CN112098874B - 一种考虑老化情况下的锂离子电池电量预测方法 - Google Patents
一种考虑老化情况下的锂离子电池电量预测方法 Download PDFInfo
- Publication number
- CN112098874B CN112098874B CN202010848730.2A CN202010848730A CN112098874B CN 112098874 B CN112098874 B CN 112098874B CN 202010848730 A CN202010848730 A CN 202010848730A CN 112098874 B CN112098874 B CN 112098874B
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- cnn
- electric quantity
- layer
- 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
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种考虑老化情况的锂离子电池电量预测方法;本发明的输入数据包括充放电循环次数和内阻是电池的老化指标,建立五维度数据集,并经验小波分解对电池数据进行预处理,经验小波分解用于分离电池容量的整体退化和局部再生;然后设计并训练各分解分量的CNN‑GRU网络,CNN提取五维度数据之间的关系,GRU提取数据前后的历史关系,完成数据的特征捕捉;并使用注意力机制完成权重分配,将更多权重分配给关键特征并减少干扰。最后将所有模型的预测结果进行组合和重构,得到最终的电量预测结果。本发明能够实现锂离子电池电量的预测,并考虑了电池的老化情况,使网络不需要经常更改重新训练以适应电池在使用一段时间后的性能改变。
Description
技术领域
本发明涉及了一种基于CNN-GRU-ATTENTION网络结构的预测方法,尤其是考虑了电池的老化。
背景技术
能源匮乏,环境污染是本世纪所面临的重大问题。传统的汽油车、柴油车的尾气排放量大,污染环境,所需的燃料也都是不可再生资源。因此,人们开始重视电动汽车产业,英国、法国等国家已经宣布了在2025年至2040年间停止生产汽油车。电动汽车的动力来源是电池组,为保证汽车的行驶性能,电池需要高性能。锂离子电池具有能量密度大、自放电率低、循环寿命长等优点,在电动汽车领域得到了广泛的应用。荷电状态 (SOC)表示电池的剩余电量,对电动汽车的剩余里程数和电池电量预警有着重要指示作用,是衡量电动汽车安全性、可靠性的重要电池状态参数。了解电池的状态参数对电动汽车的安全性、可靠性具有重要作用。SOC不能通过实际测量得出,只能通过别的可测量值(如电压、电流)进行估算。但在实际放电过程中,放电电流很不稳定,电池内部又有很难预测的化学反应,因此准确估计电池的SOC是一项具有实际意义的工作。
目前对电池SOC的预测几乎都是以新电池为例,但是电池老化是必然的过程,电池老化会导致之前的预测模型不能捕捉老化后电池的放电特性,预测结果出现较大偏差。但是SOC又是表示电量的指标,电量指标不准会导致电池的过充过放,进一步损害电池的性能,降低电池的寿命。
发明内容
为了解决背景技术中的问题,本发明提出了一种考虑电池老化情况的锂离子电池预测方法,适用于老化电池的预测并且能够提供可靠的结果。
本发明的技术方案包括以下步骤:
1)采集数据:对电池进行充放电实验,使用传感器获得电池的电压、电流、温度,以及评价老化指标的数据参数内阻并记录历史充放电循环次数,使用安时积分法计算电池每时刻的电量,作为目标值,建立数据集;
2)使用经验小波分解对电池数据进行分解,将电池在放电过程中的容量再生部分与整体退化分割开,整体下降的部分是低频的,局部再生的部分是高频的;
3)使用步骤2)获得的分解数据训练CNN-GRU-ATTENTION网络,CNN捕捉输入数据之间的空间关系,GRU提取输入数据之间的时间关系,完成数据的特征捕捉;注意力机制完成权重分配,将更多注意力权重分配给关键特征并减少干扰;
4)将测试集数据按照步骤2)分解并输入到训练好的网络得到高频和低频的预测结果;
5)将预测的结果进行组合重构,得到最终的预测结果;
所述步骤2)中,对数据进行经验小波分解包含以下步骤:
2.1)构造经验小波函数ψ(w)和经验尺度函数φ(w);
其中w表示频率,wi为相邻极大值点的均值,γ为常数,β(x)为辅助函数,需满足如下条件:
2.2)将序列分为j层,通过分解方程得到不同比例的低频信号A和高频信号D。
其中j是分解尺度,k和m是转换变量,h是低通滤波器,g是高通滤波器。
所述步骤3)中网络对高频和低频的数据分别进行训练。网络的第一层由CNN组成。CNN层接收与电量有关的各种参数,并建模提取特征。网络使用一维卷积提取数据的特征,通过选择卷积核的权重和窗口的宽度,提取不同的数据特征。将卷积运算应用于输入的多元时间序列,并将结果传递到下一层GRU层。从输入层前向传播到卷积层输出的向量 hcnn表示为:
hcnn=σ(Xk*Wcnn+bcnn)
Xk是输入向量,Wcnn是权重的权重内核,bcnn是偏重,σ是激活函数。
GRU是CNN层的下层,存储有关通过CNN提取的电量预测所需特征的时间信息。CNN层的输出值将传递到门单元。GRU网络两个门单元分别是更新门和重置门。GRU的存储单元会随着每个门单元的激活而更新其状态,每个门单元的激活被控制为介于0和1之间的连续值。GRU单元的隐藏状态ht每t步更新一次。更新门r用于控制前一时刻的状态信息保留到当前状态中的程度,更新门的值越大说明前一时刻的状态信息保留的越多。重置门z控制前一时刻的状态信息有多少被写入到当前的候选状态上,重置门越小,前一状态的信息保留的越少。前向传播公式为:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
其中Wr表示更新门的权重矩阵,Wz表示重置门的权重矩阵,示状态更新时的权重矩阵。
注意力层完成权重分配,先将上层输入进行转置,再对每一维进行softmax,得到每一维的注意力权重,最后合并成单独特征的注意力权重。最后全连接层进一步进行数据的缩放转换,提高模型的处理非线性数据的能力。
所述步骤5)中对于预测的结果进行重构,使其恢复到原始的空间尺度。重建方程描述为:
其中,其中j是分解尺度,k和m是转换变量,h*和g*分别是低通滤波器和高通滤波器的反函数。
本发明具有的有益的效果是:
相比于以往的锂离子电池预测方法,本发明方法准确率高,鲁棒性好,且考虑了电池的老化情况,具有更好的适用性;
根据老化电池的特点,本发明选择了电池内阻,充放电循环次数属性,作为电池老化的指标,弥补了现有预测方法只考虑新电池的放电特性所造成的普适性弱的缺点;
经验小波分解算法使电池电量的整体下降趋势与局部再生部分分割开,有助于提高模型的预测性能;
CNN+GRU的结构弥补了单层GRU网络只能提取数据的历史关系的缺陷,是数据的空间时间特征都能捕捉到。注意力层关注更关键的特征向量,使更大的权重分配到关键特征上。
本发明方法使用不同温度,放电条件下的数据进行训练,可以使模型具有很强的预测精度,在高低温的不利条件下也能提供准确可靠的预测结果,并且受不同预测起点的影响较小。
附图说明
图1为本发明的系统流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
参见图1,一种考虑老化情况的锂离子电池电量预测方法,具体步骤是
1)采集数据:对电池进行充放电实验,使用传感器获得电池的电压、电流、温度,以及评价老化指标的数据参数内阻并记录历史充放电循环次数,使用安时积分法计算电池每时刻的电量,作为目标值,建立数据集;
2)使用经验小波分解对电池数据进行分解,将电池在放电过程中的容量再生部分与整体退化分割开,整体下降的部分是低频的,局部再生的部分是高频的;
选择小波函数和分解度j,将序列分为j层,通过分解方程得到不同比例的低频/>和高频信号/>其中j是分解尺度,k和m是转换变量,h是低通滤波器,g是高通滤波器。
3)使用步骤2)获得的分解数据训练CNN-GRU-ATTENTION网络,CNN捕捉输入数据之间的空间关系,GRU提取输入数据之间的时间关系,完成数据的特征捕捉;注意力机制完成权重分配,将更多注意力权重分配给关键特征并减少干扰;
4)将测试集数据按照步骤2)分解并输入到训练好的网络得到高频和低频的预测结果;
5)将预测的结果进行组合重构,得到最终的预测结果;
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (4)
1.一种考虑老化情况下的锂离子电池电量预测方法,其特征在于,包括以下步骤:
1)采集数据:对电池进行充放电实验,使用传感器获得电池的电压、电流、温度,以及评价老化指标的数据参数内阻并记录历史充放电循环次数,使用安时积分法计算电池的每时刻电量,作为目标值,建立数据集;
2)使用经验小波分解对电池数据进行分解,将电池在放电过程中的容量再生部分与整体退化分割开,电池电量整体下降的部分是低频的,局部再生的部分是高频的;
3)使用步骤2)获得的分解数据训练CNN-GRU-ATTENTION网络,CNN捕捉输入数据之间的空间关系,GRU提取输入数据之间的时间关系,完成数据的特征捕捉;注意力机制完成权重分配,将更多注意力权重分配给关键特征并减少干扰;
4)将测试集数据按照步骤2)分解并输入到训练好的网络得到高频和低频的预测结果;
5)将预测的结果进行组合重构,得到最终的预测结果。
2.根据权利要求1所述的一种考虑老化情况下的锂离子电池电量预测方法,其特征在于:所述步骤2)中,对数据进行经验小波分解包含以下步骤:
2.1)构造经验小波函数ψi(ω)和经验尺度函数
其中w表示频率,wi为相邻极大值点的均值,γ为常数,β(x)为辅助函数,需满足如下条件:
2.2)将序列分为j层,通过分解方程得到不同比例的低频信号A和高频信号D;
其中j是分解尺度,k和m是转换变量,h是低通滤波器,g是高通滤波器。
3.根据权利要求1所述的一种考虑老化情况下的锂离子电池电量预测方法,其特征在于:步骤3)中网络对高频和低频的数据分别进行训练;网络的第一层由CNN组成;CNN层接收与电量有关的各种参数,并建模提取特征;网络使用一维卷积提取数据的特征,通过选择卷积核的权重和窗口的宽度,提取不同的数据特征;将卷积运算应用于输入的多元时间序列,并将结果传递到下一层GRU层;从输入层前向传播到卷积层输出的向量hcnn表示为:
hcnn=σ(Xk*Wcnn+bcnn)
Xk是输入向量,Wcnn是权重的权重内核,bcnn是偏重,σ是激活函数;
GRU是CNN层的下层,存储有关通过CNN层提取的电量预测所需特征的时间信息;CNN层的输出值将传递到门单元;GRU两个门单元分别是更新门和重置门;GRU的存储单元会随着每个门单元的激活而更新其状态,每个门单元的激活被控制为介于0和1之间的连续值;GRU存储单元的隐藏状态ht每t步更新一次;更新门r用于控制前一时刻的状态信息保留到当前状态中的程度,更新门的值越大说明前一时刻的状态信息保留的越多;重置门z控制前一时刻的状态信息有多少被写入到当前的候选状态上,重置门越小,前一状态的信息保留的越少;前向传播公式为:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
其中Wr表示更新门的权重矩阵,Wz表示重置门的权重矩阵,Wh^表示状态更新时的权重矩阵;ht表示t时刻隐藏状态,表示t时刻的候选状态;
注意力层完成权重分配,先将上层输入进行转置,再对每一维进行softmax,得到每一维的注意力权重,最后合并成单独特征的注意力权重;最后全连接层进一步进行数据的缩放转换,提高模型的处理非线性数据的能力。
4.根据权利要求1所述的一种考虑老化情况下的锂离子电池电量预测方法,其特征在于:步骤5)中将预测的结果进行组合重构,使其恢复到原始的空间尺度;重建方程描述为:
其中,其中j是分解尺度,k和m是转换变量,h*和g*分别是低通滤波器和高通滤波器的反函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848730.2A CN112098874B (zh) | 2020-08-21 | 2020-08-21 | 一种考虑老化情况下的锂离子电池电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848730.2A CN112098874B (zh) | 2020-08-21 | 2020-08-21 | 一种考虑老化情况下的锂离子电池电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112098874A CN112098874A (zh) | 2020-12-18 |
CN112098874B true CN112098874B (zh) | 2023-09-22 |
Family
ID=73754058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010848730.2A Active CN112098874B (zh) | 2020-08-21 | 2020-08-21 | 一种考虑老化情况下的锂离子电池电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098874B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608136B (zh) * | 2021-07-27 | 2024-04-26 | 中北大学 | 一种多尺度锂离子电池健康状态的预测方法 |
KR20230153096A (ko) * | 2022-04-28 | 2023-11-06 | 삼성에스디아이 주식회사 | 배터리의 건강 상태를 추정하는 방법 및 장치 |
CN115718263B (zh) * | 2023-01-09 | 2023-04-07 | 北京科技大学 | 基于注意力的锂离子电池日历老化预测模型和方法 |
CN115952915A (zh) * | 2023-01-09 | 2023-04-11 | 北京建筑大学 | 一种使用模糊熵分类的能耗预测优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN111275244A (zh) * | 2020-01-10 | 2020-06-12 | 南京航空航天大学 | 一种车速时间序列分频预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11637331B2 (en) * | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
-
2020
- 2020-08-21 CN CN202010848730.2A patent/CN112098874B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN111275244A (zh) * | 2020-01-10 | 2020-06-12 | 南京航空航天大学 | 一种车速时间序列分频预测方法 |
Non-Patent Citations (2)
Title |
---|
刘峰.视频编码新技术.《视频图像编码技术及国际标准》.2005,117. * |
基于注意力机制的CNN-GRU短期电力负荷预测方法;赵兵,王增平,纪维佳,高欣,李晓兵;《电网技术》;第43卷(第12期);4370-4376页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112098874A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112098874B (zh) | 一种考虑老化情况下的锂离子电池电量预测方法 | |
CN112540317B (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN106483470A (zh) | 一种基于未来运行工况预测的电池剩余放电能量预测方法 | |
CN113093020B (zh) | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 | |
CN114791993B (zh) | 一种动力电池组soh预测方法及系统 | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN114545279B (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
CN115656831B (zh) | 一种电池单体电压多步超前预测和故障诊断方法 | |
CN117207781A (zh) | 基于历史实时能耗的燃料电池汽车续驶里程预测方法 | |
Li et al. | State of health estimation and prediction of electric vehicle power battery based on operational vehicle data | |
CN117129872A (zh) | 一种锂离子电池健康状态自适应估计方法 | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
CN115372829A (zh) | 一种基于bms数据进行车辆电池健康度快速评估的方法 | |
CN115511203A (zh) | 基于锂电池荷电状态估计电动船舶航程优化方法及系统 | |
Zhao et al. | State of Health Estimation of Electric Vehicle Batteries Using Transformer-Based Neural Network | |
CN114355221A (zh) | 一种基于数据模型融合的锂离子电池健康状态估算方法 | |
CN115097344A (zh) | 一种基于恒压充电片段的电池健康状态端云协同估计方法 | |
Pelosi et al. | Real-time Lithium-ion battery state of health evaluation based on discrete wavelet transform: The effect of operating temperature |
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 |