1.一种电池充放电循环寿命的预测方法,其特征在于,包括:
获取电池集的早期充放电循环数据;
根据所获取的早期充放电循环数据提取至少一电池集充放电循环特征,据以生成所述电池集的充放电循环数据特征向量,以形成对应的特征向量集;
利用聚类分析算法对所述充放电循环数据特征向量集进行聚类分组;
利用回归分析算法为聚类后的一或多组充放电循环数据特征向量子集分别建立对应的回归模型,以供根据所建立的回归模型中与待测充放电循环寿命的电池的特征最接近的一回归模型预测该电池的充放电循环寿命。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:根据所获取的早期充放电循环数据提取多个电池集充放电特征,其包括:放电容量差分特征、放电曲线退化特征、电池内阻特征、及电池充电循环次数特征中的任一种或多种组合。
3.根据权利要求1所述的方法,其特征在于,令经历了完整的充放电循环测试的多个电池中的一部分电池作为用于建立回归模型的训练集,另一部分电池作为测试集;所述方法包括:
获取训练集的多个早期充放电循环数据;
根据所获取的早期充放电循环数据提取至少一训练集充放电特征,据以生成所述训练集的充放电循环数据特征向量集;
利用聚类分析算法对所述充放电循环数据特征向量集进行聚类分组;
利用回归分析算法为聚类后的一或多组充放电循环数据特征向量子集分别建立对应的回归模型;
基于所述测试集对各回归模型进行精准度测试。
4.根据权利要求1所述的方法,其特征在于,包括:
获取来自电池实测现场的实测数据;
根据所获取的实测数据更新所述回归模型。
5.一种电池充放电循环寿命的预测方法,其特征在于,包括:
获取并部署用于预测电池充放电循环寿命的回归模型;
从所述多个回归模型中选取与待测充放电循环寿命的电池的特征最接近的一回归模型;
根据所选的回归模型预测该电池的充放电循环寿命。
6.根据权利要求5所述的方法,其特征在于,包括:
采集并上传基于电池实测现场的实测数据,以供更新所述回归模型;以及/或者
获取并部署用于预测电池充放电循环寿命的一或多个更新后的回归模型。
7.一种电池充放电循环寿命的预测装置,其特征在于,包括:
数据获取模块,用于获取电池集的早期充放电循环数据;
特征向量集生成模块,用于根据所获取的早期充放电循环数据提取至少一电池集充放电特征,据以生成所述电池集的充放电循环数据特征向量集;
聚类模块,用于利用聚类分析算法对所述充放电循环数据特征向量集进行聚类分组;
模型建立模块,用于利用回归分析算法为聚类后的一或多组充放电循环数据特征向量子集分别建立对应的回归模型,以供根据所建立的回归模型中与待测充放电循环寿命的电池的特征最接近的一回归模型预测该电池的充放电循环寿命。
8.一种电池充放电循环寿命的预测装置,其特征在于,包括:
模型获取及部署模块,用于获取并部署用于预测电池充放电循环寿命的一或多个回归模型;
模型选取模块,用于从所述多个回归模型中选取与待测充放电循环寿命的电池的特征最接近的一回归模型;
寿命预测模块,用于根据所选的回归模型预测该电池的充放电循环寿命。
9.一种计算机可读存储介质,其上存储有第一计算机程序和/或第二计算机程序,其特征在于,所述第一计算机程序被处理器执行时实现权利要求1~4中任一项所述的电池充放电循环寿命的预测方法,所述第二计算机程序被处理器执行时实现权利要求5或6所述的电池充放电循环寿命的预测方法。
10.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1~4中任一项所述的电池充放电循环寿命的预测方法。
11.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求5或6所述的电池充放电循环寿命的预测方法。
12.一种电池充放电循环寿命的预测系统,其特征在于,包括如权利要求10所述的电子终端和权利要求11所述的电子终端。