CN114264967B - 基于容量损失机理的退役电池余能快速估计方法及系统 - Google Patents
基于容量损失机理的退役电池余能快速估计方法及系统 Download PDFInfo
- Publication number
- CN114264967B CN114264967B CN202111525399.1A CN202111525399A CN114264967B CN 114264967 B CN114264967 B CN 114264967B CN 202111525399 A CN202111525399 A CN 202111525399A CN 114264967 B CN114264967 B CN 114264967B
- Authority
- CN
- China
- Prior art keywords
- svr
- model
- capacity loss
- residual energy
- retired battery
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000010277 constant-current charging Methods 0.000 claims abstract description 34
- 230000001629 suppression Effects 0.000 claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 58
- 229910052744 lithium Inorganic materials 0.000 claims description 58
- 238000009830 intercalation Methods 0.000 claims description 44
- 230000002687 intercalation Effects 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 41
- 238000007600 charging Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000012804 iterative process Methods 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008689 nuclear function Effects 0.000 claims description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 14
- 229910001416 lithium ion Inorganic materials 0.000 description 14
- 239000011149 active material Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 239000007773 negative electrode material Substances 0.000 description 3
- 239000007774 positive electrode material Substances 0.000 description 3
- 230000008719 thickening Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- 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
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于容量损失机理的退役电池余能快速估计方法及系统,涉及电池管理技术领域,其中,该方法包括:建立容量损失机理诊断模型;获取退役电池恒流充电测试曲线,基于容量损失机理诊断模型,并利用模式搜索非线性优化算法对曲线进行拟合,提取容量损失特征;建立SVR模型,利用改进的飞蛾扑火优化算法对其核函数与惩罚因子进行寻优,得到ALMFO‑SVR余能估计模型;将预设容量损失特征以其对应的余能真值作为估计模型的训练样本进行训练;利用实际电压、电流提取实际容量损失特征,并将实际容量损失特征输入至训练完成后的估计模型中,对退役电池余能的快速估计。该方法有效解决了退役电池余能估计精度低且测试时间长的问题。
Description
技术领域
本发明涉及电池管理技术领域,特别涉及一种基于容量损失机理的退役电池余能快速 估计方法及系统。
背景技术
电动汽车退役电池的梯次利用作为促进新能源汽车产业蓬勃发展的重要技术支撑,吸 引了国内外众多学者越来越多的关注。尽管研究者们已在技术可行性、经济性等方面进行 了相关研究,但梯次利用技术仍然处于理论研究阶段,制约其产业化发展的主要瓶颈问题是,退役电池测试时间冗长,单一的健康状态评价依据使得退役电池再成组后的性能一致 性差,这极大的增加了梯次利用的后期使用成本。
根据国标GB/T 34015-2017中定义,余能是指动力蓄电池从电动汽车上移除后剩余的 实际容量,是电动汽车退役电池在梯次利用时需要评价的最关键健康状态。因此,余能估 计就是对退役电池剩余实际使用容量的估计。由于车载动力电池性能老化路径复杂且目前余能测试多为平稳标准工况,造成了余能快速准确估计的难度。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于容量损失机理的退役电池余能快速估计方 法,该方法能够实现余能的快速准确估计。
本发明的另一个目的在于提出一种基于容量损失机理的退役电池余能快速估计系统。
为达到上述目的,本发明一方面实施例提出了基于容量损失机理的退役电池余能快速 估计方法,包括以下步骤:步骤S1,建立容量损失机理诊断模型;步骤S2,对所述预设退役电池进行恒流充电,获得退役电池恒流充电测试曲线,基于所述容量损失机理诊断模型, 并利用模式搜索非线性优化算法对所述退役电池恒流充电测试曲线进行拟合,提取容量损 失特征,其中,所述容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率;步骤S3, 建立SVR模型,利用改进的飞蛾扑火优化算法对所述SVR模型中的核函数与惩罚因子进行寻优,得到ALMFO-SVR余能估计模型;步骤S4,将预设容量损失特征以其对应的余 能真值作为所述ALMFO-SVR余能估计模型的数据集,并将所述数据集分为训练样本和测试样本,利用所述训练样本对所述ALMFO-SVR余能估计模型进行训练;步骤S5,利用 恒流充电过程中记录的实际电压、实际电流测试数据提取实际容量损失特征,并将所述实 际容量损失特征输入至训练完成后的ALMFO-SVR余能估计模型中,对退役电池余能的快速估计。
本发明实施例的基于容量损失机理的退役电池余能快速估计方法,通过利用大倍率恒 流充电数据曲线中所提取的容量损失特征,再从恒流充电曲线中提取表征电池活性材料及 活性锂离子损失的特征参数,并构建基于自适应权重及Levy飞行算法的ALMFO算法优化SVR模型的估计方法,将所提取的容量损失特征作为ALMFO-SVR余能评估模型的输入进行训练,最后利用训练完成后的ALMFO-SVR余能估计模型准确地估计锂离子电池RUL, 有效解决了退役电池余能估计精度低且测试时间长的问题,实现了余能的快速准确估计。
另外,根据本发明上述实施例的基于容量损失机理的退役电池余能快速估计方法还可 以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述容量损失机理诊断模型为:
其中,Up为正极电势,SOCp为正极嵌锂率,Un为负极电势,SOCn为负极嵌锂率,Ut为端电压,SOCp,0为正极充电初始嵌锂率,IL为负载电流,Δt为采样时间,Qp为正极容量, SOCn,0为负极充电初始嵌锂率,Qn为负极容量,Rohm为欧姆内阻。
进一步地,在本发明的一个实施例中,所述步骤S3具体包括:步骤S301,建立初始SVR模型;步骤S302,利用对偶原理,向所述初始SVR模型引入拉格朗日乘法算子,得到可求解最大值函数的SVR模型;步骤S303,根据Mercer定理法则对所述可求解最大值 函数的SVR模型进行非线性映射,得到所述SVR模型;步骤S304,利用改进的飞蛾扑火 优化算法对所述SVR模型中的核参数与惩罚因子进行寻优,得到所述ALMFO-SVR余能 估计模型。
进一步地,在本发明的一个实施例中,所述SVR模型为:
其中,x为输入样本,f(x)为输出值,ω为权重向量,为非线性映射函数,b为偏置量,/>和αi为拉格朗日乘法算子,K(xi,x)为核函数。
进一步地,在本发明的一个实施例中,所述改进的飞蛾扑火优化算法为:先在标准飞 蛾扑火优化算法的飞蛾位置更新后加入Levy飞行算法,后在迭代过程中加入自适应权重 法。
为达到上述目的,本发明另一方面实施例提出了基于容量损失机理的退役电池余能快 速估计系统,包括:第一构建模块,用于建立容量损失机理诊断模型;提取特征模块,用 于对所述预设退役电池进行恒流充电,获得退役电池恒流充电测试曲线,基于所述容量损失机理诊断模型,并利用模式搜索非线性优化算法对所述退役电池恒流充电测试曲线进行 拟合,提取容量损失特征,其中,所述容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率;第二构建模块,用于建立SVR模型,利用改进的飞蛾扑火优化算法对所述SVR模型中的核函数与惩罚因子进行寻优,得到ALMFO-SVR余能估计模型;训练模块,用 于将预设容量损失特征以其对应的余能真值作为所述ALMFO-SVR余能估计模型的数据 集,并将所述数据集分为训练样本和测试样本,利用所述训练样本对所述ALMFO-SVR余 能估计模型进行训练;估计模块,用于利用恒流充电过程中记录的实际电压、实际电流测 试数据提取实际容量损失特征,并将所述实际容量损失特征输入至训练完成后的 ALMFO-SVR余能估计模型中,对退役电池余能的快速估计。
本发明实施例的基于容量损失机理的退役电池余能快速估计系统,通过利用大倍率恒 流充电数据曲线中所提取的容量损失特征,再从恒流充电曲线中提取表征电池活性材料及 活性锂离子损失的特征参数,并构建基于自适应权重及Levy飞行算法的ALMFO算法优化 SVR模型的估计方法,将所提取的容量损失特征作为ALMFO-SVR余能评估模型的输入进 行训练,最后利用训练完成后的ALMFO-SVR余能估计模型准确地估计锂离子电池RUL,有效解决了退役电池余能估计精度低且测试时间长的问题,实现了余能的快速准确估计。
另外,根据本发明上述实施例的基于容量损失机理的退役电池余能快速估计系统还可 以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述容量损失机理诊断模型为:
其中,Up为正极电势,SOCp为正极嵌锂率,Un为负极电势,SOCn为负极嵌锂率,Ut为端电压,SOCp,0为正极充电初始嵌锂率,IL为负载电流,Δt为采样时间,Qp为正极容量, SOCn,0为负极充电初始嵌锂率,Qn为负极容量,Rohm为欧姆内阻。
进一步地,在本发明的一个实施例中,所述步骤S3具体包括:步骤S301,建立初始SVR模型;步骤S302,利用对偶原理,向所述初始SVR模型引入拉格朗日乘法算子,得到可求解最大值函数的SVR模型;步骤S303,根据Mercer定理法则对所述可求解最大值 函数的SVR模型进行非线性映射,得到所述SVR模型;步骤S304,利用改进的飞蛾扑火 优化算法对所述SVR模型中的核参数与惩罚因子进行寻优,得到所述ALMFO-SVR余能 估计模型。
进一步地,在本发明的一个实施例中,所述SVR模型为:
其中,x为输入样本,f(x)为输出值,ω为权重向量,为非线性映射函数,b为偏置量,/>和αi为拉格朗日乘法算子,K(xi,x)为核函数。
进一步地,在本发明的一个实施例中,所述改进的飞蛾扑火优化算法为:先在标准飞 蛾扑火优化算法的飞蛾位置更新后加入Levy飞行算法,后在迭代过程中加入自适应权重 法。
本发明附加的方面和优点将在下面的描述中部分给出,部分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
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和 容易理解,其中:
图1是本发明一个实施例的基于容量损失机理的退役电池余能快速估计方法的流程图;
图2是本发明一个实施例的退役电池余能快速估计的具体流程图;
图3是本发明一个实施例的基于容量损失机理的退役电池余能快速估计系统的结构示 意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例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 述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于容量损失机理的退役电池余能快速 估计方法及系统,首先将参照附图描述根据本发明实施例提出的基于容量损失机理的退役 电池余能快速估计方法。
图1是本发明一个实施例的基于容量损失机理的退役电池余能快速估计方法的流程 图。
如图1所示,该基于容量损失机理的退役电池余能快速估计方法包括以下步骤:
在步骤S1中,建立容量损失机理诊断模型。
可以理解是,现有电动汽车用电池以锂离子电池为主,其容量损失机理主要包括可循环锂损失(LLI)与活性材料损失(LAM);其中,LAM又可细分为正极活性材 料损失(LAMPE)与负极活性材料损失(LAMNE);由于容量损失机理诊断模型参数 的变化与电池容量损失机理直接相关,因此是诊断退役电池容量损失机理的重要基础。
具体地,以充电过程为例,锂电池的容量损失机理诊断模型中的端电压数学表达式, 如下:
Ut(t)=Up(SOCp)-Un(SOCn)+ILRohm (1)
式中,Ut为端电压(V),Rohm为欧姆内阻(Ω),Up为正极电势(V),表达式如下:
Un为负极电势(V),表达式如下:
SOCp为正极嵌锂率,表达式如下:
SOCn为负极嵌锂率,表达式如下:
式中,SOCp,0为正极充电初始嵌锂率;SOCn,0为负极充电初始嵌锂率;Qp为正极容量(Ah);Qn为负极容量(Ah);
将公式(4)与公式(5)代入到公式(1),则
至此,完整的锂电池的容量损失机理诊断模型建立完毕,再将公式(2)、(3) 和(6)组成锂电池的容量损失机理诊断模型为:
其中,锂电池的容量损失机理诊断模型输入为测试过程中电压、电流测试信号,模型输出为待辨识模型参数,式中Up为正极电势,SOCp为正极嵌锂率,Un为负极电势, SOCn为负极嵌锂率,Ut为端电压,SOCp,0为正极充电初始嵌锂率,IL为负载电流,Δt为 采样时间,Qp为正极容量,SOCn,0为负极充电初始嵌锂率,Qn为负极容量,Rohm为欧姆内 阻。
需要说明的是,在容量损失机理诊断模型中,欧姆内阻Rohm不考虑在充放电过程中随SOC的变化,而是电池欧姆内阻平均值。
在步骤S2中,对预设退役电池进行恒流充电,获得退役电池恒流充电测试曲线,基于容量损失机理诊断模型,并利用模式搜索非线性优化算法对退役电池恒流充电测试曲线进行拟合,提取容量损失特征,其中,容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率。
具体地,在锂电池的容量损失机理诊断模型中,Qp与Qn物理意义明确,其变化分别表 征容量损失机理中的LAMFE与LAMNE。
接下来分析锂电池的容量损失机理诊断模型中正负极初始嵌锂率(SOCp,0、SOCn,0)及欧姆内阻(Rohm)与容量损失机理间的对应关系:
由于在电池老化过程中,Rohm的变化主要表征电池内部SEI膜的生成与持续增厚过程, 由于SEI膜的增厚会导致锂离子传输阻力增大,进而导致欧姆内阻变大。锂电池在老化过 程中会不可避免的发生负极表面SEI膜持续增厚的副反应,不断消耗锂离子且此副反应通 常是不可逆的,因此会不断消耗锂离子而导致电池容量损失;
当电池发生活性锂离子损失时,正负电极材料可利用率会减少,也就是说在充电过程 中,嵌锂的负极没有办法达到更高的富锂状态;在放电过程中,嵌锂的正极材料也没有办 法达到更高的富锂状态,这使得正负极电势会发生相对平移;当正负极电势曲线发生相对平移时,正极初始嵌锂率SOCp,0变化较为明显,正极终止嵌锂率受影响较小;负极初始嵌 锂率SOCn,0受影响较小,而负极终止嵌锂率变化明显,由SOCn,1变为SOC'n,1;其中正负电极终止嵌锂率的计算方式为
式中,T为充/放电总时间(s),SOCp,1为正极终止嵌锂率,SOCn,1为负极终止嵌锂率;
通过分析可知,电池容量损失机理LLI会导致欧姆内阻(Rohm)、负极终止嵌锂率(SOCn,1)及正极初始嵌锂率(SOCp,0)的变化;因此,将Qn、Rohm、SOCp,0及SOCn,1作 为电池容量损失特征;其中,Qn的变化表征负极活性材料损失,Rohm、SOCp,0及SOCn,1的 变化表征活性锂损失。
故本发明实施例考虑锂电池的容量损失机理诊断模型形式的非线性,利用模式搜索非 线性优化算法,通过对退役电池充电测试曲线进行拟合来提取容量损失特征Qn、Rohm、SOCp,0及SOCn,1。
在步骤S3中,建立SVR模型,利用改进的飞蛾扑火优化算法对SVR模型中的核函 数与惩罚因子进行寻优,得到ALMFO-SVR余能估计模型。
进一步地,在本发明的一个实施例中,步骤S3具体包括:
步骤S301,建立初始SVR模型;
步骤S302,利用对偶原理,向初始SVR模型引入拉格朗日乘法算子,得到可求解最大 值函数的SVR模型;
步骤S303,根据Mercer定理法则对可求解最大值函数的SVR模型进行非线性映射,得到SVR模型;
步骤S304,利用改进的飞蛾扑火优化算法对SVR模型中的核参数与惩罚因子进行寻 优,得到ALMFO-SVR余能估计模型,改进的飞蛾扑火优化算法为:先在标准飞蛾扑火 优化算法的飞蛾位置更新后加入Levy飞行算法,后在迭代过程中加入自适应权重法。
可理解的是,SVR方法多用于解决小样本数据、时间序列以及非线性等问题,可将样 本数据映射到高维空间,并对样本进行线性回归分析,因此本发明实施例将基于SVR方法 构建用于退役电池的余能估计模型;
对于给定一组样本数据SVR模型如公式(9)所示:
式中,x为模型输入样本,f(x)为相应的输出值,ω为权重向量,为非线性映射函数,b为偏置量;
根据结构风险最小化原则,f(x)可等效求解凸优化问题:
式中,C为惩罚因子,L为损失函数,其表达式为:
式中,ε为回归允许的最大误差;
当数据不符合(11)式的约束条件时,通过引入松弛变量和/>来纠正那些不 规则的因子,此时可得:
其中
为求取目标函数的最小化,利用对偶原理,通过引入拉格朗日乘法算子和αi,可得:
式中,maximize为求解最大值函数;
且满足以下条件:
根据Mercer定理法则,非线性映射SVR表达式可更新为
式中K(xi,x)为核函数,计算方式如公式(17)所示;
核函数的种类有很多,主要包括:线性核函数,多项式核函数及径向基核函数。其中 径向基核函数用途广泛,可以解决非线性关系问题,即:
式中,σ为核参数;
核参数σ和惩罚因子C决定了SVR模型估计结果的准确性。因此,利用改进的飞蛾扑火优化(IMFO)算法对SVR模型中的σ与C参数进行寻优,进而实现锂离子电池余能 估计;
需要说明的是,标准飞蛾扑火优化算法是一种基于种群的启发式智能优化算法,具有 模型结构简单和参数较少的优点。
假设标准飞蛾扑火优化算法的飞蛾位置是M,则其相对应的适应度值为OM,如下所示;
OM=[OM1,OM2,…,OMn]T (20)
式中,m为第n个飞蛾的第d维飞蛾位置的值;
火焰是MFO算法中另外一个关键组成部分,假设存储火焰的位置为F,则其相对应的适应度值为OF,如下所示:
OF=[OF1,OF2,…,OFn]T (22)
式中,f为第n个火焰的第d维位置的值。
进一步地,MFO算法可以被视为一种近似于优化问题的全局最优的三元组;
MFO=(I,P,T) (23)
式中,f为随机产生飞蛾的位置和其对应的适应度值所组成的函数,计算方式如下:
式中,P为飞蛾在搜索空间内所遵循的主函数;
当飞蛾到达新位置时,更新自身的位置
如果满足条件,则输出最优值,否则返回继续执行;
Tjud:M→{true,false} (26)
式中,Tjud为终止判断函数。
I函数初始化后,进行P函数直到满足T函数为止,但在迭代过程中易陷入局部最优解,因此本发明实施例为了精确的模拟飞蛾的行为,利用公式(27)来更新每一只飞蛾相 对于火焰的位置;
Mi=S(Mi,Fj)=Di·ebt·cos(2πt)+Fj (27)
式中,S为螺旋函数,b为可以改变螺旋形状的常数,t为在[-1,1]之间的随机数,Di为 第i个飞蛾到第j个火焰的距离,计算方式如公式(28);
Di=|Fj-Mi| (28)
在搜索空间中,飞蛾相对于n个不同位置可能会降低最优解的搜寻,本发明实施例为 解决此问题,又引入火焰数量的自适应机制;
式中,flame_no为当前迭代中的火焰数量,round为依据四舍五入原则执行取整的函 数,N为火焰数量总数,l为当前迭代次数,Tmax为最大迭代次数。
需要说明的是,公式(27)为自适应权重法,飞蛾在火焰附近寻找最优解时,自适应权值逐渐减小,从而提高飞蛾局部最优能力,具体地,
式中,rand为0和1之间的随机数;
于是,飞蛾自适应更新的位置为:
Mi=S(Mi,Fj)=Di·ebt·cos(2πt)+ω·Fj (31)
另外,Levy飞行算法能够扩大搜索空间,并增加种群的多样性;因此本发明实施例将 其应用到MFO算法中,能够有效平衡搜索与开发能力。
具体地,在飞蛾位置更新后进行一次Levy飞行:
式中,α为常数,s为步长;
其中,u和v是均服从正态分布的随机数,β取值为1.5。
由于α是一个常数,在迭代过程中搜索能力较差。因此,采用随机动态,如下所示:
α=rand·sign(rand-0.5) (34)
式中,sign为符号函数。
也就是说,改进的飞蛾扑火优化算法为:先在标准飞蛾扑火优化算法的飞蛾位置更新 后加入Levy飞行算法,后在迭代过程中加入自适应权重法。
进而本发明实施例利用改进的飞蛾扑火优化算法分别对SVR模型中的σ与C参数进行 寻优。
在步骤S4中,将预设容量损失特征以其对应的余能真值作为ALMFO-SVR余能估计模型的数据集,并将数据集分为训练样本和测试样本,利用训练样本对ALMFO-SVR余能 估计模型进行训练。
具体地,将容量损失特征{Qn,Rohm,SOCp,0,SOCn,1}作为步骤S3所建立ALMFO-SVR 余能估计模型的输入,所对应的余能真值Qact为输出,将数据集 {Qn,Rohm,SOCp,0,SOCn,1,Qact}分为训练样本和测试样本,利用训练样本获得ALMFO-SVR 余能估计模型,利用测试集来验证ALMFO-SVR余能估计模型的准确性。
在步骤S5中,利用恒流充电过程中记录的实际电压、实际电流测试数据提取实际容 量损失特征,并将实际容量损失特征输入至训练完成后的ALMFO-SVR余能估计模型中,对退役电池余能的快速估计。
由前述可知,容量损失特征{Qn,Rohm,SOCp,0,SOCn,1}的能观性与充电电流大小无关,仅 与负极电势状态有关;因此,如图2所示,本发明实施例利用大倍率恒流充电过程中记录 的电压、电流测试数据,通过提取{Qn,Rohm,SOCp,0,SOCn,1},并将其输入到ALMFO-SVR余能估计模型中,即可实现对退役电池余能的快速估计。
综上,本发明实施例提出的基于容量损失机理的退役电池余能快速估计方法,通过利 用大倍率恒流充电数据曲线中所提取的容量损失特征,再从恒流充电曲线中提取表征电池 活性材料及活性锂离子损失的特征参数,并构建基于自适应权重及Levy飞行算法的 ALMFO算法优化SVR模型的估计方法,将所提取的容量损失特征作为ALMFO-SVR余能 评估模型的输入进行训练,最后利用训练完成后的ALMFO-SVR余能估计模型准确地估计锂离子电池RUL,有效解决了退役电池余能估计精度低且测试时间长的问题,实现了余能 的快速准确估计。
其次参照附图描述根据本发明实施例提出的基于容量损失机理的退役电池余能快速 估计系统。
图3是本发明一个实施例的基于容量损失机理的退役电池余能快速估计系统的结构 示意图。
如图3所示,该系统10包括:第一构建模块100、提取特征模块200、第二构建模块300、训练模块400和估计模块500。
其中,第一构建模块100用于建立容量损失机理诊断模型。提取特征模块200用于对 预设退役电池进行恒流充电,获得退役电池恒流充电测试曲线,基于容量损失机理诊断模 型,并利用模式搜索非线性优化算法对退役电池恒流充电测试曲线进行拟合,提取容量损 失特征,其中,容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率。第二构建模块300用于建立SVR模型,利用改进的飞蛾扑火优化算法对SVR模型中的核函数与惩罚因 子进行寻优,得到ALMFO-SVR余能估计模型。训练模块400用于将预设容量损失特征以 其对应的余能真值作为ALMFO-SVR余能估计模型的数据集,并将数据集分为训练样本和 测试样本,利用训练样本对ALMFO-SVR余能估计模型进行训练。估计模块500用于利用 恒流充电过程中记录的实际电压、实际电流测试数据提取实际容量损失特征,并将实际容量损失特征输入至训练完成后的ALMFO-SVR余能估计模型中,对退役电池余能的快速估 计。
进一步地,在本发明的一个实施例中,容量损失机理诊断模型为:
其中,Up为正极电势,SOCp为正极嵌锂率,Un为负极电势,SOCn为负极嵌锂率,Ut为端电压,SOCp,0为正极充电初始嵌锂率,IL为负载电流,Δt为采样时间,Qp为正极容量, SOCn,0为负极充电初始嵌锂率,Qn为负极容量,Rohm为欧姆内阻。
进一步地,在本发明的一个实施例中,步骤S3具体包括:步骤S301,建立初始SVR模型;步骤S302,利用对偶原理,向初始SVR模型引入拉格朗日乘法算子,得到可求解最大值函数的SVR模型;步骤S303,根据Mercer定理法则对可求解最大值函数的SVR模 型进行非线性映射,得到SVR模型;步骤S304,利用改进的飞蛾扑火优化算法对SVR模 型中的核参数与惩罚因子进行寻优,得到ALMFO-SVR余能估计模型。
进一步地,在本发明的一个实施例中,SVR模型为:
其中,x为输入样本,f(x)为输出值,ω为权重向量,为非线性映射函数,b为偏置量,/>和αi为拉格朗日乘法算子,K(xi,x)为核函数。
进一步地,在本发明的一个实施例中,改进的飞蛾扑火优化算法为:先在标准飞蛾扑 火优化算法的飞蛾位置更新后加入Levy飞行算法,后在迭代过程中加入自适应权重法。
需要说明的是,前述对基于容量损失机理的退役电池余能快速估计方法实施例的解释 说明也适用于该实施例的系统,此处不再赘述。
根据本发明实施例提出的基于容量损失机理的退役电池余能快速估计系统,通过利用 大倍率恒流充电数据曲线中所提取的容量损失特征,再从恒流充电曲线中提取表征电池活 性材料及活性锂离子损失的特征参数,并构建基于自适应权重及Levy飞行算法的ALMFO 算法优化SVR模型的估计方法,将所提取的容量损失特征作为ALMFO-SVR余能评估模型的输入进行训练,最后利用训练完成后的ALMFO-SVR余能估计模型准确地估计锂离子电池RUL,有效解决了退役电池余能估计精度低且测试时间长的问题,实现了余能的快速 准确估计。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者 隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐 含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、 或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包 含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一 个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技 术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合 和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的, 不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例 进行变化、修改、替换和变型。
Claims (4)
1.一种基于容量损失机理的退役电池余能快速估计方法,其特征在于,包括以下步骤:
步骤S1,建立容量损失机理诊断模型;
步骤S2,对预设退役电池进行恒流充电,获得退役电池恒流充电测试曲线,基于所述容量损失机理诊断模型,并利用模式搜索非线性优化算法对所述退役电池恒流充电测试曲线进行拟合,提取容量损失特征,其中,所述容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率;
步骤S3,建立SVR模型,利用改进的飞蛾扑火优化算法对所述SVR模型中的核函数与惩罚因子进行寻优,得到ALMFO-SVR余能估计模型;
步骤S4,将预设容量损失特征以其对应的余能真值作为所述ALMFO-SVR余能估计模型的数据集,并将所述数据集分为训练样本和测试样本,利用所述训练样本对所述ALMFO-SVR余能估计模型进行训练;
步骤S5,利用恒流充电过程中记录的实际电压、实际电流测试数据提取实际容量损失特征,并将所述实际容量损失特征输入至训练完成后的ALMFO-SVR余能估计模型中,对退役电池余能的快速估计;
所述容量损失机理诊断模型为:
其中,Up为正极电势,SOCp为正极嵌锂率,Un为负极电势,SOCn为负极嵌锂率,Ut为端电压,SOCp,0为正极充电初始嵌锂率,IL为负载电流,Δt为采样时间,Qp为正极容量,SOCn,0为负极充电初始嵌锂率,Qn为负极容量,Rohm为欧姆内阻;
所述步骤S3具体包括:
步骤S301,建立初始SVR模型;
步骤S302,利用对偶原理,向所述初始SVR模型引入拉格朗日乘法算子,得到可求解最大值函数的SVR模型;
步骤S303,根据Mercer定理法则对所述可求解最大值函数的SVR模型进行非线性映射,得到所述SVR模型;
步骤S304,利用改进的飞蛾扑火优化算法对所述SVR模型中的核参数与惩罚因子进行寻优,得到所述ALMFO-SVR余能估计模型;
所述SVR模型为:
其中,x为输入样本,f(x)为输出值,ω为权重向量,为非线性映射函数,b为偏置量,/>和αi为拉格朗日乘法算子,K(xi,x)为核函数。
2.根据权利要求1所述的基于容量损失机理的退役电池余能快速估计方法,其特征在于,所述改进的飞蛾扑火优化算法为:先在标准飞蛾扑火优化算法的飞蛾位置更新后加入Levy飞行算法,后在迭代过程中加入自适应权重法。
3.一种基于容量损失机理的退役电池余能快速估计系统,其特征在于,包括:
第一构建模块,用于建立容量损失机理诊断模型;
提取特征模块,用于对预设退役电池进行恒流充电,获得退役电池恒流充电测试曲线,基于所述容量损失机理诊断模型,并利用模式搜索非线性优化算法对所述退役电池恒流充电测试曲线进行拟合,提取容量损失特征,其中,所述容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率;
第二构建模块,用于建立SVR模型,利用改进的飞蛾扑火优化算法对所述SVR模型中的核函数与惩罚因子进行寻优,得到ALMFO-SVR余能估计模型;
训练模块,用于将预设容量损失特征以其对应的余能真值作为所述ALMFO-SVR余能估计模型的数据集,并将所述数据集分为训练样本和测试样本,利用所述训练样本对所述ALMFO-SVR余能估计模型进行训练;
估计模块,用于利用恒流充电过程中记录的实际电压、实际电流测试数据提取实际容量损失特征,并将所述实际容量损失特征输入至训练完成后的ALMFO-SVR余能估计模型中,对退役电池余能的快速估计;
所述容量损失机理诊断模型为:
其中,Up为正极电势,SOCp为正极嵌锂率,Un为负极电势,SOCn为负极嵌锂率,Ut为端电压,SOCp,0为正极充电初始嵌锂率,IL为负载电流,Δt为采样时间,Qp为正极容量,SOCn,0为负极充电初始嵌锂率,Qn为负极容量,Rohm为欧姆内阻;
第二构建模块的构建方法包括:
步骤S301,建立初始SVR模型;
步骤S302,利用对偶原理,向所述初始SVR模型引入拉格朗日乘法算子,得到可求解最大值函数的SVR模型;
步骤S303,根据Mercer定理法则对所述可求解最大值函数的SVR模型进行非线性映射,得到所述SVR模型;
步骤S304,利用改进的飞蛾扑火优化算法对所述SVR模型中的核参数与惩罚因子进行寻优,得到所述ALMFO-SVR余能估计模型;
所述SVR模型为:
其中,x为输入样本,f(x)为输出值,ω为权重向量,为非线性映射函数,b为偏置量,/>和αi为拉格朗日乘法算子,K(xi,x)为核函数。
4.根据权利要求3所述的基于容量损失机理的退役电池余能快速估计系统,其特征在于,所述改进的飞蛾扑火优化算法为:先在标准飞蛾扑火优化算法的飞蛾位置更新后加入Levy飞行算法,后在迭代过程中加入自适应权重法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525399.1A CN114264967B (zh) | 2021-12-14 | 2021-12-14 | 基于容量损失机理的退役电池余能快速估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525399.1A CN114264967B (zh) | 2021-12-14 | 2021-12-14 | 基于容量损失机理的退役电池余能快速估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114264967A CN114264967A (zh) | 2022-04-01 |
CN114264967B true CN114264967B (zh) | 2024-05-24 |
Family
ID=80826926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525399.1A Active CN114264967B (zh) | 2021-12-14 | 2021-12-14 | 基于容量损失机理的退役电池余能快速估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114264967B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327420A (zh) * | 2022-08-12 | 2022-11-11 | 哈尔滨工业大学 | 基于部分充电电压的退役电池余能快速准确估计方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1652376A (zh) * | 2005-01-28 | 2005-08-10 | 中国科学院成都有机化学有限公司 | 一种锂离子电池正极材料、其制备方法及锂离子电池 |
CN110501652A (zh) * | 2019-09-05 | 2019-11-26 | 上海毅信环保科技有限公司 | 一种退役锂电池可用容量快速评估方法及评估装置 |
CN110752410A (zh) * | 2019-10-30 | 2020-02-04 | 上海理工大学 | 一种快速分选和重组退役锂电池的方法 |
CN111564882A (zh) * | 2020-05-27 | 2020-08-21 | 国网江西省电力有限公司电力科学研究院 | 一种梯次利用动力电池均衡系统及方法 |
CN111709186A (zh) * | 2020-06-16 | 2020-09-25 | 四川大学 | 一种退役动力锂电池健康状态的集成估计方法 |
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 |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111814826A (zh) * | 2020-06-08 | 2020-10-23 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
-
2021
- 2021-12-14 CN CN202111525399.1A patent/CN114264967B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1652376A (zh) * | 2005-01-28 | 2005-08-10 | 中国科学院成都有机化学有限公司 | 一种锂离子电池正极材料、其制备方法及锂离子电池 |
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 |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110501652A (zh) * | 2019-09-05 | 2019-11-26 | 上海毅信环保科技有限公司 | 一种退役锂电池可用容量快速评估方法及评估装置 |
CN110752410A (zh) * | 2019-10-30 | 2020-02-04 | 上海理工大学 | 一种快速分选和重组退役锂电池的方法 |
CN111564882A (zh) * | 2020-05-27 | 2020-08-21 | 国网江西省电力有限公司电力科学研究院 | 一种梯次利用动力电池均衡系统及方法 |
CN111814826A (zh) * | 2020-06-08 | 2020-10-23 | 武汉理工大学 | 退役动力电池余能快速检测评级方法 |
CN111709186A (zh) * | 2020-06-16 | 2020-09-25 | 四川大学 | 一种退役动力锂电池健康状态的集成估计方法 |
Non-Patent Citations (3)
Title |
---|
Synthesize battery degradation modes via a diagnostic and prognostic model;M Dubarry;Journal of power sources;20120724;全文 * |
基于CEEMD的新型混合模型预测PM2.5浓度;张潇汐;中国优秀硕士论文全文数据库;20210115;全文 * |
基于改进支持向量回归的锂电池剩余寿命预测;徐佳宁;倪裕隆;朱春波;电工技术学报;20210930(第017期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114264967A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | A novel capacity estimation method based on charging curve sections for lithium-ion batteries in electric vehicles | |
Wang et al. | Modeling and state-of-charge prediction of lithium-ion battery and ultracapacitor hybrids with a co-estimator | |
Ye et al. | A model-based adaptive state of charge estimator for a lithium-ion battery using an improved adaptive particle filter | |
Zhou et al. | Remaining useful life estimation of lithium-ion cells based on k-nearest neighbor regression with differential evolution optimization | |
Mesbahi et al. | Dynamical modeling of Li-ion batteries for electric vehicle applications based on hybrid Particle Swarm–Nelder–Mead (PSO–NM) optimization algorithm | |
Zhou et al. | A low-complexity state of charge estimation method for series-connected lithium-ion battery pack used in electric vehicles | |
Li et al. | A method for SOC estimation based on simplified mechanistic model for LiFePO4 battery | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
He et al. | Online state-of-health estimation of lithium-ion batteries using Dynamic Bayesian Networks | |
Huang et al. | Soc estimation of li-ion battery based on improved ekf algorithm | |
CN107329094A (zh) | 动力电池健康状态估算方法及装置 | |
Mehta et al. | An improved single-particle model with electrolyte dynamics for high current applications of lithium-ion cells | |
CN112711892A (zh) | 一种基于数字孪生和区块链技术的云电池管理系统及方法 | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
Li et al. | Discharge capacity estimation for Li-ion batteries based on particle filter under multi-operating conditions | |
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 | |
KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
CN107144793B (zh) | 一种动力电池的分数阶KiBaM模型参数辨识方法及系统 | |
CN110045292A (zh) | 基于大数据和bp神经网络的锂离子电池SOC预测方法 | |
CN106777786A (zh) | 一种锂离子电池soc估算方法 | |
Jiang et al. | A Copula-based battery pack consistency modeling method and its application on the energy utilization efficiency estimation | |
CN106597288A (zh) | 一种电源soc估算方法 | |
Feng et al. | Multiple time scale state-of-charge and capacity-based equalisation strategy for lithium-ion battery pack with passive equaliser | |
Li et al. | Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range |
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 |