CN114779082B - 一种锂电池单体电压差预测方法及装置 - Google Patents

一种锂电池单体电压差预测方法及装置 Download PDF

Info

Publication number
CN114779082B
CN114779082B CN202210289564.6A CN202210289564A CN114779082B CN 114779082 B CN114779082 B CN 114779082B CN 202210289564 A CN202210289564 A CN 202210289564A CN 114779082 B CN114779082 B CN 114779082B
Authority
CN
China
Prior art keywords
data
pso
neural network
normalization
interval
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
CN202210289564.6A
Other languages
English (en)
Other versions
CN114779082A (zh
Inventor
俞辉
郭杰龙
罗鹏
魏宪
邵东恒
张剑锋
李�杰
兰海
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.)
Quanzhou Institute of Equipment Manufacturing
Original Assignee
Quanzhou Institute of Equipment Manufacturing
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 Quanzhou Institute of Equipment Manufacturing filed Critical Quanzhou Institute of Equipment Manufacturing
Priority to CN202210289564.6A priority Critical patent/CN114779082B/zh
Publication of CN114779082A publication Critical patent/CN114779082A/zh
Application granted granted Critical
Publication of CN114779082B publication Critical patent/CN114779082B/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]
    • G01R31/385—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]
    • G01R31/396—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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供一种锂电池单体电压差预测方法，包括如下步骤：S1、确定样本集；S2、进行数据填补；S3、拟定多个归一化区间，各归一化区间的长度逐渐缩小，得到样本集中的第i类数据中数据xi相对于第j个归一化区间的归一化值x′i；S4、样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO‑BP神经网络，将各数据集均划分为训练集和测试集，并利用测试集分析训练后的PSO‑BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO‑BP神经网络作为预测模型。本发明选择多个归一化区间中精度最高的归一化区间，并利用PSO‑BP神经网络进行预测，预测精度高。

Description

一种锂电池单体电压差预测方法及装置
技术领域
本发明涉及一种锂电池单体电压差预测方法及装置。
背景技术
电动汽车的动力电池是由多个模组组成，而每个模组又由众多单体电池通过串并联构成，以此来满足驱动汽车的电压要求。在电动汽车的电池不一致性故障中，压差由于容易被测量，被作为一个相对直观的指标去衡量电压的不一致性。压差除了被视为电压不一致性的重要指标外，其与电池寿命和电动汽车安全也具有较强的关系。已有的研究表明，电池组初始压差会影响电池充放电次数，即影响电池的寿命，初始压差越大，电池组循环性能越低，容量衰减越快，此外，压差过大所造成的电池不一致性会导致电池组性能大幅度的降低。大量事实表明单体电压的差异高低会对电动汽车电池组造成巨大的影响，因此准确预测长里程下单体电池的电压差对延长动力电池组的性能和故障预警工作具有重要的意义,不仅如此，已有的研究表明锂电池长里程情况下电池单体电压差与锂电池寿命的衰退呈线性相关，因此，电压差也可以用于表征锂电池的性能，电压差的预测也是对锂电池长期性能衰退趋势的预测，此外，寻求锂电池故障数据的电池单体压差并视为阈值，结合压差预测模型，从某种意义上来说，有望开辟一条针对锂电池寿命预测的新道路,综上所述，定量预测电压差的长周期变化趋势对于电池的安全管控有重要的意义。
锂电池单体电压差指的是某时间段锂电池单体电压最高值与单体电压最低值的差值。现如今，针对单体电压差的大样本量统计学相关分析十分缺乏，类似的大样本的电池数据相关研究也局限于实验室内采集电池数据进行分析。此种研究的环境非常单一，而实际电动汽车的运行环境是很复杂的，温度的变化、驾驶员的行驶习惯、使用时长等因素都会影响电池的数据情况，导致电池数据的突变。若要利用这类电池数据进行汽车的故障、寿命、性能等状态分析，则需要从大样本的实际数据出发，样本大的数据集能够忽略由于行车人员行驶习惯或外界因素造成的异常数据，从大数据的角度出发才更具有说服力。针对电压差的预测方法如今也较为缺乏，已有的预测算法如LSTM、BP神经网络、以阿伦尼乌斯公式为基础的线性预测模型，都存在着不足，如收敛速度慢、容易陷入局部最优解、预测精度低等缺点。已有的研究也表明了电压差与电池寿命和安全息息相关，因此，从大数据的角度，利用实际数据对单体电压差进行长里程定量预测的研究具有重要意义。此外，已有的研究大多数是在开源的公共数据集上进行测试，此类数据较为完整，但实际上，电动汽车电池管理系统上传至云端的数据很可能因为车况或驾驶情况等外界因素，导致上传至云端的数据出现错值、空值或不合逻辑值等异常值的情况，此类数据会对预测工作带来一定的影响，且针对数据预测中的归一化问题，现有技术中通常将归一化区间的区间长度设定为1，但实际上不同数据之间的数量级可能存在较大的差异，采用现有技术中的归一化区间，无法获得精度最高的预测模型。
发明内容
本发明提出一种锂电池单体电压差预测方法及装置，选择多个归一化区间中精度最高的归一化区间，并利用PSO-BP神经网络进行预测，预测精度高。
本发明通过以下技术方案实现：
一种锂电池单体电压差预测方法，包括如下步骤：
S1、对从云端数据库获取的数据进行处理，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集；
S2、用空值代替样本集中的异常值，并对所有空值进行数据填补；
S3、拟定多个归一化区间，各归一化区间的长度逐渐缩小，根据公式或者公式/>得到样本集中的第i类数据中数据xi相对于第j个归一化区间的归一化值xi′，其中，ximin为第i类数据中最小值，ximax为第i类数据中最大值，(aj,bj)为归一化区间；
S4、样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO-BP神经网络，将各数据集均划分为训练集和测试集，训练集和测试集中，行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度作为PSO-PO神经网络的输入变量，电压差为PSO-PO神经网络的输出变量，利用训练集对PSO-BP神经网络进行训练，并利用测试集分析训练后的PSO-BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO-BP神经网络作为预测模型。
进一步的，所述步骤S3中拟定的多个归一化区间分别为：(0,1.5)、(0,1.0)、(0,0.75)、(0,0.5)、(0,0.25)、(0,0.15)和(0,0.1)。
进一步的，所述步骤S2中，对空值进行数据填补包括：对于离散的空值，根据如下公式对该空值进行填补：其中，y为填补的值，x1和x2分别为该空值前后相邻的值；对于连续的空值，将空值及空值对应的其他类数据均删除。
进一步的，所述步骤S4中，行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度为PSO-BP神经网络的输入变量，电压差为PSO-BP神经网络的输出变量。
进一步的，根据如下公式计算PSO-BP神经网络隐藏层节点数p：p＝sqrt(m+n)+a，其中，m为PSO-BP神经网络输入层节点数量，n为PSO-BP神经网络输出层节点数量，a为调节常数，其取值范围为[1,10]。
进一步的，所述步骤S1中，所述云端数据库的数据由电动汽车电池管理系统周期性地上传得到，对从云端数据库采集的数据进行可视化分析，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集。
进一步的，所述步骤S4中，将各数据集的前70％划分为训练集，后30％划分为测试集。
本发明还通过以下技术方案实现：
一种锂电池单体电压差预测装置，包括：
样本集获取模块：用于对从云端数据库获取的数据进行处理，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集；
数据填补模块：用于用空值代替样本集中的异常值，并对所有空值进行数据填补；
归一化模块：用于拟定多个归一化区间，各归一化区间的长度逐渐缩小，根据公式或者公式/>得到样本集中的第i类数据中数据xi相对于第j个归一化区间的归一化值xi′，其中，ximin为第i类数据中最小值，ximax为第i类数据中最大值，(aj,bj)为归一化区间；
模型获取模块：样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO-BP神经网络，将各数据集均划分为训练集和测试集，训练集和测试集中，行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度作为PSO-PO神经网络的输入变量，电压差为PSO-PO神经网络的输出变量，利用训练集对PSO-BP神经网络进行训练，并利用测试集分析训练后的PSO-BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO-BP神经网络作为预测模型。
本发明具有如下有益效果：
本发明首先从云端获取数据并组成样本集，样本集涉及的行驶里程与电压差具有强相关性，从数据分析可知，电压差随着行驶里程的增高而显著增长，因此，电压差可以用于表征电池的综合性能，将其视为特征向量，作为PSO-BP神经网络的输出变量。而电池总电流、总电压、温度、电池SOC、行驶速度则是电池外特性最直观的参数，能够间接地反应出汽车行驶过程中的环境温度、行驶工况和驾驶行为，因此利用行驶里程、电池总电流、总电压、温度、电池SOC和行驶速度视为故障特征，作为PSO-BP神经网络的输入变量，能够更为准确地对输出变量电压差进行预测；将样本集中的异常值用空值代替，并对空值进行数据填补，能够避免异常值或空值的存在导致输入和输出的样本不一致而无法训练的情况；拟定多个长度逐渐减小的归一化区间，分别将各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，再分别利用各数据集进行PSO-BP神经网络的建模和训练，并选择精度最高时对应的归一化区间，作为最终归一化区间，设置多个归一化区间，再选择最合适的归一化区间，相较于现有技术中直接将归一化区间的长度设定为1，能够使最终的预测精度更高，而采用PSO-BP神经网络，将PSO算法的全局搜索特征与BP神经网络算法的局部快速搜索特征相结合，能够避免BP神经网络陷入局部最小的情况，也能提高BP神经网络的训练速度。
附图说明
下面结合附图对本发明做进一步详细说明。
图1为本发明的流程图。
图2为72周时间内电压差的变化。
图3为72周时间内行驶里程的增长曲线。
具体实施方式
如图1所示，锂电池单体电压差预测方法，包括如下步骤：
S1、对从云端数据库获取的数据进行处理，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差六类数据组成样本集；
具体地，云端数据库的数据由电动汽车电池管理系统以10s为周期进行上传而来，从云端数据库采集到数据后，对采集的数据按周为单位进行处理，以方便对所采集的数据进行可视化分析，从图2和图3可以看出，行驶里程与电压差具有强相关性，电压差随着行驶里程的增高而显著增长；从而确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集，其中，电池总电流、总电压、环境温度和电池SOC、行驶速度作为PSO-BP神经网络的输入变量，电压差则作为PSO-BP神经网路的输出变量；
S2、用空值代替样本集中的异常值，并对所有空值进行数据填补；
因电动汽车电池管理系统采集数据的不稳定或者行驶过程中车况和驾驶行为的变化会导致电压差激增，从而使样本集中会出现空值、错值、逻辑不合理或相互矛盾的值，这些值即为异常值，对这些异常值均用空值来代替，如此则需要对空值进行数据填补。空值包括两种情况，一种是离散的空值，一种是连续的空值。对于离散的空值，因为云端数据库的数据由电动汽车电池管理系统间隔10s上传而来，因此，各项临近数据的变化值非常小，故针对离散的控制，可根据公式对该空值进行填补，其中，y为填补的值，x1和x2分别为该空值前后相邻的值，这种补值方法更为简单，且针对这类相邻数据变化非常小的数据具有效果好、计算速度快、工作量小的有点；
对于连续的空值，将空值及空值对应的其他类数据均删除，空值的出现一方面是由于电动汽车电池管理系统采集数据不稳定，另一方面是如上所述，人为的将异常值替换成空值，因此正常情况下仅会出现离散的空值或者小范围连续的空值，若是电动汽车电池管理系统出现了故障，这种情况对整车的影响非常大，车主应立即送去检修，故并不会出现大范围连续的空值。对于小范围连续的空值，无法用上述公式进行填补，但因为采集的数据量非常大，而连续空值的范围又小，因此，将连续的空值及空值所对应的其他类数据均删除即可，如此并不会对样本集的整体性造成影响，且最为简便。
S3、拟定多个归一化区间，各归一化区间的长度逐渐缩小，根据公式或者公式/>得到样本集中的第i类数据中数据xi相对于第j个归一化区间的归一化值xi′，其中，ximin为第i类数据中最小值，ximax为第i类数据中最大值，(aj,bj)为归一化区间；
S4、样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO-BP神经网络，将各数据集均划分为训练集和测试集，训练集和测试集中，行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度作为PSO-PO神经网络的输入变量，电压差为PSO-PO神经网络的输出变量，利用训练集对PSO-BP神经网络进行训练，并利用测试集分析训练后的PSO-BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO-BP神经网络作为预测模型；
构建PSO-BP神经网络具体包括：
1)、确定BP神经网络模型的输入变量、输出变量、输入层节点数m，输出层节点数n以及隐藏层节点数p，建立网络拓扑结构，输入变量为行驶里程、电池总电流、总电压、温度、电池SOC、行驶速度，输出变量为电压差，隐藏层节点数则由经验公式p＝sqrt(m+n)+a确定，其中，m为PSO-BP神经网络输入层节点数量，n为PSO-BP神经网络输出层节点数量，a为调节常数，其取值范围为
[1,10]，根据该经验公式得到的隐藏节点数设置区间应为3-13；
2)、初始化PSO-BP模型的权值和阈值，包括粒子的位置最大值Xmax、位置最小值Xmin、速度最大值Vmax、速度最小值Vmin、粒子群总数N、最大迭代次数Tmax、惯性权重w，学习因子C1和C2。
具体分析过程为：
BP神经网络的学习规则就是根据误差不断的修正其权重的过程。该网络的计算过程包括正向传播和误差逆向传播两个过程。正向传播过程为输入变量从输入层传递到隐藏层，随后从隐藏层传递到输出层。反向传播过程是针对输出数据和期望值不匹配时的情况，该过程能够不断的修正连接的权重，从而达到误差逐渐减小的目的。输入数据y经过隐藏层的分析和处理后得到的输出数据的公式为y＝f2(Wf1(Wx-E1)-E2)，其中，W为从输入层到隐藏层的权值矩阵，E1为从输入层到隐藏层的偏差矩阵、E2为从隐藏层到输出层的偏差矩阵，f1为从输入层到隐藏层的神经元传输函数，f2为从隐藏层到输出层的神经元传输函数，x为输入数据。
神经元的传输函数为非线性函数，最常用的是logsig和tansig函数。BP神经网络训练过程中采用梯度下降法对所建立的BP神经网络进行不断地学习和训练使得网络的权值和阈值调整，最终达到网络输出值和期望输出值之间的均方根误差达到最小值。本实施例的传输函数选用tansig函数，该函数为
PSO优化算法是通过将搜索空间初始化一组随机的粒子，然后用过迭代的方法找到最优解。在粒子群中，每一个随机的粒子都会有自己的速度、位置和适应度，每一个粒子个体的位置都由个体的极值和群体的极值进行更新。假设在D维空间中有N个粒子，PSO算法的基本参数定义如下：
粒子i的位置为xi＝(xi1,xi2,...,xiD)，粒子i的速度为vi＝(vi1,vi2,...,viD),粒子经过的最佳位置为Tbast＝(Ti1,Ti2,...,TiD)，种群经历过的最佳位置为kbest＝(ki1,ki2,...,kiD)，那么速度更新公式和位置更新公式分别为
viD(r+1)＝wviD(r)+c1randiD(Tbest-xiD(r))+c2randiD(kbest-xiD(r))xiD(r+1)＝xiD+viD(r+1)，
式中，c1和c2为加速学习系数，r为迭代次数，w为惯性权重，randiD为随机函数。
速度更新公式包含了三个部分，第一部分是粒子自身的运动，取决于粒子自身初始速度和惯性权重w，第二部分为粒子对自身位置和其在全局最优位置之间的距离的判断，该过程是粒子不断认知的过程，第三部分为粒子自身位置和全局最优位置之间的判断，属于社会影响的过程。
PSO算法优化BP神经网络，主要是通过优化网络的权值和阈值，并且使用优化过后的权值和阈值去训练神经网络，具体方法是在确定BP神经网络结构的基础上，将BP网络的权值按统一的次序排列为一个向量的元素，将该向量视为粒子群中的粒子，随后把BP神经网络正向传播的过程所得到的误差作为PSO算法的适应度函数，由BP神经网络和PSO算法不断的循环迭代来找到最佳的BP网络的权值。本实施例选用MSE(均方差)作为PSO-BP神经网络的适应度函数，公式为其中S表示样本数量，/>表示第a个样本的第b个网络输出节点的真实值，n表示神经网络输出层节点数，yb,a表示第a个样本的第b个网络输出节点的预测值。
PSO算法优化BP神经网络的具体过程是采用初始化的数据进行网络训练的同时，将训练的误差作为粒子的适应度值。根据适应度函数确定适应度值后选择粒子个体的最优位置作为全局最优位置。按照粒子位置更新公式和速度更新公式不断的更新粒子的位置和速度，并且计算更新后的粒子适应度。比较粒子群中的每一个粒子最好位置所对应的适应度，将适应度最小的粒子作为全局最优位置，同时判断是否达到了全局最优位置或是否达到了最大的迭代次数，如果达到了全局最优位置或是达到了最大的迭代次数那么停止迭代，否则继续迭代直至算法收敛。将PSO优化后的解作为BP神经网络的初始权值，同时使用优化后的参数进行网络的训练，将训练好的BP网络用于数据的预测。
构建PSO-BP神经网络后，将数据集的前70％划分为训练集，后30％划分为测试集，对PSO-BP神经网络进行训练，本实施例中采用均方差来分析预测精度。其中，将PSO-BP神经网络的训练次数设置为1000，学习速率设置为0.1，训练目标最小误差设置为0.000001。将群体粒子个数设置为20，最大迭代次数设置为100，学习因子C1、学习因子C2设置为1.5，位置最大值和位置最小值分别为1和-1，速度最大值和速度最小值分别设置为1和0。
在本实施例中，拟定的多个归一化区间分别为：(0,1.5)、(0,1.0)、(0,0.75)、(0,0.5)、(0,0.25)、(0,0.15)和(0,0.1)，隐藏节点数从4到10，表1示出了不同归一化区间和隐藏节点数对测试精度的影响。从表1中可以看出，归一化区间从(0,15)减小到(0,0.15)后，预测精度的数量级明显减小，说明缩小归一化区间长度能够有效的提高预测精度，但是归一化区间长度进一步缩小后预测精度反而增大，因此(0,0.15)是预测精度最高时对应的归一化区间。从表1中还可以看出，隐藏节点数量的不同也会对预测精度具有影响，但并不显著。
表1
对应于上述方法，锂电池单体电压差预测装置包括：
样本集获取模块：用于对从云端数据库获取的数据进行处理，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集；
数据填补模块：用于用空值代替样本集中的异常值，并对所有空值进行数据填补；
归一化模块：用于拟定多个归一化区间，各归一化区间的长度逐渐缩小，根据公式或者公式/>得到样本集中的第i类数据中数据xi相对于第j个归一化区间的归一化值xi′，其中，ximin为第i类数据中最小值，ximax为第i类数据中最大值，(aj,bj)为归一化区间；
模型获取模块：样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO-BP神经网络，将各数据集均划分为训练集和测试集，训练集和测试集中，行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度作为PSO-PO神经网络的输入变量，电压差为PSO-PO神经网络的输出变量，利用训练集对PSO-BP神经网络进行训练，并利用测试集分析训练后的PSO-BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO-BP神经网络作为预测模型。
以上所述，仅为本发明的较佳实施例而已，故不能以此限定本发明实施的范围，即依本发明申请专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明专利涵盖的范围内。

Claims (7)

1.一种锂电池单体电压差预测方法，其特征在于：包括如下步骤：
S1、对从云端数据库获取的数据进行处理，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集；
S2、用空值代替样本集中的异常值，并对所有空值进行数据填补；
S3、拟定多个归一化区间，各归一化区间的长度逐渐缩小，根据公式或者公式/>得到样本集中的第i类数据中数据xi相对于第j个归一化区间的归一化值x′i，其中，ximin为第i类数据中最小值，ximax为第i类数据中最大值，(aj,bj)为归一化区间；
S4、样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO-BP神经网络，将各数据集均划分为训练集和测试集，训练集和测试集中，行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度作为PSO-PO神经网络的输入变量，电压差为PSO-PO神经网络的输出变量，利用训练集对PSO-BP神经网络进行训练，并利用测试集分析训练后的PSO-BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO-BP神经网络作为预测模型。
2.根据权利要求1所述的一种锂电池单体电压差预测方法，其特征在于：所述步骤S3中拟定的多个归一化区间分别为：(0,1.5)、(0,1.0)、(0,0.75)、(0,0.5)、(0,0.25)、(0,0.15)和(0,0.1)。
3.根据权利要求1所述的一种锂电池单体电压差预测方法，其特征在于：所述步骤S2中，对空值进行数据填补包括：对于离散的空值，根据如下公式对该空值进行填补：其中，y为填补的值，x1和x2分别为该空值前后相邻的值；对于连续的空值，将空值及空值对应的其他类数据均删除。
4.根据权利要求1或2或3所述的一种锂电池单体电压差预测方法，其特征在于：根据如下公式计算PSO-BP神经网络隐藏层节点数p：p＝sqrt(m+n)+a，其中，m为PSO-BP神经网络输入层节点数量，n为PSO-BP神经网络输出层节点数量，a为调节常数，其取值范围为[1,10]。
5.根据权利要求1或2或3所述的一种锂电池单体电压差预测方法，其特征在于：所述步骤S1中，所述云端数据库的数据由电动汽车电池管理系统周期性地上传得到，对从云端数据库采集的数据进行可视化分析，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集。
6.根据权利要求1或2或3所述的一种锂电池单体电压差预测方法，其特征在于：所述步骤S4中，将各数据集的前70％划分为训练集，后30％划分为测试集。
7.一种锂电池单体电压差预测装置，其特征在于：包括：
样本集获取模块：用于对从云端数据库获取的数据进行处理，确定由行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度和电压差七类数据组成样本集；
数据填补模块：用于用空值代替样本集中的异常值，并对所有空值进行数据填补；
归一化模块：用于拟定多个归一化区间，各归一化区间的长度逐渐缩小，根据公式或者公式/>得到样本集中的第i类数据中数据xi相对于第j个归一化区间的归一化值x′i，其中，ximin为第i类数据中最小值，ximax为第i类数据中最大值，(aj,bj)为归一化区间；
模型获取模块：样本集中的各类数据均进行对应于各归一化区间的归一化后，得到多个数据集，构建PSO-BP神经网络，将各数据集均划分为训练集和测试集，训练集和测试集中，行驶里程、电池总电流、总电压、环境温度、电池SOC、行驶速度作为PSO-PO神经网络的输入变量，电压差为PSO-PO神经网络的输出变量，利用训练集对PSO-BP神经网络进行训练，并利用测试集分析训练后的PSO-BP神经网络的精度，选择精度最高的数据集所对应的归一化区间，作为最终归一化区间，并选择经该最终归一化区间所对应的PSO-BP神经网络作为预测模型。
CN202210289564.6A 2022-03-23 2022-03-23 一种锂电池单体电压差预测方法及装置 Active CN114779082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210289564.6A CN114779082B (zh) 2022-03-23 2022-03-23 一种锂电池单体电压差预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210289564.6A CN114779082B (zh) 2022-03-23 2022-03-23 一种锂电池单体电压差预测方法及装置

Publications (2)

Publication Number Publication Date
CN114779082A CN114779082A (zh) 2022-07-22
CN114779082B true CN114779082B (zh) 2023-07-25

Family

ID=82424366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210289564.6A Active CN114779082B (zh) 2022-03-23 2022-03-23 一种锂电池单体电压差预测方法及装置

Country Status (1)

Country Link
CN (1) CN114779082B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107134589A (zh) * 2016-02-26 2017-09-05 丰田自动车株式会社 硫化物固体电解质材料、锂固体电池和硫化物固体电解质材料的制造方法
CN111339712A (zh) * 2020-02-24 2020-06-26 电子科技大学 质子交换膜燃料电池剩余寿命预测方法
WO2020191800A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN113554200A (zh) * 2020-04-23 2021-10-26 广州汽车集团股份有限公司 动力电池电压不一致性预测方法、系统及设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064180A (en) * 1996-10-29 2000-05-16 General Motors Corporation Method and apparatus for determining battery state-of-charge using neural network architecture
US8972213B2 (en) * 2008-06-27 2015-03-03 GM Global Technology Operations LLC Pattern recognition approach to battery diagnosis and prognosis
US9442165B2 (en) * 2012-07-07 2016-09-13 Nec Corporation Method for estimating battery life in presence of partial charge and discharge cycles
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
CN106443453A (zh) * 2016-07-04 2017-02-22 陈逸涵 一种基于bp神经网络的锂电池soc估算方法
US11131713B2 (en) * 2018-02-21 2021-09-28 Nec Corporation Deep learning approach for battery aging model
JP7446990B2 (ja) * 2018-04-06 2024-03-11 株式会社半導体エネルギー研究所 蓄電装置の充電状態推定方法及び蓄電装置の充電状態推定システム
JP7337781B2 (ja) * 2018-04-27 2023-09-04 株式会社半導体エネルギー研究所 蓄電装置の充電状態推定システム
US20190392322A1 (en) * 2018-06-22 2019-12-26 FootPrintKu Inc. Electronic component packaging type classification system using artificial neural network
CN111458646A (zh) * 2020-05-25 2020-07-28 安徽理工大学 一种基于pso-rbf神经网络的锂电池soc估算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107134589A (zh) * 2016-02-26 2017-09-05 丰田自动车株式会社 硫化物固体电解质材料、锂固体电池和硫化物固体电解质材料的制造方法
WO2020191800A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN111339712A (zh) * 2020-02-24 2020-06-26 电子科技大学 质子交换膜燃料电池剩余寿命预测方法
CN113554200A (zh) * 2020-04-23 2021-10-26 广州汽车集团股份有限公司 动力电池电压不一致性预测方法、系统及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Lasso-PSO-BP神经网络的腐蚀管道失效压力的预测;张新生;张玥;;材料保护(第04期);全文 *

Also Published As

Publication number Publication date
CN114779082A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN102749589B (zh) 电动汽车动力电池衰退模式预测方法
CN108335487B (zh) 一种基于交通状态时序性的道路交通状态预测系统
CN111523226B (zh) 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法
CN111144552B (zh) 一种粮食品质多指标预测方法及装置
CN111612029B (zh) 机载电子产品故障预测方法
US11835589B2 (en) Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine
CN113554200B (zh) 动力电池电压不一致性预测方法、系统及设备
CN111723839A (zh) 一种基于边缘计算的台区线损率预测方法
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
CN116029183A (zh) 一种基于iPSO-LSTM模型的动力电池温度预测方法
CN112860782A (zh) 一种基于大数据分析的纯电动车续驶里程估计方法
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN113917336A (zh) 基于片段充电时间和gru的锂离子电池健康状态预测方法
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
CN115963407A (zh) 一种基于icgwo优化elm的锂电池soc估计方法
CN113884936B (zh) 一种基于issa耦合delm的锂离子电池健康状态预测方法
CN113868957B (zh) 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法
CN112098869B (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN116653608B (zh) 电动汽车充电保护、控制方法、装置及存储介质
CN114779082B (zh) 一种锂电池单体电压差预测方法及装置
CN118157093A (zh) 电力系统可调资源调节潜力动态预估方法、系统及设备
CN117554820A (zh) 电池健康状态预测方法、装置、计算机设备和存储介质
CN118050653A (zh) 借助多元变换器模型预测诊断技术设备的设备电池的方法和设备
CN116901707A (zh) 一种动力电池组故障预警方法、系统及车辆
CN116224078A (zh) 一种新能源汽车动力电池内阻计算及预测方法

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