一种新型智能化电池组及其容量风险估算方法

技术领域

本发明涉及电池技术领域，尤其涉及一种新型智能化电池组及其容量风险估算方法。

背景技术

在新能源领域中，电池管理系统的关键性问题日益凸显。在面对电池管理的诸多挑战时，传统方案存在显著的局限性。以往主要关注电池组的整体性能监控，然而，由于电池内部不同单元之间的局部状态差异被忽略，会导致引发严重的全局损害。

例如，新能源汽车电池爆炸等安全事件在过去的实际应用中频繁发生，其原因主要源自于只注意全局而忽略局部的电池管理方法无法精准的监测和预测电池内部的局部变化趋势。此外，由于这种注重全局监控的方法通常是基于统计分析，无法及时捕捉电池内潜在的局部异常情况，从而导致实时监控能力差，在风险发生时无法及时作出响应，使得电池组存在不稳定的风险。

发明内容

本发明所要解决的技术问题在于，提供一种新型智能化电池组及其容量风险估算方法，能够模块化的针对电池组内容量进行局部监控、估算和预测，全面了解电池组状态的变化，从而做出更精准的风险预测，及时采取措施应对电池组的潜在风险，避免由于电池组局部问题所引发的全局性损害，提高了电池组的稳定性。

为了解决上述技术问题，本发明第一方面公开了一种新型智能化电池组的容量风险估算方法，所述智能化电池组包括多个模块化电池组，所述模块化电池组包括多个单节电池包，所述方法包括：获取模块化电池组和单节电池包的多项关键特征数据；基于单节电池包的多项关键特征数据构建风险预测模型；将模块化电池组的多项关键特征数据代入所述风险预测模型生成模块化电池组的总体容量预测值；对所述模块化电池组的总体容量预测值进行时序性分析是否对电池组进行阻断。

在一些实施方式中，基于单节电池包的多项关键特征数据构建风险预测模型，包括：对单节电池包的每项关键特征数据进行异常值检测形成具有非异常性的监测标签；响应于所述监测标签，利用卷积网络对所述单节电池包的多项关键特征数据进行区域性数据检测训练生成风险预测模型。

在一些实施方式中，对单节电池包的每项关键特征数据进行异常值检测形成具有非异常性的监测标签，包括：将所述单节电池包的每项关键特征数据带入预置的异常判定因子公式，判定当前单节电池包是否正常；若所述单节电池包判定为正常，则形成具有非异常性的监测标签；若所述单节电池包判定为非正常，则执行对电池组的阻断操作。

在一些实施方式中，所述预置的异常判定因子公式为：定义异常判定因子δ，

其中，x为单节电池包的某一项关键特征数据值，u为某一项关键特征数据值对应的正常使用状态所获取的数据平均值，σ为某一项关键特征数据值对应的正常使用状态所获取的标准差，α为异常限定因子；其中，当δ为0时，判定当前单节电池包属于正常，当δ为1时，判定当前单节电池包属于非正常。

在一些实施方式中，响应于所述监测标签，利用卷积网络对所述单节电池包的多项关键特征数据进行区域性数据检测训练生成风险预测模型，包括：将所述单节电池包的多项关键特征数据带入均值激活函数确定卷积网络的限定范围；在所述卷积网络的限定范围内，采用Conv算子构建卷积模型；利用所述卷积模型对所述单节电池包的多项关键特征数据进行训练至少生成单节电池包的风险预测值和单节电池包的容量预测值。

在一些实施方式中，所述均值激活函数为：

其中，y为通过激活函数转换的各项关键特征数据的输出值，t为正常情况下各项关键特征数据的均值的总平均值，x则为基础神经元的值。

在一些实施方式中，将模块化电池组的多项关键特征数据代入所述风险预测模型生成模块化电池组的总体容量预测值，包括：将模块化电池组的多项关键特征数据代入所述风险预测模型生成模块化电池组的多个单节电池包的容量预测值；将模块化电池组的多个单节电池包的容量预测值代入预置的总体容量预测公式生成模块化电池组的总体容量预测值；

其中，总体容量预测公式为：

定义E

在一些实施方式中，对所述模块化电池组的总体容量预测值进行时序性预测分析执行对电池组是否阻断的操作，包括：将串联的各个单节电池包定义为时序性信息的各个节点，根据所述模块化电池组的总体容量预测值、单节电池包的风险预测值和模块化电池组的多项关键特征数据构建时序性网络；通过所述时序性网络生成模块化电池组的风险预测值；将所述模块化电池组的风险预测值进行全局判定，根据全局判定结果执行是否对电池组的阻断操作。

本发明第二方面公开了一种新型智能化电池组，包括：安装箱体；设置于所述安装箱体内的多个模块化电池组；其中，所述模块化电池组包括多个单节电池包；数据采集模块，用于取模块化电池组和单节电池包的多项关键特征数据；风险估算模块，用于利用如上述的新型智能化电池组的容量风险估算方法执行对所述电池组是否阻断的操作。

在一些实施方式中，所述单节电池包在箱体中通过串联连接形成模块化电池组，所述模块化电池组在箱体中通过串联/并联连接形成智能化电池组。

在一些实施方式中，新型智能化电池组还包括阻断模块，用于响应于所述风险估算模块执行对所述电池组的阻断操作并执行。

在一些实施方式中，所述阻断模块为设置于单节电池包上的阻断喷嘴；响应于所述风险估算模块执行对所述电池组的阻断操作，所述阻断喷嘴打开喷出阻断剂。

在一些实施方式中，所述阻断模块为设置于箱体内的箱体保险丝；响应于所述风险估算模块执行对所述电池组的阻断操作，所述箱体保险丝熔断。

在一些实施方式中，新型智能化电池组还包括降温模块，所述降温模块包括：设置于模块化电池组的多个散热网孔，所述散热网孔至少包括设置于所述模块化电池组的正面散热网孔、侧散热网孔、散热条孔和顶部散热网孔。

在一些实施方式中，新型智能化电池组应用于整车，所述智能电池组包括底座，通过所述底座将智能化电池组与车身安装固定。

与现有技术相比，本发明的有益效果在于：

实施本发明能够通过将电池组的结构划分为模块化电池组和其包含的单个电池包，实现了电池组的模块化和区域化，并且利用卷积网络构建智能化的预测模型，实现了对单个电池包的精细化数据分析，实时监测电池状态是否异常。充分利用了电池内部的数据特征，能够更准确地识别潜在的风险，大幅降低电池系统出现问题的概率。由此，能够在系统层面上对电池组进行全面精确且智能化的监测，避免了电池组的局部问题引发的全局损害。并且能够最大程度地解决电池组中各个模块化电池之间的隔离和控制问题，保障了电池系统的安全性，从而做出更精准的风险预测，及时采取措施应对电池组的潜在风险，提高了电池组的稳定性。

此外，还将模块化电池组数据构建成时序性网络，能够实现对电池组状态的时序变化趋势的预测分析，能够更全面地了解电池组状态的演变，做出更加精准的风险预测，从而能够及早采取措施来应对潜在问题。

附图说明

图1为本发明实施例公开的一种新型智能化电池组的容量风险估算方法流程示意图；

图2为本发明实施例公开的一种新型智能化电池组的容量风险估算方法所应用的电池组结构示意图；

图3为本发明实施例公开的一种利用卷积网络模型的搭建的网络架构示意图；

图4为本发明实施例公开的一种智能电池组的架构示意图；

图5为本发明实施例公开的一种智能电池组的结构示意图；

图6为本发明实施例公开的又一种智能电池组的结构示意图；

图7为本发明实施例公开的另一种智能电池组的结构示意图；

图8为本发明实施例公开的再一种智能电池组的结构示意图；

图9是发明实施例公开的一种新型智能化电池组的容量风险估算的交互装置示意图。

整体电池结构1、模块化电池组2、箱体保险丝3、安装扶手4、底座固定5、正面散热网孔6、散热风扇7、散热风扇支架8、数显屏9、侧散热网孔10、散热条孔11、顶部散热网孔12、顶板13、隔热板14、单节电池包15、电池包固定板16、固定螺丝17、连接板18、阻断剂喷嘴19、信号传输模块20、单节电池21、数据采集模块22。

具体实施方式

为了更好地理解和实施，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例的术语“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模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，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模块。

本发明实施例公开了一种新型智能化电池组及其容量风险估算方法，能够通过划分电池组的结构为模块化电池组和其包含的单个电池包，实现电池组的模块化和区域化，并且利用卷积网络构建智能化的预测模型，实现了对单个电池包的精细化数据分析，实时监测电池状态是否异常。充分利用了电池内部的数据特征，能够更准确地识别潜在的风险，大幅降低电池系统出现问题的概率。由此，能够在系统层面上对电池组进行全面精确且智能化的监测，避免了电池组的局部问题引发的全局损害。并且能够最大程度地解决电池组中各个模块化电池之间的隔离和控制问题，保障了电池系统的安全性，从而做出更精准的风险预测，及时采取措施应对电池组的潜在风险，提高了电池组的稳定性。

此外，还将模块化电池组数据构建成时序性网络，能够实现对电池组状态的时序变化趋势的预测分析，能够更全面地了解电池组状态的演变，做出更加精准的风险预测，从而能够及早采取措施来应对潜在问题。

实施例一

请参阅图1，图1为本发明实施例公开的一种新型智能化电池组的容量风险估算方法的流程示意图。其中，该新型智能化电池组的容量风险估算方法可以应用电动汽车供电系统、新能源发电系统等需要电池供电的系统，对于该本发明实施例不做限制。如图1所示，该新型智能化电池组的容量风险估算方法可以包括以下操作：

101、获取模块化电池组和单节电池包的多项关键特征数据。

在本实施例中，将所应用的电池组设置为多个模块化电池组的结合，该模块化电池组包括多个单节电池包。可以通过对现有的整装的电池组拆分，形成分区域的模块化电池组，如图2所示的电池组结构，在整装电池结构1的基础上划分出多个模块化电池组2，其中，每一模块化电池组中还包括多个单节电池包(图中未示)。

首先，获取模块化电池组和单节电池包的多项关键特征数据，获取的方式具体实现为：在每个电池组和每个电池包中都设置有对应的数据采集装置，利用各个电池组和单节电池包中的采集装置，以高频率和高精度获取关键特征数据。为了确保所获取的数据准确，由此采集的关键特征数据包括全面的电池组状态信息。其中，所采集的关键特征数据包括模块化电池组和单节电池包的多项关键特征数据。对于模块化电池组的多项关键特征数据包括模块化电池组的温度、模块化电池组的湿度、模块化电池组的放电时间、模块化电池组的充放电次数；对于单节电池包的多项关键特征数据包括单节电池包的充放电次数、单节电池包的的温度、单节电池包的湿度、单节电池包的放电时间。

为了明晰电池组内部的实际运作状态，还应获取模块化电池组和单节电池包的电池效率，可以利用电池效率公式来计算。

示例性地，效率公式表示如下：

其中，η

由此，完成了对模块化电池组和单节电池包的多项关键特征数据的获取，为后续的模型构建提供了精准的数据基础。

102、基于单节电池包的多项关键特征数据构建风险预测模型。

为了尽早发现电池组的内部存在问题，即单节电池包中可能存在的安全隐患，及时捕捉到可能导致电池系统故障的异常情况，以便及时采取防范措施，防止问题蔓延到模块化电池组甚至整个电池组。在本步骤中，对单节电池包的每项关键特征数据进行异常值检测，形成具有非异常性的监测标签，即根据单节电池包关键特征数据异常值检测结果生成剔除异常性的监测标签，该监测标签可以实现为一触发指令。其中所采取的方法为异常值第一阶段过滤法则，用来初步识别与正常数据即电池正常运作时分布明显不符的数据点。具体地，将单节电池包的每项关键特征数据带入预置的异常判定因子公式，判定当前单节电池包是否正常，若单节电池包判定为正常，则形成具有非异常性的监测标签，若单节电池包判定为非正常，则执行对电池组的阻断操作。

示例性地，在本申请中，提出的异常判定因子公式为一种模块化电池组的组合异常判定公式。

具体地，定义异常判定因子δ，

其中，x为单节电池包的某一项关键特征数据值，u为某一项关键特征数据值对应的正常使用状态所获取的数据平均值，σ为某一项关键特征数据值对应的正常使用状态所获取的标准差，α为异常限定因子；其中，当δ为0时，判定当前单节电池包属于正常，当δ为1时，判定当前单节电池包属于非正常。

可见，该公式能够判断步骤101中采集到的每项单节电池包的多项关键特征数据是否有明显异常值，例如判断单节电池包的温度特征是否有异常，将单节电池包的温度实际测量值与正常情况下的平均值与标准差通过异常判定因子公式进行比较，当判断结果为为1时，判定当前单节电池包属于非正常，则执行单节电池包的阻断操作，从而保护整个电池系统的稳定性和安全性。

进一步地，对于判定为正常的电池包的关键特征数据，就会用来作为卷积网络的训练基础。具体地，响应于监测标签，利用卷积网络对单节电池包的多项关键特征数据进行区域性数据检测训练生成风险预测模型。即将单节电池包的多项关键特征数据带入均值激活函数确定卷积网络的限定范围，在卷积网络的限定范围内，采用Conv算子构建卷积模型，再利用卷积模型对单节电池包的多项关键特征数据进行训练生成单节电池包的风险预测值和单节电池包的容量预测值。

具体地，在本步骤中使用卷积网络对于每个单独的电池包进行区域性数据检测，也可以理解为是一种单列的区域性检测，从而能够从区域化入手，更加细致的预测出单节电池包的状态。在实际的卷积网络训练过程中，输入的单节电池包的关键特征数据包括经过去异常值值处理过的关键特征数据如：单节电池包的充放电次数、单节电池包的的温度、单节电池包的湿度、单节电池包的放电时间及单节电池包的电池效率。该利用卷积网络模型的搭建的网络架构如图3所示，在图3的左侧中。利用节点测量装置采集完区域性电池数据后，需要整合各个区域具有类别区分性的局部信息，因此该卷积网络模型中的第一层为全连接层。为了提升卷积网络的性能，第二层每个神经元的激励函数一般采用ReLU函数。本申请所用激活函数为此函数的变种，能够使用线性修正调试神经网络中神经元的活跃度，并且简化了计算过程从而提高了梯度下降的效率。由于在上述的异常检测步骤中，已经排除了离参数均值较远的输入值，因此为了充分减轻参数中可能存在的异常值跳动，本申请的利用均值激活函数确定卷积网络的限定范围所提出是一种Ave-act均值激活函数。

该均值激活函数为：

其中，y为通过激活函数转换的各项关键特征数据的输出值，t为正常情况下各项关键特征数据的均值的总平均值，x则为基础神经元的值。

通过均值激活函数确定卷积网络的限定范围能够实现将输入的训练数据中，对于所有大于0且在总平均均值1.2倍以下保持原值。但是当所训练的输出值低于0时，则直接归为0。而当所训练的输出值高于1.2倍总平均值时，则直接设定为总平均均值的1.2倍。由此，可将所有的训练神经元进行一个范围限定，以增强整个网络收敛速度。

在通过均值激活函数确定的卷积网络的限定范围内，为了更好的捕捉上述参数中区域性联系，本申请采用Conv算子构建卷积模型，再利用卷积模型对单节电池包的多项关键特征数据进行训练，生成单节电池包的风险预测值和单节电池包的容量预测值。具体地，所采用的Conv算子其大小为1*3，不存在间隔，并设填充训练值为1。上述的类ReLU激活函数造成了网络的稀疏性，缓解了过拟合的产生，同时会让神经元变得脆弱。于是为了保证神经元的健壮，采用Leaky ReLU层完成渗漏整流，经过两层Conv与Leaky ReLU后，采取一层Full-Connected全连接层整合所有信息后直接进行预测，形成两个输出值，其一为电池包的单节电池包的风险预测值Pre

103、将模块化电池组的多项关键特征数据代入预测模型生成模块化电池组的总体容量预测值。

具体实现为：将模块化电池组的多项关键特征数据代入预测模型生成模块化电池组的多个单节电池包的容量预测值，将模块化电池组的多个单节电池包的容量预测值代入预置的总体容量预测公式生成模块化电池组的总体容量预测值；

其中，总体容量预测公式为：

定义E

104、对模块化电池组的总体容量预测值进行时序性预测分析执行对电池组是否阻断的操作。

具体实现为：将串联的各个单节电池包定义为时序性信息的各个节点，根据模块化电池组的总体容量预测值和模块化电池组的多项关键特征数据构建时序性网络，通过时序性网络生成模块化电池组的风险预测值，将模块化电池组的风险预测值进行全局判定，根据全局判定结果执行是否对电池组的阻断操作。

示例性地，本申请中，模块化电池组中所有单节电池包之间采取了串联方式，因此这种将串联的各个单节电池包视为时序性信息上各个节点，区别于传统网络直接对某种电池状态进行预测，而忽略了各个组成部分之间的潜在差异，并且无法捕捉每个小电池之间的相互影响以及其关联性。为了避免上述问题，从而提出了将大电池拆分为小电池并构建时序性网络的创新概念，能够实现精准的电池风险预测以及容量评估系统。

对于根据模块化电池组的总体容量预测值和模块化电池组的多项关键特征数据构建时序性网络：首先将各个单节电池包关键特征数据即单节电池包充放电次数、单节电池包温度、单节电池包湿度、单节电池包放电时间进行表征作为X1,X2,X3,X4,X5，如图3的右侧所示，每个模块化电池组中共60个单节电池包，因此输入向量共存在60组向量值，每个向量基础值为单节电池包的各个充放电次数、温度、湿度、放电时间值，此外引入单节电池包的风险预测值作为输入向量的值之一X6。即每个单节电池包的每个输入向量作为一个时刻点，包括六个输入值X1,X2,X3,X4,X5,X6。共具备60个单节电池包，即60个输入向量。为进一步捕获电池组的动态物理特性，缓解深度神经网络模型容易发生的梯度消失与梯度爆炸等问题，本引入双向学习策略，基于双向长短期记忆循环神经网络(bidirectional longshort-term memory，Bi-lstm)估计电池组的风险预测值。双向循环神经网络估计模型的隐藏层在正向lstm层的基础上增加反向lstm层，引入逆序信息，基于输入序列上下文所含信息整体上学习、表征电池特性序列与风险预测序列之间的内在关联。采用的网络架构为Bi-lstm、ReLU、Batch Normal、Bi-lstm、ReLU以及Batch Normal。其中采用双向lstm作为网络架构的应用层，ReLU作为激活函数，Batch Normal则用来数据规整化，目标预测值为生成模块化电池组的风险预测值。

进一步地，在获取了模块化电池组的风险预测值后，将模块化电池组的风险预测值进行全局判定，根据全局判定结果执行是否对电池组的阻断操作。

其中，本次申请提出一种全局风险判定公式，用来决定是否将整体电源装置进行阻断以及是否对单个模块电池组进行隔断，在其他实施方式中，也可以采取其他全局判定策略执行，本申请不对全局判定的方式进行限定。

其中，全局风险判定公式表示如下：

其中，G为整体判定因子，g为模块化判定因子，Res

将经过上述训练模型处理的模块化电池组的风险预测值代入该全局判定公式中，当G值为1时，则对整个电池装置内所有的模块化电池组进行隔断操作，而当G为0，g为1时则对对应的单个模块化电池组进行隔断。

由此，根据本实施例能够模块化的针对电池组内容量进行局部监控、估算和预测，全面了解电池组状态的变化，从而做出更精准的风险预测，及时采取措施应对电池组的潜在风险，避免了由于电池组局部问题所引发的全局性损害，提高了电池组的稳定性。

实施例二

请参阅图4，图4为本发明实施例公开的一种智能电池组的架构示意图。其中，该新型智能化电池组，包括：

安装箱体41、多个模块化电池组42、多个单节电池包43、数据采集模块44、风险估算模块45、阻断模块46、降温模块47。

该安装箱体41实现为一盒装载体能够提供电池组安装基板，多个模块化电池组42设置于安装箱体内的，其中，模块化电池组包括多个单节电池包43。单节电池包43在安装箱体41中通过串联连接形成模块化电池组42，模块化电池组42在安装箱体41中通过串联/并联连接形成新型智能化电池组。由此，能够通过将电池组结构划分为模块化单元，实现了电池的模块化和区域化，从而在系统层面上避免了局部问题引发的全局损害。这种结构能够最大程度地隔离和控制问题，保障了电池系统的安全性。

数据采集模块44用于取模块化电池组和单节电池包的多项关键特征数据；风险估算模块45，用于利用如上述的新型智能化电池组的容量风险估算方法执行对电池组是否阻断的操作，在此不进行赘述。

进一步地，新型智能化电池组还包括阻断模块46，用于响应于风险估算模块45执行对电池组的阻断操作并执行。具体地，阻断模块为设置于单节电池包上的阻断喷嘴，响应于风险估算模块执行对所述电池组的阻断操作，阻断喷嘴打开喷出阻断剂。在其他实施方式中，阻断模块还实现为设置于箱体内的箱体保险丝，响应于风险估算模块执行对电池组的阻断操作，箱体保险丝熔断。由此，使得对电池组的监测能够更加及时和准确。一旦出现潜在的异常情况，可以迅速进行阻断操作，防止问题扩散。这种实时性的响应大幅提升了系统的安全性和稳定性。

进一步地，新型智能化电池组还包括降温模块47，降温模块包括：设置于模块化电池组的多个散热网孔，散热网孔包括设置于模块化电池组的正面散热网孔、侧散热网孔、散热条孔和顶部散热网孔。通过引入降温模块，主动调节温度，有效控制电池的工作温度范围。这不仅有助于延长电池寿命，还能够减少因温度过高引发的安全隐患，提升整体电池系统的稳定性和可靠性。

在优选实施方式中，新型智能化电池组应用于整车，智能电池组包括底座，通过底座将智能电池组与车身安装固定。

实施例三

请参阅图5，图5-图8均为本发明实施例公开的智能电池组的结构示意图。其中，如图5-图8以及图2所示，该新型智能化电池组包括：

整体电池结构1、模块化电池组2、箱体保险丝3、安装扶手4、底座固定5、正面散热网孔6、散热风扇7、散热风扇支架8、数显屏9、侧散热网孔10、散热条孔11、顶部散热网孔12、顶板13、隔热板14、单节电池包15、电池包固定板16、固定螺丝17、连接板18、阻断剂喷嘴19、信号传输模块20、单节电池21、数据采集模块22。

在实际应用中，整体电池结构1具体实现为：由多个模块化电池组2组成，模块化电池组2由单节电池包15组成，单节电池包15由多个单节电池组成，散热风扇安装于散热风扇支架上。数显屏9安装在模块化电池组侧边中间区域。信号传输模块20安装在数显屏9上方。模块化电池组2安装有箱体保险丝3。单节电池包通过电池包固定板和固定螺丝安装在模块化电池组内。单节电池包与模块化电池组通过连接板进行连接固定。模块化电池包通过串联构成模块化电池组，模块化电池组串并联构成整体智能化电池组结构。安装扶手位于模块化电池组两侧。底座固定为模块化电池组与载体身安装固定。模块化电池组有多个散热网孔，分别为正面散热网孔、侧散热网孔、散热条孔和顶部散热网孔。模块化电池组上方安装有隔热板和顶板。单节电池通过电池包固定板和固定螺丝组成电池包。单节电池内发生损坏时阻断剂喷嘴喷出阻断剂，阻止电池损伤的蔓延。箱体保险丝遇到内部超温情况进行熔断。数显屏实时显示内部电池运行温度。信号传输模块实时传输数显屏和数据采集装置的信息。数据采集模块对需要的模块化电池组/单节电池包的特征数据进行表征，例如单节电池包充电次数，单节电池包温度计量，单节电池包湿度计量，单节电池包持续放电时间，单节电池效率。由此，根据上述实施例的算法控制支持，本实施例的智能电池组的结构能够提供一种可以投产的智能电池组结构，根据这种结构能够在系统层面上对电池组进行全面精确且智能化的监测，避免了电池组的局部问题引发的全局损害。并且能够最大程度地解决电池组中各个模块化电池之间的隔离和控制问题，保障了电池系统的安全性，从而做出更精准的风险预测，及时采取措施应对电池组的潜在风险，提高了电池组的稳定性。

实施例四

请参阅图9，图9是新型智能化电池组的容量风险估算的交互装置示意图。其中，图9所描述的装置可以应用在汽车电池系统、新能源发电电池系统等，对于该新型智能化电池组的容量风险估算的交互装置的应用系统本发明实施例不做限制。如图9所示，该装置可以包括：

存储有可执行程序代码的存储器801；

与存储器801耦合的处理器802；

处理器802调用存储器801中存储的可执行程序代码，用于执行实施例一所描述的新型智能化电池组的容量风险估算方法。

实施例五

本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行所描述的新型智能化电池组的容量风险估算方法。

实施例六

本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行所描述的新型智能化电池组的容量风险估算方法。

以上所描述的实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-OnlyMemory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例公开的一种新型智能化电池组的容量风险估算方法及智能电池组所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。