电化学储能电池荷电状态估算方法、装置及系统

1.一种电化学储能电池荷电状态估算方法，其特征在于，所述方法应用于电池端，所述方法包括：获取储能电池系统的实时运行参数以及设定时间内的荷电状态SOC标定数据，所述SOC标定数据为储能电池系统在设定时间内的充电过程中的运行数据以及对应的连续SOC实际值；分别根据预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数，得到本地SOC估算值；将所述SOC标定数据、所述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值实时上传云端服务器，以便所述云端服务器利用所述SOC标定数据对所述本地SOC估算值进行样本的分类，根据所述SOC标定数据、所述实时运行参数以及对应的所述本地SOC估算值和初始神经网络模型，得到电池端神经网络模型；接收所述云端服务器下发的所述电池端神经网络模型，并利用所述电池端神经网络模型替换所述预设的神经网络模型；分别根据所述电池端神经网络模型以及所述常规SOC估算方法，利用当前的实时运行参数，得到当前SOC估算值，并将所述当前的实时运行参数以及对应的所述当前SOC估算值上传所述云端服务器，以便利用更新后的电池端神经网络模型替换所述电池端神经网络模型；当接收到SOC获取指令时，获取所述储能电池系统的当前运行参数；根据当前的电池端神经网络模型，利用所述当前运行参数，得到所述储能电池系统的当前SOC值。 2.根据权利要求1所述的电化学储能电池荷电状态估算方法，其特征在于，当所述预设的神经网络模型为空时，所述本地SOC估算值为根据所述常规SOC估算方法与所述实时运行参数得到。 3.根据权利要求1所述的电化学储能电池荷电状态估算方法，其特征在于，所述常规SOC估算方法包括：安时积分法、开路电压法或卡尔曼滤波法。 4.一种电化学储能电池荷电状态估算方法，其特征在于，所述方法应用于云端服务器，所述方法包括：获取储能电池系统的荷电状态SOC标定数据、实时运行参数以及所述实时运行参数对应的本地SOC估算值，所述SOC标定数据为储能电池系统在设定时间内的充电过程中的运行数据以及对应的连续SOC实际值；根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集；利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型；将进行模型压缩后的所述待定神经网络模型确定为电池端神经网络模型，并将所述电池端神经网络模型下发至电池端，且将其作为下一个SOC估算值训练集的训练模型；其中，所述根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集包括：根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间；将处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的正样本；将没有处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的负样本；由所述SOC估算值的正样本与所述SOC估算值的负样本构成所述实时运行参数对应的SOC估算值训练集；其中，所述利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型包括：利用所述SOC估算值训练集训练初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型；利用测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，所述测试集包括所述SOC标定数据以及对应的运行参数；判断所述测试误差是否小于预设误差；当所述测试误差小于所述预设误差时，将所述训练后的初始神经网络模型确定为所述待定神经网络模型。 5.根据权利要求4所述的电化学储能电池荷电状态估算方法，其特征在于，所述方法还包括：当所述测试误差大于或等于所述预设误差时，重新获取所述储能电池系统的当前的实时运行参数以及对应的当前SOC估算值；根据所述SOC标定数据、预设置信度以及所述当前SOC估算值，得到所述当前的实时运行参数对应的当前SOC估算值训练集；利用所述当前SOC估算值训练集重新训练所述初始神经网络模型，直到所述测试集对训练后的初始神经网络模型进行测试的测试误差小于所述预设误差，得到所述待定神经网络模型。 6.根据权利要求4所述的电化学储能电池荷电状态估算方法，其特征在于，所述预设误差通过下述方式获得：利用所述测试集对所述初始神经网络模型进行测试，得到的误差为所述预设误差。 7.一种电化学储能电池荷电状态估算装置，其特征在于，所述装置应用于电池端，所述装置包括：获取单元，用于获取储能电池系统的实时运行参数以及设定时间内的荷电状态SOC标定数据，所述SOC标定数据为储能电池系统在设定时间内的充电过程中的运行数据以及对应的连续SOC实际值；估算单元，用于分别根据预设的神经网络模型以及常规SOC估算方法，利用所述实时运行参数，得到本地SOC估算值；上传单元，用于将所述SOC标定数据、所述实时运行参数以及所述实时运行参数对应的所述本地SOC估算值实时上传云端服务器，以便所述云端服务器利用所述SOC标定数据对所述本地SOC估算值进行样本的分类，根据所述SOC标定数据、所述实时运行参数以及对应的所述本地SOC估算值和初始神经网络模型，得到电池端神经网络模型；接收单元，用于接收所述云端服务器下发的所述电池端神经网络模型；替换单元，用于利用所述电池端神经网络模型替换所述预设的神经网络模型；所述估算单元还用于，分别根据所述电池端神经网络模型以及所述常规SOC估算方法，利用当前的实时运行参数，得到当前SOC估算值；所述上传单元还用于，将所述当前的实时运行参数以及对应的所述当前SOC估算值上传所述云端服务器，以便所述替换单元利用更新后的电池端神经网络模型替换所述电池端神经网络模型；所述接收单元还用于，接收SOC获取指令；所述获取单元还用于，当所述接收单元接收到SOC获取指令时，获取所述储能电池系统的当前运行参数；所述估算单元还用于，根据当前的电池端神经网络模型，利用所述当前运行参数，得到所述储能电池系统的当前SOC值。 8.根据权利要求7所述的电化学储能电池荷电状态估算装置，其特征在于，当所述预设的神经网络模型为空时，所述本地SOC估算值为根据所述常规SOC估算方法与所述实时运行参数得到。 9.根据权利要求7所述的电化学储能电池荷电状态估算装置，其特征在于，所述常规SOC估算方法包括：安时积分法、开路电压法或卡尔曼滤波法。 10.一种电化学储能电池荷电状态估算装置，其特征在于，所述装置应用于云端服务器，所述装置包括：获取单元，用于获取储能电池系统的荷电状态SOC标定数据、实时运行参数以及所述实时运行参数对应的本地SOC估算值，所述SOC标定数据为储能电池系统在设定时间内的充电过程中的运行数据以及对应的连续SOC实际值；训练集确定单元，用于根据所述SOC标定数据、预设置信度以及所述本地SOC估算值，得到所述实时运行参数对应的SOC估算值训练集；模型训练单元，用于利用所述SOC估算值训练集训练初始神经网络模型，直到测试集对训练后的初始神经网络模型进行测试的测试误差小于预设误差，得到待定神经网络模型；模型确定单元，用于将进行模型压缩后的所述待定神经网络模型确定为电池端神经网络模型；下发单元，用于将所述电池端神经网络模型下发至电池端；处理单元，用于将所述电池端神经网络模型作为下一个SOC估算值训练集的训练模型；所述训练集确定单元还用于，根据所述SOC标定数据与所述预设置信度，确定SOC值的置信区间；将处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的正样本；将没有处于所述置信区间内的所述本地SOC估算值，确定为SOC估算值的负样本；由所述SOC估算值的正样本与所述SOC估算值的负样本构成所述实时运行参数对应的SOC估算值训练集；所述模型训练单元还用于，利用所述SOC估算值训练集训练初始神经网络模型，直到所述初始神经网络模型的损失函数稳定时，得到训练后的初始神经网络模型；利用测试集对所述训练后的初始神经网络模型进行测试，得到测试误差，所述测试集包括所述SOC标定数据以及对应的运行参数；判断所述测试误差是否小于预设误差；当所述测试误差小于所述预设误差时，将所述训练后的初始神经网络模型确定为所述待定神经网络模型。 11.根据权利要求10所述的电化学储能电池荷电状态估算装置，其特征在于，所述获取单元还用于，当所述测试误差大于或等于所述预设误差时，重新获取所述储能电池系统的当前的实时运行参数以及对应的当前SOC估算值；所述训练集确定单元还用于，根据所述SOC标定数据、预设置信度以及所述当前SOC估算值，得到所述当前的实时运行参数对应的当前SOC估算值训练集；所述模型训练单元还用于，利用所述当前SOC估算值训练集重新训练所述初始神经网络模型，直到所述测试集对训练后的初始神经网络模型进行测试的测试误差小于所述预设误差，得到所述待定神经网络模型。 12.根据权利要求10所述的电化学储能电池荷电状态估算装置，其特征在于，所述预设误差通过下述方式获得：利用所述测试集对所述初始神经网络模型进行测试，得到的误差为所述预设误差。 13.一种电化学储能电池荷电状态估算系统，其特征在于，所述系统包括电池端和云端服务器，所述电池端包括权利要求7-9任一项所述的电化学储能电池荷电状态估算装置，所述云端服务器包括权利要求10-12任一项所述的电化学储能电池荷电状态估算装置。 14.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述权利要求1-3任一项所述的电化学储能电池荷电状态估算方法，和/或权利要求4-6任一项所述的电化学储能电池荷电状态估算方法。