CN112213643A - 电池初始容量、电池健康状态的预测方法、系统及设备 - Google Patents
电池初始容量、电池健康状态的预测方法、系统及设备 Download PDFInfo
- Publication number
- CN112213643A CN112213643A CN202011060658.3A CN202011060658A CN112213643A CN 112213643 A CN112213643 A CN 112213643A CN 202011060658 A CN202011060658 A CN 202011060658A CN 112213643 A CN112213643 A CN 112213643A
- Authority
- CN
- China
- Prior art keywords
- battery
- charging
- data
- capacity
- sample data
- 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.)
- Granted
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供一种电池初始容量、电池健康状态的预测方法、系统及设备,属于电池技术领域。所述方法包括:获取电动车辆的电池样本数据,并提取与所述电池样本数据对应的充电工况的特征集,形成具有所述特征集的输入数据;根据所述电池样本数据中充电电流和充电时间,获得目标数据,其中,所述目标数据包括所述充电工况中电池充入的容量;根据所述输入数据和所述目标数据,通过SVM模型训练得到所述电动车辆的电池在任意一种充电工况下的预测模型,其中,所述预测模型的输出数据包括预测的电池初始容量;获取当前充电工况下的电池新样本数据,对所述预测模型输入所述电池新样本数据,获得所述预测模型所预测的电池初始容量。本发明用于预测电池SOC和电池SOH。
Description
技术领域
本发明涉及电池技术领域,具体地涉及一种电池初始容量的预测方法、一种电池健康状态的预测方法、一种用于电池初始容量和电池健康状态预测的系统、一种电子设备和一种计算机可读存储介质。
背景技术
随着新能源电动车的普及,消费者对电芯的性能越来越重视,特别是电池的使用寿命以及充电时间,这直接关系到消费者的购买意向。在电池研发时,电池的容量与电池的使用条件有很大关系,而电池的使用场景往往跟消费者的驾驶习惯有关,电池容量的预测仍是电动汽车研究的难点和热点问题,电池容量状态估计对电池大数据统计、电池容量诊断等方面具有很高的实际意义。
容量估算目前有很多种方法,比如有开路电压法、安时积分法、神经网络预测方案,其中,开路电压法在实车中难以获得静态电压,且SOC(State Of Charge,荷电状态或剩余电量)估算易受温度影响,安时积分法对于设备精度以及SOC估算精度要求高,神经网络预测方案要求有大量样本进行计算,且易失真。所以,找到合理准确的电动车电池初始容量获取方法十分重要。
现有技术中有的方案通过电动汽车监控平台实时运行数据,准确估算出系统中各个单体电芯的容量值,可以提前了解电池包内单体电芯的健康状况,为动力电池包售后维护提供有力数据支持,做到提前维护,具体方案包括预先建立磷酸铁锂电池的容量矩阵表,在实际评估电池容量时,通过检测实际电池某区段的充电容量并参照容量矩阵表快速得出当前电池的实际可用容量。该方案虽然可以从电池容量矩阵表中读取相应充电条件下的充电容量,提前了解电池的健康状况,但是预先建立的容量矩阵表可能需要充分的电池试验和验证,通过试验和验证获得不同充电条件下电池充入容量,经济成本较高。
发明内容
本发明的目的是提供一种电池初始容量、电池健康状态的预测方法、系统及设备,避免了电池的实际使用情况不同,导致的通过数据表格等无法穷尽现实条件的试验数据在各个现实充电条件下难以预测电池的初始容量和健康状态(State Of Health,SOH),进而改善电池监测难度和成本。
为了实现上述目的,本发明实施例提供一种电池初始容量的预测方法,该预测方法包括:
获取电动车辆的电池样本数据,并提取与所述电池样本数据对应的充电工况的特征集,形成具有所述特征集的输入数据;
根据所述电池样本数据中充电电流和充电时间,获得目标数据,其中,所述目标数据包括所述充电工况中电池充入的容量;
根据所述输入数据和所述目标数据,通过SVM(Support Vector Machine,支持向量机)模型训练得到所述电动车辆的电池在任意一种充电工况下的预测模型,其中,所述预测模型的输出数据包括预测的电池初始容量;
获取当前充电工况下的电池新样本数据,对所述预测模型输入所述电池新样本数据,获得所述预测模型所预测的电池初始容量。
具体的,所述提取与所述电池样本数据对应的充电工况的特征集,形成具有所述特征集的输入数据,包括:
提取所述电池样本数据中所述电动车辆的记录数据,其中,所述记录数据包括时间序列以及与所述时间序列的记录对应的电池包电流、电池电压、电池SOC、电池温度、车辆里程和车辆状态信号;
在统计时间范围内,根据所述车辆状态信号和所述时间序列,筛选与满足里程阈值条件的车辆里程对应的记录数据;
根据筛选后获得的记录数据中涉及的电池属性,提取描述充电工况中电池的特征集;
根据筛选后获得的记录数据中与所述电池属性对应的记录数据和所述特征集中各个特征,形成具有所述特征集的输入数据。
具体的,所述提取与所述电池样本数据对应的充电工况的特征集,形成具有所述特征集的输入数据,其中,所述特征集包括:
充电开始时电池SOC、充电结束时电池SOC、充电开始时电池温度、充电过程中电池平均温度、充电过程中电池最高温度、充电开始时充电电流、充电过程中平均充电电流和充电结束时充电电流,
所述输入数据中各个特征均具有与所述充电工况的种类数量一致的记录数据记录数量。
具体的,所述根据所述电池样本数据中充电电流和充电时间,获得目标数据,其中,所述目标数据的计算式为:
所述计算式中,Q为与所述充电工况的种类对应的电池充入的容量,I、t分别为所述充电工况下的充电电流和充电时间。
具体的,所述根据所述输入数据和所述目标数据,通过SVM模型训练得到所述电动车辆的电池在任意一种充电工况下的预测模型,包括:
对所述输入数据进行归一化处理;
组织归一化后的输入数据为矩阵;
组织所述矩阵中随机挑选的输入数据和对应的目标数据,构成训练集;
组织所述矩阵中未被挑选的输入数据和对应的目标数据,构成测试集;
构建支持向量机回归模型,并根据所述测试集和所述训练集,训练所述支持向量机回归模型,获得预测模型。
具体的,所述根据所述测试集和所述训练集,训练所述支持向量机回归模型,获得预测模型,包括:
确定所述支持向量机回归模型的输入变量为所述训练集中归一化后的输入数据,并确定所述支持向量机回归模型的输出变量为所述训练集中的目标数据;
确定与所述支持向量机回归模型对应的最小化目标函数和第一约束条件;
通过拉格朗日函数得到与所述最小化目标函数和所述第一约束条件的优化问题对应对偶形式的目标函数和第二约束条件;
结合所述测试集,进行对偶形式的目标函数和第二约束条件的迭代计算,迭代计算后获得预测模型。
具体的,所述迭代计算后获得预测模型中,所述预测模型的核函数为高斯核函数。
本发明实施例提供一种电池健康状态的预测方法,该预测方法包括:
通过前述的电池初始容量的预测方法获得预测模型;
获取当前充电工况下的电池新样本数据,并计算与所述电池新样本数据对应的电池充入的容量;
对所述预测模型输入所述电池新样本数据后,获得所述预测模型所预测的电池初始容量;
根据所述电池充入的容量与所述电池初始容量的比值,获得所述当前充电工况下的电池容量健康状态。
本发明实施例提供一种用于电池初始容量和电池健康状态预测的系统,该系统包括:
电池样本数据获取模块,用于获取当前充电工况下的电池新样本数据;
计算模块,用于计算与所述电池新样本数据对应的电池充入的容量;
容量预测模块,用于对预测模型输入所述电池新样本数据后,获得所述预测模型所预测的电池初始容量;
状态预测模块,用于根据所述电池充入的容量与所述电池初始容量的比值,获得所述当前充电工况下的电池容量健康状态。
再一方面,本发明实施例提供一种电子设备,该电子设备包括:
至少一个处理器;
存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,所述至少一个处理器通过执行所述存储器存储的指令实现前述的方法。
又一方面,本发明实施例提供一种电池管理系统,该电池管理系统具有前述的电子设备。
又一方面,本发明实施例提供一种计算机可读存储介质,存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行前述的方法。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1为本发明实施例的主要步骤示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
实施例1
本发明实施例提供了电池初始容量的预测方法,如图1,该预测方法包括:
获取电动车辆的电池样本数据,并提取与所述电池样本数据对应的充电工况的特征集,形成具有所述特征集的输入数据;
根据所述电池样本数据中充电电流和充电时间,获得目标数据,其中,所述目标数据包括所述充电工况中电池充入的容量;
根据所述输入数据和所述目标数据,通过SVM模型训练得到所述电动车辆的电池在任意一种充电工况下的预测模型,其中,所述预测模型的输出数据包括预测的电池初始容量;
获取当前充电工况下的电池新样本数据,对所述预测模型输入所述电池新样本数据,获得所述预测模型所预测的电池初始容量。
在一些具体实施中,可以利用现存的使用中的电动车辆的历史数据,通过机器学习的算法,获得预测模型,基于预测模型,确定电动车辆在不同充电条件下电池充入的初始容量和电池容量健康状态。
具体的,首先,可以获取所需一定数量的电动车电池样本数据,其中,车辆挑选数量从地理分布上应尽量均匀,为保障数据集的覆盖面,车辆总数量应足够,统计时间至少为1年,从地理分布(如行政区内车辆分布、高低纬度车辆分布等)上尽量均匀可以是被作为样本的电动车辆的数量和种类等方面的均匀性。
接着,可以提取所述电池样本数据中所述电动车辆的记录数据,记录数据可以是车辆运营数据相关信息,可以通过电动车辆主动上报或被采集上报,如在各个电动车辆被充电桩或充电站内信息终端采集后上报,记录数据具体可以包括时间序列以及与所述时间序列的记录对应的电池包电流、电池电压、电池SOC、电池温度、车辆里程和车辆状态信号等。
其中,电池包电流、电池电压、电池SOC、电池温度可以称为电池属性。进一步地,根据车辆状态信号和时间序列找到统计时间内的车辆充电信息,对满足车辆里程小于2000公里的车辆充电信息进行筛选,并提取相关充电特征,可以使用各个特征构成特征集,特征集即可以对任意一种或多种充电工况的电池特征进行描述,特征集可以包括:
(a)充电开始时电池SOC;(b)充电结束时电池SOC;(c)充电开始时电池温度;(d)充电过程中电池平均温度;(e)充电过程中电池最高温度;(f)充电开始时充电电流;(g)充电过程平均充电电流;(h)充电结束时充电电流。
然后,可以根据筛选后获得的记录数据中与所述电池属性对应的记录数据和所述特征集中各个特征,形成具有所述特征集的输入数据,其中,特征与记录数据可以写为:
xa={SOCstart1,SOCstart2,…,SOCstartp,…,SOCstartn}
xb={SOCend1,SOCend2,…,SOCendp,…,SOCendn}
xc={Tempstart1,Tempstart2,…,Tempstartp,…,Tempstartn}
xd={Tempmean1,Tempmean2,…,Tempmeanp,…,Tempmeann}
xe={Tempmax1,Tempmax2,…,Tempmaxp,…,Tempmaxn}
xf={Currentstart1,Currentstart2,…,Currentstartp,…,Currentstartn}
xg={Currentmean1,Currentmean2,…,Currentmeanp,…,Currentmeann}
xh={Currentend1,Currentend2,…,Currentendp,…,Currentendn}
SOCstartp为特征xa(充电开始时电池SOC)的第p个记录数据,SOCendp为特征xb(充电结束时电池SOC)的第p个记录数据,Tempstartp为特征xc(充电开始时电池温度)的第p个记录数据,Tempmeanp为特征xd(充电过程中电池平均温度)的第p个记录数据,Tempmaxp为特征xe(充电过程中电池最高温度)的第p个记录数据,Currentstartp为特征xf(充电开始时充电电流)的第p个记录数据,Currentmeanp为特征xg(充电过程平均充电电流)的第p个记录数据,Currentendp为特征xh(充电结束时充电电流)的第p个记录数据,p=1,2,…,n,n为车辆充电工况总数量且为正整数,即所述输入数据中各个特征均具有与所述充电工况的种类数量一致的记录数据记录数量。
记录电池充电工况下电池充入的容量,电池充电容量计算公式为:
其中,I为充电工况中充电电流,t为充电时间,则输出变量数据集(目标数据)为:
yt={Q1,Q2,…,Qn}
在目标数据中,电池充入的容量与充电工况数量也是一致的。
然后,可以选取车辆充电状态数据,如以n*8的矩阵表示,搭建出电池容量矩阵回归模型。
具体而言,从n行矩阵中随机挑选m行样本数据作为SVM的训练集,且m/n应大于2/3,m小于n且为正整数。
进一步地,可以对样本数据进行预处理,具体地,可以将样本数据进行归一化处理,其计算公式如下:
Y代表归一化之后的值,Xmin和Xmax表示原数据中参数X的最大值和最小值,由此,SVM模型的训练集变为m*8的矩阵(xt1,yt1),…,(xti,yti),i=1,2,…,m,xti为h维属性向量,xti=[xai,xbi,…,xhi],测试集变为(n-m)*8的矩阵数据集(xt1’,yt1’),…,(xtj’,ytj’),j=1,2,…,n-m。
接着,可以建立SVM训练模型,预测未来充电状态电池初始容量。给定m个充电状态数据集{(xti,yti)},xti∈Rd,yti∈Rd,Rd为d(d为正整数)维实数空间,模型输入变量为充电工况中的充电开始SOC、充电结束SOC、充电开始电池温度、充电过程中电池平均温度、充电过程中电池最高温度、充电开始电流、充电过程平均充电电流、充电结束电流,模型的输出量为充电工况充入的容量。是将原始特征的特征空间映射到高维特征空间的非线性映射,则支持向量机回归模型形式为:
式中,ω为回归系数矩阵,b为阈值;
第一约束条件可以为:
式中,C>0为惩罚变量,min为最小值函数;
引入拉格朗日(Lagrange)函数,得到优化问题的对偶形式:
相应地,第二约束条件可以为:
由此,最终预测函数(模型)可表示为:
高斯核函数中,δ为宽度参数,用于控制高斯核函数的作用范围。
在数值求解过程中,可以采用内点法、梯度下降法、序列最小优化等成熟的计算方式,结合测试集,可以测试具有每次迭代出的各个参数的预测模型的输出是否与测试集的数据存在不符合预设的偏差范围的情况,存在则可以继续进行迭代计算,直到符合预设的偏差范围时再结束迭代计算,获得最终的预测模型。
最后,可以获取当前充电工况下的电池新样本数据,对所述预测模型输入所述电池新样本数据,获得所述预测模型所预测的电池初始容量。
本发明实施例还提供了电池健康状态的预测方法,该预测方法包括:
通过前述的电池初始容量的预测方法获得预测模型;
获取当前充电工况下的电池新样本数据,并计算与所述电池新样本数据对应的电池充入的容量;
对所述预测模型输入所述电池新样本数据后,获得所述预测模型所预测的电池初始容量;
根据所述电池充入的容量与所述电池初始容量的比值,获得所述当前充电工况下的电池容量健康状态。
在一些具体实施中,输入新样本充电工况特征数据,如当前充电工况下的电池新样本数据,新样本可以通过采集电动车辆的记录数据获得,电池新样本数据与前述的电池样本数据的数据结构可以相同,可以是记录数据有变化,然后,利用该新样本数据计算充入的容量Qn(可以通过电池充电容量计算公式计算),以及通过预测函数f(x)便可预测出电池在此充电工况下的初始容量Q0,结合公式SOH=Qn/Q0,便可计算出电池当前容量健康状态SOH。进一步地,如果得到车辆多个电池容量健康状态,利用中值滤波可进一步对电池容量健康状态去噪处理,结果更稳定,利用支持向量机回归算法,得到电动车电池在不同充电工况下的电池初始状态容量。
本发明实施例根据市场上现存的车辆充电工况数据,利用支持向量机回归算法,获得电动车电池在不同充电工况下的电池初始状态容量,可用于电池健康状态估计,节约了电池相关测试,为电池容量和健康状态估计提供了新的方案。
实施例2
本发明实施例与实施例1属于同一发明构思,本发明实施例提供了用于电池初始容量和电池健康状态预测的系统,该系统包括:
电池样本数据获取模块,用于获取当前充电工况下的电池新样本数据;
计算模块,用于计算与所述电池新样本数据对应的电池充入的容量;
容量预测模块,用于对预测模型输入所述电池新样本数据后,获得所述预测模型所预测的电池初始容量;
状态预测模块,用于根据所述电池充入的容量与所述电池初始容量的比值,获得所述当前充电工况下的电池容量健康状态。其中,预测模型可以通过实施例1的方法获得。
实施例3
本发明实施例与实施例1和2均属于同一发明构思,本发明实施例提供了电池管理系统,该电池管理系统包括:
至少一个处理器;
存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,所述至少一个处理器通过执行所述存储器存储的指令实现实施例1中的方法。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种电池初始容量的预测方法,其特征在于,该预测方法包括:
获取电动车辆的电池样本数据,并提取与所述电池样本数据对应的充电工况的特征集,形成具有所述特征集的输入数据;
根据所述电池样本数据中充电电流和充电时间,获得目标数据,其中,所述目标数据包括所述充电工况中电池充入的容量;
根据所述输入数据和所述目标数据,通过SVM模型训练得到所述电动车辆的电池在任意一种充电工况下的预测模型,其中,所述预测模型的输出数据包括预测的电池初始容量;
获取当前充电工况下的电池新样本数据,对所述预测模型输入所述电池新样本数据,获得所述预测模型所预测的电池初始容量。
2.根据权利要求1所述的电池初始容量的预测方法,其特征在于,所述提取与所述电池样本数据对应的充电工况的特征集,形成具有所述特征集的输入数据,包括:
提取所述电池样本数据中所述电动车辆的记录数据,其中,所述记录数据包括时间序列以及与所述时间序列的记录对应的电池包电流、电池电压、电池SOC、电池温度、车辆里程和车辆状态信号;
在统计时间范围内,根据所述车辆状态信号和所述时间序列,筛选与满足里程阈值条件的车辆里程对应的记录数据;
根据筛选后获得的记录数据中涉及的电池属性,提取描述充电工况中电池的特征集;
根据筛选后获得的记录数据中与所述电池属性对应的记录数据和所述特征集中各个特征,形成具有所述特征集的输入数据。
3.根据权利要求2所述的电池初始容量的预测方法,其特征在于,所述提取与所述电池样本数据对应的充电工况的特征集,形成具有所述特征集的输入数据,其中,所述特征集包括:
充电开始时电池SOC、充电结束时电池SOC、充电开始时电池温度、充电过程中电池平均温度、充电过程中电池最高温度、充电开始时充电电流、充电过程中平均充电电流和充电结束时充电电流,
所述输入数据中各个特征均具有与所述充电工况的种类数量一致的记录数据记录数量。
5.根据权利要求1至4中任意一项所述的电池初始容量的预测方法,其特征在于,所述根据所述输入数据和所述目标数据,通过SVM模型训练得到所述电动车辆的电池在任意一种充电工况下的预测模型,包括:
对所述输入数据进行归一化处理;
组织归一化后的输入数据为矩阵;
组织所述矩阵中随机挑选的输入数据和对应的目标数据,构成训练集;
组织所述矩阵中未被挑选的输入数据和对应的目标数据,构成测试集;
构建支持向量机回归模型,并根据所述测试集和所述训练集,训练所述支持向量机回归模型,获得预测模型。
6.根据权利要求5所述的电池初始容量的预测方法,其特征在于,所述根据所述测试集和所述训练集,训练所述支持向量机回归模型,获得预测模型,包括:
确定所述支持向量机回归模型的输入变量为所述训练集中归一化后的输入数据,并确定所述支持向量机回归模型的输出变量为所述训练集中的目标数据;
确定与所述支持向量机回归模型对应的最小化目标函数和第一约束条件;
通过拉格朗日函数得到与所述最小化目标函数和所述第一约束条件的优化问题对应对偶形式的目标函数和第二约束条件;
结合所述测试集,进行对偶形式的目标函数和第二约束条件的迭代计算,迭代计算后获得预测模型。
7.根据权利要求6所述的电池初始容量的预测方法,其特征在于,所述迭代计算后获得预测模型中,所述预测模型的核函数为高斯核函数。
8.一种电池健康状态的预测方法,其特征在于,该预测方法包括:
通过权利要求1至7中任意一项所述的电池初始容量的预测方法获得预测模型;
获取当前充电工况下的电池新样本数据,并计算与所述电池新样本数据对应的电池充入的容量;
对所述预测模型输入所述电池新样本数据后,获得所述预测模型所预测的电池初始容量;
根据所述电池充入的容量与所述电池初始容量的比值,获得所述当前充电工况下的电池容量健康状态。
9.一种用于电池初始容量和电池健康状态预测的系统,其特征在于,该系统包括:
电池样本数据获取模块,用于获取当前充电工况下的电池新样本数据;
计算模块,用于计算与所述电池新样本数据对应的电池充入的容量;
容量预测模块,用于对预测模型输入所述电池新样本数据后,获得所述预测模型所预测的电池初始容量;
状态预测模块,用于根据所述电池充入的容量与所述电池初始容量的比值,获得所述当前充电工况下的电池容量健康状态。
10.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至8中任意一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060658.3A CN112213643B (zh) | 2020-09-30 | 2020-09-30 | 电池初始容量、电池健康状态的预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060658.3A CN112213643B (zh) | 2020-09-30 | 2020-09-30 | 电池初始容量、电池健康状态的预测方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213643A true CN112213643A (zh) | 2021-01-12 |
CN112213643B CN112213643B (zh) | 2023-06-23 |
Family
ID=74052529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011060658.3A Active CN112213643B (zh) | 2020-09-30 | 2020-09-30 | 电池初始容量、电池健康状态的预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213643B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949948A (zh) * | 2021-04-28 | 2021-06-11 | 北京理工大学 | 电动汽车分时段换电需求区间预测的集成学习方法及系统 |
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 |
CN113378403A (zh) * | 2021-06-28 | 2021-09-10 | 中国第一汽车股份有限公司 | 仿真测试建模方法、系统、测试方法、设备及存储介质 |
CN113687250A (zh) * | 2021-08-18 | 2021-11-23 | 蜂巢能源科技有限公司 | 电芯容量预测方法、装置、电子设备及介质 |
CN115656834A (zh) * | 2022-11-02 | 2023-01-31 | 武汉动力电池再生技术有限公司 | 一种电池容量预测方法、装置及电子设备 |
CN117054893A (zh) * | 2023-10-12 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117347869A (zh) * | 2023-12-04 | 2024-01-05 | 深圳三晖能源科技有限公司 | 储能电池管理系统数据分析方法、装置、电子设备及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200408819A (en) * | 2002-11-28 | 2004-06-01 | Ind Tech Res Inst | Method for recognizing the rated capacity of lithium battery |
CN103823184A (zh) * | 2012-11-15 | 2014-05-28 | 现代摩比斯株式会社 | 智能型电池传感器及利用反复计算的电池标称容量推定方法 |
CN106569136A (zh) * | 2016-10-19 | 2017-04-19 | 广州市香港科大霍英东研究院 | 一种电池健康状态在线估计方法及系统 |
CN107690585A (zh) * | 2015-04-16 | 2018-02-13 | 奥克斯能源有限公司 | 用于确定锂硫电池组的健康状况和充电状态的方法和装置 |
CN108169680A (zh) * | 2017-12-08 | 2018-06-15 | 北京普莱德新能源电池科技有限公司 | 动力电池健康状态评估方法、系统及电动车辆 |
CN108254696A (zh) * | 2017-12-29 | 2018-07-06 | 上海电气集团股份有限公司 | 电池的健康状态评估方法及系统 |
CN108550928A (zh) * | 2018-05-17 | 2018-09-18 | 青岛特锐德电气股份有限公司 | 电动汽车、充放电设备、电池soh的检测方法及系统 |
US20180306868A1 (en) * | 2017-04-25 | 2018-10-25 | Korea University Of Technology And Education Industry-University Cooperation | Method for predicting state of health of battery based on numerical simulation data |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
WO2019017991A1 (en) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN111090050A (zh) * | 2020-01-21 | 2020-05-01 | 合肥工业大学 | 一种基于支持向量机和k均值的锂电池故障诊断方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
-
2020
- 2020-09-30 CN CN202011060658.3A patent/CN112213643B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200408819A (en) * | 2002-11-28 | 2004-06-01 | Ind Tech Res Inst | Method for recognizing the rated capacity of lithium battery |
CN103823184A (zh) * | 2012-11-15 | 2014-05-28 | 现代摩比斯株式会社 | 智能型电池传感器及利用反复计算的电池标称容量推定方法 |
CN107690585A (zh) * | 2015-04-16 | 2018-02-13 | 奥克斯能源有限公司 | 用于确定锂硫电池组的健康状况和充电状态的方法和装置 |
CN106569136A (zh) * | 2016-10-19 | 2017-04-19 | 广州市香港科大霍英东研究院 | 一种电池健康状态在线估计方法及系统 |
US20180306868A1 (en) * | 2017-04-25 | 2018-10-25 | Korea University Of Technology And Education Industry-University Cooperation | Method for predicting state of health of battery based on numerical simulation data |
WO2019017991A1 (en) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS |
CN108169680A (zh) * | 2017-12-08 | 2018-06-15 | 北京普莱德新能源电池科技有限公司 | 动力电池健康状态评估方法、系统及电动车辆 |
CN108254696A (zh) * | 2017-12-29 | 2018-07-06 | 上海电气集团股份有限公司 | 电池的健康状态评估方法及系统 |
CN108550928A (zh) * | 2018-05-17 | 2018-09-18 | 青岛特锐德电气股份有限公司 | 电动汽车、充放电设备、电池soh的检测方法及系统 |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
CN111090050A (zh) * | 2020-01-21 | 2020-05-01 | 合肥工业大学 | 一种基于支持向量机和k均值的锂电池故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
JUAN CARLOS A´ LVAREZ ANTO´N: "Support Vector Machines Used to Estimate the Battery State of Charge", IEEE TRANSACTIONS ON POWER ELECTRONICS, vol. 28, no. 12, pages 5919 - 5926, XP011519461, DOI: 10.1109/TPEL.2013.2243918 * |
孙道明 等: "随机放电工况下锂离子电池容量预测方法", 汽车工程, no. 09, pages 48 - 55 * |
康道新 等: "基于IACA-SVR的电池SOH预测研究", 电力电子技术, no. 09, pages 67 - 71 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949948A (zh) * | 2021-04-28 | 2021-06-11 | 北京理工大学 | 电动汽车分时段换电需求区间预测的集成学习方法及系统 |
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 |
CN113378403A (zh) * | 2021-06-28 | 2021-09-10 | 中国第一汽车股份有限公司 | 仿真测试建模方法、系统、测试方法、设备及存储介质 |
CN113687250A (zh) * | 2021-08-18 | 2021-11-23 | 蜂巢能源科技有限公司 | 电芯容量预测方法、装置、电子设备及介质 |
CN113687250B (zh) * | 2021-08-18 | 2023-10-24 | 蜂巢能源科技有限公司 | 电芯容量预测方法、装置、电子设备及介质 |
CN115656834A (zh) * | 2022-11-02 | 2023-01-31 | 武汉动力电池再生技术有限公司 | 一种电池容量预测方法、装置及电子设备 |
WO2024093005A1 (zh) * | 2022-11-02 | 2024-05-10 | 武汉动力电池再生技术有限公司 | 一种电池容量预测方法、装置及电子设备 |
CN117054893A (zh) * | 2023-10-12 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117054893B (zh) * | 2023-10-12 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117347869A (zh) * | 2023-12-04 | 2024-01-05 | 深圳三晖能源科技有限公司 | 储能电池管理系统数据分析方法、装置、电子设备及介质 |
CN117347869B (zh) * | 2023-12-04 | 2024-03-01 | 深圳三晖能源科技有限公司 | 储能电池管理系统数据分析方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112213643B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
Li et al. | State of health estimation for Li-Ion battery using incremental capacity analysis and Gaussian process regression | |
Li et al. | Prognostic health condition for lithium battery using the partial incremental capacity and Gaussian process regression | |
CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
CN112083346B (zh) | 基于lstm的并联电池组内部电流分布估计方法及系统 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
KR20220096993A (ko) | 배터리 노화 상태 추정 방법 및 이를 수행하는 장치 | |
Li et al. | Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach | |
CN116540108B (zh) | 一种电芯容量衰减预警方法、装置、存储介质及设备 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN113406496B (zh) | 基于模型迁移的电池容量预测方法、系统、装置及介质 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN117151201A (zh) | 一种用于神经网络训练的电池组样本组织方法及装置 | |
CN112731154A (zh) | 车辆的电池寿命预测方法和装置 | |
CN114970734A (zh) | 异常电池确定方法、装置、计算机设备和存储介质 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
Liu et al. | Battery degradation prediction using incremental capacity analysis based on real-world data | |
Zheng et al. | Remaining useful life indirect prediction of lithium-ion batteries using CNN-BiGRU fusion model and TPE optimization. | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 | |
CN117074945A (zh) | 基于充电片段数据对电池健康度进行无监督评估的方法 |
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 |