CN115993536A - 电池剩余能量的估计方法、装置、设备、存储介质和产品 - Google Patents
电池剩余能量的估计方法、装置、设备、存储介质和产品 Download PDFInfo
- Publication number
- CN115993536A CN115993536A CN202211517380.7A CN202211517380A CN115993536A CN 115993536 A CN115993536 A CN 115993536A CN 202211517380 A CN202211517380 A CN 202211517380A CN 115993536 A CN115993536 A CN 115993536A
- Authority
- CN
- China
- Prior art keywords
- battery
- estimation result
- weight coefficient
- energy
- determining
- 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
-
- 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
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池剩余能量的估计方法、装置、设备、存储介质和程序产品。所述方法包括:基于当前车辆运行数据和所建立的电池剩余能量预测模型,确定测试电池当前电池剩余能量的第一估计结果;基于不同温度下电荷状态与电池剩余能量的三维映射关系,获取测试电池当前温度下电池剩余能量的第二估计结果;基于测试电池的放电倍率,确定第一估计结果的第一权重系数与第二估计结果的第二权重系数;基于第一、第二估计结果以及对应的各权重系数,确定测试电池的电池剩余能量,采用本方法大大减少电池测试实验次数,并建立电池剩余能量预测模型,增强了鲁棒性,以放电倍率的变化评价估算方法的可靠度,使得电池剩余能量预测精度更高,适用范围更广。
Description
技术领域
本申请涉及电池能量估计技术领域,特别是涉及一种电池剩余能量的估计方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着新能源汽车市场占有率的不断提升,不少企业及机构加大了对其关键技术的研发,而电池管理系统(BMS)则是重中之重。优秀的电池管理系统(BMS)能够极大化电池的能量使用效率,同时保障使用安全。因此,准确地估计电池剩余能量是电池管理系统(BMS)的核心功能。
目前常用的电池剩余能量估计方法主要包括两种:(1)使用电池状态SOC与额定容量以及电池组电压相乘来估算电池剩余能量。但是该方法存在两个问题:一是电池状态SOC本身是一个估计值,存在一定误差;二是没有考虑电池未来的放电工况,即放电倍率,因此造成的估算的剩余能量结果存在一定误差。(2)根据电池测试实验,建立电池参数与电池剩余能量的对应关系,基于对应关系,结合当前的电池参数即可获得对应的当前电池剩余能量。但是该方法需要进行大量的充放电实验,且电池参数与电池剩余能量的关系并非线性,实际的行车工况极为复杂,该关系使用有限。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在少量充放电试验下,获取当前电池状态对应的电池剩余能量,并通过放电倍率考虑未来电池放电工况的电池剩余能量的估计方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电池剩余能量的估计方法,所述方法包括:
基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果;
基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取所述测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果;
基于所述测试电池的放电倍率,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数;
基于所述第一估计结果、所述第二估计结果以及对应的各权重系数,确定所述测试电池的电池剩余能量。
在其中一个实施例中,所述基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果之前包括:
基于历史车辆运行数据,建立训练集和验证集;
以所述历史车辆运行数据作为所述训练集的网络输入,电池剩余能量作为所述训练集的网络输出,训练得到所述电池剩余能量预测模型;
基于所述验证集,验证所述电池剩余能量预测模型;
基于所述验证集的误差,调整所述训练集的网络输入参数,循环迭代所述电池剩余能量预测模型。
在其中一个实施例中,所述基于所述测试电池的放电倍率,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数包括:
基于所述放电倍率的偏离值以及设定阈值,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数。
在其中一个实施例中,所述基于所述放电倍率的偏离值以及设定阈值,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数包括:
若所述放电倍率的偏离值大于所述设定阈值,则所述第一权重系数小于所述第二权重系数;
若所述放电倍率的偏离值小于所述设定阈值,则所述第一权重系数大于所述第二权重系数;所述第一权重系数与所述第二权重系数的和为1。
在其中一个实施例中,所述方法还包括:
若所述放电倍率的偏离值大于设定的阈值,则所述第一权重系数为权重中值与第一差值的差,所述第一差值为所述放电倍率的偏离值大于设定的阈值时所述偏离值与所述阈值的差;
若所述放电倍率的偏离值小于设定的阈值,则所述第一权重系数为权重中值与第二差值的和,所述第二差值为所述放电倍率的偏离值小于设定的阈值时所述偏离值与所述阈值的差。
在其中一个实施例中,所述基于所述第一估计结果、所述第二估计结果以及对应的各权重系数,确定所述测试电池的电池剩余能量包括:
基于所述权重系数,将所述第一估计结果与所述第二估计结果进行加权求和,得到所述测试电池的电池剩余能量。
第二方面,本申请还提供了一种电池剩余能量的估计装置,所述装置包括:
第一估计模块,用于基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果;
第二估计模块,用于基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取所述测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果;
权重设置模块,用于基于所述测试电池的放电倍率,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数;
电量计算模块,用于基于所述第一估计结果、所述第二估计结果以及对应的各权重系数,确定所述测试电池的电池剩余能量。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面的内容。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面的内容。
第五方面,本申请还提供了一种计算机程序产品,所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面的内容。
上述电池剩余能量的估计方法、装置、计算机设备、存储介质和计算机程序产品,通过基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果;基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果;基于测试电池的放电倍率,确定第一估计结果对应的第一权重系数与第二估计结果对应的第二权重系数;基于第一估计结果、第二估计结果以及对应的各权重系数,确定测试电池的电池剩余能量,一方面大大减少电池测试实验次数,另一方面建立的电池剩余能量预测模型,增强了鲁棒性,并以放电倍率变化大小评价估算方法的可靠度,使得电池剩余能量预测精度更高,适用范围更广。
附图说明
图1为一个实施例中电池剩余能量的估计方法的应用环境图;
图2为一个实施例中电池剩余能量的估计方法的流程示意图;
图3为一个实施例中S202之前建立电池剩余能量预测模型的流程示意图;
图4为一个实施例中S208的电池剩余能量的估计方法的流程示意图;
图5为一个示例实施例中电池剩余能量的估计方法的流程示意图;
图6为一个实施例中电池剩余能量的估计装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的电池剩余能量的估计方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的电池相关数据。数据存储系统106可以集成在服务器104上,也可以放在云上或其他网络服务器上。在服务器104上,基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果;基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果;基于测试电池的放电倍率,确定第一估计结果对应的第一权重系数与第二估计结果对应的第二权重系数;基于第一估计结果、第二估计结果以及对应的各权重系数,确定测试电池的电池剩余能量,并显示在终端102上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电池剩余能量的估计方法,以该方法应用于图1中的应用环境为例进行说明,包括以下步骤:
S202,基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果。
其中,电池剩余能量预测模型是利用深度学习神经网络从历史车辆运行数据中获得的预测模型。历史车辆数据包括车辆ID、电池类型、电池单体电压、电池单体平均电压、电池单体最大电压、电池单体最小电压、温度、电流、车速、电池充电状态以及电池剩余能量等。
可选地,将当前车辆运行数据作为电池剩余能量预测模型的网络输入,以电池剩余能量作为网络输出,确定测试电池当前的电池剩余能量的第一估计结果。
S204,基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果。
S206,基于测试电池的放电倍率,确定第一估计结果对应的第一权重系数与第二估计结果对应的第二权重系数。
其中,考虑到车辆电池当前时刻的具体工况,将当前电池的放电倍率作为衡量标准,预测未来可能的电池放电工况,确定第一估计结果对应的第一权重系数与第二估计结果对应的第二权重系数。
可选地,基于放电倍率的偏离值以及设定阈值,确定第一估计结果对应的第一权重系数与第二估计结果对应的第二权重系数。
可选地,若当前工况较为平稳,则温度-电池状态-电池剩余能量三维映射关系的可靠度较高,赋予第二估计结果较高的第二权重系数;若当前工况较为复杂,则包含大量工况的电池剩余能量预测模型可靠度较高,赋予第一估计结果较高的第一权重系数。
S208,基于第一估计结果、第二估计结果以及对应的各权重系数,确定测试电池的电池剩余能量。
可选地,基于权重系数,将第一估计结果与第二估计结果进行加权求和,得到测试电池的电池剩余能量。
上述电池剩余能量的估计方法中,通过基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果;基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果;基于测试电池的放电倍率,确定第一估计结果对应的第一权重系数与第二估计结果对应的第二权重系数;基于第一估计结果、第二估计结果以及对应的各权重系数,确定测试电池的电池剩余能量,一方面大大减少电池测试实验次数,另一方面建立的电池剩余能量预测模型,增强了鲁棒性,并以放电倍率变化大小评价估算方法的可靠度,使得电池剩余能量预测精度更高,适用范围更广。
在一个实施例中,如图3所示,基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果之前包括以下步骤:
S302,基于历史车辆运行数据,建立训练集和验证集。
可选地,以电池基本参数为标准,确定车辆运行数据的合理数据范围,对历史车辆运行数据进行预处理,剔除合理数据范围外的异常数据并对零值或者缺少值填充该字段最时间段的平均值。
S304,以历史车辆运行数据作为所述训练集的网络输入,电池剩余能量作为训练集的网络输出,训练得到电池剩余能量预测模型。
可选地,建立训练集,以电池单体平均电压、电池单体最大电压、电池单体最小电压、温度、电流、车速为网络输入,以电池剩余能量为网络输出,训练深度学习神经网络,得到电池剩余能量预测模型。
S306,基于验证集,验证电池剩余能量预测模型。
可选地,建立验证集,对电池剩余能量预测模型进行验证并计算模型在验证集上的误差。
S308,基于验证集的误差,调整训练集的网络输入参数,循环迭代电池剩余能量预测模型。
可选地,根据计算得到的误差大小,建立新的训练集和验证集,调整训练集的网络输入参数,不断训练优化电池剩余能量预测模型直至最优。
在上述实施例中,基于历史车辆运行数据,建立训练集和验证集,得到电池剩余能量预测模型,并基于验证集的误差,调整训练集的网络输入参数,循环迭代电池剩余能量预测模型直至最优,通过大量的车辆电池运行工况数据来预测电池剩余能量,提高了预测结果的准确性。
在一个实施例中,如图4所示,基于放电倍率的偏离值以及设定阈值,确定第一估计结果对应的第一权重系数与第二估计结果对应的第二权重系数包括以下步骤:
S402,若放电倍率的偏离值大于设定阈值,则第一权重系数小于第二权重系数。
其中,第一权重系数与第二权重系数的和为1。
可选地,若放电倍率的偏离值大于设定的阈值,则第一权重系数为权重中值与第一差值的差,其中,第一差值为放电倍率的偏离值大于设定的阈值时偏离值与阈值的差,权重中值为第一权重系数与第二权重系数和的一半。
S404,若放电倍率的偏离值小于设定阈值,则第一权重系数大于第二权重系数。
可选地,若放电倍率的偏离值小于设定的阈值,则第一权重系数为权重中值与第二差值的和,其中,第二差值为放电倍率的偏离值小于设定的阈值时偏离值与所述阈值的差。
在上述实施例中,通过基于历史放电倍率对第一、第二估计结果设置权重系数,若放电倍率的偏离值大于设定阈值,则第一权重系数小于第二权重系数,若放电倍率的偏离值小于设定阈值,则第一权重系数大于第二权重系数,考虑了未来的电池放电工况,将电池剩余能量模型与三维映射关系进行加权融合,得到的电池剩余能量估计结果不仅更为准确,且适用范围更广。
在一个示例实施例中,如图5所示,提供一种电池剩余能量的估计方法,具体步骤包括:
S501,从车辆数据库中收集历史车辆运行数据,建立历史车辆运行数据的数据集。历史车辆运行数据包括车辆ID、电池类型、电池单体电压、电池单体平均电压、电池单体最大电压、电池单体最小电压、温度、电流、车速、电池充电状态、电池剩余能量等,
S502,对数据集进行预处理,剔除合理数据范围外的异常数据并对零值或者缺少值填充该字段最时间段的平均值。
S503,将处理完的数据集按7:3的比例分为训练集和验证集,分别进行最大最小归一化。
S504,以电池剩余能量为网络输出,电池单体平均电压、电池单体最大电压、电池单体最小电压、温度、电流、车速为网络输入,利用TCN时间卷积神经网络在训练集上进行训练,建立TCN时间卷积神经网络电池剩余能量预测模型。
S505,将训练获取的TCN时间卷积神经网络电池剩余能量预测模型在验证集上进行验证,利用均方误差MSE计算模型在验证集上的误差,并根据误差的大小,建立新的训练集和验证集,调整训练集的网络输入参数,以此不断训练验证,直至TCN时间卷积神经网络电池剩余能量预测模型达到最优。
S506,离线条件下进行电池充放电实验,建立不同温度下电池状态与电池剩余能量的三维映射关系表。
S507,根据当前的车辆状态,统计过去一段时间的电压电流变化,即放电倍率,计算该段时间内的放电倍率的方差为X。
若X大于设定的阈值0.2,则通过不同温度下电池状态与电池剩余能量的三维映射关系表得到的电池剩余能量的第二估计结果C的的第二权重系数A=0.5-(X-0.2),通过TCN时间卷积神经网络电池剩余能量预测模型得到的电池剩余能量的第一估计结果D的的第一权重系数B=1-A,且A<B,A+B=1。若X小于0.2,则第二权重系数A=0.5+(0.2-X),第一权重系数B=1-A,且A>B,A+B=1。
S508,基于权重系数,将第一估计结果与第二估计结果进行加权求和,得到测试电池的电池剩余能量。其中,电池剩余能量的计算公式为:E=A*C+B*D。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电池剩余能量的估计方法的电池剩余能量的估计装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电池剩余能量的估计装置实施例中的具体限定可以参见上文中对于电池剩余能量的估计方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种电池剩余能量的估计装置,包括:第一估计模块62、第二估计模块64、权重设置模块66和电量计算模块68,其中:
第一估计模块62,用于基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果;
第二估计模块64,用于基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果;
权重设置模块66,用于基于测试电池的放电倍率,确定第一估计结果对应的第一权重系数与第二估计结果对应的第二权重系数;
电量计算模块68,用于基于第一估计结果、第二估计结果以及对应的各权重系数,确定测试电池的电池剩余能量。
在其中一个实施例中,第一估计模块62包括:
基于历史车辆运行数据,建立训练集和验证集;
以所述历史车辆运行数据作为所述训练集的网络输入,电池剩余能量作为所述训练集的网络输出,训练得到所述电池剩余能量预测模型;
基于所述验证集,验证所述电池剩余能量预测模型;
基于所述验证集的误差,调整所述训练集的网络输入参数,循环迭代所述电池剩余能量预测模型。
在其中一个实施例中,权重设置模块66包括:
基于所述放电倍率的偏离值以及设定阈值,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数。
在其中一个实施例中,权重设置模块66包括:
若所述放电倍率的偏离值大于所述设定阈值,则所述第一权重系数小于所述第二权重系数;
若所述放电倍率的偏离值小于所述设定阈值,则所述第一权重系数大于所述第二权重系数;所述第一权重系数与所述第二权重系数的和为1。
在其中一个实施例中,权重设置模块66还包括:
若所述放电倍率的偏离值大于设定的阈值,则所述第一权重系数为权重中值与第一差值的差,所述第一差值为所述放电倍率的偏离值大于设定的阈值时所述偏离值与所述阈值的差;
若所述放电倍率的偏离值小于设定的阈值,则所述第一权重系数为权重中值与第二差值的和,所述第二差值为所述放电倍率的偏离值小于设定的阈值时所述偏离值与所述阈值的差。
在其中一个实施例中,电量计算模块68包括:
基于所述权重系数,将所述第一估计结果与所述第二估计结果进行加权求和,得到所述测试电池的电池剩余能量。
上述电池剩余能量的估计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。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储车辆运行数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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一种电池剩余能量的估计方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤1:基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果;
步骤2:基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果;
步骤3:基于测试电池的放电倍率,确定第一估计结果对应的第一权重系数与第二估计结果对应的第二权重系数;
步骤4:基于第一估计结果、第二估计结果以及对应的各权重系数,确定测试电池的电池剩余能量。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于历史车辆运行数据,建立训练集和验证集;
以所述历史车辆运行数据作为所述训练集的网络输入,电池剩余能量作为所述训练集的网络输出,训练得到所述电池剩余能量预测模型;
基于所述验证集,验证所述电池剩余能量预测模型;
基于所述验证集的误差,调整所述训练集的网络输入参数,循环迭代所述电池剩余能量预测模型。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于所述放电倍率的偏离值以及设定阈值,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述放电倍率的偏离值大于所述设定阈值,则所述第一权重系数小于所述第二权重系数;
若所述放电倍率的偏离值小于所述设定阈值,则所述第一权重系数大于所述第二权重系数;所述第一权重系数与所述第二权重系数的和为1。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述放电倍率的偏离值大于设定的阈值,则所述第一权重系数为权重中值与第一差值的差,所述第一差值为所述放电倍率的偏离值大于设定的阈值时所述偏离值与所述阈值的差;
若所述放电倍率的偏离值小于设定的阈值,则所述第一权重系数为权重中值与第二差值的和,所述第二差值为所述放电倍率的偏离值小于设定的阈值时所述偏离值与所述阈值的差。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于所述权重系数,将所述第一估计结果与所述第二估计结果进行加权求和,得到所述测试电池的电池剩余能量。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各实施例的内容。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各实施例的内容。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池剩余能量的估计方法,其特征在于,所述方法包括:
基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果;
基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取所述测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果;
基于所述测试电池的放电倍率,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数;
基于所述第一估计结果、所述第二估计结果以及对应的各权重系数,确定所述测试电池的电池剩余能量。
2.根据权利要求1所述的电池剩余能量的估计方法,其特征在于,所述基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果之前包括:
基于历史车辆运行数据,建立训练集和验证集;
以所述历史车辆运行数据作为所述训练集的网络输入,电池剩余能量作为所述训练集的网络输出,训练得到所述电池剩余能量预测模型;
基于所述验证集,验证所述电池剩余能量预测模型;
基于所述验证集的误差,调整所述训练集的网络输入参数,循环迭代所述电池剩余能量预测模型。
3.根据权利要求1所述的电池剩余能量的估计方法,其特征在于,所述基于所述测试电池的放电倍率,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数包括:
基于所述放电倍率的偏离值以及设定阈值,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数。
4.根据权利要求3所述的电池剩余能量的估计方法,其特征在于,所述基于所述放电倍率的偏离值以及设定阈值,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数包括:
若所述放电倍率的偏离值大于所述设定阈值,则所述第一权重系数小于所述第二权重系数;
若所述放电倍率的偏离值小于所述设定阈值,则所述第一权重系数大于所述第二权重系数;所述第一权重系数与所述第二权重系数的和为1。
5.根据权利要求4所述的电池剩余能量的估计方法,其特征在于,所述方法还包括:
若所述放电倍率的偏离值大于设定的阈值,则所述第一权重系数为权重中值与第一差值的差,所述第一差值为所述放电倍率的偏离值大于设定的阈值时所述偏离值与所述阈值的差;
若所述放电倍率的偏离值小于设定的阈值,则所述第一权重系数为权重中值与第二差值的和,所述第二差值为所述放电倍率的偏离值小于设定的阈值时所述偏离值与所述阈值的差。
6.根据权利要求1所述的电池剩余能量的估计方法,其特征在于,所述基于所述第一估计结果、所述第二估计结果以及对应的各权重系数,确定所述测试电池的电池剩余能量包括:
基于所述权重系数,将所述第一估计结果与所述第二估计结果进行加权求和,得到所述测试电池的电池剩余能量。
7.一种电池剩余能量的估计装置,其特征在于,所述装置包括:
第一估计模块,用于基于当前车辆运行数据以及所建立的电池剩余能量预测模型,确定测试电池当前的电池剩余能量的第一估计结果;
第二估计模块,用于基于所建立的不同温度下电荷状态与电池剩余能量的三维映射关系,获取所述测试电池当前温度下电荷状态对应的电池剩余能量的第二估计结果;
权重设置模块,用于基于所述测试电池的放电倍率,确定所述第一估计结果对应的第一权重系数与所述第二估计结果对应的第二权重系数;
电量计算模块,用于基于所述第一估计结果、所述第二估计结果以及对应的各权重系数,确定所述测试电池的电池剩余能量。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211517380.7A CN115993536A (zh) | 2022-11-30 | 2022-11-30 | 电池剩余能量的估计方法、装置、设备、存储介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211517380.7A CN115993536A (zh) | 2022-11-30 | 2022-11-30 | 电池剩余能量的估计方法、装置、设备、存储介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115993536A true CN115993536A (zh) | 2023-04-21 |
Family
ID=85991411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211517380.7A Pending CN115993536A (zh) | 2022-11-30 | 2022-11-30 | 电池剩余能量的估计方法、装置、设备、存储介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993536A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116759004A (zh) * | 2023-08-14 | 2023-09-15 | 宁德时代新能源科技股份有限公司 | 模型修正方法、装置、计算机设备和存储介质 |
-
2022
- 2022-11-30 CN CN202211517380.7A patent/CN115993536A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116759004A (zh) * | 2023-08-14 | 2023-09-15 | 宁德时代新能源科技股份有限公司 | 模型修正方法、装置、计算机设备和存储介质 |
CN116759004B (zh) * | 2023-08-14 | 2024-01-12 | 宁德时代新能源科技股份有限公司 | 模型修正方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101322039A (zh) | 用于确定估计电池参数向量的系统、方法和生产制品 | |
CN115809569B (zh) | 基于耦合竞争失效模型的可靠性评价方法和装置 | |
CN114572055A (zh) | 续航里程估算方法、装置、计算机设备和存储介质 | |
CN116167289B (zh) | 电网运行场景生成方法、装置、计算机设备和存储介质 | |
CN115993536A (zh) | 电池剩余能量的估计方法、装置、设备、存储介质和产品 | |
CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
Park et al. | Capacity estimation of Li-ion batteries using constant current charging voltage with multilayer perceptron | |
CN115840144A (zh) | 电池仿真计算方法、装置、计算机设备和存储介质 | |
CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
CN116933035A (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
US20230400518A1 (en) | Method and apparatus with battery short detection | |
CN116299006A (zh) | 电池包的健康状况预测方法、装置、设备和存储介质 | |
CN115859150A (zh) | 动力电池健康状态确定方法、装置、设备和存储介质 | |
CN116306030A (zh) | 考虑预测误差和波动分布的新能源预测动态场景生成方法 | |
CN116227127A (zh) | 变压器的性能确定方法、装置、计算机设备和存储介质 | |
Zeng et al. | The evaluation of battery pack SOH based on Monte Carlo simulation and support vector machine algorithm | |
CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
CN116068403A (zh) | 电池容量偏差预测模型训练方法、装置和计算机设备 | |
CN115932597A (zh) | 动力电池剩余可用能量的估计方法、装置、设备以及介质 | |
CN117590256A (zh) | 动力电池的状态预测方法、装置、计算机设备和存储介质 | |
CN118011240A (zh) | 电池的一致性的评估方法、装置、存储介质和计算机设备 | |
CN116933974A (zh) | 输电工程全生命周期资源值确定方法、装置和计算机设备 | |
Chen et al. | Improved Deep Extreme Learning Machine for State of Health Estimation of Lithium‐Ion Battery | |
CN117890792A (zh) | 动力电池容量的预测方法、装置、计算机设备、存储介质 | |
CN117665589A (zh) | 电池容量一致性检测方法、装置、电子装置和存储介质 |
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 |