[發明專利]電化學儲能電池荷電狀態估算方法、裝置及系統

有效

• 申請號: 202010036970.2
• 申請日: 2020-01-14
• 公開（公告）號: CN111190111B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 劉勇;鄭哲;原義棟;劉瑞;李紀平;崔文朋;池穎英;喬磊;聶玉虎
• 申請（專利權）人: 北京智芯微電子科技有限公司;國網信息通信產業集團有限公司
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/387
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 肖冰濱;王曉曉

1.一種電化學儲能電池荷電狀態估算方法，其特征在于，所述方法應用于電池端，所述方法包括：

獲取儲能電池系統的實時運行參數以及設定時間內的荷電狀態SOC標定數據，

所述SOC標定數據為儲能電池系統在設定時間內的充電過程中的運行數據以及對應的連續SOC實際值；

分別根據預設的神經網絡模型以及常規SOC估算方法，利用所述實時運行參數，得到本地SOC估算值；

將所述SOC標定數據、所述實時運行參數以及所述實時運行參數對應的所述本地SOC估算值實時上傳云端服務器，以便所述云端服務器利用所述SOC標定數據對所述本地SOC估算值進行樣本的分類，根據所述SOC標定數據、所述實時運行參數以及對應的所述本地SOC估算值和初始神經網絡模型，得到電池端神經網絡模型；

接收所述云端服務器下發的所述電池端神經網絡模型，并利用所述電池端神經網絡模型替換所述預設的神經網絡模型；

分別根據所述電池端神經網絡模型以及所述常規SOC估算方法，利用當前的實時運行參數，得到當前SOC估算值，并將所述當前的實時運行參數以及對應的所述當前SOC估算值上傳所述云端服務器，以便利用更新后的電池端神經網絡模型替換所述電池端神經網絡模型；

當接收到SOC獲取指令時，獲取所述儲能電池系統的當前運行參數；

根據當前的電池端神經網絡模型，利用所述當前運行參數，得到所述儲能電池系統的當前SOC值。

2.根據權利要求1所述的電化學儲能電池荷電狀態估算方法，其特征在于，當所述預設的神經網絡模型為空時，所述本地SOC估算值為根據所述常規SOC估算方法與所述實時運行參數得到。

3.根據權利要求1所述的電化學儲能電池荷電狀態估算方法，其特征在于，所述常規SOC估算方法包括：安時積分法、開路電壓法或卡爾曼濾波法。

4.一種電化學儲能電池荷電狀態估算方法，其特征在于，所述方法應用于云端服務器，所述方法包括：

獲取儲能電池系統的荷電狀態SOC標定數據、實時運行參數以及所述實時運行參數對應的本地SOC估算值，

所述SOC標定數據為儲能電池系統在設定時間內的充電過程中的運行數據以及對應的連續SOC實際值；

根據所述SOC標定數據、預設置信度以及所述本地SOC估算值，得到所述實時運行參數對應的SOC估算值訓練集；

利用所述SOC估算值訓練集訓練初始神經網絡模型，直到測試集對訓練后的初始神經網絡模型進行測試的測試誤差小于預設誤差，得到待定神經網絡模型；

將進行模型壓縮后的所述待定神經網絡模型確定為電池端神經網絡模型，并將所述電池端神經網絡模型下發至電池端，且將其作為下一個SOC估算值訓練集的訓練模型；

其中，所述根據所述SOC標定數據、預設置信度以及所述本地SOC估算值，得到所述實時運行參數對應的SOC估算值訓練集包括：

根據所述SOC標定數據與所述預設置信度，確定SOC值的置信區間；

將處于所述置信區間內的所述本地SOC估算值，確定為SOC估算值的正樣本；

將沒有處于所述置信區間內的所述本地SOC估算值，確定為SOC估算值的負樣本；

由所述SOC估算值的正樣本與所述SOC估算值的負樣本構成所述實時運行參數對應的SOC估算值訓練集；

其中，所述利用所述SOC估算值訓練集訓練初始神經網絡模型，直到測試集對訓練后的初始神經網絡模型進行測試的測試誤差小于預設誤差，得到待定神經網絡模型包括：

利用所述SOC估算值訓練集訓練初始神經網絡模型，直到所述初始神經網絡模型的損失函數穩定時，得到訓練后的初始神經網絡模型；

利用測試集對所述訓練后的初始神經網絡模型進行測試，得到測試誤差，所述測試集包括所述SOC標定數據以及對應的運行參數；

判斷所述測試誤差是否小于預設誤差；

當所述測試誤差小于所述預設誤差時，將所述訓練后的初始神經網絡模型確定為所述待定神經網絡模型。