CN114611573A - 基于变分自编码器的锂电池缺失观测数据填充方法 - Google Patents
基于变分自编码器的锂电池缺失观测数据填充方法 Download PDFInfo
- Publication number
- CN114611573A CN114611573A CN202210107768.3A CN202210107768A CN114611573A CN 114611573 A CN114611573 A CN 114611573A CN 202210107768 A CN202210107768 A CN 202210107768A CN 114611573 A CN114611573 A CN 114611573A
- Authority
- CN
- China
- Prior art keywords
- data
- encoder
- missing
- potential
- variational self
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于变分自编码器的锂电池缺失观测数据填充方法,步骤包括:S1、获取正常周期内观测的数据;S2、对正常观测数据的数据集合进行标注,确定缺失数据的周期;S3、构建变分自编码器;S4、使用正常数据作为输入,训练该变分自编码器;S5、使用编码器模型,获取正常数据的潜在向量;S6、选取潜在向量的任意两维数据,构建潜在变量坐标系,并观测潜在向量的分布规律,判断所构建的变分自编码器是否符合要求;S7、依照正常数据的潜在向量,线性插值缺失数据的潜在向量;S8、将缺失周期所对应的潜在向量输入到解码器模型当中,重构出缺失数据。本发明的方法,对提升锂离子电池寿命估计的精度和泛化性有重要意义。
Description
技术领域
本发明属于锂电池技术领域,涉及一种基于变分自编码器的锂电池缺失观测数据填充方法。
背景技术
锂电池是锂离子电池的简称,其能量密度高、寿命长、稳定性佳,已成为电动汽车等主要绿色交通工具的储能工具。但锂电池的使用需进行必要监控与管理,电池管理系统(Battery Management System,BMS)需在电池使用的过程中不断根据传感器所捕获的参数对电池的日历寿命进行准确估计,并以此对锂电池的健康状态(State-of-Health,SOH)进行预测,以保证锂电池所驱动系统的安全可靠,有助于完善充放电策略,避免电池滥用,指导科学的电池管理方法,更长久提高电池使用寿命。此外,锂离子电池健康状态的预测,还可为电池的回收与梯次利用提供最直接参考。
目前,基于数据驱动的方法预测锂电池的SOH,具有预测精度高、泛化性强的特点,且可在新的工况下快速完成参数调整,已成为当前BMS系统对SOH进行预测的主流方法。然而,基于数据驱动方法的本质,是通过算法离线学习出电池充放电过程中的电压、电流、阻抗等参数对于SOH的映射后,在线进行调整和使用。因此,用于构建模型的学习数据显得尤为重要。对于特定类型电池的关键参数,一般通过在实验室中对电池进行反复充放电的方法获取。数据获取难度大,且对于一块电池整个寿命周期内,数据获取的时间较长。在电池充放电实验过程中,由于实验环境的不稳定性或者受噪声干扰,极易造成电池某个充电周期内数据缺失或污染。因此,如何根据相邻周期内的相似充放电参数,对缺失或污染的周期数据进行补全,显得尤为重要。完整的数据可直接提高数据驱动方法的预测精度,减少缺失或噪声数据对训练过程的影响。此外,借助数据生成的方法,可提供潜在未探明且有意义的训练样本,以提升SOH估计模型的泛化性。
总之,基于数据驱动方法进行锂离子电池寿命估计性能卓越,然而锂离子电池老化数据获取代价较为昂贵,对丢失或污染数据进行补全不仅可显著减少数据获取的成本,也能为提升SOH估计性能提供必要支持。
发明内容
本发明的目的是提供一种基于变分自编码器的锂电池缺失观测数据填充方法,解决了现有技术中锂离子电池老化数据获取代价较为昂贵,锂电池缺失观测数据难以补全的问题。
本发明采用的技术方案是,一种基于变分自编码器的锂电池缺失观测数据填充方法,按照以下步骤具体实施:
S1、获取正常周期内所观测的数据;
S2、对正常观测数据的数据集合进行标注,确定缺失数据的周期;
S3、构建变分自编码器;
S4、使用正常数据作为输入,训练该变分自编码器;
本发明的有益效果是,仅通过对正常充放电数据的无监督学习,构建变分自编码器;利用对编码器输出的潜在向量进行插值的方式,构建出缺失数据的潜在向量;再利用所构建的解码器重构出缺失数据。本发明可直接从正常锂离子电池充放电过程中的正常数据,重构出所缺失的数据,对提升锂离子电池寿命估计的精度和泛化性有重要意义。
附图说明
图1是本发明方法的流程简图;
图2是本发明方法中对缺失数据进行标注的简图;
图3是本发明方法中变分自编码器的结构简图;
图4是本发明方法中编码器模型的结构简图;
图5是本发明方法中解码器模型的结构简图。
具体实施方式
本发明基于变分自编码器的锂电池缺失观测数据填充方法,整个流程参见图1,按照以下步骤具体实施:
S1、获取正常周期内所观测的数据,
具体过程为:在实验环境下,对特定电池进行循环充放电测试,测试过程中记录各传感器的正常观测数据,得到相应的数据集合其中的c∈{1…n},n为充电周期数;k表示参数类型,k∈{V,I,T},其中的V表示电压数据,I表示电流数据,T表示温度数据;
S2、对正常观测数据的数据集合进行标注,确定缺失数据的周期,
S3、构建变分自编码器,
变分自编码器的整体结构见图3,具体过程为:
S3-1、构建变分自编码器当中的编码器模型Pφ(Z|X),该编码器模型主要由卷积层、Flatten层、全连接层组成,见图4,编码器模型的输出,是通过全连接层拟合出潜在向量的均值μ和方差log(σ),重参数化后得到潜在向量Z∈{Z1,Z2,…,Zn};
S4、使用正常数据作为输入,训练该变分自编码器,
具体过程为:设定合适的数据批次大小b,使用步骤S2中所确认的正常数据集合对步骤S3构建好的变分自编码器进行训练;训练时所使用的总损失函数为重构损失函数与KL散度(Kullback-Leibler Divergence)的累加,表达式如下:
其中,KL散度的表达式为:
其中,J代表潜在向量的个数,σj表示方差,μj表示均值。
具体过程为:选取潜在特征向量中任意两维和p1,p2为所选两个维度,构建潜在变量坐标系并绘制该两维潜在特征向量的分布图;如分布图中均表现出较强的聚类特性,则说明所建立的变分自编码器符合重构要求;否则,返回步骤S4进行重新训练。
Claims (9)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107768.3A CN114611573A (zh) | 2022-01-28 | 2022-01-28 | 基于变分自编码器的锂电池缺失观测数据填充方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210107768.3A CN114611573A (zh) | 2022-01-28 | 2022-01-28 | 基于变分自编码器的锂电池缺失观测数据填充方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611573A true CN114611573A (zh) | 2022-06-10 |
Family
ID=81859403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210107768.3A Pending CN114611573A (zh) | 2022-01-28 | 2022-01-28 | 基于变分自编码器的锂电池缺失观测数据填充方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611573A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346091A (zh) * | 2022-10-14 | 2022-11-15 | 深圳精智达技术股份有限公司 | 一种Mura缺陷图像数据集的生成方法和生成装置 |
-
2022
- 2022-01-28 CN CN202210107768.3A patent/CN114611573A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346091A (zh) * | 2022-10-14 | 2022-11-15 | 深圳精智达技术股份有限公司 | 一种Mura缺陷图像数据集的生成方法和生成装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ling et al. | State-of-charge and state-of-health estimation for lithium-ion batteries based on dual fractional-order extended Kalman filter and online parameter identification | |
CN112540317B (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
CN111398833B (zh) | 一种电池健康状态评估方法 | |
CN112051511A (zh) | 基于多通道技术的动力电池健康状态的估计方法及系统 | |
CN108732508B (zh) | 一种锂离子电池容量的实时估计方法 | |
Che et al. | Semi-supervised self-learning-based lifetime prediction for batteries | |
CN111257754B (zh) | 一种基于plstm序列映射的电池soc鲁棒评估方法 | |
CN112949164A (zh) | 一种锂电池健康状态预测方法 | |
CN113740736A (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
CN116298934B (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
CN112904219A (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN112379273A (zh) | 基于人工智能的锂离子电池充电曲线重构及状态估计方法 | |
CN114611573A (zh) | 基于变分自编码器的锂电池缺失观测数据填充方法 | |
CN115186579A (zh) | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN113533995B (zh) | 一种动力电池一致性检测方法 | |
Kim et al. | Investigation of noise suppression in experimental multi-cell battery string voltage applying various mother wavelets and decomposition levels in discrete wavelet transform for precise state-of-charge estimation | |
CN116359742A (zh) | 基于深度学习组合扩展卡尔曼滤波的储能电池荷电状态在线估计方法及系统 | |
CN116224074A (zh) | 一种软包锂离子电池荷电状态估计方法、装置及存储介质 | |
CN116031453A (zh) | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 | |
CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 | |
CN115327389A (zh) | 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法 | |
CN113740735A (zh) | 一种锂离子电池soc估计的方法 | |
CN109871881B (zh) | 一种基于凝聚分层聚类算法的电池工况分析方法 |
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 |