电池功率预测模型生成方法及系统、功率预测方法及系统技术方案

本发明专利技术公开了一种电池功率预测模型生成方法及系统、功率预测方法及系统，生成方法包括以下步骤：S1、获取训练样本集中每个样本电池的功率特性数据，功率特性数据包括所述样本电池的每次充放电的放电功率数据；S2、对功率特性数据进行预处理以生成对应的功率数据矩阵；S3、使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。本发明专利技术使用卷积神经网络算法对输入的功率数据矩阵进行多层的降维及特征提取，能够得出电池功率的预测模型。使用该预测模型能够对待预测的动力电池尤其是退役动力电池进行功率预测，根据功率预测的结果能够实现对待预测的电池的全生命周期预测及实时监控。

Battery power prediction model generation method and system, power prediction method and system

The invention discloses a method of generating a battery power prediction model and a system, a power prediction method and a system. The generating method includes the following steps: S1, obtaining the power characteristic data of each sample battery in the training sample, and the power characteristic data including the discharge power data of each charge discharge of the sample battery; S2, and the method of generating the power data of each charge discharge of the sample battery; The power characteristic data is preprocessed to generate the corresponding power data matrix; S3, the power data matrix of the sample battery described in the training sample is used to model the convolution neural network algorithm to generate the prediction model of the battery power. The convolution neural network algorithm is used for multi-dimensional dimensionality reduction and feature extraction of the input power data matrix, and the prediction model of battery power can be obtained. The prediction model can be used to predict the power battery, especially the decommissioned power battery, and the full life cycle prediction and real-time monitoring of the predicted battery can be achieved according to the result of the power prediction.

【技术实现步骤摘要】
电池功率预测模型生成方法及系统、功率预测方法及系统
本专利技术涉及动力电池领域，特别涉及一种电池功率预测模型生成方法及系统、功率预测方法及系统。
技术介绍
随着新能源汽车的快速发展和推广，新能源汽车所用的动力电池的需求也日益增长。受限于当前动力电池的技术水平，当动力电池的损耗达到一定程度时，动力电池供电特性无法达到电动汽车供电标准，就必须被淘汰而成退役动力电池。退役的动力电池因其具备储电和充放电能力，往往被应用在一些对电池特性要求相对不是很高的领域，比如储能电站、充电桩等，实现对动力电池的二次利用，这种退役电池的二次利用叫做电池梯级利用。退役的汽车动力电池由于是二次利用，在电池特性方面跟新电池相比是有一定的损耗，而且可靠性和安全性跟新电池也是有所差别的。因此，在实际使用退役电池时，为实现退役电池最大化利用的同时还要保证电池的安全性和可靠性，此时就很有必要对电池的内部特性数据进行实时监控和显示，以供用户或维修人员实时了解电池的动态信息。除此之外，退役动力电池的寿命往往也是有限的，而且退役电池的衰老也是具有很强的不确定性。退役电池一次偶然的突发情况，比如电池报废或是电池深度放电等状况，都会给用户带来使用的不便，给厂家维护增加成本。因此，根据电池内部特性信息和外部特性信息针对电池的寿命和安全性进行预测，实现对电池更加可靠、更加安全的管理。不仅能给用户提供退役动力电池动态信息指导，而且也给退役动力电池厂家维护人员提供周期性的维护参考信息，这对用户对电池使用的舒适性，维护人员的指导性无疑具有重大意义。动力电池本身具有个体差异，即使是同型号同批次的全新电池，其一致性也存在高低问题。再加上各种复杂工况的使用，给电池的寿命预测和健康管理带来了变数，无法简单的得到其衰变的规律。在动力电池中，退役电池本身是一种寿命和安全性有所损耗的电池，因此，针对退役电池功率、寿命和健康数据等信息进行显示与监控更是必要的。电池的使用寿命对用户来说往往是不可见或是不可预见的，突发性的电池故障或报废对用户或厂家来说无疑是棘手的问题，因此，针对电池的寿命和安全性进行预测和估计，对用户或厂家来说都是具有很强的指导意义。
技术实现思路
本专利技术要解决的技术问题是为了克服现有技术中对动力电池尤其是退役动力电池的衰变规律没有相应有效的预测方案的缺陷，提供一种能够对动力电池的功率特性进行预测且准确性较高的电池功率预测模型生成方法及系统、功率预测方法及系统。本专利技术是通过下述技术方案来解决上述技术问题：本专利技术提供了一种电池功率预测模型生成方法，其特点在于，包括以下步骤：S1、获取训练样本集中每个样本电池的功率特性数据，所述功率特性数据包括所述样本电池的每次充放电的放电功率数据；S2、对所述功率特性数据进行预处理以生成对应的功率数据矩阵；S3、使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。本方案中，所述放电功率数据为包括时序变量的数据，功率数据矩阵也为包括时序变量的数据矩阵。本方案中，使用卷积神经网络算法对输入的功率数据矩阵进行多层的降维及特征提取，能够得出机制模型即电池功率的预测模型。本方案中采用卷积神经网络算法进行电池功率的预测模型的训练，可以理解为为单个电池寻找与其表现最相近的个体分组，并根据相近个体的历史数据，推断本个体的衰变情况，同时学习历史数据中的突变情况，形成机制模型，从而实现对动力电池的衰变规律有效且准确的预测。较佳地，步骤S2包括以下步骤：S21、对所述功率特性数据进行数据提取以得到周期分量和趋势分量；S22、对所述趋势分量进行预处理以生成对应的所述功率数据矩阵。本方案中，步骤S3中生成的是电池功率中的趋势分量的预测模型。本方案中，将电池的放电功率数据分为趋势分量及周期分量。周期分量对于放电功率数据这个变量来说，是一个体现其固有特质的平移分量。即这个分量既不会衰减也不会形变，但本身也不是一个能用单项式表达的时间函数。常规来说，会用一组正弦曲线的和或积分来表示周期分量。本方案中，电池状态预测中，将放电功率数据分解成周期分量和趋势分量，仅将趋势分量作为卷积神经网络算法的模型输入，从而实现了预先降维，提高了卷积神经网络的运算效率。较佳地，所述放电功率数据包括放电电压数据和放电电流数据，所述功率特性数据还包括使用次数、使用频率、充放电工况中的至少一种。本方案中，动力电池的使用次数、使用频率、充放电工况以及是否有异常工况如过充过放等变量可以作为系数参与到卷积神经网络算法进行模型训练时的迭代过程中。本方案中，将放电电压数据和放电电流数据组成的至少两维数据用于卷积神经网络算法进行模型训练，能够使得生成的预测模型的准确性更高。较佳地，步骤S2中所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。本方案中，通过采集而获取的样本电池的功率特性数据并不能直接作为卷积神经网络算法的输入信息，需要经过数据无效处理，数据归一化处理和数据矩阵化输入处理后再使用。当输入数据量很大时，算法将面临计算量的提升，为方便计算通过将功率特性数据矩阵化能够提高算法的计算效率。较佳地，所述周期分量为对应的样本电池在全新状态下的放电功率曲线所对应的数据。本方案中，对于一块特定的电池，可以通过经验值确定其全新状态下的放电功率曲线并将该组数据标识为周期分量。较佳地，步骤S1之前还包括以下步骤：S0、获取总样本集，使用采样率r对所述总样本集进行采样以得到样本子集，将所述样本子集设置为所述训练样本集；步骤S3之后还包括以下步骤：S4、使用所述总样本集中未参与模型训练的样本电池的所述功率数据矩阵对所述预测模型进行验证，若输出误差大于预设误差，则调整模型训练的参数，执行步骤S3。本方案中，用总样本集中未参与模型训练的样本电池验证生成的预测模型，当输出误差在合理范围内时，预测机制完成；否则，通过调整模型参数重复模型训练步骤，以使得生成的预测模型更加准确。本专利技术还提供了一种电池功率预测模型生成系统，其特点在于，包括数据获取模块、预处理模块和模型生成模块；所述数据获取模块，用于获取训练样本集中每个样本电池的功率特性数据，所述功率特性数据包括所述样本电池的每次充放电的放电功率数据；所述预处理模块，用于对所述功率特性数据进行预处理以生成对应的功率数据矩阵；所述模型生成模块，用于使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。较佳地，所述预处理模块包括数据提取模块和分量预处理模块；所述数据提取模块，用于对所述功率特性数据进行数据提取以得到周期分量和趋势分量；所述分量预处理模块，用于对所述趋势分量进行预处理以生成对应的所述功率数据矩阵。较佳地，所述放电功率数据包括放电电压数据和放电电流数据，所述功率特性数据还包括使用次数、使用频率、充放电工况中的至少一种。较佳地，所述预处理模块中所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。较佳地，所述周期分量为对应的样本电池在全新状态下的放电功率曲线所对应的数据。较佳地，所述电池功率预测模型生成系统还包括采样模块和验证模块；所述采样模块，用于在所述数据获取模块执行之前获取总样本集，使用采样率r对所述总样本集进行采样以得到样本子集，将所述样本本文档来自技高网...

【技术保护点】
1.一种电池功率预测模型生成方法，其特征在于，包括以下步骤：S1、获取训练样本集中每个样本电池的功率特性数据，所述功率特性数据包括所述样本电池的每次充放电的放电功率数据；S2、对所述功率特性数据进行预处理以生成对应的功率数据矩阵；S3、使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。

【技术特征摘要】
1.一种电池功率预测模型生成方法，其特征在于，包括以下步骤：S1、获取训练样本集中每个样本电池的功率特性数据，所述功率特性数据包括所述样本电池的每次充放电的放电功率数据；S2、对所述功率特性数据进行预处理以生成对应的功率数据矩阵；S3、使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。2.如权利要求1所述的电池功率预测模型生成方法，其特征在于，步骤S2包括以下步骤：S21、对所述功率特性数据进行数据提取以得到周期分量和趋势分量；S22、对所述趋势分量进行预处理以生成对应的所述功率数据矩阵。3.如权利要求1所述的电池功率预测模型生成方法，其特征在于，所述放电功率数据包括放电电压数据和放电电流数据，所述功率特性数据还包括使用次数、使用频率、充放电工况中的至少一种。4.如权利要求1所述的电池功率预测模型生成方法，其特征在于，步骤S2中所述预处理包括数据无效处理、数据归一化处理和数据矩阵化处理。5.如权利要求2所述的电池功率预测模型生成方法，其特征在于，所述周期分量为对应的样本电池在全新状态下的放电功率曲线所对应的数据。6.如权利要求1所述的电池功率预测模型生成方法，其特征在于，步骤S1之前还包括以下步骤：S0、获取总样本集，使用采样率r对所述总样本集进行采样以得到样本子集，将所述样本子集设置为所述训练样本集；步骤S3之后还包括以下步骤：S4、使用所述总样本集中未参与模型训练的样本电池的所述功率数据矩阵对所述预测模型进行验证，若输出误差大于预设误差，则调整模型训练的参数，执行步骤S3。7.一种电池功率预测模型生成系统，其特征在于，包括数据获取模块、预处理模块和模型生成模块；所述数据获取模块，用于获取训练样本集中每个样本电池的功率特性数据，所述功率特性数据包括所述样本电池的每次充放电的放电功率数据；所述预处理模块，用于对所述功率特性数据进行预处理以生成对应的功率数据矩阵；所述模型生成模块，用于使用所述训练样本集中所述样本电池的功率数据矩阵对卷积神经网络算法进行模型训练，以生成电池功率的预测模型。8.如权利要求7所述的电池功率预测模型生成系统，其特征在于，所述预处理模块包括数据提取模块和分量预处理模块；所述数据提取模块，用于对所述功率特性数据进行数据提取以得到周期分量和趋势分量；所述分量预处理模块，用于对所述趋势分量进行...

【专利技术属性】
技术研发人员：周春，朱凤天，杜志超，王凯，黄生，
申请(专利权)人：上海电气分布式能源科技有限公司，
类型：发明
国别省市：上海,31