电池容量预测模型用于预测电池的电池容量随累计循环充电次数的变化趋势。

4.如权利要求2或3所述的方法，其特征在于，所述预设趋势预测算法表示为：

其中，表示所述指数回归算法；-w₅²*x+w₆表示所述线性回归算法，w₁-w₆为相关算法的不同算法系数；x为待预测的累计充电天数或待预测的累计循环充电次数。

5.如权利要求4所述的方法，其特征在于，建立电池容量预测模型之后，所述方法还包括：

获取用户触发的电池容量的预测请求，所述预测请求包括待预测的累计充电天数或待预测的累计循环充电次数；

将所述待预测的累计充电天数或所述待预测的累计循环充电次数，以及目标电池的电池标识输入所述电池容量预测模型，通过所述预设趋势预测算法，对所述目标电池在达到所述待预测的累计充电天数或所述待预测的累计循环充电次数时的电池容量进行预测，获取所述电池容量预测模型输出的所述目标电池的预测电池容量；

将所述目标电池的预测电池容量发送至用户终端，以通过所述用户终端向所述用户展示所述预测电池容量。

6.如权利要求5所述的方法，其特征在于，获取所述电池容量预测模型输出的所述目标电池的预测电池容量之后，所述方法还包括：

生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线；

将所述目标电池的预测电池容量发送至用户终端，以通过所述用户终端向所述用户展示所述历史电池容量的衰减曲线和所述预测的电池容量的衰减曲线。

7.如权利要求6所述的方法，其特征在于，生成所述目标电池的历史电池容量的衰减曲线和预测的电池容量的衰减曲线，所述方法还包括：

基于所述历史电池容量的衰减曲线和预测的电池容量的衰减曲线的曲线斜率，确定所述目标电池的衰减状态，所述衰减状态包括正常衰减状态和异常衰减状态。