[发明专利]电池电量估计方法及装置

权利要求书

1.一种电池电量估计方法，其特征在于，包括：

获取电池在当前时刻的工作参数，所述工作参数包括电池电压、电池电流、电池温度和电池内阻；

将所述工作参数输入电量估计模型，以得到所述电池的剩余电量估计值；其中，所述电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到的；并且其中，所述多次迭代更新中每一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从所述多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新；

其中，所述获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值包括：

从所述样本工作参数集中随机抽取样本工作参数以组成多个样本工作参数子集，每个所述样本工作参数子集中均包含多个样本工作参数；其中每个所述样本工作参数子集对应一个电量估计任务；

基于所述多个样本工作参数子集分别对所述上一次迭代更新后的卷积神经网络进行更新即执行多个电量估计任务，计算所述上一次迭代更新后的卷积神经网络进行更新后的多个损失值作为所述多个第一损失值。

2.根据权利要求1所述的电池电量估计方法，其特征在于，所述样本工作参数集包括多个样本电池电压、多个样本电池电流、多个样本电池温度和多个样本电池内阻。

3.根据权利要求1或2所述的电池电量估计方法，其特征在于，所述根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新包括：确定所述至少一个第二损失值中的最小损失值，根据所述最小损失值以及所述最小损失值对应的电量估计任务，对所述上一次迭代更新后的卷积神经网络进行基于反向传播的更新。

4.根据权利要求1或2所述的电池电量估计方法，其特征在于，所述多次迭代更新中每一次迭代更新后，若当前更新后的卷积神经网络不满足所述预设条件，则对当前更新后的卷积神经网络进行下一次迭代更新。

5.根据权利要求4所述的电池电量估计方法，其特征在于，满足所述预设条件是：更新后的卷积神经网络的损失值小于或等于预设值。

6.根据权利要求1或2所述的电池电量估计方法，其特征在于，还包括：

基于获取的所述电池在当前时刻的电池内阻以及预设关系表，确定所述电池内阻对应的电池剩余电量值，所述预设关系表包含不同剩余电量值与对应的电池内阻之间的映射关系；

基于所述剩余电量估计值以及所述电池剩余电量值确定所述电池的实际剩余电量估计值。

7.一种电池电量估计装置，其特征在于，包括：

获取模块，用于获取电池在当前时刻的工作参数，所述工作参数包括电池电压、电池电流、电池温度和电池内阻；

估计模块，用于将所述工作参数输入电量估计模型，以得到所述电池的剩余电量估计值；其中，所述电量估计模型是通过样本工作参数集对卷积神经网络进行多次迭代更新得到满足预设条件的卷积神经网络而得到的；并且其中，所述多次迭代更新中每一次迭代更新包括：获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值，从所述多个第一损失值中确定小于预设损失值的至少一个第二损失值，根据所述至少一个第二损失值以及所述至少一个第二损失值各自对应的电量估计任务对所述上一次迭代更新后的卷积神经网络进行更新；其中，所述获取上一次迭代更新后的卷积神经网络执行多个电量估计任务对应的多个第一损失值包括：从所述样本工作参数集中随机抽取样本工作参数以组成多个样本工作参数子集，每个所述样本工作参数子集中均包含多个样本工作参数；其中每个所述样本工作参数子集对应一个电量估计任务；基于所述多个样本工作参数子集分别对所述上一次迭代更新后的卷积神经网络进行更新即执行多个电量估计任务，计算所述上一次迭代更新后的卷积神经网络进行更新后的多个损失值作为所述多个第一损失值。