CN114966413B - 一种储能电池包的荷电状态预测方法 - Google Patents
一种储能电池包的荷电状态预测方法 Download PDFInfo
- Publication number
- CN114966413B CN114966413B CN202210587703.3A CN202210587703A CN114966413B CN 114966413 B CN114966413 B CN 114966413B CN 202210587703 A CN202210587703 A CN 202210587703A CN 114966413 B CN114966413 B CN 114966413B
- Authority
- CN
- China
- Prior art keywords
- training
- prediction model
- data
- charge
- prediction
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
本发明公开了一种储能电池包的荷电状态预测方法。本发明通过结合机器学习方法和输入输出迭代方法训练得到目标预测模型,该目标预测模型由于结合了多种训练方法,因此精度较高且可以在线实时预测储能电池包的荷电状态。解决了现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求的问题。
Description
技术领域
本发明涉及电池检测领域,尤其涉及的是一种储能电池包的荷电状态预测方法。
背景技术
电池荷电状态称为SOC(State of Charge),是用来反映电化学储能过程中储能介质中实际存在的电荷数(单位为安·时)占额定储能容量对应的储能介质中含有的电荷数(单位为安·时)的百分率。目前SOC的测量方法主要有开路电压法、安时积分法等等。然而,开路电压法需要电池长时静置,以达到电压稳定,通常需要几个小时甚至十几个小时,测量的时间成本较大;安时积分法容易受到电流测量精度的影响,且具有累积误差。目前新能源电动车已经普及,准确了解新能源电动车的电池荷电状态有助于驾驶员制定行程计划,然而现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种储能电池包的荷电状态预测方法,旨在解决现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求的问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种储能电池包的荷电状态预测方法,其中,所述方法包括:
获取第一储能电池包对应的电池数据;
获取目标预测模型,将所述电池数据输入所述目标预测模型,得到所述第一储能电池包对应的荷电状态数据;
所述目标预测模型为预先经过训练的模型,所述目标预测模型的的训练过程包括:
获取第一训练数据集,其中,所述第一训练数据集包括若干第一训练数据,若干所述第一训练数据分别对应不同时间段,每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据,所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据,所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态,所述第一储能电池包与所述第二储能电池包分别对应的电池包类型相同;
获取第一预测模型,其中,所述第一预测模型为未经过训练的模型;
根据所述第一训练数据集对所述第一预测模型进行训练,训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据;
根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据,确定第二训练数据集,其中,所述第二训练数据集包括若干第二训练数据,若干所述第二训练数据与若干所述第一训练数据一一对应,每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据,所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据,所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同;
获取第三预测模型,其中,所述第三预测模型与所述第二预测模型的结构相同;
根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型。
在一种实施方式中,所述第一预测模型包括若干第一预测模型,若干所述第一预测模型分别对应不同的超参数组合,所述根据所述第一训练数据集对所述第一预测模型进行训练,包括:
根据所述第一训练数据集分别对若干所述第一预测模型进行训练,训练完毕后得到若干所述第一预测模型分别对应的预测模型;
获取测试数据集,其中,所述测试数据集与所述第一训练数据集基于同一数据集产生;
根据所述测试数据集,确定若干所述预测模型分别对应的预测精度;
根据所述预测精度最高的预测模型,确定所述第二预测模型。
在一种实施方式中,若干所述第一预测模型的确定方法包括:
获取预设的超参数值域;
根据预设步长对所述超参数值域进行遍历,得到若干超参数组合;
根据每一所述超参数组合确定一个所述第一预测模型。
在一种实施方式中,所述预设步长包括若干步长,所述根据预设步长对所述超参数值域进行遍历,得到若干超参数组合,包括:
获取若干所述步长,其中,若干所述步长分别对应不同的精度区间,每一所述步长对应的精度区间的大小与该步长呈反比关系;
确定前一轮搜索对应的超参数组合的预测精度,根据所述前一轮搜索对应的超参数组合的预测精度从若干所述步长中确定目标步长,其中,所述前一轮搜索对应的超参数组合的预测精度位于所述目标步长对应的精度区间;
根据目标步长执行当前轮搜索,得到当前轮搜索对应的超参数组合;
重复所述确定前一轮搜索对应的超参数组合的预测精度的步骤,直至遍历所述超参数值域。
在一种实施方式中,所述根据所述第一训练数据集分别对若干所述第一预测模型进行训练,包括:
针对每一所述第一预测模型,将所述第一训练数据集中的第一输入数据输入该第一预测模型,得到该第一输入数据对应的预测荷电状态数据;
根据该第一输入数据对应的预测荷电状态数据和历史荷电状态数据,确定该第一预测模型对应的第一损失函数值;
根据所述第一损失函数值对该第一预测模型的模型参数进行调整,并继续执行所述将所述第一训练数据集中的第一输入数据输入该第一预测模型的步骤,直至满足预设训练条件,以得到该第一预测模型对应的预测模型。
在一种实施方式中,所述根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型,包括:
将所述第二训练数据集中的第二输入数据输入所述第三预测模型,得到该第二输入数据对应的预测荷电状态数据;
根据该第二输入数据对应的预测荷电状态数据和历史荷电状态数据,确定所述第三预测模型对应的第二损失函数值;
根据所述第二损失函数值对所述第三预测模型的模型参数进行调整,并继续执行所述将所述第二训练数据集中的第二输入数据输入所述第三预测模型的步骤,直至满足预设训练条件,以得到所述目标预测模型。
在一种实施方式中,所述第三预测模型为所述第二预测模型或者初始化模型参数后的所述第二预测模型。
第二方面,本发明实施例还提供一种储能电池包的荷电状态预测装置,其中,所述装置包括:
获取模块,用于获取第一储能电池包对应的电池数据;
预测模块,用于获取目标预测模型,将所述电池数据输入所述目标预测模型,得到所述第一储能电池包对应的荷电状态数据;
所述目标预测模型为预先经过训练的模型,所述目标预测模型的的训练过程包括:
获取第一训练数据集,其中,所述第一训练数据集包括若干第一训练数据,若干所述第一训练数据分别对应不同时间段,每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据,所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据,所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态;
获取第一预测模型,其中,所述第一预测模型为未经过训练的模型;
根据所述第一训练数据集对所述第一预测模型进行训练,训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据;
根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据,确定第二训练数据集,其中,所述第二训练数据集包括若干第二训练数据,若干所述第二训练数据与若干所述第一训练数据一一对应,每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据,所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据,所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同;
获取第三预测模型,其中,所述第三预测模型与所述第二预测模型的结构相同;
根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型。
第三方面,本发明实施例还提供一种终端,其中,所述终端包括有存储器和一个或者一个以上处理器;所述存储器存储有一个或者一个以上的程序;所述程序包含用于执行如上述任一所述的储能电池包的荷电状态预测方法的指令;所述处理器用于执行所述程序。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有多条指令,其中,所述指令适用于由处理器加载并执行,以实现上述任一所述的储能电池包的荷电状态预测方法的步骤。
本发明的有益效果:本发明实施例通过结合机器学习方法和输入输出迭代方法训练得到目标预测模型,该目标预测模型由于结合了多种训练方法,因此精度较高且可以在线实时预测储能电池包的荷电状态。解决了现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求的问题。
附图说明
为了更清楚地说明本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本发明中记载的一些实施例,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是本发明实施例提供的储能电池包的荷电状态预测方法的流程示意图。
图2是本发明实施例提供的储能电池包的荷电状态预测装置的模块示意图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了一种储能电池包的荷电状态预测方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
电池荷电状态称为SOC(State of Charge),是用来反映电化学储能过程中储能介质中实际存在的电荷数(单位为安·时)占额定储能容量对应的储能介质中含有的电荷数(单位为安·时)的百分率。目前SOC的测量方法主要有开路电压法、安时积分法等等。然而,开路电压法需要电池长时静置,以达到电压稳定,通常需要几个小时甚至十几个小时,测量的时间成本较大;安时积分法容易受到电流测量精度的影响,且具有累积误差。目前新能源电动车已经普及,准确了解新能源电动车的电池荷电状态有助于驾驶员制定行程计划,然而现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求。
针对现有技术的上述缺陷,本发明提供一种储能电池包的荷电状态预测方法,所述方法包括:获取第一储能电池包对应的电池数据;获取目标预测模型,将所述电池数据输入所述目标预测模型,得到所述第一储能电池包对应的荷电状态数据;所述目标预测模型为预先经过训练的模型,所述目标预测模型的的训练过程包括:获取第一训练数据集,其中,所述第一训练数据集包括若干第一训练数据,若干所述第一训练数据分别对应不同时间段,每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据,所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据,所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态;获取第一预测模型,其中,所述第一预测模型为未经过训练的模型;根据所述第一训练数据集对所述第一预测模型进行训练,训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据;根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据,确定第二训练数据集,其中,所述第二训练数据集包括若干第二训练数据,若干所述第二训练数据与若干所述第一训练数据一一对应,每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据,所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据,所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同;获取第三预测模型,其中,所述第三预测模型与所述第二预测模型的结构相同;根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型。本发明通过结合机器学习方法和输入输出迭代方法训练得到目标预测模型,该目标预测模型由于结合了多种训练方法,因此精度较高且可以在线实时预测储能电池包的荷电状态。解决了现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求的问题。
如图1所示,所述方法包括如下步骤:
步骤S100、获取第一储能电池包对应的电池数据。
具体地,本实施例中的第一储能电池包可以为任何一个需要检测荷电状态的储能电池包。为了得到第一储能电池包当前的荷电状态,本实施例需要首先获取第一储能电池包的电池数据。在一种实现方式中,第一储能电池包的电池数据包括电压、电流、时间等特征数据中的一种或者多种。
如图1所示,所述方法还包括如下步骤:
步骤S200、获取目标预测模型,将所述电池数据输入所述目标预测模型,得到所述第一储能电池包对应的荷电状态数据。
具体地,本实施例预先训练了一个目标预测模型,由于该目标预测模型预先基于大量的训练数据训练,学习了不同特征的电池数据与荷电状态之间的关联关系。因此将第一储能电池包的电池数据输入目标预测模型后,目标预测模型即可根据输入的电池数据快速预测出第一储能电池包当前的荷电状态数据。
在一种实现方式中,所述目标预测模型的的训练过程包括:
步骤S10、获取第一训练数据集,其中,所述第一训练数据集包括若干第一训练数据,若干所述第一训练数据分别对应不同时间段,每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据,所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据,所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态,所述第一储能电池包与所述第二储能电池包分别对应的电池包类型相同;
步骤S20、获取第一预测模型,其中,所述第一预测模型为未经过训练的模型;
步骤S30、根据所述第一训练数据集对所述第一预测模型进行训练,训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据;
步骤S40、根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据,确定第二训练数据集,其中,所述第二训练数据集包括若干第二训练数据,若干所述第二训练数据与若干所述第一训练数据一一对应,每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据,所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据,所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同;
步骤S50、获取第三预测模型,其中,所述第三预测模型与所述第二预测模型的结构相同;
步骤S60、根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型。
简单来说,相对普通的机器学习只需要采用一种训练数据集进行迭代训练而言,本实施例中的目标预测模型需要采用两种训练数据集进行迭代训练,因此模型精度更高。具体地,本实施例需要预先确定与第一储能电池包为同一电池包类型的第二储能电池包,并获取其在不同时间段的历史电池数据和历史荷电状态数据组成第一训练数据集,其中,第一训练数据集包括若干第一训练数据,每一第一训练数据包括一个时间段的历史电池数据,即第一输入数据,并且还包括该时间段的历史荷电状态数据,相当于真实标签数据。然后根据第一训练数据集对未经过训练的第一预测模型进行迭代训练。其中,迭代训练包括若干轮训练,每一轮训练的过程为:将一个第一训练数据对应的第一输入数据输入当前轮的第一预测模型,得到第一预测模型基于该第一输入数据输出的预测荷电状态数据,并基于该预测荷电状态数据和该第一输入数据对应的历史荷电状态数据对当前轮的第一预测模型进行收敛。对第一预测模型进行迭代训练完毕后,即得到第二预测模型和每一第一训练数据对应的预测荷电状态数据。然后基于每一第一训练数据对应的预测荷电状态数据重新构建一个第二训练数据集,其中,第二训练数据集包括若干第二训练数据,每一第二训练数据与一个第一训练数据一一对应。针对每一第二训练数据,该第二训练数据由一个第二输入数据和一个历史荷电状态数据组成,该第二训练数据对应的第二输入数据由该第二训练数据对应的第一输入数据和该第一输入数据的预测荷电状态数据组成,该第二训练数据对应的历史荷电状态数据则沿用该第二训练数据对应的第一训练数据的历史荷电状态数据。最后再根据第二训练数据集对第三预测模型进行迭代训练,训练完毕后即得到目标预测模型。
在一种实现方式中,所述第一预测模型为lightgbm模型。
在一种实现方式中,所述第三预测模型为所述第二预测模型或者初始化模型参数后的所述第二预测模型。
具体地,当第三预测模型为第二预测模型时,相当于在第一预测模型上先采用第一训练数据集进行迭代训练,得到训练完毕的第二预测模型,再基于第二训练数据集继续对第二预测模型进行迭代训练,得到训练完毕的目标预测模型,由于目标预测模型经过了两种训练数据集的迭代训练,因此其预测精度会有明显提升;当第三预测模型为初始化模型参数后的第二预测模型时,相当于在第一预测模型上先采用第一训练数据集进行迭代训练,得到训练完毕的第二预测模型和迭代训练中各轮获取的预测荷电状态数据,基于第一训练数据集和各轮获取的预测荷电状态数据构建第二训练数据集,重新初始化第二预测模型,最后再根据第二训练数据集对初始化后的第二预测模型进行迭代训练得到目标预测模型,由于第二训练数据集相较于第一训练数据集经过了数据扩增,因此采用第二训练数据集训练得到目标预测模型,其预测精度也会有明显提升。
在一种实现方式中,所述第一预测模型包括若干第一预测模型,若干所述第一预测模型分别对应不同的超参数组合,所述步骤S30具体包括如下步骤:
步骤S31、根据所述第一训练数据集分别对若干所述第一预测模型进行训练,训练完毕后得到若干所述第一预测模型分别对应的预测模型;
步骤S32、获取测试数据集,其中,所述测试数据集与所述第一训练数据集基于同一数据集产生;
步骤S33、根据所述测试数据集,确定若干所述预测模型分别对应的预测精度;
步骤S34、根据所述预测精度最高的预测模型,确定所述第二预测模型。
简单来说,本实施例中采用第一训练数据集进行模型训练时,还包括有模型的超参数调优的过程。具体地,预先将数据集按照预设比例分为训练数据集和测试数据集,然后针对每一种超参数组合,均基于该超参数组合设置模型的超参数,并基于第一训练数据集训练出一个预测模型,然后基于测试数据集测试该预测模型的预测精度。最后将所有预测模型中预测精度最高的预测模型作为第二预测模型,从而完成超参数调优和网络参数优化两个过程。
在一种实现方式中,获取到数据集以后,先对数据集中的数据进行特征工程、数据清洗等操作,然后再将其分为训练数据集和测试数据集。
在一种实现方式中,若干所述第一预测模型的确定方法包括:
步骤S01、获取预设的超参数值域;
步骤S02、根据预设步长对所述超参数值域进行遍历,得到若干超参数组合;
步骤S03、根据每一所述超参数组合确定一个所述第一预测模型。
具体地,预先设定一个超参数值域,用于表示超参数组合对应的参数范围。然后根据预先设定的步长依次遍历超参数值域,得到所有可能的超参数组合,然后再基于每一种超参数组合设置一次模型的超参数,得到每一种超参数组合对应的第一预测模型。
在一种实现方式中,所述预设步长包括若干步长,所述步骤S02具体包括如下步骤:
步骤S021、获取若干所述步长,其中,若干所述步长分别对应不同的精度区间,每一所述步长对应的精度区间的大小与该步长呈反比关系;
步骤S022、确定前一轮搜索对应的超参数组合的预测精度,根据所述前一轮搜索对应的超参数组合的预测精度从若干所述步长中确定目标步长,其中,所述前一轮搜索对应的超参数组合的预测精度位于所述目标步长对应的精度区间;
步骤S023、根据目标步长执行当前轮搜索,得到当前轮搜索对应的超参数组合;
步骤S024、重复所述确定前一轮搜索对应的超参数组合的预测精度的步骤,直至遍历所述超参数值域。
简单来说,为了加快超参数调优和模型训练的时间,本实施例并不是全程采用统一的步长,而是会基于前一轮搜索出的超参数组合的预测精度来调整当前轮搜索所采用的步长。换言之,在前期使用较大的步长遍历,以实现快速到达最优超参数组合附近;在后期使用较小的步长遍历,精确查找出最优超参数组合。
在一种实现方式中,所述步骤S31具体包括:
步骤S311、针对每一所述第一预测模型,将所述第一训练数据集中的第一输入数据输入该第一预测模型,得到该第一输入数据对应的预测荷电状态数据;
步骤S312、根据该第一输入数据对应的预测荷电状态数据和历史荷电状态数据,确定该第一预测模型对应的第一损失函数值;
步骤S313、根据所述第一损失函数值对该第一预测模型的模型参数进行调整,并继续执行所述将所述第一训练数据集中的第一输入数据输入该第一预测模型的步骤,直至满足预设训练条件,以得到该第一预测模型对应的预测模型。
简单来说,第一训练数据集对应的训练过程相当于将不同时间段得到的第二储能电池包的电池数据作为模型的输入数据。具体地,每轮训练时,将当前轮对应的第一输入数据输入第一预测模型,得到当前轮的预测荷电状态数据,根据预测荷电状态数据和该第一输入数据对应的历史荷电状态数据计算当前轮的第一损失函数值,由于第一损失函数值可以反映模型输出与真实标签之间的差距,因此以第一损失函数值为导向调整模模型参数。
在一种实现方式中,所述步骤S60具体包括如下步骤:
步骤S61、将所述第二训练数据集中的第二输入数据输入所述第三预测模型,得到该第二输入数据对应的预测荷电状态数据;
步骤S62、根据该第二输入数据对应的预测荷电状态数据和历史荷电状态数据,确定所述第三预测模型对应的第二损失函数值;
步骤S63、根据所述第二损失函数值对所述第三预测模型的模型参数进行调整,并继续执行所述将所述第二训练数据集中的第二输入数据输入所述第三预测模型的步骤,直至满足预设训练条件,以得到所述目标预测模型。
具体地,简单来说,第二训练数据集对应的训练过程相当于将不同时间段得到的第二储能电池包的电池数据和该电池数据对应的预测荷电状态数据作为模型的输入数据。具体地,每轮训练时,将当前轮对应的第二输入数据输入第一预测模型,得到当前轮的预测荷电状态数据,根据预测荷电状态数据和该第二输入数据对应的历史荷电状态数据计算当前轮的第二损失函数值,由于第二损失函数值可以反映模型输出与真实标签之间的差距,因此以第二损失函数值为导向调整模模型参数。
基于上述实施例,本发明还提供了一种储能电池包的荷电状态预测装置,如图2所示,所述装置包括:
获取模块01,用于获取第一储能电池包对应的电池数据;
预测模块02,用于获取目标预测模型,将所述电池数据输入所述目标预测模型,得到所述第一储能电池包对应的荷电状态数据;
所述目标预测模型为预先经过训练的模型,所述目标预测模型的的训练过程包括:
获取第一训练数据集,其中,所述第一训练数据集包括若干第一训练数据,若干所述第一训练数据分别对应不同时间段,每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据,所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据,所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态;
获取第一预测模型,其中,所述第一预测模型为未经过训练的模型;
根据所述第一训练数据集对所述第一预测模型进行训练,训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据;
根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据,确定第二训练数据集,其中,所述第二训练数据集包括若干第二训练数据,若干所述第二训练数据与若干所述第一训练数据一一对应,每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据,所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据,所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同;
获取第三预测模型,其中,所述第三预测模型与所述第二预测模型的结构相同;
根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型。
基于上述实施例,本发明还提供了一种终端,其原理框图可以如图3所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中,该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现储能电池包的荷电状态预测方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图3中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一种实现方式中,所述终端的存储器中存储有一个或者一个以上的程序,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行储能电池包的荷电状态预测方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种储能电池包的荷电状态预测方法,所述方法包括:获取第一储能电池包对应的电池数据;获取目标预测模型,将所述电池数据输入所述目标预测模型,得到所述第一储能电池包对应的荷电状态数据;所述目标预测模型为预先经过训练的模型,所述目标预测模型的的训练过程包括:获取第一训练数据集,其中,所述第一训练数据集包括若干第一训练数据,若干所述第一训练数据分别对应不同时间段,每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据,所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据,所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态;获取第一预测模型,其中,所述第一预测模型为未经过训练的模型;根据所述第一训练数据集对所述第一预测模型进行训练,训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据;根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据,确定第二训练数据集,其中,所述第二训练数据集包括若干第二训练数据,若干所述第二训练数据与若干所述第一训练数据一一对应,每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据,所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据,所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同;获取第三预测模型,其中,所述第三预测模型与所述第二预测模型的结构相同;根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型。本发明通过结合机器学习方法和输入输出迭代方法训练得到目标预测模型,该目标预测模型由于结合了多种训练方法,因此精度较高且可以在线实时预测储能电池包的荷电状态。解决了现有的电池荷电状态的测量方法难以满足现实驾驶环境中对于测量时间和测量精度要求的问题。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种储能电池包的荷电状态预测方法,其特征在于,所述方法包括:
获取第一储能电池包对应的电池数据;
获取目标预测模型,将所述电池数据输入所述目标预测模型,得到所述第一储能电池包对应的荷电状态数据;
所述目标预测模型为预先经过训练的模型,所述目标预测模型的的训练过程包括:
获取第一训练数据集,其中,所述第一训练数据集包括若干第一训练数据,若干所述第一训练数据分别对应不同时间段,每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据,所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据,所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态,所述第一储能电池包与所述第二储能电池包分别对应的电池包类型相同;
获取第一预测模型,其中,所述第一预测模型为未经过训练的模型;
根据所述第一训练数据集对所述第一预测模型进行训练,训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据;
根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据,确定第二训练数据集,其中,所述第二训练数据集包括若干第二训练数据,若干所述第二训练数据与若干所述第一训练数据一一对应,每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据,所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据,所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同;
获取第三预测模型,其中,所述第三预测模型与所述第二预测模型的结构相同;
根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型;
所述第一预测模型包括若干第一预测模型,若干所述第一预测模型分别对应不同的超参数组合,所述根据所述第一训练数据集对所述第一预测模型进行训练,包括:
根据所述第一训练数据集分别对若干所述第一预测模型进行训练,训练完毕后得到若干所述第一预测模型分别对应的预测模型;
获取测试数据集,其中,所述测试数据集与所述第一训练数据集基于同一数据集产生;
根据所述测试数据集,确定若干所述预测模型分别对应的预测精度;
根据所述预测精度最高的预测模型,确定所述第二预测模型;
若干所述第一预测模型的确定方法包括:
获取预设的超参数值域;
根据预设步长对所述超参数值域进行遍历,得到若干超参数组合;
根据每一所述超参数组合确定一个所述第一预测模型;
所述预设步长包括若干步长,所述根据预设步长对所述超参数值域进行遍历,得到若干超参数组合,包括:
获取若干所述步长,其中,若干所述步长分别对应不同的精度区间,每一所述步长对应的精度区间的大小与该步长呈反比关系;
确定前一轮搜索对应的超参数组合的预测精度,根据所述前一轮搜索对应的超参数组合的预测精度从若干所述步长中确定目标步长,其中,所述前一轮搜索对应的超参数组合的预测精度位于所述目标步长对应的精度区间;
根据目标步长执行当前轮搜索,得到当前轮搜索对应的超参数组合;
重复所述确定前一轮搜索对应的超参数组合的预测精度的步骤,直至遍历所述超参数值域;
所述根据所述第一训练数据集分别对若干所述第一预测模型进行训练,包括:
针对每一所述第一预测模型,将所述第一训练数据集中的第一输入数据输入该第一预测模型,得到该第一输入数据对应的预测荷电状态数据;
根据该第一输入数据对应的预测荷电状态数据和历史荷电状态数据,确定该第一预测模型对应的第一损失函数值;
根据所述第一损失函数值对该第一预测模型的模型参数进行调整,并继续执行所述将所述第一训练数据集中的第一输入数据输入该第一预测模型的步骤,直至满足预设训练条件,以得到该第一预测模型对应的预测模型;
所述根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型,包括:
将所述第二训练数据集中的第二输入数据输入所述第三预测模型,得到该第二输入数据对应的预测荷电状态数据;
根据该第二输入数据对应的预测荷电状态数据和历史荷电状态数据,确定所述第三预测模型对应的第二损失函数值;
根据所述第二损失函数值对所述第三预测模型的模型参数进行调整,并继续执行所述将所述第二训练数据集中的第二输入数据输入所述第三预测模型的步骤,直至满足预设训练条件,以得到所述目标预测模型;
所述第三预测模型为所述第二预测模型或者初始化模型参数后的所述第二预测模型。
2.一种储能电池包的荷电状态预测装置,其特征在于,所述装置包括:
获取模块,用于获取第一储能电池包对应的电池数据;
预测模块,用于获取目标预测模型,将所述电池数据输入所述目标预测模型,得到所述第一储能电池包对应的荷电状态数据;
所述目标预测模型为预先经过训练的模型,所述目标预测模型的的训练过程包括:
获取第一训练数据集,其中,所述第一训练数据集包括若干第一训练数据,若干所述第一训练数据分别对应不同时间段,每一所述第一训练数据包括第一输入数据和所述第一输入数据对应的历史荷电状态数据,所述第一输入数据为该第一训练数据对应的时间段内第二储能电池包的历史电池数据,所述历史荷电状态数据用于反映该第一训练数据对应的时间段内所述第二储能电池包的荷电状态;
获取第一预测模型,其中,所述第一预测模型为未经过训练的模型;
根据所述第一训练数据集对所述第一预测模型进行训练,训练完毕后得到第二预测模型和若干所述第一训练数据分别对应的预测荷电状态数据;
根据所述第一训练数据集和若干所述第一训练数据分别对应的预测荷电状态数据,确定第二训练数据集,其中,所述第二训练数据集包括若干第二训练数据,若干所述第二训练数据与若干所述第一训练数据一一对应,每一所述第二训练数据包括第二输入数据和所述第二输入数据对应的历史荷电状态数据,所述第二输入数据包括该第二训练数据对应的第一输入数据和该第一输入数据对应的预测荷电状态数据,所述第二输入数据对应的历史荷电状态数据与该第二输入数据对应的第一输入数据的历史荷电状态数据相同;
获取第三预测模型,其中,所述第三预测模型与所述第二预测模型的结构相同;
根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型;
所述第一预测模型包括若干第一预测模型,若干所述第一预测模型分别对应不同的超参数组合,所述根据所述第一训练数据集对所述第一预测模型进行训练,包括:
根据所述第一训练数据集分别对若干所述第一预测模型进行训练,训练完毕后得到若干所述第一预测模型分别对应的预测模型;
获取测试数据集,其中,所述测试数据集与所述第一训练数据集基于同一数据集产生;
根据所述测试数据集,确定若干所述预测模型分别对应的预测精度;
根据所述预测精度最高的预测模型,确定所述第二预测模型;
若干所述第一预测模型的确定方法包括:
获取预设的超参数值域;
根据预设步长对所述超参数值域进行遍历,得到若干超参数组合;
根据每一所述超参数组合确定一个所述第一预测模型;
所述预设步长包括若干步长,所述根据预设步长对所述超参数值域进行遍历,得到若干超参数组合,包括:
获取若干所述步长,其中,若干所述步长分别对应不同的精度区间,每一所述步长对应的精度区间的大小与该步长呈反比关系;
确定前一轮搜索对应的超参数组合的预测精度,根据所述前一轮搜索对应的超参数组合的预测精度从若干所述步长中确定目标步长,其中,所述前一轮搜索对应的超参数组合的预测精度位于所述目标步长对应的精度区间;
根据目标步长执行当前轮搜索,得到当前轮搜索对应的超参数组合;
重复所述确定前一轮搜索对应的超参数组合的预测精度的步骤,直至遍历所述超参数值域;
所述根据所述第一训练数据集分别对若干所述第一预测模型进行训练,包括:
针对每一所述第一预测模型,将所述第一训练数据集中的第一输入数据输入该第一预测模型,得到该第一输入数据对应的预测荷电状态数据;
根据该第一输入数据对应的预测荷电状态数据和历史荷电状态数据,确定该第一预测模型对应的第一损失函数值;
根据所述第一损失函数值对该第一预测模型的模型参数进行调整,并继续执行所述将所述第一训练数据集中的第一输入数据输入该第一预测模型的步骤,直至满足预设训练条件,以得到该第一预测模型对应的预测模型;
所述根据所述第二训练数据集对所述第三预测模型进行训练,训练完毕后得到所述目标预测模型,包括:
将所述第二训练数据集中的第二输入数据输入所述第三预测模型,得到该第二输入数据对应的预测荷电状态数据;
根据该第二输入数据对应的预测荷电状态数据和历史荷电状态数据,确定所述第三预测模型对应的第二损失函数值;
根据所述第二损失函数值对所述第三预测模型的模型参数进行调整,并继续执行所述将所述第二训练数据集中的第二输入数据输入所述第三预测模型的步骤,直至满足预设训练条件,以得到所述目标预测模型;
所述第三预测模型为所述第二预测模型或者初始化模型参数后的所述第二预测模型。
3.一种终端,其特征在于,所述终端包括有存储器和一个或者一个以上处理器;所述存储器存储有一个或者一个以上的程序;所述程序包含用于执行如权利要求1所述的储能电池包的荷电状态预测方法的指令;所述处理器用于执行所述程序。
4.一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述权利要求1所述的储能电池包的荷电状态预测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210587703.3A CN114966413B (zh) | 2022-05-27 | 2022-05-27 | 一种储能电池包的荷电状态预测方法 |
PCT/CN2022/137079 WO2023226358A1 (zh) | 2022-05-27 | 2022-12-06 | 一种储能电池包的荷电状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210587703.3A CN114966413B (zh) | 2022-05-27 | 2022-05-27 | 一种储能电池包的荷电状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114966413A CN114966413A (zh) | 2022-08-30 |
CN114966413B true CN114966413B (zh) | 2023-03-24 |
Family
ID=82956379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210587703.3A Active CN114966413B (zh) | 2022-05-27 | 2022-05-27 | 一种储能电池包的荷电状态预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114966413B (zh) |
WO (1) | WO2023226358A1 (zh) |
Families Citing this family (2)
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 |
CN115660515B (zh) * | 2022-12-08 | 2023-03-21 | 北京国网电力技术有限公司 | 一种储能数据管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3748380A1 (en) * | 2019-06-05 | 2020-12-09 | Samsung SDI Co., Ltd. | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method |
WO2021089786A1 (en) * | 2019-11-07 | 2021-05-14 | Basf Se | Battery performance prediction |
WO2022047204A1 (en) * | 2020-08-30 | 2022-03-03 | Hewlett-Packard Development Company, L.P. | Battery life predictions using machine learning models |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11691518B2 (en) * | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
CN111105040A (zh) * | 2019-11-14 | 2020-05-05 | 深圳追一科技有限公司 | 超参数优化方法、装置、计算机设备和存储介质 |
CN111476403A (zh) * | 2020-03-17 | 2020-07-31 | 华为技术有限公司 | 预测模型构建方法和相关装置 |
CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
CN114078195A (zh) * | 2020-08-07 | 2022-02-22 | 华为技术有限公司 | 分类模型的训练方法、超参数的搜索方法以及装置 |
CN112200373A (zh) * | 2020-10-15 | 2021-01-08 | 中国科学院深圳先进技术研究院 | 负荷预测模型的训练方法及训练装置、存储介质、设备 |
CN112330077B (zh) * | 2021-01-04 | 2021-09-24 | 南方电网数字电网研究院有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN113253116A (zh) * | 2021-05-18 | 2021-08-13 | 齐鲁工业大学 | 锂离子电池荷电状态估计方法、存储介质 |
CN113391209B (zh) * | 2021-05-26 | 2022-08-26 | 江苏小牛电动科技有限公司 | 电池健康状态的预测方法、装置、系统和电池 |
CN113687237B (zh) * | 2021-08-20 | 2024-04-05 | 浙江科技学院 | 一种保障电气安全的锂电池剩余充电时间预测方法 |
CN113884905B (zh) * | 2021-11-02 | 2022-06-14 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
CN114325406A (zh) * | 2021-12-30 | 2022-04-12 | 重庆长安新能源汽车科技有限公司 | 一种基于机器学习思维预测电池热失控的方法及系统 |
CN114240003A (zh) * | 2022-02-23 | 2022-03-25 | 泰豪软件股份有限公司 | 一种新能源出力预测方法、系统、存储介质及设备 |
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 |
-
2022
- 2022-05-27 CN CN202210587703.3A patent/CN114966413B/zh active Active
- 2022-12-06 WO PCT/CN2022/137079 patent/WO2023226358A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3748380A1 (en) * | 2019-06-05 | 2020-12-09 | Samsung SDI Co., Ltd. | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method |
WO2021089786A1 (en) * | 2019-11-07 | 2021-05-14 | Basf Se | Battery performance prediction |
WO2022047204A1 (en) * | 2020-08-30 | 2022-03-03 | Hewlett-Packard Development Company, L.P. | Battery life predictions using machine learning models |
Non-Patent Citations (1)
Title |
---|
A compact and optimized neutral network approach for battery stata-of-charge estimation of energy storage system;Yuanjun GUO;《Energy》;20210315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114966413A (zh) | 2022-08-30 |
WO2023226358A1 (zh) | 2023-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114966413B (zh) | 一种储能电池包的荷电状态预测方法 | |
US11293987B2 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
CN106918789B (zh) | 一种soc-soh联合在线实时估计和在线修正方法 | |
CN114174846B (zh) | 电池监控和测试系统及其方法 | |
EP3306735A1 (en) | Device for estimating degree of battery degradation, and estimation method | |
CN109444758A (zh) | 电池荷电状态估计方法、装置、存储介质及计算机设备 | |
CN109782175A (zh) | 电动汽车电池容量校正测试方法及电子设备 | |
Heinrich et al. | Virtual experiments for battery state of health estimation based on neural networks and in-vehicle data | |
Havangi | Adaptive robust unscented Kalman filter with recursive least square for state of charge estimation of batteries | |
CN114460474A (zh) | 电池分容方法及其装置、电子设备 | |
CN110412472B (zh) | 一种基于正态伽马滤波的电池荷电状态估计方法 | |
CN112269137B (zh) | 一种基于动态参数识别的电池健康状态估算方法 | |
CN113884905B (zh) | 基于深度学习的动力电池荷电状态估计方法及系统 | |
CN117169749A (zh) | 电池容量预测模型的生成方法、预测方法及其装置 | |
CN113933725B (zh) | 一种基于数据驱动确定动力电池荷电状态的方法 | |
CN115524615A (zh) | 基于电池制浆工艺的材料参数组合预测电池性能的方法 | |
DE102022200007A1 (de) | Verfahren und Vorrichtung zum Erlernen einer Parametrisierung eines Alterungsmodells und Bereitstellen eines Alterungszustands für eine Gerätebatterie anhand einer parametrierten Leerlaufspannungs-Kennlinie | |
CN115629314B (zh) | 基于改进Jaya的电池参数与状态联合估计方法及系统 | |
Huang et al. | On the optimal condition for battery aging assessment based on an electrochemical model | |
CN115128481B (zh) | 基于神经网络及阻抗辩识校正的电池状态估计方法、系统 | |
CN109991546B (zh) | 一种电池参数获取方法、装置及终端设备 | |
CN113433457B (zh) | 一种lstm网络辅助卡尔曼滤波soc估算方法 | |
CN115015787B (zh) | 一种电池soc补偿方法、装置、设备及计算机可读存储介质 | |
CN112669893B (zh) | 确定待使用读电压的方法、系统、装置及设备 | |
CN115629314A (zh) | 基于改进Jaya的电池参数与状态联合估计方法及系统 |
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 |