【技术实现步骤摘要】
本专利技术涉及电池检测，尤其涉及一种智能pack级电池容量预测方法。
技术介绍
1、pack是电池包(battery pack)的缩写。pack是指由多个电池单体组合而成的整体，通过连接和封装形成一个完整的电池组。它通常包含电池单体、电池管理系统(bms)、连接器、保护装置、散热装置等组成部分。作为电池的集合体，pack在电动车、储能系统、便携设备等领域中被广泛应用。电池pack是一个存放电池的集合体，通常由多个电池单体组成。每个电池单体都是一个独立的电池，而电池pack则将这些电池单体组合在一起，并连接成一个整体。
2、电池pack通常用于为电动车、便携式电子设备、无线通信设备等提供能量。它提供了更大的能量存储容量和更高的输出电压，因为多个电池单体并联或串联在一起，形成了一个更强大的能源系统。电池pack通常还包括其他组件，如保护电路、电池管理系统(battery management system,bms)等，以确保电池的安全性、稳定性和长寿命。bms负责监测和控制电池pack的电压、电流、温度等参数，以保证电池工作在安全和可靠的范围内。
3、当前，智能pack级电池容量预测结果并不准确，亟需一种能够准确测量智能pack级电池容量的方法。
技术实现思路
1、鉴于现有技术的上述缺点、不足，本专利技术提供一种智能pack级电池容量预测方法，其解决了现有技术中智能pack级电池容量预测结果并不准确技术问题。
2、为了达到上述目的，本专利技术采用的主
3、本专利技术实施例提供一种智能pack级电池容量预测方法，包括：
4、s1、采集电池pack当前时间点的工作数据，并将当前时间点的工作数据输入至预先训练好的第一电池容量预测模型中，得到电池容量的第一预测值；
5、其中，所述第一电池容量预测模型为神经网络模型；
6、s2、将电池pack的当前时间点的工作数据，输入至预先训练好的第二电池容量预测模型中，得到电池容量的第二预测值；
7、其中，所述第二电池容量预测模型为自回归移动平均模型；
8、s3、基于所述电池容量的第一预测值和第二预测值，确定所述电池容量的最终预测值。
9、优选地，在所述s1之前包括：
10、a0、采用预先获取的电池pack的训练数据集，对预设的神经网络模型进行训练，得到训练好的第一电池容量预测模型；
11、其中，所述训练数据集包括按照采集时间依次排列的多条电池数据；
12、其中，每条电池数据均包括：电池pack的电流、电压、温度以及电池容量。
13、优选地，
14、预设的神经网络模型为循环神经网络；
15、其中，训练好的第一电池容量预测模型在训练数据集上达到的损失值低于预先设定值。
16、优选地，在所述s1之前包括：
17、b0、采用预先获取的电池pack的训练数据集，对预设的自回归移动平均模型进行参数估计和拟合处理，得到训练好的第二电池容量预测模型。
18、优选地，所述s3具体包括：
19、基于所述电池容量的第一预测值和第二预测值，采用公式(1)确定所述电池容量的最终预测值；
20、其中，所述公式(1)为：
21、y＝a×x1+b×x2；
22、其中，x1为电池容量的第一预测值；x2为电池容量的第二预测值；y为最终预测值；a为预先设定的第一系数；b为预先设定的第二系数。
23、优选地，在所述s1之前包括：
24、c0、根据预先获取的电池pack的测试数据集、训练好的第一电池容量预测模型、训练好的第二电池容量预测模型，分别确定所述第一系数a、第二系数b；
25、其中，所述测试数据集包括按照多条电池数据。
26、优选地，所述c0具体包括：
27、c01、将电池pack的测试数据集中的每一条电池数据分别输入至训练好的第一电池容量预测模型和训练好的第二电池容量预测模型，分别得到与该条电池数据对应的第一预测值和第二预测值；
28、c02、基于每一条电池数据分别所对应的第一预测值、第二预测值、电池容量，分别将每一条电池数据所对应的第一预测值和第二预测值分别作为自变量，将该条电池数据中的电池容量作为因变量，采用最小二乘法进行拟合，分别得到第一系数a、第二系数b的具体数值。
29、优选地，所述s3具体包括：
30、基于所述电池容量的第一预测值和第二预测值，采用公式(2)确定所述电池容量的最终预测值；
31、其中，所述公式(2)为：
32、y＝1/2(x1+c)+1/2(x2+d)；
33、其中，x1为电池容量的第一预测值；x2为电池容量的第二预测值；y为最终预测值；c为预先设定的第三系数；d为预先设定的第四系数。
34、优选地，在所述s1之前还包括：
35、d1、将预先获取的电池pack的测试数据集中的每一条电池数据分别输入至训练好的第一电池容量预测模型和训练好的第二电池容量预测模型，分别得到与该条电池数据对应的第一预测值和第二预测值；
36、其中，所述测试数据集包括按照多条电池数据；
37、d2、基于每一条电池数据分别所对应的第一预测值、第二预测值、电池容量，得到第三系数c、第四系数d。
38、优选地，所述d2具体包括：
39、基于预先获取的电池pack的测试数据集中的每一条电池数据分别所对应的第一预测值、电池容量，采用公式(3)得到第三系数的具体数值；
40、其中，所述公式(3)为：
41、c＝{(x11-x01)+(x12-x02)+...+(x1n-x0n)}/n；
42、其中，预先获取的电池pack的测试数据集中有n条电池数据；
43、x1n为预先获取的电池pack的测试数据集中的第n条电池数据所对应的第一预测值；
44、x0n为预先获取的电池pack的测试数据集中的第n条电池数据所对应的电池容量；
45、基于预先获取的电池pack的测试数据集中的每一条电池数据分别所对应的第二预测值、电池容量，采用公式(4)得到第四系数的具体数值；
46、其中，所述公式(4)为：
47、d＝{(x21-x01)+(x22-x02)+...+(x2n-x0n)}/n；
48、其中，x2n为预先获取的电池pack的测试数据集中的第n条电池数据所对应的第二预测值。
49、本专利技术的有益效果是：本专利技术的一种智能pack级电池容量预测方法，由于采用神经网络模型和自回归移动平均模型来综合利用当前时间点的工作数据，得到电池容量的第一预测值和第二预测值，然后电池容量的第一预测值和第二预测值根据确定所述电池容量的最终预测值，提高了电池容量预测结果的准确本文档来自技高网...
【技术保护点】
1.一种智能PACK级电池容量预测方法，其特征在于，包括：
2.根据权利要求1所述的智能PACK级电池容量预测方法，其特征在于，在所述S1之前包括：
3.根据权利要求2所述的智能PACK级电池容量预测方法，其特征在于，
4.根据权利要求3所述的智能PACK级电池容量预测方法，其特征在于，在所述S1之前包括：
5.根据权利要求4所述的智能PACK级电池容量预测方法，其特征在于，所述S3具体包括：
6.根据权利要求5所述的智能PACK级电池容量预测方法，其特征在于，在所述S1之前包括：
7.根据权利要求6所述的智能PACK级电池容量预测方法，其特征在于，所述C0具体包括：
8.根据权利要求4所述的智能PACK级电池容量预测方法，其特征在于，所述S3具体包括：
9.根据权利要求8所述的智能PACK级电池容量预测方法，其特征在于，在所述S1之前还包括：
10.根据权利要求9所述的智能PACK级电池容量预测方法，其特征在于，所述D2具体包括：
【技术特征摘要】
1.一种智能pack级电池容量预测方法，其特征在于，包括：
2.根据权利要求1所述的智能pack级电池容量预测方法，其特征在于，在所述s1之前包括：
3.根据权利要求2所述的智能pack级电池容量预测方法，其特征在于，
4.根据权利要求3所述的智能pack级电池容量预测方法，其特征在于，在所述s1之前包括：
5.根据权利要求4所述的智能pack级电池容量预测方法，其特征在于，所述s3具体包括：
6.根据权利要求5...
【专利技术属性】
技术研发人员：邓立志，李东谕，高英隽，高艺，韩宝川，
申请(专利权)人：沈阳达能电安全高新产业技术研究院有限公司，
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。