CN112881914A - 一种锂电池健康状态预测方法 - Google Patents
一种锂电池健康状态预测方法 Download PDFInfo
- Publication number
- CN112881914A CN112881914A CN202110034100.6A CN202110034100A CN112881914A CN 112881914 A CN112881914 A CN 112881914A CN 202110034100 A CN202110034100 A CN 202110034100A CN 112881914 A CN112881914 A CN 112881914A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- charge
- data set
- health state
- neural network
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种锂电池健康状态预测方法,涉及锂电池健康状态预测技术领域,包括以下步骤:提取性能参数数据集;计算锂电池健康状态(SOH);数据集归一化处理;建立误差逆传播(BP)神经网络;布谷鸟搜索网络最优初始值;数据集加入到网络完成训练。本发明实现预测任何寿命阶段锂电池的在线健康状态,计算方便快捷,降低了计算复杂性,缩短了计算时间,应用范围广,且具有预测精度高,跟踪性强的优点,同时降低了传统BP神经网络对初始权值和阈值的依赖,有效的避免了模型容易陷入局部最优的问题。
Description
技术领域
本发明涉及锂电池技术领域,特别是一种锂电池健康状态预测方法。
背景技术
锂离子电池具有较高的放电平台、循环使用寿命长、环保安全等优点,已成为电动汽车的重要动力来源。电池状态估计不仅是管理的核心和基础,而且为车辆能量管理提供数据依据,电池的内部状态主要包括充电状态(SOC)和健康状态(SOH)。为了优化系统运行,准确估计系统的SOC和SOH是至关重要的。特别是对电池SOH的准确估计,可以充分合理的使用电池,避免电池突然故障带来的不便,这对于电池管理具有重要的意义。一般来说,SOH实际上反映在电池内部一些参数(如欧姆内阻、容量等)的变化上。
目前,基于状态空间模型的SOH预测方法已经发展起来,最主要是针对单块锂离子电池进行研究,锂离子电池SOH的预测方法大致有基于特征的预测和数据驱动的预测两种。特征的预测方法主要是利用传统的卡尔曼滤波算法来估计了电池的欧姆内阻,它们存在估计误差大,精度不高,鲁棒性差等问题;数据驱动的预测方法是利用电池性能的测试数据,从数据中挖掘电池性能演变的规律用于寿命预测,但这些智能算法很大程度上依赖于大量的数据训练集和实验,存在泛化(通用)能力差的特点。
检索中国发明专利CN107367698A公开了一种电动汽车锂电池组的健康状态预测方法。该方法主要包括:采用一种等效电路模型表征电动汽车锂电池组的结构特性,针对该等效电路模型建立电池组内阻的状态空间模型,基于状态空间模型提出一种并行粒子滤波方法对电池组的内阻进行动态跟踪预测,得到电池组内阻某一时刻下的状态估计值,将该状态估计值与电池组初始内阻值进行差值比较实现对电动汽车锂电池组健康状态的快速预测。通过适于应用在电动汽车电池状态监测和预测系统中,在实现电动汽车锂电池组健康状态精确预测的同时,有效降低了计算复杂性,大大缩短了计算时间。但其存在泛化(通用)能力差的特点。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种锂电池健康状态预测方法,实现预测任何寿命阶段锂电池的在线健康状态,计算方便快捷,降低了计算复杂性,缩短了计算时间,应用范围广,且具有预测精度高,跟踪性强的优点,同时降低了传统BP神经网络对初始权值和阈值的依赖,有效的避免了模型容易陷入局部最优的问题。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种锂电池健康状态预测方法,包括以下步骤:
步骤1、从锂电池充放电过程中预先提取能够反映电池退化状态的性能参数数据集,性能参数数据集包括每次放电循环中锂电池端电流平均值、每次放电循环中锂电池端电压平均值、每次放电循环中锂电池外表面温度平均值、锂电池放电时间、充放电循环次数;
根据提取的性能参数数据集,构造一个5×n的锂电池性能参数矩阵X5×n,其中n表示锂电池充放电循环次数,X5×n包括5组行向量,表示为:
其中,X1j为第j次充放电循环下测得的锂电池端电流平均值;j=1,2,3…,n,X2j为第j次充放电循环下测得的锂电池端电压平均值;X3j为第j次充放电循环下测得的锂电池外表面温度平均值;X4j为第j次充放电循环下测得的锂电池放电时间;X5j为锂电池充放电循环了第j次;
对每一组行向量进行归一化处理的过程如下:
其中,Ximin和Ximax分别表示第i组行向量中的最小值和最大值,i=1、2、3、4、5,为经过归一化处理后的第j次充放电循环下测得的锂电池端电流平均值;为经过归一化处理后的第j次充放电循环下测得的锂电池端电压平均值;为经过归一化处理后的第j次充放电循环下测得的锂电池外表面温度平均值;为经过归一化处理后的第j次充放电循环下测得的锂电池放电时间;为经过归一化处理后的锂电池充放电循环了第j次;
步骤2、根据充放电电流、充放电时间和锂电池健康状态的定义,计算每次充放电循环后的锂电池健康状态:
其中,Cj为第j次充放电循环后锂电池最大可用容量,C0为锂电池额定容量,Yj为第j次充放电循环后锂电池健康状态;
Y1×n=[Y1Y2…Yn]
其中,Yj *表示为经过归一化处理后的第j次充放电循环后锂电池健康状态;
步骤3、对于输入数据集中的每一列数据对应输出数据集的每一列数据Yj *,上标T为转置,将输入数据集分成两组,分别为输入训练集Xtrain、输入测试集Xtest,其中分组比例为预设值;将输出数据集分成两组,分别为输出训练集Ytrain、输出测试集Ytes,其中分组比例为预设值;
步骤4、建立误差逆向传播BP神经网络,BP神经网络包括输入层、隐藏层和输出层,输入层包括5个输入层单元,隐藏层包括12个隐藏层单元,每个输入层单元与12个隐藏层单元分别为全连接,隐藏层单元与输出层单元为全连接;
步骤5、将BP神经网络的目标函数作为布谷鸟搜索算法的适应度函数,利用布谷鸟搜索算法为BP神经网络寻求最优初始权值和阈值;
步骤6、将步骤3获得的输入训练集Xtra和输出训练集Ytrain加入到步骤4、5建立好的BP神经网络、BP神经网络的最优初始权值和阈值进行训练,得到一个训练好的预测锂电池健康状态预测模型,根据该预测锂电池健康状态预测模型实现锂电池健康状态的预测。
作为本发明所述的一种锂电池健康状态预测方法进一步优化方案,步骤4中,5个输入层单元为输入数据输出层单元为SOH的预测值,训练BP神经网络的目标为10-5,隐层激活函数为logsig,输出层激活函数为purelin,训练函数为trainlm,学习速率为0.01。
作为本发明所述的一种锂电池健康状态预测方法进一步优化方案,步骤5中,布谷鸟搜索算法需要寻求的解向量有5×12+12+5+12+1=90个元素,将得到的解向量作为BP神经网络的最优初始权值和阈值。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明锂电池健康状态预测方法,通过取性能参数数据集;计算锂电池健康状态(SOH);数据集归一化处理;建立误差逆传播(BP)神经网络;布谷鸟搜索网络最优初始值;数据集加入到网络完成训练。本发明实现预测任何寿命阶段锂电池的在线健康状态,计算方便快捷,降低了计算复杂性,缩短了计算时间,应用范围广,且具有预测精度高,跟踪性强的优点,同时降低了传统BP神经网络对初始权值和阈值的依赖,有效的避免了模型容易陷入局部最优的问题。
附图说明
图1是BP神经网络。
图2是本发明实例的一种锂电池健康状态预测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明进行详细描述。
图2是本发明实例的一种锂电池健康状态预测方法的流程示意图。根据本发明实例的锂电池健康状态预测方法,包括以下步骤:
步骤1,从锂电池充放电过程中预先提取能够反映电池退化状态的性能参数数据集,数据集包括每次放电循环中锂电池端电流平均值、每次放电循环中锂电池端电压平均值、每次放电循环中锂电池外表面温度平均值、锂电池放电时间、充放电循环次数;
提取的性能参数数据集,构造一个5×n的锂电池性能参数矩阵X5×n,X5×n包括5组行向量,表示为:
其中,X1j(j=1,2,3…,n)为第j次充放电循环下测得的锂电池端电流平均值;X2j(j=1,2,3…,n)为第j次充放电循环下测得的锂电池端电压平均值;X3j(j=1,2,3…,n)为第j次充放电循环下测得的锂电池外表面温度平均值;X4j(j=1,2,3…,n)为第j次充放电循环下测得的锂电池放电时间;X5j(j=1,2,3…,n)为当前锂电池充放电循环次数,等于j;
由于不同参数的区间范围不同,量纲不同,可能会对预测精度造成影响,因此需要对每一组行向量进行归一化处理:
其中,Ximin和Ximax分别表示第i组行向量中的最小值和最大值,为经过归一化处理后的第j次充放电循环下测得的锂电池端电流平均值;为经过归一化处理后的第j次充放电循环下测得的锂电池端电压平均值;为经过归一化处理后的第j次充放电循环下测得的锂电池外表面温度平均值;为经过归一化处理后的第j次充放电循环下测得的锂电池放电时间;为经过归一化处理后的当前锂电池充放电循环次数;
由于锂电池的健康状态是一种长期变化量,其在单次充放电循环过程中保持不变,但会随着锂电池长期使用而逐渐改变,因此需要选用可以反映一段时间的性能参数,所以选用平均值来表征锂电池的退化状态;
步骤2,根据充放电电流、充放电时间和锂电池健康状态的定义,计算每次充放电循环后的锂电池健康状态:
其中,其中,Cj为第j次充放电循环后锂电池最大可用容量,C0为锂电池额定容量,Yj为第j次充放电循环后锂电池健康状态。经过n次充放电循环后得到一组锂电池SOH值,表示为Y1×n,对Y1×n进行归一化处理,归一化处理后得到一组新的行向量将作为输出数据集;
Y1×n=[Y1 Y2 … Yn]
步骤3,对于输入数据集每一列数据 对应输出数据集的每一列数据Yj *(j=1,2,3…,n),将输入数据集和输出数据集分别按照预设的比例分成两组,分别为输入训练集Xtra、输入测试集Xtest、输出训练集Ytra、输出测试集Ytest;
步骤4,图1是BP神经网络,建立误差逆向传播(BP)神经网络,设置网络结构为5-12-1,即输入层单元数为5,代表可以反映电池退化状态的5种性能参数,隐藏层单元数为12,输出层单元数为1,即代表SOH的预测值,其中层与层之间的各个单元为全连接,训练目标为10-5,隐层激活函数为logsig,输出层激活函数为purelin,训练函数为trainlm,学习速率为0.01,其中logsig函数和purelin函数如下:
purelin:g(x)=x
步骤5,将BP神经网络的目标函数作为布谷鸟搜索算法的适应度函数,利用布谷鸟搜索算法为BP神经网络寻求最优初始权值和阈值,从而降低BP神经网络对初始权值和阈值的依赖,有效的避免预测模型陷入局部最优。由于每层单元都包含一个阈值,层与层的各个单元之间都有一个权值,所以布谷鸟搜索算法需要寻求的解向量有5×12+12+5+12+1=90个元素,将得到的解向量作为BP神经网络的最优初始权值和阈值;
步骤6,将步骤3获得的输入训练集Xtrain和输出训练集Ytrain加入到步骤4、5建立好的BP神经网络模型、BP神经网络的最优初始权值和阈值进行训练,得到一个训练好的模型,再将输入测试集Xtest加入到训练好的模型中进行测试,得到一组SOH预测值ytest,其中SOH预测值ytest与SOH真实值Ytest维度相同;
步骤7,选用均方根误差RMSE和平均百分比误差MAPE作为衡量预测模型好坏的标准,对于步骤6得到的SOH预测值ytest与SOH真实值Ytest,计算公式如下:
其中,m表示预测值yte与真实值Ytest中元素个数,因为这两个数据集的维度相同,所以它们元素个数相同;
步骤8,回到步骤3,在不利用布谷鸟搜索算法优化的前提下计算模型的预测误差,即利用BP神经网络预测锂电池健康状态的RMSE值和MAPE值;
步骤9,比较两种预测模型的误差精度,可以验证基于布谷鸟搜索算法优化的BP神经网络的优化方法是可行的,且利用与预测锂电池健康状态的预测精度更高。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围内。
Claims (3)
1.一种锂电池健康状态预测方法,其特征在于,包括以下步骤:
步骤1、从锂电池充放电过程中预先提取能够反映电池退化状态的性能参数数据集,性能参数数据集包括每次放电循环中锂电池端电流平均值、每次放电循环中锂电池端电压平均值、每次放电循环中锂电池外表面温度平均值、锂电池放电时间、充放电循环次数;
根据提取的性能参数数据集,构造一个5×n的锂电池性能参数矩阵X5×n,其中n表示锂电池充放电循环次数,X5×n包括5组行向量,表示为:
其中,X1j为第j次充放电循环下测得的锂电池端电流平均值;j=1,2,3...,n,X2j为第j次充放电循环下测得的锂电池端电压平均值;X3j为第j次充放电循环下测得的锂电池外表面温度平均值;X4j为第j次充放电循环下测得的锂电池放电时间;X5j为锂电池充放电循环了第j次;
对每一组行向量进行归一化处理的过程如下:
其中,Ximin和Ximax分别表示第i组行向量中的最小值和最大值,i=1、2、3、4、5,为经过归一化处理后的第j次充放电循环下测得的锂电池端电流平均值;为经过归一化处理后的第j次充放电循环下测得的锂电池端电压平均值;为经过归一化处理后的第j次充放电循环下测得的锂电池外表面温度平均值;为经过归一化处理后的第j次充放电循环下测得的锂电池放电时间;为经过归一化处理后的锂电池充放电循环了第j次;
步骤2、根据充放电电流、充放电时间和锂电池健康状态的定义,计算每次充放电循环后的锂电池健康状态:
其中,Cj为第j次充放电循环后锂电池最大可用容量,C0为锂电池额定容量,Yj为第j次充放电循环后锂电池健康状态;
Y1×n=[Y1 Y2 … Yn]
步骤3、对于输入数据集中的每一列数据对应输出数据集的每一列数据上标T为转置,将输入数据集分成两组,分别为输入训练集Xtrain、输入测试集Xtest,其中分组比例为预设值;将输出数据集分成两组,分别为输出训练集Ytrain、输出测试集Ytes,其中分组比例为预设值;
步骤4、建立误差逆向传播BP神经网络,BP神经网络包括输入层、隐藏层和输出层,输入层包括5个输入层单元,隐藏层包括12个隐藏层单元,每个输入层单元与12个隐藏层单元分别为全连接,隐藏层单元与输出层单元为全连接;
步骤5、将BP神经网络的目标函数作为布谷鸟搜索算法的适应度函数,利用布谷鸟搜索算法为BP神经网络寻求最优初始权值和阈值;
步骤6、将步骤3获得的输入训练集Xtrain和输出训练集Ytrain加入到步骤4、5建立好的BP神经网络、BP神经网络的最优初始权值和阈值进行训练,得到一个训练好的预测锂电池健康状态预测模型,根据该预测锂电池健康状态预测模型实现锂电池健康状态的预测。
3.根据权利要求1所述的一种锂电池健康状态预测方法,其特征在于,步骤5中,布谷鸟搜索算法需要寻求的解向量有5×12+12+5+12+1=90个元素,将得到的解向量作为BP神经网络的最优初始权值和阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034100.6A CN112881914B (zh) | 2021-01-12 | 2021-01-12 | 一种锂电池健康状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034100.6A CN112881914B (zh) | 2021-01-12 | 2021-01-12 | 一种锂电池健康状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881914A true CN112881914A (zh) | 2021-06-01 |
CN112881914B CN112881914B (zh) | 2022-03-25 |
Family
ID=76045022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110034100.6A Active CN112881914B (zh) | 2021-01-12 | 2021-01-12 | 一种锂电池健康状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881914B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376541A (zh) * | 2021-06-04 | 2021-09-10 | 辽宁工程技术大学 | 一种基于crj网络的锂离子电池健康状态预测方法 |
CN115078999A (zh) * | 2022-05-20 | 2022-09-20 | 合肥工业大学 | 基于自适应隐藏层bp神经网络的锂电池状况预测方法 |
CN117665630A (zh) * | 2024-02-01 | 2024-03-08 | 云储新能源科技有限公司 | 一种基于充放电循环数据的电池寿命预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN108805256A (zh) * | 2018-08-07 | 2018-11-13 | 南京工业大学 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
CN110687452A (zh) * | 2019-09-05 | 2020-01-14 | 南京理工大学 | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 |
CN112580876A (zh) * | 2020-12-21 | 2021-03-30 | 国网甘肃省电力公司电力科学研究院 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
-
2021
- 2021-01-12 CN CN202110034100.6A patent/CN112881914B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
CN108805256A (zh) * | 2018-08-07 | 2018-11-13 | 南京工业大学 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
CN110687452A (zh) * | 2019-09-05 | 2020-01-14 | 南京理工大学 | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 |
CN112580876A (zh) * | 2020-12-21 | 2021-03-30 | 国网甘肃省电力公司电力科学研究院 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
Non-Patent Citations (2)
Title |
---|
徐宏东 等: "基于CS-SVR模型的锂离子电池SOH预测", 《电池》 * |
徐超 等: "基于改进粒子滤波的锂电池SOH预测", 《储能科学与技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376541A (zh) * | 2021-06-04 | 2021-09-10 | 辽宁工程技术大学 | 一种基于crj网络的锂离子电池健康状态预测方法 |
CN113376541B (zh) * | 2021-06-04 | 2023-06-06 | 辽宁工程技术大学 | 一种基于crj网络的锂离子电池健康状态预测方法 |
CN115078999A (zh) * | 2022-05-20 | 2022-09-20 | 合肥工业大学 | 基于自适应隐藏层bp神经网络的锂电池状况预测方法 |
CN115078999B (zh) * | 2022-05-20 | 2024-04-26 | 合肥工业大学 | 基于自适应隐藏层bp神经网络的锂电池状况预测方法 |
CN117665630A (zh) * | 2024-02-01 | 2024-03-08 | 云储新能源科技有限公司 | 一种基于充放电循环数据的电池寿命预测方法及系统 |
CN117665630B (zh) * | 2024-02-01 | 2024-04-12 | 云储新能源科技有限公司 | 一种基于充放电循环数据的电池寿命预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112881914B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
Ma et al. | State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network | |
CN112331941B (zh) | 云端辅助电池管理系统及方法 | |
WO2022253038A1 (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
CN111537899A (zh) | 一种梯次利用动力电池安全性评估方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
CN115308606B (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
CN113901707A (zh) | 一种车用锂离子动力电池soh时间序列预测方法 | |
Long et al. | Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
Geng et al. | SOC Prediction of power lithium battery using BP neural network theory based on keras | |
Zhang et al. | Lithium battery SOC prediction based on mproved BP eural etwork algorithm | |
Niu et al. | State of charge prediction study of vanadium redox-flow battery with BP neural network | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN113671378B (zh) | 一种基于分数阶理论的锂离子电池建模及参数辨识方法 | |
CN115308623A (zh) | 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 | |
CN115327416A (zh) | 基于群体智能优化和粒子滤波的锂离子电池soc估算方法 | |
Wang et al. | Neural Network-Based State of Charge Estimation Method for Lithium-ion Batteries Based on Temperature. | |
Xiang et al. | An Improved Adaptive Velocity Update Particle Swarm Optimization Algorithm for Parameter Identification of Lithium-ion Battery | |
Mu et al. | Estimation of State of Charge of Lithium‐Ion Batteries Based on Wide and Deep Neural Network Model | |
Kim et al. | LSTM-based real-time SOC estimation of lithium-ion batteries using a vehicle driving simulator | |
Zheng et al. | Remaining useful life indirect prediction of lithium-ion batteries using CNN-BiGRU fusion model and TPE optimization. |
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 |