CN113176518B - 一种锂电池健康状态估算方法 - Google Patents

Abstract

本发明公开了一种锂电池健康状态估算方法，具体按照以下步骤实施：获取锂电池在出厂时的额定容量列入容量矩阵中；将当前容量和实时充电电压数据分别列入矩阵中；对初始电压样本矩阵采用独立成分分析算法，得到ICA电压样本；将ICA电压和容量样本划分为训练集和测试集；基于ICA样本训练集，采用遗传算法自动训练相应的LSTM‑RNN模型；将ICA样本测试集作为训练得到的LSTM‑RNN模型的输入，经过测试选择一个真实值和预测值之间适应度值最小的网络结构作为最终的预测模型；对训练得到的LSTM‑RNN的最终模型输入另一块电池的电压数据，预测电池剩余容量，计算出该电池的健康状态。解决了现有技术中存在的不能随时对电池健康状态进行预测的问题。

Description

一种锂电池健康状态估算方法

技术领域

本发明属于电池管理技术领域，涉及一种锂电池健康状态估算方法。

背景技术

随着社会经济和储能技术的发展，寻找替代化石燃料的可再生能源成为全世界关注的焦点，锂电池以其放电电压稳定性高、循环使用寿命长、体积小质量轻、无记忆效应且对环境无危害等众多优点，广泛应用于社会各个领域。虽然锂电池是一种高效的循环充放电电池，但是它的循环寿命是有限的，锂电池在能量转换进程中的电化学反应会不断消耗电解液、正负极极性和隔膜，在这个过程中材料的消耗是不可逆的，所以锂电池的容量、性能等都会随着充放电循环而退化。如果发生意外故障导致锂电池突然失效可能会产生严重后果。因此，根据历史检测数据对锂电池健康状态进行预测，对于锂电池的运行和维护具有重要的意义。

通常情况下用电池健康状态(State of Health，SOH)来描述电池的衰退情况，SOH是指锂电池当前所能承载的电池容量与电池出厂额定容量的比值。SOH也可以通过直接测量或者间接计算得到某个特征参数，用该特征的当前值与初始值的比值表示。直接测量需要在电池每一次充放电之后，用精密的仪器来测量电池当前的容量计算SOH，实际生活中，我们不可能随时随地的对电池拆卸并测量，因此直接测量并不可取。

由于锂电池的内部结构复杂，在锂电池充放电循环中，可用电压、容量、电流、电池内部温度等参数来表征锂电池的健康状况。由于锂电池实际使用过程中，充放电循环次数、电池内阻和电池内部温度等很难被准确测量，而电池的电压和电流都可以直接由电池管理系统采集得到。因此选择易于采集的电压作为对锂电池的健康状态SOH的表征参数，但是如何对电池恒流充电过程中的电压数据进行降维处理，使其能够高效的训练网络，以及如何设计适用于不同电池的Genetic LSTM(遗传长短期记忆网络)模型，将研究者从传统的手工设计网络结构中解放出来，是实现对电池SOH的预测领域的两个重点。

发明内容

本发明的目的是提供一种锂电池健康状态估算方法，解决了现有技术中存在的不能随时对电池健康状态进行预测的问题。

本发明所采用的技术方案是，一种锂电池健康状态估算方法，具体按照以下步骤实施：

步骤1、获取锂电池在出厂时的额定容量列入容量矩阵中；

步骤2、获取锂电池在恒流条件下不停充放电直至电池报废结束的实时充电电压数据，在每次充电前计算锂电池的当前容量；并将当前容量和实时充电电压数据分别列入矩阵中，得到容量样本矩阵和电压样本矩阵；

步骤3、对初始电压样本矩阵采用ICA(独立成分分析)算法，得到ICA电压样本；

步骤4、划分数据集：将ICA电压和容量样本划分为80％的训练集和20％的测试集；

步骤5、基于ICA样本训练集，采用遗传算法自动训练相应的LSTM-RNN(长短期记忆循环神经网络)模型；

步骤6、将ICA样本测试集作为步骤5训练得到的LSTM-RNN模型的输入，经过测试选择一个真实值和预测值之间适应度值最小的网络结构作为最终的预测模型；

步骤7、对训练得到的LSTM-RNN的最终模型输入另一块电池的电压数据，预测电池剩余容量，计算出该电池的健康状态。

本发明的特点还在于：

步骤1具体按照以下实施：获取锂电池在出厂时的额定容量，将锂电池的额定容量列入一个矩阵，矩阵是该电池当前状态下容量矩阵，此时容量矩阵中有1个元素。

步骤2具体按照以下步骤实施：

步骤2.1、每次对锂电池充电时，先测量锂电池充电之前的剩余容量，在电池充满电之后，便可计算出该电池当前的电池容量，该电池当前容量等于本次充电所需充电量与剩余容量之和；当电池当前容量为额定容量的80％时测量了M次，在80％以下时将不再测量，将电池视为报废状态；将电池当前容量放入该电池的容量矩阵中；此时该矩阵中有M+1个元素；

步骤2.2、在测量锂电池的当前容量后，立即测量锂电池在恒流条件下不停充或放电的实时电压数据，共n个电压数据，对每个锂电池进行M+1次测量，并将电压数据列入一个电压矩阵中；此时该矩阵为(M+1)*n维。

步骤3具体按照以下步骤实施：

步骤3.1、每个锂电池的电压数据可以表达为(M+1)*n维的矩阵Y；根据每一行的电压样本均值对矩阵Y进行标准化，得到标准化矩阵P，其中j＝1,2,...M+1；

步骤3.2、对标准化后的电压数据进行白化处理，得到白化变换矩阵Q_PAC,根据公式：

Z＝Q_PACP (3)

得到白化矩阵Z；

步骤3.3、构建ICA模型，根据公式

S＝WZ (4)

通过设定不同的随机数种子，采用FastICA(快速独立成分分析)算法求取ICA模型的混解矩阵W与独立成分矩阵S，即得到ICA电压样本。

步骤4具体按照以下实施：将ICA电压样本和容量样本划分为80％的训练集和20％的测试集；其中电压样本为LSTM-RNN模型的输入，容量样本为LSTM-RNN模型期待输出的真实值。

步骤5具体按照以下步骤实施：

步骤5.1、初始化参数生成初始LSTM-RNN模型；采用遗传算法，将由二进制编码的网络视为一个个体，首先创建一个由多个网络个体形成的初始种群；种群中的每个个体将由两种主要类型的层组成，并且将固定LSTM-RNN网络的大小为4，其中LSTM(长短期记忆网络)两层，Dense(全连接层)两层；

步骤5.2、将处理过的训练集数据进行分组，每一组的数据逐步输入到LSTM-RNN网络结构中，对LSTM-RNN网络进行训练；

步骤5.3、通过遗传算法直接作用于LSTM-RNN网络的编码，对其进行交叉和变异等遗传操作，并且对进化后的个体进行适应度评估，不断迭代使得种群朝着更好的方向进化，进而实现了对网络结构的自动学习，得到一组良好的LSTM-RNN网络结构。

步骤5.1具体按照以下步骤实施：

步骤5.1.1、每个网络结构，采用固定的大小为4的LSTM-RNN网络，其中LSTM两层，Dense两层；然后随机选择每个层的类型，同时每个层的超参数的有效范围将被固定；

步骤5.1.2、LSTM层和Dense层的编码规则：将一个网络编码成整形向量。这个网络中的每个LSTM/Dense层被编码成整形向量的一个块；那么进化的LSTM-RNN网络的所有层都可以表示为固定的块序列。同时，将每个块进一步划分为几个连续字段，网络层的每个超参数占一个字段。

步骤5.3具体按照以下步骤实施：

步骤5.3.1、评估个体的适应度值：适用度评价函数使用四个参数。这四个参数分别是编码后的LSTM-RNN结构、训练迭代次数、训练集和验证集；适应度评估是对解码后的LSTM-RNN结构在训练集上进行固定数量的训练，然后在验证集上评估网络的准确性，以获得用作适应度值的精度；

步骤5.3.2、通过选择、交叉和变异产生新的网络结构，将二进制网络解码为十进制，并评估新网络的适应度值，每次迭代将适应度值低的个体保留下来，删除适应度值高的个体，始终保持种群大小为N，当周期数达到设定值时结束迭代，输出一组良好的LSTM-RNN网络。

本发明的有益效果是：本发明一种锂电池健康状态估算方法，解决了现有技术中存在的不能随时对电池健康状态进行预测的问题。能在自动学习网络结构的基础上实现快速且准确地预测电池健康状态。通过预测当前电池容量的方法，参考电池出厂的额定容量进行电池健康估计。

附图说明

图1是本发明一种锂电池健康状态估算方法的流程图；

图2是本发明一种锂电池健康状态估算方法的网络层编码成整形向量及字段划分示例图；

图3是本发明一种锂电池健康状态估算方法的LSTM网络划分具体字段表示及编码示意图；

图4是本发明一种锂电池健康状态估算方法的Dense网络划分具体字段表示及编码示意图；

图5是本发明一种锂电池健康状态估算方法的LSTM-RNN网络的参数信息示意图；

图6是本发明一种锂电池健康状态估算方法的LSTM-RNN网络可选参数范围示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一种锂电池健康状态估算方法，如图1所示，具体按照以下步骤实施：

步骤1、获取锂电池在出厂时的额定容量列入容量矩阵中；

步骤1具体按照以下实施：获取锂电池在出厂时的额定容量，将锂电池的额定容量列入一个矩阵，矩阵是该电池当前状态下容量矩阵，此时容量矩阵中有1个元素。

步骤2、获取锂电池在恒流条件下不停充放电直至电池报废结束的实时充电电压数据，在每次充电前计算锂电池的当前容量；并将当前容量和实时充电电压数据分别列入矩阵中，得到容量样本矩阵和电压样本矩阵；

步骤2具体按照以下步骤实施：

步骤2.1、每次对锂电池充电时，先测量锂电池充电之前的剩余容量，在电池充满电之后(电压不再发生改变)，便可计算出该电池当前的电池容量，该电池当前容量等于本次充电所需充电量与剩余容量之和；当电池当前容量为额定容量的80％时测量了M次，在80％以下时将不再测量，将电池视为报废状态；将电池当前容量放入该电池的容量矩阵中；此时该矩阵中有M+1个元素；

步骤2.2、在测量锂电池的当前容量后，立即测量锂电池在恒流条件下不停充或放电的实时电压数据，共n个电压数据，对每个锂电池进行M+1次测量，并将电压数据列入一个电压矩阵中；此时该矩阵为(M+1)*n维。

步骤3、对初始电压样本矩阵采用独立成分分析算法，得到ICA电压样本；

步骤3具体按照以下步骤实施：

步骤3.1、每个锂电池的电压数据可以表达为(M+1)*n维的矩阵Y；根据每一行的电压样本均值对矩阵Y进行标准化，得到标准化矩阵P，其中j＝1,2,...M+1；

步骤3.2、对标准化后的电压数据进行白化处理，得到白化变换矩阵Q_PAC,根据公式：

Z＝Q_PACP (3)

得到白化矩阵Z；

步骤3.3、构建ICA模型，根据公式

S＝WZ (4)

通过设定不同的随机数种子，采用FastICA算法求取ICA模型的混解矩阵W与独立成分矩阵S，即得到ICA电压样本。

步骤4、划分数据集：将ICA电压和容量样本划分为80％的训练集和20％的测试集；

步骤4具体按照以下实施：将ICA电压样本和容量样本划分为80％的训练集和20％的测试集；其中电压样本为LSTM-RNN模型的输入，容量样本为LSTM-RNN模型期待输出的真实值。

步骤5、基于ICA样本训练集，采用遗传算法自动训练相应的LSTM-RNN模型；

步骤5具体按照以下步骤实施：

步骤5.1、初始化参数生成初始LSTM-RNN模型；采用遗传算法，将由二进制编码的网络视为一个个体，首先创建一个由多个网络个体形成的初始种群；种群中的每个个体将由两种主要类型的层(LSTM and Dense)组成，并且将固定LSTM-RNN网络的大小为4，其中LSTM两层，Dense两层；

步骤5.1具体按照以下步骤实施：

步骤5.1.1、每个网络结构，采用固定的大小为4的LSTM-RNN网络，其中LSTM两层，Dense两层；然后随机选择每个层的类型，同时每个层的超参数的有效范围将被固定；

步骤5.1.2、LSTM层和Dense层的编码规则：将一个网络编码成整形向量。这个网络中的每个LSTM/Dense层被编码成整形向量的一个块；那么进化的LSTM-RNN网络的所有层都可以表示为固定的块序列。同时，将每个块进一步划分为几个连续字段，网络层的每个超参数占一个字段。因为GA使用固定长度的编码，每个网络都将有固定数量的层。因为GA使用固定长度的编码，每个网络都将有固定数量的层。

例如，使用两个整数向量来存储编码的信息。第一个是存储超参数的编码值，整数向量的每个层维度的范围受它们表示的内容的限制。此外还使用了维数相等的第二个整数向量。第二个向量中的每个整数值根据图5的type列，确定第一个向量中对应整数的类型。为了执行交叉和变异操作，整数向量将被转换为固定长度的二进制表示。

编码实例具体过程如下：考虑一个有2个LSTM层和2个dense层的LSTM-RNN的网络。总共需要4个块，如图2所示。每个块分为多个子字段来表示特定层的参数。LSTM层的块包含四个子字段(从左到右)：输出空间、激活函数、初始化函数和约束，每个子字段有几个可选值。图6概述了激活函数、初始化函数和约束等的可选值。如图3所示，给定一个整数块(100,4,2,3)，可知每个LSTM层的输出空间为100，所选择的激活函数是表2中列出的第4个，所选择的初始化函数是表2中列出的第2个，所选择的约束是表2中列出的第3个。DENSE层的块包含五个子字段(从左到右)：输出空间、激活函数、初始化函数、约束和舍弃率，前四个超参数同LSTM的选项一致，舍弃率在图6中列出。如图4所示，第一个DENSE层的整数块是(100,3,4,2,1)。

如上所说，超参数以十进制形式获取值，因此在进行遗传操作时，必须先将其转换为二进制形式。值得注意的是：当十进制数转换为二进制数时，二进制数必须在左侧填充足够的0，以保持所有子字段的相同长度。为此，图3中的“No of Bits”列指定了相应超参数可接受的位数。例如，对于图5的第一行，相应的参数是“输出空间”，它被分配为7位。因此，这个字段的可能十进制值在1到128之间。对应的二进制数在0000000到1111111之间。第一个LSTM层(100,4,2,3)对应的二进制字符串是：1100011-011-001-10，最多15位。第一个Dense层(100,3,4,2,1)对应的二进制字符串是：001100011-010-011-01-000，是20位。由于20较大，每个块的二进制数的长度将被固定为20。因此，LSTM层的15位表示必须通过在左侧添加5个0来转换为20位。如图3所示。

步骤5.2、将处理过的训练集数据进行分组，每一组的数据逐步输入到LSTM-RNN网络结构中，对LSTM-RNN网络进行训练；

步骤5.3、通过遗传算法直接作用于LSTM-RNN网络的编码，对其进行交叉和变异等遗传操作，并且对进化后的个体进行适应度评估，不断迭代使得种群朝着更好的方向进化，进而实现了对网络结构的自动学习，得到一组良好的LSTM-RNN网络结构。

步骤5.3具体按照以下步骤实施：

步骤5.3.1、评估个体的适应度值：适用度评价函数使用四个参数。这四个参数分别是编码后的LSTM-RNN结构、训练迭代次数、训练集(60％的电压样本(20％的电压样本)和验证集；适应度评估是对解码后的LSTM-RNN结构在训练集上进行固定数量的训练，然后在验证集上评估网络的准确性，以获得用作适应度值的精度；

步骤5.3.2、通过选择、交叉和变异产生新的网络结构，将二进制网络解码为十进制，并评估新网络的适应度值，每次迭代将适应度值低的个体保留下来，删除适应度值高的个体，始终保持种群大小为N，当周期数达到设定值时结束迭代，输出一组良好的LSTM-RNN网络。

步骤6、将ICA样本测试集作为步骤5训练得到的LSTM-RNN模型的输入，经过测试选择一个真实值和预测值之间适应度值最小的网络结构作为最终的预测模型；

步骤7、对训练得到的LSTM-RNN的最终模型输入另一块电池的电压数据，预测电池剩余容量，计算出该电池的健康状态。

本发明一种锂电池健康状态估算方法，解决了现有技术中存在的不能随时对电池健康状态进行预测的问题。能在自动学习网络结构的基础上实现快速且准确地预测电池健康状态。通过预测当前电池容量的方法，参考电池出厂的额定容量进行电池健康估计。

Claims (6)

1.一种锂电池健康状态估算方法，其特征在于，具体按照以下步骤实施：

步骤1、获取锂电池在出厂时的额定容量列入容量矩阵中；

步骤2、获取锂电池在恒流条件下不停充放电直至电池报废结束的实时充电电压数据，在每次充电前计算锂电池的当前容量；并将当前容量和实时充电电压数据分别列入矩阵中，得到容量样本矩阵和电压样本矩阵；

所述步骤2具体按照以下步骤实施：

步骤2.1、每次对锂电池充电时，先测量锂电池充电之前的剩余容量，在电池充满电之后，便可计算出该电池当前的电池容量，该电池当前容量等于本次充电所需充电量与剩余容量之和；当电池当前容量为额定容量的80％时测量了M次，在80％以下时将不再测量，将电池视为报废状态；将电池当前容量放入该电池的容量矩阵中；此时该矩阵中有M+1个元素；

步骤2.2、在测量锂电池的当前容量后，立即测量锂电池在恒流条件下不停充或放电的实时电压数据，共n个电压数据，对每个锂电池进行M+1次测量，并将电压数据列入一个电压矩阵中；此时该矩阵为(M+1)*n维；

步骤3、对初始电压样本矩阵采用独立成分分析算法，得到ICA电压样本；

所述步骤3具体按照以下步骤实施：

步骤3.1、每个锂电池的电压数据可以表达为(M+1)*n维的矩阵Y；根据每一行的电压样本均值对矩阵Y进行标准化，得到标准化矩阵P，其中j＝1,2,...M+1；

步骤3.2、对标准化后的电压数据进行白化处理，得到白化变换矩阵Q_PAC,根据公式：

Z＝Q_PACP (3)

得到白化矩阵Z；

步骤3.3、构建ICA模型，根据公式

S＝WZ (4)

通过设定不同的随机数种子，采用FastICA算法求取ICA模型的混解矩阵W与独立成分矩阵S，即得到ICA电压样本；

步骤4、划分数据集：将ICA电压和容量样本划分为80％的训练集和20％的测试集；

步骤5、基于ICA样本训练集，采用遗传算法自动训练相应的LSTM-RNN模型；

步骤6、将ICA样本测试集作为步骤5训练得到的LSTM-RNN模型的输入，经过测试选择一个真实值和预测值之间适应度值最小的网络结构作为最终的预测模型；

步骤7、对训练得到的LSTM-RNN的最终模型输入另一块电池的电压数据，预测电池剩余容量，计算出该电池的健康状态。

2.根据权利要求1所述的一种锂电池健康状态估算方法，其特征在于，所述步骤1具体按照以下实施：获取锂电池在出厂时的额定容量，将锂电池的额定容量列入一个矩阵，矩阵是该电池当前状态下容量矩阵，此时容量矩阵中有1个元素。

3.根据权利要求1所述的一种锂电池健康状态估算方法，其特征在于，所述步骤4具体按照以下实施：将ICA电压样本和容量样本划分为80％的训练集和20％的测试集；其中电压样本为LSTM-RNN模型的输入，容量样本为LSTM-RNN模型期待输出的真实值。

4.根据权利要求1所述的一种锂电池健康状态估算方法，其特征在于，所述步骤5具体按照以下步骤实施：

步骤5.1、初始化参数生成初始LSTM-RNN模型；采用遗传算法，将由二进制编码的网络视为一个个体，首先创建一个由多个网络个体形成的初始种群；种群中的每个个体将由两种主要类型的层组成，并且将固定LSTM-RNN网络的大小为4，其中LSTM两层，Dense两层；

步骤5.2、将处理过的训练集数据进行分组，每一组的数据逐步输入到LSTM-RNN网络结构中，对LSTM-RNN网络进行训练；

步骤5.3、通过遗传算法直接作用于LSTM-RNN网络的编码，对其进行交叉和变异遗传操作，并且对进化后的个体进行适应度评估，不断迭代使得种群朝着更好的方向进化，进而实现了对网络结构的自动学习，得到一组良好的LSTM-RNN网络结构。

5.根据权利要求4所述的一种锂电池健康状态估算方法，其特征在于，所述步骤5.1具体按照以下步骤实施：

步骤5.1.1、每个网络结构，采用固定的大小为4的LSTM-RNN网络，其中LSTM两层，Dense两层；然后随机选择每个层的类型，同时每个层的超参数的有效范围将被固定；

步骤5.1.2、LSTM层和Dense层的编码规则：将一个网络编码成整形向量，这个网络中的每个LSTM/Dense层被编码成整形向量的一个块；那么进化的LSTM-RNN网络的所有层都可以表示为固定的块序列；同时，将每个块进一步划分为几个连续字段，网络层的每个超参数占一个字段。

6.根据权利要求5所述的一种锂电池健康状态估算方法，其特征在于，所述步骤5.3具体按照以下步骤实施：

步骤5.3.1、评估个体的适应度值：适用度评价函数使用四个参数，这四个参数分别是编码后的LSTM-RNN结构、训练迭代次数、训练集和验证集；适应度评估是对解码后的LSTM-RNN结构在训练集上进行固定数量的训练，然后在验证集上评估网络的准确性，以获得用作适应度值的精度；

步骤5.3.2、通过选择、交叉和变异产生新的网络结构，将二进制网络解码为十进制，并评估新网络的适应度值，每次迭代将适应度值低的个体保留下来，删除适应度值高的个体，始终保持种群大小为N，当周期数达到设定值时结束迭代，输出一组良好的LSTM-RNN网络。