CN108303649A - 一种电池健康状态识别方法 - Google Patents

一种电池健康状态识别方法 Download PDF

Info

Publication number
CN108303649A
CN108303649A CN201710045967.5A CN201710045967A CN108303649A CN 108303649 A CN108303649 A CN 108303649A CN 201710045967 A CN201710045967 A CN 201710045967A CN 108303649 A CN108303649 A CN 108303649A
Authority
CN
China
Prior art keywords
state
battery
data
markov process
cell health
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.)
Pending
Application number
CN201710045967.5A
Other languages
English (en)
Inventor
禄盛
金泽魁
马艺玮
谢颖
朴昌浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201710045967.5A priority Critical patent/CN108303649A/zh
Publication of CN108303649A publication Critical patent/CN108303649A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种电池健康状态识别方法，发明了一种电池健康状态实时评估方法。主要包括特征提取和状态识别两部分。首先，根据动力电池内阻与电池寿命的关系，对电池的健康状态进行分类。其次，获取电池不同状态下的端电压、电流和SOC原始数据。之后，利用小波包能量法对各原始数据进行能量值特征提取，建立供隐半马尔科夫模型使用的特征向量。再次，利用各状态下的特征向量对该状态的隐半马尔科夫模型进行训练。最后，将测试数据带入训练完成的各状态隐半马尔科夫模型中计算前向概率值，比较得出当前电池所处的健康状态。本方法无需复杂的参数配置，能够实时准确地识别出当前电池所处的健康状态。

Description

一种电池健康状态识别方法
技术领域
本专利属于动力电池领域，特别涉及一种电池健康状态识别方法。
背景技术
随着化石能源的逐渐枯竭，新能源的发展至关重要。交通运输作为能源消耗的主要方面，汽车从传统的燃油汽车转化为电动汽车已经是大势所趋。动力电池作为电动汽车的主要动力来源，它的安全性、经济性和动力性是决定电动汽车未来发展的关键性因素。提高电池的安全性、延长电池的使用寿命也是制约电动汽车发展普及的瓶颈所在。电池健康状态作为评估电池安全性能的重要指标越来越受到广泛的重视。根据电池健康情况及时对健康状况较差的电池进行更换，可以使电池的使用情况达到最佳状态，延长电池的续航能力和使用寿命，并降低使用成本。这对于推动电动汽车行业的发展来说有着重要的意义。
从某种程度上来说，电池健康状态评估也是对电池组剩余使用寿命的预测，判断电池组性能将在多长时间内衰减到无法安全工作的级别。因此，电池健康状态与电池剩余使用寿命在本质上来说有着相同的意义。
目前来说，对于电池健康状态的研究主要集中于物理模型法和数据驱动法。物理模型法虽然有着较高的精确度，但对于各参数的设置有着很高的要求，而且参数配置较为复杂。数据驱动法不需要复杂的参数配置，只需提取能够与电池健康状态相关的外部参数便可以实时有效的对电池健康状态进行评估，因此受到了越来越广泛的应用。近些年来有部分学者将隐马尔科夫模型引入到电池健康状态的识别中来，取得了不错的效果，结合隐半马尔科夫模型在语音识别、故障诊断等领域的成熟应用，本文在隐马尔科夫模型的基础之上，提出一种基于隐半马尔科夫模型的电池健康状态识别方法。
发明内容
针对以上技术背景中的问题，本发明提出一种基于隐半马尔科夫模型的电池健康状态识别方法。主要技术方案为：一种电池健康状态识别方法，用于准确实时实现电池当前健康状态的识别。
进一步技术方案如下：
本发明提出的一种电池健康状态识别方法是由数据采集、特征提取、模型建立和状态识别四个部分组成。
所述的数据采集部分首先是根据电池在使用过程中内阻会随着电池寿命的衰减而逐渐增大，将电池的整个寿命过程分为四个阶段，即四个健康状态，在每个健康状态中又划分为多个微观状态，在每个微观状态下采集电池充放电的端电压、电流和SOC等外部参数作为原始数据，根据电池数据的特点，选择合适的预处理方式对原始数据进行预处理。
所述特征提取部分是根据电池各状态预处理过后的数据之间相似性较高，提出使用小波包能量法分别对各微观状态下的端电压、电流和SOC数据进行小波包能量特征值提取，提取出各项数据的小波包各节点能量值之后，根据小波包各节点能量值的特点，选择合适的归一化方法对各节点能量值进行归一化，得最终的特征向量。
所述模型建立部分将隐半马尔科夫模型引入到电池健康状态识别中来，利用各个状态的特征序列，首先采用人为设置或K均值算法对隐半马尔科夫模型各项参数进行初始化，之后采用前后向算法和Baum-Welch算法对各项参数进行重估，得到表示电池各个健康状态的隐半马尔科夫模型参数。
所述电池状态识别部分是在相同条件下，对各状态电池端电压、电流和SOC数据进行重新采集，同样通过预处理和特征提取步骤，得到各状态测试特征序列，将测试特征序列输入到各状态隐半马尔科夫模型中，通过前向算法计算该特征序列在各状态模型中的倾向概率值，通过比较在各状态模型中的概率值大小，确定当前特征序列所属的健康状态。
本发明能够达到的有益效果如下：
(1)对电池寿命过程进行分段，每一段对应一个宏观状态，每个宏观状态下分为多个微观状态，完整的体现了电池的整个寿命过程，同时采集容易得到的电池外部参数进行分析，降低获取原始数据的难度。
(2)将隐半马尔科夫模型引入到电池健康状态的研究中来，利用小波包能量法对电池原始数据进行特征提取，使得各状态特征区别明显，对电池各宏观状态建立相应的隐半马尔科夫模型并进行状态识别。该方法只需要判断出电池所处的寿命阶段，以此来评估电池的健康状态，无需通过复杂的计算得到具体数值，降低了电池健康状态评估难度，同时将隐半马尔科夫模型引入到电池健康状态识别研究中来，也为电池健康状态的研究提供了新的方法和思路。
(3)完成各宏观状态的识别之后，对各状态边缘数据进行识别，实验结果证明，该方法不仅能够保证电池各宏观状态的识别精度，而且能准确识别各宏观状态的边缘状态，因此能够保证电池整个寿命过程的状态识别精度，从而达到对电池健康状态的实时评估。
附图说明
图1是隐半马尔科夫模型状态识别流程图
具体实施方式
接下来，结合附图对本发明的具体实施方法进行进一步阐述。
如图1所示，本发明的具体实施流程和原理如下：
A.利用动力电池系统模型提取动力电池各状态下的端电压、电流温度和SOC原始数据，并对原始数据进行预处理；
B.对预处理后的电池数据进行特征提取，并进行归一化处理；
C.建立混合高斯分布模型和单高斯分布模型，利用特征序列对隐半马尔科夫模型参数进行初始化以及重估计算，确定符合电池各状态的隐半马尔科夫模型；
D.在各状态下采集测试数据，通过特征提取后，输入到各状态隐半马尔科夫模型中，计算前向概率；
E.对每一个特征序列进行前向概率计算，比较在各状态下的概率值，确定当前序列所属状态；
F.跳转至D步骤，继续下一组特征序列的识别。
所述步骤A中的电池状态是根据电池在使用过程中，其欧姆内阻会随着电池的衰老而逐渐增大的原理将电池状态划分为四个阶段，即四个宏观状态，分别为健康状态、退化状态一、退化状态二和老化状态，每个宏观状态下根据内阻又划分为多个微观状态，其中健康状态的起始微观状态内阻为电池的初始内阻，老化状态表明电池即将失效。根据本发明的电池健康状态分类方法，电池寿命过程被划分为四个宏观状态，每个宏观状态下对应有多个微观状态，将电池整个寿命过程均包含在内。
所述步骤A中的电池数据采集是在每个微观状态下采集电池充放电过程中的端电压(U)、电流(I)和SOC数据，温度设定为室温，以此来作为每个微观状态的原始数据，在对比了不同微观状态下的原始数据之后，发现各状态下的电压和SOC数据均有一定的区分，但是不同状态下的电流数据重合度较高，难以区分，针对各微观状态下电流数据重合度较高的问题，对原始数据进行预处理，经实验验证，利用U/I来表征电流数据，因此得到原始数据为U、U/I和SOC。
所述步骤B中的特征提取过程采用小波包能量法对电池各数据进行特征值提取，分别对各状态下的电池端电压、电流和SOC数据进行小波包分解，分解层数为n，分解后每组数据得到2n个节点，各节点系数为ωij，计算各节点能量值Eij
Eij＝|ωij|2
并分别对电压、电流和SOC数据同一节点能量值进行最大值归一化，将各个能量值归一化到[0，1]，得各个节点的归一化能量值E′ij，对电压、电流和SOC数据特征能量值进行归一化处理之后，将三组数据归一化值组合在一起作为最终的特征向量。
所述步骤C采用隐半马尔科夫模型作为电池健康状态识别的算法，每个隐半马尔科夫模型对应电池的一个健康状态，即一个宏观状态，一个隐半马尔科夫模型可以表示为λ＝(N，M，π，A，B，Pi(d))，其中N为状态数，M为观测值数目，π为初始状态数，A＝aij为状态转移概率矩阵，B为观测值概率，使用混合高斯分布模型来表示，即Pi(d)为状态持续时间概率，使用单高斯分布模型来表示，即Pi(d)＝N(d；μi，∑i)。
所述步骤C为各个状态隐半马尔科夫模型的训练过程。首先需要对各状态下的隐半马尔科夫模型参数进行初始化，其中，初始状态π和状态转移概率矩阵A对模型的影响较小，根据实际情况和经验进行人为设定，观测值概率B中各高斯模块权系数cig通过产生随机数的方法进行初始化，统一状态下各权系数之和为1，观测值概率B和状态持续时间Pi(d)中的均值μig和μi均由K均值算法进行初始化，对应的协方差∑ig和∑i通过协方差公式计算可得。采用前后向算法和Baum-Welch算法对隐半马尔科夫模型的各个参数进行重估计算，模型各参数的重估结果即为训练完成的该状态隐半马尔科夫模型即
步骤D和步骤E计算测试数据集在各个隐半马尔科夫模型中的前向概率P(Ot|λ)，对各前向概率取对数，通过比较各对数似然概率的大小，取最大者作为当前测试数据集的识别结果，即该隐半马尔科夫模型所对应的状态为当前测试数据集所属的健康状态，其中测试数据集是在相同的条件下重新对该状态的端电压、电流和SOC数据进行采集，通过特征提取之后输入到各个状态的隐半马尔科夫模型中进行识别。
所述步骤F中对当前特征序列进行状态识别后，进入下一组数据，重复步骤D和步骤E，继续进行识别，在完成各个宏观状态的状态识别之后，将宏观状态边缘数据同样进行特征提取之后输入到各状态隐半马尔科夫模型中进行识别，从而实时完成电池整个寿命过程中的健康状态识别评估，结果证明本发明方法能够准确的识别电池的整个寿命过程所属的健康状态。

Claims (7)

1.一种电池健康状态识别方法，其作用在于实时识别动力电池当前所处的健康状态等级，其步骤如下：
A.利用动力电池系统模型提取动力电池各状态下的端电压、电流、温度和SOC原始数据，并对原始数据进行预处理；
B.对预处理后的电池数据进行特征提取，并进行归一化处理；
C.建立混合高斯分布模型和单高斯分布模型，利用特征序列对隐半马尔科夫模型参数进行初始化以及重估计算，确定符合电池各状态的隐半马尔科夫模型；
D.在各状态下采集测试数据，通过特征提取后，输入到各状态隐半马尔科夫模型中，计算前向概率；
E.对每一个特征序列进行前向概率计算，比较在各状态下的概率值，确定当前序列所属状态；
F.跳转至D步骤，继续下一组特征序列的识别。
2.根据权利要求1所述的电池健康状态识别方法，其特征在于：步骤A中的电池状态是根据电池直流内阻将电池状态划分为四个宏观状态，分别为健康状态、退化状态一、退化状态二和老化状态，每个宏观状态下又划分为多个微观状态，其中健康状态下起始微观状态内阻为初始内阻，老化状态表明电池即将失效。
3.根据权利要求1所述的电池健康状态识别方法，其特征在于：步骤A中的电池数据采集是在每个微观状态下采集电池的端电压(U)、电流(I)和SOC数据作为原始数据，并利用U/I来表征电流数据，温度设置为室温。
4.根据权利要求1所述的电池健康状态识别方法，其特征在于：步骤B中的特征提取采用小波包能量法对电池各数据进行特征值提取，对各原始数据进行小波包分解，分解后得每个节点系数ωij，计算各节点能量值Eij，并对同一节点能量值进行归一化，得最终特征值序列。
5.根据权利要求1所述的电池健康状态识别方法，其特征在于：步骤C采用隐半马尔科夫模型作为电池健康状态识别的算法，在模型训练过程中采用产生随机数的方法和K均值算法对各参数进行初始化，采用前后向算法和Baum-Welch算法对隐半马尔科夫模型各参数进行重估，确定各状态模型。
6.根据权利要求1所述的电池健康状态识别方法，其特征在于：步骤D和步骤E计算测试数据集在各个隐半马尔科夫模型中的前向概率P(Ot|λ)，通过比较各概率的大小，确定当前测试数据集所属的健康状态。
7.根据权利要求1所述的电池健康状态识别方法，其特征在于：步骤F中对当前特征序列进行状态识别后，进入下一组数据，重复步骤D和步骤E，继续进行识别，从而实时完成电池健康状态的识别评估。
CN201710045967.5A 2017-01-13 2017-01-13 一种电池健康状态识别方法 Pending CN108303649A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710045967.5A CN108303649A (zh) 2017-01-13 2017-01-13 一种电池健康状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710045967.5A CN108303649A (zh) 2017-01-13 2017-01-13 一种电池健康状态识别方法

Publications (1)

Publication Number Publication Date
CN108303649A true CN108303649A (zh) 2018-07-20

Family

ID=62872319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710045967.5A Pending CN108303649A (zh) 2017-01-13 2017-01-13 一种电池健康状态识别方法

Country Status (1)

Country Link
CN (1) CN108303649A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110441706A (zh) * 2019-08-23 2019-11-12 优必爱信息技术（北京）有限公司 一种电池soh估计方法及设备
CN110850322A (zh) * 2019-11-26 2020-02-28 西安交通大学 一种基于小波信号分解的电池相对健康状态估计方法
CN111983475A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置
CN112466056A (zh) * 2020-12-01 2021-03-09 上海旷日网络科技有限公司 一种基于语音识别的自助柜取件系统及方法
CN113805087A (zh) * 2020-07-25 2021-12-17 广东毓秀科技有限公司 一种数据驱动进行ups整体健康度评估和预测的方法
CN113835036A (zh) * 2020-06-24 2021-12-24 丰翼科技(深圳)有限公司 电池健康状态评估方法、装置、计算机设备和存储介质
CN115149123A (zh) * 2022-07-28 2022-10-04 上海玫克生储能科技有限公司 一种锂电池模组一致性分析方法、系统及存储介质
CN115236519A (zh) * 2022-07-07 2022-10-25 泉州装备制造研究所 基于隐马尔可夫模型的锂电池健康状态预测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007004817A1 (en) * 2005-06-30 2007-01-11 Lg Chem, Ltd. Method and apparatus of estimating state of health of battery
US20110148424A1 (en) * 2009-12-22 2011-06-23 Industrial Technology Research Institute Apparatus for estimating battery state of health
CN102270212A (zh) * 2011-04-07 2011-12-07 浙江工商大学 一种基于隐半马尔可夫模型的用户兴趣特征提取方法
CN102999789A (zh) * 2012-11-19 2013-03-27 浙江工商大学 一种基于隐半马尔科夫模型的数字化城市安全预警方法
CN106154163A (zh) * 2015-03-12 2016-11-23 重庆邮电大学 一种电池寿命状态识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007004817A1 (en) * 2005-06-30 2007-01-11 Lg Chem, Ltd. Method and apparatus of estimating state of health of battery
US20110148424A1 (en) * 2009-12-22 2011-06-23 Industrial Technology Research Institute Apparatus for estimating battery state of health
CN102270212A (zh) * 2011-04-07 2011-12-07 浙江工商大学 一种基于隐半马尔可夫模型的用户兴趣特征提取方法
CN102999789A (zh) * 2012-11-19 2013-03-27 浙江工商大学 一种基于隐半马尔科夫模型的数字化城市安全预警方法
CN106154163A (zh) * 2015-03-12 2016-11-23 重庆邮电大学 一种电池寿命状态识别方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110441706A (zh) * 2019-08-23 2019-11-12 优必爱信息技术（北京）有限公司 一种电池soh估计方法及设备
CN110850322A (zh) * 2019-11-26 2020-02-28 西安交通大学 一种基于小波信号分解的电池相对健康状态估计方法
CN113835036A (zh) * 2020-06-24 2021-12-24 丰翼科技(深圳)有限公司 电池健康状态评估方法、装置、计算机设备和存储介质
CN113805087A (zh) * 2020-07-25 2021-12-17 广东毓秀科技有限公司 一种数据驱动进行ups整体健康度评估和预测的方法
CN111983475A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置
CN111983475B (zh) * 2020-08-24 2022-12-30 哈尔滨理工大学 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置
CN112466056A (zh) * 2020-12-01 2021-03-09 上海旷日网络科技有限公司 一种基于语音识别的自助柜取件系统及方法
CN112466056B (zh) * 2020-12-01 2022-04-05 上海旷日网络科技有限公司 一种基于语音识别的自助柜取件系统及方法
CN115236519A (zh) * 2022-07-07 2022-10-25 泉州装备制造研究所 基于隐马尔可夫模型的锂电池健康状态预测方法及装置
CN115149123A (zh) * 2022-07-28 2022-10-04 上海玫克生储能科技有限公司 一种锂电池模组一致性分析方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN108303649A (zh) 一种电池健康状态识别方法
Guo et al. A data-driven remaining capacity estimation approach for lithium-ion batteries based on charging health feature extraction
CN111090047B (zh) 一种基于多模型融合的锂电池健康状态估计方法
Kim et al. Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application
CN111007417A (zh) 基于不一致性评估的电池组soh和rul预测方法及系统
CN113484787B (zh) 基于电化学阻抗谱的退役锂离子电池快速分选重组方法
CN111398837A (zh) 一种基于数据驱动的车用电池健康状态估计方法
CN111999649A (zh) 一种基于XGBoost算法的锂电池剩余寿命预测方法
CN113111579B (zh) 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法
CN114545274A (zh) 一种锂电池剩余寿命预测方法
CN115166563B (zh) 一种动力电池老化状态评估与退役筛选方法及系统
CN110703112A (zh) 一种基于局部充电数据的电池组状态的在线估计方法
CN109613446B (zh) 一种基于时间序列分析的锂电池老化检测方法
CN112904219A (zh) 一种基于大数据的动力电池健康状态的预测方法
Piao et al. Analysis of real-time estimation method based on hidden Markov models for battery system states of health
CN113721159A (zh) 一种面向随机局部充电的数据驱动电池健康估计方法
CN112083334A (zh) 一种基于数据驱动的锂离子电池荷电状态估计方法
CN108520986B (zh) 一种基于生成对抗网络的动力电池配组方法
CN116224085A (zh) 一种基于数据驱动的锂电池健康状态评估方法
Xue et al. Online capacity estimation of lithium-ion batteries based on deep convolutional time memory network and partial charging profiles
CN116859259A (zh) 基于集成学习和实车大数据的电池健康状态估计方法
CN114280490A (zh) 一种锂离子电池荷电状态估计方法及系统
CN117113232A (zh) 一种电动汽车锂离子电池组热失控风险识别方法
CN113311337A (zh) 基于相关向量回归的锂离子电池剩余寿命检测方法
CN116736172A (zh) 一种基于生成式对抗网络的锂电池组健康状态评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180720