一种电动汽车锂电池荷电状态在线估计方法及系统

1.本发明实施例涉及电池监测技术领域，特别涉及一种电动汽车锂电池荷电状态在线估计方法、系统、电子设备及存储介质。


背景技术：

2.近年来，电动汽车因其在技术、环保和节能方面的巨大优势而受到广泛关注。锂电池作为电动汽车的动力源，因其具有能量密度高、电压高和寿命长等优势而得到广泛应用。锂电池的荷电状态（即soc，state of charge）反映了电池的剩余容量，是重要的评价指标之一。准确而稳定地进行荷电状态估计（也称荷电状态预测），对于延长电池使用寿命和保证电动汽车的安全驾驶非常重要。然而，由于温度、未知噪声和不确定异常值等因素的影响，对锂电池进行准确地荷电状态估计通常是困难的。目前，受限于车载bms算力等因素，锂电池荷电状态估计往往难以兼顾精度和实时性，不利于对电池及电动汽车的安全监测。


技术实现要素：

3.基于现有技术难以兼顾锂电池荷电状态估计的精度和实时性的问题，本发明实施例提供了一种车云协同的电动汽车锂电池荷电状态在线估计方法、系统、电子设备及存储介质，能够实现快速且高精度的电动汽车锂电池soc估计。
4.第一方面，本发明实施例提供了一种电动汽车锂电池荷电状态在线估计方法，包括：获取电动汽车当前时刻的电池数据，包括锂电池的电流、电压和温度；将当前时刻的所述电池数据上传至云端电池监控平台，以利用所述云端电池监控平台实现：基于当前时刻及历史时刻的所述电池数据，通过存储的云端估计模型进行soc估计，得到下一时刻的第一soc估计值，并传回；基于当前时刻的电流，通过车端估计模型进行soc估计，得到下一时刻的第二soc估计值；其中，所述车端估计模型采用安时积分法构建；以得到的所述第一soc估计值为测量值、所述第二soc估计值为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池soc估计值。
5.可选地，所述云端估计模型为训练后的深度学习模型。
6.可选地，所述深度学习模型为cnn模型、rnn模型、lstm模型或gru模型。
7.可选地，所述深度学习模型为1d-cnn模型；所述1d-cnn模型中网络隐藏层的每一层均包括bn层，以进行归一化处理，所述1d-cnn模型中采用的梯度下降计算方法为适应性矩估计方法。
8.可选地，所述深度学习模型是通过如下方式进行训练的：分别获取电动汽车至少两种工况下多个不同时刻的电池数据及相应的锂电池soc，上传至所述云端电池监控平台，以利用所述云端电池监控平台实现：构建深度学习模型；
对获取到的数据进行预处理；基于预处理后的数据，得到训练样本集和测试样本集；其中，所述训练样本集包括其中一种工况下多个不同时刻的电池数据及相应的锂电池soc，所述测试样本集包括其余工况下多个不同时刻的电池数据及相应的锂电池soc；基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，至该深度学习模型收敛。
9.可选地，所述对获取到的数据进行预处理，包括：对各电池数据及相应的锂电池soc进行去异常数据清洗和固定间隔采样。
10.可选地，所述通过车端估计模型进行soc估计，采用如下表达式：设当前时刻为k时刻，表示k+1时刻的第二soc估计值，表示k时刻的第二soc估计值，表示k时刻的电流，表示锂电池的额定容量，表示k+1时刻和k时刻之间的时间间隔。
11.第二方面，本发明实施例还提供了一种电动汽车锂电池荷电状态在线估计系统，包括：车载计算装置和云端电池监控平台；其中，所述车载计算装置包括：获取模块，用于获取电动汽车当前时刻的电池数据，包括锂电池的电流、电压和温度；上传模块，用于将当前时刻的所述电池数据上传至云端电池监控平台，以调用所述云端电池监控平台进行soc估计，获得下一时刻的第一soc估计值；估计模块，用于基于当前时刻的电流，通过车端估计模型进行soc估计，得到下一时刻的第二soc估计值；融合模块，用于以得到的所述第一soc估计值为测量值、所述第二soc估计值为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池soc估计值；所述云端电池监控平台用于响应所述上传模块的调用，基于当前时刻及历史时刻的所述电池数据，通过存储的云端估计模型进行soc估计，得到下一时刻的第一soc估计值，并传回至所述上传模块。
12.第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的电动汽车锂电池荷电状态在线估计方法。
13.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的电动汽车锂电池荷电状态在线估计方法。
14.本发明提供了一种电动汽车锂电池荷电状态在线估计方法、系统、电子设备及存储介质，本发明基于电动汽车当前时刻的电池数据，通过云端计算获得下一时刻的第一soc估计值，通过车端计算获得下一时刻的第二soc估计值，再通过卡尔曼滤波器进行融合，最
终得到下一时刻的锂电池soc估计值；本发明采用了车云协同的方式，将车端计算与云端计算两种不同方式获得的锂电池荷电状态估计结果进行结合，以减少使用单一方法进行荷电状态估计造成的依赖性与局限性问题，抗干扰能力更强，并且，车端无需独自承担使用多种方法进行估计的计算压力，云端可以进行更复杂、更精准的计算，有效提高计算精度的同时，计算速度较快，能够满足实时性的要求。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1是本发明一实施例提供的一种电动汽车锂电池荷电状态在线估计方法流程图；图2是本发明一实施例提供的一种电子设备的硬件架构图；图3是本发明一实施例提供的一种车载计算装置结构图。
具体实施方式
17.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.如前所述，由于温度、未知噪声和不确定异常值等因素的影响，对锂电池进行准确地荷电状态估计通常是困难的。现有技术对于锂电池进行荷电状态估计，主要分为安时积分法、开路电压法、基于模型的方法和数据驱动方法。安时积分法的缺点是作为一种开环方法，其估计结果容易受到初始soc偏移和累计误差的影响。开路电压法的缺点是开路电压和soc的对应关系会受到温度和电池老化的影响，进而导致显著的估计误差，在校准开路电压和soc的关系时，需要将电池静置很长时间，只适用于在实验室等特定环境中应用。基于模型的方法的缺点是建立精准的电池模型通常比较复杂，同时会导致计算量增加。数据驱动方法的缺点是估计精度高度依赖于数据质量，在复杂工况下估计误差大，复杂的网络参数和巨大的计算成本会导致其难以用于车辆。目前，受限于车载bms算力等因素，使用单一方法进行锂电池荷电状态估计通常会导致估计精度受限，而采用高精度的方法进行估计又会导致实时性差，难以满足锂电池及电动汽车安全监测需求。有鉴于此，本发明提供了一种车云协同在线估计电池soc的方法，以实现快速以及高精度的soc估计。
19.下面描述以上构思的具体实现方式。
20.请参考图1，本发明实施例提供了一种电动汽车锂电池荷电状态在线估计方法，该方法包括：步骤100，获取电动汽车当前时刻的电池数据，包括锂电池的电流、电压和温度；步骤102，将当前时刻的所述电池数据上传至云端电池监控平台，以利用所述云端电池监控平台实现：
基于当前时刻及历史时刻的所述电池数据，通过存储的云端估计模型进行soc估计，得到下一时刻的第一soc估计值，并传回所述第一soc估计值；步骤104，基于当前时刻的电流，通过车端估计模型进行soc估计，得到下一时刻的第二soc估计值；其中，所述车端估计模型采用安时积分法构建；步骤106，以得到的所述第一soc估计值为测量值、所述第二soc估计值为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池soc估计值。
21.本发明实施例利用车端估计模型实现车端计算，对电动汽车的锂电池进行soc估计，利用云端电池监控平台进行云端计算，在云端通过存储的云端估计模型对电动汽车的锂电池进行soc估计，最终使用卡尔曼滤波技术，将车端计算的soc估计结果视为观测值、云端计算的soc估计结果视为测量值，融合计算得出最优估计，作为下一时刻的锂电池soc估计值。本发明采用了车云协同的方式，将车端计算与云端计算两种不同方式获得的锂电池荷电状态估计结果进行结合，以减少使用单一方法进行荷电状态估计造成的依赖性与局限性问题，抗干扰能力更强，并且，由于利用了云端计算结果，车端无需独自承担使用多种方法进行估计的计算压力，云端可以进行更复杂、更精准的计算，有效提高计算精度的同时，计算速度较快，能够满足实时性的要求。
22.可选地，针对步骤100，电动汽车当前时刻的电池数据可来自于车载电池管理系统（bms）采集。
23.可选地，针对步骤102，所述云端估计模型为训练后的深度学习模型。
24.深度学习模型结构复杂且计算消耗大，但所得的soc估计值精度较高。云端计算采用深度学习模型，可使得最终融合得到的估计结果更为精准。
25.进一步地，所述深度学习模型可采用cnn模型、rnn模型、lstm模型或gru模型，更优选为cnn模型中的一维卷积神经网络模型，即1d-cnn模型。
26.上述深度学习模型可以实现较为准确的估计结果。考虑到锂电池soc估计属于时间序列问题，采用cnn模型训练速度更快，同时卷积操作可避免递归模型（如lstm模型）的缺陷，如梯度消失、梯度爆炸和缺乏内存保留等，因此优选采用1d-cnn模型，1d-cnn模型通过一维内核（也称时间卷积）将卷积运算应用在时间轴上，进而解决时间序列问题，1d-cnn模型的网络由多个时间卷积单元堆叠在一起构建。
27.进一步地，所述深度学习模型为1d-cnn模型，该1d-cnn模型中网络隐藏层的每一层均包括bn（batch normalization，批归一化）层，以便进行归一化处理，该1d-cnn模型中采用的梯度下降计算方法为适应性矩估计方法。
28.上述实施例中，所述1d-cnn模型通过批量归一化技术使得每一层神经网络的输入保持相同分布，进而加速收敛、防止梯度消失和梯度爆炸以及在一定程度上抑制过拟合；在模型训练过程中，适应性矩估计方法（即adam方法）可通过梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，同时引入偏差纠正，使每一次迭代学习率都有确定范围，从而使参数平稳，进而显著提高收敛速度和准确性，通过适应性矩估计方法可引入学习率的更新以及引入偏差纠正。
29.进一步地，所述1d-cnn模型包括依次连接的输入层、四个时间卷积单元、池化层以及输出层，其中，每个时间卷积单元均由依次连接的卷积层、bn层和mish层组成，四个时间卷积单元的核的宽度分别为7、5、3和1，核的数量分别为16、32、16和1，卷积层的激活函数为
mish函数，输出层的激活函数为relu函数。
30.可选地，所述深度学习模型是通过如下方式进行训练的：分别获取电动汽车至少两种工况下多个不同时刻的电池数据及相应的锂电池soc，上传至所述云端电池监控平台，以利用所述云端电池监控平台实现：构建深度学习模型；对获取到的数据进行预处理；基于预处理后的数据，得到训练样本集和测试样本集；其中，所述训练样本集包括其中一种工况下多个不同时刻的电池数据及相应的锂电池soc，所述测试样本集包括其余工况下多个不同时刻的电池数据及相应的锂电池soc；基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，至该深度学习模型收敛。
31.采用上述实施例可以对云端电池监控平台中的深度学习模型进行训练，用于训练的数据，即，电动汽车多个不同时刻的电池数据及相应的锂电池soc，可以来自于车载电池管理系统采集、厂家提供以及公开数据集等多种途径，但至少应包括两种工况下的电池数据及相应的锂电池soc，其中每种工况均对应有多个不同时刻的数据，以便使得训练后的深度学习模型具备泛化性，能适用于各种复杂工况。以a123 18650磷酸铁锂电池为例，用于训练的数据可包括三个工况，三个工况分别为动态应力测试、us06驾驶计划以及联邦城市驾驶计划，选取其中的动态应力测试工况所对应的多个不同时刻数据构成训练样本集，其余工况，即us06驾驶计划以及联邦城市驾驶计划工况所对应的多个不同时刻数据构成测试样本集，可增加深度学习模型的网络的泛化性。
32.进一步地，所述对获取到的数据进行预处理，包括：对各个不同时刻的电池数据及相应的锂电池soc进行去异常数据清洗和固定间隔采样。
33.上述实施例中，通过去异常数据清洗，能够筛除明显异常的数据，固定间隔采样，则有利于减少采集数据带来的噪声，解决了在实际应用中车载bms采集数据异常和波动所导致的估计精度下降、稳定性差等问题。
34.进一步地，所述基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，包括：基于得到的所述训练样本集，构建输入矩阵；基于所述输入矩阵，通过令预设的滑动窗口在时间维度上按照预设的步长在所述输入矩阵中移动，获取输入数据；基于所述输入数据，对该深度学习模型进行训练；基于所述测试样本集，对该深度学习模型进行测试。
35.上述实施例将数据构建成输入矩阵，由一定大小的滑动窗口在时间维度上按一定的步长在输入矩阵中移动来获取预设格式的输入数据，从而实现局部连接和权值共享，进而提高模型训练效率。可以理解地，所述深度学习模型在进行估计时的输入数据应与训练时的输入数据保持对应的格式。
36.可选地，针对步骤104，所述通过车端估计模型进行soc估计，采用如下表达式：
其中，k时刻为当前时刻，表示k+1时刻（即下一时刻）的第二soc估计值，表示k时刻的第二soc估计值，表示k时刻的电流，表示锂电池的额定容量，表示k+1时刻和k时刻之间的时间间隔。
37.采用上述实施例，可通过将电流对时间积分结合初始soc来获得电池的soc估计，即第二soc估计值，车端计算采用安时积分法，模型结构简单，计算消耗较小、速度快，能够提高估计的实时性。
38.针对步骤106，将车端计算的第二soc估计值视为观测值、云端计算的第一soc估计值视为测量值进行卡尔曼滤波，实现车云协同，能够获得较为准确的估计结果。卡尔曼滤波器融合车端与云端计算结果，解决了单一方法进行锂电池荷电状态估计导致结果精度偏低的问题，同时不对车端造成更多的计算压力，以便快速获得估计结果，兼顾精度与实时性。
39.可选地，该电动汽车锂电池荷电状态在线估计方法还包括：输出下一时刻的锂电池soc估计值。
40.本发明实施例还提供了一种电动汽车锂电池荷电状态在线估计系统，该系统包括：车载计算装置和云端电池监控平台；其中，所述车载计算装置包括获取模块301、上传模块302、估计模块303和融合模块304；所述获取模块301用于获取电动汽车当前时刻的电池数据，包括锂电池的电流、电压和温度；所述上传模块302用于将当前时刻的所述电池数据上传至云端电池监控平台，以调用所述云端电池监控平台进行soc估计，获得下一时刻的第一soc估计值；所述估计模块303用于基于当前时刻的电流，通过车端估计模型进行soc估计，得到下一时刻的第二soc估计值；所述融合模块304用于以得到的所述第一soc估计值为测量值、所述第二soc估计值为观测值，通过卡尔曼滤波器进行融合，得到下一时刻的锂电池soc估计值；所述云端电池监控平台存储有云端估计模型，所述云端电池监控平台用于响应所述上传模块302的调用，基于当前时刻及历史时刻的所述电池数据，通过存储的云端估计模型进行soc估计，得到下一时刻的第一soc估计值，并传回所述第一soc估计值至所述上传模块302。
41.如图2、图3所示，本发明实施例提供了一种车载计算装置。该装置可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种车载计算装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的cpu将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
42.在本发明实施例中，获取模块301可用于执行上述方法实施例中的步骤100，上传模块302可用于执行上述方法实施例中的步骤102，估计模块303可用于执行上述方法实施
例中的步骤104，融合模块304可用于执行上述方法实施例中的步骤106。
43.可以理解的是，本发明实施例示意的结构并不构成对车载计算装置的具体限定。在本发明的另一些实施例中，车载计算装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
44.上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
45.可选地，所述的电动汽车锂电池荷电状态在线估计系统中，所述云端电池监控平台存储的云端估计模型为训练后的深度学习模型。所述深度学习模型可采用cnn模型、rnn模型、lstm模型或gru模型，更优选为1d-cnn模型。
46.进一步地，所述深度学习模型是通过如下方式进行训练的：构建深度学习模型；获取电动汽车至少两种工况下多个不同时刻的电池数据及相应的锂电池soc，并进行预处理；基于预处理后的数据，得到训练样本集和测试样本集；其中，所述训练样本集包括其中一种工况下多个不同时刻的电池数据及相应的锂电池soc，所述测试样本集包括其余工况下多个不同时刻的电池数据及相应的锂电池soc；基于得到的所述训练样本集和所述测试样本集，对构建的深度学习模型进行训练，至该深度学习模型收敛。
47.上述实施例中的深度学习模型训练过程优选在所述云端电池监控平台完成，所述云端电池监控平台算力更强，通过车云协同，可减轻车端计算量。
48.本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种电动汽车锂电池荷电状态在线估计方法。
49.本发明实施例还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上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种电动汽车锂电池荷电状态在线估计方法。
50.具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或cpu或mpu）读出并执行存储在存储介质中的程序代码。
51.在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
52.用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw）、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
53.此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
54.此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板
中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
55.综上所述，本发明提出了一种电动汽车锂电池荷电状态在线估计方法、系统、电子设备及存储介质，通过车云协同的方式，在云端布置结构复杂、计算消耗大而计算精度高的云端估计模型，在车端布置结构简单、计算消耗小但计算精度偏低的车端估计模型，分别获得云端计算结果（即第一soc估计值）和车端计算结果（即第二soc估计值）后，通过卡尔曼滤波器进行融合，进而得到更精确的估计结果，从而实现车云协同在线估计电池soc，解决了实际应用中使用单一方法估计会导致估计精度受限而使用高精度模型会导致实时性差的问题。
56.需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
57.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质中。
58.最后应说明的是：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。