CN115358484A - 电池组容量预测方法及相关设备 - Google Patents

电池组容量预测方法及相关设备 Download PDF

Info

Publication number
CN115358484A
CN115358484A CN202211113456.XA CN202211113456A CN115358484A CN 115358484 A CN115358484 A CN 115358484A CN 202211113456 A CN202211113456 A CN 202211113456A CN 115358484 A CN115358484 A CN 115358484A
Authority
CN
China
Prior art keywords
data
capacity prediction
capacity
temperature
prediction model
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
Application number
CN202211113456.XA
Other languages
English (en)
Inventor
幸云辉
陈熙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ecoflow Technology Ltd
Original Assignee
Ecoflow Technology Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ecoflow Technology Ltd filed Critical Ecoflow Technology Ltd
Priority to CN202211113456.XA priority Critical patent/CN115358484A/zh
Publication of CN115358484A publication Critical patent/CN115358484A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种电池组容量预测方法及相关设备，所述方法包括：获取电池组的运行数据、所述运行数据对应的运行温度以及预设的标定温度；根据所述运行温度和所述标定温度对运行数据进行温度校准，得到目标数据；将目标数据输入经过训练的容量预测模型，得到所述电池组的目标容量预测值。本申请在进行容量预测之前，先对运行数据进行温度校准，得到目标数据。然后，再结合目标数据和经过训练的容量预测模型进行容量预测，从而在一定程度上提高了对电池组容量的预测精度。

Description

电池组容量预测方法及相关设备
技术领域
本申请涉及电池技术领域，尤其涉及一种电池组容量预测方法及相关设备。
背景技术
电池组(Battery Pack)广泛应用于各类设备中，如若能精准预测电池组的容量，对于保证电池组的健康使用、延长电池组的使用寿命有重要意义和价值。目前，电池组容量的预测方法主要是通过模型进行计算，然而，当前的模型通常未考虑环境对电池组容量退化的影响，因此，无法实现精准建模，也必然影响对电池组容量的预测精度。
发明内容
本申请实施例公开了一种电池组容量预测方法及相关设备，解决了电池组容量预测精度低的问题。
本申请提供一种电池组容量预测方法，所述方法包括：
获取电池组的运行数据、所述运行数据对应的运行温度以及预设的标定温度；
根据所述运行温度和所述标定温度对所述运行数据进行温度校准，得到目标数据；
将所述目标数据输入经过训练的容量预测模型，得到所述电池组的目标容量预测值。
在一些可选的实施方式中，所述根据所述运行温度和所述标定温度对所述运行数据进行温度校准，得到目标数据，包括：
获取预设的温度校准模型；
根据所述温度校准模型、所述标定温度以及所述运行温度，对所述运行数据进行温度校准，得到所述目标数据。
在一些可选的实施方式中，在所述获取预设的温度校准模型之前，所述方法还包括：
获取历史容量数据以及与所述历史容量数据对应的历史温度数据；
根据历史容量数据与所述历史温度数据，确定温度校准模型。
在一些可选的实施方式中，在所述将所述目标数据输入容量预测模型，得到目标容量预测值之前，所述方法还包括：
计算所述目标数据中每个数据对应的离群值，滤除大于第一阈值的离群值对应的数据，得到滤波数据；
对所述滤波数据进行降维计算，得到降维数据；
相应的，所述将所述目标数据输入经过训练的容量预测模型，得到目标容量预测值，包括：
将所述降维数据输入所述经过训练的容量预测模型，得到目标容量预测值。
在一些可选的实施方式中，在所述获取电池组的运行数据之前，所述方法包括：
利用第一寻优算法对初始的容量预测模型的隐藏层的神经元进行寻优，得到优化后的容量预测模型；
获取训练数据和所述训练数据对应的样本标签；
将所述训练数据输入所述优化后的容量预测模型，得到样本容量预测值；
根据所述样本容量预测值和所述样本标签，计算所述优化后的容量预测模型的损失函数值；
若所述损失函数值大于第二阈值，则将所述损失函数值作为所述优化后的容量预测模型反向传播的输入，利用第二寻优算法对所述反向传播对应的神经元的权重和偏置进行寻优，更新所述优化后的容量预测模型的权重和偏置，返回执行将所述训练数据输入所述优化后的容量预测模型的步骤；
若所述损失函数值小于或等于第二阈值，则将当前的优化后的容量预测模型确定为经过训练的容量预测模型。
在一些可选的实施方式中，所述利用第一寻优算法对初始的容量预测模型的隐藏层的神经元数量进行寻优，包括：
基于预设的状态概率值，确定所述初始的容量预测模型的隐藏层中各神经元的状态；
移除所述状态为第一状态的神经元，得到优化后的容量预测模型。
在一些可选的实施方式中，在所述将当前的优化后的容量预测模型确定为经过训练的容量预测模型之后，所述方法还包括：
获取测试数据和所述测试数据对应的测试标签；
将所述测试数据输入所述经过训练的容量预测模型，得到测试容量预测值；
根据所述测试标签与所述测试容量预测值计算所述经过训练的容量预测模型的误差值和拟合度；
若所述误差值大于第三阈值或所述拟合度小于第四阈值，返回执行获取训练数据和所述训练数据对应的样本标签的步骤。
本申请还提供一种电池组容量预测装置，所述装置包括获取模块、温度校准模块以及预测模块：
所述获取模块，用于获取电池组的运行数据、所述运行数据对应的运行温度以及预设的标定温度；
所述温度校准模块，用于根据所述运行温度和所述标定温度对所述运行数据进行温度校准，得到目标数据；
所述预测模块，用于将所述目标数据输入经过训练的容量预测模型，得到所述电池组的目标容量预测值。
本申请还提供一种电子设备，所述电子设备包括处理器和存储器，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所述的电池组容量预测方法。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质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电池组容量预测方法。
在本申请提供的电池组容量预测方法中，考虑到温度会对电池组容量产生较大的影响，所以，在进行容量预测之前，可以先根据运行数据对应的运行温度和预先设定的标定温度对运行数据进行温度校准，通过温度校准的方式降低温度差异所造成的影响，得到目标数据。然后，再结合目标数据和经过训练的容量预测模型进行容量预测，降低温度对目标容量预测值的影响，从而在一定程度上提高了对电池组容量的预测精度。
附图说明
图1是本申请实施例提供的电池组容量预测方法的应用场景示意图。
图2是本申请实施例提供的电池组容量预测方法的流程图。
图3是本申请实施例提供的温度校准模型的曲线图。
图4是本申请实施例提供的训练容量预测模型的流程图。
图5是本申请实施例提供的神经网络结构示意图。
图6是本申请实施例提供的对目标数据进行扩展处理的流程图。
图7是本申请实施例提供的电池组容量预测装置的结构图。
具体实施方式
为了便于理解，示例性的给出了部分与本申请实施例相关概念的说明以供参考。
需要说明的是，本申请中“至少一个”是指一个或者多个，“多个”是指两个或多于两个。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不是用于描述特定的顺序或先后次序。
本申请实施例提供的电池组容量预测方法可以应用于具备电池组的电子设备中。上述电子设备可以包括手机、平板电脑、笔记本电脑、智能语音交互设备、智能家居设备、车载设备、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digitalassistant，PDA)、家用储能设备、移动储能设备、自移动设备等设备中的任意一种电子设备。
为了更好地理解本申请实施例提供的电池组容量预测方法及相关设备，下面首先对本申请电池组容量预测方法的应用场景进行描述。
图1是本申请实施例提供的电池组容量预测方法的应用场景示意图。本申请实施例提供的电池组容量预测方法应用于电子设备1中，所述电子设备1包括，但不限于，通过通信总线11互相通信连接的存储器12、至少一个处理器13以及数据采集单元14。数据采集单元14可以是具备数据采集功能的数据采集设备，用于采集电池组的运行数据，将采集到的运行数据存储至存储器12中，以便处理器13作相应的数据处理。
图1仅仅是电子设备1的示例，并不构成对电子设备1的限定，实际应用中，电子设备1可以包括比图示更多或更少的部件，或者组合某些部件，或者替换不同的部件，例如电子设备1还可以包括输入输出设备、网络接入设备等。
为解决由于环境的影响导致电池组容量预测精度低的技术问题，本申请实施例提供一种电池组容量预测方法，能够对电池组的运行数据进行温度校准，结合了对温度因素的考量，从而保障电池组容量的预测精度。如图2所示，图2示出了本申请实施例提供的电池组容量预测方法的流程图。
所述电池组容量预测方法应用在电子设备(例如图1的电子设备1)中。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21，获取电池组的运行数据、运行数据对应的运行温度以及预设的标定温度。
在本申请的实施例中，在预设的时间周期内对电池组进行充放电，可以直接获取电池组在充放电期间内的数据作为运行数据。例如：上述运行数据可以包括电池组的运行温度、充电电压、充电过程中的荷电状态(State of Charge,SOC)以及充电时间等参数中的一项或多项。其中，当SOC＝1时，表示电池已充满，当SOC＝0时，表示电池已耗尽。
和/或，运行数据也可以是间接计算得到的数据。例如：可以根据对直接获取的充电电压、充电过程中的荷电状态以及充电时间进行计算，得到单体电池电压增量、与单体电池电压增量对应的充电容量增量、电池组SOC增量、与电池组SOC增量对应的充电容量增量、充电时间增量、用户单次充电的SOC变化量等。
上述运行数据对应的运行温度为采集到上述运行数据时电池组的温度。上述标定温度为预先设置的参考温度，上述标定温度可以根据电池组的适宜使用温度进行设定，例如，上述标定温度可以是20℃、25℃、30℃或其他温度值。
步骤22，根据运行温度和标定温度对运行数据进行温度校准，得到目标数据。
在本申请实施例中，可以基于历史数据训练数学模型以获得能够对温度实现调校的温度校准模型。具体地，获取历史容量数据以及历史容量数据对应的温度数据，例如，历史容量数据可以包括历史充电电压以及历史充电过程中的荷电状态等参数中的一项或多项。
上述根据历史容量数据与历史温度数据，确定温度校准模型，具体包括：对历史容量数据以及历史容量数据对应的温度数据进行计算，得到容量保持率，根据容量保持率与温度数据的关系，生成容量保持率与温度数据的拟合公式，即温度校准模型。
例如，在一些示例中，可以获取同一电池组在不同温度下的历史容量数据，将某一温度数据确定为标定温度(比如25℃)，将标定温度对应的历史容量数据确定为参考容量数据。然后，可以将不同温度数据对应的历史容量数据除以参考容量数据，得到不同温度数据对应的容量保持率。之后，可以根据不同温度数据对应的容量保持率进行曲线拟合，得到容量保持率与温度数据的拟合公式，即温度校准模型。
上述温度校准模型的表现形式可以为一次函数、多次函数、指数函数、幂函数等函数类型的任意一种，其具体表现形式可以根据实际需求进行设置。例如，在一些示例中，温度校准模型的表达式可以为：
Figure BDA0003844517730000041
上式中，Q(i)代表温度校准前的第i个运行数据，Q′(i)代表温度校准后的第i个运行数据，Ti代表第i个运行数据对应的运行温度值。
结合图3所示的温度校准模型的曲线图进行说明。如图3所示的曲线图反映了历史温度与容量保持率的关系，从曲线图中可以得到容量保持率与温度数据的拟合公式。
根据确定的温度校准模型、标定温度以及从运行数据对应的运行温度，可以对运行数据中与容量相关的参数(例如充电容量增量等参数)进行温度校准，通过温度校准模型将不同运行温度下的运行数据映射到标定温度，得到目标数据。
在本申请的实施例中，通过对运行数据进行温度校准，可以在一定程度上降低温度对容量预测的影响。
步骤23，将目标数据输入经过训练的容量预测模型，得到所述电池组的目标容量预测值。
在获取到目标数据之后，可以将上述目标数据输入经过训练的容量预测模型，得到容量预测模型输出的目标容量预测值。
上述目标容量预测值可以理解为上述电池组在标定温度下的容量预测值。
上述容量预测模型的具体类型可以根据实际需求进行设置。例如，上述容量预测模型可以包括长短期记忆网络(Long Short-Term Memory，LSTM)、循环神经网络(Recurrent Neural Network，RNN)、卷积神经网络(Convolutional Neural Networks，CNN)等类型的模型中的任意一种或多种的组合。
另外，在获取到初始的容量预测模型之后，为了使该容量预测模型可以准确地预测电池组的容量，需要对上述初始的容量预测模型进行训练。
在对上述初始的容量预测模型进行训练时，通常需要训练出大量的网络参数。如果神经网络的结构太复杂，且训练的样本数据量较小，则在训练的过程中容易造成过拟合的情况。因此，在本申请的实施例中，为了在保障模型训练效率的同时避免训练过程中发生过拟合，可以基于寻优算法对初始的容量预测模型进行训练。其中，对容量预测模型的详细训练过程可参考下文对图4所示流程步骤的详细介绍。
图4是本申请实施例提供的训练容量预测模型的流程图，如图4所示，训练容量预测模型包括以下步骤：
步骤41，利用第一寻优算法对初始的容量预测模型的隐藏层的神经元进行寻优，得到优化后的容量预测模型。
利用第一寻优算法对初始的容量预测模型的隐藏层的神经元进行寻优，得到优化后的容量预测模型。其中，第一寻优算法可以是Dropout算法，Dropout算法表示在神经网络训练过程中，随机移除部分隐藏层的神经元，同时移除掉对应的神经元的所有输入与输出。在每一次训练的过程中，在所有的神经元中随机移除固定比例的神经元。
利用第一寻优算法对初始的容量预测模型的隐藏层的神经元进行寻优，具体包括：基于预设的状态概率值，确定初始的容量预测模型的隐藏层中各神经元的状态，移除所述状态为第一状态的神经元，得到优化后的容量预测模型对应的神经网络结构。
根据预设的状态概率值，确定初始的容量预测模型的隐藏层中各神经元的状态，包括小于预设的状态概率值的隐藏层的神经元的第一状态，以及大于预设的状态概率值的隐藏层的神经元的其他状态。在每次训练的过程中，移除隐藏层中神经元的状态为第一状态的神经元，将其他状态的神经元作为优化后的容量预测模型待训练的神经元。
图5是本申请实施例提供的神经网络结构示意图。如图5所示，图5中的(a)场景展示了对隐藏层的神经元优化前的神经网络结构，以及，图5中的(b)场景对隐藏层的神经元优化后的神经网络结构。
在一具体的实施例中，假设初始的容量预测模型有n个神经元(即图5中的实线○符号)，n为大于或等于1的自然数。每个神经元设置有一随机的状态值，该状态值的取值范围在[0,1]的区间内。根据预设的状态概率值P，比较隐藏层的神经元的状态值与预设的状态概率值P的大小，若隐藏层的神经元的状态值小于预设的状态概率值P，将小于预设的状态概率值P的神经元(即包含了×符号的虚线○符号)移除，保留大于预设的状态概率值P的神经元。
在另一具体的实施例中，假设初始的容量预测模型有n个神经元。每个神经元可以根据随机的状态概率值P，确定本神经元的状态。例如，假设P的值为0.4，则每个神经元有40％的概率处于第一状态，有60％的概率处于其他状态。在确定了每个神经元的状态之后，可以移除第一状态对应的神经元，保留其他神经元。
在每一次训练的过程中，根据预设的状态概率值P可以获取隐藏层中的神经元被保留的神经元，每一次训练就相当于从原始网络中抽取一个子网络，子网络中待训练的神经元为被保留的神经元。利用第一寻优算法能够有效地提升优化后的容量预测模型的泛化能力，避免过拟合。
步骤42，获取训练数据和训练数据对应的样本标签。
可以从电池组的历史运行数据中获取训练数据以及训练数据对应的样本标签，训练数据对应的样本标签为训练数据的样本标签值，即上述训练数据对应的真实的容量值。
另外，在一些实施例中，为了降低温度对模型训练过程的影响，可以在获取到训练数据和样本标签之后，对训练数据和样本标签进行温度校正，使用温度校正后的训练数据和样本标签进行模型训练。
步骤43，将训练数据输入优化后的容量预测模型，得到样本容量预测值。
将训练数据输入优化后的容量预测模型，执行前行传播过程，计算样本容量预测值，具体计算公式如下：
Figure BDA0003844517730000061
式中，
Figure BDA0003844517730000062
表示样本容量预测值，f表示优化后的容量预测模型的一次前向传播。
步骤44，根据样本容量预测值和样本标签，计算优化后的容量预测模型的损失函数值。
基于训练数据对应的样本标签，判断优化后的容量预测模型的训练效果，具体为：将训练数据输入优化后的容量预测模型，计算优化后的容量预测模型在前向传播过程中输出的样本容量预测值
Figure BDA0003844517730000063
进一步计算样本容量预测值与样本标签的差值，得到优化后的容量预测模型的损失函数值，计算损失函数值得具体公式如下：
Figure BDA0003844517730000064
式中，N表示训练数据的长度(或者，也可以理解为训练数据的数量)，t表示训练数据的序号，yt表示第t个训练数据对应的样本标签值，
Figure BDA0003844517730000065
表示第t个训练数据对应的样本容量预测值。
根据样本容量预测值的损失函数值判断优化后的容量预测模型是否训练完成。
步骤45，若损失函数值大于第二阈值，则将损失函数值作为优化后的容量预测模型反向传播的输入，利用第二寻优算法对反向传播对应的神经元的权重和偏置进行寻优，更新优化后的容量预测模型的权重和偏置，返回步骤43将训练数据输入所述优化后的容量预测模型。
具体地，在确定损失函数值大于第二阈值时，可以确定优化后的容量预测模型未达到收敛状态，继续执行反向传播过程，将损失函数值作为执行反向传播的输入，利用第二寻优算法对反向传播当前训练对应的神经元的权重和偏置进行寻优，第二寻优算法可以是Adam算法，Adam算法是一种梯度优化算法。
利用第二寻优算法对反向传播当前训练对应的神经元的权重和偏置进行寻优，具体为：在反向传播过程中，计算在第t步的梯度，具体公式如下：
Figure BDA0003844517730000067
式中，θ表示容量预测模型中待优化的网络参数，J(θ)表示θ的目标函数，
Figure BDA0003844517730000066
表示θ的梯度，gt表示θt-1的梯度，θt-1表示第(t-1)步的网络参数。
相应地，计算在第t步的梯度的指数移动平均数mt以及梯度平方的指数移动平均数vt，具体公式如下：
Figure BDA0003844517730000071
式中，β1和β2为指数衰减因率，β1用于控制权重分配，β2用于控制梯度平方的影响情况。
由于m0和v0会在计算过程中初始化为0，这使得开始阶段的mt和vt都偏向于0，所以需要进行偏差纠正，降低偏差对训练初期的影响，偏差纠正公式如下所示：
Figure BDA0003844517730000072
式中，
Figure BDA0003844517730000073
和
Figure BDA0003844517730000074
为mt和vt在纠正后的修改值，最后利用
Figure BDA0003844517730000075
和
Figure BDA0003844517730000076
更新待优化的网络参数，具体公式如下：
Figure BDA0003844517730000077
式中，θt为第t步的网络参数，α为初始学***滑指数。
上述各公式中的相关参数的取值可以根据实际需求进行设置，例如，在一示例中，各参数的取值可以为：β1＝0.9，β2＝0.999，α＝0.001，ε＝10-8。
根据上述Adam算法可以更新当前训练对应的神经元的权重和偏置。在更新了权重和偏置以后，可以返回执行步骤43，继续执行前向传播过程，直至优化后的容量预测模型达到收敛状态。
步骤46，若损失函数值小于或等于第二阈值，则将当前的优化后的容量预测模型确定为经过训练的容量预测模型。
在确定损失函数值小于或等于第二阈值时，可以确定优化后的容量预测模型已达到收敛状态。此时，可以将当前的优化后的容量预测模型确定为经过训练的容量预测模型。
此外，在一些实施例中，在确定损失函数值小于或等于第二阈值时，还可以判断优化后的容量预测模型是否达到预设的训练次数。将执行一次前向传播过程以及一次反向传播过程作为一次训练次数。若当前训练的次数小于预设的训练次数，则可以利用第二寻优算法对反向传播对应的神经元的权重和偏置进行寻优，更新优化后的容量预测模型的权重和偏置，返回步骤43将训练数据输入所述优化后的容量预测模型；若当前训练的次数等于预设的训练次数，判断模型训练完成，将当前的优化后的容量预测模型确定为经过训练的容量预测模型。
在上述实施例中，根据第一寻优算法与第二寻优算法的优化，有效提升了经过训练的容量预测模型的泛化能力，提高了容量预测模型的预测效率以及预测精度。
在一些实施例中，在将当前的优化后的容量预测模型确定为经过训练的容量预测模型之后，还可以对经过训练的容量预测模型的测试，验证经过训练的容量预测模型的预测效果。
在历史运行数据中获取测试数据和测试数据对应的测试标签，测试数据对应的测试标签为测试数据的测试标签值，即上述测试数据对应的真实的容量值。将测试数据输入经过训练的容量预测模型，得到测试容量预测值，根据测试标签与测试容量预测值计算经过训练的容量预测模型的误差值和拟合度，若误差值大于第三阈值或拟合度小于第四阈值，返回步骤42执行获取训练数据和训练数据对应的样本标签。
根据测试标签与测试容量预测值计算经过训练的容量预测模型的误差值和拟合度，具体为：可以根据测试标签与测试容量预测值计算均方误差以及平均绝对误差来评估经过训练的容量预测模型的预测效果，还可以根据测试标签与测试容量预测值计算拟合度来评估经过训练的容量预测模型的预测效果，具体的计算公式如下：
Figure BDA0003844517730000081
Figure BDA0003844517730000082
Figure BDA0003844517730000083
式中，RMSE表示均方根误差，MAE表示平均绝对误差，R2表示拟合度，m表示测试数据的长度(或者，也可以理解为测试数据的数量)，k表示测试数据的序号，yk表示第k个测试数据对应的测试标签值，
Figure BDA0003844517730000084
表示第k个测试数据的容量预测值，
Figure BDA0003844517730000085
表示测试数据的容量均值。
如果均方误差以及平均绝对误差大于第三阈值或拟合度小于第四阈值，表征经过训练的容量预测模型未达到预期的预测精度，需要重新对容量预测模型进行训练，重新获取训练数据和训练数据对应的样本标签，重新调整模型的参数，以提升容量预测模型的预测精度。
在实际应用中，均方根误差和平均绝对值误差需满足小于第三阈值，第三阈值可以根据实际需求进行设置，且不同类型的误差值可以对应相同或不同的第三阈值。例如，均方根误差对应的第三阈值可以是4％，平均绝对误差对应的第三阈值可以是2％。
在一示例性的场景中，可以从20个不同老化程度的三元锂电池组中随机选择两个电池组测试训练后的容量预测模型的性能。选择的两个电池组的额定容量都为24Ah，两个电池组的真实容量分别为22.18Ah和22.92Ah，分别通过数据采集单元采集两个电池组的运行数据，数据采集单元以10HZ的采集频率获取两个电池组的运行数据，单体电池电压增量可以选择3.8V-4.1V的增量，即为0.3V，电池组SOC增量可以选择50％-80％的增量，即30％的电池组SOC增量。
将上述运行数据输入训练后的容量预测模型，得到上述两个电池组对应的容量预测值。根据上述两个电池组的初始容量和上述两个电池组的容量预测值，计算上述两个电池组对应的均方误差、平均绝对误差和拟合度，得到表1和表2所示的结果。
表1和表2为根据均方根误差、平均绝对值误差和拟合度对22.18Ah电池组和22.92Ah电池组的评估，表1是22.18Ah电池组的容量预测评估结果，表2是22.92Ah电池组的容量预测评估结果。
表1-22.18Ah电池组的容量预测评估结果
RMSE(％) MAE(％) R<sup>2</sup>
2.32％ 1.57 0.96
表2-22.92Ah电池组的容量预测评估结果
RMSE(％) MAE(％) R<sup>2</sup>
1.95 1.32 0.97
以上评估结果表明，本申请实施例提供的容量预测模型的有效性。
在本申请的实施例中，通过对容量预测模型的训练以及测试(包括训练效果的验证)，保障了容量预测模型的容量预测的准确性，在容量预测模型的训练过程中，结合第一寻优算法和第二寻优算法，避免容量预测模型过拟合的同时，也优化了容量预测模型的计算效率。
在一具体的实施例中，上述真实的容量值得获取方式包括：在能够精准获取充电电流以及充电过程中的荷电状态的情况下，计算当前时刻电池组的最大可用容量作为真实容量，根据真实容量对模型进行训练或评估模型的准确性。
计算当前时刻电池组的最大可用容量的方式具体为：从运行数据中获取任意时间段的充电电流，利用安时积分法计算电池组实际的片段充电容量，再将片段充电容量与该时间段充电的荷电状态变化量作比值，得到当前时刻电池组的最大可用容量，具体计算公式如下：
Figure BDA0003844517730000091
Figure BDA0003844517730000092
式中，Capart表示部分充电容量，I(t)表示时刻的充电电流，tSOC＝20和tSOC＝90分别表示充电片段的起始时间和结束时间，Cam表示电池组当前时刻的最大可用容量，ΔSOC表示该充电片段SOC的变化量。
在本申请的实施例中，对步骤22的目标数据还可进一步处理，具体可参考图6所示的流程图。图6是本申请实施例提供的对目标数据进行扩展处理的流程图，如图6所示，对步骤22得到的目标数据进一步作如下处理：
步骤61，计算目标数据中每个数据对应的离群值，滤除大于第一阈值的离群值对应的数据，得到滤波数据。
目标数据为经过预设的温度校准模型进行校准的数据，在目标数据中可能存在部分无效数据会影响容量预测结果，无效数据为明显存在异常的数据。
因此，为了降低无效数据对容量预测结果的影响，可以采用局部离群因子(LocalOutlier Factor，LOF)算法对目标数据进行处理，滤除目标数据中明显存在异常的数据。
计算目标数据中每个数据对应的离群值，比较离群值与第一阈值的大小，将大于第一阈值的离群值对应的数据作为无效数据，并将无效数据进行滤除，得到滤波数据。离群值的计算公式具体为：
Figure BDA0003844517730000093
式中，LOFk(p)表示点p的离群值，Nk(p)表示点p的k距离邻域，点o为邻域内的某一点，lrdk(p)、lrdk(o)分别表示点p与点o的局部可达密度。
步骤62，对滤波数据进行降维计算，得到降维数据。
高维数据样本具有稀疏性，导致模型比较难找到数据特征，为了模型更好的进行训练，需要对高维数据采用降维技术进行降维处理，降维技术可以是主成分分析、线性判别分析等。
在本申请的实施例中，为了避免滤波数据的稀疏性，对滤波数据进行降维处理，得到经过处理后的降维数据。
首先对滤波数据进行中心化，假设滤波数据为n维的数据集D＝(x(1),x(2),...,x(m))，数据集D中包含多个滤波数据，对数据集D中的所有滤波数据进行中心化，具体的公式如下：
Figure BDA0003844517730000094
式中，m代表滤波数据的总个数，i代表当前滤波数据的标号。
其次，对所有滤波数据进行中心化以后，计算滤波数据的协方差矩阵XXT，对协方差矩阵进行特性值分解，得到从大到小进行排序的特征值，选取前n′个特征值对应的特征向量
Figure BDA0003844517730000101
对选取出的特征向量进行标准化，构建特征向量矩阵θ。
最后，针对数据集D中的每一个滤波数据x(i)，分别投影到构建的特征向量矩阵θ上，将每个滤波数据转化为z(i)＝θTx(i)，得到降维后的数据集D′＝(z(1),z(2),...,z(m))，即降维数据。
降维数据为对步骤22中目标数据进一步处理后的数据，为提升模型的预测精度，在本申请实施例中，可以将降维数据输入经过训练的容量预测模型，从而得到目标容量预测值，具体包括：将降维数据对应的数据集D′＝(z(1),z(2),...,z(m))转换成输入经过训练的容量预测模型的初始特征向量X＝{x1,x2,…,xm}，将初始特征向量输入经过训练的容量预测模型以后，输出目标容量预测值的集合Y＝{C1,C2,…,Cm}，C表示目标容量预测值，m代表待预测的电池组的数量。
综上，本申请通过对运行数据进行温度校准的方式，降低了温度对电池组容量的影响，可以在一定程度上提高容量预测的准确性。另外，在训练容量预测模型时，通过第一寻优算法以及第二寻优算法对容量预测模型的优化，提升了容量预测模型的预测精度，容量预测模型能够充分的学习到电池老化过程中各项运行数据(例如电池的电压、电流、温度、恒流充电时间等)与电池组容量之间的非线性映射关系，提供快速精准的容量预测，满足实时预测容量的要求。其中，第一寻优算法避免了容量预测模型过拟合，第二寻优算法提高了容量预测模型的计算效率，相较于通常的神经网络模型的训练方法，本申请提供的方法具备训练时长短，调参少的优势。
图7是本申请实施例提供的电池组容量预测装置7的结构图。
在一些实施例中，所述电池组容量预测装置7可以包括多个由计算机程序段所组成的功能模块。所述电池组容量预测装置7中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)电池组容量预测的功能。
本实施例中，所述电池组容量预测装置7根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块710、温度校准模块720以及预测模块730。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本申请的实施例中，关于所述电池组容量预测装置7的限定可以参见上文对电池组容量预测方法的限定，在此不再详细赘述。
所述获取模块710，用于获取电池组的运行数据、所述运行数据对应的运行温度以及预设的标定温度。
所述温度校准模块720，用于根据所述运行温度和所述标定温度对所述运行数据进行温度校准，得到目标数据。
所述预测模块730，用于将所述目标数据输入经过训练的容量预测模型，得到所述电池组的目标容量预测值。
在一些可选的实施方式中，所述温度校准模块720，还用于：
获取预设的温度校准模型、标定温度以及所述运行数据对应的运行温度；
根据所述温度校准模型、所述标定温度以及所述运行温度，对所述运行数据进行温度校准，得到所述目标数据。
在一些可选的实施方式中，所述温度校准模块720，还用于：
获取历史容量数据以及与所述历史容量数据对应的历史温度数据；
根据历史容量数据与所述历史温度数据，确定温度校准模型。
在一些可选的实施方式中，所述获取模块710，还用于计算所述目标数据中每个数据对应的离群值，滤除大于第一阈值的离群值对应的数据，得到滤波数据；
对所述滤波数据进行降维计算，得到降维数据；
相应的，所述将所述目标数据输入经过训练的容量预测模型，得到目标容量预测值，包括：
将所述降维数据输入所述经过训练的容量预测模型，得到所述电池组的目标容量预测值。
在一些可选的实施方式中，所述温度校准模块720，还用于：
利用第一寻优算法对初始的容量预测模型的隐藏层的神经元进行寻优，得到优化后的容量预测模型；
获取训练数据和所述训练数据对应的样本标签；
将所述训练数据输入所述优化后的容量预测模型，得到样本容量预测值；
根据所述样本容量预测值和所述样本标签，计算所述优化后的容量预测模型的损失函数值；
若所述损失函数值大于第二阈值，则将所述损失函数值作为所述优化后的容量预测模型反向传播的输入，利用第二寻优算法对所述反向传播对应的神经元的权重和偏置进行寻优，更新所述优化后的容量预测模型的权重和偏置，返回执行将所述训练数据输入所述优化后的容量预测模型；
若所述损失函数值小于或等于第二阈值，则将当前的优化后的容量预测模型确定为经过训练的容量预测模型。
在一些可选的实施方式中，所述利用第一寻优算法对初始的容量预测模型的隐藏层的神经元数量进行寻优，包括：
基于预设的状态概率值，确定所述初始的容量预测模型的隐藏层中各神经元的状态；
移除所述状态为第一状态的神经元，得到优化后的容量预测模型。
在一些可选的实施方式中，在所述将当前的优化后的容量预测模型确定为经过训练的容量预测模型之后，还包括：
获取测试数据和所述测试数据对应的测试标签；
将所述测试数据输入所述经过训练的容量预测模型，得到测试容量预测值；
根据所述测试标签与所述测试容量预测值计算所述经过训练的容量预测模型的误差值和拟合度；
若所述误差值大于第三阈值或所述拟合度小于第四阈值，返回执行获取训练数据和所述训练数据对应的样本标签的步骤。
请继续参阅图1，本实施例中，所述存储器12可以是电子设备1的内部存储器，即内置于所述电子设备1的存储器。在其他实施例中，所述存储器12也可以是电子设备1的外部存储器，即外接于所述电子设备1的存储器。
在一些实施例中，所述存储器12用于存储程序代码和各种数据，并在电子设备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12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、或其他易失性固态存储器件。
在一实施例中，所述处理器13可以是中央处理单元(Central Processing Unit，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)、现场可编程门阵列(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也可以是其它任何常规的处理器等。
所述存储器12中的程序代码和各种数据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，例如电池组容量预测方法，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)等。
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。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种电池组容量预测方法，其特征在于，所述方法包括：
获取电池组的运行数据、所述运行数据对应的运行温度以及预设的标定温度；
根据所述运行温度和所述标定温度对所述运行数据进行温度校准，得到目标数据；
将所述目标数据输入经过训练的容量预测模型，得到所述电池组的目标容量预测值。
2.根据权利要求1所述的电池组容量预测方法，其特征在于，所述根据所述运行温度和所述标定温度对所述运行数据进行温度校准，得到目标数据，包括：
获取预设的温度校准模型；
根据所述温度校准模型、所述标定温度以及所述运行温度，对所述运行数据进行温度校准，得到所述目标数据。
3.根据权利要求2所述的电池组容量预测方法，其特征在于，在所述获取预设的温度校准模型之前，所述方法还包括：
获取历史容量数据以及与所述历史容量数据对应的历史温度数据；
根据历史容量数据与所述历史温度数据，确定温度校准模型。
4.根据权利要求1至3中任一项所述的电池组容量预测方法，其特征在于，在所述将所述目标数据输入容量预测模型，得到所述电池组的目标容量预测值之前，所述方法还包括：
计算所述目标数据中每个数据对应的离群值，滤除大于第一阈值的离群值对应的数据，得到滤波数据；
对所述滤波数据进行降维计算，得到降维数据；
相应的，所述将所述目标数据输入经过训练的容量预测模型，得到所述电池组的目标容量预测值，包括：
将所述降维数据输入所述经过训练的容量预测模型，得到所述电池组的目标容量预测值。
5.根据权利要求1所述的电池组容量预测方法，其特征在于，在所述获取电池组的运行数据之前，所述方法包括：
利用第一寻优算法对初始的容量预测模型的隐藏层的神经元进行寻优，得到优化后的容量预测模型；
获取训练数据和所述训练数据对应的样本标签；
将所述训练数据输入所述优化后的容量预测模型，得到样本容量预测值；
根据所述样本容量预测值和所述样本标签，计算所述优化后的容量预测模型的损失函数值；
若所述损失函数值大于第二阈值，则将所述损失函数值作为所述优化后的容量预测模型反向传播的输入，利用第二寻优算法对所述反向传播对应的神经元的权重和偏置进行寻优，更新所述优化后的容量预测模型的权重和偏置，返回执行将所述训练数据输入所述优化后的容量预测模型的步骤；
若所述损失函数值小于或等于第二阈值，则将当前的优化后的容量预测模型确定为经过训练的容量预测模型。
6.根据权利要求5所述的电池组容量预测方法，其特征在于，所述利用第一寻优算法对初始的容量预测模型的隐藏层的神经元数量进行寻优，包括：
基于预设的状态概率值，确定所述初始的容量预测模型的隐藏层中各神经元的状态；
移除所述状态为第一状态的神经元，得到优化后的容量预测模型。
7.根据权利要求5所述的电池组容量预测方法，其特征在于，在所述将当前的优化后的容量预测模型确定为经过训练的容量预测模型之后，所述方法还包括：
获取测试数据和所述测试数据对应的测试标签；
将所述测试数据输入所述经过训练的容量预测模型，得到测试容量预测值；
根据所述测试标签与所述测试容量预测值计算所述经过训练的容量预测模型的误差值和拟合度；
若所述误差值大于第三阈值或所述拟合度小于第四阈值，返回执行获取训练数据和所述训练数据对应的样本标签的步骤。
8.一种电池组容量预测装置，其特征在于，所述装置包括获取模块、温度校准模块以及预测模块：
所述获取模块，用于获取电池组的运行数据、所述运行数据对应的运行温度以及预设的标定温度；
所述温度校准模块，用于根据所述运行温度和所述标定温度对所述运行数据进行温度校准，得到目标数据；
所述预测模块，用于将所述目标数据输入经过训练的容量预测模型，得到所述电池组的目标容量预测值。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的电池组容量预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的电池组容量预测方法。
CN202211113456.XA 2022-09-14 2022-09-14 电池组容量预测方法及相关设备 Pending CN115358484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211113456.XA CN115358484A (zh) 2022-09-14 2022-09-14 电池组容量预测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211113456.XA CN115358484A (zh) 2022-09-14 2022-09-14 电池组容量预测方法及相关设备

Publications (1)

Publication Number Publication Date
CN115358484A true CN115358484A (zh) 2022-11-18

Family

ID=84006059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211113456.XA Pending CN115358484A (zh) 2022-09-14 2022-09-14 电池组容量预测方法及相关设备

Country Status (1)

Country Link
CN (1) CN115358484A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117505811A (zh) * 2024-01-08 2024-02-06 北京适创科技有限公司 一种模温控制方法和相关装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117505811A (zh) * 2024-01-08 2024-02-06 北京适创科技有限公司 一种模温控制方法和相关装置
CN117505811B (zh) * 2024-01-08 2024-04-05 北京适创科技有限公司 一种模温控制方法和相关装置

Similar Documents

Publication Publication Date Title
Li et al. Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning
Sui et al. A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery
Xiao et al. Accurate state-of-charge estimation approach for lithium-ion batteries by gated recurrent unit with ensemble optimizer
Che et al. Data efficient health prognostic for batteries based on sequential information-driven probabilistic neural network
CN112946484B (zh) 一种基于bp神经网络的soc估计方法、***、终端设备及可读存储介质
Liu et al. A hierarchical and flexible data-driven method for online state-of-health estimation of Li-ion battery
CN114325450A (zh) 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
JP2023520970A (ja) リチウム電池のｓｏｃ推定方法、装置及びコンピュータ読み取り可能な記憶媒体
CN113065283A (zh) 一种电池寿命预测方法、***、电子装置及存储介质
CN112834927A (zh) 锂电池剩余寿命预测方法、***、设备及介质
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
Takyi-Aninakwa et al. A hybrid probabilistic correction model for the state of charge estimation of lithium-ion batteries considering dynamic currents and temperatures
CN114705990A (zh) 电池簇荷电状态的估计方法及***、电子设备及存储介质
CN115358484A (zh) 电池组容量预测方法及相关设备
CN116106761A (zh) 基于典型相关分析的锂离子电池电量实时估计方法
CN113495214B (zh) 一种基于温度变化模型的超级电容荷电状态估计方法
CN111260015A (zh) 一种基于混沌猫群算法的锂离子电池模型参数辨识方法
Qian et al. A CNN-SAM-LSTM hybrid neural network for multi-state estimation of lithium-ion batteries under dynamical operating conditions
Di Capua et al. Using genetic programming to learn behavioral models of lithium batteries
Dong et al. State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine
CN117110880A (zh) 一种用于云端-边缘端协同的电池多状态联合估计方法
CN116893349A (zh) 一种基于高斯过程回归的电池健康状态预测方法和***
CN116643177A (zh) 一种电池健康度在线预测方法、装置、设备及介质
CN114610595A (zh) 模型性能影响因素的识别方法、装置、设备及存储介质
KR20230028017A (ko) 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법

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