CN114594382A - 一种电池能源状态预测方法、装置、电子设备及存储介质 - Google Patents

一种电池能源状态预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114594382A
CN114594382A CN202210302723.1A CN202210302723A CN114594382A CN 114594382 A CN114594382 A CN 114594382A CN 202210302723 A CN202210302723 A CN 202210302723A CN 114594382 A CN114594382 A CN 114594382A
Authority
CN
China
Prior art keywords
battery
predicted
value
temperature
parameter information
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
Application number
CN202210302723.1A
Other languages
English (en)
Inventor
不公告发明人
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.)
Hainan Xiaoshai Intelligent Technology Co ltd
Original Assignee
Hainan Xiaoshai Intelligent Technology 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 Hainan Xiaoshai Intelligent Technology Co ltd filed Critical Hainan Xiaoshai Intelligent Technology Co ltd
Priority to CN202210302723.1A priority Critical patent/CN114594382A/zh
Publication of CN114594382A publication Critical patent/CN114594382A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/367—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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供了一种电池能源状态预测方法、装置、电子设备及存储介质。涉及新能源技术领域，本申请通过采集待预测电池当前时刻的工作参数信息，并从预设参数表格中，确定待预测电池的电池参数信息。通过电池参数信息以及约束电压值和约束电流值，确定待预测电池在工作时可以达到的最大运行电流，再进行预测温度，以上述确定好的最大运行电流和预测温度对待预测电池的SOP值进行预测，从而确定出待预测电池的SOP值。本申请实施例从电压约束、电流约束以及温度约束的角度对SOP值进行预测，保证待预测电池在全SOC时段都可以安全使用，改善待预测电池SOP值的峰值功率输出，提高待预测电池的续航和使用寿命。

Description

一种电池能源状态预测方法、装置、电子设备及存储介质
技术领域
本申请涉及新能源技术领域，特别涉及一种电池能源状态预测方法、装置、电子设备及存储介质。
背景技术
电池能源状态(State of Power，SOP)表现为电池所能释放或者吸收的最大功率，目前普遍使用混合脉冲功率特性法(HPPC)确定电池的SOP值，该方法基于电池上下截止电压，结合开路电压，电池内阻进行SOP计算。
但是，现有技术确定的电池SOP值峰值功率持续时间短，跳变大，也可能存在电池在使用的过程中，由于温度过高导致电池烧毁的风险。
发明内容
为了解决现有技术中的问题，本申请实施例提供了电池能源状态预测方法、装置、电子设备及存储介质，可以保证待预测电池在全SOC时段都可以安全使用，并且也能改善待预测电池SOP值的峰值功率输出，以及提高待预测电池的续航和使用寿命。
第一方面，本申请实施例提供了一种电池能源状态预测方法，所述方法包括：
采集待预测电池的工作参数信息；所述工作参数信息包括工作电流值、电池荷电状态SOC值以及电池温度信息；
从预设参数表格中，基于所述电池参数信息与所述SOC值和/或所述电池温度信息的对应关系，确定所述待预测电池的电池参数信息；
基于所述电池参数信息、约束电压值和约束电流值，确定所述待预测电池对应的最大运行电流；
基于所述电池参数信息，所述SOC值以及所述工作电流值确定预测温度；
基于所述最大运行电流和所述预测温度，对所述待预测电池的电池能源状态进行预测，若所述预测温度小于所述待预测电池对应的最大温度阈值，则基于所述最大运行电流更新所述待预测电池的SOP值。
在一种可能的实施方式中，所述方法还包括：若所述预测温度大于最大温度阈值，则基于预设百分比和所述SOC值，得到新的SOC值，返回执行基于所述SOC值和所述电池温度信息，得到所述待预测电池的电池参数信息步骤，直至所述预测温度小于最大温度阈值，则根据最后一次的最大运行电流更新所述待预测电池的SOP。
在一种可能的实施方式中，所述电池参数信息包括：电池容量、待预测电池内阻、极化电阻值、极化电容值、电池开路电压值。
在一种可能的实施方式中，所述基于所述电池参数信息、约束电压值和约束电流值，确定所述待预测电池对应的最大运行电流，包括：
基于所述约束电压值和所述电池参数信息，得到所述约束电压值对应的峰值电流值；
若所述峰值电流值小于所述约束电流值，则基于所述峰值电流值确定所述最大运行电流；
若所述峰值电流值大于所述约束电流值，则基于所述约束电流值确定所述最大运行电流。
在一种可能的实施方式中，所述基于所述电池参数信息，所述SOC值以及所述工作电流值确定预测温度，包括：
基于所述SOC值、所述电池参数信息中的电池开路电压值、电池总电压值、所述工作电流值以及所述零电流温度值，确定所述预测温度参数信息；所述零电流温度值为所述待预测电池在电流为0时对应的温度值；
将所述预测温度参数信息输入到记忆网络模型中，得到所述预测温度。
在一种可能的实施方式中，所述记忆网络模型包括输入门、遗忘门、备选单元门、输出门；所述将所述预测温度参数信息输入到记忆网络模型中，得到所述预测温度，包括：
基于所述预测温度参数信息和所述遗忘门，得到遗忘参数；
基于所述预测温度参数信息、所述备选单元门和所述输入门，得到中间参数；
基于所述遗忘参数和所述中间参数，得到状态更新信息；
基于所述预测温度参数信息和所述输出门，得到隐藏更新参数；
基于所述隐藏更新参数和所述状态更新信息，得到隐藏更新信息；
基于预设权重、预设偏差值以及所述隐藏更新信息，得到所述预测温度。
第二方面，本申请实施例提供了一种电池能源状态预测装置，所述装置包括：
采集单元，用于采集待预测电池的工作参数信息；所述工作参数信息包括工作电流值、电池荷电状态SOC值以及电池温度信息；
第一确定单元，用于从预设参数表格中，基于所述电池参数信息与所述SOC值和/或所述电池温度信息的对应关系，确定所述待预测电池的电池参数信息；
第二确定单元，用于基于所述电池参数信息、约束电压值和约束电流值，确定所述待预测电池对应的最大运行电流；
第一预测单元，用于基于所述电池参数信息，所述SOC值以及所述工作电流值确定预测温度；
第二预测单元，用于基于所述最大运行电流和所述预测温度，对所述待预测电池的电池能源状态进行预测，若所述预测温度小于所述待预测电池对应的最大温度阈值，则基于所述最大运行电流更新所述待预测电池的SOP值。
在一种可能的实施方式中，所述装置还包括：
调节单元，用于若所述预测温度大于最大温度阈值，则基于预设百分比和所述SOC值，得到新的SOC值，返回执行基于所述SOC值和所述电池温度信息，得到所述待预测电池的电池参数信息步骤，直至所述预测温度小于最大温度阈值，则根据最后一次的最大运行电流更新所述待预测电池的SOP。
在一种可能的实施方式中，所述第二确定单元，还用于：
基于所述约束电压值和所述电池参数信息，得到所述约束电压值对应的峰值电流值；
若所述峰值电流值小于所述约束电流值，则基于所述峰值电流值确定所述最大运行电流；
若所述峰值电流值大于所述约束电流值，则基于所述约束电流值确定所述最大运行电流。
在一种可能的实施方式中，所述第一预测单元，还用于：
基于所述SOC值、所述电池参数信息中的电池开路电压值、电池总电压值、所述工作电流值以及所述零电流温度值，确定所述预测温度参数信息；所述零电流温度值为所述待预测电池在电流为0时对应的温度值；
将所述预测温度参数信息输入到记忆网络模型中，得到所述预测温度。
在一种可能的实施方式中，所述第一预测单元，还用于：
基于所述预测温度参数信息和所述遗忘门，得到遗忘参数；
基于所述预测温度参数信息、所述备选单元门和所述输入门，得到中间参数；
基于所述遗忘参数和所述中间参数，得到状态更新信息；
基于所述预测温度参数信息和所述输出门，得到隐藏更新参数；
基于所述隐藏更新参数和所述状态更新信息，得到隐藏更新信息；
基于预设权重、预设偏差值以及所述隐藏更新信息，得到所述预测温度。
第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器上可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现第一方面一种电池能源状态预测方法中任一项所述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面一种电池能源状态预测方法中任一项所述的方法。
本申请实施例提供了一种电池能源状态预测方法，通过采集待预测电池当前时刻的工作参数信息，其中，工作参数信息包括工作电流值、电池荷电状态SOC值以及电池温度信息，并从预设参数表格中，基于电池参数信息与SOC值和/或电池温度信息与对应关系，确定待预测电池的电池参数信息。通过电池参数信息以及约束电压值和约束电流值，确定待预测电池在工作时可以达到的最大运行电流，再基于电池参数信息，SOC值、电池开路电压值以及工作电流值确定预测温度，以上述确定好的最大运行电流和预测温度对待预测电池的SOP值进行预测，从而确定出待预测电池的SOP值。本申请实施例先从约束电压和约束电流的角度确定出待预测电池工作时能够达到的最大运行电流，再确定预测温度，以在全SOC时段，待预测电池均可以安全使用为目的，从温度约束的角度出发，对待预测电池的SOP值进行预测，确定待预测电池的SOP值。本申请实施例保证了待预测电池在全SOC时段都可以安全使用，也能改善待预测电池SOP值的峰值功率输出，以及提高待预测电池的续航和使用寿命。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种电池能源状态预测方法的流程示意图；
图2为本申请实施例提供的一种预设等效电池模型的示意图；
图3为本申请实施例提供的一种具体地LSTM网络模型的结构示意图；
图4为本申请实施例提供的一种预测温度小于最大温度阈值的结果示意图；
图5为本申请实施例提供的一种LSTM网络模型训练过程的流程示意图；
图6为本申请实施例提供的一种预测待预测电池的SOP值过程的流程图的示意图；
图7为本申请实施例提供的一种电池能源状态预测装置的结构示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
需要说明的是，本申请的文件中涉及的术语“包括”和“具有”以及它们的变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
电池能源状态表现为电池所能释放或者吸收的最大功率，现有技术中普遍使用混合脉冲功率特性法确定电池的SOP值，该方法基于电池上下截止电压，结合开路电压，电池内阻进行SOP计算。通过此种方式来确定电池能源状态并没有考虑到温度，但是在使用电池的过程中，却无法忽视温度给电池带来的影响，温度过高会影响电池功率输出，电池温度过高后，电池能够释放或者吸收的最大功率就会降低，这也会影响电池的使用时长。
为了解决上述问题，本申请提供了一种电池能源状态预测方法，通过采集待预测电池当前时刻的工作参数信息，其中，工作参数信息包括工作电流值、电池荷电状态SOC值以及电池温度信息，并从预设参数表格中，基于电池参数信息与SOC值和/或电池温度信息的对应关系，确定待预测电池的电池参数信息。通过电池参数信息以及约束电压值和约束电流值，确定待预测电池在工作时可以达到的最大运行电流，再基于电池参数信息，SOC值、电池开路电压值以及工作电流值确定预测温度，以上述确定好的最大运行电流和预测温度对待预测电池的SOP值进行预测，从而确定出待预测电池的SOP值。本申请实施例先从约束电压和约束电流的角度确定出待预测电池工作时能够达到的最大运行电流，再确定预测温度，以在全SOC时段，待预测电池均可以安全使用为目的，从温度约束的角度出发，对待预测电池的SOP值进行预测，确定待预测电池的SOP值。保证待预测电池在全SOC时段都可以安全使用，也能改善待预测电池SOP值的峰值功率输出，以及提高待预测电池的续航和使用寿命。
图1示出了一种本申请实施例提供的一种电池能源状态预测方法，应用于电子设备，如图1所示，本申请实施例提供的电池能源状态预测方法包括以下步骤：
步骤S101：采集待预测电池的工作参数信息。
其中，工作参数信息包括工作电流值、电池荷电状态SOC值以及电池温度信息。SOC(State Of Charge，电池荷电状态)值，可以理解为电池的剩余电量。
在一种可能的实施例中，需要先采集待预测电池的工作参数信息。在待预测电池是使用状态时，将K时刻时，待预测电池的工作参数信息进行采集，并对待预测电池进行电池能源状态预测。下述内容中均以K时刻，待预测电池处于充电状态下的工作参数信息为例。
步骤S102：从预设参数表格中，基于电池参数信息与SOC值和/或电池温度信息的对应关系，确定待预测电池的电池参数信息。
在一种可能的实施例中，获取到待预测电池k时刻的工作参数信息之后，可以从预设参数表格中，通过查表的方式，得到待预测电池的电池参数信息。图2示出了一种预设等效电池模型的示意图。需要说明的是，本申请实施例可以使用一阶RC电池模型，通过卡尔曼滤波方式估算的SOC值，可以直接获取到电池模型对应的SOC值。
其中，图2中的R0表示为待预测电池内阻，U0表示为待预测电池工作时，待预测电阻产生的电压，RP表示为极化电阻、Cp表示为极化电容，IP表示为极化电流，Uoc表示为电池开路电压，UP表示为极化电容，UL表示为待预测电池的电压，IL表示为待预测电池的工作电流。
其中，k时刻下的待预测电池的电池参数信息包括：电池容量
Figure BDA0003563429870000081
待预测电池内阻值R0 k、极化电阻值RP k、极化电容值Cp k、电池开路电压值Uoc k。
可以基于预设电池等效模型对应的预设参数表格，可以通过SOC值和电池温度信息，来确定待预测电池的电池参数信息。
步骤S103：基于电池参数信息、约束电压值和约束电流值，确定待预测电池对应的最大运行电流。
在一种可能的实施例中，确定了电池参数信息之后，基于约束电压值和电池参数信息，得到约束电压值对应的峰值电流值，若峰值电流值小于约束电流值，则基于峰值电流值确定最大运行电流，若峰值电流值大于约束电流值，则基于约束电流值确定最大运行电流。
其中，约束电压值分为最大约束电压和最小约束电压，最大约束电压值即为充电状态下的约束电压值，最小约束电压值即为放电状态下的约束电压值。可以理解为：充电状态下电压不能超过的最高电压阈值即为最大约束电压值，放电状态下电压不能低于的最低电压阈值即为最小约束电压值。
在确定约束电压值对应的峰值电流值前，还需要确定其对应的极化电压值，其中，极化电压值是通过卡尔曼滤波方式估算的SOC值过程中的值，所以极化电压值可以看作为已知的值。
示例性地，以待预测电池在充电状态下为例，则充电状态下的峰值电流值为基于下述公式确定的，公式如下：
Figure BDA0003563429870000091
其中，
Figure BDA0003563429870000092
为充电状态下的约束电压值对应的峰值电流；Umax,L为最大约束电压，Uoc k为k时刻的电池开路电压值，
Figure BDA0003563429870000093
为k时刻的极化电压值，
Figure BDA0003563429870000094
为常数，R0 k为k时刻的待预测电池内阻，RP k为k时刻的极化电阻值。
基于上述公式可以确定充电状态下约束电压值对应的峰值电流值。确定峰值电流值之后，在待预测电池工作时，还存在一个约束电流值，此约束电流值是根据负载功率电流约束或待预测电池本身最大电流的阈值约束确定的。
进一步地，此处可以以待预测电池本身的最大电流阈值
Figure BDA0003563429870000095
为例，则约束电流值可以记为
Figure BDA0003563429870000096
下述内容中均以
Figure BDA0003563429870000097
作为约束电流值。
若
Figure BDA0003563429870000098
大于
Figure BDA0003563429870000099
则可以将
Figure BDA00035634298700000910
作为最大运行电流；若
Figure BDA00035634298700000911
小于
Figure BDA00035634298700000912
则可以将
Figure BDA00035634298700000913
作为最大运行电流。即可以表示为
Figure BDA00035634298700000914
实质上就是在考虑约束电压值和约束电流值的情况下，选出待预测电池可以运行，并且能够在工作过程中达到的最大运行电流。
进一步地，本申请实施例还提供了一种在待预测电池放电状态下，确定峰值电流值的公式，公式如下：
Figure BDA00035634298700000915
其中，
Figure BDA00035634298700000916
为放电状态下的约束电压值对应的峰值电流值，Umin,L为最小约束电压，Uoc′为放电状态下的电池开路电压值，U′P为放电状态下极化电容对应的极化电压值，R0′为放电状态下的待预测电池内阻，RP′为放电状态下的极化电阻值。
放电状态下，确定了放电状态下的约束电压值对应的峰值电流值之后，再基于约束电流值和放电状态下的约束电压值对应的峰值电流值，确定放电状态下待预测电池的最大运行电流。
在放电状态下确定最大运行电流时，
Figure BDA0003563429870000101
下述步骤中仍以充电状态下的待预测电池为例。
步骤S104：基于电池参数信息，SOC值以及工作电流值确定预测温度。
在一种可能的实施例中，基于SOC值、电池参数信息中的电池开路电压值、电池总电压值、工作电流值以及零电流温度值，确定预测温度参数信息，将预测温度参数信息输入到记忆网络模型中，得到预测温度。
其中，零电流温度值为待预测电池在电流为0时对应的温度值。
示例性地，可以基于下述公式确定预测温度参数信息，公式如下：
Figure BDA0003563429870000102
其中，xt表示为预测温度参数信息，Current表示为工作电流值，Volt表示为电池总电压值，TempretureFirst表示为零电流温度值，Uoc(SOC,Tempreture)表示为电池参数信息中的电池开路电压值。
确定预测温度参数信息之后，可以将预测温度参数信息输入到记忆网络模型中。其中，记忆网络模型包括输入门i、遗忘门f、备选单元门g、输出门o。
需要说明的是，本申请中的记忆网络模型可以是LSTM(Long short-term memory，长短期记忆)网络模型和GRU(Gated Recurrent Unit，门控循环单元)网络模型。图3示出了一种具体地LSTM网络模型的结构示意图。
需要说明的是，LSTM网络模型在训练的过程中，会将最后一次满足损失函数值的网络参数保存下来，并且会同步将最后一次训练时得到的训练状态更新信息和训练隐藏更新信息保存下来，在使用时对输入进行更新。其中，可以将训练隐藏更新信息表示为ht-1，训练状态更新信息表示为ct-1，网络参数包括预设权重W，循环权重R以及预设偏差值b。
示例性地，基于预测温度参数信息和遗忘门，得到遗忘参数，基于预测温度参数信息、备选单元门和输入门，得到中间参数，基于遗忘参数和中间参数，得到状态更新信息，基于预测温度参数信息和输出门，得到隐藏更新参数，基于隐藏更新参数和状态更新信息，得到隐藏更新信息，基于预设权重、预设偏差值以及隐藏更新信息，得到预测温度。
具体地，基于如下公式，得到遗忘参数。
ft＝sigmoid(Wxt+Rht-1+b)
其中，ft表示训练好之后第一次使用遗忘门输出的遗忘参数，xt表示为预测温度参数信息。sigmoid(x)＝(1+e-x)-1。
具体地，基于如下公式，得到中间参数。
it＝sigmoid(Wxt+Rht-1+b)
gt＝sigmoid(Wxt+Rht-1+b)
其中，it表示为训练好之后第一次使用输入门的输出，gt表示为训练好之后第一次使用备选单元门的输出。
如图3所示，得到it和ft之后，可以基于it和ft，得到中间参数。
具体地，基于如下公式，得到状态更新信息。
ct＝ftct-1+itgt
其中，ct表示为状态更新信息。
具体地，基于如下公式，得到隐藏更新参数。
ot＝sigmoid(Wxt+Rht-1+b)
其中，ot表示为训练好之后第一次使用输出门输出的隐藏更新参数。
具体地，基于如下公式，得到隐藏更新信息。
ht＝ottanh(ct)
其中，ht表示为训练好之后第一次输出的隐藏更新信息，tanh(k)可以表示为
Figure BDA0003563429870000111
经过上述步骤可以确定隐藏更新信息，基于预设权重、预设偏差值以及隐藏更新信息，以及下述公式，可以确定预测温度。
yt＝Wht+b
其中，yt表示为预测温度。
需要说明的是，步骤S104不仅仅是表示了K时刻预测得到的预测温度，在实际使用的过程中，是基于K时刻采集到的工作参数信息，直接对待预测电池整个使用过程中的所有时刻进行预测，并得到每个时刻对应的预测温度，基于每个时刻对应的预测温度以及最大运行电流执行步骤S105。
步骤S105：基于最大运行电流和预测温度，对待预测电池的电池能源状态进行预测，若预测温度小于待预测电池对应的最大温度阈值，则基于最大运行电流更新待预测电池的SOP值。
在一种可能的实施例中，根据确定好的充电状态下的最大运行电流和预测温度进行在电池模型中进行仿真，若预测温度小于待预测电池对应的最大温度阈值，则此时的最大运行电流即为更新电池的SOP值可以用到的峰值电流值，基于最大运行电流确定待预测电池对应的峰值功率，并更新SOP值。
进一步地，若预测温度大于最大温度阈值，则基于预设百分比和SOC值，得到新的SOC值。返回执行基于SOC值和电池温度信息，得到待预测电池的电池参数信息步骤，直至预测温度小于最大温度阈值，则根据最后一次的最大运行电流更新待预测电池的SOP。
示例性地，由于上述步骤S102-S104中使用到的值均与SOC值有关，所以，在出现预测温度大于最大温度阈值的情况时，可以理解为由于最大运行电流过大，或者待预测电池在使用的过程中功率峰值持续时间长，导致待预测电池的预测温度超过了最大温度阈值。基于此种考虑，可以降低最大运行电流，从而达到降低最大峰值功率的效果，降低待预测电池的预测温度在预测时上升的速度，保证在全SOC时段中待预测电池的预测温度均可以满足最大温度预测。
那么，若此时的待预测电池处于充电状态下，且SOC值为2％，则可以基于预设百分比，得到新的SOC值。预设百分比可以设为5％，则新的SOC值为7％，基于7％的SOC值重新返回步骤S102，确定新的最大运行电流，并重新预测温度以确定最终待预测电池的SOP值。最后一次仿真时的SOC值可以作为待预测电池的最低电量值，即为低于最后一次仿真时对应的SOC值时，可以设置提醒信息，提醒待预测电池需要开始充电。
在充电状态下对待预测电池进行预测后，可以在放电状态下对待预测电池进行预测，并确定最终待预测电池在放电状态下的SOP值，第一次则以SOC值为100％为初始的SOC值进行预测，若最终满足条件的SOP值对应的SOC值为95％，则可以在每次充电时，将待预测电池的电量充到95％的状态下，以使待预测电池在放电过程中，可以在全SOC段中均保证温度不会超过最大温度阈值，待预测电池的峰值功率时间就可以持续很长时间，不会因为温度过高的影响，导致待预测电池放电时，无法达到峰值功率。图4示出了一种预测温度小于最大温度阈值的结果示意图。图4中分别示出了一次即可满足预测温度小于最大温度阈值的结果示意图，以及示出了经过调整后，预测温度小于最大温度阈值的结果示意图。具体实施方式已经由上述内容说明。
本申请实施例在约束电压、约束电流以外又新增加了约束温度的条件，从各个角度考虑，并对待预测电池的SOP值进行预测。以在全SOC时段，待预测电池均可以安全使用为主要目的。并且加入了温度约束之后，待预测电池在使用的过程中，温度不会超过最大温度阈值，就不会出现待预测电池在使用的过程中，由于温度逐渐升高，为了保证待预测电池的安全，至使电流减小，从而导致SOP峰值功率持续时间短。若是没有温控系统的电池，温度逐渐升高，一旦超过最大温度阈值，则电流就会突然下降，导致SOP峰值功率突然减小，会出现SOP峰值功率跳变大的情况。基于这个角度，本申请实施例也能改善待预测电池SOP值的峰值功率输出的持续时间，以及提高待预测电池的续航和使用寿命。
在一种可能的实施方式中，上述步骤中使用到的记忆网络模型是需要进行训练的，以LSTM网络模型为例，其训练过程是基于图3中给出的网络结构实施反向传播过程进行训练的。LSTM网络模型的训练过程如图5所示。
步骤S501：基于电池管理系统采集候选电池的候选训练数据集。
其中，电池管理系统(BMS，BATTERY MANAGEMENT SYSTEM)采集的候选训练数据集为候选电池在正常的使用情况下，从SOC值为100％到0％和/或0％到100％的状态下产生的电池数据，即为充电状态下的候选电池数据以及放电状态下的候选电池数据均包括在内。可以采集候选电池在正常使用的过程中几个充电-放电周期内的数据，尽量将候选电池的使用情况采集完整。
候选训练数据集包括：候选电池的总电压值，候选电池每个时刻的工作电流值，候选电池每个时刻的SOC值。候选电池每个时刻的温度值可以作为训练LSTM网络模型时训练预测温度的参考值。候选电池可以为待预测电池。
步骤S502：从候选训练数据集中进行划窗选择，并保存满足预设时间条件的目标训练数据集。
其中，采集到候选训练数据集后，可以添加预设时间条件。则预设时间条件可以为候选训练数据集的采集天数大于10天，且候选电池的工作时间大于8小时。
示例性地，若一共保存了11天的候选训练数据集，并且一共采集到候选电池的工作时间为9.5个小时。若在这11天中，第一天时候选电池的工作时间为2个小时，而第11天时，候选电池的工作时间为0.5个小时，则在进行划窗选择保存目标训练数据集时，若将第1天划窗删除，则候选电池在后面10天中的工作时间一共仅为7.5小时，不满足预设时间条件。若将第11天划窗删除，则候选电池在后面10天中的工作时间一共仅为9小时，满足预设时间条件。
若得到的候选训练数据集正好为采集天数为10天，且候选电池的工作时间为8小时，则可以直接将候选训练数据集作为目标训练数据集。
步骤S503：从目标训练数据集中抽取训练样本，将训练样本以及候选电池每个时刻的温度值输入到未训练的LSTM网络模型中，确定LSTM网络模型的损失函数值。
步骤S504：判断损失函数值是否满足第一预设值。若满足，则执行步骤S506；若不满足，则执行步骤S505。
步骤S505：根据损失函数值，调整LSTM网络模型的网络参数。
步骤S506：将当前的网络参数作为LSTM网络模型的网络参数，得到已训练的LSTM网络模型。
得到已训练的LSTM网络模型之后，可以将得到已训练的LSTM网络模型搭载在电子设备中的本地电池管理系统中，也可以将训练好的LSTM网络模型的网络参数以及训练状态更新信息和训练隐藏更新信息保存下来，并将这些参数发送到本地电池管理系统中。
本申请实施例提供的LSTM网络模型可以在云服务器中进行训练，不使用芯片，节省芯片成本。
进一步地，在预测待预测电池的SOP值的过程中，采集待预测电池的工作参数信息，从预设参数表格中，基于电池参数信息与SOC值和/或电池温度信息的对应关系，确定待预测电池的电池参数信息。进行第一次仿真，确定了最大运行电流之后。将最大运行电流以及工作电流值、以及电池参数信息输入到本地电池管理系统中，可以将预测温度的步骤和预测待预测电池的SOP值的步骤一起在本地电池管理系统中完成。
本申请实施例提供的这种预测待预测电池的SOP值的方式，可以很好的通过云服务平台进行数据交互并计算复杂运算，也就是训练LSTM网络模型的过程，然后将使用过程中需要的网络参数发送到本地BMS上，仅进行简单计算就可以实现对待预测电池的SOP值进行预测的过程。
图6示出了一种详细的电池能源状态预测方法的流程示意图，步骤如下所示：
步骤S601：采集待预测电池的工作参数信息。
其中，工作参数信息包括工作电流值、电池荷电状态SOC值以及电池温度信息。
步骤S602：从预设参数表格中，基于电池参数信息与SOC值和/或电池温度信息的对应关系，确定待预测电池的电池参数信息。
步骤S603：基于约束电压值和电池参数信息，得到约束电压值对应的峰值电流值。
步骤S604：判断峰值电流值和约束电流值的大小关系，若峰值电流值小于约束电流值，则执行步骤S605；若峰值电流值大于约束电流值，则执行步骤S606。
步骤S605：基于峰值电流值确定最大运行电流。
步骤S606：基于约束电流值确定最大运行电流。
步骤S607：基于SOC值、电池参数信息中的电池开路电压值、电池总电压值、工作电流值以及零电流温度值，确定预测温度参数信息。
步骤S608：将预测温度参数信息输入到记忆网络模型中，得到预测温度。
步骤S609：基于最大运行电流和预测温度，对待预测电池的电池能源状态进行预测，判断预测温度和待预测电池对应的最大温度阈值，若预测温度小于待预测电池对应的最大温度阈值，则执行步骤S611；若预测温度大于待预测电池对应的最大温度阈值，则执行步骤S610。
S610：基于预设百分比和SOC值，得到新的SOC值，返回执行步骤S602。
S611：基于最大运行电流更新待预测电池的SOP值。
基于同一种构思，本申请实施例还提供了一种电池能源状态预测装置，如图7所示，该装置包括：
采集单元701，用于采集待预测电池的工作参数信息；工作参数信息包括工作电流值、电池荷电状态SOC值以及电池温度信息；
第一确定单元702，用于从预设参数表格中，基于电池参数信息与SOC值和/或电池温度信息的对应关系，确定待预测电池的电池参数信息；
第二确定单元703，用于基于电池参数信息、约束电压值和约束电流值，确定待预测电池对应的最大运行电流；
第一预测单元704，用于基于电池参数信息，SOC值以及工作电流值确定预测温度；
第二预测单元705，用于基于最大运行电流和预测温度，对待预测电池的电池能源状态进行预测，若预测温度小于待预测电池对应的最大温度阈值，则基于最大运行电流更新待预测电池的SOP值。
在一种可能的实施方式中，第二确定单元703，还用于：
基于约束电压值和电池参数信息，得到约束电压值对应的峰值电流值；
若峰值电流值小于约束电流值，则基于峰值电流值确定最大运行电流；
若峰值电流值大于约束电流值，则基于约束电流值确定最大运行电流。
在一种可能的实施方式中，第一预测单元704，还用于：
基于SOC值、电池参数信息中的电池开路电压值、电池总电压值、工作电流值以及零电流温度值，确定预测温度参数信息；零电流温度值为待预测电池在电流为0时对应的温度值；
将预测温度参数信息输入到记忆网络模型中，得到预测温度。
在一种可能的实施方式中，第一预测单元704，还用于：
基于预测温度参数信息和遗忘门，得到遗忘参数；
基于预测温度参数信息、备选单元门和输入门，得到中间参数；
基于遗忘参数和中间参数，得到状态更新信息；
基于预测温度参数信息和输出门，得到隐藏更新参数；
基于隐藏更新参数和状态更新信息，得到隐藏更新信息；
基于预设权重、预设偏差值以及隐藏更新信息，得到预测温度。
本申请实施例还提供了一种电子设备，该电子设备至少包括用于存储数据的存储器和处理器，其中，对于用于数据处理的处理器而言，在执行处理时，可以采用微处理器、CPU、GPU(Graphics Processing Unit，图形处理单元)、DSP或FPGA实现。对于存储器来说，存储器中存储有操作指令，该操作指令可以为计算机可执行代码，通过该操作指令来实现上述本申请实施例的电池能源状态预测方法的流程中的各个步骤。
图8为本申请实施例提供的一种电子设备的结构示意图。如图8所示，电子设备800包括存储器801、处理器802、数据获取模块803和总线804。该存储器801、处理器802和数据获取模块803均通过总线804连接，该总线804用于该存储器801、处理器802和数据获取模块803之间传输数据。
其中，存储器801可用于存储软件程序以及模块，处理器802通过运行存储在存储器801中的软件程序以及模块，从而执行电子设备800的各种功能应用以及数据处理，如本申请实施例提供的电池能源状态预测方法。存储器801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、至少一个应用的应用程序等；存储数据区可存储根据电子设备800的使用所创建的数据等。此外，存储器801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、或其他易失性固态存储器件。
处理器802是电子设备800的控制中心，利用总线804以及各种接口和线路连接整个电子设备800的各个部分，通过运行或执行存储在存储器801内的软件程序和/或模块，以及调用存储在存储器801内的数据，执行电子设备800的各种功能和处理数据。可选的，处理器802可包括一个或多个处理单元，如CPU、GPU(Graphics Processing Unit，图形处理单元)、数字处理单元等。
数据获取模块803用于获取数据。
本申请实施例还提供一种计算机可读非易失性存储介质，包括程序代码，当所述程序代码在计算终端上运行时，所述程序代码用于使所述计算终端执行上述任意一种电池能源状态预测方法的步骤。
在一些可能的实施方式中，本申请提供的电池能源状态预测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的电池能源状态预测方法的步骤，例如，所述计算机设备可以执行如图1所示的步骤S101～S105的电池能源状态预测方法的流程。
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。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种电池能源状态预测方法，其特征在于，所述方法包括：
采集待预测电池的工作参数信息；所述工作参数信息包括工作电流值、电池荷电状态SOC值以及电池温度信息；
从预设参数表格中，基于电池参数信息与所述SOC值和/或所述电池温度信息的对应关系，确定所述待预测电池的电池参数信息；
基于所述电池参数信息、约束电压值和约束电流值，确定所述待预测电池对应的最大运行电流；
基于所述电池参数信息，所述SOC值以及所述工作电流值确定预测温度；
基于所述最大运行电流和所述预测温度，对所述待预测电池的电池能源状态进行预测，若所述预测温度小于所述待预测电池对应的最大温度阈值，则基于所述最大运行电流更新所述待预测电池的SOP值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述预测温度大于最大温度阈值，则基于预设百分比和所述SOC值，得到新的SOC值，返回执行基于所述SOC值和所述电池温度信息，得到所述待预测电池的电池参数信息步骤，直至所述预测温度小于最大温度阈值，则根据最后一次的最大运行电流更新所述待预测电池的SOP。
3.根据权利要求1所述的方法，其特征在于，所述电池参数信息包括：电池容量、待预测电池内阻、极化电阻值、极化电容值、电池开路电压值。
4.根据权利要求1所述的方法，其特征在于，所述基于所述电池参数信息、约束电压值和约束电流值，确定所述待预测电池对应的最大运行电流，包括：
基于所述约束电压值和所述电池参数信息，得到所述约束电压值对应的峰值电流值；
若所述峰值电流值小于所述约束电流值，则基于所述峰值电流值确定所述最大运行电流；
若所述峰值电流值大于所述约束电流值，则基于所述约束电流值确定所述最大运行电流。
5.根据权利要求1所述的方法，其特征在于，所述基于所述电池参数信息，所述SOC值以及所述工作电流值确定预测温度，包括：
基于所述SOC值、所述电池参数信息中的电池开路电压值、电池总电压值、所述工作电流值以及所述零电流温度值，确定所述预测温度参数信息；所述零电流温度值为所述待预测电池在电流为0时对应的温度值；
将所述预测温度参数信息输入到记忆网络模型中，得到所述预测温度。
6.根据权利要求5所述的方法，其特征在于，所述记忆网络模型包括输入门、遗忘门、备选单元门、输出门；所述将所述预测温度参数信息输入到记忆网络模型中，得到所述预测温度，包括：
基于所述预测温度参数信息和所述遗忘门，得到遗忘参数；
基于所述预测温度参数信息、所述备选单元门和所述输入门，得到中间参数；
基于所述遗忘参数和所述中间参数，得到状态更新信息；
基于所述预测温度参数信息和所述输出门，得到隐藏更新参数；
基于所述隐藏更新参数和所述状态更新信息，得到隐藏更新信息；
基于预设权重、预设偏差值以及所述隐藏更新信息，得到所述预测温度。
7.一种电池能源状态预测装置，其特征在于，所述装置包括：
采集单元，用于采集待预测电池的工作参数信息；所述工作参数信息包括工作电流值、电池荷电状态SOC值以及电池温度信息；
第一确定单元，用于从预设参数表格中，基于所述电池参数信息与所述SOC值和/或所述电池温度信息的对应关系，确定所述待预测电池的电池参数信息；
第二确定单元，用于基于所述电池参数信息、约束电压值和约束电流值，确定所述待预测电池对应的最大运行电流；
第一预测单元，用于基于所述电池参数信息，所述SOC值以及所述工作电流值确定预测温度；
第二预测单元，用于基于所述最大运行电流和所述预测温度，对所述待预测电池的电池能源状态进行预测，若所述预测温度小于所述待预测电池对应的最大温度阈值，则基于所述最大运行电流更新所述待预测电池的SOP值。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
调节单元，用于若所述预测温度大于最大温度阈值，则基于预设百分比和所述SOC值，得到新的SOC值，返回执行基于所述SOC值和所述电池温度信息，得到所述待预测电池的电池参数信息步骤，直至所述预测温度小于最大温度阈值，则根据最后一次的最大运行电流更新所述待预测电池的SOP。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现权利要求1～6中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现权利要求1～6中任一项所述的方法。
CN202210302723.1A 2022-03-24 2022-03-24 一种电池能源状态预测方法、装置、电子设备及存储介质 Pending CN114594382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210302723.1A CN114594382A (zh) 2022-03-24 2022-03-24 一种电池能源状态预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210302723.1A CN114594382A (zh) 2022-03-24 2022-03-24 一种电池能源状态预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114594382A true CN114594382A (zh) 2022-06-07

Family

ID=81820415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210302723.1A Pending CN114594382A (zh) 2022-03-24 2022-03-24 一种电池能源状态预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114594382A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293100A (zh) * 2022-09-30 2022-11-04 深圳市威特利电源有限公司 一种新能源电池剩余电量精准评估方法
CN116593905A (zh) * 2023-06-30 2023-08-15 广汽埃安新能源汽车股份有限公司 电池功率状态sop计算方法、装置、电子设备和存储介质
CN118566758A (zh) * 2024-08-02 2024-08-30 四川工程职业技术大学 一种电池组的放电功率峰值估算方法、系统及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293100A (zh) * 2022-09-30 2022-11-04 深圳市威特利电源有限公司 一种新能源电池剩余电量精准评估方法
CN116593905A (zh) * 2023-06-30 2023-08-15 广汽埃安新能源汽车股份有限公司 电池功率状态sop计算方法、装置、电子设备和存储介质
CN116593905B (zh) * 2023-06-30 2023-09-08 广汽埃安新能源汽车股份有限公司 电池功率状态sop计算方法、装置、电子设备和存储介质
CN118566758A (zh) * 2024-08-02 2024-08-30 四川工程职业技术大学 一种电池组的放电功率峰值估算方法、系统及设备

Similar Documents

Publication Publication Date Title
CN114594382A (zh) 一种电池能源状态预测方法、装置、电子设备及存储介质
CN104956233B (zh) 电池状态推断装置
CN112622693A (zh) 一种电池管理方法、装置及车辆
CN114154107B (zh) 一种平均能耗计算方法和装置
CN113030742B (zh) 电池容量的估算方法、装置及设备
CN115684947A (zh) 电池模型构建方法及电池劣化预测装置
CN113968160B (zh) 车辆充电时间预估方法、装置、设备及存储介质
CN112630661B (zh) 一种电池荷电状态soc估算方法和装置
CN116908723B (zh) 一种电池循环次数的计算方法及装置
CN107340476A (zh) 电池的电气状态监测系统和电气状态监测方法
CN114312479A (zh) 机器特定地改善电池驱动机器中电池使用寿命的方法和装置
CN111426960A (zh) 储能锂电池荷电状态监控方法与装置
CN114347834A (zh) 车辆控制方法、充电时长预测模型的生成方法及装置
CN112886671A (zh) 电池的充电状态检测方法、检测装置以及充电装置
CN116381522A (zh) 电池放电时的soc显示方法、装置、设备及存储介质
CN109991543B (zh) 一种电池包剩余电量的获取方法、装置及终端设备
CN112285568A (zh) 一种基于动力锂电池能量状态的剩余放电时间的估计方法
US20230176137A1 (en) Method and system for determining a remaining useful lifetime of a battery
CN116540099A (zh) 锂离子动力电池的使用寿命预测方法、装置、设备及介质
JP2018048913A (ja) バッテリのパラメータ推定装置及びパラメータ推定方法
CN115407224A (zh) 一种动力电池全生命周期健康监测方法、系统及电子设备
CN114137426B (zh) 一种剩余电量估算方法、装置、设备及存储介质
CN113671374B (zh) 耗电量估算方法、装置、无人机及计算机可读存储介质
CN115179804A (zh) 充电控制方法与装置、计算设备及计算机存储介质
CN115856655A (zh) 新能源汽车电池实时状态评估方法、存储介质及电子设备

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