一种储能电池的剩余电量预测校准方法技术

本发明专利技术公开了一种储能电池的剩余电量预测校准方法，包括以下步骤：S1.采集储能电池的多组状态数据；S2.构建神经网络预测模型，并训练得到成熟的神经网络预测模型；S3.获得标准温度下的剩余电量预测值；S4.得到N个不同温度的剩余电量预测值；S5.生成温度比值表，对N个不同温度及其对应的比值进行保存；S6.在储能电池剩余电量未知时，对其剩余电量的预测值，并基于测得的环境温度与剩余电量的预测值进行校准。本发明专利技术考虑了温度的影响，对预测得到的剩余电量进行了校准，使得剩余电量能够更加接近与标准温度下的真实值，从而提高了剩余电量的预测准确性。量的预测准确性。量的预测准确性。

【技术实现步骤摘要】
一种储能电池的剩余电量预测校准方法


[0001]本专利技术涉及储能电池，特别是涉及一种储能电池的剩余电量预测校准方法。

技术介绍

[0002]储能电池的剩余电量SOC(State Of Charge，荷电状态)是整个电池系统的核心参数，确定电池剩余电量可以实现对电池组合理的使用，防止电池组过充电和过放电，降低电池故障发生概率，提高电池组使用寿命，延长电池续航能力具有重要的作用；一般而言，储能电池的剩余电量虽然可以直接测试，但是储能电池分布式的应用于各个领域，如新能源汽车、通信基站等，在每个应用场景均利用专业的测试设备进行测试，是很难实现的，因此，一般情况下是通过对储能电池进行参数的采集后，根据采集到的数据进行估算，但是，在进行储能电池参数采集时，由于温度的影响，会导致采集到的参数误差较大，从而使得预测出的剩余电量与实际电量存在较大误差，不利于储能电池的准确估算。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供一种储能电池的剩余电量预测校准方法，考虑了温度的影响，对预测得到的剩余电量进行了校准，使得剩余电量能够更加接近与标准温度下的真实值，从而提高了剩余电量的预测准确性。
[0004]本专利技术的目的是通过以下技术方案来实现的：一种储能电池的剩余电量预测校准方法，包括以下步骤：S1.采集储能电池的多组状态数据，每一组状态数据包括储能电池的剩余电量、电流、电压和储能电池的表面压力；S2.构建神经网络预测模型，利用采集得到的数据对神经网络预测模型进行训练，得到成熟的神经网络预测模型；S3.设定标准温度T，将储能电池设置于一密闭的测试空间内，并将测试空间内的温度调节为测试温度，然后采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到标准温度下的剩余电量预测值；S4.调节测试控制内的温度值，并使得储能电池的实际剩余电量与标准温度测试时一致，在N个不同的温度下，采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到N个不同温度的剩余电量预测值，其中N为偶数；S5.将标准温度下的剩余电量预测值分别与N个不同温度的剩余电量预测值进行比值运算，得到N个不同温度下的比值，并生成温度比值表，对N个不同温度及其对应的比值进行保存；S6.在储能电池剩余电量未知时，测试该储能电池的电流、电压和该储能电池的表面压力，并测试该储能电池所在环境的温度，将储能电池的电流、电压和该储能电池的表面压力输入神经网络预测模型中，得到剩余电量的预测值，并基于测得的环境温度与剩余电
量的预测值进行校准。
[0005]本专利技术的有益效果是：本专利技术通过采集储能电池的多组状态数据，进行神经网络模型的构建和训练，并基于训练得到的神经网络进行储能电池剩余电量的预测，并且考虑了温度的影响，对预测得到的剩余电量进行了校准，使得剩余电量能够更加接近与标准温度下的真实值，从而提高了剩余电量的预测准确性。
附图说明
[0006]图1为本专利技术的方法流程图。
具体实施方式
[0007]下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。
[0008]如图1所示，一种储能电池的剩余电量预测校准方法，包括以下步骤：S1.采集储能电池的多组状态数据，每一组状态数据包括储能电池的剩余电量、电流、电压和储能电池的表面压力；S2.构建神经网络预测模型，利用采集得到的数据对神经网络预测模型进行训练，得到成熟的神经网络预测模型；S3.设定标准温度T，将储能电池设置于一密闭的测试空间内，并将测试空间内的温度调节为测试温度，然后采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到标准温度下的剩余电量预测值；S4.调节测试控制内的温度值，并使得储能电池的实际剩余电量与标准温度测试时一致，在N个不同的温度下，采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到N个不同温度的剩余电量预测值，其中N为偶数；S5.将标准温度下的剩余电量预测值分别与N个不同温度的剩余电量预测值进行比值运算，得到N个不同温度下的比值，并生成温度比值表，对N个不同温度及其对应的比值进行保存；S6.在储能电池剩余电量未知时，测试该储能电池的电流、电压和该储能电池的表面压力，并测试该储能电池所在环境的温度，将储能电池的电流、电压和该储能电池的表面压力输入神经网络预测模型中，得到剩余电量的预测值，并基于测得的环境温度与剩余电量的预测值进行校准。
[0009]在本申请的实施例中，所述步骤S2中的神经网络预测模型为CNN神经网络模型、RNN神经网络模型或RBF神经网络模型中的一种。
[0010]其中，所述步骤S2包括：S101.在利用任一组状态数据对神经网络预测模型进行训练时，以该组状态数据的电流、电量和储能电池的表面压力作为神经网络预测模型的输入，以该组数据的储能电池剩余电量作为神经网络预测模型的期望输出，以实现神经网络预测模型的训练；S102.对于各组状态数据，重复执行步骤S101，当每组数据均训练结束后，将此时神经网络预测模型记为成熟的神经网络预测模型。
[0011]在本申请的实施例中，所述N个不同温度以温度T为中心均匀分布：设标准温度为
T，给定温度间隔为t，则N个不同的温度分别为：T
‑
Nt/2，
…
，T
‑
2t，T
‑
t，T+t，T+2t，
…
，T+ Nt/2。
[0012]在本申请的实施例中，所述步骤S6中剩余电量的预测值校准方式如下：从温度比值表的N个温度中，查找出与测得的环境温度相差最小的温度值作为校准温度；从温度比值表中查找校准温度对应的比值，然后利用该比值对剩余电量的预测值进行校准：即将剩余电量的预测值乘以查找到的比值，作为校准后的剩余电量预测值。
[0013]由于将剩余电量预测值转换到了标准温度下的预测值来完成校准，能够避免温度变化时，由于测得的储能电池参数的变化所带来的误差，故能够提高预测的准确性，同时后续还可以直接将校准后的剩余电量预测值作为充放电控制、切换的依据。
[0014]上述说明示出并描述了本专利技术的一个优选实施例，但如前所述，应当理解本专利技术并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述专利技术构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本专利技术的精神和范围，则都应在本专利技术所附权利要求的保护范围内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储能电池的剩余电量预测校准方法，其特征在于：包括以下步骤：S1.采集储能电池的多组状态数据，每一组状态数据包括储能电池的剩余电量、电流、电压和储能电池的表面压力；S2.构建神经网络预测模型，利用采集得到的数据对神经网络预测模型进行训练，得到成熟的神经网络预测模型；S3.设定标准温度T，将储能电池设置于一密闭的测试空间内，并将测试空间内的温度调节为测试温度，然后采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到标准温度下的剩余电量预测值；S4.调节测试控制内的温度值，并使得储能电池的实际剩余电量与标准温度测试时一致，在N个不同的温度下，采集储能电池的电流、电压和储能电池表面的表面压力，输入成熟的神经网络模型中，得到N个不同温度的剩余电量预测值，其中N为偶数；S5.将标准温度下的剩余电量预测值分别与N个不同温度的剩余电量预测值进行比值运算，得到N个不同温度下的比值，并生成温度比值表，对N个不同温度及其对应的比值进行保存；S6.在储能电池剩余电量未知时，测试该储能电池的电流、电压和该储能电池的表面压力，并测试该储能电池所在环境的温度，将储能电池的电流、电压和该储能电池的表面压力输入神经网络预测模型中，得到剩余电量的预测值，并基于测得的环境温度与剩余电量的预测值进行校准。2.根据权利要求1所述的一种储能电池的剩余电量预测校准方法，其特征在于：所述步骤S2中的神经网络预测模型为CNN神经...

【专利技术属性】
技术研发人员：雍袁一梦，袁宏，
申请(专利权)人：成都智邦科技有限公司，
类型：发明
国别省市：