CN113156325A - 一种对电池的健康状态进行估计的方法 - Google Patents
一种对电池的健康状态进行估计的方法 Download PDFInfo
- Publication number
- CN113156325A CN113156325A CN202110289004.6A CN202110289004A CN113156325A CN 113156325 A CN113156325 A CN 113156325A CN 202110289004 A CN202110289004 A CN 202110289004A CN 113156325 A CN113156325 A CN 113156325A
- Authority
- CN
- China
- Prior art keywords
- battery
- component
- algorithm
- prediction
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 title claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 12
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 4
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 4
- 241000287127 Passeridae Species 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 20
- 238000007599 discharging Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000002847 impedance measurement Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 abstract description 4
- 230000015654 memory Effects 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 12
- 206010011906 Death Diseases 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 230000002431 foraging effect Effects 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003446 memory effect Effects 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
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种对电池的健康状态进行估计的方法，具体步骤如下：步骤一，在25℃温度下，对锂离子电池进行三种不同的测试方案；步骤二，通过对各个分量的预测，得出预测结果IMF1*、IMF2*、IMF3*、IMF4*和Residual*以及相对应的各个分量预测误差；步骤三，重构步骤二中每一个分量信号的预测结果，最终的容量预测结果为各个分量预测相加之合。本发明的混合模型可以对电池的SOH和RUL进行实时的精确预测，避免因电池过度使用引发的事故灾难，利用改进的带有自适应噪声的互补集合经验模态分解算法对容量数据进行分解，可以避免数据中噪声的干扰。
Description
技术领域
本发明涉及电池管理系统领域，特别涉及一种对电池的健康状态进行估 计的方法。
背景技术
面对全球环境的日趋加剧以及可再生能源的枯竭问题，各国政府提倡研 发新能源汽车来替代传统燃油车来解决这两大难题。其中电动汽车作为新能 源汽车的主力已经受到了广泛的关注。由于锂电池具有能量密度和功率承受 力高、标称电压高、自放电率低、周期长和没有记忆效应等特点，现在已经 被广泛应用在电动自行车、纯电动或混合动力汽车、卫星和飞机等电力辅助 系统。随着充放电次数的增加和工作条件的不断变化，电池内部的化学反应 会变得非常缓慢，最终会造成电池老化，使得电池的实际容量远远低于其额定容量，从而导致其性能下降。老化的电池会直接导致汽车或者卫星电力系 统出现故障，影响整个机器的正常使用。因此，电池健康状况(state ofhealth， SOH)和剩余使用寿命(remaining useful life，RUL)的预测是电池监控系统 的一项主要任务，可以减少由电池老化而引起的一些重大灾难事故。近些年， 电池SOH和RUL的预测已经成为故障预测和健康管理工程领域的一个热点 和挑战性问题，引起了研究人员的广泛关注与研究，并取得了一些出色的效 果。这些研究的方法主要分为基于模型的方法和数据驱动的方法两大类。
基于模型的方法主要是利用一些经验数学公式来描述电池历史容量衰减 的趋势，然后利用粒子滤波(particle filter，PF)相关的技术来预测电池的SOH 和RUL。虽然基于模型的方法在电池RUL的预测方面取得了一些成功，但是 没有一个通用和精确的数学模型来描述不同型号电池的退化现象。此外，一 些改进的PF算法并不能完全消除粒子退化现象，而且在仿真过程中受到噪声 值的影响较大，仿真结果容易出现较大的偏差。和基于模型的方法相比，数 据驱动的方法不需要一个确定的数学模型来描述电池退化现象，更适用于不 同型号的电池数据预测。其主要是从电池退化数据中提取典型特征(如容量、 电流、电压、阻抗和温度等)，然后利用机器学习和深度学习的方法将这些 历史特征和当前的SOH建立某种映射关系，通过训练大量的数据得到一个模 型来预测电池的SOH和RUL。这些方法主要包括人工神经网络(artificial neural network,ANN)、支持向量回归(supportvector regression,SVR)、相 关向量机(relevance vector machine，RVM)、高斯过程回归(Gaussian process regression，GPR)、长短时记忆神经网络(long short-term memorynetwork， LSTM)等。为了提高SVR算法的预测精度，一些优化算法，如粒子群优化 算法、人工蜂群优化算法和差分进化算法等被提出用于寻找SVR算法中最佳 惩罚系数c和核函数半径g。随着计算机硬件设备的发展，一些复杂网络的深 度学习技术，如LSTM算法和卷积神经网络(Convolution neural network，CNN) 算法被应用在电池数据领域的估算上。但是在工作过程中，电池容易受到自 身的物理特性和外部工作环境的影响，电池寿命的退化是一个复杂的非线性 过程，容易出现短暂的容量再生现象，且伴随着大量的噪声。为了减少这种 随机的噪声干扰，一些信号处理的方法，如小波分解技术和带有自适应噪声 的互补集合经验模态分解算法(Complete Ensemble Empirical Mode Decomposition withAdaptive Noise，CEEMDAN)被提出。
通过以上分析可知，数据驱动的方法都能够实现对电池的SOH和RUL 精确估算，但是每种算法也都有一些自身的缺点。如一些元启发式优化算法 在寻优过程中容易陷入局部最优，从而找不到最优值。一些结构复杂的深度 学习网络将耗费巨大的计算量，而且网络中的一些参数不一定为最佳值。 CEEMDAN信号处理方法存在噪声残留和分解早期出现的假模式的问题。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷，提供一种对电池的健 康状态进行估计的方法。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明一种对电池的健康状态进行估计的方法，具体步骤如下：
步骤一，在25℃温度下，对锂离子电池进行三种不同的测试方案，即恒 流恒压(constant current constant voltage，CC-CV)充电实验、恒流 (constant current，CC)放电实验和阻抗测量实验，在充电阶段，开始以 CC模式充电，其电流大小为1.5A，直到电压达到充电截止电压4.2V，然后将 充电模式转化成CV模式对电池进行充电，即电压保持在4.2V，直到电流下降 到充电截止电流20mA，在放电阶段，以CC的模式放电，其电流大小为2A， 直到达到放电截止电压2.7V；
得到电池容量数据时，首先利用ICEEMDAN信号分解算法将其分解成若 干个高频信号和一个低频部分，并将容量数据进行分解；
步骤二，利用SVR算法对分解后高频信号进行预测，然后利用LSTM算法 对低频信号进行预测，在模型预测过程中，引入SSA优化算法对SVR算法的 两个参数寻找SVR的最佳惩罚系数c和核函数半径g，达到SVR算法的最佳预 测性能，将容量数据或分解后的各分量设定为训练集，剩余的容量数据或分 解后的各分量设定为测试集，通过对各个分量的预测，得出预测结果IMF1*、 IMF2*、IMF3*、IMF4*和Residual*以及相对应的各个分量预测误差；
步骤三，重构步骤二中每一个分量信号的预测结果，最终的容量预测结 果为各个分量预测相加之合，即Cn *＝IMF1*+IMF2*+IMF3*+IMF4*+Residual*， 并对电池SOH和电池RUL进行评估验证。
作为本发明的一种优选技术方案，所述步骤一当中，在ICEEMDAN分解 技术中，Ek()为通过EMD算法分解得到的第k个IMF分量，H()用于计算信 号局部平均值，<>用于计算信号的总体平均值，ω(i)为零均值和单位方差的高 斯白噪声，噪声标准差为0.2，Std()为计算标准差的函数，最大迭代次数为 5000，实现次数为500。
作为本发明的一种优选技术方案，所述ICEEMDAN信号分解算法步骤如 下：
(1)对原始容量信号Cn添加噪声
式中，β0＝ε0std(Cn)/std(E1(ω(i)))，ε0为表示第一个附加噪声和分析信号之 间的期望信噪比的倒数。
(2)通过EMD算法对加入噪声的信号进行分解，获得第一个IMF1分量 和第一残余分量R1
R1＝＜H(ζ(i))＞ 式(2)
IMF1＝ζ-R1 式(3)
(3)计算R1+β1E2(ω(i))的局部均值，将其作为第二个残余分量R2，并计算 第二个IMF2
IMF2＝R1-R2＝R1-＜H(R1+β1E2(ω(i)))＞ 式(4)
(4)当k＝3,…,K时，依次计算第k个残余分量
Rk＝＜H(Rk-1+βk-1Ek(ω(i)))＞ 式(5)
(5)计算第k个IMFk分量
IMFk＝Rk-1-Rk 式(6)
(6)重复步骤(4)和(5)，将原始信号分解成若干个IMFs分量和一 个残余分量。
(7)原始容量数据分解后的分量如图2所示，图中Cn为原始容量数据。
作为本发明的一种优选技术方案，所述步骤二算法包括以下三种：麻雀 搜索算法、支持向量机(Support Vector Machine，SVM)和长短时记忆神经 网络(Long Short-term Memory Networks，LSTM)。
作为本发明的一种优选技术方案，所述该LSTM网络模型主要由输入层、LSTM层和全连接输出层组成，其重要参数如下：最大迭代次数Itermax为500， 隐含层中神经元个数NH为150，初始的学习率设为0.005，每125次循环之后 学习率下降因子设为0.2，为防止过拟合现象发生，采用L2正则化方法，正 则化系数为0.001。
与现有技术相比，本发明的有益效果如下：
本发明的混合模型可以对电池的SOH和RUL进行实时的精确预测，避 免因电池过度使用引发的事故灾难，利用改进的带有自适应噪声的互补集合 经验模态分解算法对容量数据进行分解，可以避免数据中噪声的干扰；然后 再利用SVR算法对分解的高频信号进行预测，同时利用麻雀优化算法出色的 优化能力对SVR算法的重要参数进行寻优，来提高预测精度，利用LSTM算 法对分解的低频信号进行预测；最后将各种分解的信号进行重组构成最终的 容量预测值，通过与单个算法预测性能进行对比，利用这种组合模型可以大 大提高了电池SOH和RUL的预测精度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本 发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是混合预测模型的详细流程图；
图2是电池历史容量数据分解示意图；
图3是分解后各分量的预测结果；
图4是三种模型的容量预测结果；
图5是三种模型的容量及寿命预测结果；
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述 的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例
如图1-5所示，本发明提供一种对电池的健康状态进行估计的方法，具 体步骤如下：
步骤1：在25℃温度下，对锂离子电池(优选常用的18650型号锂电池) 进行三种不同的测试方案，即恒流恒压(constant current constant voltage， CC-CV)充电实验、恒流(constant current，CC)放电实验和阻抗测量实验， 在充电阶段，开始以CC模式充电，其电流大小为1.5A，直到电压达到充电 截止电压4.2V；然后将充电模式转化成CV模式对电池进行充电，即电压保 持在4.2V，直到电流下降到充电截止电流20mA，在放电阶段，以CC的模式 放电，其电流大小为2A，直到达到放电截止电压2.7V，历史电池容量数据是 在每次放电时通过对电流进行时间积分得到的。
当得到电池容量数据时，首先利用ICEEMDAN信号分解算法将其分解成 若干个高频信号(称为固有模式函数IMFs)和一个低频部分(称为残差)。
在ICEEMDAN分解技术中，Ek()为通过EMD算法分解得到的第k个IMF 分量，H()用于计算信号局部平均值，<>用于计算信号的总体平均值，ω(i)为 零均值和单位方差的高斯白噪声，噪声标准差为0.2，Std()为计算标准差的函 数，最大迭代次数为5000，实现次数为500。
详细的ICEEMDAN信号分解算法步骤如下：
(1)对原始容量信号Cn添加噪声
式中，β0＝ε0std(Cn)/std(E1(ω(i)))，ε0为表示第一个附加噪声和分析信号之 间的期望信噪比的倒数。
(2)通过EMD算法对加入噪声的信号进行分解，获得第一个IMF1分量 和第一残余分量R1
R1＝＜H(ζ(i))＞ 式(2)
IMF1＝ζ-R1 式(3)
(3)计算R1+β1E2(ω(i))的局部均值，将其作为第二个残余分量R2，并计算 第二个IMF2
IMF2＝R1-R2＝R1-＜H(R1+β1E2(ω(i)))＞ 式(4)
(4)当k＝3,…,K时，依次计算第k个残余分量
Rk＝＜H(Rk-1+βk-1Ek(ω(i)))＞ 式(5)
(5)计算第k个IMFk分量
IMFk＝Rk-1-Rk 式(6)
(6)重复步骤(4)和(5)，将原始信号分解成若干个IMFs分量和一 个残余分量。
(7)原始容量数据分解后的分量如图2所示，图中Cn为原始容量数据， IMF1-IMF4为分解后的高频信号，Residual为分解后的低频部分。
步骤2：利用SVR算法在小样本数据集上出色的预测性能对分解后高频 信号进行预测，然后利用LSTM算法对低频信号进行预测，在模型预测过程 中，为了寻找SVR的最佳惩罚系数c和核函数半径g，引入SSA优化算法对 SVR算法的两个参数进行寻优，以达到SVR算法的最佳预测性能；
算法一：麻雀搜索算法
麻雀搜索算法是一种新型的群智能优化算法，麻雀搜索算法SSA主要是 根据麻雀种群觅食和反捕食行为的启发而提出的，并在一些测试函数上进行 了仿真实验。在麻雀觅食的过程中，整个麻雀种群分为探索者(Explorer)和 追随者(Scroungers)，探索者负责寻找食物并为整个麻雀种群提供觅食区域 和方向，而追随者主要是通过探索者来获取食物，种群中的每个个体都会监 视群体中其它个体的行为，并且会与高摄取量的同伴争夺食物资源，以提高 自己的捕食率，此外，当麻雀种群意识到危险时会做出反捕食行为，麻雀搜索算法用数学模型表示如下：
(1)为了模拟麻雀觅食和反捕食行为，在整个麻雀种群中，麻雀的位置 可以用下面的矩阵表示：
其中N是麻雀的数量，d为要优化变量的维数。
种群中所有麻雀的适应度值可以用以下向量表示：
其中FX为麻雀种群的适应度值向量，f(·)表示个体的适应度值。
(2)在SSA算法中，因为探索者具有更好的适应度值，可以获得比追随 者更大的觅食搜索范围，因此，他可以优先获取搜索过程中的食物，并为整 个种群提供食物的位置和方向，麻雀种群中探索者的数量占整个种群的20％， 在每次迭代的过程中，探索者的位置更新描述如下：
式中t表示当前迭代次数；j＝1,2,...N；
表示当前迭代第i个麻雀在第 j维中的位置信息；Itermax为最大迭代次数；αssa是一个0-1之间的随机数；AR(AR ∈[0，1])和ST(ST∈[0.5,1])分别为预警值和安全值，该方案中AR为0-1的随 机数，ST＝0.8；Qssa为服从正态分布的随机数；Lssa为一个1×d的矩阵里面的 每个元素值都为1；当AR<ST时，这表明此时的觅食环境中没有危险，探索 者可以扩大搜索范围，当AR≥ST，这表示种群中的一些麻雀已经发现了捕食 者，并向其它麻雀发出了警报，此时所有麻雀都需要迅速飞到其它安全的地 方进行觅食。
(3)追随者的位置更新描述如下：
式中，t表示当前迭代次数；
是当前探索者所占据的最优位置；
则 表示整个麻雀种群中最差的位置；Assa表示一个1×d的矩阵，其中每个元素随 机赋值为1或-1，且满足条件Assa +＝Assa T(AssaAssa T)-1。当i>N/2时，表明适应度 值较低的第i个追随者没有获得食物，处于十分饥饿的状态，此时需要飞往其 它地方觅食来补充能量。
(4)当意识到危险时，麻雀种群会做出反捕食行为，其数学表达式如下：
式中，
是当前的全局最优位置；βssa作为步长控制参数，为服从正态 分布的[0,1]之间的随机数；Kssa也是步长控制参数，其值为[-1,1]之间的随机数； fi则是当前麻雀个体的适应度值；fbest和fworst分别是当前全局最佳和最差的适 应度值；εssa是最小的常数，εssa＝1e-80，以避免分母出现零；当fi>fbest表示此 时的麻雀正处于种群的边缘，极其容易受到捕食者的攻击；fi＝fbest时，这表明 处于种群中间的麻雀意识到了危险，需要靠近其它的麻雀以此尽量减少它们 被捕食的风险；
算法二：支持向量机(Support Vector Machine，SVM)
支持向量机(Support Vector Machine，SVM)分为支持向量分类(support vectorclassification，SVC)和支持向量回归(support vector regression，SVR)， 由于SVR是一种有坚实理论基础的小样本机器学习方法，在高维特征的回归 问题中有突出的表现，该方法不但具有高效简单的特点，而且具有良好的鲁 棒性，因此可以用来解决一些样本数量较少的分类回归问题，给定一组数据
其中
将训练样本从原始空间映 射到更高维空间，将样本线性可分，如果原样本空间维数有限，那么一定存 在一个高维特征空间是样本可分的，那么在特征空间中，划分超平面所对应 的回归模型可表示为：
f(x)＝wTφ(x)+b 式(12)
式中，f(x)表示输出值，φ(x)是一个非线性映射函数，w为权重向量，b是 可调因子
SVR假设我们能容忍f(x)与y之间最多有ε的误差，仅当两者之间的绝对 值误差大于ε时才计算损失，通过引入松弛变量ξi ∧和ξi ∨，可以将SVR问题描 述成如下形式：
式中，ξi ∧和ξi ∨是非负松弛变量；不敏感系数ε可以反映预测值f(xi)与原始 值yi之间的距离；C为惩罚常数，C值越大，表示倾向于f(xi)与yi之间较小的 偏差，模型也将会变得复杂，C值越小，表示能容忍f(xi)与yi之间较大的偏差， 模型也会变得较为平滑；
引入拉格朗日乘子αi ∧和αi ∨，并利用其对偶性原理，将原始最优问题转化 为如下形式：
上述过程需要满足KKT条件，其中的互补松弛条件为：
引入核函数K(xi,x)，将原始SVR问题最终转化为：
选择高斯径向基核函数，其表达式为:
式中，σSVR为核函数的宽度。
算法三：长短时记忆神经网络(Long Short-term Memory Networks，LSTM)
长短时记忆神经网络(Long Short-term Memory Networks，LSTM)是由 标准的循环神经网络改进而来的一种网络结构，可以有效地解决简单循环神 经网络的梯度爆炸或消失问题，LSTM适用于处理和预测时间间隔和延迟较 长的序列问题，并在机器翻译、语音识别和视频分析等领域得到了广泛的应 用，相比于传统的RNN结构，LSTM引入了三个控制门单元，遗忘门It、输 入门Ft和输出门Ot。如果去掉三个门控制单元或者将三个门控制函数都设为 1，LSTM模型就会退化成为标准的RNN模型；
长短期记忆门的输入均为当前时间步输入Xt与上一时间步隐藏状态Ht-1， 输出由激活函数为sigmoid函数的全连接层通过计算得到，三个门元素的值域 均为[0,1]，假设隐藏单元的个数为h，给定时间步t的小批量输入
(样 本数为n，输入个数为d)和上一时间步隐藏状态
时间步t的输入 门
遗忘门
和输出门
的计算公式如下：
It＝σlstm(XtWxi+Ht-1Whi+bi),
Ft＝σlstm(XtWxf+Ht-1Whf+bf),
Ot＝σlstm(XtWxo+Ht-1Whf+bo), 式(20)
式中，σlstm(·)为sigmoid函数，
和
为权重参数，
为偏差参数；
然后利用tanh函数作为激活函数来计算候选记忆细胞
其计算公式如 下：
式中
和
为权重系数，
为偏差参数，
为t时 刻候选记忆细胞；
根据元素值域在[0,1]的输入门、遗忘门和输出门来控制隐藏状态中信息 的流动，遗忘门控制上一时间步的记忆细胞Ct-1中的信息是否传递到当前时间 步，起到截断和帅选过去记忆的功能，而在当前时间步，输入门则控制输入 Xt通过候选记忆细胞
如何流入记忆细胞，将新的信息选择性的记录到记忆 细胞中，如果遗忘门一直近似等于1或者输入门一直近似等于0，过去的记忆 细胞将一直随着时间保存并传递至当前时间步；
式中，
表示按向量元素相乘功能，Ct为t时刻记忆细胞，Ct-1为t-1时刻 记忆细胞；
当得到记忆细胞之后，通过输出门来控制从记忆细胞到隐藏状态
的信息流动，决定当前时刻记忆细胞中的信息是否输出给隐藏状态Ht，当输 出门近似等于1时，记忆细胞中的信息将传递到隐藏状态供输出层使用，当 输出门近似等于0时，记忆细胞中的信息只是自己保留，其公式如下：
式中，Ht为隐藏状态。
该LSTM网络模型主要由输入层、LSTM层和全连接输出层组成，其重 要参数如下：最大迭代次数Itermax为500，隐含层中神经元个数NH为150， 初始的学习率设为0.005，每125次循环之后学习率下降因子设为0.2，为防 止过拟合现象发生，采用L2正则化方法，正则化系数为0.001。
该SSA-SVR模型中最大迭代次数Itermax为50，SSA算法中的种群规模N 为50，c和g的搜索范围都为[0.001,1000]，麻雀中探索者的数量占整个种群 数量的20％，意识到危险的麻雀数量占整个种群的10％，安全值ST为0.8。
SOH是电池老化程度的关键指标，在每个充放电循环测试中可以直接反 映出电池的寿命状况，可以有效判断电池是否达到寿命终止条件，并及时更 换电池，降低系统故障的概率，目前，SOH可以用容量、电池内阻、电流和 电压等参数来表示，因为电池容量数据更容易直接反映出电池的老化程度， 因此本文应用电池容量比来定义SOH。
式中，Cn表示第n次充放电循环中的电池实际容量；C0表示电池额定容 量。
通过式(24)可以将预测电池SOH的问题转化为预测充放电循环中电池 容量的问题，在利用SSA-SVR和LSTM算法来预测电池实际容量时，将第n 次之前观测到的电池实际容量作为预测模型的输入，第n次循环中的电池容 量作为预测模型的输出；
式中，Cn P为第n次循环预测的电池容量，Cn-1 P为第n-1次循环的历史观 测值，dCn为输入的滑动窗口大小。
当电池实际容量Cn衰减到一定值时，可以认为电池已经达到了寿命失效 (end-of-life，EOL)阈值，需要及时更换电池，EOL阈值一般为额定容量值 的70％，因此，四个电池容量的EOL阈值为1.4Ah，电池剩余寿命RUL可以 用下式表示：
RUL＝NEOL-NECL 式(26)
式中，RUL表示电池剩余循环次数，NEOL表示当电池容量达到EOL阈值 时的充放电循环次数，NECL表示当前电池的电流充放电循环次数。
利用SSA-SVR预测模型对分解的4个高频部分IMF1-IMF4进行预测， 利用LSTM模型对低频部分Residual进行预测，实验中混合模型的参数dCn＝3， 即利用前三次的实际容量值来预测当前的容量值，其输入X＝[Cn-3,Cn-2,Cn-1]， 预测输出Y＝Cn。
将前80次循环的容量数据或分解后的各分量设定为训练集剩余的容量数 据或分解后的各分量设定为测试集。该混合模型的预测原理是在测试集上进 行离线训练得出一个预测模型，然后再利用这个预测模型对测试集进行在线 预测。通过对各个分量的预测，得出预测结果IMF1*、IMF2*、IMF3*、IMF4*和Residual*以及相对应的各个分量预测误差，如图3所示。
步骤3：重构步骤2中每一个分量信号的预测结果，最终的容量预测结果 为各个分量预测相加之合，即Cn *＝IMF1*+IMF2*+IMF3*+IMF4*+Residual*，为 了评估模型预测电池容量的准确性和稳定性，使用以下几种流行的度量指标 对模型进行验证：平均绝对误差(mean absolute error，MAE)、均方根误差 (root mean square error，RMSE)和平均绝对百分比误差(mean absolute percentage error，MAPE)，其主要计算公式如下：
式中，M为测试集中样本的数量，Cn为实际容量值，Cn *为预测的容量值。
对于电池RUL而言，使用相对误差(relative error，RE)来评估模型的 准确性。
RE＝RULpre-RULtrue 式(30)
为了验证该模型的可行性和预测效果，现引入未加入ICEEMDAN信号分 解算法的SSA-SVR和LSTM预测模型进行对比，图4为三种模型的预测结果 和误差结果。
从图4可以看出，该混合模型的预测精度远远高于其他两种模型。其各 项评估结果MAE、RMSE和MAPE分别为0.3279％、0.4617％和0.2301％。
为了进一步验证所提出算法在预测性能上的鲁棒性和有效性，在第64个 循环点处来实现电池的容量和RUL预测。图5为从第64次循环处开始对容 量和RUL的预测结果。当开始的循环点为64的情况下，其MAE、RMSE、 MAPE和RUL的结果分别为0.2842％、0.4113％、0.1982％和+1，这表明所提 出的混合模型可以提高电池容量和RUL的预测精度，并使得电池健康状况预 测具备更好的精确性和鲁棒性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限 制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的 技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或 者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作 的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种对电池的健康状态进行估计的方法，其特征在于，具体步骤如下：
步骤一，在25℃温度下，对锂离子电池进行三种不同的测试方案，即恒流恒压(constant current constant voltage，CC-CV)充电实验、恒流(constant current，CC)放电实验和阻抗测量实验，在充电阶段，开始以CC模式充电，其电流大小为1.5A，直到电压达到充电截止电压4.2V，然后将充电模式转化成CV模式对电池进行充电，即电压保持在4.2V，直到电流下降到充电截止电流20mA，在放电阶段，以CC的模式放电，其电流大小为2A，直到达到放电截止电压2.7V；
得到电池容量数据时，首先利用ICEEMDAN信号分解算法将其分解成若干个高频信号和一个低频部分，并将容量数据进行分解；
步骤二，利用SVR算法对分解后高频信号进行预测，然后利用LSTM算法对低频信号进行预测，在模型预测过程中，引入SSA优化算法对SVR算法的两个参数寻找SVR的最佳惩罚系数c和核函数半径g，达到SVR算法的最佳预测性能，将容量数据或分解后的各分量设定为训练集，剩余的容量数据或分解后的各分量设定为测试集，通过对各个分量的预测，得出预测结果IMF1*、IMF2*、IMF3*、IMF4*和Residual*以及相对应的各个分量预测误差；
步骤三，重构步骤二中每一个分量信号的预测结果，最终的容量预测结果为各个分量预测相加之合，即Cn *＝IMF1*+IMF2*+IMF3*+IMF4*+Residual*，并对电池SOH和电池RUL进行评估验证。
2.根据权利要求1所述的一种对电池的健康状态进行估计的方法，其特征在于，步骤一当中，在ICEEMDAN分解技术中，Ek()为通过EMD算法分解得到的第k个IMF分量，H()用于计算信号局部平均值，<>用于计算信号的总体平均值，ω(i)为零均值和单位方差的高斯白噪声，噪声标准差为0.2，Std()为计算标准差的函数，最大迭代次数为5000，实现次数为500。
3.根据权利要求2所述的一种对电池的健康状态进行估计的方法，其特征在于，ICEEMDAN信号分解算法步骤如下：
(1)对原始容量信号Cn添加噪声
式中，β0＝ε0std(Cn)/std(E1(ω(i)))，ε0为表示第一个附加噪声和分析信号之间的期望信噪比的倒数。
(2)通过EMD算法对加入噪声的信号进行分解，获得第一个IMF1分量和第一残余分量R1
R1＝＜H(ζ(i))＞ 式(2)
IMF1＝ζ-R1 式(3)
(3)计算R1+β1E2(ω(i))的局部均值，将其作为第二个残余分量R2，并计算第二个IMF2
IMF2＝R1-R2＝R1-＜H(R1+β1E2(ω(i)))＞ 式(4)
(4)当k＝3,…,K时，依次计算第k个残余分量
Rk＝＜H(Rk-1+βk-1Ek(ω(i)))＞ 式(5)
(5)计算第k个IMFk分量
IMFk＝Rk-1-Rk 式(6)
(6)重复步骤(4)和(5)，将原始信号分解成若干个IMFs分量和一个残余分量。
(7)原始容量数据分解后的分量如图2所示，图中Cn为原始容量数据。
4.根据权利要求1所述的一种对电池的健康状态进行估计的方法，其特征在于，步骤二算法包括以下三种：麻雀搜索算法、支持向量机(Support Vector Machine，SVM)和长短时记忆神经网络(Long Short-term Memory Networks，LSTM)。
5.根据权利要求4所述的一种对电池的健康状态进行估计的方法，其特征在于，该LSTM网络模型主要由输入层、LSTM层和全连接输出层组成，其重要参数如下：最大迭代次数Itermax为500，隐含层中神经元个数NH为150，初始的学习率设为0.005，每125次循环之后学习率下降因子设为0.2，为防止过拟合现象发生，采用L2正则化方法，正则化系数为0.001。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110289004.6A CN113156325B (zh) | 2021-03-18 | 2021-03-18 | 一种对电池的健康状态进行估计的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110289004.6A CN113156325B (zh) | 2021-03-18 | 2021-03-18 | 一种对电池的健康状态进行估计的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113156325A true CN113156325A (zh) | 2021-07-23 |
| CN113156325B CN113156325B (zh) | 2024-04-19 |
Family
ID=76887713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110289004.6A Active CN113156325B (zh) | 2021-03-18 | 2021-03-18 | 一种对电池的健康状态进行估计的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113156325B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
| 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 |
| CN113762078A (zh) * | 2021-08-03 | 2021-12-07 | 南昌工程学院 | 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法 |
| CN113884936A (zh) * | 2021-11-08 | 2022-01-04 | 中北大学 | 一种基于issa耦合delm的锂离子电池健康状态预测方法 |
| CN114726045A (zh) * | 2022-04-20 | 2022-07-08 | 广东工业大学 | 一种基于ipea-lstm模型的锂电池soh估计方法 |
| CN115310724A (zh) * | 2022-10-10 | 2022-11-08 | 南京信息工程大学 | 一种基于Unet和DCN_LSTM的降水预测方法 |
| CN116299005A (zh) * | 2023-02-07 | 2023-06-23 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
| CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109752656A (zh) * | 2019-03-07 | 2019-05-14 | 深圳市计量质量检测研究院 | 一种在多时间尺度下用电动汽车电池soh评估方法 |
| CN110687451A (zh) * | 2019-08-28 | 2020-01-14 | 武汉科技大学 | 基于误差补偿的支持向量机锂电池剩余寿命预测方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 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 |
| CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
-
2021
- 2021-03-18 CN CN202110289004.6A patent/CN113156325B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109752656A (zh) * | 2019-03-07 | 2019-05-14 | 深圳市计量质量检测研究院 | 一种在多时间尺度下用电动汽车电池soh评估方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 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 |
| CN110687451A (zh) * | 2019-08-28 | 2020-01-14 | 武汉科技大学 | 基于误差补偿的支持向量机锂电池剩余寿命预测方法 |
| CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
| CN113762078A (zh) * | 2021-08-03 | 2021-12-07 | 南昌工程学院 | 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法 |
| 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 |
| CN113884936A (zh) * | 2021-11-08 | 2022-01-04 | 中北大学 | 一种基于issa耦合delm的锂离子电池健康状态预测方法 |
| CN113884936B (zh) * | 2021-11-08 | 2023-08-18 | 中北大学 | 一种基于issa耦合delm的锂离子电池健康状态预测方法 |
| CN114726045A (zh) * | 2022-04-20 | 2022-07-08 | 广东工业大学 | 一种基于ipea-lstm模型的锂电池soh估计方法 |
| CN114726045B (zh) * | 2022-04-20 | 2022-09-30 | 广东工业大学 | 一种基于ipea-lstm模型的锂电池soh估计方法 |
| CN115310724A (zh) * | 2022-10-10 | 2022-11-08 | 南京信息工程大学 | 一种基于Unet和DCN_LSTM的降水预测方法 |
| CN116299005A (zh) * | 2023-02-07 | 2023-06-23 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
| CN116299005B (zh) * | 2023-02-07 | 2023-09-05 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
| CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
| CN117805662B (zh) * | 2024-02-26 | 2024-06-11 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113156325B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113156325B (zh) | 一种对电池的健康状态进行估计的方法 | |
| CN109993270B (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
| Ren et al. | A review of machine learning state-of-charge and state-of-health estimation algorithms for lithium-ion batteries | |
| CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
| CN112241608A (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
| CN112348185A (zh) | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 | |
| CN111832825B (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
| Hu et al. | Deep bidirectional recurrent neural networks ensemble for remaining useful life prediction of aircraft engine | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
| CN112734002B (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
| CN113361692B (zh) | 一种锂电池剩余寿命结合预测方法 | |
| Jiang et al. | A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition | |
| CN112924886A (zh) | 一种电池健康状态soh预测方法及装置 | |
| CN113484785A (zh) | 一种基于麻雀搜索和最小二乘支持向量机的电池健康状态估计与剩余寿命预测方法 | |
| CN116643174A (zh) | 一种电池剩余寿命预测方法 | |
| CN112330044A (zh) | 一种基于迭代聚集网格搜索算法的支持向量回归模型 | |
| CN116632834A (zh) | 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法 | |
| CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
| Ebato et al. | Effect of neural decay factors on prediction performance in chaotic echo state networks | |
| Bin et al. | Simple and effective fault diagnosis method of power lithium-ion battery based on GWA-DBN | |
| CN117669354A (zh) | 基于迭代迁移学习和Mogrifier LSTM的锂离子电池剩余使用寿命预测 | |
| Wen et al. | Extended Belief Rule Base Parameter Optimization Based on Differential Evolution Algorithm | |
| Li et al. | State-of-Health Estimation of Lithium-ion Batteries Based on WOA-CNN-LSTM-Attention | |
| Fan et al. | Remaining Useful Life Prediction of Lithium-ion Battery Based on Data-Driven and Multi-Model Fusion |
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 |