CN115061050B - 一种电池电量智能监测方法 - Google Patents

一种电池电量智能监测方法 Download PDF

Info

Publication number
CN115061050B
CN115061050B CN202210997226.8A CN202210997226A CN115061050B CN 115061050 B CN115061050 B CN 115061050B CN 202210997226 A CN202210997226 A CN 202210997226A CN 115061050 B CN115061050 B CN 115061050B
Authority
CN
China
Prior art keywords
time
battery
charge
state
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210997226.8A
Other languages
English (en)
Other versions
CN115061050A (zh
Inventor
陈肖磊
张仙梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Boliu Electromechanical Technology Co ltd
Original Assignee
Nantong Boliu Electromechanical Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong Boliu Electromechanical Technology Co ltd filed Critical Nantong Boliu Electromechanical Technology Co ltd
Priority to CN202210997226.8A priority Critical patent/CN115061050B/zh
Publication of CN115061050A publication Critical patent/CN115061050A/zh
Application granted granted Critical
Publication of CN115061050B publication Critical patent/CN115061050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种电池电量智能监测方法。该方法首先获取电池的实时电流、实时温度和实时湿度输入智能监测网络得到对应的拟合电压和拟合电池荷电状态；智能监测网络的损失函数为均方差损失函数和电池荷电状态差的均方差损失函数之和；电池荷电状态差为拟合电池荷电状态和估算电池荷电状态的差值；估算电池荷电状态由电池等效电路模型得到；获取智能监测网络中各神经元的剔除倾向；基于剔除倾向，剔除智能监测网络中的部分神经元，更新智能监测网络。本发明将获取到的电池的工作特性数据输入到智能监测网络中得到拟合电池荷电状态，考虑了电池荷电状态的滞回特性，达到了对电池荷电状态估算更准确的目的。

Description

一种电池电量智能监测方法
技术领域
本发明涉及人工智能技术领域，具体涉及一种电池电量智能监测方法。
背景技术
电池是指盛有电解质溶液和金属电极以及产生电流的杯、槽或其他容器或复合容器的部分空间，能将化学能转化成电能的装置。利用电池作为能量来源，可以得到具有稳定电压，稳定电流，长时间稳定供电，受外界影响很小的电流，不易受外界气候和温度的影响，性能稳定可靠，在现代社会生活中的各个方面发挥有很大作用。
随着社会的发展与人类环保意识的提高，清洁能源的利用成为了能源使用的重要部分，清洁能源的使用存在人们生活的各个方面，电能作为清洁能源中更主要的一种，最主要利用电能的形式就是电池的充放电，尤其是在电动汽车领域，电池的状态更是电动汽车在使用过程中重要的参数，电池荷电状态（SOC）是监测电池电量状态的重要参数，对其进行准确的监测是保证电池使用效果的重要步骤。其中，电池荷电状态就是电池在使用一段时间后，电池剩余的电量与原始电池充满时的电量之比。
目前，常见的对电池荷电状态的估算主要为基于等效电路模型的参数估计方法。该方法是将电池等效成电容、电感和电阻构成的非线性模型，具有一定的准确性但实际上电池的工作原理比较复杂，等效电路模型无法准确拟合电池内部的工作原理，且会因为电池荷电状态估算有滞回特性而导致估算结果不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种电池电量智能监测方法，所采用的技术方案具体如下：
获取电池的实时电流、实时温度、实时湿度和实时电压；将所述实时电流、所述实时温度和所述实时湿度输入智能监测网络得到对应的拟合电压和拟合电池荷电状态；
所述智能监测网络的损失函数为均方差损失函数和电池荷电状态差的均方差损失函数之和；所述电池荷电状态差为拟合电池荷电状态和估算电池荷电状态的差值；所述估算电池荷电状态由电流、温度、湿度和电压构建的电池等效电路模型得到；
获取所述智能监测网络中各神经元的激活值序列；根据电池荷电状态差的均方差损失函数构建第一损失序列；根据所述电池荷电状态差得到监督分布规律程度；计算各所述激活值序列和所述第一损失序列的偏相关系数；所述偏相关系数和所述监督分布规律程度加权求和得到神经元的剔除倾向；基于所述剔除倾向，剔除所述智能监测网络中的部分神经元，更新智能监测网络。
优选的，所述智能监测网络的损失函数，包括：
由各时刻的电流、温度、湿度、电压和估算电池荷电状态构建初始数据集，对所述初始数据集进行排序得到初始数据时间序列；
将所述初始数据时间序列分段，得到多个第一数据时间序列；获取各所述第一数据时间序列中最后一个时刻作为代表时刻；
所述智能监测网络的损失函数为：
Figure DEST_PATH_IMAGE001
其中，
Figure 821095DEST_PATH_IMAGE002
为所述智能监测网络的损失函数；
Figure DEST_PATH_IMAGE003
为初始数据时间序列中第一数据时 间序列的数量；
Figure 574812DEST_PATH_IMAGE004
为代表时刻为
Figure DEST_PATH_IMAGE005
的第一数据时间序列中时刻
Figure 820986DEST_PATH_IMAGE005
之前的第
Figure 112159DEST_PATH_IMAGE006
个时刻对应 的电池的拟合电压；
Figure DEST_PATH_IMAGE007
为代表时刻为
Figure 392967DEST_PATH_IMAGE005
的第一数据时间序列中时刻
Figure 127705DEST_PATH_IMAGE005
之前的第
Figure 926421DEST_PATH_IMAGE006
个时刻 对应的电池的实时电压；
Figure 37597DEST_PATH_IMAGE008
为代表时刻为
Figure 969649DEST_PATH_IMAGE005
的第一数据时间序列中时刻
Figure 124556DEST_PATH_IMAGE005
之前的第
Figure 158371DEST_PATH_IMAGE006
个时刻对应的估算电池荷电状态；
Figure DEST_PATH_IMAGE009
为代表时刻为
Figure 729030DEST_PATH_IMAGE005
的拟合电池荷电状态；
Figure 37959DEST_PATH_IMAGE010
为代表 时刻为
Figure 848920DEST_PATH_IMAGE005
时的第一数据时间序列的长度；
Figure DEST_PATH_IMAGE011
为第一数据时间序列中除代表时刻外的长度。
优选的，所述根据所述电池荷电状态差得到监督分布规律程度，包括：
所述监督分布规律程度的计算公式为：
Figure 556982DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为所述监督分布规律程度；
Figure 931331DEST_PATH_IMAGE003
为初始数据时间序列中第一数据时间序列 的数量；
Figure 837976DEST_PATH_IMAGE009
为代表时刻为
Figure 85418DEST_PATH_IMAGE005
的拟合电池荷电状态；
Figure 80443DEST_PATH_IMAGE008
为代表时刻为
Figure 71533DEST_PATH_IMAGE005
的第一数据时 间序列中时刻
Figure 832684DEST_PATH_IMAGE005
之前的第
Figure 500295DEST_PATH_IMAGE006
个时刻对应的估算电池荷电状态；
Figure 730419DEST_PATH_IMAGE011
为第一数据时间序列中除 代表时刻外的长度。
优选的，所述偏相关系数和所述监督分布规律程度加权求和得到神经元的剔除倾向，包括：
所述剔除倾向的计算公式为：
Figure DEST_PATH_IMAGE015
其中，
Figure 446571DEST_PATH_IMAGE016
为第
Figure 330738DEST_PATH_IMAGE018
个神经元的剔除倾向；
Figure DEST_PATH_IMAGE019
为网络训练结束时刻；
Figure 106933DEST_PATH_IMAGE020
为网络训练开始 时刻；
Figure 824354DEST_PATH_IMAGE013
为
Figure DEST_PATH_IMAGE021
时刻的监督分布规律程度；
Figure 344197DEST_PATH_IMAGE022
为第
Figure 79940DEST_PATH_IMAGE018
个神经元的偏相关系数。
优选的，所述基于所述剔除倾向，剔除所述智能监测网络中的部分神经元为：将所述剔除倾向大于预设剔除阈值的神经元进行剔除。
优选的，所述电池荷电状态差的均方差损失函数，包括：
所述电池荷电状态差的均方差损失函数为：
Figure DEST_PATH_IMAGE023
其中，
Figure 295545DEST_PATH_IMAGE024
为所述电池荷电状态差的均方差损失函数；
Figure 500262DEST_PATH_IMAGE003
为初始数据时间序 列中第一数据时间序列的数量；
Figure 620533DEST_PATH_IMAGE008
为代表时刻为
Figure 227095DEST_PATH_IMAGE005
的第一数据时间序列中时刻
Figure 672989DEST_PATH_IMAGE005
之前 的第
Figure 99422DEST_PATH_IMAGE006
个时刻对应的估算电池荷电状态；
Figure 288964DEST_PATH_IMAGE009
为代表时刻为
Figure 750032DEST_PATH_IMAGE005
的拟合电池荷电状态；
Figure 850317DEST_PATH_IMAGE010
为代表时刻为
Figure 13314DEST_PATH_IMAGE005
时的第一数据时间序列的长度；
Figure 226121DEST_PATH_IMAGE011
为第一数据时间序列中除代表时刻外的 长度。
本发明实施例至少具有如下有益效果：
本发明实施例人工智能技术，该方法首先获取电池的实时电流、实时温度、实时湿度和实时电压；将实时电流、实时温度和实时湿度输入智能监测网络得到对应的拟合电压和拟合电池荷电状态；智能监测网络的损失函数为均方差损失函数和电池荷电状态差的均方差损失函数之和；电池荷电状态差为拟合电池荷电状态和估算电池荷电状态的差值；估算电池荷电状态由电流、温度、湿度和电压构建的电池等效电路模型得到；获取智能监测网络中各神经元的激活值序列；根据电池荷电状态差的均方差损失函数构建第一损失序列；根据电池荷电状态差得到监督分布规律程度；计算各激活值序列和第一损失序列的偏相关系数；偏相关系数和监督分布规律程度加权求和得到神经元的剔除倾向；基于剔除倾向，剔除智能监测网络中的部分神经元，更新智能监测网络。本发明将获取到的电池的工作特性数据输入训练好的智能监测网络中得到拟合电池荷电状态，结合前一段时间的电池荷电状态对电池荷电状态损失项进行了进一步的优化，且根据各神经元激活值变化序列与损失函数的各损失项序列相关性对各神经元进行剔除，实现轻量级存储，考虑了电池的电池荷电状态的滞回特性，达到了对电池的电池荷电状态估算更准确的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种电池电量智能监测方法的方法流程图；
图2为本发明一个实施例所提供的智能监测网络训练方法的方法流程图；
图3为本发明一个实施例所提供的智能监测网络的结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种电池电量智能监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种电池电量智能监测方法的具体实施方法，该方法适用于电池电量监测场景。该场景下电动汽车内部装有车载传感器，用于获取电池的多个工作特性数据。为了解决由等效电路模型得到电池荷电状态未考虑滞回特性而导致估算结果不准确的问题。本发明实施例结合滞回数据和电池的工作特性数据训练智能监测网络，将获取到的电池的工作特性数据输入训练好的智能监测网络中得到拟合电池荷电状态，结合前一段时间的电池荷电状态对电池荷电状态损失项进行了进一步的优化，且根据各神经元激活值变化序列与损失函数的各损失项序列相关性对各神经元进行剔除，实现轻量级存储，考虑了电池的电池荷电状态的滞回特性，达到了对电池的电池荷电状态估算更准确的目的。
下面结合附图具体的说明本发明所提供的一种电池电量智能监测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种电池电量智能监测方法的步骤流程图，该方法包括以下步骤：
步骤S100，获取电池的实时电流、实时温度、实时湿度和实时电压；将实时电流、实时温度和实时湿度输入智能监测网络得到对应的拟合电压和拟合电池荷电状态。
获取相同型号电池的连续工作特性数据，包络实时电流、实时温度、实时湿度和实时电压。电池的连续工作特性数据指电池在连续工作时，其各个时刻的实时电流、实时电压、实时温度和实时湿度等当前时刻的可获得的工作特性数据。需要说明的是，该多个工作特性数据均为电动汽车的车载传感器可直接测量获得的数据。
将实时电流、实时温度和实时湿度输入训练好的智能监测网络得到对应的拟合电压和拟合电池荷电状态。需要说明的是，电池荷电状态就是电池在使用一段时间后，电池剩余的电量与原始电池充满时的电量之比。
步骤S200，智能监测网络的损失函数为均方差损失函数和电池荷电状态差的均方差损失函数之和；电池荷电状态差为拟合电池荷电状态和估算电池荷电状态的差值；估算电池荷电状态由电流、温度、湿度和电压构建的电池等效电路模型得到。
请参阅图2，该智能监测网络的训练主要分为以下步骤：
步骤S201，估算电池荷电状态的获取。
进一步的，在获得实时电流、实时电压、实时温度和实时湿度等当前时刻的可获得的参数后，利用估算电池荷电状态的电池等效电路模型对各个时刻的电池荷电状态进行估计，得到估算电池荷电状态。需要说明的，利用电池等效电路模型根据各个时刻的电池的工作特性数据估算出的各个时刻的估算电池荷电状态是存在一定误差的，其误差存在一定的范围，但利用电池等效电路模型估计获得的各个时刻的估算电池荷电状态是存在参考价值的，可作为后续神经网络训练时以及剔除神经元时的监督数据。
步骤S202，构建智能监测网络的训练数据集。
由各时刻的实时电流、实时温度、实时湿度、实时电压和估算电池荷电状态构建初始数据集，对初始数据集进行排序得到初始数据时间序列。具体的：经由车载传感器获得连续时刻的电池的工作特性数据，并经由电池等效电路模型计算出连续时刻的估算电池荷电状态。即在一段连续的时间内，各个时刻均对应着电池的实时电流、实时电压、实时温度和实时湿度，以及由现有电池等效电路模型计算得到的估算电池荷电状态。将各时刻的工作特性数据和对应的估算电池荷电状态按照时间进行排序，构建初始数据集，也即初始数据时间序列。
构建训练数据集的方式为：将初始数据时间序列分段，得到多个第一数据时间序列。获取各第一数据时间序列中最后一个时刻作为代表时刻，也即考虑到滞回特性。需要说明的是，滞回特性是指对电池的电池荷电状态估算时需要考虑到前一段时间的电池荷电状态。以每段第一数据时间序列的最后一个时刻作为代表时刻。在第一数据时间序列内，每个时刻均对应着电池在这一时刻的实时电流、实时电压、实时温度和实时湿度，以及其对应的现有电池等效电路模型得到的估算电池荷电状态。
步骤S203，进行智能监测网络训练。
结合电池荷电状态估算时的滞回特性以及由现有模型得到的估算电池荷电状态设计智能监测网络的损失函数并对网络进行训练。具体的：
基于第一数据时间序列，将电池在这段时间内的实时电流、实时温度和实时湿度作为神经网络的输入数据，用得到的估算电池荷电状态作为监督数据，拟合电压和拟合电池荷电状态作为输出数据。故对应的一个代表时刻，其对应的训练数据是代表时刻以及其之间时刻的所有工作特征数据和电池荷电状态构成的，也即每个代表时刻对应着一个第一数据时间序列，每个代表时刻对应着一个训练数据，且这个代表时刻为该第一数据时间序列的最后一个时刻。
需要说明的是，这个训练数据集是为了训练智能监测网络而构建，该智能监测网络是为了拟合电池内部环境。因此训练智能监测网络应将电池的实时电流、实时温度和实时湿度作为网络的输入数据，估算电池荷电状态作为网络的监督数据，拟合电压和拟合电池荷电状态作为网络的输出数据。
进一步的，又考虑到电池荷电状态具有滞回特性，该滞回特性是指电池的电池荷电状态估计时需要考虑到前一段时间的电池荷电状态，因此以每段第一数据时间序列的最后一个时刻作为该第一数据时间序列。即完成了智能监测网络的训练集的构建。
请参阅图3，为智能监测网络的结构图。图3中
Figure DEST_PATH_IMAGE025
为代表时刻为
Figure 463067DEST_PATH_IMAGE005
时的第一数据时 间序列中的时刻为
Figure 985184DEST_PATH_IMAGE005
时的电池实时电流、实时温度和实时湿度；
Figure 386210DEST_PATH_IMAGE026
为代表时刻为
Figure DEST_PATH_IMAGE027
时的 第一数据时间序列中的时刻为
Figure 841855DEST_PATH_IMAGE027
时的电池实时电流、实时温度和实时湿度；
Figure 277516DEST_PATH_IMAGE028
为代表时 刻为
Figure 970534DEST_PATH_IMAGE027
时的第一数据时间序列中的时刻为
Figure DEST_PATH_IMAGE029
时的电池实时电流、实时温度和实时湿度；
Figure 311386DEST_PATH_IMAGE030
为代表时刻为
Figure DEST_PATH_IMAGE031
时的第一数据时间序列中的时刻为
Figure 321455DEST_PATH_IMAGE031
时的电池实时电流、实时温 度和实时湿度；
Figure 346042DEST_PATH_IMAGE032
为代表时刻
Figure 209962DEST_PATH_IMAGE005
的数据时间序列的长度；
Figure DEST_PATH_IMAGE033
表示智能监测网络输出的代 表时刻为
Figure 772530DEST_PATH_IMAGE005
时的第一数据时间序列中的时刻为
Figure 396410DEST_PATH_IMAGE005
时的电池的拟合电压；
Figure 790351DEST_PATH_IMAGE034
表示智能监测 网络输出的代表时刻为
Figure 841483DEST_PATH_IMAGE027
时的第一数据时间序列中的时刻为
Figure 956595DEST_PATH_IMAGE027
时的电池的拟合电压；
Figure DEST_PATH_IMAGE035
表示智能监测网络输出的代表时刻为
Figure 571115DEST_PATH_IMAGE029
时的第一数据时间序列中的时刻为
Figure 570296DEST_PATH_IMAGE029
时的 电池的拟合电压；
Figure 41597DEST_PATH_IMAGE036
表示智能监测网络输出的代表时刻为
Figure 126228DEST_PATH_IMAGE031
时的第一数据时间序列中 的时刻为
Figure 341177DEST_PATH_IMAGE031
时的电池的拟合电压；
Figure 460443DEST_PATH_IMAGE009
表示由智能监测网络内部隐藏层神经元输出的智 能监测网络估算的代表时刻为
Figure 93857DEST_PATH_IMAGE005
时的拟合电池荷电状态。其中，
Figure DEST_PATH_IMAGE037
为 智能监测网络的输入；
Figure 118313DEST_PATH_IMAGE038
和
Figure 356528DEST_PATH_IMAGE009
为智能监测网络的输出。
由代表时间为
Figure 579568DEST_PATH_IMAGE005
的第一数据时间序列中的估算电池荷电状态构建对应的估算电池 荷电状态序列，以该估算电池荷电状态序列中的估算电池荷电状态作为网络的监督数据进 行智能监测网络的训练。即利用多个代表时间对应的第一数据时间序列进行网络训练。
该智能监测网络的损失函数的设计如下：
现有技术中利用神经网络模型对电池的电池荷电状态进行估计时为直接拟合实验室测得的电池工作参数与实验室测得的电池荷电状态数据之间的关系，这种方法不适用于车载动力电池的电池荷电状态估计，因为车载动力电池的电池荷电状态数据无法像实验室内一样利用专业监测设备获取，且实验室内无法有效模拟动力电池在汽车实际行驶中的工况。因此为了准确拟合动力电池在汽车实际行驶时的内部状态，本发明设计智能监测网络的目的就是为了准确拟合电池内部的工作状态，即直接将电池的工作状态参数作为智能监测网络的输入，电池的拟合电压和拟合电池荷电状态作为智能监测网络的输出。
利用现有电池等效电路模拟估计出的估算电池荷电状态作为网络输出的拟合电池荷电状态的监督数据。因此，在设计损失函数时，仅需要在现有的均方差损失函数的基础上再加上一个电池荷电状态的损失项即可。该损失项衡量的是智能监测网络输出的拟合电池荷电状态和利用现有电池等效电路模型估计出的估算电池荷电状态之间的损失特征。
该智能监测网络的损失函数
Figure 408983DEST_PATH_IMAGE002
为：
Figure 717474DEST_PATH_IMAGE001
其中，
Figure 24958DEST_PATH_IMAGE003
为初始数据时间序列中第一数据时间序列的数量；
Figure 105434DEST_PATH_IMAGE004
为代表时刻为
Figure 840172DEST_PATH_IMAGE005
的 第一数据时间序列中时刻
Figure 635959DEST_PATH_IMAGE005
之前的第
Figure 481555DEST_PATH_IMAGE006
个时刻对应的电池的拟合电压；
Figure 679187DEST_PATH_IMAGE007
为代表时刻为
Figure 584826DEST_PATH_IMAGE005
的第一数据时间序列中时刻
Figure 867909DEST_PATH_IMAGE005
之前的第
Figure 517196DEST_PATH_IMAGE006
个时刻对应的电池的实时电压；
Figure 837843DEST_PATH_IMAGE008
为代表 时刻为
Figure 914384DEST_PATH_IMAGE005
的第一数据时间序列中时刻
Figure 419183DEST_PATH_IMAGE005
之前的第
Figure 872161DEST_PATH_IMAGE006
个时刻对应的估算电池荷电状态；
Figure 44386DEST_PATH_IMAGE009
为代表时刻为
Figure 291827DEST_PATH_IMAGE005
时的拟合电池荷电状态；
Figure 283923DEST_PATH_IMAGE010
为代表时刻为
Figure 275013DEST_PATH_IMAGE005
时的第一数据时间序列的长 度；
Figure 39094DEST_PATH_IMAGE011
为第一数据时间序列中除代表时刻外的长度。
需要说明的是，
Figure 457437DEST_PATH_IMAGE010
为代表时刻为
Figure 936829DEST_PATH_IMAGE005
时的第一数据时间序列的长度是因为
Figure 715298DEST_PATH_IMAGE005
时刻 本身有一个数据，
Figure 878426DEST_PATH_IMAGE005
时刻前面还有
Figure 451358DEST_PATH_IMAGE011
个数据。初始数据集也即初始数据时间序列。
利用该损失函数对智能监测网络进行训练。
步骤S300，获取智能监测网络中各神经元的激活值序列；根据电池荷电状态差的均方差损失函数构建第一损失序列；根据电池荷电状态差得到监督分布规律程度；计算各激活值序列和第一损失序列的偏相关系数；偏相关系数和监督分布规律程度加权求和得到神经元的剔除倾向；基于剔除倾向，剔除智能监测网络中的部分神经元，更新智能监测网络。
获取智能监测网络中各神经元的激活值序列。根据各神经元的激活值序列与损失函数的各损失项序列相关性对各神经元进行提出，实现轻量级存储。具体的：
对于训练中的智能监测网络，可获得其上各个神经元的激活值随着训练进程变化的序列，即从网络训练开始时刻到网络训练结束时刻一个神经元对应的多个激活值可以组成一个激活值序列，激活值序列的序列从小到大分别表示训练进行的时间，而各序列号所对应的元素值就是该训练时间下神经元的激活值。获取智能监测网络中所有神经元所对应的激活值序列。
对于训练中的智能监测网络，该电池荷电状态的均方差损失函数
Figure 168779DEST_PATH_IMAGE024
为：
Figure 500008DEST_PATH_IMAGE023
其中，
Figure 252063DEST_PATH_IMAGE003
为初始数据时间序列中第一数据时间序列的数量；
Figure 261476DEST_PATH_IMAGE008
为代表时刻为
Figure 466193DEST_PATH_IMAGE005
的第一数据时间序列中时刻
Figure 852044DEST_PATH_IMAGE005
之前的第
Figure 458605DEST_PATH_IMAGE006
个时刻对应的估算电池荷电状态；
Figure 904499DEST_PATH_IMAGE009
为代表 时刻为
Figure 596512DEST_PATH_IMAGE005
的拟合电池荷电状态；
Figure 788983DEST_PATH_IMAGE010
为代表时刻为
Figure 250051DEST_PATH_IMAGE005
时的第一数据时间序列的长度；
Figure 601267DEST_PATH_IMAGE011
为 第一数据时间序列中除代表时刻外的长度。
根据电池荷电状态差的均方差损失函数构建第一损失序列，也即将该电池荷电状 态的损失项构建为随训练进程变化的第一损失序列，记为
Figure DEST_PATH_IMAGE039
。
需要说明的是，对于第一损失序列
Figure 967526DEST_PATH_IMAGE039
其上各点也存在一个训练效果的好坏， 其训练效果并不全部由损失函数绝对，因为第一损失序列
Figure 445912DEST_PATH_IMAGE039
中每个时刻的值均是智 能监测网络的估计值与其对应的监督数据差异决定的，也即估算电池荷电状态和拟合电池 荷电状态的差异决定。
若智能监测网络估计出的拟合电池荷电状态并不符合监督数据的分布规律，则说明网络的训练效果不佳。故进一步的，衡量网络估计的拟合电池荷电状态是否符合监督数据的分布规律，具体的衡量的方式如下：
对于训练进程中的一个时刻
Figure 745176DEST_PATH_IMAGE021
，计算智能监测网络输出的拟合电池荷电状态符合 其所对应的监督数据的分布规律程度。
该
Figure 283604DEST_PATH_IMAGE021
时刻的监督分布规律程度
Figure 936827DEST_PATH_IMAGE013
的计算公式为：
Figure 218904DEST_PATH_IMAGE012
其中，
Figure 638253DEST_PATH_IMAGE003
为初始数据时间序列中第一数据时间序列的数量；
Figure 82003DEST_PATH_IMAGE009
为代表时刻为
Figure 485172DEST_PATH_IMAGE005
的拟合电池荷电状态；
Figure 39781DEST_PATH_IMAGE008
为代表时刻为
Figure 579216DEST_PATH_IMAGE005
的第一数据时间序列中时刻
Figure 459447DEST_PATH_IMAGE005
之前的第
Figure 87262DEST_PATH_IMAGE006
个 时刻对应的估算电池荷电状态；
Figure 445562DEST_PATH_IMAGE011
为第一数据时间序列中除代表时刻外的长度。
该监督分布规律程度
Figure 839503DEST_PATH_IMAGE013
越趋近于0，反映智能监测网络输出的拟合电池荷电状态 符合监督数据的分布规律，说明在当前训练进程的时刻
Figure 874324DEST_PATH_IMAGE021
时电池荷电状态的损失项是有效 的。
计算智能监测网络中每个神经元的激活值序列和由电池荷电状态差的损失项构建成的第一损失序列的偏相关系数。需要说明的是偏相关系数的获取为本领域技术人员公知技术。
该偏相关系数越趋近于0，反映激活值序列和第一损失序列越不相关；反之，偏相 关系数越趋近于1，反映激活值序列和第一损失序列越相关。记智能监测网络中第j个神经 元的激活值序列与第一损失序列的偏相关系数为
Figure 737238DEST_PATH_IMAGE040
，其中
Figure DEST_PATH_IMAGE041
为网络中神经元 数量。
进一步的，计算神经元的剔除倾向。
第j个神经元的剔除倾向
Figure 86180DEST_PATH_IMAGE016
的计算公式为：
Figure 591417DEST_PATH_IMAGE015
其中，
Figure 547872DEST_PATH_IMAGE019
为网络训练结束时刻；
Figure 147350DEST_PATH_IMAGE020
为网络训练开始时刻；
Figure 113032DEST_PATH_IMAGE013
为
Figure 481565DEST_PATH_IMAGE021
时刻的分布规律程 度；
Figure 608921DEST_PATH_IMAGE022
为第
Figure 430115DEST_PATH_IMAGE018
个神经元的偏相关系数。
对于一个训练进程，在训练结束后，获得训练完成的智能监测网络中的所有神经元节点的剔除倾向，将其从小到大排列后，按照存储能力进行神经元节点的剔除。
将剔除倾向大于预设剔除阈值的神经元节点剔除，完成对智能监测网络的更新。直接存储剩余神经元节点，进行实时的估计电池荷电状态，进而得到拟合电池荷电状态。需要说明的是存储量级越高，智能监测网络估算得到的拟合电池荷电状态越准确。在本发明实施例中预设剔除阈值的取值为0.9，在其他实施例中实施者根据实际情况调整该取值。
需要说明的是，在本发明实施例中虽然智能监测网络的输出为拟合电压和拟合电池荷电状态，但其主要目的还是为了得到拟合电池荷电状态，拟合电压仅作为一个参考数据，当拟合电压和实时电压越接近，则该拟合电池荷电状态的越准确。
综上所述，本发明实施例人工智能技术，该方法首先获取电池的实时电流、实时温度、实时湿度和实时电压；将实时电流、实时温度和实时湿度输入智能监测网络得到对应的拟合电压和拟合电池荷电状态；智能监测网络的损失函数为均方差损失函数和电池荷电状态差的均方差损失函数之和；电池荷电状态差为拟合电池荷电状态和估算电池荷电状态的差值；估算电池荷电状态由电流、温度、湿度和电压构建的电池等效电路模型得到；获取智能监测网络中各神经元的激活值序列；根据电池荷电状态差的均方差损失函数构建第一损失序列；根据电池荷电状态差得到监督分布规律程度；计算各激活值序列和第一损失序列的偏相关系数；偏相关系数和监督分布规律程度加权求和得到神经元的剔除倾向；基于剔除倾向，剔除智能监测网络中的部分神经元，更新智能监测网络。本发明将获取到的电池的工作特性数据输入训练好的智能监测网络中得到拟合电池荷电状态，结合前一段时间的电池荷电状态对电池荷电状态损失项进行了进一步的优化，且根据各神经元激活值变化序列与损失函数的各损失项序列相关性对各神经元进行剔除，实现轻量级存储，考虑了电池的电池荷电状态的滞回特性，达到了对电池的电池荷电状态估算更准确的目的。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种电池电量智能监测方法，其特征在于，该方法包括以下步骤：
获取电池的实时电流、实时温度、实时湿度和实时电压；将所述实时电流、所述实时温度和所述实时湿度输入智能监测网络得到对应的拟合电压和拟合电池荷电状态；
所述智能监测网络的损失函数为均方差损失函数和电池荷电状态差的均方差损失函数之和；所述电池荷电状态差为拟合电池荷电状态和估算电池荷电状态的差值；所述估算电池荷电状态由电流、温度、湿度和电压构建的电池等效电路模型得到；
获取所述智能监测网络中各神经元的激活值序列；根据电池荷电状态差的均方差损失函数构建第一损失序列；根据所述电池荷电状态差得到监督分布规律程度；计算各所述激活值序列和所述第一损失序列的偏相关系数；所述偏相关系数和所述监督分布规律程度加权求和得到神经元的剔除倾向；基于所述剔除倾向，剔除所述智能监测网络中的部分神经元，更新智能监测网络；
其中，所述智能监测网络的损失函数的获取方法为：由各时刻的电流、温度、湿度、电压和估算电池荷电状态构建初始数据集，对所述初始数据集进行排序得到初始数据时间序列；将所述初始数据时间序列分段，得到多个第一数据时间序列；获取各所述第一数据时间序列中最后一个时刻作为代表时刻；
所述智能监测网络的损失函数为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为所述智能监测网络的损失函数；
Figure DEST_PATH_IMAGE006
为初始数据时间序列中第一数据时间序列的数量；
Figure DEST_PATH_IMAGE008
为代表时刻为
Figure DEST_PATH_IMAGE010
的第一数据时间序列中时刻
Figure 651516DEST_PATH_IMAGE010
之前的第
Figure DEST_PATH_IMAGE012
个时刻对应的电池的拟合电压；
Figure DEST_PATH_IMAGE014
为代表时刻为
Figure 834236DEST_PATH_IMAGE010
的第一数据时间序列中时刻
Figure 299459DEST_PATH_IMAGE010
之前的第
Figure 632351DEST_PATH_IMAGE012
个时刻对应的电池的实时电压；
Figure DEST_PATH_IMAGE016
为代表时刻为
Figure 836936DEST_PATH_IMAGE010
的第一数据时间序列中时刻
Figure 347814DEST_PATH_IMAGE010
之前的第
Figure 552531DEST_PATH_IMAGE012
个时刻对应的估算电池荷电状态；
Figure DEST_PATH_IMAGE018
为代表时刻为
Figure 827130DEST_PATH_IMAGE010
的拟合电池荷电状态；
Figure DEST_PATH_IMAGE020
为代表时刻为
Figure 620642DEST_PATH_IMAGE010
时的第一数据时间序列的长度；
Figure DEST_PATH_IMAGE022
为第一数据时间序列中除代表时刻外的长度；
其中，所述监督分布规律程度的计算公式为：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
为所述监督分布规律程度；
Figure 771263DEST_PATH_IMAGE006
为初始数据时间序列中第一数据时间序列的数量；
Figure 476658DEST_PATH_IMAGE018
为代表时刻为
Figure 151353DEST_PATH_IMAGE010
的拟合电池荷电状态；
Figure 861689DEST_PATH_IMAGE016
为代表时刻为
Figure 183211DEST_PATH_IMAGE010
的第一数据时间序列中时刻
Figure 362519DEST_PATH_IMAGE010
之前的第
Figure 90173DEST_PATH_IMAGE012
个时刻对应的估算电池荷电状态；
Figure 671327DEST_PATH_IMAGE022
为第一数据时间序列中除代表时刻外的长度；
其中，所述剔除倾向的计算公式为：
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE030
为第
Figure DEST_PATH_IMAGE032
个神经元的剔除倾向；
Figure DEST_PATH_IMAGE034
为网络训练结束时刻；
Figure DEST_PATH_IMAGE036
为网络训练开始时刻；
Figure 239449DEST_PATH_IMAGE026
为
Figure DEST_PATH_IMAGE038
时刻的监督分布规律程度；
Figure DEST_PATH_IMAGE040
为第
Figure 44070DEST_PATH_IMAGE032
个神经元的偏相关系数。
2.根据权利要求1所述的一种电池电量智能监测方法，其特征在于，所述基于所述剔除倾向，剔除所述智能监测网络中的部分神经元为：将所述剔除倾向大于预设剔除阈值的神经元进行剔除。
CN202210997226.8A 2022-08-19 2022-08-19 一种电池电量智能监测方法 Active CN115061050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210997226.8A CN115061050B (zh) 2022-08-19 2022-08-19 一种电池电量智能监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210997226.8A CN115061050B (zh) 2022-08-19 2022-08-19 一种电池电量智能监测方法

Publications (2)

Publication Number Publication Date
CN115061050A CN115061050A (zh) 2022-09-16
CN115061050B true CN115061050B (zh) 2022-11-01

Family

ID=83207885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210997226.8A Active CN115061050B (zh) 2022-08-19 2022-08-19 一种电池电量智能监测方法

Country Status (1)

Country Link
CN (1) CN115061050B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112083331A (zh) * 2020-08-09 2020-12-15 昆明理工大学 一种提升锂离子电池荷电状态估计精度的融合方法
CN112379270A (zh) * 2020-11-13 2021-02-19 哈尔滨工业大学 一种电动汽车动力电池荷电状态滚动时域估计方法
CN113033104A (zh) * 2021-03-31 2021-06-25 浙江大学 一种基于图卷积的锂电池荷电状态估计方法
CN114838496A (zh) * 2022-04-22 2022-08-02 江苏风神空调集团股份有限公司 基于人工智能的空调消声器性能检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11637331B2 (en) * 2017-11-20 2023-04-25 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge and state of health estimation
US10969436B1 (en) * 2019-10-25 2021-04-06 The Florida International University Board Of Trustees Systems and methods for forecasting battery state of charge

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112083331A (zh) * 2020-08-09 2020-12-15 昆明理工大学 一种提升锂离子电池荷电状态估计精度的融合方法
CN112379270A (zh) * 2020-11-13 2021-02-19 哈尔滨工业大学 一种电动汽车动力电池荷电状态滚动时域估计方法
CN113033104A (zh) * 2021-03-31 2021-06-25 浙江大学 一种基于图卷积的锂电池荷电状态估计方法
CN114838496A (zh) * 2022-04-22 2022-08-02 江苏风神空调集团股份有限公司 基于人工智能的空调消声器性能检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Machine Learning Applied to Electrified Vehicle Battery State of Charge and State of Health Estimation: State-of-the-Art;CARLOS VIDAL 等;《IEEE Access》;20200316;第52796-52814页 *
Optimal Charging Profile Design for Attaining Desired State of Charge in Symmetric Electrochemical Capacitor With Efficiency Analysis;K Dhananjay Rao 等;《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》;20211031;第57卷(第5期);第5264-5273页 *
State-of-Charge Estimation for Lithium-ion Batteries Based on Fuzzy Information Granulation and Asymmetric Gaussian Membership Function;Peihang Xu 等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20220731;第69卷(第7期);第6635-6644页 *

Also Published As

Publication number Publication date
CN115061050A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN110286332B (zh) 一种基于多新息理论的电动汽车动力电池soc估计方法
Sun et al. Data-driven ICA-Bi-LSTM-combined lithium battery SOH estimation
CN104535934B (zh) 在线前馈补偿的动力电池电荷状态估计方法与系统
CN113064093B (zh) 储能电池荷电状态与健康状态联合估算方法及系统
CN113253116A (zh) 锂离子电池荷电状态估计方法、存储介质
CN112858929B (zh) 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法
CN109239602B (zh) 一种动力电池的欧姆内阻的估算方法
CN107589379A (zh) 一种在线估计锂电池soc和阻抗的方法
CN111098755B (zh) 一种电动汽车动力电池soc估计方法
CN110554324A (zh) 一种soc和soh联合估计方法
WO2019006995A1 (zh) 一种电动汽车动力电池soc智能化预测系统
CN113589179B (zh) 一种基于凸空间滤波的动力电池化成过程状态估计方法
CN114035054A (zh) 基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法
CN112083333A (zh) 一种基于机器学习模型的动力电池组荷电状态估计方法
CN114660464A (zh) 一种锂离子电池荷电状态估算方法
CN112580284A (zh) 一种混合电容器等效电路模型及在线参数辨识方法
CN112946481A (zh) 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统
CN116826933A (zh) 一种基于知识图谱混合储能电池供电反步控制方法及系统
CN114726045A (zh) 一种基于ipea-lstm模型的锂电池soh估计方法
CN112580289A (zh) 一种混合电容器功率状态在线估计方法及系统
CN114280490B (zh) 一种锂离子电池荷电状态估计方法及系统
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及系统
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN115061050B (zh) 一种电池电量智能监测方法
CN116500475B (zh) 一种具有实时soc校正补偿的储能采集方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant