CN113777499A - 一种基于卷积神经网络的锂电池容量估计方法 - Google Patents

一种基于卷积神经网络的锂电池容量估计方法 Download PDF

Info

Publication number
CN113777499A
CN113777499A CN202111120094.2A CN202111120094A CN113777499A CN 113777499 A CN113777499 A CN 113777499A CN 202111120094 A CN202111120094 A CN 202111120094A CN 113777499 A CN113777499 A CN 113777499A
Authority
CN
China
Prior art keywords
battery
neural network
data
convolutional neural
capacity
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
Application number
CN202111120094.2A
Other languages
English (en)
Inventor
李雪
李锐
张晖
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.)
Shandong Inspur Scientific Research Institute Co Ltd
Original Assignee
Shandong Inspur Scientific Research Institute Co Ltd
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 Shandong Inspur Scientific Research Institute Co Ltd filed Critical Shandong Inspur Scientific Research Institute Co Ltd
Priority to CN202111120094.2A priority Critical patent/CN113777499A/zh
Publication of CN113777499A publication Critical patent/CN113777499A/zh
Pending legal-status Critical Current

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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种基于卷积神经网络的锂电池容量估计方法，包括以下步骤：构造电池参数数据集，对相同规格的电池进行充放电循环实验，对步骤1中采集到的数据进行预处理，构造神经网络的输入数据；构建卷积神经网络进行适应性的修改，保证网络的特征提取能力和收敛能力，并进行超参数优化；得到估计模型；取电池最近一次充电过程的充电电压、充电电流数据，利用步骤2处理后输入步骤4进行计算，得到电池的容量估计值。本发明所提出的方法具有迁移学习的优势，有效降低了算法开发的试验测试需求，缩短了开发用时。这项研究工作为智能化电池管理的研发奠定了基础。

Description

一种基于卷积神经网络的锂电池容量估计方法
技术领域
本发明涉及一种基于卷积神经网络的锂电池容量估计方法，属于电池梯次利用、神经网络算法技术领域。
背景技术
环保意识的提高和新能源的发展使得电动车快速普及，锂电池被大量生产和使用，同时也造成了废弃电池的增加。如何对废弃电池进行回收和再利用，成为当前环保主题下较为流行的研究趋势。由于车用锂电池要求较高，在电池退役后，其容量及性能尚可用在其他地方，各单体电池的性能对于成组整体的电池性能有很大的影响，如果成组电池之间的参数性能不一致的话，这不仅影响电池的效率同时也会影响电池的寿命，因此需要进行严格分类。急需一种有效的电池容量的估算方法，为分类提供依据。电池梯次利用是指将在某一用途中淘汰的电池再次作为储能元件应用到其他适合使用的场合。例如电动汽车对动力电池性能的要求较高，一般情况下当电池储存的能量仅为出厂状态的80%左右的时候，就不再适用于高性能电动汽车了。但是，对电动汽车上退役的电池进行回收、拆解与再生，还可应用于对体积和能量密度要求较弱的储能电站、备用电源等领域，如低速电动汽车使用，风力发电、太阳能发电等新能源发电领城，或者用于家庭或其他建筑的储能电池。实施梯次利用，一方面可以延长电池的使用寿命，另一方面也可以降低电池高昂的使用成本。为达到这一目的，需要合理的对废旧电池进行分类。
目前对锂电池的分类研究还不多，许多分类方法还只是利用单一的参数对锂电池进行分类，尚未有人提出针对锂电池的相关成熟的分类方法，各种各样的方法都有人尝试。目前相对成熟的锂电池的分类方法主要是根据电池的容量，健康状况等综合量来对电池进行分类，通过建立预测模型，输入一些测量参数，然后得到相关综合量的输出，进而对锂电池进行分类。主要难度在于如何选取电池的健康特性参数。国内外对动力电池梯次利用技术的研究非常广泛。然而，目前针对废旧动力电池的健康特征参数提取方法的研究相对较少。
受电池规格、型号、使用情况的多方面因素影响，退役下来的动力电池往往缺乏一致性。动力电池在容量、内阻、电压等方面所表现出不一致问题，成为阻止梯次利用的主要难题。而解决一致性问题，关键是做好电池检测。只有正确判断退役电池电芯或模组的工作状态，才能进行相匹配的梯次利用。以目前市面上普遍使用的锂电池为例，回收后，厂家使用容量检测仪来测量电池的容量，在25℃的条件下，通过恒定电流放电至保护电压，以放电时间和放电电流来测算电池容量。对检测出来电池存在的问题，通过更换保护板、消除硫化、电压平衡修复等方式，使电池达到最佳状态，达到梯次利用标准。
鉴于深度学习在其他领域内的成功应用，我们将其引入到电池分类应用中。深度学习网络是一种数据驱动的方法，该方法不需要构造复杂的电池参数特征，直接使用未经特征提取的数据作为网络的输入即可达到满意的估计效果。充电曲线可以用于评估电池老化轨迹和性能衰退过程，由于是一种应用数据驱动的方法，本质上不受限于电池材料、体系和类型，具有非常好的普适性。
发明内容
本发明目的是提供了一种基于卷积神经网络的锂电池容量估计方法，不仅结构牢固不易分离，而且施工方便。
本发明为实现上述目的，通过以下技术方案实现：
一种基于卷积神经网络的锂电池容量估计方法，包括以下步骤：
1）构造电池参数数据集，对相同规格的电池进行充放电循环实验，记录其：电池容量、电池标称电压，电池内阻，电池充电终止电压，电池放电终止电压，电池自放电率；
2）对步骤1中采集到的数据进行预处理，构造神经网络的输入数据；
3）构建卷积神经网络，并在深度和宽度上对神经网络进行适应性的修改，基于任务难度，减少卷积层的方式大幅降低模型的深度，增加模型的宽度，即卷积层每一层的通道数，保证网络的特征提取能力和收敛能力，并进行超参数优化；
4）利用步骤2中构造的数据进行网络训练，得到估计模型；
5）对于待测电池，取其最近一次充电过程中任意一段对应充电容量区间长度的充电电压、充电电流数据，利用步骤2处理后输入步骤4进行计算，得到的卷积神经网络输出即为电池的容量估计值。
优选的，所述步骤2中数据预处理方法有插值、微分计算。
优选的，所述步骤3中构建卷积神经网络，利用轻量级mobilenet-v1网络，利用可分离卷积替代标准卷积，丢弃复杂的tensorflow数据结构和配置要求，将卷积计算改写为矩阵展开相乘的模式。
本发明的优点在于：本发明所提出的方法具有迁移学习的优势，仅需要少量训练数据便可快速适用于不同规格的电池和不同应用场景，并且能够保持良好的充电曲线估计效果，有效降低了算法开发的试验测试需求，缩短了开发用时。这项研究工作为智能化电池管理的研发奠定了基础。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明流程结构示意图；
图2为本发明输入矩阵示意图；
图3为本发明卷积核矩阵示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明公开了一种基于卷积神经网络的锂电池容量估计方法,利用深度学习网络对电池数据进行曲线估计，从而实现电池容量的估计。
首先，需要构造数据集。动力锂电池主要包含6个参数：电池容量、电池标称电压，电池内阻，电池充电终止电压，电池放电终止电压，电池自放电率。我们选取可以用于估计电池容量的充电电压和充电电流等数据构造数据集。方法为对若干个电池样本进行容量标记，利用参考电池的充放电循环实验采集样本数据和标签,其中每个样本由一段充电电压,充电电压一阶微分,充电电流数据组成。
进一步地,建立用于估计锂电池容量的卷积神经网络,我们借鉴图像分类网络中的结构，深度学习用于电池参数估计中通常受到内存、计算量等的限制，因此不适宜选用大规模的卷积神经网络。在此，我们借鉴轻量级mobilenet-v1网络，该模型利用可分离卷积替代标准卷积，可以大规模减少计算参数，从而达到减小模型体积的目的。在计算过程中我们丢弃复杂的tensorflow数据结构和配置要求，将卷积计算改写为矩阵展开相乘的模式，如图1、图2所示，分别按照规则展开输入矩阵和卷积核矩阵，该方法在一定程度上增加了内存要求，但进一步降低计算复杂度，提高运算速度，达到以空间换时间的目的。
其次，对神经网络进行深度和宽度上的结构修改，首先基于任务难度，我们通过减少卷积层的方式大幅降低模型的深度，另外增加了模型的宽度，即卷积层每一层的通道数，用于在网络变浅的情况下尽可能保持提取特征的能力，并维持网络的收敛性，最后利用寻优算法优化神经网络的超参数。
最后，该网络恒流充电状态下得到的少量充电数据片段作为输入，包含充电电压、充电电压一阶微分、充电电流数据等。由于恒流充电是电池日常工作中的相对稳定工况，恒流充电曲线估计可以进一步确定电池最大可用容量/能量、剩余容量/能量、容量微分曲线等关键状态。经由网络计算，估算电池剩余容量，最后按照容量范围进行分类，输出分类结果。此外，鉴于深度神经网络的迁移学习性质，预训练的网络能够经过微调适应不同的电池数据。
电池老化测试硬件昂贵、耗时长，导致管理算法开发具有较高的人力时间成本。作为电池管理核心算法，本专利所提出的方法具有迁移学习的优势，仅需要少量训练数据便可快速适用于不同规格的电池和不同应用场景，并且能够保持良好的充电曲线估计效果，有效降低了算法开发的试验测试需求，缩短了开发用时。这项研究工作为智能化电池管理的研发奠定了基础。

Claims (3)

1.一种基于卷积神经网络的锂电池容量估计方法，其特征在于，包括以下步骤：
1）构造电池参数数据集，对相同规格的电池进行充放电循环实验，记录其：电池容量、电池标称电压，电池内阻，电池充电终止电压，电池放电终止电压，电池自放电率；
2）对步骤1中采集到的数据进行预处理，构造神经网络的输入数据；
3）构建卷积神经网络，并在深度和宽度上对神经网络进行适应性的修改，基于任务难度，减少卷积层的方式大幅降低模型的深度，增加模型的宽度，即卷积层每一层的通道数，保证网络的特征提取能力和收敛能力，并进行超参数优化；
4）利用步骤2中构造的数据进行网络训练，得到估计模型；
5）对于待测电池，取其最近一次充电过程中任意一段对应充电容量区间长度的充电电压、充电电流数据，利用步骤2处理后输入步骤4进行计算，得到的卷积神经网络输出即为电池的容量估计值。
2.根据权利要求1所述的基于卷积神经网络的锂电池容量估计方法，其特征在于，所述步骤2中数据预处理方法有插值、微分计算。
3.根据权利要求1所述的基于卷积神经网络的锂电池容量估计方法，其特征在于，所述步骤3中构建卷积神经网络，利用轻量级mobilenet-v1网络，利用可分离卷积替代标准卷积，丢弃复杂的tensorflow数据结构和配置要求，将卷积计算改写为矩阵展开相乘的模式。
CN202111120094.2A 2021-09-24 2021-09-24 一种基于卷积神经网络的锂电池容量估计方法 Pending CN113777499A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111120094.2A CN113777499A (zh) 2021-09-24 2021-09-24 一种基于卷积神经网络的锂电池容量估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111120094.2A CN113777499A (zh) 2021-09-24 2021-09-24 一种基于卷积神经网络的锂电池容量估计方法

Publications (1)

Publication Number Publication Date
CN113777499A true CN113777499A (zh) 2021-12-10

Family

ID=78853257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111120094.2A Pending CN113777499A (zh) 2021-09-24 2021-09-24 一种基于卷积神经网络的锂电池容量估计方法

Country Status (1)

Country Link
CN (1) CN113777499A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114636933A (zh) * 2022-05-23 2022-06-17 长沙矿冶研究院有限责任公司 基于复合神经网络的退役动力电池容量的检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209972A (zh) * 2020-01-09 2020-05-29 中国科学院计算技术研究所 基于混合连通性深度卷积神经网络的图像分类方法及系统
CN111579993A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
CN111638465A (zh) * 2020-05-29 2020-09-08 浙大宁波理工学院 基于卷积神经网络和迁移学习的锂电池健康状态估计方法
CN111856287A (zh) * 2020-07-17 2020-10-30 上海交通大学 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
CN112986830A (zh) * 2021-04-22 2021-06-18 湖北工业大学 一种基于卷积时间记忆神经网络的锂电池容量估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209972A (zh) * 2020-01-09 2020-05-29 中国科学院计算技术研究所 基于混合连通性深度卷积神经网络的图像分类方法及系统
CN111579993A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
CN111638465A (zh) * 2020-05-29 2020-09-08 浙大宁波理工学院 基于卷积神经网络和迁移学习的锂电池健康状态估计方法
CN111856287A (zh) * 2020-07-17 2020-10-30 上海交通大学 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
CN112986830A (zh) * 2021-04-22 2021-06-18 湖北工业大学 一种基于卷积时间记忆神经网络的锂电池容量估计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114636933A (zh) * 2022-05-23 2022-06-17 长沙矿冶研究院有限责任公司 基于复合神经网络的退役动力电池容量的检测方法及系统
CN114636933B (zh) * 2022-05-23 2022-09-13 长沙矿冶研究院有限责任公司 基于复合神经网络的退役动力电池容量的检测方法及系统

Similar Documents

Publication Publication Date Title
CN111398833B (zh) 一种电池健康状态评估方法
CN108790893B (zh) 一种交流充电桩及充电控制方法
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
CN109731808B (zh) 一种对锂电池梯次利用的检测分选方法
CN103163480A (zh) 锂电池健康状态的评估方法
CN110614236A (zh) 一种退役电池梯次利用的筛选方法
CN105738830A (zh) 锂离子动力电池梯次利用分析方法
CN111856287A (zh) 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
CN110931901B (zh) 模拟铅酸电池电气特性的锂电池柔性集成方法与系统
CN111208438B (zh) 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法
CN111064253A (zh) 一种基于平均离散Fréchet距离的电池健康度快速评估方法
CN113392507A (zh) 一种锂离子动力电池剩余寿命预测方法
CN115081332B (zh) 用于参数识别的工况敏感度分析和数据处理方法、装置
CN114692827A (zh) 面向边缘联邦学习的电动汽车锂电池soh在线预测方法
CN113777499A (zh) 一种基于卷积神经网络的锂电池容量估计方法
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN114693096A (zh) 一种基于场景匹配的动力电池梯级利用决策方法及系统
CN114839537A (zh) 电池荷电状态预测方法和装置
CN112526353B (zh) 一种退役锂离子动力电池soc快速检测方法及装置
CN117233622A (zh) 一种新能源汽车动力锂电池性能检测测试方法
CN114062948B (zh) 一种基于3dcnn的锂离子电池soc估计方法
CN113721151B (zh) 基于双塔深度学习网络的电池容量预估模型及方法
CN113640674B (zh) 基于优化高斯过程回归的锂离子电池可用容量估计方法
CN115963401A (zh) 基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法
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