CN113093013A - 一种锂电池组健康状态集成估计方法 - Google Patents

一种锂电池组健康状态集成估计方法 Download PDF

Info

Publication number
CN113093013A
CN113093013A CN202110347575.0A CN202110347575A CN113093013A CN 113093013 A CN113093013 A CN 113093013A CN 202110347575 A CN202110347575 A CN 202110347575A CN 113093013 A CN113093013 A CN 113093013A
Authority
CN
China
Prior art keywords
lithium battery
battery pack
health state
charge
lstm
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
Application number
CN202110347575.0A
Other languages
English (en)
Other versions
CN113093013B (zh
Inventor
张朝龙
赵筛筛
汪子阳
范翠霞
邵奎
胡文琪
陈明祥
朱家诚
马肖肖
王凯
万里洋
刘振雨
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.)
Hebei Jinmai Information Technology Co ltd
Sichuan Jiataihong Technology Co ltd
Original Assignee
Anqing Normal University
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 Anqing Normal University filed Critical Anqing Normal University
Priority to CN202110347575.0A priority Critical patent/CN113093013B/zh
Publication of CN113093013A publication Critical patent/CN113093013A/zh
Application granted granted Critical
Publication of CN113093013B publication Critical patent/CN113093013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/378Arrangements 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
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392Determining battery ageing or deterioration, e.g. state of health

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组健康状态的集成估计方法,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卡方数据序列和温度方差数据序列;将获得的锂电池组电压卡方数据序列、温度方差序列与健康状态数据序列分为初步建模训练集、集成模型训练集;应用长短时记忆神经网络与极限学习机分别初步建立锂电池组健康状态估计模型,使用集成模型训练集建立锂电池组健康状态集成估计模型;应用锂电池组健康状态集成估计模型估计锂电池组的健康状态。本发明构建了长短时记忆神经网络与极限学习机集成融合的锂电池组健康状态估计模型,具有操作简单、误差小、效率高的优点。

Description

一种锂电池组健康状态集成估计方法
技术领域
本发明属于电池技术领域,更具体地,涉及一种锂电池组健康状态集成估计方法,涉及通过每个充电阶段电压数据序列的电压卡方与温度方差反应锂电池组容量退化,并基于电压卡方与温度方差数据序列,分别应用长短期记忆神经网络与极限学习机建立的健康状态集成估计模型对锂电池组健康状态进行估计。
背景技术
锂电池组作为新能源汽车技术的能源供应,其高效长久稳定的运行对于新能源汽车至关重要,然而随着日常的使用,动力锂电池组的存储能力与快速充放电能力不断下降。因此,对锂电池组健康状态的精准估计是非常必要。
锂电池组的健康状态一般用作锂电池组容量老化程度的量化指标,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健康状态无法精确估计。卡方统计量是一种数据统计与分析的方法,通过计算数据的卡方,表征数据与目标数据的靠近程度。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。锂电池组的健康状态随着充放电周期的而下降,正是时间序列数据。极限学习机是一种前馈神经网络,在学习速率及泛化能力上具有优势。集成融合长短时记忆神经网络与极限学习机构造锂电池组健康状态估计模型,有效提高方法的精度、效率与泛化能力。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种锂电池组健康状态集成估计方法,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。
本发明是通过以下技术方案实现的:
一种锂电池组健康状态集成估计方法,具体包括以下步骤:
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端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端电压的卡方数据序列和温度方差数据序列;
S3、将计算后得到的端电压卡方数据序列、温度方差数据序列和健康状态数据序列分为初步建模训练数据集、集成模型训练数据集;
S4、基于初步建模训练集,应用长短时记忆神经网络与极限学习机分别初步建立锂电池组健康状态估计模型,基于集成模型训练数据集建立锂电池组健康状态集成估计模型;
S5、应用建立的锂电池组健康状态集成估计模型估计锂电池组的健康状态。
步骤S1具体步骤如下:
测量的锂电池组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 BDA0003001266840000021
Hi为第i(i=1,2,...,n)个充放电周期锂电池组的健康状态,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;
步骤S2具体步骤如下:
单节锂电池端电压卡方随着充放电周期的变化数据为V1,r,V2,r,...,Vn,r,对应的锂电池组的电压卡方数据序列为
Figure BDA0003001266840000022
其中,
Figure BDA0003001266840000023
Figure BDA0003001266840000024
Vi,r为第r(r=1,2,...m)节锂电池在第i个充放电周期的电压卡方,m为锂电池组中单体锂电池数量,xi,j,r为第r节锂电池第i个充放电周期内第j(j=1,2,...,Ni,r)个采样点的电压值,
Figure BDA0003001266840000025
为第r节锂电池第i个充放电周期内采样点电压的平均值,Ni,r为第r节锂电池第i个充放电周期内端电压采样点总数;
锂电池组的温度方差随着充放电周期的变化数据为T1,T2,...,Tn,对应的温度方差数据序列为[T1,T2,...,Tn],其中,
Figure BDA0003001266840000026
Ti为第i个充放电周期锂电池组的温度方差,Ti,j为第i个充放电周期内第j个采样点的温度值,
Figure BDA0003001266840000027
为第i个充放电周期内采样点温度的平均值,N'i为第i个充放电周期内锂电池组温度采样点总数。
步骤S3具体步骤如下:
以前k(k=1,...,n-1)个充放电周期锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列构造初步建模训练数据集:
Figure BDA0003001266840000031
Figure BDA0003001266840000032
以其它n-k个充放电周期的锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列构造集成模型训练数据集:
Figure BDA0003001266840000033
Figure BDA0003001266840000034
步骤S4具体步骤如下:
采用初步建模训练数据集中前k个充放电周期的锂电池组电压卡方与温度方差数据
Figure BDA0003001266840000035
作为训练样本,对应的每一个充放电周期的健康状态数据
Figure BDA0003001266840000036
作为训练目标,分别应用长短时记忆神经网络与极限学习机初步建立锂电池组健康状态估计模型;
使用集成模型训练数据集建立锂电池组健康状态集成估计模型步骤为:
(a):依次使用第k+1,k+2,...,n个充放电周期的锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列进行二次训练,分别记录n-k次长短时记忆神经网络与极限学习机的训练误差,并构造长短时记忆神经网络误差数组Alstm与极限学习机误差数组Aelm
Alstm={Elstm,1,Elstm,2,...,Elstm,λ,Z},Aelm={Eelm,1,Eelm,2,...,Eelm,λ,Z}
Figure BDA0003001266840000037
其中,Elstm,λ为长短时记忆神经网络第λ(λ=1,...,n-k)次对锂电池组健康状态进行估计的绝对误差,Eelm,λ为极限学习机第λ次对锂电池组健康状态估计的绝对误差,
Figure BDA0003001266840000041
为零误差数据序列,HR,λ为第λ次估计锂电池组健康状态时锂电池组的健康状态真实值,Hlstm,λ为长短时记忆神经网络第λ次对锂电池组健康状态进行估计的健康状态估计值,Helm,λ为极限学习机第λ次对锂电池组健康状态进行估计的健康状态估计值;
(b):分别计算长短时记忆神经网络与极限学习机的误差数组Alstm,Aelm的标准差Sdelstm,Sdeelm
(c):根据长短时记忆神经网络误差数组Alstm的标准差Sdelstm与极限学习机误差数组的标准差Sdeelm,计算长短时记忆神经网络与极限学习机的输出权重:
Figure BDA0003001266840000042
(d):基于长短时记忆神经网络的输出权重ωlstm与极限学习机的输出权重ωelm,建立锂电池组健康状态集成估计模型。
步骤S5具体步骤如下:
最终的锂电池组健康状态估计值:Hestimation=Hlstm×ωlstm+Helm×ωelm
其中,Hlstm为长短时记忆神经网络的健康状态估计值,Helm为极限学习机的健康状态估计值。
本发明的优点是:本发明使用电压卡方与温度方差的数据序列的结合有效反应了锂电池组容量退化情况,采用锂电池组电压卡方能够有效的化简了输入量,并减少了算法计算量;与此同时,构建了长短时记忆神经网络与极限学习机集成融合的锂电池组健康状态估计模型,具有效率高、泛化能力强的优点。
附图说明
图1是本发明实施例提供的一种锂电池组健康状态集成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健康状态测量的健康状态数据展示图;
图3是本发明实施例提供的一种锂电池组健康状态估计方法与其他三种方法对锂电池组健康状态估计结果对比图;
图4是本发明实施例提供的一种锂电池组健康状态估计方法与其他三种方法对锂电池组健康状态估计误差对比图。
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锂电池组健康状态集成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;
在本发明实施例中,在步骤S1中,测量的锂电池组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 BDA0003001266840000051
Hi为第i(i=1,2,...,n)个充放电周期锂电池组的健康状态,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。
S2:对每一个充放电周期内充电阶段端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端电压的卡方数据序列和温度方差数据序列;
在本发明实施例中,在步骤S2中,单节锂电池端电压卡方随着充放电周期的变化数据为V1,r,V2,r,...,Vn,r,对应的锂电池组的端电压卡方数据序列为
Figure BDA0003001266840000052
其中,
Figure BDA0003001266840000053
Vi,r为第r(r=1,2,...m)节锂电池在第i个充放电周期的电压卡方,m为锂电池组中单体锂电池数量,xi,j,r为第r节锂电池第i个充放电周期内第j(j=1,2,...,Ni,r)个采样点的电压值,
Figure BDA0003001266840000054
为第r节锂电池第i个充放电周期内采样点电压的平均值,Ni,r为第r节锂电池第i个充放电周期内端电压采样点总数;
锂电池组的温度方差随着充放电周期的变化数据为T1,T2,...,Tn,对应的温度方差数据序列为[T1,T2,...,Tn],其中,
Figure BDA0003001266840000061
Ti为第i个充放电周期锂电池组的温度方差,Ti,j为第i个充放电周期内第j个采样点的温度值,
Figure BDA0003001266840000062
为第i个充放电周期内采样点温度的平均值,N'i为第i个充放电周期内锂电池组温度采样点总数。
S3:将计算后得到的端电压卡方数据序列、温度方差数据序列和健康状态数据序列分为初步建模训练数据集;
在本发明实施例中,在步骤S3中,以前k(k=1,...,n-1)个充放电周期锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列构造初步建模训练数据集:
Figure BDA0003001266840000063
Figure BDA0003001266840000064
以其它n-k个充放电周期的锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列构造集成模型训练数据集:
Figure BDA0003001266840000065
Figure BDA0003001266840000066
S4:基于初步建模训练集,应用长短时记忆神经网络与极限学习机分别初步建立锂电池组健康状态估计模型,使用集成模型训练数据集建立锂电池组健康状态集成估计模型;
在本发明实施例中,在步骤S4中,采用初步建模训练数据集中前k个充放电周期的锂电池组电压卡方与温度方差数据
Figure BDA0003001266840000067
作为训练样本,对应的每一个充放电周期的健康状态数据
Figure BDA0003001266840000068
作为训练目标,分别应用长短时记忆神经网络与极限学习机初步建立锂电池组健康状态估计模型;
使用集成模型训练数据集建立锂电池组健康状态集成估计模型步骤为:
(a):依次使用第k+1,k+2,...,n个充放电周期的锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列进行二次训练,分别记录n-k次长短时记忆神经网络与极限学习机的训练误差,并构造长短时记忆神经网络误差数组Alstm与极限学习机误差数组Aelm
Alstm={Elstm,1,Elstm,2,...,Elstm,λ,Z},Aelm={Eelm,1,Eelm,2,...,Eelm,λ,Z}
Figure BDA0003001266840000071
其中,Elstm,λ为长短时记忆神经网络第λ(λ=1,...,n-k)次对锂电池组健康状态进行估计的绝对误差,Eelm,λ为极限学习机第λ次对锂电池组健康状态估计的绝对误差,
Figure BDA0003001266840000072
为零误差数据序列,HR,λ为第λ次估计锂电池组健康状态时锂电池组的健康状态真实值,Hlstm,λ为长短时记忆神经网络第λ次对锂电池组健康状态进行估计的健康状态估计值,Helm,λ为极限学习机第λ次对锂电池组健康状态进行估计的健康状态估计值;
(b):分别计算长短时记忆神经网络与极限学习机的误差数组Alstm,Aelm的标准差Sdelstm,Sdeelm
(c):根据长短时记忆神经网络误差数组Alstm的标准差Sdelstm与极限学习机误差数组的标准差Sdeelm,计算长短时记忆神经网络与极限学习机的输出权重:
Figure BDA0003001266840000073
(d):基于长短时记忆神经网络的输出权重ωlstm与极限学习机的输出权重ωelm,建立锂电池组健康状态集成估计模型。
S5:应用建立的锂电池组健康状态集成估计模型估计锂电池组的健康状态。
在本发明实施例中,在步骤S5中,最终的锂电池组健康状态估计值:Hestimation=Hlstm×ωlstm+Helm×ωelm
其中,Hlstm为长短时记忆神经网络的健康状态估计值,Helm为极限学习机的健康状态估计值。
为展示本发明提出的一种锂电池组健康状态集成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2.2Ah的磷酸铁锂电池串联成组,对锂电池组进行充放电实验,充电阶段以1.2A电流恒流充电,当锂电池组端电压达到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,当锂电池组端电压降至19.3V,放电结束。对锂电池组重复充放电,当锂电池组放电容量低于额定容量的60%,实验结束。实验共计729充放电循环,图2中展示了锂电池组健康状态随着充放电周期的退化过程。基于实验室测得的随着充放电周期锂电池组健康状态退化数据,对锂电池组健康状态进行估计实验,具体操作步骤如下:
(1)基于实验室中测得的锂电池组数据,提取出锂电池组端电压卡方数据序列、温度方差数据序列以及健康状态数据序列,一个充放电周期内锂电池组的电压卡方、温度方差与对应的健康状态为一组数据序列,共计729组数据序列。
(2)将数据集分为初步建模训练数据集、集成模型训练数据集与测试数据集:第718到728组数据序列作为集成模型训练集,第3、60、156、265、354、393、472、533、627、698、729组数据序列为测试数据集,剩余的数据集作为初步建模训练数据集。
(3)分别应用长短时记忆神经网络与极限学习机建立锂电池组健康状态初步估计模型后,使用集成模型训练集二次训练并记录训练误差,表1为11次二次训练结果的绝对误差。
表1
Figure BDA0003001266840000081
Figure BDA0003001266840000091
(3)构造误差数组Alstm,Aelm,并分别计算数组Alstm,Aelm的标准差Sdelstm,Sdeelm:Alstm={0.0328,1.3508,1.9166,1.3666,1.9933,1.691,2.0325,1.4641,1.7266,1.5535,1.2636,0,0,0,0,0,0,0,0,0,0,0}Aelm={1.3382,1.602,2.032,2.1947,2.1588,2.2788,2.7008,2.3755,2.6345,2.3276,3.1724,0,0,0,0,0,0,0,0,0,0,0}Sdelstm=0.8565,Sdeelm=1.2081。
(4)根据数组Alstm,Aelm标准差,分别计算长短时记忆神经网络与极限学习机的输出权重为:ωlstm=60%,ωelm=40%。
(5)根据长短时记忆神经网络与极限学习机的输出权重ωlstm、ωelm,将长短时记忆神经网络与极限学习机的锂电池组健康状态估计值集成融合为最终的锂电池组健康状态估计值。
与此同时,为验证本发明提出方法的优越性,采用三组不同的方法与本发明提出的方法进行对比实验,表2为所用的三组不同方法,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3为不同方法对锂电池组健康状态估计结果的平均误差与最大误差。
表2
方法 输入 估计模型
本发明提出的方法 电压卡方与温度方差 长短时记忆神经网络与极限学习机融合模型
比较方法1 电压卡方与温度方差 BP神经网络模型
比较方法2 电压卡方 长短时记忆神经网络与极限学习机融合模型
比较方法3 常规电压与温度方差 长短时记忆神经网络与极限学习机融合模型
表3
Figure BDA0003001266840000092
从对锂电池组健康状态估计的结果对比图与误差对比图中可以看出,本发明提出的锂电池组健康状态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健康状态估计方法平均误差与最大误差均低于比较方法2和比较方法3,这说明电压卡方数据序列与温度方差数据序列的结合更能反应锂电池组健康状态的退化。比较方法1的平均误差与最大误差明显高于本发明提出的健康状态估计方法,这解释了集成融合长短期记忆神经网络与极限学习机后锂电池组健康状态估计的精度更高。这说明了本发明提出的一种锂电池组的健康状态集成估计发方法具有操作简单、误差小、效率高等优点。
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 (6)

1.一种锂电池组健康状态集成估计方法,其特征在于:具体包括以下步骤:
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端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端电压的卡方数据序列和温度方差数据序列;
S3、将计算后得到的端电压卡方数据序列、温度方差数据序列和健康状态数据序列分为初步建模训练数据集、集成模型训练数据集;
S4、基于初步建模训练集,应用长短时记忆神经网络与极限学习机分别初步建立锂电池组健康状态估计模型,基于集成模型训练数据集建立锂电池组健康状态集成估计模型;
S5、应用建立的锂电池组健康状态集成估计模型估计锂电池组的健康状态。
2.根据权利要求1所述的一种锂电池组健康状态集成估计方法,其特征在于:所述步骤S1具体内容如下:
测量的锂电池组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 FDA0003001266830000011
Hi为第i(i=1,2,...,n)个充放电周期锂电池组的健康状态,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所述的一种锂电池组健康状态集成估计方法,其特征在于:所述的步骤S2具体内容如下:
所述单节锂电池端电压卡方随着充放电周期的变化数据为V1,r,V2,r,...,Vn,r,对应的锂电池组电压卡方数据序列为
Figure FDA0003001266830000012
其中,
Figure FDA0003001266830000013
Figure FDA0003001266830000014
Vi,r为第r(r=1,2,...m)节锂电池在第i个充放电周期的电压卡方,m为锂电池组中单体锂电池数量,xi,j,r为第r节锂电池第i个充放电周期内第j(j=1,2,...,Ni,r)个采样点的电压值,
Figure FDA0003001266830000021
为第r节锂电池第i个充放电周期内采样点电压的平均值,Ni,r为第r节锂电池第i个充放电周期内端电压采样点总数;
锂电池组的温度方差随着充放电周期的变化数据为T1,T2,...,Tn,对应的温度方差数据序列为[T1,T2,...,Tn],其中,
Figure FDA0003001266830000022
Ti为第i个充放电周期锂电池组的温度方差,Ti,j为第i个充放电周期内第j个采样点的温度值,
Figure FDA0003001266830000023
为第i个充放电周期内采样点温度的平均值,N'i为第i个充放电周期内锂电池组温度采样点总数。
4.根据权利要求3所述的一种锂电池组健康状态集成估计方法,其特征在于:所述的步骤S3的具体内容如下:
以前k(k=1,...,n-1)个充放电周期锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列构造初步建模训练数据集:
Figure FDA0003001266830000024
Figure FDA0003001266830000025
以其它n-k个充放电周期的锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列构造集成模型训练数据集:
Figure FDA0003001266830000026
Figure FDA0003001266830000027
5.根据权利要求4所述的一种锂电池组健康状态集成估计方法,其特征在于:所述步骤S4的具体内容如下:
采用初步建模训练数据集中前k个充放电周期的锂电池组电压卡方与温度方差数据
Figure FDA0003001266830000028
作为训练样本,对应的每一个充放电周期的健康状态数据
Figure FDA0003001266830000029
作为训练目标,分别应用长短时记忆神经网络与极限学习机初步建立锂电池组健康状态估计模型;
使用集成模型训练数据集建立锂电池组健康状态集成估计模型步骤为:
(a):依次使用第k+1,k+2,...,n个充放电周期的锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列进行二次训练,分别记录n-k次长短时记忆神经网络与极限学习机的训练误差,并构造长短时记忆神经网络误差数组Alstm与极限学习机误差数组Aelm
Alstm={Elstm,1,Elstm,2,...,Elstm,λ,Z},Aelm={Eelm,1,Eelm,2,...,Eelm,λ,Z}
Figure FDA0003001266830000031
其中,Elstm,λ为长短时记忆神经网络第λ(λ=1,...,n-k)次对锂电池组健康状态进行估计的绝对误差,Eelm,λ为极限学习机第λ次对锂电池组健康状态估计的绝对误差,
Figure FDA0003001266830000032
为零误差数据序列,HR,λ为第λ次估计锂电池组健康状态时锂电池组的健康状态真实值,Hlstm,λ为长短时记忆神经网络第λ次对锂电池组健康状态进行估计的健康状态估计值,Helm,λ为极限学习机第λ次对锂电池组健康状态进行估计的健康状态估计值;
(b):分别计算长短时记忆神经网络与极限学习机的误差数组Alstm,Aelm的标准差Sdelstm,Sdeelm
(c):根据长短时记忆神经网络误差数组Alstm的标准差Sdelstm与极限学习机误差数组的标准差Sdeelm,计算长短时记忆神经网络与极限学习机的输出权重:
Figure FDA0003001266830000033
(d):基于长短时记忆神经网络的输出权重ωlstm与极限学习机的输出权重ωelm,建立锂电池组健康状态集成估计模型。
6.根据权利要求5所述的一种锂电池组健康状态集成估计方法,其特征在于:所述的步骤S5的具体内容如下:
最终的锂电池组健康状态估计值:Hestimation=Hlstm×ωlstm+Helm×ωelm
其中,Hlstm为长短时记忆神经网络的健康状态估计值,Helm为极限学习机的健康状态估计值。
CN202110347575.0A 2021-03-31 2021-03-31 一种锂电池组健康状态集成估计方法 Active CN113093013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110347575.0A CN113093013B (zh) 2021-03-31 2021-03-31 一种锂电池组健康状态集成估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110347575.0A CN113093013B (zh) 2021-03-31 2021-03-31 一种锂电池组健康状态集成估计方法

Publications (2)

Publication Number Publication Date
CN113093013A true CN113093013A (zh) 2021-07-09
CN113093013B CN113093013B (zh) 2022-02-08

Family

ID=76671629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110347575.0A Active CN113093013B (zh) 2021-03-31 2021-03-31 一种锂电池组健康状态集成估计方法

Country Status (1)

Country Link
CN (1) CN113093013B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030764A (zh) * 2021-03-04 2021-06-25 武汉大学 一种电池组健康状态估计方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107843843A (zh) * 2017-09-30 2018-03-27 江苏理工学院 一种基于大数据和极限学习机的车载电池soc在线预测方法
CN108226809A (zh) * 2018-04-13 2018-06-29 淮阴工学院 一种多模型并用的电池soc估算方法
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电系统短期出力的预测方法
CN111241154A (zh) * 2020-01-02 2020-06-05 浙江吉利新能源商用车集团有限公司 一种基于大数据的蓄电池故障预警方法及系统
CN113176518A (zh) * 2021-03-24 2021-07-27 西安理工大学 一种锂电池健康状态估算方法
CN113391211A (zh) * 2021-06-11 2021-09-14 电子科技大学 一种小样本条件下的锂电池剩余寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107843843A (zh) * 2017-09-30 2018-03-27 江苏理工学院 一种基于大数据和极限学习机的车载电池soc在线预测方法
CN108226809A (zh) * 2018-04-13 2018-06-29 淮阴工学院 一种多模型并用的电池soc估算方法
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电系统短期出力的预测方法
CN111241154A (zh) * 2020-01-02 2020-06-05 浙江吉利新能源商用车集团有限公司 一种基于大数据的蓄电池故障预警方法及系统
CN113176518A (zh) * 2021-03-24 2021-07-27 西安理工大学 一种锂电池健康状态估算方法
CN113391211A (zh) * 2021-06-11 2021-09-14 电子科技大学 一种小样本条件下的锂电池剩余寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANFENG JIANG: "State-of-Health Estimate for the Lithium-Ion Battery Using Chi-Square and ELM-LSTM", 《WORLD ELCTR.VEH》 *
陈赐阳: "基于CNN-LSTM的锂电池剩余寿命(RUL)间接预测研究", 《电源技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030764A (zh) * 2021-03-04 2021-06-25 武汉大学 一种电池组健康状态估计方法及系统
CN113030764B (zh) * 2021-03-04 2022-01-25 武汉大学 一种电池组健康状态估计方法及系统

Also Published As

Publication number Publication date
CN113093013B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN113030764B (zh) 一种电池组健康状态估计方法及系统
CN110031770B (zh) 一种快速得到电池包中所有单体电池容量的方法
CN111142036B (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
CN110632528B (zh) 一种基于内阻检测的锂电池soh估算方法
CN113253140B (zh) 电池健康状态在线估算方法
CN109061506A (zh) 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN110208703A (zh) 基于温度修正的复合等效电路模型对荷电状态估计的方法
CN102119338A (zh) 基于电池电压变化模式估计电池健康状态的方法及装置
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN109633456B (zh) 一种基于分段电压识别法的动力锂电池组soc估算方法
CN110031771A (zh) 一种描述电池一致性的方法
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
CN116953547A (zh) 一种储能电池健康度评估方法、系统、设备及存储介质
WO2022237660A1 (zh) 一种基于两点老化特征的锂电池在线老化诊断方法
CN113359048A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN113093013B (zh) 一种锂电池组健康状态集成估计方法
CN111950205A (zh) 一种基于fwa优化极限学习机的锂电池soh预测方法
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
CN110673037B (zh) 基于改进模拟退火算法的电池soc估算方法及系统
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN116754959A (zh) 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法
CN111537887A (zh) 考虑迟滞特性的混合动力系统电池开路电压模型优化方法
CN115308608A (zh) 一种全钒液流电池电压预测方法、装置及介质
CN113820615A (zh) 一种电池健康度检测方法与装置

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
TR01 Transfer of patent right

Effective date of registration: 20221109

Address after: Room 1816, Floor 18, Unit 2, Building 3, No. 19, Wanke North Street, Chenghua District, Chengdu, Sichuan 610000

Patentee after: Sichuan Jiataihong Technology Co.,Ltd.

Address before: 073000 Room 1910, Building 3, Jueshan Community, North Commercial Street, Dingzhou City, Baoding City, Hebei Province

Patentee before: Hebei Jinmai Information Technology Co.,Ltd.

Effective date of registration: 20221109

Address after: 073000 Room 1910, Building 3, Jueshan Community, North Commercial Street, Dingzhou City, Baoding City, Hebei Province

Patentee after: Hebei Jinmai Information Technology Co.,Ltd.

Address before: 246133 No. 1318 Jixian North Road, Anqing City, Anhui Province

Patentee before: ANQING NORMAL University

TR01 Transfer of patent right