CN113093014B - 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 - Google Patents

一种基于阻抗参数的soh与soc的在线协同估计方法及系统 Download PDF

Info

Publication number
CN113093014B
CN113093014B CN202110352980.1A CN202110352980A CN113093014B CN 113093014 B CN113093014 B CN 113093014B CN 202110352980 A CN202110352980 A CN 202110352980A CN 113093014 B CN113093014 B CN 113093014B
Authority
CN
China
Prior art keywords
soh
soc
neural network
charge
storage battery
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
CN202110352980.1A
Other languages
English (en)
Other versions
CN113093014A (zh
Inventor
尹春杰
王亚男
宋彦螟
李鹏飞
肖发达
宋其征
赵钦
王光旭
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.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu 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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202110352980.1A priority Critical patent/CN113093014B/zh
Publication of CN113093014A publication Critical patent/CN113093014A/zh
Application granted granted Critical
Publication of CN113093014B publication Critical patent/CN113093014B/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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本公开提出了一种基于阻抗参数的SOH与SOC的在线协同估计方法，包括：向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据，基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识，引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH，具有较高的准确度并具有较好的泛化能力，考虑了SOC与SOH两者的强耦合性，避免单一变量估算带来的误差。

Description

一种基于阻抗参数的SOH与SOC的在线协同估计方法及系统
技术领域
本发明属于电池管理技术领域，具体涉及一种基于阻抗参数的SOH与SOC的在线协同估计方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
风力发电、光伏发电及以冷热源供给为主导的联产联供等分布式能源发电方式具有间歇性、不确定性及用电负荷本身的波动性及随机性，从微电网稳定性、经济性及与主电网的友好协同方面综合考虑，用户侧分布式储能装置成为高效微电网重要的组成部分并直接影响着微电网的性能。蓄电池通过可逆化学反应实现电能存储，使用寿命受充/放电特性、循环深度、环境温度、均衡性等多项参数指标的影响很大。多年来业界形成一种共识，大部分蓄电池损坏不是由于放电而是由于长时间过度充电导致的。蓄电池组的寿命在储能系统成本中占比较高并对储能系统有效寿命起着决定性作用。
发明人在研究中发现，目前蓄电池健康状态多采用离线检测，不能实时更新模型参数，适用性差，同时对于SOH与SOC的系统估算是直接通过开路电压法、阻抗估算法以及卡尔曼滤波等进行估算，无法实现实时估计，而且误差较大，卡尔曼滤波虽然适应性好，但受模型限制，因此面临蓄电池健康状态在线准确测量的难题。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于阻抗参数的SOH与SOC的在线协同估计方法，考虑同与容量相关的SOC与SOH参数耦合性，基于Thevenin电路模型，利用LSTM的动态逼近与长时间记忆能力，基于阻抗参数的SOH与SOC协同在线实现SOH与SOC的精确估计。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种基于阻抗参数的SOH与SOC的在线协同估计方法，包括：
向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据；
基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；
引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH。
进一步的技术方案，基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识，包括：
选择Thevenin等效电路模型作为蓄电池等效电路模型；
分析放电电流和端电压的变化情况，得到电流激励作用下的电压变化曲线；
分析电流激励作用下的电压变化曲线，进行阻抗参数的辨识。
进一步的技术方案，将采集的充放电数据转化为时间序列数据；
进一步的技术方案，引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH，包括：
引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，结合当前时刻的时间序列数据和前一时刻荷电状态SOCt-1构建SOC估算模型输出当前时刻的荷电状态SOCt；
结合当前时刻的阻抗参数和当前时刻的荷电状态SOCt，输入前一时刻脉冲充放电得到的SOHt-1，再次引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，构建SOH估算模型，估计蓄电池的健康状态SOHt。
进一步的技术方案，对LSTM循环神经网络模型进行训练和学习，包括：
确定LSTM循环神经网络模型子网络的输入节点、隐藏层节点、全连接输出节点。
进一步的技术方案，所述充放电数据包括目标蓄电池端电压、电流、温度；所述阻抗参数包括极化内阻、极化电容及电池等效内阻。
进一步的技术方案，基于阻抗参数和SOC估算模型估计池的健康状态，包括：
训练过程使用Adam算法加速收敛。
本说明书实施方式提供一种阻抗参数的SOH与SOC的在线协同估计系统，通过以下技术方案实现：
包括：
数据采集模块，被配置为：向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据；
阻抗参数辨识模块，被配置为：基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；
SOC和SOH协同估计模块，被配置为：引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH。
与现有技术相比，本公开的有益效果是：
(1)本公开采用引入LSTM循环神经网络，利用LSTM的长时间记忆能力，估算预充放电工作时间抢险管SOC与SOH，具有较高的准确度并具有较好的泛化能力。
(2)本公开考虑了SOC与SOH两者的强耦合性，避免单一变量估算带来的误差，根据SOC与SOH估算在储能系统中的实际需求，设置了不同的时间估算尺度，保证预算效果的同时，降低了系统计算的工作量。
(3)本公开训练过程使用Adam算法加速收敛，加快网络的收敛速度，有效减少神经网络模型训练步数，缩短训练时间，对促进储能系统蓄电池状态监测及能量管理水平提升具有实际意义。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例子基于阻抗参数的SOH与SOC的在线协同估计方法的流程示意图；
图2是本公开实施例子中处于不同寿命周期的间歇放电过程示意图；
图3是本公开实施例子中蓄电池等效电路模型；
图4是本公开实施例子中电流激励作用下的电压变化曲线；
图5是本公开实施例子中单层LSTM神经元内部结构图；
图6是本公开实施例子中SOC荷电状态估算模型；
图7是本公开实施例子中SOC和SOH协同估算模型；
图8是本公开实施例子中LSTM模型训练结构；
图9a是本发明实施例一公开的SOH估算值与真实值曲线；
图9b是本发明实施例一公开的SOH估算估算误差针状图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
发明整体构思：
利用LSTM的动态逼近与长时间记忆能力，通过采集电池端电压、电流及温度的时间序列数据实现荷电状态实时估算，基于Thevenin电路模型，在特定间歇放电状态下实现极化内阻Rp、极化电容Cp及电池等效内阻Rd的参数辨识，并联同当前SOC估计值、历史SOH共同作为LSTM模型的输入，实现蓄电池健康状态估算。
实施例子一
该实施例公开了一种基于阻抗参数的SOH与SOC的在线协同估计方法，本实施例子的目的是：采用具有长时间记忆及动态特征跟踪能力的LSTM循环神经网络实现SOH与SOC的在线协同估算。
如图1所示，本申请提供了一种基于阻抗参数的SOH与SOC的在线协同估计方法，该方法包括以下步骤：
步骤1：向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据。
电池的健康状态是一个缓慢变化的物理量，估算频率可设定为每周一次，甚至更久。估算时，利用储能电池负载可控的特点，在电池正常充放电循环的基础上，每周固定时间施加一定时段标准间歇放电过程。放电过程包括：①对电池施加5C的中低倍率电流10分钟，即带载10分钟。②电池空载静止10分钟。处于不同寿命周期的间歇放电过程示意如图2所示，可以得到充放电过程中电流和端电压数据，分析采集过程中电流和端电压的变化情况。
步骤2：基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；
包括如下步骤：
步骤201：选择Thevenin等效电路模型作为蓄电池等效电路模型，如图3所示为Thevenin等效电路模型，Thevenin电路模型合理描绘了蓄电池的静态与动态特性。在Thevenin等效电路模型中，Rp为极化内阻，Cp为极化电容，两者并联为阻容环节来反映电池的动态特性。Up为极化电压，Uocv为开路电压，Uo为端电压，I为充放电电流。
根据基尔霍夫定律可得到：
Uo＝Uocv-Rd×I-Up (1)
Figure BDA0003001298290000061
步骤202：分析放电电流和端电压的变化情况，得到电流激励作用下的电压变化曲线。
根据脉冲过程中脉冲电流和端电压变化的情况，得到如图4所示为电流激励作用下的电压变化曲线，[t1，t2]时段为放电过程，[t2，t3]时段为静置过程，[t3，t4]时段为充电过程。可以看出，在放电及充电过程起始时刻均发生了蓄电池端电压瞬变，在电压突变瞬间可以近似得出欧姆内阻Rd：
Figure BDA0003001298290000071
步骤203：分析电流激励作用下的电压变化曲线，进行阻抗参数的辨识。
随着时间推移，电池的端电压变化趋于平缓，端电压稳态值主要受电池极化内阻影响，可以推得充放电极化内阻算式如下：
Figure BDA0003001298290000072
由于极化电容的作用导致电池端电压变化缓慢，进一步描述充放电期间内部极化电压变化过程，如下：
Figure BDA0003001298290000073
此等效惯性滞后环节时间常数τ＝RpCp。
根据工程惯例，近似取稳态端电压上升至94％的时间为3τ，由此可确定τ值，从而可估算极化电容Cp的数值，为：
Figure BDA0003001298290000074
步骤3：引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH。
荷电状态SOC定义如式(7)所示，用以表征电池可用剩余电荷的状态：
Figure BDA0003001298290000075
其中，SOC0为电池的初始荷电状态，C0为额定容量，I为蓄电池实时充放电电流。
从SOC定义式(7)可以看出，SOC具有时间相依性，当前SOC值与历史SOC、本时段累积工作状况及额定容量等有关。而蓄电池的实际额定容量与电池温度、端电压、充放电倍率等诸多因素相关。
步骤301：将采集的充放电数据转化为时间序列数据，提取输入特征；
其中，为了保证SOC估算的有效性，数据必须具备一定的规模。对于这些随时间连续变化的量，不可能完全预测出其在固定时间内连续变化的情况，需要将上述充放电数据数据处理成为离散的时间序列。所涉及到的输入特征包括充放电电流、端电压和温度。
步骤302：引入LSTM循环神经网络模型，将输入特征输入LSTM循环神经网络模型构建SOC估算模型，估算当前时刻的SOC；
传统的神经网络结构，层与层之间的神经元节点之间是全连接的，而每层内部的神经元节点之间是完全不相连的。但是，在处理有关时间序列的问题时，传统的神经网络结构往往效果不佳，原因主要在于传统的神经网络结构无法反映出时间序列中数据之间的联系和变化规律，从而导致预测效果较差。
LSTM循环神经网络结构，每层内部的神经元节点之间存在连接，如图5所示为单层LSTM神经元内部结构图，与RNN在神经元之间的传递只有一个隐藏层输出状态ht相比，LSTM定义了一个细胞状态Ct作为内部记忆单元在整个链上运行，并通过遗忘门、输入门、输出门三个门结构来更新细胞状态内的信息。
当前时刻隐含层的输入向量不仅包括当前时刻输入层的输出向量，还包括上一个时刻隐含层的输出向量；当前时刻神经网络的输出向量不仅与当前时刻神经网络的输入向量有关，还与上一个时刻神经网络的状态有关。LSTM循环神经网络会对上一个时刻的状态产生记忆功能，并用作当前时刻输出向量的计算。
其计算过程为：
ft＝σ(Wf·[ht-1,xt]+bf) (8)
it＝σ(Wi·[ht-1,xt]+bi) (9)
Figure BDA0003001298290000091
Figure BDA0003001298290000092
ot＝σ(Wo·[ht-1,xt]+bo) (12)
ht＝ot·tanh(Ct) (13)
其中，Wf、Wi、Wc、Wo、bf、bi、bc、bo分别表示对应的权重系数矩阵和偏置项，σ表示sigmoid函数，tanh表示双曲正切激活函数，遗忘门ft如公式(8)所示，是利用sigmoid函数对上一时刻隐藏层输出ht-1和当前输出xt选择性的丢弃一些信息，1表示“完全保留”，0表示“完全舍弃”；输入们it如公式(9)，决定让一些信息加入，同时如公式(10)所示，利用tanh函数提供备用更新内容
Figure BDA0003001298290000093
进一步，如公式(11)所示，由遗忘门和输入门确定上一时刻的细胞状态Ct-1和当前时刻的候选状态
Figure BDA0003001298290000094
在当前细胞状态中所占的比例；而后输出门ot如公式(12)所示，仍由sigmoid函数来确定细胞状态输出部分；最后将ot与通过tanh函数进行处理得到值在-1到1之间的细胞状态Ct相乘输出ht，如公式(13)所示。
选取目标蓄电池当前时刻端电压Ut、电流It、温度Tt及前一时刻荷电状态SOCt-1作为LSTM循环神经网络的输入，输出当前时刻的荷电状态SOCt，构建如图6所示的SOC荷电状态估算模型。
其中，神经网络是由大量的神经元节点相互联接构成的，整个神经网络结构分为输入层、隐含层和输出层，该模型对于蓄电池的任意工况都可以适用。
步骤303：基于Thevenin等效电路模型的阻抗参数和SOC估算模型估计池的健康状态。
如图7所示为SOC和SOH协同估算模型，其估算过程如下所示：
Figure BDA0003001298290000101
SOH的标准定义是电池从充满状态下以一定倍率放电到截止电压所放出的容量Ct与标称容量C0之间的比值。
Step1：确定SOH估算模型子网络的输入节点、隐藏层节点、全连接输出节点。
其中，神经网络是由大量的神经元节点相互联接构成的，整个神经网络结构一般分为输入层、隐含层和输出层，运用神经网络进行训练、学习和预测之前，必须先确定神经网络的规模。
Step2：确定SOH估算模型的输入，对SOH估算模型进行训练和学习，估算当前时刻的SOH。
SOH估算模型选取LSTM循环神经网络，具体构建过程和SOC估算模型的构建过程一致，在此不再赘述。结合当前时刻的荷电状态SOCt和当前时刻的阻抗参数、前一时刻估算的健康状态SOHt-1，得到SOH估算模型的输入，即输入
Figure BDA0003001298290000102
确定当前时刻的SOH估算模型的输出，输出为YSOHt＝[SOHt]，实现对当前时刻SOH的估算。
其中，对LSTM循环神经网络模型进行训练和学习，包括：
输入层：对原始变量时间序列集进行分割、标准化处理，以满足网络输入要求；
隐含层：采用如图8所示的LSTM单元结构对参数进行权重更新、优化；
输出层：输出预测结果、反标准化处理、验证误差；
模型训练：模型采用Adam优化算法进行。
(1)标准化与反标准化
温度、电压、电流等参数的量纲不相同，会导致训练过程中各个变量所占的权重不同。因此，在进行模型训练前需要统一几个参数的量纲，将数据归一化到[0,1]内，以降低预测误差。
Figure BDA0003001298290000111
式中xm为原始数据；xn为标准化数据；max(x)、min(x)分别为变量x的最大值和最小值。在模型训练结束后，为了更直观的得到预测参数，需要对输出结果反标准化。
(2)误差评价
LSTM循环神经网络的性能常由均方根误差RMSE评定，xi表示第i组数据的预测值，
Figure BDA0003001298290000114
表示第i组数据的真实值，n为神经网络训练过程中的迭代次数，RMSE计算公式为：
Figure BDA0003001298290000112
此外，神经网络算法也常使用平均绝对误差(Mean Abso l ute Error，MAE)对性能估算方法描述MAE计算公式为：
Figure BDA0003001298290000113
将Rdt、Rpt、Cpt、Rpt、SOCt、SOHt-1作为LSTM循环神经网络的输入层特征输入，采用使用Adam算法加速收敛，隐层中含有若干神经元。
适应性动量估计算法(Adam)优化算法是一种自适应学习速率的优化算法，使用梯度的第二个时刻的平均值(非中心方差)不同的参数单独调整学习率，Adam的具体工作过程如下：
定义时间t上一个参数矢量wt；一阶矩阵估计mt；二阶矩阵估计vt；
Figure BDA0003001298290000121
是关于矢量w的偏导；gt是当前时刻函数的目标梯度；ft(wt-1)是时间t-1上的一个随机目标函数。初始化参数向量w0、m0＝0、v0＝0、时间t0＝0。当参数wt没有收敛时，令t＝t+1，循环迭代更新个部分。如式(18)所示，更新随机目标函数在时间t上对参数w所求梯度。
Figure BDA0003001298290000122
根据新的梯度更新一阶矩阵估计mt与二阶矩阵估计vt。
mt＝β1mt-1|(1 β1)gt (19)
vt＝β2vt-1|(1 β2)gt 2 (20)
一般情况下默认一阶矩估计的指数衰减率β1取0.9；二阶矩估计的指数衰减率β2取0.999。计算偏差修正的一阶矩阵估计mt'、二阶矩阵估计vt'如下式所示。
Figure BDA0003001298290000123
Figure BDA0003001298290000124
更新模型参数wt
Figure BDA0003001298290000125
上式中，η为步长；ε是一个非常小的常数(如10e-8)，是为了防止在现实计算中除数为零。
为了使得本领域技术人员能够更加清楚地了解本公开的技术方案，以下将结合具体的实施例与对比例详细说明本公开的技术方案。
本实施例选用美国宇航局NASA开源实验数据，在MATLAB2020a环境下开展实验验证。各类实验数据共涉及四只2000mAh的18650锂离子电池，分别标记为1#、2#、7#和8#，对本发明的具体实现过程进行进一步说明。
选取1#，2#，7#电池共564个脉冲充放电实验数据作为训练组，8#电池的180个脉冲充放电数据作为测试组。由Thevenin等效模型辨识出欧姆电阻、极化电阻、极化电容，并由SOC模型估算出SOC后进一步估算SOH。SOH估算子网络选取5个输入节点、96*5个隐藏层节点、1个全连接输出节点，在MATLAB2020a环境下训练和测试，测试结果如图9a所示为SOH估算值与真实值曲线对照图，如图9b所示为SOH估算误差针状图。
进一步实验测试结果如表1所示，具有较好的估算精度及泛化能力。
表1 SOH估计误差列表
Figure BDA0003001298290000131
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
(1)本公开采用引入LSTM循环神经网络，利用LSTM的长时间记忆能力，估算预充放电工作时间抢险管SOC与SOH，具有较高的准确度并具有较好的泛化能力。
(2)本公开考虑了SOC与SOH两者的强耦合性，避免单一变量估算带来的误差，根据SOC与SOH估算在储能系统中的实际需求，设置了不同的时间估算尺度，保证预算效果的同时，降低了系统计算的工作量。
(3)本公开的估算结果准确，对促进储能系统蓄电池状态监测及能量管理水平提升具有实际意义。
实施例子二
本说明书实施方式提供一种阻抗参数的SOH与SOC的在线协同估计系统，通过以下技术方案实现：
包括：
数据采集模块，被配置为：向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据；
阻抗参数辨识模块，被配置为：基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；
SOC和SOH协同估计模块，被配置为：引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH。
该实施例子中的具体模块的实现可参见实施例子一中的相关技术内容，此处不再进行具体的描述。
实施例子三
本说明书实施方式提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现实施例子一中的一种阻抗参数的SOH与SOC的在线协同估计方法的步骤。
实施例子四
本说明书实施方式提供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，该程序被处理器执行时实现实施例子一中的一种阻抗参数的SOH与SOC的在线协同估计方法的步骤。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.一种基于阻抗参数的SOH与SOC的在线协同估计方法，包括：
向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据；
基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；
引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH；
所述引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH，具体包括：
引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，结合当前时刻的时间序列数据和前一时刻荷电状态SOCt-1构建SOC估算模型输出当前时刻的荷电状态SOCt；
结合当前时刻的阻抗参数和当前时刻的荷电状态SOCt，输入前一时刻脉冲充放电得到的SOHt-1，再次引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，构建SOH估算模型，估计蓄电池的健康状态SOHt。
2.如权利要求1所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法，其特征是，基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识，包括：
选择Thevenin等效电路模型作为蓄电池等效电路模型；
分析放电电流和端电压的变化情况，得到电流激励作用下的电压变化曲线；
分析电流激励作用下的电压变化曲线，进行阻抗参数的辨识。
3.如权利要求1所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法，其特征是，将采集的充放电数据转化为时间序列数据。
4.如权利要求3所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法，其特征是，对LSTM循环神经网络模型进行训练和学习，包括：
确定LSTM循环神经网络模型子网络的输入节点、隐藏层节点、全连接输出节点。
5.如权利要求1所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法，其特征是，所述充放电数据包括目标蓄电池端电压、电流、温度；
所述阻抗参数包括极化内阻、极化电容及电池等效内阻。
6.如权利要求4所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法，其特征是，训练过程使用Adam算法加速收敛。
7.一种基于阻抗参数的SOH与SOC的在线协同估计系统，其特征是，包括：
数据采集模块，被配置为：向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据；
阻抗参数辨识模块，被配置为：基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；
SOC和SOH协同估计模块，被配置为：引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH；
所述引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH，具体包括：
引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，结合当前时刻的时间序列数据和前一时刻荷电状态SOCt-1构建SOC估算模型输出当前时刻的荷电状态SOCt；
结合当前时刻的阻抗参数和当前时刻的荷电状态SOCt，输入前一时刻脉冲充放电得到的SOHt-1，再次引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，构建SOH估算模型，估计蓄电池的健康状态SOHt。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任一所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法的步骤。
9.一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，该程序被处理器执行时实现权利要求1-6任一所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法的步骤。
CN202110352980.1A 2021-03-31 2021-03-31 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 Active CN113093014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110352980.1A CN113093014B (zh) 2021-03-31 2021-03-31 一种基于阻抗参数的soh与soc的在线协同估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110352980.1A CN113093014B (zh) 2021-03-31 2021-03-31 一种基于阻抗参数的soh与soc的在线协同估计方法及系统

Publications (2)

Publication Number Publication Date
CN113093014A CN113093014A (zh) 2021-07-09
CN113093014B true CN113093014B (zh) 2022-05-27

Family

ID=76672262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110352980.1A Active CN113093014B (zh) 2021-03-31 2021-03-31 一种基于阻抗参数的soh与soc的在线协同估计方法及系统

Country Status (1)

Country Link
CN (1) CN113093014B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113740739B (zh) * 2021-07-22 2023-05-02 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
CN113884935B (zh) * 2021-11-02 2024-05-14 桂林电子科技大学 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法
CN116184223B (zh) * 2021-11-29 2024-09-10 比亚迪股份有限公司 评估电池荷电状态估算算法准确度的方法及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN109870651A (zh) * 2019-01-22 2019-06-11 重庆邮电大学 一种电动汽车动力电池系统soc和soh联合在线估算方法
CN110346734A (zh) * 2019-06-19 2019-10-18 江苏大学 一种基于机器学习的锂离子动力电池健康状态估算方法
CN110554324A (zh) * 2019-08-26 2019-12-10 华中科技大学 一种soc和soh联合估计方法
CN110705743A (zh) * 2019-08-23 2020-01-17 国网浙江省电力有限公司 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN111337832A (zh) * 2019-12-30 2020-06-26 南京航空航天大学 一种动力电池多维度融合soc和soh在线联合估算的方法
EP3736587A1 (en) * 2019-05-08 2020-11-11 Tata Consultancy Services Limited A method and a system for estimation of remaining useful life in lithium based batteries
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
CN112269134A (zh) * 2020-09-10 2021-01-26 杭州电子科技大学 一种基于深度学习的电池soc和soh联合估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180246173A1 (en) * 2017-02-28 2018-08-30 Honeywell International Inc. Online determination of model parameters of lead acid batteries and computation of soc and soh
CN109061506A (zh) * 2018-08-29 2018-12-21 河海大学常州校区 基于神经网络优化ekf的锂离子动力电池soc估计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN109870651A (zh) * 2019-01-22 2019-06-11 重庆邮电大学 一种电动汽车动力电池系统soc和soh联合在线估算方法
EP3736587A1 (en) * 2019-05-08 2020-11-11 Tata Consultancy Services Limited A method and a system for estimation of remaining useful life in lithium based batteries
CN110346734A (zh) * 2019-06-19 2019-10-18 江苏大学 一种基于机器学习的锂离子动力电池健康状态估算方法
CN110705743A (zh) * 2019-08-23 2020-01-17 国网浙江省电力有限公司 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN110554324A (zh) * 2019-08-26 2019-12-10 华中科技大学 一种soc和soh联合估计方法
CN111337832A (zh) * 2019-12-30 2020-06-26 南京航空航天大学 一种动力电池多维度融合soc和soh在线联合估算的方法
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
CN112269134A (zh) * 2020-09-10 2021-01-26 杭州电子科技大学 一种基于深度学习的电池soc和soh联合估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"动力型锂电池SOC与SOH协同估计";刘熹;《太赫兹科学与电子信息学报》;20200830;第18卷(第4期);全文 *
"基于双UKF滤波器的锂电池SOC-SOH联合估计方法";陈涛;《船电技术》;20201220;全文 *
"基于深度学习的锂离子电池SOC和SOH联合估算";李超然;《中国电机工程学报》;20210226;全文 *

Also Published As

Publication number Publication date
CN113093014A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113064093B (zh) 储能电池荷电状态与健康状态联合估算方法及系统
Zhao et al. Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及系统
CN105954679B (zh) 一种锂电池荷电状态的在线估计方法
Takyi-Aninakwa et al. An optimized relevant long short-term memory-squared gain extended Kalman filter for the state of charge estimation of lithium-ion batteries
Yao et al. A surface temperature estimation method for lithium-ion battery using enhanced GRU-RNN
Zheng et al. State of health estimation for lithium battery random charging process based on CNN-GRU method
Yang et al. The remaining useful life estimation of lithium-ion battery based on improved extreme learning machine algorithm
CN112630659A (zh) 一种基于改进bp-ekf算法的锂电池soc估算方法
Shi et al. The optimization of state of charge and state of health estimation for lithium‐ions battery using combined deep learning and Kalman filter methods
Li et al. A recurrent neural network with long short-term memory for state of charge estimation of lithium-ion batteries
De Sousa et al. Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms
Wang et al. Battery full life cycle management and health prognosis based on cloud service and broad learning
KR20240015240A (ko) 신경망 모델 뱅크를 기반으로 하는 리튬 배터리의 온라인 충전 상태 및 건강 상태 추정 방법 및 시스템
CN110673037A (zh) 基于改进模拟退火算法的电池soc估算方法及系统
CN115308608A (zh) 一种全钒液流电池电压预测方法、装置及介质
Gou et al. Remaining useful life prediction for lithium-ion battery using ensemble learning method
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
Lyu et al. State-of-charge estimation of lithium-ion batteries based on deep neural network
Song et al. Capacity estimation method of lithium-ion batteries based on deep convolution neural network
CN117110880A (zh) 一种用于云端-边缘端协同的电池多状态联合估计方法
CN116930769A (zh) 一种基于双向生成式对抗神经网络的锂电池建模方法
Xiao et al. Remaining useful life prediction of lithium-ion battery based on unscented Kalman filter and back propagation neural network
Zhang et al. The early prediction of lithium-ion battery remaining useful life using a novel long short-term memory network
CN114594397B (zh) 基于泛化模型的锂离子电池健康状态估计方法及系统

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