CN115754752A - 一种电池soc预测方法、装置、设备及存储介质 - Google Patents
一种电池soc预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115754752A CN115754752A CN202211601131.6A CN202211601131A CN115754752A CN 115754752 A CN115754752 A CN 115754752A CN 202211601131 A CN202211601131 A CN 202211601131A CN 115754752 A CN115754752 A CN 115754752A
- Authority
- CN
- China
- Prior art keywords
- battery
- historical
- data
- prediction
- parameters
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电池SOC预测方法、装置、设备及存储介质。该方法包括:获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数;将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息;将所述剩余电量信息反馈至目标终端设备。本发明实施例的技术方案,通过与电池关联的电流、电压参数训练得到SOC预测模型,实现了对待预测电池剩余电量信息的准确预测,提高了预测效率,同时通过及时反馈剩余电量信息,进而保护了相关电子设备的性能。
Description
技术领域
本发明涉及电池电量管理技术领域,尤其涉及一种电池SOC预测方法、装置、设备及存储介质。
背景技术
电池是各种电子设备的动力来源,广泛应用于各种电子产品中。由于电池本身不具备电量计量及电量显示功能,对用户来说,及时了解电池电量可以避免因电池缺电导致所使用的产品性能下降的情况。
现有的方法包括安时积分法、开路电压法、卡尔曼滤波法、粒子滤波法等。
上述方法存在误差较大,效率较低,粒子权值退化和粒子样本贫化等问题。
发明内容
本发明提供了一种电池SOC预测方法,以实现对电池电量信息的准确预测,进而及时保护电池所属的电子设备。
第一方面,本发明实施例提供了一种电池SOC预测方法,该方法包括:
获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数;
将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息;
将所述剩余电量信息反馈至目标终端设备。
第二方面,本发明实施例还提供了一种电池SOC预测装置,该装置包括:
参数获取模块,用于获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数;
剩余电量计算模块,用于将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息;
反馈模块,用于将所述剩余电量信息反馈至目标终端设备。
第三方面,本发明还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的电池SOC预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电池SOC预测方法。
本发明实施例的技术方案,通过获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数;将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息;将所述剩余电量信息反馈至目标终端设备,解决了电池电量预测效率低,误差大的问题,实现了对待预测电池剩余电量信息的准确预测,提高了预测效率,同时通过及时反馈剩余电量信息,进而保护了相关电子设备的性能。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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他的附图。
图1是根据本发明实施例一提供的一种电池SOC预测方法的流程图;
图2是根据本发明实施例二提供的一种电池SOC预测方法的流程图;
图3是根据本发明实施例三提供的一种电池SOC预测方法的流程图;
图4是根据本发明实施例四提供的一种电池SOC预测装置的结构示意图;
图5是实现本发明实施例的电池SOC预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种电池SOC预测方法的流程图,本实施例可适用于对电池电量进行预测的情况,该方法可以由电池SOC预测装置来执行,该电池SOC预测装置可以采用硬件和/或软件的形式实现,该电池SOC预测装置可配置于计算机中。
如图1所示,该方法包括:
S110、获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数。
其中,待预测电池是指需要对其剩余电量进行预测的锂电池。电池关联参数是指与电池电量相关联的参数,可以是电压参数和电流参数。
具体的,对于当前时刻T获取T时刻之前的至少一个时间点的电压参数和电流参数。
示例性的,当前时刻为2:00,对于无人机中的待预测电池A,利用无人机平衡头上加装的库仑计对待预测电池A两端的电压和电流参数进行实时或周期性地采集,并将采集到的数据存储在无人机的电池使用记录中,从使用记录中获取2:00之前如,1:55这个时间点对应的待预测电池A的电流值与电池两端的电压值。
需要说明的是,获取的关联参数越多,预测结果越精确,因此获取各参数的时间点可以是一个和/或多个。
S120、将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息。
其中,SOC为电池荷电状态,即电池的剩余电量占电池容量的占比。SOC预测模型是预先训练的神经元模型,用来对待预测电池的剩余电量进行预测。剩余电量信息是指带预测电池在当前时刻对应的电量在占电池容量的占比信息。
具体的,将获取的当前时刻之前的至少一个时间点对应的待预测电池的电流参数与电压参数,作为SOC预测模型的输入,经过SOC预测模型对数据的分析处理,最终输出待预测电池相对应的剩余电量信息。
示例性的,当前时刻为2:00,获取1:59对应的待预测电池的电池关联参数分别为电压参数:4V,电流参数:4A,将电压参数和电流参数输入至预先训练的SOC预测模型中,得到待预测电池相对应的剩余电量信息55%。
S130、将所述剩余电量信息反馈至目标终端设备。
其中,目标终端设备是用来展示待预测电池剩余电量信息的电子设备,可以是但不限于手机、平板、电脑等。
具体的,将SOC预测模型预测的待预测电池的剩余电量信息发送至用户手机上,以便用户可以实时地查看电池剩余电量信息,从而避免因电量不足导致相关电子设备性能受损的情况发生。
示例性的,通过SOC预测模型对电池关联参数的处理,输出待预测电池的剩余电量信息为55%,则在用户手机界面通过数值或动态电池图像的形式显示待预测电池的剩余电量信息。
本发明实施例技术方案,通过获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数;将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息;将所述剩余电量信息反馈至目标终端设备,解决了电池电量预测效率低,误差大的问题,实现了对待预测电池剩余电量信息的准确预测,提高了预测效率,同时通过及时反馈剩余电量信息,进而保护了相关电子设备的性能。
实施例二
图2为本发明实施例二提供的一种电池SOC预测方法的流程图,在前述实施例的基础上,可以对SOC预测模型的训练进行进一步细化,其具体的实施方式可以参见本发明实施例的详细阐述,其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示,该方法包括:
S201、获取至少一个电池在各阶段下所对应的历史电池关联数据;其中,所述历史电池关联数据中包括至少一个历史电压参数和至少一个历史电流参数。
其中,各阶段是指电池工作对应的各个时刻。历史电池关联数据是指电池在历史时刻对应的电池关联数据。历史电压参数是指电池在历史时刻对应的电压值。历史电流参数是指电池在历史时刻对应的电流值。
具体的,获取至少一个电池在T时刻以及T1对应的历史电压参数以及历史电流参数。
示例性的,在无人机电池运行记录中,确定电池A在T时刻以及T1两个阶段对应的历史电压参数和历史电流参数分别是:4V,4A和4.5V,4.5A。
需要说明的是,为了提高SOC预测模型的准确性,可以尽可能多个电池的历史电池关联数据。
S202、将所述至少一个历史电池关联数据输入待训练SOC预测模型中,得到与所述至少一个历史电池关联数据相对应的历史预测数据。
其中,待训练SOC预测模型是未经训练的神经元模型。历史预测数据是指待训练SOC预测模型将历史电池关联数据作为模型输入初步得到的历史电池关联数据对应的未经修正更新的历史预测数据。
具体的,将当前历史电池关联数据作为样本,输入至待训练SOC预测模型中,得到与当前历史电池关联数据对应的未经修正更新的历史预测数据。
示例性的,由于对各历史电池关联数据的处理方式相同,现以对其中一个历史电池关联参数的处理进行说明:当前历史电池关联数据为4.5V,4.5A,则将4.5V,4.5A输入至待训练SOC预测模型中,得到历史预测数据为60%,表示在历史电池关联数据为4.5V,4.5A时,初步得到未经修正更新的电池剩余电量信息为60%。
进一步的,对待训练SOC预测模型进行训练的公式如下:
St=Uxt+Wht-1(1)
ht=f(Uxt+Wht-1) (2)
ot=g(Vht) (3)
其中St表示t时刻模型输出层的输出向量;xt是一个n维向量,待训练SOC预测模型的输入将是一整个序列,即x=[x1,...,xt-1,xt,xt+1];ht代表时刻t的隐藏状态;ht-1表示前一时刻即t-1时刻的隐藏状态;ot代表时刻t的输出;U表示输入层到隐藏层直接的权重;W表示隐藏层到隐藏层的权重;V表示隐藏层到输出层的权重。
S203、基于预先构建与所述至少一个电池相对应的剩余电量等效模型,确定与所述至少一个历史电池关联数据相对应的理论电池数据。
其中,剩余电量等效模型是根据电池物理参数预先构建的一种数学模型,可以根据历史关联数据得到电池理论上的电池数据。理论电池数据是电池在t时刻理论上的剩余电量信息。
具体的,由于对每个电池历史电池关联数据的处理方式相同,现以对其中一个电池的历史电池关联数据的处理进行说明:对于当前电池,将历史电池关联数据输入到当前电池对应的剩余电量等效模型中,计算得到当前电池在该历史电池关联数据对应的历史时刻时的理论电池电量信息。
可选的,对于各所述历史电池关联数据,将当前历史电池关联数据代入所述剩余电量等效模型中,得到所述当前历史电池关联数据相对应的理论电池数据。
其中,所述剩余电量等效模型的表达式为:
其中,SOC0为初始电量值;η为充放电效率;CN为电池额定容量。
具体的,由于对于各历史电池关联数据的处理方式相同,现以对其中一个历史电池关联数据的处理进行说明:将当前历史电池关联数据代入到对应的电池的剩余电量等效模型表达式中,得到当前历史电池关联数据对应的历史时刻t所对应的理论电池剩余电量信息。
S204、基于所述历史预测数据和基于卡尔兹曼滤波算法,确定误差协防量测更新以及状态估计量测更新。
其中,卡尔兹曼滤波算法是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。进一步的,卡尔兹曼滤波是一种递归滤波器,利用输出值和输入值的递推,来计算和更新状态的最小方均误差估计值,其关键过程是状态方程和观测方程的建立。
状态方程的计算公式如下:
xk+1=Akxk+Bkuk+ωk
观测方程的计算公式如下:
Ut(k)=Uoc(k)-Us(k)-Up(k)-U0(k)+vk
其中,xk为状态变量;xk+1为后一时刻的状态变量;Ak为状态转移矩阵用来预测下一时刻的状态变量,应为已知;Bk为状态控制矩阵;uk为状态控制向量,Bkuk用来对预测状态变量进行更正来排除外部因素对状态变量的影响,uk=I(k),I为单位矩阵;Ut(k)为电压测量仪器观测到的电压数据。Uoc是电池开路电压;Us和Up分别为电阻R和电容C上的电压状态变量;U0为端电压状态变量;vk和ωk分别为观测噪声和系统噪声。
进一步的, SOC是电池的荷电状态;CE为电池额定容量;T为采样时间间隔;Rs和Rp分别为电化学极化电阻和浓差极化电阻;Cs和Cp分别为电化学极化电阻和浓差极化电阻;其中,SOC(k)为状态变量初始值。Crate为电池的容量;qk为系统的噪声。
具体的,当前时刻k系统的状态量为当前时刻k对应的历史预测数据,ck-1为k-1时刻输入的历史电池关联数据。可以说,当前时刻k的历史预测数据是根据K-1时刻的历史预测数据经过状态转移以及排除外部干扰情况下得到的。
可选的,将所述历史预测数据和前一时刻所对应的历史电池关联数据代入状态估计方程,确定误差协方差矩阵;根据观测噪声和系统噪声,确定状态估计量测更新以及误差协方差矩阵量测更新。
其中,误差协方差矩阵是用来表示历史预测数据不确定性的矩阵。状态估计方程即状态方程。
根据下述公式计算误差协方差矩阵:
其中,矩阵Qk为高斯白噪声的系统噪声;Qk-1为前一时刻高斯白噪声的系统噪声;Pk为当前时刻误差协方差矩阵;Pk-1为前一时刻误差协方差矩阵。
可以说,当前误差协方差矩阵Pk是根据先前的误差协方差矩阵在排除系统噪声Qk-1的影响下,得到的新的误差协方差矩阵。
根据下述公式计算卡尔兹曼增益:
其中Ck为系统的观测矩阵;Rk为观测噪声。
需要说明的是,由于历史预测数据与对应的理论电池数据之间具有一定的差距,因此需要对这两个数据进行融合,进而需要通过卡尔兹曼增益对误差协方差矩阵进行修正。
根据下述公式计算状态估计量测更新:
其中,Dk为控制输出矩阵;dk为系统的输出量。
根据下述公式计算误差协方差矩阵量测更新:
Pk=(I-KkCk)Pk∣k-1
其中,I为单位矩阵。
具体的,将k时刻电池的历史电池关联参数输入至待训练SOC预测模型,得到对应的历史预测数据,将k-1时刻对应的历史电池关联数据与该历史预测数据代入到状态估计方程中,根据误差协方差矩阵计算公式得到误差协方差矩阵。根据系统的观测矩阵以及观测噪声计算卡尔兹曼增益Kk;根据卡尔兹曼增益Kk与控制输出矩阵Dk;系统的输出量dk计算状态估计量测更新,以及误差协方差矩阵量测更新。
S205、基于所述误差协方差量测更新和所述状态估计量测更新对所述历史预测数据进行更新处理,以得到与所述历史预测数据相对应的实际输出预测数据。
其中,实际输出预测数据为待训练SOC预测模型在经过卡尔兹曼滤波算法减少噪声或其他不确定因素的影响,输出的更加精确的预测数据。
具体的,根据上述误差协方差量测更新和状态估计量测更新对历史预测数据进行修正,得到待训练SOC预测模型实际输出预测数据。
S206、基于所述实际预测输出数据和相应的理论电池数据,确定损失值。
其中,损失值是待训练SOC预测模型实际预测输出数据和相应的理论电池数据之间的误差修正值。
具体的,根据待训练SOC预测模型实际预测输出数据和相应的理论电池数据确定出损失值。
示例性的,若待训练SOC预测模型的实际预测输出数据为55%,理论电池数据为53%,则损失值为-2%。
S207、基于所述损失值对所述待训练SOC预测模型中的模型参数进行更新,并将达到预设训练次数阈值时所得到的模型作为所述SOC预测模型。
其中,预设训练次数阈值时预先设置的对待训练SOC预测模型参数进行更新的次数阈值。
具体的,根据每次训练得到的实际预测输出数据和相应的理论电池数据确定每次训练的损失值,并将损失值反向传播至模型中,对模型参数进行调整,当模型参数更新次数达到预设训练次数阈值时,说明模型参数达到预设收敛条件,此时的模型训练完成,并将此时的模型作为SOC预测模型。
进一步的,基于SOC预测模型得到电池SOC与电池关联参数之间的关系为:SOCk(Ik,Vk,Tk)=SOCk+rk,其中Ik,Vk,Tk分别是k时刻的电流、电压和温度,rk为系统的噪声。
S208、获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数。
S209、将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息。
S210、将所述剩余电量信息反馈至目标终端设备。
本发明实施例技术方案,通过获取至少一个电池在各阶段下所对应的历史电池关联数据;其中,所述历史电池关联数据中包括至少一个历史电压参数和至少一个历史电流参数;将所述至少一个历史电池关联数据输入待训练SOC预测模型中,得到与所述至少一个历史电池关联数据相对应的历史预测数据;基于预先构建与所述至少一个电池相对应的剩余电量等效模型,确定与所述至少一个历史电池关联数据相对应的理论电池数据;基于所述历史预测数据和基于卡尔兹曼滤波算法,确定误差协防量测更新值以及状态估计量测更新;基于所述误差协方差量测更新和所述状态估计量测更新对所述历史预测数据进行更新处理,以得到与所述历史预测数据相对应的实际输出预测数据;基于所述实际预测输出数据和相应的理论电池数据,确定损失值;基于所述损失值对所述待训练SOC预测模型中的模型参数进行更新,并将达到预设训练次数阈值时所得到的模型作为所述SOC预测模型,结合卡尔兹曼滤波算法减少噪声或其他不确定因素的影响,进而得到更加准确的预测模型实际输出预测数据。
实施例三
图3为本发明实施例三提供的一种电池SOC预测方法的流程图,在前述实施例的基础上,可以对电池SOC预测方法进行进一步优化,其具体的实施方式可以参见本发明实施例的详细阐述,其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图3所示,该方法包括:
S301、设置待训练SOC预测模型的神经元结构。
示例性的,待训练SOC预测模型由神经网络输入层、隐藏层、输出层神经元构成。
S302、获取至少一个电池在各阶段下所对应的历史电池关联数据,将历史电池关联数据作为训练样本,对待训练SOC预测模型进行训练。
示例性的,在无人机电池运行记录中,获取电池A在T时刻以及T1两个阶段对应的历史电压参数和历史电流参数分别是:4V,4A和4.5V,4.5A,将两组参数作为训练样本,输入到待训练SOC预测模型中,以使待训练SOC预测模型获得预测电池SOC的能力。
S303、将所述至少一个历史电池关联数据输入待训练SOC预测模型中,得到与所述至少一个历史电池关联数据相对应的历史预测数据。
示例性的,由于对各历史电池关联数据的处理方式相同,现以对其中一个历史电池关联参数的处理进行说明:当前历史电池关联数据为4.5V,4.5A,则将4.5V,4.5A输入至待训练SOC预测模型中,得到历史预测数据为60%,表示在历史电池关联数据为4.5V,4.5A时,初步得到未经修正更新的电池剩余电量信息为60%。
S304、基于预先构建与所述至少一个电池相对应的剩余电量等效模型,确定与所述至少一个历史电池关联数据相对应的理论电池数据。
示例性的,基于当前电池的各参数,建立对应的剩余电量等效模型。
所述剩余电量等效模型的表达式为:
其中,SOC0为初始电量值;η为充放电效率;CN为电池额定容量。
具体的,由于对于各历史电池关联数据的处理方式相同,现以对其中一个历史电池关联数据的处理进行说明:将当前历史电池关联数据代入到对应的电池的剩余电量等效模型表达式中,得到当前历史电池关联数据对应的历史时刻t所对应的理论电池剩余电量信息。
S305、根据卡尔兹曼滤波算法,建立状态估计方程和观测方程,并基于确定的状态估计方程的状态变量初始值,确定误差协方差矩阵。
根据下述公式确定状态估计方程:
xk+1=Akxk+Bkuk+ωk
根据下述公式确定观测方程:
Ut(k)=Uoc(k)-Us(k)-Up(k)-U0(k)+vk
其中,xk为状态变量;xk+1为后一时刻的状态变量;Ak为状态转移矩阵用来预测下一时刻的状态变量,应为已知;Bk为状态控制矩阵;uk为状态控制向量,Bkuk用来对预测状态变量进行更正来排除外部因素对状态变量的影响,uk=I(k),I为单位矩阵;Ut(k)为电压测量仪器观测到的电压数据。Uoc是电池开路电压;Us和Up分别为电阻R和电容C上的电压状态变量;U0为端电压状态变量;vk和ωk分别为观测噪声和系统噪声。
进一步的, SOC是电池的荷电状态;CE为电池额定容量;T为采样时间间隔;Rs和Rp分别为电化学极化电阻和浓差极化电阻;Cs和Cp分别为电化学极化电阻和浓差极化电阻;其中,SOC(k)为状态变量初始值;Crate为电池的容量;qk为系统的噪声。
根据下述公式计算误差协方差矩阵:
其中,矩阵Qk为高斯白噪声的系统噪声;Qk-1为前一时刻高斯白噪声的系统噪声;Pk为当前时刻误差协方差矩阵;Pk-1为前一时刻误差协方差矩阵。
S306、确定卡尔曼增益。
具体的,根据下述公式计算卡尔兹曼增益:
其中Ck为系统的观测矩阵;Rk为观测噪声。
S307、基于卡尔兹曼增益确定状态估计量测更新以及误差协方差矩阵量测更新。
根据下述公式计算状态估计量测更新:
其中,Dk为控制输出矩阵;dk为系统的输出量。
根据下述公式计算误差协方差矩阵量测更新:
Pk=(I-KkCk)Pk∣k-1
其中,I为单位矩阵。
S308、基于所述误差协方差量测更新和所述状态估计量测更新对所述历史预测数据进行更新处理,以得到与所述历史预测数据相对应的实际输出预测数据。
具体的,根据上述误差协方差量测更新和状态估计量测更新对历史预测数据进行修正,得到待训练SOC预测模型实际输出预测数据。
S309、基于所述实际预测输出数据和相应的理论电池数据,确定损失值。
示例性的,若待训练SOC预测模型的实际预测输出数据为55%,理论电池数据为53%,则损失值为-2%。
S310、基于所述损失值对所述待训练SOC预测模型中的模型参数进行更新,并将达到预设训练次数阈值时所得到的模型作为所述SOC预测模型。
示例性的,将损失值反向传播至待训练SOC预测模型中,调整模型参数,直到迭代次数达到预设训练次数阈值,将模型训练完成,将此时的模型作为SOC预测模型。
S311、获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数。
示例性的,当前时刻为2:00,对于无人机中的待预测电池A,利用无人机平衡头上加装的库仑计对待预测电池A两端的电压和电流参数进行实时或周期性地采集,并将采集到的数据存储在无人机的电池使用记录中,从使用记录中获取2:00之前如,1:55这个时间点对应的待预测电池A的电流值3A与电池两端的电压值4V。
S312、将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息。
在上述示例基础上,将待预测电池A在1:55时刻对应的电流值3A与电池两端的电压值4V输入至SOC预测模型中,经过模型的计算输出待预测电池相对应的剩余电量信息为55%。
S313、将所述剩余电量信息反馈至目标终端设备。
在上述示例基础上,将模型的输出结果55%,通过数值或动态电池图像的形式显示在用户的手机界面上。
实施例四
图4为本发明实施例三提供的一种电池SOC预测装置的结构示意图。
如图4所示,该装置包括:
参数获取模块410,用于获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数;剩余电量计算模块420,用于将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息;反馈模块430,用于将所述剩余电量信息反馈至目标终端设备。
在上述各技术方案基础上,电池SOC预测装置还包括:
关联数据获取模块,用于获取至少一个电池在各阶段下所对应的历史电池关联数据;其中,所述历史电池关联数据中包括至少一个历史电压参数和至少一个历史电流参数;
预测数据确定模块,用于将所述至少一个历史电池关联数据输入待训练SOC预测模型中,得到与所述至少一个历史电池关联数据相对应的历史预测数据;
理论数据确定模块,用于基于预先构建与所述至少一个电池相对应的剩余电量等效模型,确定与所述至少一个历史电池关联数据相对应的理论电池数据;
更新确定模块,用于基于所述历史预测数据和基于卡尔兹曼滤波算法,确定误差协防量测更新以及状态估计量测更新;
预测数据更新模块,用于基于所述误差协方差量测更新和所述状态估计量测更新对所述历史预测数据进行更新处理,以得到与所述历史预测数据相对应的实际输出预测数据;
损失值确定模块,用于基于所述实际预测输出数据和相应的理论电池数据,确定损失值;
模型参数更新模块,用于基于所述损失值对所述待训练SOC预测模型中的模型参数进行更新,并将达到预设训练次数阈值时所得到的模型作为所述SOC预测模型。
在上述各技术方案基础上,理论数据确定模块具体用于:
对于各所述历史电池关联数据,将当前历史电池关联数据代入所述剩余电量等效模型中,得到所述当前历史电池关联数据相对应的理论电池数据;
其中,所述剩余电量等效模型的表达式为:
其中,SOC0为初始电量值;η为充放电效率;CN为电池额定容量。
在上述各技术方案基础上,更新确定模块包括:
矩阵确定单元,用于将所述历史预测数据和前一时刻所对应的历史电池关联数据代入状态估计方程,确定误差协方差矩阵;
更新确定单元,用于根据观测噪声和系统噪声,确定状态估计量测更新以及误差协方差矩阵量测更新。
本发明实施例的技术方案,通过获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数;将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息;将所述剩余电量信息反馈至目标终端设备,解决了电池电量预测效率低,误差大的问题,实现了对待预测电池剩余电量信息的准确预测,提高了预测效率,同时通过及时反馈剩余电量信息,进而保护了相关电子设备的性能。
本发明实施例所提供的电池SOC预测装置可执行本发明任意实施例所提供的电池SOC预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如电池SOC预测方法。
在一些实施例中,电池SOC预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的电池SOC预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电池SOC预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种电池SOC预测方法,其特征在于,包括:
获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数;
将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息;
将所述剩余电量信息反馈至目标终端设备。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取至少一个电池在各阶段下所对应的历史电池关联数据;其中,所述历史电池关联数据中包括至少一个历史电压参数和至少一个历史电流参数;
将所述至少一个历史电池关联数据输入待训练SOC预测模型中,得到与所述至少一个历史电池关联数据相对应的历史预测数据;
基于预先构建与所述至少一个电池相对应的剩余电量等效模型,确定与所述至少一个历史电池关联数据相对应的理论电池数据;
基于所述历史预测数据和基于卡尔兹曼滤波算法,确定误差协防量测更新以及状态估计量测更新;
基于所述误差协方差量测更新和所述状态估计量测更新对所述历史预测数据进行更新处理,以得到与所述历史预测数据相对应的实际输出预测数据;
基于所述实际预测输出数据和相应的理论电池数据,确定损失值;
基于所述损失值对所述待训练SOC预测模型中的模型参数进行更新,并将达到预设训练次数阈值时所得到的模型作为所述SOC预测模型。
4.根据权利要求2所述的方法,其特征在于,所述基于所述历史预测数据和基于卡尔兹曼滤波算法,确定误差协防量测更新值以及状态估计量测更新,包括:
将所述历史预测数据和前一时刻所对应的历史电池关联数据代入状态估计方程,确定误差协方差矩阵;
根据观测噪声和系统噪声,确定状态估计量测更新以及误差协方差矩阵量测更新。
5.一种电池SOC预测装置,其特征在于,包括:
参数获取模块,用于获取待预测电池在当前时刻之前至少一个时间点的电池关联参数;其中,所述电池关联参数包括各时间点所对应的电压参数和电流参数;
剩余电量计算模块,用于将所述电池关联参数输入至预先训练得到的SOC预测模型中,得到与所述待预测电池相对应的剩余电量信息;
反馈模块,用于将所述剩余电量信息反馈至目标终端设备。
6.根据权利要求5所述的装置,其特征在于,还包括:
关联数据获取模块,用于获取至少一个电池在各阶段下所对应的历史电池关联数据;其中,所述历史电池关联数据中包括至少一个历史电压参数和至少一个历史电流参数;
预测数据确定模块,用于将所述至少一个历史电池关联数据输入待训练SOC预测模型中,得到与所述至少一个历史电池关联数据相对应的历史预测数据;
理论数据确定模块,用于基于预先构建与所述至少一个电池相对应的剩余电量等效模型,确定与所述至少一个历史电池关联数据相对应的理论电池数据;
更新确定模块,用于基于所述历史预测数据和基于卡尔兹曼滤波算法,确定误差协防量测更新以及状态估计量测更新;
预测数据更新模块,用于基于所述误差协方差量测更新和所述状态估计量测更新对所述历史预测数据进行更新处理,以得到与所述历史预测数据相对应的实际输出预测数据;
损失值确定模块,用于基于所述实际预测输出数据和相应的理论电池数据,确定损失值;
模型参数更新模块,用于基于所述损失值对所述待训练SOC预测模型中的模型参数进行更新,并将达到预设训练次数阈值时所得到的模型作为所述SOC预测模型。
8.根据权利要求6所述的装置,其特征在于,更新确定模块包括:
矩阵确定单元,用于将所述历史预测数据和前一时刻所对应的历史电池关联数据代入状态估计方程,确定误差协方差矩阵;
更新确定单元,用于根据观测噪声和系统噪声,确定状态估计量测更新以及误差协方差矩阵量测更新。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的电池SOC预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的电池SOC预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601131.6A CN115754752A (zh) | 2022-12-13 | 2022-12-13 | 一种电池soc预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601131.6A CN115754752A (zh) | 2022-12-13 | 2022-12-13 | 一种电池soc预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115754752A true CN115754752A (zh) | 2023-03-07 |
Family
ID=85346586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211601131.6A Pending CN115754752A (zh) | 2022-12-13 | 2022-12-13 | 一种电池soc预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115754752A (zh) |
-
2022
- 2022-12-13 CN CN202211601131.6A patent/CN115754752A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3542173B1 (en) | Determining a state of health of a battery and providing an alert | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
US20110227587A1 (en) | Ac impedance measuring device | |
CN115236535B (zh) | 电池soc预估方法、装置、设备及存储介质 | |
CN117110891A (zh) | 锂离子电池荷电状态估计值的计算方法和计算装置 | |
CN115453376A (zh) | 电动汽车动力电池的状态监控方法、系统及电动汽车 | |
CN117805621A (zh) | 一种电池容量估计方法、装置、设备及存储介质 | |
CN114705990A (zh) | 电池簇荷电状态的估计方法及系统、电子设备及存储介质 | |
CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
CN116008827A (zh) | 一种锂离子电池析锂电位的确定方法、装置及电子设备 | |
CN115718265A (zh) | 电池直流电阻测试值的修正方法、电子设备及存储介质 | |
CN117420447A (zh) | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 | |
EP3812782A1 (en) | Estimating a temperature of an electrochemical battery | |
CN115754752A (zh) | 一种电池soc预测方法、装置、设备及存储介质 | |
CN115951236A (zh) | 锂电池状态监测方法及系统、装置、存储介质 | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
CN115902625A (zh) | 一种电池系统的性能预测方法、装置、设备及存储介质 | |
CN114879042A (zh) | 电芯分容放电容量预测方法、装置及电子设备 | |
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 | |
Zhang et al. | A Fusion Method to Estimate the State-of-Health of Lithium-ion Batteries | |
CN117706390B (zh) | 一种电池荷电状态滚动优化估计方法及装置 | |
CN118033461A (zh) | 一种电池健康状态的评估方法、装置及电子设备 | |
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 | |
CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 |
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 |