锂电池荷电状态的估计方法技术

本申请公开了一种锂电池荷电状态的估计方法

【技术实现步骤摘要】
锂电池荷电状态的估计方法、装置、设备及可读存储介质


[0001]本申请涉及电动汽车锂电池荷电状态估计
，特别是涉及一种锂电池荷电状态的估计方法
、
装置
、
设备及可读存储介质
。

技术介绍

[0002]随着新能源电动汽车的快速发展，锂电池因为相比于其他储能电池具有众多优点而在新能源汽车方面的应用越来越广泛
。
其中，电池的荷电状态是电池在工作过程当中最重要的性能参数之一，是均衡控制技术
、
快速充放电管理
、
长寿命和安全运行等不可或缺的参数
。
因此，精确的估算荷电状态不但能够提高电池的使用寿命而且还能提高电动汽车的续航能力，对于电动汽车的发展十分重要
。
[0003]相关技术中，锂电池的荷电状态
(State of Charge
，
SOC)
估计方法有安时积分法
、
开路电压法以及卡尔曼滤波算法
。
但是申请人认识到，现有的估计方法对运行工况有一定要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种锂电池荷电状态的估计方法，其特征在于，包括：获取训练数据，采用所述训练数据对初始状态估计模型进行预训练，得到初步预测状态值，以及利用参考状态值和所述初步预测状态值计算状态误差；采用所述状态误差对预训练后的所述初始状态估计模型进行训练，得到中间状态估计模型，以及将测试数据输入至所述中间状态估计模型中，获取所述状态估计模型输出的误差预测值；利用所述状态误差和所述误差预测值对所述中间状态估计模型进行训练，得到目标状态估计模型；响应于电荷状态估计请求，获取待估计数据，将所述待估计数据输入至所述目标状态估计模型中，获取所述目标状态估计模型输出的目标预测状态值；获取卡尔曼滤波算法，利用所述卡尔曼滤波算法对所述目标预测状态值进行计算，得到状态估计值，以及将所述状态估计值作为状态估计结果输出
。2.
根据权利要求1所述的方法，其特征在于，所述获取训练数据，采用所述训练数据对初始状态估计模型进行预训练，得到初步预测状态值，以及利用参考状态值和所述初步预测状态值计算状态误差之前，所述方法还包括：获取数据集和预设划分规则，利用所述预设划分规则对所述数据集进行划分，得到所述训练数据
、
所述测试数据
、
验证数据
。3.
根据权利要求1所述的方法，其特征在于，所述获取训练数据，采用所述训练数据对初始状态估计模型进行预训练，得到初步预测状态值，以及利用参考状态值和所述初步预测状态值计算状态误差，包括：获取所述训练数据对应的工况信息，以及根据所述工况信息，将所述训练数据分成多个数据片段；获取所述初始状态估计模型包括的特征计算公式和预测计算公式组；采用所述特征计算公式和所述预测计算公式组对所述多个数据片段进行计算，得到所述初步预测状态值；获取验证数据，确定所述验证数据对应的数据集标签，利用所述数据集标签在所述验证数据中提取所述参考状态值；对所述参考状态值和所述初步预测状态值进行计算，得到所述状态误差
。4.
根据权利要求3所述的方法，其特征在于，所述根据所述工况信息，将所述训练数据分成多个数据片段，包括：获取时间分布表征算法，利用所述时间分布表征算法对所述工况信息进行计算，得到时间分布信息；获取时间分布匹配算法，基于所述时间分布信息，采用所述时间分布匹配算法对所述训练数据进行计算，得到所述多个数据片段
。5.
根据权利要求3所述的方法，其特征在于，所述利用所述特征计算公式和所述预测计算公式组对所述多个数据片段进行计算，得到所述初步预测状态值，包括：利用所述特征计算公式对所述多个数据片段进行计算，得到多个特征输出值，其中，
其中，
f
表示卷积运算，
D
表示卷积核的输出深度，
W
表示卷积核的输出宽度，
H
表示卷积核的输出高度，
b
表示卷积核中各神经元的偏差值，
w
d
，
w
，
h
表示卷积核中神经元的权重值，
d
表示卷积核中神经元的深度，
w
表示卷积核中神经元的宽度，
h
表示卷积核中神经元的高度，
x
d
，
i+m
，
j+n
表示数据片段的数据值，
a
i
，
j
表示特征输出值，
i
为正整数，
j
为正整数；利用所述预测计算公式组对所述多个特征输出值进行计算，得到所述初步预测状态值，其中，其中，
r
t
表示复位门，
z
t
表示更新门，
x
t
表示当前时刻的特征输出值，表示第一权重值，表示第二权重值，表示第三权重值，表示第四权重值，表示第五权重值，表示第六权重值，表示当前时刻的候选隐藏状态，
h
t
表示当前时刻的预测状态...

【专利技术属性】
技术研发人员：徐婷婷，龙羿，胡晓锐，黄会，高芸，王松，龙虹毓，于千傲，胡文，汤爱华，高辉，朱彬，李顺，邓雯玲，池磊，孙正凯，
申请(专利权)人：国家电网有限公司国网重庆市电力公司，
类型：发明
国别省市：