本發(fā)明涉及一種電池soc預(yù)測(cè)方法，特別是一種基于smoe模型和膨脹應(yīng)力特征的電池soc預(yù)測(cè)方法，屬于電池檢測(cè)。

背景技術(shù)：

1、電池soc（state?of?charge，荷電狀態(tài)）是描述電池剩余電量一個(gè)度量，它反映了電池當(dāng)前的實(shí)際電量狀態(tài)。soc對(duì)于電池管理系統(tǒng)（bms）非常重要，因?yàn)樗潜O(jiān)控和控制電池充放電過(guò)程的關(guān)鍵參數(shù)之一。以下是一些關(guān)于soc的重要應(yīng)用：1.?用戶界面顯示：在手機(jī)、電動(dòng)汽車（ev）和其他便攜式電子設(shè)備中，soc用于向用戶顯示剩余電量。2.?充電控制：電池充電系統(tǒng)使用soc來(lái)決定何時(shí)開(kāi)始和停止充電。3.?放電管理：電池放電時(shí)，soc幫助系統(tǒng)避免過(guò)度放電，這可能會(huì)損壞電池或減少其壽命。4.?電池健康監(jiān)測(cè)：長(zhǎng)期監(jiān)控soc有助于評(píng)估電池的健康狀況和老化程度。5.?續(xù)航估算：在電動(dòng)汽車中，soc結(jié)合其他因素（如駕駛習(xí)慣、路況等）用來(lái)估算剩余續(xù)航里程。

2、soc的準(zhǔn)確測(cè)量和估算對(duì)于電池的性能和壽命管理至關(guān)重要。由于電池的特性會(huì)隨時(shí)間、使用條件和環(huán)境因素變化，因此soc的測(cè)量通常需要復(fù)雜的算法和模型來(lái)確保準(zhǔn)確性。

3、bms運(yùn)行過(guò)程中，會(huì)因?yàn)楦鞣N原因發(fā)生故障或者錯(cuò)誤，導(dǎo)致bms停止運(yùn)行或產(chǎn)生明顯錯(cuò)誤的電池soc數(shù)據(jù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于smoe模型和膨脹應(yīng)力特征的電池soc預(yù)測(cè)方法，在bms故障或發(fā)生錯(cuò)誤時(shí)通過(guò)模型預(yù)測(cè)得到當(dāng)前電池soc數(shù)據(jù)。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明所采用的技術(shù)方案是：

3、一種基于smoe模型和膨脹應(yīng)力特征的電池soc預(yù)測(cè)方法，其特征在于包含以下步驟：

4、s1、測(cè)試并采集電池運(yùn)行數(shù)據(jù)和soc數(shù)據(jù)，電池運(yùn)行數(shù)據(jù)包含膨脹應(yīng)力、電流、電壓和溫度；

5、s2、構(gòu)建smoe模型，smoe模型包含多專家模型和門(mén)控網(wǎng)絡(luò)模型；

6、s3、訓(xùn)練和校驗(yàn)smoe模型；

7、s4、預(yù)測(cè)電池soc，在smoe模型訓(xùn)練完畢之后，在模型效果良好的前提下，部署模型并使用模型對(duì)電池的soc進(jìn)行預(yù)測(cè)。

8、進(jìn)一步地，所述步驟s1中電池運(yùn)行數(shù)據(jù)的采集具體為：

9、膨脹應(yīng)力采集，在電池內(nèi)部或外部安裝微型壓力傳感器采集膨脹應(yīng)力，將微型壓力傳感器的信號(hào)連接到數(shù)據(jù)記錄器上記錄膨脹應(yīng)力的實(shí)時(shí)數(shù)據(jù)；

10、電流采集，通過(guò)電流傳感器測(cè)量流過(guò)電池的電流，電流傳感器采用霍爾效應(yīng)傳感器或分流電阻器，將電流傳感器與數(shù)據(jù)采集系統(tǒng)連接并記錄電流數(shù)據(jù)；

11、電壓采集，采用高精度的電壓表或內(nèi)置在電池管理系統(tǒng)中的電壓測(cè)量電路來(lái)采集電池的端電壓，電壓數(shù)據(jù)通過(guò)數(shù)據(jù)采集系統(tǒng)進(jìn)行記錄；

12、溫度采集，采用溫度傳感器采集電池的溫度，溫度傳感器采用熱電偶、熱敏電阻或紅外傳感器，溫度傳感器與數(shù)據(jù)采集系統(tǒng)連接并記錄溫度數(shù)據(jù)。

13、進(jìn)一步地，所述步驟s1中soc數(shù)據(jù)采集具體為：soc由電池管理系統(tǒng)計(jì)算得出。

14、進(jìn)一步地，所述步驟s2中多專家模型包含三個(gè)專家子模型，每一個(gè)專家子模型均是多層感知機(jī)模型，每一個(gè)專家子模型包含專家子模型輸入層、專家子模型第一中間層、專家子模型第二中間層和專家子模型輸出層，專家子模型輸入層接收輸入的電池運(yùn)行數(shù)據(jù)，專家子模型第一中間層的維度為64，專家子模型第二中間層的維度為32，專家子模型輸出層輸出一個(gè)16維度的向量。

15、進(jìn)一步地，所述步驟s2中門(mén)控網(wǎng)絡(luò)模型采用多層感知機(jī)模型，門(mén)控網(wǎng)絡(luò)模型包含門(mén)控網(wǎng)絡(luò)模型輸入層、門(mén)控網(wǎng)絡(luò)模型中間層和門(mén)控網(wǎng)絡(luò)模型輸出層，門(mén)控網(wǎng)絡(luò)模型輸入層接收輸入的電池運(yùn)行數(shù)據(jù)，門(mén)控網(wǎng)絡(luò)模型中間層的維度為32維，激活函數(shù)為relu函數(shù)，門(mén)控網(wǎng)絡(luò)模型輸出層輸出一個(gè)3維的向量，激活函數(shù)為softmax，3維的向量分別對(duì)應(yīng)三個(gè)專家子模型的權(quán)重并且三個(gè)專家子模型的權(quán)重之和為1，使用gumbel-softmax算法對(duì)門(mén)控網(wǎng)絡(luò)的輸出進(jìn)一步進(jìn)行權(quán)重分配，實(shí)現(xiàn)專家子模型的稀疏激活。

16、進(jìn)一步地，所述使用gumbel-softmax算法對(duì)門(mén)控網(wǎng)絡(luò)的輸出進(jìn)一步進(jìn)行權(quán)重分配，實(shí)現(xiàn)專家子模型的稀疏激活具體為：

17、初始logits：假設(shè)我們有一個(gè)包含n個(gè)元素的logits向量z，這些logits代表了對(duì)每個(gè)專家子模型的預(yù)激活得分，即門(mén)控網(wǎng)絡(luò)模型輸出層的專家子模型的權(quán)重向量；

18、添加gumbel噪聲：對(duì)每個(gè)logits添加一個(gè)從gumbel(0,?1)分布中采樣的噪聲g：

19、z′=z+g

20、其中，g=?log(?log(u))，u是從均勻分布u(0,1)中采樣的向量，z是添加gumbel噪聲前的logits，z′是添加gumbel噪聲后的logits；

21、softmax映射：對(duì)添加了gumbel噪聲的logits即z′應(yīng)用softmax函數(shù)，得到一個(gè)概率分布π：

22、

23、其中，πi表示概率分布π中的第i個(gè)元素，即第i個(gè)類別的概率；z’i表示添加了gumbel噪聲后的logits向量的第i個(gè)元素；z’j表示添加了gumbel噪聲后的logits向量的第j個(gè)元素；τ是溫度參數(shù)，控制了softmax分布的尖銳程度；當(dāng)τ接近0時(shí)，分布變得非常尖銳，接近one-hot向量，當(dāng)τ接近無(wú)窮大時(shí)，分布接近均勻分布；

24、將門(mén)控網(wǎng)絡(luò)模型輸出層輸出的3維向量作為gumbel-softmax算法的輸入，gumbel-softmax算法通過(guò)添加gumbel噪聲和softmax映射，重新輸出一個(gè)3維向量作為專家子模型的權(quán)重；

25、然后將專家子模型權(quán)重與相對(duì)應(yīng)的專家子模型的輸出進(jìn)行加權(quán)求和，得到綜合特征表示；

26、之后，將綜合特征表示連接到一個(gè)全連接層；

27、最后，通過(guò)線性回歸層輸出電池soc。

28、進(jìn)一步地，所述步驟s3具體為，在keras平臺(tái)實(shí)現(xiàn)smoe模型代碼并訓(xùn)練，訓(xùn)練時(shí)訓(xùn)練次數(shù)epochs=1000，批次樣本數(shù)量batch_size=1024；模型訓(xùn)練的優(yōu)化器optimizer為adam算法，損失函數(shù)為均方誤差；訓(xùn)練數(shù)據(jù)按8:2的比例分成訓(xùn)練集合和測(cè)試集合，在訓(xùn)練集合上訓(xùn)練模型，在測(cè)試集合上校驗(yàn)?zāi)Ｐ汀?/p>

29、本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)和效果：

30、1、本發(fā)明通過(guò)smoe模型預(yù)測(cè)電池soc，提升了模型的表達(dá)能力和預(yù)測(cè)精度，提高了整體模型的魯棒性和泛化能力，減少了過(guò)擬合風(fēng)險(xiǎn)，可以在bms發(fā)生故障或錯(cuò)誤的情況下，通過(guò)軟件模型對(duì)電池soc進(jìn)行準(zhǔn)確的預(yù)測(cè)，以替代bms或多bms錯(cuò)誤數(shù)據(jù)進(jìn)行修正，保證電池soc數(shù)據(jù)的準(zhǔn)確性；

31、2、本發(fā)明增加膨脹應(yīng)力用于電池soc預(yù)測(cè)，膨脹應(yīng)力是電池內(nèi)部狀態(tài)的一個(gè)獨(dú)特指標(biāo)，反應(yīng)了電池在充放電過(guò)程中由于化學(xué)反應(yīng)引起的內(nèi)部壓力變化；利用這一特征可以提供關(guān)于電池狀態(tài)的新視角，這可能有助于更準(zhǔn)確地預(yù)測(cè)soc；膨脹應(yīng)力可以補(bǔ)充傳統(tǒng)的電流、電壓和溫度信號(hào)，提供更全面的電池狀態(tài)信息，從而提高soc預(yù)測(cè)的精度；膨脹應(yīng)力直接與電池內(nèi)部化學(xué)反應(yīng)相關(guān)，它可以揭示電池內(nèi)部狀態(tài)的變化，這有助于減少僅依賴外部測(cè)量參數(shù)的預(yù)測(cè)誤差；

32、3、本發(fā)明采用smoe模型，smoe模型允許不同的專家學(xué)習(xí)數(shù)據(jù)的特定方面，例如，某些專家可能專注于電流變化，而其他專家可能專注于電壓模式，這種多專家模型可以提高預(yù)測(cè)的準(zhǔn)確性；同時(shí)通過(guò)稀疏選擇機(jī)制，只激活部分專家網(wǎng)絡(luò)，顯著減少了計(jì)算量，提高了模型的訓(xùn)練和預(yù)測(cè)效率。