CN116683588B - 锂离子电池充放电控制方法及*** - Google Patents
锂离子电池充放电控制方法及*** Download PDFInfo
- Publication number
- CN116683588B CN116683588B CN202310961087.8A CN202310961087A CN116683588B CN 116683588 B CN116683588 B CN 116683588B CN 202310961087 A CN202310961087 A CN 202310961087A CN 116683588 B CN116683588 B CN 116683588B
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- strategy
- model
- charge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 27
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 27
- 230000036541 health Effects 0.000 claims abstract description 130
- 238000012544 monitoring process Methods 0.000 claims abstract description 89
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000001360 synchronised effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 51
- 230000002787 reinforcement Effects 0.000 claims description 50
- 238000012795 verification Methods 0.000 claims description 37
- 230000006872 improvement Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 238000013210 evaluation model Methods 0.000 claims description 23
- 238000007599 discharging Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000013441 quality evaluation Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims 3
- 230000002035 prolonged effect Effects 0.000 abstract description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 abstract description 2
- 229910052744 lithium Inorganic materials 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 26
- 230000006870 function Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000002441 reversible effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00302—Overcharge protection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00306—Overdischarge protection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/005—Detection of state of health [SOH]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
-
- 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)
- Power Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及锂电池控制技术领域,尤其涉及一种锂离子电池充放电控制方法及***。该方法包括以下步骤:通过IoT设备监测并记录锂离子电池的状态参数并参数预处理,获取电池预处理数据;对电池预处理数据进行电池健康状况评估,从而获取电池健康评分数据;根据电池健康评分数据进行充放电策略生成,获取初始充放电策略模型;对初始充放电策略模型进行策略优化,获取优化充放电策略模型;根据优化充放电策略模型通过云平台进行充放电作业并实时收集数据,获取云端同步数据,以对优化充放电策略模型进行优化模型更新。本发明通过对电池健康状况的持续评估和充放电策略的优化,可以有效延长电池的使用寿命,从而减少电池替换的频率和相关成本。
Description
技术领域
本发明涉及锂电池控制技术领域,尤其涉及一种锂离子电池充放电控制方法及***。
背景技术
锂离子电池充放电控制方法通常涉及到如何通过硬件和软件控制***,管理锂离子电池的充电和放电过程,以保护电池,延长其使用寿命,提高其效能。这通常涉及到电池状态的监测、电量的管理、充电和放电策略的制定、健康状态的评估等多个方面。传统的充电方法通常基于固定的充电策略,往往没有考虑到电池的实际状态(如电池的健康状况、温度、电化学特性),可能导致电池寿命缩短或性能下降。
发明内容
本发明为解决上述技术问题,提出了一种锂离子电池充放电控制方法及***,以解决至少一个上述技术问题。
本申请提供了一种锂离子电池充放电控制方法,包括以下步骤:
步骤S1:通过IoT设备监测并记录锂离子电池的状态参数并参数预处理,从而获取电池预处理数据;
步骤S2:对电池预处理数据进行电池健康状况评估,从而获取电池健康评分数据;
步骤S3:根据电池健康评分数据进行充放电策略生成,从而获取初始充放电策略模型;
步骤S4:对初始充放电策略模型进行策略优化,从而获取优化充放电策略模型;
步骤S5:根据优化充放电策略模型通过云平台进行充放电作业并实时收集数据,从而获取云端同步数据,以对优化充放电策略模型进行优化模型更新。
本发明中通过对电池健康状况的持续评估和充放电策略的优化,可以有效延长电池的使用寿命,从而减少电池替换的频率和相关成本。优化的充放电策略可以提高电池的性能,如充电效率和放电稳定性,从而提高设备的整体性能。***会根据电池的健康状况调整充放电策略,可以避免因电池过度充放或其他不适当的操作引起的安全问题。利用先进的互联网技术、物联网(IoT)设备和人工智能算法,使得电池管理更智能化,能够实时响应电池状态的变化并作出相应调整。实时同步的云端数据可以用于持续优化模型,使得电池的管理和使用更加高效,同时有助于节能和环保。
优选地,步骤S1具体为:
步骤S11:通过IoT设备部署并配置,从而获取设备配置数据;
步骤S12:根据设备配置数据进行实时参数监测,从而获取原始监测数据;
步骤S13:对原始监测数据进行数据质量评估,从而获取监测质量评分数据;
步骤S14:对监测质量评分数据进行异常值检测并处理,从而获取异常值处理数据;
步骤S15:对异常值处理数据进行数据标准化并聚合处理,从而获取电池预处理数据。
本发明中通过实时参数监测、数据质量评估、异常值检测及处理,以及数据标准化和聚合处理,可以提升数据的质量,从而使得后续的电池健康评估和充放电策略优化更为准确和有效。由于开始的步骤是IoT设备的部署和配置,所以可以根据实际需要对设备进行灵活配置,以满足不同的应用场景。通过对数据进行预处理,例如数据标准化和聚合处理,可以减少数据的复杂性,提高后续数据处理和分析的效率。异常值检测和处理可以避免因数据异常而引起的***错误,从而提高***的稳健性。
优选地,数据质量评估通过数据质量评估计算公式进行评估处理,其中数据质量评估计算公式具体为:
;
为监测质量评分数据,/>为时间项,/>为原始监测数据的维度数据,/>为原始监测数据的序次项,/>为监测质量评分底数常数项,/>为原始监测数据,/>为第/>个原始监测数据中的温度数据,/>为第/>个原始监测数据中的湿度数据,/>为第/>个原始监测数据中的压力数据,为原始监测数据平滑程度项。
本发明构造了一种数据质量评估计算公式,该公式对多维度的数据进行质量评估,同时考虑数据的平滑程度和变化趋势。监测质量评分数据,这是输出的数据质量评分。数值越高,数据质量越好。时间项/>,表示在一定时间段内的数据质量变化,通过对/>求导,可以得到数据质量评分的变化趋势。原始监测数据的维度数据/>,这个数值表示我们有多少条独立的监测数据。监测质量评分底数常数项/>,这个数值可以调整评分的基础值,对评分进行标准化或归一化。原始监测数据平滑程度项/>,这个数值用来调整数据质量评分的平滑程度。公式的第一部分,求的是对数函数的极限,这个极限具有某种平滑性,可以用来对数据的分布进行平滑处理,降低数据的噪声。公式的第二部分,求的是三个参数的欧氏距离(平方和的平方根),这个距离可以反映出数据的变化情况。公式的第三部分,求的是数据的平滑程度,这个程度可以用来衡量数据的平稳性。通过对时间/>的导数,得到了数据质量评分/>的变化率,这个变化率可以用来观察数据质量评分随时间的变化情况。
优选地,步骤S2具体为:
步骤S21:对电池预处理数据进行数据提取,从而获取电池状况基础数据以及电池运行基础数据;
步骤S22:分别对电池状况基础数据以及电池运行基础数据进行特征提取,从而获取电池状况特征数据以及电池运行特征数据;
步骤S23:对电池状况特征数据以及电池运行特征数据进行健康评估模型构建,从而构建初始健康评估模型;
步骤S24:对初始健康评估模型进行模型训练,从而获取训练后的健康评估模型;
步骤S25:对训练后的健康评估模型进行模型验证,从而获取模型验证结果;
步骤S26:利用模型验证结果对训练后的健康评估模型进行模型调整,从而获得调整后的健康评估模型;
步骤S27:利用调整后的健康评估模型对电池预处理数据进行监控评估,从而获取电池监控评分数据。
本发明中对电池的运行状态进行了全面的数据采集,还通过特征提取和模型构建,对电池的健康状况进行了全面的评估,这有助于及时发现电池的异常状况,提高电池的使用寿命和安全性。步骤S2的各子步骤,包括模型的构建、训练、验证和调整,都是在精细化操作,这样做可以确保评估模型的准确性,提高评估的可信度。通过持续的模型验证和调整,保证了评估模型能够适应电池状态的变化,实现电池健康状况的持续监控和评估。通过利用调整后的健康评估模型对电池预处理数据进行监控评估,获取电池监控评分数据,能够及时发现电池健康状况的变化,提供预警,防止电池出现严重问题。
优选地,步骤S24具体为:
步骤S241:获取历史数据集,并利用电池状况基础数据以及电池运行基础数据对历史数据集进行数据集划分,从而获取历史训练数据集以及历史验证数据集;
步骤S242:对历史训练数据集进行特征提取,从而获取历史电池状况特征数据以及历史电池运行特征数据,并对历史电池状况特征数据以及历史电池运行特征数据进行特征矩阵构建,从而获取特征矩阵数据集;
步骤S243:将历史验证数据集进行目标向量转化,从而获取验证目标向量数据;
步骤S244:利用特征矩阵数据集以及预设的早停策略对初始健康评估模型进行模型迭代训练,从而获取初始健康评估模型参数数据;
步骤S245:利用验证目标向量数据以及预设的早停策略对初始健康评估模型参数数据进行反向训练,从而获取训练后的健康评估模型。
本发明中通过获取历史数据集,并对数据集进行划分,使得模型在训练和验证过程中使用的数据互不重复,有助于防止模型过拟合,提高模型的泛化能力。通过特征提取和特征矩阵构建,使得训练过程能够在有效的特征空间内进行,提高训练效果。通过目标向量转化和预设的早停策略,可以在保证模型训练质量的同时,大大提高模型的训练效率。通过反向训练,可以在模型训练过程中不断地调整模型参数,使模型更快地收敛,保证训练的稳定性。步骤S24不仅提取了历史电池状况和运行的特征数据,还通过矩阵构建和参数迭代训练,进一步提升了健康评估模型的精确度。可以根据验证目标向量数据进行反向训练,实现模型参数的动态调整,以更准确地评估电池的健康状况。
优选地,步骤S27中监控评估通过电池监控评估计算公式进行评估,其中电池监控评估计算公式具体为:
;
为电池监控评分数据,/>为电池使用寿命预估项,/>为电池健康评分底数常数项,/>为充放电循环次数,/>为电池在第/>次循环时的开路电压数值,/>为电池在初始状态时的开路电压数值,/>为电池在第/>次循环时的充放电电流数值,/>为电池在初始状态时的充放电电流数值,/>为电池在第/>次循环时的温度数值,/>为电池在初始状态时的温度数值。
本发明构造了一种电池监控评估计算公式,该计算公式旨在获取电池的健康状况评分,反映了电池的整体性能状况。反映电池在充放电循环中电压的变化,电池电压的下降通常意味着电池的性能下降。/>反映电池在充放电循环中电流的变化,电流的不稳定可能导致电池性能的下降。/>反映电池在充放电循环中温度的变化,电池温度的升高可能导致电池性能的下降。预估电池使用寿命项/>,随着电池充放电循环次数的增加,/>值将改变,反映电池的健康状况和使用寿命。电池健康评分底数常数项/>,通过改变底数,可以调整健康评分的敏感度。通过对电压、电流和温度的变化进行量化评估,得出一个电池健康评分,可以直观地反映出电池当前的健康状态。此公式能够随着充放电循环次数的增加,动态反映电池的健康状况,有利于发现并预防可能的电池问题。公式中的使用寿命预估项反映了电池在未来的预期性能,有助于预测电池的使用寿命。
优选地,步骤S3具体为:
步骤S31:通过IoT设备参数采集,从而获取电池决策环境定义数据;
步骤S32:根据电池决策环境定义数据进行强化学习算法选择,从而获取强化学习策略数据;
步骤S33:获取历史经验交互数据,其中历史经验交互数据为根据预设的锂离子电池充放电基础策略数据进行交互生成的;
步骤S34:利用强化学习策略数据对历史经验交互数据进行策略更新,从而获取充放电策略更新数据;
步骤S35:对充放电策略更新数据进行迭代训练,从而获取初始充放电策略模型。
本发明中通过IoT设备参数采集和决策环境定义,可以根据电池的实际状态和环境条件定制化生成充放电策略,提高充放电效率并延长电池寿命。通过利用强化学习算法,可以根据历史经验交互数据不断优化充放电策略,使得充放电策略更加符合实际应用需求。通过对充放电策略进行迭代训练,不断调整和优化充放电策略,以适应电池状态和环境条件的变化。通过使用IoT设备和强化学习算法,实现对电池充放电策略的智能管理,可以更准确地预测电池状态,提前预防电池性能下降或损坏,大大提高电池的使用寿命和稳定性。
优选地,强化学习策略数据包括强化学习类型选择数据、学习参数设定数据、探索策略数据以及模型结构选择数据,步骤S32具体为:
步骤S321:根据电池决策环境定义数据进行决策环境描述,从而获取决策环境描述数据;
步骤S322:根据决策环境描述数据进行强化学习类型选择,从而获取强化学习类型选择数据;
步骤S323:获取充放电控制需求数据,并利用电池决策环境定义数据以及充放电控制需求数据对强化学习类型选择数据进行学习参数确定,从而获取学习参数设定数据;
步骤S324:根据学习参数设定数据生成探索策略数据,并根据电池决策环境定义数据生成模型结构选择数据。
本发明中根据电池的决策环境定义数据,通过强化学习类型选择和学习参数设定,可以生成适应于当前环境和电池状态的强化学习策略。这种动态适应的机制使得学习策略更加灵活和高效。通过获取充放电控制需求数据和电池决策环境定义数据,可以自动确定适合当前环境和需求的学习参数,减少了人工设置参数的工作量和误差,提高了学习效率和准确性。根据学习参数设定数据生成探索策略,可以在学习过程中更有效地探索和发现优秀的策略,从而提高充放电策略的优化速度和质量。根据电池决策环境定义数据生成模型结构选择数据,可以根据实际环境和需求选择适合的模型结构,提供了强化学习模型的灵活性和扩展性。
优选地,步骤S4具体为:
步骤S41:对初始充放电策略模型进行实际环境策略效果评估,从而获取策略评估结果数据;
步骤S42:获取策略执行过程中的策略反馈数据;
步骤S43:对策略反馈数据通过预设的专家规则进行策略反馈分析,从而获取专家反馈分析报告数据;
步骤S44:对策略反馈数据进行深度策略反馈分析,从而获取深度反馈分析报告数据;
步骤S45:利用专家反馈分析报告数据以及深度反馈分析报告数据对初始充放电策略模型以及策略评估结果数据进行策略改进点确定,从而获取策略改进点数据;
步骤S46:根据策略改进点数据以及生成策略改进数据;
步骤S47:利用策略改进数据对初始充放电策略模型进行策略优化,从而获取优化充放电策略模型。
本发明中通过对初始充放电策略模型进行实际环境策略效果评估,可以确认策略模型在实际环境中的适用性和效果,增加了策略模型的可靠性。策略执行过程中的策略反馈数据,既可以为策略改进提供实时、准确的依据,也可以为下一步的策略优化提供有力支持。通过预设的专家规则进行策略反馈分析,结合深度策略反馈分析,可以全面、深入地分析策略反馈数据,识别和理解策略的不足和优点,为策略改进提供更为全面和深入的依据。根据策略改进点数据生成策略改进数据,并利用这些数据对初始充放电策略模型进行优化,这一过程提供了策略持续改进和优化的机会,进一步提高了策略模型的性能和效果。
优选地,本申请还提供了一种锂离子电池充放电控制***,包括:
电池数据采集模型,用于通过IoT设备监测并记录锂离子电池的状态参数并参数预处理,从而获取电池预处理数据;
电池健康状况评估模块,用于对电池预处理数据进行电池健康状况评估,从而获取电池健康评分数据;
充放电策略生成模块,用于根据电池健康评分数据进行充放电策略生成,从而获取初始充放电策略模型;
策略优化模块,用于对初始充放电策略模型进行策略优化,从而获取优化充放电策略模型;
实时收集数据模块,用于根据优化充放电策略模型通过云平台进行充放电作业并实时收集数据,从而获取云端同步数据,以对优化充放电策略模型进行优化模型更新。
本发明的有益效果在于:通过IoT设备监测并记录锂离子电池的状态参数并进行参数预处理,不仅能实时、精确地获取电池的工作状态,还能将复杂的电池状态参数进行适当的预处理,为后续的电池健康状况评估和充放电策略生成提供了准确、高质量的数据支持。对电池预处理数据进行电池健康状况评估,不仅能及时了解电池的健康状况,还能根据电池的健康评分数据动态调整充放电策略,使得充放电策略能更好地适应电池的实际状况,保护电池,延长其使用寿命。根据电池健康评分数据进行充放电策略生成,这种策略是自适应的,能根据电池的健康状况进行相应的调整,不仅提高了充放电的效率,还保护了电池,减少了电池的磨损。通过实时收集云端同步数据并对优化充放电策略模型进行优化模型更新,使得充放电策略能根据实时数据进行快速、准确的调整,提高了充放电策略的灵活性和适应性,满足了不断变化的电池状态和运行环境需求。通过云平台进行充放电作业并实时收集数据,使得数据的收集和处理更为方便、快捷,同时,云平台的强大计算能力和存储能力也为大数据处理和复杂模型计算提供了可能,使得充放电策略的生成和优化更为高效、精确。充分利用了IoT设备的监测能力、电池健康评分模型的评估能力、强化学***台的数据处理能力,使得电池的充放电管理更为精确、高效、智能,大大提高了电池的使用效率和使用寿命,减少了电池的损耗,对于电池的管理和维护具有重要的价值。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的锂离子电池充放电控制方法的步骤流程图;
图2示出了一实施例的步骤S1的步骤流程图;
图3示出了一实施例的步骤S2的步骤流程图;
图4示出了一实施例的步骤S24的步骤流程图;
图5示出了一实施例的步骤S3的步骤流程图;
图6示出了一实施例的步骤S32的步骤流程图;
图7示出了一实施例的步骤S4的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图6,本申请提供了一种锂离子电池充放电控制方法,包括以下步骤:
步骤S1:通过IoT设备监测并记录锂离子电池的状态参数并参数预处理,从而获取电池预处理数据;
具体地,例如IoT设备(例如嵌入式传感器)可以被用于监测和记录电池的各项状态参数,如电压、电流、温度。预处理包括滤波,缺失值填充,噪声减少,异常值处理的步骤,从而保证了数据质量和后续分析的准确性。
步骤S2:对电池预处理数据进行电池健康状况评估,从而获取电池健康评分数据;
具体地,例如使用机器学习模型(例如支持向量机、随机森林或神经网络等)对电池预处理数据进行健康状况评估。电池健康评分可以基于电池的使用情况、充电/放电模式、环境因素的多个指标。
步骤S3:根据电池健康评分数据进行充放电策略生成,从而获取初始充放电策略模型;
具体地,例如基于电池健康评分数据,可以使用强化学习算法(例如Q-learning、Deep Q Networks等)生成初始的充放电策略模型。这个策略模型会根据当前的电池健康状况以及电池历史数据动态调整充放电策略。
步骤S4:对初始充放电策略模型进行策略优化,从而获取优化充放电策略模型;
具体地,例如根据实际环境中的反馈数据(例如电池性能数据、设备运行数据等)对初始充放电策略模型进行优化。这可能涉及到优化模型的参数,或者更改模型的结构以适应新的环境和需求。
步骤S5:根据优化充放电策略模型通过云平台进行充放电作业并实时收集数据,从而获取云端同步数据,以对优化充放电策略模型进行优化模型更新。
具体地,例如通过云平台执行充放电作业,该平台可能集成了远程监控、数据分析、智能控制等功能。同时,平台可以实时收集并同步电池的运行数据。这些数据被用于进一步优化充放电策略模型,从而形成一个自适应的、持续学习和优化的***。
本发明中通过对电池健康状况的持续评估和充放电策略的优化,可以有效延长电池的使用寿命,从而减少电池替换的频率和相关成本。优化的充放电策略可以提高电池的性能,如充电效率和放电稳定性,从而提高设备的整体性能。***会根据电池的健康状况调整充放电策略,可以避免因电池过度充放或其他不适当的操作引起的安全问题。利用先进的互联网技术、物联网(IoT)设备和人工智能算法,使得电池管理更智能化,能够实时响应电池状态的变化并作出相应调整。实时同步的云端数据可以用于持续优化模型,使得电池的管理和使用更加高效,同时有助于节能和环保。
优选地,步骤S1具体为:
步骤S11:通过IoT设备部署并配置,从而获取设备配置数据;
具体地,例如通过安装和配置一些必要的硬件设备(如电池状态监测传感器)来部署IoT设备,并进行相应的***配置,例如设定数据采集频率、设定告警阈值。
步骤S12:根据设备配置数据进行实时参数监测,从而获取原始监测数据;
具体地,例如根据设备配置数据,通过监测设备对电池的各种运行参数进行实时监测,例如电压、电流、温度、充放电次数。
步骤S13:对原始监测数据进行数据质量评估,从而获取监测质量评分数据;
具体地,例如通过一些标准的数据质量评估方法(如数据完整性检查、数据一致性检查等)来对原始监测数据进行评估,以确定数据的可靠性和可用性。
步骤S14:对监测质量评分数据进行异常值检测并处理,从而获取异常值处理数据;
具体地,例如使用统计方法(如箱线图法、z分数法)来检测异常值,并根据具体情况进行处理,如删除异常值、用平均值或中位数替换。
步骤S15:对异常值处理数据进行数据标准化并聚合处理,从而获取电池预处理数据。
具体地,例如数据标准化可以通过减去平均值然后除以标准差等方法进行,以消除数据的量纲和规模影响;聚合处理则可以根据需求采取平均值、中位数、最大值、最小值等方法,以便于后续的分析和处理。
本发明中通过实时参数监测、数据质量评估、异常值检测及处理,以及数据标准化和聚合处理,可以提升数据的质量,从而使得后续的电池健康评估和充放电策略优化更为准确和有效。由于开始的步骤是IoT设备的部署和配置,所以可以根据实际需要对设备进行灵活配置,以满足不同的应用场景。通过对数据进行预处理,例如数据标准化和聚合处理,可以减少数据的复杂性,提高后续数据处理和分析的效率。异常值检测和处理可以避免因数据异常而引起的***错误,从而提高***的稳健性。
优选地,数据质量评估通过数据质量评估计算公式进行评估处理,其中数据质量评估计算公式具体为:
;
为监测质量评分数据,/>为时间项,/>为原始监测数据的维度数据,/>为原始监测数据的序次项,/>为监测质量评分底数常数项,/>为原始监测数据,/>为第/>个原始监测数据中的温度数据,/>为第/>个原始监测数据中的湿度数据,/>为第/>个原始监测数据中的压力数据,为原始监测数据平滑程度项。
本发明构造了一种数据质量评估计算公式,该公式对多维度的数据进行质量评估,同时考虑数据的平滑程度和变化趋势。监测质量评分数据,这是输出的数据质量评分。数值越高,数据质量越好。时间项/>,表示在一定时间段内的数据质量变化,通过对/>求导,可以得到数据质量评分的变化趋势。原始监测数据的维度数据/>,这个数值表示我们有多少条独立的监测数据。监测质量评分底数常数项/>,这个数值可以调整评分的基础值,对评分进行标准化或归一化。原始监测数据平滑程度项/>,这个数值用来调整数据质量评分的平滑程度。公式的第一部分,求的是对数函数的极限,这个极限具有某种平滑性,可以用来对数据的分布进行平滑处理,降低数据的噪声。公式的第二部分,求的是三个参数的欧氏距离(平方和的平方根),这个距离可以反映出数据的变化情况。公式的第三部分,求的是数据的平滑程度,这个程度可以用来衡量数据的平稳性。通过对时间/>的导数,得到了数据质量评分/>的变化率,这个变化率可以用来观察数据质量评分随时间的变化情况。
优选地,步骤S2具体为:
步骤S21:对电池预处理数据进行数据提取,从而获取电池状况基础数据以及电池运行基础数据;
具体地,例如根据实际需要从电池预处理数据中提取出不同的信息,例如,电池状况基础数据可能包括电池的充放电次数、开路电压,电池运行基础数据可能包括电池的温度、电流。
步骤S22:分别对电池状况基础数据以及电池运行基础数据进行特征提取,从而获取电池状况特征数据以及电池运行特征数据;
具体地,例如在特征提取过程中,可以利用不同的统计或机器学习方法。例如,对于电池的充放电次数,可能通过计算其均值、标准差进行特征提取;对于电流和温度,可能使用傅里叶变换的方法提取其频谱特征。
步骤S23:对电池状况特征数据以及电池运行特征数据进行健康评估模型构建,从而构建初始健康评估模型;
具体地,例如在构建健康评估模型时,可以选择合适的模型,如线性回归模型、神经网络模型,以电池状况特征数据和电池运行特征数据作为输入,电池的健康状况作为输出。
步骤S24:对初始健康评估模型进行模型训练,从而获取训练后的健康评估模型;
具体地,例如采用适当的优化算法(如梯度下降法、牛顿法)对初始健康评估模型进行训练,得到训练后的健康评估模型。
步骤S25:对训练后的健康评估模型进行模型验证,从而获取模型验证结果;
具体地,例如通过将一部分电池数据作为验证集,对训练后的健康评估模型进行验证,得到模型的预测结果与实际值的误差等评价指标。
步骤S26:利用模型验证结果对训练后的健康评估模型进行模型调整,从而获得调整后的健康评估模型;
具体地,例如根据模型验证结果,调整模型的参数或改变模型结构,进行模型优化。如利用模型的验证结果,如模型在未见过的数据上的表现如何,比如模型的准确率、精确度、召回率、F1值。根据这些指标,决定是否要调整模型的参数或者改变模型的结构。例如,如果发现模型在验证集上的性能不佳,可能是因为模型过于复杂导致的过拟合,这时可以考虑减少模型的复杂度,比如降低神经网络的层数、减少神经元的数量、增加正则化项。如果模型在训练集上的性能也不佳,可能是因为模型过于简单导致的欠拟合,这时可以考虑增加模型的复杂度,比如增加神经网络的层数、增加神经元的数量。此外,也可以考虑使用不同的优化算法、调整学习率、改变激活函数的方法优化模型。
步骤S27:利用调整后的健康评估模型对电池预处理数据进行监控评估,从而获取电池监控评分数据。
具体地,例如利用调整后的健康评估模型,对电池的新数据进行预测,得到电池的健康评分数据,可以用于监控电池的健康状况。例如,健康评分可以是一个介于0到1之间的值,值越高表示电池的健康状况越好,反之表示电池的健康状况越差。当健康评分低于某个预设的阈值时,可以发出警报,提示需要对电池进行维护或更换。提前发现电池可能存在的问题,避免因电池问题导致的设备故障或安全事故。
本发明中对电池的运行状态进行了全面的数据采集,还通过特征提取和模型构建,对电池的健康状况进行了全面的评估,这有助于及时发现电池的异常状况,提高电池的使用寿命和安全性。步骤S2的各子步骤,包括模型的构建、训练、验证和调整,都是在精细化操作,这样做可以确保评估模型的准确性,提高评估的可信度。通过持续的模型验证和调整,保证了评估模型能够适应电池状态的变化,实现电池健康状况的持续监控和评估。通过利用调整后的健康评估模型对电池预处理数据进行监控评估,获取电池监控评分数据,能够及时发现电池健康状况的变化,提供预警,防止电池出现严重问题。
优选地,步骤S24具体为:
步骤S241:获取历史数据集,并利用电池状况基础数据以及电池运行基础数据对历史数据集进行数据集划分,从而获取历史训练数据集以及历史验证数据集;
具体地,例如利用随机划分或者按照时间划分的方式将历史数据集划分为训练数据集和验证数据集。例如,可能将70%的数据作为训练集,30%的数据作为验证集。
步骤S242:对历史训练数据集进行特征提取,从而获取历史电池状况特征数据以及历史电池运行特征数据,并对历史电池状况特征数据以及历史电池运行特征数据进行特征矩阵构建,从而获取特征矩阵数据集;
具体地,例如根据电池状况基础数据和电池运行基础数据,使用傅里叶变换、主成分分析的方法进行特征提取,然后将提取的特征组织成矩阵形式,构建特征矩阵数据集。
步骤S243:将历史验证数据集进行目标向量转化,从而获取验证目标向量数据;
具体地,例如在历史验证数据集中,根据电池的健康状况将数据标记为正例(健康)或负例(不健康),并将这些标记组织成向量,构建验证目标向量数据。
步骤S244:利用特征矩阵数据集以及预设的早停策略对初始健康评估模型进行模型迭代训练,从而获取初始健康评估模型参数数据;
具体地,例如将特征矩阵数据集输入初始健康评估模型进行训练。在训练过程中,当验证集的性能不再提高或提高的程度小于一定阈值时,停止训练,防止过拟合。
步骤S245:利用验证目标向量数据以及预设的早停策略对初始健康评估模型参数数据进行反向训练,从而获取训练后的健康评估模型。
具体地,例如在训练过程中,将模型的预测结果与验证目标向量数据进行比较,计算损失函数,并使用反向传播算法调整模型的参数,以降低损失函数的值。同样,在训练过程中,也可以使用早停策略来防止过拟合。
本发明中通过获取历史数据集,并对数据集进行划分,使得模型在训练和验证过程中使用的数据互不重复,有助于防止模型过拟合,提高模型的泛化能力。通过特征提取和特征矩阵构建,使得训练过程能够在有效的特征空间内进行,提高训练效果。通过目标向量转化和预设的早停策略,可以在保证模型训练质量的同时,大大提高模型的训练效率。通过反向训练,可以在模型训练过程中不断地调整模型参数,使模型更快地收敛,保证训练的稳定性。步骤S24不仅提取了历史电池状况和运行的特征数据,还通过矩阵构建和参数迭代训练,进一步提升了健康评估模型的精确度。可以根据验证目标向量数据进行反向训练,实现模型参数的动态调整,以更准确地评估电池的健康状况。
优选地,步骤S27中监控评估通过电池监控评估计算公式进行评估,其中电池监控评估计算公式具体为:
;
为电池监控评分数据,/>为电池使用寿命预估项,/>为电池健康评分底数常数项,/>为充放电循环次数,/>为电池在第/>次循环时的开路电压数值,/>为电池在初始状态时的开路电压数值,/>为电池在第/>次循环时的充放电电流数值,/>为电池在初始状态时的充放电电流数值,/>为电池在第/>次循环时的温度数值,/>为电池在初始状态时的温度数值。
本发明构造了一种电池监控评估计算公式,该计算公式旨在获取电池的健康状况评分,反映了电池的整体性能状况。反映电池在充放电循环中电压的变化,电池电压的下降通常意味着电池的性能下降。/>反映电池在充放电循环中电流的变化,电流的不稳定可能导致电池性能的下降。/>反映电池在充放电循环中温度的变化,电池温度的升高可能导致电池性能的下降。预估电池使用寿命项/>,随着电池充放电循环次数的增加,/>值将改变,反映电池的健康状况和使用寿命。电池健康评分底数常数项/>,通过改变底数,可以调整健康评分的敏感度。通过对电压、电流和温度的变化进行量化评估,得出一个电池健康评分,可以直观地反映出电池当前的健康状态。此公式能够随着充放电循环次数的增加,动态反映电池的健康状况,有利于发现并预防可能的电池问题。公式中的使用寿命预估项反映了电池在未来的预期性能,有助于预测电池的使用寿命。
优选地,步骤S3具体为:
步骤S31:通过IoT设备参数采集,从而获取电池决策环境定义数据;
具体地,例如使用IoT设备的传感器获取电池的实时工作参数,如电池电压、电流、温度等数据,定义电池的决策环境。
步骤S32:根据电池决策环境定义数据进行强化学习算法选择,从而获取强化学习策略数据;
具体地,例如选择适合电池决策环境的强化学习算法,如Q-learning、Deep Q-Network (DQN),用于后续的充放电策略生成。电池决策环境定义数据可能包含了电池的类型、使用环境、工作模式等因素,这些因素可能影响到最优的充放电策略。因此,根据这些因素选择最适合的强化学习算法。例如,如果电池的状态空间和动作空间较小,且可以明确建模,则可以选择使用表格型的强化学习算法,如Q-learning;如果电池的状态空间和动作空间较大或无法明确建模,可以选择使用函数逼近的强化学习算法,如Deep Q-Network(DQN)。
步骤S33:获取历史经验交互数据,其中历史经验交互数据为根据预设的锂离子电池充放电基础策略数据进行交互生成的;
具体地,例如根据过去的充放电策略和电池的反馈结果,形成历史经验交互数据。例如,记录每次充电或放电操作后电池的状态变化。
步骤S34:利用强化学习策略数据对历史经验交互数据进行策略更新,从而获取充放电策略更新数据;
具体地,例如利用强化学习算法,如Q-learning或DQN,根据历史经验交互数据和强化学习策略数据对充放电策略进行更新。这个过程可能包括对Q值的更新(Q-learning)或对价值函数的逼近(DQN)。
步骤S35:对充放电策略更新数据进行迭代训练,从而获取初始充放电策略模型。
具体地,例如在得到了充放电策略更新数据后,可以通过多次迭代训练,逐步优化充放电策略。每次迭代可能包括执行当前的充放电策略,观察电池的反馈,然后根据反馈更新策略。通过这样的迭代过程,最终可以得到一个优化的、能够在各种状态下给出最优充放电策略的模型。
本发明中通过IoT设备参数采集和决策环境定义,可以根据电池的实际状态和环境条件定制化生成充放电策略,提高充放电效率并延长电池寿命。通过利用强化学习算法,可以根据历史经验交互数据不断优化充放电策略,使得充放电策略更加符合实际应用需求。通过对充放电策略进行迭代训练,不断调整和优化充放电策略,以适应电池状态和环境条件的变化。通过使用IoT设备和强化学习算法,实现对电池充放电策略的智能管理,可以更准确地预测电池状态,提前预防电池性能下降或损坏,大大提高电池的使用寿命和稳定性。
优选地,强化学习策略数据包括强化学习类型选择数据、学习参数设定数据、探索策略数据以及模型结构选择数据,步骤S32具体为:
步骤S321:根据电池决策环境定义数据进行决策环境描述,从而获取决策环境描述数据;
具体地,例如描述电池的工作环境和操作条件,如电池的工作电压、电流范围,以及环境温度,从而定义强化学习模型的状态空间。
步骤S322:根据决策环境描述数据进行强化学习类型选择,从而获取强化学习类型选择数据;
具体地,例如根据决策环境描述数据,可以选择最适合的强化学习算法。例如,如果环境描述数据表明状态和动作空间都很大,可以选择使用Deep Q-Network (DQN)。使用一些传统的表格型的强化学习算法,例如Q-learning、Sarsa、或者值迭代等算法。这类算法在小规模的问题上可以找到精确的解,并且计算复杂度相对较低。例如,Q-learning是一种著名的表格型强化学习算法。该算法将每个状态-动作对应到一个Q值,这个Q值表示在某个状态下执行某个动作所能获得的预期回报。通过在环境中与环境进行交互并更新Q值,Q-learning可以逐渐学习到最优策略。由于Q-learning只需要保存一个状态-动作对的Q值,所以当状态和动作空间都不大的时候,Q-learning是一个非常实用的选择。然而,当状态或动作空间较大的时候,表格型的强化学习算法可能会遇到困难,因为需要保存每个状态-动作对的值,这在大规模问题上可能不可行。在这种情况下,使用函数逼近的强化学习算法,例如深度Q网络(DQN)。
步骤S323:获取充放电控制需求数据,并利用电池决策环境定义数据以及充放电控制需求数据对强化学习类型选择数据进行学习参数确定,从而获取学习参数设定数据;
具体地,例如根据电池的充放电需求和环境状态确定学习参数,例如学习率、衰减因子。
步骤S324:根据学习参数设定数据生成探索策略数据,并根据电池决策环境定义数据生成模型结构选择数据。
具体地,例如生成探索策略,如epsilon-greedy策略,以及确定强化学习模型的结构。例如,根据电池决策环境的复杂性和特性,选择是否需要深度神经网络,以及神经网络的层数和节点数。
本发明中根据电池的决策环境定义数据,通过强化学习类型选择和学习参数设定,可以生成适应于当前环境和电池状态的强化学习策略。这种动态适应的机制使得学习策略更加灵活和高效。通过获取充放电控制需求数据和电池决策环境定义数据,可以自动确定适合当前环境和需求的学习参数,减少了人工设置参数的工作量和误差,提高了学习效率和准确性。根据学习参数设定数据生成探索策略,可以在学习过程中更有效地探索和发现优秀的策略,从而提高充放电策略的优化速度和质量。根据电池决策环境定义数据生成模型结构选择数据,可以根据实际环境和需求选择适合的模型结构,提供了强化学习模型的灵活性和扩展性。
优选地,步骤S4具体为:
步骤S41:对初始充放电策略模型进行实际环境策略效果评估,从而获取策略评估结果数据;
具体地,例如通过设定的KPI(关键绩效指标)来进行效果评估,例如电池寿命、电池效能、充电时间。
步骤S42:获取策略执行过程中的策略反馈数据;
具体地,例如这个反馈数据可以从实际环境中获取,比如电池的实时电压、电流、温度。
步骤S43:对策略反馈数据通过预设的专家规则进行策略反馈分析,从而获取专家反馈分析报告数据;
具体地,例如专家规则可以通过电池的基础知识和经验规则来设定,例如电池的温度过高或电压过低都可能影响电池的寿命和性能。
步骤S44:对策略反馈数据进行深度策略反馈分析,从而获取深度反馈分析报告数据;
具体地,例如深度策略反馈分析可以用深度学习算法进行,例如使用RNN(递归神经网络)来分析电池的时间序列数据。
步骤S45:利用专家反馈分析报告数据以及深度反馈分析报告数据对初始充放电策略模型以及策略评估结果数据进行策略改进点确定,从而获取策略改进点数据;
具体地,例如根据反馈分析报告,可以找出初始策略的缺点和改进点,比如电池充电时的电压过低或放电时的温度过高。
步骤S46:根据策略改进点数据以及生成策略改进数据;
具体地,例如根据策略改进点,可以修改策略参数或改变策略,例如调整充电电流或改变充电策略。
步骤S47:利用策略改进数据对初始充放电策略模型进行策略优化,从而获取优化充放电策略模型。
具体地,例如可以通过迭代学习或优化算法(如梯度下降法)来优化策略模型。
本发明中通过对初始充放电策略模型进行实际环境策略效果评估,可以确认策略模型在实际环境中的适用性和效果,增加了策略模型的可靠性。策略执行过程中的策略反馈数据,既可以为策略改进提供实时、准确的依据,也可以为下一步的策略优化提供有力支持。通过预设的专家规则进行策略反馈分析,结合深度策略反馈分析,可以全面、深入地分析策略反馈数据,识别和理解策略的不足和优点,为策略改进提供更为全面和深入的依据。根据策略改进点数据生成策略改进数据,并利用这些数据对初始充放电策略模型进行优化,这一过程提供了策略持续改进和优化的机会,进一步提高了策略模型的性能和效果。
优选地,本申请还提供了一种锂离子电池充放电控制***,包括:
电池数据采集模型,用于通过IoT设备监测并记录锂离子电池的状态参数并参数预处理,从而获取电池预处理数据;
电池健康状况评估模块,用于对电池预处理数据进行电池健康状况评估,从而获取电池健康评分数据;
充放电策略生成模块,用于根据电池健康评分数据进行充放电策略生成,从而获取初始充放电策略模型;
策略优化模块,用于对初始充放电策略模型进行策略优化,从而获取优化充放电策略模型;
实时收集数据模块,用于根据优化充放电策略模型通过云平台进行充放电作业并实时收集数据,从而获取云端同步数据,以对优化充放电策略模型进行优化模型更新。
本发明的有益效果在于:通过IoT设备监测并记录锂离子电池的状态参数并进行参数预处理,不仅能实时、精确地获取电池的工作状态,还能将复杂的电池状态参数进行适当的预处理,为后续的电池健康状况评估和充放电策略生成提供了准确、高质量的数据支持。对电池预处理数据进行电池健康状况评估,不仅能及时了解电池的健康状况,还能根据电池的健康评分数据动态调整充放电策略,使得充放电策略能更好地适应电池的实际状况,保护电池,延长其使用寿命。根据电池健康评分数据进行充放电策略生成,这种策略是自适应的,能根据电池的健康状况进行相应的调整,不仅提高了充放电的效率,还保护了电池,减少了电池的磨损。通过实时收集云端同步数据并对优化充放电策略模型进行优化模型更新,使得充放电策略能根据实时数据进行快速、准确的调整,提高了充放电策略的灵活性和适应性,满足了不断变化的电池状态和运行环境需求。通过云平台进行充放电作业并实时收集数据,使得数据的收集和处理更为方便、快捷,同时,云平台的强大计算能力和存储能力也为大数据处理和复杂模型计算提供了可能,使得充放电策略的生成和优化更为高效、精确。充分利用了IoT设备的监测能力、电池健康评分模型的评估能力、强化学***台的数据处理能力,使得电池的充放电管理更为精确、高效、智能,大大提高了电池的使用效率和使用寿命,减少了电池的损耗,对于电池的管理和维护具有重要的价值。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种锂离子电池充放电控制方法,其特征在于,包括以下步骤:
步骤S1:通过IoT设备监测并记录锂离子电池的状态参数并参数预处理,从而获取电池预处理数据;
步骤S2:对电池预处理数据进行电池健康状况评估,从而获取电池健康评分数据;
步骤S3:根据电池健康评分数据进行充放电策略生成,从而获取初始充放电策略模型;步骤S3具体为:
步骤S31:通过IoT设备参数采集,从而获取电池决策环境定义数据;
步骤S32:根据电池决策环境定义数据进行强化学习算法选择,从而获取强化学习策略数据;强化学习策略数据包括强化学习类型选择数据、学习参数设定数据、探索策略数据以及模型结构选择数据,步骤S32具体为:
步骤S321:根据电池决策环境定义数据进行决策环境描述,从而获取决策环境描述数据;
步骤S322:根据决策环境描述数据进行强化学习类型选择,从而获取强化学习类型选择数据;
步骤S323:获取充放电控制需求数据,并利用电池决策环境定义数据以及充放电控制需求数据对强化学习类型选择数据进行学习参数确定,从而获取学习参数设定数据;
步骤S324:根据学习参数设定数据生成探索策略数据,并根据电池决策环境定义数据生成模型结构选择数据;
步骤S33:获取历史经验交互数据,其中历史经验交互数据为根据预设的锂离子电池充放电基础策略数据进行交互生成的;
步骤S34:利用强化学习策略数据对历史经验交互数据进行策略更新,从而获取充放电策略更新数据;
步骤S35:对充放电策略更新数据进行迭代训练,从而获取初始充放电策略模型;
步骤S4:对初始充放电策略模型进行策略优化,从而获取优化充放电策略模型;步骤S4具体为:
步骤S41:对初始充放电策略模型进行实际环境策略效果评估,从而获取策略评估结果数据;
步骤S42:获取策略执行过程中的策略反馈数据;
步骤S43:对策略反馈数据通过预设的专家规则进行策略反馈分析,从而获取专家反馈分析报告数据;
步骤S44:对策略反馈数据进行深度策略反馈分析,从而获取深度反馈分析报告数据;
步骤S45:利用专家反馈分析报告数据以及深度反馈分析报告数据对初始充放电策略模型以及策略评估结果数据进行策略改进点确定,从而获取策略改进点数据;
步骤S46:根据策略改进点数据以及生成策略改进数据;
步骤S47:利用策略改进数据对初始充放电策略模型进行策略优化,从而获取优化充放电策略模型;
步骤S5:根据优化充放电策略模型通过云平台进行充放电作业并实时收集数据,从而获取云端同步数据,以对优化充放电策略模型进行优化模型更新。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
步骤S11:通过IoT设备部署并配置,从而获取设备配置数据;
步骤S12:根据设备配置数据进行实时参数监测,从而获取原始监测数据;
步骤S13:对原始监测数据进行数据质量评估,从而获取监测质量评分数据;
步骤S14:对监测质量评分数据进行异常值检测并处理,从而获取异常值处理数据;
步骤S15:对异常值处理数据进行数据标准化并聚合处理,从而获取电池预处理数据。
3.根据权利要求2所述的方法,其特征在于,数据质量评估通过数据质量评估计算公式进行评估处理,其中数据质量评估计算公式具体为:
;
为监测质量评分数据,/>为时间项,/>为原始监测数据的维度数据,/>为原始监测数据的序次项,/>为监测质量评分底数常数项,/>为原始监测数据,/>为第/>个原始监测数据中的温度数据,/>为第/>个原始监测数据中的湿度数据,/>为第/>个原始监测数据中的压力数据,/>为原始监测数据平滑程度项。
4.根据权利要求1所述的方法,其特征在于,步骤S2具体为:
步骤S21:对电池预处理数据进行数据提取,从而获取电池状况基础数据以及电池运行基础数据;
步骤S22:分别对电池状况基础数据以及电池运行基础数据进行特征提取,从而获取电池状况特征数据以及电池运行特征数据;
步骤S23:对电池状况特征数据以及电池运行特征数据进行健康评估模型构建,从而构建初始健康评估模型;
步骤S24:对初始健康评估模型进行模型训练,从而获取训练后的健康评估模型;
步骤S25:对训练后的健康评估模型进行模型验证,从而获取模型验证结果;
步骤S26:利用模型验证结果对训练后的健康评估模型进行模型调整,从而获得调整后的健康评估模型;
步骤S27:利用调整后的健康评估模型对电池预处理数据进行监控评估,从而获取电池监控评分数据。
5.根据权利要求4所述的方法,其特征在于,步骤S24具体为:
步骤S241:获取历史数据集,并利用电池状况基础数据以及电池运行基础数据对历史数据集进行数据集划分,从而获取历史训练数据集以及历史验证数据集;
步骤S242:对历史训练数据集进行特征提取,从而获取历史电池状况特征数据以及历史电池运行特征数据,并对历史电池状况特征数据以及历史电池运行特征数据进行特征矩阵构建,从而获取特征矩阵数据集;
步骤S243:将历史验证数据集进行目标向量转化,从而获取验证目标向量数据;
步骤S244:利用特征矩阵数据集以及预设的早停策略对初始健康评估模型进行模型迭代训练,从而获取初始健康评估模型参数数据;
步骤S245:利用验证目标向量数据以及预设的早停策略对初始健康评估模型参数数据进行反向训练,从而获取训练后的健康评估模型。
6.根据权利要求4所述的方法,其特征在于,步骤S27中监控评估通过电池监控评估计算公式进行评估,其中电池监控评估计算公式具体为:
;
为电池监控评分数据,/>为电池使用寿命预估项,/>为电池健康评分底数常数项,/>为充放电循环次数,/>为电池在第/>次循环时的开路电压数值,/>为电池在初始状态时的开路电压数值,/>为电池在第/>次循环时的充放电电流数值,/>为电池在初始状态时的充放电电流数值,/>为电池在第/>次循环时的温度数值,/>为电池在初始状态时的温度数值。
7.一种锂离子电池充放电控制***,其特征在于,用于执行如权利要求1所述的锂离子电池充放电控制方法,包括:
电池数据采集模型,用于通过IoT设备监测并记录锂离子电池的状态参数并参数预处理,从而获取电池预处理数据;
电池健康状况评估模块,用于对电池预处理数据进行电池健康状况评估,从而获取电池健康评分数据;
充放电策略生成模块,用于根据电池健康评分数据进行充放电策略生成,从而获取初始充放电策略模型;
策略优化模块,用于对初始充放电策略模型进行策略优化,从而获取优化充放电策略模型;
实时收集数据模块,用于根据优化充放电策略模型通过云平台进行充放电作业并实时收集数据,从而获取云端同步数据,以对优化充放电策略模型进行优化模型更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961087.8A CN116683588B (zh) | 2023-08-02 | 2023-08-02 | 锂离子电池充放电控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961087.8A CN116683588B (zh) | 2023-08-02 | 2023-08-02 | 锂离子电池充放电控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116683588A CN116683588A (zh) | 2023-09-01 |
CN116683588B true CN116683588B (zh) | 2024-01-26 |
Family
ID=87789480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310961087.8A Active CN116683588B (zh) | 2023-08-02 | 2023-08-02 | 锂离子电池充放电控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116683588B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117317408A (zh) * | 2023-09-07 | 2023-12-29 | 大庆恒驰电气有限公司 | 基于大数据和人工智能的电池及热量优化管理方法 |
CN117445755A (zh) * | 2023-11-01 | 2024-01-26 | 山东大学 | 基于云计算的电动汽车电池远程监控*** |
CN117375248B (zh) * | 2023-12-08 | 2024-03-08 | 杭州科工电子科技股份有限公司 | 储能电池阵列集群监控方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105789716A (zh) * | 2016-03-03 | 2016-07-20 | 北京交通大学 | 一种广义电池管理*** |
CN108475935A (zh) * | 2016-11-30 | 2018-08-31 | 华为技术有限公司 | 一种电池充电管理方法和终端 |
WO2021256638A1 (ko) * | 2020-06-17 | 2021-12-23 | 주식회사 나산전기산업 | 배터리의 충방전 특성을 사용하여 배터리를 전기 에너지를 저장하기 위한 ess 시스템 |
CN115622203A (zh) * | 2022-12-15 | 2023-01-17 | 深圳市百度电子有限公司 | 基于车载无线充电器充电数据的分析提醒方法及*** |
CN115940224A (zh) * | 2022-11-21 | 2023-04-07 | 广东电网有限责任公司 | 一种储能***的充放电控制方法、装置、设备以及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6554410B2 (ja) * | 2015-12-14 | 2019-07-31 | 株式会社日立製作所 | 電力貯蔵システム管理装置、電力貯蔵システム管理方法、電力貯蔵システム |
-
2023
- 2023-08-02 CN CN202310961087.8A patent/CN116683588B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105789716A (zh) * | 2016-03-03 | 2016-07-20 | 北京交通大学 | 一种广义电池管理*** |
CN108475935A (zh) * | 2016-11-30 | 2018-08-31 | 华为技术有限公司 | 一种电池充电管理方法和终端 |
WO2021256638A1 (ko) * | 2020-06-17 | 2021-12-23 | 주식회사 나산전기산업 | 배터리의 충방전 특성을 사용하여 배터리를 전기 에너지를 저장하기 위한 ess 시스템 |
CN115940224A (zh) * | 2022-11-21 | 2023-04-07 | 广东电网有限责任公司 | 一种储能***的充放电控制方法、装置、设备以及介质 |
CN115622203A (zh) * | 2022-12-15 | 2023-01-17 | 深圳市百度电子有限公司 | 基于车载无线充电器充电数据的分析提醒方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116683588A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116683588B (zh) | 锂离子电池充放电控制方法及*** | |
KR102354112B1 (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
CN112731159A (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
US8527223B2 (en) | Methods and systems for energy prognosis | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及*** | |
CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及*** | |
CN116723034B (zh) | 一种用于互联网信息安全的智能数据监测***及方法 | |
CN117639602A (zh) | 电机运行状态自适应调节方法及*** | |
CN114841076A (zh) | 基于时空图模型的动力电池生产工艺波动异常检测方法 | |
CN115617606A (zh) | 设备监测方法和***、电子设备、存储介质 | |
Ochella et al. | Performance metrics for artificial intelligence (AI) algorithms adopted in prognostics and health management (PHM) of mechanical systems | |
Hadj-Kacem et al. | Anomaly prediction in mobile networks: A data driven approach for machine learning algorithm selection | |
Liu et al. | Multiple optimized online support vector regression for adaptive time series prediction | |
CN117330963B (zh) | 储能电站故障检测方法、***及设备 | |
CN117111446B (zh) | 一种磁悬浮飞轮电机模糊pid控制优化方法 | |
CN117445755A (zh) | 基于云计算的电动汽车电池远程监控*** | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN117613421A (zh) | 一种基于神经网络的储能电池组管理***的均衡方法及介质 | |
CN116842464A (zh) | 一种电池***soc估计方法 | |
Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
GB2465861A (en) | A reasoning inference making tool for recommending actions based on a hybridisation of a data driven model and knowledge based logic. | |
CN116901707A (zh) | 一种动力电池组故障预警方法、***及车辆 | |
CN113887571A (zh) | 改进svr算法的电子设备故障预测方法 |
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 |