[发明专利]充电电池荷电状态确定方法及装置

权利要求书

1.一种充电电池荷电状态确定方法，其特征在于，包括：

根据充电电池的充放电参数确定所述充电电池的充放电指数，其中，所述充放电指数用于指示所述充电电池的电容量；

根据所述充电电池的环境状态参数以及所述充放电指数确定所述充电电池的表现指数，其中，所述表现指数用于指示所述充电电池在所述环境状态参数所指示的目标状态下的电容量；

根据所述充放电指数以及所述表现指数确定所述充电电池的荷电状态。

2.根据权利要求1所述的方法，其特征在于，在根据充电电池的充放电参数确定所述充电电池的充放电指数之前，包括：

获取所述充放电参数，其中，所述充放电参数包括以下至少之一：所述充电电池的电池当前总电量、所述充电电池的电池内阻、充电时间以及放电时间。

3.根据权利要求2所述的方法，其特征在于，在所述获取所述充放电参数之后，包括：

预先建立与所述充电电池相同型号的电池等效电路模型，获取所述电池等效电路模型中电池容量的衰减曲线，其中，所述电池等效电路模型在执行循环充放电过程中根据电池容量变化得到所述衰减曲线；

根据所述衰减曲线对所述充电电池的所述电池当前总电量进行修正，获取修正后的电池当前总电量。

4.根据权利要求3所述的方法，其特征在于，所述根据充电电池的充放电参数确定所述充电电池的充放电指数，包括：

将所述修正后的电池当前总电量、所述电池内阻、所述充电时间以及所述放电时间输入第一神经网络训练模型，输出所述充放电指数，其中，所述第一神经网络训练模型为使用多组数据通过机器学习训练得出的。

5.根据权利要求3所述的方法，其特征在于，所述根据充电电池的充放电参数确定所述充电电池的充放电指数，还包括：

将所述修正后的电池当前总电量、所述电池内阻以及所述充电时间输入第二神经网络训练模型，其中，所述第二神经网络训练模型为使用多组数据通过机器学习训练得出的；

将所述修正后的电池当前总电量、所述电池内阻以及所述放电时间输入第三神经网络训练模型，其中，所述第三神经网络训练模型为使用多组数据通过机器学习训练得出的；

根据所述第二神经网络训练模型以及所述第三神经网络训练模型的输出结果确定所述充放电指数。

6.根据权利要求3或4所述的方法，其特征在于，所述根据所述充电电池的环境状态参数以及所述充放电指数确定所述充电电池的表现指数，包括：

获取所述充电电池的环境状态参数中包括的以下至少一种参数：环境条件参数、工作条件参数；

将所述环境条件参数、工作条件参数以及所述充放电指数输入第四神经网络训练模型，输出所述表现指数，其中，所述第四神经网络训练模型为使用多组数据通过机器学习训练得出的。

7.根据权利要求6所述的方法，其特征在于，

所述环境条件参数包括以下至少之一：所述充电电池的温度、湿度；

所述工作条件参数包括以下至少之一：所述充电电池的放电率、电压变化率。

8.一种充电电池荷电状态确定装置，其特征在于，包括：

第一确定单元，用于根据充电电池的充放电参数确定所述充电电池的充放电指数，其中，所述充放电指数用于指示所述充电电池的电容量；

第二确定单元，用于根据所述充电电池的环境状态参数以及所述充放电指数确定所述充电电池的表现指数，其中，所述表现指数用于指示所述充电电池在所述环境状态参数所指示的目标状态下的电容量；

第三确定单元，用于根据所述充放电指数以及所述表现指数确定所述充电电池的荷电状态。

9.根据权利要求8所述的装置，其特征在于，还包括：

获取单元，用于在根据充电电池的充放电参数确定所述充电电池的充放电指数之前，获取所述充放电参数，其中，所述充放电参数包括以下至少之一：所述充电电池的电池当前总电量、所述充电电池的电池内阻、充电时间以及放电时间。