CN110542866B - 一种预估电池剩余电量参数的方法 - Google Patents
一种预估电池剩余电量参数的方法 Download PDFInfo
- Publication number
- CN110542866B CN110542866B CN201910966444.3A CN201910966444A CN110542866B CN 110542866 B CN110542866 B CN 110542866B CN 201910966444 A CN201910966444 A CN 201910966444A CN 110542866 B CN110542866 B CN 110542866B
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- lstm
- estimated
- parameter
- 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
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种预估电池剩余电量参数的方法,包括步骤1000:收集此次运作中的电池参数;步骤2000:根据所述电池参数预估此次运作的剩余电量参数;其特征在于,所述电池参数包括此次运作中用量SOCt内的用量开路电压Ut、用量电流It、和/或工作量;所述剩余电量参数包括此次运作后续用量SOCt内的预估开路电压ut、预估电流it、和/或预估工作量。利用单次运作中电池参数预估剩余电量参数,并将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG AND SHORT TERM MEMORY),利用LSTM的时间递归神经网络,精确估算SOC,具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域,如新能源汽车、车联网、物联网等领域。
Description
技术领域
本发明涉及总宽带一种预估电池剩余电量参数的方法,尤其涉及一种适用各种储能电池的预估剩余电量参数方法。
背景技术
当下原油价格上涨和全球环境问题引导新型电池储能系统快速发展。铅酸电池,镍氢电池,镍镉电池和锂离子电池等是目前工业上最常使用的几种电池。电池具有工作电池电压高,污染小,自放电率低,功率密度高的优点。电池由于其便携性,广泛应用于纯电动汽车或者混合动力电动汽车。
估计SOC(STATE OF CHARGE)电能是使用电池的基本要求,SOC是控制策略非常重要的参数,因而准确估计SOC不仅可以保护电池,防止过放电,提高电池寿命,还可以使应用制定合理的控制策略以节省能源。然而,电池是化学能存储源,没有手段可直接获得这种化学能的能量值,并且电池模型是有限的并且存在参数的不确定性,导致准确估计SOC非常复杂并且难以实施。现有SOC预估技术主要有(i)直接测量:该方法使用物理电池特性,例如电池的电压和阻抗。(ii)簿记估算:该方法使用放电电流作为输入,并将放电电流随时间积分以计算SOC。(iii)自适应系统:自适应系统是自我设计的,可以根据不同的放电条件自动调整SOC,现有技术中已有多种SOC估计的自适应系统。(iv)混合方法:混合模型综合上述三种SOC估算方法,各取其优点。
但是,由于各种储能电池的化学能特性并不一致,如锂电池铅酸电池的SOC与其开路电压(OCV,OPEN CIRCUIT VOLTAGE)之间近似线性关系,而锂电池的SOC与OCV之间并非线性关系,导致上述各种估算方法需要时时调整,耗时耗力,且现有SOC估算技术中没有考虑电池使用次数以及其他因素对SOC估算的影响,造成估算方法结构性缺陷。
发明内容
本发明提供一种预估电池剩余电量参数的方法,将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG AND SHORT TERM MEMORY),利用LSTM的时间递归神经网络,精确估算SOC,具有省时省力且估算精确的有益效果。
本发明提供一种预估电池剩余电量参数的方法,包括:步骤1000:收集此次运作中的电池参数;步骤2000:根据所述电池参数预估此次运作的剩余电量参数;其特征在于,所述电池参数包括此次运作中用量SOCt内的用量开路电压Ut、用量电流It、和/或工作量;所述剩余电量参数包括此次运作后续用量SOCt内的预估开路电压ut、预估电流it、和/或预估工作量。
优选地,步骤1000中还包括收集电池历史参数,所述电池历史参数包括:充电次数F,是每次电池耗尽、再次充电唤醒计数一次;所述充电次数F对应的满电SOC;所述充电次数F对应的电池用时ΔT,是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;所述电池用时ΔT内的开路电压U和/或电流I;还包括步骤100:收集电池历史参数;步骤200:向LSTM输入所述电池历史参数;步骤300:所述LSTM输出预估SOCi+1;所述用量SOCt为所述预估SOCi+1的50%以下。
优选地,步骤2000中还包括,根据所述用量开路电压Ut匹配相近的所述开路电压U。
优选地,步骤2000中还包括,根据所述用量开路电压It匹配相近的所述电流I。
优选地,步骤2000中还包括,根据所述用量SOCt匹配相近的所述满电SOC。
根据权利要求2所述的方法,其特征在于,所述用量SOCt为所述预估SOCi+1的20%。
优选地,所述工作量是车辆里程数;所述预估工作量是预估车辆里程数。
优选地,所述剩余电量参数还包括后续所述用量SOCt内的预估时间与速率V的关系。
优选地,所述剩余电量参数还包括后续所述用量SOCt内的预估时间与扭矩TQ的关系。
优选地,所述剩余电量参数还包括后续所述用量SOCt内的预估时间与预估开路电压ut的关系。
优选地,所述剩余电量参数还包括后续所述用量SOCt内的预估时间与预估电流it的关系。
还提供一种电池剩余电量参数预估装置,包括数据收集模块和预估模块,所述数据收集模块与所述预估模块连接,其特征在于,所述数据收集模块包括开路电压收集模块、用量电流收集模块、和/或工作量收集模块;所述开路电压收集模块记录用量开路电压Ut;所述电流收集模块记录用量电流It;所述工作量收集模块记录工作量;所述预估模块计算用量SOCt,所述用量SOCt与用量开路电压Ut对应,所述用量SOCt与所述用量电流It对应;所述预估模块计算后续用量SOCt内的预估开路电压ut、预估电流it、和/或预估工作量。
优选地,还包括LSTM模块,所述数据收集模块与LSTM连接,所述LSTM模块与所述预估模块连接;所述数据收集模块还包括历史数据收集模块,所述历史数据收集模块包括:充电次数F收集模块,以记录电池充电次数F,所述充电次数F是每次电池耗尽、再次充电唤醒计数一次;满电SOC收集模块,以记录满电SOC,所述充电次数F与所述满电SOC对应;电池用时ΔT收集模块,以记录电池用时ΔT,所述电池用时ΔT是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;所述开路电压收集模块还记录所述电池用时ΔT内的开路电压U;所述电流收集模块还记录所述电池用时ΔT内的电流I;所述LSTM模块在此次运作前计算此次运作的预估SOC i+1;所述用量SOCt为所述预估SOCi+1的50%以下。
优选地,所述充电次数F收集模块为计数电路,所述计数电路记录所述充电次数F。
优选地,所述电池用时ΔT收集模块为计时电路,所述计时电路记录所述电池用时ΔT。
优选地,所述工作量收集模块为负载运作记录模块。
优选地,所述负载运作记录模块收集非运作参数,所述非运作参数是指负载未运作功能时、电池相关参数发生的变化。
优选地,所述负载运作记录模块还包括扭矩TQ收集模块和/或所述速率V收集模块。
优选地,在所述扭矩TQ收集模块记录活跃或所述速率V收集模块记录活跃时、所述负载运作记录模块记录不活跃状态时,所述电池用时ΔT收集模块记录电池耗时ΔT’;在所述电池耗时ΔT’内,所述扭矩TQ收集模块记录所述扭矩变化ΔTQ’,和/或所述速率V收集模块记录所述速率变化ΔV’。
优选地,所述负载运作记录模块记录行驶里程数和行驶时间。
本发明提供一种预估电池剩余电量参数的方法,利用单次运作中电池参数预估剩余电量参数,并将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG ANDSHORT TERM MEMORY),利用LSTM的时间递归神经网络,精确估算SOC,具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域,如新能源汽车、车联网、物联网等领域。
附图说明
附图1是一种预估SOC方法的示意图;
附图2是一种预估SOC估算装置示意图;
附图3是一种预估SOC方法的流程图;
附图4是本发明预估电池剩余电量参数的方法流程图;
附图5是本发明根据运作时点T0前后的定量SOCt预估电池剩余电量参数的示意图。
具体实施方式
下面结合附图对本发明提供的预估电池剩余电量参数的方法的具体实施方式做详细说明。
在附图中,为了描述方便,层和区域的尺寸比例并非实际比例。当层(或膜)被称为在另一层或衬底“上”时,它可以直接在另一层或衬底上,或者也可以存在中间层。此外,当一层被称为在另一层“下”时,它可以直接在下面,并且也可以存在一个或多个中间层。另外,当层被称为在两个层之间时,它可以是两个层之间的唯一层,或者也可以存在一个或多个中间层。相同的附图标记始终表示相同的元件。另外,当两个部件之间称为“连接”时,包括物理连接,除非说明书明确限定,此种物理连接包括但不限于电连接、接触连接、无线信号连接。
便携电池广泛应用于新能源汽车、车联网和物联网等领域,在使用中,基于满电SOC的电池使用策略尤为重要,满电SOC是指电池耗尽、再次充电达到一次满电状态的电量,而如何估算下一次满电SOC(预估SOCi+1)的电量成为制定电池使用策略的重要依据。
同时,预估SOCi+1在单次运作中,由于电量全部消耗过程中的工作量及其相关因素影响,例如新能源汽车在一天的行程里,其电池可行驶里程(工作量)与当天的天气情况、行驶里程的路况等相关因素,其电池参数会不尽相同。同时电池工作会有偶发场景和常态场景,因此,在单次运作中,如何利用与此次运作的高相关电池参数去预估剩余电量参数成为电池运行策略的重要依据。
本发明提供一种预估电池剩余电量参数的方法,如图4所示,包括:
步骤1000:收集此次运作中的电池参数;
步骤2000:根据所述电池参数预估此次运作的剩余电量参数;
所述电池参数包括此次运作中用量SOCt内的用量开路电压Ut、用量电流It、和/或工作量;所述剩余电量参数包括此次运作后续用量SOCt内的预估开路电压ut、预估电流it、和/或预估工作量。
如图5所示,根据在此次运作中时点T0前用量SOCt内的电池参数去估算时点T0后续用量SOCt内的上述剩余电量参数,其中电池在Te时耗尽。
在本实施例中,步骤1000中还包括收集电池历史参数,
所述电池历史参数包括充电次数F,是每次电池耗尽、再次充电唤醒计数一次;
所述电池历史参数还包括所述充电次数F对应的满电SOC;
所述电池历史参数还包括所述充电次数F对应的电池用时ΔT,是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;
所述电池历史参数还包括所述电池用时ΔT内的开路电压U和/或电流I;
步骤1000中还包括:
步骤100:收集电池历史参数;
步骤200:向LSTM输入所述电池历史参数;
步骤300:所述LSTM输出预估SOCi+1;
其中,所述用量SOCt为所述预估SOCi+1的50%以下。
自适应系统包括反向传播(BP)神经网络,径向基函数(RBF)神经网络,模糊逻辑方法,支持向量机,模糊神经网络,以及卡尔曼,他们可以在不断变化的系统中自动调整。由于电池受到许多化学因素的影响并且具有非线性SOC,自适应系统为SOC估计提供了良好的解决方案。而作为自适应系统的集大成者长短期记忆模型LSTM(LONG AND SHORT TERMMEMORY)神经网络,具有良好的非线性映射,自组织、自学习能力以及时间递归性,应用于复杂SOC估算可以确定SOC估算中各参数存在的联系及问题,其中输入和目标之间的关系是非线性的,基于LSTM神经网络使用电池各参数预测SOC。因而利用LSTM时间递归神经网络,具有精确估算SOC、省时省力、且估算精确的有益效果。
所述电池历史参数包括充电次数F,是每次电池耗尽、再次充电唤醒计数一次,众所周知,随着电池充电次数以及使用时间正常,电池内的储能化学物质会发生物理性能方面的变化,soc估算技术中未见考虑充电次数的预估方法,造成预估结果的结构性缺陷,本发明将充电次数F纳入soc估算中,避免预估方法结构性缺陷,具有精确估算SOC的技术效果。
所述电池历史参数还包括所述充电次数F对应的满电SOC;
所述电池历史参数还包括所述充电次数F对应的电池用时ΔT,是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;
所述电池历史参数还包括所述电池用时ΔT内的开路电压U和/或电流I。
在本实施例中,如图1所示LSTM中有g个神经元,分别与上述各电池历史参数关联,输入层为上述各电池历史参数,输出层为预估SOCi+1。
在本实施例中,所述预估SOC由以下公式(1)得出,
其中充电次数Fn=n,f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子开路电压U的关系。
在本实施例中,所述预估SOC还可以由以下公式(2)得出,
其中充电次数Fn=n,f(n)是SOCn的权重,g是LSTM中神经元数量,
K是LSTM中各神经元权重W与SOCn最符合预估因子电流I的关系。
对于公式(1)(2)而言,随着电池充电次数的增多,充电次数F成为影响满电SOC的最主要因素,因而采取充电次数F与满电SOC之间的拟合关系SOCn作为基础预算预估SOCi+1;f(n)体现各次满电SOC(历次充满电状态电池的电量)与预估SOCi+1大小的拟合权重关系,根据现有电池维护及储能材料更换可能性而已,结合数据而言,电池理化性能的损耗是一个不可逆的过程,即总是存在f(n)>f(n-1)这样的关系。而LSTM中神经元的数量g,K是LSTM所遴选中的最符合估算预估SOCi+1的因子开路电压U或电流I之间与各神经元的权重W之间的函数关系,将共同决定预估SOCi+1大小的浮动。其中公式(1)中最符合估算预估SOCi+1的因子是开路电压U,公式(2)中最符合估算预估SOCi+1的因子电流I。
在另一个实施例中,所述预估SOC由以下公式(3)得出,
其中f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子开路电压U的关系。
在另一个实施例中,所述预估SOC还可以由以下公式(4)得出,
其中f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子电流I的关系。
对于公式(3)(4)而言,随着电池充电次数的增多,电池用时ΔT成为影响满电SOC的最主要因素,因而电池用时ΔT与满电SOC之间的拟合关系SOCn作为基础预算预估SOCi+1;f(n)体现各次满电SOC(历次充满电状态电池的电量)与预估SOCi+1大小的拟合权重关系,根据现有电池维护及储能材料更换可能性而已,结合数据而言,电池理化性能的损耗是一个不可逆的过程,即总是存在f(n)>f(n-1)这样的关系。而LSTM中神经元的数量g,K是LSTM所遴选中的最符合估算预估SOCi+1的因子开路电压U或电流I之间与各神经元的权重W纸件的函数关系,将共同决定预估SOCi+1大小的浮动。其中公式(3)中最符合估算预估SOCi+1的因子是开路电压U,公式(4)中最符合估算预估SOCi+1的因子电流I。
需要说明的是,预估SOCi+1可以由上述公式(1)(2)(3)或(4)中的一个单独估算,或由公式(1)(2)(3)(4)中的至少两个共同估算,发明人在此不做限制。
在本实施例中,步骤100中包括,所述满电SOC由所述电池用时ΔT与所述电流I计算得出。
在其他实施例中,尤其是新能源汽车领域,所述电池用时ΔT与负载运作记录模块相关联。
在新能源汽车领域,所述电池历史参数还包括非运作参数,所述非运作参数是指负载未运作功能时,电池相关参数发生的变化。即在车辆未处于运行中时,电池非正常漏电中,电池相关参数的变化。
优选地,所述非运作参数包括电池耗时ΔT’,以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’。
由此,由电池耗时ΔT’,以及所述电池耗时ΔT’内的电压变化ΔU’或电流变化ΔI’,所述非运作参数输出非运作损耗ΔSOC’。
在本实施例中,步骤2000中还包括,根据所述用量开路电压Ut匹配相近的所述开路电压U,即在电池历史参数中选择与此次运作中相近的开路电压,所述相近是开路电压耗尽曲线拟合一致、一致中的一种。
在另一个实施例中,步骤2000中还包括,根据所述用量开路电压It匹配相近的所述电流I,即在电池历史参数中选择与此次运作中相近的电流,所述相近是电流耗尽曲线拟合一致、一致中的一种。
在其他实施例中,步骤2000中还包括,根据所述用量SOCt匹配相近的所述满电SOC,即在电池历史参数中选择与此次运作中相近的SOC,所述相近是SOC耗尽曲线拟合一致、一致中的一种。
在新能源汽车领域,所述工作量是车辆里程数;所述预估工作量是预估车辆里程数。
较佳地,所述剩余电量参数还包括后续所述用量SOCt内的预估时间与速率V的关系。
较佳地,所述剩余电量参数还包括后续所述用量SOCt内的预估时间与扭矩TQ的关系。
较佳地,所述剩余电量参数还包括后续所述用量SOCt内的预估时间与预估开路电压ut的关系。
较佳地,所述剩余电量参数还包括后续所述用量SOCt内的预估时间与预估电流it的关系。
如图2所示,本发明还提供一种电池剩余电量参数预估装置,包括数据收集模块、预估模块30。所述数据收集模块与所述预估模块30连接。
所述数据收集模块包括开路电压收集模块14、电流收集模块14、和/或工作量收集模块15;所述开路电压收集模块14记录用量开路电压Ut;所述电流收集模块14记录用量电流It;所述工作量收集模块15记录工作量;所述预估模块30计算用量SOCt,所述用量SOCt与用量开路电压Ut对应,所述用量SOCt与所述用量电流It对应;所述预估模块30计算后续用量SOCt内的预估开路电压ut、预估电流it、和/或预估工作量。
在本实施例中,还包括LSTM模块,所述数据收集模块与LSTM模块20连接,所述LSTM模块20与所述预估模块30连接;所述数据收集模块还包括历史数据收集模块。
所述历史数据收集模块包括充电次数F收集模块11,以记录电池充电次数F,所述充电次数F是每次电池耗尽、再次充电唤醒计数一次;
所述历史数据收集模块还包括满电SOC收集模块,以记录满电SOC,所述充电次数F与所述满电SOC对应;
所述历史数据收集模块还包括电池用时ΔT收集模块,以记录电池用时ΔT,所述电池用时ΔT是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;
所述历史数据收集模块还包括所述开路电压收集模块还记录所述电池用时ΔT内的开路电压U;
所述历史数据收集模块还包括所述电流收集模块还记录所述电池用时ΔT内的电流I;所述LSTM模块在此次运作前计算此次运作的预估SOCi+1;
所述数据收集模块包括充电次数F收集模块11,以记录电池充电次数F,所述充电次数F是每次电池耗尽、再次充电唤醒计数一次,众所周知,随着电池充电次数以及使用时间正常,电池内的储能化学物质会发生物理性能方面的变化,soc估算技术中未见考虑充电次数的预估方法,造成预估结果的结构性缺陷,本发明将充电次数F纳入soc估算中,避免预估方法结构性缺陷,具有精确估算SOC的技术效果。
所述历史数据收集模块还包括满电SOC收集模块12,以记录满电SOC,所述充电次数F与所述满电SOC对应。
所述历史数据收集模块还包括电池用时ΔT收集模块13,以记录电池用时ΔT,所述电池用时ΔT是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间。
所述历史数据收集模块还包括开路电压收集模块14和/或电流收集模块14,以记录所述电池用时ΔT内的开路电压U和/或电流I。所述LSTM模块20在此次运作前计算此次运作的预估SOC i+1;所述用量SOCt为所述预估SOCi+1的50%以下。
在本实施例中,所述充电次数F收集模块11为计数电路,所述计数电路记录所述充电次数F。
在本实施例中,所述电池用时ΔT收集模块13为计时电路,所述计时电路记录所述电池用时ΔT。
在本实施例中,所述满电SOC由所述电池用时ΔT与所述电流I计算得出。
在另外一个实施例中,所述满电SOC由所述电池用时ΔT与所述电压U计算得出。
在其他实施例中,尤其是新能源汽车领域,所述工作量收集模块15是负载运作记录模块,如速度仪等。
较佳地,所述工作量收集模块15收集非运作参数,所述非运作参数是指负载未运作功能时、电池相关参数发生的变化。
优选地,所述工作量收集模块15还包括扭矩TQ收集模块和/或所述速率V收集模块。在所述扭矩TQ收集模块记录活跃或所述速率V收集模块记录活跃时、工作量收集模块15记录不活跃状态时,所述电池用时ΔT收集模块记录电池耗时ΔT’;在所述电池耗时ΔT’内,所述扭矩TQ收集模块记录所述扭矩变化ΔTQ’,和/或所述速率V收集模块记录所述速率变化ΔV’。
在本实施例中,所述工作量收集模块15记录行驶里程数和行驶时间。
本发明提供一种预估电池剩余电量参数的方法和装置,利用单次运作中电池参数预估剩余电量参数,并将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONGAND SHORT TERM MEMORY),利用LSTM的时间递归神经网络,精确估算SOC,具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域,如新能源汽车、车联网、物联网等领域。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种预估电池剩余电量参数的方法,包括:
步骤1000:收集此次运作中的电池参数;
步骤2000:根据所述电池参数预估此次运作的剩余电量参数;
其特征在于,
所述电池参数包括此次运作中用量SOCt内的用量开路电压Ut、用量电流It、和/或工作量;
所述剩余电量参数包括此次运作后续用量SOCt内的预估开路电压ut、预估电流it、和/或预估工作量;
步骤1000中还包括收集电池历史参数,所述电池历史参数包括:充电次数F,是每次电池耗尽、再次充电唤醒计数一次;
所述充电次数F对应的满电SOC;
所述充电次数F对应的电池用时ΔT,是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间;
所述电池用时ΔT内的开路电压U和/或电流I;还包括步骤
步骤100:收集电池历史参数;
步骤200:向LSTM输入所述电池历史参数;
步骤300:所述LSTM输出预估SOCi+1;
所述用量SOCt为所述预估SOCi+1的50%以下,
所述预估SOCi+1由以下公式之一或者其中至少两个公式共同得出:
其中充电次数Fn=n,f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子开路电压U的关系;
其中充电次数Fn=n,f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子电流I的关系;
其中f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子开路电压U的关系;
其中f(n)是SOCn的权重,g是LSTM中神经元数量,K是LSTM中各神经元权重W与SOCn最符合预估因子电流I的关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966444.3A CN110542866B (zh) | 2019-10-12 | 2019-10-12 | 一种预估电池剩余电量参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966444.3A CN110542866B (zh) | 2019-10-12 | 2019-10-12 | 一种预估电池剩余电量参数的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110542866A CN110542866A (zh) | 2019-12-06 |
CN110542866B true CN110542866B (zh) | 2023-04-07 |
Family
ID=68715633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910966444.3A Active CN110542866B (zh) | 2019-10-12 | 2019-10-12 | 一种预估电池剩余电量参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110542866B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111948563B (zh) * | 2020-06-19 | 2021-12-17 | 浙江大学 | 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法 |
CN113049962B (zh) * | 2021-03-24 | 2022-07-19 | 国网浙江省电力有限公司电力科学研究院 | 一种基于lstm的储能装置运行态势推演方法 |
CN115293100B (zh) * | 2022-09-30 | 2023-01-17 | 深圳市威特利电源有限公司 | 一种新能源电池剩余电量精准评估方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
CN102981125B (zh) * | 2012-11-30 | 2015-11-18 | 山东省科学院自动化研究所 | 一种基于rc等效模型的动力电池soc估计方法 |
CN105068007A (zh) * | 2015-07-01 | 2015-11-18 | 清华大学 | 锂离子电池模型参数变化的预测方法及系统 |
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN109941111B (zh) * | 2019-04-28 | 2021-02-19 | 广州小鹏汽车科技有限公司 | 剩余续驶里程的预估方法和电动汽车 |
-
2019
- 2019-10-12 CN CN201910966444.3A patent/CN110542866B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110542866A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110542866B (zh) | 一种预估电池剩余电量参数的方法 | |
KR101903225B1 (ko) | 이차 전지의 퇴화도 추정 장치 및 방법 | |
US10345385B2 (en) | Battery state estimation systems and methods using a nonlinear resistance element | |
US11366171B2 (en) | Battery state estimation method | |
US9377512B2 (en) | Battery state estimator combining electrochemical solid-state concentration model with empirical equivalent-circuit model | |
CN101430366B (zh) | 电池荷电状态检测方法 | |
US11105861B2 (en) | Device and method for estimating battery resistance | |
JP6668905B2 (ja) | 電池劣化推定装置 | |
CN110549902A (zh) | 云服务器、电动汽车及其中动力电池的管理系统、方法 | |
CN110687460B (zh) | 一种soc预估方法 | |
CN104459551A (zh) | 一种电动汽车动力电池能量状态估算方法 | |
CN101641607A (zh) | 二次电池的状态估计装置 | |
GB2444511A (en) | Neural network battery management | |
CN110324383B (zh) | 云服务器、电动汽车及其中动力电池的管理系统、方法 | |
EP3929606B1 (en) | Battery management system, battery pack, electric vehicle, and battery management method | |
CN110462412B (zh) | 用于估计电池的soc的装置和方法 | |
Sheikhan et al. | State of charge neural computational models for high energy density batteries in electric vehicles | |
Kataoka et al. | Battery state estimation system for automobiles | |
Vennam et al. | A novel coupled electro-thermal-aging model for simultaneous SOC, SOH, and parameter estimation of lithium-ion batteries | |
Lai et al. | Available capacity computation model based on long short-term memory recurrent neural network for gelled-electrolyte batteries in golf carts | |
CN113557439A (zh) | 用于估计电池的健康状态的方法 | |
CN110687459B (zh) | 一种soc预估方法 | |
CN110618385A (zh) | 一种soc预估装置 | |
CN110579710A (zh) | 一种soc预估装置 | |
JP2021131344A (ja) | 二次電池の副反応電流値の測定方法、寿命推定方法、検査方法 |
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 |