CN114580262A - 一种锂离子电池健康状态估计方法 - Google Patents
一种锂离子电池健康状态估计方法 Download PDFInfo
- Publication number
- CN114580262A CN114580262A CN202111367429.0A CN202111367429A CN114580262A CN 114580262 A CN114580262 A CN 114580262A CN 202111367429 A CN202111367429 A CN 202111367429A CN 114580262 A CN114580262 A CN 114580262A
- Authority
- CN
- China
- Prior art keywords
- battery
- representing
- input
- gate
- matrix
- 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 103
- 230000036541 health Effects 0.000 title claims abstract description 33
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 19
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000013508 migration Methods 0.000 claims abstract description 23
- 230000005012 migration Effects 0.000 claims abstract description 23
- 238000007600 charging Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 230000032683 aging Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 210000004027 cell Anatomy 0.000 claims description 12
- 239000004576 sand Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 2
- 210000000299 nuclear matrix Anatomy 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000015654 memory Effects 0.000 abstract description 8
- 230000009467 reduction Effects 0.000 abstract description 6
- 238000012546 transfer Methods 0.000 description 14
- 238000013526 transfer learning Methods 0.000 description 7
- 238000007599 discharging Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000010277 constant-current charging Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010280 constant potential charging Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 240000004760 Pimpinella anisum Species 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
- 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)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供一种锂离子电池健康状态预测方法,具首先提取电池充电过程与电池老化相关的健康因子;在采用灰色关联分析法对提取的健康因子与电池容量之间的相关性进行分析,将相关性等级高的健康因子划分源域数据集和目标域数据集;再采用迁移学习方法将不同数据集的数据转换到相同的特征空间,在最大均值差异的基础上采用迁移成分分析对特征进行迁移和降维,实现在知识迁移的同时尽可能地减小计算负担,解决对于不同数据集需要对机器学习模型进行重新训练或重新建模的问题,提高了计算效率;最后采用长短时记忆神经网络进行电池SOH估计,预测精度高,提高估计准确性。
Description
技术领域
本发明涉及新能源汽车动力电池技术领域,具体提出了一种锂离子电池健康状态估计方法。
背景技术
近年来,随着人们生活节奏不断加快,汽车已成为当今生活中不可或缺的出行工具。但快速发展的汽车行业带来了能源与环境危机,这限制了传统燃油车的发展。同时,传统燃油车尾气排放的有害气体会严重影响人类的健康,因此新能源电动汽车因其节能环保得到了快速发展。
新能源电动汽车以动力电池为动力源,其性能的优劣往往直接影响到电动汽车行驶的安全性与可靠性,因此需要对电动汽车的动力电池进行管理和维护,保障其正常使用。锂离子电池因其能量密度高,重量轻,循环寿命长,自放电量低等优势,被广泛的使用在电动汽车中。为了保证锂离子电池在复杂的行驶条件下高效和安全的运行,需要电池管理系统(Battery Management System,BMS)对电池进行管理,实时监控电池状态,保证电池系统正常运行,从而提高电动汽车的驾驶性能及安全性。
BMS的核心功能是对电池状态,如对荷电状态(State of Charge,SOC),健康状态(State of Health,SOH),剩余使用寿命(Remaining Useful Life,RUL),及能量状态(State of Energy,SOE)等进行估计和预测。由于电池在使用过程中不断老化,不仅会导致电动汽车的续驶里程下降,造成“里程焦虑”,而且会给电动汽车带来安全隐患,导致“安全焦虑”,这就需要对电动汽车的电池SOH进行准确的估计。SOH一般通过电池的可用容量反映当前的健康状态,即可表示为当前时刻最大可用容量与额定容量的比值。在新能源电动汽车中,一般当电池SOH达到初始状态的70%或者80%(根据不同种类的电池有不同的标准)时,电池就达到了报废条件,需要对达到失效阈值的电池及时进行更换,以延长电池的使用年限,保障电动汽车的安全可靠运行。
电池SOH的估计方法主要包括实验测量法、基于模型的估计方法和基于数据驱动的方法。实验测量法容易受到实验环境的影响,而且测量过程的累计误差也难以避免。基于模型的方法估计精度主要依赖于模型的精度,由于电池的内部电化学反应机理复杂,且模型参数容易受到如环境温度和使用条件等因素的影响,因此很难建立准确的电池模型。基于数据驱动的SOH估计方法不需要建立复杂的机理模型,只需要通过可测量的电池的电流,电压,温度和充放电时间等参数估计电池的SOH值,并且数据驱动方法具有很强的泛化性与较高的精度。在数据驱动方法中,由于神经网络方法可以处理非线性估计问题,因此被广泛应用于电池的SOH估计。
一般机器学习方法存在的最大问题就是需要大量的数据用于模型训练,而且需要假设不同的测试数据具有相同的分布,但是这在实际工程中很难成立。当测试数据发生变化时,传统机器学习算法就需要重新进行模型训练,这增加了计算负担,也在一定程度上降低了机器学习模型的泛化性,而且实际上往往缺少足够的数据用于模型的重建。
目前,常用的解决方法大都是基于模型的迁移,但是基于模型的迁移往往只能依赖有关经验,而已存在的基于特征迁移的方法没有考虑迁移后得到的特征对于计算负担的影响,如何在实现知识迁移的同时尽可能地减小计算负担是一个至关重要的问题。此外,电池的电流,电压,温度和充放电时间等参数的采集是一个长期过程,重复采集的数据用于模型的训练,这大大降低了计算效率,影响了SOH估计的实时性。因此在电池SOH估计中,基于不同时间采集到的电池电压,电流,温度和充放电时间等数据,如何避免重复进行机器学习模型的训练与建模,提高计算效率,同时保证SOH估计的准确性是一个亟待解决的问题。
发明内容
本发明的目的是提供了一种锂离子电池SOH估计方法,首先,针对电池的容量数据在实验中难以直接测量的问题,基于电池的电压,电流,温度和充放电时间等数据,提取与电池老化相关的健康因子,并经过灰色关联度分析,对所提取的特征与电池容量之间的相关性进行了分析与排序;然后,采用迁移学习方法将不同测试数据集的数据转换到相同的特征空间,在最大均值差异的基础上采用的迁移成分分析对特征进行迁移和降维,解决对于不同数据集需要对机器学习模型进行重新训练或重新建模的问题,提高了计算效率,也解决传统神经网络在长期预测中出现的预测精度低的问题,提高锂离子电池SOH估计的准确性。
本发明的目的通过如下技术方案实现:
第一步,电池健康因子的提取;
本发明选择采用LSTM神经网络方法进行电池SOH的估计,通过测量得到的电池外特性参数,如电流,电压和温度等数据中,提取反映电池老化的特征。本发明提取了电池充电过程的与电池的老化相关的15个健康因子(Health Indicator,HI),用于估计电池的SOH。按照其影响因素将HI分为四组:分别是与电流相关的3个HI,与电压相关的3个HI,与充电时间相关的3个HI和与温度相关的6个HI。
第二步,采用灰色关联分析法进行相关性评价;
提取锂离子电池的健康因子HI后,采用灰色关联分析(Grey Relation Analysis,GRA)法,对提取的HI与电池容量之间的相关性进行分析,并对相关性等级进行排序。GRA的计算过程如下:
首先,分别选取参考序列X0={x0(q)|q=1,2,...},q为参考序列中元素数目。比较序列Xp={xp(q)|p=1,2,...},p为比较序列中元素的数目。
参考序列与比较序列的数据进行归一化,即
其中,X与Xnorm分别表示归一化前后的数据,Xmin与Xmax分别表示序列中数据的最小值与最大值。
然后,计算比较序列Xp中每个点与参考序列X0对应的相关系数ξp,即
其中,α为识别系数,α∈(0,1)。选取α=0.5。
最后,计算比较序列Xp与参考序列X0之间的灰色关联等级rp,即
第三步,采用迁移学习方法对源域与目标域的HI进行知识迁移;
针对传统机器学习中不同测试集之间由于数据分布不同而需要对机器学习模型进行重新训练或建模,计算复杂度大的问题,
本发明采用了基于特征的迁移学习方法,将目标域与源域的特征转移到一个新的特征空间φ,该特征空间既剔除了源域与目标域各自的特定属性,又减小了源域与目标域的边界概率分布的距离。本发明所采用的迁移成分分析法的具体过程如下:
首先,选择最大均值差异(Maximum Mean Discrepancy,MMD)表示源域和目标域之间的分布差异;
其中,nS与nT表示源域与目标域数据的维度。
本发明采用了一种基于降维的领域自适应方法,也被称为最大平均差异嵌入(Maximum Mean Discrepancy Embedding,MMDE)法,该方法采用非线性映射φ将源域数据和目标域数据嵌入到一个共同的低维隐空间中,然后通过求解一个半定规划问题(Semi-Definite Program,SDP)来学习相应的核矩阵K。
假设核函数表示为k(xi,xj)=φ(xi)Tφ(xj),k表示相应的核函数,则源域和目标域的输入集的边际分布P(XS)与Q(XT)之间的距离可看做一个求解矩阵迹的问题,即
其中,K为复合核矩阵,KS与KT分别为源域数据XS,目标域数据XT与核函数k定义的核矩阵,tr表示矩阵的迹,L表示系数矩阵,具体表示为:
选取MMDE目标函数同时满足分布之间的距离最小和特征空间中的方差最大,即
其中,λ≥0表示惩罚参数。
本发明采用一种基于核特征提取的非线性映射φ方法,将核矩阵K分解为经验核映射K=(KK-1/2)(K-1/2K),并使用变换矩阵将经验核映射特征转换到一个m维空间,其中m<<n1+n2。由此,合成核矩阵为
因此,边际分布间的距离可以重新写为
Dist(XS,XT)=tr((KWWTK)L)=tr(WTKLKW) (11)
此外,为了提高标签之间的依赖性,采用最大限度地对齐嵌入,即
其中,γ为一个权衡系数,一般γ≥0,如果i,j≤nS,[Kl]ij=kyy(yi,yj),否则[Kl]ij=0,令Kv=I。
综上所述,优化问题可以表示为
引入拉格朗日乘子与Karush-Kuhn-Tucker条件,将(14)的优化问题转化为其对偶问题,即
与主成分分析类似,该问题可以通过特征分解矩阵
本发明采用迁移成分分析法在对目标域与源域数据之间进行特征迁移,同时,对特征进行了降维,减小了后续神经网络模型计算负担。
第四步,采用长短时记忆神经网络进行电池SOH估计
采用迁移学习与灰色关联分析法得到了高相关特征,将其作为LSTM神经网络的输入,进而得到SOH的估计值,具体的过程如下:
LSTM神经网络将输入的数据进行前向传播,其通过在单元中的三个门结构即遗忘门,输入门和输出门来控制信息的传递过程。
遗忘门用来决定哪些信息需要被舍弃,哪些信息需要被传递下去,即
ft=σ(Wfxxt+Wfhht-1+bf) (15)
输入门用来决定哪些信息用来进行单元状态的更新,输入门输出为
it=σ(Wixxt+Wihht-1+bi) (16)
其中,Wix,Wih与bi分别表示输入门中输入,循环的权重与偏差信息。
在单元状态的更新过程中,将输入信息通过遗忘门与输入门进行有选择性的遗忘和保留,结合上一时刻的单元状态进行更新,得到单元状态的更新值,即
最后是输出门,输出门决定输出的信息是什么,输出门输出ot表示为
ot=σ(Woxxt+Wohht-1+bo) (19)
其中,Wox,Woh与bo分别表示输出门的输入,循环的权重以及偏差。
则隐含层输出ht为
ht=ot*tanh(Ct) (20)
选取均方误差(Mean Square Error,MSE)作为损失函数,即
其中,N表示训练数据的数量,F表示所提出的神经网络的模型,θ为LSTM的参数,yt表示SOH实际值序列。
此外,引入dropout技术来防止网络中出现的过拟合现象,提升网络的估计精度。本发明中采用Adam算法求解和更新LSTM神经网络的权重与偏置参数,参数统一用θ表示,具体过程如下:
首先,在时间t处,计算优化目标的梯度,即
其中,gt表示参数θ在上一时刻的梯度值。
然后,在t时刻,指数移动平均值梯度ut和梯度平方vt分别计算为
其中,β1和β2为指数衰减因子,表示由梯度平方引起的权重分布的影响。ut和vt的初始值设置为0。
ut与vt的修正过程可以表示为
参数的更新过程为
其中,τ表示学习率,ε是一个非常小的系数,以避免分母为零,令ε=10-8。
在Adam算法中,指数衰减因子β1和β2分别为0.999和0.9。学习率τ=0.01。通过上述更新过程,计算并更新了LSTM的权重和偏差参数。
最终经过模型训练与参数更新得到SOH估计结果,即
其中,f表示输出层激活函数,本发明设置为sigmoid函数,Wfc表示全连接层的权重参数,bfc表示全连接层的偏置参数。
与现有技术相比本发明的有益效果是:
1.针对不同时刻采集到的电池充放电过程数据之间分布不同而需要重新训练模型而带来的计算复杂的问题,本发明采用了基于特征的迁移学习方法,将目标域与源域特征迁移到一个新的特征空间,在实现特征迁移的同时起到了特征降维的作用,进一步降低了动力电池SOH估计过程的计算量。
2.采用LSTM神经网络方法估计电池的SOH值。该方法不仅将历史信息加入到网络的预测过程中,还有效地防止了估计电池SOH的神经网络中出现的梯度消失与梯度爆炸问题,同时结合了dropout方法,解决了网络中出现的过拟合问题,增加了动力电池SOH估计结果的准确性。
3.考虑到电池容量的在线测量比较困难,而且影响电池老化的因素较多,本发明在对电池的充放电过程数据进行分析的基础上,从电池的充电过程的电压,电流,温度,时间等易测量参数及其相关特征中,提取相应的HI来反映电池的老化过程,并实现电池SOH的准确估计。
4.采用灰色关联分析法给出了所提取的健康因子HI与电池容量之间的相关性评价,并对相关性等级进行了排序,从中选取相关性等级高的健康HI用于估计电池的SOH,提升了SOH估计的精度。
附图说明
图1为迁移成分分析算法流程框图;
图2为LSTM神经网络单元结构图;
图3为基于迁移学习-长短时记忆神经网络(Transfer Learning-Long ShortTerm Memory,TL-LSTM)的电池SOH估计整体框图;
图4为B6号电池SOH估计结果对比图;
图5为B7号电池SOH估计结果对比图;
图6为B6号电池SOH估计误差曲线;
图7为B7号电池SOH估计误差曲线;
图8为锂离子电池SOH估计性能指标对比图。
具体实施方式
下面内容将结合附图对本发明进行详细叙述。
本发明提供一种锂离子电池健康状态估计方法,是基于迁移学习-长短时记忆神经网络实现,具体步骤如下:
第一步,电池的健康因子提取
一般情况下,采用电池的容量作为电池SOH的评价指标,但是在实际应用中,容量难以通过实验直接测量得到。因此,本发明在电池的充电过程,测量得到了的电池的开路电压,电池的负载电流,电池的表面温度,充电时间等参数,并提取了与电池的老化相关的15个健康因子(Health Indicator,HI),按照其影响因素将HI分为四组:
第一组HI1~HI3:与电流相关的3个HI。令Ach表示在整个充电过程电流曲线所围成的面积,Acc表示恒流充电过程电流曲线所围成的面积,Acv表示恒压充电过程下电流曲线所围成的面积;
第二组HI4~HI6:与充电时间相关的3个HI。令tcc表示恒流充电时间,tcv表示恒压充电时间,ratiocc表示恒流充电时间占总充电时间的比值;
第三组HI7~HI9:与电压相关的3个HI。令EDTV表示在相等的时间间隔内的充电电压差。令ETDV500,ETDV1000与ETDV1500分别表示充电电压在充电时间500s,1000s与1500s内的电压变化值;
第四组HI10~HI15:与温度和电流相关的6个HI。令Tch表示温度在整个充电阶段的变化值,Tcc表示温度在恒流充电过程的变化值,Tcv表示恒压充电阶段变化值。令Tch/Ach,Tcc/Acc和Tcv/Acv分别表示整个充电阶段,恒流充电阶段与恒压充电阶段每单位容量的温度变化值。
第二步,采用灰色关联分析法进行相关性评价
提取锂离子电池的健康因子HI后,对所提取的HI与电池容量之间的相关性进行定量评价,选取相关性高的HI用于估计电池的SOH。本发明采用灰色关联分析法(GreyRelation Analysis,GRA)不仅给出了健康因子HI之间的相关性系数,还给出了相关性等级的排序,更加直观地给出了相关性分析结果。GRA的具体计算过程如下:
首先,指定参考序列和比较序列,令参考序列为X0={x0(q)|q=1,2,...},q为参考序列中元素数目。令比较序列为Xp={xp(q)|p=1,2,...},p为参考序列中元素的数目。本发明中,参考序列X0为电池的容量参考值,比较序列Xp为所提取的每个HI序列;
对参考序列与比较序列的数据分别归一化,即
其中,X与Xnorm分别表示归一化前后的数据,Xmin与Xmax分别表示序列中数据的最小值与最大值。
然后,计算比较序列Xp中每个点与参考序列X0对应的相关系数ξp,具体表示为
其中,α为识别系数,α∈(0,1),选取α=0.5。
最后,计算比较序列Xp与参考序列X0之间的灰色关联等级rp为
采用灰色关联法得到健康因子HI的相关性分析结果如表1所示。相关性等级记为1-15级,其中1表示相关性等级最高,15表示相关性等级最低。本发明中选取相关性等级排在前8的HI用于估计锂离子电池的SOH。剔除相关性较低的健康因子HI对于SOH估计准确性带来的负面影响。
表1
HI1 | HI2 | HI3 | HI4 | HI5 | HI6 | HI7 | HI8 | HI9 | HI10 | HI11 | HI12 | HI13 | HI14 | HI15 | |
B5 | 1 | 2 | 10 | 3 | 12 | 5 | 9 | 8 | 6 | 15 | 4 | 11 | 7 | 13 | 14 |
B6 | 2 | 1 | 12 | 3 | 10 | 5 | 8 | 7 | 9 | 15 | 4 | 11 | 6 | 13 | 14 |
B7 | 1 | 3 | 10 | 2 | 12 | 4 | 9 | 7 | 6 | 15 | 5 | 11 | 9 | 14 | 13 |
B18 | 1 | 2 | 11 | 3 | 12 | 6 | 7 | 5 | 4 | 13 | 9 | 10 | 8 | 14 | 15 |
第三步,采用迁移学习方法对源域与目标域的HI进行知识迁移
在大数据时代,数据量以及数据类型不断增加,要求机器学习模型具有快速性与强泛化能力。虽然数据量多,但是大部分数据往往没有标注,收集标注数据,或者重新构建模型,代价高昂且费时。这种情况下,对于已有标签的数据和模型进行重复使用成为了可能。传统机器学习方法假设这些数据处于相同的分布,但这明显与实际情况不符。针对具有不同分布的数据,迁移学习方法是通过减小源域到目标域之间的分布差异,进行知识迁移,快速构建模型,实现数据标注。
本发明中采用基于特征的迁移学习方法,将目标域与源域的特征转移到一个新的特征空间φ,该特征空间剔除了源域和目标域各自的特定属性,保留了两者之间的共同属性,同时减小了源域与目标域的边界概率分布的距离,使两者在特征空间φ内的表示更加相似。将新特征空间内得到的特征映射值作为后续神经网络模型的输入,减少了模型对于不同数据集进行反复重新训练的过程。本发明采用基于特征的迁移学习方法-迁移成分分析(Transfer Component Analysis,TCA)法实现对于特征的迁移,其具体过程如下:
首先,选择最大均值差异(Maximum Mean Discrepancy,MMD)表示源域和目标域之间的分布差异,即
设源域数据集为其中xS与yS分别表示输入及相应的输出。目标域数据集为xT与yT分别为目标域输入与相应的输出。假设P(XS)与Q(XT)分别表示源域和目标域的输入集xS和xT的边际分布,一般来说P与Q不相同,但是变换φ存在使得P(φ(XS))≈P(φ(XT)),分布P与Q之间的距离表示为
其中,nS与nT分别表示源域与目标域数据的维度。
本发明采用最大平均差异嵌入(Maximum Mean Discrepancy Embedding,MMDE)方法,即一种基于降维的领域自适应方法,该方法利用一个非线性映射φ将源域数据和目标域数据嵌入到一个共同的低维隐空间中,然后通过求解一个半定规划(Semi-DefiniteProgram,SDP)问题来学习得到相应的核矩阵K。
假设核函数表示为k(xi,xj)=φ(xi)Tφ(xj),k代表相应的核函数,源域和目标域的输入集的边际分布P(XS)与Q(XT)之间的距离可以转化为一个求解矩阵迹的问题,即
其中,K表示一个复合核矩阵,KS与KT分别为源域数据XS,目标域数据XT与核函数k定义的核矩阵,tr为矩阵的迹,L表示系数矩阵,具体表示如下
MMDE的目标函数为
其中,λ≥0表示惩罚参数。
目标函数(9)中的第一项使分布之间的距离最小,第二项则使特征空间中的方差最大。
针对MMDE中SDP求解计算代价大的问题,且得到的核矩阵K需要经过主成分分析预处理,这导致了核矩阵的部分信息丢失,因此本发明提出了一种基于核特征提取的非线性映射φ的有效方法,降低了SDP方法所带来的较大的计算负担。此外,学习到的内核可以推广到样本外模式。将核矩阵K分解为经验核映射K=(KK-1/2)(K-1/2K)。使用一个变换矩阵将经验核映射特征转换到一个m维空间,其中m<<n1+n2。由此,得到的合成核矩阵为
因此,边际分布间距离可以重新写为
Dist(XS,XT)=tr((KWWTK)L)=tr(WTKLKW) (37)
将式(11)最小化作为第一个优化目标,正则化项tr(WTW)可以避免广义特征值分解中分母的秩不足的问题,通常需要控制W的复杂性。
将边际分布间距离作为第一个优化目标,通过最小化嵌入空间中源域数据和目标域数据之间的MMD实现。将标签依赖性作为第二个优化目标,为了提高标签之间的依赖性,采用最大限度地对齐嵌入,即
其中,γ为权衡系数,一般γ≥0,如果i,j≤nS,[Kl]i,j=kyy(yi,yj),否则[Kl]i,j=0,以最大限度地提高对标记数据的依赖性。令Kv=I,使得源域数据和目标域数据的方差最大。
MMDE方法通过对核矩阵K采用距离约束,以保持流形的局部几何形状。但是,这将会导致求解SDP问题的约束过多。为了解决这个问题,基于流形正则化器的局部保持性,首先构造了一个具有亲和性的图变量如果xi是xj的k个最近邻之一,反之亦然。令M=[mij],则图拉普拉斯矩阵表示为Γ=D-M,其中,D是元素为对角线矩阵,如果xi和xj是输入空间中的相邻元素,那么x和x的嵌入坐标之间的距离则很小。数据在的嵌入为WTK,其中第i列[WTK]i提供了xi的嵌入坐标。
因此,第三个优化目标为
结合上述三个优化指标,得到TCA算法的优化目标为
引入拉格朗日乘子与Karush-Kuhn-Tucker条件,将(14)的优化问题转化为其对偶问题,即
本发明采用迁移成分分析方法对目标域与源域的数据进行特征迁移,同时,对特征进行了降维,减小了后续神经网络模型的计算量。基于TCA方法计算得到变化矩阵W,进而可以确定源域与目标域数据在新特征空间的映射,用于电池的SOH估计。TCA方法的流程图如图1所示。
第四步,采用长短时记忆神经网络进行电池SOH估计
采用迁移学习方法与灰色关联分析法得到了相关特征,将其作为LSTM神经网络的输入,最后得到了SOH的估计值,具体的过程如下:
LSTM神经网络将输入的数据进行前向传播,其通过在单元中的三个门结构即遗忘门,输入门和输出门来控制信息的传递过程。LSTM单元结构如图2所示。
遗忘门用来决定哪些信息需要被舍弃,哪些信息需要被传递下去,遗忘门输出ft具体表示为
ft=σ(Wfxxt+Wfhht-1+bf) (42)
输入门用来决定哪些信息用来进行单元状态的更新,输入门输出it表达式为
it=σ(Wixxt+Wihht-1+bi) (43)
其中,Wix,Wih与bi分别表示输入门的输入,循环的权重与偏差。
单元状态的更新过程是将输入信息通过遗忘门与输入门进行有选择性的遗忘和保留,结合上一时刻的单元状态进行更新,得到单元状态的更新值,即
最后是输出门,输出门决定输出的信息是什么,输出门输出ot为
ot=σ(Woxxt+Wohht-1+bo) (46)
其中,Wox,Woh与bo分别表示输出门的输入,循环的权重以及偏差。
则隐含层输出结果ht表示为
ht=ot*tanh(Ct) (47)
选取均方误差(Mean Square Error,MSE)作为损失函数,即
其中,N表示训练数据的数量,F表示所提出的神经网络的模型,θ为LSTM的参数,yt表示SOH实际值序列。
此外,引入dropout技术来防止网络中出现的过拟合现象,提升网络的估计精度。
本发明采用Adam算法求解和更新LSTM神经网络的权重与偏置参数,参数统一用θ表示。Adam算法计算效率高,求解速度快,其具体过程为
首先,在时间t处计算优化目标的梯度,即
其中,gt表示参数θ在上一时刻的梯度值。然后,
在t时刻,指数移动平均值梯度ut和梯度平方vt分别计算为
其中,β1和β2为指数衰减因子,表示由梯度平方引起的权重分布的影响。ut和vt的初始值通常设置为0。
ut与vt的修正过程表示为
参数的更新过程为:
其中,τ表示学习率,ε是一个非常小的系数,以避免分母为零,令ε=10-8。
在Adam算法中,指数衰减因子β1和β2设置为常数,分别为0.999和0.9。令学习率τ为0.01。通过上述更新过程,通过Adam算法计算并更新了LSTM的权重和偏差参数。经过模型训练与参数更新得到的SOH估计结果为
其中,f表示输出层激活函数,设置为sigmoid函数,Wfc表示全连接层的权重参数,bfc表示全连接层的偏置参数。
本发明提出的基于迁移学习-长短时记忆神经网络的锂离子电池健康状态估计方法的流程如图3所示。
所提出基于迁移学习-长短时记忆神经网络的锂离子电池健康状态估计方法的评价指标分别采用均方根误差(Root Mean Square Error,RMSE),平均绝对误差(MeanAbsolute Error,MAE)与平均绝对百分比误差(Mean Absolute Percentage Error,MAPE),即
为了便于理解,以一个具体验证实例解释本发明:
本发明基于四组电池数据,采用基于迁移学习-长短时记忆神经网络的锂离子电池健康状态估计方法,实现对于电池SOH的估计。将NASA电池数据集的标号B5,B6,B7和B18的电池提取电池特征,并经过相关性分析后,进行迁移成分分析,将标号B5电池的特征数据作为源域数据,将标号B6与B7的电池数据作为目标域数据,通过迁移学习得到二者在新的特征空间的映射,并将新特征空间的数据用于后续LSTM神经网络的输入,实现对标号B6与B7的电池的SOH估计。
此外,为了验证LSTM神经网络方法的准确性,采用了RMSE,MAPE与MAE三个评价指标,从图6和图7的误差曲线中可以看出,SOH的估计误差保持在-2%~2%之间,最大误差在5%,这表明本发明采用的方法可以实现对于电池SOH的准确估计,有着较好的估计效果。图8中可以看出基于迁移学习-长短时记忆神经网络的锂离子电池健康状态估计方法得到的估计值的RMSE,MAE与MAPE均在1.5%以下,体现了本发明提出的方法可以实现对于电池SOH的准确估计。
Claims (2)
1.一种锂离子电池健康状态预测方法,其特征在于,包括如下步骤:
步骤一、提取电池充电过程与电池的老化相关的健康因子;
步骤二、采用灰色关联分析法对提取的健康因子与电池容量之间的相关性进行分析,并对相关性等级进行排序;
步骤三、对源域与目标域的健康因子进行知识迁移;
选取相关性等级高的健康因子划分为源域数据集和目标域数据集,用最大均值差异表示源域和目标域之间的分布差异为:
其中,nS与nT表示源域与目标域数据的维度;
假设k(xi,xj)=φ(xi)Tφ(xj),k表示相应的核函数,源域和目标域的输入集的边际分布P(XS)与Q(XT)之间的距离可以转化为一个求解矩阵迹的问题,即
其中,K为复合核矩阵,KS与KT分别为源域数据XS,目标域数据XT与核函数k所定义的核矩阵,tr表示矩阵的迹,L表示系数矩阵,具体表示为:
选取MMDE目标函数同时满足分布之间的距离最小和特征空间中的方差最大,即
其中,λ≥0表示惩罚参数;
因此,边际分布间的距离可以重新写为:
Dist(XS,XT)=tr((KWWTK)L)=tr(WTKLKW) (8)
采用最大限度地对齐嵌入,即
其中,γ为一个权衡系数,一般γ≥0,如果i,j≤nS,[Kl]ij=kyy(yi,yj),否则[Kl]ij=0,令Kv=I。
优化问题可以表示为:
引入拉格朗日乘子与Karush-Kuhn-Tucker条件,将(14)的优化问题转化为其对偶问题,即
步骤四、将求解变化矩阵得到的特征映射值输入LSTM神经网络,LSTM神经网络将输入的数据进行前向传播,其通过在单元中的三个门结构即遗忘门,输入门和输出门来控制信息的传递过程;
遗忘门用来决定哪些信息需要被舍弃,哪些信息需要被传递下去,即
ft=σ(Wfxxt+Wfhht-1+bf) (12)
输入门用来决定哪些信息用来进行单元状态的更新,输入门输出为
it=σ(Wixxt+Wihht-1+bi) (13)
其中,Wix,Wih与bi分别表示输入门中输入,循环的权重与偏差信息;
在单元状态的更新过程中,将输入信息通过遗忘门与输入门进行有选择性的遗忘和保留,结合上一时刻的单元状态进行更新,得到单元状态的更新值,即
最后是输出门,输出门决定输出的信息是什么,输出门输出ot表示为
ot=σ(Woxxt+Wohht-1+bo) (16)
其中,Wox,Woh与bo分别表示输出门的输入,循环的权重以及偏差。
则隐含层输出ht为
ht=ot*tanh(Ct) (17)
选取均方误差(Mean Square Error,MSE)作为损失函数,即
其中,N表示训练数据的数量,F表示所提出的神经网络的模型,θ为LSTM的参数,yt表示SOH实际值序列;
采用Adam算法求解和更新LSTM神经网络的权重与偏置参数,参数统一用θ表示,具体过程如下:
首先,在时间t处,计算优化目标的梯度,即
其中,gt表示参数θ在上一时刻的梯度值。
然后,在t时刻,指数移动平均值梯度ut和梯度平方vt分别计算为:
其中,β1和β2为指数衰减因子,表示由梯度平方引起的权重分布的影响。ut和vt的初始值设置为0。
ut与vt的修正过程可以表示为:
参数的更新过程为
其中,τ表示学习率,ε是一个非常小的系数,以避免分母为零,令ε=10-8;
通过上述更新过程,计算并更新了LSTM的权重和偏差参数,得到最终预测网络;
步骤五、将目标域数据输入到最终预测网络,经过模型训练与参数更新得到SOH估计结果,即
其中,f表示输出层激活函数,设置为sigmoid函数,Wfc表示全连接层的权重参数,bfc表示全连接层的偏置参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111367429.0A CN114580262A (zh) | 2021-11-18 | 2021-11-18 | 一种锂离子电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111367429.0A CN114580262A (zh) | 2021-11-18 | 2021-11-18 | 一种锂离子电池健康状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580262A true CN114580262A (zh) | 2022-06-03 |
Family
ID=81769451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111367429.0A Pending CN114580262A (zh) | 2021-11-18 | 2021-11-18 | 一种锂离子电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580262A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116609677A (zh) * | 2023-07-18 | 2023-08-18 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
CN111985156A (zh) * | 2020-08-19 | 2020-11-24 | 电子科技大学 | 一种预测电池健康状态的方法 |
CN112083337A (zh) * | 2020-10-22 | 2020-12-15 | 重庆大学 | 一种面向预测性运维的动力电池健康预测方法 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN112265546A (zh) * | 2020-10-26 | 2021-01-26 | 吉林大学 | 基于时空序列信息的网联汽车车速预测方法 |
CN112798960A (zh) * | 2021-01-14 | 2021-05-14 | 重庆大学 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
CN113128672A (zh) * | 2021-04-16 | 2021-07-16 | 昆明理工大学 | 一种基于迁移学习算法的锂离子电池组soh估计方法 |
CN113419187A (zh) * | 2021-06-08 | 2021-09-21 | 上海交通大学 | 一种锂离子电池健康估计方法 |
CN113536676A (zh) * | 2021-07-15 | 2021-10-22 | 重庆邮电大学 | 基于特征迁移学习的锂电池健康状况监测方法 |
-
2021
- 2021-11-18 CN CN202111367429.0A patent/CN114580262A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
CN111985156A (zh) * | 2020-08-19 | 2020-11-24 | 电子科技大学 | 一种预测电池健康状态的方法 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN112083337A (zh) * | 2020-10-22 | 2020-12-15 | 重庆大学 | 一种面向预测性运维的动力电池健康预测方法 |
CN112265546A (zh) * | 2020-10-26 | 2021-01-26 | 吉林大学 | 基于时空序列信息的网联汽车车速预测方法 |
CN112798960A (zh) * | 2021-01-14 | 2021-05-14 | 重庆大学 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
CN113128672A (zh) * | 2021-04-16 | 2021-07-16 | 昆明理工大学 | 一种基于迁移学习算法的锂离子电池组soh估计方法 |
CN113419187A (zh) * | 2021-06-08 | 2021-09-21 | 上海交通大学 | 一种锂离子电池健康估计方法 |
CN113536676A (zh) * | 2021-07-15 | 2021-10-22 | 重庆邮电大学 | 基于特征迁移学习的锂电池健康状况监测方法 |
Non-Patent Citations (3)
Title |
---|
刘亚姣;刘振泽;宋晨辉;: "基于改进粒子滤波的锂离子电池RUL预测", 吉林大学学报(信息科学版), no. 02, 15 March 2018 (2018-03-15), pages 64 - 68 * |
徐薇;陈虹;赵海艳;: "考虑电池寿命的四轮轮毂电动汽车制动能量优化控制", 控制理论与应用, no. 11, 15 November 2019 (2019-11-15), pages 153 - 162 * |
李光远;马彦;: "锂离子电池电化学建模及其简化方法", 吉林大学学报(信息科学版), no. 03, 15 May 2018 (2018-05-15), pages 41 - 49 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116609677A (zh) * | 2023-07-18 | 2023-08-18 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
CN116609677B (zh) * | 2023-07-18 | 2023-11-03 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
Ren et al. | A review of machine learning state-of-charge and state-of-health estimation algorithms for lithium-ion batteries | |
Ma et al. | A hybrid transfer learning scheme for remaining useful life prediction and cycle life test optimization of different formulation Li-ion power batteries | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
Ma et al. | Degradation prognosis for proton exchange membrane fuel cell based on hybrid transfer learning and intercell differences | |
CN114580262A (zh) | 一种锂离子电池健康状态估计方法 | |
CN112379269A (zh) | 电池异常检测模型训练及其检测方法、装置 | |
CN113469470B (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
CN114791993B (zh) | 一种动力电池组soh预测方法及系统 | |
CN112734002B (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN116679211A (zh) | 一种锂电池健康状态的预测方法 | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
Xue et al. | Estimating state of health of lithium-ion batteries based on generalized regression neural network and quantum genetic algorithm | |
CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN113743008A (zh) | 一种燃料电池健康预测方法及系统 | |
CN112327165B (zh) | 一种基于无监督迁移学习的电池soh预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117406100A (zh) | 锂离子电池剩余寿命预测方法和系统 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 |
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 |