CN114167284B - 基于bms大数据和集成学习的锂电池rul预测方法及设备 - Google Patents
基于bms大数据和集成学习的锂电池rul预测方法及设备 Download PDFInfo
- Publication number
- CN114167284B CN114167284B CN202111285780.5A CN202111285780A CN114167284B CN 114167284 B CN114167284 B CN 114167284B CN 202111285780 A CN202111285780 A CN 202111285780A CN 114167284 B CN114167284 B CN 114167284B
- Authority
- CN
- China
- Prior art keywords
- curve
- battery
- bms
- voltage
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000007600 charging Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 206010011906 Death Diseases 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010277 constant-current charging Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 description 9
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 229910001416 lithium ion Inorganic materials 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于BMS大数据和集成学习的锂电池RUL预测方法及设备，所述方法包括以下步骤：根据待测电池充电阶段电池BMS监测到的电流、端电压以及温度信息，计算多个充电周期内的IC曲线、DV曲线、电压曲线和温度差分曲线，基于各曲线关键点提取特征向量序列(FIC_i，FDV_i，FV_i，FDT_i，Find_i)；基于所提取的特征向量序列对未来循环周期进行预测，得到特征向量预测值；以所述特征向量预测值作为离线训练好的最大剩余容量回归模型的输入，得到对应的最大剩余容量预测，从而得到RUL预测结果，其中，所述最大剩余容量回归模型基于XGBoost集成学习模型建立。与现有技术相比，本发明具有适用范围广、预测精度高等优点。
Description
技术领域
本发明涉及一种电池性能预测方法，尤其是涉及一种基于BMS大数据和集成学习的锂电池RUL预测方法及设备。
背景技术
目前BMS不能对锂离子剩余寿命(Remaining useful life，RUL)作出预测，更不能为预测性维护和保障提供支持信息。而锂离子电池RUL进行预测对维护及保障电池系统的安全运行非常重要。
当前RUL预测技术包括直接法，主要通过测量的方法来获取电池的内阻、阻抗或其他与剩余寿命相关的测量值，进而推断剩余寿命。该方法较为准确，但需要进行离线实验，在很多在线场景中无法应用。
另一类预测方法为基于性能的预测方法，在电池寿命预测的过程中可以使用各种不同的性能模型，同时考虑锂离子电池内部的衰退过程和外力因素的影响。目前，基于性能的预测方法主要包括基于模型的预测方法、基于数据驱动的预测方法等。
基于模型的预测方法，主要是通过分析锂离子电池本身的材料特性、运行条件以及衰退机理来实现锂离子电池的寿命预测，从锂离子电池电化学反应的本质机理角度分析电池的运行机理并建立老化模型。基于模型的预测需要研究荷电状态、电解液浓度和扩散系数等内外部状态变量等老化因素对状态变量的影响，同时考虑电池内部运行机理和老化机理。此类方法从研究锂离子电池系统内部工作机理出发，建立能够反映系统性能退化物理规律的数学模型，利用数学模型预测退化发展趋势，具有能够深入研究对象本质的优点，能够得到较精确的预测结果。但基于模型的预测从系统内部工作机理出发建立模型需要大量的专家知识，而当前锂电池的退化过程复杂、退化机理尚不完全清楚，因此建立反映对象系统性能退化物理规律的精确数学模型较为困难。现有专利申请CN111007417A公开一种基于不一致性评估的电池组SOH和RUL预测方法，以串联电池组为研究对象，对多个电池组进行离线特征提取和回归模型的训练。该方法直接建立电池组的联合特征与RUL的回归模型，进行RUL的预测，但由于RUL的相关因素较多，对采用的回归模型的非线性表达能力、对离线训练数据集的数据要求都更高，因此预测精度难以保证。
基于数据驱动的预测方法本质是通过深入挖掘锂离子电池健康监测数据中的有效信息，以实现电池剩余寿命预测。它不需要考虑电池内部的物理化学反应，因此该方法可以在一定程度上避免基于模型的预测方法中存在适用性差以及动态准确性差的问题。基于数据驱动的预测方法可以利用原始数据构造相关的行为模型，不需要先验的退化模型，有很好拟合非线性的能力和较强的适用性。基于数据驱动的方法不需要对象系统的精确数学模型和大量的先验知识，但由于锂离子电池的性能退化机理的复杂性，选择哪些与剩余寿命相关的特征，选择什么机器学习模型是能否进行准确预测的重要因素。而如支持向量机、线性回归、神经网络等直接的对RUL的预测仍不够准确，粒子滤波等对假设的模型进行参数估计的方法也不能完全满足当前RUL准确预测的需求。同时需要大量样本标定，缺少面向实际运行的电池系统的在线RUL预测方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高的基于BMS大数据和集成学习的锂电池RUL预测方法及设备。
本发明的目的可以通过以下技术方案来实现：
本发明提供一种基于BMS大数据和集成学习的锂电池RUL预测方法，包括以下步骤：
根据待测电池充电阶段电池BMS监测到的电流、端电压以及温度信息，计算多个充电周期内的IC曲线、DV曲线、电压曲线和温度差分曲线，基于各曲线关键点提取特征向量序列(FIC_i，FDV_i，FV_i，FDT_i，Find_i)，其中，FIC_i为IC曲线关键点序列，FDV_i为DV曲线关键点序列，FV_i为电压曲线关键点序列，FDT_i温度差分曲线关键点序列，Find_i为循环周期序列；
基于所提取的特征向量序列对未来循环周期进行预测，得到特征向量预测值；
以所述特征向量预测值作为离线训练好的最大剩余容量回归模型的输入，得到对应的最大剩余容量预测，从而得到RUL预测结果，其中，所述最大剩余容量回归模型基于XGBoost集成学习模型建立。
进一步地，选择主电压平台周围的充电数据计算所述IC曲线、DV曲线、电压曲线和温度差分曲线。
进一步地，对于IC曲线，所述关键点提取具体为：利用高斯回归拟合充电数据，获取IC曲线，进行微分处理，提取IC曲线的多个峰值作为IC曲线的关键点。
进一步地，对于DV曲线，所述关键点提取具体为：对测量的电压、电流数据经数值导数法得到DV曲线，采用二阶多项式拟合，对DV曲线进行平滑处理，从平滑后的DV曲线提取多个峰值，作为DV曲线的关键点。
进一步地，对于电压曲线，所述关键点提取具体为：识别电压曲线的拐点，获取拐点曲率的数学定义连续函数，以所述连续函数对应的标准闭形式的多个局部最小值作为电压曲线的关键点。
进一步地，对于温度差分曲线，所述关键点提取具体为：计算温度T相对于时间的梯度，获得温度差分曲线，采用去噪平滑方法对DT-V曲线进行预处理，提取温度差分曲线上的峰值和谷值作为关键点。
进一步地，所述最大剩余容量回归模型的离线训练过程具体为：
采用相同电流的相同恒流充电模式的充电数据构建训练样本集，离线采集特定型号的m个同种锂电池从起始阶段连续n个循环周期的完整充电监测数据，包括每个周期的电压序列、电流序列、温度序列和该周期的电池最大剩余容量，利用特征提取算法获取m个同种锂电池的n个循环周期的特征向量和最大剩余容量构成训练样本集D＝{(xi，yi)，i＝1，2，...，m*n}，其中xi＝(Vi，ICi，DVi，DTi，indi)为特征向量，yi为对应的标签，即电池最大剩余容量，Vi，ICi，DVi，DTi分别为IC曲线、DV曲线、电压曲线和温度差分曲线的关键点，indi为该电池对应的循环周期数；
利用训练样本集训练得到K棵决策树，根据K棵树相加来对xi对应的标签进行预测：其中F＝{f(x)＝Wq(x)}表示决策树对函数空间，Wq(x)表示把树中的每一个节点映射成一个值；
利用损失函数调节模型参数。
进一步地，所述RUL预测结果通过以下步骤获得：
根据最大剩余容量预测和给定的寿命终止容量阈值Cth，令j分别取值1，...k，如果/>判定电池达到寿命终止，RUL预测结果为j。
进一步地，采用时间序列预测方法或机器学习回归模型基于所述特征向量序列对未来时间进行预测。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于BMS大数据和集成学习的锂电池RUL预测方法的指令。
本发明针对如何提高实际工况中电池的RUL预测准确率，提出了一种更能符合工程实际的离线在线相结合的RUL预测技术。在离线阶段，通过测试不同环境设置的多组电池单体的电压、电流、温度和电池最大剩余容量，利用集成学习技术获取电池最大剩余容量和IC峰值、DV峰值、表面温度差分峰值、电压特征点之间的映射关系，快速对特征级数据进行训练，开发离线电池最大剩余容量回归模型。在线电池RUL预测部分，提取待测电池的BMS历史监测数据，提取上述特征向量的时间序列，对该特征时间序列进行预测，利用预测的特征向量，结合离线回归模型，得到未来多个cycle的最大剩余容量预测值，进而获得RUL估计。与其他在线单体RUL方法相比，本技术结合了老化试验建立的特征值与最大剩余容量的离线模型和在线的特征时间序列预测方法，相比于直接进行最大剩余容量的时间序列预测，联合特征向量的时间序列预测从更为基础的层次从多个角度对电池状态的变化进行预测，具有更强的鲁棒性。同时，建立联合特征与最大剩余容量的回归模型而非联合特征与剩余寿命的回归模型，能够降低回归关系中的不确定因素，从而保证回归模型的准确性。最后，多种健康因子的综合使用降低了估计模型对测量误差的敏感程度，因此更具有实际应用的可靠性。综上，与现有技术相比，本发明具有如下优势：
(1)综合考虑多种测量曲线，并进行去噪、平滑等预处理，对电压等BMS监测数据的测量噪声容忍度较高；
(2)综合考虑多种特征，能够准确抓取与剩余寿命最为相关的特征，避免特征冗余和重要特征的遗漏；
(3)综合利用多种健康因子来联合估计电池最大剩余容量，联合特征与最大剩余容量的关联关系明确，并采用集成学习来有效建立电池最大剩余容量的回归模型，提高电池最大剩余容量估计的准确性；
(4)利用构造的联合特征时间序列预测来获取待测电池的未来表征，多种特征的联合使用提高表征预测的可靠性，从而提高RUL的预测精度；
(5)采用离线训练与在线预测相结合的方式，可有效获得最大剩余容量的真值，误差小，进一步提高RUL的预测精度。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明开发了一种基于在线时间序列预测的自动剩余寿命预测技术，选择主电压平台周围的充电数据，所选择的数据仅包含较高电压范围的两个IC峰值，选择一个5阶多项式来拟合IC曲线，实现去噪和平滑。本发明方法的原理为：首先根据充电阶段电池BMS监测到的电流Ii，端电压Vi，计算多个充电周期内的IC曲线、DV曲线、电压曲线、温度差分曲线，在进行预处理后，分别提取其关键点。建立特征点序列(FIC_i，FDV_i，FV_i，FDT_i，Find_i)，采用集成学习方法进行离线训练，构建特征点与电池最大剩余容量的离线回归模型。然后在线对待测电池进行特征向量序列进行提取和基于时间序列预测的特征向量预测，采用离线的最大剩余容量回归模型，得到对应的最大剩余容量预测，从而得到剩余寿命的预测结果。
实施例1
如图1所示，本实施例提供一种基于BMS大数据和集成学习的锂电池RUL预测方法，包括以下步骤：
根据待测电池充电阶段电池BMS监测到的电流、端电压以及温度信息，计算多个充电周期内的IC曲线、DV曲线、电压曲线和温度差分曲线，基于各曲线关键点提取特征向量序列(FIC_i，FDV_i，FV_i，FDT_i，Find_i)，其中，FIC_i为IC曲线关键点序列，FDV_i为DV曲线关键点序列，FV_i为电压曲线关键点序列，FDT_i温度差分曲线关键点序列，Find_i为循环周期序列；
基于所提取的特征向量序列对未来循环周期进行预测，得到特征向量预测值；
以所述特征向量预测值作为离线训练好的最大剩余容量回归模型的输入，得到对应的最大剩余容量预测，从而得到RUL预测结果，其中，所述最大剩余容量回归模型基于XGBoost集成学习模型建立。
1、各曲线的关键点通过以下方式提取：
1)IC曲线
IC曲线表示为dQ/dV，其中Q是瞬时充电容量，V是电池的端电压。IC曲线中存在多个峰值，而每个峰值代表特定电压平台。峰值特征与电极材料的相变直接相关，并且对电池的老化表现出高灵敏度。本实施例利用高斯回归拟合充电数据，获取IC曲线，进行微分处理，提取IC曲线的多个峰值作为IC曲线的关键点。本实施例中提取三个峰值为特征关键点。
2)电压曲线
在完整的充放电曲线中，电压因电芯的电化学反应过程所在阶段不同，呈现阶段性变化。本发明采用拐点识别算法来提取单个充放电周期中的电压关键特征点。使用曲率的数学定义作为电压关键特征点定义基础的连续函数。为了任何连续函数f，都存在一个标准闭形式Kf(x)，它将f在任意点的曲率定义为一个函数一阶和二阶导数。关键点定义为Kf(x)的局部最小值，提取多个局部最小值作为电压曲线的关键点。本实施例中提取三个局部最小值为特征关键点。
标准闭形式Kf(x)的表达式为：
3)DV曲线
DV曲线计算为V相对于Q的梯度：dV/dQ，用数值导数法计算测量数据，得到微分曲线。测量数据可以表示为：
为了去除测量噪声的影响，采用二阶多项式拟合，然后移动窗口对DV曲线进行平滑，得到新的DV曲线。在DV曲线上提取多个峰值，构成DV曲线的特征关键点。本实施例中提取两个峰值为特征关键点。
4)温度差分曲线(DT曲线)
DT曲线计算温度T相对于时间的梯度：构成DT-V曲线，采用去噪平滑方法对DT-V曲线进行预处理，然后提取DT曲线上的峰值和谷值作为特征关键点。
上述各曲线的去噪、平滑方式可采用现有技术中任一去噪平滑方法。
2、特征向量构建
基于上述关键点，同时考虑循环周期，构建特征向量序列。在电池运行监测数据中提取相同充电模式的循环周期，标注对应的循环周期序号，得到关键特征点序列{V1，V2，…Vn}，IC曲线关键点序列IC1：n＝{IC1，IC2，…ICn}，DV曲线关键点序列DV1：n＝{DV1，DV2，…DVn}，DT曲线关键点序列DT1：n＝{DT1，DT2，…DTn}。得到该充电周期的特征向量Fi＝(Vi，ICi，DVi，DTi)及n个循环周期构成的特征向量序列F1：n＝(V1：n，IC1：n，DV1：n，DT1：n)。
3、基于集成学习的电芯最大剩余容量离线模型构建
本发明采用XGBoost集成学习模型建立电芯最大剩余容量的回归模型，通过一系列弱分类器的迭代计算实现准确的分类效果。使用Xgboost的优势在于快速对特征级数据进行训练，具体步骤如下：
Step1：构建训练样本集，采用相同电流的恒流充电模式，离线采集特定型号的m个同种锂电池从起始阶段连续n个循环周期的完整充电监测数据，包括每个周期的电压序列、电流序列、温度序列和该周期的电池最大剩余容量，利用特征提取算法获取m个同种锂电池的n个循环周期的特征向量和最大剩余容量构成训练样本集D＝{(xi，yi)，i＝1，2，...，m*n}，其中xi＝(Vi，ICi，DVi，DTi，indi)为特征向量，yi为对应的标签，即电池最大剩余容量，Vi，ICi，DVi，DTi分别为IC曲线、DV曲线、电压曲线和温度差分曲线的关键点，indi为该电池对应的循环周期数。
Step2：利用训练样本集训练得到K棵决策树，根据K棵树相加来对xi对应的标签进行预测：其中F＝{f(x)＝Wq(x)}表示决策树对函数空间，Wq(x)表示把树中的每一个节点映射成一个值。
Step3：利用损失函数调节模型参数。
本实施例中的损失函数构建如下：
正则化目标函数如下：
其中l是用来衡量预测值和真实值之间差异的损失函数，Ω表示模型复杂度的惩罚项，Y表示叶子数目的正则化参数，用来抑制节点继续向下分裂，λ表示叶子权重的正则化参数。第t次的损失函数为：
将损失函数在处利用泰勒公式展开二阶导数，在经过t次迭代后损失函数变为：
其中，
定义Ij＝{i|q(xi)＝j}作为叶子节点jth的实例集，
当目标损失函数导数为0时，最优权重为：
当wj＝wj *时目标函数为：
为了获取最优分割，通过计算分裂后的值减去分裂前的值，从而计算其得到的增益。假设IL和IR分别表示划分后左右子树节点的集合，则划分后的损失函数如下：
在其他实施方式中，也可以采用其他模型(如各类集成学习模型、神经网络、支持向量机等)来建立电芯最大剩余容量的回归模型。
4、在线电池最大剩余容量估计
1)特征向量预测：采用3.1-3.5的方法对电池的历史及当前充放电循环的特征点序列F1：n＝(V1：n，IC1：n，DV1：n，DT1：n)进行提取和去噪平滑处理，得到特征点序列F′1：n＝(V′1：n，IC′1：n，DV′1：n，DT′1：n)。采用时间序列预测方法或机器学习回归模型建立时间序列预测模型得到未来k个循环周期的特征向量的预测值/>
其中，时间序列预测方法包括传统机器学习回归模型、时序建模方法或深度学习回归模型。
2)电芯剩余容量预测：采用3.5中离线训练的最大剩余容量回归模型，分别以作为输入，得到对应的模型输出/>其中/>为该电池第n+j个循环周期的最大剩余容量预测值。
3)电池RUL预测
根据多步预测结果和给定的寿命终止容量阈值Cth，令j分别取值1，...k，如果/>判定电池达到寿命终止，RUL预测结果为j。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例2
本实施例提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述基于BMS大数据和集成学习的锂电池RUL预测方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种基于BMS大数据和集成学习的锂电池RUL预测方法，其特征在于，包括以下步骤：
根据待测电池充电阶段电池BMS监测到的电流、端电压以及温度信息，计算多个充电周期内的IC曲线、DV曲线、电压曲线和温度差分曲线，基于各曲线关键点提取特征向量序列(FIC_i，FDV_i，FV_i，FDT_i，Find_i)，其中，FIC_i为IC曲线关键点序列，FDV_i为DV曲线关键点序列，FV_i为电压曲线关键点序列，FDT_i为温度差分曲线关键点序列，Find_i为循环周期序列；
基于所提取的特征向量序列对未来循环周期进行预测，得到特征向量预测值；
以所述特征向量预测值作为离线训练好的最大剩余容量回归模型的输入，得到对应的最大剩余容量预测，从而得到RUL预测结果，其中，所述最大剩余容量回归模型基于XGBoost集成学习模型建立；
对于IC曲线，所述关键点提取具体为：利用高斯回归拟合充电数据，获取IC曲线，进行微分处理，提取IC曲线的多个峰值作为IC曲线的关键点；
对于DV曲线，所述关键点提取具体为：对测量的电压、电流数据经数值导数法得到DV曲线，采用二阶多项式拟合，对DV曲线进行平滑处理，从平滑后的DV曲线提取多个峰值，作为DV曲线的关键点；
对于电压曲线，所述关键点提取具体为：识别电压曲线的拐点，获取拐点曲率的数学定义连续函数，以所述连续函数对应的标准闭形式的多个局部最小值作为电压曲线的关键点；
对于温度差分曲线，所述关键点提取具体为：计算温度T相对于时间的梯度，获得温度差分曲线，采用去噪平滑方法对温度差分曲线进行预处理，提取温度差分曲线上的峰值和谷值作为关键点。
2.根据权利要求1所述的基于BMS大数据和集成学习的锂电池RUL预测方法，其特征在于，选择主电压平台周围的充电数据计算所述IC曲线、DV曲线、电压曲线和温度差分曲线。
3.根据权利要求1所述的基于BMS大数据和集成学习的锂电池RUL预测方法，其特征在于，所述最大剩余容量回归模型的离线训练过程具体为：
选取相同电流的相同恒流充电模式的充电数据样本构建训练样本集，离线采集特定型号的m个同种锂电池从起始阶段连续n个循环周期的完整充电监测数据，包括每个周期的电压序列、电流序列、温度序列和该周期的电池最大剩余容量，利用特征提取算法获取m个同种锂电池的n个循环周期的特征向量和最大剩余容量构成训练样本集D＝{(xi，yi)，i＝1,2，...，m*n}，其中xi＝(Vi，ICi，DVi，DTi，indi)为特征向量，yi为对应的标签，即电池最大剩余容量，Vi，ICi，DVi，DTi分别为IC曲线、DV曲线、电压曲线和温度差分曲线的关键点，indi为该电池对应的循环周期数；
利用训练样本集训练得到K棵决策树，根据K棵树相加来对xi对应的标签进行预测：其中F＝{f(x)＝Wq(x)}表示决策树对函数空间，Wq(x)表示把树中的每一个节点映射成一个值；
利用损失函数调节模型参数。
4.根据权利要求1所述的基于BMS大数据和集成学习的锂电池RUL预测方法，其特征在于，所述RUL预测结果通过以下步骤获得：
根据最大剩余容量预测和给定的寿命终止容量阈值Cth，令j分别取值1，....k，如果/>判定电池达到寿命终止，RUL预测结果为j。
5.根据权利要求1所述的基于BMS大数据和集成学习的锂电池RUL预测方法，其特征在于，采用时间序列预测方法或机器学习回归模型基于所述特征向量序列对未来时间进行预测。
6.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-5任一所述基于BMS大数据和集成学习的锂电池RUL预测方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111285780.5A CN114167284B (zh) | 2021-11-02 | 2021-11-02 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111285780.5A CN114167284B (zh) | 2021-11-02 | 2021-11-02 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114167284A CN114167284A (zh) | 2022-03-11 |
| CN114167284B true CN114167284B (zh) | 2023-12-22 |
Family
ID=80477750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111285780.5A Active CN114167284B (zh) | 2021-11-02 | 2021-11-02 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114167284B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115308603A (zh) * | 2022-07-13 | 2022-11-08 | 中国长江三峡集团有限公司 | 基于多维度特征和机器学习的电池寿命预测方法 |
| CN116027204B (zh) * | 2023-02-20 | 2023-06-20 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
| CN116660759B (zh) * | 2023-07-28 | 2023-09-26 | 深圳凌奈智控有限公司 | 基于bms电池管理系统的电池寿命预测方法及装置 |
| CN118050640A (zh) * | 2023-11-30 | 2024-05-17 | 湖北工业大学 | 一种基于面积特征与数据驱动的锂电池rul预测方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
| CN103389471A (zh) * | 2013-07-25 | 2013-11-13 | 哈尔滨工业大学 | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 |
| CN103399276A (zh) * | 2013-07-25 | 2013-11-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
| CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及系统 |
| CN111398833A (zh) * | 2020-03-13 | 2020-07-10 | 浙江大学 | 一种电池健康状态评估方法和评估系统 |
| 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 |
| CN111999649A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于XGBoost算法的锂电池剩余寿命预测方法 |
| CN111999650A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于支持向量回归算法的锂电池剩余寿命预测方法 |
| CN112327169A (zh) * | 2020-11-09 | 2021-02-05 | 上海工程技术大学 | 一种锂电池剩余寿命预测方法 |
| CN112798960A (zh) * | 2021-01-14 | 2021-05-14 | 重庆大学 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
| CN112986831A (zh) * | 2021-04-30 | 2021-06-18 | 上海海事大学 | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11226374B2 (en) * | 2017-10-17 | 2022-01-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven model for lithium-ion battery capacity fade and lifetime prediction |
| US20190353711A1 (en) * | 2018-05-17 | 2019-11-21 | CW Professional Services LLC d/b/a Lochbridge | Predicting remaining useful life of a battery |
| SE543436C2 (en) * | 2019-06-03 | 2021-02-16 | Alelion Energy Systems Ab | Method for estimating state of health of a battery |
| US11346891B2 (en) * | 2020-03-20 | 2022-05-31 | Mitsubishi Electric Research Laboratories, Inc. | Battery diagnostic system for estimating remaining useful life (RUL) of a battery |
-
2021
- 2021-11-02 CN CN202111285780.5A patent/CN114167284B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
| CN103389471A (zh) * | 2013-07-25 | 2013-11-13 | 哈尔滨工业大学 | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 |
| CN103399276A (zh) * | 2013-07-25 | 2013-11-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
| 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 |
| CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及系统 |
| CN111398833A (zh) * | 2020-03-13 | 2020-07-10 | 浙江大学 | 一种电池健康状态评估方法和评估系统 |
| CN111999649A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于XGBoost算法的锂电池剩余寿命预测方法 |
| CN111999650A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于支持向量回归算法的锂电池剩余寿命预测方法 |
| CN112327169A (zh) * | 2020-11-09 | 2021-02-05 | 上海工程技术大学 | 一种锂电池剩余寿命预测方法 |
| CN112798960A (zh) * | 2021-01-14 | 2021-05-14 | 重庆大学 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
| CN112986831A (zh) * | 2021-04-30 | 2021-06-18 | 上海海事大学 | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于GA-ELM的锂离子电池RUL间接预测方法;陈则王 等;计量学报;第41卷(第06期);第735-742页 * |
| 基于多退化特征的锂离子电池剩余寿命预测;史永胜 等;电源技术;第44卷(第06期);第836-840页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114167284A (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114167284B (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
| Xu et al. | An improved CNN-LSTM model-based state-of-health estimation approach for lithium-ion batteries | |
| CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
| CN114035095B (zh) | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 | |
| Takyi-Aninakwa et al. | An optimized relevant long short-term memory-squared gain extended Kalman filter for the state of charge estimation of lithium-ion batteries | |
| CN113484770B (zh) | 基于充放电数据在线测算电池内部核心温度的方法及系统 | |
| CN112098873B (zh) | 基于充电电压曲线几何特征的锂电池健康状态估计方法 | |
| Schmitt et al. | Electrical lithium-ion battery models based on recurrent neural networks: A holistic approach | |
| CN114397577A (zh) | 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| CN114184972B (zh) | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 | |
| CN113962154A (zh) | 一种基于迁移学习的锂电池核温评估方法及系统 | |
| CN113011012A (zh) | 一种基于Box-Cox变化的储能电池剩余寿命预测方法 | |
| Ardeshiri et al. | Gated recurrent unit least-squares generative adversarial network for battery cycle life prediction | |
| Li et al. | Degradation Pattern Recognition and Features Extrapolation for Battery Capacity Trajectory Prediction | |
| Feng et al. | A multi-feature fusion model based on differential thermal capacity for prediction of the health status of lithium-ion batteries | |
| Zhang et al. | Online state of health estimation for lithium-ion batteries based on gene expression programming | |
| CN113125965A (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
| CN117169743A (zh) | 基于部分数据和模型融合的电池健康状态估计方法及设备 | |
| CN116794518A (zh) | 一种退役锂电池的荷电状态预测方法及系统 | |
| Guo et al. | Robustness enhanced capacity estimation method for lithium-ion batteries based on multi-voltage-interval incremental capacity peaks | |
| Sun et al. | Battery degradation evaluation based on impedance spectra using a limited number of voltage-capacity curves | |
| Wei et al. | State of health estimation of lithium-ion batteries base on multi-health features fusion and improved group method of data handling | |
| Lin et al. | SOC Online Estimation Error Correction Algorithm Based on Particle Swarm Optimization Particle Filter Algorithm | |
| Cheng et al. | SOH Estimation of Lithium Batteries Based on New Health Factors and Optimized BP Neural Networks |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240812 Address after: Room 301, Building 11, No. 518 Shenzhuan Road, Songjiang High tech Park, Shanghai Caohejing Development Zone, Songjiang District, Shanghai, 201600 Patentee after: Shanghai Aodian New Energy Technology Co.,Ltd. Country or region after: China Address before: 215600 Jiangsu Yangzijiang International Metallurgical Industrial Park, Jinfeng Town, Zhangjiagang City, Suzhou City, Jiangsu Province (building 25, Yuqiao Village) Patentee before: JIANGSU BOQIANG NEW ENERGY TECHNOLOGY CO.,LTD. Country or region before: China |
|
| TR01 | Transfer of patent right |