CN113376540B - 基于进化注意力机制的lstm电池健康状态估计方法 - Google Patents

基于进化注意力机制的lstm电池健康状态估计方法 Download PDF

Info

Publication number
CN113376540B
CN113376540B CN202110540306.6A CN202110540306A CN113376540B CN 113376540 B CN113376540 B CN 113376540B CN 202110540306 A CN202110540306 A CN 202110540306A CN 113376540 B CN113376540 B CN 113376540B
Authority
CN
China
Prior art keywords
individuals
parameters
battery
attention
individual
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
CN202110540306.6A
Other languages
English (en)
Other versions
CN113376540A (zh
Inventor
金海燕
崔宁敏
蔡磊
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110540306.6A priority Critical patent/CN113376540B/zh
Publication of CN113376540A publication Critical patent/CN113376540A/zh
Application granted granted Critical
Publication of CN113376540B publication Critical patent/CN113376540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392Determining battery ageing or deterioration, e.g. state of health
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了基于进化注意力机制的LSTM电池健康状态估计方法,具体为:首先,获取锂电池的额定容量、n条恒流充电电压曲线和当前的SOH,定义特征提取中的三个参数,对曲线进行特征提取和处理;之后定义注意力参数W,使用W来构造基于注意力机制的LSTM模型;通过非支配排序遗传算法II对参数进行优化,得到一组表现最优的个体;再选择一个MSE值最小的个体,对该个体进行解码,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。本发明方法,可以自适应地从电压曲线上获取合适的老化特征采样范围,提升自动化程度,同时提高SOH估计方法的性能。

Description

基于进化注意力机制的LSTM电池健康状态估计方法
技术领域
本发明属于电池管理技术领域,涉及一种基于进化注意力机制的LSTM电池健康状态估计方法。
背景技术
锂离子因其重量轻、能量密度高、寿命长、可循环利用等优点,被广泛应用于手机、电脑、汽车、航空航天等领域。有效的电池管理系统(Battery Management System,BMS)是确保锂离子电池安全运行的关键。电池健康状态(State Of Health,SOH)估计作为BMS的重要任务之一,对电池的安全运行和充放电优化有着重要的意义,其中电池SOH表征了电池当前可存储最大电池容量的能力,准确地进行SOH估计对电池整个生命周期至关重要,有利于电池的健康管理,避免灾难性事故的发生,延长电池的寿命。
目前流行的SOH预测方法可分为两类,实验方法和基于模型的估计方法。实验方法需要大量的实验来分析电池容量退化行为,受各种环境条件的影响,实验方法难以实现。基于模型的方法可分为自适应算法和数据驱动方法,自适应算法将数学模型和数值滤波(卡尔曼滤波、高斯滤波等)相结合来跟踪电池的退化趋势,但是自适应算法在很大程度上依赖于电化学模型和等效电路模型,现有的方法都难以建立准确的预测方法。相反,基于数据驱动的方法不需要了解详细的电池老化机制,只依赖于电池老化的数据信息,建立合适的电池退化模型。例如,高斯过程回归模型(Gaussian Process Regression,GPR)和支持向量机(Support Vector Machine,SVM)是建立电池退化模型两种常用的方法,尽管目前此类数据驱动方法都取得了不错的效果,但是这些方法都需要提取有效的特征来训练模型,只有特征提取可靠,才能对SOH进行准确的预测,因此,如何有效地从历史数据中提取特征是一项具有挑战的任务。考虑到电池老化是一个长期的过程,并且退化序列之间存在着复杂的依赖关系,长短时记忆神经网络(Long Short-term Memory neural network,LSTM)是解决电池容量长期退化趋势合适的解决方法。
针对数据驱动方法中特征提取问题,现有的大多数方法是基于手动选择的提取方式,通过在电压曲线上人为标注关键点或设计几何关系来进行特征提取,无法保证所提取特征的有效性和泛化性。通过BMS自动构建出有效特征,避免通过依赖经验和试错方法进行人为构造特征。
在实际应用中,模型中输入的每个特征可能对SOH估计起到不同的作用,注重特征之间的重要性差异,提升重要特征的影响力,降低非重要特征的影响力,对输入特征给予不同程度的关注也是本发明要解决的问题之一。并且目前的方法将模型中的参数和特征提取分开调整,独立于特征提取的训练过程不能保证整个估计的最优性。
发明内容
本发明的目的是提供基于进化注意力机制的LSTM电池健康状态估计方法,可以自适应地从电压曲线上获取合适的老化特征采样范围,提升了自动化程度,同时提高SOH估计方法预测的准确性。
本发明所采用的技术方案是,基于进化注意力机制的LSTM电池健康状态估计方法,具体按照以下步骤实施:
步骤1、获取锂电池出厂时由制造商标定的额定容量;
步骤2、获取锂电池n条恒流充电电压曲线;
步骤3、获取锂电池当前的SOH,锂电池当前容量和额定容量的比值为锂电池当前的SOH值;
步骤4、定义特征提取中需要优化的三个参数Is,Ie,m,并对步骤2中得到的n条恒流充电电压曲线进行特征提取和处理,得到处理后的老化特征;
步骤5、定义注意力参数W,使用该参数W来构造基于注意力机制的LSTM模型;
步骤6、对于步骤4定义的特征提取参数Is、Ie、m和步骤5定义的注意力参数W,通过非支配排序遗传算法II对参数同时进行优化,最终得到一组表现最优的个体。
步骤7、在经步骤6后得到的一组最优个体中,选择一个MSE值最小的个体,对该个体进行解码,得到解码后的老化特征和LSTM模型,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。
本发明的特点还在于,
步骤2中,具体为:在恒流条件下对锂电池进行循环充放电,每隔一定的时间间隔对每次充电工作下的电压数据进行实时记录,每充一次电,便会得到一组充电电压数据,并通过仪器测量该电池当前容量,直到锂电池寿命终止结束记录,寿命终止的标准是锂电池当前容量衰减为额定容量的70%,会得到n组充电电压数据,每组充电电压数据形成一条恒流充电电压曲线,最终会形成n条恒流充电电压曲线。
步骤4中,具体为:
步骤4.1、在每条恒流充电电压曲线上选择一个合适的窗口进行特征提取,向量C=c1,…,cx表示窗口内的电压数据,定义窗口参数Is和Ie,分别代表窗口的开始索引和结束索引;
步骤4.2、对窗口增加约束,窗口的范围必须位于整条充电电压曲线范围内,约束条件如式(2)所示:
0≤Is<Ie≤V_dimension (2);
式中,V_dimension表示每条充电电压曲线的维数;
步骤4.3、对窗口内的电压曲线采用分段聚合近似方法进行特征提取;在分段聚合近似方法中,先定义参数m代表分段个数,将窗口内的数据划分为m个大小相等的段,计算落入每一段内数据的均值
Figure BDA0003071364100000041
向量/>
Figure BDA0003071364100000042
便成为了每一段的近似表示,作为m个老化特征F=F1,F2,...,Fm
步骤4.4、对n条恒流充电电压曲线进行分段聚合近似,得到大小为n*m的特征矩阵,对特征矩阵进行归一化处理,得到处理后的老化特征;
归一化公式如式(3)所示:
Figure BDA0003071364100000051
其中,F是整个特征数据,Fmin是老化特征数据中的最小值,Fmax是老化特征数据中的最大值。
步骤5中,具体为:定义输入层、注意力层、隐藏层、输出层来构造基于注意力机制的LSTM模型;对于注意力层,由一组注意力权重参数W组成,当一组参数W确定之后,即确定了一个LSTM模型。
步骤6中,具体为:
步骤6.1、定义代价函数;代价函数如式(4)所示:
Figure BDA0003071364100000052
式中,f1表示锂电池健康状态估计值的目标函数,MSE是每个LSTM模型训练结束后得到的预测SOH值与步骤3计算的SOH值之间的误差;f2表示锂电池老化特征数目的目标函数,NumFeature表示锂电池老化特征数目;
MSE计算公式如式(5)所示;
Figure BDA0003071364100000053
其中,SOHi,estimate代表SOH的估计值,SOHi,real代表SOH的真实值;
步骤6.2、对特征提取参数和注意力权重参数进行编码;将这两种信息编码在一个单独的个体中,一个个体的决策值由两部分组成,第一部分表示特征提取中三个参数Is、Ie、m的编码,前两个参数每个分配40个二进制位,第三个参数分配5个二进制位,这一部分决策值总共包含85位;决策值的第二部分表示注意力权重参数W=(W1,W2,…,Wn),对于Wi(i=1,2,3…n)中的每个权重分配6个二进制位,每个Wi包含6*m个二进制位;初始化N个这样的个体作为初始种群,得到N个编码后的个体,作为父代种群;
步骤6.3、定义选择、交叉和变异遗传操作,在父代种群中选择个体,进行交叉和变异会产生M个新个体,作为子代种群;
步骤6.4、对步骤6.2得到的N个个体和步骤6.3得到的M个个体进行合并,合并后的种群大小为N+M,评估合并种群中每个个体的适应度值;对于合并种群中的每一个个体进行解码,对该个体前半部分的二进制位进行解码,得到特征提取参数,通过该特征提取参数来获取老化特征,将老化特征组成的数据集划分为训练集和测试集;对该个体后半部分的二进制位进行解码,得到注意力权重参数,用该注意力权重参数组成新的LSTM模型;将划分的训练集输入到新的LSTM模型中进行训练,通过步骤6.1定义的代价函数来评估每个个体的适应度值;
步骤6.5、根据步骤6.4得到的适应度值对每个个体进行非支配排序,计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取N个个体作为下一代种群,始终保持进入下一代的种群大小为N;
拥挤度计算公式如(6)所示:
Figure BDA0003071364100000071
式中,D[i]distance是第i个个体的拥挤距离,D[i]distance.m为第i个解的第m个目标函数,fm,max和fm,min为第m个目标函数的最大值与最小值。
步骤6.6、获取一组表现最优的个体;接下来是一个不断迭代的过程,如果当前代达到最大迭代次数,则得到一组表现最优的个体;否则,进入步骤6.3。
本发明的有益效果是:
首先,本发明方法,可以自适应地从电压曲线上获取合适的老化特征采样范围,提升自动化程度,同时提高SOH估计方法的性能。其次,在LSTM模型中加入注意力机制,有效应对模型中未能较好区分输入特征重要程度差异性的不足,提高了SOH估计方法预测的准确性。最后,通过优化算法将特征提取参数与LSTM模型中注意力机制的权重参数同时优化,旨在获取特征与模型组合整体契合的最优,该方法具有很好的泛化性和鲁棒性。
附图说明
图1为本发明基于进化注意力机制的LSTM电池健康状态估计方法的自适应窗口分段聚合近似特征提取图;
图2为本发明基于进化注意力机制的LSTM电池健康状态估计方法的LSTM模型构造图;
图3为本发明基于进化注意力机制的LSTM电池健康状态估计方法的对组合参数编解码图;
图4为本发明基于进化注意力机制的LSTM电池健康状态估计方法的总流程图。
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。
本发明基于进化注意力机制的LSTM电池健康状态估计方法,如图4所示,具体按照以下步骤实施:
步骤1、获取锂电池出厂时由制造商标定的额定容量;
步骤2、获取锂电池n条恒流充电电压曲线;
具体为:在恒流条件下对锂电池进行循环充放电,每隔一定的时间间隔对每次充电工作下的电压数据进行实时记录,每充一次电,便会得到一组充电电压数据,并通过仪器测量该电池当前容量,直到锂电池寿命终止结束记录(寿命终止的标准是锂电池当前容量衰减为额定容量的70%),会得到n组充电电压数据,每组充电电压数据形成一条恒流充电电压曲线,最终会形成n条恒流充电电压曲线;
步骤3、获取锂电池当前的SOH,锂电池当前容量和额定容量的比值为锂电池当前的SOH值;
计算公式如式(1)所示;
Figure BDA0003071364100000081
式中,Cnew为锂电池的当前容量,Ccurrent为锂电池的额定容量;其中,锂电池的当前容量Cnew等于本次充电所需充电量与剩余容量之和;
步骤4、定义特征提取中需要优化的三个参数Is,Ie,m,并对步骤2中得到的n条恒流充电电压曲线进行特征提取和处理,得到处理后的老化特征;
具体为:对步骤2中得到的n条恒流充电电压曲线进行特征提取,每条充电电压曲线提取m个老化特征,老化特征具体提取过程如下:
步骤4.1、在每条充电电压曲线上选择一个合适的窗口进行特征提取,向量C=c1,…,cx表示窗口内的电压数据,定义窗口参数Is和Ie,分别代表窗口的开始索引和结束索引;
步骤4.2、对窗口增加约束,窗口的范围必须位于整条充电电压曲线范围内,约束条件如式(2)所示:
0≤Is<Ie≤V_dimension (2);
式中,V_dimension表示每条充电电压曲线的维数;
步骤4.3、对窗口内的电压曲线采用分段聚合近似方法进行特征提取。
在分段聚合近似方法中,先定义参数m代表分段个数,将窗口内的数据划分为m个大小相等的段,计算落入每一段内数据的均值
Figure BDA0003071364100000091
向量/>
Figure BDA0003071364100000092
便成为了每一段的近似表示,作为m个老化特征F=F1,F2,...,Fm
步骤4.4、对n条恒流充电电压曲线进行分段聚合近似,得到大小为n*m的特征矩阵,对特征矩阵进行归一化处理,得到处理后的老化特征;
归一化公式如式(3)所示:
Figure BDA0003071364100000101
其中,F是整个特征数据,Fmin是老化特征数据中的最小值,Fmax是老化特征数据中的最大值;
步骤5、定义注意力参数W,使用该参数W来构造基于注意力机制的LSTM模型;
具体为:定义输入层、注意力层、隐藏层、输出层来构造基于注意力机制的LSTM模型。对于注意力层,由一组注意力权重参数W组成的,当一组参数W确定之后,即确定了一个LSTM模型;
步骤6、对于步骤4定义的特征提取参数Is、Ie、m和步骤5定义的注意力参数W,通过非支配排序遗传算法II(Non-dominated Sorting Genetic Algorithm II,NSGA-II)对参数同时进行优化。通过该优化算法最终得到一组表现最优的个体。
步骤6的具体实施方式为:
步骤6.1、定义代价函数。本发明考虑了SOH估计精度和老化特征数目两个待优化目标,来指导特征提取中的参数和注意力权重参数的寻优过程。具体的代价函数如式(4)所示:
Figure BDA0003071364100000102
式中,f1表示锂电池健康状态估计值的目标函数,MSE是每个LSTM模型训练结束后得到的预测SOH值与步骤3计算的SOH值之间的误差;f2表示锂电池老化特征数目的目标函数,NumFeature表示锂电池老化特征数目。
MSE计算公式如式(5)所示;
Figure BDA0003071364100000111
其中,SOHi,estimate代表SOH的估计值,SOHi,real代表SOH的真实值;
步骤6.2、对特征提取参数和注意力权重参数进行编码;将这两种信息编码在一个单独的个体中,一个个体的决策值由两部分组成,第一部分表示特征提取中三个参数(Is、Ie、m)的编码,前两个参数每个分配40个二进制位,第三个参数分配5个二进制位,这一部分决策值总共包含85位。决策值的第二部分表示注意力权重参数W=(W1,W2,…,Wn),对于Wi(i=1,2,3…n)中的每个权重分配6个二进制位,每个Wi包含6*m个二进制位。初始化N个这样的个体作为初始种群,得到N个编码后的个体,作为父代种群。
步骤6.3、定义选择、交叉和变异等遗传操作,在父代种群中选择个体,进行交叉和变异会产生M个新个体,作为子代种群。
步骤6.4、对步骤6.2得到的N个个体和步骤6.3得到的M个个体进行合并,合并后的种群大小为N+M,评估合并种群中每个个体的适应度值。对于合并种群中的每一个个体进行解码,解码是将每个个体中每个参数对应的二进制位转换为十进制数,转换后的十进制数也就代表了每个参数的取值。对该个体前半部分的二进制位进行解码,得到特征提取参数,通过该特征提取参数来获取老化特征,将老化特征组成的数据集划分为训练集和测试集。对该个体后半部分的二进制位进行解码,得到了注意力权重参数,用该注意力权重参数组成新的LSTM模型。将划分的训练集输入到新的LSTM模型中进行训练,通过步骤6.1定义的代价函数来评估每个个体的适应度值,该个体的适应度值越小代表着该个体越优;
步骤6.5、根据步骤6.4得到的适应度值对每个个体进行非支配排序,计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取N个个体作为下一代种群,始终保持进入下一代的种群大小为N。
拥挤度计算公式如(6)所示:
Figure BDA0003071364100000121
式中,D[i]distance是第i个个体的拥挤距离,D[i]distance.m为第i个解的第m个目标函数,fm,max和fm,min为第m个目标函数的最大值与最小值。
步骤6.6、获取一组表现最优的个体。接下来是一个不断迭代的过程,如果当前代达到最大迭代次数,则得到一组表现最优的个体。否则,进入步骤6.3。
步骤7、在步骤6.6得到的一组最优个体中,选择一个MSE值最小的个体,对该个体进行解码,得到解码后的老化特征和LSTM模型,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。
实施例
本发明基于进化注意力机制的LSTM电池健康状态估计方法,具体按照以下步骤实施:
(1)使用是美国航空航天局存储库为18650的锂电池,额定容量为2Ah,选择B5电池进行实验。
(2)在恒定电流4A下对B5锂电池进行循环充放电,每充一次电便得到一条恒流充电电压变化曲线,直到电池报废,共经历了135次循环充放电,得到135条充电电压曲线。在对电池每一次充电之前,先测量该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),测量该电池的当前容量,其中,当前电池容量等于本次充电所需充电量与剩余容量之和。
(3)电池当前容量与额定容量的比值即为电池当前的SOH值。
(4)定义特征提取中需要优化的三个参数Is,Ie,m,对(3)对得到的135条恒流充电电压曲线进行特征提取及处理,如图1所示,通过采用自适应窗口分段聚合近似的特征提取方法来获取老化特征,得到处理后的老化特征。老化特征具体提取过程如下:在每条充电电压曲线上选择一个合适的窗口进行特征提取,向量C=c1,…,cx表示窗口内的电压数据,设定窗口开始索引Is为1800,结束索引Ie为3400。
对窗口增加约束,窗口的范围必须位于整条电压曲线范围内。
对窗口内的电压曲线采用分段聚合近似方法进行降维,降维后得到的数据就是老化特征。定义分段个数m为8,将数据划分为8个大小相等的段,计算落入每一段内数据的均值
Figure BDA0003071364100000131
向量/>
Figure BDA0003071364100000132
便成为了每一段的近似表示,作为8个老化特征F=F1,F2,...,F8
对135条恒流充电电压曲线进行分段聚合近似便得到大小为135*8的特征矩阵,对特征矩阵进行归一化处理,得到处理后的老化特征。
(5)定义注意力参数W,使用该参数W来构造基于注意力机制的LSTM模型。
首先,如图2所示,定义注意力权重为W=(W1,W2,…,W135),作为LSTM模型的注意层,当一组参数W确定之后,便就确定了一个LSTM模型。定义输入层、注意层、隐藏层、输出层来构造基于注意力机制的LSTM模型。
(6)对于(4)定义的特征提取参数Is、Ie、m和(5)定义的注意力参数W,通过NSGA-II对参数同时进行优化,通过该优化算法最终得到一组表现最优的个体。
定义代价函数。本发明考虑了SOH估计精度和老化特征数目两个待优化目标,来指导特征提取中的参数和注意力权重参数的寻优过程。
如图3所示,对四个参数(Is、Ie、m、W)进行编码,前两个参数每个分配40个二进制位,第三个参数分配5个二进制位,第四个参数每个权重分配6个二进制位,每个Wi包含6*8个二进制位。随机初始化10个这样的个体作为初始种群,得到10个编码后的个体,作为父代种群。
定义选择、交叉和变异等遗传操作,在父代种群中选择个体,进行交叉和变异会产生10个新个体,作为子代种群。
对上述得到的父代种群和子代种群进行合并,合并后的种群大小为20,评估合并种群中每个个体的适应度值。如图3所示,对于合并种群中的每一个个体进行解码,对前85个二进制位进行解码,得到了特征提取参数Is,Ie,m,通过该参数来获取老化特征,将老化特征组成的数据集划分为训练集和测试集。对该个体后6*8个二进制位进行解码,便得到了注意力权重参数,用该参数组成LSTM模型。将划分的训练集输入到LSTM模型中进行训练,通过定义的代价函数来评估每个个体的适应度值,该个体的适应度值越小代表着该个体越优;
根据适应度值对个体进行非支配排序,计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取10个个体作为下一代种群,始终保持进入下一代的种群大小为10。
获取一组表现最优的个体。接下来是一个不断迭代的过程,如果当前代达到最大迭代次数,则得到一组表现最优的个体,否则,进入(6)继续迭代。
(7)在得到的一组最优个体中,选择一个MSE值最小的个体,对该个体进行解码,得到解码后的老化特征和LSTM模型,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。

Claims (5)

1.基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,具体按照以下步骤实施:
步骤1、获取锂电池出厂时由制造商标定的额定容量;
步骤2、获取锂电池n条恒流充电电压曲线;
步骤3、获取锂电池当前的SOH,锂电池当前容量和额定容量的比值为锂电池当前的SOH值;
步骤4、定义特征提取中需要优化的三个参数Is,Ie,m,并对步骤2中得到的n条恒流充电电压曲线进行特征提取和处理,得到处理后的老化特征;
步骤5、定义注意力参数W,使用该参数W来构造基于注意力机制的LSTM模型;
步骤6、对于步骤4定义的特征提取参数Is、Ie、m和步骤5定义的注意力参数W,通过非支配排序遗传算法II对参数同时进行优化,最终得到一组表现最优的个体;
步骤7、在经步骤6后得到的一组最优个体中,选择一个MSE值最小的个体,对该个体进行解码,得到解码后的老化特征和LSTM模型,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。
2.根据权利要求1所述的基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,所述步骤2中,具体为:在恒流条件下对锂电池进行循环充放电,每隔一定的时间间隔对每次充电工作下的电压数据进行实时记录,每充一次电,便会得到一组充电电压数据,并通过仪器测量该电池当前容量,直到锂电池寿命终止结束记录,寿命终止的标准是锂电池当前容量衰减为额定容量的70%,会得到n组充电电压数据,每组充电电压数据形成一条恒流充电电压曲线,最终会形成n条恒流充电电压曲线。
3.根据权利要求1所述的基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,所述步骤4中,具体为:
步骤4.1、在每条恒流充电电压曲线上选择一个合适的窗口进行特征提取,向量C=c1,…,cx表示窗口内的电压数据,定义窗口参数Is和Ie,分别代表窗口的开始索引和结束索引;
步骤4.2、对窗口增加约束,窗口的范围必须位于整条充电电压曲线范围内,约束条件如式(2)所示:
0≤Is<Ie≤V_dimension (2);
式中,V_dimension表示每条充电电压曲线的维数;
步骤4.3、对窗口内的电压曲线采用分段聚合近似方法进行特征提取;在分段聚合近似方法中,先定义参数m代表分段个数,将窗口内的数据划分为m个大小相等的段,计算落入每一段内数据的均值
Figure QLYQS_1
向量/>
Figure QLYQS_2
便成为了每一段的近似表示,作为m个老化特征F=F1,F2,...,Fm
步骤4.4、对n条恒流充电电压曲线进行分段聚合近似,得到大小为n*m的特征矩阵,对特征矩阵进行归一化处理,得到处理后的老化特征;
归一化公式如式(3)所示:
Figure QLYQS_3
其中,F是整个特征数据,Fmin是老化特征数据中的最小值,Fmax是老化特征数据中的最大值。
4.根据权利要求3所述的基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,所述步骤5中,具体为:定义输入层、注意力层、隐藏层、输出层来构造基于注意力机制的LSTM模型;对于注意力层,由一组注意力权重参数W组成,当一组参数W确定之后,即确定了一个LSTM模型。
5.根据权利要求4所述的基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,所述步骤6中,具体为:
步骤6.1、定义代价函数;代价函数如式(4)所示:
Figure QLYQS_4
式中,f1表示锂电池健康状态估计值的目标函数,MSE是每个LSTM模型训练结束后得到的预测SOH值与步骤3计算的SOH值之间的误差;f2表示锂电池老化特征数目的目标函数,NumFeature表示锂电池老化特征数目;
MSE计算公式如式(5)所示;
Figure QLYQS_5
其中,SOHi,estimate代表SOH的估计值,SOHi,real代表SOH的真实值;
步骤6.2、对特征提取参数和注意力权重参数进行编码;将这两种信息编码在一个单独的个体中,一个个体的决策值由两部分组成,第一部分表示特征提取中三个参数Is、Ie、m的编码,前两个参数每个分配40个二进制位,第三个参数分配5个二进制位,这一部分决策值总共包含85位;决策值的第二部分表示注意力权重参数W=(W1,W2,…,Wn),对于Wi(i=1,2,3…n)中的每个权重分配6个二进制位,每个Wi包含6*m个二进制位;初始化N个这样的个体作为初始种群,得到N个编码后的个体,作为父代种群;
步骤6.3、定义选择、交叉和变异遗传操作,在父代种群中选择个体,进行交叉和变异会产生M个新个体,作为子代种群;
步骤6.4、对步骤6.2得到的N个个体和步骤6.3得到的M个个体进行合并,合并后的种群大小为N+M,评估合并种群中每个个体的适应度值;对于合并种群中的每一个个体进行解码,对该个体前半部分的二进制位进行解码,得到特征提取参数,通过该特征提取参数来获取老化特征,将老化特征组成的数据集划分为训练集和测试集;对该个体后半部分的二进制位进行解码,得到注意力权重参数,用该注意力权重参数组成新的LSTM模型;将划分的训练集输入到新的LSTM模型中进行训练,通过步骤6.1定义的代价函数来评估每个个体的适应度值;
步骤6.5、根据步骤6.4得到的适应度值对每个个体进行非支配排序,计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取N个个体作为下一代种群,始终保持进入下一代的种群大小为N;
拥挤度计算公式如(6)所示:
Figure QLYQS_6
式中,D[i]distance是第i个个体的拥挤距离,D[i]distance.m为第i个解的第m个目标函数,fm,max和fm,min为第m个目标函数的最大值与最小值;
步骤6.6、获取一组表现最优的个体;接下来是一个不断迭代的过程,如果当前代达到最大迭代次数,则得到一组表现最优的个体;否则,进入步骤6.3。
CN202110540306.6A 2021-05-18 2021-05-18 基于进化注意力机制的lstm电池健康状态估计方法 Active CN113376540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110540306.6A CN113376540B (zh) 2021-05-18 2021-05-18 基于进化注意力机制的lstm电池健康状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110540306.6A CN113376540B (zh) 2021-05-18 2021-05-18 基于进化注意力机制的lstm电池健康状态估计方法

Publications (2)

Publication Number Publication Date
CN113376540A CN113376540A (zh) 2021-09-10
CN113376540B true CN113376540B (zh) 2023-07-07

Family

ID=77571114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110540306.6A Active CN113376540B (zh) 2021-05-18 2021-05-18 基于进化注意力机制的lstm电池健康状态估计方法

Country Status (1)

Country Link
CN (1) CN113376540B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114325450A (zh) * 2022-01-11 2022-04-12 青岛科技大学 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
CN114460481A (zh) * 2022-01-27 2022-05-10 重庆邮电大学 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
KR20230153096A (ko) * 2022-04-28 2023-11-06 삼성에스디아이 주식회사 배터리의 건강 상태를 추정하는 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111832220A (zh) * 2020-06-16 2020-10-27 天津大学 一种基于编解码器模型的锂离子电池健康状态估算方法
CN112684346A (zh) * 2020-12-10 2021-04-20 西安理工大学 基于遗传卷积神经网络的锂电池健康状态估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111832220A (zh) * 2020-06-16 2020-10-27 天津大学 一种基于编解码器模型的锂离子电池健康状态估算方法
CN112684346A (zh) * 2020-12-10 2021-04-20 西安理工大学 基于遗传卷积神经网络的锂电池健康状态估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于IACA-SVR的电池SOH预测研究;康道新;李立伟;杨玉新;罗羽;;电力电子技术(第09期);全文 *

Also Published As

Publication number Publication date
CN113376540A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113376540B (zh) 基于进化注意力机制的lstm电池健康状态估计方法
CN108896914B (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN112782591B (zh) 基于多电池数据融合的锂电池soh长期预测方法
CN110187290B (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN112684346B (zh) 基于遗传卷积神经网络的锂电池健康状态估计方法
CN111861013B (zh) 一种电力负荷预测方法及装置
CN113917334B (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN113267733B (zh) 基于高斯过程回归的锂电池健康状态估计的自动配置方法
CN114325450A (zh) 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN112198434B (zh) 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
CN114740388A (zh) 一种基于改进tcn的锂电池剩余寿命状态评估方法
CN113176518A (zh) 一种锂电池健康状态估算方法
CN114924203A (zh) 一种电池soh预测分析方法及电动汽车
CN116577668A (zh) 一种基于sae-qpso-rvm矿用自卸车起动铅酸蓄电池寿命预测方法
CN116736133A (zh) 锂离子电池全寿命周期容量退化轨迹的早期预测方法
CN114545277A (zh) 一种基于容量衰减的动力电池退役预测方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN117007974A (zh) 一种基于模型融合的固态电池soc估计方法
CN116736130A (zh) 一种锂电池剩余使用寿命预测方法及系统
CN115327389A (zh) 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法
CN116243194A (zh) 一种混合工况条件下的电池健康状态在线预测方法
CN112001114B (zh) 一种基于lstm改进的正则化粒子滤波算法的电池寿命预测方法
CN115032544A (zh) 数据不完备场景下的动力锂电池剩余寿命预测方法
Kumarappa et al. Machine learning-based prediction of lithium-ion battery life cycle for capacity degradation modelling

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