CN113343487B - 基于大数据分析的电动推土机用电池试验方案的生成方法 - Google Patents
基于大数据分析的电动推土机用电池试验方案的生成方法 Download PDFInfo
- Publication number
- CN113343487B CN113343487B CN202110729034.4A CN202110729034A CN113343487B CN 113343487 B CN113343487 B CN 113343487B CN 202110729034 A CN202110729034 A CN 202110729034A CN 113343487 B CN113343487 B CN 113343487B
- Authority
- CN
- China
- Prior art keywords
- working condition
- characteristic
- battery
- load spectrum
- electric bulldozer
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007405 data analysis Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims description 110
- 235000012907 honey Nutrition 0.000 claims description 61
- 238000004088 simulation Methods 0.000 claims description 48
- 239000002689 soil Substances 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 27
- 241000257303 Hymenoptera Species 0.000 claims description 20
- 238000003064 k means clustering Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000019637 foraging behavior Effects 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000007599 discharging Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000010710 diesel engine oil Substances 0.000 description 1
- QHGJSLXSVXVKHZ-UHFFFAOYSA-N dilithium;dioxido(dioxo)manganese Chemical compound [Li+].[Li+].[O-][Mn]([O-])(=O)=O QHGJSLXSVXVKHZ-UHFFFAOYSA-N 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例提供一种基于大数据分析的电动推土机用电池试验方案的生成方法、装置、设备和存储介质，通过采集电动推土机不同工况下的载荷谱，使用蜂群智能优化算法改进K‑Means聚类算法对载荷谱数据进行聚类划分，得到五个聚类簇团并通过聚类中心确定五个核心工况的载荷谱，并将这个五个核心工况的载荷谱导入电动推土机仿真模型中，进行仿真计算后得到对应的电池输出电流，最后，根据电池输出电流生成用于指导用户进行电池试验的电池试验方案，其中，电动推土机仿真模型是预先由工程仿真软件构造的包括动力电池、电机及控制器、行走及作业系统等模块仿真模型。采用该电池试验方案进行电池试验，得到的试验结果可为电池管理系统提供精准的数据支撑。
Description
技术领域
本申请实施例涉及电池管理技术领域，尤其涉及一种基于大数据分析的电动推土机用电池试验方案的生成方法、装置、设备和存储介质。
背景技术
随着我国现代化水平逐渐提高，基础建设步伐日趋加快，推土机作为铲土运输过程中的重要机械，销量逐年攀升。但在环保法规日趋严格和石油资源日益缺乏的今天，对工程机械排放和燃油经济性提出了更高的要求。当前采用柴机油驱动的推土机存在整机效率低、油耗高和排放高等缺点。将电驱动方式应用到工程机械成为推动工程机械领域节能减排的有效途径。
电动推土机与常规新能源汽车的使用工况存在较大差异，因此，需要对传统新能源汽车的电池管理系统进行改进和优化，以满足恶劣工况以及高倍率放电等特殊情况下的电动推土机的电池管理需求。
电池管理参数作为电池管理系统进行电池管理的重要依据，直接影响着电池管理精度和电池的使用寿命等，现有技术中，主要通过外加常用的如0.5C、1C、1.5C电流进行电池试验，得到电池管理参数，使得现有技术中的获取的电池管理参数难以对电池进行有效管理，导致电池管理系统对电池的管理存在管理精度不高的问题。
发明内容
本申请实施例提供一种基于大数据分析的电动推土机用电池试验方案的生成方法、装置、电子设备和存储介质，以解决现有技术中存在的电池管理精度不高的问题。
第一方面，本申请实施例提供一种基于大数据分析的电动推土机用电池试验方案的生成方法，包括：
获取电动推土机作业过程中产生的载荷谱；
对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流；
基于所述特征工作电流，生成电池试验方案，所述电池试验方案用于指导用户进行电池试验，以得到所述电动推土机的电池管理参数。
可选地，所述对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流，包括：
对所述载荷谱进行聚类，得到目标工况下所述电动推土机的特征载荷谱；
通过电动推土机仿真模型对所述特征载荷谱进行计算，得到目标工况下所述电动推土机的电池的特征工作电流。
可选地，所述对所述载荷谱进行聚类，得到目标工况下所述电动推土机的特征载荷谱，包括：
基于改进的K-Means聚类算法，对所述载荷谱进行聚类，得到目标工况下所述电动推土机的特征载荷谱，所述改进的K-Means聚类算法是通过蜂群智能优化算法对K-Means聚类算法改进后得到的。
可选地，所述电动推土机仿真模型包括电池模拟模块、电机模拟模块、控制器模拟模块、行走系统模拟模块和作业系统模拟模块。
可选地，所述对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流之前，所述方法还包括：
对所述载荷谱进行预处理，所述预处理包括去噪、滤波、图像分割、特征参数提取和标准化中的至少一种。
可选地，所述电池管理参数包括内阻、荷电状态、放电倍率和温度中的至少一种。
可选地，所述目标工况包括切土工况、铲土工况、运土工况、行走工况和极限工况中的至少一种。
第二方面，本申请实施例提供一种基于大数据分析的电动推土机用电池试验方案的生成装置，包括：
获取模块，用于获取电动推土机作业过程中产生的载荷谱；
处理模块，用于对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流；基于所述特征工作电流，生成电池试验方案，所述电池试验方案用于指导用户进行电池试验，以得到所述电动推土机的电池管理参数。
第三方面，本申请实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述的基于大数据分析的电动推土机用电池试验方案的生成方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的基于大数据分析的电动推土机用电池试验方案的生成方法。
本申请实施例提供的基于大数据分析的电动推土机用电池试验方案的生成方法、装置、设备和存储介质，通过获取电动推土机作业过程中产生的载荷谱，对载荷谱进行大数据处理，得到目标工况下电动推土机的电池的特征工作电流，基于特征工作电流，生成电池试验方案，电池试验方案用于指导用户进行电池试验，以得到电动推土机的电池管理参数，实现了对电池的精细化管理，提高了电池的管理精度和有效性，保证了电池的安全和工作性能，有利于实现电动推土机的可持续发展。
附图说明
图1为本申请实施例一提供的基于大数据分析的电动推土机用电池试验方案的生成方法的流程示意图；
图2为本申请实施例一提供的电动推土机仿真模型的结构示意图；
图3为本申请实施例一提供的电动推土机仿真模型的原理示意图；
图4为本申请实施例二提供的基于大数据分析的电动推土机用电池试验方案的生成装置的结构示意图；
图5为本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
现有技术，通过外加常用的如0.5C、1C、1.5C电流进行电池试验，得到电池管理参数，由于常用外加电流是根据以往经验设定的电池几种常见放电电流，与电动推土机在实际工况下的电池的工作状况无关，因此，现有技术中采用现有技术中的电池管理参数无法对电动推土机的电池进行高效和高精度的管理，进而影响电动推土机的工作效率、能源利用率和电池寿命等。
本申请技术方案的主要思路：基于现有技术中存在的技术问题，本实施例提供一种基于大数据分析的电动推土机用电池试验方案的生成技术方案，通过对载荷谱数据进行聚类和模型分析，得到不同工况下电池的工作电流，并以该工作电流作为电池试验的放电电流，得到电池管理参数，由于电池试验采用的电流是通过电动推土机在实际工况中产生的载荷谱数据进行分析得到，能够有效反映电动推土机在实际工况下的电池放电情况，并且，通过聚类和模型分析，可以得到不同工况下电池的工作电流，进而得到不同工况下的电池管理参数，从而便于电池管理系统可以分工况对电池进行管理，提高了电池的管理精度和有效性，保证了电池的安全和工作性能，有利于实现电动推土机的可持续发展。
实施例一
图1为本申请实施例一提供的基于大数据分析的电动推土机用电池试验方案的生成方法的流程示意图，本实施例的方法可以由本申请实施例所提供的基于大数据分析的电动推土机用电池试验方案的生成装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于计算机、智能终端等电子设备中。如图1所示，本实施例的基于大数据分析的电动推土机用电池试验方案的生成方法，包括：
S101、获取电动推土机作业过程中产生的载荷谱。
本实施例中，以电动推土机作业过程中产生的载荷谱作为确定其电池的特征工作电流的源数据，为此本步骤中，需要进行源数据的获取。
载荷谱是反映电动推土机在作业过程中液压泵的压力随时间变化的数据，与电动推土机的电机及电池功率密切相关。载荷谱通常由安装在电动推土机上的专用仪器进行采集，仪器采集到的载荷谱可以通过有线或无线的方式定时上传到进行电池管理的电子设备中进行存储。
相应地，本步骤中，在用户需要获取电动推土机的电池管理参数时，电子设备从相应的数据库中筛选并提取出所有满足用户需求的电动推土机相关的载荷谱。例如，若用户需要获取某一型号的电动推土机的电池管理参数，则本步骤中，获取所有由该型号的电动推土机产生的载荷谱即可。
可以理解的是，本实施例中获取的载荷谱可以是一台电动推土机产生的，也可以是多台电动推土机产生的，并且获取的载荷谱可以是特定时期产生的，也可以是自电动推土机出厂以来的所有载荷谱，具体可以根据实际分析需求进行设定，此处不做限制。
可选地，为使载荷谱能够涵盖电动推土机的各种作业工况，如切土工况、铲土工况、运土工况、行走工况、极限工况等，本实施例中，获取较长一段时间(如5年)内多台电动推土机积累的载荷谱。
S102、对载荷谱进行大数据处理，得到目标工况下电动推土机的电池的特征工作电流。
本实施例中，由于通过S101获取到的载荷谱数据通常数量较为庞大，且是杂乱无序的，因此，本步骤中，基于大数据处理的方法，对S101中获取到载荷谱进行分析，得到目标工况下电动推土机的电池的特征工作电流。
本实施例中，目标工况可以为切土工况、铲土工况、运土工况、行走工况和极限工况中的一种或几种。
其中，切土工况是指电动推土机通过切土器切土的作业工况，铲土工况是指电动推土机通过推土铲铲土的作业工况，运土工况是指电动推土机将土从一个位置运送到另一个位置的作业工况，行走工况是指电动推土机在没有负重的情况从一个位置运动到另一个位置的工况，极限工况是指电动推土机在遇到极端情况(如挖到树根、石块等)的作业工况。
为提高分析计算的高效性，本实施例中采用聚类分析+模型计算的模式，进行载荷谱的分析和特征工作电流的计算，具体地，先对载荷谱进行聚类，得到目标工况下电动推土机的特征载荷谱，再通过电动推土机仿真模型对特征载荷谱进行计算，得到目标工况下电动推土机的电池的特征工作电流。
下面将分别对聚类分析和模型计算加以介绍。
(1)聚类分析
进行聚类分析的目的是使同一工况对应的载荷谱聚为一类，便电动推土机仿真模型分别计算不同工况下电池的特征工作电流。
为提高聚类分析的速度和准确性，在一种可能的实施方式中，本实施例中，基于改进的K-Means聚类算法，对载荷谱进行聚类，得到不同目标工况下电动推土机的特征载荷谱，这种改进的K-Means聚类算法是通过蜂群智能优化算法对K-Means聚类算法改进后得到的，采用改进的K-Means聚类算法进行聚类分析的原理如下：
其中，蜂群智能优化算法是一种模拟蜜蜂觅食行为的群体智能优化算法，该算法使用蜜源的位置代表所求优化问题的可行解，通过蜜源的花粉数量表示解的适应度。
蜂群智能优化算法中将所有蜜蜂划分为雇佣蜂、跟随蜂和探索蜂三组。雇佣蜂负责最初的寻找蜜源并采蜜分享信息，跟随蜂负责呆在蜂巢里根据雇佣蜂提供的信息去采蜜，探索蜂在原有蜜源被抛弃后负责随机寻找新的蜜源来替换原有的蜜源。通过对蜂群和蜜源初始化后，反复执行三个过程，即雇佣阶段、跟随蜂阶段和探索蜂阶段，来寻找问题的最优解(即最合适的聚类中心)。
其中，雇佣蜂进行蜜源探索，雇佣蜂进行蜜源位置更新的公式如下：
vij＝xij+αμij(xij-xkj)+βγij(yj-xkj) (1)
其中，i为蜜源编号，j为蜜源的维度，M为最大迭代次数，xij为旧蜜源位置，vij为新蜜源位置，xkj为随机选择的蜜源位置，μij是[-1,1]的随机数，γij是[0,E]的随机数，yj为蜜源位置第j维度的最优解。
若某一蜜源被开采过度需要探索蜂开采新的蜜源，则可通过如下公式计算新蜜源的位置，并通过新蜜源的位置对该蜜源的位置进行替代：
x′ij＝xminj+rand[0,1](xmaxj-xminj) (2)
其中，x′ij为替换蜜源位置，xminj和xmaxj分别为蜜源位置第j维度的最小最大值，rand[0,1]为[0,1]的随机数。可以理解的是，通过公式(2)得到的x′ij一般用于对公式(1)被开采过度的进行xij替换。
本实施例中，用蜜源代表要求解的5个聚类中心(即特征载荷谱)，蜜蜂代表待聚类的样本(即载荷谱)，假设样本数量为n。在通过上述公式(1)和(2)得到蜜源位置后，本实施例中，根据n个样本点离所有蜜源的欧几里得距离的大小可将该样本点分类，并计算所有样本点到各聚类中心的距离和，以此为基础评价所确定的各蜜源的适应度值f(sp)。f(sp)的计算公式如下：
其中，Sp表示第p个样本点，Xq表示第q(q＝1，2，3，4，5)类的聚类中心，d(Sp,Xq)表示样本Sp到对应类聚类中心Xq的距离。可以理解的是，公式(3)中的Xq即为上述公式(1)计算得到的vij。
本实施例中，每通过公式(1)和(2)确定一组蜜源，则通过公式(3)计算该组蜜源的适应度，最终将适应度值f(xp)的取值最小的一组蜜源，确定为最终的聚类中心，得到特征载荷谱。
以目标工况包括切土工况、铲土工况、运土工况、行走工况和极限工况五个工况为例，则通过改进的K-Means聚类算法对原始的载荷谱进行聚类就可以得到五个聚类簇团，五个聚类簇团分别与这个五个工况对应，每个聚类簇团都对应一个聚类中心，即能够反映该工况特征的载荷谱，这里将其命名为特征载荷谱，对应于每种工况，分别为切土工况特征载荷谱、铲土工况特征载荷谱、运土工况特征载荷谱、行走工况特征载荷谱和极限工况特征载荷谱。
(2)模型计算
电动推土机仿真模型，是预先构建一种数学模型，示例性地，图2为本申请实施例一提供的电动推土机仿真模型的结构示意图，如图2所示，为实现对电动推土机的有效仿真，本实施例中构建的电动推土机仿真模型可以包括电池模拟模块、电机模拟模块、控制器模拟模块、行走系统模拟模块和作业系统模拟模块，电池模拟模块、电机模拟模块、控制器模拟模块、行走系统模拟模块和作业系统模拟模块之间按照电动推土机的实际结构彼此连接，电池模拟模块、电机模拟模块、控制器模拟模块、行走系统模拟模块和作业系统模拟模块分别用于模拟电动推土机中的电池、电机、控制器、行走系统和作业系统，因此，各模块的型号和参数也依照实际的电动推土机进行设置的。
示例性地，图3为本申请实施例一提供的电动推土机仿真模型的原理示意图，如图3所示，本实施例中电动推土机仿真模型的输入为特征载荷谱，输出为特征工作电流。在通过聚类分析得到各工况的特征载荷谱之后，通过分别以这些特征载荷谱作为电动推土机仿真模型的输入，由电动推土机仿真模型按照设定的算法进行计算，就可以得到对应工况下电池的特征工作电流。
具体地，对应于切土工况特征载荷谱、铲土工况特征载荷谱、运土工况特征载荷谱、行走工况特征载荷谱和极限工况特征载荷谱，输出的特征工作电流可以分别叫做切土工况特征工作电流、铲土工况特征工作电流、运土工况特征工作电流、行走工况特征工作电流和极限工况特征工作电流，用符号可以表示为Iqie、Ichan、Iyun、Irun和Ilim。
可选地，在对载荷谱进行大数据处理之前，本实施例中，还可以通过去噪、滤波、图像分割、特征参数提取和标准化等手段中的一种或多种对载荷谱进行预处理，以消除无关干扰，使载荷谱能够满足聚类分析的需求，提高聚类分析的速度和准确性。
其中，图像分割，可以指根据分析的需要，对载荷谱进行片段划分，如以电动推土机的每一次启动和停止作为依据，进行片段的划分，从而保证载荷谱的分布更加合理。
特征参数提取，可以指为根据需要提取载荷谱中压力值的平均值或峰值等，以便于聚类分析中进行载荷谱的聚类。
标准化，可以指对载荷谱中压力值进行归一化处理，使压力值分布在0和1之间，从而有利于减少后续的计算工作量，提高载荷谱的处理速度。
S103、基于特征工作电流，生成电池试验方案。
本步骤中，根据S103得到的特征工作电流，生成本次进行电池试验的电池试验方案。
在一种可能的实施方式中，本实施例中，通过获取到的特征工作电流Iqie、Ichan、Iyun、Irun和Ilim的具体数值，对电池试验方案模板中相应的参数进行修改，得到新的电池试验方案。
本实施例中，电池试验方案用于指导用户进行电池试验，以得到电动推土机的电池管理参数，示例性地，电池试验为电池放电试验，则本实施例中电池试验方案作为指导用户进行电池放电试验的依据。
具体地，依据电池试验方案，先采用实际电池组进行电流的放电过程，全程记录电池组放电过程的时间、电流、电压、荷电状态(state of charge，SOC),以及温度变化等。再根据记录的时间、电流、电压，采用混合动力脉冲能力特性(hybrid pulse powercharacteristic，HPPC)方案计算电池放电过程中的内阻大小，并通过回归分析，如响应面法拟合出不同状态下的内阻变化，从而得到不同工况下电池的放电倍率、SOC、放电倍率和温度等电池管理系统进行电池管理所需的参数。
可以理解的是，根据不同的电池管理需求，电池管理参数可以为内阻、荷电状态、放电倍率和温度中的一种或多种，也可以是其他与电池相关的参数如电池放电过程中产生的热量等，此处不做限制。
另外，本实施例中，进行电池放电试验所有电池组的单电池要与电动推土机实际所用的电池型号或种类一致，可以为三元锂电池、磷酸铁锂电池、锰酸锂电池等。
本实施例中，通过获取电动推土机作业过程中产生的载荷谱，对载荷谱进行大数据处理，得到目标工况下电动推土机的电池的特征工作电流，基于特征工作电流，生成电池试验方案，电池试验方案用于指导用户进行电池试验，以得到电动推土机的电池管理参数，实现了对电池的精细化管理，提高了电池的管理精度和有效性，保证了电池的安全和工作性能，有利于实现电动推土机的可持续发展。
实施例二
图4为本申请实施例二提供的基于大数据分析的电动推土机用电池试验方案的生成装置的结构示意图，如图4所示，本实施例中基于大数据分析的电动推土机用电池试验方案的生成装置10包括：
获取模块11和处理模块12。
获取模块11，用于获取电动推土机作业过程中产生的载荷谱；
处理模块12，用于对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流；基于所述特征工作电流，生成电池试验方案，所述电池试验方案用于指导用户进行电池试验，以得到所述电动推土机的电池管理参数。
可选地，处理模块12具体用于：
对所述载荷谱进行聚类，得到目标工况下所述电动推土机的特征载荷谱；
通过电动推土机仿真模型对所述特征载荷谱进行计算，得到目标工况下所述电动推土机的电池的特征工作电流。
可选地，处理模块12具体用于：
基于改进的K-Means聚类算法，对所述载荷谱进行聚类，得到目标工况下所述电动推土机的特征载荷谱，所述改进的K-Means聚类算法是通过蜂群智能优化算法对K-Means聚类算法改进后得到的。
可选地，所述电动推土机仿真模型包括电池模拟模块、电机模拟模块、控制器模拟模块、行走系统模拟模块和作业系统模拟模块。
可选地，处理模块12还用于：
对所述载荷谱进行预处理，所述预处理包括去噪、滤波、图像分割、特征参数提取和标准化中的至少一种。
可选地，所述电池管理参数包括内阻、荷电状态、放电倍率和温度中的至少一种。
可选地，所述目标工况包括切土工况、铲土工况、运土工况、行走工况和极限工况中的至少一种。
本实施例所提供的基于大数据分析的电动推土机用电池试验方案的生成装置可执行上述方法实施例所提供的基于大数据分析的电动推土机用电池试验方案的生成方法，具备执行方法相应的功能模块和有益效果。本实施例的实现原理和技术效果与上述方法实施例类似，此处不再一一赘述。
实施例三
图5为本申请实施例三提供的一种电子设备的结构示意图，如图5所示，该电子设备20包括存储器21、处理器22及存储在存储器上并可在处理器上运行的计算机程序；电子设备20处理器22的数量可以是一个或多个，图5中以一个处理器22为例；电子设备20中的处理器22、存储器21可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器21作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的获取模块11和处理模块12对应的程序指令/模块。处理器22通过运行存储在存储器21中的软件程序、指令以及模块，从而执行设备/终端的各种功能应用以及数据处理，即实现上述的基于大数据分析的电动推土机用电池试验方案的生成方法。
存储器21可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器21可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器21可进一步包括相对于处理器22远程设置的存储器，这些远程存储器可以通过网格连接至设备/终端。上述网格的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例四
本申请实施例四还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在由计算机处理器执行时用于执行一种基于大数据分析的电动推土机用电池试验方案的生成方法，该方法包括：
获取电动推土机作业过程中产生的载荷谱；
对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流；
基于所述特征工作电流，生成电池试验方案，所述电池试验方案用于指导用户进行电池试验，以得到所述电动推土机的电池管理参数。
当然，本申请实施例所提供的一种包计算机可读存储介质，其计算机程序不限于如上所述的方法操作，还可以执行本申请任意实施例所提供的基于大数据分析的电动推土机用电池试验方案的生成方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网格设备等)执行本申请各个实施例所述的方法。
值得注意的是，上述基于大数据分析的电动推土机用电池试验方案的生成装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (7)
1.一种基于大数据分析的电动推土机用电池试验方案的生成方法，其特征在于，包括：
获取电动推土机作业过程中产生的载荷谱；
对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流；
基于所述特征工作电流，生成电池试验方案，所述电池试验方案用于指导用户进行电池试验，以得到所述电动推土机的电池管理参数；
其中，所述对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流，包括：
对所述载荷谱进行聚类，得到目标工况下所述电动推土机的特征载荷谱；
通过电动推土机仿真模型对所述特征载荷谱进行计算，得到目标工况下所述电动推土机的电池的特征工作电流；
其中，所述目标工况包括切土工况、铲土工况、运土工况、行走工况和极限工况中的至少一种；
其中，所述电动推土机仿真模型包括电池模拟模块、电机模拟模块、控制器模拟模块、行走系统模拟模块和作业系统模拟模块。
2.根据权利要求1所述的方法，其特征在于，所述对所述载荷谱进行聚类，得到目标工况下所述电动推土机的特征载荷谱，包括：
基于改进的K-Means聚类算法，对所述载荷谱进行聚类，得到目标工况下所述电动推土机的特征载荷谱，所述改进的K-Means聚类算法是通过蜂群智能优化算法对K-Means聚类算法改进后得到的；
其中，所述蜂群智能优化算法是一种模拟蜜蜂觅食行为的群体智能优化算法，所述蜂群智能优化算法使用蜜源的位置代表所求优化问题的可行解，通过蜜源的花粉数量表示解的适应度；
所述蜂群智能优化算法中将所有蜜蜂划分为雇佣蜂、跟随蜂和探索蜂三组；所述雇佣蜂负责最初的寻找蜜源并采蜜分享信息，所述跟随蜂负责呆在蜂巢里根据所述雇佣蜂提供的信息去采蜜，所述探索蜂在原有蜜源被抛弃后负责随机寻找新的蜜源来替换原有的蜜源；通过对蜂群和蜜源初始化后，反复雇佣阶段、跟随蜂阶段和探索蜂阶段三个过程，来寻找问题的最优解，进而寻找最合适的聚类中心；
其中，所述雇佣蜂进行蜜源探索，所述雇佣蜂进行蜜源位置更新的公式一如下：
vij＝xij+αμij(xij-xkj)+βγij(yj-xkj)；
其中，i为蜜源编号，j为蜜源的维度，M为最大迭代次数，xij为旧蜜源位置，vij为新蜜源位置，xkj为随机选择的蜜源位置，μij是[-1,1]的随机数，γij是[0,E]的随机数，yj为蜜源位置第j维度的最优解；
若某一蜜源被开采过度需要探索蜂开采新的蜜源，则可通过如下公式二计算新蜜源的位置，并通过新蜜源的位置对该蜜源的位置进行替代，公式二如下：
x′ij＝xminj+rand[0,1](xmaxj-xminj)；
其中，x′ij为替换蜜源位置，xminj和xmaxj分别为蜜源位置第j维度的最小最大值，rand[0,1]为[0,1]的随机数；通过公式二得到的x′ij用于对公式一被开采过度的进行xij替换；
用蜜源代表要求解的5个聚类中心，所述聚类中心为对应目标工况下的特征载荷谱，蜜蜂代表待聚类的样本，所述聚类的样本为对应目标工况下的载荷谱，假设样本数量为n；在通过上述公式一和二得到蜜源位置后，根据n个样本点离所有蜜源的欧几里得距离的大小可将该样本点分类，并计算所有样本点到各聚类中心的距离和，以此为基础评价所确定的各蜜源的适应度值f(sp)；f(sp)的计算公式三如下：
其中，Sp表示第p个样本点，Xq表示第q(q＝1，2，3，4，5)类的聚类中心，d(Sp,Xq)表示样本Sp到对应类聚类中心Xq的距离；公式三中的Xq即为所述公式一计算得到的vij；
每通过公式一和二确定一组蜜源，则通过公式三计算该组蜜源的适应度，最终将适应度值f(xp)的取值最小的一组蜜源，确定为最终的聚类中心，得到特征载荷谱；
以目标工况包括切土工况、铲土工况、运土工况、行走工况和极限工况五个工况进行求解，则通过改进的K-Means聚类算法对原始的载荷谱进行聚类得到五个聚类簇团，五个聚类簇团分别与这个五个目标工况对应，每个聚类簇团都对应一个聚类中心，每个聚类中心反映该目标工况特征的载荷谱，为该目标工况下的特征载荷谱，对应于每种目标工况，分别为切土工况特征载荷谱、铲土工况特征载荷谱、运土工况特征载荷谱、行走工况特征载荷谱和极限工况特征载荷谱。
3.根据权利要求1所述的方法，其特征在于，所述对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流之前，所述方法还包括：
对所述载荷谱进行预处理，所述预处理包括去噪、滤波、图像分割、特征参数提取和标准化中的至少一种。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述电池管理参数包括内阻、荷电状态、放电倍率和温度中的至少一种。
5.一种基于大数据分析的电动推土机用电池试验方案的生成装置，其特征在于，包括：
获取模块，用于获取电动推土机作业过程中产生的载荷谱；
处理模块，用于对所述载荷谱进行大数据处理，得到目标工况下所述电动推土机的电池的特征工作电流；基于所述特征工作电流，生成电池试验方案，所述电池试验方案用于指导用户进行电池试验，以得到所述电动推土机的电池管理参数；
其中，所述处理模块具体用于：
对所述载荷谱进行聚类，得到目标工况下所述电动推土机的特征载荷谱；
通过电动推土机仿真模型对所述特征载荷谱进行计算，得到目标工况下所述电动推土机的电池的特征工作电流；
所述目标工况包括切土工况、铲土工况、运土工况、行走工况和极限工况中的至少一种；
所述电动推土机仿真模型包括电池模拟模块、电机模拟模块、控制器模拟模块、行走系统模拟模块和作业系统模拟模块。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一所述的基于大数据分析的电动推土机用电池试验方案的生成方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的基于大数据分析的电动推土机用电池试验方案的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110729034.4A CN113343487B (zh) | 2021-06-29 | 2021-06-29 | 基于大数据分析的电动推土机用电池试验方案的生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110729034.4A CN113343487B (zh) | 2021-06-29 | 2021-06-29 | 基于大数据分析的电动推土机用电池试验方案的生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113343487A CN113343487A (zh) | 2021-09-03 |
| CN113343487B true CN113343487B (zh) | 2023-08-22 |
Family
ID=77481463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110729034.4A Active CN113343487B (zh) | 2021-06-29 | 2021-06-29 | 基于大数据分析的电动推土机用电池试验方案的生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343487B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114062147A (zh) * | 2021-11-08 | 2022-02-18 | 山推工程机械股份有限公司 | 载荷谱试验采集数据确定方法、装置、设备及介质 |
| CN114936607B (zh) * | 2022-06-14 | 2023-04-07 | 山东大学 | 基于混合粒子群和灰狼算法的载荷谱合成方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778477A (zh) * | 2015-04-10 | 2015-07-15 | 中国石油大学(华东) | 一种优化的人工蜂群聚类方法 |
| CN107831711A (zh) * | 2017-10-27 | 2018-03-23 | 山东大学 | 基于聚类的推土机动力总成故障诊断系统构建方法和装置 |
| CN107991103A (zh) * | 2017-10-20 | 2018-05-04 | 开沃新能源汽车集团有限公司 | 一种基于真实路谱的电动汽车电池包结构疲劳寿命预测方法 |
| CN110414584A (zh) * | 2019-07-22 | 2019-11-05 | 山东大学 | 混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统 |
| CN110866997A (zh) * | 2019-11-12 | 2020-03-06 | 中国计量大学 | 一种新的电动汽车行驶工况构建方法 |
| CN111581893A (zh) * | 2020-04-03 | 2020-08-25 | 上海理工大学 | 一种电驱动总成机械系统可靠性试验载荷谱的编制方法 |
| CN112149345A (zh) * | 2020-08-26 | 2020-12-29 | 清华大学 | 电池管理方法、装置、计算机设备和存储介质 |
| CN112163351A (zh) * | 2020-08-05 | 2021-01-01 | 珠海广通汽车有限公司 | 电池支架的仿真分析方法及装置 |
| CN112763909A (zh) * | 2020-12-29 | 2021-05-07 | 中通客车控股股份有限公司 | 一种车用驱动电机联合工况测试方法及系统 |
| CN112818602A (zh) * | 2021-02-05 | 2021-05-18 | 清华大学 | 基于大数据分析的电池数字孪生控制方法及装置 |
-
2021
- 2021-06-29 CN CN202110729034.4A patent/CN113343487B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778477A (zh) * | 2015-04-10 | 2015-07-15 | 中国石油大学(华东) | 一种优化的人工蜂群聚类方法 |
| CN107991103A (zh) * | 2017-10-20 | 2018-05-04 | 开沃新能源汽车集团有限公司 | 一种基于真实路谱的电动汽车电池包结构疲劳寿命预测方法 |
| CN107831711A (zh) * | 2017-10-27 | 2018-03-23 | 山东大学 | 基于聚类的推土机动力总成故障诊断系统构建方法和装置 |
| CN110414584A (zh) * | 2019-07-22 | 2019-11-05 | 山东大学 | 混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统 |
| CN110866997A (zh) * | 2019-11-12 | 2020-03-06 | 中国计量大学 | 一种新的电动汽车行驶工况构建方法 |
| CN111581893A (zh) * | 2020-04-03 | 2020-08-25 | 上海理工大学 | 一种电驱动总成机械系统可靠性试验载荷谱的编制方法 |
| CN112163351A (zh) * | 2020-08-05 | 2021-01-01 | 珠海广通汽车有限公司 | 电池支架的仿真分析方法及装置 |
| CN112149345A (zh) * | 2020-08-26 | 2020-12-29 | 清华大学 | 电池管理方法、装置、计算机设备和存储介质 |
| CN112763909A (zh) * | 2020-12-29 | 2021-05-07 | 中通客车控股股份有限公司 | 一种车用驱动电机联合工况测试方法及系统 |
| CN112818602A (zh) * | 2021-02-05 | 2021-05-18 | 清华大学 | 基于大数据分析的电池数字孪生控制方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进人工蜂群的核模糊聚类算法;梁冰等;《计算机应用》;20170910(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113343487A (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113343487B (zh) | 基于大数据分析的电动推土机用电池试验方案的生成方法 | |
| 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 | |
| CN108417033B (zh) | 基于多维因素的高速路交通事故分析预测方法 | |
| CN112381313B (zh) | 充电桩地址的确定方法和装置 | |
| CN111967696B (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
| CN106202566A (zh) | 一种基于大数据的海量用电数据混合存储系统及方法 | |
| CN107480825B (zh) | 一种计及容量可信度的光伏电站优化规划方法 | |
| CN113688558B (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及系统 | |
| CN104572833B (zh) | 一种映射规则创建方法及装置 | |
| CN112200471B (zh) | 充电桩的数量配置方法、装置和充电桩的分布系统 | |
| CN108876019A (zh) | 一种基于大数据的用电负荷预测方法及系统 | |
| CN112257937B (zh) | 一种基于大数据技术的配电网故障预测系统及方法 | |
| CN105608286A (zh) | 基于粒子群优化算法的车辆保险杠结构优化方法 | |
| CN105868887A (zh) | 一种基于分项计量的楼宇综合能效分析方法 | |
| CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
| CN113011559A (zh) | 基于kubernetes的自动机器学习方法及系统 | |
| CN115097312A (zh) | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 | |
| CN113627565A (zh) | 新能源汽车电池数据标签生成方法、装置、设备及存储介质 | |
| CN102426676A (zh) | 一种智能用电策略的特征提取方法 | |
| CN104573864A (zh) | 一种基于自回归预测的数据分析报警方法 | |
| CN117633068A (zh) | 一种建设用地供应监测监管方法及系统 | |
| CN106780747A (zh) | 一种快速分割cfd计算网格的方法 | |
| CN111144629A (zh) | 一种水力发电站来水量预测方法及系统 | |
| CN115313377A (zh) | 一种电力负荷预测方法及系统 | |
| Sarajpoor et al. | Time Series Aggregation in Power System Studies in the Presence of Wind Energy: A Matrix-Profile Perspective |
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 |