一种动力电池SOC估计方法、装置及电子设备与流程
本申请涉及电气工程及交通电气化,更具体地,涉及一种动力电池soc估计方法、装置及电子设备。
背景技术:
1、纯电船舶、纯电汽车、多电飞机作为高效率的交通工具,成为交通运输业可持续发展的重要方向。纯电交通载运工具的动力来源高度依赖动力电池系统,而荷电状态(stateof charge,soc)作为描述电池剩余能量的核心参数,其准确估计直接关系到交通载运工具的航行安全、续航能力评估及电池寿命管理,是保障纯电载运工具可靠运行的关键技术之一。
2、目前,soc估计方法主要分为传统模型方法和数据驱动方法。传统模型方法如卡尔曼滤波及其变体,依赖于精确的电池等效电路模型,但在复杂工况下模型参数易漂移,导致估计精度下降。数据驱动方法,通过挖掘大量历史数据中的模式进行预测,然而这类方法通常需要强大的计算资源支持,难以直接应用于边缘设备的实时估计场景,且在复杂多变的运行条件下,评估结果存在一定的固定偏差,模型的抗干扰能力较弱。
技术实现思路
1、有鉴于此,本申请提供了一种动力电池soc估计方法、装置及电子设备。
2、本申请的一个方面提供了一种动力电池soc估计方法,包括:根据动力电池在预设时间段的运行观测数据,通过部署于云端设备的云端深度学习模型,确定上述动力电池的soc云端估计值;根据上述soc云端估计值和上述动力电池的当前运行观测数据,应用部署于边缘设备的边缘端计算模型,确定上述动力电池的soc估计值。
3、根据本申请的实施例,上述云端深度学习模型是通过对部署于云端设备的深度学习神经网络进行训练得到的;上述深度学习神经网络的训练过程为:获取动力电池样本的历史运行观测数据以及与上述历史运行观测数据对应的soc真实标签,根据上述历史运行观测数据和上述soc真实标签构建训练数据集,以上述历史运行观测数据为输入,以对应的上述soc真实标签为输出,对上述深度学习神经网络进行训练。
4、根据本申请的实施例,上述云端深度学习模型包括自编码器、时序膨胀卷积网络、特征编码模块和云端输出层;上述自编码器用于对输入的当前运行观测数据进行降维与特征提取,得到与上述动力电池的soc估计值相关的潜在特征;上述时序膨胀卷积网络用于对上述潜在特征进行多个时间尺度的特征提取,并将各上述时间尺度的特征进行拼接,得到多尺度特征;上述特征编码模块用于提取上述多尺度特征的长时序特征;上述云端输出层用于将上述长时序特征映射为上述动力电池的soc云端估计值。
5、根据本申请的实施例,上述时序膨胀卷积网络包括三条并行设置的特征提取分支;上述三条并行设置的特征提取分支包括小时间尺度特征提取分支、中时间尺度特征提取分支和大时间尺度特征提取分支;各条上述特征提取分支依次设置两层张扩张因果卷积层、relu激活函数、1×1卷积特征偏移模块和池化层;其中,上述小时间尺度特征提取分支配置步长为2的最大池化层压缩序列长度;上述中时间尺度特征提取分支和上述大时间尺度特征提取分支均配置步长为1的平均池化层。
6、根据本申请的实施例,上述特征编码模块由多个mamba块堆叠而成。
7、根据本申请的实施例,上述云端输出层依次设置第一层线性层、relu激活函数、第二层线性层和sigmoid激活函数;上述第一层线性层用于将长时序特征压缩至32维,得到32维时序特征;上述第二层线性层用于将上述32维时序特征压缩至1维。
8、根据本申请的实施例,在上述边缘端计算模型包括基于上述动力电池的二阶rc等效电路模型构建的等效电路模块、基于无迹卡尔曼滤波算法构建的滤波校正模块和云边信息融合模块的情况下,根据上述soc云端估计值和上述动力电池的当前运行观测数据,应用部署于边缘设备的边缘端计算模型,确定上述动力电池的soc估计值,包括:根据上述动力电池的当前运行观测数据,应用上述二阶rc等效电路模型,确定上述动力电池的状态空间模型;采用无迹卡尔曼滤波算法,利用上述状态空间模型对上述动力电池的soc进行估计,得到上述动力电池的soc边缘端估计值;应用云边信息融合模块,将上述soc云端估计值和上述soc边缘端估计值进行融合,确定上述动力电池的soc估计值。
9、根据本申请的实施例,上述动力电池的soc估计值表示为:;其中,是soc边缘端估计值;是soc云端估计值;是通过动力电池的当前工况的波动程度进行自适应调整的动态权重;是soc估计值。
10、根据本申请的实施例,上述动力电池soc估计方法,还包括:根据上述动力电池的soc云端估计值和soc边缘端估计值的差值,确定云边一致性误差;在当前时刻是上述云端深度学习模型的模型更新时刻或者在预设时间窗口内上述云边一致性误差连续超过预设误差阈值的情况下,应用增量学习技术对上述云端深度学习模型进行训练。
11、本申请的另一个方面提供了一种动力电池soc估计装置,包括:云端计算模块,用于根据动力电池在预设时间段的运行观测数据,通过部署于云端设备的云端深度学习模型,确定上述动力电池的soc云端估计值;边缘端计算模块,用于根据上述soc云端估计值和上述动力电池的当前运行观测数据,应用部署于边缘设备的边缘端计算模型,确定上述动力电池的soc估计值。
12、根据本申请的实施例,上述边缘端计算模块包括:等效电路模块,用于根据上述动力电池的当前运行观测数据,应用上述二阶rc等效电路模型,确定上述动力电池的状态空间模型;滤波校正模块,用于采用无迹卡尔曼滤波算法,利用上述状态空间模型对上述动力电池的soc进行估计,得到上述动力电池的soc边缘端估计值;云边信息融合模块,用于将上述soc云端估计值和上述soc边缘端估计值进行融合,确定上述动力电池的soc估计值。
13、本申请的另一个方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如上上述的方法。
14、本申请的另一个方面提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现如上上述的方法。
15、根据本申请的实施例,通过云端深度学习模型与边缘端实时滤波估计的协同架构,充分利用云端大数据处理能力和边缘端低延迟特性,实现了高精度、低延迟的soc估计,有效解决了载具在复杂工况下精度不足与实时性差的矛盾,同时,通过采用云端深度学习模型和边缘端计算模型的模块化设计,云端深度学习模型和边缘端计算模型可独立优化或替换,具备高度的灵活性和可扩展性,能够适配不同类型载具动力电池系统,推广价值显著。此外,本申请通过云边协同优化计算资源分配,降低了边缘端的算力需求,同时利用云端训练提升模型精度,兼具经济效益与计算效率优势,本申请提供的技术方案的实施将助力纯电载具如储能车、电动车的可靠运行与电池寿命管理,推动行业绿色化、电气化转型,具有显著的环境和社会效益。
1.一种动力电池soc估计方法,其特征在于,所述方法包括:
2.根据权利要求1所述的动力电池soc估计方法,其特征在于,所述云端深度学习模型是通过对部署于云端设备的深度学习神经网络进行训练得到的;
3.根据权利要求1所述的动力电池soc估计方法,其特征在于,所述云端深度学习模型包括自编码器、时序膨胀卷积网络、特征编码模块和云端输出层;
4.根据权利要求3所述的动力电池soc估计方法,其特征在于,所述时序膨胀卷积网络包括三条并行设置的特征提取分支;所述三条并行设置的特征提取分支包括小时间尺度特征提取分支、中时间尺度特征提取分支和大时间尺度特征提取分支;
5.根据权利要求3所述的动力电池soc估计方法,其特征在于,所述特征编码模块由多个mamba块堆叠而成。
6.根据权利要求3所述的动力电池soc估计方法,其特征在于,所述云端输出层依次设置第一层线性层、relu激活函数、第二层线性层和sigmoid激活函数;
7.根据权利要求1所述的动力电池soc估计方法,其特征在于,在所述边缘端计算模型包括基于所述动力电池的二阶rc等效电路模型构建的等效电路模块、基于无迹卡尔曼滤波算法构建的滤波校正模块和云边信息融合模块的情况下,根据所述soc云端估计值和所述动力电池的当前运行观测数据,应用部署于边缘设备的边缘端计算模型,确定所述动力电池的soc估计值,包括:
8.根据权利要求7所述的动力电池soc估计方法,其特征在于,所述动力电池的soc估计值表示为:
9.根据权利要求1所述的动力电池soc估计方法,其特征在于,所述方法还包括:
10.一种动力电池soc估计装置,其特征在于,所述装置包括:
11.根据权利要求10所述的动力电池soc估计装置,其特征在于,所述边缘端计算模块包括:
12.一种电子设备,其特征在于,包括:
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至9中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com