CN115079012B - 大数据预测电池soc的特征数据提取***及提取方法 - Google Patents
大数据预测电池soc的特征数据提取***及提取方法 Download PDFInfo
- Publication number
- CN115079012B CN115079012B CN202210870020.9A CN202210870020A CN115079012B CN 115079012 B CN115079012 B CN 115079012B CN 202210870020 A CN202210870020 A CN 202210870020A CN 115079012 B CN115079012 B CN 115079012B
- Authority
- CN
- China
- Prior art keywords
- voltage
- array
- data
- battery
- characteristic
- 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.)
- Active
Links
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/547—Voltage
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电动汽车动力电池测量电变量技术领域,具体地指一种大数据预测电池SOC的特征数据提取***及提取方法。包括,电压修正模块用于对训练数据中的电池电压进行修正以获得修正电压;电压分区模块用于对电池电压范围将电压曲线划分为若干个电压区间;参比电压获取模块用于根据划分电压区间确定每个电压区间内的参比电压;比较电压获取模块根据修正电压以及所处电压区间的参比电压确定比较电压;荷电因子提取模块根据比较电压确定荷电因子作为预测电池SOC的特征数据。本发明的预测电池SOC的特征数据提取能够准确获取电池的特征参数,大幅度减小了神经网络的数据处理量,数据处理的难度大幅度降低,获得的结果能够更加真实的反映电池的特性。
Description
技术领域
本发明涉及电动汽车动力电池测量电变量技术领域,具体地指一种大数据预测电池SOC的特征数据提取***及提取方法。
背景技术
目前基于大数据的动力电池SOC预测方法的技术方案一般为:首先获取电池的电压、温度、电流的海量数据,并对数据进行处理;然后将数据进行简单分类,将数据划分为训练集和验证集;最后构建基于输入层、隐藏层和输出层的神经网络模型,将训练集数据作为输入层代入模型运算,输出预测值,并将输出层结果与验证集比较,根据比较差值调整模型参数,进而不断训练模型,迭代模型参数以达到最终预期的预测结果。
这种方法只是根据电池神经网络模型训练样本量要求,将获得的电池电压、温度、电流数据按照一定比例简单分组为训练集和验证集,并未对训练集和验证集本身的电池电压、温度、电流数据进行特征提取。同时,不同工况下电池电压、温度、电流与SOC关联关系不一样,存在差异,这一点当前的预测方法并没有考虑到。当前的电池SOC预测方法没有基于电池性能特征提取电池数据,一方面会增加预测时间、影响模型的鲁棒性,另一方面也会增大预测误差、降低预测精度。
发明内容
本发明的目的就是要解决上述背景技术的不足,提供一种大数据预测电池SOC的特征数据提取***及提取方法。
本发明的技术方案为:一种大数据预测电池SOC的特征数据提取***,包括,
电压修正模块,所述电压修正模块用于对训练数据中的采样电压进行修正以获得修正电压;
电压分区模块,所述电压分区模块用于按照电池电压范围将电压曲线划分为若干个电压区间;
参比电压获取模块,所述参比电压获取模块用于根据电压区间确定每个电压区间的参比电压;
比较电压获取模块,所述比较电压获取模块根据修正电压以及所处电压区间的参比电压确定比较电压;
荷电因子提取模块,所述荷电因子提取模块根据比较电压提取荷电因子特征数组作为预测电池SOC的特征数据。
根据本发明提供的一种大数据预测电池SOC的特征数据提取***,所述荷电因子提取模块包括,
均值数组获取模块,所述均值数组获取模块根据每个电压区间内比较电压的均值获取均值数组;
方差数组获取模块,所述方差数组获取模块根据每个电压区间内比较电压与均值的方差获取方差数组;
偏态数组获取模块,所述偏态数组获取模块根据每个电压区间内比较电压、均值以及标准差的三次方获取偏态数组;
峰度数组获取模块,所述峰度数组获取模块根据每个电压区间内比较电压、均值以及标准差的四次方获取峰度数组;
数据处理模块,所述数据处理模块用于对均值数组、方差数组、偏态数组和峰度数组进行处理提取出荷电因子特征数组。
根据本发明提供的一种大数据预测电池SOC的特征数据提取***,所述数据处理模块包括,
融合模块,所述融合模块用于将均值数组、方差数组、偏态数组和峰度数组进行融合处理得到融合数据;
转化模块,所述转化模块用于将融合数据进行转化得到荷电因子协方差矩阵;
分解模块,所述分解模块用于对荷电因子协方差矩阵进行处理得到多个特征值,并基于特征值构建特征向量矩阵;
提取模块,所述提取模块利用公式对特征向量矩阵进行降维处理得到荷电因子特征数组。
根据本发明提供的一种大数据预测电池SOC的特征数据提取***,所述电压修正模块用于根据训练数据中的采样电流参数得到的第一修正系数、根据训练数据中的采样温度参数得到的第二修正系数以及初始电压计算修正电压。
根据本发明提供的一种大数据预测电池SOC的特征数据提取***,所述第一修正系数为采样电流与训练数据中最小电流的差值同训练数据中最大电流与最小电流的差值的比值;所述第二修正系数为采样温度与训练数据中最小温度的差值同训练数据中最大温度与最小温度的差值的比值。
本发明还提供一种大数据预测电池SOC的特征数据提取方法,所述方法采用了上述的大数据预测电池SOC的特征数据提取***,按照以下步骤进行:
S1、对获取的电池训练数据进行处理,对训练数据中的采样电压进行修正获得修正电压;
S2、按照电池电压范围将电压曲线划分为若干个电压区间,获取每个电压区间内的参比电压;
S3、将修正电压与所处电压区间的参比电压进行比对,获得比较电压;
S4、对比较电压进行数据处理,提前荷电因子特征数组作为预测电池SOC的特征数据。
根据本发明提供的一种大数据预测电池SOC的特征数据提取方法,所述步骤S1中,对训练数据中的采样电压进行修正获得修正电压的方法包括:基于训练数据中的采样电流数据获得第一修正系数,基于训练数据中的采样温度数据获得第二修正系数,通过训练数据中的采样电压与第一修正系数、第二修正系数得到修正电压。
根据本发明提供的一种大数据预测电池SOC的特征数据提取方法,所述步骤S2中,按照电池电压范围将电压曲线均分为若干个电压区间,以每个电压区间的最小电压为参比电压。
根据本发明提供的一种大数据预测电池SOC的特征数据提取方法,所述步骤S4中,对比较电压进行数据处理的方法包括:提取每个电压区间内比较电压的均值数组、方差数组、偏态数组和峰度数组,对均值数组、方差数组、偏态数组和峰度数组进行数据处理,提取荷电因子特征数组。
根据本发明提供的一种大数据预测电池SOC的特征数据提取方法,对均值数组、方差数组、偏态数组和峰度数组进行融合处理,得到融合数据;利用转化公式对融合数据进行转化,得到协方差矩阵;对协方差矩阵进行特征值分解,得到多个特征值,将特征值按照从大到小的顺序排列,选择最大的若干个特征值,将对应最大的若干个特征值的特征向量作为行向量组成特征向量矩阵;对特征向量矩阵进行降维处理,得到荷电因子特征数组。
本发明的优点有:1、本发明通过对训练数据中的电压进行修正,以此获得更为精确的修正电压,通过对电池电压曲线进行电压区间划分,获得每个电压区间的比较电压,对比较电压进行数据处理,以此得到荷电因子特征数组,将荷电因子数组作为预测电池SOC值的特征数据,大幅度提高了预测电池SOC的精度,另外减少了神经网络处理数据的数据量,处理效率更高;
2、本发明荷电因子提取模块用于对比较电压进行数据处理,通过提取比较电压的均值、方差、偏态和峰度构建数组进行数据处理,获得更能真实反映电池特性的特征参数,处理的方式简单,减少了数据处理量;
3、本发明通过对荷电因子数组进行处理,对荷电因子进行简化处理,获得更为简单的且更为精确的荷电因子特征数组,以此获得更为精准预测电池SOC的荷电因子特征数组,处理方法简单;
4、本发明的电压是通过第一修正系数和第二修正系数进行修正的,第一修正系数与电流有关,第二修正系数与温度有关,本发明对电压的修正充分考虑了电流与温度对电压的影响,修正的方式简单,能够获取真实反映电池的修正电压;
5、本发明获得第一修正系数和第二修正系数的方式非常的简单,结合了电池的训练数据进行提取,真实反映电池的特性。
本发明的预测电池SOC的特征数据提取能够准确获取电池的特征参数,大幅度减小了神经网络的数据处理量,数据处理的难度大幅度降低,获得的结果能够更加真实的反映电池的特性,具有极大的推广价值。
附图说明
图1:本发明的提取方法流程示意图;
图2:本发明的荷电因子特征数组提取流程图;
图3:某锂电池电池电压区间划分示意图;
图4:某锂电池S0电压区间时间与比较电压的曲线图;
图5:某锂电池进行荷电因子特征数组提取后的SOC预测曲线与未进行荷电因子特征数组提取的SOC预测曲线示意图。
具体实施方式
下面详细描述本发明的实施例,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
下面结合附图和具体实施例对本发明作进一步的详细说明。
本申请涉及到一种大数据预测电池SOC的特征数据提取***,本申请的特征数据提取***是通过对电池的训练数据进行处理,提取有关电压的荷电因子特征数组作为用于预测电池SOC的特征数据。本申请的训练数据是通过采集电池的运行参数形成的大数据,训练数据包括电池运行的电压、电流和电流等参数,现有技术中神经网络接收到训练数据后,需要对训练数据中的所有数据进行处理,本申请是通过对训练数据中的采样电压进行修正,对采样电压数据进行处理最后得到能够真实反映电池特性的特征参数。数据处理量得到了大幅度的降低,也不像现有技术中处理方式的无规则性,数据处理的难度得到了极大的降低,数据处理的效率得到了提升。
具体的,本申请的特征数据提取***包括电压修正模块、电压分区模块、参比电压获取模块、比较电压获取模块和荷电因子提取模块,其中电压修正模块用于对训练数据中的采样电压进行修正以获得修正电压,电压分区模块用于按照电池电压范围将电压曲线划分为若干个电压区间,参比电压获取模块用于根据划分电压区间确定每个电压区间内的参比电压,比较电压获取模块根据修正电压以及所处电压区间的参比电压确定比较电压,荷电因子提取模块根据比较电压提取荷电因子特征数组作为预测电池SOC的特征数据。
通过对电池充放电性能分析可以得到:电流电压越大,电池SOC越大,即电池SOC与电压是正相关的。因此,可以通过对电压进行数据处理,提取特征参数作为预测电池SOC的荷电因子。考虑到训练数据中不仅仅是电压会对电池SOC预测产生影响,电流和温度也会对电池SOC预测产生影响,因此本申请在提取特征参数的过程中,需要对电压进行修正,利用电压修正模块对采样电压进行修正,将电流和温度对电池SOC预测的影响考虑进去。
电池的电压涵盖了一个比较宽的范围,如果直接在这个范围内进行分析,那可能会导致很大的偏差。因此本申请对电池的电压曲线进行分区,比如三元体系电池工作电压范围为3~4.2V,假设将电池电压曲线分为10个电压区间,那么S0对应的电压区间为3~3.12V,S1对应的电压区间为3.12~3.24V,依此类推S9对应的电压区间为4.08~4.20V。磷酸铁锂体系电池电压范围为2.50~3.65V,那边S0对应的电压区间为2.500~2.615V,S1对应的电压区间为2.615~2.730V,依此类推S9对应的电压区间为3.535~3.650V。
每个电压区间都需要设定一个参比电压,参比电压获取模块就是根据电压区间确定每个电压区间内的参比电压,确定的参比电压与修正电压进行比较以此来获得比较电压。
对比较电压进行数据处理,提取荷电因子特征数组作为预测电池SOC的特征数据,将荷电因子特征数组存放在神经网络的数据库内,后续电池在使用过程中,就可以基于这个荷电因子特征数组去预测电池SOC。
本申请的特征数据提取***简单,削减了数据处理量,提高了处理效率,特征数据获取的精度也得到了大幅度的提升。
在本申请的一些实施例中,荷电因子提取模块包括均值数组获取模块、方差数组获取模块、偏态数组获取模块、峰度数组获取模块和数据处理模块,均值数组获取模块根据每个电压区间内比较电压的均值获取均值数组,方差数组获取模块根据每个电压区间内比较电压与均值的方差获取方差数组,偏态数组获取模块根据每个电压区间内比较电压、均值以及标准差的三次方获取偏态数组,峰度数组获取模块根据每个电压区间内比较电压、均值以及标准差的四次方获取峰度数组,数据处理模块用于对均值数组、方差数组、偏态数组和峰度数组进行处理提取出荷电因子特征数组。
具体的假设电池的电压范围划分为10个电压区间,获取每个电压区间的比较电压,然后提取每个电压区间的不同时刻的比较电压分布的阶矩特征作为荷电因子,本申请使用的阶矩特征包括一阶矩的均值、二阶矩的方差、三阶矩的偏态和四阶矩的峰度。这样可以构建四个数组,包括均值数组、方差数组、偏态数组和峰度数组。
获取均值数组的方法为:获取每个电压区间内比较电压的和值,将和值与该电压区间内采样样本数的比值作为均值,每个电压区间一个均值,将所有电压区间的均值组合形成均值数组;
具体计算公式如下:
n——该电压区间内采样样本数;
xi——该电压区间内比较电压。
获取方差数组的方法为:每个电压区间采样电压对应的比较电压与该电压区间均值的差值的平方,电压区间内所有比较电压对应的平方的和与采样样本数的比值即为该电压区间的方差,每个电压区间对应一个方差,将所有电压区间的方差组合形成方差数组;
具体计算公式如下:
其中:s2——该电压区间内比较电压的方差;
s——该电压区间内比较电压的标准差;
n——该电压区间内采样样本数;
xi——该电压区间内比较电压。
获取偏态数组的方法为:每个电压区间采样电压对应的比较电压与该电压区间均值的差值的三次方,每个三次方与对应标准差的三次方的比值,电压区间内所有比较电压对应的比值的和与采样样本数的比值即为偏态,每个电压区间对应一个偏态,将所有电压区间的偏态组合形成偏态数组;
具体计算公式如下:
其中:sk——该电压区间内比较电压的偏态;
s——该电压区间内比较电压的标准差;
n——该电压区间内采样样本数;
xi——该电压区间内比较电压。
获取峰度数组的方法为:每个电压区间采样电压对应的比较电压与该电压区间均值的差值的四次方,每个四次方与对应偏态平方的比值,该电压区间内所有比值的和与该电压区间采样样本数的比值同3的差值即为峰度;
具体的计算方法如下:
其中:KE——该电压区间内比较电压的峰度;
sk——该电压区间内比较电压的偏态;
n——该电压区间内采样样本数;
xi——该电压区间内比较电压。
假设本申请的电压曲线划分为10个电压区间,那构建的均值数组、方差数组、偏态数组和峰度数组都是1×10的数组。
在本申请的另外一些实施例中,本实施例对数据处理模块进行了优化,具体的数据处理模块包括融合模块、转化模块、分解模块和提取模块,融合模块用于将均值数组、方差数组、偏态数组和峰度数组进行融合处理得到融合数据;转化模块用于将融合数据进行转化得到荷电因子协方差矩阵;分解模块用于对荷电因子协方差矩阵进行处理得到多个特征值,并基于特征值构建特征向量矩阵;提取模块利用公式对特征向量矩阵进行降维处理得到荷电因子特征数组。
首先,通过处理公式将将均值数组、方差数组、偏态数组和峰度数组进行融合处理,形成融合数据,再通过转化公式对融合数据进行处理,得到荷电因子的协方差矩阵,第三步对荷电因子协方差矩阵进行特征值分解,将所获得的特征值按照从大到小的顺序排列,选择其中最大的若干个特征值,然后将选择的若干个特征值对应的特征向量分别作为行向量组成特征向量矩阵,即侯建了特征向量矩阵,最后利用公式对特征向量矩阵进行降维处理,得到最终的荷电因子特征数组。
在本申请的一些实施例中,本实施例对电压修正模块进行了优化,挤推的电压修正模块用于根据训练数据中的电流得到的第一修正系数、根据训练数据中的温度得到的第二修正系数以及初始电压计算修正电压。
第一修正系数是与电流有关的系数,第二修正系数是与温度有关的系数。其中,第一修正系数为电流与训练数据中最小电流的差值同训练数据中最大电流与最小电流的差值的比值,第二修正系数为温度与训练数据中最小温度的差值同训练数据中最大温度与最小温度的差值的比值。
修正电压实际上就是第一修正系数、第二修正系数与采样电压的乘积。
本申请还提供一种大数据预测电池SOC的特征数据提取方法,按照以下步骤进行,如图1~2所示:
S1、对获取的电池训练数据进行处理,对训练数据中的电压进行修正获得修正电压。
训练数据是采集电池运行时的参数,包括采样电压、采样电流和采样温度,采样电压需要进行修正,修正的方法是通过采样电流获取第一修正值,通过采样温度获取第二修正值;
第一修正值的获取方法是:选择训练数据中采样电流最大值和最小值,采样电流与采样电流最小值的差值同采样电流最大值与采样电流最小值的比值即为第一修正值。
第二修正值的获取方法是:选择训练数据中采样温度最大值和最小值,采样温度与采样温度最小值的差值同采样温度最大值与采样温度最小值的比值即为第二修正值。
修正电压的获取方法是:采样电压与第一修正值、第二修正值的乘积即为修正电压。
本申请的第一修正值、第二修正值和采样电压是一一对应的,即每个采样电压对应独一无二的第一修正值和第二修正值。
S2、按照电池电压范围将电压曲线划分为若干个电压区间,获取每个电压区间内的参比电压;
按照电池电压范围将电池的电压曲线平均划分为若干个电压区间,每个电压区间的跨度是相同的,以每个电压区间的最小电压为参比电压。
S3、将修正电压与所处电压区间的参比电压进行比对,获得比较电压;
每个修正电压与所处电压区间的参比电压的差值即为比较电压。
S4、对比较电压进行数据处理,提前荷电因子特征数组作为预测电池SOC的特征数据。
对比较电压进行数据处理,计算每个电压区间内比较电压的均值,电压区间内比较电压的和值与该电压区间内采样样本数的比值即为电压区间的均值,基于所有电压区间的均值构建均值数组;
每个电压区间采样电压对应的比较电压与该电压区间均值的差值的平方,电压区间内所有比较电压对应的平方的和与采样样本数的比值即为该电压区间的方差,每个电压区间对应一个方差,将所有电压区间的方差组合形成方差数组;
每个电压区间采样电压对应的比较电压与该电压区间均值的差值的三次方,每个三次方与标准差的三次方的比值,电压区间内所有比较电压对应的比值的和与采样样本数的比值即为偏态,每个电压区间对应一个偏态,将所有电压区间的偏态组合形成偏态数组;
每个电压区间采样电压对应的比较电压与该电压区间均值的差值的四次方,每个四次方与对应偏态平方的比值,该电压区间内所有比值的和与该电压区间采样样本数的比值同3的差值即为峰度,每个电压区间对应一个峰度,将所有电压区间的峰度组合形成峰度数组。
通过处理公式将将均值数组、方差数组、偏态数组和峰度数组进行融合处理,形成融合数据,再通过转化公式对融合数据进行处理,得到荷电因子的协方差矩阵,第三步对荷电因子协方差矩阵进行特征值分解,将所获得的特征值按照从大到小的顺序排列,选择其中最大的若干个特征值,然后将选择的若干个特征值对应的特征向量分别作为行向量组成特征向量矩阵,即构建了特征向量矩阵,最后利用公式对特征向量矩阵进行降维处理,得到最终的荷电因子特征数组。
以三元体系的锂电池为例,如图3所示,是电池电压和时间的对应关系图。以S0电压区间为例,比较电压随时间趋势变化如图4所示,计算S0电压区间的均值为0.0047、方差为0.0001、偏态为0.5226、峰度为-0.8205,然后依次计算剩余电压区间的均值、方差、偏态和峰度,形成均值数组、方差数组、偏态数组和峰度数组。按照上述方法进行荷电因子特征数组的提取,按照该荷电因子特征数据进行预测,具体如图5所示,最大误差为起始时刻的3%,且SOC预测值逐渐逼近真实SOC值,预测呈收敛趋势;未经过特征提取后的SOC预测的精度较差,最大误差为6%,预测呈发散趋势。
此外,未经过特征提取的神经网络模型的学习时间约为3s,而经过特征提取的神经网络模型的学习时间为1s内,缩短了SOC预测时间,提高了SOC预测的效率。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (7)
1.一种大数据预测电池SOC的特征数据提取***,其特征在于:包括,
电压修正模块,所述电压修正模块用于对训练数据中的采样电压进行修正以获得修正电压;
电压分区模块,所述电压分区模块用于按照电池电压范围将电压曲线划分为若干个电压区间;
参比电压获取模块,所述参比电压获取模块用于根据电压区间确定每个电压区间的参比电压;
比较电压获取模块,所述比较电压获取模块根据修正电压以及所处电压区间的参比电压确定比较电压;
荷电因子提取模块,所述荷电因子提取模块根据比较电压提取荷电因子特征数组作为预测电池SOC的特征数据;
按照电池电压范围将电压曲线均分为若干个电压区间,以每个电压区间的最小电压为参比电压;
每个修正电压与所处电压区间的参比电压的差值即为比较电压;
所述荷电因子提取模块包括,
均值数组获取模块,所述均值数组获取模块根据每个电压区间内比较电压的均值获取均值数组;
方差数组获取模块,所述方差数组获取模块根据每个电压区间内比较电压与均值的方差获取方差数组;
偏态数组获取模块,所述偏态数组获取模块根据每个电压区间内比较电压、均值以及标准差的三次方获取偏态数组;
峰度数组获取模块,所述峰度数组获取模块根据每个电压区间内比较电压、均值以及标准差的四次方获取峰度数组;
数据处理模块,所述数据处理模块用于对均值数组、方差数组、偏态数组和峰度数组进行处理提取出荷电因子特征数组;
所述数据处理模块包括,
融合模块,所述融合模块用于将均值数组、方差数组、偏态数组和峰度数组进行融合处理得到融合数据;
转化模块,所述转化模块用于将融合数据进行转化得到荷电因子协方差矩阵;
分解模块,所述分解模块用于对荷电因子协方差矩阵进行处理得到多个特征值,并基于特征值构建特征向量矩阵;
提取模块,所述提取模块利用公式对特征向量矩阵进行降维处理得到荷电因子特征数组。
2.如权利要求1所述的一种大数据预测电池SOC的特征数据提取***,其特征在于:所述电压修正模块用于根据训练数据中的采样电流参数得到的第一修正系数、根据训练数据中的采样温度参数得到的第二修正系数以及初始电压计算修正电压。
3.如权利要求2所述的一种大数据预测电池SOC的特征数据提取***,其特征在于:所述第一修正系数为采样电流与训练数据中最小电流的差值同训练数据中最大电流与最小电流的差值的比值;所述第二修正系数为采样温度与训练数据中最小温度的差值同训练数据中最大温度与最小温度的差值的比值。
4.一种大数据预测电池SOC的特征数据提取方法,其特征在于:所述方法采用了如权利要求1~3任一所述的大数据预测电池SOC的特征数据提取***,按照以下步骤进行:
S1、对获取的电池训练数据进行处理,对训练数据中的采样电压进行修正获得修正电压;
S2、按照电池电压范围将电压曲线划分为若干个电压区间,获取每个电压区间内的参比电压;
S3、将修正电压与所处电压区间的参比电压进行比对,获得比较电压;
S4、对比较电压进行数据处理,提前荷电因子特征数组作为预测电池SOC的特征数据;
所述步骤S2中,按照电池电压范围将电压曲线均分为若干个电压区间,以每个电压区间的最小电压为参比电压;
每个修正电压与所处电压区间的参比电压的差值即为比较电压。
5.如权利要求4所述的一种大数据预测电池SOC的特征数据提取方法,其特征在于:所述步骤S1中,对训练数据中的采样电压进行修正获得修正电压的方法包括:基于训练数据中的采样电流数据获得第一修正系数,基于训练数据中的采样温度数据获得第二修正系数,通过训练数据中的采样电压与第一修正系数、第二修正系数得到修正电压。
6.如权利要求4所述的一种大数据预测电池SOC的特征数据提取方法,其特征在于:所述步骤S4中,对比较电压进行数据处理的方法包括:提取每个电压区间内比较电压的均值数组、方差数组、偏态数组和峰度数组,对均值数组、方差数组、偏态数组和峰度数组进行数据处理,提取荷电因子特征数组。
7.如权利要求6所述的一种大数据预测电池SOC的特征数据提取方法,其特征在于:对均值数组、方差数组、偏态数组和峰度数组进行融合处理,得到融合数据;利用转化公式对融合数据进行转化,得到协方差矩阵;对协方差矩阵进行特征值分解,得到多个特征值,将特征值按照从大到小的顺序排列,选择最大的若干个特征值,将对应最大的若干个特征值的特征向量作为行向量组成特征向量矩阵;对特征向量矩阵进行降维处理,得到荷电因子特征数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870020.9A CN115079012B (zh) | 2022-07-22 | 2022-07-22 | 大数据预测电池soc的特征数据提取***及提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870020.9A CN115079012B (zh) | 2022-07-22 | 2022-07-22 | 大数据预测电池soc的特征数据提取***及提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115079012A CN115079012A (zh) | 2022-09-20 |
CN115079012B true CN115079012B (zh) | 2022-11-29 |
Family
ID=83241842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210870020.9A Active CN115079012B (zh) | 2022-07-22 | 2022-07-22 | 大数据预测电池soc的特征数据提取***及提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115079012B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635081A (zh) * | 2015-01-29 | 2015-05-20 | 西北工业大学 | 一种飞机发电机整流器的自适应故障诊断方法 |
CN106154168A (zh) * | 2016-04-01 | 2016-11-23 | 储盈新能源科技(上海)有限公司 | 数据驱动的动力电池荷电状态估计方法 |
CN106991409A (zh) * | 2017-04-14 | 2017-07-28 | 山东建筑大学 | 一种运动想象脑电信号特征提取与分类***及方法 |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
CN112924868A (zh) * | 2021-02-05 | 2021-06-08 | 上海实勤电源技术有限公司 | 一种soc估算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3010532B1 (fr) * | 2013-09-11 | 2017-06-09 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie |
US11391781B2 (en) * | 2019-02-15 | 2022-07-19 | Lg Energy Solution, Ltd. | SOC estimating apparatus and method |
-
2022
- 2022-07-22 CN CN202210870020.9A patent/CN115079012B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635081A (zh) * | 2015-01-29 | 2015-05-20 | 西北工业大学 | 一种飞机发电机整流器的自适应故障诊断方法 |
CN106154168A (zh) * | 2016-04-01 | 2016-11-23 | 储盈新能源科技(上海)有限公司 | 数据驱动的动力电池荷电状态估计方法 |
CN106991409A (zh) * | 2017-04-14 | 2017-07-28 | 山东建筑大学 | 一种运动想象脑电信号特征提取与分类***及方法 |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
CN112924868A (zh) * | 2021-02-05 | 2021-06-08 | 上海实勤电源技术有限公司 | 一种soc估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115079012A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229602B (zh) | 一种智能楼宇微网用电行为的识别方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及*** | |
CN109255094B (zh) | 基于SVR_Adaboost改进算法的商用货车质量估计方法 | |
CN110956312B (zh) | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 | |
EP4113139A1 (en) | Lithium battery soc estimation method and apparatus, and computer-readable storage medium | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN108810799B (zh) | 一种基于线性判别分析的多楼层室内定位方法及*** | |
CN113010504B (zh) | 基于LSTM和改进K-means算法的电力数据异常检测方法及*** | |
CN111829688A (zh) | 一种锂离子电池工作过程中的温度场分布预测方法 | |
CN113484764A (zh) | 基于多维阻抗谱的退役电池soh和一致性的评估方法 | |
CN111930839A (zh) | 退役动力电池储能装置的配组方法 | |
CN115079012B (zh) | 大数据预测电池soc的特征数据提取***及提取方法 | |
CN117074951A (zh) | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 | |
CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN111596292A (zh) | 基于重要性网络和双向堆叠循环神经网络的雷达目标识别方法 | |
CN108717166B (zh) | 一种基于视觉认知的锂电池容量估计的方法及装置 | |
CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
CN116885703B (zh) | 一种高维多元气象数据融合的短期风光功率预测方法 | |
CN116611025B (zh) | 一种脉冲星候选信号的多模态特征融合方法 | |
WO2015102074A1 (en) | Method for estimating state-of-charge of battery | |
CN115496153A (zh) | 多头自注意力的深度卷积嵌入聚类风光荷联合场景方法 | |
CN112285565B (zh) | 基于rkhs域匹配的迁移学习预测电池soh方法 | |
Cui et al. | An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM | |
CN110673470B (zh) | 基于局部加权因子模型的工业非平稳过程软测量建模方法 | |
CN108075467B (zh) | 一种基于多源证据融合的配电网低电压预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |