CN117648631B - 一种电动汽车群组的动力电池健康状态估计方法 - Google Patents
一种电动汽车群组的动力电池健康状态估计方法 Download PDFInfo
- Publication number
- CN117648631B CN117648631B CN202410116503.9A CN202410116503A CN117648631B CN 117648631 B CN117648631 B CN 117648631B CN 202410116503 A CN202410116503 A CN 202410116503A CN 117648631 B CN117648631 B CN 117648631B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- battery
- soh
- segment
- source domain
- 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
- 230000036541 health Effects 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000013210 evaluation model Methods 0.000 claims abstract description 51
- 238000012937 correction Methods 0.000 claims abstract description 50
- 230000015556 catabolic process Effects 0.000 claims abstract description 42
- 238000006731 degradation reaction Methods 0.000 claims abstract description 42
- 238000012795 verification Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000011161 development Methods 0.000 claims abstract description 8
- 230000002354 daily effect Effects 0.000 claims description 22
- 239000012634 fragment Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 17
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000018109 developmental process Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013450 outlier detection Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000013508 migration Methods 0.000 abstract description 9
- 230000005012 migration Effects 0.000 abstract description 9
- 230000006399 behavior Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 61
- 238000004364 calculation method Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种电动汽车群组的动力电池健康状态估计方法,该方法包括:基于获取的多个车辆历史运行数据,确定每台车辆的SOH值随时间变化关系;对车辆进行分类;建立每台车辆的退化特征集与其SOH修正值的关系矩阵;确定源域训练集,源域测试集,目标域训练集及目标域验证集;确定最终源域电池健康状态评估模型;确定最终目标域电池健康状态评估模型,通过最终目标域电池健康状态评估模型和目标域验证集,完成电池健康状态评估。本发明充分考虑了环境因素、车辆因素、驾驶行为因素,保证了电池健康状态估计精度;优选小批量目标车辆作为模型训练,模型开发工作量小,精度较高;通过深度迁移学习方法,对未知车辆群体的电池健康状态评估,泛化性较好。
Description
技术领域
本发明属于电动汽车电池管理技术领域,特别涉及一种电动汽车群组的动力电池健康状态估计方法。
背景技术
现有的动力电池健康状态估计方法往往以电池实验数据为基础,前提是需要在限定条件下进行电池循环充放电试验获取数据来实现电池健康状态估计,该种方法没有充分考虑车辆实际复杂运行条件,缺乏与工程应用的结合,不适合迁移到变工况下的车辆的动力电池健康状态估计,并且,现有的在以数据驱动方式进行电池健康状态评估中,只是简单通过充电段数据直接采用安时积分法为基础来估计当前电池容量,未考虑环境温度、电池温度对电池容量的影响。并且在车辆实际复杂的运行工况下,动力电池健康状态受环境、车辆运行状态,驾驶行为及车辆核心零部件多重因素影响,简单的采用充电段数据来估计电池容量会导致电池容量评估出现误差,其次也不合适复杂工况下的车辆动力电池健康状态评估。
其次,目前对车辆动力电池健康状态评估的方式,大多是基于数据驱动,其中车辆动力电池健康状态评估模型的构建,多利用单车或者充放电特征相似的车辆的运行数据,该模型针对工况相同、驾驶行为相似的车辆的动力电池健康状态的评估,精度和泛化性较好,然而该模型在评估工况不同或者充放电特征有差异的车辆的动力电池健康状态时,精度会大打折扣,并且新能源车辆的保有量越来越多,单纯通过单车或者充放电特征相似的车辆的运行数据构建动力电池健康状态评估模型,已不适用于交管部门、车企对各车辆的智能监管,而构建“千人千面”的动力电池健康状态评估模型,不仅研发投入成本高,而且技术实施的难度巨大。
发明内容
针对上述问题,本发明提供了一种电动汽车群组的动力电池健康状态估计方法,充分考虑了环境因素、车辆因素、驾驶行为因素对动力电池健康状态综合影响,保证了电池健康状态估计精度;对现有电动汽车群组种类进一步细化,利用智能方法从中优选小批量目标车辆作为模型训练,模型开发工作量小,泛化性较好,精度较高;通过深度迁移学习方法,对未知车辆群体的电池健康状态评估,无需开发新的电池健康状态评估模型。
为实现上述目的,本发明采取以下技术方案:
一种电动汽车群组的动力电池健康状态估计方法,所述方法包括:
S1、从获取的多个车辆历史运行数据,确定每台车辆的第一片段运行数据、第二片段运行数据;
S2、通过所述第二片段运行数据,确定每台车辆的SOH值随时间变化关系;
S3、对车辆进行编号,基于所述第一片段运行数据和第二片段运行数据,对车辆进行分类;
S4、建立每台车辆的退化特征集与SOH修正值的关系矩阵;
S5、分别从各类车辆中选出SOH修正值随时间退化趋势符合单调递减的车辆统一作为源域,将各类车辆中剩余车辆统一作为目标域,确定源域训练集、源域测试集、目标域训练集及目标域验证集;
S6、构建源域电池健康状态评估模型,通过所述源域训练集对源域电池健康状态评估模型进行训练,采用改进哈里斯鹰算法结合源域测试集对源域电池健康状态评估模型超参数优化,确定最终源域电池健康状态评估模型;
S7、通过最终源域电池健康状态评估模型和目标域训练集,确定最终目标域电池健康状态评估模型,通过最终目标域电池健康状态评估模型和目标域验证集,完成目标域验证集的电池健康状态评估。
优选地,S1中所述历史运行数据包含:车速、里程、SOC(电池荷电状态)、单体电压值、单体温度值,环境温度、充电电流、放电电流及对应的采样时间;
确定每台车辆的第一片段运行数据、第二片段运行数据的具体步骤为:
S11、对每台车辆的历史运行数据按天拆分,从每天的历史运行数据中,分别筛选行驶片段数据、停车充电片段数据,将所述行驶片段数据、停车充电片段数据分别按时间顺序排列组成每台车辆的行驶片段序列、停车充电片段序列;
S12、从所述行驶片段序列中提取出车辆行驶状态时序数据、电池放电时序数据,组成所述第一片段运行数据,所述第一片段运行数据包含:车速、里程、SOC、单体电压值、单体温度值、环境温度、放电电流及对应采样时间;
S13、从所述停车充电片段序列,提取出电池充电状态时序数据,组成所述第二片段运行数据,所述第二片段运行数据包含:充电电流、单体电压、SOC、里程及对应采样时间。
优选地,S2中确定每台车辆SOH值随时间变化关系的方法具体包括:
S21、从所述第二片段运行数据中,提取每个停车充电片段下的充电电流、SOC及对应采样时间;
S22、对每个停车充电片段下的充电电流、SOC及对应采样时间进行滑窗处理,确定每个停车充电片段下每个窗口所对应的电池当前容量;
S23、运用异常值检测法,对每个停车充电片段下所有窗口对应的电池当前容量进行异常值剔除,将剩余窗口所对应的电池当前容量的均值作为该停车充电片段对应的电池当前容量,所述异常值检测法可采用箱线图、拉依达准则、KNN、K-means中任意一种;
S24、通过每台车辆的每个停车充电片段下的电池当前容量与该车辆首次停车充电对应的电池当前容量确定该车辆每个停车充电片段对应的SOH值;
所述首次停车充电对应的电池当前容量为:车辆里程为0时刻对应的电池当前容量,由车辆各停车充电片段对应的电池当前容量及累计里程建立的回归方程得到,所述回归方程建立采用LASSO回归模型;
S25、提取每台车辆各停车充电片段对应的时间及SOH值,确定每台车辆的SOH值随时间变化关系。
优选地,所述S3具体包括:
S31、对车辆进行编号,从所述第一片段运行数据和第二片段运行数据中筛选出车辆工况特征参数;
S32、对所述车辆工况特征参数做预处理,得到每台车辆第一特征参数,所述第一特征参数与对应车辆编号组成工况特征集;
S33、通过所述工况特征集对车辆进行分类。
优选地,S31中,运用皮尔逊相关系数法筛选出所述车辆工况特征参数;
S32中所述预处理的方法具体为:对所述车辆工况特征参数做均值计算;所述第一特征参数包括:日均里程、日均耗电量、日平均车速、日均充电电量、日充电次数、日均单个SOC平均充电电量;
S33中对车辆分类的方法为K-means、DBSCAN、KNN中任意一种。
优选地,S4具体包括:
S41、拟合S2中SOH值随时间变化关系的方程,对所述方程重采样,得到每台车辆每天的SOH值,采用以下步骤对所述SOH值进行修正:
S411、从每台车辆的历史运行数据中提取出多个日期的环境温度,得到按日期排列的环境温度序列;
S412、基于自动分段拟合和环境温度序列,建立温度模型,得到每天的环境温度;
S413、将所述SOH值修正到标准温度25摄氏度下对应的SOH值,得到SOH修正值,其
修正公式为:
其中,E当天SOH值,E 修为当天SOH修正值,t为当天环境温度,以摄氏度为计量单位;
S42、通过所述第一片段运行数据和第二片段运行数据,建立电池容量退化特征集,结合所述SOH修正值,得到每台车辆的退化特征集与SOH修正值的关系矩阵;
所述退化特征集包括:累计里程、电池温度分布、电池电压分布、电池电流分布、充电SOC分布、放电SOC分布。
优选地,S5具体包括:
S51、由S41中每台车辆的SOH修正值,绘制每台车辆SOH修正值时序图;
S52、从每类车辆中选取SOH修正值随时间退化趋势符合单调递减的车辆作为源域,将剩余所有车辆作为目标域;
S53、将源域车辆的退化特征集及SOH修正值作为源域数据集,将目标域的车辆退化特征集及SOH修正值作为目标域数据集,将所述源域数据集按7:3~4:1的比例划分为源域训练集和源域测试集,将目标域数据集按1:5~1:3的比例划分为目标域训练集和目标域验证集。
优选地,S52中所述选取SOH修正值随时间退化趋势符合单调递减的车辆的具体方法为:
S521、从每类车辆的SOH修正值时序图中,确定出一条标准曲线,命名为曲线B1;
S522、对每类车辆中剩余车辆的SOH修正值时序图做经验模态分解,并从分解项中提取长程衰减趋势曲线;
S523、对比所述长程衰减趋势曲线与曲线B1的距离,定义阈值K1,与曲线B1的距离小于K1的长程衰减趋势曲线所对应的车辆即为SOH修正值随时间退化趋势符合单调递减的车辆,所述距离的计算采用欧氏距离算法、动态时间规整算法、曼哈顿距离算法中任意一种。
优选地,S6具体包括:
S61、对所述源域数据集中的退化特征集做归一化处理;
S62、基于ResNet-BiGRU-Attention(残差网络-双向门控循环单元-自注意力机制)构建源域电池健康状态评估模型,具体方法为:将ResNet(残差网络)作为源域电池健康状态评估模型的特征提取模块,将BiGRU(双向门控循环单元)作为源域电池健康状态评估模型的健康状态指示模型的预测模型,Self-Attention(自注意力机制)负责提取各个输入特征关键信息,为每个输入元素分配不同的权重参数;
S63、通过源域训练集对所述源域电池健康状态评估模型进行训练,采用改进的哈里斯鹰算法结合源域测试集对源域电池健康状态评估模型超参数进行优化,所述超参数包括:学习率、训练次数、卷积核大小及神经元个数;
所述改进的哈里斯鹰算法具体为:哈里斯鹰算法在种群初始化改进、在过渡阶段猎物逃跑能量公式改进、在开发中各策略对应猎物位置更新公式改进中任意一种或任意两种组合或三种组合;
S64、通过迭代训练,直到损失函数达到稳定,源域电池健康状态评估模型训练结束,训练结束后的模型及超参数分别为最终源域电池健康状态评估模型及最优超参数。
优选地,S7具体包括:
S71、通过S6中的最终源域电池健康状态评估模型,构建基于特征提取模型与健康状态指示模型的目标域电池健康状态评估模型;
S72、用目标域训练集对所述目标域电池健康状态评估模型中健康状态指示模型进行调参和寻优后,得到最终目标域电池健康状态评估模型;
S73、将所述目标域验证集中的衰退特征集预处理后,输入到所述最终目标域电池健康状态评估模型,实现目标域验证集的SOH值估计。
与现有技术相比,本发明的有益效果为:
(1)本发明提出了结合充放电工况相融合的动力电池健康状态估计方法。充分考虑了环境因素、车辆因素、驾驶行为因素对动力电池健康状态综合影响,与现有技术中,仅依靠充电相关数据建立的动力电池健康状态估计模型预计精度要高。
(2)本发明提出了一种面向电动汽车群组的动力电池健康状态估计方法,结合车辆工况及驾驶行为,对现有电动汽车群组种类进一步细化,利用智能方法从中优选小批量目标车辆作为模型训练,与现有技术仅以单车或充放电特征相似车辆为目标进行动力电池健康状态估计的技术开发手段,需大量训练样本数量,模型试错及参数优化所需工作量很大相比,本发明中动力电池健康状态估计方法的模型泛化性较好,且精度较高。
(3)本发明提出了一种深度迁移学习的电池健康状态估计方法,通过该方法可以节省模型开发时间,对于未知车辆群体的电池健康状态评估,无需开发新的电池健康状态评估模型,基于先验模型,利用迁移特点,能大大缩短模型训练所需时间,利用改进的哈里斯鹰算法对模型超参数优化,进一步提高模型预测精度。该方法具有较强的通用性、适用性,工程化应用前景广阔,可集成在大数据平台上进行成千上万台车辆动力电池健康状态的在线评估。
附图说明
图1为本发明电动汽车群组的动力电池健康状态估计方法流程图;
图2为本发明ResNet-BiGRU-Attention模型结构图。
具体实施方式
以下将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考图1,本发明提出了一种电动汽车群组的动力电池健康状态估计方法,包括:
S1、从获取的多个电动汽车历史运行数据中,确定每台车辆的第一片段运行数据、第二片段运行数据。
所述历史运行数据至少包含:车速、里程、SOC、单体电压值、单体温度值,环境温度、充电电流、放电电流及对应的采样时间。
确定所述第一片段运行数据、第二片段运行数据的具体步骤为:
S11、对历史运行数据按天拆分,从每天的历史运行数据中,分别筛选行驶片段数据、停车充电片段数据,将所述行驶片段数据、停车充电片段数据分别按时间顺序排列组成每台车辆的行驶片段序列和停车充电片段序列,其中,/>表示编号为i的车辆的行驶片段序列中第m个元素,/>表示编号为i的车辆的停车充电片段序列中第n个元素;
S12、从每台车辆的行驶片段序列中提取出车辆行驶状态时序数据、电池放电时序数据,组成所述第一片段运行数据,第一片段运行数据包含:车速、里程、SOC、单体电压值、单体温度值、环境温度、放电电流及对应采样时间其中,第一片段中各行驶片段满足要求:每个行驶片段内的有效里程大于3km,且每个行驶片段内数据条数大于30条;
S13、从每台车辆的停车充电片段序列,提取出电池充电状态时序数据,组成所述第二片段运行数据,所述第二片段运行数据包含:充电电流、单体电压、SOC、里程及对应采样时间,其中,第二片段中各停车充电片段满足要求如下:每个停车充电片段内充电跨度都包含SOC从40%充到80%这个区间,且每个停车充电片段内数据条数大于50条;
S2、通过所述第二片段运行数据,确定每台车辆的SOH值随时间变化关系:
S21、从每台车辆的第二片段运行数据中,提取每个停车充电片段下的充电电流、充电电压、SOC及对应采样时间。
S22、对每个停车充电片段下的充电电流、SOC及对应采样时间进行滑窗处理,确定每个停车充电片段下每个窗口所对应的电池当前容量。
现有的技术手段往往直接通过离散积分法来计算每个停车充电片段对应的满充能量,对满充能量存在的异常值处理方式要么采用插值法或者平滑化进行处理,要么是直接对异常值剔除,人为干预处理方式往往会为后续计算输入带来扰动。
本实施例提出在计算SOH值时运用滑动窗口原理,可以消除某些停车充电片段中小部分数据异常,最大限度的保留和利用每个充电过程中的真实数据信息,现有技术手段直接使用离散积分法来计算该停车充电片段对应满充能量值后,该停车充电片段被作为异常值处理,造成训练样本减少等现象,为后续计算输入带来扰动。
本实施例,用某台车某个停车充电片段做说明,该停车充电片段数据条数为52条,采样间隔为20s,设定滑动窗口长度为30,滑动步长为1,通过滑窗原理,该停车充电片段下就可以形成23个窗口,每个窗口对应的充电电量计算公式如下:
其中,代表第/>台车在第k个停车充电片段下第j个窗口对应的充电电量,/>表示第j个窗口下对应的数据条数,/>表示第j个窗口下第Z条数据对应充电电流值, />代表第j个窗口下第Z条数据对应的采样时间。
接着,通过停车充电片段下每个窗口的充电电量及SOC变化值,确定每个窗口对应的电池当前容量,计算公式如下所示:
其中,和/>分别表示第/>台车在第k个停车充电片段下第j个窗口中开始和结束时的SOC,/>为第/>台车在第k个停车充电片段下第j个窗口下的电池当前容量;
S23、运用异常值检测法,对每个停车充电片段下所有窗口对应的电池当前容量进行异常值剔除,剩余窗口所对应的电池当前容量的均值即为每个停车充电片段对应的电池当前容量。
进一步的,所述异常值检测法可利用箱线图、拉依达准则、KNN、K-means中任意一种,本实施例中,运用箱线图完成对每个停车充电片段下所有窗口对应的电池当前容量进行异常值识别。
S24、由每台车辆的每个停车充电片段下的电池当前容量与每台车辆首次停车充电对应的电池当前容量确定每台车辆每个停车充电片段对应的SOH值,公式如下:
其中,为第i台车第k个停车充电片段对应的电池当前容量,/>为第/>台车首次充电对应的电池当前容量,/>为第/>台车第k个停车充电片段的SOH值。
进一步的,所述首次充电对应的电池当前容量具体可近似为:车辆里程为0时刻对应的电池当前容量,由于获取的每台车辆运行历史数据并非从车辆的全生命周期起始时间开始,且每台车辆的电池初始容量信息并非均已知,所以,在本案例中,通过每台车辆多个停车充电片段对应的电池当前容量及累计里程建立回归方程,通过建立的回归方程即可得到里程为0时预估的电池当前容量,这一思路的提出,可以确认未知车辆首次充电对应的电池当前容量。
S25、提取每台车辆各停车充电片段对应的时间及SOH值,确定每台车辆的SOH值随时间变化关系。
S3、对车辆进行编号,基于所述第一片段运行数据和第二片段运行数据,对车辆进行分类;
S31、对车辆进行编号,从所述第一片段运行数据、第二片段运行数据中筛选出车辆工况特征参数;车辆工况特征参数包括:行驶里程、SOC消耗、平均车速及对应日期,充电电量、单个SOC平均充电电量及对应日期,具体用皮尔逊相关系数法来筛选出车辆工况特征参数;
S32、对车辆工况特征参数做均值计算,得到每台车辆第一特征参数,第一特征参数包括:日均里程、日均耗电量、日平均车速、日均充电电量、日充电次数、日均单个SOC平均充电电量,进一步的由所述每个车的第一参数特征及对应车辆编号组成工况特征集;
S33、采用K-means、DBSCAN、KNN中任意一种方法对所述工况特征集分类,通过工况特征集的分类得到车辆的分类,在本实例中,选用DBSCAN方法。
S4、建立每台车辆的退化特征集与其SOH修正值的关系矩阵;
在车辆实际运行过程中,存在当天只有行驶,没有充电,或者当天仅进行了充电,没有行驶,为充分利用历史运行数据中所有的行驶数据和充电数据,本发明首先通过多项式拟合方法,拟合出每天的SOH值,然后从每天的历史运行数据中提取出与SOH强相关的多个参数作为容量衰减因子,从而建立容量衰减因子与SOH的关系矩阵。本实施例,其具体步骤为:
S41、通过多项式拟合法,拟合S2中每台车辆SOH值与日期对应关系方程,以天为单位,对拟合的方程重采样,得到每台车辆每天的SOH值,进一步得到每台车辆每天的SOH修正值。其SOH值修正方法是:
S411、从每台车辆的历史运行数据中提取当天最高温度,最低温度,将最高温度与最低温度的算数平均数作为当天的环境温度,将环境温度按日期排列,得到环境温度序列;
S412、利用自动分段拟合技术并结合环境温度序列,建立温度模型,运用温度模型,即可拟合得到连续每天的环境温度。
将日期与温度时间序列分成若干区间,确定最大均方根误差;
对初始区间选择一个合适的多项式函数,即确定分段多项式次数m2,拟合该区间中日期对应的温度数据,并判断拟合的数据与真实数据的均方根误差是否满足所设定的最大均方根误差,若小于最大均方根误差/>,则继续增加拟合区间长度。若大于所设定的最大均方根误差/>,则该自动分段结束,进入下一个分段点。为保证分段多项式的相邻分段区间连续性,将分段多项式中上一个分段末点作为下一个分段点的起点,其中均方根公式如下:
其中,代表第z个分段多项式下的温度个数,/>表示该分段多项式下第x个温度值的拟合值,/>表示该分段多项式下第x个温度值实际值,/>为表示第z个分段多项式下均方根误差。
S413、将所述SOH值修正到标准温度25摄氏度下对应的SOH值,得到SOH修正值,其修正公式为:
其中,E当天SOH值,
E 修为当天SOH修正值,t为当天环境温度,以摄氏度为计量单位;
S42、通过每台车辆第一片段运行数据、第二片段运行数据,建立电池容量退化特征集,结合各车辆每天的SOH修正值,得到每台车辆的退化特征集与其SOH修正值的关系矩阵。
所述退化特征集包括:累计里程、电池温度分布、电池电压分布、电池电流分布、充电SOC分布、放电SOC分布。
本实施案例从三个维度提取与SOH容量衰减相关的近20个变量信息,驾驶员维度因素:出行路程、出行月份、出行时间、平均加速度、平均车速、挡位、油门踏板位置、制动踏板位置。车辆因素:累计里程、SOC、单体电压、驱动电机状态、DC-DC状态。环境因素:电池温度、驱动电机温度、驱动电机控制器温度。通过相关性分析,里程、电池温度、电池电压、电池电流、SOC与SOH容量衰减强相关。
将上述与SOH容量衰减强相关的参数进一步处理得到退化特征集,其具体方法为:
由S11中得到每台车辆按天拆分的各行驶片段数据和各停车充电片段数据中,提取对应日期的电池温度数据、电池电压数据、各行驶片段SOC数据、各行驶片段放电电流数据、各停车充电片段SOC数据及对应日期的累计里程值时序数据。
以N1天间隔,统计每个累计周期内的电池温度分布、电池电压分布、电池电流分布、充电SOC分布、放电SOC分布及每个累计周期最后一天里程作为退化特征集,累计周期内最后一天的SOH作为标签,即可组成每个累计周期内退化特征集与对应SOH的关系矩阵。
具体为,本实施例中,N1设为10,第一个样本即为从第一天到第十天的电池温度分布、电池电压分布、电池电流分布、充电SOC分布、放电SOC分布以及第十天最后一条里程值作为第一个样本输入特征,将第十天对应的SOH值作为第一个样本的标签,第二个样本:从第一天到第二十天的电池温度分布、电池电压分布、电池电流分布、充电SOC分布、放电SOC分布以及第二十天最后一条里程值作为第二样本输入特征,将第十天对应的SOH值作为第一个样本的标签,以此类推,每增加一个样本,时间跨度增加10天,最终形成退化特征集与对应标签的关系矩阵。
在本案例中,各分布的计算方法如下:
电池温度分布计算方法:提取各类下电池温度极值,以电池温度极大值,电池温度极小值作为电池温度范围,将该温度范围平均划分为固定长度的区间段,统计各类下各车辆所有单体电池温度在各类下每个温度区间段出现的次数。电池电压分布、电池电流分布和电池温度分布计算方法类似,不做赘述。
充电SOC分布计算方法:将充电SOC分布划分为0-20%,20%-40%,40%-60%,60%-80%,80%-100%,提取车辆每个停车充电片段下的SOC值,删除异常SOC,统计车辆各停车充电片段下的SOC值出现在每个SOC区间下的次数。
放电SOC分布计算方法与充电SOC分布计算方法类似,不做赘述。
S5、分别从各类车辆中挑出SOH修正值随时间退化趋势符合单调递减的车辆统一作为源域,将各类车辆中剩余车辆统一作为目标域,确定源域训练集,源域测试集,目标域训练集及目标域验证集;具体为:
S51、根据S41中每台车辆每天的SOH修正值,绘制每台车辆的SOH修正值时序图。
S52、从每类车辆中选取SOH修正值随时间退化趋势符合单调递减的车辆作为源域,将剩余所有车辆作为目标域;
其中SOH修正值随时间退化趋势符合单调递减的曲线为指数曲线,本实施案例中,选取SOH修正值随时间退化趋势符合单调递减的车辆的方法具体为:
先从每类车辆的SOH修正值时序图选出一条相似度最高的指数曲线作为标准曲线,命名为曲线B1;
再对每类车辆中剩余车辆的SOH修正值时序图做经验模态分解,并从分解项中提取长程衰减趋势曲线;
最后对比所述长程衰减趋势曲线与曲线B1的距离,定义阈值K1,与曲线B1的距离小于K1的长程衰减趋势曲线所对应的车辆保留,作为源域,所述距离的计算采用欧氏距离算法、动态时间规整算法、曼哈顿距离算法中任意一种。
S53、将源域车辆的退化特征集及SOH修正值作为源域数据集,将目标域的车辆退化特征集及SOH修正值作为目标域数据集,将所述源域数据集优选按5:1的比例划分为源域训练集和源域测试集,将目标域数据集优选按1:4的比例划分为目标域训练集和目标域验证集。
本发明利用深度迁移学习方法来对电池健康状态评估,深度迁移学习分为四类:基于样本的深度迁移学习,基于特征的深度迁移学习,基于模型的深度迁移学习和基于关系的深度迁移学习,在本发明中基于特征的深度迁移学习,基于模型的深度迁移学习较适合对电池健康状态进行评估。本实施例中,主要针对基于模型的深度迁移学习来对动力电池健康状态估计进行详细说明,具体如下:
S6、构建源域电池健康状态评估模型,源域训练集用于源域电池健康状态评估模型训练,采用改进哈里斯鹰算法结合源域测试集对源域电池健康状态评估模型超参数优化,依收敛速度及预测误差确定最终源域电池健康状态评估模型,具体步骤为:
S61、对源域数据集中退化特征集采用归一化进行预处理,具体采用Z-score标准化法,公式如下:
是归一化后的数据;x表示初始数据,mean表示初始数据集的均值,std表示初始数据集的标准差。
S62、基于ResNet-BiGRU-Attention构建源域电池健康状态评估模型(以下简称源域模型),如图2所示,具体包括:ResNet作为源域模型的特征提取模块,BiGRU作为源域模型的健康状态指示模型的预测模型,Self-Attention可从输入样本中提取当前的关键特征信息,且捕捉特征信息自身内部的相关性,在健康状态指示模型中引入Self-Attention,可以突出时间序列关键特征的影响因数,提升健康状态指示模型预测性能。
在本实施例中,选择一维ResNet-18网络作为源域模型的特征提取模块。ResNet-18网络深度为18层,包含4个残差模块、一个池化层以及1个全局平均池化(global averagepooling)层,第一卷积层卷积核为7*1,步长为2,输出通道为32。对应残差模块内卷积层卷积核大小3*1,后接BN层与leakyReLU激活函数,并搭建跳过标识,具体参数见表1。
表1 一维深度迁移模型ResNet-18网络参数表
选取BiGRU作为源域模型的健康状态指示模型的预测模型;BiGRU网络通过双向性同时考虑过去和未来的信息,提高了模型对时间序列动态变化的感知能力。层数设置为200,全连接层的设置为两层结构,第一层结构为500个神经元,之后设置Dopout层,参数设置为0.1,第二层结构为50个神经元,并加入了LeakyRelu激活函数,后输入至注意力层进行序列内部关联分析,最后输出层的神经元数量为1,最终的输出结果为预测的衰退值,且都归一化到区间[0,1]中,因而选取激活函数sigmoid用于评估动力电池健康状态。
Self-Attention通过充分考虑不同输入之间存在的内部关系,增加局部特征表达准确度的注意力方法。利用数据特征内部固有信息及逆行注意力交互,通常将输入信号(Input)划分为查询单元(Query)、键值单元/>(Key)和表征单元/>(Value),计算公式如下:
式中:为/>的维度,目的是对/>与/>点乘后数值进行缩放。
健康状态指示模型融合BiGRU-Attention(双向门控循环单元和自注意力机制)模型来进行动力电池健康状态SOH预估,利用BiGRU网络从捕捉时间关联性,而后通过自注意力机制计算特征之间的相关权重,更好理解序列内部的关联,其健康状态指示模型参数设置如表2所示:
表2 健康状态指示模型参数设置
S63、对所述的源域模型,运用源域训练集进行源域模型训练,采用改进的哈里斯鹰算法结合源域测试集对源域模型超参数进行优化,所述超参数包括:学习率、训练次数、卷积核大小及神经元个数。本实施例中,具体步骤为:
将归一化处理后的源域训练集输入至ResNet-BiGRU-Attention模型中,通过特征提取模块ResNet-18,提取训练集的高维特征信息,并将高维特征信息输入健康状态指示模型后输出预测值/>,与标签值(SOH)/>比对分析,实现对模型的训练以及初始参数的设置。
模型训练后,为让模型达到最佳性能,将源域测试集输入至训练好的模型中,为选出最佳模型所对应参数,调整模型参数,通过改进的哈里斯鹰算法对健康状态指示模型对应的学习率等超参数进行迭代优化,使超参数最优;
改进的哈里斯鹰算法为哈里斯鹰算法在种群初始化改进、在过渡阶段猎物逃跑能量公式改进、在开发中各策略对应猎物位置更新公式改进中任意一种或任意两种组合或三种组合。
没有一个算法可以处理所有的优化问题,即哈里斯鹰算法也具有优势和局限性。诸如哈里斯鹰算法在全局勘探阶段对于复杂的优化问题效率并不高,可能会过早收敛。而且在过渡阶段哈里斯鹰算法以一个线性递减方法来改变逃逸能量因子,可能会导致全局勘探阶段和局部开发阶段不平衡,如若在前期种群接近局部最优,随着迭代次数t增多E势必一直小于1,只进行局部开发阶段,则导致后期算法陷入局部最优而无法跳出。针对此现象,在本实施例中,对哈里斯鹰算法优化主要从哈里斯鹰算法在全局探索阶段初始化种群以及哈里斯鹰算法在过渡阶段猎物逃跑能量公式改进两个方面开展。
具体为:哈里斯鹰算法在过渡阶段猎物逃跑能量公式改进采用了一种非线性递减的方程来动态调整算法参数V,非线性递减方程的基底函数可以是幂函数,指数函数,对数函数其中一种形式,也可以是组合形式,在本实施例中,优化前,过渡阶段猎物逃跑能量公式如下:
为猎物的初始逃跑能量,迭代后,/>在(-1,1)随机取值,T为最大迭代数,可以看到,随着t逐渐接近T,/>随着迭代次数不断降低。
改进的过渡阶段猎物逃跑能量公式为:
为在(0,1)之间随机数。
哈里斯鹰算法在种群初始化的改进方法,为避免初始化种群过早的陷入局部最优,使得初始种群能够均匀分布在搜索空间中,本实施案例采用混沌Tent映射生成初始化种群,改善种群多样性,混沌序列公式如下:
其中,为种群数,/>为当前迭代次数。
为保持算法初始化信息的在(0,1)之间随机取值,结合混沌序列/>,进一步生成搜索区域内的哈里斯鹰个体初始位置序列/>,公式如下:
其中,,/>分别为/>序列的上、下限值。
S64、通过迭代训练,直到损失函数达到稳定,源域模型训练结束,保存当前源域模型结构,当前源域模型即为最佳源域模型,具体为:
源域模型根据反向传播和梯度下降对S61处理后的退化特征集进行训练,以均方误差、均方根误差、平均绝对百分误差三种误差函数作为优化迭代对象,每次取32个样本进行训练,一共迭代100次(epoch=100),然后将学习率设置为0.001(learning rate=0.001)。
主要用损失函数及评价函数(均方根误差、绝对百分比误差、平均绝对误差)等进行结果验证,公式如下:
平均绝对误差(MAE),MAE=;
绝对百分比误差(MAPE),MAPE=;
均方根误差(RMSE),。
通过迭代训练之后得到的各评价指标的损失函数,直到损失函数均已达到比较稳定的程度,源域模型训练结果也达到良好的效果,保存当前源域模型相应的结构和超参数,此时的源域模型为最终源域电池健康状态评估模型,超参数为最优超参数。
S7、通过最终源域电池健康状态评估模型和目标域训练集,确定最终目标域的电池健康状态评估模型,通过最终目标域的电池健康状态评估模型和目标域验证集,完成目标域验证集的电池健康状态评估,具体为:
S71、构建目标域电池健康状态评估模型,具体为载入S6中保存的最终源域电池健康状态评估模型,固定其ResNet-18特征提取模型参数,对健康状态指示模型中健康模型网络参数优化,对Dropout层超参数进行调优;
S72、为实现目标域的预测结果最优,本实施例中,将目标域数据集优选按比例1:4划分为目标域训练集及目标域验证集,将目标域训练集输入到S71中固定参数的ResNet-18中通过特征提取进行迁移学习,进一步将提取的特征输入到健康状态指示模型中进行模型参数调优,得到最终目标域电池健康状态评估模型,其参数调优方法同样选用改进的哈里斯鹰算法,在这不做赘述,其参数调优则同样运用均方误差、均方根误差、平均绝对百分误差三种误差函数作为优化迭代对象,迭代至损失函数稳定,则固定健康状态指示模型参数;
S73、参照S61中归一化方式对目标域验证集中的衰退特征数据集进行预处理,将与处理后的目标域验证集输入到最终目标域电池健康状态评估模型中固定的特征提取模块:ResNet-18中,提取衰退特征信息,其后将衰退特征信息输入到S72固定了参数的健康状态指示模型中预测电动汽车电池的SOH的值,并与其真实SOH值进行对比,从而完成电池健康状态评估。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种电动汽车群组的动力电池健康状态估计方法,其特征在于,所述方法包括:
S1、从获取的多个车辆历史运行数据,确定每台车辆的第一片段运行数据、第二片段运行数据;
S2、通过所述第二片段运行数据,确定每台车辆的SOH值随时间变化关系;
确定每台车辆SOH值随时间变化关系的方法具体包括:
S21、从所述第二片段运行数据中,提取每个停车充电片段下的充电电流、SOC及对应采样时间;
S22、对每个停车充电片段下的充电电流、SOC及对应采样时间进行滑窗处理,确定每个停车充电片段下每个窗口所对应的电池当前容量;
S23、运用异常值检测法,对每个停车充电片段下所有窗口对应的电池当前容量进行异常值剔除,将剩余窗口所对应的电池当前容量的均值作为该停车充电片段对应的电池当前容量,所述异常值检测法采用箱线图、拉依达准则、KNN、K-means中任意一种;
S24、通过每台车辆的每个停车充电片段下的电池当前容量与该车辆首次停车充电对应的电池当前容量确定该车辆每个停车充电片段对应的SOH值;
所述首次停车充电对应的电池当前容量为:车辆里程为0时刻对应的电池当前容量,由车辆各停车充电片段对应的电池当前容量及累计里程建立的回归方程得到,所述回归方程建立采用LASSO回归模型;
S25、提取每台车辆各停车充电片段对应的时间及SOH值,确定每台车辆的SOH值随时间变化关系;
S3、对车辆进行编号,基于所述第一片段运行数据和第二片段运行数据,对车辆进行分类;
S4、建立每台车辆的退化特征集与SOH修正值的关系矩阵;具体包括:
S41、拟合S2中SOH值随时间变化关系的方程,对所述方程重采样,得到每台车辆每天的SOH值,采用以下步骤对所述SOH值进行修正:
S411、从每台车辆的历史运行数据中提取出多个日期的环境温度,得到按日期排列的环境温度序列;
S412、基于自动分段拟合和环境温度序列,建立温度模型,得到每天的环境温度;
S413、将所述SOH值修正到标准温度25摄氏度下对应的SOH值,得到SOH修正值,其修正公式为:
其中K=1.7e-0.005058t-0.8204e-0.01984t,E当天SOH值,E修为当天SOH修正值,t为当天环境温度,以摄氏度为计量单位;
S42、通过所述第一片段运行数据和第二片段运行数据,建立电池容量退化特征集,结合所述SOH修正值,得到每台车辆的退化特征集与SOH修正值的关系矩阵;
所述退化特征集包括:累计里程、电池温度分布、电池电压分布、电池电流分布、充电SOC分布、放电SOC分布;
S5、分别从各类车辆中选出SOH修正值随时间退化趋势符合单调递减的车辆统一作为源域,将各类车辆中剩余车辆统一作为目标域,确定源域训练集、源域测试集、目标域训练集及目标域验证集;
S6、构建源域电池健康状态评估模型,通过所述源域训练集对源域电池健康状态评估模型进行训练,采用改进哈里斯鹰算法结合源域测试集对源域电池健康状态评估模型超参数优化,确定最终源域电池健康状态评估模型;
所述改进的哈里斯鹰算法具体为:哈里斯鹰算法在种群初始化改进、在过渡阶段猎物逃跑能量公式改进、在开发中各策略对应猎物位置更新公式改进中任意一种或任意两种组合或三种组合;
哈里斯鹰算法在过渡阶段猎物逃跑能量公式改进为:
V0=2r5-1
V0为猎物的初始逃跑能量,rand为在(0,1)之间随机数,r5在(-1,1)随机取值,T为最大迭代数,t为迭代次数;
哈里斯鹰算法在种群初始化采用混沌Tent映射生成初始化种群,混沌序列公式如下:
其中,I为种群数,w为当前迭代次数,u在(0,1)之间随机取值;
哈里斯鹰个体初始位置序列公式如下:
其中,分别为/>序列的上、下限值;
S7、通过最终源域电池健康状态评估模型和目标域训练集,确定最终目标域电池健康状态评估模型,通过最终目标域电池健康状态评估模型和目标域验证集,完成目标域验证集的电池健康状态评估。
2.根据权利要求1所述电动汽车群组的动力电池健康状态估计方法,其特征在于,S1中所述历史运行数据包含:车速、里程、SOC、单体电压值、单体温度值,环境温度、充电电流、放电电流及对应的采样时间;
确定每台车辆的第一片段运行数据、第二片段运行数据的具体步骤为:
S11、对每台车辆的历史运行数据按天拆分,从每天的历史运行数据中,分别筛选行驶片段数据、停车充电片段数据,将所述行驶片段数据、停车充电片段数据分别按时间顺序排列组成每台车辆的行驶片段序列、停车充电片段序列;
S12、从所述行驶片段序列中提取出车辆行驶状态时序数据、电池放电时序数据,组成所述第一片段运行数据,所述第一片段运行数据包含:车速、里程、SOC、单体电压值、单体温度值、环境温度、放电电流及对应采样时间;
S13、从所述停车充电片段序列,提取出电池充电状态时序数据,组成所述第二片段运行数据,所述第二片段运行数据包含:充电电流、单体电压、SOC、里程及对应采样时间。
3.根据权利要求1所述电动汽车群组的动力电池健康状态估计方法,其特征在于,S3具体包括:
S31、对车辆进行编号,从所述第一片段运行数据和第二片段运行数据中筛选出车辆工况特征参数;
S32、对所述车辆工况特征参数做预处理,得到每台车辆第一特征参数,所述第一特征参数与对应车辆编号组成工况特征集;
S33、通过所述工况特征集对车辆进行分类。
4.根据权利要求3所述电动汽车群组的动力电池健康状态估计方法,其特征在于,S31中,运用皮尔逊相关系数法筛选出所述车辆工况特征参数;
S32中所述预处理的方法具体为:对所述车辆工况特征参数做均值计算;所述第一特征参数包括:日均里程、日均耗电量、日平均车速、日均充电电量、日充电次数、日均单个SOC平均充电电量;
S33中对车辆分类的方法为K-means、DBSCAN、KNN中任意一种。
5.根据权利要求1所述电动汽车群组的动力电池健康状态估计方法,其特征在于,S5具体包括:
S51、由S41中每台车辆的SOH修正值,绘制每台车辆SOH修正值时序图;
S52、从每类车辆中选取SOH修正值随时间退化趋势符合单调递减的车辆作为源域,将剩余所有车辆作为目标域;
S53、将源域车辆的退化特征集及SOH修正值作为源域数据集,将目标域的车辆退化特征集及SOH修正值作为目标域数据集,将所述源域数据集按7:3~4:1的比例划分为源域训练集和源域测试集,将目标域数据集按1:5~1:3的比例划分为目标域训练集和目标域验证集。
6.根据权利要求5所述电动汽车群组的动力电池健康状态估计方法,其特征在于,S52中所述选取SOH修正值随时间退化趋势符合单调递减的车辆的具体方法为:
S521、从每类车辆的SOH修正值时序图中,确定出一条标准曲线,命名为曲线B1;
S522、对每类车辆中剩余车辆的SOH修正值时序图做经验模态分解,并从分解项中提取长程衰减趋势曲线;
S523、对比所述长程衰减趋势曲线与曲线B1的距离,定义阈值K1,与曲线B1的距离小于K1的长程衰减趋势曲线所对应的车辆,即为SOH修正值随时间退化趋势符合单调递减的车辆,所述距离的计算采用欧氏距离算法、动态时间规整算法、曼哈顿距离算法中任意一种。
7.根据权利要求5所述电动汽车群组的动力电池健康状态估计方法,其特征在于,S6具体包括:
S61、对所述源域数据集中的退化特征集做归一化处理;
S62、基于ResNet-BiGRU-Attention构建源域电池健康状态评估模型,具体方法为:将ResNet作为源域电池健康状态评估模型的特征提取模块,将BiGRU作为源域电池健康状态评估模型的健康状态指示模型的预测模型,Self-Attention负责提取各个输入特征信息,为每个输入元素分配不同的权重参数;
S63、通过源域训练集对所述源域电池健康状态评估模型进行训练,采用改进的哈里斯鹰算法结合源域测试集对源域电池健康状态评估模型超参数进行优化,所述超参数包括:学习率、训练次数、卷积核大小及神经元个数;
S64、通过迭代训练,直到损失函数达到稳定,源域电池健康状态评估模型训练结束,训练结束后的模型及超参数分别为最终源域电池健康状态评估模型及最优超参数。
8.根据权利要求1所述电动汽车群组的动力电池健康状态估计方法,其特征在于,S7具体包括:
S71、通过S6中的最终源域电池健康状态评估模型,构建基于特征提取模型与健康状态指示模型的目标域电池健康状态评估模型;
S72、用目标域训练集对所述目标域电池健康状态评估模型中健康状态指示模型进行调参和寻优后,得到最终目标域电池健康状态评估模型;
S73、将所述目标域验证集中的衰退特征集预处理后,输入到所述最终目标域电池健康状态评估模型,实现目标域验证集的SOH值估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116503.9A CN117648631B (zh) | 2024-01-29 | 2024-01-29 | 一种电动汽车群组的动力电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116503.9A CN117648631B (zh) | 2024-01-29 | 2024-01-29 | 一种电动汽车群组的动力电池健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648631A CN117648631A (zh) | 2024-03-05 |
CN117648631B true CN117648631B (zh) | 2024-05-28 |
Family
ID=90049922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410116503.9A Active CN117648631B (zh) | 2024-01-29 | 2024-01-29 | 一种电动汽车群组的动力电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648631B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158947A (zh) * | 2021-04-29 | 2021-07-23 | 重庆长安新能源汽车科技有限公司 | 一种动力电池健康评分方法、系统及存储介质 |
CN114397577A (zh) * | 2021-12-09 | 2022-04-26 | 国网天津市电力公司 | 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法 |
WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
CN116774045A (zh) * | 2023-06-01 | 2023-09-19 | 河北工业大学 | 一种基于hho-svr的锂电池健康状态预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170115355A1 (en) * | 2015-10-23 | 2017-04-27 | Oxfordian, Llc | Maximum capacity estimator for battery state of health and state of charge determinations |
KR20230009660A (ko) * | 2021-07-09 | 2023-01-17 | 현대자동차주식회사 | 차량용 배터리 진단 방법 및 시스템 |
-
2024
- 2024-01-29 CN CN202410116503.9A patent/CN117648631B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158947A (zh) * | 2021-04-29 | 2021-07-23 | 重庆长安新能源汽车科技有限公司 | 一种动力电池健康评分方法、系统及存储介质 |
WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
CN114397577A (zh) * | 2021-12-09 | 2022-04-26 | 国网天津市电力公司 | 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法 |
CN116774045A (zh) * | 2023-06-01 | 2023-09-19 | 河北工业大学 | 一种基于hho-svr的锂电池健康状态预测方法 |
Non-Patent Citations (1)
Title |
---|
《考虑工况不一致性的电池健康状态快速评估方法研究》;陈潇阳;《长安大学》;20230414;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117648631A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
CN111301426B (zh) | 基于gru网络模型预测未来行驶过程能耗的方法 | |
CN108181591B (zh) | 一种基于改进型bp神经网络的电池soc值的预测方法 | |
CN112798960B (zh) | 一种基于迁移深度学习的电池组剩余寿命预测方法 | |
CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
CN107480815A (zh) | 一种电力系统台区负荷预测方法 | |
CN111160650B (zh) | 一种基于Adaboost算法的交通流特性分析与预测方法 | |
CN113988426A (zh) | 一种基于fcm聚类和lstm的电动汽车充电负荷预测方法及系统 | |
CN115206092B (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN112258251A (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 | |
CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
CN115730635A (zh) | 一种电动汽车负荷预测方法 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
CN115456287A (zh) | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 | |
CN116703464A (zh) | 电动汽车充电需求建模方法、装置、电子设备及存储介质 | |
CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
CN116774088A (zh) | 基于多目标优化的锂离子电池健康状态估计方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN117648631B (zh) | 一种电动汽车群组的动力电池健康状态估计方法 |
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 |