本技术涉及电池容量领域，尤其涉及一种电池容量预测方法、装置、电子设备及可读存储介质。
背景技术：
1、电池容量是重要的电芯性能指标，电池容量受多方面因素影响，如温度、机理反应、测量仪器等影响，在实际测量值往往不准确，影响电芯的性能一致性。现有技术使用同一电池容量预测模型无法适应电池生产时的数据变化，预测结果精度较差，且当数据变化时，无法及时进行电池容量预测。
技术实现思路
1、为了解决上述技术问题，本技术实施例提供了一种电池容量预测方法、装置、电子设备及可读存储介质。
2、第一方面，本技术实施例提供了一种电池容量预测方法，所述方法包括：
3、获取当前批次的各电芯的电芯特征数据，所述电芯特征数据包括电芯关键特征数据和电芯非关键特征数据；
4、基于所述电芯特征数据，获取当前批次的电芯关键特征分布参数和电芯非关键特征分布参数；
5、从历史批次数据库中获取各个历史批次的电芯关键特征分布参数和电芯非关键特征分布参数，每个历史批次对应一个电池容量预测模型；
6、分别根据当前批次的电芯关键特征分布参数和各历史批次的电芯关键特征分布参数，电芯非关键特征分布参数和各历史批次的电芯非关键特征分布参数计算关键相似度评分和非关键相似度评分；
7、设置关键相似度评分阈值，若存在所述关键相似度评分大于等于所述关键相似度评分阈值的历史批次，且当前批次的电芯关键特征分布参数满足条件，则确定关键相似度评分与非关键相似度评分之和最高的目标历史批次；
8、确定目标历史批次对应的目标电池容量预测模型，并通过所述目标电池容量预测模型对当前批次执行电池容量预测。
9、在一实施方式中，所述方法还包括：
10、若不存在所述关键相似度评分大于等于所述关键相似度评分阈值的历史批次或当前批次的电芯关键特征分布参数不满足条件，则根据所述当前批次的电芯特征数据训练当前批次的电池容量预测模型；
11、将所述当前批次的电芯关键特征分布参数、电芯非关键特征分布参数和所述当前批次的电池容量预测模型加入所述历史批次数据库。
12、在一实施方式中，所述获取当前批次的各电芯的电芯特征数据，包括：
13、解析当前批次的各电芯的源数据，从解析后的源数据中提取各电芯的初始电芯特征数据；
14、识别各电芯的初始电芯特征数据中的异常电芯特征数据；
15、从各电芯的初始电芯特征数据中删除异常电芯特征数据，得到各电芯的电芯特征数据。
16、在一实施方式中，所述识别各电芯的初始电芯特征数据中的异常电芯特征数据，包括：
17、将所述初始电芯特征数据进行聚类；
18、根据聚类结果识别异常电芯特征数据。
19、在一实施方式中，所述基于所述电芯特征数据，获取当前批次的电芯关键特征分布参数和电芯非关键特征分布参数，包括：
20、将各电芯的电芯关键特征数据和电芯非关键特征数据进行归一化处理；
21、设置特征数据取值范围，根据所述特征数据取值范围以及各电芯归一化后的电芯关键特征数据和电芯非关键特征数据，得到当前批次的电芯关键特征数据区间和电芯非关键特征数据区间；
22、根据各电芯归一化后的电芯关键特征数据和电芯非关键特征数据，得到当前批次的电芯关键特征数据均值和电芯非关键特征数据均值。
23、在一实施方式中，所述分别根据当前批次的电芯关键特征分布参数和各历史批次的电芯关键特征分布参数，电芯非关键特征分布参数和各历史批次的电芯非关键特征分布参数计算关键相似度评分和非关键相似度评分，包括：
24、设置电芯关键特征数据权重与电芯非关键特征数据权重；
25、计算电芯关键特征数据区间重合度与电芯非关键特征数据区间重合度与均值重合度；
26、根据所述电芯关键特征数据权重、所述电芯关键特征数据区间重合度和所述电芯关键特征数据均值重合度计算得到电芯关键特征数据的关键相似度评分；
27、根据所述电芯非关键特征数据权重、所述电芯非关键特征数据区间重合度和所述电芯非关键特征数据均值重合度计算得到电芯关键特征数据的非关键相似度评分。
28、在一实施方式中，所述从历史批次数据库中获取各个历史批次的电芯关键特征分布参数和电芯非关键特征分布参数，所述方法还包括：
29、若所述历史批次数据库中不存在历史批次的电芯关键特征分布参数和电芯非关键特征分布参数，则根据所述当前批次的电芯特征数据训练当前批次的电池容量预测模型；
30、将所述当前批次的电芯关键特征分布参数、电芯非关键特征分布参数和当前批次的电池容量预测模型加入所述历史批次数据库。
31、第二方面，本技术实施例提供了一种电池容量预测装置，所述电池容量预测装置包括：
32、第一获取模块，用于获取当前批次的各电芯的电芯特征数据，所述电芯特征数据包括电芯关键特征数据和电芯非关键特征数据；
33、第二获取模块，用于基于所述电芯特征数据，获取当前批次的电芯关键特征分布参数和电芯非关键特征分布参数；
34、第三获取模块，用于从历史批次数据库中获取各个历史批次的电芯关键特征分布参数和电芯非关键特征分布参数，每个历史批次对应一个电池容量预测模型；
35、计算模块，用于分别根据当前批次的电芯关键特征分布参数和各历史批次的电芯关键特征分布参数，电芯非关键特征分布参数和各历史批次的电芯非关键特征分布参数计算关键相似度评分和非关键相似度评分；
36、确定模块，用于设置关键相似度评分阈值，若存在所述关键相似度评分大于等于所述关键相似度评分阈值的历史批次，且当前批次的电芯关键特征分布参数满足条件，则确定关键相似度评分与非关键相似度评分之和最高的目标历史批次；
37、预测模块，用于确定目标历史批次对应的目标电池容量预测模型，并通过所述目标电池容量预测模型对当前批次执行电池容量预测。
38、第三方面，本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的电池容量预测方法。
39、第四方面，本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的电池容量预测方法。
40、上述本技术提供的电池容量预测方法，获取当前批次的各电芯的电芯特征数据，所述电芯特征数据包括电芯关键特征数据和电芯非关键特征数据；基于所述电芯特征数据，获取当前批次的电芯关键特征分布参数和电芯非关键特征分布参数；从历史批次数据库中获取各个历史批次的电芯关键特征分布参数和电芯非关键特征分布参数，每个历史批次对应一个电池容量预测模型；分别根据当前批次的电芯关键特征分布参数和各历史批次的电芯关键特征分布参数，电芯非关键特征分布参数和各历史批次的电芯非关键特征分布参数计算关键相似度评分和非关键相似度评分；设置关键相似度评分阈值，若存在所述关键相似度评分大于等于所述关键相似度评分阈值的历史批次，且当前批次的电芯关键特征分布参数满足条件，则确定关键相似度评分与非关键相似度评分之和最高的目标历史批次；确定目标历史批次对应的目标电池容量预测模型，并通过所述目标电池容量预测模型对当前批次执行电池容量预测。通过相似度评分，匹配当前批次的电芯特征数据的目标历史批次，得到目标历史批次对应的电池容量预测模型，且考虑了历史批次的数据特征，提高了电池容量预测的实时性与准确性。
1.一种电池容量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述获取当前批次的各电芯的电芯特征数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述识别各电芯的初始电芯特征数据中的异常电芯特征数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述电芯特征数据，获取当前批次的电芯关键特征分布参数和电芯非关键特征分布参数，包括：
6.根据权利要求5所述的方法，其特征在于，所述分别根据当前批次的电芯关键特征分布参数和各历史批次的电芯关键特征分布参数，电芯非关键特征分布参数和各历史批次的电芯非关键特征分布参数计算关键相似度评分和非关键相似度评分，包括：
7.根据权利要求1所述的方法，其特征在于，所述从历史批次数据库中获取各个历史批次的电芯关键特征分布参数和电芯非关键特征分布参数，所述方法还包括：
8.一种电池容量预测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行权利要求1至7中任一项所述的电池容量预测方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的电池容量预测方法。
