CN108549030A - 基于电压关键特性的锂电池在线健康状态快速预测方法 - Google Patents
基于电压关键特性的锂电池在线健康状态快速预测方法 Download PDFInfo
- Publication number
- CN108549030A CN108549030A CN201810249797.7A CN201810249797A CN108549030A CN 108549030 A CN108549030 A CN 108549030A CN 201810249797 A CN201810249797 A CN 201810249797A CN 108549030 A CN108549030 A CN 108549030A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- voltage
- health status
- value
- battery
- 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.)
- Granted
Links
Abstract
为设计电池在线健康状态预测模型,基于部分电池充电数据,快速计算电池任何寿命阶段的健康状态,对电池实现准确的功能判断,本发明提出了基于电压关键特性的锂电池在线健康状态快速预测方法,包括以下步骤:步骤(1)、对不同寿命状态锂电池进行基于循环测试工况做循环测试,获取锂电池的全寿命数据;步骤(2)、获取电池容量以及计算差分电压,进一步预选取关键特征值;步骤(3)、基于各预选特征值,训练及测试预测模型,最终选取最优模型进行锂电池在线健康状态预测。本发明实现了基于较少数据在线计算电池健康状态,较为准确地判断电池性能,并提高了工作效率。
Description
【技术领域】
本专利属于新能源汽车领域,具体提出基于电压关键特性的锂电池在线健康状态快速预测方法。
【背景技术】
环境问题的日益严重,促使各国探求解决能源与环境问题的有效途径。随着汽车工业的不断发展,新能源汽车成为解决这一问题的有效途径。新能源汽车的发展在世界范围内形成了共识,迫切需要推动传统汽车产业的战略转型。作为电动汽车的重要组成部分,电池工业发展迅速。然而,动力电池仍存在一些亟待解决的问题。其中一个问题就是设计一种高精度估计电池状态的方法。在实际应用中,动力电池的寿命在下降。在实际的复杂工况下,动力电池往往不能达到预期的寿命值。如果能准确估计电池的健康状况,电池就会更健康、更安全。同时,这将促进新能源汽车的发展。
目前针对电池健康状态预测方面的专利较多,大多都是基于物理等效模型进行预测,此外,随着机器学习的进一步发展,基于机器学习的纯数据驱动算法也越来越多地出现在电池健康状态预测中。相比以往专利提出的预测方法,本专利能够基于较少充电数据,实现电池在线健康状态的快速预测。
为设计电池在线健康状态预测模型,基于部分电池充电数据,快速计算电池任何寿命阶段的健康状态,对电池实现准确的功能判断,本发明提出了《基于电压关键特性的锂电池在线健康状态快速预测方法》,本发明实现了基于较少数据在线计算电池健康状态,较为准确地判断电池性能,并提高了工作效率。
【发明内容】
鉴于此,为在线准确预测电池健康状态,本发明提出基于电压关键特性的锂电池在线健康状态快速预测方法,本发明专利包含以下步骤:
步骤(1)、对不同寿命状态锂电池进行基于循环测试工况做循环测试,获取锂电池的全寿命数据,然后在全寿命数据中等间隔选取r个循环数据作为训练样本,以及p个循环数据作为测试样本;
步骤(2)、提取放电容量qi表征锂电池当前容量,并通过差分电压计算公式,选取恒流充电数据di(t)计算差分电压z(v),然后基于特征值选取公式选取a个特征值预选位置,并通过特征值计算公式计算出a个预选特征值,同时对得到的预选特征值作归一化处理;
步骤(3)、基于预选特征值和训练样本,训练锂电池容量预测模型,然后基于得到的预测模型和测试样本,测试预测模型,最终综合考虑误差,选取最合适的锂电池容量预测模型,然后通过公式计算得到锂电池在线健康状态。
进一步的,所述步骤(1)中循环测试工况,充电循环为恒流-恒压充电,以单位电流I充电至充电截止电压V1,之后以恒压V1对锂电池进行恒压充电,直至电流降为0.05I;充电结束后静置1h,然后进行放电循环;放电循环以单位电流I进行放电至放电截止电压V2;放电结束后静置1h,然后进行充电循环。
进一步的,所述步骤(2)中进一步包含以下步骤:
步骤(21)、基于训练样本和测试样本,选取放电容量作为电池当前容量,并选取恒流充电数据作为下一步计算基础;
步骤(22)、基于恒流充电数据,通过差分电压公式计算差分电压z(v),从而得到差分电压曲线;
步骤(23)、基于特征值选取公式选取a个特征值预选位置,区域中心对应的电压值为va,区域宽度为λ,利用绝对值平均公式计算出a个预选特征值;
步骤(24)、基于训练样本,得到a组预选特征值,每组为r个数据,通过归一化公式分别对每组预选特征值作归一化处理,记处理规则为sa;
步骤(25)、基于测试样本,得到a组预选特征值,每组为p个数据,通过归一化规则sa分别对每组预选特征值作归一化处理;
所述步骤(22)中差分电压公式满足:
其中VCap1和VCap2分别为t1和t2时刻的电压值,I为当前实时电流,在本专利中,I即为单位电流;
所述步骤(24)中归一化公式满足:
y=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin
其中:ymin=-1,ymax=1,xmin为最小特征值,Kmax为最大特征值;
所述步骤(23)中特征值选取公式满足:
其中V1为充电截止电压,V3为充电循环中所有电芯都能达到的最小在线电压,i为计算的循环总数。求得f(m)后,取最大的α个值,得出对应的电压值va,进一步得出预选特征值计算区域(va-(λ/2),va+(λ/2))。
进一步的,所述步骤(3)中进一步包含以下步骤:
步骤(31)、基于训练样本得到归一化后的特征值和电池容量,然后通过最小二乘法,分别计算a个特征值同电池容量的回归拟合,记误差为δa,其中拟合目标函数为一元一次方程;
步骤(32)、基于训练样本得到归一化后的特征值和电池容量,然后运用回归模型对电池容量进行预测,记误差为μa;
步骤(33)、综合考虑δa和μa,选取最优特征值,相应得到最优预测模型,通过预测模型预测同一型号任何寿命阶段锂电池的容量,再通过公式计算锂电池在线健康状态,其中Qcc为当前容量,Qrc为额定容量。
锂电池实际使用中,放电工况变化较大,而充电工况较为单一,适合用来预测电池健康状态。相较于当前其他专利,本发明专利选定特征值后,只需要计算部分充电数据,便可通过预测模型预测任何寿命阶段锂电池的在线健康状态,计算方便快捷,另外,实验证明,本发明能够取得较高预测精度。
【附图说明】
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明;
图1为本发明提出的基于电压关键特性的锂电池在线健康状态快速预测方法流程图
图2为本发明提出的恒流充电部分曲线图
图3为本发明提出的差分电压曲线以及初选特征值示意图
【具体实施方式】
本发明提出的基于电压关键特性的锂电池在线健康状态快速预测方法,具体操作步骤为:
第一步,对不同寿命状态锂电池进行基于循环测试工况做循环测试,获取锂电池的全寿命数据,然后在全寿命数据中等间隔选取r个循环数据作为训练样本,以及p个循化数据作为测试样本。
第二步,基于训练样本和测试样本,选取放电容量作为电池当前容量,并选取恒流充电数据作为下一步计算基础,如图2所示;基于恒流充电数据,通过差分电压公式计算差分电压z(v),从而得到差分电压曲线;基于特征值选取公式选取a个特征值预选位置,区域中心对应的电压值为va,区域宽度为λ,利用绝对值平均公式计算出a个预选特征值,如图3所示;基于训练样本,得到a组预选特征值,每组为r个数据,通过归一化公式分别对每组预选特征值作归一化处理,记处理规则为sa;基于测试样本,得到a组预选特征值,每组为p个数据,通过归一化规则sa分别对每组预选特征值作归一化处理。
第三步,基于训练样本得到归一化后的特征值和电池容量,然后通过最小二乘法,分别计算a个特征值同电池容量的回归拟合,记误差为δa,其中拟合目标函数为一元一次方程;基于训练样本得到归一化后的特征值和电池容量,然后运用回归模型对电池容量进行预测,记误差为μa;综合考虑δa和μa,选取最优特征值,相应得到最优预测模型,通过预测模型预测同一型号任何寿命阶段锂电池的容量,再通过公式计算锂电池在线健康状态,其中Qcc为当前容量,Qrc为额定容量。
Claims (7)
1.基于电压关键特性的锂电池在线健康状态快速预测方法,其特征在于,包括以下步骤:
步骤(1)、对处于不同寿命状态的锂电池进行基于循环测试工况做循环测试,获取锂电池的全寿命数据,然后在全寿命数据中等间隔选取r个循环数据作为训练样本,以及p个循环数据作为测试样本;
步骤(2)、提取放电容量qi表征锂电池当前容量,并通过差分电压计算公式,选取恒流充电数据di(t)计算差分电压z(v),然后基于特征值选取公式选取a个特征值预选位置,并通过特征值计算公式计算出a个预选特征值,同时对得到的预选特征值作归一化处理;
步骤(3)、基于预选特征值和训练样本,训练锂电池容量预测模型,然后基于得到的预测模型和测试样本,测试预测模型,最终综合考虑误差,建立最优锂电池容量预测模型,然后通过公式计算得到锂电池在线健康状态。
2.根据权利要求1中所述基于电压关键特性的锂电池在线健康状态快速预测方法,其特征在于,所述步骤(1)中循环测试工况,充电循环为恒流-恒压充电,以单位电流I充电至充电截止电压V1,之后以恒压V1对锂电池进行恒压充电,直至电流降为0.05I;充电结束后静置1h,然后进行放电循环;放电循环以单位电流I进行放电至放电截止电压V2;放电结束后静置1h,然后进行充电循环。
3.根据权利要求1中所述基于电压关键特性的锂电池在线健康状态快速预测方法,其特征在于,所述步骤(2)进一步包含以下步骤:
步骤(21)、基于训练样本和测试样本,选取放电容量作为电池当前容量,并选取恒流充电数据作为下一步计算基础;
步骤(22)、基于恒流充电数据,通过差分电压公式计算差分电压z(v),从而得到差分电压曲线;
步骤(23)、基于特征值选取公式选取a个特征值预选位置,区域中心对应的电压值为va,区域宽度为λ,利用绝对值平均公式计算出a个预选特征值;
步骤(24)、基于训练样本,得到a组预选特征值,每组为r个数据,通过归一化公式分别对每组预选特征值作归一化处理,记处理规则为sa;
步骤(25)、基于测试样本,得到a组预选特征值,每组为p个数据,通过归一化规则sa分别对每组预选特征值作归一化处理。
4.根据权利要求3中所述基于电压关键特性的锂电池在线健康状态快速预测方法,其特征在于,所述步骤(22)中差分电压公式满足:
其中VCap1和VCap2分别为t1和t2时刻的电压值,I为当前实时电流,在本专利中,I即为单位电流。
5.根据权利要求3中所述基于电压关键特性的锂电池在线健康状态快速预测方法,其特征在于,所述步骤(23)中特征值选取公式满足:
其中V1为充电截止电压,V3为充电循环中所有电芯都能达到的最小在线电压,i为计算的循环总数。求得f(m)后,取最大的α个值,得出对应的电压值va,进一步得出预选特征值计算区域(va-(λ/2),va+(λ/2))。
6.根据权利要求3中所述基于电压关键特性的锂电池在线健康状态快速预测方法,其特征在于,所述步骤(24)中归一化公式满足:
y=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin
其中:ymin=-1,ymax=1,xmin为最小特征值,xmax为最大特征值。
7.根据权利要求1中所述基于电压关键特性的锂电池在线健康状态快速预测方法,其特征在于,所述步骤(3)进一步包含以下步骤:
步骤(31)、基于训练样本得到归一化后的特征值和电池容量,然后通过最小二乘法,分别计算a个特征值同电池容量的回归拟合,记误差为δa,其中拟合目标函数为一元一次方程。
步骤(32)、基于训练样本得到归一化后的特征值和电池容量,然后运用回归模型对电池容量进行预测,记误差为μa;
步骤(33)、综合考虑δa和μa,选取最优特征值,相应得到最优预测模型,通过预测模型预测同一型号任何寿命阶段锂电池的容量,再通过公式计算锂电池在线健康状态,其中Qcc为当前容量,Qrc为额定容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810249797.7A CN108549030B (zh) | 2018-03-14 | 2018-03-14 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810249797.7A CN108549030B (zh) | 2018-03-14 | 2018-03-14 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108549030A true CN108549030A (zh) | 2018-09-18 |
CN108549030B CN108549030B (zh) | 2021-03-26 |
Family
ID=63516943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810249797.7A Active CN108549030B (zh) | 2018-03-14 | 2018-03-14 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549030B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
CN110146822A (zh) * | 2019-04-25 | 2019-08-20 | 同济大学 | 一种基于恒流充电过程的车用动力电池容量在线估计方法 |
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111274539A (zh) * | 2020-02-18 | 2020-06-12 | 金陵科技学院 | 一种基于交替最小二乘法的锂电池soh估计方法 |
CN111308381A (zh) * | 2020-04-07 | 2020-06-19 | 国网江苏省电力有限公司苏州供电分公司 | 一种纯电动公交车动力电池健康状态评估方法 |
CN111366864A (zh) * | 2020-03-19 | 2020-07-03 | 大连理工大学 | 一种基于固定压升区间的电池soh在线估计方法 |
CN114814631A (zh) * | 2022-04-25 | 2022-07-29 | 浙江大学 | 一种基于云计算与特征选择的锂电池在线寿命预测方法 |
WO2022237661A1 (zh) * | 2021-05-13 | 2022-11-17 | 浙江大学 | 一种基于两点寿命特征的锂电池在线寿命预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030074335A1 (en) * | 1997-03-12 | 2003-04-17 | Pritpal Singh | Method and system for determining state-of-health of a nickel-metal hydride battery using an intelligent system |
JP2004198298A (ja) * | 2002-12-19 | 2004-07-15 | Toshiba Battery Co Ltd | 電池容量測定装置 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN103399276A (zh) * | 2013-07-25 | 2013-11-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
-
2018
- 2018-03-14 CN CN201810249797.7A patent/CN108549030B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030074335A1 (en) * | 1997-03-12 | 2003-04-17 | Pritpal Singh | Method and system for determining state-of-health of a nickel-metal hydride battery using an intelligent system |
JP2004198298A (ja) * | 2002-12-19 | 2004-07-15 | Toshiba Battery Co Ltd | 電池容量測定装置 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN103399276A (zh) * | 2013-07-25 | 2013-11-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146822A (zh) * | 2019-04-25 | 2019-08-20 | 同济大学 | 一种基于恒流充电过程的车用动力电池容量在线估计方法 |
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
CN110187281B (zh) * | 2019-05-22 | 2021-06-04 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN111090047B (zh) * | 2019-12-09 | 2022-01-28 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111274539A (zh) * | 2020-02-18 | 2020-06-12 | 金陵科技学院 | 一种基于交替最小二乘法的锂电池soh估计方法 |
CN111366864A (zh) * | 2020-03-19 | 2020-07-03 | 大连理工大学 | 一种基于固定压升区间的电池soh在线估计方法 |
CN111366864B (zh) * | 2020-03-19 | 2021-05-07 | 大连理工大学 | 一种基于固定压升区间的电池soh在线估计方法 |
CN111308381A (zh) * | 2020-04-07 | 2020-06-19 | 国网江苏省电力有限公司苏州供电分公司 | 一种纯电动公交车动力电池健康状态评估方法 |
WO2022237661A1 (zh) * | 2021-05-13 | 2022-11-17 | 浙江大学 | 一种基于两点寿命特征的锂电池在线寿命预测方法 |
CN114814631A (zh) * | 2022-04-25 | 2022-07-29 | 浙江大学 | 一种基于云计算与特征选择的锂电池在线寿命预测方法 |
CN114814631B (zh) * | 2022-04-25 | 2023-07-18 | 浙江大学 | 一种基于云计算与特征选择的锂电池在线寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108549030B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549030A (zh) | 基于电压关键特性的锂电池在线健康状态快速预测方法 | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
Pelletier et al. | Battery degradation and behaviour for electric vehicles: Review and numerical analyses of several models | |
CN107003357B (zh) | 基于无线网络的电池管理系统 | |
CN108919137B (zh) | 一种考虑不同电池状态的电池老化状态估计方法 | |
Liu et al. | A state of charge estimation method based on $ H_\infty $ observer for switched systems of lithium-ion nickel–manganese–cobalt batteries | |
CN109061520A (zh) | 一种动力电池健康与功率状态在线估算方法及系统 | |
CN104617623B (zh) | 一种电动汽车动力电池组均衡控制方法 | |
CN106814329A (zh) | 一种基于双卡尔曼滤波算法的电池soc在线估计方法 | |
CN104122447B (zh) | 一种电动汽车动力电池组直流阻抗的在线估算方法 | |
CN107576919A (zh) | 基于armax模型的动力电池荷电状态估算系统及方法 | |
CN103745111B (zh) | 纯电动乘用车续驶里程预测方法 | |
CN110221222A (zh) | 电池安全截止电压预测方法、装置及电池管理系统 | |
CN105425154B (zh) | 一种估计电动汽车的动力电池组的荷电状态的方法 | |
CN107121643A (zh) | 锂离子电池健康状态联合估计方法 | |
CN107677962A (zh) | 基于充电所需时间来管理电池的系统和方法 | |
CN108872866A (zh) | 一种锂离子电池荷电状态动态评估与长效预测融合方法 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
CN103793605A (zh) | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 | |
CN107589379A (zh) | 一种在线估计锂电池soc和阻抗的方法 | |
CN110303945B (zh) | 一种蓄电池组电量自适应优化平衡控制方法 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
US20220179003A1 (en) | Characterisation of lithium plating in rechargeable batteries | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220316 Address after: 401121 No. 22, Jinyu Avenue, Liangjiang New Area, Yubei District, Chongqing (floor 3, building 9, Jintai Intelligent Industrial Park) Patentee after: Rosedale intelligent automobile (Chongqing) Co.,Ltd. Address before: Chongqing University of Posts and telecommunications, No.2 Chongwen Road, Nan'an District, Chongqing 400065 Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |