CN114325393B - 基于pf和gpr的锂离子电池组soh自适应估算方法 - Google Patents
基于pf和gpr的锂离子电池组soh自适应估算方法 Download PDFInfo
- Publication number
- CN114325393B CN114325393B CN202111626395.2A CN202111626395A CN114325393B CN 114325393 B CN114325393 B CN 114325393B CN 202111626395 A CN202111626395 A CN 202111626395A CN 114325393 B CN114325393 B CN 114325393B
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- soh
- ion battery
- battery pack
- estimation
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 67
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000036541 health Effects 0.000 claims abstract description 34
- 238000007599 discharging Methods 0.000 claims abstract description 5
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000006731 degradation reaction Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000178 monomer Substances 0.000 abstract description 11
- 239000002245 particle Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000005184 irreversible process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于PF和GPR的锂离子电池组SOH自适应估算方法，基于LSTM对锂离子电池充放电数据进行预处理，基于GPR预测锂离子电池组基础健康状态SOHcal，基于PF预测最高电压电池单体和最低电压电池单体达到充电截止电压时容量状态预测值，利用所述容量状态预测值迭代更新预测值SOHcal，得到锂离子电池组健康状态SOH，基于预测结果对应的估算不确定度，确定锂离子电池组SOH的估算结果。本发明能显著提高锂离子电池健康状态的估算精度。
Description
技术领域
本发明属于电动汽车锂离子电池技术领域，具体涉及一种基于PF(粒子滤波)和GPR(高斯过程回归)的锂离子电池组SOH自适应估算方法。
背景技术
在过去的几十年中，全球变暖和化石能源短缺的问题日益加重，人们越来越关注清洁能源的运用，这为电动汽车的发展提供了机遇。锂离子动力电池因其循环寿命长、能量密度大、安全性好等优点被应用于电动汽车。随着行驶里程数的增加，电池组不得不面对电池老化的问题，这个问题限制了电池组的储存能量和输出功率的能力，以及电动汽车的性能，包括寿命和成本。如何做好电池的健康状态(State of Health，SOH)的准确估算，已经成为了电动汽车行业的一个关键问题，电池组健康状态的正确估算不仅可以及时避免电池的不安全行为，也可以为电池组的维护和更换工作提供保障。
锂离子电池在长期使用过程中不可避免的面临着老化衰退的问题。电池的健康状态用于描述电池的衰退状态。电池的温度、不同的充放电倍率、过充和过放等不良的使用习惯都会加速电池的老化，电池的衰退是一个不可以逆转的过程。准确的估计电池SOH有着十分重要的意义和价值。
目前关于SOH的研究有基于模型的方法和基于数据驱动的方法，基于模型的方法建模比较复杂，基于数据驱动的方法(如粒子滤波算法)预测准确度低且准确性过分依赖模型，此外，如若将在实际工况提取的数据都用于模型训练，会造成模型精度下降。
发明内容
针对现有技术中存在不足，本发明提供了一种基于PF和GPR的锂离子电池组SOH自适应估算方法，提高锂离子电池健康状态的估算精度。
本发明是通过以下技术手段实现上述技术目的的。
一种基于PF和GPR的锂离子电池组SOH自适应估算方法，包括步骤：
S1，基于锂离子电池充放电数据，提取电池性能退化特性参数，并将电池性能退化特性参数作为健康因子输入GPR预测模型；
S2，GPR预测模型预测锂离子电池组基础健康状态SOHcal；
S3，基于PF预测最高电压电池单体和最低电压电池单体达到充电截止电压时容量状态预测值；
S4，利用所述容量状态预测值迭代更新预测值SOHcal，得到锂离子电池组健康状态SOH；
S5，基于预测结果对应的估算不确定度，确定锂离子电池组SOH的估算结果；
所述预测结果是将锂离子电池充放电数据分为不同的簇组，重复S2-S5得到的；根据估算不确定度对预测结果不断进行更新，得到更新后的SOH预测结果，由更新后的SOH预测结果对应的估算不确定度与基于全部充放电数据的预测结果对应的估算不确定度的大小关系，确定锂离子电池组SOH的估算结果。
上述技术方案中，所述预测结果对应的估算不确定度为其中表示簇质心的值。
上述技术方案中，如果确定最小估算不确定度对应的预测结果为最终估算结果；如果重新对全部充放电数据进行聚类，直至若无法达到则以全部充放电数据得到的预测结果为最终估算结果。
上述技术方案中，所述锂离子电池组健康状态SOH是根据以下公式获得的：
其中：ΔCvol为单体最大压差引起的容量状态预测值，Crat为锂离子电池组初始可用容量，SOHvol为锂离子电池组修正健康状态SOH。
上述技术方案中，所述电池性能退化特性参数包括放电电流分布Dtd、温度分布Ttd和充电SOC-DOD矩阵SDcd。
上述技术方案中，所述锂离子电池组基础健康状态SOHcal是根据如下公式确定的：
其中：x1...xn为健康因子，分别为第i个簇对应的第n+1次循环的均值与标准差，为锂离子电池组基础健康状态的预测值。
上述技术方案中，所述更新后的SOH预测结果，具体为：其中N()表示正态分布。
上述技术方案中，所述锂离子电池数据包括在误差阈值范围内的归一化充放电数据以及不在误差阈值范围内代替异常值的电池参数预测值。
本发明的有益效果为：本发明基于LSTM对锂离子电池数据进行预处理，然后运用皮尔森相关系数进行相关性分析确定最终的健康因子作为GPR预测模型的输入，再基于高斯过程回归预测离子电池组基础健康状态SOHcal，并将预测值SOHcal作为观测值；遍历筛选最高电压以及最低电压的单体，基于粒子滤波PF预测最高电压电池单体和最低电压电池单体达到充电截止电压时容量状态预测值，进而计算锂离子电池组修正健康状态SOHvol，将容量状态预测值代入观测方程迭代更新预测值SOHcal，得到锂离子电池组健康状态SOH；最后基于锂离子电池组健康状态SOH对应的估算不确定度，确定锂离子电池组SOH的估算结果，提高锂离子电池健康状态SOH的估算精度。
附图说明
图1为本发明所述基于PF和GPR的锂离子电池组SOH自适应估算方法流程图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1所示，本发明一种基于PF和GPR的锂离子电池组SOH自适应估算方法，具体包括如下步骤：
步骤(1)，基于LSTM神经网络预测模型对锂离子电池数据进行预处理
从云端获取锂离子电池充放电数据，并对充放电数据进行清洗，清洗的过程，具体为：删除电流为0、缺失值过多的片段、充放电时间过短的片段；对清洗后的充放电数据进行归一化处理；归一化的公式为：
其中：x表示清洗后的充放电数据，max(x)表示x的最大值，min(x)表示x的最小值；
构建基于LSTM神经网络的预测模型，输入归一化后的充放电数据，得到电池参数的预测值；确定电池参数预测值与真实值的误差，并与误差阈值进行对比，当预测值与真实值的误差大于误差阈值时，判定电池参数真实值为异常值，并利用预测值代替异常值；
用于估算锂离子电池组SOH的锂离子电池数据包括在误差阈值范围内的归一化充放电数据以及不在误差阈值范围内代替异常值的电池参数预测值。
步骤(2)，利用pearson(皮尔森)相关性分析提取电池性能退化特性参数
因步骤(1)中的锂离子电池数据会受到外界噪声的干扰，不便于直接用来表征，所以需要运用皮尔森相关性分析提取电池性能退化特性参数，提取的特征参数HI包括放电电流分布Dtd、温度分布Ttd、充电SOC-DOD矩阵SDcd，并将其作为最终的健康因子输入GPR预测模型；
其中Dtd＝[Std1，Std2，Std3，Std4]，Ttd＝[Stt1，Stt2，Stt3，Stt4，Stt5]，i＝1，2，…，10，j＝1，2，…，10。
步骤(3)，基于GPR(高斯过程回归)预测锂离子电池组基础健康状态SOHcal
步骤(3.1)，归一化健康因子并构建GPR预测模型，将锂离子电池前T个循环的健康因子作为训练数据，其余数据为测试数据，利用训练数据和测试数据训练GPR预测模型；
步骤(3.2)，从第T个循环开始的健康因子作为训练后的GPR预测模型输入，预测锂离子电池组基础健康状态SOHcal，如式(2)所示：
其中：x1...xn为健康因子，分别为第i个簇对应的第n+1次循环的均值与标准差，为锂离子电池组基础健康状态的预测值。
步骤(4)，基于PF(粒子滤波)预测最高电压电池单体和最低电压电池单体达到充电截止电压时容量状态预测值
步骤(4.1)，运用粒子滤波算法跟踪锂离子电池单体数据，得到具有最高电压以及最低电压的两个电池单体的状态参数变化曲线；
步骤(4.1.1)，设定算法的参数：粒子数N、过程噪声、观测噪声、最大循环值、驱动矩阵、状态初值；
步骤(4.1.2)，初始化粒子集：根据初始状态为每个粒子赋初值，此时每个粒子的权值相等；
步骤(4.1.3)，采样：选择分布函数计算当前时刻每个粒子的状态；
步骤(4.1.4)，计算当前时刻每个粒子的权值；
步骤(4.1.5)，权值归一化；
步骤(4.1.6)，重采样；
步骤(4.1.7)，重复(4.1.3)-(4.1.6)，直至循环次数k等于预测起始点；
步骤(4.1.8)，输出状态参数变化曲线；
步骤(4.2)，根据状态参数变化曲线建立指数平滑预测模型，其中指数平滑预测模型如式(3)所示：
其中：为两个电池单体的状态预测值，α为参数，xt为两个电池单体的状态真实值；
首先选择初始的两个时间序列参数值的平均值作为指数平滑模型的初始值，其次设置模型参数：α∈(0，1)，递推预测，获得两个电池单体达到充电截止电压时容量状态预测值。
步骤(5)，GPR预测模型得到的预测值SOHcal为观测值，利用粒子滤波算法PF得到的容量状态预测值代入观测方程迭代更新预测值SOHcal，得到锂离子电池组健康状态SOH：
其中：ΔCvol为单体最大压差(最高电压与最低电压的差值)引起的容量状态预测值，Crat为锂离子电池组初始可用容量，SOHvol为锂离子电池组修正健康状态SOH。
步骤(6)，基于预测结果对应的估算不确定度，确定锂离子电池组SOH的估算结果
步骤(6.1)，基于K-means算法将锂离子电池充放电数据分为不同的簇组，返回步骤(2)，得到SOH预测结果
基于预测结果计算得到估算不确定度：
其中：表示簇质心的值；
根据估算不确定度对预测结果不断进行更新，得到更新后的SOH预测结果：
其中：N()表示正态分布；
K-means算法具体步骤如下：
步骤(6.1.1)，确定数据及划分的簇个数；
步骤(6.1.2)，随机分布k个记录成为初始簇中心位置；
步骤(6.1.3)，为每一个数据找到最近的簇中心，共k个簇中心，同时确定各个簇之间的边界区域
步骤(6.1.4)，对于k个簇中的每一个簇，找到簇质心，并将簇质心以新的簇中心位置更新，更新的公式如下：
其中：pi簇或边界区域中的一个数据，wA表示pi到簇Ck质心的权重，wB表示pi到边界区域中心的权重，表示空集；
步骤(6.1.5)，重复步骤(6.1.3)-(6.1.4)，直至收敛或终止，质心不再改变，此时算法收敛或终止，收敛条件如下：
其中：K代表簇的数量，ik代表第k个簇的数据个数，代表全部数据的质心；
当η达到很小并且稳定以后，收敛结束；
步骤(6.2)，更新后的SOH预测结果对应的估算不确定度为判断与基于全部充放电数据的预测结果对应的估算不确定度是的大小关系，如果确定最小估算不确定度对应的预测结果为最终估算结果，如果需要重新对全部充放电数据进行聚类，可以考虑增加聚类的簇数k′＝k+Δk，直至若无法达到，则以全部充放电数据得到的预测结果为最终估算结果。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (4)
1.一种基于PF和GPR的锂离子电池组SOH自适应估算方法，其特征在于，包括步骤：
S1，基于锂离子电池充放电数据，提取电池性能退化特性参数，并将电池性能退化特性参数作为健康因子输入GPR预测模型；
S2，GPR预测模型预测锂离子电池组基础健康状态SOHcal；
S3，基于PF预测最高电压电池单体和最低电压电池单体达到充电截止电压时容量状态预测值；
S4，利用所述容量状态预测值迭代更新预测值SOHcal，得到锂离子电池组健康状态SOH；
所述锂离子电池组健康状态SOH是根据以下公式获得的：
其中：△Cvol为单体最大压差引起的容量状态预测值，Crat为锂离子电池组初始可用容量，SOHvol为锂离子电池组修正健康状态SOH；
所述电池性能退化特性参数包括放电电流分布Dtd、温度分布Ttd和充电SOC-DOD矩阵SDcd；
所述锂离子电池组基础健康状态SOHcal是根据如下公式确定的：
其中：x1...xn为健康因子，分别为第i个簇对应的第n+1次循环的均值与标准差，为锂离子电池组基础健康状态的预测值；
所述更新后的SOH预测结果，具体为：其中N()表示正态分布；
S5，基于预测结果对应的估算不确定度，确定锂离子电池组SOH的估算结果；
所述预测结果是将锂离子电池充放电数据分为不同的簇组，重复S2-S5得到的；根据估算不确定度对预测结果不断进行更新，得到更新后的SOH预测结果，由更新后的SOH预测结果对应的估算不确定度与基于全部充放电数据的预测结果对应的估算不确定度的大小关系，确定锂离子电池组SOH的估算结果。
2.根据权利要求1所述的锂离子电池组SOH自适应估算方法，其特征在于，所述预测结果对应的估算不确定度为其中表示簇质心的值。
3.根据权利要求1所述的锂离子电池组SOH自适应估算方法，其特征在于，如果确定最小估算不确定度对应的预测结果为最终估算结果；如果重新对全部充放电数据进行聚类，直至若无法达到则以全部充放电数据得到的预测结果为最终估算结果。
4.根据权利要求1所述的锂离子电池组SOH自适应估算方法，其特征在于，所述锂离子电池数据包括在误差阈值范围内的归一化充放电数据以及不在误差阈值范围内代替异常值的电池参数预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111626395.2A CN114325393B (zh) | 2021-12-28 | 2021-12-28 | 基于pf和gpr的锂离子电池组soh自适应估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111626395.2A CN114325393B (zh) | 2021-12-28 | 2021-12-28 | 基于pf和gpr的锂离子电池组soh自适应估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114325393A CN114325393A (zh) | 2022-04-12 |
| CN114325393B true CN114325393B (zh) | 2024-07-19 |
Family
ID=81015757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111626395.2A Active CN114325393B (zh) | 2021-12-28 | 2021-12-28 | 基于pf和gpr的锂离子电池组soh自适应估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114325393B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114910793B (zh) * | 2022-04-24 | 2023-03-31 | 广东工业大学 | 一种储能电站串联电池组的soh估计方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445421A (zh) * | 2018-06-06 | 2018-08-24 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池健康状态在线估计方法 |
| CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030740B (zh) * | 2021-03-02 | 2022-06-14 | 北京嘀嘀无限科技发展有限公司 | 一种蓄电池异常检测方法、装置、电子设备以及存储介质 |
| CN113009349B (zh) * | 2021-04-09 | 2024-01-05 | 哈尔滨工业大学 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
| 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 |
-
2021
- 2021-12-28 CN CN202111626395.2A patent/CN114325393B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445421A (zh) * | 2018-06-06 | 2018-08-24 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池健康状态在线估计方法 |
| CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114325393A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| CN112540317B (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
| CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
| CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
| CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
| CN110596593A (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
| 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 | |
| CN111983457A (zh) | 一种基于lstm神经网络的电池组soh估算方法 | |
| CN111220920B (zh) | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 | |
| CN115902647B (zh) | 一种电池状态智能监测方法 | |
| CN110058160A (zh) | 基于srekf的锂电池健康状态的预测方法 | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| 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 | |
| CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
| KR20210000207A (ko) | 내부 단락 셀 검출 방법 | |
| CN114325442A (zh) | 用于鲁棒地预测机器中的蓄能器的老化特性的方法和设备 | |
| CN113406525A (zh) | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN115219918A (zh) | 一种基于容量衰退组合模型的锂离子电池寿命预测方法 | |
| CN114325393B (zh) | 基于pf和gpr的锂离子电池组soh自适应估算方法 | |
| CN114462259A (zh) | 基于soc的电池剩余寿命预测方法、系统、汽车及介质 | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| CN114859231A (zh) | 基于维纳过程和极限学习机的电池剩余寿命预测方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240625 Address after: 516000 plant No. 11-12, Huizhou Zhongkai Zhongji Zhigu Industrial Park, shanpo village, Lilin Town, Huizhou Zhongkai high tech Zone, Huizhou City, Guangdong Province Applicant after: Huizhou Fuji Energy Technology Co.,Ltd. Country or region after: China Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Applicant before: JIANGSU University Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |