【技术实现步骤摘要】
本专利技术涉及电池荷电状态检测，具体涉及一种基于深度学习与超声特征融合的电池荷电状态检测方法。
技术介绍
1、锂电池的荷电状态(soc)表示的是电池的剩余电量与电池总容量的比值，以百分数的形式表示，能够直接反映锂电池当前容量状态，对其使用的安全性、性能有重要的作用，但是，由于锂电池内部在工作时的化学反应十分复杂，其荷电状态无法通过仪器直接测量，只能够通过电池运行过程中电压、电流、放电电流大小、放电时间等参数间接预测。不同的预测算法之间存在着预测能力的差异，因而会对电池soc的检测产生影响。
2、目前常规使用的是安时积分法对锂电池soc进行预测，该方法假设电池容量恒定并忽略不计电池温度以及使用损耗等因素带来的误差，通过对电池工作过程中电流关于时间积分来计算电池目前的soc，安时积分法容易受电池初始容量、累计误差、内部损耗等因素影响，预测精度十分有限，难以获得较高的准确度。
3、另外，现有技术也有利用超声波对锂电池soc进行预测，利用超声波作为信息的媒介来反映电池目前的soc，如专利公开号为cn117054527a的...
【技术保护点】
1.一种基于深度学习与超声特征融合的电池荷电状态检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于深度学习与超声特征融合的电池荷电状态检测方法，其特征在于，数据预处理包括：使用最小二乘平滑滤波函数进行平滑降噪。
3.根据权利要求1所述的基于深度学习与超声特征融合的电池荷电状态检测方法，其特征在于，基于WAA加权平均优化算法对BiTCN-BiLSTM-Multi-Head Attention网络中的参数取值进行寻优，具体包括：
4.根据权利要求3所述的基于深度学习与超声特征融合的电池荷电状态检测方法，其特征在于，在开发...
【技术特征摘要】
1.一种基于深度学习与超声特征融合的电池荷电状态检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于深度学习与超声特征融合的电池荷电状态检测方法，其特征在于，数据预处理包括：使用最小二乘平滑滤波函数进行平滑降噪。
3.根据权利要求1所述的基于深度学习与超声特征融合的电池荷电状态检测方法，其特征在于，基于waa加权平均优化算法对bitcn-bilstm-multi-head attention网络中的参数取值进行寻优，具体包括：
4.根据权利要求3所述的基于深度学习与超声特征融合的电池荷电状态检测方法，其特征在于，在开发阶段中进行位置更新，位置更新的策略包括：
5.根据权利要求1所述的基于深度学习与超声特征融合的电池荷电状态检测方法，其特征在于，基于双向时间卷积网络bitcn提取特征矩阵中与电池soc有关的基本特征，具体包括：
6.根据权利要求5所述的基于深度学习与超声特征融合的电池荷电状态检测方...
【专利技术属性】
技术研发人员：谢勇君，胡文娟，叶浩鹏，孙勇超，杨烨，刘鹏飞，安荣邦，赵乘骥，
申请(专利权)人：暨南大学，
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。