CN111579993A - 一种基于卷积神经网络的锂电池容量在线估计方法 - Google Patents
一种基于卷积神经网络的锂电池容量在线估计方法 Download PDFInfo
- Publication number
- CN111579993A CN111579993A CN202010433218.1A CN202010433218A CN111579993A CN 111579993 A CN111579993 A CN 111579993A CN 202010433218 A CN202010433218 A CN 202010433218A CN 111579993 A CN111579993 A CN 111579993A
- Authority
- CN
- China
- Prior art keywords
- charging
- capacity
- neural network
- charging voltage
- 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
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Abstract
本发明公开了一种基于卷积神经网络的锂电池容量在线估计方法,首先利用参考电池的充放电循环实验数据,处理得到包含若干个样本及对应容量标签的源数据集,其中每个样本由一段充电电压、充电电压一阶微分、充电电流数据组成。进一步地,建立用于估计锂电池容量的卷积神经网络,并利用寻优算法优化神经网络的超参数。取被测电池最近一次充电过程中与源数据集样本具有相同充电容量区间长度的充电电压、充电电流数据,获得充电电压、充电电压一阶微分和充电电流数据输入至已完成优化训练的卷积神经网络,卷积神经网络输出值即为被测电池的容量估计值。本发明可适用于实际使用条件下的锂电池容量在线估计,满足区间长度要求的任意一段充电电压、电流数据均可作为输入数据,对数据要求低,计算资源消耗少,估计精度高,具有很高的实际应用价值。
Description
所属技术领域
本发明提出一种基于卷积神经网络的锂电池容量在线估计方法,属于故障预测与健康管理(PHM)技术领域。
背景技术
锂电池由于其优异特性(如高能量密度、长寿命等)已经被越来越广泛地应用到电动汽车、手机等多个领域。在锂电池的使用过程中,对其容量的估计是至关重要的。而事实上,在实际使用过程中,锂电池并不会按照标准放电电流从100%荷电状态放电到0%,且其容量无法直接测量,因此需要通过其他方法对电池的容量进行估计。
常用的电池容量估计方法主要包括基于模型和数据驱动两大类。具体地,基于模型的电池容量估计方法又包括基于电化学模型、基于经验模型等方法。基于电化学模型的估计方法由于状态方程复杂且繁多,计算量大,需要明确的参数多,不适用于在线估计;而基于经验模型的方法的估计准确率又受限于模型的选择和对模型参数的估计能力,实际应用中误报率较高。数据驱动的估计方法则将电池视作黑箱,直接分析在电池充放电过程中检测到的电流、电压等外部数据来对其容量进行估计。当前,数据驱动类的锂电池状态估计方法主要包括增量容量分析法、差分电压分析法等。然而,此类方法多要求电池在充电或放电过程中的荷电状态(SOC)变化范围足够大以经过某些特定的荷电状态点,这在实际使用中是很难实现的。事实上,电池在实际使用过程中,其充电或放电过程的起始荷电状态和最终荷电状态都具有不确定性,甚至在放电过程中,放电电流的大小以及所处环境的温度等等都是不确定和动态变化的,因此,以上提到的模型在锂电池实际工作状态下的状态监测与故障诊断应用中均具有一定的局限性。
发明内容
为解决现有锂电池容量在线估计技术存在的不足,本发明提供一种基于卷积神经网络的锂电池容量在线估计方法,适用于在实际充放电条件下对锂电池容量的在线估计。该方法仅依赖电池充电过程中采集得到的电压、电流数据片段,对数据要求低,计算资源消耗少,估计精度高,具有很大的实际应用价值。
一种基于卷积神经网络的锂电池容量在线估计方法,具体包括以下步骤:
第一步:对同系列参考电池进行充放电循环实验,采集记录实验过程中的电池容量、充电电压、充电电流随时间变化数据;
其中,为充电容量qi对应的充电电压。从经插值计算得到的充电电压、充电电压一阶微分、充电电流随充电容量变化数据中选取对应充电容量区间长度为ql的数据段组成训练样本,其中样本Xk由一段充电电压、充电电压一阶微分、充电电流数据Vk,dVk,Ik组成:
最终获得包含若干个样本及对应容量标签的参考电池实验数据集,
第三步:构建具有多层结构的卷积神经网络,层类型包括卷积层、池化层和全连接层,采用反向传导算法沿着误差减小的方向从输出层逐层调整网络的连接权值;以参考电池实验数据集为源数据集,首先利用寻优算法,基于源数据集对神经网络超参数进行寻优,优化确定神经网络超参数后再基于源数据集对神经网络进行训练,确定神经网络参数。
第四步:对于待测电池,取其最近一次充电过程中的与第二步相同区间长度的任意一段充电电压、充电电流数据,按第二步中的方法对充电电压、充电电流进行插值并计算充电电压一阶微分数据,将得到的充电电压、充电电压一阶微分和充电电流数据作为第三步最终训练好的卷积神经网络的输入,得到的卷积神经网络输出即为电池的容量估计值。
附图说明
图1为本发明实施例的基于卷积神经网络的锂电池容量在线估计方法的步骤流程图。
图2为本发明实施例的参考电池和待测电池的实际容量退化曲线。
图3为本发明实施例的神经网络超参数寻优过程中适应度函数的收敛过程。
图4为本发明实施例的超参数优化后的卷积神经网络结构图。
图5为本发明实施例的待测电池容量估计结果。
具体实施方式
下面结合附图说明及具体实施案例对本发明提出的锂电池容量在线估计方法进行进一步说明。
如图1所示,一种基于卷积神经网络的锂电池容量在线估计方法,包括以下步骤:
S1.本实施例中,以马里兰大学先进寿命循环工程中心(CALCE)提供的编号分别为CS2-35、CS2-36、CS2-37、CS2-38的四个锂电池充放电实验数据为数据来源,其中CS2-36、CS2-37、CS2-38电池作为参考电池,CS2-35作为待测电池。在该实验中,四个设计容量为1.1Ah的电池均在室温下经历相同的标准充电过程,充电过程中恒定电流速率为0.5C,直到电压达到4.2V,然后充电电压维持4.2V,直到充电电流降至0.05A以下。同时,四个电池的放电截止电压为2.7V,放电电流速率均为1C。实验获得四个电池的实际容量退化曲线如图2所示。
S2.对参考电池每个充电循环的充电电压、充电电流数据按10mAh的固定充电容量间距进行线性插值,并按式(1)计算得到充电电压一阶微分数据,从经插值计算得到的充电电压、充电电压一阶微分、充电电流随充电容量变化数据中选取对应充电容量区间长度为380mAh的数据段组成如式(2)所示的训练样本,每个样本大小为38×3,最终得到包含28866个样本及对应容量标签的参考电池实验数据集。
S3.构建结果为一维卷积层+一维卷积层+一维卷积层+全局池化层+全连接层的卷积神经网络,以由S2步骤得到的参考电池实验数据集为源数据,并按6: 2:2的比例划分为训练集、验证集和测试集,选择寻优算法中的粒子群算法对神经网络三个卷积层的卷积核数量、卷积窗口长度进行寻优,其中卷积层的卷积步长、全连接层的输出空间维度均设为1,粒子群算法中粒子种群数量为20,粒子速度和位置更新公式为:
其中为第i次迭代后粒子j的速度,为第i次迭代后粒子j的最优位置,gbesti为第i次迭代后的全局最优位置,C1=2,C2=2,rand()为介于(0,1)之间的随机数,wk=0.9,wend=0.4,K为最大迭代次数,K在本实施例中取值为 50,优化目标即适应度函数fitness计算公式为:
其中capi为测试集样本i对应的容量标签,pi为以测试集样本i为神经网络输入得到的容量估计值。神经网络超参数优化过程中,适应度的收敛曲线如图3所示。最终得到优化后的神经网络结构如图4所示。
S4.从待测电池每次充电循环中随机选取一段对应容量区间长度为380mAh 的充电电压、电流数据,按S2步骤所述方法进行插值并计算电压一阶微分得到包含849个样本及其对应的容量标签,每个样本大小为38×3的待估计电池数据集。将这些样本作为S3中训练后的神经网络的输入,最终得到对CS2-35电池容量的估计值和实际测量值如图5所示。CS2-35电池的容量估计值与实际测量值的均方根误差为5.05%,这表明了估计结果的准确程度,证明了本方法在电池容量估计上的可行性和有效性。
Claims (4)
1.一种基于卷积神经网络的锂电池容量在线估计方法,其特征在于,包括以下步骤:
步骤1:对同系列参考电池进行充放电循环实验,采集并记录实验过程中的电池容量、充电电压、充电电流随时间变化的数据;
步骤2:对参考电池每个充电循环的充电电压、充电电流数据按固定充电容量间距dq进行插值,并计算充电电压对充电容量的一阶微分;
步骤3:从经插值计算得到的充电电压、充电电压一阶微分、充电电流随充电容量变化数据中选取对应充电容量区间长度为ql的数据段组成训练样本,最终获得包含若干个样本及对应容量标签的参考电池实验数据集;
步骤4:构建卷积神经网络,以参考电池实验数据集为源数据集,首先利用寻优算法,基于源数据集对神经网络超参数进行寻优,优化确定神经网络超参数后再基于源数据集对神经网络进行训练,确定神经网络参数;
步骤5:对于待测电池,取其最近一次充电过程中任意一段对应充电容量区间长度为ql的充电电压、充电电流数据,按步骤2中的方法计算得到充电电压、充电电压一阶微分和充电电流数据并作为步骤4中最终训练好的卷积神经网络的输入,得到的卷积神经网络输出即为电池的容量估计值。
4.如权利要求1所述的锂电池容量在线估计方法,其特征在于,步骤4中的卷积神经网络采用多层的网络设计,层类型包括卷积层、池化层和全连接层,采用反向传导算法沿着误差减小的方向从输出层逐层调整网络的连接权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433218.1A CN111579993B (zh) | 2020-05-21 | 2020-05-21 | 一种基于卷积神经网络的锂电池容量在线估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433218.1A CN111579993B (zh) | 2020-05-21 | 2020-05-21 | 一种基于卷积神经网络的锂电池容量在线估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111579993A true CN111579993A (zh) | 2020-08-25 |
CN111579993B CN111579993B (zh) | 2021-05-28 |
Family
ID=72115950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010433218.1A Active CN111579993B (zh) | 2020-05-21 | 2020-05-21 | 一种基于卷积神经网络的锂电池容量在线估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111579993B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240194A (zh) * | 2021-06-04 | 2021-08-10 | 河北工业大学 | 储能电池容量预测方法、服务端及计算机可读存储介质 |
CN113777499A (zh) * | 2021-09-24 | 2021-12-10 | 山东浪潮科学研究院有限公司 | 一种基于卷积神经网络的锂电池容量估计方法 |
CN114062948A (zh) * | 2022-01-11 | 2022-02-18 | 南通大学 | 一种基于3dcnn的锂离子电池soc估计方法 |
WO2022110045A1 (zh) * | 2020-11-27 | 2022-06-02 | 东莞新能德科技有限公司 | 电池容量预估方法、电子装置和存储介质 |
CN114636933A (zh) * | 2022-05-23 | 2022-06-17 | 长沙矿冶研究院有限责任公司 | 基于复合神经网络的退役动力电池容量的检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107037373A (zh) * | 2017-05-03 | 2017-08-11 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
US20180095140A1 (en) * | 2016-10-05 | 2018-04-05 | Samsung Electronics Co., Ltd. | Battery state estimation apparatus and method |
CN109782176A (zh) * | 2018-12-20 | 2019-05-21 | 上海交通大学 | 基于narx模型的电池剩余容量在线估计方法 |
US20200033414A1 (en) * | 2018-07-30 | 2020-01-30 | Toyota Jidosha Kabushiki Kaisha | Battery information processing system, method of estimating capacity of secondary battery, and battery assembly and method of manufacturing battery assembly |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
-
2020
- 2020-05-21 CN CN202010433218.1A patent/CN111579993B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180095140A1 (en) * | 2016-10-05 | 2018-04-05 | Samsung Electronics Co., Ltd. | Battery state estimation apparatus and method |
CN107037373A (zh) * | 2017-05-03 | 2017-08-11 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
US20200033414A1 (en) * | 2018-07-30 | 2020-01-30 | Toyota Jidosha Kabushiki Kaisha | Battery information processing system, method of estimating capacity of secondary battery, and battery assembly and method of manufacturing battery assembly |
CN109782176A (zh) * | 2018-12-20 | 2019-05-21 | 上海交通大学 | 基于narx模型的电池剩余容量在线估计方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
Non-Patent Citations (4)
Title |
---|
JING WAN 等: "Prediction of discharge capacity of lithium battery", 《2013 FIFTH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS》 * |
李向南: "基于神经网络模型的锂离子电池寿命预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
武鹏: "动力电池数字终端管理系统的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄彬 等: "基于神经网络的蓄电池容量预测研究", 《自动化与仪器仪表》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022110045A1 (zh) * | 2020-11-27 | 2022-06-02 | 东莞新能德科技有限公司 | 电池容量预估方法、电子装置和存储介质 |
EP4253974A4 (en) * | 2020-11-27 | 2024-02-21 | Dongguan Nvt Tech Limited | BATTERY CAPACITY ESTIMATION METHOD, ELECTRONIC APPARATUS AND STORAGE MEDIUM |
CN113240194A (zh) * | 2021-06-04 | 2021-08-10 | 河北工业大学 | 储能电池容量预测方法、服务端及计算机可读存储介质 |
CN113240194B (zh) * | 2021-06-04 | 2022-08-23 | 河北工业大学 | 储能电池容量预测方法、服务端及计算机可读存储介质 |
CN113777499A (zh) * | 2021-09-24 | 2021-12-10 | 山东浪潮科学研究院有限公司 | 一种基于卷积神经网络的锂电池容量估计方法 |
CN114062948A (zh) * | 2022-01-11 | 2022-02-18 | 南通大学 | 一种基于3dcnn的锂离子电池soc估计方法 |
CN114062948B (zh) * | 2022-01-11 | 2022-05-20 | 南通大学 | 一种基于3dcnn的锂离子电池soc估计方法 |
CN114636933A (zh) * | 2022-05-23 | 2022-06-17 | 长沙矿冶研究院有限责任公司 | 基于复合神经网络的退役动力电池容量的检测方法及系统 |
CN114636933B (zh) * | 2022-05-23 | 2022-09-13 | 长沙矿冶研究院有限责任公司 | 基于复合神经网络的退役动力电池容量的检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111579993B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
Lipu et al. | Deep learning enabled state of charge, state of health and remaining useful life estimation for smart battery management system: Methods, implementations, issues and prospects | |
CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
Sun et al. | A sequential capacity estimation for the lithium-ion batteries combining incremental capacity curve and discrete Arrhenius fading model | |
CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
CN111142027A (zh) | 一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法 | |
Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN113504482A (zh) | 考虑机械应变的锂离子电池健康状态估计与寿命预测方法 | |
Xiong et al. | A novel nonlinear decreasing step-bacterial foraging optimization algorithm and simulated annealing-back propagation model for long-term battery state of health estimation | |
Jeng et al. | Evaluation of cell inconsistency in lithium-ion battery pack using the autoencoder network model | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
Zhu et al. | State of health prediction for li-ion batteries with end-to-end deep learning | |
Chen et al. | Joint estimation of state of charge and state of energy of lithium-ion batteries based on optimized bidirectional gated recurrent neural network | |
CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
CN113376541A (zh) | 一种基于crj网络的锂离子电池健康状态预测方法 | |
Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
CN115792631A (zh) | 一种结合小波变换和卷积神经网络的锂电池soh预测方法 | |
CN115993537A (zh) | 基于相关性分析和woa-lstm的锂电池容量预测方法 | |
Udeogu et al. | Remaining useful life prediction for supercapacitors using an optimized end-to-end deep learning approach | |
CN115219907A (zh) | 一种锂电池soc估计方法、系统、介质、设备及终端 | |
Zhao et al. | Lithium-ion battery state-of-health estimation method using isobaric energy analysis and pso-lstm | |
CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
Yan et al. | SOC prediction method of wireless sensor nodes batteries based on Attention-LSTM |
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 |