CN103278777B - 一种基于动态贝叶斯网络的锂电池健康状况估计方法 - Google Patents
一种基于动态贝叶斯网络的锂电池健康状况估计方法 Download PDFInfo
- Publication number
- CN103278777B CN103278777B CN201310197279.2A CN201310197279A CN103278777B CN 103278777 B CN103278777 B CN 103278777B CN 201310197279 A CN201310197279 A CN 201310197279A CN 103278777 B CN103278777 B CN 103278777B
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- probability
- voltage
- shelves
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种基于动态贝叶斯网络的锂电池健康状况估计方法。现有方法不能满足在线检测要求,并且精度差。本发明首先通过老化实验获得大量训练数据,据此针对多种电池健康状况训练出相应的动态贝叶斯网络模型。在实时估算阶段,每隔一段时间进行一次电池电压数据的采集,并通过前向算法递归计算出该电压序列所属的动态贝叶斯模型,从而准确估算电池将康状况。本发明方法可以方便地进行电池健康状况实时估计,计算速度快,估计准确。
Description
技术领域
本发明属于电池技术领域,具体涉及一种基于动态贝叶斯网络的锂电池健康状况估计方法。
背景技术
锂电池具有电压高,能量密度大,自放电率低和长使用寿命的优点,被广泛用于许多领域之中。电池的寿命被许多因素影响,如电池的工作环境和电池的充放电特性,所以电池寿命总是不能达到生产厂家所宣传的循环次数。如果电池的更换过早,将会引起巨大的经济损失。相反,如果电池更换过晚,这将会严重影响系统的可靠性。为在系统可靠性和经济效益之间取得最好的折中方案,需要及时,准确地了解电池的健康状况(State of Health, 以下简称SOH)。
电池的SOH无法用某种传感器直接测得,它必须通过对一些其他物理量的测量,并采用一定的数学模型和算法来估计得到。
目前常用的电池SOH估计方法有完全放电法和基于电池内阻的估算方法等。完全放电法准确可靠,但是需要离线测量,而且需要专业设备,操作不便,费时费力,一般只适用于实验室场合。内阻法通过电池内阻与SOH之间的关系估算SOH。但是,电池内阻的测量较为困难,而且电池内阻除与SOH有关外,还和电池荷电状况(State of Charge,以下简称SOC)有关。
发明内容
本发明的目的就是克服现有技术的不足,提出一种基于动态贝叶斯网络的电池SOH估计方法,估计准确,并且可以实现在线估计。
本发明的电池健康状况估计方法,具体步骤是:
步骤一:训练数据的获得,具体包括以下过程:
(1)对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试:对第i(i=1,2,……,B)只电池,首先以0.4C的恒定电流对其进行充电至截止电压 后,进行恒压充电,待充电电流降至0.01C以下,便认为该电池已充满电,此时以1C的电流将该电池放电至其截止电压,记录放电时间,计算该电池的实际容量为,并计算实际容量Q与标称容量Qn的比率;
(2)将上述步骤(1)中的第i只电池静置一个半小时,待电池稳定后,对电池以0.4C的电流进行恒流充电至其充电截止电压,每隔1分钟记录一次电池,其中第k次的电压为;记录总的充电时间为小时,计算第k次记录时电池的荷电状态(SOC)为,其中k=1,2,…,;
(3)对和分别进行离散化归档处理:将电池SOC从0%~100%分成M档,第m档的范围为,其中m=1,2,…,M,并根据的值将其归入相应的分档;将电池电压从到分成档,第n档的范围为,其中n=1,2,…,N,根据的值将其归入相应的分档;
(4)根据的值对上述步骤(1)中的电池进行C类分类,当时归为第0类,时,归入第类,定义电池的SOH为,其中;并将其相应的和分档结果归入该类电池的训练数据;
(5)重复上述充放电过程至所有电池的实际容量均小于标称容量的80%,记录并归档所有的测量数据。
步骤二:依据上述每一类电池c()的训练数据,构建该类SOH的动态贝叶斯网络模型,具体过程如下:
(1)构建初始SOC概率分布向量,以均匀分布对任意电池的初始SOC进行建模,即认为电池的初始SOC0在M档分档中均匀分布,,。由此形成个初始概率,组成初始概率向量。
(2)计算SOC状态转移概率:
其中表示任意前后两个采样时刻电池SOC分别处于第j档和第i档()的概率,表示满足条件的所有样本个数。由此形成个状态转移概率,组成状态转移矩阵。
(3)计算混淆概率:
其中表示在任意采样时刻SOC处于第j档而电压处于第i档的概率。由此形成个状态转移概率,组成混淆概率矩阵。
(4)重复上述模型构建过程,直至所有C类模型全部构建完毕。
步骤三:实时估算同类型电池的SOH,具体过程如下:
(1) 在电池恒流充电的过程中,每隔一分钟测量一次电池电压,这样时刻后便可以得到一长度为的电压观察序列,其对应的电压分档为
(2)对第类动态贝叶斯网络模型,利用前向算法,计算上述观察序列在该模型下的概率:
(a)递归计算局部概率,其中表示时刻电池SOC处于第s档的概率。
时,利用初始概率向量和混淆概率矩阵计算局部概率:
时,利用时刻的局部概率递推计算时刻的局部概率:
(b)观察序列的概率等于T时刻所有局部概率之和:
(3)选取上述步骤中最大的类别作为最终的SOH类别,即,给出对应的SOH:。
本发明可以方便地进行电池SOH的估计,具有计算量小,可实时在线估算,并且估算准确可靠的优点。
具体实施方式
基于动态贝叶斯网络的锂电池健康状况估计方法,具体步骤是:
步骤一:训练数据的获得,具体包括以下过程:
(1)对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试:对第i(i=1,2,……,B)只电池,首先以0.4C的恒定电流对其进行充电至截止电压后,进行恒压充电,待充电电流降至0.01C以下,便认为该电池已充满电,此时以1C的电流将该电池放电至其截止电压,记录放电时间,计算该电池的实际容量为,并计算实际容量Q与标称容量Qn的比率;
(2)将上述步骤(1)中的第i只电池静置一个半小时,待电池稳定后,对电池以0.4C的电流进行恒流充电至其充电截止电压,每隔1分钟记录一次电池,其中第k次的电压为;记录总的充电时间为小时,计算第k次记录时电池的荷电状态(SOC)为,其中k=1,2,…,;
(3)对和分别进行离散化归档处理:将电池SOC从0%~100%分成M档,第m档的范围为,其中m=1,2,…,M,并根据的值将其归入相应的分档;将电池电压从到分成档,第n档的范围为,其中n=1,2,…,N,根据的值将其归入相应的分档;
(4)根据的值对上述步骤(1)中的电池进行C类分类,当时归为第0类,时,归入第类,定义电池的SOH为,其中;并将其相应的和分档结果归入该类电池的训练数据;
(5)重复上述充放电过程至所有电池的实际容量均小于标称容量的80%,记录并归档所有的测量数据。
步骤二:依据上述每一类电池c()的训练数据,构建该类SOH的动态贝叶斯网络模型,具体过程如下:
(1)构建初始SOC概率分布向量,以均匀分布对任意电池的初始SOC进行建模,即认为电池的初始SOC0在M档分档中均匀分布,,。由此形成个初始概率,组成初始概率向量。
(2)计算SOC状态转移概率:
其中表示任意前后两个采样时刻电池SOC分别处于第j档和第i档()的概率,表示满足条件的所有样本个数。由此形成个状态转移概率,组成状态转移矩阵。
(3)计算混淆概率:
其中表示在任意采样时刻SOC处于第j档而电压处于第i档的概率。由此形成个状态转移概率,组成混淆概率矩阵。
(4)重复上述模型构建过程,直至所有C类模型全部构建完毕。
步骤三:实时估算同类型电池的SOH,具体过程如下:
(1) 在电池恒流充电的过程中,每隔一分钟测量一次电池电压,这样时刻后便可以得到一长度为的电压观察序列,其对应的电压分档为
(2)对第类动态贝叶斯网络模型,利用前向算法,计算上述观察序列在该模型下的概率:
(a)递归计算局部概率,其中表示时刻电池SOC处于第s档的概率。
时,利用初始概率向量和混淆概率矩阵计算局部概率:
时,利用时刻的局部概率递推计算时刻的局部概率:
(b)观察序列的概率等于T时刻所有局部概率之和:
(3)选取上述步骤中最大的类别作为最终的SOH类别,即,给出对应的SOH:。
在本发明的一个实施例中,取,,,初始选取了6只容量为50Ah的磷酸铁锂电池进行不断的老化实验以获取训练数据,通过本发明中的方法对实际电池进行SOH估计与直接放电法得到的SOH估计结果完全一致。
Claims (1)
1.一种基于动态贝叶斯网络的锂电池健康状况估计方法,其特征在于该方法的具体步骤是:
步骤一:训练数据的获得,具体包括以下过程:
(1)对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试:对第i只电池,首先以0.4C的恒定电流对其进行充电至截止电压Vmax后,进行恒压充电,待充电电流降至0.01C以下,便认为该电池已充满电,此时以1C的电流将该电池放电至其截止电压Vmin,记录放电时间Tdi,计算该电池的实际容量为Qi=1C×Tdi,并计算实际容量Q与标称容量Qn的比率ηi=Qi/Qn,其中i=1,2,……,B;
(2)将上述(1)中的第i只电池静置一个半小时,待电池稳定后,对电池以0.4C的电流进行恒流充电,每隔1分钟记录一次电池电压,直至充电至充电截止电压Vmax,,其中第k次的电压为Vk;记录总的充电时间为Tci小时,计算第k次记录时电池的荷电状态为其中k=1,2,…,60Tci;
(3)对SOCk和Vk分别进行离散化归档处理:将电池荷电状态从0%~100%分成M档,第m档的范围为其中m=1,2,…,M,并根据SOCk的值将其归入相应的分档;将电池电压从Vmin到Vmax分成N档,第n档的范围为 其中n=1,2,…,N,根据Vk的值将其归入相应的分档;
(4)根据ηi的值对上述(1)中的电池进行C类分类,当ηi≤80%时归为第0类,ηi>80%时,归入第类,定义电池的健康状况为SOH=100%×c/(C-1),其中c=0,1,2,…,C-1;并将其相应的SOCk和Vk分档结果归入该类电池的训练数据;
(5)重复上述充放电过程至所有电池的实际容量均小于标称容量的80%,记录并归档所有的测量数据;
步骤二:依据上述每一类电池c的训练数据,构建该类健康状况的电池的动态贝叶斯网络模型,具体过程如下:
(1)构建初始SOC概率分布向量,以均匀分布对任意电池的初始SOC进行建模,即认为电池的初始SOC0在M档分档中均匀分布,m=1,2,…M;由此形成M个初始概率,组成初始概率向量Π=(πm);
(2)计算SOC状态转移概率amp:
其中表示任意前后两个采样时刻电池SOC分别处于第p档和第m档的概率,#表示满足条件的所有样本个数;由此形成M2个状态转移概率,组成状态转移矩阵A=(amp),其中m=1,2,…M,p=1,2,…M;
(3)计算混淆概率bnm:
其中表示在任意采样时刻SOC处于第m档而电压处于第n档的概率;由此形成N×M个状态转移概率,组成混淆概率矩阵B=(bnm);
(4)重复上述模型构建过程,直至所有C类模型全部构建完毕;
步骤三:实时估算同类型电池的健康状况,具体过程如下:
(1)在电池恒流充电的过程中,每隔一分钟测量一次电池电压,这样T时刻后便可以得到一长度为T的电压观察序列(V1′,V2′,……,VT′),其对应的电压分档为
(2)对第c类动态贝叶斯网络模型,利用前向算法,计算上述观察序列在该模型下的概率P(V1′,V2′,……,VT′|c):
(a)递归计算局部概率αk(j),其中αk(j)表示k时刻电池SOC处于第j档的概率;
k=1时,利用初始概率向量和混淆概率矩阵计算局部概率:
k>1时,利用k-1时刻的局部概率递推计算k时刻的局部概率:
(b)观察序列的概率等于T时刻所有局部概率之和:
(3)选取上述步骤中P(V1′,V2′,……,VT′|c)最大的类别copt作为最终的健康状况类别,即 给出对应的健康状况:
SOH=100%×copt/(C-1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310197279.2A CN103278777B (zh) | 2013-05-24 | 2013-05-24 | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310197279.2A CN103278777B (zh) | 2013-05-24 | 2013-05-24 | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103278777A CN103278777A (zh) | 2013-09-04 |
CN103278777B true CN103278777B (zh) | 2015-08-19 |
Family
ID=49061352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310197279.2A Active CN103278777B (zh) | 2013-05-24 | 2013-05-24 | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103278777B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3591413A1 (en) * | 2018-07-03 | 2020-01-08 | Electricité de France | Method for evaluating an electric battery state of health |
EP3591414A1 (en) * | 2018-07-03 | 2020-01-08 | Electricité de France | Method for evaluating an electric battery state of health |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3027114B1 (fr) * | 2014-10-13 | 2016-10-28 | Sagemcom Energy & Telecom Sas | Procede d'estimation d'un etat de sante d'une batterie d'un dispositif d'alimentation d'un systeme |
CN105866698B (zh) * | 2016-05-11 | 2018-11-20 | 安徽锐能科技有限公司 | 考虑电池一致性的电池的健康状态估计方法 |
CN111448467B (zh) * | 2017-07-24 | 2023-04-14 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
DE102018221962A1 (de) * | 2018-12-17 | 2020-06-18 | Robert Bosch Gmbh | Verfahren zur Ermittlung mindestens einer Betriebskenngröße für den Betrieb eines elektrischen Energiespeichers sowie entsprechendes Computerprogramm, maschinenlesbares Speichermedium und Rechnervorrichtung |
CN110161418B (zh) * | 2019-06-03 | 2020-07-03 | 北京中科奥创科技有限公司 | 蓄电池的健康度预测方法、系统和计算机可读存储介质 |
CN110133539B (zh) * | 2019-06-03 | 2020-10-20 | 北京中科奥创科技有限公司 | Ups的健康度预测方法、系统和计算机可读存储介质 |
CN111948561B (zh) * | 2020-08-04 | 2022-12-27 | 上海安趋信息科技有限公司 | 基于实测大数据和人工智能学习算法的电池寿命预测方法 |
CN117691719B (zh) * | 2024-01-30 | 2024-04-05 | 深圳市方利来科技有限公司 | 一种电动牙刷的充电控制方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1735924A (zh) * | 2002-11-21 | 2006-02-15 | 松下电器产业株式会社 | 标准模型制作装置和标准模型制作方法 |
CN201725023U (zh) * | 2010-07-06 | 2011-01-26 | 山东视聆通信有限公司 | 一种新型蓄电池在线检测装置 |
CN102163255A (zh) * | 2010-02-17 | 2011-08-24 | 通用汽车环球科技运作有限责任公司 | 使用故障建模的复杂系统的健康预测 |
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
US8347144B2 (en) * | 2010-06-11 | 2013-01-01 | Scientific Monitoring Inc. | False alarm mitigation |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5318128B2 (ja) * | 2011-01-18 | 2013-10-16 | カルソニックカンセイ株式会社 | バッテリの充電率推定装置 |
-
2013
- 2013-05-24 CN CN201310197279.2A patent/CN103278777B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1735924A (zh) * | 2002-11-21 | 2006-02-15 | 松下电器产业株式会社 | 标准模型制作装置和标准模型制作方法 |
CN102163255A (zh) * | 2010-02-17 | 2011-08-24 | 通用汽车环球科技运作有限责任公司 | 使用故障建模的复杂系统的健康预测 |
US8347144B2 (en) * | 2010-06-11 | 2013-01-01 | Scientific Monitoring Inc. | False alarm mitigation |
CN201725023U (zh) * | 2010-07-06 | 2011-01-26 | 山东视聆通信有限公司 | 一种新型蓄电池在线检测装置 |
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
Non-Patent Citations (3)
Title |
---|
Maximum likelihood estimation for multivariate observations of Markov sources;Liporace, L.et al.;《IEEE Transactions on Information Theory》;20030106;第28卷(第5期);729-734 * |
基于采样点卡尔曼滤波的动力电池SOC估计;高明煜等;《电工技术学报》;20111130;第26卷(第11期);161-166 * |
广义隐马尔可夫模型的快速前向后向算法;陈海洋等;《系统工程与电子技术》;20121031;第34卷(第10期);2175-2179 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3591413A1 (en) * | 2018-07-03 | 2020-01-08 | Electricité de France | Method for evaluating an electric battery state of health |
EP3591414A1 (en) * | 2018-07-03 | 2020-01-08 | Electricité de France | Method for evaluating an electric battery state of health |
Also Published As
Publication number | Publication date |
---|---|
CN103278777A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103278777B (zh) | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 | |
CN106291372B (zh) | 一种新的锂离子动力电池剩余寿命预测方法 | |
CN108333528B (zh) | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 | |
CN103675706B (zh) | 一种动力电池电荷量估算方法 | |
CN103728563B (zh) | 一种电池健康状态的测算方法 | |
CN104617623B (zh) | 一种电动汽车动力电池组均衡控制方法 | |
CN107390127A (zh) | 一种soc估算方法 | |
CN110501652A (zh) | 一种退役锂电池可用容量快速评估方法及评估装置 | |
CN103901351B (zh) | 一种基于滑动窗滤波的单体锂离子电池soc估计方法 | |
CN103323781B (zh) | 动力电池组在线参数检测系统及soc估计方法 | |
CN104535932A (zh) | 一种锂离子电池荷电状态估计方法 | |
CN105954679A (zh) | 一种锂电池荷电状态的在线估计方法 | |
CN106405433A (zh) | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 | |
CN105676135A (zh) | 一种特种工程车用动力铅酸电池剩余容量在线估算方法 | |
CN109557477A (zh) | 一种电池系统健康状态估算方法 | |
CN104714189A (zh) | 一种电动汽车用电池组循环寿命的预测方法 | |
CN103744026A (zh) | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 | |
CN109856556A (zh) | 一种动力电池soc估算方法 | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
Xiong et al. | Data-driven state-of-charge estimator for electric vehicles battery using robust extended Kalman filter | |
CN104122447A (zh) | 一种电动汽车动力电池组直流阻抗的在线估算方法 | |
CN110275113A (zh) | 一种锂电池荷电状态估计方法 | |
CN103267953B (zh) | 一种磷酸铁锂动力电池soc的估算方法 | |
CN105093114A (zh) | 一种电池在线建模与荷电状态的联合估计方法及系统 | |
CN106597288A (zh) | 一种电源soc估算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20130904 Assignee: Soyea Technology Co., Ltd. Assignor: Hangzhou Electronic Science and Technology Univ Contract record no.: X2019330000056 Denomination of invention: Method for estimating health status of lithium battery on basis of dynamic Bayesian network Granted publication date: 20150819 License type: Common License Record date: 20191226 |
|
EE01 | Entry into force of recordation of patent licensing contract |