首页 > 资讯 > 电池健康检测方法、装置、电子设备及存储介质

电池健康检测方法、装置、电子设备及存储介质

泰然健康网
2025-08-04 04:32

电池健康检测方法、装置、电子设备及存储介质专利申请类型:发明专利;
地区:广东-东莞；
源自:东莞高价值专利检索信息库;

专利名称：电池健康检测方法、装置、电子设备及存储介质

专利类型：发明专利

专利申请号：CN202410746386.4

专利申请（专利权）人：广东车卫士信息科技有限公司
权利人地址：广东省东莞市松山湖园区科技十路2号52栋101室

专利发明（设计）人：陈彩霞,揭印泉

专利摘要：本发明提供一种电池健康检测方法、装置、电子设备及存储介质，该电池健康检测方法包括：获取目标电池组的第一健康度、用户驾驶路线及第一用户驾驶习惯；确定驾驶车辆在第一时间段内的路况数据及第一驾驶数据；根据第一驾驶数据对目标电池组的采用电池健康检测模型进行预测，得到目标电池组的第二健康度；根据第二健康度，生成基于第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，第二用户驾驶习惯用于表征对目标电池组电池的最低健康损失度。其中电池健康检测模型采用SEGRNN模型训练得到。本发明的有益效果为：提高了基于用户行为影响的情况下电池组的健康检测的准确性，并对产生不利于电池健康的驾驶习惯进行修正。

主权利要求：
1.一种电池健康检测方法，其特征在于，包括：
根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯，所述第一健康度用于表征所述目标电池组的当前健康度；
根据所述用户驾驶路线确定驾驶车辆在第一时间段内的路况数据，根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，所述第一驾驶数据用于表征驾驶车辆在不同路段类型行驶时的行驶速度、电池组温度和电池组电压中的至少一种时间序列数据；
根据所述第一驾驶数据对所述目标电池组采用电池健康检测模型进行预测，得到所述目标电池组的第二健康度，所述第二健康度用于表征驾驶车辆经过所述第一时间段后的健康度；
根据所述第二健康度，生成基于所述第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，所述第二用户驾驶习惯用于表征对所述目标电池组电池的最低健康损失度；
所述电池健康检测模型通过以下步骤训练得到：
获取数据集，所述数据集包括第二驾驶数据，对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征；
将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对第二数据集进行预测，得到预测结果；
根据所述预测结果，采用损失函数进行训练及优化，得到所述电池健康检测模型。
2.根据权利要求1所述的电池健康检测方法，其特征在于，所述根据所述用户驾驶路线确定在第一时间段内的路况数据，包括：根据所述驾驶路线，从第三方GIS电子导航地图获取线路数据，从第三方气象数据平台获取所述驾驶路线的环境温度数据，其中线路数据包括直线行驶路段、加速路段及变向路段中的至少一种。
3.根据权利要求2所述的电池健康检测方法，其特征在于，所述根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，包括：获取第一用户驾驶习惯，其中第一用户驾驶习惯包括用户在历史时刻的直线行驶路段的平均行驶速度、加速路段的平均加速度及变向路段的平均转向速度；
根据所述第一用户驾驶习惯、所述环境温度数据，采用电化学模型进行模拟，得到所述第一驾驶数据，其中电化学模型采用多物理场模拟方法，所述多物理场模拟方法根据所述第一用户驾驶习惯，确定目标电池组在不同线路数据时的能量分布，根据能量分布、当前电池温度、环境温度数据及当前电池组电压，预测得到目标电池组经过直线行驶路段、加速路段及变向路段中的至少一种路段后的电池组电压及电池组温度。
4.根据权利要求1所述的电池健康检测方法，其特征在于，所述对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征，包括：对所述数据集进行规范化，包括基于时间对行驶速度、电池组温度和电池组电压进行转换，得到规范化的时间序列数据；
对规范化的时间序列数据进行特征提取得到所述第二驾驶数据的时间序列特征。
5.根据权利要求4所述的电池健康检测方法，其特征在于，所述将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对所述第二数据集的进行预测，得到预测结果，包括：将经过规范化的数据集划分为训练数据集和验证数据集；
所述基于时间序列的递归神经网络采用SEGRNN模型，通过SEGRNN模型对驾驶车辆在不同路段的行驶速度对时间序列特征进行划分，得到时间序列片段；
将训练数据集的电池组温度、电池组放电电流和电池组电压作为时间序列输入，将车辆在不同路段的行驶速度作为切分标准；
将不同切分标准的时间序列片段通过SEGRNN模型进行预测，得到所述预测结果，其中预测结果用于表征目标电池组在未来不同时间片段的行驶速度、电池组温度和电池组电压。
6.根据权利要求5所述的电池健康检测方法，其特征在于，所述根据所述预测结果，采用损失函数进行训练及优化，得到所述电池健康检测模型，包括：采用均方误差损失函数，对所述预测结果与所述验证数据集进行差异对比，使用随机梯度下降优化器，对模型的参数进行更新并最小化损失函数处理，得到所述电池健康检测模型。
7.根据权利要求6所述的电池健康检测方法，其特征在于，所述根据所述第二健康度，生成基于所述第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，包括：对输入所述电池健康检测模型中驾驶车辆的行驶速度进行调整，并以最小电池健康度损失进行计算，得到驾驶车辆在不同路段的第二用户驾驶习惯；
根据所述第二健康度及所述第一健康度，采用贝叶斯模型生成所述用户驾驶路线电池健康损耗预测，以及，根据所述第一用户驾驶习惯和第二用户驾驶习惯，生成驾驶习惯推荐结果。
8.一种电池健康检测装置，其特征在于，包括：
第一单元及第二单元，所述第一单元用于进行目标电池组的健康检测，所述第二单元用于电池健康检测模型的训练，其中所述第一单元包括第一模块、第二模块及第三模块，所述第二单元包括第四模块、第五模块、第六模块及第七模块；
所述第一模块用于根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯，所述第一健康度用于表征所述目标电池组的当前健康度；
所述第二模块用于根据所述用户驾驶路线确定驾驶车辆在第一时间段内的路况数据，根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，所述第一驾驶数据用于表征驾驶车辆在不同路段类型行驶时的行驶速度、电池组温度和电池组电压中的至少一种时间序列数据；
所述第三模块用于根据所述第一驾驶数据对所述目标电池组采用电池健康检测模型进行预测，得到所述目标电池组的第二健康度，所述第二健康度用于表征驾驶车辆经过所述第一时间段后的健康度；
所述第四模块用于根据所述第二健康度，生成基于所述第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，所述第二用户驾驶习惯用于表征对所述目标电池组电池的最低健康损失度；
所述第五模块用于获取数据集，所述数据集包括第二驾驶数据，对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征；
所述第六模块用于将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对第二数据集进行预测，得到预测结果；
所述第七模块用于根据所述预测结果，采用损失函数进行训练及优化，得到所述电池健康检测模型。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1‑7中任一项所述的电池健康检测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1‑7中任一项所述的电池健康检测方法。说明书 : 电池健康检测方法、装置、电子设备及存储介质技术领域[0001] 本发明涉及计算机技术领域，尤其涉及一种电池健康检测方法、装置、电子设备及存储介质。背景技术[0002] 对于新能源汽车特别是电动汽车，其能源主要来自于独立的电池组。电池组在电动汽车的不同车况下，其电池健康受电池温度、负荷及电荷放电倍率的影响。[0003] 因此，现有技术主要通过电动车电池管理系统（BMS）及多模态传感器融合等方式对电动汽车的电池组进行检测及预测完成对电池组的健康检测，其中BMS电池管理系统主要对电池组的工作情况（如SOC荷电状态、SOH健康状态、SOP功率状态和SOF功能状态）进行分析，并提出对应的应对方案，以提高电池的健康度及使用寿命；而多模态传感器融合是通过多种温度传感器、电压/电流传感器采集电池模态数据，通过融合多模态数据并进行分析，以完成对电池组的全面健康检测。[0004] 现有技术均采用的是根据电池本身的工作状态进行预测，而没有考虑汽车车况、汽车驾驶路况及用户驾驶习惯对电池健康的影响，因此会导致电池健康损耗较大且无法进行准确检测。发明内容[0005] 本发明实施例的主要目的在于提出一种电池健康检测方法、装置、电子设备及存储介质，提高了基于用户行为影响的情况下电池组的健康检测的准确性，延长了电池组的使用寿命。[0006] 本发明的一方面提供了一种电池健康检测方法，包括：[0007] 根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯，所述第一健康度用于表征所述目标电池组的当前健康度；[0008] 根据所述用户驾驶路线确定驾驶车辆在第一时间段内的路况数据，根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，所述第一驾驶数据用于表征驾驶车辆在不同路段类型行驶时的行驶速度、电池组温度和电池组电压中的至少一种时间序列数据；[0009] 根据所述第一驾驶数据对所述目标电池组的采用电池健康检测模型进行预测，得到所述目标电池组的第二健康度，所述第二健康度用于表征驾驶车辆经过所述第一时间段后的健康度；[0010] 根据所述第二健康度，生成基于所述第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，所述第二用户驾驶习惯用于表征对所述目标电池组电池的最低健康损失度；[0011] 所述电池健康检测模型通过以下步骤训练得到：[0012] 获取数据集，所述数据集包括第二驾驶数据，对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征；[0013] 将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片第三方GIS电子地图段，通过采用基于时间序列的递归神经网络对第二数据集的进行预测，得到预测结果；[0014] 根据所述预测结果，采用损失函数进行训练及优化，得到所述电池健康检测模型。[0015] 根据所述的电池健康检测方法，其中根据所述用户驾驶路线确定在第一时间段内的路况数据，包括：[0016] 根据所述驾驶路线，从第三方GIS电子导航地图获取线路数据，从第三方气象数据平台获取所述驾驶路线在所述的环境温度数据，其中线路数据包括直线行驶路段、加速路段及变向路段中的至少一种。[0017] 根据所述的电池健康检测方法，其中根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，包括：[0018] 获取第一用户驾驶习惯，其中第一用户驾驶习惯包括用户在历史时刻的直线行驶路段的平均行驶速度、加速路段的平均加速度及变向路段的平均转向速度；[0019] 根据所述第一用户驾驶习惯、所述环境温度数据，采用电化学模型进行模拟，得到所述第一驾驶数据，其中电化学模型采用多物理场模拟方法，所述多物理场模拟方法根据所述第一用户驾驶习惯，确定目标电池组在不同线路数据时的能量分布，根据能量分布、当前电池温度、环境温度数据及当前电池组电压，预测得到目标电池组经过直线行驶路段、加速路段及变向路段中的至少一种路段后的电池组电压及电池组温度。[0020] 根据所述的电池健康检测方法，其中对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征，包括：[0021] 对所述数据集进行规范化，包括基于时间对行驶速度、电池组温度和电池组电压进行转换，得到规范化的时间序列数据；[0022] 对规范化的时间序列数据进行特征提取得到所述第二驾驶数据的时间序列特征。[0023] 根据所述的电池健康检测方法，其中将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对所述第二数据集的进行预测，得到预测结果，包括：[0024] 将经过规范化的数据集划分为训练数据集和验证数据集；[0025] 所述基于时间序列的递归神经网络采用SEGRNN模型，通过SEGRNN模型对驾驶车辆在不同路段的行驶速度对时间序列特征进行划分，得到时间序列片段；[0026] 将训练数据集的电池组温度、电池组放电电流和电池组电压作为时间序列输入，将车辆在不同路段的行驶速度作为切分标准；[0027] 将不同切分标准的时间序列片段通过SEGRNN模型进行预测，得到所述预测结果，其中预测结果用于表征目标电池组在未来不同时间片段的行驶速度、电池组温度和电池组电压。[0028] 根据所述的电池健康检测方法，其中根据所述预测结果，采用损失函数进行训练及优化，得到所述电池健康检测模型，包括：[0029] 采用均方误差损失函数，对所述预测结果与所述验证数据集进行差异对比，使用随机梯度下降优化器，对模型的参数进行更新并最小化损失函数处理，得到所述电池健康检测模型。[0030] 根据所述的电池健康检测方法，其中根据所述第二健康度，生成基于所述第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，包括：[0031] 对输入所述电池健康检测模型中驾驶车辆的行驶速度进行调整，并以最小电池健康度损失进行计算，得到驾驶车辆在不同路段的第二用户驾驶习惯；[0032] 根据所述第二健康度及所述第一健康度，采用贝叶斯模型生成所述用户驾驶路线电池健康损耗预测，以及，根据所述第一用户驾驶习惯和第二用户驾驶习惯，生成驾驶习惯推荐结果。[0033] 本发明实施例的另一方面提供了一种电池健康检测装置，包括：[0034] 第一单元及第二单元，所述第一单元用于进行目标电池组的健康检测，所述第二单元用于电池健康检测模型的训练，其中所述第一单元包括第一模块、第二模块及第三模块，所述二单元包括第四模块、第五模块、第六模块及第七模块；[0035] 所述第一模块用于根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯，所述第一健康度用于表征所述目标电池组的当前健康度；[0036] 所述第二模块用于根据所述用户驾驶路线确定驾驶车辆在第一时间段内的路况数据，根据所述路况数据及所述第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，所述第一驾驶数据用于表征驾驶车辆在不同路段类型行驶时的行驶速度、电池组温度和电池组电压中的至少一种时间序列数据；[0037] 所述第三模块用于根据所述第一驾驶数据对所述目标电池组的采用电池健康检测模型进行预测，得到所述目标电池组的第二健康度，所述第二健康度用于表征驾驶车辆经过所述第一时间段后的健康度；[0038] 所述第四模块用于根据所述第二健康度，生成基于所述第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，所述第二用户驾驶习惯用于表征对所述目标电池组电池的最低健康损失度；[0039] 所述第五模块用于获取数据集，所述数据集包括第二驾驶数据，对所述第二驾驶数据进行特征提取，得到所述第二驾驶数据的时间序列特征；[0040] 所述第六模块用于将所述时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对第二数据集的进行预测，得到预测结果；[0041] 所述第七模块用于根据所述预测结果，采用损失函数进行训练及优化，得到所述电池健康检测模型。[0042] 本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；[0043] 所述存储器用于存储程序；[0044] 所述处理器执行所述程序实现如前文所描述的方法。[0045] 本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前文所描述的方法。[0046] 本发明的有益效果为：通过根据用户设定的驾驶路线，考虑驾驶路线及其第一用户驾驶习惯，以确定用户习惯在驾驶时对电池组产生的影响，通过SEGRNN模型确定用户在不同路段因驾驶习惯对电池组健康的影响，并对用户驾驶的整个车程进行模拟和预测，以得到电池健康变化及第一用户驾驶习惯对电池健康的影响，提高了基于用户行为影响的情况下电池组的健康检测的准确性，并对产生不利于电池健康的驾驶习惯进行修正。附图说明[0047] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：[0048] 图1是本发明实施例的电池健康检测系统示意图。[0049] 图2是本发明实施例的电池健康检测流程示意图。[0050] 图3是本发明实施例的驾驶数据确定流程示意图。[0051] 图4是本发明实施例的SEGRNN模型训练流程示意图。[0052] 图5是本发明实施例的电池健康检测装置示意图。具体实施方式[0053] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。在本后续的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。[0054] 参考图1，图1是本发明实施例的电池健康检测系统示意图。其包括服务器100、电池组200、采集装置300、智能终端400，其中采集装置300用于采集电池组200的电池电压、电池电流、电池温度、电池离子浓度等电池数据，优选地，本发明主要以电池温度及电池电压作为主要采集对象。其可以是一个或多个传感器组成，其中智能终端用于从服务器100获取GIS电子地图获取线路数据，从第三方气象数据平台获取驾驶路线等数据。其中服务器100用于根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯，第一健康度用于表征目标电池组的当前健康度；根据用户驾驶路线确定驾驶车辆在第一时间段内的路况数据，根据路况数据及第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，第一驾驶数据用于表征驾驶车辆在不同路段类型行驶时的行驶速度、电池组温度和电池组电压中的至少一种时间序列数据；根据第一驾驶数据对目标电池组的采用电池健康检测模型进行预测，得到目标电池组的第二健康度，第二健康度用于表征驾驶车辆经过第一时间段后的健康度；根据第二健康度，生成基于第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，第二用户驾驶习惯用于表征对目标电池组电池的最低健康损失度；电池健康检测模型通过以下步骤训练得到：获取数据集，数据集包括第二驾驶数据，对第二驾驶数据进行特征提取，得到第二驾驶数据的时间序列特征；将时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对第二数据集的进行预测，得到预测结果；根据预测结果，采用损失函数进行训练及优化，得到电池健康检测模型。[0055] 图2是本发明实施例的电池健康检测流程示意图。其包括电池健康检测流程和电池健康检测模型训练流程。[0056] 其中电池健康检测流程包括但不限于步骤S100 S400：~[0057] S100，根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯。[0058] 在一些实施例中，第一健康度用于表征目标电池组的当前健康度，即本发明实施例的电池健康检测对未来时间段的检测。[0059] 在一些实施例中，其中用户驾驶路线表示用户通过智能终端或者汽车导航系统生成的导航路线，如从A市至B市的驾驶路线。[0060] 在一些实施例中，其中第一用户驾驶习惯表示用户在直线路段的平均数据，加速路段的平均加速度，可以理解的是，车辆在进行加速或者转弯时，对电池的温度提升较高及负荷较大，容易产生对损耗产生较大的影响。[0061] S200，根据用户驾驶路线确定驾驶车辆在第一时间段内的路况数据，根据路况数据及第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据。[0062] 在一些实施例中，第一驾驶数据用于表征驾驶车辆在不同路段类型行驶时的行驶速度、电池组温度和电池组电压中的至少一种时间序列数据，如在直行路段80km/h，电池组57℃，300V，而在进入弯道的降速路段，车辆速度为45km/h，电池组温度为82℃，电压350V，其中电压为短时间变化。[0063] 在一些实施例中，根据驾驶路线，从第三方GIS电子地图获取线路数据，从第三方气象数据平台获取驾驶路线在的环境温度数据，其中线路数据包括直线行驶路段、加速路段及变向路段中的至少一种。[0064] 在一些实施例中，驾驶数据用于表征车辆在不同路段的行驶速度、电池组温度、电池组放电电流及电池组电压中的至少一种时间序列数据。[0065] 在一些实施例中，参考图3所示的驾驶数据确定流程示意图，其包括但不限于步骤S210 S220：~[0066] S210，获取第一用户驾驶习惯，其中第一用户驾驶习惯包括用户在历史时刻的直线行驶路段的平均行驶速度、加速路段的平均加速度及变向路段的平均转向速度；[0067] S220，根据第一用户驾驶习惯、环境温度数据，采用电化学模型进行模拟，得到第一驾驶数据。[0068] 在一些实施例中，其中电化学模型采用多物理场模拟方法，多物理场模拟方法根据第一用户驾驶习惯，确定目标电池组在不同线路数据时的能量分布，根据能量分布、当前电池温度、环境温度数据及当前电池组电压，预测得到目标电池组经过直线行驶路段、加速路段及变向路段中的至少一种路段后的电池组电压及电池组温度。[0069] 在一些实施例中，其中多物理场模拟方法采用COMSOL，通过车辆速度来确定电池消耗能量，根据消耗能量、电池/电池组电压、电池组温度通过COMSOL进行模拟及预测。[0070] S300，根据第一驾驶数据对目标电池组的采用电池健康检测模型进行预测，得到目标电池组的第二健康度，第二健康度用于表征驾驶车辆经过第一时间段后的健康度。[0071] 在一些实施例中，本发明的实施例通过电池健康检测模型对电池组的温度、电流、电压、离子浓度等进行检测或预测，基于模型检测结果可选地通过SOC荷电状态、SOH健康状态、SOP功率状态和SOF功能状态来进行第二健康度的计算。[0072] S400，根据第二健康度，生成基于第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，第二用户驾驶习惯用于表征对目标电池组电池的最低健康损失度。[0073] 在一些实施例中，对输入电池健康检测模型中驾驶车辆的行驶速度进行调整，并以最小电池健康度损失进行计算，得到驾驶车辆在不同路段的第二用户驾驶习惯；根据第二健康度及第一健康度，采用贝叶斯模型生成用户驾驶路线电池健康损耗预测，以及，根据第一用户驾驶习惯和第二用户驾驶习惯，生成驾驶习惯推荐结果。[0074] 在一些实施例中，第二健康度以基于用户驾驶习惯及预设行进线路进行预测得到，当用户驾驶车辆进行路线变动时，进行动态计算并重新得到预测结果。[0075] 可以理解的是，第二用户驾驶习惯以最小电池健康度损失进行计算得到，因此，本发明实施例通过第二用户驾驶习惯对用户进行建议，如提前进入弯道时间、弯道转弯速度及加速档位，当然，第二用户驾驶习惯必须基于驾驶规范进行建议。[0076] 其中电池健康检模型的训练流程S500 S700：~[0077] S500，获取数据集，数据集包括第二驾驶数据，对第二驾驶数据进行特征提取，得到第二驾驶数据的时间序列特征。[0078] 在一些实施例中，对数据集进行规范化，包括基于时间对行驶速度、电池组温度和电池组电压进行转换，得到规范化的时间序列数据；对规范化的时间序列数据进行特征提取得到第二驾驶数据的时间序列特征。[0079] S600，将时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对第二数据集的进行预测，得到预测结果。[0080] 在一些实施例中，参考图4所示的SEGRNN模型训练流程示意图，其包括但不限于步骤S610 S630：~[0081] S610，将经过规范化的数据集划分为训练数据集和验证数据集；[0082] S620，基于时间序列的递归神经网络采用SEGRNN模型，通过SEGRNN模型对驾驶车辆在不同路段的行驶速度对时间序列特征进行划分，得到时间序列片段；[0083] S630，将训练数据集的电池组温度、电池组放电电流和电池组电压作为时间序列输入，将车辆在不同路段的行驶速度作为切分标准；[0084] S640，将不同切分标准的时间序列片段通过SEGRNN模型进行预测，得到预测结果。[0085] 可以理解的是，其中预测结果用于表征目标电池组在未来不同时间片段的行驶速度、电池组温度和电池组电压。[0086] 在一些实施例中，本发明对于不同路段距离及对应的不同长度的时间序列关系，因此SEGRNN模型可以处理不同长度的序列，这使得它在处理实际的数据时更加灵活，因此对于不同长度的时间序列关系具有更好的预测效果及准确率。[0087] S700，根据预测结果，采用损失函数进行训练及优化，得到电池健康检测模型。[0088] 在一些实施例中，采用如MASE均方误差损失函数，对预测结果与验证数据集进行差异对比，使用随机梯度下降优化器，对模型的参数进行更新并最小化损失函数处理，得到电池健康检测模型。[0089] 图5是本发明实施例的电池健康检测分析装置图。该装置包括了第一单元及第二单元，第一单元用于进行目标电池组的健康检测，第二单元用于电池健康检测模型的训练，其中第一单元包括第一模块510、第二模块520及第三模块530，第二单元包括第四模块540、第五模块550及、六模块560及第七模块570；[0090] 其中，第一模块510用于根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯，第一健康度用于表征目标电池组的当前健康度；第二模块520用于根据用户驾驶路线确定驾驶车辆在第一时间段内的路况数据，根据路况数据及第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，第一驾驶数据用于表征驾驶车辆在不同路段类型行驶时的行驶速度、电池组温度和电池组电压中的至少一种时间序列数据；第三模块530用于根据第一驾驶数据对目标电池组的采用电池健康检测模型进行预测，得到目标电池组的第二健康度，第二健康度用于表征驾驶车辆经过第一时间段后的健康度；第四模块540用于根据第二健康度，生成基于第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，第二用户驾驶习惯用于表征对目标电池组电池的最低健康损失度；第五模块550用于获取数据集，数据集包括第二驾驶数据，对第二驾驶数据进行特征提取，得到第二驾驶数据的时间序列特征；第六模块560用于将时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对第二数据集的进行预测，得到预测结果；第七模块570用于根据预测结果，采用损失函数进行训练及优化，得到电池健康检测模型。[0091] 示例性地，在装置中的第一模块、第二模块、第三模块、第四模块、第五模块、第六模块及第七模块的合作下，实施例装置可以实现前述的任意一种电池健康检测方法，即根据电池健康检测请求，获取目标电池组的第一健康度，以及获取用户驾驶路线及第一用户驾驶习惯，第一健康度用于表征目标电池组的当前健康度；根据用户驾驶路线确定驾驶车辆在第一时间段内的路况数据，根据路况数据及第一用户驾驶习惯，生成用户在第一时间段的第一驾驶数据，第一驾驶数据用于表征驾驶车辆在不同路段类型行驶时的行驶速度、电池组温度和电池组电压中的至少一种时间序列数据；根据第一驾驶数据对目标电池组的采用电池健康检测模型进行预测，得到目标电池组的第二健康度，第二健康度用于表征驾驶车辆经过第一时间段后的健康度；根据第二健康度，生成基于第一用户驾驶习惯的电池健康损失预测报告，并生成第二用户驾驶习惯，第二用户驾驶习惯用于表征对目标电池组电池的最低健康损失度；其中，电池健康检测模型通过以下步骤训练得到：获取数据集，数据集包括第二驾驶数据，对第二驾驶数据进行特征提取，得到第二驾驶数据的时间序列特征；将时间序列特征根据车辆在不同路段的行驶速度划分为时间序列片段，通过采用基于时间序列的递归神经网络对第二数据集的进行预测，得到预测结果；根据预测结果，采用损失函数进行训练及优化，得到电池健康检测模型。本发明的有益效果为：通过根据用户设定的驾驶路线，考虑驾驶路线及其第一用户驾驶习惯，以确定用户习惯在驾驶时对电池组产生的影响，通过SEGRNN模型确定用户在不同路段因驾驶习惯对电池组健康的影响，并对用户驾驶的整个车程进行模拟和预测，以得到电池健康变化及第一用户驾驶习惯对电池健康的影响，提高了基于用户行为影响的情况下电池组的健康检测的准确性，并对产生不利于电池健康的驾驶习惯进行修正。[0092] 本发明实施例还提供了一种电子设备，该电子设备包括处理器以及存储器；[0093] 存储器存储有程序；[0094] 处理器执行程序以执行前述的电池健康检测方法；该电子设备具有搭载并运行本发明实施例提供的电池健康检测的软件系统的功能，例如，个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。[0095] 本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的电池健康检测方法。[0096] 在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。[0097] 本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述的电池健康检测方法。[0098] 此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。[0099] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。[0100] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。[0101] 计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。[0102] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。[0103] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。[0104] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。[0105] 以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。