CN111695301A - 电池电荷状态的预测方法及预测装置、存储介质、设备 - Google Patents

电池电荷状态的预测方法及预测装置、存储介质、设备 Download PDF

Info

Publication number
CN111695301A
CN111695301A CN202010549995.2A CN202010549995A CN111695301A CN 111695301 A CN111695301 A CN 111695301A CN 202010549995 A CN202010549995 A CN 202010549995A CN 111695301 A CN111695301 A CN 111695301A
Authority
CN
China
Prior art keywords
neural network
model
network model
data
historical
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
Application number
CN202010549995.2A
Other languages
English (en)
Inventor
郭媛君
杨之乐
刘凯龙
张艳辉
牟晓琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202010549995.2A priority Critical patent/CN111695301A/zh
Publication of CN111695301A publication Critical patent/CN111695301A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Abstract

本发明公开了基于神经网络模型的电池电荷状态的预测方法及预测装置、计算机可读存储介质、计算机设备。该预测方法包括：获取电池的历史电荷状态数据；利用预构建的筛选模型从历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据；利用训练数据对初始的神经网络模型进行训练；对训练完成的神经网络模型进行优化处理，获得目标神经网络模型；将获取的电池的实时输入数据输进目标神经网络模型，目标神经网络模型输出电池的实时电荷状态数据。该预测方法从历史电荷状态数据中选取部分数据作为训练数据，能够充分挖掘历史数据信息，具有更高的灵活性与实用性，可以减少运算量，减少训练时间，可以减小模型误差，提高预测精度。

Description

电池电荷状态的预测方法及预测装置、存储介质、设备
技术领域
本发明属于电池管理技术领域，具体地讲，涉及基于神经网络模型的电池电荷状态的预测方法及预测装置、计算机可读存储介质、计算机设备。
背景技术
基于电池组的储能系统是新能源发电产业的重要组成部分，能够减少可再生能源并网引起的频率波动，提高新能源利用率。锂电池具有能量密度大、功率性能优越、寿命长、低功耗以及污染少等优点，成为储能系统电池组件的首选。对电池剩余电荷状态(State ofCharge，简称SOC)的快速有效估计，是整个电池管理系统的关键部分。而电池的非线性特征和复杂的电化学特性，使得准确的电池SOC估计仍然面临很多问题。
现有的电池SOC估计方法较多，主要有基于测量的直接计算方法(电流积分法、开路电压法等)、机理模型方法(等效电路法、电化学模型法等)、基于数据驱动的方法(模糊逻辑、支持向量机等)。机理模型方法中，等效电路比较常用，但只适用于稳定的工作状态，电化学模型较为复杂，且无法考虑到实际工作中的其他因素影响。利用模糊逻辑方法进行SOC估计，能够考虑电池老化、环境温度、噪声以及其他多种因素，但需要大量的数据和长时间的训练以生成可靠的模糊准则。
因此，在避免采用复杂的电化学模型基础上，如何提供一种既能提高检测精度，又能避免长时间计算的电荷状态预测方法，是本领域技术人员急需解决的技术问题。
发明内容
(一)本发明所要解决的技术问题
本发明解决的技术问题是：如何提供一种既能提高检测精度，又能避免长时间计算的电荷状态预测方法。
(二)本发明所采用的技术方案
一种基于神经网络模型的电池电荷状态的预测方法，所述预测方法包括：
获取电池的历史电荷状态数据；
利用预构建的筛选模型从所述历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据；
利用所述训练数据对初始的神经网络模型进行训练；
对训练完成的神经网络模型进行优化处理，获得目标神经网络模型；
将获取的电池的实时输入数据输进所述目标神经网络模型，所述目标神经网络模型输出电池的实时电荷状态数据。
优选地，利用预构建的筛选模型从所述历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据的方法包括：
构建自回归模型；
向所述自回归模型输入所述历史电荷状态数据中的全部时刻的历史输出数据，接着按时间顺序依次所述自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量；
选取模型误差变化量小于预设值的历史输入数据及其对应的历史输出数据作为训练数据。
优选地，所述构建自回归模型的方法为：
构建离散非线性模型：
y(t)＝f(y(t-1),···,y(t-dy),u(t-1),···,u(t-du))+E，其中y(t)表示t时刻的历史输出数据，
Figure BDA0002542107980000021
表示t时刻的历史输入数据，dy和du表示时间延迟；
将所述离散非线性模型转换为多项式非线性自回归模型：
Figure BDA0002542107980000022
其中ψi(x(t)),i＝1,···,M表示全部的候选子项，θi表示对应子项的系数，ε(t)表示模型剩余误差，x(t)表示t时刻的历史输入数据；
将所述多项式非线性自回归模型转换为自回归模型：
y＝ФΘ+E，其中，y＝[y(1),···,y(t)]T，Ф＝[ψ1,ψ2,···,ψt]，ψi＝[ψ1(x(t)),ψ2(x(t))···,
ψN(x(t))]，Θ＝[θ1,θ2,···,θN]，E＝[ε1(t),ε2(t),···,εN(t)]。
优选地，当每个时刻历史输入数据和历史输出数据依次输入至所述自回归模型中时，每个时刻的历史输入数据所对应的模型误差变化量的计算公式为：
Figure BDA0002542107980000031
其中，Rk＝I-Фk(Фk TФk)-1Фk T，表示递归矩阵，k＝1,···,M表示选择的子项个数，ΔE表示模型误差变化量，当k＝0时，R0＝I。
优选地，所述预测方法还包括：
在按时间顺序依次所述自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量的同时，判断模型误差变化量小于预设值的历史输入数据的数量是否达到预定数量；
若是，则停止输入后续时刻的历史输入数据并停止计算对应时刻的模型误差变化量；
若否，则继续输入后续时刻的历史输入数据并计算对应时刻的模型误差变化量，直至模型误差变化量小于预设值的历史输入数据的数量达到预定数量。
优选地，所述对训练完成的神经网络模型进行优化处理，获得目标神经网络模型的具体方法包括：
采用JAYA优化算法对训练完成的神经网络模型的参数进行优化，利用如下公式对神经网络模型的参数进行更新：
X′j,k,l＝Xj,k,l+rand1,j,i(Xj,b,i-|Xj,k,l|)-rand2,j,i(Xj,w,i-|Xj,k,i|)
其中，Xj,b,i是第j个变量的最优值，Xj,w,i是第j个变量的最差值，X′j,k,l是Xj,k,l每一次优化之后的值，rand1,j,i和rand2,j,i是第j个变量的第i次优化循环时采用的随机数，范围为[0,1]；
将更新后的参数替换训练完成的神经网络模型的参数，得到目标神经网络模型。
优选地，采用JAYA优化算法对训练完成的神经网络模型的参数进行优化时的目标函数为训练完成的神经网络模型的模型误差；被更新的参数包括训练完成的神经网络模型的径向基函数的中心位置和方差。
本发明还公开了一种基于神经网络模型的电池电荷状态的预测装置，所述预测装置包括：
获取模块，用于获取电池的历史电荷状态数据；
筛选模块，用于利用预构建的筛选模型从所述历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据；
训练模块，用于利用所述训练数据对初始的神经网络模型进行训练；
优化模块，用于对训练完成的神经网络模型进行优化处理，获得目标神经网络模型；
预测模块，用于将获取的电池的实时输入数据输进所述目标神经网络模型，所述目标神经网络模型输出电池的实时电荷状态数据。
本发明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存储有基于神经网络模型的电池电荷状态的预测程序，所述基于神经网络模型的电池电荷状态的预测程序被处理器执行时实现上述的基于神经网络模型的电池电荷状态的预测方法。
本发明还公开了一种计算机设备，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的基于神经网络模型的电池电荷状态的预测程序，所述基于神经网络模型的电池电荷状态的预测程序被处理器执行时实现上述的基于神经网络模型的电池电荷状态的预测方法。
(三)有益效果
本发明公开的基于神经网络模型的电池电荷状态的预测方法及预测装置，通过从历史电荷状态数据中选取部分时刻的数据作为训练数据，这样在避免采用复杂的电化学模型基础上，能够充分挖掘历史数据信息，具有更高的灵活性与实用性，可以减少运算量，减少训练时间，进一步通过对训练好的神经网络模型进行优化处理，可以减小模型误差，提高预测精度，最后通过优化后的神经网络模型来预测电池的实时电荷状态数据。
附图说明
图1为本发明的实施例的基于神经网络模型的电池电荷状态的预测方法的流程图；
图2为本发明的实施例的利用筛选模型选取训练数据的流程图；
图3为本发明的实施例的基于神经网络模型的电池电荷状态的预测方法的整体流程图；
图4为本发明的实施例的对比模型的测试结果图；
图5为本发明的实施例的目标神经网络模型的测试结果图；
图6为本发明的实施例的基于神经网络模型的电池电荷状态的预测装置的示意图；
图7为本发明的实施例的计算机设备的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。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。
在详细描述本申请的技术方案前，首先简单描述本申请的发明构思：本申请首先从历史电荷状态数据中选取部分时刻的数据作为训练数据，这样可以减少运算量，避免长时间训练，进一步通过对训练好的神经网络模型进行优化处理，可以减小模型误差，提高预测精度，最后通过优化后的神经网络模型来预测电池的实时电荷状态数据。
具体的，如图1所示，本实施例的基于神经网络模型的电池电荷状态的预测方法包括如下步骤：
步骤S10：获取电池的历史电荷状态数据。
步骤S20：利用预构建的筛选模型从历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据。
步骤S30：利用训练数据对初始的神经网络模型进行训练。
步骤S40：对训练完成的神经网络模型进行优化处理，获得目标神经网络模型；
步骤S50：将获取的电池的实时输入数据输进目标神经网络模型，目标神经网络模型输出电池的实时电荷状态数据。
具体来说，在步骤S10中，采集储能系统电池组的历史电荷状态数据，包括电压值、电流值以及对应的SOC数据，对进行数据标准化处理，形成多个时刻的历史输入数据和历史输出数据，这里的每个时刻历史输入数据包括的电流值和电压值，历史输出数据包括对应的电荷状态数据，即SOC值。需要说明的是SOC数据是利用目前主流的方法计算得到的，具体计算方法为现有技术，在此不进行赘述。
在步骤S20中，如图2所示，利用预构建的筛选模型从历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据的方法具体包括如下步骤：
步骤S201：构建自回归模型。
步骤S202：向自回归模型输入历史电荷状态数据中的全部时刻的历史输出数据，接着按时间顺序依次自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量。
步骤S203：选取模型误差变化量小于预设值的历史输入数据及其对应的历史输出数据作为训练数据。
具体来说，结合图2和图3，在步骤S201中构建自回归模型的具体过程如下：
首先，构建离散非线性模型：
y(t)＝f(y(t-1),···,y(t-dy),u(t-1),···,u(t-du))
其中，y(t)表示t时刻的历史输出数据，
Figure BDA0002542107980000061
表示t时刻的历史输入数据，dy和du表示时间延迟。这里构建离散非线性模型时采用了步骤S10中获取的全部时刻的历史电荷状态数据。
接着，将上述的离散非线性模型转换为多项式非线性自回归模型：
Figure BDA0002542107980000062
其中，ψi(x(t)),i＝1,···,M表示全部的候选子项，θi表示对应子项的系数，ε(t)表示模型剩余误差，x(t)表示t时刻的历史输入数据。于是，上述离散非线性模型的输入变量选择问题可以转化为自回归模型项集的选择问题。
最后，将上述的多项式非线性自回归模型转换为自回归模型：
y＝ФΘ+E
其中y＝[y(1),···,y(t)]T，Ф＝[ψ1,ψ2,···,ψt],ψi＝[ψ1(x(t)),ψ2(x(t))···,ψN(x(t))]，Θ＝[θ1,θ2,···,θN]，E＝[ε1(t),ε2(t),···,εN(t)]。作为训练样本的历史电荷状态数据中包括N个数据{x(t),y(t)}T。
在步骤S202中，当每个时刻历史输入数据和历史输出数据依次输入至自回归模型中时，每个时刻的历史输入数据所对应的模型误差变化量的计算公式为：
Figure BDA0002542107980000071
其中，Rk＝I-Фk(Фk TФk)-1Фk T，表示递归矩阵，k＝1,···,M表示选择的子项个数，ΔE表示模型误差变化量，当k＝0时，R0＝I。
上述模型误差变化量的计算公式推导过程如下：
将每个回归因子ψi看做一个候选项，则候选集合(回归矩阵)Ф包括M个候选子项。假设从候选集合Ф中选出k个子项，则
y＝ФkΘk+E
其中，y＝[y(1),···,y(t)]T，Фk＝[ψ1,ψ2,···,ψk]，Θk＝[ψ1,ψ2,···,ψk]，Θk＝[θ1,θ2,···,θk]。
定义递归矩阵Rk∈RNxN，k＝1,···,M，则Rk＝I-Фk(Фk TФk)-1Фk T，当k＝0时，R0＝I。
当Фk是满秩阵时，则
Figure BDA0002542107980000072
其中
Figure BDA0002542107980000073
表示回归系数的最小二乘估计值。
当选择了k个子项时，模型误差Ek可以按照如下公式计算：
Figure BDA0002542107980000074
当k＝0时，E0＝yTy。当一个新的子项ψk+1被选入整体自回归模型中时，模型误差变化量可以表示为递归形式：
Figure BDA0002542107980000081
当模型输入变量进行选择时，每加入一个子项会ψk+1减少一定的模型误差，对应的模型误差变化量ΔEk+1可以用来衡量该子项对整体模型的贡献度，贡献较大的子项被选为模型输入变量，选择的过程不断重复，上述公式也在不断的迭代计算。当某个子项被选中了，该子项对应的历史输入数据x(t)即被选定，对应的历史输出数据y(t)也被选中了。
在步骤S203选取模型误差变化量小于预设值的历史输入数据及其对应的历史输出数据作为训练数据。具体来说，模型误差变化量的预设值可根据实际情况确定，举例来说，假设有100组历史电荷状态数据，每组历史输入数据x(t)，即每个子项ψk+1对应的模型误差变化量均已被计算出，将预设值设置为0.01，模型误差变化量小于0.01的历史输入数据x(t)的数量共有20组，则将20组历史输入数据x(t)及其对应的历史输出数据作为训练数据。
实际计算过程中，由于历史电荷状态数据的数量较多，如果将全部数据计算完成之后再选出合适的子项，需要非常长的计算时间。因此，本实施例预测方法还包括：
在按时间顺序依次所述自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量的同时，判断模型误差变化量小于预设值的历史输入数据的数量是否达到预定数量。若是，则停止输入后续时刻的历史输入数据并停止计算对应时刻的模型误差变化量；若否，则继续输入后续时刻的历史输入数据并计算对应时刻的模型误差变化量，直至模型误差变化量小于预设值的历史输入数据的数量达到预定数量。
示例性地，假设1000组历史输入数据，需要选择的历史输入数据的预定数量为300组，当按照时间顺序依次输入了500组历史输入数据时，若此时已经统计到的模型误差变化量小于预设值的历史输入数据的数量已经达到300组，则此时所需要选择历史输入数据已经达到要求，不需要继续输入后续的另外500组历史输入数据以及计算相应的模型误差变化量了。若此时已经统计到的模型误差变化量小于预设值的历史输入数据的数量只有200组，则继续输入后续时刻的历史输入数据，若继续输入了200组，此时统计到的模型误差变化量小于预设值的历史输入数据的数量已经达到300组了，则不需要继续输入后续的另外300组历史输入数据以及计算相应的模型误差变化量了。这样可以在选择出预定数量的历史输入数据的前提下，减小计算量。
在步骤S30中，利用上述方法选取的历史输入数据和历史输出数据作为训练数据，对初始的神经网络模型进行训练，即计算出神经网络模型的每个节点上径向基函数的参数，作为优化之前的神经网络模型。具体训练过程为现有技术，在此不进行赘述。
在步骤S40中，结合图1和图3，对训练完成的神经网络模型进行优化处理，获得目标神经网络模型的具体方法包括：
首先，采用JAYA优化算法对训练完成的神经网络模型的参数进行优化，利用如下公式对神经网络模型的参数进行更新：
X′j,k,l＝Xj,k,l+rand1,j,i(Xj,b,i-|Xj,k,l|)-rand2,j,i(Xj,w,i-|Xj,k,i|)
其中，Xj,b,i是第j个变量的最优值，Xj,w,i是第j个变量的最差值，X′j,k,l是Xj,k,l每一次优化之后的值，rand1,j,i和rand2,j,i是第j个变量的第i次优化循环时采用的随机数，范围为[0,1]；接着将更新后的参数替换训练完成的神经网络模型的参数，得到目标神经网络模型。其中，每一次的搜索使得更新的值距离最优值越来越近，而距离最差值会越来越远，如果X′j,k,l的值比上一次更新的值更好，则Xj,k,l的值就进行更新。每一轮搜索过程中函数的最优值都会保留，作为下一次循环的输入值，以此类推，可以找到令目标函数结果最优的解。在本发明的应用中，可以找到一组参数，在不增加输入变量的前提下，得到最小的模型误差，提高预测精度。
具体来说，初始化训练完成的神经网络模型参数，包括神经网络模型的径向基函数的中心位置c和方差σ；初始化JAYA优化算法的初始参数，将神经网络模型的模型误差作为目标函数进行优化；根据得到的最优神经网络的径向基函数的中心位置c和方差σ值，建立优化神经网络，即得到目标神经网络模型。
在步骤S50中，将获取的电池的实时输入数据输进目标神经网络模型，目标神经网络模型输出电池的实时电荷状态数据。具体来说，将实时输入数据组成数据矩阵，进行标准化处理；接着将标准化处理之后的实时输入数据输入目标神经网络模型，目标神经网络模型输出相应的实时电荷状态数据。
为了测试本实施例的目标神经网络模型的预测精度，进行了对比试验，如图4所示的测试结果，测试的对比模型为未进行优化的预测模型，图4中上方的图的横坐标表示依次输入预测模型的不同时刻实时输入数据，纵坐标表示实时电荷状态数据，即SOC值，虚线表示实际测试的原始电荷状态曲线，即original data，实线表示利用预测模型预测得到的实时电荷状态曲线，即model output，根据图4中上方的图中可知，原始电荷状态曲线和实时电荷状态曲线之间的重合度较差，为了更直观地表示预测模型得到的实时电荷状态数据误差，如图4中下方的图所示，虚线代表原始电荷状态曲线的误差值，原始电荷状态曲线的误差值为零，实线代表实时电荷状态曲线的误差值，可见预测模型得到的实时电荷状态数据误差较大。
然而，如图5所示的测试结果，利用本实施例的目标神经网络模型进行预测，图5中上方的图的横坐标表示依次输入目标神经网络模型的不同时刻实时输入数据，纵坐标表示实时电荷状态数据，即SOC值，虚线表示实际测试的原始电荷状态曲线，即original data，实线表示利用目标神经网络模型预测得到的实时电荷状态曲线，即optimized model，根据图5中上方的图可知，原始电荷状态曲线和实时电荷状态曲线之间的重合度较好，为了更直观地表示预测模型得到的实时电荷状态数据误差，如图5中下方的图所示，虚线代表原始电荷状态曲线的误差值，原始电荷状态曲线的误差值为零，实线代表实时电荷状态曲线的误差值，可见目标神经网络模型得到的实时电荷状态数据误差较小。
为了更加直观地描述本申请的预测模型的构建过程和测试过程，根据图3的整体流程图可知，首先获取历史电荷状态数据，用作原始的训练样本，根据原始的训练样本建立NARX模型的，并进一步转换成自回归模型，计算各个子项的递归矩阵值Rk+1，从而进一步计算得到每个子项所对应的模型误差变化量ΔEk+1，按照设置的特定个数的子项进行选择，选出合适的子集。按照选出的子集建立神经网络模型的历史输入数据的矩阵，并结合对应的历史输出数据，共同组成训练数据对原始的神经网络模型进行训练。接着初始化训练完成的神经网络模型的参数，利用JAYA优化算法进行优化处理，得到优化的神经网络模型，其中利于优化的神经网络模型输出预测数据，比较预测数据与原始数据之间的差值，从而得到预测模型的预测精度。进一步地，将在线测试数据输入优化之后的神经网络模型输入优化之后的神经网络模型，计算得到SOC估计值，并与实际SOC值进行比较，获得模型误差。
本实施例还公开了一种基于神经网络模型的电池电荷状态的预测装置，如图6所示，预测模块包括获取模块100、筛选模块200、训练模块300、优化模块400和预测模块500。其中，获取模块100用于获取电池的历史电荷状态数据；筛选模块200用于利用预构建的筛选模型从历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据；训练模块300用于利用训练数据对初始的神经网络模型进行训练；优化模块400用于对训练完成的神经网络模型进行优化处理，获得目标神经网络模型；预测模块500用于将获取的电池的实时输入数据输进目标神经网络模型，目标神经网络模型输出电池的实时电荷状态数据。
具体地，筛选模块200用于构建自回归模型；向自回归模型输入所述历史电荷状态数据中的全部时刻的历史输出数据，接着按时间顺序依次所述自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量；选取模型误差变化量小于预设值的历史输入数据及其对应的历史输出数据作为训练数据。
进一步地，筛选模块200还用于在按时间顺序依次所述自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量的同时，判断模型误差变化量小于预设值的历史输入数据的数量是否达到预定数量；若是，则停止输入后续时刻的历史输入数据并停止计算对应时刻的模型误差变化量；若否，则继续输入后续时刻的历史输入数据并计算对应时刻的模型误差变化量，直至模型误差变化量小于预设值的历史输入数据的数量达到预定数量。
具体地，优化模块400采用采用JAYA优化算法对训练完成的神经网络模型的参数进行优化。
本申请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存储有基于神经网络模型的电池电荷状态的预测程序，所述基于神经网络模型的电池电荷状态的预测程序被处理器执行时实现上述的基于神经网络模型的电池电荷状态的预测方法。
本申请还公开了一种计算机设备，在硬件层面，如图7所示，该终端包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行，在逻辑层面上形成请求处理装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。所述计算机可读存储介质11上存储有基于神经网络模型的电池电荷状态的预测程序，所述基于神经网络模型的电池电荷状态的预测程序被处理器执行时实现上述的基于神经网络模型的电池电荷状态的预测方法。
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明的保护范围内。

Claims (10)

1.一种基于神经网络模型的电池电荷状态的预测方法，其特征在于，所述预测方法包括：
获取电池的历史电荷状态数据；
利用预构建的筛选模型从所述历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据；
利用所述训练数据对初始的神经网络模型进行训练；
对训练完成的神经网络模型进行优化处理，获得目标神经网络模型；
将获取的电池的实时输入数据输进所述目标神经网络模型，所述目标神经网络模型输出电池的实时电荷状态数据。
2.根据权利要求1所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，利用预构建的筛选模型从所述历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据的方法包括：
构建自回归模型；
向所述自回归模型输入所述历史电荷状态数据中的全部时刻的历史输出数据，接着按时间顺序依次所述自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量；
选取模型误差变化量小于预设值的历史输入数据及其对应的历史输出数据作为训练数据。
3.根据权利要求2所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，所述构建自回归模型的方法为：
构建离散非线性模型：
y(t)＝f(y(t-1),···,y(t-dy),u(t-1),···,u(t-du))+E，其中y(t)表示t时刻的历史输出数据，
Figure FDA0002542107970000011
表示t时刻的历史输入数据，dy和du表示时间延迟；
将所述离散非线性模型转换为多项式非线性自回归模型：
Figure FDA0002542107970000012
其中ψi(x(t)),i＝1,···,M表示全部的候选子项，θi表示对应子项的系数，ε(t)表示模型剩余误差，x(t)表示t时刻的历史输入数据；
将所述多项式非线性自回归模型转换为自回归模型：
y＝ФΘ+E，其中，y＝[y(1),···,y(t)]T，Ф＝[ψ1,ψ2,···,ψt]，ψi＝[ψ1(x(t)),ψ2(x(t))···,
ψN(x(t))]，Θ＝[θ1,θ2,···,θN]，E＝[ε1(t),ε2(t),···,εN(t)]。
4.根据权利要求3所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，当每个时刻历史输入数据和历史输出数据依次输入至所述自回归模型中时，每个时刻的历史输入数据所对应的模型误差变化量的计算公式为：
Figure FDA0002542107970000021
其中，Rk＝I-Фk(Фk TФk)-1Фk T，表示递归矩阵，k＝1,···,M表示选择的子项个数，ΔE表示模型误差变化量，当k＝0时，R0＝I。
5.根据权利要求4所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，所述预测方法还包括：
在按时间顺序依次所述自回归模型输入每个时刻的历史输入数据，并计算每个时刻的历史输入数据所对应的模型误差变化量的同时，判断模型误差变化量小于预设值的历史输入数据的数量是否达到预定数量；
若是，则停止输入后续时刻的历史输入数据并停止计算对应时刻的模型误差变化量；
若否，则继续输入后续时刻的历史输入数据并计算对应时刻的模型误差变化量，直至模型误差变化量小于预设值的历史输入数据的数量达到预定数量。
6.根据权利要求1所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，所述对训练完成的神经网络模型进行优化处理，获得目标神经网络模型的具体方法包括：
采用JAYA优化算法对训练完成的神经网络模型的参数进行优化，利用如下公式对神经网络模型的参数进行更新：
Xj',k,l＝Xj,k,l+rand1,j,i(Xj,b,i-|Xj,k,l|)-rand2,j,i(Xj,w,i-|Xj,k,i|)
其中，Xj,b,i是第j个变量的最优值，Xj,w,i是第j个变量的最差值，Xj',k,l是Xj,k,l每一次优化之后的值，rand1,j,i和rand2,j,i是第j个变量的第i次优化循环时采用的随机数，范围为[0,1]；
将更新后的参数替换训练完成的神经网络模型的参数，得到目标神经网络模型。
7.根据权利要求6所述的基于神经网络模型的电池电荷状态的预测方法，其特征在于，采用JAYA优化算法对训练完成的神经网络模型的参数进行优化时的目标函数为训练完成的神经网络模型的模型误差；被更新的参数包括训练完成的神经网络模型的径向基函数的中心位置和方差。
8.一种基于神经网络模型的电池电荷状态的预测装置，其特征在于，所述预测装置包括：
获取模块，用于获取电池的历史电荷状态数据；
筛选模块，用于利用预构建的筛选模型从所述历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据；
训练模块，用于利用所述训练数据对初始的神经网络模型进行训练；
优化模块，用于对训练完成的神经网络模型进行优化处理，获得目标神经网络模型；
预测模块，用于将获取的电池的实时输入数据输进所述目标神经网络模型，所述目标神经网络模型输出电池的实时电荷状态数据。
9.一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存储有基于神经网络模型的电池电荷状态的预测程序，所述基于神经网络模型的电池电荷状态的预测程序被处理器执行时实现权利要求1至7任一项所述的基于神经网络模型的电池电荷状态的预测方法。
10.一种计算机设备，其特征在于，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的基于神经网络模型的电池电荷状态的预测程序，所述基于神经网络模型的电池电荷状态的预测程序被处理器执行时实现权利要求1至7任一项所述的基于神经网络模型的电池电荷状态的预测方法。
CN202010549995.2A 2020-06-16 2020-06-16 电池电荷状态的预测方法及预测装置、存储介质、设备 Pending CN111695301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010549995.2A CN111695301A (zh) 2020-06-16 2020-06-16 电池电荷状态的预测方法及预测装置、存储介质、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010549995.2A CN111695301A (zh) 2020-06-16 2020-06-16 电池电荷状态的预测方法及预测装置、存储介质、设备

Publications (1)

Publication Number Publication Date
CN111695301A true CN111695301A (zh) 2020-09-22

Family

ID=72481553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010549995.2A Pending CN111695301A (zh) 2020-06-16 2020-06-16 电池电荷状态的预测方法及预测装置、存储介质、设备

Country Status (1)

Country Link
CN (1) CN111695301A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131792A (zh) * 2020-09-24 2020-12-25 南方电网科学研究院有限责任公司 一种地表电位还原方法、装置、设备及存储介质
CN112464439A (zh) * 2020-11-02 2021-03-09 天津理工大学 基于三层数据挖掘的电力系统故障类型分析方法及装置
CN112488541A (zh) * 2020-12-04 2021-03-12 深圳先进技术研究院 面向工地用电设备多模态故障预警方法及系统
CN112818594A (zh) * 2021-01-28 2021-05-18 温州大学 一种基于神经网络的多目标优化电池包结构方法
CN113158345A (zh) * 2021-04-29 2021-07-23 浙江吉利控股集团有限公司 一种新能源车辆动力电池容量预测方法及系统
CN113406499A (zh) * 2021-06-28 2021-09-17 武汉理工大学 基于优化的tcn的锂电池soc实时估算方法、装置、电子设备及存储介质
CN113866638A (zh) * 2021-08-24 2021-12-31 陈九廷 一种电池参数推测方法、装置、设备及介质
CN113902121A (zh) * 2021-07-15 2022-01-07 陈九廷 一种电池劣化推测装置校验的方法、装置、设备及介质
CN114304980A (zh) * 2021-12-28 2022-04-12 阿波罗智联(北京)科技有限公司 气囊调节方法、装置、电子设备和介质
CN114371409A (zh) * 2022-03-07 2022-04-19 上海玫克生储能科技有限公司 电池状态预测模型的训练方法、电池状态预测方法及装置
CN114692514A (zh) * 2022-05-27 2022-07-01 西南交通大学 一种抗滑桩的设计方法、装置、设备及可读存储介质
CN114966413A (zh) * 2022-05-27 2022-08-30 深圳先进技术研究院 一种储能电池包的荷电状态预测方法
CN115983134A (zh) * 2023-01-17 2023-04-18 淮阴工学院 一种基于神经网络的电池功率状态预测方法和系统
CN116027736A (zh) * 2023-02-14 2023-04-28 广东热浪新材料科技有限公司 一种星盆加工设备的控制优化方法及控制系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107436409A (zh) * 2017-07-07 2017-12-05 淮阴工学院 一种电动汽车动力电池soc智能预测装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107436409A (zh) * 2017-07-07 2017-12-05 淮阴工学院 一种电动汽车动力电池soc智能预测装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAILONG LIU ET AL.: "Data-Driven Hybrid Internal Temperature Estimation Approach for Battery Thermal Management", COMPLEXITY, pages 1 - 8 *
LI ZHANG ET AL.: "Compact Neural Modeling of Single Flow Zinc-Nickel Batteries Based on Jaya Optimization", 2018 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC), pages 1 - 5 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131792A (zh) * 2020-09-24 2020-12-25 南方电网科学研究院有限责任公司 一种地表电位还原方法、装置、设备及存储介质
CN112464439A (zh) * 2020-11-02 2021-03-09 天津理工大学 基于三层数据挖掘的电力系统故障类型分析方法及装置
CN112488541A (zh) * 2020-12-04 2021-03-12 深圳先进技术研究院 面向工地用电设备多模态故障预警方法及系统
CN112818594B (zh) * 2021-01-28 2023-05-30 温州大学 一种基于神经网络的多目标优化电池包结构方法
CN112818594A (zh) * 2021-01-28 2021-05-18 温州大学 一种基于神经网络的多目标优化电池包结构方法
CN113158345A (zh) * 2021-04-29 2021-07-23 浙江吉利控股集团有限公司 一种新能源车辆动力电池容量预测方法及系统
CN113406499A (zh) * 2021-06-28 2021-09-17 武汉理工大学 基于优化的tcn的锂电池soc实时估算方法、装置、电子设备及存储介质
CN113902121A (zh) * 2021-07-15 2022-01-07 陈九廷 一种电池劣化推测装置校验的方法、装置、设备及介质
CN113866638A (zh) * 2021-08-24 2021-12-31 陈九廷 一种电池参数推测方法、装置、设备及介质
CN114304980A (zh) * 2021-12-28 2022-04-12 阿波罗智联(北京)科技有限公司 气囊调节方法、装置、电子设备和介质
CN114371409A (zh) * 2022-03-07 2022-04-19 上海玫克生储能科技有限公司 电池状态预测模型的训练方法、电池状态预测方法及装置
CN114692514A (zh) * 2022-05-27 2022-07-01 西南交通大学 一种抗滑桩的设计方法、装置、设备及可读存储介质
CN114692514B (zh) * 2022-05-27 2022-08-09 西南交通大学 一种抗滑桩的设计方法、装置、设备及可读存储介质
CN114966413A (zh) * 2022-05-27 2022-08-30 深圳先进技术研究院 一种储能电池包的荷电状态预测方法
WO2023226358A1 (zh) * 2022-05-27 2023-11-30 深圳先进技术研究院 一种储能电池包的荷电状态预测方法
CN115983134A (zh) * 2023-01-17 2023-04-18 淮阴工学院 一种基于神经网络的电池功率状态预测方法和系统
CN115983134B (zh) * 2023-01-17 2024-02-23 淮阴工学院 一种基于神经网络的电池功率状态预测方法和系统
CN116027736A (zh) * 2023-02-14 2023-04-28 广东热浪新材料科技有限公司 一种星盆加工设备的控制优化方法及控制系统
CN116027736B (zh) * 2023-02-14 2023-09-12 广东热浪新材料科技有限公司 一种星盆加工设备的控制优化方法及控制系统

Similar Documents

Publication Publication Date Title
CN111695301A (zh) 电池电荷状态的预测方法及预测装置、存储介质、设备
CN112036084B (zh) 一种相似产品寿命迁移筛选方法和系统
Zhang et al. A reliable data-driven state-of-health estimation model for lithium-ion batteries in electric vehicles
WO2021208079A1 (zh) 获取动力电池寿命数据的方法、装置、计算机设备及介质
Feng et al. SOH and RUL prediction of Li-ion batteries based on improved Gaussian process regression
JP7450741B2 (ja) リチウム電池のｓｏｃ推定方法、装置及びコンピュータ読み取り可能な記憶媒体
CN112861459B (zh) 全灵敏度对抗重要性抽样产量优化方法和装置
CN112051506B (zh) 一种相似产品可迁移样本筛选方法、系统及用途
CN111327655A (zh) 多租户容器资源配额预测方法、装置及电子设备
CN114705990A (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
CN115859584A (zh) 一种电池寿命预测方法、预测系统及计算机设备
Xie et al. Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM
CN112084459A (zh) 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
Dong et al. Data-driven predictive prognostic model for power batteries based on machine learning
CN111832693A (zh) 神经网络层运算、模型训练方法、装置及设备
CN115856646B (zh) 一种基于三维电压特征的锂离子电池早期寿命预测方法
CN112180258B (zh) 电池平均库伦效率的测定方法、装置、介质、终端、及系统
WO2022267979A1 (zh) 动力电池容量预测方法、装置及设备
CN115219902A (zh) 一种动力电池寿命快速测试方法及系统
CN114610595A (zh) 模型性能影响因素的识别方法、装置、设备及存储介质
Che et al. Increasing generalization capability of battery health estimation using continual learning
CN116736173B (zh) 一种储能电池模型构建和储能电池状态判定方法、装置
CN116433050B (zh) 应用于农业大数据管理系统的异常报警方法及系统
CN114895190B (zh) 基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备
CN114355224B (zh) 电池健康状态预测方法、装置、电子装置及可读存储介质

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