CN117949832A - 一种基于优化神经网络的电池soh分析方法 - Google Patents
一种基于优化神经网络的电池soh分析方法 Download PDFInfo
- Publication number
- CN117949832A CN117949832A CN202410354310.7A CN202410354310A CN117949832A CN 117949832 A CN117949832 A CN 117949832A CN 202410354310 A CN202410354310 A CN 202410354310A CN 117949832 A CN117949832 A CN 117949832A
- Authority
- CN
- China
- Prior art keywords
- battery
- neural network
- data
- vehicle
- cell
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 101
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000000523 sample Substances 0.000 claims description 63
- 210000004027 cell Anatomy 0.000 claims description 62
- 238000000034 method Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000009960 carding Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 238000003062 neural network model Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于优化神经网络的电池SOH分析方法,包括获取车辆运行原始数据进行预处理得到电池特征样本;基于电池特征样本对BP神经网络的输入层进行设计,确定BP神经网络各层结构;结合粒子群算法对BP神经网络的网络参数进行训练得到初步更新的BP神经网络,将电池特征样本输入至初步更新的BP神经网络再次进行训练,再根据预设的损失函数进行反向传播,得到更新后的BP神经网络预测模型;将更新后的BP神经网络预测模型在云平台进行算法部署,获取实时电池特征样本并输入至云平台,分析得到电池SOH预测结果。解决BP神经网络具有大量参数、调参困难、训练时间长的问题,具有较好的模型表达能力,提高数据处理响应速度。
Description
技术领域
本发明属于智能网联新能源汽车技术领域,特别是涉及一种基于优化神经网络的电池SOH分析方法。
背景技术
锂电池作为能量储存和动力提供的一种重要的载体,具备储存方便、使用寿命长等特点,普遍用作新能源汽车的动力源,是新能源汽车长远发展的关键,其健康状态(StateOfHealth,SOH)得到新能源汽车电池安全领域研究开发人员的高度重视,锂电池在使用过程中,使用寿命会随SOH降低衰减,当SOH降低到一定程度时,将无法支撑新能源汽车正常运行,因此,精确掌握当前电池的健康状态对于降低电池运行风险、保证电池安全工作具有重要作用,但是在对电池SOH进行评估的时候,存在着电池使用时间长了以后,SOH分析偏差过大的情况,因此如何提高SOH分析的精准度成为了待解决的一个问题。
近年来迅速发展的人工智能算法,如深度学习、神经网络等算法等被广泛地运用于各项科学研究领域,并且取得了很好的效果。但是神经网络模型通常具有大量的参数,如网络层数、每层神经元数量、学习率、正则化系数等,调整这些参数需要大量的经验和尝试,而且很难找到一组最优的参数配置。神经网络的训练通常需要大量的计算资源和时间,由于参数配置的选择影响着模型的训练过程,可能需要多次尝试不同的参数组合来找到最优的配置,从而导致更长的训练时间。参数配置不当可能导致过拟合问题,即模型在训练集上表现很好,但在测试集上表现较差,过拟合会导致模型泛化能力降低,不能准确预测新样本。神经网络的训练过程是非凸优化问题,存在多个局部最优解,参数配置不合理可能导致模型陷入局部最优解,而无法达到全局最优解。基于此,亟需一种基于优化神经网络的电池SOH分析方法。
发明内容
针对以上技术问题,本发明提供一种基于优化神经网络的电池SOH分析方法。
本发明解决其技术问题采用的技术方案是:
一种基于优化神经网络的电池SOH分析方法,所述方法包括以下步骤:
S100:获取车辆运行原始数据,对车辆运行原始数据进行预处理得到电池特征样本;
S200:基于电池特征样本对BP神经网络的输入层进行设计,确定BP神经网络各层结构,每个特征作为输入层的一个节点;
S300:结合粒子群算法对BP神经网络的网络参数进行训练,当达到预设的第一结束条件时,得到初步更新的BP神经网络,将预处理得到的电池特征样本输入至初步更新的BP神经网络再次进行训练,再根据预设的损失函数进行反向传播,直至达到预设的第二结束条件,得到更新后的BP神经网络预测模型;
S400:将更新后的BP神经网络预测模型在云平台进行算法部署,获取实时电池特征样本并输入至云平台,分析得到电池SOH预测结果。
优选地,S100包括:
S110:对车辆运行原始数据进行清洗及整理,梳理出电池寿命分析相关的字段;
S120:根据电池寿命分析相关的字段中的电池运行工况进行数据提取及分类汇总,得到工况分类后的数据;其中,工况分类后的数据包括充电循环电池特征数据和放电循环电池特征数据;
S130:从工况分类后的数据以及电芯本身的数据中提取得到电池特征样本。
优选地,S100中电池寿命分析相关的字段包括:
车架号、时间、车辆状态、车型、充放电标志位、充放电状态、运行模式、运行状态、档位、电芯类型、此车第i次充电、电池均衡标志位、行驶总里程、使用总时长、SOC、剩余能量、可续航里程、点火时间、插枪时间、拔枪时间、熄火时间、车速、总电压、总电流、绝缘阻值、电芯电压值、电芯个数、1至n号电芯电压、探针温度值、探针个数、1至n号探针温度。
优选地,S120包括:
根据充电标志位,充电过程中电流、电压的特征,分析电池的充电时间、充电电流和电池温度指标,得到充电循环电池特征数据和放电循环电池特征数据。
优选地,S130中电池特征样本包括:
车架号、行程起始时间、行程终止时间、充电状态、原始探针温度最高值、原始探针温度最低值、原始电芯电压最高值、原始电芯电压最低值、经度、纬度、电机电流、剩余里程、行程时长、充电开始、充电结束、单体电压异常、单体温度异常、电池最高温度异常、电池最低温度异常、单体电压均值、单体电压中位数、单体电压标准差、电芯最大值、电芯最小值、探针温度平均值、探针温度中位数、探针温度标准差、探针最大值、探针最小值、第五高电芯值、第五低电芯值、充电次数、电流平均值。
优选地,S200包括:
基于联网车辆的规模、车载动力电池包电芯采集的电压值数量、车载动力电池包温度采集的温度值数量、电池特征样本的数量以及输出层的节点的数量对BP神经网络隐藏层神经元节点个数进行确定:
;
其中,是隐藏层神经网络节点数量,/>是联网车辆规模数量,/>是车载动力电池包电芯采集的电压值数量,/>是车载动力电池包温度采集的温度值数量,/>是输出层的节点的数量,/>是动力电池特征样本的数量,/>是根据K-fold的数据进行确定的数值。
优选地,S300包括:
S310:基于BP神经网络隐藏层神经元节点个数作为初始化粒子群输入,初始化每个粒子的位置和速度,每个粒子的位置和速度分别对应神经网络节点的权重与偏置;
S320:根据粒子群算法的原理对每个粒子的位置和速度进行更新,根据适应度函数的评价结果,更新每个粒子的最佳位置和整个粒子群的最佳位置,直至达到预设的第一结束条件,得到初步更新的BP神经网络;
S330:将预处理得到的电池特征样本输入至初步更新的BP神经网络再次进行训练,再根据预设的损失函数进行反向传播,直至达到预设的第二结束条件,得到更新后的BP神经网络预测模型。
优选地,S320中预设的第一结束条件为第一迭代次数达到第一总迭代次数或者适应度函数收敛;S330预设的第二结束条件为第二迭代次数达到第二总迭代次数或者预设的损失函数收敛。
优选地,S400中电池SOH预测结果包括:
结果说明、车辆编号、开始日期、结束日期、输出根目录、原始数据输入路径、充电特征切片输入路径、里程和电池寿命状态。
优选地,S400中云平台包括任务发布管理器、任务调度器和计算单元,任务发布管理器进行任务发布管理,用于定义和配置任务信息,指定任务之间的依赖关系以确定任务的执行顺序;任务调度器用于进行任务调度和资源调度,确保任务在执行时获得足够的计算资源;计算单元用于接收实时电池特征样本进行任务计算,分析得到电池SOH预测结果并输出。
上述一种基于优化神经网络的电池SOH分析方法,根据电池特征样本确定BP神经网络各层结构,利用粒子群算法优化BP神经网络并进行训练,解决BP神经网络具有大量参数、调参困难的问题,以及训练时间长的问题,极大的提高了效果,且更新后的BP神经网络预测模型具有较好的模型表达能力,利用大数据平台的强大的存储和计算能力,大规模的快速处理新能源汽车动力电池的数据,效率极高,通过移动计算,减少移动大规模数据的时间,提高数据处理响应速度。
附图说明
图1为本发明一实施例中一种基于优化神经网络的电池SOH分析方法的流程图;
图2为本发明一实施例中对车辆运行原始数据进行预处理的流程图;
图3为本发明另一实施例中一种基于优化神经网络的电池SOH分析方法的流程图;
图4为本发明又一实施例中一种基于优化神经网络的电池SOH分析方法的流程图;
图5为本发明一实施例中云平台的部署架构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,下面结合附图对本发明作进一步的详细说明。
在一个实施例中,如图1所示,一种基于优化神经网络的电池SOH分析方法,所述方法包括以下步骤:
S100:获取车辆运行原始数据,对车辆运行原始数据进行预处理得到电池特征样本;
S200:基于电池特征样本对BP神经网络的输入层进行设计,确定BP神经网络各层结构,每个特征作为输入层的一个节点;
S300:结合粒子群算法对BP神经网络的网络参数进行训练,当达到预设的第一结束条件时,得到初步更新的BP神经网络,将预处理得到的电池特征样本输入至初步更新的BP神经网络再次进行训练,再根据预设的损失函数进行反向传播,直至达到预设的第二结束条件,得到更新后的BP神经网络预测模型;
S400:将更新后的BP神经网络预测模型在云平台进行算法部署,获取实时电池特征样本并输入至云平台,分析得到电池SOH预测结果。
具体地,电池寿命云端预测是一种基于云计算和数据分析的技术,通过收集大量的电池使用数据和相关环境参数,利用机器学习算法和统计模型来预测电池的寿命。其主要步骤包括数据采集、数据预处理、特征提取、模型训练和预测等。首先,需要收集电池的使用数据,包括电压、电流、温度等关键参数。同时,还需获取与电池使用相关的环境参数,如充电方式、放电方式、功率消耗等。在数据预处理阶段,对采集到的数据进行清洗、处理异常值和缺失值,并进行特征工程,提取有用的特征。这些特征可以包括电池的充放电循环次数、电流大小、电压波动情况、温度变化等。接下来,使用机器学习算法或统计模型对提取的特征进行训练和建模,选择适当的算法并进行训练,以构建一个能够准确预测电池寿命的模型。最后,在实际应用中,将收集到的实时数据输入已训练好的模型中,进行电池寿命的预测。通过云端计算能够灵活地对大量的数据进行处理和分析,从而实现对电池寿命的准确预测。
上述一种基于优化神经网络的电池SOH分析方法,根据电池特征样本确定BP神经网络各层结构,利用粒子群算法优化BP神经网络并进行训练,解决BP神经网络具有大量参数、调参困难的问题,以及训练时间长的问题,极大的提高了效果,且更新后的BP神经网络预测模型具有较好的模型表达能力,利用大数据平台的强大的存储和计算能力,大规模的快速处理新能源汽车动力电池的数据,效率极高,通过移动计算,减少移动大规模数据的时间,提高数据处理响应速度。
在一个实施例中,如图2所示,S100包括:
S110:对车辆运行原始数据进行清洗及整理,梳理出电池寿命分析相关的字段;
S120:根据电池寿命分析相关的字段中的电池运行工况进行数据提取及分类汇总,得到工况分类后的数据;其中,工况分类后的数据包括充电循环电池特征数据和放电循环电池特征数据;
S130:从工况分类后的数据以及电芯本身的数据中提取得到电池特征样本。
具体地,S100中清洗和整理方式为:数据去重,缺失值处理包括均值、中值等填充,异常值检测和处理,数据合并和拆分等。
S100中包括:根据车辆识别代码及电池***编号整理出运行方式、电池类型、电池总电压、电池总电流、电池包中各电芯的电压、电芯各区域的温度探针的温度等电池寿命分析相关的字段。
在一个实施例中,S100中电池寿命分析相关的字段包括:
车架号、时间、车辆状态、车型、充放电标志位、充放电状态、运行模式、运行状态、档位、电芯类型、此车第i次充电、电池均衡标志位、行驶总里程、使用总时长、SOC、剩余能量、可续航里程、点火时间、插枪时间、拔枪时间、熄火时间、车速、总电压、总电流、绝缘阻值、电芯电压值、电芯个数、1至n号电芯电压、探针温度值、探针个数、1至n号探针温度。
在一个实施例中,S120包括:
根据充电标志位,充电过程中电流、电压的特征,分析电池的充电时间、充电电流和电池温度指标,得到充电循环电池特征数据和放电循环电池特征数据。
具体地,充电数据和放电数据维度都是相同的,只是数据维度中具体的数据特征不一样,比如充电电流为正,放电电流为负。
S130包括:基于运行工况的时序进行数据特征分析,基于充电工况或放电工况等具体工况以及电芯本身的数据进行电压最大值、最小值、温度最大值、温度最小值等数据特征的提取,得到最后的电池特征样本。
在一个实施例中,S130中电池特征样本包括:
车架号、行程起始时间、行程终止时间、充电状态、原始探针温度最高值、原始探针温度最低值、原始电芯电压最高值、原始电芯电压最低值、经度、纬度、电机电流、剩余里程、行程时长、充电开始、充电结束、单体电压异常、单体温度异常、电池最高温度异常、电池最低温度异常、单体电压均值、单体电压中位数、单体电压标准差、电芯最大值、电芯最小值、探针温度平均值、探针温度中位数、探针温度标准差、探针最大值、探针最小值、第五高电芯值、第五低电芯值、充电次数、电流平均值。
进一步地,得到电池特征样本后,按照一定比例划分为训练集、验证集和测试集。通常采用随机抽样的方式,保持训练集、验证集与测试集的数据分布的一致性。
在完全连接的层中,所有输入都连接到所有输出。对于具有I输入值和J输出值的图层,其权重W可以存储在I×J矩阵中。全连接层执行的计算为:
;
x是I输入值的向量,W是包含图层权重的I×J矩阵,b是J偏差值的向量。
在BP神经网络中,权重和偏置的初始值设定是一个重要的问题,它可以对网络的训练和性能产生显著影响。初始化权重和偏置是神经网络训练中一个重要的挑战。权重初始化:权重的初始值可以影响网络的收敛速度和结果质量。过小的初始权重可能导致梯度消失问题,而过大的初始权重可能导致梯度***问题。偏置初始化:偏置也需要适当的初始化,将偏置初始化为一个较小的正数可以帮助避免神经元的死亡问题。对于含有数百万或数十亿个参数的深度神经网络,初始化过程特别关键,因为不良的初始化可能导致梯度消失、梯度***等问题,或使网络无法收敛。
在BP神经网络中权重和偏置的初始值的设定,隐含层神经元节点个数的选择是一个关键问题,它直接影响到网络的表示能力和泛化能力。目前业界没有一种固定的规则来确定隐含层神经元节点个数,本发明采用如下方法来对BP神经网络的结构和参数进行设定。
在一个实施例中,如图3所示,S200包括:
基于联网车辆的规模、车载动力电池包电芯采集的电压值数量、车载动力电池包温度采集的温度值数量、电池特征样本的数量以及输出层的节点的数量对BP神经网络隐藏层神经元节点个数进行确定:
;
其中,是隐藏层神经网络节点数量,/>是联网车辆规模数量,/>是车载动力电池包电芯采集的电压值数量,/>是车载动力电池包温度采集的温度值数量,/>是输出层的节点的数量,/>是动力电池特征样本的数量,/>是根据K-fold的数据进行确定的数值。
在一个实施例中,如图4所示,S300包括:
S310:基于BP神经网络隐藏层神经元节点个数作为初始化粒子群输入,初始化每个粒子的位置和速度,每个粒子的位置和速度分别对应神经网络节点的权重与偏置。
具体地,神经网络节点与粒子群中的每个粒子一一对应,每个粒子可视为为一个向量,向量的维度与神经网络的参数个数相对应。每个粒子都有自己的位置和速度,分别对应神经网络节点的权重与偏置,初始化时需要随机生成。
假设在一个D维的目标搜索空间中,有N个粒子组成一个群落,其中第i个粒子表示为一个D维的向量:
其中,r表示随机数,p表示对应粒子的适应度函数值,表示权重。
S320:根据粒子群算法的原理对每个粒子的位置和速度进行更新,根据适应度函数的评价结果,更新每个粒子的最佳位置和整个粒子群的最佳位置,直至达到预设的第一结束条件,得到初步更新的BP神经网络。
具体地,根据粒子群算法的原理,每个粒子的位置和速度可以通过以下公式进行更新:
速度更新公式:
;
位置更新公式:;
其中,表示第/>轮的速度,/>表示第/>轮的位置,/>为惯性权重,/>和/>为加速常数,/>为到1之间的随机数,/>表示每个粒子的最佳位置,/>表示整个粒子群的最佳位置。
表示第/>轮的速度,表示上次速度大小和方向的影响,/>是当前粒子指向粒子自身最好点的一个矢量,/>表示一个从当前粒子指向种群最好点的矢量,反映了粒子间的协作合作和知识共享,粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。
为惯性权重:是一个非负值,其值较大时,全局寻优能力强,局部寻优能力弱;其值较小时,全局寻优能力弱,局部寻优能力强。
本发明采用线性递减权重法:利用较大的惯性因子有利于跳出局部极小点,便于全局搜索,而较小的惯性因子则有利于对当前的搜索区域进行精确局部搜索,以利于算法收敛。具体算法如下:
;
、/>分别表示/>的最大值和最小值,G表示当前迭代的步数,/>表示最大迭代步数,通常取/>=0.9,/>=0.4。
S330:将预处理得到的电池特征样本输入至初步更新的BP神经网络再次进行训练,再根据预设的损失函数进行反向传播,直至达到预设的第二结束条件,得到更新后的BP神经网络预测模型。
在一个实施例中,S320中的适应度函数具体为:
;
S320中预设的第一结束条件为第一迭代次数达到第一总迭代次数或者适应度函数收敛;S330预设的第二结束条件为第二迭代次数达到第二总迭代次数或者预设的损失函数收敛。
在一个实施例中,如图5所示,S400中云平台包括任务发布管理器、任务调度器和计算单元,任务发布管理器进行任务发布管理,用于定义和配置任务信息,指定任务之间的依赖关系以确定任务的执行顺序;任务调度器用于进行任务调度和资源调度,确保任务在执行时获得足够的计算资源;计算单元用于接收实时电池特征样本进行任务计算,分析得到电池SOH预测结果并输出。
具体地,任务发布管理器:进行任务定义和配置:在大数据平台上使用任务发布管理器进行任务发布管理,首先需要定义和配置任务信息。这包括指定任务的类型(例如Hadoop MapReduce、Spark、Hive等)、任务所需的输入和输出路径、任务参数等。同时,还需要指定任务之间的依赖关系,以确定任务的执行顺序,如指定数据整理任务、数据特征提取任务、BP神经网络计算分析任务。 任务调度器用于执行资源调度:大数据平台上通常有多个执行器节点,用于执行任务。在使用任务调度器进行任务调度时,需要配置每个执行器,即计算单元的的相关信息,如执行器的地址、端口、资源配置等。另外,在必要时还需要进行资源调度,确保任务在执行时能够获得足够的计算资源(如CPU、内存等)。这些资源配置是根据上图中输入数据的规模进行确定。
在一个实施例中,S400中电池SOH预测结果包括:
结果说明、车辆编号、开始日期、结束日期、输出根目录、原始数据输入路径、充电特征切片输入路径、里程和电池寿命状态。
综上,BP神经网络(Backpropagation Neural Network)在电池SOH(State ofHealth)预测中的处理过程可以分为以下几个步骤:
1输入层设计: 将电池的特征样本作为神经网络的输入。这些特征可以包括电压、电流、温度等与电池状态相关的参数。每个特征作为输入层的一个节点。
2 权重初始化: 初始化神经网络中连接权重的数值。这一步是训练神经网络的初始阶段,可以采用随机初始化或者其他方法。
3 前向传播: 将输入的电池特征样本通过神经网络进行前向传播。每个神经元的输入是前一层神经元的输出,通过权重和激活函数得到当前神经元的输出。
4 计算输出:在输出层得到神经网络的最终输出,即电池SOH的预测结果。
5 计算损失:将神经网络的输出与实际的电池SOH进行比较,计算均方差损失函数。损失函数表示神经网络预测值与实际值之间的差距,训练的目标就是减小这个差距。
6反向传播:使用反向传播算法更新神经网络的权重,以减小损失函数。反向传播通过将损失从输出层传播回输入层,根据梯度下降的原理,更新每一层的权重。
7训练迭代:重复进行前向传播、损失计算、反向传播的过程,不断调整神经网络的权重,直到损失达到满意的水平或者训练次数达到预定的次数。
8 模型应用:训练完成后,可以使用已经训练好的神经网络模型对新的电池特征样本进行预测。将特征样本输入神经网络,得到SOH的预测结果。
本发明技术方案带来的有益效果:
(1)根据车辆规模、电池包特性确定BP神经网络模型结构;
(2)通过电池及车辆规模等特定算法确定BP神经网络结构确立的粒子群算法,解决具有大量的参数,调节困难的问题;
(3)通过与车辆、电池特征结合粒子群算法优化的BP神经网络模型,解决训练时间长的问题,极大的提高了效率;
(4)通过特定的输入特征及粒子群算法优化的BP神经网络有较好的模型表达能力;
(5)利用大数据平台的强大的存储和计算能力,大规模的快速处理新能源汽车动力电池的数据,效率极高;
(6)通过移动计算,减少移动大规模数据的时间,提高数据处理响应速度。
本发明设计了采用具体业务特征关联的粒子群算法优化的BP神经网络,优化后的模型结合电池特征数据,达到快速训练和调整算法模型的参数,通将粒子群算法优化后神经网络算法模型结合在云平台电池寿命分析上的应用。
以上对本发明所提供的一种基于优化神经网络的电池SOH分析方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于优化神经网络的电池SOH分析方法,其特征在于,所述方法包括以下步骤:
S100:获取车辆运行原始数据,对车辆运行原始数据进行预处理得到电池特征样本;
S200:基于电池特征样本对BP神经网络的输入层进行设计,确定BP神经网络各层结构,每个特征作为输入层的一个节点;
S300:结合粒子群算法对BP神经网络的网络参数进行训练,当达到预设的第一结束条件时,得到初步更新的BP神经网络,将预处理得到的电池特征样本输入至初步更新的BP神经网络再次进行训练,再根据预设的损失函数进行反向传播,直至达到预设的第二结束条件,得到更新后的BP神经网络预测模型;
S400:将更新后的BP神经网络预测模型在云平台进行算法部署,获取实时电池特征样本并输入至云平台,分析得到电池SOH预测结果。
2.根据权利要求1所述的方法,其特征在于,S100包括:
S110:对车辆运行原始数据进行清洗及整理,梳理出电池寿命分析相关的字段;
S120:根据电池寿命分析相关的字段中的电池运行工况进行数据提取及分类汇总,得到工况分类后的数据;其中,工况分类后的数据包括充电循环电池特征数据和放电循环电池特征数据;
S130:从工况分类后的数据以及电芯本身的数据中提取得到电池特征样本。
3.根据权利要求2所述的方法,其特征在于,S100中电池寿命分析相关的字段包括:
车架号、时间、车辆状态、车型、充放电标志位、充放电状态、运行模式、运行状态、档位、电芯类型、此车第i次充电、电池均衡标志位、行驶总里程、使用总时长、SOC、剩余能量、可续航里程、点火时间、插枪时间、拔枪时间、熄火时间、车速、总电压、总电流、绝缘阻值、电芯电压值、电芯个数、1至n号电芯电压、探针温度值、探针个数、1至n号探针温度。
4.根据权利要求3所述的方法,其特征在于,S120包括:
根据充电标志位,充电过程中电流、电压的特征,分析电池的充电时间、充电电流和电池温度指标,得到充电循环电池特征数据和放电循环电池特征数据。
5.根据权利要求4所述的方法,其特征在于,S130中电池特征样本包括:
车架号、行程起始时间、行程终止时间、充电状态、原始探针温度最高值、原始探针温度最低值、原始电芯电压最高值、原始电芯电压最低值、经度、纬度、电机电流、剩余里程、行程时长、充电开始、充电结束、单体电压异常、单体温度异常、电池最高温度异常、电池最低温度异常、单体电压均值、单体电压中位数、单体电压标准差、电芯最大值、电芯最小值、探针温度平均值、探针温度中位数、探针温度标准差、探针最大值、探针最小值、第五高电芯值、第五低电芯值、充电次数、电流平均值。
6.根据权利要求5所述的方法,其特征在于,S200包括:
基于联网车辆的规模、车载动力电池包电芯采集的电压值数量、车载动力电池包温度采集的温度值数量、电池特征样本的数量以及输出层的节点的数量对BP神经网络隐藏层神经元节点个数进行确定:
;
其中,是隐藏层神经网络节点数量,/>是联网车辆规模数量,/>是车载动力电池包电芯采集的电压值数量,/>是车载动力电池包温度采集的温度值数量,/>是输出层的节点的数量,/>是动力电池特征样本的数量,/>是根据K-fold的数据进行确定的数值。
7.根据权利要求6所述的方法,其特征在于,S300包括:
S310:基于BP神经网络隐藏层神经元节点个数作为初始化粒子群输入,初始化每个粒子的位置和速度,每个粒子的位置和速度分别对应神经网络节点的权重与偏置;
S320:根据粒子群算法的原理对每个粒子的位置和速度进行更新,根据适应度函数的评价结果,更新每个粒子的最佳位置和整个粒子群的最佳位置,直至达到预设的第一结束条件,得到初步更新的BP神经网络;
S330:将预处理得到的电池特征样本输入至初步更新的BP神经网络再次进行训练,再根据预设的损失函数进行反向传播,直至达到预设的第二结束条件,得到更新后的BP神经网络预测模型。
8.根据权利要求7所述的方法,其特征在于,S320中预设的第一结束条件为第一迭代次数达到第一总迭代次数或者适应度函数收敛;S330预设的第二结束条件为第二迭代次数达到第二总迭代次数或者预设的损失函数收敛。
9.根据权利要求8所述的方法,其特征在于,S400中电池SOH预测结果包括:
结果说明、车辆编号、开始日期、结束日期、输出根目录、原始数据输入路径、充电特征切片输入路径、里程和电池寿命状态。
10.根据权利要求9所述的方法,其特征在于,S400中云平台包括任务发布管理器、任务调度器和计算单元,任务发布管理器进行任务发布管理,用于定义和配置任务信息,指定任务之间的依赖关系以确定任务的执行顺序;任务调度器用于进行任务调度和资源调度,确保任务在执行时获得足够的计算资源;计算单元用于接收实时电池特征样本进行任务计算,分析得到电池SOH预测结果并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410354310.7A CN117949832B (zh) | 2024-03-27 | 2024-03-27 | 一种基于优化神经网络的电池soh分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410354310.7A CN117949832B (zh) | 2024-03-27 | 2024-03-27 | 一种基于优化神经网络的电池soh分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117949832A true CN117949832A (zh) | 2024-04-30 |
CN117949832B CN117949832B (zh) | 2024-06-18 |
Family
ID=90801865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410354310.7A Active CN117949832B (zh) | 2024-03-27 | 2024-03-27 | 一种基于优化神经网络的电池soh分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117949832B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118231818A (zh) * | 2024-05-16 | 2024-06-21 | 江西五十铃汽车有限公司 | 一种动力电池管理方法和*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110794308A (zh) * | 2019-11-07 | 2020-02-14 | 交控科技股份有限公司 | 列车电池容量预测方法及装置 |
CN110850298A (zh) * | 2019-10-29 | 2020-02-28 | 上海交通大学 | 基于数据驱动的锂电池soh估计方法及*** |
US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
CN113030764A (zh) * | 2021-03-04 | 2021-06-25 | 武汉大学 | 一种电池组健康状态估计方法及*** |
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 |
CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
KR20220059153A (ko) * | 2020-11-02 | 2022-05-10 | 주식회사 피엠그로우 | 인공 신경망을 이용한 배터리의 잔존 수명 예측 방법 및 장치 |
EP4145157A1 (en) * | 2021-09-06 | 2023-03-08 | Dukosi Limited | Battery system state of health monitoring system |
US20230194614A1 (en) * | 2021-12-16 | 2023-06-22 | Volkswagen Aktiengesellschaft | Modular machine learning structure for electric vehicle battery state of health estimation |
WO2023172735A1 (en) * | 2022-03-10 | 2023-09-14 | Electra Vehicles, Inc. | Systems and methods for using adaptive modeling to predict energy system performance |
-
2024
- 2024-03-27 CN CN202410354310.7A patent/CN117949832B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN110850298A (zh) * | 2019-10-29 | 2020-02-28 | 上海交通大学 | 基于数据驱动的锂电池soh估计方法及*** |
CN110794308A (zh) * | 2019-11-07 | 2020-02-14 | 交控科技股份有限公司 | 列车电池容量预测方法及装置 |
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
KR20220059153A (ko) * | 2020-11-02 | 2022-05-10 | 주식회사 피엠그로우 | 인공 신경망을 이용한 배터리의 잔존 수명 예측 방법 및 장치 |
CN113030764A (zh) * | 2021-03-04 | 2021-06-25 | 武汉大学 | 一种电池组健康状态估计方法及*** |
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 |
EP4145157A1 (en) * | 2021-09-06 | 2023-03-08 | Dukosi Limited | Battery system state of health monitoring system |
CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
US20230194614A1 (en) * | 2021-12-16 | 2023-06-22 | Volkswagen Aktiengesellschaft | Modular machine learning structure for electric vehicle battery state of health estimation |
WO2023172735A1 (en) * | 2022-03-10 | 2023-09-14 | Electra Vehicles, Inc. | Systems and methods for using adaptive modeling to predict energy system performance |
Non-Patent Citations (3)
Title |
---|
BIN GOU: "State-of-Health Estimation and Remaining-Useful-Life Prediction for Lithium-Ion Battery Using a Hybrid Data-Driven Method", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, vol. 69, no. 10, 7 June 2020 (2020-06-07) * |
张任;胥芳;陈教料;潘国兵;: "基于PSO-RBF神经网络的锂离子电池健康状态预测", 中国机械工程, no. 21, 7 November 2016 (2016-11-07) * |
郑永飞: "基于电池外特征的粒子群神经网络电池健康状态预测", 科学技术与工程, vol. 19, no. 36, 28 December 2019 (2019-12-28) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118231818A (zh) * | 2024-05-16 | 2024-06-21 | 江西五十铃汽车有限公司 | 一种动力电池管理方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN117949832B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | An asymmetric encoder–decoder model for Zn-ion battery lifetime prediction | |
Song et al. | Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries | |
Ma et al. | A novel method for state of health estimation of lithium-ion batteries based on improved LSTM and health indicators extraction | |
Hong et al. | Online accurate state of health estimation for battery systems on real-world electric vehicles with variable driving conditions considered | |
Ma et al. | State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network | |
Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
Xu et al. | A novel data-driven method for predicting the circulating capacity of lithium-ion battery under random variable current | |
CN117949832B (zh) | 一种基于优化神经网络的电池soh分析方法 | |
KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
CN110888058A (zh) | 一种基于动力电池soc和soh联合估计的算法 | |
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 | |
CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
CN115219906A (zh) | 基于ga-pso优化的多模型融合电池荷电状态预测方法及*** | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
Zhang et al. | A state-of-charge estimation method based on bidirectional LSTM networks for lithium-ion batteries | |
Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
Wu et al. | Remaining useful life prediction of Lithium-ion batteries based on PSO-RF algorithm | |
Xia et al. | Historical data-independent remaining useful life prediction method based on dual-input deep learning neural network | |
Tang et al. | Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm | |
CN113640690A (zh) | 一种电动汽车动力电池剩余寿命预测方法 | |
Anandhakumar et al. | Extreme learning machine model with honey badger algorithm based state-of-charge estimation of lithium-ion battery | |
Kuang et al. | State-of-charge estimation hybrid method for lithium-ion batteries using BiGRU and AM co-modified Seq2Seq network and H-infinity filter | |
Wang et al. | An improved sliding window-long short-term memory modeling method for real-world capacity estimation of lithium-ion batteries considering strong random charging characteristics | |
CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 |
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 |