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】
本专利技术涉及锂电池,具体为一种基于多学习机融合的锂电池健康状态估算方法及装置。
技术介绍
1、电动汽车代表现今汽车的发展主流,亦是减少温室气体排放、促进产业绿色发展的重要举措,作为电动汽车的动力来源,动力电池的发展一定程度上决定着电动汽车的未来。
2、锂电池作为评估电池电性能和优化车辆动力控制策略的关键参数,精确估算车用动力电池在不同情况下的健康状态可以更准确地避免过充、过放和过负荷工作,有效保护电池,延长电池使用寿命,在基于机器学习算法构建电池健康状态模型时,如何减轻训练任务的负担或减少所需的数据量,提升算法的自学习能力,同时进一步考虑温度和日历时间对电池退化的影响仍有待进一步研究。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本专利技术提供了一种基于多学习机融合的锂电池健康状态估算方法及装置,具备提高锂电池健康状态评估和寿命预测的准确性和适应不同环境温度和日历时间等优点,解决了上述技术问题。
3、(二)技术方案
4、为实现上述目的,本专利技术提供如下技术方案:一种基于多学习机融合的锂电池健康状态估算方法,包括以下步骤:
5、s1、对车辆电池参数进行采集;
6、s2、对车辆电池的容量进行计算并进行筛选;
7、s3、对电池的基础特征参数进行引入;
8、s4、通过步骤s3得到的特征参数对初始模型进行建立,并建立gpr残差模型;
9、s5、通过模型对电池退化
10、作为本专利技术的优选技术方案,所述步骤s2中的电池容量计算过程如下:
11、s2.1、基于可用的电池数据,对电池容量进行计算;
12、s2.2、设置五个不同循环次数的对比组,并取每个对比组电池容量的中位数。
13、作为本专利技术的优选技术方案,所述步骤s3基础特征参数包括电压和温度极差值,通过对电压和温度极差值的均值、中位数、方差、标准差进行计算,得到健康统计特征变化。
14、作为本专利技术的优选技术方案,所述步骤s3的计算公式如下:
15、
16、其中,表示对应特征的相关系数,xi表示第i个特性,表示特定性序列的均值,表示容量序列的平均值,∑表示对内部数据进行求和。
17、作为本专利技术的优选技术方案,所述步骤s4中的模型参数包括电池在不同温度和长期高强度运行、长期低强度、长期静置后运行、运行后长期静置四种运行方式时电池的放电容量,并通过cnn-gru网络预测初始模型和gpr残差模型。
18、作为本专利技术的优选技术方案,所述步骤s5中的估算过程中基于步骤s4中建立的gpr残差模型建立温度残差模型和日历残差模型将平均温度和日历时间作为输入来预测容量残差值。
19、作为本专利技术的优选技术方案,所述gpr的残差模型的表达式如下:
20、
21、其中,yi表示模型输出值,f(xi)表示对特征值的高斯函数,xi表示第i个特征,表示服从均值为0,方差为的正态分布,具体表示噪声协方差。
22、本专利技术还提供一种基于多学习机融合锂电池健康状态估算装置,用于执行上述的一种基于多学习机融合锂电池健康状态估算方法,包括标签容量获取模块、健康特征提取模块、健康特征相关分析模块、计算模块和训练测试模块。
23、作为本专利技术的优选技术方案,所述标签容量获取模块用于实施恒流循环充放电并获取锂离子电池电流电压、温度变化,所述健康特征选取模块读取标签容量获取模块中的数据,并对选取数据进行平滑处理,通过多个循环容量的平均值和中位数对比,分别取多组不同循环次数的容量数据筛选,选择循环过程中电压和温度极差值作为基础特征参数,通过计算得到健康特征变化集,所述健康特征相关分析模块用于特征集建立电池健康状态预测模型筛选能表征电池老化的健康特征。
24、作为本专利技术的优选技术方案,所述计算模型模块用于对数据进行电池温度和日历作为模型输入并得到残差估算结果,所述数据集进行训练测试模块用于将计算模型模块中的模型与多源车辆电池、实验室异体电池、大数据平台电池、异体电池估算,并对结果进行验证。
25、与现有技术相比,本专利技术提供了一种基于多学习机融合锂电池健康状态估算方法及装置,具备以下有益效果:
26、1、本专利技术通过针对电池健康状态估计不精确、迁移性弱等问题,以实车锂电池为研究对象,采用拉姆的安培积分法和25个循环内计算容量的统计中值作为标定容量,避免了由于soc误差、间隔短、数据噪声等原因的估计误差。
27、2、本专利技术通过采用pcc和spearman分析电池充电数据统计特征与电池容量的相关性,制定了基于阈值的特征选择过程中去除无效特征值,提高算法适应力。
28、3、本专利技术通过为解决适应不同车型、不同运行特点、使用工况不同的异体多源锂电池健康状态估算方法,采用构建cnn-gru的电池老化预测初始模型和双gpr的残差预测模型建立多学习机器融合估算技术,用于补偿日历时间和温度变化引起的预测误差,避免了温度变化、电池老化、日历时间对电池容量参数的影响,提高了模型精确度。
本文档来自技高网...【技术保护点】
1.一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S2中的电池容量计算过程如下:
3.根据权利要求1所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S3基础特征参数包括电压和温度极差值,通过对电压和温度极差值的均值、中位数、方差、标准差进行计算,得到健康统计特征变化。
4.根据权利要求3所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S3的计算公式如下:
5.根据权利要求1所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S4中的模型参数包括电池在不同温度和长期高强度运行、长期低强度、长期静置后运行、运行后长期静置四种运行方式时电池的放电容量,并通过CNN-GRU网络预测初始模型和GPR残差模型。
6.根据权利要求5所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S5中的估算过程中基于步骤S4中建立的GPR残差模
7.根据权利要求6所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述GPR的残差模型的表达式如下:
8.一种基于多学习机融合的锂电池健康状态估算装置,用于执行权利要求1至9任意一项所述的一种基于多学习机融合锂电池健康状态估算方法,其特征在于:包括标签容量获取模块、健康特征提取模块、健康特征相关分析模块、计算模块和训练测试模块。
9.根据权利要求8所述的一种基于多学习机融合的锂电池健康状态估算装置,其特征在于:所述标签容量获取模块用于实施恒流循环充放电并获取锂离子电池电流、电压、温度变化,所述健康特征选取模块读取标签容量获取模块中的数据,并对选取数据进行平滑处理,通过多个循环容量的平均值和中位数对比,分别取多组不同循环次数的容量数据筛选,选择循环过程中电压和温度极差值作为基础特征参数,通过计算得到健康特征变化集,所述健康特征相关分析模块用于特征集建立电池健康状态预测模型筛选能表征电池老化的健康特征。
10.根据权利要求9所述的一种基于多学习机融合的锂电池健康状态估算装置,其特征在于:所述计算模型模块用于对数据进行电池温度和日历作为模型输入并得到残差估算结果,所述数据集进行训练测试模块用于将计算模型模块中的模型与多源车辆电池、实验室异体电池、大数据平台电池、异体电池估算,并对结果进行验证。
...【技术特征摘要】
1.一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤s2中的电池容量计算过程如下:
3.根据权利要求1所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤s3基础特征参数包括电压和温度极差值,通过对电压和温度极差值的均值、中位数、方差、标准差进行计算,得到健康统计特征变化。
4.根据权利要求3所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤s3的计算公式如下:
5.根据权利要求1所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤s4中的模型参数包括电池在不同温度和长期高强度运行、长期低强度、长期静置后运行、运行后长期静置四种运行方式时电池的放电容量,并通过cnn-gru网络预测初始模型和gpr残差模型。
6.根据权利要求5所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤s5中的估算过程中基于步骤s4中建立的gpr残差模型建立温度残差模型和日历残差模型将平均温度和日历时间作为输入来预测容量残差值。
7.根据权利要求6所述的一种基于多学...
【专利技术属性】
技术研发人员:舒星,吕旻玥,胡远志,冯仁华,林春景,齐创,
申请(专利权)人:重庆理工大学,
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。