本发明涉及充电电源领域，具体而言，涉及一种充电电池荷电状态确定方法及装置。
背景技术：
在相关技术中，当今随着电池技术的发展，电动汽车也在飞速发展，今后电动汽车的应用将会越来越广泛。其中可充电锂电池作为电动汽车上最重要的设备之一，在当前充电电池容量有限的技术条件下，针对充电电池剩余容量的估计直接影响了电动汽车的电能补给和使用环境。车载的bms(batterymanagementsystem，电池管理系统)集成了对电池的soc(stateofcharge，荷电状态)和soh(stateofhealth，健康状态)的内容进行估计的功能，用来提供给驾驶员续航里程的参考。其中充电电池soc估计的误差主要来源是由于充电电池的老化，使得电池性能减弱导致充电电池soc的估计误差增大，误差最大甚至达到20～30％，不仅会影响驾驶员的判断，同时还会造成驾驶过程中一定的安全隐患。因此采用精准的充电电池soc估计方法是十分必要且对充电电池的实际使用具有重要的意义的。
而在实际的应用场景中，对于考虑充电电池老化因素的电池soc估计的方法主要包括完全放电法和内阻测量法。其中，完全放电法需要对充电电池进行完全充放电操作，不仅测算过程复杂并且，加快了充电电池的老化进程。另外内阻测量法虽然避免了上述完全放电法的缺点但是由于测量仪器等的限制，其测量精度不够高。。
针对上述问题，目前还没有有效的解决方案。
技术实现要素：
本发明实施例提供了一种充电电池荷电状态确定方法及装置，以至少解决相关技术中充电电池荷电状态确定过程中操作复杂且不够准确的问题。
根据本发明的一个实施例，提供了一种充电电池荷电状态确定方法，包括：根据充电电池的充放电参数确定上述充电电池的充放电指数，其中，上述充放电指数用于指示上述充电电池的电容量；根据上述充电电池的环境状态参数以及上述充放电指数确定上述充电电池的表现指数，其中，上述表现指数用于指示上述充电电池在上述环境状态参数所指示的目标状态下的电容量；根据上述充放电指数以及上述表现指数确定上述充电电池的荷电状态。
可选地，在根据充电电池的充放电参数确定上述充电电池的充放电指数之前，包括：获取上述充放电参数，其中，上述充放电参数包括以下至少之一：上述充电电池的电池当前总电量、上述充电电池的电池内阻、充电时间以及放电时间。
可选地，在上述获取上述充放电参数之后，包括：预先建立与上述充电电池相同型号的电池等效电路模型，获取上述电池等效电路模型中电池容量的衰减曲线，其中，上述电池等效电路模型在执行循环充放电过程中根据电池容量变化得到上述衰减曲线；根据上述衰减曲线对上述充电电池的上述电池当前总电量进行修正，获取修正后的电池当前总电量。
可选地，上述根据充电电池的充放电参数确定上述充电电池的充放电指数，包括：将上述修正后的电池当前总电量、上述电池内阻、上述充电时间以及上述放电时间输入第一神经网络训练模型，输出上述充放电指数，其中，上述第一神经网络训练模型为使用多组数据通过机器学习训练得出的。
可选地，上述根据充电电池的充放电参数确定上述充电电池的充放电指数，还包括：将上述修正后的电池当前总电量、上述电池内阻以及上述充电时间输入第二神经网络训练模型，其中，上述第二神经网络训练模型为使用多组数据通过机器学习训练得出的；将上述修正后的电池当前总电量、上述电池内阻以及上述放电时间输入第三神经网络训练模型，其中，上述第三神经网络训练模型为使用多组数据通过机器学习训练得出的；根据上述第二神经网络训练模型以及上述第三神经网络训练模型的输出结果确定上述充放电指数。
可选地，上述根据上述充电电池的环境状态参数以及上述充放电指数确定上述充电电池的表现指数，包括：获取上述充电电池的环境状态参数中包括的以下至少一种参数：环境条件参数、工作条件参数；将上述环境条件参数、工作条件参数以及上述充放电指数输入第四神经网络训练模型，输出上述表现指数，其中，上述第四神经网络训练模型为使用多组数据通过机器学习训练得出的。
可选地，上述环境条件参数包括以下至少之一：上述充电电池的温度、湿度；上述工作条件参数包括以下至少之一：上述充电电池的放电率、电压变化率。
根据本发明的另一个实施例，提供了充电电池荷电状态确定装置，包括：第一确定单元，用于根据充电电池的充放电参数确定上述充电电池的充放电指数，其中，上述充放电指数用于指示上述充电电池的电容量；第二确定单元，用于根据上述充电电池的环境状态参数以及上述充放电指数确定上述充电电池的表现指数，其中，上述表现指数用于指示上述充电电池在上述环境状态参数所指示的目标状态下的电容量；第三确定单元，用于根据上述充放电指数以及上述表现指数确定上述充电电池的荷电状态。
可选地，上述充电电池荷电状态确定装置还包括：
获取单元，用于在根据充电电池的充放电参数确定上述充电电池的充放电指数之前，获取上述充放电参数，其中，上述充放电参数包括以下至少之一：上述充电电池的电池当前总电量、上述充电电池的电池内阻、充电时间以及放电时间。
可选地，上述获取单元，还包括：第一获取模块，用于预先建立与上述充电电池相同型号的电池等效电路模型，获取上述电池等效电路模型中电池容量的衰减曲线，其中，上述电池等效电路模型在执行循环充放电过程中根据电池容量变化得到上述衰减曲线；第二获取模块，用于在上述获取上述充放电参数之后，根据上述衰减曲线对上述充电电池的上述电池当前总电量进行修正，获取修正后的电池当前总电量。
可选地，上述第一确定单元包括：第一处理模块，用于将上述修正后的电池当前总电量、上述电池内阻、上述充电时间以及上述放电时间输入第一神经网络训练模型，输出上述充放电指数，其中，上述第一神经网络训练模型为使用多组数据通过机器学习训练得出的。
可选地，上述第一确定单元还包括：第二处理模块，用于将上述修正后的电池当前总电量、上述电池内阻以及上述充电时间输入第二神经网络训练模型，其中，上述第二神经网络训练模型为使用多组数据通过机器学习训练得出的；第三处理模块，用于将上述修正后的电池当前总电量、上述电池内阻以及上述放电时间输入第三神经网络训练模型，其中，上述第三神经网络训练模型为使用多组数据通过机器学习训练得出的；确定模块，用于根据上述第二神经网络训练模型以及上述第三神经网络训练模型的输出结果确定上述充放电指数。
可选地，上述第一确定单元还包括：第三获取模块，用于获取上述充电电池的环境状态参数中包括的以下至少一种参数：环境条件参数、工作条件参数；第四处理模块，用于将上述环境条件参数、工作条件参数以及上述充放电指数输入第四神经网络训练模型，输出上述表现指数，其中，上述第四神经网络训练模型为使用多组数据通过机器学习训练得出的。
可选地，上述环境条件参数包括以下至少之一：上述充电电池的温度、湿度；上述工作条件参数包括以下至少之一：上述充电电池的放电率、电压变化率。
通过本发明，由于根据充电电池的充放电参数以确定了充电电池的充放电指数，然后根据充电电池的环境状态参数以及电池充放电指数确定充电电池的表现指数，根据充放电指数以及表现指数确定充电电池的荷电状态，进而能够准确地确定充电电池的当前荷电状态，减少电池老化因素的影响。因此，可以解决相关技术中充电电池荷电状态确定过程中操作复杂且不够准确的问题，达到在老化情况下的电池剩余容量精准估计的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的充电电池荷电状态确定方法的流程图；
图2是根据本发明实施例的电池等效电路模型的电路图；
图3是根据本发明实施例的充电电池荷电状态确定装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
基于相关技术中充电电池荷电状态确定过程中操作复杂且不够准确的问题，本发明提供了一种充电电池荷电状态确定方法及装置，以实现减少电池老化因素的影响，确定充电电池的当前荷电状态，达到在老化情况下的电池剩余容量精准估计。
根据本发明实施例，提供了一种充电电池荷电状态确定方法，如图1所示，该方法包括：
s101，根据充电电池的充放电参数确定充电电池的充放电指数，其中，充放电指数用于指示充电电池的电容量；
s102，根据充电电池的环境状态参数以及充放电指数确定充电电池的表现指数，其中，表现指数用于指示充电电池在环境状态参数所指示的目标状态下的电容量；
s103，根据充放电指数以及表现指数确定充电电池的荷电状态。
需要说明的是，电池的电荷状态确定过程中，电池的当前电容量、欧姆内阻、电池充电时间以及放电时间是决定充电电池当前性能的充放电参数，根据充电电池的充放电参数能够确定充电电池当前受老化影响后的实际状态，通过充放电参数确定的充放电指数表示了充电电池本身随着使用寿命的增加而导致的电池内部过程的变化从而影响的充放电能力的变化。
然而在实际的应用场景中，电池的充放电过程中也会受到所处当前环境以及电池的状态的状态参数影响，该环境状态参数包括环境条件、工作条件等，例如环境条件中的温度、湿度；工作条件中的放电率、电压变化率等。充电电池的表现指数由电池的充放电指数以及实际的运行参数共同决定，采用充电电池的表现指数能够使电池的电池荷电状态soc的确定结果更精确。
在本发明实施例中，根据充电电池的充放电参数来确定充电电池的充放电指数，然后根据充电电池的环境状态参数以及充放电指数确定充电电池的表现指数，能够准确地确定充电电池的当前荷电状态，减少电池老化因素的影响。因此，可以解决相关技术中充电电池荷电状态确定过程中操作复杂且不够准确的问题，达到在老化情况下的电池剩余容量精准估计的效果。
作为一种可选地实施方案，在根据充电电池的充放电参数确定充电电池的充放电指数之前，包括但不限于：获取充放电参数，其中，充放电参数包括以下至少之一：充电电池的电池当前总电量、充电电池的电池内阻、充电时间以及放电时间。在实际的应用场景中，也可以不仅限于以上四种参数，具体的可以根据实际经验进行设置，上述的充放电参数是能够准确的描述电池的性能的，该性能可以是电池容量、充电时间以及放电时间等，以上仅是一种示例，在此不做任何限定。
作为一种可选地实施方案，在获取充放电参数之后，包括但不限于：预先建立与充电电池相同型号的电池等效电路模型，获取电池等效电路模型中电池容量的衰减曲线，其中，电池等效电路模型在执行循环充放电过程中根据电池容量变化得到衰减曲线；根据衰减曲线对充电电池的电池当前总电量进行修正，获取修正后的电池当前总电量。
具体的，为了保证对充电电池的电荷状态确定结果的准确性，该电池电路等效模型对应的电池与待确定soc的充电电池的电池型号需要保持一致，该电池型号为相同材质的电池型号，例如均为磷酸锂铁电池。构建后的电池等效电路模型如图2所示，该电池等效电路模型中的欧姆内阻表示放电时候的内阻rind和充电时候的内阻rinc。通过区分充电和放电两种情况来进行等效电池的欧姆内阻。除此之外，rp1、rp2和cp1、cp2分别表示电池的极化内阻以及极化电容，uoc表示电池开路电压，cb表示电池的储能电容，在此电池等效电路模型的基础上，进行电池的hppc(混合动力脉冲能力特性，hybridpulsepowercharacteristic)测试，经过该电池等效电路模型循环充放电过程，记录并获取该电池等效电路模型循环充放电过程中的电池容量的衰减曲线以及欧姆内阻、极化电阻、极化电容随充放电次数的衰减曲线。在充电电池的电荷状态确定过程中，在获取到一组电池参数中的电池当前总电量qeff后，根据电池等效电路模型的衰减曲线对其进行修正，得到修正后的电池当前总电量qeff′。
通过预先建立的与充电电池相同型号的电池等效电路模型，获取电池等效电路模型循环充放电过程中电池容量的衰减曲线，对电池当前总电量进行修正，获取修正后的电池当前总电量，减少了电池老化的影响，保证了电池荷电状态确定结果的准确性。
作为一种可选地实施方式，根据充电电池的充放电参数确定充电电池的充放电指数，包括但不限于：将修正后的电池当前总电量、电池内阻、充电时间以及放电时间输入第一神经网络训练模型，输出充放电指数，其中，第一神经网络训练模型为使用多组数据通过机器学习训练得出的。
在具体的应用场景中，以获取到充电电池的一组电池参数为电池当前总电量qeff，欧姆内阻rin，充电时间τ1以及放电时间τ2四个参数为例进行说明，经过电池等效电路模型的衰减曲线对qeff进行修正后得到修正后的电池当前总电量qeff′，将修正后的电池总电量qeff′、欧姆内阻rin，充电时间τ1以及放电时间τ2输入预设第一神经网络训练模型，输出该充电电池的充放电指数。
通过本实施例，根据充电电池的充放电参数确定充电电池的充放电指数，根据充电电池的充放电指数能够确定充电电池当前受老化影响后的实际状态。
作为一种可选地实施方式，根据充电电池的充放电参数确定充电电池的充放电指数，还包括但不限于：将修正后的电池当前总电量、电池内阻以及充电时间输入第二神经网络训练模型，其中，第二神经网络训练模型为使用多组数据通过机器学习训练得出的；将修正后的电池当前总电量、电池内阻以及放电时间输入第三神经网络训练模型，其中，第三神经网络训练模型为使用多组数据通过机器学习训练得出的；根据第二神经网络训练模型以及第三神经网络训练模型的输出结果确定充放电指数。
在具体的应用场景中，以获取到充电电池的一组电池参数为电池当前总电量qeff，欧姆内阻rin，充电时间τ1以及放电时间τ2四个参数为例进行说明，经过电池等效电路模型的衰减曲线对qeff进行修正后得到修正后的电池当前总电量qeff′，将修正后的电池总电量qeff′、欧姆内阻rin以及充电时间τ1输入预设第二神经网络训练模型，将修正后的电池总电量qeff′、欧姆内阻rin以及放电时间τ2输入预设第三神经网络训练模型，根据第二神经网络训练模型以及第三神经网络训练模型的输出结果确定充放电指数。
作为一种可选地实施方式，根据充电电池的环境状态参数以及充放电指数确定充电电池的表现指数，包括但不限于：获取充电电池的环境状态参数中包括的以下至少一种参数：环境条件参数、工作条件参数；将环境条件参数、工作条件参数以及充放电指数输入第四神经网络训练模型，输出表现指数，其中，第四神经网络训练模型为使用多组数据通过机器学习训练得出的。根据充电电池所处的环境条件以及运行参数的不同，其实际的荷电状态也会受到影响，因此在本发明实施例中采用了充电电池的表现指数对充电电池的充放电指数进行修正，使得确定出的充电电池的荷电状态更加准确。
需要说明的是，上述的第一神经网络训练模型、第二神经网络训练模型、第二神经网络训练模型以及第四神经网络训练模型的区别在于处理的数据不同，都是使用多组数据通过机器学习训练得出的。
作为一种可选地实施方式，环境条件参数包括以下至少之一：充电电池的温度、湿度；工作条件参数包括以下至少之一：充电电池的放电率、电压变化率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
实施例二
在本实施例中还提供了一种充电电池荷电状态确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明实施例的充电电池荷电状态确定装置的结构框图，如图3所示，该装置包括：
1)第一确定单元301，用于根据充电电池的充放电参数确定充电电池的充放电指数，其中，充放电指数用于指示充电电池的电容量；
2)第二确定单元302，用于根据充电电池的环境状态参数以及充放电指数确定充电电池的表现指数，其中，表现指数用于指示充电电池在环境状态参数所指示的目标状态下的电容量；
3)第三确定单元303，用于根据充放电指数以及表现指数确定充电电池的荷电状态。
需要说明的是，电池的电荷状态确定过程中，电池的当前电容量、欧姆内阻、电池充电时间以及放电时间是决定充电电池当前性能的充放电参数，根据充电电池的充放电参数能够确定充电电池当前受老化影响后的实际状态，通过充放电参数确定的充放电指数表示了充电电池本身随着使用寿命的增加而导致的电池内部过程的变化从而影响的充放电能力的变化。
然而在实际的应用场景中，电池的充放电过程中也会受到所处当前环境以及电池的状态的状态参数影响，该环境状态参数包括环境条件、工作条件等，例如环境条件中的温度、湿度；工作条件中的放电率、电压变化率等。充电电池的表现指数由电池的充放电指数以及实际的运行参数共同决定，采用充电电池的表现指数能够使电池的电池荷电状态soc的确定结果更精确。
在本发明实施例中，根据充电电池的充放电参数来确定充电电池的充放电指数，然后根据充电电池的环境状态参数以及充放电指数确定充电电池的表现指数，能够准确地确定充电电池的当前荷电状态，减少电池老化因素的影响。因此，可以解决相关技术中充电电池荷电状态确定过程中操作复杂且不够准确的问题，达到在老化情况下的电池剩余容量精准估计的效果。
作为一种可选地实施方式，上述充电电池荷电状态确定装置还包括：
1)获取单元，用于在根据充电电池的充放电参数确定充电电池的充放电指数之前，获取充放电参数，其中，充放电参数包括以下至少之一：充电电池的电池当前总电量、充电电池的电池内阻、充电时间以及放电时间。
在实际的应用场景中，也可以不仅限于以上四种参数，具体的可以根据实际经验进行设置，上述的充放电参数是能够准确的描述电池的性能的，该性能可以是电池容量、充电时间以及放电时间等，以上仅是一种示例，在此不做任何限定。
作为一种可选地实施方式，上述获取单元，还包括：
1)第一获取模块，用于预先建立与充电电池相同型号的电池等效电路模型，获取电池等效电路模型中电池容量的衰减曲线，其中，电池等效电路模型在执行循环充放电过程中根据电池容量变化得到衰减曲线；
2)第二获取模块，用于在获取充放电参数之后，根据衰减曲线对充电电池的电池当前总电量进行修正，获取修正后的电池当前总电量。
具体的，为了保证对充电电池的电荷状态确定结果的准确性，该电池电路等效模型对应的电池与待确定soc的充电电池的电池型号需要保持一致，该电池型号为相同材质的电池型号，例如均为磷酸锂铁电池。构建后的电池等效电路模型如图2所示，该电池等效电路模型中的欧姆内阻表示放电时候的内阻rind和充电时候的内阻rinc。通过区分充电和放电两种情况来进行等效电池的欧姆内阻。除此之外，rp1、rp2和cp1、cp2分别表示电池的极化内阻以及极化电容，uoc表示电池开路电压，cb表示电池的储能电容，在此电池等效电路模型的基础上，进行电池的hppc(混合动力脉冲能力特性，hybridpulsepowercharacteristic)测试，经过该电池等效电路模型循环充放电过程，记录并获取该电池等效电路模型循环充放电过程中的电池容量的衰减曲线以及欧姆内阻、极化电阻、极化电容随充放电次数的衰减曲线。在充电电池的电荷状态确定过程中，在获取到一组电池参数中的电池当前总电量qeff后，根据电池等效电路模型的衰减曲线对其进行修正，得到修正后的电池当前总电量qeff′。
通过预先建立的与充电电池相同型号的电池等效电路模型，获取电池等效电路模型循环充放电过程中电池容量的衰减曲线，对电池当前总电量进行修正，获取修正后的电池当前总电量，减少了电池老化的影响，保证了电池荷电状态确定结果的准确性。
作为一种可选地实施方式，第一确定单元301包括：
1)第一处理模块，用于将修正后的电池当前总电量、电池内阻、充电时间以及放电时间输入第一神经网络训练模型，输出充放电指数，其中，第一神经网络训练模型为使用多组数据通过机器学习训练得出的。
在具体的应用场景中，以获取到充电电池的一组电池参数为电池当前总电量qeff，欧姆内阻rin，充电时间τ1以及放电时间τ2四个参数为例进行说明，经过电池等效电路模型的衰减曲线对qeff进行修正后得到修正后的电池当前总电量qeff′，将修正后的电池总电量qeff′、欧姆内阻rin，充电时间τ1以及放电时间τ2输入预设第一神经网络训练模型，输出该充电电池的充放电指数。
通过本实施例，根据充电电池的充放电参数确定充电电池的充放电指数，根据充电电池的充放电指数能够确定充电电池当前受老化影响后的实际状态。
作为一种可选地实施方式，第一确定单元301还包括：
1)第二处理模块，用于将修正后的电池当前总电量、电池内阻以及充电时间输入第二神经网络训练模型，其中，第二神经网络训练模型为使用多组数据通过机器学习训练得出的；
2)第三处理模块，用于将修正后的电池当前总电量、电池内阻以及放电时间输入第三神经网络训练模型，其中，第三神经网络训练模型为使用多组数据通过机器学习训练得出的；
3)确定模块，用于根据第二神经网络训练模型以及第三神经网络训练模型的输出结果确定充放电指数。
在具体的应用场景中，以获取到充电电池的一组电池参数为电池当前总电量qeff，欧姆内阻rin，充电时间τ1以及放电时间τ2四个参数为例进行说明，经过电池等效电路模型的衰减曲线对qeff进行修正后得到修正后的电池当前总电量qeff′，将修正后的电池总电量qeff′、欧姆内阻rin以及充电时间τ1输入预设第二神经网络训练模型，将修正后的电池总电量qeff′、欧姆内阻rin以及放电时间τ2输入预设第三神经网络训练模型，根据第二神经网络训练模型以及第三神经网络训练模型的输出结果确定充放电指数。
作为一种可选地实施方式，第二确定单元包括：
1)第三获取模块，用于获取充电电池的环境状态参数中包括的以下至少一种参数：环境条件参数、工作条件参数；
2)第四处理模块，用于将环境条件参数、工作条件参数以及充放电指数输入第四神经网络训练模型，输出表现指数，其中，第四神经网络训练模型为使用多组数据通过机器学习训练得出的。
需要说明的是，根据充电电池所处的环境条件以及运行参数的不同，其实际的荷电状态也会受到影响，因此在本发明实施例中采用了充电电池的表现指数对充电电池的充放电指数进行修正，使得确定出的充电电池的荷电状态更加准确。
需要说明的是，上述的第一神经网络训练模型、第二神经网络训练模型、第二神经网络训练模型以及第四神经网络训练模型的区别在于处理的数据不同，都是使用多组数据通过机器学习训练得出的。
作为一种可选地实施方式，上述充电电池荷电状态确定装置还包括：
1)环境条件参数包括以下至少之一：充电电池的温度、湿度；
2)工作条件参数包括以下至少之一：充电电池的放电率、电压变化率。
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
s1，根根据充电电池的充放电参数确定充电电池的充放电指数，其中，充放电指数用于指示充电电池的电容量；
s2，根据充电电池的环境状态参数以及充放电指数确定充电电池的表现指数，其中，表现指数用于指示充电电池在环境状态参数所指示的目标状态下的电容量；
s3，根据充放电指数以及表现指数确定充电电池的荷电状态。
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。