CN114487890A - 一种改进长短期记忆神经网络的锂电池健康状态估计方法 - Google Patents
一种改进长短期记忆神经网络的锂电池健康状态估计方法 Download PDFInfo
- Publication number
- CN114487890A CN114487890A CN202210094201.7A CN202210094201A CN114487890A CN 114487890 A CN114487890 A CN 114487890A CN 202210094201 A CN202210094201 A CN 202210094201A CN 114487890 A CN114487890 A CN 114487890A
- Authority
- CN
- China
- Prior art keywords
- neural network
- term memory
- memory neural
- battery
- short
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种改进长短期记忆神经网络的锂电池健康状态估计方法。其步骤为:获取锂电池实验数据集;根据容量计算电池实际的健康状态,提取若干个能够表征电池健康状态的老化特征并对特征数据进行标准化处理;初始化相关参数并建立改进的长短期记忆神经网络模型,确定网络中需要优化的参数;对改进的长短期记忆神经网络估计模型进行训练;将训练得到的最优参数值作为长短期记忆神经网络模型中对应的值来进行锂离子电池健康状态的估计。本发明能够有效提高锂离子电池健康状态的估计精度。
Description
技术领域
本发明涉及锂离子电池技术领域,具体涉及一种改进长短期记忆神经网络的锂离子电池健康状态估计方法。
背景技术
现如今,锂离子电池由于其高能量密度、长循环寿命、低环境污染等显著优点被广泛地用作各种类型装置的动力来源,其中包括电动汽车、便携式设备、航天器等。然而,电池的性能会随着不断的充放电循环而下降,对于很多装置来说,当电池的容量下降到额定容量的80%以下时,就需要对该电池进行及时更换,否则可能会导致严重的安全事故。电池的容量变化与健康状态具有很强的相关性,因此,知道电池当前的健康状态是很有必要的。
锂离子电池健康状态的估计方法有很多,总结起来可以分为三大类:直接测量法,基于模型的方法,以及基于数据驱动的方法。直接测量的方法是通过设计相关的实验来得到电池的健康状态,该类方法测试时间过长,设备成本较高,不适合实际的工程应用,更适合在实验室研究中使用。基于模型的方法通常需要建立电池的电化学模型或者等效电路模型,然后在此基础上采用先进的估计算法来跟踪老化因子的下降,常用的估计方法包括滑模观测器、H无穷滤波、粒子滤波等。该类方法的缺点是估计的准确度容易受到噪声和实际工作条件的影响。由于对电池的物理模型依赖较少,基于数据驱动的健康状态估计方法吸引了不少研究者的关注。该类方法主要是基于历史监测数据,采用机器学习算法描述锂离子电池在充电或者放电过程中测得的电压、电流等数据与健康状态之间的映射关系。长短期记忆神经网络(Long Short-term Memory,LSTM))作为其中一种常用的方法来进行健康状态的估计,虽然取得了很好的估计效果,但也存在一定问题,即相应的网络模型关键超参数通常很难确定,这些参数的选择大多需要根据研究者的经验,这在一定程度上就降低了模型的估计效果。
发明内容
为了解决现有技术存在的上述问题,本发明提供了一种改进长短期记忆神经网络的锂电池健康状态估计方法。本发明能够明显提高估计准确度,具有很高的实际应用价值。
本发明采用的技术方案是:一种改进长短期记忆神经网络的锂电池健康状态估计方法,包括以下步骤:
步骤1、按照给定的参数设置对各电池进行充放电实验,获取锂离子电池实验数据集;
步骤2、根据容量计算电池实际的健康状态,提取四个能够表征电池健康状态的老化特征,并对特征数据进行标准化处理;
步骤3、初始化参数并建立改进的长短期记忆神经网络模型,确定长短期记忆神经网络中需要优化的参数,并采用粒子群算法进行优化;
步骤4、对改进的长短期记忆神经网络估计模型进行训练:将标准化后的特征数据作为神经网络模型的输入,电池实际的健康状态作为网络模型的输出,将网络模型输出值的平均绝对误差作为粒子群优化算法中粒子的适应度值。
步骤5、将训练得到的最优参数值作为长短期记忆神经网络模型中对应的值来进行锂离子电池健康状态的估计。
所述步骤2中锂离子电池健康状态的计算公式如下:
上式中,Ccurrent为锂电池的当前容量,C0为锂电池的额定容量。
所述步骤2需要采用灰色关联度分析法定量论证提取的各老化特征与电池健康状态的相关性。具体计算过程是:
首先,对于给定的数据集,确定比较序列X={xi(t)}和参考序列Y={SOHt,t=1,2,...n},其中xi(t)表示提取的各特征,n表示序列的长度;
其次,对各序列进行标准化处理,这里采用min-max法,计算公式如下:
计算出灰色关联系数:
上式中,μ是分辨系数,其取值范围为(0,1),这里取0.5。
求出灰色关联度为:
所述步骤3中需要初始化的参数包括粒子群优化算法中的种群大小、迭代次数、粒子的初始位置和速度等,以及长短期记忆神经网络中的初始权重和偏差,以及网络层数,这里取网络层数为3。
所述步骤3中长短期记忆神经网络模型中表示信息流动的数学公式如下:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
Ct′=tanh(Wc·[ht-1,xt]+bc);
Ct=ft*Ct-1+it*Ct′;
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct);
上式中,ft,it,ot分别为遗忘门、输入门和输出门在第t时刻的输出,σ表示sigmoid函数,Wf,Wi,Wo分别为遗忘门、输入门和输出门对应的权重,bf,bi,bo分别是遗忘门、输入门和输出门对应的偏差,xt为t时刻的输入,ht-1为t-1时刻的输出。
所述步骤3中是通过粒子群优化算法对各层神经元的个数进行寻优,具体为:
步骤3.1、将长短期记忆神经网络模型输出的平均绝对误差作为粒子的适应度值,根据每个粒子的初始位置计算初始适应度值并确定初始的个体最优位置和全局最优位置;
步骤3.2、对每个粒子的位置和速度进行更新,并根据新的位置计算新的适应度值,还需更新粒子的个体最优位置和全局最优位置;
步骤3.3、当迭代次数达到最大或者平均绝对误差的值达到最小,此时的最优粒子的值即为长短期记忆神经网络中需要优化参数的最优值;
所述步骤5是用步骤4得到的最优网络参数值对锂离子电池的健康状态进行估计。
本发明的有益效果:本发明通过引入粒子群优化算法,能够避免长短期记忆神经网络中的一些关键超参数过度依赖研究者的主观调参经验,可以对参数进行自动调优,从而进一步提高锂离子电池健康状态的估计精度。
附图说明
图1为本发明提出的估计方法流程图;
图2为本发明中长短期记忆神经网络的内部结构图;
图3为本发明中粒子群优化算法的流程图;
图4为本发明方法中提供的采用本发明算法与其它三种算法对B0005电池进行估计的结果图;
图5为本发明方法中提供的采用本发明算法与其它三种算法对B0007电池进行估计的结果图。
图4和图5中曲线1代表电池健康状态实际值,曲线2采用的是BP神经网络算法,曲线3采用的是支持向量回归算法,曲线4采用的是本发明提出的基于改进长短期记忆神经网络的算法。
具体实施方式
下面结合附图和具体实施方式对本发明进行进一步地说明。
如图1所示,一种基于改进长短期记忆神经网络的锂离子电池健康状态的估计方法,包括以下步骤:
步骤1、按照给定的参数设置对各电池进行充放电实验,获取锂离子电池实验数据集:数据集包括充电过程中的时间、电流、电压、电池温度、放电过程中的时间、电流、电压、容量等数据;电池充放电实验方案为首先进行1.5A的恒流充电直到电池的电压达到4.2V,然后恒压充电直到电流降至20mA,最后进行2A的恒流放电直到达到电池对应的下限截止电压。整个充放电实验是在室温下进行的。
步骤2、根据容量计算电池实际的健康状态,提取四个能够表征电池健康状态的老化特征并对特征数据进行标准化处理:恒流充电时间、放电持续时间、电池温度峰值、电池增量容量曲线峰值横纵坐标;
其中锂离子电池健康状态的计算公式如下:
上式中,Ccurrent为锂电池的当前容量,C0为锂电池的额定容量。
此外需要采用灰色关联度分析法定量论证提取的各老化特征与电池健康状态的相关性,以此证明所选特征的有效性。具体计算过程是:
首先,对于给定的数据集,确定比较序列X={xi(t)}和参考序列Y={SOHt,t=1,2,...n},其中xi(t)表示提取的各特征,n表示序列的长度。
其次,对各序列进行标准化处理,这里采用min-max法,计算公式如下:
然后,计算出灰色关联系数:
上式中,μ是分辨系数,其取值范围为(0,1),这里取0.5。
最后,求出灰色关联度为:
步骤3、初始化相关参数并建立改进的长短期记忆神经网络模型,确定长短期记忆神经网络中需要优化的参数:第一层网络的神经元个数,第二层网络的神经元个数,第三层网络的神经元个数;
初始化相关参数包括初始化粒子群优化算法中的种群大小、迭代次数、粒子的初始位置和速度等,以及长短期记忆神经网络中的初始权重和偏差,以及网络层数,这里取网络层数为3;
如图2所示,长短期记忆神经网络模型中表示信息流动的数学公式如下:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
Ct′=tanh(Wc·[ht-1,xt]+bc);
Ct=ft*Ct-1+it*Ct′;
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct);
上式中,ft,it,ot分别为遗忘门、输入门和输出门在第t时刻的输出,σ表示sigmoid函数,Wf,Wi,Wo分别为遗忘门、输入门和输出门对应的权重,bf,bi,bo分别是遗忘门、输入门和输出门对应的偏差,xt为t时刻的输入,ht-1为t-1时刻的输出。
如图3所示,通过粒子群优化算法对各层神经元的个数进行寻优,具体步骤为:
步骤3.1、将长短期记忆神经网络模型输出的平均绝对误差作为粒子的适应度值,根据每个粒子的初始位置计算初始适应度值并确定初始的个体最优位置和全局最优位置;
步骤3.2、对每个粒子的位置和速度进行更新,并根据新的位置计算新的适应度值,还需更新粒子的个体最优位置和全局最优位置;
粒子的速度和位置的更新公式为:
上式中,表示第i个粒子在第t次迭代时的速度,表示第i个粒子在第t次迭代时的位置,ω表示惯性权重,表示粒子过去的最优位置,表示整个粒子群的最优位置,c1和c2表示学习因子,r1和r2表示0到1之间的随机数。其中,c1和c2都设为1.5,ω设为0.8。
步骤3.3、当迭代次数达到最大或者平均绝对误差的值达到最小,此时的最优粒子的值即为长短期记忆神经网络中需要优化的参数的最优值;
步骤4、对改进的长短期记忆神经网络估计模型的训练:将标准化后的特征数据作为神经网络模型的输入,电池实际的健康状态作为网络模型的输出,将网络模型的输出值的平均绝对误差作为粒子群优化算法中粒子的适应度值。
步骤5、将训练得到的最优参数值作为长短期记忆神经网络模型中对应的值来进行锂离子电池健康状态的估计。
为了验证本发明的有效性与优越性,将本发明提出的算法与支持向量回归(Support Vector Regression,SVR)、BP神经网络两种算法的估计效果进行比较。图4和图5分别是这三种算法在NASA循环老化实验数据集上的B0005和B0007电池上的估计效果,说明本发明能够有效地估计出锂离子电池的健康状态,并且相比于其它两种算法并有更高的估计精度。
Claims (6)
1.一种改进长短期记忆神经网络的锂电池健康状态估计方法,其特征在于:包括以下步骤:
步骤1、按照给定的参数设置对各电池进行充放电实验,获取锂离子电池实验数据集;
步骤2、根据容量计算电池实际的健康状态,提取四个能够表征电池健康状态的老化特征,并对特征数据进行标准化处理;
步骤3、初始化参数并建立改进的长短期记忆神经网络模型,确定长短期记忆神经网络中需要优化的参数,并采用粒子群算法进行优化;
步骤4、对改进的长短期记忆神经网络估计模型进行训练:将标准化后的特征数据作为神经网络模型的输入,电池实际的健康状态作为网络模型的输出,将网络模型输出值的平均绝对误差作为粒子群优化算法中粒子的适应度值。
步骤5、将训练得到的最优参数值作为长短期记忆神经网络模型中对应的值来进行锂离子电池健康状态的估计。
2.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法,其特征在于:所述步骤2中四个老化特征为:恒流充电时间、放电持续时间、电池温度峰值、电池增量容量曲线峰值横纵坐标。
3.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法,其特征在于:所述步骤2中锂离子电池健康状态的计算公式如下:
上式中,Ccurrent为锂电池的当前容量,C0为锂电池的额定容量;
所述步骤2需要采用灰色关联度分析法定量论证提取的各老化特征与电池健康状态的相关性;具体计算过程是:
首先,对于给定的数据集,确定比较序列X={xi(t)}和参考序列Y={SOHt,t=1,2,…n},其中xi(t)表示提取的特征,n表示序列的长度;
其次,对各序列进行标准化处理,采用min-max法,计算公式如下:
计算出灰色关联系数:
上式中,μ是分辨系数,其取值范围为(0,1),这里取0.5;
计算灰色关联度为:
4.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法,其特征在于:所述步骤3中长短期记忆神经网络中需要优化的参数为:第一层网络的神经元个数,第二层网络的神经元个数,第三层网络的神经元个数。
5.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法,其特征在于:所述步骤3中长短期记忆神经网络模型中表示信息流动的数学公式如下:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
Ct′=tanh(Wc·[ht-1,xt]+bc);
Ct=ft*Ct-1+it*Ct′;
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct);
上式中,ft,it,ot分别为遗忘门、输入门和输出门在第t时刻的输出,σ表示sigmoid函数,Wf,Wi,Wo分别为遗忘门、输入门和输出门对应的权重,bf,bi,bo分别是遗忘门、输入门和输出门对应的偏差,xt为t时刻的输入,ht-1为t-1时刻的输出。
6.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法,其特征在于:所述步骤3中是通过粒子群优化算法对各层神经元的个数进行寻优,具体为:
步骤3.1、将长短期记忆神经网络模型输出的平均绝对误差作为粒子的适应度值,根据每个粒子的初始位置计算初始适应度值并确定初始的个体最优位置和全局最优位置;
步骤3.2、对每个粒子的位置和速度进行更新,并根据新的位置计算新的适应度值,还需更新粒子的个体最优位置和全局最优位置;
步骤3.3、当迭代次数达到最大或者平均绝对误差的值达到最小,此时的最优粒子的值即为长短期记忆神经网络中需要优化的参数的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094201.7A CN114487890A (zh) | 2022-01-26 | 2022-01-26 | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094201.7A CN114487890A (zh) | 2022-01-26 | 2022-01-26 | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114487890A true CN114487890A (zh) | 2022-05-13 |
Family
ID=81475892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210094201.7A Pending CN114487890A (zh) | 2022-01-26 | 2022-01-26 | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114487890A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861793A (zh) * | 2023-07-14 | 2023-10-10 | 哈尔滨理工大学 | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 |
CN117849628A (zh) * | 2024-03-08 | 2024-04-09 | 河南科技学院 | 基于时序变换记忆网络的锂离子电池健康状态估计方法 |
-
2022
- 2022-01-26 CN CN202210094201.7A patent/CN114487890A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861793A (zh) * | 2023-07-14 | 2023-10-10 | 哈尔滨理工大学 | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 |
CN116861793B (zh) * | 2023-07-14 | 2024-01-26 | 哈尔滨理工大学 | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 |
CN117849628A (zh) * | 2024-03-08 | 2024-04-09 | 河南科技学院 | 基于时序变换记忆网络的锂离子电池健康状态估计方法 |
CN117849628B (zh) * | 2024-03-08 | 2024-05-10 | 河南科技学院 | 基于时序变换记忆网络的锂离子电池健康状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
Xiao et al. | Accurate state-of-charge estimation approach for lithium-ion batteries by gated recurrent unit with ensemble optimizer | |
CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
CN113419187B (zh) | 一种锂离子电池健康估计方法 | |
Lipu et al. | Deep learning enabled state of charge, state of health and remaining useful life estimation for smart battery management system: Methods, implementations, issues and prospects | |
CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
CN113722877A (zh) | 一种对锂电池放电时温度场分布变化进行在线预测的方法 | |
CN113064093A (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
CN113189490B (zh) | 基于特征筛选和高斯过程回归的锂电池健康状态估计方法 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN112816874A (zh) | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN115219906A (zh) | 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统 | |
CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
Li et al. | Multiple layer kernel extreme learning machine modeling and eugenics genetic sparrow search algorithm for the state of health estimation of lithium-ion batteries | |
CN116736133A (zh) | 锂离子电池全寿命周期容量退化轨迹的早期预测方法 | |
CN117150334A (zh) | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 | |
CN116029183A (zh) | 一种基于iPSO-LSTM模型的动力电池温度预测方法 | |
CN115219907A (zh) | 一种锂电池soc估计方法、系统、介质、设备及终端 | |
CN114895206A (zh) | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 | |
CN112418564A (zh) | 基于lstm的充换电站换电负荷预测方法及其相关组件 | |
Oh et al. | Online state of charge estimation of lithium-ion battery using surrogate model based on electrochemical model | |
CN117250523B (zh) | 基于ai技术的增强型汽车动力电池预测方法及系统 |
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 |