[发明专利]电池充电控制方法、装置以及终端、存储介质

权利要求书

1.一种电池充电控制方法，包括：

获取电池充电历史参数以及对应的电池实际容量值，基于所述电池充电历史参数和所述电池实际容量值生成训练样本；

使用所述训练样本对构建的电池实际容量预测模型进行训练；

在对电池进行充电时，获取电池充电当前参数，使用训练好的电池实际容量预测模型并根据所述电池充电当前参数进行预测处理，获得电池实际容量预测值；

根据所述电池实际容量预测值确定电池容量变化速度，包括：

获取电池实际容量基准值，计算所述电池实际容量预测值与所述电池实际容量基准值的差值，基于所述差值计算所述电池容量变化速度；所述电池实际容量基准值包括：上一次充电后的电池实际容量值或与所述训练样本相对应的电池实际容量初始值；

使用预设的充电策略并根据所述电池容量变化速度控制充电输入电流；

其中，所述电池容量变化速度包括：电池容量下降速度；获取与所述训练样本相对应的电池实际容量初始值、电池实际容量最终值；根据所述电池实际容量初始值和所述电池实际容量最终值计算与所述训练样本相对应的电池实际容量平均下降速度，将所述电池实际容量平均下降速度作为所述电池容量下降速度阈值；基于所述参数采集时间间隔周期性地判断所述电池容量下降速度是否小于或等于所述电池容量下降速度阈值；如果是，则将所述充电输入电流设置为预设的最大充电电流；如果否，则将所述充电输入电流设置为预设的、与最小电池实际容量下降速度对应的电流；

所述电池实际容量预测模型包括：BP神经网络模型；所述BP神经网络模型包括输入层、隐含层和输出层；所述使用所述训练样本对构建的电池实际容量预测模型进行训练包括：

将所述BP神经网络模型的权值和阈值作为粒子，并进行初始化；

根据所述输出层在训练过程中输出的电池实际容量训练预测值和对应的电池实际容量真实值之差，设置适应度函数；

在训练过程中采用粒子群算法并根据所述适应度函数优化所述权值和阈值，获得训练好的电池实际容量预测模型；

所述输入层与所述输出层的激励函数都采用线性函数；所述隐含层的激励函数采用s型函数；

所述适应度函数为：

其中，为第i个训练样本的第j个BP神经网络模型的输出节点的电池实际容量训练预测值，y_j,i为第i个训练样本的第j个输出节点对应的电池实际容量真实值，n为所述BP神经网络模型的输出神经元数量；

所述电池充电历史参数和所述电池充电当前参数包括：单次充电时长、单次充电电量、充电电流、电池平均温度；所述输入层的神经元的数量为四个，四个神经元分别对应于所述单次充电时长、所述单次充电电量、所述充电电流以及所述电池平均温度；所述输出层的神经元的数量为一个，此神经元对应于所述电池实际容量预测值、所述电池实际容量训练预测值；所述隐含层的神经元的数量为其中，h为所述隐含层的神经元数量，m为所述输入层的神经元数量，n为所述输出层的神经元数量，k为1-10的调整常数。

2.如权利要求1所述的方法，所述使用训练好的电池实际容量预测模型并根据所述电池充电当前参数进行预测处理，获得电池实际容量预测值包括：

设置参数采集时间间隔；

基于所述参数采集时间间隔周期性地采集所述电池充电当前参数，并将所述电池充电当前参数输入所述电池实际容量预测模型，获取所述电池实际容量预测模型输出的所述电池实际容量预测值。

3.如权利要求2所述的方法，还包括：

在完成充电后，记录并存储与此次充电相对应的单次充电时长、单次充电电量、充电电流、电池平均温度。

4.如权利要求1至3任一项所述的方法，还包括：

基于接收到的充电请求信号判断充电模式；

如果充电模式为保护模式，则获取电池充电当前参数并使用预设的充电策略并根据所述电池容量变化速度控制充电输入电流；

如果充电模式为快充模式，则将所述充电输入电流设置为预设的最大充电电流。