CN113554200B - 动力电池电压不一致性预测方法、系统及设备 - Google Patents
动力电池电压不一致性预测方法、系统及设备 Download PDFInfo
- Publication number
- CN113554200B CN113554200B CN202010327214.5A CN202010327214A CN113554200B CN 113554200 B CN113554200 B CN 113554200B CN 202010327214 A CN202010327214 A CN 202010327214A CN 113554200 B CN113554200 B CN 113554200B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- test
- training set
- normalized
- 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 56
- 238000012549 training Methods 0.000 claims abstract description 131
- 238000012360 testing method Methods 0.000 claims abstract description 115
- 238000003062 neural network model Methods 0.000 claims abstract description 99
- 239000000178 monomer Substances 0.000 claims abstract description 64
- 238000010606 normalization Methods 0.000 claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000004140 cleaning Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 92
- 230000006870 function Effects 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种动力电池电压不一致性预测方法，包括：采集电动汽车行驶过程中的总线数据，并对总线数据进行清洗处理，以生成目标信号数据；将目标信号数据划分为训练集及测试集，并对训练集及测试集进行归一化处理；构建BP神经网络模型；将归一化处理后的训练集输入BP神经网络模型，以训练BP神经网络模型；将归一化处理后测试集输入训练后的BP神经网络模型，以测试BP神经网络模型；根据测试后的BP神经网络模型，预测目标寿命周期内单体电压差的变化趋势。本发明还公开了一种动力电池电压不一致性预测系统及计算机设备。本发明对总线数据进行深度利用，并结合神经网络，有效实现动力电池电压不一致性监测预警。
Description
技术领域
本发明涉及电动汽车电池技术领域，尤其涉及一种动力电池电压不一致性预测方法、动力电池电压不一致性预测系统及计算机设备。
背景技术
锂离子动力电池是20世纪开发成功的新型高能电池，其以能量密度高、充放电效率高等优点被广泛应用在电动汽车上。
目前，电池的使用寿命和安全性是用户最为关心的问题，大量事实表明电池一致性的好坏与其寿命和安全息息相关。电池一致性不好时，电池组性能指标达不到单体电池性能指标水平，使用寿命急剧下降，同时由于不一致带来的单体电池的热失控也是重要的安全风险。相应地，电池不一致主要体现在电压、容量、内阻等方面，而单体电压差作为电池电压不一致性最重要的表征量，最为直观的体现电池组的一致性状态。因而，准确预测长里程下单体电压差对电池组的高效利用和故障预警具有重要意义。
目前，针对电池组电压差的研究很少。有学者通过试验对比研究电压差对电池循环性能的影响，发现电芯起始电压差较大的电池组循环性能明显变差，随着循环的进行，电压差进一步迅速变大，容量衰减加快。也有学者通过为期两年的试验监测，发现具备充放电均衡控制策略的锂离子动力电池储能系统能够很好地改善单体电压不一致性变化，并能明显延缓动力电池的容量衰减。但是，现阶段仍缺乏对电池压差的大样本量统计学分析，更没有对电压不一致性进行长里程定量预测的研究。
发明内容
本发明所要解决的技术问题在于，提供一种动力电池电压不一致性预测方法、系统及计算机设备，可用于动力电池电压不一致性监测预警，精度高，训练时间较短，成本低。
为了解决上述技术问题，本发明提供了一种动力电池电压不一致性预测方法，包括：采集电动汽车行驶过程中的总线数据，并对所述总线数据进行清洗处理，以生成目标信号数据；将所述目标信号数据划分为训练集及测试集，并对所述训练集及测试集进行归一化处理；构建BP神经网络模型；将归一化处理后的训练集输入所述BP神经网络模型，以训练所述BP神经网络模型；将归一化处理后测试集输入训练后的BP神经网络模型，以测试所述BP神经网络模型；根据测试后的BP神经网络模型，预测目标寿命周期内单体电压差的变化趋势。
作为上述方案的改进，所述对总线数据进行清洗处理，以生成目标信号数据的步骤包括：对所述总线数据进行清洗处理，以剔除无效的总线数据及失真的总线数据；从清洗后的总线数据中提取不同类型的信号参数，所述信号参数的类型包括车辆总里程信息、车速信息、电池包电流信息、电池包电压信息、电池包荷电状态及单体电压差；根据时间顺序对不同类型的信号参数分别进行排序，以构建不同类型的目标序列；根据所述目标序列构建输入矩阵X及目标矩阵T，以形成目标信号数据，其中，
TotalOdometer为车辆总里程信息，BCS_VehSpd为车速信息，BattCurr为电池包电流信息，BattVolt为电池包电压信息，BattSoc为电池包荷电状态，T＝[CellVoltDiff]，CellVoltDiff为单体电压差。
作为上述方案的改进，所述对训练集及测试集进行归一化处理的步骤包括：根据mapminmax函数对所述训练集进行归一化处理，其中，[X，Xs]＝mapminmax(Xtrain，Xmin，Xmax)，Xtrain为训练集中的输入矩阵，Xmax为期望的归一化区间最大值，Xmin为期望的归一化区间最小值，X为训练集进行归一化后的输入矩阵，Xs为训练集进行归一化后的结构体，[T，Ts]＝mapminmax(Ttrain，Tmin，Tmax)，Ttrain为训练集中的目标矩阵，Tmax为期望的归一化区间最大值，Tmin为期望的归一化区间最小值，T为训练集进行归一化后的目标矩阵，Ts为训练集进行归一化后的结构体；根据mapminmax函数对所述测试集进行归一化处理，其中，X1＝mapminmax(′apply′，Xtest，Xs)，Xtest为测试集中的输入矩阵，X1为归一化处理后的输入矩阵，T1＝mapminmax(′apply′，Ttest，Ts)，Ttest为测试集中的目标矩阵，T1为归一化处理后的目标矩阵。
作为上述方案的改进，所述BP神经网络模型为三层神经网络结构，包括输入层、隐藏层及输出层；所述输入层包括五个输入层节点，所述五个输入层节点分别对应所述车辆总里程信息、车速信息、电池包电流信息、电池包电压信息及电池包荷电状态；所述隐藏层包括隐藏层节点；所述输出层包括一个输出层节点，所述输出层节点对应单体电压差。
作为上述方案的改进，所述输入层与隐藏层之间设有第一权重矩阵W1，所述隐藏层与输出层之间设有第二权重矩阵W2。
作为上述方案的改进，所述隐藏层节点及输出层节点的激活函数均为Sigmoid函数。
作为上述方案的改进，训练时，采用反向传播算法训练所述BP神经网络模型具体包括：计算正向传播路径的输出层节点的误差e及输出层节点的增量δ，其中，e＝d-y，/>v＝W2*y1，/>v1＝W1*x，d为单体电压差实测值，x为归一化处理后的训练集，W1为第一权重矩阵，W2为第二权重矩阵，/>为激活函数，v1为隐藏层节点接收的加权和，y1为隐藏层节点的输出，v为输出层节点接收的加权和，y为输出层节点的输出；计算反向传播路径的隐藏层节点的误差e1及隐藏层节点的增量δ1，其中，e1＝W2′*δ，计算权重增量，并更新权重矩阵。
作为上述方案的改进，所述计算权重增量，并更新权重矩阵的步骤包括：计算权重增量dW1及dW2，其中，dW1＝α*δ1*x′，dW2＝α*δ*y1′，α为学习率；更新权重矩阵W1及W2，其中，W1＝W1+dW1，W2＝W2+dW2。
作为上述方案的改进，所述计算权重增量，并更新权重矩阵的步骤包括：计算权重增量dW1及dW2，其中，dW1＝α*δ1*x′，dW2＝α*δ*y1′，α为学习率；更新权重矩阵W1及W2，其中，W1＝W1+mmt1，mmt1＝dW1+β*mmt1，mmt1为第一权重矩阵W1的动量，β为常量，W2＝W2+mmt2，mmt2＝dW2+β*mmt2，mmt2为第二权重矩阵W2的动量。
作为上述方案的改进，所述将归一化处理后测试集输入训练后的BP神经网络模型以测试BP神经网络模型的步骤包括：将归一化处理后测试集输入训练后的BP神经网络模型，输出单体电压差预测值；将所述单体电压差预测值与单体电压差实测值进行对比，计算所述单体电压差预测值与单体电压差实测值的均方差。
相应地，本发明还提供了一种动力电池电压不一致性预测系统，包括：清洗模块，用于采集电动汽车长里程行驶过程中的总线数据，并对所述总线数据进行清洗处理，以生成目标信号数据；归一化模块，用于将所述目标信号数据划分为训练集及测试集，并对所述训练集及测试集进行归一化处理；构建模块，用于构建BP神经网络模型；训练模块，用于将归一化处理后的训练集输入所述BP神经网络模型，以训练所述BP神经网络模型；测试模块，用于将归一化处理后测试集输入训练后的BP神经网络模型，以测试所述BP神经网络模型；预测模块，用于根据测试后的BP神经网络模型，预测目标寿命周期内单体电压差的变化趋势。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述动力电池电压不一致性预测方法的步骤。
实施本发明，具有如下有益效果：
本发明对电动汽车行驶过程中的总线数据进行了深度利用，通过对总线数据的清洗及归一化处理，提取出针对性的目标信号数据以指导电池包电压不一致性的定量预测；
同时，本发明结合神经网络技术，构建出结构独特的BP神经网络模型，并将总线数据融入BP神经网络模型中，通过多轮的训练及测试处理，实现对电池包电压不一致性的定量预测。
附图说明
图1是本发明动力电池电压不一致性预测方法的实施例流程图；
图2是本发明中BP神经网络模型的结构示意图；
图3是本发明中BP神经网络模型的训练示意图；
图4是本发明中对总线数据进行清洗处理，以生成目标信号数据的流程图；
图5是本发明中采用mapminmax函数对训练集及测试集进行归一化处理的流程图；
图6是本发明中反向传播算法的示意图；
图7是本发明中采用反向传播算法训练BP神经网络模型的流程图；
图8是本发明中将归一化处理后测试集输入训练后的BP神经网络模型以测试BP神经网络模型的流程图；
图9是本发明中单体电压差的实测值与单体电压差预测值的对比图；
图10是本发明中预测目标寿命周期内单体电压差的变化趋势图；
图11是本发明动力电池电压不一致性预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
参见图1，图1显示了本发明动力电池电压不一致性预测方法的实施例流程图，其包括：
S101，采集电动汽车长里程行驶过程中的总线数据，并对总线数据进行清洗处理，以生成目标信号数据。
例如，采集某台电动汽车约16万公里行驶的总线数据后，需对总线数据进行数据清洗，删除冗余数据，以生成目标信号数据。
S102，将目标信号数据划分为训练集及测试集，并对训练集及测试集进行归一化处理。
实际应用中，将步骤S101生成的目标信号数据按一定的比例划分为训练集和测试集，并对所述训练集及测试集进行归一化处理。其中，训练集和测试集的划分原则为：训练集尽可能多，同时保留一定量的测试集用以验证模型的精度及可行性。一般情况下，本发明推荐定义训练集与测试集分别为目标信号数据总量的75％及25％，并对训练集及测试集进行归一化处理。
例如，若数据采样频率为1min，其中训练集共有约22万个数据，则测试集共有约7万个数据。
又如，采集某台电动汽车约16万公里行驶的总线数据，对总线数据进行数据清洗后，生成16万公里的目标信号数据，此时可将目标信号数据划分为训练集(0～12万公里)和测试集(12～16万公里)。
S103，构建BP神经网络模型。
神经网络是一种成熟高效的智能算法，广泛应用在大数据与人工智能领域。它的性能优于其他的机器学习算法，尤其擅长学习和构建非线性的复杂模型，电池系统作为典型的非线性模型，非常适合用神经网络进行学习和预测。
如图2所示，所述BP神经网络模型为三层神经网络结构，包括输入层、隐藏层及输出层；所述输入层包括五个输入层节点，所述五个输入层节点分别对应所述车辆总里程信息、车速信息、电池包电流信息、电池包电压信息及电池包荷电状态；所述隐藏层包括隐藏层节点，其中隐藏层节点数需要经过多轮调试确定最优值；所述输出层包括一个输出层节点，所述输出层节点对应单体电压差。因此，所述BP神经网络模型是“五输入一输出”的三层神经网络结构。
另外，所述BP神经网络模型中包含两个权重矩阵。具体地，所述输入层与隐藏层之间设有第一权重矩阵W1，所述隐藏层与输出层之间设有第二权重矩阵W2。
相应地，所述隐藏层节点及输出层节点的激活函数均为Sigmoid函数。所述Sigmoid函数的定义式为：
S104，将归一化处理后的训练集输入BP神经网络模型，以训练BP神经网络模型。
如图3所示，BP神经网络模型的训练过程，就是一个不断修正其权重以降低模型输出与正确输出之间误差的过程。本发明通过输入归一化处理后的训练集对BP神经网络模型进行训练，从而分析隐藏层节点数、输出值归一化区间以及训练次数等参数对模型计算结果的影响，以确定这些参数的最优值。
需要说明的是，除步骤S102中所述的归一化外，隐藏层节点数及训练次数对模型的计算结果影响也很大。若隐藏层节点数偏少，则模型学习性能变差，精度变低；若隐藏层节点数偏多，则会出现“过拟合”现象；训练次数不同，训练结果能达到的最高精度及训练时间不同。因此，实际模型训练中，需要通过多轮对比寻找最优的参数组合。
优选地，本发明中BP神经网络模型性能最优的参数组合为：输出归一化区间为(0，0.15)，隐藏层节点数为13，训练次数为1000。
S105，将归一化处理后测试集输入训练后的BP神经网络模型，以测试BP神经网络模型。
训练完毕后，输入测试集对训练好的BP神经网络模型进行测试，从而验证模型的精度及可行性。
S106，根据测试后的BP神经网络模型，预测目标寿命周期内单体电压差的变化趋势。
例如，采用测试后的BP神经网络模型进行16万公里以后的电池电压不一致性趋势预测，可得到长里程下电压不一致性的定量预测结果。优选地，所述预设结果可通过可视化方式呈现。
因此，本发明对电动汽车长里程行驶过程中的总线数据进行了深度利用，将大数据思维引入到整车试验领域，实现了针对电池包电压不一致性的定量预测；同时，本发明通过训练集来训练BP神经网络模型，使BP神经网络模型的计算性能达到综合最优。
如图4所示，所述对总线数据进行清洗处理，以生成目标信号数据的步骤包括：
S201，对总线数据进行清洗处理，以剔除无效的总线数据及失真的总线数据。
S202，从清洗后的总线数据中提取不同类型的信号参数。
所述信号参数的类型包括车辆总里程信息、车速信息、电池包电流信息、电池包电压信息、电池包荷电状态及单体电压差。
需要说明的是，车辆总里程信息与电池的耐久性能强相关；车速信息反映电池充放电工况；电池包电流信息、电池包电压信息及电池包荷电状态(SOC，State of Charge)是电池外特性最直观的参数；单体电压差是单体最高电压信息与单体最低电压信息的差值，用于表征电压不一致性。因此，通过提取不同类型的信号参数可有效指导动力电池电压不一致性的预测。
S203，根据时间顺序对不同类型的信号参数分别进行排序，以构建不同类型的目标序列。
也就是说，每类信号参数都按照时间顺序排成一个目标序列，所述时间顺序优选为日期顺序。
S204，根据目标序列构建输入矩阵X及目标矩阵T，以形成目标信号数据。所述输入矩阵X及目标矩阵T中的每一个信号参数都是一个行向量，其中，
TotalOdometer为车辆总里程信息，BCS_VehSpd为车速信息，BattCurr为电池包电流信息，BattVolt为电池包电压信息，BattSoc为电池包荷电状态，
T＝[CellVoltDiff]，CellVoltDiff为单体电压差。需要说明的是，总线数据包括车辆总里程信息、车速信息、电池包电流信息、电池包电压信息、电池包荷电状态、单体最高电压信息及单体最低电压信息，其中，单体电压差是单体最高电压信息与单体最低电压信息的差值。
因此，本发明通过对总线数据进行清洗处理，分类提取出需要的信号参数，并构建独特的输入矩阵X及目标矩阵T，以配合BP神经网络模型的训练及测试，从而实现了对电动汽车长里程行驶过程中的总线数据进行了深度利用。
如图5所示，本发明采用mapminmax函数对训练集及测试集进行归一化处理。由于归一化区间的选取对于模型精度的影响很大，因此需要在训练过程中进行多轮对比来确定最优归一化区间。具体地，所述mapminmax函数的数学公式为：y＝(ymax-ymin)(x-xmin)/(xmax-xmin)+ymin。通过所述数学公式，可将训练集及测试集归一化到指定区间内。其中，y为归一化处理后的数据，ymax为期望的归一化区间最大值，ymin为期望的归一化区间最小值，x为未经归一化处理的原数据，xmax为原数据所对应的目标序列中的最大值，xmin为原数据所对应的目标序列中的最小值。
需要说明的是，mapminmax函数的调用形成多样，本发明中对训练集及测试集进行归一化处理的步骤包括：
S301，根据mapminmax函数对训练集进行归一化处理。其中：
[X，Xs]＝mapminmax(Xtrain，Xmin，Xmax)，Xtrain为训练集中的输入矩阵(包含五个行向量)，Xmax为期望的归一化区间最大值，Xmin为期望的归一化区间最小值，X为训练集进行归一化后的输入矩阵，Xs为训练集进行归一化后的结构体(Xs里面包含了数据的最大值、最小值及平均值等信息，可用于测试集的归一化和反归一化)；
[T，Ts]＝mapminmax(Ttrain，Tmin，Tmax)，Ttrain为训练集中的目标矩阵(即单体电压差的实测值)，Tmax为期望的归一化区间最大值，Tmin为期望的归一化区间最小值，T为训练集进行归一化后的目标矩阵，Ts为训练集进行归一化后的结构体(Ts里面包含了数据的最大值、最小值及平均值等信息，可用于测试集的归一化和反归一化)。
S302，根据mapminmax函数对测试集进行归一化处理。其中：
X1＝mapminmax(′apply′，Xtest，Xs)，Xtest为测试集中的输入矩阵(包含五个行向量)，X1为归一化处理后的输入矩阵，Xs为步骤S301中训练集进行归一化后的结构体；
T1＝mapminmax(′apply′，Ttest，Ts)，Ttest为测试集中的目标矩阵(即单体电压差的实测值)，T1为归一化处理后的目标矩阵，Ts为步骤S301中训练集进行归一化后的结构体。
因此，通过步骤S301及302可以将测试集归一化到与训练集相同的区间内。
如图6所示，训练时，采用反向传播算法训练所述BP神经网络模型。具体地，基于反向传播算法的训练过程分为信号的正向传播与反向传播。
正向传播路径为：从输入层输入训练集，经过隐藏层处理之后经输出层输出，若输出层实际输出与目标输出之间有误差，则转入反向传播路径；
反向传播路径为：实际输出与目标输出之间的误差从输出层开始向反方向移动，直到输入隐藏层。
因此，通过输出误差反向传播，可将误差分摊给各层所有节点，获得各隐藏层节点的误差，进而修正各节点的权重，即为一个权重的修正过程。
如图7所示，所述采用基于反向传播算法训练所述BP神经网络模型的步骤包括：
S401，计算正向传播路径的输出层节点的误差e及输出层节点的增量δ。
e＝d-y；
v＝W2*y1；
v1＝W1*x；
其中，d为单体电压差实测值，x为归一化处理后的训练集，W1为第一权重矩阵，W2为第二权重矩阵，为激活函数(激活函数为Sigmoid函数)，v1为隐藏层节点接收的加权和，y1为隐藏层节点的输出，v为输出层节点接收的加权和，y为输出层节点的输出。
S402，计算反向传播路径的隐藏层节点的误差e1及隐藏层节点的增量δ1。
其中：
e1＝W2′*δ；
S403，计算权重增量，并更新权重矩阵。
具体地，所述计算权重增量，并更新权重矩阵的步骤包括：
(1)计算权重增量dW1及dW2。
dW1＝α*δ1*x′；
dW2＝α*δ*y1′；
其中，α为学习率(0＜α≤1)。
(2)更新权重矩阵W1及W2。其中：
W1＝W1+dW1；
W2＝W2+dW2。
进一步，在反向传播算法基础上，可以优化权重更新公式，以提高训练过程的稳定性和速度。本发明中还可引入了动量法，通过在权重更新公式中增加常量β(0＜β＜1)来调整权重。
由于β是小于1的值，随着训练过程的进行，越早出现的权重更新值对最终权重的影响越小，但较早出现的权重更新仍保存在动量里，因此最终的权重并不只是受到某一个权重更新值的影响，这样就提升了训练的稳定性；另外，随着权重持续更新，动量变得越来越大，权重更新值也变得越来越大，这样就提升了训练的速度。具体地，所述计算权重增量，并更新权重矩阵的步骤包括：
(1)计算权重增量dW1及dW2。
dW1＝α*δ1*x′；
dW2＝α*δ*y1′；
其中，α为学习率(0＜α≤1)。
(2)更新权重矩阵W1及W2。
W1＝W1+mmt1，mmt1＝dW1+β*mmt1，其中，mmt1为第一权重矩阵W1的动量，β为常量(0＜β＜1)；
W2＝W2+mmt2，mmt2＝dW2+β*mmt2，其中，mmt2为第二权重矩阵W2的动量，β为常量(0＜β＜1)。
由上可知，BP神经网络模型的训练就是对权重矩阵W1、W2进行调整更新的过程，每一轮训练，要进行N次信号正向传播与反向传播，权重矩阵W1、W2调整更新N次，N为训练样本的数量。因此，本发明通过多轮训练来确定BP神经网络模型中参数的最优值，精度高，训练时间较短，成本低，可使BP神经网络模型的计算性能达到综合最优。
如图8所示，所述将归一化处理后测试集输入训练后的BP神经网络模型以测试BP神经网络模型的步骤包括：
S501，将归一化处理后测试集输入训练后的BP神经网络模型，输出单体电压差预测值；
S502，将单体电压差预测值与单体电压差实测值进行对比，计算单体电压差预测值与单体电压差实测值的均方差。
具体地，可将所述单体电压差预测值与归一化处理后的单体电压差实测值进行对比，计算所述单体电压差预测值与单体电压差实测值的均方差。
也可，将归一化处理后测试集输入训练后的BP神经网络模型，输出单体电压差预测值；再将所述单体电压差预测值进行反归一化处理；最后，将反归一化后的单体电压差预测值与未经归一化处理的单体电压差实测值进行对比，计算所述单体电压差预测值与单体电压差实测值的均方差。
因此，通过步骤S501及S502，可有效验证BP神经网络模型的精度及可行性。
下面结合的具体的数据对本发明做进一步的详细描述。
步骤一：采集电动汽车长里程行驶过程中的总线数据，并对总线数据进行清洗处理，以生成目标信号数据。
步骤二：将目标信号数据划分为训练集及测试集，并对训练集及测试集进行归一化处理。
步骤三：构建BP神经网络模型。
步骤四：将归一化处理后的训练集输入BP神经网络模型，以训练BP神经网络模型。
需要说明的是，归一化区间的选取对于模型精度的影响很大，本发明建立的BP神经网络模型的输入包括五个信号，不同信号的数量级差别很大，并且数据的变化范围广，其中电池电流有正有负，因此结合实际将输入值的归一化区间定为(-1，1)；模型的输出只有单体电压差一个信号，并且压差都为正值且数量级很小，为了寻求最优的输出值归一化区间，需设计多组对比试验。
在训练次数、隐藏层节点数相同的情况下，分别将输出值归一化区间设为(0，1)、(0，0.5)、(0，0.25)、(0，0.15)，观察输出值归一化区间对模型计算精度和训练时间的影响，对比结果表1所示：
表1
如表1可知，末次训练均方差是最后一次训练后根据训练集计算出的模型输出值与实测值之间的均方差；测试均方差是根据测试集计算出的均方差。在训练次数与隐藏层节点数相同时，输出归一化区间越小，模型的计算精度越高，训练时间也越短，因此结合实际，本发明实例中将归一化区间定义为(0，0.15)。
另外，神经网络隐藏层节点数对模型的计算结果影响也很大，具体地可根据经验公式确定最佳的隐藏层节点数，具体的经验公式如下：
(n+m)/2＜n1＜(n+m)+10
上式中，n1为隐藏层节点数，n为输入层节点数，m为输出层节点数，a为1～10之间的常数。由经验公式计算出的隐藏层节点数为4～16，因此，为了找到最优的隐藏层节点数，需要设计多轮对比试验。
按照训练次数为1000、1500、2000分别设计3轮对比试验，将隐藏层节点数依次设为5、8、10、13、15、18，观察隐藏层节点数对模型计算精度和训练时间的影响，结果如表2所示。
表2
由表2可知，当输出归一化区间设为(0，0.15)，隐藏层节点数达到13以后，再增加隐藏层节点数对模型计算精度的贡献不大，相反，增加节点数会增加训练时间。从表1及表2可以看出，各参数对计算精度的贡献程度依次为输出归一化区间＞隐藏层节点数＞训练次数；各参数对训练时间的贡献程度依次为训练次数＞隐藏层节点数＞输出归一化区间。综合对比发现，本发明实例中BP神经网络模型性能最优的参数组合为：输出归一化区间为(0，0.15)，隐藏层节点数为13，训练次数为1000。
步骤五：将归一化处理后测试集输入训练后的BP神经网络模型，以测试BP神经网络模型。
具体的测试结果如图9所示。图9中显示了单体电压差的实测值与BP神经网络模型输出的单体电压差预测值，且单体电压差的实测值与单体电压差预测值的吻合度很高。由于实测误差的存在，图9中有少数的电压差突变点，当数据量很多时，这些突变点的影响可以忽略。结合表1、表2与图9，可知，BP神经网络模型的计算均方差可以控制在0.004％以内，精度很高，可以用于预测工作。
步骤六：根据测试后的BP神经网络模型，预测目标寿命周期内单体电压差的变化趋势。
如图10所示，A部分显示的是0～16万公里单体电压差的实测值，B部分是长里程(约60万公里)单体电压差预测值。由图10可知，随着总里程的累加，单体电压差呈逐渐增大的趋势，电压不一致性愈发明显，这与实际情况相符。
综上所述，本发明对电动汽车长里程行驶过程中的总线数据进行了深度利用，将大数据思维引入到整车领域，提供了一种基于神经网络的动力电池电压不一致性预测方法，实现了针对电池包电压不一致性的定量预测，填补了该领域研究的空白，具有一定的先进性。
参见图11，图11显示了本发明动力电池电压不一致性预测系统100的具体结构，其包括清洗模块1、归一化模块2、构建模块3、训练模块4、测试模块5及预测模块6，具体地：
清洗模块1用于采集电动汽车长里程行驶过程中的总线数据，并对所述总线数据进行清洗处理，以生成目标信号数据。具体地，清洗模块1采集到电动汽车长里程行驶过程中的总线数据后，对总线数据进行清洗处理，以剔除无效的总线数据及失真的总线数据；然后，从清洗后的总线数据中提取不同类型的信号参数，其中，所述信号参数的类型包括车辆总里程信息、车速信息、电池包电流信息、电池包电压信息、电池包荷电状态及单体电压差；接着，根据时间顺序对不同类型的信号参数分别进行排序，以构建不同类型的目标序列；最后，根据目标序列构建输入矩阵X及目标矩阵T，以形成目标信号数据，其中，TotalOdometer为车辆总里程信息，BCS_VehSpd为车速信息，BattCurr为电池包电流信息，BattVolt为电池包电压信息，BattSoc为电池包荷电状态，T＝[CellVoltDiff]，CellVoltDiff为单体电压差。
归一化模块2用于将所述目标信号数据划分为训练集及测试集，并对所述训练集及测试集进行归一化处理。需要说明的是，本发明采用mapminmax函数对训练集及测试集进行归一化处理。具体地，根据mapminmax函数对训练集及测试集分别进行归一化处理。其中：[X，Xs]＝mapminmax(Xtrain，Xmin，Xmax)，Xtrain为训练集中的输入矩阵(包含五个行向量)，Xmax为期望的归一化区间最大值，Xmin为期望的归一化区间最小值，X为训练集进行归一化后的输入矩阵，Xs为训练集进行归一化后的结构体(Xs里面包含了数据的最大值、最小值及平均值等信息，可用于测试集的归一化和反归一化)；[T，Ts]＝mapminmax(Ttrain，Tmin，Tmax)，Ttrain为训练集中的目标矩阵(即单体电压差的实测值)，Tmax为期望的归一化区间最大值，Tmin为期望的归一化区间最小值，T为训练集进行归一化后的目标矩阵，Ts为训练集进行归一化后的结构体(Ts里面包含了数据的最大值、最小值及平均值等信息，可用于测试集的归一化和反归一化)；X1＝mapminmax(′apply′，Xtest，Xs)，Xtest为测试集中的输入矩阵(包含五个行向量)，X1为归一化处理后的输入矩阵，Xs为步骤S301中训练集进行归一化后的结构体；T1＝mapminmax(′apply′，Ttest，Ts)，Ttest为测试集中的目标矩阵(即单体电压差的实测值)，T1为归一化处理后的目标矩阵，Ts为步骤S301中训练集进行归一化后的结构体。
构建模块3用于构建BP神经网络模型。所述BP神经网络模型为三层神经网络结构，包括输入层、隐藏层及输出层；所述输入层包括五个输入层节点，所述五个输入层节点分别对应所述车辆总里程信息、车速信息、电池包电流信息、电池包电压信息及电池包荷电状态；所述隐藏层包括隐藏层节点，其中隐藏层节点数需要经过多轮调试确定最优值；所述输出层包括一个输出层节点，所述输出层节点对应单体电压差。因此，所述BP神经网络模型是“五输入一输出”的三层神经网络结构。另外，所述BP神经网络模型中包含两个权重矩阵，具体地，所述输入层与隐藏层之间设有第一权重矩阵W1，所述隐藏层与输出层之间设有第二权重矩阵W2。相应地，所述隐藏层节点及输出层节点的激活函数均为Sigmoid函数，所述Sigmoid函数的定义式为：
训练模块4用于将归一化处理后的训练集输入所述BP神经网络模型，以训练所述BP神经网络模型。需要说明的是，训练中，需要通过多轮对比寻找最优的参数组合，而本发明中BP神经网络模型性能最优的参数组合为：输出归一化区间为(0，0.15)，隐藏层节点数为13，训练次数为1000。
训练时，采用反向传播算法训练所述BP神经网络模型。训练过程中，测试模块5先计算正向传播路径的输出层节点的误差e及输出层节点的增量δ，e＝d-y；v＝W2*y1；/>v1＝W1*x，其中，d为单体电压差实测值，x为归一化处理后的训练集，W1为第一权重矩阵，W2为第二权重矩阵，/>为激活函数(激活函数为Sigmoid函数)，v1为隐藏层节点接收的加权和，y1为隐藏层节点的输出，v为输出层节点接收的加权和，y为输出层节点的输出；然后，计算反向传播路径的隐藏层节点的误差e1及隐藏层节点的增量δ1，e1＝W2′*δ；/>最后，计算权重增量，并更新权重矩阵。
一般情况下，计算权重增量，并更新权重矩阵的步骤包括：(1)计算权重增量dW1及dW2，dW1＝α*δ1*x′；dW2＝α*δ*y1′；其中，α为学习率(0＜α≤1)。(2)更新权重矩阵W1及W2。其中：W1＝W1+dW1；W2＝W2+dW2。
进一步，在反向传播算法基础上，可以优化权重更新公式，以提高训练过程的稳定性和速度。本发明中还可引入了动量法，通过在权重更新公式中增加常量β(0＜β＜1)来调整权重。具体地，所述计算权重增量，并更新权重矩阵的步骤包括：(1)计算权重增量dW1及dW2，dW1＝α*δ1*x′；dW2＝α*δ*y1′dW2＝α*δ*y1′；其中，α为学习率(0＜α≤1)。(2)更新权重矩阵W1及W2，W1＝W1+mmt1，mmt1＝dW1+β*mmt1，其中，mmt1为第一权重矩阵W1的动量，β为常量(0＜β＜1)；W2＝W2+mmt2，mmt2＝dW2+β*mmt2，其中，mmt2为第二权重矩阵W2的动量，β为常量(0＜β＜1)。
测试模块5用于将归一化处理后测试集输入训练后的BP神经网络模型，以测试所述BP神经网络模型。测试时，测试模块5先将归一化处理后测试集输入训练后的BP神经网络模型，输出单体电压差预测值；然后，再将单体电压差预测值与单体电压差实测值进行对比，计算单体电压差预测值与单体电压差实测值的均方差。
预测模块6用于根据测试后的BP神经网络模型，预测目标寿命周期内单体电压差的变化趋势。优选地，所述预设结果可通过可视化方式呈现。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述动力电池电压不一致性预测方法的步骤。同时，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述动力电池电压不一致性预测方法的步骤。
综上所述，本发明对电动汽车长里程行驶过程中的总线数据进行了深度利用，通过对总线数据的清洗及归一化处理，提取出针对性的目标信号数据以指导电池包电压不一致性的定量预测；同时，本发明结合神经网络技术，构建出结构独特的BP神经网络模型，并将总线数据融入BP神经网络模型中，通过多轮的训练及测试处理，实现对电池包电压不一致性的定量预测。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (11)
1.一种动力电池电压不一致性预测方法，其特征在于，包括：
采集电动汽车行驶过程中的总线数据，并对所述总线数据进行清洗处理，以生成目标信号数据；
将所述目标信号数据划分为训练集及测试集，并对所述训练集及测试集进行归一化处理；
构建BP神经网络模型；
将归一化处理后的训练集输入所述BP神经网络模型，以训练所述BP神经网络模型；
将归一化处理后测试集输入训练后的BP神经网络模型，以测试所述BP神经网络模型；
根据测试后的BP神经网络模型，预测目标寿命周期内单体电压差的变化趋势；
所述对总线数据进行清洗处理，以生成目标信号数据的步骤包括：
对所述总线数据进行清洗处理，以剔除无效的总线数据及失真的总线数据；
从清洗后的总线数据中提取不同类型的信号参数，所述信号参数的类型包括车辆总里程信息、车速信息、电池包电流信息、电池包电压信息、电池包荷电状态及单体电压差；
根据时间顺序对不同类型的信号参数分别进行排序，以构建不同类型的目标序列；
根据所述目标序列构建输入矩阵X及目标矩阵T，以形成目标信号数据，其中，
TotalOdometer为车辆总里程信息，BCS_VehSpd为车速信息，BattCurr为电池包电流信息，BattVolt为电池包电压信息，BattSoc为电池包荷电状态，T＝[CellVoltDiff]，CellVoltDiff为单体电压差。
2.如权利要求1所述的动力电池电压不一致性预测方法，其特征在于，所述对训练集及测试集进行归一化处理的步骤包括：
根据mapminmax函数对所述训练集进行归一化处理，其中，
[X,Xs]＝mapminmax(Xtrain,Xmin,Xmax)，Xtrain为训练集中的输入矩阵，Xmax为期望的归一化区间最大值，Xmin为期望的归一化区间最小值，X为训练集进行归一化后的输入矩阵，Xs为训练集进行归一化后的结构体，
[T,Ts]＝mapminmax(Ttrain,Tmin,Tmax)，Ttrain为训练集中的目标矩阵，Tmax为期望的归一化区间最大值，Tmin为期望的归一化区间最小值，T为训练集进行归一化后的目标矩阵，Ts为训练集进行归一化后的结构体；
根据mapminmax函数对所述测试集进行归一化处理，其中，
X1＝mapminmax('apply',Xtest,Xs)，Xtest为测试集中的输入矩阵，X1为归一化处理后的输入矩阵，
T1＝mapminmax('apply',Ttest,Ts)，Ttest为测试集中的目标矩阵，T1为归一化处理后的目标矩阵。
3.如权利要求1所述的动力电池电压不一致性预测方法，其特征在于，所述BP神经网络模型为三层神经网络结构，包括输入层、隐藏层及输出层；
所述输入层包括五个输入层节点，所述五个输入层节点分别对应所述车辆总里程信息、车速信息、电池包电流信息、电池包电压信息及电池包荷电状态；
所述隐藏层包括隐藏层节点；
所述输出层包括一个输出层节点，所述输出层节点对应单体电压差。
4.如权利要求3所述的动力电池电压不一致性预测方法，其特征在于，所述输入层与隐藏层之间设有第一权重矩阵W1，所述隐藏层与输出层之间设有第二权重矩阵W2。
5.如权利要求4所述的动力电池电压不一致性预测方法，其特征在于，所述隐藏层节点及输出层节点的激活函数均为Sigmoid函数。
6.如权利要求5所述的动力电池电压不一致性预测方法，其特征在于，训练时，采用反向传播算法训练所述BP神经网络模型，具体包括：
计算正向传播路径的输出层节点的误差e及输出层节点的增量δ，其中，e＝d-y，/>v＝W2*y1，/>v1＝W1*x，d为单体电压差实测值，x为归一化处理后的训练集，W1为第一权重矩阵，W2为第二权重矩阵，/>为激活函数，v1为隐藏层节点接收的加权和，y1为隐藏层节点的输出，v为输出层节点接收的加权和，y为输出层节点的输出；
计算反向传播路径的隐藏层节点的误差e1及隐藏层节点的增量δ1，其中，e1＝W2′*δ，
计算权重增量，并更新权重矩阵。
7.如权利要求6所述的动力电池电压不一致性预测方法，其特征在于，所述计算权重增量，并更新权重矩阵的步骤包括：
计算权重增量dW1及dW2，其中，dW1＝α*δ1*x′，dW2＝α*δ*y1′，α为学习率；
更新权重矩阵W1及W2，其中，W1＝W1+dW1，W2＝W2+dW2。
8.如权利要求6所述的动力电池电压不一致性预测方法，其特征在于，所述计算权重增量，并更新权重矩阵的步骤包括：
计算权重增量dW1及dW2，其中，dW1＝α*δ1*x′，dW2＝α*δ*y1′，α为学习率；
更新权重矩阵W1及W2，其中，
W1＝W1+mmt1，mmt1＝dW1+β*mmt1，mmt1为第一权重矩阵W1的动量，β为常量，
W2＝W2+mmt2，mmt2＝dW2+β*mmt2，mmt2为第二权重矩阵W2的动量。
9.如权利要求1所述的动力电池电压不一致性预测方法，其特征在于，所述将归一化处理后测试集输入训练后的BP神经网络模型以测试BP神经网络模型的步骤包括：
将归一化处理后测试集输入训练后的BP神经网络模型，输出单体电压差预测值；
将所述单体电压差预测值与单体电压差实测值进行对比，计算所述单体电压差预测值与单体电压差实测值的均方差。
10.一种动力电池电压不一致性预测系统，其特征在于，包括：
清洗模块，用于采集电动汽车行驶过程中的总线数据，并对所述总线数据进行清洗处理，以生成目标信号数据；
归一化模块，用于将所述目标信号数据划分为训练集及测试集，并对所述训练集及测试集进行归一化处理；
构建模块，用于构建BP神经网络模型；
训练模块，用于将归一化处理后的训练集输入所述BP神经网络模型，以训练所述BP神经网络模型；
测试模块，用于将归一化处理后测试集输入训练后的BP神经网络模型，以测试所述BP神经网络模型；
预测模块，用于根据测试后的BP神经网络模型，预测目标寿命周期内单体电压差的变化趋势；
所述清洗模块对所述总线数据进行清洗处理，以剔除无效的总线数据及失真的总线数据；从清洗后的总线数据中提取不同类型的信号参数，所述信号参数的类型包括车辆总里程信息、车速信息、电池包电流信息、电池包电压信息、电池包荷电状态及单体电压差；根据时间顺序对不同类型的信号参数分别进行排序，以构建不同类型的目标序列；根据所述目标序列构建输入矩阵X及目标矩阵T，以形成目标信号数据，其中，
TotalOdometer为车辆总里程信息，BCS_VehSpd为车速信息，BattCurr为电池包电流信息，BattVolt为电池包电压信息，BattSoc为电池包荷电状态，T＝[CellVoltDiff]，cellVoltDiff为单体电压差。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010327214.5A CN113554200B (zh) | 2020-04-23 | 2020-04-23 | 动力电池电压不一致性预测方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010327214.5A CN113554200B (zh) | 2020-04-23 | 2020-04-23 | 动力电池电压不一致性预测方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554200A CN113554200A (zh) | 2021-10-26 |
| CN113554200B true CN113554200B (zh) | 2024-02-27 |
Family
ID=78101086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010327214.5A Active CN113554200B (zh) | 2020-04-23 | 2020-04-23 | 动力电池电压不一致性预测方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554200B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114325405A (zh) * | 2021-12-31 | 2022-04-12 | 中国第一汽车股份有限公司 | 电池组一致性分析方法、建模方法、装置、设备及介质 |
| CN114779082B (zh) * | 2022-03-23 | 2023-07-25 | 泉州装备制造研究所 | 一种锂电池单体电压差预测方法及装置 |
| CN116404212B (zh) * | 2023-05-22 | 2024-02-27 | 中国电建集团江西省电力建设有限公司 | 锌铁液流电池系统容量均衡控制方法及系统 |
| CN116908720B (zh) * | 2023-09-07 | 2023-12-26 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池组一致性状态诊断方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0206316D0 (en) * | 2002-03-18 | 2002-05-01 | Chan Ching C | Battery residual capacity estimation for electric vehicles |
| CN102569922A (zh) * | 2012-03-05 | 2012-07-11 | 同济大学 | 一种基于单体电池一致性的蓄电池组soc估计改进方法 |
| FR3030923A1 (fr) * | 2014-12-17 | 2016-06-24 | Electricite De France | Procede de fonctionnement d'une centrale de pilotage d'une batterie |
| CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大霍英东研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
| CN110703107A (zh) * | 2019-11-05 | 2020-01-17 | 中国第一汽车股份有限公司 | 动力电池的一致性判断方法、装置、设备及存储介质 |
| CN114829961A (zh) * | 2020-11-19 | 2022-07-29 | 广州汽车集团股份有限公司 | 利用机器学习模型预测电池健康状况的方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067644B (zh) * | 2007-04-20 | 2010-05-26 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
| US9113345B2 (en) * | 2008-10-06 | 2015-08-18 | Root Wireless, Inc. | Web server and method for hosting a web page for presenting location based user quality data related to a communication network |
-
2020
- 2020-04-23 CN CN202010327214.5A patent/CN113554200B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0206316D0 (en) * | 2002-03-18 | 2002-05-01 | Chan Ching C | Battery residual capacity estimation for electric vehicles |
| CN102569922A (zh) * | 2012-03-05 | 2012-07-11 | 同济大学 | 一种基于单体电池一致性的蓄电池组soc估计改进方法 |
| FR3030923A1 (fr) * | 2014-12-17 | 2016-06-24 | Electricite De France | Procede de fonctionnement d'une centrale de pilotage d'une batterie |
| CN105974327A (zh) * | 2016-06-12 | 2016-09-28 | 广州市香港科大霍英东研究院 | 一种基于神经网络和ukf的锂电池组soc预测方法 |
| CN110703107A (zh) * | 2019-11-05 | 2020-01-17 | 中国第一汽车股份有限公司 | 动力电池的一致性判断方法、装置、设备及存储介质 |
| CN114829961A (zh) * | 2020-11-19 | 2022-07-29 | 广州汽车集团股份有限公司 | 利用机器学习模型预测电池健康状况的方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| "基于在线开路电压估算的电池均衡指标研究";陈明洁等;《测控技术》;第76-79页 * |
| "基于神经网络的动力电池单体电压差预测方法";黄顺等;《电源学报》;第21卷(第1期);第151-158页 * |
| 黄颖利.《衍生金融工具风险信息实时披露与预警研究》.东北林业大学出版社,2006,第178页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554200A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113554200B (zh) | 动力电池电压不一致性预测方法、系统及设备 | |
| EP4198531A1 (en) | Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network | |
| CN102749589B (zh) | 电动汽车动力电池衰退模式预测方法 | |
| CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
| CN111693876A (zh) | 电池组评价方法及系统 | |
| CN113219343A (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
| CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
| CN105911476B (zh) | 一种基于数据挖掘的电池储能系统soc预测方法 | |
| 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 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN111983459A (zh) | 一种基于车用锂离子电池的健康状态测试评估方法 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN111325402A (zh) | 基于bp神经网络的电动汽车用户充电行为的预测方法 | |
| CN111257770A (zh) | 一种电池包功率估算方法 | |
| CN110045291A (zh) | 一种锂电池容量估计方法 | |
| CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
| Kuang et al. | State-of-charge estimation hybrid method for lithium-ion batteries using BiGRU and AM co-modified Seq2Seq network and H-infinity filter | |
| CN117825975A (zh) | 基于数据驱动的锂离子电池soh评估方法及系统 | |
| CN116653608B (zh) | 电动汽车充电保护、控制方法、装置及存储介质 | |
| CN117169743A (zh) | 基于部分数据和模型融合的电池健康状态估计方法及设备 | |
| CN115792646A (zh) | 一种锂离子电池析锂的检测方法和装置 | |
| Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries | |
| CN109977622B (zh) | 一种动力电池的剩余寿命预测方法 | |
| Li et al. | State of charge estimation of lithium-ion batteries using improved BP neural network and filtering techniques | |
| An | New energy vehicle lithium battery life prediction method based on improved deep learning |
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 |