动力电池的管理方法、装置和系统与流程

本发明涉及电池管理技术领域，尤其涉及一种动力电池的管理方法、装置和系统。

背景技术：

动力电池为工具提供动力来源的电源，多指为电动汽车、电动列车、电动自行车、高尔夫球车提供动力的蓄电池，制定有效的电池管理方案对于电池的使用性能、安全性以及降低电池故障率等来说都相当重要。

目前的电池管理方案中，根据实验室数据生成电池充放电策略，然后将该充放电策略固化在内部嵌入式软硬件系统中，对电池进行管理和保护，其中，电池的数据保存在内置的sd卡中。

然而，电池组一旦离开电池组装厂，就无法提供远程管理，一旦故障，需要动力电池供应商到现场获取电池数据，并进行故障分析，运营维护成本高；同时，预制定的电池充放电策略无法将电池在不同环境下的充放电效率做到最优，降低了电池的有效利用率。

技术实现要素：

为解决现有技术中存在的问题，本发明提供一种动力电池的管理方法、装置和系统，以对动力电池进行远程管理，同时实时调整动力电池的充放电策略，提升了动力电池的使用安全性，并且提高了动力电池的有效利用率。

第一方面，本发明实施例提供一种动力电池的管理方法，包括：

获取所述动力电池的充放电数据和所处环境的环境数据；

根据所述充放电数据和所述环境数据，采用预先得到的有效充放电模型，获取所述动力电池的充放电策略，所述充放电策略包括充电策略和放电策略，所述充放电模型为根据机器学习算法采用多个充放电数据优化得到的；

将所述放电策略发送给所述动力电池，并将充电策略发送给所述动力电池对应的充电柜。

可选的，所述充放电数据包括充电数据和放电数据，所述根据所述充放电数据和所述环境数据，采用预先得到的有效充放电模型，获取所述动力电池的充放电策略，包括：

若所述充放电数据为有效数据，根据所述充电数据和有效充电模型，获取所述动力电池的充电策略；

根据所述放电数据和有效放电模型，获取所述动力电池的放电策略；

其中，所述有效充放电模型包括所述有效充电模型和所述有效放电模型。

可选的，所述方法还包括：

根据第一条件，确定所述充放电数据和/或所述环境数据是否为无效数据，所述第一条件为预设的确定数据无效的条件；

若所述充放电数据和所述环境数据均不是无效数据，则根据第二条件，确定所述充放电数据是为有效数据或失效数据，所述第二条件包括预设的确定数据有效的条件和数据失效的条件。

可选的，所述方法还包括：

若所述充放电数据为失效数据，采用预先得到的失效充放电模型，预测所述动力电池在充放电过程中发生故障的概率；

若所述动力电池在充电过程中发生故障的概率大于预设第一概率，将携带有停止充电的指令发送给所述充电柜；

若所述动力电池在放电过程中发生故障的概率大于预设第二概率，将携带有停止放电发送给所述动力电池。

可选的，所述方法还包括：

获取有效充电初始模型；

获取有效充电数据集合；

根据机器学习算法，采用所述有效充电数据集合，优化所述有效充电初始模型，获取所述有效充电模型。

可选的，所述方法还包括：

获取有效放电初始模型；

获取有效放电数据集合；

根据机器学习算法，采用所述有效放电数据集合，优化所述有效放电初始模型，获取所述有效放电模型。

可选的，所述方法还包括：

获取失效充电初始模型；

获取失效充电数据集合；

根据机器学习算法，采用所述失效充电数据集合，优化所述失效充电初始模型，获取所述失效充电模型。

可选的，所述方法还包括：

获取失效放电初始模型；

获取失效放电数据集合；

根据机器学习算法，采用所述失效放电数据集合，优化所述失效放电初始模型，获取所述失效放电模型。

第二方面，本发明实施例提供一种动力电池管理装置，包括：

获取模块，用于获取所述动力电池的充放电数据和所处环境的环境数据；

根据所述充放电数据和所述环境数据，采用预先得到的有效充放电模型，获取所述动力电池的充放电策略，所述充放电策略包括充电策略和放电策略，所述充放电模型为根据机器学习算法采用多个充放电数据优化得到的；

发送模块，用于将所述放电策略发送给所述动力电池，并将充电策略发送给所述动力电池对应的充电柜。

可选的，所述获取模块，还用于：

若所述充放电数据为有效数据，根据所述充电数据和有效充电模型，获取所述动力电池的充电策略；

根据所述放电数据和有效放电模型，获取所述动力电池的放电策略；

其中，所述有效充放电模型包括所述有效充电模型和所述有效放电模型。

可选的，所述装置还包括：

确定模块，用于根据第一条件，确定所述充放电数据和/或所述环境数据是否为无效数据，所述第一条件为预设的确定数据无效的条件；

若所述充放电数据和所述环境数据均不是无效数据，则根据第二条件，确定所述充放电数据是为有效数据或失效数据，所述第二条件包括预设的确定数据有效的条件和数据失效的条件。

可选的，所述装置还包括：

处理模块，用于若所述充放电数据为失效数据，采用预先得到的失效充放电模型，预测所述动力电池在充放电过程中发生故障的概率；

所述发送模块，还用于若所述动力电池在充电过程中发生故障的概率大于预设第一概率，将携带有停止充电的指令发送给所述充电柜；

若所述动力电池在放电过程中发生故障的概率大于预设第二概率，将携带有停止放电发送给所述动力电池。

可选的，所述获取模块，还用于：

获取有效充电初始模型；

获取有效充电数据集合；

所述处理模块，还用于根据机器学习算法，采用所述有效充电数据集合，优化所述有效充电初始模型，获取所述有效充电模型。

可选的，所述获取模块，还用于：

获取有效放电初始模型；

获取有效放电数据集合；

所述处理模块，还用于根据机器学习算法，采用所述有效放电数据集合，优化所述有效放电初始模型，获取所述有效放电模型。

可选的，所述获取模块，还用于：

获取失效充电初始模型；

获取失效充电数据集合；

所述处理模块，还用于根据机器学习算法，采用所述失效充电数据集合，优化所述失效充电初始模型，获取所述失效充电模型。

可选的，所述获取模块，还用于：

获取失效放电初始模型；

获取失效放电数据集合；

所述处理模块，还用于根据机器学习算法，采用所述失效放电数据集合，优化所述失效放电初始模型，获取所述失效放电模型。

第三方面，本发明实施例提供一种动力电池管理系统，包括：

动力电池、动力电池充电柜，以及实现第一方面所述方法的动力电池管理设备。

第四方面，本发明实施例提供一种动力电池管理设备，包括：

处理器、存储器、发送器、接收器以及计算机程序；

其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行第一方面所述的方法的指令。

第五方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得动力电池管理设备执行第一方面所述的方法。

本发明实施例提供的动力电池的管理方法、装置和系统，该方法包括：获取动力电池的充放电数据和所处环境的环境数据，根据充放电数据和环境数据，采用预先得到的有效充放电模型，获取动力电池的充放电策略，充放电策略包括充电策略和放电策略，充放电模型为根据机器学习算法采用多个充放电数据优化得到的，然后将放电策略发送给动力电池，并将充电策略发送给动力电池对应的充电柜。这样，能够对动力电池进行远程管理，实时调整动力电池的充放电策略，提升了动力电池的使用安全性，同时提高了动力电池的有效利用率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的动力电池的管理系统的示意图；

图2为本发明实施例提供的动力电池的管理方法的流程示意图一；

图3为本发明实施例提供的动力电池的管理方法的流程示意图二；

图4为本发明实施例提供的动力电池的管理方法的流程示意图三；

图5为本发明实施例提供的动力电池的管理方法的流程示意图四；

图6为本发明实施例提供的动力电池的管理装置的结构示意图一；

图7为本发明实施例提供的动力电池的管理装置的结构示意图二；

图8为本发明实施例提供的动力电池管理设备的硬件结构示意图。

具体实施方式

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。

本发明实施例提供的动力电池的管理方法可以应用于动力电池充放电的应用场景中，如电动车充放电中，以下描述中的电池即为动力电池。现有电池管理方案中，根据实验室数据生成电池充放电策略，然后将该充放电策略固化在内部嵌入式软硬件系统中，对电池进行管理和保护，其中，电池的数据保存在内置的sd卡中。然而，电池组一旦离开电池组装厂，就无法提供远程管理，一旦故障，需要动力电池供应商到现场获取电池数据，并进行故障分析，运营维护成本高；同时，预制定的电池充放电策略无法将电池在不同环境下的充放电效率做到最优，降低了电池的有效利用率。

本发明实施例考虑到上述问题，提出一种动力电池方法、装置、系统，该方法包括：获取动力电池的充放电数据和所处环境的环境数据，根据充放电数据和环境数据，采用预先得到的有效充放电模型，获取动力电池的充放电策略，充放电策略包括充电策略和放电策略，充放电模型为根据机器学习算法采用多个充放电数据优化得到的，然后将充电策略发送给动力电池，并将放电策略发送给动力电池对应的充电柜。这样，能够对动力电池进行远程管理，同时实时调整动力电池的充放电策略，提高了动力电池的有效利用率。

下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1为本发明实施例提供的动力电池管理系统的示意图，如图1所示，该动力电池管理系统包括动力电池10、动力电池充电柜20，以及动力电池管理设备30，其中：

动力电池10是工具提供动力来源的电源，多指为电动汽车、电动列车、电动自行车、高尔夫球车提供动力的蓄电池(放电)。

动力电池10内置电池管理(batterymanagementsystem，bms)模块11、全球定位系统(globalpositioningsystem，gps)模块12、温度测量模块13、通信模块14，其中，电池管理模块11，用于采集动力电池10的放电数据，gps模块12用于采集动力电池所处环境的海拔、位置等，温度测量模块13用于采集动力电池所处环境的环境温度，通信模块14用于将采集到的放电数据和环境数据发送给动力电池管理设备30，环境数据包括动力电池所处环境的海拔、位置以及温度等。

动力电池充电柜20用于给动力电池10提供电量(充电)，包括通信模块21和充电策略控制系统22。

当动力电池10充电时，动力电池充电柜20和动力电池10可以通过物理连接，动力电池10的bms模块11采集动力电池10的充电数据，gps模块12用于采集动力电池所处环境的海拔、位置等，温度测量模块13用于采集动力电池所处环境的环境温度，然后通过充电柜20的通信模块21将充电数据和环境数据发送给动力电池管理设备30，充电策略控制系统22。

充电策略控制系统22用于根据动力电池管理设备30发送给的有效充电策略控制充电，同时根据失效充电策略对于高概率发生故障的动力电池停止充电。

通信模块14和通信模块21可以包括4g模块、wifi模块、以太网ethernet模块。

动力电池管理设备30包括电池组数据存储中心31、有效充放电策略机器学习中心32、失效充放电策略机器学习中心33、数据清洗分类服务34、故障预判中心35、充放电策略存储和分发中心36、电池接入服务器37、电池柜接入服务器38，其中：

电池组数据存储中心31用于存储充电数据、放电数据。

有效充放电策略机器学习中心32，用于学习并生成新的有效充放电策略。

失效充放电策略机器学习中心33，用于学习并生成新的失效充放电策略。

数据清洗分类服务34，用于根据第一条件，选取无效数据并将无效数据过滤，第一条件为预设的确定数据无效的条件。

故障预判中心35，用于确定失效数据，并根据失效数据，预判动力电池发生故障的概率，若预判得到的概率大于预设概率，则通过电池接入服务器37发送携带有停止放电的指令，通过电池柜接入服务器38发送携带有停止充电的指令。

充放电策略存储和分发中心36，用于存储充放电策略和失效充放电策略，并将充电策略其发送给动力电池充电柜11，将放电策略发送给动力电池10，将失效充放电策略发送给故障预判中心35。

电池接入服务器37采用第一验证接入方式和动力电池10建立通信连接，电池柜接入服务器38采用第二验证接入方式和动力电池充电柜11建立通信连接。这样，当动力电池10或充电柜20发送数据时，采用验证的方式，避免非法电池数据接入，影响充放电策略模型的生成。

非法数据可以为非正常电动电池的充放电数据，例如：对原装电动电池私自修改过工作参数等。

第一验证方式可以为动力电池10给电池接入服务器36发送一个接入请求，该接入请求携带有该动力电池10的唯一标识，例如：序列号，电池接入服务器36通过查询本地存储的非正常电动电池的标识确定该动力电池是否为非正常电池，若是，则拒绝该电池接入，若不是，则接入。

第二验证方式可以发送携带充电数据的接入请求，电池柜接入服务器37判断该充电数据是否数据非法数据，若是，则拒绝该电池接入，若不是，则接入，可选的，第二验证方式也可以和第一验证方式一致，本方案对于第一验证方式和第二验证方式的具体实现不做限制。

需要说明的是，动力电池管理设备30可以通过软件和/或硬件实现。

本实施例提供的动力电池系统，包括：动力电池、动力电池充电柜，以及动力电池管理设备，动力电池将放电数据和环境数据发送给动力电池管理设备，充电柜将充电数据和环境数据发送给动力电池管理设备，动力电池管理设备根据充放电数据和环境数据，采用预先得到的有效充放电模型，获取动力电池的充放电策略，充放电策略包括充电策略和放电策略，充放电模型为根据机器学习算法采用多个充放电数据优化得到的，然后将充电策略发送给动力电池，并将放电策略发送给动力电池对应的充电柜。这样，能够对动力电池进行远程管理，同时实时调整动力电池的充放电策略，提高了动力电池的有效利用率。

图2为本发明实施例提供的动力电池的管理方法的流程示意图一，本发明实施例提供了一种动力电池的管理方法，该方法可以由任意执行动力电池的管理方法的装置来执行，该装置可以通过软件和/或硬件实现。本实施例中，该装置可以集成在动力电池管理设备中。如图2所示，本发明实施例提供的动力电池的管理方法包括如下步骤：

s101、获取动力电池的充放电数据和所处环境的环境数据。

充放电数据包括充电数据和放电数据。

充电数据包括充电频率、已充电次数、充电最高电压、充电最低电压、当前电量等，还可以包括充电时电池的温度。相应的，放电数据包括放电频率、已放电次数、放电最高电压、放电最低电压、当前电量等，还可以包括放电时电池的温度。

动力电池充放电时所处环境的环境数据包括环境温度和海拔等环境参数。

本步骤中的充电数据和其对应的环境数据可以通过动力电池的bms模块101、gps模块102、温度测量模块103采集获得。

相应的，放电数据和其对应的环境数据可以通过动力电池的bms模块101、gps模块102、温度测量模块103采集获得，并通过充电柜的通信模块110发送给动力电池管理设备12的电池接入服务器126。

s102、根据充放电数据和环境数据，采用预先得到的有效充放电模型，获取动力电池的充放电策略。

充放电策略包括充电策略和放电策略，充放电模型为根据机器学习算法采用多个充放电数据优化得到的，充放电模型可以由有效充放电策略学习中心32的生成。

可选的，若获得的充放电数据为有效数据，根据充电数据和有效充电模型，获取动力电池的充电策略，根据放电数据和有效放电模型，获取动力电池的放电策略，具体地，将充电数据输入至有效充电模型中，获取动力电池的充电策略，将放电数据输入至有效放电模型中，获取动力电池的放电策略。

可选的，当动力电池在充满电、开始充电时都会发送当前充放电数据，电池管理设备还可以记录每个充放电数据的时间，根据机器学习算法，优化得到有效充放电模型。

其中，有效数据可以为充放电数据中剔除一些超过充放电数据的正常范围的数据。

本步骤的执行主体可以为动力电池管理设备12的充放电策略存储和分发中心36。

s103、将放电策略发送给动力电池，并将充电策略发送给动力电池对应的充电柜。

动力电池接收动力电池管理设备发送的放电策略后，根据该放电策略中的规则可完成放电；充电柜接收动力电池管理设备发送的充电策略后，根据该充电策略中的规则可完成充电。

在一种可能的实现方式中，也可以将充电策略发送给动力电池，此时动力电池不使用充电柜充电，例如：在动力电池可以实现太阳能充电时，可以直接将充电策略发送给动力电池。

在一种可能的实现方式中，还可以将放电策略发送给充电柜，充电柜再将放电策略转发给动力电池，例如：在动力电池和充电柜物理连接，马上充满电时，可以将放电策略发送给充电柜，由充电柜转发给动力电池。

可选的，有效充电模型的输出可以为预设时长后的电量值、充电电压、充电电流，则该充电策略包括预设时长的电量值、充电电压、充电电流，充电柜可以根据预设时长的电量值、充电电压、充电电流有效完成预设时长的充电。

可选的，有效放电模型的输出可以为预设剩余电量值下的最大电流阈值和最小电压阈值，则该放电策略包括预设剩余电量值下的最大电流阈值和最小电压阈值，动力电池可以根据预设剩余电量值下的最大电流阈值和最小电压阈值有效完成预设时长的放电，使得预设时长后预设剩余电量值下的最大电流不超过最大电流阈值，最小电压不超过最小电压阈值。

本步骤的执行主体可以为动力电池管理设备12的充放电策略存储和分发中心36。

本实施例提供的动力电池方法，通过获取动力电池的充放电数据和所处环境的环境数据，根据充放电数据和环境数据，采用预先得到的有效充放电模型，获取动力电池的充放电策略，充放电策略包括充电策略和放电策略，充放电模型为根据机器学习算法采用多个充放电数据优化得到的，然后将放电策略发送给动力电池，并将充电策略发送给动力电池对应的充电柜。这样，能够对动力电池进行远程管理，实时调整动力电池的充放电策略，提升了动力电池的使用安全性，同时提高了动力电池的有效利用率。

图3为本发明实施例提供的动力电池的管理方法的流程示意图二，如图3所示，该方法还包括：

s201、根据第一条件，确定充放电数据和/或环境数据是否为无效数据。

第一条件为预设的确定数据无效的条件。

可选的，第一条件可以为环境温度超过预设环境温度阈值，海拔超过预设海拔阈值，例如：环境数据中的环境温度高于100℃，海拔高于9000米，由于该环境温度和海拔高度超过均超过对应的阈值，因此认为这次获取环境数据为无效数据，则环境数据对应的充放电数据也为无效数据，则无法使用本方案的有效充放电模型，也就不会获取到充放电策略，本方案对预设环境温度阈值和预设海拔阈值不做特别限制。

可选的，第一条件还可以为电池温度超过预设电池温度阈值，例如：电池温度超过1000℃，超过预设电池温度阈值，则认为充放电数据也为无效数据，本方案对预设电池温度阈值不做特别限制。

本步骤执行主体可以为数据清洗分类服务34。

s202、若充放电数据和环境数据均不是无效数据，则根据第二条件，确定充放电数据是为有效数据或失效数据。

第二条件包括预设的确定数据有效的条件和数据失效的条件。

可选的，若充电数据的变化趋势满足预设第一趋势，且放电数据的变化趋势满足预设第二变化趋势，则该充放电数据为有效数据，不属于有效数据的则为失效数据。

可选的，动力电池在充放电过程中，每隔预设时长将充放电数据发送给电池管理设备，还可以在充满电、开始充电时将充放电数据发送给电池管理设备，该充放电数据可以携带有该动力电池的标识，如：序列号。

电池管理设备可以存储该动力电池的所有充放电数据，当获取到本次发送的充电数据和放电数据后，可以根据动力电池的标识查找到该动力电池对应的所有充电数据和放电数据的，然后根据预先存储的多个充电数据和本次充数据，获取充电数据的变化趋势，若满足第一趋势，则本次获取的充放电数据为有效数据，否则，为失效数据。

可选的，第一趋势和第二趋势可以为上限框、下限框的形式，若在上下限框内，则为有效数据；若超过上下限框，则为失效数据。

本步骤的执行主体可以为故障预判中心35。

本发明实施例提供的动力电池的管理方法，根据第一条件，确定充放电数据和/或环境数据是否为无效数据，若充放电数据和环境数据均不是无效数据，则根据第二条件，确定充放电数据是为有效数据或失效数据。能够筛选出有效数据，避免引入失效数据，影响有效充放电模型的生成。

图4为本发明实施例提供的动力电池的管理方法的流程示意图三，本实施例的执行主体可以为故障预判中心35，如图4所示，所述方法还包括：

s301、若充放电数据为失效数据，采用预先得到的失效充放电模型，预测动力电池在充放电过程中发生故障的概率。

其中，失效充放电模型包括失效充电模型和失效放电模型，为根据机器学习算法采用多个失效充放电数据优化得到的。

具体地，若充电数据为失效数据，根据充电数据和失效充电模型，预测动力电池在充电过程中发生故障的概率；若放电数据为失效数据，根据放电数据和失效放电模型，预测动力电池在放电过程中发生故障的概率。

s302、若动力电池在充电过程中发生故障的概率大于预设第一概率，将携带有停止充电的指令发送给充电柜。

s303、若动力电池在放电过程中发生故障的概率大于预设第二概率，将携带有停止放电发送给动力电池。

若充电时的故障概率大于预设第一概率，将携带有停止充电的指令发送给充电柜，以使充电柜停止给该动力电池充电。

若放电时的故障概率大于预设第二概率，将携带有停止放电发送给动力电池，关闭该动力电池的使用。

本实施例提供的动力电池的管理方法，若充放电数据为失效数据，采用预先得到的失效充放电模型，预测动力电池在充放电过程中发生故障的概率，若动力电池在充电过程中发生故障的概率大于预设第一概率，将携带有停止充电的指令发送给充电柜，若动力电池在放电过程中发生故障的概率大于预设第二概率，将携带有停止放电发送给动力电池。能够对动力电池的故障进行预测，提升了动力电池的使用安全性。

图5为本发明实施例提供的动力电池的管理方法的流程示意图四，本实施的执行主体可以为有效充放电策,机器学习中心32，如图5所示，所述方法还包括：

s401、获取有效充电初始模型。

有效充放电初始模型为根据实验室数据得到的，实验室数据为在实验室对动力电池的充放电性能进行测试得到的充放电数据。现有的有效充电初始模型都是固有的，并不能根据实时采集的动力电池的充放电数据进行更新优化，本方案旨在采用实时采集的充放电数据，根据机器学习算法，优化该有效充放电初始模型。下面的方案中详细说明如何获取有效充放电模型。

s402、获取有效充电数据集合。

预先获取多个动力电池的多个有效充电数据，按照充电频率、充电电池温度、充电电池最高电压、充电电池最低电压等维度划分多个有效充电数据，那么每个维度包括多个数据，得到有效充电数据集合，故有效充电集合包括多个维度的多个数据。

有效充电数据集合包括预设数量的有效充电数据。

可选的，任一维度的数据的数量等于预设数量；或者，预设时长内，有效充电数据集合中的数据的数量比例大于预设比例。

s403、根据机器学习算法，采用有效充电数据集合，优化有效充电初始模型，获取有效充电模型。

可选的，根据机器学习算法，采用有效数据集合中的至少一个维度的数据优化有效充电初始模型，获取有效充电模型。

可选的，所述方法还包括：

s404、获取有效放电初始模型。

s405、获取有效放电数据集合。

s406、根据机器学习算法，采用所述有效放电数据集合，优化所述有效放电初始模型，获取所述有效放电模型。

s404-s406的实现过程和s401-s403的实现过程类似，在此不再赘述。

可选的，所述方法还包括：

s501、获取失效充电初始模型。

s502、获取失效充电数据集合。

s503、根据机器学习算法，采用所述失效充电数据集合，优化所述失效充电初始模型，获取所述失效充电模型。

s501-s503的实现过程和s401-s403、s404-s406的实现过程类似，不同在于失效充电数据集合包括至少一个失效充电数据，也就是存在一个失效充电数据，就根据机器学习算法，采用失效充电数据集合，优化失效充电初始模型，从而得到失效充电模型。

可选的，所述方法还包括：

s504、获取失效放电初始模型。

s505、获取失效放电数据集合。

s506、根据机器学习算法，采用所述失效放电数据集合，优化所述失效放电初始模型，获取失效放电模型。

s504-s506的实现过程和s501-s503的实现过程类似，在此不再赘述。

本实施例提供的动力电池的管理方法，获取有效充电初始模型，获取有效充电数据集合，根据机器学习算法，采用有效充电数据集合，优化有效充电初始模型，获取有效充电模型。根据有效充放电数据优化有效充放电初始模型，从而能够实时调整动力电池的充放电策略，提高动力电池的有效利用率；同理，根据实际失效充放电数据优化失效充放电初始新模型，使得故障预判地更加准确，提升了动力电池的使用安全性。

图6为本发明实施例提供的动力电池的管理装置的结构示意图一，该动力电池的管理可以通过软件、硬件或者软硬件结合的方式实现。如图6所示，该动力电池的管理装置60包括：获取模块61、发送模块62，其中：

获取模块61，用于获取所述动力电池的充放电数据和所处环境的环境数据；

根据所述充放电数据和所述环境数据，采用预先得到的有效充放电模型，获取所述动力电池的充放电策略，所述充放电策略包括充电策略和放电策略，所述充放电模型为根据机器学习算法采用多个充放电数据优化得到的；

发送模块62，用于将所述放电策略发送给所述动力电池，并将充电策略发送给所述动力电池对应的充电柜。

本发明实施例提供的动力电池的管理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在图6实施例的基础上，图7为本发明实施例提供的动力电池的管理装置的结构示意图二，如图7所示，该装置还包括：确定模块63、处理模块64。

可选的，所述获取模块61，还用于：

若所述充放电数据为有效数据，根据所述充电数据和有效充电模型，获取所述动力电池的充电策略；

根据所述放电数据和有效放电模型，获取所述动力电池的放电策略；

其中，所述有效充放电模型包括所述有效充电模型和所述有效放电模型。

确定模块63，用于根据第一条件，确定所述充放电数据和/或所述环境数据是否为无效数据，所述第一条件为预设的确定数据无效的条件；

若所述充放电数据和所述环境数据均不是无效数据，则根据第二条件，确定所述充放电数据是为有效数据或失效数据，所述第二条件包括预设的确定数据有效的条件和数据失效的条件。

处理模块64，用于若所述充放电数据为失效数据，采用预先得到的失效充放电模型，预测所述动力电池在充放电过程中发生故障的概率；

所述发送模块62，还用于若所述动力电池在充电过程中发生故障的概率大于预设第一概率，将携带有停止充电的指令发送给所述充电柜；

若所述动力电池在放电过程中发生故障的概率大于预设第二概率，将携带有停止放电发送给所述动力电池。

可选的，所述获取模块61，还用于：

获取有效充电初始模型；

获取有效充电数据集合；

所述处理模块64，还用于根据机器学习算法，采用所述有效充电数据集合，优化所述有效充电初始模型，获取所述有效充电模型。

可选的，所述获取模块61，还用于：

获取有效放电初始模型；

获取有效放电数据集合；

所述处理模块64，还用于根据机器学习算法，采用所述有效放电数据集合，优化所述有效放电初始模型，获取所述有效放电模型。

可选的，所述获取模块61，还用于：

获取失效充电初始模型；

获取失效充电数据集合；

所述处理模块64，还用于根据机器学习算法，采用所述失效充电数据集合，优化所述失效充电初始模型，获取所述失效充电模型。

可选的，所述获取模块61，还用于：

获取失效放电初始模型；

获取失效放电数据集合；

所述处理模块64，还用于根据机器学习算法，采用所述失效放电数据集合，优化所述失效放电初始模型，获取所述失效放电模型。

本发明实施例提供的动力电池的管理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图8为本发明实施例提供的动力电池管理设备的硬件结构示意图。如图8所示，本实施例的动力电池管理设备80包括：处理器81、存储器82、发送器83、接收器84。

所述处理器81运行所述计算机程序以执行：

获取所述动力电池的充放电数据和所处环境的环境数据；

根据所述充放电数据和所述环境数据，采用预先得到的有效充放电模型，获取所述动力电池的充放电策略，所述充放电策略包括充电策略和放电策略，所述充放电模型为根据机器学习算法采用多个充放电数据优化得到的；

将所述放电策略发送给所述动力电池，并将充电策略发送给所述动力电池对应的充电柜。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的动力电池管理方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。