CN112379273B - 基于人工智能的锂离子电池充电曲线重构及状态估计方法 - Google Patents

基于人工智能的锂离子电池充电曲线重构及状态估计方法 Download PDF

Info

Publication number
CN112379273B
CN112379273B CN202011281459.5A CN202011281459A CN112379273B CN 112379273 B CN112379273 B CN 112379273B CN 202011281459 A CN202011281459 A CN 202011281459A CN 112379273 B CN112379273 B CN 112379273B
Authority
CN
China
Prior art keywords
charging
battery
curve
charging curve
complete
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
CN202011281459.5A
Other languages
English (en)
Other versions
CN112379273A (zh
Inventor
熊瑞
田金鹏
段砚州
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011281459.5A priority Critical patent/CN112379273B/zh
Publication of CN112379273A publication Critical patent/CN112379273A/zh
Application granted granted Critical
Publication of CN112379273B publication Critical patent/CN112379273B/zh
Priority to US17/916,041 priority patent/US20230168304A1/en
Priority to PCT/CN2021/116036 priority patent/WO2022100230A1/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]
    • G01R31/378—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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Abstract

本发明提供了一种基于人工智能的锂离子电池充电曲线重构的方法，由此可以实现电池多种状态的估计。该方法以充电片段数据作为输入，使用深度学习方法重构出完整的充电曲线，进而可从完整的充电曲线中提取电池的多种状态，包括电池的最大容量、最大能量、荷电状态、能量状态、功率状态、容量增量曲线等。所提出的电池状态估计方法可以随电池工作状态变化自适应更新。

Description

基于人工智能的锂离子电池充电曲线重构及状态估计方法
技术领域
本发明涉及电池系统领域，尤其涉及锂离子电池的状态估计。
背景技术
锂离子电池在电池实际运行过程中，由于电池管理系统仅能采集到电池的电压、电流、温度等信号的片段，电池内部状态无法直接测量，因此其状态仅能依靠测得信号进行估计。现有的状态估计方法往往只能针对某几个特定状态，而假设其他状态已知，因此在估计的全局性上存在较大的局限性。例如，对电池容量的估计往往只关注容量与充电曲线特征之间的关系建立，而忽视了其他状态的估计。事实上，电池充电曲线(充电电压与充入电量的关系)反映了大量的电池状态信息，能够满足全面精确表征电池状态的要求。但实际应用中电池往往不会进行满充、满放操作，电池管理系统往往仅能采集到部分充电曲线。因此如果能基于获取的较为精确的部分充电曲线片段，通过必要技术手段重构出完整的充电曲线，则对于电池状态估计手段的改进以及电池管理功能的提升，具有十分重要的意义。
发明内容
有鉴于此，本发明提供了一种基于人工智能的锂离子电池充电曲线重构及状态估计方法，具体包括以下步骤：
步骤一、获取采用不同充电方式时，不同老化状态下电池完整的电压/电流充电曲线作为训练数据；
步骤二、通过适合的分割方式，将获取的充电曲线分割为数据片段，并将数据片段和充电曲线进行离散化处理；
步骤三、利用步骤二得到的离散化数据片段，对选择的深度学习算法进行训练，建立各数据片段与完整充电曲线的映射关系；
步骤四、将训练好的深度学习算法进行在线应用，将电池管理系统采集的实际充电片段数据输入所述深度学习算法，输出完整充电曲线；
步骤五、从完整充电曲线中提取欲估计的电池状态参数。
进一步地，所述方法还包括：
步骤六、在电池管理系统采集到一定数量的实际电池充电曲线后，对深度学习算法重新训练并更新。
进一步地，所述步骤一中获取采用不同充电方式时，不同老化状态下电池完整的电压/电流充电曲线，具体包括：采用常见如恒流充电、恒流恒压充电、多阶恒流充电、脉冲充电等的充电方案。通过电池试验、电池管理系统采样等方法，取得不同老化状态下的电池的日常充电曲线，包括给定充电方案下的电池充电电流、电压、温度等信号。
进一步地，所述步骤二具体包括：确定一个片段长度，将片段长度在充电曲线上滑动，由此将步骤一中的充电曲线划分为某长度的数据片段，每个片段包含每个时刻的采样信号，例如电压、电流、温度等。同时，将获得的数据片段采用固定时间间隔或电压间隔对片段进行采样，从而将完整充电曲线离散化处理。
进一步地，所述步骤三中深度学习算法具体采用卷积神经网络、密集连接网络、循环神经网络等。
上述本发明所提供的方法，通过部分充电片段即能够重构出电池完整的充电曲线，可以同时实现最大容量、最大能量、荷电状态、能量状态以及功率状态的估计，并可以通过导出的容量增量曲线、微分电压曲线等实现电池老化的分析。在长期的应用中，还可根据电池管理系统输出的数据对算法实现持续更新，进一步提高了充电曲线重构与状态估计的精确性。
附图说明
图1是本发明所提供方法的流程图；
图2是基于本发明的充电曲线重构优选实例；
图3是基于本发明的充电曲线重构结果进行状态估计的示意图；
图4是从重构充电曲线中导出的容量增量曲线。
具体实施方式
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
本发明所提供的充电曲线重构及状态估计方法如附图1所示，具体包括以下部分：
步骤一、获取电池的完整充电曲线作为训练数据，具体包括：采用常见的充电方案如恒流充电、恒流恒压充电、多阶恒流充电、脉冲充电等方式充电。通过电池试验、电池管理系统采样等方法，取得不同老化状态下的电池的日常充电曲线，包括给定充电方案下的电池充电电流、电压、温度等信号。
步骤二、将充电曲线分割为数据片段，并将数据片段和充电曲线进行离散化，具体包括：确定一个片段长度，将片段长度在充电曲线上滑动，由此将步骤一中的充电曲线划分为某长度的数据片段，每个片段包括每个时刻的采样信号，例如电压、电流、温度等。同时，将获得的数据片段采用固定时间间隔或电压间隔的采样，完成完整充电曲线进行离散化处理。
步骤三、使用深度学习算法建立数据片段与完整充电曲线的映射关系，具体包括：选取一种深度学习算法，其输入是步骤二中离散化的数据片段，输出则是离散化的完整充电曲线的离散化结果。
步骤四、在电池实际应用过程中，采集充电片段数据作为深度学习算法的输入，输出完整充电曲线，具体包括：在电池实际运行中，通过电池管理系统按步骤二中预设的片段分段规则采集充电片段，输入步骤三中训练好的深度学习算法，获得估计的完整充电曲线。本例中针对某款三元材料电池的恒流充电过程，采用200mV的电压窗口获得充电片段，并使用卷积神经网络估计完整充电曲线。图2示出了基于本发明重构出的充电曲线与实际曲线之间的对比，体现了该方法所能达到的较高精确性。
步骤五、从完整充电曲线中提取电池状态，具体包括：在如图3所示的恒流充电曲线中，其横轴为充入电量，纵轴为电池电压。在重构出完整充电曲线后，电池从下截止电压充电至上截止电压的完整充电过程所对应的电量值即为电池最大容量；该充电过程中电压对充入电量的积分即为电池最大能量(图中的浅色阴影与深色阴影之和)。此外，基于重构的完整充电曲线可以提取电池的荷电状态(State of charge,SOC)，即为当前电压所对应的电池电量与最大容量的比值。类似地，从下截止电压到当前电压对充入电量的积分即为当前电池能量(图中的深色阴影)，其与电池最大能量的比值即为能量状态(State ofenergy,SOE)。由于本方法可以重构出完整的充电曲线，在电池未充满的情况下可以预测电池在充电过程中的电压变化，由此可以评价电池的充电功率，即为功率状态(State ofpower,SOP)。同时，通过对重构的充电曲线进行微分，本方法可以重构出电池的容量增量曲线(电量对电压微分)，微分电压曲线(电压对电量微分)等，有助于对电池内部机理的分析，例如，本方法所获得的容量增量曲线案例如图4所示。
步骤六、在采集大量电池充电曲线后，对算法进行更新，具体包括：在电池运行一段时间后，通过数据平台汇总电池管理系统采集到的完整充电曲线，以此部分数据作为新的训练数据，对步骤三中的深度学习算法进行更新。可采用步骤一至三中的方法重新训练新的深度学习算法，或采用迁移学习等手段微调之前训练的算法的部分参数。由此可以实现深度学习算法随电池工作状态的自适应更新。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于人工智能的锂离子电池充电曲线重构及状态估计方法，其特征在于：具体包括以下步骤：
步骤一、获取采用不同充电方式时，不同老化状态下电池完整的电压/电流充电曲线作为训练数据；
步骤二、通过适合的分割方式，将获取的充电曲线分割为数据片段，并将数据片段和充电曲线进行离散化处理；
步骤三、利用步骤二得到的离散化数据片段，对选择的深度学习算法进行训练，建立各数据片段与完整充电曲线的映射关系；
步骤四、将训练好的深度学习算法进行在线应用，将电池管理系统采集的实际充电片段数据输入所述深度学习算法，输出完整充电曲线；
步骤五、从完整充电曲线中提取欲估计的电池状态参数。
2.如权利要求1所述的方法，其特征在于：所述方法还包括：
步骤六、在电池管理系统采集到一定数量的实际电池充电曲线后，对深度学习算法重新训练并更新。
3.如权利要求1所述的方法，其特征在于：所述步骤一中获取采用不同充电方式时，不同老化状态下电池完整的电压/电流充电曲线，具体包括：采用恒流充电、恒流恒压充电、多阶恒流充电、脉冲充电方式进行充电；通过电池试验、电池管理系统采样方法，取得不同老化状态下的电池的日常充电曲线，包括对应各充电方案下的电池充电电流、电压、温度信号。
4.如权利要求1所述的方法，其特征在于：所述步骤二具体包括：确定一个片段长度，使该片段长度在充电曲线上滑动，由此将步骤一中获取的充电曲线划分为某长度的数据片段，每个片段包含每个时刻的采样信号；将获得的数据片段采用固定时间间隔或电压间隔对各数据片段进行采样，从而将完整充电曲线离散化处理。
5.如权利要求1所述的方法，其特征在于：所述步骤三中深度学习算法具体采用卷积神经网络，或者密集连接网络，或者循环神经网络。
CN202011281459.5A 2020-11-16 2020-11-16 基于人工智能的锂离子电池充电曲线重构及状态估计方法 Active CN112379273B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011281459.5A CN112379273B (zh) 2020-11-16 2020-11-16 基于人工智能的锂离子电池充电曲线重构及状态估计方法
US17/916,041 US20230168304A1 (en) 2020-11-16 2021-09-01 Artificial intelligence (ai)-based charging curve reconstruction and state estimation method for lithium-ion battery
PCT/CN2021/116036 WO2022100230A1 (zh) 2020-11-16 2021-09-01 基于人工智能的锂离子电池充电曲线重构及状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011281459.5A CN112379273B (zh) 2020-11-16 2020-11-16 基于人工智能的锂离子电池充电曲线重构及状态估计方法

Publications (2)

Publication Number Publication Date
CN112379273A CN112379273A (zh) 2021-02-19
CN112379273B true CN112379273B (zh) 2021-07-30

Family

ID=74584812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011281459.5A Active CN112379273B (zh) 2020-11-16 2020-11-16 基于人工智能的锂离子电池充电曲线重构及状态估计方法

Country Status (3)

Country Link
US (1) US20230168304A1 (zh)
CN (1) CN112379273B (zh)
WO (1) WO2022100230A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379273B (zh) * 2020-11-16 2021-07-30 北京理工大学 基于人工智能的锂离子电池充电曲线重构及状态估计方法
CN114720882B (zh) * 2022-05-20 2023-02-17 东南大学溧阳研究院 锂离子电池最大容量衰退曲线的重构方法
CN116068449B (zh) * 2023-03-23 2023-07-14 中国科学技术大学 一种物理模型约束深度神经网络的锂电池评估系统及方法
CN117289141A (zh) * 2023-11-22 2023-12-26 深圳市麦迪瑞科技有限公司 基于人工智能的电动自行车充电状态监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108072845A (zh) * 2017-12-20 2018-05-25 上海理工大学 基于不完整充电电压曲线的锂电池容量估计方法
CN109934955A (zh) * 2019-02-28 2019-06-25 深圳智链物联科技有限公司 充电模式识别方法、装置、终端设备及存储介质
CN111781504A (zh) * 2020-08-03 2020-10-16 北京理工大学 一种锂离子动力电池老化状态识别与开路电压重构方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
JP5043777B2 (ja) * 2007-08-22 2012-10-10 パナソニック株式会社 非水電解質二次電池の充電方法
TW200933181A (en) * 2008-01-30 2009-08-01 Inventec Appliances Corp A method for estimating lithium battery lifetime of portable electronic products
FR3010532B1 (fr) * 2013-09-11 2017-06-09 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
KR102221756B1 (ko) * 2014-07-18 2021-03-02 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102332399B1 (ko) * 2015-02-06 2021-11-29 삼성전자주식회사 배터리 상태 추정 장치 및 방법
KR20160101506A (ko) * 2015-02-17 2016-08-25 삼성전자주식회사 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
CN108398652A (zh) * 2017-05-26 2018-08-14 北京航空航天大学 一种基于多层特征融合深度学习的锂电池健康状态评估方法
WO2019017991A1 (en) * 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS
WO2018019313A2 (zh) * 2017-11-17 2018-02-01 深圳市恒翼能科技有限公司 基于电池部分充放电数据重建完整充放电数据的方法及系统
CN107769335A (zh) * 2017-12-01 2018-03-06 深圳市森树强电子科技有限公司 一种多模式锂电池智能充电管理方法及装置
JP7106362B2 (ja) * 2018-06-15 2022-07-26 大和製罐株式会社 蓄電池の充放電曲線推定装置および充放電曲線推定方法
US20200011932A1 (en) * 2018-07-05 2020-01-09 Nec Laboratories America, Inc. Battery capacity fading model using deep learning
US20200124675A1 (en) * 2018-10-23 2020-04-23 Samsung Electronics Co., Ltd. Method and system for direct estimation of exact power in real-time
CN110058175B (zh) * 2019-05-05 2020-04-14 北京理工大学 一种动力电池开路电压-荷电状态函数关系的重构方法
CN110673039B (zh) * 2019-11-11 2022-02-08 安徽优旦科技有限公司 一种基于大数据的磷酸铁锂电池soc充电在线校正方法
WO2021186593A1 (ja) * 2020-03-17 2021-09-23 株式会社 東芝 蓄電池の状態を評価する情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム
CN112379273B (zh) * 2020-11-16 2021-07-30 北京理工大学 基于人工智能的锂离子电池充电曲线重构及状态估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108072845A (zh) * 2017-12-20 2018-05-25 上海理工大学 基于不完整充电电压曲线的锂电池容量估计方法
CN109934955A (zh) * 2019-02-28 2019-06-25 深圳智链物联科技有限公司 充电模式识别方法、装置、终端设备及存储介质
CN111781504A (zh) * 2020-08-03 2020-10-16 北京理工大学 一种锂离子动力电池老化状态识别与开路电压重构方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A novel approach to reconstruct open circuit voltage for state of charge estimation of lithium ion batteries in electric vehicles;Xiaokai Chen 等;《Applied Energy》;20191231;第1-14页 *
车用锂离子电池机理模型与状态估计研究;韩雪冰;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20160515(第05期);C035-5 *

Also Published As

Publication number Publication date
CN112379273A (zh) 2021-02-19
US20230168304A1 (en) 2023-06-01
WO2022100230A1 (zh) 2022-05-19

Similar Documents

Publication Publication Date Title
CN112379273B (zh) 基于人工智能的锂离子电池充电曲线重构及状态估计方法
CN108896914B (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN111090047B (zh) 一种基于多模型融合的锂电池健康状态估计方法
CN111624494A (zh) 基于电化学参数的电池分析方法和系统
CN112798960B (zh) 一种基于迁移深度学习的电池组剩余寿命预测方法
CN110658459B (zh) 基于双向循环神经网络的锂离子电池荷电状态估计方法
CN111426957B (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN113917334B (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN110045292A (zh) 基于大数据和bp神经网络的锂离子电池SOC预测方法
CN112379272B (zh) 一种基于人工智能的锂离子电池系统soc估计方法
CN110082682A (zh) 一种锂电池荷电状态估计方法
CN112611976A (zh) 一种基于双差分曲线的动力电池健康状态估计方法
CN114839540A (zh) 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法
CN112731161B (zh) 基于少量数据混插的非线性数据特征提取和分类预测方法
CN114879046A (zh) 一种基于卡尔曼滤波的锂电池寿命预测方法和系统
CN117272783A (zh) 一种基于云边协同多模型融合的动力电池寿命预测方法
CN115598546A (zh) 锂离子电池soh、soc和rul的联合估计方法
CN116754960A (zh) 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序
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
CN115291113A (zh) 一种统一的锂离子电池soc、soh和rul的联合估计方法及系统
CN114611573A (zh) 基于变分自编码器的锂电池缺失观测数据填充方法
An New energy vehicle lithium battery life prediction method based on improved deep learning
CN116593899A (zh) 一种基于XGBoost算法预测退役电池容量的方法
Li et al. Lithium-Ion Battery SOH Estimation Method Based on Inception-ULSAM-SRU Model
CN116774053A (zh) 一种电池剩余使用寿命的预测方法、系统及存储介质

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