CN118011225A - 可充放电容量的修正方法、装置、存储介质及电子装置 - Google Patents
可充放电容量的修正方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN118011225A CN118011225A CN202410413820.7A CN202410413820A CN118011225A CN 118011225 A CN118011225 A CN 118011225A CN 202410413820 A CN202410413820 A CN 202410413820A CN 118011225 A CN118011225 A CN 118011225A
- Authority
- CN
- China
- Prior art keywords
- target
- battery
- full
- charge
- loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 121
- 230000008859 change Effects 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013508 migration Methods 0.000 claims description 70
- 230000005012 migration Effects 0.000 claims description 70
- 238000004590 computer program Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 28
- 238000007599 discharging Methods 0.000 claims description 7
- 238000013101 initial test Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 239000000178 monomer Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请公开了一种可充放电容量的修正方法、装置、存储介质及电子装置，上述方法包括：获取X个待测试电池中每一个电池在Y类变温参数下所生成X*Y组测试数据，确定每组测试数据对应的满放损失和/或满充损失，将满放损失和/或满充损失作为目标值与其所对应的第一关键特征进行拼接生成训练数据集，基于训练数据集拟合模型的参数得到非线性预测模型；根据目标电池的第二关键特征和非线性预测模型对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测；利用目标满放损失对发生温度变化后的目标电池的首次可放电容量进行修正和/或利用目标满充损失对发生温度变化后的目标电池的首次可充电容量进行修正。
Description
技术领域
本申请涉及电池领域，具体而言，涉及一种可充放电容量的修正方法、装置、存储介质及电子装置。
背景技术
相关技术中，电池迁移到低温后的电池容量，相对常温的电池容量将会存在一定的容量损失，具体的，存在两种阶段表现，第一阶段是首次充放阶段：由于变温的影响，电池内部处于不稳定的状态，此时的充电容量损失LFC(Loss-of-Full-Charge，满充损失，简称LFC)和放电容量损失LFD (Loss-of-Full-Discharge，满放损失，简称LFD)并不相等。因此，此时的可充电SOC≠1-SOC（State of Charge，电池荷电状态，简称SOC）。第二阶段：经过低温下的几次充放循环后，电池内部达到稳定状态。此时的充放电容量损失逐渐一致(LFC=LFD=(高温下可用容量-低温下可用容量))。即电池的实际可用容量对环境温度较为敏感。电池迁移到低温后的可用容量会存在较大的折损，这会导致低温下未修正的电池荷电状态，无法准确的指示电池的可用容量。反之，由低温到高温时则会出现可用容量变多的情况。因此，许多针对温度变化的SOC修正方法被提出。
但是，大部分变温SOC修正方法都聚焦于第二阶段，而忽略了第一阶段的修正。且第二阶段是需要在记录满充或满放的容量的基础上来实现SOC的修正。因此，相关技术无法快速确定存在单体差异性的电池在不同变温状态以及不同起始容量下对应的第一阶段的LFC、LFD，使得对单体差异性的电池在变温后首次可充放电容量的修正准确率低。
针对相关技术中，无法快速确定存在单体差异性的电池在不同变温状态以及不同起始容量下对应的第一阶段的LFC、LFD，以使得电池在变温后首次可充放电容量无法得到正确修正的技术问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种可充放电容量的修正方法、装置、存储介质及电子装置，以至少解决了相关技术中，无法快速确定存在单体差异性的电池在不同变温状态以及不同起始容量下对应的第一阶段的LFC、LFD，以使得电池在变温后首次可充放电容量无法得到正确修正的技术问题。
根据本申请实施例的一个实施例，提供了一种可充放电容量的修正方法，包括：获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据，测试数据包括待测试电池的第一关键特征，第一关键特征包括起始环境温度、迁移环境温度和电池参数信息，电池参数信息包括荷电状态信息，X、Y为正整数；确定X*Y组测试数据中每组测试数据对应的满放损失和/或满充损失，并分别将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接，以生成训练数据集，基于训练数据集拟合模型的参数，得到非线性预测模型；根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测；利用目标满放损失对发生温度变化后的目标电池的首次可放电容量进行修正，和/或，利用目标满充损失对发生温度变化后的目标电池的首次可充电容量进行修正。
根据本申请实施例的另一个实施例，还提供了一种可充放电容量的修正装置，包括：获取模块，用于获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据，所述测试数据包括待测试电池的第一关键特征，所述第一关键特征包括起始环境温度、迁移环境温度和电池参数信息，所述电池参数信息包括荷电状态信息，X、Y为正整数；确定模块，用于确定所述X*Y组测试数据中每组测试数据对应的满放损失和/或满充损失，并分别将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接，以生成训练数据集，基于所述训练数据集拟合模型的参数，得到非线性预测模型；预测模块，用于根据目标电池的第二关键特征和所述非线性预测模型，对所述目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测；修正模块，用于利用所述目标满放损失对发生温度变化后的所述目标电池的首次可放电容量进行修正，和/或，利用所述目标满充损失对发生温度变化后的所述目标电池的首次可充电容量进行修正。
根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的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可充放电容量的修正方法。
根据本申请实施例的又一方面，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可充放电容量的修正方法。
根据本申请的又一个实施例，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一项可充放电容量的修正方法实施例中的步骤。
在本申请实施例中，通过获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据；并确定X*Y组测试数据中每组测试数据对应的满放损失和/或满充损失，并分别将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接，以生成训练数据集，基于训练数据集拟合模型的参数，得到非线性预测模型；进而在非线性预测模型的基础上，可以根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测，并利用目标满放损失对发生温度变化后的目标电池的首次可放电容量进行修正，和/或，利用目标满充损失对发生温度变化后的目标电池的首次可充电容量进行修正，使得在变温情况下对准确实现对目标电池的可放电容量以及可充电容量的进行离线修正，采用上述可充放电容量的修正方法，解决了相关技术中，无法快速确定存在单体差异性的电池在不同变温状态以及不同起始容量下对应的第一阶段的LFC、LFD，以使得电池在变温后首次可充放电容量无法得到正确修正的技术问题。
附图说明
图1是根据本申请实施例的一种可充放电容量的修正方法的智能汽车终端的硬件结构框图；
图2是根据本申请实施例的可充放电容量的修正方法的流程图；
图3是根据本申请实施例的不同单体电池对应的LFC与LFD在不同分位数回归的示意图；
图4是根据本申请实施例的每个划分好的区间中使用单独的非线性拟合算法的示意图；
图5是根据本申请实施例的通过LFC与LFD在不同分位数回归的线性进行新数据预测的示意图；
图6是根据本申请实施例的一种可充放电容量的修正装置的结构框图；
图7是根据本申请实施例的电子装置的计算机***结构框图；
图8是根据本申请实施例的一种用于实施上述可充放电容量的修正方法的电子装置。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明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，以便这里描述的本申请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、***、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。
本申请实施例所提供的方法实施例可以在智能汽车终端、移动终端或者类似的运算装置中执行。以运行在智能汽车终端上为例，图1是根据本申请实施例的一种可充放电容量的修正方法的智能汽车终端的硬件结构框图。如图1所示，智能汽车终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，在一个示例性实施例中，上述智能汽车终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述智能汽车终端的结构造成限定。例如，智能汽车终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的可充放电容量的修正方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可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104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至智能汽车终端。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。
传输设备106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智能汽车终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种可充放电容量的修正方法，应用于上述智能汽车终端，图2是根据本申请实施例的可充放电容量的修正方法的流程图，该流程包括如下步骤：
步骤S202，获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据，测试数据包括待测试电池的第一关键特征，第一关键特征包括起始环境温度、迁移环境温度和电池参数信息，电池参数信息包括荷电状态信息，X、Y为正整数；
需要说明的是，在实际应用中，在完成测试后，每个待测试电池在每类变温参数下，分别对应一组测试数据，而一组测试数据中包括一条用于计算满放损失的第一测试数据，和/或，一条用于计算满充损失的第二测试数据。本申请实施例中，在待测试电池在某一类变温参数下需要同时计算满放损失和满充损失时，将待测试电池在该类变温参数下，设置不同的实验工步得到第一测试数据和第二测试数据，在待测试电池在某一类变温参数下需要计算满放损失或满充损失中的任意一种时，则只需要将待测试电池在该类变温参数下，得到第一测试数据或第二测试数据。第一测试数据包括测试电池用于确定满放损失的第一关键特征，第二测试数据包括测试电池用于确定满充损失的第一关键特征。
本申请实施例中的荷电状态信息包括用于计算或表征电池的荷电状态的信息，可以是荷电状态值、也可以是电池电压等，进而通过荷电状态信息确定电池的可充放电容量。电池参数信息还可以包括电池电压、电池温度、电池型号等等，具体可以根据需求进行确定。
作为一种可选的实施方式，上述电池参数信息包括初始荷电状态、迁移荷电状态、迁移电压和电池温度，获取X个待测试电池中每一个电池在Y类变温参数下的测试信息生成X*Y组测试数据，通过以下步骤确定：
步骤S11、针对每个待测试电池，将待测试电池在每类变温参数的测试起始环境温度下，执行至少两次的充放电循环操作；
可以理解的是，电池试验是连续进行的，某个测试起始环境温度可能是由上一类变温参数试验迁移过来的，因此，需要进行若干次的满充满放循环使得电池处于稳定的第二阶段，避免其他试验对当前试验的干扰。充放电循环操作主要通过记录在测试起始温度下充满当前待测试电池，记录过程中充入的第一电容量，并在相同的测试起始温度下对当前待测试电池进行容量放空，统计电池放出的第二电容量。比较在相同测试起始温度下当前待测试电池的第一电容量、第二电容量，若两个电容量相近，则表明当前待测试电池已处于稳定的第二阶段，后续的充放电过程不受可能的迁移过程的影响。从而在测试前排除测试过程中的其他干扰，提升后续获取到的测试数据的准确性。
步骤S12、对待测试电池进行充电第一预设时间或放电第二预设时间，使得待测试电池达到预设的初始荷电状态，初始荷电状态用于确定待测试电池的第一可充电容量和/或第一可放电容量；
在通过步骤S11排除待测试电池在测试情况下的其他干扰后，在初始环境温度下对待测试电池进行充电第一预设时间达到预设的初始荷电状态，确定待测试电池的第一可充电容量，或放电第二预设时间达到预设的初始荷电状态，以确定待测试电池的第一可放电容量。
步骤S13、将待测试电池从测试起始环境温度迁移到对应的测试迁移环境温度，并获取待测试电池的迁移荷电状态、迁移电压和电池温度，迁移荷电状态用于确定待测试电池的第二可充电容量和/或第二可放电容量。
在将待测试电池从测试起始环境温度迁移到对应的测试迁移环境温度下，由于温度改变，因此，需要重新确定在测试迁移环境温度下对应的初始荷电状态，得到待测试电池的迁移荷电状态，上述迁移电压是在达到迁移荷电状态时，待测试电池对外的释放电压，电池温度为当前待测试电池的在测试迁移环境温度运行时对应的电池内部温度。
进一步的，为了保证获取待测试电池的迁移荷电状态的准确性，在将待测试电池从测试起始环境温度迁移到对应的测试迁移环境温度之后，通过待测试电池在测试迁移环境温度下的动态静置来确保待测试电池的整体温度与测试迁移环境温度的一致，从而提升测试的精确性。上述动态静置对应的静置时长是动态变化的，与待测试电池的温度变化成反比，如：当待测试电池在测试过程中环境温度的温差变化越大时，则对应需要的静置时间越长。
其中，第一可充电容量为起始环境下待测试电池从预设的初始荷电状态下将电量充满时所充入的容量；第一可放电容量为起始环境下待测试电池在预设的初始荷电状态下将电量放空时所放出的容量。上述第二可充电容量为迁移环境下待测试电池的可充入的容量(即迁移后将电池充满时记录的充入容量)；通过将待测试电池充电第一预设时间到预设的初始荷电状态或放电第二预设时间到预设的初始荷电状态之后，迁移到测试迁移环境温度下进行充满时对应的可充电容量。上述第二可放电容量为迁移环境下待测试电池的可放出的容量(即迁移后将电池放空时记录的放出容量)。通过将待测试电池充电第一预设时间到预设的初始荷电状态或放电第二预设时间到预设的初始荷电状态之后，迁移到测试迁移环境温度下进行放空时对应的可放电容量。
可选的，获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据之前，上述方法还包括：确定X个待测试电池对应的测试需求；根据测试需求确定Y类变温参数对应的温度范围区间和梯度间隔。梯度间隔用于指示不同类变温参数之间的温度变化值。其中，温度范围区间可以根据实际使用工况进行确定，示例性的，温度范围区间为25摄氏度至-30摄氏度，在温度范围区间内，按照梯度范围及梯度间隔进行温度区间划分，确定多类变温参数，例如，梯度范围为25摄氏度，梯度间隔为1摄氏度，则变温参数包括：25摄氏度与0摄氏度，24摄氏度与-1摄氏度，0摄氏度与-25摄氏度、0摄氏度与25摄氏度，……，-25摄氏度与0摄氏度，……直到-30摄氏度与-5摄氏度。其中，25摄氏度与0摄氏度变温参数的起始环境温度为25摄氏度、迁移环境温度为0摄氏度，表明了电池在运行过程中从高温到低温的迁移；0摄氏度与25摄氏度变温参数的起始环境温度为0摄氏度、迁移环境温度为25摄氏度，表明了电池在运行过程中从低温到高温的迁移；上述仅仅是一种示例，并不对本申请起到限制作用。此外，在设置变温参数对应的梯度间隔可以灵活确定，如，不同类变温参数之间的起始环境温度间隔5摄氏度等，这是根据实际测试需求确定，为了数据更加细致，还可以将不同类变温参数之间的起始环境温度间隔调整为1摄氏度，即每变换1摄氏度就确定一次对应的测试数据。
可以理解的是，上述梯度间隔为对同一待测试电池使用不同类变温参数进行测试时，不同变温参数中对应的起始环境温度或迁移环境温度之间的温度差值；上述梯度范围为从起始环境温度变化到迁移环境温度时温度的变化大小；即梯度范围等于每一类变温参数中起始环境温度与迁移环境温度之间存在的温度差值。
步骤S204，确定X*Y组测试数据中每组测试数据对应的满放损失和/或满充损失，并分别将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接，以生成训练数据集，基于训练数据集拟合模型的参数，得到非线性预测模型；
简单来说，由于满充损失LFC、满放损失LFD，与起始环境温度下电池的可充电容量和可放电容量，以及迁移环境温度下电池的可充电容量和可放电容量有关，虽然不同的电池个体之间也会存在细微的差异，但是可充电容量、可放电容量与满充损失LFC、满放损失LFD之间存在明显的非线性变化特性；因此通过收集不同待测试电池对应的可充电容量、可放电容量与满充损失LFC、满放损失LFD可以进一步拟合模型，得到可以支撑满充损失LFC、满放损失LFD预测的非线性预测模型。
可选的，满充损失等于电池在起始环境温度下的可充电容量与迁移环境温度下的可充电容量之差，满放损失等于电池在起始环境温度下的可放电容量与迁移环境温度下的可放电容量之差，以上述实施例中的测试数据为例，满充损失=第一可充电容量-第二可充电容量，满放损失=第一可放电容量-第二可放电容量。
示例性的，根据待测试电池A在第一起始环境温度下的可充电容量和待测试电池A在第一迁移环境温度下的可充电容量，确定待测试电池A对应的满充损失，根据待测试电池A在第一起始环境温度下的可放电容量和待测试电池A在第一迁移环境温度下的可放电容量，确定待测试电池A对应的满放损失。
在确定出待测试电池A对应的满充损失以及满放损失之后，为了更好的根据上述数据拟合出各个区间内模型的参数，确定当前待测试电池A的非线性预测模型，此时，还需要将测试数据中包括的待测试电池A的第一关键特征与确定出的满充损失和/或满放损失进行数据拼接，实现温度变化、电池参数信息与满充损失和/或满放损失之间的相互对应，需要说明的是，在拼接过程中需要确保满放损失的关键特征与满放损失进行拼接，满充损失的关键特征和满充损失进行拼接；例如，待测试电池A对应的满放损失对应拼接的关键特征是第一起始环境温度、第一迁移环境温度、待测试电池A在第一起始环境温度下的可放电容量、待测试电池A在第一迁移环境温度下的可放电容量、第一起始环境温度对应的结束电压、第一迁移环境温度对应的起始电压、第一迁移环境温度对应的负极起始温度等；待测试电池A对应的满充损失对应拼接的关键特征是第一起始环境温度、第一迁移环境温度、待测试电池A在第一起始环境温度下的可充电容量、待测试电池A在第一迁移环境温度下的可充电容量、第一起始环境温度对应的结束电压、第一迁移环境温度对应的起始电压、第一迁移环境温度对应的负极起始温度等；
进一步的，在完成将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接之后，将得到多条训练数据，继而形成训练数据集，此外，第一关键特征中的电池参数信息包括初始荷电状态、初始电压、迁移荷电状态、迁移电压和电池温度，其中，初始荷电状态用于确定待测试电池的第一可充电容量和/或第一可放电容量；迁移荷电状态用于确定待测试电池的第二可充电容量和/或第二可放电容量；初始电压用于指示电池在起始环境温度下的结束电压，即在起始环境温度下完成充电或放电状态时电池对应的输出电压；迁移电压用于指示电池在迁移环境温度下的起始电压，即在迁移环境温度下电池开始进行充电或放电状态时的输出电压。
进一步的，当从起始环境温度调整到迁移环境温度的温度变化为低温到高温时，由于升温导致实际工作中待测试电池的可充放容量增多，当从起始环境温度调整到迁移环境温度的温度变化为高温到低温时，由于降温导致实际工作中待测试电池的可充放容量减少，因此，在测试过程中，还需要结合不同类变温参数的温度变化情况，收集待测试电池在不同温度下的实际可充放电容量，进而可以更准确的确定待测试电池在不同情况下的充电容量减少/增加和放电容量减少/增加，为了叙述上的方便，后文都用损失一词概括可充/放电容量变化，通过损失值的正负来体现可充/放容量是减少还是增多，其中，当损失值为正时，表示可充/放电容量减少，当损失值为负时，表示可充/放电容量增多。
示例性的，本申请实施例以测试起始环境温度为25摄氏度，测试迁移环境温度为0摄氏度进行降温运行的工况说明，以及测试起始环境温度为0摄氏度，测试迁移环境温度为25摄氏度为例进行升温运行的工况说明。具体如下：
在测试起始环境温度为25摄氏度条件下，待测试电池充电对应的第一可充电容量为额定容量的75%，如果待测试电池变温到0摄氏度后，由于降温导致充电损失和放电损失均为正，则待测试电池充电可充入电量将小于25摄氏度下额定容量的75%；且可放电容量将小于25摄氏度下额定容量的25%。
作为一种可选示例，在测试起始环境温度为0摄氏度条件下，待测试电池对应的第二可充电容量为0摄氏度下可用容量的75%，如果待测试电池变温到25摄氏度后，由于升温变化导致充电损失和放电损失均为负，则待测试电池充电可充入电量将大于0摄氏度下可用容量的75%；且可放电容量将大于0摄氏度下可用容量的25%。
需要说明的是，在实际应用中，由于变温到测试迁移环境温度后，首次充放电时待测试电池处于充放电容量损失不一致的第一阶段，因此，无法获知待测试电池在测试迁移环境温度下的真实容量，因此，只能根据额定容量来定义测试迁移环境温度下的待测试电池的电池荷电状态SOC。
可选的，电池温度包括负极起始温度，负极起始温度用于指示待测试电池在迁移环境温度下进入放电或充电状态时，电池负极对应的起始温度，主要用于标识不同单体电池的差异性。需要说明的是，因为不同的单体电池迁移到相同温度的环境中时，由于内部反应的差异性，其负极温度存在差异。上述仅是一种示例，并不用于限定上述关键特征的所有内容。
为了便于理解，现以待测试电池A为例，确定出的训练数据集具体如下表1：
表1
可选的，在确定出训练数据集之后，便可以通过训练数据集进行模型参数的拟合，拟合出各个区间内模型的参数。对训练数据集按满充损失、满放损失进行数据分类，继而根据分类后的满充损失对应的第一训练数据集拟合模型的参数，生成仅与满充损失有关的第一非线性预测模型；根据分类后的满放损失对应的第二训练数据集拟合模型的参数，生成仅与满放损失有关的第二非线性预测模型。在后续使用非线性预测模型的过程中，需要预测满充损失时，使用第一非线性预测模型，需要预测满放损失时，使用第二非线性预测模型。
作为一种可选的实施例，在确定出训练数据集之后，基于训练数据集拟合模型的参数，得到非线性预测模型的过程中，由于训练数据集中的第一关键特征包含多个维度的信息，高维信息不好可视化，因此，将训练数据集中第一关键特征对应的多维特征信息抽象一维并作为x轴。将LFC或LFD为目标值，故作为y轴。具象理解：y=f(x)，f为待拟合参数的预测模型。进一步的，根据满放损失、满充损失对应的目标值设置多个分位数，其中不同分位数之间为满放损失、满充损失的变化范围，从而在根据分位数将目标值划分为多个分布区间，然后在每个区间拟合出单独的回归参数。用多个分布区间的线性回归来近似整体的非线性回归。最终基于训练数据集拟合模型的参数，得到非线性预测模型，该非线性预测模型中至少存在与满放损失对应的第一预测子模型和/或满充损失对应的第二预测子模型。
作为一种可选的实施例，图3是根据本申请实施例的不同待测试电池对应的LFC和/或LFD在不同分位数回归的示意图；图4是根据本申请实施例的每个划分好的区间中使用单独的非线性拟合算法的示意图；即在根据分位数将目标值（相当于上述实施例中的满放损失和/或满充损失）划分为多个区间之后，为了增强本申请提出算法的非线性拟合能力，还可以在每个划分好的区间中使用单独的非线性拟合算法，其中，图3、4中的数据点用于对应上述基于训练数据集中每一对完成拼接的目标值与第一关键特征，图3、图4中的曲线用于指示第一关键特征与LFC或LFD之间的映射关系。需要说明的，上述图3、图4中的曲线可以为满充损失对应的曲线和/或满放损失对应的曲线，这是根据实际显示要求可以灵活控制的，对此本申请不做过多限定。可以理解的是，上述通过分位数回归算法，将拟合不同电池、不同电池在不同变温起始容量、不同电池在不同目标温度下的LFC与LFD；从而得到非线性预测模型。其中x轴代表抽象成一维的训练数据集中第一关键特征对应的多维特征信息，y轴为目标值LFC或LFD。
步骤S206，根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测；
可选的，上述第二关键特征可以包括：目标电池的目标起始环境温度，及目标电池在目标起始环境温度下所对应的目标可放电容量或目标可充电容量；目标电池的目标迁移环境温度，及目标电池在目标迁移环境温度下所对应的目标可放电容量或目标可充电容量等；可以理解的是，在根据X*Y组测试数据拟合各分位数区间内回归模型的参数，并进一步确定对应的非线性预测模型之后，对于已知第二关键特征的目标电池可以通过非线性预测模型预测，从而在非线性预测模型中确定出符合第二关键特征的预估目标值，实现根据第二关键特征确定目标电池对应的满放损失和/或满充损失的目的。
可以理解的是，相关技术中的，满充与满放的LFD与LFC计算，没有排除单体的差异性。不同的单体之间由于生产装配等的误差，存在单体不一致性，导致实际中在相同实验条件下的不同单体之间的LFD、LFC存在一定的差异。且相关试验结果表明，同一单体电池、同一起始温度下、不同的起始容量会得出非常不一致的LFD与LFC，满充与满放条件下得出的LFD与LFC不具备泛化性。为了提升对不同单体之间的LFD与LFC存在细微的差异的确定，以及为了提升后续预测效率；在实际建立上述预测模型时，利用机器学习的方法来预测不同起始容量、不同迁移温度、不同单体电池对应的LFD与LFC，进而对该电池在变温后的首次充放SOC进行修正。并且，为了适配离线的、低算力的嵌入式执行环境，本申请还提出了一种复杂度较低的非线性回归算法以用于上述目的。因此，本申请将相关技术中的低温、容量损失扩展为了变温、容量变化，使得任意的温度变化后的首次可充放SOC都可以得到准确的修正。
可选的，上述非线性回归算法由分位数回归与KNN算法组成。需要说明的是，分位数回归可以拟合数据的非线性特点，且适配离线的、低算力的嵌入式执行环境，但是无法预测新的样本。而KNN算法回归的泛化性较差，无法很好地拟合非线性特征。具体的，通过分位数回归算法对测试得到的多组测试数据进行拟合得到非线性预测模型，在得到非线性预测模型的基础上，使用KNN算法参照目标电池的第二关键特征在拟合数据集的多个关键特征中选择特征距离相近的目标关键特征，根据目标关键特征从非线性预测模型包含的多个子预测模型中筛选出数据误差较小的目标子预测模型，再将第二关键特征输入到数据误差较小的目标子预测模型中预测出多个LFC和LFD的结果，并对分别对多个LFC或多个LFD进行处理，如：求均值处理，加权求和后求均值处理，得到最终的LFC或LFD。
可选的，上述非线性回归算法（即包括对数据处理的分位数回归+KNN算法）整体可以通过使用更复杂的模型来代替，在执行环境的算力较强时。
综上，通过提出一种低复杂度的非线性回归算法，以较低的计算成本实现了对电池变温过程的非线性特性进行拟合。在缩短整体预测时长的同时，提升了预测准确性，使得后续可以根据预测出的目标满放损失或目标满充损失对电池在变温后首次可充放电容量实现正确修正，即在确定目标电池的首次可充放电容量的基础上，通过首次可充放电容量与目标电池对应额定容量的比值，确定出目标电池对应的首次充放时电池的实际可充放荷电状态。
步骤S208，利用目标满放损失对发生温度变化后的目标电池的首次可放电容量进行修正，和/或，利用目标满充损失对发生温度变化后的目标电池的首次可充电容量进行修正。也就是说，在根据第二关键特征和非线性预测模型预测出目标电池对应的目标满放损失和/或目标满充损失的情况下，可以根据目标满放损失对发生温度变化后的目标电池的首次可放电容量进行修正，还可以根据目标满充损失对发生温度变化后的目标电池的首次可充电容量进行修正；下面分别对其进行示例性展开说明。
作为一种可选的实施方式，利用目标满放损失对发生温度变化后的目标电池的首次可放电容量进行修正，包括：根据目标可放电容量、目标满放损失、目标电池的额定容量修正目标电池在发生温度变化后对应的首次可放电容量；
具体的，上述目标电池在发生温度变化后对应的首次可放电容量可以通过如下公式一进行修正：
公式一、SOC T2-Dchg=[SOCT1*CT1-LFD(T1,T2)]/Crate,其中，SOC T2-Dchg为T2下目标电池放电状态对应的荷电状态，即发生温度变化后目标电池对应的首次可放电容量[SOCT1*CT1-LFD(T1,T2)]与目标电池的额定容量Crate之间的商值为T2下目标电池对应的可放电荷电状态；SOCT1*CT1用于指示T1下的目标可放电容量，LFD(T1,T2)为根据目标电池的第二关键特征和非线性预测模型预测出的目标满放损失，Crate为目标电池的额定容量，T1为目标电池对应的目标起始环境温度、T2为目标电池发生温度变化后对应的迁移环境温度。
需要说明的是，公式中T1下的目标电池对应的SOCT1是基于实际容量来定义的，即根据目标电池处于充放电容量损失逐渐一致的第二阶段时对应的可充/放的全部电容量。而变温到T2后，在首次充放电时目标电池处于充放电容量损失不一致的第一阶段，无法有效获知目标电池在T2下对应的真实可充/放的全部电容量，为了便于计算，通过在公式中设置利用额定容量来定义T2下第一阶段目标电池的可充/放电容量对应的电池荷电状态，以保证对目标电池对应的可充电容量的正确修正。
作为一种可选的实施方式，利用目标满充损失对发生温度变化后的目标电池的首次可充电容量进行修正，包括：根据目标可充电容量、目标满充损失、额定容量修正目标电池在发生温度变化后对应的首次可充电容量；其中，温度变化用于表示目标电池的运行环境温度由目标起始环境温度发生变化调整为目标迁移环境温度。
具体的，上述目标电池在发生温度变化后对应的首次可充电容量可以通过如下公式二进行修正：
公式二、SOC T2-Chg=[（1-SOCT1）*CT1-LFC(T1,T2)]/Crate,其中，SOC T2-chg为T2下目标电池充电状态对应的荷电状态，即发生温度变化后目标电池对应的首次可充电容量[（1-SOCT1）*CT1-LFC(T1,T2)]与目标电池的额定容量Crate之间的商值为T2下目标电池对应的可充电荷电状态；（1-SOCT1）*C T1用于指示T1下的目标可充电容量，LFC(T1,T2)为根据目标电池的第二关键特征和非线性预测模型预测出的目标满充损失，Crate为目标电池的额定容量，T1为目标电池对应的起始环境温度、T2为目标电池发生温度变化后对应的迁移环境温度。
需要注意的是，T1小于或等于T2时，上述LFD和LFC为负数，当T1大于T2时，则相反，LFD和LFC为正数。进一步的，通过使用预测出的LFC和LFD对变温后的首次可充放SOC进行修正，可以有效的保证不同温度变化下的首次充放电SOC显示的准确性。
综上通过上述步骤，通过获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据；并确定X*Y组测试数据中每组测试数据对应的满放损失和/或满充损失，并分别将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接，以生成训练数据集，基于训练数据集拟合模型的参数，得到非线性预测模型；进而在非线性预测模型的基础上，可以根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测，并利用目标满放损失对发生温度变化后的目标电池的首次可放电容量进行修正，和/或，利用目标满充损失对发生温度变化后的目标电池的首次可充电容量进行修正，使得在变温情况下准确实现对目标电池的可放电容量以及可充电容量的进行离线修正，采用上述可充放电容量的修正方法，解决了相关技术中，无法快速确定存在单体差异性的电池在不同变温状态以及不同起始容量下对应的LFC、LFD，以使得电池在首次充放后的电池荷电状态无法得到准确修正的技术问题。使得在获取到目标电池对应的第二关键特征的情况下，根据建立的非线性预测模型，对目标电池进行预测，确保对目标电池在发生温度变化后的容量修正的准确性。
需要说明的是，在实际应用中，由于第一阶段的修正更迫切，修正难度大，使得相关方法较少。而第二阶段修正较为简单，相关技术较多。但是在实际工况中大都不支持满充和满放的操作(第二阶段修正方法较为常用的策略)，因此，在进行电荷状态的修正时，修正的准确性较低。本申请提出的上述修正方式，通过获取待测试电池在不同类测试参数下对应的测试数据，从而拟合模型，利用新电池与待测试电池之间的相似性，快速确定对应的LFC、LFD，且由于拟合模型的数据包括多个存在单体差异性的电池在不同变温状态以及不同起始容量下的测试数据，因此，可以对非满充、非满放的电池荷电状态也能实现正确修正，提升了对电池在变温后首次充放时的可充放荷电状态的修正精度。
可选的，上述实施方式，还可以用于对电池变温后的SOP（State Of Power，电池功率状态，简称SOP）修正。具体的方式与上述电容量的修正流程相同，仅是替换对应拟合模型的参数即可。
作为一种可选的实施方式，为了进一步提升预测的准确性，根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测之前，还需要执行以下步骤，包括：
步骤S302、计算第二关键特征与训练数据集中第一关键特征之间的特征距离，得到X*Y个特征距离，其中，非线性预测模型中包括M个子预测模型，M为正整数；
步骤S304、从X*Y个特征距离中选择特征距离最近的前A个目标特征距离，并确定前A个目标特征距离中每一个目标特征距离对应的目标关键特征，得到A个目标关键特征，其中，A为正整数。
也就是说，根据特征距离对从训练数据集包括的多个第一关键特征中确定出与第二关键特征的相关性较高的目标关键特征，由于目标关键特征为训练数据集中的信息，且非线性预测模型是基于训练数据集拟合模型的参数确定；因此，可以通过借用目标关键特征对应的非线性预测模型实现对第二关键特征对应满放损失和/或满充损失的确定。
示例性的，图5是根据本申请实施例的通过LFC和/或LFD在不同分位数回归的线性进行新数据预测的示意图；根据KNN（K-NearestNeighbor，K近邻，简称，KNN）算法，在非线性预测模型上的X*Y个关键特征对应的数据点中，选取与第二关键特征（新数据）的空间临近距离满足预设距离条件的A个目标数据点，即在X*Y个数据点中筛选出与第二关键特征最为接近的A个目标关键特征，如图5的1号箭头所指；其中，上述x轴代表抽象成一维的训练数据集中第一关键特征对应的多维特征信息，y轴为目标值LFC或LFD。
进一步的，在完成上述步骤S302、S304的基础上，根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失进行预测，需执行以下步骤S306-S310，具体的：
步骤S306、确定每个目标关键特征所对应的实际满放损失，并对A个目标关键特征中的每个特征都进行以下操作：将A个目标关键特征中的每个特征输入到M个子预测模型中，得到M个预测值，其中，预测值为通过子预测模型确定出的预估满放损失；
即根据需要预测的目标电池对应的预测类型，在预测类型为需要预测目标电池在当前荷电状态和当前变温条件下对应的目标满放损失的情况下，可从已建立的非线性预测模型中确定出目标值为满放损失的M个子预测模型，继而将与第二关键特征相关性较强的A个目标关键特征分别输入到M个子预测模型，得到M个预测值。
步骤S308、针对每个目标关键特征，确定每个预测值与实际满放损失之间的误差，得到M个预测误差，并根据M个预测误差从M个子预测模型中选择出符合预设误差条件的B个第一类子预测模型；其中，B为正整数；
简单来说，在得到M个预测值的情况下，可以通过比较每个预估满放损失与实际满放损失之间的预测误差，根据预测误差从M个预测子模型中筛选出对目标关键特征的预测误差相应误差较小的B个子预测模型，将A个目标关键特征与B个子预测模型进行对应结合，便可确定出最终用于对目标电池在电池荷电状态下的目标满放损失进行预测的多个子预测模型。需要说明的是，上述预设误差条件可结合实际使用情况确定，如设置误差范围区间等，对此本申请不做过多限定。
步骤S310、汇总A个目标关键特征分别对应的B个第一类子预测模型，得到用于对目标电池在电池荷电状态下的目标满放损失进行预测的A*B个第一类子预测模型（相当于2号箭头所指的曲线），以实现对目标电池在电池荷电状态下的目标满放损失进行预测。
通过上述步骤，根据需要预测的目标电池的类型从非线性预测模型中确定出适合的子预测模型，实现仅根据目标电池的第二关键特征便可以进行目标满放损失的预测，并根据预测出的目标满放损失对目标电池进行可放电容量修正。
对目标满放损失的预测与对目标满充损失的预测方式类似，部分详细内容将不再赘述，具体的，在完成上述步骤S302、S304的基础上，根据需要预测的目标电池对应的预测类型，在预测类型为需要预测目标电池在当前荷电状态和当前变温条件下对应的目标满充损失的情况下，根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满充损失，需执行以下步骤S312-S320，具体的：
步骤S312、确定每个目标关键特征所对应的实际满充损失，对A个目标关键特征中的每个特征都进行以下操作：将A个目标关键特征中的每个特征输入到M个子预测模型中，得到M个预测值，其中，预测值为通过子预测模型确定出的预估满充损失；
步骤S314、针对每个目标关键特征，确定每个预测值与实际满充损失之间的误差，得到M个预测误差，并根据M个预测误差从M个子预测模型中选择出符合预设误差条件的B个第一类子预测模型；其中，B为正整数；
步骤S318、汇总A个目标关键特征分别对应的B个第一类子预测模型，得到A*B个第一类子预测模型；
步骤S320、使用对A*B个第一类子预测模型对目标电池在当前荷电状态和当前变温条件下对应的目标满充损失进行预测。
需要说明的是，可选的，为保证预测的准确性，还可以求取A*B个预测结果的均值作为最终的预测结果。
需要说明的是，上述对目标电池的目标满充损失、目标满放损失的预测时，可以分别执行对目标满充损失、目标满放损失的确定，也可以同时进行对目标满充损失、目标满放损失的确定，这是可以根据上述预测模型所在***或计算机的实际算力进行灵活设置的，对此，本申请不做过多限定。
可选的，为了进一步提升预测的准确性，还可以为A*B个预测结果根据预测大小分别设置权重，在根据权重对A*B个预测结果加权求和，在确定加权求和后的均值。进一步的，如果可实现云端的服务搭建与数据传输的话，还可以将确定测试数据上传至云端进行处理，并在获取到目标电池的电池荷电状态关联的第二关键特征之后，可以通过数据传输将第二关键特征传输至云端，并将云端对第二关键特征的处理结果回传至目标电池，从而对目标电池的电池电荷状态进行修正。
作为一种可选的实施方式，为了减少A*B个子预测模型中出现相同子预测模型的情况，还可以对A*B个子预测模型进行去重处理，得到N个子预测模型；将第二关键特征输入到N个子预测模型中，生成N个预测结果；基于N个预测结果确定目标电池在电池荷电状态下的目标满放损失和目标满充损失；其中，N为小于M的正整数。可以理解的是，A*B的数值并不一定小于或等于M，由于A*B个子预测模型中可能存在重复，通过去重使得在后续的预测过程中输入的模型小于M，继而减少后续不必要的计算量，提升预测效率。
作为一种可选的实施方式，在获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据之前，如果需要对多种待测电池的测试数据进行拟合，则可以通过聚类算法将多种待测试电池的测试数据进行聚类，以将相同类型的待测试电池的测试数据聚集在一起。后续进行非线性预测模型的拟合时，选取相同类型电池的测试数据进行拟合即可，即，X个待测试电池为相同类型的电池。这样可以提高拟合的精度。
可以理解的是，当存在多种不同类型的电池时，为了保证后续预测的准确性，可以通过使用聚类算法对相同类型电池对应的数据进行汇总，形成数据簇，继而对每一个数据簇进行单独的模型拟合，形成归属于一种电池类型的非线性预测模型，以保证后需对同类型目标电池预测的准确性。
即当待测试电池存在多个电池类型的情况下，需要根据电池类型进行聚类筛选，从而确定出不同电池类型对应的非线性预测模型，实现对不同电池类型的预测，可选的，上述构建训练数据集的测试数据便是在完成筛选之后其中任意一个数据簇包括的测试数据。
需要说明的是，上述智能汽车终端还可以被替换为可执行与智能汽车终端存在相同功能的其他移动终端或云服务器等，对此本申请不做过多限定。
可选的，上述每一个待测试电池在不同变温参数下对应的满放损失和/或满充损失可以通过以下公式计算：在发生变温时，满充损失LFC=迁移环境温度下的可充电容量-起始环境温度下的可充电容量，满放损失LFD=迁移环境温度下的可放电容量-起始环境温度下的可放电容量。
综上，通过上述实施方式，通过累积待测试电池在不同变温起始容量的测试数据，生成待测试电池对应的非线性预测模型，继而在获取目标电池的第二关键特征后，可以通过比较非线性预测模型上第二关键特征对应的数据点与已测试确定的数据点的空间临近距离，从而根据空间临近距离确定非线性预测模型中与第二关键特征对应的数据点对应的目标曲线，根据目标曲线上的满充损失LFC、满放损失LFD的在不同起始容量的变化趋势预测目标电池当前容量对应的目标满充损失、目标满放损失，进而实现电池在变温后首次可充放电容量的修正，采用上述可充放电容量的修正方法，解决了相关技术中，无法快速确定存在单体差异性的电池在不同变温状态以及不同起始容量下对应的LFC、LFD，以使得电池在变温后，首次充放时的电池可充放电容量无法得到准确修正的技术问题，达到了更准确地确定目标电池在不同温度变化下的首次可充放电容量的效果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例的方法。
图6是根据本申请实施例的一种可充放电容量的修正装置的结构框图；如图6所示，包括：
获取模块72，用于获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据，测试数据包括待测试电池的第一关键特征，第一关键特征包括起始环境温度、迁移环境温度和电池参数信息，电池参数信息包括荷电状态信息，X、Y为正整数；
确定模块74，用于确定X*Y组测试数据中每组测试数据对应的满放损失和/或满充损失，并分别将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接，以生成训练数据集，基于训练数据集拟合模型的参数，得到非线性预测模型；
预测模块76，用于根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测；
修正模块78，用于利用目标满放损失对发生温度变化后的目标电池的首次可放电容量进行修正，和/或，利用目标满充损失对发生温度变化后的目标电池的首次可充电容量进行修正。
通过上述装置，通过获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据；并确定X*Y组测试数据中每组测试数据对应的满放损失和/或满充损失，并分别将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接，以生成训练数据集，基于训练数据集拟合模型的参数，得到非线性预测模型；进而在非线性预测模型的基础上，可以根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测，并利用目标满放损失对发生温度变化后的目标电池的首次可放电容量进行修正，和/或，利用目标满充损失对发生温度变化后的目标电池的首次可充电容量进行修正，使得在变温情况下对准确实现对目标电池的可放电容量以及可充电容量的进行离线修正，采用上述可充放电容量的修正方法，解决了相关技术中，无法快速确定存在单体差异性的电池在不同变温状态以及不同起始容量下对应的LFC、LFD，以使得电池在变温后的首次充放时的可充放容量无法得到正确修正的技术问题。
在一个示例性实施例中，上述装置还包括：距离模块，用于根据目标电池的第二关键特征和非线性预测模型，对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测之前，计算第二关键特征与训练数据集中第一关键特征之间的特征距离，得到X*Y个特征距离，其中，非线性预测模型中包括M个子预测模型，M为正整数；从X*Y个特征距离中选择特征距离最近的前A个目标特征距离，并确定前A个目标特征距离中每一个目标特征距离对应的目标关键特征，得到A个目标关键特征，其中，A为正整数。
本申请实施例中，术语“模块”或“单元”是指有预定功能的计算机程序或计算机程序的一部分，并与其他相关部分一起工作以实现预定目标，并且可以通过使用软件、硬件（如处理电路或存储器）或其组合来全部或部分实现。同样的，一个处理器（或多个处理器或存储器）可以用来实现一个或多个模块或单元。此外，每个模块或单元都可以是包含该模块或单元功能的整体模块或单元的一部分。
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。上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
在一个示例性实施例中，还提供了一种闪存存储器，用于执行上述任一项方法实施例中的步骤。
本申请的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序/指令，其中，该计算机程序/指令被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
图7示意性地示出了用于实现本申请实施例的电子装置的计算机***结构框图。需要说明的是，图7示出的电子装置的计算机***700仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。如图7所示，计算机***700包括中央处理器701（CentralProcessing Unit，CPU），其可以根据存储在只读存储器702（Read-Only Memory，ROM）中的程序或者从存储部分708加载到随机访问存储器703（Random Access Memory，RAM）中的程序而执行各种适当的动作和处理。在随机访问存储器703中，还存储有***操作所需的各种程序和数据。中央处理器701、在只读存储器702以及随机访问存储器703通过总线704彼此相连。输入/输出接口705（Input /Output接口，即I/O接口）也连接至总线704。
以下部件连接至输入/输出接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管（Cathode Ray Tube，CRT）、液晶显示器（Liquid Crystal Display，LCD）等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至输入/输出接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本申请的实施例，各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理器701执行时，执行本申请的***中限定的各种功能。
根据本申请实施例的又一个方面，还提供了一种用于实施上述可充放电容量的修正方法的电子装置。本实施例的电子装置如图8所示，该电子装置包括存储器802和处理器804，该存储器802中存储有计算机程序，该处理器804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。本领域普通技术人员可以理解，图8所示的结构仅为示意，电子装置也可以是包含有上述闪存存储器的设备。图8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8中所示更多或者更少的组件（如网络接口等），或者具有与图8所示不同的配置。
其中，存储器802可用于存储软件程序以及模块，如本申请实施例中的可充放电容量的修正方法和装置对应的程序指令/模块，处理器804通过运行存储在存储器802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，即实现上述的可充放电容量的修正方法。存储器802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802可进一步包括相对于处理器804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802具体可以但不限于用于包含建模数据的日志等信息。作为一种示例，如图8所示，上述存储器802中可以但不限于包括上述可充放电容量的修正装置中的模块。此外，还可以包括但不限于上述可充放电容量的修正装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置806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806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806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808；和连接总线810，用于连接上述电子装置中的各个模块部件。
本申请的实施例还提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。
本申请的实施例还提供了另一种计算机程序产品，包括非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储计算机程序，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。
本中请的实施例还提供了一种计算机程序，该计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质巾；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处埋器执行该计算机指令，使得该计算机设备执行上述任一项方法实施例中的步骤。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种可充放电容量的修正方法，其特征在于，包括：
获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据，所述测试数据包括待测试电池的第一关键特征，所述第一关键特征包括起始环境温度、迁移环境温度和电池参数信息，所述电池参数信息包括荷电状态信息，X、Y为正整数；
确定所述X*Y组测试数据中每组测试数据对应的满放损失和/或满充损失，并分别将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接，以生成训练数据集，基于所述训练数据集拟合模型的参数，得到非线性预测模型；
根据目标电池的第二关键特征和所述非线性预测模型，对所述目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测；
利用所述目标满放损失对发生温度变化后的所述目标电池的首次可放电容量进行修正，和/或，利用所述目标满充损失对发生温度变化后的所述目标电池的首次可充电容量进行修正。
2.根据权利要求1所述的可充放电容量的修正方法，其特征在于，所述第二关键特征包括所述目标电池的目标起始环境温度，及所述目标电池在所述目标起始环境温度下所对应的目标可放电容量或目标可充电容量；
所述利用所述目标满放损失对发生温度变化后的所述目标电池的首次可放电容量进行修正，包括：
根据所述目标可放电容量、所述目标满放损失、所述目标电池的额定容量修正所述目标电池在发生温度变化后对应的首次可放电容量；
所述利用所述目标满充损失对发生温度变化后的所述目标电池的首次可充电容量进行修正，包括：
根据所述目标可充电容量、所述目标满充损失、所述额定容量修正所述目标电池在发生温度变化后对应的首次可充电容量；
其中，所述温度变化用于表示目标电池的运行环境温度由所述目标起始环境温度发生变化调整为目标迁移环境温度。
3.根据权利要求1所述的可充放电容量的修正方法，其特征在于，所述非线性预测模型中包括M个子预测模型，M为正整数，根据目标电池的第二关键特征和所述非线性预测模型，对所述目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测之前，所述方法还包括：
计算所述第二关键特征与所述训练数据集中第一关键特征之间的特征距离，得到X*Y个特征距离；
从所述X*Y个特征距离中选择特征距离最近的前A个目标特征距离，并确定所述前A个目标特征距离中每一个目标特征距离对应的目标关键特征，得到A个目标关键特征，其中，所述A为正整数。
4.根据权利要求3所述的可充放电容量的修正方法，其特征在于，根据目标电池的第二关键特征和所述非线性预测模型，对所述目标电池在当前荷电状态和当前变温条件下对应的目标满放损失进行预测，包括：
确定每个目标关键特征所对应的实际满放损失，并对所述A个目标关键特征中的每个特征都进行以下操作：将所述A个目标关键特征中的每个特征输入到M个子预测模型中，得到M个预测值，其中，预测值为通过子预测模型确定出的预估满放损失；
针对每个目标关键特征，确定每个预测值与实际满放损失之间的误差，得到M个预测误差，并根据所述M个预测误差从所述M个子预测模型中选择出符合预设误差条件的B个第一类子预测模型；其中，所述B为正整数；
汇总所述A个目标关键特征分别对应的B个第一类子预测模型，得到A*B个第一类子预测模型；
使用对所述A*B个第一类子预测模型对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失进行预测。
5.根据权利要求4所述的可充放电容量的修正方法，其特征在于，使用对所述A*B个第一类子预测模型对目标电池在当前荷电状态和当前变温条件下对应的目标满放损失进行预测，包括：
对所述A*B个第一类子预测模型进行去重处理，得到N个第二类子预测模型，其中，A*B大于等于N；
将所述第二关键特征分别输入到所述N个第二类子预测模型中，得到N个预测结果；
基于所述N个预测结果确定所述目标电池在当前荷电状态和当前变温条件下对应的目标满放损失；其中，所述N为小于M的正整数。
6.根据权利要求1所述的可充放电容量的修正方法，其特征在于，所述电池参数信息包括初始荷电状态、初始电压、迁移荷电状态、迁移电压和电池温度，所述获取X个待测试电池中每一个电池在Y类变温参数下的测试信息生成X*Y组测试数据，包括：
针对每个待测试电池，将待测试电池在每类变温参数的测试起始环境温度下，执行至少两次的充放电循环操作；
对所述待测试电池进行充电第一预设时间或放电第二预设时间，使得所述待测试电池达到预设的初始荷电状态，其中，所述初始荷电状态用于确定所述待测试电池的第一可充电容量和/或第一可放电容量；
将所述待测试电池从所述测试起始环境温度迁移到对应的测试迁移环境温度，并获取所述待测试电池的迁移荷电状态、迁移电压和电池温度，其中，所述迁移荷电状态用于确定所述待测试电池的第二可充电容量和/或第二可放电容量。
7.一种可充放电容量的修正装置，其特征在于，包括：
获取模块，用于获取X个待测试电池中每一个电池在Y类变温参数下的测试信息所生成X*Y组测试数据，所述测试数据包括待测试电池的第一关键特征，所述第一关键特征包括起始环境温度、迁移环境温度和电池参数信息，所述电池参数信息包括荷电状态信息，X、Y为正整数；
确定模块，用于确定所述X*Y组测试数据中每组测试数据对应的满放损失和/或满充损失，并分别将满放损失和/或满充损失作为目标值，与其所对应的第一关键特征进行拼接，以生成训练数据集，基于所述训练数据集拟合模型的参数，得到非线性预测模型；
预测模块，用于根据目标电池的第二关键特征和所述非线性预测模型，对所述目标电池在当前荷电状态和当前变温条件下对应的目标满放损失和/或目标满充损失进行预测；
修正模块，用于利用所述目标满放损失对发生温度变化后的所述目标电池的首次可放电容量进行修正，和/或，利用所述目标满充损失对发生温度变化后的所述目标电池的首次可充电容量进行修正。
8.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至6任一项中所述的方法的步骤。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项中所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410413820.7A CN118011225A (zh) | 2024-04-08 | 2024-04-08 | 可充放电容量的修正方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410413820.7A CN118011225A (zh) | 2024-04-08 | 2024-04-08 | 可充放电容量的修正方法、装置、存储介质及电子装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118011225A true CN118011225A (zh) | 2024-05-10 |
Family
ID=90954362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410413820.7A Pending CN118011225A (zh) | 2024-04-08 | 2024-04-08 | 可充放电容量的修正方法、装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118011225A (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106855611A (zh) * | 2017-01-20 | 2017-06-16 | 深圳市沃特玛电池有限公司 | 一种电池soc估算方法及*** |
| CN107179505A (zh) * | 2016-03-09 | 2017-09-19 | 华为技术有限公司 | 电池健康状态检测装置及方法 |
| US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
| CN111624491A (zh) * | 2019-02-27 | 2020-09-04 | 北京新能源汽车股份有限公司 | 一种确定电池剩余电量的方法、装置及电池管理*** |
| CN111679212A (zh) * | 2020-06-19 | 2020-09-18 | 中国电力科学研究院有限公司 | 计算电池在不同温度和充放电倍率下soc的方法及***和装置 |
| CN112213659A (zh) * | 2020-01-20 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池容量修正方法及测试*** |
| JP2021179311A (ja) * | 2020-05-11 | 2021-11-18 | 株式会社豊田自動織機 | 電池ｓｏｃ推定システム |
| CN113761751A (zh) * | 2021-09-14 | 2021-12-07 | 上海交通大学 | 基于温度加速因子的锂离子电池剩余寿命预测方法及*** |
| US20220026496A1 (en) * | 2020-07-24 | 2022-01-27 | Hemtej Gullapalli | Tracking state of charge of a non-rechargeable battery using impedance spectroscopy |
| CN115407206A (zh) * | 2022-08-25 | 2022-11-29 | 安徽优旦科技有限公司 | 一种基于容量累积的soh自适应估算方法 |
| CN116736127A (zh) * | 2023-04-03 | 2023-09-12 | 镁佳(北京)科技有限公司 | 一种应对温度变化的电池剩余电量百分比预测方法及装置 |
| CN117269814A (zh) * | 2023-09-22 | 2023-12-22 | 西安交通大学 | 一种基于负极锂损失过程的锂电池存储衰减寿命预测方法 |
| CN117543756A (zh) * | 2023-11-07 | 2024-02-09 | 珠海冠宇电池股份有限公司 | 电池的充放电方法、装置、电子设备及介质 |
| CN117630716A (zh) * | 2023-11-28 | 2024-03-01 | 重庆赛力斯新能源汽车设计院有限公司 | 一种电池寿命的实时预测方法及装置 |
| CN117723973A (zh) * | 2023-12-15 | 2024-03-19 | 安徽得壹能源科技有限公司 | 电池存储容量损失的评估方法、装置、电子设备及介质 |
| CN117805621A (zh) * | 2023-12-28 | 2024-04-02 | 无锡锂云科技有限公司 | 一种电池容量估计方法、装置、设备及存储介质 |
-
2024
- 2024-04-08 CN CN202410413820.7A patent/CN118011225A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107179505A (zh) * | 2016-03-09 | 2017-09-19 | 华为技术有限公司 | 电池健康状态检测装置及方法 |
| US20180364312A1 (en) * | 2016-03-09 | 2018-12-20 | Huawei Technologies Co., Ltd. | Apparatus and method for detecting battery state of health |
| CN106855611A (zh) * | 2017-01-20 | 2017-06-16 | 深圳市沃特玛电池有限公司 | 一种电池soc估算方法及*** |
| US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
| CN111624491A (zh) * | 2019-02-27 | 2020-09-04 | 北京新能源汽车股份有限公司 | 一种确定电池剩余电量的方法、装置及电池管理*** |
| CN112213659A (zh) * | 2020-01-20 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池容量修正方法及测试*** |
| JP2021179311A (ja) * | 2020-05-11 | 2021-11-18 | 株式会社豊田自動織機 | 電池ｓｏｃ推定システム |
| CN111679212A (zh) * | 2020-06-19 | 2020-09-18 | 中国电力科学研究院有限公司 | 计算电池在不同温度和充放电倍率下soc的方法及***和装置 |
| US20220026496A1 (en) * | 2020-07-24 | 2022-01-27 | Hemtej Gullapalli | Tracking state of charge of a non-rechargeable battery using impedance spectroscopy |
| CN113761751A (zh) * | 2021-09-14 | 2021-12-07 | 上海交通大学 | 基于温度加速因子的锂离子电池剩余寿命预测方法及*** |
| CN115407206A (zh) * | 2022-08-25 | 2022-11-29 | 安徽优旦科技有限公司 | 一种基于容量累积的soh自适应估算方法 |
| CN116736127A (zh) * | 2023-04-03 | 2023-09-12 | 镁佳(北京)科技有限公司 | 一种应对温度变化的电池剩余电量百分比预测方法及装置 |
| CN117269814A (zh) * | 2023-09-22 | 2023-12-22 | 西安交通大学 | 一种基于负极锂损失过程的锂电池存储衰减寿命预测方法 |
| CN117543756A (zh) * | 2023-11-07 | 2024-02-09 | 珠海冠宇电池股份有限公司 | 电池的充放电方法、装置、电子设备及介质 |
| CN117630716A (zh) * | 2023-11-28 | 2024-03-01 | 重庆赛力斯新能源汽车设计院有限公司 | 一种电池寿命的实时预测方法及装置 |
| CN117723973A (zh) * | 2023-12-15 | 2024-03-19 | 安徽得壹能源科技有限公司 | 电池存储容量损失的评估方法、装置、电子设备及介质 |
| CN117805621A (zh) * | 2023-12-28 | 2024-04-02 | 无锡锂云科技有限公司 | 一种电池容量估计方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110011374B (zh) | 一种电池充放电电流的控制方法、***及终端设备 | |
| CN111812531B (zh) | 电池状态检测方法、设备及存储介质 | |
| CN102119338B (zh) | 基于电池电压变化模式估计电池健康状态的方法及装置 | |
| CN111448467B (zh) | 用于对电池容量进行建模和估计的方法及*** | |
| CN109991554B (zh) | 一种电池电量检测方法、装置及终端设备 | |
| CN113589174B (zh) | 一种锂离子动力电池***电芯一致性预测方法及装置 | |
| CN109713762B (zh) | 一种充电控制方法、装置及终端设备 | |
| CN109904542B (zh) | 锂离子电池包的容量更新方法、装置及终端设备 | |
| CN115932605A (zh) | 储能电池剩余电量校正方法、装置及电池管理*** | |
| CN108051756A (zh) | 蓄电池soc的估算方法、***及存储介质 | |
| CN113111508A (zh) | 电芯一致性的评估方法、装置及服务器 | |
| CN115902628A (zh) | 一种电池内阻的计算方法、装置、设备及存储介质 | |
| CN112630661A (zh) | 一种电池荷电状态soc估算方法和装置 | |
| CN109991543B (zh) | 一种电池包剩余电量的获取方法、装置及终端设备 | |
| CN115684956A (zh) | 用于电池存储器寿命估计的方法、设备和计算机程序产品 | |
| CN114325407A (zh) | 电池自放电测试方法、装置、设备及计算机存储介质 | |
| CN116500458B (zh) | 动力电池容量评估方法、装置、车辆及电子装置 | |
| CN113447824A (zh) | 电池最大充放电电流的估算方法、装置及存储介质 | |
| CN112731160A (zh) | 电池滞回模型训练方法、估算电池soc的方法和装置 | |
| CN110068409B (zh) | 锂电池应力预测方法和装置 | |
| CN118011225A (zh) | 可充放电容量的修正方法、装置、存储介质及电子装置 | |
| CN113030760B (zh) | 电池寿命预测方法、设备及存储介质 | |
| CN113900028B (zh) | 一种考虑初始荷电状态和充放电路径的电池健康状态估计方法及*** | |
| CN115902653A (zh) | 确定电池老化程度的方法、装置、存储介质与电子设备 | |
| CN115800433A (zh) | 电池组一致性评估与等级评价方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |