CN114372417A - 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 - Google Patents

基于充电网的电动汽车电池健康状态和剩余寿命评估方法 Download PDF

Info

Publication number
CN114372417A
CN114372417A CN202210031258.2A CN202210031258A CN114372417A CN 114372417 A CN114372417 A CN 114372417A CN 202210031258 A CN202210031258 A CN 202210031258A CN 114372417 A CN114372417 A CN 114372417A
Authority
CN
China
Prior art keywords
battery
data
charging
electric vehicle
health
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
Application number
CN202210031258.2A
Other languages
English (en)
Inventor
高德欣
朱振宇
杨清
王现海
王怀志
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.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and Technology
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 Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN202210031258.2A priority Critical patent/CN114372417A/zh
Publication of CN114372417A publication Critical patent/CN114372417A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于充电网的电动汽车电池健康状态和剩余寿命评估方法，首先，电动汽车在充电网进行充电时，在线获取电池充电的各种状态参数，并存储至数据库；其次，将数据库中数据分为历史数据和实时数据，并进行预处理；然后，建立目标电池健康因子(Health Indicator,HI)标准，由预处理后的历史数据获得电池历史HI数据，由预处理后的实时数据获得电池实时HI数据；随后，设计CNN‑BiLSTM‑AM混合网络模型，对电池历史HI数据进行充分的学习，构建电动汽车电池容量的预测模型；随后，制定模型预测精度的评价标准，用来评判模型预测的准确性；最后，将训练好的CNN‑BiLSTM‑AM混合网络模型应用到在线充电监测中，使用电池实时HI数据实现电动汽车的电池健康状态和剩余寿命评估。

Description

基于充电网的电动汽车电池健康状态和剩余寿命评估方法
技术领域
本发明属于电池健康状态和剩余寿命预测领域，具体涉及一种基于充电网的电动汽车电池健康状态和剩余寿命评估方法。
背景技术
新能源电动汽车以电能作为主要能源，有利于缓解石油能源危机、减少碳排放。随着电动汽车的迅猛发展，电动汽车电池健康状态和剩余使用寿命与新能源车辆性能息息相关，完善新能源汽车动力电池回收利用溯源管理体系变尤为重要。因此，在线监测电动汽车电池健康状态和使用寿命评估，在电动汽车电池寿命结束之前进行电池健康状态评估就显得十分的重要。
电动汽车电池老化情况可以通过电池的健康状态(State of Health，SOH)和剩余使用寿命 (Remaining Useful Life，RUL)表示，SOH和RUL是一个无法直接获取的参数，需要通过预测算法来确定。
相关技术中，往往会从电动汽车完整充放电过程来预测电池SOH，但是由于电动汽车放电数据很能实时监测，所以实际应用面临困难，但从充电网获取电动汽车充电数据进行预测的方法相对较少。
随着深度学习技术的发展，把合适的深度学习网络应用到电池健康检测领域，是一件非常有意义的事情。CNN能够提取数据中深层特征，应用到电动汽车电池的直流充电数据中，能够挖掘出电池充电的特征，提高电动汽车电池健康状态预测模型的稳定性，BiLSTM可以双向分析电动汽车电池充电数据的特点，能够充分对电动汽车电池充电数据信息进行深层次利用，使预测模型具有更强的数据提取、分析和泛化能力；AM能够根据每个输入特征对输出的影响，为神经网络中的隐藏状态赋予不同的权重，对输入序列进行建模，并将其与输出序列的值相关联，训练模型学习如何选择性地关注输入数据，为更相关的输入向量赋予更高的权重。
因此本申请从实际应用角度出发，结合三种模型的特点，构建CNN-BiLSTM-AM混合网络模型，准确预测电动汽车电池的健康状态，及时发现电池的健康状态问题，为电动汽车的安全运行提供技术保障。
发明内容
基于上述技术问题，本发明的目的在于提供一种基于充电网的电动汽车电池健康状态和剩余寿命评估方法。首先，电动汽车在充电网进行充电时，在线获取电池充电的各种状态参数，并存储至数据库；其次，将数据库中数据分为历史数据和实时数据，并进行预处理；然后，建立目标电池HI标准，由预处理后的历史数据获得电池历史HI数据，由预处理后的实时数据获得电池实时HI数据；随后，设计CNN-BiLSTM-AM混合网络模型，对电池历史HI数据进行充分的学习，构建电动汽车电池容量的预测模型；随后，制定模型预测精度的评价标准，用来评判模型预测的准确性；最后，将训练好的CNN-BiLSTM-AM混合网络模型应用到在线充电监测中，使用电池实时HI数据实现电动汽车的电池健康状态和剩余寿命评估。
本发明提供了一种基于充电网的电动汽车电池健康状态和剩余寿命预测方法，包括以下步骤：
步骤S1：根据国标《电动汽车非车载传导式充电机与电池管理系统之间的通信协议 GB/T 27930》规定，采集电动汽车电池在充电网充电过程中的状态参数，并将各类充电数据存储至数据库；
步骤S2：将数据库的充电数据划分为历史充电数据和实时充电数据，并进行预处理；
步骤S3：建立电动汽车电池健康因子HI标准，用历史充电数据，构建电池历史HI数据；用实时充电数据，构建电池实时HI数据；
步骤S4：构建CNN-BiLSTM-AM混合网络模型；基于预先设置的电池历史HI数据对所建立的混合网络模型进行训练，建立电池历史HI数据和电动汽车容量的对应关系，确定电动汽车电池的容量；
步骤S5：采用贝叶斯优化算法对电动汽车电池预测模型的超参数进行优化，并制定模型预测精度的评价标准，用充电历史数据计算所述模型的预测精度；
步骤S6：将所述电动汽车电池的实时HI数据，输入到预先训练的CNN-BiLSTM-AM混合网络模型中，确定电动汽车电池当前的容量；
步骤S7：由电动汽车电池的初始容量和当前预测实际容量，计算电动汽车电池的健康状态SOH和剩余使用寿命RUL。
进一步的，所述步骤S1中，根据国标《电动汽车非车载传导式充电机与电池管理系统之间的通信协议GB/T 27930》规定，采集电动汽车电池在充电网充电过程中的状态参数，状态参数包括不限于：整车动力电池额定容量、整车动力电池额定电压、最高允许单体电压、最高允许充电电流、整车动力电池标称总能量、最高允许充电电压、最高允许温度、整车动力电池初始SOC、整车动力电池初始电压、整车动力电池需求电压、整车动力电池需求电流、充电电压测量值、充电电流测量值、整车动力电池最高单体电压、整车动力电池当前SOC、整车动力电池单体最高温度参数信息。
进一步的，所述步骤S2中对历史、实时充电数据进行预处理，其具体操作如下：
(1)采用拉依达法对数据进行离群点检测，删除数据中的异常数据，其计算公式为：
Figure BDA0003466526170000021
式中xout为异常数据，
Figure BDA0003466526170000022
和
Figure BDA0003466526170000023
分别表示去掉离群值后其余数据的平均值和平均偏差，当所要检测的离群值满足上述条件时，判定为异常值，否则未发现异常值；
(2)采用均值填充对数据中的缺失值进行填补，其计算公式为：xt＝xt-1+xt+1，式中xt为缺失值数据，xt和
Figure BDA0003466526170000024
分别表示去掉离群值后其余数据的平均值和平均偏差；
(3)利用极差标准化的方法对数据进行归一化处理，处理后的数据范围为[0,1]，其计算公式为：
Figure BDA0003466526170000025
式中，x*为归一化处理后的电动汽车充电数据，x为电动汽车电池充电数据。
进一步的，所述步骤S3中电动汽车电池健康因子(Health Indicator,HI)标准，其具体操作如下，(1)把电池端电压变换率作为第一个表征电池健康状态的健康因子，记作HI(1)；(2) 把恒压充电时间作为第二个表征电池健康状态的健康因子，记作HI(2)；(3)把恒流充电时间作为第三个表征电池健康状态的健康因子，记作HI(3)。
进一步的，所述步骤S4中构建的CNN-BiLSTM-AM混合网络模型，其中CNN为卷积神经网络，作用是提取充电数据中深层特征；BiLSTM为双向长短期记忆神经网络，由前向和后向LSTM组成，主要作用是同时双向拟合电动汽车电池信息，并捕获CNN网络忽略的电动汽车电池信息；AM为注意力机制，主要作用是通过自动学习权重，计算出最适合的权重矩阵。CNN的计算公式为：ct＝f(WCNN*nt+bCNN)，式中WCNN表示权重系数，即卷积核； nt表示t时刻的数据，*为卷积运算，bCNN表示偏差系数，ct为数据序列，f表示激活函数；BiLSTM 的计算公式为：
Figure BDA0003466526170000031
式中，wt为t时刻前向隐层LSTM的输出权重，vt为t时刻后向隐层LSTM的输出权重，ht为t时刻BiLSTM 的隐藏状态，bt为ht对应的偏置量；AM的计算公式为：et＝utanh(wAht+bA)、
Figure BDA0003466526170000032
式中u和wA为权值参数，bA为偏置，et为第t时刻有BiLSTM 层输出向量ht所决定的注意力概率分布值，st表示注意力层的输出。
进一步的，所述步骤S5中使用的贝叶斯优化算法对电动汽车电池预测模型的超参数进行优化，并制定模型预测精度的评价标准，用充电历史数据计算所述模型的预测精度，其中，超参数优化过程的概率分布公式为：P(E|D)∝P(D|E)P(E)，式中P(E)为高斯分布，P(D|E) 为一个高斯回归过程，可由核矩阵Σ来确定，Σ由核函数定义，其表达式为
Figure BDA0003466526170000033
其中，评价标准选用均方根误差、平均绝对误差、模型决定系数R2和RUL预测误差，其计算公式为：
Figure BDA0003466526170000034
Figure BDA0003466526170000035
RULerror＝|RULpredict-RULreal|，式中yi与
Figure BDA0003466526170000036
分别为第i次循环时电动汽车电池容量的真实值与预测值，
Figure BDA0003466526170000037
为实际值的平均值，RULreal与RULpredict分别为真实的RUL与预测的RUL，RULerror代表两者之间的绝对误差。
进一步的，所述步骤S6中将电动汽车电池的实时HI数据，输入到预先训练的CNN-BiLSTM-AM混合网络模型中，确定电动汽车电池当前的容量。在实际应用中，把预先训练的CNN-BiLSTM-AM混合网络模型放到云平台监控系统中，根据实时充电数据在线确定电动汽车电池的SOC容量。
进一步的，所述步骤S7中所述使用电池健康状态SOH和电池剩余寿命RUL计算公式为：
Figure BDA0003466526170000038
式中Cτ为循环τ-th的电池容量，Co为电池初始的标称容量；RUL＝tEOL-t，式中tEOL为容量达到EOL阈值的周期数；t是当前容量的循环次数。
与现有技术相比，本发明的优点和积极效果在于：(1)本发明设计的CNN-BiLSTM-AM 混合网络模型，结合CNN、BiLSTM和注意力机制三种网络特点，利用了CNN网络特征提取，挖掘数据的深层特征的优势，将CNN和BiLSTM进行融合，将数据的特征提取与时序预测结合，提高了预测模型的关联性和预测精度，在BiLSTM每一层输出特征向量后添加AM 层，使得模型能够学习更复杂的抽象特征，在长时间序列预测任务中表现得更好，增强模型非线性表达能力，提高模型的预测准确率；(2)本发明能够从充电网端实时获取电动汽车电池的充电状态数据，从而实现在线评估电动汽车电池容量，进一步计算出电动汽车电池SOH 和RUL，克服了传统离线评估方式的缺陷；(3)本发明不需要建立复杂机理、化学模型，理论依据详实，在执行效率和内存资源占用方面极具优势。本发明泛化能力强，可以解决不同电动汽车电池、不同充电网充电策略包括快充、慢充等情况下的电动汽车健康状态和剩余使用寿命评估，且模型准确性大大提高。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍:
图1为本发明基于充电网的电动汽车电池健康状态和剩余寿命评估方法的流程示意图；
图2为本发明锂电池提取健康因子图；
图3为本发明设计的CNN-BiLSTM-AM混合网络模型的结构图；
图4本发明基于贝叶斯优化算法的CNN-BiLSTM-AM混合网络模型参数寻优的流程图；
图5为本发明锂电池提取电池健康因子与容量相关度热图；
图6为本发明实施例提供的一种CNN-BiLSTM-AM混合网络模型的电池健康状态和剩余寿命评估结果图。
具体实施方式
以下基于实施例对本发明进行描述，并结合说明书的附图对本发明的具体实施方案进行更加详细的说明。
图1为本发明基于充电网的电动汽车电池健康状态和剩余寿命评估方法的流程示意图，其具体实施方式包括：
根据国标《电动汽车非车载传导式充电机与电池管理系统的通信协议(GB/T27930)》规定，从充电网获取电动汽车电池的充电状态数据存储至数据库。
将数据库的充电数据划分为历史充电数据和实时充电数据，并进行预处理，其具体操作如下：
(1)采用拉依达法对数据进行离群点检测，删除数据中的异常数据，其计算公式为：
Figure BDA0003466526170000041
式中xout为异常数据，
Figure BDA0003466526170000042
和
Figure BDA0003466526170000043
分别表示去掉离群值后其余数据的平均值和平均偏差。当所要检测的离群值满足上述条件时，判定为异常值，否则未发现异常值。
(2)采用均值填充对数据中的缺失值进行填补，其计算公式为：xt＝xt-1+xt+1，式中xt为缺失值数据，xt和
Figure BDA0003466526170000044
分别表示去掉离群值后其余数据的平均值和平均偏差；
(3)利用极差标准化的方法对数据进行归一化处理，处理后的数据范围为[0,1]，其计算公式为：
Figure BDA0003466526170000051
式中，x*为归一化处理后的电动汽车充电数据，x为电动汽车电池充电数据。
建立如下所示电动汽车电池健康因子标准，用历史充电数据，构建电池历史HI数据；用实时充电数据，构建电池实时HI数据：(1)把电池端电压变换率作为第一个表征电池健康状态的健康因子，记作HI(1)；(2)把恒压充电时间作为第二个表征电池健康状态的健康因子，记作HI(2)；(3)把恒流充电时间作为第三个表征电池健康状态的健康因子，记作HI(3)；锂电池提取电池健康因子与容量相关度热图如图2所示，上述关联表明与电池容量相关度均大于0.64，相关性较强。
构建如图3所示的CNN-BiLSTM-AM混合网络模型：
(1)CNN的计算公式为：ct＝f(WCNN*nt+bCNN)，式中，WCNN表示权重系数，即卷积核；nt表示t时刻的数据，*为卷积运算，bCNN表示偏差系数，ct为数据序列，f表示激活函数；
(2)BiLSTM由前向和后向LSTM组成，计算公式为：
Figure BDA0003466526170000052
Figure BDA0003466526170000053
式中，wt为t时刻前向隐层LSTM的输出权重，vt为t 时刻后向隐层LSTM的输出权重，ht为t时刻BiLSTM的隐藏状态，bt为ht对应的偏置量；
(3)AT为注意力机制，其计算公式为：et＝utanh(wAht+bA)、
Figure BDA0003466526170000054
Figure BDA0003466526170000055
式中，u和wA为权值参数；bA为偏置；et为第t时刻有BiLSTM层输出向量ht所决定的注意力概率分布值；st表示注意力层的输出；随后基于预先设置的电池历史HI数据对所建立的混合网络模型进行训练，建立电池历史HI数据和电动汽车容量的对应关系，确定电动汽车的容量。
图4为贝叶斯优化算法优化CNN-BiLSTM-AM混合网络模型流程图，其中公式为： P(E|D)∝P(D|E)P(E)，式中，P(E)为高斯分布，P(D|E)为一个高斯回归过程，可由核矩阵Σ来确定，Σ由核函数定义，其表达式为：
Figure BDA0003466526170000056
本申请通过多次实验，在每一次迭代完成后，根据实验的准确率和损失率对超参数进行设置和调整，经过多次迭代实验，贝叶斯优化算法下的模型设置的超参数如表1所示。
表1 各神经网络的超参数
Figure BDA0003466526170000057
Figure BDA0003466526170000061
在CNN-BiLSTM-AM混合网络模型训练过程中，Adam优化函数用于更新网络的权重和偏差，其计算公式：mt＝β1mt-1+(1-β1)ft(θt)、nt＝β2nt-1+(1-β2)ft 2(θt)、
Figure BDA0003466526170000062
Figure BDA0003466526170000063
式中，mt和mt分别是时间t处梯度的一阶矩估计和二阶估计，
Figure BDA0003466526170000064
和
Figure BDA0003466526170000065
分别是对mt和nt的修正，θt是模型参数。学习率α为0.01，衰减系数β1和β2分别为0.9和0.999，常数ε为10-8。
选择如下预测精度评价标准，均方根误差、平均绝对误差、模型决定系数R2和RUL预测误差作为评价预测模型性能指标进行评价，其计算公式为：
Figure BDA0003466526170000066
Figure BDA0003466526170000067
RULerror＝|RULpredict-RULreal|，式中，yi与
Figure BDA0003466526170000068
分别为第i次循环时电动汽车电池容量的真实值与预测值，
Figure BDA0003466526170000069
为实际值的平均值，RULreal与RULpredict分别为真实的RUL与预测的RUL，RULerror代表两者之间的绝对误差，使用预测数据和历史充电数据计算所述混合网络模型预测精度，并进行输出。
将电动汽车的电池实时HI数据，输入到预先训练的CNN-BiLSTM-AM混合网络模型中，确定电动汽车当前电池的容量。
图6为本发明实施例提供的一种CNN-BiLSTM-AM模型的电池健康状态和剩余寿命预测结果图。由电动汽车电池的初始容量和当前预测实际容量，计算电动汽车电池的健康状态和剩余使用寿命，电动汽车电池SOH和RUL计算公式为：
Figure BDA00034665261700000610
式中，Cτ为循环τ-th的电池容量，Co为电池初始标称容量为1.1Ah，以550次循环为例C550＝0.875；电池预测点处的SOH值为0.8，实际SOH值为0.795，预测该电池的健康状态为接近退役， CNN-BiLSTM-AM模型能够准确预测电池的健康状态。RUL＝tEOL-t，式中，tEOL为容量达到EOL阈值的周期数；t是当前容量的循环次数。结果表明锂电池tEOL＝548，，RULreal＝548， RULpredict＝550故RULerror＝|RULpredict-RULreal|＝2，RUL预测绝对误差仅为2，CNN-BiLSTM-AM模型能够准确预测电池的剩余使用寿命。通过实验证明，CNN-BiLSTM-AM混合网络模型具有更强的长时间序列分析预测能力，能够准确、有效的预测电池的健康状态和剩余使用寿命。
尽管本发明已以如上较好实施例中公开，但本发明不限于此。本领域技术人员可以在不脱离本发明的精神和范围的情况下进行各种改变和修改。因此，本发明的保护范围以权利要求书限定的范围为准。

Claims (9)

1.基于充电网的电动汽车电池健康状态和剩余寿命评估方法，其特征在于，包括以下步骤：
步骤S1：根据国标《电动汽车非车载传导式充电机与电池管理系统之间的通信协议GB/T 27930》规定，采集电动汽车电池在充电网充电过程中的状态参数，并将充电数据存储至数据库；
步骤S2：将数据库的充电数据划分为历史数据和实时数据，并进行预处理；
步骤S3：建立电动汽车电池HI标准，由预处理后的历史数据获得电池历史HI数据；由预处理后的实时数据获得电池实时HI数据；
步骤S4：构建CNN-BiLSTM-AM混合网络模型，用电池历史HI数据对所建立的混合网络模型进行训练，建立电池历史HI数据和电动汽车容量的对应关系，确定电动汽车电池的容量；
步骤S5：采用贝叶斯优化算法对电动汽车电池预测模型的超参数进行优化，并制定模型预测精度的评价标准，用来计算所述模型的预测精度；
步骤S6：将所述电动汽车电池的实时HI数据，输入到预先训练的CNN-BiLSTM-AM混合网络模型中，确定电动汽车电池当前的容量；
步骤S7：由电动汽车电池的初始容量和当前预测实际容量，计算电动汽车电池的健康状态SOH和剩余使用寿命RUL。
2.根据权利要求1的基于充电网的电动汽车电池健康状态和剩余寿命评估方法，其特征在于，所述步骤S1中采集电动汽车电池在充电网充电过程中的状态参数，包括但不局限于：整车动力电池额定容量、整车动力电池额定电压、最高允许单体电压、最高允许充电电流、整车动力电池标称总能量、最高允许充电电压、最高允许温度、整车动力电池初始SOC、整车动力电池初始电压、整车动力电池需求电压、整车动力电池需求电流、充电电压测量值、充电电流测量值、整车动力电池最高单体电压、整车动力电池当前SOC、整车动力电池单体最高温度参数信息。
3.根据权利要求1的基于充电网的电动汽车电池健康状态和剩余寿命评估方法，其特征在于，所述步骤S2中将数据库的充电数据划分为历史数据和实时数据，并进行预处理，其预处理具体操作为：(1)采用拉依达法对数据进行离群点检测，删除数据中的异常数据；(2)采用均值填充对数据中的缺失值进行填补；(3)采用极差标准化的方法对数据进行归一化处理，处理后的数据范围为[0,1]。
4.根据权利要求1的基于充电网的电动汽车电池健康状态和剩余寿命评估方法，其特征在于，所述步骤S3中建立电动汽车电池健康因子HI标准，其具体操作为：(1)把电池端电压变换率作为第一个表征电池健康状态的健康因子，记作HI(1)；(2)把恒压充电时间作为第二个表征电池健康状态的健康因子，记作HI(2)；(3)把恒流充电时间作为第三个表征电池健康状态的健康因子，记作HI(3)。
5.根据权利要求1的基于充电网的电动汽车电池健康状态和剩余寿命评估方法，其特征在于，所述步骤S4中构建的CNN-BiLSTM-AM混合网络模型，其中CNN为卷积神经网络，学习电动汽车电池循环数据在整体结构上的特征，其计算公式为：ct＝f(WCNN*nt+bCNN)，式中，WCNN表示权重系数，即卷积核；nt表示t时刻的数据；*为卷积运算；bCNN表示偏差系数；ct为数据序列；f表示激活函数。
6.根据权利要求1的基于充电网的电动汽车电池健康状态和剩余寿命评估方法，其特征在于，所述步骤S4中构建的CNN-BiLSTM-AM混合网络模型，其中BiLSTM为双向长短期记忆神经网络，是由前向和后向LSTM组成，主要作用是同时双向拟合电动汽车电池信息，并捕获CNN网络忽略的电动汽车电池信息，其计算公式为：
Figure FDA0003466526160000021
Figure FDA0003466526160000022
式中，wt为t时刻前向隐层LSTM的输出权重；vt为t时刻后向隐层LSTM的输出权重；ht为t时刻BiLSTM的隐藏状态；bt为ht对应的偏置量。
7.根据权利要求1的基于充电网的电动汽车电池健康状态和剩余寿命评估方法，其特征在于，所述步骤S4中构建的CNN-BiLSTM-AM混合网络模型，其中AM为注意力机制，主要作用是通过自动学习权重，计算出最适合的权重矩阵，其计算公式为：et＝utanh(wAht+bA)、
Figure FDA0003466526160000023
式中，u和wA为权值参数；bA为偏置；et为第t时刻有BiLSTM层输出向量ht所决定的注意力概率分布值；st表示注意力层的输出。
8.根据权利要求1的基于充电网的电动汽车电池健康状态和剩余寿命评估方法，其特征在于，所述步骤S5中采用贝叶斯优化算法对电动汽车电池预测模型的超参数进行优化，其建立优化过程的概率分布公式为：P(E|D)∝P(D|E)P(E)，式中：P(E)为高斯分布；P(D|E)为一个高斯回归过程，可由核矩阵Σ来确定，Σ由核函数定义，其表达式为：
Figure FDA0003466526160000024
9.根据权利要求1的基于充电网的电动汽车电池健康状态和剩余寿命评估方法，其特征在于，所述步骤S7中电池健康状态SOH和电池剩余寿命RUL计算公式为：
Figure FDA0003466526160000025
式中，Cτ为循环τ-th的电池容量；Co为电池初始的标称容量；RUL＝tEOL-t，式中，tEOL为容量达到EOL阈值的周期数；t是当前容量的循环次数。
CN202210031258.2A 2022-01-12 2022-01-12 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 Pending CN114372417A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210031258.2A CN114372417A (zh) 2022-01-12 2022-01-12 基于充电网的电动汽车电池健康状态和剩余寿命评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210031258.2A CN114372417A (zh) 2022-01-12 2022-01-12 基于充电网的电动汽车电池健康状态和剩余寿命评估方法

Publications (1)

Publication Number Publication Date
CN114372417A true CN114372417A (zh) 2022-04-19

Family

ID=81143717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210031258.2A Pending CN114372417A (zh) 2022-01-12 2022-01-12 基于充电网的电动汽车电池健康状态和剩余寿命评估方法

Country Status (1)

Country Link
CN (1) CN114372417A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114878A (zh) * 2022-07-26 2022-09-27 中国长江三峡集团有限公司 一种储能电站电池寿命在线预测方法、装置及存储介质
CN115267558A (zh) * 2022-09-30 2022-11-01 深圳先进技术研究院 一种双向锂离子电池的寿命预测与状态估计方法
CN115293100A (zh) * 2022-09-30 2022-11-04 深圳市威特利电源有限公司 一种新能源电池剩余电量精准评估方法
CN115808627A (zh) * 2023-02-03 2023-03-17 泉州装备制造研究所 一种锂电池soh预测方法及装置
CN116011993A (zh) * 2023-01-10 2023-04-25 九源云(广州)智能科技有限公司 一种基于cps架构的蓄电池健康管理系统
CN116401585A (zh) * 2023-04-19 2023-07-07 江苏果下科技有限公司 一种基于大数据的储能电池失效风险评估方法
CN116400227A (zh) * 2023-06-08 2023-07-07 长安大学 电动汽车动力电池soh预测方法、系统、设备及介质
CN116628633A (zh) * 2023-07-26 2023-08-22 青岛中微创芯电子有限公司 一种igbt实时监测与使用寿命预测评估方法
CN116846040A (zh) * 2023-08-31 2023-10-03 合肥博雷电气有限公司 一种恒压恒流充放电电源的全数字控制方法
CN117269805A (zh) * 2023-11-23 2023-12-22 中国人民解放军国防科技大学 车载锂电池组健康状态评估模型训练、预测方法及装置
CN117289141A (zh) * 2023-11-22 2023-12-26 深圳市麦迪瑞科技有限公司 基于人工智能的电动自行车充电状态监测方法
CN117445755A (zh) * 2023-11-01 2024-01-26 山东大学 基于云计算的电动汽车电池远程监控系统
CN117665630A (zh) * 2024-02-01 2024-03-08 云储新能源科技有限公司 一种基于充放电循环数据的电池寿命预测方法及系统
CN117849644A (zh) * 2024-01-10 2024-04-09 中国电力科学研究院有限公司 一种电动汽车动力电池的在线充电健康状态评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法
CN113281671A (zh) * 2021-06-28 2021-08-20 长安大学 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统
CN113895272A (zh) * 2021-10-15 2022-01-07 青岛科技大学 基于深度学习的电动汽车交流充电状态监测和故障预警方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法
CN113281671A (zh) * 2021-06-28 2021-08-20 长安大学 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统
CN113895272A (zh) * 2021-10-15 2022-01-07 青岛科技大学 基于深度学习的电动汽车交流充电状态监测和故障预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史永胜等: "基于注意力改进BiGRU的锂离子电池健康状态估计", 《储能科学与技术》, 11 June 2021 (2021-06-11), pages 1 - 10 *
王义等: "基于 BiLSTM神经网络的锂电池 SOH估计与 RUL预测", 《电子测量技术》, 25 October 2021 (2021-10-25), pages 1 - 5 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114878A (zh) * 2022-07-26 2022-09-27 中国长江三峡集团有限公司 一种储能电站电池寿命在线预测方法、装置及存储介质
CN115267558A (zh) * 2022-09-30 2022-11-01 深圳先进技术研究院 一种双向锂离子电池的寿命预测与状态估计方法
CN115293100A (zh) * 2022-09-30 2022-11-04 深圳市威特利电源有限公司 一种新能源电池剩余电量精准评估方法
CN116011993B (zh) * 2023-01-10 2024-01-30 九源云(广州)智能科技有限公司 一种基于cps架构的蓄电池健康管理系统
CN116011993A (zh) * 2023-01-10 2023-04-25 九源云(广州)智能科技有限公司 一种基于cps架构的蓄电池健康管理系统
CN115808627A (zh) * 2023-02-03 2023-03-17 泉州装备制造研究所 一种锂电池soh预测方法及装置
CN116401585A (zh) * 2023-04-19 2023-07-07 江苏果下科技有限公司 一种基于大数据的储能电池失效风险评估方法
CN116401585B (zh) * 2023-04-19 2023-11-10 江苏果下科技有限公司 一种基于大数据的储能电池失效风险评估方法
CN116400227A (zh) * 2023-06-08 2023-07-07 长安大学 电动汽车动力电池soh预测方法、系统、设备及介质
CN116628633A (zh) * 2023-07-26 2023-08-22 青岛中微创芯电子有限公司 一种igbt实时监测与使用寿命预测评估方法
CN116846040A (zh) * 2023-08-31 2023-10-03 合肥博雷电气有限公司 一种恒压恒流充放电电源的全数字控制方法
CN116846040B (zh) * 2023-08-31 2023-11-14 合肥博雷电气有限公司 一种恒压恒流充放电电源的全数字控制方法
CN117445755A (zh) * 2023-11-01 2024-01-26 山东大学 基于云计算的电动汽车电池远程监控系统
CN117289141A (zh) * 2023-11-22 2023-12-26 深圳市麦迪瑞科技有限公司 基于人工智能的电动自行车充电状态监测方法
CN117269805A (zh) * 2023-11-23 2023-12-22 中国人民解放军国防科技大学 车载锂电池组健康状态评估模型训练、预测方法及装置
CN117849644A (zh) * 2024-01-10 2024-04-09 中国电力科学研究院有限公司 一种电动汽车动力电池的在线充电健康状态评估方法
CN117665630A (zh) * 2024-02-01 2024-03-08 云储新能源科技有限公司 一种基于充放电循环数据的电池寿命预测方法及系统
CN117665630B (zh) * 2024-02-01 2024-04-12 云储新能源科技有限公司 一种基于充放电循环数据的电池寿命预测方法及系统

Similar Documents

Publication Publication Date Title
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
Caliwag et al. Hybrid VARMA and LSTM method for lithium-ion battery state-of-charge and output voltage forecasting in electric motorcycle applications
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN107918103B (zh) 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法
CN110941929A (zh) 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法
CN110658462B (zh) 一种基于数据融合与arima模型的锂电池在线寿命预测方法
CN111680848A (zh) 基于预测模型融合的电池寿命预测方法及存储介质
CN110837058A (zh) 基于大数据的电池组健康状态评估装置及评估方法
CN114035098A (zh) 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及系统
CN112881914B (zh) 一种锂电池健康状态预测方法
CN114252103B (zh) 融合电站运行故障预测方法
CN114865668A (zh) 一种储能调度支撑评估方法
CN115236526A (zh) 一种剩余充电时间预测方法、装置、存储介质和车辆
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN113791351A (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN116653608B (zh) 电动汽车充电保护、控制方法、装置及存储介质
CN116609686B (zh) 一种基于云平台大数据的电芯一致性评估方法
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
CN117406092A (zh) 分散式模块化电池储能系统状态估计方法、装置及系统
CN117169761A (zh) 电池状态评估方法、装置、设备、存储介质和程序产品
CN116885792A (zh) 一种数据驱动的模型预测控制电压越限量化方法
CN113459897B (zh) 一种基于电动汽车充电大数据的荷电状态修正及预测方法

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