CN113640690A - 一种电动汽车动力电池剩余寿命预测方法 - Google Patents
一种电动汽车动力电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113640690A CN113640690A CN202110700779.8A CN202110700779A CN113640690A CN 113640690 A CN113640690 A CN 113640690A CN 202110700779 A CN202110700779 A CN 202110700779A CN 113640690 A CN113640690 A CN 113640690A
- Authority
- CN
- China
- Prior art keywords
- data
- particle
- battery
- power battery
- predicting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000007599 discharging Methods 0.000 claims abstract description 3
- 239000002245 particle Substances 0.000 claims description 86
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种电动汽车动力电池剩余寿命预测方法,包括如下步骤:步骤一、获取待预测电动汽车动力电池的历史充放电数据作为原始数据;步骤二、对步骤一获取得来的数据进行整理和清洗,去除无效、异常的数据点,保留有效的数据点,根据得到清洗后的数据,分析数据间的相关性选取特征参数;步骤三、将步骤二获取的所述特征参数的数据序列依次进行EMD分解;将去噪后的分量进行重构,得到优化后的数据序列;步骤四、将步骤三优化后的数据序列输入至训练好的ILPSO‑BP神经网络模型中进行迭代预测,输出设置为该电池的容量。本方案对电动汽车动力电池的剩余循环寿命预测的准确率高。
Description
技术领域
本发明属于电池技术领域,具体涉及一种电动汽车动力电池剩余寿命预测方法。
背景技术
近年来,随着能源危机越来越严重,新能源汽车以其优良的节能环保特点,已成为未来汽车产业的发展重点。其中,搭载在新能源汽车上的动力电池的电池寿命直接影响着新能源汽车的性能和运行情况,因此,预测动力电池的电池寿命已成为新能源汽车研究中至关重要的一个环节。
电池管理系统(Battery Management System,BMS)可以实时的监控和测量动力电池的运行状态,保证动力电池系统的性能稳定,提高电动汽车的驾驶安全性。BMS主要功能包括数据采集通信、SOC估计、健康状态(State of Health,SOH)估计、RUL预测、电池均衡、热管理、安全管理和控制等,近年来一直是研究热点。
SOC表征的是电池的剩余电量,但是不可以直接测量,需要通过电池的电压、电流、温度等间接估计得到。精确的SOC估计可以确保电动汽车正常运行,防止动力电池过充过放,对电池起到一定的保护作用。SOH表征的是电池的老化状态,即当前时刻电池最大可用容量与电池额定容量的百分比。随着电池的老化,SOH逐步下降,当SOH<80%时,电池就应该被更换。
RUL通常指为从当前观测时刻到电池寿命终止(End of Life,EOL)所需的时间,一般用剩余充放电循环次数表示。在SOC和SOH联合估计的基础上,电池RUL预测以SOH估计值为输入,分析其变化规律,预测其后续变化,RUL即预测SOH值下降到80%时所需的循环次数。
动力电池的SOH和RUL直接影响着电池系统的安全性和可靠性,SOH估计和RUL预测可以为电池的检测和诊断提供依据,以延长电池的使用年限,并为电池的管理和控制提供决策参考和预测性维护信息,以便及时维护或更换电池系统。
发明内容
本发明的目的是为了解决上述现有技术上存在的问题,提供一种电动汽车动力电池剩余寿命预测方法,本方案能够对电动汽车动力电池的剩余循环寿命预测,同时预测准确率高。
为实现上述目的,本发明采用如下技术方案:一种电动汽车动力电池剩余寿命预测方法,包括如下步骤:步骤一、获取待预测电动汽车动力电池的历史充放电数据作为原始数据;步骤二、对步骤一获取的原始数据进行整理和清洗,去除无效、异常的数据点,保留有效的数据点,根据得到清洗后的数据,分析原始数据间的相关性选取特征参数,特征参数包括充电起始电压、充电结束时的电压、SOC极差、充电倍率和累计充电次数;步骤三、将步骤二获取的特征参数的数据序列依次进行EMD分解,数据序列得到n个固有模态函数imf分量;采用基于imf分量与原始信号相关系数的选取原则来判断imf分量的真伪,以去除imf伪分量;将去噪后的imf分量进行重构,得到优化后的数据序列;步骤四、将步骤三优化后的数据序列输入至训练好的ILPSO-BP神经网络模型中进行迭代预测,输出设置为该电池的容量,从而预测动力电池的剩余寿命。
作为优选方案,所述步骤四中,ILPSO-BP神经网络模型由待预测电池型号相同的若干动力电池的历史行驶数据序列训练得到。
作为优选方案,所述步骤三中,将特征参数数据进行EMD分解,将含噪信号x(i)经EMD分解为:
式中,x(i)为含噪信号在i时刻的的观测值;imf为本征模态函数,且频率由高到低排列;r(i)为残余分量;j为本征模态函数的个数。
作为优选方案,所述步骤三中,对所有imf分量和原始信号相关系数进行归一化处理,以避免幅值较小的真实imf分量被去除。
作为优选方案,所述步骤四中,还包括构建电池寿命预测模型,构建电池寿命预测模型采用ILPSO算法;ILPSO算法用于改变粒子位置更新公式并加速算法迭代,通过该方法利用训练集数据对BP神经网络进行训练,得到满足条件的电池寿命预测模型,进而完成电池的寿命预测。
作为优选方案,所述步骤四中,还包括构建电池寿命预测模型,构建电池寿命预测模型采用传统的PSO算法上引入Levy飞行算法;提出一种用于改变粒子位置更新公式并加速算法迭代的ILPSO算法,通过该方法利用训练集数据对BP神经网络进行训练,得到满足条件的电池寿命预测模型,进而完成电池的寿命预测。
作为优选方案,所述步骤四中,传统的PSO算法上引入Levy飞行算法通过下式来改变粒子的位置:
其中,α=α0(xid-pgd)是步长信息,用于控制Levy飞行随机搜索的范围,其中α0=0.01;为点乘符号;Levy(β)=s;是对粒子采用Levy飞行后的粒子位置;xid和vid分别为本代粒子的位置和速度;k为当前迭代次数。
作为优选方案,所述步骤四中,为了保证粒子可以脱离局部极值并增加PSO算法寻优能力,从而提出一种指引Levy飞行方向的方法,具体位置更新公式如下式所示:
本发明至少具有如下有益效果:
其一、本方案通过对待预测电动汽车动力电池的实际行驶数据进行采集、清洗、整理,并分析数据间的相关性,选取充电起始电压、充电结束时的电压、SOC极差、充电倍率、累计充电次数为特征参数;将特征数据序列进行经验模态分解(Empirical modedecomposition,EMD),得到优化后的数据序列;将优化后的数据序列输入至训练好的ILPSO-BP神经网络模型中,得到待预测动力电池的剩余寿命,本发明能够对电动汽车动力电池的剩余循环寿命预测,同时预测准确率高。
其二、优选方案中,在传统的PSO算法上引入Levy飞行算法,提出一种改变粒子位置更新公式并加速算法迭代的方法,即ILPSO。通过该方法利用训练集数据对BP神经网络进行训练,得到满足条件的寿命预测模型,进而完成电池的寿命预测。Levy飞行与PSO算法的结合是在PSO算法的迭代过程中加入Levy飞行来改变粒子的位置。在PSO算法中,粒子的位置改变主要靠上一代的位置和本代的速度决定,使得粒子的位置更新受到上一代的粒子影响较重而失去多样性,从而容易陷入局部最优。Levy飞行策略与PSO算法结合(LPSO)是通过来改变粒子的位置,能够在一定程度上改善粒子的多样性。
其三、优选方案中,为了保证粒子可以脱离局部极值,增加PSO算法寻优能力,提出一种指引Levy飞行方向的方法,当PSO陷入局部最优时,此时的最优点是局部最优点,PSO中的粒子为了跳出局部最优点,不应再朝着当前粒子最优点的方向前进,但是传统的Levy飞行的方向是随机不确定的,导致可能出现更靠近局部最优点的情况,影响了收敛的效果和速度,因此为了保证粒子可以脱离局部极值,采用PSO对BP神经网络的参数进行全局寻优,避免陷入局部最优解的情况。
附图说明
为了更清楚地说明发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的整体流程示意图;
图2是本发明中ILPSO算法对BP神经网络模型进行优化的流程示意图;
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
如图1所示,本发明提供一种电动汽车动力电池剩余寿命预测方法,具体包括以下步骤:
S1、将每个电池组数据采集装置与对应的各个运行中的对象电池组相连接,每个电池组数据采集装置实时采集与其相对应的对象电池组的充电实时测量数据,获取待预测电动汽车动力电池的历史充电数据作为原始数据;
S2、对步骤S1采集得来的数据进行整理和清洗,去除无效、异常的数据点,保留有效的数据点,得到清洗后的数据,分析数据间的相关性选取特征参数,特征参数包括充电起始电压、充电结束时的电压、SOC极差、充电倍率、累计充电次数;
本步骤中,以动力电池容量作为因变量,其他特征数据为自变量,分析其他特征数据与动力电池容量间的相关性,经相关性分析,选取动力电池充电电量作为模型输出,锂电池充电起始电压、充电结束时的电压、SOC极差、充电倍率、累计充电次数作为模型输入。
本步骤中,对于数据间的相关性进行主成分分析,主成分分析算法具体步骤如下:
a.样本矩阵获取,设样本数量为n,每个样本含有变量的数量为q,则构成一个n×q型样本矩阵:
式中,Xij(i=1,2,…,n,j=1,2,…,q)为第i个样本中的第j个特征参数。
b.标准化处理,在主成分分析前对特征参数进行标准化处理以解决量纲影响问题,本方案采用正态分布标准化法:
c.计算特征参数之间的相关系数矩阵:
式中,rij(i,j=1,2,…,q)为标准化后数据的相关系数,rij=rji。
d.主成分贡献率,求取矩阵Rq×q的特征值λi(i=1,2,…,q),前m个主成分的累计贡献率为:
一般取累计贡献率超过80%的特征值对应的前m个主成分,然后将所选主成分的得分矩阵作为预测模型的输入矩阵。
S3、将步骤S2中获取的特征参数数据序列依次进行EMD分解,序列得到n个固有模态函数(imf)分量;采用基于imf分量与原始信号相关系数的选取原则来判断imf分量的真伪,以去imf伪分量;将去噪后的分量进行重构,得到优化后的数据序列;
本步骤中,将特征参数数据进行EMD分解,将含噪信号x(i)经EMD分解为
式中x(i)为含噪信号在i时刻的的观测值;imf为本征模态函数,且频率由高到低排列;r(i)为残余分量;j为本征模态函数的个数。阶数低的imf对应信号高频成分,一般认为噪声主要集中在高频部分,阶数高的imf对应信号低频成分,受噪声影响较小。
具体地,本步骤中,EMD分解在很大程度上相当于一种正交分解,故在得到的imf中,真实imf与原始信号的正交程度高,即相关性较好,虚假imf与原始信号的正交程度差,即相关性较差。因此,采用基于imf分量与原始信号相关系数的选取原则来判断imf分量的真伪,以去除imf伪分量。为了避免幅值较小的真实imf也被去除,对所有imf和原始信号数据进行归一化处理。计算过程如下:
(1)、计算归一化后的imf(i)与原始信号x(i)之间的相关系数公式为:
其中,j=1,2,…,m,m为imf的个数。
(2)、然后对各分量的相关系数进行归一化处理,公式如下:
λi=ui/max(ui),(i=1,2,…,m)
(3)、对各imf分量的相关系数进行从大到小的排序,并找到相邻两个系数差值最大值所在的编号,将编号前的所有imf分量作为敏感分量,进行重构,得到真实信号。
S4、将步骤S3中优化后的数据序列输入至训练好的ILPSO-BP神经网络模型中迭代预测,输出设置为该电池的容量,从而预测动力电池的剩余寿命;该ILPSO-BP神经网络预测模型由待预测电池型号相同的若干动力电池的历史行驶数据序列训练得到。
本步骤中,传统的BP神经网络具有局部快速搜索的能力,但其初始参数(权值和阈值)选择的优劣决定了模型的好坏。若初始参数选取不当,则会导致所需的迭代次数较多,模型的收敛速度较慢,同时也容易使算法陷入局部最优解。PSO算法作为一种启发式算法,具有全局收敛的能力。本方法采用PSO对BP神经网络的参数进行全局寻优,将PSO迭代得到的参数作为BP神经网络的初始参数。下面首先简要介绍PSO的原理。
粒子群优化算法(PSO)假设一个包含N个粒子的粒子群G,记为G={X1,X2,…,XN},在一个D维的搜索空间中飞行,Xi=(xi1,xi2,…,xiD)表示第i个粒子在D维空间中的位置;Vi=(vi1,vi2,…,viD)表示第i个粒子在D维空间中的速度;用gbest[i]表示第i个粒子在D维空间中的个体历史最优位置,用pbest表示表示整个群体中所有粒子的历史最优位置。在每次迭代过程中,按式(1)和(2)迭代更新粒子的速度和位置,预设最大迭代次数或最小适应度阈值为终止条件。
其中:w为惯性权重;k为当前迭代次数;vid为粒子的速度;c1和c2为非负常数,称为加速度因子;r1和r2为分布于[0,1]的随机数;i∈[1,N],d∈[1,D]。
传统的PSO算法在前期具有较快的收敛速度,但是在后期由于粒子聚集,导致粒子的多样性降低,算法易陷入局部极值,全局寻优能力受限。因此,增加粒子的多样性可以帮助粒子跳出局部最优,提高其全局探索的能力。通过研究发现,Levy飞行可以有效地使粒子通过随机游走产生新的解,增加粒子种群的多样性。受此启发,本方法引入Levy飞行算法,提出一种改变粒子位置更新公式并加速算法迭代的方法,即ILPSO。
Levy飞行是一种非高斯随机过程,主要用于模拟自然界中动物觅食的一个随机游走过程,是以发生长程跳跃为特点的一类具有马尔可夫性质的随机过程,其步长满足一个重尾的稳定分布。Levy飞行的随机搜索路径用简单的数学公式模拟:
其中:s为Levy飞行的步长,即Levy(β),参数β的范围为1<β≤2,一般取值为1.5,μ、v均服从正态分布。
其中:
Levy飞行策略与PSO算法的结合是在PSO算法的迭代过程中加入Levy飞行来改变粒子的位置。在PSO算法中,粒子的位置改变主要靠上一代的位置和本代的速度决定,使得粒子的位置更新受到上一代的粒子影响较重而失去多样性,从而容易陷入局部最优。传统的Levy飞行与PSO算法结合(LPSO)是通过式(6)来改变粒子的位置。
其中:α=α0(xid-pgd)是步长信息,用于控制Levy飞行随机搜索的范围,其中α0=0.01;为点乘符号;Levy(β)=s;是对粒子采用Levy飞行后的粒子位置;xid和vid分别为本代粒子的位置和速度;k为当前迭代次数。
上述改进在一定程度上改善了粒子的多样性。但是当PSO陷入局部最优时,此时的最优点是局部最优点,PSO中的粒子为了跳出局部最优点,不应再朝着当前粒子最优点的方向前进,但是传统的Levy飞行的方向是随机不确定的,导致可能出现更靠近局部最优点的情况,影响了收敛的效果和速度,因此为了保证粒子可以脱离局部极值,增加PSO算法寻优能力,提出一种指引Levy飞行方向的方法,具体位置更新公式如式(7)所示。
其中,和分别为本代粒子的位置和速度;||·||表示取模;表示粒子朝着最优粒子的方向飞行;S是服从伯努利分布的随机变量,如式(8)所示,S~B(p),S的值取0或1,取1的概率为p。概率p的取值与粒子位置有关,如式(9)所示,其中,为当前粒子与全局最优粒子之间的距离。
根据伯努利分布中概率p的定义,粒子离最优粒子越近,p就越小,则Sid=1的概率越大,即粒子朝着粒子最优点的反方向飞行的概率就越大,有助于引导整个粒子群跳出局部极值;另一方面,对于远离最优粒子的其他粒子,则由于Sid=0的概率较大,只进行传统的PSO飞行,保证了粒子群的收敛性,节省了飞行时间,提高了粒子飞行的效率。相比传统的Levy飞行,指引Levy飞行方向的方法大大扩大了粒子的有效搜索范围,提高了Levy飞行以及整个粒子群的迭代速度,扩大了粒子的多样性,有助于脱离局部最优点。
新定义的位置更新公式虽然可以扩大粒子搜索范围,找到新的解,但是一味使用Levy飞行会造成种群多样性太强,收敛速度慢甚至无法收敛,因此采用基于贪婪的更新评价策略,只有经过Levy飞行后的新解优于原来的解才会被接受,这样可以保证算法的迭代都是朝着更优的方向进行,从而获得更高质量的解并提高算法的收敛速度。因此,引入贪婪算法,将PSO算法的位置更新公式更新为:
其中,fit(x)为x的适应度值,比较两种位置更新公式得出粒子位置的适应度值,择优确定每次粒子更新的最终位置。
如图2所示,本方案采用ILPSO优化BP神经网络的步骤如下:
(1)、初始化BP神经网络,设置网络的结构,归一化输入数据。
(2)、根据神经网络参数的数量以及范围初始化ILPSO,确定ILPSO的基本参数。
(3)、运行ILPSO算法,跟据式(2)与(7)分别更新粒子位置,计算粒子的适应度。
(5)、判断ILPSO的输出结果是否满足结束条件,即预设的最大迭代次数。若不满足,则继续迭代;若满足,将ILPSO算法结果输出。
(6)、将ILPSO输出的结果作为BP神经网络的初始参数,重新训练BP神经网络,判断是否满足输出条件,即预设的最大迭代次数。若不满足,则继续迭代;若满足,则将测试集带入此时的BP神经网络,完成电池容量的预测。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (7)
1.一种电动汽车动力电池剩余寿命预测方法,其特征在于,包括如下步骤:
步骤一、获取待预测电动汽车动力电池的历史充放电数据作为原始数据;
步骤二、对步骤一获取的原始数据进行整理和清洗,去除无效、异常的数据点,保留有效的数据点,根据得到清洗后的数据,分析原始数据间的相关性选取特征参数,特征参数包括充电起始电压、充电结束时的电压、SOC极差、充电倍率和累计充电次数;
步骤三、将步骤二获取的特征参数的数据序列依次进行EMD分解,数据序列得到n个固有模态函数imf分量;采用基于imf分量与原始信号相关系数的选取原则来判断imf分量的真伪,以去除imf伪分量;将去噪后的imf分量进行重构,得到优化后的数据序列;
步骤四、将步骤三优化后的数据序列输入至训练好的ILPSO-BP神经网络模型中进行迭代预测,输出设置为该电池的容量,从而预测动力电池的剩余寿命。
2.如权利要求1所述的一种电动汽车动力电池剩余寿命预测方法,其特征在于,所述步骤四中,ILPSO-BP神经网络模型由待预测电池型号相同的若干动力电池的历史行驶数据序列训练得到。
4.如权利要求3所述的一种电动汽车动力电池剩余寿命预测方法,其特征在于,所述步骤三中,对所有imf分量和原始信号相关系数进行归一化处理,以避免幅值较小的真实imf分量被去除。
5.如权利要求3所述的一种电动汽车动力电池剩余寿命预测方法,其特征在于,所述步骤四中,还包括构建电池寿命预测模型,构建电池寿命预测模型采用传统的PSO算法上引入Levy飞行算法;提出一种用于改变粒子位置更新公式并加速算法迭代的ILPSO算法,通过该方法利用训练集数据对BP神经网络进行训练,得到满足条件的电池寿命预测模型,进而完成电池的寿命预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700779.8A CN113640690A (zh) | 2021-06-24 | 2021-06-24 | 一种电动汽车动力电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700779.8A CN113640690A (zh) | 2021-06-24 | 2021-06-24 | 一种电动汽车动力电池剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113640690A true CN113640690A (zh) | 2021-11-12 |
Family
ID=78416097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110700779.8A Pending CN113640690A (zh) | 2021-06-24 | 2021-06-24 | 一种电动汽车动力电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113640690A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200328A (zh) * | 2022-01-20 | 2022-03-18 | 中国科学技术大学 | 一种非高斯Lévy噪声下的锂离子电池SOC估计方法 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
-
2021
- 2021-06-24 CN CN202110700779.8A patent/CN113640690A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
吴海洋等: "基于遗传算法的BP神经网络蓄电池寿命预测研究", 计算机与数字工程, vol. 47, no. 5, 31 May 2019 (2019-05-31), pages 3 * |
唐朝国: "基于改进Levy飞行的PSO湿度传感器补偿算法", 电子测量与仪器学报, vol. 34, no. 3, 31 March 2020 (2020-03-31), pages 2 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200328A (zh) * | 2022-01-20 | 2022-03-18 | 中国科学技术大学 | 一种非高斯Lévy噪声下的锂离子电池SOC估计方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
CN113640690A (zh) | 一种电动汽车动力电池剩余寿命预测方法 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN111814826B (zh) | 退役动力电池余能快速检测评级方法 | |
CN115219906A (zh) | 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统 | |
Zafar et al. | Hybrid deep learning model for efficient state of charge estimation of Li-ion batteries in electric vehicles | |
CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN116796821A (zh) | 面向3d目标检测算法的高效神经网络架构搜索方法及装置 | |
Niu et al. | Fault diagnosis and prognosis based on deep belief network and particle filtering | |
CN116413606A (zh) | 动力电池健康状态估计方法、系统及介质 | |
CN113884936B (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
CN113589177B (zh) | 一种车载动力电池soc估计方法 | |
CN115542168A (zh) | 基于融合数据驱动模型的锂电池剩余使用寿命预测方法 | |
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 | |
CN117949832B (zh) | 一种基于优化神经网络的电池soh分析方法 | |
Wang et al. | Remaining useful life prediction of lithium-ion batteries with fused features and multi-kernel gaussian process regression | |
CN117630682B (zh) | 一种基于随机退化过程的锂离子电池rul预测方法 | |
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 |