[发明专利]一种储能电池包的荷电状态预测方法

说明书

本发明公开了一种储能电池包的荷电状态预测方法。本发明通过结合机器学习方法和输入输出迭代方法训练得到目标预测模型，该目标预测模型由于结合了多种训练方法，因此精度较高且可以在线实时预测储能电池包的荷电状态。解决了现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求的问题。

技术领域

本发明涉及电池检测领域，尤其涉及的是一种储能电池包的荷电状态预测方法。

背景技术

电池荷电状态称为SOC(State of Charge)，是用来反映电化学储能过程中储能介质中实际存在的电荷数(单位为安·时)占额定储能容量对应的储能介质中含有的电荷数(单位为安·时)的百分率。目前SOC的测量方法主要有开路电压法、安时积分法等等。然而，开路电压法需要电池长时静置，以达到电压稳定，通常需要几个小时甚至十几个小时，测量的时间成本较大；安时积分法容易受到电流测量精度的影响，且具有累积误差。目前新能源电动车已经普及，准确了解新能源电动车的电池荷电状态有助于驾驶员制定行程计划，然而现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种储能电池包的荷电状态预测方法，旨在解决现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种储能电池包的荷电状态预测方法，其中，所述方法包括：

获取第一储能电池包对应的电池数据；

获取目标预测模型，将所述电池数据输入所述目标预测模型，得到所述第一储能电池包对应的荷电状态数据；

所述目标预测模型为预先经过训练的模型，所述目标预测模型的的训练过程包括：

获取第一训练数据集，其中，所述第一训练数据集包括若干第一训练数据，若干所述第一训练数据分别对应不同时间段，每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据，所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据，所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态，所述第一储能电池包与所述第二储能电池包分别对应的电池包类型相同；

获取第一预测模型，其中，所述第一预测模型为未经过训练的模型；

根据所述第一训练数据集对所述第一预测模型进行训练，训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据；

根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据，确定第二训练数据集，其中，所述第二训练数据集包括若干第二训练数据，若干所述第二训练数据与若干所述第一训练数据一一对应，每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据，所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据，所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同；

获取第三预测模型，其中，所述第三预测模型与所述第二预测模型的结构相同；

根据所述第二训练数据集对所述第三预测模型进行训练，训练完毕后得到所述目标预测模型。

在一种实施方式中，所述第一预测模型包括若干第一预测模型，若干所述第一预测模型分别对应不同的超参数组合，所述根据所述第一训练数据集对所述第一预测模型进行训练，包括：

根据所述第一训练数据集分别对若干所述第一预测模型进行训练，训练完毕后得到若干所述第一预测模型分别对应的预测模型；