CN109977622B - 一种动力电池的剩余寿命预测方法 - Google Patents
一种动力电池的剩余寿命预测方法 Download PDFInfo
- Publication number
- CN109977622B CN109977622B CN201910367605.7A CN201910367605A CN109977622B CN 109977622 B CN109977622 B CN 109977622B CN 201910367605 A CN201910367605 A CN 201910367605A CN 109977622 B CN109977622 B CN 109977622B
- Authority
- CN
- China
- Prior art keywords
- battery
- training
- sequence
- soh
- power 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种动力电池的剩余寿命预测方法,其基于动力电池本体历史数据与云端大数据融合驱动来实现,该方法在实施过程中,能够充分利用待预测电池本体的在线历史数据和包含非本体信息的云端大数据,对动力电池RUL实现预测,具有步骤简单、预测精度高、能极大程度地提高可用信息源的利用率、可支持任意数量的非本体信息作为预测输入量等诸多有益效果,能够有效适应大数据应用场景。
Description
技术领域
本发明涉及动力电池耐久性与可靠性管理技术领域,尤其涉及锂离子电池单体及锂离子电池系统的实时剩余寿命监测技术。
背景技术
实时的动力电池剩余寿命(RUL)预测能及时评估并反馈电池在老化失效前仍能使用的充放电循环次数,防止电池过度使用事故,保障产品长寿命、高可靠运行。然而,支撑动力电池RUL预测的信息源有限,通常仅有两类信息源可供预测利用:第一类是包含待预测电池本体历史工作信息的在线历史数据;第二类是不含有本体信息的同类型电池离线试验/云端在线使用大数据。在利用上述第一类信息的一些电池RUL预测方法中,例如,时序预测法其核心在于寻找适用于电池RUL预测的高效时间序列模型,充分挖掘电池本体在线历史数据的时间延续性,定量推测未来的老化趋势;随机过程预测法重点在于建立完备的时间分布解析形式,试图归纳电池本体在线历史数据的时间不确定性,定量计算未来的寿命分布。这些电池RUL预测方法充分挖掘了本体在线历史数据信息,取得了一定的RUL预测效果,但由于驱动预测的信息来源单一,仍存有极大的改进空间。除上述方法外,现有技术中还有部分预测方法基于同类型电池的离线老化试验数据,寻找适用于该类电池的寿命经验模型表达式,然后致力于改造基于本体在线历史数据的表达式系数更新手段。这些方法简单结合了两种信息源,在信息利用的角度优于时序预测法和随机过程预测法,但庞大的离线老化试验数据仅用于提供简单的经验模型表达式,其信息利用率较低,缺乏考虑同类型电池云端使用的历史信息,容易因片面的老化认识引发严重的预测偏离或发散,难以适应大数据时代的电池管理发展趋势。
发明内容
针对以上现有技术中所存在的问题,本发明提供了一种动力电池的剩余寿命预测方法,其基于动力电池本体历史数据与云端大数据融合驱动来实现,具体包括以下步骤:
步骤一、提取待测电池的历史健康状态(SOH)序列hm={h1,h2,…,hm}以及对应的等效循环次数序列km={k1,k2,…,km},其中,m为待测电池历史健康数据的采样数量,其中,所述的等效循环次数指待测电池累计充电安时数达到其最大可用充电容量且累计放电安时数达到其最大可用放电容量的事件发生次数;
步骤二、提取同类型电池的离线测试大数据及云端在线使用大数据,并构建融合驱动模型的训练数据集;
步骤三、建立融合驱动模型,利用所述训练数据集对所述模型进行训练;
步骤四、设定目标SOH序列,基于所述目标SOH序列与所述训练数据集构造预测矩阵;
步骤五、基于经训练的所述融合驱动模型以及所述预测矩阵,对待测动力电池的剩余寿命进行预测。
其中,所述的健康状态SOH指待测电池在既定温度和电流倍率下以恒流恒压/恒流形式测得的充/放电容量与其标称容量或类似条件下测得的充/放电容量之比,其数值可遵循该定义测得或由公知的电池SOH估计方法获得。
进一步地,所述步骤二具体包括:
拟合所述同类型电池的离线测试大数据及云端在线使用大数据中SOH与等效循环次数之间的关系,获得同类型电池的老化轨迹函数集Kn(h)={K1(h),K2(h),…,Kn(h)},其中,n为离线测试/云端在线使用大数据中选取的电池数量;
基于所述hm、km和Kn(h),构建包括训练输入矩阵X和训练输出向量y的融合驱动模型的训练数据集:
进一步地,所述步骤三中所建立的融合驱动模型f(·),以训练输入矩阵X和训练输出向量y分别作为所述模型f(·)的输入和输出。
进一步地,所述步骤四具体包括:
上述本发明所提供的方法在实施过程中,能够充分利用待预测电池本体的在线历史数据和包含非本体信息的云端大数据,对动力电池RUL实现预测,具有步骤简单、预测精度高、能极大程度地提高可用信息源的利用率,可支持任意数量的非本体信息作为预测输入量等诸多有益效果,能够有效适应大数据应用场景。
附图说明
图1为本发明所提供方法的流程示意图,
图2为一实例中的待测电池老化数据及RUL预测起点设置图,
图3为一实例中的电池老化轨迹及轨迹函数拟合效果图,
图4为一实例中的动力电池RUL预测结果图。
具体实施方式
下面结合附图对本发明所提供的一种动力电池的剩余寿命预测方法进行详细说明。
本发明所提供的方法如图1所示,具体包括以下步骤:
步骤一、提取待测电池的历史健康状态(SOH)序列hm={h1,h2,…,hm}以及对应的等效循环次数序列km={k1,k2,…,km},其中,m为待测电池历史健康数据的采样数量;
步骤二、提取同类型电池的离线测试大数据及云端在线使用大数据,并构建融合驱动模型的训练数据集;
步骤三、建立融合驱动模型,利用所述训练数据集对所述模型进行训练;
步骤四、设定目标SOH序列,基于所述目标SOH序列与所述训练数据集构造预测矩阵;
步骤五、基于经训练的所述融合驱动模型以及所述预测矩阵,对待测动力电池的剩余寿命进行预测。
在本发明的一个实例中,对某正极材料为镍钴锰氧化物、负极材料为石墨的18650型锂离子动力电池采用上述方法进行了剩余寿命预测,下面结合实验例对本发明进行详细说明。
首先,提取待测电池的历史SOH序列hm={h1,h2,…,hm}以及对应的等效循环次数序列km={k1,k2,…,km},本实施例中以某1只正极材料为镍钴锰氧化物、负极材料为石墨的18650型锂离子动力电池为例,将前122个数据视为历史数据,m取122,余下数据视为未来的未知数据,即历史SOH序列和对应的等效循环次数序列分别为h122={h1,h2,…,h122}和k122={k1,k2,…,k122},如图2所示,本实施例中的SOH值遵循该定义获得;
提取同类型电池的离线测试/云端在线使用大数据,本实施例取某5只同一批次的18650型锂离子动力电池单体代表同类型电池的离线测试/云端在线使用大数据,即n取5,本实施例选用平滑样条拟合获得同类型电池的老化轨迹函数集K5(h)={K1(h),K2(h),…,K5(h)},拟合效果如图3所示,拟合公式:
式中,K(·)为描述某1只同类型电池老化轨迹的样条函数,ki和hi为该只同类型电池的第i个老化采样点处的等效循环次数和SOH值,q为平滑系数,本实施例的q值取0.85;
利用前述h122、k122和K5(h)建立并训练融合驱动模型f(·),本实施例选用具有9个隐含神经元的前馈神经网络模型作为融合驱动模型f(·),以步骤三的X和y分别作为模型的输入和输出,则模型输入与输出维度分别为6和1,本实施例选用Levenberg-Marquardt法训练融合驱动模型f(·),迭代训练公式如下:
x(t+1)=x(t)-[JTJ+μI]-1JTe
式中,t为迭代次数,x(t)为第t次迭代各层之间的连接权向量或阈值向量,I为单位矩阵,J为雅克比矩阵,e是网络的误差向量,系数μ在每一次成功的迭代后(误差性能减少)减少,在进行尝试性迭代后的误差性能增加的情况下增大;
最后取p为149,设定目标SOH序列并将该序列代入训练数据集构造预测矩阵X*;将该X*代入经训练的f(·)中,预测待测电池与对应的等效循环次数序列预测结果如图4所示,从而完成待测电池的RUL预测过程。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种动力电池的剩余寿命预测方法,其特征在于:具体包括以下步骤:
步骤一、提取待测动力电池的历史健康状态SOH序列hm={h1,h2,…,hm}以及对应的等效循环次数序列km={k1,k2,…,km},其中,m为待测电池历史健康数据的采样数量;
步骤二、提取同类型电池的离线测试大数据以及云端在线使用大数据,利用平滑样条拟合所述同类型电池的离线测试大数据及云端在线使用大数据中SOH与等效循环次数之间的关系:
式中,K(·)为描述某1只同类型电池老化轨迹的样条函数,ki和hi为该只同类型电池的第i个老化采样点处的等效循环次数和SOH值,q为平滑系数,
获得同类型电池的老化轨迹函数集Kn(h)={K1(h),K2(h),…,Kn(h)},其中,n为离线测试/云端在线使用大数据中选取的电池数量,以构建融合驱动模型的训练数据集;
步骤三、建立融合驱动模型,利用所述训练数据集对所述模型进行训练;
步骤四、设定目标SOH序列,基于所述目标SOH序列与所述训练数据集构造预测矩阵;
步骤五、基于经训练的所述融合驱动模型以及所述预测矩阵,对待测动力电池的剩余寿命进行预测。
3.如权利要求2所述的方法,其特征在于:所述步骤三中所建立的融合驱动模型f(·),以训练输入矩阵X和训练输出向量y分别作为所述模型f(·)的输入和输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367605.7A CN109977622B (zh) | 2019-05-05 | 2019-05-05 | 一种动力电池的剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367605.7A CN109977622B (zh) | 2019-05-05 | 2019-05-05 | 一种动力电池的剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977622A CN109977622A (zh) | 2019-07-05 |
CN109977622B true CN109977622B (zh) | 2020-12-01 |
Family
ID=67072730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910367605.7A Active CN109977622B (zh) | 2019-05-05 | 2019-05-05 | 一种动力电池的剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977622B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112666479B (zh) * | 2020-12-02 | 2023-05-16 | 西安交通大学 | 一种基于充电循环融合的电池寿命预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954914A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命直接预测方法 |
US10324135B2 (en) * | 2016-06-06 | 2019-06-18 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for data-driven battery state of charge (SoC) estimation |
CN107064800B (zh) * | 2016-11-29 | 2019-10-18 | 北京交通大学 | 锂离子电池剩余使用寿命的实时预测方法 |
CN107238800B (zh) * | 2017-06-12 | 2019-11-12 | 北京理工大学 | 基于相关向量机和粒子滤波的电池剩余可用寿命预测方法 |
CN109342949A (zh) * | 2018-11-06 | 2019-02-15 | 长沙理工大学 | 充电过程中锂离子动力电池剩余寿命在线预测方法 |
-
2019
- 2019-05-05 CN CN201910367605.7A patent/CN109977622B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109977622A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shu et al. | A flexible state-of-health prediction scheme for lithium-ion battery packs with long short-term memory network and transfer learning | |
Xiong et al. | An electrochemical model based degradation state identification method of Lithium-ion battery for all-climate electric vehicles application | |
Pan et al. | Transfer learning-based hybrid remaining useful life prediction for lithium-ion batteries under different stresses | |
Li et al. | A comparative study of battery state-of-health estimation based on empirical mode decomposition and neural network | |
CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
Che et al. | Semi-supervised self-learning-based lifetime prediction for batteries | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
CN110412470B (zh) | 电动汽车动力电池soc估计方法 | |
CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
JP2023501995A (ja) | バッテリー性能予測 | |
CN112036083B (zh) | 一种相似产品剩余寿命预测方法及系统 | |
Shi et al. | Electric vehicle battery remaining charging time estimation considering charging accuracy and charging profile prediction | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
Hong et al. | State-of-health estimation and remaining useful life prediction for lithium-ion batteries based on an improved particle filter algorithm | |
CN113011012B (zh) | 一种基于Box-Cox变化的储能电池剩余寿命预测方法 | |
Li et al. | Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range | |
CN108732499A (zh) | 一种检测锂离子电池循环寿命的方法和系统 | |
CN115201686A (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
CN115356647A (zh) | 一种锂离子电池寿命早期预测方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN114781262A (zh) | 基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统 | |
CN109977622B (zh) | 一种动力电池的剩余寿命预测方法 | |
CN117169743A (zh) | 基于部分数据和模型融合的电池健康状态估计方法及设备 |
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 |