本發明專利技術提供一種電動汽車電池荷電狀態的評估方法，所述方法包括下列步驟：獲取電動車正常充電過程中的歷史數據；基于所述歷史數據，將所述電動車正常充電過程劃分為恒流充電階段，以及恒壓充電階段，并將所述歷史數據劃分為恒流充電歷史數據以及恒壓充電歷史數據；建立并訓練第一預測模型，基于所述第一預測模型預測電動汽車電池在恒流充電階段的荷電狀態；建立并訓練第二預測模型，基于所述第二預測模型預測電動汽車電池在恒壓充電階段的荷電狀態。電狀態。電狀態。
【技術實現步驟摘要】
一種電動汽車電池荷電狀態的評估方法
[0001]本專利技術涉及電池荷電狀態評估
，尤其涉及一種電動汽車電池荷電狀態的評估方法。
技術介紹
[0002]電能作為一種清潔高效的二次能源，在市場中的占比逐漸擴大，特別是在汽車行業。而鋰電池由于其高能量密度、價格低、放電穩定等特點被廣泛應用于電動汽車、光伏儲能等領域。但是用戶的不規律充電行為以及電池的自我老化往往會造成電池性能下降、容量衰退，甚至可能會造成電池短路引發火災，電池管理系統能夠實時監測電池的實際使用狀況并及時反饋，保障電池長期安全穩定的運行。電池荷電狀態的準確評估對于電池安全可靠運行具有重要意義。
[0003]近年來，國內外已經有大量關于鋰電池荷電狀態估計問題的研究，主要包括基于模型的方法和基于數據驅動的方法?；谀Ｐ偷碾姵睾呻姞顟B估計方法需要根據電池內部的物理和化學反應來構建相應的電池模型，模型復雜且對于不同的電池需要調整模型；基于數據驅動的方法通過歷史充放電數據來構建輸入特征與電池荷電狀態之間的聯系，其通常是將電池的充電過程視為一個整體來評估。但在電池的實際充電過程是包括了恒流充電階段以及恒壓充電階段，因此將電池的充電過程視為一個整體來評估，在準確性上有待提高。
技術實現思路
[0004]本專利技術的目的在于提供一種電動汽車電池荷電狀態的評估方法，以解決上述
技術介紹
中提出的問題。
[0005]本專利技術是通過以下技術方案實現的：一種電動汽車電池荷電狀態的評估方法，所述方法包括下列步驟：
[0006]獲取電動車正常充電過程中的歷史數據；
[0007]基于所述歷史數據，將所述電動車正常充電過程劃分為恒流充電階段，以及恒壓充電階段，并將所述歷史數據劃分為恒流充電歷史數據以及恒壓充電歷史數據；
[0008]建立并訓練第一預測模型，基于所述第一預測模型預測電動汽車電池在恒流充電階段的荷電狀態；
[0009]建立并訓練第二預測模型，基于所述第二預測模型預測電動汽車電池在恒壓充電階段的荷電狀態。
[0010]可選的，基于所述歷史數據，將所述電動車正常充電過程劃分為恒流充電階段，具體包括：
[0011]將一組歷史數據按照時間節點的順序進行劃分，并依次記錄下每個時間節點的電壓、電流、溫度數據；
[0012]若在第t時間內，電流發生變化，則第i至t
?
1時間段內為恒流充電階段，其第i至t
?
1時間段產生的電壓、電流、溫度數據、放電深度、充電速率為恒流充電歷史數據。
[0013]可選的，基于所述歷史數據，將所述電動車正常充電過程劃分為恒壓充電階段，具體包括：
[0014]將一組歷史數據按照時間節點的順序進行劃分，并依次記錄下每個時間節點的電壓、電流、溫度數據；
[0015]若在第T時間內，電壓發生變化，則第L至T
?
1時間段內為恒壓充電階段，其第L至T
?
1時間段產生的電壓、電流、溫度數據、放電深度、充電速率數據為恒壓充電歷史數據。
[0016]可選的，建立并訓練第一預測模型，具體包括：構建LSTM神經網絡，基于GWO算法以及恒流充電歷史數據，對LSTM神經網絡進行兩次訓練過程，最終獲得第一預測模型。
[0017]可選的，基于GWO算法以及恒流充電歷史數據，對LSTM神經網絡進行兩次訓練過程，最終獲得第一預測模型，具體包括：
[0018]將恒流充電歷史數據輸入所述LSTM神經網絡中，獲得為恒流充電階段中最優解的鋰電池的溫度T'、放電深度C'、充電速率V'；
[0019]使用GWO算法優化LSTM神經網絡中包括神經元個數以及學習率在內的最優參數，得到GWO
?
LSTM神經網絡；
[0020]將恒流充電階段中最優解的鋰電池的溫度T'、放電深度C'、充電速率V'以及恒流充電歷史數據中的不同時刻的電壓數據以及唯一的電流數據輸入GWO
?
LSTM神經網絡進行一次訓練；
[0021]將恒流充電歷史數據中的電壓、電流、溫度數據、放電深度、充電速率輸入進行一次訓練后的GWO
?
LSTM神經網絡中進行二次訓練，獲得第一預測模型。
[0022]可選的，建立并訓練第二預測模型，具體包括：構建GRU神經網絡，基于PSO算法以及恒流充電歷史數據，對GRU神經網絡進行兩次訓練過程，最終獲得第二預測模型。
[0023]可選的，基于PSO算法以及恒流充電歷史數據，對GRU神經網絡進行兩次訓練過程，最終獲得第二預測模型，具體包括：
[0024]將恒壓充電歷史數據輸入所述GRU神經網絡中，獲得為恒流充電階段中最優解的鋰電池的溫度N'、放電深度O'、充電速率P'；
[0025]使用PSO算法優化所述GRU神經網絡中的最優參數，得到PSO
?
GRU神經網絡；
[0026]將恒壓充電階段中最優解的鋰電池的溫度N'、放電深度O'、充電速率P'以及恒流充電歷史數據中不同時刻的電壓數據以及唯一的電流數據輸入PSO
?
GRU神經網絡進行一次訓練；
[0027]將恒壓充電歷史數據中的電壓、電流、溫度數據、放電深度、充電速率輸入進行一次訓練后的PSO
?
GRU神經網絡中進行二次訓練，獲得第二預測模型。
[0028]可選的，基于所述第一預測模型預測電動汽車電池在恒流充電階段的荷電狀態，具體包括：
[0029]實時采集電池充電過程中的充電數據，包括電流、電壓以及溫度數據；
[0030]判斷電池充電過程電流發生變化的時刻，將電流變化時刻之前的充電數據輸入到訓練好的第一預測模型中，從而輸出對應的第一SOC。
[0031]可選的，基于所述第二預測模型預測電動汽車電池在恒壓充電階段的荷電狀態，具體包括：
[0032]實時采集電池充電過程中的充電數據，包括電流、電壓以及溫度數據；
[0033]判斷電池充電過程電流發生變化的時刻，將電流變化時刻之后的充電數據輸入到訓練好的第二預測模型中，從而輸出對應的第二SOC。
[0034]可選的，所述方法還包括：在恒流充電歷史數據條件下，通過安時積分法計算第一閾值，計算所述第一閾值與所述第一SOC之間的第一差值，若所述第一差值不符合要求，則重新計算第一SOC；
[0035]在恒壓充電歷史數據的條件下，通過安時積分法計算第二閾值，計算所述第一閾值與所述第一SOC之間的第二差值，若所述第二差值不符合要求，則重新計算第二SOC。
[0036]與現有技術相比，本專利技術達到的有益效果如下：
[0037]本專利技術提供的一種電動汽車電池荷電狀態的評估方法，首先電池充電過程分為恒流充電階段以及恒壓充電階段兩類，然后針對鋰電池歷史充放電數據進行分類處理，然后通過這兩類樣本數據集訓練由不同算法所構建的構建的第一預測模型以及第二預測模型，在后續實際使用中，根據電池充電過程的類型選用不同的模型進行荷電狀態評估。
...
【技術保護點】
【技術特征摘要】
1.一種電動汽車電池荷電狀態的評估方法，其特征在于，所述方法包括下列步驟：獲取電動車正常充電過程中的歷史數據；基于所述歷史數據，將所述電動車正常充電過程劃分為恒流充電階段，以及恒壓充電階段，并將所述歷史數據劃分為恒流充電歷史數據以及恒壓充電歷史數據；建立并訓練第一預測模型，基于所述第一預測模型預測電動汽車電池在恒流充電階段的荷電狀態；建立并訓練第二預測模型，基于所述第二預測模型預測電動汽車電池在恒壓充電階段的荷電狀態。2.根據權利要求1所述的一種電動汽車電池荷電狀態的評估方法，其特征在于，基于所述歷史數據，將所述電動車正常充電過程劃分為恒流充電階段，具體包括：將一組歷史數據按照時間節點的順序進行劃分，并依次記錄下每個時間節點的電壓、電流、溫度數據；若在第t時間內，電流發生變化，則第i至t
?
1時間段內為恒流充電階段，其第i至t
?
1時間段產生的電壓、電流、溫度數據、放電深度、充電速率為恒流充電歷史數據。3.根據權利要求2所述的一種電動汽車電池荷電狀態的評估方法，其特征在于，基于所述歷史數據，將所述電動車正常充電過程劃分為恒壓充電階段，具體包括：將一組歷史數據按照時間節點的順序進行劃分，并依次記錄下每個時間節點的電壓、電流、溫度數據；若在第T時間內，電壓發生變化，則第L至T
?
1時間段內為恒壓充電階段，其第L至T
?
1時間段產生的電壓、電流、溫度數據、放電深度、充電速率數據為恒壓充電歷史數據。4.根據權利要求3所述的一種電動汽車電池荷電狀態的評估方法，其特征在于，建立并訓練第一預測模型，具體包括：構建LSTM神經網絡，基于GWO算法以及恒流充電歷史數據，對LSTM神經網絡進行兩次訓練過程，最終獲得第一預測模型。5.根據權利要求4所述的一種電動汽車電池荷電狀態的評估方法，其特征在于，基于GWO算法以及恒流充電歷史數據，對LSTM神經網絡進行兩次訓練過程，最終獲得第一預測模型，具體包括：將恒流充電歷史數據輸入所述LSTM神經網絡中，獲得為恒流充電階段中最優解的鋰電池的溫度T'、放電深度C'、充電速率V'；使用GWO算法優化LSTM神經網絡中包括神經元個數以及學習率在內的最優參數，得到GWO
?
LSTM神經網絡；將恒流充電階段中最優解的鋰電池的溫度T'、放電深度C'、充電速率V'以及恒流充電歷史數據中的不同時刻的電壓數據以及唯一的電流數據輸入GWO
?
LSTM神經網絡進行一次訓練；將恒流充電歷史數據中的電壓、...
【專利技術屬性】
技術研發人員：蔣永輝，
申請(專利權)人：海南師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。