CN115308605A - 一种soh估计方法、设备及计算机可读介质 - Google Patents
一种soh估计方法、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN115308605A CN115308605A CN202210841938.0A CN202210841938A CN115308605A CN 115308605 A CN115308605 A CN 115308605A CN 202210841938 A CN202210841938 A CN 202210841938A CN 115308605 A CN115308605 A CN 115308605A
- Authority
- CN
- China
- Prior art keywords
- soh
- estimation
- data
- value
- highest
- 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
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种SOH估计方法及设备,基于经验退化模型计算SOH预测值;利用神经网络实时预测SOH误差估计值;根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。本发明结合机器学习方法的优势与经验退化模型,建立融合模型实现电池的SOH估计,有效的提高了SOH的估计精度。
Description
技术领域
本发明属于机器学习和故障诊断领域,具体涉及一种SOH估计方法、设备及计算机可读介质。
背景技术
近年来,随着国内原油价格的持续上涨以及电力建设传输水平的上升,新能源汽车的技术研发和产业发展受到越来越多的重视。很多大型车企开始陆续停产燃油车,新能源汽车在全球迎来重大发展。新能源汽车中国电动汽车占汽车市场的主导地位,而电动汽车需要大量分布的充电站来进行随时随地的能源补给。在充电站中进行能源补给时,电动汽车动力电池由于过充电后发生热失控,导致车辆爆炸和起火的现象也不断增加。因此,充电安全研究具有重要实际意义。
传统的充电安全保护机制是根据电动汽车的电池管理系统(BMS),BMS是电动汽车中最关键的系统,其负责整车的能源监控和管理,能够实时监测动力电池组的充放电情况,负责温度数据采集和电池组的热管理,进行荷电状态SOC和电池健康状态SOH估计。
目前,每个品牌甚至每个车型的BMS各不相同,其SOH估计精度和热管理能力有较大的差别。然而,在当前的充电国标中,BMS的SOH数据不会传输给充电桩,充电桩输出的充电电流和电压有电动汽车侧的需求电流和需求电压决定。随着动力电池的老化,BMS功能也会下降,包括SOH的估计精度。
发明内容
为提高SOH的估计精度,提供一种SOH估计方法,所述方法包括:离线预测步骤:基于经验退化模型计算SOH预测值;在线估计步骤:利用神经网络实时预测SOH误差估计值;SOH计算步骤:根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。
其中,所述离线预测步骤包括:
步骤1,从数据库里筛选出历史报文数据;
步骤2,从所述历史报文数据中获取动力电池健康数据,所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据;
步骤3,通过经验退化模型计算SOH估计值。
其中,所述步骤3包括建立经验退化模型,具体包括:
把最高温度、最高电压、最高单体电压、充电电量、最低温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,电池SOH的经验退化模型表示为:
SOH=k1C+k2eaC+1-k2
其中,a,k1,k2为模型参数,C表示电池的充放电循环次数。
其中,所述步骤在线估计步骤包括:
步骤4,采集实时报文数据;
步骤5,使用所述实时报文数据训练RBF-BLS神经网络;
步骤6,利用训练好的RBF-BLS神经网络实时预测SOH误差估计值。
本发明还提供了一种SOH估计设备,所述设备包括:
离线预测模块:用于基于经验退化模型计算SOH预测值;
在线估计模块:利用神经网络实时预测SOH误差估计值;
SOH计算模块:用于根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。
其中,所述离线预测模块用于:
从数据库里筛选出历史报文数据;并从所述历史报文数据中获取动力电池健康数据,所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据;通过经验退化模型计算SOH估计值。
其中,所述通过经验退化模型计算SOH估计值包括建立经验退化模型,具体包括:
把最高温度、最高电压、最高单体电压、充电电量、最低温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,电池SOH的经验退化模型表示为:
SOH=k1C+k2eaC+1-k2
其中,a,k1,k2为模型参数,C表示电池的充放电循环次数。
其中,所述在线估计模块用于:采集实时报文数据;使用所述实时报文数据训练RBF-BLS神经网络;利用训练好的RBF-BLS神经网络实时预测SOH误差估计值。
本发明解决其技术问题所采用的技术方案是:
本发明的有益效果是,本发明提供了一种SOH估计方法及设备,基于经验退化模型计算SOH预测值;利用神经网络实时预测SOH误差估计值;根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。本发明结合机器学习方法的优势与经验退化模型,建立融合模型实现电池的SOH估计,有效的提高了SOH的估计精度。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的基于经验退化与RBF-BLS的SOH估计方法的流程图。
图2是本发明的RBF-BLS的算法流程图;
图3是本发明的宽度学习BLS结构图;
图4是本发明的优选实施例的设备结构体。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
为提高SOH的估计精度,提供一种SOH估计方法,所述方法是基于经验退化模型与RBF-BLS融合的SOH估计方法,如图1所示,所述方法包括:离线预测步骤:基于经验退化模型计算SOH预测值;在线估计步骤:利用神经网络实时预测SOH误差估计值;SOH计算步骤:根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。
其中,所述离线预测步骤包括:步骤1,从数据库里筛选出历史报文数据;从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据;其中,新能源汽车的用户在公司的充电桩充电时会产生符合国标《GBT 27930-2015电动汽车非车载传导式充电机与电池管理系统之间的通信协议》的新能源车与充电桩之间的通讯报文;充电桩会根据公司与充电桩企业签订的协议来筛选部分通讯报文发送到公司的云平台中,并存入数据库,数据库中的报文均为历史报文数据;通讯报文符合国标要求,数据实现了标准化,无需进一步处理,提高了数据的处理效率。
步骤2,从所述历史报文数据中获取动力电池健康数据,所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据;
其中,把取出来的数据按类分成数据集,然后,每个数据集进行归一化处理,使其值域在[0,1],归一化的公式为:
其中,amin为数据集中最小值,amax为数据集中最大值。
步骤3,通过经验退化模型计算SOH估计值。其中,经验退化模型是用三个参数来描述复杂的电池模型;
其中,所述步骤3包括建立经验退化模型,具体包括:
把最高温度、最高电压、最高单体电压、充电电量、最低温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,电池SOH的经验退化模型表示为:
SOH=k1C+k2eaC+1-k2
其中,a,k1,k2为模型参数,C表示电池的充放电循环次数。
经验退化模型建立好之后,将应用于汽车的SOH的预测,具体预测过程如下:
在用户完成一次较长充电后,将此次充电报文放入经验退化模型中,预测其电池的SOH值,并更新用户个人健康档案中SOH值,用于下次充电SOH的预测;
其中,对实验数据充放电的循环次数使用经验退化模型,得到对应的SOH估计值,并计算SOH估计误差ΔSOH。
其中,所述步骤在线估计步骤包括:
步骤4,采集实时报文数据;
步骤5,使用所述实时报文数据训练RBF-BLS神经网络;
其中,用于训练RBF-BLS神经网络的输入数据为最高温度、最高电压、最高单体电压、充电电量、最低温度,输出数据为SOH误差估计值;其中,神经网络训练的数据来源于尽可能多的车型和用户,使得训练之后的神经网络具备较强通用性;RBF-BLS神经网络的训练过程为离线程序,只有出现大量错误时才会重新训RBF-BLS练神经网络的权值。
其中,RBF-BLS的算法流程图如图2所示,具体步骤如5.1-5.9所示。
步骤5.1,导入RBF-BLS训练所需的数据。
步骤5.2,对数据进行归一化预处理。
步骤5.3,通过径向基函数训练得到输入层与隐含层的连接权值Wij和bij,
其激活函数为:
其中,M为隐含层个数,dm为所选中心的最大距离,ti为核函数中心,网络连接权值为:
其中,d为期望相应矢量,G={gij}。其中,
步骤5.4,确定宽度学习的三个关键指标Ng,Nf和Ne。
其中,宽度学习BLS结构图如图3所示:
BLS的数学模型表达式为:
Y=[Fn,Em]Wm=HmWm
其中,Wm为特征节点、增强节点与输出层的权重,Y为宽度学习的输出,Hm=[Fn,Em],其中F为神经网络的基础节点,E为增强节点,F、E的指标由本领域的技术人员根据实际的场景需求进行设置,具体的设置方式对本领域技术人员而言是公知,在此不再赘述。
步骤5.6,增加Ne个强节点。
步骤5.7,计算强节点的输出权重和输入权重。
步骤5.8,给出测试集的拟合结果,并结算误差。
步骤5.9,若误差不满足要求,则返回步骤6,继续增加节点数减小误差;若误差满足要求,则进行SOH误差估计值的预测。
步骤6,利用训练好的RBF-BLS神经网络实时预测SOH误差估计值。RBF-BLS神经网络训练好之后,将应用于汽车的SOH误差估计值预测。
其中,将训练集中动力电池历史数据输入RBF-BLS神经网络中训练。RBF-BLS神经网络模型训练完成之后,输入动力电池在线充电数据,得到在线预测经验模型的估计误差ΔSOH′。
步骤7,将经验退化模型得到的SOH预测值和在线SOH误差估计值进行组合,最终得到较为准确的SOH估计值;
其中,将RBF-BLS预测得到的误差ΔSOH′与经验退化模型SOH估计值结合。
步骤4-7为在线程序,且处理的时间为分钟级;
每当一个充电桩与新能源汽车握手成功之后并且产生第一条充电报文开始,就要启动在线程序。
本发明还提供了一种SOH估计设备,通过所述设备实现上述的方法。所述设备包括:
离线预测模块:用于基于经验退化模型计算SOH预测值;
在线估计模块:利用神经网络实时预测SOH误差估计值;
SOH计算模块:用于根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。
其中,所述离线预测模块用于:
从数据库里筛选出历史报文数据;并从所述历史报文数据中获取动力电池健康数据,所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据;通过经验退化模型计算SOH估计值。
其中,所述通过经验退化模型计算SOH估计值包括建立经验退化模型,具体包括:
把最高温度、最高电压、最高单体电压、充电电量、最低温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,电池SOH的经验退化模型表示为:
SOH=k1C+k2eaC+1-k2
其中,a,k1,k2为模型参数,C表示电池的充放电循环次数。
其中,所述在线估计模块用于:采集实时报文数据;使用所述实时报文数据训练RBF-BLS神经网络;利用训练好的RBF-BLS神经网络实时预测SOH误差估计值。
本发明提供了一种SOH估计方法及设备,基于经验退化模型计算SOH预测值;利用神经网络实时预测SOH误差估计值;根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。本发明结合机器学习方法的优势与经验退化模型,建立融合模型实现电池的SOH估计,有效的提高了SOH的估计精度。
本发明还提供了一种SOH估计设备,所述评估设备包括存储器、处理器;
所述存储器上存储有可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行所述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种SOH估计方法,其特征在于,所述方法包括:
离线预测步骤:基于经验退化模型计算SOH预测值;
在线估计步骤:利用神经网络实时预测SOH误差估计值;
SOH计算步骤:根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。
2.根据权利要求1所述的估计方法,其特征在于,所述离线预测步骤包括:
步骤1,从数据库里筛选出历史报文数据;
步骤2,从所述历史报文数据中获取动力电池健康数据,所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据;
步骤3,通过经验退化模型计算SOH估计值。
3.根据权利要求2所述的估计方法,其特征在于,所述步骤3包括建立经验退化模型,具体包括:
把最高温度、最高电压、最高单体电压、充电电量、最低温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,电池SOH的经验退化模型表示为:
SOH=k1C+k2eaC+1-k2
其中,a,k1,k2为模型参数,C表示电池的充放电循环次数。
4.根据权利要求1所述的估计方法,其特征在于,所述步骤在线估计步骤包括:
步骤4,采集实时报文数据;
步骤5,使用所述实时报文数据训练RBF-BLS神经网络;
步骤6,利用训练好的RBF-BLS神经网络实时预测SOH误差估计值。
5.一种SOH估计设备,其特征在于,所述设备包括:
离线预测模块:用于基于经验退化模型计算SOH预测值;
在线估计模块:利用神经网络实时预测SOH误差估计值;
SOH计算模块:用于根据所述SOH预测值和所述SOH误差估计值计算SOH估计值。
6.根据权利要求5所述的估计设备,其特征在于,所述离线预测模块用于:从数据库里筛选出历史报文数据;并从所述历史报文数据中获取动力电池健康数据,所述电池健康数据包括最高温度、最高电压、最高单体电压、充电电量、最低温度等数据;通过经验退化模型计算SOH估计值。
7.根据权利要求6所述的估计设备,其特征在于,所述通过经验退化模型计算SOH估计值包括建立经验退化模型,具体包括:
把最高温度、最高电压、最高单体电压、充电电量、最低温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,电池SOH的经验退化模型表示为:
SOH=k1C+k2eaC+1-k2
其中,a,k1,k2为模型参数,C表示电池的充放电循环次数。
8.根据权利要求5所述的估计设备,其特征在于,所述在线估计模块用于:采集实时报文数据;使用所述实时报文数据训练RBF-BLS神经网络;利用训练好的RBF-BLS神经网络实时预测SOH误差估计值。
9.一种SOH估计设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-4所述的方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-4所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210841938.0A CN115308605A (zh) | 2022-07-18 | 2022-07-18 | 一种soh估计方法、设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210841938.0A CN115308605A (zh) | 2022-07-18 | 2022-07-18 | 一种soh估计方法、设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115308605A true CN115308605A (zh) | 2022-11-08 |
Family
ID=83856645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210841938.0A Pending CN115308605A (zh) | 2022-07-18 | 2022-07-18 | 一种soh估计方法、设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115308605A (zh) |
-
2022
- 2022-07-18 CN CN202210841938.0A patent/CN115308605A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Wang et al. | Probability based remaining capacity estimation using data-driven and neural network model | |
CN110873841B (zh) | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
WO2018174216A1 (ja) | 管理装置、プログラム、管理方法及び生産方法 | |
CN113960476B (zh) | 基于信息物理融合技术的动力电池故障监测方法及系统 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN112068004A (zh) | 一种电池异常、电池充电剩余时间的确定方法及装置 | |
CN110412470B (zh) | 电动汽车动力电池soc估计方法 | |
CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
CN105021994A (zh) | 一种检测电池组内单体电池一致性的方法和装置 | |
CN110598300A (zh) | 一种电池soh预测方法及装置 | |
CN112215434A (zh) | 一种lstm模型的生成方法、充电时长预测方法及介质 | |
JP2021048663A (ja) | 電池制御装置、充放電システム、駐車場システム、二次電池リユースシステム、電池制御方法、及び電池制御プログラム | |
Shi et al. | Electric vehicle battery remaining charging time estimation considering charging accuracy and charging profile prediction | |
CN111929588B (zh) | 基于极限学习机的充电安全监测方法、设备及系统 | |
Wei et al. | State of health assessment for echelon utilization batteries based on deep neural network learning with error correction | |
CN112305423A (zh) | 锂离子动力电池荷电状态估算方法、装置、介质和设备 | |
CN115238983A (zh) | 一种基于bp神经网络的充电安全状态评估方法及系统 | |
CN110015162A (zh) | 电池健康状态检测方法、装置和系统以及存储介质 | |
CN117096984A (zh) | 基于强化学习的电池组均衡感知快充控制方法和系统 | |
Kaleem et al. | Machine learning driven digital twin model of Li-ion batteries in electric vehicles: a review | |
CN112765726A (zh) | 一种寿命预测方法及装置 | |
CN115308605A (zh) | 一种soh估计方法、设备及计算机可读介质 | |
CN115865716A (zh) | 一种网络状态分析方法、系统及计算机可读介质 |
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 |