CN111537889B - 一种数据驱动的梯次电池rul预测与分类方法 - Google Patents

一种数据驱动的梯次电池rul预测与分类方法 Download PDF

Info

Publication number
CN111537889B
CN111537889B CN202010387144.2A CN202010387144A CN111537889B CN 111537889 B CN111537889 B CN 111537889B CN 202010387144 A CN202010387144 A CN 202010387144A CN 111537889 B CN111537889 B CN 111537889B
Authority
CN
China
Prior art keywords
battery
data
rul
batteries
model
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
Application number
CN202010387144.2A
Other languages
English (en)
Other versions
CN111537889A (zh
Inventor
范元亮
林明星
林翊乾
彭宇霞
郑宇�
陈扩松
陈友恒
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.)
State Grid Fujian Electric Power Co Ltd
Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd
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 State Grid Fujian Electric Power Co Ltd, Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202010387144.2A priority Critical patent/CN111537889B/zh
Publication of CN111537889A publication Critical patent/CN111537889A/zh
Application granted granted Critical
Publication of CN111537889B publication Critical patent/CN111537889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G01R31/367—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
    • 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)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种数据驱动的梯次电池RUL预测与分类方法,步骤S1：收集拟参与梯次利用电池的生产商数据及电池型号，对于每一种型号，取30个出厂的新电池，构成一组；步骤S2：对于不同生产商的不同型号的电池，测试每一组电池的时序数据，建立电池RUL的衰减数据库；步骤S3：根据步骤S2中测试的时序数据，建立数据驱动RUL预测模型，预测退役电池的RUL；步骤S4：基于K均值算法，对退役电池进行分类；步骤S5：将步骤S4中分得同类的电池，通过串并联结合组装成新的电池组，投入到能源互联网中进行梯次利用。本方法能够极大地缩短了退役电池的RUL评估时间，降低了对个体电池的RUL进行精准评估的成本。

Description

一种数据驱动的梯次电池RUL预测与分类方法
技术领域
本发明涉及电池剩余使用寿命预测领域，特别是指一种数据驱动的梯次电池RUL预测与分类方法。
背景技术
在退役电池梯次利用的应用背景下，梯次电池RUL评估不仅要考虑RUL评估的准确性，更要同时兼顾评估的快速性，以使得大量的退役电池能够更快速地投入到梯次利用的场景中，节约梯次利用的评估时间、能耗和成本。
现有技术对电池RUL的评估，大多采用SOH作为剩余寿命衡量的指标，然而现有的SOH估计技术都存在一定的误差，或者在工程上难以实现，其缺点如下：
①定义法的缺点：测试时间较长，且是在理想测试条件下，因此不能在线估计。一方面，实际对电池使用的过程中，不可能从满充使用到满放；另一方面，通过该方法计算SOH的值，传感器需要很高的精度。
②电阻折算法的缺点：该方法先通过建立被测量与电池内阻之间的关系，再建立电池内阻和SOH之间的关系，来估计电池的SOH。该方法两次辨识的模型累计误差较大。
③容量衰减法的缺点：获取电池的充放电数据需要很长的时间，影响电池的正常工作。而且，影响电池的实际容量有太多不确定的因素，这些不确定因素会对电池模型的辨识产生较大的偏差。
④其他电化学方法的缺点：电化学模型非常复杂，难以建立，不确定和随机的干扰往往无法用典型的统计规律描述，造成误差。
综上所述，现有技术方案，主要存在两大缺点：(1)均采用电池的SOH作为RUL的衡量指标，且在测试上，均基于传统的电池容量测试方法，即恒流恒压测试法，耗时较长，由于退役电池的异质性非常高，梯次利用前，又需要对这些电池进行测试，客观上影响了退役电池的投入使用的效率；(2)在基于SOH的指标框架下，比较看重SOH估计的精度问题，事实上，由于电池的内部特性的复杂，以及电池在运行过程中受到的随机因素的影响(比如外部的温度，用户用电时的过冲过放行为)，对SOH进行精确估计的可行性较低；此外，预测SOH的精度提高，其设备的成本也将提高。然而，在梯次利用背景下，RUL估计的快速性和经济性也很重要，但现有方法没有考虑评估的快速性和经济性问题。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种数据驱动的梯次电池RUL预测与分类方法，能够极大地缩短了退役电池的RUL评估时间，降低了对个体电池的RUL进行精准评估的成本。
本发明采用如下技术方案：
一种数据驱动的梯次电池RUL预测与分类方法,其特征在于，具体包括如下步骤：
步骤S1：收集拟参与梯次利用电池的生产商数据及电池型号，对于每一种型号，取30个出厂的新电池，构成一组；
步骤S2：对于不同生产商的不同型号的电池，测试每一组电池的时序数据，建立电池RUL的衰减数据库；
步骤S3：根据步骤S2中测试的的时序数据，建立数据驱动RUL预测模型，预测退役电池的RUL；
步骤S4：基于K均值算法，对退役电池进行分类；
步骤S5：将步骤S4中分得同类的电池，通过串并联结合组装成新的电池组，投入到能源互联网中进行梯次利用。
所述步骤S2中测试每一组电池的时序数据，具体为：选取电池充放电过程中的电压、电流、温度作为特征量。
所述步骤S3具体包括：
步骤S31：模型定义与参数估计，利用步骤S2中时序数据，建立状态退化模型，基于极大似然估计方法得到估计参数；
步骤S32：测试退役电池的时序数据，对所述退役电池的时序数据进行预处理，输入到步骤S31得到的状态退化模型中，得到估计退役电池的RUL。
所述步骤S31中，状态退化模型为自回归滑动平均模型，模型中的噪声模型为有色噪声。
所述步骤S32中，对所述退役电池的时序数据进行预处理，具体包括：对所述退役电池的时序数据，通过小波分析进行多尺度和多分辨率分析，取低频数据部分，输入到步骤S31中的状态退化模型中，取高频数据部分用于构建模型中的噪声模型。
所述步骤S32中，输入到步骤S31得到的状态退化模型中，得到估计退役电池的RUL，具体包括：通过对比退役电池的时序数据的衰减率与S2步骤中的时序数据的数据衰减率，在误差阈值内得到退役电池的RUL估计。
所述步骤S4中，基于K均值算法，对退役电池进行分类，具体包括：基于K均值算法，将电压等级相同的，且RUL相近的电池分到同一类。
所述步骤S5中，对S4中所分的同类电池，根据用户的用电设备电压等级的需要，进行串并联的组合封装。。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
(1)本发明缩短了退役电池的RUL评估时间，一方面，通过少量电池从全新到寿命衰竭的运行数据，建立数据库，并设计ARMA和数据滤波结合的数据驱动模型，用数据库中的数据估计ARMA中的参数。本发明提出的技术方案，能够适应退役电池在线测试的不同长度的时间序列数据；为了提高模型的实用性，本发明在建立ARMA与数据滤波相结合的数据驱动模型，通过数据滤波技术，提取出噪声的分布规律，进而修正模型，形成循环，在线保证模型的精确性。
(2)本发明并未追求对每一个个体电池的寿命做出精确的SOH评估，而是采用同型号的电池的一般统计规律，对电池的RUL作评估，由于梯次利用电池本身已是二次利用，因而更重要的是保证其运行的总体安全性，而非对个体电池的SOH进行精准测量；因此，本发明实际上降低了对个体电池的RUL进行精准评估的成本。
(3)本发明对退役电池提出了科学有效的分类方法，通过把电压等级相同、RUL相近的电池分到同一类，在对同一类的退役电池进行串并联组合、封装使用，一方面，通过电压等级相同的电池的串并联，保证电池组运行的安全性和可靠性；二方面，使得退役电池能够最大程度地挖掘退役电池的RUL，避免因为电池组内部电池的不一致，导致需要多次的拆装。
附图说明
图1为基于时间序列及数据滤波的RUL预测流程示意图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
一种数据驱动的梯次电池RUL预测与分类方法，主要步骤如下：
步骤S1：收集拟参与梯次利用电池的生产商数据及电池型号，对于每一种型号，取30个出厂的新电池，构成一组；
步骤S2：针对每一组电池，建立电池RUL衰减的数据库，其数据包含不同生产商的不同型号的电池，每一组30个电池的时序数据，其中数据由电池测试仪测试得到。将出厂的新电池进行反复充放电，直到电池的SOH下降到40％。在整个测试过程中，记录电池的累计使用时间。因此，每个序列具有4个特征，序列长度各不相同。以同型号的一组电池为例，具体表示如下：
每一个电池的时间序列数据，定义为：
Figure BDA0002484209400000051
其中Ut、It、Tt分别表示电池在初始t时刻的电压、电流、温度，它们分别为3个特征数据，Ni为第i个时间序列数据的长度，rt表示电池的RUL。注意到，Ni取不同的数值，意味着ARMA模型的参数取决于数据集中采集到的时间序列长度。但需要保证Ni≥Nmin＝20。
步骤S3：对步骤2中采集的数据，建立数据驱动RUL预测模型，其具体步骤如图1所示：
步骤S3.1：模型定义与参数估计。
建立状态退化模型，状态退化模型为时间序列的数学模型描述，其中模型可选用自回归滑动平均模型(Autoregressive moving average model,ARMA)表述为：
yt＝α1yt-1+α2yt-2+…+αt-Pyt-P+ξ(t)
其中ξ(t)是噪声序列，α1,α2,αt-p为模型的参数，用极大似然估计的方法获得，通过构造极大似然函数L＝L(α)并求解
Figure BDA0002484209400000052
得到。
注意到，在该模型的输出中，yt为数据集中的一个数据向量，即
[rt Ut It Tt]T
噪声ξ(t)在本技术方案中并不假定为理想高斯白噪声，符合工程实际。
步骤S3.2：退役电池测试环节。
将退役电池投入到测试仪器中，测试电池的时间序列数据。该步骤又细分为如下两步：
步骤S3.2.1：数据滤波，对原始的量测数据，通过小波分析，提取出多尺度下和多分辨率下的时间序列数据，取滤除的低频数据部分，输入到步骤S3.1中通过极大似然法得到的ARMA模型中，用于构建噪声ξ(t)的数字特征；
步骤S3.2.2：将量测数据，包括[Ut It Tt]输入到ARMA模型中，由于在初始阶段，
Figure BDA0002484209400000063
不可精确得知，因此需要反复迭代修正
Figure BDA0002484209400000064
一直到时间序列的变化率与步骤S2中采集到的数据的平均变化率接近，得到估计的RUL，即
Figure BDA0002484209400000065
步骤S4：基于K均值算法，对退役电池进行分类。将r和电池的充放电额定电压U*作为分类依据。将电池分为K类，其中K为待投入使用的退役电池的电压等级数。通过K均值聚类算法，可得到K个中心点
μr(r＝1,2,…,K)
满足损失函数：
Figure BDA0002484209400000061
Figure BDA0002484209400000062
步骤S5：将步骤S4中分得同类的电池，通过串并联结合组装成新的电池组，投入到能源互联网中进行梯次利用。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (1)

1.一种数据驱动的梯次电池RUL预测与分类方法,其特征在于，具体包括如下步骤：
步骤S1：收集拟参与梯次利用电池的生产商数据及电池型号，对于每一种型号，取30个出厂的新电池，构成一组；
步骤S2：对于不同生产商的不同型号的电池，测试每一组电池的时序数据，建立电池RUL的衰减数据库；
将出厂的新电池进行反复充放电，直到电池的SOH下降到40％；在整个测试过程中，记录电池的累计使用时间；每个序列具有4个特征，序列长度各不相同；以同型号的一组电池为例，具体表示如下：
每一个电池的时间序列数据，定义为：
Figure FDA0003847579580000011
其中Ut、It、Tt分别表示电池在初始t时刻的电压、电流、温度，它们分别为3个特征数据，Ni为第i个时间序列数据的长度，rt表示电池的RUL；Ni≥Nmin＝20；
步骤S3：根据步骤S2中测试的的时序数据，建立数据驱动RUL预测模型，预测退役电池的RUL；
步骤S4：基于K均值算法，对退役电池进行分类；
步骤S5：将步骤S4中分得同类的电池，通过串并联结合组装成新的电池组，投入到能源互联网中进行梯次利用；
所述步骤S3具体包括：
步骤S31：模型定义与参数估计，利用步骤S2中时序数据，建立状态退化模型，基于极大似然估计方法得到估计参数；
步骤S32：测试退役电池的时序数据，对所述退役电池的时序数据进行预处理，输入到步骤S31得到的状态退化模型中，得到估计退役电池的RUL；
所述步骤S31中，状态退化模型为自回归滑动平均模型，模型中的噪声模型为有色噪声；
所述步骤S32中，对所述退役电池的时序数据进行预处理，具体包括：对所述退役电池的时序数据，通过小波分析进行多尺度和多分辨率分析，取低频数据部分，输入到步骤S31中的状态退化模型中，取高频数据部分用于构建模型中的噪声模型；
步骤S321：数据滤波，对原始的量测数据，通过小波分析，提取出多尺度下和多分辨率下的时间序列数据，取滤除低频的数据部分，输入到步骤S31中通过极大似然法得到的自回归滑动平均模型中，用于构建噪声ξ(t)的数字特征；
步骤S322：将量测数据，包括[Ut It Tt]输入到自回归滑动平均模型中，反复迭代修正估计的RUL，一直到时间序列的变化率与步骤S2中采集到的数据的平均变化率接近，得到估计的RUL，即
Figure FDA0003847579580000021
所述步骤S32中，输入到步骤S31得到的状态退化模型中，得到估计退役电池的RUL，具体包括：通过对比退役电池的时序数据的衰减率与S2步骤中的时序数据的数据衰减率，在误差阈值内得到退役电池的RUL估计值；
所述步骤S4中，基于K均值算法，对退役电池进行分类，具体包括：基于K均值算法，将电压等级相同的，且RUL相近的电池分到同一类；
在所述步骤S5中，对步骤S4中所分的同类电池，根据用户的用电设备电压等级的需要，进行串并联的组合封装。
CN202010387144.2A 2020-05-09 2020-05-09 一种数据驱动的梯次电池rul预测与分类方法 Active CN111537889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010387144.2A CN111537889B (zh) 2020-05-09 2020-05-09 一种数据驱动的梯次电池rul预测与分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010387144.2A CN111537889B (zh) 2020-05-09 2020-05-09 一种数据驱动的梯次电池rul预测与分类方法

Publications (2)

Publication Number Publication Date
CN111537889A CN111537889A (zh) 2020-08-14
CN111537889B true CN111537889B (zh) 2022-11-11

Family

ID=71975681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010387144.2A Active CN111537889B (zh) 2020-05-09 2020-05-09 一种数据驱动的梯次电池rul预测与分类方法

Country Status (1)

Country Link
CN (1) CN111537889B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113391229B (zh) * 2021-05-14 2022-04-08 国网河北省电力有限公司经济技术研究院 退役动力电池的性能评价方法、设备及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344923A (zh) * 2013-08-01 2013-10-09 哈尔滨工业大学 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法
CN106126947A (zh) * 2016-06-30 2016-11-16 四川普力科技有限公司 一种基于arima估算动力电池soh的方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018673B (zh) * 2012-11-19 2015-01-21 北京航空航天大学 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法
CN103399281B (zh) * 2013-08-01 2016-01-20 哈尔滨工业大学 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法
US10338153B2 (en) * 2015-03-03 2019-07-02 Samsung Electronics Co., Ltd. Method and apparatus for automatically estimating remaining useful life (RUL) of battery in real time
CN104680024A (zh) * 2015-03-11 2015-06-03 南京航空航天大学 基于ga和arma模型的锂离子电池剩余使用寿命预测方法
CN109934408A (zh) * 2019-03-18 2019-06-25 常伟 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法
CN110224192B (zh) * 2019-05-30 2021-02-12 安徽巡鹰新能源科技有限公司 一种梯次利用动力电池寿命预测方法
CN110187290B (zh) * 2019-06-27 2021-02-09 重庆大学 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN110221225B (zh) * 2019-07-08 2021-02-26 中国人民解放军国防科技大学 一种航天器锂离子电池循环寿命预测方法
CN110752410B (zh) * 2019-10-30 2023-05-12 上海理工大学 一种快速分选和重组退役锂电池的方法
CN110888077A (zh) * 2019-10-30 2020-03-17 无锡市产品质量监督检验院 一种基于arima时间序列的锂离子电池寿命加速评估方法
CN111007417A (zh) * 2019-12-06 2020-04-14 重庆大学 基于不一致性评估的电池组soh和rul预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344923A (zh) * 2013-08-01 2013-10-09 哈尔滨工业大学 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法
CN106126947A (zh) * 2016-06-30 2016-11-16 四川普力科技有限公司 一种基于arima估算动力电池soh的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
小波降噪算法及IP软核实现技术;胡先伟;《豆丁建筑》;20160524;第6-17页 *

Also Published As

Publication number Publication date
CN111537889A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
CN109752656B (zh) 一种在多时间尺度下用电动汽车电池soh评估方法
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN111965559B (zh) 一种锂离子电池soh在线估计方法
CN111323719A (zh) 一种电动汽车动力电池组健康状态在线确定方法和系统
CN113702843B (zh) 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN104569844B (zh) 阀控密封式铅酸蓄电池健康状态监测方法
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN112611976A (zh) 一种基于双差分曲线的动力电池健康状态估计方法
CN114397577A (zh) 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法
CN110850297A (zh) 一种通过大数据预测轨交锂电池soh的方法
CN111537888A (zh) 一种数据驱动的梯次电池soc预测方法
CN113484771A (zh) 一种锂离子电池宽温度全寿命soc及容量估计的方法
CN117805649A (zh) 基于soh量化电池容量衰减对异常电芯进行识别的方法
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置
CN115754724A (zh) 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法
CN111537889B (zh) 一种数据驱动的梯次电池rul预测与分类方法
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法
CN114355218A (zh) 一种基于多特征量筛选的锂离子电池荷电状态预测方法
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN117538783A (zh) 一种基于时域融合变换器的锂离子电池荷电状态估计方法
CN116908727A (zh) 一种基于多特征组合的储能电站锂电池容量估计方法
CN116466250A (zh) 基于动态工况模型误差特征的动力电池健康状态估计方法
CN115598546A (zh) 锂离子电池soh、soc和rul的联合估计方法
CN115856642A (zh) 一种锂电池的实时个性化健康评估方法和装置

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