电池性能指标获取方法、装置、存储介质及电子设备与流程

1.本技术属于储能技术领域，涉及一种性能指标获取方法，特别是涉及一种电池性能指标获取方法、装置、存储介质及电子设备。


背景技术：

2.近年来，随着全球气候变化和环境保护意识的增强，新能源汽车市场得到了迅猛发展。这一趋势意义重大，不仅对环境保护和节能减排具有积极意义，也对汽车工业的可持续发展起到了重要作用。
3.作为新能源汽车的核心部件之一，电池的性能对整车的性能和稳定性至关重要。电池模型作为对电池内部工作原理的理论描述，能够预测电池的性能和状态，并为电池管理系统提供重要的参考。电池模型主要包括电化学模型、热学模型、动力学模型和电路模型等。其中，电池的电化学模型是一种基于电极反应、离子传输和电子传导等方面的物理学模型，相较于其他模型而言，能够更精确地描述电池内部的化学反应过程。电池的电化学模型通常基于多个微观方程式来描述电化学反应、电解质传输和电荷传递过程，以建立电池的电化学行为模型。
4.现有技术中应用最广泛的电化学模型为p2d模型(pseudo 2d model)。p2d模型将电池分成多个层，每一层可以看做是一个电化学反应堆，其中包括正极、负极、电解液和隔膜等部分。p2d模型可用于预测电池的电化学行为、电压、电流、温度等性能指标参数。然而，p2d模型的求解过程需要消耗大量的计算资源，求解速度较慢。


技术实现要素：

5.本技术实施例提供一种电池性能指标获取方法、装置、存储介质及电子设备，用于提升电池电化学模型的求解速度。
6.第一方面，本技术实施例提供一种电池性能指标获取方法，所述电池性能指标获取方法包括：获取电池参数；根据所述电池参数并利用电池电化学模型的代理模型获取电池性能指标，所述代理模型为混沌多项式展开网络。
7.在所述第一方面的一种实现方式中，根据所述电池参数并利用电池电化学模型的代理模型获取电池性能指标包括：将所述电池参数输入所述代理模型，利用所述代理模型对所述电池参数进行处理以获取所述电池性能指标。
8.在所述第一方面的一种实现方式中，根据所述电池参数并利用电池电化学模型的代理模型获取电池性能指标：对所述电池参数进行降维处理以获取降维参数；将所述降维参数输入所述代理模型，利用所述代理模型对所述降维参数进行处理以获取中间性能指标；根据所述中间性能指标获取所述电池性能指标。
9.在所述第一方面的一种实现方式中，对所述电池参数进行降维处理以获取降维参数包括：利用编码器将所述电池参数映射到低维潜在空间中以获取所述降维参数；根据所述中间性能指标获取所述电池性能指标包括：利用解码器将所述中间性能指标映射回原空
间以获取所述电池性能指标。
10.在所述第一方面的一种实现方式中，所述电池性能指标获取方法还包括：根据混沌多项式的系数获取混沌多项式的方差；利用所述混沌多项式的方差确定所述电化学模型的不确定性。
11.在所述第一方面的一种实现方式中，利用所述混沌多项式的方差确定所述电化学模型的不确定性包括：利用所述混沌多项式的方差获取输入向量的置信区间；根据所述置信区间确定所述电化学模型的不确定性。
12.在所述第一方面的一种实现方式中，所述代理模型包括噪声层，所述噪声层被配置为引入随机噪声，所述随机噪声根据混沌函数和正态分布函数生成。
13.第二方面，本技术实施例提供一种电池性能指标获取装置，所述电池性能指标获取装置包括：电池参数获取模块，用于获取电池参数；性能指标获取模块，用于根据所述电池参数并利用电池电化学模型的代理模型获取电池性能指标，所述代理模型为混沌多项式展开网络。
14.第三方面，本技术实施例提供一种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本技术第一方面中任一项所述的方法。
15.第四方面，本技术实施例提供一种电子设备，所述电子设备包括：存储器，存储有一计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行本技术第一方面中任一项所述的方法。
16.本技术实施例提供的电池性能指标获取方法中，利用混沌多项式展开网络作为电池电化学模型的代理模型。相较于传统电池电化学模型而言，混沌多项式展开网络作为代理模型，具有运算量小，复杂度低，预测速度快等优点。
17.本技术一些实施例中，可以利用混沌多项式的系数获取方差，并基于方差量化电池电化学模型的不确定性，从而提高结果的可信度和可靠性。
附图说明
18.图1显示为本技术实施例所述的电池性能指标获取方法的一种应用场景示意图。
19.图2显示为本技术实施例所述的电池性能指标获取方法的流程图。
20.图3显示为本技术实施例中获取电池性能指标的流程图。
21.图4显示为本技术实施例中确定电化学模型不确定性的流程图。
22.图5显示为本技术实施例中确定电化学模型不确定性的流程图。
23.图6显示为本技术实施例中电池性能指标获取装置的结构示意图。
24.图7显示为本技术实施例中电子设备的结构示意图。
25.元件标号说明
26.100电子设备
27.101，107处理器
28.102
ꢀꢀꢀꢀꢀꢀꢀ
输出设备
29.103
ꢀꢀꢀꢀꢀꢀꢀ
输入设备
30.104
ꢀꢀꢀꢀꢀꢀꢀ
内存单元
31.105
ꢀꢀꢀꢀꢀꢀꢀ
通信接口
processing unit，cpu)，例如，如图1所示的cpu0和cpu1。
50.在一些可能的实现方式中，电子设备100可以包括一个以上的处理器，例如，如图1所示的处理器101和107。处理器101和107都可以是单核处理器或多核处理器。本文所使用的术语“处理器”指一个或多个用于处理计算机程序指令等数据的设备、电路和/或处理内核。处理器101和/或107的cpu将执行的程序代码存储在内存单元104或存储介质106中。
51.在一些可能的实现方式中，存储介质106中存储的程序代码可以复制到内存单元104中以便处理器执行。处理器可通过内核控制其它程序的执行、控制与外围设备的通信以及控制电子设备100资源的使用来控制电子设备100的运行。
52.电子设备100还可以包括通信接口105，电子设备100可通过该通信端口105直接或通过外部网络与另一设备或系统进行通信。
53.在一些可能的实现方式中，电子设备100还可以包括输出设备102和输入设备103。输出设备102与处理器101连接，并且能够以一种或多种方式显示输出信息。输出设备102的一个示例是视觉显示设备，例如，液晶显示屏(liquid crystal display，lcd)、发光二极管(light-emitting diode，led)显示器、阴极射线管(cathode ray tube，crt)或投影仪。输入设备103与处理器101连接，并能够以一种或多种方式接收用户的输入。输入设备103的示例包括鼠标、键盘、触摸屏设备、传感设备等等。
54.电子设备100的上述元件可通过数据总线、地址总线、控制总线、扩展总线和本地总线等总线中的任意一种或多种的组合来互相连接。
55.电子设备100可以是通用电子设备或应用特定电子设备。作为实用示例，上述电子设备100可为存储阵列、应用服务器、超级计算机、台式计算机、笔记本电脑、平板电脑、无线终端设备、电信设备或具有如图1所示类似结构的任何其它设备。然而，本技术并不仅仅受限于任何特定类型的电子设备。
56.图2显示为本技术实施例提供的电池性能指标获取方法的流程图。该电池性能指标获取方法例如可应用于图1所示电子设备100，但本技术并不以此为限。如图2所示，本技术实施例提供的电池性能指标获取方法包括以下步骤s21和s22。
57.s21，获取电池参数。其中，电池参数是指与电池电化学模型相关的参数，例如，电流密度、温度、电解质初始浓度、最大浓度、电极厚度等。
58.在一些可能的实现方式中，可以从电池电化学模型(例如，p2d模型)的输出中提取上述电池参数。
59.s22，根据电池参数并利用电池电化学模型的代理模型获取电池性能指标，代理模型为混沌多项式展开网络(chaos polynomial expansion net，cpenet)。其中，电池性能指标是衡量电池某一或某些性能的指标，例如，电池放电容量、电池放电效率、电压等。
60.根据以上描述可知，本技术实施例中利用混沌多项式展开网络作为代理模型来简化电池电化学模型，能够使得电池性能指标的获取过程更加高效且易于实现。此外，在一些可能的实现方式中，可以通过增加混沌多项式函数的阶数和调整多项式展开系数来进一步提高模型的逼近精度和预测能力。
61.于本技术的一实施例中，电池性能指标获取方法还可以包括：对电池参数进行预处理，该预处理包括但不限于数据清洗、缺失值填充、数据归一化等步骤。通过对电池参数进行预处理，能够确保数据的质量和一致性。
62.于本技术的一实施例中，根据电池参数并利用电池电化学模型的代理模型获取电池性能指标包括：将电池参数输入代理模型，利用代理模型对电池参数进行处理以获取电池性能指标。其中，代理模型被训练为直接处理电池参数并输出电池性能指标。具体地，在代理模型的训练过程中，将训练数据中的电池参数输入代理模型，利用训练数据中的电池性能指标来获取损失函数，并根据损失函数调整代理模型的架构。
63.本技术实施例中，对于电池参数xi，使用基于混沌多项式展开的方法拟合其响应函数fi(xi)可以得到如下式1所示的多项式展开式。
[0064][0065]
其中，ck为第k个多项式展开系数，ψk(xi)为基函数，该基函数可以为正交多项式，例如，legendre多项式、hermite多项式等。
[0066]
基于式1的多项式展开式，将多项式展开扩展到所有的电池参数x1，x2，
…
，xd，即可得到式2所示的多元多项式展开式，其中d为正整数，表示电池参数的数量。
[0067][0068]
其中，y是代理模型的输出变量，也即电池性能指标。需要说明的是，式2中k1和k2的取值范围均为0到∞，但本技术并不以此为限。在一些其他实施例中，k1和k2的数量也可以是有限值。
[0069]
请参阅图3，于本技术的一实施例中，根据电池参数并利用电池电化学模型的代理模型获取电池性能指标包括以下步骤s31至s33。
[0070]
s31，对电池参数进行降维处理以获取降维参数。具体地，于步骤s31中可以通过对电池参数进行降维处理来将其映射到低维空间，从而得到降维参数。
[0071]
s32，将降维参数输入代理模型，利用代理模型对降维参数进行处理以获取中间性能指标，该中间性能指标为低维空间中的性能指标。
[0072]
s33，根据中间性能指标获取电池性能指标。具体地，于步骤s33中可以将中间性能指标映射回原空间来得到电池性能指标，原空间是指电池参数的空间。
[0073]
电池参数通常为高维参数。相较于低维数据而言，利用代理模型对高维参数进行处理需要消耗更多的资源和时间。针对该问题，本技术实施例中对电池参数进行降维处理后得到降维参数，利用代理模型对降维参数进行处理得到中间性能指标，其后将中间性能指标映射回原空间得到电池性能指标。此种方式能够进一步减少计算量并提高效率。
[0074]
需要说明的是，本技术实施例中所述的“高维”和“低维”并非用于限定具体的参数维度，仅用于表示不同维度之间的相对关系。换言之，只要第一空间中的数据维度高于第二空间，则第一空间即为高维空间，其中的参数是高维参数，第二空间为低维空间，其中的参数是低维参数。
[0075]
于本技术的一实施例中，对电池参数进行降维处理以获取降维参数包括：利用编码器将电池参数映射到低维潜在空间中以获取降维参数。根据中间性能指标获取电池性能指标包括：利用解码器将中间性能指标映射回原空间以获取电池性能指标。
[0076]
在一些可能的实现方式中，可以利用变分自编码器(variational autoencoder，vae)实现电池参数到低维潜在空间的映射，以及将中间性能指标映射回原空间。vae是一种
生成模型，包括编码器和解码器。编码器用于将高维的电池参数映射到低维的潜在空间以得到降维参数。降维参数被代理模型处理后得到潜在空间的中间性能指标。解码器用于将潜在空间中的中间性能指标映射回原始数据空间，以重构电池性能指标。潜在空间中的向量从一个先验分布中采样得到，该先验分布例如可以为高斯分布。
[0077]
在一些可能的实现方式中，编码器和解码器均是由多个层组成的神经网络，每一层都包含若干个神经元。具体地，编码器的结构可以包含多个隐藏层，每个隐藏层可以使用relu(rectified linear unit，线性整流函数)或者tanh等激活函数来增强网络的非线性拟合能力。编码器的最后一层可以是一个均值向量和方差向量，用于表示潜在空间中的高斯分布。解码器的结构包含多个隐藏层和激活函数，其最后一层可以是一个sigmoid函数，用于将输出限制在0和1之间，从而保证数据的归一化。
[0078]
在一些可能的实现方式中，对vae进行训练时，可以采用重参数化技巧来实现采样操作，使得网络可以进行反向传播。vae的目标是找到一个解码器p(x|z)和一个编码器q(z|x)，从而使得给定x时，能够从q(z|x)中采样一个z，然后从p(x|z)中生成一个类似于x的样本。
[0079]
在一些可能的实现方式中，vae的损失函数包括重构误差和潜在空间中的正则项。重构误差例如可以使用均方误差作为度量，用于表示原始数据和重构数据之间的差异。潜在空间中的正则项是先验分布和后验分布之间的kl散度，用来保证潜在空间中的向量满足高斯分布的假设。对vae进行训练过程中，训练目标是最小化总损失函数，从而得到优化的编码器和解码器，以及潜在空间中的向量表示。在这些实现方式中，总损失函数可以通过以下式3表示。
[0080][0081]
其中，xi表示编码器中的第i个输入变量，xi'是解码器重构得到的第i个输入变量的估计值，n是训练集中的样本数量，β是控制kl散度权重的超参数，l
kl
表示kl散度，可以通过以下式4表示。
[0082][0083]
其中，q(z|xi)表示解码器，p(z)是潜在空间的初始分布且p(z)～n(0,1)。
[0084]
在一些可能的实现方式中，利用vae对电池参数x进行降维处理包括：利用编码器将x映射为一个正态分布；使用重参数技巧从该正态分布的均值和方差中采样得到潜在变量z；利用解码器decoder将潜在变量z映射回x的估计值x'＝decoder(z)。
[0085]
根据以上描述可知，本技术实施例中可以利用vae的编码器将电池参数转化为潜在空间的降维参数。其中，vae可以学习电池参数的低维表示，并生成与电池参数类似的样本。
[0086]
于本技术的一实施例中，代理模型包括输入层、噪声层、卷积层、全连接层和激活函数层等。
[0087]
在一些可能的实现方式中，代理模型包括三个卷积层。第一个卷积层例如可包含128个神经元，第二个卷积层例如可包含64个神经元，第三个卷积层例如可包含32个神经元。此外，在这些实现方式中，代理模型的全连接层例如可包含64个神经元。
[0088]
在一些可能的实现方式中，代理模型的激活函数层可以采用relu函数。该激活函数层能够帮助代理模型学习非线性特征，提高模型的拟合能力和泛化能力。
[0089]
在一些可能的实现方式中，噪声层被配置为引入随机噪声，以增加模型的鲁棒性和泛化能力。该随机噪声可以根据混沌函数和正态分布函数生成，通过此种方式生成的随机噪声能够增加模型的随机性和不确定性。
[0090]
在一些可能的实现方式中，噪声层嵌入到代理模型的隐藏层中，噪声层的输入为隐藏层的原始输出，噪声层的输出为带有随机噪声的隐藏层的输出。具体地，这些实现方式中可以采用混沌函数生成具有随机性质的序列作为混沌序列，将这些混沌序列作为正态分布函数的参数之一生成具有混沌特性的随机噪声序列。生成的随机噪声序列可以与输入参数逐元素相乘，相乘后的结果可以添加到隐藏层的输出，通过此种方式即可得到带有随机噪声的隐藏层的输出。
[0091]
在一些可能的实现方式中，对代理模型进行训练时可以采用dropout技术来减少模型的过拟合风险。此外，还可以采用adam优化器对代理模型进行参数优化，以加快训练速度并提高模型的泛化能力。在这些实现方式中，可以采用交叉熵损失函数对代理模型进行训练，该交叉熵损失函数用于衡量预测结果和真实结果之间的差异。
[0092]
请参阅图4，于本技术的一实施例中，电池性能指标获取方法还可以包括以下步骤s41和s42。
[0093]
s41，根据混沌多项式的系数获取混沌多项式的方差。具体地，混沌多项式展开系数可以通过在训练集上对多项式展开式进行拟合确定，例如，可以采用最小二乘法或者最大似然估计来得到混沌多项式展开系数。本技术实施例中可以采用以下式5来得到混沌多项式的方差σ2。
[0094][0095]
其中，ci和cj是多项式展开系数，m是多项式展开系数的数量，cov(ψi,ψj)表示两个多项式函数ψi和ψj的协方差，可以通过求解多项式函数之间的内积来计算。
[0096]
s42，利用混沌多项式的方差确定电化学模型的不确定性。
[0097]
根据以上描述可知，混沌多项式的方差可以根据其多项式展开系数得到，而混沌多项式展开稀疏可以由代理模型得到。因此，本技术实施例中可以将方差视为代理模型的一个输出。在利用代理模型对电池性能指标进行预测时，一方面可以输出电池性能指标的预测结果，另一方面可以输出方差，该方差可用于评估电池电化学模型的不确定性。
[0098]
请参阅图5，于本技术的一实施例中，利用混沌多项式的方差确定电化学模型的不确定性包括以下步骤s51和s52。
[0099]
s51，利用混沌多项式的方差获取输入向量的置信区间，该输入向量为电池参数。具体地，对于电池参数x，其通过代理模型后输出为y，方差为σ2，置信度为1-α，则其置信区间可以表示为其中m
α/2
表示标准正态分布中α/2分位点的值。例如，α＝0.05时，m
α/2
＝1.96。
[0100]
s52，根据置信区间确定电化学模型的不确定性。具体地，由代理模型可以得到方差，因而代理模型能够直接输出预测结果的置信区间或范围，该置信区间或范围能够描述
预测结果的不确定性程度。例如，当置信区间或范围很小时，预测结果的不确定性较小，说明模型的预测精度较高。当置信区间或范围较大时，预测结果的不确定性较大，说明模型的预测精度较低。
[0101]
在一些可能的实现方式中，代理模型训练完成后，可以利用测试数据对代理模型的预测精度和不确定性量化能力进行评估。若代理模型的评估结果较差，则调整其模型参数或者修改模型架构，并对代理模型进行重新训练。
[0102]
本技术实施例所述的电池性能指标获取方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本技术的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本技术的保护范围内。
[0103]
本技术实施例还提供一种电池性能指标获取装置，所述电池性能指标获取装置可以实现本技术所述的电池性能指标获取方法，但本技术所述的电池性能指标获取方法的实现装置包括但不限于本实施例列举的电池性能指标获取装置的结构，凡是根据本技术的原理所做的现有技术的结构变形和替换，都包括在本技术的保护范围内。
[0104]
图6显示为本技术实施例提供的电池性能指标获取装置600的结构示意图。如图6所示，电池性能指标获取装置600包括电池参数获取模块610和性能指标获取模块620。电池参数获取模块610用于获取电池参数。性能指标获取模块620用于根据电池参数并利用电池电化学模型的代理模型获取电池性能指标。其中，代理模型为混沌多项式展开网络。
[0105]
需要说明的实收，本技术实施例提供的电池性能指标获取装置600中的电池参数获取模块610和性能指标获取模块620与图2所示电池性能指标获取方法中的步骤s21和s22一一对应，此处不做过多赘述。
[0106]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/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，例如多个模块或单元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。
[0107]
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，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模块/单元来实现本技术实施例的目的。例如，在本技术各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。
[0108]
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0109]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序。该计算
机程序被处理器执行时实现本技术任一实施例提供的电池性能指标获取方法。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(magnetic tape)，软盘(floppy disk)，光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，dvd))、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0110]
本技术实施例还提供一种电子设备。图7显示为本技术一实施例中电子设备700的结构示意图。如图7所示，本实施例中电子设备700包括存储器710和处理器720。
[0111]
存储器710用于存储计算机程序。在一些可能的实现方式中，存储器710可以包括：rom、ram、磁碟、u盘、存储卡或者光盘等各种可以存储程序代码的介质。
[0112]
处理器720与存储器710相连，用于执行存储器710存储的计算机程序，以使电子设备700执行电池性能指标获取方法。
[0113]
在一些可能的实现方式中，本技术实施例提供的电子设备700还可以包括显示器730。显示器730与存储器710和处理器720通信相连，用于显示电池性能指标获取方法的相关图形用户界面(graphical user interface，gui)。
[0114]
上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。
[0115]
综上所述，本技术实施例提供的电池性能指标获取方法中，利用混沌多项式展开网络作为电池电化学模型的代理模型。相较于传统电池电化学模型而言，混沌多项式展开网络作为代理模型，具有运算量小，复杂度低，预测速度快等优点。此外，本技术一些实施例中，可以利用混沌多项式的系数获取方差，并基于方差量化电池电化学模型的不确定性，从而提高结果的可信度和可靠性。因此，本技术有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0116]
上述实施例仅例示性说明本技术的原理及其功效，而非用于限制本技术。任何熟悉此技术的人士皆可在不违背本技术的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本技术所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本技术的权利要求所涵盖。

技术特征：
1.一种电池性能指标获取方法，其特征在于，包括：获取电池参数；根据所述电池参数并利用电池电化学模型的代理模型获取电池性能指标，所述代理模型为混沌多项式展开网络。2.根据权利要求1所述的电池性能指标获取方法，其特征在于，根据所述电池参数并利用电池电化学模型的代理模型获取电池性能指标包括：将所述电池参数输入所述代理模型，利用所述代理模型对所述电池参数进行处理以获取所述电池性能指标。3.根据权利要求1所述的电池性能指标获取方法，其特征在于，根据所述电池参数并利用电池电化学模型的代理模型获取电池性能指标：对所述电池参数进行降维处理以获取降维参数；将所述降维参数输入所述代理模型，利用所述代理模型对所述降维参数进行处理以获取中间性能指标；根据所述中间性能指标获取所述电池性能指标。4.根据权利要求3所述的电池性能指标获取方法，其特征在于：对所述电池参数进行降维处理以获取降维参数包括：利用编码器将所述电池参数映射到低维潜在空间中以获取所述降维参数；根据所述中间性能指标获取所述电池性能指标包括：利用解码器将所述中间性能指标映射回原空间以获取所述电池性能指标。5.根据权利要求1至4中任一项所述的电池性能指标获取方法，其特征在于，还包括：根据混沌多项式的系数获取混沌多项式的方差；利用所述混沌多项式的方差确定所述电化学模型的不确定性。6.根据权利要求5所述的电池性能指标获取方法，其特征在于，利用所述混沌多项式的方差确定所述电化学模型的不确定性包括：利用所述混沌多项式的方差获取输入向量的置信区间；根据所述置信区间确定所述电化学模型的不确定性。7.根据权利要求1至6中任一项所述的电池性能指标获取方法，其特征在于，所述代理模型包括噪声层，所述噪声层被配置为引入随机噪声，所述随机噪声根据混沌函数和正态分布函数生成。8.一种电池性能指标获取装置，其特征在于，包括：电池参数获取模块，用于获取电池参数；性能指标获取模块，用于根据所述电池参数并利用电池电化学模型的代理模型获取电池性能指标，所述代理模型为混沌多项式展开网络。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。10.一种电子设备，其特征在于，所述电子设备包括：存储器，存储有一计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行权利要求1至7中任一项所述的方法。

技术总结
本申请提供一种电池性能指标获取方法、装置、存储介质及电子设备。所述电池性能指标获取方法包括：获取电池参数；根据所述电池参数并利用电池电化学模型的代理模型获取电池性能指标，所述代理模型为混沌多项式展开网络。所述电池性能指标获取方法具有高效、低复杂度等优点。等优点。等优点。


技术研发人员：李倩 魏琼 严晓 赵恩海 顾单飞 江铭臣
受保护的技术使用者：上海玫克生储能科技有限公司
技术研发日：2023.04.28
技术公布日：2023/8/1