【技术实现步骤摘要】
本专利技术涉及智能电池管理，具体是指一种基于深度学习的新能源汽车智能电池管理系统。
技术介绍
1、智能电池管理系统是一种利用先进的技术来监控、控制和优化电池系统性能的系统，其通过使用传感器、电路和算法来监测电池的状态和性能。现有的基于深度学习的新能源汽车智能电池管理系统存在着数据维度有差异，部分特征对结果影响较大，且采集的数据中包含异常值，致使后续数据处理失真的问题；长短期记忆网络预测模型在更新权重和阈值时存在着梯度值过大，致使模型参数更新过大，进而导致模型稳定性差、收敛困难和梯度爆炸的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供一种基于深度学习的新能源汽车智能电池管理系统，针对数据维度有差异，部分特征对结果影响较大，且采集的数据中包含异常值，致使后续数据处理失真的问题，本专利技术采用异常值检测和数据归一化算法，通过构造观测值向量，计算样本均值向量、协方差矩阵和观测值向量与样本均值向量的样本间马氏距离，检测并去除异常值，并对数据进行归一化处理，将不同维度的数据统一到特定范围内，消除不同维度之间的量纲差异，防止某些特征对结果的影响过大；针对长短期记忆网络预测模型在更新权重和阈值时梯度值过大，致使模型参数更新过大，进而导致模型稳定性差、收敛困难和梯度爆炸的问题，本专利技术在长短期记忆网络模型更新权重和阈值时进行梯度裁剪，通过计算损失函数对模型参数的梯度和所有梯度的范数，对比梯度的范数和预先设置的阈值，对梯度进行裁剪，保证梯度大小在可控的范围内，从而防止模
2、本专利技术采用的技术方案如下：本专利技术提供的一种基于深度学习的新能源汽车智能电池管理系统，包括数据采集模块、数据预处理模块、特征提取模块、构建电池剩余寿命预测模型模块和电池剩余寿命预测模块；
3、所述数据采集模块，具体为收集新能源汽车的历史数据信号，所述历史数据为电池的历史充放电循环次数数据信号、历史电池容量数据信号和历史温度数据信号；
4、所述数据预处理模块，具体为通过对历史电池数据集进行抽样，得到构建样本数据集，并构造观测值向量，计算样本均值向量和观测值向量的样本间马氏距离，删除大于样本间马氏距离的异常值，对去除异常值数据集进行归一化处理，得到归一化电池数据集；
5、所述特征提取模块，具体为通过对归一化电池数据集中的数据进行特征提取，得到电池特征数据集；
6、所述构建电池剩余寿命预测模型模块，具体为通过构建输入门、遗忘门和输出门，更新模型权重和阈值，并在更新权重和阈值时计算损失函数对模型参数的梯度和所有梯度的范数，对比梯度的范数和预先设置的阈值，对梯度进行裁剪；
7、所述电池剩余寿命预测模块具体为通过将实时电池数据集输入电池剩余寿命预测模型进行预测，输出电池剩余寿命预测结果。
8、进一步地，所述数据预处理模块具体包括以下步骤：
9、构建样本数据集，具体包括：
10、基于数据集得到历史电池数据集pa，随机抽取n个样本数据，得到样本数据集r＝{x1，x2，…，xn}；
11、构造观测值向量，观测值向量中包含m个元素，所用公式如下：
12、xi＝(xi1,xi2,...,xim)t；
13、式中，xi表示观测值向量，t表示转置操作，m表示观测值向量中的m个元素，i表示样本数据的索引；
14、计算样本均值向量，具体为通过对观测值向量进行均值运算，得到样本均值向量所用公式如下：
15、
16、式中，表示样本均值向量，xi表示观测值向量，i表示样本数据的索引，n表示样本数据量；
17、计算样本协方差矩阵，具体为通过计算样本中每个维度的协方差，得到样本协方差矩阵q，所用公式如下：
18、
19、式中，q表示样本协方差矩阵，表示样本均值向量，xi表示观测值向量，i表示样本数据的索引，n表示样本数据量；
20、计算样本协方差矩阵的逆矩阵，得到样本协方差矩阵的逆矩阵q-1；
21、通过对观测值向量和样本均值向量进行距离运算，得到样本间马氏距离w，所用公式如下：
22、
23、式中，w表示样本间马氏距离，q表示样本协方差矩阵，表示样本均值向量，xi表示观测值向量，i表示样本数据的索引，n表示样本数据量；
24、去除异常值，具体为通过设置阈值t，对比样本间马氏距离w和阈值t的大小，删除大于阈值t的样本数据，得到去除异常值数据集v；
25、通过对去除异常值数据集v进行数据归一化处理，得到归一化电池数据集pc，所用公式如下：
26、
27、式中，pc表示归一化电池数据集，v表示去除异常值数据集，max表示去除异常值数据集中的最大值，min表示去除异常值数据集中的最小值。
28、进一步地，所述特征提取模块，具体为通过对归一化电池数据集进行特征提取操作，得到特征值和对应标签，具体包含以下步骤：
29、计算电池容量的衰减速率，以电池容量在每个时间间隔内固定衰减为例，具体如下：
30、计算电池容量衰减量，所用公式如下：
31、δc＝c(t1)-c(t1-1)；
32、式中，δc表示容量衰减量，c(t1)表示当前时刻的电池容量，c(t1-1)表示上一个时刻的电池容量；
33、计算电池容量的衰减速率，所用公式如下：
34、
35、式中，y表示电池容量的衰减速率，δc表示容量衰减量，δt1表示时间间隔；
36、计算电池温度的变化趋势，通过构造滑动窗口方法，得到温度变化的平均值，具体如下：
37、计算温度的平均值，所用公式如下：
38、
39、式中，d表示温度的平均值，f1，f2，…，fn表示窗口内温度数据，p表示窗口大小；
40、通过窗口滑动，得到一系列的温度平均值，分析温度平均值的变化趋势，得到电池温度的变化趋势；
41、预先设定电池一次完整的充放电循环过程，记录电池充放电循环的次数；
42、构建电池特征数据集，其中包含电池的特征值以及对应标签，对应标签为电池容量的衰减速率、电池温度的变化趋势和电池充放电循环次数。
43、进一步地，所述构建电池剩余寿命预测模型模块，具体包含以下步骤：
44、预先设置当前时刻的输入为xt，当前时刻前一刻的输出为ht-1；
45、更新输入门，所用公式如下：
46、pt＝tanh(ωsxt+usht-1+bs；
47、式中，pt表示输入门，tanh()表示双曲正切激活函数，ωs表示输入门状态的权重，xt表示当前时刻的输入，us表示输入门前一状态的权重，ht-1表示当前时刻前一刻的输出，bs表示输入门状态的偏置量；
48、更新输入门细胞状态，所用公式如下：
49本文档来自技高网...
【技术保护点】
1.一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：包括数据采集模块、数据预处理模块、特征提取模块、构建电池剩余寿命预测模型模块和电池剩余寿命预测模块；
2.根据权利要求1所述的一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：所述构建电池剩余寿命预测模型模块，具体包含以下步骤：
3.根据权利要求1所述的一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：所述数据预处理模块具体包括以下步骤：
4.根据权利要求1所述的一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：所述特征提取模块，具体为通过对归一化电池数据集进行特征提取操作，得到特征值和对应标签，具体包含以下步骤：
5.根据权利要求1所述的一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：所述数据采集模块具体为收集新能源汽车的历史数据信号，所述历史数据为电池的历史充放电循环次数数据信号、历史电池容量数据信号和历史温度数据信号。
6.根据权利要求1所述的一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：所述电池剩余寿命预测
...【技术特征摘要】
1.一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：包括数据采集模块、数据预处理模块、特征提取模块、构建电池剩余寿命预测模型模块和电池剩余寿命预测模块；
2.根据权利要求1所述的一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：所述构建电池剩余寿命预测模型模块，具体包含以下步骤：
3.根据权利要求1所述的一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：所述数据预处理模块具体包括以下步骤：
4.根据权利要求1所述的一种基于深度学习的新能源汽车智能电池管理系统，其特征在于：所述...
【专利技术属性】
技术研发人员：王道耀，晏亚辉，吴振宇，李正芳，
申请(专利权)人：湖南盈旺智慧能源科技有限公司，
类型：发明
国别省市：
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。