CN117452223A - 一种铅酸电池soc预测方法和装置 - Google Patents
一种铅酸电池soc预测方法和装置 Download PDFInfo
- Publication number
- CN117452223A CN117452223A CN202310984739.XA CN202310984739A CN117452223A CN 117452223 A CN117452223 A CN 117452223A CN 202310984739 A CN202310984739 A CN 202310984739A CN 117452223 A CN117452223 A CN 117452223A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- soc
- recurrent neural
- short
- 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 29
- 239000002253 acid Substances 0.000 title claims abstract description 20
- 230000000306 recurrent effect Effects 0.000 claims abstract description 15
- 230000006403 short-term memory Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 230000010354 integration Effects 0.000 claims abstract description 3
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 230000015654 memory Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine 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]
- G01R31/367—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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
- G01R31/379—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator for lead-acid batteries
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出了一种基于注意力机制加长短期记忆递归神经网络的铅酸电池SOC预测方法和装置。首先收集历史电池使用数据,根据历史数据利用安时积分法计算电池的SOC数据,然后建立基于注意力机制加长短期记忆递归神经网络模型,并利用带SOC的标签数据对模型进行训练,之后采集电池的实时数据,根据实时数据预测电池的SOC。通过本发明提出的方案,能够更准确和快速地预测铅酸电池的SOC值。
Description
技术领域
本发明属于铅酸电池技术领域,尤其涉及一种基于注意力机制加长短期记忆递归神经网络铅酸电池SOC预测方法。
背景技术
电池是许多设施设备中储能的关键组件,特别是在银行、医院和数据中心的重要设施中。其中铅酸电池由于相对容易制造,价格低廉,安全性高,并且可以在特定的温度范围内较长时间地忍受多次充放电循环,受到了广泛的使用。随着铅酸电池使用时间增加,铅酸电池的容量会下降,最终可能产生电池故障,导致停电,最终影响负载运行。因此,电池的状况直接关系到供电系统的可靠性,荷电状态(SOC)是评价电池健康程度的一个重要参数。SOC估计对于提高电池的使用寿命和利用率,优化电池能源使用、确保安全和延长电池寿命至关重要
目前,有两种广泛常见的SOC预测方法:模型驱动方法和数据驱动方法。模型驱动的方法主要依靠为电池建立化学模型来获得充放电过程的真实规律,而数据驱动的方法则利用传感器数据的提取来推导出同一过程的统计模型。由于铅酸电池准确的化学模型建立通常比较困难,这导致SOC预测准确度不高。而近年来大数据技术的兴起,使得数据驱动的SOC方法受到了广泛的关注。
以往数据驱动来预测SOC的方法主要包括支持向量机,卡尔曼滤波,人工神经网络。现有的数据驱动的模型没有综合考虑影响因素和数据的时间序列特征,也没有探讨时间序列之间的依赖关系。这种遗漏会导致对关键信息的丢失,最终使得电池SOC的预测不准确。因此本发明提出了一种数据驱动的基于注意力机制加长短期记忆递归神经网络铅酸电池SOC预测方法,能够充分考虑铅酸电池SOC的时间序列特征,提高预测的准确率。
发明内容
本发明旨在解决铅酸电池SOC预测时不能够充分考虑SOC的时间序列特征,导致预测准确度降低的技术问题。
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注意力机制加长短期记忆递归神经网络铅酸电池SOC预测方法,其特征在于,能够根据传感器采集的电池数据,实时预测电池的SOC,具体步骤如下:
步骤1:收集历史电池数据,利用历史电流数据,采用安时积分法计算电池SOC;
步骤2:建立注意力机制加长短期记忆递归神经网络模型,并根据历史数据当成输入数据,对输入数据标准化后和计算后的SOC标签数据对模型进行训练;
步骤3:实时收集电池数据;
步骤4:根据实时电池数据,利用训练好的模型预测电池SOC。
更进一步地,步骤1中,电池历史数据包含:电池电压,电流,内阻,电池温度,时间;
更进一步地,步骤2中,历史数据标准化的公式如下:,式中/>表示标准化后的数据,/>为原始数据,/>表示输入数据的最小值,/>表示输入数据的最大值;
更进一步地,步骤2中,损失函数的计算方法如下:,式中m表示训练样本数量,/>表示样本的预测值,/>表示样本的实际值;
第二方面,本发明实施例还提供一种基于注意力机制加长短期记忆递归神经网络铅酸电池SOC预测装置,包括存储器和处理器,所述存储器上存储有计算机可执行指令,其特征在于,所述计算机可执行指令在被所述处理器执行时,实现根据权利要求1 至4中任一项所述的基于大数据估算电池SOC 值的方法。
附图说明
为了更好的说明发明内容与具体实施方式,下面将对本发明中所使用到的相关图形进行说明:
图1是本发明实施例提供的一种基于注意力机制加长短期记忆递归神经网络铅酸电池SOC预测方法流程示意图;
图2是本发明实施例提供的一种基于注意力机制加长短期记忆递归神经网络结构示意图;
图3是本发明实施例方法预测的SOC与实际SOC的对比示意图。
Claims (5)
1.一种基于注意力机制加长短期记忆递归神经网络铅酸电池SOC预测方法,其特征在于,能够根据传感器采集的电池数据,实时预测电池的SOC,具体步骤如下:
步骤1:收集历史电池数据,利用历史电流数据,采用安时积分法计算电池SOC;
步骤2:建立注意力机制加长短期记忆递归神经网络模型,并根据历史数据当成输入数据,对输入数据标准化后和计算后的SOC标签数据对模型进行训练;
步骤3:实时收集电池数据;
步骤4:根据实时电池数据,利用训练好的模型预测电池SOC。
2.如权利要求1所述的一种基于注意力机制加长短期记忆递归神经网络电池SOC预测方法,其中,所述电池历史数据包含:电池电压,电流,内阻,电池温度,时间。
3.如权利要求1所述的一种基于注意力机制加长短期记忆递归神经网络铅酸电池SOC预测方法,其中,历史数据标准化的公式如下: ,式中/>表示标准化后的数据,为原始数据,/>表示输入数据的最小值,/>表示输入数据的最大值。
4.如权利要求1所述的一种基于注意力机制加长短期记忆递归神经网络铅酸电池SOC预测方法,其中,损失函数的计算方法如下:,式中m表示训练样本数量,/>表示样本的预测值,/>表示样本的实际值。
5.一种基于注意力机制加长短期记忆递归神经网络铅酸电池SOC预测装置,包括存储器和处理器,所述存储器上存储有计算机可执行指令,其特征在于,所述计算机可执行指令在被所述处理器执行时,实现根据权利要求1 至4中任一项所述的估算电池SOC 值的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310984739.XA CN117452223A (zh) | 2023-08-07 | 2023-08-07 | 一种铅酸电池soc预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310984739.XA CN117452223A (zh) | 2023-08-07 | 2023-08-07 | 一种铅酸电池soc预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117452223A true CN117452223A (zh) | 2024-01-26 |
Family
ID=89588032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310984739.XA Pending CN117452223A (zh) | 2023-08-07 | 2023-08-07 | 一种铅酸电池soc预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117452223A (zh) |
-
2023
- 2023-08-07 CN CN202310984739.XA patent/CN117452223A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Real-time personalized health status prediction of lithium-ion batteries using deep transfer learning | |
CN110058178A (zh) | 一种锂电池健康状态检测方法和系统 | |
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
KR20210116801A (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
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 | |
CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
CN116068399A (zh) | 基于特征选择和时序注意力的锂电池健康状态估计方法 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
Su et al. | Prediction of remaining useful life for lithium-ion battery with multiple health indicators | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN114660461A (zh) | 电池健康状态的评估方法、装置、电子设备和存储介质 | |
CN116299008A (zh) | 一种电池soh预测方法、装置、电子设备及存储介质 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
CN116466168B (zh) | 一种基于云计算的新能源管理平台异常监测系统及方法 | |
CN117054892A (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN111274539B (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
CN117893059A (zh) | 基于传感器的储能数据采集分析方法及系统 | |
CN117452223A (zh) | 一种铅酸电池soc预测方法和装置 | |
Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine | |
CN116298947A (zh) | 一种蓄电池核容监测装置 | |
CN113269478B (zh) | 一种基于多模型的集中器异常数据提醒方法及系统 | |
CN115693916A (zh) | 一种变电站直流电源智能在线监测方法及系统 |
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 |