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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。