System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及动力锂离子电池soc数模结合预测,具体涉及动力锂离子电池soc数模结合预测方法、装置、设备及介质。
技术介绍
1、当前,锂离子动力电池由于其能量密度大、循环寿命长、安全性能高等优点,在各领域被广泛使用,soc是用于估计影响电池容量的有效使用,是电池状态监测的重要基础,其准确性是电池安全使用的有力保障,能够有效延长电池的使用寿命。在运行状态下,锂离子电池的soc需要通过相关变量进行估算,但在实际应用场景中,电池往往在低温、高温、噪声等复杂的工作条件下运行,此时需采用具有鲁棒性的算法来准确估计电池soc。
2、目前soc预测方法主要分为传统法、模型预测法、数据驱动法以及数模结合法。现市面上提出的一种基于自适应最大相关熵校正迭代卡尔曼滤波的电池soc估算方法,是根据锂电池简化等效电路模型,建立电池状态方程和观测方程,采用改进后的卡尔曼滤波算法估算电池soc,可以在一定程度上提高噪声下soc估算性能,但是,其受限于模型复杂度,其估算精度相较于传统卡尔曼滤波算法提升有限。现市面上还提出的一种基于bp神经网络的soc估计方法,利用变温速率以及温度特征量将低温环境与soc、soc与环境变化的关联性引入到模型中,该方法虽然能提升soc预测精度,且在温度变化情况下鲁棒性较好,但是,所需的训练集数据量庞大。
3、简单来说,现有电池soc预测方法采用的传统算法存在多种问题,例如:单一的模型预测法受限于模型复杂度,其电池soc预测精度往往达不到要求,而神经网络预测一类的数据驱动法则存在所需训练集及计算量过于庞大的问
4、有鉴于此,提出本申请。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供动力锂离子电池soc数模结合预测方法、装置、设备及介质,能够有效提高算法鲁棒性及锂离子动力电池soc预测精度。
2、本专利技术公开了动力锂离子电池soc数模结合预测方法,包括:
3、获取待处理的数据,并对所述待处理的数据进行数据预处理,其中,所述待处理的数据包括采集到的电池充放电测试电流、温度数据、电池荷电状态soc数据和混合功率脉冲特性hppc测试数据;
4、构建二阶rc电路模型,根据所述混合功率脉冲特性hppc测试数据进行计算处理,生成电子元器件数值,并根据所述电子元器件数值识别调整所述二阶rc电路模型的参数;
5、将所述电池充放电测试电流、所述温度数据导入所述二阶rc电路模型中,采用扩展卡尔曼滤波算法对所述电池充放电测试电流和所述温度数据进行计算处理,生成电池充放电电压数据;
6、计算所述二阶rc电路模型的平均电压和平均电流,根据所述电池充放电电压数据、所述电池充放电测试电流、所述温度数据、所述平均电压、所述平均电流和所述电池荷电状态soc数据构建向量矩阵,将所述向量矩阵导入预先训练好的informer神经网络中,进行电池soc估计处理,生成预测结果。
7、优选地,所述数据预处理为滑动滤波操作,所述混合功率脉冲特性hppc测试数据包括a点端电压、b点端电压、c点端电压、d点端电压、以及e点端电压;
8、其中,所述a点端电压之前的电压为搁置阶段,当电池开始放电时,端电压从所述a点端电压瞬间降至所述b点端电压,所述b点端电压到所述c点端电压为电池放电阶段,当电池停止放电时,端电压从所述c点端电压瞬间升至所述d点端电压,所述d点端电压到所述e点端电压为电池搁置阶段。
9、优选地,根据所述电子元器件数值识别调整所述二阶rc电路模型的参数,具体为:
10、辨识所述二阶rc电路模型的欧姆内阻r0,计算公式为:
11、
12、其中,ua、ub、ud、uc分别表示为所述a点端电压、所述b点端电压、所述c点端电压和所述d点端电压,i为端电流;
13、当判断到电池处于阶段放电电压停止时,将所述c点端电压到所述e点端电压的响应视为零输入电压响应,响应公式为:
14、
15、其中,v(t)为端电压,voc为开路电压,v1、v2分别表示为两个rc网络环上的电压;
16、对所述c点端电压到所述e点端电压的数据进行二阶指数拟合处理,公式为:
17、y=y0+a×exp(-b×x)+c×exp(-d×x)
18、其中,a、b、c和d为拟合量;
19、辨识所述二阶rc电路模型的一阶rc环极化内阻rp1、所述二阶rc电路模型的一阶rc环极化电容cp1、所述二阶rc电路模型的二阶rc环极化内阻rp2和所述二阶rc电路模型的二阶rc环极化电容cp2,计算公式为:
20、
21、调整所述二阶rc电路模型的欧姆内阻r0、所述二阶rc电路模型的一阶rc环极化内阻rp1、所述二阶rc电路模型的一阶rc环极化电容cp1、所述二阶rc电路模型的二阶rc环极化内阻rp2和所述二阶rc电路模型的二阶rc环极化电容cp2的数值。
22、优选地,将所述电池充放电测试电流、所述温度数据导入所述二阶rc电路模型中,采用扩展卡尔曼滤波算法对所述电池充放电测试电流和所述温度数据进行计算处理,生成电池充放电电压数据,具体为:
23、根据所述电池充放电测试电流、所述温度数据列出系统状态空间方程,方程公式为:
24、
25、其中,up1,p2(k)为k时刻的两个rc网络的电压,soc(k)为k时刻的荷电状态,rp1,p2为电池极化内阻,cp1p2为极化电容,i(k)为k时刻系统输入电流,为系统过程噪声,δt为采样时间;
26、列出端电压ut方程,方程公式为:
27、ut=uoc(soc)-up1-up2-i(k)r0+v
28、其中,ut为端电压,uoc(soc)为电池开路电压,r0为欧姆内阻,v为系统测量噪声;
29、列出锂离子电池的非线性状态方程,方程公式为:
30、
31、其中,f为系统状态转移函数,h为系统观测函数,x(k)为k时刻的状态变量,y(k+1)为k+1时刻的观测量,对应电池端电压ut,w(k)为系统过程噪声,其方差为q,v(k)为系统观测噪声,其方差为r;
32、设置状态变量初始值x(0)与对应的误差协方差矩阵初始值p(0),进行ekf先验状态估计处理;
33、计算误差协方差矩阵、卡尔曼增益和下一时刻状态估计量,并更新误差协方差矩阵。
34、优选地,将所述向量矩阵导入预先训练好的informer神经网络中,进行电池soc估计处理,具体为:
35、在所述informer神经网络的编码器嵌入层和所述informer神经网络的解码器嵌入层中对输入特征序列的信息进行提取嵌入处理,以保证时间序列有序性的位置嵌入及每个时间点的时间嵌入,具体为:
36、采用正余弦函数的线性变换为所述informer神经网络的输入信息的位置编码方式,线性变换公式为:<本文档来自技高网...
【技术保护点】
1.动力锂离子电池SOC数模结合预测方法,其特征在于,包括:
2.根据权利要求1所述的动力锂离子电池SOC数模结合预测方法,其特征在于,所述数据预处理为滑动滤波操作,所述混合功率脉冲特性HPPC测试数据包括A点端电压、B点端电压、C点端电压、D点端电压、以及E点端电压;
3.根据权利要求2所述的动力锂离子电池SOC数模结合预测方法,其特征在于,根据所述电子元器件数值识别调整所述二阶RC电路模型的参数,具体为:
4.根据权利要求1所述的动力锂离子电池SOC数模结合预测方法,其特征在于,将所述电池充放电测试电流、所述温度数据导入所述二阶RC电路模型中,采用扩展卡尔曼滤波算法对所述电池充放电测试电流和所述温度数据进行计算处理,生成电池充放电电压数据,具体为:
5.根据权利要求1所述的动力锂离子电池SOC数模结合预测方法,其特征在于,将所述向量矩阵导入预先训练好的Informer神经网络中,进行电池SOC估计处理,具体为:
6.根据权利要求5所述的动力锂离子电池SOC数模结合预测方法,其特征在于,所述概率稀疏注意力的操作,具体为
7.动力锂离子电池SOC数模结合预测装置,其特征在于,包括:
8.动力锂离子电池SOC数模结合预测设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的动力锂离子电池SOC数模结合预测方法。
9.可读存储介质,其特征在于,存储有计算机程序,所述计算机程序能够被该存储介质所在设备的处理器执行,以实现如权利要求1至6任意一项所述的动力锂离子电池SOC数模结合预测方法。
...【技术特征摘要】
1.动力锂离子电池soc数模结合预测方法,其特征在于,包括:
2.根据权利要求1所述的动力锂离子电池soc数模结合预测方法,其特征在于,所述数据预处理为滑动滤波操作,所述混合功率脉冲特性hppc测试数据包括a点端电压、b点端电压、c点端电压、d点端电压、以及e点端电压;
3.根据权利要求2所述的动力锂离子电池soc数模结合预测方法,其特征在于,根据所述电子元器件数值识别调整所述二阶rc电路模型的参数,具体为:
4.根据权利要求1所述的动力锂离子电池soc数模结合预测方法,其特征在于,将所述电池充放电测试电流、所述温度数据导入所述二阶rc电路模型中,采用扩展卡尔曼滤波算法对所述电池充放电测试电流和所述温度数据进行计算处理,生成电池充放电电压数据,具体为:
5.根据权利要求1所述的动力锂离子电池soc...
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。