CN117022048A - 一种电动汽车电池荷电状态的评估方法 - Google Patents
一种电动汽车电池荷电状态的评估方法 Download PDFInfo
- Publication number
- CN117022048A CN117022048A CN202311003957.7A CN202311003957A CN117022048A CN 117022048 A CN117022048 A CN 117022048A CN 202311003957 A CN202311003957 A CN 202311003957A CN 117022048 A CN117022048 A CN 117022048A
- Authority
- CN
- China
- Prior art keywords
- charging
- constant
- data
- current
- battery
- 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
- 238000011156 evaluation Methods 0.000 title abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 81
- 238000007600 charging Methods 0.000 claims abstract description 76
- 238000010277 constant-current charging Methods 0.000 claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000010280 constant potential charging Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims description 55
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 15
- 229910052744 lithium Inorganic materials 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 4
- 241000282461 Canis lupus Species 0.000 description 21
- 230000006870 function Effects 0.000 description 17
- 241000282421 Canidae Species 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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]
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Sustainable Energy (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Transportation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种电动汽车电池荷电状态的评估方法,所述方法包括下列步骤:获取电动车正常充电过程中的历史数据;基于所述历史数据,将所述电动车正常充电过程划分为恒流充电阶段,以及恒压充电阶段,并将所述历史数据划分为恒流充电历史数据以及恒压充电历史数据;建立并训练第一预测模型,基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态;建立并训练第二预测模型,基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态。
Description
技术领域
本发明涉及电池荷电状态评估技术领域,尤其涉及一种电动汽车电池荷电状态的评估方法。
背景技术
电能作为一种清洁高效的二次能源,在市场中的占比逐渐扩大,特别是在汽车行业。而锂电池由于其高能量密度、价格低、放电稳定等特点被广泛应用于电动汽车、光伏储能等领域。但是用户的不规律充电行为以及电池的自我老化往往会造成电池性能下降、容量衰退,甚至可能会造成电池短路引发火灾,电池管理***能够实时监测电池的实际使用状况并及时反馈,保障电池长期安全稳定的运行。电池荷电状态的准确评估对于电池安全可靠运行具有重要意义。
近年来,国内外已经有大量关于锂电池荷电状态估计问题的研究,主要包括基于模型的方法和基于数据驱动的方法。基于模型的电池荷电状态估计方法需要根据电池内部的物理和化学反应来构建相应的电池模型,模型复杂且对于不同的电池需要调整模型;基于数据驱动的方法通过历史充放电数据来构建输入特征与电池荷电状态之间的联系,其通常是将电池的充电过程视为一个整体来评估。但在电池的实际充电过程是包括了恒流充电阶段以及恒压充电阶段,因此将电池的充电过程视为一个整体来评估,在准确性上有待提高。
发明内容
本发明的目的在于提供一种电动汽车电池荷电状态的评估方法,以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的:一种电动汽车电池荷电状态的评估方法,所述方法包括下列步骤:
获取电动车正常充电过程中的历史数据;
基于所述历史数据,将所述电动车正常充电过程划分为恒流充电阶段,以及恒压充电阶段,并将所述历史数据划分为恒流充电历史数据以及恒压充电历史数据;
建立并训练第一预测模型,基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态;
建立并训练第二预测模型,基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态。
可选的,基于所述历史数据,将所述电动车正常充电过程划分为恒流充电阶段,具体包括:
将一组历史数据按照时间节点的顺序进行划分,并依次记录下每个时间节点的电压、电流、温度数据;
若在第t时间内,电流发生变化,则第i至t-1时间段内为恒流充电阶段,其第i至t-1时间段产生的电压、电流、温度数据、放电深度、充电速率为恒流充电历史数据。
可选的,基于所述历史数据,将所述电动车正常充电过程划分为恒压充电阶段,具体包括:
将一组历史数据按照时间节点的顺序进行划分,并依次记录下每个时间节点的电压、电流、温度数据;
若在第T时间内,电压发生变化,则第L至T-1时间段内为恒压充电阶段,其第L至T-1时间段产生的电压、电流、温度数据、放电深度、充电速率数据为恒压充电历史数据。
可选的,建立并训练第一预测模型,具体包括:构建LSTM神经网络,基于GWO算法以及恒流充电历史数据,对LSTM神经网络进行两次训练过程,最终获得第一预测模型。
可选的,基于GWO算法以及恒流充电历史数据,对LSTM神经网络进行两次训练过程,最终获得第一预测模型,具体包括:
将恒流充电历史数据输入所述LSTM神经网络中,获得为恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V';
使用GWO算法优化LSTM神经网络中包括神经元个数以及学习率在内的最优参数,得到GWO-LSTM神经网络;
将恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V'以及恒流充电历史数据中的不同时刻的电压数据以及唯一的电流数据输入GWO-LSTM神经网络进行一次训练;
将恒流充电历史数据中的电压、电流、温度数据、放电深度、充电速率输入进行一次训练后的GWO-LSTM神经网络中进行二次训练,获得第一预测模型。
可选的,建立并训练第二预测模型,具体包括:构建GRU神经网络,基于PSO算法以及恒流充电历史数据,对GRU神经网络进行两次训练过程,最终获得第二预测模型。
可选的,基于PSO算法以及恒流充电历史数据,对GRU神经网络进行两次训练过程,最终获得第二预测模型,具体包括:
将恒压充电历史数据输入所述GRU神经网络中,获得为恒流充电阶段中最优解的锂电池的温度N'、放电深度O'、充电速率P';
使用PSO算法优化所述GRU神经网络中的最优参数,得到PSO-GRU神经网络;
将恒压充电阶段中最优解的锂电池的温度N'、放电深度O'、充电速率P'以及恒流充电历史数据中不同时刻的电压数据以及唯一的电流数据输入PSO-GRU神经网络进行一次训练;
将恒压充电历史数据中的电压、电流、温度数据、放电深度、充电速率输入进行一次训练后的PSO-GRU神经网络中进行二次训练,获得第二预测模型。
可选的,基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态,具体包括:
实时采集电池充电过程中的充电数据,包括电流、电压以及温度数据;
判断电池充电过程电流发生变化的时刻,将电流变化时刻之前的充电数据输入到训练好的第一预测模型中,从而输出对应的第一SOC。
可选的,基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态,具体包括:
实时采集电池充电过程中的充电数据,包括电流、电压以及温度数据;
判断电池充电过程电流发生变化的时刻,将电流变化时刻之后的充电数据输入到训练好的第二预测模型中,从而输出对应的第二SOC。
可选的,所述方法还包括:在恒流充电历史数据条件下,通过安时积分法计算第一阈值,计算所述第一阈值与所述第一SOC之间的第一差值,若所述第一差值不符合要求,则重新计算第一SOC;
在恒压充电历史数据的条件下,通过安时积分法计算第二阈值,计算所述第一阈值与所述第一SOC之间的第二差值,若所述第二差值不符合要求,则重新计算第二SOC。
与现有技术相比,本发明达到的有益效果如下:
本发明提供的一种电动汽车电池荷电状态的评估方法,首先电池充电过程分为恒流充电阶段以及恒压充电阶段两类,然后针对锂电池历史充放电数据进行分类处理,然后通过这两类样本数据集训练由不同算法所构建的构建的第一预测模型以及第二预测模型,在后续实际使用中,根据电池充电过程的类型选用不同的模型进行荷电状态评估。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种电动汽车电池荷电状态的评估方法的流程图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
应当理解的是,本发明能够以不同形式实施,而不应当解释为局限于这里提出的实施例。相反地,提供这些实施例将使公开彻底和完全,并且将本发明的范围完全地传递给本领域技术人员。
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时,单数形式的“一”、“一个”和“所述/该”也意图包括复数形式,除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”,当在该说明书中使用时,确定所述特征、整数、步骤、操作、元件和/或部件的存在,但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时,术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本发明,将在下列的描述中提出详细的结构,以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下,然而除了这些详细描述外,本发明还可以具有其他实施方式。
参见图1,一种电动汽车电池荷电状态的评估方法,所述方法包括下列步骤:
S1、获取电动车正常充电过程中的历史数据;
S2、基于所述历史数据,将所述电动车正常充电过程划分为恒流充电阶段,以及恒压充电阶段,并将所述历史数据划分为恒流充电历史数据以及恒压充电历史数据;
S3、建立并训练第一预测模型,基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态;
S4、建立并训练第二预测模型,基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态。
在本发明的一些实施方式中,其步骤S1中的基于所述历史数据,将所述电动车正常充电过程划分为恒流充电阶段,具体包括:
将一组历史数据按照时间节点的顺序进行划分,并依次记录下每个时间节点的电压、电流、温度数据;
若在第t时间内,电流发生变化,则第i至t-1时间段内为恒流充电阶段,其第i至t-1时间段产生的电压、电流、温度数据、放电深度、充电速率为恒流充电历史数据。
同理,基于所述历史数据,将所述电动车正常充电过程划分为恒压充电阶段,具体包括:
将一组历史数据按照时间节点的顺序进行划分,并依次记录下每个时间节点的电压、电流、温度数据;
若在第T时间内,电压发生变化,则第L至T-1时间段内为恒压充电阶段,其第L至T-1时间段产生的电压、电流、温度数据、放电深度、充电速率数据为恒压充电历史数据。
可以理解的是,电动车电池的充电过程可分成恒流充电阶段以及恒压充电阶段,其恒流充电阶段在先,恒压充电阶段在后,并且在恒流充电阶段中,其电流恒定,而电压发生变动,恒压充电阶段中,电流发生变动,而电压恒定,因此可以以电流作为判断标准,当电流在保持恒定一段时间后再发生持续变化,其变化前的阶段可以视为恒流充电阶段,其变化中的阶段视为恒压充电阶段。
具体的,建立并训练第一预测模型,具体包括:构建LSTM神经网络,基于GWO算法以及恒流充电历史数据,对LSTM神经网络进行两次训练过程,最终获得第一预测模型。
进一步的,基于GWO算法以及恒流充电历史数据,对LSTM神经网络进行两次训练过程,最终获得第一预测模型,具体包括:
将恒流充电历史数据输入所述LSTM神经网络中,获得为恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V';
使用GWO算法优化LSTM神经网络中包括神经元个数以及学习率在内的最优参数,得到GWO-LSTM神经网络。
在本发明的实施方式中,LSTM神经网络的参数包括神经元个数以及学习率,其具体Wie:设置三匹灰狼的位置a、b、c和目标函数值s1、s2、s3,而根据GWO算法,所述三匹灰狼包括:灰狼Alpha、灰狼Beta、灰狼Delta。分别初始化三匹灰狼Alpha、Beta、Delta的位置a、b、c,以及初始化三匹灰狼Alpha、Beta、Delta的目标函数值s1、s2、s3,然后遍历每匹灰狼,计算LSTM模型目标损失函数,更新三匹狼的位置a、b、c和目标函数值s1、s2、s3;遍历每匹灰狼,基于三匹灰狼的更新后的位置,确定本次迭代的最优灰狼的位置,即LSTM参数。
遍历每匹灰狼,基于三匹灰狼的更新后的位置,确定本次迭代的最优灰狼的位置,即LSTM参数,具体包括:若目标损失函数小于灰狼Alpha所在位置的目标函数值,则将灰狼Alpha的目标函数值更新为最优目标函数值,同时将灰狼Alpha的位置更新为最优灰狼位置;
若目标损失函数介于灰狼Alpha和灰狼Beta的目标函数值之间,则将灰狼Beta的目标函数值更新为最优目标函数值,同时将灰狼Beta的位置更新为最优灰狼位置;
若目标损失函数介于灰狼Beta和灰狼Delta的目标函数值之间,则将灰狼Delta的目标函数值更新为最优目标函数值,同时将灰狼Delta的位置更新为最优灰狼位置;
在给定迭代次数下,不断迭代遍历S112和S113,直到最终目标损失函数达到给定阈值或满足迭代次数则终止。
迭代终止后,输出最后一次迭代的最佳灰狼的位置为确定的最佳灰狼的位置,所述最佳灰狼的位置即为所述LSTM模型的最优参数,从而得到GWO-LSTM神经网络,通过GWO算法可避免LSTM神经网络训练所产生的局部最优问题。
进一步的,将恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V'以及恒流充电历史数据中的不同时刻的电压数据以及唯一的电流数据输入GWO-LSTM神经网络进行一次训练;
将恒流充电历史数据中的电压、电流、温度数据、放电深度、充电速率输入进行一次训练后的GWO-LSTM神经网络中进行二次训练,获得第一预测模型。
具体的,建立并训练第二预测模型,具体包括:构建GRU神经网络,基于PSO算法以及恒流充电历史数据,对GRU神经网络进行两次训练过程,最终获得第二预测模型。
进一步的,基于PSO算法以及恒流充电历史数据,对GRU神经网络进行两次训练过程,最终获得第二预测模型,具体包括:
将恒压充电历史数据输入所述GRU神经网络中,获得为恒流充电阶段中最优解的锂电池的温度N'、放电深度O'、充电速率P';
使用PSO算法优化所述GRU神经网络中的最优参数,得到PSO-GRU神经网络;
在本发明的实施方式中,GRU神经网络中的最优参数是指最优的隐藏层连接权值和最优的隐藏层阈值,在优化过程中,将GRU神经网络中的初始隐藏层连接权值和初始隐藏层阈值作为PSO算法的输入粒子,不断求解输入粒子在解空间的位置并记录个体在求解空间的适应度,最终找出空间问题的最优解,其最优解即为最优的隐藏层连接权值和最优的隐藏层阈值,从而获得PSO-GRU神经网络,通过PSO算法可避免GRU神经网络训练所产生的局部最优问题。
将恒流充电阶段中最优解的锂电池的温度N'、放电深度O'、充电速率P'以及恒压充电历史数据中不同时刻的电流数据以及唯一的电压数据输入PSO-GRU神经网络进行一次训练;
将恒压充电历史数据中的电压、电流、温度数据、放电深度、充电速率输入进行一次训练后的PSO-GRU神经网络中进行二次训练,获得第二预测模型。
具体的,基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态,具体包括:
实时采集电池充电过程中的充电数据,包括电流、电压以及温度数据;
判断电池充电过程电流发生变化的时刻,将电流变化时刻之前的充电数据输入到训练好的第一预测模型中,从而输出对应的第一SOC。
具体的,基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态,具体包括:
实时采集电池充电过程中的充电数据,包括电流、电压以及温度数据;
判断电池充电过程电流发生变化的时刻,将电流变化时刻之后的充电数据输入到训练好的第二预测模型中,从而输出对应的第二SOC。
具体的,所述方法还包括:在恒流充电历史数据条件下,通过安时积分法计算第一阈值,计算所述第一阈值与所述第一SOC之间的第一差值,若所述第一差值不符合要求,则重新计算第一SOC。可以理解的是,通过安时积分法可以计算出,在恒流充电历史数据的情况下,其恒流充电的SOC值(即第一阈值),将通过安时积分法所计算出的第一阈值与所述第一SOC进行比较,若其差值超过所设定的范围值,其范围值例如[-0.5,+0.5],则说明第一SOC的计算有误,需要重新进行训练第一预测模型。
同理,通过安时积分法可以计算出,在恒压充电历史数据的情况下,其恒压充电的SOC值(即第二阈值),将通过安时积分法所计算出的第二阈值与所述第二SOC进行比较,若其差值超过所设定的范围值,其范围值例如[-0.5,+0.5],则说明第二SOC的计算有误,需要重新进行训练第二预测模型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种电动汽车电池荷电状态的评估方法,其特征在于,所述方法包括下列步骤:
获取电动车正常充电过程中的历史数据;
基于所述历史数据,将所述电动车正常充电过程划分为恒流充电阶段,以及恒压充电阶段,并将所述历史数据划分为恒流充电历史数据以及恒压充电历史数据;
建立并训练第一预测模型,基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态;
建立并训练第二预测模型,基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态。
2.根据权利要求1所述的一种电动汽车电池荷电状态的评估方法,其特征在于,基于所述历史数据,将所述电动车正常充电过程划分为恒流充电阶段,具体包括:
将一组历史数据按照时间节点的顺序进行划分,并依次记录下每个时间节点的电压、电流、温度数据;
若在第t时间内,电流发生变化,则第i至t-1时间段内为恒流充电阶段,其第i至t-1时间段产生的电压、电流、温度数据、放电深度、充电速率为恒流充电历史数据。
3.根据权利要求2所述的一种电动汽车电池荷电状态的评估方法,其特征在于,基于所述历史数据,将所述电动车正常充电过程划分为恒压充电阶段,具体包括:
将一组历史数据按照时间节点的顺序进行划分,并依次记录下每个时间节点的电压、电流、温度数据;
若在第T时间内,电压发生变化,则第L至T-1时间段内为恒压充电阶段,其第L至T-1时间段产生的电压、电流、温度数据、放电深度、充电速率数据为恒压充电历史数据。
4.根据权利要求3所述的一种电动汽车电池荷电状态的评估方法,其特征在于,建立并训练第一预测模型,具体包括:构建LSTM神经网络,基于GWO算法以及恒流充电历史数据,对LSTM神经网络进行两次训练过程,最终获得第一预测模型。
5.根据权利要求4所述的一种电动汽车电池荷电状态的评估方法,其特征在于,基于GWO算法以及恒流充电历史数据,对LSTM神经网络进行两次训练过程,最终获得第一预测模型,具体包括:
将恒流充电历史数据输入所述LSTM神经网络中,获得为恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V';
使用GWO算法优化LSTM神经网络中包括神经元个数以及学习率在内的最优参数,得到GWO-LSTM神经网络;
将恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V'以及恒流充电历史数据中的不同时刻的电压数据以及唯一的电流数据输入GWO-LSTM神经网络进行一次训练;
将恒流充电历史数据中的电压、电流、温度数据、放电深度、充电速率输入进行一次训练后的GWO-LSTM神经网络中进行二次训练,获得第一预测模型。
6.根据权利要求3所述的一种电动汽车电池荷电状态的评估方法,其特征在于,建立并训练第二预测模型,具体包括:构建GRU神经网络,基于PSO算法以及恒流充电历史数据,对GRU神经网络进行两次训练过程,最终获得第二预测模型。
7.根据权利要求6所述的一种电动汽车电池荷电状态的评估方法,其特征在于,基于PSO算法以及恒流充电历史数据,对GRU神经网络进行两次训练过程,最终获得第二预测模型,具体包括:
将恒压充电历史数据输入所述GRU神经网络中,获得为恒流充电阶段中最优解的锂电池的温度N'、放电深度O'、充电速率P';
使用PSO算法优化所述GRU神经网络中的最优参数,得到PSO-GRU神经网络;
将恒流充电阶段中最优解的锂电池的温度N'、放电深度O'、充电速率P'以及恒压充电历史数据中不同时刻的电流数据以及唯一的电压数据输入PSO-GRU神经网络进行一次训练;
将恒压充电历史数据中的电压、电流、温度数据、放电深度、充电速率输入进行一次训练后的PSO-GRU神经网络中进行二次训练,获得第二预测模型。
8.根据权利要求5所述的一种电动汽车电池荷电状态的评估方法,其特征在于,基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态,具体包括:
实时采集电池充电过程中的充电数据,包括电流、电压以及温度数据;
判断电池充电过程电流发生变化的时刻,将电流变化时刻之前的充电数据输入到训练好的第一预测模型中,从而输出对应的第一SOC。
9.根据权利要求7所述的一种电动汽车电池荷电状态的评估方法,其特征在于,基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态,具体包括:
实时采集电池充电过程中的充电数据,包括电流、电压以及温度数据;
判断电池充电过程电流发生变化的时刻,将电流变化时刻之后的充电数据输入到训练好的第二预测模型中,从而输出对应的第二SOC。
10.根据权利要求8或9所述的一种电动汽车电池荷电状态的评估方法,其特征在于,所述方法还包括:在恒流充电历史数据条件下,通过安时积分法计算第一阈值,计算所述第一阈值与所述第一SOC之间的第一差值,若所述第一差值不符合要求,则重新计算第一SOC;
在恒压充电历史数据的条件下,通过安时积分法计算第二阈值,计算所述第一阈值与所述第一SOC之间的第二差值,若所述第二差值不符合要求,则重新计算第二SOC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311003957.7A CN117022048A (zh) | 2023-08-10 | 2023-08-10 | 一种电动汽车电池荷电状态的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311003957.7A CN117022048A (zh) | 2023-08-10 | 2023-08-10 | 一种电动汽车电池荷电状态的评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117022048A true CN117022048A (zh) | 2023-11-10 |
Family
ID=88627512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311003957.7A Pending CN117022048A (zh) | 2023-08-10 | 2023-08-10 | 一种电动汽车电池荷电状态的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117022048A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
-
2023
- 2023-08-10 CN CN202311003957.7A patent/CN117022048A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Online accurate state of health estimation for battery systems on real-world electric vehicles with variable driving conditions considered | |
Xiao et al. | Accurate state-of-charge estimation approach for lithium-ion batteries by gated recurrent unit with ensemble optimizer | |
CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
CN110058160B (zh) | 基于平方根扩展卡尔曼滤波的锂电池健康状态预测方法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
CN113189490B (zh) | 基于特征筛选和高斯过程回归的锂电池健康状态估计方法 | |
CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
CN111458646A (zh) | 一种基于pso-rbf神经网络的锂电池soc估算方法 | |
CN113109717B (zh) | 一种基于特征曲线优化的锂电池荷电状态估算方法 | |
CN109633470B (zh) | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 | |
CN115308606B (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 | |
Li et al. | Lithium-ion battery remaining useful life prognostics using data-driven deep learning algorithm | |
CN116381539A (zh) | 一种考虑用户不完整充电过程下的电池健康状态评估方法 | |
CN116298904A (zh) | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 | |
CN115542182A (zh) | 一种移动储能***串联电池组soh估计方法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
CN112418564A (zh) | 基于lstm的充换电站换电负荷预测方法及其相关组件 |
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 |