[发明专利]电池荷电状态估算方法及装置

权利要求书

1.一种电池荷电状态估算方法，其特征在于，包括：

获取上次采集数据、上次估算数据以及本次采集数据，所述采集数据包括工况数据以及环境数据，其中，所述上次采集数据与所述本次采集数据质检的采集时间间隔不超过设定阈值；

将所述上次采集数据、上次估算数据以及本次采集数据，输入预先训练的神经网络模型中，得到本次估算数据。

2.根据权利要求1所述的方法，其特征在于，所述工况数据包括电压以及电流，所述环境数据包括温度。

3.根据权利要求2所述的方法，其特征在于，还包括：

获取本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔；

所述将所述上次采集数据、上次估算数据以及本次采集数据，输入预先训练的神经网络模型中，得到本次估算数据，包括：

所述将所述上次采集数据、上次估算数据、本次采集数据、本次计算时的循环次数、本次计算时的健康状态以及上次采集到本次采集之间的时间间隔，输入预先训练的神经网络模型中，得到本次估算数据。

4.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括输入层、隐含层以及输出层；所述隐含层的激活函数为单调可微的Sigmoid函数，所述输出层的激活函数为线性purelin函数。

5.根据权利要求4所述的方法，其特征在于，所述隐含层基于如下公式确定：

其中，P_j为隐含层的输出，f是隐含层激活函数，X_i为输入向量，θ_j为参数，W_ij为权重；

输出层基于如下公式确定：

其中，Y是输出层的输出，W_j，P_j，g为输出层的激活函数。

6.根据权利要求1所述的方法，其特征在于，还包括：

确定训练样本；其中，所述训练样本在储能放电或充电过程中，选择功率平稳恒定、电流变化小的时段内的预设采集周期内进行采集的数据计算得到；

基于训练样本对初始的神经网络模型进行训练，得到预先训练的神经网络模型。

7.根据权利要求6所述的方法，其特征在于，还包括：

所述确定训练样本包括：

基于如下公式确定训练样本中的真值荷电状态ΔSOC；

其中，ΔSOC确定：

ΔSOC＝S-IT

其中，S为上次计算的SOC值，IT为本次时间段内放出的电量。

8.一种电池荷电状态估算装置，其特征在于，包括：

获取模块，用于获取上次采集数据、上次估算数据以及本次采集数据，所述采集数据包括工况数据以及环境数据，其中，所述上次采集数据与所述本次采集数据质检的采集时间间隔不超过设定阈值；

估算模块，用于将所述上次采集数据、上次估算数据以及本次采集数据，输入预先训练的神经网络模型中，得到本次估算数据。

9.一种电子设备，其特征在于，包括：处理器以及存储器；

所述存储器存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至8任一项所述的方法。