MarkDown

ai助手

• 文心一言
• 蓝心千寻
• kimi
• 讯飞星火
• 字节豆包
• deepseek
• copilot

---

• Excel助手
• vimChina

技术网站

• 腾讯云
• 博客园
• C语言中文网
• 极客笔记
• runoob
• csdn
• GitHub
• 极客时间
• 稀土掘金

一种基于神经网络混合软件模型的电池电量评估方法

---

发明专利

​ 电池电量soc的神经网络混合软件模型的学习方法，训练及部署。

摘要

​ 本发明旨在通过神经网络预训练方式，结合传统的软件轮询电流积分的方法，来实现对电量计的替代，训练数据来源于手机电池在各种工作场景下产生是实时数据，分别有电池温度、电压、电流、循环次数和当前电池的电量；通过建立前四者与电池电量的非线性关系，来实现使用纯软件的方法就行较准确的计算出电池电量，无需大规模使用电量计，进而节约成本。具体工作方式如下：

场内训练

• 准备一批精度较高的电量计例如bq28z610来进行电池电量、电压、温度、电流，cycle数据的产生。
• 将这批电量计分为若干组，每组配有个电量计；每个组分别处于不同温度环境/负载环境，用户产生电池在不同工作场景的数据。
• 将这些数据喂给模型进行训练，建立电量数据和其他数据之间的非线性关系。
• 训练模型的同时也对模型进行测试，看模型产生的电池电量是否跟电量计的电量之间的误差是否收敛到可以接受的范围。
• 最终直到模型生成的soc跟真实电量计的soc误差不是很大时候，可以将该模型部署到产线批量生产的机型中去。

v soc 计算

• 使用带载电压减去当前温度下的ZCV电压，结果除以当前温度下电池的内阻，得到带载电流，将此带载电流用于计算soc

$$
I = \frac{V_{load} - ZCV}{R}
$$

$$
SOC = D_{0} + \int_{T_{0}}^{T_{1}} I , dt
$$

SOC组合计算

优点

• 用少量电量计来训练模型，最终将模型批量部署到手机中，可显著节约硬件成本，且用于训练用的电量计可重复使用，进一步降低成本。

• 不存在电量计硬件损坏后手机无法工作的风险。

• 没有累计误差产生，不用进行电量校准。

• 可以使用前期预训练好的模型进行新电池的训练，节约时间。

缺点

• 神经网络的性能高度依赖于训练数据的质量和数量。在电池电量计算中，获取不同工况和环境下的准确数据成本较高。
• 神经网络的计算可能增加系统功耗，影响电池寿命。