[发明专利]一种电池组荷电状态检测方法和装置

权利要求书

1.一种电池组荷电状态检测方法，其特征在于，包括：

获取预设时间段内的电池状态监测数据；

采用所述预设时间段内的电池状态监测数据，训练一维卷积神经网络模型，得到训练后的一维卷积神经网络模型；

将实时采集的电压输出值，和/或，电流输出值输入到所述训练后的一维卷积神经网络模型中，得到电池组荷电状态的量化数据；

采用线性滤波算法对所述电池组荷电状态的量化数据进行滤波处理，得到电池组荷电状态估算值。

2.根据权利要求1所述的方法，其特征在于，网络模型训练的时间步长为第一预设值，所述获取预设时间段内的电池状态监测数据的步骤包括：

确定当前时间；

获取所述当前时间前第一预设值的时间段内，多个运行状态下的所有电压输出信号，和/或，电流输出信号；

依据所述多个运行状态下的所有电压输出信号，和/或，电流输出信号生成预设时间段内的电池检测数据。

3.根据权利要求2所述的方法，其特征在于，所述电池状态监测数据为矩阵数据，所述采用所述预设时间段内的电池状态监测数据，训练一维卷积神经网络模型，得到训练后的一维卷积神经网络模型的步骤包括：

获取初始的一维卷积神经网络模型；

重构所述预设时间段内的电池状态监测数据为电流值，和/或，电压值，生成输入矩阵；

采用所述输入矩阵训练初始的一维卷积神经网络模型，得到训练后的一维卷积神经网络模型。

4.根据权利要求3所述的方法，其特征在于，所述一维卷积神经网络模型包括多个卷积层和池化层、全连接层，所述采用所述输入矩阵训练初始的一维卷积神经网络模型，得到训练后的一维卷积神经网络模型：

在每一层卷积层中，依据预设的卷积计算公式和所述输入矩阵中的电流值，和/或，电压值，进行卷积计算，生成卷积特征；

在每层卷积层完成所述卷积计算时，所述池化层对上一个卷积层得到的卷积特征进行抽样；

在全部卷积层完成计算后，将抽样后的卷积特征排成一列，生成输出结果，得到训练后的一维卷积神经网络模型。

5.根据权利要求1所述的方法，其特征在于，所述采用线性滤波算法对所述电池组荷电状态的量化数据进行滤波处理，得到电池组荷电状态估算值的步骤包括：

获得预设的线性滤波公式；

采用所述预设的线性滤波公式，得到电池组荷电状态估算值。

6.根据权利要求1所述的方法，其特征在于，所述训练后的一维卷积神经网络包括网络参数，所述方法还包括：

依据所述电池组荷电状态估算值，确定损失值；

依据所述损失值优化所述网络参数；

采用优化后的网络参数对所述训练后的一维卷积神经网络进行修正。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

依据所述电池组荷电状态估算值，生成行驶策略；

推送所述行驶策略。

8.一种电池组荷电状态检测装置，其特征在于，包括：

获取模块，用于获取预设时间段内的电池状态监测数据；

训练模块，用于采用所述预设时间段内的电池状态监测数据，训练一维卷积神经网络模型，得到训练后的一维卷积神经网络模型；

采集模块，用于将实时采集的电压输出值，和/或，电流输出值输入到所述训练后的一维卷积神经网络模型中，得到电池组荷电状态的量化数据；

滤波模块，用于采用线性滤波算法对所述电池组荷电状态的量化数据进行滤波处理，得到电池组荷电状态估算值。

9.一种车辆，其特征在于，包括：

一个或多个处理器；和

其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述车辆执行如权利要求1-7所述的一个或多个的方法。

10.一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-7所述的一个或多个的方法。