CN111190112A - 一种基于大数据分析的电池充放电预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据分析的电池充放电预测方法，包括以下步骤：根据样本的电池电压波动参数将电池大数据样本库中的样本分为第一样本库和第二样本库；生成第一预测模型和第二预测模型；根据电池的电池电压波动参数将电池输入数据分为第一输入数据和第二输入数据；生成第一预测数据和第二预测数据；将第一预测数据和第二预测数据沿时间轴叠加生成电池充放电预测数据。本发明还公开了一种基于大数据分析的电池充放电预测系统。本发明一种基于大数据分析的电池充放电预测方法及系统，将电池随时间衰减的电压变化与充放电电压变化分解后进行分别预测，有效降低了预测误差，提高了预测精度，并且预测过程效率极高，有利于车载设备使用。

Description

一种基于大数据分析的电池充放电预测方法及系统

技术领域

本发明涉及电池管理技术，具体涉及一种基于大数据分析的电池充放电预测方法及系统。

背景技术

电池管理系统(BATTERY MANAGEMENT SYSTEM)，电动汽车电池管理系统(BMS)是连接车载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。二次电池存在下面的一些缺点，如存储能量少、寿命短、串并联使用问题、使用安全性、电池电量估算困难等。电池的性能是很复杂的，不同类型的电池特性亦相差很大。电池管理系统(BMS)主要就是为了能够提高电池的利用率，防止电池出现过充电和过放电，延长电池的使用寿命，监控电池的状态。随着电池管理系统的发展，也会增添其它的功能。

在现有的电池管理技术中，需要通过电池的一些参数对电池的充放电过程进行预测，并基于此完成对电池寿命的评估。但是电池的持续充放电过程会受多种因素影响，造成了现有技术中的预测方案不够准确，使得电池寿命评估误差较大。

发明内容

本发明所要解决的技术问题是电池的持续充放电过程会受多种因素影响，造成了现有技术中的预测方案不够准确，使得电池寿命评估误差较大，目的在于提供一种基于大数据分析的电池充放电预测方法及系统，解决上述问题。

本发明通过下述技术方案实现：

一种基于大数据分析的电池充放电预测方法，包括以下步骤：

S1：对电池大数据样本库中的样本进行分析，并根据样本的电池电压波动参数将所述电池大数据样本库中的样本分为第一样本库和第二样本库；所述第一样本库中样本的电池电压波动参数小于波动阈值，且所述第二样本库中样本的电池电压波动参数大于所述波动阈值；

S2：以第一样本库中单个电池的电压作为预测输入，对所述第一样本库中单个电池样本的进行机器学习，生成第一预测模型；

以第二样本库中单个电池的电压作为预测输入，对所述第二样本库中单个电池样本的进行机器学习，生成第二预测模型；

S3：当对电池的充放电进行预测时，选取电池预设时长内电压数据作为输入数据，并根据电池的电池电压波动参数将所述电池输入数据分为第一输入数据和第二输入数据；所述第一输入数据的电池电压波动参数小于所述波动阈值，所述第二输入数据的电池电压波动参数大于所述波动阈值；

S4：将所述第一输入数据输入所述第一预测模型生成第一预测数据；将所述第二输入数据输入所述第二预测模型生成第二预测数据；

S5：将所述第一预测数据和所述第二预测数据沿时间轴叠加生成电池充放电预测数据。

本发明应用时，先对电池大数据样本库中的样本进行分析，并根据样本的电池电压波动参数将所述电池大数据样本库中的样本分为第一样本库和第二样本库；发明人在创造性劳动的过程中发现，在电池实际使用中，电池的电压衰减虽然是非线性的，但是主要可以分解为两部分；其中一部分是由于电池长期使用后，造成的电池自身电压衰减，另一部分是由于电池在充放电过程中产生的电压波动；所以发明人在此将电池大数据样本库中的样本分为了两个样本库，并通过电池电压波动参数来实现对样本类型的判断，电池长期使用后，自身电压衰减是一个缓慢而稳定的过程，所以第一样本库中样本的电池电压波动参数小于波动阈值；而电池在充放电过程中产生的电压波动则一般变化较大，甚至出现部分尖刺，所以第二样本库中样本的电池电压波动参数大于所述波动阈值；本发明通过设置这两种样本库就可以进行分别建模。建模过程可以采用机器学习的方式，在明确了输入函数以后，就可以完成建模，建模采用的算法可以为偏最小二乘、局部加权映射回归算法等可以实现建模的算法。

在模型的使用过程中，需要对某个电池的充放电进行预测时，采用同样的方法把该电池之前采样的函数进行细分为两个部分：第一输入数据和第二输入数据，然后分别输入第一预测模型和第二预测模型，得出的结果即为对应的第一预测数据和第二预测数据；其中第一预测数据表征的是电池随使用时间衰减的电压变化函数，而第二预测数据表征的电池充放电中的电压变化函数，这两个函数都是时间的函数，然后将二者叠加就可以实现电池整体充放电电压变化函数作为电池充放电预测数据。本发明通过设置上述步骤，将电池随时间衰减的电压变化与充放电电压变化分解后进行分别预测，有效降低了预测误差，提高了预测精度，并且预测过程效率极高，有利于车载设备使用。

进一步的，步骤S1包括以下子步骤：

根据下式获取样本库中样本的电池电压波动参数：

式中，Q为样本的电池电压波动参数，U_i为样本电压第i次采样的采样值，

为样本电压的平均值，n为采样容量。

本发明应用时，作为本发明的一种实现方式，采用了标准差来衡量电池电压波动参数，可以准确的反映波动变化情况，从而避免这种波动收到其他随机因素的影响，具有全局性，并且具有很强的适应性。

进一步的，步骤S5包括以下子步骤：

根据下式叠加生成电池充放电预测数据：

H(t)＝g(t)+f(t)

式中，g(t)为第一预测数据，f(t)为第二预测数据，H(t)为电池充放电预测数据。

进一步的，步骤S3包括以下子步骤：

根据下式获取样本库中样本的电池电压波动参数：

式中，Q′为电池的电池电压波动参数，U_i′为电池电压第i次采样的采样值，

为所述预设时长内电池电压的平均值，m为采样容量。

一种基于大数据分析的电池充放电预测系统，包括：

样本分析单元：用于对电池大数据样本库中的样本进行分析，并根据样本的电池电压波动参数将所述电池大数据样本库中的样本分为第一样本库和第二样本库；所述第一样本库中样本的电池电压波动参数小于波动阈值，且所述第二样本库中样本的电池电压波动参数大于所述波动阈值；

建模单元：用于以第一样本库中单个电池的电压作为预测输入，对所述第一样本库中单个电池样本的进行机器学习，生成第一预测模型；以第二样本库中单个电池的电压作为预测输入，对所述第二样本库中单个电池样本的进行机器学习，生成第二预测模型；

电池分析单元：用于当对电池的充放电进行预测时，选取电池预设时长内电压数据作为输入数据，并根据电池的电池电压波动参数将所述电池输入数据分为第一输入数据和第二输入数据；所述第一输入数据的电池电压波动参数小于所述波动阈值，所述第二输入数据的电池电压波动参数大于所述波动阈值；

预测单元：用于将所述第一输入数据输入所述第一预测模型生成第一预测数据；将所述第二输入数据输入所述第二预测模型生成第二预测数据；将所述第一预测数据和所述第二预测数据沿时间轴叠加生成电池充放电预测数据。

进一步的，所述样本分析单元根据下式获取样本库中样本的电池电压波动参数：

式中，Q为样本的电池电压波动参数，U_i为样本电压第i次采样的采样值，

为样本电压的平均值，n为采样容量。

进一步的，所述预测单元根据下式叠加生成电池充放电预测数据：

H(t)＝g(t)+f(t)

式中，g(t)为第一预测数据，f(t)为第二预测数据，H(t)为电池充放电预测数据。

进一步的，所述电池分析单元根据下式获取样本库中样本的电池电压波动参数：

式中，Q′为电池的电池电压波动参数，U_i′为电池电压第i次采样的采样值，

为所述预设时长内电池电压的平均值，m为采样容量。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明一种基于大数据分析的电池充放电预测方法及系统，将电池随时间衰减的电压变化与充放电电压变化分解后进行分别预测，有效降低了预测误差，提高了预测精度，并且预测过程效率极高，有利于车载设备使用。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明方法步骤示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

如图1所示，本发明一种基于大数据分析的电池充放电预测方法，包括以下步骤：S1：对电池大数据样本库中的样本进行分析，并根据样本的电池电压波动参数将所述电池大数据样本库中的样本分为第一样本库和第二样本库；所述第一样本库中样本的电池电压波动参数小于波动阈值，且所述第二样本库中样本的电池电压波动参数大于所述波动阈值；

S2：以第一样本库中单个电池的电压作为预测输入，对所述第一样本库中单个电池样本的进行机器学习，生成第一预测模型；

以第二样本库中单个电池的电压作为预测输入，对所述第二样本库中单个电池样本的进行机器学习，生成第二预测模型；

S3：当对电池的充放电进行预测时，选取电池预设时长内电压数据作为输入数据，并根据电池的电池电压波动参数将所述电池输入数据分为第一输入数据和第二输入数据；所述第一输入数据的电池电压波动参数小于所述波动阈值，所述第二输入数据的电池电压波动参数大于所述波动阈值；

S4：将所述第一输入数据输入所述第一预测模型生成第一预测数据；将所述第二输入数据输入所述第二预测模型生成第二预测数据；

S5：将所述第一预测数据和所述第二预测数据沿时间轴叠加生成电池充放电预测数据。

本实施例实施时，先对电池大数据样本库中的样本进行分析，并根据样本的电池电压波动参数将所述电池大数据样本库中的样本分为第一样本库和第二样本库；发明人在创造性劳动的过程中发现，在电池实际使用中，电池的电压衰减虽然是非线性的，但是主要可以分解为两部分；其中一部分是由于电池长期使用后，造成的电池自身电压衰减，另一部分是由于电池在充放电过程中产生的电压波动；所以发明人在此将电池大数据样本库中的样本分为了两个样本库，并通过电池电压波动参数来实现对样本类型的判断，电池长期使用后，自身电压衰减是一个缓慢而稳定的过程，所以第一样本库中样本的电池电压波动参数小于波动阈值；而电池在充放电过程中产生的电压波动则一般变化较大，甚至出现部分尖刺，所以第二样本库中样本的电池电压波动参数大于所述波动阈值；本发明通过设置这两种样本库就可以进行分别建模。建模过程可以采用机器学习的方式，在明确了输入函数以后，就可以完成建模，建模采用的算法可以为偏最小二乘、局部加权映射回归算法等可以实现建模的算法。

在模型的使用过程中，需要对某个电池的充放电进行预测时，采用同样的方法把该电池之前采样的函数进行细分为两个部分：第一输入数据和第二输入数据，然后分别输入第一预测模型和第二预测模型，得出的结果即为对应的第一预测数据和第二预测数据；其中第一预测数据表征的是电池随使用时间衰减的电压变化函数，而第二预测数据表征的电池充放电中的电压变化函数，这两个函数都是时间的函数，然后将二者叠加就可以实现电池整体充放电电压变化函数作为电池充放电预测数据。本发明通过设置上述步骤，将电池随时间衰减的电压变化与充放电电压变化分解后进行分别预测，有效降低了预测误差，提高了预测精度，并且预测过程效率极高，有利于车载设备使用。

为了进一步的说明本实施例的工作过程，步骤S1包括以下子步骤：

根据下式获取样本库中样本的电池电压波动参数：

式中，Q为样本的电池电压波动参数，U_i为样本电压第i次采样的采样值，

为样本电压的平均值，n为采样容量。

本实施例实施时，作为本发明的一种实现方式，采用了标准差来衡量电池电压波动参数，可以准确的反映波动变化情况，从而避免这种波动收到其他随机因素的影响，具有全局性，并且具有很强的适应性。

为了进一步的说明本实施例的工作过程，步骤S5包括以下子步骤：

根据下式叠加生成电池充放电预测数据：

H(t)＝g(t)+f(t)

式中，g(t)为第一预测数据，f(t)为第二预测数据，H(t)为电池充放电预测数据。

为了进一步的说明本实施例的工作过程，步骤S3包括以下子步骤：

根据下式获取样本库中样本的电池电压波动参数：

式中，Q′为电池的电池电压波动参数，U_i′为电池电压第i次采样的采样值，

为所述预设时长内电池电压的平均值，m为采样容量。

本发明一种基于大数据分析的电池充放电预测系统，包括：

样本分析单元：用于对电池大数据样本库中的样本进行分析，并根据样本的电池电压波动参数将所述电池大数据样本库中的样本分为第一样本库和第二样本库；所述第一样本库中样本的电池电压波动参数小于波动阈值，且所述第二样本库中样本的电池电压波动参数大于所述波动阈值；

建模单元：用于以第一样本库中单个电池的电压作为预测输入，对所述第一样本库中单个电池样本的进行机器学习，生成第一预测模型；以第二样本库中单个电池的电压作为预测输入，对所述第二样本库中单个电池样本的进行机器学习，生成第二预测模型；

电池分析单元：用于当对电池的充放电进行预测时，选取电池预设时长内电压数据作为输入数据，并根据电池的电池电压波动参数将所述电池输入数据分为第一输入数据和第二输入数据；所述第一输入数据的电池电压波动参数小于所述波动阈值，所述第二输入数据的电池电压波动参数大于所述波动阈值；

预测单元：用于将所述第一输入数据输入所述第一预测模型生成第一预测数据；将所述第二输入数据输入所述第二预测模型生成第二预测数据；将所述第一预测数据和所述第二预测数据沿时间轴叠加生成电池充放电预测数据。

为了进一步的说明本实施例的工作过程，所述样本分析单元根据下式获取样本库中样本的电池电压波动参数：

式中，Q为样本的电池电压波动参数，U_i为样本电压第i次采样的采样值，

为样本电压的平均值，n为采样容量。

为了进一步的说明本实施例的工作过程，所述预测单元根据下式叠加生成电池充放电预测数据：

H(t)＝g(t)+f(t)

式中，g(t)为第一预测数据，f(t)为第二预测数据，H(t)为电池充放电预测数据。

为了进一步的说明本实施例的工作过程，所述电池分析单元根据下式获取样本库中样本的电池电压波动参数：

式中，Q′为电池的电池电压波动参数，U_i′为电池电压第i次采样的采样值，

为所述预设时长内电池电压的平均值，m为采样容量。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于大数据分析的电池充放电预测方法，其特征在于，包括以下步骤：

S1：对电池大数据样本库中的样本进行分析，并根据样本的电池电压波动参数将所述电池大数据样本库中的样本分为第一样本库和第二样本库；所述第一样本库中样本的电池电压波动参数小于波动阈值，且所述第二样本库中样本的电池电压波动参数大于所述波动阈值；

S2：以第一样本库中单个电池的电压作为预测输入，对所述第一样本库中单个电池样本的进行机器学习，生成第一预测模型；

以第二样本库中单个电池的电压作为预测输入，对所述第二样本库中单个电池样本的进行机器学习，生成第二预测模型；

S3：当对电池的充放电进行预测时，选取电池预设时长内电压数据作为输入数据，并根据电池的电池电压波动参数将所述电池输入数据分为第一输入数据和第二输入数据；所述第一输入数据的电池电压波动参数小于所述波动阈值，所述第二输入数据的电池电压波动参数大于所述波动阈值；

S4：将所述第一输入数据输入所述第一预测模型生成第一预测数据；将所述第二输入数据输入所述第二预测模型生成第二预测数据；

S5：将所述第一预测数据和所述第二预测数据沿时间轴叠加生成电池充放电预测数据。

2.根据权利要求1所述的一种基于大数据分析的电池充放电预测方法，其特征在于，步骤S1包括以下子步骤：

根据下式获取样本库中样本的电池电压波动参数：

式中，Q为样本的电池电压波动参数，U_i为样本电压第i次采样的采样值，

为样本电压的平均值，n为采样容量。

3.根据权利要求1所述的一种基于大数据分析的电池充放电预测方法，其特征在于，步骤S5包括以下子步骤：

根据下式叠加生成电池充放电预测数据：

H(t)＝g(t)+f(t)

式中，g(t)为第一预测数据，f(t)为第二预测数据，H(t)为电池充放电预测数据。

4.根据权利要求1所述的一种基于大数据分析的电池充放电预测方法，其特征在于，步骤S3包括以下子步骤：

根据下式获取样本库中样本的电池电压波动参数：

式中，Q′为电池的电池电压波动参数，U_i′为电池电压第i次采样的采样值，

为所述预设时长内电池电压的平均值，m为采样容量。

5.一种基于大数据分析的电池充放电预测系统，其特征在于，包括：

样本分析单元：用于对电池大数据样本库中的样本进行分析，并根据样本的电池电压波动参数将所述电池大数据样本库中的样本分为第一样本库和第二样本库；所述第一样本库中样本的电池电压波动参数小于波动阈值，且所述第二样本库中样本的电池电压波动参数大于所述波动阈值；

建模单元：用于以第一样本库中单个电池的电压作为预测输入，对所述第一样本库中单个电池样本的进行机器学习，生成第一预测模型；以第二样本库中单个电池的电压作为预测输入，对所述第二样本库中单个电池样本的进行机器学习，生成第二预测模型；

电池分析单元：用于当对电池的充放电进行预测时，选取电池预设时长内电压数据作为输入数据，并根据电池的电池电压波动参数将所述电池输入数据分为第一输入数据和第二输入数据；所述第一输入数据的电池电压波动参数小于所述波动阈值，所述第二输入数据的电池电压波动参数大于所述波动阈值；

预测单元：用于将所述第一输入数据输入所述第一预测模型生成第一预测数据；将所述第二输入数据输入所述第二预测模型生成第二预测数据；将所述第一预测数据和所述第二预测数据沿时间轴叠加生成电池充放电预测数据。

6.根据权利要求5所述的一种基于大数据分析的电池充放电预测系统，其特征在于，所述样本分析单元根据下式获取样本库中样本的电池电压波动参数：

式中，Q为样本的电池电压波动参数，U_i为样本电压第i次采样的采样值，

为样本电压的平均值，n为采样容量。

7.根据权利要求5所述的一种基于大数据分析的电池充放电预测系统，其特征在于，所述预测单元根据下式叠加生成电池充放电预测数据：

H(t)＝g(t)+f(t)

式中，g(t)为第一预测数据，f(t)为第二预测数据，H(t)为电池充放电预测数据。

8.根据权利要求5所述的一种基于大数据分析的电池充放电预测系统，其特征在于，所述电池分析单元根据下式获取样本库中样本的电池电压波动参数：

式中，Q′为电池的电池电压波动参数，U_i′为电池电压第i次采样的采样值，

为所述预设时长内电池电压的平均值，m为采样容量。

Images