基于优化的tcn的锂电池soc实时估算方法、装置、电子设备及存储介质
技术领域
本发明涉及锂电池监测
技术领域
，具体涉及一种基于优化的TCN的锂电池SOC实时估算方法、装置、电子设备及存储介质。背景技术
随着国家发展战略的调整，新能源汽车将逐步替代燃油车，锂电池作为新能源汽车的动力源也发展起来。电池性能的提升成为电动汽车续航里程、安全性能、使用寿命和功率特性实现突破的关键。为了锂电池安全高效的工作，最关键的环节是电池管理系统技术。它可以实现锂电池参数的准确估测、动态监测以及电池单体间的均衡。但是由于电动汽车具有多工况、变负载、宽调速范围等特点，电动汽车动力电池在使用的过程中表现出高度的非线性，变流工作特性，使准确的估算锂电池的SoC具有很大的难度。
现有的锂电池SoC估算技术大体可以分为三类：1、基于电池特征参数的方法；2、基于电池模型的方案；3、基于数据驱动的方案。
但现有技术存在以下为题：1、基于电池特征参数的方法一个开环算法，由于不确定的干扰和变量例如：温度，电流等，会导致SoC的不确定性，并且计算的SoC值具有初始的SoC误差和累计的电流测量误差，因此对传感器的精度要求较高，并且使用该方法需要锂电池完全充放电和定期的容量校准，这样缩短了锂电池的使用寿命。2、基于模型的方法试图将各种因素整合到复杂的数学方程中，以估计锂电池的SoC，但无论是等效电路模型，电化学模型还是电化学阻抗模型都无法完全表征锂电池的特性；且很难用某一特定的模型涵盖所有的锂电池的使用状态，导致估算精度较低。3、基于数据驱动的方法建立的神经的网络不具有记忆功能，并且在训练的网络的时候需要大量的人工调参，导致训练过程过慢。
发明内容
有鉴于此，有必要提供一种基于优化的TCN的锂电池SOC实时估算方法、装置、电子设备及存储介质，用以解决现有技术中存在的锂电池SOC估算不准确以及训练过程过慢的技术问题。
为了解决上述技术问题，本发明提供了一种基于优化的TCN的锂电池SOC实时估算方法，包括：
获取锂离子电池数据，所述锂离子电池数据包括第一数据集和第二数据集；
构建第一初始锂电池SOC估算模型，所述第一初始锂电池SOC估算模型包括初始时间卷积网络参数；
基于遗传算法和所述第一数据集对所述第一初始锂电池SOC估算模型进行优化，获得第一过渡锂电池SOC估算模型，所述第一过渡锂电池SOC估算模型包括目标时间卷积网络参数；
构建第二初始锂电池SOC估算模型，采用迁移学习方法，将所述目标时间卷积网络参数转移至所述第二初始锂电池SOC估算模型，获得预训练锂电池SOC估算模型；
通过所述第二数据集对所述预训练锂电池SOC估算模型进行训练，获得目标锂电池SOC估算模型，并通过所述目标锂电池SOC估算模型对锂电池SOC进行估算。
在一种可能的实现方式中，所述目标时间卷积网络参数包括残差块的个数、输入步长以及膨胀因子。
在一种可能的实现方式中，所述第一数据集携带实测值；所述基于遗传算法和第一数据集对所述第一初始锂电池SOC估算模型进行优化包括：
设置初始化种群、交叉率、变异率及最大迭代次数，并对初始时间卷积网络参数进行实数编码；
将所述第一数据集输入至所述第一初始锂电池SOC估算模型中，获得预测值；
设计适应度函数，并根据所述适应度函数、所述实测值和所述预测值计算种群的适应度值；
判断所述初始化种群的适应度值是否满足要求，若满足，则当前的所述初始时间卷积网络参数为所述目标时间卷积网络参数；
若不满足，则保留最优个体，并对所述最优个体中的个体进行选择、交叉、变异操作，生成新种群及过渡时间卷积网络参数，直至选择、交叉、变异操作的次数大于所述最大迭代次数，则适应度值最小的过渡时间卷积网络参数为所述目标时间卷积网络参数。
在一种可能的实现方式中，所述适应度函数为：
式中，F为加上系数后的个体的适应度值；n为所述第一数据集中的数据个数；为实测值；SoCi为预测值；k为系数；abs为绝对值函数。
在一种可能的实现方式中，所述选择操作的选择方式为轮盘赌选择，选择概率为：
fi＝m/F
式中，Pi为选择概率；N为种群个体数；m为权重；fi为第i个个体的适应度值；fj为第j个个体的适应度值。
在一种可能的实现方式中，所述交叉操作为：
式中，akj为第k个个体的第j位；alj为第l个个体的第j位；b为0到1之间的随机数。
在一种可能的实现方式中，所述变异操作为：
f(g)＝r2(1-g/Gmax)2
式中，amax和amin分别为aij的上阈值和下阈值；r2为随机数；g为迭代次数；Gmax为最大迭代次数；&r为0到1之间的随机数。
本发明还提供一种基于优化的TCN的锂电池SOC实时估算装置，所述基于优化的TCN的锂电池SOC实时估算装置包括：
数据获取单元，用于获取锂离子电池数据，所述锂离子电池数据包括第一数据集和第二数据集；
第一初始模型构建单元，用于构建第一初始锂电池SOC估算模型，所述第一初始锂电池SOC估算模型包括初始时间卷积网络参数；
优化单元，用于基于遗传算法和所述第一数据集对所述第一初始锂电池SOC估算模型进行优化，获得第一过渡锂电池SOC估算模型，所述第一过渡锂电池SOC估算模型包括目标时间卷积网络参数；
第二初始模型构建单元，用于构建第二初始锂电池SOC估算模型，采用迁移学习方法，将所述目标时间卷积网络参数转移至所述第二初始锂电池SOC估算模型，获得预训练锂电池SOC估算模型；
估算单元，用于通过所述第二数据集对所述预训练锂电池SOC估算模型进行训练，获得目标锂电池SOC估算模型，并通过所述目标锂电池SOC估算模型对锂电池SOC进行估算。
本发明还提供了一种电子设备，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任一种实现方式中的所述基于优化的TCN的锂电池SOC实时估算方法中的步骤。
本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述任一种实现方式中的所述基于优化的TCN的锂电池SOC实时估算方法中的步骤。
采用上述实施例的有益效果是：本发明提供的基于优化的TCN的锂电池SOC实时估算方法，通过遗传算法对第一初始锂电池SOC估算模型进行优化，大大降低了调节参数的时间，同时也提高的估算的准确度；并且，在通过遗传算法获得第一过渡锂电池SOC估算模型后，通过迁移学习获得目标锂电池SOC估算模型对锂电池SOC进行估算，大大减少了构建目标锂电池SOC估算模型所需的样本数据的个数，进而进一步提高训练过程的速度，并且，通过迁移学习还可对不同锂电池的SOC进行估算，提高了基于优化的TCN的锂电池SOC实时估算方法的适用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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。
图1为本发明实施例提供的基于优化的TCN的锂电池SOC实时估算方法的一个实施例流程示意图；
图2为本发明实施例提供的第一初始锂电池SOC估算模型和第二初始锂电池SOC估算模型的一个实施例结构示意图；
图3为本发明实施例中S103的一个实施例流程示意图；
图4为本发明实施例提供的基于优化的TCN的锂电池SOC实时估算装置的一个实施例结构示意图；
图5为本发明实施例提供的电子设备的一个实施例结构示意图。
具体实施方式
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，所描述的实施例仅仅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，本领域技术人员在没有做出创造性劳动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。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
其中，SOC(State of Charge)为荷电状态，用来反映电池的剩余容量，其数值上定义为剩余容量占电池容量的比值，常用百分数表示。其取值范围为0～1，当SOC＝0时表示电池放电完全，当SOC＝1时表示电池完全充满。
本发明提供了一种基于优化的TCN的锂电池SOC实时估算方法、装置、电子设备及存储介质，以下分别进行说明。
如图1所示，为本发明实施例提供的基于优化的TCN的锂电池SOC实时估算方法的一个实施例流程示意图，该方法包括：
S101、获取锂离子电池数据，锂离子电池数据包括第一数据集和第二数据集；
S102、构建第一初始锂电池SOC估算模型，第一初始锂电池SOC估算模型包括初始时间卷积网络参数；
S103、基于遗传算法和第一数据集对第一初始锂电池SOC估算模型进行优化，获得第一过渡锂电池SOC估算模型，第一过渡锂电池SOC估算模型包括目标时间卷积网络参数；
S104、构建第二初始锂电池SOC估算模型，采用迁移学习方法，将目标时间卷积网络参数转移至第二初始锂电池SOC估算模型，获得预训练锂电池SOC估算模型；
S105、通过第二数据集对预训练锂电池SOC估算模型进行训练，获得目标锂电池SOC估算模型，并通过目标锂电池SOC估算模型对锂电池SOC进行估算。
与现有技术相比，本发明实施例提供的基于优化的TCN的锂电池SOC实时估算方法，通过遗传算法对第一初始锂电池SOC估算模型进行优化，大大降低了调节参数的时间，同时也提高的估算的准确度；并且，在通过遗传算法获得第一过渡锂电池SOC估算模型后，通过迁移学习获得目标锂电池SOC估算模型对锂电池SOC进行估算，大大减少了构建目标锂电池SOC估算模型所需的样本数据的个数，进而进一步提高训练过程的速度，并且，通过迁移学习还可对不同锂电池的SOC进行估算，提高了基于优化的TCN的锂电池SOC实时估算方法的适用性。
具体地，S101中获取锂离子电池数据的方式可以为：收集网络上公开的实验数据或设计实验，搭建实验平台，通过实验获取锂电池数据。
在本发明的一些实施例中，第一数据集为收集的网络上公开的实验数据；第二数据集为通过搭建实验平台获得实验数据。
进一步地，为了使第一数据集和第二数据集的数据格式统一，便于后续训练，在本发明的一些实施例中，在S102或S103之前还需要对第一数据集和第二数据集进行预处理，具体为：去除第一数据集和第二数据集中明显不符合实际的样本数据，将去除明显不符合实际的样本数据后的第一数据集和第二数据集进行归一化处理。
其中，第一数据集和第二数据集中的样本数据均为时间序列数据，当将第一数据集或第二数据集输入模型中进行训练时，第一数据集和第二数据集的输入格式包括：样本数、输入步长以及特征量。
进一步地，第一初始锂电池SOC估算模型和第二初始锂电池SOC估算模型的模型结构相同，均为时间卷积网络模型(TCN)，具体地，第一初始锂电池SOC估算模型和第二初始锂电池SOC估算模型由因果卷积、膨胀卷积和多个残差块组成。
具体地，目标时间卷积网络参数包括残差块的个数、输入步长以及膨胀因子。通过对上述参数进行优化，即可获得第一过渡锂电池SOC估算模型。
其中，膨胀因子和残差块的个数决定TCN的感受野。在本发明的一些实施例中，如图2所示，第一初始锂电池SOC估算模型和第二初始锂电池SOC估算模型均包括2个残差块，由下至上，每个残差块进行了三次膨胀，膨胀因子依次为2、3和5。
进一步地，第一数据集携带实测值；如图3所示，S103包括：
S301、设置初始化种群、交叉率、变异率及最大迭代次数，并对初始时间卷积网络参数进行实数编码；
S302、将第一数据集输入至第一初始锂电池SOC估算模型中，获得预测值；
S303、设计适应度函数，并根据适应度函数、实测值和预测值计算种群的适应度值；
S304、判断初始化种群的适应度值是否满足要求，若满足，则当前的初始时间卷积网络参数为目标时间卷积网络参数；
S305、若不满足，则保留最优个体，并对最优个体中的个体进行选择、交叉、变异操作，生成新种群及过渡时间卷积网络参数，直至选择、交叉、变异操作的次数大于最大迭代次数，则适应度值最小的过渡时间卷积网络参数为目标时间卷积网络参数。
通过上述设置，可获得满足适应度值或适应度值最小的目标时间卷积网络参数，从而实现对第一初始锂电池SOC估算模型的优化。且通过遗传算法调参，相比于现有技术，无需人工参与，且调参速度较快。
具体地，适应度函数为：
式中，F为加上系数后的个体的适应度值；n为第一数据集中的数据个数；为实测值；SoCi为预测值；k为系数；abs为绝对值函数。
具体地，选择操作的选择方式为轮盘赌选择，选择概率为：
fi＝m/F
式中，Pi为选择概率；N为种群个体数；m为权重；fi为第i个个体的适应度值；fj为第j个个体的适应度值。
其中，轮盘赌选择是一种回放式随机采样方法，依据概率对个体进行选择进入下一代，每一个个体进入下一代的概率为其适应度值与所有个体适应度值的比值。
具体地，交叉操作为：
式中，akj为第k个个体的第j位；alj为第l个个体的第j位；b为0到1之间的随机数。
上述表达式的含义为：随机选择两个个体，随机选择同一位置进行交叉。
具体地，变异操作为：
f(g)＝r2(1-g/Cmax)2
式中，amax和amin分别为aij的上阈值和下阈值；r2为随机数；g为迭代次数；Gmax为最大迭代次数；&r为0到1之间的随机数。
进一步地，为了保证第一过渡锂电池SOC估算模型的准确性，在本发明的一些实施例中，第一数据集包括第一训练集和第一测试集，使用第一训练集和遗传算法对第一初始锂电池SOC估算模型进行优化，并使用第一测试集对第一过渡锂电池SOC估算模型估算的准确性进行验证。
同样地，第二数据集也包括第二训练集和第二测试集，S105中，通过第二训练集对预训练锂电池SOC估算模型进行训练，通过第二测试集对目标锂电池SOC估算模型进行验证。
通过上述设置，可提高目标锂电池SOC估算模型对SOC估算的准确性。
需要说明的是：在通过第一训练集对第一初始锂电池SCO估算模型进行优化或通过第二训练集对预训练锂电池SOC估算模型进行训练过程中，可通过判断评价函数判断第一初始锂电池SCO估算模型和预训练锂电池SOC估算模型是否训练完毕。具体地，评价函数为平均绝对误差(MAE)，具体公式在此不做赘述。
为了更好实施本发明实施例中的基于优化的TCN的锂电池SOC实时估算方法，在基于优化的TCN的锂电池SOC实时估算方法基础之上，对应的，如图4所示，本发明实施例还提供了一种基于优化的TCN的锂电池SOC实时估算装置400，包括：
数据获取单元401，用于获取锂离子电池数据，锂离子电池数据包括第一数据集和第二数据集；
第一初始模型构建单元402，用于构建第一初始锂电池SOC估算模型，第一初始锂电池SOC估算模型包括初始时间卷积网络参数；
优化单元403，用于基于遗传算法和第一数据集对第一初始锂电池SOC估算模型进行优化，获得第一过渡锂电池SOC估算模型，第一过渡锂电池SOC估算模型包括目标时间卷积网络参数；
第二初始模型构建单元404，用于构建第二初始锂电池SOC估算模型，采用迁移学习方法，将目标时间卷积网络参数转移至第二初始锂电池SOC估算模型，获得预训练锂电池SOC估算模型；
估算单元405，用于通过第二数据集对预训练锂电池SOC估算模型进行训练，获得目标锂电池SOC估算模型，并通过目标锂电池SOC估算模型对锂电池SOC进行估算。
这里需要说明的是：上述实施例提供的基于优化的TCN的锂电池SOC实时估算装置400可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
图5示出了本发明实施例提供的电子设备的结构示意图。如图5所示，所述电子设备500包括存储器501和处理器502。其中，存储器501可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器501可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
所述存储器501，用于存储程序；
所述处理器502，与所述存储器501耦合，用于执行所述存储器501中存储的所述程序，以用于：
获取锂离子电池数据，锂离子电池数据包括第一数据集和第二数据集；
构建第一初始锂电池SOC估算模型，第一初始锂电池SOC估算模型包括初始时间卷积网络参数；
基于遗传算法和第一数据集对第一初始锂电池SOC估算模型进行优化，获得第一过渡锂电池SOC估算模型，第一过渡锂电池SOC估算模型包括目标时间卷积网络参数；
构建第二初始锂电池SOC估算模型，采用迁移学习方法，将目标时间卷积网络参数转移至第二初始锂电池SOC估算模型，获得预训练锂电池SOC估算模型；
通过第二数据集对预训练锂电池SOC估算模型进行训练，获得目标锂电池SOC估算模型，并通过目标锂电池SOC估算模型对锂电池SOC进行估算。
应当理解的是：处理器502在执行存储器201中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备500的类型不做具体限定，电子设备500可以为手机、平板电脑、个人数字助理(personal digitalassistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载iOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备500也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述各方法实施例提供的方法步骤或功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的基于优化的TCN的锂电池SOC实时估算方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：一种动力锂电池的剩余电量估计方法
