CN116679209A - 电池荷电状态的预测方法、装置、设备和存储介质 - Google Patents
电池荷电状态的预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116679209A CN116679209A CN202310454424.4A CN202310454424A CN116679209A CN 116679209 A CN116679209 A CN 116679209A CN 202310454424 A CN202310454424 A CN 202310454424A CN 116679209 A CN116679209 A CN 116679209A
- Authority
- CN
- China
- Prior art keywords
- battery
- data set
- difference
- preset
- sub
- 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 55
- 238000012937 correction Methods 0.000 claims abstract description 162
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000032683 aging Effects 0.000 claims abstract description 36
- 239000000178 monomer Substances 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 10
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 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]
- G01R31/367—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
- 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
-
- 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
Abstract
本发明公开了一种电池荷电状态的预测方法、装置、设备和存储介质，电池荷电状态的预测方法包括：获取目标车辆的第一运行数据；利用预测模型对第一运行数据进行预测，得到目标车辆的电池荷电状态。其中，预测模型基于第一样本数据集训练得到，第一样本数据集由第二样本数据集经电池差异校正后得到，第二样本数据集包括若干预设车辆的历史运行数据，电池差异校正包括电池老化程度差异校正、电池单体电量分布差异校正中的至少一者。通过上述方式，由于第一样本数据集由第二样本数据集经电池差异校正后得到，这样，基于第一样本数据集训练得到的预测模型可以对更多车辆的电池荷电状态进行准确预测，提高预测电池荷电状态的准确度。
Description
技术领域
本发明涉及电池技术领域，特别是涉及一种电池荷电状态的预测方法、装置、设备和存储介质。
背景技术
电池的荷电状态(SoC，State of Charge)指电池使用一段时间或者长期搁置不用后的剩余容量与其完全充电状态下的电池容量的比值，用于反映电池的剩余电量。
电池的荷电状态是汽车电池管理系统的重要参数之一，准确预测电池的荷电状态对电量指示、剩余里程估计、过充过放保护、充电控制以及电池健康状态监测等具有重要作用。因此，如何准确预测电池的荷电状态，成为亟待解决的技术问题。
发明内容
本发明主要解决的技术问题是提供一种电池荷电状态的预测方法、装置、设备和计算机可读存储介质，能够提高预测电池荷电状态的准确度。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种电池荷电状态的预测方法，方法包括：获取目标车辆的第一运行数据；利用预测模型对第一运行数据进行预测，得到目标车辆的电池荷电状态；其中，预测模型基于第一样本数据集训练得到，第一样本数据集由第二样本数据集经电池差异校正后得到，第二样本数据集包括若干预设车辆的历史运行数据，电池差异校正包括电池老化程度差异校正、电池单体电量分布差异校正中的至少一者。
其中，对第二样本数据集进行电池差异校正的步骤包括：分别确定各预设车辆的电池差异数据；基于各预设车辆的电池差异数据之间的差异，将第二样本数据集划分为第一子数据集和至少一个第二子数据集；基于第一子数据集所对应的若干预设车辆的电池差异数据，确定电池差异校正值；基于电池差异校正值，对至少一个第二子数据集进行电池差异校正。
其中，基于各预设车辆的电池差异数据之间的差异，将样本数据集划分为第一子数据集和至少一个第二子数据集，包括：分别确定各预设车辆的电池差异数据与预设阈值之间的差值绝对值；将第二样本数据集中差值绝对值小于差值阈值的各预设车辆的历史运行数据划分到第一子数据集；基于第二样本数据集中除第一子数据集之外的预设车辆的历史运行数据，划分至少一个第二子数据集。
其中，基于第一子数据集所对应的若干预设车辆的电池差异数据，确定电池差异校正值，包括：将第一子数据集所对应的若干预设车辆的电池差异数据的平均值，作为电池差异校正值。
其中，电池差异校正包括电池老化程度差异校正，电池差异数据包括初始电池安时容量，初始电池安时容量为上一次处于满充状态时的累计充电量与累计放电量之间的差值，各预设车辆的历史运行数据包括各预设车辆的电池安时容量；基于电池差异校正值，对至少一个第二子数据集进行电池差异校正，包括：对于第二子数据集所对应的各预设车辆，确定预设车辆的初始电池安时容量与电池差异校正值之间的第一差值；将预设车辆的电池安时容量与预设车辆的第一差值之和，作为预设车辆校正后的电池安时容量。
其中，电池差异校正包括电池单体电量分布差异校正，电池差异数据包括初始电池单体电压，初始电池单体电压为电池单体最大电压与电池单体最小电压之间的差值，各预设车辆的历史运行数据包括各预设车辆的电池单体平均电压；基于电池差异校正值，对至少一个第二子数据集进行电池差异校正，包括：对于第二子数据集所对应的各预设车辆，确定预设车辆的初始电池单体电压与电池差异校正值之间的第二差值；将预设车辆的电池单体平均电压与预设车辆的第二差值之和，作为预设车辆校正后的电池单体平均电压。
其中，对预测模型进行训练的步骤包括：将第一子数据集作为训练集，以及将经电池差异校正后的至少一个第二子数据集作为验证集；利用训练集和验证集，训练得到预测模型。
其中，利用预测模型对第一运行数据进行预测，得到目标车辆的电池荷电状态，包括：对第一运行数据进行电池差异校正，得到校正后的第二运行数据；将第二运行数据输入至预测模型，预测得到目标车辆的电池荷电状态。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电池荷电状态的预测装置，该装置包括：获取模块，用于获取目标车辆的第一运行数据；预测模块，用于利用预测模型对第一运行数据进行预测，得到目标车辆的电池荷电状态；其中，预测模型基于第一样本数据集训练得到，第一样本数据集由第二样本数据集经电池差异校正后得到，第二样本数据集包括若干预设车辆的历史运行数据，电池差异校正包括电池老化程度差异校正、电池单体电量分布差异校正中的至少一者。
其中，电池荷电状态的预测装置还包括电池差异校正模块。电池差异校正模块用于分别确定各预设车辆的电池差异数据；基于各预设车辆的电池差异数据之间的差异，将第二样本数据集划分为第一子数据集和至少一个第二子数据集；基于第一子数据集所对应的若干预设车辆的电池差异数据，确定电池差异校正值；基于电池差异校正值，对至少一个第二子数据集进行电池差异校正。
其中，电池差异校正模块用于分别确定各预设车辆的电池差异数据与预设阈值之间的差值绝对值；将第二样本数据集中差值绝对值小于差值阈值的各预设车辆的历史运行数据划分到第一子数据集；基于第二样本数据集中除第一子数据集之外的预设车辆的历史运行数据，划分至少一个第二子数据集。
其中，电池差异校正模块用于将第一子数据集所对应的若干预设车辆的电池差异数据的平均值，作为电池差异校正值。
其中，电池差异校正包括电池老化程度差异校正，电池差异数据包括初始电池安时容量，初始电池安时容量为上一次处于满充状态时的累计充电量与累计放电量之间的差值，各预设车辆的历史运行数据包括各预设车辆的电池安时容量；电池差异校正模块用于对于第二子数据集所对应的各预设车辆，确定预设车辆的初始电池安时容量与电池差异校正值之间的第一差值；将预设车辆的电池安时容量与预设车辆的第一差值之和，作为预设车辆校正后的电池安时容量。
其中，电池差异校正包括电池单体电量分布差异校正，电池差异数据包括初始电池单体电压，初始电池单体电压为电池单体最大电压与电池单体最小电压之间的差值，各预设车辆的历史运行数据包括各预设车辆的电池单体平均电压；电池差异校正模块用于对于第二子数据集所对应的各预设车辆，确定预设车辆的初始电池单体电压与电池差异校正值之间的第二差值；将预设车辆的电池单体平均电压与预设车辆的第二差值之和，作为预设车辆校正后的电池单体平均电压。
其中，电池荷电状态的预测装置还包括训练模块。训练模块用于将第一子数据集作为训练集，以及将经电池差异校正后的至少一个第二子数据集作为验证集；利用训练集和验证集，训练得到预测模型。
其中，电池差异校正模块还用于对第一运行数据进行电池差异校正，得到校正后的第二运行数据；预测模块用于将第二运行数据输入至预测模型，预测得到目标车辆的电池荷电状态。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电子设备，包括相互耦接的存储器和处理器，存储器存储有程序指令；处理器用于执行存储器中存储的程序指令，以实现上述电池荷电状态的预测方法。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储程序指令，程序指令能够被处理器执行以实现上述电池荷电状态的预测方法。
以上方案，用于预测目标车辆的荷电状态的预测模型是基于第一样本数据集进行训练得到的，并且第一样本数据集是第二样本数据集经电池差异校正后得到的，第二样本数据集包括若干预设车辆的历史运行数据。由于不同预设车辆之间的电池老化程度存在差异、电池单体电量存在差异，通过对第二样本数据集进行电池老化程度差异校正、电池单体电量分布差异校正得到的第一样本数据集中各预设车辆不存在老化程度差异、电池单体电量分布差异。这样，基于第一样本数据集训练得到的预测模型可以对更多车辆的电池荷电状态进行准确预测，从而可以提高预测电池荷电状态的准确度。
附图说明
图1是本申请提供的电池荷电状态的预测方法一实施例的流程示意图；
图2是本申请提供的预测模型的训练方法一实施例的流程示意图；
图3是本申请提供的电池差异校正方法一实施例的流程示意图；
图4是本申请提供的预测模型的预测结果一示意图；
图5是本申请提供的预测模型的预测结果另一示例图；
图6是本申请提供的电池荷电状态的预测方法另一实施例的流程示意图；
图7是本申请提供的电池荷电状态的预测装置一实施例的框架示意图；
图8是本申请提供的电子设备一实施例的框架示意图；
图9是本申请提供的计算机可读存储介质一实施例的框架示意图。
具体实施方式
为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。“若干”表示至少一个。本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
请参阅图1，图1是本申请提供的电池荷电状态的预测方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：
S11：获取目标车辆的第一运行数据。
目标车辆的第一运行数据与预测目标车辆电池的荷电状态相关。本实施例中目标车辆的第一运行数据包括但不限于车辆标识、电池安时容量、电池单体平均电压、电池单体最大电压、电池单体最小电压、电池电压、电池温度、电池电流、车速、单次充电量、单次放电量、上一次慢充满充时的累计充电量和累计放电量等。其中，目标车辆的电池可包括若干电芯，各个电芯的电压即为电池单体电压。
S12：利用预测模型对第一运行数据进行预测，得到目标车辆的电池荷电状态；其中，预测模型基于第一样本数据集训练得到，第一样本数据集由第二样本数据集经电池差异校正后得到，第二样本数据集包括若干预设车辆的历史运行数据，电池差异校正包括电池老化程度差异校正、电池单体电量分布差异校正中的至少一者。
本实施例中，第二样本数据集包括若干预设车辆的历史运行数据。各预设车辆的历史运行数据可包括但不限于各预设车辆的车辆标识、电池安时容量、电池单体平均电压、电池单体最大电压、电池单体最小电压、电池电压、电池温度、电池电流、车速、单次充电量、单次放电量、上一次慢充满充时的累计充电量和累计放电量等。示例性地，各预设车辆的历史运行数据可包括各预设车辆行驶过程中在设定历史时间段内的运行数据。在设定历史时间段内，各预设车辆的历史运行数据随时间的变化而变化。设定历史时间段可根据实际需要进行设置。
本实施例中，可对第二样本数据集进行电池老化程度差异校正，得到第一样本数据集；或者对第二样本数据集进行电池单体电量分布差异校正，得到第一样本数据集；又或者，对第二样本数据集进行电池老化程度差异校正和电池单体电量分布差异校正，得到第一样本数据集。
不同预设车辆因使用程度不同，导致不同预设车辆之间电池老化程度存在差异。不同预设车辆因电池做工不同，不同预设车辆之间的电池单体电量分布也存在差异。具体地，可通过各预设车辆的初始电池安时容量衡量各预设车辆的电池老化程度，各预设车辆的初始电池安时容量为各预设车辆上一次处于慢充状态时的累计充电量与累计放电量之间的差值。可通过各预设车辆的初始电池单体电压衡量各预设车辆的电池单体电量分布，各预设车辆的初始电池单体电压为各预设车辆的电池单体最大电压与电池单体最小电压之间的差值。
需要说明的是，本实施例中目标车辆、预设车辆可以是电动车、混合动力车等。目标车辆的电池、预设车辆的电池可以是磷酸铁锂电池、三元锂电池等，本实施例对此不作具体限定。
本实施例中，用于预测目标车辆的荷电状态的预测模型是基于第一样本数据集进行训练得到的，并且第一样本数据集是第二样本数据集经电池差异校正后得到的，第二样本数据集包括若干预设车辆的历史运行数据。由于不同预设车辆之间的电池老化程度存在差异、电池单体电量存在差异，若基于第二样本数据集训练预测模型，当目标车辆的第一运行数据与第二样本数据集中的数据接近时，训练好的预测模型预测的电池荷电状态较为准确，而当目标车辆的第一运行数据与第二样本数据集中的数据差异较大时，训练好的预测模型预测的电池荷电状态准确度较低。也即是，基于第二样本数据集训练的预测模型仅适用部分车辆的电池荷电状态预测。通过对第二样本数据集进行电池老化程度差异校正、电池单体电量分布差异校正得到的第一样本数据集中各预设车辆不存在老化程度差异、电池单体电量分布差异。这样，基于第一样本数据集训练得到的预测模型可以对更多车辆的电池荷电状态进行准确预测，从而可以提高预测电池荷电状态的准确度。
请参阅图2，图2是本申请提供的预测模型的训练方法一实施例的流程示意图。如图2所示，该方法包括如下步骤：
S21：获取第二样本数据集，第二样本数据集包括若干预设车辆的历史运行数据。
第二样本数据集的相关内容，可参照前述步骤S12，在此不再赘述。
S22：对第二样本数据集进行电池差异校正，得到第一样本数据集。
电池差异校正包括电池老化程度差异校正、电池单体电量分布差异校正中的至少一者。相关内容可参照前述步骤S12，在此不再赘述。
请参阅图3，图3是本申请提供的电池差异校正方法一实施例的流程示意图。如图3所示，该方法包括如下步骤：
S301：分别确定各预设车辆的电池差异数据。
本实施例中，各预设车辆的电池差异数据包括各预设车辆的初始安时容量和初始电池单体电压中的至少一者。其中，各预设车辆的初始电池安时容量为各预设车辆上一次处于满充状态时的累计充电量与累计放电量之间的差值。可选地，由于车辆处于慢充状态时，电池的电量充的更满，为进一步提高确定的各预设车辆的初始电池安时容量的准确性，各预设车辆的初始安时容量为各预设车辆上一次处于慢充满充状态时的累计充电量与累计放电量之间的差值。各预设车辆的初始电池单体电压为各预设车辆的电池单体最大电压与电池单体最小电压之间的差值。
当电池差异校正包括电池老化程度差异校正时，步骤S301包括：分别确定各预设车辆的初始电池安时容量。当电池差异校正电池单体电量分布差异校正时，步骤S301包括：分别确定各预设车辆的初始电池单体电压。当电池差异校正包括电池老化程度差异校正时，步骤S301包括：分别确定各预设车辆的初始电池安时容量和各预设车辆的初始电池单体电压。
S302：基于各预设车辆的电池差异数据之间的差异，将第二样本数据集划分为第一子数据集和至少一个第二子数据集。
本实施例中，划分第一子数据集和第二子数据集可包括以下子步骤：
子步骤一，分别确定各预设车辆的电池差异数据与预设阈值之间的差值绝对值。
电池差异数据为初始电池安时容量时的预设阈值和电池差异数据为初始电池单体电压时的预设阈值可分别根据实际情况进行设置。
当各预设车辆的电池差异数据为各预设车辆的初始电池安时容量时，分别确定各预设车辆的初始电池安时容量与对应的预设阈值之间的差值。当各预设车辆的电池差异数据为各预设车辆的初始电池单体电压时，分别确定各预设车辆的初始电池单体电压与对应的预设阈值之间的差值。
子步骤二，将第二样本数据集中差值绝对值小于差值阈值的各预设车辆的历史运行数据划分到第一子数据集。
示例性地，差值阈值可根据实际需要进行设置，且差值阈值设置为一个较小的值。
子步骤三，基于第二样本数据集中除第一子数据集之外的预设车辆的历史运行数据，划分至少一个第二子数据集。
在一示例中，将第二样本数据集中除第一子数据集之外的预设车辆的历史运行数据，划分为一个第二子数据集。
以电池差异数据为初始电池安时容量进行示例性说明。基于第二样本数据集中若干预设车辆上一次满充时的累计充电量和累计放电量，确定出若干预设车辆的初始电池安时容量分布在175Ah至190Ah之间，设定的预设阈值为188Ah，且设定的差值阈值为2Ah。分别确定各预设车辆的初始电池安时容量与预设阈值188Ah之间的差值绝对值。将第二样本数据集中差值绝对值小于差值阈值2Ah的各预设车辆的历史运行数据划分到第一子数据集，将第二样本数据集中差值绝对值大于或等于差值阈值2Ah的各预设车辆的历史运行数据划分到一个第二子数据集中。
在另一示例中，将第二样本数据集中除第一子数据集之外的预设车辆的历史运行数据划分为两个或两个以上的第二子数据集。例如，可以进一步设置不同的预设阈值、差值阈值，并按照前述子步骤一和子步骤二的方式，将第二样本数据集中除第一子数据集之外的预设车辆的历史运行数据进一步划分为两个或两个以上的第二子数据集；或者随机将第二样本数据集中除第一子数据集之外的预设车辆的历史运行数据进一步划分为两个或两个以上的第二子数据集。
S303：基于第一子数据集所对应的若干预设车辆的电池差异数据，确定电池差异校正值。
在对第二样本数据集进行划分时，第二样本数据集中一部分预设车辆的历史运行数据被划分到第一子数据集中，另一部分预设车辆的历史运行数据被划分到第二子数据集中。由于第一子数据集中各预设车辆的电池差异数据之间的差异较小，因此，可以基于第一子数据集所对应的若干预设车辆的电池差异数据确定电池差异校正值，并用于校正各第二子数据集。具体地，可将第一子数据集所对应的若干预设车辆的电池差异数据的平均值，作为电池差异校正值。当电池差异数据为初始电池安时容量时，将第一子数据集所对应的若干预设车辆的初始电池安时容量的平均值，作为电池差异校正值。当电池差异数据为初始电池单体电压时，将第一子数据集所对应的若干预设车辆的初始电池单体电压的平均值，作为电池差异校正值。
S304：基于电池差异校正值，对至少一个第二子数据集进行电池差异校正。
在一实施方式中，当电池差异校正包括电池老化程度差异校正时，步骤S304中采用电池差异校正值，对各第二子数据集所对应的各预设车辆的电池安时容量进行校正。
具体地，对于第二子数据集所对应的各预设车辆，确定预设车辆的初始电池安时容量与电池差异校正值之间的第一差值，并将预设车辆的电池安时容量与预设车辆的第一差值之和，作为预设车辆校正后的电池安时容量。
例如，第二样本数据集被划分为一个第一子数据集和一个第二子数据集。基于第一子数据集所确定的电池差异校正值为185.5(第一子数据集所对应的若干预设车辆的初始电池安时容量的平均值)，第二子数据集中预设车辆1的初始电池安时容量为189.5，预设车辆2的初始电池安时容量为181.5。则预设车辆1的初始电池安时容量与电池差异校正值之间的第一差值为4，预设车辆2的初始电池安时容量与电池差异校正值之间的第一差值为-4。将预设车辆1的电池安时容量与第一差值4之和，作为预设车辆1校正后的电池安时容量，以及将预设车辆2的电池安时容量与第一差值-4之和作为预设车辆2校正后的电池安时容量。
可选地，当第二样本数据集被划分为一个第一子数据集和两个或两个以上的第二子数据集时，还可以先采用上述方式对其中一个第二子数据集所对应的各预设车辆的电池安时容量进行校正，然后再采用该校正后的第二子数据集对其他第二子数据集所对应的各预设车辆的电池安时容量进行校正。
在一实施方式中，当电池差异校正包括电池单体电量分布差异校正时，步骤S304中采用电池差异校正值，对各第二子数据集所对应的各预设车辆的电池单体平均电压进行校正。
具体地，对于第二子数据集所对应的各预设车辆，确定预设车辆的初始电池单体电压与电池差异校正值之间的第二差值；将预设车辆的电池单体平均电压与预设车辆的第二差值之和，作为预设车辆校正后的电池单体平均电压。
可选地，当第二样本数据集被划分为一个第一子数据集和两个或两个以上的第二子数据集时，还可以先采用上述方式对其中一个第二子数据集所对应的各预设车辆的电池单体平均电压进行校正，然后再采用该校正后的第二子数据集对其他第二子数据集所对应的各预设车辆的电池安时容量进行校正。
需要说明的是，本实施例中，当电池差异校正包括电池老化程度差异校正和电池单体电量分布差异校正时，可以采用步骤S301至S304的方式，先对第二样本数据集进行电池老化程度差异校正，再对经电池老化程度差异校正后的第二样本数据集进行电池单体电量分布差异校正，以得到第一样本数据集；或者，还可以先对第二样本数据集进行电池单体电量分布差异校正，再对经电池单体电量分布差异校正后的第二样本数据集进行电池老化程度差异校正。具体进行电池差异校正的相关内容可参照步骤S301至S304，在此不再赘述。
S23：基于第一样本数据集训练预测模型。
本实施例中，可以先基于第一样本数据集划分训练集和验证集，然后再利用划分的训练集和验证集，训练得到预测模型。
具体地，划分训练集和验证集可以包括：将第一子数据集作为训练集，以及将经过电池差异校正的至少一个第二子数据集作为验证集。例如，第二样本数据集被划分为一个第一子数据集和一个第二子数据集，并基于第一子数据集对第二子数据集进行了电池差异校正，则直接将第一子数据集作为训练集，以及直接将该经电池差异校正后的第二子数据集作为验证集。或者，划分训练集和验证集可以包括：基于经电池差异校正后的第一样本数据集，划分训练集和验证集。例如，从第一样本数据集中随机抽取一部分预设车辆的历史运行数据作为训练集，以及将抽取后剩余的预设车辆的历史运行数据作为验证集。
当划分训练集和验证集后，利用训练集和验证集，训练得到预测模型可以包括：先将训练集中预设车辆的历史运行数据输入到预测模型对预测模型进行训练，得到预训练的预测模型；然后，将验证集中预设车辆的历史运行数据输入到预训练的预测模型中，得到预设车辆的电池荷电状态预测值，并基于预设车辆的电池荷电状态预测值和电池荷电状态真实值之间的差异，调整预训练的预测模型的网络参数，直至预测模型收敛，从而得到最终训练好的预测模型。当预设车辆的电池荷电状态预测值与预设车辆的电池荷电状态真实值之间的差异较大时，预测模型的预测准确度较低；当预设车辆的电池荷电状态预测值与预设车辆的电池荷电状态真实值之间的差异较小时，预测模型的准确度较高。
本实施例中可将车端获取的预设车辆的电池荷电状态标签值作为预设车辆的电池荷电状态真实值。示例性地，预设车辆的电池荷电状态标签值可采用安时积分法或者神经网络预测等方式获取，或者还可以将采用安时积分法、神经网络预测等方法得到的预设车辆的电池荷电状态的平均值作为预设车辆的电池荷电状态真实值。
示例性地，预设车辆的电池荷电状态预测值和电池荷电状态真实值之间的差异可以采用RMSE(均方根误差，Root Mean Square Error)、(平均绝对误差，Mean SquareError)等进行评价，本实施例对此不作具体限定。
本实施例中，预测模型包括特征提取网络、长短期记忆网络(LSTM，Long Short-Term Memory)、注意力机制网络和全连接层。其中，特征提取网络用于对输入的数据进行特征提取。示例性地，特征提取网络为CNN(Convolutional Neural Networks，卷积神经网络)，包括32个大小为3的卷积核和1个大小为3的平均池化层，CNN中激活函数为Relu。LSTM用于基于特征提取后的数据确定电池荷电状态时序序列。示例性地，长短期记忆网络为双向3层结构。注意力机制网络用于对各特征分配不同权重，以降低无关特征的影响。示例性地，注意力机制网络为ECA(Efficient Channel Attention，通道注意力)网络。具体地，ECA网络通过全局平均池化对经过LSTM的三维数据(H*W*C，H、W和C分别表示高、宽、通道)进行空间特征压缩，得到一维数据(1*1*C)，通过1*1卷积层学习一维数据不同通道之间的重要性，得到带有通道注意力的一维数据，最后将带有通道注意力一维数据与原始三维数据进行逐通道相乘，输出带有注意力的三维数据，并输入至全连接层得到最终输出的电池荷电状态值。
对于磷酸铁锂电池，由磷酸铁锂电池的OCV(Open Circuit Voltage开路电压)与SOC之间的关系可知，磷酸铁锂电池存在电压平台期。在电压平台期内，磷酸铁锂电池的OCV与SOC呈非线性关系，且随着磷酸铁锂电池的充放电(磷酸铁锂电池的SOC发生变化)，磷酸铁锂电池维持相对稳定的开路电压。此时，难以根据磷酸铁锂电池的OCV准确预测磷酸铁锂电池的SOC。而在电压非平台期(除电压平台期之外)，磷酸铁锂电池的OCV与SOC近似呈线性关系，此时，可以根据磷酸铁锂电池的OCV准确预测磷酸铁锂电池的SOC。
本实施例中通过采用注意力机制，可以使得预测模型在磷酸铁锂电池的电压平台期内更加关注电池安时容量特征得到电池荷电状态，而不关注电压特征得到电池荷电状态，且在非电压平台期内更加关注电压特征得到电池荷电状态，从而可以进一步提高预测模型预测电池荷电状态的准确性。
请参阅图4，图4是本申请提供的预测模型的预测结果一示意图。如图4所示，图4中曲线1为预设车辆1的电池荷电状态真实值变化曲线，曲线2为预设车辆1的电池荷电状态预测值变化曲线。预设车辆1的电池荷电状态预测值和预设车辆1的电池荷电状态真实值之间的MSE为1.4％、RSME为2.98％。
请参阅图5，图5是本申请提供的预测模型的预测结果另一示意图。如图5所示，图5中曲线3为预设车辆2的电池荷电状态真实值变化曲线，曲线4为预设车辆2的电池荷电状态预测值变化曲线。预设车辆2的电池荷电状态预测值和预设车辆2的电池荷电状态真实值之间的MSE为0.37％，RMSE为0.25％。
图4中预设车辆1的曲线2与曲线1之间的差异较小，图5中预设车辆2的曲线4与曲线3之间的差异较小。因此，采用本实施例提供的预测模型的训练方法，一定程度上能够提高电池荷电状态预测的准确度。
本实施例中，用于预测目标车辆的荷电状态的预测模型是基于第一样本数据集进行训练得到的，并且第一样本数据集是第二样本数据集经电池差异校正后得到的。由于不同预设车辆之间的电池老化程度存在差异、电池单体电量存在差异，若基于第二样本数据集训练预测模型，通过对第二样本数据集进行电池老化程度差异校正、电池单体电量分布差异校正得到的第一样本数据集中各预设车辆不存在老化程度差异、电池单体电量分布差异。这样，基于第一样本数据集训练得到的预测模型可以对更多车辆的电池荷电状态进行准确预测，从而可以提高预测电池荷电状态的准确度。
请参阅图6，图6是本申请提供的电池荷电状态的预测方法另一实施例的流程示意图。如图6所示，该方法包括如下步骤：
S61：获取目标车辆的第一运行数据。
相关内容可参照前述步骤S11，在此不再赘述。
S62：对第一运行数据进行电池差异校正，得到校正后的第二运行数据。
电池差异校正包括电池老化程度差异校正、电池单体电量分布差异校正中的至少一者。具体地，基于电池差异校正值，对第一运行数据进行电池差异校正。电池差异校正值的相关内容，可参照前述步骤S303，在此省略详细描述。
在一示例中，当电池差异校正包括电池老化程度差异校正时，对目标车辆的电池安时容量进行校正。步骤S62包括：确定目标车辆的初始电池安时容量；确定目标车辆的初始电池安时容量与电池差异校正值之间的第三差值；将目标车辆的安时容量与目标车辆的第三差值之和，作为目标车辆校正后的电池安时容量。
在另一示例中，当电池差异校正包括电池单体电量分布差异校正时，对目标车辆的电池单体平均电压进行校正。步骤S62包括：确定目标车辆的初始电池单体电压；确定目标车辆的初始电池单体电压与电池差异校正值之间的第四差值；将目标车辆的电池单体平均电压与目标车辆的第四差值之和，作为目标车辆校正后的电池单体平均电压。
S63：将第二运行数据输入至预测模型，预测得到目标车辆的电池荷电状态。
其中，预测模型采用图2所示的训练方法训练得到。
本实施例中，在利用预测模型预测目标车辆的电池荷电状态时，先对目标车辆的第一运行数据进行电池差异校正，得到目标车辆的第二运行数据；然后，再将目标车辆的第二运行数据输入至预测模型，预测得到目标车辆的电池荷电状态。由于预测模型是基于第一样本数据集进行训练得到的，且第一样本数据集是第二样本数据集经电池差异校正后得到的。通过对第一运行数据进行同样的电池差异校正，可以使得校正后的第二运行数据与第一样本数据集的差异较小，从而能够提高预测模型预测目标车辆的荷电状态的准确度。
请参阅图7，图7是本申请提供的电池荷电状态的预测装置一实施例的框架示意图。本实施方式中，电池荷电状态的预测装置70包括：获取模块71和预测模块72。获取模块71，用于获取目标车辆的第一运行数据；预测模块72，用于利用预测模型对第一运行数据进行预测，得到目标车辆的电池荷电状态；其中，预测模型基于第一样本数据集训练得到，第一样本数据集由第二样本数据集经电池差异校正后得到，第二样本数据集包括若干预设车辆的历史运行数据，电池差异校正包括电池老化程度差异校正、电池单体电量分布差异校正中的至少一者。
可选地，电池荷电状态的预测装置70还包括电池差异校正模块73。电池差异校正模块73用于分别确定各预设车辆的电池差异数据；基于各预设车辆的电池差异数据之间的差异，将第二样本数据集划分为第一子数据集和至少一个第二子数据集；基于第一子数据集所对应的若干预设车辆的电池差异数据，确定电池差异校正值；基于电池差异校正值，对至少一个第二子数据集进行电池差异校正。
可选地，电池差异校正模块73用于分别确定各预设车辆的电池差异数据与预设阈值之间的差值绝对值；将第二样本数据集中差值绝对值小于差值阈值的各预设车辆的历史运行数据划分到第一子数据集；基于第二样本数据集中除第一子数据集之外的预设车辆的历史运行数据，划分至少一个第二子数据集。
可选地，电池差异校正模块73用于将第一子数据集所对应的若干预设车辆的电池差异数据的平均值，作为电池差异校正值。
可选地，电池差异校正包括电池老化程度差异校正，电池差异数据包括初始电池安时容量，初始电池安时容量为上一次处于满充状态时的累计充电量与累计放电量之间的差值，各预设车辆的历史运行数据包括各预设车辆的电池安时容量；电池差异校正模块73用于对于第二子数据集所对应的各预设车辆，确定预设车辆的初始电池安时容量与电池差异校正值之间的第一差值；将预设车辆的电池安时容量与预设车辆的第一差值之和，作为预设车辆校正后的电池安时容量。
可选地，电池差异校正包括电池单体电量分布差异校正，电池差异数据包括初始电池单体电压，初始电池单体电压为电池单体最大电压与电池单体最小电压之间的差值，各预设车辆的历史运行数据包括各预设车辆的电池单体平均电压；电池差异校正模块73用于对于第二子数据集所对应的各预设车辆，确定预设车辆的初始电池单体电压与电池差异校正值之间的第二差值；将预设车辆的电池单体平均电压与预设车辆的第二差值之和，作为预设车辆校正后的电池单体平均电压。
可选地，电池荷电状态的预测装置70还包括训练模块74。训练模块74用于将第一子数据集作为训练集，以及将经电池差异校正后的至少一个第二子数据集作为验证集；利用训练集和验证集，训练得到预测模型。
可选地，电池差异校正模块73还用于对第一运行数据进行电池差异校正，得到校正后的第二运行数据；预测模块72用于将第二运行数据输入至预测模型，预测得到目标车辆的电池荷电状态。
需要说明的是，本实施方式的装置可以执行上述方法中的步骤，相关内容的详细说明请参见上述方法部分，在此不再赘叙。
请参阅图8，图8是本申请提供的电子设备一实施例的框架示意图。本实施方式中，电子设备80包括存储器81和处理器82。
处理器82还可以称为CPU(Central Processing Unit，中央处理单元)。处理器82可能是一种集成电路芯片，具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器82也可以是任何常规的处理器82等。
电子设备80中的存储器81用于存储处理器82运行所需的程序指令。
处理器82用于执行程序指令以实现本申请中的电池荷电状态的预测方法。
请参阅图9，图9是本申请提供的计算机可读存储介质一实施例的框架示意图。本申请实施例的计算机可读存储介质90存储有程序指令91，该程序指令91被执行时实现本申请提供的电池荷电状态的预测方法。其中，该程序指令91可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质90中，以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质90包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
以上方案，用于预测目标车辆的荷电状态的预测模型是基于第一样本数据集进行训练得到的，并且第一样本数据集是第二样本数据集经电池差异校正后得到的，第二样本数据集包括若干预设车辆的历史运行数据。由于不同预设车辆之间的电池老化程度存在差异、电池单体电量存在差异，若基于第二样本数据集训练预测模型，当目标车辆的第一运行数据与第二样本数据集中的数据接近时，训练好的预测模型预测的电池荷电状态较为准确，而当目标车辆的第一运行数据与第二样本数据集中的数据差异较大时，训练好的预测模型预测的电池荷电状态准确度较低。也即是，基于第二样本数据集训练的预测模型仅适用部分车辆的电池荷电状态预测。通过对第二样本数据集进行电池老化程度差异校正、电池单体电量分布差异校正得到的第一样本数据集中各预设车辆不存在老化程度差异、电池单体电量分布差异。这样，基于第一样本数据集训练得到的预测模型可以对更多车辆的电池荷电状态进行准确预测，从而可以提高预测电池荷电状态的准确度。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置和系统，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种电池荷电状态的预测方法，其特征在于，所述方法包括：
获取目标车辆的第一运行数据；
利用预测模型对所述第一运行数据进行预测，得到所述目标车辆的电池荷电状态；
其中，所述预测模型基于第一样本数据集训练得到，所述第一样本数据集由第二样本数据集经电池差异校正后得到，所述第二样本数据集包括若干预设车辆的历史运行数据，所述电池差异校正包括电池老化程度差异校正、电池单体电量分布差异校正中的至少一者。
2.根据权利要求1所述的方法，其特征在于，对所述第二样本数据集进行所述电池差异校正的步骤包括：
分别确定各所述预设车辆的电池差异数据；
基于各所述预设车辆的电池差异数据之间的差异，将所述第二样本数据集划分为第一子数据集和至少一个第二子数据集；
基于所述第一子数据集所对应的若干预设车辆的电池差异数据，确定电池差异校正值；
基于所述电池差异校正值，对所述至少一个第二子数据集进行所述电池差异校正。
3.根据权利要求2所述的方法，其特征在于，所述基于各所述预设车辆的电池差异数据之间的差异，将所述样本数据集划分为第一子数据集和至少一个第二子数据集，包括：
分别确定各所述预设车辆的电池差异数据与预设阈值之间的差值绝对值；
将所述第二样本数据集中所述差值绝对值小于差值阈值的各所述预设车辆的历史运行数据划分到所述第一子数据集；
基于所述第二样本数据集中除所述第一子数据集之外的所述预设车辆的历史运行数据，划分所述至少一个第二子数据集。
4.根据权利要求2所述的方法，其特征在于，所述基于所述第一子数据集所对应的若干预设车辆的电池差异数据，确定电池差异校正值，包括：
将所述第一子数据集所对应的若干预设车辆的电池差异数据的平均值，作为所述电池差异校正值。
5.根据权利要求2所述的方法，其特征在于，所述电池差异校正包括所述电池老化程度差异校正，所述电池差异数据包括初始电池安时容量，所述初始电池安时容量为上一次处于满充状态时的累计充电量与累计放电量之间的差值，各所述预设车辆的历史运行数据包括各所述预设车辆的电池安时容量；
所述基于所述电池差异校正值，对所述至少一个第二子数据集进行所述电池差异校正，包括：
对于所述第二子数据集所对应的各所述预设车辆，确定所述预设车辆的初始电池安时容量与所述电池差异校正值之间的第一差值；
将所述预设车辆的电池安时容量与所述预设车辆的第一差值之和，作为所述预设车辆校正后的电池安时容量。
6.根据权利要求2所述的方法，其特征在于，所述电池差异校正包括所述电池单体电量分布差异校正，所述电池差异数据包括初始电池单体电压，所述初始电池单体电压为电池单体最大电压与电池单体最小电压之间的差值，各所述预设车辆的历史运行数据包括各所述预设车辆的电池单体平均电压；
所述基于所述电池差异校正值，对所述至少一个第二子数据集进行所述电池差异校正，包括：
对于所述第二子数据集所对应的各所述预设车辆，确定所述预设车辆的初始电池单体电压与所述电池差异校正值之间的第二差值；
将所述预设车辆的电池单体平均电压与所述预设车辆的第二差值之和，作为所述预设车辆校正后的电池单体平均电压。
7.根据权利要求2所述的方法，其特征在于，对所述预测模型进行训练的步骤包括：
将所述第一子数据集作为训练集，以及将经所述电池差异校正后的所述至少一个第二子数据集作为验证集；
利用所述训练集和所述验证集，训练得到所述预测模型。
8.根据权利要求1所述的方法，其特征在于，所述利用预测模型对所述第一运行数据进行预测，得到所述目标车辆的电池荷电状态，包括：
对所述第一运行数据进行所述电池差异校正，得到校正后的第二运行数据；
将所述第二运行数据输入至所述预测模型，预测得到所述目标车辆的电池荷电状态。
9.一种电池荷电状态的预测装置，其特征在于，所述装置包括：
获取模块，用于获取目标车辆的第一运行数据；
预测模块，用于利用预测模型对所述第一运行数据进行预测，得到所述目标车辆的电池荷电状态；
其中，所述预测模型基于第一样本数据集训练得到，所述第一样本数据集由第二样本数据集经电池差异校正后得到，所述第二样本数据集包括若干预设车辆的历史运行数据，所述电池差异校正包括电池老化程度差异校正、电池单体电量分布差异校正中的至少一者。
10.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，
所述存储器存储有程序指令；
所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1-8任一项所述的方法。
11.一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用于存储程序指令，所述程序指令能够被处理器执行以实现权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310454424.4A CN116679209A (zh) | 2023-04-23 | 2023-04-23 | 电池荷电状态的预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310454424.4A CN116679209A (zh) | 2023-04-23 | 2023-04-23 | 电池荷电状态的预测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116679209A true CN116679209A (zh) | 2023-09-01 |
Family
ID=87777667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310454424.4A Pending CN116679209A (zh) | 2023-04-23 | 2023-04-23 | 电池荷电状态的预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679209A (zh) |
-
2023
- 2023-04-23 CN CN202310454424.4A patent/CN116679209A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Aging trajectory prediction for lithium-ion batteries via model migration and Bayesian Monte Carlo method | |
| Pan et al. | State of charge estimation of lithium-ion batteries using a grey extended Kalman filter and a novel open-circuit voltage model | |
| Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
| US10170924B2 (en) | Modeling a change in battery degradation | |
| US11215674B2 (en) | Determining a state of health of a battery and providing an alert | |
| CN110011374B (zh) | 一种电池充放电电流的控制方法、系统及终端设备 | |
| US20210055348A1 (en) | Apparatus and method for estimating state of charge of secondary battery | |
| CN114072684A (zh) | 在服务器侧表征能重复充电的电池 | |
| KR20160067510A (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
| KR20190123172A (ko) | 배터리 상태 추정 방법 | |
| US20220206078A1 (en) | Method for estimating aging state of battery and apparatus for performing method therefor | |
| CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
| CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
| CN113406523A (zh) | 一种储能电池状态评价方法、装置、电子设备及存储系统 | |
| KR20210000207A (ko) | 내부 단락 셀 검출 방법 | |
| CN116047300A (zh) | 用以预测电池的特性参数的控制器及其方法 | |
| KR101835377B1 (ko) | 다변량 웨이블릿 변환 기반의 배터리팩 충전상태 추정 방법 및 그 장치 | |
| US20220284747A1 (en) | System and method for forecasting battery state with imperfect data | |
| Schmitt et al. | State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data | |
| Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
| KR20210000206A (ko) | 이상 배터리 셀 검출 방법 | |
| CN116298927B (zh) | 一种电池容量估计方法和装置、计算机设备、存储介质 | |
| CN117129874A (zh) | 电池等效电路模型的参数辨识方法及装置 | |
| CN116679209A (zh) | 电池荷电状态的预测方法、装置、设备和存储介质 | |
| KR20230028017A (ko) | 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법 |
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 |