电池荷电状态预测方法和装置制造方法及图纸

本发明专利技术提供一种电池荷电状态预测方法和装置，所述方法包括以下步骤：S1，对样本电池进行充放电实验，采集样本电池每次充放电的实验数据，并获取样本电池多次充放电的实验数据；S2，对样本电池每次充放电的实验数据和多次充放电的实验数据进行预处理和特征工程，得到由特征向量构成的数据集，并将数据集分为训练集和测试集；S3，构建Wide&Deep神经网络模型；S4，通过训练集对Wide&Deep神经网络模型进行训练，以得到荷电状态预测器，并通过测试集对荷电状态预测器进行测试，其中，通过网格搜索法寻找Wide&Deep神经网络模型的最优参数；S5，通过步骤S4最终得到的荷电状态预测器对待预测电池的荷电状态进行预测。本发明专利技术能够准确地预测电池的荷电状态。测电池的荷电状态。测电池的荷电状态。

【技术实现步骤摘要】
电池荷电状态预测方法和装置


[0001]本专利技术涉及电池
，具体涉及一种电池荷电状态预测方法和一种电池荷电状态预测装置。

技术介绍

[0002]随着化石燃料的大量使用，环境污染问题和能源紧缺越来越严重，各国政府日益重视清洁能源的开发利用。近年来，电动汽车受到了政府和企业的极大关注，市场上出现了不同类型的电动汽车，例如纯动力汽车(BEV)、混合动力汽车(HEV)、燃料电池汽车(FCEV)等等。可充电电池在电动汽车中应用十分广泛，例如铅酸电池、镍镉电池、镍氢电池和锂离子电池。其中锂离子电池因其寿命长、低污染、高功率以及可快速充电等优点被众多企业所看好，其市场占比也在不断提高。然而，锂离子电池会衰老，即随着使用次数的增加，它的容量会逐渐衰减。有很多原因会造成锂离子电池容量衰减速度加快，包括温度过高、过充电、过放电、充满电后长时间不使用等等。要防止过充电和过放电，就必须对电池的荷电状态(SOC)有一个准确的预测。

技术实现思路

[0003]本专利技术为解决如何准确预测电池荷电状态的技术问题，提供了一种电池荷电状态预测方法和装置，能够准确地预测电池的荷电状态。
[0004]本专利技术采用的技术方案如下：
[0005]一种电池荷电状态预测方法，包括以下步骤：S1，对样本电池进行充放电实验，采集所述样本电池每次充放电的实验数据，并获取所述样本电池多次充放电的实验数据；S2，对所述样本电池每次充放电的实验数据和多次充放电的实验数据进行预处理和特征工程，得到由特征向量构成的数据集，并将所述数据集分为训练集和测试集；S3，构建Wide&Deep神经网络模型；S4，通过所述训练集对所述Wide&Deep神经网络模型进行训练，以得到荷电状态预测器，并通过所述测试集对所述荷电状态预测器进行测试，其中，通过网格搜索法寻找所述Wide&Deep神经网络模型的最优参数；S5，通过步骤S4最终得到的所述荷电状态预测器对待预测电池的荷电状态进行预测。
[0006]所述样本电池每次充放电的实验数据包括的端电压、电流、荷电状态，所述样本电池多次充放电的实验数据包括多次充放电所述样本电池最大充电量的变化趋势、每次充放电充电量与放电量的差值、每次充放电电压和电流的变化趋势。
[0007]步骤S2中进行特征工程所得到的特征包括电压、电流、电压与电流的一次导数，二次导数和充放电次数。
[0008]所述Wide&Deep神经网络模型包括Wide部分、Deep部分和联合部分。
[0009]步骤S4中需要寻优的参数包括迭代次数、学习率、隐藏层神经元个数和隐藏层层数。
[0010]一种电池荷电状态预测装置，包括：数据获取模块，所述数据获取模块用于在对样
本电池进行充放电实验时，采集所述样本电池每次充放电的实验数据，并获取所述样本电池多次充放电的实验数据；数据处理模块，所述数据处理模块用于对所述样本电池每次充放电的实验数据和多次充放电的实验数据进行预处理和特征工程，得到由特征向量构成的数据集，并将所述数据集分为训练集和测试集；模型构建模块，所述模型构建模块用于构建Wide&Deep神经网络模型；模型训练模块，所述模型训练模块用于通过所述训练集对所述Wide&Deep神经网络模型进行训练，以得到荷电状态预测器，并通过所述测试集对所述荷电状态预测器进行测试，其中，通过网格搜索法寻找所述Wide&Deep神经网络模型的最优参数；预测模块，所述预测模块用于通过所述模型训练模块最终得到的所述荷电状态预测器对待预测电池的荷电状态进行预测。
[0011]所述样本电池每次充放电的实验数据包括的端电压、电流、荷电状态，所述样本电池多次充放电的实验数据包括多次充放电所述样本电池最大充电量的变化趋势、每次充放电充电量与放电量的差值、每次充放电电压和电流的变化趋势。
[0012]所述数据处理模块进行特征工程所得到的特征包括电压、电流、电压与电流的一次导数，二次导数和充放电次数。
[0013]所述Wide&Deep神经网络模型包括Wide部分、Deep部分和联合部分。
[0014]所述模型训练模块需要寻优的参数包括迭代次数、学习率、隐藏层神经元个数和隐藏层层数。
[0015]本专利技术的有益效果：
[0016]本专利技术通过对样本电池进行充放电实验以获取相关数据，并构建Wide&Deep神经网络模型，基于所获取的数据对Wide&Deep神经网络模型进行训练，得到荷电状态预测器，最后以荷电状态预测器对待预测电池的荷电状态进行预测，由此，将线性回归与深度神经网络结合，能够准确地预测电池的荷电状态。
附图说明
[0017]图1为本专利技术实施例的电池荷电状态预测方法的流程图；
[0018]图2为本专利技术一个实施例的Wide&Deep神经网络模型的结构示意图；
[0019]图3为本专利技术一个实施例的Wide&Deep神经网络模型数据的输入输出过程示意图；
[0020]图4为本专利技术实施例的电池荷电状态预测装置的方框示意图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]如图1所示，本专利技术实施例的电池荷电状态预测方法包括以下步骤：
[0023]S1，对样本电池进行充放电实验，采集样本电池每次充放电的实验数据，并获取样本电池多次充放电的实验数据。
[0024]充放电实验所采用的样本电池数量和对每个样本电池的充放电次数可根据对后续数据集中数据量的大小来设定。
[0025]在本专利技术的一个具体实施例中，可使用两块额定容量为2000mAh的18650
‑
20R锂离子电池进行充放电实验。充放电的具体操作如下：充电时采用CC
‑
CV充电，首先，用27A的恒定电流对样本电池进行恒流充电直到终端电压达到4.2V，之后保持终端电压为4.2V不变进行恒压充电直到电流降至2.7A停止充电；放电时采用CC放电，保持电流为81A不变对样本电池进行恒流放电，当终端电压降至2.75V时停止放电。对于每个样本电池，上述过程反复进行100次，每次间隔30分钟，环境温度始终为40℃。
[0026]在每一次充放电时，均采集样本电池的端电压、电流、荷电状态数据，作为样本电池每次充放电的实验数据，上述实验过程共可得到200组每次充放电的实验数据。
[0027]将每次充放电的实验数据结合起来进行充放电特性的分析，便可得到多次充放电的实验数据，本专利技术实施例中样本电池多次充放电的实验数据包括多次充放电样本电池最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池荷电状态预测方法，其特征在于，包括以下步骤：S1，对样本电池进行充放电实验，采集所述样本电池每次充放电的实验数据，并获取所述样本电池多次充放电的实验数据；S2，对所述样本电池每次充放电的实验数据和多次充放电的实验数据进行预处理和特征工程，得到由特征向量构成的数据集，并将所述数据集分为训练集和测试集；S3，构建Wide&Deep神经网络模型；S4，通过所述训练集对所述Wide&Deep神经网络模型进行训练，以得到荷电状态预测器，并通过所述测试集对所述荷电状态预测器进行测试，其中，通过网格搜索法寻找所述Wide&Deep神经网络模型的最优参数；S5，通过步骤S4最终得到的所述荷电状态预测器对待预测电池的荷电状态进行预测。2.根据权利要求1所述的电池荷电状态预测方法，其特征在于，所述样本电池每次充放电的实验数据包括的端电压、电流、荷电状态，所述样本电池多次充放电的实验数据包括多次充放电所述样本电池最大充电量的变化趋势、每次充放电充电量与放电量的差值、每次充放电电压和电流的变化趋势。3.根据权利要求2所述的电池荷电状态预测方法，其特征在于，步骤S2中进行特征工程所得到的特征包括电压、电流、电压与电流的一次导数，二次导数和充放电次数。4.根据权利要求3所述的电池荷电状态预测方法，其特征在于，所述Wide&Deep神经网络模型包括Wide部分、Deep部分和联合部分。5.根据权利要求4所述的电池荷电状态预测方法，其特征在于，步骤S4中需要寻优的参数包括迭代次数、学习率、隐藏层神经元个数和隐藏层层数。6.一种电池荷电状态预测装置，其特征在于，包括：数据获取模块，所述数据获取模块用于在对样...

【专利技术属性】
技术研发人员：庄重，陆怀谷，袁俊球，穆迪，
申请(专利权)人：国网江苏省电力有限公司国家电网有限公司，
类型：发明
国别省市：