CN115081332A - 用于参数识别的工况敏感度分析和数据处理方法、装置 - Google Patents
用于参数识别的工况敏感度分析和数据处理方法、装置 Download PDFInfo
- Publication number
- CN115081332A CN115081332A CN202210760744.8A CN202210760744A CN115081332A CN 115081332 A CN115081332 A CN 115081332A CN 202210760744 A CN202210760744 A CN 202210760744A CN 115081332 A CN115081332 A CN 115081332A
- Authority
- CN
- China
- Prior art keywords
- voltage
- data set
- parameter
- electrochemical model
- data
- 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.)
- Granted
Links
- 238000010206 sensitivity analysis Methods 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 31
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010068065 Burning mouth syndrome Diseases 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种用于参数识别的工况敏感度分析和数据处理方法，包括：根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集；对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等；将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。通过发明提供用于训练参数辨识神经网络的工况选择和数据处理方法，以提高用于神经网络的性能。
Description
技术领域
本发明涉及电池管理技术领域，尤指一种用于参数识别的工况敏感度分析和数据处理方法、装置。
背景技术
近年来，由于化石能源危机和环境问题的增加，新能源迅速发展，如风能和太阳能等。由于新能源系统的不稳定性，需要引入储能系统，而锂离子电池已得到广泛应用。为了保证锂离子电池在长期使用中的安全可靠性，需要一个由软硬件组成的电池管理系统(BMS)对其进行管理。目前广泛使用的BMS都是基于等效电路模型(ECM)开发的，由于ECM的预测能力有限，电池运行策略的设计都是基于简单的安全约束条件，比如：充电截止电压、放电截止电压和最大电流等。
然而端电压并不能完全反应电池内部的状态，特别是在大电流下，由于过电位较大，这将在充放电过程中大大增加或减小电池的端电压。随着硬件计算能力的提升，新型的基于电化学模型(EM)的更加智能、先进的BMS将很快得到应用，由于EM能充分反应电池内部状态，比如：正负极锂离子浓度分布、电势分布、过电位等，能够大幅提高对锂电池的管理能力。电化学模型涉及大量的耦合偏微分方程，特别是还会涉及几十个物理参数，使得EM模型在实际应用中受到限制。随着硬件能力的提高，可以通过比如启发式算法(遗传算法、粒子群算法、布谷鸟算法等)、神经网络、卡尔曼滤波等方法，以数据驱动的方式获取模型参数。辨识算法比如：目前已有很多基于启发式算法的锂电池模型参数的辨识方法，这些方法辨识参数需要很长时间，且需要提前测量电池的OCV-SOC曲线，但当电池投入使用后，很难获得电池的OCV-SOC曲线。
发明内容
本发明的目的是提供一种用于参数识别的工况敏感度分析和数据处理方法和装置，用于解决上述问题。
本发明提供的技术方案如下：
一种用于参数识别的工况敏感度分析和数据处理方法，包括：
根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集；
对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等；
将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。
在一些实施例中，在所述根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集之前，包括：
利用工况下的电压变化曲线，得到电量电压曲线；
根据所述电量电压曲线，选取电量变化斜率最大时的电压区间作为基准电压区间。
在一些实施例中，所述对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等，包括：
通过归一化公式将所述特征电压数据集的电压值转化为[0,1]范围的电压值，并将不同电化学模型参数的电压值个数调整一致，归一化公式如下：
其中，v为电压值，vmin为最小电压值，vmax为最大电压值。
在一些实施例中，所述将不同电化学模型参数的电压值个数调整一致，包括：
设所述特征电压数据集含有电压值个数最多的那条电压数据有nmax个电压值，用n代表其余电压数据中电压值的个数；
若选取的电压数据是充电过程中的数据，则该条电压数据末端填补(nmax-n)个电压值为1的数据点；
若选取的电压数据是放电过程中的数据，则该条电压数据末端填补(nmax-n)个电压值为0的数据点；
将每条电压数据的电压值个数调整一致，均为nmax个电压值。
在一些实施例中，还包括：
训练神经网络模型；
其中，以参数值的均方误差作为损失函数，均方误差MSE为：
其中，MSE为均方误差，N为参数值的个数，i为参数的序号，θlabel,i为参数的真实值，θmodel,i为参数的预测值。
在一些实施例中，还包括：
将所述电化学模型参数的初始值输入至电化学模型，得到所述电化学模型参数的初始值对应的输出电压。
在一些实施例中，所述电化学模型参数包高敏感度参数，所述高敏感度参数为在恒流工况下影响电化学模型的输出电压的参数。
在一些实施例中，一种用于参数识别的工况敏感度分析和数据处理装置，包括：
获得模块，用于根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集；
预处理模块，用于对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等；
输出模块，用于将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。
在一些实施例中，还包括选取模块，用于：
利用工况下的电压变化曲线，得到电量电压曲线；
根据所述电量电压曲线，选取电量变化斜率最大时的电压区间作为基准电压区间。
在一些实施例中，所述预处理模块，还用于：
通过归一化公式将所述特征电压数据集的电压值转化为[0,1]范围的电压值，并将不同电化学模型参数的电压值个数调整一致，归一化公式如下：
其中，v为电压值，vmin为最小电压值，vmax为最大电压值。
与现有技术相比，本发明所提供的用于参数识别的工况敏感度分析和数据处理方法和装置，能够带来以下有益效果：
本发明提出用于训练参数辨识神经网络的工况选择和数据处理方法，以提高用于神经网络的性能。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对用于参数识别的工况敏感度分析和数据处理方法和装置的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明的用于参数识别的工况敏感度分析和数据处理方法的一个实施例的流程图；
图2是本发明的1C工况下放电电压变化曲线图；
图3是本发明的dq/dv-v曲线图；
图4是本发明的数据集中三条电压数据图；
图5是本发明的三条曲线的t-v图；
图6是本发明的电压数据处理后的图像；
图7是本发明的训练神经网络过程的MSELoss变化图；
图8是本发明的电压对比图；
图9是本发明的电压对比图；
图10是本发明的用于参数识别的工况敏感度分析和数据处理装置的一个实施例的示意图。
具体实施方式
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，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
在一个实施例中，如图1所示，本发明提供一种用于参数识别的工况敏感度分析和数据处理方法，包括：
S101根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集。
S101具体包括步骤1、通过dq/dv-v曲线选择用来训练神经网络的高敏感工况下的数据。
dq/dv数据越大表示电池在该电压的电量变化越大，对应q-v曲线上该电压值处的倾斜程度越高；dq-dv数据越小，表示电池在该电压处的电量变化越小，对应q-v曲线上该电压值处的倾斜程度越小。由于通过电压来训练神经网络，则通过dq/dv-v曲线选择包含dq/dv数值大的电压区间[vmin,vmax]，可选择一段或多端电压。
S101具体还包括步骤2、获取训练神经网络的数据集。
锂电池电化学模型中涉及几十个物理参数，在恒流工况下只有部分参数对模型的输出电压有影响，这些参数可定义为高敏感度参数，其余在大倍率或动态工况下对模型输出电压有影响的参数定义为低敏感度参数。通过在电池模型参数的合理范围内调整高敏感度参数，可通过电化学模型生成该类型电芯在一定工况下的选定电压区间内的电压数据。
需要说明的是，可将该数据与电芯实际运行数据结合，生成更丰富真实的数据集。
S102对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等。
在本实施例中，S102具体包括步骤3、电压预处理，提高数据差异性。
电化学模型参数的不同将影响该套参数在选定电压区间的数据量，可采用将电压值归一化的办法处理数据，即
通过该公式可将所有电压值转为[0,1]范围，接下来将每套参数的电压值的个数调整一致。
S103将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。
在本实施例中，S103具体包括步骤4、训练参数辨识神经网络。
训练数据集中的电压、电流等数据作为训练神经网络的特征输入，高敏感度参数作为标签，选择合适的深度学习方法，训练神经网络，其中神经网络可选择CNN、LSTM等。
在本实施例中，S103具体包括步骤5、通过神经网络获取高敏感度参数初始值。
将实际电池运行工况按照步骤3预处理后，输入到训练的神经网络中，获取该电池电化学模型高敏感度参数的初始值。
在本实施例中，本申请在一种通过结合神经网络和启发式算法的数据驱动方式获取锂电池全生命周期的电化学模型参数，通过神经网络获得高敏感度参数初值，可以减少电化学模型的调用次数，进而减少参数辨识所需时间的基础上，进一步提出一种用于训练参数辨识神经网络的工况选择和数据处理方法，以提高用于神经网络的性能。
在一个实施例中，在所述根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集之前，包括：
利用工况下的电压变化曲线，得到电量电压曲线；
根据所述电量电压曲线，选取电量变化斜率最大时的电压区间作为基准电压区间。
具体的，如图2所示的在某套参数下，该电池在1C工况下的放电曲线图，如图3所示的dq/dv-v曲线。
在本实施例中，通过dq/dv-v图像选择特征明显的电压区间用于生成训练神经网络的数据集，可提高数据集的质量。
在一个实施例中，所述对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等，包括：
通过归一化公式将所述特征电压数据集的电压值转化为[0,1]范围的电压值，并将不同电化学模型参数的电压值个数调整一致，归一化公式如下：
其中，v为电压值，vmin为最小电压值，vmax为最大电压值。
在一个实施例中，所述将不同电化学模型参数的电压值个数调整一致，包括：
设所述特征电压数据集含有电压值个数最多的那条电压数据有nmax个电压值，用n代表其余电压数据中电压值的个数；
若选取的电压数据是充电过程中的数据，则该条电压数据末端填补(nmax-n)个电压值为1的数据点；
若选取的电压数据是放电过程中的数据，则该条电压数据末端填补(nmax-n)个电压值为0的数据点；
将每条电压数据的电压值个数调整一致，均为nmax个电压值。
在本实施例中，将电压范围一定的数据集归一化处理，并通过填补法将不同数据样本的长度调整一致。
在一个实施例中，还包括：
训练神经网络模型；
其中，以参数值的均方误差作为损失函数，均方误差MSE为：
其中，MSE为均方误差，N为参数值的个数，i为参数的序号，θlabel,i为参数的真实值，θmodel,i为参数的预测值。
在一个实施例中，还包括：
将所述电化学模型参数的初始值输入至电化学模型，得到所述电化学模型参数的初始值对应的输出电压。
在一个实施例中，所述电化学模型参数包高敏感度参数，所述高敏感度参数为在恒流工况下影响电化学模型的输出电压的参数。
在一个实施例中，本发明还提供一种用于参数识别的工况敏感度分析和数据处理方法，包括：
本实例以三元NMC电池为例：
1、选择电压区间。
在某套参数下，该电池在1C工况下的放电曲线如图2所示。将电流I视为单位1，则dq/dv-v曲线如图3所示，可以看出在电压略大于3.9v时，dq/dv的值最大，则在该处电压的电压的变化会引起电量的变化最大，可选择[3.8v，3.95v]作为数据集的电压范围。
2、生成电压在所选电压区间内的数据集。
在合理范围内调整高敏感度参数，在1C放电工况下生成包含[3.95v，3.8v](放电电压会逐渐减小)的电压数据(每秒采样一次，即每秒采样一个电压值)，如图4所示，为所述数据集中的三条电压曲线。
将图4的曲线坐标轴转换一下如图5，可以得到步骤1的结论，即当dq/dv数值小时，电量变化小。
由于q＝i*t，由于是恒流工况，视电流为单位1，即t-v曲线的倾斜程度小，即图5中这三条曲线在v>3.95v时几乎重合到一起，这将不能很好的区分，而当dq/dv数值大时，电量变化大，即t-v曲线的倾斜程度大，即图5中在3.9v左右三条曲线倾斜程度都较大，且能够很好的区分。
因此从原始数据集中提取电压在[3.95v，3.8v]范围内的数据。
3、电压预处理。
首先将电压数据归一化，
接着填补数据。最长的那条数据中共有400个电压值，根据选取的数据是放电过程中的数据，设每条数据中含有的电压值为n，则每条数据末端填补(400-n)个电压值为0的数据点，通过此方法可将每条数据的电压值个数调整一致，即均为400个电压值。如图6所示。
4、训练神经网络。
将实际电池运行工况输入到训练的神经网络中，获取该电池电化学模型高敏感度参数的初始值。
由于LSTM在处理时间序列上的优势，本例使用LSTM作为网络模型。通过将数据集的电压作为特征输入到网络结构中，输出为对应数据下的参数值，以参数值的MSE为损失函数，设置训练轮次100，对网络进行训练，如图7所示。其中：
5、通过神经网络获得参数的初始猜测值。
将要辨识的电池，在1C放电工况下电压范围在[3.95v，3.8v]的电压数据提取出来，并按上述数据处理方式进行处理，将处理后的电压数据输入到训练好的神经网络中，通过神经网络可以获得该电芯高敏感度参数的初始值。将初始值带入电化学模型中，可以获得在初始值下的电压输出。
图8是直接将未经处理的电压数据训练神经网络模型的电压对比图，图9是将电压数据处理后训练神经网络模型之后的电压对比图。可以看出经过本数据处理方法获得神经网络模型辨识参数值的性能更好。
在一个实施例中，如图10所示，本发明一种用于参数识别的工况敏感度分析和数据处理装置，包括：
获得模块101，用于根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集。
预处理模块102，用于对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等。
输出模块103，用于将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。
在本实施例中，本申请在一种通过结合神经网络和启发式算法的数据驱动方式获取锂电池全生命周期的电化学模型参数，通过神经网络获得高敏感度参数初值，可以减少电化学模型的调用次数，进而减少参数辨识所需时间的基础上，进一步提出一种用于训练参数辨识神经网络的工况选择和数据处理装置，以提高用于神经网络的性能。
在一个实施例中，还包括选取模块，用于：
利用工况下的电压变化曲线，得到电量电压曲线；
根据所述电量电压曲线，选取电量变化斜率最大时的电压区间作为基准电压区间。
在一个实施例中，所述预处理模块，还用于：
通过归一化公式将所述特征电压数据集的电压值转化为[0,1]范围的电压值，并将不同电化学模型参数的电压值个数调整一致，归一化公式如下：
其中，v为电压值，vmin为最小电压值，vmax为最大电压值。
本发明提出用于训练参数辨识神经网络的工况选择和数据处理方法，以提高用于神经网络的性能。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种用于参数识别的工况敏感度分析和数据处理方法，其特征在于，包括：
根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集；
对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等；
将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。
2.根据权利要求1所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，在所述根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集之前，包括：
利用工况下的电压变化曲线，得到电量电压曲线；
根据所述电量电压曲线，选取电量变化斜率最大时的电压区间作为基准电压区间。
3.根据权利要求1所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，所述对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等，包括：
通过归一化公式将所述特征电压数据集的电压值转化为[0,1]范围的电压值，并将不同电化学模型参数的电压值个数调整一致，归一化公式如下：
其中，v为电压值，vmin为最小电压值，vmax为最大电压值。
4.根据权利要求3所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，所述将不同电化学模型参数的电压值个数调整一致，包括：
设所述特征电压数据集含有电压值个数最多的那条电压数据有nmax个电压值，用n代表其余电压数据中电压值的个数；
若选取的电压数据是充电过程中的数据，则该条电压数据末端填补(nmax-n)个电压值为1的数据点；
若选取的电压数据是放电过程中的数据，则该条电压数据末端填补(nmax-n)个电压值为0的数据点；
将每条电压数据的电压值个数调整一致，均为nmax个电压值。
5.根据权利要求1所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，还包括：
训练神经网络模型；
其中，以参数值的均方误差作为损失函数，均方误差MSE为：
其中，MSE为均方误差，N为参数值的个数，i为参数的序号，θlabel,i为参数的真实值，θmodel,i为参数的预测值。
6.根据权利要求1所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，还包括：
将所述电化学模型参数的初始值输入至电化学模型，得到所述电化学模型参数的初始值对应的输出电压。
7.根据权利要求1～6中任一项所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，所述电化学模型参数包高敏感度参数，所述高敏感度参数为在恒流工况下影响电化学模型的输出电压的参数。
8.一种用于参数识别的工况敏感度分析和数据处理装置，其特征在于，包括：
获得模块，用于根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集；
预处理模块，用于对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等；
输出模块，用于将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。
9.根据权利要求8所述的用于参数识别的工况敏感度分析和数据处理装置，其特征在于，还包括选取模块，用于：
利用工况下的电压变化曲线，得到电量电压曲线；
根据所述电量电压曲线，选取电量变化斜率最大时的电压区间作为基准电压区间。
10.根据权利要求9所述的用于参数识别的工况敏感度分析和数据处理装置，其特征在于，所述预处理模块，还用于：
通过归一化公式将所述特征电压数据集的电压值转化为[0,1]范围的电压值，并将不同电化学模型参数的电压值个数调整一致，归一化公式如下：
其中，v为电压值，vmin为最小电压值，vmax为最大电压值。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210760744.8A CN115081332B (zh) | 2022-06-30 | 2022-06-30 | 用于参数识别的工况敏感度分析和数据处理方法、装置 |
| US18/208,416 US20240005068A1 (en) | 2022-06-30 | 2023-06-12 | Method and system of working condition sensitivity analysis and data processing for parameter identification |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210760744.8A CN115081332B (zh) | 2022-06-30 | 2022-06-30 | 用于参数识别的工况敏感度分析和数据处理方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115081332A true CN115081332A (zh) | 2022-09-20 |
| CN115081332B CN115081332B (zh) | 2023-04-14 |
Family
ID=83256152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210760744.8A Active CN115081332B (zh) | 2022-06-30 | 2022-06-30 | 用于参数识别的工况敏感度分析和数据处理方法、装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20240005068A1 (zh) |
| CN (1) | CN115081332B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115436812A (zh) * | 2022-09-23 | 2022-12-06 | 上海玫克生储能科技有限公司 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
| CN115494406A (zh) * | 2022-10-28 | 2022-12-20 | 北京航空航天大学 | 电池参数辨识方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011040349A (ja) * | 2009-08-18 | 2011-02-24 | Toyota Central R&D Labs Inc | 充電電力制限値演算装置 |
| CN108732510A (zh) * | 2018-07-19 | 2018-11-02 | 哈尔滨工业大学 | 基于内部特征的锂离子电池一致性筛选分组方法 |
| CN112083336A (zh) * | 2020-10-19 | 2020-12-15 | 哈尔滨工业大学（威海） | 一种锂离子电池组电化学模型参数获取方法 |
| US20210116510A1 (en) * | 2019-10-22 | 2021-04-22 | Samsung Electronics Co., Ltd. | Method and apparatus with battery state estimation |
| CN113111579A (zh) * | 2021-04-02 | 2021-07-13 | 华北电力大学（保定） | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
| CN113702845A (zh) * | 2021-09-02 | 2021-11-26 | 重庆金康动力新能源有限公司 | 退役锂电池核心参数评估方法和设备 |
| CN113933714A (zh) * | 2021-10-15 | 2022-01-14 | 哈尔滨工业大学（威海） | 基于简化电化学模型和灰色预测联合的电池容量预测方法 |
-
2022
- 2022-06-30 CN CN202210760744.8A patent/CN115081332B/zh active Active
-
2023
- 2023-06-12 US US18/208,416 patent/US20240005068A1/en active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011040349A (ja) * | 2009-08-18 | 2011-02-24 | Toyota Central R&D Labs Inc | 充電電力制限値演算装置 |
| CN108732510A (zh) * | 2018-07-19 | 2018-11-02 | 哈尔滨工业大学 | 基于内部特征的锂离子电池一致性筛选分组方法 |
| US20210116510A1 (en) * | 2019-10-22 | 2021-04-22 | Samsung Electronics Co., Ltd. | Method and apparatus with battery state estimation |
| CN112083336A (zh) * | 2020-10-19 | 2020-12-15 | 哈尔滨工业大学（威海） | 一种锂离子电池组电化学模型参数获取方法 |
| CN113111579A (zh) * | 2021-04-02 | 2021-07-13 | 华北电力大学（保定） | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
| CN113702845A (zh) * | 2021-09-02 | 2021-11-26 | 重庆金康动力新能源有限公司 | 退役锂电池核心参数评估方法和设备 |
| CN113933714A (zh) * | 2021-10-15 | 2022-01-14 | 哈尔滨工业大学（威海） | 基于简化电化学模型和灰色预测联合的电池容量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王志福等: "锂离子电池Thevenin模型参数确定方法研究", 《电源技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115436812A (zh) * | 2022-09-23 | 2022-12-06 | 上海玫克生储能科技有限公司 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
| CN115436812B (zh) * | 2022-09-23 | 2023-08-04 | 上海玫克生储能科技有限公司 | 一种基于拼接因子的电化学模型参数辨识方法和系统 |
| CN115494406A (zh) * | 2022-10-28 | 2022-12-20 | 北京航空航天大学 | 电池参数辨识方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115081332B (zh) | 2023-04-14 |
| US20240005068A1 (en) | 2024-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115081332B (zh) | 用于参数识别的工况敏感度分析和数据处理方法、装置 | |
| CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
| CN107422266B (zh) | 一种大容量电池储能系统的故障诊断方法及装置 | |
| CN114475350A (zh) | 智能充电系统及其工作方法 | |
| CN107204493A (zh) | 电池充电方法、装置和设备 | |
| CN116502112A (zh) | 一种新能源电源测试数据管理方法及系统 | |
| WO2024000756A1 (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
| CN109655751A (zh) | 一种使用高斯过程回归估计电池充电状态的方法和系统 | |
| CN112327189B (zh) | 一种基于knn算法的储能电池健康状态综合判断方法 | |
| CN115436812B (zh) | 一种基于拼接因子的电化学模型参数辨识方法和系统 | |
| WO2022144542A1 (en) | Method for predicting condition parameter degradation of a cell | |
| CN115389958B (zh) | 一种锂离子电池运行安全性评估方法及系统 | |
| CN114779103A (zh) | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 | |
| WO2024060539A1 (zh) | 动力电池的年度碳排放量估算方法及装置 | |
| CN116699410A (zh) | 一种融合无监督和监督学习的锂电池健康状态估计方法 | |
| CN110346732B (zh) | 一种基于特征值识别的电池检测方法及装置 | |
| CN114062948B (zh) | 一种基于3dcnn的锂离子电池soc估计方法 | |
| CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
| WO2024020994A1 (zh) | 用于电芯的缺陷检测模型的训练方法和训练装置 | |
| CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
| CN114594380A (zh) | 一种基于bp神经网络的电池soc预测方法 | |
| CN114764124A (zh) | 一种基于gan和lstm的锂电池soc估计方法 | |
| Zhao et al. | Capacity prediction and remaining useful life diagnosis of lithium-ion batteries using CNN-LSTM hybrid neural network | |
| CN115963401A (zh) | 基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法 | |
| CN106874537B (zh) | 一种电池储能系统运行数据的典型工况构建方法 |
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 |