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】
本专利技术涉及电池健康状态检测,尤其涉及一种基于部分充电数据的电池soh值快速估算方法及系统。
技术介绍
1、随着电动汽车的发展,准确评估锂电池的健康状态(soh)变得非常必要,可以及时替换老化电池,确保行驶安全。但目前soh的在线评估面临一些问题。
2、在现有的电池soh(state of health,健康状态)估算方法中,通常采用基于rnn框架的算法模型进行估算,rnn模型在对序列数据的处理和记忆能力方面较好,但是其需要完整的电池充电数据以及复杂的计算过程,这不仅需要大量的数据处理时间,而且估算成本较高。
3、对此,为降低soh值的估算时间和成本,现在一些模型使用部分充电曲线数据进行快速在线预测,但是,这对算法模型以及对数据的预处理方式提出了较高要求,因此,目前大多soh算法模型基于部分充电曲线数据的预测效果较差,精度和泛化能力有限。
技术实现思路
1、本专利技术的目的是提供一种可基于部分充电数据对电池的soh值进行高精度快速估算的基于部分充电数据的电池soh值快速估算方法及系统。
2、为了实现上述目的,本专利技术公开了一种基于部分充电数据的电池soh值快速估算方法,其包括:
3、提供一基于卷积神经网络构建的估算模型,所述估算模型中包括有若干彼此独立的执行模块,若干所述执行模块分别基于目标电池在不同充电阶段的充电数据与soh值的对应关系训练而成,所述充电阶段反映所述目标电池在一时间段内的电压水平;
4、获取目标电池在
5、对所述目标充电数据进行统一数据维度处理,以获得优化数据;
6、选择所述估算模型中与当前所述充电阶段相对应的执行模块,并通过所述估算模型对所述优化数据进行处理,以获得当前所述目标电池的soh值。
7、较佳地,所选择的所述充电阶段的起始电压大于预设的基础电压,所述充电阶段的起始点与终点之间的电压差为0.2v、0.3v、0.4v、0.5v、0.6v、0.7v中的任一种。
8、较佳地,基于双三次插值算法对所述目标充电数据进行统一数据维度处理。
9、较佳地,所述估算模型为googlenet模型。
10、较佳地,所述googlenet模型基于inception结构,采用多个不同尺寸的卷积核对输入的数据进行并行、多尺度特征提取。
11、较佳地,所述inception结构分别采用1×1、3×3和5×5的卷积核对输入的数据进行特征提取。
12、较佳地,所述googlenet模型的系统结构包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第三卷积层、第二最大池化层、n个串联连接的所述inception结构、第三最大池化层、m个串联连接的所述inception结构、第四最大池化层、n个串联连接的所述inception结构、全局平均池化层以及全连接层。
13、本专利技术还公开一种电池soh值快速估算系统,该估算系统基于如上所述的电池soh值快速估算方法工作。
14、本专利技术还公开一种电池soh值快速估算系统,其包括:
15、一个或多个处理器;
16、存储器;
17、以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的电池soh值快速估算方法的指令。
18、本专利技术还公开一种计算机可读存储介质,其包括计算机程序,所述计算机程序可被处理器执行以完成如上所述的电池soh值快速估算方法。
19、与现有技术相比,本专利技术上述soh值快速估算方法,使用基于卷积神经网络构建的估算模型,可以有效地利用部分充电数据进行soh值的快速估算,提高了估算的实时性,且对获得的部分数据进行统一数据维度处理,不仅解决了数据维度统一问题,又大幅提高了估算模型网络的泛用性以及数据处理效率,在训练数据较少的情况下依旧能取得较为准确的预测结果。
本文档来自技高网...【技术保护点】
1.一种基于部分充电数据的电池SOH值快速估算方法,其特征在于,包括:
2.根据权利要求1所述的电池SOH值快速估算方法,其特征在于,所选择的所述充电阶段的起始电压大于预设的基础电压,所述充电阶段的起始点与终点之间的电压差为0.2V、0.3V、0.4V、0.5V、0.6V、0.7V中的任一种。
3.根据权利要求1所述的电池SOH值快速估算方法,其特征在于,基于双三次插值算法对所述目标充电数据进行统一数据维度处理。
4.根据权利要求1所述的电池SOH值快速估算方法,其特征在于,所述估算模型为GoogLeNet模型。
5.根据权利要求4所述的电池SOH值快速估算方法,其特征在于,所述GoogLeNet模型基于Inception结构,采用多个不同尺寸的卷积核对输入的数据进行并行、多尺度特征提取。
6.根据权利要求5所述的电池SOH值快速估算方法,其特征在于,所述Inception结构分别采用1×1、3×3和5×5的卷积核对输入的数据进行特征提取。
7.根据权利要求5所述的电池SOH值快速估算方法,其特征在于,所述G
8.一种电池SOH值快速估算系统,其特征在于,该估算系统基于权利要求1至7任一项所述的电池SOH值快速估算方法工作。
9.一种电池SOH值快速估算系统,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,包括计算机程序,所述计算机程序可被处理器执行以完成如权利要求1至7任一项所述的电池SOH值快速估算方法。
...【技术特征摘要】
1.一种基于部分充电数据的电池soh值快速估算方法,其特征在于,包括:
2.根据权利要求1所述的电池soh值快速估算方法,其特征在于,所选择的所述充电阶段的起始电压大于预设的基础电压,所述充电阶段的起始点与终点之间的电压差为0.2v、0.3v、0.4v、0.5v、0.6v、0.7v中的任一种。
3.根据权利要求1所述的电池soh值快速估算方法,其特征在于,基于双三次插值算法对所述目标充电数据进行统一数据维度处理。
4.根据权利要求1所述的电池soh值快速估算方法,其特征在于,所述估算模型为googlenet模型。
5.根据权利要求4所述的电池soh值快速估算方法,其特征在于,所述googlenet模型基于inception结构,采用多个不同尺寸的卷积核对输入的数据进行并行、多尺度特征提取。
6.根据权利要求5所述的电池soh值快速估算方法,其特征在于,所...
【专利技术属性】
技术研发人员:谢缔,汪亮亮,周海洋,王守模,张浩,
申请(专利权)人:广东恒翼能科技股份有限公司,
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。