CN113030764B - 一种电池组健康状态估计方法及系统 - Google Patents

一种电池组健康状态估计方法及系统 Download PDF

Info

Publication number
CN113030764B
CN113030764B CN202110240005.1A CN202110240005A CN113030764B CN 113030764 B CN113030764 B CN 113030764B CN 202110240005 A CN202110240005 A CN 202110240005A CN 113030764 B CN113030764 B CN 113030764B
Authority
CN
China
Prior art keywords
battery pack
lithium battery
charge
data
soh
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
CN202110240005.1A
Other languages
English (en)
Other versions
CN113030764A (zh
Inventor
何怡刚
张朝龙
赵筛筛
何鎏璐
熊元新
刘小燕
曾昭瑢
张慧
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110240005.1A priority Critical patent/CN113030764B/zh
Publication of CN113030764A publication Critical patent/CN113030764A/zh
Priority to US17/504,528 priority patent/US20220283240A1/en
Application granted granted Critical
Publication of CN113030764B publication Critical patent/CN113030764B/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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种电池组健康状态估计方法及系统，属于电池技术领域，包括：测量锂电池组每个充放电周期的健康状态数据序列以及每个充电阶段锂电池组的端电压以及温度数据序列；计算锂电池组随着充放电周期的电压熵数据序列和温度均值数据序列；基于锂电池组随着充放电周期的电压熵数据序列、温度均值序列与健康状态数据序列，应用粒子群算法对长短期记忆神经网络的学习率进行优化选择；应用粒子群优化获得的学习率，建立长短时记忆神经网络的健康状态估计模型；应用建立的长短时记忆神经网络的健康状态估计模型估计锂电池组的健康状态。本发明通过电压熵与均值温度有效反应锂电池组的容量退化，可精确估计锂电池组的健康状态。

Description

一种电池组健康状态估计方法及系统
技术领域
本发明属于电池技术领域，更具体地，涉及一种电池组健康状态估计方法及系统，涉及通过每个充电阶段电压数据序列的电压熵与温度均值反应锂电池组容量退化，并基于电压熵与温度均值应用粒子群算法优化后的长短期记忆神经网络建立的SOH估计模型对锂电池组SOH进行估计。
背景技术
新能源汽车内置的动力电池系统是新能源汽车技术的发展瓶颈，而动力电池组作为整车的能源供应，其长寿命的运行对于保障整车高效运行至关重要。然而动力锂电池组的存储能力与快速充放电能力均会随着老化而不断下降，锂电池组的SOH正是评价电池老化程度的量化指标。因此，对锂电池组SOH的精准估计是非常必要的。
锂电池组的SOH一般使用电池容量进行表征，而容量数据在不断的充放电周期中获得，其数据获取过程不可避免存在各种因素影响，从而导致对锂电池组的SOH无法精确估计。信息熵是一种数据统计与分析的方法，通过计算数据的信息熵，表征数据的不确定性，能够有效的反应原数据。长短期记忆神经网络是一种循环神经网络，适用于处理与时间序列相关的问题。长短期记忆神经网路中的学习率对估计误差有着极大的影响，以往多通过经验尝试法获得。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种电池组健康状态估计方法及系统，能够有效反应锂电池组容量的退化，并精确估计锂电池组的健康状态。
为实现上述目的，按照本发明的一个方面，提供了一种电池组健康状态估计方法，包括：
(1)测量锂电池组随着充放电周期的健康状态SOH数据序列以及特征数据序列，其中，锂电池组随着充放电周期的特征数据序列包括每一个充放电周期内充电阶段端电压和温度的变化数据；
(2)对每一个充放电周期内充电阶段电压和温度的变化数据进行统计分析，计算锂电池组随着充放电周期的电压熵数据序列和温度均值数据序列；
(3)基于锂电池组随着充放电周期的电压熵数据序列、温度均值数据序列和SOH数据序列，应用粒子群算法对长短期记忆神经网络的学习率进行优化选择；
(4)应用粒子群优化获得的学习率，建立长短时记忆神经网络的SOH估计模型，以应用建立的长短时记忆神经网络的SOH估计模型估计锂电池组的SOH。
在一些可选的实施方案中，步骤(1)包括：
测量的锂电池组健康状态数据为锂电池组的SOH数据，健康状态随着充放电周期的变化数据为H1,H2,...,Hn，对应的锂电池组随着充放电周期的健康状态数据序列为[H1,H2,...,Hn]，其中，
Figure BDA0002961824600000021
Hi为第i(i＝1,2,...,n)个充放电周期锂电池组的SOH，n为充放电周期个数，Ci为第i个充放电周期锂电池组的放电容量，C为锂电池组的额定容量；
在一些可选的实施方案中，步骤(2)包括：
单节电池电压熵随着充放电周期的变化数据为V1,r,V2,r,...,Vn,r，对应的电池组的电压熵数据序列为
Figure BDA0002961824600000022
其中，
Figure BDA0002961824600000023
Vi,r为第r(r＝1,2,...m)节电池在第i个充放电周期的电压熵，m为电池组中单体电池数量，xi,j,r为第r节电池第i个充放电周期内第j(j＝1,2,...,Ni)个采样点的电压值，Ni为第i个充放电周期内采样点总数；
电池组的温度均值随着充放电周期的变化数据为T1,T2,...,Tn，对应的温度均值数据序列为[T1,T2,...,Tn]，其中，
Figure BDA0002961824600000031
Ti为第i个充放电周期锂电池组的温度均值，Ti,j为第i个充放电周期内第j个采样点的温度值。
在一些可选的实施方案中，步骤(3)包括：
训练数据集为
Figure BDA0002961824600000032
和
Figure BDA0002961824600000033
测试数据集为[Vk+1，1 … Vk+1,mTk+1]和[Hk+1]，采用前k(k＝1，...,n-1)个充放电周期的锂电池组电压熵与温度均值数据作为样本，对应的每一个充放电周期的SOH数据作为目标进行训练，第k+1个充放电周期的锂电池组电压熵、温度均值与SOH数据进行测试；
以第k+1个充放电周期的SOH的真实值与估计值的绝对差值为适应度函数，使用粒子群算法优化长短期记忆神经网络学习率的过程为：
(a)随机初始化粒子群算法，包括每个粒子的位置、速度、迭代次数和算法结束条件等，其中需要优化的学习率被映射为粒子；
(b)使用训练集
Figure BDA0002961824600000034
和
Figure BDA0002961824600000035
用作训练，测试数据集[Vk+1，1 …Vk+1,m Tk+1]和[Hk+1]进行测试，并设置学习率范围；
(c)将粒子的位置带入适应度函数，得到每个粒子的适应值；
(d)比较粒子当前位置适应值与历史最佳位置的适应值，择优生成每个粒子的最优解；
(e)比较粒子的历史最佳适应值和全局最优位置的适应值，择优生成全局最优解；
(f)更新粒子的速度与位置并检验误差是否达到误差要求；
(g)重复(c)～(f)直至满足误差要求，输出学习率结果。
在一些可选的实施方案中，步骤(4)包括：
对第k个充放电周期前的训练数据集进行训练，粒子群算法优化长短期记忆神经网络的学习率后，输入第k+1个充放电周期的锂电池组电压熵与温度均值数据序列[Vk+1，1… Vk+1,m Tk+1]，输出的结果Hk+1即为第k+1个充放电周期SOH的估计值。
按照本发明的另一方面，提供了一种电池组健康状态估计系统，包括：
第一数据处理模块，用于测量锂电池组随着充放电周期的健康状态SOH数据序列以及特征数据序列，其中，锂电池组随着充放电周期的特征数据序列包括每一个充放电周期内充电阶段端电压和温度的变化数据；
第二数据处理模块，用于对每一个充放电周期内充电阶段电压和温度的变化数据进行统计分析，计算锂电池组随着充放电周期的电压熵数据序列和温度均值数据序列；
优化模块，用于基于锂电池组随着充放电周期的电压熵数据序列、温度均值数据序列和SOH数据序列，应用粒子群算法对长短期记忆神经网络的学习率进行优化选择；
模型估计模块，用于应用粒子群优化获得的学习率，建立长短时记忆神经网络的SOH估计模型，以应用建立的长短时记忆神经网络的SOH估计模型估计锂电池组的SOH。
在一些可选的实施方案中，所述第一数据处理模块，用于测量的锂电池组健康状态数据为锂电池组的SOH数据，健康状态随着充放电周期的变化数据为H1,H2,...,Hn，对应的锂电池组随着充放电周期的健康状态数据序列为[H1,H2,...,Hn]，其中，
Figure BDA0002961824600000051
Hi为第i(i＝1,2,...,n)个充放电周期锂电池组的SOH，n为充放电周期个数，Ci为第i个充放电周期锂电池组的放电容量，C为锂电池组的额定容量；
在一些可选的实施方案中，所述第二数据处理模块，用于将单节电池电压熵随着充放电周期的变化数据作为V1,r,V2,r,...,Vn,r，对应的电池组的电压熵数据序列为
Figure BDA0002961824600000052
其中，
Figure BDA0002961824600000053
Vi,r为第r(r＝1,2,...m)节电池在第i个充放电周期的电压熵，m为电池组中单体电池数量，xi,j,r为第r节电池第i个充放电周期内第j(j＝1,2,...,Ni)个采样点的电压值，Ni为第i个充放电周期内采样点总数；
电池组的温度均值随着充放电周期的变化数据为T1,T2,...,Tn，对应的温度均值数据序列为[T1,T2,...,Tn]，其中，
Figure BDA0002961824600000054
Ti为第i个充放电周期锂电池组的温度均值，Ti,j为第i个充放电周期内第j个采样点的温度值。
在一些可选的实施方案中，所述优化模块，用于确定训练数据集为
Figure BDA0002961824600000055
和
Figure BDA0002961824600000056
测试数据集为[Vk+1，1 … Vk+1,m Tk+1]和[Hk+1]，采用前k(k＝1，...,n-1)个充放电周期的锂电池组电压熵与温度均值数据作为样本，对应的每一个充放电周期的SOH数据作为目标进行训练，第k+1个充放电周期的锂电池组电压熵、温度均值与SOH数据进行测试；
以第k+1个充放电周期的SOH的真实值与估计值的绝对差值为适应度函数，使用粒子群算法优化长短期记忆神经网络学习率的过程为：
(a)随机初始化粒子群算法，包括每个粒子的位置、速度、迭代次数和算法结束条件等，其中需要优化的学习率被映射为粒子；
(b)使用训练集
Figure BDA0002961824600000061
和
Figure BDA0002961824600000062
用作训练，测试数据集[Vk+1，1 …Vk+1,m Tk+1]和[Hk+1]进行测试，并设置学习率范围；
(c)将粒子的位置带入适应度函数，得到每个粒子的适应值；
(d)比较粒子当前位置适应值与历史最佳位置的适应值，择优生成每个粒子的最优解；
(e)比较粒子的历史最佳适应值和全局最优位置的适应值，择优生成全局最优解；
(f)更新粒子的速度与位置并检验误差是否达到误差要求；
(g)重复(c)～(f)直至满足误差要求，输出学习率结果。
在一些可选的实施方案中，所述模型估计模块，用于对第k个充放电周期前的训练数据集进行训练，粒子群算法优化长短期记忆神经网络的学习率后，输入第k+1个充放电周期的锂电池组电压熵与温度均值数据序列[Vk+1，1 … Vk+1,m Tk+1]，输出的结果Hk+1即为第k+1个充放电周期SOH的估计值。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
使用电压熵与均值温度的数据序列有效反应了锂电池组容量退化情况；与此同时，采用电池组电压熵能够有效的化简了输入量，减少计算量；长短时记忆神经网络在粒子群算法优化选择了学习率之后，其估计精度相对于传统的经验法有了明显的提高。
附图说明
图1是本发明实施例提供的一种电池组健康状态估计方法的流程示意图；
图2是本发明实施例提供的一种锂电池组SOH测量的SOH数据展示图；
图3是本发明实施例提供的一种电池组SOH估计方法与其他三种方法对锂电池组SOH估计结果对比图；
图4是本发明实施例提供的一种电池组SOH估计方法与其他三种方法对锂电池组SOH估计误差对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示是本发明实施例提供的一种电池组健康状态估计方法的流程示意图，在图1所示的方法中，包括以下步骤：
S1：测量锂电池组随着充放电周期的健康状态(State of Health，SOH)数据序列以及特征数据序列，其中，锂电池组随着充放电周期的特征数据序列包括每一个充放电周期内充电阶段端电压和温度的变化数据；
S2：对每一个充放电周期内充电阶段电压和温度的变化数据进行统计分析，计算锂电池组随着充放电周期的电压熵数据序列和温度均值数据序列；
S3：基于锂电池组随着充放电周期的电压熵数据序列、温度均值数据序列和SOH数据序列，应用粒子群算法对长短期记忆神经网络的学习率进行优化选择；
S4：应用粒子群优化获得的学习率，建立长短时记忆神经网络的SOH估计模型；
S5：应用建立的长短时记忆神经网络的SOH估计模型估计锂电池组的SOH。
在本发明实施例中，在步骤S1中，测量的锂电池组健康状态数据为锂电池组的SOH数据，健康状态随着充放电周期的变化数据为H1,H2,...,Hn，对应的健康状态数据序列为[H1,H2,...,Hn]，其中，
Figure BDA0002961824600000084
Hi为第i(i＝1,2,...,n)个充放电周期锂电池组的SOH，n为充放电周期个数，Ci为第i个充放电周期锂电池组的放电容量，C为锂电池组的额定容量；
测量的锂电池组随着充放电周期的特征信息指的是每一个充放电周期内充电阶段端电压、温度的变化数据。
在本发明实施例中，在步骤S2中，单节电池电压熵随着充放电周期的变化数据作为V1,r,V2,r,...,Vn,r，对应的电池组的电压熵数据序列为
Figure BDA0002961824600000081
其中，
Figure BDA0002961824600000082
Vi,r为第r(r＝1,2,...m)节电池在第i个充放电周期的电压熵，m为电池组中单体电池数量，xi,j,r为第r节电池第i个充放电周期内第j(j＝1,2,...,Ni)个采样点的电压值，Ni为第i个充放电周期内采样点总数；
电池组的温度均值随着充放电周期的变化数据为T1,T2,...,Tn，对应的温度均值数据序列为[T1,T2,...,Tn]，其中，
Figure BDA0002961824600000083
Ti为第i个充放电周期锂电池组的温度均值，Ti,j为第i个充放电周期内第j个采样点的温度值。
在本发明实施例中，在步骤S3中，训练数据集为
Figure BDA0002961824600000091
和
Figure BDA0002961824600000092
测试数据集为[Vk+1，1 … Vk+1,m Tk+1]和[Hk+1]，采用前k(k＝1，...,n-1)个充放电周期锂电池组的电压熵与温度均值数据作为样本，对应的每一个充放电周期的SOH数据作为目标进行训练，第k+1个充放电周期的锂电池组的电压熵、温度均值与SOH数据进行测试。
以第k+1个充放电周期的SOH的真实值与估计值的绝对差值为适应度函数，使用粒子群算法优化长短期记忆神经网络学习率的过程为：
(1)随机初始化粒子群算法，包括每个粒子的位置、速度、迭代次数和算法结束条件等，其中，需要优化的学习率被映射为粒子；
(2)使用训练集
Figure BDA0002961824600000093
和
Figure BDA0002961824600000094
用作训练，测试数据集[Vk+1，1 …Vk+1,m Tk+1]和[Hk+1]进行测试，并设置学习率范围；
(3)将粒子的位置带入适应度函数，得到每个粒子的适应值；
(4)比较粒子当前位置适应值与历史最佳位置的适应值，择优生成每个粒子的最优解；
(5)比较粒子的历史最佳适应值和全局最优位置的适应值，择优生成全局最优解；
(6)更新粒子的速度与位置并检验误差是否达到误差要求；
(7)重复步骤(3)～步骤(6)直至满足误差要求，输出学习率结果。
其中，粒子群算法是一种基于群体智能的全局随机搜索算法，该算法在d维空间随机生成一定数量的粒子并采用位置lq,d,H(q＝1,2,...,Μ)和速度νq,d,H表示粒子具有的特征，Μ是粒子的数量，H为当前迭代次数，结束条件设置为误差小于1e-4，通常包括求取每个粒子适应值、生成每个粒子最优解以及全局最优解、更新粒子速度与位置四个操作过程；
择优生成每个粒子最优解以及全局最优解的标准为：选取每个粒子所有历史适应值中最大适应值对应的位置作为每个粒子最优解，将每个粒子历史最大适应值与全局最优位置对应的适应值做比较，取最大适应值对应的位置作为全局最优解；
粒子速度与位置由下列公式更新：
νq,d,H+1＝ωνq,d,H+c1r1(pq,d,H-lq,d,H)+c2r2(pq,d,H,g-lq,d,H)
lq,d,H+1＝lq,d,H+νq,d,H+1
其中，ω是惯性权重，c1、c2称为加速常数，r1、r2取(0,1)内的随机数，νq,d,H和lq,d,H分别代表粒子q经过H次迭代后在d维空间中的当前速度与位置，pq,d,H和pq,d,H,g分别代表粒子q经过H次迭代后在d维空间中的当前个体最优解与全局最优解。
在本发明实施例中，在步骤S4中，应用经粒子群算法优化后的长短期记忆神经网络估计锂电池组的SOH方法为：对第k个充放电周期前的训练数据集进行训练，粒子群算法优化长短期记忆神经网络的学习率后，输入第k+1个充放电周期的电压熵与温度均值数据序列[Vk+1，1 … Vk+1,m Tk+1]，输出的结果Hk+1即为第k+1个充放电周期SOH的估计值。
为展示本发明提出的一种电池组健康状态估计方法的过程与估计性能，在此以一个实例说明。
实验室中以某品牌六节额定容量为2.4Ah、放电容量为2.35Ah的单体电池串联成组，对电池组进行充电放实验，充电阶段以1.2A电流恒流充电，当电池组端电压达到24.9V，保持端电压不变继续充电，当充电电流降至48mA，充电结束。搁置10s后以2A电流恒流放电，当电池组端电压降至19.3V，放电结束。对电池组重复充放电，当电池组放电容量低于额定容量的60％，实验结束。实验共计83天，图2中展示了锂电池组SOH随着充放电周期的变化。具体操作步骤如下：
(1)基于实验室中测得的锂电池组数据，提取出锂电池组电压熵数据序列、温度均值数据序列以及SOH数据序列，一个充放电周期内的电压熵、温度均值与对应的SOH为一组数据，以第1-82天数据为训练数据，从第83天中任取一组数据为测试集，应用粒子群算法对长短期记忆神经网络的学习率进行优化选择；
粒子群算法中种群规模与迭代次数分别设置为30和500，随机初始化粒子的位置与速度，学习率设置为0.0001-0.1之间，当长短期记忆神经网络的估计值与差值连续三次小于0.0001时，算法结束。优化选择的宽度因子为0.0007。
(2)以0.0007作为学习率应用于长短期记忆神经网络，从第8、21、35、46、51、57、65、71、78、81天中随机任取数据作为测试集对锂电池组SOH进行估计，相对应的训练集分别为第1-59、1-155、1-264、1-353、1-392、1-471、1-532、1-626、1-697、1-728组数据，与此同时，分别采用三种常用方法与本发明提出的方法进行对比，表1为所用的对比方法，图3、图4分别为不同方法的估计结果对比图与误差对比图，表2为统计的不同方法估计结果平均误差与最大误差。
表1
方法 输入 估计算法
本发明提出的方法 电压熵与温度均值 粒子群算法优化后的长短时记忆神经网络
比较方法1 电压与温度均值 粒子群算法优化后的长短时记忆神经网络
比较方法2 电压熵与温度均值 BP神经网络
比较方法3 电压熵 粒子群算法优化后的长短时记忆神经网络
表2
Figure BDA0002961824600000121
从估计结果的对比图与误差对比图中可以看出，本发明提出的锂电池组SOH估计方法的估计值与真实值更加稳合，同样的结论可从表2中得出。本发明提出的锂电池组SOH估计方法平均误差与最大误差均低于比较方法1和比较方法3，这说明电压熵与均值温度的结合更能反应锂电池组容量的退化。比较方法2的平均误差与最大误差明显高于本发明提出的SOH估计方法。这解释了经粒子群算法优化后的长短期记忆神经网络估计精度高。这说明了本发明提出的一种锂电池组的健康状态估计发方法具有操作简单、误差小、精度高等优点。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种电池组健康状态估计方法，其特征在于，包括：
(1)测量锂电池组随着充放电周期的健康状态SOH数据序列以及特征数据序列，其中，锂电池组随着充放电周期的特征数据序列包括每一个充放电周期内充电阶段端电压和温度的变化数据；
(2)对每一个充放电周期内充电阶段电压和温度的变化数据进行统计分析，计算锂电池组随着充放电周期的电压熵数据序列和温度均值数据序列；
(3)基于锂电池组随着充放电周期的电压熵数据序列、温度均值数据序列和SOH数据序列，应用粒子群算法对长短期记忆神经网络的学习率进行优化选择；
其中，步骤(3)包括：
训练数据集为
Figure FDA0003406305890000011
和
Figure FDA0003406305890000012
测试数据集为[Vk+1，1 … Vk+1,m Tk+1]和[Hk+1]，采用前k(k＝1，...,n-1)个充放电周期的锂电池组电压熵与温度均值数据作为样本，对应的每一个充放电周期的SOH数据作为目标进行训练，第k+1个充放电周期的锂电池组电压熵、温度均值与SOH数据进行测试，Vi,r为第r(r＝1,2,...m)节电池在第i个充放电周期的电压熵，m为电池组中单体电池数量，Hi为第i个充放电周期锂电池组的SOH，n为充放电周期个数，Ti为第i个充放电周期锂电池组的温度均值；
以第k+1个充放电周期的SOH的真实值与估计值的绝对差值为适应度函数，使用粒子群算法优化长短期记忆神经网络学习率的过程为：
(a)随机初始化粒子群算法，包括每个粒子的位置、速度、迭代次数和算法结束条件，其中需要优化的学习率被映射为粒子；
(b)使用训练集
Figure FDA0003406305890000021
和
Figure FDA0003406305890000022
用作训练，测试数据集[Vk+1，1 … Vk+1,mTk+1]和[Hk+1]进行测试，并设置学习率范围；
(c)将粒子的位置带入适应度函数，得到每个粒子的适应值；
(d)比较粒子当前位置适应值与历史最佳位置的适应值，择优生成每个粒子的最优解；
(e)比较粒子的历史最佳适应值和全局最优位置的适应值，择优生成全局最优解；
(f)更新粒子的速度与位置并检验误差是否达到误差要求；
(g)重复(c)～(f)直至满足误差要求，输出学习率结果；
(4)应用粒子群优化获得的学习率，建立长短时记忆神经网络的SOH估计模型，以应用建立的长短时记忆神经网络的SOH估计模型估计锂电池组的SOH。
2.根据权利要求1所述的方法，其特征在于，步骤(1)包括：
测量的锂电池组健康状态数据为锂电池组的SOH数据，健康状态随着充放电周期的变化数据为H1,H2,...,Hn，对应的锂电池组随着充放电周期的健康状态数据序列为[H1,H2,...,Hn]，其中，
Figure FDA0003406305890000023
Hi为第i(i＝1,2,...,n)个充放电周期锂电池组的SOH，n为充放电周期个数，Ci为第i个充放电周期锂电池组的放电容量，C为锂电池组的额定容量。
3.根据权利要求2所述的方法，其特征在于，步骤(2)包括：
单节电池电压熵随着充放电周期的变化数据为V1,r,V2,r,...,Vn,r，对应的电池组的电压熵数据序列为
Figure FDA0003406305890000031
其中，
Figure FDA0003406305890000032
Vi,r为第r(r＝1,2,...m)节电池在第i个充放电周期的电压熵，m为电池组中单体电池数量，xi,j,r为第r节电池第i个充放电周期内第j(j＝1,2,...,Ni)个采样点的电压值，Ni为第i个充放电周期内采样点总数；
电池组的温度均值随着充放电周期的变化数据为T1,T2,...,Tn，对应的温度均值数据序列为[T1,T2,...,Tn]，其中，
Figure FDA0003406305890000033
Ti为第i个充放电周期锂电池组的温度均值，Ti,j为第i个充放电周期内第j个采样点的温度值。
4.根据权利要求3所述的方法，其特征在于，步骤(4)包括：
对第k个充放电周期前的训练数据集进行训练，粒子群算法优化长短期记忆神经网络的学习率后，输入第k+1个充放电周期的锂电池组电压熵与温度均值数据序列[Vk+1，1 …Vk+1,m Tk+1]，输出的结果Hk+1即为第k+1个充放电周期SOH的估计值。
5.一种电池组健康状态估计系统，其特征在于，包括：
第一数据处理模块，用于测量锂电池组随着充放电周期的健康状态SOH数据序列以及特征数据序列，其中，锂电池组随着充放电周期的特征数据序列包括每一个充放电周期内充电阶段端电压和温度的变化数据；
第二数据处理模块，用于对每一个充放电周期内充电阶段电压和温度的变化数据进行统计分析，计算锂电池组随着充放电周期的电压熵数据序列和温度均值数据序列；
优化模块，用于基于锂电池组随着充放电周期的电压熵数据序列、温度均值数据序列和SOH数据序列，应用粒子群算法对长短期记忆神经网络的学习率进行优化选择；
其中，所述优化模块具体用于执行以下操作：
训练数据集为
Figure FDA0003406305890000041
和
Figure FDA0003406305890000042
测试数据集为[Vk+1，1 … Vk+1,m Tk+1]和[Hk+1]，采用前k(k＝1，...,n-1)个充放电周期的锂电池组电压熵与温度均值数据作为样本，对应的每一个充放电周期的SOH数据作为目标进行训练，第k+1个充放电周期的锂电池组电压熵、温度均值与SOH数据进行测试，Vi,r为第r(r＝1,2,...m)节电池在第i个充放电周期的电压熵，m为电池组中单体电池数量，Hi为第i个充放电周期锂电池组的SOH，n为充放电周期个数，Ti为第i个充放电周期锂电池组的温度均值；
以第k+1个充放电周期的SOH的真实值与估计值的绝对差值为适应度函数，使用粒子群算法优化长短期记忆神经网络学习率的过程为：
(a)随机初始化粒子群算法，包括每个粒子的位置、速度、迭代次数和算法结束条件，其中需要优化的学习率被映射为粒子；
(b)使用训练集
Figure FDA0003406305890000043
和
Figure FDA0003406305890000044
用作训练，测试数据集[Vk+1，1 … Vk+1,mTk+1]和[Hk+1]进行测试，并设置学习率范围；
(c)将粒子的位置带入适应度函数，得到每个粒子的适应值；
(d)比较粒子当前位置适应值与历史最佳位置的适应值，择优生成每个粒子的最优解；
(e)比较粒子的历史最佳适应值和全局最优位置的适应值，择优生成全局最优解；
(f)更新粒子的速度与位置并检验误差是否达到误差要求；
(g)重复(c)～(f)直至满足误差要求，输出学习率结果；
模型估计模块，用于应用粒子群优化获得的学习率，建立长短时记忆神经网络的SOH估计模型，以应用建立的长短时记忆神经网络的SOH估计模型估计锂电池组的SOH。
6.根据权利要求5所述的系统，其特征在于，所述第一数据处理模块，用于测量的锂电池组健康状态数据为锂电池组的SOH数据，健康状态随着充放电周期的变化数据为H1,H2,...,Hn，对应的锂电池组随着充放电周期的健康状态数据序列为[H1,H2,...,Hn]，其中，
Figure FDA0003406305890000051
Hi为第i(i＝1,2,...,n)个充放电周期锂电池组的SOH，n为充放电周期个数，Ci为第i个充放电周期锂电池组的放电容量，C为锂电池组的额定容量。
7.根据权利要求6所述的系统，其特征在于，所述第二数据处理模块，用于将单节电池电压熵随着充放电周期的变化数据作为V1,r,V2,r,...,Vn,r，对应的电池组的电压熵数据序列为
Figure FDA0003406305890000052
其中，
Figure FDA0003406305890000053
Vi,r为第r(r＝1,2,...m)节电池在第i个充放电周期的电压熵，m为电池组中单体电池数量，xi,j,r为第r节电池第i个充放电周期内第j(j＝1,2,...,Ni)个采样点的电压值，Ni为第i个充放电周期内采样点总数；
电池组的温度均值随着充放电周期的变化数据为T1,T2,...,Tn，对应的温度均值数据序列为[T1,T2,...,Tn]，其中，
Figure FDA0003406305890000054
Ti为第i个充放电周期锂电池组的温度均值，Ti,j为第i个充放电周期内第j个采样点的温度值。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
CN202110240005.1A 2021-03-04 2021-03-04 一种电池组健康状态估计方法及系统 Active CN113030764B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110240005.1A CN113030764B (zh) 2021-03-04 2021-03-04 一种电池组健康状态估计方法及系统
US17/504,528 US20220283240A1 (en) 2021-03-04 2021-10-19 Method and system for estimating state of health of battery pack

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110240005.1A CN113030764B (zh) 2021-03-04 2021-03-04 一种电池组健康状态估计方法及系统

Publications (2)

Publication Number Publication Date
CN113030764A CN113030764A (zh) 2021-06-25
CN113030764B true CN113030764B (zh) 2022-01-25

Family

ID=76467621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110240005.1A Active CN113030764B (zh) 2021-03-04 2021-03-04 一种电池组健康状态估计方法及系统

Country Status (2)

Country Link
US (1) US20220283240A1 (zh)
CN (1) CN113030764B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408138B (zh) * 2021-06-29 2022-01-07 广东工业大学 一种基于二次融合的锂电池soh估计方法和系统
CN113671401A (zh) * 2021-08-30 2021-11-19 武汉理工大学 一种基于优化算法与数据驱动的锂电池健康状态评估方法
CN114167301A (zh) * 2021-11-30 2022-03-11 同济大学 一种基于电动汽车实车数据的动力电池评估方法
CN114839556A (zh) * 2022-05-10 2022-08-02 中国第一汽车股份有限公司 动力电池异常检测方法、装置、存储介质及电子装置
CN115754738B (zh) * 2022-12-01 2023-07-18 合肥力高动力科技有限公司 一种基于小样本学习孪生网络的电池组健康状态估计方法
CN116029329A (zh) * 2023-02-15 2023-04-28 武汉工程大学 一种焦虑里程值预测方法、装置、系统以及存储介质
CN116342246B (zh) * 2023-03-06 2024-04-23 浙江孚临科技有限公司 违约风险评估方法、设备与存储介质
CN116908694B (zh) * 2023-07-13 2024-02-02 江苏果下科技有限公司 一种家用储能系统的soh估算方法
CN116774075A (zh) * 2023-08-28 2023-09-19 清华四川能源互联网研究院 一种锂离子电池健康状态评估方法及系统
CN117949832A (zh) * 2024-03-27 2024-04-30 湖南大学 一种基于优化神经网络的电池soh分析方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106249101A (zh) * 2016-06-30 2016-12-21 湖南大学 一种智能配电网故障辨识方法
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
KR101946784B1 (ko) * 2017-09-29 2019-02-12 한국과학기술원 칼만 필터를 이용하여 배터리의 엔트로피를 측정하는 방법
CN109991542A (zh) * 2019-03-27 2019-07-09 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN112001113A (zh) * 2020-07-02 2020-11-27 浙江大学 一种基于粒子群优化长短时记忆网络的电池寿命预测方法
CN113065281A (zh) * 2021-03-20 2021-07-02 北京工业大学 一种基于传递熵与长短期记忆网络的te过程时序预测方法
CN113093013A (zh) * 2021-03-31 2021-07-09 安庆师范大学 一种锂电池组健康状态集成估计方法
CN113671401A (zh) * 2021-08-30 2021-11-19 武汉理工大学 一种基于优化算法与数据驱动的锂电池健康状态评估方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10556510B2 (en) * 2012-04-27 2020-02-11 California Institute Of Technology Accurate assessment of the state of charge of electrochemical cells
US9846886B2 (en) * 2013-11-07 2017-12-19 Palo Alto Research Center Incorporated Strategic modeling for economic optimization of grid-tied energy assets
WO2016100919A1 (en) * 2014-12-19 2016-06-23 California Institute Of Technology Improved systems and methods for management and monitoring of energy storage and distribution
GB2556076B (en) * 2016-11-17 2022-02-23 Bboxx Ltd Method
US11901517B2 (en) * 2017-12-07 2024-02-13 Yasmi IP PTE. LTD. Method and system for assessing a state of charge/discharge (SOC/SOD) for an electrochemical cell
US20220187375A1 (en) * 2020-12-14 2022-06-16 University Of South Carolina Lithium-ion battery health management based on single particle model
KR20220096993A (ko) * 2020-12-31 2022-07-07 성균관대학교산학협력단 배터리 노화 상태 추정 방법 및 이를 수행하는 장치

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106249101A (zh) * 2016-06-30 2016-12-21 湖南大学 一种智能配电网故障辨识方法
KR101946784B1 (ko) * 2017-09-29 2019-02-12 한국과학기술원 칼만 필터를 이용하여 배터리의 엔트로피를 측정하는 방법
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
CN109991542A (zh) * 2019-03-27 2019-07-09 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN112001113A (zh) * 2020-07-02 2020-11-27 浙江大学 一种基于粒子群优化长短时记忆网络的电池寿命预测方法
CN113065281A (zh) * 2021-03-20 2021-07-02 北京工业大学 一种基于传递熵与长短期记忆网络的te过程时序预测方法
CN113093013A (zh) * 2021-03-31 2021-07-09 安庆师范大学 一种锂电池组健康状态集成估计方法
CN113671401A (zh) * 2021-08-30 2021-11-19 武汉理工大学 一种基于优化算法与数据驱动的锂电池健康状态评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Neural-Network-Based Method for RUL;JIANTAO QU;《IEEE ACCESS》;20190627;全文 *
罗浩文.固体氧化物燃料电池系统的复合优化在线控制策略.《汽车安全与节能学报 》.2020, *
考虑预警负荷的电动汽车充放电优化策略;周斌;《电力建设》;20200401;全文 *

Also Published As

Publication number Publication date
CN113030764A (zh) 2021-06-25
US20220283240A1 (en) 2022-09-08

Similar Documents

Publication Publication Date Title
CN113030764B (zh) 一种电池组健康状态估计方法及系统
CN110146822B (zh) 一种基于恒流充电过程的车用动力电池容量在线估计方法
CN108896914B (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN110398697B (zh) 一种基于充电过程的锂离子健康状态估计方法
CN110632528B (zh) 一种基于内阻检测的锂电池soh估算方法
CN113655385B (zh) 锂电池soc估计方法、装置及计算机可读存储介质
CN111142036A (zh) 基于容量增量分析的锂离子电池在线快速容量估计方法
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
CN106250576A (zh) 一种基于动态阻抗的锂电池模型的建模方法
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN112557907A (zh) 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN111812515A (zh) 基于XGboost模型的锂离子电池荷电状态估算
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
CN112782594B (zh) 考虑内阻的数据驱动算法估算锂电池soc的方法
CN111950205A (zh) 一种基于fwa优化极限学习机的锂电池soh预测方法
CN112083334A (zh) 一种基于数据驱动的锂离子电池荷电状态估计方法
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
CN113311337A (zh) 基于相关向量回归的锂离子电池剩余寿命检测方法
CN114779103A (zh) 一种基于时滞卷积神经网络的锂离子电池soc估计方法
CN115356635A (zh) 一种锂电池等效电路模型参数的辨识方法
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN113820615A (zh) 一种电池健康度检测方法与装置
Lyu et al. State-of-charge estimation of lithium-ion batteries based on deep neural network
CN113805060A (zh) 基于相关向量回归的锂电池剩余寿命检测方法

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