本发明涉及电池管理，具体涉及一种基于多增量特征的储能电池电量估计方法、装置、电子设备及介质。
背景技术：
1、在储能电站中，荷电状态(state ofcharge，soc)即电池电量，是表示电池当前剩余容量与其最大可用容量之比的关键参数。soc为用户提供电池容量信息，避免电池系统的过充过放，提高电池的使用寿命，在储能系统的整体调控中起着至关重要的作用。
2、目前主流的数据驱动方法估计电池soc大都是直接将收集到的电流、电压等参数输入到模型中来获取电池soc，没有考虑充放电周期中每个参数包含的过程信息，导致精度下降。同时，收集足够的电池数据是昂贵且耗时的，模型训练的时间成本也不低。
3、因此，亟需一种能节省模型训练和数据收集的成本，并且达到较高的估计精度的储能电池电量的估计方法。
技术实现思路
1、为解决现有技术中存在的问题，本发明提供了一种基于多增量特征的储能电池电量估计方法、装置、电子设备及介质，解决了上述背景技术中提到的问题。
2、为实现上述目的，本发明提供如下技术方案：一种基于多增量特征的储能电池电量估计方法，包括如下步骤：
3、s1、获取电池多种环境温度和运行工况下的测试数据；
4、s2、从获取的测试数据中进行增量特征提取，并与原始测试数据组成联合特征矩阵；
5、s3、对联合特征矩阵进行预处理，得到预处理数据；
6、s4、利用滑动窗口技术对预处理数据进行处理，得到电量评估数据；
7、s5、将电量评估数据输入到预先构建的基于多增量特征的储能电池电量估计模型中进行迭代训练，得到一个预训练soc估计模型；
8、s6、将预训练好的soc估计模型迁移到小数据集电池上，获取小数据集电池电量。
9、优选的，在步骤s1中，采集储能电池在高温、常温以及低温下，多种运行工况的测试数据，以获取训练样本；主要采集的数据包括电池运行过程中电池电流、电池电压、电池外壳温度数据。
10、优选的，在步骤s2中，对每个时间点采集到的电流、电压和电池外壳温度进行微分操作以提取出增量特征，将提取的增量特征数据和原始测试数据进行整合，组成包含原始测试数据和增量特征数据的联合特征矩阵；
11、提取增量特征的提取公式表达如下：
12、
13、式中，vt、ct和temt分别表示t时刻采集的电压、电流和温度，dvt、dct和dtemt分别表示提取的电压增量、电流增量和温度增量，△t表示增量时间间隔；
14、包含原始测试数据和增量特征数据的联合特征矩阵，公式表达如下：
15、
16、式中，n为采集序列长度。
17、优选的，在步骤s3中，所述的预处理包含去除异常值和归一化，具体操作为：将联合特征矩阵中明显异常的值去除(将超过±3倍标准差的数据点视为异常值，将其删除)，使得归一化效果更好；然后使用最大最小归一化法对异常值处理后的联合特征矩阵中的所有特征进行归一化，计算公式如下：
18、
19、式中，x为特征数据集，min(x)为数据集中最小的值，max(x)为数据集中最大的值，xi为原始数据值，x'i为归一化后的数据值。
20、优选的，在步骤s4中，利用滑动窗口技术对预处理数据进行处理，得到电量评估数据，具体包括：根据预处理后的数据，设置滑动窗口大小为100，滑动步长为1，得到电量评估数据，公式表达如下：
21、
22、式中，si为i时刻的联合特征，n为采集序列长度。
23、优选的，在步骤s5中，所述基于多增量特征的储能电池电量估计模型包括：
24、堆叠的四个不同膨胀因子的时间卷积网络(tcn)：捕捉电量评估数据中的长时间依赖性和局部特征，并在输入和输出的位置设置了一个残差连接；
25、双向门控循环单元(bigru)：通过相反方向上的gru运算，前向和后向遍历时间序列数据，从两侧捕捉电池时序特征和依赖关系；
26、稀疏注意力机制层(sparseattention)：通过引入稀疏化技术，在保留原始注意力机制的功能上减少计算量；
27、全连接层(fc)：对提取特征进行进一步处理，结合非线性激活函数，映射生成最终的soc估计。
28、优选的，所述堆叠的四个不同膨胀因子的时间卷积网络，具体包括：
29、第一层因果膨胀卷积层，包含64个卷积核大小为3的卷积核，卷积步长为1，膨胀因子为1；平均池化层，池化窗口大小为3，步长为1；批归一化层；
30、第二层因果膨胀卷积层，包含64个卷积核大小为3的卷积核，卷积步长为1，膨胀因子为2；平均池化层，池化窗口大小为3，步长为1；批归一化层；
31、第三层因果膨胀卷积层，包含64个卷积核大小为3的卷积核，卷积步长为1，膨胀因子为4；平均池化层，池化窗口大小为3，步长为1；批归一化层；
32、第四层因果膨胀卷积层，包含64个卷积核大小为3的卷积核，卷积步长为1，膨胀因子为8；平均池化层，池化窗口大小为3，步长为1；批归一化层；dropout层，系数为0.001；
33、第五层残差连接层，输出为输入数据和第四层因果膨胀卷积层输出结果的叠加值；
34、所述的双向门控循环单元，具体包括：第一层bigru层：隐藏层的个数为128；施加l2正则化，l2系数为0.05；dropout层，系数为0.005；
35、所述的稀疏注意力机制层，具体包括：dropout层，系数为0.002；展平层；
36、所述的全连接层，具体包括：第一层全连接层，隐藏层的个数为32；dropout层，系数为0.05；第二层全连接层，隐藏层的个数为64；dropout层，系数为0.05；输出全连接层，隐藏层的个数为1。
37、优选的，在步骤s6中，加载预训练模型的权重文件，将其迁移到小数据集电池上，获取电池电量。具体操作为：利用迁移学习中的微调网络结构策略，冻结预训练模型的tcn层参数，微调bigru、sparseattention以及fc的参数，得到一个微调后的电量估计模型，将小电池评估数据输入到微调后的电量估计模型，获得小数据集电池的电量。
38、另一方面，为实现上述目的，本发明还提供了如下技术方案：一种基于多增量特征的储能电池电量估计装置，所述装置包括如下模块：
39、测试数据获取模块、获取电池多种环境温度和运行工况下的测试数据；
40、增量特征提取模块、从获取的测试数据中进行增量特征提取，并与原始测试数据组成联合特征矩阵；
41、预处理模块、对联合特征矩阵进行预处理，得到预处理数据；
42、电量评估数据获取模块、利用滑动窗口技术对预处理数据进行处理，得到电量评估数据；
43、预训练模块、将电量评估数据输入到预先构建的基于多增量特征的储能电池电量估计模型中进行迭代训练，得到一个预训练soc估计模型；
44、电量估计模块、将预训练好的soc估计模型迁移到小数据集电池上，获取小数据集电池电量。
45、另一方面，为实现上述目的，本发明还提供了如下技术方案：一种电子设备，所述电子设备包括：处理器；和存储器，用于存储一个或多个程序；
46、当所述一个或多个程序被处理器执行时，使得所述处理器执行所述的基于多增量特征的储能电池电量估计方法。
47、另一方面，为实现上述目的，本发明还提供了如下技术方案：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于多增量特征的储能电池电量估计方法。
48、本发明的有益效果是：本发明从采集的电流、电压和温度参数中提取出增量特征，通过融合增量特征显著提高了soc估计精度；同时通过迁移学习，即使应用于数据量较小的数据集，本发明方法也能快速使模型收敛，达到较高的估计精度，节省了模型训练和数据收集的成本；能够在复杂的运行工况下具有良好的估计精度、稳定性以及适应性，为电池管理系统的实际应用提供了有力的支持。
1.一种基于多增量特征的储能电池电量估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多增量特征的储能电池电量估计方法，其特征在于：在步骤s1中，采集储能电池在高温、常温以及低温下，多种运行工况的测试数据，以获取训练样本；主要采集的数据包括电池运行过程中电池电流、电池电压、电池外壳温度数据。
3.根据权利要求1所述的基于多增量特征的储能电池电量估计方法，其特征在于：在步骤s2中，对每个时间点采集到的电流、电压和电池外壳温度进行微分操作以提取出增量特征，将提取的增量特征数据和原始测试数据进行整合，组成包含原始测试数据和增量特征数据的联合特征矩阵；
4.根据权利要求1所述的基于多增量特征的储能电池电量估计方法，其特征在于：在步骤s3中，所述的预处理包含去除异常值和归一化，具体操作为：将联合特征矩阵中明显异常的值去除，然后使用最大最小归一化法对异常值处理后的联合特征矩阵中的所有特征进行归一化，计算公式如下：
5.根据权利要求1所述的基于多增量特征的储能电池电量估计方法，其特征在于：在步骤s4中，利用滑动窗口技术对预处理数据进行处理，得到电量评估数据，具体包括：根据预处理后的数据，设置滑动窗口大小为100，滑动步长为1，得到电量评估数据，公式表达如下：
6.根据权利要求1所述的基于多增量特征的储能电池电量估计方法，其特征在于：在步骤s5中，所述基于多增量特征的储能电池电量估计模型包括：
7.根据权利要求6所述的基于多增量特征的储能电池电量估计方法，其特征在于：所述堆叠的四个不同膨胀因子的时间卷积网络，具体包括：
8.一种根据权利要求1-7中任一项所述基于多增量特征的储能电池电量估计方法的装置，其特征在于：所述装置包括如下模块：
9.一种电子设备，其特征在于：所述电子设备包括：处理器(210)；和存储器(220)，用于存储一个或多个程序；
10.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器(210)执行时实现如权利要求1-7中任一项所述的基于多增量特征的储能电池电量估计方法。
