CN114578237A - 一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 - Google Patents
一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 Download PDFInfo
- Publication number
- CN114578237A CN114578237A CN202210192657.7A CN202210192657A CN114578237A CN 114578237 A CN114578237 A CN 114578237A CN 202210192657 A CN202210192657 A CN 202210192657A CN 114578237 A CN114578237 A CN 114578237A
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- data
- estimation
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010277 constant-current charging Methods 0.000 title claims abstract description 47
- 230000036541 health Effects 0.000 title claims abstract description 26
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 20
- 230000032683 aging Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000007600 charging Methods 0.000 claims description 69
- 238000012360 testing method Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241001289753 Graphium sarpedon Species 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备，主要包括电池老化数据集分析、最佳区间筛选与特征提取、离线建模训练与评估、数据采样与在线SOH估计4个步骤。该方法所需的特征较少，特征获取容易，模型结构简单且调参容易，模型训练时长和SOH实际估计时长很短，而且在几乎不需要任何数据预处理的情况下也能取得很高的SOH估计精度，可代替现有真实场景下的SOH估计技术，十分易于实际应用。
Description
技术领域
本发明属于电动汽车或机器人电池管理领域技术领域，具体涉及一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备。
背景技术
电池的健康状态(SOH)估计是电池管理系统的关键技术之一，电池SOH通常定义为电池当前可用容量与初始容量之间的百分比，实时准确的SOH估计对电池的安全运行至关重要。近年来，基于数据驱动的方法凭借其灵活、通用的特点，已成为SOH估计的研究热点。
然而，目前基于数据驱动估计SOH的方法都存在一些共同不足限制它们的实际应用，如选取的用于表征电池容量退化的特征较为复杂；大部分方法需要对训练数据进行繁琐的预处理步骤，而且模型结构复杂且参数调节困难；这些因素都进一步增加了模型的训练时长，给在线部署带来难度。除此之外，有些方法的应用需要对电池进行完整的充电或放电，这导致电池SOH的实际估计时间(包括测试数据采样时间)过长，在实际测试中要花费很大的代价。另外，这些方法的SOH估计准确度可以进一步提高。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备，该方法需要的特征少，特征获取容易，模型结构简单，训练时长短，获得的精度高，适于实际应用。
为了达到上述目的，本发明采用以下技术方案予以实现：
本发明公开了一种基于恒流充电时间的快速锂离子电池健康状态估计方法，包括以下步骤：
S1：电池老化数据集分析
对电池老化数据进行数据处理，提取出每个老化循环的恒流充电数据，分析等电压间隔的恒流充电时间与电池老化之间的关系，从可充容量和可充能量两个角度进行老化估计的简化与论证；
S2：最佳区间筛选与充电时间特征提取
筛选出最佳的采样电压区间，提取出最佳电压区间的恒流充电时间作为自变量，电池的健康状态SOH值作为因变量，完成数据准备工作；
S3：离线建模训练与评估
将数据集划分成训练集和测试集，选择合适的机器学习模型，建立模型、训练数据，用训练完成的模型对测试集进行预测和评价，将训练完成的离线模型和离线评估结果存入数据库中，供在线估计SOH时快速调用；
S4：数据采样与在线SOH
测量待测电池的初始端电压状态，根据初始端电压状态选择合适的SOH估计策略，根据SOH估计策略进行相应的恒流充电操作，完成测试数据采样；
调用S3中存入数据库的离线模型，对采样的测试数据进行预测，完成在线SOH估计。
优选地，S1中，从可充容量的角度描述电池老化行为，具体操作如下：
若在电池的每个老化循环中取相同的电压变化区间，那么电池在此区间内的充入容量Ccharge等于充电电流与充电时间tcharge_time的乘积：
Ccharge＝I·tcharge_time；
其中，I是电流常数。
优选地，S1中，从可充能量的角度描述电池的老化行为，具体操作如下：
在电池充电的等电压区间内，可充入的能量Echarge为充电曲线下方的面积与电流的乘积，根据梯形积分公式，Echarge表示为：
其中，t0、tn分别是充电开始和结束时刻，V0、Vn分别是充电开始和结束电压值，I是电流常数。
优选地，S2中，具体实现包括以下操作：
2.1设定充电电压起点和区间长度，由此组合形成充电电压片段，针对每一个充电电压片段，提取出每个老化循环对应的该片段的充电时间以及循环结束的SOH值，完成数据预处理，为筛选最佳电压区间做准备；
2.2利用决策树回归模型或者相关系数法对每一个电压区间对应的数据集进行打分，筛选出效果最佳的采样电压区间；
2.3针对电池的每一个老化循环，提取出最佳电压区间对应的充电时间以及循环结束时的SOH值，分别作为自变量和因变量，由此形成待训练数据集。
优选地，S3中，具体实现包括以下操作：
3.1采用留一交叉验证的策略，将数据集划分成训练集和测试集；
3.2采用线性回归模型或者随机森林模型，对训练集进行训练；
3.3将训练完成的模型用于测试集的预测；
3.4采用评价准则来评估模型的预测效果，评价准则包括平均绝对误差、均方根误差、最大绝对误差和模型决定系数R2中的一种或多种指标；
3.5将评估结果和训练完成的离线模型保存在数据库中，方便在线估计时快速调用，离线评估结果用来指导在线估计策略，根据时间或者精度要求选择最好的估计策略；训练完成的离线模型在在线估计时能够被直接调用并进行在线预测。
优选地，S4中，具体实现包括以下操作：
4.1测量待测电池的初始端电压状态；
4.2根据电池初始端电压，基于S3的离线评估结果，结合估计要求，选择合适的SOH估计策略；
4.3根据SOH估计策略进行相应充电电压段的数据采样，即执行一段恒流充电操作并记录数据；
4.4调用S3保存的离线训练模型，对采样数据进行预测，模型输出当前被测电池的SOH值，从而完成在线SOH估计。
本发明还公开了采用上述的基于恒流充电时间的快速锂离子电池健康状态估计方法的系统，包括：
电池老化数据集分析模块，用于对电池老化数据集恒流充电曲线进行分析；
最佳区间筛选与充电时间特征提取模块，用于筛选出最佳的采样电压区间，提取出自变量和因变量，完成数据准备工作；
离线建模训练与评估模块，用于划分数据集，建立合适的机器学习模型，训练数据并进行SOH估计与评价；
数据采样与在线SOH模块，用于完成数据采样和在线SOH估计。
本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现上述的基于恒流充电时间的快速锂离子电池健康状态估计方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明公开的基于恒流充电时间的快速锂离子电池健康状态估计方法，主要包括电池老化数据集分析、最佳区间筛选与特征提取、离线建模训练与评估、数据采样与在线SOH估计4个步骤。该方法所需的特征较少，特征获取容易，模型结构简单且调参容易，模型训练时长和SOH实际估计时长很短，而且在几乎不需要任何数据预处理的情况下也能取得很高的SOH估计精度，可代替现有真实场景下的SOH估计技术，十分易于实际应用。具体优势体现在：
(1)基于对电池恒流充电曲线的分析，以固定电压段的充电时间表征电池的容量退化，在实际中该特征获取容易，采集误差小。
(2)对待测电池进行在线SOH估计时，最快仅需要对电池恒流充电0.01V，在5分钟内就可完成数据采样，以实现快速准确的SOH估计。
(3)以牛津电池老化数据集为例，采用交叉验证方式，8块电池的SOH估计平均均方根误差为0.56％，最大绝对误差小于0.94％，模型训练和预测总时间不足1秒。
附图说明
图1为本发明的基于恒流充电时间的快速锂离子电池健康状态估计方法流程示意图；
图2为本发明验证案例中牛津软包电池老化过程的恒流充电曲线图；
图3为本发明验证案例中筛选电池最佳电压采样区间的效果图；
图4为本发明验证案例中恒流充电时间特征与电池SOH之间的映射关系图；其中，(a)为[3.76,3.86]V充电时间特征；(b)为[3.81,3.82]V充电时间特征；
图5为本发明基于恒流充电时间的电池快速在线SOH估计方法的最终估计结果图；其中，(a)为牛津数据集1#电池SOH估计结果；(b)为牛津数据集2#电池SOH估计结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，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的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
如图1所示，本发明提供的基于恒流充电时间的快速锂离子电池健康状态估计方法，包括以下步骤：
步骤1)，电池老化数据集恒流充电曲线分析
根据锂电池循环老化实验或者公开数据集得到电池老化数据，然后提取出每个老化循环的恒流充电数据，分析等电压间隔的恒流充电时间与电池老化之间的关系，最后从可充容量和可充能量两个角度进行老化估计的简化与论证。
具体实施方式如下：
从可充容量的角度描述电池的老化行为。若在电池的每个老化循环中取相同的电压变化区间，那么电池在此区间内的充入容量等于充电电流与充电时间的乘积：
Ccharge＝I·tcharge_time
注意到电池均是以恒流的方式进行充电，充电倍率固定时，上式中的I是一个常数，则等充电电压区间的充入容量只和充电时间tcharge_time有关。
从可充能量的角度描述电池的老化行为。在电池充电的等电压区间内，可充入的能量Echarge为充电曲线下方的面积与电流的乘积，根据梯形积分公式，Echarge可表示为：
其中，t0、tn分别是充电开始和结束时刻，V0、Vn分别是充电开始和结束电压值，I是电流常数。由上式可知，在固定的某个充电电压区间内，电池的可充能量与该过程的充电时间成正比，因此恒流充电时间可代替充入能量来表征电池的容量退化行为。恒流充电时间特征解决了可充能量积分式可能带来的误差累积问题，极大降低了采集系统的负担，并且在实际中易于获得。
步骤2)，提取恒流充电时间特征作为健康状态指示因子
基于步骤1)对电池不同老化阶段恒流充电曲线的分析，不同充电电压区间的充电时间与电池老化的对应关系不同；通过决策树回归或者相关系数法筛选出最佳的电压区间；最后，提取出最佳电压区间的恒流充电时间作为自变量，电池的健康状态(SOH)值作为因变量，完成数据准备，为后续建模估计奠定基础。具体的操作步骤如下：
步骤2.1)，设定充电电压起点和区间长度，由此组合形成充电电压片段，针对每一个电压片段，提取出每个老化循环对应的该片段充电时间以及循环结束的SOH值，完成数据预处理，为筛选最佳电压区间做准备。
步骤2.2)，利用决策树回归模型或者相关系数法对每一个电压区间对应的数据集进行打分，得分高的电压区间表明充电时间特征的质量越高，更有利于电池SOH估计，由此可以筛选出效果最佳的采样电压区间。
步骤2.3)，针对电池的每一个老化循环，提取出最佳电压区间对应的充电时间以及循环结束时的SOH值，分别作为自变量和因变量，由此形成待训练数据集。
步骤3)，合理划分数据集，建立合适的机器学习模型，训练数据并进行SOH估计与评价
根据留一交叉验证策略将数据集合理划分成训练集和测试集，然后选择合适的机器学习模型，如线性回归模型或随机森林模型，建立模型、训练数据并调参(可选)。最后，用训练完成的模型对测试集进行预测，通过一定的评价准则进行评价，并将训练完成的模型和评估效果存入数据库中。
具体的操作步骤如下：
步骤3.1)，采用留一交叉验证的策略，将数据集划分成训练集和测试集。
步骤3.2)，采用线性回归模型或者随机森林模型或其他机器学习模型，对训练集进行训练，并根据数据拟合情况适当调节参数(可选)。
步骤3.3)，将训练完成的模型用于测试集的预测。
步骤3.4)，采用一定评价准则来评估模型的预测效果，如平均绝对误差(MAE)，均方根误差(RMSE)，最大绝对误差(MaxAE)和模型决定系数R2等指标。
步骤3.5)，将SOH评估结果保存在效果评估器中，将训练完成的离线模型保存在离线模型库中，方便在线估计时快速调用。离线评估结果可用来指导在线估计策略，根据时间或者精度要求选择最佳的估计策略；训练完成的模型在在线估计时可被直接调用并进行在线预测。
步骤4)，在线SOH估计
首先测量待测电池的初始端电压状态，根据初始状态结合效果评估器选择合适的SOH估计策略。然后根据估计策略进行相应的恒流充电操作，完成数据采样。最后，调用步骤3)保存的相应的离线模型，对测试数据进行预测，从而完成在线SOH估计。具体的操作步骤如下：
步骤4.1)，测量待测电池的初始状态。依据本方法，主要测量电池的初始端电压。
步骤4.2)，根据电池初始端电压，基于步骤3)的离线评估结果，结合估计要求，选择最合适的SOH估计策略，比如时间优先或者精度优先策略。
步骤4.3)，根据估计策略进行相应充电电压段的数据采样，即执行一段恒流充电操作并记录数据。
步骤4.4)，调用步骤3)保存的离线训练模型，对采样数据进行预测，模型输出当前被测电池的SOH值，从而完成在线SOH估计。最后，根据估计结果指导决策行为，比如确定电池的健康等级或者判断电池是否需要更换。
为了验证本方法的可行性与有效性，基于牛津电池老化数据集，以其中1#电池作为一个实例进行SOH在线估计，并将其估计过程和估计结果进行可视化。
如图2所示，为牛津数据集1#电池不同老化阶段的充电曲线图。随着电池老化程度的加深，恒流充电曲线不断左移，这意味着固定电压段内的充电时长逐渐降低。因此，特定电压段内的恒流充电时间在一定程度上可以表征电池的容量退化。此外，在端电压3.8V左右充电曲线分布极其密集，可能与锂电池此时特定的内部化学反应有关。
如图3所示，以0.01V作为充电电压起点间隔，得到不同充电电压区间对应的SOH估计效果图，纵轴代表R2分数，得分越高代表该区间内的数据拟合情况较好，特征质量较高，以此可以筛选出最佳的电压采样区间。红色圆点所代表的0.1V区间对应的组合在电压起点为3.76V时，取得了最高的R2分数0.9951。然而，在电压起点为3.81V时，蓝色三角形代表的0.01V电压区间长度取得了同类型中最高R2分数0.9897，这意味着仅用0.01V的充电时间就可获得质量较高的特征，符合SOH估计快速性的要求。白色正方形代表的0.2V电压区间长度在3.76V时取得了所有电压区间组合中最高的R2分数，虽然特征拟合效果得到轻微提升，但却因此付出了巨大的特征提取时间，影响了实际SOH估计的性能。综上，最佳充电区间[3.76,3.86]V和[3.81,3.82]V被选择，分别用以满足锂电池SOH估计的准确性和快速性要求。
如图4所示，为[3.76,3.86]V和[3.81,3.82]V区间的充电时间特征可视化图。0.1V区间(图4中(a))对应的充电时间特征与SOH高度线性相关，而0.01V区间(图4中(b))对应的充电时间特征与SOH之间的关系近似于一条二次凸曲线，这两种明显的映射关系都有利于完成SOH估计。值得注意的是，[3.76,3.86]V电压区间所需的充电时间范围大致是600s～1300s，而[3.81,3.82]V电压区间却能将这一范围缩短至50s～300s！最大充电时间减小了1000s，从而挖掘了在实际测试中5min内完成锂电池的SOH估计的价值。
如图5所示，为牛津数据集1#和2#锂电池的SOH估计结果图。基于[3.81,3.82]V和[3.76,3.86]V两个电压区间的SOH估计结果分别被标记为蓝色三角形(0.01V区间)和红色圆点(0.1V区间)。从图5的(a)和(b)中，可以看出两种方式都能很好地跟随电池SOH的衰退趋势，其中红色圆点代表的基于充电0.1V的方法明显比充电0.01V的方法的估计效果好，因为它以牺牲采集或测试时间来争取更高的SOH估计精度，但即使这样，它仍只用了0.1V的充电电压区间，比目前大多数的SOH估计方法使用的测试区间都要小。而基于充电0.01V的方法将电池测试时间缩短至300s内，并也保持一个较高的SOH估计水准，仅使用0.01V的充电数据，SOH估计精度也优于当前流行的方法。对于1#电池，基于[3.81,3.82]V和[3.76,3.86]V两个区间SOH估计的均方根误差分别为0.67％、0.38％，最大绝对误差分别为2.28％、0.91％；对于2#电池，基于[3.81,3.82]V和[3.76,3.86]V两个区间SOH估计的均方根误差分别为1.24％、0.78％，最大绝对误差分别为3.35％、2.96％；此外，值得注意的是，本发明的SOH估计方法在牛津数据集所有的8块电池上均表现出良好的估计效果，基于[3.81,3.82]V和[3.76,3.86]V两个区间SOH估计的平均绝对误差在所有8块电池上均小于1％，由于采用的是留一交叉验证(被测试电池数据不出现在训练集中)，足以证明本发明公开的SOH估计方法具有良好的鲁棒性。综上，本发明方法的SOH估计精度已完全能满足实际应用，且凭借其简单、快速的特点，很容易在实际中进行在线部署和推广，为电池的健康状态评估提供全新、高效的解决方案。
综上所述，本发明公开的基于恒流充电时间的快速锂离子电池健康状态估计方法，包含电池老化数据集分析、最佳区间筛选与特征提取、离线建模训练与评估、数据采样与在线SOH估计4个步骤。本发明通过特定电压区间的一段恒流充电操作就可实现快速、准确的SOH估计，克服了当前SOH估计技术特征提取难度高、耗时长，数据预处理繁琐，模型复杂且计算量较大等问题。本发明在很短的时间内就可以完成测试数据采样以及SOH在线估计，十分易于真实场景下的SOH估计的实际应用。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (8)
1.基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，包括以下步骤：
S1：电池老化数据集分析
对电池老化数据进行数据处理，提取出每个老化循环的恒流充电数据，分析等电压间隔的恒流充电时间与电池老化之间的关系，从可充容量和可充能量两个角度进行老化估计的简化与论证；
S2：最佳区间筛选与充电时间特征提取
筛选出最佳的采样电压区间，提取出最佳电压区间的恒流充电时间作为自变量，电池的健康状态SOH值作为因变量，完成数据准备工作；
S3：离线建模训练与评估
将数据集划分成训练集和测试集，选择合适的机器学习模型，建立模型、训练数据，用训练完成的模型对测试集进行预测和评价，将训练完成的离线模型和离线评估结果存入数据库中，供在线估计SOH时快速调用；
S4：数据采样与在线SOH
测量待测电池的初始端电压状态，根据初始端电压状态选择合适的SOH估计策略，根据SOH估计策略进行相应的恒流充电操作，完成测试数据采样；
调用S3中存入数据库的离线模型，对采样的测试数据进行预测，完成在线SOH估计。
2.根据权利要求1所述的基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，S1中，从可充容量的角度描述电池老化行为，具体操作如下：
若在电池的每个老化循环中取相同的电压变化区间，那么电池在此区间内的充入容量Ccharge等于充电电流与充电时间tcharge_time的乘积：
Ccharge＝I·tcharge_time；
其中，I是电流常数。
3.根据权利要求1所述的基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，S1中，从可充能量的角度描述电池的老化行为，具体操作如下：
在电池充电的等电压区间内，可充入的能量Echarge为充电曲线下方的面积与电流的乘积，根据梯形积分公式，Echarge表示为：
其中，t0、tn分别是充电开始和结束时刻，V0、Vn分别是充电开始和结束电压值，I是电流常数。
4.根据权利要求1所述的基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，S2中，具体实现包括以下操作：
2.1设定充电电压起点和区间长度，由此组合形成充电电压片段，针对每一个充电电压片段，提取出每个老化循环对应的该片段的充电时间以及循环结束的SOH值，完成数据预处理，为筛选最佳电压区间做准备；
2.2利用决策树回归模型或者相关系数法对每一个电压区间对应的数据集进行打分，筛选出效果最佳的采样电压区间；
2.3针对电池的每一个老化循环，提取出最佳电压区间对应的充电时间以及循环结束时的SOH值，分别作为自变量和因变量，由此形成待训练数据集。
5.根据权利要求1所述的基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，S3中，具体实现包括以下操作：
3.1采用留一交叉验证的策略，将数据集划分成训练集和测试集；
3.2采用线性回归模型或者随机森林模型，对训练集进行训练；
3.3将训练完成的模型用于测试集的预测；
3.4采用评价准则来评估模型的预测效果，评价准则包括平均绝对误差、均方根误差、最大绝对误差和模型决定系数R2中的一种或多种指标；
3.5将评估结果和训练完成的离线模型保存在数据库中，方便在线估计时快速调用，离线评估结果用来指导在线估计策略，根据时间或者精度要求选择最好的估计策略；训练完成的离线模型在在线估计时能够被直接调用并进行在线预测。
6.根据权利要求1所述的基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，S4中，具体实现包括以下操作：
4.1测量待测电池的初始端电压状态；
4.2根据电池初始端电压，基于S3的离线评估结果，结合估计要求，选择合适的SOH估计策略；
4.3根据SOH估计策略进行相应充电电压段的数据采样，即执行一段恒流充电操作并记录数据；
4.4调用S3保存的离线训练模型，对采样数据进行预测，模型输出当前被测电池的SOH值，从而完成在线SOH估计。
7.采用权利要求1～6中任意一项所述的基于恒流充电时间的快速锂离子电池健康状态估计方法的系统，其特征在于，包括：
电池老化数据集分析模块，用于对电池老化数据集恒流充电曲线进行分析；
最佳区间筛选与充电时间特征提取模块，用于筛选出最佳的采样电压区间，提取出自变量和因变量，完成数据准备工作；
离线建模训练与评估模块，用于划分数据集，建立合适的机器学习模型，训练数据并进行SOH估计与评价；
数据采样与在线SOH模块，用于完成数据采样和在线SOH估计。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1～6中任意一项所述的基于恒流充电时间的快速锂离子电池健康状态估计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210192657.7A CN114578237A (zh) | 2022-02-28 | 2022-02-28 | 一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210192657.7A CN114578237A (zh) | 2022-02-28 | 2022-02-28 | 一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114578237A true CN114578237A (zh) | 2022-06-03 |
Family
ID=81772080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210192657.7A Pending CN114578237A (zh) | 2022-02-28 | 2022-02-28 | 一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114578237A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115097317A (zh) * | 2022-07-19 | 2022-09-23 | 山东大学 | 一种锂离子电池容量估计方法及系统 |
| CN115267586A (zh) * | 2022-07-11 | 2022-11-01 | 国网综合能源服务集团有限公司 | 锂电池soh评估方法 |
| 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 |
| CN116256648A (zh) * | 2023-05-16 | 2023-06-13 | 合肥力高动力科技有限公司 | 一种基于充电数据的锂电池soh估计方法 |
| CN117330987A (zh) * | 2023-12-01 | 2024-01-02 | 国网山西省电力公司营销服务中心 | 基于时间的电池健康状态评估的方法、系统、介质和设备 |
-
2022
- 2022-02-28 CN CN202210192657.7A patent/CN114578237A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115267586A (zh) * | 2022-07-11 | 2022-11-01 | 国网综合能源服务集团有限公司 | 锂电池soh评估方法 |
| 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 |
| CN115097317A (zh) * | 2022-07-19 | 2022-09-23 | 山东大学 | 一种锂离子电池容量估计方法及系统 |
| CN116256648A (zh) * | 2023-05-16 | 2023-06-13 | 合肥力高动力科技有限公司 | 一种基于充电数据的锂电池soh估计方法 |
| CN117330987A (zh) * | 2023-12-01 | 2024-01-02 | 国网山西省电力公司营销服务中心 | 基于时间的电池健康状态评估的方法、系统、介质和设备 |
| CN117330987B (zh) * | 2023-12-01 | 2024-02-20 | 国网山西省电力公司营销服务中心 | 基于时间的电池健康状态评估的方法、系统、介质和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114578237A (zh) | 一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 | |
| CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
| CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
| CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
| US11703548B2 (en) | Methods and systems for accelerated determining of state of health using incremental capacity analysis | |
| CN111448467B (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
| CN110412470B (zh) | 电动汽车动力电池soc估计方法 | |
| CN110221222A (zh) | 电池安全截止电压预测方法、装置及电池管理系统 | |
| CN108205114B (zh) | 电池寿命的预测方法及系统 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
| CN114994539A (zh) | 一种电池健康状态的检测方法、装置及系统 | |
| CN116381541B (zh) | 一种储能锂电池系统的健康评估方法及系统 | |
| CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
| CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
| CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
| CN110187287A (zh) | 一种退役锂电池余能快速检测方法 | |
| CN111537888A (zh) | 一种数据驱动的梯次电池soc预测方法 | |
| CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
| CN109633449A (zh) | 基于灰色向量机的矿用锂电池寿命预测方法及管理系统 | |
| CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
| Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
| CN115586452A (zh) | 基于新型健康特征的锂离子电池健康状态估计方法 | |
| CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240517 Address after: 710086, Room 916, 9th Floor, Building 3-D, Phase I, Zone 3, Energy Jinmao Zone, Fengdong New City, Xixian New Area, Xi'an City, Shaanxi Province Applicant after: Shaanxi Shuzhi Lithium Cloud New Energy Technology Co.,Ltd. Country or region after: China Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an Applicant before: XI'AN JIAOTONG University Country or region before: China |