[go: up one dir, main page]

CN116643178B - 一种电池管理系统的soc估算方法及相关装置 - Google Patents

一种电池管理系统的soc估算方法及相关装置 Download PDF

Info

Publication number
CN116643178B
CN116643178B CN202310927156.3A CN202310927156A CN116643178B CN 116643178 B CN116643178 B CN 116643178B CN 202310927156 A CN202310927156 A CN 202310927156A CN 116643178 B CN116643178 B CN 116643178B
Authority
CN
China
Prior art keywords
battery
data
target
soc
load
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.)
Active
Application number
CN202310927156.3A
Other languages
English (en)
Other versions
CN116643178A (zh
Inventor
操永乐
黎清
钟其水
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Lingnai Intelligent Control Co ltd
Original Assignee
Shenzhen Lingnai Intelligent Control Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Lingnai Intelligent Control Co ltd filed Critical Shenzhen Lingnai Intelligent Control Co ltd
Priority to CN202310927156.3A priority Critical patent/CN116643178B/zh
Publication of CN116643178A publication Critical patent/CN116643178A/zh
Application granted granted Critical
Publication of CN116643178B publication Critical patent/CN116643178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及电池管理领域，公开了一种电池管理系统的SOC估算方法及相关装置，用于提高电池管理系统的SOC估算准确率。方法包括：对第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对第二电池负载数据进行负载特征提取，得到目标负载特征；将目标电流特征和目标负载特征输入第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；将目标电压特征和目标负载特征输入第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；对第一电池SOC分析结果以及第二电池SOC分析结果进行融合，得到目标电池SOC分析结果并创建电池健康状态监测策略。

Description

一种电池管理系统的SOC估算方法及相关装置
技术领域
本发明涉及电池管理领域，尤其涉及一种电池管理系统的SOC估算方法及相关装置。
背景技术
随着电动车辆、储能系统等领域的快速发展，电池管理系统成为了关键技术之一。其中，准确估算电池的SOC（State of Charge）对于电池管理系统的性能和可靠性至关重要。因此，针对SOC估算方法的研究具有重要的理论和实际意义。
现有方案在估算SOC时，受到电池模型的简化、参数变化以及环境条件等因素的影响，导致估算结果精度不高，无法满足实际需求。并且现有方案主要关注SOC估算，对于电池的健康状态监测较为有限，无法全面评估电池的性能和寿命。
发明内容
本发明提供了一种电池管理系统的SOC估算方法及相关装置，用于提高电池管理系统的SOC估算准确率。
本发明第一方面提供了一种电池管理系统的SOC估算方法，所述电池管理系统的SOC估算方法包括：
基于预设的数据采集传感器采集目标电池组的第一电池状态数据以及第一电池负载数据；
分别对所述第一电池状态数据以及所述第一电池负载数据进行数据清洗和数据整合，得到第二电池状态数据以及第二电池负载数据；
对所述第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对所述第二电池负载数据进行负载特征提取，得到目标负载特征；
将所述目标电流特征和所述目标负载特征输入预置的第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；
将所述目标电压特征和所述目标负载特征输入预置的第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；
对所述第一电池SOC分析结果以及所述第二电池SOC分析结果进行融合，得到目标电池SOC分析结果，并根据所述目标电池SOC分析结果创建电池健康状态监测策略。
结合第一方面，在本发明第一方面的第一种实现方式中，所述基于预设的数据采集传感器采集目标电池组的第一电池状态数据以及第一电池负载数据，包括：
获取目标电池组的电池组参数信息，并根据所述电池组参数信息生成对应的数据采集传感器方案，其中，所述数据采集传感器方案包括：传感器种类、传感器数量以及传感器点位；
基于所述数据采集传感器方案，设置所述目标电池组对应的多个数据采集传感器；
通过所述数据采集传感器监控并采集所述目标电池组的第一电池状态数据以及所述目标电池组的第一电池负载数据。
结合第一方面，在本发明第一方面的第二种实现方式中，所述分别对所述第一电池状态数据以及所述第一电池负载数据进行数据清洗和数据整合，得到第二电池状态数据以及第二电池负载数据，包括：
对所述第一电池状态数据进行重复数据和异常数据识别，得到第一重复数据以及第一异常数据，以及对所述第一电池负载数据进行重复数据和异常数据识别，得到第二重复数据以及第二异常数据；
对所述第一电池状态数据中的第一重复数据以及第一异常数据进行去除，得到初始电池状态数据，以及对所述第一电池负载数据中的第二重复数据以及第二异常数据进行去除，得到初始电池负载数据；
对所述初始电池状态数据进行数据集分类，得到目标电流数据以及目标电压数据；
分别对所述目标电流数据以及所述目标电压数据进行曲线拟合，得到目标电流曲线以及目标电压曲线，并将所述目标电流曲线以及所述目标电压曲线作为第二电池状态数据；
对所述初始电池负载数据进行用电器负载分布分析，得到电池负载分布图，并将所述电池负载分布图作为第二电池负载数据。
结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对所述第二电池负载数据进行负载特征提取，得到目标负载特征，包括：
计算所述目标电流曲线中的多个第一曲线特征值，以及计算所述目标电压曲线中的多个第二曲线特征值；
构建所述目标电流曲线对应的第一目标值以及所述目标电压曲线对应的第二目标值；
对所述多个第一曲线特征值和所述第一目标值进行比较，得到第一比较结果，并根据所述第一比较结果生成目标电流特征；
对所述多个第二曲线特征值和所述第二目标值进行比较，得到第二比较结果，并根据所述第二比较结果生成目标电压特征；
对所述电池负载分布图进行聚类计算，得到负载分布聚类结果，并计算得到所述电池负载分布图进中每个节点的重要度；
对所述电池负载分布图进中每个节点的重要度进行特征编码，得到目标负载特征。
结合第一方面，在本发明第一方面的第四种实现方式中，所述将所述目标电流特征和所述目标负载特征输入预置的第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果，包括：
对所述目标电流特征和所述目标负载特征进行特征融合和向量转换，得到第一融合特征向量；
将所述第一融合特征向量输入预置的第一电池SOC分析模型，其中，所述第一电池SOC分析模型包括：编解码网络以及逻辑回归网络；
通过所述编解码网络对所述第一融合特征向量进行特征提取，得到第一特征提取向量；
将所述第一特征提取向量输入所述逻辑回归网络进行电池SOC回归预测分析，得到第一电池SOC分析结果。
结合第一方面，在本发明第一方面的第五种实现方式中，所述将所述目标电压特征和所述目标负载特征输入预置的第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果，包括：
对所述目标电压特征和所述目标负载特征进行特征融合和向量转换，得到第二融合特征向量；
将所述第二融合特征向量输入预置的第二电池SOC分析模型，其中，所述第二电池SOC分析模型包括：双层长短时记忆网络以及两层全连接层；
通过所述双层长短时记忆网络对所述第二融合特征向量进行特征提取，得到第二特征提取向量；
将所述第二特征提取向量输入所述两层全连接层进行电池SOC回归预测分析，得到第二电池SOC分析结果。
结合第一方面，在本发明第一方面的第六种实现方式中，所述对所述第一电池SOC分析结果以及所述第二电池SOC分析结果进行融合，得到目标电池SOC分析结果，并根据所述目标电池SOC分析结果创建电池健康状态监测策略，包括：
获取预置的权重系数，并根据所述权重系数计算所述第一电池SOC分析结果的第一加权电池SOC以及计算所述第二电池SOC分析结果的第二加权电池SOC；
对所述第一加权电池SOC以及所述第二加权电池SOC进行结果融合，得到目标电池SOC分析结果；
根据所述目标电池SOC分析结果，从预置的多个候选健康状态监测策略中匹配所述目标电池组的电池健康状态监测策略。
本发明第二方面提供了一种电池管理系统的SOC估算装置，所述电池管理系统的SOC估算装置包括：
采集模块，用于基于预设的数据采集传感器采集目标电池组的第一电池状态数据以及第一电池负载数据；
整合模块，用于分别对所述第一电池状态数据以及所述第一电池负载数据进行数据清洗和数据整合，得到第二电池状态数据以及第二电池负载数据；
特征提取模块，用于对所述第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对所述第二电池负载数据进行负载特征提取，得到目标负载特征；
第一分析模块，用于将所述目标电流特征和所述目标负载特征输入预置的第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；
第二分析模块，用于将所述目标电压特征和所述目标负载特征输入预置的第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；
创建模块，用于对所述第一电池SOC分析结果以及所述第二电池SOC分析结果进行融合，得到目标电池SOC分析结果，并根据所述目标电池SOC分析结果创建电池健康状态监测策略。
本发明第三方面提供了一种电池管理系统的SOC估算设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述电池管理系统的SOC估算设备执行上述的电池管理系统的SOC估算方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的电池管理系统的SOC估算方法。
本发明提供的技术方案中，对第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对第二电池负载数据进行负载特征提取，得到目标负载特征；将目标电流特征和目标负载特征输入第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；将目标电压特征和目标负载特征输入第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；对第一电池SOC分析结果以及第二电池SOC分析结果进行融合，得到目标电池SOC分析结果并创建电池健康状态监测策略，本发明通过采集和整合多个数据源的信息，提取多个特征参数，并利用预置的SOC分析模型进行计算，该方法可以提高SOC估算的准确性。相比传统方法，它能够更准确地预测电池的实际剩余电量，提供更可靠的电池状态信息。准确估算SOC有助于优化电池管理系统的能耗控制。通过了解电池的剩余电量，系统可以更有效地分配能量，避免电池过早耗尽或过度充电，从而提高能量利用率，延长电池寿命。本发明根据估算的SOC结果创建电池健康状态监测策略。通过实时监测电池的SOC变化和电池状态，系统可以及时发现异常情况（如过度放电、过充电等），采取相应的保护措施，延长电池的使用寿命并提高系统的安全性。
附图说明
图1为本发明实施例中电池管理系统的SOC估算方法的一个实施例示意图；
图2为本发明实施例中数据清洗和数据整合的流程图；
图3为本发明实施例中特征提取的流程图；
图4为本发明实施例中电池SOC分析的流程图；
图5为本发明实施例中电池管理系统的SOC估算装置的一个实施例示意图；
图6为本发明实施例中电池管理系统的SOC估算设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种电池管理系统的SOC估算方法及相关装置，用于提高电池管理系统的SOC估算准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中电池管理系统的SOC估算方法的一个实施例包括：
S101、基于预设的数据采集传感器采集目标电池组的第一电池状态数据以及第一电池负载数据；
可以理解的是，本发明的执行主体可以为电池管理系统的SOC估算装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器首先获取目标电池组的电池组参数信息。这些参数信息可以包括电池组的类型（如锂离子电池、铅酸电池等）、电池数量、电池容量、额定电压等。通过电池制造商提供的规格表或产品手册可以获得这些参数信息。根据目标电池组的参数信息，可以生成相应的数据采集传感器方案。这个方案涵盖了传感器的种类、传感器数量以及传感器的点位位置。传感器的选择应该考虑到监测电池状态和负载所需的参数类型，如电压、电流、温度等，以及传感器的精度、可靠性和成本等因素。例如，假设服务器有一个锂离子电池组，包括10个电池。为了监测电池组的状态数据和负载数据，可以考虑以下数据采集传感器方案：10个电压传感器：每个电压传感器安装在每个电池的正负极，用于监测每个电池的电压；1个温度传感器：安装在电池组中心位置，用于监测电池组的平均温度基于生成的数据采集传感器方案，服务器设置目标电池组对应的多个数据采集传感器。在本例中，安装10个电压传感器，分别连接到每个电池的正负极，以及1个温度传感器，安装在电池组中心位置。通过这些数据采集传感器，服务器监控并采集目标电池组的第一电池状态数据和第一电池负载数据。传感器持续测量电池的电压和温度等参数，并将数据传输给数据采集系统。通过数据采集系统或控制器，服务器能够实时监测和记录这些数据。例如，数据采集系统可以定期读取每个电压传感器的电压值，并记录温度传感器测得的电池组温度。这些数据以数字形式存储，并通过数据采集系统进行实时监控和记录。
S102、分别对第一电池状态数据以及第一电池负载数据进行数据清洗和数据整合，得到第二电池状态数据以及第二电池负载数据；
具体的，服务器首先，针对第一电池状态数据，进行重复数据和异常数据识别的操作。通过数据分析技术，可以检测出第一重复数据和第一异常数据。第一重复数据是在同一时间点采集到的重复数据，而第一异常数据则是与预期范围显著偏离的数据。同时，对第一电池负载数据也进行重复数据和异常数据的识别。类似地，重复数据是在同一时间点记录的重复数据，而异常数据是与正常负载范围明显不符的数据。然后，根据识别结果，将第一电池状态数据中的第一重复数据和第一异常数据进行去除，得到初始电池状态数据。同样，对第一电池负载数据中的第二重复数据和第二异常数据进行去除，得到初始电池负载数据。接下来，对初始电池状态数据进行数据集分类，以获得目标电流数据和目标电压数据。数据集分类可以将数据分为不同的组，每组代表特定范围内的电流或电压。进一步，对目标电流数据和目标电压数据进行曲线拟合。通过曲线拟合分析，可以得到目标电流曲线和目标电压曲线。这种拟合过程可以利用数学模型来描述电流和电压的变化趋势。最后，对初始电池负载数据进行用电器负载分布分析。这种分析可以揭示电池负载在不同时间点上的分布情况。通过统计和可视化分析，可以生成电池负载分布图，作为第二电池负载数据的表示。例如，假设服务器有一个太阳能发电系统，其中包含一个电池组。服务器通过传感器采集了该电池组的状态数据和负载数据。在数据清洗和整合过程中，服务器发现某些状态数据存在重复记录，以及一些负载数据超出了正常范围。通过去除这些重复数据和异常数据，服务器获得了初始的电池状态数据和电池负载数据。然后，服务器对初始电池状态数据进行分类，将其分为不同的数据集，得到目标电流数据和目标电压数据。接着，服务器对目标电流数据和目标电压数据进行曲线拟合，得到了电流曲线和电压曲线，作为第二电池状态数据的表示。同时，服务器对初始电池负载数据进行用电器负载分布分析，生成了电池负载分布图，作为第二电池负载数据的表示。
S103、对第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对第二电池负载数据进行负载特征提取，得到目标负载特征；
需要说明的是，首先，针对目标电流曲线和目标电压曲线，计算多个第一曲线特征值和多个第二曲线特征值。这些特征值可以包括曲线的斜率、峰值、谷值、波动性等。通过对曲线进行数学计算和分析，可以提取出表示曲线形态和动态特性的特征。同时，构建目标电流曲线和目标电压曲线对应的第一目标值和第二目标值。这些目标值可以是根据电池性能和使用需求设定的阈值或期望值。目标值的设定可以根据具体应用场景和电池要求进行调整。接下来，通过比较多个第一曲线特征值和第一目标值，得到第一比较结果，并根据比较结果生成目标电流特征。比较的方式可以是逐个特征值与目标值进行对比，或者通过设定一定的判断规则和算法来确定特征是否符合预期。类似地，对多个第二曲线特征值和第二目标值进行比较，得到第二比较结果，并根据比较结果生成目标电压特征。通过比较分析，可以判断电压特征是否符合预期要求，例如是否达到安全范围或优化效果。此外，针对电池负载分布图，进行聚类计算以得到负载分布的聚类结果。聚类算法可以将负载数据分为不同的群组，每个群组代表具有相似负载特征的数据点。同时，计算每个节点在电池负载分布图中的重要度，以了解各个节点的贡献程度或权重。最后，对每个节点的重要度进行特征编码，生成目标负载特征。特征编码可以采用二进制编码、数值编码或其他形式的表示方式，以便后续的分析和处理。例如，假设服务器有一辆电动汽车的电池管理系统。通过先前的步骤，服务器得到了目标电流曲线和目标电压曲线，并计算出多个第一曲线特征值和多个第二曲线特征值。同时，服务器设定了第一目标值和第二目标值。通过比较特征值和目标值，服务器得到了第一比较结果和第二比较结果，进而生成了目标电流特征和目标电压特征。例如，服务器判断目标电流是否在设定的安全范围内，或者目标电压是否达到了优化的效果。最后，服务器对电池负载分布图进行聚类计算，将负载数据分为不同的群组，并计算出每个节点的重要度。例如，某个节点可能代表了高功率的电器负载，而另一个节点可能代表了低功率的电器负载。通过特征编码，服务器将这些节点的重要度表示为目标负载特征，以便后续的电池管理和健康状态监测。
S104、将目标电流特征和目标负载特征输入预置的第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；
具体的，首先，将目标电流特征和目标负载特征进行特征融合和向量转换，以得到第一融合特征向量。特征融合可以通过将目标电流特征和目标负载特征进行组合、加权或连接等方式进行。这样可以综合考虑电流和负载两个方面的特征信息，并将其表示为一个综合的特征向量。接下来，将第一融合特征向量输入预置的第一电池SOC分析模型，该模型包括编解码网络和逻辑回归网络。编解码网络可以用于对第一融合特征向量进行特征提取，提取出更有代表性和高层次的特征信息。逻辑回归网络可以接收特征提取向量，并进行电池SOC的回归预测分析。通过编解码网络对第一融合特征向量进行特征提取，得到第一特征提取向量。编解码网络可以采用自编码器等深度学习模型，通过多层神经网络的编码和解码过程，从输入的特征向量中提取出更抽象和有代表性的特征表示。最后，将第一特征提取向量输入逻辑回归网络进行电池SOC的回归预测分析。逻辑回归网络可以通过训练数据集来学习特征向量与电池SOC之间的关系，并预测出电池的SOC值。通过该分析过程，可以得到第一电池SOC分析结果，即对电池SOC的估计或预测。例如，假设服务器有一辆电动汽车的电池管理系统。服务器已经提取了目标电流特征和目标负载特征，并将它们融合成第一融合特征向量。接下来，服务器将第一融合特征向量输入预置的第一电池SOC分析模型。该模型包括一个编解码网络和一个逻辑回归网络。编解码网络通过多层神经网络的编码和解码过程，从特征向量中提取更高级别的特征表达。例如，编解码网络可以将电流特征和负载特征进行组合和转换，得到对电池SOC有更强预测能力的特征表示。然后，服务器将第一特征提取向量输入逻辑回归网络进行回归预测分析。逻辑回归网络已经经过训练，学习了特征向量与电池SOC之间的关系。通过逻辑回归网络，服务器预测电池的SOC值。本实施例中，服务器得到了第一电池SOC分析结果，即对电池SOC的估计或预测。这样的SOC分析结果可以在电动汽车的电池管理系统中应用，用于监测电池的状态和健康程度，以及做出相应的控制和优化决策，从而提高电池系统的性能和寿命。
S105、将目标电压特征和目标负载特征输入预置的第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；
具体的，服务器首先，将目标电压特征和目标负载特征进行特征融合和向量转换，以得到第二融合特征向量。特征融合可以通过将目标电压特征和目标负载特征进行组合、加权或连接等方式进行。这样可以综合考虑电压和负载两个方面的特征信息，并将其表示为一个综合的特征向量。接下来，将第二融合特征向量输入预置的第二电池SOC分析模型，该模型包括双层长短时记忆（LSTM）网络和两层全连接层。LSTM网络在序列数据处理中具有很好的记忆和学习能力，能够提取出序列数据中的时序特征。两层全连接层可以接收LSTM网络提取的特征向量，并进行电池SOC的回归预测分析。通过双层LSTM网络对第二融合特征向量进行特征提取，得到第二特征提取向量。LSTM网络可以学习特征向量中的时序依赖关系和长期依赖关系，并提取出更具有代表性和高级别的特征表示。这些特征表示可以捕捉电压和负载的时序变化规律，并用于后续的SOC分析。最后，将第二特征提取向量输入两层全连接层进行电池SOC的回归预测分析。全连接层通过多个神经元的连接和权重学习，能够将特征向量映射到SOC值的预测结果。通过这个分析过程，服务器得到第二电池SOC分析结果，即对电池SOC的估计或预测。例如，假设服务器有一个储能系统中的锂离子电池，并已经提取了目标电压特征和目标负载特征，并将其融合成第二融合特征向量。接下来，服务器将第二融合特征向量输入预置的第二电池SOC分析模型。该模型包括双层LSTM网络和两层全连接层。LSTM网络可以通过学习输入特征向量的时序关系和长期依赖关系，提取出具有代表性的特征向量。最后，服务器将第二特征提取向量输入两层全连接层进行SOC的回归预测分析。全连接层通过学习特征向量和SOC之间的非线性关系，能够输出电池SOC的预测结果。
S106、对第一电池SOC分析结果以及第二电池SOC分析结果进行融合，得到目标电池SOC分析结果，并根据目标电池SOC分析结果创建电池健康状态监测策略。
具体的，首先，获取预置的权重系数。这些权重系数可以是根据领域知识、经验规则或者基于数据分析的结果得出的。权重系数的作用是对第一电池SOC分析结果和第二电池SOC分析结果进行加权，以确定它们在最终融合结果中的重要程度。接下来，根据权重系数计算第一电池SOC分析结果的第一加权电池SOC以及计算第二电池SOC分析结果的第二加权电池SOC。这可以通过将每个分析结果乘以对应的权重系数，并将它们相加得到加权的电池SOC值。这样可以对不同的分析结果进行量化和调整，以反映其在最终结果中的贡献度。然后，对第一加权电池SOC和第二加权电池SOC进行结果融合，得到目标电池SOC分析结果。结果融合的方式可以是简单的加权平均，也可以是更复杂的模型融合方法，如决策树、神经网络等。融合的目标是综合利用第一和第二电池SOC分析结果的优势，得到更准确和可靠的目标电池SOC分析结果。最后，根据目标电池SOC分析结果，从预置的多个候选健康状态监测策略中匹配适合目标电池组的电池健康状态监测策略。这些候选策略可以是基于电池SOC的阈值划分、基于模型的健康评估方法、基于历史数据的统计分析等。根据目标电池SOC分析结果选择最合适的健康状态监测策略，可以为电池管理系统提供有效的健康状态监测和预警功能。例如，假设服务器有两个电池SOC分析结果，第一电池SOC分析结果为0.7，第二电池SOC分析结果为0.8。假设服务器设置的权重系数为0.6和0.4。根据权重系数计算，第一加权电池SOC为0.7*0.6=0.42，第二加权电池SOC为0.8*0.4=0.32。然后，将第一加权电池SOC和第二加权电池SOC进行加权平均，得到目标电池SOC分析结果为(0.42+0.32)/2=0.37。根据目标电池SOC分析结果为0.37，服务器从预置的多个候选健康状态监测策略中选择适合的策略，比如基于电池SOC阈值的策略，设置电池低于0.3时为低健康状态，介于0.3和0.5之间为中等健康状态，高于0.5时为良好健康状态。通过这种融合和策略匹配的方式，服务器能够将多个电池SOC分析结果综合起来，得到更准确的目标电池SOC分析结果，并根据该结果制定适合目标电池组的健康状态监测策略。这样可以为电池管理系统提供更有效的电池健康状态监测和管理。
本发明实施例中，对第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对第二电池负载数据进行负载特征提取，得到目标负载特征；将目标电流特征和目标负载特征输入第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；将目标电压特征和目标负载特征输入第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；对第一电池SOC分析结果以及第二电池SOC分析结果进行融合，得到目标电池SOC分析结果并创建电池健康状态监测策略，本发明通过采集和整合多个数据源的信息，提取多个特征参数，并利用预置的SOC分析模型进行计算，该方法可以提高SOC估算的准确性。相比传统方法，它能够更准确地预测电池的实际剩余电量，提供更可靠的电池状态信息。准确估算SOC有助于优化电池管理系统的能耗控制。通过了解电池的剩余电量，系统可以更有效地分配能量，避免电池过早耗尽或过度充电，从而提高能量利用率，延长电池寿命。本发明根据估算的SOC结果创建电池健康状态监测策略。通过实时监测电池的SOC变化和电池状态，系统可以及时发现异常情况（如过度放电、过充电等），采取相应的保护措施，延长电池的使用寿命并提高系统的安全性。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标电池组的电池组参数信息，并根据电池组参数信息生成对应的数据采集传感器方案，其中，数据采集传感器方案包括：传感器种类、传感器数量以及传感器点位；
（2）基于数据采集传感器方案，设置目标电池组对应的多个数据采集传感器；
（3）通过数据采集传感器监控并采集目标电池组的第一电池状态数据以及目标电池组的第一电池负载数据。
具体的，服务器首先，获取目标电池组的电池组参数信息。这些参数可以包括电池组的类型、容量、电压范围、工作温度等关键信息。通过收集和分析这些参数，可以了解目标电池组的特性和需求，为后续的数据采集传感器方案设计提供依据。基于电池组参数信息，生成数据采集传感器方案。传感器方案包括传感器种类、传感器数量以及传感器点位。传感器的种类可以根据目标电池组的特性和需求确定，例如电流传感器、电压传感器、温度传感器等。传感器的数量和点位的选择取决于电池组的规模和监测需求，需综合考虑监测精度、数据采集频率、成本等因素。根据数据采集传感器方案，设置目标电池组对应的多个数据采集传感器。这些传感器可以安装在电池组的关键位置，以实时监测电池的状态和负载。传感器的安装应遵循相关的安装规范和标准，以确保数据采集的准确性和可靠性。通过数据采集传感器监控并采集目标电池组的第一电池状态数据以及第一电池负载数据。传感器将实时获取电池组的状态参数，如电流、电压、温度等，以及电池负载情况。这些数据可以通过传感器接口和数据采集系统进行采集、存储和分析，为电池组性能评估、故障诊断和健康状态监测提供数据支持。例如，假设目标电池组是一辆电动汽车的动力电池组。根据电池组参数信息的分析，服务器确定需要监测电池组的电流、电压和温度。因此，服务器选择了电流传感器、电压传感器和温度传感器作为数据采集传感器的种类。根据电池组的规模和监测需求，服务器在电池组中设置多个传感器，如在电池组模块之间均匀安装电流和电压传感器，以及在电池组的正负极和关键位置安装温度传感器。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、对第一电池状态数据进行重复数据和异常数据识别，得到第一重复数据以及第一异常数据，以及对第一电池负载数据进行重复数据和异常数据识别，得到第二重复数据以及第二异常数据；
S202、对第一电池状态数据中的第一重复数据以及第一异常数据进行去除，得到初始电池状态数据，以及对第一电池负载数据中的第二重复数据以及第二异常数据进行去除，得到初始电池负载数据；
S203、对初始电池状态数据进行数据集分类，得到目标电流数据以及目标电压数据；
S204、分别对目标电流数据以及目标电压数据进行曲线拟合，得到目标电流曲线以及目标电压曲线，并将目标电流曲线以及目标电压曲线作为第二电池状态数据；
S205、对初始电池负载数据进行用电器负载分布分析，得到电池负载分布图，并将电池负载分布图作为第二电池负载数据。
具体的，服务器首先，对第一电池状态数据进行重复数据和异常数据识别。通过分析数据的时间戳或其他特征，可以检测出相邻时间段内的重复数据。同时，利用统计方法、模型预测或规则检测等技术，可以识别出与正常数据偏离较大的异常数据。类似地，对第一电池负载数据也进行重复数据和异常数据识别。通过比较相邻时间段的数据，可以发现重复出现的负载数据。同时，通过异常检测算法或领域知识规则，可以找出与正常负载行为明显不符的异常数据。接下来，对第一电池状态数据中的重复数据和异常数据进行去除。通过筛选出重复数据和异常数据，并将其从原始数据中剔除，可以得到初始的电池状态数据。同样地，对第一电池负载数据中的重复数据和异常数据进行去除。通过剔除重复数据和异常数据，可以得到初始的电池负载数据。对初始电池状态数据进行数据集分类，可以根据不同的特征和属性将数据进行分类。这样可以将目标电流数据和目标电压数据分开提取出来。针对目标电流数据和目标电压数据，进行曲线拟合。可以使用曲线拟合算法，如多项式拟合、样条曲线拟合等，将数据点拟合成光滑的曲线。这样就得到了目标电流曲线和目标电压曲线。最后，对初始电池负载数据进行用电器负载分布分析。可以使用数据分析和可视化技术，将电池负载数据映射到负载分布图上，以便于观察和分析不同用电器的负载分布情况。例如，假设服务器有一组电动汽车的电池数据。通过对电池状态数据进行重复数据和异常数据识别，服务器发现在某个时间段内，有一些数据点的电流值出现了重复。同时，通过异常数据识别，服务器发现在另一个时间段内，有几个数据点的电压值异常偏高。在处理电池负载数据时，服务器发现在某个时间段内，负载数据出现了重复。而在另一个时间段内，有几个数据点的负载值异常低。接着，服务器剔除了这些重复数据和异常数据，得到了初始的电池状态数据和电池负载数据。然后，服务器对初始的电池状态数据进行数据集分类，将目标电流数据和目标电压数据分开提取出来。针对目标电流数据和目标电压数据，服务器使用曲线拟合技术，得到了目标电流曲线和目标电压曲线。最后，服务器对初始的电池负载数据进行用电器负载分布分析，并绘制了电池负载分布图。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、计算目标电流曲线中的多个第一曲线特征值，以及计算目标电压曲线中的多个第二曲线特征值；
S302、构建目标电流曲线对应的第一目标值以及目标电压曲线对应的第二目标值；
S303、对多个第一曲线特征值和第一目标值进行比较，得到第一比较结果，并根据第一比较结果生成目标电流特征；
S304、对多个第二曲线特征值和第二目标值进行比较，得到第二比较结果，并根据第二比较结果生成目标电压特征；
S305、对电池负载分布图进行聚类计算，得到负载分布聚类结果，并计算得到电池负载分布图进中每个节点的重要度；
S306、对电池负载分布图进中每个节点的重要度进行特征编码，得到目标负载特征。
具体的，服务器首先，对目标电流曲线进行分析，计算出与曲线形态和特性相关的多个特征值。例如，可以计算曲线的最大值、最小值、平均值、峰值和谷值等。同时，对目标电压曲线进行类似的分析，计算出波动范围、上升时间、下降时间和时间间隔等特征值。接下来，构建目标电流曲线和目标电压曲线的目标值。根据具体需求，可以设定一个或多个目标值。例如，目标电流曲线的目标值可以设定为曲线的平均值或预设的阈值。同样地，可以设定目标电压曲线的目标值，如平均值或阈值。随后，将计算得到的多个第一曲线特征值与第一目标值进行比较，得到第一比较结果。比较的方式可以根据具体情况选择，例如判断特征值是否超过目标值或计算特征值与目标值的差距。基于第一比较结果，生成描述目标电流特征的指标或特征向量。例如，如果第一比较结果表明特征值超过目标值，可以将目标电流特征设定为高电流状态。类似地，对多个第二曲线特征值和第二目标值进行比较，得到第二比较结果。比较的方式可以根据具体情况选择。根据第二比较结果，生成描述目标电压特征的指标或特征向量。例如，如果第二比较结果表明特征值与目标值接近，则可以将目标电压特征设定为稳定状态。同时，对电池负载分布图进行聚类计算，以获得负载分布聚类结果。在聚类计算过程中，可以确定电池负载分布图中每个节点的重要度。进一步对每个节点的重要度进行特征编码，生成描述目标负载特征的指标或特征向量。例如，假设服务器有一辆电动车的电池系统，服务器想要分析其中一块电池的SOC（State of Charge）情况。服务器首先通过传感器采集到了该电池的电流和电压数据。针对电流数据，服务器计算了最大电流、最小电流和平均电流作为第一曲线特征值。服务器设定目标电流曲线的目标值为正常工作范围内的平均电流值。对于电压数据，服务器计算了电压的波动范围、上升时间和下降时间作为第二曲线特征值。服务器设定目标电压曲线的目标值为预设的最小电压阈值。通过将第一曲线特征值与目标值进行比较，服务器得到第一比较结果，表明电流特征值处于目标值范围内。因此，服务器生成了一个描述目标电流特征的指标，如"电流稳定"。类似地，通过将第二曲线特征值与目标值进行比较，服务器得到第二比较结果，表明电压特征值低于目标值。因此，服务器生成了一个描述目标电压特征的指标，如"电压较低"。最后，服务器对电池负载分布图进行聚类计算，得到负载分布聚类结果。然后，根据每个节点的重要度进行特征编码，生成描述目标负载特征的指标或特征向量。例如，服务器使用数字表示每个节点的重要度，较高的数字表示较重要的节点。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、对目标电流特征和目标负载特征进行特征融合和向量转换，得到第一融合特征向量；
S402、将第一融合特征向量输入预置的第一电池SOC分析模型，其中，第一电池SOC分析模型包括：编解码网络以及逻辑回归网络；
S403、通过编解码网络对第一融合特征向量进行特征提取，得到第一特征提取向量；
S404、将第一特征提取向量输入逻辑回归网络进行电池SOC回归预测分析，得到第一电池SOC分析结果。
具体的，服务器首先，将目标电流特征和目标负载特征进行特征融合和向量转换，得到第一融合特征向量。特征融合可以采用多种方法，如特征拼接、特征加权或特征组合。具体选择的方法取决于特征的性质和目标。例如，可以将目标电流特征和目标负载特征进行拼接，形成一个综合的特征向量。然后，将第一融合特征向量输入预置的第一电池SOC分析模型。第一电池SOC分析模型可以由编解码网络和逻辑回归网络组成。编解码网络用于特征提取，逻辑回归网络用于电池SOC的回归预测。通过编解码网络对第一融合特征向量进行特征提取，得到第一特征提取向量。编解码网络可以通过自编码器或其他深度学习模型实现。该网络能够学习并提取输入特征中的关键信息，减少特征的维度并保留重要的特征表示。最后，将第一特征提取向量输入逻辑回归网络进行电池SOC回归预测分析。逻辑回归网络是一种常用的分类或回归模型，可以根据输入特征进行预测。逻辑回归网络将根据第一特征提取向量对电池SOC进行回归预测分析，并得到第一电池SOC分析结果。例如，假设服务器有一块电池，需要分析其SOC。服务器从电池系统中获取目标电流特征和目标负载特征，例如电流大小和负载类型。然后，将这些特征进行融合，得到第一融合特征向量。接下来，将第一融合特征向量输入预置的第一电池SOC分析模型。该模型由编解码网络和逻辑回归网络组成。编解码网络通过学习特征的表示形式，对第一融合特征向量进行特征提取，得到第一特征提取向量。最后，将第一特征提取向量输入逻辑回归网络，进行电池SOC的回归预测分析。逻辑回归网络根据第一特征提取向量的特征值，预测电池的SOC。这样服务器就得到了第一电池SOC分析结果。例如，假设目标电流特征为2A，目标负载特征为高功率负载，将它们融合为[2A,高功率负载]的第一融合特征向量。经过编解码网络提取特征，得到第一特征提取向量[0.8,0.6,0.4]。然后，将第一特征提取向量输入逻辑回归网络进行预测，得到第一电池SOC分析结果为85%。这样，服务器就完成了对目标电池的SOC分析。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）对目标电压特征和目标负载特征进行特征融合和向量转换，得到第二融合特征向量；
（2）将第二融合特征向量输入预置的第二电池SOC分析模型，其中，第二电池SOC分析模型包括：双层长短时记忆网络以及两层全连接层；
（3）通过双层长短时记忆网络对第二融合特征向量进行特征提取，得到第二特征提取向量；
（4）将第二特征提取向量输入两层全连接层进行电池SOC回归预测分析，得到第二电池SOC分析结果。
具体的，首先，将目标电压特征和目标负载特征进行特征融合和向量转换，得到第二融合特征向量。特征融合可以采用不同的方法，例如特征拼接、特征加权或特征组合。具体选择的方法取决于特征的性质和目标。将特征融合后的向量作为第二融合特征向量，其中包含了电压和负载特征的综合信息。接下来，将第二融合特征向量输入预置的第二电池SOC分析模型。第二电池SOC分析模型由双层长短时记忆网络（LSTM）和两层全连接层组成。双层LSTM网络用于对第二融合特征向量进行特征提取。LSTM网络是一种适用于序列数据的循环神经网络，可以捕捉特征之间的时序依赖关系。通过LSTM网络，服务器提取第二融合特征向量中的关键特征，得到第二特征提取向量。最后，将第二特征提取向量输入两层全连接层进行电池SOC回归预测分析。全连接层是一种常用的神经网络层，可以将特征向量映射到电池SOC的预测值。通过全连接层的计算，服务器得到第二电池SOC分析结果。例如，假设目标电压特征为12V，目标负载特征为中等负载，服务器将它们融合为[12V,中等负载]的第二融合特征向量。通过双层LSTM网络提取特征，得到第二特征提取向量[0.5,0.8,0.6]。然后，将第二特征提取向量输入两层全连接层进行预测，得到第二电池SOC分析结果为78%。这样，服务器就完成了对目标电池的SOC分析。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）获取预置的权重系数，并根据权重系数计算第一电池SOC分析结果的第一加权电池SOC以及计算第二电池SOC分析结果的第二加权电池SOC；
（2）对第一加权电池SOC以及第二加权电池SOC进行结果融合，得到目标电池SOC分析结果；
（3）根据目标电池SOC分析结果，从预置的多个候选健康状态监测策略中匹配目标电池组的电池健康状态监测策略。
具体的，首先，获取预置的权重系数。权重系数可以是事先设定的参数，用于对不同的电池SOC分析结果进行加权。这些权重系数反映了不同分析结果在整体分析中的重要性。可以根据具体需求和领域知识来确定权重系数的取值。接下来，根据权重系数计算第一电池SOC分析结果的第一加权电池SOC和计算第二电池SOC分析结果的第二加权电池SOC。假设第一电池SOC分析结果为80%，第二电池SOC分析结果为85%，而权重系数为0.6和0.4。则第一加权电池SOC计算公式为：第一加权电池SOC=80%*0.6=48%；第二加权电池SOC计算公式为：第二加权电池SOC=85%*0.4=34%。然后，对第一加权电池SOC和第二加权电池SOC进行结果融合，得到目标电池SOC分析结果。融合的方法可以是简单的加权平均、加权求和或其他融合算法。例如，将第一加权电池SOC和第二加权电池SOC进行加权平均，得到目标电池SOC分析结果为（48%+34%）/2=41%。最后，根据目标电池SOC分析结果，从预置的多个候选健康状态监测策略中匹配目标电池组的电池健康状态监测策略。健康状态监测策略可以包括对不同SOC范围的定义、告警阈值的设定、充电和放电策略的制定等。通过将目标电池SOC分析结果与候选策略进行匹配，可以确定适用于目标电池组的最佳健康状态监测策略。例如，假设服务器有两个电池SOC分析结果，第一加权电池SOC为50%，第二加权电池SOC为60%。权重系数为0.7和0.3。根据计算，第一加权电池SOC为50%*0.7=35%，第二加权电池SOC为60%*0.3=18%。将它们进行加权平均，得到目标电池SOC分析结果为（35%+18%）/2=26.5%。然后，根据26.5%的目标电池SOC分析结果，从预置的候选健康状态监测策略中选择最适合的策略，例如设定SOC范围的告警阈值或充放电策略。
上面对本发明实施例中电池管理系统的SOC估算方法进行了描述，下面对本发明实施例中电池管理系统的SOC估算装置进行描述，请参阅图5，本发明实施例中电池管理系统的SOC估算装置一个实施例包括：
采集模块501，用于基于预设的数据采集传感器采集目标电池组的第一电池状态数据以及第一电池负载数据；
整合模块502，用于分别对所述第一电池状态数据以及所述第一电池负载数据进行数据清洗和数据整合，得到第二电池状态数据以及第二电池负载数据；
特征提取模块503，用于对所述第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对所述第二电池负载数据进行负载特征提取，得到目标负载特征；
第一分析模块504，用于将所述目标电流特征和所述目标负载特征输入预置的第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；
第二分析模块505，用于将所述目标电压特征和所述目标负载特征输入预置的第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；
创建模块506，用于对所述第一电池SOC分析结果以及所述第二电池SOC分析结果进行融合，得到目标电池SOC分析结果，并根据所述目标电池SOC分析结果创建电池健康状态监测策略。
通过上述各个组成部分的协同合作，对第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对第二电池负载数据进行负载特征提取，得到目标负载特征；将目标电流特征和目标负载特征输入第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；将目标电压特征和目标负载特征输入第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；对第一电池SOC分析结果以及第二电池SOC分析结果进行融合，得到目标电池SOC分析结果并创建电池健康状态监测策略，本发明通过采集和整合多个数据源的信息，提取多个特征参数，并利用预置的SOC分析模型进行计算，该方法可以提高SOC估算的准确性。相比传统方法，它能够更准确地预测电池的实际剩余电量，提供更可靠的电池状态信息。准确估算SOC有助于优化电池管理系统的能耗控制。通过了解电池的剩余电量，系统可以更有效地分配能量，避免电池过早耗尽或过度充电，从而提高能量利用率，延长电池寿命。本发明根据估算的SOC结果创建电池健康状态监测策略。通过实时监测电池的SOC变化和电池状态，系统可以及时发现异常情况（如过度放电、过充电等），采取相应的保护措施，延长电池的使用寿命并提高系统的安全性。
上面图5从模块化功能实体的角度对本发明实施例中的电池管理系统的SOC估算装置进行详细描述，下面从硬件处理的角度对本发明实施例中电池管理系统的SOC估算设备进行详细描述。
图6是本发明实施例提供的一种电池管理系统的SOC估算设备的结构示意图，该电池管理系统的SOC估算设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对电池管理系统的SOC估算设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在电池管理系统的SOC估算设备600上执行存储介质630中的一系列指令操作。
电池管理系统的SOC估算设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的电池管理系统的SOC估算设备结构并不构成对电池管理系统的SOC估算设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种电池管理系统的SOC估算设备，所述电池管理系统的SOC估算设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述电池管理系统的SOC估算方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述电池管理系统的SOC估算方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种电池管理系统的SOC估算方法，其特征在于，所述电池管理系统的SOC估算方法包括：
基于预设的数据采集传感器采集目标电池组的第一电池状态数据以及第一电池负载数据；
分别对所述第一电池状态数据以及所述第一电池负载数据进行数据清洗和数据整合，得到第二电池状态数据以及第二电池负载数据，具体包括：对所述第一电池状态数据进行重复数据和异常数据识别，得到第一重复数据以及第一异常数据，以及对所述第一电池负载数据进行重复数据和异常数据识别，得到第二重复数据以及第二异常数据；对所述第一电池状态数据中的第一重复数据以及第一异常数据进行去除，得到初始电池状态数据，以及对所述第一电池负载数据中的第二重复数据以及第二异常数据进行去除，得到初始电池负载数据；对所述初始电池状态数据进行数据集分类，得到目标电流数据以及目标电压数据；分别对所述目标电流数据以及所述目标电压数据进行曲线拟合，得到目标电流曲线以及目标电压曲线，并将所述目标电流曲线以及所述目标电压曲线作为第二电池状态数据；对所述初始电池负载数据进行用电器负载分布分析，得到电池负载分布图，并将所述电池负载分布图作为第二电池负载数据；
对所述第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对所述第二电池负载数据进行负载特征提取，得到目标负载特征，具体包括：计算所述目标电流曲线中的多个第一曲线特征值，以及计算所述目标电压曲线中的多个第二曲线特征值；构建所述目标电流曲线对应的第一目标值以及所述目标电压曲线对应的第二目标值；对所述多个第一曲线特征值和所述第一目标值进行比较，得到第一比较结果，并根据所述第一比较结果生成目标电流特征；对所述多个第二曲线特征值和所述第二目标值进行比较，得到第二比较结果，并根据所述第二比较结果生成目标电压特征；对所述电池负载分布图进行聚类计算，得到负载分布聚类结果，并计算得到所述电池负载分布图中每个节点的重要度；对所述电池负载分布图中每个节点的重要度进行特征编码，得到目标负载特征；
将所述目标电流特征和所述目标负载特征输入预置的第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；
将所述目标电压特征和所述目标负载特征输入预置的第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；
对所述第一电池SOC分析结果以及所述第二电池SOC分析结果进行融合，得到目标电池SOC分析结果，并根据所述目标电池SOC分析结果创建电池健康状态监测策略。
2.根据权利要求1所述的电池管理系统的SOC估算方法，其特征在于，所述基于预设的数据采集传感器采集目标电池组的第一电池状态数据以及第一电池负载数据，包括：
获取目标电池组的电池组参数信息，并根据所述电池组参数信息生成对应的数据采集传感器方案，其中，所述数据采集传感器方案包括：传感器种类、传感器数量以及传感器点位；
基于所述数据采集传感器方案，设置所述目标电池组对应的多个数据采集传感器；
通过所述数据采集传感器监控并采集所述目标电池组的第一电池状态数据以及所述目标电池组的第一电池负载数据。
3.根据权利要求1所述的电池管理系统的SOC估算方法，其特征在于，所述将所述目标电流特征和所述目标负载特征输入预置的第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果，包括：
对所述目标电流特征和所述目标负载特征进行特征融合和向量转换，得到第一融合特征向量；
将所述第一融合特征向量输入预置的第一电池SOC分析模型，其中，所述第一电池SOC分析模型包括：编解码网络以及逻辑回归网络；
通过所述编解码网络对所述第一融合特征向量进行特征提取，得到第一特征提取向量；
将所述第一特征提取向量输入所述逻辑回归网络进行电池SOC回归预测分析，得到第一电池SOC分析结果。
4.根据权利要求1所述的电池管理系统的SOC估算方法，其特征在于，所述将所述目标电压特征和所述目标负载特征输入预置的第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果，包括：
对所述目标电压特征和所述目标负载特征进行特征融合和向量转换，得到第二融合特征向量；
将所述第二融合特征向量输入预置的第二电池SOC分析模型，其中，所述第二电池SOC分析模型包括：双层长短时记忆网络以及两层全连接层；
通过所述双层长短时记忆网络对所述第二融合特征向量进行特征提取，得到第二特征提取向量；
将所述第二特征提取向量输入所述两层全连接层进行电池SOC回归预测分析，得到第二电池SOC分析结果。
5.根据权利要求1所述的电池管理系统的SOC估算方法，其特征在于，所述对所述第一电池SOC分析结果以及所述第二电池SOC分析结果进行融合，得到目标电池SOC分析结果，并根据所述目标电池SOC分析结果创建电池健康状态监测策略，包括：
获取预置的权重系数，并根据所述权重系数计算所述第一电池SOC分析结果的第一加权电池SOC以及计算所述第二电池SOC分析结果的第二加权电池SOC；
对所述第一加权电池SOC以及所述第二加权电池SOC进行结果融合，得到目标电池SOC分析结果；
根据所述目标电池SOC分析结果，从预置的多个候选健康状态监测策略中匹配所述目标电池组的电池健康状态监测策略。
6.一种电池管理系统的SOC估算装置，其特征在于，所述电池管理系统的SOC估算装置包括：
采集模块，用于基于预设的数据采集传感器采集目标电池组的第一电池状态数据以及第一电池负载数据；
整合模块，用于分别对所述第一电池状态数据以及所述第一电池负载数据进行数据清洗和数据整合，得到第二电池状态数据以及第二电池负载数据，具体包括：对所述第一电池状态数据进行重复数据和异常数据识别，得到第一重复数据以及第一异常数据，以及对所述第一电池负载数据进行重复数据和异常数据识别，得到第二重复数据以及第二异常数据；对所述第一电池状态数据中的第一重复数据以及第一异常数据进行去除，得到初始电池状态数据，以及对所述第一电池负载数据中的第二重复数据以及第二异常数据进行去除，得到初始电池负载数据；对所述初始电池状态数据进行数据集分类，得到目标电流数据以及目标电压数据；分别对所述目标电流数据以及所述目标电压数据进行曲线拟合，得到目标电流曲线以及目标电压曲线，并将所述目标电流曲线以及所述目标电压曲线作为第二电池状态数据；对所述初始电池负载数据进行用电器负载分布分析，得到电池负载分布图，并将所述电池负载分布图作为第二电池负载数据；
特征提取模块，用于对所述第二电池状态数据进行状态特征提取，得到目标电流特征以及目标电压特征，并对所述第二电池负载数据进行负载特征提取，得到目标负载特征，具体包括：计算所述目标电流曲线中的多个第一曲线特征值，以及计算所述目标电压曲线中的多个第二曲线特征值；构建所述目标电流曲线对应的第一目标值以及所述目标电压曲线对应的第二目标值；对所述多个第一曲线特征值和所述第一目标值进行比较，得到第一比较结果，并根据所述第一比较结果生成目标电流特征；对所述多个第二曲线特征值和所述第二目标值进行比较，得到第二比较结果，并根据所述第二比较结果生成目标电压特征；对所述电池负载分布图进行聚类计算，得到负载分布聚类结果，并计算得到所述电池负载分布图中每个节点的重要度；对所述电池负载分布图中每个节点的重要度进行特征编码，得到目标负载特征；
第一分析模块，用于将所述目标电流特征和所述目标负载特征输入预置的第一电池SOC分析模型进行电池SOC分析，得到第一电池SOC分析结果；
第二分析模块，用于将所述目标电压特征和所述目标负载特征输入预置的第二电池SOC分析模型进行电池SOC分析，得到第二电池SOC分析结果；
创建模块，用于对所述第一电池SOC分析结果以及所述第二电池SOC分析结果进行融合，得到目标电池SOC分析结果，并根据所述目标电池SOC分析结果创建电池健康状态监测策略。
7.一种电池管理系统的SOC估算设备，其特征在于，所述电池管理系统的SOC估算设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述电池管理系统的SOC估算设备执行如权利要求1-5中任一项所述的电池管理系统的SOC估算方法。
8.一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指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的电池管理系统的SOC估算方法。
CN202310927156.3A 2023-07-27 2023-07-27 一种电池管理系统的soc估算方法及相关装置 Active CN116643178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310927156.3A CN116643178B (zh) 2023-07-27 2023-07-27 一种电池管理系统的soc估算方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310927156.3A CN116643178B (zh) 2023-07-27 2023-07-27 一种电池管理系统的soc估算方法及相关装置

Publications (2)

Publication Number Publication Date
CN116643178A CN116643178A (zh) 2023-08-25
CN116643178B true CN116643178B (zh) 2023-09-22

Family

ID=87643775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310927156.3A Active CN116643178B (zh) 2023-07-27 2023-07-27 一种电池管理系统的soc估算方法及相关装置

Country Status (1)

Country Link
CN (1) CN116643178B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117368744B (zh) * 2023-12-07 2024-02-09 苏州普林新能源有限公司 一种户用储能电池在线评估方法
CN117543803B (zh) * 2024-01-10 2024-06-07 深圳深蕾科技股份有限公司 一种双电源在线式备电电路及其控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407007A (zh) * 2018-12-24 2019-03-01 广东省智能制造研究所 一种电池荷电状态检测方法及装置
CN109870654A (zh) * 2019-02-02 2019-06-11 福州大学 基于冲击负载响应特性的蓄电池容量在线动态估计方法
CN110914696A (zh) * 2017-07-31 2020-03-24 罗伯特·博世有限公司 用于在电池的操作期间估计电池开路池格电压、充电状态以及健康状态的方法和系统
CN114861413A (zh) * 2022-04-14 2022-08-05 哈尔滨理工大学 基于交互式多模型的锂离子电池全生命周期soc的估计方法及装置
CN115236535A (zh) * 2022-07-18 2022-10-25 湖北文理学院 电池soc预估方法、装置、设备及存储介质
CN115453376A (zh) * 2022-10-26 2022-12-09 国网浙江省电力有限公司宁波市北仑区供电公司 电动汽车动力电池的状态监控方法、系统及电动汽车
CN115754741A (zh) * 2022-12-07 2023-03-07 昆明理工大学 储能系统的soc估算方法及装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6456988B1 (en) * 1997-03-12 2002-09-24 U.S. Nanocorp Inc. Method for determining state-of-health using an intelligent system
DE10106508A1 (de) * 2001-02-13 2002-08-29 Bosch Gmbh Robert Verfahren und Anordnung zur Bestimmung der Leistungsfähigkeit einer Batterie
US20140244193A1 (en) * 2013-02-24 2014-08-28 Fairchild Semiconductor Corporation Battery state of charge tracking, equivalent circuit selection and benchmarking
WO2017104161A1 (ja) * 2015-12-16 2017-06-22 三菱電機株式会社 電力管理装置
KR102703823B1 (ko) * 2021-08-20 2024-09-04 포항공과대학교 산학협력단 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110914696A (zh) * 2017-07-31 2020-03-24 罗伯特·博世有限公司 用于在电池的操作期间估计电池开路池格电压、充电状态以及健康状态的方法和系统
CN109407007A (zh) * 2018-12-24 2019-03-01 广东省智能制造研究所 一种电池荷电状态检测方法及装置
CN109870654A (zh) * 2019-02-02 2019-06-11 福州大学 基于冲击负载响应特性的蓄电池容量在线动态估计方法
CN114861413A (zh) * 2022-04-14 2022-08-05 哈尔滨理工大学 基于交互式多模型的锂离子电池全生命周期soc的估计方法及装置
CN115236535A (zh) * 2022-07-18 2022-10-25 湖北文理学院 电池soc预估方法、装置、设备及存储介质
CN115453376A (zh) * 2022-10-26 2022-12-09 国网浙江省电力有限公司宁波市北仑区供电公司 电动汽车动力电池的状态监控方法、系统及电动汽车
CN115754741A (zh) * 2022-12-07 2023-03-07 昆明理工大学 储能系统的soc估算方法及装置、设备及存储介质

Also Published As

Publication number Publication date
CN116643178A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN116643178B (zh) 一种电池管理系统的soc估算方法及相关装置
CN112092675B (zh) 一种电池热失控预警方法、系统及服务器
US20230059529A1 (en) Characterization of Rechargeable Batteries Using Machine-Learned Algorithms
CN117543791B (zh) 电源的供电检测方法、装置、设备及存储介质
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
CN116660759B (zh) 基于bms电池管理系统的电池寿命预测方法及装置
CN117630672A (zh) 借助变换器模型预测诊断技术设备的设备电池的方法和设备
CN114462259B (zh) 基于soc的电池剩余寿命预测方法、系统、汽车及介质
US11938838B2 (en) Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine
US11733313B2 (en) Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods
CN117893059A (zh) 基于传感器的储能数据采集分析方法及系统
CN117991030B (zh) 一种换电柜健康状态检测方法及系统
CN116299001A (zh) 用于确定电池剩余使用寿命的方法和系统
CN115800433A (zh) 电池组一致性评估与等级评价方法及装置
CN118938019A (zh) 一种锂电池电量监测与低电量预警系统
CN116736166A (zh) 电池包的电芯异常检测方法、装置及电池包
CN118868326B (zh) 基于人工智能的大功率电池包充放电控制方法及系统
CN115932628A (zh) 运行预警系统以识别设备的电蓄能器的错误的方法和装置
CN118191622B (zh) 储能锂电池的状态监控方法、装置、设备及存储介质
CN118051852A (zh) 创建识别设备电池组的异常的异常识别模型的方法和装置
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN116893366A (zh) 用于运行系统以识别设备的电蓄能器的异常的方法和装置
CN111337764A (zh) 充电桩故障诊断系统、方法及存储介质
Sui et al. Early prediction of lithium-ion batteries lifetime via few-shot learning

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
GR01 Patent grant
GR01 Patent grant