一种电动汽车电池荷电状态的评估方法技术

本发明专利技术提供一种电动汽车电池荷电状态的评估方法，所述方法包括下列步骤：获取电动车正常充电过程中的历史数据；基于所述历史数据，将所述电动车正常充电过程划分为恒流充电阶段，以及恒压充电阶段，并将所述历史数据划分为恒流充电历史数据以及恒压充电历史数据；建立并训练第一预测模型，基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态；建立并训练第二预测模型，基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态。电状态。电状态。

【技术实现步骤摘要】
一种电动汽车电池荷电状态的评估方法


[0001]本专利技术涉及电池荷电状态评估
，尤其涉及一种电动汽车电池荷电状态的评估方法。

技术介绍

[0002]电能作为一种清洁高效的二次能源，在市场中的占比逐渐扩大，特别是在汽车行业。而锂电池由于其高能量密度、价格低、放电稳定等特点被广泛应用于电动汽车、光伏储能等领域。但是用户的不规律充电行为以及电池的自我老化往往会造成电池性能下降、容量衰退，甚至可能会造成电池短路引发火灾，电池管理系统能够实时监测电池的实际使用状况并及时反馈，保障电池长期安全稳定的运行。电池荷电状态的准确评估对于电池安全可靠运行具有重要意义。
[0003]近年来，国内外已经有大量关于锂电池荷电状态估计问题的研究，主要包括基于模型的方法和基于数据驱动的方法。基于模型的电池荷电状态估计方法需要根据电池内部的物理和化学反应来构建相应的电池模型，模型复杂且对于不同的电池需要调整模型；基于数据驱动的方法通过历史充放电数据来构建输入特征与电池荷电状态之间的联系，其通常是将电池的充电过程视为一个整体来评估。但在电池的实际充电过程是包括了恒流充电阶段以及恒压充电阶段，因此将电池的充电过程视为一个整体来评估，在准确性上有待提高。

技术实现思路

[0004]本专利技术的目的在于提供一种电动汽车电池荷电状态的评估方法，以解决上述
技术介绍
中提出的问题。
[0005]本专利技术是通过以下技术方案实现的：一种电动汽车电池荷电状态的评估方法，所述方法包括下列步骤：
[0006]获取电动车正常充电过程中的历史数据；
[0007]基于所述历史数据，将所述电动车正常充电过程划分为恒流充电阶段，以及恒压充电阶段，并将所述历史数据划分为恒流充电历史数据以及恒压充电历史数据；
[0008]建立并训练第一预测模型，基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态；
[0009]建立并训练第二预测模型，基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态。
[0010]可选的，基于所述历史数据，将所述电动车正常充电过程划分为恒流充电阶段，具体包括：
[0011]将一组历史数据按照时间节点的顺序进行划分，并依次记录下每个时间节点的电压、电流、温度数据；
[0012]若在第t时间内，电流发生变化，则第i至t
‑
1时间段内为恒流充电阶段，其第i至t
‑
1时间段产生的电压、电流、温度数据、放电深度、充电速率为恒流充电历史数据。
[0013]可选的，基于所述历史数据，将所述电动车正常充电过程划分为恒压充电阶段，具体包括：
[0014]将一组历史数据按照时间节点的顺序进行划分，并依次记录下每个时间节点的电压、电流、温度数据；
[0015]若在第T时间内，电压发生变化，则第L至T
‑
1时间段内为恒压充电阶段，其第L至T
‑
1时间段产生的电压、电流、温度数据、放电深度、充电速率数据为恒压充电历史数据。
[0016]可选的，建立并训练第一预测模型，具体包括：构建LSTM神经网络，基于GWO算法以及恒流充电历史数据，对LSTM神经网络进行两次训练过程，最终获得第一预测模型。
[0017]可选的，基于GWO算法以及恒流充电历史数据，对LSTM神经网络进行两次训练过程，最终获得第一预测模型，具体包括：
[0018]将恒流充电历史数据输入所述LSTM神经网络中，获得为恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V'；
[0019]使用GWO算法优化LSTM神经网络中包括神经元个数以及学习率在内的最优参数，得到GWO
‑
LSTM神经网络；
[0020]将恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V'以及恒流充电历史数据中的不同时刻的电压数据以及唯一的电流数据输入GWO
‑
LSTM神经网络进行一次训练；
[0021]将恒流充电历史数据中的电压、电流、温度数据、放电深度、充电速率输入进行一次训练后的GWO
‑
LSTM神经网络中进行二次训练，获得第一预测模型。
[0022]可选的，建立并训练第二预测模型，具体包括：构建GRU神经网络，基于PSO算法以及恒流充电历史数据，对GRU神经网络进行两次训练过程，最终获得第二预测模型。
[0023]可选的，基于PSO算法以及恒流充电历史数据，对GRU神经网络进行两次训练过程，最终获得第二预测模型，具体包括：
[0024]将恒压充电历史数据输入所述GRU神经网络中，获得为恒流充电阶段中最优解的锂电池的温度N'、放电深度O'、充电速率P'；
[0025]使用PSO算法优化所述GRU神经网络中的最优参数，得到PSO
‑
GRU神经网络；
[0026]将恒压充电阶段中最优解的锂电池的温度N'、放电深度O'、充电速率P'以及恒流充电历史数据中不同时刻的电压数据以及唯一的电流数据输入PSO
‑
GRU神经网络进行一次训练；
[0027]将恒压充电历史数据中的电压、电流、温度数据、放电深度、充电速率输入进行一次训练后的PSO
‑
GRU神经网络中进行二次训练，获得第二预测模型。
[0028]可选的，基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态，具体包括：
[0029]实时采集电池充电过程中的充电数据，包括电流、电压以及温度数据；
[0030]判断电池充电过程电流发生变化的时刻，将电流变化时刻之前的充电数据输入到训练好的第一预测模型中，从而输出对应的第一SOC。
[0031]可选的，基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态，具体包括：
[0032]实时采集电池充电过程中的充电数据，包括电流、电压以及温度数据；
[0033]判断电池充电过程电流发生变化的时刻，将电流变化时刻之后的充电数据输入到训练好的第二预测模型中，从而输出对应的第二SOC。
[0034]可选的，所述方法还包括：在恒流充电历史数据条件下，通过安时积分法计算第一阈值，计算所述第一阈值与所述第一SOC之间的第一差值，若所述第一差值不符合要求，则重新计算第一SOC；
[0035]在恒压充电历史数据的条件下，通过安时积分法计算第二阈值，计算所述第一阈值与所述第一SOC之间的第二差值，若所述第二差值不符合要求，则重新计算第二SOC。
[0036]与现有技术相比，本专利技术达到的有益效果如下：
[0037]本专利技术提供的一种电动汽车电池荷电状态的评估方法，首先电池充电过程分为恒流充电阶段以及恒压充电阶段两类，然后针对锂电池历史充放电数据进行分类处理，然后通过这两类样本数据集训练由不同算法所构建的构建的第一预测模型以及第二预测模型，在后续实际使用中，根据电池充电过程的类型选用不同的模型进行荷电状态评估。
...

【技术保护点】

【技术特征摘要】
1.一种电动汽车电池荷电状态的评估方法，其特征在于，所述方法包括下列步骤：获取电动车正常充电过程中的历史数据；基于所述历史数据，将所述电动车正常充电过程划分为恒流充电阶段，以及恒压充电阶段，并将所述历史数据划分为恒流充电历史数据以及恒压充电历史数据；建立并训练第一预测模型，基于所述第一预测模型预测电动汽车电池在恒流充电阶段的荷电状态；建立并训练第二预测模型，基于所述第二预测模型预测电动汽车电池在恒压充电阶段的荷电状态。2.根据权利要求1所述的一种电动汽车电池荷电状态的评估方法，其特征在于，基于所述历史数据，将所述电动车正常充电过程划分为恒流充电阶段，具体包括：将一组历史数据按照时间节点的顺序进行划分，并依次记录下每个时间节点的电压、电流、温度数据；若在第t时间内，电流发生变化，则第i至t
‑
1时间段内为恒流充电阶段，其第i至t
‑
1时间段产生的电压、电流、温度数据、放电深度、充电速率为恒流充电历史数据。3.根据权利要求2所述的一种电动汽车电池荷电状态的评估方法，其特征在于，基于所述历史数据，将所述电动车正常充电过程划分为恒压充电阶段，具体包括：将一组历史数据按照时间节点的顺序进行划分，并依次记录下每个时间节点的电压、电流、温度数据；若在第T时间内，电压发生变化，则第L至T
‑
1时间段内为恒压充电阶段，其第L至T
‑
1时间段产生的电压、电流、温度数据、放电深度、充电速率数据为恒压充电历史数据。4.根据权利要求3所述的一种电动汽车电池荷电状态的评估方法，其特征在于，建立并训练第一预测模型，具体包括：构建LSTM神经网络，基于GWO算法以及恒流充电历史数据，对LSTM神经网络进行两次训练过程，最终获得第一预测模型。5.根据权利要求4所述的一种电动汽车电池荷电状态的评估方法，其特征在于，基于GWO算法以及恒流充电历史数据，对LSTM神经网络进行两次训练过程，最终获得第一预测模型，具体包括：将恒流充电历史数据输入所述LSTM神经网络中，获得为恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V'；使用GWO算法优化LSTM神经网络中包括神经元个数以及学习率在内的最优参数，得到GWO
‑
LSTM神经网络；将恒流充电阶段中最优解的锂电池的温度T'、放电深度C'、充电速率V'以及恒流充电历史数据中的不同时刻的电压数据以及唯一的电流数据输入GWO
‑
LSTM神经网络进行一次训练；将恒流充电历史数据中的电压、...

【专利技术属性】
技术研发人员：蒋永辉，
申请(专利权)人：海南师范大学，
类型：发明
国别省市：