CN113093013B - 一种锂电池组健康状态集成估计方法 - Google Patents

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,...,H_n，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,...,H_n]，其中，

H_i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，C_i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V_1,r,V_2,r,...,V_n,r，对应的锂电池组的电压卡方数据序列为

其中，

V_i,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，x_i,j,r为第r节锂电池第i个充放电周期内第j(j＝1,2,...,N_i,r)个采样点的电压值，

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，N_i,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,...,T_n，对应的温度方差数据序列为[T₁,T₂,...,T_n]，其中，

T_i为第i个充放电周期锂电池组的温度方差，T_i,j为第i个充放电周期内第j个采样点的温度值，

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：

和

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：

和

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

作为训练样本，对应的每一个充放电周期的健康状态数据

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A_lstm与极限学习机误差数组A_elm：

A_lstm＝{E_lstm,1,E_lstm,2,...,E_lstm,λ,Z},A_elm＝{E_elm,1,E_elm,2,...,E_elm,λ,Z}

其中，E_lstm,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，E_elm,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，

为零误差数据序列，H_R,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，H_lstm,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，H_elm,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A_lstm,A_elm的标准差Sde_lstm,Sde_elm；

(c)：根据长短时记忆神经网络误差数组A_lstm的标准差Sde_lstm与极限学习机误差数组的标准差Sde_elm，计算长短时记忆神经网络与极限学习机的输出权重：

(d)：基于长短时记忆神经网络的输出权重ω_lstm与极限学习机的输出权重ω_elm，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：H_estimation＝H_lstm×ω_lstm+H_elm×ω_elm，

其中，H_lstm为长短时记忆神经网络的健康状态估计值，H_elm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,...,H_n，对应的健康状态数据序列为[H₁,H₂,...,H_n]，其中，

H_i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，C_i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V_1,r,V_2,r,...,V_n,r，对应的锂电池组的端电压卡方数据序列为

其中，

V_i,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，x_i,j,r为第r节锂电池第i个充放电周期内第j(j＝1,2,...,N_i,r)个采样点的电压值，

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，N_i,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,...,T_n，对应的温度方差数据序列为[T₁,T₂,...,T_n]，其中，

T_i为第i个充放电周期锂电池组的温度方差，T_i,j为第i个充放电周期内第j个采样点的温度值，

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：

和

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：

和

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

作为训练样本，对应的每一个充放电周期的健康状态数据

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A_lstm与极限学习机误差数组A_elm：

A_lstm＝{E_lstm,1,E_lstm,2,...,E_lstm,λ,Z},A_elm＝{E_elm,1,E_elm,2,...,E_elm,λ,Z}

其中，E_lstm,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，E_elm,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，

为零误差数据序列，H_R,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，H_lstm,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，H_elm,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A_lstm,A_elm的标准差Sde_lstm,Sde_elm；

(c)：根据长短时记忆神经网络误差数组A_lstm的标准差Sde_lstm与极限学习机误差数组的标准差Sde_elm，计算长短时记忆神经网络与极限学习机的输出权重：

(d)：基于长短时记忆神经网络的输出权重ω_lstm与极限学习机的输出权重ω_elm，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：H_estimation＝H_lstm×ω_lstm+H_elm×ω_elm，

其中，H_lstm为长短时记忆神经网络的健康状态估计值，H_elm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

(3)构造误差数组A_lstm,A_elm，并分别计算数组A_lstm,A_elm的标准差Sde_lstm,Sde_elm：A_lstm＝{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}A_elm＝{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}Sde_lstm＝0.8565,Sde_elm＝1.2081。

(4)根据数组A_lstm,A_elm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：ω_lstm＝60％,ω_elm＝40％。

(5)根据长短时记忆神经网络与极限学习机的输出权重ω_lstm、ω_elm,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

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 (1)

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；

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,...,H_n，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,...,H_n]，其中，

H_i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，C_i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；

所述的步骤S2具体内容如下：

单节锂电池端电压卡方随着充放电周期的变化数据为V_1,r,V_2,r,...,V_n,r，对应的锂电池组电压卡方数据序列为

其中，

V_i,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，x_i,j,r为第r节锂电池第i个充放电周期内第j(j＝1,2,...,N_i,r)个采样点的电压值，

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，N_i,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,...,T_n，对应的温度方差数据序列为[T₁,T₂,...,T_n]，其中，

T_i为第i个充放电周期锂电池组的温度方差，T_i,j为第i个充放电周期内第j个采样点的温度值，

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；

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：

和

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：

和

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

作为训练样本，对应的每一个充放电周期的健康状态数据

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A_lstm与极限学习机误差数组A_elm：

A_lstm＝{E_lstm,1,E_lstm,2,...,E_lstm,λ,Z},A_elm＝{E_elm,1,E_elm,2,...,E_elm,λ,Z}

其中，E_lstm,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，E_elm,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，

为零误差数据序列，H_R,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，H_lstm,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，H_elm,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A_lstm,A_elm的标准差Sde_lstm,Sde_elm；

(c)：根据长短时记忆神经网络误差数组A_lstm的标准差Sde_lstm与极限学习机误差数组的标准差Sde_elm，计算长短时记忆神经网络与极限学习机的输出权重：

(d)：基于长短时记忆神经网络的输出权重ω_lstm与极限学习机的输出权重ω_elm，建立锂电池组健康状态集成估计模型；

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：H_estimation＝H_lstm×ω_lstm+H_elm×ω_elm，

其中，H_lstm为长短时记忆神经网络的健康状态估计值，H_elm为极限学习机的健康状态估计值。

Images