CN118137478A - 一种负荷调度可行域数模驱动预测方法及*** - Google Patents
一种负荷调度可行域数模驱动预测方法及*** Download PDFInfo
- Publication number
- CN118137478A CN118137478A CN202410247568.7A CN202410247568A CN118137478A CN 118137478 A CN118137478 A CN 118137478A CN 202410247568 A CN202410247568 A CN 202410247568A CN 118137478 A CN118137478 A CN 118137478A
- Authority
- CN
- China
- Prior art keywords
- battery
- electric
- charging
- soh
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000013527 convolutional neural network Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 36
- 230000036541 health Effects 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000032683 aging Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 238000011176 pooling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000011149 active material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及电动汽车充电技术领域,公开了一种负荷调度可行域数模驱动预测方法及***,本方法通过获得电动汽车的出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值,从而充分考虑电动汽车的时间特征、出行特征和电量特征对EV充放电负荷的影响,并利用蒙特卡洛随机抽样,避免受到概率模型的制约,充分反映EV负荷的分布规律,并通过行驶特征数据确定电动汽车的期望电量和充电持续时间,从而确定各辆电动汽车的负荷调度可行域,进而确定目标区域内的电动汽车的负荷调度可行域均值,克服了完全数据驱动高度依赖车网互动数据共享的缺点,提升了电动汽车负荷调度可行域预测的精度,降低了充放电裕度预测对数据的要求。
Description
技术领域
本发明涉及电动汽车充电技术领域,尤其涉及一种负荷调度可行域数模驱动预测方法及***。
背景技术
电动汽车(Electric Vehicle,EV)作为一种灵活可调负荷,EV充放电设施调度可行域的精准预测是进行EV负荷调度的重要前提,但由于EV的时间特征、出行特征和电量特征较为复杂,准确的充放电设施调度可行域预测成为当前研究的难点。
目前,充放电设施负荷预测研究较多,而对可调节裕度的预测很少。对考虑电池健康状态的可调节裕度的预测尚未空白。充电负荷预测方法主要是单纯依靠充电设施实际运行过程中采集的EV历史充电数据直接预测负荷情况。然而,当前阶段EV历史充电数据相对匮乏,且不同区域之间的充电数据相差较大,加之EV的数量在不断增长,历史充电数据具有明显的区域性和时效性,其参考价值会随着时间的推移不断降低。因此,基于EV历史充电数据直接预测出的充放电设施负荷不具有普适性。
同时,目前的研究集中于充电负荷的预测,而缺少针对负荷可调控特征的分析。实际上,负荷的可调控能力,不仅与负荷大小直接相关,还受到EV出行与充电行为、电池健康状态等多方面不确定性因素的影响,但目前未考虑电池健康状态的影响构建更加准确的充放电设施调度可行域计算模型,导致估计得到的调度可行域不确定性会被进一步放大,使得执行偏差较高。因此,目前的EV负荷预测方法的主观性较强、预测结果一致性较差,预测得到的调度可行域精度较差,普适性不高。
发明内容
本发明提供了一种负荷调度可行域数模驱动预测方法及***,解决了目前的EV负荷预测方法的主观性较强、预测结果一致性较差,预测得到的调度可行域精度较差,普适性不高的技术问题。
有鉴于此,本发明第一方面提供了一种负荷调度可行域数模驱动预测方法,包括以下步骤:
通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,所述行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值;
响应于电动汽车的充电请求,根据所述行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间;
根据多辆电动汽车分别对应的期望电量和充电持续时间确定各辆电动汽车的负荷调度可行域;
根据各辆电动汽车的负荷调度可行域确定目标区域内的电动汽车的负荷调度可行域均值。
优选地,通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,所述行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值的步骤之前,还包括预测目标区域内的电动汽车的出行结束时间、停留时间和行驶里程的步骤;所述预测目标区域内的电动汽车的出行结束时间、停留时间和行驶里程的步骤,具体包括:
获取电动汽车的历史行驶特征数据集,所述历史行驶特征数据集包括具有多个不同维度的特征样本数据;
对所述历史行驶特征数据集的多个不同维度的特征样本数据分别与所述出行结束时间、所述停留时间和所述行驶里程进行相关性筛选,确定相关性较强的特征样本数据作为最优特征样本数据;
根据所述最优特征样本数据、所述出行结束时间、所述停留时间和所述行驶里程构建第一数据集;
对所述第一数据集进行预处理;
对经预处理后的第一数据集划分为第一训练集和第一测试集;
基于所述第一训练集对卷积神经网络进行训练,并以所述最优特征样本数据为输入,以所述出行结束时间、所述停留时间和所述行驶里程为输出进行训练,得到训练好的EV特征预测模型;
将所述第一测试集中的最优特征样本数据输入至所述训练好的EV特征预测模型中,得到电动汽车的出行结束时间预测值、停留时间预测值和行驶里程预测值。
优选地,所述卷积神经网络采用二维CNN卷积神经网络。
优选地,通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,所述行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值的步骤之前,还包括对电动汽车的电池SOH值进行预测的步骤;所述对电动汽车的电池SOH值进行预测的步骤,具体包括:
获取电动汽车的电池老化数据集,所述电池老化数据集包括电池健康特征数据和电池SOH值;
对所述电池健康特征数据与所述电池SOH值进行相关性筛选,确定相关性较强的电池健康特征数据作为最优电池健康特征数据;
根据所述最优电池健康特征数据和所述电池SOH值构建第二数据集;
对所述第二数据集划分为第二训练集和第二测试集;
基于SVR神经网络、LSTM神经网络和一维CNN神经网络分别对所述第二训练集进行训练,并均以所述最优电池健康特征数据为输入,以所述电池SOH值为输出进行训练,得到基于SVR神经网络的SOH估计模型、基于LSTM神经网络的SOH估计模型和基于一维CNN神经网络的SOH估计模型;
将所述测试集中的最优电池健康特征数据分别输入至所述基于SVR神经网络的SOH估计模型、所述基于LSTM神经网络的SOH估计模型和所述基于一维CNN神经网络的SOH估计模型中,得到所述基于SVR神经网络的SOH估计模型、所述基于LSTM神经网络的SOH估计模型和所述基于一维CNN神经网络的SOH估计模型分别对应的电池SOH估计值;
将所述基于SVR神经网络的SOH估计模型、所述基于LSTM神经网络的SOH估计模型和所述基于一维CNN神经网络的SOH估计模型分别对应的电池SOH估计值与预设的电池SOH实际值进行误差比较,确定误差最小的电池SOH估计值作为最优电池SOH值。
优选地,所述响应于电动汽车的充电请求,根据所述行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间的步骤,具体包括:
根据电动汽车的电池额定容量、电池SOH值、电池SOC值、行驶里程和单位行驶里程耗电量确定电动汽车的剩余电量;
根据电动汽车的电池额定容量和电池SOH值确定电动汽车的期望电量;
根据电动汽车的期望电量、剩余电量、充电效率和充电功率确定电动汽车的充电所需时间;
将电动汽车的充电所需时间与车辆停留时间进行比较,并基于比较结果,根据电动汽车的充电所需时间和车辆停留时间确定电动汽车的充电持续时间。
优选地,所述根据多辆电动汽车分别对应的期望电量和充电持续时间确定各辆电动汽车的负荷调度可行域的步骤,具体包括:
根据所述电动汽车的充电持续时间和充电开始时间确定电动汽车的充电结束时间,其中,所述充电开始时间为所述出行结束时间;
根据所述电动汽车的充电结束时间和所述电动汽车的充电持续时间确定电动汽车在当前时段的充电系数;
根据电动汽车在当前时段的充电系数和充电功率确定电动汽车在当前时段的负荷调度可行域。
优选地,所述根据各辆电动汽车的负荷调度可行域确定目标区域内的电动汽车的负荷调度可行域均值的步骤,具体包括:
对各辆电动汽车的负荷调度可行域进行叠加,确定抽样产生的所有电动汽车的总负荷调度可行域;
根据所述总负荷调度可行域与抽样产生的电动汽车的辆数确定目标区域内的电动汽车的负荷调度可行域均值。
第二方面,本发明还提供了一种负荷调度可行域数模驱动预测***,包括:
样本抽样模块,用于通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,所述行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值;
充电参数确定模块,用于响应于电动汽车的充电请求,根据所述行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间;
可行域计算模块,用于根据多辆电动汽车分别对应的期望电量和充电持续时间确定各辆电动汽车的负荷调度可行域;
可行域平均模块,用于根据各辆电动汽车的负荷调度可行域确定目标区域内的电动汽车的负荷调度可行域均值。
第三方面,本发明还提供了一种电子设备,所述电子设备包括存储器和处理器;
所述存储器用于存储程序;
所述处理器执行所述程序实现上述的方法。
第四方面,本发明还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获得电动汽车的出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值,从而充分考虑电动汽车的时间特征、出行特征和电量特征对EV充放电负荷的影响,并利用蒙特卡洛随机抽样,避免受到概率模型的制约,充分反映EV负荷的分布规律,并通过行驶特征数据确定电动汽车的期望电量和充电持续时间,从而确定各辆电动汽车的负荷调度可行域,进而确定目标区域内的电动汽车的负荷调度可行域均值,克服了完全数据驱动高度依赖车网互动数据共享的缺点,提升了电动汽车负荷调度可行域预测的精度,降低了充放电裕度预测对数据的要求,普适性较高。
附图说明
图1为本发明第一个实施例提供的一种负荷调度可行域数模驱动预测方法的流程图;
图2为本发明实施例提供的EV的出行结束时间概率密度分布示意图;
图3为本发明实施例提供的EV的车辆停留时间概率密度分布示意图;
图4为本发明实施例提供的EV的行驶里程概率密度分布示意图;
图5为本发明实施例提供的基于蒙特卡罗抽样的负荷调度可行域数模驱动预测方法的流程图;
图6为本发明第二个实施例提供的一种负荷调度可行域数模驱动预测方法的流程图;
图7为本发明实施例提供的二维CNN卷积神经网络的结构示意图;
图8为本发明实施例提供的电池的充电过程中各HF之间及与电池SOH值的Pearson相关系数示意图;
图9为本发明实施例提供的电池的充电过程中各HF之间及与电池SOH值的Spearman相关系数示意图;
图10为本发明实施例提供的负荷调度可行域预测结果示意图;
图11为本发明实施例提供的不同SOH时的负荷调度可行域分布示意图;
图12为本发明实施例提供的一种负荷调度可行域数模驱动预测***的结构示意图。
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方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
目前的研究集中于充电负荷的预测,而缺少针对负荷可调控特征的分析。实际上,负荷的可调控能力,不仅与负荷大小直接相关,还受到EV出行与充电行为、电池健康状态等多方面不确定性因素的影响,但目前未考虑电池健康状态的影响构建更加准确的充放电设施调度可行域计算模型,导致估计得到的调度可行域不确定性会被进一步放大,使得执行偏差较高。因此,目前的EV负荷预测方法的主观性较强、预测结果一致性较差,预测得到的调度可行域精度较差,普适性不高。
有鉴于此,本实施例提供了一种负荷调度可行域数模驱动预测方法。本实施例可适用于对负荷调度可行域数模驱动预测的情况,该方法可以由负荷调度可行域数模驱动预测装置来执行,该负荷调度可行域数模驱动预测装置可以采用硬件和/或软件的形式实现,该负荷调度可行域数模驱动预测装置可配置于计算机设备中。
为了便于理解,请参阅图1,图1示意了本发明提供的一种负荷调度可行域数模驱动预测方法的流程。
本发明提供的一种负荷调度可行域数模驱动预测方法,包括以下步骤S1~S4:
步骤S1、通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值。
需要说明的是,通过分析影响EV充放电负荷的主要特征,电动汽车的时间特征、出行特征和电量特征是影响电动汽车负荷分布、进而影响负荷调度可行域的主要因素。
时间特征包括出行结束时间和车辆停留时间,出行结束时间和车辆停留时间分别影响EV的充电开始时间和充电持续时间。在一个示例中,通过历史数据分析,EV的出行结束时间概率密度函数为:
式中,t表示时间。
具体的EV的出行结束时间概率密度分布如图2所示,出行结束时间集中在第8时段到第19时段。
EV的车辆停留时间概率密度函数为:
具体的EV的车辆停留时间概率密度分布如图3所示,车辆停留时间集中在2小时以内。
EV的充电持续时间由电池容量、电池SOH值、初始SOC值、期望SOC值、充电功率和充电效率等因素决定。充电功率和充电效率影响EV的充电持续时间。一般情况下,充电模式可大致为慢速充电(L1)、常规充电(L2)和快速充电(L3)。典型的充电模式如表1所示,L1和L2为交流充电,L3为直流充电。其中,家庭通常采用L1模式,工作区与商业区的停车场可采用L2(1)模式,充电站可采用L2(2)和L3模式。
表1电动汽车充电模式
充电模式 | 额定电压/V | 额定电流/V | 充电功率/kW |
L1 | 220 | 16 | 3.5 |
L2(1) | 220 | 32 | 7 |
L2(2) | 380 | 32 | 12 |
L3 | 400 | 250 | 100 |
其中,出行特征包括EV的行驶里程,EV的行驶里程决定其消耗电量,是EV剩余电量的决定性因素,进而影响EV的充电持续时间。EV的行驶里程概率密度函数为:
具体的EV的行驶里程概率密度分布如图4所示,行驶里程集中在50km以内。
电量特征包括电池容量、电池SOH值和电池SOC值,EV的种类和型号影响其电池容量,电动私家车、电动出租车、电动公交车等电池容量会有较大差异。电池SOH值决定了EV可充的最大电量,电池SOH值、初始SOC和期望SOC共同决定EV的充电电量。
在一般示例中,基于确定的出行结束时间的概率密度函数、车辆停留时间的概率密度函数、行驶里程的概率密度函数,以及电池SOH值的概率密度函数和电池SOC值的概率密度函数,并采用蒙特卡洛随机抽样目标区域内的电动汽车,从而容易克服了负荷调度可行域预测方法的准确性受概率模型的制约,可以充分反映EV负荷的分布规律。
步骤S2、响应于电动汽车的充电请求,根据行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间。
可以理解的是,在无序充电情况下,EV有充电需求时,通常认为EV出行结束到达目的地后将立即充电,则通过响应于电动汽车的充电请求,根据行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间。
具体来说,步骤S2具体包括以下步骤S201~S204:
步骤S201、根据电动汽车的电池额定容量、电池SOH值、电池SOC值、行驶里程和单位行驶里程耗电量确定电动汽车的剩余电量。
需要说明的是,为满足EV的正常出行需求,需保证EV的电池SOH值和电池SOC值在合理范围内,使得电动汽车的剩余电量大于0。
其中,电动汽车的剩余电量的计算公式为:
Cre=Cra*SOHnow*SOCini-ds*kp
式中,Cre为剩余电量,Cra表示电动汽车的电池额定容量,SOHnow表示当前电动汽车的电池SOH值,电池SOH值用于表征电池的健康状态,SOCini表示电池SOC值,ds表示行驶里程,kp表示单位行驶里程耗电量。
步骤S202、根据电动汽车的电池额定容量和电池SOH值确定电动汽车的期望电量。
其中,电动汽车的期望电量的计算公式为:
Cex=Cra*SOHnow
式中,Cex表示电动汽车的期望电量。
步骤S203、根据电动汽车的期望电量、剩余电量、充电效率和充电功率确定电动汽车的充电所需时间。
其中,电动汽车的充电所需时间的计算公式为:
式中,Tch表示电动汽车的充电所需时间,Pch表示充电功率,ηch表示充电效率。
步骤S204、将电动汽车的充电所需时间与车辆停留时间进行比较,并基于比较结果,根据电动汽车的充电所需时间和车辆停留时间确定电动汽车的充电持续时间。
需要说明的,电动汽车的车辆停留时间决定了电动汽车的最大可充电时长。电动汽车的充电持续时间Tchdu的计算公式为:
式中,Tstay表示电动汽车的车辆停留时间。
当EV的充电所需时间小于或等于车辆停留时间Tstay时,EV的充电持续时间为EV的充电所需时间Tch,当EV的充电所需时间大于车辆停留时间时,EV的充电持续时间为车辆停留时间Tstay。
步骤S3、根据多辆电动汽车分别对应的期望电量和充电持续时间确定各辆电动汽车的负荷调度可行域。
具体来说,步骤S3具体包括:
步骤S301、根据电动汽车的充电持续时间和充电开始时间确定电动汽车的充电结束时间,其中,充电开始时间为出行结束时间。
需要说明的是,在无序充电情况下,EV有充电需求时,通常认为EV出行结束到达目的地后将立即充电,EV的充电开始时间即为EV的出行结束时间,即:
Tchst=Tend
式中,Tend表示出行结束时间,Tchst表示EV的充电开始时间。
电动汽车的充电结束时间为:
步骤S302、根据电动汽车的充电结束时间和电动汽车的充电持续时间确定电动汽车在当前时段的充电系数。
其中,电动汽车的每个时段的充电系数ωch(t)为:
式中,T表示全天时段数,按照不同的时长划分,T可取24,48,96等。
步骤S303、根据电动汽车在当前时段的充电系数和充电功率确定电动汽车在当前时段的负荷调度可行域。
其中,电动汽车在当前时段的负荷调度可行域PEVch(t)为:
PEVch(t)=ωch(t)*Pch t∈{1,2,...,T}
步骤S4、根据各辆电动汽车的负荷调度可行域确定目标区域内的电动汽车的负荷调度可行域均值。
具体来说,步骤S4具体包括以下步骤S401~S402:
步骤S401、对各辆电动汽车的负荷调度可行域进行叠加,确定抽样产生的所有电动汽车的总负荷调度可行域。
其中,电动汽车的总负荷调度可行域为:
式中,PEVch(n,t)表示第n辆电动汽车在第t个时段的负荷,N表示电动汽车的数量
步骤S402、根据总负荷调度可行域与抽样产生的电动汽车的辆数确定目标区域内的电动汽车的负荷调度可行域均值。
其中,通过总负荷调度可行域与抽样产生的电动汽车的辆数进行平均计算,确定目标区域内的电动汽车的负荷调度可行域均值,其中,负荷调度可行域均值可以通过调度可行域曲线来表征。
在一个可以实现的方式中,基于蒙特卡罗抽样的负荷调度可行域数模驱动预测方法的流程如图5所示,具体包括:
1)初始化相关参数,参数包括电池额定容量Cra、充电功率Pch、单位行驶里程耗电系数kp和充电效率ηch等,并设置抽样的EV数量N和迭代次数M。
2)令迭代次数m=1,开始进行第一次迭代。
3)令EV数量n=1,开始计算第一辆EV的负荷调度可行域。
4)通过蒙特卡罗(MC)抽样生成第n辆EV的出行结束时间Tend(n)、停留时间Tstay(n)、行驶里程ds(n)、SOHnow(n)和SOCini(n)。
5)确定第n辆EV的剩余电量Cre(n)、充电持续时间Tchdu(n)、充电开始时间Tchst(n)和充电结束时间Tchend(n)。
6)计算得到第n辆EV的负荷调度可行域。
7)若n<N,则n=n+1,转至步骤4)执行;否则,叠加N辆EV的负荷调度可行域得到负荷总调度可行域。
8)若m<M,则m=m+1,转至步骤3)执行;否则,取M次迭代的负荷总调度可行域平均值,得到负荷总调度可行域曲线。
需要说明的是,本发明通过获得电动汽车的出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值,从而充分考虑电动汽车的时间特征、出行特征和电量特征对EV充放电负荷的影响,并利用蒙特卡洛随机抽样,避免受到概率模型的制约,充分反映EV负荷的分布规律,并通过行驶特征数据确定电动汽车的期望电量和充电持续时间,从而确定各辆电动汽车的负荷调度可行域,进而确定目标区域内的电动汽车的负荷调度可行域均值,克服了完全数据驱动高度依赖车网互动数据共享的缺点,提升了电动汽车负荷调度可行域预测的精度,降低了充放电裕度预测对数据的要求,普适性较高。
以上为本发明提供的负荷调度可行域数模驱动预测方法的第一个实施例的详细描述,以下为本发明提供的负荷调度可行域数模驱动预测方法的第二个实施例的详细描述。
为了便于理解,请参阅图6,本发明第二个实施例提供的一种负荷调度可行域数模驱动预测方法,包括以下步骤S201~S20:
步骤S201、预测目标区域内的电动汽车的出行结束时间、停留时间和行驶里程。
具体来说,步骤S201具体包括以下步骤S2011~S2017:
步骤S2011、获取电动汽车的历史行驶特征数据集,历史行驶特征数据集包括具有多个不同维度的特征样本数据。
其中,历史行驶特征数据集按照维度划分包括时间特征数据、出行特征数据和电量特征数据,其中,出行特征数据还包括车速、挡位驱动力和运行模式,出行特征数据包括行驶时间等。
步骤S2012、对历史行驶特征数据集的多个不同维度的特征样本数据分别与出行结束时间、停留时间和行驶里程进行相关性筛选,确定相关性较强的特征样本数据作为最优特征样本数据。
其中,可以采用Pearson相关系数或Spearman相关系数对历史行驶特征数据集的多个不同维度的特征样本数据分别与出行结束时间、停留时间和行驶里程进行相关性筛选,去除与出行结束时间、停留时间和行驶里程的相关性较小的特征样本数据,剩余的特征样本数据作为最优特征样本数据,从而使数据采集范围更加精确。
步骤S2013、根据最优特征样本数据、出行结束时间、停留时间和行驶里程构建第一数据集。
步骤S2014、对第一数据集进行预处理。
其中,预处理的方式包括去噪和归一化处理。
步骤S2015、对经预处理后的第一数据集划分为第一训练集和第一测试集。
步骤S2016、基于第一训练集对卷积神经网络进行训练,并以最优特征样本数据为输入,以出行结束时间、停留时间和行驶里程为输出进行训练,得到训练好的EV特征预测模型。
其中,卷积神经网络可以采用二维CNN卷积神经网络。
其中,二维CNN卷积神经网络的结构如图7所示。以3*3的卷积核和2*2的最大池化层为例,二维CNN卷积神经网络的具体实现如下:
假设共有k个卷积核,记为Fk。表示第k个卷积核下的二维区域第i行,第j列的特征映射值。/>为卷积值,/>为卷积层输出,/>为最大池化值,/>为最大池化层输出。卷积核Fk的权重参数为ω11、ω12、…、ω33,偏置参数为bFk,xi,j为输入。a(z)为激活函数,则卷积操作为:
卷积值经过激活函数a(z),得到卷积层输出,卷积层输出为:
将卷积层输出的2*2个值压缩为一个神经元,通过执行一次池化操作,特征映射的神经元数目缩减到原来的四分之一,如最大池化操作,即选出最大值作为代表,池化操作为:
最大池化层输出等于最大池化值,即为:
具体来说,在一个示例中,利用二维CNN卷积神经网络对训练集进行训练过程为:
设置三个二维CNN的相关结构和参数,分别对应EV的出行结束时间、停留时间和行驶里程的预测模型。选择合适的卷积核个数、卷积核大小和池化层大小,其它设置与一维CNN类似。
将训练集中的数据输入,通过相应优化算法实现二维CNN的权值和偏置等参数的学***均误差函数。
步骤S2017、将第一测试集中的最优特征样本数据输入至训练好的EV特征预测模型中,得到电动汽车的出行结束时间预测值、停留时间预测值和行驶里程预测值。
步骤S202、对电动汽车的电池SOH值进行预测。
其中,动力电池的老化会使其可存储的最大容量减小,SOH可定义为动力电池从充满状态以一定倍率放电至截止电压时所释放的最大容量与额定容量的比值,即:
式中,Cnow表示电池当前可用最大容量,C0表示额定容量。
以锂离子为例,研究表明,锂离子损失、活性物质损失和电导率损失是造成电池老化和容量衰减的主要原因,电池的运行环境和运行模式,诸如运行工况、温度、充放电倍率、放电深度和充放电截止电压等也会对电池SOH产生较大影响。
具体来说,步骤S202具体包括以下步骤S2021~S2027:
步骤S2021、获取电动汽车的电池老化数据集,电池老化数据集包括电池健康特征数据和电池SOH值。
步骤S2022、对电池健康特征数据与电池SOH值进行相关性筛选,确定相关性较强的电池健康特征数据作为最优电池健康特征数据。
其中,电池健康特征(Health Factor,HF)数据是反映电池SOH值变化情况的特征,但多种主流HF变化趋势不一,难以直接判断其与电池SOH值之间的相关程度,若某HF与电池SOH值关系不大,则考虑该HF进行电池SOH值估计意义不大,且过多的HF还增加了计算复杂度。因此需要采用Pearson相关系数或Spearman相关系数来对HF与电池SOH值的相关程度进行衡量,来去除与电池SOH值相关性较小的HF,实现对HF的选取。
Pearson相关系数反映两个变量之间的线性相关关系,取值区间为[-1,1],如式(2.2)所示。式中,X和Y分别表示样本总体,E表示数学期望。
Spearman相关系数反映两个变量之间的单调关系,取值区间为[-1,1],如式(2.3)所示。式中,n为样本数量,di为两个变量的等级差。
示例性地,电池的充电过程中各HF之间及与电池SOH值的Pearson相关系数和Spearman相关系数分别如图8和图9所示,其中,电池健康特征包括充电时间、等压升时间、最大电压、最小电压、平均电压、电压中位数、电压方差、最大温度、最小温度、平均温度、温度中位数、温度方差,并分别定义为cv_tt、cv_bt、cv_ma、cv_mi、cv_me、cv_md、cv_var、cte_ma、cte_mi、cte_me、cte_md、cte_var。
相关系数对应表示的圆圈越大,代表相关性越大。通过阈值设置,确定充电最大电压、最大温度、最小温度、平均温度、温度中位数、温度方差与电池SOH值相关性较小,可将这六个特征去除,剩下六个特征。
可以理解的是,通过分析Pearson相关系数与Spearman相关系数的方式得到了众多参数与电池健康状态的相关性,这样的分析手段可以更加准确地划定数据范围,数据采集范围更加精确。
步骤S2023、根据最优电池健康特征数据和电池SOH值构建第二数据集。
步骤S2024、对第二数据集划分为第二训练集和第二测试集。
步骤S2025、基于SVR神经网络、LSTM神经网络和一维CNN神经网络分别对第二训练集进行训练,并均以最优电池健康特征数据为输入,以电池SOH值为输出进行训练,得到基于SVR神经网络的SOH估计模型、基于LSTM神经网络的SOH估计模型和基于一维CNN神经网络的SOH估计模型。
具体地,可以分别搭建基于SVR、LSTM和一维CNN的SOH估计模型,具体为:
初始化GA的种群规模,设置基于SVR的适应度函数,设置GA的选择、交叉和变异操作,初始化不敏感损失系数epsilon、惩罚参数C和RBF核参数gamma。
设置LSTM的输入层、LSTM层、全连接层和输出层结构,设置LSTM的训练样本大小、训练迭代次数等参数,并选择合适的激活函数、目标函数和优化算法。
设置一维CNN的输入层、卷积层、池化层、全连接层和输出层结构,设置一维CNN的训练样本大小、训练迭代次数、学习率等参数,并选择合适的激活函数、目标函数和优化算法。
通过输入第二训练集数据,通过相应优化算法实现SVR、LSTM和一维CNN的权值和偏置等参数的学习,直至目标函数满足要求,即训练输出的SOH值与实际SOH误差较小。
步骤S2026、将测试集中的最优电池健康特征数据分别输入至基于SVR神经网络的SOH估计模型、基于LSTM神经网络的SOH估计模型和基于一维CNN神经网络的SOH估计模型中,得到基于SVR神经网络的SOH估计模型、基于LSTM神经网络的SOH估计模型和基于一维CNN神经网络的SOH估计模型分别对应的电池SOH估计值。
步骤S2027、将基于SVR神经网络的SOH估计模型、基于LSTM神经网络的SOH估计模型和基于一维CNN神经网络的SOH估计模型分别对应的电池SOH估计值与预设的电池SOH实际值进行误差比较,确定误差最小的电池SOH估计值作为最优电池SOH值。
可以理解的是,采用了SVR、LSTM和一维CNN的方式搭建健康状态估计模型,将三组估计值进行了对比,提升了估计精度。
需要说明的是,前述步骤S201和步骤S202的执行顺序并不进行限定,可以先执行步骤S201再执行步骤S202,也可以先执行步骤S202再执行步骤S201。
步骤S203、通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值。
步骤S204、响应于电动汽车的充电请求,根据行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间。
步骤S205、根据多辆电动汽车分别对应的期望电量和充电持续时间确定各辆电动汽车的负荷调度可行域。
步骤S206、根据各辆电动汽车的负荷调度可行域确定目标区域内的电动汽车的负荷调度可行域均值。
需要说明的是,前述步骤S203~S206的工作过程与前述第一个实施例中的步骤S1~S4分别对应一致,在此不再赘述。
下面结合本实施例列举一个算例以证明本实施例所实现的技术效果。
为对比数模驱动和模型驱动的调度可行域预测方法的结果,此处将未进行区域划分时的充电功率统一设置为3.5kW。基于模型驱动方法求出的值在第1-8时段,第17-24时段的分布趋势与实际值类似。但在第9-13时段,实际高峰为第10时段的1088kW,比此时段模型驱动高406kW。基于模型驱动方法求出高峰为第17时段的871kW,比此时段的实际高157kW。由于EV特征的概率密度函数只能描述整体的特性分布规律,无法体现个体之间的差异,基于模型驱动的调度可行域预测方法精度还有待提高。
基于二维CNN的EV特征预测模型中,随着迭代次数的增加,训练集和验证集中的RMSE和损失(默认为MSE)都逐渐降低,其训练效果较好。将测试集输入到训练好的模型中,可以得到电动汽车的出行结束时间预测值、停留时间预测值和行驶里程预测值,并计算各辆电动汽车的负荷调度可行域,得到负荷调度可行域预测结果如图10所示。
由图10可以看出,负荷调度可行域的总体趋势与实际趋势基本一致。为比较不同电池SOH值时,调度可行域的分布情况,采用基于数模驱动的调度可行域预测方法,分为SOH全为1、全为0.85和满足正态分布SOHnow~N(0.95,0.042)三种情况,其不同SOH时的负荷调度可行域分布如图11所示。比较不同电池SOH值时,调度可行域的分布趋势一致,但电池SOH值全为1与电池SOH值全为0.85的值相差704kW。电池SOH值全为1时,调度可行域高峰为第10时段的1246kW,电池SOH值全为0.85时,调度可行域高峰为第10时段的1143kW。
以上为本发明提供的一种负荷调度可行域数模驱动预测方法的实施例的详细描述,以下为本发明提供的一种负荷调度可行域数模驱动预测***的实施例的详细描述。
为了便于理解,请参阅图12,本发明还提供了一种负荷调度可行域数模驱动预测***,包括:
样本抽样模块100,用于通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值;
充电参数确定模块200,用于响应于电动汽车的充电请求,根据行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间;
可行域计算模块300,用于根据多辆电动汽车分别对应的期望电量和充电持续时间确定各辆电动汽车的负荷调度可行域;
可行域平均模块400,用于根据各辆电动汽车的负荷调度可行域确定目标区域内的电动汽车的负荷调度可行域均值。
本发明还提供了一种电子设备,电子设备包括存储器和处理器;
存储器用于存储程序;
处理器执行程序实现上述的方法。
本发明还提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,电子设备和计算机存储介质的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,可以理解的是,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,电子设备,计算机存储介质和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种负荷调度可行域数模驱动预测方法,其特征在于,包括以下步骤:
通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,所述行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值;
响应于电动汽车的充电请求,根据所述行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间;
根据多辆电动汽车分别对应的期望电量和充电持续时间确定各辆电动汽车的负荷调度可行域;
根据各辆电动汽车的负荷调度可行域确定目标区域内的电动汽车的负荷调度可行域均值。
2.根据权利要求1所述的负荷调度可行域数模驱动预测方法,其特征在于,通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,所述行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值的步骤之前,还包括预测目标区域内的电动汽车的出行结束时间、停留时间和行驶里程的步骤;所述预测目标区域内的电动汽车的出行结束时间、停留时间和行驶里程的步骤,具体包括:
获取电动汽车的历史行驶特征数据集,所述历史行驶特征数据集包括具有多个不同维度的特征样本数据;
对所述历史行驶特征数据集的多个不同维度的特征样本数据分别与所述出行结束时间、所述停留时间和所述行驶里程进行相关性筛选,确定相关性较强的特征样本数据作为最优特征样本数据;
根据所述最优特征样本数据、所述出行结束时间、所述停留时间和所述行驶里程构建第一数据集;
对所述第一数据集进行预处理;
对经预处理后的第一数据集划分为第一训练集和第一测试集;
基于所述第一训练集对卷积神经网络进行训练,并以所述最优特征样本数据为输入,以所述出行结束时间、所述停留时间和所述行驶里程为输出进行训练,得到训练好的EV特征预测模型;
将所述第一测试集中的最优特征样本数据输入至所述训练好的EV特征预测模型中,得到电动汽车的出行结束时间预测值、停留时间预测值和行驶里程预测值。
3.根据权利要求2所述的负荷调度可行域数模驱动预测方法,其特征在于,所述卷积神经网络采用二维CNN卷积神经网络。
4.根据权利要求1所述的负荷调度可行域数模驱动预测方法,其特征在于,通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,所述行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值的步骤之前,还包括对电动汽车的电池SOH值进行预测的步骤;所述对电动汽车的电池SOH值进行预测的步骤,具体包括:
获取电动汽车的电池老化数据集,所述电池老化数据集包括电池健康特征数据和电池SOH值;
对所述电池健康特征数据与所述电池SOH值进行相关性筛选,确定相关性较强的电池健康特征数据作为最优电池健康特征数据;
根据所述最优电池健康特征数据和所述电池SOH值构建第二数据集;
对所述第二数据集划分为第二训练集和第二测试集;
基于SVR神经网络、LSTM神经网络和一维CNN神经网络分别对所述第二训练集进行训练,并均以所述最优电池健康特征数据为输入,以所述电池SOH值为输出进行训练,得到基于SVR神经网络的SOH估计模型、基于LSTM神经网络的SOH估计模型和基于一维CNN神经网络的SOH估计模型;
将所述测试集中的最优电池健康特征数据分别输入至所述基于SVR神经网络的SOH估计模型、所述基于LSTM神经网络的SOH估计模型和所述基于一维CNN神经网络的SOH估计模型中,得到所述基于SVR神经网络的SOH估计模型、所述基于LSTM神经网络的SOH估计模型和所述基于一维CNN神经网络的SOH估计模型分别对应的电池SOH估计值;
将所述基于SVR神经网络的SOH估计模型、所述基于LSTM神经网络的SOH估计模型和所述基于一维CNN神经网络的SOH估计模型分别对应的电池SOH估计值与预设的电池SOH实际值进行误差比较,确定误差最小的电池SOH估计值作为最优电池SOH值。
5.根据权利要求1所述的负荷调度可行域数模驱动预测方法,其特征在于,所述响应于电动汽车的充电请求,根据所述行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间的步骤,具体包括:
根据电动汽车的电池额定容量、电池SOH值、电池SOC值、行驶里程和单位行驶里程耗电量确定电动汽车的剩余电量;
根据电动汽车的电池额定容量和电池SOH值确定电动汽车的期望电量;
根据电动汽车的期望电量、剩余电量、充电效率和充电功率确定电动汽车的充电所需时间;
将电动汽车的充电所需时间与车辆停留时间进行比较,并基于比较结果,根据电动汽车的充电所需时间和车辆停留时间确定电动汽车的充电持续时间。
6.根据权利要求5所述的负荷调度可行域数模驱动预测方法,其特征在于,所述根据多辆电动汽车分别对应的期望电量和充电持续时间确定各辆电动汽车的负荷调度可行域的步骤,具体包括:
根据所述电动汽车的充电持续时间和充电开始时间确定电动汽车的充电结束时间,其中,所述充电开始时间为所述出行结束时间;
根据所述电动汽车的充电结束时间和所述电动汽车的充电持续时间确定电动汽车在当前时段的充电系数;
根据电动汽车在当前时段的充电系数和充电功率确定电动汽车在当前时段的负荷调度可行域。
7.根据权利要求5所述的负荷调度可行域数模驱动预测方法,其特征在于,所述根据各辆电动汽车的负荷调度可行域确定目标区域内的电动汽车的负荷调度可行域均值的步骤,具体包括:
对各辆电动汽车的负荷调度可行域进行叠加,确定抽样产生的所有电动汽车的总负荷调度可行域;
根据所述总负荷调度可行域与抽样产生的电动汽车的辆数确定目标区域内的电动汽车的负荷调度可行域均值。
8.一种负荷调度可行域数模驱动预测***,其特征在于,包括:
样本抽样模块,用于通过蒙特卡洛随机抽样目标区域内的电动汽车,生成多辆电动汽车分别对应的行驶特征数据,所述行驶特征数据包括出行结束时间、车辆停留时间、行驶里程、电池SOH值和电池SOC值;
充电参数确定模块,用于响应于电动汽车的充电请求,根据所述行驶特征数据确定多辆电动汽车分别对应的期望电量和充电持续时间;
可行域计算模块,用于根据多辆电动汽车分别对应的期望电量和充电持续时间确定各辆电动汽车的负荷调度可行域;
可行域平均模块,用于根据各辆电动汽车的负荷调度可行域确定目标区域内的电动汽车的负荷调度可行域均值。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器;
所述存储器用于存储程序;
所述处理器执行所述程序实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410247568.7A CN118137478A (zh) | 2024-03-05 | 2024-03-05 | 一种负荷调度可行域数模驱动预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410247568.7A CN118137478A (zh) | 2024-03-05 | 2024-03-05 | 一种负荷调度可行域数模驱动预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118137478A true CN118137478A (zh) | 2024-06-04 |
Family
ID=91233005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410247568.7A Pending CN118137478A (zh) | 2024-03-05 | 2024-03-05 | 一种负荷调度可行域数模驱动预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118137478A (zh) |
-
2024
- 2024-03-05 CN CN202410247568.7A patent/CN118137478A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Health prognosis for electric vehicle battery packs: A data-driven approach | |
Li et al. | Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks | |
Zhang et al. | Long short-term memory recurrent neural network for remaining useful life prediction of lithium-ion batteries | |
Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
Chinomona et al. | Long short-term memory approach to estimate battery remaining useful life using partial data | |
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 | |
Li et al. | A comparative study of battery state-of-health estimation based on empirical mode decomposition and neural network | |
CN102749589B (zh) | 电动汽车动力电池衰退模式预测方法 | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
CN105911476B (zh) | 一种基于数据挖掘的电池储能***soc预测方法 | |
Wu et al. | SOC prediction method based on battery pack aging and consistency deviation of thermoelectric characteristics | |
Shi et al. | Estimation of battery state-of-charge using ν-support vector regression algorithm | |
Huang et al. | A comprehensively optimized lithium-ion battery state-of-health estimator based on Local Coulomb Counting Curve | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN115308606B (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
EP4270033A1 (en) | Method and apparatus for estimating state of health of battery | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
Jafari et al. | Hierarchical Bayesian model for probabilistic analysis of electric vehicle battery degradation | |
CN112003312A (zh) | 一种基于出行链和参与意愿的私家电动汽车参与电网调控能力评估方法 | |
CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
Jeong et al. | Estimating battery state-of-charge with a few target training data by meta-learning |
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 |