CN116796623A - 锂电池soc的预测方法、系统、设备和介质 - Google Patents
锂电池soc的预测方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN116796623A CN116796623A CN202310316797.5A CN202310316797A CN116796623A CN 116796623 A CN116796623 A CN 116796623A CN 202310316797 A CN202310316797 A CN 202310316797A CN 116796623 A CN116796623 A CN 116796623A
- Authority
- CN
- China
- Prior art keywords
- power station
- prediction model
- data
- lithium battery
- neural network
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012821 model calculation Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池SOC的预测方法、系统、设备和介质，该预测方法包括：采集不同类型的电站中目标锂电池的状态数据；将状态数据按照预设训练步长输入预先训练的电荷状态预测模型，预测目标锂电池的SOC值。本发明通过对不同的工况的电站进行建模后，根据电站类型设置不同网络层数的卷积神经网络和循环神经网络，采用卷积神经网络从锂电池的状态数据中提取空间特征数据，再采用循环神经网络从空间特征数据中提取时序特征数据，提高了电站的锂电池的SOC计算的准确度；根据电荷状态预测模型训练时的预设训练步长设置预设预测步长，加快模型计算的速度，大大增强了模型预测的效果。
Description
技术领域
本发明涉及电池技术领域，尤其涉及一种锂电池SOC的预测方法、系统、设备和介质。
背景技术
在储能的电池管理系统中，锂电池SOC(state of Charge，电池荷电状态)，影响着锂电池寿命SOH(state of Health，电池健康状态)、SOE(state of Energy，电池剩余能量)和SOP(state of Power，电池输出功率)，甚至影响锂电池的性能安全。锂电池工作时与多个其他电池并联或者串联，因而所处的环境复杂、影响参数过多，很难对锂电池的SOC进行准确预测。
目前，主要采用安时积分法和开路电压法进行SOC计算，安时积分法通过累计电池的充放电量来估计电池SOC，主要受SOC的初值误差和计算过程中测量仪器的误差影响，导致越往后测量越不准确；开路电压法通过SOC与开路电压之间的函数关系式对电池的SOC进行估算，主要受静置充放电条件和实验获取的参数精度的影响，导致测量准确度低。
发明内容
本发明要解决的技术问题是为了克服现有技术中电站的锂电池SOC的计算的准确度低的缺陷，提供一种锂电池SOC的预测方法、系统、设备和介质。
本发明是通过下述技术方案来解决上述技术问题：
第一方面，本发明提供一种锂电池SOC的预测方法，所述预测方法包括：
采集不同类型的电站中目标锂电池的状态数据；
将所述状态数据按照预设预测步长输入预先训练的电荷状态预测模型，预测所述目标锂电池的SOC值；所述电荷状态预测模型包括卷积神经网络、循环神经网络和全连接层网络，所述卷积神经网络的输出作为所述循环神经网络的输入，所述循环神经网络的输出作为所述全连接层网络结构的输入，所述卷积神经网络和所述循环神经网络的网络层数由所述电站的类型而决定，所述电荷状态预测模型训练时的预设训练步长为所述预设预测步长的整数倍。
较佳地，所述卷积神经网络包括ResNet网络，所述循环神经网络包括Lstm网络，将所述状态数据输入预先训练的电荷状态预测模型，预测所述目标锂电池的SOC值的步骤，包括：
以所述状态数据作为所述ResNet网络的输入，输出空间特征数据；
将所述空间特征数据以时序的方式输入所述Lstm网络结构，输出时序特征数据；
以所述时序特征数据作为所述全连接层网络的输入，输出所述SOC值。
较佳地，在利用所述电荷状态预测模型对所述目标锂电池进行SOC值预测之前，所述预测方法通过以下步骤训练得到所述电荷状态预测模型：
获取第一样本集；所述第一样本集为恒流电站的样本集或者调频电站的样本集，所述第一样本集中包括锂电池的工作状态数据、环境数据和外部设备输入的计算数据；
根据卷积神经网络、循环神经网络和全连接层网络依次连接构建初始电荷状态预测模型；所述初始电荷状态预测模型包括初始恒流电站预测模型和初始调频电站预测模型；
基于所述第一样本集和预设训练步长对所述初始恒流电站预测模型或者所述初始调频电站预测模型进行训练，获得训练好的所述电荷状态预测模型；所述初始恒流电站预测模型和所述初始调频电站预测模型所对应的损失函数不同。
较佳地，所述电站包括恒流电站和调频电站，所述采集不同类型的电站中目标锂电池的状态数据的步骤，包括：
根据跳采样法按照预设采样间隔采集所述恒流电站或者所述调频电站的电池数据；
从所述电池数据中筛选出所述目标锂电池的电压、电流、温度、电量和电压差组成所述状态数据。
第二方面，本发明提供一种锂电池SOC的预测系统，所述预测系统包括：
采集模块，用于采集不同类型的电站中目标锂电池的状态数据；
预测模块，用于将所述状态数据按照预设预测步长输入预先训练的电荷状态预测模型，预测所述目标锂电池的SOC值；所述电荷状态预测模型包括卷积神经网络、循环神经网络和全连接层网络，所述卷积神经网络的输出作为所述循环神经网络的输入，所述循环神经网络的输出作为所述全连接层网络结构的输入，所述卷积神经网络和所述循环神经网络的网络层数由所述电站的类型而决定，所述电荷状态预测模型训练时的预设训练步长为所述预设预测步长的整数倍。
较佳地，所述卷积神经网络包括ResNet网络，所述循环神经网络包括Lstm网络，所述预测模块，包括：
第一输入单元，用于以所述状态数据作为所述ResNet网络的输入，输出空间特征数据；
第二输入单元，用于将所述空间特征数据以时序的方式输入所述Lstm网络结构，输出时序特征数据；
第三输入单元，用于以所述时序特征数据作为所述全连接层网络的输入，输出所述SOC值。
较佳地，所述预测系统通过以下模块训练生成所述电荷状态预测模型：
获取模块，用于获取第一样本集；所述第一样本集为恒流电站的样本集或者调频电站的样本集，所述第一样本集中包括锂电池的工作状态数据、环境数据和外部设备输入的计算数据；
构建模块，用于根据卷积神经网络、循环神经网络和全连接层网络依次连接构建初始电荷状态预测模型；所述初始电荷状态预测模型包括初始恒流电站预测模型和初始调频电站预测模型；
训练模块，用于基于所述第一样本集和预设训练步长对所述初始恒流电站预测模型或者所述初始调频电站预测模型进行训练，获得训练好的所述电荷状态预测模型；所述初始恒流电站预测模型和所述初始调频电站预测模型所对应的损失函数不同。
较佳地，所述电站包括恒流电站和调频电站，所述采集模块，包括：
采集单元，用于根据跳采样法按照预设采样间隔采集所述恒流电站或者所述调频电站的电池数据；
筛选单元，用于从所述电池数据中筛选出所述目标锂电池的电压、电流、温度、电量和电压差组成所述状态数据。
第三方面，本发明提供一种电子设备，包括处理器、存储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，所述计算机程序被所述处理器执行时实现如上所述的锂电池SOC的预测方法。
第四方面，本发明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的计算机程序，所述计算机程序被处理器执行时实现如上所述的锂电池SOC的预测方法。
本发明的积极进步效果在于：采集不同类型的电站中目标锂电池的状态数据；将状态数据按照预设预测步长输入预先训练的电荷状态预测模型，预测目标锂电池的SOC值。本发明通过对不同的工况的电站进行建模后，根据电站类型设置不同网络层数的卷积神经网络和循环神经网络，采用卷积神经网络从锂电池的状态数据中提取空间特征数据，再采用循环神经网络从空间特征数据中提取时序特征数据，提高了电站的锂电池的SOC计算的准确度；根据电荷状态预测模型训练时的预设训练步长设置预设预测步长，加快模型计算的速度，增强了模型预测的效果。
附图说明
图1为本发明实施例1的锂电池SOC的预测方法的流程示意图。
图2为本发明实施例1的锂电池SOC的预测方法的步骤S11的流程示意图。
图3为本发明实施例1的锂电池SOC的预测方法的步骤S13的流程示意图。
图4为本发明实施例1的锂电池SOC的预测方法的流程示意图。
图5位本发明实施例1的锂电池SOC的预测方法中电荷状态预测模型的结构示意图。
图6为本发明实施例2的锂电池SOC的预测系统的第一模块示意图。
图7为本发明实施例2的锂电池SOC的预测系统的第二模块示意图。
图8为本发明实施例3的实现锂电池SOC的预测方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例的锂电池SOC的预测方法，如图1所示，该预测方法包括：
S11、采集不同类型的电站中目标锂电池的状态数据；
S12、将状态数据按照预设预测步长输入预先训练的电荷状态预测模型，预测目标锂电池的SOC值；电荷状态预测模型包括卷积神经网络、循环神经网络和全连接层网络，卷积神经网络的输出作为循环神经网络的输入，循环神经网络的输出作为全连接层网络结构的输入，卷积神经网络和循环神经网络的网络层数由电站的类型而决定，电荷状态预测模型训练时的预设训练步长为预设预测步长的整数倍。
针对上述步骤S11，当前遇到的电站工作方式主要有两种，分别为调频电站和恒流电站。调频电站的充放电方式下的电流是变化的，且变化幅度不定，存在中途充电电流由小变大或者变为放电的情况，或者放电电流由小变大或者变为充电的情况。恒流电站的充放电方式下的充电电流是恒定的，一旦开始充电或者放电，在无任何特殊情况(例如，外界不可抗拒的因素)下，将会以恒定电流充电直到充满状态或者将所有电量完全放完电为止。采集调频电站和恒流电站中目标锂电池的状态数据，该状态数据可以包括目标锂电池的电压、电流、温度、电量变化等参数。
针对上述步骤S12，当利用调频电站的电池数据预先训练电荷状态预测模型时的预设训练步长设置为64时，针对调频电站中目标锂电池的状态数据，将预设预测步长设置为8。当利用恒流电站的电池数据预先训练电荷状态预测模型时的预设训练步长设置为80时，针对恒流电站中目标锂电池的状态数据，将预设预测步长设置为10。本实施例中，电荷状态预测模型训练时的预设训练步长为预设预测步长的8倍时，电荷状态预测模型计算SOC值的准确性最佳。
将状态数据按照预设预测步长*时间点的方式输入电荷状态预测模型中，预测目标锂电池的SOC值。也即，将调频电站对应的状态数据按照8个时间点的数据输入方式输入卷积神经网络层数为50层、循环神经网络层数为2层的电荷状态预测模型。将恒流电站对应的状态数据按照10个时间点的数据输入方式输入卷积神经网络层数为18层、循环神经网络层数为1层的电荷状态预测模型。
在一个可选地实施方式中，该电站包括恒流电站和调频电站，如图2所示，步骤S11包括：
S111、根据跳采样法按照预设采样间隔采集恒流电站或者调频电站的电池数据。
S121、从电池数据中筛选出目标锂电池的电压、电流、温度、电量和电压差组成状态数据。
具体地，采用跳采样法每隔1分钟采集恒流电站或者调频电站的电池数据后，将电池数据中的无效数据进行剔除。例如，长时间的静止数据、0A的电流数据、单个电芯的电压远远超过安全电压的电压数据、电流在长时间静置中短暂出现-1A至1A内波动的电流数据。从剔除无效数据后的电池数据中筛选出可以反应目标锂电池内部情况的数据，例如，目标锂电池的电量、电压、温度数据等后，计算电量差、电压差和温度差，从而可以有效的增加状态数据的数据维度，从目标锂电池中获取的数据种类越多，得到的状态数据的数据维度越多，目标锂电池的SOC计算的准确性越好。
在一个可选地实施方式中，如图3所示，卷积神经网络包括ResNet网络，循环神经网络包括Lstm网络，步骤S13包括：
S131、以状态数据作为ResNet网络的输入，输出空间特征数据。
S132、将空间特征数据以时序的方式输入Lstm网络结构，输出时序特征数据。
S133、以时序特征数据作为全连接层网络的输入，输出SOC值。
针对上述步骤S131-S133，将状态数据输入ResNet网络，经过多层残差网络的提取和扩充后，输出状态数据的高维特征，也即，得到每个时间点所对应的空间特征数据，该空间特征数据表示电压、电流、温度或者电量等物理量在同一个时间点的关系。将空间特征数据经过一次数据特征的转置，使得空间特征数据旋转后以时序的方式输入Lstm网络结构，得到时序特征数据，该方式使得ResNet网络提取的特征数据能够更好的适配Lstm网络结构，以实现时序特征数据和单个时间点的数据能够更好的结合，该时序特征数据表示电压、电流、温度或者电量等物理量与下一个时间点该物理量的关系。将时序特征数据依次连续输入三层全连接层网络，输出目标锂电池的SOC值，该方式有效的提高了单独使用Lstm网络结构进行SOC值的计算的准确性。
ResNet网络对状态数据进行特征提取的过程中，先通过卷积层将以矩阵形式输入的状态数据乘以一个矩阵并加上一个偏置，以获得新的矩阵，该新的矩阵比输入的状态数据具有更高的维度。再通过激活层进行激活，将卷积层的线性映射转换为非线性映射，最终获得输入的状态数据的高维度特征。
在一个可选地实施方式中，如图4所示，在利用电荷状态预测模型对目标锂电池进行SOC值预测之前，该预测方法通过以下步骤训练得到电荷状态预测模型：
S21、获取第一样本集；第一样本集为恒流电站的样本集或者调频电站的样本集，第一样本集中包括锂电池的工作状态数据、环境数据和外部设备输入的计算数据；
S22、根据卷积神经网络、循环神经网络和全连接层网络依次连接构建初始电荷状态预测模型；初始电荷状态预测模型包括初始恒流电站预测模型和初始调频电站预测模型。
S23、基于第一样本集和预设训练步长对初始恒流电站预测模型或者初始调频电站预测模型进行训练，获得训练好的电荷状态预测模型；初始恒流电站预测模型和初始调频电站预测模型所对应的损失函数不同。
针对上述步骤S21-S23，恒流电站的样本集和调频电站的样本集均为小批次样本，从而有效的降低了训练电荷状态预测模型的难度。将锂电池的工作状态数据(例如，电压、电流和电压差)、环境数据(例如，温度)和外部设备输入的计算数据(例如，电量)输入初始恒流电站预测模型或者初始调频电站预测模型。由于调频电站的电流变化比较频繁，所以需要选择较小的预设训练步长进行训练，而恒流电站的电流变化很细微，所以需要选择较大的预设训练步长进行训练。本实施例中，将调频电站的预设训练步长设置为64时，模型训练效果最佳，也可根据实际情况对预设训练步长进行调整，在此不作限制。在进行模型训练的过程中，初步训练时优先考虑使用Adam优化器，当损失低于5％时，自动切换到SGD优化器进行更加精细的优化。对初始恒流电站预测模型进行训练时可以采用Smooth L1损失函数，而对初始调频电站预测模型进行训练时可以采用Smooth L1和Smooth L2。
在一种可选地实施方式中，如图5所示，由ResNet网络和Lstm网络构成的电荷状态预测模型的部分结构示意图，在Lstm网络中，Ct-1到Ct是神经元隐藏状态变化线，xt表示前输入，也即ResNet网络提取的空间特征数据，ht-1表示上个神经元的输出。
本实施例，提供一种锂电池SOC的预测方法，采集不同类型的电站中目标锂电池的状态数据；将状态数据按照预设预测步长输入预先训练的电荷状态预测模型，预测目标锂电池的SOC值。本发明通过对不同的工况的电站进行建模后，根据电站类型设置不同网络层数的卷积神经网络和循环神经网络，采用卷积神经网络从锂电池的状态数据中提取空间特征数据，再采用循环神经网络从空间特征数据中提取时序特征数据，提高了电站的锂电池的SOC计算的准确度；根据电荷状态预测模型训练时的预设训练步长设置预设预测步长，加快模型计算的速度，增强了模型预测的效果。
实施例2
本实施例的锂电池SOC的预测系统，如图6所示，该预测系统包括：采集模块310和预测模块320。
其中，采集模块310，用于采集不同类型的电站中目标锂电池的状态数据。
预测模块320，用于将状态数据按照预设预测步长输入预先训练的电荷状态预测模型，预测目标锂电池的SOC值；电荷状态预测模型包括卷积神经网络、循环神经网络和全连接层网络，卷积神经网络的输出作为循环神经网络的输入，循环神经网络的输出作为全连接层网络结构的输入，卷积神经网络和循环神经网络的网络层数由电站的类型而决定，电荷状态预测模型训练时的预设训练步长为预设预测步长的整数倍。
当前遇到的电站工作方式主要有两种，分别为调频电站和恒流电站。调频电站的充放电方式下的电流是变化的，且变化幅度不定，存在中途充电电流由小变大或者变为放电的情况，或者放电电流由小变大或者变为充电的情况。恒流电站的充放电方式下的充电电流是恒定的，一旦开始充电或者放电，在无任何特殊情况(例如，外界不可抗拒的因素)下，将会以恒定电流充电直到充满状态或者将所有电量完全放完电为止。采集模块310采集调频电站和恒流电站中目标锂电池的状态数据，该状态数据可以包括目标锂电池的电压、电流、温度、电量变化等参数。
当利用调频电站的电池数据预先训练电荷状态预测模型时的预设训练步长设置为64时，针对调频电站中目标锂电池的状态数据，将预设预测步长设置为8。当利用恒流电站的电池数据预先训练电荷状态预测模型时的预设训练步长设置为80时，针对恒流电站中目标锂电池的状态数据，将预设预测步长设置为10。本实施例中，电荷状态预测模型训练时的预设训练步长为预设预测步长的8倍时，电荷状态预测模型计算SOC值的准确性最佳。
预测模块320将状态数据按照预设预测步长*时间点的方式输入电荷状态预测模型中，预测目标锂电池的SOC值。也即，将调频电站对应的状态数据按照8个时间点的数据输入方式输入卷积神经网络层数为50层、循环神经网络层数为2层的电荷状态预测模型。将恒流电站对应的状态数据按照10个时间点的数据输入方式输入卷积神经网络层数为18层、循环神经网络层数为1层的电荷状态预测模型。
在一种可选地实施方式中，如图6所示，该采集模块310，包括：
采集单元311，用于根据跳采样法按照预设采样间隔采集恒流电站或者调频电站的电池数据。
筛选单元312，用于从电池数据中筛选出目标锂电池的电压、电流、温度、电量和电压差组成状态数据。
具体地，采集单元311采用跳采样法每隔1分钟采集恒流电站或者调频电站的电池数据后，将电池数据中的无效数据进行剔除。例如，长时间的静止数据、0A的电流数据、单个电芯的电压远远超过安全电压的电压数据、电流在长时间静置中短暂出现-1A至1A内波动的电流数据。筛选单元312从剔除无效数据后的电池数据中筛选出可以反应目标锂电池内部情况的数据，例如，目标锂电池的电量、电压、温度数据等后，计算电量差、电压差和温度差，从而可以有效的增加状态数据的数据维度，从目标锂电池中获取的数据种类越多，得到的状态数据的数据维度越多，目标锂电池的SOC计算的准确性越好。
在一个可选地实施方式中，如图6所示，卷积神经网络包括ResNet网络，循环神经网络包括Lstm网络，预测模块320包括：
第一输入单元321，用于以状态数据作为ResNet网络的输入，输出空间特征数据。
第二输入单元322，用于将空间特征数据以时序的方式输入Lstm网络结构，输出时序特征数据。
第三输入单元333，用于以时序特征数据作为全连接层网络的输入，输出SOC值。
第一输入单元321将状态数据输入ResNet网络，经过多层残差网络的提取和扩充后，输出状态数据的高维特征，也即，得到每个时间点所对应的空间特征数据，该空间特征数据表示电压、电流、温度或者电量等物理量在同一个时间点的关系。第二输入单元322将空间特征数据经过一次数据特征的转置，使得空间特征数据旋转后以时序的方式输入Lstm网络结构，得到时序特征数据，该方式使得ResNet网络提取的特征数据能够更好的适配Lstm网络结构，以实现时序特征数据和单个时间点的数据能够更好的结合，该时序特征数据表示电压、电流、温度或者电量等物理量与下一个时间点该物理量的关系。第三输入单元333将时序特征数据依次连续输入三层全连接层网络，输出目标锂电池的SOC值，该方式有效的提高了单独使用Lstm网络结构进行SOC值的计算的准确性。
ResNet网络对状态数据进行特征提取的过程中，先通过卷积层将以矩阵形式输入的状态数据乘以一个矩阵并加上一个偏置，以获得新的矩阵，该新的矩阵比输入的状态数据具有更高的维度。再通过激活层进行激活，将卷积层的线性映射转换为非线性映射，最终获得输入的状态数据的高维度特征。
在一个可选地实施方式中，如图7所示，该预测系统还包括：
获取模块210，用于获取第一样本集；第一样本集为恒流电站的样本集或者调频电站的样本集，第一样本集中包括锂电池的工作状态数据、环境数据和外部设备输入的计算数据；
构建模块220，用于根据卷积神经网络、循环神经网络和全连接层网络依次连接构建初始电荷状态预测模型；初始电荷状态预测模型包括初始恒流电站预测模型和初始调频电站预测模型；
训练模块230，用于基于第一样本集和预设训练步长对初始恒流电站预测模型或者初始调频电站预测模型进行训练，获得训练好的电荷状态预测模型；初始恒流电站预测模型和初始调频电站预测模型所对应的损失函数不同。
恒流电站的样本集和调频电站的样本集均为小批次样本，从而有效的降低了训练电荷状态预测模型的难度。获取模块210将锂电池的工作状态数据(例如，电压、电流和电压差)、环境数据(例如，温度)和外部设备输入的计算数据(例如，电量)输入构建模块220构建的初始恒流电站预测模型或者初始调频电站预测模型。训练模块230由于调频电站的电流变化比较频繁，所以需要选择较小的预设训练步长进行训练，而恒流电站的电流变化很细微，所以需要选择较大的预设训练步长进行训练。本实施例中，将调频电站的预设训练步长设置为64时，模型训练效果最佳，也可根据实际情况对预设训练步长进行调整，在此不作限制。在进行模型训练的过程中，初步训练时优先考虑使用Adam优化器，当损失低于5％时，自动切换到SGD优化器进行更加精细的优化。对初始恒流电站预测模型进行训练时可以采用Smooth L1损失函数，而对初始调频电站预测模型进行训练时可以采用Smooth L1和SmoothL2。
本实施例，提供一种锂电池SOC的预测系统，采集模块采集不同类型的电站中目标锂电池的状态数据；预测模块将将状态数据按照预设预测步长输入预先训练的电荷状态预测模型，预测目标锂电池的SOC值。本发明通过对不同工况的电站进行建模后，根据电站类型设置不同网络层数的卷积神经网络和循环神经网络，采用卷积神经网络从锂电池的状态数据中提取空间特征数据，再采用循环神经网络从空间特征数据中提取时序特征数据，提高了电站的锂电池的SOC计算的准确度；根据电荷状态预测模型训练时的预设训练步长设置预设预测步长，加快模型计算的速度，大大增强了模型预测的效果。
实施例3
图8为本实施例提供的一种电子设备的结构示意图。所述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，处理器执行程序时实现实施例1的锂电池SOC的预测方法。图8显示的电子设备90仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备90可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备90的组件可以包括但不限于：上述至少一个处理器91、上述至少一个存储器92、连接不同系统组件(包括存储器92和处理器91)的总线93。
总线93包括数据总线、地址总线和控制总线。
存储器92可以包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。
存储器92还可以包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的锂电池SOC的预测方法。
电子设备90也可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，模型生成的设备90还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器96通过总线93与模型生成的设备90的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备90使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
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，程序被处理器执行时实现实施例1的锂电池SOC的预测方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1的锂电池SOC的预测方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种锂电池SOC的预测方法，其特征在于，所述预测方法包括：
采集不同类型的电站中目标锂电池的状态数据；
将所述状态数据按照预设预测步长输入预先训练的电荷状态预测模型，预测所述目标锂电池的SOC值；所述电荷状态预测模型包括卷积神经网络、循环神经网络和全连接层网络，所述卷积神经网络的输出作为所述循环神经网络的输入，所述循环神经网络的输出作为所述全连接层网络结构的输入，所述卷积神经网络和所述循环神经网络的网络层数由所述电站的类型而决定，所述电荷状态预测模型训练时的预设训练步长为所述预设预测步长的整数倍。
2.如权利要求1所述的锂电池SOC的预测方法，其特征在于，所述卷积神经网络包括ResNet网络，所述循环神经网络包括Lstm网络，将所述状态数据输入预先训练的电荷状态预测模型，预测所述目标锂电池的SOC值的步骤，包括：
以所述状态数据作为所述ResNet网络的输入，输出空间特征数据；
将所述空间特征数据以时序的方式输入所述Lstm网络结构，输出时序特征数据；
以所述时序特征数据作为所述全连接层网络的输入，输出所述SOC值。
3.如权利要求1所述的锂电池SOC的预测方法，其特征在于，在利用所述电荷状态预测模型对所述目标锂电池进行SOC值预测之前，所述预测方法通过以下步骤训练得到所述电荷状态预测模型：
获取第一样本集；所述第一样本集为恒流电站的样本集或者调频电站的样本集，所述第一样本集中包括锂电池的工作状态数据、环境数据和外部设备输入的计算数据；
根据卷积神经网络、循环神经网络和全连接层网络依次连接构建初始电荷状态预测模型；所述初始电荷状态预测模型包括初始恒流电站预测模型和初始调频电站预测模型；
基于所述第一样本集和预设训练步长对所述初始恒流电站预测模型或者所述初始调频电站预测模型进行训练，获得训练好的所述电荷状态预测模型；所述初始恒流电站预测模型和所述初始调频电站预测模型所对应的损失函数不同。
4.如权利要求2所述的锂电池SOC的预测方法，其特征在于，所述电站包括恒流电站和调频电站，所述采集不同类型的电站中目标锂电池的状态数据的步骤，包括：
根据跳采样法按照预设采样间隔采集所述恒流电站或者所述调频电站的电池数据；
从所述电池数据中筛选出所述目标锂电池的电压、电流、温度、电量和电压差组成所述状态数据。
5.一种锂电池SOC的预测系统，其特征在于，所述预测系统包括：
采集模块，用于采集不同类型的电站中目标锂电池的状态数据；
预测模块，用于将所述状态数据按照预设预测步长输入预先训练的电荷状态预测模型，预测所述目标锂电池的SOC值；所述电荷状态预测模型包括卷积神经网络、循环神经网络和全连接层网络，所述卷积神经网络的输出作为所述循环神经网络的输入，所述循环神经网络的输出作为所述全连接层网络结构的输入，所述卷积神经网络和所述循环神经网络的网络层数由所述电站的类型而决定，所述电荷状态预测模型训练时的预设训练步长为所述预设预测步长的整数倍。
6.如权利要求5所述的锂电池SOC的预测系统，其特征在于，所述卷积神经网络包括ResNet网络，所述循环神经网络包括Lstm网络，所述预测模块，包括：
第一输入单元，用于以所述状态数据作为所述ResNet网络的输入，输出空间特征数据；
第二输入单元，用于将所述空间特征数据以时序的方式输入所述Lstm网络结构，输出时序特征数据；
第三输入单元，用于以所述时序特征数据作为所述全连接层网络的输入，输出所述SOC值。
7.如权利要求5所述的锂电池SOC的预测系统，其特征在于，所述预测系统通过以下模块训练生成所述电荷状态预测模型：
获取模块，用于获取第一样本集；所述第一样本集为恒流电站的样本集或者调频电站的样本集，所述第一样本集中包括锂电池的工作状态数据、环境数据和外部设备输入的计算数据；
构建模块，用于根据卷积神经网络、循环神经网络和全连接层网络依次连接构建初始电荷状态预测模型；所述初始电荷状态预测模型包括初始恒流电站预测模型和初始调频电站预测模型；
训练模块，用于基于所述第一样本集和预设训练步长对所述初始恒流电站预测模型或者所述初始调频电站预测模型进行训练，获得训练好的所述电荷状态预测模型；所述初始恒流电站预测模型和所述初始调频电站预测模型所对应的损失函数不同。
8.如权利要求6所述的锂电池SOC的预测系统，其特征在于，所述电站包括恒流电站和调频电站，所述采集模块，包括：
采集单元，用于根据跳采样法按照预设采样间隔采集所述恒流电站或者所述调频电站的电池数据；
筛选单元，用于从所述电池数据中筛选出所述目标锂电池的电压、电流、温度、电量和电压差组成所述状态数据。
9.一种电子设备，其特征在于，包括处理器、存储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，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的锂电池SOC的预测方法。
10.一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1-4中任一项所述的锂电池SOC的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310316797.5A CN116796623A (zh) | 2023-03-28 | 2023-03-28 | 锂电池soc的预测方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310316797.5A CN116796623A (zh) | 2023-03-28 | 2023-03-28 | 锂电池soc的预测方法、系统、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796623A true CN116796623A (zh) | 2023-09-22 |
Family
ID=88035326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310316797.5A Pending CN116796623A (zh) | 2023-03-28 | 2023-03-28 | 锂电池soc的预测方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796623A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973442A (zh) * | 2024-04-01 | 2024-05-03 | 青岛科技大学 | 基于混合神经网络的锂离子电池soc估计方法 |
| CN118033432A (zh) * | 2024-04-12 | 2024-05-14 | 中国科学院大连化学物理研究所 | 一种电池荷电状态估算方法、装置和计算机设备 |
-
2023
- 2023-03-28 CN CN202310316797.5A patent/CN116796623A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973442A (zh) * | 2024-04-01 | 2024-05-03 | 青岛科技大学 | 基于混合神经网络的锂离子电池soc估计方法 |
| CN118033432A (zh) * | 2024-04-12 | 2024-05-14 | 中国科学院大连化学物理研究所 | 一种电池荷电状态估算方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cadini et al. | State-of-life prognosis and diagnosis of lithium-ion batteries by data-driven particle filters | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| Shi et al. | Battery health management using physics-informed machine learning: Online degradation modeling and remaining useful life prediction | |
| CN116796623A (zh) | 锂电池soc的预测方法、系统、设备和介质 | |
| Widodo et al. | Intelligent prognostics for battery health monitoring based on sample entropy | |
| CN111381170A (zh) | 基于大数据的电动汽车电池包健康状态预测方法及系统 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| Song et al. | Remaining life prediction of lithium-ion batteries based on health management: A review | |
| CN112798960B (zh) | 一种基于迁移深度学习的电池组剩余寿命预测方法 | |
| CN105676138A (zh) | 一种预测电池的剩余电量的方法和系统 | |
| CN114609524A (zh) | 运行提供电储能器的预测老化状态的系统的方法和装置 | |
| CN113022378A (zh) | 温度一致性预测方法、装置、预测设备及存储介质 | |
| CN114705990B (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 | |
| CN113884961A (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
| Pepe et al. | Neural ordinary differential equations and recurrent neural networks for predicting the state of health of batteries | |
| Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
| Sun et al. | Adaptive evolution enhanced physics-informed neural networks for time-variant health prognosis of lithium-ion batteries | |
| Venugopal et al. | Analysis of optimal machine learning approach for battery life estimation of Li-ion cell | |
| CN114879046B (zh) | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 | |
| CN116381494A (zh) | 电池最大可用容量预测方法、装置、电子设备及存储介质 | |
| Ang et al. | Efficient linear predictive model with short term features for lithium-ion batteries state of health estimation | |
| Yang et al. | Critical summary and perspectives on state-of-health of lithium-ion battery | |
| CN114970665A (zh) | 模型训练方法、电解电容剩余寿命预测方法及系统 | |
| Khaleghi et al. | Towards machine-learning driven prognostics and health management of Li-ion batteries. A comprehensive review | |
| US20240159838A1 (en) | Method for analyzing and predicting state of health of lithium battery, apparatus, electronic device, and storage medium |
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 |