基于优化的TCN的锂电池SOC实时估算方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供了一种基于优化的TCN的锂电池SOC实时估算方法、装置、电子设备及存储介质，其包括：获取锂离子电池数据，包括第一数据集和第二数据集；构建第一初始锂电池SOC估算模型，第一初始锂电池SOC估算模型包括初始时间卷积网络参数；基于遗传算法和第一数据集获得第一过渡锂电池SOC估算模型，第一过渡锂电池SOC估算模型包括目标时间卷积网络参数；构建第二初始锂电池SOC估算模型，将目标时间卷积网络参数转移至第二初始锂电池SOC估算模型，获得预训练锂电池SOC估算模型；通过第二数据集对预训练锂电池SOC估算模型进行训练，获得目标锂电池SOC估算模型，并通过目标锂电池SOC估算模型对锂电池SOC进行估算。本发明专利技术提高了锂电池SOC估算的准确性和训练速度。锂电池SOC估算的准确性和训练速度。锂电池SOC估算的准确性和训练速度。

【技术实现步骤摘要】
基于优化的TCN的锂电池SOC实时估算方法、装置、电子设备及存储介质


[0001]本专利技术涉及锂电池监测
，具体涉及一种基于优化的TCN的锂电池SOC实时估算方法、装置、电子设备及存储介质。

技术介绍

[0002]随着国家发展战略的调整，新能源汽车将逐步替代燃油车，锂电池作为新能源汽车的动力源也发展起来。电池性能的提升成为电动汽车续航里程、安全性能、使用寿命和功率特性实现突破的关键。为了锂电池安全高效的工作，最关键的环节是电池管理系统技术。它可以实现锂电池参数的准确估测、动态监测以及电池单体间的均衡。但是由于电动汽车具有多工况、变负载、宽调速范围等特点，电动汽车动力电池在使用的过程中表现出高度的非线性，变流工作特性，使准确的估算锂电池的SoC具有很大的难度。
[0003]现有的锂电池SoC估算技术大体可以分为三类：1、基于电池特征参数的方法；2、基于电池模型的方案；3、基于数据驱动的方案。
[0004]但现有技术存在以下为题：1、基于电池特征参数的方法一个开环算法，由于不确定的干扰和变量例如：温度，电流等，会导致SoC的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化的TCN的锂电池SOC实时估算方法，其特征在于，包括：获取锂离子电池数据，所述锂离子电池数据包括第一数据集和第二数据集；构建第一初始锂电池SOC估算模型，所述第一初始锂电池SOC估算模型包括初始时间卷积网络参数；基于遗传算法和所述第一数据集对所述第一初始锂电池SOC估算模型进行优化，获得第一过渡锂电池SOC估算模型，所述第一过渡锂电池SOC估算模型包括目标时间卷积网络参数；构建第二初始锂电池SOC估算模型，采用迁移学习方法，将所述目标时间卷积网络参数转移至所述第二初始锂电池SOC估算模型，获得预训练锂电池SOC估算模型；通过所述第二数据集对所述预训练锂电池SOC估算模型进行训练，获得目标锂电池SOC估算模型，并通过所述目标锂电池SOC估算模型对锂电池SOC进行估算。2.根据权利要求1所述的基于优化的TCN的锂电池SOC实时估算方法，其特征在于，所述目标时间卷积网络参数包括残差块的个数、输入步长以及膨胀因子。3.根据权利要求2所述的基于优化的TCN的锂电池SOC实时估算方法，其特征在于，所述第一数据集携带实测值；所述基于遗传算法和第一数据集对所述第一初始锂电池SOC估算模型进行优化包括：设置初始化种群、交叉率、变异率及最大迭代次数，并对初始时间卷积网络参数进行实数编码；将所述第一数据集输入至所述第一初始锂电池SOC估算模型中，获得预测值；设计适应度函数，并根据所述适应度函数、所述实测值和所述预测值计算种群的适应度值；判断所述初始化种群的适应度值是否满足要求，若满足，则当前的所述初始时间卷积网络参数为所述目标时间卷积网络参数；若不满足，则保留最优个体，并对所述最优个体中的个体进行选择、交叉、变异操作，生成新种群及过渡时间卷积网络参数，直至选择、交叉、变异操作的次数大于所述最大迭代次数，则适应度值最小的过渡时间卷积网络参数为所述目标时间卷积网络参数。4.根据权利要求3所述的基于优化的TCN的锂电池SOC实时估算方法，其特征在于，所述适应度函数为：式中，F为加上系数后的个体的适应度值；n为所述第一数据集中的数据个数；为实测值；SoC
i
为预测值；k为系数；abs为绝对值函数。5.根据权利要求4所述的基于优化的TCN的锂电池SOC实时估算方法，其特征在于，所述选择操作的选择方式为轮盘赌选择，选择概率为：
f
i
＝m/F式中，P
i
为选...

【专利技术属性】
技术研发人员：魏翼鹰，张勇，文宝毅，邹琳，张晖，李志成，袁鹏举，杨杰，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：