【技术实现步骤摘要】
本专利技术涉及计算机，尤其是一种电池soh和soc联合估计方法、计算机装置及存储介质。
技术介绍
1、电池广泛应用在供电储能、交通运输以及航天设备等领域。电池的健康状态soh(state of health)与电荷状态soc(state of charge)是电池的两项重要指标，与电池的安全、稳定运行和性能发挥密切相关。由于soh和soc是电池内部的物质相互作用所体现出来的指标，目前的技术难以从物理和化学原理的层面大规模地对电池进行分析来获得soh和soc等指标，因此目前的电池相关技术主要是根据soh与soc的变化规律来对soh与soc进行估计。然而，目前的电池相关技术普遍存在着估计精度低等缺点。
技术实现思路
1、针对目前的电池相关技术在估计电池的soh与soc时存在的估计精度低等技术问题，本专利技术的目的在于提供一种电池soh和soc联合估计方法、计算机装置及存储介质。
2、一方面，本专利技术实施例包括一种电池soh和soc联合估计方法，所述电池soh和soc联合估计方法包括以下步骤：
3、建立soh估计模型和soc估计模型；
4、获取第一数据集和第二数据集；所述第一数据集包括在电池的充电阶段对电池采集得到的第一电池工作参数和电池健康状态，所述第二数据集包括在电池的放电阶段对电池采集得到的第二电池工作参数和电池荷电状态；
5、使用所述第一数据集对所述soh估计模型执行第一训练过程，获得训练后的所述soh估计模型；
6、
7、对所述soh估计模型和所述soc估计模型进行超参数优化。
8、进一步地，所述建立soh估计模型和soc估计模型，包括：
9、建立cnn模块、多尺度卷积注意力模块、残差模块和全连接层；
10、将所述cnn模块、所述多尺度卷积注意力模块、所述残差模块和所述全连接层依次连接，获得所述soh估计模型。
11、进一步地，所述建立soh估计模型和soc估计模型，包括：
12、建立全连接层和多个tcn模块；
13、将各所述tnn模块和所述全连接层依次连接，获得所述soc估计模型。
14、进一步地，所述使用所述第一数据集对所述soh估计模型执行第一训练过程，获得训练后的所述soh估计模型，包括：
15、将所述第一数据集划分为第一训练集和第一验证集；所述第一训练集和所述第一验证集分别包括多个所述第一电池工作参数和相应的多个所述电池健康状态；
16、对所述soh估计模型执行多轮第一训练过程；任一轮所述第一训练过程中，将所述第一训练集中的所述第一电池工作参数输入至所述soh估计模型进行处理，获取所述soh估计模型的实际输出，以所述第一训练集中的所述电池健康状态作为期望输出，根据所述soh估计模型的实际输出与期望输出，对所述soh估计模型进行网络参数调整，将所述第一验证集中的所述第一电池工作参数输入至所述soh估计模型进行处理，获取所述soh估计模型的实际输出，以所述第一验证集中的所述电池健康状态作为期望输出，根据所述soh估计模型的实际输出与期望输出，对所述soh估计模型进行评估；
17、在全部各轮所述第一训练过程训练得到的所述soh估计模型中，获取评估最优的所述soh估计模型，作为训练后的所述soh估计模型。
18、进一步地，所述使用所述第二数据集对所述soc估计模型执行第二训练过程，获得训练后的所述soc估计模型，包括：
19、将所述第二数据集划分为第二训练集和第二验证集；所述第二训练集和所述第二验证集分别包括多个所述第二电池工作参数和相应的多个所述电池荷电状态；
20、对所述soc估计模型执行多轮第二训练过程；任一轮所述第二训练过程中，将同一训练阶段的所述soh估计模型的实际输出与所述第二训练集中的所述第二电池工作参数输入至所述soc估计模型进行处理，获取所述soc估计模型的实际输出，以所述第二训练集中的所述电池荷电状态作为期望输出，根据所述soc估计模型的实际输出与期望输出，对所述soc估计模型进行网络参数调整，将同一训练阶段的所述soh估计模型的实际输出与所述第二验证集中的所述第二电池工作参数输入至所述soc估计模型进行处理，获取所述soc估计模型的实际输出，以所述第二验证集中的所述电池荷电状态作为期望输出，根据所述soc估计模型的实际输出与期望输出，对所述soc估计模型进行评估；
21、在全部各轮所述第二训练过程训练得到的所述soc估计模型中，获取评估最优的所述soc估计模型，作为训练后的所述soc估计模型。
22、进一步地，所述对所述soh估计模型和所述soc估计模型进行超参数优化，包括：
23、设置初始评估结果数值和目标评估结果数值；
24、执行至少一轮优化过程；任一轮所述优化过程包括以下步骤：
25、随机生成第一超参数；
26、使用所述第一超参数对估计模型进行配置后，对所述估计模型执行第三训练过程，获得第一评估结果；其中，所述估计模型为所述soh估计模型和所述soc估计模型中的至少一个；
27、对所述第一超参数进行调整，获得第二超参数；
28、使用所述第二超参数对所述估计模型进行配置后，对所述估计模型执行第四训练过程，获得第二评估结果；
29、使用模拟退火算法，根据所述第一评估结果和所述第二评估结果以及本轮优化过程的评估结果变量，确定本轮优化过程的最优超参数；其中，当本轮优化过程为第一轮优化过程，本轮优化过程的评估结果变量的取值为所述初始评估结果数值；
30、对本轮优化过程的评估结果变量进行衰减；
31、当衰减后的本轮优化过程的评估结果变量小于或者等于所述目标评估结果数值，以本轮优化过程的最优超参数进行超参数优化，结束执行全部优化过程，反之，执行下一轮优化过程。
32、进一步地，所述使用模拟退火算法，根据所述第一评估结果和所述第二评估结果以及本轮优化过程的评估结果变量，确定本轮优化过程的最优超参数，包括：
33、设置初始迭代次数、目标迭代次数和第一概率；
34、执行至少一轮迭代过程；任一轮所述迭代过程包括以下步骤：
35、当所述第二评估结果小于所述第一评估结果，按照所述第一概率，随机将所述第二超参数确定为本轮优化过程的最优超参数；
36、当所述第二评估结果大于或者等于所述第一评估结果，根据所述第一评估结果和所述第二评估结果以及本轮优化过程的评估结果变量，确定第二概率，获取随机数，当所述随机数小于所述第二概率，将所述第二超参数确定为本轮优化过程的最优超参数，当所述随机数大于或者等于所述第二概率，将所述第一超参数确定为本轮优化过程的最优超参数；
37、对本轮迭代过程的迭代次数变量进行衰减；其中，本文档来自技高网...
【技术保护点】
1.一种电池SOH和SOC联合估计方法，其特征在于，所述电池SOH和SOC联合估计方法包括：
2.根据权利要求1所述的电池SOH和SOC联合估计方法，其特征在于，所述建立SOH估计模型和SOC估计模型，包括：
3.根据权利要求2所述的电池SOH和SOC联合估计方法，其特征在于，所述建立SOH估计模型和SOC估计模型，包括：
4.根据权利要求1所述的电池SOH和SOC联合估计方法，其特征在于，所述使用所述第一数据集对所述SOH估计模型执行第一训练过程，获得训练后的所述SOH估计模型，包括：
5.根据权利要求4所述的电池SOH和SOC联合估计方法，其特征在于，所述使用所述第二数据集对所述SOC估计模型执行第二训练过程，获得训练后的所述SOC估计模型，包括：
6.根据权利要求1所述的电池SOH和SOC联合估计方法，其特征在于，所述对所述SOH估计模型和所述SOC估计模型进行超参数优化，包括：
7.根据权利要求6所述的电池SOH和SOC联合估计方法，其特征在于，所述使用模拟退火算法，根据所述第一评估结果和所述第二评估
8.根据权利要求1-7任一项所述的电池SOH和SOC联合估计方法，其特征在于，所述电池SOH和SOC联合估计方法还包括：
9.一种计算机装置，其特征在于，包括存储器和处理器，存储器用于存储至少一个程序，处理器用于加载至少一个程序以执行权利要求1-8任一项所述的电池SOH和SOC联合估计方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，处理器可执行的程序在由处理器执行时用于执行权利要求1-8任一项所述的电池SOH和SOC联合估计方法。
...【技术特征摘要】
1.一种电池soh和soc联合估计方法，其特征在于，所述电池soh和soc联合估计方法包括：
2.根据权利要求1所述的电池soh和soc联合估计方法，其特征在于，所述建立soh估计模型和soc估计模型，包括：
3.根据权利要求2所述的电池soh和soc联合估计方法，其特征在于，所述建立soh估计模型和soc估计模型，包括：
4.根据权利要求1所述的电池soh和soc联合估计方法，其特征在于，所述使用所述第一数据集对所述soh估计模型执行第一训练过程，获得训练后的所述soh估计模型，包括：
5.根据权利要求4所述的电池soh和soc联合估计方法，其特征在于，所述使用所述第二数据集对所述soc估计模型执行第二训练过程，获得训练后的所述soc估计模型，包括：
6.根据权利要求1所述的电池soh和soc联合估计方法，其特征在...
【专利技术属性】
技术研发人员：何涛，宫梓洋，杨芳芳，彭超，
申请(专利权)人：中山大学·深圳，
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。