一种电池荷电状态的估计方法、装置、设备及介质与流程

本申请涉及电池荷电状态估计，具体涉及一种电池荷电状态的估计方法、装置、设备及介质。

背景技术：

1、动力电池荷电状态（state of charge，soc）估计是电动汽车电池管理系统的核心功能，现有车载安时积分法长期运行易累积误差，难以满足高精度估算需求。

2、相关技术中，为获取用于云端模型训练的soc训练标签，一种常见的做法是依赖车辆上传至云端的充电电流及时间数据，采用反向安时积分法推算电池在充电过程中各时刻的soc真实值。然而，该方法的固有缺陷在于其严重受制于数据端到云传输过程中的通信质量。当由于网络波动、延迟或数据丢包等不可靠的传输条件导致电流采样值出现时序错位或缺失时，基于误差积累的安时积分过程便会引入逐步扩大的计算偏差，最终生成不准确的训练标签，影响估计结果的长期稳定性与精度。

技术实现思路

1、有鉴于此，本申请致力于提供一种电池荷电状态的估计方法、装置、设备及介质，以解决如何实现高精度 soc 在线估算的技术问题。

2、本申请实施例的第一方面，提供了一种电池荷电状态的估计方法，包括：获取电池充电过程中的运行数据，并筛选出跳变数据段，跳变数据段包括充电过程中，荷电状态从非满电值跳变至满电值的数据段，以数据段对应的荷电状态值作为标签真值；基于运行数据提取输入特征，对各输入特征与标签真值进行相关性分析，根据相关性分析结果为各输入特征分配权重，得到加权输入特征；根据电池的运行工况将运行数据划分为多个数据子集，基于各组数据子集、标签真值及加权输入特征分别训练时序预测模型，得到各充电工况一一对应的荷电状态估计模型；在线估计时，根据当前运行工况调用对应的估计模型得到第一荷电状态估计值，同时基于电池的物理模型得到第二荷电状态估计值，将第一荷电状态估计值与第二荷电状态估计值进行融合，输出最终荷电状态估计结果。

3、在一实施例中，基于运行数据提取输入特征，对各输入特征与标签真值进行相关性分析，根据相关性分析结果为各输入特征分配权重，得到加权输入特征，包括：基于运行数据提取的输入特征包括平均单体电压、平均单体温度、充电安时变化量、充电电流、电池健康状态；计算各输入特征与标签真值之间的皮尔逊相关系数；对各输入特征对应的皮尔逊相关系数取绝对值，将单个输入特征的相关系数绝对值除以全部输入特征相关系数绝对值之和，得到该输入特征的分配权重。

4、在一实施例中，基于电池的物理模型得到第二荷电状态估计值，将第一荷电状态估计值与第二荷电状态估计值进行融合，输出最终荷电状态估计结果，包括：采用安时积分法计算得到第二荷电状态估计值；采用卡尔曼滤波算法将第一荷电状态估计值和第二荷电状态估计值进行融合，输出最终荷电状态估计结果。

5、在一实施例中，运行工况包括电池分段恒流充电阶段，分段恒流充电阶段至少划分为低荷电状态阶段、中荷电状态阶段和高荷电状态阶段，各阶段以充电电流切换节点作为数据划分边界。

6、在一实施例中，时序预测模型为门控循环单元网络；门控循环单元网络采用双层双向架构，第一层门控循环单元网络处理原始输入序列并输出完整时序序列至第二层门控循环单元网络，第二层门控循环单元网络输出最后一个时间步的隐藏状态并输入全连接层输出荷电状态预测结果；每层门控循环单元网络后均设置丢弃层用于抑制模型过拟合。

7、在一实施例中，时序预测模型的训练以及在线估计均部署于云端服务器执行；车载终端用于采集电池运行数据并上传至云端服务器。

8、本申请实施例的第二方面，提供了一种电池荷电状态的估计装置，包括：数据筛选模块，用于获取电池充电过程中的运行数据，并筛选出跳变数据段，跳变数据段包括充电过程中，荷电状态从非满电值跳变至满电值的数据段，以数据段对应的荷电状态值作为标签真值；特征加权模块，用于基于运行数据提取输入特征，对各输入特征与标签真值进行相关性分析，根据相关性分析结果为各输入特征分配权重，得到加权输入特征；模型训练模块，用于根据电池的运行工况将运行数据划分为多个数据子集，基于各组数据子集、标签真值及加权输入特征分别训练时序预测模型，得到各充电工况一一对应的荷电状态估计模型；在线融合估计模块，用于在线估计时，根据当前运行工况调用对应的估计模型得到第一荷电状态估计值，同时基于电池的物理模型得到第二荷电状态估计值，将第一荷电状态估计值与第二荷电状态估计值进行融合，输出最终荷电状态估计结果。

9、本申请实施例的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行上述第一方面任一实现方式提供的电池荷电状态的估计方法。

10、本申请实施例的第四方面，提供了一种计算机可读存储介质，存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述第一方面任一实现方式提供的电池荷电状态的估计方法。

11、本申请实施例的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述第一方面任一实现方式提供的电池荷电状态的估计方法。

12、根据本申请实施例提供的电池荷电状态的估计方法，针对深度学习估计电池荷电状态时，因车载终端数据上传延迟或丢失导致训练标签不准确、不同充电工况下电池特性差异大引起模型估计精度降低的问题，通过筛选充电过程中荷电状态从非满电值跳变至满电值的跳变数据段，获得准确的标签真值，避免了反向安时积分因数据传输问题引入的标签误差；通过对输入特征进行相关性分析并分配权重，得到加权输入特征，增强了有效特征的影响；根据运行工况将数据划分为多个数据子集并分别训练时序预测模型，使模型能够适应不同充电工况下的电池特性差异，避开电流切换节点的干扰；在线估计时，将时序预测模型的第一荷电状态估计值与基于物理模型的第二荷电状态估计值进行融合，输出最终结果，充分结合了深度学习模型的非线性拟合能力与物理模型在短时内的高精度优势。整体上，实现了高精度电池荷电状态估计，有效降低了累积误差，提升了估计的鲁棒性和精度。

1.一种电池荷电状态的估计方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，基于所述运行数据提取输入特征，对各所述输入特征与所述标签真值进行相关性分析，根据相关性分析结果为各所述输入特征分配权重，得到加权输入特征，包括：

3.根据权利要求2所述的方法，其特征在于，基于电池的物理模型得到第二荷电状态估计值，将所述第一荷电状态估计值与所述第二荷电状态估计值进行融合，输出最终荷电状态估计结果，包括：

4.根据权利要求1所述的方法，其特征在于，所述运行工况包括电池分段恒流充电阶段，所述分段恒流充电阶段至少划分为低荷电状态阶段、中荷电状态阶段和高荷电状态阶段，各阶段以充电电流切换节点作为数据划分边界。

5.根据权利要求1所述的方法，其特征在于，所述时序预测模型为门控循环单元网络；所述门控循环单元网络采用双层双向架构，第一层门控循环单元网络处理原始输入序列并输出完整时序序列至第二层门控循环单元网络，第二层门控循环单元网络输出最后一个时间步的隐藏状态并输入全连接层输出荷电状态预测结果；每层门控循环单元网络后均设置丢弃层用于抑制模型过拟合。

6.根据权利要求1至5任一所述的方法，其特征在于，所述时序预测模型的训练以及在线估计均部署于云端服务器执行；车载终端用于采集电池运行数据并上传至所述云端服务器。

7.一种电池荷电状态的估计装置，其特征在于，包括：

8.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1至6中任一项所述的的电池荷电状态的估计方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如1至6中任一项所述的电池荷电状态的估计方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现1至6中任一项所述的电池荷电状态的估计方法。