CN114355222A - 基于电压曲线的电池健康状态估计方法、装置及可读介质 - Google Patents
基于电压曲线的电池健康状态估计方法、装置及可读介质 Download PDFInfo
- Publication number
- CN114355222A CN114355222A CN202111591805.4A CN202111591805A CN114355222A CN 114355222 A CN114355222 A CN 114355222A CN 202111591805 A CN202111591805 A CN 202111591805A CN 114355222 A CN114355222 A CN 114355222A
- Authority
- CN
- China
- Prior art keywords
- battery
- curve
- health
- state
- logarithmic
- 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
Links
Images
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于电压曲线的电池健康状态估计方法、装置及可读介质,通过获取具有一定恒流充电倍率的电池在恒流充电过程中的电压‑时间变化曲线;将电压‑时间变化曲线的时间通过恒流充电倍率进行倍率处理,再经过对数处理后,得到对数充电电压曲线;采用多项式拟合的方式对对数充电电压曲线进行拟合,得到的拟合曲线;将拟合曲线的各项系数输入线性回归模型中,输出对数充电电压曲线所对应的电池健康状态的预测值。本发明能够适用于不同倍率的恒流充电过程下的SOH估计,且计算复杂度低,兼具较高的精确度。
Description
技术领域
本发明涉及锂离子电池领域,具体涉及一种基于电压曲线的电池健康状态估计方法、装置及可读介质。
背景技术
锂离子电池凭借循环寿命长、能量密度高、自放电小、充放电速度快等一系列优点,已经在电子设备、电动汽车等储能系统中得到了广泛的应用。然而,随着时间的推移和电池使用时间的延长,由于滥用或者老化,电池内部会发生一系列的电化学反应,导致容量不可逆的减少,内阻增加,从而无法满足实际使用需求,严重时还可能会造成起火甚至爆炸等灾难性后果。为保证电池正常高效地工作,电池管理系统(BMS)必不可少。一个完整成熟的BMS往往具有采样及测量功能、状态估计及预测功能、控制及管理功能和通讯及诊断功能。其中,估计电池健康状态(SOH)是状态估计及预测功能中的核心需求之一。准确地对电池健康状态进行估计可以判定电池的老化程度,协助估计电池SOC,并为BMS进行更好的控制、管理和诊断提供重要依据,为电池组的安全性能提供重要保障。
目前,已经很有多研究工作报道了许多有效的SOH估计方法。通常,这些方法可以分为三类:实验方法、自适应估计方法和数据驱动方法。
实验方法是通过设计实验直接测量出电池的容量或内阻,然后根据SOH的定义,计算出电池健康状态。这种方法简单直接、易于理解,但测试耗时较长,需要配合相应的实验设备才能实现,适合在实验室中使用,无法满足实际应用场景的要求。
自适应估计方法是一种能够自我更新以更好地拟合新数据样本的方法,它可以最大限度的减少开发精确老化模型所需的测试工作量。该方法以其精度高、实施简单、易于工程实现等优点得到了广泛应用,但计算量大,往往不适合用于在线估计。
近年来,由于灵活性和无模型的优点,数据驱动方法逐渐成为电池健康状态估计的重要方法之一。该方法将电池当作一个“黑箱”,无需对电池内部复杂的老化衰减机理进行分析。利用数据驱动方法估计SOH,首先需要对测得的数据进行预处理,提取具有代表性的特征变量,然后采用一定的机器学习算法找到各特征变量与SOH之间的隐藏关系,进而实现SOH的估计。
虽然已有的这些SOH估计方法都具有较好的估计结果,但往往不适用于与训练数据倍率不同时的SOH估计。而在电池实际使用过程中,大多数时候电池的充电倍率与训练数据并不相同。
发明内容
针对上述提到的背景技术中提到的技术问题。本申请的实施例的目的在于提出了一种基于电压曲线的电池健康状态估计方法、装置及可读介质,该方法从恒流充电过程的电压曲线中提取特征,利用线性回归算法来估计电池健康状态。来解决以上背景技术部分提到的技术问题。
第一方面,本申请的实施例提供了一种基于电压曲线的电池健康状态估计方法,包括以下步骤:
S1,获取具有一定恒流充电倍率的电池在恒流充电过程中的电压-时间变化曲线;
S2,将电压-时间变化曲线的时间通过恒流充电倍率进行倍率处理,再经过对数处理后,得到对数充电电压曲线;
S3,采用多项式拟合的方式对对数充电电压曲线进行拟合,得到的拟合曲线;
S4,将拟合曲线的各项系数输入电池健康状态估计模型中,输出对数充电电压曲线所对应的电池健康状态的预测值,电池健康状态估计模型包括线性回归模型。
在一些实施例中,步骤S4具体包括:
S41,建立线性回归模型,将拟合曲线的各项系数作为输入特征,与之对应的电池健康状态的预测值作为输出,基于电池健康状态的预测值与已知相对应的电池健康状态的实测值作误差分析以对线性回归模型进行离线训练直至满足误差要求,训练好的线性回归模型作为电池健康状态估计模型;
S42,将实时采集到的恒流充电过程中的电压和时间数据经过步骤S2-S3获取输入特征,输入至所述电池健康状态估计模型在线计算得到所对应的电池健康状态的预测值。
在一些实施例中,步骤S41中将恒流充电倍率为0.75C的电池全寿命周期(从新电池到电池寿命终结)的循环数据作为线性回归模型的训练集,线性回归模型的训练过程中采用残差平方和作为损失函数。
在一些实施例中,步骤S41中将恒流充电倍率为1C和1.25C的电池作为线性回归模型的测试集,并结合拟合优度、平均绝对误差和均方误差三个指标对所述电池健康状态估计模型的精度进行评估和验证。
在一些实施例中,步骤S42中所述电池健康状态估计模型的在线计算过程与步骤S41中线性回归模型的离线训练过程所使用的电池为同一型号。
在一些实施例中,步骤S2具体包括:电压-时间变化曲线的时间t经过下以下公式计算:
t’=ln(C×t+1);
其中,C为恒流充电倍率,t’为对数充电电压曲线的横坐标。
在一些实施例中,步骤S3采用拟合优度指标获取对数充电电压曲线所对应的具有最佳的多项式阶数的拟合曲线,并根据多项式阶数确定拟合曲线的各项系数。
第二方面,本申请的实施例提供了一种基于电压曲线的电池健康状态估计装置,包括:
电压数据获取模块,被配置为获取具有一定恒流充电倍率的电池在恒流充电过程中的电压-时间变化曲线;
曲线处理模块,被配置为将电压-时间变化曲线的时间通过恒流充电倍率进行倍率处理,再经过对数处理后,得到对数充电电压曲线;
曲线拟合模块,被配置为采用多项式拟合的方式对对数充电电压曲线进行拟合,得到的拟合曲线;
预测模块,被配置为将拟合曲线的各项系数输入电池健康状态估计模型中,输出对数充电电压曲线所对应的电池健康状态的预测值,所述电池健康状态估计模型包括线性回归模型。
第三方面,本申请的实施例提供了一种电子设备,包括一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术,本发明具有以下有益效果:
(1)本发明提供的基于电压曲线的电池健康状态估计方法首先对电压曲线进行倍率处理和对数处理这两步数据变换处理,并获得多项式拟合数据变换之后的拟合曲线,将拟合曲线的各个系数组作为输入特征变量,最终基于线性回归算法实现SOH估计。
(2)本发明提供的基于电压曲线的电池健康状态估计方法不需要考虑电池的放电方式,只需要利用电池在已知恒流充电倍率的恒流充电过程的电压-时间数据,离线训练得到的电池健康状态估计模型能适用于同一型号电池的其他不同倍率充电时的SOH估计。
(3)本发明不需要建立复杂的等效电路模型,通过数据驱动的方法,可在线对电池SOH进行估计。
(4)本发明能够适用于不同倍率的恒流充电过程下的SOH估计,且计算复杂度低,兼具较高的精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图;
图2为本发明的实施例的基于电压曲线的电池健康状态估计方法的流程示意图;
图3为本发明的实施例的基于电压曲线的电池健康状态估计方法的锂离子电池SOH估计流程图;
图4为本发明的实施例的基于电压曲线的电池健康状态估计方法的电池循环测试期间电压、电流随时间变化示意图;
图5为本发明的实施例的基于电压曲线的电池健康状态估计方法的不同倍率充电时原始电压曲线(左)与预处理之后的对数充电电压曲线(右)示意图;
图6为本发明的实施例的基于电压曲线的电池健康状态估计方法的2-7阶多项式拟合某对数充电电压曲线的示意图;
图7为本发明的实施例的基于电压曲线的电池健康状态估计方法的线性回归模型对三块电池健康状态的预测值与实测值的对比示意图;
图8为本发明的实施例的基于电压曲线的电池健康状态估计装置的示意图;
图9是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于电压曲线的电池健康状态估计方法或基于电压曲线的电池健康状态估计装置的示例性装置架构100。
如图1所示,装置架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的基于电压曲线的电池健康状态估计方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,基于电压曲线的电池健康状态估计装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于电压曲线的电池健康状态估计方法,包括以下步骤:
S1,获取具有一定恒流充电倍率的电池在恒流充电过程中的电压-时间变化曲线。
在具体的实施例中,锂离子电池SOH估计流程图如图3所示,对某品牌某型号的3块18650锂离子电池进行充放电循环测试,3块电池均经历常规的恒流充电-恒压充电-恒流放电过程。其中,3块电池的恒流充电倍率分别为0.75C、1C、1.25C,而恒流放电倍率均为相同的1C放电。循环测试过程中,利用充放电仪实时记录各个过程中的电压、电流和时间数据,期间该电池电压、电流随时间变化示意图如图4所示。
S2,将电压-时间变化曲线的时间通过恒流充电倍率进行倍率处理,再经过对数处理后,得到对数充电电压曲线。
在具体的实施例中,步骤S2具体包括:电压-时间变化曲线的时间t经过下以下公式计算:
t’=ln(C×t+1);
其中,C为恒流充电倍率,t’为对数充电电压曲线的横坐标。
具体地,在步骤S2中对恒流充电过程中的电压曲线进行预处理。预处理方法为“两步数据变换”:先进行“倍率处理”,即将某恒流充电曲线所有记录的时间乘以相应的充电倍率,即C×t,接着进行“对数处理”,即对“倍率处理”之后的时间数据取自然对数。值得注意的是,由于充电时间是从0开始记录的,而0没有对数,因此“对数处理”之前先加一,避免对0取对数,也即ln(C×t+1)。经过“两步数据变换”处理之后的电压曲线为对数充电电压曲线。不同倍率充电时的电压曲线(图5左)与预处理之后的对数充电电压曲线(图5右)示意图如图5所示。
S3,采用多项式拟合的方式对对数充电电压曲线进行拟合,得到的拟合曲线。
在具体的实施例中,步骤S3采用拟合优度指标获取对数充电电压曲线所对应的具有最佳的多项式阶数的拟合曲线,并根据多项式阶数确定拟合曲线的各项系数。
具体地,用多项式拟合对数充电电压曲线,拟合得到的各项系数即为输入特征。要用多项式去拟合一条曲线,首先需要确定多项式的阶数。显然,多项式阶数越高,对曲线的拟合效果往往就越好,但是,阶数越高,多项式的项就越多,系数也就越多,也就意味着特征变量的维度增加,这会大大增加后续机器学习的计算量;而阶数太低则无法对曲线进行很好的拟合。因此,需要找出一个最佳的拟合阶数,阶数尽可能低,但是又要能够很好的拟合的曲线。为此,采用2-7阶多项式拟合某随机选择的对数充电电压曲线,通过拟合优度(R2)指标,获取拟合对数充电电压曲线最佳的多项式阶数;
拟合优度的计算公式为:
2-7阶多项式拟合对数充电电压曲线的示意图如图6所示,每个子图右下角的数字为每张图相应的拟合优度R2值。从图中可以看出,2阶和3阶多项式无法对所有数据点进行很好的拟合,曲线和数据点有着比较明显的偏离。随着阶数的上升,曲线与数据点重合的越来越好,R2值也相应的上升。虽然4阶多项式拟合时R2值已经能达到0.9993,且曲线与数据点基本重合,但仔细观察后发现拟合曲线与第一个数据点有一定的偏离,更重要的是,这只是拟合某条随机选出来的曲线的结果,为了保证对所有曲线都能有较好的拟合度,就需要用更高阶数的多项式进行拟合。而5、6、7阶多项式拟合的曲线与数据点都能比较完美的重合,且拟合的R2值均为0.9997。本着阶数尽量低的原则,最终选择用5阶多项式来拟合对数充电电压曲线。
S4,将拟合曲线的各项系数输入电池健康状态估计模型中,输出对数充电电压曲线所对应的电池健康状态的预测值,所述电池健康状态估计模型包括线性回归模型。
在具体的实施例中,将步骤S3中多项式拟合对数充电电压曲线得到的各项系数作为线性回归模型的输入特征,输出变量为对数充电电压曲线所对应的电池健康状态(SOH)的预测值。
在具体的实施例中,步骤S4具体包括:
S41,建立线性回归模型,将拟合曲线的各项系数作为输入特征,与之对应的电池健康状态的预测值作为输出,基于电池健康状态的预测值与已知相对应的电池健康状态的实测值作误差分析以对线性回归模型进行离线训练直至满足误差要求,训练好的线性回归模型作为电池健康状态估计模型;
S42,将实时采集到的恒流充电过程中的电压和时间数据经过步骤S2-S3获取输入特征,输入至电池健康状态估计模型在线计算得到所对应的电池健康状态的预测值。
在具体的实施例中,步骤S41中将恒流充电倍率为0.75C的电池全寿命周期(从新电池到电池寿命终结)的循环数据作为线性回归模型的训练集,将恒流充电倍率为1C和1.25C的电池的数据作为线性回归模型的测试集。线性回归模型的训练过程中采用残差平方和作为损失函数。在测试集对电池健康状态估计模型的精度进行评估和验证时需要结合拟合优度、平均绝对误差和均方误差三个指标。
具体地,采用训练集来训练线性回归模型,线性回归模型训练完成后,将测试集输入到线性回归模型中,获取预测的电池健康状态的预测值,将电池健康状态的预测值与电池健康状态的实测值进行对比,并作误差分析。利用拟合优度(R2)、平均绝对误差(MAE)、均方误差(MSE)三个指标来对模型的精度进行验证。
线性回归模型是公认的最简单的机器学习算法,计算量很小,很适合用于SOH的在线估计。说到线性回归一般指的是多元线性回归,就是一个样本有多个特征的线性回归问题。对于一个有m个样本每个样本有n个特征的数据集,线性回归的回归结果可以写作:
线性回归的任务,就是构造一个预测函数来映射输入的特征矩阵X和标签值y的线性关系,这个预测函数的本质就是我们需要构建的模型,而构造预测函数的核心就是找出模型的参数向量ω。为此,构建损失函数:
yi是样本i对应的真实标签,也就是Xiω,是样本i在一组参数ω下的预测标签。这个损失函数其实是在计算真实标签和预测值之间的距离,因此损失函数衡量了构造的模型的预测结果和真实标签之间的差异,显然,这个差异越小越好,所以求解目标可以转化成:
这个式子往往被称为残差平方和(RSS)。于是问题变成了求解让RSS最小化的参数向量ω,这种通过最小化实测值和预测值之间RSS来求解参数的方法就叫做最小二乘法。求解极值的第一步是求一阶导数并让一阶导数等于0,使一阶导数等于0的ω值就是参数的最优解。于是可解得:
ω=(XTX)-1XTy (6)
这样就求出了最优的ω值,也就构造出了一个最佳的预测函数。
线性回归模型在恒流充电倍率为0.75C的电池数据上训练完成后,将训练好的模型用于预测所测得的三块电池每个循环的SOH,并将预测结果与实测结果进行对比,同时借助拟合优度(R2)、平均绝对误差(MAE)、均方误差(MSE)这三个常用指标来对预测结果进行评估验证。其中R2的计算公式见公式(1),MAE和MSE的计算公式分别为:
线性回归模型对三块电池健康状态的预测值与实测值的对比见图7,图中的编号Ⅰ-1、Ⅰ-2、Ⅰ-3分别表示恒流充电倍率为0.75C、1C、1.25C。
值得注意的是,步骤S42中电池健康状态估计模型的在线计算过程与步骤S41中线性回归模型的离线训练过程所使用的电池为同一型号。
在线过程中,利用离线过程训练好的模型来预测电池健康状态,具体步骤为:
利用在线过程中完整恒流充电过程中记录的电压和时间数据,先后进行步骤2的预处理过程和步骤3的多项式拟合过程,获取输入特征变量,然后将其输入到离线训练好的线性回归模型中,得到电池健康状态的预测值。
在离线状态下,利用电池充放电仪对商业18650锂离子电池进行循环测试,获取到电池在某倍率下循环的全寿命周期的电压、电流、时间和容量等实验数据,并利用电池恒流充电过程中的电压曲线来实现SOH估计。为了融入倍率因素,先对电压曲线进行了简单的“两步数据变换”处理,从而使该方法能够适用于不同倍率充电时的SOH估计。然后用多项式去拟合变换之后的曲线,并将拟合得到的解析式系数组作为电池老化特征变量。最终利用线性回归算法来拟合特征变量与SOH之间的依赖关系。在线状态下,只需获取到电池以任意倍率进行恒流充电过程的完整电压曲线,并将曲线进行与离线状态相同的“两步数据变换”过程,然后用相同阶数的多项式拟合变换后的拟合曲线,最后将拟合曲线中的各个系数组作为输入特征输入到离线训练好的线性回归模型中,得到SOH。本发明不需要建立复杂的等效电路模型,通过数据驱动的方法,可在线对电池SOH进行估计。本发明能够适用于不同倍率的恒流充电过程下的SOH估计,且计算复杂度低,兼具较高的精确度。
进一步参考图8,作为对上述各图所示方法的实现,本申请提供了一种基于电压曲线的电池健康状态估计装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于电压曲线的电池健康状态估计装置,包括:
电压数据获取模块1,被配置为获取具有一定恒流充电倍率的电池在恒流充电过程中的电压-时间变化曲线;
曲线处理模块2,被配置为将电压-时间变化曲线的时间通过恒流充电倍率进行倍率处理,再经过对数处理后,得到对数充电电压曲线;
曲线拟合模块3,被配置为采用多项式拟合的方式对对数充电电压曲线进行拟合,得到的拟合曲线;
预测模块4,被配置为将拟合曲线的各项系数输入电池健康状态估计模型中,输出对数充电电压曲线所对应的电池健康状态的预测值,电池健康状态估计模型包括线性回归模型。
下面参考图9,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置900的结构示意图。图9示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,计算机装置900包括中央处理单元(CPU)901和图形处理器(GPU)902,其可以根据存储在只读存储器(ROM)903中的程序或者从存储部分909加载到随机访问存储器(RAM)904中的程序而执行各种适当的动作和处理。在RAM 904中,还存储有装置900操作所需的各种程序和数据。CPU 901、GPU902、ROM 903以及RAM 904通过总线905彼此相连。输入/输出(I/O)接口906也连接至总线905。
以下部件连接至I/O接口906:包括键盘、鼠标等的输入部分907;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分908;包括硬盘等的存储部分909;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分910。通信部分910经由诸如因特网的网络执行通信处理。驱动器911也可以根据需要连接至I/O接口906。可拆卸介质912,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器911上,以便于从其上读出的计算机程序根据需要被安装入存储部分909。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分910从网络上被下载和安装,和/或从可拆卸介质912被安装。在该计算机程序被中央处理单元(CPU)901和图形处理器(GPU)902执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取具有一定恒流充电倍率的电池在恒流充电过程中的电压-时间变化曲线;将电压-时间变化曲线的时间通过恒流充电倍率进行倍率处理,再经过对数处理后,得到对数充电电压曲线;采用多项式拟合的方式对对数充电电压曲线进行拟合,得到的拟合曲线;将拟合曲线的各项系数输入电池健康状态估计模型中,输出对数充电电压曲线所对应的电池健康状态的预测值,电池健康状态估计模型包括线性回归模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于电压曲线的电池健康状态估计方法,其特征在于,包括以下步骤:
S1,获取具有一定恒流充电倍率的电池在恒流充电过程中的电压-时间变化曲线;
S2,将所述电压-时间变化曲线的时间通过所述恒流充电倍率进行倍率处理,再经过对数处理后,得到对数充电电压曲线;
S3,采用多项式拟合的方式对所述对数充电电压曲线进行拟合,得到的拟合曲线;
S4,将所述拟合曲线的各项系数输入电池健康状态估计模型中,输出所述对数充电电压曲线所对应的电池健康状态的预测值,所述电池健康状态估计模型包括线性回归模型。
2.根据权利要求1所述的基于电压曲线的电池健康状态估计方法,其特征在于,所述步骤S4具体包括:
S41,建立线性回归模型,将所述拟合曲线的各项系数作为输入特征,与之对应的电池健康状态的预测值作为输出,基于所述电池健康状态的预测值与已知相对应的电池健康状态的实测值作误差分析以对所述线性回归模型进行离线训练直至满足误差要求,训练好的线性回归模型作为所述电池健康状态估计模型;
S42,将实时采集到的恒流充电过程中的电压和时间数据经过步骤S2-S3获取输入特征,输入至所述电池健康状态估计模型在线计算得到所对应的电池健康状态的预测值。
3.根据权利要求2所述的基于电压曲线的电池健康状态估计方法,其特征在于,所述步骤S41中将所述恒流充电倍率为0.75C的电池全寿命周期的循环数据作为所述线性回归模型的训练集,所述线性回归模型的训练过程中采用残差平方和作为损失函数。
4.根据权利要求2所述的基于电压曲线的电池健康状态估计方法,其特征在于,所述步骤S41中将所述恒流充电倍率为1C和1.25C的电池的数据作为所述线性回归模型的测试集,并结合拟合优度、平均绝对误差和均方误差三个指标对所述电池健康状态估计模型的精度进行评估和验证。
5.根据权利要求2所述的基于电压曲线的电池健康状态估计方法,其特征在于,所述步骤S42中所述电池健康状态估计模型的在线计算过程与步骤S41中所述电池健康状态估计模型的离线训练过程所使用的电池为同一型号。
6.根据权利要求1所述的基于电压曲线的电池健康状态估计方法,其特征在于,所述步骤S2具体包括:所述电压-时间变化曲线的时间t经过下以下公式计算:
t′=ln(C×t+1);
其中,C为恒流充电倍率,t’为所述对数充电电压曲线的横坐标。
7.根据权利要求1所述的基于电压曲线的电池健康状态估计方法,其特征在于,所述步骤S3采用拟合优度指标获取所述对数充电电压曲线所对应的具有最佳的多项式阶数的拟合曲线,并根据所述多项式阶数确定所述拟合曲线的各项系数。
8.一种基于电压曲线的电池健康状态估计装置,其特征在于,包括:
电压数据获取模块,被配置为获取具有一定恒流充电倍率的电池在恒流充电过程中的电压-时间变化曲线;
曲线处理模块,被配置为将所述电压-时间变化曲线的时间通过所述恒流充电倍率进行倍率处理,再经过对数处理后,得到对数充电电压曲线;
曲线拟合模块,被配置为采用多项式拟合的方式对所述对数充电电压曲线进行拟合,得到的拟合曲线;
预测模块,被配置为将所述拟合曲线的各项系数输入电池健康状态估计模型中,输出所述对数充电电压曲线所对应的电池健康状态的预测值,所述电池健康状态估计模型包括线性回归模型。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111591805.4A CN114355222A (zh) | 2021-12-23 | 2021-12-23 | 基于电压曲线的电池健康状态估计方法、装置及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111591805.4A CN114355222A (zh) | 2021-12-23 | 2021-12-23 | 基于电压曲线的电池健康状态估计方法、装置及可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114355222A true CN114355222A (zh) | 2022-04-15 |
Family
ID=81100623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111591805.4A Pending CN114355222A (zh) | 2021-12-23 | 2021-12-23 | 基于电压曲线的电池健康状态估计方法、装置及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355222A (zh) |
Cited By (1)
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 |
-
2021
- 2021-12-23 CN CN202111591805.4A patent/CN114355222A/zh active Pending
Cited By (1)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hosen et al. | Battery lifetime prediction and performance assessment of different modeling approaches | |
Tian et al. | Deep neural network battery charging curve prediction using 30 points collected in 10 min | |
Yang et al. | State-of-health estimation for the lithium-ion battery based on support vector regression | |
Chen et al. | Online battery state of health estimation based on Genetic Algorithm for electric and hybrid vehicle applications | |
Sun et al. | A sequential capacity estimation for the lithium-ion batteries combining incremental capacity curve and discrete Arrhenius fading model | |
Heinrich et al. | Virtual experiments for battery state of health estimation based on neural networks and in-vehicle data | |
Jiang et al. | State of health estimation of lithium-ion battery with automatic feature extraction and self-attention learning mechanism | |
Li et al. | State‐of‐health prediction for lithium‐ion batteries via electrochemical impedance spectroscopy and artificial neural networks | |
CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
CN116643196A (zh) | 一种融合机理与数据驱动模型的电池健康状态估计方法 | |
Zhou et al. | Research on Online Capacity Estimation of Power Battery Based on EKF‐GPR Model | |
Ma et al. | State of health and remaining useful life prediction for lithium-ion batteries based on differential thermal voltammetry and a long and short memory neural network | |
Schmitt et al. | State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data | |
CN115718263A (zh) | 基于注意力的锂离子电池日历老化预测模型和方法 | |
CN114355222A (zh) | 基于电压曲线的电池健康状态估计方法、装置及可读介质 | |
Mahboubi et al. | State of charge estimation for lithium‐ion batteries based on square root sigma point Kalman filter considering temperature variations | |
Sahoo et al. | Transfer learning based generalized framework for state of health estimation of Li-ion cells | |
Guo et al. | State‐of‐Health Estimation of Lithium‐Ion Batteries Based on Thermal Characteristics Mining and Multi‐Gaussian Process Regression Strategy | |
Guo et al. | Health prognostics of lithium-ion batteries based on universal voltage range features mining and adaptive multi-Gaussian process regression with Harris Hawks optimization algorithm | |
Gao et al. | Quantum assimilation-based data augmentation for state of health prediction of lithium-ion batteries with peculiar degradation paths | |
El Marghichi et al. | Improving accuracy in state of health estimation for lithium batteries using gradient-based optimization: Case study in electric vehicle applications | |
CN117250490A (zh) | 一种基于lstm的剩余电流动作断路器寿命预测方法 | |
Monirul et al. | Adaptive state of charge estimation for lithium‐ion batteries using feedback‐based extended Kalman filter | |
Kaleli et al. | Recursive ARMAX-based global battery SOC estimation model design using Kalman filter with optimized parameters by radial movement optimization method | |
He et al. | State of health estimation of lithium-ion battery aging process based on time-frequency fusion characteristics |
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 |