基于EEMD-GRU的电池温度预测方法、装置、介质与流程

本技术涉及但不限于电池温度预测，尤其涉及一种基于eemd-gru的电池温度预测方法、装置、介质。

背景技术：

1、现有的电池温度预测方法包括以下3种：(1)基于物理模型的电池温度预测方法，该方法需要收集准确的模型参数，如电池材料的热导率、热容等，这些模型参数的准确性需要获取需要通过大量的实验数据和理论计算来辨识，并且物理模型包含大量的偏微分方程和参数，使得模型的求解计算复杂度高，难以实现电池温度的实时预测；(2)基于统计和传统时间序列分析的电池温度预测方法，使用此方法预测电池温度的准确性取决于的性质，例如，在处理线性时间序列数据时效果较好，但对于非线性和非平稳数据的预测能力有限，即是说此方法实现电池温度预测的适用范围有限；(3)基于机器学习的电池温度预测方法，此方法能够捕捉待预测数据中复杂的非线性关系，但对噪声数据的敏感性较高，无法保障电池温度预测结果的准确性。基于此，亟需一种能够降低计算复杂度，实现对电池温度实时预测，并保障温度预测精度的电池温度预测方法。

技术实现思路

1、本技术实施例提供了一种基于eemd-gru的电池温度预测方法、装置、介质，能够有效降低预测电池温度的计算复杂度的同时，保障预测结果的精度。

2、第一方面，本技术实施例提供了一种基于eemd-gru的电池温度预测方法，包括：

3、获取各个第一待测电池对应的第一soc-ocv曲线、第一熵热系数、第一充放电电流值、第一电压值、第一荷电状态、第一产热量和电池温升数据；

4、通过预设的eemd算法分解各个所述电池温升数据，得到目标imf分量和残余信号，并对全部的所述目标imf分量进行叠加得到重组信号；

5、基于全部的所述第一soc-ocv曲线、所述第一熵热系数、所述第一充放电电流值、所述第一电压值、所述第一荷电状态、所述第一产热量、所述电池温升数据、所述残余信号和所述重组信号训练预设的gru神经网络，得到电池温度预测模型；

6、获取第二待测电池对应的第二soc-ocv曲线、第二熵热系数、第二充放电电流值和第二电压值，并根据所述第二soc-ocv曲线、所述第二熵热系数、所述第二充放电电流值和所述第二电压值计算出所述第二待测电池对应的第二荷电状态和第二产热量，其中，所述第二待测电池与全部的所述第一待测电池互不相同；

7、将所述第二充放电电流值、所述第二电压值、所述第二荷电状态和所述第二产热量输入至所述电池温度预测模型，得到目标温度预测结果。

8、在一些实施例中，所述通过预设的eemd算法分解各个所述电池温升数据，得到目标imf分量和残余信号，包括：

9、基于预设次数，向每个所述电池温升数据多次添加高斯白噪声，得到多个中间信号，其中，每个所述电池温升数据的各个所述中间信号所添加的噪声量互不相同；

10、对各个所述中间信号进行emd分解，得到对应的初始imf分量；

11、取各个所述中间信号对应的所述初始imf分量的平均值，得到各个所述电池温升数据对应的所述目标imf分量和所述残余信号。

12、在一些实施例中，对各个所述中间信号进行emd分解，得到对应的初始imf分量，包括：

13、确定各个所述中间信号中的局部最大值和局部最小值；

14、通过插值算法连接全部的所述局部最大值，得到上包络线；

15、通过所述插值算法连接全部的所述局部最小值，得到下包络线；

16、计算所述上包络线与所述下包络线的平均值，得到各个所述中间信号的趋势分量；

17、将所述目标电池温升数据减去所述趋势分量，得到所述初始imf分量，其中，所述目标电池温升数据为所述中间信号对应的原始电池温升数据。

18、在一些实施例中，所述gru神经网络包括第一子gru网络和第二子gru网络，所述电池温度预测模型包括第一目标子gru网络和第二目标子gru网络，所述gru神经网络包括第一子gru网络和第二子gru网络，所述电池温度预测模型包括第一目标子gru网络和第二目标子gru网络，基于全部的所述第一soc-ocv曲线、所述第一熵热系数、所述第一充放电电流值、所述第一电压值、所述第一荷电状态、所述第一产热量、所述电池温升数据、所述残余信号和所述重组信号训练预设的gru神经网络，得到电池温度预测模型，包括：

19、基于预设的数据集划分比例，将全部的所述第一soc-ocv曲线、所述第一熵热系数、所述第一充放电电流值、所述第一电压值、所述第一荷电状态、所述第一产热量、所述电池温升数据、所述残余信号和所述重组信号划分为训练集、测试集和验证集；

20、从所述训练集中获取所述第一充放电电流值、所述第一电压值、所述第一荷电状态和所述第一产热量，将所述第一充放电电流值、所述第一电压值、所述第一荷电状态和所述第一产热量输入至所述第一子gru网络，得到第一输出结果；

21、将所述第一充放电电流值、所述第一电压值、所述第一荷电状态和所述第一产热量输入至所述第二子gru网络，得到第二输出结果；

22、利用所述残余信号与所述第一输出结果进行比较，得到第一比较结果；

23、利用所述重组信号与所述第二输出结果进行比较，得到第二比较结果；

24、基于第一损失函数和所述第一比较结果计算第一损失值，基于第二损失函数和所述第二比较结果计算第二损失值；

25、基于所述第一损失值和所述第一损失函数训练所述第一子gru网络，得到第一中间网络；

26、基于所述第二损失值和所述第二损失函数训练所述第二子gru网络，得到第二中间网络；

27、从所述验证集和所述测试集中获取第三样本数据，基于所述第三样本数据调整所述第一中间网络，得到所述第一目标子gru网络，其中，所述第三样本数据与所述第一样本数据的数据类型相同；

28、从所述验证集和所述测试集中获取第四样本数据，基于所述第四样本数据调整所述第二中间网络，得到所述第二目标子gru网络，其中，所述第四样本数据与所述第二样本数据的数据类型相同。

29、在一些实施例中，根据所述第二soc-ocv曲线、所述第二熵热系数、所述第二充放电电流值和所述第二电压值计算出所述第二待测电池对应的第二荷电状态和第二产热量，包括：

30、根据所述第二soc-ocv曲线确定所述第二待测电池的初始荷电状态；

31、基于安时积分法，根据所述第二充放电电流值和初始荷电状态计算所述第二荷电状态；

32、基于bernadi产热方程，根据所述第二充放电电流值、所述第二熵热系数和所述第二电压值计算所述第二产热量。

33、在一些实施例中，所述基于安时积分法，根据所述第二充放电电流值和初始荷电状态计算所述第二荷电状态，根据以下公式得到：

34、

35、其中，soc0为所述初始荷电状态，i为所述第二充放电电流值，t为时间，c为电池总容量，soc为所述第二荷电状态；

36、所述第二电压值包括所述第二待测电池对应的电池端电压和开路电压，所述基于bernadi产热方程，根据所述第二充放电电流值、所述第二熵热系数和所述第二电压值计算所述第二产热量，根据以下公式得到：

37、

38、其中，i为所述第二充放电电流值，e为所述开路电压，u为所述电池端电压，t为所述第二待测电池的开尔文温度，为所述第二熵热系数。

39、在一些实施例中，所述电池温度预测模型包括更新门和重置门，将所述第二充放电电流值、所述第二电压值、所述第二荷电状态和所述第二产热量输入至所述电池温度预测模型，得到目标温度预测结果，根据以下公式得到：

40、rt＝σ(wr·[ht-1,xt])；

41、zt＝σ(wr·[ht-1,xt])；

42、

43、ht＝(1-zt)*ht-1+zt*ht；

44、yt＝σ(wo·ht+c)；

45、其中，xt为当前输入的所述第二充放电电流值、所述第二电压值、所述第二荷电状态和所述第二产热量，ht为在t时刻的隐藏状态向量，ht-1为t-1时刻的隐藏状态向量，σ为所述电池温度预测模型的隐藏层中的第一激活函数，rt为所述重置门在t时刻的输出，zt为所述更新门在t时刻的输出，wr为所述更新门的权重矩阵，wo为输出权重矩阵，c为输出偏置，yt为所述目标温度预测结果，为在t时刻的候选隐藏状态向量，tanh为第二激活函数。

46、第二方面，本技术实施例提供了一种基于eemd-gru的电池温度预测装置，包括：

47、离线数据采集模块，用于获取各个第一待测电池对应的第一soc-ocv曲线、第一熵热系数、第一充放电电流值、第一电压值、第一荷电状态、第一产热量和电池温升数据；

48、温升数据分解模块，用于通过预设的eemd算法分解各个所述电池温升数据，得到目标imf分量和残余信号，并对全部的所述目标imf分量进行叠加得到重组信号；

49、模型训练模块，用于基于全部的所述第一soc-ocv曲线、所述第一熵热系数、所述第一充放电电流值、所述第一电压值、所述第一荷电状态、所述第一产热量、所述电池温升数据、所述残余信号和所述重组信号训练预设的gru神经网络，得到电池温度预测模型；

50、在线数据采集模块，同于获取第二待测电池对应的第二soc-ocv曲线、第二熵热系数、第二充放电电流值和第二电压值，并根据所述第二soc-ocv曲线、所述第二熵热系数、所述第二充放电电流值和所述第二电压值计算出所述第二待测电池对应的第二荷电状态和第二产热量，其中，所述第二待测电池与全部的所述第一待测电池互不相同；

51、温度估计模块，用于将所述第二充放电电流值、所述第二电压值、所述第二荷电状态和所述第二产热量输入至所述电池温度预测模型，得到目标温度预测结果。

52、第三方面，本技术实施例提供了一种控制装置，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如第一方面所述的基于eemd-gru的电池温度预测方法。

53、第四方面，本技术实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的基于eemd-gru的电池温度预测方法。

54、本技术实施例提供了一种基于eemd-gru的电池温度预测方法、装置、介质，方法包括：获取各个第一待测电池对应的第一soc-ocv曲线、第一熵热系数、第一充放电电流值、第一电压值、第一荷电状态、第一产热量和电池温升数据；通过预设的eemd算法分解各个所述电池温升数据，得到目标imf分量和残余信号，并对全部的所述目标imf分量进行叠加得到重组信号；基于全部的所述第一soc-ocv曲线、所述第一熵热系数、所述第一充放电电流值、所述第一电压值、所述第一荷电状态、所述第一产热量、所述电池温升数据、所述残余信号和所述重组信号训练预设的gru神经网络，得到电池温度预测模型；获取第二待测电池对应的第二soc-ocv曲线、第二熵热系数、第二充放电电流值和第二电压值，并根据所述第二soc-ocv曲线、所述第二熵热系数、所述第二充放电电流值和所述第二电压值计算出所述第二待测电池对应的第二荷电状态和第二产热量，其中，所述第二待测电池与全部的所述第一待测电池互不相同；将所述第二充放电电流值、所述第二电压值、所述第二荷电状态和所述第二产热量输入至所述电池温度预测模型，得到目标温度预测结果。根据本技术实施例提供的方案，利用eemd算法与gru模型相结合实现电池温度预测，有效降低预测电池温度的计算复杂度的同时，降低噪声对温度预测结果的影响，保障预测结果的精度。