CN116794512A - 电池容量估算方法、装置、电子设备及存储介质 - Google Patents
电池容量估算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116794512A CN116794512A CN202310087083.1A CN202310087083A CN116794512A CN 116794512 A CN116794512 A CN 116794512A CN 202310087083 A CN202310087083 A CN 202310087083A CN 116794512 A CN116794512 A CN 116794512A
- Authority
- CN
- China
- Prior art keywords
- battery
- battery state
- state parameter
- measurement data
- capacity
- 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 60
- 238000005259 measurement Methods 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 229910001416 lithium ion Inorganic materials 0.000 description 9
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 8
- 230000036541 health Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请提供一种电池容量估算方法、装置、电子设备及存储介质。该方法通过将电池状态参数进行离散化操作,得到电池状态参数离散值,并将电池状态参数离散值输入电池容量预测模型,以完成电池容量的估算。本申请的方法相比基于显式模型预测的传统评估方法具有自学习能力,相比基于传统机器学习方法的评估方法具有更高的精准度,能适应不同条件下如低温、湿度等的电池变化情况,适用于车载电池组。
Description
技术领域
本申请涉及电池管理技术领域,尤其涉及一种电池容量估算方法、装置、电子设备及存储介质。
背景技术
为解决离网系统应急供电、新能源汽车救援及双电源备用、调峰调谷,需求响应等辅助交易等多模式需求,移动充电车应运而生。锂离子(Li-ion)可充电电池在移动充电车中用作主要储能元件,多个锂离子电池组组成储能模块。
移动充电车用于离网系统应急供电等场景,对于有损耗的电池组,需要准确评估电池的荷电容量才能有效安排应急供电的移动充电车数量和型号,因此对单个电池的健康状态评估提出了严格的要求。然而,传统电池健康状态评估方法存在电池健康状态检测不准确、不及时,无法满足实际应用需求等问题。
发明内容
有鉴于此,本申请的目的在于提出一种电池容量估算方法、装置、电子设备及存储介质。
基于上述目的,本申请提供了一种电池容量估算方法,包括:
获取电池状态参数;其中,所述电池状态参数包括电池部分充电周期的电压、电流和充电容量;
将所述电池状态参数进行离散化操作,以得到电池状态参数离散值;
将所述电池状态参数离散值输入预先训练的电池容量预测模型,以进行电池容量的估算;
其中,所述电池容量预测模型,提取所述电池状态参数离散值的特征,并根据所述特征,估算电池容量。
可选地,所述方法还包括通过以下方法训练得到所述电池容量预测模型:
获取电池状态参数训练集;其中,所述电池状态参数训练集包括电池状态参数测量数据的离散值和电池的放电容量;
将所述电池状态参数测量数据的离散值作为模型的输入,所述放电容量作为模型的输出,训练深度卷积神经网络,并将训练好的深度卷积神经网络作为所述电池容量预测模型。
可选地,所述方法还包括通过以下方法得到所述电池状态参数测量数据的离散值:
获取电池状态参数测量数据;其中,所述电池状态参数测量数据包括电池部分充电周期的电压测量数据、电流测量数据和充电容量测量数据;
根据所述电池状态参数测量数据,得到电池状态参数曲线;
将所述电池状态参数曲线离散化为若干段;其中,每段电池状态参数曲线包含若干电池状态参数测量数据;
将每段电池状态参数曲线内的若干电池状态参数测量数据取平均值,以得到所述电池状态参数测量数据的离散值。
可选地,所述将所述电池状态参数测量数据的离散值作为模型的输入,包括:
根据所述电池状态参数测量数据的离散值,得到所述模型的输入矩阵,并将所述输入矩阵作为模型的输入;
其中,所述输入矩阵表示为:
其中,和/>分别表示在部分充电周期的第i段的电池状态参数测量数据的离散值。
可选地,所述训练深度卷积神经网络,并将训练好的深度卷积神经网络作为所述电池容量预测模型,包括:
基于预先设置的成本函数泛化模型的误差;其中,所述成本函数定义为:
其中,JR(θ)表示成本函数,J(θ)为线性回归中的成本函数,λΩ(ω)表示正则化项,λ表示衡量范数惩罚项相对贡献的L2正则化因子,Ω(ω),hθ(x)表示假设函数,m表示每次迭代使用的样本数,x(i)表示第i个输入样本矩阵,y(i)表示对应的目标值,ω表示权重矩阵,ωT表示权重矩阵的转置。
可选地,所述假设函数hθ(x)表示为:
hθ(x)=b0x0+ω1x1+…+ωnxn
其中,ωn表示第n个未知参数,xn表示ωn对应的输入变量,b0为偏差,x0=1。
可选地,参数θ根据以下公式迭代更新:
其中,表示对q个样本的最小样本集进行采样的精确梯度的估计量,/>表示第j次迭代中的最小样本集的第i个输入矩阵,/>表示对应的目标值,α表示步长,γ表示动量,θj表示第j次迭代中的参数估计。
基于上述目的,本申请还提供了一种电池容量估算装置,包括:
获取模块,被配置为获取电池状态参数;其中,所述电池状态参数包括电池部分充电周期的电压、电流和充电容量;
数据处理模块,被配置为将所述电池状态参数进行离散化操作,以得到电池状态参数离散值;
估算模块,被配置为将所述电池状态参数离散值输入预先训练的电池容量预测模型,以进行电池容量的估算;
其中,所述电池容量预测模型,提取所述电池状态参数离散值的特征,并根据所述特征,估算电池容量。
基于上述目的,本申请还提供了一种电子设备,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任一实施例所述的方法。
基于上述目的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行如上任一实施例所述的方法。
从上面所述可以看出,本申请提供的一种电池容量估算方法、装置、电子设备及存储介质,通过提取电池状态参数的特征来估算电池的容量,避免了严重依赖人工的手动特征提取,及时、准确地对电池健康状态进行估算。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本申请实施例的示例性电池容量估算方法的示意图。
图2示出了根据本申请实施例的示例性电池容量估算方法的示意图。
图3示出了根据本申请实施例的示例性电池容量估算方法的示意图。
图4示出了根据本申请实施例的示例性电池容量估算方法的示意图。
图5示出了根据本申请实施例的电池容量估算方法的实验结果图。
图6示出了根据本申请实施例的电池容量估算装置的示意图。
图7示出了根据本申请实施例的电子设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如背景技术所述,传统电池健康状态评估方法存在电池健康状态检测不准确、不及时,无法满足实际应用需求等问题。
本申请提出了一种电池容量估算方法,该方法利用深度卷积神经网络(DynamicConvolution Neural Network,DCNN),根据部分充电周期期间的电压、电流和电荷容量测量数据进行电池级容量估计。DCNN具有本地连接和共享权重的特点,这使所提模型能够利用充电期间的测量数据准确估计电池容量。本申请的方法与浅层神经网络和相关向量机等传统机器学习方法相比,在锂离子电池容量在线估计中具有更高的准确性和鲁棒性。本申请的方法相比基于显式模型预测的传统评估方法具有自学习能力,相比基于传统机器学习方法的评估方法具有更高的精准度,能适应不同条件下如低温、湿度等的电池变化情况,适用于车载电池组。
图1示出了根据本申请实施例提供的电池容量估算方法的流程图。该方法可以包括如下步骤:
在步骤S101,获取电池状态参数。
本申请实施例使用电池容量预测模型,该模型可以是深度架构DCNN。根据电池状态参数(例如,电池部分充电周期的电压、电流和充电容量)在线评估电池单元的容量。其中电压和电流可以直接从电池中测量,而充电容量需要使用库仑计数法计算,该方法将充电电流与部分充电周期的时间进行积分以计算充电容量。
在步骤S103,将所述电池状态参数进行离散化操作,以得到电池状态参数离散值。
具体地,根据电池状态参数得到电池部分充电周期的电压、电流和充电容量的曲线,将该曲线划分为若干段,并将每段内的电池状态参数数据取平均值,从而得到电池状态参数离散值。
在步骤S105,将所述电池状态参数离散值输入预先训练的电池容量预测模型,以进行电池容量的估算;其中,所述电池容量预测模型,提取所述电池状态参数离散值的特征,并根据所述特征,估算电池容量。
DCNN独特的特征包括稀疏交互(也称为稀疏连接或稀疏权重)、参数共享和等变表示,使预测模型能够从大量充电数据中自动提取高级特征并充分利用使用这些特征,并准确估算锂离子电池的容量,得到电池容量估计。
本申请实施例的DCNN的结构参考图2。DCNN主要由两类层组成:卷积层和全连接层。卷积层用于执行一种特殊的线性运算,称为卷积。本申请实施例中,卷积是对输入和内核的操作。在一些实施例中,如图2所示,DCNN可以包括具有16、32、40个卷积核的卷积层,以及两个具有40个神经元的全连接层。
具体来说,如图2所示,卷积层的每个单元都通过一组称为滤波器的权重连接到前一层特征图中。这个局部加权和的结果然后通过各种层,包括线性修正单元(ReLU)和批归一化(BN),以形成下一层的特征图。全连接层使用单独的权重矩阵执行矩阵乘法,描述所有输入和输出单元之间的成对交互。即第2个全连接层中第i个单元的值(即)是通过将前一层的所有单元(即/>)乘以一个权重矩阵来确定的。
模型的训练过程如下所述。
如图2所示,在一些实施例中,用于训练DCNN模型的电池状态参数训练集(Dataset1)可以包括电池状态参数测量数据的离散值和电池的放电容量。并将电池状态参数测量数据的离散值作为模型的输入,放电容量作为模型的输出,训练DCNN模型。可以理解,模型的输入为矩阵的形式,该矩阵可以是的矩阵,例如,
如图3所示,在一些实施例中,电池状态参数测量数据的离散值可以通过以下方法得到:
将测量得到的电池部分充电周期的电压测量数据、电流测量数据和充电容量测量数据作为电池状态参数测量数据。为了显示时间序列输入和输出,绘制了一个电池单元在充电时间(s)为部分充电周期内的电池状态参数测量数据的曲线,分别包括电压测量数据的曲线(电压(V)),电流测量数据的曲线(电流(A))和充电容量测量数据的曲线(充电容量(Ah))。将每条曲线离散化为若干段,再将段内的若干测量数据取平均值,得到电池状态参数测量数据的离散值,在一些实施例中,可以将每条曲线离散化为25段,即离散化操作。使用库仑计数法,根据电池完整放电周期的放电电流,计算荷电容量(即放电容量)。电池状态参数测量数据的离散值被称为模型的输入变量。因此,模型的输入矩阵可以表示为:
在一些实施例中,模型的输入可以是一个大小固定为25×3的矩阵,其中第一列、第二列和第三列分别与电压、电流和电荷容量的离散值相关联。矩阵定义为:
其中,和/>分别表示在部分充电周期的第i个时间间隔(Δti)处测量的第i段的电池状态参数测量数据(电压测量数据、电流测量数据和充电容量测量数据的离散值)。每个部分充电周期都有相应的放电容量,作为DCNN模型的实际输出。放电容量是使用库仑计数法计算的,该方法对紧随部分充电循环之后的整个完全放电循环随时间的放电电流进行积分。电压测量数据、电流测量数据和充电容量测量数据的离散值和放电容量组成用于训练模型的电池状态参数训练集。
参考图4,本申请所提出的DCNN模型的总体架构由八个组件组成,具有超过28,000个参数和约6000个神经元。前五个构建组件是卷积组件,其余三个是全连接组件。每个卷积组件都由一个卷积层、一个BN和一个ReLU组成,除了第一个卷积阶段,还有一个附加的最大池化层用于该阶段ReLU的输出。BN是深度学习中广泛使用的技术,用于减少训练期间每一层输入变化的分布。ReLU用于将非线性特性引入神经网络。五个卷积组件之后是三个全连接组件,除最后一个全连接组件外,每个全连接组件都包括一个全连接层、一个BN和一个ReLU。最后一个全连接组件的输出由回归层接收,输出目标数据集为目标电池容量估计。
在模型的训练阶段,DCNN模型需要在训练过程中识别未知参数(例如,卷积层和全连接层的权重和偏差)。为了正确识别这些参数,定义了一个成本函数J来衡量模型预测与相关地面实况之间的差异(或泛化误差)。成本函数给出的预期泛化误差通过广泛使用的优化方法最小化,即具有动量的随机梯度下降(SGD)。具有动量的SGD更新了参数θ(权重ω和偏差b),通过在成本函数的负梯度方向上采取小步来最小化泛化误差。这个过程重复多次,每次迭代都在一小组训练样本上执行,直到泛化误差接近于零。具有正则化项的成本函数JR(θ)定义为:
其中,JR(θ)表示成本函数,J(θ)为线性回归中的成本函数,λΩ(ω)表示正则化项,λ表示衡量范数惩罚项相对贡献的L2正则化因子,Ω(ω),hθ(x)表示假设函数,m表示每次迭代使用的样本数,x(i)表示第i个输入样本矩阵,y(i)表示对应的目标值,ω表示权重矩阵,ωT表示权重矩阵的转置。
假设函数hθ(x)可以表示为:
hθ(x)=b0x0+ω1x1+…+ωnxn
其中,ωn表示第n个未知参数,xn表示ωn对应的输入变量,b0为偏差,x0=1。
其中,表示对q个样本的最小样本集进行采样的精确梯度的估计量,/>表示第j次迭代中的最小样本集的第i个输入矩阵,/>表示对应的目标值,α表示步长(或初始学习率),γ表示动量,决定了前一次迭代对当前迭代的梯度贡献,θj表示第j次迭代中的参数估计。
为了说明本申请的技术方案,下面通过具体实施例来进行说明。
采用公开数据集对所提算法进行测试。第一个数据集来自对可植入应用中使用的八个锂离子方形电池进行的10年循环测试(即重复完全充电/放电循环)。第二个数据集来自对20个18650锂离子电池进行的半年循环测试。
数据采样为10年的锂离子电池充放电循环测试,16个锂离子电池密封在棱柱形外壳中,并在实验室37℃环境下进行全深度充电/放电循环。本申请使用日常循环数据来验证所提出的深度学习方法在准确估计电池容量方面的有效性。该数据集是在3000次充电/放电循环中收集的。
同时,测试了4种情景下的电池预测情况,情景1:较低的初始荷电容量(State ofCharge,SoC)(3%-23%),电流测量无偏差;情景2:低初始SoC(3%-23%),电流测量有2%正偏差;情景3:高初始SoC(23%-43%),电流测量无偏差;情景4:高初始SoC(23%-43%),电流测量有2%正偏差。
因此,本申请构建了四个不同的数据集,且其具有不同的初始电压和电流测量噪声设置,用于容量估计。为这些数据集中的每一个建立了DCNN模型,以验证所提出的方法在在线容量估计中的准确性及其对初始SoC水平和电流测量误差的鲁棒性。
在数据集中,每日循环测试遵循恒流恒压(CC-CV)充电和CC放电协议。在CC-CV充电循环中,充电过程分为两个连续步骤,即CC充电步骤和CV充电步骤。因此,总充电容量由CC充电容量和CV充电容量组成。在CC充电步骤中,应用恒定电流对电池充电,直到其电压升至预设的最大充电电压Vmax。随后,充电过程立即从CC充电步骤过渡到CV充电步骤。在CV充电步骤中,充电电压在固定时间内保持恒定在Vmax,充电电流持续下降。充电周期完成后,电池将进行CC放电循环,以标称日放电率将电池放电至最小放电电压(Vmin)。
DCNN为案例1-4进行的容量估计参考图5,图5中横坐标为充电循环次数(次),纵坐标为电池容量(%)。使用库仑计数法计算充电/放电循环的测量容量,该方法对整个放电的放电电流随时间进行积分循环;使用DCNN模型得到电池充电/放电循环的估计容量。从图5可以看出,DCNN模型可以密切跟踪所有四种情况在整个循环测试中的容量衰减趋势。
基于以上讨论,可以得出结论,无论初始充电水平如何,本申请中的DCNN模型都能良好地预测电池的荷电容量。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一技术构思,与上述任意实施例方法相对应的,本申请还提供了一种电池容量估算装置。
参考图6,所述电池容量估算装置,包括:
获取模块601,被配置为获取电池状态参数;其中,所述电池状态参数包括电池部分充电周期的电压、电流和充电容量。
数据处理模块602,被配置为将所述电池状态参数进行离散化操作,以得到电池状态参数离散值。
估算模块603,被配置为将所述电池状态参数离散值输入预先训练的电池容量预测模型,以进行电池容量的估算;其中,所述电池容量预测模型,提取所述电池状态参数离散值的特征,并根据所述特征,估算电池容量。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的电池容量估算方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一技术构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,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任意一实施例所述的电池容量估算方法。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备、动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的电池容量估算方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一技术构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的电池容量估算方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的电池容量估算方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种电池容量估算方法,其特征在于,包括:
获取电池状态参数;其中,所述电池状态参数包括电池部分充电周期的电压、电流和充电容量;
将所述电池状态参数进行离散化操作,以得到电池状态参数离散值;
将所述电池状态参数离散值输入预先训练的电池容量预测模型,以进行电池容量的估算;
其中,所述电池容量预测模型,提取所述电池状态参数离散值的特征,并根据所述特征,估算电池容量。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括通过以下方法训练得到所述电池容量预测模型:
获取电池状态参数训练集;其中,所述电池状态参数训练集包括电池状态参数测量数据的离散值和电池的放电容量;
将所述电池状态参数测量数据的离散值作为模型的输入,所述放电容量作为模型的输出,训练深度卷积神经网络,并将训练好的深度卷积神经网络作为所述电池容量预测模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括通过以下方法得到所述电池状态参数测量数据的离散值:
获取电池状态参数测量数据;其中,所述电池状态参数测量数据包括电池部分充电周期的电压测量数据、电流测量数据和充电容量测量数据;
根据所述电池状态参数测量数据,得到电池状态参数曲线;
将所述电池状态参数曲线离散化为若干段;其中,每段电池状态参数曲线包含若干电池状态参数测量数据;
将每段电池状态参数曲线内的若干电池状态参数测量数据取平均值,以得到所述电池状态参数测量数据的离散值。
4.根据权利要求2所述的方法,其特征在于,所述将所述电池状态参数测量数据的离散值作为模型的输入,包括:
根据所述电池状态参数测量数据的离散值,得到所述模型的输入矩阵,并将所述输入矩阵作为模型的输入;
其中,所述输入矩阵表示为:
其中,和/>分别表示在部分充电周期的第i段的电池状态参数测量数据的离散值。
5.根据权利要求2所述的方法,其特征在于,所述训练深度卷积神经网络,并将训练好的深度卷积神经网络作为所述电池容量预测模型,包括:
基于预先设置的成本函数泛化模型的误差;其中,所述成本函数定义为:
其中,JR(θ)表示成本函数,J(θ)为线性回归中的成本函数,λΩ(ω)表示正则化项,λ表示衡量范数惩罚项相对贡献的L2正则化因子,Ω(ω),hθ(x)表示假设函数,m表示每次迭代使用的样本数,x(i)表示第i个输入样本矩阵,y(i)表示对应的目标值,ω表示权重矩阵,ωT表示权重矩阵的转置。
6.根据权利要求5所述的方法,其特征在于,所述假设函数hθ(x)表示为:
hθ(x)=b0x0+ω1x1+…+ωnxn
其中,ωn表示第n个未知参数,xn表示ωn对应的输入变量,b0为偏差,x0=1。
7.根据权利要求5所述的方法,其特征在于,参数θ根据以下公式迭代更新:
其中,表示对q个样本的最小样本集进行采样的精确梯度的估计量,/>表示第j次迭代中的最小样本集的第i个输入矩阵,/>表示对应的目标值,α表示步长,γ表示动量,θj表示第j次迭代中的参数估计。
8.一种电池容量估算装置,其特征在于,包括:
获取模块,被配置为获取电池状态参数;其中,所述电池状态参数包括电池部分充电周期的电压、电流和充电容量;
数据处理模块,被配置为将所述电池状态参数进行离散化操作,以得到电池状态参数离散值;
估算模块,被配置为将所述电池状态参数离散值输入预先训练的电池容量预测模型,以进行电池容量的估算;
其中,所述电池容量预测模型,提取所述电池状态参数离散值的特征,并根据所述特征,估算电池容量。
9.一种电子设备,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至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310087083.1A CN116794512A (zh) | 2023-02-06 | 2023-02-06 | 电池容量估算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310087083.1A CN116794512A (zh) | 2023-02-06 | 2023-02-06 | 电池容量估算方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116794512A true CN116794512A (zh) | 2023-09-22 |
Family
ID=88045197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310087083.1A Pending CN116794512A (zh) | 2023-02-06 | 2023-02-06 | 电池容量估算方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116794512A (zh) |
-
2023
- 2023-02-06 CN CN202310087083.1A patent/CN116794512A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | State of charge and state of energy estimation for lithium-ion batteries based on a long short-term memory neural network | |
CN109196366B (zh) | 使用高斯过程回归估计电池充电状态的方法和系统 | |
US11422192B2 (en) | Method and apparatus for estimating state of health of battery | |
US9519029B2 (en) | Model-based battery monitoring | |
Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
Liu et al. | State of health estimation of power batteries based on multi-feature fusion models using stacking algorithm | |
CN113219343A (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
Bian et al. | Robust state-of-charge estimation of Li-ion batteries based on multichannel convolutional and bidirectional recurrent neural networks | |
Mazzi et al. | State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units | |
CN115270454A (zh) | 电池寿命预测方法及相关设备 | |
Wong et al. | Li-ion batteries state-of-charge estimation using deep lstm at various battery specifications and discharge cycles | |
CN113884905B (zh) | 基于深度学习的动力电池荷电状态估计方法及系统 | |
Li et al. | State of charge estimation of lithium-ion batteries based on PSO-TCN-Attention neural network | |
CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
Chen et al. | State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine | |
CN117074951A (zh) | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 | |
CN116794512A (zh) | 电池容量估算方法、装置、电子设备及存储介质 | |
KR20230028017A (ko) | 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법 | |
Hsieh et al. | Prediction of Battery Discharge States Based on the Recurrent Neural Network | |
US20230349977A1 (en) | Method and apparatus for estimating state of health of battery | |
Elouazzani et al. | Advancing Lithium-Ion Battery Management with Deep Learning: A Comprehensive Review | |
CN116577665A (zh) | 一种基于多数据融合的电池容量寿命预测方法及装置 |
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 |