[发明专利]电池荷电状态估算方法及装置

说明书

本申请提供一种电池荷电状态估算方法及装置。涉及计算机技术领域，通过获取上次采集数据、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；以及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。以此可以能够模拟电池动态特性，来估计电池荷电状态，适用于各种电池。在大量的参考数据训练的情况下，能建立起适用于不同型号不同批次的SOC估算模型。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种电池荷电状态估算方法及装置。

背景技术

锂电池的SOC准确性对储能电站影响非常大，储能电站当前状态下还能放出多少电，或者还能充进多少电，都是基于SOC做的判断。电池的SOC值来源于电池管理系统(BMS)。传统的电池管理系统基本上基于安时积分法来计算锂电池的SOC，这种方法存在一个严重的缺陷是累计误差，长时间充放电后累计误差非常大，所以需要做修正。而传统的修正方法，都是基于电池的批次、型号，通过固定的参数做调整。随着储能的发展，锂电池技术也在不断更新换代，这种修正方法已经无法适应快速发展的锂电池技术，往往导致计算结果偏差大。

发明内容

本申请实施例的目的在于提供一种电池荷电状态估算方法及装置，用以解决现有技术中存在的估算偏差大的技术问题。

第一方面，提供了一种电池荷电状态估算方法。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。

在一些可选的实现中，所述工况数据包括电压以及电流，所述环境数据包括温度。

在一些可选的实现中，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。

在一些可选的实现中，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。

在一些可选的实现中，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。

在一些可选的实现中，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。

在一些可选的实现中，还包括：