一种剩余电量的估计方法及系统技术方案

本发明专利技术公开了一种剩余电量的估计方法，包括：获取待估计电池对应的剩余电量估计神经网络模型；依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。上述的方法中，所述剩余电量估计神经网络的权值和阈值时经过遗传算法分析计算得到的，设定是有针对性的，避免了随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值导致最终剩余电量SOC的估计不准确或者不成功的问题。

A Method and System for Estimating Residual Electricity

【技术实现步骤摘要】
一种剩余电量的估计方法及系统
本专利技术涉及电池管理
，尤其涉及一种剩余电量的估计方法及系统。
技术介绍
如今，电动汽车迅猛发展，而电池作为电动汽车的关键技术之一越来越受到人们的关注，电池作为电动汽车的唯一能量源，准确预测电池的剩余电量SOC能实现整车能量管理的优化控制，进行均衡的充放电，提高电池的利用效率。但是影响电池的剩余电量SOC的因素众多，动力电池在使用过程中具有高度的非线性，而且充放电过程很难建立精确的数学模型，目前国内外对剩余电量SOC的估计采用神经网络具来实现。专利技术人对现有的基于神经网络的剩余电量SOC的估计过程进行研究发现，神经网络的权值和阈值的初始值是随机设定的，随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值导致最终剩余电量SOC的估计不准确或者不成功。
技术实现思路
有鉴于此，本专利技术提供了一种剩余电量的估计方法及系统，用以解决现有技术中神经网络的权值和阈值的初始值是随机设定的，随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值等问题，导致最终剩余电量SOC的估计不准确或者不成功的问题。具体方案如下：一种剩余电量的估计方法，包括：获取待估计电池对应的剩余电量估计神经网络模型；依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。上述的方法，可选的，依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值包括：对每一个种群依据预设的适应度函数进行适应度计算，得到其对应的适应度值；对各个种群依据其对应的适应度值进行筛选，得到目标种群集；依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值。上述的方法，可选的，对各个种群依据其对应的适应度值进行筛选，得到目标种群集包括：对所述各个种群的适应度值依据降序进行排序，依据排序结果进行筛选，得到第一种群集；对所述第一种群集的各个第一种群进行交叉计算，得到第二种群集，依据所述第二种群集中的各个第二种群的适应度值对所述第二种群集进行筛选，得到目标种群集。上述的方法，可选的，对所述第一种群集的各个第一种群进行交叉计算，得到第二种群集，依据所述第二种群集中的各个第二种群的适应度值对所述第二种群集进行筛选，得到目标种群集还包括：选取所述目标种群集中的目标种群进行变异计算。上述的方法，可选的，依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值包括：将每一个目标种群的适应度值与预设的目标适应度值区间进行比较，确定落在所述目标适应度值区间内的各个目标种群；判断落在所述目标适应度值区间内的各个目标种群的数量是否为零；若否，将所述各个目标种群中适应度值最大的目标种群的权值和阈值作为目标权值和目标阈值。上述的方法，可选的，还包括:若是，重复执行所述目标权值和所述目标阈值的计算过程，当计算的次数满足预设的计算次数阈值时，在目标种群集中选取目标权值和目标阈值。上述的方法，可选的，将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量包括：将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型；依据预设的误差函数对所述剩余电量估计神经网络模型的误差进行计算；判断误差结果是否小于预设的误差阈值；当小于时，将所述目标权值和目标阈值传递到所述剩余电量估计神经网络模型进行计算，得到所述待估计电池的剩余电量。上述的方法，可选的，还包括：当大于时，将所述目标权值和所述目标阈值进行更新。一种剩余电量的估计系统，包括：获取模块，用于获取待估计电池对应的剩余电量估计神经网络模型；第一确定模块，用于依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；第二确定模块，用于依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；计算模块，用于将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。上述的系统，可选的，所述第二确定模块包括：计算单元，用于对每一个种群依据预设的适应度函数进行适应度计算，得到其对应的适应度值；筛选单元，用于对各个种群依据其对应的适应度值进行筛选，得到目标种群集；确定单元，用于依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值。与现有技术相比，本专利技术包括以下优点：本专利技术公开了一种剩余电量的估计方法，包括：获取待估计电池对应的剩余电量估计神经网络模型；依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。上述的方法中，所述剩余电量估计神经网络的权值和阈值时经过遗传算法分析计算得到的，设定是有针对性的，避免了随机设定的权值和阈值容易出现收敛速度慢、对初值敏感以及极易陷入局部最小值导致最终剩余电量SOC的估计不准确或者不成功的问题。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例公开的一种剩余电量的估计方法流程图；图2为本申请实施例公开的一种剩余电量的估计方法又一方法流程图；图3为本申请实施例公开的一种剩余电量的估计方法又一方法流程图；图4为本申请实施例公开的一种剩余电量的估计方法又一方法流程图；图5为本申请实施例公开的一种剩余电量的估计系统结构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本专利技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本专利技术的精神或范围的情况下，在其它实施例中实现。因此，本专利技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。本专利技术公开了一种剩余电量的估计方法及系统，所述剩余电量估计方法应用在对电池的剩余电量SOC的估计过程中，本专利技术实施例中，以动力电池为例进行说明，所述动力电池指为工具提供动力来源的电源，多指为电动汽车、电动列车、电动自行车、高尔夫球车提供动力的蓄电池，由于所述动力电池的内部化学反应极为复杂，因此，影响动力电池的SOC的因素众多，动力电池在使用过程中具有高度的非线性，而且充放电过程很难建立精确地数学模型。所述剩余电量估计方法的执行主体可以为终端的控制器或者处理器。所述剩余电量估计方法的执行流程如图1所本文档来自技高网...

【技术保护点】
1.一种剩余电量的估计方法，其特征在于，包括：获取待估计电池对应的剩余电量估计神经网络模型；依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。

【技术特征摘要】
1.一种剩余电量的估计方法，其特征在于，包括：获取待估计电池对应的剩余电量估计神经网络模型；依据所述剩余电量估计神经网络模型，确定所述剩余电量估计神经网络模型的权值和阈值；依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值；将所述目标权值和所述目标阈值传递到所述剩余电量估计神经网络模型模型进行计算，得到所述待估计电池的剩余电量。2.根据权利要求1所述的方法，其特征在于，依据遗传算法分别确定所述权值和所述阈值的目标权值和目标阈值包括：对每一个种群依据预设的适应度函数进行适应度计算，得到其对应的适应度值；对各个种群依据其对应的适应度值进行筛选，得到目标种群集；依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值。3.根据权利要求2所述的方法，其特征在于，对各个种群依据其对应的适应度值进行筛选，得到目标种群集包括：对所述各个种群的适应度值依据降序进行排序，依据排序结果进行筛选，得到第一种群集；对所述第一种群集的各个第一种群进行交叉计算，得到第二种群集，依据所述第二种群集中的各个第二种群的适应度值对所述第二种群集进行筛选，得到目标种群集。4.根据权利要求3所述的方法，其特征在于，对所述第一种群集的各个第一种群进行交叉计算，得到第二种群集，依据所述第二种群集中的各个第二种群的适应度值对所述第二种群集进行筛选，得到目标种群集还包括：选取所述目标种群集中的目标种群进行变异计算。5.根据权利要求2所述的方法，其特征在于，依据所述目标种群集中的每一个目标种群适应度值，确定目标权值和目标阈值包括：将每一个目标种群的适应度值与预设的目标适应度值区间进行比较，确定落在所述目标适应度值区间内的各个目标种群；判断落在所述目标适应度值区间内的各个目标种群的数量是否为零；...

【专利技术属性】
技术研发人员：高晓艳，晁涌耀，李庆，赵野，
申请(专利权)人：中国科学院微电子研究所，
类型：发明
国别省市：北京,11