CN112731160A - 电池滞回模型训练方法、估算电池soc的方法和装置 - Google Patents
电池滞回模型训练方法、估算电池soc的方法和装置 Download PDFInfo
- Publication number
- CN112731160A CN112731160A CN202011564015.2A CN202011564015A CN112731160A CN 112731160 A CN112731160 A CN 112731160A CN 202011564015 A CN202011564015 A CN 202011564015A CN 112731160 A CN112731160 A CN 112731160A
- Authority
- CN
- China
- Prior art keywords
- battery
- current
- hysteresis model
- sample
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004146 energy storage Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical group [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种电池滞回模型训练方法,该方法包括:实时采集电池的电流;若所述电池的电流在第一预设时间段内保持小于第一预设值,采集所述电池的开路电压;根据所述电池的电流和开路电压构造样本集;从所构造的样本集中生成样本训练集及样本测试集;利用所述样本训练集训练所述电池滞回模型,并利用所述样本测试集验证训练后的所述电池滞回模型的准确率;若所述准确率大于或者等于预设准确率,结束所述电池滞回模型的训练过程。本申请还提供估算电池SOC的方法和用电装置。本申请可以根据实时采集的电流在线得到电池的开路电压。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种电池滞回模型训练方法、估算电池SOC的方法和装置。
背景技术
由于电池充电特性和放电特性的不同,电池滞回效应是指电池以不同的电流分别充电和放电结束后,充电或放电后相同的荷电状态对应的充电后的开路电压和放电后的开路电压不同的现象。这一现象被称为电池的滞回特性。因此,滞回特性可以描述电池的开路电压(Open Circuit Voltage,OCV)曲线受历史工况影响的特性,使用开路电压估算电池的荷电状态时,需要考虑滞回特性对电池的荷电状态的影响。电池SOC用于表征电池剩余电量,是电池的重要参数。而高精度的在线SOC估计往往需要通过OCV查表完成,因此建立精确的电池滞回模型至关重要。
现有技术中,常用建立滞回模型的方法主要有两种,一种是通过大量离线测试采集OCV数据,基于离线数据建立滞回模型。此方法精度高,但耗时极高,工程应用难;一种是仅在少数工作点下离线测试采集OCV数据,基于离线数据建立滞回模型。此方法耗时仍然较高,且精度较差,不利于工程应用。上述两种方法都存在需要大量离线测试采集开路电压数据,耗时高并且工程应用难的问题。
发明内容
有鉴于此,有必要提供一种电池滞回模型训练方法、估算电池SOC的方法和装置,可以根据实时采集的电流在线得到电池的开路电压。
本申请一实施方式提供了一种电池滞回模型训练方法,实时采集电池的电流;若所述电池的电流在第一预设时间段内保持小于第一预设值,采集所述电池的开路电压;根据所述电池的电流和开路电压构造样本集;从所构造的样本集中生成样本训练集及样本测试集;利用所述样本训练集训练所述电池滞回模型,并利用所述样本测试集验证训练后的所述电池滞回模型的准确率;及若所述准确率大于或者等于预设准确率,结束所述电池滞回模型的训练过程。
根据本申请的一些实施方式,所述方法还包括:若所述准确率小于所述预设准确率,增加所述样本训练集的数量以重新训练所述电池滞回模型,直至所述准确率大于或者等于所述预设准确率。
根据本申请的一些实施方式,所述样本集包括正样本集和负样本集,根据所述电池的电流和开路电压构造样本集包括:获取所述正样本集中的正样本的电流和开路电压及所述负样本集中的负样本的电流和开路电压;将正样本的电流和开路电压据标注类别数据,以使正样本的电流和开路电压携带类别标签。
根据本申请的一些实施方式,所述样本集包括正样本集和负样本集,根据所述电池的电流和开路电压构造样本集还包括:获取所述正样本集中的正样本的电流和开路电压及所述负样本集中的负样本的电流和开路电压;将负样本的电流和开路电压据标注类别数据,以使负样本的电流和开路电压携带类别标签。
根据本申请的一些实施方式,所述从所构造的样本集中生成样本训练集及样本测试集包括:在所生成的样本训练集中随机选择第一预设数量的样本训练集参与训练;在所生成的样本测试集中随机选择第二预设数量的样本测试集参与验证。
根据本申请的一些实施方式,所述方法还包括:所述方法还包括:确定所述电池的电流在第二预设时间段内是否大于或等于第二预设值,若所述电池的电流在预设时间段内大于或等于第二预设值,结束采集所述电池的开路电压;继续采集所述电池的电流,并根据采集的电流更新历史数据。
根据本申请的一些实施方式,若所述电池处于静置状态时,运行所述电池滞回模型训练方法。
根据本申请的一些实施方式,所述第一预设值和电池容量或电池温度中至少一个相关。
根据本申请的一些实施方式,所述电池滞回模型包括输入层、隐含层和输出层。
本申请一实施方式提供了一种利用所述电池滞回模型训练方法训练出的滞回模型进行估算电池SOC的方法,所述方法包括:实时采集电池的电流值;输入所述电流值至所述电池滞回模型,得到对应的开路电压;及根据所述开路电压查询SOC-OCV对应关系得到所述电池的荷电状态。
根据本申请的一些实施方式,采用安时积分法和开路电压法结合得出SOC-OCV对应关系。
本申请一实施方式提供了一种用电装置,所述用电装置包括存储器以及处理器,所述处理器用于执行所述存储器中存储的计算机程序时实现如上所述电池滞回模型训练方法或者实现如上所述估算电池SOC的方法。
根据本申请的一些实施方式,所述用电装置包括储能设备、或电动车辆、或无人机、或电动工具。
本申请的实施方式可以通过在线采集开路电压及对应的近期工作电流数据,建立神经网络模型用以表征开路电压与近期工作电流的关系,从而建立电池滞回模型。还可以通过建立的电池滞回模型在线估计电池的荷电状态。由于建模过程中不进行离线实验,相对现有方法能明显地节约实验时间。
附图说明
图1是根据本申请一实施方式的用电装置的结构示意图。
图2是根据本申请一实施方式的电池滞回模型训练方法的流程图。
图3是根据本申请一实施方式的电池滞回模型的示意图。
图4是根据本申请一实施方式的估算电池SOC的方法的流程图。
图5是根据本申请一实施方式的电池滞回模型训练***的模块图。
主要元件符号说明
用电装置 1
电池滞回模型训练*** 100
存储器 11
处理器 12
电池 13
采集模块 101
处理模块 102
训练模块 103
如下具体实施方式将结合上述附图进一步详细说明本申请。
具体实施方式
下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本申请一部分实施方式,而不是全部的实施方式。
基于本申请中的实施方式,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施方式,都是属于本申请保护的范围。
请参阅图1,图1为本申请一实施例的用电装置的示意图。参阅图1所示,电池滞回模型训练***10运行于用电装置1中。所述用电装置1包括,但不仅限于,存储器11、至少一个处理器12及电池13(如下文所述的第一电池13和/第二电池13),所述存储器11、至少一个处理器12及电池13之间可以通过总线连接,也可以直接连接。
本申请实施例中的电池13用于存储电量,且电池13的正极和负极均能脱出且接收载能粒子。按照电池13的应用场景,本申请实施例中的电池13可以包括动力电池和储能电池,动力电池例如可以应用于电动汽车、电动自行车以及其它电动工具领域,储能电池例如可以应用于储能电站、可再生能源并网以及微电网等领域。以动力电池为例,从电池种类而言,该电池可以但不限于是磷酸铁锂体系电池或加硅体系的电池,磷酸铁锂体系电池为正极活性物含磷酸铁锂的锂离子电池,加硅体系电池为负极活性物含硅的锂离子电池。从电池规模而言,该电池可以是电芯单体,也可以是电池模组或电池包,在本申请实施例中不做具体限定。
在本申请实施例中,所述电池13通过电源管理***与所述处理器12逻辑相连,从而通过所述电源管理***实现充电、放电、以及功耗管理等功能。
需要说明的是,图1仅为举例说明用电装置1。在其他实施方式中,用电装置1也可以包括更多或者更少的元件,或者具有不同的元件配置。所述用电装置1可以为电动摩托、电动单车、电动汽车、手机、平板电脑、个数数字助理、个人电脑,或者任何其他适合的可充电式设备。
尽管未示出,所述用电装置1还可以包括无线保真(Wireless Fidelity,WiFi)单元、蓝牙单元、扬声器等其他组件,在此不再一一赘述。
请参阅图2,图2为根据本申请一实施方式的电池滞回模型训练方法的流程图。所述电池滞回模型训练方法用于建立电池滞回模型,并且可以通过所述电池滞回模型在线估计电池13的荷电状态,所述电池滞回模型训练方法可以包括以下步骤:
步骤S21:实时采集电池13的电流。
在本实施方式中,可以通过传感器采集所述电池13的电流。例如,所述传感器为霍尔电流传感器。
具体地,可以采集一时间段内n个时间节点的电池13的电流,并将采集的电流组成与时间相关的电流序列。例如,在一个小时内采集n个时间节点的电池13的电流。第一时间节点的电流为I1,第二时间节点的电流为I2,第三时间节点的电流为I3,第n时间节点的电流为In。那么得到的电流序列为{I1,I2,I3…In}。
步骤S22:确定所述电池13的电流在第一预设时间段内是否保持小于第一预设值。若所述电池13的电流在第一预设时间段内保持小于第一预设值,流程进入步骤S23;若所述电池13的电流没有在第一预设时间段内保持小于所述第一预设值,流程返回步骤S21。
在本实施方式中,通过判断所述电池13的电流在第一预设时间段内是否保持小于第一预设值,以确定所述电池13是否处于静置状态,从而满足开路电压的采集条件。通常情况下,在电池13充放电完成后,会静置所述电池13,在静置所述电池13的过程中,可以采集所述电池13的开路电压。而在静置所述电池13的过程中,所述电池13的电流会保持在一个较小值(例如零)。在本实施方式中,设定所述电池13的电流在第一预设时间段内保持小于第一预设值时,电池13进入静置状态,满足电池13的开路电压的采集条件。在本实施方式中,所述第一预设值和电池容量或电池温度中至少一个相关。
步骤S23:在第二预设时间段内采集所述电池13的开路电压。
在本实施方式中,若所述电池13的电流在第一预设时间段内保持小于第一预设值,确定所述电池13处于静置状态,可以采集所述电池13的开路电压。需要说明的是,所述第二预设时间段为所述第一预设时间段之后的时间。
步骤S24:根据所述电池13的电流和开路电压构造样本集,其中,所述样本集包括正样本集和负样本集。
在本实施方式中,为了训练所述电池滞回模型,需要先构造所述电池滞回模型需要的训练数据,再根据所述训练数据构造样本集。所述训练数位包括所述电池13的电流和开路电压。
具体地,所述根据所述电池13的电流和开路电压构造样本集包括:获取所述正样本集中正样本的电流和开路电压及所述负样本集中负样本的电流和开路电压;将正样本的电流和开路电压标注类别数据,以使正样本的电流和开路电压携带类别标签。例如,分别选取500个不同时间节点下的电流数据对应的开路电压数据,并对每个开路电压数据标注类别数据。可以以“1”作为第一时间节点下的电流数据对应的开路电压数据标签,以“2”作为第二时间节点下的电流数据对应的开路电压数据标签,以“3”作为第三时间节点下的电流数据对应的开路电压数据标签。
作为一个可选的实施例,为了使所述电池滞回模型更加智能,能够识别输入所述电池滞回模型的负样本,可以在获取所述正样本集中正样本的电流和开路电压及所述负样本集中负样本的电流和开路电压后;将负样本的电流和开路电压标注类别数据,以使负样本的电流和开路电压携带类别标签。可以理解的是,对所述样本集的正样本携带类别标签,可以通过所述电池滞回模型根据所述类别标签识别所述正样本;同样对所述样本集的负样本携带类别标签,可以通过所述电池滞回模型根据所述类别标签识别所述负样本。但是一般情况下,只需要识别输入所述电池滞回模型的正样本对应的类别标签,从而根据所述电池滞回模型得到准确的输出结果。
步骤S25:从所构造的样本集中生成样本训练集及样本测试集。
在本实施方式中,训练所述电池滞回模型时可以采用交叉验证(CrossValidation)的思想,将构造的样本集按照合适的比例进行划分成样本训练集及样本测试集。例如,合适的划分比例为6:4。
进一步地,若划分出的样本训练集的总数量依旧较大,即将所有的样本训练集用来参与所述电池滞回模型的训练,将导致寻找所述电池滞回模型对应的参数代价较大。因而,所述生成样本训练集还可以包括:在所生成的样本训练集中随机选择第一预设数量的样本训练集参与训练。
本较佳实施例中,为了增加参与训练的样本训练集的随机性,可以采用随机数生成算法进行随机选择。
本较佳实施例中,所述第一预设数量可以是一个预先设置的固定值,例如,500,即在所生成的样本训练集中随机挑选出500个样本参与所述电池滞回模型的训练。所述第一预设数量还可以是一个预先设置的比例值,例如,1/10,即,即在所生成的样本训练集中随机挑选1/10比例的样本参与所述电池滞回模型的训练。
步骤S26:利用所述样本训练集训练所述电池滞回模型,并利用所述样本测试集验证训练后的所述电池滞回模型的准确率。
在本实施方式中,所述样本训练集用以训练所述电池滞回模型,所述样本测试集用以测试所训练出的所述电池滞回模型的性能。
在本实施方式中,先将所述样本训练集中的训练样本分发到不同的文件夹里。例如,将第一时间节点下的电流数据的训练样本分发到第一文件夹里、第二时间节点下的电流数据的训练样本分发到第二文件夹里、第三时间节点下的电流数据的训练样本分发到第三文件夹里。然后从不同的文件夹里分别提取第一预设比例(例如,70%)的训练样本作为总的训练样本进行电池滞回模型的训练,从不同的文件夹里分别取剩余第二预设比例(例如,30%)的训练样本作为总的测试样本对训练完成的所述电池滞回模型进行准确性验证。
在本实施方式中,如图3所示,所述电池滞回模型包括输入层、隐含层和输出层。在后续电池13的充放电循环过程中,在所述电池滞回模型中输入不同时间节点下的电流,可以输出对应的开路电压。
步骤S27:确认所述准确率是否大于或等于预设准确率。
在本实施方式中,若测试的准确率越高,则表明所训练出的所述电池滞回模型的性能越好;若测试的准确率较低,则表明所训练出的所述电池滞回模型的性能较差。通过确认准确率是否大于或等于预设准确率来确认是否训练出性能好的电池滞回模型。若所述准确率大于或等于所述预设准确率,确认训练的电池滞回模型性能好,流程进入步骤S28;若所述准确率小于所述预设准确率,确认训练的电池滞回模型性能不好,流程进入步骤S29。
步骤S28:结束所述电池滞回模型的训练过程。
在本实施方式中,若所述准确率大于或等于所述预设准确率,确认训练的电池滞回模型性能好,满足要求,结束所述电池滞回模型的训练过程。
步骤S29:增加所述样本训练集的数量以重新训练所述电池滞回模型,直至所述准确率大于或者等于所述预设准确率。
在本实施方式中,若所述准确率小于所述预设准确率,确认训练的电池滞回模型性能不好,不满足要求,需要增加所述样本训练集的数量,以重新训练所述电池滞回模型,直至所述准确率大于或者等于所述预设准确率,得到符合要求的电池滞回模型。
在本实施方式中,所述电池滞回模型训练方法还包括:
确定所述电池13的电流在所述第二预设时间段内是否出现大于或等于第二预设值的情况,若所述电池13的电流在第二预设时间段内出现大于或等于第二预设值的情况,结束采集所述电池13的开路电压;继续采集所述电池13的电流,并根据采集的电流更新历史数据。若所述电池13的电流在第二预设时间段内持续保持小于所述第二预设值的情况,继续判断所述电池13的电流在第二预设时间段内是否大于或等于第二预设值。
在本实施方式中,通过确定所述电池13的电流在第二预设时间段内是否大于或等于第二预设值,可以确定是否满足电池13的开路电压采集退出条件。即若所述电池13的电流在第二预设时间段内大于或等于第二预设值时,确定所述电池13进入充放电过程,结束采集所述电池13的开路电压;继续采集所述电池13的电流,并根据采集的电流更新历史数据。
需要说明的是,所述第二预设值为较大的电流值,可以用于确定所述电池13进入充放电过程。
请参阅图4,图4为根据本申请一实施方式的电池13荷电状态估计方法的流程图。所述电池13荷电状态估计方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S31:实时采集电池13的电流值。
在本实施方式中,在电池13的循环充放电过程中,通过传感器实时采集所述电池13的电流值。
步骤S32:输入所述电流值至所述电池滞回模型,得到对应的开路电压。
在本实施方式中,输入所述电流至训练好的所述电池滞回模型,所述电池滞回模型根据所述电流输出对应的开路电压。
步骤S33:根据所述开路电压查询SOC-OCV对应关系得到所述电池13的荷电状态。
在本实施方式中,所述用电装置1中预先存储有SOC-OCV对应关系。需要说明的是,当电池体系确定后,所述电池的SOC-OCV对应关系通常是固定不变的。即使所述电池经历过n次循环充放电使用,其SOC-OCV对应关系也不会发生变化。
具体地,可以通过如下方法来获取所述电池的的荷电状态(SOC)-开路电压(OCV)对应关系:
1)取一个电池,并对所述电池进行充电至满充状态,然后使用第一预设电流对所述电池放电至放空状态;在本实施方式中,所述第一预设电流为小倍率电流,如0.01C,也可为其它电流。
2)记录所述电池在上述的充放电过程中的电压和容量变化。
3)获取所述电池在放电过程中的荷电状态。例如,将所述电池的放电最大容量作为所述电池的满载容量,将所述电池在放电过程中随时间变化的容量值除以所述满载容量,得到所述电池在放电过程中的荷电状态。
4)分别建立所述电池在放电过程中不同荷电状态下的电池电压的对应关系,得到电池的SOC-OCV对应关系。
在零一实施方式中,还可以采用安时积分法和开路电压法结合得出SOC-OCV对应关系。
本申请提供一种基于电池在线应用数据(如电流和开路电压)的滞回模型建模方法。该方法通过在线采集开路电压及对应的近期工作电流数据,建立神经网络模型用以表征开路电压与近期工作电流的关系,从而建立电池滞回模型。由于建模过程中不进行离线实验,相对现有方法能明显地节约实验时间。
请参阅图5,在本实施方式中,所述电池滞回模型训练***100可以被分割成一个或多个模块,所述一个或多个模块可存储在所述存储器11中,并由所述处理器12执行本申请实施例的电池滞回模型训练方法和估算电池SOC的方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述电池滞回模型训练***100在所述用电装置1中的执行过程。例如,所述电池滞回模型训练***100可以被分割成图5中的采集模块101、处理模块102以及训练模块103。
所述采集模块101用于实时采集电池的电流;所述采集模块101还用于若所述电池的电流在第一预设时间段内保持小于第一预设值,采集所述电池的开路电压;所述处理模块102用于根据所述电池的电流和开路电压构造样本集;所述处理模块102还用于从所构造的样本集中生成样本训练集及样本测试集;所述训练模块103用于利用所述样本训练集训练所述电池滞回模型,并利用所述样本测试集验证训练后的所述电池滞回模型的准确率;所述训练模块103还用于若所述准确率大于或者等于预设准确率,结束所述电池滞回模型的训练过程。
在本实施方式中,所述处理模块102还用于输入实时采集的所述电流至所述电池滞回模型,得到对应的开路电压;及根据所述开路电压查询SOC-OCV对应关系得到所述电池的荷电状态。
所述电池滞回模型训练***100可以通过在线采集开路电压及对应的近期工作电流数据,建立神经网络模型用以表征开路电压与近期工作电流的关系,从而建立电池滞回模型。由于建模过程中不进行离线实验,相对现有方法能明显地节约实验时间。具体内容可以参见上述电池滞回模型训练方法的实施例,在此不再详述。
在另一实施方式中,所述一个或多个模块还可存储在存储器11中,并由所述处理器12执行。所述存储器11可以是用电装置1的内部存储器,即内置于所述用电装置1的存储器。在其他实施例中,所述存储器11也可以是用电装置1的外部存储器,即外接于所述用电装置1的存储器。
在一些实施例中,所述存储器用于存储程序代码和各种数据,例如,存储安装在所述用电装置1中的电池滞回模型训练***100的程序代码,并在用电装置1的运行过程中实现高速、自动地完成程序或数据的存取。
所述存储器11可以包括随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
在一实施方式中,所述处理器12可以是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器12也可以是其它任何常规的处理器等。
所述电池滞回模型训练***100中的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
可以理解的是,以上所描述的模块划分,为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能模块可以集成在相同处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在相同单元中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将本申请上述的实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。
Claims (12)
1.一种电池滞回模型训练方法,其特征在于,该方法包括:
实时采集电池的电流;
若所述电池的电流在第一预设时间段内保持小于第一预设值,采集所述电池的开路电压;
根据所述电池的电流和开路电压构造样本集;
从所构造的样本集中生成样本训练集及样本测试集;
利用所述样本训练集训练所述电池滞回模型,并利用所述样本测试集验证训练后的所述电池滞回模型的准确率;及
若所述准确率大于或者等于预设准确率,结束所述电池滞回模型的训练过程。
2.如权利要求1所述的电池滞回模型训练方法,其特征在于,所述方法还包括:
若所述准确率小于所述预设准确率,增加所述样本训练集的数量以重新训练所述电池滞回模型,直至所述准确率大于或者等于所述预设准确率。
3.如权利要求2所述的电池滞回模型训练方法,其特征在于,所述样本集包括正样本集和负样本集,根据所述电池的电流和开路电压构造样本集包括:
获取所述正样本集中的正样本的电流和开路电压及所述负样本集中的负样本的电流和开路电压;
将正样本的电流和开路电压据标注类别数据,以使正样本的电流和开路电压携带类别标签。
4.如权利要求2所述的电池滞回模型训练方法,其特征在于,所述从所构造的样本集中生成样本训练集及样本测试集包括:
在所生成的样本训练集中随机选择第一预设数量的样本训练集参与训练;
在所生成的样本测试集中随机选择第二预设数量的样本测试集参与验证。
5.如权利要求1所述的电池滞回模型训练方法,其特征在于,所述方法还包括:
若所述电池的电流在第二预设时间段内大于或等于第二预设值,结束采集所述电池的开路电压;
继续采集所述电池的电流,并根据采集的电流更新历史数据。
6.如权利要求1所述的电池滞回模型训练方法,其特征在于,若所述电池处于静置状态时,运行所述电池滞回模型训练方法。
7.如权利要求1所述的电池滞回模型训练方法,其特征在于,所述第一预设值和电池容量或电池温度中至少一个相关。
8.如权利要求1所述的电池滞回模型训练方法,其特征在于,所述电池滞回模型包括输入层、隐含层和输出层。
9.一种根据权利要求1至8中任意一项的所述的方法训练出的滞回模型估算电池SOC的方法,其特征在于,所述方法包括:
实时采集电池的电流值;
输入所述电流值至所述电池滞回模型,得到对应的开路电压;及
根据所述开路电压查询SOC-OCV对应关系得到所述电池的荷电状态。
10.如权利要求9所述的估算电池SOC的方法,其特征在于,采用安时积分法和开路电压法结合得出SOC-OCV对应关系。
11.一种用电装置,其特征在于,所述用电装置包括:
存储器;以及
处理器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至8中任意一项所述电池滞回模型训练方法或者实现如权利要求9至10中任意一项所述估算电池SOC的方法。
12.如权利要求11所述的用电装置,其特征在于,所述用电装置包括储能设备、或电动车辆、或无人机、或电动工具。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564015.2A CN112731160A (zh) | 2020-12-25 | 2020-12-25 | 电池滞回模型训练方法、估算电池soc的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564015.2A CN112731160A (zh) | 2020-12-25 | 2020-12-25 | 电池滞回模型训练方法、估算电池soc的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112731160A true CN112731160A (zh) | 2021-04-30 |
Family
ID=75616895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011564015.2A Pending CN112731160A (zh) | 2020-12-25 | 2020-12-25 | 电池滞回模型训练方法、估算电池soc的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731160A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184807A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池的故障检测方法、装置、设备、介质和产品 |
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176139A (zh) * | 2013-03-08 | 2013-06-26 | 桂林电子科技大学 | 动力电池非光滑迟滞特性补偿的电荷状态估算方法及*** |
CN105203963A (zh) * | 2015-09-11 | 2015-12-30 | 同济大学 | 一种基于开路电压滞回特性的荷电状态的估计方法 |
WO2016067586A1 (ja) * | 2014-10-31 | 2016-05-06 | カルソニックカンセイ株式会社 | バッテリのパラメータ推定装置 |
CN106772072A (zh) * | 2016-12-06 | 2017-05-31 | 奇瑞汽车股份有限公司 | 一种基于电池特性曲线的soc估算方法及装置 |
CN107368619A (zh) * | 2017-06-02 | 2017-11-21 | 华南理工大学 | 基于电池滞回电压特性和回弹电压特性的扩展卡尔曼滤波soc估算方法 |
CN109061520A (zh) * | 2018-10-25 | 2018-12-21 | 杭州神驹科技有限公司 | 一种动力电池健康与功率状态在线估算方法及*** |
CN110208704A (zh) * | 2019-04-29 | 2019-09-06 | 北京航空航天大学 | 一种基于电压滞后效应的锂电池建模方法和*** |
WO2020082732A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技(深圳)有限公司 | 图片自动分类方法、装置及计算机可读存储介质 |
-
2020
- 2020-12-25 CN CN202011564015.2A patent/CN112731160A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176139A (zh) * | 2013-03-08 | 2013-06-26 | 桂林电子科技大学 | 动力电池非光滑迟滞特性补偿的电荷状态估算方法及*** |
WO2016067586A1 (ja) * | 2014-10-31 | 2016-05-06 | カルソニックカンセイ株式会社 | バッテリのパラメータ推定装置 |
CN105203963A (zh) * | 2015-09-11 | 2015-12-30 | 同济大学 | 一种基于开路电压滞回特性的荷电状态的估计方法 |
CN106772072A (zh) * | 2016-12-06 | 2017-05-31 | 奇瑞汽车股份有限公司 | 一种基于电池特性曲线的soc估算方法及装置 |
CN107368619A (zh) * | 2017-06-02 | 2017-11-21 | 华南理工大学 | 基于电池滞回电压特性和回弹电压特性的扩展卡尔曼滤波soc估算方法 |
CN109061520A (zh) * | 2018-10-25 | 2018-12-21 | 杭州神驹科技有限公司 | 一种动力电池健康与功率状态在线估算方法及*** |
WO2020082732A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技(深圳)有限公司 | 图片自动分类方法、装置及计算机可读存储介质 |
CN110208704A (zh) * | 2019-04-29 | 2019-09-06 | 北京航空航天大学 | 一种基于电压滞后效应的锂电池建模方法和*** |
Non-Patent Citations (2)
Title |
---|
韩华春;史明明;吕振华;: "基于滞回电压平衡的无人机电池均衡控制方法", 电源技术, no. 08 * |
黄凯;郭永芳;李志刚;: "考虑迟滞效应影响的动力锂离子电池特性建模", 电网技术, vol. 41, no. 08 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
CN115184807A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池的故障检测方法、装置、设备、介质和产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Dynamic Bayesian network-based lithium-ion battery health prognosis for electric vehicles | |
Xiong et al. | An electrochemical model based degradation state identification method of Lithium-ion battery for all-climate electric vehicles application | |
Zhou et al. | A low-complexity state of charge estimation method for series-connected lithium-ion battery pack used in electric vehicles | |
CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
CN110456273A (zh) | 一种电池soc估算方法、估算***、动力电池*** | |
CN112731160A (zh) | 电池滞回模型训练方法、估算电池soc的方法和装置 | |
Zhang et al. | A novel battery state-of-health estimation method for hybrid electric vehicles | |
CN112886671A (zh) | 电池的充电状态检测方法、检测装置以及充电装置 | |
Seo et al. | Condition monitoring of lithium polymer batteries based on a sigma-point Kalman filter | |
Song et al. | FPGA-based implementation of lithium-ion battery soh estimator using particle filter | |
Sarıkurt et al. | A hybrid battery model and state of health estimation method for lithium-ion batteries | |
CN115461635A (zh) | 电池容量预估方法、电子装置和存储介质 | |
Li et al. | Evaluation and analysis of circuit model for lithium batteries | |
CN116068402A (zh) | 新能源汽车锂电池状态预测方法、装置、设备及存储介质 | |
CN114089204B (zh) | 一种电池容量跳水拐点预测方法及装置 | |
Liu et al. | Fast screening of capacity and internal resistance for cascade utilization of the retired power lithium-ion batteries | |
CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 | |
CN115327389A (zh) | 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法 | |
Dikmen et al. | Onboard battery type determination | |
Hua et al. | Surrogate modelling for battery state-of-charge estimation in electric vehicles based on pseudo-2-dimensional model and gradient boosting machines | |
CN112798962B (zh) | 电池滞回模型训练方法、估算电池soc的方法和装置 | |
Zhong et al. | Model-Based Battery SOC Estimation Based on GA-UKF Algorithm | |
Li et al. | Exploring the hysteresis effect of Li-ion batteries: a machine learning based approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |