CN114297904B - 一种基于二次差分温度特征的锂电池健康状态估计方法 - Google Patents

一种基于二次差分温度特征的锂电池健康状态估计方法 Download PDF

Info

Publication number
CN114297904B
CN114297904B CN202210225652.XA CN202210225652A CN114297904B CN 114297904 B CN114297904 B CN 114297904B CN 202210225652 A CN202210225652 A CN 202210225652A CN 114297904 B CN114297904 B CN 114297904B
Authority
CN
China
Prior art keywords
temperature
lithium battery
order
voltage
difference
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
Application number
CN202210225652.XA
Other languages
English (en)
Other versions
CN114297904A (zh
Inventor
曾昱升
孟锦豪
彭纪昌
刘平
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202210225652.XA priority Critical patent/CN114297904B/zh
Publication of CN114297904A publication Critical patent/CN114297904A/zh
Application granted granted Critical
Publication of CN114297904B publication Critical patent/CN114297904B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及动力锂电池应用技术领域，尤其涉及一种基于二次差分温度特征的锂电池健康状态估计方法，针对当前现有的锂电池SOH估计方法估计的准确率较低的问题，现提出如下方案，其中包括以下步骤：S1：获取并计算，S2:数据处理，S3：曲线处理，S4：线性拟合，S5：等值电压获取，S6：进行预测，S7：进行验证，本发明的目的是提供一种基于二次差分温度特征的锂电池健康状态估计方法，通过对温度计算二阶有限差分的方法，准确高效地反映了锂电池老化趋势，增加SOH估计模型健康特征的多样性，提高基于数据驱动的SOH估计方法的准确性和便捷性。

Description

一种基于二次差分温度特征的锂电池健康状态估计方法
技术领域
本发明涉及动力锂电池应用技术领域，尤其涉及一种基于二次差分温度特征的锂电池健康状态估计方法。
背景技术
动力锂电池具有能量高、重量轻、使用寿命长等优点，因此被广泛应用于新能源汽车、电力储能等领域。然而，锂电池老化导致的性能下降，给锂电池设备的运行带来安全隐患。因此，在保障电池组的安全使用及设备的稳定运行等方面，精确估计动力锂电池的健康状态（State of Health, SOH）具有重要意义。当前在锂电池SOH估计的主流方法中，数据驱动法由于不需要深究锂电池内部复杂的机理，成为了热门方法。数据驱动法依赖于大量的实验数据，结合机器学习、深度学习等人工智能方法训练模型进行预测，准确度较高。而在这个过程中，健康特征的选取是非常重要的环节。近年来，国内外学者从充电时长、温度、电压等多个角度入手，挖掘出了恒流充电时长、恒压充电时长、温度曲线在时间上的积分、差分温度、电压曲线斜率等诸多健康特征，采用Pearson和Spearman相关系数对特征进行筛选，并利用主成分分析等方法优化健康特征，以期实现锂电池SOH的精确估计。
但是目前现有的锂电池SOH估计方法存在健康特征复杂、预测效率不高等问题，因此，我们提出一种基于二次差分温度特征的锂电池健康状态估计方法用于解决上述问题。
发明内容
本发明的目的是为了解决目前现有的锂电池SOH估计方法存在的健康特征复杂、预测效率不高等问题，而提出的一种基于二次差分温度特征的锂电池健康状态估计方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于二次差分温度特征的锂电池健康状态估计方法，包括以下步骤：
S1：获取并计算：从锂电池放电过程中获得数据，并计算温度对于时间的一阶有限差分DT；
S2：数据处理：将得到的一阶有限差分DT采用高斯滤波对数据进行处理；
S3：曲线处理：定义DT曲线，并对得到的DT曲线进行计算，通过计算得到温度的二阶有限差分DT(2)；
S4：线性拟合：通过限制x, y轴坐标，框取区间，并对区间内的二阶有限差分曲线进行准确的线性拟合；
S5：等值电压获取：对DT(2)曲线进行截取，并通过反解线性拟合方程得到二阶差分达到同一值时所对应的电压，称为二阶差分等值电压；
S6：进行预测：将二阶差分等值电压输入岭回归方程进行锂电池SOH预测；
S7：进行验证：对预测方法进行验证；
优选的，所述S1中，从锂电池放电过程中获得温度、时间、电压数据，并计算温度对于时间的一阶有限差分DT，计算公式为
Figure 66372DEST_PATH_IMAGE001
，其中，T分别为充电阶段的温度，k为数据对应的时间，L1为选取的采样区间长度；
优选的，所述S2中，将得到的一阶有限差分DT采用高斯滤波对数据进行处理，使用零均值的一维高斯函数公式为
Figure 431495DEST_PATH_IMAGE002
，其中G(x)为概率，
Figure 710029DEST_PATH_IMAGE003
为标准差；
优选的，所述S3中，定义DT曲线的横轴变量为电压V，纵轴变量为经滤波后的有限差分，并通过高斯滤波后得到DT曲线，对得到的DT曲线进行计算，通过对于时间t在采样区间L2上进行有限差分计算得到温度的二阶差分
Figure 61376DEST_PATH_IMAGE004
，计算公式为
Figure 741756DEST_PATH_IMAGE005
，DT为经高斯滤波后的温度一阶有限差分，k为数据对应的时间，L2为选取的采样区间长度；
优选的，所述S4中，通过限制x, y轴坐标，框取区间，并对区间内的二阶有限差分曲线进行准确的线性拟合，框选区间为
Figure 153146DEST_PATH_IMAGE006
、
Figure 420441DEST_PATH_IMAGE007
，其中C 1, C 2, C 3, C 4为常数，线性拟合公式为
Figure 434534DEST_PATH_IMAGE008
，其中a n, b n为拟合第n个循环的直线系数，
Figure 1
为拟合后的温度二阶差分，
Figure 817291DEST_PATH_IMAGE010
为拟合后的电压；
优选的，所述S5中，使用平行于x轴的直线对DT(2)曲线进行截取，其中直线方程为
Figure 70417DEST_PATH_IMAGE011
，其中C为常数，
Figure 763567DEST_PATH_IMAGE012
为拟合后的温度二阶差分，同时使用反解线性拟合方程得到二阶差分达到同一值时所对应的电压，所述反解公式为
Figure 917074DEST_PATH_IMAGE013
，其中a n, b n为拟合第n个循环的直线系数，
Figure 404688DEST_PATH_IMAGE014
为拟合后的电压；
优选的，所述S6中，将二阶差分等值电压输入岭回归方程进行锂电池SOH预测，所述岭回归方程为
Figure 410690DEST_PATH_IMAGE015
，其中，n为样本总数，
Figure 907530DEST_PATH_IMAGE016
为样本的特征因数，X n1-X nn 为训练集中第n个样本的第1个至第n个健康特征，Yn为第n个样本的电池容量，
Figure 682588DEST_PATH_IMAGE017
为常量，通过求解公式进行岭回归求解，求解公式为
Figure 200157DEST_PATH_IMAGE018
，其中
Figure 568821DEST_PATH_IMAGE019
为样本的特征因数，
Figure 964293DEST_PATH_IMAGE020
为岭系数，I是单位矩阵，X是训练集中的健康特征，y是训练集中的电池容量；
优选的，所述S7中，在容量为740mAh的电池数据集上进行上述步骤进行验证，通过运用岭回归方程进行SOH预测，并提取温度传感器的二阶差分达到同一值时所对应的电压作为健康特征，同时计算预测的精确率。
与现有技术相比，本发明的有益效果是：
1、采用求取温度二阶有限差分的方法，通过有限差分和高斯滤波，减少测量噪声的影响。采用线性拟合和固定值截取的方式提取健康特征，提高了获取健康特征方法的简便性和泛化性。
2、通过对温度计算二阶有限差分的方法，准确高效地反映了锂电池老化趋势，增加SOH估计模型健康特征的多样性和便捷性。
本发明的目的是为了解决目前现有的锂电池SOH估计方法存在的健康特征复杂、预测效率不高等问题，而提出的一种基于二次差分温度特征的锂电池健康状态估计方法。通过对温度计算二阶有限差分的方法，准确高效地反映了锂电池老化趋势，增加SOH估计模型健康特征的多样性，提高基于数据驱动的SOH估计方法的准确性和便捷性。
附图说明
图1为本发明提出的一种基于二次差分温度特征的锂电池健康状态估计方法的流程图；
图2为本发明提出的一种基于二次差分温度特征的锂电池健康状态估计方法的温度传感器特征提取流程图；
图3为本发明提出的一种基于二次差分温度特征的锂电池健康状态估计方法的DT(2)曲线图；
图4为本发明提出的一种基于二次差分温度特征的锂电池健康状态估计方法的二阶差分等值电压截取示意图；
图5为本发明提出的一种基于二次差分温度特征的锂电池健康状态估计方法在容量为740mAh电池数据集上的验证结果图。
具体实施方式
下面将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。
参照图1-5，一种基于二次差分温度特征的锂电池健康状态估计方法，包括以下步骤：
S1：获取并计算：从锂电池放电过程中获得温度、时间、电压数据，并计算温度对于时间的一阶有限差分DT，计算公式为
Figure 734803DEST_PATH_IMAGE021
，其中，T分别为充电阶段的温度，k为数据对应的时间，L1为选取的采样区间长度；
S2：数据处理：将得到的一阶有限差分DT采用高斯滤波对数据进行处理，使用零均值的一维高斯函数公式为
Figure 688852DEST_PATH_IMAGE022
，其中G(x)为概率，
Figure 544813DEST_PATH_IMAGE023
为标准差；
S3：曲线处理：定义DT曲线的横轴变量为电压V，纵轴变量为经滤波后的有限差分，并通过高斯滤波后得到DT曲线，对得到的DT曲线进行计算，通过对于时间t在采样区间L2上进行有限差分计算得到温度的二阶差分
Figure 242511DEST_PATH_IMAGE024
，计算公式为
Figure 726582DEST_PATH_IMAGE025
，DT为经高斯滤波后的温度一阶有限差分，k为数据对应的时间，L2为选取的采样区间长度；
S4：线性拟合：通过限制x, y轴坐标，框取区间，并对区间内的二阶有限差分曲线进行准确的线性拟合，框选区间为
Figure 992478DEST_PATH_IMAGE026
、
Figure 427745DEST_PATH_IMAGE027
，其中C 1, C 2, C 3, C 4为常数，线性拟合公式为
Figure 70079DEST_PATH_IMAGE028
，其中a n, b n为拟合第n个循环的直线系数，
Figure 674236DEST_PATH_IMAGE029
为拟合后的温度二阶差分，
Figure 111033DEST_PATH_IMAGE030
为拟合后的电压；
S5：等值电压获取：使用平行于x轴的直线对DT(2)曲线进行截取，其中直线方程为
Figure 800640DEST_PATH_IMAGE031
，其中C为常数，
Figure 840141DEST_PATH_IMAGE029
为拟合后的温度二阶差分，同时使用反解线性拟合方程得到二阶差分达到同一值时所对应的电压，所述反解公式为
Figure 174170DEST_PATH_IMAGE032
，其中a n, b n为拟合第n个循环的直线系数，
Figure 142388DEST_PATH_IMAGE030
为拟合后的电压；
S6：进行预测：将二阶差分等值电压输入岭回归方程进行锂电池SOH预测，所述岭回归方程为
Figure 2
，其中，n为样本总数，
Figure 772270DEST_PATH_IMAGE034
为样本的特征因数，X n1-X nn 为训练集中第n个样本的第1个至第n个健康特征，Yn为第n个样本的电池容量，
Figure 351019DEST_PATH_IMAGE035
为常量，通过求解公式进行岭回归求解，求解公式为
Figure 129619DEST_PATH_IMAGE036
，其中
Figure 528239DEST_PATH_IMAGE037
为样本的特征因数，
Figure 50487DEST_PATH_IMAGE038
为岭系数，I是单位矩阵，X是训练集中的健康特征，y是训练集中的电池容量；
S7：进行验证：在容量为740mAh的电池数据集上进行上述步骤进行验证，通过运用岭回归方程进行SOH预测，并提取温度传感器的二阶差分达到同一值时所对应的电压作为健康特征，同时计算得到预测的均方根误差为1.66%。
以上所述，仅为本发明实施例可选的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于二次差分温度特征的锂电池健康状态估计方法，其特征在于，包括以下步骤：
S1：获取并计算：从锂电池放电过程中获得数据，并计算温度对于时间的一阶有限差分DT；
S2：数据处理：将得到的一阶有限差分DT采用高斯滤波对数据进行处理；
S3：曲线处理：定义DT曲线的横轴变量为电压V，纵轴变量为经滤波后的有限差分，并通过高斯滤波后得到DT曲线，对得到的DT曲线进行计算，通过对于时间t在采样区间L2上进行有限差分计算得到温度的二阶差分
Figure FDA0003609719300000011
计算公式为
Figure FDA0003609719300000012
DT为经高斯滤波后的温度一阶有限差分，k为数据对应的时间，L2为选取的采样区间长度，DT(k)：经高斯滤波后第k秒的温度一阶有限差分，DT(k-L2)：经高斯滤波后第k-L2秒的温度一阶有限差分；
S4：线性拟合：通过限制x,y轴坐标，框取区间，并对区间内的二阶有限差分曲线进行准确的线性拟合；
S5：等值电压获取：对DT(2)曲线进行截取，并通过反解线性拟合方程得到二阶差分达到同一值时所对应的电压，称为二阶差分等值电压；
S6：进行预测：将二阶差分等值电压输入岭回归方程进行锂电池SOH预测；
S7：进行验证：对预测方法进行验证。
2.根据权利要求1所述的一种基于二次差分温度特征的锂电池健康状态估计方法，其特征在于，所述S1中，从锂电池放电过程中获得温度、时间、电压数据，并计算温度对于时间的一阶有限差分DT，计算公式为
Figure FDA0003609719300000021
其中，T分别为充电阶段的温度，k为数据对应的时间，L1为选取的采样区间长度，DTm：温度T对于时间t在采样区间L1上的有限差分，T(k)：放电阶段第k秒的温度，T(k-L1)：放电阶段第k-L1秒的温度。
3.根据权利要求1所述的一种基于二次差分温度特征的锂电池健康状态估计方法，其特征在于，所述S2中，将得到的一阶有限差分DT采用高斯滤波对数据进行处理，使用零均值的一维高斯函数公式为
Figure FDA0003609719300000022
其中G(x)为概率，σ为标准差，采用高斯滤波对数据x进行处理。
4.根据权利要求1所述的一种基于二次差分温度特征的锂电池健康状态估计方法，其特征在于，所述S4中，通过限制x,y轴坐标，框取区间，并对区间内的二阶有限差分曲线进行准确的线性拟合，框选区间为C1≤x≤C2、C3≤y≤C4，其中C1,C2,C3,C4为常数，线性拟合公式为y'＝anx'+bn，其中an,bn为拟合第n个循环的直线系数，y'为拟合后的温度二阶差分，x'为拟合后的电压。
5.根据权利要求1所述的一种基于二次差分温度特征的锂电池健康状态估计方法，其特征在于，所述S5中，使用平行于x轴的直线对DT(2)曲线进行截取，其中直线方程为y'＝C，其中C为常数，y'为拟合后的温度二阶差分，同时使用反解线性拟合方程得到二阶差分达到同一值时所对应的电压，反解公式为
Figure FDA0003609719300000031
其中an,bn为拟合第n个循环的直线系数，x'为拟合后的电压。
6.根据权利要求1所述的一种基于二次差分温度特征的锂电池健康状态估计方法，其特征在于，所述S6中，将二阶差分等值电压输入岭回归方程进行锂电池SOH预测，所述岭回归方程为
Figure FDA0003609719300000032
其中，n为样本总数，β1-βn为样本的特征因数，Xn1-Xnn为训练集中第n个样本的第1个至第n个健康特征，Yn为第n个样本的电池容量，
Figure FDA0003609719300000033
为常量，通过求解公式进行岭回归求解，求解公式为β＝(XTX+λI)-1XTy，其中β为样本的特征因数，λ为岭系数，I是单位矩阵，X是训练集中的健康特征，y是训练集中的电池容量。
7.根据权利要求1所述的一种基于二次差分温度特征的锂电池健康状态估计方法，其特征在于，所述S7中，在容量为740mAh的电池数据集上进行上述步骤S1-S7进行验证，通过运用岭回归方程进行SOH预测，并提取温度传感器的二阶差分达到同一值时所对应的电压作为健康特征，同时计算预测的均方根误差。
CN202210225652.XA 2022-03-09 2022-03-09 一种基于二次差分温度特征的锂电池健康状态估计方法 Active CN114297904B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210225652.XA CN114297904B (zh) 2022-03-09 2022-03-09 一种基于二次差分温度特征的锂电池健康状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210225652.XA CN114297904B (zh) 2022-03-09 2022-03-09 一种基于二次差分温度特征的锂电池健康状态估计方法

Publications (2)

Publication Number Publication Date
CN114297904A CN114297904A (zh) 2022-04-08
CN114297904B true CN114297904B (zh) 2022-05-24

Family

ID=80978510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210225652.XA Active CN114297904B (zh) 2022-03-09 2022-03-09 一种基于二次差分温度特征的锂电池健康状态估计方法

Country Status (1)

Country Link
CN (1) CN114297904B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115343621B (zh) * 2022-07-27 2024-01-26 山东科技大学 一种基于数据驱动的动力电池健康状态预测方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109828220A (zh) * 2019-03-21 2019-05-31 北京理工大学 一种锂离子电池健康状态线性评估方法
CN112083337A (zh) * 2020-10-22 2020-12-15 重庆大学 一种面向预测性运维的动力电池健康预测方法
CN112149345A (zh) * 2020-08-26 2020-12-29 清华大学 电池管理方法、装置、计算机设备和存储介质
CN113030744A (zh) * 2021-02-24 2021-06-25 上海交通大学 基于健康因子提取的电池健康状况预测方法、系统及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5766630B2 (ja) * 2012-02-20 2015-08-19 株式会社東芝 車両制御ユニットおよび電動車両
CN103675537B (zh) * 2013-12-03 2016-07-20 昆明理工大学 一种基于零序电压相邻次差分构成的平面上相邻点距离的配电网虚幻接地识别方法
US10209314B2 (en) * 2016-11-21 2019-02-19 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
JP6991616B2 (ja) * 2018-10-30 2022-01-12 エンネット株式会社 電流パルス法による電池診断装置及び電池診断方法
CN111090047B (zh) * 2019-12-09 2022-01-28 泉州装备制造研究所 一种基于多模型融合的锂电池健康状态估计方法
CN111709186B (zh) * 2020-06-16 2023-04-07 四川大学 一种退役动力锂电池健康状态的集成估计方法
CN112068018A (zh) * 2020-08-14 2020-12-11 华南理工大学 基于改进格拉布斯准则和电池电热耦合模型的动力电池组故障诊断方法
CN112611976A (zh) * 2020-12-10 2021-04-06 华东理工大学 一种基于双差分曲线的动力电池健康状态估计方法
CN112526354A (zh) * 2020-12-22 2021-03-19 南京工程学院 一种锂电池健康状态估计方法
CN114114049B (zh) * 2021-09-30 2022-10-18 北京交通大学 一种基于样本迁移的锂离子电池寿命预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109828220A (zh) * 2019-03-21 2019-05-31 北京理工大学 一种锂离子电池健康状态线性评估方法
CN112149345A (zh) * 2020-08-26 2020-12-29 清华大学 电池管理方法、装置、计算机设备和存储介质
CN112083337A (zh) * 2020-10-22 2020-12-15 重庆大学 一种面向预测性运维的动力电池健康预测方法
CN113030744A (zh) * 2021-02-24 2021-06-25 上海交通大学 基于健康因子提取的电池健康状况预测方法、系统及介质

Also Published As

Publication number Publication date
CN114297904A (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN111090047B (zh) 一种基于多模型融合的锂电池健康状态估计方法
CN107037374B (zh) 一种锂离子电池的soc和soh联合估计方法
CN111007400A (zh) 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法
EP4083643B1 (en) Soh test method and apparatus
CN110988695A (zh) 动力电池健康状态评估方法、装置、存储介质及电子设备
CN104502859A (zh) 电池荷电量及电池健康状态的检测、诊断方法
CN106019164A (zh) 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法
CN110146822A (zh) 一种基于恒流充电过程的车用动力电池容量在线估计方法
CN105929338B (zh) 一种测量电池状态的方法及其应用
CN105954682B (zh) 蓄电池荷电状态在线估计检测方法及系统
CN114297904B (zh) 一种基于二次差分温度特征的锂电池健康状态估计方法
CN109901072B (zh) 基于历史数据与实验室测试数据的退役电池参数检测方法
CN111414709A (zh) 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法
CN112989690A (zh) 一种混合动力汽车锂电池多时间尺度荷电状态估计方法
CN116224085A (zh) 一种基于数据驱动的锂电池健康状态评估方法
CN110646741A (zh) 一种锂离子电池等效电路模型的参数获取方法
CN117471320A (zh) 基于充电片段的电池健康状态估计方法及系统
CN115754724A (zh) 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法
CN117825975A (zh) 基于数据驱动的锂离子电池soh评估方法及系统
CN117074957B (zh) 一种基于数-模融合的锂离子电池剩余使用寿命预测方法
CN109669133A (zh) 一种动力锂电池寿命数据后台挖掘分析方法
CN110133534B (zh) 蓄电池老化趋势的评估方法
CN116449244A (zh) 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统
CN116679208A (zh) 一种锂电池剩余寿命估算方法
CN114252797B (zh) 一种基于不确定性估计的锂电池剩余使用寿命预测方法

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
GR01 Patent grant
GR01 Patent grant