CN111190111A - 电化学储能电池荷电状态估算方法、装置及系统 - Google Patents

Abstract

本发明实施例提供一种电化学储能电池荷电状态估算方法、装置及系统，属于深度学习技术领域。所述方法包括：电池端获取储能电池系统的实时运行参数以及设定时间内的SOC标定数据；分别根据预设的神经网络模型以及常规SOC估算方法，利用实时运行参数，得到本地SOC估算值；将SOC标定数据、实时运行参数以及本地SOC估算值上传云端服务器，以便云端服务器根据上述数据和初始神经网络模型，得到电池端神经网络模型；电池端分别根据电池端神经网络模型以及常规SOC估算方法，利用当前的实时运行参数，得到当前SOC估算值，并将上述两种数据上传云端服务器，以便利用更新后的电池端神经网络模型得到SOC估算值。本发明实施例适用于储能电池系统的SOC估算。

Description

电化学储能电池荷电状态估算方法、装置及系统

技术领域

本发明涉及深度学习技术领域，具体地涉及一种电化学储能电池荷电状态估算方法、装置及系统。

背景技术

电化学储能电池因其具有良好的充放电效率和灵活的成组方式，已经成为大容量储能系统的主要选择。但是，电池组在长期充放电过程中，由于各单体电池间存在充电接受能力、自放电率、容量衰减速率等差异，易造成电池组内部电池离散性加大，性能衰减加剧，从而降低储能系统的效率。因此，通过电池管理系统(BMS，Battery Management System)准确及时观测到电池的荷电状态(SOC，State of Charge)，了解储能电池系统的当前存储(剩余)能量，可为电池组的管理和维护提供重要依据，便于实时对电池储能系统工作状态做出正确判断并采取相应措施，从而有效避免电池过充和过放，延长电池使用寿命，保证储能系统的安全可靠运行。

在现有对电池组的常规SOC估算方法中，往往需要依赖于实验室条件的测试数据，由于电池的电压、电流、温度等参数与SOC之间的关系复杂且非线性，且容易随现场环境和工况发生变化，因此常规SOC估算方法的误差不可控，而且对于不同类型、不同厂家、不同型号、不同批次的电池，常规方法都需要依赖工程师在实验室条件下重新测试。

发明内容

本发明实施例的目的是提供一种电化学储能电池荷电状态估算方法、装置及系统，解决了现有技术中对于大容量储能系统中的电池组的SOC估算方法的误差不可控，且通用性差的问题，通过电池端的实时运行参数、对应的SOC估算值以及SOC标定数据，训练云端服务器的初始神经网络模型，从而得到经过模型压缩后的电池端神经网络模型，并由电池端神经网络模型替换电池端的原有神经网络模型，上述过程循环迭代进行，既实现了由实际储能电池系统提供模型训练数据，无需依赖于实验室数据，提高了通用性，又实现了由云端服务器进行模型的训练，本地仅根据模型进行推理计算，通过不断的模型迭代，提高了SOC的估算精度。

为了实现上述目的，本发明实施例提供一种电化学储能电池荷电状态估算方法，所述方法应用于电池端，所述方法包括：获取储能电池系统的实时运行参数以及设定时间内的荷电状态SOC标定数据；分别根据预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数，得到本地SOC估算值；将所述SOC标定数据、所述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值实时上传云端服务器，以便所述云端服务器根据所述SOC标定数据、所述实时运行参数以及对应的所述本地SOC估算值和初始神经网络模型，得到电池端神经网络模型；接收所述云端服务器下发的所述电池端神经网络模型，并利用所述电池端神经网络模型替换所述预设的神经网络模型；分别根据所述电池端神经网络模型以及所述常规SOC估算方法，利用当前的实时运行参数，得到当前SOC估算值，并将所述当前的实时运行参数以及对应的所述当前SOC估算值上传所述云端服务器，以便利用更新后的电池端神经网络模型替换所述电池端神经网络模型。

进一步地，当所述预设的神经网络模型为空时，所述本地SOC估算值为根据所述常规SOC估算方法与所述实时运行参数得到。

进一步地，所述方法还包括：当接收到SOC获取指令时，获取所述储能电池系统的当前运行参数；根据当前的电池端神经网络模型，利用所述当前运行参数，得到所述储能电池系统的当前SOC值。

进一步地，所述常规SOC估算方法包括：安时积分法、开路电压法或卡尔曼滤波法。

相应地，本发明实施例还提供一种电化学储能电池荷电状态估算方法，所述方法应用于云端服务器，所述方法包括：获取储能电池系统的荷电状态SOC标定数据、实时运行参数以及所述实时运行参数对应的本地SOC估算值；根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集；利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型；将进行模型压缩后的所述待定神经网络模型确定为电池端神经网络模型，并将所述电池端神经网络模型下发至电池端，且将其作为下一个SOC估算值训练集的训练模型。

进一步地，所述根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集包括：根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间；将处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的正样本；将没有处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的负样本；由所述SOC估算值的正样本与所述SOC估算值的负样本构成所述实时运行参数对应的SOC估算值训练集。

进一步地，所述利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型包括：利用所述SOC估算值训练集训练初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型；利用测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，所述测试集包括所述SOC标定数据以及对应的运行参数；判断所述测试误差是否小于预设误差；当所述测试误差小于所述预设误差时，将所述训练后的初始神经网络模型确定为所述待定神经网络模型。

进一步地，所述方法还包括：当所述测试误差大于或等于所述预设误差时，重新获取所述储能电池系统的当前的实时运行参数以及对应的当前SOC估算值；根据所述SOC标定数据、预设置信度以及所述当前SOC估算值，得到所述当前的实时运行参数对应的当前SOC估算值训练集；利用所述当前SOC估算值训练集重新训练所述初始神经网络模型，直到所述测试集对训练后的初始神经网络模型进行测试的测试误差小于所述预设误差，得到所述待定神经网络模型。

进一步地，所述预设误差通过下述方式获得：利用所述测试集对所述初始神经网络模型进行测试，得到的误差为所述预设误差。

相应地，本发明实施例还提供一种电化学储能电池荷电状态估算装置，所述装置应用于电池端，所述装置包括：获取单元，用于获取储能电池系统的实时运行参数以及设定时间内的荷电状态SOC标定数据；估算单元，用于分别根据预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数，得到本地SOC估算值；上传单元，用于将所述SOC标定数据、所述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值实时上传云端服务器，以便所述云端服务器根据所述SOC标定数据、所述实时运行参数以及对应的所述本地SOC估算值和初始神经网络模型，得到电池端神经网络模型；接收单元，用于接收所述云端服务器下发的所述电池端神经网络模型；替换单元，用于利用所述电池端神经网络模型替换所述预设的神经网络模型；所述估算单元还用于，分别根据所述电池端神经网络模型以及所述常规SOC估算方法，利用当前的实时运行参数，得到当前SOC估算值；所述上传单元还用于，将所述当前的实时运行参数以及对应的所述当前SOC估算值上传所述云端服务器，以便所述替换单元利用更新后的电池端神经网络模型替换所述电池端神经网络模型。

进一步地，当所述预设的神经网络模型为空时，所述本地SOC估算值为根据所述常规SOC估算方法与所述实时运行参数得到。

进一步地，所述接收单元还用于，接收SOC获取指令；所述获取单元还用于，当所述接收单元接收到SOC获取指令时，获取所述储能电池系统的当前运行参数；所述估算单元还用于，根据当前的电池端神经网络模型，利用所述当前运行参数，得到所述储能电池系统的当前SOC值。

进一步地，所述常规SOC估算方法包括：安时积分法、开路电压法或卡尔曼滤波法。

相应地，本发明实施例还提供一种电化学储能电池荷电状态估算装置，所述装置应用于云端服务器，所述装置包括：获取单元，用于获取储能电池系统的荷电状态SOC标定数据、实时运行参数以及所述实时运行参数对应的本地SOC估算值；训练集确定单元，用于根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集；模型训练单元，用于利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型；模型确定单元，用于将进行模型压缩后的所述待定神经网络模型确定为电池端神经网络模型；下发单元，用于将所述电池端神经网络模型下发至电池端；处理单元，用于将所述电池端神经网络模型作为下一个SOC估算值训练集的训练模型。

进一步地，所述训练集确定单元还用于，根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间；将处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的正样本；将没有处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的负样本；由所述SOC估算值的正样本与所述SOC估算值的负样本构成所述实时运行参数对应的SOC估算值训练集。

进一步地，所述模型训练单元还用于，利用所述SOC估算值训练集训练初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型；利用测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，所述测试集包括所述SOC标定数据以及对应的运行参数；判断所述测试误差是否小于预设误差；当所述测试误差小于所述预设误差时，将所述训练后的初始神经网络模型确定为所述待定神经网络模型。

进一步地，所述获取单元还用于，当所述测试误差大于或等于所述预设误差时，重新获取所述储能电池系统的当前的实时运行参数以及对应的当前SOC估算值；所述训练集确定单元还用于，根据所述SOC标定数据、预设置信度以及所述当前SOC估算值，得到所述当前的实时运行参数对应的当前SOC估算值训练集；所述模型训练单元还用于，利用所述当前SOC估算值训练集重新训练所述初始神经网络模型，直到所述测试集对训练后的初始神经网络模型进行测试的测试误差小于所述预设误差，得到所述待定神经网络模型。

进一步地，所述预设误差通过下述方式获得：利用所述测试集对所述初始神经网络模型进行测试，得到的误差为所述预设误差。

相应地，本发明实施例还提供一种电化学储能电池荷电状态估算系统，所述系统包括：包括如上所述的电化学储能电池荷电状态估算装置的电池端，以及包括如上所述的电化学储能电池荷电状态估算装置的云端服务器。

相应地，本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行如上所述的应用于电池端的电化学储能电池荷电状态估算方法，和/或如上所述的应用于云端服务器的电化学储能电池荷电状态估算方法。

通过上述技术方案，利用电池端的实时运行参数、对应的SOC估算值以及SOC标定数据，训练云端服务器的初始神经网络模型，从而得到经过模型压缩后的电池端神经网络模型，并由电池端神经网络模型替换电池端的原有神经网络模型，上述过程循环迭代进行，既实现了由实际储能电池系统提供模型训练数据，无需依赖于实验室数据，提高了通用性，又实现了由云端服务器进行模型的训练，无需占用本地计算资源，通过不断的模型迭代，提高了SOC的估算精度。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明实施例提供的一种电化学储能电池荷电状态估算方法的流程示意图；

图2是本发明实施例提供的另一种电化学储能电池荷电状态估算方法的流程示意图；

图3是本发明实施例提供的又一种电化学储能电池荷电状态估算方法的流程示意图；

图4是本发明实施例提供的一种电化学储能电池荷电状态估算装置的结构示意图；

图5是本发明实施例提供的另一种电化学储能电池荷电状态估算装置的结构示意；

图6是本发明实施例提供的一种电化学储能电池荷电状态估算系统的结构示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

在现有技术中估算电池SOC的神经网络模型一般由输入层、中间层和输出层三层构成，几层神经元互相连接。输入层和输出层神经元个数由电化学储能电池系统实际运行工况的需要来确定，一般为线性函数，中间层神经元个数取决于工况的复杂程度和要求的精度。估算电池SOC的神经网络模型的输入量一般是电压、电流、温度等。但是现有技术中神经网络模型估算电池SOC的时候，输入数据多为研究人员预先选择好的实验数据或测试数据。由于现有试验测量存在误差、电池特性受外界环境影响较大以及样本数据的有限性，很难涵盖储能电池系统的整个工作范围。另外，为保证神经网络模型的训练精度，需要较多层数的神经网络，需配置强大的计算资源，在现有嵌入式BMS系统中难于实现。针对上述现有技术中神经网络模型估算电池SOC的缺点，本申请提出了由电池端提供训练神经网络模型的训练数据以及测试数据，云端服务器通过上述训练数据训练神经网络模型，并利用测试数据进行测试，将所得神经网络模型进行模型压缩后下发至电池端，电池端根据下发的神经网络模型估算SOC，并继续将估算的SOC以及对应的电池系统的运行参数上传至云端服务器，以便云端服务器不断提高神经网络模型的SOC估算精度。下面将详细描述本申请中的电化学储能电池荷电状态估算方法的实现过程。

图1是本发明实施例提供的一种电化学储能电池荷电状态估算方法的流程示意图。如图1所示，所述方法应用于电池端，可由电池端的BMS执行，所述方法包括如下步骤：

步骤101，获取储能电池系统的实时运行参数以及设定时间内的荷电状态SOC标定数据；

步骤102，分别根据预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数，得到本地SOC估算值；

步骤103，将所述SOC标定数据、所述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值实时上传云端服务器，以便所述云端服务器根据所述SOC标定数据、所述实时运行参数以及对应的所述本地SOC估算值和初始神经网络模型，得到电池端神经网络模型；

步骤104，接收所述云端服务器下发的所述电池端神经网络模型，并利用所述电池端神经网络模型替换所述预设的神经网络模型；

步骤105，分别根据所述电池端神经网络模型以及所述常规SOC估算方法，利用当前的实时运行参数，得到当前SOC估算值，并将所述当前的实时运行参数以及对应的所述当前SOC估算值上传所述云端服务器，以便利用更新后的电池端神经网络模型替换所述电池端神经网络模型。

其中，电池端会实时获取其储能电池系统的实时运行参数，其中至少包括电流、电压、温度等数据。然后，分别由预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数估算SOC值，得到本地SOC估算值。其中，常规SOC估算方法可包括安时积分法、开路电压法或卡尔曼滤波法等其他可估算SOC值的方法，可以利用上述常规方法中的任意一者进行SOC的估算，对于SOC的估算并不是本申请中描述的重点内容，因此可参考现有技术中的安时积分法、开路电压法或卡尔曼滤波法等其他可估算SOC值的方法对SOC进行估算。其中，预设的神经网络模型可以为空，或者为本地预先建立的模型，当预设的神经网络模型为空时，所述本地SOC估算值仅为根据所述常规SOC估算方法与所述实时运行参数得到的数据。

另外，需要定期获取SOC标定数据，即设定时间内的SOC实际数据，该数据可以是储能电池系统在设定时间内的充电过程中的运行数据以及对应的连续SOC实际值。由于上述本地SOC估算值存在一定的估算误差，因此，在将上述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值上传云端服务器时，也需要将所述SOC标定数据上传，便于所述云端服务器利用所述SOC标定数据对所述本地SOC估算值进行样本的分类。

当电池端得到云端服务器下发的电池端神经网络模型后，若是原有的预设的神经网络模型为空，则将所下发的电池端神经网络模型作为本地估算SOC值的神经网络模型，若是原有的预设的神经网络模型不为空，则利用所述电池端神经网络模型替换所述预设的神经网络模型。之后，继续获取储能电池系统的当前的实时运行参数，并分别根据所述电池端神经网络模型和常规SOC估算方法估算当前的SOC值，并将得到的当前SOC估算值与对应的当前的实时运行参数上传至所述云端服务器，由云端服务器继续对电池端神经网络模型进行训练，不断提高其SOC估算精度，并将更新后的电池端神经网络模型替换所述电池端神经网络模型，如此循环迭代，不断更新电池端的神经网络模型，使得其SOC估算的精度不断提高。本发明实施例中，解决了现有技术中训练模型的样本数据通过实验数据获得，无法涵盖储能电池系统整个工作范围的问题，通过电池端提供模型训练的数据样本，可涵盖所有工作范围；另外，解决了现有技术中需要强大的计算资源，不适用于电池端的BMS系统中的问题，通过云端服务器对神经网络模型进行训练，无需占用本地计算资源。

另外，当电池端接收到SOC获取指令时，获取所述储能电池系统的当前运行参数，并根据当前的电池端神经网络模型，利用所述当前运行参数，得到所述储能电池系统的当前SOC值。在本发明实施例中，由于电池端神经网络模型是经过云端服务器不断更新得到的，在计算SOC值的精度方面，与现有技术中固定神经网络模型相比，更准确。

相应的，图2是本发明实施例提供的一种电化学储能电池荷电状态估算方法的流程示意图。如图2所示，所述方法应用于云端服务器，所述方法包括如下步骤：

步骤201，获取储能电池系统的荷电状态SOC标定数据、实时运行参数以及所述实时运行参数对应的本地SOC估算值；

步骤202，根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集；

步骤203，利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型；

步骤204，将进行模型压缩后的所述待定神经网络模型确定为电池端神经网络模型，并将所述电池端神经网络模型下发至电池端，且将其作为下一个SOC估算值训练集的训练模型。

其中，云端服务器接收电池端的储能电池系统的实时运行参数以及利用所述实时运行参数估算得到的本地SOC估算值，以及所述储能电池系统在设定时间内的充电过程中的运行数据以及对应的连续SOC实际值，即设定时间内的SOC标定数据。云端服务器根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间，例如，所述预设置信度为95％，则得到所述设定时间内的SOC值的置信区间。然后，判断所述本地SOC估算值是否在所述SOC值的置信区间内，将处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的正样本，而将没有处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的负样本，由上述SOC估算值的正样本与所述SOC估算值的负样本就构成了所述实时运行参数对应的SOC估算值训练集。

然后，利用所述SOC估算值训练集训练云端服务器中的初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型，并利用测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，其中，所述测试集包括所述SOC标定数据以及对应的运行参数。之后，判断所述测试误差是否小于预设误差，当所述测试误差小于所述预设误差时，将所述训练后的初始神经网络模型确定为所述待定神经网络模型。

相反地，当所述测试误差大于或等于所述预设误差时，则等待所述电池端上传的新的实时运行参数以及对应的SOC估算值，即重新获取的所述储能电池系统的当前的实时运行参数以及对应的当前SOC估算值。然后，根据所述SOC标定数据、预设置信度以及所述当前SOC估算值，得到所述当前的实时运行参数对应的当前SOC估算值训练集，即根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间，然后，判断所述当前SOC估算值是否在所述SOC值的置信区间内，将处于所述置信区间内的所述当前SOC估算值，确定为当前SOC估算值的正样本，而将没有处于所述置信区间内的所述当前SOC估算值，确定为当前SOC估算值的负样本，并由上述当前SOC估算值的正样本与所述当前SOC估算值的负样本就构成了所述当前的实时运行参数对应的当前SOC估算值训练集。之后，再利用所述当前SOC估算值训练集重新训练所述初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型，并利用所述测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，判断所述测试误差是否小于所述预设误差，当所述测试误差小于所述预设误差时，将所述训练后的初始神经网络模型确定为所述待定神经网络模型，若是测试误差还是大于或等于所述预设误差，则继续执行上面的步骤，直到所述测试集对训练后的初始神经网络模型进行测试的测试误差小于所述预设误差，得到所述待定神经网络模型。

其中，所述预设误差可以通过预先设置，或者利用所述测试集对所述初始神经网络模型进行测试，将所得的误差设置为所述预设误差，以便当通过上述实施例训练得到是初始神经网络模型的测试误差小于原有初始神经网络模型的测试误差时，才允许将其确定为待定神经网络模型。

然后，为了便于电池端存储以及减少计算资源的消耗，将所述待定神经网络模型进行模型压缩，得到电池端神经网络模型，并将其下发给电池端以便其使用。其中，模型压缩的方法可参考现有技术中的压缩方法，例如剪枝、权重共享、精度截取或张量分解等。由于模型压缩在本发明实施例中不是重点要描述的部分，因此可参考现有技术中的具体压缩过程。

另外，将下发至电池端的所述电池端神经网络模型作为下一个储能电池系统的SOC估算值训练集的训练模型，以便对电池端的模型进行不断地更新，自适应于储能电池系统的SOC估算。

通过本发明实施例，利用储能电池系统的实际运行参数以及SOC估算值，对云端服务器上的初始神经网络模型进行训练，并以实际SOC值作为测试集，保证了模型训练的精度，相对于现有技术中利用实验数据进行模型的训练，本发明实施例中的模型训练更适用于电池端的不同厂家、不同型号、不同工况的电池。另外，由云端服务器进行模型的训练并下发至电池端，减少了电池端的模型训练所需的计算资源，并利用电池端实时上传的运行参数以及SOC估算值不断训练神经网络模型，实现储能电池系统的自学习、自适应的SOC估算，并不断提高估算精度。

为了更好地理解本发明实施例，下面将描述电池端与云端服务器之间的交互过程，如图3所示，所述方法包括如下步骤：

步骤301，电池端获取储能电池系统的设定时间内的SOC标定数据；

步骤302，电池端获取所述储能电池系统的实时运行参数；

步骤303，电池端分别根据预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数，得到本地SOC估算值；

步骤304，电池端将所述SOC标定数据、所述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值实时上传云端服务器；

步骤305，所述云端服务器获取储能电池系统的SOC标定数据、实时运行参数以及所述实时运行参数对应的本地SOC估算值；

步骤306，根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间；

步骤307，将处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的正样本；

步骤308，将没有处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的负样本；

步骤309，由所述SOC估算值的正样本与所述SOC估算值的负样本构成所述实时运行参数对应的SOC估算值训练集；

步骤310，利用所述SOC估算值训练集训练初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型；

步骤311，利用测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，所述测试集包括所述SOC标定数据以及对应的运行参数；

步骤312，判断所述测试误差是否小于预设误差，若是则执行步骤313，若否则返回步骤305重新获取的所述储能电池系统的当前的实时运行参数以及对应的当前SOC估算值，根据所述SOC标定数据、预设置信度以及所述当前SOC估算值，得到所述当前的实时运行参数对应的当前SOC估算值训练集，并利用所述当前SOC估算值训练集重新训练所述初始神经网络模型，直到所述测试集对训练后的初始神经网络模型进行测试的测试误差小于所述预设误差；

步骤313，将所述训练后的初始神经网络模型确定为所述待定神经网络模型；

步骤314，将进行模型压缩后的所述待定神经网络模型确定为电池端神经网络模型，并将其作为下一个SOC估算值训练集的训练模型，即替换前一个SOC估算值训练集的训练模型，在本次训练过程中，则替换所述初始神经网络模型，然后返回步骤305，利用实时获取的储能电池系统的SOC估算循环对所述电池端神经网络模型训练迭代；

步骤315，将所述电池端神经网络模型下发至电池端；

步骤316，电池端接收所述云端服务器下发的所述电池端神经网络模型，并利用所述电池端神经网络模型替换所述预设的神经网络模型，并返回步骤302，利用实时获取的当前的实时运行参数，并根据所述电池端神经网络模型以及所述常规SOC估算方法，得到当前SOC估算值，并将所述当前的实时运行参数以及对应的所述当前SOC估算值上传所述云端服务器，以便利用更新后的电池端神经网络模型替换所述电池端神经网络模型。

通过本发明实施例，实现了储能电池系统的自学习、自适应的SOC估算，可适用于不同类型、不同厂家、不同型号、不同批次和不同工况，并且通过云端服务器实现电池端的神经网络模型训练迭代，以及利用迭代训练得到的神经网络模型在电池端可实现实时SOC的高精度估算。另外，云端服务器上对于电池端的神经网络模型训练的数据来源于实际电池端的储能电池系统的运行参数以及SOC估算值，保证了数据来源和实时性，可涵盖储能运行的不同工况。而且，利用设定时间内的SOC标定数据对SOC估算值进行了正负样本的标注，提高训练样本的准确性。另外，利用SOC标定数据作为神经网络模型的测试集，解决了神经网络模型的误差收敛和优化问题。

相应地，图4是本发明实施例提供的一种电化学储能电池荷电状态估算装置的结构示意图。如图4所示，所述装置应用于电池端，所述装置40包括：获取单元41，用于获取储能电池系统的实时运行参数以及设定时间内的荷电状态SOC标定数据；估算单元42，用于分别根据预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数，得到本地SOC估算值；上传单元43，用于将所述SOC标定数据、所述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值实时上传云端服务器，以便所述云端服务器根据所述SOC标定数据、所述实时运行参数以及对应的所述本地SOC估算值和初始神经网络模型，得到电池端神经网络模型；接收单元44，用于接收所述云端服务器下发的所述电池端神经网络模型；替换单元45，用于利用所述电池端神经网络模型替换所述预设的神经网络模型；所述估算单元还用于，分别根据所述电池端神经网络模型以及所述常规SOC估算方法，利用当前的实时运行参数，得到当前SOC估算值；所述上传单元还用于，将所述当前的实时运行参数以及对应的所述当前SOC估算值上传所述云端服务器，以便所述替换单元利用更新后的电池端神经网络模型替换所述电池端神经网络模型。

进一步地，当所述预设的神经网络模型为空时，所述本地SOC估算值为根据所述常规SOC估算方法与所述实时运行参数得到。

进一步地，所述接收单元还用于，接收SOC获取指令；所述获取单元还用于，当所述接收单元接收到SOC获取指令时，获取所述储能电池系统的当前运行参数；所述估算单元还用于，根据当前的电池端神经网络模型，利用所述当前运行参数，得到所述储能电池系统的当前SOC值。

进一步地，所述常规SOC估算方法还可包括：安时积分法、开路电压法或卡尔曼滤波法,或者现有技术中其他可估算SOC值的方法。

本发明实施例中，解决了现有技术中训练模型的样本数据通过实验数据获得，无法涵盖储能电池系统整个工作范围的问题，通过电池端提供模型训练的数据样本，可涵盖所有工作范围；另外，解决了现有技术中需要强大的计算资源，不适用于电池端的BMS系统中的问题，通过云端服务器对神经网络模型进行训练，无需占用本地计算资源。

相应地，图5是本发明实施例提供的一种电化学储能电池荷电状态估算装置的结构示意。如图5所示，所述装置应用于云端服务器，所述装置50包括：获取单元51，用于获取储能电池系统的荷电状态SOC标定数据、实时运行参数以及所述实时运行参数对应的本地SOC估算值；训练集确定单元52，用于根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集；模型训练单元53，用于利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型；模型确定单元54，用于将进行模型压缩后的所述待定神经网络模型确定为电池端神经网络模型；下发单元55，用于将所述电池端神经网络模型下发至电池端；处理单元56，用于将所述电池端神经网络模型作为下一个SOC估算值训练集的训练模型。

进一步地，所述训练集确定单元还用于，根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间；将处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的正样本；将没有处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的负样本；由所述SOC估算值的正样本与所述SOC估算值的负样本构成所述实时运行参数对应的SOC估算值训练集。

进一步地，所述模型训练单元还用于，利用所述SOC估算值训练集训练初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型；利用测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，所述测试集包括所述SOC标定数据以及对应的运行参数；判断所述测试误差是否小于预设误差；当所述测试误差小于所述预设误差时，将所述训练后的初始神经网络模型确定为所述待定神经网络模型。

进一步地，所述获取单元还用于，当所述测试误差大于或等于所述预设误差时，重新获取所述储能电池系统的当前的实时运行参数以及对应的当前SOC估算值；所述训练集确定单元还用于，根据所述SOC标定数据、预设置信度以及所述当前SOC估算值，得到所述当前的实时运行参数对应的当前SOC估算值训练集；所述模型训练单元还用于，利用所述当前SOC估算值训练集重新训练所述初始神经网络模型，直到所述测试集对训练后的初始神经网络模型进行测试的测试误差小于所述预设误差，得到所述待定神经网络模型。

进一步地，所述预设误差通过下述方式获得：利用所述测试集对所述初始神经网络模型进行测试，得到的误差为所述预设误差。

通过本发明实施例，利用储能电池系统的实际运行参数以及SOC估算值，对云端服务器上的初始神经网络模型进行训练，并以实际SOC值作为测试集，保证了模型训练的精度，相对于现有技术中利用实验数据进行模型的训练，本发明实施例中的模型训练更适用于电池端的不同厂家、不同型号、不同工况的电池。另外，由云端服务器进行模型的训练并下发至电池端，减少了电池端的模型训练所需的计算资源，并利用电池端实时上传的运行参数以及SOC估算值不断训练神经网络模型，实现储能电池系统的自学习、自适应的SOC估算，并不断提高估算精度。

相应地，图6是本发明实施例提供的一种电化学储能电池荷电状态估算系统的结构示意图，如图6所示，所述系统包括：包括上述实施例所述的电化学储能电池荷电状态估算装置的电池端61，以及包括上述实施例所述的电化学储能电池荷电状态估算装置的云端服务器62。

相应地，本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述应用于电池端的电化学储能电池荷电状态估算方法，和/或上述应用于云端服务器的电化学储能电池荷电状态估算方法。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (20)

1.一种电化学储能电池荷电状态估算方法，其特征在于，所述方法应用于电池端，所述方法包括：

获取储能电池系统的实时运行参数以及设定时间内的荷电状态SOC标定数据；

分别根据预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数，得到本地SOC估算值；

将所述SOC标定数据、所述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值实时上传云端服务器，以便所述云端服务器根据所述SOC标定数据、所述实时运行参数以及对应的所述本地SOC估算值和初始神经网络模型，得到电池端神经网络模型；

接收所述云端服务器下发的所述电池端神经网络模型，并利用所述电池端神经网络模型替换所述预设的神经网络模型；

分别根据所述电池端神经网络模型以及所述常规SOC估算方法，利用当前的实时运行参数，得到当前SOC估算值，并将所述当前的实时运行参数以及对应的所述当前SOC估算值上传所述云端服务器，以便利用更新后的电池端神经网络模型替换所述电池端神经网络模型。

2.根据权利要求1所述的电化学储能电池荷电状态估算方法，其特征在于，当所述预设的神经网络模型为空时，所述本地SOC估算值为根据所述常规SOC估算方法与所述实时运行参数得到。

3.根据权利要求1所述的电化学储能电池荷电状态估算方法，其特征在于，所述方法还包括：

当接收到SOC获取指令时，获取所述储能电池系统的当前运行参数；

根据当前的电池端神经网络模型，利用所述当前运行参数，得到所述储能电池系统的当前SOC值。

4.根据权利要求1所述的电化学储能电池荷电状态估算方法，其特征在于，所述常规SOC估算方法包括：安时积分法、开路电压法或卡尔曼滤波法。

5.一种电化学储能电池荷电状态估算方法，其特征在于，所述方法应用于云端服务器，所述方法包括：

获取储能电池系统的荷电状态SOC标定数据、实时运行参数以及所述实时运行参数对应的本地SOC估算值；

根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集；

利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型；

将进行模型压缩后的所述待定神经网络模型确定为电池端神经网络模型，并将所述电池端神经网络模型下发至电池端，且将其作为下一个SOC估算值训练集的训练模型。

6.根据权利要求5所述的电化学储能电池荷电状态估算方法，其特征在于，所述根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集包括：

根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间；

将处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的正样本；

将没有处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的负样本；

由所述SOC估算值的正样本与所述SOC估算值的负样本构成所述实时运行参数对应的SOC估算值训练集。

7.根据权利要求5所述的电化学储能电池荷电状态估算方法，其特征在于，所述利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型包括：

利用所述SOC估算值训练集训练初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型；

利用测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，所述测试集包括所述SOC标定数据以及对应的运行参数；

判断所述测试误差是否小于预设误差；

当所述测试误差小于所述预设误差时，将所述训练后的初始神经网络模型确定为所述待定神经网络模型。

8.根据权利要求5所述的电化学储能电池荷电状态估算方法，其特征在于，所述方法还包括：

当所述测试误差大于或等于所述预设误差时，重新获取所述储能电池系统的当前的实时运行参数以及对应的当前SOC估算值；

根据所述SOC标定数据、预设置信度以及所述当前SOC估算值，得到所述当前的实时运行参数对应的当前SOC估算值训练集；

利用所述当前SOC估算值训练集重新训练所述初始神经网络模型，直到所述测试集对训练后的初始神经网络模型进行测试的测试误差小于所述预设误差，得到所述待定神经网络模型。

9.根据权利要求5所述的电化学储能电池荷电状态估算方法，其特征在于，所述预设误差通过下述方式获得：

利用所述测试集对所述初始神经网络模型进行测试，得到的误差为所述预设误差。

10.一种电化学储能电池荷电状态估算装置，其特征在于，所述装置应用于电池端，所述装置包括：

获取单元，用于获取储能电池系统的实时运行参数以及设定时间内的荷电状态SOC标定数据；

估算单元，用于分别根据预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数，得到本地SOC估算值；

上传单元，用于将所述SOC标定数据、所述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值实时上传云端服务器，以便所述云端服务器根据所述SOC标定数据、所述实时运行参数以及对应的所述本地SOC估算值和初始神经网络模型，得到电池端神经网络模型；

接收单元，用于接收所述云端服务器下发的所述电池端神经网络模型；

替换单元，用于利用所述电池端神经网络模型替换所述预设的神经网络模型；

所述估算单元还用于，分别根据所述电池端神经网络模型以及所述常规SOC估算方法，利用当前的实时运行参数，得到当前SOC估算值；

所述上传单元还用于，将所述当前的实时运行参数以及对应的所述当前SOC估算值上传所述云端服务器，以便所述替换单元利用更新后的电池端神经网络模型替换所述电池端神经网络模型。

11.根据权利要求10所述的电化学储能电池荷电状态估算装置，其特征在于，当所述预设的神经网络模型为空时，所述本地SOC估算值为根据所述常规SOC估算方法与所述实时运行参数得到。

12.根据权利要求10所述的电化学储能电池荷电状态估算装置，其特征在于，所述接收单元还用于，接收SOC获取指令；

所述获取单元还用于，当所述接收单元接收到SOC获取指令时，获取所述储能电池系统的当前运行参数；

所述估算单元还用于，根据当前的电池端神经网络模型，利用所述当前运行参数，得到所述储能电池系统的当前SOC值。

13.根据权利要求10所述的电化学储能电池荷电状态估算装置，其特征在于，所述常规SOC估算方法包括：安时积分法、开路电压法或卡尔曼滤波法。

14.一种电化学储能电池荷电状态估算装置，其特征在于，所述装置应用于云端服务器，所述装置包括：

获取单元，用于获取储能电池系统的荷电状态SOC标定数据、实时运行参数以及所述实时运行参数对应的本地SOC估算值；

训练集确定单元，用于根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集；

模型训练单元，用于利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型；

模型确定单元，用于将进行模型压缩后的所述待定神经网络模型确定为电池端神经网络模型；

下发单元，用于将所述电池端神经网络模型下发至电池端；

处理单元，用于将所述电池端神经网络模型作为下一个SOC估算值训练集的训练模型。

15.根据权利要求14所述的电化学储能电池荷电状态估算装置，其特征在于，所述训练集确定单元还用于，根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间；将处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的正样本；将没有处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的负样本；由所述SOC估算值的正样本与所述SOC估算值的负样本构成所述实时运行参数对应的SOC估算值训练集。

16.根据权利要求14所述的电化学储能电池荷电状态估算装置，其特征在于，所述模型训练单元还用于，利用所述SOC估算值训练集训练初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型；利用测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，所述测试集包括所述SOC标定数据以及对应的运行参数；判断所述测试误差是否小于预设误差；当所述测试误差小于所述预设误差时，将所述训练后的初始神经网络模型确定为所述待定神经网络模型。

17.根据权利要求14所述的电化学储能电池荷电状态估算装置，其特征在于，

所述获取单元还用于，当所述测试误差大于或等于所述预设误差时，重新获取所述储能电池系统的当前的实时运行参数以及对应的当前SOC估算值；

所述训练集确定单元还用于，根据所述SOC标定数据、预设置信度以及所述当前SOC估算值，得到所述当前的实时运行参数对应的当前SOC估算值训练集；

所述模型训练单元还用于，利用所述当前SOC估算值训练集重新训练所述初始神经网络模型，直到所述测试集对训练后的初始神经网络模型进行测试的测试误差小于所述预设误差，得到所述待定神经网络模型。

18.根据权利要求14所述的电化学储能电池荷电状态估算装置，其特征在于，所述预设误差通过下述方式获得：利用所述测试集对所述初始神经网络模型进行测试，得到的误差为所述预设误差。

19.一种电化学储能电池荷电状态估算系统，其特征在于，所述系统包括：包括根据权利要求10-13任一项所述的电化学储能电池荷电状态估算装置的电池端，以及包括根据权利要求10-13任一项所述的电化学储能电池荷电状态估算装置的云端服务器。

20.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述权利要求1-4任一项所述的电化学储能电池荷电状态估算方法，和/或权利要求5-9任一项所述的电化学储能电池荷电状态估算方法。

Images