CN113901707A - 一种车用锂离子动力电池soh时间序列预测方法 - Google Patents
一种车用锂离子动力电池soh时间序列预测方法 Download PDFInfo
- Publication number
- CN113901707A CN113901707A CN202111062588.XA CN202111062588A CN113901707A CN 113901707 A CN113901707 A CN 113901707A CN 202111062588 A CN202111062588 A CN 202111062588A CN 113901707 A CN113901707 A CN 113901707A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- power battery
- ion power
- time
- soh
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000000739 chaotic effect Effects 0.000 claims abstract description 14
- 230000015556 catabolic process Effects 0.000 claims abstract description 10
- 238000006731 degradation reaction Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000036541 health Effects 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 11
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 9
- 229910052744 lithium Inorganic materials 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009830 intercalation Methods 0.000 claims 1
- 230000002687 intercalation Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明针对现有技术的不足,提供一种车用锂离子动力电池SOH时间序列预测方法,包括以下步骤;1)对锂离子动力电池系统SOH时间序列进项混沌判别;2)建立NARX预测模型;3)采集锂离子动力电池退化状态监测到的数据集;4)选择NARX预测模型的输入变量;5)确定嵌入维数和时间延迟,然后应用于采集到的一维实验数据相空间重构中,构造出训练样本集和测试样本集;6)将重构后的训练样本集训练NARX模型,将测试样本集对NARX模型进行预测,得到最终的锂离子动力电池SOH输出值,本发明具有较高的预测精度及较好的响应速度,具有较高的应用价值。
Description
技术领域:
本发明涉及一种锂离子动力电池参数据预测方法,特别是一种车用锂离子动力电池SOH时间序列预测方法。
背景技术:
锂电池存在绿色环保、比能量大及使用寿命长等诸多优势,目前正广泛应用于新能源汽车、手机通信、智能电网及医疗器械等多个领域,但随着锂离子电池的频繁使用,会出现内阻增加、容量减少等老化现象,并引发一系列安全问题,有时会导致灾难性的事故发生,影响使用者的生命安全,因此精确预测健康状态(SOH)、荷电状态(SOC)等状态量对于提高锂离子动力电池的使用安全性具有重大的现实意义。
目前针对锂离子动力电池的健康状态(SOH)研究主要为基于数据驱动的预测方法,如:徐元中等针对BP网络的权值存在局部最优的不足缺陷,采用模拟退火算法(SA)优化BP神经网络权值,使BP神经网络权值取全局最优,通过实验仿真有效验证了该算法可以有效提高锂离子动力电池的健康状态(SOH)预测精度;张任等提出了基于粒子群优化RBF神经网络的预测算法,构建了锂离子动力电池的等效电路模型及热力学模型,提取影响锂离子电池SOH的关键参数,并对关键参数进行在线实时辨识,结果显示预测精度比BP神经网络提高了 20%,优化时间也节省66.7%以上;潘海鸿等学者通过构建表征电池衰退的健康指标(HI),然后用极限学习机算法对健康指标进行训练和预测,实现了健康状态(SOH)的在线预测,并且预测误差没有超过2%。
以上健康状态(SOH)预测算法主要是针对传统算法存在的不足进行改进,并且所用到的数据样本大多为一维状态空间的时间序列或者单变量数据样本,也未从锂电池系统本身固有的非线性动力学混沌特性开展研究,因此数据样本包含的信息比较单一,不够全面。
发明内容:
针对现有技术的不足,本发明提供了一种车用锂离子动力电池SOH时间序列预测方法:通过对锂电池系统的混沌动力学进行判定,利用相空间重构技术对实验采集到的一维状态空间的时间序列数据进行重构,恢复锂电池系统本身的混沌动力学特性属性,然后利用NARX神经网络对重构后的时间序列数据进行训练和预测,得到最终的SOH输出值,包括以下步骤:
(1)使用关联维D2法对锂离子动力电池系统SOH时间序列进项混沌判别;
(2)建立NARX预测模型;
(3)采集锂离子动力电池退化状态监测到的数据集;
(4)采用灰色关联从采集到的数据中选择NARX预测模型的输入变量;
(5)采用C-C法确定嵌入维数和时间延迟,经计算,最后确定τ=3和m=8,利用上述结果应用于对实验采集到的一维实验数据相空间重构中,构造出训练样本集{(xi,yi)},xi∈RN×M,yi∈RN×1,测试样本集{(xt,yt)},xt∈RN×M,yt∈RN×1;
(6)将重构后的训练样本集{(xi,yi)},xi∈RN×M,yi∈RN×1训练NARX模型,将测试样本集{(xt,yt)},xt∈RN×M,yt∈RN×1对NARX模型进行预测,得到最终的锂离子动力电池SOH输出值。
优选的,步骤(1)所述的关联维D2法,其方法如下:
在考察m维相空间中设相点之间的欧氏距离为rij(m)
rij(m)=||Xm(ti)-Xm(tj)|| (1)
任给一标度r,统计小于r的点对数目在所有点中所占的比例为:
其中,n为相点数,θ为Heaviside函数,
关联维D(m)记为:
不随m改变,于是得到锂离子动力电池系统的关联维数,
当D2>2.3为分数,表明锂离子动力电池系统具有混沌特性,则该锂离子动力电池系统吸引子的维数为D2,可对锂离子动力电池系统SOH时间序列进行预测。
优选的,步骤(2)中NARX网络模型可表示如下:
y(t)=f(y(t-1),y(t-2),…,y(t-ny),u(t-1),u(t-2),...,u(t-nu)) (5)
式中:f为非线性函数;y(t)为期望目标向量;u(t)为外部输入向量; y(t-1),y(t-2),...,y(t-ny)为时延后的期望目标向量;u(t-1),u(t-2),...,u(t-nu)为时延后的外部输入向量,NARX网络模型的隐层激活函数f1选取tansig函数;输出层激活函数f2选取purelin函数,分别表示为下式:
f2(x)=x (7)
NARX神经网络训练采用的是Levenberg-Marquards算法,假设一个最大位移作为区域半径,然后在该区域内寻找代价函数的极小值点,若目标代价函数值增大,则调整该区域半径改变范围,继续求解;若目标代价函数值减小,则继续迭代计算。
优选的,步骤(3)所述采集锂离子动力电池退化状态监测到的数据集,是锂离子动力电池在常温25℃条件下进行充电、放电和电阻测量等3个实验操作,并实时测量电池终端电压、输出电流、温度、充电器电压、充电器电流等实验数据,其步骤如下:
1)以2A恒流充电,直至电池电压达到4.2V,再以恒压充电,直至I≤20mA;
2)以2A恒流放电,直至B5和B6电池电压分别降至2.7V和2.5V;
3)重复上述步骤(1)和步骤(2)充放电循环过程使锂离子电池老化,当电池实际容量下降到额定容量的70%(从2Ah降至4Ah)时停止老化实验;
4)以上步骤(1)和(2)记为一次循环过程,共完成200次循环,过程中数据的采用频率设置为1HZ,实时同步采集电池终端电压、输出电流、温度、充电器电压、充电器电流及数据采集时间等数据,并且同时记录电池的最大可用容量;采用频率扫描范围为0.1HZ~5HZ的EIS方法获取电池阻抗。
优选的,步骤(5)中C-C方法确定嵌入维数和时间延迟,其步骤如下:
1)假定τs为锂离子动力电池系统时间序列的采样间隔,τd=tτs为时间序列的延迟,τw=(m-1)τd为延迟时间窗口,τp为平均轨道周期(τw≥τp);
2)计算锂离子动力电池系统的给定时间序列的标准差σ;
3)通过下式可得S(t)、ΔS(t)及Scor(t)3个变量的值,式中,rj=jσ/2,(j=1、2、3、4)
式(8)到式(10)的3个值综合反应时间序列数据的相关性程度;
4)从ΔS(t)的第一个极小值寻找时间序列独立的第一个局部最大值,通过时间延迟τd=tτs可以获得第一个局部最大时间,同时,用Scor(t)的最小值确定时间序列独立的第一个整体最大值时间窗口τw=tτs;利用上述4个步骤可得锂离子电池动力学系统的τ=3、m=8。
优选的,步骤(5)中所述的相空间重构,是假设锂离子动力电池健康状态 (SOH)时间序列{x(i),i=1,2,…,N},根据Takens理论,若时间延迟τ和嵌入维数 m具有确定值时,则锂离子动力电池健康状态(SOH)时间序列相空间相点可表示为:
式中,m为嵌入维;τ为时间延迟,
Y(j)为相空间中的点,相点总数M满足条件:
M=N-(m-1)τ (12)
对于M维多变量时间序列X1,X2,...,XN,其中任意时间序列可表示为 Xi=(x1,i,x2,i,...,xM,i),i=1,2,…,N,当M=1时为单变量序列,由于单变量时间序列可以认为是多变量时间序列的一种特例,因此,可得多变量时间序列延迟相空间重构的相点为:
x1,i+1=Φ1(Vi),x2,i+1=Φ2(Vi),…,xM,i+1=ΦM(Vi) (14)
本发明公开的一种车用锂离子动力电池SOH时间序列预测方法,采用上述算法具有如下有益效果:
本发明利用锂离子动力电池系统具有的混沌特性,采用C-C法确定嵌入维数和时间延迟,利用NARX神经网络建立了锂离子动力电池SOH时间序列预测模型,通过相空间重构技术将预测模型的一维输入时间序列重构成多维状态空间,并且采用NARX神经网络对多维状态空间时间序列进行训练和预测,得到最终的 SOH时间序列预测值,本发明的NARX预测模型比RBF神经网络的均方误差提高了近6个百分点,收敛速度提高了近30秒,具有较高的预测精度及较好的响应速度,具有较高的应用价值。
附图说明:
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1,本发明的NARX的预测模型结构示意图;
图2,本发明B5电池SOH预测结果示意图;
图3,本发明B6电池SOH预测结果示意图;
图4,本发明B5电池SOH预测结果相对误差示意图;
图5,不同算法对每个电池的预测结果平均相对误差示意图;
图6,不同算法对每个电池的预测结果均方根误差示意图;
图7,不同算法对每个电池的预测结果平均绝对误差示意图;
具体实施方式:
下面结合实施例对本发明作进一步的详细说明。本发明公开的一种车用锂离子动力电池SOH时间序列预测方法:通过对锂电池系统的混沌动力学进行判定,利用相空间重构技术对实验采集到的一维状态空间的时间序列数据进行重构,恢复锂电池系统本身的混沌动力学特性属性,然后利用NARX神经网络对重构后的时间序列数据进行训练和预测,得到最终的SOH输出值,其步骤如下:
(1)使用关联维D2法对锂离子动力电池系统SOH时间序列进项混沌判别;
(2)建立NARX预测模型;
(3)采集锂离子动力电池退化状态监测到的数据集;
(4)采用灰色关联从采集到的数据中选择NARX预测模型的输入变量;
(5)采用C-C法确定嵌入维数和时间延迟,经计算,最后确定τ=3和m=8,利用上述结果应用于对实验采集到的一维实验数据相空间重构中,构造出训练样本集{(xi,yi)},xi∈RN×M,yi∈RN×1,测试样本集{(xt,yt)},xt∈RN×M,yt∈RN×1;
(6)将重构后的训练样本集{(xi,yi)},xi∈RN×M,yi∈RN×1训练NARX模型,将测试样本集{(xt,yt)},xt∈RN×M,yt∈RN×1对NARX模型进行预测,得到最终的锂离子动力电池SOH输出值。
其中,步骤(1)所述的关联维D2法,其方法如下:
在考察m维相空间中设相点之间的欧氏距离为rij(m)
rij(m)=||Xm(ti)-Xm(tj)|| (1)
任给一标度r,统计小于r的点对数目在所有点中所占的比例为:
其中,n为相点数,θ为Heaviside函数,
关联维D(m)记为:
不随m改变,于是得到锂离子动力电池系统的关联维数,
当D2>2.3为分数,表明锂离子动力电池系统具有混沌特性,则该锂离子动力电池系统吸引子的维数为D2,可对锂离子动力电池系统SOH时间序列进行预测。
其中,步骤(2)中NARX网络模型可表示如下:
y(t)=f(y(t-1),y(t-2),…,y(t-ny),u(t-1),u(t-2),…,u(t-nu)) (5)
式中:f为非线性函数;y(t)为期望目标向量;u(t)为外部输入向量; y(t-1),y(t-2),…,y(t-ny)为时延后的期望目标向量;u(t-1),u(t-2),…,u(t-nu)为时延后的外部输入向量,NARX网络模型的隐层激活函数f1选取tansig函数;输出层激活函数f2选取purelin函数,分别表示为下式:
f2(x)=x (7)
NARX神经网络训练采用的是Levenberg-Marquards算法,假设一个最大位移作为区域半径,然后在该区域内寻找代价函数的极小值点,若目标代价函数值增大,则调整该区域半径改变范围,继续求解;若目标代价函数值减小,则继续迭代计算。
其中,步骤(3)中使用的试验数据集主要是通过官网下载到的NASA PCoE 研究中心在爱达荷州国家实验室测试获得B5和B6电池各有168组数据,而自主实验过程中选用2个额定容量为2Ah的18650型号的锂离子电池B5和B6作为实验研究对象,在常温25℃条件下进行充电、放电和电阻测量等3各实验操作,并实时测量电池终端电压、输出电流、温度、充电器电压、充电器电流等实验数据。
充放电试验方法为以1C(2A)恒流充电,直至电池电压达到4.2V,再以恒压充电,直至I≤20mA;以2A恒流放电,直至B5和B6电池电压分别降至2.7V 和2.5V;重复上述充放电循环过程使电池老化,当电池实际容量下降到额定容量的70%即从2Ah降至4Ah时停止老化实验;以上操作记为一次循环过程,整个试验共完成200次循环,实验过程中数据的采用频率设置为1HZ,实时同步采集电池终端电压、输出电流、温度、充电器电压、充电器电流及数据采集时间等数据,并且同时记录B5和B6电池的最大可用容量,采用频率扫描范围为0.1HZ~5HZ的EIS方法获取电池阻抗。
其中,步骤(5)中C-C方法确定嵌入维数和时间延迟,其步骤如下:
1)假定τs为锂离子动力电池系统时间序列的采样间隔,τd=tτs为时间序列的延迟,τw=(m-1)τd为延迟时间窗口,τp为平均轨道周期(τw≥τp);
2)计算锂离子动力电池系统的给定时间序列的标准差σ;
3)通过下式可得S(t)、ΔS(t)及Scor(t)3个变量的值,式中,rj=jσ/2,(j=1、2、3、4)
式(8)到式(10)的3个值综合反应时间序列数据的相关性程度;
4)从ΔS(t)的第一个极小值寻找时间序列独立的第一个局部最大值,通过时间延迟τd=tτs可以获得第一个局部最大时间,同时,用Scor(t)的最小值确定时间序列独立的第一个整体最大值时间窗口τw=tτs;利用上述4个步骤可得锂离子电池动力学系统的τ=3、m=8。
其中,步骤(5)中所述的相空间重构,是假设锂离子动力电池健康状态(SOH) 时间序列{x(i),i=1,2,…,N},根据Takens理论,若时间延迟τ和嵌入维数m具有确定值时,则锂离子动力电池健康状态(SOH)时间序列相空间相点可表示为:
式中,m为嵌入维;τ为时间延迟,
Y(j)为相空间中的点,相点总数M满足条件:
M=N-(m-1)τ (12)
对于M维多变量时间序列X1,X2,…,XN,其中任意时间序列可表示为 Xi=(x1,i,x2,i,…,xM,i),i=1,2,…,N,当M=1时为单变量序列,由于单变量时间序列可以认为是多变量时间序列的一种特例,因此,可得多变量时间序列延迟相空间重构的相点为:
x1,i+1=Φ1(Vi),x2,i+1=Φ2(Vi),…,xM,i+1=ΦM(Vi) (14)
本发明选取B5电池前80组数据及利用自主试验平台锂离子电池退化状态监测到的数据,通过相空间重构后得到的训练样本集一起作为NARX神经网络的训练集,利用自主试验平台锂离子电池退化状态监测到的数据及相空间重构后得到的测试集与后88组数据一起作为NARX神经网络的测试集,失效阈值为0.7274,图2为B5电池SOH预测结果,图4为B5电池SOH预测结果相对误差。
同理,选取B6电池前60组数据及利用自主试验平台锂离子电池退化状态监测到的数据,通过相空间重构后得到的训练样本集一起作为NARX神经网络的训练集,利用自主试验平台锂离子电池退化状态监测到的数据及相空间重构后得到的测试集与后108组数据一起作为NARX神经网络的测试集,B6电池的失效阈值分别设置为0.68,图3为B5电池SOH预测结果。
图5为不同算法对每个电池的预测结果平均相对误差,图6为不同算法对每个电池的预测结果均方根误差,图7为不同算法对每个电池的预测结果平均绝对误差,通过图5到图7可知NARX模型比RBF模型的SOH预测值相对误差提高了近6个百分点,均方根误差提高了近5个百分点,进一步说明了本发明提出的NARX模型具有较高的精确度及稳定性,更强的非线性预测能力。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照最佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围中。
Claims (6)
1.一种车用锂离子动力电池SOH时间序列预测方法,通过对锂电池系统的混沌动力学进行判定,利用相空间重构技术对实验采集到的一维状态空间的时间序列数据进行重构,恢复锂电池系统本身的混沌动力学特性属性,然后利用NARX神经网络对重构后的时间序列数据进行训练和预测,其步骤如下:
(1)使用关联维D2法对锂离子动力电池系统SOH时间序列进项混沌判别;
(2)建立NARX预测模型;
(3)采集锂离子动力电池退化状态监测到的数据集;
(4)采用灰色关联从采集到的数据中选择NARX预测模型的输入变量;
(5)采用C-C法确定嵌入维数和时间延迟,经计算,最后确定τ=3和m=8,利用上述结果应用于对实验采集到的一维实验数据相空间重构中,构造出训练样本集{(xi,yi)},xi∈RN ×M,yi∈RN×1,测试样本集{(xt,yt)},xt∈RN×M,yt∈RN×1;
(6)将重构后的训练样本集{(xi,yi)},xi∈RN×M,yi∈RN×1训练NARX模型,将测试样本集{(xt,yt)},xt∈RN×M,yt∈RN×1对NARX模型进行预测,得到最终的锂离子动力电池SOH输出值。
3.根据权利要求1所述的一种车用锂离子动力电池SOH时间序列预测方法,其特征在于步骤(2)中NARX网络模型可表示如下:
y(t)=f(y(t-1),y(t-2),...,y(t-ny),u(t-1),u(t-2),...,u(t-nu)) (5)
式中:f为非线性函数;y(t)为期望目标向量;u(t)为外部输入向量;y(t-1),y(t-2),...,y(t-ny)为时延后的期望目标向量;u(t-1),u(t-2),...,u(t-nu)为时延后的外部输入向量,NARX网络模型的隐层激活函数f1选取tansig函数;输出层激活函数f2选取purelin函数,分别表示为下式:
f2(x)=x (7)
NARX神经网络训练采用的是Levenberg-Marquards算法,假设一个最大位移作为区域半径,然后在该区域内寻找代价函数的极小值点,若目标代价函数值增大,则调整该区域半径改变范围,继续求解;若目标代价函数值减小,则继续迭代计算。
4.根据权利要求1所述的一种车用锂离子动力电池SOH时间序列预测方法,其特征在于步骤(3)所述采集锂离子动力电池退化状态监测到的数据集,是锂离子动力电池在常温25℃条件下进行充电、放电和电阻测量等3个实验操作,并实时测量电池终端电压、输出电流、温度、充电器电压、充电器电流等实验数据,其步骤如下:
1)以2A恒流充电,直至电池电压达到4.2V,再以恒压充电,直至I≤20mA;
2)以2A恒流放电,直至B5和B6电池电压分别降至2.7V和2.5V;
3)重复上述步骤(1)和步骤(2)充放电循环过程使锂离子电池老化,当电池实际容量下降到额定容量的70%(从2Ah降至4Ah)时停止老化实验;
4)以上步骤(1)和(2)记为一次循环过程,共完成200次循环,过程中数据的采用频率设置为1HZ,实时同步采集电池终端电压、输出电流、温度、充电器电压、充电器电流及数据采集时间等数据,并且同时记录电池的最大可用容量;采用频率扫描范围为0.1HZ~5HZ的EIS方法获取电池阻抗。
5.根据权利要求1所述的一种车用锂离子动力电池SOH时间序列预测方法,其特征在于步骤(5)中C-C方法确定嵌入维数和时间延迟,其步骤如下:
1)假定τs为锂离子动力电池系统时间序列的采样间隔,τd=tτs为时间序列的延迟,τw=(m-1)τd为延迟时间窗口,τp为平均轨道周期(τw≥τp);
2)计算锂离子动力电池系统的给定时间序列的标准差σ;
3)通过下式可得S(t)、ΔS(t)及Scor(t)3个变量的值,式中,rj=jσ/2,(j=1、2、3、4)
式(8)到式(10)的3个值综合反应时间序列数据的相关性程度;
4)从ΔS(t)的第一个极小值寻找时间序列独立的第一个局部最大值,通过时间延迟τd=tτs可以获得第一个局部最大时间,同时,用Scor(t)的最小值确定时间序列独立的第一个整体最大值时间窗口τw=tτs;利用上述4个步骤可得锂离子电池动力学系统的τ=3、m=8。
6.根据权利要求1所述的一种车用锂离子动力电池SOH时间序列预测方法,其特征在于步骤(5)中所述的相空间重构,是假设锂离子动力电池健康状态(SOH)时间序列{x(i),i=1,2,…,N},根据Takens理论,若时间延迟τ和嵌入维数m具有确定值时,则锂离子动力电池健康状态(SOH)时间序列相空间相点可表示为:
式中,m为嵌入维;τ为时间延迟,
Y(j)为相空间中的点,相点总数M满足条件:
M=N-(m-1)τ (12)
对于M维多变量时间序列X1,X2,…,XN,其中任意时间序列可表示为Xi=(x1,i,x2,i,...,xM,i),i=1,2,…,N,当M=1时为单变量序列,由于单变量时间序列可以认为是多变量时间序列的一种特例,因此,可得多变量时间序列延迟相空间重构的相点为:
x1,i+1=Φ1(Vi),x2,i+1=Φ2(Vi),…,xM,i+1=ΦM(Vi) (14)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062588.XA CN113901707A (zh) | 2021-12-08 | 2021-12-08 | 一种车用锂离子动力电池soh时间序列预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062588.XA CN113901707A (zh) | 2021-12-08 | 2021-12-08 | 一种车用锂离子动力电池soh时间序列预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113901707A true CN113901707A (zh) | 2022-01-07 |
Family
ID=79027918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062588.XA Pending CN113901707A (zh) | 2021-12-08 | 2021-12-08 | 一种车用锂离子动力电池soh时间序列预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901707A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210091583A1 (en) * | 2018-06-08 | 2021-03-25 | Panasonic Intellectual Property Management Co., Ltd. | Battery management system and battery management method |
CN114186756A (zh) * | 2022-01-11 | 2022-03-15 | 国网湖北省电力有限公司孝感供电公司 | 一种配电网终端蓄电池储能容量预测方法 |
CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
-
2021
- 2021-12-08 CN CN202111062588.XA patent/CN113901707A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210091583A1 (en) * | 2018-06-08 | 2021-03-25 | Panasonic Intellectual Property Management Co., Ltd. | Battery management system and battery management method |
CN114186756A (zh) * | 2022-01-11 | 2022-03-15 | 国网湖北省电力有限公司孝感供电公司 | 一种配电网终端蓄电池储能容量预测方法 |
CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
CN117471327B (zh) * | 2023-12-25 | 2024-05-07 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113901707A (zh) | 一种车用锂离子动力电池soh时间序列预测方法 | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN111537899A (zh) | 一种梯次利用动力电池安全性评估方法 | |
CN108490365B (zh) | 一种估计电动汽车的动力电池的剩余寿命的方法 | |
CN113740736B (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
Wang et al. | A battery capacity estimation framework combining hybrid deep neural network and regional capacity calculation based on real-world operating data | |
CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
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 | |
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 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN110703112A (zh) | 一种基于局部充电数据的电池组状态的在线估计方法 | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
CN114545274A (zh) | 一种锂电池剩余寿命预测方法 | |
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 | |
CN112883637A (zh) | 锂离子电池rul的混沌时序非线性组合预测方法 | |
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 | |
CN116643196A (zh) | 一种融合机理与数据驱动模型的电池健康状态估计方法 | |
CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
Schmitt et al. | State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
Chen et al. | Rapid SOH estimation for retired lead-acid batteries | |
Sun et al. | State of health estimation for lithium-ion batteries based on current interrupt method and genetic algorithm optimized back propagation neural network |
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 |