CN109001640B - 一种动力电池的数据处理方法和装置 - Google Patents
一种动力电池的数据处理方法和装置 Download PDFInfo
- Publication number
- CN109001640B CN109001640B CN201810712136.3A CN201810712136A CN109001640B CN 109001640 B CN109001640 B CN 109001640B CN 201810712136 A CN201810712136 A CN 201810712136A CN 109001640 B CN109001640 B CN 109001640B
- Authority
- CN
- China
- Prior art keywords
- information
- battery
- characteristic
- battery capacity
- capacity information
- 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
Images
Abstract
本发明实施例提供了一种动力电池的数据处理方法和装置，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；所述方法包括：获取所述电池历史数据中的第一特征电池信息；针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息；针对所述第二电流信息进行安时积分，获得第一电池容量信息；将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息。采用卡尔曼滤波与神经网络模型结合的方式，能够更加准确地估算出动力电池的电池容量信息。
Description
技术领域
本发明涉及动力电池技术领域，特别是涉及一种动力电池的数据处理方法和一种动力电池的数据处理装置。
背景技术
动力电池是新能源汽车领域最为核心的部件。动力电池的性能直接影响电动汽车的动力性能、续航里程和安全性等驾驶体验。动力电池的性能包括电池容量、内阻和单体一致性等，其中电池容量作为最重要且直观的性能衡量指标，能够直接影响电动汽车的续航能力。
现有的电池容量估算方法主要分为以下两种方法：基于理想状况实验的容量衰减模式的经验估计，及基于电池表征数据和实验条件测得标签容量的黑箱模型。
基于理想状况实验的容量衰减模式的经验估计对新的动力电池进行数百至数千次的满充满放实验，并得到动力电池在各循环节点或时间节点时的电池容量信息，并以此作为依据建立经验估计。基于电池表征数据和实验条件测得标签容量的黑箱模型是模拟电池充放电的过程，记录过程中的电池表征数据，并且对电池进行满充满放恒流充放电实验，得到其实际的容量信息。然后利用机器学习领域的方法建模，进行有监督学习得到表征数据向容量的映射。
但是，在实验条件下的充放电复杂性和随机性无法与电动汽车实际运行过程相比，因此实际工况条件下动力电池容量衰减特征并未得到有效关注；而且实验所必需消耗的人力、物力和时间在实际中的大规模应用下难以维持。
发明内容
本发明实施例提供一种动力电池的数据处理方法和相应的一种动力电池的数据处理装置，以解决现有的电池容量估算方法并未考虑实际工况条件下动力电池容量衰减特征以及消耗的人力、物力和时间较多的上述问题。
为了解决上述问题，本发明实施例公开了一种动力电池的数据处理方法，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；所述方法包括：
获取所述电池历史数据中的第一特征电池信息；
针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息；
针对所述第二电流信息进行安时积分，获得第一电池容量信息；
将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息。
优选地，所述第一特征电池信息包括第一电压信息、第一电流信息及第一温度信息中的至少一种；所述第二特征电池信息包括第二电压信息和/或第二温度信息。
优选地，所述第二特征电池信息还包括内阻信息、使用天数信息、等效全循环次数信息及额定容量信息中的至少一种。
优选地，所述针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息的步骤包括：
将所述第一特征电池信息输入到卡尔曼滤波模型中，获得最优估计值；
将所述最优估计值更新为第二特征电池信息。
优选地，所述卡尔曼滤波模型包括自适应卡尔曼滤波模型、扩展卡尔曼滤波模型或无迹卡尔曼滤波模型中的至少一种。
优选地，所述将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息的步骤包括：
将所述第二电流信息、第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息、额定容量信息及第一电池容量信息输入至预置的特定神经网络模型，获得输出的第二电池容量信息。
优选地，所述特定神经网络模型包括长短期记忆LSTM模型、循环神经网络RNN模型或卷积神经网络CNN模型。
本发明实施例还公开了一种动力电池的数据处理装置，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；所述装置包括：
第一特征电池信息获取模块，用于获取所述电池历史数据中的第一特征电池信息；
卡尔曼滤波模块，用于针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息；
第一电池容量信息获得模块，用于针对所述第二电流信息进行安时积分，获得第一电池容量信息；
第二电池容量信息获得模块，用于将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息。
优选地，所述第一特征电池信息包括第一电压信息、第一电流信息及第一温度信息中的至少一种；所述第二特征电池信息包括第二电压信息和/或第二温度信息。
优选地，所述第二特征电池信息还包括内阻信息、使用天数信息、等效全循环次数信息及额定容量信息中的至少一种。
本发明实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的动力电池的数据处理的步骤。
本发明实施例还公开了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的动力电池的数据处理的步骤。
本发明实施例包括以下优点：
本发明实施例中，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；获取所述电池历史数据中的第一特征电池信息；针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息；针对所述第二电流信息进行安时积分，获得第一电池容量信息；将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息；采用卡尔曼滤波与神经网络模型结合的方式，能够更加准确地估算出动力电池的电池容量信息。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
图1是本发明实施例的一种动力电池的数据处理方法实施例一的步骤流程图；
图2是本发明实施例的一种动力电池的数据处理方法实施例二的步骤流程图；
图3是本发明实施例的一种第二电池容量信息的示意图；
图4是本发明实施例的一种动力电池的数据处理装置实施例的结构框图。
具体实施方式
为了使本发明实施例所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明实施例进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，示出了本发明实施例的一种动力电池的数据处理方法实施例一的步骤流程图，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；具体可以包括如下步骤：
步骤101，获取所述电池历史数据中的第一特征电池信息；
本发明实施例可以应用到动力组件，所述动力组件可以是给设备提供动力的装置或器件，如电动汽车的动力电池组，其包括多个动力电池，所述动力组件运行有电池管理系统，电池管理系统(Battery Management System,BMS)是连接动力电池和电动汽车的重要纽带，其主要功能包括：电池物理参数实时监测；电池状态估计；在线诊断与预警；充、放电与预充控制；均衡管理和热管理等。
具体地，电池管理系统可以准确估测动力电池的荷电状态，动力电池的荷电状态(State of Charge，SOC)，即电池剩余电量，保证SOC维持在合理的范围内，防止由于过充电或过放电对电池的损伤，从而随时预报电动汽车的电池剩余电量或者动力电池的荷电状态。
另一方面，电池管理系统还可以动态监测动力电池的工作状态；在电池充放电过程中，实时采集每块动力电池的端电压和温度、充放电电流及电池总电压，防止电池发生过充电或过放电现象。同时能够及时给出电池状况，保持整组电池运行的可靠性和高效性。除此以外，还要建立每块动力电池的使用历史档案，其包含电池历史数据，具体而言，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，为离线分析系统故障提供依据。
此外，电池管理系统还可以调节单体电池间、电池组间的均衡状态：即在单体的动力电池、电池组间进行均衡，使电池组中各个单体的动力电池都达到均衡一致的状态。
从硬件的角度而言，该电池管理系统包括数据采样电路、微处理器及显示装置，数据采样电路测量电池实时状态信息(电池电压、充放电电流及电池表面温度等)；然后将这些数据传送到微处理器，微处理器再对数据进行处理并运行相关的程序算法；最后，微处理器根据分析结果对系统功能模块及执行器发出控制指令，同时向显示装置输出电池数据信息。
本发明实施例中，可以提取出所述电池历史数据中的第一特征电池信息；其中，所述第一特征电池信息包括第一电压信息、第一电流信息及第一温度信息等，本发明实施例对此不作限制。
步骤102，针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息；
进一步应用到本发明实施例中，针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电压信息、第二温度信息及第二电流信息(即经过卡尔曼滤波后的第一电压信息、第一电流信息及第一温度信息)。
需要说明的是，应用卡尔曼滤波对原始的第一电压信息、第一电流信息进行处理，卡尔曼滤波过程简单来说主要包括两个步骤：状态变量的预估以及状态变量的校正。预估过程是不考虑过程噪声和量测噪声，只是基于系统本身性质并依靠前一时刻的估计值以及系统控制输入的一种估计；校正过程是用量测值与预估量测值之间的误差乘以一个与过程噪声和量测噪声相关的增益因子来对预估值进行校正的，其中增益因子的确定与状态量的均方误差有关，用到了使均方误差最小的准则，获得最优估计值。
进一步应用到本发明实施例中，卡尔曼滤波对应的模型可以包括自适应卡尔曼滤波模型、扩展卡尔曼滤波模型或无迹卡尔曼滤波模型等，本发明实施例对此不作限制。
步骤103，针对所述第二电流信息进行安时积分，获得第一电池容量信息；
具体应用到本发明实施例中，针对所述第二电流信息进行安时积分，获得第一电池容量信息；当然，也可以采用其他的方式获得第一电池容量信息，本发明实施例对此不作限制。
步骤104，将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息。
实际应用中，可以将所述第二特征电池信息及第一电池容量信息到预置的特定神经网络模型，获得模型输出的第二电池容量信息；
需要说明的是，所述特定神经网络模型可以包括LSTM(长短期记忆网络，LongShort-Term Memory)模型、RNN(Recurrent Neural Networks，循环神经网络)模型或CNN(Convolutional Neural Networks，卷积神经网络)模型等，还可以包括其他的神经网络模型如ANN((Artificial Neural Network，人工神经网络)模型。
在神经网络模型的训练过程中，给每个输入的第二特征电池信息及第一电池容量信息赋予一个权重，在训练的过程中，会不断修正这个权重，直到达到设定的训练次数为止或者达到规定的误差为止，则输出所述第二电池容量信息。
本发明实施例中，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；获取所述电池历史数据中的第一特征电池信息；针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息；针对所述第二电流信息进行安时积分，获得第一电池容量信息；将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息；采用卡尔曼滤波与神经网络模型结合的方式，能够更加准确地估算出动力电池的电池容量信息。
参照图2，示出了本发明实施例的一种动力电池的数据处理方法实施例二的步骤流程图，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；具体可以包括如下步骤：
步骤201，获取所述电池历史数据中的第一特征电池信息；所述第一特征电池信息包括第一电压信息、第一电流信息及第一温度信息中的至少一种；
本发明实施例中，可以提取出所述电池历史数据中的第一特征电池信息；其中，所述第一特征电池信息包括第一电压信息、第一电流信息及第一温度信息等。
需要说明的是，该第一特征电池信息可以为BMS采集的单个的车辆数据，或者是多个的车辆数据，本发明实施例对此不作限制。可以是直接获取或者通过计算得到该第一电压信息、第一电流信息，本发明实施例对此同样不作限制。
步骤202，将所述第一特征电池信息输入到卡尔曼滤波模型中，获得最优估计值；
具体应用到本发明实施例中，应用卡尔曼滤波对原始的第一电压信息、第一电流信息进行处理，卡尔曼滤波过程简单来说主要包括两个步骤：状态变量的预估以及状态变量的校正。预估过程是不考虑过程噪声和量测噪声，只是基于系统本身性质并依靠前一时刻的估计值以及系统控制输入的一种估计；校正过程是用量测值与预估量测值之间的误差乘以一个与过程噪声和量测噪声相关的增益因子来对预估值进行校正的，其中增益因子的确定与状态量的均方误差有关，用到了使均方误差最小的准则，获得最优估计值。
需要说明的是，所述卡尔曼滤波模型包括自适应卡尔曼滤波模型、扩展卡尔曼滤波模型或无迹卡尔曼滤波模型中的至少一种；有效地避免地在训练过程中，随着训练样本的增加，会出现滤波发散的问题，采用多种的卡尔曼滤波模型进行优化，提高数据处理效率。
步骤203，将所述最优估计值更新为第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息、第二电压信息或第二温度信息中的至少一种；
进一步应用到本发明实施例中，还可以将所述最优估计值更新为第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息、第二电压信息或第二温度信息中的至少一种。
本发明实施例的一种优选实施例中，所述第二特征电池信息还包括内阻信息、使用天数信息、等效全循环次数信息及额定容量信息中的至少一种。
步骤204，针对所述第二电流信息进行安时积分，获得第一电池容量信息；
具体应用到本发明实施例中，针对所述第二电流信息进行安时积分，获得第一电池容量信息；当然，也可以采用其他的方式获得第一电池容量信息，本发明实施例对此不作限制。
步骤205，将所述第二电流信息、第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息、额定容量信息及第一电池容量信息输入至预置的特定神经网络模型，获得输出的第二电池容量信息。
本发明实施例的一种具体示例中，将所述第二电流信息、第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息、额定容量信息及第一电池容量信息输入至预置的特定神经网络模型，获得输出的第二电池容量信息。
本发明实施例的一种优选实施例中，所述特定神经网络模型包括LSTM模型、RNN模型或CNN模型等，本发明实施例对此不作限制。
本发明实施例中，获取所述电池历史数据中的第一特征电池信息；所述第一特征电池信息包括第一电压信息、第一电流信息及第一温度信息中的至少一种；将所述第一特征电池信息输入到卡尔曼滤波模型中，获得最优估计值；将所述最优估计值更新为第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息、第二电压信息或第二温度信息中的至少一种；针对所述第二电流信息进行安时积分，获得第一电池容量信息；将所述第二电流信息、第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息、额定容量信息及第一电池容量信息输入至预置的特定神经网络模型，获得输出的第二电池容量信息；采用卡尔曼滤波与神经网络模型结合的方式，能够更加准确地估算出动力电池的电池容量信息；有效地避免地在训练过程中，随着训练样本的增加，会出现滤波发散的问题，提高数据处理效率。
为了使本领域技术人员更好地理解本发明实施例，以下通过一个具体的示例进行说明：
步骤1：获取BMS采集的单个的车辆数据，直接获取或者通过计算得到第一电压信息(V)、第一电流信息(I)、第一温度信息(T)以及其他的第一特征电池信息存为表1；
| V | I | T | ... |
表1：第一特征电池信息
步骤2：利用卡尔曼滤波算法对第一特征电池信息(如V、I)进行处理，卡尔曼滤波过程简单来说主要包括两个步骤：状态变量的预估以及状态变量的校正。预估过程是不考虑过程噪声和量测噪声，只是基于系统本身性质并依靠前一时刻的估计值以及系统控制输入的一种估计；校正过程是用量测值与预估量测值之间的误差乘以一个与过程噪声和量测噪声相关的增益因子来对预估值进行校正的，其中增益因子的确定与状态量的均方误差有关，用到了使均方误差最小的准则。
处理过程如下：一：建立系统基本方程；二：对系统进行滤波初始化；三：对系统进行时间更新；四：进行迭代变量更新；五：进行量测更新；六：进行迭代计算。
以下是卡尔曼滤波模型的5个重要逻辑方程：
X(k|k-1)＝AX(k-1|k-1)+Bu(k)......................(1)
X(k|k)＝X(k|k-1)+Kg(k)*(Z(k)-Hx(k|k-1))..........(2)
Kg(k)＝P(k|k-1)*H'/(H*P(k|k-1)*H'+R)...........(3)
P(k|k-1)＝A*P(k-1|k-1)A'+Q.......................(4)
P(k|k)＝(I-Kg(k)*H)*P(k|k-1).....................(5)
Z(k)为需要训练的原始数据，在本发明实施例中，为即将要被估计的第一特征电池信息；
H,A,B，这三个矩阵不变，并且是事先设定，都为已知的矩阵；k时刻的系统状态为x(k)，x(k|k-1)是上一时刻的状态对现在时刻状态的预测，x(k-1|k-1)是上一时刻状态的最优结果；Kg(k)是卡尔曼增益；u(k)为现在时刻状态的控制量；P(k|k-1)是在k时刻由上一状态对此状态的预测；P(k-1|k-1)是x(k-1|k-1)对应的误差估计协方差矩阵；Q表示系统过程噪声的协方差；R表示测量过程误差的协方差；I是单位矩阵。
其中，初始状态可以默认为0，或者以技术协议的额定值为准，系统误差初始值定为0.1，测量误差初始值以技术协议或仪器精度为准。
生成第二特征电池信息(即新的V1、I1)覆盖之前的第一特征电池信息(V、I)保存为表2；
| V1 | I1 | T1 | ... |
表2：第二特征电池信息
步骤3：通过表2得出的第二特征电池信息，再按照容量计算的方法(安时积分法或者固定容量法)初步计算出第一电池容量信息Q，选取和Q有关的第二电流信息、第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息、额定容量信息组成表3：
| Q | V1 | I1 | r | ... |
表3：第一电池容量信息
把表3的数据作为输入放入LSTM模型，输出为第二电池容量信息Q1。参照图3，示出了本发明实施例的一种第二电池容量信息的示意图，图3中曲线11为第一电池容量信息对应的示意图，而曲线12为第二电池容量信息对应的示意图，曲线12中非重叠部分的后半段数据(即方框内的)为LSTM模型预测设定时长的第二电池容量信息。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图4，示出了本发明实施例的一种动力电池的数据处理装置实施例的结构框图，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；具体可以包括如下模块：
第一特征电池信息获取模块401，用于获取所述电池历史数据中的第一特征电池信息；
卡尔曼滤波模块402，用于针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息；
第一电池容量信息获得模块403，用于针对所述第二电流信息进行安时积分，获得第一电池容量信息；
第二电池容量信息获得模块404，用于将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息。
优选地，所述第一特征电池信息包括第一电压信息、第一电流信息及第一温度信息中的至少一种；所述第二特征电池信息包括第二电压信息和/或第二温度信息。
优选地，所述第二特征电池信息还包括内阻信息、使用天数信息、等效全循环次数信息及额定容量信息中的至少一种。
优选地，所述卡尔曼滤波模块包括：
最优估计值获得子模块，用于将所述第一特征电池信息输入到卡尔曼滤波模型中，获得最优估计值；
更新子模块，用于将所述最优估计值更新为第二特征电池信息。
优选地，所述卡尔曼滤波模型包括自适应卡尔曼滤波模型、扩展卡尔曼滤波模型或无迹卡尔曼滤波模型中的至少一种。
优选地，所述第二电池容量信息获得模块包括：
第二电池容量信息获得子模块，用于将所述第二电流信息、第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息、额定容量信息及第一电池容量信息输入至预置的特定神经网络模型，获得输出的第二电池容量信息。
优选地，所述特定神经网络模型包括LSTM模型、RNN模型或CNN模型。
本发明实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的动力电池的数据处理的步骤。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的动力电池的数据处理的步骤。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种动力电池的数据处理方法和一种动力电池的数据处理装置，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方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种动力电池的数据处理方法，其特征在于，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；所述方法包括：
获取所述电池历史数据中的第一特征电池信息；
针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息；
针对所述第二电流信息进行安时积分，获得第一电池容量信息；
将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息，所述第二电池容量信息包括预测设定时长的第二电池容量信息；
其中，所述将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息的步骤包括：
将所述第二电流信息、第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息、额定容量信息及第一电池容量信息输入至预置的特定神经网络模型，获得输出的第二电池容量信息。
2.根据权利要求1所述的方法，其特征在于，所述第一特征电池信息包括第一电压信息、第一电流信息及第一温度信息中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述第二特征电池信息还包括第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息及额定容量信息中的至少一种。
4.根据权利要求1或2或3所述的方法，其特征在于，所述针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息的步骤包括：
将所述第一特征电池信息输入到卡尔曼滤波模型中，获得最优估计值；
将所述最优估计值更新为第二特征电池信息。
5.根据权利要求4所述的方法，其特征在于，所述卡尔曼滤波模型包括自适应卡尔曼滤波模型、扩展卡尔曼滤波模型或无迹卡尔曼滤波模型中的至少一种。
6.根据权利要求1所述的方法，其特征在于，所述特定神经网络模型包括长短期记忆LSTM模型、循环神经网络RNN模型或卷积神经网络CNN模型。
7.一种动力电池的数据处理装置，其特征在于，应用于动力组件，所述动力组件运行有电池管理系统，所述电池管理系统包括数据库，所述数据库中储存有电池历史数据，所述动力组件包括多个动力电池；所述装置包括：
第一特征电池信息获取模块，用于获取所述电池历史数据中的第一特征电池信息；
卡尔曼滤波模块，用于针对所述第一特征电池信息进行卡尔曼滤波，获得第二特征电池信息；其中，所述第二特征电池信息包括第二电流信息；
第一电池容量信息获得模块，用于针对所述第二电流信息进行安时积分，获得第一电池容量信息；
第二电池容量信息获得模块，用于将所述第二特征电池信息及第一电池容量信息输入至预置的特定神经网络模型，获得第二电池容量信息，所述第二电池容量信息包括预测设定时长的第二电池容量信息；
其中，所述第二电池容量信息获得模块包括：
第二电池容量信息获得子模块，用于将所述第二电流信息、第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息、额定容量信息及第一电池容量信息输入至预置的特定神经网络模型，获得输出的第二电池容量信息。
8.根据权利要求7所述的装置，其特征在于，所述第一特征电池信息包括第一电压信息、第一电流信息及第一温度信息中的至少一种。
9.根据权利要求7所述的装置，其特征在于，所述第二特征电池信息还包括第二电压信息、第二温度信息、内阻信息、使用天数信息、等效全循环次数信息及额定容量信息中的至少一种。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6中任一项所述的动力电池的数据处理的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的动力电池的数据处理的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810712136.3A CN109001640B (zh) | 2018-06-29 | 2018-06-29 | 一种动力电池的数据处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810712136.3A CN109001640B (zh) | 2018-06-29 | 2018-06-29 | 一种动力电池的数据处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109001640A CN109001640A (zh) | 2018-12-14 |
| CN109001640B true CN109001640B (zh) | 2021-08-20 |
Family
ID=64598770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810712136.3A Active CN109001640B (zh) | 2018-06-29 | 2018-06-29 | 一种动力电池的数据处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109001640B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110824375A (zh) * | 2019-10-18 | 2020-02-21 | 广东电网有限责任公司 | 一种退役蓄电池实际容量计算方法 |
| CN112964992B (zh) * | 2019-11-28 | 2022-08-09 | 比亚迪股份有限公司 | 基于aukf的电池内部温度信息处理方法、设备和介质 |
| CN111046550B (zh) * | 2019-12-10 | 2022-07-29 | 电子科技大学 | 一种基于时空特征的燃料电池电压预测系统 |
| CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| TWI739344B (zh) | 2020-03-13 | 2021-09-11 | 低碳動能開發股份有限公司 | 不斷電系統的二次電池偵測及通訊裝置及其方法 |
| CN113433457B (zh) * | 2021-06-25 | 2022-06-24 | 华南理工大学 | 一种lstm网络辅助卡尔曼滤波soc估算方法 |
| CN113484777B (zh) * | 2021-07-12 | 2023-11-21 | 度普(苏州)新能源科技有限公司 | 一种动力电池soc精度测试方法及装置 |
| CN115465153A (zh) * | 2022-09-01 | 2022-12-13 | 中国第一汽车股份有限公司 | 一种动力电池温度监控系统、方法、装置、终端及介质 |
| CN115639482B (zh) * | 2022-12-22 | 2023-03-10 | 江苏欧力特能源科技有限公司 | 电池剩余电量估计方法及装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100651573B1 (ko) * | 2003-12-18 | 2006-11-29 | 주식회사 엘지화학 | 신경망을 이용한 배터리 잔존량 추정 장치 및 방법 |
| CN101504443B (zh) * | 2008-02-05 | 2012-03-07 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
| CN103091642B (zh) * | 2013-01-22 | 2014-12-10 | 北京交通大学 | 一种锂电池容量快速估计方法 |
| CN104849671B (zh) * | 2015-05-22 | 2017-07-11 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
| CN105158698B (zh) * | 2015-08-28 | 2017-12-22 | 江苏大学 | 基于充电电压曲线的电池组健康状态在线估算方法 |
| CN106896273A (zh) * | 2015-12-18 | 2017-06-27 | 北汽福田汽车股份有限公司 | 电池单体的内阻检测方法、检测装置及具有其的车辆 |
| CN105634058B (zh) * | 2016-01-22 | 2018-05-25 | 广东志成冠军集团有限公司 | 一种电池组的智能均衡方法和智能均衡系统 |
| CN107064816A (zh) * | 2017-04-13 | 2017-08-18 | 绵阳世睿科技有限公司 | 一种增强电池状态估计鲁棒性的方法 |
| CN107169170B (zh) * | 2017-04-20 | 2019-11-12 | 华中科技大学 | 一种电池剩余容量的预测方法 |
| CN107315147A (zh) * | 2017-05-18 | 2017-11-03 | 四川长虹电器股份有限公司 | 一种动力电池soc动态估算方法 |
-
2018
- 2018-06-29 CN CN201810712136.3A patent/CN109001640B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109001640A (zh) | 2018-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
| CN108983103B (zh) | 一种动力电池的数据处理方法和装置 | |
| Guo et al. | A multi-scale parameter adaptive method for state of charge and parameter estimation of lithium-ion batteries using dual Kalman filters | |
| Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
| Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
| CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
| Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
| CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
| CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN110412470B (zh) | 电动汽车动力电池soc估计方法 | |
| CN110850298B (zh) | 基于数据驱动的锂电池soh估计方法及系统 | |
| KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
| CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN112083346B (zh) | 基于lstm的并联电池组内部电流分布估计方法及系统 | |
| Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
| EP4031886A1 (de) | Zustandswert für wiederaufladbare batterien | |
| CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
| CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
| CN113884915A (zh) | 用于锂离子电池荷电状态和健康状态预测的方法及系统 | |
| Pau et al. | Microcontroller architectures for battery state of charge prediction with tiny neural networks | |
| CN108845267B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 | |
| CN115236526A (zh) | 一种剩余充电时间预测方法、装置、存储介质和车辆 |
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 |