电池充电时间预测模型的训练方法、装置和计算机设备

技术领域

本申请涉及汽车电池管理技术领域，特别是涉及一种电池充电时间预测模型的训练方法、装置、计算机设备和存储介质。

背景技术

随着新能源汽车行业的快速发展，电池作为新能源汽车的储能器件，电池的充电性能对于汽车来说是十分重要的，充电性能指标之一就是充电时间，对电池剩余充电时间进行准确地预测，可以让用户更好地安排自己的用车时间，能够提高用户的用车体验，因此精确计算车辆的充电时间是必不可少的技术环节。

现有技术中对于充电时间的预测往往是利用历史数据找寻时间特征规律，进行充电时间的预测，但是由于对历史数据的依赖性很强，并且车辆在充电时的情况复杂，容易受到环境和用户操作等影响，实时的充电数据与历史数据存在一定的差异，导致依据现有技术对于电池充电时间的预测结果并不贴合实际情况，导致准确度较低。

发明内容

基于此，有必要针对上述技术问题，提供一种电池充电时间预测模型的训练方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种电池充电时间预测模型的训练方法，所述方法包括：

获取电池充电样本数据；

根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；

获取电池充电时间的理论预测模型；

基于所述初步预测模型和理论预测模型得到目标预测模型。

在其中一个实施例中，所述电池充电样本数据包括充电过程中的电池电压、电池电流、电池SOC值、电池温度，所述获取电池充电样本数据之后包括：

将所述电池电流、电池SOC值和电池温度输入预先训练好的电压预测模型，获取预测电池电压；

基于所述预测电池电压和所述样本数据中的电池电压计算差值；

当所述差值高于预设阈值，则确定所述时刻的样本数据为异常数据，并将所述异常数据进行剔除处理。

在其中一个实施例中，所述电压预测模型用于提取所述电池电流、电池SOC值和电池温度的时间特征，并基于所述时间特征预测电池电压。

在其中一个实施例中，根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型包括：

将所述充电样本数据按照预设条件划分为不同电池SOC区间的训练样本数据；

根据所述不同电池SOC区间的训练样本数据对电池充电时间预测模型分别进行训练，得到不同电池SOC区间的电池充电时间的初步预测模型。

在其中一个实施例中，所述获取电池充电时间的理论预测模型包括：

获取车辆充电的目标SOC值；

获取车辆电池充电数据，所述电池充电数据包括电池电压、电池电流和电池SOC值；

依据所述目标SOC值和所述电池充电数据，确定理论预测模型。

在其中一个实施例中，所述基于所述初步预测模型和理论预测模型得到目标预测模型包括：

基于预设方法获取所述初步预测模型和理论预测模型对应的权重值；

基于所述权重值将所述所述初步预测模型和所述理论预测模型融合，得到目标预测模型。

在其中一个实施例中，所述基于所述初步预测模型和理论预测模型得到目标预测模型之后包括：

将待预测的电池充电数据输入所述目标预测模型，得到充电时间预测值；

依据预设的滑动窗口范围和步长对所述充电时间预测值进行滑窗求均值，获取电池剩余充电时间。

第二方面，本申请还提供了一种电池充电时间预测模型的训练装置，所述装置包括：

数据获取模块，用于获取电池充电样本数据；

训练模块，用于根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；

模型获取模块，用于获取电池充电时间的理论预测模型；

确定模块，用于基于所述初步预测模型和理论预测模型得到目标预测模型。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取电池充电样本数据；

根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；

获取电池充电时间的理论预测模型；

基于所述初步预测模型和理论预测模型得到目标预测模型。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取电池充电样本数据；

根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；

获取电池充电时间的理论预测模型；

基于所述初步预测模型和理论预测模型得到目标预测模型。

上述电池充电时间预测模型的训练方法、装置、计算机设备和存储介质，通过获取电池充电样本数据；根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；获取电池充电时间的理论预测模型；基于所述初步预测模型和理论预测模型得到目标预测模型。上述电池充电时间预测模型的训练方法，基于历史电池数据，训练得到初步预测模型，还获取了电池充电时间的理论预测模型，所述理论预测模型用于计算理论充电时间，并且不会受到历史数据变动影响，不存在历史数据的依赖性，因此，综合考量理论预测模型和初步预测模型，获取最终的目标预测模型，所述目标预测模型能够提高充电时间预测结果的的准确度。

附图说明

图1为一个实施例中电池充电时间预测模型的训练方法的应用环境图；

图2为本发明一个实施例的电池充电时间预测模型的训练方法的流程示意图；

图3为本发明一个实施例中的电压预测的神经网络模型示意图；

图4为本发明一个实施例中的获取预测电池电压的流程示意图；

图5为本发明一个实施例中的不同电池SOC区间的电池充电时间的初步预测模型的训练过程示意图；

图6为本发明一个实施例中的电池充电时间预测方法的实施流程示意图；

图7为本发明一个实施例中的电池充电时间预测模型的训练装置的结构框图；

图8为本发明一个实施例中的计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

电池作为新能源汽车最基础的储能器件，充电是电动汽车用户的日常需求，对电池剩余充电时间进行准确地预测，可以让用户更好地安排自己的用车时间，能够提高用户的用车体验。目前常用的剩余充电时间预测方法包括直接测量法，基于等效电池模型的预测方法，数据驱动的方法，但是上述方法均对历史数据的依赖性较强，泛化能力较弱，会导致电池充电时间的预测结果准确度较低。

本申请实施例提供的电池充电时间预测模型的训练方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取电池充电样本数据；根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；获取电池充电时间的理论预测模型；基于所述初步预测模型和理论预测模型得到目标预测模型。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种电池充电时间预测模型的训练方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

步骤S201，获取电池充电样本数据。

具体地，所述电池充电样本数据包含大量的历史电池充电数据，因为在模型训练时，训练集中的样本数据越多，最终训练得到的模型更加贴合实际，更加精确。

步骤S202，根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型。

具体地，所述电池充电样本数据是历史充电数据，也即是每个时刻真实的电池充电数据。所述初步预测模型是通过历史数据训练得到的。

可以理解的，所述电池充电样本数据可以是整体的充电样本数据，也可以是依据预设条件分类后的充电样本数据，所述电池充电样本数据的类型和范围，可以依据实际情况进行调整，在此不作一一列举。

步骤S203，获取电池充电时间的理论预测模型。

具体地，所述理论预测模型是以实际理论原理作为基础，进行充电时间计算的模型，模型不会受到历史数据的影响而变化。

具体地，所述理论预测模型可以依据电功的计算原理获取，也可以依据电量计算原理获取，在其他实施例中，还可以依据实际需求按照其他原理进行计算获取，在此不作一一列举。

示例性地，当依据电功的计算原理获取电池充电时间时，所述电功原理是W＝IUT，其中W是电功，I是电流，U是电压，T是时间，因此依据上述原理获取的理论预测模型为如下形式：

其中，T为电池充电时间，W

步骤S204，基于所述初步预测模型和理论预测模型得到目标预测模型。

具体地，所述目标预测模型是所需求的精确度高的电池充电时间预测模型；基于所述初步预测模型和理论预测模型得到目标预测模型是指：综合考量理论预测模型和初步预测模型，进而获取最终的目标预测模型。

上述电池充电时间预测模型的训练方法中，获取电池充电样本数据；根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；获取电池充电时间的理论预测模型；基于所述初步预测模型和理论预测模型得到目标预测模型。依据电池历史充电数据训练得到初步预测模型，通过电池理论原理获取理论预测模型，所述理论预测模型不会受到历史数据变动影响，不存在历史数据的依赖性，因此依据实际需求综合考量初步预测模型和理论预测模型，获取最终的目标预测模型，所述目标预测模型可以提高充电时间预测结果的准确度。

在一个实施例中，所述电池充电样本数据包括充电过程中的电池电压、电池电流、电池SOC值、电池温度。

具体地，所述电池充电样本数据是电池的充电历史数据，首先，电池数据类型是繁多的，并不是每个类型的数据都对电池充电时间的预测有影响，因此针对性的获取对电池充电时间预测有影响的电池充电样本数据，包括电池电压、电池电流、电池SOC值、电池温度；再次，可以理解的，仅依靠单一类型的电池数据很难全面获取电池数据的特征，基于单一类型的数据训练的电池充电时间预测模型的准确度是较低的，因此本实施例中，可以获取上述电池数据类型中的至少两种类型的数据，作为模型的训练样本数据，在其他实施例中，也可以依据实际情况可以选取其他类型的电池数据或多种电池数据。在此不做一一列举。

上述实施例，通过对电池数据的准确选取，针对性的获取了对电池充电时间预测影响较大的电池充电样本数据，通过这些电池数据对电池电池充电时间进行预测，能够提高电池充电时间预测的准确度。

在一个实施例中，所述获取电池充电样本数据之后包括：

将所述电池电流、电池SOC值和电池温度输入预先训练好的电压预测模型，获取预测电池电压；

基于所述预测电池电压和所述样本数据中的电池电压计算差值；

当所述差值高于预设阈值，则确定所述时刻的样本数据为异常数据，并将所述异常数据进行剔除处理。

具体地，因为电池电压相较于其他类型的电池充电样本数据来说电池电压数据值更加平稳，更加稳定，并且能反映出电池实时状况和外部特性，因此将电池电压作为剔除异常数据的标准。

具体地，所述预先训练好的电压预测模型是指基于电池历史数据进行训练，获取的电池电压的预测模型。示例性的，当进行电压预测时输入的数据是所述电池电流、电池SOC值和电池温度，那么与此对应，在进行电压预测模型训练时，训练集中的参考数据也是电池电流、电池SOC值和电池温度，在其他实施例中，可以依据实际情况确定参考数据，并且保证参考数据和预测数据的输入是一致的，在此不作一一列举。

其中，所述电压预测模型的类型，可以是神经网络模型，也可以是公式计算模型，在其他实施例中，可以依据真实情况的需求进行模型的选择，在此不做一一列举。

具体地，所述差值是指残差值，残差值是指观测值与理论值(拟合值)之间的差，即是实际值与模型计算值的差。在本实施例中，所述预测电池电压为模型计算值，所述样本数据中的电池电压是实际值。

可以理解的，因为电压预测模型是以历史数据为基础进行训练的，所以输出的模型计算值可以视为与历史数据规律最接近的标准值，因此当所述电压差值高于预设阈值，说明所述模型计算值和实际样本数据中的电压值差距较大，也即当前样本数据与标准值偏差较大，则可以确定当前时刻的样本数据为异常数据，并将所述异常数据进行剔除处理。

上述实施例，以电池电压为评判标准，将预测电压值和实际样本数据中的电压值进行比较，确定偏差较大的样本数据并进行剔除，提高了样本数据的可靠性和准确度。

在一个实施例中，参阅图3，所述图3是电压预测的神经网络模型示意图。

具体地，以Deep-LSTM(长短期记忆网络模型)作为电压预测模型，通过引入相应的“门”结构，获得了可以长期记忆历史重要数据的功能，LSTM单元的“门”结构是通过δ也就是Sigmoid激活函数和逐点乘法操作实现的，f

其中，细胞状态C

具体地，Deep-LSTM包括输入层、输出层和隐藏层，所述输入层的参数为温度、电池电流、电池SOC，所述输出层的参数为电池电压，每个隐藏层前一时刻的细胞状态和隐藏层输出经过前向计算和反向传播过程中内置梯度的计算，不断的更新所建模型的权重参数。

上述实施例，以Deep-LSTM(长短期记忆网络模型)作为基础，基于历史数据不断训练，获取了准确度较高的电压预测模型。

在一个实施例中，所述电压预测模型用于提取所述电池电流、电池SOC值和电池温度的时间特征，并基于所述时间特征预测电池电压，参阅图4，所述图4是获取预测电池电压的流程示意图。

具体地，将电池电流、电池SOC和电池温度的电池数据输入到Deep-LSTM网络中，通过多网络层之间的特征提取过程，能够提取出电池运行数据中的时间相关性，将在网络中提取到的电流、SOC、温度的时间特征分别标记为FC、FS、FT，将上述三个向量合并在一起，生成特征矩阵F，在Deep-LSTM网络的顶部设置一个全连接的回归层，根据提取到的时间特征信息来预测电池电压。

上述实施例，以Deep-LSTM网络模型作为预测电压模型，提取所述电池电流、电池SOC值和电池温度的时间特征，能够计算获取较为准确的预测电压值。

在一实施例中，根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型包括：

将所述充电样本数据按照预设条件划分为不同电池SOC区间的训练样本数据；

根据所述不同电池SOC区间的训练样本数据对电池充电时间预测模型分别进行训练，得到不同电池SOC区间的电池充电时间的初步预测模型。

具体地，将所述充电样本数据按照预设条件划分为不同电池SOC区间的训练样本数据是指将所述充电样本数据按照起始电池SOC值和目标电池SOC值分成n个区间的数据，示例性的，本实例中以30、60、90为界限划分，对应的电池SOC区间为[0-100]、[30-100]、[30-90]、[60-90]等，示例性的，[0-100]是指起始电池SOC值为0，目标电池SOC值为100，其他区间同理。在其他实施例中，也可以依据实际情况按照其他的标准进行进行区间划分，在此不作一一列举。

具体地，所述不同电池SOC区间的电池充电时间的初步预测模型的训练过程，参阅图5所示，步骤如下：

步骤一，将每个SOC区间的训练样本数据输入机器学习模型。

其中，所述训练样本数据包括充电过程中的电池电压、电池电流、电池SOC值、电池温度。

具体地，所述机器学习模型可以采用Random forest、XGBoost、LightGBM、LinearRegression等，可以依据实际情况进行选取，在此不作一一列举。

步骤二，采用k折交叉验证的方式，对模型进行k次训练与测试。

其中，所述k折交叉验证是指将数据分为k份，其中的k-1份数据作为训练集，剩余的那一份作为测试集，进行模型的训练。

步骤三，获取每个SOC区间对应的最佳的模型，作为电池充电时间的初步预测模型。

其中，最佳模型使用均方误差MSE和平均绝对误差MAE作为模型性能的评价指标，公式(2)和公式(3)如下：

示例性的，使用GridSearch网格搜索的方式，对当前SOC区间的各个模型的参数进行调整，将参数调整好的模型用数据集之外的电池充电数据进行检验，将MES和MAE误差最小的模型作为最佳机器学习模型，输出与当前SOC区间对应的最佳机器学习模型，以此类推，n个SOC区间均可获取对应的n个最佳机器学习模型。

上述实施例，将电池样本数据依据不同的SOC区间进行划分，基于不同的SOC区间的电池数据训练获取了对应的电池充电时间的初步预测模型，能够获取对应SOC区间下准确度较高的模型，进而提高了电池充电时间预测的准确度。

在一个实施例中，所述获取电池充电时间的理论预测模型包括：

获取车辆充电的目标SOC值；

获取车辆电池充电数据，所述电池充电数据包括电池电压、电池电流和电池SOC值；

依据所述目标SOC值和所述电池充电数据，确定理论预测模型。

具体地，所述目标SOC值是指所需求充电到达的电池SOC值；所述电池充电数据是指所要预测时刻的实时电池充电数据；所述理论预测模型可以依据电功的计算原理获取，也可以依据电量计算原理获取，在其他实施例中，还可以依据实际需求按照其他原理进行计算获取，在此不作一一列举。

示例性地，当依据电功的计算原理获取电池充电时间时，所述电功原理是W＝IUT，其中W是电功，I是电流，U是电压，T是时间，因此依据上述原理获取的理论预测模型如下：

其中，需求能量是指电池从初始SOC值为0充电到目标电池SOC值时需要的电功，当前能量是指电池从初始SOC值为0充电到所要预测时刻电池SOC值时所耗的电功，电压是指所要预测时刻电池电压，电流是指所要预测时刻电池电流。

上述实施例，通过电池理论原理获取理论预测模型，所述理论预测模型不会受到历史数据变动影响，不存在历史数据的依赖性，可以获得当前预测时刻下较为精准的理论充电时间。

在另一个实施例中，所述基于所述初步预测模型和理论预测模型得到目标预测模型包括：

基于预设方法获取所述初步预测模型和理论预测模型对应的权重值；

基于所述权重值将所述所述初步预测模型和所述理论预测模型融合，得到目标预测模型。

具体地，所述预设方法是指将所述初步预测模型和理论预测模型相加，利用真实的电池充电数据不断验证，依据实际需求不断调整初步预测模型和理论预测模型分别对应的权重值，并且以MAE和MSE误差最小时所对应的最佳权重值，作为模型的权重值。

其中，MSE公式(2)和MAE公式(3)如下：

具体地，基于所述权重值将所述所述初步预测模型和所述理论预测模型融合，得到的目标预测模型如下：

目标预测模型＝α初步预测模型+β理论预测模型

其中，所述α是初步预测模型的最佳权重值，β是理论预测模型的最佳权重值。

示例性的，因为不同的SOC区间对应不同的初步预测模型，当所述充电时间预测时刻的SOC值和目标SOC值均在A区间时，则选取A区间对应的初步预测模型a；当所述充电时间预测时刻的SOC值在B区间时，但是所述目标SOC值在C区间时，选取充电时间预测时刻的区间对应的模型作为初步预测模型，也即选取B区间对应的模型b为初步预测模型。

上述实施例，依据实际需求将初步预测模型和理论预测模型加权求和得到的目标预测模型，目标预测模型是融合模型，可以兼顾历史数据和实时数据的影响，更加贴合实际情况，提高了预测充电时间的准确度。

在一个实施例中，所述基于所述初步预测模型和理论预测模型得到目标预测模型之后包括：

将待预测的电池充电数据输入所述目标预测模型，得到充电时间预测值；

依据预设的滑动窗口范围和步长对所述充电时间预测值进行滑窗求均值，获取电池剩余充电时间。

具体地，利用融合模型获取充电时间的预测值后，为了减小随机误差和实时数据的波动对充电时间预测值的影响，将充电时间预测结果进行滑窗求均值的操作，设置固定的滑动窗口大小和步长，将经过滑窗操作后的结果输出，作为最终的电池剩余充电时间。

具体地，所述滑窗求均值是指滑动窗口是一种基于双指针的处理窗口，两个指针指向的元素之间形成一个窗口。

上述实施例，在获取充电时间预测值之后利用滑动窗口获取平滑的数据，也即一段连续时间的数据平均值，最终能够输出稳定性较高，较为准确的电池充电时间结果。

在一个实施例中，参阅图6，图6为本发明一个实施例中的电池充电时间预测方法的实施流程示意图。

步骤一，从云平台获取目标车辆历史充电阶段数据。

其中，所述云平台可以是车辆管理系统，也可以是车辆云端服务器；所述目标车辆是需要进行充电时间预测的车辆。

步骤二，用预设剔除模型剔除异常数据，输出数据集。

其中，预设剔除模型是经过提前训练得到的。

步骤三，按照不同的SOC区间分别将数据集分成训练集和测试集。

其中，所述训练集数据用于模型训练，所述测试集数据用于模型检测。

步骤四，对不同SOC区间分别训练机器学习模型，输出初步预测模型。

其中，每个SOC区间均有对应的初步预测模型。

步骤五，获取理论预测模型。

其中，所述理论预测模型是依据电功原理训练得到的。

步骤六，将初步预测模型和理论预测加权融合，输出融合模型。

其中，所述权重值可以依据实际情况进行确定。

步骤七，采集实时充电数据输入对应的融合模型，输出充电时间初步预测结果。

步骤八，对初步预测结果进行滑窗求均值减小误差，输出最终预测结果。

其中，所述滑窗求均值是指设置固定的滑动窗口大小和步长，将经过滑窗操作后的结果输出，作为最终预测结果。所述滑窗求均值是指滑动窗口是一种基于双指针的处理窗口，两个指针指向的元素之间形成一个窗口。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电池充电时间预测模型的训练方法的电池充电时间预测模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电池充电时间预测模型的训练装置，实施例中的具体限定可以参见上文中对于电池充电时间预测模型的训练方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种电池充电时间预测模型的训练装置，包括：数据获取模块710、训练模块720、模型获取模块730和确定模块740，其中：

数据获取模块710，用于获取电池充电样本数据；

训练模块720，用于根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；

训练模块720，还用于将所述充电样本数据按照预设条件划分为不同电池SOC区间的训练样本数据；根据所述不同电池SOC区间的训练样本数据对电池充电时间预测模型分别进行训练，得到不同电池SOC区间的电池充电时间的初步预测模型。

模型获取模块730，用于获取电池充电时间的理论预测模型；

模型获取模块730，还用于获取车辆充电的目标SOC值；获取车辆电池充电数据，所述电池充电数据包括电池电压、电池电流和电池SOC值；依据所述目标SOC值和所述电池充电数据，确定理论预测模型。

确定模块740，用于基于所述初步预测模型和理论预测模型得到目标预测模型。

确定模块740，还用于基于预设方法获取所述初步预测模型和理论预测模型对应的权重值；基于所述权重值将所述所述初步预测模型和所述理论模型预测融合，得到目标预测模型。

电池充电时间预测模型，还包括：剔除模块和预测模块。

剔除模块，用于将所述电池电流、电池SOC值和电池温度输入预先训练好的电压预测模型，获取预测电池电压；基于所述预测电池电压和所述样本数据中的电池电压计算差值；当所述差值高于预设阈值，则确定所述时刻的样本数据为异常数据，并将所述异常数据进行剔除处理。

预测模块，用于将待预测的电池充电数据输入所述目标预测模型，得到充电时间预测值；依据预设的滑动窗口范围和步长对所述充电时间预测值进行滑窗求均值，获取电池剩余充电时间。

上述电池充电时间预测模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电池充电时间预测模型的训练装置。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取电池充电样本数据；

根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；

获取电池充电时间的理论预测模型；

基于所述初步预测模型和理论预测模型得到目标预测模型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取电池充电样本数据；

根据所述电池充电样本数据对电池充电时间预测模型进行训练，得到初步预测模型；

获取电池充电时间的理论预测模型；

基于所述初步预测模型和理论预测模型得到目标预测模型。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。