CN118011220A - 一种电池组的荷电状态估计方法、系统和介质 - Google Patents
一种电池组的荷电状态估计方法、系统和介质 Download PDFInfo
- Publication number
- CN118011220A CN118011220A CN202410411226.4A CN202410411226A CN118011220A CN 118011220 A CN118011220 A CN 118011220A CN 202410411226 A CN202410411226 A CN 202410411226A CN 118011220 A CN118011220 A CN 118011220A
- Authority
- CN
- China
- Prior art keywords
- graph
- node
- time series
- time sequence
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000006243 chemical reaction Methods 0.000 claims abstract description 48
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 238000011176 pooling Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 230000008447 perception Effects 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000010365 information processing Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 101100285518 Drosophila melanogaster how gene Proteins 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000013075 data extraction Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 10
- 230000008901 benefit Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池组的荷电状态估计方法、系统和介质,其中,该方法包括:通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入;将多变量时间序列嵌入转化为图结构的多变量时间序列转换图,其中,图结构包含节点和边;通过图池化层对多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图;基于掩码子图,通过多层感知层预测得到电池组的荷电状态SOC,通过本申请,实现了数据提取、图结构的数据转换和对转换图的节点筛选和节点信息保留,能够筛选保留下有用的数据信息,在保证计算效率的基础上提高荷电状态的预测精度,解决了如何准确估计电池的荷电状态SOC的问题。
Description
技术领域
本申请涉及电化学储能技术领域,特别是涉及一种电池组的荷电状态估计方法、系统和介质。
背景技术
在电化学储能场景中,电池组的荷电状态SOC(State of Charge,SOC)是电能管理的一个重要指标,如何估计电池SOC是当前的重要研究课题。由于电池组的充放电涉及复杂的电化学反应,传统的电池SOC估计方法根据电池的电化学原理来进行估计;而数据驱动型的电池SOC估计方法是较为新颖的一种估算方法,即根据电池产生的历史数据,通过机器学习或深度学习从中学习特征与SOC值的映射关系,现有的数据驱动型SOC估计方法包括开路电压法、库伦积分法、卡尔曼滤波法、基于支持向量机和基于神经网络的方法。
对于数据驱动型的SOC估计方法,专利申请号201910673115.X的专利公开了基于深度神经网络的车辆电池荷电状态估计方法,具体地,获取电池数据集中电池的电压V、电流I、电池表面温度T和电池当前电量Ah的历史数据,初步处理为原始数据;使用上述处理后的数据制作成神经网络可以训练的数据集,分为训练集和测试集;初始化双向LSTMEncoder-Decoder深度神经网络模型,并利用上述训练集对网络进行训练,获得训练后的网络模型参数;使用上述模型对测试集进行测试,得到SOC估计的效果;运用到实际的电池SOC估计,输入某一时刻的电压、电流和温度,即可获得对应时刻的SOC估计值。虽然LSTM在处理长序列依赖问题方面表现出色,但LSTM仅仅关注单一序列的时序关系,没有考虑多时序之间相互影响的关系,即仅靠LSTM可能会导致后续SOC估计结果的不可靠。
目前针对相关技术中如何准确估计电池的荷电状态SOC的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种电池组的荷电状态估计方法、系统和介质,以至少解决相关技术中如何准确估计电池的荷电状态SOC的问题。
第一方面,本申请实施例提供了一种电池组的荷电状态估计方法,所述方法包括:
通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入;
将所述多变量时间序列嵌入转化为图结构的多变量时间序列转换图,其中,所述图结构包含节点和边;
通过图池化层对所述多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图;
基于所述掩码子图,通过多层感知层预测得到所述电池组的荷电状态SOC。
在其中一些实施例中,将所述多变量时间序列嵌入转化为图结构的多变量时间序列转换图包括:
基于所述多变量时间序列嵌入,通过自注意力机制层捕获所述电池组的多变量之间的潜在关联,得到图结构的多变量时间序列转换图,其中,所述图结构中的边表征所述潜在关联。
在其中一些实施例中,通过图池化层对所述多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图包括:
通过图池化层对所述多变量时间序列转换图进行节点信息保留,得到所述第一多变量时间序列转换图;
对所述第一多变量时间序列转换图中节点进行计算评分,得到所述节点的节点特征评分和图结构信息评分;
基于所述节点特征评分和所述图结构信息评分,对所述第一多变量时间序列转换图进行节点筛选,得到掩码子图。
在其中一些实施例中,对所述第一多变量时间序列转换图中节点进行计算评分,得到所述节点的节点特征评分和图结构信息评分包括:
通过图池化层中的GCNConv卷积结构对所述第一多变量时间序列转换图中节点进行计算评分,得到所述节点的图结构信息评分Z stru ;
通过图池化层中训练好的的投影向量p对所述第一多变量时间序列转换图中节点进行计算评分,得到所述节点的节点特征评分Z node 。
在其中一些实施例中,基于所述节点特征评分和所述图结构信息评分,对所述第一多变量时间序列转换图进行节点筛选,得到掩码子图包括:
基于所述节点特征评分和所述图结构信息评分,计算得到所述节点的综合评价得分;
筛选出所述综合评价得分最高的前k个节点,得到第二多变量时间序列转换图;
对所述第二多变量时间序列转换图进行掩码操作,生成得到掩码子图。
在其中一些实施例中,通过图池化层对所述多变量时间序列转换图进行节点信息保留,得到所述第一多变量时间序列转换图包括:
通过所述图池化层对所述多变量时间序列转换图中的节点信息进行聚合保留,得到第二多变量时间序列转换图。
在其中一些实施例中,所述方法还包括:
基于预设目标函数,通过训练集对图神经网络模型进行端到端的优化训练,其中,所述图神经网络模型包含所述双向长短期记忆层、所述自注意力机制层、所述图池化层和所述多层感知层。
在其中一些实施例中,在通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入之前,所述方法包括:
获取电池组的多变量时间序列数据,其中,所述多变量时间序列数据包括电流时间序列数据、电压时间序列数据和温度时间序列数据。
第二方面,本申请实施例提供了一种电池组的荷电状态估计系统,所述系统用于执行上述第一方面中所述的方法,所述系统包括特征提取模块、信息处理模块和结果预测模块;
所述特征提取模块,用于通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入;
所述信息处理模块,用于将所述多变量时间序列嵌入转化为图结构的多变量时间序列转换图,其中,所述图结构包含节点和边;
所述信息处理模块,用于通过图池化层对所述多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图;
所述结果预测模块,用于根据所述掩码子图,通过多层感知层预测得到所述电池组的荷电状态SOC。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的方法。
相比于相关技术,本申请实施例提供的一种电池组的荷电状态估计方法、系统和介质,其中,该方法通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入;将多变量时间序列嵌入转化为图结构的多变量时间序列转换图,其中,图结构包含节点和边;通过图池化层对多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图;基于掩码子图,通过多层感知层预测得到电池组的荷电状态SOC,实现了基于双向长短期记忆层在时间序列上的数据提取,使得荷电状态预测更贴合电池工作时间变化,图结构的数据转换和对转换图的节点筛选和节点信息保留,能够筛选保留下有用的数据信息,在保证计算效率的基础上提高荷电状态的预测精度,解决了如何准确估计电池的荷电状态SOC的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的电池组荷电状态估计方法的步骤流程图;
图2根据本申请实施例的电池组荷电状态估计方法的流程示意图;
图3是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”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:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请实施例提供了一种电池组的荷电状态估计方法,图1是根据本申请实施例的电池组荷电状态估计方法的步骤流程图,如图1所示,该方法包括以下步骤:
步骤S102,通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入;
步骤S102具体地,图2根据本申请实施例的电池组荷电状态估计方法的流程示意图,如图2所示,获取电池组的多变量时间序列数据X,其中,多变量时间序列数据包括电流时间序列数据、电压时间序列数据和温度时间序列数据。该电池组优选为铅酸电池组。
需要说明的是,如图2所示,通过双向长短期记忆层(BiLSTM),从输入的多变量时间序列数据X中提取提取相应的多变量时间序列嵌入,表示如下:
R = BiLSTM(X)
步骤S104,将多变量时间序列嵌入转化为图结构的多变量时间序列转换图,其中,图结构包含节点和边;
步骤S104具体地,如图2所示,基于多变量时间序列嵌入,通过自注意力机制层捕获电池组的多变量之间的潜在关联,得到图结构的多变量时间序列转换图,其中,图结构中的边表征潜在关联。
需要说明的是,如图2所示,基于多变量时间序列嵌入R,应用自注意机制。自注意机制如下所示:
其中,Q和K表征查询和关键,可以计算线性投影可学习参数W Q 和W K ,d k 是隐藏的尺寸大小,Q和K是输出矩阵(R N×N ),表征通过行规范化产生的最终邻接矩阵,A为多变量时间序列转换图。此外,为了提高训练效率和降低噪声的影响,还可以设置一个阈值α来增加邻接矩阵的稀疏性,如下所示:
其中,A i,j 表征从节点i到相邻节点j的边。节点i的特征是X i (即来自输入多变量时间序列数据X的第i个维度)。
进一步需要说明的是,通过上述步骤S102至步骤S104,利用BiLSTM提取到多变量时间序列嵌入后,再利用自注意机制来自适应地学习图邻接矩阵来捕获铅酸电池多变量时间序列数据(电流、电压、温度等)之间的潜在关联,提高后续两次的荷电状态SOC的估算准确度,荷电状态(State of Charge,SOC,荷电状态,泛指当前剩余电荷量占总电荷量百分比)。
步骤S106,通过图池化层对多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图;
步骤S106具体地包括以下步骤:
步骤S1061,通过图池化层对所述多变量时间序列转换图进行节点信息保留,得到所述第一多变量时间序列转换图;
步骤S1061具体地,如图2所示,通过图池化层对多变量时间序列转换图中的节点信息进行聚合保留,得到第一多变量时间序列转换图。
需要说明的是,如图2所示,节点信息保留仅选择部分节点作为池化结果,其余节点则被直接删除。然而,一些低分数的节点仍然可能携带有用的信息,对于表征学习来说非常重要。此外,对于节点数量较少的小图,节点的下降会导致大量信息的丢失,进而导致预测失败。为了利用这些可能会被忽略的未选择节点的信息,故引入了节点信息保留,在删除节点之前聚合节点的特征。可选地使用GAT来进行聚合,GAT的表示为:
其中,式中,x i 为节点i的特征向量,x j 为相邻节点j的特征向量。D是节点i的相邻节点的总数,a r ij 是注意层r中x i 和x j 之间的注意值,W r 是注意层r中的权值矩阵,x ’ i 是输出子图中的第i个节点。
步骤S1062,通过图池化层对第一多变量时间序列转换图中节点进行计算评分,得到节点的节点特征评分和图结构信息评分;
步骤S1062具体地,如图2所示,通过图池化层中的GCNConv卷积结构对第一多变量时间序列转换图中节点进行计算评分,得到节点的图结构信息评分Z stru ;
通过图池化层中训练好的的投影向量p对第一多变量时间序列转换图中节点进行计算评分,得到节点的节点特征评分Z node 。
需要说明的是,如图2所示,多变量时间序列转换图具有由多个变量构建的图结构,通过节点和边来表达它们之间的丰富相互关系,从而为未来的预测提供丰富的特征信息。然而,并不是所有的变量/节点都对最终的预测有帮助。为了解决这个问题,利用节点筛选,能够有效地从节点特征和图结构两个层次中选择重要的节点,以减轻预测的难度。
在图结构层面上,采用GCNConv卷积结构来评估节点的重要性,因为它已经被证明具有从图中学习结构信息的能力。GCNConv的表达如下:
其中,Z stru 是通过计算GCNConv节点的结构信息得分而得出的图结构信息评分,表征邻接矩阵(即单位矩阵加上A),D是系数矩阵,X是多变量时间序列数据,W是权重向量,σ表征激活函数tanh
在特征层面上,使用一个可训练的投影向量p来进行特征评分。具体而言,对于给定的节点i和其特征向量x i ,x i 在p上的标量投影可以表征为:
其中,Z node 用来衡量当节点i投影到p的方向上时可以保留多少信息。
步骤S1063,基于节点特征评分和图结构信息评分,对第一多变量时间序列转换图进行节点筛选,得到掩码子图。
步骤S1063具体地,如图2所示,基于节点特征评分和图结构信息评分,计算得到节点的综合评价得分;筛选出综合评价得分最高的前k个节点,得到第二多变量时间序列转换图。
对第二多变量时间序列转换图进行掩码操作,生成得到掩码子图。
需要说明的是,如图2所示,为了选择结构和特征级别的节点评分,引入了Z score ,Z score 由节点特征评分、图结构评分以及超参数β计算而得。Z score 考虑了两个不同的节点综合评价方法,增强了最终节点的客观性。该公式如下:
Z score = βZ stru +(1-β) Z node
然后采用top-k节点选择方法进行节点选择,可以表述为:
idx = rank(Z score , k)
其中,k表征在新图中被选择的节点所占的比例。rank(Z score , k)是节点排序操作,它返回Z score 中最大值的k个百分比的索引。排序操作返回的idx包含被选择为新图节点的索引。
通过节点筛选模块和节点信息保留模块,得到所选的节点索引和信息保留的节点特征。然后通过一个掩码操作生成子图,如下所示:
其中,⊙表征元素级的矩阵乘法。X l 和A l 分别是由第l个池化层生成的新的特征矩阵和相应的邻接矩阵。最后,利用读出层将输出节点特征聚合为固定大小的表征,并从输入图中保留的信息,用于最终分类。其可表述如下:
其中,N l 是第l个池化层的节点数,x l i 是第l个池化层输出特征X l 的第i个节点的特征向量,s l 是第1个池化层的读出输出,||表征连接。然后,对于L个自适应池化层进行串联操作得到,并提交给MLP获得最终预测SOC。公式如下:
进一步需要说明的是,步骤S106的目的是通过删除不利于最终结果的信息节点,以聚合节点并生成较小的子图。图池化层包括两个主要功能模块:节点筛选和节点信息保留,前者旨在测量节点对图特征的重要性得分,并为信息节点生成排序索引;后者旨在将节点信息聚合到未丢失节点,以防止在后续节点丢弃过程中损失局部信息。如此一来,在保证计算效率的基础上提高荷电状态的预测精度,解决了如何准确估计电池的荷电状态SOC的问题。
步骤S108,基于掩码子图,通过多层感知层(MLP)预测得到电池组的荷电状态SOC。
需要说明的是,新能源汽车,尤其是电动汽车,作为未来汽车发展的重要方向,因其污染小和驾驶体验好等特点,已被广大消费者广泛追捧,发展潜力巨大,其中,电池作为电动汽车的核心部件,通过对电池的荷电状态SOC估计来对电池状态进行在线、准确的监控,进一步分析出电池是否产生故障。换言之,本申请所记载的SOC估计方法不仅可应用于电储能场景中,还可以应用于新能源汽车场景中。
通过本申请实施例中的步骤S102至步骤S108,实现了基于双向长短期记忆层在时间序列上的数据提取,使得荷电状态预测更贴合电池工作时间变化,图结构的数据转换和对转换图的节点筛选和节点信息保留,能够筛选保留下有用的数据信息,在保证计算效率的基础上提高荷电状态的预测精度,解决了如何准确估计电池的荷电状态SOC的问题。
在其中一些实施例中,方法还包括:
基于预设目标函数,通过训练集对图神经网络模型进行端到端的优化训练,其中,图神经网络模型包含双向长短期记忆层、自注意力机制层、图池化层和多层感知层。
具体地,在训练阶段,给定来自训练集的输入多变量时间序列数据,是算法框架进行端到端优化,预设目标函数为:
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供了一种电池组的荷电状态估计系统,系统包括特征提取模块、信息处理模块和结果预测模块;
特征提取模块,用于通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入;
信息处理模块,用于将多变量时间序列嵌入转化为图结构的多变量时间序列转换图,其中,图结构包含节点和边;
信息处理模块,用于通过图池化层对多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图;
结果预测模块,用于根据掩码子图,通过多层感知层预测得到电池组的荷电状态SOC。
通过本申请实施例中的特征提取模块、信息处理模块和结果预测模块,实现了基于双向长短期记忆层在时间序列上的数据提取,使得荷电状态预测更贴合电池工作时间变化,图结构的数据转换和对转换图的节点筛选和节点信息保留,能够筛选保留下有用的数据信息,在保证计算效率的基础上提高荷电状态的预测精度,解决了如何准确估计电池的荷电状态SOC的问题。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的电池组的荷电状态估计方法,本申请实施例可提供一种存储介质来实现。该存储介质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实施例中的任意一种电池组的荷电状态估计方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池组的荷电状态估计方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,图3是根据本申请实施例的电子设备的内部结构示意图,如图3所示,提供了一种电子设备,该电子设备可以是服务器,其内部结构图可以如图3所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器,其中,该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力,网络接口用于与外部的终端通过网络连接通信,内存储器用于为操作系统和计算机程序的运行提供环境,计算机程序被处理器执行时以实现一种电池组的荷电状态估计方法,数据库用于存储数据。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池组的荷电状态估计方法,其特征在于,所述方法包括:
通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入;
将所述多变量时间序列嵌入转化为图结构的多变量时间序列转换图,其中,所述图结构包含节点和边;
通过图池化层对所述多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图;
基于所述掩码子图,通过多层感知层预测得到所述电池组的荷电状态SOC。
2.根据权利要求1所述的方法,其特征在于,将所述多变量时间序列嵌入转化为图结构的多变量时间序列转换图包括:
基于所述多变量时间序列嵌入,通过自注意力机制层捕获所述电池组的多变量之间的潜在关联,得到图结构的多变量时间序列转换图,其中,所述图结构中的边表征所述潜在关联。
3.根据权利要求1所述的方法,其特征在于,通过图池化层对所述多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图包括:
通过图池化层对所述多变量时间序列转换图进行节点信息保留,得到第一多变量时间序列转换图;
对所述第一多变量时间序列转换图中节点进行计算评分,得到所述节点的节点特征评分和图结构信息评分;
基于所述节点特征评分和所述图结构信息评分,对所述第一多变量时间序列转换图进行节点筛选,得到掩码子图。
4.根据权利要求3所述的方法,其特征在于,对所述第一多变量时间序列转换图中节点进行计算评分,得到所述节点的节点特征评分和图结构信息评分包括:
通过图池化层中的GCNConv卷积结构对所述第一多变量时间序列转换图中节点进行计算评分,得到所述节点的图结构信息评分Z stru ;
通过图池化层中训练好的的投影向量p对所述第一多变量时间序列转换图中节点进行计算评分,得到所述节点的节点特征评分Z node 。
5.根据权利要求3所述的方法,其特征在于,基于所述节点特征评分和所述图结构信息评分,对所述第一多变量时间序列转换图进行节点筛选,得到掩码子图包括:
基于所述节点特征评分和所述图结构信息评分,计算得到所述节点的综合评价得分;
筛选出所述综合评价得分最高的前k个节点,得到第二多变量时间序列转换图;
对所述第二多变量时间序列转换图进行掩码操作,生成得到掩码子图。
6.根据权利要求3所述的方法,其特征在于,通过图池化层对所述多变量时间序列转换图进行节点信息保留,得到所述第一多变量时间序列转换图包括:
通过所述图池化层对所述多变量时间序列转换图中的节点信息进行聚合保留,得到第一多变量时间序列转换图。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于预设目标函数,通过训练集对图神经网络模型进行端到端的优化训练,其中,所述图神经网络模型包含所述双向长短期记忆层、所述自注意力机制层、所述图池化层和所述多层感知层。
8.根据权利要求1所述的方法,其特征在于,在通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入之前,所述方法包括:
获取电池组的多变量时间序列数据,其中,所述多变量时间序列数据包括电流时间序列数据、电压时间序列数据和温度时间序列数据。
9. 一种电池组的荷电状态估计系统,其特征在于, 所述系统用于执行权利要求1至8任一项所述的方法,所述系统包括特征提取模块、信息处理模块和结果预测模块;
所述特征提取模块,用于通过双向长短期记忆层对电池组的多变量时间序列数据进行提取,得到对应的多变量时间序列嵌入;
所述信息处理模块,用于将所述多变量时间序列嵌入转化为图结构的多变量时间序列转换图,其中,所述图结构包含节点和边;
所述信息处理模块,用于通过图池化层对所述多变量时间序列转换图进行节点筛选和节点信息保留,得到掩码子图;
所述结果预测模块,用于根据所述掩码子图,通过多层感知层预测得到所述电池组的荷电状态SOC。
10.一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,该程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410411226.4A CN118011220A (zh) | 2024-04-08 | 2024-04-08 | 一种电池组的荷电状态估计方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410411226.4A CN118011220A (zh) | 2024-04-08 | 2024-04-08 | 一种电池组的荷电状态估计方法、系统和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118011220A true CN118011220A (zh) | 2024-05-10 |
Family
ID=90954345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410411226.4A Pending CN118011220A (zh) | 2024-04-08 | 2024-04-08 | 一种电池组的荷电状态估计方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118011220A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111426957A (zh) * | 2020-05-19 | 2020-07-17 | 华南理工大学 | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 |
CN114169394A (zh) * | 2021-11-04 | 2022-03-11 | 浙江大学 | 一种多尺度自适应图学习的多变量时间序列预测方法 |
CN114295987A (zh) * | 2021-12-30 | 2022-04-08 | 浙江大学 | 一种基于非线性卡尔曼滤波的电池soc状态估计方法 |
WO2022101769A1 (en) * | 2020-11-13 | 2022-05-19 | Kpit Technologies Limited | A hybrid system and method for estimating state of charge of a battery |
CN114675186A (zh) * | 2022-02-24 | 2022-06-28 | 华南理工大学 | 一种基于图神经网络的锂离子电池健康状态预测方法 |
CN115856633A (zh) * | 2022-11-21 | 2023-03-28 | 智能多维数据分析研究中心有限公司 | 基于图神经网络的锂离子电池容量估计方法 |
CN115906954A (zh) * | 2022-12-09 | 2023-04-04 | 北京数洋智慧科技有限公司 | 一种基于图神经网络的多变量时间序列预测方法及装置 |
CN116047314A (zh) * | 2023-03-31 | 2023-05-02 | 泉州装备制造研究所 | 一种可充电电池健康状态预测方法 |
CN116106751A (zh) * | 2023-02-10 | 2023-05-12 | 中山大学 | 一种基于Informer的锂离子电池荷电状态估计方法 |
US20230194614A1 (en) * | 2021-12-16 | 2023-06-22 | Volkswagen Aktiengesellschaft | Modular machine learning structure for electric vehicle battery state of health estimation |
-
2024
- 2024-04-08 CN CN202410411226.4A patent/CN118011220A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111426957A (zh) * | 2020-05-19 | 2020-07-17 | 华南理工大学 | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 |
WO2022101769A1 (en) * | 2020-11-13 | 2022-05-19 | Kpit Technologies Limited | A hybrid system and method for estimating state of charge of a battery |
CN114169394A (zh) * | 2021-11-04 | 2022-03-11 | 浙江大学 | 一种多尺度自适应图学习的多变量时间序列预测方法 |
US20230194614A1 (en) * | 2021-12-16 | 2023-06-22 | Volkswagen Aktiengesellschaft | Modular machine learning structure for electric vehicle battery state of health estimation |
CN114295987A (zh) * | 2021-12-30 | 2022-04-08 | 浙江大学 | 一种基于非线性卡尔曼滤波的电池soc状态估计方法 |
CN114675186A (zh) * | 2022-02-24 | 2022-06-28 | 华南理工大学 | 一种基于图神经网络的锂离子电池健康状态预测方法 |
CN115856633A (zh) * | 2022-11-21 | 2023-03-28 | 智能多维数据分析研究中心有限公司 | 基于图神经网络的锂离子电池容量估计方法 |
CN115906954A (zh) * | 2022-12-09 | 2023-04-04 | 北京数洋智慧科技有限公司 | 一种基于图神经网络的多变量时间序列预测方法及装置 |
CN116106751A (zh) * | 2023-02-10 | 2023-05-12 | 中山大学 | 一种基于Informer的锂离子电池荷电状态估计方法 |
CN116047314A (zh) * | 2023-03-31 | 2023-05-02 | 泉州装备制造研究所 | 一种可充电电池健康状态预测方法 |
Non-Patent Citations (2)
Title |
---|
肖仁鑫;宋新月;张梦帆;夏雪磊;肖佳鹏;: "基于长短期记忆神经网络的健康状态估算", 农业装备与车辆工程, no. 04, 10 April 2020 (2020-04-10) * |
雷肖;陈清泉;刘开培;马历;: "电动车蓄电池荷电状态估计的神经网络方法", 电工技术学报, no. 08, 26 August 2007 (2007-08-26) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805217A (zh) | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 | |
Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
CN112598248B (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN113852432B (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN114881343B (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
Sheikh et al. | A data-driven comparative analysis of lithium-ion battery state of health and capacity estimation | |
CN113570106A (zh) | 基于高速公路神经网络的电力负荷预测方法及设备 | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
CN116774089A (zh) | 基于特征融合的卷积神经网络电池健康状态估计方法及系统 | |
CN118011220A (zh) | 一种电池组的荷电状态估计方法、系统和介质 | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN114021849A (zh) | 一种区域冷热电负荷的联合预测方法和装置 | |
CN111626494A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN117175664B (zh) | 基于使用场景的储能充电设备输出功率自适应调节系统 | |
CN111210233B (zh) | 用户特征确定方法、装置和电子设备 | |
CN118033385B (zh) | 集成电路器件的紧凑模型参数提取模型的构建方法及应用 | |
CN117648631B (zh) | 一种电动汽车群组的动力电池健康状态估计方法 | |
Lee et al. | Application of temperature prediction model based on LSTNet in telecommunication Room | |
Zhou | A Lightweight Neural Network Model For Battery State Of Health | |
CN117713238B (zh) | 光伏发电和储能微电网结合的随机优化运行策略 | |
CN117998429A (zh) | 无线通信异常检测方法、存储介质及电子设备 | |
CN115656824A (zh) | 基于cnn-lstm模型的锂电池核电状态预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |