【技术实现步骤摘要】
本专利技术属于锂离子电池，具体涉及一种电池荷电状态估算方法、装置和计算机设备。
技术介绍
1、锂离子电池因其高比能、长循环寿命、自放电率低、无记忆效应等优点，已成为新一代电动汽车的理想电源。为了保证电动汽车的安全可靠运行，建立先进的电池管理系统，及时准确地监测电池状态至关重要。电池的荷电状态（soc）定义为当前剩余容量与当前最大容量之比，是电池管理系统需要获取的重要信息。然而，soc不能直接测量，需要使用测量数据进行估算。目前已有很多关于soc估算的研究。安培小时计数法通过计算电流随时间的积分来获得soc。但电流传感器的累积采集误差导致估计不准确。开路电压方法从电池测试数据中获取soc和开路电位之间的唯一对应关系。然而，当开路电位位于其平坦区间时，误差较大的问题仍然让人困扰。
2、基于模型的方法是另一种广泛使用的方法。例如，等效电路模型以及一系列基于卡尔曼的滤波器可以在降低复杂性的同时处理电池特性。尽管这些方法提供了可靠的soc估计，但许多方法需要对电池及其内部状态进行精确建模，而这些状态无法直接测量；因此，需要额外的过程来进行参数估计。
3、最近，许多研究人员将重点放在数据驱动方法上，其中基于深度学习的方法因其强大的推理能力而备受关注，因为它们不需要事先了解电池复杂的化学特性。此外，这些方法可以从一般充放电周期的数据中学习复杂的相关性，并直接从电压、电流或温度测量中估计soc。许多模型结构如全连接网络（fc）、循环神经网络（rnn）、长短期记忆（lstm），和卷积神经网络（cnn）等，已经被成功应用于电
4、因此，如何在保证降低模型复杂度的前提下，提升网络深度提取更高级别特征成为电池soc预测有待改进的问题。
技术实现思路
1、根据上述
技术介绍
提到的在保证降低模型复杂度的前提下，提升网络深度提取更高级别特征成为电池荷电状态预测有待改进的技术问题，而提供一种深度学习算法的锂离子电池荷电状态估算方法。
2、本专利技术采用的技术手段如下：
3、一种电池荷电状态估算方法，包括以下步骤：
4、获取车辆工作中的待监测离线锂电池的运行参数，其中，运行参数包括：电池电压、电池电流、电池温度，每一维度参数包括至少40个时间步；通过预先训练的电池荷电状态预测的深度学习模型的通道特征提取模块，对运行参数进行通道融合，得到待监测离线锂电池的荷电初始值；通过预先训练的电池荷电状态预测的深度学习模型的时序特征提取模块，将本身带有时间信息的荷电初始值的时序性特征进一步提取，得到待监测离线锂电池的荷电值。
5、在其中一个实施例中，获取车辆工作中的待监测离线锂电池的运行参数步骤之前，还包括：
6、将待监测离线锂电池设置在模拟汽车上，监测离线锂电池的运行状态；通过获取在实验室内模拟汽车在行驶工况下的运行参数，并根据运行参数建立离线数据集；对离线数据集内的数据进行数据预处理，得到处理后的数据集；将处理后的数据集内的数据按比例随机划分为训练集、验证集和测试集。
7、在其中一个实施例中，训练集、训练集和测试集之间的比例为7：1：2。
8、在其中一个实施例中，获取车辆工作中的待监测离线锂电池的运行参数步骤，包括：
9、确定待监测离线锂电池的基本参数，基本参数包括：电池额定容量及充/放电截止电压；对待监测离线锂电池进行充放电试验；通过收集试验中待监测离线锂电池的电流、电压、温度、容量以及充/放电容量数据，根据收集的数据建立锂电池老化实际运行数据库。
10、在其中一个实施例中，通过预先训练的电池荷电状态预测的深度学习模型的通道特征提取模块，对运行参数进行通道融合，得到待监测离线锂电池的荷电初始值之前，还包括：对采集得到的离线电池的运行参数进行重采样；重采样即输入的张量维度和网络输入层的一致；对重采样后的运行参数进行规范化处理，规范化处理既对数据集中的异常值、缺失值和不一致的数据，执行必要的补充、转换和标准化处理。
11、在其中一个实施例中，电池荷电状态预测的深度学习模型的训练方法，包括：
12、基于深度学习pytorch框架构建深度学习模型；通过训练集对深度学习模型进行训练，当深度学习模型在训练集的损失函数的均方误差的数值，在10个迭代步内不再连续降低后，停止对深度学习模型训练，得到初始学习模型；通过验证集对初始学习模型进行验证，将得到损失函数的均方误差的数值最低的初始学习模型，作为对测试集中的锂电池的电池荷电状态预测的深度学习模型。
13、第二方面，本申请还提供了一种电池荷电状态估算装置，装置包括：
14、获取单元：用于获取车辆工作中的待监测离线锂电池的运行参数，其中，运行参数包括：电池电压、电池电流、电池温度，每一维度参数包括至少40个时间步；
15、通道特征提取单元，用于通过预先训练的电池荷电状态预测的深度学习模型的通道特征提取模块，对运行参数进行通道融合，得到待监测离线锂电池的荷电初始值；
16、时序特征提取单元，用于通过预先训练的电池荷电状态预测的深度学习模型的时序特征提取模块，将本身带有时间信息的荷电初始值的时序性特征进一步提取，得到待监测离线锂电池的荷电值。
17、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，处理器执行计算机程序时实现以下步骤：
18、获取车辆工作中的待监测离线锂电池的运行参数，其中，运行参数包括：电池电压、电池电流、电池温度，每一维度参数包括至少40个时间步；
19、通过预先训练的电池荷电状态预测的深度学习模型的通道特征提取模块，对运行参数进行通道融合，得到待监测离线锂电池的荷电初始值；
20、通过预先训练的电池荷电状态预测的深度学习模型的时序特征提取模块，将本身带有时间信息的荷电初始值的时序性特征进一步提取，得到待监测离线锂电池的荷电值。
21、第四方面，本申请还提供了一种计算机存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现以下步骤：
22、获取车辆工作中的待监测离线锂电池的运行参数，其中，运行参数包括：电池电压、电池电流、电池温度，每一维度参数包括至少40个时间步；
23、通过预先训练的电池荷电状态预测的深度学习模型的通道特征提取模块，对运行参数进行通道融合，得到待监测离线锂电池的荷电初始值；
24、通过预先训练的电池荷电状态预测的深度学习模型的时序特征提取模块，将本身带有时间信息的荷电初始值的时序性特征进一步提取，得到待监测离线锂电池的荷电值。
25、第五方面，本申请还提供了一种计算机程序，其特征在于，计算机程序被处理器执行时实现以下步骤：获取车辆工作中的待监测离线锂电池的运行参数，其中，运行参数包括：电池电压、电池电流、电池温度，每一本文档来自技高网...
【技术保护点】
1.一种电池荷电状态估算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电池荷电状态估算方法，其特征在于，所述获取车辆工作中的待监测离线锂电池的运行参数步骤之前，还包括：
3.根据权利要求2所述的一种电池荷电状态估算方法，其特征在于，所述训练集、训练集和测试集之间的比例为7：1：2。
4.根据权利要求1所述的一种电池荷电状态估算方法，其特征在于，所述获取车辆工作中的待监测离线锂电池的运行参数步骤，包括：
5.根据权利要求1所述的一种电池荷电状态估算方法，其特征在于，所述通过预先训练的电池荷电状态预测的深度学习模型的通道特征提取模块，对所述运行参数进行通道融合，得到所述待监测离线锂电池的荷电初始值之前，还包括：
6.根据权利要求1所述的一种电池荷电状态估算方法，其特征在于，所述电池荷电状态预测的深度学习模型的训练方法，包括：
7.一种电池荷电状态估算装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种电池荷电状态估算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电池荷电状态估算方法，其特征在于，所述获取车辆工作中的待监测离线锂电池的运行参数步骤之前，还包括：
3.根据权利要求2所述的一种电池荷电状态估算方法，其特征在于，所述训练集、训练集和测试集之间的比例为7：1：2。
4.根据权利要求1所述的一种电池荷电状态估算方法，其特征在于，所述获取车辆工作中的待监测离线锂电池的运行参数步骤，包括：
5.根据权利要求1所述的一种电池荷电状态估算方法，其特征在于，所述通过预先训练的电池荷电状态预测的深度学习模型的通道特征提取模块，对所述运行参数进行通道融合，得到所述待监测离线锂电池的...
【专利技术属性】
技术研发人员：陈忠伟，毛治宇，刘云鹏，李荣富，
申请(专利权)人：中国科学院大连化学物理研究所，
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。