CN115526368A - 动力电池容量预测方法、装置及设备 - Google Patents
动力电池容量预测方法、装置及设备 Download PDFInfo
- Publication number
- CN115526368A CN115526368A CN202110711103.9A CN202110711103A CN115526368A CN 115526368 A CN115526368 A CN 115526368A CN 202110711103 A CN202110711103 A CN 202110711103A CN 115526368 A CN115526368 A CN 115526368A
- Authority
- CN
- China
- Prior art keywords
- aging
- sample data
- aging model
- power battery
- prediction method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000032683 aging Effects 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000003860 storage Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
-
- 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
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/545—Temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/547—Voltage
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/46—Control modes by self learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Transportation (AREA)
- Sustainable Development (AREA)
- Mechanical Engineering (AREA)
- Power Engineering (AREA)
- Sustainable Energy (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及电池管理技术领域,其实施方式提供了动力电池容量预测方法、装置及设备。其中动力电池容量预测方法包括:获取动力电池的样本数据;通过聚类算法将所述样本数据分为若干类别,其中每个类别具有对应的老化模型和特征标识;所述老化模型通过以下步骤得到:确定老化模型中的拟合关系;通过所述老化模型对应类型的样本数据确定所述拟合关系中的参数;获取待测动力电池的电池状态参数;从多个老化模型中确定所述电池状态参数采用的老化模型;将所述电池状态参数输入采用的老化模型,得到对应的电池容量。本发明提供的实施方式采用了聚类算法对电池的不同老化情形进行了分类,提升了动力电池预测的准确性。
Description
技术领域
本发明涉及电池管理技术领域,特别涉及一种动力电池容量预测方法、一种动力电池容量预测装置、一种动力电池容量预测设备以及对应的存储介质。
背景技术
在全社会节能减排的迫切需求下,发展具有环保、节能优势的新能源汽车已经成为汽车行业的共识,电动汽车作为新能源汽车发展的主要方向,面临诸多挑战和压力,动力电池作为电动汽车的重要部件,其性能优劣将直接影响电动汽车的发展应用前景,寿命作为动力电池的主要性能指标,对其准确预测不仅能了解电池的退化状态,为用户提供准确的车辆运行状态信息,为汽车生产制造的成本计算提供依据,还能防止故障灾难的发生,保障用户的生命财产安全。
动力电池的寿命预估一般采用试验法和模型法来实现:试验法中常采用若干次恒流充放电,通过容量衰减来分析动力电池寿命,但动力电池在实际车辆运行时,电流并非恒流,导致预测结果不准确,此外,可以采用标准NEDC工况模拟实际工况进行放电测试,但试验周期太长,一次寿命试验需要耗费一年,不能满足当前工程应用的发展需要。
模型法主要分为机理模型和统计模型:机理模型包括电化学分析法、阻抗法等,这类模型方法主要以电池SOC、SEI膜电阻等理化特性为输入参数,通过定量研究动力电池容量的衰减而预测电池寿命,统计模型主要为基于神经网络设计的寿命预测模型。例如专利:CN201910394691.0和CN202011087935.X。实车行驶工况复杂,机理模型参数难以获得,准确预测电池寿命很难实现。实验室测试无法穷尽测试真实工况的老化数据。
发明内容
有鉴于此,本发明旨在提出一种动力电池容量预测方法、装置及设备,以至少部分地解决现有技术中试验法测试周期长和模型法参数难以获取和模型复杂度高的问题。
为达到上述目的,本发明提供了一种动力电池容量预测方法,所述预测方法包括:获取动力电池的样本数据;通过聚类算法将所述样本数据分为若干类别,其中每个类别具有对应的老化模型和特征标识;所述老化模型通过以下步骤得到:确定老化模型中的拟合关系;通过所述老化模型对应类型的样本数据确定所述拟合关系中的参数;所述特征标识用于标识对应类别的样本数据的特征;获取待测动力电池的电池状态参数;从多个老化模型中确定所述电池状态参数采用的老化模型;将所述电池状态参数输入采用的老化模型,得到对应的电池容量。
优选的,所述动力电池的样本数据包括:同一型号的动力电池在实车行驶工况中的多组历史数据。
优选的,通过聚类算法将所述样本数据分为若干类别,包括:预设聚类算法,并确定所述聚类算法中的聚类参数;根据所述聚类参数将所述样本数据分为核心点或边界点;根据所述核心点构建类别,将样本数据分为所述若干类别。
优选的,所述聚类算法为DBSCAN算法;所述聚类参数包括邻域半径和邻域点数阈值。
优选的,所述特征标识为聚类中心;所述特征标识为聚类中心;从多个老化模型中确定所述电池状态参数采用的老化模型,包括:计算所述电池状态参数与每个类别对应的聚类中心的距离;选择距离最近的老化模型作为所述电池状态参数采用的老化模型。
优选的,所述拟合关系包括多项式拟合、神经网络拟合或回归树拟合。
优选的,所述电池状态参数包括:电流、电压、温度、荷电状态、存储时间、放电深度、库里效率中的至少两者。
在本发明的第二方面,还提供了一种动力电池容量预测装置,包括:输入模块,用于获取电池状态参数;匹配模块,用于与电池状态参数进行匹配,以从多个老化模型中确定所述电池状态参数采用的老化模型;所述多个老化模型与通过聚类算法将样本数据分为的若干类别一一对应;每个所述老化模型均包括电池状态参数与电池容量的一种映射关系;以及计算模块,用于将所述电池状态参数输入采用的老化模型,得到对应的电池容量。
在本发明的第三方面,还提供了一种动力电池容量预测设备,包括:至少一个处理器;存储器,与所述至少一个处理器连接;其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现前述的动力电池容量预测方法。
在本发明的第四方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述的动力电池容量预测方法。
相对于现有技术,本发明实施方式提供的一种动力电池容量预测方法、装置及设备具有以下有益效果:
本发明提供的实施方式,能够区分出多个种类的老化类型,进而针对不同的老化类型建立对应的老化模型,从而提升老化模型的精度,对动力电池容量实现更为准确的预测。当样本数据越丰富时,不同老化类型的数据越多,不同老化类型覆盖度越高,聚类算法区分不同的种类越全面,区分效果更为直观可靠。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施方式提供的动力电池容量预测方法的流程示意图;
图2是本发明实施方式提供的动力电池容量预测方法中的聚类算法流程图;
图3是本发明实施方式提供的动力电池容量预测方法中的聚类中心距离的计算示意图;
图4是本发明实施方式提供的动力电池容量预测方法的实施流程示意图;
图5是本发明实施方式提供的动力电池容量预测装置的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。
下面将参考附图并结合实施方式来详细说明本发明。
图1是本发明实施方式提供的动力电池容量预测方法的流程示意图,如图1所示。一种动力电池容量预测方法,所述预测方法包括:
S01、获取动力电池的样本数据;
此处的样本数据包括动力电池在实车行驶工况的样本数据,包括电流I、电压V、温度T、荷电状态SOC、存储时间t、放电深度DOD、库里效率μ等或者选择其中的参数进行组合。
S02、通过聚类算法将所述样本数据分为若干类别,每个类别确定对应的老化模型和特征标识;所述老化模型通过以下步骤得到:确定老化模型中的拟合关系;通过所述老化模型对应类型的样本数据确定所述拟合关系中的参数;所述特征标识用于标识对应类别的样本数据的特征;
将样本数据进行分类,每一类的样本数据具有一定的相似性或内在联系。通过聚类算法对样本数据进行分类,能够快速地得到分类结果,并实现较好的分类结果。此处的聚类算法可根据实际需要在现有聚类算法中进行选择。每个的类别均需要确定一个老化模型。老化模型为数学模型,首先需要确定该数学模型中的拟合关系,即选择合适的拟合函数。再通过该属于该类型的样本数据对该拟合关系进行训练或者修正,以确定该拟合关系中的参数,由此得到通过输入参数以计算得到电池容量的老化模型。
S03、获取待测动力电池的电池状态参数;
此处获取的电池状态参数作为预测容量的输入参数,其包含的参数与步骤S01中的样本数据中的参数相同或具有包含关系。
S04、从多个老化模型中确定所述电池状态参数采用的老化模型;
而对于具体的电池状态参数,需要先确定采用的老化模型,同一电池状态参数根据不同的老化模型能够得到不同的电池容量。本实施方式是通过特征标识来确定所采用的老化模型,通过确定合适的老化模型,能够计算得到更为准确的电池容量。
S05、将所述电池状态参数输入采用的老化模型,得到对应的电池容量。本步骤中采用的老化模型即步骤S04中所确定出的老化模型,用于根据电池状态参数得到对应的电池容量,即输入电池状态参数,即能够得到对应的电池容量。
通过以上实施方式,能够区分出多个种类的老化类型,进而针对不同的老化类型建立对应的老化模型,从而提升老化模型的精度,对动力电池容量实现更为准确的预测。当样本数据越丰富时,不同老化类型的数据越多,不同老化类型覆盖度越高,聚类算法区分不同的种类越全面,区分效果更为直观可靠。
在本发明提供的一种实施方式中,所述动力电池的样本数据包括:同一型号的动力电池在实车行驶工况中的多组历史数据。采用实车行驶工况中的历史数据作为样本能够更好地贴近现实场景,同时也利于海量样本的获取。通过体现若干动力电池实际状态的大量样本数据,以克服实验法和模型法的缺陷,能够使聚类更加准确,从而使电池容量预测更加准确。
图2是本发明实施方式提供的动力电池容量预测方法中的聚类算法流程图,如图2所示。在本实施方式中,通过聚类算法将所述样本数据分为若干类别,包括:预设聚类算法,并确定所述聚类算法中的聚类参数;根据所述聚类参数将所述样本数据分为核心点或边界点;根据核心点构建类别,将样本数据分为所述若干类别。进一步的,所述聚类算法为DBSCAN算法;所述聚类参数包括邻域半径Eps和邻域点数阈值Minpts。具体过程如下:在一个实施例中,先扫描数据集,选择未访问点p,生成邻域集Np,若Eps(p)内的点数大于Minpts,则判定p为核心点,并生成新簇C,此后选择Np中未分类点q,如果q未被访问,生成邻域集Nq,若Eps(q)内的点数大于Minpts,则判定q为核心点,更新Np=Np+Nq,点q加入簇C,如果q不为核心点,且q无类别,则判定q为边界点,加入簇C,以此类推直到Np中不再包含未分类点,此后若数据集D中仍包含未访问点,则回到第二步,选择未访问点。通过以上方法,将样本数据分为前述的若干类别。
图3是本发明实施方式提供的动力电池容量预测方法中的聚类中心距离的计算示意图,如图3所示。在本实施方式中,所述特征标识为聚类中心;从多个老化模型中确定所述电池状态参数采用的老化模型,包括:计算所述电池状态参数与每个类别对应的聚类中心的距离;选择距离最近的老化模型作为所述电池状态参数采用的老化模型。图中仅示出了四个聚类中心C1-C4的情况,其数目并不构成对类型的数量的限定。常见的聚类分析中的聚类计算包括欧氏距离、曼哈顿距离、切比雪夫距离等,其主要用于相似度度量。通过以上方法的计算,便可以得到两个对象之间的相似度(距离),在实际的计算当中,应该根据不同的对象其属性特点进行有效选择,对象的距离计算对于聚类算法的过程十分重要,直接影响着算法的有效性,所以实际选择时应当仔细选择。
在本发明提供的一种实施方式中,所述拟合关系包括多项式拟合、神经网络拟合或回归树拟合。其中多项式拟合包括:y=p_{0}x^n+p_{1}x^{n-1}+p_{2}x^{n-2}+p_{3}x^{n-3}+...+p_{n};该多项式的项数可以根据需要进行确定。神经网络拟合包括:CNN、RNN和GAN等,选择合适的神经网络结构,并通过样本数据对其进行训练后,得到一个能够预测电池容量的老化模型。回归树拟合包括常用的二叉树,例如:使用二叉树将预测空间递归划分为若干子集,Y在这些子集的分布是连续均匀的。树中的叶节点对应着划分的不同区域,划分是由与每个内部节点相关的分支规则(Spitting Rules)确定的。通过从树根到叶节点移动,一个预测样本被赋予一个惟一的叶节点,Y在该节点上的条件分布也被确定。不同老化模型的具体建立步骤,此处不再赘述。
在本发明提供的一种实施方式中,所述电池状态参数包括:电流、电压、温度、荷电状态、存储时间、放电深度、库里效率中的至少两者。输入的参数越多,得到的电池容量更为准确。在具体的场景中,本领域技术人员根据实际情况和测量条件从上述的电池状态参数中选择至少两者进行组合,以得到较为准确的电池容量。
图4是本发明实施方式提供的动力电池容量预测方法的实施流程示意图,如图4所示。在本实施方式中,该动力电池容量预测方法包括以下步骤:
(1)预设聚类算法,参数以及相关阈值。
(2)输入动力电池在实车行驶工况的样本数据。
(3)通过聚类算法将样本数据分为若干类,并得到聚类中心C1,...,Ck。
(4)将每一类的样本数据通过多项式拟合、神经网络、回归树等统计模型得到对应老化模型的模型参数
Cap=f(I,V,T,SOC,t,DOD,μ)
(5)比较待测数据到各聚类中心的距离,判别其属于哪种老化模型。
(6)输入待测数据到对应老化模型中计算动力电池容量。
图5是本发明实施方式提供的动力电池容量预测装置的结构示意图,如图5所示。在本实施方式中,一种动力电池容量预测装置,包括:输入模块,用于获取电池状态参数;匹配模块,用于与电池状态参数进行匹配,以从多个老化模型中确定所述电池状态参数采用的老化模型;所述多个老化模型与通过聚类算法将样本数据分为的若干类别一一对应;每个所述老化模型均包括电池状态参数与电池容量的一种映射关系;以及计算模块,用于将所述电池状态参数输入采用的老化模型,得到对应的电池容量。
上述的动力电池容量预测装置中的各个功能模块的具体限定可以参见上文中对于动力电池容量预测方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本发明提供的一种实施方式中,还提供了一种动力电池容量预测设备,包括:至少一个处理器;存储器,与所述至少一个处理器连接;其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现前述的动力电池容量预测方法。此处的控制模块或处理器具有数值计算和逻辑运算的功能,其至少具有数据处理能力的中央处理器CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断系统等。处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现前述的方法。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
在本发明提供的一种实施方式中,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述的动力电池容量预测方法。
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实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种动力电池容量预测方法,其特征在于,所述预测方法包括:
获取动力电池的样本数据;
通过聚类算法将所述样本数据分为若干类别,其中每个类别具有对应的老化模型和特征标识;所述老化模型通过以下步骤得到:确定老化模型中的拟合关系;通过所述老化模型对应类型的样本数据确定所述拟合关系中的参数;所述特征标识用于标识对应类别的样本数据的特征;
获取待测动力电池的电池状态参数;
从多个老化模型中确定所述电池状态参数采用的老化模型;
将所述电池状态参数输入采用的老化模型,得到对应的电池容量。
2.根据权利要求1所述的预测方法,其特征在于,所述动力电池的样本数据包括:同一型号的动力电池在实车行驶工况中的多组历史数据。
3.根据权利要求1所述的预测方法,其特征在于,通过聚类算法将所述样本数据分为若干类别,包括:
预设聚类算法,并确定所述聚类算法中的聚类参数;
根据所述聚类参数将所述样本数据分为核心点或边界点;
根据所述核心点构建类别,将样本数据分为所述若干类别。
4.根据权利要求3所述的预测方法,其特征在于,所述聚类算法为DBSCAN算法;所述聚类参数包括邻域半径和邻域点数阈值。
5.根据权利要求1所述的预测方法,其特征在于,所述特征标识为聚类中心;
从多个老化模型中确定所述电池状态参数采用的老化模型,包括:
计算所述电池状态参数与每个类别对应的聚类中心的距离;
选择距离最近的老化模型作为所述电池状态参数采用的老化模型。
6.根据权利要求1所述的预测方法,其特征在于,所述拟合关系包括多项式拟合、神经网络拟合或回归树拟合。
7.根据权利要求1所述的预测方法,其特征在于,所述电池状态参数包括:电流、电压、温度、荷电状态、存储时间、放电深度、库里效率中的至少两者。
8.一种动力电池容量预测装置,其特征在于,包括:
输入模块,用于获取电池状态参数;
匹配模块,用于与所述电池状态参数进行匹配,以从多个老化模型中确定所述电池状态参数采用的老化模型;所述多个老化模型与通过聚类算法将样本数据分为的若干类别一一对应;每个所述老化模型均包括电池状态参数与电池容量的以一种映射关系;以及
计算模块,用于将所述电池状态参数输入采用的老化模型,得到对应的电池容量。
9.一种动力电池容量预测设备,其特征在于,包括:
至少一个处理器;存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至7中任一项权利要求所述的动力电池容量预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7中任意一项权利要求所述的动力电池容量预测方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711103.9A CN115526368A (zh) | 2021-06-25 | 2021-06-25 | 动力电池容量预测方法、装置及设备 |
PCT/CN2022/099307 WO2022267979A1 (zh) | 2021-06-25 | 2022-06-17 | 动力电池容量预测方法、装置及设备 |
KR1020237034068A KR20230155519A (ko) | 2021-06-25 | 2022-06-17 | 전력 배터리 용량을 예측하기 위한 방법, 장치 및 디바이스 |
EP22827474.2A EP4300386A1 (en) | 2021-06-25 | 2022-06-17 | Method, apparatus and device for predicting power battery capacity |
JP2023560028A JP2024523962A (ja) | 2021-06-25 | 2022-06-17 | 動力電池の容量を予測する方法、装置、及び機器 |
US18/373,821 US20240019496A1 (en) | 2021-06-25 | 2023-09-27 | Method, apparatus, and device for predicting capacity of power battery |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711103.9A CN115526368A (zh) | 2021-06-25 | 2021-06-25 | 动力电池容量预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526368A true CN115526368A (zh) | 2022-12-27 |
Family
ID=84545116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110711103.9A Pending CN115526368A (zh) | 2021-06-25 | 2021-06-25 | 动力电池容量预测方法、装置及设备 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240019496A1 (zh) |
EP (1) | EP4300386A1 (zh) |
JP (1) | JP2024523962A (zh) |
KR (1) | KR20230155519A (zh) |
CN (1) | CN115526368A (zh) |
WO (1) | WO2022267979A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609846A (zh) * | 2024-01-23 | 2024-02-27 | 宁德时代新能源科技股份有限公司 | 电池性能参数的获取方法、装置、电子设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118191658A (zh) * | 2024-05-16 | 2024-06-14 | 北京航空航天大学 | 多时间尺度融合的锂离子电池全生命周期热失控诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9625532B2 (en) * | 2011-10-10 | 2017-04-18 | Battelle Energy Alliance, Llc | Method, system, and computer-readable medium for determining performance characteristics of an object undergoing one or more arbitrary aging conditions |
CN103954913B (zh) * | 2014-05-05 | 2017-06-30 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池寿命预测方法 |
US20160239592A1 (en) * | 2015-02-12 | 2016-08-18 | Nec Laboratories America, Inc. | Data-driven battery aging model using statistical analysis and artificial intelligence |
US10921383B2 (en) * | 2019-03-07 | 2021-02-16 | Mitsubishi Electric Research Laboratories, Inc. | Battery diagnostic system for estimating capacity degradation of batteries |
CN111537884B (zh) * | 2020-04-17 | 2022-04-29 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
CN112505569A (zh) * | 2020-11-26 | 2021-03-16 | 珠海中力新能源科技有限公司 | 电池状态信息的生成方法、装置及终端设备 |
-
2021
- 2021-06-25 CN CN202110711103.9A patent/CN115526368A/zh active Pending
-
2022
- 2022-06-17 JP JP2023560028A patent/JP2024523962A/ja active Pending
- 2022-06-17 KR KR1020237034068A patent/KR20230155519A/ko unknown
- 2022-06-17 EP EP22827474.2A patent/EP4300386A1/en active Pending
- 2022-06-17 WO PCT/CN2022/099307 patent/WO2022267979A1/zh active Application Filing
-
2023
- 2023-09-27 US US18/373,821 patent/US20240019496A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609846A (zh) * | 2024-01-23 | 2024-02-27 | 宁德时代新能源科技股份有限公司 | 电池性能参数的获取方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2024523962A (ja) | 2024-07-05 |
KR20230155519A (ko) | 2023-11-10 |
EP4300386A1 (en) | 2024-01-03 |
US20240019496A1 (en) | 2024-01-18 |
WO2022267979A1 (zh) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240019496A1 (en) | Method, apparatus, and device for predicting capacity of power battery | |
US10878324B2 (en) | Problem analysis and priority determination based on fuzzy expert systems | |
CN109491850A (zh) | 一种磁盘故障预测方法及装置 | |
CN113083739B (zh) | 电芯分选方法、装置以及计算机设备 | |
CN112181767A (zh) | 软件系统异常的确定方法、装置和存储介质 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN114911800A (zh) | 电力系统的故障预测方法、装置以及电子设备 | |
CN115550195A (zh) | 流量抑制预测方法、电子设备、存储介质 | |
CN115563477A (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
CN115277220A (zh) | 一种工控网络流量安全分类方法、系统及可读存储设备 | |
CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
CN116433050A (zh) | 应用于农业大数据管理系统的异常报警方法及系统 | |
CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN112433952B (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
CN113076451B (zh) | 异常行为识别和风险模型库的建立方法、装置及电子设备 | |
CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
CN114491936A (zh) | 高压管汇寿命的确定方法及装置、高压管汇系统 | |
CN114048085A (zh) | 一种磁盘故障分析方法、装置、设备及可读存储介质 | |
CN114330569A (zh) | 一种检测风机组部件故障的方法、设备及存储介质 | |
CN111145066A (zh) | 基于无限层级数据结构的城市体征画像的确定方法及系统 | |
CN111698700B (zh) | 一种小区的工作状态的判定方法及装置 | |
CN117667561A (zh) | 确定元件状态的方法、装置、设备及计算机可读存储介质 |
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 |