CN113917337A - 基于充电数据和lstm神经网络的电池健康状态估计方法 - Google Patents

基于充电数据和lstm神经网络的电池健康状态估计方法 Download PDF

Info

Publication number
CN113917337A
CN113917337A CN202111192131.0A CN202111192131A CN113917337A CN 113917337 A CN113917337 A CN 113917337A CN 202111192131 A CN202111192131 A CN 202111192131A CN 113917337 A CN113917337 A CN 113917337A
Authority
CN
China
Prior art keywords
data
battery
neural network
input
constant
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
CN202111192131.0A
Other languages
English (en)
Inventor
范元亮
方略斌
吴涵
连庆文
陈伟铭
黄兴华
李泽文
陈扩松
袁敏根
陈思哲
郑宇�
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.)
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power 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 Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Fujian Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Priority to CN202111192131.0A priority Critical patent/CN113917337A/zh
Publication of CN113917337A publication Critical patent/CN113917337A/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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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

Landscapes

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

Abstract

本发明涉及一种基于充电数据和LSTM神经网络的电池健康状态估计方法，包括：构建原始数据集；对数据集进行预处理；对数据集中的输入数据进行特征提取；对输入特征与目标值进行相关系数分析；构建神经网络模型结构；训练神经网络模型；优化神经网络模型；评估神经网络模型并将其嵌入电池管理系统；电池健康状态在线估计。本发明通过使用比较稳定的充电数据对电池SOH进行估计，将输入数据的进行降维处理，同时也将输入数据与输出数据之间进行相关性分析，既提高了电池SOH估计网络模型的运算速度，又提高了电池SOH估计的精度。

Description

基于充电数据和LSTM神经网络的电池健康状态估计方法
技术领域
本发明涉及电池技术领域，具体涉及一种基于充电数据和LSTM 神经网络的电池健康状态估计方法。
背景技术
“双碳”目标的提出必将加快推进新能源发电的跨越式发展。波动 性和间歇性的新能源高比例接入，增加了电力系统调度运行的不确定 性和调峰调频压力，影响新能源消纳和电力系统高效优化运行，成为 新型电力系统面临的重要挑战。锂离子电池具有能量密度高、循环寿 命长、无记忆效应等优点，是新型储能系统的重要技术路线之一。随 着锂离子电池充放电循环次数的增加，电池的健康状态(State of Health，SOH)会不断下降，导致有效容量下降和安全隐患。因此， 对于锂离子电池的SOH的准确估计具有重要意义。
目前，电池SOH估计方法主要包括安直接测量法、模型辨识法 和数据驱动法。由于人工智能的飞速发展，基于数据驱动的电池SOH 估计具有很好的应用前景。现有基于数据驱动的电池SOH估计方法， 一般采用电池在充放电过程中的电压、电流、温度作为神经网络的输 入来估计电池的剩余电量，但这种方法存在以下问题：①输入的数据 量过大，导致电池SOH估计的计算速度很慢；②没有考虑输入特征 与输出目标的相关性分析，会保留相关度较差的输入特征，使估计精 度降低；③时序依赖性比较严重，电池SOH估计需要考虑时间间隔 足够大的信息之间的相关性问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于充电数据和LSTM神 经网络的电池健康状态估计方法，克服了上述现有基于数据驱动的电 池SOH估计方法存在的计算速度问题、估计精度问题和时序依赖性 问题。
为实现上述目的，本发明采用如下技术方案：
一种基于充电数据和LSTM神经网络的电池健康状态估计方法， 包括以下步骤:
步骤S1:对锂离子电池进行多次充放电循环来采集数据，获取原始 数据集；
步骤S2:对原始数据集进行数据清洗和数据归一化，得到数据矩阵；
步骤S3:根据得到数据矩阵，进行特征提取；
步骤S4:对输入特征与目标值进行Pearson相关系数分析，得到最 终的输入特征，并分为训练集和测试集
步骤S5:构建LSTM神经网络模型；
步骤S6:基于训练集训练LSTM神经网络模型；
步骤S7:采用蚁群算法对训练后的LSTM神经网络模型进行优化；
步骤S8:基于测试集评估优化后的LSTM神经网络模型，若符合预 设精度要求则将其嵌入电池管理系统，不符合预设精度要求则重新执 行S6至S7，重新训练和优化模型；
步骤S9:将待测电池的充电过程中的电流、电压、温度和时间数据， 进行归一化处理和特征提取后，再输入所述电池管理系统中的神经网 络模型，估计电池健康状态。
进一步的，所述步骤S1具体为：
S101：选取N个同型号锂离子电池同时进行M次充放电循环实 验；
S102:进行恒流恒压充电，分为恒流充电和恒压充电两个阶段， 第一阶段以恒定电流对锂离子电池进行恒流充电，直至电池达到额定 电压，再转入第二阶段以恒定电压继续充电，直至充电电流降至预设 阈值以下，停止充电；在电池进行恒流恒压充电期间，记录每个采样 时刻的电池电压、电流和温度数据；假设从零时刻开始记录数据，采 样周期设定为t，经过Z个采样周期所获取数据为：
Figure BDA0003301593870000031
Figure BDA0003301593870000032
Figure BDA0003301593870000033
其中，
Figure BDA0003301593870000034
为电池的电压数据向量，
Figure BDA0003301593870000035
为电池的电流数据，
Figure BDA0003301593870000036
为电池 的表面温度数据，并将其存放在数据库中；
S103：以恒定电流对锂离子电池进行恒流放电，直至电池达到 放电截止电压，记录整个过程的总放电量，作为电池在该次充放电循 环中的当前可用容量Cnow。采用的锂离子电池SOH指标定义如下：
Figure BDA0003301593870000037
其中，Cnow和C0分别是锂离子电池当前可用容量和电池原始标称容 量；
S104：循环执行步骤S102和步骤S103，在电池经过M次充放电 循环后，将期间保存的有效数据整合成数据集D，可得到：
Figure BDA0003301593870000041
S105：循环执行步骤S102至S104，直至所有N个电池都完成M 次充放电循环实验，将所有数据集D都保存到原始数据集Draw中。
进一步的，所述步骤S2具体为：
S201：对步骤S1获取的电池原始数据集Draw进行数据清洗；
S202：对于数据清洗后的每个电池数据集D
Figure BDA0003301593870000042
在数据集D中，每一行代表电池在一次充放电循环中的数据，对 应电池的电压、电流、温度和容量数据，最后一列记为目标值CSOH， 第一列至倒数第二列记为输入数据矩阵F，所述F的每一行都为一个 循环中恒流恒压充电的数据向量：
Figure BDA0003301593870000043
S203：将每一行所有的数据向量进行归一化处理，把数据映射到 0～1范围之内，得到新数据向量
Figure BDA0003301593870000044
并将其组成新的输入数据矩 阵Fnew。
S204：将所述新特征向量
Figure BDA0003301593870000051
与目标值CSOH一一对应，组成新的 数据矩阵Dnew。
进一步的，所述步骤S3具体为：
S301：对于归一化处理后的输入数据矩阵Fnew，将每个循环中充 电阶段的每个测量指标平均分为q份，即将电压、电流、温度的数据 分别平均分为q份，再将每份数据取平均，得到3个q维数据，即有：
Figure BDA0003301593870000052
Figure BDA0003301593870000053
Figure BDA0003301593870000054
S302：将电池每次循环的恒流充电时间t_cc和恒压充电时间t_cv都 作为输入特征数据。所以，每一行所有的数据向量
Figure BDA0003301593870000055
更新为：
Figure BDA0003301593870000056
S303：每个循环的输入特征向量
Figure BDA0003301593870000057
与目标值CSOH是一一对应的 关系。
1.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健 康状态估计方法，其特征在于，所述步骤S4具体为：
S401：，采用Pearson相关系数来对输入特征与容量的相关程度进 行衡量，计算公式为：
Figure BDA0003301593870000058
其中，xi和yi分别代表样本的输入特征和目标值。
S402：保留|r|大于0.6的输入特征作为网络最终的输入特征。
进一步的，所述步骤S5具体为：
S501:确定LSTM网络单元及其所含的输入层、隐藏层和输出层 各自对应的神经元，其中所述输入层的输入通道数目对应输入特征的 数目，输出层对应的值为电池的剩余容量；
S502：根据所述LSTM网络单元的输入层、隐藏层和输出层各自 对应的神经元，确定所述LSTM单元神经网络中的隐藏层节点中各 门的状态，包括遗忘门ft、输入门it、输出门ot；
S503：搭建5层神经网络，第一层为输入层，第二层为LSTM层， 第三层为LSTM层，第四层为全连接层，最后一层为线性回归输出 层。
进一步的，所述步骤S8具体为：
S801：将LSTM神经网络的隐藏层的权值和隐藏层神经元个数作 为蚁群算法的待优化参数；
S802：设置蚁群算法的初始化参数，包括蚂蚁最大迭代次数Gmax、 蚂蚁个数K、信息素强度τij；
S803：算法开始时，在K个位置点上随机放置K个蚂蚁，每个 位置上的元素包括隐藏层的权值和隐藏层神经元个数。此时，各路径 上的信息素相等，设为：
τij(0)＝δ
其中，δ为一个数值较小的常数；
S804：每只蚂蚁根据路径上剩余的信息素和启发式信息，独立选 择下一个定位点，即更新蚂蚁的位置，其中蚂蚁k从点i移动到点j的 概率为：
Figure BDA0003301593870000071
其中，Jk表示蚂蚁k未访问过的节点，τij(t)表示时间t时由位置 点i到位置点j的信息素强度，ηij是一个启发式因子，也是位置点i 和位置点j之间距离的倒数，表示蚂蚁k从位置点i移动到位置点j 的期望水平的启发因子，而α，β为两常数，分别表示信息素和启发式因子的加权值；
S805：当所有蚂蚁完成搜索后，更新信息素，得到：
Figure BDA0003301593870000072
其中，K为蚂蚁个数，ρ(0＜ρ＜1)表示该信息素在路径上的蒸 发系数，一般设置为0.5，
Figure BDA0003301593870000073
为第k只蚂蚁在路径i到j留下来的信 息素，
Figure BDA0003301593870000074
定义为：
Figure BDA0003301593870000075
其中，Q是一个常数，Ck为蚂蚁k从i到j的完整路径总长度。
S806：当所有蚂蚁用转移概率完成对下一个定位点的搜索后，记 录这次最好的搜索结果，并更新位置的元素信息量；
S807：采用方差SSE作为该算法的评价函数，具体表达式为：
Figure BDA0003301593870000081
其中，Cpre为网络输出的剩余容量估计值，Creal为对应剩余容量的真 实值；
S808：若满足终止条件，则结束搜索过程，输出的权重和阈值以 及神经元数量的最佳值，得到优化后的LSTM神经网络模型。
一种基于充电数据和LSTM神经网络的电池健康状态估计系统, 包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处 理器执行所述计算机程序时，具体执行如上所述的电池健康状态估计 方法中的步骤。
本发明与现有技术相比具有以下有益效果：
本发明通过使用比较稳定的充电数据对电池SOH进行估计，将 输入数据的进行降维处理，同时也将输入数据与输出数据之间进行相 关性分析，既提高了电池SOH估计网络模型的运算速度，又提高了 电池SOH估计的精度。
附图说明
图1是本发明方法流程图；
图2是本发明一实施例中LSTM单元的内部结构图；
图3是本发明一实施例中LSTM神经网络的结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于充电数据和LSTM神经网络的 电池健康状态估计方法，具体过程为：
S1：构建原始数据集Draw，即锂离子电池进行多次充放电循环来 采集数据，首先对锂离子电池进行恒流恒压充电，并记录每个采样时 刻的电池电压、电流和温度数据作为原始数据集的输入特征数据；然 后，以恒定电流对锂离子电池进行恒流放电，直至电池达到放电截止 电压，记录整个过程的总放电量，作为原始数据集的目标值；
S2：对数据集进行预处理，即将所述原始数据集中的数据进行数 据清洗和数据归一化，得到数据矩阵Dnew；
S3：对数据集中的输入数据进行特征提取；
S4：对输入特征与目标值进行相关系数分析，即进行Pearson相 关系数分析；
S5：数据集划分，即将特征提取后数据矩阵划分为训练集和测试 集；
S6：构建神经网络模型，即搭建LSTM网络作为基础网络；
S7：训练神经网络模型，即将所述训练集中的数据导入所述神经 网络模型进行网络训练；
S8：优化神经网络模型，即采用蚁群算法对所述LSTM神经网络 模型进行优化；
S9：评估神经网络模型并将其嵌入电池管理系统，即利用所述验 证集对所述神经网络模型进行评估，若符合精度要求则将其嵌入电池 管理系统，不符合精度要求则重新执行S7至S8，重新训练和优化模 型；
S10：电池健康状态在线估计，即采集电池充电过程中的电流、 电压、温度和时间数据，将采集到的数据进行归一化处理和特征提取 后，再输入所述电池管理系统中的神经网络模型，估计电池健康状态。
在本实施例中，步骤S1所述的构建原始数据集Draw，具体过程 为：
S101：选取N个同型号锂离子电池同时进行M次充放电循环实 验；
S102：以第n个电池为例，首先进行恒流恒压充电，分为恒流充 电和恒压充电两个阶段，第一阶段以1C电流对锂离子电池进行恒流 充电，直至电池达到额定电压，再转入第二阶段以恒定电压继续充电， 直至充电电流降至预设阈值以下，停止充电。在电池进行恒流恒压充 电期间，记录每个采样时刻的电池电压、电流和温度数据。假设从零 时刻开始记录数据，采样周期设定为t，经过Z个采样周期所获取数 据为：
Figure BDA0003301593870000101
Figure BDA0003301593870000102
Figure BDA0003301593870000103
其中，
Figure BDA0003301593870000104
为电池的电压数据向量，
Figure BDA0003301593870000105
为电池的电流数据，
Figure BDA0003301593870000106
为电池的表 面温度数据，并将其存放在数据库中。
S103：以2C电流对锂离子电池进行恒流放电，直至电池达到放 电截止电压，记录整个过程的总放电量，作为电池在该次充放电循环 中的当前可用容量Cnow。采用的锂离子电池SOH指标定义如下：
Figure BDA0003301593870000111
其中，Cnow和C0分别是锂离子电池当前可用容量和电池原始标称容量。
S104：在电池经过m次充放电循环后，将期间保存的有效数据整 合成数据集D，可得到：
Figure BDA0003301593870000112
S105：循环执行步骤S102至S104，直至所有N个电池都完成M 次充放电循环实验，将所有数据集D都保存到原始数据集Draw中。
在本实施例中，步骤S2所述的对数据集进行预处理，具体过程 为：
S201：对步骤S1获取的电池原始数据集Draw进行数据清洗；
S202：对于数据清洗后的每个电池数据集D
Figure BDA0003301593870000113
在数据集D中，每一行代表电池在一次充放电循环中的数据，对 应电池的电压、电流、温度和容量数据，最后一列记为目标值DSOH， 第一列至倒数第二列记为输入数据矩阵F，所述F的每一行都为一个 循环中恒流恒压充电的数据向量：
Figure BDA0003301593870000121
S203：将每一行所有的数据向量进行归一化处理，把数据映射到 0～1范围之内，得到新数据向量
Figure BDA0003301593870000122
并将其组成新的输入数据矩 阵Fnew。
S204：将所述新特征向量
Figure BDA0003301593870000123
与目标值CSOH一一对应，组成新的 数据矩阵Dnew。
本方案中，步骤S3所述的对数据集中的输入数据进行特征提取， 具体过程为：
S301：对于归一化处理后的输入数据矩阵Fnew，将每个循环中充 电阶段的每个测量指标平均分为q份，即将电压、电流、温度的数据 分别平均分为q份，再将每份数据取平均，得到3个q维数据，即有：
Figure BDA0003301593870000124
Figure BDA0003301593870000125
Figure BDA0003301593870000126
S302：将电池每次循环的恒流充电时间t_cc和恒压充电时间t_cv都 作为输入特征数据。所以，每一行所有的数据向量
Figure BDA0003301593870000127
更新为：
Figure BDA0003301593870000128
S303：每个循环的输入特征向量
Figure BDA0003301593870000129
与目标值CSOH是一一对应的 关系。
本方案中，步骤S4所述的对输入特征与目标值进行相关系数分 析，具体过程为：
S401：为了进一步量化输入特征
Figure BDA0003301593870000131
与对应的目标值CSOH之间的 相关程度，采用Pearson相关系数来对输入特征与容量的相关程度进 行衡量，计算公式为：
Figure BDA0003301593870000132
其中xi和yi分别代表样本的输入特征和目标值。
S402：保留|r|大于0.6的输入特征作为网络最终的输入特征。
在本实施例中，步骤S5所述将数据矩阵划分为训练集和测试集， 具体方法为：
从数据矩阵随机选取60％的数据作为训练集，而剩下的40％作为 测试集。
在本实施例中，图2为LSTM单元的内部示意图原理图，图3为 LSTM神经网络结构图，步骤S6所述的构建神经网络模型结构，具 体方法如下：
S601：确定LSTM网络单元及其所含的输入层、隐藏层和输出层 各自对应的神经元，其中所述输入层的输入通道数目对应输入特征的 数目，输出层对应的值为电池的剩余容量；
S602：根据所述LSTM网络单元的输入层、隐藏层和输出层各自 对应的神经元，确定所述LSTM单元神经网络中的隐藏层节点中各 门的状态，包括遗忘门ft、输入门it、输出门ot。如图2所示，ct-1为前一序列隐层节点状态；ht-1为前一序列隐层节点输出；xt为当前 序列隐层节点输入；ct为当前序列隐层节点状态；ht为当前序列的隐 层节点输出；遗忘门ft、输入门it、输出门ot以及权重参数w和偏置 参数b的关系如下所示：
ft＝σ(wf·[ht-1，xt]+bf)
it＝σ(wi·[ht-1，xt]+bi)
Figure BDA0003301593870000141
Figure BDA0003301593870000142
ot＝σ(wo·[ht-1，xt]+bo)
ht＝ot*tanh(ct)
其中，σ为sigmod函数。
S603：如图3所示，搭建5层神经网络，第一层为输入层，第二 层为LSTM层，第三层为LSTM层，第四层为全连接层，最后一层 为线性回归输出层；
在本实施例中，步骤S7所述的训练神经网络模型，具体步骤如 下：
设置LSTM的隐藏层初始神经元个数、网络优化函数、迭代次数 和学习率，将训练集的电池剩余容量数据作为网络的目标值，再将训 练集的输入特征输入至S6搭建的网络中进行训练。
在本实施例中，步骤S8所述的优化神经网络模型，具体过程为：
S801：将LSTM神经网络的隐藏层的权值和隐藏层神经元个数作 为蚁群算法的待优化参数；
S802：设置蚁群算法的初始化参数，包括蚂蚁最大迭代次数Gmax、 蚂蚁个数K、信息素强度τij；
S803：算法开始时，在K个位置点上随机放置K个蚂蚁，每个 位置上的元素包括隐藏层的权值和隐藏层神经元个数。此时，各路径 上的信息素相等，设为：
τij(0)＝δ
其中，δ为一个数值较小的常数；
S804：每只蚂蚁根据路径上剩余的信息素和启发式信息，独立选 择下一个定位点，即更新蚂蚁的位置，其中蚂蚁k从点i移动到点j的 概率为：
Figure BDA0003301593870000151
其中，Jk表示蚂蚁k未访问过的节点，τij(t)表示时间t时由位置 点i到位置点j的信息素强度，ηij是一个启发式因子，也是位置点i 和位置点j之间距离的倒数，表示蚂蚁k从位置点i移动到位置点j 的期望水平的启发因子，而α，β为两常数，分别表示信息素和启发式因子的加权值；
S805：当所有蚂蚁完成搜索后，更新信息素，可得到：
Figure BDA0003301593870000152
其中，K为蚂蚁个数，ρ(0＜ρ＜1)表示该信息素在路径上的蒸 发系数，一般设置为0.5，
Figure BDA0003301593870000161
为第k只蚂蚁在路径i到j留下来的信 息素，
Figure BDA0003301593870000162
定义为：
Figure BDA0003301593870000163
其中，Q是一个常数，Ck为蚂蚁k从i到j的完整路径总长度。
S806：当所有蚂蚁用转移概率完成对下一个定位点的搜索后，记 录这次最好的搜索结果，并更新位置的元素信息量；
S807：采用方差SSE作为该算法的评价函数，具体表达式为：
Figure BDA0003301593870000164
其中，Cpre为网络输出的剩余容量估计值，Creal为对应剩余容量 的真实值。
S808：若满足终止条件，则结束搜索过程，输出的权重和阈值以 及神经元数量的最佳值，得到优化后的LSTM神经网络模型。
本方案中，步骤S9所述的评估神经网络模型并将其嵌入电池管 理系统，具体过程如下：
采用均方根误差(Root Mean Square Error,RMSE)和平均绝对误 差(MeanAbsolute Error,MAE)作为网络性能评价指标，计算公式分 别如下所示：
Figure BDA0003301593870000171
Figure BDA0003301593870000172
其中，l(k)为电池SOH的真实值，
Figure BDA0003301593870000173
为电池SOH的估算值，K为 电池的充电循环次数。
设定两个误差基准值ε1和ε2，将测试集的输入特征数据输入训练 好的神经网络模型，得到电池剩余容量的估计值Cpre_SOH，将剩余电 量估计值Cpre_SOH与真实值Creal_SOH代入SOH的指标定义公式计算 SOH的值，可得到：
Figure BDA0003301593870000174
Figure BDA0003301593870000175
若满足条件
Figure BDA0003301593870000176
Figure BDA0003301593870000177
则输出神经网络模型，并将其嵌入电池管理系统，否则返回步骤 S7；
锂离子电池进行m次充放电循环来采集数据，首先对锂离子电池 进行恒流恒压充电，并记录每个采样时刻的电池电压、电流和温度数 据作为原始数据集的输入特征数据；然后，以恒定电流对锂离子电池 进行恒流放电，直至电池达到放电截止电压，记录整个过程的总放电 量，作为原始数据集的目标值；
本方案中，步骤S10所述的电池健康状态在线估计，具体过程为：
当电池进入恒流恒压充电过程，电池管理系统实时检测电池单元 的电压、电流和温度，记录电池每个采样时刻的电池电压、电流和温 度数据，并计算恒流充电时间t_cc和恒压充电时间t_cv；
Figure BDA0003301593870000181
其次，将电压、电流和温度数据按照步骤S2所述进行数据预处理， 再按照步骤S3进行输入特征提取，最终与恒流充电时间和恒压充电 时间构成输入特征数据
Figure BDA0003301593870000182
然后，将
Figure BDA0003301593870000183
按照步骤S4与目标值进行相关系数分析，保留相关系 数高于0.6的输入特征；
最后，将处理后的数据输入至步骤S9所输出的神经网络模型，得 到锂离子电池SOH的估计值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系 统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用 存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上 实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算 机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序 指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图 和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指 令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理 设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处 理设备的处理器执行的指令产生用于实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数 据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计 算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框 中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理 设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产 生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令 提供用于实现在流程图一个流程或多个流程和/或方框图一个方框 或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其 它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术 内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发 明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简 单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，包括以下步骤:
步骤S1:对锂离子电池进行多次充放电循环来采集数据，获取原始数据集；
步骤S2:对原始数据集进行数据清洗和数据归一化，得到数据矩阵；
步骤S3:根据得到数据矩阵，进行特征提取；
步骤S4:对输入特征与目标值进行Pearson相关系数分析，得到最终的输入特征，并分为训练集和测试集；
步骤S5:构建LSTM神经网络模型；
步骤S6:基于训练集训练LSTM神经网络模型；
步骤S7:采用蚁群算法对训练后的LSTM神经网络模型进行优化；
步骤S8:基于测试集评估优化后的LSTM神经网络模型，若符合预设精度要求则将其嵌入电池管理系统，不符合预设精度要求则重新执行S6至S7，重新训练和优化模型；
步骤S9:将待测电池的充电过程中的电流、电压、温度和时间数据，进行归一化处理和特征提取后，再输入所述电池管理系统中的神经网络模型，估计电池健康状态。
2.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S1具体为：
S101：选取N个同型号锂离子电池同时进行M次充放电循环实验；
S102:进行恒流恒压充电，分为恒流充电和恒压充电两个阶段，第一阶段以恒定电流对锂离子电池进行恒流充电，直至电池达到额定电压，再转入第二阶段以恒定电压继续充电，直至充电电流降至预设阈值以下，停止充电；在电池进行恒流恒压充电期间，记录每个采样时刻的电池电压、电流和温度数据；假设从零时刻开始记录数据，采样周期设定为t，经过Z个采样周期所获取数据为：
Figure FDA0003301593860000021
Figure FDA0003301593860000022
Figure FDA0003301593860000023
其中，
Figure FDA0003301593860000024
为电池的电压数据向量，
Figure FDA0003301593860000025
为电池的电流数据，
Figure FDA0003301593860000026
为电池的表面温度数据，并将其存放在数据库中；
S103：以恒定电流对锂离子电池进行恒流放电，直至电池达到放电截止电压，记录整个过程的总放电量，作为电池在该次充放电循环中的当前可用容量Cnow。采用的锂离子电池SOH指标定义如下：
Figure FDA0003301593860000027
其中，Cnow和C0分别是锂离子电池当前可用容量和电池原始标称容量；
S104：循环执行步骤S102和步骤S103，在电池经过M次充放电循环后，将期间保存的有效数据整合成数据集D，可得到：
Figure FDA0003301593860000031
S105：循环执行步骤S102至S104，直至所有N个电池都完成M次充放电循环实验，将所有数据集D都保存到原始数据集Draw中。
3.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S2具体为：
S201：对步骤S1获取的电池原始数据集Draw进行数据清洗；
S202：对于数据清洗后的每个电池数据集D
Figure FDA0003301593860000032
在数据集D中，每一行代表电池在一次充放电循环中的数据，对应电池的电压、电流、温度和容量数据，最后一列记为目标值CSOH，第一列至倒数第二列记为输入数据矩阵F，所述F的每一行都为一个循环中恒流恒压充电的数据向量：
Figure FDA0003301593860000033
S203：将每一行所有的数据向量进行归一化处理，把数据映射到0～1范围之内，得到新数据向量
Figure FDA0003301593860000034
并将其组成新的输入数据矩阵Fnew。
S204：将所述新特征向量
Figure FDA0003301593860000035
与目标值CSOH一一对应，组成新的数据矩阵Dnew。
4.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S3具体为：
S301：对于归一化处理后的输入数据矩阵Fnew，将每个循环中充电阶段的每个测量指标平均分为q份，即将电压、电流、温度的数据分别平均分为q份，再将每份数据取平均，得到3个q维数据，即有：
Figure FDA0003301593860000041
Figure FDA0003301593860000042
Figure FDA0003301593860000043
S302：将电池每次循环的恒流充电时间t_cc和恒压充电时间t_cv都
作为输入特征数据。所以，每一行所有的数据向量
Figure FDA0003301593860000044
更新为：
Figure FDA0003301593860000045
S303：每个循环的输入特征向量
Figure FDA0003301593860000046
与目标值CSOH是一一对应的关系。
5.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S4具体为：
S401：，采用Pearson相关系数来对输入特征与容量的相关程度进行衡量，计算公式为：
Figure FDA0003301593860000047
其中，xi和yi分别代表样本的输入特征和目标值。
S402：保留|r|大于0.6的输入特征作为网络最终的输入特征。
6.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S5具体为：
S501:确定LSTM网络单元及其所含的输入层、隐藏层和输出层各自对应的神经元，其中所述输入层的输入通道数目对应输入特征的数目，输出层对应的值为电池的剩余容量；
S502：根据所述LSTM网络单元的输入层、隐藏层和输出层各自对应的神经元，确定所述LSTM单元神经网络中的隐藏层节点中各门的状态，包括遗忘门ft、输入门it、输出门ot；
S503：搭建5层神经网络，第一层为输入层，第二层为LSTM层，第三层为LSTM层，第四层为全连接层，最后一层为线性回归输出层。
7.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S8具体为：
S801：将LSTM神经网络的隐藏层的权值和隐藏层神经元个数作为蚁群算法的待优化参数；
S802：设置蚁群算法的初始化参数，包括蚂蚁最大迭代次数Gmax、蚂蚁个数K、信息素强度τij；
S803：算法开始时，在K个位置点上随机放置K个蚂蚁，每个位置上的元素包括隐藏层的权值和隐藏层神经元个数。此时，各路径上的信息素相等，设为：
τij(0)＝δ
其中，δ为一个数值较小的常数；
S804：每只蚂蚁根据路径上剩余的信息素和启发式信息，独立选择下一个定位点，即更新蚂蚁的位置，其中蚂蚁k从点i移动到点j的概率为：
Figure FDA0003301593860000061
其中，Jk表示蚂蚁k未访问过的节点，τij(t)表示时间t时由位置点i到位置点j的信息素强度，ηij是一个启发式因子，也是位置点i和位置点j之间距离的倒数，表示蚂蚁k从位置点i移动到位置点j的期望水平的启发因子，而α，β为两常数，分别表示信息素和启发式因子的加权值；
S805：当所有蚂蚁完成搜索后，更新信息素，得到：
Figure FDA0003301593860000062
其中，K为蚂蚁个数，ρ(0＜ρ＜1)表示该信息素在路径上的蒸发系数，一般设置为0.5，
Figure FDA0003301593860000063
为第k只蚂蚁在路径i到j留下来的信息素，
Figure FDA0003301593860000064
定义为：
Figure FDA0003301593860000065
其中，Q是一个常数，Ck为蚂蚁k从i到j的完整路径总长度。
S806：当所有蚂蚁用转移概率完成对下一个定位点的搜索后，记录这次最好的搜索结果，并更新位置的元素信息量；
S807：采用方差SSE作为该算法的评价函数，具体表达式为：
Figure FDA0003301593860000071
其中，Cpre为网络输出的剩余容量估计值，Creal为对应剩余容量的真实值；
S808：若满足终止条件，则结束搜索过程，输出的权重和阈值以及神经元数量的最佳值，得到优化后的LSTM神经网络模型。
8.一种基于充电数据和LSTM神经网络的电池健康状态估计系统,其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-7任一项所述的电池健康状态估计方法中的步骤。
CN202111192131.0A 2021-10-13 2021-10-13 基于充电数据和lstm神经网络的电池健康状态估计方法 Pending CN113917337A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111192131.0A CN113917337A (zh) 2021-10-13 2021-10-13 基于充电数据和lstm神经网络的电池健康状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111192131.0A CN113917337A (zh) 2021-10-13 2021-10-13 基于充电数据和lstm神经网络的电池健康状态估计方法

Publications (1)

Publication Number Publication Date
CN113917337A true CN113917337A (zh) 2022-01-11

Family

ID=79239888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111192131.0A Pending CN113917337A (zh) 2021-10-13 2021-10-13 基于充电数据和lstm神经网络的电池健康状态估计方法

Country Status (1)

Country Link
CN (1) CN113917337A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114578250A (zh) * 2022-02-28 2022-06-03 广东工业大学 一种基于双三角结构矩阵的锂电池soh估计方法
CN114726045A (zh) * 2022-04-20 2022-07-08 广东工业大学 一种基于ipea-lstm模型的锂电池soh估计方法
CN114742297A (zh) * 2022-04-11 2022-07-12 中国第一汽车股份有限公司 动力电池的处理方法
CN114781614A (zh) * 2022-04-27 2022-07-22 电子科技大学 一种锂离子电池健康状态预测方法
CN115267586A (zh) * 2022-07-11 2022-11-01 国网综合能源服务集团有限公司 锂电池soh评估方法
CN115389947A (zh) * 2022-10-27 2022-11-25 北京航空航天大学 锂电池健康状态的预测方法、装置、电子设备及存储介质
CN115407211A (zh) * 2022-11-01 2022-11-29 北京航空航天大学 一种电动汽车锂电池健康状态在线预测方法及系统
CN115453399A (zh) * 2022-08-26 2022-12-09 广东工业大学 一种考虑不一致性的电池组soh估计方法
CN115508709A (zh) * 2022-08-31 2022-12-23 贵州电网有限责任公司 一种基于迁移学习的移动储能系统串联电池组soh估计方法
CN115598557A (zh) * 2022-08-26 2023-01-13 广东工业大学（Cn） 一种基于恒压充电电流的锂电池soh估计方法
CN115754738A (zh) * 2022-12-01 2023-03-07 合肥力高动力科技有限公司 一种基于小样本学习孪生网络的电池组健康状态估计方法
CN116298947A (zh) * 2023-03-07 2023-06-23 中国铁塔股份有限公司黑龙江省分公司 一种蓄电池核容监测装置
CN116359762A (zh) * 2023-04-27 2023-06-30 北京玖行智研交通科技有限公司 一种基于深度学习和网络压缩的电池荷电状态估计方法
CN116953554A (zh) * 2023-07-25 2023-10-27 国网江苏省电力有限公司镇江供电分公司 一种基于多片段数据的储能电站锂电池soh估计方法及装置
CN117169770A (zh) * 2023-11-01 2023-12-05 南通江海储能技术有限公司 一种超级电容健康状态的在线监测方法及系统
CN117330987A (zh) * 2023-12-01 2024-01-02 国网山西省电力公司营销服务中心 基于时间的电池健康状态评估的方法、系统、介质和设备
WO2024016496A1 (zh) * 2022-07-20 2024-01-25 东风柳州汽车有限公司 一种锂电池soh状态的预估方法和装置

Citations (4)

* 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
CN111860989A (zh) * 2020-07-08 2020-10-30 南通大学 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN111983457A (zh) * 2020-07-15 2020-11-24 江苏大学 一种基于lstm神经网络的电池组soh估算方法
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法

Patent Citations (4)

* 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
CN111860989A (zh) * 2020-07-08 2020-10-30 南通大学 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN111983457A (zh) * 2020-07-15 2020-11-24 江苏大学 一种基于lstm神经网络的电池组soh估算方法
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
冯海林等: ""基于新健康因子的锂电池健康状态估计和剩余寿命预测"", 《南京大学学报（自然科学）》, vol. 57, no. 4, pages 660 - 670 *
张新锋;姚蒙蒙;王钟毅;饶勇翔;: "基于ACO-BP神经网络的锂离子电池容量衰退预测", 储能科学与技术, no. 01, pages 144 - 150 *
徐科等: "《金属表面质量在线检测技术》", 冶金工业出版社, pages: 132 - 133 *
王振新;秦鹏;康健强;王菁;朱国荣;向馗;: "基于衰退机理的三元锂离子电池SOH的诊断与估算", 电子测量技术, no. 10, pages 12 - 18 *
肖仁鑫;李沛森;李晓宇;王泽林;: "基于蚁群神经网络算法的电池健康状态估计", 电源技术, no. 06, pages 85 - 88 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114578250A (zh) * 2022-02-28 2022-06-03 广东工业大学 一种基于双三角结构矩阵的锂电池soh估计方法
CN114578250B (zh) * 2022-02-28 2022-09-02 广东工业大学 一种基于双三角结构矩阵的锂电池soh估计方法
CN114742297A (zh) * 2022-04-11 2022-07-12 中国第一汽车股份有限公司 动力电池的处理方法
CN114742297B (zh) * 2022-04-11 2024-05-24 中国第一汽车股份有限公司 动力电池的处理方法
CN114726045A (zh) * 2022-04-20 2022-07-08 广东工业大学 一种基于ipea-lstm模型的锂电池soh估计方法
CN114726045B (zh) * 2022-04-20 2022-09-30 广东工业大学 一种基于ipea-lstm模型的锂电池soh估计方法
CN114781614A (zh) * 2022-04-27 2022-07-22 电子科技大学 一种锂离子电池健康状态预测方法
CN114781614B (zh) * 2022-04-27 2023-09-15 电子科技大学 一种锂离子电池健康状态预测方法
CN115267586A (zh) * 2022-07-11 2022-11-01 国网综合能源服务集团有限公司 锂电池soh评估方法
WO2024016496A1 (zh) * 2022-07-20 2024-01-25 东风柳州汽车有限公司 一种锂电池soh状态的预估方法和装置
CN115598557A (zh) * 2022-08-26 2023-01-13 广东工业大学（Cn） 一种基于恒压充电电流的锂电池soh估计方法
CN115598557B (zh) * 2022-08-26 2023-08-25 广东工业大学 一种基于恒压充电电流的锂电池soh估计方法
CN115453399A (zh) * 2022-08-26 2022-12-09 广东工业大学 一种考虑不一致性的电池组soh估计方法
CN115508709A (zh) * 2022-08-31 2022-12-23 贵州电网有限责任公司 一种基于迁移学习的移动储能系统串联电池组soh估计方法
CN115389947B (zh) * 2022-10-27 2023-01-03 北京航空航天大学 锂电池健康状态的预测方法、装置、电子设备及存储介质
CN115389947A (zh) * 2022-10-27 2022-11-25 北京航空航天大学 锂电池健康状态的预测方法、装置、电子设备及存储介质
CN115407211A (zh) * 2022-11-01 2022-11-29 北京航空航天大学 一种电动汽车锂电池健康状态在线预测方法及系统
CN115754738A (zh) * 2022-12-01 2023-03-07 合肥力高动力科技有限公司 一种基于小样本学习孪生网络的电池组健康状态估计方法
CN116298947A (zh) * 2023-03-07 2023-06-23 中国铁塔股份有限公司黑龙江省分公司 一种蓄电池核容监测装置
CN116298947B (zh) * 2023-03-07 2023-11-03 中国铁塔股份有限公司黑龙江省分公司 一种蓄电池核容监测装置
CN116359762A (zh) * 2023-04-27 2023-06-30 北京玖行智研交通科技有限公司 一种基于深度学习和网络压缩的电池荷电状态估计方法
CN116359762B (zh) * 2023-04-27 2024-05-07 北京玖行智研交通科技有限公司 一种基于深度学习和网络压缩的电池荷电状态估计方法
CN116953554A (zh) * 2023-07-25 2023-10-27 国网江苏省电力有限公司镇江供电分公司 一种基于多片段数据的储能电站锂电池soh估计方法及装置
CN117169770A (zh) * 2023-11-01 2023-12-05 南通江海储能技术有限公司 一种超级电容健康状态的在线监测方法及系统
CN117169770B (zh) * 2023-11-01 2024-01-26 南通江海储能技术有限公司 一种超级电容健康状态的在线监测方法及系统
CN117330987A (zh) * 2023-12-01 2024-01-02 国网山西省电力公司营销服务中心 基于时间的电池健康状态评估的方法、系统、介质和设备
CN117330987B (zh) * 2023-12-01 2024-02-20 国网山西省电力公司营销服务中心 基于时间的电池健康状态评估的方法、系统、介质和设备

Similar Documents

Publication Publication Date Title
CN113917337A (zh) 基于充电数据和lstm神经网络的电池健康状态估计方法
CN110568359B (zh) 一种锂电池剩余寿命预测方法
CN110888058B (zh) 一种基于动力电池soc和soh联合估计的算法
CN109993270A (zh) 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
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
CN113534938B (zh) 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法
CN111999649A (zh) 一种基于XGBoost算法的锂电池剩余寿命预测方法
CN115856678A (zh) 一种锂离子电池健康状态估计方法
CN111812519B (zh) 一种电池参数辨识方法及系统
CN114726045B (zh) 一种基于ipea-lstm模型的锂电池soh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
CN116680983A (zh) 基于改进粒子滤波模型的锂离子剩余寿命预测方法
CN114970332A (zh) 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN117074951A (zh) 锂电池荷电状态的估计方法、装置、设备及可读存储介质
CN116774088A (zh) 基于多目标优化的锂离子电池健康状态估计方法
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
CN115453399A (zh) 一种考虑不一致性的电池组soh估计方法
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
CN113917336A (zh) 基于片段充电时间和gru的锂离子电池健康状态预测方法
CN115542182A (zh) 一种移动储能系统串联电池组soh估计方法
CN115963407A (zh) 一种基于icgwo优化elm的锂电池soc估计方法
CN115542168A (zh) 基于融合数据驱动模型的锂电池剩余使用寿命预测方法
CN113376541B (zh) 一种基于crj网络的锂离子电池健康状态预测方法
CN114895206A (zh) 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN117826000A (zh) 一种锂离子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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220111