一种储能电池包的荷电状态预测方法技术

本发明专利技术公开了一种储能电池包的荷电状态预测方法。本发明专利技术通过结合机器学习方法和输入输出迭代方法训练得到目标预测模型，该目标预测模型由于结合了多种训练方法，因此精度较高且可以在线实时预测储能电池包的荷电状态。解决了现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求的问题。的问题。的问题。

【技术实现步骤摘要】
一种储能电池包的荷电状态预测方法


[0001]本专利技术涉及电池检测领域，尤其涉及的是一种储能电池包的荷电状态预测方法。

技术介绍

[0002]电池荷电状态称为SOC(State of Charge)，是用来反映电化学储能过程中储能介质中实际存在的电荷数(单位为安
·
时)占额定储能容量对应的储能介质中含有的电荷数(单位为安
·
时)的百分率。目前SOC的测量方法主要有开路电压法、安时积分法等等。然而，开路电压法需要电池长时静置，以达到电压稳定，通常需要几个小时甚至十几个小时，测量的时间成本较大；安时积分法容易受到电流测量精度的影响，且具有累积误差。目前新能源电动车已经普及，准确了解新能源电动车的电池荷电状态有助于驾驶员制定行程计划，然而现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求。
[0003]因此，现有技术还有待改进和发展。

技术实现思路

[0004]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种储能电池包的荷电状态预测方法，旨在解决现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求的问题。
[0005]本专利技术解决问题所采用的技术方案如下：
[0006]第一方面，本专利技术实施例提供一种储能电池包的荷电状态预测方法，其中，所述方法包括：
[0007]获取第一储能电池包对应的电池数据；
[0008]获取目标预测模型，将所述电池数据输入所述目标预测模型，得到所述第一储能电池包对应的荷电状态数据；
[0009]所述目标预测模型为预先经过训练的模型，所述目标预测模型的的训练过程包括：
[0010]获取第一训练数据集，其中，所述第一训练数据集包括若干第一训练数据，若干所述第一训练数据分别对应不同时间段，每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据，所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据，所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态，所述第一储能电池包与所述第二储能电池包分别对应的电池包类型相同；
[0011]获取第一预测模型，其中，所述第一预测模型为未经过训练的模型；
[0012]根据所述第一训练数据集对所述第一预测模型进行训练，训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据；
[0013]根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数
据，确定第二训练数据集，其中，所述第二训练数据集包括若干第二训练数据，若干所述第二训练数据与若干所述第一训练数据一一对应，每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据，所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据，所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同；
[0014]获取第三预测模型，其中，所述第三预测模型与所述第二预测模型的结构相同；
[0015]根据所述第二训练数据集对所述第三预测模型进行训练，训练完毕后得到所述目标预测模型。
[0016]在一种实施方式中，所述第一预测模型包括若干第一预测模型，若干所述第一预测模型分别对应不同的超参数组合，所述根据所述第一训练数据集对所述第一预测模型进行训练，包括：
[0017]根据所述第一训练数据集分别对若干所述第一预测模型进行训练，训练完毕后得到若干所述第一预测模型分别对应的预测模型；
[0018]获取测试数据集，其中，所述测试数据集与所述第一训练数据集基于同一数据集产生；
[0019]根据所述测试数据集，确定若干所述预测模型分别对应的预测精度；
[0020]根据所述预测精度最高的预测模型，确定所述第二预测模型。
[0021]在一种实施方式中，若干所述第一预测模型的确定方法包括：
[0022]获取预设的超参数值域；
[0023]根据预设步长对所述超参数值域进行遍历，得到若干超参数组合；
[0024]根据每一所述超参数组合确定一个所述第一预测模型。
[0025]在一种实施方式中，所述预设步长包括若干步长，所述根据预设步长对所述超参数值域进行遍历，得到若干超参数组合，包括：
[0026]获取若干所述步长，其中，若干所述步长分别对应不同的精度区间，每一所述步长对应的精度区间的大小与该步长呈反比关系；
[0027]确定前一轮搜索对应的超参数组合的预测精度，根据所述前一轮搜索对应的超参数组合的预测精度从若干所述步长中确定目标步长，其中，所述前一轮搜索对应的超参数组合的预测精度位于所述目标步长对应的精度区间；
[0028]根据目标步长执行当前轮搜索，得到当前轮搜索对应的超参数组合；
[0029]重复所述确定前一轮搜索对应的超参数组合的预测精度的步骤，直至遍历所述超参数值域。
[0030]在一种实施方式中，所述根据所述第一训练数据集分别对若干所述第一预测模型进行训练，包括：
[0031]针对每一所述第一预测模型，将所述第一训练数据集中的第一输入数据输入该第一预测模型，得到该第一输入数据对应的预测荷电状态数据；
[0032]根据该第一输入数据对应的预测荷电状态数据和历史荷电状态数据，确定该第一预测模型对应的第一损失函数值；
[0033]根据所述第一损失函数值对该第一预测模型的模型参数进行调整，并继续执行所述将所述第一训练数据集中的第一输入数据输入该第一预测模型的步骤，直至满足预设训
练条件，以得到该第一预测模型对应的预测模型。
[0034]在一种实施方式中，所述根据所述第二训练数据集对所述第三预测模型进行训练，训练完毕后得到所述目标预测模型，包括：
[0035]将所述第二训练数据集中的第二输入数据输入所述第三预测模型，得到该第二输入数据对应的预测荷电状态数据；
[0036]根据该第二输入数据对应的预测荷电状态数据和历史荷电状态数据，确定所述第三预测模型对应的第二损失函数值；
[0037]根据所述第二损失函数值对所述第三预测模型的模型参数进行调整，并继续执行所述将所述第二训练数据集中的第二输入数据输入所述第三预测模型的步骤，直至满足预设训练条件，以得到所述目标预测模型。
[0038]在一种实施方式中，所述第三预测模型为所述第二预测模型或者初始化模型参数后的所述第二预测模型。
[0039]第二方面，本专利技术实施例还提供一种储能电池包的荷电状态预测装置，其中，所述装置包括：
[0040]获取模块，用于获取第一储能电池包对应的电池数据；
[0041]预测模块，用于获取目标预测模型，将所述电池数据输入所述目标预测模型，得到所述第一储能电池包对应的荷电状态数据；
[0042]所述目标预测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储能电池包的荷电状态预测方法，其特征在于，所述方法包括：获取第一储能电池包对应的电池数据；获取目标预测模型，将所述电池数据输入所述目标预测模型，得到所述第一储能电池包对应的荷电状态数据；所述目标预测模型为预先经过训练的模型，所述目标预测模型的的训练过程包括：获取第一训练数据集，其中，所述第一训练数据集包括若干第一训练数据，若干所述第一训练数据分别对应不同时间段，每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据，所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据，所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态，所述第一储能电池包与所述第二储能电池包分别对应的电池包类型相同；获取第一预测模型，其中，所述第一预测模型为未经过训练的模型；根据所述第一训练数据集对所述第一预测模型进行训练，训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据；根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据，确定第二训练数据集，其中，所述第二训练数据集包括若干第二训练数据，若干所述第二训练数据与若干所述第一训练数据一一对应，每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据，所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据，所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同；获取第三预测模型，其中，所述第三预测模型与所述第二预测模型的结构相同；根据所述第二训练数据集对所述第三预测模型进行训练，训练完毕后得到所述目标预测模型。2.根据权利要求1所述的储能电池包的荷电状态预测方法，其特征在于，所述第一预测模型包括若干第一预测模型，若干所述第一预测模型分别对应不同的超参数组合，所述根据所述第一训练数据集对所述第一预测模型进行训练，包括：根据所述第一训练数据集分别对若干所述第一预测模型进行训练，训练完毕后得到若干所述第一预测模型分别对应的预测模型；获取测试数据集，其中，所述测试数据集与所述第一训练数据集基于同一数据集产生；根据所述测试数据集，确定若干所述预测模型分别对应的预测精度；根据所述预测精度最高的预测模型，确定所述第二预测模型。3.根据权利要求2所述的储能电池包的荷电状态预测方法，其特征在于，若干所述第一预测模型的确定方法包括：获取预设的超参数值域；根据预设步长对所述超参数值域进行遍历，得到若干超参数组合；根据每一所述超参数组合确定一个所述第一预测模型。4.根据权利要求3所述的储能电池包的荷电状态预测方法，其特征在于，所述预设步长包括若干步长，所述根据预设步长对所述超参数值域进行遍历，得到若干超参数组合，包括：
获取若干所述步长，其中，若干所述步长分别对应不同的精度区间，每一所述步长对应的精度区间的大小与该步长呈反比关系；确定前一轮搜索对应的超参数组合的预测精度，根据所述前一轮搜索对应的超参数组合的预测精度从若干所述步长中确定目标步长，其中，所述前一轮搜索对应的超参数组合的预测精度位于所述目标步长对应的精度区间；根据目标步长执行当前轮搜索，得到当前轮搜索对应的超参数组合；重复所述确定前一轮搜索对应的超参数组合的预测精度的步骤，直至遍历所述超参数值域。5.根据权利要求2所述的储能电池包的荷电状态预测方法，其特征在于，所述根据所述第一训练数据集分别对若干所述第一预测模型进行训练，包括：针对每一所述第一预测...

【专利技术属性】
技术研发人员：郭媛君，周邦昱，刘祥飞，姚文娇，杨之乐，胡天宇，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：