CN113492724B - 基于赫斯特指数的动力电池sop预测方法、存储介质及设备 - Google Patents
基于赫斯特指数的动力电池sop预测方法、存储介质及设备 Download PDFInfo
- Publication number
- CN113492724B CN113492724B CN202110857418.4A CN202110857418A CN113492724B CN 113492724 B CN113492724 B CN 113492724B CN 202110857418 A CN202110857418 A CN 202110857418A CN 113492724 B CN113492724 B CN 113492724B
- Authority
- CN
- China
- Prior art keywords
- sequence
- hurst index
- value
- sop
- fractal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 239000004065 semiconductor Substances 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005295 random walk Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一种基于赫斯特指数的动力电池SOP预测方法、存储介质及设备,包括利用赫斯特指数方法,以电动大巴车的历史负荷数据作为一个有序的时间序列,进行相关计算,得出赫斯特指数H的值,并以此值作为未来一段时间的负荷变化趋势的判断依据。在此基础上,再通过分形理论,将一个赫斯特指数值的序列进行分组计算,最终进行电池SOP的预测。本发明则将分形理论和赫斯特指数预测方法结合起来,不仅可以做短期的精确负荷预测,还可以进行长期趋势符合的判断;对动力电池的SOP预测有着良好的估算效果。
Description
技术领域
本发明涉及电动汽车领域中动力电池负载功率的预测技术领域,具体涉及一种基于赫斯特指数的动力电池SOP预测方法、存储介质及设备。
背景技术
电池组得负载预测对电池管理系统的设计与开发有着重要的意义。负荷预测越精确,电池系统才能够更安全、稳定、经济、健康的运行,对于电池系统的有效保护和控制策略的指定有着重要的影响;精确的负荷预测可以使电池系统的能量调度和管理等更加合理科学,可以指导电动车厂家制定合理的限制功率计划,避免造成电能过剩和过打或者过小的功率伤害电气元件的情况。近年来,负荷预测方法层出不穷,经过试验验证也有一定的准确性,但是,目前的方法都存在一些固有缺陷,如响应时间太长、考虑影响因素不够全面、只能进行短期负荷预测或长期负荷预测等,为了解决该类问题,本发明提出了基于赫斯特指数和分形理论的功率即SOP预测方法。
发明内容
本发明提出的一种基于赫斯特指数的动力电池SOP预测方法、存储介质及设备,利用赫斯特指数中重标极差(R/S)分析法的与分形方法实现在收集一段时间的SOP数据之后,进行短时预测SOP的目的。
为实现上述目的,本发明采用了以下技术方案:
一种基于赫斯特指数的动力电池SOP预测方法,包括以下步骤,
以电动大巴车的历史负荷数据作为一个有序的时间序列,进行相关计算,得出赫斯特指数H的值,并以此值作为未来一段时间的负荷变化趋势的判断依据;
在上述基础上,再通过分形理论,将一个赫斯特指数值的序列进行分组计算,最终进行电池SOP的预测。
进一步的,具体步骤如下,
S1:先行获取收集一段时间的在BMS上采集到的电池SOP数据;
S2:将收集到的长度为M的SOP时间序列{Xi}等分成长度为n的W个连续的子序列,其中,n≥3,W即M/n的整数部分,每个子序列记作Fa(a=1,2,…W),每个子序列中的元素记作Qr,a;
S3:计算每个长度为n的子序列Fa的均值:
S4:计算每个子序列Fa偏离子序列均值的累积离差:
S5:计算每个子序列的Fa极差
Ra=max1≤t≤n(Xt,a)-min1≤t≤n(Xt,a)
S6:计算每个子序列Fa的标准偏差:
S7:比较不同类型的时间序列,将每个子序列的标准偏差Sa去除极差Ra:
(R/S)a=(Ra/Sa)
S8:对每个子序列重复S3-S7步骤,计算得到一个重标极差序列(R/S),计算该序列的均值:
S9:列出该序列值的赫斯特指数值:
其中,c为常数,n为观察值的个数,H为赫斯特指数;
对S9式两边同时求对数可得:log(R/S)=Hlog(n)+logc;
以log(R/S)为因变数,log(n)为自变量用最小二乘法做回归分析,求出来的值就是赫斯特指数值H;
S10:将新的序列分组方法计算所得赫斯特指数值利用分形的方法进行处理,首先得到未来一个时刻的赫斯特指数值,然后根据所得赫斯特指数值使用“夹逼法”,预测出未来一采样时刻的实际SOP。
进一步的,还包括,
S11:定义分形分布定义为幂指数分布
在该幂指数分布公式中,N代表的是与r有关的指数值,在此表示为分形维数的参数;r代表的是时间点;C代表的是一个待定常数;D代表的是分维数;计算出的N则为所对应的赫斯特指数值;
S12:结合分形方法中D,即代表的分维数在双对数坐标上表示出来是一条直线,则根据该直线上的任意两个点(Ni,ri)和(Nj,rj)确定该直线的分形参数,即可得到C和D的数值;
将两点坐标带入分形幂指数公式中可得:
C=NirD;
S13:将所有的原始数据(Ni,ri)绘制在双对数坐标上,将Ni按顺序进行排列,即{H}={N1,N2,…},i=1,2,3…,n;
S14:建立各阶累计和的分形模型,将数据绘制在双对数坐标轴上,获取离散的分形模型;
S15:确定相应的分形参数,即S11中提到的C、r、D;
S16:利用上面步骤中得到的C、r、D代入S11步骤中的公式中,计算出赫斯特指数数值,并且此值作为未来一段时间的SOP变化趋势的判断依据。
另一方面,本发明还公开一种基于赫斯特指数和分形方法的动力电池SOP预测系统,包括以下单元,
数据获取单元,用于获取电动大巴车的历史负荷数据;
计算单元,用于以电动大巴车的历史负荷数据作为一个有序的时间序列,进行相关计算,得出赫斯特指数H的值,并以此值作为未来一段时间的负荷变化趋势的判断依据;
预测单元,用于在计算单元基础上,再通过分形理论,将一个赫斯特指数值的序列进行分组计算,最终进行电池SOP的预测。
再一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
又一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述方法的步骤。
由上述技术方案可知,本发明的基于赫斯特指数的动力电池SOP预测方法及系统,利用赫斯特指数方法,以电动大巴车的历史负荷数据作为一个有序的时间序列,进行相关计算,得出赫斯特指数H的值,并以此值作为未来一段时间的负荷变化趋势的判断依据。在此基础上,再通过分形理论,将一个赫斯特指数值的序列进行分组计算,最终进行电池SOP的预测。本发明则将分形理论和赫斯特指数预测方法结合起来,不仅可以做短期的精确负荷预测,还可以进行长期趋势符合的判断。对动力电池的SOP预测有着良好的估算效果。
附图说明
图1是本发明的方法流程图;
图2是本实施例SOP的预测值与实际值比较示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于赫斯特指数的动力电池SOP预测方法,包括以下步骤,
S1:先行获取收集一段时间的在BMS上采集到的电池SOP数据。
S2:将收集到的长度为M的SOP时间序列{Xi}等分成长度为n(n≥3)的W(M/n的整数部分)个连续的子序列,每个子序列记作Fa(a=1,2,…W),每个子序列中的元素记作Qr,a。
S3:计算每个长度为n的子序列Fa的均值:
S4:计算每个子序列Fa偏离子序列均值的累积离差:
S5:计算每个子序列的Fa极差
Ra=max1≤t≤n(Xt,a)-min1≤t≤n(Xt,a)
S6:计算每个子序列Fa的标准偏差:
S7:比较不同类型的时间序列,将每个子序列的标准偏差Sa去除极差Ra:
(R/S)a=(Ra/Sa)
S8:对每个子序列重复S3-S7步骤,计算得到一个重标极差序列(R/S),计算该序列的均值:
S9:列出该序列值的赫斯特指数值。
其中,c为常数,n为观察值的个数,H为赫斯特指数。对S9式两边同时求对数可得:log(R/S)=Hlog(n)+logc。以log(R/S)为因变数,log(n)为自变量用最小二乘法做回归分析,求出来的值就是赫斯特指数值H。一般情况下,当n大于等于10时,需要对(S9中式子)式做回归。
S10:将新的序列分组方法计算所得赫斯特指数值利用分形的方法进行处理,首先得到未来一个时刻的赫斯特指数值,然后根据所得赫斯特指数值使用“夹逼法”,预测出未来一采样时刻的实际SOP。
S11:定义分形分布可以定义为幂指数分布
在该幂指数分布公式中,N代表的是与r有关的指数值,在此表示为分形维数的参数;r代表的是时间点;C代表的是一个待定常数;D代表的是分维数,计算出的N则为所对应的赫斯特指数值。
S12:结合分形方法中D,即代表的分维数在双对数坐标上表示出来是一条直线,则可以根据该直线上的任意两个点(Ni,ri)和(Nj,rj)确定该直线的分形参数,即可得到C和D的数值。将两点坐标带入分形幂指数公式中可得:
C=NirD
S13:将所有的原始数据(Ni,ri)绘制在双对数坐标上,一般情况下它们与样本分布并不一样,这时将Ni按顺序进行排列,即{H}={N1,N2,…},i=1,2,3…,n。除此之外,还可以构造其他序列,比如等等,以此类推;
S14:建立各阶累计和的分形模型,将数据绘制在双对数坐标轴上,获取离散的分形模型;
S15:确定相应的分形参数,即S11中提到的C、r、D;
S16:利用上面步骤中得到的C、r、D代入S11步骤中的公式中,计算出赫斯特指数数值,并且此值作为未来一段时间的SOP变化趋势的判断依据。
以下具体说明:
由统计学可知,如果一个时间序列是随机游走的,那么它的赫斯特指数H为0.5,当赫斯特指数H不等于0.5时,则说明该时间序列不是随机游走的,是不独立的,每一个序列值都与之前的序列值有关系,受到之前序列值的影响。根据赫斯特指数值的不同,可以将时间序列分为三种类型:(1)H=0.5,说明该序列是标准的随机游走序列,也就是说过去的增量和未来的增量没有关系;(2)0≤H<0.5,说明该序列不是随机游走序列,是一种反相关性的时间序列,也就是说过去的增量和未来的增量是负相关的:如果某序列在过去一段时间是逐渐增大的,那么在未来一段时间可能是逐渐减小的;反之,如果某序列在过去一段时间内是逐渐减小的,那么在未来一段时间内可能是逐渐增大的。并且,随着赫斯特指数H越接近0,这种反相关性表现的越明显,这种序列就比随机序列具有更强的突变型。(3)0.5<H≤1,说明该序列不是随机游走序列,是一种正相关性的时间序列,也就是说过去的增量和未来的增量是正相关的:如果某序列在过去一段时间是逐渐增大的,那么在未来一段时间可能是逐渐增大的;反之,如果某序列在过去一段时间内是逐渐减小的,那么在未来一段时间内可能是逐渐减小的。并且,随着赫斯特指数H越接近1,这种正相关性表现的越明显,这种序列就比随机序列具有更强的突变型。
使用重标极差(R/S)分析方法可以计算出某时序数列的赫斯特指数,因此可以由过去某时段的实际负荷值算出一个赫斯特指数值H,该赫斯特指数值H可以显示出未来某一时段的负荷变化趋势。该方法有其自身的局限性,只能通过该方法知道未来某时段负荷的变化趋势,对负荷的实际值不能精确度量,为了克服其自身的局限性,可以利用赫斯特指数反算负荷值。
传统的利用重标极差(R/S)分析法计算赫斯特指数H值的方法是将一段有序数列进行等分,每个子序列的长度是一致的并且任意一个序列值只对应一个子序列,这种方法有其自身的优越性,但是局限性在于不能将一段时间序列紧密的联系在一起。现在,在利用重标极差(R/S)分析法计算赫斯特指数H值的过程中,提出一种新的对时间序列的分组方法,这种新的分组方法与传统方法最大的区别就在于同一个数据可以同时属于两个不同的子序列。以某辆电动大巴车2020年9月1日到10月31日的每分钟的平均SOP数据来说明。这种新的分组方法是:每一个子序列包含的数据量包含前一个子序列所有的数据量,且在此基础上增加一个数据。在该实例中,将第一个子序列所含数据量假设为5个,即就是说,第一个子序列所含数据为9月1日到9月5日这五天的每天平均负荷,第二个子序列所含数据位9月1日到9月6日这六天的每天的平均负荷,以此类推,总共含有57个子序列,第一个子序列含有5个数据,第二个子序列含有6个数据,最后一个子序列含有61个数据。利用每个子序列所含数据通过重标极差(R/S)分析法计算赫斯特指数H值,计算所得第一个赫斯特指数H为9月5日的赫斯特指数,计算所得第二个赫斯特指数H为9月6日的赫斯特指数,以此类推,计算所得最后一个赫斯特指数为10月31日的赫斯特指数。
在得到上述相应的赫斯特指数值之后,再利用分形方法计算步骤S10—S14中提及的分形参数。得到分形参数之后即可对后续SOP值进行预测。预测结果如下图1所示。此处的回归方法就是将分形方法中的参数进行回归之后得到的相应预测数据。
综上所述,本发明基于分形理论和赫斯特指数建立新的瞬时负荷预测模型,提出相应的电池系统SOP预测方法。之后使用新的理论和方法对某辆电动车某时段的负荷做短期的趋势判断,再根据分形分布理论,使用“回归法”进行短期精确地负荷预测,最终将所得结果与实际SOP数据结果做对比分析,验证了该种方法的有效性。
另一方面,本发明还公开一种基于赫斯特指数和分形方法的动力电池SOP预测系统,包括以下单元,
数据获取单元,用于获取电动大巴车的历史负荷数据;
计算单元,用于以电动大巴车的历史负荷数据作为一个有序的时间序列,进行相关计算,得出赫斯特指数H的值,并以此值作为未来一段时间的负荷变化趋势的判断依据;
预测单元,用于在计算单元基础上,再通过分形理论,将一个赫斯特指数值的序列进行分组计算,最终进行电池SOP的预测。
再一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
又一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述方法的步骤。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于赫斯特指数的动力电池SOP预测方法,其特征在于,包括通过计算机设备实现以下步骤,
以电动大巴车的历史负荷数据作为一个有序的时间序列,进行相关计算,得出赫斯特指数H的值,并以此值作为未来一段时间的负荷变化趋势的判断依据;
在上述基础上,再通过分形理论,将一个赫斯特指数值的序列进行分组计算,最终进行电池SOP的预测;
具体包括以下步骤,
S1:先行获取收集一段时间的在BMS上采集到的电池SOP数据;
S2:将收集到的长度为的SOP时间序列{/>}等分成长度为/>的/>个连续的子序列,的整数部分,每个子序列记作/>,每个子序列中的元素记作/>;
S3:计算每个长度为n的子序列的均值:
S4:计算每个子序列偏离子序列均值的累积离差:
S5:计算每个子序列的极差
S6:计算每个子序列的标准偏差:
S7:比较不同类型的时间序列,将每个子序列的标准偏差去除极差/> :
S8:对每个子序列重复S3-S7步骤,计算得到一个重标极差序列(R/S) ,计算该序列的均值:
S9:列出该序列的赫斯特指数值:
其中,c 为常数,n 为观察值的个数,H 为赫斯特指数;
对S9式两边同时求对数可得:log(R/S)= Hlog(n)+logc ;
以log(R/S) 为因变数,log(n) 为自变量用最小二乘法做回归分析,求出来的值就是赫斯特指数值 H ;
S10:将新的序列分组方法计算所得赫斯特指数值利用分形的方法进行处理,首先得到未来一个时刻的赫斯特指数值,然后根据所得赫斯特指数值使用“夹逼法”,预测出未来一采样时刻的实际SOP;
还包括,
S11:定义分形分布定义为幂指数分布
在该幂指数分布公式中,N代表的是与r有关的指数值,在此表示为分形维数的参数;r代表的是时间点;C 代表的是一个待定常数;D 代表的是分维数;计算出的N则为所对应的赫斯特指数值;
S12:结合分形方法中D ,即代表的分维数在双对数坐标上表示出来是一条直线,则根据该直线上的任意两个点和/>确定该直线的分形参数,即可得到C和 D的数值;
将两点坐标带入分形幂指数公式中可得:
;
S13:将所有的原始数据 绘制在双对数坐标上,将/>按顺序进行排列,即;
S14:建立各阶累计和的分形模型,将数据绘制在双对数坐标轴上,获取离散的分形模型;
S15:确定相应的分形参数,即S11中提到的C、r、D;
S16:利用上面步骤中得到的C、r、D代入S11步骤中的公式中,计算出赫斯特指数数值,并且此值作为未来一段时间的SOP变化趋势的判断依据。
2.一种基于赫斯特指数的动力电池SOP预测设备,用于实现权利要求1所述的基于赫斯特指数的动力电池SOP预测方法,其特征在于,包括以下单元,
数据获取单元,用于获取电动大巴车的历史负荷数据;
计算单元,用于以电动大巴车的历史负荷数据作为一个有序的时间序列,进行相关计算,得出赫斯特指数H的值,并以此值作为未来一段时间的负荷变化趋势的判断依据;
预测单元,用于在计算单元基础上,再通过分形理论,将一个赫斯特指数值的序列进行分组计算,最终进行电池SOP的预测。
3.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1所述方法的步骤。
4.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857418.4A CN113492724B (zh) | 2021-07-28 | 2021-07-28 | 基于赫斯特指数的动力电池sop预测方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857418.4A CN113492724B (zh) | 2021-07-28 | 2021-07-28 | 基于赫斯特指数的动力电池sop预测方法、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113492724A CN113492724A (zh) | 2021-10-12 |
CN113492724B true CN113492724B (zh) | 2023-12-08 |
Family
ID=77996420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110857418.4A Active CN113492724B (zh) | 2021-07-28 | 2021-07-28 | 基于赫斯特指数的动力电池sop预测方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113492724B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116743180B (zh) * | 2023-08-08 | 2024-02-13 | 东莞市欧派奇电子科技有限公司 | 一种储能电源数据智能存储方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6144877A (en) * | 1998-08-11 | 2000-11-07 | The United States Of America As Represented By The Department Of Health And Human Services | Determining the hurst exponent for time series data |
CN103077306A (zh) * | 2012-12-31 | 2013-05-01 | 河海大学 | 一种基于赫斯特指数的边坡安全评价方法 |
CN107688687A (zh) * | 2017-07-10 | 2018-02-13 | 山东科技大学 | 一种考虑长程相关性和部件不确定性的寿命预测方法 |
CN111458650A (zh) * | 2020-01-15 | 2020-07-28 | 合肥国轩高科动力能源有限公司 | 一种锂离子动力电池系统峰值功率估算的方法 |
WO2020224112A1 (zh) * | 2019-05-07 | 2020-11-12 | 深圳大学 | 一种基于训练级数模型的时间序列预测方法 |
CN112677769A (zh) * | 2020-12-28 | 2021-04-20 | 重庆大学 | 基于多因素融合的电池系统功率限值估算方法 |
CN112801363A (zh) * | 2021-01-26 | 2021-05-14 | 国网上海市电力公司 | 一种电力负荷损失预测方法、介质、电子设备和系统 |
-
2021
- 2021-07-28 CN CN202110857418.4A patent/CN113492724B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6144877A (en) * | 1998-08-11 | 2000-11-07 | The United States Of America As Represented By The Department Of Health And Human Services | Determining the hurst exponent for time series data |
CN103077306A (zh) * | 2012-12-31 | 2013-05-01 | 河海大学 | 一种基于赫斯特指数的边坡安全评价方法 |
CN107688687A (zh) * | 2017-07-10 | 2018-02-13 | 山东科技大学 | 一种考虑长程相关性和部件不确定性的寿命预测方法 |
WO2020224112A1 (zh) * | 2019-05-07 | 2020-11-12 | 深圳大学 | 一种基于训练级数模型的时间序列预测方法 |
CN111458650A (zh) * | 2020-01-15 | 2020-07-28 | 合肥国轩高科动力能源有限公司 | 一种锂离子动力电池系统峰值功率估算的方法 |
CN112677769A (zh) * | 2020-12-28 | 2021-04-20 | 重庆大学 | 基于多因素融合的电池系统功率限值估算方法 |
CN112801363A (zh) * | 2021-01-26 | 2021-05-14 | 国网上海市电力公司 | 一种电力负荷损失预测方法、介质、电子设备和系统 |
Non-Patent Citations (2)
Title |
---|
电动汽车估算策略综述;唐晓新等;《信息通信》(总第164期);第265-266页 * |
锂离子电池功率状态估计方法综述;顾启蒙等;《电源技术》(第2019年第9期);第1563-1567 页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113492724A (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112666464B (zh) | 电池健康状态预测方法、装置、电子设备和可读存储介质 | |
CN113406523B (zh) | 一种储能电池状态评价方法、装置、电子设备及存储系统 | |
CN108663634B (zh) | 一种动力电池内阻的确定方法和装置 | |
CN113030761B (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN113492724B (zh) | 基于赫斯特指数的动力电池sop预测方法、存储介质及设备 | |
CN115792653B (zh) | 锂电池电压曲线的回归拟合方法、装置及计算机设备 | |
CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
CN109061482B (zh) | 电池健康度预测方法及装置 | |
CN111999659B (zh) | 基于特征值法的磷酸铁锂电池soh估算方法及存储介质 | |
CN112051506B (zh) | 一种相似产品可迁移样本筛选方法、系统及用途 | |
CN110348540B (zh) | 基于聚类的电力系统暂态功角稳定故障筛选方法及装置 | |
CN111639442A (zh) | 一种动力锂电池剩余使用寿命的影响因素筛选方法及系统 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN114280485A (zh) | Soc估算及一致性评估方法、装置、计算机设备 | |
CN114035087A (zh) | 储能电池剩余寿命评估方法、装置、设备及介质 | |
CN115800433A (zh) | 电池组一致性评估与等级评价方法及装置 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN108446828B (zh) | 一种企业发电完成率均衡性评价方法及系统 | |
CN116148670A (zh) | 一种电化学储能电站电池寿命估算方法及装置 | |
CN113900028B (zh) | 一种考虑初始荷电状态和充放电路径的电池健康状态估计方法及系统 | |
CN115639480A (zh) | 一种电池健康状态的检测方法及装置 | |
CN115754772A (zh) | 一种电池容量衰减处理方法、装置、设备和存储介质 | |
CN115881882A (zh) | 电极涂布面密度的控制方法和相关产品 | |
CN107748327B (zh) | 一种储能电池组在线评估方法及装置 |
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 |