CN113419187B - 一种锂离子电池健康估计方法 - Google Patents
一种锂离子电池健康估计方法 Download PDFInfo
- Publication number
- CN113419187B CN113419187B CN202110638328.6A CN202110638328A CN113419187B CN 113419187 B CN113419187 B CN 113419187B CN 202110638328 A CN202110638328 A CN 202110638328A CN 113419187 B CN113419187 B CN 113419187B
- Authority
- CN
- China
- Prior art keywords
- battery
- decoder
- network
- value
- data
- 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
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种锂离子电池健康估计方法,使用车载BMS存储的历史电池数据对编码器‑解码器神经网络进行训练,将模型预测的电池恒流充放电电压曲线与电池循环老化试验得到的曲线进行相似度对比,从而获得被测锂离子电池的SOH。本发明建立锂离子电池的动态模型,避免了复杂的电池建模和模型参数辨识过程,利用容易获得的电池历史数据而非实验数据,减少SOH估计时间,能够实现锂离子电池的SOH快速辨识,解决了电动汽车上锂离子电池SOH状态的估计问题。
Description
技术领域
本发明涉及电动汽车电池管理系统领域,具体地,涉及一种锂离子电池健康估 计方法。
背景技术
在当今社会能源问题和环境问题日益严重的背景下,混合动力汽车和纯电动汽车等新能源汽车正在逐渐成为汽车行业的行业主流。锂离子电池是电动汽车重要的 核心组件。电池管理系统(BMS)的作用就是为了保障电池的安全稳定运行。由于 电池的状态量,如电池的容量、内阻等,并不能由车载传感器直接测得。所以,BMS 为了实现对电池的管理和监控,就只能通过车载传感器能够直接测量的信号,如电 池的端电压、电池的负载电流以及电池表面的温度,对电池的状态进行间接估计。 另外,我国即将迎来车载锂离子动力电池退役高峰,届时将有大量的锂离子电池被 梯次利用。锂离子电池容量损失量不同,其被二次利用的场合也不同。所以,在对 退役锂电池进行梯度利用前,需要对电池进行容量测试和内阻测试。
国内外估算电池SOH的方法主要有实验分析法和基于电池模型的方法。实验分 析法通过对电池进行标准的测试实验来估计SOH。基于模型的方法会建立一个锂离 子电池的动态模型,基于这个模型进行参数辨识和状态辨识。锂电池动态模型有等 效电路模型和电化学模型。锂电池的等效电路参数多使用最小二乘法进行辨识。而 电化学模型的参数辨识多使用粒子群算法和遗传算法等适合于优化高度非线性目 标函数的优化算法。
使用实验分析法来估计SOH,相对直接,精度较高,但需要化学工作站等专业 实验设备价格昂贵,且测试所需时间较长。在即将有大量锂电池退役,有待进行测 试的背景下,会极大影响锂离子电池梯次利用的效率。等效电路模型较为简单,计 算效率高,但其是对电池动态特性的近似刻画,模型精度相对较低。电化学模型能 对电池的动态响应特性进行精确的描述,但其计算涉及多个偏微分方程,计算量较 大,在车载BMS系统上难以实现。
在公开号为CN111832220A的中国发明专利申请文件中,公开了一种基于编解 码器模型的锂离子电池健康状态估算方法,包括以下步骤:(1)采集电池充放电周 期数据,包括端电压、电流数据和每个充放电周期内的最大放电容量;(2)根据所 采集数据的特性,构建注意力机制的编解码器模型,包含编码器和解码器两部分。 电压、电流值作为编码器输入,得到电池的SOH估算值作为解码器输出,并确定各 层节点数;(3)将步骤(1)采集的数据预处理、归一化,输入到权重随机初始化后的 编解码器模型中,并通过Adam算法训练,最小化编解码器模型输出误差;(4)将新 的测试样本输入到步骤(3)中训练好的编解码器模型,计算预测误差,以评估模型 预测的准确性。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种锂离子电池健康估计方法。
根据本发明提供的一种锂离子电池健康估计方法,包括以下步骤:
步骤S1:收集BMS系统记录的锂离子电池近期的负载电流、端电压、温度、SOC 数据序列;
步骤S2:对收集到的数据进行异常点剔除、数据缺失点补充和最大最小化预处理;
步骤S3:利用滑动窗口法将步骤S2中处理好的数据划分为若干个子序列,然后将各个子序列划分为供编码器使用的部分和供解码器使用的部分;
步骤S4:对编码器-解码器神经网络的结构进行设计,确定网络的输入输出、网络层数以及每层的神经元数;首先计算网络的前向传播结果,将网络输出与期望输出进行 对比,计算网络输出误差,然后使用误差反传算法,对编码器-解码器神经网络的参数 进行训练;
步骤S5:对训练好的编码器-解码器模型进行虚拟容量测试,获得编码器-解码器模 型预测的电池端电压响应曲线;
步骤S6:收集与步骤S1中电池型号相同的电池的循环老化实验数据,并计算数据中每一条电压曲线所对应的电池容量值;
步骤S7:依次计算步骤S5中获得曲线和步骤S6中收集到的电池循环老化实验中的各条电池电压响应曲线之间的相似度,确定步骤S5中获得曲线与步骤S6哪一条曲线 最相近,把最相近的步骤S6中的那条曲线对应的容量值作为当前电池SOH的估计值。
优选的,所述步骤S1包括以下子步骤:
步骤S1.1:BMS系统上传最近一个月的电池运行数据至T-BOX;
步骤S1.2:T-BOX将电池运行数据传输至云端大数据中心;
步骤S1.3:云端服务器实现对SOH进行离线估算。
优选的,所述步骤S2包括以下子步骤:
步骤S2.1:进行数据清洗,将数据序列中严重偏离的数据点删除,该点处数据值由前后两个时刻的数据值进行线性插值得到;
步骤S2.2:删除重复的冗余数据,对于冗余数据和缺失数据,均使用前一时刻和后一时刻的数据值的线性插值结果进行补齐;
步骤S2.3:将数据集进行归一化处理,采用最大最小归一化方法:
式中X指当前样本某一特征分量的取值,Xmin是所有样本的该特征分量的最小值,Xmax是所有样本的该特征分量的最大值。
优选的,所述步骤S3包括以下子步骤:
步骤S3.1:对收集到的每一条完整的电池动态放电数据施加一个长度为k的滑 动窗口,该窗口以步长s沿着整条序列向前滑动,进而将完整的放电序列划分为若 干个长度为k的子序列;
步骤S3.2:对于每一个子序列,按照比例系数c,将每一个子序列前面k·c个时刻的作为供编码器使用的部分,将后面k(1-c)个时刻作为供解码器使用的部分。
优选的,所述步骤S4中的编码器和解码器均为LSTM网络,编码器和解码器的网 络层数均为单层LSTM网络,且神经元节点数均为10个。
优选的,所述编码器和解码器中的每个LSTM层均包含四个组件:输入门、遗忘门、输出门和记忆单元;编码器LSTM网络和解码器LSTM网络内部的三个门控单元的输 入输出函数关系为:
it=f(Wi,xxt+Wi,hht-1+bi)
ft=f(Wf,xxt+Wf,hht-1+bf)
ot=f(Wo,xxt+Wo,hht-1+bo)
式中it为输入门的输出,ft为遗忘门的输出,ot为输出门的输出;Wi,x,Wf,x和Wo,x分别为输入门、遗忘门和输出门对当前时刻输入量xt的权重矩阵;Wi,h,Wf,h和Wo,h分 别为输入门、遗忘门和输出门对上一个时刻的网络输出向量ht-1的权重向量;f表示 Sigmoid激活函数,其表达式为:
当前时刻记忆单元中存储的值将更新为:
上式中ct表示t时刻记忆单元中存储的值,ct-1表示t-1时刻记忆单元中存储的值,更新记忆单元中存储的值后,根据下面这个式子获得LSTM网络当前时刻的输出:
ht=ottanh(ct)。
优选的,所述步骤S4中的确定网络的输入输出和计算网络输出误差包括以下步骤:
步骤S4.1:编码器的输入为步骤S3.2中所述的当前子序列前k·c个时刻的电压、电流、温度和SOC;
步骤S4.3:解码器的输入为步骤S3.2中所述的当前子序列后k(1-c)个时刻的电流、 温度和SOC;
步骤S4.6:解码器在当前子序列后k(1-c)个时刻上前向传播,获得解码器网络的输出序列为:
步骤S4.7:使用一个线性全连接层,将解码器每一个时刻的输出向量转化为一个标量,计算表达式为:
步骤S4.8:网络输出误差的计算使用的是均方误差MSE,误差的计算公式为:
其中Vt为供解码器使用的子序列在第t个时刻的电池端电压真值。
优选的,所述步骤S5包括以下子步骤:
步骤S5.1:采用恒流放电的方式,放电电流为1C,电池温度恒定为25℃,序列采 样周期为1s;网络的输入序列为:
其中T(k)表示在第k个时刻输入网络的温度,I(k)表示第k个时刻输入网络的电流SOC(k)表示第k个时刻输入网络的SOC值,SOCend表示人为设定的1C放电工况放 电到的截至SOC,设定为10%。
步骤S5.2:网络输入序列中SOC序列由安时积分法得到,计算公式如下:
其中SOCinit表示电池的SOC初值,设定为100%;η表示电池的充放电库伦效率, 其值为电池出厂时电池制造商所提供的值;Cmax是电池的最大可用容量,设定为最近一 次对电池进行SOH估计后得到的电池容量;
步骤S5.3:将上述的输入序列持续输入给编码器-解码器神经网络,直至网络的输出即估计的电池端电压响应值达到设定的截止电压时停止,最终获得解码器网络预测的电池标准容量测试时的电压响应曲线。
优选的,所述步骤S6中,循环老化试验过程中对被实验电池交替进行充电和放电,充电倍率为1C,放电倍率也为1C,对每一次1C放电曲线进行安时积分获得本次循环 电池的容量大小,当电池容量衰减至初始容量的80%时停止循环老化试验。
优选的,所述步骤S7中曲线相似度的对比包括以下步骤:
步骤S7.1:设定SOC比较点,将SOC从100%到0%按照一定的步长递减,构造 SOC序列为:
{100%,99%,98%,…,2%,1%,0%}
步骤S7.2:对各条循环老化实验电压曲线和解码器预测的电池端电压曲线关于步骤 S7.1中所述的SOC序列进行线性插值,计算出两者在各个SOC值处对应的电池端电压 值为:
步骤S7.3:解码器预测的电池1C放电电压曲线和第i次老化循环电池1C放电电压曲线之间的相似度使用均方误差(Mean Square Error,MSE)的倒数来描述,计算公式为:
式中ρi表示解码器预测的电池1C放电电压曲线和第i次老化循环电池1C放电电压曲线之间的相似度;
步骤S7.4:如果解码器预测的电池1C放电电压曲线和第m次老化循环电池1C放 电电压曲线之间的相似度最大,即ρm的值最大,那么对SOH的估计值就等于循环老化 实验中经历m次老化循环后被实验电池的SOH值。
与现有技术相比,本发明具有如下的有益效果:
1、本发明不需要使用化学工作站等专业实验设备,所需时间相对较短,成本相对较低。
2、本发明不需要基于具体的物理模型,而是基于数据建模,可以缩短建模时间。
3、本发明利用包含丰富信息的电池放电数据来估计电池的SOH,避免了数据的浪费。
4、发明的计算时间适中,计算精度相对较高,在不牺牲精度的前提下,能够以相对较快的速度完成对电池SOH的估计。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例中数据获取方式示意图;
图2为本发明实施例的算法流程图;
图3为本发明实施例中序列划分过程的示意图;
图4为本发明实施例编码器-解码器网络的结构示意图;
图5为本发明实施例中编码器-解码器网络所使用的LSTM网络的结构示意图;
图6为利用曲线相似度对比确定电池SOH方法的效果图;
图7为图6中A部分的放大示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人 员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于 本发明的保护范围。
本发明提出了一种基于编码器-解码器和曲线相似度对比的锂离子电池SOH辨识方 法。使用车载BMS存储的历史电池数据对编码器-解码器网络进行训练,建立锂离子电池的动态模型。能够实现锂离子电池的SOH快速辨识,解决了电动汽车上锂离子电池 SOH状态的估计问题,并且可以作为一种更快速的退役电池容量估计方法。
首先从车载BMS中提取出所需要的电池数据,采集BMS系统记录的锂离子电池近一个月的负载电流、端电压、温度、SOC(State of Charge,电池电荷状态)数据序列, 之后对提取出的数据进行清洗、整理和预处理。之后对数据进行划分,划分成供编码器 使用的部分和供解码器使用的部分。之后进行编码器-解码器神经网络模型的搭建,对 编码器-解码器神经网络的结构进行设计。再之后使用整理好的数据对编码器-解码器神 经网络中的参数进行训练。之后将人为设定的输入输送给已经训练好的编码器-解码器 网络,进行虚拟容量实验,得到模型估计的电池容量测试下的端电压响应曲线。之后再 收集与实车同款电池单体的循环老化实验数据,最后指定曲线相似度衡量标准,利用模 型预测的电池端电压曲线和各条循环老化实验曲线之间的相似度。具体步骤如下:
电池数据获取流程如图1所示。电动汽车电池组上相应位置布置有电流、电压和温度传感器,传感器数据通过CAN有线网络传输给车载电池管理系统(BMS),BMS对 响应电压、电流和温度数据进行记录,并对电池SOC进行估计。电池管理系统将电池 运行数据上传至T-BOX,T-BOX通过4G无线网络将数据传输至云端大数据中心进行 进一步的分析和处理;
进行数据清洗,将数据序列中严重偏离的数据点删除。当该点处数值与其前一时刻 值的差值大于前一时刻值的1.5倍,则认定当前时间的数据点是异常数据点,此时该点处数据值由前后两个时刻的数据值进行线性差值得到。对于缺失数据,也使用前一时刻 和后一时刻的数据值的线性差值结果进行补齐。之后将数据集进行归一化处理,采用最 大最小归一化方法。最后进行数据集的划分,按照数据集样本数量的70%、10%和20%, 将数据集分别分成训练集、验证集和测试集。最大最小归一化方法的计算公式如下,其 中X指当前样本某一特征分量的取值,Xmin是所有样本的该特征分量的最小值,Xmax是 所有样本的该特征分量的最大值:
将数据划分为供编码器使用部分和供解码器使用部分的过程如图3所示。前面收集 到的实车数据中的电池放电数据是一些长度较长的序列,包含了电池的电压序列、电流序列、温度序列和SOC序列。对于收集到的每一条较长的电池放电序列,分别施加一 个滑动窗口,该窗口的长度为k,该窗口的左端点最开始和整条电池放电序列第一个数 据点重合,然后将落在该窗口中的数据点收集起来作为划分出的第一条子序列,然后将 滑动窗口整体向右平移s个数据点,然后将新位置下的滑动窗口内的数据点收集起来作 为第二条子序列,然后再将滑动窗口向右平移s个数据点,重复上述步骤直至滑动窗口 的右端点达到或超过整条放电序列的最后一个数据点为止。最后得到若干条长度为k的 子序列。例如一条长序列的长度为L=28000,所施加的滑动窗口长度为k=1000,滑动 窗口移动的步长为s=500,那么就可以将这个长序列划分为(L-k)/s=54条长度为 k=1000的子序列。之后将获得的每一条长度为k的子序列划分为两部分。第一部分是 每一条子序列前k·c个数据点,其中c为一个取值范围为[0,1]的系数。第二部分是每一 条子序列后k(1-c)个数据点。第一部分供编码器网络使用,第一部分每一时刻的电压、 电流、温度和SOC作为编码器每一时刻的输入。第二部分供解码器网络使用,第二部 分每一个刻的电流、温度和SOC作为解码器每一个时刻的输入,第二部分每一个时刻 的电池端电压作为解码器每一个时刻的期望输出。即对于编码器,其每一个时刻的输入 为:
建立的编码器-解码器网络的结构,如图4所示。首先,编码器和解码器都是长短时记忆网络(Long Short Term Memory,LSTM),如图5所示。编码器网络和解码器网络 均为单层LSTM网络,且神经元节点数均为10个。编码器和解码器中每个LSTM层中 包含四个组件:输入门、遗忘门、输出门和记忆单元(Cell)。输入门、遗忘门和输出门 的输入是当前时刻的输入向量xt和LSTM网络上一个时刻的输出向量ht-1,输出是一个 向量,其各个分量的取值范围均为[0,1]。编码器LSTM网络和解码器LSTM网络内部 的三个门控单元的输入输出函数关系为:
it=f(Wi,xxt+Wi,hht-1+bi)
ft=f(Wf,xxt+Wf,hht-1+bf)
ot=f(Wo,xxt+Wo,hht-1+bo)
式中it为输入门的输出,ft为遗忘门的输出,ot为输出门的输出。Wi,x,Wf,x和Wo,x分别为输入门、遗忘门和输出门对当前时刻输入量xt的权重矩阵。Wi,h,Wf,h和Wo,h分 别为输入门、遗忘门和输出门对上一个时刻的网络输出向量ht-1的权重向量。f表示 Sigmoid激活函数,其表达式为:
当前时刻记忆单元中存储的值将更新为:
上式中ct表示当前时刻(t时刻)记忆单元中存储的值,ct-1表示上一时刻(t-1时刻)记忆单元中存储的值。更新记忆单元中存储的值后,根据下面这个式子获得LSTM 网络当前时刻的输出:
ht=ottanh(ct)
跟据上面列出的公式,即可迭代地计算出编码器和解码器在每一个时刻的输出ht,t=1,2,…,即完成了编码器和解码器的前向传播过程。首先计算编码器的前向传播结果,注意在初始时刻将解码器LSTM网络中的记忆单元初始化为全零向量,并且认为解码器LSTM在初始时刻的“上一个时刻”的网络输出也为全零向量,即设定编码器在其输入序列的k·c个时刻上完成前向传播之 后,将解码器最后一个时刻(即k·c时刻)的网络输出和记忆单元值记录下来。 之后开始计算解码器的前向传播结果。但是在计算解码器在初始时刻的前向传播结果时, 要使用和的值对解码器网络进行初始化,即将解码器初始时刻(t=1时刻)记忆 单元中存储的值初始化为编码器最后一个时刻(即k·c时刻)的记忆单元值将解 码器在初始时刻(t=1时刻)输入到各个门控单元的上一个时刻的解码器网络输出初 始化为编码器最后一个时刻(即k·c时刻)的网络输出即令:
之后解码器在当前子序列后k(1-c)个时刻上前向传播,获得解码器网络的输出序列为:
最后使用一个线性全连接层,将解码器每一个时刻的输出向量转化为一个标量,计 算表达式为:
网络输出误差的计算使用的是均方误差(Mean Square Error,MSE),误差的计算公式 为:
其中Vt为供解码器使用的子序列在第t个时刻的电池端电压真值;
完成编码器-解码器网络的训练以后,该网络的动态特性应近似等于实际电池的动 态特性,可以认为基于编码器-解码器网络的电池模型与实际电池模型相互等价。之后可以通过给编码器-解码器网络施加人为定义的输入量,进行虚拟容量测试,这就相当 于对实际电池进行了容量测试。虚拟容量测试采用恒流放电的方式,放电电流为1C, 电池温度恒定为25℃,序列采样周期为1s。网络的输入序列为:
其中T(k)表示在第k个时刻输入网络的温度,I(k)表示第k个时刻输入网络的电流SOC(k)表示第k个时刻输入网络的SOC值,SOCend表示人为设定的1C放电工况放 电到的截至SOC,设定为10%。
SOC序列由安时积分法得到,即:
其中SOCinit表示电池的SOC初值,设定为100%,η表示电池的充放电库伦效率, 其值一般通过实验确定,认为其值为电池出厂时的值不变,可以取其值为电池制造商所 提供的值,或者为BMS系统中所设定的电池充放电库伦效率值;Cmax是电池的最大可 用容量,设定为最近一次对电池进行SOH估计后得到的电池容量;将上述的输入序列 持续输入给编码器-解码器网络,直至网络的输出即估计的电池端电压响应值达到设定 的截至SOC(取10%)或截止电压(取2.5V)。最终获得解码器网络预测的电池标准容 量测试时的电压响应曲线(序列)为:
{V0 pred,V1 pred,…,Vt pred,…,Vl pred}
其中Vt pred表示解码器LSTM网络预测的电池在1C放电时第t个时刻的端电压值,l表示解码器网络预测的电池1C放电电压序列的总长度;
收集与实车同款的电池的循环老化测试数据。选择一块和步骤S1中收集的数据所对应的电池的型号一致的一块电池单体。每次使用1C充电倍率的恒流恒压充电 (ConstantCurrent Constant Voltage,CCCV)的方式将电池充满电,然后再使用1C恒流放 电倍率对充满电的电池进行放电直至电池的端电压降至2.5V以下为止,最后获得本次 循环电池的1C放电电压曲线。对曲线进行安时积分,获得当前次循环电池的容量大小Ci Ci表示第i次循环时电池的容量大小。对该电池进行反复的充放电实验,直至电池降至 初始容量(即第一次循环结束后利用安时积分计算得到的电池容量)的80%以下后停止, 最终得到一个电池容量衰减的序列:
{C1,C2,…,Ci,…,CN}
其中N表示循环老化实验总共的循环次数;
利用曲线相似度的计算个电池的SOH。首先设定SOC比较点,将SOC从100%到 0%按照一定的步长(这里取为1%)递减,构造SOC比较点序列为:
{100%,99%,98%,…,2%,1%,0%}
之后基于所确定的SOC比较点序列,对各条循环老化实验电压曲线和解码器预测的电池端电压曲线关于进行线性插值,从而计算出两者在各个SOC比较点处对应的电 池端电压的值,构成多条新的电压序列。对各条循环老化曲线的插值结果为:
对解码器预测的电池端电压曲线的插值结果为:
然后利用计算得到的对各条循环老化曲线和对解码器预测的电池端电压曲线的插 值结果,依次计算解码器预测的电池1C放电电压曲线和各次老化循环中电池1C放电 电压曲线之间的相似度,使用均方误差(Mean Square Error,MSE)的倒数来描述,计算公 式为:
式中ρi表示解码器预测的电池1C放电电压曲线和第i次老化循环电池1C放电电压曲线之间的相似度。如果解码器预测的电池1C放电电压曲线和第m次老化循环电池1C 放电电压曲线之间的相似度最大,即ρm的值最大,那么对电池容量/SOH的估计值就等 于循环老化实验中经历m次老化循环后被实验电池的容量/SOH值。
为说明本发明的技术效果,采用一个具体的应用实例(锂电池实验室数据)对本发明进行实施验证。对某种锂电池进行多次模拟实车动态负载的放电测试,得到若干条电 池动态放电数据。对这些数据进行预处理和划分后用于训练编码器-解码器网络。训练 完成后将人为设定的输入到模型中,得到模型预测的电池的1C放电电压曲线。然后收 集同种型号锂电池1C充电,1C放电,25℃恒温环境下的循环老化实验数据。最后将模 型预测的电池1C放电电压曲线和循环老化实验得到的各条1C放电曲线进行比对,如 图6所示。由图6可知,编码器-解码器网络预测的电池的1C放电电压曲线与循环老化 实验曲线②的相似度最高。循环老化实验曲线对应的容量为2.749Ah,故人为待估计SOH 值的电池的容量为2.749Ah。而待估计SOH值的电池的容量的真值为2.687Ah,所以可 知SOH值的估计误差为2.326%,进而验证了所提出的SOH估计算法的有效性;
综上所述,本发明实例提供的电池SOH估计方法,基于电池的动态放电数据,训 练了一个动态特性和真实电池相近的编码器-解码器神经网络模型。然后人为设定该模 型的输入量,对模型进行虚拟电池测试,获得模型预测的电池恒流放电的电压曲线,然 后再将这条曲线和事先收集好的同款电池循环老化实验电压曲线进行相似度对比,将与 模型预测的电压曲线最相近的实验曲线所对应的电池容量/SOH值作为对待估计老化程 度电池的SOH估计值。
本发明中的编码器-解码器神经网络模块,其主要作用是实现电池系统动态特性的 建模。该部分可以使用支持向回归(Support Vector Regression,SVR)和具有合适输入输 出的前馈神经网络实现。
本发明中的虚拟电池实验,使用的是通用的电池容量测试标准。这里可以将标准容 量测试更改为标准电池内阻测试。由于电池的SOH和电池内阻值关系密切,所以使用 基于虚拟的标准电池内阻测试方法,也可以得到电池的SOH估计值,得到和本发明相 似的效果。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及 其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制 器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装 置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、 模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、 单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、 “竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示 的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装 置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的 限制。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上 述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改, 这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的 特征可以任意相互组合。
Claims (9)
1.一种锂离子电池健康估计方法,其特征在于,包括以下步骤:
步骤S1:收集BMS系统记录的锂离子电池近期的负载电流、端电压、温度、SOC数据序列;
步骤S2:对收集到的数据进行异常点剔除、数据缺失点补充和最大最小化预处理;
步骤S3:利用滑动窗口法将步骤S2中处理好的数据划分为若干个子序列,然后将各个子序列划分为供编码器使用的部分和供解码器使用的部分;
步骤S4:对编码器-解码器神经网络的结构进行设计,确定网络的输入输出、网络层数以及每层的神经元数;首先计算网络的前向传播结果,将网络输出与期望输出进行对比,计算网络输出误差,然后使用误差反传算法,对编码器-解码器神经网络的参数进行训练;
步骤S5:对训练好的编码器-解码器模型进行虚拟容量测试,获得编码器-解码器模型预测的电池端电压响应曲线;
步骤S6:收集与步骤S1中电池型号相同的电池的循环老化实验数据,并计算数据中每一条电压曲线所对应的电池容量值;
步骤S7:依次计算步骤S5中获得曲线和步骤S6中收集到的电池循环老化实验中的各条电池电压响应曲线之间的相似度,确定步骤S5中获得曲线与步骤S6哪一条曲线最相近,把最相近的步骤S6中的那条曲线对应的容量值作为当前电池SOH的估计值;
所述步骤S5包括以下子步骤:
步骤S5.1:采用恒流放电的方式,放电电流为1C,电池温度恒定为25℃,序列采样周期为1s;网络的输入序列为:
其中T(k)表示在第k个时刻输入网络的温度,I(k)表示第k个时刻输入网络的电流,SOC(k)表示第k个时刻输入网络的SOC值,SOCend表示人为设定的1C放电工况放电到的截至SOC,设定为10%;
步骤S5.2:网络输入序列中SOC序列由安时积分法得到,计算公式如下:
其中SOCinit表示电池的SOC初值,设定为100%;η表示电池的充放电库伦效率,其值为电池出厂时电池制造商所提供的值;Cmax是电池的最大可用容量,设定为最近一次对电池进行SOH估计后得到的电池容量;
步骤S5.3:将上述的输入序列持续输入给编码器-解码器神经网络,直至网络的输出即估计的电池端电压响应值达到设定的截止电压时停止,最终获得解码器网络预测的电池标准容量测试时的电压响应曲线。
2.根据权利要求1所述的一种锂离子电池健康估计方法,其特征在于:所述步骤S1包括以下子步骤:
步骤S1.1:BMS系统上传最近一个月的电池运行数据至T-BOX;
步骤S1.2:T-BOX将电池运行数据传输至云端大数据中心;
步骤S1.3:云端服务器实现对SOH进行离线估算。
4.根据权利要求1所述的一种锂离子电池健康估计方法,其特征在于:所述步骤S3包括以下子步骤:
步骤S3.1:对收集到的每一条完整的电池动态放电数据施加一个长度为k的滑动窗口,该窗口以步长s沿着整条序列向前滑动,进而将完整的放电序列划分为若干个长度为k的子序列;
步骤S3.2:对于每一个子序列,按照比例系数c,将每一个子序列前面k·c个时刻的作为供编码器使用的部分,将后面k(1-c)个时刻作为供解码器使用的部分。
5.根据权利要求1所述的一种锂离子电池健康估计方法,其特征在于:所述步骤S4中的编码器和解码器均为LSTM网络,编码器和解码器的网络层数均为单层LSTM网络,且神经元节点数均为10个。
6.根据权利要求5所述的一种锂离子电池健康估计方法,其特征在于:所述编码器和解码器中的每个LSTM层均包含四个组件:输入门、遗忘门、输出门和记忆单元;编码器LSTM网络和解码器LSTM网络内部的三个门控单元的输入输出函数关系为:
it=f(Wi,xxt+Wi,hht-1+bi)
ft=f(Wf,xxt+Wf,hht-1+bf)
ot=f(Wo,xxt+Wo,hht-1+bo)
式中it为输入门的输出,ft为遗忘门的输出,ot为输出门的输出;Wi,x,Wf,x和Wo,x分别为输入门、遗忘门和输出门对当前时刻输入量xt的权重矩阵;Wi,h,Wf,h和Wo,h分别为输入门、遗忘门和输出门对上一个时刻的网络输出向量ht-1的权重向量;f表示Sigmoid激活函数,其表达式为:
上式中b是一个偏置量,
当前时刻记忆单元中存储的值将更新为:
上式中ct表示t时刻记忆单元中存储的值,ct-1表示t-1时刻记忆单元中存储的值,更新记忆单元中存储的值后,根据下面这个式子获得LSTM网络当前时刻的输出:
ht=ottanh(ct)。
7.根据权利要求4所述的一种锂离子电池健康估计方法,其特征在于:所述步骤S4中的确定网络的输入输出和计算网络输出误差包括以下步骤:
步骤S4.1:编码器的输入为步骤S3.2中所述的每一个子序列前k·c个时刻的电压、电流、温度和SOC;
步骤S4.3:解码器的输入为步骤S3.2中所述的每一个子序列后k(1-c)个时刻的电流、温度和SOC;
步骤S4.6:解码器在当前子序列后k(1-c)个时刻上前向传播,获得解码器网络的输出序列为:
步骤S4.7:使用一个线性全连接层,将解码器每一个时刻的输出向量转化为一个标量,计算表达式为:
步骤S4.8:网络输出误差的计算使用的是均方误差MSE,误差的计算公式为:
其中Vt为供解码器使用的子序列在第t个时刻的电池端电压真值。
8.根据权利要求1所述的一种锂离子电池健康估计方法,其特征在于:所述步骤S6中,循环老化试验过程中对被实验电池交替进行充电和放电,充电倍率为1C,放电倍率也为1C,对每一次1C放电曲线进行安时积分获得本次循环电池的容量大小,当电池容量衰减至初始容量的80%时停止循环老化试验。
9.根据权利要求1所述的一种锂离子电池健康估计方法,其特征在于:所述步骤S7中曲线相似度的对比包括以下步骤:
步骤S7.1:设定SOC比较点,将SOC从100%到0%按照一定的步长递减,构造SOC序列为:
{100%,99%,98%,…,2%,1%,0%}
步骤S7.2:对各条循环老化实验电压曲线和解码器预测的电池端电压曲线关于步骤S7.1中所述的SOC序列进行线性插值,计算出两者在各个SOC值处对应的电池端电压值为:
步骤S7.3:解码器预测的电池1C放电电压曲线和第i次老化循环电池1C放电电压曲线之间的相似度使用均方误差(Mean Square Error,MSE)的倒数来描述,计算公式为:
式中ρi表示解码器预测的电池1C放电电压曲线和第i次老化循环电池1C放电电压曲线之间的相似度;
步骤S7.4:如果解码器预测的电池1C放电电压曲线和第m次老化循环电池1C放电电压曲线之间的相似度最大,即ρm的值最大,那么对SOH的估计值就等于循环老化实验中经历m次老化循环后被实验电池的SOH值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638328.6A CN113419187B (zh) | 2021-06-08 | 2021-06-08 | 一种锂离子电池健康估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638328.6A CN113419187B (zh) | 2021-06-08 | 2021-06-08 | 一种锂离子电池健康估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113419187A CN113419187A (zh) | 2021-09-21 |
CN113419187B true CN113419187B (zh) | 2022-05-31 |
Family
ID=77787981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638328.6A Active CN113419187B (zh) | 2021-06-08 | 2021-06-08 | 一种锂离子电池健康估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113419187B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687242A (zh) * | 2021-09-29 | 2021-11-23 | 温州大学 | 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 |
CN113820615B (zh) * | 2021-09-30 | 2024-05-07 | 国网福建省电力有限公司龙岩供电公司 | 一种电池健康度检测方法与装置 |
CN114167301A (zh) * | 2021-11-30 | 2022-03-11 | 同济大学 | 一种基于电动汽车实车数据的动力电池评估方法 |
CN114152892B (zh) * | 2021-12-01 | 2023-09-22 | 国网山西省电力公司电力科学研究院 | 用于故障指示器电池健康度的监测方法 |
CN114035098A (zh) * | 2021-12-14 | 2022-02-11 | 北京航空航天大学 | 一种融合未来工况信息和历史状态信息的锂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 |
CN114942392B (zh) * | 2022-04-14 | 2024-03-22 | 中国长江三峡集团有限公司 | 基于电化学老化机理和数据驱动的储能锂电池soh估算方法 |
CN115219912A (zh) * | 2022-04-24 | 2022-10-21 | 山东大学 | 一种储能电池早期故障诊断与安全超前预警方法及系统 |
CN116609686B (zh) * | 2023-04-18 | 2024-01-05 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
CN116298935B (zh) * | 2023-05-19 | 2023-09-19 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
CN117849628B (zh) * | 2024-03-08 | 2024-05-10 | 河南科技学院 | 基于时序变换记忆网络的锂离子电池健康状态估计方法 |
CN117949832B (zh) * | 2024-03-27 | 2024-06-18 | 湖南大学 | 一种基于优化神经网络的电池soh分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
-
2021
- 2021-06-08 CN CN202110638328.6A patent/CN113419187B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul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 |
Non-Patent Citations (4)
Title |
---|
基于FPGA和BP神经网络的电池管理系统设计;祖林禄等;《电源技术》;20150531;第39卷(第05期);第921-924页 * |
基于LSTM神经网络的锂离子电池荷电状态估算;明彤彤等;《广东电力》;20200331;第33卷(第03期);第26-33页 * |
基于卷积自编码神经网络的锂离子电池健康状况评估方法研究;侯瑞磊等;《计算机测量与控制》;20201231;第28卷(第08期);第265-269+275页 * |
锂离子电池健康状态估计方法;冯能莲等;《北京工业大学学报》;20161130;第42卷(第11期);第1750-1755页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113419187A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113419187B (zh) | 一种锂离子电池健康估计方法 | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN110850298B (zh) | 基于数据驱动的锂电池soh估计方法及系统 | |
Jiang et al. | State of health estimation for lithium-ion battery using empirical degradation and error compensation models | |
CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
CN111458646A (zh) | 一种基于pso-rbf神经网络的锂电池soc估算方法 | |
CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN112816874A (zh) | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
CN115308606B (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN116125306A (zh) | 基于混合预测框架的动力电池热失控诊断方法及系统 | |
Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
CN116008844A (zh) | 一种适应快充策略的车用锂电池健康状态在线预测方法 | |
CN115186579A (zh) | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 | |
Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
CN113033104B (zh) | 一种基于图卷积的锂电池荷电状态估计方法 | |
CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
Wang et al. | Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model | |
CN112557908A (zh) | 一种锂离子动力电池soc和soh联合估计方法 | |
CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |