CN111274539A - 一种基于交替最小二乘法的锂电池soh估计方法 - Google Patents

一种基于交替最小二乘法的锂电池soh估计方法 Download PDF

Info

Publication number
CN111274539A
CN111274539A CN202010099155.0A CN202010099155A CN111274539A CN 111274539 A CN111274539 A CN 111274539A CN 202010099155 A CN202010099155 A CN 202010099155A CN 111274539 A CN111274539 A CN 111274539A
Authority
CN
China
Prior art keywords
battery
voltage
time
alternating
charging
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
Application number
CN202010099155.0A
Other languages
English (en)
Other versions
CN111274539B (zh
Inventor
卢军锋
姜劲
邹政耀
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.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
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 Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202010099155.0A priority Critical patent/CN111274539B/zh
Publication of CN111274539A publication Critical patent/CN111274539A/zh
Application granted granted Critical
Publication of CN111274539B publication Critical patent/CN111274539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种基于交替最小二乘法的锂电池SOH估计方法，首先通过搭建的锂电池实验平台测量锂电池在充放电过程中的充电电压变换数据、充电电流变化数据和放电电压变化数据，然后提取等压升充电时间、等流降充电时间、等压降放电时间、等时间电压差四个特征值，最后结合交替最小二乘法计算锂电池的SOH，实现对锂电池SOH的有效估计。

Description

一种基于交替最小二乘法的锂电池SOH估计方法
技术领域
本发明涉及锂电池寿命估计领域，特别设计基于交替最小二乘法的锂电池SOH估计方法。
背景技术
随着科学技术的不断发展，新型能源产业得到极大的发展，然而电能的存储技术一直都是新型能源产业研究的一大难题。锂电池作为优秀的储能电池，具有存储寿命长、能力密度大、放电电压高、自然损耗小、安全性能高和能适应多种工作环境等优势，已成为全球电池市场消费需求最大、存储量最高和应用最为普遍的储能电池。
在可充电锂电池进行循环充电放电时，电池的正负极材料会发生腐蚀、电解液活性下降以及电池内部隔膜老化等问题，进而导致电池充放电能力的退化。当电池退化到不能维持正常工作时，将会引发一系列的问题，严重影响了设备的安全性和可靠性。因此建立完善的电池管理系统(Battery Management System,BMS)是十分必要的。BMS不但可以合理控制电池的充放电状态，对电池的充放电循环进行调控，还可以智能化地管理及维护各个电池单元，防止电池出现过度放电和过度充电等问题，延长其使用寿命并保证安全性，对于电池安全、高效和可靠的运行有着重要意义。
BMS核心功能有：充放电控制、均衡控制、荷电状态(State Of Charge,SOC)评估、健康状态(State Of Health,SOH)估计、剩余使用寿命(Remaining Useful Life,RUL)预测、故障诊断等。SOH和RUL是其中至关重要的部分，对健康状态和剩余使用寿命的精确、高效和快速地预测能极大地提高锂电池使用的安全性和可靠性。
目前SOH估计方法主要有：化学阻抗分析法、基于模型的方法和基于数据分析的方法。化学分析法预测精度高，物理意义明确，但是会破坏电池内部结构，使电池无法继续正常使用。化学分析法只适合在实验室中使用，不适合应用与实际工程环境中。基于模型的方法利用被预测的参数向量组成系统的状态矩阵，构建精确高效的量测方程和状态方程，以此进一步外推得到系统的状态量。基于模型的方法预测准确度较高，并可以在线预测系统的状态量。同时该方法也存在一定的缺陷，预测的效果过度依靠所建立模型的准确性。当被预测系统状态量的数量高于一定值时，会导致计算过于复杂，影响模型的预测速度。基于数据驱动的方法过程简单，无需深入研究电池的电化学特性和退化物理模型。只需要对电池工作时的基本性能指标如工作电压、温度、电流和阻抗等进行属性描述，从而找到其与SOH的关系，进一步估计电池的SOH。基于数据驱动的方法适合应用于实际工作场景，对不同类型锂电池适应能力较强。
交替最小二乘算法是通过隐含因子空间降维的思想，对矩阵进行分解的算法。矩阵分解常被用来压缩原始数据，去除数据的冗余信息，发掘有用信息，从其他维度寻找数据间的隐含关系和本质特征，被广泛的应用于数据挖掘、聚类、模式识别、图像处理等领域。因此可以利用交替最小二乘法可对电池参数特征与SOH之间的关系进行建模。
发明内容
为了解决上述存在问题。本发明提供基于交替最小二乘法的锂电池SOH估计方法，解决锂电池的SOH估计问题。为达此目的：
本发明提供基于交替最小二乘法的锂电池SOH估计方法，具体步骤如下：
步骤1：搭建锂电池实验平台，该平台可以实时测量锂电池工作数据，包括：电池充放电的电压、电流、阻抗和环境温度等实验数据，可对锂电池进行循环充放电实验；
步骤2：通过锂电池实验平台分别测量电池充放电状态下的电压、电流、阻抗和环境温度等实验数据，并对数据进行预处理；
步骤3：提取锂电池实验数据的等压升充电时间、等流降充电时间、等压降放电时间、等时间电压差四个特征,并将样本对应的特征分为训练样本和测试样本；
步骤4：用训练样本训练交替最小二乘法模型，并将测试样本输入到训练完成的交替最小二乘法模型中，交替最小二乘法模型输出SOH估计结果。
作为本发明进一步改进，所述步骤1中锂电池实验平台如下：
实验平台包括软件系统和硬件系统，软件系统通过PCI数据总线、RS232等接口方式将计算机与硬件测试设备连接，以完成电压、电流等实时数据的采集、存储和显示，以及锂电池的测试工况控制，硬件系统主要由计算机、电源、恒温箱、电子负载、PCI数据采集卡接口电路以及充放电状态控制电路组成。
作为本发明进一步改进，所述步骤2中锂电池实验平台充电方案如下：
使用恒温箱将环境温度设置为某一固定温度，以固定的放电倍率在恒定电流模型下对锂电池充电；直至电池的工作电压达到最大截止电压时，转为在恒定电压模式下充电，当电池工作电流下降到某一固定电流时，终止充电，并静置一段时间。
作为本发明进一步改进，所述步骤2中锂电池实验平台放电方案如下：
同样将环境温度设定为某一固定温度，以固定的放电倍率在恒定电流模式下对锂电池放电，当电池的工作电压下降到最小截止电压时，终止放电，并静置一段时间。
作为本发明进一步改进，所述步骤3中提取锂电池实验数据的等压升充电时间、等流降充电时间、等压降放电时间、等时间电压差四个特征如下：
在恒流充电阶段时，电池端电压上升所需的充电时间被称为等压升充电时间，如公式1所示：
tVi＝|tVH-tVL| (1)
其中，tVi是第i次循环周期下的等压升充电时间，tVL是电池电压达到某一低电压所经历的充电时间，tVH是电池电压达到某一高电压所经历的充电时间；
在恒压充电阶段时，电池工作电流下降所需的充电时间被称为等流降充电时间，如公式2所示：
tIi＝|tIL-tIH| (2)
其中，tIi是第i次循环周期下的等流降充电时间，tIL是电池电流达到某一低电流的充电时间，tIH是电池电流达到某一高电流的充电时间；
在电池正常工作放电时，电池工作电压下降所需的放电时间被称为等压降放电时间，如式3所示：
TVi＝|TVL-TVH| (3)
其中，TVi是第i次循环周期下的等压降放电时间，TVL是电池放电电压达到某一低电压的放电时间，TVH是电池放电电压达到某一高电压的放电时间；
在电池正常工作放电时，在相同时间内，电池工作电压的差值被称为等时间电压差，如式4所示：
Vti＝|Vtmax-Vtmin| (4)
其中，Vti是第i次循环周期下的等时间电压差，Vtmax是电池放电至最大时间时的工作电压，Vtmin是电池放电至最小时间时的工作电压。
作为本发明进一步改进，所述步骤4中SOH计算方法如下：
SOH是电池实际容量和额定容量的百分比，如式5所示：
Figure BDA0002386299090000041
其中，Qcurrent是电池的实际容量，Qrated是电池的额定容量。
作为本发明进一步改进，所述步骤4中交替最小二乘法计算SOH值的算法如下：
设训练样本和测试样本共计m个，将测试样本的特征和SOH值和训练样本的特征和SOH值组合成混合矩阵Rm*n，n值为5，测试样本中待估计的SOH值用空值代替，则可以将混合矩阵近似设为：
Figure BDA0002386299090000042
Xm*k和
Figure BDA0002386299090000043
是Rm*n分解出的低维矩阵，参数k是低维矩阵的维数。为了使等式两边尽可能相等，交替最小二乘法构造了平方误差损失函数。
Figure BDA0002386299090000044
L(X,Y)是平方误差损失函数，此时矩阵分解问题可转化为求解平方误差损失函数最小：
Figure BDA0002386299090000051
交替最小二乘法算法的关键是要找到最优的Xm*k和
Figure BDA0002386299090000052
使得L(X,Y)最小，因为Xm*k和
Figure BDA0002386299090000053
是未知的，所以式8的求解问题式非凸的，交替最小二乘法算法的思路是固定其中一个矩阵，再去求解另一个矩阵，具体算法如下：
1)先取随机值固定Xu；
2)对L(X,Y)求解Yi的偏导，并令偏导为0，可求解Yi
Yi＝(XTX+λI)-1XTRi (9)
3)再将上式求解的Yi固定，同理可求出Xu
Xu＝(YTY+λI)-1YTRu (10)
4)不断重复2)和3)，知道L(X,Y)达到目标值或者达到最大迭代次数；
起初Xu和Yi是随机矩阵，交替最小二乘法通过不断的交替迭代，修改Xu和Yi，从而得到最终的Xu和Yi的值。求解出Xu和Yi后，通过式6重构混合矩阵，重构后的混合矩阵含有待求解的测试样本电池SOH估计值。
本发明一种基于交替最小二乘法的锂电池SOH估计方法，有益效果在于：
1.本发明提取了锂电池循环充放电历史数据的四个特征，这四个特征包含了影响锂电池寿命的信息；
2.将交替最小二乘法应用于锂电池的SOH值估计，提高了SOH估计值的准确性和效率；
3.本发明为BMS提供了一种计算SOH值的重要技术手段。
附图说明
图1是整体算法原理流程图；
图2是B0005锂电池充电电压变换曲线图；
图3是B0005锂电池充电电流变化曲线图；
图4是B0005锂电池放电电压变化曲线图；
图5是基于交替最小二乘法的SOH值计算结果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于交替最小二乘法的锂电池SOH估计方法，利用交替最小二乘法的矩阵分解能力，以美国航空航天局卓越故障预测研究中心(Prognostic Center ofExcellence,PCoE)实验室公布的锂电池数据为例，结合交替最小二乘法，计算锂电池的SOH估计值。本发明的整体算法原理流程如图1所示，SOH估计算法步骤如下所示：
步骤1：搭建锂电池实验平台，该平台可以实时测量锂电池工作数据，包括：电池充放电的电压、电流、阻抗和环境温度等实验数据，可对锂电池进行循环充放电实验；
步骤1中锂电池实验平台具体描述如下：
实验平台包括软件系统和硬件系统，软件系统通过PCI数据总线、RS232等接口方式将计算机与硬件测试设备连接，以完成电压、电流等实时数据的采集、存储和显示，以及锂电池的测试工况控制，硬件系统主要由计算机、电源、恒温箱、电子负载、PCI数据采集卡接口电路以及充放电状态控制电路组成。
步骤2：通过锂电池实验平台分别测量电池充放电状态下的电压、电流、阻抗和环境温度等实验数据，并对数据进行预处理；
步骤2中锂电池实验平台充放电方案如下具体描述如下：
充电时，使用恒温箱将环境温度设置为某一固定温度，以固定的放电倍率在恒定电流模型下充电；直至电池的工作电压达到最大截止电压时，转为在恒定电压模式下充电，当电池工作电流下降到某一固定电流时，终止充电，并静置一段时间；放电时，同样将环境温度设定为某一固定温度，以固定的放电倍率在恒定电流模式下放电，当电池的工作电压下降到最小截止电压时，终止放电，静置一段时间，放电参数如表1所示：
表1 NASA循环充放电实验参数
Figure BDA0002386299090000061
Figure BDA0002386299090000071
步骤3：提取锂电池实验数据的等压升充电时间、等流降充电时间、等压降放电时间、等时间电压差四个特征,并将样本对应的特征分为训练样本和测试样本；
步骤3中锂电池实验数据包括充电电压变换数据、充电电流变化数据和放电电压变化数据，充电电压变换曲线如图2所示，充电电流变化曲线如图3所示，放电电压变化曲线如图4所示。
步骤3中锂电池数据特征如下具体描述如下：
锂电池数据特征包括：等压升充电时间、等流降充电时间、等压降放电时间、等时间电压差
在恒流充电阶段时，电池端电压上升所需的充电时间被称为等压升充电时间，如公式1所示：
tVi＝|tVH-tVL| (1)
其中，tVi是第i次循环周期下的等压升充电时间，tVL是电池电压达到某一低电压所经历的充电时间，tVH是电池电压达到某一高电压所经历的充电时间；
在恒压充电阶段时，电池工作电流下降所需的充电时间被称为等流降充电时间，如公式2所示：
tIi＝|tIL-tIH| (2)
其中，tIi是第i次循环周期下的等流降充电时间，tIL是电池电流达到某一低电流的充电时间，tIH是电池电流达到某一高电流的充电时间；
在电池正常工作放电时，电池工作电压下降所需的放电时间被称为等压降放电时间，如式3所示：
TVi＝|TVL-TVH| (3)
其中，TVi是第i次循环周期下的等压降放电时间，TVL是电池放电电压达到某一低电压的放电时间，TVH是电池放电电压达到某一高电压的放电时间；
在电池正常工作放电时，在相同时间内，电池工作电压的差值被称为等时间电压差，如式4所示：
Vti＝|Vtmax-Vtmin| (4)
其中，Vti是第i次循环周期下的等时间电压差，Vtmax是电池放电至最大时间时的工作电压，Vtmin是电池放电至最小时间时的工作电压。
步骤4：用训练样本训练交替最小二乘法模型，并将测试样本输入到训练完成的交替最小二乘法模型中，交替最小二乘法模型输出SOH估计结果；
步骤4中通过交替最小二乘法模型估计锂电池的SOH值具体描述如下：
SOH是电池实际容量和额定容量的百分比，如式5所示：
Figure BDA0002386299090000081
其中，Qcurrent是电池的实际容量，Qrated是电池的额定容量。
当求解测试样本的SOH值时，设训练样本和测试样本共计m个，将测试样本的特征和SOH值和训练样本的特征和SOH值组合成混合矩阵Rm*n，n值为5，测试样本中待估计的SOH值用空值代替，则可以将混合矩阵近似设为：
Figure BDA0002386299090000082
Xm*k和
Figure BDA0002386299090000083
是Rm*n分解出的低维矩阵，参数k是低维矩阵的维数。为了使等式两边尽可能相等，交替最小二乘法构造了平方误差损失函数。
Figure BDA0002386299090000084
L(X,Y)是平方误差损失函数，此时矩阵分解问题可转化为求解平方误差损失函数最小：
Figure BDA0002386299090000085
交替最小二乘法算法的关键是要找到最优的Xm*k和
Figure BDA0002386299090000086
使得L(X,Y)最小，因为Xm*k和
Figure BDA0002386299090000087
是未知的，所以式8的求解问题式非凸的，交替最小二乘法算法的思路是固定其中一个矩阵，再去求解另一个矩阵，具体算法如下：
1)先取随机值固定Xu；
2)对L(X,Y)求解Yi的偏导，并令偏导为0，可求解Yi
Yi＝(XTX+λI)-1XTRi (9)
3)再将上式求解的Yi固定，同理可求出Xu
Xu＝(YTY+λI)-1YTRu (10)
4)不断重复2)和3)，知道L(X,Y)达到目标值或者达到最大迭代次数；
起初Xu和Yi是随机矩阵，交替最小二乘法通过不断的交替迭代，修改Xu和Yi，从而得到最终的Xu和Yi的值。求解出Xu和Yi后，通过式6重构混合矩阵，重构后的混合矩阵含有待求解的测试样本电池SOH估计值，SOH值计算结果如图5所示。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (6)

1.基于交替最小二乘法的锂电池SOH估计方法，具体步骤如下，其特征在于,
步骤1：搭建锂电池实验平台，该平台可以实时测量锂电池工作数据，包括：电池充放电的电压、电流、阻抗和环境温度等实验数据，可对锂电池进行循环充放电实验；
步骤2：通过锂电池实验平台分别测量电池充放电状态下的电压、电流、阻抗和环境温度等实验数据，并对数据进行预处理；
步骤3：提取锂电池实验数据的等压升充电时间、等流降充电时间、等压降放电时间、等时间电压差四个特征,并将样本对应的特征分为训练样本和测试样本；
步骤4：用训练样本训练交替最小二乘法模型，并将测试样本输入到训练完成的交替最小二乘法模型中，交替最小二乘法模型输出SOH估计结果。
2.根据权利要求1基于交替最小二乘法的锂电池SOH估计方法，其特征在于；步骤1中锂电池实验平台系统组成如下：
实验平台包括软件系统和硬件系统；软件系统通过PCI数据总线、RS232等接口方式将计算机与硬件测试设备连接，以完成电压、电流等实时数据的采集、存储和显示，以及锂电池的测试工况控制；硬件系统主要由计算机、电源、恒温箱、电子负载、PCI数据采集卡接口电路以及充放电状态控制电路组成。
3.根据权利要求1基于交替最小二乘法的锂电池SOH估计方法，其特征在于；步骤2中锂电池充电方案如下：
使用恒温箱将环境温度设置为某一固定温度，以固定的放电倍率在恒定电流模型下对锂电池充电；直至电池的工作电压达到最大截止电压时，转为在恒定电压模式下充电，当电池工作电流下降到某一固定电流时，终止充电，并静置一段时间。
4.根据权利要求1基于交替最小二乘法的锂电池SOH估计方法，其特征在于；步骤2中锂电池放电方案如下：
将电池环境温度设定为某一固定温度，以固定的放电倍率在恒定电流模式下对锂电池放电，当电池的工作电压下降到最小截止电压时，终止放电，并静置一段时间。
5.根据权利要求1基于交替最小二乘法的锂电池SOH估计方法，其特征在于；步骤3中电池数据特征计算如下：
在恒流充电阶段时，电池端电压上升所需的充电时间被称为等压升充电时间，如公式1所示：
tVi＝|tVH-tVL| (1)
其中，tVi是第i次循环周期下的等压升充电时间，tVL是电池电压达到某一低电压所经历的充电时间，tVH是电池电压达到某一高电压所经历的充电时间；
在恒压充电阶段时，电池工作电流下降所需的充电时间被称为等流降充电时间，如公式2所示：
tIi＝|tIL-tIH| (2)
其中，tIi是第i次循环周期下的等流降充电时间，tIL是电池电流达到某一低电流的充电时间，tIH是电池电流达到某一高电流的充电时间；
在电池正常工作放电时，电池工作电压下降所需的放电时间被称为等压降放电时间，如式3所示：
TVi＝|TVL-TVH| (3)
其中，TVi是第i次循环周期下的等压降放电时间，TVL是电池放电电压达到某一低电压的放电时间，TVH是电池放电电压达到某一高电压的放电时间；
在电池正常工作放电时，在相同时间内，电池工作电压的差值被称为等时间电压差，如式4所示：
Vti＝|Vtmax-Vtmin| (4)
其中，Vti是第i次循环周期下的等时间电压差，Vtmax是电池放电至最大时间时的工作电压，Vtmin是电池放电至最小时间时的工作电压。
6.根据权利要求1基于交替最小二乘法的锂电池SOH估计方法，其特征在于；步骤4中交替最小二乘法计算电池SOH值如下：
设训练样本和测试样本共计m个，将测试样本的特征和SOH值和训练样本的特征和SOH值组合成混合矩阵Rm*n，n值为5，测试样本中待估计的SOH值用空值代替，则可以将混合矩阵近似设为：
Figure FDA0002386299080000021
Xm*k和
Figure FDA0002386299080000022
是Rm*n分解出的低维矩阵，参数k是低维矩阵的维数，为了使等式两边尽可能相等，交替最小二乘法构造了平方误差损失函数；
Figure FDA0002386299080000023
L(X,Y)是平方误差损失函数，此时矩阵分解问题可转化为求解平方误差损失函数最小：
Figure FDA0002386299080000024
交替最小二乘法算法的关键是要找到最优的Xm*k和
Figure FDA0002386299080000025
使得L(X,Y)最小，因为Xm*k和
Figure FDA0002386299080000031
是未知的，所以式8的求解问题式非凸的，交替最小二乘法算法的思路是固定其中一个矩阵，再去求解另一个矩阵，具体算法如下：
1)先取随机值固定Xu；
2)对L(X,Y)求解Yi的偏导，并令偏导为0，可求解Yi
Yi＝(XTX+λI)-1XTRi (9)
3)再将上式求解的Yi固定，同理可求出Xu
Xu＝(YTY+λI)-1YTRu (10)
4)不断重复2)和3)，知道L(X,Y)达到目标值或者达到最大迭代次数；
起初Xu和Yi是随机矩阵，交替最小二乘法通过不断的交替迭代，修改Xu和Yi，从而得到最终的Xu和Yi的值；求解出Xu和Yi后，通过式6重构混合矩阵，重构后的混合矩阵含有待求解的测试样本电池SOH估计值。
CN202010099155.0A 2020-02-18 2020-02-18 一种基于交替最小二乘法的锂电池soh估计方法 Active CN111274539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010099155.0A CN111274539B (zh) 2020-02-18 2020-02-18 一种基于交替最小二乘法的锂电池soh估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010099155.0A CN111274539B (zh) 2020-02-18 2020-02-18 一种基于交替最小二乘法的锂电池soh估计方法

Publications (2)

Publication Number Publication Date
CN111274539A true CN111274539A (zh) 2020-06-12
CN111274539B CN111274539B (zh) 2023-04-25

Family

ID=71003935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099155.0A Active CN111274539B (zh) 2020-02-18 2020-02-18 一种基于交替最小二乘法的锂电池soh估计方法

Country Status (1)

Country Link
CN (1) CN111274539B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232746A (zh) * 2020-11-03 2021-01-15 金陵科技学院 基于注意力加权的冷链物流需求估计方法
EP4345471A1 (en) * 2022-09-28 2024-04-03 Honeywell International Inc. Systems, apparatuses, and methods for battery monitoring and management

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180031642A1 (en) * 2016-08-01 2018-02-01 Hyundai Motor Company System and method for managing battery on the basis of time required for charging
CN108072847A (zh) * 2018-01-29 2018-05-25 西南交通大学 一种动力锂电池模型参数辨识和剩余电量的估计方法
CN108549030A (zh) * 2018-03-14 2018-09-18 重庆邮电大学 基于电压关键特性的锂电池在线健康状态快速预测方法
CN108805217A (zh) * 2018-06-20 2018-11-13 山东大学 一种基于支持向量机的锂离子电池健康状态估计方法及系统
CN110703121A (zh) * 2019-11-08 2020-01-17 北京化工大学 一种锂离子电池健康状态预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180031642A1 (en) * 2016-08-01 2018-02-01 Hyundai Motor Company System and method for managing battery on the basis of time required for charging
CN108072847A (zh) * 2018-01-29 2018-05-25 西南交通大学 一种动力锂电池模型参数辨识和剩余电量的估计方法
CN108549030A (zh) * 2018-03-14 2018-09-18 重庆邮电大学 基于电压关键特性的锂电池在线健康状态快速预测方法
CN108805217A (zh) * 2018-06-20 2018-11-13 山东大学 一种基于支持向量机的锂离子电池健康状态估计方法及系统
CN110703121A (zh) * 2019-11-08 2020-01-17 北京化工大学 一种锂离子电池健康状态预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙传余等: "基于最小二乘法的磷酸铁锂电池SOC估计", 《山东科技大学学报(自然科学版)》 *
杨刘倩: "基于MATLAB 的锂电池健康状态建模实现", 《计算机仿真》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232746A (zh) * 2020-11-03 2021-01-15 金陵科技学院 基于注意力加权的冷链物流需求估计方法
CN112232746B (zh) * 2020-11-03 2023-08-22 金陵科技学院 基于注意力加权的冷链物流需求估计方法
EP4345471A1 (en) * 2022-09-28 2024-04-03 Honeywell International Inc. Systems, apparatuses, and methods for battery monitoring and management

Also Published As

Publication number Publication date
CN111274539B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
Guo et al. Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network
Chen et al. State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network
Jafari et al. Deterministic models of Li-ion battery aging: It is a matter of scale
CN110398697B (zh) 一种基于充电过程的锂离子健康状态估计方法
Xia et al. Adaptive and fast state of health estimation method for lithium-ion batteries using online complex impedance and artificial neural network
Jiang et al. State of health estimation for lithium-ion battery using empirical degradation and error compensation models
Fan et al. A remaining capacity estimation approach of lithium-ion batteries based on partial charging curve and health feature fusion
Pei et al. An equivalent circuit model for lithium battery of electric vehicle considering self-healing characteristic
Biju et al. BattX: An equivalent circuit model for lithium-ion batteries over broad current ranges
CN111274539B (zh) 一种基于交替最小二乘法的锂电池soh估计方法
CN109917299A (zh) 一种锂电池荷电状态的三层滤波估算方法
Nuroldayeva et al. State of health estimation methods for Lithium-ion batteries
Li et al. A digital twin model for the battery management systems of electric vehicles
Cui et al. Online Identification and Reconstruction of Open-Circuit Voltage for Capacity and Electrode Aging Estimation of Lithium-Ion Batteries
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法
Tang et al. State of health estimation based on inconsistent evolution for lithium-ion battery module
Li et al. A state-of-health estimation method of lithium-ion batteries using ICA and SVM
Vatani et al. Cycling lifetime prediction model for lithium-ion batteries based on artificial neural networks
CN111190112B (zh) 一种基于大数据分析的电池充放电预测方法及系统
Dong et al. State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine
CN114186437A (zh) 一种面向电源系统可靠性仿真分析的多物理场耦合退化模型降阶方法
Zhao et al. Review on rul prediction methods for lithium-ion battery
Yang et al. Remaining Useful Life Prediction of Lithium-ion Batteries with Limited Degradation History Using Random Forest
Çarkıt et al. Investigation of electrical equivalent circuit model simulation data for li-ion battery by comparing with experimental discharge test results
Wang et al. Online Capacity Estimation of Lithium-ion Batteries by Partial Incremental Capacity Curve

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