[发明专利]一种基于时间卷积网络的锂离子动力电池估算方法

权利要求书

1.一种基于时间卷积网络的锂离子动力电池估算方法，其特征在于，包括：

建立初始时间卷积网络模型；

获取电池的实时状态数据集；

根据所述电池的实时状态数据集对所述初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型；

将待估算的电池数据输入至所述目标时间卷积网络模型，得到电池剩余电量量测值；

根据待估算的电池数据，通过预设方法计算出电池剩余电量观测值；

根据所述电池剩余电量量测值和所述电池剩余电量观测值，通过卡尔曼滤波算法计算电池剩余电量估算值；

通过卡尔曼滤波算法优化所述电池剩余电量估算值；

其中，所述通过预设方法计算出电池剩余电量观测值，具体为：

将电池剩余电量观测值离散化：

，

其中，表示k时刻电流值，表示采样时间，表示电池的额定容量，服从N(0,Q)高斯分布，X(k)是k时刻的电池剩余电量观测值；

其中，所述根据所述电池剩余电量量测值和所述电池剩余电量观测值，通过卡尔曼滤波算法优化得到最优电池剩余电量估算值之后，包括：更新所述最优电池剩余电量估算值的卡尔曼增益矩阵：

，

其中，为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，为的逆矩阵，为k时刻的电池剩余电量观测值，为k时刻时间卷积网络模型的电池剩余电量量测值；

其中，所述根据所述电池剩余电量量测值和所述电池剩余电量观测值，通过卡尔曼滤波算法优化得到最优电池剩余电量估算值之后，还包括：进行状态更新和协方差更新，具体为：

，

，

其中，为k+1时刻卡尔曼增益矩阵，P为协方差矩阵，为的逆矩阵，为K的转置矩阵，为k时刻估计k+1时刻的最优电池剩余电量估算值，为k时刻估计k+1时刻根据sigma点计算的电池剩余电量量测值;

其中，所述电池的实时状态，包括电池实时电压、电池实时电流、电池实时表面温度及电池实时SOC，所述电池的实时状态数据集包括数据训练集、数据验证集以及数据测试集，且所述数据训练集、数据验证集以及数据测试集均包括电池实时电压数据集、电池实时电流数据集、电池实时表面温度数据集;

其中，所述根据所述电池的状态数据集对所述初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型，包括：

将所述电池实时电压数据集、所述电池实时电流数据集以及所述电池实时表面温度数据集作为当前时间步的输入信息x_t输入至所述初始时间卷积网络模型中进行训练，得到过渡时间卷积网络模型；

对所述过渡时间卷积网络模型进行验证并判断验证后的模型是否达到预测精度或者迭代次数，若未达到，则再次对所述过渡时间卷积网络模型进行验证；若达到，则所述过渡时间卷积网络模型为所述目标时间卷积网络模型；

利用所述数据测试集对所述目标时间卷积网络模型的预测性能进行测试，获得训练完备的目标时间卷积网络模型;

其中，所述将待估算的电池数据输入至所述目标时间卷积网络模型，得到电池剩余电量量测值，包括：

设置三维预设输入数据，包括样本数、时间步长和电池的状态数据；

将所述三维预设输入数据输入到所述训练完备的目标时间卷积网络模型，得到电池剩余电量量测值；

其中，所述样本数为采集的样本总数；所述时间步长为预设时间范围；所述电池的状态数据包括电池的实时电池电压，实时电池电流以及实时电池表面温度。