CN117148161A - 一种基于云端神经网络的电池soc估算方法及装置 - Google Patents
一种基于云端神经网络的电池soc估算方法及装置 Download PDFInfo
- Publication number
- CN117148161A CN117148161A CN202311101272.6A CN202311101272A CN117148161A CN 117148161 A CN117148161 A CN 117148161A CN 202311101272 A CN202311101272 A CN 202311101272A CN 117148161 A CN117148161 A CN 117148161A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- soc
- battery
- soc estimation
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 133
- 238000007781 pre-processing Methods 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于云端神经网络的电池SOC估算方法及装置，其中所述方法包括：获取电池的训练数据，对所述训练数据进行预处理，得到预处理数据；将所述预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；将所述SOC预测值返回终端。本发明通过部署在云端的神经网络SOC估算模型远程对电池进行SOC预测计算，给电池SOC估算提供足够的算力和响应能力，提高电池SOC估算准确性，并且云端服务器可以同时为多个电池提供算力，有效降低了成本。
Description
技术领域
本发明涉及电池技术领域，特别涉及一种基于云端神经网络的电池SOC估算方法及装置。
背景技术
目前的传统的电池SOC估算是基于安时积分法进行的。由于电池的放电速率与电池电压之间的关系在不同的SOC下可能发生变化。并且电流和电压采样间隔、电池容量、内阻这些参数会受到测量误差、时间漂移、环境温度变化和电池寿命衰减等因素的影响，导致计算的不准确性。
通过神经网络方法进行电池SOC计算可以提高计算精度。神经网络可以通过训练自动发现电池特性中的非线性模式，提高对于不同SOC下电池行为的识别和预测能力。并且神经网络通过使用大量的训练样本和迭代优化算法，从全局角度优化模型参数。这使得神经网络能够从输入数据中学习到更多的特征和模式，从而在SOC计算中具备更好的适应性和泛化能力，能够应对不同电池的变化和差异，提高计算精度。
然而，由于神经网络通常由许多层和大量的参数组成，因此需要更多的计算资源来进行训练和推断。这会对现有的BMS(电池管理系统)计算芯片造成一定的负担。如果单纯增加电池管理系统算力又会产生较高的生产成本。
因此,上述存在的技术缺陷亟需改变。
发明内容
针对现有技术的不足，本发明提供一种基于云端神经网络的电池SOC估算方法及装置，旨在给电池SOC估算提供足够的算力，提高电池SOC估算准确性，并且降低电池的总体成本。
为了解决上述技术问题，本申请实施例第一方面提供了一种基于云端神经网络的电池SOC估算方法，所述方法包括：
获取电池的训练数据，对训练数据进行预处理，得到预处理数据；
将预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；
获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；
将SOC预测值返回终端。
所述基于云端神经网络的电池SOC估算方法，其中，获取电池的训练数据，对训练数据进行预处理，得到预处理数据的步骤包括：
收集电池的训练数据，训练数据包括电流、电压和SOC标签；
对训练数据进行异常值和噪声数据去除处理，得到第一训练数据；
采用线性插值法对第一训练数据中缺失的部分进行填充，并且对第一训练数据进行归一化处理，得到预处理数据。
所述基于云端神经网络的电池SOC估算方法，其中，将预处理数据输入到神经网络初始模型中进行训练的步骤之前，包括：
构件神经网络初始模型，并定义网络的层数、神经元数和激活函数，神经网络初始模型包括2个LSTM层和1个全连接层。
所述基于云端神经网络的电池SOC估算方法，其中，将预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端的步骤包括：
将预处理数据输入到神经网络初始模型中进行训练，并输出第一预测结果；
通过误差函数测量第一预测结果与SOC标签之间的预测误差；
通过反向传播算法和优化器调整神经网络初始模型的权重和偏置，最小化预测误差；
重复进行若干个时代的训练；
得到神经网络SOC估算模型，并将其部署在云端。
所述基于云端神经网络的电池SOC估算方法，其中，重复进行若干个时代的训练的步骤包括：
将预处理数据分成若干批次；
将批次依次输入到神经网络初始模型进行训练。
所述基于云端神经网络的电池SOC估算方法，其中，获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值的步骤包括：
通过AP I请求获取终端实时电池数据；
对终端实时电池数据进行预处理，得到预处理实时电池数据，其中包括对终端实时电池数据进行异常值和噪声数据去除处理，得到第一实时电池数据；采用线性插值法对第一实时电池数据中缺失的部分进行填充，并且对第一实时电池数据进行归一化处理，得到预处理实时电池数据；
对预处理实时电池数据进行特征提取，得到实时电池数据特征；
通过神经网络SOC估算模型对实时电池数据特征进行推断，其中包括神经网络SOC估算模型对实时电池数据特征进行前向传播；
输出得到SOC预测值，将SOC预测值封装成AP I响应。
所述基于云端神经网络的电池SOC估算方法，其中，对预处理实时电池数据进行特征提取的步骤包括：
预处理实时电池数据包括图像数据和文本数据，其中，对图像数据进行卷积、池化、平滑操作；对文本数据进行词嵌入、标记化操作。
本申请实施例第二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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于云端神经网络的电池SOC估算方法中的步骤。
本申请实施例第三方面提供了一种基于云端神经网络的电池SOC估算装置，其包括：
预处理模块，用于获取电池的训练数据，对所述训练数据进行预处理，得到预处理数据；
训练模块，用于将所述预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；
预测计算模块，用于获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；
传输模块，用于将所述SOC预测值返回终端。
本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的基于云端神经网络的电池SOC估算方法中的步骤。
有益效果：与现有技术相比，本发明提供了一种基于云端神经网络的电池SOC估算方法及装置，其中所述方法包括：获取电池的训练数据，对所述训练数据进行预处理，得到预处理数据；将所述预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；将所述SOC预测值返回终端。本发明通过部署在云端的神经网络SOC估算模型远程对电池进行SOC预测计算，给电池SOC估算提供足够的算力和响应能力，提高电池SOC估算准确性，并且云端服务器可以同时为多个电池提供算力，有效降低了成本。
附图说明
图1为本发明提供的一种基于云端神经网络的电池SOC估算方法的流程图；
图2为图1中步骤S10的流程示意图；
图3为图1中步骤S20的流程示意图；
图4为图3中步骤S24的流程示意图；
图5为图1中步骤S30的流程示意图；
图6为本发明提供的一种基于云端神经网络的电池SOC估算装置的结构示意图；
图7为本发明提供的终端设备的结构原理图。
具体实施方式
本发明提供一种基于云端神经网络的电池SOC估算方法及装置，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当本申请方案称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
下面结合附图，通过对实施例的描述，对发明内容作进一步说明。
首先需要说明的是，电池SOC指的是电池管理系统中的SOC(State of Charge)，那么它是用来表示电池的充电状态的一种度量单位。电池的SOC指示了当前电池已存储的电能与其额定容量之间的比值。它通常使用百分比表示，例如，一个电池的SOC为50％表示它已经充满容量的一半。SOC的测量可以通过多种方式进行，其中一种常见的方法是通过测量电池终端电压和放电曲线来估计电池的剩余能量。
对于移动设备、电动汽车和可穿戴设备等依赖电池供电的设备来说，准确地知道电池的SOC非常重要。这样可以让用户了解电池的电量情况，并合理安排使用时间。同时，设备也可以根据电池的SOC做出相应的功耗控制和优化策略，以提供更好的用户体验和延长电池寿命。
传统电池SOC数据通常采用安时积分方法计算，由于电池的充放电特性通常是非线性的，即电池的放电速率与电池电压之间的关系在不同的SOC下可能发生变化。这导致使用简单的安时积分方法在考虑非线性情况下难以准确估算电池的SOC，尤其是在电池老化或工作条件变化时。并且那些用于安时积分计算SOC的参数(如电流和电压采样间隔、电池容量、内阻)的准确性和稳定性也会对计算精度产生影响。这些参数可能受到测量误差、时间漂移、环境温度变化和电池寿命衰减等因素的影响。因此，容易导致最终计算结果不准确性。
而神经网络能够学习和建模复杂的非线性关系。通过训练，神经网络可以自动发现电池特性中的非线性模式，提高对于不同SOC下电池行为的识别和预测能力。这使得神经网络在充分训练后可以更准确地估算电池的SOC。另外，神经网络通过使用大量的训练样本和迭代优化算法，从全局角度优化模型参数。这使得神经网络能够从输入数据中学习到更多的特征和模式，从而在SOC计算中具备更好的适应性和泛化能力，能够应对不同电池的变化和差异，提高计算精度。并且神经网络可以调整自身的内部参数，以适应不同的电池特性和环境条件。这意味着神经网络可以根据实时的电流和电压等信息，自动调整模型的权重和偏置，以提高SOC计算的准确性和鲁棒性。
然而，新的神经网络算法与传统的计算密集型任务相比，具有更大的计算量。神经网络通常由许多层和大量的参数组成，因此需要更多的计算资源来进行训练和推断。这会对现有的BMS(电池管理系统)计算芯片造成一定的负担。如果单纯增加BMS(电池管理系统)算力又会产生较高的生产成本。
因此，对于最新的神经网络算法，可能需要更高性能的计算硬件来支持其计算需求。这可能包括使用GPU(图形处理器)或者TPU(张量处理器)等专门用于神经网络计算的硬件加速器。
为此，本方案提供一种基于云端神经网络的电池SOC估算方法及装置。其中，该基于云端神经网络的电池SOC估算方法的执行主体可以为部署有神经网络电池SOC估算模块的云端服务器端，其中，神经网络电池SOC估算模块用于进行电池SOC测量估算。可以理解的时，本实施例的执行主体可以是诸如智能手机、智能手环或服务器主机等之类的连接有神经网络电池SOC估算模块的智能终端。例如，服务器获取电池的训练数据，对训练数据进行预处理，得到预处理数据；将预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；将SOC预测值返回终端。
需要注意的是，上述应用场景仅是为了便于理解本发明而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。
为了对发明内容作进一步说明，下面结合附图，通过对实施例进行具体描述。
本实施例提供的基于云端神经网络的电池SOC估算方法，如图1所示，方法具体包括：
步骤S10、获取电池的训练数据，对训练数据进行预处理，得到预处理数据；
步骤S20、将预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；具体地，将神经网络SOC估算模型部署在云端服务器，兵器通过无线网络连接电池终端。
步骤S30、获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；具体地，云端服务器通过无线网络获取终端实时电池数据，然后将终端实时电池数据处理过后输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值。
需要说明的是，通过部署在云端的神经网络SOC估算模型远程对电池进行SOC预测计算，可以保证实时的计算和响应能力，并且云端服务器可以同时为多个电池提供算力，无需给每个电池都单独配备计算硬件，因此可以有效降低生产成本。另外云端部署使得神经网络SOC估算模型的迭代和更新变得更加便捷。这意味可以及时利用新的数据和新算法来提升SOC估算的性能和准确性，不受硬件设备限制。
步骤S40、将SOC预测值返回终端。具体地，通过无线网络将SOC预测值返回终端。
进一步的，获取电池的训练数据，对训练数据进行预处理，得到预处理数据的步骤包括(如图2所示)：
步骤S11，收集电池的训练数据，训练数据包括电流、电压和SOC标签；
具体地，获取电池SOC预测所需的训练数据，训练数据包括电流、电压、温度等与SOC相关的参数。比如，收集100个样本点的电流电压数据和相应的SOC标签数据。
步骤S12，对训练数据进行异常值和噪声数据去除处理，得到第一训练数据；
具体地，对训练数据进行异常值和噪声数据去除处理。过滤掉电流或电压超出设定范围的异常值(过滤超出预设的电流阈值的电流值和超出预设的电压阈值的电压值)。比如最大电流为充放电map1.2倍，以及电芯使用范围区间。
步骤S13，采用线性插值法对第一训练数据中缺失的部分进行填充，并且对第一训练数据进行归一化处理，得到预处理数据。
具体地，对于第一训练数据中缺失的部分，使用插值方法进行填充。使用线性插值法填充缺失的电流值。然后对上述第一训练数据进行归一化，消除不同量纲之间的影响。常用的方法包括最大最小归一化或者标准化。将电流和电压数据归一化到0-1范围。
进一步的，将预处理数据输入到神经网络初始模型中进行训练的步骤之前，包括：
构件神经网络初始模型，并定义网络的层数、神经元数和激活函数，神经网络初始模型包括2个LSTM层和1个全连接层；
其中，选择适当的神经网络模型，使用LSTM模型，用于SOC预测。定义网络的层数、神经元数和激活函数等。设计一个具有2个LSTM层和1个全连接层的神经网络初始模型。
根据实际情况调整模型超参数，学习率、批量大小。
其中，调整方法如下：选择一个较大的学习率，如0.1或0.01，观察神经网络初始模型的训练情况和损失变化。如果损失在训练过程中不稳定或震荡，可以尝试减小学习率，如0.001或0.0001。或者使用学习率衰减技术，在训练过程中逐渐减小学习率。
其中，批量大小(Batch size)示例数据如下：假设训练数据包含1000个样本，并且进行了合适的预处理。调整方法：初始时可以选择一个较小的批量大小，如32或64。观察神经网络初始模型的训练情况和参数更新速度。如果发现神经网络初始模型难以收敛或训练速度过慢，可以尝试增大批量大小，如128或256。
进一步的，将预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端的步骤包括(如图3所示)：
步骤S21，将预处理数据输入到神经网络初始模型中进行训练，并输出第一预测结果；
步骤S22，通过误差函数测量第一预测结果与SOC标签之间的预测误差；
具体地，将预处理后的训练数据集输入到神经网络模型中进行训练。使用误差函数(如均方误差)衡量预测结果与真实SOC标签之间的差异。
步骤S23，通过反向传播算法和优化器调整神经网络初始模型的权重和偏置，最小化预测误差；
步骤S24，重复进行若干个时代(英文名称Epoch：将预处理数据输入神经网络初始模型进行一次训练)的训练；
具体地，通过反向传播算法和优化器(如Adam优化器)来调整网络的权重和偏置，最小化预测误差。进行100个Epoch的训练。
当将预处理后的训练数据集输入到神经网络模型中进行训练时。以电池为例：包括电流、电压和对应的真实SOC标签(目标值)。将数据集划分为训练集和验证集，并进行了适当的预处理。
训练集的示例数据(部分)：
电流：[1.2,2.5,0.8,3.1,…]
电压：[3.5,3.4,3.7,3.2,…]
真实SOC标签：[0.45,0.68,0.29,0.82,…]
将上述数据输入到神经网络模型中进行训练的具体步骤如下：输入数据准备；将电流和电压作为神经网络的输入特征；最后输出真实SOC标签作为神经网络的目标输出。
另外，选择适当的损失函数来衡量预测结果与真实SOC标签之间的差异，例如均方误差(Mean Squared Error，MSE)。
MSE计算方法：对于每个样本的预测值和真实标签，计算它们之间差值的平方，并对所有样本取平均。
关于反向传播和优化器：将训练数据的批次送入神经网络SOC估算模型中进行前向传播，得到预测的SOC值。通过计算预测值与真实SOC标签之间的MSE，确定预测误差。使用反向传播算法和优化器(如Adam优化器)来调整网络的权重和偏置，以最小化预测误差。
关于Adam优化器：基于自适应矩估计的优化算法，通过捕捉梯度的一阶和二阶矩来更新参数。
步骤S25，得到神经网络SOC估算模型，并将其部署在云端。
进一步的，重复进行若干个时代(英文名称Epoch：将预处理数据输入神经网络初始模型进行一次训练)的训练的步骤包括(如图4所示)：
步骤S241，将预处理数据分成若干批次(batch)；
步骤S242，将批次依次输入到神经网络初始模型进行训练。
具体地，重复进行若干个时代的训练，即进行迭代训练：
在训练数据(预处理数据)上进行多个Epochs的训练。其中，一个Epoch表示将所有训练数据(预处理数据)都传入神经网络进行一次训练。
在每个Epoch中，训练数据(预处理数据)将被分成小批次(batch)进行训练，以减少内存需求并加速训练过程。
进一步的，获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值的步骤包括(如图5所示)：
步骤S31，通过AP I请求获取终端实时电池数据；
具体地，云端的计算流程通常从接收AP I请求开始，因此通过AP I请求获取终端实时电池数据。
步骤S32，对终端实时电池数据进行预处理，得到预处理实时电池数据，其中包括对终端实时电池数据进行异常值和噪声数据去除处理，得到第一实时电池数据；采用线性插值法对第一实时电池数据中缺失的部分进行填充，并且对第一实时电池数据进行归一化处理，得到预处理实时电池数据；
具体地，接收到AP I请求后，云端进行数据预处理，将输入数据进行适当的转换和格式化，以符合神经网络模型的要求。其中涉及数据归一化、缩放或其他预处理技术，确保输入数据的一致性和准确性。
步骤S33，对预处理实时电池数据进行特征提取，得到实时电池数据特征；
在一些实施例中，在数据预处理之后，云端服务器对预处理后的数据(预处理数据)进行特征提取。特征提取是将数据(预处理数据)转换为神经网络模型可以理解和处理的形式。其中数据包括图像数据和文本数据，具体地，对图像数据进行卷积、池化、平滑等操作，对文本数据进行词嵌入、标记化等操作。
步骤S34，通过神经网络SOC估算模型对实时电池数据特征进行推断，其中包括神经网络SOC估算模型对实时电池数据特征进行前向传播；
其中，一旦输入数据(电池的训练数据)经过预处理和特征提取，云端将使用部署的神经网络模型对数据进行推断。推断是通过模型进行前向传播，将输入数据(电池的训练数据)传递给神经网络中的各个层，最终得到输出。这可能涉及矩阵计算、激活函数的应用和其他复杂的数学运算。
步骤S35，输出得到SOC预测值，将SOC预测值封装成AP I响应。
具体地，在神经网络SOC估算模型推断完成后，云端将根据神经网络SOC估算模型输出生成最终的结果。其中输出的结果可能是预测的分类标签、连续值的估算或其他应用特定的输出。云端服务器将结果封装成API的响应，并返回给请求的客户端。
进一步的，对预处理实时电池数据进行特征提取的步骤包括：
预处理实时电池数据包括图像数据和文本数据，其中，对图像数据进行卷积、池化、平滑操作；对文本数据进行词嵌入、标记化操作。
综上，本实施例提供了一种基于云端神经网络的电池SOC估算方法及装置。本发明通过部署在云端的神经网络SOC估算模型远程对电池进行SOC预测计算，可以保证实时的计算和响应能力，并且云端服务器可以同时为多个电池提供算力，无需给每个电池都单独配备计算硬件，因此可以有效降低生产成本。另外云端部署使得神经网络SOC估算模型的迭代和更新变得更加便捷。这意味可以及时利用新的数据和新算法来提升SOC估算的性能和准确性，不受硬件设备限制。
为了更好地实施以上方法，本申请实施例还提供一种基于云端神经网络的电池SOC估算装置100，该装置具体可以集成在电子设备中，该电子设备可以为终端、服务器、个人电脑等设备。比如，在本实施例中，该装置可以包括：101预处理模块、102训练模块、103预测计算模块和104传输模块，具体如下(如图6)：
101预处理模块，用于获取电池的训练数据，对所述训练数据进行预处理，得到预处理数据；
102训练模块，用于将所述预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；
103预测计算模块，用于获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；
104传输模块，用于将所述SOC预测值返回终端。
在一些实施例中，一种基于云端神经网络的电池SOC估算装置100包括101预处理模块、102训练模块、103预测计算模块和104传输模块，其中101预处理模块获取电池的训练数据，对所述训练数据进行预处理，得到预处理数据；102训练模块将所述预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；103预测计算模块获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；104传输模块将所述SOC预测值返回终端。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于计算机可读存储介质中，并由处理器进行加载和执行。
基于上述基于云端神经网络的电池SOC估算方法，本实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例的基于云端神经网络的电池SOC估算方法中的步骤。例如，执行以上描述的图1中的方法步骤S10至S40、图2中的方法步骤S11至S13、图3中的方法步骤S21至S25、图4中的方法步骤S241至S242、图5中的方法步骤S31至S35。具体步骤如下：
获取电池的训练数据，对训练数据进行预处理，得到预处理数据；
将预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；
获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；
将SOC预测值返回终端。
在一些实施例中，获取电池的训练数据，对训练数据进行预处理，得到预处理数据的步骤包括：
收集电池的训练数据，训练数据包括电流、电压和SOC标签；
对训练数据进行异常值和噪声数据去除处理，得到第一训练数据；
采用线性插值法对第一训练数据中缺失的部分进行填充，并且对第一训练数据进行归一化处理，得到预处理数据。
在一些实施例中，将预处理数据输入到神经网络初始模型中进行训练的步骤之前，包括：
构件神经网络初始模型，并定义网络的层数、神经元数和激活函数，神经网络初始模型包括2个LSTM层和1个全连接层。
在一些实施例中，将预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端的步骤包括：
将预处理数据输入到神经网络初始模型中进行训练，并输出第一预测结果；
通过误差函数测量第一预测结果与SOC标签之间的预测误差；
通过反向传播算法和优化器调整神经网络初始模型的权重和偏置，最小化预测误差；
重复进行若干个时代(Epoch：将预处理数据输入神经网络初始模型进行一次训练)的训练；
得到神经网络SOC估算模型，并将其部署在云端。
在一些实施例中，重复进行若干个时代的训练的步骤包括：
将预处理数据分成若干批次(batch)；
将批次依次输入到神经网络初始模型进行训练。
在一些实施例中，获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值的步骤包括：
通过AP I请求获取终端实时电池数据；
对终端实时电池数据进行预处理，得到预处理实时电池数据，其中包括对终端实时电池数据进行异常值和噪声数据去除处理，得到第一实时电池数据；采用线性插值法对第一实时电池数据中缺失的部分进行填充，并且对第一实时电池数据进行归一化处理，得到预处理实时电池数据；
对预处理实时电池数据进行特征提取，得到实时电池数据特征；
通过神经网络SOC估算模型对实时电池数据特征进行推断，其中包括神经网络SOC估算模型对实时电池数据特征进行前向传播；
输出得到SOC预测值，将SOC预测值封装成AP I响应。
所述基于云端神经网络的电池SOC估算方法，其中，对预处理实时电池数据进行特征提取的步骤包括：
预处理实时电池数据包括图像数据和文本数据，其中，对图像数据进行卷积、池化、平滑操作；对文本数据进行词嵌入、标记化操作。
基于上述基于云端神经网络的电池SOC估算方法，本发明还提供了一种终端设备，如图7所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
综上，与现有技术相比，本发明具有以下有益效果：一种基于云端神经网络的电池SOC估算方法及装置，本发明通过部署在云端的神经网络SOC估算模型远程对电池进行SOC预测计算，可以保证实时的计算和响应能力，并且云端服务器可以同时为多个电池提供算力，无需给每个电池都单独配备计算硬件，因此可以有效降低生产成本。另外云端部署使得神经网络SOC估算模型的迭代和更新变得更加便捷。这意味可以及时利用新的数据和新算法来提升SOC估算的性能和准确性，不受硬件设备限制。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于云端神经网络的电池SOC估算方法，其特征在于，所述方法包括：
获取电池的训练数据，对所述训练数据进行预处理，得到预处理数据；
将所述预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；
获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；
将所述SOC预测值返回终端。
2.根据权利要求1所述的基于云端神经网络的电池SOC估算方法，其特征在于，所述获取电池的训练数据，对所述训练数据进行预处理，得到预处理数据的步骤包括：
收集电池的训练数据，所述训练数据包括电流、电压和SOC标签；
对所述训练数据进行异常值和噪声数据去除处理，得到第一训练数据；
采用线性插值法对所述第一训练数据中缺失的部分进行填充，并且对所述第一训练数据进行归一化处理，得到所述预处理数据。
3.根据权利要求1所述的基于云端神经网络的电池SOC估算方法，其特征在于，所述将所述预处理数据输入到神经网络初始模型中进行训练的步骤之前，包括：
构件所述神经网络初始模型，并定义网络的层数、神经元数和激活函数，所述神经网络初始模型包括2个LSTM层和1个全连接层。
4.根据权利要求2所述的基于云端神经网络的电池SOC估算方法，其特征在于，所述将所述预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端的步骤包括：
将所述预处理数据输入到所述神经网络初始模型中进行训练，并输出第一预测结果；
通过误差函数测量所述第一预测结果与所述SOC标签之间的预测误差；
通过反向传播算法和优化器调整所述神经网络初始模型的权重和偏置，最小化所述预测误差；
重复进行若干个时代的训练；
得到所述神经网络SOC估算模型，并将其部署在云端。
5.根据权利要求4所述的基于云端神经网络的电池SOC估算方法，其特征在于，所述重复进行若干个时代的训练的步骤包括：
将所述预处理数据分成若干批次；
将所述批次依次输入到所述神经网络初始模型进行训练。
6.根据权利要求1所述的基于云端神经网络的电池SOC估算方法，其特征在于，所述获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值的步骤包括：
通过API请求获取终端实时电池数据；
对所述终端实时电池数据进行预处理，得到预处理实时电池数据，其中包括对所述终端实时电池数据进行异常值和噪声数据去除处理，得到第一实时电池数据；采用线性插值法对所述第一实时电池数据中缺失的部分进行填充，并且对所述第一实时电池数据进行归一化处理，得到所述预处理实时电池数据；
对所述预处理实时电池数据进行特征提取，得到实时电池数据特征；
通过所述神经网络SOC估算模型对所述实时电池数据特征进行推断，其中包括所述神经网络SOC估算模型对所述实时电池数据特征进行前向传播；
输出得到所述SOC预测值，将所述SOC预测值封装成API响应。
7.根据权利要求6所述的基于云端神经网络的电池SOC估算方法，其特征在于，所述对所述预处理实时电池数据进行特征提取的步骤包括：
所述预处理实时电池数据包括图像数据和文本数据，其中，对所述图像数据进行卷积、池化、平滑操作；对所述文本数据进行词嵌入、标记化操作。
8.一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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～7任意一项所述的一种基于云端神经网络的电池SOC估算方法中的步骤。
9.一种基于云端神经网络的电池SOC估算装置，其特征在于，包括：
预处理模块，用于获取电池的训练数据，对所述训练数据进行预处理，得到预处理数据；
训练模块，用于将所述预处理数据输入到神经网络初始模型神经网络SOC估算模型中进行训练，得到神经网络SOC估算模型，并将其部署在云端；
预测计算模块，用于获取终端实时电池数据，并通过云端输入到神经网络SOC估算模型进行SOC预测计算，输出得到SOC预测值；
传输模块，用于将所述SOC预测值返回终端。
10.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述的基于云端神经网络的电池SOC估算方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311101272.6A CN117148161A (zh) | 2023-08-29 | 2023-08-29 | 一种基于云端神经网络的电池soc估算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311101272.6A CN117148161A (zh) | 2023-08-29 | 2023-08-29 | 一种基于云端神经网络的电池soc估算方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117148161A true CN117148161A (zh) | 2023-12-01 |
Family
ID=88911273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311101272.6A Pending CN117148161A (zh) | 2023-08-29 | 2023-08-29 | 一种基于云端神经网络的电池soc估算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117148161A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
| CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
| CN112269134A (zh) * | 2020-09-10 | 2021-01-26 | 杭州电子科技大学 | 一种基于深度学习的电池soc和soh联合估计方法 |
| CN112816875A (zh) * | 2020-12-25 | 2021-05-18 | 珠海格力电器股份有限公司 | 电动车辆电池云端管理系统、方法、介质及云端服务器 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| WO2022101769A1 (en) * | 2020-11-13 | 2022-05-19 | Kpit Technologies Limited | A hybrid system and method for estimating state of charge of a battery |
| CN114662658A (zh) * | 2022-03-11 | 2022-06-24 | 重庆邮电大学 | 一种基于lstm神经网络的片上光网络热点预测方法 |
| CN115792625A (zh) * | 2022-11-03 | 2023-03-14 | 四川新智绿能测控技术有限公司 | 基于神经网络的锂电池soc估计方法、系统、设备及介质 |
| WO2023045790A1 (zh) * | 2021-09-23 | 2023-03-30 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
| CN116298931A (zh) * | 2023-05-12 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 一种基于云端数据的锂离子电池容量估计方法 |
-
2023
- 2023-08-29 CN CN202311101272.6A patent/CN117148161A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
| CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
| CN112269134A (zh) * | 2020-09-10 | 2021-01-26 | 杭州电子科技大学 | 一种基于深度学习的电池soc和soh联合估计方法 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| WO2022101769A1 (en) * | 2020-11-13 | 2022-05-19 | Kpit Technologies Limited | A hybrid system and method for estimating state of charge of a battery |
| CN112816875A (zh) * | 2020-12-25 | 2021-05-18 | 珠海格力电器股份有限公司 | 电动车辆电池云端管理系统、方法、介质及云端服务器 |
| WO2023045790A1 (zh) * | 2021-09-23 | 2023-03-30 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
| CN114662658A (zh) * | 2022-03-11 | 2022-06-24 | 重庆邮电大学 | 一种基于lstm神经网络的片上光网络热点预测方法 |
| CN115792625A (zh) * | 2022-11-03 | 2023-03-14 | 四川新智绿能测控技术有限公司 | 基于神经网络的锂电池soc估计方法、系统、设备及介质 |
| CN116298931A (zh) * | 2023-05-12 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 一种基于云端数据的锂离子电池容量估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102170105B1 (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
| US10295601B2 (en) | Method and apparatus for estimating state of battery | |
| CN110832509B (zh) | 使用神经网络的黑盒优化 | |
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN115144934B (zh) | 基于变分量子线路的气象预测方法及相关设备 | |
| JP2023520970A (ja) | リチウム電池のｓｏｃ推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
| CN113219357A (zh) | 电池包健康状态计算方法、系统及电子设备 | |
| CN115236535B (zh) | 电池soc预估方法、装置、设备及存储介质 | |
| CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
| CN114511042A (zh) | 一种模型的训练方法、装置、存储介质及电子装置 | |
| JP2023139227A (ja) | 電池健康状態予測方法、装置、電子機器及び可読記憶媒体 | |
| WO2022144542A1 (en) | Method for predicting condition parameter degradation of a cell | |
| CN116500458B (zh) | 动力电池容量评估方法、装置、车辆及电子装置 | |
| CN116796821A (zh) | 面向3d目标检测算法的高效神经网络架构搜索方法及装置 | |
| CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
| CN109034497A (zh) | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 | |
| CN117148161A (zh) | 一种基于云端神经网络的电池soc估算方法及装置 | |
| CN112016702A (zh) | 基于迁移学习的医疗数据处理方法、装置、设备及介质 | |
| Li et al. | Research on SOC estimation of lithium battery based on GWO-BP neural network | |
| CN112149351B (zh) | 一种基于深度学习的微波电路物理尺寸估算方法 | |
| CN115195521A (zh) | 一种充电剩余时间估算方法、装置及终端 | |
| CN112488224A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
| CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
| Zhang et al. | Joint estimation of state-of-charge and state-of-power for hybrid supercapacitors using fractional-order adaptive unscented Kalman filter | |
| CN115577769B (zh) | 一种基于双向神经网络自回归模型的量测数据拟合方法 |
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 |