CN115639482B - 电池剩余电量估计方法及装置 - Google Patents
电池剩余电量估计方法及装置 Download PDFInfo
- Publication number
- CN115639482B CN115639482B CN202211654399.6A CN202211654399A CN115639482B CN 115639482 B CN115639482 B CN 115639482B CN 202211654399 A CN202211654399 A CN 202211654399A CN 115639482 B CN115639482 B CN 115639482B
- Authority
- CN
- China
- Prior art keywords
- battery
- value
- electric quantity
- remaining
- quantity value
- 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
Links
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本公开涉及电池领域,公开了一种电池剩余电量估计方法及装置,方法包括:获取电池在当前时刻的电池电压、电池温度和电池内阻;将电池温度和电池内阻输入第一预测模型得到第一预测值和第二预测值,第一预测值表征电池温度对电池剩余电量的影响程度,第二预测值用于表征电池内阻对电池剩余电量的影响程度;获取电池温度下的电池放电特性曲线,基于电池放电特性曲线确定电池温度下电池电压对应的第一剩余电量值;从剩余电量值与电池内阻关系表中查询电池内阻对应的第二剩余电量值;基于第一剩余电量值及第一预测值确定第三剩余电量值,基于第二剩余电量值及第二预测值确定第四剩余电量值,基于第三剩余电量值和第四剩余电量值确定实际剩余电量值。
Description
技术领域
本公开实施例涉及电池技术领域,尤其涉及一种电池剩余电量估计方法及装置。
背景技术
目前电池剩余电量估计是电池管理系统的核心技术之一。传统的电池剩余电量估计方法主要有例如安时积分法,但是安时积分法随着时间的推进,估算的误差不断积累,导致电池剩余电量估计准确性降低。
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剩余电量估计方法及装置。
第一方面,本公开实施例提供了一种电池剩余电量估计方法,包括:
获取电池在当前时刻的电池电压、电池温度和电池内阻;
将所述电池温度和电池内阻输入第一预测模型,以得到第一预测值和第二预测值,所述第一预测值用于表征电池温度对电池剩余电量的影响程度,所述第二预测值用于表征电池内阻对电池剩余电量的影响程度;其中所述第一预测模型是基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练得到的;
获取所述电池温度下的电池放电特性曲线,基于所述电池放电特性曲线确定所述电池温度下所述电池电压对应的第一剩余电量值;同时从预设的剩余电量值与电池内阻关系表中查询得到所述电池内阻对应的第二剩余电量值;
基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值。
在一个实施例中,所述第一卷积神经网络模型包括卷积神经网络以及与所述卷积神经网络连接的第一全连接层和第二全连接层;所述基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练的过程包括:基于多个不同的样本电池温度以及对应的样本电池剩余电量对所述卷积神经网络以及所述第一全连接层构成的模型分支进行训练,同时基于多个不同的样本电池内阻以及对应的样本电池剩余电量对所述卷积神经网络以及所述第二全连接层构成的另一模型分支进行训练。
在一个实施例中,所述基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值,包括:
将所述第一剩余电量值以及所述第一预测值的乘积确定为第三剩余电量值;
将所述第二剩余电量值以及所述第二预测值的乘积确定为第四剩余电量值;
将所述第三剩余电量值和所述第四剩余电量值的平均值确定为最终的实际剩余电量值。
在一个实施例中,该方法还包括:
基于电流积分法获取所述电池在所述当前时刻的第五剩余电量值;
计算所述第五剩余电量值和所述平均值的算术平均值,将该算术平均值作为最终的实际剩余电量值。
在一个实施例中,该方法还包括:
从预设的电池的剩余电量值与开路电压关系表中查询得到所述第五剩余电量值对应的开路电压值;
获取所述电池在所述当前时刻的电池电流,基于所述电池电压、所述电池电流以及所述开路电压值计算得到所述电池在所述当前时刻的电池内阻。
在一个实施例中,所述预设的剩余电量值与电池内阻关系表是通过实验预先建立的,其中存储有所述电池的各剩余电量值与各电池内阻值之间的映射关系。
在一个实施例中,所述预设的电池的剩余电量值与开路电压关系表是通过实验预先建立的,其中包含电池的不同剩余电量值与对应的开路电压值之间的对应关系。
第二方面,本公开实施例提供一种电池剩余电量估计装置,包括:
获取模块,用于获取电池在当前时刻的电池电压、电池温度和电池内阻;
预测模块,用于将所述电池温度和电池内阻输入第一预测模型,以得到第一预测值和第二预测值,所述第一预测值用于表征电池温度对电池剩余电量的影响程度,所述第二预测值用于表征电池内阻对电池剩余电量的影响程度;其中所述第一预测模型是基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练得到的;
确定模块,用于获取所述电池温度下的电池放电特性曲线,基于所述电池放电特性曲线确定所述电池温度下所述电池电压对应的第一剩余电量值;同时从预设的剩余电量值与电池内阻关系表中查询得到所述电池内阻对应的第二剩余电量值;
计算模块,用于基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值。
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剩余电量估计方法。
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剩余电量估计方法。
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剩余电量估计方法及装置,获取电池在当前时刻的电池电压、电池温度和电池内阻;将所述电池温度和电池内阻输入第一预测模型以得到第一预测值和第二预测值,所述第一预测值用于表征电池温度对电池剩余电量的影响程度,所述第二预测值用于表征电池内阻对电池剩余电量的影响程度;所述第一预测模型是基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练得到的;获取所述电池温度下的电池放电特性曲线,基于所述电池放电特性曲线确定所述电池温度下所述电池电压对应的第一剩余电量值;同时从预设的剩余电量值与电池内阻关系表中查询得到所述电池内阻对应的第二剩余电量值;基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值。这样,本实施例中基于预先训练得到的第一预测模型确定当前的电池温度和电池内阻各自对电池剩余电量的影响程度的两个预测值,然后基于当前的电池温度下的电池放电特性曲线确定当前的电池温度下该当前的电池电压对应的第一剩余电量值,同时基于预设的剩余电量值与电池内阻关系表中查询得到当前的电池内阻对应的第二剩余电量值,然后基于两个预测值和第一剩余电量值、第二剩余电量值综合确定最终的实际剩余电量值,其考虑了电池温度和电池内阻对电池剩余电量的影响且量化了影响程度,基于训练得到的第一预测模型可相对准确地得到表征影响程度的两个预测值并进行后续的剩余电量计算,此方式计算的剩余电量值更准确,提高了估计的剩余电量值的准确性。
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剩余电量估计方法流程图;
图2为本公开实施例中示例电池温度下的电池放电特性曲线图;
图3为本公开另一实施例电池剩余电量估计方法流程图;
图4为本公开又一实施例电池剩余电量估计方法流程图;
图5为本公开实施例电池剩余电量估计装置的示意图;
图6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。
在电池剩余电量估计中,电池的温度和内阻对剩余电量估计结果有着重要的影响,但是目前业界并未关注到电池的温度和内阻对剩余电量估计结果的影响程度到底有多高即难以准确量化影响程度,从而导致剩余电量估计结果的准确性依然有待进一步的提高。
为此本公开实施例提出一种电池剩余电量估计方法。图1为本公开实施例的一种电池剩余电量估计方法流程图,该方法可以应用于电子设备或者电动汽车等,具体可以包括以下步骤:
步骤S101:获取电池在当前时刻的电池电压、电池温度和电池内阻。
示例性的,具体电子设备可以通过测量计算获取电池在当前时刻t的电池电压如输出电压V、电池温度T和电池内阻R0。
步骤S102:将所述电池温度和电池内阻输入第一预测模型,以得到第一预测值和第二预测值,所述第一预测值用于表征电池温度对电池剩余电量的影响程度,所述第二预测值用于表征电池内阻对电池剩余电量的影响程度。其中所述第一预测模型是基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练得到的。
示例性的,第一预测模型是基于多个不同的样本电池温度以及对应的样本电池剩余电量对第一卷积神经网络模型训练,同时基于多个不同的样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练得到的。具体的,将多个不同的样本电池温度、多个不同的样本电池内阻以及对应的样本电池剩余电量输入第一卷积神经网络模型进行迭代训练,在每次迭代过程中第一卷积神经网络模型基于输入的样本电池温度估计得到估计电池剩余电量,基于该估计电池剩余电量以及对应的样本电池剩余电量输出一预测值,同时第一卷积神经网络模型基于输入的样本电池内阻估计得到另一估计电池剩余电量,基于该另一估计电池剩余电量以及对应的样本电池剩余电量输出另一预测值。其中在每次迭代过程中计算模型的损失函数(如平方损失函数)值,在损失函数值小于预设值时结束训练即得到第一预测模型。该预设值可以根据需要设置,对此不作限制。训练得到的第一预测模型的输入是当前时刻t的电池温度T和电池内阻R0,输出是表征电池温度T对电池剩余电量的影响程度的第一预测值x以及表征电池内阻R0对电池剩余电量的影响程度的第二预测值y。第一预测值x以及第二预测值y可以是小于1的百分比值,百分比值越大,则影响程度越大,反之亦然。
步骤S103:获取所述电池温度下的电池放电特性曲线,基于所述电池放电特性曲线确定所述电池温度下所述电池电压对应的第一剩余电量值;同时从预设的剩余电量值与电池内阻关系表中查询得到所述电池内阻对应的第二剩余电量值。
示例性的,不同电池温度下的电池放电特性曲线不同,电池放电特性曲线是用电池的工作电压和电池容量如剩余电量值绘制而成的曲线。如图2所示为电池温度T=20°下的电池放电特性曲线(包含不同放电电流下的放电特性曲线)。不同电池温度下的电池放电特性曲线可以预先试验确定,对此不再赘述。本实施例中,基于当前时刻t的电池温度T获取电池温度T下的电池放电特性曲线,基于该电池放电特性曲线确定电池温度T下电池电压如输出电压V对应的第一剩余电量值Q1。
另外,本实施例中预设的剩余电量值与电池内阻关系表可以通过实验预先建立,其中存储有所述电池的各剩余电量值与各电池内阻值之间的映射关系。本实施例中基于当前时刻t的电池内阻R0从预设的剩余电量值与电池内阻关系表中查询得到电池内阻R0对应的第二剩余电量值Q2。
步骤S104:基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值。
示例性的,基于第一剩余电量值Q1以及第一预测值x可以确定第三剩余电量值Q3,基于第二剩余电量值Q2以及第二预测值y确定第四剩余电量值Q4,基于第三剩余电量值Q3和第四剩余电量值Q4即可确定最终的实际剩余电量值Q5。
本公开实施例的上述方案中,基于预先训练得到的第一预测模型确定当前的电池温度和电池内阻各自对电池剩余电量的影响程度的两个预测值,然后基于当前的电池温度下的电池放电特性曲线确定当前的电池温度下该当前的电池电压对应的第一剩余电量值,同时基于预设的剩余电量值与电池内阻关系表中查询得到当前的电池内阻对应的第二剩余电量值,然后基于两个预测值和第一剩余电量值、第二剩余电量值综合确定最终的实际剩余电量值,其考虑了电池温度和电池内阻对电池剩余电量的影响且量化了影响程度,基于训练得到的第一预测模型可相对准确地得到表征影响程度的两个预测值并进行后续的第一和第二剩余电量值的修正计算,因此此方式计算的剩余电量值更准确,提高了估计的剩余电量值的准确性。
在一个实施例中,所述第一卷积神经网络模型可以包括卷积神经网络以及与所述卷积神经网络并列连接的第一全连接层和第二全连接层。相应的,所述基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练的过程可以包括:基于多个不同的样本电池温度以及对应的样本电池剩余电量对所述卷积神经网络以及所述第一全连接层构成的模型分支进行训练,同时基于多个不同的样本电池内阻以及对应的样本电池剩余电量对所述卷积神经网络以及所述第二全连接层构成的另一模型分支进行训练。
本实施例中通过一个卷积神经网络以及两个并列的全连接层的特定神经网络模型,在模型训练时以及训练后的模型应用时可构建基于一个特定结构的卷积神经网络模型实现电池温度和电池内阻对电池剩余电量的影响程度的预测的两个训练任务以及预测任务,而无需设置两个单独的常用的卷积神经网络模型以及分别准备训练样本数据以节省成本,同时提高本公开的电池温度和电池内阻对电池剩余电量的影响程度的预测场景下的模型训练效率。
在一个实施例中,参考图3中所示,步骤S104中基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值,具体可以包括以下步骤:
步骤S201:将所述第一剩余电量值以及所述第一预测值的乘积确定为第三剩余电量值;将所述第二剩余电量值以及所述第二预测值的乘积确定为第四剩余电量值;将所述第三剩余电量值和所述第四剩余电量值的平均值确定为最终的实际剩余电量值。
示例性的,基于第一剩余电量值Q1以及第一预测值x确定第三剩余电量值Q3=Q1*x,基于第二剩余电量值Q2以及第二预测值y确定第四剩余电量值Q4=Q2*y,计算第三剩余电量值Q3和第四剩余电量值Q4的平均值Q5=(Q3+Q4)/2,即最终的实际剩余电量值。
也即是说,本实施例中基于上述方式得到的第一剩余电量值Q1和第一预测值x即权重值,以及第二剩余电量值Q2和第二预测值y即权重值加权求和得到最终的实际剩余电量值即平均值Q5,基于此方式计算的剩余电量值更准确,进一步提高了估计的剩余电量值的准确性。
在上述实施例的基础上,于一个实施例中,参考图4中所示,该方法还可包括以下步骤:
步骤S301:基于电流积分法获取所述电池在所述当前时刻的第五剩余电量值。
示例性的,假设上一时刻距离当前时刻t的时间段为(t-t0),根据电池的放电效率通过电流积分法可以计算在时间段(t-t0)内电池释放的电量为Q,则步骤S301中获取电池在当前时刻t的第五电池剩余电量Q6=Q0-Q,其中Q0表示电池的初始电量。
步骤S302:计算所述第五剩余电量值和所述平均值的算术平均值,将该算术平均值作为最终的实际剩余电量值。
示例性的,计算第五剩余电量值Q6和平均值平均值Q5=(Q3+Q4)/2的算术平均值Q7=(Q5+Q6)/2,将该算术平均值Q7作为最终的实际剩余电量值。
本实施例中基于上述方式得到的第一剩余电量值Q1和第一预测值x即权重值,以及第二剩余电量值Q2和第二预测值y即权重值加权求和得到平均值Q5,再基于平均值Q5修正电流积分法获取的电池在当前时刻t的第五剩余电量值Q6,以修正得到的算术平均值Q7作为最终的实际剩余电量值,基于此方式计算的剩余电量值更准确,更进一步提高了估计的剩余电量值的准确性。
在上述实施例的基础上,于一个实施例中,该方法还包括以下步骤:从预设的电池的剩余电量值与开路电压关系表中查询得到所述第五剩余电量值Q6对应的开路电压值OCV;获取所述电池在所述当前时刻的电池电流如输出电流I,基于所述电池电压如输出电压V、所述电池电流如输出电流I以及所述开路电压值OCV计算得到所述电池在所述当前时刻t的电池内阻R0。
示例性的,在一个实施例中,所述预设的电池的剩余电量值与开路电压关系表是通过实验预先建立的,其中包含电池的不同剩余电量值与对应的开路电压值之间的对应关系。
在一个具体示例中,例如当前时刻t测量的电池的输出电压为V,输出电流I,对应的开路电压值OCV,则可以通过以下公式计算电池在当前时刻t的电池内阻值R0:R0=(OCV-V)/I。通过此方式计算得到的当前时刻t的电池内阻更加准确,使得基于电池内阻计算得到的第二预测值y以及第二剩余电量值Q2更加准确,从而使得最终计算得到的剩余电量值更准确,提高了估计的剩余电量值的准确性。
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5所示,本公开实施例提供一种电池剩余电量估计装置,包括:
获取模块501,用于获取电池在当前时刻的电池电压、电池温度和电池内阻;
预测模块502,用于将所述电池温度和电池内阻输入第一预测模型,以得到第一预测值和第二预测值,所述第一预测值用于表征电池温度对电池剩余电量的影响程度,所述第二预测值用于表征电池内阻对电池剩余电量的影响程度;其中所述第一预测模型是基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练得到的;
确定模块503,用于获取所述电池温度下的电池放电特性曲线,基于所述电池放电特性曲线确定所述电池温度下所述电池电压对应的第一剩余电量值;同时从预设的剩余电量值与电池内阻关系表中查询得到所述电池内阻对应的第二剩余电量值;
计算模块504,用于基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值。
在一个实施例中,所述第一卷积神经网络模型包括卷积神经网络以及与所述卷积神经网络并列连接的第一全连接层和第二全连接层;所述基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练的过程包括:基于多个不同的样本电池温度以及对应的样本电池剩余电量对所述卷积神经网络以及所述第一全连接层构成的模型分支进行训练,同时基于多个不同的样本电池内阻以及对应的样本电池剩余电量对所述卷积神经网络以及所述第二全连接层构成的另一模型分支进行训练。
在一个实施例中,所述计算模块基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值,具体可包括:将所述第一剩余电量值以及所述第一预测值的乘积确定为第三剩余电量值;将所述第二剩余电量值以及所述第二预测值的乘积确定为第四剩余电量值;将所述第三剩余电量值和所述第四剩余电量值的平均值确定为最终的实际剩余电量值。
在一个实施例中,该计算模块还用于:基于电流积分法获取所述电池在所述当前时刻的第五剩余电量值;计算所述第五剩余电量值和所述平均值的算术平均值,将该算术平均值作为最终的实际剩余电量值。
在一个实施例中,该获取模块还用于:从预设的电池的剩余电量值与开路电压关系表中查询得到所述第五剩余电量值对应的开路电压值;获取所述电池在所述当前时刻的电池电流,基于所述电池电压、所述电池电流以及所述开路电压值计算得到所述电池在所述当前时刻的电池内阻。
在一个实施例中,所述预设的剩余电量值与电池内阻关系表是通过实验预先建立的,其中存储有所述电池的各剩余电量值与各电池内阻值之间的映射关系。
在一个实施例中,所述预设的电池的剩余电量值与开路电压关系表是通过实验预先建立的,其中包含电池的不同剩余电量值与对应的开路电压值之间的对应关系。
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剩余电量估计方法。
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剩余电量估计方法。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6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6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 (10)
1.一种电池剩余电量估计方法,其特征在于,包括:
获取电池在当前时刻的电池电压、电池温度和电池内阻;
将所述电池温度和电池内阻输入第一预测模型,以得到第一预测值和第二预测值,所述第一预测值用于表征电池温度对电池剩余电量的影响程度,所述第二预测值用于表征电池内阻对电池剩余电量的影响程度;其中所述第一预测模型是基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练得到的;
获取所述电池温度下的电池放电特性曲线,基于所述电池放电特性曲线确定所述电池温度下所述电池电压对应的第一剩余电量值;同时从预设的剩余电量值与电池内阻关系表中查询得到所述电池内阻对应的第二剩余电量值;
基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值。
2.根据权利要求1所述的电池剩余电量估计方法,其特征在于,所述第一卷积神经网络模型包括卷积神经网络以及与所述卷积神经网络并列连接的第一全连接层和第二全连接层;所述基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练的过程包括:基于多个不同的样本电池温度以及对应的样本电池剩余电量对所述卷积神经网络以及所述第一全连接层构成的模型分支进行训练,同时基于多个不同的样本电池内阻以及对应的样本电池剩余电量对所述卷积神经网络以及所述第二全连接层构成的另一模型分支进行训练。
3.根据权利要求1或2所述的电池剩余电量估计方法,其特征在于,所述基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值,包括:
将所述第一剩余电量值以及所述第一预测值的乘积确定为第三剩余电量值;
将所述第二剩余电量值以及所述第二预测值的乘积确定为第四剩余电量值;
将所述第三剩余电量值和所述第四剩余电量值的平均值确定为最终的实际剩余电量值。
4.根据权利要求3所述的电池剩余电量估计方法,其特征在于,该方法还包括:
基于电流积分法获取所述电池在所述当前时刻的第五剩余电量值;
计算所述第五剩余电量值和所述平均值的算术平均值,将该算术平均值作为最终的实际剩余电量值。
5.根据权利要求4所述的电池剩余电量估计方法,其特征在于,该方法还包括:
从预设的电池的剩余电量值与开路电压关系表中查询得到所述第五剩余电量值对应的开路电压值;
获取所述电池在所述当前时刻的电池电流,基于所述电池电压、所述电池电流以及所述开路电压值计算得到所述电池在所述当前时刻的电池内阻。
6.根据权利要求5所述的电池剩余电量估计方法,其特征在于,所述预设的剩余电量值与电池内阻关系表是通过实验预先建立的,其中存储有所述电池的各剩余电量值与各电池内阻值之间的映射关系。
7.根据权利要求5所述的电池剩余电量估计方法,其特征在于,所述预设的电池的剩余电量值与开路电压关系表是通过实验预先建立的,其中包含电池的不同剩余电量值与对应的开路电压值之间的对应关系。
8.一种电池剩余电量估计装置,其特征在于,包括:
获取模块,用于获取电池在当前时刻的电池电压、电池温度和电池内阻;
预测模块,用于将所述电池温度和电池内阻输入第一预测模型,以得到第一预测值和第二预测值,所述第一预测值用于表征电池温度对电池剩余电量的影响程度,所述第二预测值用于表征电池内阻对电池剩余电量的影响程度;其中所述第一预测模型是基于多个不同的样本电池温度、样本电池内阻以及对应的样本电池剩余电量对第一卷积神经网络模型训练得到的;
确定模块,用于获取所述电池温度下的电池放电特性曲线,基于所述电池放电特性曲线确定所述电池温度下所述电池电压对应的第一剩余电量值;同时从预设的剩余电量值与电池内阻关系表中查询得到所述电池内阻对应的第二剩余电量值;
计算模块,用于基于所述第一剩余电量值以及所述第一预测值确定第三剩余电量值,基于所述第二剩余电量值以及所述第二预测值确定第四剩余电量值,基于所述第三剩余电量值和所述第四剩余电量值确定最终的实际剩余电量值。
9.一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1~7任一项所述电池剩余电量估计方法。
10.一种电子设备,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1~7任一项所述电池剩余电量估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211654399.6A CN115639482B (zh) | 2022-12-22 | 2022-12-22 | 电池剩余电量估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211654399.6A CN115639482B (zh) | 2022-12-22 | 2022-12-22 | 电池剩余电量估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115639482A CN115639482A (zh) | 2023-01-24 |
CN115639482B true CN115639482B (zh) | 2023-03-10 |
Family
ID=84947944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211654399.6A Active CN115639482B (zh) | 2022-12-22 | 2022-12-22 | 电池剩余电量估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115639482B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107290683A (zh) * | 2017-07-20 | 2017-10-24 | 中广核核电运营有限公司 | 蓄电池剩余容量的检测方法和装置 |
CN109001640A (zh) * | 2018-06-29 | 2018-12-14 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
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 |
CN112986830A (zh) * | 2021-04-22 | 2021-06-18 | 湖北工业大学 | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 |
CN113514770A (zh) * | 2021-05-14 | 2021-10-19 | 江苏欧力特能源科技有限公司 | 基于开路电压和电池温度驱动锂电池剩余容量soc预测算法 |
CN113671381A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种基于时间卷积网络的锂离子动力电池估算方法 |
-
2022
- 2022-12-22 CN CN202211654399.6A patent/CN115639482B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107290683A (zh) * | 2017-07-20 | 2017-10-24 | 中广核核电运营有限公司 | 蓄电池剩余容量的检测方法和装置 |
CN109001640A (zh) * | 2018-06-29 | 2018-12-14 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
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 |
CN112986830A (zh) * | 2021-04-22 | 2021-06-18 | 湖北工业大学 | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 |
CN113514770A (zh) * | 2021-05-14 | 2021-10-19 | 江苏欧力特能源科技有限公司 | 基于开路电压和电池温度驱动锂电池剩余容量soc预测算法 |
CN113671381A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种基于时间卷积网络的锂离子动力电池估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115639482A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rad et al. | Pricing European and American options by radial basis point interpolation | |
JP6130275B2 (ja) | 推定装置及び推定方法 | |
CN113671381B (zh) | 一种基于时间卷积网络的锂离子动力电池估算方法 | |
US9964980B2 (en) | Method and apparatus for optimal power flow with voltage stability for large-scale electric power systems | |
US8924331B2 (en) | System and method for solving quadratic programming problems with bound constraints utilizing a semi-explicit quadratic programming solver | |
US20170003330A1 (en) | System and method for obtaining the powerflow in dc grids with constant power loads and devices with algebraic nonlinearities | |
WO2024099061A1 (zh) | 自适应频点采样的扫频方法、系统及相关设备 | |
CN111913109A (zh) | 一种电池峰值功率的预测方法及装置 | |
CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
Jibhkate et al. | Development of low complexity open circuit voltage model for state of charge estimation with novel curve modification technique | |
CN114066699A (zh) | 碳排放量测算方法、装置及终端设备 | |
CN115542173B (zh) | 电池电量估计方法及装置 | |
CN115639482B (zh) | 电池剩余电量估计方法及装置 | |
CN108897673B (zh) | 系统容量评估方法与装置 | |
CN113962874A (zh) | 母线负荷模型的训练方法、装置、设备及存储介质 | |
CN116840699A (zh) | 一种电池健康状态估算方法、装置、电子设备和介质 | |
CN114355222A (zh) | 基于电压曲线的电池健康状态估计方法、装置及可读介质 | |
CN115374989A (zh) | 一种负荷预测方法、装置、设备及计算机可读存储介质 | |
CN112861365B (zh) | 低压配电网负荷状态估计方法、装置及终端设备 | |
CN116359760A (zh) | 用于电量状态估计的置信度计算方法和装置 | |
CN115561641B (zh) | 基于状态观测器的锂电池荷电状态估计方法、设备及介质 | |
CN117132420B (zh) | 一种电力需求响应对象的响应特性分析方法和系统 | |
CN116736962B (zh) | 一种多功能教育pc的电源管理方法、装置、设备及介质 | |
CN115469136A (zh) | 一种基于电场传感器阵列的非侵入式三相电压测量方法 | |
CN117094756A (zh) | 一种资源校验方法及装置、计算机可读存储介质 |
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 |