CN115293100B - 一种新能源电池剩余电量精准评估方法 - Google Patents

一种新能源电池剩余电量精准评估方法 Download PDF

Info

Publication number
CN115293100B
CN115293100B CN202211211679.XA CN202211211679A CN115293100B CN 115293100 B CN115293100 B CN 115293100B CN 202211211679 A CN202211211679 A CN 202211211679A CN 115293100 B CN115293100 B CN 115293100B
Authority
CN
China
Prior art keywords
new energy
energy battery
model
index data
data
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
CN202211211679.XA
Other languages
English (en)
Other versions
CN115293100A (zh
Inventor
吴宇航
李泽坤
耿连忠
杨伯青
李达兴
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.)
Shenzhen City Waitley Power Co ltd
Original Assignee
Shenzhen City Waitley Power 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 Shenzhen City Waitley Power Co ltd filed Critical Shenzhen City Waitley Power Co ltd
Priority to CN202211211679.XA priority Critical patent/CN115293100B/zh
Publication of CN115293100A publication Critical patent/CN115293100A/zh
Application granted granted Critical
Publication of CN115293100B publication Critical patent/CN115293100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2115/00—Details relating to the type of the circuit
    • G06F2115/02—System on chip [SoC] design
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及电池电量评估的技术领域，揭露了一种新能源电池剩余电量精准评估方法，包括：构建新能源电池等效数据模型；精确估计新能源电池等效数据模型参数；进行重复实验，获取新能源电池充放电过程指标数据；基于深度知识追踪方法构建新能源电池剩余电量评估模型；对新能源电池剩余电量评估模型进行优化得到模型参数；将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，并对得到的指标数据进行预处理，预处理后的指标数据即为新能源电池剩余电量评估模型的输入，模型输出结果即为新能源电池剩余电量评估结果。本发明所述方法实现新能源电池动态发电过程的形式化描述，结合概率统计的模型参数优化，以及实现电池剩余电量估计。

Description

一种新能源电池剩余电量精准评估方法
技术领域
本发明涉及电池电量估计的技术领域，尤其涉及一种新能源电池剩余电量精准评估方法。
背景技术
新能源电池电量精准评估能够帮助驾驶员了解到电动汽车剩余多少电量，直观地获得有效信息，从而可以使驾驶员判断车辆能够继续行驶的里程数，并且选择合适的充电时机，同时精准的新能源电池电量估计能够避免电池发生过充或过放现象，保护电池安全。一方面，传统的贝叶斯估计方案过度依赖电量估计的先验概率，若计算先验概率的数据质量不好，则会导致电量估计不准。另一方面，新能源电池内部结构复杂，较难得到有用指标用来实现电池剩余电量估计。
发明内容
有鉴于此，本发明提供一种新能源电池剩余电量精准评估方法，目的在于（1）构建新能源电池等效数据模型，实现对新能源电池动态发电过程的形式化描述；（2）基于深度知识追踪方法构建新能源电池剩余电量评估模型，实现结合概率统计的模型优化，以及实现电池剩余电量估计。
实现上述目的，本发明提供的一种新能源电池剩余电量精准评估方法，包括以下步骤：
S1：构建新能源电池等效数据模型；
S2：基于新能源等效数据模型，通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数；
S3：根据精确估计的等效数据模型参数和数据模型进行重复实验，获取新能源电池充放电过程指标数据，并对指标数据进行预处理；
S4：基于深度知识追踪方法构建新能源电池剩余电量评估模型，其中所述模型以指标数据为输入，以剩余电量预测值为输出；
S5：对新能源电池剩余电量评估模型进行优化得到模型参数；
S6：将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，得到指标数据，并对指标数据进行预处理，预处理后的指标数据即为新能源电池剩余电量评估模型的输入，模型输出结果即为新能源电池剩余电量评估结果。
作为本发明的进一步改进方法：
可选地，S1步骤中构建新能源电池等效数据模型，包括：
基于新能源电池的电路元件构建新能源电池等效数据模型，表征新能源电池的电气特性，实现新能源电池工作状况下的电气特性仿真，所构建的新能源电池等效数据模型为：
Figure 763836DEST_PATH_IMAGE001
Figure 149818DEST_PATH_IMAGE002
其中：
Figure 929555DEST_PATH_IMAGE003
为新能源电池两端电压；
Figure 793606DEST_PATH_IMAGE004
为新能源电池内电阻值；
Figure 607978DEST_PATH_IMAGE005
为新能源电池的负载电流；
Figure 696020DEST_PATH_IMAGE006
以及
Figure 431895DEST_PATH_IMAGE007
为电阻-电容回路的两端电压
Figure 834057DEST_PATH_IMAGE008
为新能源电池开路电压；
Figure 502936DEST_PATH_IMAGE009
,
Figure 965141DEST_PATH_IMAGE010
为电阻-电容回路中的极化电容，
Figure 985050DEST_PATH_IMAGE011
,
Figure 925324DEST_PATH_IMAGE012
为电阻-电容回路中的极化电阻；
Figure 714289DEST_PATH_IMAGE013
为电池的荷电状态；
t表示新能源电池工作运行时间。
可选地，所述S2步骤中通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数，包括：
设置新能源电池的工作状态仿真模拟过程，所述新能源电池的工作状态仿真模拟过程为：
1）以2.5倍放电倍率的恒定电流对新能源电池放电15秒后静置40秒；
2）以2倍充电倍率的恒定电流对新能源电池充电15秒后静置40秒；
3）以2.5倍放电倍率的恒定电流对新能源电池放电4分钟后静置10分钟，完成一次仿真实验；
4）重复上述步骤，得到新能源电池在工作状态的脉冲电流响应曲线和脉冲电压响应曲线；
将仿真得到的新能源电池脉冲电流响应曲线以及脉冲电压响应曲线重采样为新能源电池等效数据模型参数，所述重采样流程为：
在新能源电池的初始放电阶段，新能源电池的电压值由
Figure 114439DEST_PATH_IMAGE014
垂直下降为
Figure 559327DEST_PATH_IMAGE015
，则新能 源电池的电阻值
Figure 100030DEST_PATH_IMAGE016
为：
Figure 946763DEST_PATH_IMAGE017
其中：
Figure 547509DEST_PATH_IMAGE018
为新能源电池放电时的放电电流强度；
在新能源电池的初始放电阶段，新能源电池电压值在垂直下降为
Figure 479693DEST_PATH_IMAGE015
后，由于电容 充电，产生电阻-电容回路，新能源电池电压先剧烈后缓慢地由
Figure 824086DEST_PATH_IMAGE015
下降为
Figure 525326DEST_PATH_IMAGE019
，其表达式为：
Figure 562552DEST_PATH_IMAGE020
Figure 716453DEST_PATH_IMAGE021
Figure 864538DEST_PATH_IMAGE022
其中：
Figure 420284DEST_PATH_IMAGE023
为时间常数；
Figure 628411DEST_PATH_IMAGE024
,
Figure 269608DEST_PATH_IMAGE025
为电阻-电容回路中的极化电容，
Figure 955805DEST_PATH_IMAGE026
,
Figure 130172DEST_PATH_IMAGE027
为电阻-电容回路中的极化电阻；
在新能源电池放电结束瞬间，由于电池欧姆极化消失，导致新能源电池电压值由
Figure 509200DEST_PATH_IMAGE019
升至
Figure 637693DEST_PATH_IMAGE028
，并由于断电后电阻-电容回路内部极化，导致新能源电池电压值由
Figure 330843DEST_PATH_IMAGE028
下降为
Figure 392340DEST_PATH_IMAGE029
，其表达式为：
Figure 942270DEST_PATH_IMAGE030
Figure 823638DEST_PATH_IMAGE021
Figure 54899DEST_PATH_IMAGE022
其中：
Figure 502061DEST_PATH_IMAGE031
为新能源电池地放电时间；
Figure 894997DEST_PATH_IMAGE006
以及
Figure 60399DEST_PATH_IMAGE007
为电阻-电容回路的两端电压
Figure 829772DEST_PATH_IMAGE023
为时间常数。
可选地，所述S3步骤中获取新能源电池放电过程指标数据，包括：
通过多次重复实验，得到多组新能源电池脉冲电流曲线以及脉冲电压曲线；
据脉冲电流曲线以及脉冲电压曲线构建多组表达式，对每组新能源电池放电过程指标数据进行拟合；
所述新能源电池放电过程指标包括
Figure 131440DEST_PATH_IMAGE032
，其中
Figure 757593DEST_PATH_IMAGE033
,
Figure 613554DEST_PATH_IMAGE034
为电阻-电 容回路中的极化电容，
Figure 688082DEST_PATH_IMAGE011
,
Figure 844257DEST_PATH_IMAGE012
为电阻-电容回路中的极化电阻，
Figure 844574DEST_PATH_IMAGE004
为新能源电池内电阻的 电阻值。
可选地，所述S3步骤中对所获取的新能源电池放电过程指标数据进行预处理，包括：
所述K次实验过程中拟合得到的新能源电池放电过程指标数据集合为：
Figure 718989DEST_PATH_IMAGE035
其中：
Figure 892482DEST_PATH_IMAGE036
为第k次实验拟合得到的新能源电池放电过程指标数据，K为仿真实验的总次 数；
Figure 106425DEST_PATH_IMAGE037
为第k次实验拟合得到的新能源电池内电阻的电阻值；
Figure 339961DEST_PATH_IMAGE038
为第k次实验拟合得到的极化电阻；
Figure 639355DEST_PATH_IMAGE039
为第k次实验拟合得到的极化电容；
对新能源电池放电过程指标数据集合进行分离处理，得到不同指标的时序数据集：
Figure 616538DEST_PATH_IMAGE040
其中：
Figure 684988DEST_PATH_IMAGE041
为指标Q的时序数据集，
Figure 89425DEST_PATH_IMAGE042
为指标Q在第K次实验的拟合值。
可选地，所述S4步骤中基于深度知识追踪方法构建新能源电池剩余电量评估模型，包括：
基于深度知识追踪方法构建新能源电池剩余电量评估模型，其中所述模型以指标数据为输入，以剩余电量预测值为输出；所述新能源电池剩余电量评估模型的结构为基于概率统计的LSTM网络；
将指标数据所对应的时序序列作为新能源电池剩余电量评估模型的输入，新能源电池剩余电量评估模型内构建新能源电池等效数据模型，将指标数据所对应的时序序列代入新能源电池等效数据模型，得到SOC指标数据序列；
新能源电池剩余电量评估模型根据新能源电池放电过程中的SOC指标数据序列， 预测得到下一时刻的不同指标的数据值，
Figure 141695DEST_PATH_IMAGE043
，其中
Figure 594673DEST_PATH_IMAGE044
为指 标Q的时序序列，
Figure 845525DEST_PATH_IMAGE045
，
Figure 358546DEST_PATH_IMAGE046
为LSTM网络模型，将预测得到的指标数据转 换为SOC指标数据
Figure 694850DEST_PATH_IMAGE047
，其中
Figure 450054DEST_PATH_IMAGE048
为新能源电池放电过程中SOC指标数据序列 的初始SOC值，
Figure 555413DEST_PATH_IMAGE049
为新能源电池放电过程中SOC指标数据序列的当前时刻SOC指标数 据值，
Figure 239335DEST_PATH_IMAGE047
为预测得到的下一时刻的SOC指标数据值，根据新能源在放电过程中的电 流强度以及SOC指标数据变化情况估计新能源电池的剩余电量，将新能源电池剩余电量作 为模型输出结果，所述新能源电池剩余电量的估计公式为：
Figure 797356DEST_PATH_IMAGE050
其中：
Figure 857716DEST_PATH_IMAGE051
为新能源电池放电过程中的电流强度；
Figure 817581DEST_PATH_IMAGE052
为放电初始时刻，
Figure 672405DEST_PATH_IMAGE053
为新能源电池的下一放电时刻；
G为新能源电池剩余电量评估模型预测得到的剩余电量。
可选地，所述S5步骤中对新能源电池剩余电量评估模型进行参数调优，包括：
将实验环境下采集的不同指标的时序数据集作为输入，将不同指标的时序数据集转换为SOC指标数据序列；
构建新能源电池剩余电量评估模型的损失函数：
Figure 983301DEST_PATH_IMAGE054
其中：
Figure 581772DEST_PATH_IMAGE055
为第1次到第j次实验的SOC指标数据序列；
Figure 396144DEST_PATH_IMAGE056
为新能源电池剩余电量评估模型预测得到的第j+1次实验的SOC指标数 据，T表示转置；
Figure 953028DEST_PATH_IMAGE057
为真实的SOC指标数据；
Figure 220061DEST_PATH_IMAGE058
为二进制交叉熵函数；
并建立不同指标Q的损失函数：
Figure 622223DEST_PATH_IMAGE059
Figure 291102DEST_PATH_IMAGE060
其中：
Figure 753307DEST_PATH_IMAGE061
为第1次到第j次实验的Q指标数据序列；
Figure 773216DEST_PATH_IMAGE062
为新能源电池剩余电量评估模型预测得到的第j+1次实验的Q指标数据，T表 示转置；
根据
Figure 203236DEST_PATH_IMAGE063
的预测情况，利用概率统计的方法对模型参数进行调整，所述基 于概率统计的模型更新方法为：
根据先验概率
Figure 195463DEST_PATH_IMAGE064
，计算第i+1次实验预测正确的概率，所述先验概率的公 式为：
Figure 625307DEST_PATH_IMAGE065
则第i+1次实验预测正确的概率为：
Figure 70195DEST_PATH_IMAGE066
若
Figure 876477DEST_PATH_IMAGE067
小于概率阈值，则对新能源电池剩余电量评估模型的参数进行迭代更 新，所述新能源电池剩余电量评估模型参数更新迭代的方法为ADAM算法；直到预测完成第K 次实验的数据，完成新能源电池剩余电量评估模型参数的更新优化，得到优化后的新能源 电池剩余电量评估模型。
可选地，所述S6步骤中将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，并对指标数据进行预处理，得到待电量评估新能源电池的放电指标数据，包括：
将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，估计得到待电量评估新能源电池的参数以及指标数据，并对指标数据进行指标分离处理，得到待电量评估新能源电池的放电指标数据时序序列。
可选地，所述S6步骤中将指标数据输入到优化后的新能源电池剩余电量评估模型中，模型输出剩余电量评估结果，包括：
将待电量评估新能源电池的放电指标数据时序序列输入到优化后的新能源电池剩余电量评估模型，模型输出剩余电量评估结果，实现新能源电池剩余电量评估。
为了解决上述问题，本发明还提供一种新能源电池剩余电量精准评估装置，其特征在于，所述装置包括：
电池等效装置，用于构建新能源电池等效数据模型，基于新能源等效数据模型，通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数；
数据处理装置，用于根据精确估计的等效数据模型参数和数据模型进行重复实验，获取新能源电池充放电过程指标数据，并对指标数据进行预处理；
剩余电量估计模块，用于基于深度知识追踪方法构建新能源电池剩余电量评估模型，对新能源电池剩余电量评估模型进行优化得到模型参数，将待电量评估的新能源电池的指标数据作为新能源电池剩余电量评估模型的输入，模型输出结果即为新能源电池剩余电量评估结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现上述所述的新能源电池剩余电量精准评估方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的新能源电池剩余电量精准评估方法。
相对于现有技术，本发明提出一种新能源电池剩余电量精准评估方法，该技术具有以下优势：
首先，本方案基于新能源电池等效数据模型构建一种新能源电池剩余电量评估模 型，其中所述模型以指标数据为输入，以剩余电量预测值为输出；所述新能源电池剩余电量 评估模型的结构为基于概率统计的LSTM网络；将指标数据所对应的时序序列作为新能源电 池剩余电量评估模型的输入，新能源电池剩余电量评估模型内构建新能源电池等效数据模 型，将指标数据所对应的时序序列代入新能源电池等效数据模型，得到SOC指标数据序列； 新能源电池剩余电量评估模型根据新能源电池放电过程中的SOC指标数据序列，预测得到 下一时刻的不同指标的数据值，
Figure 723211DEST_PATH_IMAGE043
，其中
Figure 323956DEST_PATH_IMAGE044
为指标Q的时 序序列，
Figure 256140DEST_PATH_IMAGE045
，
Figure 600534DEST_PATH_IMAGE046
为LSTM网络模型，将预测得到的指标数据转换为SOC 指标数据
Figure 301773DEST_PATH_IMAGE047
，其中
Figure 807841DEST_PATH_IMAGE048
为新能源电池放电过程中SOC指标数据序列的初始 SOC值，
Figure 492900DEST_PATH_IMAGE049
为新能源电池放电过程中SOC指标数据序列的当前时刻SOC指标数据值，
Figure 640985DEST_PATH_IMAGE047
为预测得到的下一时刻的SOC指标数据值，根据新能源在放电过程中的电流强 度以及SOC指标数据变化情况估计新能源电池的剩余电量，将新能源电池剩余电量作为模 型输出结果，所述新能源电池剩余电量的估计公式为：
Figure 196731DEST_PATH_IMAGE068
其中：
Figure 139279DEST_PATH_IMAGE069
为新能源电池放电过程中的电流强度；
Figure 842793DEST_PATH_IMAGE070
为放电初始时刻，
Figure 230787DEST_PATH_IMAGE071
为新能源 电池的下一放电时刻；G为新能源电池剩余电量评估模型预测得到的剩余电量。相较于传统 方案，本方案构建新能源电池等效数据模型，实现对新能源电池动态发电过程的形式化描 述，精准估计得到新能源电池参数，并基于深度知识追踪方法构建新能源电池剩余电量评 估模型，通过判断不同时刻的指标预测结果，有选择地对模型参数进行优化，实现新能源电 池剩余电流评估。
同时，本方案提出一种模型参数优化方法，将实验环境下采集的不同指标的时序数据集作为输入，将不同指标的时序数据集转换为SOC指标数据序列；构建新能源电池剩余电量评估模型的损失函数：
Figure 906619DEST_PATH_IMAGE072
其中：
Figure 223331DEST_PATH_IMAGE073
为第1次到第j次实验的SOC指标数据序列；
Figure 414141DEST_PATH_IMAGE056
为新能源电池剩余电量 评估模型预测得到的第j+1次实验的SOC指标数据，T表示转置；
Figure 841711DEST_PATH_IMAGE074
为真实的SOC指标数 据；
Figure 637629DEST_PATH_IMAGE075
为二进制交叉熵函数；并建立不同指标Q的损失函数：
Figure 187559DEST_PATH_IMAGE076
Figure 803348DEST_PATH_IMAGE060
其中：
Figure 831347DEST_PATH_IMAGE077
为第1次到第j次实验的Q指标数据序列；
Figure 216192DEST_PATH_IMAGE062
为新能源电池剩余电量评 估模型预测得到的第j+1次实验的Q指标数据，T表示转置；根据
Figure 937023DEST_PATH_IMAGE063
的预测情 况，利用概率统计的方法对模型参数进行调整，所述基于概率统计的模型更新方法为：根据 先验概率
Figure 40108DEST_PATH_IMAGE078
，计算第i+1次实验预测正确的概率，所述先验概率的公式为：
Figure 871798DEST_PATH_IMAGE079
则第i+1次实验预测正确的概率为：
Figure 612614DEST_PATH_IMAGE080
若
Figure 504347DEST_PATH_IMAGE067
小于概率阈值，则对新能源电池剩余电量评估模型的参数进行迭代更 新，所述新能源电池剩余电量评估模型参数更新迭代的方法为ADAM算法；直到预测完成第K 次实验的数据，完成新能源电池剩余电量评估模型参数的更新优化，得到优化后的新能源 电池剩余电量评估模型，本方案实现结合基于先验概率的模型优化，以及实现电池剩余电 量估计。
附图说明
图1为本发明一实施例提供的一种新能源电池剩余电量精准评估方法的流程示意图；
图2为图1实施例其中一个步骤的流程示意图；
图3为图1实施例另一个步骤的流程示意图；
图4为本发明一实施例提供的新能源电池剩余电量精准评估装置的功能模块图；
图5为本发明一实施例提供的实现新能源电池剩余电量精准评估方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种新能源电池剩余电量精准评估方法。所述新能源电池剩余电量精准评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述新能源电池剩余电量精准评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：构建新能源电池等效数据模型，实现对新能源电池动态发电过程的形式化描述。
S1步骤中构建新能源电池等效数据模型，包括：
基于新能源电池的电路元件构建新能源电池等效数据模型，表征新能源电池的电气特性，实现新能源电池工作状况下的电气特性仿真，所构建的新能源电池等效数据模型为：
Figure 94728DEST_PATH_IMAGE001
Figure 464530DEST_PATH_IMAGE002
其中：
Figure 823967DEST_PATH_IMAGE003
为新能源电池两端电压；
Figure 621022DEST_PATH_IMAGE004
为新能源电池内电阻值；
Figure 495437DEST_PATH_IMAGE005
为新能源电池的负载电流；
Figure 872191DEST_PATH_IMAGE006
以及
Figure 148452DEST_PATH_IMAGE007
为电阻-电容回路的两端电压
Figure 319670DEST_PATH_IMAGE008
为新能源电池开路电压；
Figure 681382DEST_PATH_IMAGE009
,
Figure 127406DEST_PATH_IMAGE010
为电阻-电容回路中的极化电容，
Figure 461436DEST_PATH_IMAGE011
,
Figure 69135DEST_PATH_IMAGE012
为电阻-电容回路中的极化电阻；
Figure 652563DEST_PATH_IMAGE013
为电池的荷电状态；
t表示新能源电池工作运行时间；
需要解释的是，在新能源电池处于工作状态时，会由于电化学极化以及浓差极化 分别产生两个极化电阻
Figure 167858DEST_PATH_IMAGE011
,
Figure 356394DEST_PATH_IMAGE012
，其中
Figure 931731DEST_PATH_IMAGE081
的电阻-电容回路为新能源电池中Li离子在电 极移动产生的阻抗，
Figure 704253DEST_PATH_IMAGE082
的电阻-电容回路为新能源电池中Li离子在溶液中扩散产生的 阻抗。
S2：基于新能源等效数据模型，通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数。
所述S2步骤中通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数，包括：
设置新能源电池的工作状态仿真模拟过程，详细地，参阅图2所示，所述新能源电池的工作状态仿真模拟过程，包括：
S21、以2.5倍放电倍率的恒定电流对新能源电池放电15秒后静置40秒；
S22、以2倍充电倍率的恒定电流对新能源电池充电15秒后静置40秒；
S23、以2.5倍放电倍率的恒定电流对新能源电池放电4分钟后静置10分钟，完成一次仿真实验；
S24、重复上述步骤，得到新能源电池在工作状态的脉冲电流响应曲线和脉冲电压响应曲线；
将仿真得到的新能源电池脉冲电流响应曲线以及脉冲电压响应曲线重采样为新能源电池等效数据模型参数，所述重采样流程为：
在新能源电池的初始放电阶段，新能源电池的电压值由
Figure 23239DEST_PATH_IMAGE014
垂直下降为
Figure 66281DEST_PATH_IMAGE015
，则新能 源电池的电阻值
Figure 812520DEST_PATH_IMAGE016
为：
Figure 308224DEST_PATH_IMAGE017
其中：
Figure 430901DEST_PATH_IMAGE018
为新能源电池放电时的放电电流强度；
在新能源电池的初始放电阶段，新能源电池电压值在垂直下降为
Figure 328449DEST_PATH_IMAGE015
后，由于电容 充电，产生电阻-电容回路，新能源电池电压先剧烈后缓慢地由
Figure 245590DEST_PATH_IMAGE015
下降为
Figure 290906DEST_PATH_IMAGE019
，其表达式为：
Figure 889378DEST_PATH_IMAGE020
Figure 703750DEST_PATH_IMAGE021
Figure 995054DEST_PATH_IMAGE022
其中：
Figure 527667DEST_PATH_IMAGE023
为时间常数；
Figure 664250DEST_PATH_IMAGE024
,
Figure 333129DEST_PATH_IMAGE025
为电阻-电容回路中的极化电容，
Figure 857651DEST_PATH_IMAGE026
,
Figure 549663DEST_PATH_IMAGE027
为电阻-电容回路中的极化电阻；
在新能源电池放电结束瞬间，由于电池欧姆极化消失，导致新能源电池电压值由
Figure 817834DEST_PATH_IMAGE019
升至
Figure 45946DEST_PATH_IMAGE028
，并由于断电后电阻-电容回路内部极化，导致新能源电池电压值由
Figure 475790DEST_PATH_IMAGE028
下降为
Figure 920678DEST_PATH_IMAGE029
，其表达式为：
Figure 726960DEST_PATH_IMAGE083
Figure 308114DEST_PATH_IMAGE021
Figure 174439DEST_PATH_IMAGE022
其中：
Figure 841044DEST_PATH_IMAGE084
为新能源电池地放电时间；
Figure 451017DEST_PATH_IMAGE006
以及
Figure 152256DEST_PATH_IMAGE007
为电阻-电容回路的两端电压
Figure 923903DEST_PATH_IMAGE023
为时间常数。
S3：根据精确估计的等效数据模型参数和数据模型进行重复实验，获取新能源电池充放电过程指标数据，并对指标数据进行预处理。
详细地，参阅图3所示，所述S3步骤中获取新能源电池放电过程指标数据，包括：
S31、通过多次重复实验，得到多组新能源电池脉冲电流曲线以及脉冲电压曲线；
S32、据脉冲电流曲线以及脉冲电压曲线构建多组表达式，对每组新能源电池放电过程指标数据进行拟合；
S33、得到多组新能源电池放电过程指标数据；
所述新能源电池放电过程指标包括
Figure 343383DEST_PATH_IMAGE032
，其中
Figure 225889DEST_PATH_IMAGE033
,
Figure 843952DEST_PATH_IMAGE034
为电阻-电 容回路中的极化电容，
Figure 724183DEST_PATH_IMAGE011
,
Figure 427697DEST_PATH_IMAGE012
为电阻-电容回路中的极化电阻，
Figure 317156DEST_PATH_IMAGE004
为新能源电池内电阻的 电阻值。
所述S3步骤中对所获取的新能源电池放电过程指标数据进行预处理，包括：
所述K次实验过程中拟合得到的新能源电池放电过程指标数据集合为：
Figure 789725DEST_PATH_IMAGE035
其中：
Figure 604972DEST_PATH_IMAGE036
为第k次实验拟合得到的新能源电池放电过程指标数据，K为仿真实验的总次 数；
Figure 530203DEST_PATH_IMAGE037
为第k次实验拟合得到的新能源电池内电阻的电阻值；
Figure 20090DEST_PATH_IMAGE038
为第k次实验拟合得到的极化电阻；
Figure 550429DEST_PATH_IMAGE039
为第k次实验拟合得到的极化电容；
对新能源电池放电过程指标数据集合进行分离处理，得到不同指标的时序数据集：
Figure 100359DEST_PATH_IMAGE040
其中：
Figure 450568DEST_PATH_IMAGE041
为指标Q的时序数据集，
Figure 478567DEST_PATH_IMAGE042
为指标Q在第K次实验的拟合值。
S4：基于深度知识追踪方法构建新能源电池剩余电量评估模型，其中所述模型以指标数据为输入，以剩余电量预测值为输出。
所述S4步骤中基于深度知识追踪方法构建新能源电池剩余电量评估模型，包括：
基于深度知识追踪方法构建新能源电池剩余电量评估模型，其中所述模型以指标数据为输入，以剩余电量预测值为输出；所述新能源电池剩余电量评估模型的结构为基于概率统计的LSTM网络；
将指标数据所对应的时序序列作为新能源电池剩余电量评估模型的输入，新能源电池剩余电量评估模型内构建新能源电池等效数据模型，将指标数据所对应的时序序列代入新能源电池等效数据模型，得到SOC指标数据序列；
新能源电池剩余电量评估模型根据新能源电池放电过程中的SOC指标数据序列， 预测得到下一时刻的不同指标的数据值，
Figure 128992DEST_PATH_IMAGE043
，其中
Figure 584244DEST_PATH_IMAGE044
为指 标Q的时序序列，
Figure 749646DEST_PATH_IMAGE045
，
Figure 519019DEST_PATH_IMAGE046
为LSTM网络模型，将预测得到的指标数据转 换为SOC指标数据
Figure 820687DEST_PATH_IMAGE047
，其中
Figure 650103DEST_PATH_IMAGE048
为新能源电池放电过程中SOC指标数据序列 的初始SOC值，
Figure 771643DEST_PATH_IMAGE049
为新能源电池放电过程中SOC指标数据序列的当前时刻SOC指标数 据值，
Figure 407023DEST_PATH_IMAGE047
为预测得到的下一时刻的SOC指标数据值，根据新能源在放电过程中的电 流强度以及SOC指标数据变化情况估计新能源电池的剩余电量，将新能源电池剩余电量作 为模型输出结果，所述新能源电池剩余电量的估计公式为：
Figure 766460DEST_PATH_IMAGE050
其中：
Figure 829094DEST_PATH_IMAGE051
为新能源电池放电过程中的电流强度；
Figure 641192DEST_PATH_IMAGE052
为放电初始时刻，
Figure 814685DEST_PATH_IMAGE053
为新能源电池的下一放电时刻；
G为新能源电池剩余电量评估模型预测得到的剩余电量。
S5：对新能源电池剩余电量评估模型进行优化得到模型参数。
所述S5步骤中对新能源电池剩余电量评估模型进行参数调优，包括：
将实验环境下采集的不同指标的时序数据集作为输入，将不同指标的时序数据集转换为SOC指标数据序列；
构建新能源电池剩余电量评估模型的损失函数：
Figure 825366DEST_PATH_IMAGE054
其中：
Figure 763629DEST_PATH_IMAGE055
为第1次到第j次实验的SOC指标数据序列；
Figure 859761DEST_PATH_IMAGE056
为新能源电池剩余电量评估模型预测得到的第j+1次实验的SOC指标数 据，T表示转置；
Figure 774627DEST_PATH_IMAGE057
为真实的SOC指标数据；
Figure 170973DEST_PATH_IMAGE058
为二进制交叉熵函数；
并建立不同指标Q的损失函数：
Figure 513093DEST_PATH_IMAGE059
Figure 96521DEST_PATH_IMAGE060
其中：
Figure 815078DEST_PATH_IMAGE085
为第1次到第j次实验的Q指标数据序列；
Figure 800352DEST_PATH_IMAGE062
为新能源电池剩余电量评估模型预测得到的第j+1次实验的Q指标数据，T表 示转置；
根据
Figure 375690DEST_PATH_IMAGE063
的预测情况，利用概率统计的方法对模型参数进行调整，所述 基于概率统计的模型更新方法为：
根据先验概率
Figure 384097DEST_PATH_IMAGE086
，计算第i+1次实验预测正确的概率，所述先验概率的公 式为：
Figure 906345DEST_PATH_IMAGE079
则第i+1次实验预测正确的概率为：
Figure 746125DEST_PATH_IMAGE087
若
Figure 695627DEST_PATH_IMAGE067
小于概率阈值，则对新能源电池剩余电量评估模型的参数进行迭代更 新，所述新能源电池剩余电量评估模型参数更新迭代的方法为ADAM算法；直到预测完成第K 次实验的数据，完成新能源电池剩余电量评估模型参数的更新优化，得到优化后的新能源 电池剩余电量评估模型。
需要解释的是，新能源电池剩余电量评估模型的输入值为不同指标的时序数据，预测值为不同指标的下一时刻数据值，为方便后续新能源电池剩余电流评估计算，将指标数据转换为SOC指标数据值。
S6、将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，得到指标数据，并对指标数据进行预处理，预处理后的指标数据即为新能源电池剩余电量评估模型的输入，模型输出结果即为新能源电池剩余电量评估结果。
所述S6步骤中将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，并对指标数据进行预处理，得到待电量评估新能源电池的放电指标数据，包括：
将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，估计得到待电量评估新能源电池的参数以及指标数据，并对指标数据进行指标分离处理，得到待电量评估新能源电池的放电指标数据时序序列。
所述S6步骤中将指标数据输入到优化后的新能源电池剩余电量评估模型中，模型输出剩余电量评估结果，包括：
将待电量评估新能源电池的放电指标数据时序序列输入到优化后的新能源电池剩余电量评估模型，模型输出剩余电量评估结果，实现新能源电池剩余电量评估。
实施例2：
如图4所示，是本发明一实施例提供的新能源电池剩余电量精准评估装置的功能模块图，其可以实现实施例1中的电池剩余电量评估方法。
本发明所述新能源电池剩余电量精准评估装置100可以安装于电子设备中。根据实现的功能，所述新能源电池剩余电量精准评估装置可以包括电池等效装置101、数据处理装置102及剩余电量估计模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
电池等效装置101，用于构建新能源电池等效数据模型，基于新能源等效数据模型，通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数；
数据处理装置102，用于根据精确估计的等效数据模型参数和数据模型进行重复实验，获取新能源电池充放电过程指标数据，并对指标数据进行预处理；
剩余电量估计模块103，用于基于深度知识追踪方法构建新能源电池剩余电量评估模型，对新能源电池剩余电量评估模型进行优化得到模型参数，将待电量评估的新能源电池的指标数据作为新能源电池剩余电量评估模型的输入，模型输出结果即为新能源电池剩余电量评估结果。
详细地，本发明实施例中所述新能源电池剩余电量精准评估装置100中的所述各模块在使用时采用与上述的图1中所述的新能源电池剩余电量精准评估方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图5所示，是本发明一实施例提供的实现新能源电池剩余电量精准评估方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如新能源电池剩余电量精准评估程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如新能源电池剩余电量精准评估程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（新能源电池剩余电量精准评估程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的新能源电池剩余电量精准评估程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
构建新能源电池等效数据模型；
基于新能源等效数据模型，通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数；
根据精确估计的等效数据模型参数和数据模型进行重复实验，获取新能源电池充放电过程指标数据，并对指标数据进行预处理；
基于深度知识追踪方法构建新能源电池剩余电量评估模型，其中所述模型以指标数据为输入，以剩余电量预测值为输出；
对新能源电池剩余电量评估模型进行优化得到模型参数；
将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，得到指标数据，并对指标数据进行预处理，预处理后的指标数据即为新能源电池剩余电量评估模型的输入，模型输出结果即为新能源电池剩余电量评估结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种新能源电池剩余电量精准评估方法，其特征在于，所述方法包括：
S1：构建新能源电池等效数据模型；
S2：基于新能源电池等效数据模型，通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数；
S3：根据精确估计的等效数据模型参数和数据模型进行重复实验，获取新能源电池充放电过程指标数据，并对指标数据进行预处理；
S4：基于深度知识追踪方法构建新能源电池剩余电量评估模型，其中所述新能源电池剩余电量评估模型以指标数据为输入，以剩余电量预测值为输出；
S5：对新能源电池剩余电量评估模型进行优化得到模型参数；
S6：将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，得到指标数据，并对指标数据进行预处理，预处理后的指标数据即为新能源电池剩余电量评估模型的输入，模型输出结果即为新能源电池剩余电量评估结果。
2.如权利要求1所述的一种新能源电池剩余电量精准评估方法，其特征在于，所述S1步骤中构建新能源电池等效数据模型，包括：
基于新能源电池的电路元件构建新能源电池等效数据模型，表征新能源电池的电气特性，实现新能源电池工作状况下的电气特性仿真，所构建的新能源电池等效数据模型为：
Figure 246990DEST_PATH_IMAGE001
Figure 960868DEST_PATH_IMAGE002
其中：
Figure 740606DEST_PATH_IMAGE003
为新能源电池两端电压；
Figure 870236DEST_PATH_IMAGE004
为新能源电池内电阻值；
Figure 481346DEST_PATH_IMAGE005
为新能源电池的负载电流；
Figure 38229DEST_PATH_IMAGE006
以及
Figure 102000DEST_PATH_IMAGE007
为电阻-电容回路的两端电压；
Figure 35321DEST_PATH_IMAGE008
为新能源电池开路电压；
Figure 500937DEST_PATH_IMAGE009
,
Figure 228722DEST_PATH_IMAGE010
为电阻-电容回路中的极化电容，
Figure 779789DEST_PATH_IMAGE011
,
Figure 516801DEST_PATH_IMAGE012
为电阻-电容回路中的极化电阻；
Figure 774607DEST_PATH_IMAGE013
为电池的荷电状态；
t表示新能源电池工作运行时间。
3.如权利要求2所述的一种新能源电池剩余电量精准评估方法，其特征在于，所述S2步骤中通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数，包括：
设置新能源电池的工作状态仿真模拟过程，所述新能源电池的工作状态仿真模拟过程为：
1）以2.5倍放电倍率的恒定电流对新能源电池放电15秒后静置40秒；
2）以2倍充电倍率的恒定电流对新能源电池充电15秒后静置40秒；
3）以2.5倍放电倍率的恒定电流对新能源电池放电4分钟后静置10分钟，完成一次仿真实验；
4）重复上述步骤，得到新能源电池在工作状态的脉冲电流响应曲线和脉冲电压响应曲线；
将仿真得到的新能源电池脉冲电流响应曲线以及脉冲电压响应曲线重采样为新能源电池等效数据模型参数，所述重采样流程为：
在新能源电池的初始放电阶段，新能源电池的电压值由
Figure 1189DEST_PATH_IMAGE014
垂直下降为
Figure 977235DEST_PATH_IMAGE015
，则新能源电池的电阻值
Figure 49096DEST_PATH_IMAGE004
为：
Figure 426988DEST_PATH_IMAGE016
其中：
Figure 558892DEST_PATH_IMAGE017
为新能源电池放电时的放电电流强度；
在新能源电池的初始放电阶段，新能源电池电压值在垂直下降为
Figure 22234DEST_PATH_IMAGE015
后，由于电容充电，产生电阻-电容回路，新能源电池电压先剧烈后缓慢地由
Figure 101049DEST_PATH_IMAGE015
下降为
Figure 395764DEST_PATH_IMAGE018
，其表达式为：
Figure 901832DEST_PATH_IMAGE019
Figure 649208DEST_PATH_IMAGE020
Figure 266134DEST_PATH_IMAGE021
其中：
Figure 415355DEST_PATH_IMAGE022
为时间常数；
在新能源电池放电结束瞬间，由于电池欧姆极化消失，导致新能源电池电压值由
Figure 92324DEST_PATH_IMAGE018
升至
Figure 326997DEST_PATH_IMAGE023
，并由于断电后电阻-电容回路内部极化，导致新能源电池电压值由
Figure 747614DEST_PATH_IMAGE023
下降为
Figure 954604DEST_PATH_IMAGE024
，其表达式为：
Figure 864791DEST_PATH_IMAGE025
其中：
Figure 524443DEST_PATH_IMAGE026
为新能源电池地放电时间。
4.如权利要求1所述的一种新能源电池剩余电量精准评估方法，其特征在于，所述S3步骤中获取新能源电池放电过程指标数据，包括：
通过多次重复实验，得到多组新能源电池脉冲电流曲线以及脉冲电压曲线；
据脉冲电流曲线以及脉冲电压曲线构建多组表达式，对每组新能源电池放电过程指标数据进行拟合；
所述新能源电池放电过程指标包括
Figure 545488DEST_PATH_IMAGE027
，其中
Figure 341406DEST_PATH_IMAGE009
,
Figure 422495DEST_PATH_IMAGE010
为电阻-电容回路中的极化电容，
Figure 569442DEST_PATH_IMAGE011
,
Figure 394179DEST_PATH_IMAGE012
为电阻-电容回路中的极化电阻，
Figure 310182DEST_PATH_IMAGE004
为新能源电池内电阻的电阻值。
5.如权利要求4所述的一种新能源电池剩余电量精准评估方法，其特征在于，所述S3步骤中对所获取的新能源电池放电过程指标数据进行预处理，包括：
K次实验过程中拟合得到的新能源电池放电过程指标数据集合为：
Figure 499855DEST_PATH_IMAGE028
其中：
Figure 196415DEST_PATH_IMAGE029
为第k次实验拟合得到的新能源电池放电过程指标数据，K为仿真实验的总次数；
Figure 496947DEST_PATH_IMAGE030
为第k次实验拟合得到的新能源电池内电阻的电阻值；
Figure 595353DEST_PATH_IMAGE031
为第k次实验拟合得到的极化电阻；
Figure 690348DEST_PATH_IMAGE032
为第k次实验拟合得到的极化电容；
对新能源电池放电过程指标数据集合进行分离处理，得到不同指标的时序数据集：
Figure 874204DEST_PATH_IMAGE033
其中：
Figure 978427DEST_PATH_IMAGE034
为指标Q的时序数据集，
Figure 665760DEST_PATH_IMAGE035
为指标Q在第K次实验的拟合值。
6.如权利要求1所述的一种新能源电池剩余电量精准评估方法，其特征在于，所述S4步骤中基于深度知识追踪方法构建新能源电池剩余电量评估模型，包括：
基于深度知识追踪方法构建新能源电池剩余电量评估模型，其中所述模型以指标数据为输入，以剩余电量预测值为输出；所述新能源电池剩余电量评估模型的结构为基于概率统计的LSTM网络；
将指标数据所对应的时序序列作为新能源电池剩余电量评估模型的输入，新能源电池剩余电量评估模型内构建新能源电池等效数据模型，将指标数据所对应的时序序列代入新能源电池等效数据模型，得到SOC指标数据序列；
新能源电池剩余电量评估模型根据新能源电池放电过程中的SOC指标数据序列，预测得到下一时刻的不同指标的数据值，
Figure 462815DEST_PATH_IMAGE036
，其中
Figure 806071DEST_PATH_IMAGE037
为指标Q的时序序列，
Figure 776301DEST_PATH_IMAGE038
，
Figure 521403DEST_PATH_IMAGE039
为LSTM网络模型，将预测得到的指标数据转换为SOC指标数据
Figure 286097DEST_PATH_IMAGE040
，其中
Figure 116650DEST_PATH_IMAGE041
为新能源电池放电过程中SOC指标数据序列的初始SOC值，
Figure 624992DEST_PATH_IMAGE042
为新能源电池放电过程中SOC指标数据序列的当前时刻SOC指标数据值，
Figure 224600DEST_PATH_IMAGE040
为预测得到的下一时刻的SOC指标数据值，根据新能源在放电过程中的电流强度以及SOC指标数据变化情况估计新能源电池的剩余电量，将新能源电池剩余电量作为模型输出结果，所述新能源电池剩余电量的估计公式为：
Figure 160195DEST_PATH_IMAGE043
其中：
Figure 743623DEST_PATH_IMAGE044
为新能源电池放电过程中的电流强度；
Figure 727760DEST_PATH_IMAGE045
为放电初始时刻，
Figure 509771DEST_PATH_IMAGE046
为新能源电池的下一放电时刻；
G为新能源电池剩余电量评估模型预测得到的剩余电量。
7.如权利要求5-6所述的一种新能源电池剩余电量精准评估方法，其特征在于，所述S5步骤中对新能源电池剩余电量评估模型进行参数调优，包括：
将实验环境下采集的不同指标的时序数据集作为输入，将不同指标的时序数据集转换为SOC指标数据序列；
构建新能源电池剩余电量评估模型的损失函数：
Figure 553950DEST_PATH_IMAGE047
其中：
Figure 433131DEST_PATH_IMAGE048
为第1次到第j次实验的SOC指标数据序列；
Figure 220958DEST_PATH_IMAGE049
为新能源电池剩余电量评估模型预测得到的第j+1次实验的SOC指标数据，T表示转置；
Figure 857476DEST_PATH_IMAGE050
为真实的SOC指标数据；
Figure 72557DEST_PATH_IMAGE051
为二进制交叉熵函数；
并建立不同指标Q的损失函数：
Figure 161736DEST_PATH_IMAGE052
Figure 18833DEST_PATH_IMAGE053
其中：
Figure 447540DEST_PATH_IMAGE054
为第1次到第j次实验的Q指标数据序列；
Figure 895839DEST_PATH_IMAGE055
为新能源电池剩余电量评估模型预测得到的第j+1次实验的Q指标数据，T表示转置；
根据
Figure 675577DEST_PATH_IMAGE056
的预测情况，利用概率统计的方法对模型参数进行调整，所述基于概率统计的模型更新方法为：
根据先验概率
Figure 867523DEST_PATH_IMAGE057
，计算第i+1次实验预测正确的概率，所述先验概率的公式为：
Figure 150737DEST_PATH_IMAGE058
则第i+1次实验预测正确的概率为：
Figure 35517DEST_PATH_IMAGE059
若
Figure 36971DEST_PATH_IMAGE060
小于概率阈值，则对新能源电池剩余电量评估模型的参数进行迭代更新，所述新能源电池剩余电量评估模型参数更新迭代的方法为ADAM算法；直到预测完成第K次实验的数据，完成新能源电池剩余电量评估模型参数的更新优化，得到优化后的新能源电池剩余电量评估模型。
8.如权利要求1所述的一种新能源电池剩余电量精准评估方法，其特征在于，所述S6步骤中将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，并对指标数据进行预处理，得到待电量评估新能源电池的放电指标数据，包括：
将待电量评估的新能源电池运行数据代入新能源电池等效数据模型，估计得到待电量评估新能源电池的参数以及指标数据，并对指标数据进行指标分离处理，得到待电量评估新能源电池的放电指标数据时序序列。
9.如权利要求8所述的一种新能源电池剩余电量精准评估方法，其特征在于，所述S6步骤中将指标数据输入到优化后的新能源电池剩余电量评估模型中，模型输出剩余电量评估结果，包括：
将待电量评估新能源电池的放电指标数据时序序列输入到优化后的新能源电池剩余电量评估模型，模型输出剩余电量评估结果，实现新能源电池剩余电量评估。
10.一种新能源电池剩余电量精准评估装置，其特征在于，所述装置包括：
电池等效装置，用于构建新能源电池等效数据模型，基于新能源等效数据模型，通过重采样方式精确估计模型参数，得到精确估计的新能源电池等效数据模型参数；
数据处理装置，用于根据精确估计的等效数据模型参数和数据模型进行重复实验，获取新能源电池充放电过程指标数据，并对指标数据进行预处理；
剩余电量估计模块，用于基于深度知识追踪方法构建新能源电池剩余电量评估模型，对新能源电池剩余电量评估模型进行优化得到模型参数，将待电量评估的新能源电池的指标数据作为新能源电池剩余电量评估模型的输入，模型输出结果即为新能源电池剩余电量评估结果，以实现如权利要求1所述的一种新能源电池剩余电量精准评估方法。
CN202211211679.XA 2022-09-30 2022-09-30 一种新能源电池剩余电量精准评估方法 Active CN115293100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211211679.XA CN115293100B (zh) 2022-09-30 2022-09-30 一种新能源电池剩余电量精准评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211211679.XA CN115293100B (zh) 2022-09-30 2022-09-30 一种新能源电池剩余电量精准评估方法

Publications (2)

Publication Number Publication Date
CN115293100A CN115293100A (zh) 2022-11-04
CN115293100B true CN115293100B (zh) 2023-01-17

Family

ID=83834703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211211679.XA Active CN115293100B (zh) 2022-09-30 2022-09-30 一种新能源电池剩余电量精准评估方法

Country Status (1)

Country Link
CN (1) CN115293100B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597308A (zh) * 2016-12-16 2017-04-26 西南交通大学 一种动力电池剩余电量估计方法
CN113702843A (zh) * 2021-07-26 2021-11-26 南通大学 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN114509677A (zh) * 2022-01-30 2022-05-17 北京西清能源科技有限公司 一种电池剩余容量多因子评估方法、系统及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110542866B (zh) * 2019-10-12 2023-04-07 上海新微技术研发中心有限公司 一种预估电池剩余电量参数的方法
CN112098849B (zh) * 2020-09-19 2023-10-13 西安科技大学 基于求积分卡尔曼滤波的锂电池剩余电量估计方法
CN113627993A (zh) * 2021-08-26 2021-11-09 东北大学秦皇岛分校 一种基于深度强化学习的智能电动汽车充放电决策方法
CN114372417A (zh) * 2022-01-12 2022-04-19 青岛科技大学 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN114594382A (zh) * 2022-03-24 2022-06-07 海南小鲨鱼智能科技有限公司 一种电池能源状态预测方法、装置、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597308A (zh) * 2016-12-16 2017-04-26 西南交通大学 一种动力电池剩余电量估计方法
CN113702843A (zh) * 2021-07-26 2021-11-26 南通大学 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN114509677A (zh) * 2022-01-30 2022-05-17 北京西清能源科技有限公司 一种电池剩余容量多因子评估方法、系统及电子设备

Also Published As

Publication number Publication date
CN115293100A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN104459560B (zh) 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
CN111007417A (zh) 基于不一致性评估的电池组soh和rul预测方法及系统
CN114072684A (zh) 在服务器侧表征能重复充电的电池
US20160239592A1 (en) Data-driven battery aging model using statistical analysis and artificial intelligence
CN104820189A (zh) 用于电池状态评估的系统和方法
Zhang et al. An adaptive battery capacity estimation method suitable for random charging voltage range in electric vehicles
CN115684947A (zh) 电池模型构建方法及电池劣化预测装置
CN112622693A (zh) 一种电池管理方法、装置及车辆
CN103733081B (zh) 一种用于确定蓄电池的最大可用的恒定电流的方法
Mian Qaisar A proficient Li-ion battery state of charge estimation based on event-driven processing
Li et al. Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach
CN109800446B (zh) 一种锂离子电池放电过程电压不一致性估计方法及装置
CN110470995A (zh) 电池剩余放电时间获取方法、系统及终端设备
Mohsin et al. Lead-acid battery modelling in perspective of ageing: a review
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
CN115224751A (zh) 电池充电剩余时长的获取方法、装置、电子设备及介质
CN115796231B (zh) 一种时态分析的超短期风速预测方法
Motaqi et al. Blind and task-ware multi-cell battery management system
CN115293100B (zh) 一种新能源电池剩余电量精准评估方法
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质
CN115327391B (zh) 一种基于梯次利用电池的检测方法及装置
CN102590749B (zh) 一种电池荷电状态预测内核设计方法
CN113933718A (zh) 一种退役电池容量分选方法、装置、设备及存储介质
JP2018009941A (ja) 蓄電デバイス容量選択方法
Han et al. SOC estimation for lithium-ion batteries based on BiGRU with SE attention and Savitzky-Golay filter

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