基于多模型的电池荷电状态预测方法及装置制造方法及图纸

本发明专利技术提供一种基于多模型的电池荷电状态预测方法及装置，方法包括：采集多组建模数据；对每组建模数据进行标准化处理，并基于每组标准化建模数据对神经网络进行训练，以得到多个预测模型；采集待测电池的充放电数据，并作为预测数据；从多个预测模型中选择一个预测模型，并获取相应的建模数据及其在标准化处理过程中对应的第一标准化参数；对预测数据进行标准化处理；将标准化预测数据输入选择的预测模型，以得到SOC预测结果。由此，在多种对应不同工况的预测模型中选择最优的预测模型实现SOC预测，并基于建模数据及其标准化参数实现预测数据的标准化，可以避免数据漂移现象，能够提高电池在任何工况下的预测精度和预测可信度。信度。信度。

【技术实现步骤摘要】
基于多模型的电池荷电状态预测方法及装置


[0001]本专利技术涉及电池
，具体涉及一种基于多模型的电池荷电状态预测方法和一种基于多模型的电池荷电状态预测装置。

技术介绍

[0002]随着电池使用数量越来越多，电池的荷电状态(SOC，State ofCharge)的预测具有重要意义，因此对荷电状态SOC的预测极其重要。
[0003]相关技术中，采用神经网络预测锂电池SOC，然而，该技术具有以下缺陷：
①
锂电池对低温极其敏感，电池容量受温度影响极大，仅依靠单一预测模型无法精确预测低温环境下的电池SOC；
②
锂电池在充放电功率变化时，传统的数据归一化方法会导致数据漂移，影响模型的预测精度；
③
单纯依靠一个模型进行锂电池所有运行状态的预测，预测结果的可信度不够。

技术实现思路

[0004]本专利技术为解决上述技术问题之一，提出了如下技术方案。
[0005]本专利技术第一方面实施例提出了一种基于多模型的电池荷电状态预测方法，包括以下步骤：采集样本电池在多种不同工况下的充放电数据，并作为多组建模数据，其中，多组所述建模数据与多种所述工况一一对应；对每组所述建模数据进行标准化处理以得到标准化建模数据，并基于每组所述标准化建模数据对神经网络进行训练，以得到多个预测模型；采集待测电池在运行过程中的充放电数据，并作为预测数据；基于所述预测数据从多个所述预测模型中选择一个预测模型，并获取选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数；根据获取的建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理，以得到标准化预测数据；将所述标准化预测数据输入所述选择的预测模型，以得到所述待测电池的SOC预测结果。
[0006]另外，根据本专利技术上述实施例的基于多模型的电池荷电状态预测方法还可以具有如下附加的技术特征。
[0007]根据本专利技术的一个实施例，所述工况包括所述样本电池所在的环境温度和所述样本电池的预设功率，其中，所述预设功率包括充电功率和放电功率。
[0008]根据本专利技术的一个实施例，每组所述建模数据包括所述样本电池的电压数据、电流数据、温度数据和SOC数据，对每组所述建模数据进行标准化处理以得到标准化建模数据，包括：通过均值方差标准化方法对所述样本电池的电压数据、电流数据和温度数据进行标准化处理，以得到标准化建模电压、标准化建模电流和标准化建模温度。
[0009]根据本专利技术的一个实施例，所述预测数据包括所述待测电池的当前电压数据、当前电流数据、当前温度数据和上一时刻SOC数据，基于所述预测数据从多个所述预测模型中选择一个预测模型，包括：根据所述当前电压数据和所述当前电流数据计算所述待测电池的当前功率；基于所述当前温度数据、所述当前电流数据和所述上一时刻SOC数据计算起点
温度；基于所述当前功率、所述起点温度从多个所述预测模型中选择一个预测模型。
[0010]根据本专利技术的一个实施例，基于所述当前功率、所述起点温度从多个所述预测模型中选择一个预测模型，包括：根据多个所述预测模型对应的环境温度和预设功率，确定每个所述预测模型对应的温度区间和功率区间；根据所述当前功率、所述起点温度、多个所述预测模型对应的温度区间和功率区间，从多个所述预测模型中选择一个预测模型，其中，通过以下公式计算所述起点温度：
[0011]T0＝T
‑
λ*I2*SOC
t
‑1[0012]其中，T0为起点温度，T为所述当前温度数据，I为所述当前电流数据，SOC
t
‑1为所述上一时刻SOC数据，λ为人为设定的温升系数。
[0013]根据本专利技术的一个实施例，所述第一标准化参数包括电压数据的标准化参数、电流数据的标准化参数和温度数据的标准化参数，所述标准化参数包括平均值和方差，根据所述建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理，以得到标准化预测数据，包括：根据所述样本电池的电压数据和电流数据计算所述建模数据的对应功率；根据所述待测电池的当前电压数据和当前电流数据计算所述待测电池的当前功率；根据所述建模数据中电压数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率，计算所述预测数据中当前电压数据的标准化参数；根据所述建模数据中电流数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率，计算所述预测数据中当前电流数据的标准化参数；在所述预测数据中的当前温度数据处于第一预设区间时，基于所述建模数据中温度数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率，计算所述预测数据中当前温度数据的标准化参数；在所述预测数据中的当前温度数据处于第二预设区间时，获取所述样本电池的内阻，并基于所述内阻、所述建模数据中温度数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率，计算所述预测数据中当前温度数据的标准化参数，其中，所述第二预设区间与所述第一预设区间不同；根据所述预测数据中当前电压数据的标准化参数、所述预测数据中当前电流数据的标准化参数和所述预测数据中当前温度数据的标准化参数，一一对应分别对所述预测数据中的当前电压数据、所述当前电流数据和所述当前温度数据进行标准化处理，以得到标准化预测电压、标准化预测电流和标准化预测温度。
[0014]根据本专利技术的一个实施例，通过以下公式计算所述预测数据中当前电流数据的标准化参数：
[0015]I
Tmean
＝I
Smean
×
P
t
÷
P
s
[0016]I
Tstd
＝I
Sstd
×
P
t
÷
P
s
[0017]其中，I
Tmean
、I
Tstd
为所述预测数据中当前电流数据的标准化参数，I
Smean
为所述建模数据中电流数据的平均值，I
Sstd
为所述建模数据中电流数据的方差，P
t
为所述待测电池的当前功率，P
s
为所述建模数据的对应功率。
[0018]根据本专利技术的一个实施例，在所述预测数据中的当前温度数据处于第一预设区间时，通过以下公式计算所述预测数据中当前温度数据的标准化参数：
[0019]T
Tmean
＝T
Smean
×
(P
t
/P
s
)2×
κ
[0020]T
Tstd
＝T
Sstd
×
(P
t
/P
s
)2×
κ
[0021]其中，T
Tmean
、T
Tstd
为所述预测数据中当前温度数据的标准化参数，T
Smean
为所述建模
数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模型的电池荷电状态预测方法，其特征在于，包括以下步骤：采集样本电池在多种不同工况下的充放电数据，并作为多组建模数据，其中，多组所述建模数据与多种所述工况一一对应；对每组所述建模数据进行标准化处理以得到标准化建模数据，并基于每组所述标准化建模数据对神经网络进行训练，以得到多个预测模型；采集待测电池在运行过程中的充放电数据，并作为预测数据；基于所述预测数据从多个所述预测模型中选择一个预测模型，并获取选择的预测模型的建模数据、及获取的建模数据在标准化处理过程中对应的第一标准化参数；根据获取的建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理，以得到标准化预测数据；将所述标准化预测数据输入所述选择的预测模型，以得到所述待测电池的SOC预测结果。2.根据权利要求1所述的基于多模型的电池荷电状态预测方法，其特征在于，所述工况包括所述样本电池所在的环境温度和所述样本电池的预设功率，其中，所述预设功率包括充电功率和放电功率。3.根据权利要求2所述的基于多模型的电池荷电状态预测方法，其特征在于，每组所述建模数据包括所述样本电池的电压数据、电流数据、温度数据和SOC数据，对每组所述建模数据进行标准化处理以得到标准化建模数据，包括：通过均值方差标准化方法对所述样本电池的电压数据、电流数据和温度数据进行标准化处理，以得到标准化建模电压、标准化建模电流和标准化建模温度。4.根据权利要求3所述的基于多模型的电池荷电状态预测方法，其特征在于，所述预测数据包括所述待测电池的当前电压数据、当前电流数据、当前温度数据和上一时刻SOC数据，基于所述预测数据从多个所述预测模型中选择一个预测模型，包括：根据所述当前电压数据和所述当前电流数据计算所述待测电池的当前功率；基于所述当前温度数据、所述当前电流数据和所述上一时刻SOC数据计算起点温度；基于所述当前功率、所述起点温度从多个所述预测模型中选择一个预测模型。5.根据权利要求4所述的基于多模型的电池荷电状态预测方法，其特征在于，基于所述当前功率、所述起点温度从多个所述预测模型中选择一个预测模型，包括：根据多个所述预测模型对应的环境温度和预设功率，确定每个所述预测模型对应的温度区间和功率区间；根据所述当前功率、所述起点温度、多个所述预测模型对应的温度区间和功率区间，从多个所述预测模型中选择一个预测模型，其中，通过以下公式计算所述起点温度：T0＝T
‑
λ*I2*SOC
t
‑1其中，T0为起点温度，T为所述当前温度数据，I为所述当前电流数据，SOC
t
‑1为所述上一时刻SOC数据，λ为人为设定的温升系数。6.根据权利要求4所述的基于多模型的电池荷电状态预测方法，其特征在于，所述第一标准化参数包括电压数据的标准化参数、电流数据的标准化参数和温度数据的标准化参
数，所述标准化参数包括平均值和方差，根据所述建模数据及其对应的所述第一标准化参数对所述预测数据进行标准化处理，以得到标准化预测数据，包括：根据所述样本电池的电压数据和电流数据计算所述建模数据的对应功率；根据所述待测电池的当前电压数据和当前电流数据计算所述待测电池的当前功率；根据所述建模数据中电压数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率，计算所述预测数据中当前电压数据的标准化参数；根据所述建模数据中电流数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率，计算所述预测数据中当前电流数据的标准化参数；在所述预测数据中的当前温度数据处于第一预设区间时，基于所述建模数据中温度数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率，计算所述预测数据中当前温度数据的标准化参数；在所述预测数据中的当前温度数据处于第二预设区间时，获取所述样本电池的内阻，并基于所述内阻、所述建模数据中温度数据的标准化参数、所述建模数据的对应功率和所述待测电池的当前功率，计算所述预测数据中当前温度数据的标准化参数，其中，所述第二预设区间与所述第一预设区间不同；根据所述预测数据中当前电压数据的标准化参数、所述预测数据中当前电流数据的标准化参数和所述预测数据中当前...

【专利技术属性】
技术研发人员：王润，刘星华，
申请(专利权)人：万帮星星充电科技有限公司，
类型：发明
国别省市：