(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111319575.6 (22)申请日 2021.11.09 (71)申请人 杭州市电力设计院有限公司余杭分 公司 地址 311199 浙江省杭州市余杭区南苑街 道世纪大道168号1单 元1503-1506室 申请人 国网浙江省电力有限公司杭州市余 杭区供电公司 　 国网浙江省电力有限公司杭州供电 公司 (72)发明人 吴金荣　喻晓庆　俞洲彬　王德君　 王华明　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 姚莹丽(51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G01R 31/367(2019.01) G01R 31/387(2019.01) G01R 31/396(2019.01) G06F 119/04(2020.01) G06F 119/06(2020.01) (54)发明名称 储能锂电池SOC估算方法、 装置、 设备及存储 介质 (57)摘要 本发明公开了一种储能锂电池SOC估算方 法， 包括： 采集获得待测锂电池的温度数据和电 压数据； 基于温度数据和电压数据以及神经网络 模型， 识别获得待测锂电池的SOC值， 其中神经网 络模型为预先通过DBN神经网络训练获得的表征 锂电池的SOC值和锂电池温度以及电压之间对应 关系的模型。 本申请中在对锂电池的SOC进行估 算时， 以锂电池的温度数据和电压数据作为参照 依据， 利用DBN神经网络训练获得的神经网络模 型实现对SOC值的估算， 从而在一定程度上提升 对锂电池的SOC值估算的准确性， 有利于锂电池 的合理使用提升使用寿命。 本申请还提供了一种 储能锂电池SOC估算装置、 设备以及计算机可读 存储介质， 具有上述有益效果。 权利要求书2页 说明书7页 附图1页 CN 114021462 A 2022.02.08 CN 114021462 A 1.一种储能锂电池SOC估算方法， 其特 征在于， 包括： 获得待测锂电池的温度数据和电压数据； 基于所述温度数据和所述电压数据 以及神经网络模型， 识别获得所述待测锂电池的 SOC值， 其中所述神经网络模型为预先通过DBN神经网络训练获得的表征锂电池的SOC值和 锂电池温度以及电压之间对应关系的模型。 2.如权利要求1所述的储能锂电池SOC估算方法， 其特征在于， 采集获得待测锂电池的 温度数据和电压数据， 包括： 获得所述待测锂电池距离当前时刻预设时间段内对应的多个时间点采集的所述温度 数据和所述电压数据； 相应的， 基于所述温度数据和所述电压数据以及神经网络模型， 识别获得所述待测锂 电池的SOC值， 包括： 对每个时间点对应的所述温度 数据和所述电压数据分别通过所述神经网络模型识别， 获得各个时间点对应的初始SOC值； 将各个所述初始SOC值进行扩展卡尔曼滤波运算， 获得滤波后的各个SOC值， 并以当前 时刻对应的SOC值作为所述待测锂电池当前的SOC值。 3.如权利要求1所述的储能锂电池SOC估算方法， 其特征在于， 预先训练获得所述神经 网络模型的过程， 包括： 采集锂电池在不同温度下， 从电荷量 为0开始充电的电压样本和实时电流数据； 基于每个不同的充电累积时长和所述实时电流数据， 获得 所述锂电池的SOC数据样本； 将所述SOC数据样本对应的温度样本、 所述电压样本以及所述SOC数据样本输入到DBN 神经网络进行训练， 获得 所述神经网络模型。 4.如权利 要求3所述的储能锂电池SOC估算方法， 其特征在于， 获得所述锂电池的S OC数 据样本之后， 还 包括： 利用mapminmax函数， 对同一所述温度样本下的所述S OC数据样本和所述电压样本进行 归一化； 相应的， 将所述SOC数据样本对应的温度样本、 所述电压样本以及所述SOC数据样本输 入到DBN神经网络进行训练， 获得 所述神经网络模型， 包括： 将所述温度样本和归一化之后的所述SOC数据样本、 所述电压样本输入到DBN神经网络 进行训练， 获得 所述神经网络模型。 5.一种储能锂电池SOC估算装置， 其特 征在于， 包括： 数据采集模块， 用于采集获得待测锂电池的温度数据和电压数据； 电量估算模块， 用于基于所述温度数据和所述电压数据以及神经网络模型， 识别获得 所述待测锂电池的SOC值， 其中所述神经网络模 型为预先通过DBN神经网络训练获得的表征 锂电池的SOC值和锂电池温度以及电压之间对应关系的模型。 6.如权利要求5所述的储能锂电池SOC估算装置， 其特征在于， 所述数据采集模块， 具体 用于获得所述待测锂电池距离当前时刻预设时间段内对应的多个时间点采集的所述温度 数据和所述电压数据； 所述电量估算模块具体用于对每个时间点对应的所述温度数据和所述电压数据分别 通过所述神经网络模型识别， 获得各个时间点对应的初始SOC值； 将各个所述初始SOC值进权　利　要　求　书 1/2 页 2 CN 114021462 A 2行扩展卡尔曼滤波运算， 获得滤波后的各个SOC值， 并以当前时刻对应的SOC值作为所述待 测锂电池当前的SOC值。 7.如权利要求5所述的储能锂电池SOC估算装置， 其特征在于， 还包括： 训练模型模块， 用于采集锂电池在不同温度下， 从电荷量为0开始充电的电压样本和实时电流数据； 基于每 个不同的充电累积时长和所述实时电流数据， 获得所述锂电池的SOC数据样本； 将所述SOC 数据样本对应的温度样本、 所述电压样 本以及所述SOC数据样 本输入到DBN神经网络进 行训 练， 获得所述神经网络模型。 8.如权利要求7所述的储能锂电池SOC估算装置， 其特征在于， 所述训练模型模块还用 于在获得所述锂电池的SOC数据样本之后， 利用mapminmax函数， 对同一所述温度样本下的 所述SOC数据样 本和所述电压样本进 行归一化； 相应的， 将所述温度样 本和归一化之后的所 述SOC数据样本、 所述电压样本 输入到DBN神经网络进行训练， 获得 所述神经网络模型。 9.一种储能锂电池SOC估算设备， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行所述计算程序， 以实现如权利要求1至4任一项所述的储能锂电池S OC 估算方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有计算机 程序， 所述计算机程序被处理器执行以实现如权利要求1至4任一项所述的储能锂电池SOC 估算方法的步骤。权　利　要　求　书 2/2 页 3 CN 114021462 A 3