【技术实现步骤摘要】
：本专利技术涉及锂电池工况管理，具体的说是一种能够提高电池荷电状态预测准确性，进而提高电池管理效率，延长设备使用寿命的基于多尺度深度学习的电池组soc估计方法。
技术介绍
0、
技术介绍
：
1、随着国家各项新能源政策的落地以及新能源产业的兴起，各类新能源产品落入千家万户，但是各种新能源产品事故的发生严重影响人民的生命及财产安全。锂电池电池管理系统中的电池荷电状态对避免锂电池过度充电、过度放电起着至关重要的作用，准确预测电池荷电状态可以有效避免锂电池过度充放电的情况。由于锂电池所处环境较为极端，环境的复杂性、干扰因素多样性使得电池荷电状态(soc)深度学习算法在电池管理领域面临严峻挑战。本专利技术目标是准确预测锂电池荷电状态，在保证soc估算准确度的同时缩短电池管理系统响应时长。
2、目前的电池荷电状态估计多采用安时积分法、扩展卡尔曼滤波算法以进行soc估计，安时积分法通过对某一段时间内的电流进行积分运算得到这段时间的电量变化从而计算出soc，电流值需要高精度电流传感器，而其精度受到温度和噪声影响，随着积分累积，误差会越来越大的问题；扩展卡尔曼滤波方法利用电池的等效电路模型构建状态方程及观测方式以推理电池荷电状态，传统方法往往存在soc估算响应时间长、估算不准确、计算量大、不稳定且高度依赖电池模型的问题。
技术实现思路
0、
技术实现思路
：
1、本专利技术针对现有技术中存在的缺点和不足，提出了一种结合数据预处理方法、采用并行处理架构同时学习锂电池时序数
2、本专利技术通过以下措施达到：
3、一种基于多尺度深度学习的电池组soc估计方法，其特征在于，包括以下步骤：
4、步骤1：采集锂电池的数据，包括锂电池的连续电压、电流信号、瞬时电压、瞬时电流、电池温度、环境温度、内阻数据，针对连续电压、电流信号进行分窗去噪处理，得到电流电压分窗处理信号；步骤2：对电流电压分窗处理信号进行编码预处理，生成电流电压分窗码流数据；
5、步骤3：构建多尺度轻量化深度学习soc预测算法网络，包括时序网络模块、平坦化连接层、时序特征表示层、轻量化卷积网络模块、属性特征表示层、特征融合模块及推理模块；
6、步骤4：将电流电压分窗码流数据及温度数据送入多尺度轻量化深度学习soc预测算法网络中进行soc推理预测。
7、本专利技术步骤1中，使用数采模块采集的不同时刻下的时序数据与属性数据，时序数据包括电压时序数据序列v＝vi(i＝1,2...,t)与电流时序数据序列i＝ij(j＝1,2...,t)，其中t表示时间维度，属性数据包括该时刻下的瞬时电压、瞬时电流、采集时间、锂电池内部温度、环境温度、内阻大小数据。
8、本专利技术步骤3中所述多尺度轻量化深度学习soc预测算法网络中时序数据预处理模块，用于对电流、电压时序分窗数据序列进行embedding编码预处理，完成电压电流数据的浅层表征，其中，时序数据网络模块，由2个双向长短时记忆层及全连接层构成，将处理后的浅层表征数据送入时序数据网络模块，进行时序特征抽取为时序特征矩阵，所述双向长短时记忆层中的双向长短时记忆网络由两个相反方向的长短时记忆网络拼接而成，长短时记忆网络是由t时刻的输入数据xt，细胞状态ct、临时细胞状态ct'、隐层状态ht、遗忘门ft、记忆门it、输出门ot组成，通过对细胞状态中的信息遗忘和记忆新的信息使得对后续时刻计算有用的信息得以传递，丢弃无用的信息，并在每个时刻同步输出隐层状态ht，其中遗忘、记忆、输出由通过上个时刻的隐层状态ht-1，以及当前时刻输入xt计算的遗忘门、记忆门、输出门进行控制，其中：
9、遗忘门用于有选择性的忘记特征信息，遗忘门计算公式：ft＝sigmoid(wf·[xt；ht-1]+bf)，其中，wf为遗忘门权重，bf为遗忘门偏置，[xt；ht-1]为t时刻的输入与t-1时刻的隐层状态的拼接数据，采用sigmoid激活函数将遗忘门数据映射至[0,1]的区间范围内，记忆门用于将长期记忆信息进行向下传递，记忆门计算公式：it＝sigmoid(wi·[xt；ht-1]+bi)，wi为记忆门权重,bi为记忆门偏置，计算当前时刻细胞状态：ct＝ft*ct-1+it*ct'，ct'＝tanh(wc·[xt；ht-1]+bc)，输出门将长期记忆与短期记忆融合碰撞并输出，输出门计算公式：ot＝sigmoid(wo·[xt；ht-1]+bo)，ht＝tanh(ct)*ot，其中wo为输出门权重参数，bo为输出门偏置，ht表示最终t时刻的输出数据。
10、本专利技术步骤3中所述时序数据特征表示层由平坦化层与全连接层构成，经由时序数据网络模块抽取的时序特征矩阵重构为降维性特征向量。
11、本专利技术步骤3中所述轻量化卷积网络模块由一维卷积模块与卷积残差层构成，用于抽取瞬时电流、瞬时电压、环境温度、内阻等属性数据特征；所述特征融合模块由全连接层及dropout层构成，用于防止算法网络的过拟合化。
12、本专利技术通过对锂电池内部可测量的电压、电流等数据提取时频信息，构建多尺度轻量化深度学习算法同步抽取锂电池不同时刻下电压、电流的时序信息以及锂电池内部内阻、瞬时电流、瞬时电压、温度、所处环境温度的属性信息进行锂电池soc计算估计，具体地说，采用pytorch框架构建多尺度轻量化深度学习算法模型，利用双向长短时记忆网络分支充分抽取电流、电压时序特性，同时使用轻量化卷积神经网络辨析当前时刻锂电池内阻、瞬时电流、瞬时电压、电池温度、环境温度对soc的影响，增强算法锚向性与泛化能力，在提升soc计算精度的同时缩短计算时长，提升了锂电池系统实时能力。
本文档来自技高网...【技术保护点】
1.一种基于多尺度深度学习的电池组SOC估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多尺度深度学习的电池组SOC估计方法，其特征在于，步骤1中，使用数采模块采集的不同时刻下的时序数据与属性数据，时序数据包括电压时序数据序列V＝Vi(i＝1,2...,t)与电流时序数据序列I＝Ij(j＝1,2...,t)，其中t表示时间维度，属性数据包括该时刻下的瞬时电压、瞬时电流、采集时间、锂电池内部温度、环境温度、内阻大小数据。
3.根据权利要求1所述的一种基于多尺度深度学习的电池组SOC估计方法，其特征在于，步骤3中所述多尺度轻量化深度学习SOC预测算法网络中时序数据预处理模块，用于对电流、电压时序分窗数据序列进行embedding编码预处理，完成电压电流数据的浅层表征，其中，时序数据网络模块，由2个双向长短时记忆层及全连接层构成，将处理后的浅层表征数据送入时序数据网络模块，进行时序特征抽取为时序特征矩阵，所述双向长短时记忆层中的双向长短时记忆网络由两个相反方向的长短时记忆网络拼接而成，长短时记忆网络是由t时刻的输入数据xt，细胞状态Ct、临
4.根据权利要求1所述的一种基于多尺度深度学习的电池组SOC估计方法，其特征在于，步骤3中所述时序数据特征表示层由平坦化层与全连接层构成，经由时序数据网络模块抽取的时序特征矩阵重构为降维性特征向量。
5.根据权利要求1所述的一种基于多尺度深度学习的电池组SOC估计方法，其特征在于，步骤3中所述轻量化卷积网络模块由一维卷积模块与卷积残差层构成，用于抽取瞬时电流、瞬时电压、环境温度、内阻等属性数据特征；所述特征融合模块由全连接层及DropOut层构成，用于防止算法网络的过拟合化。
...【技术特征摘要】
1.一种基于多尺度深度学习的电池组soc估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多尺度深度学习的电池组soc估计方法，其特征在于，步骤1中，使用数采模块采集的不同时刻下的时序数据与属性数据，时序数据包括电压时序数据序列v＝vi(i＝1,2...,t)与电流时序数据序列i＝ij(j＝1,2...,t)，其中t表示时间维度，属性数据包括该时刻下的瞬时电压、瞬时电流、采集时间、锂电池内部温度、环境温度、内阻大小数据。
3.根据权利要求1所述的一种基于多尺度深度学习的电池组soc估计方法，其特征在于，步骤3中所述多尺度轻量化深度学习soc预测算法网络中时序数据预处理模块，用于对电流、电压时序分窗数据序列进行embedding编码预处理，完成电压电流数据的浅层表征，其中，时序数据网络模块，由2个双向长短时记忆层及全连接层构成，将处理后的浅层表征数据送入时序数据网络模块，进行时序特征抽取为时序特征矩阵，所述双向长短时记忆层中的双向长短时记忆网络由两个相反方...
【专利技术属性】
技术研发人员：张妮娜，吕笑琳，乔木垒，杨青山，张凯，
申请(专利权)人：威海北洋光电信息技术股份公司，
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。