CN112611976A

CN112611976A - 一种基于双差分曲线的动力电池健康状态估计方法

Info

Publication number: CN112611976A
Application number: CN202011434214.1A
Authority: CN
Inventors: 孙京诰; 张晨阳; 陈佳林; 苏广昊
Original assignee: East China University of Science and Technology
Current assignee: East China University of Science and Technology
Priority date: 2020-12-10
Filing date: 2020-12-10
Publication date: 2021-04-06

Abstract

本发明提出一种基于双差分曲线的动力电池健康状态估计方法。对于电池管理系统来说，准确预测电池的健康状态可以有效地确保系统的可靠性和安全性，为将来电池的合理使用提供参考。本发明设计了一种基于双差分曲线的动力电池健康状态估计方法，通过充分使用增量容量曲线和温度差分曲线的信息，得到每一周期对应的特征向量，并通过一维卷积神经网络（CNN）和改进的循环神经网络（RNN）模型对电池健康状态（SOH）进行估计，其中一维CNN用于特征提取，改进的RNN用于时间序列预测，并同时克服了传统RNN的缺点，进而得到一种充分利用过程信息且估计准确的电池健康状态估计方法。

Description

一种基于双差分曲线的动力电池健康状态估计方法

技术领域

本发明属于电池健康状态预测技术领域，具体涉及一种动力电池的健康状态预测方法。

背景技术

对动力电池的健康状态预测的研究，一方面是为了确定动力电池在反复充放电循环使用过程中的健康状态，从而及时发现需要更换的电池，另一方面，其能加快电池材料的研发，缩短实验周期。

目前，电池健康状态（SOH）的估计方法包括直接测量法，基于模型的方法和基于数据驱动的方法。其中数据驱动的方法主要是从电池循环数据中提取与电池退化行为相关的特征数据，建立特征与SOH之间的模型关系，预测电池后期的健康状态。

对于电池特征的选取有很多不同的方法，大部分算法只考虑某个特征，并没有充分利用数据特点，另外，选取特征之后也要考虑到对特征进行进一步的提取，从而得到足够代表每一循环的衰减特征数据。

发明内容

针对动力电池健康状态评估的准确性问题，本发明的目的在于提供一种充分利用电池充电过程信息，进行特征提取，从而减小评估误差，提供准确的电池健康状态预测结果的方法，且仅需要获得恒流部分的数据就能得到较为准确的结果。

传统方法需要使用恒流阶段和恒压阶段的数据特征，利用恒流与恒压阶段的持续时间，增加的电荷量，恒流阶段的等时间压差，充电曲线斜率，IC曲线的峰值等特征，这些特征虽然在一定程度上可以较准确地表征电池状态程度，但利用的信息有限，且有些信息受到外界的影响并不能为评估带来有效信息。

本发明为实现上述目的所采用的技术方案是：一种基于双差分曲线的动力电池健康状态估计方法，包括以下步骤：

步骤S1：设置电池循环测试初始参数，每个电池循环周期经过倍率充电，恒压充电，静置，倍率放电，静置四个步骤，从电池管理测试系统中获得原始电池数据，包括电压，电流，温度，容量保持率以及对应时间，单位时间间隔内电荷的增加量。

步骤S2：对电池数据进行预处理，对缺失值进行填充，去除异常值，以减轻其对预测结果的影响。

步骤S3：利用前向差分公式，根据时间，电压，电流和温度绘制增量容量（IC）曲线和温度差分（DT）曲线，并通过滤波算法，包括卡尔曼滤波，高斯滤波，移动平均滤波算法滤波去除差分计算增加的噪声。

可选的由于原始电池温度数据容易受到外部噪声的影响，可以经过滤波算法滤除原始噪声。

下式为温度差分前向差分公式，其中I为恒流电流值，t为恒流阶段的时间，Q为电荷量，V为恒流阶段的电压值，T为恒流阶段的温度，L为步长。

。

。

。

步骤S4：根据IC与DT曲线特征合理地选择取样特征数等距提取曲线特征。

步骤S5：将得到的电池特征和容量数据分为训练集和测试集，其中训练集用于得到动力电池健康状态预测模型，测试集用于表征模型的训练效果。

步骤S6：根据训练集建立CNN-改进RNN模型。

CNN作为模型的第一层,用于提取空间局部特征，CNN中的卷积部分可以捕获隐藏在实际观测中的有用信息。改进的RNN结构作为CNN之后的第二层，用于从过去和当前数据中获取时间特征。在预测电池健康状态时，模型结构的最后一层全连接层利用学习到的模型生成预测值。

这里的改进的RNN模型可以选择长短期记忆网络（LSTM），门控循环单元网络（GRU），双向长短期记忆网络（Bi-LSTM)，双向门控循环单元网络（Bi-GRU），从而避免RNN的梯度消失问题。

步骤S7：将训练集和测试集输入上述电池健康状态预测模型中，计算训练误差和测试误差。

步骤S8：使用马尔科夫链对误差进行修正，进一步减小误差。

为了获得更准确和可靠的结果，采用了马尔科夫链进一步校正预测结果。首先，基于训练数据的模型（CNN-GRU）预测误差分布建立马尔可夫链状态空间。链状态空间分为三个状态，分别为

其中

是平均误差，

是标准偏差，

是最小误差，

是最大误差。

因此，3×3转换矩阵P可以完全指定为马尔可夫链。该转变概率与先前状态无关。过渡概率

是从状态i到状态j的单步移动概率，可以用公式

表示。

其中

是两个相邻周期之间从状态i到状态j的单步移动频率，

表示从两个相邻周期之间的状态i开始移动的状态数。

如果预测误差属于状态i，则修改后的误差可以定义为

其中

和

分别是状态i的最小和最大误差。

修正误差矩阵Q由三个状态的修正误差构成。因此，马尔可夫校正方程可以定义为

。

其中

由模型预测得到，

是初始状态预测值，n为状态转换步数。

经过马尔可夫链进行误差校正后的预测值更接近真实的电池状态。

步骤S9：比较计算各模型的预测误差，使用包括平均绝对误差和均方根误差对估计结果进行定量分析。

附图说明

图1为基于双差分曲线的动力电池健康状态估计方法的流程框图。

图2为IC曲线等距采样的示意图。

图3为DT曲线等距采样的示意图。

图4为GRU的网络模型结构图。

图5为所述CNN-GRU模型的基本结构图。

图6为基于双差分曲线的动力电池健康状态预测结果。

具体实施方式

下面结合附图对本发明作进一步说明。

这里使用的是美国国家航空航天局艾姆斯卓越预测中心公开的实验数据。电池的正极材料为镍钴铝酸锂，化学式为

。

选取其中一组四个锂离子电池（5、6、7和18号）在室温下经过3种不同的操作。首先以1.5A的恒定电流（CC）模式进行充电，直到电池电压达到4.2V，然后以恒定电压（CV）模式继续充电，直到充电电流降至20mA。静置一段时间后，以2A的恒定电流（CC）进行放电，直到电池5 6 7和18的电池电压分别降至2.7V，2.5V，2.2V和2.5V。重复的充电和放电循环会导致电池加速老化，当电池达到寿命终止标准时即终止实验，该标准是额定容量（从2Ahr降至1.4Ahr）下降了30％。

图1为本发明的流程框图，下面对上述电池数据集中的B0005号电池使用本发明提出的方法进行描述。

（1）每个电池循环周期经过倍率充电，恒压充电，静置，倍率放电，静置四个步骤，每个循环中包括电压，电流，温度，容量以及对应时间。

（2）对电池数据进行预处理，对缺失值进行填充，去除异常值，以减轻其对预测结果的影响，这里去除第33个循环的异常数据。

（3）利用前向差分公式，根据时间，电压，电流和温度绘制增量容量（IC）曲线和温度差分（DT）曲线，并通过卡尔曼滤波器去除差分计算引入的噪声，如图2，3所示。

下图为温度差分前向差分公式，取L=20。

。

。

。

（4）分别等距提取IC曲线与DT曲线中的20个特征点，如图2，3中的采样点所示，得到特征向量。

（5）将得到的电池特征向量和容量数据分为训练集和测试集，其中训练集为前100个循环数据，用于得到动力电池健康状态预测模型，测试集为后68个循环数据，用于表征模型的训练效果。

（6）根据训练集建立CNN-改进的RNN模型。这里选择的是CNN-GRU模型，GRU单元的构造如图4所示，模型设置如图5所示。

模型参数说明如下：

其中时间窗长度为3，RNN神经元个数32，CNN神经元个数3，迭代次数50，验证集比例0.1，Dropout=0.3。

（7）将训练集和测试集输入上述电池健康状态预测模型中，计算训练误差和测试误差，训练集均方根误差为0.0125，测试集均方根误差为0.0162，预测结果如图6所示，通过上述步骤得到较为准确的电池健康状态预测模型。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims

1.一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，包括以下步骤：

步骤S1：设置电池循环测试初始参数，每个电池循环周期经过倍率充电，恒压充电，静置，倍率放电，静置四个步骤，从电池管理测试系统中获得原始电池数据，包括电压，电流，温度，容量保持率以及对应时间，单位时间间隔内电荷的增加量；

步骤S2：对电池数据进行预处理，对缺失值进行填充，去除异常值；

步骤S3：利用前向差分公式，根据时间，电压，电流和温度绘制增量容量（IC）曲线和温度差分（DT）曲线，并通过滤波算法滤除差分计算增加的噪声；

步骤S4：根据IC与DT曲线特征合理地选择取样特征数等距提取曲线特征；

步骤S5：将得到的电池特征和容量数据分为训练集和测试集，其中训练集用于得到动力电池健康状态预测模型，测试集用于表征模型的训练效果；

步骤S6：根据训练集建立CNN-改进RNN模型；

卷积神经网络（CNN)作为模型的第一层,用于提取空间局部特征，CNN中的卷积部分捕获隐藏在实际观测中的有用信息；改进的循环神经网络（RNN)结构作为CNN之后的第二层，用于从过去和当前数据中获取时间特征；在预测电池健康状态时，模型结构的最后一层全连接层利用学习到的模型生成估计值；

步骤S7：使用马尔科夫链对误差进行修正，进一步减小误差；

步骤S8：计算预测误差，使用包括平均绝对误差和均方根误差对估计结果进行定量分析。

2.根据权利要求1所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S3的增量容量前向差分和温度差分前向差分公式表示如下，其中I为恒流电流值，t为恒流阶段的时间，Q为电荷量，V为恒流阶段的电压值，T为恒流阶段的温度，L为步长

。

3.根据权利要求2所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S4的滤波算法包括卡尔曼滤波，高斯滤波，移动平均滤波滤除差分计算引入的噪声。

4.根据权利要求1或2所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S5的电池特征，还可包括恒流与恒压阶段的持续时间，增加的电荷量，恒流阶段的等时间压差，充电曲线斜率。

5.根据权利要求2所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S6的的改进的RNN模型可以选择长短期记忆网络（LSTM），门控循环单元网络（GRU），双向长短期记忆网络（Bi-LSTM)，双向门控循环单元网络（Bi-GRU）。

6.根据权利要求1所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S7所用的马尔科夫链校正方法包括：

步骤S71，基于训练数据的模型预测误差分布，建立马尔科夫链状态空间，链状态空间分为三个状态，分别为

其中

是平均误差，

是标准偏差，

是最小误差，

是最大误差；

步骤S72，3×3转换矩阵P可以完全指定为马尔科夫链，该转变概率与先前状态无关，过渡概率

是从状态i到状态j的单步移动概率，用公式表示为

；

其中

是两个相邻周期之间从状态i到状态j的单步移动频率，

表示从两个相邻周期之间的状态i开始移动的状态数；

步骤S73，若预测误差属于状态i，则修改后的误差可以定义为

其中

和

分别是状态i的最小和最大误差；

步骤S74，确定修正误差矩阵Q，修正误差矩阵Q由三个状态的修正误差构成；

步骤S75，使用马尔科夫链进行校正，马尔科夫校正方程定义为

其中

由模型预测得到，

是初始状态预测值，n为状态转换步数；经过马尔科夫链进行误差校正后的估计值为最终的电池健康状态预测结果。