[發(fā)明專(zhuān)利]電池電荷狀態(tài)的預(yù)測(cè)方法及預(yù)測(cè)裝置、存儲(chǔ)介質(zhì)、設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202010549995.2
• 申請(qǐng)日: 2020-06-16
• 公開(kāi)（公告）號(hào): CN111695301A
• 公開(kāi)（公告）日: 2020-09-22
• 發(fā)明（設(shè)計(jì)）人: 郭媛君;楊之樂(lè);劉凱龍;張艷輝;牟曉琳
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G06N3/04;G06N3/08
• 代理公司: 深圳市銘粵知識(shí)產(chǎn)權(quán)代理有限公司 44304
• 代理人: 孫偉峰

本發(fā)明公開(kāi)了基于神經(jīng)網(wǎng)絡(luò)模型的電池電荷狀態(tài)的預(yù)測(cè)方法及預(yù)測(cè)裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)、計(jì)算機(jī)設(shè)備。該預(yù)測(cè)方法包括：獲取電池的歷史電荷狀態(tài)數(shù)據(jù)；利用預(yù)構(gòu)建的篩選模型從歷史電荷狀態(tài)數(shù)據(jù)中選取若干時(shí)刻的歷史輸入數(shù)據(jù)和歷史輸出數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；利用訓(xùn)練數(shù)據(jù)對(duì)初始的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；對(duì)訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化處理，獲得目標(biāo)神經(jīng)網(wǎng)絡(luò)模型；將獲取的電池的實(shí)時(shí)輸入數(shù)據(jù)輸進(jìn)目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，目標(biāo)神經(jīng)網(wǎng)絡(luò)模型輸出電池的實(shí)時(shí)電荷狀態(tài)數(shù)據(jù)。該預(yù)測(cè)方法從歷史電荷狀態(tài)數(shù)據(jù)中選取部分?jǐn)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)，能夠充分挖掘歷史數(shù)據(jù)信息，具有更高的靈活性與實(shí)用性，可以減少運(yùn)算量，減少訓(xùn)練時(shí)間，可以減小模型誤差，提高預(yù)測(cè)精度。

技術(shù)領(lǐng)域

本發(fā)明屬于電池管理技術(shù)領(lǐng)域，具體地講，涉及基于神經(jīng)網(wǎng)絡(luò)模型的電池電荷狀態(tài)的預(yù)測(cè)方法及預(yù)測(cè)裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)、計(jì)算機(jī)設(shè)備。

背景技術(shù)

基于電池組的儲(chǔ)能系統(tǒng)是新能源發(fā)電產(chǎn)業(yè)的重要組成部分，能夠減少可再生能源并網(wǎng)引起的頻率波動(dòng)，提高新能源利用率。鋰電池具有能量密度大、功率性能優(yōu)越、壽命長(zhǎng)、低功耗以及污染少等優(yōu)點(diǎn)，成為儲(chǔ)能系統(tǒng)電池組件的首選。對(duì)電池剩余電荷狀態(tài)(State ofCharge，簡(jiǎn)稱(chēng)SOC)的快速有效估計(jì)，是整個(gè)電池管理系統(tǒng)的關(guān)鍵部分。而電池的非線(xiàn)性特征和復(fù)雜的電化學(xué)特性，使得準(zhǔn)確的電池SOC估計(jì)仍然面臨很多問(wèn)題。

現(xiàn)有的電池SOC估計(jì)方法較多，主要有基于測(cè)量的直接計(jì)算方法(電流積分法、開(kāi)路電壓法等)、機(jī)理模型方法(等效電路法、電化學(xué)模型法等)、基于數(shù)據(jù)驅(qū)動(dòng)的方法(模糊邏輯、支持向量機(jī)等)。機(jī)理模型方法中，等效電路比較常用，但只適用于穩(wěn)定的工作狀態(tài)，電化學(xué)模型較為復(fù)雜，且無(wú)法考慮到實(shí)際工作中的其他因素影響。利用模糊邏輯方法進(jìn)行SOC估計(jì)，能夠考慮電池老化、環(huán)境溫度、噪聲以及其他多種因素，但需要大量的數(shù)據(jù)和長(zhǎng)時(shí)間的訓(xùn)練以生成可靠的模糊準(zhǔn)則。

因此，在避免采用復(fù)雜的電化學(xué)模型基礎(chǔ)上，如何提供一種既能提高檢測(cè)精度，又能避免長(zhǎng)時(shí)間計(jì)算的電荷狀態(tài)預(yù)測(cè)方法，是本領(lǐng)域技術(shù)人員急需解決的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

(一)本發(fā)明所要解決的技術(shù)問(wèn)題

本發(fā)明解決的技術(shù)問(wèn)題是：如何提供一種既能提高檢測(cè)精度，又能避免長(zhǎng)時(shí)間計(jì)算的電荷狀態(tài)預(yù)測(cè)方法。

(二)本發(fā)明所采用的技術(shù)方案

一種基于神經(jīng)網(wǎng)絡(luò)模型的電池電荷狀態(tài)的預(yù)測(cè)方法，所述預(yù)測(cè)方法包括：

獲取電池的歷史電荷狀態(tài)數(shù)據(jù)；

利用預(yù)構(gòu)建的篩選模型從所述歷史電荷狀態(tài)數(shù)據(jù)中選取若干時(shí)刻的歷史輸入數(shù)據(jù)和歷史輸出數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；

利用所述訓(xùn)練數(shù)據(jù)對(duì)初始的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

對(duì)訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化處理，獲得目標(biāo)神經(jīng)網(wǎng)絡(luò)模型；

將獲取的電池的實(shí)時(shí)輸入數(shù)據(jù)輸進(jìn)所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型輸出電池的實(shí)時(shí)電荷狀態(tài)數(shù)據(jù)。

優(yōu)選地，利用預(yù)構(gòu)建的篩選模型從所述歷史電荷狀態(tài)數(shù)據(jù)中選取若干時(shí)刻的歷史輸入數(shù)據(jù)和歷史輸出數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)的方法包括：

構(gòu)建自回歸模型；

向所述自回歸模型輸入所述歷史電荷狀態(tài)數(shù)據(jù)中的全部時(shí)刻的歷史輸出數(shù)據(jù)，接著按時(shí)間順序依次所述自回歸模型輸入每個(gè)時(shí)刻的歷史輸入數(shù)據(jù)，并計(jì)算每個(gè)時(shí)刻的歷史輸入數(shù)據(jù)所對(duì)應(yīng)的模型誤差變化量；

選取模型誤差變化量小于預(yù)設(shè)值的歷史輸入數(shù)據(jù)及其對(duì)應(yīng)的歷史輸出數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。

優(yōu)選地，所述構(gòu)建自回歸模型的方法為：

構(gòu)建離散非線(xiàn)性模型：