【技术实现步骤摘要】
一种电池状态估计方法
[0001]本专利技术涉及汽车蓄电池管理
，特别涉及一种电池状态估计方法。
技术介绍
[0002]锂离子电池作为一种清洁电源，因其能量密度高、自放电率低、体积小、使用寿命长、污染程度低而越来越受欢迎，特别是广泛应用于电动汽车、通信基站等多个领域。
[0003]然而，锂离子电池在每次循环时自身的容量会不断衰退，电池容量降低将影响电动汽车的续航，如不能准确监测出电池的容量，可能造成电动汽车提前抛锚，影响驾驶体验和行车安全，因此对锂离子电池自身容量的估计和预测，对电动汽车的运行可靠性保障具有重要意义。
[0004]在现有技术中，基于神经网络训练出电池状态估计模型，根据训练好的电池状态估计模型对电池的状态进行估计和预测，是电动汽车电池状态估计的常用方法，其中，锂离子电池模型可粗略分为经验模型、等效电路模型、电化学模型三种，在实际应用中，一般选择其中的一种模型进行预测，为提高预测的准确性，一般还通过增加模型训练的数据样本的数量，以提高模型预测的准确率，然而单模型预测的预测准确性依旧不足。
【技术保护点】
【技术特征摘要】
1.一种电池状态估计方法，其特征在于，包括：根据电池的物理特性和工作原理建立电池的混合物理模型，以根据所述混合物理模型构建深度神经网络，所述混合物理模型包括等效电路模型、热动力学模型和老化模型；获取数据样本，根据所述数据样本训练所述深度神经网络，以获得电池状态估计模型；获取电池当前状态数据，所述电池当前状态数据包括电压、电流以及温度，将所述电池当前状态数据输入至所述电池状态估计模型以通过所述电池状态估计模型输出电池估计状态，所述估计状态包括剩余容量、健康状态、充放电曲线和温度分布；其中，所述深度神经网络包括隐藏层、输出层以及设于所述隐藏层与所述输出层之间的综合分析层，所述综合分析层用于对所述隐藏层中各子网的输出项进行综合分析，以融合所述电池的物理特性和工作原理，增强所述电池状态估计模型的准确性；所述隐藏层的输出项包括数据和模型；所述数据包括所述电池的物理量和状态量，所述综合分析层对所述数据的综合分析包括归一化、标准化、降维、聚类处理；所述模型包括训练后的所述等效电路模型、热动力学模型和老化模型，所述综合分析层对所述模型的综合分析包括加权、融合、剪枝、正则化处理。2.根据权利要求1所述的电池状态估计方法，其特征在于，所述隐藏层的输出项还包括特征，所述特征包括表征所述电池的内部特征的时空特征、频域特征、统计特征，所述综合分析层对所述特征的综合分析包括组合、变换、选择、降噪处理。3.根据权利要求1所述的电池状态估计方法，其特征在于，在根据所述数据样本训练所述深度神经网络的步骤之前，还包括：将训练好的相似电池状态估计模型中的权重数据，作为所述深度神经网络的初始权重数据，迁移至所述深...
【专利技术属性】
技术研发人员：龚循飞，邓建明，于勤，张俊，罗锋，熊慧慧，张萍，樊华春，廖程亮，
申请(专利权)人：江西五十铃汽车有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。