CN114720879A - 基于bp神经网络的储能锂电池组老化模式自动识别方法 - Google Patents
基于bp神经网络的储能锂电池组老化模式自动识别方法 Download PDFInfo
- Publication number
- CN114720879A CN114720879A CN202210306796.8A CN202210306796A CN114720879A CN 114720879 A CN114720879 A CN 114720879A CN 202210306796 A CN202210306796 A CN 202210306796A CN 114720879 A CN114720879 A CN 114720879A
- Authority
- CN
- China
- Prior art keywords
- aging
- neural network
- aging mode
- battery pack
- energy storage
- 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 46
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 30
- 238000004146 energy storage Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 14
- 230000032683 aging Effects 0.000 claims abstract description 108
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 30
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000006138 lithiation reaction Methods 0.000 claims description 11
- 239000007774 positive electrode material Substances 0.000 claims description 11
- 239000007773 negative electrode material Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- IOYNQIMAUDJVEI-BMVIKAAMSA-N Tepraloxydim Chemical group C1C(=O)C(C(=N/OC\C=C\Cl)/CC)=C(O)CC1C1CCOCC1 IOYNQIMAUDJVEI-BMVIKAAMSA-N 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 abstract description 11
- 230000036541 health Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- MWRBNPKJOOWZPW-GPADLTIESA-N 1,2-di-[(9E)-octadecenoyl]-sn-glycero-3-phosphoethanolamine Chemical compound CCCCCCCC\C=C\CCCCCCCC(=O)OC[C@H](COP(O)(=O)OCCN)OC(=O)CCCCCCC\C=C\CCCCCCCC MWRBNPKJOOWZPW-GPADLTIESA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction 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]
- G01R31/367—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
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种基于BP神经网络的储能锂电池组老化模式自动识别方法,涉及锂电池技术领域。方法包括:采集锂电池集合的运行数据,对运行数据进行预处理,获得满足后续计算需求的电压、电流、温度数据;对不同循环次数的锂离子电池组建立对应的IC曲线,并提取IC曲线的特征参数,比较锂离子电池组不同老化状态的特征参数变化,将特征参数变化的集合作为输入,老化模式类型作为输出,进行BP神经网络模型的训练;训练完成后,通过预处理后的运行数据提取IC曲线的特征量,基于训练好的BP神经网络模型实现老化模式的自动分类识别。该方法能够实现适用于工程数据的老化模式类型判断,便于对不同老化状态的磷酸铁锂电池集进行健康管理。
Description
技术领域
本发明涉及锂电池技术领域,具体而言,涉及一种基于BP神经网络的储能锂电池组老化模式自动识别方法。
背景技术
锂离子电池具备能量密度高、零排放、性价比高、无记忆效应、重量轻和携带方便等突出优点。目前,磷酸铁锂电池被广泛应用在电网储能领域,自动识别锂电池内部老化模式是锂电池使用过程中的重点和难度技术,这关系着电池的健康安全、使用效率与产品更迭。
磷酸铁锂电池的老化模式主要有六类:活性锂离子损失(Loss of LithiumInventory,简称:LLI)、负极活性材料损失-脱锂(Loss of Active material–delithiation in Negative electrode,简称:LAM_deNE)、负极活性材料损失-锂化(Lossof Active material–lithiation in Negative electrode,简称:LAM_liNE)、正极活性材料损失-脱锂(Loss of Active material–delithiation in Positive electrode,简称:LAM_dePE)、正极活性材料损失-锂化(Loss of Active material–lithiation inPositive electrode,简称:LAM_liPE)以及欧姆内阻增加(Ohmic Resistance Increase,简称:ORI)。
现有识别老化模式的方法包括基于扩散应力分布理论的可循环LLI-LAM复合容量损失模型、基于EIS等效电路模型的量化模型以及基于容量增量-微分电压(IncreaseCapacity-Differential Voltage,简称:IC-DV)曲线的量化模型。第一种模型的建立十分复杂且计算量庞大,难以在工程上进行运用;第二种模型的建立需要选择合适的电路模型拟合阻抗曲线,该模型是否合适直接影响拟合结果,且该模型对于设备采样和测量精度要求也比较高,易受外部噪声的干扰。第三种模型的建立比较简单但量化结果误差较大,且不能自动识别老化模型。
发明内容
本发明的目的包括提供一种基于BP神经网络的储能锂电池组老化模式自动识别方法,其能够实现适用于工程数据的老化模式类型判断,便于对不同老化状态的磷酸铁锂电池集进行合理的健康管理。
本发明的实施例可以这样实现:
本发明提供一种基于BP神经网络的储能锂电池组老化模式自动识别方法,方法包括:
S1:采集锂电池集合的运行数据,对运行数据进行预处理,获得满足后续计算需求的电压、电流、温度数据;
S2:对不同循环次数的锂离子电池组建立对应的IC曲线;
S3:提取锂离子电池不同老化状态的IC曲线的特征参数,比较锂离子电池组不同老化状态的特征参数变化,将特征参数变化的集合作为输入,老化模式类型作为输出,进行BP神经网络模型的训练;
S4:在BP神经网络模型训练完成后,通过预处理后的运行数据提取IC曲线的特征量,基于训练好的BP神经网络模型实现老化模式的自动分类识别。
在可选的实施方式中,S1包括:
对不同循环次数的锂离子电池,以预设的采样频率获取锂离子电池在预设倍率恒流放电过程中的充电容量Q和电压V。
在可选的实施方式中,在S1中,对运行数据进行预处理包括:
剔除异常值、填补遗漏值、平滑滤波中的一种或多种。
在可选的实施方式中,剔除异常值所用的方法包括阈值设定法、重复冗余数据删除;填补遗漏值所用的方法包括回归、固定值填补;平滑滤波所用方法包括最小二乘滤波、三次样条插值。
在可选的实施方式中,S2包括:
S21:以容量增量△Q与电压阶跃△V的比值△Q/△V代替容量对电压的微分dQ/dV;
S22:对数据进行平滑和插值优化处理,绘制不同老化循环次数的dQ/dV-V曲线,dQ/dV-V曲线即为IC曲线。
在可选的实施方式中,S3包括:
S31:提取不同老化循环次数中IC曲线的特征值,包括IC曲线中不同峰值处dQ/dV值及对应的电压;
S32:计算各个特征值在当前循环与初始循环的相对变化量,作为模型的输入;
S33:分析各类测试工况下的老化现象,根据容量和功率的衰减规律,记录真实的老化模式;
S34:将相对变化量的集合输入BP神经网络模型,通过训练BP神经网络模型输出锂离子电池组老化模式类型,以进行老化模式的识别。
在可选的实施方式中,S32所采用的计算公式为:
其中,F为特征量,c为循环,F0代表特征量在初始循环的值。
在可选的实施方式中,在S33中,老化模式包括活性锂离子损失、负极材料损失-脱锂、负极材料损失-锂化、正极材料损失-脱锂、正极材料损失-锂化以及欧姆内阻增加。
在可选的实施方式中,S34包括:
S341:设置BP神经网络模型的结构设计为输入层有10个节点,分别对应10个特征变化情况,激活函数为ReLu,隐藏层节点数设置为300,激活函数为线性激活函数,输出层为分类标签,范围为1~6;
S342:设置neth=W1x+b1,其中,neth为输入层的线性项,x为输入层向量W1为对应权重矩阵,size为300×7,b1为对应偏置;
S343:设置h=ReLU(neth),其中,h为隐藏层节点向量,ReLu为激活函数,ReLu(x)=max(x,0);
S344:设置neto=W2h+b2,其中,neto为隐藏层的线性项,h为隐藏层向量,W2为对应权重矩阵,size为6×300,b2为对应偏置;
S345:计算分类结果中,各类的概率值pk:pk=neto,k/∑jneto,j,其中,j=1,2…,6,k为其中一类;
S346:实际的分类结果为pk最大时对应的k,记预测的老化模式Mpre=k,损失函数由均方误差定义:Loss=E(Mpre-Mreal)2,其中,Mreal为实际分类标签值,损失函数为误差平方的期望值。
在可选的实施方式中,在S4中,老化模式的自动分类识别包括:
通过输入的IC曲线的特征参数变化的集合以及训练完成的BP神经网络模型输出六种老化模式的概率,概率值越大,代表在此老化过程中对应的老化模式是导致电池老化原因的可能性越大。
本发明实施例提供的基于BP神经网络的储能锂电池组老化模式自动识别方法的有益效果包括:
在大型储能电站中,随着锂电池系统持续运行,老化循环数据增多,通过人工逐一识别老化模式的方法效率太低,本实施例提供的方法通过IC曲线获取电池老化循环过程中能反应电池衰减的特征值及其变化过程,在现有理论的基础上判断老化模式的类型,并将特征值变化作为BP神经网络模型的输入,以分类不同老化状态电池的老化模式,最后通过BP神经网络模型输出的概率识别老化模式,能通过离线数据实现建立好BP神经网络模型,而后在应用到实际数据中直接得到老化模式概率的变化,通过观测电池系统前中后期老化模式的不同,分析电池衰减原因,为运行维护提供支撑。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例提供的基于BP神经网络的储能锂电池组老化模式自动识别方法的流程图;
图2是电池老化循环工况电流及电压示意图;
图3是S3的细节流程图;
图4是IC曲线示意图;
图5是基于IC特征变化的神经网络示意图;
图6是LLI和LAM老化下的IC曲线及其局部放大图;
图7是LLI老化下的IC曲线及其局部放大图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
本实施例采用用户侧储能电站,其应用场景为用户侧需求响应,该用户侧储能电站使用磷酸铁锂电池,6个电池簇,每个电池簇由3个模组并联,每个模组由96个单体串联,集成4个温度探头,IC方法中提到的ΔV为0.1V。舱内安装空调系统,运行期间设定环境温度为25℃。一般来说每天充放电循环一次,每循环10次进行一次小倍率放电试验,一共进行多次循环。每个电池簇配置一个能量转换系统与配电网交互,各电池簇独立运行,工况互不相同,因此,本实施例中电池对象集合为3个模组。
请参阅图1,本实施例提供的基于BP神经网络的储能锂电池组老化模式自动识别方法包括以下具体步骤:
S1:采集锂电池集合的运行数据,对运行数据进行预处理,获得满足后续计算需求的电压、电流、温度数据;
S2:对不同循环次数的锂离子电池组建立对应的IC曲线;
S3:提取锂离子电池不同老化状态的IC曲线的特征参数,比较锂离子电池组不同老化状态的特征参数变化,将特征参数变化的集合作为输入,老化模式类型作为输出,进行BP神经网络模型的训练;
S4:在BP神经网络模型训练完成后,通过预处理后的运行数据提取IC曲线的特征量,基于训练好的BP神经网络模型实现老化模式的自动分类识别。
具体的,在S1中的预处理包括对不同循环次数的锂离子电池,以预设的采样频率获取锂离子电池在预设倍率恒流放电过程中的充电容量Q和电压V。预处理所用的方法包括剔除异常值、填补遗漏值、平滑滤波中的一种或多种。其中,剔除异常值所用的方法包括阈值设定法、重复冗余数据删除等;填补遗漏值所用的方法包括回归、固定值填补等;平滑滤波所用方法包括最小二乘滤波、三次样条插值等。
请参阅图2,对用户侧储能电站某电池簇3个模组在多次老化循环进行提取,图2展示某一次老化循环时的电压和电流曲线,可见在实际工程应用场景中,充电倍率不稳定。因此,研究不同激励工况对储能锂电池的老化影响是很有必要的。
S2所对应的细节流程如下:
S21:以容量增量△Q与电压阶跃△V的比值△Q/△V代替容量对电压的微分dQ/dV;
S22:对数据进行平滑和插值优化处理,绘制不同老化循环次数的dQ/dV-V曲线,dQ/dV-V曲线即为IC曲线。
请参阅图3,S3所对应的细节流程如下:
S31:提取不同老化循环次数中IC曲线的特征值,包括IC曲线中不同峰值处dQ/dV值及对应的电压;
S32:计算各个特征值在当前循环与初始循环的相对变化量,作为模型的输入,其中,S32所采用的计算公式为:
其中,F为特征量,c为循环,F0代表特征量在初始循环的值;
S33:分析各类测试工况下的老化现象,根据容量和功率的衰减规律,记录真实的老化模式;其中,老化模式包括活性锂离子损失(LLI)、负极材料损失-脱锂(LAM_deNE)、负极材料损失-锂化(LAM_liNE)、正极材料损失-脱锂(LAM_dePE)、正极材料损失-锂化(LAM_liPE)以及欧姆内阻增加(ORI),这六种老化模式可以通过观察F变化规律以及先后顺序来进行判断。
S34:将相对变化量的集合输入BP神经网络模型,通过训练BP神经网络模型输出锂离子电池组老化模式类型,以进行老化模式的识别。
其中,S34包括:
S341:设置BP神经网络模型的结构设计为输入层有10个节点,分别对应10个特征变化情况,激活函数为ReLu,隐藏层节点数设置为300,激活函数为线性激活函数,输出层为分类标签,范围为1~6;
S342:设置neth=W1x+b1,其中,neth为输入层的线性项,x为输入层向量W1为对应权重矩阵,size为300×7,b1为对应偏置;
S343:设置h=ReLU(neth),其中,h为隐藏层节点向量,ReLu为激活函数,ReLu(x)=max(x,0);
S344:设置neto=W2h+b2,其中,neto为隐藏层的线性项,h为隐藏层向量,W2为对应权重矩阵,size为6×300,b2为对应偏置;
S345:计算分类结果中,各类的概率值pk:pk=neto,k/∑jneto,j,其中,j=1,2…,6,k为其中一类;
S346:实际的分类结果为pk最大时对应的k,记预测的老化模式Mpre=k,损失函数由均方误差定义:Loss=E(Mpre-Mreal)2,其中,Mreal为实际分类标签值,损失函数为误差平方的期望值。
请参阅图4,对S2的不同老化循环次数下IC曲线如图4所示,图中,①、②、③、④、⑤分别代表五个峰的所在位置。IC曲线中峰、谷、面积等特征参数变化能反映电池的衰减情况及老化模式,本实施例中选择五个较突出的IC曲线的峰值及其对应电压作为后续BP神经网络模型的输入。
请参阅表1,表1是本实施例选用的IC曲线特征值。
表1
在构建好相应的IC曲线后,需要提取的特征值如下:
本实施例中,选取图4中所描述的①、②、③、④、⑤号峰所在的dQ/dV值及其对应电压作为特征值。
请参阅表2,表2是本实施例需要识别的6种老化模式。
表2
对S3的磷酸铁锂电池的老化模式的类型如表2所示,包括活性锂离子损失(LLI)、负极材料损失-脱锂(LAM_deNE)、负极材料损失-锂化(LAM_liNE)、正极材料损失-脱锂(LAM_dePE)、正极材料损失-锂化(LAM_liPE)以及欧姆内阻增加(ORI)。在实际应用中,根据电池种类和应用场景的不同,可进行更细致的分类。
请参阅表3,表3是IC特征变化和老化模式之间的关系表。
表3
对S3的IC曲线的特征值变化和磷酸铁锂电池的老化模式的类型之间的关系如表3所示,该表显示了老化模式及其对不同IC峰的影响。值得注意的是,由于该表是为IC放电曲线构建的,因此向上箭头表示峰值降低,而向下箭头表示峰值增加,水平箭头表示峰值的电压偏移,等号表示峰值没有变化。此外,同一个单元格中第二个符号表示在第二个老化阶段时峰值的变化情况。
请参阅图5,BP神经网络模型的输入层为上述IC特征变化,隐藏层包含若干神经元,输出层为不同老化模式类型。
请参阅图6,在某种激励工况下,磷酸铁锂电池组在经历活性锂离子损失及活性材料损失老化模式衰减后,得到对应的IC曲线变化图,除此还能得到对应五个峰的放大图,本实施例中只取最明显的①、②号峰放大图进行描述。可从图6中观察得到IC曲线峰的变化并不是完全规律的,较难通过肉眼判断老化模式的类型。
请参阅图7,与图6描述的情况类似,在另一种激励工况下得到磷酸铁锂电池组在经历活性锂离子损失老化模式衰减后的IC曲线变化图及对应①、②号峰放大图。同样能从图7中得出通过肉眼无法准确判断老化模式的结论。
在S4中,老化模式的自动分类识别包括:通过输入的IC曲线的特征参数变化的集合以及训练完成的BP神经网络模型输出六种老化模式的概率,概率值越大,代表在此老化过程中对应的老化模式是导致电池老化原因的可能性越大。
请参阅表4和表5,可获得步骤S4的老化模式自动分类识别的概率结果。其中,表4表示磷酸铁锂电池组经历活性锂离子损失及活性材料损失老化模式后通过神经网络得到的识别结果,即LLI和LAM老化下的老化模式概率结果;表5表示磷酸铁锂电池组经历活性锂离子损失老化模式后通过神经网络得到的识别结果,即LLI老化下的老化模式概率结果。
表4
表5
可从表中看出,表4和表5所对应的概率结果与真实情况吻合。
本实施例提供的基于BP神经网络的储能锂电池组老化模式自动识别方法的有益效果包括:
1)针对大型储能电站,本方法能直接获得电池各种运行时期的老化模式,为分析电池前中后期的老化原因和预测异常衰减电池提供支撑;
2)仅需采集电压、电流和温度的原始数据,无需使用SOC等二次计算数据,即可实现IC曲线的特征提取;
3)通过大量数据训练BP神经网络模型,并通过概率计算,直观展示出了电池此时的老化模式,增强了算法的鲁棒性和可解释性;
4)IC曲线识别老化模式不需要对电池进行破坏性试验,增强了电池系统的经济性和通用性。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于BP神经网络的储能锂电池组老化模式自动识别方法,其特征在于,所述方法包括:
S1:采集锂电池集合的运行数据,对所述运行数据进行预处理,获得满足后续计算需求的电压、电流、温度数据;
S2:对不同循环次数的锂离子电池组建立对应的IC曲线;
S3:提取锂离子电池不同老化状态的IC曲线的特征参数,比较锂离子电池组不同老化状态的特征参数变化,将所述特征参数变化的集合作为输入,老化模式类型作为输出,进行BP神经网络模型的训练;
S4:在所述BP神经网络模型训练完成后,通过预处理后的所述运行数据提取IC曲线的特征量,基于训练好的所述BP神经网络模型实现老化模式的自动分类识别。
2.根据权利要求1所述的基于BP神经网络的储能锂电池组老化模式自动识别方法,其特征在于,S1包括:
对不同循环次数的锂离子电池,以预设的采样频率获取锂离子电池在预设倍率恒流放电过程中的充电容量Q和电压V。
3.根据权利要求1所述的基于BP神经网络的储能锂电池组老化模式自动识别方法,其特征在于,在S1中,所述对所述运行数据进行预处理包括:
剔除异常值、填补遗漏值、平滑滤波中的一种或多种。
4.根据权利要求3所述的基于BP神经网络的储能锂电池组老化模式自动识别方法,其特征在于,所述剔除异常值所用的方法包括阈值设定法、重复冗余数据删除;所述填补遗漏值所用的方法包括回归、固定值填补;所述平滑滤波所用方法包括最小二乘滤波、三次样条插值。
5.根据权利要求1所述的基于BP神经网络的储能锂电池组老化模式自动识别方法,其特征在于,S2包括:
S21:以容量增量△Q与电压阶跃△V的比值△Q/△V代替容量对电压的微分dQ/dV;
S22:对数据进行平滑和插值优化处理,绘制不同老化循环次数的dQ/dV-V曲线,所述dQ/dV-V曲线即为所述IC曲线。
6.根据权利要求1所述的基于BP神经网络的储能锂电池组老化模式自动识别方法,其特征在于,S3包括:
S31:提取不同老化循环次数中IC曲线的特征值,包括IC曲线中不同峰值处dQ/dV值及对应的电压;
S32:计算各个特征值在当前循环与初始循环的相对变化量,作为模型的输入;
S33:分析各类测试工况下的老化现象,根据容量和功率的衰减规律,记录真实的老化模式;
S34:将所述相对变化量的集合输入BP神经网络模型,通过训练所述BP神经网络模型输出锂离子电池组老化模式类型,以进行老化模式的识别。
8.根据权利要求6所述的基于BP神经网络的储能锂电池组老化模式自动识别方法,其特征在于,在S33中,所述老化模式包括活性锂离子损失、负极材料损失-脱锂、负极材料损失-锂化、正极材料损失-脱锂、正极材料损失-锂化以及欧姆内阻增加。
9.根据权利要求6所述的基于BP神经网络的储能锂电池组老化模式自动识别方法,其特征在于,S34包括:
S341:设置BP神经网络模型的结构设计为输入层有10个节点,分别对应10个特征变化情况,激活函数为ReLu,隐藏层节点数设置为300,激活函数为线性激活函数,输出层为分类标签,范围为1~6;
S342:设置neth=W1x+b1,其中,neth为输入层的线性项,x为输入层向量W1为对应权重矩阵,size为300×7,b1为对应偏置;
S343:设置h=ReLU(neth),其中,h为隐藏层节点向量,ReLu为激活函数,ReLu(x)=max(x,0);
S344:设置neto=W2h+b2,其中,neto为隐藏层的线性项,h为隐藏层向量,W2为对应权重矩阵,size为6×300,b2为对应偏置;
S345:计算分类结果中,各类的概率值pk:pk=neto,k/∑jneto,j,其中,j=1,2…,6,k为其中一类;
S346:实际的分类结果为pk最大时对应的k,记预测的老化模式Mpre=k,损失函数由均方误差定义:Loss=E(Mpre-Mreal)2,其中,Mreal为实际分类标签值,损失函数为误差平方的期望值。
10.根据权利要求1所述的基于BP神经网络的储能锂电池组老化模式自动识别方法,其特征在于,在S4中,所述老化模式的自动分类识别包括:
通过输入的IC曲线的特征参数变化的集合以及训练完成的BP神经网络模型输出六种老化模式的概率,概率值越大,代表在此老化过程中对应的老化模式是导致电池老化原因的可能性越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306796.8A CN114720879A (zh) | 2022-03-25 | 2022-03-25 | 基于bp神经网络的储能锂电池组老化模式自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306796.8A CN114720879A (zh) | 2022-03-25 | 2022-03-25 | 基于bp神经网络的储能锂电池组老化模式自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114720879A true CN114720879A (zh) | 2022-07-08 |
Family
ID=82239206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210306796.8A Pending CN114720879A (zh) | 2022-03-25 | 2022-03-25 | 基于bp神经网络的储能锂电池组老化模式自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114720879A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117080588A (zh) * | 2023-10-13 | 2023-11-17 | 快电动力(北京)新能源科技有限公司 | 对电池进行分类的处理方法、装置、系统和部件 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526486A (zh) * | 2016-08-30 | 2017-03-22 | 郑州轻工业学院 | 一种锂电池健康寿命模型构建方法 |
CN108872869A (zh) * | 2018-06-14 | 2018-11-23 | 中山大学 | 一种基于bp神经网络的锂离子电池劣化分类方法 |
CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
CN110118937A (zh) * | 2019-05-13 | 2019-08-13 | 深圳江行联加智能科技有限公司 | 自适应预测模型的蓄电池荷电状态边缘计算优化检测方法 |
CN110927607A (zh) * | 2019-11-22 | 2020-03-27 | 武汉理工大学 | 辨识和量化分析锂离子电池衰退机理的方法及系统 |
CN111781504A (zh) * | 2020-08-03 | 2020-10-16 | 北京理工大学 | 一种锂离子动力电池老化状态识别与开路电压重构方法 |
-
2022
- 2022-03-25 CN CN202210306796.8A patent/CN114720879A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526486A (zh) * | 2016-08-30 | 2017-03-22 | 郑州轻工业学院 | 一种锂电池健康寿命模型构建方法 |
CN108872869A (zh) * | 2018-06-14 | 2018-11-23 | 中山大学 | 一种基于bp神经网络的锂离子电池劣化分类方法 |
CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
CN110118937A (zh) * | 2019-05-13 | 2019-08-13 | 深圳江行联加智能科技有限公司 | 自适应预测模型的蓄电池荷电状态边缘计算优化检测方法 |
CN110927607A (zh) * | 2019-11-22 | 2020-03-27 | 武汉理工大学 | 辨识和量化分析锂离子电池衰退机理的方法及系统 |
CN111781504A (zh) * | 2020-08-03 | 2020-10-16 | 北京理工大学 | 一种锂离子动力电池老化状态识别与开路电压重构方法 |
Non-Patent Citations (1)
Title |
---|
杨成: "神经网络与深度学习", 31 August 2021, 机械工业出版社, pages: 63 - 64 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117080588A (zh) * | 2023-10-13 | 2023-11-17 | 快电动力(北京)新能源科技有限公司 | 对电池进行分类的处理方法、装置、系统和部件 |
CN117080588B (zh) * | 2023-10-13 | 2024-01-02 | 快电动力(北京)新能源科技有限公司 | 对电池进行分类的处理方法、装置、系统和部件 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165687B (zh) | 基于多分类支持向量机算法的车用锂电池故障诊断方法 | |
CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
Motapon et al. | A generic cycle life model for lithium-ion batteries based on fatigue theory and equivalent cycle counting | |
Qiao et al. | Online quantitative diagnosis of internal short circuit for lithium-ion batteries using incremental capacity method | |
Garg et al. | Development of recycling strategy for large stacked systems: Experimental and machine learning approach to form reuse battery packs for secondary applications | |
Lee et al. | Soft computing for battery state-of-charge (BSOC) estimation in battery string systems | |
CN106443475A (zh) | 基于运营大数据的退役动力电池无拆解再次利用筛选方法 | |
CN108732510B (zh) | 基于内部特征的锂离子电池一致性筛选分组方法 | |
CN108490366B (zh) | 电动汽车退役电池模块健康状态的快速评估方法 | |
CN113484787A (zh) | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 | |
CN110333463B (zh) | 一种电芯一致性筛选方法及其系统 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN111693882B (zh) | 一种换电电池健康状态的评价方法 | |
CN115453399B (zh) | 一种考虑不一致性的电池组soh估计方法 | |
CN114942392B (zh) | 基于电化学老化机理和数据驱动的储能锂电池soh估算方法 | |
CN111707956B (zh) | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 | |
CN115204038A (zh) | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 | |
CN114720879A (zh) | 基于bp神经网络的储能锂电池组老化模式自动识别方法 | |
CN116078697A (zh) | 一种考虑长期一致性的电动汽车退役电池的筛选重组方法 | |
Lazreg et al. | Lithium-ion battery pack modeling using accurate OCV model: Application for SoC and SoH estimation | |
CN113945852B (zh) | 一种蓄电池组不一致性评价方法 | |
Qaisar et al. | Machine Learning Assistive State of Charge Estimation of Li-Ion Battery | |
CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
CN114910793B (zh) | 一种储能电站串联电池组的soh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 |
Effective date of registration: 20230721 Address after: 430010 No.1, Liuhe Road, Jiang'an District, Wuhan City, Hubei Province Applicant after: CHINA THREE GORGES Corp. Address before: 100089 No.1 Yuyuantan South Road, Haidian District, Beijing Applicant before: CHINA THREE GORGES Corp. Applicant before: SICHUAN ENERGY INTERNET RESEARCH INSTITUTE, TSINGHUA University |
|
TA01 | Transfer of patent application right |