一种电池SOC估计方法、设备及介质

本发明涉及电池管理系统领域，具体涉及一种电池soc估计方法、设备及介质。

背景技术：

1、电池的荷电状态(state of charge，soc)估计和电动汽车续驶里程预测是bms中最主要的两个功能。目前，soc的具体定义尚未统一，其中较为主流的定义方式为：soc为给定温度环境下电池剩余电量与额定电量的比值。作为电动汽车的重要运行参量之一，soc不仅反映了电池的当前剩余电量，同时也是预测电动汽车其他状态参量的基础，如电池的健康状态(state of health，soh)、电池能量状态(state of energy，soe)均可通过soc进行估算。

2、然而，由于电池soc不可直接测量的特性，只能通过电压、电流等电池相关参量进行评估，因此提升电池soc的估计精度是电动汽车领域的热门研究方向。

3、目前，由于电池的容量较低、充电桩部署不足以及行驶工况不定的影响驾驶员必须时刻注意剩余电量是否满足行驶需求，容易产生“里程焦虑”。因此，为驾驶员提供准确的电池soc以缓解“里程焦虑”，对于提高电动汽车的社会认可度、促进电动汽车的普及和发展，具有十分重要的意义。

技术实现思路

1、本发明的目的在于克服上述技术不足，提供一种电池soc估计方法、设备及介质，解决现有技术中电池soc预测精度不高的技术问题。

2、为达到上述技术目的，本发明采取了以下技术方案：

3、第一方面，本发明提供一种电池soc动态估计方法，包括如下步骤：

4、获取电池soc原始测试集以及原始训练集；

5、基于预先构建一级预测模型的k个子模型，通过k折交叉验证方法分别对所述电池soc的原始训练集和原始测试集进行测试，以获得所述原始训练集和原始测试集的预测结果后，基于所述原始训练集的预测结果生成新训练集；

6、分别基于所述原始测试集的预测结果以及所述原始训练集，计算出k个子模型的精度权重以及时间权重；

7、基于所述原始测试集的预测结果，将所述k个子模型的精度权重与所述k个子模型的时间权重进行拼接完成权重缩放融合后，将融合后的结果作为新测试集；

8、基于所述一级预测模型，构建二级预测模型，采用所述新训练集对所述二级预测模型进行训练，并在训练完毕后，将所述新测试集输入至训练完毕的二级预测模型中，以获得预测值后，基于所述预测值与测量值的误差进行时间权重调整，以确定最佳时间权重；

9、获取实际电池soc数据，将所述实际电池soc数据输入至所述一级预测模型中，以获得实际电池soc数据的预测结果，基于所述电池soc数据的预测结果以及所述最佳时间权重，确定所述二级预测模型的输入值后，将所述输入值输入至所述二级预测模型中，以获得实际电池soc预测值。

10、在其中一些实施例中，所述一级预测模型的k个子模型至少包括极限随机树、轻量级梯度提升机和孪生支持向量中的一种。

11、在其中一些实施例中，所述计算出k个子模型的精度权重，包括：

12、通过计算原始测试集的预测结果的平均绝对半分比误差值，以确定k个子模型的电池soc测试精度后，基于所述k个子模型的电池soc测试精度，计算出k个子模型的精度权重。

13、在其中一些实施例中，所述k个子模型的精度权重计算式为：

14、

15、其中，pu为第u个子模型的精度权重，mapeu为第u个子模型电池soc测试精度，k为一级预测模型的k个子模型，u表示第u个子模型。

16、在其中一些实施例中，所述k个子模型的时间权重计算式为：

17、

18、其中，pτu为第u个弱预测器的时间权重，τ表示权重距离的比例参数，即时间缩放因子。

19、在其中一些实施例中，所述基于所述预测值与测量值的误差进行时间权重调整，以确定最佳时间权重，包括:

20、步骤一：将所述二级预测模型的预测值与测量值进行比较，获得误差值后，基于所述误差值调整k个子模型的时间权重，以通过调整后的时间权重对所述新测试集进行更新；

21、步骤二：将更新后的新测试集输入至所述二级预测模型中，以获得新预测值；

22、步骤三：重复步骤一至步骤二，直至所述误差值不在降低时，将最终调整后的k个子模型的时间权重作为最佳时间权重。

23、在其中一些实施例中，所述电池soc预测值计算式为：

24、

25、其中，predictions为最终电池soc预测值，predictu为加权预测值。

26、在其中一些实施例中，所述基于所述一级预测模型，构建二级预测模型，包括：

27、确定一级预测模型的k个子模型中预测性能最好的子模型，以作为二级预测模型的预测器。

28、第二方面，本发明还提供一种电子设备，包括：处理器和存储器；

29、所述存储器上存储有可被所述处理器执行的计算机可读程序；

30、所述处理器执行所述计算机可读程序时实现如上所述的电池soc估计方法中的步骤。

31、第三方面，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的电池soc估计方法中的步骤。

32、与现有技术相比，本发明提供的电池soc估计方法、设备及介质，通过对子模型预测残差及构建时间等权重缩放因子进行综合评估，实现不同子模型的权重缩放，提高了stacking模型的鲁棒性。基于预测精度的权重缩放策略以及基于时间的权重缩放策略，通过调整时间缩放因子，完成权重缩放融合，提高了stacking模型的预测性能以及提高了电池soc估计精度。

技术特征：

1.一种电池soc估计方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的电池soc估计方法，其特征在于，所述一级预测模型的k个子模型至少包括极限随机树、轻量级梯度提升机和孪生支持向量中的一种。

3.根据权利要求1所述的电池soc估计方法，其特征在于，所述计算出k个子模型的精度权重，包括：

4.根据权利要求3所述的电池soc估计方法，其特征在于，所述k个子模型的精度权重计算式为：

5.根据权利要求1中的电池soc估计方法，其特征在于，所述k个子模型的时间权重计算式为：

6.根据权利要求1中的电池soc估计方法，其特征在于，所述基于所述预测值与测量值的误差进行时间权重调整，以确定最佳时间权重，包括:

7.根据权利要求1中的电池soc估计方法，其特征在于，所述电池soc预测值计算式为：

8.根据权利要求1中的电池soc估计方法，其特征在于，所述基于所述一级预测模型，构建二级预测模型，包括：

9.一种电子设备，其特征在于，包括：处理器和存储器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任意一项所述的电池soc估计方法中的步骤。

技术总结
本发明公开一种电池SOC估计方法、设备及介质，首先，对电池SOC相关数据集进行归一化处理，消除电池的电流和电压相关特征的量纲差异；接着将数据集划分为训练集和测试集，依次使用一级预测模型(ExrRa Trees、LightGBM、TSVR)通过K折交叉验证方法对电池SOC相关因素的内在规律进行初步预测，对一级预测模型的K个子模型的验证集和测试集预测结果使用权重缩放策略进行融合，作为新特征分别添加到新的训练集和测试集，作为二级预测模型的输入以得到最终预测结果，提高了电池SOC估计精度。

技术研发人员：石英,吴若鹏,胡琴,谢长君,孙宇峰
受保护的技术使用者：武汉理工大学
技术研发日：
技术公布日：2024/1/16