CN117110880A - 一种用于云端-边缘端协同的电池多状态联合估计方法 - Google Patents
一种用于云端-边缘端协同的电池多状态联合估计方法 Download PDFInfo
- Publication number
- CN117110880A CN117110880A CN202310931624.4A CN202310931624A CN117110880A CN 117110880 A CN117110880 A CN 117110880A CN 202310931624 A CN202310931624 A CN 202310931624A CN 117110880 A CN117110880 A CN 117110880A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- charging
- estimation
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 230000004044 response Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000007600 charging Methods 0.000 claims description 203
- 230000036541 health Effects 0.000 claims description 70
- 230000008569 process Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000002356 single layer Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种用于云端‑边缘端协同的电池多状态联合估计方法，属于电池技术领域。该方法由原始数据部分、云端部分、边缘端部分三部分组成。通过处理原始数据中的实验数据，建立电池SOH衰减模型、电池最大可用能量二维响应面模型以及电池充放电SOP响应面模型，并以此在边缘端对电池状态进行估计，同时通过特征提取和迁移学习的方式对原始数据进行处理，获得云端电池状态估计模型，对边缘端的电池健康状态估计进行校准，完成电池的多状态联合估计。
Description
技术领域
本发明属于电池技术领域，涉及一种用于云端-边缘端协同的电池多状态联合估计方法。
背景技术
随着社会生产力的进步，电池***行业得到快速发展，在电动汽车、航空航天、储能***、移动设备、医疗器械等领域都得到广泛应用。电池的状态对于电池***的安全性和可靠性至关重要。通过实时监测电池的状态，可以预测电池的故障风险，并采取相应的安全保护措施，防止过充、过放、过温等问题的发生，降低***事故风险，确保使用者和设备的安全。为了优化能量利用效率和延长寿命最大限度地利用电池能量，提高能源利用效率，了解电池的健康状态、荷电状态、能量状态和功率状态可以帮助优化电池的充放电策略是十分必要的，但各状态之间相互影响且无法直接测得。
发明内容
为了解决各状态之间相互影响且无法直接测得的问题，本申请提供了一种用于云端-边缘端协同的电池多状态联合估计方法。该方法能够更加准确地估计电池健康状态、荷电状态、能量状态和功率状态，可应用于储能***、电动汽车动力电池***等相关电池***，对缓解能源供需矛盾、提高能源利用效率，推动清洁能源大规模应用有重要的现实意义。
根据本申请的第一部分，提供了一种基于充电特征和迁移学习的电池健康状态估计方法，包括：
获取待测电池在距当前最近一次充电过程的充电数据；
根据所述充电数据，确定所述待测电池的充电特征数据；
将所述充电特征数据输入至预设的电池健康状态估计模型，获得所述待测电池当前的电池健康状态估计值；其中，所述电池健康状态估计模型为已基于迁移学习的方式，学习得到所述待测电池的充电特征数据与电池健康状态之间映射关系的神经网络模型。
作为一种可能的实现方式，充电数据包括：累积充放电循环次数、待测电池在充电过程中的电压值处于预设电压段内的充电时间，以及待测电池在充电时间内至少一个时刻的电压值和温度值；根据充电数据，确定待测电池的充电特征数据，包括：
根据充电时间，确定待测电池在充电过程中电压值处于预设电压段内的充电时长；
根据待测电池在充电时间内至少一个时刻的电压值和温度值，获得待测电池的电压特征值和温度特征值；
将累积充放电循环次数、充电时长、电压特征值和温度特征值作为充电特征数据。
其中，电压特征值包括电压标准差和电压分布偏度。
在本申请的一些实施例中，电池健康状态估计模型是通过以下方式训练得到的：
构建多层深度网络LSTM模型；
根据样本电池在满充满放条件下的实验充电数据，确定源域数据；其中，所述实验充电数据包括：每次完全充电时所述样本电池的累积充放电循环次数、电压值在所述预设电压段内的充电时间、以及在所述充电时间内的至少一个时刻的电压值和温度值；
基于所述源域数据对所述多层深度网络LSTM模型进行预训练，获得预训练后的LSTM模型；
基于半监督学习的方式，根据所述样本电池在实际应用条件下的实际充电数据，确定目标域数据；其中，所述实际充电数据包括：每次历史充电时所述样本电池的累积充放电循环次数、电压值在所述预设电压段内的充电时间、以及在所述充电时间内的至少一个时刻的电压值和温度值；
基于所述目标域数据，对所述预训练后的LSTM模型进行微调，并将微调后的LSTM模型作为所述电池健康状态估计模型。
作为一种可能的实施方式，根据样本电池在满充满放条件下的实验充电数据，确定源域数据，包括：
根据实验充电数据，确定实验充电特征数据；
获取样本电池在满充满放条件下，每次完全充电对应的完全放电容量值；
电池健康状态值定义为当前容量与初始容量的比值，因此所述样本电池每次完全充电对应的电池健康状态值为其每次完全充电对应的完全放电容量值与初始容量的比值；
将所述电池健康状态值作为所述实验充电特征数据的标签值，并将所述实验充电特征数据及其标签值作为所述源域数据。
作为一种可能的实施方式，基于半监督学习的方式，根据样本电池在实际应用条件下的实际充电数据，确定目标域数据，包括：
根据所述实际充电数据，确定实际充电特征数据；
基于半监督学习的方式，根据所述实际充电特征数据，确定所述实际充电特征数据对应的电池健康状态值；
将所述电池健康状态值作为所述实际充电特征数据的伪标签值，并将所述实际充电特征数据及其伪标签值作为所述目标域数据。
作为一种示例，基于半监督学习的方式，根据实际充电特征数据，确定所述实际充电特征数据对应的电池健康状态值，包括：
将实际充电特征数据输入至预设的GRU模型，并将GRU模型输出的预测结果作为所述实际充电特征数据对应的电池健康状态值；其中，GRU模型为基于所述源域数据训练得到的。
根据本申请的第二部分，提供了一种基于模型对电池进行多状态联合估计方法。包括：
建立电池SOH衰减模型进行SOH估计、使用安时积分法进行SOC估计，最大可用能量二维响应面模型和充放电SOP二维响应面模型组进行SOE和SOP估计。
作为一种可能的实施方式，建立电池SOH衰减模型，对边缘端的电池进行电池SOH估计，包括：
根据电池SOH衰减模型，计算出之前电池的SOH值在当前温度下所对应的起始累计电量；
根据电池上一次SOH估计后累计电量的增加量，计算出电池SOH的衰减量；
使用云端获取的SOH对其进行校准。
作为一种可能的实施方式，采用安时积分法计算电池SOC，包括：
在每个数据采样时刻进行一次，采用安时积分法进行计算，对于SOC在0至0.1以及0.9至1范围内使用满充放校准，获取每隔0.01SOC的开路电压OCV数据，并以此对0至0.1以及0.9至1范围的SOC-OCV曲线使用线性插值法进行拟合。
作为一种可能的实施方式，建立电池最大可用能量三维响应面模型对电池SOE进行估计，包括：
建立以SOH和环境温度为参数的电池最大可用能量三维响应面模型对电池SOE进行估计；
作为一种可能的实施方式，建立充放电SOP三维响应面模型组对电池SOP进行估计，包括：
建立充放电SOP三维响应面模型组，根据当前时刻的电池SOH，在建立的充放电SOP三维响应面模型组中选择SOH相距最近的一组，然后根据电池SOC和环境温度通过响应面模型得到当前时刻的电池充放电SOP。
本发明的有益效果在于：首先通过获取待测电池在距当前最近一次充电过程的充电数据，并根据充电数据确定待测电池的充电特征数据，将充电特征数据输入至预设的电池健康状态估计模型，获得待测电池的剩余当前的电池健康状态估计值，同时获取电池、荷电状态。然后建立电池SOH衰减模型进行SOH估计、使用安时积分法进行SOC估计，最大可用能量二维响应面模型和充放电SOP二维响应面模型组进行SOE和SOP估计，并使用云端数据对其进行校准。该方案基于多种模型实现了对电池的多状态联合估计，保障了电池***高效、安全、平稳运行。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本申请实施例中的用于云端-边缘端协同的电池多状态联合估计方法整体原理图；
图2为本申请实施例中的一种云端-边缘端协同的电池多状态联合估计方法数据获取图。
图3为本申请实施例所提供的一种用于云端-边缘端协同的电池多状态联合估计方法的流程图；
图4为本申请实施例中的一种云端电池健康状态估计模型训练方法的流程图；
图5为本申请实施例中的一种云端基于充电特征和迁移学习的电池健康状态估计方法的流程示例图；
图6为本申请实施例中的边缘端电池SOH估计流程图；
图7为本申请实施例中的边缘端电池SOC估计流程图；
图8为本申请实施例中的边缘端电池SOE估计流程图；
图9为本申请实施例中的边缘端电池SOP估计流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，电池具有强非线性特性的原因是内部发生的复杂化学反应，在理论研究中，电池状态估计常用的方法是基于电池等效模型，但需要的精度越高，模型也会越复杂，估计算法设计难度也会越大，因此搭建电池等效模型需要在模型精度和结构复杂度之间取得良好的平衡。电池***在生产中起到至关重要的作用，电池***的稳定性和效率直接影响到人类生活和社会发展，对电池的多状态联合估计，可以帮助优化电池管理、增加设备的可用时间、提高设备安全性，优化能源利用。因此，对电池进行多状态联合估计对电动汽车、储能***、航空航天等多个领域都具有非常重要的现实意义。
目前关于电池状态估计的研究大多数都只针对电池的单个状态，但电池多状态联合估计的研究也在随着时间逐渐增多，其中以SOC和另一个状态的两状态联合估计研究居多，更多状态的联合估计研究数量就比较少了。在电池多状态联合估计的研究中，大多是基于电池的等效模型，通过建立电池等效模型结合滤波算法实现SOC和SOE估计，通过建立电池等效模型结合电流、电压、SOC等限制条件计算电池峰值功率从而实现SOP估计，以及根据电池SOC和电量的变化情况计算电池容量从而实现电池SOH估计。
为了解决上述问题，本申请提供了一种用于云端-边缘端协同的电池多状态联合估计方法。
图1为本申请实施例所提供的云端-边缘端协同的电池多状态联合估计方法原理图。
整体方案由三部分组成，分别是原始数据部分、云端部分、边端部分。原始数据为云端、边端提供数据基础，云端部分通过原始数据进行状态预测，为边端的状态估计提供校准服务，边端通过原始数据，对电池状态进行估计，并在云端的校正下提高精确性和稳定性。
原始数据部分包括现场数据以及实验数据，现场数据为在状态估计中实时检测的电池数据，包括电池电流，电压，温度等。通过处理电池实验相关数据，建立以累积电量和容量为参数的电池SOH衰减模型、以SOH和温度为参数的电池最大可用能量二维响应面模型以及不同SOH下的以温度和SOC为参数的充放电SOP而为响应面模型组。
云端部分通过特征提取和迁移学习对云端数据进行处理并对电池健康状态进行估计。首先基于半监督学习的方式，根据实验数据，构建多层深度网络LSTM模型，根据样本电池在满充满放条件下的实验数据，确定源域数据，并基于得到的源域数据进行预训练，获得预训练后的LSTM模型。基于现场数据，对训练后的LSTM模型进行微调，并将微调后的LSTM模型作为电池健康状态估计模型，通过现场数据经过估计模型对电池健康状态进行估计。
边端部分包括SOH估计、SOC估计、SOE估计、SOP估计四个模块。先根据电池SOH衰减模型，计算出之前电池的SOH值在当前温度下所对应的起始累计电量，再根据电池上一次SOH估计后累计电量的增加量，计算出电池SOH的衰减量，因为在较短的时间里电池环境温度变化较小，可以将电池当前时刻的环境温度视为前面一段时间内的恒定值，于是便得到当前时刻电池的SOH估计值。并使用云端获取的SOH对其进行校准。SOC估计在每个数据采样时刻进行一次，采用安时积分法进行计算，并对SOC估计进行满充放校准，每0.01SOC的开路电压OCV数据，对SOC为0至0.1以及0.9至1范围的SOC-OCV曲线使用线性插值法进行拟合；建立以SOH和环境温度为参数的电池最大可用能量三维响应面模型对电池SOE进行估计；根据当前时刻的电池SOH，在建立的充放电SOP三维响应面模型组中选择SOH相距最近的一组，然后根据电池SOC和环境温度通过响应面模型得到当前时刻的电池充电SOP和放电SOP，并使用云端数据对其进行校准。
图2为本申请实施例所提供的一种用于云端-边缘端协同的电池多状态联合估计方法的数据获取图。作为实施例中的一部分，原始数据包括实验数据和现场数据，现场数据为在状态估计中实时检测的电池数据，包括电池电流，电压，温度等。通过处理电池实验相关数据，建立以累积电量和容量为参数的电池SOH衰减模型、以SOH和温度为参数的电池最大可用能量二维响应面模型以及不同SOH下的以温度和SOC为参数的充放电SOP而为响应面模型组。实验数据和现场数据为边缘端和云端估计提供状态估计的数据支撑。云端的状态估计结果为边缘端提供校正服务。
图3为本申请实施例所提供的一种用于云端-边缘端协同的电池多状态联合估计方法的流程图。本申请实施例的一种用于云端-边缘端协同的电池多状态联合估计方法可以用于电池，如图1所示，该方法可以包括以下步骤：
步骤101，获取待测电池在距当前最近一次充电过程的充电数据；
作为一种实施方式，若执行该方法的电子设备具备可交互显示屏，则获取待测电池在距当前最近一次充电过程的充电数据可以是相关工作人员基于充电过程的监测，将对应的充电数据通过电子设备的可交互显示屏将监测到的充电数据进行输入，并提交，以使电子设备获得对应的充电数据。
作为另一种实施方式，若电池的充电数据存储在服务器中，则电子设备可以向服务器发起获取距当前最近一次充电过程的充电数据的请求，并接收服务器基于请求所返回的充电数据。
在本申请的一些实施例中，充电数据可以包括：累积充放电循环次数、累积电量、SOC、待测电池在充电过程中的电压值处于预设电压段内的充电时间，以及待测电池在充电时间内至少一个时刻的电压值和温度值。
累积充放电循环次数是指待测电池当前的充电次数，累积充放电循环次数可以是直接获取到的值。累积电量是指待测电池当前的电量，累积电量可以是直接获取到的值。SOC在每个数据采样时刻进行一次，并采用安时积分法进行计算，待测电池在充电过程中的电压值处于预设电压段内的充电时间是指，待测电池的电压值处于预设电压段内的开始时间和结束时间。比如，预设电压段为3.8V-4.0V，则电压值处于该预设时间段内的充电时间是指，在充电过程中，待测电池的电压值为3.8V的时间和待测电池的电压值为4.0V的时间。
此外，待测电池在充电时间内至少一个时刻的电压值和温度值，可以是在充电时以预设的时间间隔对充电时间内的对应时刻下的电压值和温度值进行采样，获得至少一个时刻的电压值和温度值。比如，充电时间为8:30:02-8:40:00，采样间隔为10s，则该步骤可以是依次获取时间为8:30:02、8:30:12、8:30:22、8:30:32、8:30:42、8:30:52的电压值和温度值。
然后根据充电数据，确定待测电池的充电特征数据。
也就是说，对充电数据进行特征提取，以获取充电特征数据。由于充电过程中的温度、电压其中，充电特征数据可以包括充电时长、充电累积充放电循环次数、电压特征值和温度特征值。
在本申请的一些实施例中，步骤102可以包括以下步骤：根据充电时间，确定待测电池在充电过程中电压值处于预设电压段内的充电时长；根据待测电池在充电时间内至少一个时刻的电压值和温度值，获得待测电池的电压特征值和温度特征值；将累积充放电循环次数、充电时长、电压特征值和温度特征值作为充电特征数据。根据待测电池在充电时间内至少一个时刻的电压值和温度值，获得待测电池的电压特征值和温度特征值；将累积充放电循环次数、充电时长、电压特征值和温度特征值作为充电特征数据。
可以理解，对于选定的充电时长，恒流充电阶段的电流是恒定的，预设电压段内的充电时长可以表征充电容量，不同老化周期下的电压曲线差异被放大。因此，可以通过两种与电压相关的统计特征(电压标准差和电压分布偏度)来捕捉这些差异。对于预设电压段，电压标准差映了电压的分散性，而电压分布偏度反映了电压分布的偏斜性。同时，在此阶段提取当前电池的温度特征值和循环次数。
作为一种可能的实现方式，电压特征值可以包括但不限于电压标准差和电压分布偏度。考虑实际应用的便利性，为了避免充电曲线二次处理带来的误差放大和信息丢失问题，将充电曲线中预设电压段的充电时长、电压标准差以及电压分别的偏斜度直接提取。
其中，充电时长可以通过如下公式(1)进行计算：
ΔVcharge_time＝tend-tstart (1)
ΔVcharge_time为充电时长；tend为待测电池在充电过程中电压值处于预设电压段的结束时间；tstart为待测电池在充电过程中电压值处于预设电压段的开始时间。
作为一种可能的实现方式，电压特征值可以包括电压标准差和电压分布偏度。作为一种示例，若电压特征值包括电压标准差和电压分布偏度，则根据待测电池在充电时间内至少一个时刻的电压值，获得待测电池的电压特征值，可以基于如下公式(2)和公式(3)来计算：
其中，ΔVstd为电压标准差、Vi为第i时刻的电压值、为至少一个时刻的电压值的平均值；n为采样点数；ΔVskew为电压分布的偏斜度。
此外，根据待测电池在充电时间内至少一个时刻的温度值，获得待测电池的温度特征值，可以是计算待测电池在充电时间内至少一个时刻的温度值的平均温度值，并将得到的平均温度值作为温度特征值。
步骤102，将充电特征数据输入至预设的电池健康状态估计模型，获得待测电池当前的电池健康状态估计值；其中，电池健康状态估计模型为已基于迁移学习的方式，学习得到待测电池的充电特征数据与电池健康状态之间映射关系的神经网络模型。
在本申请的一些实施例中，电池健康状态估计模型可以是基于LSTM模型训练得到的，也可以是基于实际需求采用其他神经网络模型训练得到的，本申请对此不作限定。
作为一种实施方式，基于待测电池在满充满放理想状态下的充电特征数据与电池健康状态值对初始神经网络模型进行预训练，使神经网络模型学习得到满充满放场景下充电特征与电池健康状态值之间的映射关系；基于待测电池在实际应用场景下的充电特征数据，确定对应充电特征数据的容量伪标签，并基于待测电池在实际应用场景下的充电特征数据及其对应的电池健康状态值伪标签对预训练后的神经网络模型进行迁移微调，以学习待测电池在实际应用场景下的特征信息，最终得到电池健康状态估计模型。
步骤103，建立以累计电量和容量为参数的电池SOH衰减模型，并用云端预测的SOH值进行校准，并进行SOC估计，然后以SOH和温度为参数的电池最大可用能量二维响应面模型以及以不同SOH下的以温度和SOC为参数的充放电SOP二维响应面模型组对电池进行多状态联合估计。
其中SOH估计在每个数据采样时刻需要根据SOH估计周期判断当前时刻是否进行SOH估计。若不进行SOH估计则电池SOH保持与前一时刻相同；若进行SOH估计，首先根据电池SOH衰减模型，计算出之前电池的SOH值在当前温度下所对应的起始累计电量，再根据电池上一次SOH估计后累计电量的增加量，计算出电池SOH的衰减量，因为在较短的时间里电池环境温度变化较小，可以将电池当前时刻的环境温度视为前面一段时间内的恒定值，于是便得到当前时刻电池的SOH估计值。最后根据当前时刻SOH和当前环境温度对应的初始容量计算电池当前时刻容量。其计算公式如下：
Ca(t)＝C0(t)×SOH(t)
式中，Ca(t)为当前时刻电池容量，C0(t)为当前时刻温度对应的电池初始容量，SOH(t)为当前时刻电池SOH。
其中SOC估计在每个数据采样时刻进行一次，采用安时积分法进行计算，计算公式如下：
式中，SOC(t)和SOC(t-1)分别为电池当前时刻和前一时刻SOC。根据电池电量的变化量和电池容量计算出SOC的变化量，再根据前一时刻电池的SOC即可得到当前时刻的电池SOC，并采用满充放校准。
其中电池能量状态SOE对于电池***的能量管理和优化至关重要，电池充满电时，电池具有最大可用能量；当电池完全放电后，电池剩余能量为零。电池SOE的估计方法如下：
SOE(t)＝Ea(t)×SOC(t)
式中，SOE(t)为当前时刻电池SOE，Ea(t)为当前时刻电池最大可用能量。通过最大可用能量三维响应面模型计算电池最大可用能量，公式如下：
SOP估计是根据当前时刻的电池SOH，在建立的充放电SOP三维响应面模型组中选择SOH相距最近的一组，然后根据电池SOC和环境温度通过响应面模型得到当前时刻的电池充放电SOP，计算公式如下：
SOP(t)＝fSOP(SOC(t)，Tenv(t))
式中，SOP(t)为当前时刻电池充放电SOP，等式右边表示以SOC和环境温度为参数的电池充放电SOP三维响应面模型。
根据本申请实施例的用于云端-边缘端协同的电池多状态联合估计方法。首先基于充电特征和迁移学***稳运行。
接下来，针对电池健康状态估计模型的训练过程提出了另一个实施例。
图4为本申请实施例中的一种电池健康状态估计模型训练方法的流程图。
如图4所示，该电池健康状态估计模型的训练方法可以包括以下步骤：
步骤201，构建多层深度网络LSTM模型。
在本申请的一些实施例中，单层LSTM模型包括遗忘门、输入门、细胞状态单元以及最后的输出门和输出单元，其参数计算如下：
其中，ft，it，Ct，ot，ht分别代表单层网络下的遗忘门、输入门、细胞状态单元以及最后的输出门和输出单元，σ和tanh分别代表sigmoid函数和tanh函数，取值范围将各个参数限定在0～1和-1～1之间。Ct-1，ht-1，xt分别为上一时刻的细胞状态单元，上一时刻的输出单元以及当前时刻的输入。W，b是各个参数信息的权重和偏置，Wf，Wi，WC，Wo分别代表遗忘门、输入门、细胞状态单元以及输出门的权重矩阵，bf，bi，bC，bo代表遗忘门、输入门、细胞状态单元以及输出门的偏置。
在单层LSTM模型基础上，加入相同的单层LSTM模型进行叠加，第二层的输入xt是上一层的ht，以此类推第三层，直到第n层的多层深度网络。在堆叠的LSTM中，这种层次结构使我们可以更复杂地表示时间序列数据，从而以不同的比例捕获信息。同时，定义LSTM模型的输入、输出和隐藏层大小，LSTM的层数、学习率、迭代次数等参数。具体设置参数需根据预测结果进行变化，如下表1中设置参数值。
表1 LSTM模型参数设置
| 输入特征维度 | 5 |
| 隐藏层神经元个数 | 128 |
| 输出维度(RUL) | 1 |
| LSTM层数 | 4 |
| 学习率 | 0.01 |
| 学习率变化大小 | 0.9 |
| 迭代次数 | 3000 |
步骤202，根据样本电池在满充满放条件下的实验充电数据，确定源域数据；其中，实验充电数据包括：每次完全充电时样本电池的累积充放电循环次数、电压值在预设电压段内的充电时间、以及在充电时间内的至少一个时刻的电压值和温度值。
需要说明的是，样本电池可以与待测电池是同一个电池，也可以与待测电池为同一种电池而并非同一个电池。
在本申请的一些实施例中，步骤202的具体实现过程包括：根据实验充电数据，确定实验充电特征数据；获取样本电池在满充满放条件下，每次完全充电对应的完全放电容量值；将电池健康状态值(即当前容量与初始容量的比值)作为实验充电特征数据的标签值，并将实验充电特征数据及其标签值作为源域数据。其中，样本电池在满充满放条件下的完全放电容量值可以是基于放电过程中电流与时间的积分来确定。
可以理解，在满充满放的条件下，样本电池的完全放电容量值是可以计算得到的，即样本电池的健康状态是可以确定的，所以可以将满充满放条件下的充电特征数据及其对应的电池健康状态值作为源域数据，以对构建的多层深度网络LSTM模型进行预训练，使模型学习得到满充满放场景下充电特征与剩余寿命之间的映射关系。
此外，根据实验充电数据，确定实验充电特征数据的具体实施过程可以与上述实施例中的实现方式一致，此处不再赘述。
步骤203，基于源域数据对多层深度网络LSTM模型进行预训练，获得预训练后的LSTM模型。
在本申请的一些实施例中，为了统一量纲以及加快网络训练速度，可以对源域数据进行归一化处理后，再基于归一化处理后的数据对多层深度网络LSTM模型进行预训练。
作为一种可能的实现方式，为了验证预训练的模型拟合程度以及预测精度，可以将实验室提取的数据作为源域数据划分为训练集和测试集进行预训练，比如训练集与测试集可以按照8:2或者9:1的比例大小进行划分。
作为一种示例，可以将训练集输入到多层深度网络LSTM模型中，采用均方误差损失函数(Mean Squared Error，MSE)计算每次迭代后的损失，其计算过程如公式(4)：
其中，yi是样本电池的第i个电池健康状态值的归一化值。是样本电池的第i个通过LSTM模型的预测值。而后利用自适应矩估计(Adaptive Moment Estimation，Adam)优化器，并使用等间隔学习率(StePLearning Rate，StepLR)函数定义了学习率的变化规则，对多层深度网络LSTM模型进行反向传播和优化更新。在训练过程中反复调整设置的参数，如LSTM模型的输入、输出和隐藏层大小，LSTM的层数、学习率、迭代次数等进行网络训练，直至达到理想预测结果，得到预训练后的LSTM模型。
步骤204，基于半监督学习的方式，根据样本电池在实际应用条件下的实际充电数据，确定目标域数据；其中，实际充电数据包括：每次历史充电时样本电池的累积充放电循环次数、电压值在预设电压段内的充电时间、以及在充电时间内的至少一个时刻的电压值和温度值。
可以理解，电池在实际应用时，并非可以做到满充满放。比如实际车辆中的电池，用户在使用时可能电池电量较低时就会为电池进行充电，而非电池电量完全耗尽之后再对电池进行充电，以保证车辆的正常使用。所以，为了使训练后的电池剩余寿命预测模型可以准确的预测剩余寿命，更负荷电池实际应用场景，可以基于电池实际应用场景下的充电数据对预训练后的LSTM模型进行迁移微调。
在本申请的一些实施例中，步骤204的具体实现过程可以包括：根据实际充电数据，确定实际充电特征数据；基于半监督学习的方式，根据实际充电特征数据，确定实际充电特征数据对应的电池健康状态值；将电池健康状态值作为实际充电特征数据的伪标签值，并将实际充电特征数据及其伪标签值作为目标域数据。
其中，根据实际充电数据，确定实际充电特征数据的具体实现方式与上述实施例中的实现方式一致，此处不再赘述。由于在实际应用场景下，电池的充电策略一般为多阶段恒流充电，且并非满充满放，因此仅能提取预设电压段的以上特征，而无法获得电池的完全放电容量值。可以通过半监督学习的方式，根据实际充电特征数据，确定实际充电特征数据对应的电池健康状态值，并将电池健康状态值作为实际充电特征数据的伪标签。
作为一种可能的实施方式，基于半监督学习的方式，根据实际充电特征数据，确定实际充电特征数据对应的放电容量值的实现方式可以为：将实际充电特征数据输入至预设的GRU模型，并将GRU模型输出的预测结果作为实际充电特征数据对应的电池健康状态值；其中，GRU模型为基于源域数据训练得到的。如图5所示，初始GRU模型基于实验充电特征数据进行迭代学习，得到的GRU模型可以基于实际充电特征数据，预测对应的电池健康状态值，并将预测结果作为实际充电特征数据对应的伪标签。
步骤205，基于目标域数据，对预训练后的LSTM模型进行微调，并将微调后的LSTM模型作为电池健康状态值估计模型。
在本申请的一些实施例中，微调过程首先冻结预训练后的LSTM模型的n-1层网络的架构和参数，而后对n层网络以及全连接层利用目标域数据重新训练，改变这两层的参数和权重。
作为一种示例，微调过程使用MSE计算每次迭代后的损失，利用Adam优化器和StepLR函数定义学习率的变化规则，对预训练后的LSTM模型进行微调。
如图3所示为用于云端-边缘端协同的电池多状态联合估计方法流程示意图，可将其分为以下几个部分：分别是原始数据部分、云端部分、边端部分。
原始数据为云端、边端提供数据基础，云端部分通过原始数据进行状态预测，为边端的状态估计提供校准服务，边端通过原始数据，对电池状态进行估计，并在云端的校正下提高精确性和稳定性。
原始数据部分包括现场数据以及实验数据，现场数据为在状态估计中实时检测的电池数据，包括电池电流，电压，温度等。通过处理电池实验相关数据，建立以累积电量和容量为参数的电池SOH衰减模型、以SOH和温度为参数的电池最大可用能量二维响应面模型以及不同SOH下的以温度和SOC为参数的充放电SOP而为响应面模型组。
云端部分通过特征提取和迁移学习对云端数据进行处理并对电池健康状态进行估计。首先基于半监督学习的方式，根据实验数据，构建多层深度网络LSTM模型，根据样本电池在满充满放条件下的实验数据，确定源域数据，并基于得到的源域数据进行预训练，获得预训练后的LSTM模型。基于现场数据，对训练后的LSTM模型进行微调，并将微调后的LSTM模型作为电池健康状态估计模型，通过现场数据经过估计模型对电池健康状态进行估计。
边端部分包括SOH估计、SOC估计、SOE估计、SOP估计四个模块。先根据电池SOH衰减模型，计算出之前电池的SOH值在当前温度下所对应的起始累计电量，再根据电池上一次SOH估计后累计电量的增加量，计算出电池SOH的衰减量，因为在较短的时间里电池环境温度变化较小，可以将电池当前时刻的环境温度视为前面一段时间内的恒定值，于是便得到当前时刻电池的SOH估计值。并使用云端获取的SOH对其进行校准。SOC估计在每个数据采样时刻进行一次，采用安时积分法进行计算，并对SOC估计进行满充放校准，每0.01SOC的开路电压OCV数据，对SOC为0至0.1以及0.9至1范围的SOC-OCV曲线使用线性插值法进行拟合；建立以SOH和环境温度为参数的电池最大可用能量三维响应面模型对电池SOE进行估计；根据当前时刻的电池SOH，在建立的充放电SOP三维响应面模型组中选择SOH相距最近的一组，然后根据电池SOC和环境温度通过响应面模型得到当前时刻的电池充电SOP和放电SOP，并使用云端数据对其进行校准。
1、为了清楚的表达本申请的云端数据的电池SOH估计，将以图4为例，样本电池与待测电池是同一个电池，且待测电池用于实际电池中，对基于充电特征和迁移学习的电池健康状态估计方法以示例的形式进行介绍。
(1)获取实验条件下电池的实验充电数据和现实中电池的实际充电数据；
(2)分别对实验充电数据和实际充电数据进行特征提取，提取到实验充电特征数据和实际充电特征数据；
(3)对数据进行归一化处理；
(4)基于归一化处理后的实验充电数据对多层深度网络LSTM模型进行训练，同时基于归一化处理后的实验充电数据对GRU模型进行训练；
(5)基于归一化处理后的实际充电特征数据，利用训练后的GRU模型半监督学习，得到实际充电特征数据对应的伪标签；
(6)冻结LSTM模型n-1层，利用归一化处理后的实际充电特征数据及对应的伪标签对最后一层LSTM及全连接层进行迁移学习，微调LSTM模型，得到电池健康估计模型；
(7)在后续应用时，获取实际电池在距当前最近一次充电过程的充电数据，并进行特征提取，获得充电特征数据；
(8)归一化处理后的充电特征数据输入至电池剩余寿命预测模型，并将模型的输出结果进行反归一化处理，得到待测电池当前的健康状态估计值。
2、为了清楚的表达本申请的边缘端数据的电池SOH估计，将以图7为例，基本方法如下：
(1)获取实验条件下电池的实验充电数据和现实中电池的实际充电数据；
(2)在每个数据采样时刻实时更新电池的累计电量；
(3)使用云端估计的SOH值进行校准；
(4)定期进行满充放校准；
(5)得到最终电池健康状态值。
3、为了清楚的表达本申请的边缘端数据的电池SOC估计，将以图8为例，基本方法如下：
(1)获取实验条件下电池的实验充电数据和现实中电池的实际充电数据；
(2)在每个数据采样时刻采用安时积分法进行计算；
(3)采用满充放校准；
(4)得到最终电池SOC。
4、为了清楚的表达本申请的边缘端数据的电池SOE估计，将以图9为例，基本方法如下：
(1)获取实验条件下电池的实验充电数据和现实中电池的实际充电数据；
(2)在每个数据采样时刻实时更新电池的累计电量；
(3)得到最终电池SOE。
5、为了清楚的表达本申请的边缘端数据的电池SOP估计，基本方法如下：
(1)获取实验条件下电池的实验充电数据和现实中电池的实际充电数据；
(2)根据当前时刻的电池SOH，在建立的充放电SOP三维响应面模型组中选择SOH相距最近的一组；
(3)根据电池SOC和环境温度通过响应面模型得到当前时刻的电池充放电SOP。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：该方法包括以下步骤：
通过原始数据建立三个模型对边缘端数据进行处理并对电池状态进行估计；
通过对原始数据特征提取和迁移学习对云端数据进行处理并对电池健康状态进行估计；
通过云端预测结果对边缘端数据进行校准，然后建立电池SOH衰减模型、电池最大可用能量二维响应面模型和充放电功率二维响应面模型组对电池进行多状态联合估计；
其中，对边缘端数据进行处理，具体为：
通过处理电池实验相关实验数据，建立以累计电量和容量为参数的电池SOH衰减模型进行SOH估计、使用安时积分法进行SOC估计、以SOH和温度为参数的电池最大可用能量二维响应面模型以及以不同SOH下的以温度和SOC为参数的充放电SOP二维响应面模型组进行SOE估计和SOP估计；
对云端数据进行处理，具体为：
获取待测电池在距当前最近一次充电过程的充电数据；
根据所述充电数据，确定所述待测电池的充电特征数据；
将所述充电特征数据输入至预设的电池健康状态估计模型，获得所述待测电池当前的电池健康状态估计值；其中，所述电池健康状态估计模型为已基于迁移学习的方式，学习得到所述待测电池的充电特征数据与电池健康状态之间映射关系的神经网络模型；
云端预测结果对边缘端数据进行校准，方法为：
将所述云端预测结果和边缘端预测结果以加权的方式进行输出。
2.根据权利要求1所述的一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：所述SOH估计的方法为：
先根据电池SOH衰减模型，计算出之前电池的SOH值在当前温度下所对应的起始累计电量，再根据电池上一次SOH估计后累计电量的增加量，计算出电池SOH的衰减量，因为在较短的时间里电池环境温度变化较小，可以将电池当前时刻的环境温度视为前面一段时间内的恒定值，于是便得到当前时刻电池的SOH估计值。
3.根据权利要求1所述的一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：所述SOC估计的方法为：
在每个数据采样时刻进行一次，采用安时积分法进行计算，并对于SOC在0至0.1以及0.9至1范围内使用满充放校准，获取每隔0.01SOC的开路电压OCV数据，并以此对0至0.1以及0.9至1范围的SOC-OCV曲线使用线性插值法进行拟合。
4.根据权利要求1所述的一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：所述SOE估计的方法为：
建立以SOH和环境温度为参数的电池最大可用能量三维响应面模型对电池SOE进行估计。
5.根据权利要求1所述的一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：所述SOP估计的方法为：
根据当前时刻的电池SOH，在建立的充放电SOP三维响应面模型组中选择SOH相距最近的一组，然后根据电池SOC和环境温度通过响应面模型得到当前时刻的电池充放电SOP。
6.根据权利要求1所述的一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：所述充电数据包括：
累积充放电循环次数、待测电池在充电过程中的电压值处于预设电压段内的充电时间，以及待测电池在充电时间内至少一个时刻的电压值和温度值；所述根据所述充电数据，确定所述待测电池的充电特征数据，包括：
根据所述充电时间，确定所述待测电池在所述充电过程中电压值处于预设电压段内的充电时长；
根据所述待测电池在所述充电时间内至少一个时刻的电压值和温度值，获得所述待测电池的电压特征值和温度特征值；
将所述累积充放电循环次数、所述充电时长、所述电压特征值和所述温度特征值作为所述充电特征数据。
7.根据权利要求6所述的一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：所述电池健康状态估计模型是通过以下方式训练得到的：
构建多层深度网络LSTM模型；
根据样本电池在满充满放条件下的实验充电数据，确定源域数据；其中，所述实验充电数据包括：每次完全充电时所述样本电池的累积充放电循环次数、电压值在所述预设电压段内的充电时间、以及在所述充电时间内的至少一个时刻的电压值和温度值；
基于所述源域数据对所述多层深度网络LSTM模型进行预训练，获得预训练后的LSTM模型；
基于半监督学习的方式，根据所述样本电池在实际应用条件下的实际充电数据，确定目标域数据；其中，所述实际充电数据包括：每次历史充电时所述样本电池的累积充放电循环次数、电压值在所述预设电压段内的充电时间、以及在所述充电时间内的至少一个时刻的电压值和温度值；
基于所述目标域数据，对所述预训练后的LSTM模型进行微调，并将微调后的LSTM模型作为所述电池健康状态估计模型。
8.根据权利要求7所述的一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：所述根据所述样本电池在满充满放条件下的实验充电数据，确定源域数据，包括：
根据所述实验充电数据，确定实验充电特征数据；
获取所述样本电池在所述满充满放条件下，每次完全充电对应的完全放电容量值；
电池健康状态值定义为当前容量与初始容量的比值，因此所述样本电池每次完全充电对应的电池健康状态值为其每次完全充电对应的完全放电容量值与初始容量的比值；
将所述电池健康状态值作为所述实验充电特征数据的标签值，并将所述实验充电特征数据及其标签值作为所述源域数据。
9.根据权利要求8所述的一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：所述基于半监督学习的方式，根据所述样本电池在实际应用条件下的实际充电数据，确定目标域数据，包括：
根据所述实际充电数据，确定实际充电特征数据；
基于半监督学习的方式，根据所述实际充电特征数据，确定所述实际充电特征数据对应的电池健康状态值；
将所述电池健康状态值作为所述实际充电特征数据的伪标签值，并将所述实际充电特征数据及其伪标签值作为所述目标域数据。
10.根据权利要求9所述的一种用于云端-边缘端协同的电池多状态联合估计方法，其特征在于：所述基于半监督学习的方式，根据所述实际充电特征数据，确定所述实际充电特征数据对应的电池健康状态值，包括：
将所述实际充电特征数据输入至预设的GRU模型，并将所述GRU模型输出的预测结果作为所述实际充电特征数据对应的电池健康状态值；其中，GRU模型为基于所述源域数据训练得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310931624.4A CN117110880A (zh) | 2023-07-27 | 2023-07-27 | 一种用于云端-边缘端协同的电池多状态联合估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310931624.4A CN117110880A (zh) | 2023-07-27 | 2023-07-27 | 一种用于云端-边缘端协同的电池多状态联合估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117110880A true CN117110880A (zh) | 2023-11-24 |
Family
ID=88811800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310931624.4A Pending CN117110880A (zh) | 2023-07-27 | 2023-07-27 | 一种用于云端-边缘端协同的电池多状态联合估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117110880A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118137676A (zh) * | 2024-05-06 | 2024-06-04 | 江苏纳通能源技术有限公司 | 光储***控制方法、光储***、计算机***及存储介质 |
-
2023
- 2023-07-27 CN CN202310931624.4A patent/CN117110880A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118137676A (zh) * | 2024-05-06 | 2024-06-04 | 江苏纳通能源技术有限公司 | 光储***控制方法、光储***、计算机***及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning | |
| Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
| Chang | Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network, an OLS algorithm and AGA | |
| CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
| Yang et al. | Battery states online estimation based on exponential decay particle swarm optimization and proportional-integral observer with a hybrid battery model | |
| Fleischer et al. | On-line self-learning time forward voltage prognosis for lithium-ion batteries using adaptive neuro-fuzzy inference system | |
| CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
| Khalid et al. | Unified univariate-neural network models for lithium-ion battery state-of-charge forecasting using minimized akaike information criterion algorithm | |
| CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
| CN112834927A (zh) | 锂电池剩余寿命预测方法、***、设备及介质 | |
| CN109633470B (zh) | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 | |
| Takyi-Aninakwa et al. | A hybrid probabilistic correction model for the state of charge estimation of lithium-ion batteries considering dynamic currents and temperatures | |
| CN117110880A (zh) | 一种用于云端-边缘端协同的电池多状态联合估计方法 | |
| Venugopal et al. | Analysis of optimal machine learning approach for battery life estimation of Li-ion cell | |
| KR20240015240A (ko) | 신경망 모델 뱅크를 기반으로 하는 리튬 배터리의 온라인 충전 상태 및 건강 상태 추정 방법 및 시스템 | |
| CN116047314A (zh) | 一种可充电电池健康状态预测方法 | |
| CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
| CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
| CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及*** | |
| CN116298904A (zh) | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 | |
| CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
| CN111965548B (zh) | 一种基于状态估计法的电池***传感器故障诊断方法 | |
| CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
| CN116609673A (zh) | 基于充电特征和迁移学习的电池剩余寿命预测方法及装置 | |
| CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |