[发明专利]一种电池组荷电状态检测方法和装置

说明书

本发明实施例提供了一种电池组荷电状态检测方法和装置，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。本发明实施例可以准确地预测电池组荷电状态。

技术领域

本发明涉及车辆控制技术领域，特别是涉及一种电池组荷电状态检测方法和一种电池组荷电状态检测装置。

背景技术

电池组荷电状态(State Of Charge，SOC)是电池剩余容量与其满充容量的比值，是电动汽车电池管理系统(Battery Management System，BMS)的重要参数，其准确预测直接关乎电池充放电控制安全，影响电动汽车用电池的循环寿命。SOC的精确估计可以保证电池包的安全稳定运行，避免过充电或过放电带来的损伤，为电动汽车提供可靠的剩余续航里程信息。

目前国内汽车厂家主流SOC估计算法是安时积分法，安时积分法的精度与电流传感器的采样精度及采样频率有着重要的关系，在电流传感器使用的一段时间内才具有较高的精度，而受电池的工作状态影响，电流传感器的精度降低，会对荷电状态误差有累积效应，导致对电池的荷电状态的检测存在较大的误差。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种电池组荷电状态检测法和相应的一种电池组荷电状态检测装置。

本发明实施例公开了一种电池组荷电状态检测方法，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。

优选地，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。

优选地，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。

优选地，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；