CN116224084A - 电池的荷电状态预测方法及装置 - Google Patents
电池的荷电状态预测方法及装置 Download PDFInfo
- Publication number
- CN116224084A CN116224084A CN202310314636.2A CN202310314636A CN116224084A CN 116224084 A CN116224084 A CN 116224084A CN 202310314636 A CN202310314636 A CN 202310314636A CN 116224084 A CN116224084 A CN 116224084A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- model
- jypls
- charge
- 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 34
- 239000011159 matrix material Substances 0.000 claims abstract description 164
- 239000013598 vector Substances 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013508 migration Methods 0.000 abstract description 27
- 230000005012 migration Effects 0.000 abstract description 27
- 230000006870 function Effects 0.000 abstract description 21
- 238000012360 testing method Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供一种电池的荷电状态预测方法及装置,方法包括:建立JYPLS模型,并使参考充放电数据构成JYPLS模型的源域输入矩阵、参考SOC数据构成JYPLS模型的源域输出矩阵、目标充放电数据构成JYPLS模型的目标域输入矩阵、以及目标SOC数据构成JYPLS模型的目标域输出矩阵;建立JYPLS模型的目标函数;根据目标函数得到JYPLS模型的预测方程;根据预测方程对待测电池的荷电状态进行预测。由此,利用源域数据和少量的目标域数据建立JYPLS模型实现迁移学习建模,可以减少建模所需数据量,节约建模成本,且无需要求源域输入数据和目标域输入数据的维数相同,从而扩展了可供选择的源域,应用范围广泛。
Description
技术领域
本发明涉及电池技术领域,具体涉及一种电池的荷电状态预测方法和一种电池的荷电状态预测装置。
背景技术
随着电池使用数量越来越多,对电池的荷电状态(SOC,State ofCharge)的预测具有重要意义,因此对荷电状态SOC的预测极其重要。
通常通过建立电池SOC预测的数据模型实现对SOC的预测,该技术具有以下缺陷:①建立电池SOC预测的数据模型需要大量的实验数据,才能满足模型精度要求,前期需要投入的实验测量成本巨大;②每更换一种规格电池都需要重新建立一种模型,对于产品升级换代,需要投入大量的资金和时间成本;③原有模型在更换电池种类后便无法使用,造成了大量的资源浪费。为此,相关技术中采用迁移学习模型对电池SOC进行预测,然而,现有的迁移学习模型,要求用于迁移的源域和目标域的输入数据的维数相同,因此可供选择的源域十分有限,导致应用范围受限。
发明内容
本发明为解决上述技术问题之一,提出了如下技术方案。
本发明第一方面实施例提出了一种电池的荷电状态预测方法,包括以下步骤:获取多个参考电池的参考充放电数据和参考SOC数据,并将所述参考充放电数据和所述参考SOC数据作为源域数据;获取多个第一目标电池的目标充放电数据和目标SOC数据,并将所述目标充放电数据和所述目标SOC数据作为目标域数据;建立JYPLS(联合Y偏最小二乘法)模型,并使所述参考充放电数据构成所述JYPLS模型的源域输入矩阵、所述参考SOC数据构成所述JYPLS模型的源域输出矩阵、所述目标充放电数据构成所述JYPLS模型的目标域输入矩阵、以及所述目标SOC数据构成所述JYPLS模型的目标域输出矩阵;基于所述源域输入矩阵、所述源域输出矩阵、所述目标域输入矩阵和所述目标域输出矩阵建立所述JYPLS模型的目标函数;根据所述目标函数得到所述JYPLS模型的预测方程;根据所述预测方程对待测电池的荷电状态进行预测。
另外,根据本发明上述实施例的电池的荷电状态预测方法还可以具有如下附加的技术特征。
根据本发明的一个实施例,在建立JYPLS模型之前,包括:计算所述源域数据与所述目标域数据之间的相似度,并判断所述相似度是否大于预设值;如果所述相似度大于预设值,则在将源域数据和所述目标域数据进行预处理后,执行建立JYPLS模型的步骤;如果所述相似度小于或者等于预设值,则更换所述源域数据。
根据本发明的一个实施例,通过最大均方误差计算所述源域数据与所述目标域数据之间的相似度。
根据本发明的一个实施例,根据所述目标函数得到所述JYPLS模型的预测方程,包括:求解所述目标函数得到所述源域输入矩阵对应的权值向量、所述目标域输入矩阵对应的权值向量;根据源域输入矩阵对应的权值向量、所述目标域输入矩阵对应的权值向量,计算所述目标域数据对应的权值矩阵、联合所述源域输出矩阵和所述目标域输出矩阵的联合负载矩阵;根据所述联合负载矩阵、所述目标域数据对应的权值矩阵,得到所述JYPLS模型的预测方程。
根据本发明的一个实施例,所述JYPLS模型的目标函数为:
s.t.tS=XSwS
tT=XTwT
||wS||+||wT||=1
其中,wS、wT分别为所述源域输入矩阵的权值向量、所述目标域输入矩阵的权值向量,tS、tT分别为从所述源域输入矩阵、所述目标域输入矩阵中提取的主元向量,XS、XT分别为所述源域输入矩阵、所述目标域输入矩阵,YS、YT分别为所述源域输出矩阵、所述目标域输出矩阵。
根据本发明的一个实施例,所述JYPLS模型的预测方程为:
根据本发明的一个实施例,在得到所述JYPLS模型的预测方程之后,还包括:计算所述预测方程的预测精度,并获取第二目标电池的目标充放电数据和目标SOC数据;根据所述第二目标电池的目标充放电数据和目标SOC数据更新所述目标域数据后,执行建立JYPLS模型的步骤,直至所述预测精度满足预设条件。
根据本发明的一个实施例,所述参考充放电数据包括所述参考电池的电压、电流和温度,所述目标充放电数据包括所述第一目标电池的电压、电流、温度和环境温度。
本发明第二方面实施例提出了一种电池的荷电状态预测装置,包括:第一获取模块,用于获取多个参考电池的参考充放电数据和参考SOC数据,并将所述参考充放电数据和所述参考SOC数据作为源域数据;第二获取模块,用于获取多个第一目标电池的目标充放电数据和目标SOC数据,并将所述目标充放电数据和所述目标SOC数据作为目标域数据;第一建立模块,用于建立JYPLS模型,并使所述参考充放电数据构成所述JYPLS模型的源域输入矩阵、所述参考SOC数据构成所述JYPLS模型的源域输出矩阵、所述目标充放电数据构成所述JYPLS模型的目标域输入矩阵、以及所述目标SOC数据构成所述JYPLS模型的目标域输出矩阵;第二建立模块,用于基于所述源域输入矩阵、所述源域输出矩阵、所述目标域输入矩阵和所述目标域输出矩阵建立所述JYPLS模型的目标函数;确定模块,用于根据所述目标函数得到所述JYPLS模型的预测方程;预测模块,用于根据所述预测方程对待测电池的荷电状态进行预测。
本发明实施例的技术方案,利用源域数据和少量的目标域数据建立JYPLS模型实现迁移学习建模,可以减少建模所需数据量,节约建模成本,且无需要求源域输入数据和目标域输入数据的维数相同,从而扩展了可供选择的源域,应用范围广泛。
附图说明
图1为本发明实施例的电池的荷电状态预测方法的流程图。
图2为本发明一个示例的建立预测方程的流程示意图。
图3为本发明实施例的电池的荷电状态预测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例的电池的荷电状态预测方法的流程图。
其中,电池可以是磷酸铁锂电池。
如图1所示,该电池的荷电状态预测方法包括以下步骤S1至S6。
S1,获取多个参考电池的参考充放电数据和参考SOC数据,并将参考充放电数据和参考SOC数据作为源域数据。
其中,参考充放电数据包括参考电池的电压、电流和温度,还可包括参考电池内阻、通风率和膨胀系数中的至少一种。
具体地,可通过参考电池的历史监测数据得到其参考充放电数据即电压、电流和温度,并得到其参考SOC数据,并将其参考充放电数据作为源域输入数据、参考SOC数据作为源域输出数据,以供后续建立迁移学习模型。
可以理解,参考充放电数据包括充电数据(电压、电流、温度和SOC数据)、放电数据(电压、电流、温度和SOC数据)。
S2,获取多个第一目标电池的目标充放电数据和目标SOC数据,并将目标充放电数据和目标SOC数据作为目标域数据。
其中,目标充放电数据的维数与参考充放电数据的维数不同,比如目标充放电数据的维数大于参考充放电数据的维数,目标充放电数据包括目标电池的电压、电流、电池温度和环境温度,还可包括第一目标电池电池内阻、通风率和膨胀系数中的至少一种。具体的参考充放电数据和目标充放电数据可根据实际需求确定,在采样精度满足的条件下,数据种类越多,后续建立迁移学习模型的精度越高。当参考充放电数据和目标充放电数据包括电池的电压、电流和温度时,数据在模型中的重要性排序可为:电压>电流>温度。
具体地,可通过少量第一目标电池的历史监测数据得到其目标充放电数据即电压、电流、电池温度和环境温度,并得到其目标SOC数据,并将其目标充放电数据作为目标域输入数据、目标SOC数据作为目标域输出数据,以供后续建立迁移学习模型。
可以理解,目标充放电数据包括充电数据(电压、电流、电池温度、环境温度和SOC数据)、放电数据(电压、电流、电池温度、环境温度和SOC数据)。
其中,第一目标电池的数量是少量的,参考电池的数量远多于第一目标电池的数量,从而使得源域数据远多于目标域数据,比如源域数据与目标域数据的比值可以是6:1。
需要说明的是,在挑选及采集第一目标电池数据对应的目标域输入数据时,应最大程度上利用源域数据包含的信息。
S3,建立JYPLS(联合Y偏最小二乘法)模型作为迁移学习模型,并使参考充放电数据构成JYPLS模型的源域输入矩阵、参考SOC数据构成JYPLS模型的源域输出矩阵、目标充放电数据构成JYPLS模型的目标域输入矩阵、以及目标SOC数据构成JYPLS模型的目标域输出矩阵。
具体地,在获取到源域数据和目标域数据之后,建立JYPLS模型,其中,多个参考充放电数据即参考电池的电压、电流和温度构成该模型的源域输入矩阵,多个参考电池的参考SOC数据构成该模型的源域输出矩阵,多个目标充放电数据即第一目标电池的电压、电流、温度和环境温度构成该模型的目标域输入矩阵,多个第一目标电池的目标SOC数据构成该模型的目标域输出矩阵。
也就是说,使源域输入数据构成源域输入矩阵、源域输出数据构成源域输出矩阵、目标域输入数据构成目标域输入矩阵、以及目标域输出数据构成目标域输出矩阵。
由于源域输入数据和目标域输入数据的维数不同,因此源域输入矩阵和目标域输入矩阵的列数不同。当源域输入数据包括参考电池电压、电流和温度,目标域输入数据包括第一目标电池电压、电流、温度和环境温度时,源域输入矩阵的列数可以为3,目标域输入矩阵的列数可以为4。
S4,基于源域输入矩阵、源域输出矩阵、目标域输入矩阵和目标域输出矩阵建立JYPLS模型的目标函数。
S5,根据目标函数得到JYPLS模型的预测方程。
具体地,可基于JYPLS模型的目标函数得到目标域数据对应的权值矩阵、联合源域输出矩阵和目标域输出矩阵的联合负载矩阵,进而根据目标域数据对应的权值矩阵、联合负载矩阵得到JYPLS模型的预测方程。
S6,根据JYPLS预测方程对待测电池的荷电状态进行预测。
具体地,在得到JYPLS模型的预测方程后,在需对待测电池进行SOC预测时,获取待测电池的充放电数据即电压、电流、温度和环境温度,构成待测电池对应的目标域输入矩阵后将其代入预测方程,即可得到待测电池的荷电状态预测值。
本发明实施例在新模型建立时,引入迁移学习,减少建模所需数据量,加快建模进程,节约建模成本,而且采用JYPLS模型作为迁移学习模型,使得建模数据在更换电池种类后依旧可以使用,每更换一种规格电池时无需重新建立一种模型即可实现荷电状态预测,节约了资源,无需要求源域输入数据和目标域输入数据的维数(即输入矩阵的列数)相同,因此扩展了可供选择的源域。
由此,本发明实施例的电池的荷电状态预测方法,利用源域数据和少量的目标域数据建立JYPLS模型实现迁移学习建模,可以减少建模所需数据量,节约建模成本,且无需要求源域输入数据和目标域输入数据的维数相同,从而扩展了可供选择的源域,应用范围广泛。
在本发明的一个实施例中,在建立JYPLS模型之前,可包括:计算源域数据与目标域数据之间的相似度,并判断相似度是否大于预设值;如果相似度大于预设值,则在将源域数据和目标域数据进行预处理后,执行建立JYPLS模型的步骤;如果相似度小于或者等于预设值,则更换源域数据。
进一步地,通过最大均方误差(Maximum Mean Discrepancy,MMD)计算源域数据与目标域数据之间的相似度。
其中,预设值可以根据实际需求以及历史经验事先设定。
具体而言,判断源域和目标域数据的相似度此处使用MMD测量域间距离L,公式为:
如果计算所得域间距离L小于设定迁移允许误差,则执行下一步即建模,否则该源域数据无法进行有效迁移,需要更换源域数据,如果存在多个可供选择的源域数据,可以通过MMD法计算相似度最高的源域,将其用于迁移学习建模。
也就是说,在迁移建模之前,首先通过域间相似度判断迁移建模可行性,在存在多个可选择的电池充放电数据时,选择相似度最高的电池数据作为迁移源域。
在域间距离L小于设定迁移允许误差时,表示相似度满足条件,即相似度大于预设值,则可将源域数据和目标域数据进行预处理,删除异常数据,比如电池电压设定充放电区间为3V-3.55V,如果电压在此区间外,就为异常数据并将数据进行标准化处理后进行建模,其中,标准化处理公式为:
其中,X代表标准化之后的数据,X代表输入数据(源域输入数据、目标域输入数据),Xmin代表输入数据的极小值,Xmax代表输入数据的极大值,由于电池SOC数据的值恰好在0-1范围内,所以无需进行标准化处理,直接输入计算模型即可。
之后建立JYPLS模型,基于源域输入矩阵、源域输出矩阵、目标域输入矩阵和目标域输出矩阵建立JYPLS模型的目标函数,其中,目标函数为:
其中,wS、wT分别为源域输入矩阵的权值向量、目标域输入矩阵的权值向量,tS、tT分别为从源域输入矩阵、目标域输入矩阵中提取的主元向量,XS、XT分别为源域输入矩阵、目标域输入矩阵,YS、YT分别为源域输出矩阵、目标域输出矩阵。
根据以上目标函数得到JYPLS预测模型的预测方程,即步骤S5。
在本发明的一个示例中,步骤S5可包括:求解目标函数得到源域输入矩阵对应的权值向量、目标域输入矩阵对应的权值向量;根据源域输入矩阵对应的权值向量、目标域输入矩阵对应的权值向量,计算目标域数据对应的权值矩阵、联合源域输出矩阵和目标域输出矩阵的联合负载矩阵;根据联合负载矩阵、目标域数据对应的权值矩阵,得到JYPLS模型的预测方程。
需要说明的是,JYPLS有两种主流计算方法,一种是迭代法,另一种是奇异值分解法,此处使用的便是奇异值分解法,通过计算对应矩阵的最大特征值和特征向量提取矩阵信息。
具体而言,求解目标函数得到源域输入矩阵、目标域输入矩阵对应的权值向量wS、wT,再根据权值向量wS、wT计算目标域数据对应的权值矩阵WT、联合源域输出矩阵和目标域输出矩阵的联合负载矩阵QJ,下面描述具体求解方法:
将公式(3)转化为公式(4):
公式中Z的表达式为:
对权值向量w进行归一化处理(公式(4)中的||w||=1)后,使用拉格朗日乘数λ约束目标函数,于是寻优公式(4)可转化为(6):
max wTZw-λ(wTw-1) (6)
对公式(6)中的权值向量w求导,并令其等于0,可获得等式(7):
Zw=λw (7)
对公式(7)两边同时乘以wT,可求得wTZw=λ,此时,λ为矩阵Z的最大特征值,w为对应的特征向量。求解公式(7),可得到特征向量w,w即为公式(3)的权值向量,w=[wS;wT]。
在求得权值向量w之后,JYPLS模型目标函数的其它参数可以通过以下算法求得:
计算输入矩阵的主元向量tS,tT:
通过主元向量计算联合源域输出矩阵、目标域输出矩阵的联合负载向量qJ:
源域输入矩阵的载荷向量、目标域输入矩阵的载荷向量的计算:
在计算下一组主元向量之前,要根据以下公式对源域和目标域的输入输出矩阵进行缩减,剔除已提取信息,即进行以下赋值:
在求出所有主元变量之后,计算源域和目标域数据对应的权值矩阵WS,WT:
在需要对待测电池的荷电状态SOC进行预测时,可先获取待测电池的充放电数据即电池电压、电流、温度和环境温度,构成待测电池的目标域输入矩阵XT1,并将该目标域输入矩阵XT1代入预测方程(19),即可得到待测电池的SOC预测值。
在本发明的一个实施例中,在得到JYPLS模型的预测方程之后,还可包括:计算预测方程的预测精度,并获取第二目标电池的目标充放电数据和目标SOC数据;根据第二目标电池的目标充放电数据和目标SOC数据更新目标域数据后,执行建立JYPLS模型的步骤,直至预测精度满足预设条件。
具体而言,为了验证预测方程的预测效果,将计算的SOC预测值按照以下公式进行计算,即得到预测方程的预测精度Ecv:
在预测精度未达到预设条件时,可获取至少一个第二目标电池的目标充放电数据和目标SOC数据,并将第二目标电池的目标充放电数据和目标SOC数据不断加入目标域数据,返回建立JYPLS模型的步骤,直至预测精度满足预设条件,即预测方程的预测精度不再变化为止。
由此,在迁移模型建立后,继续进行新电池的充放电实验测试,将后续新电池(第二目标电池)的实验测量数据不断添加到目标域中,不断循环更新模型参数,直到该模型的预测精度不再提升为止,进一步提升了迁移模型的预测精度。
基于上述描述可知,如图2所示,针对源域,获取旧电池充放电实验数据,作为源域数据,将其进行预处理后,提取源域输入矩阵、源域输出矩阵。针对目标域,获取少量新电池充放电实验数据,作为目标域数据,将其进行预处理后,提取目标域输入矩阵、目标域输出矩阵。之后,合并源域输出矩阵和目标域输出矩阵,计算源域、目标域的权值矩阵WS、WT,之后提取主元向量,计算联合负载矩阵QJ,最后建立预测方程(19),并计算其预测精度,在预测精度递减时,继续进行新电池的充放电实验测试,将测试数据进行预处理后不断输入迁移模型,更新迁移模型参数,直至预测精度不再递减,从而进一步提升模型精度。
综上所述,相较于相关技术,本发明实施例具有以下优点:
①使用JYPLS算法实现锂电池充放电模型的迁移过程,使用原有电池数据和少量的新电池数据,预测电池SOC;
②在新模型建立时,引入迁移学习概念,减少建模所需数据量,加快建模进程,节约建模成本;
③在迁移建模之前,比较原电池数据和新电池数据之间的相似度,在相似度满足要求时,再进行迁移,避免模型发生负迁移,存在多个可选择的电池数据时,通过计算相似度,选取相似度最高的电池数据作为迁移模型的源域;
④模型更新策略,建立迁移模型后,继续进行新电池的充放电实验测试,将测试数据不断输入迁移模型,更新迁移模型参数,进一步提升模型精度。
对应上述实施例的电池的荷电状态预测方法,本发明还提出一种电池的荷电状态预测装置。
图3为本发明实施例的电池的荷电状态预测装置的方框示意图。
如图3所示,该电池的荷电状态预测装置包括:第一获取模块10、第二获取模块20、第一建立模块30、第二建立模块40、确定模块50和预测模块60。
其中,第一获取模块10用于获取多个参考电池的参考充放电数据和参考SOC数据,并将所述参考充放电数据和所述参考SOC数据作为源域数据;第二获取模块20用于获取多个第一目标电池的目标充放电数据和目标SOC数据,并将所述目标充放电数据和所述目标SOC数据作为目标域数据;第一建立模块30用于建立JYPLS模型,以使所述参考充放电数据构成所述JYPLS模型的源域输入矩阵、所述参考SOC数据构成所述JYPLS模型的源域输出矩阵、所述目标充放电数据构成所述JYPLS模型的目标域输入矩阵、以及所述目标SOC数据构成所述JYPLS模型的目标域输出矩阵;第二建立模块40用于基于所述源域输入矩阵、所述源域输出矩阵、所述目标域输入矩阵和所述目标域输出矩阵建立所述JYPLS模型的目标函数;确定模块50用于根据所述目标函数得到所述JYPLS模型的预测方程;预测模块60用于根据所述预测方程对待测电池的荷电状态进行预测。
需要说明的是,该电池的荷电状态预测装置的具体实施方式可参见上述电池的荷电状态预测方法的具体实施方式,为避免冗余,此处不再详细赘述。
本发明实施例的电池的荷电状态预测装置,利用源域数据和少量的目标域数据建立JYPLS模型实现迁移学习建模,可以减少建模所需数据量,节约建模成本,且无需要求源域输入数据和目标域输入数据的维数相同,从而扩展了可供选择的源域,应用范围广泛。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种电池的荷电状态预测方法,其特征在于,包括以下步骤:
获取多个参考电池的参考充放电数据和参考SOC数据,并将所述参考充放电数据和所述参考SOC数据作为源域数据;
获取多个第一目标电池的目标充放电数据和目标SOC数据,并将所述目标充放电数据和所述目标SOC数据作为目标域数据;
建立JYPLS模型,并使所述参考充放电数据构成所述JYPLS模型的源域输入矩阵、所述参考SOC数据构成所述JYPLS模型的源域输出矩阵、所述目标充放电数据构成所述JYPLS模型的目标域输入矩阵、以及所述目标SOC数据构成所述JYPLS模型的目标域输出矩阵;
基于所述源域输入矩阵、所述源域输出矩阵、所述目标域输入矩阵和所述目标域输出矩阵建立所述JYPLS模型的目标函数;
根据所述目标函数得到所述JYPLS模型的预测方程;
根据所述预测方程对待测电池的荷电状态进行预测。
2.根据权利要求1所述的电池的荷电状态预测方法,其特征在于,在建立JYPLS模型之前,包括:
计算所述源域数据与所述目标域数据之间的相似度,并判断所述相似度是否大于预设值;
如果所述相似度大于预设值,则在将所述源域数据和所述目标域数据进行预处理后,执行建立JYPLS模型的步骤;
如果所述相似度小于或者等于预设值,则更换所述源域数据。
3.根据权利要求2所述的电池的荷电状态预测方法,其特征在于,通过最大均方误差计算所述源域数据与所述目标域数据之间的相似度。
4.根据权利要求1所述的电池的荷电状态预测方法,其特征在于,根据所述目标函数得到所述JYPLS模型的预测方程,包括:
求解所述目标函数得到所述源域输入矩阵对应的权值向量、所述目标域输入矩阵对应的权值向量;
根据所述源域输入矩阵对应的权值向量、所述目标域输入矩阵对应的权值向量,计算所述目标域数据对应的权值矩阵、联合所述源域输出矩阵和所述目标域输出矩阵的联合负载矩阵;
根据所述联合负载矩阵、所述目标域数据对应的权值矩阵,得到所述JYPLS模型的预测方程。
7.根据权利要求1所述的电池的荷电状态预测方法,其特征在于,在得到所述JYPLS模型的预测方程之后,还包括:
计算所述预测方程的预测精度,并获取第二目标电池的目标充放电数据和目标SOC数据;
根据所述第二目标电池的目标充放电数据和目标SOC数据更新所述目标域数据后,执行建立JYPLS模型的步骤,直至所述预测精度满足预设条件。
8.根据权利要求1所述的电池的荷电状态预测方法,其特征在于,所述参考充放电数据包括所述参考电池的电压、电流和温度,所述目标充放电数据包括所述第一目标电池的电压、电流、温度和环境温度。
9.一种电池的荷电状态预测装置,其特征在于,包括:
第一获取模块,用于获取多个参考电池的参考充放电数据和参考SOC数据,并将所述参考充放电数据和所述参考SOC数据作为源域数据;
第二获取模块,用于获取多个第一目标电池的目标充放电数据和目标SOC数据,并将所述目标充放电数据和所述目标SOC数据作为目标域数据;
第一建立模块,用于建立JYPLS模型,并使所述参考充放电数据构成所述JYPLS模型的源域输入矩阵、所述参考SOC数据构成所述JYPLS模型的源域输出矩阵、所述目标充放电数据构成所述JYPLS模型的目标域输入矩阵、以及所述目标SOC数据构成所述JYPLS模型的目标域输出矩阵;
第二建立模块,用于基于所述源域输入矩阵、所述源域输出矩阵、所述目标域输入矩阵和所述目标域输出矩阵建立所述JYPLS模型的目标函数;
确定模块,用于根据所述目标函数得到所述JYPLS模型的预测方程;
预测模块,用于根据所述预测方程对待测电池的荷电状态进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310314636.2A CN116224084A (zh) | 2023-03-28 | 2023-03-28 | 电池的荷电状态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310314636.2A CN116224084A (zh) | 2023-03-28 | 2023-03-28 | 电池的荷电状态预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116224084A true CN116224084A (zh) | 2023-06-06 |
Family
ID=86578797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310314636.2A Pending CN116224084A (zh) | 2023-03-28 | 2023-03-28 | 电池的荷电状态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116224084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118395158A (zh) * | 2024-06-25 | 2024-07-26 | 广东阿尔派智能电网有限公司 | 基于大数据的储能动力电池充放电状态预测方法及系统 |
-
2023
- 2023-03-28 CN CN202310314636.2A patent/CN116224084A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118395158A (zh) * | 2024-06-25 | 2024-07-26 | 广东阿尔派智能电网有限公司 | 基于大数据的储能动力电池充放电状态预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Lithium battery state-of-health estimation via differential thermal voltammetry with Gaussian process regression | |
JP7497432B2 (ja) | バッテリー性能予測 | |
CN111448467B (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
CN108664700B (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
CN109799463A (zh) | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 | |
EP4141460A1 (en) | Battery capacity measuring device and method, and battery control system comprising battery capacity measuring device | |
Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
Al-Greer et al. | Physics-based model informed smooth particle filter for remaining useful life prediction of lithium-ion battery | |
CN113687250A (zh) | 电芯容量预测方法、装置、电子设备及介质 | |
Huang et al. | A comprehensively optimized lithium-ion battery state-of-health estimator based on Local Coulomb Counting Curve | |
CN112036083B (zh) | 一种相似产品剩余寿命预测方法及系统 | |
JP7214884B2 (ja) | 情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム | |
CN112858928B (zh) | 一种基于在线参数辨识的锂电池soc估计方法 | |
CN116224084A (zh) | 电池的荷电状态预测方法及装置 | |
CN108733943A (zh) | 基于双重ls-svm的锂电池热工艺时空建模方法 | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
WO2023231356A1 (zh) | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 | |
JP2024509525A (ja) | 二次電池の低電圧不良予測装置および方法、並びにその装置を含む電池制御システム | |
CN113687237B (zh) | 一种保障电气安全的锂电池剩余充电时间预测方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN116718921A (zh) | 基于多模型的电池荷电状态预测方法及装置 | |
Tu et al. | Remaining discharge energy prediction for lithium-ion batteries over broad current ranges: a machine learning approach | |
CN113733980A (zh) | 确定动力电池容量的方法、装置、介质及电子设备 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
CN115856695A (zh) | 一种电池健康状态预测方法、装置以及电子设备 |
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 |