【技術實現步驟摘要】
本專利技術涉及電池電量管理，尤其涉及一種基于神經網絡的云端soc容量修正方法。
技術介紹
1、在電池管理系統中，準確估算電池荷電狀態（soc）至關重要。這不僅能向用戶提示電池的剩余電量，更是電池充放電管理和均衡控制管理的基礎。由于soc受溫度、電流大小和方向等多種因素的影響，準確預測變得較為困難。提升soc估算的精確度有助于延長電池使用壽命，并改善用戶體驗。
2、目前階段，電池管理系統中使用最多的算法是安時積分法與開路電壓法相結合，但是該算法具有初值難以確定、累積誤差較大、針對電池組差異性難以處理等問題。
3、除此之外，現有技術中還有卡爾曼濾波和神經網絡算法兩種荷電狀態估算方式，但是都存在各自的缺陷。由于擴展卡爾曼濾波在模型精確的前提下，其自身存在模型觀測方程一階泰勒展開而導致的高階項誤差累積問題，算法在充放電末端存在較大誤差。而考慮到磷酸鐵鋰電池的平臺期問題，神經網絡算法難以在平臺期學習到足夠精準的模型，在放電初期難以保持較高的精準度。
技術實現思路
1、針對現有技術中存在的問題，本專利技術提供一種基于神經網絡的云端soc容量修正方法，包括：步驟s1，云端平臺從預先構建的參數庫中獲取當前溫度下電池組的荷電狀態-開路電壓曲線以及辨識參數，隨后基于所述荷電狀態-開路電壓曲線以及辨識參數構建所述電池組的等效模型，并且記錄每一時刻所述等效模型中的各個單電池的平均電池溫度；步驟s2，所述云端平臺按照時間順序獲取本地電池管理系統上傳的每個時刻下所述電池組實際運行時的工
2、優選的，所述參數庫的構建過程包括：步驟a1，將滿電的測試電池組在第一測試溫度下靜置第一靜置時長，并將所述測試電池組在滿荷電狀態下的開路電壓記錄為所述測試電池組的起始荷電狀態對應的端電壓；步驟a2，對所述測試電池組按照第一比例恒流脈沖放電第一放電時長，并靜置第二靜置時長，隨后按照所述第二比例恒流脈沖充電第一充電時長，接著將所述測試電池組按照第三比例恒流脈沖放電，在所述測試電池組的荷電狀態下降預設的比例百分比后停止放電并靜置第三靜置時長，隨后將所述測試電池組的當前的開路電壓記錄為所述測試電池組在當前的荷電狀態下對應的端電壓；步驟a3，多次重復所述步驟a2直至所述測試電池組放電完畢，以得到所述測試電池組在所述第一測試溫度下的所述荷電狀態-開路電壓曲線以及辨識參數；步驟a4，將所述第一測試溫度依次設定為多個不同的預設測試溫度，并且在每次設定所述第一測試溫度后重復所述步驟a1至所述步驟a3得到各所述預設測試溫度對應的所述荷電狀態-開路電壓曲線以及辨識參數，將所有所述荷電狀態-開路電壓曲線以及辨識參數添加到所述參數庫。
3、優選的，所述荷電狀態預測模型的構建過程包括：步驟b1,所述云端平臺在每一時刻采集所述電池組的所述工況參數，并且將所述工況參數通過安時積分處理得到所述電池組的荷電狀態標簽，將各所述工況參數和對應的所述荷電狀態標簽作為模型訓練數據；步驟b2，所述云端平臺在預先構建的標準卷積神經網絡的輸入層后添加一層卷積層，并且在所述卷積層中設置多個卷積核以及設置所述卷積層的滑動步幅得到改進卷積神經網絡；步驟b3，將所述改進卷積神經網絡的輸出連接長短時記憶網絡的輸入，在所述長短時記憶網絡模塊的輸出后連接注意力模塊得到初始融合模型，將所述模型訓練數據中的各所述工況參數和對應的所述荷電狀態標簽以簇為單位輸入所述初始融合模型，對所述初始融合模型進行模型訓練得到所述荷電狀態預測模型。
4、優選的，所述步驟s2包括：步驟s21，所述云端平臺按照時間順序獲取所述電池組實際運行時的端電壓和工作電流作為所述工況參數，將按照時間順序的各所述工況參數和各所述平均電池溫度以簇為單位作為時間序列數據，隨后將所述時間序列數據經過滑窗處理得到若干個預設時間步長的輸入樣本；步驟s22，所述云端平臺將各所述輸入樣本輸入預先構建的所述荷電狀態值預測模型中得到所述電池組的實時預測荷電狀態值。
5、優選的，所述本地電池管理系統中預設有多個告警等級，所述告警等級包括多個電壓過低告警等級和多個電壓過高告警等級，所述電池組中還包括繼電器；則所述步驟s3包括：步驟s31，本地電池管理系統讀取所述電池組中的最小單體電壓和所述電池組的總電流，根據所述最小單體電壓和所述總電流計算得到所述本地荷電狀態值；步驟s32，本地電池管理系統判斷所述最小單體電壓是否低于最高等級的所述電壓過低告警等級：若是，則切斷所述繼電器，并將所述本地荷電狀態值強制修正為0，隨后轉向步驟s34；若否，則轉向步驟s33；步驟s33,本地電池管理系統判斷所述最小單體電壓是否高于最高等級的所述電壓過高告警等級：若是，則切斷所述繼電器，并將所述本地荷電狀態值強制修正為100，隨后轉向步驟s34；若否，則轉向步驟s34；步驟s34，本地電池管理系統將所述實時預測荷電狀態值和所述本地荷電狀態值加權求和得到最終的荷電狀態估算值。
6、優選的，所述步驟s31中采用遞歸濾波器算法根據所述最小單體電壓和所述總電流計算得到所述本地荷電狀態值。
7、優選的，所述步驟s2還包括：步驟s23，所述云端平臺讀取所述電池組的總電流和所述繼電器的開閉狀態，在根據所述總電流和所述開閉狀態判定所述電池組處于小電流充放電狀態時，判斷處于小電流充放電狀態是否超過預設的持續時長：若是，則使用當前溫度下的荷電狀態-開路電壓曲線對所述荷電狀態值預測模型進行校準；若否，則采用遞歸濾波器算法根據各所述輸入樣本計算得到所述實時預測荷電狀態值，并且使用存儲的所述電池組的上一時刻的荷電狀態估計值通過安時經驗公式計算得到所述遞歸濾波器算法的下一時刻的荷電狀態初始值。
8、本專利技術還提供一種基于神經網絡的云端soc容量修正系統，應用如上述的云端soc容量修正方法，包括云端平臺和連接所述云端平臺的本地電池管理系統，所述云端平臺包括：曲線獲取模塊，用于從預先構建的參數庫中獲取當前溫度下電池組的荷電狀態-開路電壓曲線以及辨識參數，隨后基于所述荷電狀態-開路電壓曲線以及辨識參數構建所述電池組的等效模型，并且記錄每一時刻所述等效模型中的各個單電池的平均電池溫度；荷電預測模塊，連接所述曲線獲取模塊，用于按照時間順序獲取本地上傳的每個時刻下所述電池組實際運行時的工況參數，將各所述工況參數和各所述平均電池溫度作為時間序列數據并處理成為多個輸入樣本，將各所述輸入樣本輸入預先構建的荷電狀態值預測模型中得到所述電池組的實時預測荷電狀態值；所述本地電池管理系統包括：荷電狀態計算模塊，用于讀取所述電池組中的最小單體電壓和所述電池組的總電流，根據所述最小單本文檔來自技高網...
【技術保護點】
1.一種基于神經網絡的云端SOC容量修正方法，其特征在于，包括：步驟S1，云端平臺從預先構建的參數庫中獲取當前溫度下電池組的荷電狀態-開路電壓曲線以及辨識參數，隨后基于所述荷電狀態-開路電壓曲線以及辨識參數構建所述電池組的等效模型，并且記錄每一時刻所述等效模型中的各個單電池的平均電池溫度；步驟S2，所述云端平臺按照時間順序獲取本地電池管理系統上傳的每個時刻下所述電池組實際運行時的工況參數，將各所述工況參數和各所述平均電池溫度作為時間序列數據并處理成為多個輸入樣本，將各所述輸入樣本輸入預先構建的荷電狀態值預測模型中得到所述電池組的實時預測荷電狀態值；步驟S3，所述本地電池管理系統讀取所述電池組中的最小單體電壓和所述電池組的總電流，根據所述最小單體電壓和所述總電流計算得到本地荷電狀態值，將所述實時預測荷電狀態值和所述本地荷電狀態值加權求和得到最終的荷電狀態估算值。
2.根據權利要求1所述的云端SOC容量修正方法，其特征在于，所述參數庫的構建過程包括：步驟A1，將滿電的測試電池組在第一測試溫度下靜置第一靜置時長，并將所述測試電池組在滿荷電狀態下的開路電壓記錄為所述測試電池組
3.根據權利要求1所述的云端SOC容量修正方法，其特征在于，所述荷電狀態預測模型的構建過程包括：步驟B1,所述云端平臺在每一時刻采集所述電池組的所述工況參數，并且將所述工況參數通過安時積分處理得到所述電池組的荷電狀態標簽，將各所述工況參數和對應的所述荷電狀態標簽作為模型訓練數據；步驟B2，所述云端平臺在預先構建的標準卷積神經網絡的輸入層后添加一層卷積層，并且在所述卷積層中設置多個卷積核以及設置所述卷積層的滑動步幅得到改進卷積神經網絡；步驟B3，將所述改進卷積神經網絡的輸出連接長短時記憶網絡的輸入，在所述長短時記憶網絡模塊的輸出后連接注意力模塊得到初始融合模型，將所述模型訓練數據中的各所述工況參數和對應的所述荷電狀態標簽以簇為單位輸入所述初始融合模型，對所述初始融合模型進行模型訓練得到所述荷電狀態預測模型。
4.根據權利要求1所述的云端SOC容量修正方法，其特征在于，所述步驟S2包括：步驟S21，所述云端平臺按照時間順序獲取所述電池組實際運行時的端電壓和工作電流作為所述工況參數，將按照時間順序的各所述工況參數和各所述平均電池溫度以簇為單位作為時間序列數據，隨后將所述時間序列數據經過滑窗處理得到若干個預設時間步長的輸入樣本；步驟S22，所述云端平臺將各所述輸入樣本輸入預先構建的所述荷電狀態值預測模型中得到所述電池組的實時預測荷電狀態值。
5.根據權利要求1所述的云端SOC容量修正方法，其特征在于，所述本地電池管理系統中預設有多個告警等級，所述告警等級包括多個電壓過低告警等級和多個電壓過高告警等級，所述電池組中還包括繼電器；則所述步驟S3包括：步驟S31，本地電池管理系統讀取所述電池組中的最小單體電壓和所述電池組的總電流，根據所述最小單體電壓和所述總電流計算得到所述本地荷電狀態值；步驟S32，本地電池管理系統判斷所述最小單體電壓是否低于最高等級的所述電壓過低告警等級：若是，則切斷所述繼電器，并將所述本地荷電狀態值強制修正為0，隨后轉向步驟S34；若否，則轉向步驟S33；步驟S33,本地電池管理系統判斷所述最小單體電壓是否高于最高等級的所述電壓過高告警等級：若是，則切斷所述繼電器，并將所述本地荷電狀態值強制修正為100，隨后轉向步驟S34；若否，則轉向步驟S34；步驟S34，本地電池管理系統將所述實時預測荷電狀態值和所述本地荷電狀態值加權求和得到最終的荷電狀態估算值。
6.根據權利要求5所述的云端SOC容量修正方法，其特征在于，所述步驟S31中采用遞歸濾波器算法根據所述最小單體電壓和所述總電流計算得到所述本地荷電狀態值。
7.根據權利要求5所述的云端...
【技術特征摘要】
1.一種基于神經網絡的云端soc容量修正方法，其特征在于，包括：步驟s1，云端平臺從預先構建的參數庫中獲取當前溫度下電池組的荷電狀態-開路電壓曲線以及辨識參數，隨后基于所述荷電狀態-開路電壓曲線以及辨識參數構建所述電池組的等效模型，并且記錄每一時刻所述等效模型中的各個單電池的平均電池溫度；步驟s2，所述云端平臺按照時間順序獲取本地電池管理系統上傳的每個時刻下所述電池組實際運行時的工況參數，將各所述工況參數和各所述平均電池溫度作為時間序列數據并處理成為多個輸入樣本，將各所述輸入樣本輸入預先構建的荷電狀態值預測模型中得到所述電池組的實時預測荷電狀態值；步驟s3，所述本地電池管理系統讀取所述電池組中的最小單體電壓和所述電池組的總電流，根據所述最小單體電壓和所述總電流計算得到本地荷電狀態值，將所述實時預測荷電狀態值和所述本地荷電狀態值加權求和得到最終的荷電狀態估算值。
2.根據權利要求1所述的云端soc容量修正方法，其特征在于，所述參數庫的構建過程包括：步驟a1，將滿電的測試電池組在第一測試溫度下靜置第一靜置時長，并將所述測試電池組在滿荷電狀態下的開路電壓記錄為所述測試電池組的起始荷電狀態對應的端電壓；步驟a2，對所述測試電池組按照第一比例恒流脈沖放電第一放電時長，并靜置第二靜置時長，隨后按照第二比例恒流脈沖充電第一充電時長，接著將所述測試電池組按照第三比例恒流脈沖放電，在所述測試電池組的荷電狀態下降預設的比例百分比后停止放電并靜置第三靜置時長，隨后將所述測試電池組的當前的開路電壓記錄為所述測試電池組在當前的荷電狀態下對應的端電壓；步驟a3，多次重復所述步驟a2直至所述測試電池組放電完畢，以得到所述測試電池組在所述第一測試溫度下的所述荷電狀態-開路電壓曲線以及辨識參數；步驟a4，將所述第一測試溫度依次設定為多個不同的預設測試溫度，并且在每次設定所述第一測試溫度后重復所述步驟a1至所述步驟a3得到各所述預設測試溫度對應的所述荷電狀態-開路電壓曲線以及辨識參數，將所有所述荷電狀態-開路電壓曲線以及辨識參數添加到所述參數庫。
3.根據權利要求1所述的云端soc容量修正方法，其特征在于，所述荷電狀態預測模型的構建過程包括：步驟b1,所述云端平臺在每一時刻采集所述電池組的所述工況參數，并且將所述工況參數通過安時積分處理得到所述電池組的荷電狀態標簽，將各所述工況參數和對應的所述荷電狀態標簽作為模型訓練數據；步驟b2，所述云端平臺在預先構建的標準卷積神經網絡的輸入層后添加一層卷積層，并且在所述卷積層中設置多個卷積核以及設置所述卷積層的滑動步幅得到改進卷積神經網絡；步驟b3，將所述改進卷積神經網絡的輸出連接長短時記憶網絡的輸入，在所述長短時記憶網絡模塊的輸出后連接注意力模塊得到初始融合模型，將所述模型訓練數據中的各所述工況參數和對應的所述荷電狀態標簽以簇為單位輸入所述初始融合模型，對所述初始融合模型進行模型訓練得到所述荷電狀態預測模型。
4.根據權利要求1所述的云端soc容量修正方法，其特征在于，所述步驟s2包括：步驟s21，所述云端平臺按照時間順序獲取所述電池組實際運行時的端電壓和工作電流作為所述工況參數，將按照時間順序的各所述工況參數和各所述平均電池溫度以簇為單位作為時間序列數據，隨后將所述時間序列數據經過滑窗處理得到若干個預設時間步長的輸入樣本；步驟s22，所述云端平臺將各所述輸入樣本輸入預先構建的所述荷電狀態值預測模型中得到所述電池組的實時預測荷電狀態值。
5.根據權利要求1所述的云端soc容量修正方法，其特征在于，所述本地電池管理系統中預設有多個告警等級，所述告警等級包括多個電壓過低告警等級和多個電壓過高告警等級，所述電池組中還包括繼電器；則所述步驟s3包括：步驟s31，本地電池管理系統讀取所述電池組中的最小單體電壓和所述電池組的總電流，根據所述最小單體電壓和所述總電流計算得到所述本地荷電狀態值；步驟s32，本地電池管理系統判斷所述最小單體電壓是否低于最高等級的所述電壓過低告警等級：若是，則切斷所述繼電器，并將所述本地荷電狀態值強制修正為0，隨后轉向步驟s34；若否，則轉向步驟s33；步驟s33,本地電池管理系統判斷所述最小單體電壓是否高于最高等級的所述電...
【專利技術屬性】
技術研發人員：胡金杭，陳從顏，陶冶，苗亞，曹亢，
申請(專利權)人：澄瑞電力科技上海股份公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。