【技术实现步骤摘要】
本专利技术涉及电池电压预测，尤其涉及一种电池开路电压预测的方法、装置、设备和存储介质。
技术介绍
1、电池soc(state of charge，剩余电量)估计都需以电池的soc-ocv(open circuitvoltage，开路电压)曲线作为标准来对模型参数进行辨识和ocv估计。因此，若要估计电池的soc，就要进行准确的ocv建模和估计。目前，ocv测试最直接的方式就是将电池依次充电或放电至指定的soc，并经过足够长时间的充分静置，使得电池达到完全平衡的状态，此时所测得的电池端电压就是电池的ocv。
2、然而，上述方法中长时间静置至少需要2h的时间才能使电池达到相对稳定的状态，从而获得准确的ocv值。也就是说，该方法耗时较长，限制了其在电池在线估计中的应用。
3、因此，现有技术在进行电池开路电压预测的过程中，存在耗时较长的问题。
技术实现思路
1、有鉴于此，有必要提供一种电池开路电压预测的方法、装置、设备和存储介质，用以现有技术在进行电池开路电压预测的过程中，存在的耗时较长的问题。
2、为了解决上述问题，本专利技术提供一种电池开路电压预测的方法，包括：
3、获取电池样本在不同soc值下的长时静置曲线样本和短时静置曲线样本，其中，长时静置曲线包括第一短时放电曲线和长时弛豫曲线，短时静置曲线包括第二短时放电曲线和短时弛豫曲线；
4、构建初始神经网络模型，将soc值、soc值对应的第一短时放电曲线、第二短时放电曲线和短时弛豫
5、获取待处理电池在预设soc值下的待处理短时放电曲线，将预设soc值和待处理短时放电曲线输入值目标神经网络模型中，确定待处理电池的在预设soc值时的待处理长时弛豫曲线，并根据待处理长时弛豫曲线确定待处理电池的开路电压值。
6、进一步地，初始神经网络模型为长短期记忆神经网络模型，初始神经网络模型包括遗忘门、输入门、更新门和输出门；将soc值、soc值对应的第一短时放电曲线、第二短时放电曲线和短时弛豫曲线输入至初始神经网络模型，并以soc值对应的长时弛豫曲线为输出，迭代训练，直至得到训练完备的目标神经网络模型，包括：
7、通过遗忘门对soc值、soc值对应的第一短时放电曲线、第二短时放电曲线和短时弛豫曲线进行信息过滤，筛除无关信息；
8、通过输入门对第一短时放电曲线和第二短时放电曲线的时间长度进行控制；
9、通过更新门对单元状态进行更新，并由输出门输出长时弛豫曲线中的电压值，迭代训练，直至得到训练完备的目标神经网络模型。
10、进一步地，初始神经网络模型为门控循环单元神经网络模型，初始神经网络模型包括更新门和重置门；构建初始神经网络模型，将soc值、soc值对应的第一短时放电曲线、第二短时放电曲线和短时弛豫曲线输入至初始神经网络模型，并以soc值对应的长时弛豫曲线为输出，迭代训练，直至得到训练完备的目标神经网络模型，包括：
11、通过更新门确定输入状态的信息传递量，其中，输入状态包括soc值、soc值对应的第一短时放电曲线、第二短时放电曲线和短时弛豫曲线；
12、通过重置门确定计算候选隐藏状态时的忽略信息量，隐藏状态包括长时弛豫曲线中的电压值。
13、进一步地，获取电池样本在不同soc值下的长时静置曲线样本和短时静置曲线样本，包括：
14、将电池样本充电至截止电流，得到满电电池样本；
15、按照预设放电时间间隔对满电电池样本进行放电，并静置第一预设时间，循环进行放电和静置，得到长时静置曲线样本；
16、按照预设放电时间间隔对满电电池样本进行放电，并静置第二预设时间，循环进行放电和静置，得到短时静置曲线样本。
17、进一步地，确定预设放电时间间隔的步骤包括：
18、获取电池样本的截止放电总时间；
19、设置soc差值；
20、根据soc差值、截止放电总时间和预设放电时间间隔计算公式，确定电池样本的预设放电时间间隔。
21、进一步地，预设放电时间间隔计算公式为：
22、
23、δsoc＝n％
24、其中，t1为预设放电时间间隔，t总为截止放电总时间，δsoc为soc差值，n为过程数。
25、进一步地，获取电池样本在不同soc值下的长时静置曲线样本和短时静置曲线样本，包括：
26、获取电池样本在不同soc值下的初始长时静置曲线样本和初始短时静置曲线样本；
27、对初始长时静置曲线样本和初始短时静置曲线样本进行标准化处理，得到长时静置曲线样本和短时静置曲线样本；
28、其中，长时静置曲线样本和短时静置曲线样本的均值分别为0，标准差分别为1。
29、为了解决上述问题，本专利技术还提供一种电池开路电压预测的装置，包括：
30、样本获取模块，用于获取电池样本在不同soc值下的长时静置曲线样本和短时静置曲线样本，其中，长时静置曲线包括第一短时放电曲线和长时弛豫曲线，短时静置曲线包括第二短时放电曲线和短时弛豫曲线；
31、目标神经网络模型获取模块，用于构建初始神经网络模型，将soc值、soc值对应的第一短时放电曲线、第二短时放电曲线和短时弛豫曲线输入至初始神经网络模型，并以soc值对应的长时弛豫曲线为输出，迭代训练，直至得到训练完备的目标神经网络模型；
32、开路电压预测模块，用于获取待处理电池在预设soc值下的待处理短时放电曲线，将预设soc值和待处理短时放电曲线输入值目标神经网络模型中，确定待处理电池的在预设soc值时的待处理长时弛豫曲线，并根据待处理长时弛豫曲线确定待处理电池的开路电压值。
33、为了解决上述问题，本专利技术还提供一种电池开路电压预测的设备，包括存储器和处理器，其中，
34、存储器，用于存储程序；
35、处理器，与存储器耦合，用于执行存储器中存储的程序，以实现如前文所述的电池开路电压预测的方法中的步骤。
36、为了解决上述问题，本专利技术还提供一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时能够实现如前文所述的电池开路电压预测的方法中的步骤。
37、采用上述技术方案的有益效果是：本专利技术提供一种电池开路电压预测的方法、装置、设备和存储介质，该方法通过设置神经网络模型对电池样本在不同soc值下的长时静置曲线样本和短时静置曲线样本进行数据分析，进而针对性地确定soc值、第一短时放电曲线、第二短时放电曲线、短时弛豫曲线和长时弛豫曲线之间的数量关系；对于每一确定的soc值，由于对第一短时放电曲线和第二短时放电曲线的数据处理过程相似，进而实现在仅获取到电池的短时弛豫曲线时便能够有机对应到电池对应的长时弛豫曲线，进而较为准确地确定本文档来自技高网...
【技术保护点】
1.一种电池开路电压预测的方法，其特征在于，包括：
2.根据权利要求1所述的电池开路电压预测的方法，其特征在于，所述初始神经网络模型为长短期记忆神经网络模型，所述初始神经网络模型包括遗忘门、输入门、更新门和输出门；所述将SOC值、SOC值对应的所述第一短时放电曲线、所述第二短时放电曲线和所述短时弛豫曲线输入至所述初始神经网络模型，并以SOC值对应的所述长时弛豫曲线为输出，迭代训练，直至得到训练完备的目标神经网络模型，包括：
3.根据权利要求1所述的电池开路电压预测的方法，其特征在于，所述初始神经网络模型为门控循环单元神经网络模型，所述初始神经网络模型包括更新门和重置门；所述构建初始神经网络模型，将SOC值、SOC值对应的所述第一短时放电曲线、所述第二短时放电曲线和所述短时弛豫曲线输入至所述初始神经网络模型，并以SOC值对应的所述长时弛豫曲线为输出，迭代训练，直至得到训练完备的目标神经网络模型，包括：
4.根据权利要求1所述的电池开路电压预测的方法，其特征在于，所述获取电池样本在不同SOC值下的长时静置曲线样本和短时静置曲线样本，包括：
<...【技术特征摘要】
1.一种电池开路电压预测的方法，其特征在于，包括：
2.根据权利要求1所述的电池开路电压预测的方法，其特征在于，所述初始神经网络模型为长短期记忆神经网络模型，所述初始神经网络模型包括遗忘门、输入门、更新门和输出门；所述将soc值、soc值对应的所述第一短时放电曲线、所述第二短时放电曲线和所述短时弛豫曲线输入至所述初始神经网络模型，并以soc值对应的所述长时弛豫曲线为输出，迭代训练，直至得到训练完备的目标神经网络模型，包括：
3.根据权利要求1所述的电池开路电压预测的方法，其特征在于，所述初始神经网络模型为门控循环单元神经网络模型，所述初始神经网络模型包括更新门和重置门；所述构建初始神经网络模型，将soc值、soc值对应的所述第一短时放电曲线、所述第二短时放电曲线和所述短时弛豫曲线输入至所述初始神经网络模型，并以soc值对应的所述长时弛豫曲线为输出，迭代训练，直至得到训练完备的目标神经网络模型，包括：
【专利技术属性】
技术研发人员：张宇平，王雪晴，王朝京，骆凡，别传玉，黄燕琴，宋华伟，
申请(专利权)人：武汉动力电池再生技术有限公司，
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。