【技术实现步骤摘要】
本申请实施例涉及基于特定计算模型的电池荷电状态预测，尤其涉及基于tcn-gru神经网络模型和迁移学习的锂离子电池soc估计方法，以及其装置。
技术介绍
1、锂离子电池作为主流储能单元，在电动汽车上得到了广泛应用。出于充分利用电池的性能，确保电池安全使用，在电池充放电过程中配电池管理系统bms对电池进行管理显得尤为重要。
2、电池荷电状态soc估算是确定电动汽车剩余行驶里程的重要参考依据，soc是bms对电池状态进行监测的重要指标，对于电池管理也是一项关键任务。但是soc是一种隐式状态，不能由传感器直接测定，必须对测量数据进行处理分析计算才能得到。
3、基于特定计算机模型的soc估计方法在学术界和工业界均备受关注，但soc估计需要进行大量的电池测试，大大延长了bms的开发周期，增加开发成本。对于电池材料或者版本的变化均需要大量重复测试，导致后期维护成本显著增加。因此，减少对大量离线测试的依赖或最小化基于模型的soc估计所需的数据量仍然是进一步研究的关键领域。
技术实现思路
1、为了克服上述技术缺陷，本申请实施例提供一种基于tcn-gru神经网络模型和迁移学习的锂离子电池soc估计方法。其具体方案如下：
2、s1、数据获取：
3、获取源电池在不同放电条件和环境条件下的测量数据作为源域数据集，测量数据包括电池的电流、soc、温度和电压；
4、s2、tcn-gru神经网络模型构建及预训练：
5、针对源域中的电池行为，采
6、s3、tcn-gru神经网络模型扩展：
7、针对目标域的电池行为，采用迁移学习技术对tcn-gru神经网络模型进行扩展，对来自目标域的数据进行微调，以适应目标电池的特定特性，得到扩展后的tcn-gru神经网络模型；
8、s4、构造平方根容积卡尔曼滤波srckf算法估计soc。
9、可选的，在一种可能的实现方式中，源域数据集包括两个数据集，其中第一个数据集是从实验室测试得到的测试数据，第二个数据集是来自马里兰大学高级生命周期工程中心calce的测试数据
10、可选的，在一种可能的实现方式中，构建好的tcn-gru神经网络模型定义为：
11、可选的，在一种可能的实现方式中，通过微调，扩展后的tcn-gru神经网络模型定义为：
12、式中，θsrc表示预训练参数。
13、可选的，在一种可能的实现方式中，使用包含源域损失和目标域损失的组合损失函数对扩展后的tcn-gru神经网络模型的进行损失计算，该组合损失函数为：l＝lsrc+λltgt；式中，λ为平衡源域和目标域损失贡献的超参数，lsrc和ltgt分别表示源域和目标域的损失，分别表示为:
14、
15、其中，nsrc和ntgt分别表示源数据集和目标数据集的样本数量。
16、本申请实施例采用上述技术方案可以实现以下技术效果：
17、tcn-gru可以有效地跟踪电压变化，而srckf则可以利用电池模型误差有效地校正soc。这种方法可以有效地缩短电池测试周期，降低bms成本，特别是当目标电池的训练数据不足和在bms开发的早期阶段。。
本文档来自技高网...【技术保护点】
1.一种基于TCN-GRU神经网络模型和迁移学习的锂离子电池SOC估计方法，其特征在于，包括：
2.根据权利要求1所述的锂离子电池SOC估计方法，其特征在于，
3.根据权利要求1所述的锂离子电池SOC估计方法，其特征在于，
4.根据权利要求3所述的锂离子电池SOC估计方法，其特征在于，
5.根据权利要求4所述的锂离子电池SOC估计方法，其特征在于，
【技术特征摘要】
1.一种基于tcn-gru神经网络模型和迁移学习的锂离子电池soc估计方法，其特征在于，包括：
2.根据权利要求1所述的锂离子电池soc估计方法，其特征在于，
3.根据权利要求...
【专利技术属性】
技术研发人员：舒星，周美颜，赵红茜，胡远志，汤爱华，冯仁华，杨浩，陈飞，
申请(专利权)人：重庆理工大学，
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。