【技术实现步骤摘要】
本申请的实施例涉及电池，特别涉及一种电池荷电状态估计方法、系统及电子设备。
技术介绍
1、锂电池具有续航能力强、能量密度高、体积小的优点，目前已广泛用于动力汽车和储能电站等多个领域，其中锂电池的soc(state of charge，荷电状态)表示当前电池剩余的电量多少，对防止电池过充和过放有着重要的指导作用。而目前常用的soc估计方法过于依赖传感器精度且只能测量静态下的soc，导致估计的soc误差大并且估计方法的通用性差。
技术实现思路
1、本申请的实施例目的在于提供一种电池荷电状态估计方法，以解决现有技术中电池荷电状态估计误差大的技术问题。本申请的另一实施例目的在于提供一种电池荷电状态估计系统，以解决现有技术中电池荷电状态估计误差大的技术问题。
2、为了解决上述技术问题，本申请的实施例公开了如下技术方案：
3、第一方面，提供了一种电池荷电状态估计方法，包括：
4、获取电池放电时的实际参数数据；
5、将所述实际参数数据输入预先训练好的估计模型，以获得所述电池的荷电状态；
6、其中，所述估计模型的训练方法包括：
7、采集电池放电过程中的训练参数数据和实际荷电状态；
8、构建初始估计模型的初始约束条件；
9、将所述训练参数数据输入所述初始估计模型进行估计，以获得第一估计值；
10、基于所述第一估计值与所述实际荷电状态的误差通过优化模型对所述初始约束条件进行优化，以获得所述估计模
11、结合第一方面，基于所述第一估计值与所述实际荷电状态的误差通过优化模型对所述初始约束条件进行优化的方法包括：
12、采用误差函数计算所述第一估计值与所述实际荷电状态之间的误差值；
13、基于所述误差值将所述初始约束条件输入优化模型中进行优化，以获得最终约束条件；
14、基于所述最终约束条件对所述初始约束条件进行替换。
15、结合第一方面，所述误差函数包括均方误差函数、平均绝对误差函数、平均百分比误差函数和huber损失函数中的至少一者。
16、结合第一方面，基于所述误差值将所述初始约束条件输入优化模型中进行优化，以获得最终约束条件之前，所述方法还包括：
17、将所述误差值与误差阈值进行比较，以获得比较结果；
18、基于所述比较结果构建所述优化模型的迭代次数；
19、所述迭代次数被配置为所述优化模型的停止优化循环的条件。
20、结合第一方面，所述误差阈值包括第一阈值和第二阈值；
21、基于所述比较结果构建所述优化模型的迭代次数的方法包括：
22、将所述误差值与所述第一阈值和所述第二阈值比较；
23、响应于所述误差值大于所述第二阈值，设置所述迭代次数大于30；
24、响应于所述误差值大于所述第一阈值且小于等于所述第二阈值，设置所述迭代次数大于10且小于30；
25、响应于所述误差值小于等于所述第一阈值，设置所述迭代次数等于0。
26、结合第一方面，采集电池放电过程中的训练参数数据和实际荷电状态之后，所述方法还包括：
27、将所述训练参数数据和所述实际荷电状态一一对应；
28、将对应后的所述训练参数数据和所述实际荷电状态划分为训练集合、验证集合和测试集合；
29、所述训练集合被配置为所述初始估计模型的训练数据；
30、所述验证集合被配置为所述初始估计模型的验证数据；
31、所述测试集合被配置为所述估计模型的测试数据；
32、所述训练参数数据和所述实际荷电状态的采样频率为80～120hz。
33、结合第一方面，所述估计模型包括lstm神经网络模型，所述lstm神经网络模型包括：输入层、lstm层、隐藏层、dropout层和全连接层中的至少一者；
34、所述lstm层包括输入门、遗忘门、输出门和状态信息通道。
35、结合第一方面，所述优化模型包括贝叶斯神经网络模型，所述贝叶斯神经网络模型包括：先验分布函数、后验分布函数、损失函数、采样函数、更新函数、高斯过程回归函数和pi(x)采集函数中的至少一者。
36、第二方面，提供了一种电池荷电状态估计系统，所述系统包括：
37、采集模块，所述采集模块被配置为获取电池放电时的实际参数数据；
38、估计模型，所述估计模型被配置为基于输入的所述实际参数数据输出所述电池的荷电状态；
39、输入模块，所述输入模块被配置为将所述实际参数数据输入所述估计模型；
40、其中，所述估计模型的训练方法包括：
41、采集电池放电过程中的训练参数数据和实际荷电状态；
42、构建初始估计模型的初始约束条件；
43、将所述训练参数数据输入所述初始估计模型进行估计，以获得第一估计值；
44、基于所述第一估计值与所述实际荷电状态的误差通过优化模型对所述初始约束条件进行优化，以获得所述估计模型。
45、第三方面，提供了一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于采用如第一方面中任一项所述的电池荷电状态估计方法，以执行所述计算机程序，或者，所述处理器采用如第二方面中所述的电池荷电状态估计系统实现电池荷电状态的估计。
46、上述技术方案中的一个技术方案具有如下优点或有益效果：
47、与现有技术相比，本申请的一种电池荷电状态估计方法，包括：获取电池放电时的实际参数数据；将实际参数数据输入预先训练好的估计模型，以获得电池的电池荷电状态；其中，估计模型的训练方法包括：采集电池放电过程中的训练参数数据和实际荷电状态；构建初始估计模型的初始约束条件；将训练参数数据输入初始估计模型进行估计，以获得第一估计值；基于第一估计值与实际荷电状态的误差通过优化模型对初始约束条件进行优化，以获得估计模型。本申请提供的电池荷电状态估计方法通过优化模型对估计模型中的初始约束条件进行优化，使得估计模型估计得到的电池荷电状态与实际的电池荷电状态的误差更小，同时估计模型适用于多种电池的电池荷电状态的估计，通用性好。
48、与现有技术相比，本申请的一种电池荷电状态估计系统，系统包括：采集模块，采集模块被配置为获取电池放电时的实际参数数据；估计模型，估计模型被配置为基于输入的实际参数数据输出电池的电池荷电状态；输入模块，输入模块被配置为将实际参数数据输入估计模型；其中，估计模型的训练方法包括：采集电池放电过程中的训练参数数据和实际荷电状态；构建初始估计模型的初始约束条件；将训练参数数据输入初始估计模型进行估计，以获得第一估计值；基于第一估计值与实际荷电状态的误差通过优化模型对初始约束条件进行优化，以获得估计模型。本申请提供的电池荷电状态估计系统通过采集模块获得电池的实际参数数据，并本文档来自技高网...
【技术保护点】
1.一种电池荷电状态估计方法，其特征在于，包括：
2.如权利要求1所述的电池荷电状态估计方法，其特征在于，基于所述第一估计值与所述实际荷电状态的误差通过优化模型对所述初始约束条件进行优化的方法包括：
3.如权利要求2所述的电池荷电状态估计方法，其特征在于，所述误差函数包括均方误差函数、平均绝对误差函数、平均百分比误差函数和Huber损失函数中的至少一者。
4.如权利要求2所述的电池荷电状态估计方法，其特征在于，基于所述误差值将所述初始约束条件输入优化模型中进行优化，以获得最终约束条件之前，所述方法还包括：
5.如权利要求4所述的电池荷电状态估计方法，其特征在于，所述误差阈值包括第一阈值和第二阈值；
6.如权利要求1所述的电池荷电状态估计方法，其特征在于，采集电池放电过程中的训练参数数据和实际荷电状态之后，所述方法还包括：
7.如权利要求1所述的电池荷电状态估计方法，其特征在于，所述估计模型包括LSTM神经网络模型，所述LSTM神经网络模型包括：输入层、LSTM层、隐藏层、dropout层和全连接层中的至少一者
8.如权利要求1所述的电池荷电状态估计方法，其特征在于，所述优化模型包括贝叶斯神经网络模型，所述贝叶斯神经网络模型包括：先验分布函数、后验分布函数、损失函数、采样函数、更新函数、高斯过程回归函数和PI(x)采集函数中的至少一者。
9.一种电池荷电状态估计系统，其特征在于，所述系统包括：
10.一种电子设备，其特征在于：包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于采用如权利要求1至8中任一项所述的电池荷电状态估计方法，以执行所述计算机程序，或者，所述处理器采用如权利要求9中所述的荷电状态估计系统实现电池荷电状态的估计。
...【技术特征摘要】
1.一种电池荷电状态估计方法，其特征在于，包括：
2.如权利要求1所述的电池荷电状态估计方法，其特征在于，基于所述第一估计值与所述实际荷电状态的误差通过优化模型对所述初始约束条件进行优化的方法包括：
3.如权利要求2所述的电池荷电状态估计方法，其特征在于，所述误差函数包括均方误差函数、平均绝对误差函数、平均百分比误差函数和huber损失函数中的至少一者。
4.如权利要求2所述的电池荷电状态估计方法，其特征在于，基于所述误差值将所述初始约束条件输入优化模型中进行优化，以获得最终约束条件之前，所述方法还包括：
5.如权利要求4所述的电池荷电状态估计方法，其特征在于，所述误差阈值包括第一阈值和第二阈值；
6.如权利要求1所述的电池荷电状态估计方法，其特征在于，采集电池放电过程中的训练参数数据和实际荷电状态之后，所述方法还包括：...
【专利技术属性】
技术研发人员：谢文昕，
申请(专利权)人：蜂巢能源科技上饶有限公司，
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。