CN113466718B - 一种手机电池soc校正方法 - Google Patents

Abstract

本发明公开了一种手机电池SOC校正方法，所述方法包括：记录相同型号的H个手机周期性进入待机状态前后的各个特征物理量和对应的SOC值，组成原始数据集；对原始数据集进行预处理；搭建二次融合模型结构；将预处理后的数据集划分为训练集、验证集、测试集；采用训练集和验证集对二次融合模型进行训练；采用测试集对二次融合模型进行评估，若满足预设精度则植入手机电池管理系统，否则返回上一步；在手机每次进入待机状态时，采集电池待机前后的各个特征物理量，在预处理后采用二次融合模型估计电池SOC并校正手机电池管理系统。本发明相比其他方法不需要电池长时间静置、管理器较高实时计算能力和精密测阻抗量设备，可以快速实现手机SOC校正。

Description

一种手机电池SOC校正方法

技术领域

本发明属于智能手机领域，尤其涉及一种手机电池SOC校正方法。

背景技术

手机电池荷电状态(SOC)的准确估计，是用户合理使用手机电量的前提。然而，目前手机电池管理系统对于电池SOC的估计精度较低，尤其在进入20％以下的低电量区间后SOC估计更不准确，而且手机随时可能自动关机，使用户陷入“电量焦虑症”，影响使用体验。

目前，关于电池SOC估计，主要有安时积分法、开路电压法、卡尔曼滤波法、阻抗分析法等。其中，安时积分法只需要测量电池放电电流，且计算简单，广泛应用于手机电池的SOC估计，但电流传感器的测量误差导致SOC估计误差随时间累积，尤其在电池SOC进入20％以下的低电量区间后，该测量误差显著增大，影响用户对剩余电量的判断和规划；开路电压法根据电池开路电压判断SOC，该方法需要电池先经过较长时间的开路静置后才能测量，在手机运行期间无法使用；而卡尔曼滤波法需要电池管理系统有较强的计算能力，阻抗分析法需要更多的测量元器件，都不适用于对体积和便携性要求较高的手机。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供一种手机电池SOC校正方法，利用手机进入待机状态的短暂时间，采用离线训练好的二次融合模型对电池管理系统的SOC值进行校正，从而消除安时积分法的累积误差，同时避免开路电压法对电池静置时间的要求。本发明的技术方案如下：

一种手机电池SOC校正方法，所述方法适用于校正任何手机电池单元SOC，其特征在于，包括以下步骤：

S1：令与被估计手机相同型号的H个手机周期性进入待机状态，在每次进入待机状态时，记录这些手机电池在待机前的电流、待机时的SOC、待机时间内前T分钟的电压和电流，组成原始数据集；

S2：将步骤S1所述的原始数据集中的数据进行归一化，然后对各类数据通过特定权重进行缩放，得到预处理后的数据集；

S3：搭建二次融合模型结构，包括p个基学习器、第一次融合模型、第二次融合模型；

S4：将步骤S2所述的预处理后的数据集划分为训练集、验证集、测试集；

S5：采用步骤S4所述的训练集来训练步骤S3所述的p个基学习器和第一次融合模型，采用步骤S4所述的验证集来训练步骤S3所述的第二次融合模型，从而形成符合步骤S3所述模型结构的二次融合模型，具体过程为：

S501：将所述训练集导入到所述的p个基学习器中，对p个基学习器进行训练，其中各个基学习器类型为支持向量回归、神经网络、决策树、极限树、K近邻模型、线性模型；

S502：采用所述验证集对步骤S501训练完成的p个基学习器进行验证，将其中估计精度满足规定阈值要求的k个基学习器挑选出来，通过融合形成第一次融合模型，然后采用所述训练集对第一次融合模型进行训练；

S503：将步骤S502训练完成的第一次融合模型和挑选出来的k个基学习器的输出作为单层BP神经网络的输入，采用所述验证集对BP神经网络进行训练，通过训练获得第一次融合模型的权重和挑选出来的k个基学习器的权重，依次记录为W′₁、W′₂、…、W′_k、W′_k+1，从而完成第二次融合，然后用所述测试集对第二次融合模型进行测试；

S504：将第一次融合模型的输出、挑选出来的k个基学习器的输出分别乘以对应的权重W′₁、W′₂、…、W′_k、W′_k+1，然后通过求和实现叠加，即可构成二次融合模型；

S6：采用步骤S4所述的测试集对步骤S5所述的二次融合模型进行评估，若满足预设精度要求，则将该二次融合模型植入手机电池管理系统，否则返回步骤S5；

S7：在手机每次进入待机状态时，采集手机电池在待机前的电流、待机时间内前T分钟的电压和电流，根据步骤S2所述的方法进行数据预处理，将预处理后的数据输入步骤S6所述的二次融合模型来估计电池SOC，并用于校正手机电池管理系统的SOC值。

本方案中，步骤S3和步骤S5所述的第一次融合模型，采用Stacking算法、Bagging算法和Boosting算法中的一个，进行第一次融合。

本方案中，步骤S2所述的将步骤S1所述的原始数据集中的数据进行归一化，然后对各类数据通过特定权重进行缩放，得到预处理后的数据集，具体过程为：

S201：将步骤S1输出的原始数据集D_raw的第一列记为标签值

第二到最后一列记为特征值矩阵F，特征值矩阵的每一行都为一特征向量：

其中，SOC_q为手机待机时的电池SOC，h为手机编号，i_dis为待机前的电池放电电流，i_low为待机时间内的电池放电电流，T_S为电池待机状态采集电压数据时间间隔，v_h,1,v_h,2,…,v_h,t,…,

为待机时间内前T分钟的电压；

S202：将特征值矩阵F矩阵进行最大最小归一化并组成新的特征值矩阵F_new；

S203：将F_new矩阵的第l行记为

其中

含

个特征值；

S204：将F_new矩阵每行数据

和对应的标签值l_SOC输入到单层BP神经网络中进行BP训练，得到W₁、W₂、…、

分别对应于F_new矩阵的每一列；

S205：将W₁、W₂、…、

分别与数据集中每一条数据的对应值相乘，对各条数据进行固定权重缩放处理，得到预处理后的数据集，具体方式为：

本方案中，步骤S1所述令与被估计手机相同型号的H个手机周期性进入待机状态，在每次进入待机状态时，记录这些手机电池在待机前的电流、待机时的SOC、待机时间内前T分钟的电压和电流，组成原始数据集，具体过程为：

S101：对于与被估计手机相同型号的H个手机，分别设置j个放电电流，在0到最大额定电流i_max之间，等额选取j个数据点，作为放电电流集合

其中：

S102：选取

中第1个元素作为手机电池放电电流i_dis；

S103：将所有手机电池进行放电电流为i_dis的恒流放电，每次放出手机电池额定容量的Q_dis％后，进入待机状态T分钟；

S104：手机电池进入待机状态后，将所有手机电池以待机电流i_low进行恒流放电；

S105：记录第h个手机电池单元的SOC值SOC_q、放电电流i_dis、进入待机状态后T分钟内电压

和待机电流i_low作为第h个样本数据，构建一条样本数据

为：

其中，q为手机电池以放电电流i_dis放出额定容量的Q_dis％的次数，v_h,t代表第h个电池单元在进入待机状态后第t个时刻的电压，T_S为电池待机状态采集电压数据时间间隔；

S106：将所有电池单元的样本数据整合成数据集D，保存到原始数据集D_raw中，其中数据集D为

S107：循环执行步骤S103至S106，直至电池电压低于其截止电压；

S108：对所有手机电池进行恒流恒压充电，直至这些电池达到最高电压；

S109：选取

中第2、3、…、j个元素作为放电电流i_dis，循环执行步骤S103至S108，直到所有元素都被选择，输出原始数据集D_raw。

本方案中，步骤S7所述的在手机每次进入待机状态时，采集手机电池在待机前的电流、待机时间内前T分钟的电压和电流，根据步骤S2所述的方法进行数据预处理，将预处理后的数据输入步骤S6所述的二次融合模型来估计电池SOC，并用于校正手机电池管理系统的SOC值，具体过程为：

S701：已植入二次融合模型的手机电池管理系统在接到待机指令时，记录电池待机前一个采样时间的电流i_f；

S702：电池管理系统持续记录手机进入待机状态后T分钟内的电压

和待机电流i_flow，形成电压集合，记录为：

其中v_t代表电池在手机进入待机状态后第t个时刻的电压，T_S为电池管理系统的采样时间间隔；

S703：将步骤S701和S702所述的i_f、

和i_flow按照步骤S2所述方法进行数据预处理；

S704：将步骤S703预处理后的数据，输入所述的二次融合模型，得到电池的SOC值，并用于校正手机电池管理系统的SOC值。

与现有技术相比，本发明技术方案的有益效果是：

本发明使用离线训练好的二次融合模型来估计电池SOC并用于校正电池管理系统，克服了安时积分法因电流误差累积导致的SOC估计误差随时间增大的问题，同时避免了开路电压法对电池长时间静置的要求、卡尔曼滤波法对实时计算能力的要求、阻抗分析法对测量设备的要求，非常适用于手机这种持续运行且对便携性要求高的情况。

附图说明

图1为本发明提出的一种手机电池SOC校正方法的流程图；

图2为本发明数据预处理的缩放权重训练图；

图3为本发明估计SOC的二次融合模型训练图；

图4为本发明第二次BP融合模型权重训练图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例1

如图1所示，为本发明实施例中，提出一种手机电池SOC校正方法，包括一下步骤：

S1：令与被估计手机相同型号的H个手机周期性进入待机状态，在每次进入待机状态时，记录这些手机电池在待机前的电流、待机时的SOC、待机时间内前T分钟的电压和电流，组成原始数据集；

S2：将步骤S1所述的原始数据集中的数据进行归一化，然后对各类数据通过特定权重进行缩放，得到预处理后的数据集；

S3：搭建二次融合模型结构，包括p个基学习器、第一次融合模型、第二次融合模型；

S4：将步骤S2所述的预处理后的数据集划分为训练集、验证集、测试集；

S5：采用步骤S4所述的训练集来训练步骤S3所述的p个基学习器和第一次融合模型，采用步骤S4所述的验证集来训练步骤S3所述的第二次融合模型，从而形成符合步骤S3所述模型结构的二次融合模型，具体步骤如下：

S501：将所述训练集导入到所述的p个基学习器中，对p个基学习器进行训练，其中各个基学习器类型为支持向量回归、神经网络、决策树、极限树、K近邻模型、线性模型；

S502：采用所述验证集对步骤S501训练完成的p个基学习器进行验证，将其中估计精度满足规定阈值要求的k个基学习器挑选出来，初始化训练参数后选定一个估计效果较好的基学习器作为元学习器进行Stacking融合，形成第一次融合模型，然后采用所述训练集对第一次融合模型进行训练；

S503：将步骤S502训练完成的Stacking模型和挑选出来的k个基学习器的输出作为单层BP神经网络的输入，采用所述验证集对BP神经网络进行训练，通过训练获得Stacking模型的权重和挑选出来的k个基学习器的权重，依次记录为W′₁、W′₂、…、W′_k、W′_k+1，具体过程如图4所示，从而完成第二次融合，然后用所述测试集对第二次融合模型进行测试；

S504：将第一次融合模型的输出、挑选出来的k个基学习器的输出分别乘以对应的权重W′₁、W′₂、…、W′k、W′_k+1，然后通过求和实现叠加，即可构成二次融合模型，具体方式如下所示：

SOC_估计＝W′₁*SOC₁+W′₂*SOC₂+…+W′_k*SOC_k+W′_k+1*SOC_k+1其中SOC_估计为二次融合模型最终SOC估计值，SOC₁为Stacking模型估计值，SOC₂、…、SOC_k、SOC_k+1分别为估计精度满足规定阈值的基学习器的估计结果；

S6：采用步骤S4所述的测试集对步骤S5所述的二次融合模型进行评估，若满足预设精度要求，则将该二次融合模型植入手机电池管理系统，否则返回步骤S5；

S7：在手机每次进入待机状态时，采集手机电池在待机前的电流、待机时间内前T分钟的电压和电流，根据步骤S2所述的方法进行数据预处理，将预处理后的数据输入步骤S6所述的二次融合模型来估计电池SOC，并用于校正手机电池管理系统的SOC值。

本方案中，步骤S3和步骤S5所述的第一次融合模型，采用Stacking算法、Bagging算法和Boosting算法中的一个，进行第一次融合。

本方案中，步骤S2所述的将步骤S1所述的原始数据集中的数据进行归一化，然后对各类数据通过特定权重进行缩放，得到预处理后的数据集，具体步骤如下：

S201：将步骤S1输出的原始数据集D_raw的第一列记为标签值

第二到最后一列记为特征值矩阵F，特征值矩阵的每一行都为一特征向量：

其中，SOC_q为手机待机时的电池SOC，h为手机编号，i_dis为待机前的电池放电电流，i_low为待机时间内的电池放电电流，T_S为电池待机状态采集电压数据时间间隔，v_h,1,v_h,2,…,v_h,t,…,

为待机时间内前T分钟的电压；

S202：将特征值矩阵F矩阵进行最大最小归一化并组成新的特征值矩阵F_new；

S203：将F_new矩阵的第l行记为

其中

含

个特征值；

S204：将F_new矩阵每行数据

和对应的标签值l_SOC输入到单层BP神经网络中进行BP训练，得到W₁、W₂、…、

分别对应于F_new矩阵的每一列，具体过程如图2所示；

S205：将W₁、W₂、…、

分别与数据集中每一条数据的对应值相乘对各条数据进行固定权重缩放处理，得到预处理后的数据集，具体方式为：

本方案中，步骤S1所述令与被估计手机相同型号的H个手机周期性进入待机状态，在每次进入待机状态时，记录这些手机电池在待机前的电流、待机时的SOC、待机时间内前T分钟的电压和电流，组成原始数据集，具体步骤如下：

S101：对于与被估计手机相同型号的H个手机，分别设置j个放电电流，在0到最大额定电流i_max之间，等额选取j个数据点，作为放电电流集合

其中：

S102：选取

中第1个元素作为手机电池放电电流i_dis；

S103：将所有手机电池进行放电电流为i_dis的恒流放电，每次放出手机电池额定容量的Q_dis％后，进入待机状态T分钟；

S104：手机电池进入待机状态后，将所有手机电池以待机电流i_low进行恒流放电；

S105：记录第h个手机电池单元的SOC值SOC_q、放电电流i_dis、进入待机状态后T分钟内电压

和待机电流i_low作为第h个样本数据，构建一条样本数据

为：

其中，q为手机电池以放电电流i_dis放出额定容量的Q_dis％的次数，v_h,t代表第h个电池单元在进入待机状态后第t个时刻的电压，T_S为电池待机状态采集电压数据时间间隔；

S106：将所有电池单元的样本数据整合成数据集D，保存到原始数据集D_raw中，其中数据集D为

S107：循环执行步骤S103至S106，直至电池电压低于其截止电压；

S108：对所有手机电池进行恒流恒压充电，直至这些电池达到最高电压；

S109：选取

中第2、3、…、j个元素作为放电电流i_dis，循环执行步骤S103至S108，直到所有元素都被选择，输出原始数据集D_raw。

本方案中，步骤S7所述的在手机每次进入待机状态时，采集手机电池在待机前的电流、待机时间内前T分钟的电压和电流，根据步骤S2所述的方法进行数据预处理，将预处理后的数据输入步骤S6所述的二次融合模型来估计电池SOC，并用于校正手机电池管理系统的SOC值，具体步骤如下：

S701：已植入二次融合模型的手机电池管理系统在接到待机指令时，记录电池待机前一个采样时间的电流i_f；

S702：电池管理系统持续记录手机进入待机状态后T分钟内的电压

和待机电流i_flow，形成电压集合，记录为：

其中v_t代表电池在手机进入待机状态后第t个时刻的电压，T_S为电池管理系统的采样时间间隔；

S703：将步骤S701和S702所述的i_f、

和i_flow按照步骤S2所述方法进行数据预处理；

S704：将步骤S703预处理后的数据，输入所述的二次融合模型，得到电池的SOC值，并用于校正手机电池管理系统的SOC值；

本方案中，搭建二次融合模型结构，包括p个基学习器、第一次融合模型、第二次融合模型，具体步骤如下：

选择支持向量回归、卷积神经网络、决策树、极限树、K近邻模型和线性模型这六个擅长拟合不同函数关系的基学习器作为二次融合模型的第一层，将第一层基学习器中拟合效果最好的基学习器当作元学习器进行Stacking融合得到二次融合模型的第二层，将拟合效果较好的基学习器和第一次融合模型当作BP单层神经网络的输入进行融合得到二次融合模型的第三层。

本方案中，将预处理后的数据集划分为训练集、验证集、测试集，具体步骤如下：

将预处理后的数据集按60％、20％、20％划分为训练集、验证集、测试集，先将训练数据导入基学习器进行训练，后将训练数据导入第一次融合模型进行训练，最后将验证集导入第二次融合模型进行训练，在每次训练之前都需选定网络模型训练的优化函数、损失函数、迭代次数，才能开始进行网络模型的训练。

本方案中，采用测试集对二次融合模型进行评估，若满足预设精度要求则植入手机电池管理系统，否则返回上一步，具体步骤如下：

将测试集的特征值矩阵输入训练好的二次融合模型，得到SOC的预测值，如果SOC预测值与真实值相比，其准确性低于某个值，返回步骤S5，否则输出二次融合模型结构。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种手机电池SOC校正方法，其特征在于，所述方法在手机进入待机状态时对手机电池管理系统进行SOC校正，包括以下步骤：

S1：令与被估计手机相同型号的H个手机周期性进入待机状态，在每次进入待机状态时，记录这些手机电池在待机前的电流、待机时的SOC、待机时间内前T分钟的电压和电流，组成原始数据集；

S2：将步骤S1所述的原始数据集中的数据进行归一化，然后对各类数据通过特定权重进行缩放，得到预处理后的数据集；

S3：搭建二次融合模型结构，包括p个基学习器、第一次融合模型、第二次融合模型；

S4：将步骤S2所述的预处理后的数据集划分为训练集、验证集、测试集；

S5：采用步骤S4所述的训练集来训练步骤S3所述的p个基学习器和第一次融合模型，采用步骤S4所述的验证集来训练步骤S3所述的第二次融合模型，从而形成符合步骤S3所述模型结构的二次融合模型，具体步骤如下：

S501：将所述训练集导入到所述的p个基学习器中，对p个基学习器进行训练，其中各个基学习器类型为支持向量回归、神经网络、决策树、极限树、K近邻模型、线性模型；

S502：采用所述验证集对步骤S501训练完成的p个基学习器进行验证，将其中估计精度满足规定阈值要求的k个基学习器挑选出来，通过融合形成第一次融合模型，然后采用所述训练集对第一次融合模型进行训练；

S503：将步骤S502训练完成的第一次融合模型和挑选出来的k个基学习器的输出作为单层BP神经网络的输入，采用所述验证集对BP神经网络进行训练，通过训练获得第一次融合模型的权重和挑选出来的k个基学习器的权重，依次记录为W′₁、W′₂、…、W′_k、W′_k+1，从而完成第二次融合，然后用所述测试集对第二次融合模型进行测试；

S504：将第一次融合模型的输出、挑选出来的k个基学习器的输出分别乘以对应的权重W′₁、W′₂、…、W′_k、W′_k+1，然后通过求和实现叠加，即可构成二次融合模型；

S6：采用步骤S4所述的测试集对步骤S5所述的二次融合模型进行评估，若满足预设精度要求，则将该二次融合模型植入手机电池管理系统，否则返回步骤S5；

S7：在手机每次进入待机状态时，采集手机电池在待机前的电流、待机时间内前T分钟的电压和电流，根据步骤S2所述的方法进行数据预处理，将预处理后的数据输入步骤S6所述的二次融合模型来估计电池SOC，并用于校正手机电池管理系统的SOC值。

2.根据权利要求1所述的一种手机电池SOC校正方法，其特征在于，步骤S3和步骤S5所述的第一次融合模型，采用Stacking算法、Bagging算法和Boosting算法中的一个，进行第一次融合。

3.根据权利要求1所述的一种手机电池SOC校正方法，其特征在于，步骤S2所述的将步骤S1所述的原始数据集中的数据进行归一化，然后对各类数据通过特定权重进行缩放，得到预处理后的数据集，具体步骤为：

S201：将步骤S1输出的原始数据集D_raw的第一列记为标签值

第二到最后一列记为特征值矩阵F，特征值矩阵的每一行都为一特征向量：

其中，SOC_q为手机待机时的电池SOC，h为手机编号，i_dis为待机前的电池放电电流，i_low为待机时间内的电池放电电流，T_S为电池待机状态采集电压数据时间间隔，

为待机时间内前T分钟的电压；

S202：将特征值矩阵F矩阵进行最大最小归一化并组成新的特征值矩阵F_new；

S203：将F_new矩阵的第l行记为

其中

含

个特征值；

S204：将F_new矩阵每行数据

和对应的标签值l_SOC输入到单层BP神经网络中进行BP训练，得到

分别对应于F_new矩阵的每一列；

S205：将

分别与数据集中每一条数据的对应值相乘，对各条数据进行固定权重缩放处理，得到预处理后的数据集，具体方式为：

4.根据权利要求1所述的一种手机电池SOC校正方法，其特征在于，步骤S1所述令与被估计手机相同型号的H个手机周期性进入待机状态，在每次进入待机状态时，记录这些手机电池在待机前的电流、待机时的SOC、待机时间内前T分钟的电压和电流，组成原始数据集，具体过程为：

S101：对于与被估计手机相同型号的H个手机，分别设置j个放电电流，在0到最大额定电流i_max之间，等额选取j个数据点，作为放电电流集合

其中：

S102：选取

中第1个元素作为手机电池放电电流i_dis；

S103：将所有手机电池进行放电电流为i_dis的恒流放电，每次放出手机电池额定容量的Q_dis％后，进入待机状态T分钟；

S104：手机电池进入待机状态后，将所有手机电池以待机电流i_low进行恒流放电；

S105：记录第h个手机电池单元的SOC值SOC_q、放电电流i_dis、进入待机状态后T分钟内电压

和待机电流i_low作为第h个样本数据，构建一条样本数据

为：

其中，q为手机电池以放电电流i_dis放出额定容量的Q_dis％的次数，v_h,t代表第h个电池单元在进入待机状态后第t个时刻的电压，T_S为电池待机状态采集电压数据时间间隔；

S106：将所有电池单元的样本数据整合成数据集D，保存到原始数据集D_raw中，其中数据集D为

S107：循环执行步骤S103至S106，直至电池电压低于其截止电压；

S108：对所有手机电池进行恒流恒压充电，直至这些电池达到最高电压；

S109：选取

中第2、3、…、j个元素作为放电电流i_dis，循环执行步骤S103至S108，直到所有元素都被选择，输出原始数据集D_raw。

5.根据权利要求1所述的一种手机电池SOC校正方法，其特征在于，步骤S7所述的在手机每次进入待机状态时，采集手机电池在待机前的电流、待机时间内前T分钟的电压和电流，根据步骤S2所述的方法进行数据预处理，将预处理后的数据输入步骤S6所述的二次融合模型来估计电池SOC，并用于校正手机电池管理系统的SOC值，具体过程为：

S701：已植入二次融合模型的手机电池管理系统在接到待机指令时，记录电池待机前一个采样时间的电流i_f；

S702：电池管理系统持续记录手机进入待机状态后T分钟内的电压

和待机电流i_flow，形成电压集合，记录为：

其中v_t代表电池在手机进入待机状态后第t个时刻的电压，Ts为电池管理系统的采样时间间隔；

S703：将步骤S701和S702所述的i_f、

和i_flow按照步骤S2所述方法进行数据预处理；

S704：将步骤S703预处理后的数据，输入所述的二次融合模型，得到电池的SOC值，并用于校正手机电池管理系统的SOC值。

Images