CN115542173B - 电池电量估计方法及装置 - Google Patents

电池电量估计方法及装置 Download PDF

Info

Publication number
CN115542173B
CN115542173B CN202211545896.2A CN202211545896A CN115542173B CN 115542173 B CN115542173 B CN 115542173B CN 202211545896 A CN202211545896 A CN 202211545896A CN 115542173 B CN115542173 B CN 115542173B
Authority
CN
China
Prior art keywords
battery
electric quantity
neural network
convolutional neural
sample
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
CN202211545896.2A
Other languages
English (en)
Other versions
CN115542173A (zh
Inventor
钱军
严学庆
袁朝勇
袁朝明
徐冬冬
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.)
JIANGSU OLITER ENERGY TECHNOLOGY CO LTD
Original Assignee
JIANGSU OLITER ENERGY 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 JIANGSU OLITER ENERGY TECHNOLOGY CO LTD filed Critical JIANGSU OLITER ENERGY TECHNOLOGY CO LTD
Priority to CN202211545896.2A priority Critical patent/CN115542173B/zh
Publication of CN115542173A publication Critical patent/CN115542173A/zh
Application granted granted Critical
Publication of CN115542173B publication Critical patent/CN115542173B/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]
    • G01R31/367—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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本公开涉及电池技术领域，公开了一种电池电量估计方法及装置，方法包括：获取电池的工作参数，包括电池电压、电池电流、电池温度和电池内阻；将工作参数输入电量估计模型以得到电池的剩余电量估计值，电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到，多次迭代更新中任意一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据至少一个第二损失值以及至少一个第二损失值各自对应的电量估计任务对上一次迭代更新后的卷积神经网络进行更新。

Description

电池电量估计方法及装置
技术领域
本公开实施例涉及电池技术领域，尤其涉及一种电池电量估计方法及电池电量估计装置。
背景技术
目前随着各种智能电子设备的普及，智能电子设备的电池剩余电量估计显示成为一个重要的技术。
相关技术如公开号为CN112782594A的中国专利文献中，公开了基于一种电池剩余电量估计方法，通过构建双向GRU网络建立锂离子电池剩余电量估算模型，以实现剩余电量估计，其考虑了电池的电流、电压以及温度和内阻等参数对电池剩余电量估计的影响，但是其模型结构比较复杂，导致模型训练过程复杂，也使得电池剩余电量估算的准确性有待进一步提高。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种电池电量估计方法及电池电量估计装置。
第一方面，本公开实施例提供了一种电池电量估计方法，包括：
获取电池在当前时刻的工作参数，所述工作参数包括电池电压、电池电流、电池温度和电池内阻；
将所述工作参数输入电量估计模型，以得到所述电池的剩余电量估计值；其中，所述电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到的；并且其中，所述多次迭代更新中每一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从所述多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新。
在一个实施例中，所述获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值包括：
从所述样本工作参数集中随机抽取样本工作参数以组成多个样本工作参数子集，每个所述样本工作参数子集中均包含多个样本工作参数；其中每个所述样本工作参数子集对应一个电量估计任务；
基于所述多个样本工作参数子集分别对所述上一次迭代更新后的卷积神经网络进行更新即执行多个电量估计任务，计算所述上一次迭代更新后的卷积神经网络进行更新后的多个损失值作为所述多个第一损失值。
在一个实施例中，所述样本工作参数集包括多个样本电池电压、多个样本电池电流、多个样本电池温度和多个样本电池内阻。
在一个实施例中，所述根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新包括：确定所述至少一个第二损失值中的最小损失值，根据所述最小损失值以及所述最小损失值对应的电量估计任务，对所述上一次迭代更新后的卷积神经网络进行基于反向传播的更新。
在一个实施例中，所述多次迭代更新中每一次迭代更新后，若当前更新后的卷积神经网络不满足所述预设条件，则对当前更新后的卷积神经网络进行下一次迭代更新。
在一个实施例中，满足所述预设条件是：更新后的卷积神经网络的损失值小于或等于预设值。
在一个实施例中，还包括：
基于获取的所述电池在当前时刻的电池内阻以及预设关系表，确定所述电池内阻对应的电池剩余电量值，所述预设关系表包含不同剩余电量值与对应的电池内阻之间的映射关系；
基于所述剩余电量估计值以及所述电池剩余电量值确定所述电池的实际剩余电量估计值。
第二方面，本公开实施例提供一种电池电量估计装置，包括：
获取模块，用于获取电池在当前时刻的工作参数，所述工作参数包括电池电压、电池电流、电池温度和电池内阻；
估计模块，用于将所述工作参数输入电量估计模型，以得到所述电池的剩余电量估计值；其中，所述电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到的；并且其中，所述多次迭代更新中每一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从所述多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新。
第三方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述电池电量估计方法。
第四方面，本公开实施例提供一种电子设备，包括：
处理器；以及存储器，用于存储计算机程序；其中，所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述电池电量估计方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开实施例提供的电池电量估计方法及装置，获取电池在当前时刻的工作参数，所述工作参数包括电池电压、电池电流、电池温度和电池内阻；将所述工作参数输入电量估计模型，以得到所述电池的剩余电量估计值，所述电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到的；并且其中，所述多次迭代更新中每一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从所述多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新。本实施例的方案在卷积神经网络的每一轮迭代更新的过程中，使用小于预设损失值的至少一个第二损失值以及对应的电量估计任务来更新卷积神经网络，提高了卷积神经网络在小于预设损失值的至少一个第二损失值对应的电量估计任务中的性能，进而提高了训练得到的卷积神经网络即电量估计模型对电池剩余电量估计结果的准确性。并且该方案的模型训练过程由于仅使用小于预设损失值的至少一个第二损失值以及对应的电量估计任务来更新卷积神经网络，减少了更新流程，进而使得模型的训练效率提升。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，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地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例电池电量估计方法流程图；
图2为本公开另一实施例电池电量估计方法流程图；
图3为本公开又一实施例电池电量估计方法流程图；
图4为本公开实施例电池电量估计装置的示意图；
图5为本公开实施例的电子设备示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开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公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
应当理解，在下文中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
图1为本公开实施例的一种电池电量估计方法流程图，该方法可以应用于电子设备或者智能汽车等，但不限于此。该方法可以包括以下步骤：
步骤S101：获取电池在当前时刻的工作参数，所述工作参数包括电池电压、电池电流、电池温度和电池内阻。
示例性的，电子设备可以在当前时刻测量得到电池电压如输出电压U、电池电流如输出电流I，以及测得开路电压值OCV，根据电池电压如输出电压、电池电流如输出电流以及测得的开路电压值可计算当前时刻电池的内阻值即电池内阻R0=(OCV-U)/I。
步骤S102：将所述工作参数输入电量估计模型，以得到所述电池的剩余电量估计值；其中，所述电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到的；并且其中，所述多次迭代更新中每一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从所述多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新。
示例性的，在一个实施例中，样本工作参数集可以包括多个样本电池电压、多个样本电池电流、多个样本电池温度和多个样本电池内阻，其可以预先通过试验测量计算得到。通过样本工作参数集中的样本电池电压、样本电池电流、样本电池温度和样本电池内阻对卷积神经网络进行训练，得到训练后的卷积神经网络即完成一次迭代更新，计算训练后的卷积神经网络的损失值如基于相应的损失函数进行计算。在一个实施例中，满足所述预设条件是更新后的卷积神经网络的损失值小于或等于预设值，此时可以结束训练。示例性的，该预设值可以根据需要设置，对此不作限制。当更新后的卷积神经网络的损失值大于预设值时即不满足预设条件，此时进行下一次迭代更新直至更新后的卷积神经网络的损失值小于或等于预设值。关于卷积神经网络的训练的更详细过程可以参考现有技术理解，此处不再赘述。
其中，预设损失值可以是多个第一损失值的平均值，因此卷积神经网络多次迭代更新中每一次迭代更新具体可以包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从多个第一损失值中确定小于平均值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务（即更接近模型训练目的的损失值以及对应的电量估计任务）对所述上一次迭代更新后的卷积神经网络进行更新。训练结束后即得到电量估计模型，将获取的工作参数输入该电量估计模型以得到所述电池的剩余电量估计值Y1。
本实施例的上述方案在卷积神经网络的每一轮迭代更新的过程中，使用小于预设损失值如平均值的至少一个第二损失值以及对应的电量估计任务来更新卷积神经网络，提高了卷积神经网络在小于预设损失值的至少一个第二损失值对应的电量估计任务中的性能，进而提高了训练得到的卷积神经网络即电量估计模型对电池剩余电量估计结果的准确性。并且该方案的模型训练过程由于仅使用小于预设损失值的至少一个第二损失值以及对应的电量估计任务来更新卷积神经网络，减少了更新流程，进而使得模型的训练效率提升。
在上述实施例的基础上，于一个实施例中，结合图2中所示，所述获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值包括以下步骤：
步骤S201：从所述样本工作参数集中随机抽取样本工作参数以组成多个样本工作参数子集，每个所述样本工作参数子集中均包含多个样本工作参数；其中每个所述样本工作参数子集对应一个电量估计任务。
示例性的，从样本工作参数集X中随机抽取一定数量的样本工作参数如一组的样本电池电压、样本电池电流、样本电池温度和样本电池内阻以组成多个样本工作参数子集X1~Xn，本实施例中每个样本工作参数子集X1~Xn中的样本工作参数的数量Y（Y＞2）可以相同，在其它实施例中也可以不同。每个样本工作参数子集X1~Xn中均包含多个样本工作参数即多组的样本电池电压、样本电池电流、样本电池温度和样本电池内阻。
步骤S202：基于所述多个样本工作参数子集分别对所述上一次迭代更新后的卷积神经网络进行更新即执行多个电量估计任务，计算所述上一次迭代更新后的卷积神经网络进行更新后的多个损失值作为所述多个第一损失值。
示例性的，每个样本工作参数子集具体可以包括训练子集和验证子集，通过训练子集中的样本电池电压、样本电池电流、样本电池温度和样本电池内阻对上一次迭代更新后的卷积神经网络进行训练更新即执行一个电量估计任务，得到训练后的卷积神经网络，然后将验证子集中的样本电池电压、样本电池电流、样本电池温度和样本电池内阻作为训练后的卷积神经网络的输入，得到训练后的卷积神经网络的输出结果如剩余电量估计值，该输出结果与验证子集中的真实剩余电量值进行对比计算从而可得到损失值。每个样本工作参数子集对应一个电量估计任务，假设有M个样本工作参数子集，则共可以得到M个损失值作为M个第一损失值。然后可以从M个第一损失值中确定小于预设损失值的N（N＜M）个第一损失值作为N个第二损失值，根据N个第二损失值以及N个第二损失值各自对应的电量估计任务对上一次迭代更新后的卷积神经网络进行更新。
在上述任意一个实施例的基础上，于一个实施例中，为了提高模型的训练效率，所述根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新包括：确定所述至少一个第二损失值中的最小损失值，根据所述最小损失值以及所述最小损失值对应的电量估计任务，对所述上一次迭代更新后的卷积神经网络进行基于反向传播的更新。
示例性的，反向传播(Back Propagation，BP)是一种计算根据损失函数计算模型参数梯度、更新模型参数的算法，具体可以参考现有技术理解。本实施例中比较N个第二损失值以确定最小损失值MIN，根据最小损失值MIN以及最小损失值MIN对应的电量估计任务对上一次迭代更新后的卷积神经网络进行基于反向传播的更新。如此可在模型训练过程仅使用小于预设损失值的至少一个第二损失值中的最小损失值以及最小损失值对应的电量估计任务来更新卷积神经网络，进一步减少了更新流程，进而使得模型的训练效率进一步提升。
在上述任意一个实施例中，所述多次迭代更新中每一次迭代更新后，若当前更新后的卷积神经网络不满足所述预设条件，则对当前更新后的卷积神经网络进行下一次迭代更新。
在上述任意一个实施例的基础上，在又一个实施例中，如图3所示，该方法还包括以下步骤：
步骤S301：基于获取的所述电池在当前时刻的电池内阻以及预设关系表，确定所述电池内阻对应的电池剩余电量值，所述预设关系表包含不同剩余电量值与对应的电池内阻之间的映射关系。
示例性的，预设关系表是预先通过实验获得的，不同剩余电量值与对应的电池内阻之间具有一定的映射关系。内阻对于电池电量估计具有较大的影响，因此本实施例中预先建立此预设关系表，然后基于获取的所述电池在当前时刻的电池内阻R0以及预设关系表，通过查表确定所述电池内阻R0对应的电池剩余电量值Y2。
步骤S302：基于所述剩余电量估计值以及所述电池剩余电量值确定所述电池的实际剩余电量估计值。
示例性的，得到电池内阻R0对应的电池剩余电量值Y2之后，基于电池剩余电量值Y2和剩余电量估计值Y1确定电池的实际剩余电量估计值Y，例如Y=(Y1+Y2)/2。由于电池内阻对电池电量估计影响较大，而电池内阻在充放电时实际是变化的，导致模型估计结果准确性有所降低，因此本实施例中基于预先建立的预设关系表通过查表确定当前时刻的电池内阻R0对应的电池剩余电量值Y2，据此来修正模型估计的剩余电量估计值Y1得到电池的实际剩余电量估计值Y，如此可以进一步提高电池剩余电量估计结果的准确性。
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。另外，也易于理解的是，这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
如图4所示，本公开实施例提供一种电池电量估计装置，包括：
获取模块401，用于获取电池在当前时刻的工作参数，所述工作参数包括电池电压、电池电流、电池温度和电池内阻；
估计模块402，用于将所述工作参数输入电量估计模型，以得到所述电池的剩余电量估计值；其中，所述电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到的；并且其中，所述多次迭代更新中每一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从所述多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新。
在一个实施例中，所述获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值包括：从所述样本工作参数集中随机抽取样本工作参数以组成多个样本工作参数子集，每个所述样本工作参数子集中均包含多个样本工作参数；其中每个所述样本工作参数子集对应一个电量估计任务；基于所述多个样本工作参数子集分别对所述上一次迭代更新后的卷积神经网络进行更新即执行多个电量估计任务，计算所述上一次迭代更新后的卷积神经网络进行更新后的多个损失值作为所述多个第一损失值。
在一个实施例中，所述样本工作参数集包括多个样本电池电压、多个样本电池电流、多个样本电池温度和多个样本电池内阻。
在一个实施例中，所述根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新包括：确定所述至少一个第二损失值中的最小损失值，根据所述最小损失值以及所述最小损失值对应的电量估计任务，对所述上一次迭代更新后的卷积神经网络进行基于反向传播的更新。
在一个实施例中，所述多次迭代更新中每一次迭代更新后，若当前更新后的卷积神经网络不满足所述预设条件，则对当前更新后的卷积神经网络进行下一次迭代更新。
在一个实施例中，满足所述预设条件是：更新后的卷积神经网络的损失值小于或等于预设值。
在一个实施例中，该装置还可包括电量修正模块，用于：基于获取的所述电池在当前时刻的电池内阻以及预设关系表，确定所述电池内阻对应的电池剩余电量值，所述预设关系表包含不同剩余电量值与对应的电池内阻之间的映射关系；基于所述剩余电量估计值以及所述电池剩余电量值确定所述电池的实际剩余电量估计值。
关于上述实施例中的装置，其中各个模块执行操作的具体方式以及带来的相应技术效果已经在有关该方法的实施例中进行了对应的详细描述，此处将不做详细阐述说明。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项实施例所述电池电量估计方法。
示例性的，该可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
本公开实施例还提供一种电子设备，包括处理器以及存储器，存储器用于存储计算机程序。其中，所述处理器配置为经由执行所述计算机程序来执行上述任一项实施例中电池电量估计方法。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示方法的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元（ROM）6203。
所述存储单元620还可以包括具有一组（至少一个）程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本公开实施方式的上述各实施例的方法步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种电池电量估计方法，其特征在于，包括：
获取电池在当前时刻的工作参数，所述工作参数包括电池电压、电池电流、电池温度和电池内阻；
将所述工作参数输入电量估计模型，以得到所述电池的剩余电量估计值；其中，所述电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到的；并且其中，所述多次迭代更新中每一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从所述多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新；
其中，所述获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值包括：
从所述样本工作参数集中随机抽取样本工作参数以组成多个样本工作参数子集，每个所述样本工作参数子集中均包含多个样本工作参数；其中每个所述样本工作参数子集对应一个电量估计任务；
基于所述多个样本工作参数子集分别对所述上一次迭代更新后的卷积神经网络进行更新即执行多个电量估计任务，计算所述上一次迭代更新后的卷积神经网络进行更新后的多个损失值作为所述多个第一损失值。
2.根据权利要求1所述的电池电量估计方法，其特征在于，所述样本工作参数集包括多个样本电池电压、多个样本电池电流、多个样本电池温度和多个样本电池内阻。
3.根据权利要求1或2所述的电池电量估计方法，其特征在于，所述根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新包括：确定所述至少一个第二损失值中的最小损失值，根据所述最小损失值以及所述最小损失值对应的电量估计任务，对所述上一次迭代更新后的卷积神经网络进行基于反向传播的更新。
4.根据权利要求1或2所述的电池电量估计方法，其特征在于，所述多次迭代更新中每一次迭代更新后，若当前更新后的卷积神经网络不满足所述预设条件，则对当前更新后的卷积神经网络进行下一次迭代更新。
5.根据权利要求4所述的电池电量估计方法，其特征在于，满足所述预设条件是：更新后的卷积神经网络的损失值小于或等于预设值。
6.根据权利要求1或2所述的电池电量估计方法，其特征在于，还包括：
基于获取的所述电池在当前时刻的电池内阻以及预设关系表，确定所述电池内阻对应的电池剩余电量值，所述预设关系表包含不同剩余电量值与对应的电池内阻之间的映射关系；
基于所述剩余电量估计值以及所述电池剩余电量值确定所述电池的实际剩余电量估计值。
7.一种电池电量估计装置，其特征在于，包括：
获取模块，用于获取电池在当前时刻的工作参数，所述工作参数包括电池电压、电池电流、电池温度和电池内阻；
估计模块，用于将所述工作参数输入电量估计模型，以得到所述电池的剩余电量估计值；其中，所述电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到的；并且其中，所述多次迭代更新中每一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从所述多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新；其中，所述获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值包括：从所述样本工作参数集中随机抽取样本工作参数以组成多个样本工作参数子集，每个所述样本工作参数子集中均包含多个样本工作参数；其中每个所述样本工作参数子集对应一个电量估计任务；基于所述多个样本工作参数子集分别对所述上一次迭代更新后的卷积神经网络进行更新即执行多个电量估计任务，计算所述上一次迭代更新后的卷积神经网络进行更新后的多个损失值作为所述多个第一损失值。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6任一项所述电池电量估计方法。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储计算机程序；
其中，所述处理器配置为经由执行所述计算机程序来执行权利要求1～6任一项所述电池电量估计方法。
CN202211545896.2A 2022-12-05 2022-12-05 电池电量估计方法及装置 Active CN115542173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211545896.2A CN115542173B (zh) 2022-12-05 2022-12-05 电池电量估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211545896.2A CN115542173B (zh) 2022-12-05 2022-12-05 电池电量估计方法及装置

Publications (2)

Publication Number Publication Date
CN115542173A CN115542173A (zh) 2022-12-30
CN115542173B true CN115542173B (zh) 2023-04-07

Family

ID=84721637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211545896.2A Active CN115542173B (zh) 2022-12-05 2022-12-05 电池电量估计方法及装置

Country Status (1)

Country Link
CN (1) CN115542173B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116008812B (zh) * 2023-02-02 2024-02-23 上海玫克生储能科技有限公司 一种储能电站参数辨识加速的方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105676138B (zh) * 2016-01-22 2018-09-14 广东志成冠军集团有限公司 一种预测电池的剩余电量的方法和系统
CN108169687A (zh) * 2017-12-27 2018-06-15 国网河北省电力有限公司电力科学研究院 一种基于云平台的蓄电池soc估算方法
CN111007399B (zh) * 2019-11-15 2022-02-18 浙江大学 基于改进生成对抗网络的锂电池荷电状态预测方法
CN112098878B (zh) * 2020-09-15 2023-11-03 重庆邮电大学 一种锂电池soh估算和rul预测的端到端神经网络建立方法
CN112269136A (zh) * 2020-10-13 2021-01-26 深圳市智达百川科技有限公司 物联网电池电量测量方法、装置、系统、设备及存储介质

Also Published As

Publication number Publication date
CN115542173A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN110609232B (zh) 一种锂离子电池soc估计方法、装置及终端设备
CN113671381B (zh) 一种基于时间卷积网络的锂离子动力电池估算方法
CN112101530A (zh) 神经网络训练方法、装置、设备及存储介质
CN115542173B (zh) 电池电量估计方法及装置
KR20210047682A (ko) 배터리 상태 추정 방법 및 장치
Veber et al. Generalized renewal process for repairable systems based on finite Weibull mixture
CN110658460A (zh) 一种电池包的电池寿命预测方法及装置
CN108667877B (zh) 确定推荐信息的方法及装置、计算机设备及存储介质
CN113965313B (zh) 基于同态加密的模型训练方法、装置、设备以及存储介质
CN115129982A (zh) 基于改进贝叶斯优化的实验参数推荐方法、装置、终端及介质
CN111260015A (zh) 一种基于混沌猫群算法的锂离子电池模型参数辨识方法
CN113740755A (zh) 电池包荷电状态的显示处理方法、装置及可读介质
CN110303941B (zh) 一种电池均衡方法、系统、设备以及介质
CN111665443A (zh) 电池性能公式的拟合方法、装置、存储介质和计算机设备
CN117031292A (zh) 电池健康状态预测方法、装置、计算机设备和存储介质
CN113782092B (zh) 一种生存期预测模型的生成方法及装置、存储介质
CN115639482B (zh) 电池剩余电量估计方法及装置
CN113033870B (zh) 电力专变客户柔性负荷调度方法及终端设备
CN115236526A (zh) 一种剩余充电时间预测方法、装置、存储介质和车辆
CN115932602A (zh) 基于机器学习的电池电量估计方法及系统
CN112464395B (zh) 发动机的物理模型参数标定方法和装置
CN114580578B (zh) 具有约束的分布式随机优化模型训练方法、装置及终端
CN116449221B (zh) 锂电池荷电状态预测方法、装置、设备及存储介质
CN112861365B (zh) 低压配电网负荷状态估计方法、装置及终端设备
CN117741448B (zh) 一种充电电池荷电状态估算方法、装置、设备和介质

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