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】
本专利技术涉及电动车辆的电能控制,具体涉及一种基于电动车辆的智能电能储存系统及方法。
技术介绍
1、电池管理是电动汽车储能系统的重要组成部分,涉及到电池的充放电管理、均衡管理、状态监测等方面。通过高效的电池管理系统,可以延长电池使用寿命,提高能源利用效率,同时保证电动汽车的安全运行。在电池管理方面,研究方向包括电池状态预测、智能充电、自适应放电控制等。
2、现有技术中通过bms电池控制系统进行电池管理,但是难以在电动汽车制动过程中,实现电池充放电平稳,容易造成电池受损,以及电能回收能力有限,导致电池组电能在电动汽车制动过程中储存效率不高。
技术实现思路
1、本专利技术的目的在于提供一种基于电动车辆的智能电能储存系统,以解决现有技术中难以在电动汽车制动过程中,实现电池充放电平稳,容易造成电池受损,以及电能回收能力有限,导致电池组电能在电动汽车制动过程中储存效率不高的技术问题。
2、为解决上述技术问题,本专利技术具体提供下述技术方案:
3、一种基于电动车辆的智能电能储存系统,包括:
4、数据采集模块,用于采集电动车辆位于当前时刻的制动数据,标记为实时制动数据,获取前置于当前时刻的一组连续历史时刻的电动车辆放电曲线,标记为先验放电曲线,以及前置于当前时刻的一组连续历史时刻的电动车辆储电曲线,标记为先验储电曲线;
5、智控模型模块,用于利用优化模型,根据所述实时制动数据,以及先验放电曲线,得到用于获得控制电动车辆在当前时刻处于最优
6、用于利用优化模型,根据所述实时制动数据,以及先验储电曲线,得到用于获得控制电动车辆在当前时刻处于最优储电的储电控制数据的储电控制模型;
7、用于利用孪生机制,将放电控制模型和储电控制模型进行联合学习,得到用于电动车辆在当前时刻同步处于最优放电和最优储电的智能电能储存控制模型;
8、电池主控模块,利用智能电能存储控制模型,根据实时制动数据,输出控制电动车辆在当前时刻处于最优放电控制数据和最优储电控制数据,以实现控制电动车辆在当前时刻同步处于最优放电和最优储电。
9、作为本专利技术的一种优选方案,所述数据采集模块通过can通讯从电动车辆的制动系统中实时进行制动数据的获取及存储,得到当前时刻的制动数据;
10、所述数据采集模块通过can通讯从电动车辆的电池组中的放电端实时进行放电数据的获取及存储,得到前置于当前时刻的一组连续历史时刻的电动车辆放电曲线;
11、所述数据采集模块通过can通讯从电动车辆的电池组中的储电端实时进行储电数据的获取及存储,得到前置于当前时刻的一组连续历史时刻的电动车辆储电曲线。
12、作为本专利技术的一种优选方案,所述智控模型模块构建放电控制模型的方法包括:
13、数据采集模块通过can通讯从电动车辆的制动系统中实时进行制动数据的获取及存储,得到前置于当前时刻的一组连续历史时刻的电动车辆制动曲线;
14、将所述电动车辆制动曲线与电动车辆放电曲线进行数据拟合,得到表征制动数据与放电数据映射关系的第一二维拟合曲线,其中,第一二维拟合曲线的横坐标为制动数据,第一二维拟合曲线纵坐标为放电数据;
15、利用第一神经网络对第一二维拟合曲线中制动数据与放电数据映射关系进行学习,得到由制动数据测算放电数据的制动放电模型;
16、利用第二神经网络对电动车辆放电曲线中放电数据时序关系进行学习,得到由前置时刻放电数据测算后置时刻放电数据的放电时序模型;
17、以制动放电模型的输出与放电时序模型的输入间的欧氏距离为第一损失函数,将制动放电模型融合至放电时序模型中进行共同训练,得到由制动数据得到最优放电数据的放电优化模型;
18、根据放电数据与放电控制数据的对应关系,将放电优化模型中放电数据使用放电控制数据进行替换,得到由制动数据得到最优放电控制数据的放电控制模型;
19、所述制动放电模型为:
20、st=bp1(ht);
21、式中,st为当前时刻t处的放电数据,ht为当前时刻t处的制动数据,bp1为第一神经网络;
22、所述放电时序模型为:
23、st=lstm2(st-1);
24、式中,st为当前时刻t处的放电数据,st-1为前置于当前时刻的历史时刻t-1处的放电数据,lstm2为第二神经网络;
25、所述放电优化模型为:
26、bp1(ht)=lstm2(st-1);
27、第一损失函数为:loss1=d[bp1(ht),lstm2(st-1)],其中,loss为第一损失函数值,d为欧氏距离计算符,d[bp1(ht),lstm2(st-1)]为bp1(ht)和lstm2(st-1)的欧氏距离,bp1(ht)为制动放电模型的输出,lstm2(st-1)放电时序模型的输入;
28、所述放电控制模型为:
29、zt=[bp1(ht)=lstm2(zt-1)];
30、式中,zt为当前时刻t处的放电控制数据,ht为当前时刻t处的制动数据,zt-1为前置于当前时刻的历史时刻t-1处的放电控制数据,bp1为第一神经网络,lstm2为第二神经网络。
31、作为本专利技术的一种优选方案,所述智控模型模块构建储电控制模型的方法包括:
32、数据采集模块通过can通讯从电动车辆的制动系统中实时进行制动数据的获取及存储,得到前置于当前时刻的一组连续历史时刻的电动车辆制动曲线;
33、将所述电动车辆制动曲线与电动车辆储电曲线进行数据拟合,得到表征制动数据与储电数据映射关系的第二二维拟合曲线,其中,第二二维拟合曲线的横坐标为制动数据,第二二维拟合曲线纵坐标为储电数据;
34、利用第三神经网络对第二二维拟合曲线中制动数据与储电数据映射关系进行学习,得到由制动数据测算储电数据的制动储电模型;
35、利用第四神经网络对电动车辆储电曲线中储电数据时序关系进行学习,得到由前置时刻储电数据测算后置时刻储电数据的储电时序模型;
36、以制动储电模型的输出与储电时序模型的输入间的欧氏距离为第二损失函数,将制动储电模型融合至储电时序模型中进行共同训练,得到由制动数据得到最优储电数据的储电优化模型;
37、根据储电数据与储电控制数据的对应关系,将储电优化模型中储电数据使用储电控制数据进行替换,得到由制动数据得到最优储电控制数据的储电控制模型;
38、所述制动储电模型为:
39、rt=bp3(ht);
40、式中,rt为当前时刻t处的储电数据,ht为当前时刻t处的制动数据,bp3为第三神经网络;
41、所述储电时序模型为:
42、rt=lstm4(rt-1);
43、式中,rt为当前时刻t处的储电数据,rt-1为前本文档来自技高网...
【技术保护点】
1.一种基于电动车辆的智能电能储存系统,其特征在于,包括:
2.根据权利要求1所述的一种基于电动车辆的智能电能储存系统,其特征在于:所述数据采集模块通过CAN通讯从电动车辆的制动系统中实时进行制动数据的获取及存储,得到当前时刻的制动数据;
3.根据权利要求1所述的一种基于电动车辆的智能电能储存系统,其特征在于:所述智控模型模块构建放电控制模型的方法包括:
4.根据权利要求3所述的一种基于电动车辆的智能电能储存系统,其特征在于:所述智控模型模块构建储电控制模型的方法包括:
5.根据权利要求4所述的一种基于电动车辆的智能电能储存系统,其特征在于:所述智控模型模块构建智能电能储存控制模型的方法包括:
6.根据权利要求5所述的一种基于电动车辆的智能电能储存系统,其特征在于:所述电池主控模块分别与电池组的放电端和电池组的储电端通讯连接,以根据最优放电控制数据和最优储电控制数据,根据当前时刻的制动数据,控制电动车辆在当前时刻同步处于最优放电和最优储电。
7.一种基于电动车辆的智能电能储存方法,其特征在于,应用于权利要求1
8.根据权利要求7所述的一种基于电动车辆的智能电能储存方法,其特征在于:所述放电控制模型的构建方法包括:
9.根据权利要求8所述的一种基于电动车辆的智能电能储存方法,其特征在于:所述储电控制模型的构建方法包括:
10.根据权利要求9所述的一种基于电动车辆的智能电能储存方法,其特征在于:所述智能电能储存控制模型的构建方法包括:
...【技术特征摘要】
1.一种基于电动车辆的智能电能储存系统,其特征在于,包括:
2.根据权利要求1所述的一种基于电动车辆的智能电能储存系统,其特征在于:所述数据采集模块通过can通讯从电动车辆的制动系统中实时进行制动数据的获取及存储,得到当前时刻的制动数据;
3.根据权利要求1所述的一种基于电动车辆的智能电能储存系统,其特征在于:所述智控模型模块构建放电控制模型的方法包括:
4.根据权利要求3所述的一种基于电动车辆的智能电能储存系统,其特征在于:所述智控模型模块构建储电控制模型的方法包括:
5.根据权利要求4所述的一种基于电动车辆的智能电能储存系统,其特征在于:所述智控模型模块构建智能电能储存控制模型的方法包括:
6.根据权利要求5所述的一种基于电动车辆的智能电能储存系统,...
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。