CN112098873B - 基于充电电压曲线几何特征的锂电池健康状态估计方法 - Google Patents

Abstract

本发明公开了一种基于充电电压曲线几何特征的锂电池健康状态估计方法，利用锂电池充电过程的电压时间序列曲线，从中提取包含几何特征的关键点，并对所提取关键点之间的梯度、采样熵进行计算，获得老化特征；将该老化特征作为输入，运用长短记忆神经网络建立锂电池SOH估计模型，从而建立了基于大数据的锂电池SOH估计模型，实现了对锂电池SOH的准确估计。本发明无需锂电池的先验知识，能够自动地从锂电池日常工况中获取有效信息，实现锂电池的SOH估计，对于锂电池实际应用中SOH的准确获取具有重要意义。

Description

基于充电电压曲线几何特征的锂电池健康状态估计方法

技术领域

本发明属于动力锂电池应用技术领域，具体涉及一种基于充电电压曲线几何特征的锂电池健康状态估计方法的设计。

背景技术

现今锂电池已经大量应用于新能源汽车、电力储能等领域，在实际系统应用中，锂电池会随着日常充放电循环不断老化。要实现锂电池组有效的能量管理，必须了解锂电池当前的健康状态(State of Health，SOH)，过度使用锂电池也容易引发严重的安全事故。为此，精确的估计锂电池SOH是实际应用需要的关键技术。

当前估计锂电池的SOH的方法主要分为三类：基于经验模型的方法、基于参数在线辨识的方法以及基于数据驱动的方法。经验模型的建立一般是基于在不同测试应力下对锂电池的加速老化测试，即可通过分析收集的电池老化数据，使用曲线拟合的方式，获得同类型其他锂电池的经验模型。经验模型对于特定类型电池具有较好的估计精度，但其对于全新电池的适用性，仍有待于进一步提高。参数在线辨识的方法则通过预先建立的模型，以当前电流电压的测量值以及SOC(State of charge，充电状态)的估计值作为输入，在线辨识锂电池的容量或者内阻。电池内阻的值较小容易受到测量噪声的干扰，而辨识电池容量需要将SOC的估计值作为输入，会不可避免地引入新的估计误差。基于数据驱动的方法被认为在SOH估计方面具有较大的潜力，通过利用大数据或者人工智能的方法，能够挖掘BMS(Battery management system，电池管理系统)日常记录历史数据中的隐含信息，实现对锂电池SOH的准确估计。

发明内容

本发明的目的是解决锂电池的SOH受诸多外部因素影响，难以建立清晰有效的SOH预测模型的问题，提出了一种基于充电电压曲线几何特征的锂电池健康状态估计方法，从锂电池相对固定的充电过程中提取几何关键点及建立老化特征的方法，同时运用长短记忆神经网络，建立了一种基于深度学习的锂电池SOH估计模型。

本发明的技术方案为：基于充电电压曲线几何特征的锂电池健康状态估计方法，包括以下步骤：

S1、提取锂电池充电电压曲线的几何特征关键点向量P_F。

S2、计算几何特征关键点的梯度值向量G_F与采样熵SE。

S3、将几何特征关键点向量P_F、梯度值向量G_F和采样熵SE进行合并，得到锂电池的老化特征F_Bat。

S4、收集训练样本对长短记忆神经网络进行训练，得到锂电池SOH估计模型。

S5、将锂电池的老化特征F_Bat输入至锂电池SOH估计模型中，输出得到锂电池健康状态估计结果。

进一步地，步骤S1包括以下分步骤：

S11、定义特征窗口的宽度为L_F，需要选取的关键点个数为N_F，并将锂电池充电电压曲线中的电压值归一化到0～1之间，具体公式为：

其中U为电池端电压，U_max和U_min分别为锂电池充电电压曲线的最大值与最小值，U_norm为归一化后的电压值。

S12、根据归一化后的电压值，在所定义宽度为L_F的特征窗口内，选取锂电池充电电压曲线首尾两个点为前两个关键点k₁和k₂。

S13、根据下式获取新的关键点，直到关键点的数目达到N_F：

其中D(k_i)表示关键点k_i的度量距离，i＝3,4,...,N_F，(x_i,y_i)为关键点k_i的坐标。

S14、按照充电电压序列的时间顺序重新排列各关键点，得到锂电池充电电压曲线的几何特征关键点向量

进一步地，步骤S2中计算几何特征关键点的梯度值向量G_F的具体方法为：

A1、计算几何特征关键点向量P_F中每个关键点与其后一个相邻关键点之间的梯度值：

其中G(p_j)表示第j个关键点p_j与其后一个相邻关键点p_j+1之间的梯度值，

和

分别为关键点p_j和关键点p_j+1的坐标，j＝1,2,...,N_F-1，N_F为关键点个数。

A2、根据计算得到的N_F-1个梯度值得到几何特征关键点的梯度值向量

进一步地，步骤S2中计算几何特征关键点的采样熵SE的具体方法为：

B1、定义采样熵计算参数m和r，从几何特征关键点向量P_F中提取N_F-m+1个包含关键点的向量U_m(i_s)＝{p(i_s+l_s),0≤l_s≤m-1}，其中p(i_s+l_s)表示第i_s个几何特征关键点，i_s＝1,2,...,N_F-m+1，l_s表示关键点p(i_s+l_s)的长度。

B2、定义不同向量之间距离为由两个向量做差形成的新向量元素的最大绝对值：

d[U_m(a),U_m(b)]＝max{|p(a+l_s)-p(b+l_s)|,0≤l_s≤m-1}

其中d[U_m(a),U_m(b)]表示向量U_m(a)与向量U_m(b)之间的距离。

B3、定义中间变量

其中j_s＝1,2,...,N_F-m，W^m(j_s)表示满足条件d[U_m(j_s),U_m(n)]≤r的向量U_m(n)的数目，其计算方法为：定义W^m(j_s)的初始值为0，当n＝1,2,...,N_F-m且n≠j_s时，对于向量U_m(n)，若d[U_m(j_s),U_m(n)]≤r，则W^m(j_s)的值加1，否则W^m(j_s)的值保持不变；W^m+1(j_s)表示满足条件d[U_m+1(j_s),U_m+1(n)]≤r的向量U_m+1(n)的数目。

B4、根据中间变量

和

计算中间统计量B^m(r)和A^m(r)：

B5、根据中间统计量B^m(r)和A^m(r)计算采样熵SE：

其中SE(m,r,N_F)表示与参数m、r以及N_F相关的采样熵SE。

进一步地，步骤S3中锂电池的老化特征F_Bat表示为F_Bat＝[P_F,G_F,SE]。

进一步地，步骤S4包括以下分步骤：

S41、通过对锂电池进行加速老化测试，收集锂电池的老化特征F_Bat以及SOH作为训练样本。

S42、初始化长短记忆神经网络的训练参数，将训练样本中的老化特征F_Bat作为长短记忆神经网络的输入X_t，将训练样本中的SOH作为长短记忆神经网络的输出Y_t，进行前向传播计算。

S43、计算损失函数

其中SOH_t表示参考健康状态。

S44、根据损失函数，利用动量梯度算法寻优，实现长短记忆神经网络中隐含层和输出层权重的更新，完成对长短记忆神经网络的训练，得到锂电池SOH估计模型。

进一步地，长短记忆神经网络包括依次连接的输入层、隐含层和输出层，隐含层包括多个长短记忆单元。

进一步地，长短记忆单元包括遗忘门、输入门、输出门、隐藏状态、记忆细胞和候选记忆细胞。

输入门I_t表示为I_t＝σ(x_tW_xi+h_t-1W_hi+b_i)，其中σ(·)为激活函数且

x_t表示长短记忆单元的输入，W_xi和W_hi均表示输入门的权重参数，b_i表示输入门的偏差，h_t-1表示上一时刻的隐藏状态。

遗忘门F_t表示为F_t＝σ(x_tW_xf+h_t-1W_hf+b_f)，其中W_xf和W_hf均表示遗忘门的权重参数，b_f表示遗忘门的偏差。

输出门y_t表示为y_t＝σ(x_tW_xo+h_t-1W_ho+b_o)，其中W_xo和W_ho均表示输出门的权重参数，b_o表示遗忘门的偏差。

候选记忆细胞

表示为

其中W_xc和W_hc均表示候选记忆细胞的权重参数，b_c表示候选记忆细胞的偏差，tanh(·)为激活函数且

记忆细胞C_t表示为

其中C_t-1表示上一时刻的记忆细胞，⊙表示矩阵元素相乘。

隐藏状态h_t表示为h_t＝F_t⊙tanh(C_t)。

本发明的有益效果是：本发明能够从锂电池相对固定的充电过程的电压曲线形状中提取关键点，同时计算梯度值及采样熵，作为神经网络的输入量，利用长短记忆神经网络，建立锂电池SOH估计模型。本发明无需锂电池的先验知识，能够自动地从锂电池日常工况中获取有效信息，实现锂电池的SOH估计，对于锂电池实际应用中SOH的准确获取具有重要意义。

附图说明

图1所示为本发明实施例提供的基于充电电压曲线几何特征的锂电池健康状态估计方法流程图。

图2所示为本发明实施例提供的锂电池充电电压曲线几何特征关键点提取示意图。

图3所示为本发明实施例提供的锂电池SOH估计模型示意图。

图4所示为本发明实施例提供的长短记忆单元结构示意图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种基于充电电压曲线几何特征的锂电池健康状态估计方法，如图1所示，包括以下步骤S1～S5：

S1、提取锂电池充电电压曲线的几何特征关键点向量P_F。

步骤S1包括以下分步骤S11～S14：

S11、定义特征窗口的宽度为L_F，需要选取的关键点个数为N_F，并将锂电池充电电压曲线中的电压值归一化到0～1之间，具体公式为：

其中U为电池端电压，U_max和U_min分别为锂电池充电电压曲线的最大值与最小值，U_norm为归一化后的电压值。

S12、根据归一化后的电压值，在所定义宽度为L_F的特征窗口内，选取锂电池充电电压曲线首尾两个点为前两个关键点k₁和k₂。

S13、根据下式获取新的关键点，直到关键点的数目达到N_F：

其中D(k_i)表示关键点k_i的度量距离，i＝3,4,...,N_F，(x_i,y_i)为关键点k_i的坐标。

本发明实施例中，以关键点k₃为例，则其获取公式为：

关键点k₃的提取示意图如图2所示。

S14、按照充电电压序列的时间顺序重新排列各关键点，得到锂电池充电电压曲线的几何特征关键点向量

S2、计算几何特征关键点的梯度值向量G_F与采样熵SE。

其中，计算几何特征关键点的梯度值向量G_F的具体方法为：

A1、计算几何特征关键点向量P_F中每个关键点与其后一个相邻关键点之间的梯度值：

其中G(p_j)表示第j个关键点p_j与其后一个相邻关键点p_j+1之间的梯度值，

和

分别为关键点p_j和关键点p_j+1的坐标，j＝1,2,...,N_F-1，N_F为关键点个数。

A2、根据计算得到的N_F-1个梯度值得到几何特征关键点的梯度值向量

计算几何特征关键点的采样熵SE的具体方法为：

B1、定义采样熵计算参数m和r，从几何特征关键点向量P_F中提取N_F-m+1个包含关键点的向量U_m(i_s)＝{p(i_s+l_s),0≤l_s≤m-1}，其中p(i_s+l_s)表示第i_s个几何特征关键点，i_s＝1,2,...,N_F-m+1，l_s表示关键点p(i_s+l_s)的长度。

B2、定义不同向量之间距离为由两个向量做差形成的新向量元素的最大绝对值：

d[U_m(a),U_m(b)]＝max{|p(a+l_s)-p(b+l_s)|,0≤l_s≤m-1}

其中d[U_m(a),U_m(b)]表示向量U_m(a)与向量U_m(b)之间的距离。本发明实施例中，向量U_m(a)与向量U_m(b)的长度均为N_F-m。

B3、定义中间变量

其中j_s＝1,2,...,N_F-m，W^m(j_s)表示满足条件d[U_m(j_s),U_m(n)]≤r的向量U_m(n)的数目，其计算方法为：定义W^m(j_s)的初始值为0，当n＝1,2,...,N_F-m且n≠j_s时，对于向量U_m(n)，若d[U_m(j_s),U_m(n)]≤r，则W^m(j_s)的值加1，否则W^m(j_s)的值保持不变；W^m+1(j_s)表示满足条件d[U_m+1(j_s),U_m+1(n)]≤r的向量U_m+1(n)的数目。

B4、根据中间变量

和

计算中间统计量B^m(r)和A^m(r)：

B5、根据中间统计量B^m(r)和A^m(r)计算采样熵SE：

其中SE(m,r,N_F)表示与参数m、r以及N_F相关的采样熵SE。

S3、将几何特征关键点向量P_F、梯度值向量G_F和采样熵SE进行合并，得到锂电池的老化特征F_Bat，表示为F_Bat＝[P_F,G_F,SE]。

S4、收集训练样本对长短记忆神经网络进行训练，得到锂电池SOH估计模型。

步骤S4包括以下分步骤：

S41、通过对锂电池进行加速老化测试，收集锂电池的老化特征F_Bat以及SOH作为训练样本。

S42、初始化长短记忆神经网络的训练参数，将训练样本中的老化特征F_Bat作为长短记忆神经网络的输入X_t，将训练样本中的SOH作为长短记忆神经网络的输出Y_t，进行前向传播计算。

S43、计算损失函数

其中SOH_t表示参考健康状态。

S44、根据损失函数，利用动量梯度算法寻优，实现长短记忆神经网络中隐含层和输出层权重的更新，完成对长短记忆神经网络的训练，得到锂电池SOH估计模型，如图3所示。

本发明实施例中，长短记忆神经网络包括依次连接的输入层、隐含层和输出层，隐含层包括多个长短记忆单元(Long short-term memory，LSTM)。

如图4所示，长短记忆单元包括遗忘门、输入门、输出门、隐藏状态、记忆细胞和候选记忆细胞。

输入门I_t表示为I_t＝σ(x_tW_xi+h_t-1W_hi+b_i)，其中σ(·)为激活函数且

x_t表示长短记忆单元的输入，W_xi和W_hi均表示输入门的权重参数，b_i表示输入门的偏差，h_t-1表示上一时刻的隐藏状态。

遗忘门F_t表示为F_t＝σ(x_tW_xf+h_t-1W_hf+b_f)，其中W_xf和W_hf均表示遗忘门的权重参数，b_f表示遗忘门的偏差。

输出门y_t表示为y_t＝σ(x_tW_xo+h_t-1W_ho+b_o)，其中W_xo和W_ho均表示输出门的权重参数，b_o表示遗忘门的偏差。

候选记忆细胞

表示为

其中W_xc和W_hc均表示候选记忆细胞的权重参数，b_c表示候选记忆细胞的偏差，tanh(·)为激活函数且

记忆细胞C_t表示为

其中C_t-1表示上一时刻的记忆细胞，⊙表示矩阵元素相乘。

隐藏状态h_t表示为h_t＝F_t⊙tanh(C_t)。

S5、将锂电池的老化特征F_Bat输入至锂电池SOH估计模型中，输出得到锂电池健康状态估计结果。

训练得到锂电池SOH估计模型之后，将当前需要估计健康状态的锂电池的老化特征F_Bat输入至锂电池SOH估计模型中，即可输出得到锂电池健康状态估计结果。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.基于充电电压曲线几何特征的锂电池健康状态估计方法，其特征在于，包括以下步骤：

S1、提取锂电池充电电压曲线的几何特征关键点向量P_F；

S2、计算几何特征关键点的梯度值向量G_F与采样熵SE；

S3、将几何特征关键点向量P_F、梯度值向量G_F和采样熵SE进行合并，得到锂电池的老化特征F_Bat；

S4、收集训练样本对长短记忆神经网络进行训练，得到锂电池SOH估计模型；

S5、将锂电池的老化特征F_Bat输入至锂电池SOH估计模型中，输出得到锂电池健康状态估计结果；

所述步骤S1包括以下分步骤：

S11、定义特征窗口的宽度为L_F，需要选取的关键点个数为N_F，并将锂电池充电电压曲线中的电压值归一化到0～1之间，具体公式为：

其中U为电池端电压，U_max和U_min分别为锂电池充电电压曲线的最大值与最小值，U_norm为归一化后的电压值；

S12、根据归一化后的电压值，在所定义宽度为L_F的特征窗口内，选取锂电池充电电压曲线首尾两个点为前两个关键点k₁和k₂；

S13、根据下式获取新的关键点，直到关键点的数目达到N_F：

其中D(k_i)表示关键点k_i的度量距离，i＝3,4,...,N_F，(x_i,y_i)为关键点k_i的坐标；

S14、按照充电电压序列的时间顺序重新排列各关键点，得到锂电池充电电压曲线的几何特征关键点向量

2.根据权利要求1所述的锂电池健康状态估计方法，其特征在于，所述步骤S2中计算几何特征关键点的梯度值向量G_F的具体方法为：

A1、计算几何特征关键点向量P_F中每个关键点与其后一个相邻关键点之间的梯度值：

其中G(p_j)表示第j个关键点p_j与其后一个相邻关键点p_j+1之间的梯度值，

和

分别为关键点p_j和关键点p_j+1的坐标，j＝1,2,...,N_F-1，N_F为关键点个数；

A2、根据计算得到的N_F-1个梯度值得到几何特征关键点的梯度值向量

3.根据权利要求1所述的锂电池健康状态估计方法，其特征在于，所述步骤S2中计算几何特征关键点的采样熵SE的具体方法为：

B1、定义采样熵计算参数m和r，从几何特征关键点向量P_F中提取N_F-m+1个包含关键点的向量U_m(i_s)＝{p(i_s+l_s),0≤l_s≤m-1}，其中p(i_s+l_s)表示第i_s个几何特征关键点，i_s＝1,2,...,N_F-m+1，l_s表示关键点p(i_s+l_s)的长度；

B2、定义不同向量之间距离为由两个向量做差形成的新向量元素的最大绝对值：

d[U_m(a),U_m(b)]＝max{|p(a+l_s)-p(b+l_s)|,0≤l_s≤m-1}

其中d[U_m(a),U_m(b)]表示向量U_m(a)与向量U_m(b)之间的距离；

B3、定义中间变量

其中j_s＝1,2,...,N_F-m，W^m(j_s)表示满足条件d[U_m(j_s),U_m(n)]≤r的向量U_m(n)的数目，其计算方法为：定义W^m(j_s)的初始值为0，当n＝1,2,...,N_F-m且n≠j_s时，对于向量U_m(n)，若d[U_m(j_s),U_m(n)]≤r，则W^m(j_s)的值加1，否则W^m(j_s)的值保持不变；W^m+1(j_s)表示满足条件d[U_m+1(j_s),U_m+1(n)]≤r的向量U_m+1(n)的数目；

B4、根据中间变量

和

计算中间统计量B^m(r)和A^m(r)：

B5、根据中间统计量B^m(r)和A^m(r)计算采样熵SE：

其中SE(m,r,N_F)表示与参数m、r以及N_F相关的采样熵SE。

4.根据权利要求1所述的锂电池健康状态估计方法，其特征在于，所述步骤S3中锂电池的老化特征F_Bat表示为F_Bat＝[P_F,G_F,SE]。

5.根据权利要求1所述的锂电池健康状态估计方法，其特征在于，所述步骤S4包括以下分步骤：

S41、通过对锂电池进行加速老化测试，收集锂电池的老化特征F_Bat以及SOH作为训练样本；

S42、初始化长短记忆神经网络的训练参数，将训练样本中的老化特征F_Bat作为长短记忆神经网络的输入X_t，将训练样本中的SOH作为长短记忆神经网络的输出Y_t，进行前向传播计算；

S43、计算损失函数

其中SOH_t表示参考健康状态；

S44、根据损失函数，利用动量梯度算法寻优，实现长短记忆神经网络中隐含层和输出层权重的更新，完成对长短记忆神经网络的训练，得到锂电池SOH估计模型。

6.根据权利要求1所述的锂电池健康状态估计方法，其特征在于，所述长短记忆神经网络包括依次连接的输入层、隐含层和输出层，所述隐含层包括多个长短记忆单元。

7.根据权利要求6所述的锂电池健康状态估计方法，其特征在于，所述长短记忆单元包括遗忘门、输入门、输出门、隐藏状态、记忆细胞和候选记忆细胞；

所述输入门I_t表示为I_t＝σ(x_tW_xi+h_t-1W_hi+b_i)，其中σ(·)为激活函数且

x_t表示长短记忆单元的输入，W_xi和W_hi均表示输入门的权重参数，b_i表示输入门的偏差，h_t-1表示上一时刻的隐藏状态；

所述遗忘门F_t表示为F_t＝σ(x_tW_xf+h_t-1W_hf+b_f)，其中W_xf和W_hf均表示遗忘门的权重参数，b_f表示遗忘门的偏差；

所述输出门y_t表示为y_t＝σ(x_tW_xo+h_t-1W_ho+b_o)，其中W_xo和W_ho均表示输出门的权重参数，b_o表示遗忘门的偏差；

所述候选记忆细胞

表示为

其中W_xc和W_hc均表示候选记忆细胞的权重参数，b_c表示候选记忆细胞的偏差，tanh(·)为激活函数且

所述记忆细胞C_t表示为

其中C_t-1表示上一时刻的记忆细胞，⊙表示矩阵元素相乘；

所述隐藏状态h_t表示为h_t＝F_t⊙tanh(C_t)。

Images