一种电池电量智能监测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115061050A(43)申请公布日2022.09.16(21)申请号202210997226.8(22)申请日2022.08.19(71)申请人南通博鎏机电科技有限公司地址226000江苏省南通市启东市北新镇建西村(72)发明人陈肖磊张仙梅(51)Int.Cl.G01R31/382(2019.01)G01R31/3842(2019.01)G01R31/367(2019.01)权利要求书2页说明书9页附图2页(54)发明名称一种电池电量智能监测方法(57)摘要本发明涉及人工智能技术领域，具体涉及一种电池电量智能监测方法。该方法首先获取电池的实时电流、实时温度和实时湿度输入智能监测网络得到对应的拟合电压和拟合电池荷电状态；智能监测网络的损失函数为均方差损失函数和电池荷电状态差的均方差损失函数之和；电池荷电状态差为拟合电池荷电状态和估算电池荷电状态的差值；估算电池荷电状态由电池等效电路模型得到；获取智能监测网络中各神经元的剔除倾向；基于剔除倾向，剔除智能监测网络中的部分神经元，更新智能监测网络。本发明将获取到的电池的工作特性数据输入到智能监测网络中得到拟合电池荷电状态，考虑了电池荷电状态的滞回特性，达到了对电池荷电状态估算更准确的目的。CN115061050ACN115061050A权利要求书1/2页1.一种电池电量智能监测方法，其特征在于，该方法包括以下步骤：获取电池的实时电流、实时温度、实时湿度和实时电压；将所述实时电流、所述实时温度和所述实时湿度输入智能监测网络得到对应的拟合电压和拟合电池荷电状态；所述智能监测网络的损失函数为均方差损失函数和电池荷电状态差的均方差损失函数之和；所述电池荷电状态差为拟合电池荷电状态和估算电池荷电状态的差值；所述估算电池荷电状态由电流、温度、湿度和电压构建的电池等效电路模型得到；获取所述智能监测网络中各神经元的激活值序列；根据电池荷电状态差的均方差损失函数构建第一损失序列；根据所述电池荷电状态差得到监督分布规律程度；计算各所述激活值序列和所述第一损失序列的偏相关系数；所述偏相关系数和所述监督分布规律程度加权求和得到神经元的剔除倾向；基于所述剔除倾向，剔除所述智能监测网络中的部分神经元，更新智能监测网络。2.根据权利要求1所述的一种电池电量智能监测方法，其特征在于，所述智能监测网络的损失函数，包括：由各时刻的电流、温度、湿度、电压和估算电池荷电状态构建初始数据集，对所述初始数据集进行排序得到初始数据时间序列；将所述初始数据时间序列分段，得到多个第一数据时间序列；获取各所述第一数据时间序列中最后一个时刻作为代表时刻；所述智能监测网络的损失函数为：其中，为所述智能监测网络的损失函数；为初始数据时间序列中第一数据时间序列的数量；为代表时刻为的第一数据时间序列中时刻之前的第个时刻对应的电池的拟合电压；为代表时刻为的第一数据时间序列中时刻之前的第个时刻对应的电池的实时电压；为代表时刻为的第一数据时间序列中时刻之前的第个时刻对应的估算电池荷电状态；为代表时刻为的拟合电池荷电状态；为代表时刻为时的第一数据时间序列的长度；为第一数据时间序列中除代表时刻外的长度。3.根据权利要求2所述的一种电池电量智能监测方法，其特征在于，所述根据所述电池荷电状态差得到监督分布规律程度，包括：所述监督分布规律程度的计算公式为：其中，为所述监督分布规律程度；为初始数据时间序列中第一数据时间序列的数量；为代表时刻为的拟合电池荷电状态；为代表时刻为的第一数据时间序列中时刻之前的第个时刻对应的估算电池荷电状态；为第一数据时间序列中除代表时刻外的长度。4.根据权利要求1所述的一种电池电量智能监测方法，其特征在于，所述偏相关系数和2CN115061050A权利要求书2/2页所述监督分布规律程度加权求和得到神经元的剔除倾向，包括：所述剔除倾向的计算公式为：其中，为第个神经元的剔除倾向；为网络训练结束时刻；为网络训练开始时刻；为时刻的监督分布规律程度；为第个神经元的偏相关系数。5.根据权利要求1所述的一种电池电量智能监测方法，其特征在于，所述基于所述剔除倾向，剔除所述智能监测网络中的部分神经元为：将所述剔除倾向大于预设剔除阈值的神经元进行剔除。6.根据权利要求2所述的一种电池电量智能监测方法，其特征在于，所述电池荷电状态差的均方差损失函数，包括：所述电池荷电状态差的均方差损失函数为：其中，为所述电池荷电状态差的均方差损失函数；为初始数据时间序列中第一数据时间序列的数量；为代表时刻为的第一数据时间序列中时刻之前的第个时刻对应的估算电池荷电状态；为代表时刻为的拟合电池荷电状态；为代表时刻为时的第一数据时间序列的长度；为第一数据时间序列中除代表时刻外的长度。3CN115061050A说明