一种基于建模仿真的化学电池储能应用分析方法
专利汇可以提供一种基于建模仿真的化学电池储能应用分析方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及动 力 电池 领域，尤其是一种基于建模仿真的化学电池储能应用分析方法；它包括以下步骤：电池数学建模，储能建模，仿真，清洗数据；数据特征化；建立 预测模型 ；训练模型；本发明可用于实时 可视化 的显示电池储能情况，还可以根据历史数据和实际运作数据对未来可能出现的情况进行预测。，下面是一种基于建模仿真的化学电池储能应用分析方法专利的具体信息内容。
1.一种基于建模仿真的化学电池储能应用分析方法，它包括以下步骤：
步骤一，电池数学建模，该模型中的电池电压表示为：
V＝a*e(b*SOC)+c+d*SOC+d*SOC2+a*SOC3
其中a、b、c、d、e分别为系数，SOC为电池荷电状态，
SOC＝C/Cr*δ
其中C为电池存储容量，Cr为电池额定容量，δ为电池容量损耗因子；
电池容量为：C＝∫Idt，其中I为电流、t为时间；
步骤二，储能建模，电池输出有功功率为P＝e*i，e为电压，i为电流，设定有功功率在[Pmin，Pmax]之间，电池使用时，P小于Pmin，电池在输出电能做功，P大于Pmax时，电池在充电；
步骤三，仿真，导入运作中的动力电池的电压、电流和有功功率代入上述模型，得到电池的电池容量和SOC；
步骤四，清洗数据；
步骤五，数据特征化；
步骤六，建立预测模型；
步骤七，训练模型。
2.根据权利要求1所述的一种基于建模仿真的化学电池储能应用分析方法，其特征在于：其中步骤四，所述数据整理首先要对数据进行清洗，清理规则包括：空余赋值：电池数据在传输过程中，很容易发生掉包导致变量缺失，在本发明中，主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值，错值去除：通过设定电动汽车电池使用相关数据的每个变量的合理取值范围，即阈值，检查数据是否合乎要求，将超出正常范围的数据予以删除或纠正，交叉检验：通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正。
3.根据权利要求1所述的一种基于建模仿真的化学电池储能应用分析方法，其特征在于：其中步骤五，数据特征化采用滚动聚合，所述滚动聚合是指设定一个时间窗口，计算在预定的变量在该时间窗口内的聚合值，所述聚合值可以是数据的总和、平均值或者是标准差。
4.根据权利要求1所述的一种基于建模仿真的化学电池储能应用分析方法，其特征在于：其中步骤六，采用非线性混合效应模型，生存模型和随机森林模型来建立所述电池预测SOE模型。
该模型从一组样本数据出发，确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著，
以t时刻的SOEt作为Y，对每个数据从时间上进行标签化；经过步骤S001、S002和S003后得到的数据设为x，建立模型Y＝f(x)，其中f()为机器基于大数据学习得到的模型；在电动汽车实际的运行和使用过程中，电池SOE是难以实时监测的，目前传统的方法主要是基于现有的经验公式来大致预测SOE，此种方法主要的缺点为，首先不能实时计算SOE且精度不高，而且由于单体差异性，不能对每一个单体SOE很好地预测。基于大数据建立的模型可以很好地解决以上的问题。模型的输入为时间t以及t时刻采集的数据，模型的输出为t时刻电池SOEt，在电动汽车实时运行和使用过程中，依据采集的数据x即可以准确的利用模型推出SOEt。
5.根据权利要求4述的一种基于建模仿真的化学电池储能应用分析方法，其特征在于：
其中非线性混合效应模型，是线性混合效应模型的一种扩展，其固定效应和随机效应部分均可以以非线性的形式纳入模型，相对于线性模型的正态假定，非线性模型对资料的分布无特殊要求，资料可以是正态分布，也可以是二项分布、Poisson分布，同时非线性混合效应模型在对缺失数据的处理上具有更好的稳健性。其算法的模型为Y＝f(x+Φ)+e，其中f()为非线性函数，Φ＝Aβ+Bb中A，B为设计的矩阵，β为固定效应参数向量和b为随机效应参数向量，e为误差向量，其中β为输入数据x中对于电池SOE预测相关的固定效应数据，而b则为对于SOE预测不相关的随机效应数据。
6.根据权利要求5所述的一种基于建模仿真的化学电池储能应用分析方法，其特征在于：生存分析的研究集中在预测反应的概率、生存概率、平均寿命，方法有：描述法、非参数法、参数法、半参数法，其中描述法根据样本观测值提供的信息，直接用公式计算出每一个时间点或每一个时间区间上的生存函数、死亡函数、风险函数等，并采用列表或绘图的形式显示生存时间的分布规律；非参数法估计生存函数时对生存时间的分布没有要求，并且检验危险因素对生存时间的影响时采用的是非参数检验方法；参数法根据样本观测值来估计假定的分布模型中的参数，获得生存时间的概率分布模型；半参数法不需要对生存时间的分布做出假定，但是却可以通过一个模型来分析生存时间的分布规律，以及危险因素对生存时间的影响，生存模型算法中 其中t为电池的使用时间，x为基于时间序列采集的数据，f(x)为研究对象生存时间分布的概率密度函数，S(t)为研究对象生存时间长于t的概率。SOE的算法模型为Y＝f(S(t)，x)，其中f()为生存算法模型。由于电池的SOE从初始的100％开始放电，相当于一个从出生到死亡生存的过程，因此在大数据建模过程中，根据建模得到的概率密度分布函数，则可以很好地预测基于SOE参数的电池寿命。
7.根据权利要求6所述的一种基于建模仿真的化学电池储能应用分析方法，其特征在于：其中随机森林模型由多个决策树构成的森林，算法分类结果由这些决策树投票得到，决策树在生成的过程当中分别在行方向和列方向上添加随机过程，行方向上构建决策树时采用放回抽样(bootstraping)得到训练数据，列方向上采用无放回随机抽样得到特征子集，并据此得到其最优切分点。
8.根据权利要求1所述的一种基于建模仿真的化学电池储能应用分析方法，其特征在于：其中步骤七，首先把原始的数据随机分成K个部分。在这K个部分中，选择其中一个部分作为测试数据，剩下的K-1个部分作为训练数据得到相应的实验结果。然后，挑选另外一个部分作为测试数据，剩下的K-1个部分作为训练数据，以此类推，重复进行K次交叉检验的。
每次实验都从K个部分中选择一个不同的部分作为测试数据，保证K个部分的数据都分别做过测试数据，剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均，所述实验结果可以为预测值和校验值的差值，使得差值越小越好，从而确定最佳的分类，实现模型的训练。在本应用中，可以将获得电动汽车的数据随即分成K个部分，首先将其中K-1个部分的数据用于建立SOE预测模型，然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。
一种基于建模仿真的化学电池储能应用分析方法
技术领域
背景技术
发明内容
100％开始放电，相当于一个从出生到死亡生存的过程，因此在大数据建模过程中，根据建模得到的概率密度分布函数，则可以很好地预测基于SOE参数的电池寿命。
具体实施方式
100％开始放电，相当于一个从出生到死亡生存的过程，因此在大数据建模过程中，根据建模得到的概率密度分布函数，则可以很好地预测基于SOE参数的电池寿命。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于人工智能算法的油藏物性参数地震预测方法 | 2020-05-11 | 424 |
| 一种资源复用场景下MTC网络的簇数目规划方法 | 2020-05-12 | 604 |
| 一种SRAM单粒子瞬态效应仿真分析方法及系统 | 2020-05-13 | 375 |
| 一种海洋复杂环境动态高精度光学联合成像方法及系统 | 2020-05-08 | 362 |
| 一种针对二维图像中的多尺度多形态目标的自动检测方法 | 2020-05-08 | 240 |
| 一种毫米波蜂窝网络的小区间干扰协调方法 | 2020-05-13 | 139 |
| 一种马蹄焰玻璃窑炉数据预处理及热效率计算方法及系统 | 2020-05-13 | 19 |
| 离子荧光超分辨成像方法 | 2020-05-12 | 465 |
| 医用诊察和监护器械、电路及其控制芯片 | 2020-05-12 | 648 |
| 车载远程信息处理终端电路及车载中控终端 | 2020-05-12 | 180 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
