CN113009349A - 一种基于深度学习模型的锂离子电池健康状态诊断方法 - Google Patents
一种基于深度学习模型的锂离子电池健康状态诊断方法 Download PDFInfo
- Publication number
- CN113009349A CN113009349A CN202110381523.5A CN202110381523A CN113009349A CN 113009349 A CN113009349 A CN 113009349A CN 202110381523 A CN202110381523 A CN 202110381523A CN 113009349 A CN113009349 A CN 113009349A
- Authority
- CN
- China
- Prior art keywords
- data
- lithium ion
- ion battery
- battery
- ocv
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 99
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013136 deep learning model Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 79
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000032683 aging Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 238000007600 charging Methods 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000010280 constant potential charging Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910002804 graphite Inorganic materials 0.000 description 3
- 239000010439 graphite Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 229910002991 LiNi0.5Co0.2Mn0.3O2 Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 229910013716 LiNi Inorganic materials 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Abstract
本发明公开一种基于深度学习模型的锂离子电池健康状态诊断方法,包括:对锂离子电池进行锂离子电池循环老化测试;获取每一循环过程中锂离子电池健康状态真实值;获取在不同环境温度和容量损失下的锂离子电池的开路电压OCV数据;对二阶RC等效电路模型中的电路元件参数进行辨识,并构建锂离子电池寿命特征参量矩阵;建立并训练特征转换的深度学习模型,对待估计锂离子电池进行任意条件下的充放电测试,获得测试数据;对阻抗参数进行辨识,构建锂离子电池特征参量矩阵并作为输入数据,输入到训练后的特征转换的深度学习模型中,获得计算结果,作为待估计锂离子电池的SOH。本发明计算能力强,精度高,适应性宽。
Description
技术领域
本发明属于锂离子电池健康状态诊断技术领域,具体涉及一种基于深度学习模型的锂离子电池健康状态诊断方法。
背景技术
锂离子电池由于其高工作电压、低成本、高能量密度和长循环寿命等优点在电动和混合动力汽车、无人机、卫星等广泛领域中发挥着重要作用。但实际使用中电池性能会逐渐发生衰减,导致使用寿命逐渐降低,直至无法满足设备的运行需求。锂离子电池的健康状态(State of Health,SOH)反映了电池老化后容量、内阻等参数的变化情况,是电池性能的重要评价指标。因此精准预测电池SOH对于分析电池老化及评价电池能否正常运行具有重要的意义。
由于在各种工况条件下锂离子电池的高度非线性衰减,导致预测锂离子电池的寿命以及估计锂离子电池的状态具有很大的挑战性。目前,主要有三种模型用于对锂离子电池状态进行监测:电化学机理模型、等效电路模型以及数据驱动模型。
电化学机理模型以电极过程动力学、多孔电极及浓溶液理论为基础,通过添加电池副反应方程对电池衰减情况进行仿真模拟,虽然此方法可以了解到电池内部的反应过程,从而对电池状态进行准确预测,但是其结构过于复杂,参数过多,计算量过大,难以在实际进行使用。等效电路模型将电池等效为电路,并结合统计滤波算法对电池状态进行诊断,尽管其结构简单,但由于等效电路无法动态实时的随着电池老化而发生改变,造成模型在电池寿命后期估计误差较大。传统的数据驱动模型首先需要从测试数据中提取有效特征,再通过各类机器学习算法建立所选特征和估计状态之间的非线性映射关系完成对电池状态的诊断,但模型精度及泛化性仍受限于算法本身的计算能力以及所选特征与电池衰减的相关性。
因此,如何提供一种计算能力强、高精度、宽适应性的基于深度学习模型的锂离子电池健康状态诊断方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于深度学习模型的锂离子电池健康状态诊断方法,有效解决了传统数据驱动模型受限于模型本身计算能力以及所选特征与电池衰减的相关性问题,本发明中的该基于特征转换深度学习模型的锂离子电池健康状态诊断方法具备计算能力强,精度高,适应性宽的特点。
本发明提供一种特征转换深度学习模型,其中包含对特征参数进行提取重构增大相邻循环参数差异性的多头注意力机制以提高模型精度及泛化性能。
为实现上述目的,本发明采取的技术方案如下:
一种基于深度学习模型的锂离子电池健康状态诊断方法,包括以下步骤:
S1:对锂离子电池进行锂离子电池循环老化测试;
S2:通过所述锂离子电池循环老化测试,获取每一循环过程中锂离子电池健康状态真实值SOHreal:
其中,Capacityraw为电池额定容量,Capacity为电池在当前循环下的容量,Capacityaged为电池衰减至寿命终点时的容量;
S3:获取在不同环境温度和容量损失下的锂离子电池的开路电压OCV数据;
S4:对二阶RC等效电路模型中的电路元件参数进行辨识,并构建锂离子电池寿命特征参量矩阵;
S5:建立特征转换的深度学习模型,将锂离子电池寿命特征参量矩阵输入至深度学习模型的位置编码层,并对特征参量添加位置编码,对深度学习模型模型权重进行训练,重构锂离子电池寿命特征参量矩阵,得到训练后的特征转换的深度学习模型;
S6:对待评价的锂离子电池进行任意条件下的充放电测试,获得测试数据,结合S3获取OCV数据后利用最小二乘法对阻抗参数进行辨识,构建锂离子电池寿命特征参量矩阵并作为输入数据,输入到训练后的特征转换的深度学习模型中,获得计算结果,作为待评价锂离子电池的健康状态。
优选的,S3的具体内容包括:
S31:对锂离子电池进行充放电测试,选取恒流放电过程的电压数据作为锂离子电池的OCV数据;
S32:计算OCV相对于容量损失Qloss的梯度gradient:
其中,OCV at Qlossn1表示Qloss为Qlossn1时测试获取的OCV数据,OCV at Qlossn2表示Qloss为Qlossn2时测试获取的OCV数据,gradient表示Qloss范围在Qlossn1和Qlossn2之间时,OCV关于Qloss的梯度;
S33:判断当前Qloss所在区间,利用Qloss区间对应的gradient,对当前Qloss下的OCV进行求解:
OCV at Qloss=gradient*(Qloss-Qlossn2)+OCV at Qlossn2
其中,OCV at Qloss表示在当前Qloss下的OCV数据,Qlossn2表示所在Qloss区间的下边界,OCV at Qlossn2表示所在Qloss区间下边界所对应的OCV数据。
优选的,S4的具体内容包括:
S41:建立二阶RC等效电路模型:
其中,uocv为电池开路电压、ut为电池端电压、io为电池端电流、R0为电池欧姆内阻、为电池R1C1并联电路中流经R1的电流、R1为电池的传荷阻抗、为电池R2C2并联电路中流经R2的电流、R2为电池的扩散阻抗;
S42:给定待辨识参数R0、R1、C1、R2、C2初始值,根据锂离子电池循环老化测试过程中的锂离子电池测试时间、电压和电流数据,以及OCV数据计算出二阶RC等效电路模型的预测值通过下式计算出损失值Loss:
S43:选取Adam优化算法对待辨识参数R0、R1、C1、R2、C2进行更新,以减小Loss;
S44:确定迭代次数,对待辨识参数R0、R1、C1、R2、C2进行迭代更新,确定最优待辨识参数;
S45:锂离子电池寿命特征参量矩阵的形式为:
其中,data为通过矩阵拼接的方式所构建的锂离子电池寿命特征参量矩阵,data维度为Cycle×SOCnumber×Feature,Cycle表示电池的充放电周期、SOCnumber表示在电池每一充放电周期下选取的放电过程等间隔SOC序列、Feature表示获取的11个特征参数。
优选的,S5的具体内容包括:
S51:将锂离子电池寿命特征参量矩阵data输入到位置编码层,为data每一充放电周期下每一SOC对应的特征参量添加位置编码,捕获data在空间位置上的特征,保证电池特征提取的全面性;
dataposition=data+positionencoding
其中,position为data中每一循环内某特征参数所在空间位置,allposition为每一循环总位置数,θ为经公式计算后与position对应的参数,Featurenumber等于11,表示获取的如V,OCV等特征参数的个数,positionencoding为该特征经计算后所拥有的位置编码,dataposition为添加位置编码后的data;
S52:将dataposition输入到卷积层中,利用ReLU激活函数对dataposition所包含的空间特征信息进行再次提取,确保空间特征信息提取的完整性,之后进行批归一化处理BN;
ReLU=max(0,dataposition*ki+bi)
其中,ki为第i个卷积核,*表示对dataposition进行的卷积运算,bi为第i个卷积核的偏置,m为卷积核的数量,dataconv为卷积计算后的fataposition,ReLU为在卷积层中所应用的激活函数;
S53:通过参数提取矩阵对卷积后的dataconv进行提取分别生成Q、K和V三个矩阵;
其中,WQ、WK、WV分别是用于生成Q、K和V矩阵的参数提取矩阵;dataconv为卷积后的锂离子电池寿命特征参量矩阵;
S54:使用softmax函数对生成的Q和K矩阵进行处理,分析每一充放电周期下每一SOC对应的特征参量对于预测状态SOH的影响,按照对预测状态SOH的影响权重对dataconv内的特征进行重构,生成更易预测SOH的锂离子电池寿命特征参量矩阵dataattention;
其中,K.T表示K的转置矩阵,dk包含了Q、K和V矩阵的维度信息,i表示第i个SOC下所包含的特征信息,ei表示经Q和K的转置矩阵相乘之后第i个样本特征值的自然指数,表示所有样本特征值自然指数之和;dataattention为重构后的dataconv;
S55:对dataattention和dataconv进行残差连接,确保特征矩阵包含了电池数据在时间和空间上的全部特征,之后进行层归一化处理LN;
dataattention=dataattention+dataconv
S56:添加前馈神经网络FFL,对特征信息进行处理,之后再次进行残差连接以及归一化处理;
S57:将S53-S56重复进行Nx次,确保完全提取出dataconv中关于SOH预测的特征信息;
S58:添加FFL以及神经网络层对数据维度进行转化,并对当前循环下的SOH进行估计,得到SOHestimate;
S59-1:计算模型拟合误差,并对WQ、WK、WV、FFL层和神经网络层中的参数进行更新:
S59-2:确定Nx及模型迭代次数,重复进行S51至S59-1,更新模型参数,得到训练后的特征转换的深度学习模型。
优选的,S6的具体内容包括:
S61:以任意充放电倍率对与S1中同种电池进行锂离子电池循环老化测试直至锂离子电池衰减至寿命终点,获取电池充放电测试数据;
S62:根据S2获取锂离子电池循环老化测试过程中的SOH真实值SOHreal;
S63:以测试电池Qloss为0为初始值根据S3对测试电池OCV进行计算,获取测试电池OCV数据;
S64:根据S4获得测试电池的阻抗辨识数据,并构建测试电池寿命特征参量矩阵datatest;
S65:将datatest输入到S5中训练好的特征转换的深度学习模型中,获得输出结果,作为测试电池的SOH估计值SOHestimate;
S66:根据S65中所估计的SOHestimate,计算此时锂离子电池Qloss,并以此计算出此时的OCV数据,作为测试电池下一循环OCV数据用于SOH预测;
S67:重复S64-S66,对测试电池全循环SOH进行预测。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于深度学习模型的锂离子电池健康状态诊断方法,针对现有技术中模型受限于所选特征与电池衰减及诊断状态的相关性问题,本发明方法对二阶RC等效电路模型中的阻抗特征参量进行实时动态辨识,针对锂离子电池SOH预测精度低及泛化性弱的问题,本发明选取对电池衰减高度敏感的OCV及阻抗参数构建了锂离子电池寿命特征参量矩阵,添加了位置信息增大相邻SOC数据的差异性,并利用特征转换的深度学习模型中的多头注意力机制完成对特征参量矩阵的提取与重构,增大循环间特征参量的差异性,相较于已有的数据驱动算法,提取与重构后的特征包含了更加全面的电池衰减信息,提高了锂离子电池SOH诊断模型的准确性及泛化性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明实施例提供的2.4Ah 18650型石墨基阳极/LiNi0.5Co0.2Mn0.3O2阴极电池进行0.5C充放电测试时,全寿命周期过程中电池的参数变化曲线图,其中(1)为电池欧姆内阻R0(2)为电池传荷阻抗R1(3)为电池扩散阻抗R2;
图2附图为本发明实施例提供的SOH真实值与预测值的对比图,其中(1)为训练集SOH计算结果,(2)为测试集SOH计算结果,(3)为训练集SOH估计误差,(4)为测试集SOH估计误差;
图3附图为本发明实施例提供的二阶等效电路模型电路图;
图4附图为本发明提供的一种基于深度学习模型的锂离子电池健康状态诊断方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于深度学习模型的锂离子电池健康状态诊断方法。
实施例一:
本实施方式所述的一种基于特征转换深度学习模型的锂离子电池健康状态诊断方法。流程框图如图4所示,具体步骤如下:
S1:对2.4Ah 18650型石墨基阳极/LiNi0.5Co0.2Mn0.3O2阴极电池进行充放电测试,获得训练数据集;
所述充放电循环测试步骤如表1所示:
表1
测试步骤 | 测试名称 | 测试内容 |
1 | 恒流充电 | 以0.5C电流进行充电,直至充电至充电截止电压 |
2 | 恒压充电 | 以充电截止电压进行恒压充电,直至电流小于0.02C |
3 | 静置 | 静置30分钟 |
4 | 恒流放电 | 以0.5C电流进行放电,直至放电至放电截止电压 |
5 | 静置 | 静置30分钟 |
6 | 循环 | 重复步骤1至步骤5,直至电池衰减至寿命终点 |
S2:通过S1测试数据,利用下式获取每一循环过程中锂离子电池SOH真实值(SOHreal),如附图2(1)中Real SOH曲线所示;
其中,Capacityraw为电池额定容量,Capacity为电池在当前循环下的容量,Capacityaged为电池衰减至寿命终点时的容量。
S3:获取在不同环境温度、容量损失下的锂离子电池OCV数据。主要包含以下步骤;
S31:以0.01C充放电电流对如下表所示的电池进行充放电测试;
表2
S32:选取S31测试过程中恒流放电过程数据作为对应条件下电池的OCV数据;
S33:将电池编号为1-5号、6-10号、11-15号的OCV数据按照电池所在环境温度分为3组,根据下式分别计算出OCV相对于Qloss的gradient;
其中,OCV at Qlossn1表示Qloss为Qlossn1时测试获取的OCV数据,OCV at Qlossn2表示Qloss为Qlossn2时测试获取的OCV数据,gradient表示Qloss范围在Qlossn1和Qlossn2之间时,OCV关于Qloss的梯度。
S34:对于S1中所获得的数据,记录每一循环下Qloss百分比,之后判断每一循环Qloss所在区间(即0-5%,5%-10%,10%-15%,15%-20%),之后利用S33中求出的对应Qloss区间的梯度,利用下式对每一循环Qloss下的OCV进行求解。
OCV at Qloss=gradient*(Qloss-Qlossn2)+OCV at Qlossn2
其中,OCV at Qloss表示在当前Qloss下的OCV数据,gradient表示当前Qloss所在Qloss区间下的梯度,Qlossn2表示所在容量区间的下边界,OCV at Qlossn2表示所在容量区间下边界所对应的OCV数据。
S4:使用LSE对二阶RC等效电路模型中的电路元件参数进行辨识,并构建锂离子电池寿命特征参量矩阵,具体步骤如下:
S41:建立的二阶RC等效电路模型如下;
其中,uocv为电池开路电压、ut为电池端电压、io为电池端电流、R0为电池欧姆内阻、为电池R1C1并联电路中流经R1的电流、R1为电池的传荷阻抗、为电池R2C2并联电路中流经R2的电流、R2为电池的扩散阻抗。
S42:给定待辨识参数R0、R1、C1、R2、C2初始值分别为0.01Ω、0.06Ω、400F、0.02Ω、2000F,根据S1中获取的锂离子电池测试时间、电压、电流数据,S3中获取的OCV数据计算出二阶RC模型预测值通过下式计算出损失值Loss;
S43:求出损失值Loss后,选取Adam作为优化算法对参数矩阵进行更新,以减小Loss;
S44:确定迭代次数为1500次,对S43进行迭代,得到最优待辨识参数R0、R1、C1、R2、C2,附图1为阻抗辨识参数随电池老化及SOC的变化曲线;
S45:对上述步骤获取的特征参数进行处理,得到锂离子电池寿命特征参量形式如下所示;
其中,data为通过矩阵拼接的方式所构建的寿命特征参量三维矩阵,data维度为Cycle×SOCnumber×Feature,Cycle表示电池的充放电周期、SOCnumber表示在电池每一充放电周期下选取的放电过程等间隔SOC序列、Feature表示获取的如V,OCV等11个特征参数,根据S1中获取的测试数据,data的维度为871×101×11。
S5:建立特征转换的深度学习模型,利用锂离子电池寿命特征参量对模型权重进行训练,从而得到训练后的特征转换的深度学习模型。具体步骤如下:
S51:在构建了锂离子电池寿命特征参量矩阵data后,将其输入到位置编码层,为data每一充放电周期下每一SOC对应的Feature添加位置编码,捕获data在空间位置上的特征,保证电池特征提取的全面性;
dataposition=data+positionencoding
其中position为data中每一循环内某特征参数所在空间位置,allposition为每一循环总位置数,θ为经公式计算后与position对应的参数,Featurenumber等于11,表示获取的如V,OCV等特征参数的个数,positionencoding为该特征经计算后所拥有的位置编码,dataposition为添加位置编码后的data。
S52:添加位置编码后,将dataposition输入到卷积层中,利用ReLU激活函数对dataposition所包含的空间特征信息进行再次提取,确保空间特征信息提取的完整性,之后进行批归一化处理(Batch Normalization,BN),选用的卷积核尺寸为3×3,卷积核数量m为16,步长为1,零填充。
ReLU=max(0,dataposition*ki+bi)
其中ki为第i个卷积核,*表示对dataposition进行的卷积运算,bi为第i个卷积核的偏置,m为卷积核的数量,dataconv为卷积计算后的dataposition,ReLU为在卷积层中所应用的激活函数。
S53:由于相邻充放电周期电池特征参数之间非常接近,为了增大相邻充放电周期电池特征之间的差异性,首先通过参数提取矩阵对卷积后的dataconv进行提取分别生成Q、K、V三个矩阵;
其中,WQ、WK、WV分别是用于生成Q、K、V矩阵的参数提取矩阵。dataconv为卷积后的锂离子电池寿命特征参量矩阵。
S54:对dataconv内的特征进行提取后,使用softmax函数对生成的Query、Key矩阵进行处理,分析每一充放电周期下每一SOC对应的Feature对于预测状态SOH的影响,按照对预测状态SOH的影响权重对dataconv内的特征进行重构,生成更易预测SOH的锂离子电池寿命特征参量矩阵dataattention;
其中,Key.T表示Key的转置矩阵,dk包含了Q、K、V矩阵的维度信息,i表示第i个SOC下所包含的特征信息,ei表示经Q和K的转置矩阵相乘之后第i个样本特征值的自然指数,表示所有样本特征值自然指数之和。dataattention为重构后的dataconv。
S55:对dataattention和dataconv进行残差连接,确保特征矩阵包含了电池数据在时间和空间上的全部特征,之后进行层归一化处理(Layer Normalization,LN);
dataattention=dataattention+dataconv
S56:添加前馈神经网络(Feed Forward Layer,FFL),对特征信息进行处理,之后再次进行残差连接以及归一化处理;
S57:将S53-S56重复进行4次,确保完全提取出dataconv中关于SOH预测的特征信息;
S58:添加FFL以及神经网络层对数据维度进行转化,并对当前循环下的SOH进行估计,得到SOHestimate;
S59-1:根据下式计算模型拟合误差,并应用反向传播算法,对WQ、WK、WV、FFL层和神经网络层中的参数进行更新;
S59-2:确定迭代次数为300次,重复进行S51至S59-1,更新模型参数,得到训练后的特征转换的深度学习模型,模型对训练集计算结果如附图2(1)和(3)所示,最大误差不超过0.08;
S6:对待估计锂离子电池进行任意条件下的充放电测试,获得测试数据,结合S3获取OCV数据后利用LSE对阻抗参数进行辨识,构建锂离子电池特征参量矩阵并作为输入数据,输入到训练后的基于特征转换的深度学习模型中,获得计算结果,作为待估计锂离子电池的SOH。具体步骤如下:
S61:以0.5C倍率进行充电,1.5C倍率进行放电对2.4Ah 18650型石墨基阳极/LiNi0.5Co0.2Mn0.3O2阴极进行充放电测试,获取电池充放电测试数据;所述充放电循环测试步骤如表3所示:
表3
测试步骤 | 测试名称 | 测试内容 |
1 | 恒流充电 | 以0.5C电流进行充电,直至充电至充电截止电压 |
2 | 恒压充电 | 以充电截止电压进行恒压充电,直至电流小于0.02C |
3 | 静置 | 静置30分钟 |
4 | 恒流放电 | 以1.5C电流进行放电,直至放电至放电截止电压 |
5 | 静置 | 静置30分钟 |
6 | 循环 | 重复步骤1至步骤5,直至电池衰减至寿命终点 |
S62:根据S2获取测试电池衰减老化过程中的SOH真实值SOHreal,如附图2(2)中Real SOH曲线所示;
S63:以测试电池Qloss为0为初始值根据S3对测试电池OCV进行计算,获取测试电池OCV数据;
S64:根据S4获得测试电池的阻抗辨识数据,并构建测试电池寿命特征参量矩阵datatest;
S65:将datatest输入到S5中训练好的特征转换的深度学习模型中,获得输出结果,作为测试电池的SOH估计值SOHestimate;
S66:根据S65中所估计的SOHestimate,计算此时锂离子电池Qloss,并以此计算出此时的OCV数据,作为测试电池下一循环OCV数据用于SOH预测;
S67:重复S64-S66,对测试电池全循环SOH进行预测,得到测试结果如附图2(2)(4)所示,最大误差不超过0.04。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于深度学习模型的锂离子电池健康状态诊断方法,其特征在于,包括以下步骤:
S1:对锂离子电池进行锂离子电池循环老化测试;
S2:通过所述锂离子电池循环老化测试,获取每一循环过程中锂离子电池健康状态真实值SOHreal:
其中,Capacityraw为电池额定容量,Capacity为电池在当前循环下的容量,Capacityaged为电池衰减至寿命终点时的容量;
S3:获取在不同环境温度和容量损失下的锂离子电池的开路电压OCV数据;
S4:对二阶RC等效电路模型中的电路元件参数进行辨识,并构建锂离子电池寿命特征参量矩阵;
S5:建立特征转换的深度学习模型,将锂离子电池寿命特征参量矩阵输入至深度学习模型的位置编码层,并对特征参量添加位置编码,对深度学习模型模型权重进行训练,重构锂离子电池寿命特征参量矩阵,得到训练后的特征转换的深度学习模型;
S6:对待评价的锂离子电池进行任意条件下的充放电测试,获得测试数据,结合S3获取OCV数据后利用最小二乘法对阻抗参数进行辨识,构建锂离子电池寿命特征参量矩阵并作为输入数据,输入到训练后的特征转换的深度学习模型中,获得计算结果,作为待评价锂离子电池的健康状态。
2.根据权利要求1所述一种基于深度学习模型的锂离子电池健康状态诊断方法,其特征在于,S3的具体内容包括:
S31:对锂离子电池进行充放电测试,选取恒流放电过程的电压数据作为锂离子电池的OCV数据;
S32:计算OCV相对于容量损失Qloss的梯度gradient:
其中,OCV at Qlossn1表示Qloss为Qlossn1时测试获取的OCV数据,OCV at Qlossn2表示Qloss为Qlossn2时测试获取的OCV数据,gradient表示Qloss范围在Qlossn1和Qlossn2之间时,OCV关于Qloss的梯度;
S33:判断当前Qloss所在区间,利用Qloss区间对应的gradient,对当前Qloss下的OCV进行求解:
OCV at Qloss=gradient*(Qloss-Qlossn2)+OCV at Qlossn2
其中,OCV at Qloss表示在当前Qloss下的OCV数据,Qlossn2表示所在Qloss区间的下边界,OCV at Qlossn2表示所在Qloss区间下边界所对应的OCV数据。
3.根据权利要求2所述一种基于深度学习模型的锂离子电池健康状态诊断方法,其特征在于,S4的具体内容包括:
S41:建立二阶RC等效电路模型:
其中,uocv为电池开路电压、ut为电池端电压、io为电池端电流、R0为电池欧姆内阻、为电池R1C1并联电路中流经R1的电流、R1为电池的传荷阻抗、为电池R2C2并联电路中流经R2的电流、R2为电池的扩散阻抗;
S42:给定待辨识参数R0、R1、C1、R2、C2初始值,根据锂离子电池循环老化测试过程中的锂离子电池测试时间、电压和电流数据,以及OCV数据计算出二阶RC等效电路模型的预测值通过下式计算出损失值Loss:
S43:选取Adam优化算法对待辨识参数R0、R1、C1、R2、C2进行更新,以减小Loss;
S44:确定迭代次数,对待辨识参数R0、R1、C1、R2、C2进行迭代更新,确定最优待辨识参数;
S45:锂离子电池寿命特征参量矩阵的形式为:
其中,data为通过矩阵拼接的方式所构建的锂离子电池寿命特征参量矩阵,data的维度为Cycle×SOCnumber×Feature,Cycle表示电池的充放电周期、SOCnumber表示在电池每一充放电周期下选取的放电过程等间隔SOC序列、Feature表示获取的11个特征参数。
4.根据权利要求1所述一种基于深度学习模型的锂离子电池健康状态诊断方法,其特征在于,S5的具体内容包括:
S51:将锂离子电池寿命特征参量矩阵data输入到位置编码层,为data每一充放电周期下每一SOC对应的特征参量添加位置编码,捕获data在空间位置上的特征,保证电池特征提取的全面性;
dataposition=data+positionencoding
其中,position为data中每一循环内某特征参数所在空间位置,allposition为每一循环总位置数,θ为经公式计算后与position对应的参数,Featurenumber等于11,表示获取的如V,OCV等特征参数的个数,positionencoding为该特征经计算后所拥有的位置编码,dataposition为添加位置编码后的data;
S52:将dataposition输入到卷积层中,利用ReLU激活函数对dataposition所包含的空间特征信息进行再次提取,确保空间特征信息提取的完整性,之后进行批归一化处理BN;
ReLU=max(0,dataposition*ki+bi)
其中,ki为第i个卷积核,*表示对dataposition进行的卷积运算,bi为第i个卷积核的偏置,m为卷积核的数量,dataconv为卷积计算后的dataposition,ReLU为在卷积层中所应用的激活函数;
S53:通过参数提取矩阵对卷积后的dataconv进行提取分别生成Q、K和V三个矩阵;
其中,WQ、WK、WV分别是用于生成Q、K和V矩阵的参数提取矩阵;dataconv为卷积后的锂离子电池寿命特征参量矩阵;
S54:使用softmax函数对生成的Q和K矩阵进行处理,分析每一充放电周期下每一SOC对应的特征参量对于预测状态SOH的影响,按照对预测状态SOH的影响权重对dataconv内的特征进行重构,生成更易预测SOH的锂离子电池寿命特征参量矩阵dataattention;
其中,K.T表示K的转置矩阵,dk包含了Q、K和V矩阵的维度信息,i表示第i个SOC下所包含的特征信息,ei表示经Q和K的转置矩阵相乘之后第i个样本特征值的自然指数,表示所有样本特征值自然指数之和;dataattention为重构后的dataconv;
S55:对dataattention和dataconv进行残差连接,确保特征矩阵包含了电池数据在时间和空间上的全部特征,之后进行层归一化处理LN;
dataattention=dataattention+dataconv
S56:添加前馈神经网络FFL,对特征信息进行处理,之后再次进行残差连接以及归一化处理;
S57:将S53-S56重复进行Nx次,确保完全提取出dataconv中关于SOH预测的特征信息;
S58:添加FFL以及神经网络层对数据维度进行转化,并对当前循环下的SOH进行估计,得到SOHestimate;
S59-1:计算模型拟合误差,并对WQ、WK、WV、FFL层和神经网络层中的参数进行更新:
S59-2:确定Nx及模型迭代次数,重复进行S51至S59-1,更新模型参数,得到训练后的特征转换的深度学习模型。
5.根据权利要求1所述一种基于深度学习模型的锂离子电池健康状态诊断方法,其特征在于,S6的具体内容包括:
S61:以任意充放电倍率对与S1中同种电池进行锂离子电池循环老化测试直至锂离子电池衰减至寿命终点,获取电池充放电测试数据;
S62:根据S2获取锂离子电池循环老化测试过程中的SOH真实值SOHreal;
S63:以测试电池Qloss为0为初始值根据S3对测试电池OCV进行计算,获取测试电池OCV数据;
S64:根据S4获得测试电池的阻抗辨识数据,并构建测试电池寿命特征参量矩阵datatest;
S65:将datatest输入到S5中训练好的特征转换的深度学习模型中,获得输出结果,作为测试电池的SOH估计值SOHestimate;
S66:根据S65中所估计的SOHestimate,计算此时锂离子电池Qloss,并以此计算出此时的OCV数据,作为测试电池下一循环OCV数据用于SOH预测;
S67:重复S64-S66,对测试电池全循环SOH进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381523.5A CN113009349B (zh) | 2021-04-09 | 2021-04-09 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381523.5A CN113009349B (zh) | 2021-04-09 | 2021-04-09 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113009349A true CN113009349A (zh) | 2021-06-22 |
CN113009349B CN113009349B (zh) | 2024-01-05 |
Family
ID=76388145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110381523.5A Active CN113009349B (zh) | 2021-04-09 | 2021-04-09 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009349B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406523A (zh) * | 2021-08-19 | 2021-09-17 | 中国电力科学研究院有限公司 | 一种储能电池状态评价方法、装置、电子设备及存储系统 |
CN113740739A (zh) * | 2021-07-22 | 2021-12-03 | 西安交通大学 | 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法 |
CN113740752A (zh) * | 2021-08-27 | 2021-12-03 | 济南大学 | 一种基于电池模型参数的锂电池寿命预测方法 |
CN113917336A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于片段充电时间和gru的锂离子电池健康状态预测方法 |
CN114325393A (zh) * | 2021-12-28 | 2022-04-12 | 江苏大学 | 基于pf和gpr的锂离子电池组soh自适应估算方法 |
CN114371409A (zh) * | 2022-03-07 | 2022-04-19 | 上海玫克生储能科技有限公司 | 电池状态预测模型的训练方法、电池状态预测方法及装置 |
CN114578250A (zh) * | 2022-02-28 | 2022-06-03 | 广东工业大学 | 一种基于双三角结构矩阵的锂电池soh估计方法 |
CN115267586A (zh) * | 2022-07-11 | 2022-11-01 | 国网综合能源服务集团有限公司 | 锂电池soh评估方法 |
CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
WO2023169134A1 (zh) * | 2022-03-07 | 2023-09-14 | 宁德时代新能源科技股份有限公司 | 电池soh值计算模型生成方法、计算方法、装置和系统 |
CN116953519A (zh) * | 2023-05-31 | 2023-10-27 | 山东大学 | 一种全温度锂离子电池ocv评估方法及系统 |
CN117192377A (zh) * | 2023-08-28 | 2023-12-08 | 广东工业大学 | 一种基于先验知识增强和半监督学习的锂电池soh估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
KR20150093057A (ko) * | 2014-02-06 | 2015-08-17 | 삼성에스디아이 주식회사 | 리튬 이차전지용 전해액 및 이를 포함하는 리튬 이차전지 |
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 |
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 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN112098845A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 一种用于分布式储能系统的锂电池状态估计方法 |
-
2021
- 2021-04-09 CN CN202110381523.5A patent/CN113009349B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
KR20150093057A (ko) * | 2014-02-06 | 2015-08-17 | 삼성에스디아이 주식회사 | 리튬 이차전지용 전해액 및 이를 포함하는 리튬 이차전지 |
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 |
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 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN112098845A (zh) * | 2020-08-17 | 2020-12-18 | 四川大学 | 一种用于分布式储能系统的锂电池状态估计方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740739A (zh) * | 2021-07-22 | 2021-12-03 | 西安交通大学 | 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法 |
CN113406523A (zh) * | 2021-08-19 | 2021-09-17 | 中国电力科学研究院有限公司 | 一种储能电池状态评价方法、装置、电子设备及存储系统 |
CN113740752A (zh) * | 2021-08-27 | 2021-12-03 | 济南大学 | 一种基于电池模型参数的锂电池寿命预测方法 |
CN113917336A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于片段充电时间和gru的锂离子电池健康状态预测方法 |
CN114325393A (zh) * | 2021-12-28 | 2022-04-12 | 江苏大学 | 基于pf和gpr的锂离子电池组soh自适应估算方法 |
CN114578250A (zh) * | 2022-02-28 | 2022-06-03 | 广东工业大学 | 一种基于双三角结构矩阵的锂电池soh估计方法 |
CN114578250B (zh) * | 2022-02-28 | 2022-09-02 | 广东工业大学 | 一种基于双三角结构矩阵的锂电池soh估计方法 |
CN114371409A (zh) * | 2022-03-07 | 2022-04-19 | 上海玫克生储能科技有限公司 | 电池状态预测模型的训练方法、电池状态预测方法及装置 |
WO2023169134A1 (zh) * | 2022-03-07 | 2023-09-14 | 宁德时代新能源科技股份有限公司 | 电池soh值计算模型生成方法、计算方法、装置和系统 |
CN115267586A (zh) * | 2022-07-11 | 2022-11-01 | 国网综合能源服务集团有限公司 | 锂电池soh评估方法 |
CN116953519A (zh) * | 2023-05-31 | 2023-10-27 | 山东大学 | 一种全温度锂离子电池ocv评估方法及系统 |
CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
CN116577677B (zh) * | 2023-07-14 | 2023-09-29 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
CN117192377A (zh) * | 2023-08-28 | 2023-12-08 | 广东工业大学 | 一种基于先验知识增强和半监督学习的锂电池soh估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113009349B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
CN111832220A (zh) | 一种基于编解码器模型的锂离子电池健康状态估算方法 | |
CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
CN113109715B (zh) | 基于特征选择和支持向量回归的电池健康状况预测方法 | |
JP2011521402A (ja) | 電気化学電池のスマート管理システム | |
CN112986831A (zh) | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 | |
CN113805064A (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
CN116068399A (zh) | 基于特征选择和时序注意力的锂电池健康状态估计方法 | |
CN112269134A (zh) | 一种基于深度学习的电池soc和soh联合估计方法 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN114970376A (zh) | 锂电池的健康度和剩余寿命预测模型的构建方法及装置 | |
WO2022268144A1 (zh) | 一种基于两点阻抗老化特征的锂电池在线老化诊断方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN113359048A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
CN116400246A (zh) | 基于aco-gmr的储能电站电池健康状态估计方法 | |
CN115201684A (zh) | 一种锂离子电池不同衰退模式下的寿命评估方法 | |
CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
CN112578286B (zh) | 电池soc估计方法及装置 | |
CN116736171A (zh) | 一种基于数据驱动的锂离子电池健康状态估算方法 |
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 |