CN117755150A - 一种基于机器学习的快速充电方法 - Google Patents
一种基于机器学习的快速充电方法 Download PDFInfo
- Publication number
- CN117755150A CN117755150A CN202311607821.7A CN202311607821A CN117755150A CN 117755150 A CN117755150 A CN 117755150A CN 202311607821 A CN202311607821 A CN 202311607821A CN 117755150 A CN117755150 A CN 117755150A
- Authority
- CN
- China
- Prior art keywords
- particle
- battery
- extremum
- historical
- population
- 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.)
- Granted
Links
- 238000007600 charging Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 245
- 238000012549 training Methods 0.000 claims description 52
- 238000005457 optimization Methods 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 238000010277 constant-current charging Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000010287 polarization Effects 0.000 abstract description 3
- 230000003313 weakening effect Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的快速充电方法，属于电池充电技术领域，采用机器学习模型构建SOC预测模型，并通过改进的粒子群算法对SOC预测模型的模型参数进行优化，使SOC预测模型能够准确地对电池的SOC进行识别，从而方便执行预设的充电策略，并且提供的充电策略包括预充电、快速充电以及涓流充电是哪个阶段，能够保证电池在低温下的安全快速充电，并且削弱了电池极化，有助于延长电池寿命。
Description
技术领域
本发明属于电池充电技术领域，具体涉及一种基于机器学习的快速充电方法。
背景技术
新能源汽车产业发展中，新能源汽车的动力来源(动力电池)的研发备受重视，动力电池的性能直接影响着整车的驾驶性能和续航里程。动力电池性能每一次提升，都会促进电动汽车续航里程的提高、驾驶性能的飞跃，促进电动汽车产业的发展。在各类动力电池中，锂离子电池因其绿色无污染、能量密度和功率密度大的特别优势，已经成为了目前电动汽车领域的主流动力电池。因此，如何保证电池的充电效率以及寿命成了继续解决的问题。在现有技术中，难以对电池的SOC进行准确的估计，导致不能准确的匹配充电策略。
发明内容
本发明提供一种基于机器学习的快速充电方法，用以解决现有技术中存在的问题。
一种基于机器学习的快速充电方法，包括：
获取电池在不同SOC时的历史电池状态参数，将历史电池状态参数作为样本数据，将历史电池状态参数对应的SOC作为标签数据，得到训练数据；
采用机器学习模型构建SOC预测模型，并根据训练数据对SOC预测模型进行训练，获取训练完成的SOC预测模型；
当电池在充电过程中，获取电池的实时电池状态参数，并采用训练完成的SOC预测模型对实时电池电流、实时电池电压以及实时电池温度进行识别，得到电池的实时SOC；
以所述电池的实时SOC为基础，调度不同的预设充电规则对电池的充电参数进行调整，完成电池的快速充电。
进一步地，获取电池在不同SOC时的历史电池状态参数，将历史电池状态参数作为样本数据，将历史电池状态参数对应的SOC作为标签数据，得到训练数据，包括：
获取电池在不同SOC时的历史电流数据、历史电压数据以及历史温度数据，得到电池在不同SOC时的历史电池状态参数；
将历史电池状态参数作为样本数据，并对样本数据进行归一化处理，得到归一化处理之后的样本数据；
将历史电池状态参数对应的SOC作为标签数据，并将标签数据与归一化处理之后的样本数据组成训练数据。
进一步地，采用机器学习模型构建SOC预测模型，并根据训练数据对SOC预测模型进行训练，获取训练完成的SOC预测模型，包括：
采用模糊神经网络构建SOC预测模型；
以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，并采用改进的粒子群算法对SOC预测模型进行训练，获取训练完成的SOC预测模型。
进一步地，以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，并采用改进的粒子群算法对SOC预测模型进行训练，获取训练完成的SOC预测模型，包括：
A1、初始化SOC预测模型的模型参数，并将所有的模型参数构建为向量，得到用于寻优的粒子，并获取粒子群；
A2、采用第一全局搜索策略对粒子群中每个粒子进行优化，得到一次优化之后的粒子群，同时获取粒子群中每个粒子的历史极值以及粒子群的群体极值；
A3、采用第二全局搜索策略对粒子群中每个粒子进行优化，得到二次优化之后的粒子群，同时更新粒子群中每个粒子的历史极值以及粒子群的群体极值；
A4、采用变异策略以及概率选择策略对粒子群的群体极值进行更新，得到更新后的群体极值；
A5、以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，重新获取粒子群中所有粒子的适应度值，并将适应度值最大的粒子作为新的群体极值；
A6、以预设的第一最大次数重复执行步骤A2至步骤A5之后，输出每个粒子的历史极值以及粒子群的群体极值；
A7、根据步骤A6输出的每个粒子的历史极值以及粒子群的群体极值，采用局部寻优策略对每个粒子进行优化，得到三次优化之后的粒子群，同时更新粒子群中每个粒子的历史极值以及粒子群的群体极值；
A8、检查是否满足迭代终止条件，若是，则输出群体极值作为SOC预测模型的最终模型参数，否则返回步骤A7。
进一步地，采用第一全局搜索策略对粒子群中每个粒子进行优化，得到一次优化之后的粒子群，同时获取粒子群中每个粒子的历史极值以及粒子群的群体极值，包括：
针对粒子群中每个粒子，获取粒子的邻域集为
其中，表示粒子群中第i个粒子/>的邻域集，i＝1,2,…,I，I表示粒子群中的粒子总数，t表示训练次数，且t的最大值为第一最大次数，/>表示第i个粒子的邻域集中第j个其他粒子，j＝1,2,…,Ji，Ji表示第i个粒子的邻域集中的其他粒子总数，dji表示其他粒子/>与粒子/>之间的欧式距离，dist表示距离阈值，且每次执行第一全局搜索策略之后对距离阈值更新为:/>dist'表示更新后的距离阈值，α表示衰减因子，dist_min表示距离阈值的预设最小值；
获取第i个粒子的邻域集的中心位置为：/>并获取中心位置/>的适应度值为/>以及第i个粒子/>的适应度值为Yi t；
判断是否大于δYi t，若是，则对第i个粒子/>直接更新，否则对第i个粒子/>进行选择更新；其中，δ表示预设控制系数；
对第i个粒子直接更新为：
其中，表示更新后的粒子/>Step表示更新步长，/>表示粒子/>所对应的感知位置，Rand表示与粒子维度相同的随机向量，且元素在(0,1)之间随机生成；/>表示的适应度值；
对第i个粒子Xi进行选择更新为：
从第i个粒子的邻域集/>中随机选择一个粒子/>并判断粒子/>的适应度值是否大于第i个粒子/>的适应度值，若是，则对第i个粒子/>更新为否则重复执行本步骤，直至达到预设的第二最大次数，对第i个粒子/>更新为/>
进一步地，采用第二全局搜索策略对粒子群中每个粒子进行优化，得到二次优化之后的粒子群，包括：
获取粒子群的群体极值的适应度值/>并判断/>是否大于δYi t，若是，则对第i个粒子/>更新为/>否则对第i个粒子/>进行选择更新。
进一步地，采用变异策略以及概率选择策略对粒子群的群体极值进行更新，得到更新后的群体极值，包括：
确定粒子群的群体极值的更新值为：
其中，表示群体极值的更新值，N(0,1)表示均值为0，方差为1的高斯分布；
判断群体极值的更新值对应的适应度值是否增大，若是，则接受该更新值，得到更新后的群体极值，否则拒绝该更新值，得到更新后的群体极值。
进一步地，根据步骤A6输出的每个粒子的历史极值以及粒子群的群体极值，采用局部寻优策略对每个粒子进行优化，得到三次优化之后的粒子群，包括：
针对某个粒子，采用局部寻优策略更新为：
其中，w表示惯性权重，表示粒子群中第h个粒子中的第d维参数的更新量，h＝1,2,…,I，T表示局部寻优策略的执行次数，/>表示更新之后的/>c1表示第一学习因子，r1表示(0,1)范围内的第一随机数，/>表示粒子群中第h个粒子中的第d维参数，Phd表示表示粒子群中第h个粒子的历史极值中的第d维参数，c2表示第二学习因子，r2表示(0,1)范围内的第二随机数，/>表示粒子群的群体极值中的第d维参数，/>表示更新后的/>
遍历每个粒子进行更新，得到三次优化之后的粒子群。
进一步地，以所述电池的实时SOC为基础，调度不同的预设充电规则对电池的充电参数进行调整，完成电池的快速充电，包括：
判断电池的实时SOC是否小于或者等于第一预设阈值，若是，则执行第一预设充电规则，否则继续判断；
判断电池的实时SOC是否大于第一预设阈值，且小于等于第二预设阈值，若是，则执行第二预设充电规则，否则执行第三预设充电规则。
进一步地，所述第一预设充电规则，包括：采用小于第一预设电流阈值的恒流充电电流进行预充电；
所述第二预设充电规则，包括：采用正向脉冲、负向脉冲以及脉冲间隙交错的充电方式进行快速充电；
所述第三预设充电规则，包括：采用小于第二预设电流阈值的目标电流以及小于预设电压阈值的目标电压进行涓流充电。
本发明提供了一种基于机器学习的快速充电方法，采用机器学习模型构建SOC预测模型，并通过改进的粒子群算法对SOC预测模型的模型参数进行优化，使SOC预测模型能够准确地对电池的SOC进行识别，从而方便执行预设的充电策略，并且提供的充电策略包括预充电、快速充电以及涓流充电是哪个阶段，能够保证电池在低温下的安全快速充电，并且削弱了电池极化，有助于延长电池寿命。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的一种基于机器学习的快速充电方法的流程图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面结合附图详细说明本发明的实施例。
如图1所示，一种基于机器学习的快速充电方法，包括：
S101、获取电池在不同SOC(State of Charge，荷电状态)时的历史电池状态参数，将历史电池状态参数作为样本数据，将历史电池状态参数对应的SOC作为标签数据，得到训练数据。
历史电池状态参数以及历史电池状态参数对应的SOC可以为预先存储的实验参数，也可以为人机交互输入的实验参数，通过机器学习对实验参数中的非线性规律进行学习，从而可以在充电时，快速预测电池的SOC。
S102、采用机器学习模型构建SOC预测模型，并根据训练数据对SOC预测模型进行训练，获取训练完成的SOC预测模型。
可选的，机器学习模型可以采用BP(Back Propagation，反向传播)神经网络、RBF(Radial Basis Function，径向基函数)神经网络等等用于数据预测的神经网络，根据训练数据对SOC预测模型进行训练可以采用梯度下降法、粒子群算法等等优化方法。
S103、当电池在充电过程中，获取电池的实时电池状态参数，并采用训练完成的SOC预测模型对实时电池电流、实时电池电压以及实时电池温度进行识别，得到电池的实时SOC。
只有在充电过程中准确地预测了电池的SOC，才能够根据SOC去执行预设的充电规则，从而实现快速充电的同时，延长电池的使用寿命。
S104、以所述电池的实时SOC为基础，调度不同的预设充电规则对电池的充电参数进行调整，完成电池的快速充电。
可选的，预设充电规则可以包括预充电、快速充电以及涓流充电，既能够保护电池，又能够快速充电。
在本实施例中，获取电池在不同SOC时的历史电池状态参数，将历史电池状态参数作为样本数据，将历史电池状态参数对应的SOC作为标签数据，得到训练数据，包括：
获取电池在不同SOC时的历史电流数据、历史电压数据以及历史温度数据，得到电池在不同SOC时的历史电池状态参数。值得说明的是，除了历史电流数据、历史电压数据以及历史温度数据之外，还可以使用其他电池的参数作为历史电池状态参数。
将历史电池状态参数作为样本数据，并对样本数据进行归一化处理，得到归一化处理之后的样本数据。可选的，归一化方法可以采用最大-最小归一化方法或者标准归一化方法。
将历史电池状态参数对应的SOC作为标签数据(即构建出期望输出，以便获取实际输出之后，可以根据实际输出以及期望输出获取误差函数值)，并将标签数据与归一化处理之后的样本数据组成训练数据。
在本实施例中，采用机器学习模型构建SOC预测模型，并根据训练数据对SOC预测模型进行训练，获取训练完成的SOC预测模型，包括：
采用模糊神经网络构建SOC预测模型。值得说明的是，模糊神经网络仅仅作为本实施例中优选方式，还可以采用其他的神经网络模型作为SOC预测模型。
以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，并采用改进的粒子群算法对SOC预测模型进行训练，获取训练完成的SOC预测模型。
在本实施例中，以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，并采用改进的粒子群算法对SOC预测模型进行训练，获取训练完成的SOC预测模型，包括：
A1、初始化SOC预测模型的模型参数，并将所有的模型参数构建为向量，得到用于寻优的粒子，并获取粒子群。
例如，可以在SOC预测模型的模型参数上限与下限之间随机初始化参数，从而可以得到模型参数向量。
A2、采用第一全局搜索策略对粒子群中每个粒子进行优化，得到一次优化之后的粒子群，同时获取粒子群中每个粒子的历史极值以及粒子群的群体极值；
可选的，本实施例给出一种获取粒子群中每个粒子的历史极值以及粒子群的群体极值的方法：
针对每个粒子应用至SOC预测模型之后，以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，获取均方误差，并根据均方误差获取适应度值为1/(均方误差+0.0001)。从粒子群中选出最大的粒子作为粒子群的群体极值。当第一轮训练时，将粒子本身作为其历史极值，在后续训练过程中，当粒子适应度值大于其历史极值的适应度时，则采用粒子更新器历史极值。
A3、采用第二全局搜索策略对粒子群中每个粒子进行优化，得到二次优化之后的粒子群，同时更新粒子群中每个粒子的历史极值以及粒子群的群体极值；
A4、采用变异策略以及概率选择策略对粒子群的群体极值进行更新，得到更新后的群体极值；
原有粒子群算法具有较强的局部寻优能力以及高收敛精度，但是全局寻优能力较弱，本实施例融合粒子群中的信息，实现了全局搜索，从而提升粒子群算法的搜索能力，保证SOC预测模型能够准确地进行SOC预测。
A5、以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，重新获取粒子群中所有粒子的适应度值，并将适应度值最大的粒子作为新的群体极值；
A6、以预设的第一最大次数重复执行步骤A2至步骤A5之后，输出每个粒子的历史极值以及粒子群的群体极值；
A7、根据步骤A6输出的每个粒子的历史极值以及粒子群的群体极值，采用局部寻优策略对每个粒子进行优化，得到三次优化之后的粒子群，同时更新粒子群中每个粒子的历史极值以及粒子群的群体极值；
A8、检查是否满足迭代终止条件，若是，则输出群体极值作为SOC预测模型的最终模型参数，否则返回步骤A7。
在本实施例中，采用第一全局搜索策略对粒子群中每个粒子进行优化，得到一次优化之后的粒子群，同时获取粒子群中每个粒子的历史极值以及粒子群的群体极值，包括：
针对粒子群中每个粒子，获取粒子的邻域集为
其中，表示粒子群中第i个粒子/>的邻域集，i＝1,2,…,I，I表示粒子群中的粒子总数，t表示训练次数，且t的最大值为第一最大次数，/>表示第i个粒子的邻域集中第j个其他粒子，j＝1,2,…,Ji，Ji表示第i个粒子的邻域集中的其他粒子总数，dji表示其他粒子/>与粒子/>之间的欧式距离，dist表示距离阈值，且每次执行第一全局搜索策略之后对距离阈值更新为:/>dist'表示更新后的距离阈值，α表示衰减因子，dist_min表示距离阈值的预设最小值；
获取第i个粒子的邻域集的中心位置为：/>并获取中心位置/>的适应度值为/>以及第i个粒子/>的适应度值为Yi t；
判断是否大于δYi t，若是，则对第i个粒子/>直接更新，否则对第i个粒子/>进行选择更新；其中，δ表示预设控制系数；
对第i个粒子直接更新为：
其中，表示更新后的粒子/>Step表示更新步长，/>表示粒子/>所对应的感知位置，Rand表示与粒子维度相同的随机向量，且元素在(0,1)之间随机生成；/>表示的适应度值；通过涉及自适应步长，可以是算法调节全局探索与局部探索的能力，从而在算法前期提升速度，在算法后期提升精度。
对第i个粒子Xi进行选择更新为：
从第i个粒子的邻域集/>中随机选择一个粒子/>并判断粒子/>的适应度值是否大于第i个粒子/>的适应度值，若是，则对第i个粒子/>更新为否则重复执行本步骤，直至达到预设的第二最大次数，对第i个粒子/>更新为/>
从上述第一全局搜索策略中可以发现，当解空间中某一区域内的位置较好(适应度较大)，但是粒子较少时，则证明该区域可以进行进一步探索，因此可以提升算法的区域开发能力。
在本实施例中，采用第二全局搜索策略对粒子群中每个粒子进行优化，得到二次优化之后的粒子群，包括：
获取粒子群的群体极值的适应度值/>并判断/>是否大于δYi t，若是，则对第i个粒子/>更新为/>否则对第i个粒子/>进行选择更新。
从上述第二全局搜索策略中可以发现，当解空间中群体极值的位置较好，但是粒子较少时，则证明该区域可以进行进一步探索，因此可以进一步提升算法的区域开发能力。并且有效地利用了种群中其他粒子的信息，能够提升算法的全局寻优能力。
在本实施例中，采用变异策略以及概率选择策略对粒子群的群体极值进行更新，得到更新后的群体极值，包括：
确定粒子群的群体极值的更新值为：
其中，表示群体极值的更新值，N(0,1)表示均值为0，方差为1的高斯分布；
判断群体极值的更新值对应的适应度值是否增大，若是，则接受该更新值，得到更新后的群体极值，否则拒绝该更新值，得到更新后的群体极值。
通过变异策略以及概率选择策略进行更新，既能够提升跳出局部最优值的能力，又能够保证种群的更新速度。
可选的，针对适应度值前三的粒子，可以均采用变异策略以及概率选择策略进行更新，以实现全局探索。
在本实施例中，根据步骤A6输出的每个粒子的历史极值以及粒子群的群体极值，采用局部寻优策略对每个粒子进行优化，得到三次优化之后的粒子群，包括：
针对某个粒子，采用局部寻优策略更新为：
其中，w表示惯性权重，表示粒子群中第h个粒子中的第d维参数的更新量，h＝1,2,…,I，T表示局部寻优策略的执行次数，/>表示更新之后的/>c1表示第一学习因子，r1表示(0,1)范围内的第一随机数，/>表示粒子群中第h个粒子中的第d维参数，Phd表示表示粒子群中第h个粒子的历史极值中的第d维参数，c2表示第二学习因子，r2表示(0,1)范围内的第二随机数，/>表示粒子群的群体极值中的第d维参数，/>表示更新后的/>
遍历每个粒子进行更新，得到三次优化之后的粒子群。
在本实施例中，以所述电池的实时SOC为基础，调度不同的预设充电规则对电池的充电参数进行调整，完成电池的快速充电，包括：
判断电池的实时SOC是否小于或者等于第一预设阈值，若是，则执行第一预设充电规则，否则继续判断；
判断电池的实时SOC是否大于第一预设阈值，且小于等于第二预设阈值，若是，则执行第二预设充电规则，否则执行第三预设充电规则。
在本实施例中，
所述第一预设充电规则，包括：采用小于第一预设电流阈值的恒流充电电流进行预充电。
例如，对18650电池进行充电时，可以将第一预设电流阈值设置为2A，将恒流充电电流优选为1.45A。
所述第二预设充电规则，包括：采用正向脉冲、负向脉冲以及脉冲间隙交错的充电方式进行快速充电。
可选的，正向脉冲需要根据SOC确定，而正向脉冲电流可以根据电池厂家出厂时的不同SOC的最大充电电流获取。负向脉冲电流过大会产生较大的热量，而负向脉冲电流过小去极化效果较差，因此本实施例优选为6A。
经过试验，正向脉冲、负向脉冲以及脉冲间隙的时间比可以设置为90S：7S：1.5S时，既能保证充电效率，又能实现电池去极化。
所述第三预设充电规则，包括：采用小于第二预设电流阈值的目标电流以及小于预设电压阈值的目标电压进行涓流充电。
可选的，第二预设电流阈值可以设置为0.5A，预设电压阈值可以设置为4.5V，因此本实施例将目标电流优选为0.3，将目标电压优选为4.2。
本发明提供了一种基于机器学习的快速充电方法，采用机器学习模型构建SOC预测模型，并通过改进的粒子群算法对SOC预测模型的模型参数进行优化，使SOC预测模型能够准确地对电池的SOC进行识别，从而方便执行预设的充电策略，并且提供的充电策略包括预充电、快速充电以及涓流充电是哪个阶段，能够保证电池在低温下的安全快速充电，并且削弱了电池极化，有助于延长电池寿命。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种基于机器学习的快速充电方法，其特征在于，包括：
获取电池在不同SOC时的历史电池状态参数，将历史电池状态参数作为样本数据，将历史电池状态参数对应的SOC作为标签数据，得到训练数据；
采用机器学习模型构建SOC预测模型，并根据训练数据对SOC预测模型进行训练，获取训练完成的SOC预测模型；
当电池在充电过程中，获取电池的实时电池状态参数，并采用训练完成的SOC预测模型对实时电池电流、实时电池电压以及实时电池温度进行识别，得到电池的实时SOC；
以所述电池的实时SOC为基础，调度不同的预设充电规则对电池的充电参数进行调整，完成电池的快速充电。
2.根据权利要求1所述的基于机器学习的快速充电方法，其特征在于，获取电池在不同SOC时的历史电池状态参数，将历史电池状态参数作为样本数据，将历史电池状态参数对应的SOC作为标签数据，得到训练数据，包括：
获取电池在不同SOC时的历史电流数据、历史电压数据以及历史温度数据，得到电池在不同SOC时的历史电池状态参数；
将历史电池状态参数作为样本数据，并对样本数据进行归一化处理，得到归一化处理之后的样本数据；
将历史电池状态参数对应的SOC作为标签数据，并将标签数据与归一化处理之后的样本数据组成训练数据。
3.根据权利要求2所述的基于机器学习的快速充电方法，其特征在于，采用机器学习模型构建SOC预测模型，并根据训练数据对SOC预测模型进行训练，获取训练完成的SOC预测模型，包括：
采用模糊神经网络构建SOC预测模型；
以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，并采用改进的粒子群算法对SOC预测模型进行训练，获取训练完成的SOC预测模型。
4.根据权利要求3所述的基于机器学习的快速充电方法，其特征在于，以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，并采用改进的粒子群算法对SOC预测模型进行训练，获取训练完成的SOC预测模型，包括：
A1、初始化SOC预测模型的模型参数，并将所有的模型参数构建为向量，得到用于寻优的粒子，并获取粒子群；
A2、采用第一全局搜索策略对粒子群中每个粒子进行优化，得到一次优化之后的粒子群，同时获取粒子群中每个粒子的历史极值以及粒子群的群体极值；
A3、采用第二全局搜索策略对粒子群中每个粒子进行优化，得到二次优化之后的粒子群，同时更新粒子群中每个粒子的历史极值以及粒子群的群体极值；
A4、采用变异策略以及概率选择策略对粒子群的群体极值进行更新，得到更新后的群体极值；
A5、以训练数据中的样本数据作为SOC预测模型的输入，以训练数据中的标签数据作为期望输出，重新获取粒子群中所有粒子的适应度值，并将适应度值最大的粒子作为新的群体极值；
A6、以预设的第一最大次数重复执行步骤A2至步骤A5之后，输出每个粒子的历史极值以及粒子群的群体极值；
A7、根据步骤A6输出的每个粒子的历史极值以及粒子群的群体极值，采用局部寻优策略对每个粒子进行优化，得到三次优化之后的粒子群，同时更新粒子群中每个粒子的历史极值以及粒子群的群体极值；
A8、检查是否满足迭代终止条件，若是，则输出群体极值作为SOC预测模型的最终模型参数，否则返回步骤A7。
5.根据权利要求4所述的基于机器学习的快速充电方法，其特征在于，采用第一全局搜索策略对粒子群中每个粒子进行优化，得到一次优化之后的粒子群，同时获取粒子群中每个粒子的历史极值以及粒子群的群体极值，包括：
针对粒子群中每个粒子，获取粒子的邻域集为
其中，表示粒子群中第i个粒子/>的邻域集，i＝1,2,…,I，I表示粒子群中的粒子总数，t表示训练次数，且t的最大值为第一最大次数，/>表示第i个粒子的邻域集中第j个其他粒子，j＝1,2,…,Ji，Ji表示第i个粒子的邻域集中的其他粒子总数，dji表示其他粒子/>与粒子/>之间的欧式距离，dist表示距离阈值，且每次执行第一全局搜索策略之后对距离阈值更新为:/>dist'表示更新后的距离阈值，α表示衰减因子，dist_min表示距离阈值的预设最小值；
获取第i个粒子的邻域集的中心位置为：/>并获取中心位置/>的适应度值为/>以及第i个粒子/>的适应度值为Yi t；
判断是否大于δYi t，若是，则对第i个粒子/>直接更新，否则对第i个粒子/>进行选择更新；其中，δ表示预设控制系数；
对第i个粒子直接更新为：
其中，表示更新后的粒子/>Step表示更新步长，/>表示粒子/>所对应的感知位置，Rand表示与粒子维度相同的随机向量，且元素在(0,1)之间随机生成；/>表示/>的适应度值；
对第i个粒子Xi进行选择更新为：
从第i个粒子的邻域集/>中随机选择一个粒子/>并判断粒子/>的适应度值是否大于第i个粒子/>的适应度值，若是，则对第i个粒子/>更新为否则重复执行本步骤，直至达到预设的第二最大次数，对第i个粒子/>更新为/>
6.根据权利要求5所述的基于机器学习的快速充电方法，其特征在于，采用第二全局搜索策略对粒子群中每个粒子进行优化，得到二次优化之后的粒子群，包括：
获取粒子群的群体极值的适应度值/>并判断/>是否大于δYi t，若是，则对第i个粒子/>更新为/>否则对第i个粒子/>进行选择更新。
7.根据权利要求6所述的基于机器学习的快速充电方法，其特征在于，采用变异策略以及概率选择策略对粒子群的群体极值进行更新，得到更新后的群体极值，包括：
确定粒子群的群体极值的更新值为：
其中，表示群体极值的更新值，N(0,1)表示均值为0，方差为1的高斯分布；
判断群体极值的更新值对应的适应度值是否增大，若是，则接受该更新值，得到更新后的群体极值，否则拒绝该更新值，得到更新后的群体极值。
8.根据权利要求7所述的基于机器学习的快速充电方法，其特征在于，根据步骤A6输出的每个粒子的历史极值以及粒子群的群体极值，采用局部寻优策略对每个粒子进行优化，得到三次优化之后的粒子群，包括：
针对某个粒子，采用局部寻优策略更新为：
其中，w表示惯性权重，表示粒子群中第h个粒子中的第d维参数的更新量，h＝1,2,…,I，T表示局部寻优策略的执行次数，/>表示更新之后的/>c1表示第一学习因子，r1表示(0,1)范围内的第一随机数，/>表示粒子群中第h个粒子中的第d维参数，Phd表示表示粒子群中第h个粒子的历史极值中的第d维参数，c2表示第二学习因子，r2表示(0,1)范围内的第二随机数，/>表示粒子群的群体极值中的第d维参数，/>表示更新后的/>
遍历每个粒子进行更新，得到三次优化之后的粒子群。
9.根据权利要求8所述的基于机器学习的快速充电方法，其特征在于，以所述电池的实时SOC为基础，调度不同的预设充电规则对电池的充电参数进行调整，完成电池的快速充电，包括：
判断电池的实时SOC是否小于或者等于第一预设阈值，若是，则执行第一预设充电规则，否则继续判断；
判断电池的实时SOC是否大于第一预设阈值，且小于等于第二预设阈值，若是，则执行第二预设充电规则，否则执行第三预设充电规则。
10.根据权利要求9所述的基于机器学习的快速充电方法，其特征在于，
所述第一预设充电规则，包括：采用小于第一预设电流阈值的恒流充电电流进行预充电；
所述第二预设充电规则，包括：采用正向脉冲、负向脉冲以及脉冲间隙交错的充电方式进行快速充电；
所述第三预设充电规则，包括：采用小于第二预设电流阈值的目标电流以及小于预设电压阈值的目标电压进行涓流充电。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311607821.7A CN117755150B (zh) | 2023-11-28 | 一种基于机器学习的快速充电方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311607821.7A CN117755150B (zh) | 2023-11-28 | 一种基于机器学习的快速充电方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117755150A true CN117755150A (zh) | 2024-03-26 |
| CN117755150B CN117755150B (zh) | 2024-08-02 |
Family
ID=
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02139442U (zh) * | 1989-04-26 | 1990-11-21 | ||
| US20160202324A1 (en) * | 2013-09-11 | 2016-07-14 | Commissariat A L'energie Ato Mique Et Aux Energies Alternatives | Method, device and system for estimating the charge state of a battery |
| 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 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN110212604A (zh) * | 2019-05-30 | 2019-09-06 | 东莞盛世科技电子实业有限公司 | 充电方法、充电器及存储介质 |
| US20200164763A1 (en) * | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
| CN111812518A (zh) * | 2019-12-25 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电池状态监控方法、存储介质和*** |
| CN112018854A (zh) * | 2020-09-08 | 2020-12-01 | 广东省华南技术转移中心有限公司 | 电池充电控制方法、装置以及终端、存储介质 |
| CN112600194A (zh) * | 2020-11-30 | 2021-04-02 | 珠海格力电器股份有限公司 | 汽车的充电管理方法、装置、汽车、存储介质及处理器 |
| US20210167620A1 (en) * | 2017-12-07 | 2021-06-03 | Yazami Ip Pte. Ltd. | Adaptive charging protocol for fast charging of batteries and fast charging system implementing this protocol |
| CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
| CN113253116A (zh) * | 2021-05-18 | 2021-08-13 | 齐鲁工业大学 | 锂离子电池荷电状态估计方法、存储介质 |
| CN113419187A (zh) * | 2021-06-08 | 2021-09-21 | 上海交通大学 | 一种锂离子电池健康估计方法 |
| US20220153166A1 (en) * | 2020-11-19 | 2022-05-19 | Guangzhou Automobile Group Co., Ltd. | Method and System for Predicting Battery Health with Machine Learning Model |
| CN115221795A (zh) * | 2022-08-03 | 2022-10-21 | 一汽解放汽车有限公司 | 容量预测模型的训练方法、预测方法、装置、设备及介质 |
| US20230029810A1 (en) * | 2021-07-27 | 2023-02-02 | Honda Motor Co., Ltd. | Battery model construction method and battery degradation prediction device |
| CN115863805A (zh) * | 2022-11-29 | 2023-03-28 | 国网天津市电力公司电力科学研究院 | 一种基于模型预测控制的电动汽车快速充电方法及装置 |
| CN116029183A (zh) * | 2023-01-30 | 2023-04-28 | 江南大学 | 一种基于iPSO-LSTM模型的动力电池温度预测方法 |
| CN116176355A (zh) * | 2022-12-30 | 2023-05-30 | 上饶洛信智能科技有限公司 | 一种基于ai深度学习的电池生命预估方法 |
| FR3135145A1 (fr) * | 2022-04-27 | 2023-11-03 | Psa Automobiles Sa | Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme |
| CN117022048A (zh) * | 2023-08-10 | 2023-11-10 | 海南师范大学 | 一种电动汽车电池荷电状态的评估方法 |
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02139442U (zh) * | 1989-04-26 | 1990-11-21 | ||
| US20160202324A1 (en) * | 2013-09-11 | 2016-07-14 | Commissariat A L'energie Ato Mique Et Aux Energies Alternatives | Method, device and system for estimating the charge state of a battery |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| US20200164763A1 (en) * | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
| 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 |
| US20210167620A1 (en) * | 2017-12-07 | 2021-06-03 | Yazami Ip Pte. Ltd. | Adaptive charging protocol for fast charging of batteries and fast charging system implementing this protocol |
| CN110212604A (zh) * | 2019-05-30 | 2019-09-06 | 东莞盛世科技电子实业有限公司 | 充电方法、充电器及存储介质 |
| CN111812518A (zh) * | 2019-12-25 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电池状态监控方法、存储介质和*** |
| CN112018854A (zh) * | 2020-09-08 | 2020-12-01 | 广东省华南技术转移中心有限公司 | 电池充电控制方法、装置以及终端、存储介质 |
| US20220153166A1 (en) * | 2020-11-19 | 2022-05-19 | Guangzhou Automobile Group Co., Ltd. | Method and System for Predicting Battery Health with Machine Learning Model |
| CN112600194A (zh) * | 2020-11-30 | 2021-04-02 | 珠海格力电器股份有限公司 | 汽车的充电管理方法、装置、汽车、存储介质及处理器 |
| CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
| CN113253116A (zh) * | 2021-05-18 | 2021-08-13 | 齐鲁工业大学 | 锂离子电池荷电状态估计方法、存储介质 |
| CN113419187A (zh) * | 2021-06-08 | 2021-09-21 | 上海交通大学 | 一种锂离子电池健康估计方法 |
| US20230029810A1 (en) * | 2021-07-27 | 2023-02-02 | Honda Motor Co., Ltd. | Battery model construction method and battery degradation prediction device |
| FR3135145A1 (fr) * | 2022-04-27 | 2023-11-03 | Psa Automobiles Sa | Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme |
| CN115221795A (zh) * | 2022-08-03 | 2022-10-21 | 一汽解放汽车有限公司 | 容量预测模型的训练方法、预测方法、装置、设备及介质 |
| CN115863805A (zh) * | 2022-11-29 | 2023-03-28 | 国网天津市电力公司电力科学研究院 | 一种基于模型预测控制的电动汽车快速充电方法及装置 |
| CN116176355A (zh) * | 2022-12-30 | 2023-05-30 | 上饶洛信智能科技有限公司 | 一种基于ai深度学习的电池生命预估方法 |
| CN116029183A (zh) * | 2023-01-30 | 2023-04-28 | 江南大学 | 一种基于iPSO-LSTM模型的动力电池温度预测方法 |
| CN117022048A (zh) * | 2023-08-10 | 2023-11-10 | 海南师范大学 | 一种电动汽车电池荷电状态的评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 罗晓东;: "基于IPSO-BP神经网络的锂电池SOC预测", 数字制造科学, no. 01, 31 March 2018 (2018-03-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113511082B (zh) | 基于规则和双深度q网络的混合动力汽车能量管理方法 | |
| CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
| CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
| CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
| CN112215434A (zh) | 一种lstm模型的生成方法、充电时长预测方法及介质 | |
| CN111497681B (zh) | 一种用于电动汽车的可变soc充电***和方法 | |
| CN111898325A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
| TWI465939B (zh) | A Multi - stage Fast Charge Method for Optimizing Lithium Batteries | |
| US11609273B2 (en) | Method and system for optimizing BMS model, storage medium and electric vehicle | |
| CN113011101B (zh) | 一种储能参与调频辅助服务优化的控制方法及其*** | |
| CN103078152B (zh) | 集中性充电站智能充电方法 | |
| CN111812519A (zh) | 一种电池参数辨识方法及*** | |
| 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 | |
| Yang et al. | Real-time energy management for a hybrid electric vehicle based on heuristic search | |
| CN115236526A (zh) | 一种剩余充电时间预测方法、装置、存储介质和车辆 | |
| CN117096984A (zh) | 基于强化学习的电池组均衡感知快充控制方法和*** | |
| CN115356647A (zh) | 一种锂离子电池寿命早期预测方法 | |
| CN117755150B (zh) | 一种基于机器学习的快速充电方法 | |
| CN114839537A (zh) | 电池荷电状态预测方法和装置 | |
| Meng et al. | Multi-scenarios transferable learning framework with few-shot for early lithium-ion battery lifespan trajectory prediction | |
| CN117755150A (zh) | 一种基于机器学习的快速充电方法 | |
| Liu et al. | A controllable neural network-based method for optimal energy management of fuel cell hybrid electric vehicles | |
| CN109447233B (zh) | 电动汽车充放电调度方法及*** | |
| CN112865221A (zh) | 基于经验函数和物联网的汽车锂电池动态充电保护*** | |
| D’Ambrosio et al. | Optimizing cellular automata through a meta-model assisted memetic algorithm |
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 |