一种电池荷电状态预测方法、设备和存储介质

技术领域

本申请涉及数据处理技术领域，特别是涉及一种电池荷电状态预测方法、设备和存储介质。

背景技术

安全可靠的电池是电子产品的安全保证，为保证电池的安全可靠，需要对电池的状态进行实时监控，特别是对作为电池状态的重要参数之一的荷电状态(又称SOC)，其中，高精度电池的SOC估算，可避免电池过充电，过放电和过热，进而提高电池的安全性。

因此，如何对电池的SOC进行准确预测，至关重要。

发明内容

本申请主要解决的技术问题是提供一种电池荷电状态预测方法、设备和存储介质，能够提高电池荷电状态预测结果的准确度。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种电池荷电状态预测方法，该方法包括：获取与电池关联的若干目标参数的当前参数数据；基于至少一个目标参数的当前参数数据，确定电池的当前荷电状态区间；从多个预测模型中选出当前荷电状态区间对应的目标预测模型，多个预测模型至少对应两个不同的荷电状态区间；利用目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态。

其中，电池的数量为若干个，目标参数包括若干电池的电压，电压的当前参数数据包括若干电池的平均电压、最大电压和最小电压中的至少一者；基于至少一个目标参数的当前参数数据，确定电池的当前荷电状态区间，包括：利用电压的当前参数数据，确定电池的当前荷电状态区间。

其中，获取与电池关联的若干目标参数的当前参数数据，包括：分别获取与电池关联的各目标参数的原始参数数据；分别对各目标参数的原始参数数据进行滤波处理，得到各目标参数的的当前参数数据。

其中，目标预测模型的数量至少为两个；利用目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态，包括：分别利用各目标预测模型对当前参数数据进行处理，得到各目标预测模型对应的第一荷电状态；基于各第一荷电状态，得到电池的目标荷电状态。

其中，基于各第一荷电状态，得到电池的目标荷电状态，包括：将至少两个目标预测模型对应的第一荷电状态的平均值，作为电池的目标荷电状态。

其中，目标预测模型包括若干第一预测模型和第二预测模型；其中，第二预测模型为梯度提升模型；和/或，利用目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态，包括：利用若干第一预测模型对当前参数数据进行处理，得到电池的第二荷电状态，第二荷电状态根据各第一预测模型预测的荷电状态得到；利用第二预测模型对第二荷电状态进行处理，得到电池的目标荷电状态。

其中，在从多个预测模型中选出当前荷电状态区间对应的目标预测模型之前，还包括：分别利用若干验证数据集对各预测模型的性能进行验证，得到各预测模型的性能结果。

其中，分别利用若干验证数据集对各预测模型的性能进行验证，得到各预测模型的性能结果，包括：对于各预测模型，从数据集中选取若干验证数据集；利用各验证数据集对预测模型进行验证，得到各验证数据集对应的预测结果；基于各验证数据集对应的预测结果，得到预测模型的性能结果。

其中，目标参数包括电池的电流、温度、电压和电池所在设备的设备参数中的至少一者，设备参数包括车速；和/或，在获取与电池关联的若干目标参数的当前参数数据之前，还包括：获取与电池关联的历史数据，历史数据包括若干电池相关参数对应的数据和电池的荷电状态数据，电池相关参数包括电池的电流、温度、电压和电池所在设备的设备参数中的至少一者，设备参数包括车速；基于相关性分析结果、和/或若干电池相关参数的特性分析结果，从若干电池相关参数中选出目标参数；相关性分析结果表示各电池相关参数与电池荷电状态的相关程度。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电子设备，包括相互耦接的存储器和处理器，存储器存储有程序指令；处理器用于执行存储器中存储的程序指令，以实现上述方法。

为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，计算机可读存储介质用于存储程序指令，程序指令能够被执行以实现上述方法。

上述方案，先根据与电池关联的至少目标参数的当前参数数据，确定电池的当前荷电状态区间，然后从多个预测模型中选出当前荷电状态区间对应的目标预测模型(其中，多个预测模型至少对应两个不同的荷电状态区间)，并利用选取的目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态。相比于所有荷电状态区间都只利用一个模型进行预测的方式，本申请利用荷电状态区间对应的目标预测模型对若干目标参数的当前参数数据进行处理，得到的目标荷电状态的准确性更高。

附图说明

图1是本申请提供的电池荷电状态预测方法一实施例的流程示意图；

图2是本申请提供的电压在滤波前后的对比示意图

图3是图1所示步骤S11一实施例的流程示意图；

图4是图1所示步骤S14一实施例的流程示意图；

图5为本申请提供的验证预测模型性能一实施例的流程示意图；

图6为本申请提供的0％-40％和40％-100％荷电状态区间的XGBoost模型预测结果绝对误差示意图；

图7为本申请提供的预测模型训练和验证过程的流程示意图；

图8为本申请提供的电池荷电状态预测方法另一实施例的流程示意图；

图9是本申请提供的电池荷电状态预测装置一实施例的框架示意图；

图10是本申请提供的电子设备一实施例的结构示意图；

图11是本申请提供的计算机可读存储介质的结构示意图。

具体实施方式

为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。

另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

需要说明的是，电池荷电状态(SOC)，用来反映电池的剩余电量，其数值上定义为电池的剩余可放电电量与其完全充电状态的电量的比值，常用百分数表示，荷电状态值的范围为(0-100％)，荷电状态为0时表示电池放电完全，荷电状态为100％时表示电池完全充满，其中，高精度电池的SOC估算，可避免电池过充电，过放电和过热，进而提高电池的安全性。

请参阅图1，图1是本申请提供的电池荷电状态预测方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例包括：

S11：获取与电池关联的若干目标参数的当前参数数据。

本实施例用于利用当前荷电状态区间对应的目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态。

本文所述的电池可以是任何类型的电池，例如是锂电池，石墨烯电池或者铅酸电池等，本文所述的电池可以用于任何用电设备，例如是用于手机、电动车、电动汽车等设备，具体关于电池的类型和电池所用于的设备可根据实际情况进行确定，此处不做具体限定。

本实施例中，目标参数为和电池关联的参数，具体地，目标参数为和电池荷电状态相关的参数。其中，目标参数包括电池参数和电池所在设备的设备参数中的至少一者。电池参数例如是电池的电流、温度、电压中的任一者，或者任一者的组合；设备参数和电池所在的设备有关，具体可根据电池所在的设备进行确定，例如电池所在的设备为电动汽车，则设备参数可以是车速、里程等。

在一些实施例中，在获取与电池关联的若干目标参数的当前参数数据之前，可先从若干电池的相关参数中选出目标参数。其中，电池相关参数为电池可以检测得到的参数(例如电池电压、电流、温度、内阻等)，以及和使用电池的设备参数(以汽车为例，例如是车速、行驶时间、行驶距离等)。具体地，可利用和电池关联的相关参数的历史数据(包括若干电池相关参数对应的数据和电池的荷电状态数据)，对电池的若干相关参数的各参数进行特性分析、和/或对各参数和电池荷电状态进行相关性分析，得到各参数的特性分析结果、和/或各电池相关参数与电池荷电状态的相关性分析结果，然后，根据相关性分析结果、和/或若干相关参数的特性分析结果，从若干相关参数选出目标参数。在一实施方式中，当前参数数据可以是各目标参数对应的测量数据(原始参数数据)，在根据至少一个目标参数的原始参数数据，确定电池的当前荷电状态区间后，直接利用当前荷电状态区间对应的目标预测模型对若干目标参数的原始参数数据进行处理，得到电池的目标荷电状态。

在另一实施方式中，为了提高电池荷电状态预测结果的准确性，可分别在获取与电池关联的各目标参数的原始参数数据以后，分别对各目标参数的原始参数数据进行滤波处理，以去除原始参数数据中的噪声数据，并将去除噪声数据后的数据作为当前参数数据，进行后续的电池当前荷电状态区间的确定、以及利用当前荷电状态区间对应的目标预测模型对去除噪声数据后当前参数数据进行处理，得到荷电状态的预测结果。其中，上述滤波可利用相关的滤波算法对原始参数数据进行处理，得到当前参数数据，滤波算法例如是Savitzky-Golay滤波算法、卡尔曼滤波算法等。

示例性的，以汽车为例，在测量电动汽车行驶过程中电池荷电状态的场景中，受各因素的影响，汽车在行驶过程中电压的波动会比较大，若不对电压进行滤波处理，直接利用原始的电压数据作为当前参数数据进行后续步骤，则预测得到电池荷电状态的结果也会产生上下波动，造成预测结果的误差。请参阅图2，图2是本申请提供的电压在滤波前后的对比示意图。由图2可以看出，电压在进行滤波后波动很小，故对原始参数数据进行滤波处理，能够减少噪声数据对电池荷电状态预测结果的影响，进而能够提高电池荷电状态预测结果的准确性。

当然，在其他实施例中，也可根据实际情况只对部分目标参数的原始参数数据进行滤波处理，例如，对波动较大的原始参数数据进行滤波处理，对于一些稳定的原始参数数据，也可不进行滤波处理。

S12：基于至少一个目标参数的当前参数数据，确定电池的当前荷电状态区间。

需要说明的是，经过大量研究发现，在对目标参数的当前参数数据进行处理，得到的荷电状态结果中，处于较低荷电状态区间(例如是0-40％、0-50％、0-60％的荷电状态区间)的荷电状态结果的误差较大。因此，为了降低荷电状态结果的误差，提高荷电状态结果的准确性，可将完整的(0-100％)荷电状态区间分为至少两个荷电状态区间，利用不同荷电状态区间的数据集分别训练各荷电状态区间对应的预测模型，并验证预测模型的性能，得到预测模型的性能结果，将性能结果满足准确性要求的预测模型作为各荷电状态区间对应的目标预测模型。示例性的，将完整的(0-100％)荷电状态区间数据分为两个区间0-40％和40％-100％，利用0-40％荷电状态区间的数据集训练和验证0-40％荷电状态区间对应的预测模型，利用40％-100％荷电状态区间的数据集训练和验证40％-100％荷电状态区间对应的预测模型。需要说明的是，上述分区只用作举例，具体荷电状态区间的数量和各荷电状态区间对应的荷电状态范围需根据实际情况(电池的类型、电池用于的设备等)进行确定。

在一实施方式中，设备运行需要用到的电池数量为若干个，目标参数包括与若干电池荷电状态相关性较高的电压，也就是说，电池电压的当前参数数据与电池荷电状态存在对应关系。本实施例中，在确定荷电状态区间数量和各荷电状态区间后，可利用电压的当前参数数据，并结合电池电压的当前参数数据与电池荷电状态存在对应关系，确定电池的当前荷电状态区间。其中，当前荷电状态区间表示，当前电池的目标荷电状态(当前电池的实际荷电状态)所在的荷电状态区间，当前电压的当前参数数据包括若干电池的平均电压、最大电压和最小电压中的至少一者，其中，平均电压为若干电池的电压的平均值，最大电压为若干电池中的最大电压值，最小电压为若干电池中的最小电压值。

优选的，可利用当前若干电池的平均电压，并结合电池平均电压与电池荷电状态间的对应关系，确定电池的当前荷电状态区间。例如，荷电状态区间的数量为两个，分别是高荷电状态区间(例如是40％-100％)和低荷电状态区间(例如是0％-40％)，在当前平均电压值大于40％荷电状态对应的电压值时，说明当前的目标荷电状态所在的区间为高荷电状态区间，反之，为低荷电状态区间。

更优选的，可利用当前若干电池的平均电压、最大电压和最小电压，并结合电池平均电压、最大电压和最小电压与电池荷电状态间的对应关系，确定电池的当前荷电状态区间。

当然，在其他实施方式中，也可利用除电压以外的其他目标参数的当前参数数据与电池荷电状态间的对应关系，确定当前荷电状态区间，此处不做具体限定。

S13：从多个预测模型中选出当前荷电状态区间对应的目标预测模型，多个预测模型至少对应两个不同的荷电状态区间。

本实施例中，在确定当前荷电状态区间后，从多个预测模型(包括至少两个荷电状态区间对应的预测模型)中选出当前荷电状态区间对应的预测模型，作为用于预测电池当前(目标)荷电状态的目标预测模型。

本实施例中，不同荷电状态区间对应的目标预测模型的数量可以相同，也可以不同；各荷电状态区间对应的目标预测模型的数量可以是一个，也可以是至少两个；当然，还可以是高荷电状态区间对应的目标预测模型为一个，低荷电状态区间对应的目标预测模型至少为2个，具体各荷电状态区间对应的目标预测模型的数量可根据预测模型的预测性能进行确定，此处不做具体限定。

S14：利用目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态。

目标荷电状态表示当前时刻电池的荷电状态，本实施例中，当前时刻电池的荷电状态为利用目标预测模型对目标参数的当前参数数据进行处理而预测得到。需要说明的是，本实施例中的目标预测模型的数量可以是一个，也可以是多个(至少两个)，在目标预测模型的数量为多个的情况下，各目标预测模型的模型类型可以是相同的类型，也可以是不同的类型，在目标预测模型的模型预测性能满足准确性要求的情况下，具体目标预测模型的模型数量和模型的类型此处不做具体限定。

在一实施方式中，各荷电状态区间对应的目标预测模型的数量至少为两个，且各目标预测模型对目标参数的当前参数数据进行处理，均能得到各目标预测模型对应的荷电状态预测结果。本实施例中，在确定当前荷电状态区间对应的至少两个目标预测模型后，先分别利用各目标预测模型对目标参数的当前参数数据进行处理，得到各目标预测模型对应的第一荷电状态，然后根据各目标预测模型对应的第一荷电状态，得到电池的目标荷电状态。

其中，可将至少两个目标预测模型中各目标预测模型对应的第一荷电状态的平均值，作为电池的目标荷电状态。以当前荷电状态区间对应的目标预测模型的数量以两个为例，先分别利用各目标预测模型对目标参数的当前参数数据进行处理，得到两个第一荷电状态(分别是A和B)，然后，将A和B的平均值作为电池的目标荷电状态。当然，也可以两个目标预测模型中各目标预测模型对应的第一荷电状态按照第一预设权重进行加权，得到电池的目标荷电状态，此处不做具体限定。

在另一实施方式中，各荷电状态区间对应的目标预测模型包括若干第一预测模型和第二预测模型。其中，第一预测模型例如是KNN、Randomforest、AdaBoost等模型；第二预测模型为梯度提升模型(例如是XGboost模型)，是一种由多个基模型组成的集成模型，本实施例中，先利用若干第一预测模型对当前参数数据进行处理，得到电池的第二荷电状态(可根据各第一预测模型预测的荷电状态得到，例如是各第一预测模型预测的对应荷电状态的平均值或者是按照第二预设权重加权的结果)，然后再利用第二预测模型对第二荷电状态进行处理，得到电池的目标荷电状态。其中，第二预测模型实质上是在第一预测模型预测得到第二荷电状态的基础上，进一步减小第二荷电状态和当前电池真实荷电状态的误差，以使经第二预测模型预测得到的目标荷电状态和当前电池真实荷电状态的误差更小，预测结果更加准确。

上述方案，先根据与电池关联的至少目标参数的当前参数数据，确定电池的当前荷电状态区间，然后从多个预测模型中选出当前荷电状态区间对应的目标预测模型(其中，多个预测模型至少对应两个不同的荷电状态区间)，并利用选取的目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态。相比于所有荷电状态区间都只利用一个模型进行预测的方式，本实施例利用荷电状态区间对应的目标预测模型对若干目标参数的当前参数数据进行处理，得到的目标荷电状态的准确性更高。

请参阅图3，图3是图1所示步骤S11一实施例的流程示意图。本实施例中，从若干电池的相关参数中选出目标参数，包括：

S31：获取与电池关联的历史数据，历史数据包括若干电池相关参数对应的数据和电池的荷电状态数据。

与电池关联的历史数据包括若干电池相关参数对应的数据和电池的荷电状态数据。电池相关参数包括电池的电流、温度、电压和电池所在设备的设备参数中的至少一者，在一实施场景下，电池所在的设备为车辆，与电池关联的历史数据包括从车辆云端大数据平台导出的车辆运行的真实数据，设备参数可以是车速、车辆的行驶里程等参数；当然，具体设备参数对应的参数可根据电池所在的设备的各参数对荷电状态的影响进行确定。

S32：基于相关性分析结果、和/或若干电池相关参数的特性分析结果，从若干电池相关参数中选出目标参数；相关性分析结果表示各电池相关参数与电池荷电状态的相关程度。

本实施例中，可根据各电池相关参数与电池荷电状态的相关程度相关性分析结果、和/或电池相关参数的特性分析结果，从若干电池相关参数中选出目标参数。其中，相关性分析结果和电池相关参数的特性分析结果均用来衡量各电池相关参数与电池荷电状态的关系。

在一实施例中，可利用皮尔逊相关系数分析各电池相关参数与电池荷电状态之间的相关性。具体地，可利用以下公式确定各电池相关参数与电池荷电状态的皮尔逊相关系数：

/>

其中，N表示数据的数量，E(X)表示电池相关参数X的N个数据的均值，E(Y)电池荷电状态Y的N个数据的均值；Cov(X,Y)表示X和Y的N个数据的协方差，σx分别表示X和Y的N个数据的标准差；ρ

当然，也可以通过其他的相关性分析方式确定各电池相关参数与电池荷电状态之间的相关系数，然后选取相关性分析结果中相关系数大于预设阈值的电池相关参数，作为目标参数，具体预设阈值的取值可根据电池荷电状态的预测结果的准确性等进行确定。

在一实施例中，还可对电池相关参数进行特性分析，例如对电池的容量特性、内阻特性分析、电压特性进行分析等，通过电池相关参数的特性分析以确定各电池相关参数与电池荷电状态的关系，并根据各参数的特性分析结果，从中选取和荷电状态关系密切的参数作为目标参数，从而便于后续利用目标参数的当前参数数据，得到电池的目标荷电状态的数据更加准确。

请参阅图4，图4是图1所示步骤S14一实施例的流程示意图。本实施例中，利用目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态，包括：

S41：利用若干第一预测模型对当前参数数据进行处理，得到电池的第二荷电状态，第二荷电状态根据各第一预测模型预测的荷电状态得到。

本实施例中，当前荷电状态区间对应的目标预测模型包括若干第一预测模型和第二预测模型。其中，第一预测模型的数量可以是一个，两个或者多个，第一预测模型例如是KNN、Randomforest、AdaBoost等模型，第二预测模型为梯度提升模型(例如是XGboost模型)，是一种由多个基模型组成的集成模型。

本实施例中，先利用若干第一预测模型对当前参数数据进行处理，得到电池的第二荷电状态，其中，第二荷电状态根据各第一预测模型预测的荷电状态得到。在一实施方式中，可将各第一预测模型预测对应的荷电状态的平均值作为第二荷电状态；当然，在其他实施方式中，也可以将各第一预测模型对应的荷电状态按照第二预设权重进行加权，得到若干第一预测模型预测的电池的第二荷电状态。

S42：利用第二预测模型对第二荷电状态进行处理，得到电池的目标荷电状态。

在得到若干第一预测模型预测的电池的第二荷电状态后，利用第二预测模型对第二荷电状态进行处理，将第二预测模型预测的电池荷电状态，作为当前电池的目标荷电状态。本实施例中，第二预测模型实质上是在第一预测模型预测得到第二荷电状态的基础上，进一步减小第二荷电状态和当前电池真实荷电状态的误差，以使经第二预测模型预测得到的目标荷电状态和当前电池真实荷电状态的误差更小，预测结果更加准确。

在一具体实施例中，第一预测模型包括KNN、Randomforest、AdaBoost三个模型，第二预测模型为XGboost模型。具体地，将若干目标参数的当前参数数据先分别输入KNN模型、Randomforest模型和AdaBoost模型，得到各模型的荷电状态预测结果，其中，将三个第一预测模型的三个荷电状态预测结果的平均值，作为第二荷电状态；然后利用XGboost模型对第二荷电状态进行处理，得到电池的目标荷电状态。

在一些实施例中，在步骤S13从多个预测模型中选出当前荷电状态区间对应的目标预测模型之前，需分别利用若干训练集对各预测模型进行训练，以使各预测模型经训练后能够预测电池的荷电状态；各预测模型经过训练以后，再分别利用若干验证数据集对各预测模型的性能进行验证，得到各预测模型的性能结果，以验证各预测模型的性能表现。

请参阅图5，图5为本申请提供的验证预测模型性能一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图5所示的流程顺序为限。如图5所示，本实施例包括：

S51：对于各预测模型，从数据集中选取若干验证数据集。

本实施例用于利用若干验证数据集对经训练的预测模型的模型性能进行验证。

本实施例中，对于各预测模型，其数据集可以相同的数据集，也可以是不同的数据集。数据集可以是实验室测量数据；也可以是从大数据平台导出的真实数据；当然，也可以是部分实验室测量数据，部分真实数据。其中，真实数据中的预测模型输入的目标参数的参数数据为数据集中的真实测量数据，预测模型预测的荷电状态对应的数据集中的真实荷电状态为通过计算得到，或者也为真实测量数据。

优选的，数据集是从大数据平台导出的真实数据，且预测模型输入的目标参数的参数数据为数据集中的真实测量数据，预测模型预测的荷电状态对应的数据集中的真实荷电状态为通过计算得到。以避免利用现有技术方法中的预测模型预测得到的荷电状态不准确，从而避免利用该不准确的荷电状态数据训练得到的预测模型的预测准确度的问题。

本实施例中，从数据集中选取的若干验证数据集中，各验证数据集对应的数据数量可以相同，也可以不同。也就是说，若干验证数据集可以是由数据集平均分成的若干份，其中每一份为一个验证数据集；若干验证数据集也可以是由数据集随机分成的若干份，其中不同份的验证数据集可能相同，也可能不同。

其中，预测模型的数量可以是一个，也可以是多个，且预测模型可以是包含不同类型的模型，具体关于预测模型的数量和类型此处不做具体限定。

S52：利用各验证数据集对预测模型进行验证，得到各验证数据集对应的预测结果。

对于各预测模型，均对应若干验证数据集，分别利用各验证数据集对预测模型进行验证，得到各验证数据集对应的预测结果。也就是说，本步骤对于各预测模型，均会得到若干个预测结果。

S53：基于各验证数据集对应的预测结果，得到预测模型的性能结果。

在一实施方式中，对于各预测模型，利用若干个预测结果的平均值作为预测模型的性能结果。其中，模型性能的评价指标可以是均方根误差和平均绝对误差中的一者；当然，也可以是均方根误差和平均绝对误差。其中，绝对误差和均方根误差可根据如下公式进行确定：

/>

其中，MAE表示绝对误差，RMSE表示均方根误差，

需要说明的是，若经验证，各预测模型的性能结果满足要求，则确定各预测模型；若经验证，各预测模型的性能结果不满足要求，则需继续对不满足性能要求的预测模型进行训练和验证，或者尝试采用其它模型，以使最终确定的预测模型的性能均能满足性能要求。

在一具体实施例中，荷电状态区间为两个，分别是0％-40％荷电状态区间(SOC)和40％-100％荷电状态区间(SOC)。其中，对于40％-100％荷电状态区间，采用上述验证方法(训练和验证的次数为5次)结合GridSearch方法对40％-100％荷电状态区间的XGBoost模型进行调参，其中40％-100％荷电状态区间的XGBoost模型的GridSearch调参最终结果为(colsample_bytree(列采样)为0.4603，树叶子节点分裂所需的最小损失减小量为0.0468,学习率0.05，最大树深为3，最小叶子权重和为1.7817，树的数量为2200，L1正则化权重项0.4640，L2正则化权重项为0.8571，训练实例中子样本的比例为0.5213,silent为1,random_state为7,线程数nthread为-1。

如图6所示，图6为本申请提供的0％-40％和40％-100％荷电状态区间的XGBoost模型预测结果的绝对误差示意图。其中，调参后得到的0％-40％荷电状态区间的XGBoost模型的预测结果与真实值之间的绝对误差为0.6％，均方根误差为0.58，绝对误差的范围在-2％-3％；调参后得到的40％-100％荷电状态区间的XGBoost模型的预测结果与真实值之间的绝对误差为0.3％，均方根误差为0.17，绝对误差的范围在-2％-2％，预测的荷电状态的准确度较高。

示例性的，请参阅图7，图7为本申请提供的预测模型训练和验证过程的流程示意图。本实施例中，预测模型包括三个第一预测模型和一个第二预测模型，其中，第一预测模型例如是KNN、Randomforest、AdaBoost模型，第二预测模型例如为XGboost模型。

如图7所述，将第一数据集平均或者随机分为若干份(例如是N份)，依次将其中1份作为第一验证集(第一验证数据集)，剩余N-1份作为第一训练集(第一训练数据集)，对预测模型进行训练和验证，其中每份第一验证集均不同，直到N份数据均被作为第一验证数据集。其中，需要说明的是，先利用N次的N*(N-1)份训练集训练KNN、Randomforest、AdaBoost模型，三个第一预测模型训练完成后，利用各第一验证数据集(共N份，每次1份)对KNN、Randomforest、AdaBoost模型进行验证，得到各第一验证数据集对应的各个第一预测模型的预测结果，对于各第一预测模型，将预测结果的平均值作为各预测模型的性能结果。

其中，上述模型的训练和验证的次数均为N次，以第一数据集分为3份为例，对预测模型的训练和验证过程进行如下说明：第1次，把第1份作为第一验证集，剩下2份作为训练集，利用除第1份外的剩余2份训练集训练第一预测模型；第2次，把第2份作为第一验证集，剩下2份作为第一训练集，利用除第2份外的剩余2份训练集再次训练第一预测模型；第3次，把第3份作为第一验证集，剩下2份作为第一训练集，利用除第3份外的剩余2份训练集再次训练第一预测模型，3次训练结束后，分别利用第1次、第2次和第3次的第一验证集验证第一预测模型，得到各次第一验证集对应的预测结果，3个第一验证集对应的预测结果的平均值用于表示第一预测模型的性能结果。

其中，在三个第一预测模型训练和验证后，对于各第一验证数据集的各数据，将三个第一预测模型关于各数据预测结果(预测的荷电状态)的平均值，作为训练和验证第二预测模型(XGboost模型)的一条数据，集合所有第一验证数据集对应的所有数据，得到第二预测模型(XGboost模型)的第二数据集，并利用和第一数据集所述的数据划分方式将第二数据集分为若干份第二训练数据集和若干份第二验证数据集，并采用和第一预测模型相同的训练和验证方式，先利用若干份第二训练数据集对第二预测模型进行训练，训练完成后，再利用若干份第二验证数据集对第二预测模型的性能进行验证，得到第二预测模型的性能结果。

其中，需要说明的是上述第一预测模型和第二预测模型在训练过程中可利用GridSearch方法优化各预测模型参数，得到各预测模型最优的模型参数，最终得到至少两个荷电状态区间的预测模型。以XGboost模型为例，可利用GridSearch方法优化的模型参数包括：数的数量、最大数的深度、学习率、树叶子节点分裂所需的最小损失减小量、最小叶子权重和、训练实例中子样本的比例、正则化权重项和正则化权重项等。

其中，XGBoost模型是一种由k个基模型组成的集成模型，假设第t次迭代要训练的树模型为f

其中，

XGBoost模型的损失函数L可由预测值

其中需要说明的是，XGBoost模型的预测精度由模型的偏差和方差共同决定，损失函数代表了模型的偏差，为了减小方差，避免过拟合，XGBoost模型中加入了正则项，所以，XGBoost模型的目标函数由损失函数和正则化项组成，目标函数表示如下：

其中，

进一步地，XGBoost模型是前向分步计算的，即后一步的计算结果由前一步的预测值加上此刻的预测值，由此目标函数可以写成：

其中，constant表示常数，上述中只有一个变量f

对XGBoost模型的目标函数进行一阶和二阶求导，同时去掉常数值，得到最终的目标函数如下：

其中，g

在一具体实施例中，如图8所示，图8为本申请提供的电池荷电状态预测方法另一实施例的流程示意图。本实施例中，以电池所在设备为车辆为例，先获取原始数据集(原始数据集可以是从车辆大数据云平台获取得到)，其中，原始数据集为包括若干参数(包括电池参数和设备参数)和若干参数对应的荷电状态数据；获取原始数据集后对该原始数据集进行预处理，具体地，将该原始数据集中的每条数据根据采集时间进行重新排序，去除各目标参数范围以外的数据，其中，电压的数据范围为3000mv-4500mv、电流为-300A-300A、温度为-50℃-60℃、车速为0km/h-300km/h，然后对范围内的数据进行分析，去除其中非数据类型的异常值或者NAN值，并将异常值或者NAN值的前一时间点的数据，或者前后时间点数据的平均值对应填充至异常值或者NAN值处；然后利用原始数据集对若干参数和荷电状态进行相关性分析和电池特性分析，以从若干参数中找出与电池荷电状态具有相关性的参数作为目标参数；在获取目标参数对应的数据后，对目标参数对应的原始数据进行滤波处理，得到对应的目标参数的数据集，将目标参数的数据集分为至少两个荷电状态区间，得到各荷电状态区间的子数据集，并利用各荷电状态区间的子数据集训练对应荷电状态区间的预测模型。

请参阅图9，图9是本申请提供的电池荷电状态预测装置一实施例的框架示意图。本实施例中，电池荷电状态预测装置90包括获取模块91、荷电状态区间确定模块92、模型选取模块93、预测模块94。获取模块91用于获取与电池关联的若干目标参数的当前参数数据；荷电状态区间确定模块92用于基于至少一个目标参数的当前参数数据，确定电池的当前荷电状态区间；模型选取模块93用于从多个预测模型中选出当前荷电状态区间对应的目标预测模型，多个预测模型至少对应两个不同的荷电状态区间；预测模块94用于利用目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态。

在一些实施例中，电池的数量为若干个，目标参数包括若干电池的电压，电压的当前参数数据包括若干电池的平均电压、最大电压和最小电压中的至少一者；荷电状态区间确定模块92基于至少一个目标参数的当前参数数据，确定电池的当前荷电状态区间，包括：利用电压的当前参数数据，确定电池的当前荷电状态区间。

在一些实施例中，获取模块91获取与电池关联的若干目标参数的当前参数数据，包括：分别获取与电池关联的各目标参数的原始参数数据；分别对各目标参数的原始参数数据进行滤波处理，得到各目标参数的的当前参数数据。

在一些实施例中，模型选取模块93选取的目标预测模型的数量至少为两个；预测模块94利用目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态，包括：分别利用各目标预测模型对当前参数数据进行处理，得到各目标预测模型对应的第一荷电状态；基于各第一荷电状态，得到电池的目标荷电状态。

在一些实施例中，预测模块94基于各第一荷电状态，得到电池的目标荷电状态，包括：将至少两个目标预测模型对应的第一荷电状态的平均值，作为电池的目标荷电状态。

在一些实施例中，模型选取模块93选取的目标预测模型包括若干第一预测模型和第二预测模型；其中，第二预测模型为梯度提升模型；和/或，预测模块94利用目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态，包括：利用若干第一预测模型对当前参数数据进行处理，得到电池的第二荷电状态，第二荷电状态根据各第一预测模型预测的荷电状态得到；利用第二预测模型对第二荷电状态进行处理，得到电池的目标荷电状态。

在一些实施例中，在模型选取模块93从多个预测模型中选出当前荷电状态区间对应的目标预测模型之前，还包括：分别利用若干验证数据集对各预测模型的性能进行验证，得到各预测模型的性能结果。

在一些实施例中，分别利用若干验证数据集对各预测模型的性能进行验证，得到各预测模型的性能结果，包括：对于各预测模型，从数据集中选取若干验证数据集；利用各验证数据集对预测模型进行验证，得到各验证数据集对应的预测结果；基于各验证数据集对应的预测结果，得到预测模型的性能结果。

在一些实施例中，目标参数包括电池的电流、温度、电压和电池所在设备的设备参数中的至少一者，设备参数包括车速；和/或，在获取模块91获取与电池关联的若干目标参数的当前参数数据之前，还包括：获取与电池关联的历史数据，历史数据包括若干电池相关参数对应的数据和电池的荷电状态数据，电池相关参数包括电池的电流、温度、电压和电池所在设备的设备参数中的至少一者，设备参数包括车速；基于相关性分析结果、和/或若干电池相关参数的特性分析结果，从若干电池相关参数中选出目标参数；相关性分析结果表示各电池相关参数与电池荷电状态的相关程度。

请参阅图10，图10是本申请提供的电子设备一实施例的结构示意图。该实施方式中，电子设备100包括处理器101和存储器102。

处理器101还可以称为CPU(Central Processing Unit，中央处理单元)。处理器101可能是一种集成电路芯片，具有信号的处理能力。处理器101还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器101也可以是任何常规的处理器101等。

电子设备100中的存储器102用于存储处理器101运行所需的程序指令。

处理器101用于执行程序指令以实现上述任一实施例及任意不冲突的组合所提供的方法。

请参阅图11，图11是本申请提供的计算机可读存储介质的结构示意图。本申请实施例的计算机可读存储介质110存储有程序指令111，该程序指令111被执行时实现上述任一实施例以及任意不冲突的组合所提供的方法。其中，该程序指令111可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质110中，以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质110包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

上述方案，先根据与电池关联的至少目标参数的当前参数数据，确定电池的当前荷电状态区间，然后从多个预测模型中选出当前荷电状态区间对应的目标预测模型(其中，多个预测模型至少对应两个不同的荷电状态区间)，并利用选取的目标预测模型对若干目标参数的当前参数数据进行处理，得到电池的目标荷电状态。相比于所有荷电状态区间都只利用一个模型进行预测的方式，本申请利用荷电状态区间对应的目标预测模型对若干目标参数的当前参数数据进行处理，得到的目标荷电状态的准确性更高。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。