一种模型优化方法、模型优化装置、服务器及存储介质制造方法及图纸

本申请公开了一种模型优化方法、模型优化装置、服务器及计算机可读存储介质。其中，该方法包括：获取第一电池数据，其中，所述第一电池数据为指定车辆的电池数据，且所述第一电池数据为所述指定车辆已搭载的SoC计算模型的输入；根据所述第一电池数据，构建训练数据集；根据所述训练数据集，对所述指定车辆已搭载的SoC计算模型进行训练，得到优化后的SoC计算模型；将所述优化后的SoC计算模型更新至所述指定车辆。通过本申请方案，可以提升车辆所搭载的SoC计算模型的精度。的SoC计算模型的精度。的SoC计算模型的精度。

【技术实现步骤摘要】
一种模型优化方法、模型优化装置、服务器及存储介质


[0001]本申请属于电池
，尤其涉及一种模型优化方法、模型优化装置、服务器及计算机可读存储介质。

技术介绍

[0002]在电动汽车中，电池的荷电状态(State of Charge，SoC)是非常重要的参数，代表着电池的剩余可用容量。该参数一般是由电池的管理系统(Battery Management System，BMS)计算得到，而无法通过仪器仪表直接测得。
[0003]当前，电池管理系统可通过神经网络模型计算得到电池的荷电状态，具体为：先采集相关的电池数据，再将该电池数据输入已训练的神经网络模型，该神经网络模型的输出即为计算所得的电池的荷电状态，其中，该神经网络模型基于离线的电池数据训练而得。由于该神经网络模型完全依赖离线的电池数据，忽略了车辆实际使用时数据的采样误差，使得该神经网络模型在车载使用时，难以与车辆电池的实际使用状态进行动态匹配，从而导致该神经网络模型的精度随着电池使用时间的增加而降低。

技术实现思路

[0004]本申请提供了一种模型优化方法、模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型优化方法，其特征在于，包括：获取第一电池数据，其中，所述第一电池数据为指定车辆的电池数据，且所述第一电池数据为所述指定车辆已搭载的SoC计算模型的输入；根据所述第一电池数据，构建训练数据集；根据所述训练数据集，对所述指定车辆已搭载的SoC计算模型进行训练，得到优化后的SoC计算模型；将所述优化后的SoC计算模型更新至所述指定车辆。2.如权利要求1所述的模型优化方法，其特征在于，所述根据所述第一电池数据，构建训练数据集，包括：根据指定时间段内所接收到的所述第一电池数据，构建所述训练数据集，其中，所述指定车辆在所述指定时间段内的电池吞吐量满足预设的吞吐量条件。3.如权利要求1所述的模型优化方法，其特征在于，所述根据所述第一电池数据，构建训练数据集，包括：确定与所述第一电池数据对应的SoC标签数据；根据所述第一电池数据及所述SoC标签数据，构建训练数据集。4.如权利要求3所述的模型优化方法，其特征在于，所述确定与所述第一电池数据对应的SoC标签数据，包括：对所述第一电池数据进行数据清洗，得到有效电池数据；在所述有效电池数据中，查找出所述指定车辆在指定状态下的目标电池数据；根据所述指定状态，确定各所述目标电池数据所分别对应的SoC标签数据。5.如权利要求4所述的模型优化方法，其特征在于，在所述根据所述指定状态，确定各所述目标电池数据所分别对应的SoC标签数据之后，所述模型优化方法还包括：针对每个所述目标电池数据，在所述有效电池数据中，确定与所述目标电池数据的接收时间间隔在预设时间间隔范围内的临近电池数据；根据所述目标电池数据所对应的So...

【专利技术属性】
技术研发人员：张云杰，郑小凯，吕迅捷，
申请(专利权)人：宁德时代上海智能科技有限公司，
类型：发明
国别省市：