CN112327191A - 一种基于几何特征融合决策的电池跳水概率评估方法 - Google Patents
一种基于几何特征融合决策的电池跳水概率评估方法 Download PDFInfo
- Publication number
- CN112327191A CN112327191A CN202011131862.XA CN202011131862A CN112327191A CN 112327191 A CN112327191 A CN 112327191A CN 202011131862 A CN202011131862 A CN 202011131862A CN 112327191 A CN112327191 A CN 112327191A
- Authority
- CN
- China
- Prior art keywords
- battery
- slope
- degradation curve
- diving
- capacity degradation
- 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]
- G01R31/392—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于几何特征融合决策的电池跳水概率评估方法,包括:获取经过数据预处理的电池充放电循环的电池容量退化曲线数据;从电池容量退化曲线数据中提取出能够表征电池退化曲线的弯曲程度的特征夹角、能够快速反映电池容量退化曲线变化趋势的一次斜率比率以及能够稳定衡量容量退化速率变化量的一次斜率差值;对所提取的特征夹角、一次斜率比率以及一次斜率差值进行归一化处理,得到归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3;利用归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3,进行电池跳水概率评估。
Description
技术领域
本发明涉及电池容量退化检测,特别涉及一种基于几何特征融合决策的电池跳水概率评估方法。
背景技术
在锂电池充放电循环试验过程中或实际使用过程中,由于析锂等现象的产生,易导致电池容量保持率随充放电循环数的增加而退化的趋势发生剧烈变化,由平稳衰退变为迅速衰退,即出现容量“跳水”现象,对电池的正常使用产生不良影响,严重可能危害使用安全。因此,需要在充放电循环不断进行的同时,对锂离子电池“跳水”风险进行实时评估,并及时进行预示和告警。
发明内容
本发明的目的是提供一种基于几何特征融合决策的电池跳水概率评估方法,以便根据评估结果,对锂电池“跳水”风险进行预示和告警。
本发明的一种基于几何特征融合决策的电池跳水概率评估方法包括:
获取经过数据预处理的电池充放电循环的电池容量退化曲线数据;
从电池容量退化曲线数据中提取出能够表征电池退化曲线的弯曲程度的特征夹角、能够快速反映电池容量退化曲线变化趋势的一次斜率比率以及能够稳定衡量容量退化速率变化量的一次斜率差值;
对所提取的特征夹角、一次斜率比率以及一次斜率差值进行归一化处理,得到归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3;
利用归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3,进行电池跳水概率评估。
优选地,从电池容量退化曲线数据中提取出能够表征电池退化曲线的弯曲程度的特征夹角包括:
连接电池容量退化曲线起始点Q1和终止点Q2,作割线;
将每个充放电循环处的真实容量保持率值与割线上的对应循环处容量保持率值作差,计算退化曲线与割线上每点的距离,将最大距离lmax处对应的点定义为疑似跳水点D;
连接Q1、Q2D三点组成三角形,将线段Q1Q2与线段DQ2所夹锐角∠Q1Q2D 确电池容量退化曲线特征夹角α。
优选地,从电池退化曲线数据中提取出能够快速反映电池容量退化曲线变化趋势的一次斜率比率包括:
根据所获取的电池容量退化曲线数据以及对应的电池充放电循环数,得到电池充放电循环期间的电池容量退化曲线数据的一次斜率数值;
计算所述电池容量退化曲线数据的一次斜率数值与斜率基准数值的比率,得到一次斜率比率。
优选地,从电池退化曲线数据中提取出能够稳定衡量容量退化速率变化量的一次斜率差值包括:
根据所获取的电池容量退化曲线数据以及对应的电池充放电循环数,得到电池充放电循环期间的电池容量退化曲线数据的一次斜率数值;
计算所述电池容量退化曲线数据的一次斜率数值与斜率基准数值的差值,得到一次斜率差值。
优选地,所述斜率基准数值是电池充放电循环初期电池容量下降趋势平稳且呈线性规律的区间数据的斜率数值。
优选地,选取所述斜率基准数值包括:选取电池寿命循环试验初期数据;在电池寿命循环试验初期数据设置多个窗口,计算各窗口与前后两个窗口斜率差值,选取最小值为基准窗口;根据基准窗口两端的电池容量保持率数据和窗口长度,计算基准斜率数值。
优选地,电池充放电循环期间的电池容量退化曲线数据的一次斜率数值包括:
相邻两次电池充放电循环期间的电池容量退化曲线数据的一次斜率比率。
优选地,电池充放电循环期间的电池容量退化曲线数据的一次斜率数值包括:
连续多次电池充放电循环期间的电池容量退化曲线数据的一次斜率比率。
优选地,利用归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3,进行电池跳水概率评估包括:
利用所述y1与对应的融合权重参数k1、所述y2与对应的融合权重参数k2 以及所述y3与对应的融合权重参数k3进行电池跳水概率评估。
优选地,利用所述y1与对应的融合权重参数k1、所述y2与对应的融合权重参数k2以及所述y3与对应的融合权重参数k3进行电池跳水概率评估包括:
获取所述y1与所述k1的乘积p1、所述y2与所述k2的乘积p2以及所述y3 与所述k3的乘积p3;
将所述p1、p2和p3之和作为电池容量退化曲线跳水概率P;
其中,所述k1、k2和k3之和小于等于1且大于0。
本发明的有益效果在于:1)采用的三种特征均可直接通过电池充放电循环试验中获得的容量退化曲线进行计算,无需破坏性拆解及其他参数的测量即可完成试验中的实时跳水监测与预警;2)采用的三种特征,同时考虑了跳水监测与预警的灵敏性与稳定性,如斜率比率特征能够敏感地监测到跳水现象的发生,而特征夹角在跳水监测中具有较强的稳定性,因此能够取得较好的跳水预警性能; 3)本发明采用特征融合的方式,将三种特征经过处理后融合为一个表征电池跳水风险的评估值,直观性、有效性、鲁棒性均较强。
下面结合附图对本发明进行详细说明。
附图说明
图1是本发明基于几何特征融合决策的“跳水”概率评估流程图;
图2是本发明的锂电池容量退化曲线特征夹角定义示意图;
图3是本发明的一种基于几何特征融合决策的电池跳水概率评估方法实施例的示意图;
图4是四个电池样本的原始退化曲线示意图;
图5是本发明的数据平滑降噪预处理结果图;
图6是本发明的斜率比率计算结果示意图;
图7是本发明的斜率差值计算结果示意图;
图8是本发明的特征夹角计算结果示意图;
图9是本发明几何特征提取以及归一化结果示意图;
图10是本发明的正常电池样本几何特征融合实时计算结果示意图
图11是本发明的跳水电池样本几何特征融合实时计算结果示意图。
具体实施方式
本发明提出了一种基于几何特征融合决策的电池跳水概率评估方法。如图1 所示,基于几何特征融合决策的跳水概率评估流程包括数据预处理、几何特征提取、特征参数归一化和组合证据决策。
首先,针对电池容量退化数据开展数据预处理,剔除野值和噪声干扰。
然后,针对电池容量退化曲线,提多几何特征参数。考虑到单参数特征的局限性,提取斜率比率、斜率差值以及特征夹角等几何特征,构建多因素特征矩阵,作为后续多证据组合决策的基础。
不同几何特征间数据差异较大,为解决数据间可比性问题,对数据开展归一化处理,使不同评价指标可以适应综合对比分析。
在参数归一化后,设定不同参数的融合权重,从而实现多证据组合决策,输出当前电池容量曲线的跳水概率。
在电池开展循环寿命试验时,基于测试获取的容量保持率数据,提取几何参数特征并归一化,设置特征融合权重,实现特征层融合,在此基础上,实现多证据组合决策,最终输出跳水概率,为试验人员开展测试提供指导。
1、数据预处理
由于测量仪器的误差以及试验环境的影响,在进行锂离子电池寿命试验的过程中,采集到的的原始数据难免会产生一定的随机噪声,虽然不会影响电池容量保持率的退化趋势,但是会对识别结果造成一定的影响,因此,进行适当的数据平滑是十分有必要的
由于电池的容量保持率是随着时间而不断退化的,其数据之间存在着一定的相关关系,为了充分考虑数据点之间的时间关联关系,我们采用局部加权回归法 (LOWESS)进行数据的平滑LOWESS平滑滤波算法是一种依靠于邻近点的局部散点加权估值算法,平滑滤波处理后的每一个散点值,是对原有的每一个散点值进行局部线性回归得到。
进行平滑的具体步骤如下:
第1步:以x0为中心确定一个区间,区间的宽度待定,窗口的宽度取决于 span=g·N式中:span即是所加滑动窗口的宽度,g为参加局部回归的散点值的个数占总散点值个数的比例,N是散点值的个数,通常情况下g的取值在0.33 到0.67之间。
第2步:计算窗口宽度内所有点的权数值,权数由权数函数来确定。任意一点(xi,yi)的权数即为xi处权数函数曲线的幅值。权数函数应包括以下3个共性
(1)点(x0,y0)处应具有最大权数;
(2)当xi远离x0时,权数逐步减小;
(3)加权函数值应以x0为轴相对称。
三次方加权函数如下:
第3步:对窗口内的散点拟合一条直线,任一点对于拟合直线的影响大小依赖于与之相应的权数。令Δi(x)=|xi-x0|为xi到x0的距离,Δspan(x)为这些距离从小到大排序的第span个距离,则对于xi处的平滑拟合来说,其权数为:
对于Δi(x)<Δm(x)(xi,yi)点,权值为正数,并且随着增加而减少;对于Δi(x)≥Δm(x)的(xi,yi)点,权值为0,即对回归平滑不做贡献。
第4步:拟合值y0是x=x0处y的拟合值。即如果拟合直线是y=a+bx,则 y0=a+bx0。循环以上4步,最终将一组平滑点,将这些平滑点用平滑曲线连接起来,即完成了锂离子电池容量保持率退化曲线的平滑降噪。
2、几何特征提取
锂离子电池容量跳水,可以反映在容量退化曲线的各种几何特征上。通过分析判断几何特征的值或变化趋势,可以实现对锂离子电池容量跳水风险等级的实时评估。考虑计算可行性、特征灵敏度、波动性等方面因素,选取三种几何特征作为锂离子电池容量跳水的评判标准,通过三种几何特征融合与多级阈值结合的方法,实现锂离子电池的容量跳水实时预警。
三种几何特征分别是:一次斜率(差分)比率、一次斜率(差分)差值、特征夹角。
一次斜率比率是衡量随着充放电循环数的增加,容量退化速率与平稳退化阶段速率的比值的指标。由于选定的基准段的基准斜率计算时在分母,因此一次斜率比率这一几何特征具有较高的灵敏度,当容量退化曲线走势出现较小变化时,可以快速反映出这种变化趋势。但是相对而言波动性较大,不够稳定,容易造成容量跳水虚警情况的出现。
一次斜率差值是为了解决一次斜率比率稳定性低的问题而设计的几何特征,它反映了随着充放电循环数的增加,锂离子电池容量退化速率与平稳退化阶段退化速率之间的差值,即绝对变化量。斜率差值几何特征可以稳定衡量容量退化速率的变化量,稳定性较高,灵敏度相对较低,是一个偏稳健的指示标准。
特征夹角是在一段容量退化曲线所围成的近似三角形中计算的一个角度值,反映了容量异常退化速率与电池试验全过程总体退化趋势之间的偏差。由于计算夹角时受曲线上噪声点影响较小,特征夹角这一几何特征是三个几何特征中最稳定的一个,能够捕捉到容量退化曲线的整体大趋势,但具有一定的滞后性。
1)斜率比率
斜率特征可以表征电池容量的退化速率,然后由于不同电池设计配方和设计因素的影响,斜率数值差异较大,且同配方电池在不同的试验条件(温度、充放电倍率)下,其斜率数值也会发生明显变化。因此,直接利用斜率数值开展跳水风险评估在实际工程中难度较大。
针对此问题,本方法提出了斜率比率,即以单个电池退化初期稳定阶段的斜率为基准,计算当前斜率数值与基准数值的比率,利用斜率比率支撑后续跳水风险评估,从而排除由于涉及因素和试验因素产生的个体差异,提升了方法的通用性和扩展性。
斜率比率的计算过程包括正常斜率基线构建和实时斜率比率计算两部分。
选取电池寿命循环试验初期数据,利用滑窗构建基线。计算各窗口与前后两个窗口斜率差值,选取最小值为基准窗口,从而完成正常斜率基线构建。针对当前电池容量退化数据,利用构建完成的斜率基线,结合其实时斜率特征,获取其实时斜率比率。以当前电池的稳定退化阶段数据作为基准参考,斜率比率参数可以表征电池实时的容量衰退速率,即与历史正常基准比较,斜率比率参数是电池容量衰退速率的量化表征。
2)斜率差值
一次斜率可以表征电池容量退化速率的快慢。考虑到不同电池的设计配方的差异,不同试验平台的条件的区别,直接利用一次斜率表征其退化性能会由于个体差异产生较大影响。
因此,本方法提出了斜率差值,以当前电池初始退化阶段较为稳定的斜率值作为参考,利用当前斜率与斜率基准间的差值作为量化参数,表征电池容量衰退的快慢,从而消除电池由于设计和试验引入的个体差异。
计算斜率差值,分为正常斜率基准选取和实时斜率差值计算。
正常斜率基准时电池容量退化的参考值,一般地,电池在寿命循环试验初期,容量衰退较为稳定,一般呈线性规律。因此,利用电池试验初期的退化数据,通过滑窗判断选取容量下降趋势平稳、线性规律的明显的区间数据,作为斜率基准。计算各个窗口和前后窗口间的斜率差值,选取差值最小的窗口作为基准窗口,完成正常斜率基准构建,标定电池容量退化的正常轨迹。
针对当前试验获取的电池容量退化数据,计算实时一次斜率特征,结合构建完成的正常斜率基准,获取实时一次斜率参数与正常斜率基准的差值,记为斜率差值。正常斜率基准为电池稳定退化的标定,因此,斜率差值是与正常基准相比较,获取的一个可以量化表征电池实时容量衰退速率的参数。
3)特征夹角
特征夹角是反映退化曲线弯折程度的一个角度值。首先选定计算特征夹角的退化曲线段起始点Q1和终止点Q2,连接Q1和Q2,作割线;将每个充放电循环处的真实容量保持率值与割线上的对应循环处容量保持率值作差,计算退化曲线与割线上每点的距离,可以看出,最大距离lmax处对应的点,即为发生跳水的样本电池容量保持率发生跳水的位置,定义为疑似跳水点D(对于能确定发生跳水的样本,即为跳水点。下文的定义针对确定发生跳水的样本展开)。连接Q1、Q2、 D三点组成三角形,线段Q1Q2与线段DQ2所夹锐角∠Q1Q2D定义为该段容量保持率退化曲线定义的特征夹角α。
步骤3:几何特征归一化
斜率比率、斜率差值和特征夹角三类几何特征参数,由于自身特定的计算方法和参数特性,导致数据间差异性较大,无法之间开展比较融合。因此需要利用归一化算法,将特征参数统一到一定区间内,为后续融合奠定基础。
针对几何特征参数,首先要对其归一化尺度进行标定,即设定阈值,利用该阈值对几何特征参数进行归一化处理。
设定阈值参数为t,当前计算获取的某一特定几何参数为x,归一化公式为:
y为归一化后的几何特征参数。
归一化的物理意义为,当几何特征参数值超过阈值时,从该几何特征参数角度判断,电池已发生跳水,因此将该几何特征参数归一化为1。当几何特征参数小于阈值时,可以利用当前参数值和阈值计算独立跳水概率,概率值为t/x。
基于电池容量退化曲线获取斜率比率、斜率差值和特征夹角后,分别针对三类结合特征参数开展归一化处理,计算几何特征参数的独立跳水概率。
针对三种特征参数,首先分别结合专家经验和历史数据设定阈值参数。基于上述几何参数特征归一化尺度标定方法,利用三种几何参数的实时特征值,分别开展归一化处理,从而获取三种几何参数的独立跳水概率。
4、融合权重设置
在获取三种几何特征归一化处理的参数值后,设置权重系数开展特征层的参数融合,从而实现多因素的组合决策,输出最终的跳水概率。
针对三类特征,斜率比率、斜率差值和特征夹角,根据测试人员或用户的自身需求,可以结合各个特征优点和特性设置其融合权重参数,从而使特征层融合效果最优。
定义三种几何特征归一化后参数值为y1、y2、y3,相应设置的融合权重参数为k1、k2、k3。
融合权重参数满足
0<ki<1,i=1,2,3
设置完成的融合权重参数,通过组合证据决策被应用于实时跳水概率计算。
5、实时“跳水”概率评估
基于归一化后特征参数值,及其对应的融合权重参数,针对电池跳水,通过多证据组合算法输出电池跳水概率,实现多因素判据以及指标阈值的融合,从而避免出现误判、漏判等情况
定义三种几何特征归一化后参数值为y1、y2、y3,相应设置的融合权重参数为k1、k2、k3,其中ki满足上述节约束要求。
则当前电池容量曲线跳水概率P为:
概率P∈[0,1],P的值越大,说明当前电池容量曲线发生跳水的概率越大。当P=1,认为当前电池容量曲线以及发生跳水。
组合证据决策方法考虑了多种几何特征参数及其阈值。通过加权融合实现特征层参数融合,再利用多因素判据及指标实现了跳水概率计算。
概率值P可以实现跳水预警,同时为测试人员提供量化参考指标,辅助其针对试验开展相关操作。
图3显示了本发明的一种基于几何特征融合决策的电池跳水概率评估方法具体实施例,包括:
获取经过数据预处理的电池充放电循环的电池容量退化曲线数据;
从电池容量退化曲线数据中提取出能够表征电池退化曲线的弯曲程度的特征夹角、能够快速反映电池容量退化曲线变化趋势的一次斜率比率以及能够稳定衡量容量退化速率变化量的一次斜率差值;
对所提取的特征夹角、一次斜率比率以及一次斜率差值进行归一化处理,得到归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3;
利用归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3,进行电池跳水概率评估。
本发明的从电池容量退化曲线数据中提取出能够表征电池退化曲线的弯曲程度的特征夹角包括:
连接电池容量退化曲线起始点Q1和终止点Q2,作割线;
将每个充放电循环处的真实容量保持率值与割线上的对应循环处容量保持率值作差,计算退化曲线与割线上每点的距离,将最大距离lmax处对应的点定义为疑似跳水点D;
连接Q1、Q2、D三点组成三角形,将线段Q1Q2与线段DQ2所夹锐角∠Q1Q2D 确电池容量退化曲线特征夹角α。
本发明的从电池退化曲线数据中提取出能够快速反映电池容量退化曲线变化趋势的一次斜率比率包括:
根据所获取的电池容量退化曲线数据以及对应的电池充放电循环数,得到电池充放电循环期间的电池容量退化曲线数据的一次斜率数值;
计算所述电池容量退化曲线数据的一次斜率数值与斜率基准数值的比率,得到一次斜率比率。
本发明的能够稳定衡量容量退化速率变化量的一次斜率差值包括:根据所获取的电池容量退化曲线数据以及对应的电池充放电循环数,得到电池充放电循环期间的电池容量退化曲线数据的一次斜率数值;计算所述电池容量退化曲线数据的一次斜率数值与斜率基准数值的差值,得到一次斜率差值。
本发明的斜率基准数值是电池充放电循环初期电池容量下降趋势平稳且呈线性规律的区间数据的斜率数值。选取所述斜率基准数值包括:选取电池寿命循环试验初期数据;在电池寿命循环试验初期数据设置多个窗口,计算各窗口与前后两个窗口斜率差值,选取最小值为基准窗口;根据基准窗口两端的电池容量保持率数据和窗口长度,计算基准斜率数值。
本发明的电池充放电循环期间的电池容量退化曲线数据的一次斜率数值包括:相邻两次电池充放电循环期间的电池容量退化曲线数据的一次斜率比率。
作为选择,本发明的电池充放电循环期间的电池容量退化曲线数据的一次斜率数值包括:连续多次电池充放电循环期间的电池容量退化曲线数据的一次斜率比率。
本发明的利用归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3,进行电池跳水概率评估包括:利用所述y1与对应的融合权重参数k1、所述y2 与对应的融合权重参数k2以及所述y3与对应的融合权重参数k3进行电池跳水概率评估。
本发明的利用所述y1与对应的融合权重参数k1、所述y2与对应的融合权重参数k2以及所述y3与对应的融合权重参数k3进行电池跳水概率评估包括:获取所述y1与所述k1的乘积p1、所述y2与所述k2的乘积p2以及所述y3与所述k3的乘积p3;将所述p1、p2和p3之和作为电池容量退化曲线跳水概率P;其中,所述k1、k2和k3之和小于等于1且大于0。
本发明按下式获得归一化的特征夹角y1:
其中,x1是提取的特征夹角;t1是特征夹角归一化阈值。
本发明按下式获得归一化的一次斜率比率y2:
其中,x2是提取的一次斜率比率;t2是一次斜率比率归一化阈值。
本发明按下式获得归一化的一次斜率差值y3:
其中,x3是提取的一次斜率差值;t3是依次斜率差值归一化阈值。
下面举例说明本发明的上述方法。
本发明中采用宁德时代新能源科技股份有限公司的试验数据验证所提出的锂离子电池寿命预测方法的可行性和有效性(注:试验中所用电池是一种专门用于产品设计阶段的软包电池,与公司真实产品中使用的电池有所不同)。
选取25℃试验条件下的锂电池样本进行分析验证,本方法以四个样本开展案例分析,其中包括跳水样本两个,正常样本两个。四个样本的编号标记如下:
正常样本:N1、N2
跳水样本:D1、D2
四个电池样本的原始退化曲线如图4所示:
数据预处理:基于几何特征融合决策的电池跳水概率评估需要对电池容量退化曲线进行平滑降噪处理,保留容量退化总体趋势,去除局部噪声、自恢复效应等干扰。使用LOWESS方法对容量退化曲线进行平滑,其中平滑尺度参数统一设置为0.4。
经过平滑降噪处理之后的容量退化曲线结果如图5所示。
几何特征提取:对电池容量退化曲线的特征提取包括斜率比率,斜率差值以及特征夹角。
首先是斜率基准的构建,本发明通过一次差分代替斜率代替一次斜率值,利用滑窗计算剩余寿命95%~99%之间的各窗口斜率。窗口宽度自适应选取, 95%~99%数据长度的10%,以充放电循环数50为下限,100为上限,步长10,计算各窗口斜率与前后两个窗口的斜率差值,选取最小值为基准窗口,完成正常斜率基准的构建。
本例中,用样本电池的全部测试数据,模拟电池充放电循环试验的动态推进过程。具体方法为:电池充放电循环每增加1,在该样本电池容量退化曲线序列中增补该循环对应的样本电池真实容量保持率数据,然后使用上文中提出的方法进行斜率比率,斜率差值,动态特征夹角的计算,形成随着充放电循环数增加的斜率比率,斜率差值,特征夹角变化序列。四个样本电池的斜率比率,斜率差值以及特征夹角计算结果如图6、图7和图8所示:
几何参数归一化:在本发明中,通过数据验证及专家经验,设定特征夹角、斜率差值和斜率比率的阈值分别为0.05、0.0001、3,利用该阈值通过上文中的方法对三种几何特征参数进行归一化处理,通过归一化处理可以计算特征参数的独立跳水概率
几何特征提取以及归一化结果如图9所示。
图9中,实线曲线为样本电池实际容量退化曲线,短横线表示归一化后的特征夹角变化曲线,虚线表示归一化后的斜率比率变化曲线,点划线表示归一化后的斜率差值变化曲线。由图中可以看出,斜率差值对曲线趋势变化的反映较为敏感,但波动较大,易产生跳水虚警。斜率比率灵敏度较低,在发生曲线趋势变化时,反映速度较慢,但其整体波动较小,稳定性较高,特征夹角整体波动相较而言最为平缓,但在曲线趋势变化时,其反应最为滞后。由此可见,三种几何特征在灵敏度,波动性等方面都各有优劣,所以通过参数融合和组合决策可以结合各参数的优势和特性,得到最优的效果。
融合权重设置:在得到归一化后的三种几何特征参数后,对三种参数进行特征融合及组合决策。在本案例中,依据专家经验以及历史数据,将特征夹角、斜率差值、斜率比率的融合权重参数分别设为0.2、0.2、0.6,计算实时电池容量曲线跳水概率,形成随着充放电循环数增加的电池容量曲线跳水概率序列。
实时“跳水”概率评估:确定融合权重后,利用上述组合决策方法计算实时电池容量曲线跳水概率,进行实时的电池跳水概率评估。基于几何特征融合决策的电池跳水概率评估结果如图10和图11所示。
图中,曲线为样本电池实际容量退化曲线,曲线为随着充放电循环数增加,样本电池的容量跳水概率变化评估曲线。
在图10中,样本N1在充放电循环试验中其电池容量退化跳水概率一直保持在0.2以下,说明该电池没有发生跳水,与实际退化曲线形状相符合,样本 N2,在充放电循环试验中,随着充放电循环数的增加,其跳水概率不断提高,最终到达0.5左右,说明该电池容量退化没有发生跳水,但需要进一步的观察。在图11中,样本电池在循环次数800以下时,电池容量退化大致呈线性状态,其跳水概率也保持在0.2以下;当循环次数在800次以上,跳水概率急剧上升,最终在发生跳水时概率达到最高点1。并且在跳水出现的拐点处,跳水概率已经达到了0.6,说明本发明对电池容量退化跳水概率的评估结果与实际的跳水状态具有很高的一致性,并且能够起到很好的预警作用,具有稳定性好,灵敏度高的优点。
从结果中可以看出,基于几何特征融合决策的电池跳水概率评估方法可以有效且稳定地从容量退化曲线形态上对电池容量跳水进行及时发现和预警,从而起到提前终止试验,节省试验成本、提高试验安全性等目的。同时通过跳水概率这一量化指标,对测试人员提供测试指导,辅助其针对试验开展相关操作。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (10)
1.一种基于几何特征融合决策的电池跳水概率评估方法,其特征在于,包括:
获取经过数据预处理的电池充放电循环的电池容量退化曲线数据;
从电池容量退化曲线数据中提取出能够表征电池退化曲线的弯曲程度的特征夹角、能够快速反映电池容量退化曲线变化趋势的一次斜率比率以及能够稳定衡量容量退化速率变化量的一次斜率差值;
对所提取的特征夹角、一次斜率比率以及一次斜率差值进行归一化处理,得到归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3;
利用归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3,进行电池跳水概率评估。
2.根据权利要求1所述的基于几何特征融合决策的电池跳水概率评估方法,其特征在于,从电池容量退化曲线数据中提取出能够表征电池退化曲线的弯曲程度的特征夹角包括:
连接电池容量退化曲线起始点Q1和终止点Q2,作割线;
将每个充放电循环处的真实容量保持率值与割线上的对应循环处容量保持率值作差,计算退化曲线与割线上每点的距离,将最大距离lmax处对应的点定义为疑似跳水点D;
连接Q1、Q2、D三点组成三角形,将线段Q1Q2与线段DQ2所夹锐角∠Q1Q2D确电池容量退化曲线特征夹角α。
3.根据权利要求1所述的基于几何特征融合决策的电池跳水概率评估方法,其特征在于,从电池退化曲线数据中提取出能够快速反映电池容量退化曲线变化趋势的一次斜率比率包括:
根据所获取的电池容量退化曲线数据以及对应的电池充放电循环数,得到电池充放电循环期间的电池容量退化曲线数据的一次斜率数值;
计算所述电池容量退化曲线数据的一次斜率数值与斜率基准数值的比率,得到一次斜率比率。
4.根据权利要求1所述的基于几何特征融合决策的电池跳水概率评估方法,其特征在于,从电池退化曲线数据中提取出能够稳定衡量容量退化速率变化量的一次斜率差值包括:
根据所获取的电池容量退化曲线数据以及对应的电池充放电循环数,得到电池充放电循环期间的电池容量退化曲线数据的一次斜率数值;
计算所述电池容量退化曲线数据的一次斜率数值与斜率基准数值的差值,得到一次斜率差值。
5.根据权利要求3或4所述的基于几何特征融合决策的电池跳水概率评估方法,其特征在于,所述斜率基准数值是电池充放电循环初期电池容量下降趋势平稳且呈线性规律的区间数据的斜率数值。
6.根据权利要求5所述的基于几何特征融合决策的电池跳水概率评估方法,其特征在于,选取所述斜率基准数值包括:
选取电池寿命循环试验初期数据;
在电池寿命循环试验初期数据设置多个窗口,计算各窗口与前后两个窗口斜率差值,选取最小值为基准窗口;
根据基准窗口两端的电池容量保持率数据和窗口长度,计算基准斜率数值。
7.根据权利要求3所述的基于几何特征融合决策的电池跳水概率评估方法,其特征在于,电池充放电循环期间的电池容量退化曲线数据的一次斜率数值包括:
相邻两次电池充放电循环期间的电池容量退化曲线数据的一次斜率比率。
8.根据权利要求3所述的基于几何特征融合决策的电池跳水概率评估方法,其特征在于,电池充放电循环期间的电池容量退化曲线数据的一次斜率数值包括:
连续多次电池充放电循环期间的电池容量退化曲线数据的一次斜率比率。
9.根据权利要求1所述的基于几何特征融合决策的电池跳水概率评估方法,其特征在于,利用归一化的特征夹角y1、一次斜率比率y2以及一次斜率差值y3,进行电池跳水概率评估包括:
利用所述y1与对应的融合权重参数k1、所述y2与对应的融合权重参数k2以及所述y3与对应的融合权重参数k3进行电池跳水概率评估。
10.根据权利要求9所述的基于几何特征融合决策的电池跳水概率评估方法,其特征在于,利用所述y1与对应的融合权重参数k1、所述y2与对应的融合权重参数k2以及所述y3与对应的融合权重参数k3进行电池跳水概率评估包括:
获取所述y1与所述k1的乘积p1、所述y2与所述k2的乘积p2以及所述y3与所述k3的乘积p3;
将所述p1、p2和p3之和作为电池容量退化曲线跳水概率P;
其中,所述k1、k2和k3之和小于等于1且大于0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131862.XA CN112327191B (zh) | 2020-10-21 | 2020-10-21 | 一种基于几何特征融合决策的电池跳水概率评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131862.XA CN112327191B (zh) | 2020-10-21 | 2020-10-21 | 一种基于几何特征融合决策的电池跳水概率评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327191A true CN112327191A (zh) | 2021-02-05 |
CN112327191B CN112327191B (zh) | 2021-09-24 |
Family
ID=74311945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011131862.XA Active CN112327191B (zh) | 2020-10-21 | 2020-10-21 | 一种基于几何特征融合决策的电池跳水概率评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327191B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655398A (zh) * | 2021-08-11 | 2021-11-16 | 远景动力技术(江苏)有限公司 | 预估锂电池循环跳水的方法 |
CN113777495A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于特征面积的锂电池容量跳水在线多级预警方法及系统 |
CN113777494A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于几何特征融合决策的锂电池容量跳水转折点识别方法 |
CN115856682A (zh) * | 2022-12-26 | 2023-03-28 | 华中科技大学 | 一种基于临界点转变的锂电池容量跳水点个性化预警方法 |
CN115993541A (zh) * | 2023-03-23 | 2023-04-21 | 深圳安培时代数字能源科技有限公司 | 磷酸铁锂电池的无损析锂检测方法及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002216822A (ja) * | 2001-01-18 | 2002-08-02 | Mitsubishi Heavy Ind Ltd | 燃料電池システム |
US20080063932A1 (en) * | 2006-09-07 | 2008-03-13 | Hitachi Vehicle Energy, Ltd. | Assembled battery |
CN106772086A (zh) * | 2016-12-27 | 2017-05-31 | 广东好帮手电子科技股份有限公司 | 一种车载蓄电池状态检测装置及检测方法 |
SE1851061A1 (sv) * | 2018-09-07 | 2018-09-07 | Abb Schweiz Ag | Voltage source converter generating an output voltage havingat least three voltage levels |
CN109374672A (zh) * | 2018-09-14 | 2019-02-22 | 天津力神电池股份有限公司 | 一种锂电池内部电解液含量的原位检测方法 |
CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
CN109946612A (zh) * | 2019-04-01 | 2019-06-28 | 北京交通大学 | 一种三元锂离子电池容量加速衰退转折点识别方法 |
CN111175653A (zh) * | 2020-01-06 | 2020-05-19 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种用于辨识预判三元电池容量“跳水”故障的方法 |
-
2020
- 2020-10-21 CN CN202011131862.XA patent/CN112327191B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002216822A (ja) * | 2001-01-18 | 2002-08-02 | Mitsubishi Heavy Ind Ltd | 燃料電池システム |
US20080063932A1 (en) * | 2006-09-07 | 2008-03-13 | Hitachi Vehicle Energy, Ltd. | Assembled battery |
CN106772086A (zh) * | 2016-12-27 | 2017-05-31 | 广东好帮手电子科技股份有限公司 | 一种车载蓄电池状态检测装置及检测方法 |
SE1851061A1 (sv) * | 2018-09-07 | 2018-09-07 | Abb Schweiz Ag | Voltage source converter generating an output voltage havingat least three voltage levels |
CN109374672A (zh) * | 2018-09-14 | 2019-02-22 | 天津力神电池股份有限公司 | 一种锂电池内部电解液含量的原位检测方法 |
CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
CN109946612A (zh) * | 2019-04-01 | 2019-06-28 | 北京交通大学 | 一种三元锂离子电池容量加速衰退转折点识别方法 |
CN111175653A (zh) * | 2020-01-06 | 2020-05-19 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种用于辨识预判三元电池容量“跳水”故障的方法 |
Non-Patent Citations (4)
Title |
---|
S. OGURA 等: "Development of oil filled pressure compensated lithium-ion secondary battery for DSV Shinkai 6500", 《 OCEANS "04 MTS/IEEE TECHNO-OCEAN "04》 * |
包塔拉 等: "基于几何特征与流形距离的锂电池健康评估", 《山东大学学报》 * |
洪朝钰: "高镍三元材料充放电过程中结构演变及反应动力学研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
高洋: "三元材料锂离子电池老化诊断、评估与建模方法", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655398A (zh) * | 2021-08-11 | 2021-11-16 | 远景动力技术(江苏)有限公司 | 预估锂电池循环跳水的方法 |
CN113655398B (zh) * | 2021-08-11 | 2024-04-05 | 远景动力技术(江苏)有限公司 | 预估锂电池循环跳水的方法 |
CN113777495A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于特征面积的锂电池容量跳水在线多级预警方法及系统 |
CN113777494A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于几何特征融合决策的锂电池容量跳水转折点识别方法 |
CN115856682A (zh) * | 2022-12-26 | 2023-03-28 | 华中科技大学 | 一种基于临界点转变的锂电池容量跳水点个性化预警方法 |
CN115856682B (zh) * | 2022-12-26 | 2023-09-01 | 华中科技大学 | 一种基于临界点转变的锂电池容量跳水点个性化预警方法 |
CN115993541A (zh) * | 2023-03-23 | 2023-04-21 | 深圳安培时代数字能源科技有限公司 | 磷酸铁锂电池的无损析锂检测方法及相关装置 |
CN115993541B (zh) * | 2023-03-23 | 2023-06-06 | 深圳安培时代数字能源科技有限公司 | 磷酸铁锂电池的无损析锂检测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112327191B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327191B (zh) | 一种基于几何特征融合决策的电池跳水概率评估方法 | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN112327167B (zh) | 一种电池容量跳水风险评估方法及系统 | |
CN112327192B (zh) | 一种基于曲线形态的电池容量跳水现象识别方法 | |
JP5005814B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
JP5313250B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
JP2015060761A (ja) | 二次電池の劣化診断システム及び劣化診断方法 | |
CN112327193B (zh) | 一种锂电池容量跳水预警方法 | |
KR20200023672A (ko) | 딥러닝을 이용한 전지 진단 방법 | |
CN108205114B (zh) | 电池寿命的预测方法及系统 | |
CN114559819A (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN112327194B (zh) | 一种锂电池容量跳水识别方法及装置 | |
CN113030761B (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
KR100449365B1 (ko) | 임피던스 스펙트럼의 패턴 매칭기법을 이용한 단위전지분류방법 | |
CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
CN110188399B (zh) | 一种基于多相关序列的大坝安全监测单测点评价方法 | |
Ardeshiri et al. | Gated recurrent unit least-squares generative adversarial network for battery cycle life prediction | |
Wang et al. | Dynamic early recognition of abnormal lithium-ion batteries before capacity drops using self-adaptive quantum clustering | |
CN113391216A (zh) | 基于响应曲面设计的铅酸电池可用容量估算方法和装置 | |
CN113253125A (zh) | 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 | |
CN117890791A (zh) | 热失控预测模型确定方法、装置、电子设备及存储介质 |
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 |