CN111693868A - 基于密度特征聚类集成的锂电池荷电状态估算方法 - Google Patents
基于密度特征聚类集成的锂电池荷电状态估算方法 Download PDFInfo
- Publication number
- CN111693868A CN111693868A CN201910187423.1A CN201910187423A CN111693868A CN 111693868 A CN111693868 A CN 111693868A CN 201910187423 A CN201910187423 A CN 201910187423A CN 111693868 A CN111693868 A CN 111693868A
- Authority
- CN
- China
- Prior art keywords
- data
- sub
- lithium battery
- estimation method
- feature clustering
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明是一种基于密度特征聚类集成的锂电池荷电状态估算方法,目的针对锂离子电池荷电状态(SOC)智能估算模型精度提高困难、传统估算方法稳定性差的问题,结合电池实际运行数据的特点,设计一种基于数据特征聚类的集成建模方法对SOC进行估算。其特征在于首先结合SOC数据波动范围较大、状态间转换频繁的特点,设计将分散范围较广的建模数据依据特征进行聚类以获取子学习机训练数据集的数据选取策略,通过缩小子学习机训练数据的分布范围提高子学习机性能;其次在集成学习时,由于每个子学习机的训练数据具有相似特征,因此利用数据与簇的相关性对数据的权重进行更新,使得子学习机在训练时具有较强的针对性;之后,将包含了多个子学习机进行集成,进一步提高模型的估算精度。
Description
技术领域
本发明——基于密度特征聚类集成的锂电池荷电状态估算方法,是针对电动汽车锂离子电池 SOC(荷电状态)的一种智能估算方法。
背景技术
电动汽车是一种使用电动机替代传统发动机作为动力的汽车,其消耗的能源为清洁电能,使用电能可以摆脱汽车对传统资源的依赖,从而减少传统能源危机和环境污染。目前锂离子电池以其体积小、能量密度高、电压高、续航时间长、自放电率小和循环寿命好等优点,已经成为新能源汽车最重要的动力电池类型,被越来越广泛地应用到正在迅速发展的电动汽车上。但是电池荷电状态(SOC)无法直接测量,传统的SOC估算方法大多通过电池的外部特性近似地计算得出,同时由于车辆的行驶状况的多变而包含许多随机因素,因此很难对SOC的进行实时而准确估算。
针对该问题,本文提出一种基于数据特征聚类的集成建模方法,首先依据数据特征将建模数据划分成不同的数据子集,并利用这些数据子集建立SOC估算子模型,由于每个数据子集特征的相似性,可以获得更高精度的估算子模型;再利用集成学习思想结合数据特征设计集成策略,将多个子学习机进行融合,得到最终的SOC估算模型,由于融合了各个子学习机的优良性能,获取了更完整的数据信息,因此能够有效保证SOC估算模型具有良好的泛化能力和估算精度。
发明内容
本发明将基于密度的数据特征聚类方法与集成过程相结合,提出了基于密度特征聚类集成的锂电池荷电状态估算方法,具体步骤如下:
1.有训练数据集S={(x1,y1),(x2,y2),…,(xn,yn)},xt∈Rm,yt∈R,采用DBSCAN算法对 S进行聚类,产生K个数据簇,记数据簇的中心为Gt,t=1,2……K。算法流程如附录图1所示。
2.计算每个数据xt计算其k-NN映射x′t,以及它们之间的距离Mt,并根据数据与数据所在簇的相关性计算数据的权重vt,使得子学习机在训练时具有较强的针对性,即:
vt=(1/Dtt)α (1)
其中Dtt=||Gt-xt||表示第t个数据簇的中心Gt到簇内数据点xt的距离,α为权值系数。
3.根据数据簇中数据xt对应的Mt和vt,更新数据簇的取值半径Rt,筛除部分特征不明显的数据,形成新的数据训练子集St={(xt,yt)}。其中
4.针对每个训练子集St,均建立一个ELM模型,得到子学习机ht(X),之后对于测试样本X,得到集成输出Ht(X),即
其中wt=1/||Gt-X||β。
附图说明
图1基于密度的数据特征聚类(FCDE算法)流程图
图2FCED-ELM算法流程
图3不同SOC估算方法的结果比较
应用实例
选取三次循环NEDC工况进行,此次实验的车辆最高运行速度是120km/h,平均速度是36.01km/h。整个过程共花费3074秒,采样间隔为0.1s,同时SOC的初始值为44%。选取12个与SOC相关性较高的参数作为模型输入,估算SOC。并将估算结果同常用EKF (ExtendedKalman Filter,扩展卡尔曼滤波)和BP神经网络法进行比较,以验证此方法在 SOC估算中的精确性。表一为三种方法的误差对比。通过表1和图3可以看出此基于密度特征聚类集成的锂电池荷电状态估算方法具有更高的精度。
表1 不同SOC估算方法的结果比较
Claims (5)
1.基于密度特征聚类集成的锂电池荷电状态估算方法,其特征在于:针对锂离子动力电池荷电状态(SOC)智能估算模型精度提高困难、稳定性差的问题,结合电池实际运行数据的特点,提出一种基于数据特征聚类的集成建模方法对SOC进行估算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187423.1A CN111693868A (zh) | 2019-03-12 | 2019-03-12 | 基于密度特征聚类集成的锂电池荷电状态估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187423.1A CN111693868A (zh) | 2019-03-12 | 2019-03-12 | 基于密度特征聚类集成的锂电池荷电状态估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111693868A true CN111693868A (zh) | 2020-09-22 |
Family
ID=72474750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910187423.1A Pending CN111693868A (zh) | 2019-03-12 | 2019-03-12 | 基于密度特征聚类集成的锂电池荷电状态估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693868A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112039171A (zh) * | 2020-09-29 | 2020-12-04 | 珠海格力电器股份有限公司 | 电池组均衡方法、装置、设备和存储介质 |
CN113203954A (zh) * | 2021-04-26 | 2021-08-03 | 湖北工业大学 | 一种基于时频图像处理的电池故障诊断方法 |
WO2022213789A1 (zh) * | 2021-10-19 | 2022-10-13 | 深圳市德兰明海科技有限公司 | 锂电池soc估计方法、装置及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424712A (zh) * | 2013-08-16 | 2013-12-04 | 江苏欧力特能源科技有限公司 | 基于粒子群优化的电池剩余容量在线测量方法 |
CN103954915A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命间接预测方法 |
US20150066406A1 (en) * | 2013-08-27 | 2015-03-05 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
-
2019
- 2019-03-12 CN CN201910187423.1A patent/CN111693868A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424712A (zh) * | 2013-08-16 | 2013-12-04 | 江苏欧力特能源科技有限公司 | 基于粒子群优化的电池剩余容量在线测量方法 |
US20150066406A1 (en) * | 2013-08-27 | 2015-03-05 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
CN103954915A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命间接预测方法 |
CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
Non-Patent Citations (2)
Title |
---|
YUKIMASA KANEDA: "Sliding window-based support vector regression for predicting micrometeorological data", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
田明光: "基于K均值聚类及高斯过程回归集成的铅酸电池荷电状态预测", 《软件》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112039171A (zh) * | 2020-09-29 | 2020-12-04 | 珠海格力电器股份有限公司 | 电池组均衡方法、装置、设备和存储介质 |
CN113203954A (zh) * | 2021-04-26 | 2021-08-03 | 湖北工业大学 | 一种基于时频图像处理的电池故障诊断方法 |
WO2022213789A1 (zh) * | 2021-10-19 | 2022-10-13 | 深圳市德兰明海科技有限公司 | 锂电池soc估计方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999657B (zh) | 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 | |
CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
Gao et al. | Prediction of remaining useful life of lithium-ion battery based on multi-kernel support vector machine with particle swarm optimization | |
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
CN110936949B (zh) | 基于行驶工况的能量控制方法、设备、存储介质及装置 | |
CN109017809A (zh) | 一种基于越野工况预测的能量分配方法 | |
CN104008647B (zh) | 一种基于机动车行驶模式的道路交通能耗量化方法 | |
CN111693868A (zh) | 基于密度特征聚类集成的锂电池荷电状态估算方法 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN112858929B (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
CN110682905B (zh) | 基于行驶里程的时域中电池荷电状态参考变化量获取方法 | |
CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
CN112101684B (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
CN113815437B (zh) | 燃料电池混合动力汽车的预测性能量管理方法 | |
Hou et al. | Machine learning and whale optimization algorithm based design of energy management strategy for plug‐in hybrid electric vehicle | |
CN106326581A (zh) | 一种续驶里程的确定方法、装置及汽车 | |
CN113064089A (zh) | 动力电池的内阻检测方法、装置、介质以及系统 | |
CN109239603A (zh) | 一种流形正则化框架下的极限学习机预测动力电池soc方法 | |
CN113642768A (zh) | 一种基于工况重构的车辆行驶能耗预测方法 | |
CN117400785A (zh) | 纯电续航里程的预测方法、装置、电子设备及车辆 | |
CN114122466B (zh) | 燃料电池车电池优化管理方法、系统、设备及介质 | |
Mei et al. | Remaining driving range prediction for electric vehicles: Key challenges and outlook | |
CN117634806A (zh) | 电动汽车负荷聚合方法、系统、设备及介质 | |
CN117150334B (zh) | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 | |
CN113859054B (zh) | 燃料电池车控制方法、系统、设备及介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200922 |
|
WD01 | Invention patent application deemed withdrawn after publication |