【技术实现步骤摘要】
本专利技术涉及车辆，特别是涉及一种动力电池soc估算方法、系统、电子设备、存储介质及车辆。
技术介绍
1、电池的soc(state-of-charge)指的是电池剩余电量的状态，代表电池使用一段时间或长时间静置后剩余的可放电电量与其充满电的电量之比，通常用百分比表示。
2、一般来说当电动汽车电量低于30％时，驾驶员就会产生里程焦虑，担心电量不足以行驶至充电站，当电量介于20％～30％之间时就会准备给车辆充电，如果soc估算误差较大，便会引起驾驶员的恐慌，直接影响驾驶体验，因此soc估算精度非常重要。
3、目前测量soc的方法有直接估算法(如开路电压法、安时积分法等)、过滤法(如卡尔曼滤波)、数据驱动法(如神经网络)等。
4、直接估算法中，开路电压法经过hppc实验，通过数据拟合的方法得到关于soc-ocv的函数，可得到准确的soc。但是由于极化效应，测量ocv电压之前需要静置约1h才能得到准确的ocv电压，这在车辆运行时是不可行的。安时积分法把流出电池的电流与时间进行积分，根据电池初始时刻的soc值，得到在某时刻电池内的剩余电量。整个过程契合定义，算法简单且对算力要求很低。但是任何传感器的测量值一定存在误差，积分后过程中误差会进行累积，导致最终的soc估算误差越来越大，一段时间后将严重偏离真实值。
5、卡尔曼滤波法本质上是通过预测与实测的偏差，通过算法折衷，不断修正预测值，使得预测值更加接近真实值，它考虑了传感器测量值的误差，因此具有一定的鲁棒性。但卡曼滤波法考不考虑电池的温度、老
6、神经网络算法中，大型神经网络往往需要超级计算机运行，在预测soc时，如考虑过多因素，将导致神经网络规模过大，消耗大量算力，这在车载bms上不具备可行性。
7、因此，本申请提供一种动力电池soc估算方法以解决上述技术问题。
技术实现思路
1、本专利技术的目的在于提供一种动力电池soc估算方法、系统、电子设备、存储介质及车辆，能够解决上述提到的至少一个技术问题。
2、为了解决上述技术问题，本专利技术提供了一种动力电池soc估算方法，包括：
3、响应于动力电池在不同初始内阻以及实时温度下的soc数据，构建数据集，其中，所述数据集包括训练集、验证集以及测试集；
4、基于所述训练集，对构建的soc预测模型进行训练，其中，所述soc预测模型包括神经网络，通过所述训练集对神经网络进行训练，优化网络参数；
5、基于所述测试集，对训练好的所述soc预测模型进行测试，计算预测误差，根据所述预测误差对所述soc预测模型执行最终确认；
6、响应于实时计算的电池内阻以及相应获取的电池温度，基于所述soc预测模型输出预测矩阵，根据定义的修正算法对所述预测矩阵进行修正，获取修正后的所述soc数据。
7、在其中一些具体实施例中，实时计算所述电池内阻，具体包括：
8、根据公式：
9、
10、其中，
11、r为所述电池内阻；
12、uocv为开路电压；
13、u0为负载电压；
14、i0为干路电流。
15、在其中一些具体实施例中，通过所述训练集对神经网络进行训练，具体包括：
16、根据公式：
17、
18、
19、其中，
20、w`ij为新权重；
21、wij为旧权重；
22、η为学习率；
23、e为误差；
24、b`ij为新偏移量；
25、bij为旧权重。
26、在其中一些具体实施例中，基于所述测试集，对训练好的所述soc预测模型进行测试，计算预测误差，根据所述预测误差对所述soc预测模型执行最终确认，具体包括：
27、基于所述测试集，根据公式：
28、
29、其中，
30、s2为所述预测误差；
31、n为测试集数量；
32、xi为实际输出；
33、x为期望输出；
34、选择所述预测误差最小的所述神经网络作为确认的最终所述soc预测模型。
35、在其中一些具体实施例中，响应于实时计算的电池内阻以及相应获取的电池温度，基于所述soc预测模型输出预测矩阵，根据定义的修正算法对所述预测矩阵进行修正，获取修正后的所述soc数据，具体包括：
36、获取k及k+1时刻的所述电池温度；
37、基于实时计算的所述电池内阻为输入，通过所述soc预测模型输出所述预测矩阵；
38、根据公式：
39、xk|k-1＝fkxk-1+uk
40、其中，
41、xk|k-1为k时刻的状态预测估计值；
42、fk为预测矩阵；
43、xk-1为k-1时刻的状态估计值；
44、uk为控制噪声；
45、根据上述公式计算出预测的所述soc数据，根据预测的所述soc数据反推出所述k+1时刻预测的电压值。
46、在其中一些具体实施例中，根据预测的所述soc数据反推出所述k+1时刻预测的电压值之后，所述方法还包括：
47、测量所述k+1时刻实际的电压值；
48、所述修正算法包括：
49、预测状态协方差更新公式：
50、pk|k-1＝fkpk-1+qk
51、其中，
52、pk|k-1为k时刻的状态协方差预测值；
53、pk-1为k-1时刻的状态协方差估计值；
54、qk为过程噪声的协方差矩阵；
55、更新卡尔曼增益公式：
56、
57、其中，
58、kk为k时刻的卡尔曼增益；
59、hk为测量矩阵；
60、rk为测量噪声的协方差矩阵；
61、更新状态的公式：
62、xk＝xk|k-1+kkzk-hkxk|k-1
63、其中，
64、xk为k时刻的状态估计值；
65、zk为k时刻的测量值；
66、更新状态协方差的公式：
67、pk＝(i-kkhk)pk|k-1
68、其中，
69、i为单位矩阵；
70、根据所述修正算法修正所述预测矩阵，获取修正后的所述soc数据。
71、基于同一构思，本专利技术还提供一种动力电池soc估算系统，包括：
72、数据集构建模块，配置为响应于动力电池在不同初始内阻以及实时温度下的soc数据，构建数据集，其中，所述数据集包括训练集、验证集以及测试集；
73、预本文档来自技高网...
【技术保护点】
1.一种动力电池SOC估算方法，其特征在于，包括：
2.根据权利要求1所述的动力电池SOC估算方法，其特征在于，实时计算所述电池内阻，具体包括：
3.根据权利要求1所述的动力电池SOC估算方法，其特征在于，通过所述训练集对神经网络进行训练，具体包括：
4.根据权利要求3所述的动力电池SOC估算方法，其特征在于，基于所述测试集，对训练好的所述SOC预测模型进行测试，计算预测误差，根据所述预测误差对所述SOC预测模型执行最终确认，具体包括：
5.根据权利要求2所述的动力电池SOC估算方法，其特征在于，
6.根据权利要求5所述的动力电池SOC估算方法，其特征在于，根据预测的所述SOC数据反推出所述k+1时刻预测的电压值之后，所述方法还包括：
7.一种动力电池SOC估算系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执
9.一种计算机可读存储介质，其特征在于，其存储有可由电子设备执行的计算机程序，当所述计算机程序在所述电子设备上运行时，使得所述电子设备执行权利要求1至6中任一项所述方法的步骤。
10.一种车辆，其特征在于，所述车辆设置有如权利要求7所述的动力电池SOC估算系统。
...【技术特征摘要】
1.一种动力电池soc估算方法，其特征在于，包括：
2.根据权利要求1所述的动力电池soc估算方法，其特征在于，实时计算所述电池内阻，具体包括：
3.根据权利要求1所述的动力电池soc估算方法，其特征在于，通过所述训练集对神经网络进行训练，具体包括：
4.根据权利要求3所述的动力电池soc估算方法，其特征在于，基于所述测试集，对训练好的所述soc预测模型进行测试，计算预测误差，根据所述预测误差对所述soc预测模型执行最终确认，具体包括：
5.根据权利要求2所述的动力电池soc估算方法，其特征在于，
6.根据权利要求5所述的动力电池soc估算方法，其特征在于，根据预测的所述soc数据反推出所述k+...
【专利技术属性】
技术研发人员：李博，翟来涛，孟凡胜，丛鹏泉，孙行健，张敏，李泰余，黄梦迪，王廷宇，
申请(专利权)人：中国第一汽车股份有限公司，
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。