本發(fā)明涉及電池管理系統(tǒng)，更具體地說是指鋰電池荷電狀態(tài)估計(jì)方法及系統(tǒng)。

背景技術(shù)：

1、隨著電動(dòng)汽車、機(jī)器人控制和可再生能源存儲(chǔ)系統(tǒng)的廣泛應(yīng)用，電池已變得無處不在，準(zhǔn)確估計(jì)電池soc已成為確保系統(tǒng)性能的關(guān)鍵技術(shù)之一，特別是在電池管理系統(tǒng)中。

2、在實(shí)際應(yīng)用中，電池?cái)?shù)據(jù)集經(jīng)常面臨數(shù)據(jù)缺失的問題，這嚴(yán)重限制了soc估計(jì)的準(zhǔn)確性和可靠性。數(shù)據(jù)缺失可能源于傳感器故障、通信中斷、數(shù)據(jù)處理錯(cuò)誤等多種原因。在電池管理系統(tǒng)中，臨時(shí)傳感器故障、校準(zhǔn)問題、通信故障導(dǎo)致數(shù)據(jù)傳輸中斷，以及電池管理系統(tǒng)(bms)故障，都可能導(dǎo)致數(shù)據(jù)記錄不準(zhǔn)確、不完整或缺失。這些都會(huì)降低soc估計(jì)模型的性能，延遲系統(tǒng)響應(yīng)，并導(dǎo)致誤操作，影響系統(tǒng)的穩(wěn)定性和安全性。因此，設(shè)計(jì)一個(gè)容忍數(shù)據(jù)缺失的魯棒soc估計(jì)模型是一個(gè)關(guān)鍵且具有挑戰(zhàn)性的研究問題。

3、傳統(tǒng)的電池soc估計(jì)方法，如線性回歸，適用于穩(wěn)定的電池特性。然而，由于電池的非線性工作過程，線性回歸往往無法捕捉到復(fù)雜的關(guān)系，特別是在長(zhǎng)期時(shí)間序列預(yù)測(cè)中，導(dǎo)致精度有限。在數(shù)據(jù)缺失的情況下，其魯棒性較差，極大地影響了估計(jì)結(jié)果?？柭鼮V波器是一種狀態(tài)估計(jì)算法，可以處理非線性和噪聲系統(tǒng)，實(shí)時(shí)更新狀態(tài)估計(jì)。然而，數(shù)據(jù)缺失如電流或電壓會(huì)影響其狀態(tài)更新，可能導(dǎo)致與真實(shí)值的soc估計(jì)產(chǎn)生偏差，特別是在長(zhǎng)期數(shù)據(jù)集中。

4、主流的時(shí)間序列估計(jì)深度學(xué)習(xí)模型，如transformer和rnn，盡管在完整數(shù)據(jù)下表現(xiàn)相對(duì)良好，但表現(xiàn)出對(duì)數(shù)據(jù)缺失的脆弱性。transformer模型利用自注意力中的逐點(diǎn)查詢-鍵匹配，對(duì)局部上下文(如缺失數(shù)據(jù)部分之前的soc值和電流、電壓、溫度等協(xié)變量)不敏感。這種特性阻礙了數(shù)據(jù)缺失下的預(yù)測(cè)穩(wěn)定性，限制了它們?cè)趕oc估計(jì)中的應(yīng)用。相反，rnn模型通過內(nèi)部循環(huán)連接保留序列歷史，但需要高數(shù)據(jù)連續(xù)性。缺失的關(guān)鍵數(shù)據(jù)會(huì)破壞rnn的隱藏狀態(tài)更新，阻礙有效利用先前信息進(jìn)行后續(xù)估計(jì)。

5、因此，有必要設(shè)計(jì)一種新的方法，實(shí)現(xiàn)在數(shù)據(jù)缺失的情況下，提高soc估計(jì)的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺陷，提供鋰電池荷電狀態(tài)估計(jì)方法及系統(tǒng)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：鋰電池荷電狀態(tài)估計(jì)方法，包括：

3、獲取電池運(yùn)行數(shù)據(jù)，其中，所述電池運(yùn)行數(shù)據(jù)包括電流、電壓、溫度以及電池狀態(tài)；

4、將所述電池運(yùn)行數(shù)據(jù)輸入至荷電狀態(tài)估計(jì)模型中進(jìn)行鋰電池的soc估計(jì)，以得到估計(jì)結(jié)果；

5、輸出所述估計(jì)結(jié)果；

6、其中，所述荷電狀態(tài)估計(jì)模型通過若干個(gè)電池運(yùn)行數(shù)據(jù)作為樣本集采用前向傳播、反向傳播算法、超參數(shù)調(diào)優(yōu)進(jìn)行訓(xùn)練依序連接的tcn網(wǎng)絡(luò)層、gru網(wǎng)絡(luò)層、transformer網(wǎng)絡(luò)層以及全連接層構(gòu)成的基礎(chǔ)模型所得的。

7、其進(jìn)一步技術(shù)方案為：所述荷電狀態(tài)估計(jì)模型通過若干個(gè)電池運(yùn)行數(shù)據(jù)作為樣本集采用前向傳播、反向傳播算法、超參數(shù)調(diào)優(yōu)進(jìn)行訓(xùn)練依序連接的tcn網(wǎng)絡(luò)層、gru網(wǎng)絡(luò)層、transformer網(wǎng)絡(luò)層以及全連接層構(gòu)成的基礎(chǔ)模型所得的，包括：

8、獲取若干個(gè)電池運(yùn)行數(shù)據(jù)，并進(jìn)行整合和預(yù)處理，以得到樣本集；

9、構(gòu)建依序連接的tcn網(wǎng)絡(luò)層、gru網(wǎng)絡(luò)層、transformer網(wǎng)絡(luò)層以及全連接層構(gòu)成的基礎(chǔ)模型；

10、根據(jù)所述樣本集采用前向傳播、反向傳播算法、超參數(shù)調(diào)優(yōu)進(jìn)行訓(xùn)練所述基礎(chǔ)模型，以得到荷電狀態(tài)估計(jì)模型。

11、其進(jìn)一步技術(shù)方案為：所述tcn網(wǎng)絡(luò)層的表達(dá)式為o＝activation(x+f(x))，其中，x是輸入數(shù)據(jù)，f(x)是卷積操作的結(jié)果，activation是激活函數(shù)，o為tcn網(wǎng)絡(luò)層的輸出。

12、其進(jìn)一步技術(shù)方案為：所述gru模塊通過更新門和重置門機(jī)制調(diào)控信息的流動(dòng)，其中，所述更新門和重置門的公式分別為zt＝σ(w(z)xt+u(z)ht-1)；rt＝σ(w(r)xt+u(r)ht-1)；其中，xt是更新門輸出，rt是重置門輸出，σ是sigmoid函數(shù)，w(z)、u(z)、w(r)、u(r)是權(quán)重矩陣，xt是當(dāng)前輸入，ht-1是前一時(shí)刻的隱藏狀態(tài)。

13、其進(jìn)一步技術(shù)方案為：所述transformer網(wǎng)絡(luò)層集成多頭注意力機(jī)制，其中，多頭注意力機(jī)制呈現(xiàn)為q表示soc的預(yù)測(cè)值，k表示與q相關(guān)的信息，包括電壓、電流和溫度、值以及包含與鍵對(duì)應(yīng)的實(shí)際數(shù)據(jù)，通過計(jì)算每個(gè)查詢和所有鍵，transformer網(wǎng)絡(luò)層為值分配權(quán)重，并通過加權(quán)求和獲得相應(yīng)的輸出值；dk是每個(gè)頭的維度，dmodel為總模型維度；h為多頭注意力機(jī)制中頭的數(shù)量。

14、其進(jìn)一步技術(shù)方案為：所述荷電狀態(tài)估計(jì)模型訓(xùn)練過程中采用rmse和mae指標(biāo)評(píng)估模型的性能。

15、本發(fā)明還提供了鋰電池荷電狀態(tài)估計(jì)系統(tǒng)，包括：

16、數(shù)據(jù)獲取單元，用于獲取電池運(yùn)行數(shù)據(jù)，其中，所述電池運(yùn)行數(shù)據(jù)包括電流、電壓、溫度以及電池狀態(tài)；

17、估計(jì)單元，用于將所述電池運(yùn)行數(shù)據(jù)輸入至荷電狀態(tài)估計(jì)模型中進(jìn)行鋰電池的soc估計(jì)，以得到估計(jì)結(jié)果；

18、輸出單元，用于輸出所述估計(jì)結(jié)果；

19、還包括：模型訓(xùn)練單元，用于通過若干個(gè)電池運(yùn)行數(shù)據(jù)作為樣本集采用前向傳播、反向傳播算法、超參數(shù)調(diào)優(yōu)進(jìn)行訓(xùn)練依序連接的tcn網(wǎng)絡(luò)層、gru網(wǎng)絡(luò)層、transformer網(wǎng)絡(luò)層以及全連接層構(gòu)成的基礎(chǔ)模型，以得到所述荷電狀態(tài)估計(jì)模型。

20、其進(jìn)一步技術(shù)方案為：所述模型訓(xùn)練單元包括：

21、樣本集生成子單元，用于獲取若干個(gè)電池運(yùn)行數(shù)據(jù)，并進(jìn)行整合和預(yù)處理，以得到樣本集；

22、基礎(chǔ)模型構(gòu)建子單元，用于構(gòu)建依序連接的tcn網(wǎng)絡(luò)層、gru網(wǎng)絡(luò)層、transformer網(wǎng)絡(luò)層以及全連接層構(gòu)成的基礎(chǔ)模型；

23、訓(xùn)練子單元，用于根據(jù)所述樣本集采用前向傳播、反向傳播算法、超參數(shù)調(diào)優(yōu)進(jìn)行訓(xùn)練所述基礎(chǔ)模型，以得到荷電狀態(tài)估計(jì)模型。

24、本發(fā)明與現(xiàn)有技術(shù)相比的有益效果是：本發(fā)明通過收集包括電流、電壓、溫度和電池狀態(tài)在內(nèi)的電池運(yùn)行數(shù)據(jù)，并處理缺失值。然后，將這些數(shù)據(jù)輸入荷電狀態(tài)(soc)估計(jì)模型，以進(jìn)行soc估計(jì)。模型通過前向傳播和反向傳播算法，以及超參數(shù)調(diào)優(yōu)，使用一系列電池運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練，形成包括tcn、gru、transformer和全連接層的基礎(chǔ)架構(gòu)。tcn層幫助提取短期特征，gru層通過門控機(jī)制有效應(yīng)對(duì)缺失數(shù)據(jù)。最后，transformer層進(jìn)一步增強(qiáng)模型對(duì)復(fù)雜關(guān)系的理解，從而提高soc估計(jì)的準(zhǔn)確性和魯棒性，實(shí)現(xiàn)在數(shù)據(jù)缺失的情況下，提高soc估計(jì)的準(zhǔn)確性。

25、下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。

技術(shù)特征：

1.鋰電池荷電狀態(tài)估計(jì)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的鋰電池荷電狀態(tài)估計(jì)方法，其特征在于，所述荷電狀態(tài)估計(jì)模型通過若干個(gè)電池運(yùn)行數(shù)據(jù)作為樣本集采用前向傳播、反向傳播算法、超參數(shù)調(diào)優(yōu)進(jìn)行訓(xùn)練依序連接的tcn網(wǎng)絡(luò)層、gru網(wǎng)絡(luò)層、transformer網(wǎng)絡(luò)層以及全連接層構(gòu)成的基礎(chǔ)模型所得的，包括：

3.根據(jù)權(quán)利要求2所述的鋰電池荷電狀態(tài)估計(jì)方法，其特征在于，所述tcn網(wǎng)絡(luò)層的表達(dá)式為o＝activation(x+f(x))，其中，x是輸入數(shù)據(jù)，f(x)是卷積操作的結(jié)果，activation是激活函數(shù)，o為tcn網(wǎng)絡(luò)層的輸出。

4.根據(jù)權(quán)利要求2所述的鋰電池荷電狀態(tài)估計(jì)方法，其特征在于，所述gru模塊通過更新門和重置門機(jī)制調(diào)控信息的流動(dòng)，其中，所述更新門和重置門的公式分別為zt＝σ(w(z)xt+u(z)ht-1)；rt＝σ(w(r)xt+u(r)ht-1)；其中，zt是更新門輸出，rt是重置門輸出，σ是sigmoid函數(shù)，w(z)、u(z)、w(r)、u(r)是權(quán)重矩陣，xt是當(dāng)前輸入，ht-1是前一時(shí)刻的隱藏狀態(tài)。

5.根據(jù)權(quán)利要求2所述的鋰電池荷電狀態(tài)估計(jì)方法，其特征在于，所述transformer網(wǎng)絡(luò)層集成多頭注意力機(jī)制，其中，多頭注意力機(jī)制呈現(xiàn)為q表示soc的預(yù)測(cè)值，k表示與q相關(guān)的信息，包括電壓、電流和溫度、值以及包含與鍵對(duì)應(yīng)的實(shí)際數(shù)據(jù)，通過計(jì)算每個(gè)查詢和所有鍵，transformer網(wǎng)絡(luò)層為值分配權(quán)重，并通過加權(quán)求和獲得相應(yīng)的輸出值；dk是每個(gè)頭的維度，dmodel為總模型維度；h為多頭注意力機(jī)制中頭的數(shù)量。

6.根據(jù)權(quán)利要求2所述的鋰電池荷電狀態(tài)估計(jì)方法，其特征在于，所述荷電狀態(tài)估計(jì)模型訓(xùn)練過程中采用rmse和mae指標(biāo)評(píng)估模型的性能。

7.鋰電池荷電狀態(tài)估計(jì)系統(tǒng)，其特征在于，包括：

8.根據(jù)權(quán)利要求7所述的鋰電池荷電狀態(tài)估計(jì)系統(tǒng)，其特征在于，所述模型訓(xùn)練單元包括：

技術(shù)總結(jié)
本發(fā)明實(shí)施例公開了鋰電池荷電狀態(tài)估計(jì)方法及系統(tǒng)。所述方法包括：獲取電池運(yùn)行數(shù)據(jù)，其中，所述電池運(yùn)行數(shù)據(jù)包括電流、電壓、溫度以及電池狀態(tài)；將所述電池運(yùn)行數(shù)據(jù)輸入至荷電狀態(tài)估計(jì)模型中進(jìn)行鋰電池的SOC估計(jì)，以得到估計(jì)結(jié)果；輸出所述估計(jì)結(jié)果；其中，所述荷電狀態(tài)估計(jì)模型通過若干個(gè)電池運(yùn)行數(shù)據(jù)作為樣本集采用前向傳播、反向傳播算法、超參數(shù)調(diào)優(yōu)進(jìn)行訓(xùn)練依序連接的TCN網(wǎng)絡(luò)層、GRU網(wǎng)絡(luò)層、Transformer網(wǎng)絡(luò)層以及全連接層構(gòu)成的基礎(chǔ)模型所得的。通過實(shí)施本發(fā)明實(shí)施例的方法可實(shí)現(xiàn)在數(shù)據(jù)缺失的情況下，提高SOC估計(jì)的準(zhǔn)確性。

技術(shù)研發(fā)人員：馬皓,周睿迪,戴希麟,張津豪,林凡凡,何柯誼
受保護(hù)的技術(shù)使用者：浙江高泰昊能科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9