CN116224070A - 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统 - Google Patents

一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统 Download PDF

Info

Publication number
CN116224070A
CN116224070A CN202211530646.1A CN202211530646A CN116224070A CN 116224070 A CN116224070 A CN 116224070A CN 202211530646 A CN202211530646 A CN 202211530646A CN 116224070 A CN116224070 A CN 116224070A
Authority
CN
China
Prior art keywords
ocv
soc
data
model
ion battery
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
Application number
CN202211530646.1A
Other languages
English (en)
Inventor
胡丽
李凯
陈晓东
宋婷婷
文孟杰
周利梅
张帆
陈文佼
姜文
任磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202211530646.1A priority Critical patent/CN116224070A/zh
Publication of CN116224070A publication Critical patent/CN116224070A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明属于电池管理系统技术领域，提供了一种基于OCV‑SOC模型的全温度锂离子电池OCV评估方法及系统。该方法包括，获取锂离子电池不同温度下的SOC数据；基于锂离子电池不同温度下的SOC数据，采用训练好的OCV‑SOC模型，得到估计的OCV数据；所述OCV‑SOC模型训练的过程包括：获取锂离子电池不同温度下的SOC数据和OCV数据；以SOC数据为输入数据、OCV数据为输出数据，采用PSO算法，优化SVR算法的参数；基于得到的最优参数构建OCV‑SOC模型，并采用预设数据集训练OCV‑SOC模型，得到训练好的OCV‑SOC模型。本发明仅需对几组工作温度范围内或者范围外的锂离子电池充放电监测数据进行训练，便能精确反应全工作温度范围内的OCV‑SOC关系，保证了全工作温度范围内电池管理系统的安全稳定运行。

Description

一种基于OCV-SOC模型的全温度锂离子电池OCV评估方法及 系统
技术领域
本发明属于电池管理系统技术领域，尤其涉及一种基于OCV-SOC模型的全温度锂离子电池OCV评估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着能源转型的逐步推进，锂离子电池因能量密度高，自放电率低等优点，在储能领域受到广泛关注。电池的荷电状态(state of charge，SOC)是电池管理系统的重要参数，其反应了电池的剩余可用电量。精确估计电池的荷电状态是电池管理系统稳定工作的重要基础。开路电压(open circuit voltage，OCV)是电池开路状态下的端电压，在一定温度下，OCV与SOC之间存在一一对应关系，可以建立OCV-SOC模型，该模型是采用开路电压法、等效电路模型法和卡尔曼滤波法等方法进行电池SOC估计的基础。
现有方案采用多项式回归的方法，通过对固定温度下的OCV和SOC数据进行拟合，得到能够精确反应固定温度下OCV和SOC对应关系的多项式模型。
传统的多项式回归模型虽然建模简单且精度高，但只能在某一固定温度下建立对应的OCV-SOC模型。而在实际应用中，电池的温度往往是变化不定的。当电池温度发生变化时，电池OCV和SOC的对应关系将会发生改变，在固定温度下建立的OCV-SOC模型精度因此下降，进而导致电池SOC估计误差增大，对整体电池管理系统产生不利影响。此外，在多项式回归时采用取平均值的方法对几个温度下的数据进行处理后也无法得到高精度全工作温度范围的OCV-SOC模型，反而降低了特定温度下的模型精度。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于OCV-SOC模型的全温度锂离子电池OCV评估方法及系统，其适应全工作温度范围的高精度在线OCV-SOC模型，其分为粒子群优化(PSO)参数寻优和支持向量机回归(SVR)预测两部分，可应用于锂离子电池SOC在线估计中以提高在电池工作温度变化下的SOC估计精度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于OCV-SOC模型的全温度锂离子电池OCV评估方法。
一种基于OCV-SOC模型的全温度锂离子电池OCV评估方法，包括：
获取锂离子电池不同温度下的SOC数据；
基于锂离子电池不同温度下的SOC数据，采用训练好的OCV-SOC模型，得到估计的OCV数据；
所述OCV-SOC模型训练的过程包括：获取锂离子电池不同温度下的SOC数据和OCV数据；以SOC数据为输入数据、OCV数据为输出数据，采用PSO算法，优化SVR算法的参数；基于得到的最优参数构建OCV-SOC模型，并采用预设数据集训练OCV-SOC模型，得到训练好的OCV-SOC模型。
本发明的第二个方面提供一种基于OCV-SOC模型的全温度锂离子电池OCV评估系统。
一种基于OCV-SOC模型的全温度锂离子电池OCV评估系统，包括：
数据获取模块，其被配置为：获取锂离子电池不同温度下的SOC数据；
评估模块，其被配置为：基于锂离子电池不同温度下的SOC数据，采用训练好的OCV-SOC模型，得到估计的OCV数据；
OCV-SOC模型训练模块，其被配置为：获取锂离子电池不同温度下的SOC数据和OCV数据；以SOC数据为输入数据、OCV数据为输出数据，采用PSO算法，优化SVR算法的参数；基于得到的最优参数构建OCV-SOC模型，并采用预设数据集训练OCV-SOC模型，得到训练好的OCV-SOC模型。
本发明的第三个方面提供一种计算机可读存储介质。
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如上述第一个方面所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法中的步骤。
与现有技术相比，本发明的有益效果是：
针对传统的多项式回归模型，只能利用确定温度下的单组电池数据或数学处理后的多温度单组电池数据拟合建立，泛化能力差，无法精确反应全工作温度范围内的OCV-SOC关系，进而降低SOC估计精度和电池管理系统的可靠性；建立大量多项式回归模型以覆盖全部工作温度范围在理论上是可行的，但这会大大增加算法复杂度，占用极大的内存空间等问题，本发明所提的方法相比于多项式回归模型增加了温度特征，仅需对几组工作温度范围内或者范围外的锂离子电池充放电监测数据进行训练，便能精确反应全工作温度范围内的OCV-SOC关系，泛化能力强，保证了全工作温度范围内电池管理系统的安全稳定运行。
附图说明
构成本发明的一部分的说明书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例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一示出的基于OCV-SOC模型的全温度锂离子电池OCV评估方法的流程图；
图2是本发明实施例一示出的测试集1模型仿真结果对比图；
图3是本发明实施例一示出的测试集2模型仿真结果对比图；
图4是本发明实施例一示出的测试集3模型仿真结果对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种基于OCV-SOC模型的全温度锂离子电池OCV评估方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
获取锂离子电池不同温度下的SOC数据；
基于锂离子电池不同温度下的SOC数据，采用训练好的OCV-SOC模型，得到估计的OCV数据；
所述OCV-SOC模型训练的过程包括：获取锂离子电池不同温度下的SOC数据和OCV数据；以SOC数据为输入数据、OCV数据为输出数据，采用PSO算法，优化SVR算法的参数；基于得到的最优参数构建OCV-SOC模型，并采用预设数据集训练OCV-SOC模型，得到训练好的OCV-SOC模型。
本实施例利用PSO算法对SVR模型的参数进行优化得到新的优化参数，并带入到SVR模型中进行训练，训练完成后得到相应的回归误差，误差越小代表适应度越高，进一步判断优化迭代是否继续进行，直至满足终止条件得到最优参数组，并对测试样本进行预测。本实施例中SVR模型需要优化的参数有不敏感参数ε，惩罚因子C和径向基核函数的带宽参数σ，其中ε代表回归值与真实值之间的最大允许误差，ε越大，支持向量数量越少，C体现了算法复杂度和经验误差的平衡，C越大，算法复杂度越大，经验误差越小，容易出现“过学习”，反之，容易出现“欠学习”，σ影响了算法的学习能力，σ越小，学习能力越差，σ越大，学习能力越强，但过大时，同样容易出现“过学习”。基于PSO-SVR算法得到适应全工作温度范围的OCV-SOC模型的流程如图1所示，具体步骤如下：
步骤1：获取电池在不同温度下的大量SOC和OCV数据；
步骤2：对收集到的数据进行预处理，对缺失值进行插值，对异常值进行丢弃，对SOC和电池温度数据进行z-score标准化并划分训练集，验证集和测试集；
步骤3：建立SVR模型，输入特征为电池温度和SOC，输出为OCV；
步骤4：利用PSO对SVR模型中的不敏感参数ε，惩罚因子C和径向基核函数的带宽参数σ进行优化，选取适应度函数为均方根误差(RMSE)：
Figure BDA0003975697980000071
步骤5：根据最优参数重新训练SVR模型，训练得到的回归函数即为OCV-SOC模型；
步骤6：输入电池温度和SOC数据对OCV进行估计。
PSO寻找最优参数
支持向量机回归模型的性能优劣取决于核函数和超参数的选择，超参数选择过程可以看作一个全局优化问题进而可以用全局优化算法进行解决。粒子群算法起源于鸟类觅食行为规律性的研究，是一种智能优化算法，具有搜索范围大、收敛速度快、参数设置少、精度非常高等特点。假设在一个D维的目标搜索空间中，有N个粒子组成的群落，其中第i个粒子表示为一个D维的向量：
Xi＝(xi1,xi2,…xiD),i＝1,2,…,N (2)
第i个粒子的“飞行”速度也是一个D维的向量，记为：
Vi＝(vi1,vi2,…viD),i＝1,2,…,N (3)
在第k代的第i个粒子向第k+1代进化时，速度和位置更新如下：
Figure BDA0003975697980000072
其中，w为惯性系数，表示粒子保持原速度的程度，c1为粒子跟踪自身历史最优值的权重系数，pij(k)表示第k代自身历史最优值的位置，c2为粒子跟踪群体历史最优值的权重系数，pgj(k)表示第k代群体历史最优值的位置。PSO寻优步骤如下：
步骤1：初始化种群，经验设定粒子群规模，参数w、c1和c2、粒子初始位置和搜索空间范围，随机设定粒子的初始速度；
步骤2：计算个体适应度；
步骤3：更新粒子速度并确定下一代的粒子的位置；
步骤4：计算新位置的适应度，若新位置的适应度更优则更新位置，否则不更新；
步骤5：判断是否满足终止条件，是则退出并保存粒子群最优位置，否则返回步骤2；
当粒子适应度满足要求或达到最大迭代次数时，满足终止条件。
基于SVR得到回归模型
支持向量机回归的基本思想是通过非线性映射φ(x)将数据映射到高维空间并在此空间进行线性回归。对于给定的数据集
Figure BDA0003975697980000081
其中/>
Figure BDA0003975697980000082
是输入特征向量，/>
Figure BDA0003975697980000083
是输出真实值，回归预测函数为：
f(x)＝ωTφ(x)+b (5)
其中ωT为权重参数，b为偏置参数，支持向量机回归是通过最大化间隔和最小化损失来确定参数ωT和b的。与多项式回归不同的是，其可以容忍大小为ε的偏差，仅当f(x)与y的偏差大于ε才计算损失，因此，参数确定可转化为如下凸优化问题：
Figure BDA0003975697980000084
其中ε为不敏感参数。为克服噪声数据影响，引入松弛因子ξ和ξ*后得到：
Figure BDA0003975697980000091
其中C为惩罚因子。为解决求解过程中非线性映射φ(xi)和φ(xj)内积运算复杂度高的问题，引入核函数K(xi,xj)令其满足：
K(xi,xj)＝φ(xi)Tφ(xj) (8)
本发明选用的核函数为径向基核函数：
Figure BDA0003975697980000092
其中，σ径向基核函数的带宽参数。最终通过拉格朗日乘子法和KKT条件得到最终回归函数为：
Figure BDA0003975697980000093
其中
Figure BDA0003975697980000094
为拉格朗日乘子。
步骤1：考虑到锂离子电池的工作温度在15135℃为宜，实施例中选用了电池温度为0℃到40℃的美国马里兰大学开源A123锂离子电池数据。
步骤2：为使充放电数据数量得到统一，对美国马里兰大学的锂离子电池数据进行了插值处理，各得到了10000条SOC、温度和OCV数据。训练集和验证集为7号电池0℃、10℃、20℃、30℃和40℃的恒流充放电数据，划分比例为7：3。为充分反映本发明的优越性，实施例中选择了三种不同的测试集，分别为8号电池30℃充放电数据(测试1)，7号电池25℃数据(测试2)和7号电池0℃、10℃、20℃、30℃和40℃(测试3)的随机抽取数据。对测试集、验证集和测试集的SOC和电池温度数据进行z-score标准化。
步骤3：建立SVR模型，输入特征为电池温度和SOC，输出为OCV。
步骤4：初始化PSO算法参数，设定粒子群规模为20，w为0.8，c1为2，c2为2，不敏感参数ε的取值范围为[0.0001,0.001]，惩罚因子C的取值范围为[10,30]，径向基核函数的带宽参数σ的取值范围为[1,3]，因此搜索空间为[ε,C,σ]所组成的三维空间，具体的，实施过程中的参数设置需要经过多次测验，w，c1，c2影响了粒子的移动速度，可根据经验和搜索空间范围进行设置，不敏感参数，惩罚因子和径向基核函数的带宽参数可通过多次单独运行SVR模型来确定合理的范围。当适应度小于0.0002时，或者迭代次数达到50次时，则终止。
步骤7：输出最优ε,C,σ参数组，重新训练SVR模型，得到最优的OCV-SOC模型并进行保存。
步骤8：对测试样本进行预测
具体的，实施例对比采用的多项式回归模型为9阶多项式模型，选用高阶多项式模型进行对比，能够充分证明本发明的优越性。为保证训练数据的一致性，实施例中的多项式回归拟合数据为取平均值后的PSO-SVR的训练验证数据。最终将基于PSO-SVR的OCV-SOC模型的测试样本预测结果和基于多项式回归(PR)的OCV-SOC模型测试样本预测结果进行对比，预测对比如图2、图3和图4所示，三次测试的均方根误差和平均绝对误差(MAE)如表1所示：
表1 OCV-SOC模型的预测误差对比
测试集 MAE(PR) MAE(PSO-SVR) RMSE(PR) RMSE(PSO-SVR)
测试集1 0.01121055 0.00507082 0.00033944 0.00022099
测试集2 0.00964685 0.00454453 0.00031045 0.00021270
测试集3 0.00969912 0.00232703 0.00031163 0.00021132
从表1中可以看出，无论是在参与训练还是未参与训练的数据上，基于PSO-SVR的OCV-SOC模型的预测结果的平均绝对误差和均方根误差均低于基于PR的OCV-SOC模型，这证明了PSO-SVR的模型精度高于9阶多项式模型。在测试1和测试2中，PSO-SVR模型的平均绝对误差远低于PR模型，这证明了PSO-SVR模型具有优越的鲁棒性和适应性，在全工作温度范围和其他同型号电池上都能很好的反应电池的OCV-SOC关系。
实施例二
本实施例提供了一种基于OCV-SOC模型的全温度锂离子电池OCV评估系统。
一种基于OCV-SOC模型的全温度锂离子电池OCV评估系统，包括：
数据获取模块，其被配置为：获取锂离子电池不同温度下的SOC数据；
评估模块，其被配置为：基于锂离子电池不同温度下的SOC数据，采用训练好的OCV-SOC模型，得到估计的OCV数据；
OCV-SOC模型训练模块，其被配置为：获取锂离子电池不同温度下的SOC数据和OCV数据；以SOC数据为输入数据、OCV数据为输出数据，采用PSO算法，优化SVR算法的参数；基于得到的最优参数构建OCV-SOC模型，并采用预设数据集训练OCV-SOC模型，得到训练好的OCV-SOC模型。
此处需要说明的是，上述数据获取模块、评估模块和OCV-SOC模型训练模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例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如上述实施例一所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于OCV-SOC模型的全温度锂离子电池OCV评估方法，其特征在于，包括：
获取锂离子电池不同温度下的SOC数据；
基于锂离子电池不同温度下的SOC数据，采用训练好的OCV-SOC模型，得到估计的OCV数据；
所述OCV-SOC模型训练的过程包括：获取锂离子电池不同温度下的SOC数据和OCV数据；以SOC数据为输入数据、OCV数据为输出数据，采用PSO算法，优化SVR算法的参数；基于得到的最优参数构建OCV-SOC模型，并采用预设数据集训练OCV-SOC模型，得到训练好的OCV-SOC模型。
2.根据权利要求1所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法，其特征在于，所述获取锂离子电池不同温度下的SOC数据和OCV数据之后，还包括：对SOC数据和OCV数据进行预处理，包括对缺失值进行插值，对异常值进行丢弃，对SOC和电池温度数据进行z-score标准化。
3.根据权利要求1所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法，其特征在于，所述优化SVR算法的参数包括：优化SVR算法中的不敏感参数ε、惩罚因子C和径向基核函数的带宽参数σ。
4.根据权利要求1所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法，其特征在于，所述最优参数根据适应度函数确定，所述适应度函数包括均方根误差。
5.根据权利要求1所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法，其特征在于，SVR算法包括：
对于给定的数据集
Figure FDA0003975697970000011
其中/>
Figure FDA0003975697970000012
是输入特征向量，/>
Figure FDA0003975697970000013
是输出真实值，回归预测函数为：
f(x)＝ωTφ(x)+b
ωT为权重参数，b为偏置参数，参数确定转化为如下凸优化问题：
Figure FDA0003975697970000021
ε为不敏感参数；
引入松弛因子ξ和ξ*后得到：
Figure FDA0003975697970000022
C为惩罚因子；
引入核函数K(xi,xj)令其满足：
K(xi,xj)＝φ(xi)Tφ(xj)
核函数为径向基核函数：
Figure FDA0003975697970000023
σ径向基核函数的带宽参数，最终通过拉格朗日乘子法和KKT条件得到最终回归函数为：
Figure FDA0003975697970000024
Figure FDA0003975697970000025
为拉格朗日乘子。
6.根据权利要求1所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法，其特征在于，采用PSO算法优化的过程包括：
假设在一个D维的目标搜索空间中，有N个粒子组成的群落，其中第i个粒子表示为一个D维的向量：
Xi＝(xi1,xi2,…xiD),i＝1,2,…,N
第i个粒子的“飞行”速度也是一个D维的向量，记为：
Vi＝(vi1,vi2,…viD),i＝1,2,…,N
在第k代的第i个粒子向第k+1代进化时，速度和位置更新如下：
Figure FDA0003975697970000031
其中，w为惯性系数，表示粒子保持原速度的程度，c1为粒子跟踪自身历史最优值的权重系数，pij(k)表示第k代自身历史最优值的位置，c2为粒子跟踪群体历史最优值的权重系数，pgj(k)表示第k代群体历史最优值的位置。
7.根据权利要求6所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法，其特征在于，PSO算法寻优过程包括：
步骤1：初始化种群，经验设定粒子群规模，参数w、c1和c2、粒子初始位置和搜索空间范围，随机设定粒子的初始速度；
步骤2：计算个体适应度；
步骤3：更新粒子速度并确定下一代的粒子的位置；
步骤4：计算新位置的适应度，若新位置的适应度更优则更新位置，否则不更新；
步骤5：判断是否满足终止条件，是则退出并保存粒子群最优位置，否则返回步骤2；
当粒子适应度满足要求或达到最大迭代次数时，满足终止条件。
8.一种基于OCV-SOC模型的全温度锂离子电池OCV评估系统，其特征在于，包括：
数据获取模块，其被配置为：获取锂离子电池不同温度下的SOC数据；
评估模块，其被配置为：基于锂离子电池不同温度下的SOC数据，采用训练好的OCV-SOC模型，得到估计的OCV数据；
OCV-SOC模型训练模块，其被配置为：获取锂离子电池不同温度下的SOC数据和OCV数据；以SOC数据为输入数据、OCV数据为输出数据，采用PSO算法，优化SVR算法的参数；基于得到的最优参数构建OCV-SOC模型，并采用预设数据集训练OCV-SOC模型，得到训练好的OCV-SOC模型。
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，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-7中任一项所述的基于OCV-SOC模型的全温度锂离子电池OCV评估方法中的步骤。
CN202211530646.1A 2022-12-01 2022-12-01 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统 Pending CN116224070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211530646.1A CN116224070A (zh) 2022-12-01 2022-12-01 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211530646.1A CN116224070A (zh) 2022-12-01 2022-12-01 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统

Publications (1)

Publication Number Publication Date
CN116224070A true CN116224070A (zh) 2023-06-06

Family

ID=86581253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211530646.1A Pending CN116224070A (zh) 2022-12-01 2022-12-01 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统

Country Status (1)

Country Link
CN (1) CN116224070A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725344A (zh) * 2024-02-07 2024-03-19 杭州柔谷科技有限公司 基于误差的氧分压优化拟合方法、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725344A (zh) * 2024-02-07 2024-03-19 杭州柔谷科技有限公司 基于误差的氧分压优化拟合方法、电子设备及存储介质
CN117725344B (zh) * 2024-02-07 2024-05-28 杭州柔谷科技有限公司 基于误差的氧分压优化拟合方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN108805217B (zh) 一种基于支持向量机的锂离子电池健康状态估计方法及系统
Meng et al. Lithium polymer battery state-of-charge estimation based on adaptive unscented Kalman filter and support vector machine
EP3822880A1 (en) Load prediction method and apparatus based on neural network
WO2020137114A1 (ja) 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
CN108594135A (zh) 一种用于锂电池均衡充放电控制的soc估算方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
KR20160010132A (ko) 배터리의 상태를 추정하는 방법 및 장치
CN113985294A (zh) 一种电池剩余寿命的预估方法及装置
CN113553755B (zh) 电力系统状态估计方法、装置及设备
JP2023520970A (ja) リチウム電池のｓｏｃ推定方法、装置及びコンピュータ読み取り可能な記憶媒体
CN103886396A (zh) 一种人工鱼群与粒子群混合优化的确定方法
CN110674569A (zh) 基于决策树的充电剩余时间估算方法及系统
CN116224070A (zh) 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统
CN114705990A (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
CN113761726A (zh) 一种锂电池参数辨识方法及系统
Li et al. State of charge estimation for Lithium-Ion battery based on improved cubature Kalman filter algorithm
Guo et al. An Adaptive Approach for Battery State of Charge and State of Power Co-Estimation With a Fractional-Order Multi-Model System Considering Temperatures
CN113312807B (zh) 一种基于锂电池性能模拟环境的电解液配方推荐方法
CN112084459A (zh) 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
CN113884915A (zh) 用于锂离子电池荷电状态和健康状态预测的方法及系统
CN111967187A (zh) 一种预测燃气轮机启动过程输出数据的建模方法及设备
WO2022267979A1 (zh) 动力电池容量预测方法、装置及设备
CN115327418A (zh) 锂电池内阻辨识方法、存储介质及电子设备
CN115545164A (zh) 光伏发电功率预测方法、系统、设备及介质
CN114936524A (zh) 蓄电池内阻识别方法、装置、设备、介质和程序产品

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