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】
本申请涉及智能控制,尤其涉及新能源汽车电池管理,具体涉及一种soh估计方法、装置、设备及存储介质。
技术介绍
1、动力电池健康状态(state of health,soh)用于表示动力电池满充容量相对额定容量的百分比,可以反映动力电池当前容量的衰减程度。为了提高新能源汽车系统抵御风险故障的能力、降低维护成本,需要对动力电池的soh进行准确估计。
2、目前,soh的估计通常都是采用安时积分,根据测量到的参数计算soh。但是,与soh计算相关的参数都是电池内部变量,难以直接用传感器测量,同时由于实际应用中新能源汽车的充放电工况复杂,能够准确估计soh的工况条件苛刻,导致通用方法受限于参数测量精度以及计算资源,估计得到的soh准确度较低。
技术实现思路
1、本申请提供一种soh估计方法、装置、设备及存储介质,以至少解决相关技术受限于参数测量精度以及计算资源,估计得到的soh准确度较低的技术问题。本申请的技术方案如下:
2、根据本申请涉及的第一方面,提供一种soh估计方法,包括:对部署待估计电池的目标设备的测量数据进行数据预处理和特征提取,得到目标设备的特征值;测量数据包括电池状态数据和运行数据;将目标设备的特征值输入训练后的soh估计模型,输出待估计电池的soh估计值;soh估计模型是以样本设备上部署的样本电池的soh真实值为标签,以样本设备的样本特征矩阵为样本训练得到的;样本特征矩阵为根据样本设备的特征值生成的;样本设备的特征值是对样本设备的测量数据进行数据预处
3、根据上述技术手段,本申请可以通过对采集难度较低的电池状态数据和运行数据进行数据预处理和特征提取,得到特征值,然后将特征值输入训练后的soh估计模型,得到soh估计值。由于soh估计模型是以soh真实值为标签,根据样本特征矩阵训练得到的,样本特征矩阵可以明显表征特征值之间的相关性,进而避免冗余计算提升模型性能,可以适用于简单的模型算法,可以有效降低计算资源和工况条件对估计soh准确度的影响,提高估计得到soh的准确度。
4、在一种可能的实施方式中,上述方法,还包括:获取样本设备的测量数据,以及样本设备上部署的样本电池的soh真实值;对样本设备的测量数据进行数据预处理和特征提取,得到样本设备的特征值;根据样本设备的特征值,生成样本设备的特征值的样本特征矩阵;根据样本特征矩阵以及soh真实值,训练soh估计模型。
5、根据上述技术手段,本申请可以采集难度较低的电池状态数据和运行数据,即丰富了样本还可以提高参数测量精度。然后通过数据预处理和特征提取,结合特征矩阵,进一步提高特征值之间的相关性,可以避免冗余计算提升模型性能,适用于简单的模型算法,可以有效降低计算资源和工况条件对估计soh准确度的影响,提高估计得到soh的准确度。
6、在一种可能的实施方式中,上述获取soh真实值,包括:在样本电池进行慢充且满充的过程中,在预设的测量时刻测量soh真实值;测量时刻包括电池状态的预设节点对应的时刻,或者预设测量周期内的任意时刻;预设节点包括充电深度节点或者充电时间节点。
7、根据上述技术手段,由于在慢充且满充的条件下,测量到的电池参数能够很准确地描述电池状态,因此本申请可以准确测量soh真实值,以提高后续模型的准确性。
8、在一种可能的实施方式中,上述电池状态数据包括:电池的充电电流、充电状态、荷电状态soc中的至少一种;运行数据包括:设备的运行工作量、设备温度、运行速度、运行时长中的至少一种。
9、根据上述技术手段,本申请可以结合电池状态数据和设备运行数据进行特征提取,可以丰富样本数据的类型,提高特征与soh的相关性,以提高本申请基于特征与soh的相关性估计soh的准确性。
10、在一种可能的实施方式中,上述特征值包括:数据分布、最大值、最小值、平均值、中位数、标准差、差分、占比、积分中的任意一种。
11、根据上述技术手段,本申请可以通过多种方式对数据进行特征提取,降低维度,提供信息和非冗余的特征值,从而促进后续的学习和泛化步骤,并提高模型算法的可解释性。
12、在一种可能的实施方式中,上述目标设备为云端系统中多个设备的任意一个设备;云端系统中存储有多个设备在任意工况下的测量数据。
13、根据上述技术手段,由于新能源汽车需依照国标(gbt32960)采集信号并上传至云端大数据平台,本申请可以利用云端存储的大量数据,实现对云端系统中任意设备的远程管理。
14、根据本申请提供的第二方面,提供一种soh估计装置,包括:数据处理单元以及模型应用单元;数据处理单元,用于对部署待估计电池的目标设备的测量数据进行数据预处理和特征提取,得到目标设备的特征值;测量数据包括电池状态数据和运行数据;模型应用单元,用于将目标设备的特征值输入训练后的soh估计模型,输出待估计电池的soh估计值;soh估计模型是以样本设备上部署的样本电池的soh真实值为标签,以样本设备的样本特征矩阵为样本训练得到的;样本特征矩阵为根据样本设备的特征值生成的;样本设备的特征值是对样本设备的测量数据进行数据预处理和特征提取得到的。
15、在一种可能的实施方式中,上述装置还包括:数据获取单元和模型训练单元;数据获取单元,用于获取样本设备的测量数据,以及样本设备上部署的样本电池的soh真实值;数据处理单元,还用于对样本设备的测量数据进行数据预处理和特征提取,得到样本设备的特征值;数据处理单元,还用于根据样本设备的特征值,生成样本设备的特征值的样本特征矩阵;模型训练单元,用于根据样本特征矩阵以及soh真实值,训练soh估计模型。
16、在一种可能的实施方式中,上述数据获取单元,具体用于:在样本电池进行慢充且满充的过程中,在预设的测量时刻测量soh真实值;测量时刻包括电池状态的预设节点对应的时刻,或者预设测量周期内的任意时刻;预设节点包括充电深度节点或者充电时间节点。
17、在一种可能的实施方式中,上述电池状态数据包括:电池的充电电流、充电状态、荷电状态soc中的至少一种;运行数据包括:设备的运行工作量、设备温度、运行速度、运行时长中的至少一种。
18、在一种可能的实施方式中,上述特征值包括:数据分布、最大值、最小值、平均值、中位数、标准差、差分、占比、积分中的任意一种。
19、在一种可能的实施方式中,上述目标设备为云端系统中多个设备的任意一个设备;云端系统中存储有多个设备在任意工况下的测量数据。
20、根据本申请提供的第三方面,提供一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令,以实现上述第一方面及其任一种可能的实施方式的方法。
21、根据本申请提供的第四方面,提供一种计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面中及其任一种可能的实施方式的方法。本文档来自技高网...
【技术保护点】
1.一种SOH估计方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,还包括:
3.根据权利要求2所述的方法,其特征在于,获取所述SOH真实值,包括:
4.根据权利要求1或2所述的方法,其特征在于,所述电池状态数据包括:电池的充电电流、充电状态、荷电状态SOC中的至少一种;所述运行数据包括:设备的运行工作量、设备温度、运行速度、运行时长中的至少一种。
5.根据权利要求4所述的方法,其特征在于,所述特征值包括:数据分布、最大值、最小值、平均值、中位数、标准差、差分、占比、积分中的任意一种。
6.根据权利要求1所述的方法,其特征在于,所述目标设备为云端系统中多个设备的任意一个设备;所述云端系统中存储有所述多个设备在任意工况下的测量数据。
7.一种SOH估计装置,其特征在于,包括:数据处理单元以及模型应用单元;
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:数据获取单元和模型训练单元;
9.根据权利要求8所述的装置,其特征在于,所述数据获取单元,具体用于:
...【技术特征摘要】
1.一种soh估计方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,还包括:
3.根据权利要求2所述的方法,其特征在于,获取所述soh真实值,包括:
4.根据权利要求1或2所述的方法,其特征在于,所述电池状态数据包括:电池的充电电流、充电状态、荷电状态soc中的至少一种;所述运行数据包括:设备的运行工作量、设备温度、运行速度、运行时长中的至少一种。
5.根据权利要求4所述的方法,其特征在于,所述特征值包括:数据分布、最大值、最小值、平均值、中位数、标准差、差分、占比、积分中的任意一种。
6.根据权利要求1所述的方法,其特征在于,所述目标设备为云端系统中多个设备的任意一个设备;所述云端系统中存储有所述多个设备在任意工况下的测量数据。
7.一种soh估计装置,其特征在于,包括:数据处理单元以及模型应用单元;
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:数据...
【专利技术属性】
技术研发人员:牟晓飞,李东江,李鑫,徐舰波,江振文,
申请(专利权)人:深蓝汽车科技有限公司,
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。