CN113449468B - 一种锂离子电池组的多参数分布特性建模和参数生成方法 - Google Patents
一种锂离子电池组的多参数分布特性建模和参数生成方法 Download PDFInfo
- Publication number
- CN113449468B CN113449468B CN202110693881.XA CN202110693881A CN113449468B CN 113449468 B CN113449468 B CN 113449468B CN 202110693881 A CN202110693881 A CN 202110693881A CN 113449468 B CN113449468 B CN 113449468B
- Authority
- CN
- China
- Prior art keywords
- battery
- parameters
- battery pack
- parameter
- model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 38
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 25
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000008485 antagonism Effects 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims description 22
- 239000000203 mixture Substances 0.000 claims description 21
- 239000000463 material Substances 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- QHGJSLXSVXVKHZ-UHFFFAOYSA-N dilithium;dioxido(dioxo)manganese Chemical compound [Li+].[Li+].[O-][Mn]([O-])(=O)=O QHGJSLXSVXVKHZ-UHFFFAOYSA-N 0.000 claims description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 239000000178 monomer Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 102000005717 Myeloma Proteins Human genes 0.000 description 1
- 108010045503 Myeloma Proteins Proteins 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种锂离子电池组的多参数分布特性建模和参数生成方法。该方法包括:在锂离子电池组中随机选取部分电池单体作为样本电池进行参数测量,建立真实电池参数数据集;对真实电池参数数据集中的原始数据归一化,设计包含生成器和判别器的生成对抗网络,使用归一化后的真实电池参数数据集对生成对抗网络进行训练,使用训练好的生成器生成合成电池参数;将合成电池参数代入与实际电池组拓扑相同的单体级别电池组仿真模型进行仿真计算,得到接近实际电池组的电学特性与能量特性。本发明利用对抗生成网络学习真实电池参数的分布特征,并生成符合实测特征的合成数据,可以得到符合实际电池组的电学特性与能量特性的仿真结果。
Description
技术领域
本发明涉及锂离子电池生产技术领域,尤其涉及一种锂离子电池组的多参数分布特性建模和参数生成方法。
背景技术
随着新能源领域的不断发展,锂离子电池得到了越来越多的应用。为了提高储能系统的电压等级与电流等级,锂电池常常串并联成组应用。然而,锂电池在生产过程中由于材料配比、注液量和涂布厚度等生产工艺的误差,出厂状态下的电池参数便具有不一致性。在锂电池成组使用的过程中由于电流应力、电压应力与温度应力的差异,电池参数的不一致性会逐渐增大,进而影响电池储能系统的整体性能。
为了建立准确的电池组模型,需要充分考虑电池间的不一致性,建立单体级别电池组仿真模型,仿真电池组内每支电池的电流、电压与荷电状态,进而评估电池组的能量效率。然而,对电池组内每支电池都进行参数测量会消耗大量人力物力,为减少参数测量工作量,需要建立电池组多参数分布特性模型,利用少量精确测量的电池参数构建电池组多参数分布特性模型,并生成大量与实际参数分布相同的合成参数,将合成参数带入单体级别电池组仿真模型,实现高精度仿真。
目前,现有技术中的一种锂离子电池组的建模方法为参数化建模方法,该方法需要对原始数据的分布做出假设,这种假设会降低一致性模型的泛用性,随着描述参数数量的增加参数化建模方法的准确度会降低。
发明内容
本发明的实施例提供了一种锂离子电池组的多参数分布特性建模和获取方法,以实现有效地得到实际电池组的电学特性与能量特性。
为了实现上述目的,本发明采取了如下技术方案。
一种锂离子电池组的多参数分布特性建模及参数生成方法,包括:
在锂离子电池组中随机选取部分电池单体作为样本电池,测量每一个样本电池单体的参数,建立真实电池参数数据集;
对所述真实电池参数数据集进行归一化,保存归一化参数;
设计包含生成器和判别器的生成对抗网络,使用归一化后的真实电池参数数据集对所述生成对抗网络进行训练,得到训练好的生成器;
使用训练好的生成器生成符合真实电池参数分布特征的归一化合成电池参数,使用所述归一化参数对所述归一化合成电池参数进行反归一化,得到合成电池参数;
将所述合成电池参数代入与实际电池组拓扑相同的单体级别电池组仿真模型,所述单体级别电池组仿真模型进行仿真计算,得到接近实际电池组的电学特性与能量特性。
优选地,所述的样本电池单体的参数包括:容量、荷电状态和内阻。
优选地,所述的对所述真实电池参数数据集进行归一化,保存归一化参数,包括:
使用混合高斯模型对所述真实电池参数数据集中的数据进行拟合,得到拟合结果,所述混合高斯模型的概率密度函数为:
其中,M表示混合高斯模型包含分量的个数,θ表示混合高斯模型的参数,x为模型包含的数据集,P(x|θ)表示数据集x在参数θ下的概率密度函数,αm为混合系数,表示数据属于特定一个分量的概率,选取电池的容量、荷电状态和内阻3个参数,分别对应m=1,2,3,αm≥0且有θm表示第m个高斯密度函数的参数,φ(x|θm)是第m个高斯密度函数,具有如下形式:
选择分量数M=3的混合高斯模型对电池参数进行拟合,得到高斯混合分布拟合参数μm和σm,m=1,2,3;
S22、利用混合高斯模型的拟合结果提取特征值,对电池参数进行归一化,对每支电池的每个实测参数x,分别用如下公式计算特征值fm:
x表示电池实测参数数据集中的数据点,包括每支电池的容量、荷电状态、内阻3个参数;计算实测参数x属于每个分量的概率pm,与fm组成归一化数据(f1,f2,f3,p1,p2,p3),并对所有参数的所有数据点应用以上归一化方法,组成归一化真实电池参数数据集,并记录归一化参数μm与σm。
优选地,所述的设计包含生成器和判别器的生成对抗网络,使用归一化后的真实电池参数数据集对所述生成对抗网络进行训练,得到训练好的生成器,包括:
构建生成对抗网络中的生成器G,该生成器G的输入为符合正态分布的随机噪声,输出为与归一化真实电池参数同维度的合成电池参数;
构建生成对抗网络中的判别器D,该判别器D的输入为归一化真实电池参数或生成器输出的合成电池参数,输出为对输入电池参数真实性的评分;
构建生成对抗网络的损失函数,该损失函数定义为:
利用所述归一化真实电池参数数据集基于所述损失函数训练并更新所述生成器G与判别器D的权重,使生成器G输出的合成电池参数逐渐接近真实电池参数,判别器D逐渐能区分合成电池参数与真实电池参数,所述生成器G和所述判别器D相互对抗,最终达到纳什均衡,得到训练好的生成器。
优选地,所述的使用训练好的生成器生成符合真实电池参数分布特征的归一化合成电池参数,使用所述归一化参数对所述归一化合成电池参数进行反归一化,得到合成电池参数,包括:
根据电池组模型的需求设定生成电池参数数量,根据所述生成电池参数数量生成正态分布随机噪声,将所述正态分布随机噪声输入所述训练好的生成器,所述训练好的生成器输出归一化合成电池参数;
使用所述归一化参数对所述归一化合成电池参数进行反归一化,得到符合真实电池参数分布特征的合成电池参数。
优选地,所述的将所述合成电池参数代入与实际电池组拓扑相同的单体级别电池组仿真模型,所述单体级别电池组仿真模型进行仿真计算,得到实际电池组的电学特性与能量特性,包括:
利用仿真软件构建与实际电池组拓扑相同的单体级别电池组仿真模型,所述单体级别电池组仿真模型中每支单体电池模型均为等效电路模型,模型的容量、荷电状态与内阻参数均独立设置,电池间串联、并联或者串并联连接;
优选的,建立电池组实时仿真平台,包含实际电池组,电池数据采集模块与单体级别电池组模型三部分。其中实际电池组为待建模电池组,电池数据采集模块连接至电池组,采集电池组内每支单体电池的电流数据与电压数据,将数据发送至电池组模型。对实际电池组与电池组模型施加同样的电流激励,电池组进行与真实时间同步的仿真,并对比采集数据与仿真数据,实时验证模型精度。
优选的,建立单体级别电池组仿真模型。所述电池组仿真模型由单体电池模型组成,单体电池模型间的串并联拓扑结构与实际电池组相同。每个单体模型均为等效电路模型,模型的容量、荷电状态与内阻参数均独立设置,以体现电池间的参数差异。电池间可串联、并联或串并联连接。
将所述合成电池参数代入所述单体级别电池组仿真模型,所述单体级别电池组仿真模型进行仿真计算,得到接近实际电池组的电学特性与能量特性,该电学特性与能量特性包括电池组内每支单体电池的电流、电压和荷电状态,电池组的电流分布、电压分布、荷电状态分布与电池组能量效率。
优选地,所述锂离子电池包括锰酸锂动力电池、磷酸铁锂动力电池或三元材料动力电池。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提出的方法利用对抗生成网络中的生成器学习实测参数的分布特征,并生成符合实测特征的合成数据,减少电池参数测量的工作量,通过对数据预处理,设计神经网络结构等方法提高模型收敛速度,可以得到符合实际电池组的电学特性与能量特性的仿真结果。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种锂离子电池组的多参数分布特性建模和获取方法的处理流程图;
图2为本发明实施例提供的一种真实电池参数分布柱状图;
图3为本发明实施例提供的一种使用混合高斯模型对真实电池参数进行归一化处理示意图;
图4为本发明实施例提供的一种基于生成对抗网络的多参数分布特性模型拓扑示意图;
图5为本发明实施例提供的一种真实电池参数与合成电池参数对比示意图;
图6为本发明实施例提供的一种单体级别电池组仿真模型的拓扑示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
鉴于上述现有技术的缺点,需要一种非参数化的电池组一致性建模方法,最小化对原始数据的假设,提高电池组一致性模型的稳定性和泛用性。
本发明实施例提供了一种基于对抗生成网络的锂离子电池组多参数分布特性建模方法,针对锂离子电池组建模过程中电池参数难以全部采集,采集过程消耗时间过长的难题,研究对抗生成网络驱动的锂离子电池组多参数分布特性模型。以容量、荷电状态和内阻等电气参数表示的实测样本电池数据为对象,研究生成对抗网络学习参数分布特征,生成与实测数据分布相似的合成数据的方法。并将合成数据带入单体级别电池组仿真模型中,评估电池组的能量效率。
本发明实施例提供的一种锂离子电池组的多参数分布特性建模和获取方法的处理流程如图1所示,包括以下步骤:
步骤S1、在锂离子电池组中随机选取部分电池单体作为样本电池,测量每一个样本电池单体的参数,建立真实电池参数数据集;
步骤S2、对真实电池参数数据集进行预处理,将真实电池参数数据集中的数据进行归一化,保存归一化参数;上述归一化可以为归一化到(-1,1)区间内。
步骤S3、设计包含生成器和判别器的生成对抗网络,使用归一化后的真实电池参数数据集对生成对抗网络进行神经网络的训练,得到训练好的生成器和判别器;
步骤S4、使用训练好的生成器生成符合真实电池参数分布特征的归一化合成电池参数,并使用上述归一化参数对归一化合成电池参数进行反归一化,得到合成电池参数;
步骤S5、将合成电池参数代入与实际电池组拓扑相同的单体级别电池组仿真模型进行仿真计算,得到接近实际电池组的电学特性与能量特性。
在上述技术方案的基础上,步骤S1的具体步骤为:
S11、确定待建模的锂离子电池组,并从待建模的锂离子电池组中随机选取部分电池单体作为样本电池;
S12、测量每个样本电池单体的电池参数,优选为在实验室条件下,温度恒定为25℃,分别测量每个样本电池单体的容量、荷电状态与内阻等参数,根据所有样本电池单体的参数建立真实电池参数数据集。
在上述技术方案的基础上,步骤S2对步骤S1中测量的真实电池参数数据集进行预处理,通过归一化方法,将电池参数转换至(-1,1)区间内,用于生成对抗网络的训练,并保持归一化参数,以用于反归一化。
在上述技术方案的基础上,步骤S3的具体步骤为:
S31、构建生成对抗网络中的生成器G,该生成器G的输入为符合正态分布的随机噪声,输出为与归一化真实电池参数同维度的合成电池参数;
S32、构建生成对抗网络中的判别器D,该判别器D的输入为归一化真实电池参数或生成器输出的合成电池参数,输出为对输入电池参数真实性的评分;
S33、构建生成对抗网络的损失函数,该损失函数定义为:
S34、利用归一化后的真实电池参数数据集基于所述损失函数训练并更新生成器G与判别器D的权重,使生成器G输出的合成电池参数逐渐接近真实电池参数,同时判别器D逐渐能准确区分合成电池参数与真实电池参数,生成器G和判别器D相互对抗,最终达到纳什均衡,得到训练好的生成器。
在上述技术方案的基础上,步骤S4具体为:
S41、利用训练后的生成器生成与归一化的真实电池参数数据集分布接近的归一化合成电池参数,该归一化合成电池参数与归一化真实电池参数同维度;
S42、利用步骤S2记录的归一化参数,将归一化合成电池参数反归一化至原始电池参数的数据区间内,得到合成电池参数。
在上述技术方案的基础上,构建与真实电池组拓扑相同的单体级别电池组仿真模型,考虑电池间参数的差异。在上述单体级别电池组仿真模型中代入与实测电池参数分布特征相似的合成电池参数,仿真出实际电池组的电学特性与能量特性,该电学特性与能量特性包括电池组内每支单体电池的电流、电压、荷电状态,电池组的电流分布、电压分布、荷电状态分布与电池组能量效率。
在上述技术方案的基础上,所述锂离子电池是锰酸锂动力电池、磷酸铁锂动力电池或三元材料动力电池。
实施例一
以某运行多年,电池间参数差异明显的电动汽车电池组为例,进行多参数分布特性建模,基于生成对抗网络的锂离子电池组的多参数分布特性建模和获取方法包括以下步骤:
步骤S1、从电动汽车内拆取锂电池组,在25℃恒温环境,实验室条件下,测量共100支电池的参数。具体参数为:容量、荷电状态和内阻,分别用Q、SOC、R表示。
其中的SOC表示整组电池充满时电池单体距离充满状态的荷电状态差值,此参数值越大表示此电池单体的充放电使用区间越低。在一个电池组中,至少有一支电池的SOC参数为0,表示此电池为整组中最先充满的电池,其余电池的SOC参数均为正数。100支电池的参数分布柱状图如图2所示。
步骤S2、对采集到的电池单体参数数据进行预处理,将原始数据归一化至(-1,1)区间内,具体步骤为:
S21、使用混合高斯模型对采集到的数据进行拟合,并从拟合结果中提取特征值进行归一化。一个包含M个分量的混合高斯模型的概率密度函数为:
其中,M表示混合高斯模型包含分量的个数,θ表示混合高斯模型的参数,x为模型包含的数据集,P(x|θ)表示数据集x在参数θ下的概率密度函数。αm为混合系数,表示数据属于特定一个分量的概率,αm≥0且有φ(x|θm)是第m个高斯密度函数,θm表示第m个高斯密度函数的参数,此高斯密度函数具有如下形式:
考虑到电池参数的分布多为单峰或双峰分布,选择分量数M=3的混合高斯模型对电池参数进行拟合,拟合结果如图3,拟合参数如表1所示:
表1拟合参数结果:
S22、利用混合高斯模型的拟合结果提取特征值,对电池参数进行归一化,对每支电池的每个实测参数x,分别用如下公式计算特征值fm,在此实例中我们使用分量数M=3的混合高斯分布模型,故m=1,2,3;
上述公式中,x表示电池实测参数数据集中的数据点,包括每支电池的容量、荷电状态、内阻3个参数,μm与σm为表1中得到的高斯混合分布拟合参数。
S23、计算实测参数x属于每个分量的概率pm,与S22步骤计算得到的fm组成归一化数据(f1,f2,f3,p1,p2,p3),并对所有电池的所有实测参数应用以上归一化方法,组成归一化真实电池参数数据集,并记录归一化参数μm与σm。
经过以上归一化流程,原始电池参数由容量、荷电状态和内阻3个维度转换为18个维度的归一化数据,根据三西格玛准则,大约99.73%的数据均在(-1,1)区间内,易于神经网络的训练。
步骤S3、图4为本发明实施例提供的一种基于生成对抗网络的多参数分布特性模型拓扑示意图。设计包含生成器和判别器的生成对抗网络,采用最大最小博弈策略设计生成器与判别器的对抗损失函数,并使用归一化后的实测电池参数进行生成对抗网络的训练,具体步骤为:
S31、构建生成对抗网络中的生成器G,该生成器G为一种神经网络,其输入为符合正态分布的随机噪声,输出为与归一化真实电池数据同维度的合成电池参数;
S32、构建生成对抗网络中的判别器D,该判别器D为一种神经网络,其输入为归一化真实电池参数或生成网络输入的归一化合成电池参数,输出为判别器对输入电池参数真实性的评分;
S33、构建生成对抗网络的损失函数,生成器的训练目标为最小化损失函数,判别器的训练目标为最大化损失函数,该对抗损失函数定义为:
S34、利用归一化真实电池数据训练上述生成对抗网络,并更新生成器与判别器的网络权重,经过训练生成器G的输出逐渐接近真实电池参数,同时判别器逐渐能准确分辨真实电池参数与合成电池参数,生成器G和判别器D相互对抗最终达到纳什均衡,得到训练好的生成器。
步骤S4、使用训练好的生成器,生成符合真实电池参数分布特征的归一化合成电池参数,具体步骤为:
S41、根据电池组模型的需求设定生成电池参数数量,在本实施例中生成电池参数数量为100,故生成100组正态分布随机噪声,将该100组正态分布随机噪声输入训练好的生成器,并获取生成器的输出,此输出即为100组归一化合成电池参数;
S42、使用步骤S2中提取的归一化参数对上述100组归一化合成电池参数进行反归一化,转换结果即为接近真实电池参数分布特征的合成电池参数,且两组参数的分布特性相似度较高。本发明实施例提供的一种真实电池参数分布与合成电池参数分布对比示意图如图5所示。
步骤S5、构建电池组实时仿真平台并代入合成电池参数进行仿真,具体步骤为:
S51、构建电池组实时仿真平台,包含实际电池组,电池数据采集模块与单体级别电池组模型三部分。其中实际电池组为待建模电池组,电池数据采集模块连接至电池组,采集电池组内每支单体电池的电流数据与电压数据,将数据发送至电池组模型。
S52、利用仿真软件构建单体级别电池组仿真模型,电池组仿真模型中每支单体电池模型均为一阶RC模型,模型的容量、荷电状态与内阻等参数均可独立设置,电池间可串联、并联、串并联连接,图6为本发明实施例提供的一种单体级别电池组仿真模型的拓扑示意图;
S53、将S42中生成的合成电池参数代入单体级别电池组仿真模型,此时电池组仿真模型充分考虑的电池间的不一致性,通过仿真可以准确反映实际电池组的参数差异对电池组整体能量效率的影响。
S54、对实际电池组与电池组模型施加同样的电流激励,电池组进行与真实时间同步的仿真,对比电池数据采集模块返回数据与仿真数据,实时验证模型精度,具体有:单体电池的电流大小、单体电池的电压大小、电池组的电流分布情况、电池组的电压分布情况。
综上所述,本发明实施例提出的方法利用对抗生成网络中的生成器学习实测参数的分布特征,并生成符合实测特征的合成数据,减少电池参数测量的工作量,通过对数据预处理,设计神经网络结构等方法提高模型收敛速度,快速生成大量与原始分布相似但不相同的数据,保证生成数据的参数分布特征与参数间相关性与原始数据的相似度。将合成电池参数带入单体级别电池组仿真模型可以得到符合实际电池组电学特性与能量特性的仿真结果。与现有技术相比收敛速度快,结果精度高,模型普适性强。
本发明实施例提出的基于对抗生成网络的锂电池组多参数分布特性建模和参数生成方法是一种非参数化建模方法,无需对实测数据的分布做出假设,有更好的泛用性与更高的精度。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种锂离子电池组的多参数分布特性建模及参数生成方法,其特征在于,包括:
在锂离子电池组中随机选取部分电池单体作为样本电池,测量每一个样本电池单体的参数,建立真实电池参数数据集;对所述真实电池参数数据集进行归一化,保存归一化参数;
设计包含生成器和判别器的生成对抗网络,使用归一化后的真实电池参数数据集对所述生成对抗网络进行训练,得到训练好的生成器;
使用训练好的生成器生成符合真实电池参数分布特征的归一化合成电池参数,使用所述归一化参数对所述归一化合成电池参数进行反归一化,得到合成电池参数;
构建电池组实时仿真平台,平台包含实际电池组,电池数据采集模块与单体级别电池组模型三部分,实际电池组为待仿真样本,电池数据采集模块连接至实际电池组,采集实际电池组内每支单体电池的电流数据与电压数据,将采集数据发送至单体级别电池组模型,单体级别电池组模型由单体电池模型组成,单体电池模型间的串并联拓扑结构与实际电池组相同,每个单体电池模型均为等效电路模型,且每个单体电池模型的参数独立设定;
将合成电池参数代入所述电池组实时仿真平台进行仿真计算,对实际电池组与单体级别电池组模型施加同样的电流激励,电池数据采集模块采集实时数据并发送至单体级别电池组模型,单体级别电池组模型进行与真实时间同步的仿真,并实时对比采集数据与仿真数据,验证模型精度,得到接近实际电池组的电学特性与能量特性;
所述的对所述真实电池参数数据集进行归一化,保存归一化参数,包括:
使用混合高斯模型对所述真实电池参数数据集中的每组数据进行拟合,得到拟合结果,所述混合高斯模型的概率密度函数为:
其中,M表示混合高斯模型包含分量的总数,m表示混合高斯模型包含分量的序号,θ表示混合高斯模型的参数,x为模型包含的数据集,P(x|θ)表示数据集x在参数θ下的概率密度函数,αm为混合系数,表示数据属于特定一个分量的概率,αm≥0且有θm表示第m个高斯密度函数的参数,φ(x|θm)是第m个高斯密度函数,具有如下形式:
选择分量数M=3的混合高斯模型对电池参数进行拟合,得到高斯混合分布拟合参数μm和σm,m=1,2,3;
S22、利用混合高斯模型的拟合结果提取特征值,对电池参数进行归一化,对每支电池的每个实测参数x,分别用如下公式计算特征值fm:
x表示电池实测参数数据集中的数据点,包括每支电池的容量、荷电状态、内阻3个参数;计算实测参数x属于每个分量的概率pm,与fm组成归一化数据(f1,f2,f3,p1,p2,p3),并对所有参数的所有数据点应用以上归一化方法,组成归一化真实电池参数数据集,并记录归一化参数μm与σm;
所述的设计包含生成器和判别器的生成对抗网络,使用归一化后的真实电池参数数据集对所述生成对抗网络进行训练,得到训练好的生成器,包括:
构建生成对抗网络中的生成器G,该生成器G的输入为符合正态分布的随机噪声,输出为与归一化真实电池参数同维度的合成电池参数;
构建生成对抗网络中的判别器D,该判别器D的输入为归一化真实电池参数或生成器输出的合成电池参数,输出为对输入电池参数真实性的评分;
构建生成对抗网络的损失函数,该损失函数定义为:
利用所述归一化真实电池参数数据集基于所述损失函数训练并更新所述生成器G与判别器D的权重,使生成器G输出的合成电池参数逐渐接近真实电池参数,判别器D逐渐能区分合成电池参数与真实电池参数,所述生成器G和所述判别器D相互对抗,最终达到纳什均衡,得到训练好的生成器;
所述的使用训练好的生成器生成符合真实电池参数分布特征的归一化合成电池参数,使用所述归一化参数对所述归一化合成电池参数进行反归一化,得到合成电池参数,包括:
根据电池组模型的需求设定生成电池参数数量,根据所述生成电池参数数量生成正态分布随机噪声,将所述正态分布随机噪声输入所述训练好的生成器,所述训练好的生成器输出归一化合成电池参数;
使用所述归一化参数对所述归一化合成电池参数进行反归一化,得到符合真实电池参数分布特征的合成电池参数;
建立电池组实时仿真平台,包含实际电池组,电池数据采集模块与单体级别电池组模型三部分,其中实际电池组为待建模电池组,电池数据采集模块连接至实际电池组,采集实际电池组内每支单体电池的电流数据与电压数据,将数据发送至单体级别电池组模型,对实际电池组与单体级别电池组模型施加同样的电流激励,单体级别电池组模型进行与真实时间同步的仿真,并对比采集数据与仿真数据,实时验证模型精度;
建立单体级别电池组模型,所述单体级别电池组模型由单体电池模型组成,单体电池模型间的串并联拓扑结构与实际电池组相同,每个单体电池模型均为等效电路模型,模型的容量、荷电状态与内阻参数均独立设置,以体现电池间的参数差异,电池间可串联、并联或串并联连接;
将所述合成电池参数代入与实际电池组拓扑相同的单体级别电池组模型,所述单体级别电池组模型进行仿真计算,得到接近实际电池组的电学特性与能量特性,该电学特性与能量特性包括实际电池组内每支单体电池的电流、电压和荷电状态,实际电池组的电流分布、电压分布、荷电状态分布与电池组能量效率。
2.根据权利要求1所述的方法,其特征在于,所述的样本电池单体的参数包括:容量、荷电状态和内阻。
3.根据权利要求1所述的方法,其特征在于,所述锂离子电池包括锰酸锂动力电池、磷酸铁锂动力电池或三元材料动力电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693881.XA CN113449468B (zh) | 2021-06-22 | 2021-06-22 | 一种锂离子电池组的多参数分布特性建模和参数生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693881.XA CN113449468B (zh) | 2021-06-22 | 2021-06-22 | 一种锂离子电池组的多参数分布特性建模和参数生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449468A CN113449468A (zh) | 2021-09-28 |
CN113449468B true CN113449468B (zh) | 2024-03-12 |
Family
ID=77812246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110693881.XA Active CN113449468B (zh) | 2021-06-22 | 2021-06-22 | 一种锂离子电池组的多参数分布特性建模和参数生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449468B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422696B (zh) * | 2022-04-24 | 2023-07-07 | 上海玫克生储能科技有限公司 | 一种模组数字孪生模型建立方法、系统、终端和介质 |
CN116500478B (zh) * | 2023-05-23 | 2024-01-19 | 山东科技大学 | 一种基于高斯混合模型的锂电池组统计参数获取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101695000A (zh) * | 2009-10-13 | 2010-04-14 | 武汉大学 | 基于高斯混合模型的分裂矢量量化编解码方法及其装置 |
CN110175168A (zh) * | 2019-05-28 | 2019-08-27 | 山东大学 | 一种基于生成对抗网络的时间序列数据填补方法及系统 |
CN111325817A (zh) * | 2020-02-04 | 2020-06-23 | 清华珠三角研究院 | 一种虚拟人物场景视频的生成方法、终端设备及介质 |
CN111814907A (zh) * | 2020-07-28 | 2020-10-23 | 南京信息工程大学 | 一种基于条件约束的量子生成对抗网络算法 |
WO2021098501A1 (zh) * | 2019-11-19 | 2021-05-27 | 上海大学 | 基于生成对抗网络的无线信道建模实现方法 |
-
2021
- 2021-06-22 CN CN202110693881.XA patent/CN113449468B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101695000A (zh) * | 2009-10-13 | 2010-04-14 | 武汉大学 | 基于高斯混合模型的分裂矢量量化编解码方法及其装置 |
CN110175168A (zh) * | 2019-05-28 | 2019-08-27 | 山东大学 | 一种基于生成对抗网络的时间序列数据填补方法及系统 |
WO2021098501A1 (zh) * | 2019-11-19 | 2021-05-27 | 上海大学 | 基于生成对抗网络的无线信道建模实现方法 |
CN111325817A (zh) * | 2020-02-04 | 2020-06-23 | 清华珠三角研究院 | 一种虚拟人物场景视频的生成方法、终端设备及介质 |
CN111814907A (zh) * | 2020-07-28 | 2020-10-23 | 南京信息工程大学 | 一种基于条件约束的量子生成对抗网络算法 |
Non-Patent Citations (1)
Title |
---|
《锂电池特性对充电站参数设计的影响研究 》;刘秋降;《高技术通讯 》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449468A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
Chemali et al. | Long short-term memory networks for accurate state-of-charge estimation of Li-ion batteries | |
Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
CN113449468B (zh) | 一种锂离子电池组的多参数分布特性建模和参数生成方法 | |
CN111914486B (zh) | 一种基于图注意力网络的电力系统暂态稳定评估方法 | |
CN103792495B (zh) | 基于德尔菲法和灰色关联理论的电池性能评价方法 | |
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 | |
CN110045298A (zh) | 一种动力电池组参数不一致性的诊断方法 | |
CN113111579B (zh) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 | |
CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
CN107422266B (zh) | 一种大容量电池储能系统的故障诊断方法及装置 | |
CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN110031771A (zh) | 一种描述电池一致性的方法 | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
CN109239603A (zh) | 一种流形正则化框架下的极限学习机预测动力电池soc方法 | |
CN109839599A (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
CN115015760B (zh) | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 | |
CN115166563A (zh) | 一种动力电池老化状态评估与退役筛选方法及系统 | |
CN116449218A (zh) | 一种锂电池健康状态的估计方法 | |
CN109346787A (zh) | 一种电动汽车动力电池自适应优化充电方法 | |
Zhang et al. | Fault diagnosis of real-scenario battery systems based on modified entropy algorithms in electric vehicles | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
CN116973756A (zh) | 用于估计电池的健康状态的方法及设备以及计算机程序 |
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 |