CN113687237B - 一种保障电气安全的锂电池剩余充电时间预测方法 - Google Patents

一种保障电气安全的锂电池剩余充电时间预测方法 Download PDF

Info

Publication number
CN113687237B
CN113687237B CN202110962250.3A CN202110962250A CN113687237B CN 113687237 B CN113687237 B CN 113687237B CN 202110962250 A CN202110962250 A CN 202110962250A CN 113687237 B CN113687237 B CN 113687237B
Authority
CN
China
Prior art keywords
battery
charge
model
time
charging
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
Application number
CN202110962250.3A
Other languages
English (en)
Other versions
CN113687237A (zh
Inventor
王利军
金铱炜
朱锦奇
焦庆春
徐宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang E Vision Electronic Technology Co ltd
Zhejiang Lover Health Science and Technology Development Co Ltd
Original Assignee
Zhejiang E Vision Electronic Technology Co ltd
Zhejiang Lover Health Science and Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang E Vision Electronic Technology Co ltd, Zhejiang Lover Health Science and Technology Development Co Ltd filed Critical Zhejiang E Vision Electronic Technology Co ltd
Priority to CN202110962250.3A priority Critical patent/CN113687237B/zh
Publication of CN113687237A publication Critical patent/CN113687237A/zh
Application granted granted Critical
Publication of CN113687237B publication Critical patent/CN113687237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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

Abstract

本发明公开了一种保障电气安全的锂电池剩余充电时间预测方法。通过充电数据检测步骤获得检测数据，电池荷电状态模型预测步骤和剩余充电时间模型预测步骤通过模型预测获得电池荷电状态和输出剩余充电时间，电池荷电增加量比对步骤通过将电池荷电状态模型预测步骤的电池荷电状态进行比对获得结果，模型重新训练步骤根据结果迭代更新电池荷电状态模型预测步骤、剩余充电时间模型预测步骤的模型。本发明具有预测模型自适应匹配锂电池老化状态、计算资源在本地端和云端运算合理分布、硬件依赖性低等优点，通过对剩余充电时间的准确预测，保证锂电池充电的电气安全，应用广泛。

Description

一种保障电气安全的锂电池剩余充电时间预测方法
技术领域
本发明涉及一种锂电池剩余充电时间预测方法，具体涉及一种保障电气安全的锂电池剩余充电时间预测方法。
背景技术
锂电池以其体积小、重量轻、能量密度低等优点，在很多行业取得了广泛的应用。例如在电动车行业(包括电动轿车和电动自行车)，随着城市道路的日益拥挤，以及国家对新能源车辆的积极推广，电动车的普及率越来越高。在上述背景下，电动车锂电池的充电需求也越来越大。
锂电池在充电过程中，其剩余充电时间的预测，具有较强的现实意义，包括以下几方面：
对于电气安全而言，剩余充电时间的精准预测可以避免因长时间过充引起的电气火灾。
对于锂电池寿命而言，剩余充电时间的精准预测，可以防止过充、欠充等现象，进而延缓电池寿命的老化。
对于充电管理部门(例如物业)等而言，剩余充电时间的精准预测可以方便调度，合理安排时间，使有限的充电口服务更多的锂电池。
对于生产厂商(例如电动车生产厂家)而言，剩余充电时间的精确预测，可以帮助厂家进行用电行为分析，使得厂家更了解用户对锂电池(以及对电动车)的使用习惯。
目前，有大量学者研究了锂电池的当前荷电状态(SOC，用来反映电池的剩余容量，其数值上定义为剩余容量占电池容量的比值)的估算方法，也有部分学者开展了电池剩余充电时间预测的研究，他们所使用的方法包括开路电压法、安时积分法、基于模型法和数据驱动法等四大类。
但是，上述研究存在着两方面问题：
首先，预测的准确度问题。上述方法中，开路电压法需要打断充电过程，因此实际上很难准确测得开路电压，因而很难估算剩余充电时间。安时积分法适合计算电池SOC从一个时间点到另一个时间点的增加值，但由于初始SOC未知，因此安时积分法也很难确定准确的当前电池SOC值。基于模型法和数据驱动法则需要以大量数据为基础进行运算，因此不适合充电装置本地端运行，得依靠计算资源更强的云端进行。
其次，预测模型不能实时跟踪电池老化状态。上述方法，即使在某个时间点准确预测了电池SOC和剩余充电时间，但由于电池在使用过程中会老化，因此已得到的预测模型与电池老化状态之间将会有差异，从而导致预测模型的误差放大。
发明内容
为了解决背景技术中的问题，本发明提出了一种锂电池剩余充电时间预测方法，并将该方法进行了实用化处理。
本发明采用的技术方案如下：
主要由电池荷电状态模型(SVR-SOC)和剩余充电时间模型(SVR-t)建立、电池荷电状态模型(SVR-SOC)和剩余充电时间模型(SVR-t)预训练、充电数据检测、电池荷电状态模型(SVR-SOC)预测、剩余充电时间模型(SVR-t)预测、电池荷电增加量(ΔSOC)比对、模型重新训练多个步骤组成；前四步骤在充电桩本地端的计算单元内连续运行，第五步骤经触发后在云服务器端的服务器内运行。
通过充电数据检测步骤获得检测数据并传到电池荷电状态模型预测步骤、电池荷电增加量比对步骤和剩余充电时间模型预测步骤，电池荷电状态模型预测步骤和剩余充电时间模型预测步骤分别通过模型预测获得电池荷电状态和输出剩余充电时间，电池荷电增加量比对步骤通过将电池荷电状态模型预测步骤的电池荷电状态进行比对获得结果并传入模型重新训练步骤，模型重新训练步骤根据结果迭代更新电池荷电状态模型预测步骤、剩余充电时间模型预测步骤的模型。
其中，充电数据检测、电池荷电状态模型预测、剩余充电时间模型预测、电池荷电增加量比对四个步骤在充电桩本地端完成，模型重新训练步骤在云服务器端完成。
所述的充电数据检测步骤，具体为：实时检测各个时刻的电池充电电压V、电池充电电流I、环境温度T三项参数的检测数据，然后将检测数据存储在充电桩本地端，同时通过4G等无线通讯方式将检测数据存储在云服务器端。
所述的电池荷电状态模型预测步骤，具体为：
将通过充电数据检测步骤获得的三项参数的检测数据首先归一化处理，即采用最大最小法将检测数据规整为[-1,1]，然后输入到第一支持向量回归机(SVR)中作为电池荷电状态模型(SVR-SOC)预测电池荷电状态(SOC)，预测得到各个时刻的一系列电池荷电状态SOC并实时存储在充电桩本地端。
所述的电池荷电状态为电池荷电占据满电的百分比。
所述的剩余充电时间模型预测步骤，具体为：
将充电数据检测步骤获得的三项参数以及电池荷电状态模型预测步骤获得的电池荷电状态作为输入参数，首先归一化处理，即采用最大最小法将检测数据规整为[-1,1]，然后使用第二支持向量回归机(SVR)作为剩余充电时间模型(SVR-t)预测输出剩余充电时间t，进行显示和输出。
所述的电池荷电增加量比对步骤，具体为：
首先，依据安时积分法对通过充电数据检测步骤获得的电池充电电流I做时间积分求得电池荷电状态的第一增加量ΔSOC1；
同时根据通过电池荷电状态模型(SVR-SOC)预测步骤获得的电池荷电状态SOC，减去电池的初始荷电状态得到电池荷电状态的第二增加量ΔSOC2；
最后比较第一增加量ΔSOC1与第二增加量ΔSOC2之间差值是否超过预设值，如果超过预设值则重新训练电池荷电状态模型(SVR-SOC)和剩余充电时间模型(SVR-t)的两个模型。
所述的电池荷电状态模型(SVR-SOC)和剩余充电时间模型(SVR-t)预训练，是指找到符合电池老化状态的出厂前新电池样本数据D1，对电池荷电状态模型(SVR-SOC)和剩余充电时间模型(SVR-t)进行预先训练；
通过在厂内进行一次新电池的全过程充电实验，即电池荷电状态SOC从0％到100％的全过程充电实验，并记录不同时刻的充电电压V、电池充电电流I、环境温度T三项检测数据，以及每个时刻对应的电池荷电状态SOC和剩余充电时间t，得到用于模型重新训练的出厂前新电池出厂前新电池样本数据D1。
所述的模型重新训练，是指找到符合电池老化状态的出厂后老化电池样本数据D2，对电池荷电状态模型(SVR-SOC)和剩余充电时间模型(SVR-t)进行重新训练；
通过对存储在充电桩本地端内的数据按照时间进行回溯，查找得到第一增加量ΔSOC1与第二增加量ΔSOC2之间的差值未超预设值、且电池充满电的最近的一次时刻作为时间基准点，并令时间基准点的电池荷电状态SOC为100％，然后：
沿着时间轴往前回溯得到一系列不同时刻的充电电压V、电池充电电流I、环境温度T三项检测数据，以及由三项检测数据通过计算得到每个时刻对应的电池荷电状态SOC和剩余充电时间t，从而得到用于模型重新训练的出厂后老化电池样本数据D2。
本发明具有预测模型可自适应匹配最新的锂电池老化状态、计算资源在本地端和云端运算合理分布、硬件依赖性低等优点，可广泛应用于电动车、UPS等多种锂电池充电场合，通过对剩余充电时间的准确预测，合理安排锂电池的充电计划，从而保证锂电池充电的电气安全。
本发明的有益效果是：
1.本发明提出的预测模型，其模型参数并不是一成不变的，而是随着锂电池的逐步老化，根据锂电池的实际充电性能，相应地自动地调整模型内部参数，从而保证本发明的预测模型永远适应着最新的电池情况，避免因锂电池老化引起的模型预测误差。
2.本发明合理地分配了计算资源，将电池荷电状态(SVR-SOC)模型和剩余充电时间(SVR-t)模型的预测计算放在计算资源有限的充电桩本地计算单元，而将上述两模型的训练和参数优化放在计算资源丰富的云服务器端，这样既通过充电桩本地端的计算保证了剩余充电时间预测的实时性，又通过云服务器的复杂优化算法保证了剩余充电时间预测的准确性。
3.本发明对硬件的依赖性极低，仅采用了常规的电压、电流、温度等传感器，因而本发明的可推广性极强，可适用于电动车、UPS等多种锂电池充电场合。
附图说明
图1是本发明预测方法的使用流程图。
图2是实现本发明预测方法的硬件方案图。
图3是本发明预测方法的数据流转图。
图4是本发明使用的支持向量回归机SVR的模型示意图。
具体实施方式
以下结合附图和实施例对本发明做进一步的说明。
图1为本发明所提出预测方法的使用流程图。如图1所示，本发明所提出的一种保障电气安全的锂电池剩余充电时间预测方法，首先进行第一步骤充电数据检测，检测得到的数据送入第二步骤电池荷电状态SVR-SOC模型进行电池SOC值的预测，所得到的预测值，连同第一步骤的检测值，送入到第三步骤剩余充电时间SVR-t模型进行剩余充电时间t的预测。然后本发明将进行第四步骤，以验证上述剩余充电时间t预测值的可靠性，如经判断认为预测值可靠，就输出剩余充电时间t的预测值，如经判断认为预测值不可靠，将采用第一、二、四步骤内产生的数据，进行第五步骤对模型进行重新训练。
图2是实现本发明预测方法的硬件方案图。如图2所示，在充电装置和锂电池之间加装电压互感器、电流互感器、温度传感器等硬件，然后充电装置的计算单元采集上述传感器数据。同时，本地计算单元通过4G或网线与云服务器连接。本发明涉及的“充电数据检测、电池荷电状态(SVR-SOC)模型预测、剩余充电时间(SVR-t)模型预测、电池荷电增加量(ΔSOC)比对”这四个步骤，由于对硬件计算资源要求不高，因此在充电桩本地计算单元内执行，以加快剩余充电时间的预测实时性。“模型重新训练步骤”由于对硬件计算资源要求较高，且无需一直运行，因此只在被触发后，在云服务器端完成，然后将重新训练得到的参数通过通讯方式下发。
图3为本发明所提出预测方法的数据流转图。以下结合图3所示的数据流转，对本发明五个步骤做详细解释。
本发明的实施例如下：
步骤1(充电数据检测步骤)：首先检测采集获得电池充电电压(V)、电池充电电流(I)、环境温度(T)三项参数的检测数据，然后将检测数据存储在充电桩本地端，最后通过4G等无线通讯方式将数据存储在云服务器端。
步骤2(电池荷电状态模型SVR-SOC预测)：将充电数据检测的三项参数的检测数据作为输入，首先进行归一化处理，具体采用最大最小法将数据集规整为[-1,1]，然后使用电池荷电状态模型SVR-SOC直接计算电池荷电状态SOC，并将计算得到的一系列电池荷电状态SOC的值并实时存储。
电池荷电状态模型SVR-SOC的形式如下：
fsoc(x)＝wsoc Tx+bsoc
上式中，x为电池荷电状态模型SVR-SOC的输入变量，即当前时刻通过步骤1采集到并经归一化以后的三项参数，x＝[TVI]T，T表示矩阵装置；wsoc表示电池荷电状态模型SVR-SOC的分类超平面的法向量，bsoc表示偏差值，fsoc(x)表示当前时刻下的电池荷电状态SOC。
初始时候，随机设置法向量wsoc和偏差值bsoc两个参数的值。在步骤5模型重新训练过程中，不断迭代优化法向量wsoc和偏差值bsoc两个参数的值。
步骤3(剩余充电时间模型SVR-t预测)：将充电数据检测的三项参数的检测数据和电池荷电状态模型SVR-SOC预测的SOC作为输入，首先进行归一化处理，即采用最大最小法将数据集规整为[-1,1]，然后使用剩余充电时间模型SVR-t计算得到剩余充电时间t。
剩余充电时间模型SVR-t的形式如下：
ft(y)＝wt Ty+bt
上式中，y为剩余充电时间模型SVR-t的输入变量，y＝[TVISOC]T，wt表示剩余充电时间模型SVR-t的分类超平面的法向量，bt表示剩余充电时间模型SVR-t的偏差值，ft(y)表示当前时刻下的剩余充电时间t。
初始时候，随机设置法向量wt和偏差值bt两个参数的值。在步骤5模型重新训练过程中，不断迭代优化法向量wt和偏差值bt两个参数的值。
步骤4(电池荷电增加量ΔSOC比对)：首先依据安时积分法对通过充电数据检测步骤获得的电池充电电流I做时间积分求得电池荷电状态的第一增加量ΔSOC1，如下式所示；
上式中，CN为电池额定容量，n为电池充放电效率值，I为充电电流。
同时根据通过电池荷电状态模型(SVR-SOC)预测步骤获得的电池荷电状态SOC，减去电池的初始荷电状态得到电池荷电状态的第二增加量ΔSOC2；
最后比较第一增加量ΔSOC1与第二增加量ΔSOC2之间差值是否超过预设值，例如差值设为ΔSOC1的20％，如果超过预设值且重新训练电池荷电状态模型(SVR-SOC)和剩余充电时间模型(SVR-t)的两个模型。
步骤5(模型重新训练)：本步骤是指对SVR-SOC和SVR-t两个模型的训练，更具体地，是指确定SVR-SOC和SVR-t两个模型内法向量w和偏差值b两个参数的值。
由于两则实质上均为支持向量回归机SVR训练，本实施仅以SVR-SOC模型为例，详细介绍其训练过程。
对SVR-SOC模型的训练过程，就是使用一系列已知的样本数据D＝{(x1，y1)，(x2，y2)，…，(xm，ym)}，其中xm＝[TmVmIm]T作为模型的输入变量，Tm、Vm、Im分别表示采集到的温度、电压和电流值，ym＝SOXCm作为模型的输出变量，具体表示与温度电压电流值对应的电池荷电状态SOC，通过不断地迭代优化wsoc和bsoc两个参数值，使得fsoc(x)与输入样本内ym之间的损失函数最小。
根据出厂后老化电池样本数据D2对SVR-SOC模型的训练，可借助于libsvm等库文件工具，在Matlab、Pycharm等软件平台内实现。
需要补充说明的是，在本发明的实际使用过程中，无需求解SVR-SOC模型公式，仅需在Matlab等软件平台内输入样本数据D，对SVR-SOC模型进行训练即可。因此，对于本发明的实际应用而言，样本数据D的来源才是关键，样本数据D的优劣，直接决定了SVR-SOC模型的精度。
下面阐述本发明样本数据D的来源，分为首次出厂前新电池的出厂前新电池样本数据D1、出厂后老化电池样本数据D2两部分。
本发明涉及的装置及电池(如图2所示)，在首次出厂前，需要将电池电量全部放空，即使得电池SOC初始值为零，然后开始充电直至充满，并记录充电全过程的数据。
针对SVR-SOC模型，在充电过程中，需要根据时间轴记录充电电压V、电池充电电流I、环境温度T的全过程数据，作为输入样本D内的xm部分。同时充电过程中需不断运算安时积分法，并根据时间轴记录电池SOC的全过程数据，作为输入样本D的ym部分。
针对SVR-t模型，将上述充电电压V、电池充电电流I、环境温度T、电池SOC作为输入样本的xm部分，然后根据最终得到的全过程充电曲线，计算每点xm对应时间点到充电结束时间点之间的剩余充电时间t，以此作为输入样本D的ym部分。
从而，通过上述过程得出的出厂前新电池样本数据D1，训练得到的模型fsoc(x)，与出厂时的全新电池状态契合。
出厂以后，电池使用了一段时间，此时电池状态(老化程度)与出厂时已然不同，需要使用契合当前电池状态的新样本数据D2对模型进行重新训练，此时的训练样本D’通过对存储在本地端充电装置内的数据进行回溯查找得到，找到ΔSOC1与ΔSOC2差值未超预设值、且电池充满电的最近的一次时间点，并将该时间点作为基准点，继续后续操作。需说明的是，在时间基准点上，该点的ΔSOC1与ΔSOC2差值未超预设值，但随后的预测过程中，ΔSOC1与ΔSOC2差值很快就超越预设值，以此来看，当时虽然模型还符合电池老化状态，但已达极限，因此当时的模型其实已经应该重新训练，只不过当时根据ΔSOC1与ΔSOC2差值还未判断出来模型应该被重新训练了。
针对SVR-SOC模型，找出时间基准点对应的SOC值，并将其值设为100％，，然后从该时间点之前的一系列充电电压V、电池充电电流I、环境温度T检测数据作为输入样本D2内的xm部分，同时找出其对应的一系列由安时积分法计算的ΔSOC1值，并计算一系列(1-ΔSOC1)值作为输入样本D的ym部分。
针对SVR-t模型，将上述充电电压V、电池充电电流I、环境温度T、电池SOC值(即1-ΔSOC1)作为输入样本的xm部分，然后根据每点xm对应时间点到时间基准点之间的剩余充电时间t，以此作为输入样本D的ym部分。
通过上述过程得出的样本数据D2，可契合最新的电池老化状态，进而训练得到最新的fsoc(x)模型。
本发明不仅给出了一种可保障电气安全的锂电池剩余充电时间预测方法，填补了目前只预测SOC而不预测剩余充电时间的空白，而且本发明提出的预测模型，可根据锂电池的逐渐老化而自适应优化模型参数，因而保证预测模型与锂电池实际的匹配性，进而保证剩余充电时间的预测准确性。
同时，本发明合理分配了本地端和云服务器端的计算资源，既通过本地计算单元保证了预测的实时性，又通过云服务器端优化保证了预测模型的匹配性。
另外，本发明对硬件的依赖性极地，仅采用了常规的电压、电流、温度等传感器，从而使得本发明具有极强的可推广性极强，适用于电动车、UPS等多种锂电池充电场合，通过合适的充电时间安排，保障锂电池充电安全。上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (6)

1.一种保障电气安全的锂电池剩余充电时间预测方法，其特征在于：
主要由电池荷电状态模型和剩余充电时间模型建立、电池荷电状态模型和剩余充电时间模型预训练、充电数据检测、电池荷电状态模型预测、剩余充电时间模型预测、电池荷电增加量比对、模型重新训练多个步骤组成；
通过充电数据检测步骤获得检测数据并传到电池荷电状态模型预测步骤、电池荷电增加量比对步骤和剩余充电时间模型预测步骤，
电池荷电状态模型预测步骤和剩余充电时间模型预测步骤分别通过模型预测获得电池荷电状态和输出剩余充电时间，
电池荷电增加量比对步骤通过将电池荷电状态模型预测步骤的电池荷电状态进行比对获得结果并传入模型重新训练步骤，
模型重新训练步骤根据结果迭代更新电池荷电状态模型预测步骤、剩余充电时间模型预测步骤的模型；
所述的电池荷电增加量比对步骤，具体为：
首先，依据安时积分法对通过充电数据检测步骤获得的电池充电电流I做时间积分求得电池荷电状态的第一增加量ΔSOC1；
同时根据通过电池荷电状态模型预测步骤获得的电池荷电状态SOC，减去电池的初始荷电状态得到电池荷电状态的第二增加量ΔSOC2；
最后比较第一增加量ΔSOC1与第二增加量ΔSOC2之间差值是否超过预设值，如果超过预设值则重新训练电池荷电状态模型和剩余充电时间模型的两个模型；
所述的模型重新训练，是指找到符合电池老化状态的出厂后老化电池样本数据D2，对电池荷电状态模型和剩余充电时间模型进行重新训练；通过对存储在充电桩本地端内的数据按照时间进行回溯，查找得到第一增加量ΔSOC1与第二增加量ΔSOC2之间的差值未超预设值、且电池充满电的最近的一次时刻作为时间基准点，并令时间基准点的电池荷电状态SOC为100％，然后：沿着时间轴往前回溯得到一系列不同时刻的充电电压V、电池充电电流I、环境温度T三项检测数据，以及由三项检测数据通过计算得到每个时刻对应的电池荷电状态SOC和剩余充电时间t，从而得到用于模型重新训练的出厂后老化电池样本数据D2。
2.根据权利要求1所述的一种保障电气安全的锂电池剩余充电时间预测方法，其特征在于：其中，充电数据检测、电池荷电状态模型预测、剩余充电时间模型预测、电池荷电增加量比对四个步骤在充电桩本地端完成，模型重新训练步骤在云服务器端完成。
3.根据权利要求1所述的一种保障电气安全的锂电池剩余充电时间预测方法，其特征在于：所述的充电数据检测步骤，具体为：实时检测各个时刻的电池充电电压V、电池充电电流I、环境温度T三项参数的检测数据，然后将检测数据存储在充电桩本地端，同时通过4G等无线通讯方式将检测数据存储在云服务器端。
4.根据权利要求1所述的一种保障电气安全的锂电池剩余充电时间预测方法，其特征在于：所述的电池荷电状态模型预测步骤，具体为：
将通过充电数据检测步骤获得的三项参数的检测数据首先归一化处理，然后输入到第一支持向量回归机中作为电池荷电状态模型预测电池荷电状态，预测得到各个时刻的一系列电池荷电状态SOC并实时存储在充电桩本地端。
5.根据权利要求1所述的一种保障电气安全的锂电池剩余充电时间预测方法，其特征在于：所述的剩余充电时间模型预测步骤，具体为：
将充电数据检测步骤获得的三项参数以及电池荷电状态模型预测步骤获得的电池荷电状态作为输入参数，首先归一化处理，然后使用第二支持向量回归机作为剩余充电时间模型预测输出剩余充电时间t。
6.根据权利要求1所述的一种保障电气安全的锂电池剩余充电时间预测方法，其特征在于，所述的电池荷电状态模型和剩余充电时间模型预训练，是指找到符合电池老化状态的出厂前新电池样本数据D1，对电池荷电状态模型和剩余充电时间模型进行预先训练；通过在厂内进行一次新电池的全过程充电实验，即电池荷电状态SOC从0％到100％的全过程充电实验，并记录不同时刻的充电电压V、电池充电电流I、环境温度T三项检测数据，以及每个时刻对应的电池荷电状态SOC和剩余充电时间t，得到用于模型重新训练的出厂前新电池出厂前新电池样本数据D1。
CN202110962250.3A 2021-08-20 2021-08-20 一种保障电气安全的锂电池剩余充电时间预测方法 Active CN113687237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110962250.3A CN113687237B (zh) 2021-08-20 2021-08-20 一种保障电气安全的锂电池剩余充电时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110962250.3A CN113687237B (zh) 2021-08-20 2021-08-20 一种保障电气安全的锂电池剩余充电时间预测方法

Publications (2)

Publication Number Publication Date
CN113687237A CN113687237A (zh) 2021-11-23
CN113687237B true CN113687237B (zh) 2024-04-05

Family

ID=78581292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110962250.3A Active CN113687237B (zh) 2021-08-20 2021-08-20 一种保障电气安全的锂电池剩余充电时间预测方法

Country Status (1)

Country Link
CN (1) CN113687237B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114966413B (zh) * 2022-05-27 2023-03-24 深圳先进技术研究院 一种储能电池包的荷电状态预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981921A (zh) * 2017-05-17 2017-07-25 浙江科技学院 应用于智能锁的自切换式太阳能充电装置及充电方法
CN107576918A (zh) * 2017-09-25 2018-01-12 上海电气集团股份有限公司 锂电池的剩余电量的估算方法及系统
CN109407007A (zh) * 2018-12-24 2019-03-01 广东省智能制造研究所 一种电池荷电状态检测方法及装置
CN111196179A (zh) * 2018-11-16 2020-05-26 宝沃汽车（中国）有限公司 电池剩余充电时间的估算方法、估算装置及车辆
CN111999650A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于支持向量回归算法的锂电池剩余寿命预测方法
CN112230146A (zh) * 2019-12-30 2021-01-15 蜂巢能源科技有限公司 电池充电剩余时间的预测方法、系统及设备
CN113128158A (zh) * 2021-05-06 2021-07-16 湘潭大学 一种无线电能传输系统的耦合系数辨识方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981921A (zh) * 2017-05-17 2017-07-25 浙江科技学院 应用于智能锁的自切换式太阳能充电装置及充电方法
CN107576918A (zh) * 2017-09-25 2018-01-12 上海电气集团股份有限公司 锂电池的剩余电量的估算方法及系统
CN111196179A (zh) * 2018-11-16 2020-05-26 宝沃汽车（中国）有限公司 电池剩余充电时间的估算方法、估算装置及车辆
CN109407007A (zh) * 2018-12-24 2019-03-01 广东省智能制造研究所 一种电池荷电状态检测方法及装置
CN112230146A (zh) * 2019-12-30 2021-01-15 蜂巢能源科技有限公司 电池充电剩余时间的预测方法、系统及设备
CN111999650A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于支持向量回归算法的锂电池剩余寿命预测方法
CN113128158A (zh) * 2021-05-06 2021-07-16 湘潭大学 一种无线电能传输系统的耦合系数辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种新型锂电池充电剩余时间预测方法;程树英等;电源技术;第43卷(第1期);79-83 *
基于支持向量回归的电池SOC估计方法研究;裴晟等;电源技术;第31卷(第3期);242-244 *

Also Published As

Publication number Publication date
CN113687237A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
Chen et al. State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network
Liu et al. State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review
Xu et al. Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique
Abbas et al. Performance comparison of NARX & RNN-LSTM neural networks for LiFePO4 battery state of charge estimation
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
KR20200140093A (ko) 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템
CN103616647A (zh) 一种用于电动汽车电池管理系统的电池剩余电量估计方法
US20220179009A1 (en) Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods
CN111381180B (zh) 一种电池容量的确定方法和装置
CN110712528B (zh) 一种动力电池组实时监控方法及设备
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
US20220373609A1 (en) State Value for Rechargeable Batteries
CN113687237B (zh) 一种保障电气安全的锂电池剩余充电时间预测方法
KR102246633B1 (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법
Zhang et al. A state-of-charge estimation method based on bidirectional lstm networks for lithium-ion batteries
CN114839537A (zh) 电池荷电状态预测方法和装置
Pau et al. Microcontroller architectures for battery state of charge prediction with tiny neural networks
CN114609523A (zh) 一种电池容量的在线检测方法、电子设备及存储介质
US20230324463A1 (en) Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods
CN116047339A (zh) 基于热电耦合模型的锂离子电池组soc估计方法及装置
Channegowda et al. An attention‐based synthetic battery data augmentation technique to overcome limited dataset challenges
CN113884905A (zh) 基于深度学习的动力电池荷电状态估计方法及系统
US11762032B2 (en) Diagnosis method of battery, diagnosis device of battery, diagnosis system of battery, battery-mounted device, and non-transitory storage medium
Wang et al. Online Capacity Estimation of Lithium-ion Batteries by Partial Incremental Capacity Curve
Niu et al. State of charge and state of power estimation for power battery in HEV based on optimized particle filtering

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