CN113311337A - 基于相关向量回归的锂离子电池剩余寿命检测方法 - Google Patents
基于相关向量回归的锂离子电池剩余寿命检测方法 Download PDFInfo
- Publication number
- CN113311337A CN113311337A CN202110557685.XA CN202110557685A CN113311337A CN 113311337 A CN113311337 A CN 113311337A CN 202110557685 A CN202110557685 A CN 202110557685A CN 113311337 A CN113311337 A CN 113311337A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- model
- variance
- lithium ion
- 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.)
- Pending
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]
- G01R31/378—Arrangements 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种基于相关向量回归的锂离子电池剩余寿命检测方法,包括如下步骤:(1)数据特征提取:针对锂电池充放电数据提取出锂电池的放电电压随着时间变化的数据,根据其电压变化梯度,提取出电压变化时间作为数据特征;(2)数据特征归一化:对数据进行归一化处理;(3)搭建模型:根据相关向量机算法RVM算法模型,选择高斯核函数,搭建数据集样本到高维数据的映射,进行数据训练,从而得到RVM算法模型;(4)预测:使用相关向量机算法RVM算法模型对锂电池剩余容量进行预测,从而对电池剩余寿命进行有效检测。
Description
技术领域
本发明属于电池寿命评估技术领域,具体涉及一种基于相关向量回归的锂离子电池剩余寿命检测方法。
背景技术
锂离子电池是新能源汽车发展的重要一环。与传统铅酸电池比起来,锂离子电池具有使用寿命长、电压高、自放电小、电池整体体积小、能量密度相对较高的特点。此外,锂离子电池充放电能量性能高,能够满足汽车在快速启动和加速时的要求。目前锂离子电池的使用已实现大规模的商业化,在风力、水力、太阳能储能电站得到大规模应用,在航天领域和军事领域,锂离子电池的需求量也在逐年提升。对于锂离子电池剩余寿命预测(RemainUse of Life,简称RUL)是锂离子电池应用的重要环节。其作用主要体现在两个方面:其一,锂离子电池寿命衰退时间较长,在某些特殊领域难以通过可靠性试验来达到寿命验证的目的,此时可以通过分析RUL来对锂电池可靠性进行估计;其二,通过对锂离子电池RUL进行评估,可以对其使用环境、使用策略进行评估,从而实现了锂离子电池的维护、维修以及使用性能优化,进一步延长锂离子电池的寿命。
随着研究的深入,目前基于模型驱动和数据驱动的锂离子电池剩余寿命方法被广泛使用。基于模型驱动的方法采取仅需要部分拟合就能得到电池寿命预测模型,缺点是预测精度相对较低,且大部分模型不能同时兼顾计算效率和预测精度问题,在实际情况下使用的价值有限。和传统基于模型的预测方法比起来,随着近年来机器学习研究的深入发展与进步,基于数据驱动模型的预测方法逐渐得到更多的关注。同传统基于模型的预测方案相比,基于数据驱动模型的预测方案不需要从锂离子电池的复杂物理模型入手,仅需要以数据为研究对象,根据锂离子电池的充放电数据以及状态数据来进行RUL预测。
RVM算法在处理非线性模型时具有很好的效果,采用核函数的技巧,将非线性的数据投射到高维空间进行数据分割。
发明内容
针对现有技术存在的缺陷,本发明提出了一种基于RVM算法的锂电池RUL检测方法。该方法与传统方法相比,预测速度更快,预测准确度也相对更高。
为实现上述发明目的,本发明技术方案如下:
一种基于相关向量回归的锂离子电池剩余寿命检测方法,包括如下步骤:
(1)数据特征提取:针对锂电池充放电数据提取出锂电池的放电电压随着时间变化的数据,根据其电压变化梯度,提取出每个循环周期中电压变化时间作为数据特征;
(2)数据特征归一化:对数据进行归一化处理;
(3)搭建模型:根据相关向量机RVM算法原理,选择高斯核函数,搭建数据集样本到高维数据的映射,进行数据训练,从而得到相关向量机RVM算法模型;
(4)预测:使用相关向量机RVM算法模型对锂电池剩余容量进行预测,从而对电池剩余寿命进行有效检测。
作为优选方式,所述步骤(1)具体为:根据锂电池放电电压随着时间变化的数据,提取出每个循环周期里相邻时间测量点之间的锂离子电池电压差,并选取与电池放电中段平台期的电压差的2倍作为阈值,选择在这个阈值范围内的电压差所对应的时间段的差值,将其组合成电压变化时序特征。
作为优选方式,所述步骤(2)具体为:对选取的数据特征值进行数据处理,由于数据特征值的数量级和锂电池剩余寿命的数量级差别很大,直接代入模型会引起误差和计算缓慢的问题,因此对输入测试数据进行归一化处理,公式如下:
其中ti’是经过归一化处理后的数据,ti是处理前的数据,min(t)是原始输入数据里最小的值,max(t)是原始输入数据里最大的值;对于模型的预测精度,采用均方根误差RMSE和平均绝对误差MAE来进行预测效果评估:
其中N表示总样本数目,observedt表示实际观测值,predictedt表示模型预测值。
作为优选方式,所述步骤(3)具体为:根据相关向量机RVM算法建立模型,将每个电池循环周期中提取到的电压变化特征和电池剩余寿命数据组合,建立映射数据集:{(t1.y1),(t2,y2)……(tn,yn)},其中ti(i∈[1,n])是第i个循环周期的电压变化时间,yi(i∈[1,n])是第i个循环周期的电池剩余寿命,选择高斯核函数,设定核函数初始参量;对每个输入数据,设定默认的超参数α,以及方差σ2,代入模型中;采用简化计算的思路,将超参数α、方差σ2近似表示为:
其中,矩阵Φ的第i行表示数据ti代入上述核函数后得到的向量,αi’表示为迭代数据ti对应的超参数,(σ2)’表示迭代后的方差,令矩阵A=diag(α1,α2,...,αn),其中αi(i∈[1,n])是数据ti对应的超参数,矩阵Σ=(σ-2ΦTΦ+A)-1,μi=σ-2ΣΦTti,y=(y1,y2,...,yn),μ=(μ1,μ2,...,μn),N为样本数据的总数目,参数ri定义为ri=1-αiΣii;
利用上式将超参数α和方差σ2进行迭代;设定迭代误差为0.00001,重复迭代直至满足收敛要求;通过得到的超参数和方差对新输入量的预测值和方差进行输出估计:
yn+1=μTφ(tn+1)
σ2(yn+1)=σ2+φ(tn+1)TΣφ(tn+1)
其中yn+1是基于新的样本tn+1得到的预测值,而σ2(yn+1)是预测值的方差,式中函数φ(tn+1)表示对数据tn+1进行核函数变化后的结果;
根据预测值和方差,不仅可以得到锂离子电池寿命的预期分布,而且由于预测是基于概率的预测,因此能在电池还未达到失效阈值时,根据已有的期望值和方差,给出电池剩余容量的95%置信区间;分析置信区间,即可对电池是否趋近于失效进行判断。
本发明的有益效果为:本发明将RVM算法与锂离子电池RUL预测结合,使用该算法对锂电池充放电数据进行特征训练,获得电池容量检测结果,从而对锂电池剩余寿命进行预测。
附图说明
图1为根据本发明方法对NASA实验室B5容量检测结果;
图2为根据本发明方法对NASA实验室B6容量检测结果;
具体实施方式
实施例
一种基于相关向量回归的锂离子电池剩余寿命检测方法,包括如下步骤:
(1)数据特征提取:
针对锂电池充放电数据提取出锂电池的放电电压随着时间变化的数据,根据其电压变化梯度,提取出每个循环周期中电压变化时间作为数据特征;
步骤(1)具体为:以NASA实验室B5和B6锂电池为例,设定初始时刻电池健康指标为1,当锂电池达到1.4(Ah)时电池健康指标为0。根据锂电池放电电压随着时间变化的数据,提取出每个循环周期里相邻时间测量点之间的锂离子电池电压差,并选取与电池放电中段平台期的电压差的2倍作为阈值,选择在这个阈值范围内的电压差所对应的时间段的差值,将其组合成电压变化时序特征。
(2)数据特征归一化:对数据进行归一化处理;
步骤(2)具体为:对选取的数据特征值进行数据处理,由于数据特征值的数量级和锂电池剩余寿命的数量级差别很大,直接代入模型会引起误差和计算缓慢的问题,因此对输入测试数据进行归一化处理,公式如下:
其中ti’是经过归一化处理后的数据,ti是处理前的数据,min(t)是原始输入数据里最小的值,max(t)是原始输入数据里最大的值;对于模型的预测精度,采用均方根误差RMSE和平均绝对误差MAE来进行预测效果评估:
其中N表示总样本数目,observedt表示实际观测值,predictedt表示模型预测值。
(3)搭建模型:
根据相关向量机RVM算法原理,选择高斯核函数,搭建数据集样本到高维数据的映射,进行数据训练,从而得到相关向量机RVM算法模型;
所述步骤(3)具体为:根据相关向量机RVM算法建立模型,将每个电池循环周期中提取到的电压变化特征和电池剩余寿命数据组合,建立映射数据集:{(t1.y1),(t2,y2)……(tn,yn)},其中ti(i∈[1,n])是第i个循环周期的电压变化时间,yi(i∈[1,n])是第i个循环周期的电池剩余寿命,选择高斯核函数,设定核函数初始参量;对每个输入数据,设定默认的超参数α,以及方差σ2,代入模型中;采用简化计算的思路,将超参数α、方差σ2近似表示为:
其中,矩阵Φ的第i行表示数据ti代入上述核函数后得到的向量,αi’表示为迭代数据ti对应的超参数,(σ2)’表示迭代后的方差,令矩阵A=diag(α1,α2,...,αn),其中αi(i∈[1,n])是数据ti对应的超参数,矩阵Σ=(σ-2ΦTΦ+A)-1,μi=σ-2ΣΦTti,y=(y1,y2,...,yn),μ=(μ1,μ2,...,μn),N为样本数据的总数目,参数ri定义为ri=1-αiΣii;
利用上式将超参数α和方差σ2进行迭代;设定迭代误差为0.00001,重复迭代直至满足收敛要求;通过得到的超参数和方差对新输入量的预测值和方差进行输出估计:
yn+1=μTφ(tn+1)
σ2(yn+1)=σ2+φ(tn+1)TΣφ(tn+1)
其中yn+1是基于新的样本tn+1得到的预测值,而σ2(yn+1)是预测值的方差,式中函数φ(tn+1)表示对数据tn+1进行核函数变化后的结果;
根据预测值和方差,不仅可以得到锂离子电池寿命的预期分布,而且由于预测是基于概率的预测,因此能在电池还未达到失效阈值时,根据已有的预测值和方差,给出电池剩余容量的95%置信区间;分析置信区间,即可对电池是否趋近于失效进行判断。
(4)预测:使用相关向量机算法RVM算法模型对锂电池剩余容量进行预测,从而对电池剩余寿命进行有效检测。
如图1、图2所示,其中可以看出从检测结果看模型能够准确检测出锂电池寿命衰退的趋势。
表1为B5、B6电池的RMSE和MAE的值。
从表1可以看出B5电池和B6电池的容量检测结果误差很低。
以上结合附图对本发明的实施例进行了详细阐述,但是本发明并不局限于上述的具体实施方式,上述具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,不脱离本发明宗旨和权利要求所保护范围的情况下还可以做出很多变形,这些均属于本发明的保护。
Claims (4)
1.一种基于相关向量回归的锂离子电池剩余寿命检测方法,其特征在于包括如下步骤:
(1)数据特征提取:针对锂电池充放电数据提取出锂电池的放电电压随着时间变化的数据,根据其电压变化梯度,提取出每个循环周期中电压变化时间作为数据特征;
(2)数据特征归一化:对数据进行归一化处理;
(3)搭建模型:根据相关向量机RVM算法原理,选择高斯核函数,搭建数据集样本到高维数据的映射,进行数据训练,从而得到相关向量机RVM算法模型;
(4)预测:使用相关向量机RVM算法模型对锂电池剩余容量进行预测,从而对电池剩余寿命进行有效检测。
2.根据权利要求1所述的一种基于相关向量回归的锂离子电池剩余寿命检测方法,特征在于:所述步骤(1)具体为:根据锂电池放电电压随着时间变化的数据,提取出每个循环周期里相邻时间测量点之间的锂离子电池电压差,并选取与电池放电中段平台期的电压差的2倍作为阈值,选择在这个阈值范围内的电压差所对应的时间段的差值,将其组合成电压变化时序特征。
4.根据权利要求1所述的一种基于相关向量回归的锂离子电池剩余寿命检测方法,特征在于,所述步骤(3)具体为:根据相关向量机RVM算法建立模型,将每个电池循环周期中提取到的电压变化特征和电池剩余寿命数据组合,建立映射数据集:{(t1.y1),(t2,y2)……(tn,yn)},其中ti(i∈[1,n])是第i个循环周期的电压变化时间,yi(i∈[1,n])是第i个循环周期的电池剩余寿命,选择高斯核函数,设定核函数初始参量;对每个输入数据,设定默认的超参数α,以及方差σ2,代入模型中;采用简化计算的思路,将超参数α、方差σ2近似表示为:
其中,矩阵Φ的第i行表示数据ti代入上述核函数后得到的向量,α’i表示为迭代数据ti对应的超参数,(σ2)’表示迭代后的方差,令矩阵A=diag(α1,α2,...,αn),其中αi(i∈[1,n])是数据ti对应的超参数,矩阵Σ=(σ-2ΦTΦ+A)-1,μi=σ-2ΣΦTti,y=(y1,y2,...,yn),μ=(μ1,μ2,...,μn),N为样本数据的总数目,参数ri定义为ri=1-αiΣii;
利用上式将超参数α和方差σ2进行迭代;设定迭代误差为0.00001,重复迭代直至满足收敛要求;通过得到的超参数和方差对新输入量的预测值和方差进行输出估计:
yn+1=μTφ(tn+1)
σ2(yn+1)=σ2+φ(tn+1)TΣφ(tn+1)
其中yn+1是基于新的样本tn+1得到的预测值,而σ2(yn+1)是预测值的方差,式中函数φ(tn+1)表示对数据tn+1进行核函数变化后的结果;
根据预测值和方差,不仅可以得到锂离子电池寿命的预期分布,而且由于预测是基于概率的预测,因此能在电池还未达到失效阈值时,根据已有的预测值和方差,给出电池剩余容量的95%置信区间;分析置信区间,即可对电池是否趋近于失效进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557685.XA CN113311337A (zh) | 2021-05-21 | 2021-05-21 | 基于相关向量回归的锂离子电池剩余寿命检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557685.XA CN113311337A (zh) | 2021-05-21 | 2021-05-21 | 基于相关向量回归的锂离子电池剩余寿命检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113311337A true CN113311337A (zh) | 2021-08-27 |
Family
ID=77374134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110557685.XA Pending CN113311337A (zh) | 2021-05-21 | 2021-05-21 | 基于相关向量回归的锂离子电池剩余寿命检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311337A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113839107A (zh) * | 2021-09-22 | 2021-12-24 | 北京航空航天大学 | 软包锂离子电池跳水退化模式早期预警方法 |
CN113848480A (zh) * | 2021-09-23 | 2021-12-28 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN114216558A (zh) * | 2022-02-24 | 2022-03-22 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111999650A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于支持向量回归算法的锂电池剩余寿命预测方法 |
CN112816874A (zh) * | 2020-12-18 | 2021-05-18 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
-
2021
- 2021-05-21 CN CN202110557685.XA patent/CN113311337A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111999650A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于支持向量回归算法的锂电池剩余寿命预测方法 |
CN112816874A (zh) * | 2020-12-18 | 2021-05-18 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
乔波强等: "相关向量机在蓄电池剩余容量预测中的应用", 《电源技术》 * |
李赛等: "基于相关向量机的锂离子电池剩余寿命预测", 《计算机工程与设计》 * |
王春雷等: "基于改进相关向量机的锂电池寿命预测方法", 《北京航空航天大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113839107A (zh) * | 2021-09-22 | 2021-12-24 | 北京航空航天大学 | 软包锂离子电池跳水退化模式早期预警方法 |
CN113848480A (zh) * | 2021-09-23 | 2021-12-28 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN113848480B (zh) * | 2021-09-23 | 2022-08-23 | 广东恒翼能科技有限公司 | 锂电池分容工艺的放电总容量预测方法 |
CN114216558A (zh) * | 2022-02-24 | 2022-03-22 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
CN107066722B (zh) | 一种基于电化学模型的动力电池系统荷电状态和健康状态的联合估计方法 | |
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN113311337A (zh) | 基于相关向量回归的锂离子电池剩余寿命检测方法 | |
CN110146822B (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN110888057B (zh) | 一种动力锂离子电池电化学参数辨识方法及系统 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN113484787B (zh) | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 | |
CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
CN109782190A (zh) | 用于估计单颗电池或单批电池的剩余使用寿命的方法 | |
CN112163372B (zh) | 一种动力电池的soc估算方法 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN109613446A (zh) | 一种基于时间序列分析的锂电池老化检测方法 | |
CN115586452A (zh) | 基于新型健康特征的锂离子电池健康状态估计方法 | |
CN114217238A (zh) | 一种锂离子电池循环寿命的预测方法 | |
CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 | |
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 | |
CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |