CN116340766B - 基于滑动窗口的锂电池soc在线预测方法与相关设备 - Google Patents
基于滑动窗口的锂电池soc在线预测方法与相关设备 Download PDFInfo
- Publication number
- CN116340766B CN116340766B CN202310133494.XA CN202310133494A CN116340766B CN 116340766 B CN116340766 B CN 116340766B CN 202310133494 A CN202310133494 A CN 202310133494A CN 116340766 B CN116340766 B CN 116340766B
- Authority
- CN
- China
- Prior art keywords
- soc
- sliding window
- lithium battery
- battery
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001265525 Edgeworthia chrysantha Species 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明属于电池技术领域,尤其涉及一种基于滑动窗口的锂电池SOC在线预测方法与相关设备,所述方法包括:设置初始训练的锂电池SOC数据样本及滑动窗口长度;建立基于滑动窗口和宽度学习的SOC预测模型,并计算SOC预测值;以当前采集数据和SOC预测值作为新样本加入到滑动窗口中,并返回步骤S2进行SOC预测值的计算,直到用于计算SOC预测值的样本数量等于滑动窗口长度,且没有新的采集数据的加入。本发明基于滑动窗口的SOC动态建模方法,利用滑动窗口捕捉到电池的时变特性,保证了模型的时效性;同时基于宽度学习和自适应无迹卡尔曼滤波方法,有效应对噪声、扰动等因素对采集数据的影响,提高了SOC的估计精度。
Description
技术领域
本发明属于电池技术领域,尤其涉及一种基于滑动窗口的锂电池SOC在线预测方法与相关设备。
背景技术
电池的荷电状态(state of charge,SOC),是电动汽车运行过程中非常重要的一个参数指标,是判断电池剩余电量、防止电池过充过放等提高电池性能的重要依据,也是电池管理系统需要解决的关键技术之一。类似传统燃油汽车的油表,电池SOC反映了电池的剩余电量情况。但与燃油汽车对剩余油量的检测方式不同,电池SOC作为电池的内部参数,各类传感器无法直接对其测量。
由于电池SOC与其他可直接测量的外部参数有着密切的联系,因此可以通过电池端电压、充放电电流、电池温度等参数间接地估算SOC。然而在实际情况中,电池运行过程常常受到噪声、环境温度、负载变化等影响,以及电池本身复杂的时变行为,对电池内部状态估计影响较大。因此,对电池SOC进行快速准确预测具有较大的挑战。
目前对于电池SOC的估计方法主要有直接测量法、基于模型的滤波方法和数据驱动法。
直接测量法在一定实验条件下对电池进行测试,建立SOC与电池外部参数的映射关系,通过查表或数学关系计算得到SOC的估计值。这类方法原理简单易于实现,但依赖于特定的方法步骤或实验条件。在实际应用中仍需要更加准确、稳健的方法进行SOC估计。
基于模型的滤波方法需要建立合适的电池模型,利用电池模型的相关参数结合滤波算法实现对SOC的闭环估计。卡尔曼滤波及其改进算法是目前较为成熟的SOC估计方法,其核心思想是以电池模型的系统状态空间为基础,形成SOC的先验估计,然后以外部测量变量如电流、电压、温度等计算出卡尔曼增益并更新SOC的后验估计,最终可获得较为准确的SOC估计值。尽管这类方法可以在SOC初始值不准确及数据存在噪声的情况下仍然具有较好的估计性能,但是其估计精度依赖于选用的电池模型及相关参数的准确程度。由于电池的复杂时变行为,内部物理属性发生变化从而导致电池模型相关参数发生变化,对于获得实时精确的电池模型具有较大的挑战。
数据驱动法忽视电池内部化学反应变化,利用电池充放电数据学习电池内部状态关系,从而建立外测变量与电池SOC之间的映射关系。这类方法不需要明确所需的电池模型且能够自主学习数据中的某些抽象特征,因而受到许多研究人员的广泛关注。相关研究中,以温度、电流和电压等外部测量数据作为输入变量,分别采用径向基函数(radial basisfunction,RBF)和带外部输入的非线性自回归神经网络(Nonlinear AutoRegressivemodels with eXogenous input Neural Network,NARXNN)对电池SOC进行预测;或是采用极限学习机(extreme learning machine,ELM)进行SOC预测,显著缩短了模型训练时间。这类方法的缺点是比较依赖于原始数据的数量和质量,实际情况下,由于存在许多如噪声、扰动等未知的干扰因素,直接影响了采集的数据,降低了训练模型的准确程度。
近年来,许多基于模型融合的思想被应用于SOC的预测中,以克服数据驱动方法的不足。一些以离线的标准工况数据用于模型训练的方法,在实际情况下电池的内部状态可能与训练模型相差较大,因为采用的电池训练模型是静止的,电池的实际负载行为并非如标准工况变化,即用于训练模型的数据不能即时反映当前条件下电池的内部状态,进而训练模型将失去有效性。此外,嵌入式系统的计算能力和存储能力有限,实际应用中需要结构简单、计算开销小的SOC估计方法。
发明内容
本发明旨在解决现有技术建立的训练模型对于实际情况相对理想化,实时性能难以保证、仅适用于离线建模,无法适应电池系统的时变行为的技术问题。
为解决上述技术问题,第一方面,本发明实施例提供一种基于滑动窗口的锂电池SOC在线预测方法,所述方法包括以下步骤:
S1、设置初始训练的锂电池SOC数据样本及滑动窗口长度;
S2、建立基于滑动窗口和宽度学习的SOC预测模型,并计算SOC预测值;
S3、以当前采集数据和所述SOC预测值作为新样本加入到所述滑动窗口中,并返回步骤S2进行所述SOC预测值的计算,直到用于计算所述SOC预测值的样本数量等于所述滑动窗口长度,且没有新的所述采集数据的加入。
更进一步地,步骤S1中,定义所述锂电池SOC数据样本中包括池端电压U、工作电流I、电池温度T和电池SOC,所述滑动窗口长度为d。
更进一步地,步骤S2中,所述SOC预测模型包括状态方程和测量方程,所述状态方程满足:
所述测量方程满足:
BLSt=h(SOCt)=SOCt+vt;
上式中,I表示所述工作电流,充电为正,放电为负;ΔT表示采样间隔;Qm表示最大容量;w和v分别表示过程噪声及测量噪声。
更进一步地,步骤S2中,基于自适应无迹卡尔曼滤波算法对所述SOC预测值进行计算。
更进一步地,步骤S3中,所述采集数据包括t时刻的所述池端电压Ut、所述工作电流It、所述电池温度Tt,所述SOC预测值为t-1时刻的SOCt-1。
第二方面,本发明实施例还提供一种基于滑动窗口的锂电池SOC在线预测系统,包括:
初始化模块,用于设置初始训练的锂电池SOC数据样本及滑动窗口长度;
建模模块,用于建立基于滑动窗口和宽度学习的SOC预测模型,并计算SOC预测值;
滑动窗口模块,用于以当前采集数据和所述SOC预测值作为新样本加入到所述滑动窗口中,并返回步骤S2进行所述SOC预测值的计算,直到用于计算所述SOC预测值的样本数量等于所述滑动窗口长度,且没有新的所述采集数据的加入。
第三方面,本发明实施例还提供一种计算机设备,包括:存储器、处理器及存储在所述存储器上并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如上实施例中任意一项所述的基于滑动窗口的锂电池SOC在线预测方法中的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质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如上实施例中任意一项所述的基于滑动窗口的锂电池SOC在线预测方法中的步骤。
本发明所达到的有益技术效果,在于针对利用离线数据建立模型,导致实际情况与训练模型相差较大的问题,提出了一种基于滑动窗口的SOC动态建模方法,利用滑动窗口捕捉到电池的时变特性,保证了模型的时效性;同时,针对传统基于数据驱动的SOC预测方法容易受到采集数据数量及质量的影响,采用一种基于宽度学习和自适应无迹卡尔曼滤波方法的SOC预测方法,可以自主学习电池端电压、工作电流、温度等电池外测变量与SOC的关系,有效应对噪声、扰动等因素对采集数据的影响,提高了SOC的估计精度。
附图说明
图1是本发明实施例提供的基于滑动窗口的锂电池SOC在线预测方法的步骤流程示意图;
图2是本发明实施例提供的滑动窗口工作流程示意图;
图3是本发明实施例提供的宽度学习模型的网络结构示意图;
图4是本发明实施例提供的滑动窗口的单步预测示意图;
图5是本发明实施例提供的数据采集示意图;
图6是25℃下US06循环工况的电压曲线和电流曲线示意图;
图7是本发明实施例使用滑动窗口下对数据驱动方法的BLS和BLS结合AUKF滤波方法的SOC估计结果对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明实施例提供的基于滑动窗口的锂电池SOC在线预测方法的步骤流程示意图,所述方法包括以下步骤:
S1、设置初始训练的锂电池SOC数据样本及滑动窗口长度。
更进一步地,步骤S1中,定义所述锂电池SOC数据样本中包括池端电压U、工作电流I、电池温度T和电池SOC,所述滑动窗口长度为d。
具体的,电池SOC作为电池内部参数无法通过传感器直接获得,只能通过一些外部测量变量结合数学模型和算法进行估计得到,而电池SOC与电池端电压U、工作电流I、电池温度T密切相关,因此将若干组工作数据作为初始训练样本,其中每组样本数据中包括池端电压U、工作电流I、电池温度T和电池SOC,并定义初始滑动窗口宽度为d。在具体实现时,以[U,I,T,SOC]为初始滑动窗口一个样本数据,直至初始滑动窗口样本数据等于其宽度d,完成初始滑动窗口所需样本数据的建立。
其中,滑动窗口指的是数据流上的一个间隔,在这个间隔中存储最新数据流中的n条数据。随着数据流中新数据的到来,窗口队列不断更新其中的n+1个数据,丢弃最早的数据。定义滑动窗口的值为u。当从k迭代到k+1时,需要另一组带u的样本来估计。
假设当前为第k个滑动窗口,将第k-1个窗口中的数据进行归一化。利用归一化后第k-1个窗口的数据完成当前SOC预测模型的训练。滑动窗口工作流程如图2所示。
S2、建立基于滑动窗口和宽度学习的SOC预测模型,并计算SOC预测值。
宽度学习(BLS)是基于传统的RVFLNN构造的。然而,与传统的RVFLNN直接获取输入并建立增强节点不同,BLS首先映射输入以构造一组映射特征。如图3所示,图3是本发明实施例提供的宽度学习模型的网络结构示意图。
示例性的,在宽度学习模型中,首先将输入数据ai(t)使用将数据投影为映射特征Zi,其中Wei是具有适当维度的随机权重。表示为Gi≡[G1,…Gi],它是所有前i组映射特征的串联。类似地,第j组增强节点表示为Hj,所有前j组增强节点的串联表示为Hj≡[H1,…,Hj]。i和j可以根据建模任务的复杂性进行不同的选择。此外,φi和φk可以是i≠k的不同函数。同样的,ξj和ξr也可以是j≠r的不同函数。
假设输入数据集ai(t)配备有N个样本,每个样本有M个维度,Y是属于的输出矩阵。对于n个特征映射,每个映射生成k个节点,可以表示为形式方程:
其中,Wei和βei是随机生成的权重和偏置;φ表示激活函数。将所有特征节点表示为Zn≡[Z1,…Zn],并将第m组增强节点表示为:
其中,和/>是随机生成的权重和偏置;ξ表示激活函数。
因此,广义模型可以表示为形式方程:
式中Wm=[Zn|Hm]+Y,Wm是宽度结构的连接权重,利用(4)对[Zn|Hm]+的岭回归近似计算。可以很容易地计算出。
在本发明实施例中,结合自适应无迹卡尔曼滤波算法进行SOC预测模型的建模,自适应无迹卡尔曼滤波(AUKF)的核心思想是通过无迹转换在估计值附近产生一组与估计值具有相同均值和协方差的采样点,由这些采样点构成的点集通过非线性函数进行传递及加权运算后得到系统变量的最优估计;过程噪声及测量噪声加入到卡尔曼滤波增益计算中实现误差自适应校正。
示例性的,自适应无迹卡尔曼滤波算法实现共有六个步骤,各步骤介绍如下:
对于任意的非线性系统,可由状态空间描述法建立其状态方程和测量方程数学模型,如式(5):
在式中,xt和yt分别为系统的状态变量及测量变量;uk为系统的输入变量;f(·)和h(·)分别为系统状态函数和测量函数;wt和vt分别为系统的过程噪声和测量噪声,且方差分别为Qt和Rt;
一、初始化系统状态变量x0及其均值协方差P0:
二、计算t-1时刻的Sigma采样点:
令Sigma采样点为扩展的状态变量Xt,Xt由状态变量xt、过程噪声wt和测量噪声vt组成,其均值为协方差为PX,t-1=diag{Px,t-1,Q,R}。为了便于区别,xt为Xt的分量,下文用/>表示。对于L维系统,t-1时刻Sigma采样点根据式(7)产生:
在式(7)中,为t-1时刻状态变量的最优估计值;Px,t-1为t-1时刻的状态变量协方差;/>表示协方差矩阵Px,t-1的算术平方根,满足/> 为矩阵Px,t-1平方根后的第i项。
迭代过程中的加权系数为:
在式(8)中,α为Sigma采样点的尺度参数,决定了采样点的分布状态,满足10-2≤α≤1;β用来减小高阶项带来的误差,当Sigma采样点呈高斯分布时,通常取β=2;λ为比例因子,其满足λ=α2(L+t)-L,t为可调参数,在状态估计时通常取t=0;和/>分别为均值和协方差的权重。
三、状态变量时间更新:
通过状态函数将2L+1个采样点分别产生其Sigma投影点:
利用经过非线性变换后的Sigma投影点状态变量的均值及协方差分别由式(10)、(11)计算可得:
四、测量变量时间更新:
测量函数获得非线性变换后Sigma投影点对其状态变量的均值及协方差可由式(12)、(13)获得:
yt|t-1=h(xt-1,ut-1) (12);
五、计算卡尔曼滤波增益:
六、状态误差及测量误差校正:
更新状态变量与变量协方差可由式(15)获得:
对过程噪声及测量噪声误差校正通过式(16)获得:
在式(16)中,μt为实际输出与测量输出的残差;yt|t-1,i为每个Sigma采样点在t时刻的估计值;
通过BLS建立SOC预测模型,模型训练后可得到SOC的近似输出。
更进一步地,步骤S2中,所述SOC预测模型包括状态方程和测量方程,所述状态方程满足:
所述测量方程满足:
BLSt=h(SOCt)=SOCt+vt;
上式中,I表示所述工作电流,充电为正,放电为负;ΔT表示采样间隔;Qm表示最大容量;w和v分别表示过程噪声及测量噪声。
更进一步地,步骤S2中,基于自适应无迹卡尔曼滤波算法对所述SOC预测值进行计算。
S3、以当前采集数据和所述SOC预测值作为新样本加入到所述滑动窗口中,并返回步骤S2进行所述SOC预测值的计算,直到用于计算所述SOC预测值的样本数量等于所述滑动窗口长度,且没有新的所述采集数据的加入。
更进一步地,步骤S3中,所述采集数据包括t时刻的所述池端电压Ut、所述工作电流It、所述电池温度Tt,所述SOC预测值为t-1时刻的SOCt-1。
基于滑动窗口的单步预测示意图如图4所示。基于滑动窗口的方法,在前一个时刻t-1处的SOCt-1,以及t时刻的Ut、It、Tt,通过滑动窗口选择这些变量作为BLS模型的输入,估计t时刻的SOCt。
本发明实施例提供一种数据采集上的示例,请参照图5,以32Ah NCM三元锂电池的放电过程为例,在锂电池表面均匀分布有32个热传感器,为充分激发电池温度,输入电流和产生的工作电压作为系统的输入信号u(t)=[I(t),U(t)],I(t)为输入电流;U(t)为工作电压。请参照图6,图6是25℃下US06循环工况的电压曲线和电流曲线示意图,在样本间隔Δt=1s的情况下,使用了自放电以来22174组的数据,每组包含32个由热传感器采集的温度数据取平均值后的平均温度T,电池端电压U,工作电流数据I,电池SOC。
在初始阶段,定义滑动窗口宽度为10。以最初10组[U,I,T,SOC]作为滑动窗口的初始训练样本数据。在线预测阶段,利用上一个滑动窗口内的样本数据建立SOC预测模型。首先对数据进行归一化处理后,将训练样本输入宽度学习网络。得到随机权重Wei和偏差βei,设置增强节点组Hm≡[H1,…,Hm],通过式(4)可以计算出权重Wm。
在宽度模型训练好之后,当采集到当前时刻的电池端电压Ut、工作电流It、电池温度Tt时,将[Ut,It,Tt,SOCt-1]输入到宽度学习模型中得到当前时刻的为了提高SOC的预测精度,宽度学习模型的输出/>工作电流It将作为输入到自适应无迹卡尔曼滤波算法中。
在自适应无迹卡尔曼滤波算法中,设置系统的过程噪声和测量噪声w和v的初始值,以及各自初始方差Q和R的值;初始系统状态变量x0及其均值协方差P0;状态维度设定为1;设定电池最大容量Qm以及电池数据的采样间隔ΔT。随着宽度学习模型输出/>的不断到来,结合式(5)-(16)即可得到当前时刻SOC的最终估计值SOCt。当采集到下一时刻的数据时,[Ut+1,It+1,Tt+1,SOCt]将作为滑动窗口的一个样本数据。重复步骤30,直到滑动窗口样本数等于其宽度10。此时所收集到的滑动窗口数据将作为下一个滑动窗口的训练数据。
重复步骤20、步骤30,直到没有新的采集数据到来,预测结束。
优选的,在实际计算预测值时,均方根误差最大绝对误差/>最大绝对相对误差三个指标作为模型误差衡量标准,RMSE值、MAE值、MARE值越小,则代表SOC的估计结果越接近真实SOC值。
为了验证本发明实施例提出的方法的性能,分别在使用滑动窗口下对数据驱动方法的BLS和BLS结合AUKF滤波方法的SOC估计结果进行比较,得到电池在US06循环工况下40℃、25℃以及10℃的数据,请参照图7,图7是本发明实施例使用滑动窗口下对数据驱动方法的BLS和BLS结合AUKF滤波方法的SOC估计结果对比示意图,其中,(a)的温度为40℃;(c)的温度为25℃;(e)的温度为10℃。
图7中(a)-(f)展示了BLS网络在所有环境温度条件下结合滑动窗口使用和不使用AUKF滤波方法的估计情况,其对比结果如表1所示。
表1使用和不使用滑动窗口的AUKF滤波方法在US06工况不同温度条件下对比
方法 | 温度(℃) | RMSE(%) | MAE(%) | MARE(%) |
10 | 0.104 | 1.530 | 0.060 | |
BLS | 25 | 0.114 | 1.105 | 0.113 |
40 | 0.087 | 0.799 | 0.261 | |
10 | 0.017 | 0.069 | 0.005 | |
BLS&AUKF | 25 | 0.018 | 0.078 | 0.010 |
40 | 0.016 | 0.071 | 0.035 |
从表1可以看出,BLS网络表现出具有较好的估计结果,其中,RMSE和MAE分别小于0.114%和1.53%,ARE在0.27%以内;通过加入使用AUKF滤波方法取得了更好的估计结果,其中,RMSE和MAE分别降低到0.018%和0.078%以内,ARE在0.04%以内。
从结果来看,使用滑动窗口法和宽度学习能够较好的学习到电池的时变特性,但局部由于受到噪声数据等因素的影响使SOC结果存在一定的突变。另一方面,结合滑动窗口法利用宽度学习和自适应无迹卡尔曼滤波进行电池的动态建模和预测,能够进一步改善机器学习的预测结果,并有效应对其他因素干扰对结果的影响,进而获取精度较高的SOC估计结果。
本发明所达到的有益技术效果,在于针对利用离线数据建立模型,导致实际情况与训练模型相差较大的问题,提出了一种基于滑动窗口的SOC动态建模方法,利用滑动窗口捕捉到电池的时变特性,保证了模型的时效性;同时,针对传统基于数据驱动的SOC预测方法容易受到采集数据数量及质量的影响,采用一种基于宽度学习和自适应无迹卡尔曼滤波方法的SOC预测方法,可以自主学习电池端电压、工作电流、温度等电池外测变量与SOC的关系,有效应对噪声、扰动等因素对采集数据的影响,提高了SOC的估计精度。
本发明实施例还提供一种基于滑动窗口的锂电池SOC在线预测系统,包括:
初始化模块,用于设置初始训练的锂电池SOC数据样本及滑动窗口长度;
建模模块,用于建立基于滑动窗口和宽度学习的SOC预测模型,并计算SOC预测值;
滑动窗口模块,用于以当前采集数据和所述SOC预测值作为新样本加入到所述滑动窗口中,并返回步骤S2进行所述SOC预测值的计算,直到用于计算所述SOC预测值的样本数量等于所述滑动窗口长度,且没有新的所述采集数据的加入。
所述基于滑动窗口的锂电池SOC在线预测系统能够实现如上述实施例中的基于滑动窗口的锂电池SOC在线预测方法中的步骤,且能实现同样的技术效果,参上述实施例中的描述,此处不再赘述。
本发明实施例还提供一种计算机设备,所述计算机设备300包括:存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的计算机程序。
所述处理器301调用所述存储器302存储的计算机程序,执行本发明实施例提供的基于滑动窗口的锂电池SOC在线预测方法中的步骤,请结合图1,具体包括:
S1、设置初始训练的锂电池SOC数据样本及滑动窗口长度。
更进一步地,步骤S1中,定义所述锂电池SOC数据样本中包括池端电压U、工作电流I、电池温度T和电池SOC,所述滑动窗口长度为d。
S2、建立基于滑动窗口和宽度学习的SOC预测模型,并计算SOC预测值。
更进一步地,步骤S2中,所述SOC预测模型包括状态方程和测量方程,所述状态方程满足:
所述测量方程满足:
BLSt=h(SOCt)=SOCt+vt;
上式中,I表示所述工作电流,充电为正,放电为负;ΔT表示采样间隔;Qm表示最大容量;w和v分别表示过程噪声及测量噪声。
更进一步地,步骤S2中,基于自适应无迹卡尔曼滤波算法对所述SOC预测值进行计算。
S3、以当前采集数据和所述SOC预测值作为新样本加入到所述滑动窗口中,并返回步骤S2进行所述SOC预测值的计算,直到用于计算所述SOC预测值的样本数量等于所述滑动窗口长度,且没有新的所述采集数据的加入。
更进一步地,步骤S3中,所述采集数据包括t时刻的所述池端电压Ut、所述工作电流It、所述电池温度Tt,所述SOC预测值为t-1时刻的SOCt-1。
本发明实施例提供的计算机设备300能够实现如上述实施例中的基于滑动窗口的锂电池SOC在线预测方法中的步骤,且能实现同样的技术效果,参上述实施例中的描述,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的基于滑动窗口的锂电池SOC在线预测方法中的各个过程及步骤,且能实现相同的技术效果,为避免重复,这里不再赘述。
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)或随机存取存储器(Random AccessMemory,简称RAM)等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,所揭露的仅为本发明较佳实施例而已,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式用等同变化,均属于本发明的保护之内。
Claims (5)
1.一种基于滑动窗口的锂电池SOC在线预测方法,其特征在于,所述方法包括以下步骤:
S1、设置初始训练的锂电池SOC数据样本及滑动窗口长度,所述锂电池SOC数据样本中包括池端电压U、工作电流I、电池温度T和电池SOC,所述滑动窗口长度为d;
S2、建立基于滑动窗口和宽度学习的SOC预测模型,并计算SOC预测值,其中,基于自适应无迹卡尔曼滤波算法对所述SOC预测值进行计算,所述SOC预测模型包括状态方程和测量方程,所述状态方程满足:
所述测量方程满足:
BLSt=h(SOCt)=SOCt+vt;
上式中,I表示所述工作电流,充电为正,放电为负;ΔT表示采样间隔;Qm表示最大容量;w和v分别表示过程噪声及测量噪声;
S3、以当前采集数据和所述SOC预测值作为新样本加入到所述滑动窗口中,并返回步骤S2进行所述SOC预测值的计算,直到用于计算所述SOC预测值的样本数量等于所述滑动窗口长度,且没有新的所述采集数据的加入。
2.如权利要求1所述的基于滑动窗口的锂电池SOC在线预测方法,其特征在于,步骤S3中,所述采集数据包括t时刻的所述池端电压Ut、所述工作电流It、所述电池温度Tt,所述SOC预测值为t-1时刻的SOCt-1。
3.一种基于滑动窗口的锂电池SOC在线预测系统,其特征在于,包括:
初始化模块,用于设置初始训练的锂电池SOC数据样本及滑动窗口长度,所述锂电池SOC数据样本中包括池端电压U、工作电流I、电池温度T和电池SOC,所述滑动窗口长度为d;建模模块,用于建立基于滑动窗口和宽度学习的SOC预测模型,并计算SOC预测值,其中,基于自适应无迹卡尔曼滤波算法对所述SOC预测值进行计算,所述SOC预测模型包括状态方程和测量方程,所述状态方程满足:
所述测量方程满足:
BLSt=h(SOCt)=SOCt+vt;
上式中,I表示所述工作电流,充电为正,放电为负;ΔT表示采样间隔;Qm表示最大容量;w和v分别表示过程噪声及测量噪声;
滑动窗口模块,用于以当前采集数据和所述SOC预测值作为新样本加入到所述滑动窗口中,并返回步骤S2进行所述SOC预测值的计算,直到用于计算所述SOC预测值的样本数量等于所述滑动窗口长度,且没有新的所述采集数据的加入。
4.一种计算机设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并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如权利要求1至2中任意一项所述的基于滑动窗口的锂电池SOC在线预测方法中的步骤。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至2中任意一项所述的基于滑动窗口的锂电池SOC在线预测方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133494.XA CN116340766B (zh) | 2023-02-17 | 2023-02-17 | 基于滑动窗口的锂电池soc在线预测方法与相关设备 |
PCT/CN2023/134268 WO2024169315A1 (zh) | 2023-02-17 | 2023-11-27 | 基于滑动窗口的锂电池soc在线预测方法与相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133494.XA CN116340766B (zh) | 2023-02-17 | 2023-02-17 | 基于滑动窗口的锂电池soc在线预测方法与相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116340766A CN116340766A (zh) | 2023-06-27 |
CN116340766B true CN116340766B (zh) | 2024-05-28 |
Family
ID=86884861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310133494.XA Active CN116340766B (zh) | 2023-02-17 | 2023-02-17 | 基于滑动窗口的锂电池soc在线预测方法与相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116340766B (zh) |
WO (1) | WO2024169315A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340766B (zh) * | 2023-02-17 | 2024-05-28 | 广东工业大学 | 基于滑动窗口的锂电池soc在线预测方法与相关设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN109444757A (zh) * | 2018-10-09 | 2019-03-08 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车动力电池剩余电量估算方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10830821B2 (en) * | 2014-05-05 | 2020-11-10 | Apple Inc. | Methods and apparatus for battery power and energy availability prediction |
CN106291376A (zh) * | 2016-07-29 | 2017-01-04 | 华晨汽车集团控股有限公司 | 基于支持向量机模型和卡尔曼滤波的锂电池soc估计方法 |
DE112018006835T5 (de) * | 2018-01-11 | 2020-10-15 | Semiconductor Energy Laboratory Co., Ltd. | Vorrichtung zur Anomalie-Erkennung einer Sekundärbatterie, Verfahren zur Anomalie-Erkennung und Programm |
CN115015781A (zh) * | 2022-06-21 | 2022-09-06 | 广西科技大学 | 一种基于动态自适应平方根无迹卡尔曼滤波的锂电池soc估计方法 |
CN115407207A (zh) * | 2022-08-29 | 2022-11-29 | 广东工业大学 | 锂离子电池荷电状态的在线预测方法与系统 |
CN116340766B (zh) * | 2023-02-17 | 2024-05-28 | 广东工业大学 | 基于滑动窗口的锂电池soc在线预测方法与相关设备 |
-
2023
- 2023-02-17 CN CN202310133494.XA patent/CN116340766B/zh active Active
- 2023-11-27 WO PCT/CN2023/134268 patent/WO2024169315A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN109444757A (zh) * | 2018-10-09 | 2019-03-08 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车动力电池剩余电量估算方法 |
Non-Patent Citations (1)
Title |
---|
Charging Diagnosis of Power Battery Based on Adaptive STCKF and BLS for Electric Vehicles;Mengmeng Wang等;IEEE Transactions on Vehicular Technology;第71卷(第8期);第8251 - 8265页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2024169315A1 (zh) | 2024-08-22 |
CN116340766A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596593B (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
CN108155648B (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN108896924B (zh) | 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法 | |
CN107741569A (zh) | 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法 | |
CN110647042A (zh) | 一种基于数据驱动的机器人鲁棒学习预测控制方法 | |
CN112116138A (zh) | 基于数据驱动的电力系统预测状态估计方法及系统 | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN116340766B (zh) | 基于滑动窗口的锂电池soc在线预测方法与相关设备 | |
CN113190969B (zh) | 一种基于信息评估机制的锂电池模型参数辨识方法 | |
CN115407207A (zh) | 锂离子电池荷电状态的在线预测方法与系统 | |
CN113608121A (zh) | 基于模糊分数阶无迹卡尔曼滤波的锂电池soc估计方法 | |
CN110907835A (zh) | 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及系统 | |
CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
Liu et al. | State of charge estimation for Li-ion batteries based on iterative Kalman filter with adaptive maximum correntropy criterion | |
CN113625182A (zh) | 一种对电池状态进行在线估计的方法 | |
Lin et al. | Algorithm of BPNN‐UKF based on a fusion model for SOC estimation in lithium‐ion batteries | |
CN113805062B (zh) | 锂电池等效电路模型参数在线鲁棒自适应辨识方法 | |
Hu et al. | State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation | |
Zhang et al. | Joint estimation of state-of-charge and state-of-power for hybrid supercapacitors using fractional-order adaptive unscented Kalman filter | |
CN116718920B (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法 | |
CN113433457B (zh) | 一种lstm网络辅助卡尔曼滤波soc估算方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |