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】
本申请属于电池,具体涉及一种电池剩余寿命预测方法及装置。
技术介绍
1、电池管理系统(bms-battery management system)是连接电动汽车充电桩与电池的一个基础设备,它可以对电池工作状态中的一些参数进行监测和估算,主要包括:电流、电压、温度、剩余电量(soc-state ofcharge)等。电池退役后还有一些使用价值,可以对其进行梯次利用,在梯次利用之前,需要对电池健康状态进行评估,但是不同汽车上退役的电池受多种因素的影响,各个电池的soh(state ofhealth,即电池的健康状态,指电池使用一段时间后,性能参数与标称参数的比值)差别可能很大,电池剩余寿命预测准确性低。
技术实现思路
1、专利技术目的:本申请实施例提供一种电池剩余寿命预测方法,以提高电池剩余寿命预测的准确性;本申请实施例的另一目的是提供一种电池剩余寿命预测装置。
2、技术方案:本申请实施例提供一种电池剩余寿命预测方法,包括:
3、获取电池的充放电数据;
4、基于所述充放电数据与电池环境数据,获取样本特征数据,所述样本特征数据包括电池健康因子与环境温度数据;
5、将所述样本特征数据输入预先构建好的寿命预测模型,得到电池的剩余寿命预测结果,所述寿命预测模型采用g-rwkv神经网络架构,并使用所述样本特征数据与对应电池剩余寿命进行训练。
6、在一些实施例中,所述获取电池的充放电数据,包括:
7、获取电池充放电状态下的多元
8、在一些实施例中,所述基于所述充放电数据与电池环境数据,获取样本特征数据,包括:
9、对获取的所述充放电数据进行预处理,得到预处理后的数据;
10、基于所述预处理后的数据和所述电池环境数据,获取所述样本特征数据。
11、在一些实施例中,所述对获取的所述充放电数据进行预处理,得到预处理后的数据,包括:
12、剔除所述充放电数据中存在异常值与缺失值的多元时间序列数据;
13、对所述充放电数据进行清洗。
14、在一些实施例中,所述对所述充放电数据进行清洗,包括:
15、选取设定条件下的所述充放电数据组成清洗后的所述充放电数据,所述设定条件包括电池包探针温度t以及电池总电压v满足:-40℃≤t≤210℃,v≤450v。
16、在一些实施例中,将所述样本特征数据输入预先构建好的寿命预测模型之前,所述方法还包括:
17、对所述样本特征数据进行归一化处理。
18、在一些实施例中,所述电池健康因子包括等压降放电时间、恒流充电时间以及放电阶段温度变化速率。
19、在一些实施例中,所述寿命预测模型通过以下方式进行训练:
20、获取充放电数据集,所述充放电数据集包括若干电池的所述充放电数据;
21、基于所述充放电数据集构建输入输出样本矩阵,将所述输入输出样本矩阵输入所述寿命预测模型进行训练,所述输入输出样本矩阵包括所述样本特征数据与对应所述电池剩余寿命。
22、在一些实施例中,所述构建输入输出样本矩阵,包括:
23、基于所述充放电数据集与对应的电池环境数据,获取样本特征数据作为所述寿命预测模型的输入;
24、基于所述充放电数据集获取电池剩余寿命指标作为所述寿命预测模型的输出,所述电池剩余寿命指标为所述充放电数据中的实际电池容量到失效容量阈值之间的充放电循环次数。
25、在一些实施例中,在将所述输入输出样本矩阵输入所述寿命预测模型进行训练之前,所述方法还包括:
26、将所述样本特征数据与所述电池剩余寿命指标归一化处理。
27、在一些实施例中,所述基于所述充放电数据集构建输入输出样本矩阵包括:
28、采用滑动窗口的方式将所述样本特征数据与所述电池剩余寿命指标构建成所述输入输出样本矩阵。
29、本申请实施例还公开一种电池剩余寿命预测装置,包括:
30、第一获取模块,被配置为获取电池的充放电数据;
31、第二获取模块,被配置为基于所述充放电数据与电池环境数据,获取样本特征数据,所述样本特征数据包括电池健康因子与环境温度数据;
32、预测模块,被配置为将所述样本特征数据输入预先构建好的寿命预测模型,得到电池的剩余寿命预测结果,所述寿命预测模型采用g-rwkv神经网络架构,并使用所述样本特征数据与对应的电池剩余寿命进行学习训练。
33、有益效果:本申请实施例的一种电池剩余寿命预测方法,包括:获取电池的充放电数据;基于充放电数据与电池环境数据,获取样本特征数据,样本特征数据包括电池健康因子与环境温度数据;将样本特征数据输入预先构建好的寿命预测模型,得到电池的剩余寿命预测结果,寿命预测模型采用g-rwkv神经网络架构,并使用样本特征数据与对应的电池剩余寿命进行训练。通过提取影响电池寿命的电池健康因子与环境温度数据,并利用寿命预测模型的时间序列处理能力和并行计算能力,实现电池剩余寿命的准确预测。
34、本申请实施例的一种电池剩余寿命预测装置用于实现上述电池剩余寿命预测方法,因此可以具有上述的所有技术特征和技术效果,在此不再赘述。
本文档来自技高网...【技术保护点】
1.一种电池剩余寿命预测方法,其特征在于,包括:
2.根据权利要求1所述的电池剩余寿命预测方法,其特征在于,所述获取电池的充放电数据,包括:
3.根据权利要求1所述的电池剩余寿命预测方法,其特征在于,所述基于所述充放电数据与电池环境数据,获取样本特征数据,包括:
4.根据权利要求3所述的电池剩余寿命预测方法,其特征在于,所述对获取的所述充放电数据进行预处理,得到预处理后的数据,包括:
5.根据权利要求1所述的电池剩余寿命预测方法,其特征在于,所述电池健康因子包括等压降放电时间、恒流充电时间以及放电阶段温度变化速率。
6.根据权利要求1所述的电池剩余寿命预测方法,其特征在于,所述寿命预测模型通过以下方式进行训练:
7.根据权利要求6所述的电池剩余寿命预测方法,其特征在于,所述构建输入输出样本矩阵,包括:
8.根据权利要求7所述的电池剩余寿命预测方法,其特征在于,在将所述输入输出样本矩阵输入所述寿命预测模型进行训练之前,所述方法还包括:
9.根据权利要求6所述的电池剩余寿命预测方法,其特征
10.一种电池剩余寿命预测装置,其特征在于,包括:
...【技术特征摘要】
1.一种电池剩余寿命预测方法,其特征在于,包括:
2.根据权利要求1所述的电池剩余寿命预测方法,其特征在于,所述获取电池的充放电数据,包括:
3.根据权利要求1所述的电池剩余寿命预测方法,其特征在于,所述基于所述充放电数据与电池环境数据,获取样本特征数据,包括:
4.根据权利要求3所述的电池剩余寿命预测方法,其特征在于,所述对获取的所述充放电数据进行预处理,得到预处理后的数据,包括:
5.根据权利要求1所述的电池剩余寿命预测方法,其特征在于,所述电池健康因子包括等压降放电时间、恒流充电时间以及放电阶段温度...
【专利技术属性】
技术研发人员:徐超,王媛,高攀龙,张建彪,
申请(专利权)人:蜂巢能源科技股份有限公司,
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。