一种基于数据驱动确定动力电池荷电状态的方法与流程

1.本技术属于电池状态监测技术领域，尤其涉及一种基于数据驱动确定动力电池荷电状态的方法。


背景技术：

2.动力电池是电动汽车的核心组成部分，为保证电动汽车的安全性，对动力电池的状态进行准确的确定是十分重要的。荷电状态(state of charge，soc)反映电池剩余可用电量，是衡量动力电池状态的一个重要参数。
3.目前一种确定动力电池的soc方法是数据驱动法，该方法通过动力电池上的传感器获取特定驾驶条件下动力电池的电压、电流以及温度等数据，然后将电压、电流以及温度等数据输入到神经网络模型，由神经网络模型输出电池的soc。然而，电动汽车在不同的驾驶条件下，比如不同的速度或者不同的温度，同一个soc值对应的电压、电流是不相同，具有较强的波动性和随机性，而训练神经网络模型时可以模拟的驾驶条件是有限的。此时，可能出现实际驾驶条件是训练神经网络模型时没有模拟到的驾驶条件，则该实际驾驶条件下得到的动力电池的soc准确度较低。


技术实现要素：

4.针对上述技术问题，本技术实施例提供一种基于数据驱动确定动力电池荷电状态的方法，以降低数据的波动性和随机性，提高确定动力电池soc的准确度，该方法可以应用于多种场景，既适用于欠采样情况又适用于非欠采样情况。
5.第一方面，本技术实施例提供了一种基于数据驱动确定动力电池荷电状态的方法，该方法包括：
6.获取电池的第一数据，第一数据包括电池的多个电压数据；
7.对第一数据进行处理，得到第二数据，第二数据包括第一特征，第一特征反映多个电压数据的变化趋势；
8.根据第二数据，确定电池的荷电状态。
9.结合第一方面，在第一方面的某些实现方式中，对第一数据进行处理，得到第二数据，包括：根据经验模态分解法，对第一数据进行处理，得到第二数据。
10.结合第一方面和上述实现方式，在第一方面的某些实现方式中，在得到第二数据之后，该方法还包括：获取电池的内阻；根据电池的内阻，对第二数据进行修正，得到修正后的第二数据；
11.根据第二数据，确定电池的荷电状态，包括：根据修正后的第二数据，确定电池的荷电状态。
12.对第二数据进行修正，可以进一步降低电动汽车在不同驾驶条件下的电压数据的随机性和波动性，提高确定电池soc的准确度。
13.结合第一方面和上述实现方式，在第一方面的某些实现方式中，根据修正后的第
二数据，确定电池的荷电状态，包括：将修正后的第二数据输入神经网络模型，得到电池的荷电状态，神经网络模型用于根据第一特征，输出电池的荷电状态。
14.结合第一方面和上述实现方式，在第一方面的某些实现方式中，第二数据还包括第二特征，第二特征为多个电压数据的高频分量。
15.结合第一方面和上述实现方式，在第一方面的某些实现方式中，第一数据还包括电池的多个电流数据和多个温度数据。
16.结合第一方面和上述实现方式，在第一方面的某些实现方式中，第二数据还包括第三特征、第四特征和温度数据，第三特征反映多个电流数据的变化趋势，第四特征为多个电流数据的高频分量。
17.第二方面，本技术实施例提供了一种基于数据驱动确定动力电池荷电状态的装置，包括：
18.获取单元，用于获取电池的第一数据，第一数据包括电池的多个电压数据；
19.处理单元，用于对第一数据进行处理，得到第二数据，第二数据包括第一特征，第一特征反映多个电压数据的变化趋势；根据第二数据，确定电池的荷电状态。
20.第三方面，本技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的方法。
21.第四方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得所述计算机执行如第一方面所述的方法。
22.第五方面，本技术实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，当所述计算机程序产品在计算机上运行时，实现如第一方面所述的方法。
23.本技术实施例提供的基于数据驱动确定动力电池荷电状态的方法，获取电池的第一数据，第一数据包括电池的多个电压数据，并对第一数据进行了处理，从复杂的电压数据中提取反映多个电压数据的变化趋势的第一特征，得到第二数据，根据第二数据确定电池的荷电状态，能够降低多个电压数据的随机性和波动性，提高确定电池soc的准确度。
附图说明
24.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
25.图1是本技术实施例提供的一种基于数据驱动确定动力电池荷电状态的方法的流程示意图；
26.图2是本技术实施例提供的一种lstm单元的基本结构；
27.图3是本技术实施例提供的一种soc估计的神经网络框架；
28.图4是us06工况在环境温度-10℃和25℃下电池的电压、电流和温度的数据分布。
29.图5(a)是环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下60％soc对应的补偿前电压残余分量；
30.图5(b)是环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下50％soc对
应的补偿前电压残余分量；
31.图5(c)是环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下40％soc对应的补偿前电压残余分量；
32.图5(d)是环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下60％soc对应的补偿后电压残余分量；
33.图5(e)是环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下50％soc对应的补偿后电压残余分量；
34.图5(f)是环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下40％soc对应的补偿后电压残余分量。
35.图6(a)是采用两种方法时，环境温度-10℃时hwfet工况的soc估计结果；
36.图6(b)是采用两种方法时，环境温度25℃时hwfet工况的soc估计结果；
37.图6(c)是采用两种方法时，环境温度-10℃时hwfet工况的soc误差结果；
38.图6(d)是采用两种方法时，环境温度25℃时hwfet工况的soc误差结果；
39.图7(a)是采用两种方法时，环境温度-10℃时us06工况的soc估计结果；
40.图7(b)是采用两种方法时，环境温度25℃时us06工况的soc估计结果；
41.图7(c)是采用两种方法时，环境温度-10℃时us06工况的soc误差结果；
42.图7(d)是采用两种方法时，环境温度25℃时us06工况的soc误差结果；
43.图8是本技术实施例提供的一种装置的结构示意图；
44.图9是本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
45.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
46.以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上，“至少一个”、“一个或多个”是指一个、两个或两个以上。
47.在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
48.电池作为一个高度非线性和时变系统，其内部参数动态变化，使动力电池soc难以准确估计。目前，确定动力电池soc的方法主要分为以下四种：库伦计数法、开路电压(open circuit voltage，ocv)法、基于模型的方法和基于数据驱动的方法。库伦计数法确定的准确度受到soc初始误差和传感器精度的影响，在长期使用的过程中容易形成累积误差。开路电压法需要将动力电池静置一段时间，以获取准确ocv，通过查表方式得到相应的soc，然
而，在电动汽车实际运行过程中将动力电池静置一段时间是难以实现的。
49.基于模型的方法通过模型实现对动力电池特性的动态跟踪，结合shepherd模型、unnewehr universal模型和nernst模型对动力电池进行建模，采用递推最小二乘法进行在线参数辨识，利用无迹卡尔曼滤波对soc进行确定，并利用基于残差信息特性的检测方法判断soc是否异常，引入自适应衰减因子修正反映误差的协方差矩阵。该方法不足之处在于当电池数据处于欠采样状态下，模型建立和soc确定的离散化过程中都会引入系统误差。
50.基于数据驱动的方法通过神经网络模型确定动力电池的荷电状态。首先收集电池的工况数据，工况数据包含电压、电流、温度和当前电量，依据当前电量与标准电量计算神经网络模型的soc训练标签，对电压、电流和温度进行归一化处理后，采用双向lstm encoder-decoder结构训练得到神经网络模型。确定soc时，通过动力电池上的传感器获取特定驾驶条件下动力电池的电压、电流以及温度等数据，然后将电压、电流以及温度等数据输入到神经网络模型，由神经网络模型输出电池的soc。
51.然而，电动汽车在不同的驾驶条件下(即不同工况)，比如不同的速度或者不同的温度，同一个soc值对应的电压、电流是不相同，具有较强的波动性和随机性，在低温或者高功率下，电压的波动性会加剧，而训练神经网络模型时可以模拟的驾驶条件是有限的。此时，可能出现实际驾驶条件是训练神经网络模型时没有模拟到的驾驶条件，则该实际驾驶条件下得到的动力电池的soc准确度较低。虽然可以通过加深网络复杂度来获取较高的soc准确度，然而这会带来计算时间加长和不利于网络收敛的问题。
52.电动汽车上可以采用库伦计数法实时获取动力电池的soc，为了校正soc的累积误差，可以将传感器采集的电压、电流以及温度等数据传输至数据平台，然后基于数据驱动的方法确定电池的soc，将数据平台上确定的soc和电动汽车上确定的soc进行对比校正。由于实际情况中传输链路上允许的数据有限、以及数据平台的存储空间有限，《gbt 32960.3-2016电动汽车远程服务与管理系统技术规范第3部分通信协议及数据格式》中明确表示电动汽车正常行驶过程中，允许上报数据的时间周期最大不应超过30s。目前，数据平台上数据的时间间隔通常在10s到30s之间。此外，由于电池数据波动频率较高，不满足采样定理，因而数据平台上的数据往往带有较大的时间间隔，处于欠采样情况，降低了电池数据的细节信息，使用前述数据驱动的方法估计动力电池soc的准确度降低。以下将“动力电池”简称为“电池”。
53.针对上述问题，本技术实施例提出一种基于数据驱动确定动力电池荷电状态的方法，首先通过传感器获取电池的电压、电流、温度等原始数据，然后对原始数据进行处理，从原始数据中提取反映原始数据的变化趋势的特征、反映细节信息的特征等，以降低原始数据的随机性和波动性；进而根据提取的特征确定电池soc，提高确定电池soc的准确度。此外，还可以对提取的特征进行修正，进一步降低电动汽车在不同驾驶条件下原始数据的随机性和波动性，提高确定电池soc的准确度。
54.本技术实施例提供的方法既可以用于欠采样情况，也可以用于非欠采样情况。以欠采样情况为例，结合图1对本技术实施例提供的基于数据驱动确定动力电池荷电状态的方法100进行说明。如图1所示，该方法100包括：
55.s101：获取电池的第一数据，第一数据包括电池的多个电压数据。
56.s102：对第一数据进行处理，得到第二数据，第二数据包括第一特征，第一特征反
映多个电压数据的变化趋势。
57.s103：根据第二数据，确定电池的荷电状态。
58.首先，从数据平台上获取电池的第一数据，第一数据包括电池的多个电压数据，此外，第一数据还可以包括其他数据，比如多个电流数据和多个温度数据，即第一数据的组成可以是(电压，电流，温度)，其中多个数据是一段时间长度内多个时刻对应的数据，可以用时间序列xk表示，k表示时刻。数据平台中存储了通过传感器获取的电池的电压、电流、温度等原始数据。
59.然后，本技术实施例中可以利用小波变换或者经验模态分解(empirical mode decomposition，emd)等方法对第一数据进行处理，得到第二数据。
60.以经验模态分解为例进行说明。
61.给定一个时间序列xk(k＝1,2,
…
,n)，emd处理的过程如下所示：
62.①
识别时间序列xk的局部最大值和最小值，通过三次样条插值函数依次获取时间序列xk的上包络线uk和下包络线lk。通过式(1)计算上下包络线的平均包络线mlk。
[0063][0064]
②
从时间序列xk中减去平均包络线mlk获取新的时间序列hlk，如式(2)所示。
[0065]
hlk＝x
k-mlkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0066]
③
判断时间序列hlk是否满足本征模函数(intrinsic mode functions，imfs)的两个特性。一个特性是：局部极值点和过零点的个数最多相差为1；另一个特性是：由局部极值构成的上下包络线的平均值为0。如果时间序列hlk满足上述两个特性，将时间序列hlk定义为一个imf，并且用由式(3)计算所得的残余项rk代替时间序列xk。然后重复步骤
①
到步骤
③
。
[0067]rk
＝x
k-hlkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0068]
如果时间序列hlk不满足上述imfs的两个特性，则在时间序列hlk的基础上先执行步骤
①
到步骤
②
，再进一步执行步骤
③
。
[0069]
重复上述过程，直到满足迭代过程的终止条件。终止条件根据柯西收敛准则确定，如式(4)所示。
[0070][0071]
其中，r
k,last
和r
k,current
分别是上一次迭代和当前迭代的残余项。本技术实施例中，可以将value设置为0.2。
[0072]
在迭代结束后，可以得到残余分量rk，rk反映了时间序列xk的变化趋势，还可以得到时间序列xk的m个imfs，imfs表征了时间序列xk内在的振动模式。原始时间序列xk可以通过imfs和残余分量rk进行重构，如式(5)所示。
[0073][0074]
当时间序列xk为电压数据时，可以得到电压的imfs和残余分量，电压的残余分量
对应于第一特征。电压的imfs为多个电压数据的高频分量，对应于第二特征。当时间序列xk为电流数据时，可以得到电流的imfs和残余分量，电流的残余分量对应于第三特征。电流的imfs为多个电流数据的高频分量，对应于第四特征。
[0075]
当第一数据包括多个电压数据时，第二数据包括电压的残余分量，还可以包括电压的imfs。当第一数据还包括多个电流数据时，第二数据还可以包括电流的残余分量和电流的imfs。此外，当第一数据还包括多个温度数据时，第二数据还包括温度数据。
[0076]
然后将第二数据输入预先训练的神经网络模型，即可以确定电池的soc。
[0077]
然而，不同工况下，同一soc对应的由emd处理得到的电压残余分量之间依旧存在一定偏差，这种偏差是由于不同工况下电流数据的分布情况不同导致的，本技术实施例对电压的残余分量进行补偿，以修正偏差，进一步降低电动汽车在不同运行工况下电池数据的差异性。
[0078]
以下具体对补偿策略进行说明。
[0079]
考虑到欠采样情况下，复杂模型在离散化过程中会引入系统偏差，本技术实施例采用内阻模型对动力电池进行建模，该模型相应的测量方程如式(6)所示。
[0080]
uk＝ocvk i
krinternal
αkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0081]
其中，uk是k时刻的电压，ik是k时刻的电流，ocvk是k时刻的开路电压，r
internal
是电池内阻，αk是k时刻误差项，服从标准正态分布。
[0082]
由于电压残余分量是电压趋势量，反映电压的低频信息，可以视作电压的基底，其他电压imfs是在此基础上进行原始电压信号重构。在充放电过程中，ocv变化相对缓慢，属于低频分量。此外，工况的电流分布可以视作是在一个平均电流上的波动，内阻上的平均电压也属于低频分量。因此，本技术实施例中，将电压残余分量等效为ocv与内阻上的平均电压之和，如式(7)所示。
[0083][0084]
其中，r
k,v
是k时刻的电压残余分量，是一段时间内的平均电流，βk是k时刻误差项，服从标准正态分布。
[0085]
将式(6)与式(7)相减，可以得到用于内阻参数辨识的线性回归方程，如式(8)所示。
[0086][0087]
其中，δk＝u
k-r
k,v
，γk是k时刻误差项，服从标准正态分布。
[0088]
参数辨识的算法可以是最小二乘法，结合式(8)和实际传感器采集的电流数据，通过式(9)在线获取内阻的最优估计。
[0089][0090]
其中，y＝[δ1,δ2,
…
,δn]
t
，是电流i1到in的平均值，是电池内阻的最优估计结果。
[0091]
电压残余分量通过内阻上的平均电压进行补偿，获取类ocv量，如式(10)所示。
[0092]
[0093]
其中，r
k,v,c
是k时刻补偿后的电压残余分量。
[0094]
对电压的残余分量进行补偿，即对第二数据进行修正，进一步了提高不同工况的聚合程度，即不同工况条件与同一soc下，所对应的数据的相似性，也就是降低了电动汽车在不同运行工况下电池数据的差异性，减小了电池数据的随机性与波动性，同时又保证了数据与soc的相关性。
[0095]
此时，修正后的第二数据包括补偿后的电压残余分量，还可以包括电压imfs、电流残余分量、电流imfs和温度数据。将修正后的第二数据输入神经网络模型，确定电池的soc，进一步提高了结果的准确度。神经网络通过网络层堆叠和非线性激活函数，可以有效仿真电池的动态特性，本技术提出的方法由于降低了原始数据的随机性和波动性，不需要加深网络复杂度，即可获取较高的soc准确度。
[0096]
由于soc估计是一个时间序列预测任务，本技术实施例中使用循环神经网络(recurrent neural network，rnn)的改进版长短期时间记忆神经网络(long-short term memory，lstm)训练与预测soc，防止反向传播过程出现梯度消失和梯度爆炸现象。
[0097]
如图2所示，为本技术实施例提供的lstm单元的基本结构，该lstm单元包含输入门i、遗忘门f、控制门c和输出门o。公式(11)到公式(16)描述了lstm单元的工作流程。
[0098]
ik＝sigm(w
x,i
xk w
h,ihk-1
bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0099]fk
＝sigm(w
x,f
xk w
h,fhk-1
bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0100]
ok＝sigm(w
x,o
xk w
h,ohk-1
bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0101]ck
＝tanh(w
x,c
xk w
h,chk-1
bc)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0102]ck
＝fk⊙ck-1
ik⊙ck
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0103]hk
＝o
t
⊙
tanh(ck)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0104]
其中，xk是时间步k(k＝1,2,
…
,n)的输入，hk是时间步k的隐藏层输出，ck是时间步k的lstm单元状态。w和b是分别是权重矩阵和偏置。sigm是sigmoid函数，该函数可以将数值转化至0到1的范围，tanh是双曲正切函数，该函数可以将数值转换至-1到1的范围。公式(11)到公式(14)的门向量决定了lstm单元记忆更新、遗忘和输出的信息。最后，通过公式(15)到公式(16)更新lstm单元状态和隐藏层状态。
[0105]
在本技术实施例中，神经网络模型的输入包括补偿后的电压残余分量、电压imfs，还可以包括电流残余分量、电流imfs和环境温度。输入时将k时刻的各个特征连接为时间步k的输入向量xk。
[0106]
图3是本技术实施例提供的soc估计的框架，n是输入序列长度，它的第n个数据对应的时间为时间步n。h0和c0分别是lstm单元状态和隐藏层输出的初始值。socn是时间步n的soc估计。各个时间步的输入信息通过隐藏层输出和lstm单元状态传输，过去信息可以被当前充分使用。时间步n的隐藏层输出hn通过全连接网络(full connected network，fcn)结合，fcn经过sigmoid函数后输出soc的估计结果。
[0107]
综上所述，本技术实施例提出一种基于数据驱动确定动力电池荷电状态的方法，该方法基于emd对电池的原始数据进行特征提取，获取电压imfs和残余分量、电流的imfs和残余分量，降低了原始数据的随机性和波动性。
[0108]
并且利用最小二乘法实时辨识动力电池的内阻，通过内阻的平均电压补偿电压残余分量，进一步减小了电动汽车在不同运行工况条件下的数据差异性。
[0109]
本技术实施例提出的方法既适用于欠采样情况，也适用于非欠采样情况，当应用于数据平台时，可以确保良好的准确度，对电动汽车上的soc进行校准，还可以为根据平台的数据估计蓄电池容量(state of health，soh)提供参考。此外，该方法还可以用于其他存在欠采样情况的设备，提高该设备soc估计的准确度。
[0110]
以下结合实验数据对本技术实施例提供的方法的准确性进行说明。
[0111]
实验中利用降采样后的实验室工况数据模拟仿真数据平台上欠采样的电池数据。实验室工况数据包括9个工况，分别是cycle 1-4、神经网络(neural network，nn)、城市功率计行驶计划(urban dynamometer driving schedule，udds)、统一驾驶计划(unified driving schedule，la92)、高速公路节油驾驶计划(highway fuel economy test，hwfet)和激烈驾驶计划(high acceleration aggressive driving schedule，us06)。cycle 1-4为对nn、udds、la92、hwfet以及us06等工况随机混合得到的。
[0112]
本技术实施例中实验对象为松下ncr18650pf三元锂电池，其主要性能参数如表1所示。
[0113]
表1 ncr18650pf性能参数
[0114]
标称容量2900mah标称电压3.6v最小/最大电压2.5v/4.2v标准充电电流1.35a最大持续放电电流10a
[0115]
具体实验步骤如下所示：
[0116]
①
获取第一数据，采用大小为n的滑动窗口框选电压、电流和温度时间序列。
[0117]
比如以采样间隔为10s的欠采样数据为例，当n为20，滑动步长为5时，则取第0秒、第10秒、第20秒
……
第200秒的数据为第一组数据，取第50秒、第60秒、第70秒
……
第250秒的数据为第二组数据。
[0118]
②
获取第二数据，利用emd分解电压和电流信号，获取电压imfs和残余分量、电流imfs和残余分量，此外，第二数据还包括温度数据。
[0119]
③
基于式(8)建立内阻参数辨识的线性回归方程，并基于最小二乘法，通过式(9)获取内阻的最优解，采用式(10)补偿电压残余分量。
[0120]
④
将9个工况数据集划分为训练集和测试集，其中，hwfet和us06工况为测试集，其他工况为训练集。训练集和测试集都进行归一化处理。
[0121]
⑤
设置lstm模型的时间步长和隐藏层大小，并利用训练集对模型进行训练。训练过程中参数优化过程采取adam算法，训练步长为2000，学习率设为0.01，批尺寸设为256。
[0122]
⑥
对比分析基于第一数据的lstm的soc估计结果(以下称为标准lstm)，和基于第二数据的lstm的soc估计结果(以下称为新特征lstm)。
[0123]
以下对实验结果进行分析。
[0124]
图4是us06工况在环境温度-10℃和25℃下电池的电压、电流和温度的数据分布。
[0125]
图5(a)和(d)是环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下60％soc对应的补偿前后电压残余分量。
[0126]
图5(b)和(e)是环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下50％
soc对应的补偿前后电压残余分量。
[0127]
图5(c)和(f)是环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下40％soc对应的补偿前后电压残余分量。
[0128]
在此，以电压残余分量的标准差衡量不同工况数据的聚合程度。表2给出了环境温度-10℃，cycle 1、nn、udds、la92、hwfet和us06工况下20％soc到80％soc对应的补偿前后电压残余分量的标准差，soc间隔为10％。std
vr
和std
cvr
分别是不同工况补偿前后电压残余分量标准差。从图5和表2可以看出，在低温环境下，经过补偿后的电压残余分量的标准差普遍降低，提高了不同工况数据的聚合程度，证明了补偿策略的有效性。
[0129]
表2环境温度-10℃不同soc下不同工况的补偿前后电压残余分量标准差
[0130][0131]
图6和图7分别是采用两种方法时，环境温度-10℃和25℃条件下hwfet和us06工况的soc估计结果以及误差对比。两种方法分别为新特征lstm和标准lstm。表3给出了两种方法的估计误差统计。
[0132]
结合图6、图7和表3可以看出，当环境温度是常温时，基于新特征lstm和标准lstm都能取得较好的soc估计准确度。当环境温度是低温时，基于新特征lstm的估计结果优于标准lstm的估计结果，这是由于新特征(第二数据)改善了不同工况聚合程度导致的。
[0133]
可以看出，基于标准lstm获取的4个环境温度条件下hwfet和us06的soc估计结果中，均方根误差(rmse)最大值为3.7％，最大绝对误差(maxae)最大值为5.4％；基于新特征lstm获取的4个环境温度条件下hwfet和us06的soc估计结果中，rmse最大值为2.2％，maxae最大值为5.6％。以上结果充分说明了本技术实施例提出的方法在不同环境温度下具有稳定性。
[0134]
表3两种方法的soc估计误差统计
[0135][0136]
以下对本技术实施例提供的装置和电子设备进行说明。
[0137]
图8为本技术实施例提供的训练模型的装置，该装置800包括获取单元801、处理单元802。
[0138]
获取单元801，用于获取电池的第一数据，第一数据包括电池的多个电压数据。
[0139]
处理单元802，用于对第一数据进行处理，得到第二数据，第二数据包括第一特征，第一特征反映多个电压数据的变化趋势；根据第二数据，确定电池的荷电状态。
[0140]
特别地，处理单元802，还用于根据经验模态分解法，对第一数据进行处理，得到第二数据。
[0141]
特别地，处理单元802，还用于获取电池的内阻；根据电池的内阻，对第二数据进行修正，得到修正后的第二数据；根据修正后的第二数据，确定电池的荷电状态。
[0142]
特别地，处理单元802，还用于将修正后的第二数据输入神经网络模型，得到电池的荷电状态，神经网络模型用于根据第一特征，输出电池的荷电状态。
[0143]
特别地，第二数据还包括第二特征，第二特征为多个电压数据的高频分量。
[0144]
特别地，第一数据还包括电池的多个电流数据和多个温度数据
[0145]
特别地，第二数据还包括第三特征、第四特征和温度数据，第三特征反映多个电流数据的变化趋势，第四特征为多个电流数据的高频分量。
[0146]
应理解的是，本技术实施例的装置800可以通过专用集成电路(application-specific integrated circuit，asic)实现，或可编程逻辑器件(programmable logic device，pld)实现，上述pld可以是复杂程序逻辑器件(complex programmable logical device，cpld)，现场可编程门阵列(field-programmable gate array，fpga)，通用阵列逻辑(generic array logic，gal)或其任意组合。也可以通过软件实现图1所示的方法，通过软件实现图1所示的方法时，装置800及其各个模块也可以为软件模块。
[0147]
图9为本技术实施例提供的一种电子设备900的结构示意图。如图9所示，该设备900包括处理器901、存储器902、通信接口903和总线904。其中，处理器901、存储器902、通信接口903通过总线904进行通信，也可以通过无线传输等其他手段实现通信。该存储器902用于存储指令，该处理器901用于执行该存储器902存储的指令。该存储器902存储程序代码9021，且处理器901可以调用存储器902中存储的程序代码9021执行图1所示的方法。
[0148]
应理解，在本技术实施例中，处理器901可以是cpu，处理器901还可以是其他通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
[0149]
该存储器902可以包括只读存储器和随机存取存储器，并向处理器901提供指令和数据。存储器902还可以包括非易失性随机存取存储器。该存储器902可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data date sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器
(direct rambus ram，dr ram)。
[0150]
该总线904除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图9中将各种总线都标为总线904。
[0151]
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive，ssd)。
[0152]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。