一种SOE估计方法、系统及计算机可读介质与流程

一种soe估计方法、系统及计算机可读介质
技术领域
1.本发明涉及一种应用于电动汽车的soe估计方法、系统及计算机可读介质。


背景技术：

2.近年来，随着不可再生能源的紧缺以及温室效应加剧带来环境气候异常现象频发，国内外对于碳排放的后果越来越重视并且一直采取措施来减少谈的排放量。传统的燃油汽车燃烧一次能源的同时会向大气中排放大量的二氧化碳增加温室效应，而新能源汽车得益于其零排放的优点，其技术研发和产业发展受到越来越多的重视，让很多人担心的是新能源汽车的能量供应是否像燃油汽车一样充分，以及随着行驶里程的累积带来的电池老化等。因此对于电动汽车的能量状态的研究有重要的实际意义。
3.首先，电动汽车的状态参数有很多，通常用来作为衡量电池电量的参数为荷电状态soc(state of charge)，通过荷电状态与能量状态计算式的对比，发现用能量的比值能量状态来衡量充电电量比用电荷的比值荷电状态作为衡量指标更为贴切电池“电量”。因此，对于能量状态soe(stete of energy)的估计对于反应电池电量状态十分重要。
4.其次，目前，对于电动汽车动力电池组能量状态soe的研究多是从放电角度对单一型号电池估计能量状态来衡量剩余使用电量的，对市场上各类各异的动力电池组缺乏泛化性能。
5.最后，电池的初始能量状态不能直接从bms中获取，为了解决初始能量问题，查阅大量资料找的soe计算方法。而且，通过初步计算发现，在充电时soe在soc之前到达100％，因此在以soe
100％
到以soc
100％
的时间间隔内电池可能处于过充状态。进而加速电池老化甚至诱发热失控等事故。


技术实现要素：

6.为解决现有技术中存在的问题，本发明提供了一种soe估计方法、系统及计算机可读介质。
7.一种soe估计方法，所述方法包括：
8.数据获取步骤：用于根据历史数据获取电池组能量状态相关数据，及soe数据；
9.模型建立步骤：用于根据所述能量状态相关数据及soe数据建立关系模型；
10.soe估计步骤：用于将实时采集的报文数据输入至所述关系模型，获得soe估计值。
11.优选的，所述数据获取步骤具体包括：
12.步骤1，从数据库里筛选出所需的历史报文数据；
13.步骤2，从所述历史报文数据中获取电池组组能量状态相关数据，所述电池组能量状态相关数据包括最大储存能量、soe和soc；
14.步骤3，根据soc和soe的相关关系计算起始能量状态soe(t0)。
15.优选的，所述模型建立步骤包括：
16.步骤4，根据所述能量状态相关数据获取影响soe的特征参数；
17.步骤5，通过集成学习方法建立所述特征参数与能量状态soe的关系模型；
18.步骤6：利用采集的能量状态soe与所述关系模型提供的预测值进行比对，以判断所述关系模型的误差，以根据所述误差进行所述关系模型的校准。
19.优选的，所述soe估计步骤包括：
20.步骤7，实时采集报文数据，获取所述报文数据中电池组能量状态相关数据，从能量状态相关数据中获取所述影响soe的特征参数；
21.步骤8，将所述影响soe的特征参数输入所述关系模型，以执行soe估计过程，获得soe估计值。
22.优选的，所述估计方法还包括：
23.充电控制步骤：用于判断所述soe估计值是否满足能力阈值条件，如果是则停止充电。
24.本发明还提供了一种soe估计系统，所述系统包括：
25.数据获取模块：用于根据历史数据获取电池组能量状态相关数据，及soe数据；
26.模型建立模块：用于根据所述能量状态相关数据及soe数据建立关系模型；
27.soe估计模块：用于将实时采集的报文数据输入至所述关系模型，获得soe估计值。
28.优选的，所述数据获取模块具体用于：
29.从数据库里筛选出所需的历史报文数据；
30.从所述历史报文数据中获取电池组组能量状态相关数据，所述电池组能量状态相关数据包括最大储存能量、soe和soc；
31.根据soc和soe的相关关系计算起始能量状态soe(t0)。
32.优选的，所述模型建立模块具体用于：
33.根据所述能量状态相关数据获取影响soe的特征参数；
34.通过集成学习方法建立所述特征参数与能量状态soe的关系模型；
35.利用采集的能量状态soe与所述关系模型提供的预测值进行比对，以判断所述关系模型的误差，以根据所述误差进行所述关系模型的校准。
36.优选的，所述soe估计模块具体用于：
37.实时采集报文数据，获取所述报文数据中电池组能量状态相关数据，从能量状态相关数据中获取所述影响soe的特征参数；
38.将所述影响soe的特征参数输入所述关系模型，以执行soe估计过程，获得soe估计值。
39.本发明还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述的方法。
40.本发明的有益效果是，本发明提供了一种soe估计方法，所述方法包括：数据获取步骤：用于根据历史数据获取电池组能量状态相关数据，及soe数据；模型建立步骤：用于根据所述能量状态相关数据及soe数据建立关系模型；soe估计步骤：用于将实时采集的报文数据输入至所述关系模型，获得soe估计值。更具体的，本发明通过相关性分析获取soe相关的特征参数，采用集成学习的方法建立模型，通过实时数据进行模型校验，不仅提高了特征参数的准确性，还提高了模型的准确性，能够提供准确的soe估计值，及时的控制充电的停止，以减缓电池老化速率。
附图说明
41.下面结合附图和实施例对本发明进一步说明。
42.图1是本发明的优选实施例的方法流程图；
43.图2是本发明的基于集成学习的电动汽车soe估计方法的流程图；
44.图3是本发明的优选实施例的结构示意图。
具体实施方式
45.现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
46.为解决上述问题，本发明采用集成学习方法，利用多个弱学习器结合的泛化优势来估计各类各异电动汽车动力电池组的能量状态soe。并根据soe到达100％的估计结果来及时停止充电，以减缓电池老化速率。
47.依据目前对soe估算思路，本发明提供了一种基于集成学习的电动汽车soe估计方法，即：通过elm算法训练数据生成多个泛化能力强且差异较大的弱学习器，后将多个弱学习器通过一定的集成策略进行结合，提高soe的估计精度。
48.本发明提供了一种应用于电动汽车的soe估计方法，如图1-2所示，所述方法包括：
49.数据获取步骤：用于根据历史数据获取电池组能量状态相关数据，及soe数据；
50.模型建立步骤：用于根据所述能量状态相关数据及soe数据建立关系模型；
51.soe估计步骤：用于将实时采集的报文数据输入至所述关系模型，获得soe估计值。
52.优选的，所述数据获取步骤具体包括：
53.步骤1，从数据库里筛选出所需的历史报文数据；从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据。从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据；其中，充电桩会在充电过程中获得新能源汽车产生的符合国标《gbt 27930-2015电动汽车非车载传导式充电机与电池管理系统之间的通信协议》的实时通讯报文；充电桩会根据公司与充电桩企业签订的协议来筛选部分通讯报文发送到公司的云平台中，并存入数据库，数据库中的报文均为历史报文数据。
54.步骤2，从所述历史报文数据中获取电池组组能量状态相关数据，所述电池组能量状态相关数据包括最大储存能量、soe和soc；取出历史报文中电动汽车动力电池组能量状态相关的数据，包括最大储存能量、当前时刻soe或电量、电流、电压、温度和soc等。
55.步骤3，根据soc和soe的相关关系计算起始能量状态soe(t0)。获取起始soe,根据电压电流及起始soe来计算历史数据中soe的变化情况。
56.具体包括：获取起始soe，其中，公司平台无法直接通过《gbt 27930-2015电动汽车非车载传导式充电机与电池管理系统之间的通信协议》来得到电动汽车的能量状态soe，因此，通过soc与soe相关关系来计算起始能量状态。计算公式如下：
57.soe(t0)＝0.0006
×
(soc(t0))2+0.944954
×
soc(t0)-0.42693
58.其中，soc(t0)为电动汽车动力电池组起始荷电状态，soe(t0)为电动汽车动力电池组起始能量，t0为起始时刻；依据步骤3中计算出来的电动汽车动力电池组起始能量soe(t0)，以及电池的端电压值u和电池的时刻电流值i可以得出历史数据中的soe(t)，即：确定soe的表达式如下所示：
[0059][0060]
其中，e为电池在不同温度下的标准能量，如可以为额定电量，或是标称电量，或是当前的实际测量值。具体的测量方法对本领域技术人员而言是显而易见的，在此不再赘述。
[0061]
根据上述电池的特性确定soe的状态变量表达式，一般而言，方程带入到计算机里面计算时，都采用方程的离散形式，即：
[0062][0063]
其中i
t
、u
t
为t时刻的电流、电压。
[0064]
优选的，所述模型建立步骤包括：
[0065]
步骤4，根据所述能量状态相关数据获取影响soe的特征参数；通过上述方式进行参数相关性分析，将成千上万组的充电报文数据进行可视化，其中充电报文数据包括大量电池组能量状态数据包，能量状态数据包中包含的电量、电压、电流、温度、荷电状态、健康状态等值作为与能量状态soe相关联，将上述的各个值作为帕累托图横坐标，帕累托图纵坐标为各个值占能量状态数据的比值，确定占比百分之八十的曲线位置，在帕累托图中，不同类别的数据依据其频率降序排列，从而直观的得出特征参数对能量状态的影响程度，进一步得出影响soe的特征参数。通过上述方式能够提高特征参数获取的准确性。
[0066]
步骤5，通过集成学习方法建立所述特征参数与能量状态soe的关系模型；通过步骤4中的参数相关性分析，得出了各个关键性特征参数，由于各个关键参数利用elm算法单个进行训练对soe估计，效果表现达不到理想效果，但是运用集成学习方法能更有效地对soe进行估计。通过生成多个弱学习器或模型，各自独立地学习和预测，最后将各个预测最后结合成整体预测，进而优于任何一个单回归的预测。针对大数据集，划分成多个小数据集，学习多个模型进行组合，针对小数据集，利用bootstrap方法进行抽样，得到多个数据集，分别训练多个模型再进行组合。
[0067]
通过集成学习方法建立充电历史报文数据中的特征参量与能量状态soe的关系模型；采用集成学习的方法是因为集成学习能够结合多个弱学习器的学习效果，达到对soe的准确估计。通常弱学习器的产生一般通过训练集产生、通过对输入特征处理产生、通过对训练数据集和算法随机扰动产生。
[0068]
本发明采用极限学习机训练数据生成弱学习器，极限学习机由输入层，隐含层和输出层三部分组成，相比于其他神经网络，极限学习机只对需隐含层神经元数目进行设置，隐含层神经元数目可以通过粒子群算法进行寻优，其余参数依据数据量以及误差进行调整。弱学习器通过极限学习机进行训练得出，关于弱学习器的选择上，可以通过串行的方式对前一次训练过程中出现差异较大的样本训练生成具有多样性的弱学习器；首先设定弱学习器的个数记为5个，后续依据需求进行增减。训练弱学习器的输入数据为电流、电压和soc，输出数据为soe；用于训练的数据来源于尽可能多的车型和用户，使得训练之后的elm具备较强通用性。
[0069]
步骤6：利用采集的能量状态soe与所述关系模型提供的预测值进行比对，以判断所述关系模型的误差，以根据所述误差进行所述关系模型的校准。
[0070]
对比电网平台实际能量与模型预测值来判断模型的误差是否满足要求；各个弱学习器训练好后，将其训练结果进行集成并应用于在线充电汽车的动力电池组能量状态soe的预测，具体预测过程如下：在用户完成一次较长充电后，将此次充电报文放入训练好的集成学习模型中去，预测其能量状态soe变化，并更新用户个人soe变化档案，用于下次能量状态参考。
[0071]
具体包括：对比电网平台实际电量与模型预测值来判断模型的误差是否满足要求；其中，把取出来的特征数据进行归一化处理，使所有输入数据的值域在[0,1],归一化的公式为：
[0072][0073]
其中，xi为第i个数据集归一化后的值，a
min
为第i个数据集中最小值，a
max
为第i个数据集中最大值；将电流、电压和soc归一化后的数据集合并成矩阵x，归一化后的soe数据集记为矩阵y，理想的集成学习模型的弱学习器h
t
将在整体样本分布到下使分类误差最小化。
[0074]
理想弱学习器如下：
[0075][0076]
其中，h
t
为理想弱学习器，d
t
表示弱学习器h
t
实际使用的训练样本集，弱分类器的权重δ
t
更新应使得l
exp
指数损失函数最小化。权重δ
t
更新公为：
[0077][0078]
其中其中∈
t
为误差率。指数损失函数为：
[0079][0080]
训练样本更新公式如下：
[0081][0082]
其中d
t+1
(x)为更新后的样本分布，h
t-1
(x)为训练好的弱学习器，h
t
(x)是在h
t-1
(x)之后训练好的弱学习器，理想的h
t
能纠正h
t-1
(x)的全部错误。在弱学习器的结合策略上选取学习功能强大的stacking(次级学习器)。stacking从初始数据集训练出弱学习器后会“生成”一个新的数据集用于训练次级学习器，集学习器的输出作为样例输入特征；集成学习模型训练好之后，将应用于电动汽车的能量状态soe估计。
[0083]
或者也可以利用以下算法进行集成，即：
[0084]
令x＝{(x1,y1),(x2,y2),
…
,(x
n-1
,y
n-1
),(xn,yn)}，i＝1,2,
…
,n表示训练样本集，w
t
表示第t个弱学习器训练集样本权重，在初始化时，表示第t个弱学习器训练集样本权重，在初始化时，在其算法中，弱学习器h
t
的权值α
t
和其误差率ε
t
相关。算法的具体计算过程如下：对于第t个弱学习器，计算在训练集上的最大误差：
[0085][0086]
式中h
t
(xi)表示第t个弱学习器下第i个训练样本集的预测结果值。
[0087]
接下来计算每个样本的相对误差：
[0088][0089]
其中i＝1,2,
…
,n。
[0090]
依据相对误差计算误差率：
[0091][0092]
当ε
t
大于一半时，则终止迭代t＝t-1。
[0093]
权值α
t
的计算：
[0094][0095]
权值w
t
的更新计算为：
[0096][0097]
其中，为归一化因子。
[0098]
最后将每个弱学习器的值基于α
t
进行加权线性组合，最后输出：
[0099][0100]
接下来运用到实际过程中，在用户完成一次较长充电后，将此次充电报文放入训练好的集成学习模型中去，预测其能量状态soe变化，并更新用户个人soe变化档案，用于下次能量状态参考。
[0101]
优选的，所述soe估计步骤包括：
[0102]
步骤7，实时采集报文数据，获取所述报文数据中电池组能量状态相关数据，从能量状态相关数据中获取所述影响soe的特征参数；即采集实时报文数据，取出实时报文的中的电流、电压、soc、充电电量和动力蓄电池标称总能量，同时将充电电量用于进行误差计算。
[0103]
步骤8，将所述影响soe的特征参数输入所述关系模型，以执行soe估计过程，获得soe估计值。将训练好的集成学习模型运用到正在充电的电动汽车能量状态soe的估计过程，估计实时soe。
[0104]
优选的，所述估计方法还包括：
[0105]
充电控制步骤：用于判断所述soe估计值是否满足能力阈值条件，如果是则停止充电。
[0106]
判断正在充电的新能源汽车的能量状态soe是否上升至100％，满足上述条件后立
即停止充电。由于能量状态的计算式设定了充电电量不能超过动力蓄电池标称总能量，因此，可以将阈值设置为100％；当满足设定的条件时，立即停止充电。
[0107]
经过步骤7至9的在线过程，其中在线程序启动时间是充电桩与电动汽车握手成功之后并且产生第一条充电报文开始。
[0108]
本发明提供了一种基于集成学习的电动汽车soe估计方法，能够对充电过程中soe的变化过程做到实时的精确估计，并且，在充电电量方面，用soe作为衡量电量的标准或更为准确，能够有效区分电池的能量状态，特别是在电池即将充满电的阶段，电池的能量状态在电池的荷电状态之前达到100％，在两者分别到达最大值的时间差中动力电池组可能处于过充状态。而且，考虑到电池过充可能会加快电池老化速率甚至引发冒烟起火等热数控事故，利用集成学习通过历史报文中的数据对电池的能量状态进行实时的估计。
[0109]
基于相关的构思，本发明还提供了一种应用于电动汽车的soe估计系统，基于上述系统实现上述的方法，所述系统包括：
[0110]
数据获取模块：用于根据历史数据获取电池组能量状态相关数据，及soe数据；
[0111]
模型建立模块：用于根据所述能量状态相关数据及soe数据建立关系模型；
[0112]
soe估计模块：用于将实时采集的报文数据输入至所述关系模型，获得soe估计值。
[0113]
优选的，所述数据获取模块具体用于：
[0114]
从数据库里筛选出所需的历史报文数据；
[0115]
从所述历史报文数据中获取电池组组能量状态相关数据，所述电池组能量状态相关数据包括最大储存能量、soe和soc；
[0116]
根据soc和soe的相关关系计算起始能量状态soe(t0)。
[0117]
优选的，所述模型建立模块具体用于：
[0118]
根据所述能量状态相关数据获取影响soe的特征参数；
[0119]
通过集成学习方法建立所述特征参数与能量状态soe的关系模型；
[0120]
利用采集的能量状态soe与所述关系模型提供的预测值进行比对，以判断所述关系模型的误差，以根据所述误差进行所述关系模型的校准。
[0121]
优选的，所述soe估计模块具体用于：
[0122]
实时采集报文数据，获取所述报文数据中电池组能量状态相关数据，从能量状态相关数据中获取所述影响soe的特征参数；
[0123]
将所述影响soe的特征参数输入所述关系模型，以执行soe估计过程，获得soe估计值。
[0124]
优选的，所述估计系统还包括：
[0125]
充电控制模块：用于判断所述soe估计值是否满足能力阈值条件，如果是则停止充电。
[0126]
本发明提供了一种基于集成学习的电动汽车soe估计方法，能够对充电过程中soe的变化过程做到实时的精确估计，并且，在充电电量方面，用soe作为衡量电量的标准或更为准确，能够有效区分电池的能量状态，特别是在电池即将充满电的阶段，电池的能量状态在电池的荷电状态之前达到100％，在两者分别到达最大值的时间差中动力电池组可能处于过充状态。而且，考虑到电池过充可能会加快电池老化速率甚至引发冒烟起火等热数控事故，利用集成学习通过历史报文中的数据对电池的能量状态进行实时的估计。
[0127]
本发明还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述的方法。
[0128]
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，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0129]
所述功能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(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0130]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。