CN114611597A - 基于rgan的锂离子电池健康状态估计方法及系统 - Google Patents
基于rgan的锂离子电池健康状态估计方法及系统 Download PDFInfo
- Publication number
- CN114611597A CN114611597A CN202210224183.XA CN202210224183A CN114611597A CN 114611597 A CN114611597 A CN 114611597A CN 202210224183 A CN202210224183 A CN 202210224183A CN 114611597 A CN114611597 A CN 114611597A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- battery
- aging characteristics
- aging
- 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 55
- 230000036541 health Effects 0.000 title claims abstract description 47
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 38
- 230000032683 aging Effects 0.000 claims abstract description 110
- 238000007600 charging Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 21
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010277 constant-current charging Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000002452 interceptive effect Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于RGAN的锂离子电池健康状态估计方法及系统，包括：获取锂电池的充放电电压、电流数据并进行预处理；基于锂电池的充电电压数据提取老化特征；将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。本发明基于回归生成对抗网络的电池SOH估计方法能够有效检测异常老化特征，防止传感器故障、噪声等干扰SOH估计结果，避免造成SOH估计结果偏离；具有异常老化特征检测精度高、可靠性强，SOH估计精度高的优点，适用于在线SOH估计。
Description
技术领域
本发明涉及锂离子电池健康状态估计技术领域，尤其涉及一种基于回归生成对抗网络(Regression Generative Adversarial Network,RGAN)的锂离子电池健康状态估计方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
得益于低成本、高能量密度和长循环寿命等优势，锂电池成为大规模储能系统和电动汽车的关键组成器件，其健康状态直接影响储能设施和电动汽车等的安全运行。在实际使用过程中，电池容量会随着充放电循环和放置时间而逐渐衰减，导致设备续航能力显著降低，严重影响用户体验。电池的健康状态(State of Health，SOH)反映当前电池的容量和内阻大小。准确的健康状态估计有利于对电池进行合理管控，能够优化用户使用体验，防止电池加速老化甚至故障的出现。
由于电池内部电化学反应十分复杂，且外部环境复杂多变，导致准确估计动力电池健康状态十分困难。目前，动力电池的健康状态估计方法主要有三类：直接测量法、模型法和数据驱动法。
直接测量法采用测量电压、电流信号、阻抗谱等并经过简单的计算估计电池SOH。该方法计算复杂度低，易于实现。然而，此类方法需要额外的设备或特定的工作条件进行数据测量，这限制了实际应用。模型法基于等效电路模型或电化学模型结合自适应算法(卡尔曼滤波、扩展卡尔曼滤波、粒子滤波等)估计电池SOH。此类方法需要在线辨识电池模型参数，计算复杂度高，且准确的电池老化模型十分复杂，将显著增加电池管理系统的计算负担。数据驱动法从外部测量数据(端电压、电流、温度等)提取老化特征(Health Indicator,HI)，结合机器学习算法构建电池SOH估计模型，无需考虑复杂的电池老化机理，且能实现高精度SOH估计。然而，电磁干扰、传感器故障等易于产生异常老化特征，导致显著偏离正常SOH的估计结果。现有方法无法有效检测异常的老化特征，导致模型可靠性低。此外，传统的数据驱动方法泛化能力弱，这限制了其在实际电池管理中的应用。
发明内容
为了解决上述问题，本发明提出了一种基于RGAN的锂离子电池健康状态估计方法及系统，解决了传统人工智能方法无法检测由于噪声、传感器故障等导致的异常老化特征，避免SOH估计结果显著偏离正常值，提高了SOH估计的可靠性，同时结合对抗学习将生成老化特征引入模型训练，有效改善了数据驱动法泛化能力弱的局限性问题。
在一些实施方式中，采用如下技术方案：
一种基于RGAN的锂离子电池健康状态估计方法，包括：
获取锂电池的充放电电压、电流数据并进行预处理；
基于锂电池的充电数据提取老化特征；
将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。
作为可选的方案，基于锂电池的充电数据提取老化特征，具体包括：
从锂离子电池恒流充电过程的端电压曲线上提取用来表征电池健康状态的老化特征；所提取的老化特征包括两类：第一类为等电压间隔的充电持续时间，第二类为对固定充电区间中电压的离散积分。
作为可选的方案，所述基于回归生成对抗网络的SOH估计模型包括：
采用多层前馈神经网络构建的回归器R、鉴别器D和生成器G；
所述生成器G生成分布一致的假样本来欺骗鉴别器D，所述鉴别器D学习真实老化特征的分布并判断所述假样本是否满足真实老化特征的分布；所述回归器R学习老化特征与其对应的SOH之间的映射关系。
作为可选的方案，所述基于回归生成对抗网络的SOH估计模型的训练过程包括：
获取锂电池的充放电电压、电流数据并进行预处理，得到各个充放电循环的真实健康状态值；
基于各个充放电循环的充电数据进行老化特征提取，提取每个充放电循环的老化特征；
所述老化特征与相应的健康状态值构成训练样本集；
从真实老化特征分布中采样n个样本点以更新回归器R；从噪声先验样本中采样n个噪声样本，从真实老化特征分布中采样n个样本，更新鉴别器D；固定鉴别器D，采样n个带有设定标签的噪声样本，用这些带有标签的噪声样本更新生成器G；重复该过程，直至训练完成。
作为可选的方案，所述预处理、提取老化特征以及基于回归生成对抗网络的SOH估计模型的过程，均在云端服务器完成。
作为可选的方案，将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，能够通过鉴别器D识别出异常的老化特征。
在另一些实施方式中，采用如下技术方案：
一种基于RGAN的锂离子电池健康状态估计系统，包括：
数据获取模块，用于获取锂电池的充放电电压、电流数据并进行预处理；
特征提取模块，用于基于锂电池的充电数据提取老化特征；
健康状态估计模块，用于将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于RGAN的锂离子电池健康状态估计方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于RGAN的锂离子电池健康状态估计方法。
与现有技术相比，本发明的有益效果是：
(1)本发明基于回归生成对抗网络的电池SOH估计方法能够有效检测异常老化特征，防止传感器故障、噪声等干扰SOH估计结果，避免造成SOH估计结果偏离；具有异常老化特征检测精度高、可靠性强，SOH估计精度高的优点，适用于在线SOH估计。
(2)本发明基于生成数据和真实数据均用于模型训练，能够起到数据增强的作用，从而增强模型的泛化能力。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的基于回归生成对抗网络的SOH估计模型训练过程示意图；
图2(a)为本发明实施例中的回归器R和鉴别器D的具体结构；
图2(b)为本发明实施例中的生成器G的具体结构；
图3(a)-(d)分别为RGAN在三元锂离子电池和磷酸铁锂电池上的SOH估计性能示意图；
图4为(a)-(d)分别为不同传感器故障和噪声干扰情况下的电池端电压曲线。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于RGAN的锂离子电池健康状态估计方法，具体包括如下过程：
(1)获取锂电池的充放电电压、电流数据并上传至云端服务器，在云端服务器进行预处理；
本实施例中，通过BMS获取锂离子电池数据，包括电流、电压数据并上传至云端服务器。
基于获得的充电电压数据提取电池充电过程中不同电压间隔的充电持续时间、电压增量累积老化特征。
对提取的老化特征采用min-max标准化，将其归一化至[0，1]之的区间内，其公式为：
其中，Xi为归一化后的老化特征，xmax为所输入数据中的最大值，xmin为所输入数据中的最小值。
(2)基于锂电池的充电数据提取老化特征；
锂电池的SOH难以准确估计，需要提取老化特征对其进行估计。本实施例中，从锂离子电池恒流充电过程的端电压曲线上提取用来表征电池健康状态的老化特征；提取的老化特征包括两类：第一类特征是等电压间隔的充电持续时间，
其中t是时间戳，V1和V2分别是电压上限和电压下限。随着电池老化，相同电压范围的充电持续时间会减少。第二类特征是对固定充电区间中电压的离散积分，表示为
其中数据的采样频率为1Hz。电压积分可以反映电池的能量储存能力，因为
其中I表示恒流充电过程中的电流值。该老化特征可以反映在固定电压区间内电池充入能量，随着电池老化，电池可充入的能量显著降低，因此该老化特征可用来评估电池老化程度。
以从充电电压曲线提取多个老化特征来估计电池健康状态为例建立健康状态估计模型。电压数据采样频率为1Hz。
以三元锂离子电池为例，基于恒流充电曲线提取多个老化特征，如表1所示。
表1：从恒流充电电压曲线提取的老化特征
| 编号 | 标签 | 描述 |
| 1 | HI1 | 3.85-4.1V时间间隔 |
| 2 | HI2 | 3.875-4.1V时间间隔 |
| 3 | HI3 | 3.9V-4.1V时间间隔 |
| 4 | HI4 | 3.85-4.1V电压累积 |
| 5 | HI5 | 3.875-4.1V电压累积 |
| 6 | HI6 | 3.9V-4.1V电压累积 |
表1中，老化特征均为不同数值，以HI1为例，它表示电池从3.85V充电到4.1V所用的时间，HI4表示从3.85V到4.1V电压对时间的积分，无量纲化之后，提取了6个特征。
由于实际充放电过程中很难做到满充，因此对于截止电压为4.2V的三元锂离子电池，将4.1V作为老化特征提取的电压区间上限。以固定电压区间的充电时间间隔的老化特征为例，以0.025V的分辨率扫描了不同起始电压和电压区间长度提取的老化特征与SOH之间的皮尔森相关系数，找到分别从3.85V、3.875V和3.9V作为起始电压且电压区间上限为4.1V的老化特征与电池SOH之间具有最高的相关性。因此将这三个电压区间用于电池充电过程中的老化特征提取。
(3)将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。
本实施例中，在实验室、电池厂等环境下对电池进行加速老化测试，获得高精度电池充放电电压、电流数据，并将数据上传至云端服务器。
基于云服务器进行数据清洗以剔除异常值等，通过安时积分法获得不同循环的容量值C，采用公式
计算得到各循环的真实SOH值{SOH1,SOH2,…,SOHn}，其中Cnow为当前电池容量，C0为电池初始容量。基于各个循环充电数据进行老化特征提取，提取n个老化特征构成第i次循环的老化特征向量Hi，将老化特征与相应循环的SOH构成训练集SOH＝{(H1,SOH1),(H2,SOH2),…,(Hn,SOHn)}。
在云服务器端，构建基于RGAN的SOH估计模型；基于训练集对基于回归生成对抗网络的SOH估计模型进行训练。
具体地，RGAN由生成器G、鉴别器D和回归器R组成。生成器G可以生成分布一致的假样本来欺骗D，鉴别器D学习真实老化特征的分布并判断生成的假样本是否满足真实老化特征的分布。回归器R学习老化特征与其对应的SOH之间的映射关系。
由于由传感器故障或测量噪声引起的老化特征异常值不满足真实的老化特征分布，因此鉴别器D能判断其是否满足真实分布，进而避免SOH估计值显著偏离正常值。此外，由于生成器生成的数据和真实数据均被用于模型训练，具有数据增强的作用，因此RGAN能够具有更好的泛化能力。
本实施例中，基于RGAN的SOH估计模型的损失函数具体为：
其中，Pdata(x)表示真实老化特征分布，Pz(z)表示对输入噪声z的先验，z为具有高斯分布的噪声向量{z1,z2,…,zn}。
结合图1，其主要训练步骤如下：
(1)从真实数据分布Pdata(x)中采样n个样本点以更新回归器R。
(2)从噪声先验样本中采样n个噪声样本{z1,z2,…,zn}，从真实数据分布Pdata(x)中采样n个样本{x1,x2,…,xn}，然后使用(4)更新鉴别器D。
(3)固定鉴别器D，采样n个标签为-1的噪声样本{z1,z2,…,zn}，用这些带有标签的噪声样本更新生成器G，
(4)重复以上步骤(1)-(3)，直至pg接近pdata，且回归器损失Rloss很小。
其中，其中pg表示为生成器的分布，pdata(x)表示为真实数据的分布，当二者接近且回归器损失较小时则认为回归生成对抗网络训练完成。
图1中，(a)表示训练回归器R的过程，(b)表示训练判别器D的过程，(c)表示训练生成器G的过程。
本实施例中，自适应矩估计(adaptive moment estimation,Adam)优化器用于生成器G，鉴别器D和回归器R的优化。由于电池老化特征的维度较低，且老化特征与电池SOH具有很好的相关性，因此采用多层前馈神经网络构建生成器G、鉴别器D和回归器R以减少回归模型对老化特征的信息损失。
将云端训练好的回归器R和鉴别器D模型参数下发至电池管理系统中，对于提取的老化特征，用判别器D判断所提取老化特征是否为异常老化特征，回归器R用于SOH估计；从而实现在线异常老化特征检测和SOH估计。
异常老化特征指实际电池健康状态评估中由于测量噪声、传感器故障等原因，导致锂离子电池充电过程中测量电压产生一些异常值，这些异常值模式复杂，无法去除。基于带有异常值的充电电压曲线提取上述老化特征往往会导致异常老化特征，这些异常老化特征输入到SOH估计模型中导致SOH估计误差显著加大，进而导致模型不可用。
本实施例中，基于实验充电数据提取的真实老化特征用于训练回归生成对抗网络，回归生成对抗网络的生成器G仅需要噪声输入，能够生成老化特征，在与鉴别器D对抗训练中，生成器G与鉴别器D均能够实现良好的性能。训练好的生成器G已经学习到真实数据的分布，而鉴别器D也能够检测老化特征是否符合真实的数据分布。因此，在实际应用过程中，鉴别器D可以先评估提取的老化特征是否满足真实的数据分布(实验中提取的老化特征)，以避免由于测量噪声、传感器故障等产生的异常老化特征显著降低模型精度，导致模型不可用的问题。
图1展示了其训练步骤，分别训练回归器R、鉴别器D和生成器G。具体搭建的回归生成对抗网络结构如图2(a)-(b)所示，其中，图2(a)表示回归器R和鉴别器D的具体结构，图2(b)表示生成器G的具体结构。
采用多层前馈神经网络构建回归器R、鉴别器D和生成器G；采用Adam优化器，学习率设置为5*10-4，β1为0.9,β2为0.999。回归器损失函数为均方差函数，鉴别器损失函数为交叉熵损失函数；Batch-size设置为50；Epoch设置为1200。激活函数Leaky ReLU的scope为0.3。
图3(a)-(d)展示了回归生成对抗网络的估计结果，其中，图3(a)和图3(c)分别表示在三元电池和磷酸铁锂电池上的SOH估计结果；图3(b)和图3(d)分别代表在三元电池和磷酸铁锂电池上的SOH估计误差。
从图3(a)、(c)可以看到估计模型能够准确估计三元电池和磷酸铁锂电池的真实SOH，从图3(b)、(d)可以看到所提方法对两种不同类型电池的估计误差较小。
图4(a)-(d)展示了不同传感器故障和噪声干扰情况下的电池端电压曲线；其中，图4(a)为传感器偏置故障，图4(b)为传感器漂移故障，图4(c)为测量噪声或传感器精度减低，图4(d)为传感器卡死。
表2展示了对各种异常老化特征检测结果的TPR(true positive rate)和TNR(true negative rate)结果，其中TPR和TNR分别表示所有正常老化特征中被检测为正常老化特征的比率和所有异常老化特征中被检测为异常老化特征的比率。从表2可以看出，对于真实数据，TPR的值为1，这表明鉴别器D不会对来自真实数据的老化特征产生误判。对于各种异常老化特征，TNR的值为1，表明鉴别器D能够发现绝大多数异常老化特征。此外，图4(a)-(d)所示的4种噪声或传感器故障示例中，SOH估计误差分别为12.63％、16.84％、11.06％和27.32％，导致显著异常的SOH估计，而所提方法中鉴别器D能够有效检测异常老化特征，从而能够有效避免不可靠的SOH估计。误差的平均绝对误差MAE和最大误差MAX定义为：
其中，
分别表示真实和估计的第j次循环的锂电池SOH，n表示电池的充放电循环数。
表2：鉴别器D对异常老化特征的鉴别结果及对应的SOH估计误差
实施例二
在一个或多个实施方式中，公开了一种基于RGAN的锂离子电池健康状态估计系统，包括：
数据获取模块，用于获取锂电池的充放电电压、电流数据并进行预处理；
特征提取模块，用于基于锂电池的充电数据提取老化特征；
健康状态估计模块，用于将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于RGAN的锂离子电池健康状态估计方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于RGAN的锂离子电池健康状态估计方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，包括：
获取锂电池的充放电电压、电流数据并进行预处理；
基于锂电池的充电数据提取老化特征；
将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。
2.如权利要求1所述的一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，基于锂电池的充电数据提取老化特征，具体包括：
从锂离子电池恒流充电过程的端电压曲线上提取用来表征电池健康状态的老化特征；所提取的老化特征包括两类：第一类为等电压间隔的充电持续时间，第二类为对固定充电区间中电压的离散积分。
3.如权利要求1所述的一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，所述基于回归生成对抗网络的SOH估计模型包括：
采用多层前馈神经网络构建的回归器R、鉴别器D和生成器G；
所述生成器G生成分布一致的假样本来欺骗鉴别器D，所述鉴别器D学习真实老化特征的分布并判断所述假样本是否满足真实老化特征的分布；所述回归器R学习老化特征与其对应的SOH之间的映射关系。
4.如权利要求3所述的一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，所述基于回归生成对抗网络的SOH估计模型的训练过程包括：
获取锂电池的充放电电压、电流数据并进行预处理，得到各个充放电循环的真实健康状态值；
基于各个充放电循环的充电数据进行老化特征提取，提取每个充放电循环的老化特征；
所述老化特征与相应的健康状态值构成训练样本集；
从真实老化特征分布中采样n个样本点以更新回归器R；从噪声先验样本中采样n个噪声样本，从真实老化特征分布中采样n个样本，更新鉴别器D；固定鉴别器D，采样n个带有设定标签的噪声样本，用这些带有标签的噪声样本更新生成器G；重复该过程，直至训练完成。
5.如权利要求3所述的一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，能够通过鉴别器D识别出异常的老化特征。
6.如权利要求1所述的一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，所述预处理、提取老化特征以及基于回归生成对抗网络的SOH估计模型的过程，均在云端服务器完成。
7.一种基于RGAN的锂离子电池健康状态估计系统，其特征在于，包括：
数据获取模块，用于获取锂电池的充放电电压、电流数据并进行预处理；
特征提取模块，用于基于锂电池的充电数据提取老化特征；
健康状态估计模块，用于将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。
8.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于RGAN的锂离子电池健康状态估计方法。
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的基于RGAN的锂离子电池健康状态估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210224183.XA CN114611597A (zh) | 2022-03-07 | 2022-03-07 | 基于rgan的锂离子电池健康状态估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210224183.XA CN114611597A (zh) | 2022-03-07 | 2022-03-07 | 基于rgan的锂离子电池健康状态估计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114611597A true CN114611597A (zh) | 2022-06-10 |
Family
ID=81861238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210224183.XA Pending CN114611597A (zh) | 2022-03-07 | 2022-03-07 | 基于rgan的锂离子电池健康状态估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114611597A (zh) |
Cited By (4)
| 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 |
| CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
| CN116381541A (zh) * | 2023-06-05 | 2023-07-04 | 苏州时代华景新能源有限公司 | 一种储能锂电池系统的健康评估方法及系统 |
| CN116643181A (zh) * | 2022-08-25 | 2023-08-25 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033170A (zh) * | 2018-06-21 | 2018-12-18 | 深圳先进技术研究院 | 停车场的数据修补方法、装置、设备及存储介质 |
| CN113189490A (zh) * | 2021-05-17 | 2021-07-30 | 武汉理工大学 | 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 |
| CN113239991A (zh) * | 2021-04-28 | 2021-08-10 | 浙江工业大学 | 基于回归生成对抗网络的火焰图像氧浓度预测方法 |
-
2022
- 2022-03-07 CN CN202210224183.XA patent/CN114611597A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033170A (zh) * | 2018-06-21 | 2018-12-18 | 深圳先进技术研究院 | 停车场的数据修补方法、装置、设备及存储介质 |
| CN113239991A (zh) * | 2021-04-28 | 2021-08-10 | 浙江工业大学 | 基于回归生成对抗网络的火焰图像氧浓度预测方法 |
| CN113189490A (zh) * | 2021-05-17 | 2021-07-30 | 武汉理工大学 | 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 |
Cited By (7)
| 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 |
| CN116643181A (zh) * | 2022-08-25 | 2023-08-25 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
| CN116643181B (zh) * | 2022-08-25 | 2024-04-16 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
| CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
| CN116298935B (zh) * | 2023-05-19 | 2023-09-19 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
| CN116381541A (zh) * | 2023-06-05 | 2023-07-04 | 苏州时代华景新能源有限公司 | 一种储能锂电池系统的健康评估方法及系统 |
| CN116381541B (zh) * | 2023-06-05 | 2023-10-20 | 苏州时代华景新能源有限公司 | 一种储能锂电池系统的健康评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114611597A (zh) | 基于rgan的锂离子电池健康状态估计方法及系统 | |
| CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
| Sbarufatti et al. | Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks | |
| US11422194B2 (en) | Battery diagnosis apparatus and battery diagnosis method based on current pulse method | |
| CN111781504B (zh) | 一种锂离子动力电池老化状态识别与开路电压重构方法 | |
| CN111965547B (zh) | 一种基于参数辨识法的电池系统传感器故障诊断方法 | |
| Gholizade‐Narm et al. | Lithium‐ion battery state of charge estimation based on square‐root unscented Kalman filter | |
| Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
| Feng et al. | State of health estimation of large-cycle lithium-ion batteries based on error compensation of autoregressive model | |
| Sui et al. | Fuzzy entropy-based state of health estimation for Li-ion batteries | |
| CN111679199A (zh) | 一种锂离子电池soc估计方法及装置 | |
| CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| Li et al. | Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach | |
| Zhao et al. | State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network | |
| CN111308377A (zh) | 基于温度电压微分的电池健康状态检测方法及系统 | |
| CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
| Savargaonkar et al. | A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells | |
| CN111965548B (zh) | 一种基于状态估计法的电池系统传感器故障诊断方法 | |
| CN117007969A (zh) | 可重构电池系统中单个模组soc确定方法、系统及设备 | |
| CN115128481B (zh) | 基于神经网络及阻抗辩识校正的电池状态估计方法、系统 | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| Cui et al. | An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM | |
| Huang et al. | Co-estimation of maximum available capacity and state-of-charge for lithium-ion batteries in multi-operating mode with temperature and degradation state adaptivity | |
| Wang et al. | Online capacity estimation of lithium-ion batteries by partial incremental capacity curve |
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 |