CN114726045A - 一种基于ipea-lstm模型的锂电池soh估计方法 - Google Patents

一种基于ipea-lstm模型的锂电池soh估计方法 Download PDF

Info

Publication number
CN114726045A
CN114726045A CN202210420870.9A CN202210420870A CN114726045A CN 114726045 A CN114726045 A CN 114726045A CN 202210420870 A CN202210420870 A CN 202210420870A CN 114726045 A CN114726045 A CN 114726045A
Authority
CN
China
Prior art keywords
battery
population
data
soh
voltage
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.)
Granted
Application number
CN202210420870.9A
Other languages
English (en)
Other versions
CN114726045B (zh
Inventor
柯春凯
陈思哲
张洪滔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210420870.9A priority Critical patent/CN114726045B/zh
Publication of CN114726045A publication Critical patent/CN114726045A/zh
Application granted granted Critical
Publication of CN114726045B publication Critical patent/CN114726045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于IPEA‑LSTM模型的锂电池SOH估计方法，所述方法适用于锂离子电池在充电期间对电池健康状态(State of Health,SOH)进行估计，步骤包括：构建原始数据集；对数据集进行预处理；提取健康特征；重构健康特征；数据集划分；搭建神经网络模型；优化神经网络模型；训练神经网络模型；评估神经网络模型；电池健康状态在线估计。与现有技术相比，本发明仅需片段的充电电压数据即可提取健康特征，并搭建堆叠神经网络重构健康特征，增强健康特征与电池SOH的相关度；同时提出改进的种群进化算法(ImprovedPopulation Evolution Algorithm,IPEA)对LSTM网络的参数进行优化，利用趋同和异化的相互协助思想，个体和子群体的进化分开进行，加快全局寻优的收敛速度，提高电池SOH估计精度。

Description

一种基于IPEA-LSTM模型的锂电池SOH估计方法
技术领域
本发明涉及电池技术领域，更具体地，涉及一种基于IPEA-LSTM模型的锂电池SOH估计方法。
背景技术
随着传统能源的减少，可再生能源的并网使用日益受到重视。但是，可再生能源自身的不稳定特性给电网运行带来了一系列挑战，包括频率波动、电压瞬变和电能质量下降等问题。电池储能系统拥有频率调节、削峰填谷和电压支持等功能，是一种提高电网稳定性的解决方案。锂离子电池有着能量密度高、使用寿命长和自放电率低等优点，已经被广泛应用于储能系统。然而，不可逆转的电池老化容易造成安全问题。因此，准确的电池SOH估计具有重大意义。
目前，电池SOH估计方法主要包括直接测量法、基于模型的方法和数据驱动法。由于人工智能的飞速发展，基于数据驱动的电池SOH估计具有很好的应用前景。现有基于数据驱动的电池SOH估计方法，首先提取能够映射目标值的健康特征，再基于机器学习的方法，实现电池SOH估计，但主要存在以下问题，第一，在健康特征提取方面：①基于IC曲线、基于DV曲线、基于DT曲线来提取健康特征是常用的方法，然而这些方法需要对原始的数据进行差分计算再进行健康特征提取，数据的二次处理带来了噪声污染，也拖慢运算速度；②健康特征输入网络模型进行SOH估计，网络的神经元个数多于输入特征的维度，过多的神经元处于激活状态，容易导致过拟合问题；第二，在数据驱动模型方面，当前研究中，常常是直接利用模型来进行状态估计，而忽略了模型的初始权重和偏置带来的影响，权重和偏置的随机初始化有着不确定性，会给估计结果带来偏差，SOH估计容易陷入局部最优。
发明内容
本发明为克服上述现有基于数据驱动的电池SOH估计方法存在的问题，提出了一种基于IPEA-LSTM模型的锂电池SOH估计方法。
本发明的技术方案如下：
一种基于IPEA-LSTM模型的锂电池SOH估计方法，具体过程为：
S1：构建原始数据集Draw，即多个同类型锂离子电池进行q次随机工况充放电实验，之后进行一次容量标定实验，所述两种实验交替循环，期间记录容量标定实验中电池端电压数据和最大放电容量，并根据最大放电容量计算SOH值，直至SOH下降至70％，停止实验；
S2：对数据集进行预处理，即将所述原始数据集Draw进行数据清洗和数据归一化，得到数据集Dnew；
S3：提取健康特征，即通过分析Dnew中各充电电压片段与SOH的相关度，寻找该类型电池的最优电压区间，再提取得到健康特征x；
S4：重构健康特征，即搭建堆叠的神经网络对所述健康特征x进行重构，并更新数据集Dnew；
S5：数据集划分，即将重构后的数据集划分为训练集和测试集；
S6：构建神经网络模型，即搭建LSTM网络作为基础网络；
S7：优化神经网络模型，即提出改进的种群进化算法对网络的初始权重和偏置进行优化；
S8：训练神经网络模型，即将训练集导入优化后的网络模型进行训练；
S9：评估神经网络模型，即将测试集导入训练后的网络模型进行评估，若符合精度要求则保留网络，并将其嵌入电池管理系统，不符合精度要求则重新执行步骤S7至S8，重新优化和训练模型；
S10：锂电池SOH在线估计，即将实时运行过程中采集到的片段充电电压数据，采用步骤S2所述数据预处理方式进行预处理，接着采用步骤S3所述健康特征提取方式进行健康特征提取，然后采用步骤S4所述健康特征重构方法进行特征重构，最后输入步骤S9所述的电池管理系统进行电池SOH估计；
在本方案中，步骤S4所述的重构健康特征，具体步骤为：
S401：对步骤S3所述的锂电池中每条样本数据对应的健康特征，通过第一层网络层的编码运算得到新的特征表达z，函数表达式如下：
z＝f(x)＝σ1(W1x+b1) (1)
其中，
Figure BDA0003606700680000021
表示从电池的最优电压区间所提取的健康特征，d1为健康特征的维度；
Figure BDA0003606700680000022
表示编码运算后输出特征表达，r为该网络层的神经元个数；
Figure BDA0003606700680000023
表示该网络层对应的权重矩阵；b1∈Rr×1表示该网络层对应的偏置矩阵；σ1表示正饱和线性激活函数；
S402：将新的特征表达z通过第二层网络层的解码运算，映射为从锂电池的最优电压区间所提取的原始健康特征x，其函数表达式如下：
x＝g(z)＝σ2(W2z+b2) (2)
其中，
Figure BDA0003606700680000031
和
Figure BDA0003606700680000032
分别表示该网络层对应的权重和偏置，σ2表示sigmoid激活函数；
S403：使用均方误差函数作为堆叠神经网络的目标函数，通过学习一个恒等函数g(f(x))＝x学习从锂电池所提取健康特征中的潜在信息，同时在目标函数中加入稀疏附加项抑制一部分网络层中神经元的激活状态，目标函数的表达式如下：
Figure BDA0003606700680000033
Figure BDA0003606700680000034
其中，T(W,b)表示目标函数，κ(ρ||ρj)表示稀疏附加项，W、b、σ分别表示网络的权值矩阵、偏置向量和激活函数，x为锂电池最优电压区间所提取的健康特征，λ为正则化常数，n是所搭建网络的层数，n取2，
Figure BDA0003606700680000035
和
Figure BDA0003606700680000036
分别是矩阵W(l)的列和行，β和ρ分别为散度常数和稀疏常数，ρj为神经元的平均激活值，s表示网络层的节点数；
在本方案中，步骤S1所述的构建原始数据集Draw，具体步骤为：
S101：选取n个同型号锂离子电池同时进行充放电循环实验；
S102：以第1个电池为例，电池首先在温控箱内进行q次随机工况充放电循环实验，温控箱的温度变化范围由10℃至40℃，每10分钟升高5℃，设电池的最大充放电电流为Imax，电流间隔大小为ΔI，Vmax设为电池的充电最大电压，Vmin为电池的放电截止电压，从集合{-Imax，-Imax+ΔI，-Imax+2ΔI，-Imax+3ΔI，-Imax+4ΔI，Imax-4ΔI，Imax-3ΔI，Imax-2ΔI，Imax-ΔI，Imax}随机选取一个电流进行充电或放电，正为充电，负为放电，在所选电流下工作直至电压降到Vmin或升至Vmax或直至实验进行1小时，每次随机充/放电之间的间隔为5分钟；
S103：在经过q次随机工况的充放电实验后，静置半小时，对该电池进行一次容量标定测试实验，实验环境为25℃，首先对该电池进行恒流恒压充电，分为恒流充电和恒压充电两个阶段，第一阶段以恒定电流对锂离子电池进行恒流充电，直至电池升到Vmax，再转入第二阶段以恒定电压继续充电，直至充电电流降至预设阈值以下，停止充电；在电池进行恒流恒压充电期间，记录每个采样时刻的电池电压数据，从零时刻开始记录数据，采样周期设定为t，经过n个采样周期所获取数据为：
Figure BDA0003606700680000041
Figure BDA0003606700680000042
其中，
Figure BDA0003606700680000043
表示电池电压数据，
Figure BDA0003606700680000044
表示对应的充电时间；
S104：静置半小时后，以恒定电流对锂离子电池进行恒流放电，直至电池降到Vmin，记录整个过程的总放电量，并将其作为该电池在该次充电循环中的最大可用容量Cnow，采用的锂离子电池SOH指标定义如下：
Figure BDA0003606700680000045
其中，Cnow表示该锂离子电池当前最大可用容量，C0表示电池的额定容量；将该次循环得到的SOH保存为目标值，与充电过程记录的数据共同构成一条样本数据
Figure BDA0003606700680000046
Figure BDA0003606700680000047
S105：静置半小时后，该电池继续执行步骤S102和S104，进行下一轮的q次随机工况的充放电实验，直至容量标定测试中电池SOH下降至70％，停止实验，将所有保存的数据整合成数据集D：
Figure BDA0003606700680000048
其中m表示该电池容量标定实验的次数；
S106：第2至第n个锂离子电池也同时执行步骤S102至S105，直至所有电池都完成充放电循环实验，将所有数据集D都保存到原始数据集Draw中；
在本方案中，步骤S3所述的提取健康特征，具体步骤为：
S301：选取其中一个电池每个循环所采集的充电电压数据按ΔV划分为l个电压点，以电压点Vbegin为起始点，则每个循环可得到的电压点个数为：
Figure BDA0003606700680000051
S302：根据排列组合，每两个电压点一一对应形成电压片段，可得到
Figure BDA0003606700680000052
个充电电压片段，以
Figure BDA0003606700680000053
个充电电压片段为参照，对采集到的充电时间数据划分片段，进一步得到
Figure BDA0003606700680000054
个充电电压片段对应的充电时间；
S303：采用Pearson相关系数来对各充电电压片段对应的充电时间与对应目标值SOH的相关程度进行衡量，寻找该类型电池健康特征提取的最优电压区间，Pearson相关系数计算公式为：
Figure BDA0003606700680000055
其中，r表示Pearson相关性系数，
Figure BDA0003606700680000056
表示各充电电压片段对应的充电时间，yi表示对应的目标值SOH，i表示该电池的循环次数；
保留Pearson相关系数最高的电压片段电压数据，将该充电电压片段作为该类型电池提取健康特征的区间；
S304：将该充电电压片段对应的电压数据平均分为q份，再将每份数据取平均，得到q维数据，即：
Figure BDA0003606700680000057
将该次循环充电电压片段对应的充电时间也作为健康特征，所以，每条数据样本对应的健康特征为
Figure BDA0003606700680000058
S305：每条数据样本的健康特征与目标值SOH是一一对应的关系,经过m次充放电循环实验后，将m条数据样本的健康特征数据和对应的目标值整合成数据集HI_SOH：
Figure BDA0003606700680000059
S306：剩余的n-1个锂离子电池同时执行步骤S304至步骤S305来提取健康特征，总共获取n个数据集HI_SOH；
在本方案中，步骤S7所述的优化神经网络模型，具体步骤为：
S701：确定的得分函数：选取电池SOH的均方根误差函数作为个体和群体的得分函数val，则有：
Figure BDA0003606700680000061
其中，SOHreal(m)为电池SOH真实值，SOHpre(m)为电池SOH估计值，M为电池的充电循环次数；
S702：确定算法的优化参数，即将LSTM层对应的权重和偏置及全连接层对应的权重和偏置，作为算法的待优化参数；
S703：设置算法的初始化参数，即初始化各网络层对应的权重和偏置，根据待优化参数的总个数，预分配的初始种群，随机生成一个初始种群对应的d维向量，其中d的大小为网络权重和偏置的个数总和；
S704：对种群进行初始化，采用分段线性混沌映射生成混沌序列Xk+1：
Figure BDA0003606700680000062
其中，k表示混沌映射过程的第k次运算，p表示在0和1之间的随机数，Xk表示第k次混沌映射过程中种群对应的d维向量；
S705：生成优胜子群体和临时子群体，对于种群X＝[x1,x2,x3,…,xd]，每个个体对应的得分val＝[val1,val2,val3,…,vald]，根据得分数值大小，将个体分为若干个优胜个体和临时个体，以优胜个体和临时个体为中心，在每个个体周围产生一些新的个体，得到若干个优胜子群体和临时子群体；
S706：子群体内部执行趋同操作，优胜子种群和临时子种群均在内部执行趋同操作，各子种群内部的各个体相互竞争，直至该子群体成熟，最后以该子群中最优个体的得分作为该子群体的得分；
S707：子群体之间执行异化操作，即各子群体进行全局竞争，若某个临时子群体的得分高于某个成熟的优胜子群体的得分，则该优胜子群体被获胜的临时子群体替代，原优胜子群体中的个体被释放；若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分，则该临时子群体被废弃，其中的个体被释放；
S708：根据全局最优个体的得分，更新被释放个体的信息，即：
x′i＝w*xi+c1r1(valpbest-vali)+c2r2(valgbest-vali) (9)
其中，xi表示被释放的某个个体，vali表示个体xi的得分，valpbest表示被释放的子群体中最优个体的得分，valgbest表示全局最优个体的得分，c1和c2表示加速度常数，r1和r2是[0,1]区间内的随机数，w表示惯性权重，xi′表示更新后的个体；
被释放的个体在全局范围内重新形成新的临时子群体，返回步骤S705重新生成优胜子群体和临时子群体，继续迭代计算；
S709：若满足迭代终止条件，则结束优化过程，根据编码规则，对寻找到的最优种群进行解码，从而得到优化后的各网络层对应的权重和偏置。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过使用比较稳定的充电数据对电池健康状态进行估计，仅需要充电电压片段数据提取健康特征，数据量需求小，实用性好；通过搭建堆叠神经网路器对健康特征进行重构，通过编码和解码过程学习从锂电池所提取健康特征中的潜在信息学习，并添加稀疏附加项抑制一部分神经元，防止过拟合的问题，增强健康特征与SOH的相关度，提高SOH估计精度；采用改进的种群进化算法优化神经网络模型的初始权重和偏置，充分利用趋同和异化操作的相互协作思想，个体和子群体的进化分开进行，使种群朝着全局最优点进化，加快了收敛速度，减少了网络模型权重和偏置的随机生成所带来的SOH估计误差。
附图说明
图1为本发明提出的一种基于IPEA-LSTM模型的锂电池SOH估计方法流程图；
图2为本发明实例中B0005电池重构健康特征的对比图；
图3为本发明实例中B0006电池重构健康特征的对比图；
图4为本发明实例中B0007电池重构健康特征的对比图；
图5为本发明提出的LSTM单元的内部示意图原理图；
图6为本发明搭建的神经网络框架图；
图7为本发明所提出改进的种群进化算法优化神经网络的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
在一个具体的实施例中，如图1所示，一种基于IPEA-LSTM模型的锂电池SOH估计方法，具体过程为：
S1：构建原始数据集Draw，即多个同类型锂离子电池进行q次随机工况充放电实验，之后进行一次容量标定实验，所述两种实验交替循环，期间记录容量标定实验中电池端电压数据和最大放电容量，并根据最大放电容量计算SOH值，直至SOH下降至70％，停止实验；
S2：对数据集进行预处理，即将所述原始数据集Draw进行数据清洗和数据归一化，得到数据集Dnew；
S3：提取健康特征，即通过分析Dnew中各充电电压片段与SOH的相关度，寻找该类型电池的最优电压区间，再提取得到健康特征x；
S4：重构健康特征，即搭建堆叠的神经网络对所述健康特征x进行重构，并更新数据集Dnew；
S5：数据集划分，即将重构后的数据集划分为训练集和测试集；
S6：构建神经网络模型，即搭建LSTM网络作为基础网络；
S7：优化神经网络模型，即提出改进的种群进化算法对网络的初始权重和偏置进行优化；
S8：训练神经网络模型，即将训练集导入优化后的网络模型进行训练；
S9：评估神经网络模型，即将测试集导入训练后的网络模型进行评估，若符合精度要求则保留网络，并将其嵌入电池管理系统，不符合精度要求则重新执行步骤S7至S8，重新优化和训练模型；
S10：锂电池SOH在线估计，即将实时运行过程中采集到的片段充电电压数据，采用步骤S2所述数据预处理方式进行预处理，接着采用步骤S3所述健康特征提取方式进行健康特征提取，然后采用步骤S4所述健康特征重构方法进行特征重构，最后输入步骤S9所述的电池管理系统进行电池SOH估计；
本方案中，步骤S1所述的构建原始数据集Draw，具体过程为：
S101：选取n个同型号锂离子电池同时进行充放电循环实验；
S102：以第1个电池为例，电池首先在温控箱内进行q次随机工况充放电循环实验，温控箱的温度变化范围由10℃至40℃，每10分钟升高5℃，设电池的最大充放电电流为Imax，电流间隔大小为ΔI，Vmax设为电池的充电最大电压，Vmin为电池的放电截止电压，从集合{-Imax，-Imax+ΔI，-Imax+2ΔI，-Imax+3ΔI，-Imax+4ΔI，Imax-4ΔI，Imax-3ΔI，Imax-2ΔI，Imax-ΔI，Imax}随机选取一个电流进行充电或放电，正为充电，负为放电，在所选电流下工作直至电压降到Vmin或升至Vmax或直至实验进行1小时，每次随机充/放电之间的间隔为5分钟；
S103：在经过q次随机工况的充放电实验后，静置半小时，对该电池进行一次容量标定测试实验，实验环境为25℃，首先对该电池进行恒流恒压充电，分为恒流充电和恒压充电两个阶段，第一阶段以恒定电流对锂离子电池进行恒流充电，直至电池升到Vmax，再转入第二阶段以恒定电压继续充电，直至充电电流降至预设阈值以下，停止充电；在电池进行恒流恒压充电期间，记录每个采样时刻的电池电压数据，从零时刻开始记录数据，采样周期设定为t，经过n个采样周期所获取数据为：
Figure BDA0003606700680000091
Figure BDA0003606700680000092
其中，
Figure BDA0003606700680000093
表示电池电压数据，
Figure BDA0003606700680000094
表示对应的充电时间；
S104：静置半小时后，以恒定电流对锂离子电池进行恒流放电，直至电池降到Vmin，记录整个过程的总放电量，并将其作为该电池在该次充电循环中的最大可用容量Cnow，采用的锂离子电池SOH指标定义如下：
Figure BDA0003606700680000095
其中，Cnow表示该锂离子电池当前最大可用容量，C0表示电池的额定容量；将该次循环得到的SOH保存为目标值，与充电过程记录的数据共同构成一条样本数据
Figure BDA0003606700680000096
Figure BDA0003606700680000097
S105：静置半小时后，该电池继续执行步骤S102和S104，进行下一轮的q次随机工况的充放电实验，直至容量标定测试中电池SOH下降至70％，停止实验，将所有保存的数据整合成数据集D：
Figure BDA0003606700680000101
其中m表示该电池容量标定实验的次数；
S106：第2至第n个锂离子电池也同时执行步骤S102至S105，直至所有电池都完成充放电循环实验，将所有数据集D都保存到原始数据集Draw中；
本方案中，步骤S2所述的对数据集进行预处理，具体过程为：
S201：对步骤S1获取的数据集Draw进行数据清洗；
S202：把数据清洗后的每个电池的数据集记为Dc：
Figure BDA0003606700680000102
在数据集Dc中，每一行代表电池在一次充放电循环中的数据，最后一列记为目标值
Figure BDA0003606700680000103
第一列和第二列分别对应电池的充电电压和时间数据，记为输入数据矩阵F，所述F的每一行都为一个循环中充电数据向量：
Figure BDA0003606700680000104
S203：将每一行所有的数据向量进行归一化处理，把数据映射到0～1范围，获得归一化后的输入数据
Figure BDA0003606700680000105
m条输入数据组成输入数据矩阵Fnew；
S204：将所述的特征向量
Figure BDA0003606700680000106
与其所对应的目标值SOH构成新的数据样本，m条数据样本组成新的数据矩阵Dnew；
本方案中，步骤S3所述的提取健康特征，具体过程为：
S301：选取其中一个电池每个循环所采集的充电电压数据按ΔV划分为l个电压点，以电压点Vbegin为起始点，则每个循环可得到的电压点个数为：
Figure BDA0003606700680000107
S302：根据排列组合，每两个电压点一一对应形成电压片段，可得到
Figure BDA0003606700680000108
个充电电压片段，以
Figure BDA0003606700680000109
个充电电压片段为参照，对采集到的充电时间数据划分片段，进一步得到
Figure BDA00036067006800001010
个充电电压片段对应的充电时间；
S303：采用Pearson相关系数来对各充电电压片段对应的充电时间与对应目标值SOH的相关程度进行衡量，寻找该类型电池健康特征提取的最优电压区间，Pearson相关系数计算公式为：
Figure BDA0003606700680000111
其中，r表示Pearson相关性系数，
Figure BDA0003606700680000112
表示各充电电压片段对应的充电时间，yi表示对应的目标值SOH，i表示该电池的循环次数；
保留Pearson相关系数最高的电压片段电压数据，将该充电电压片段作为该类型电池提取健康特征的区间；
S304：将该充电电压片段对应的电压数据平均分为q份，再将每份数据取平均，得到q维数据，即：
Figure BDA0003606700680000113
将该次循环充电电压片段对应的充电时间也作为健康特征，所以，每条数据样本对应的健康特征为
Figure BDA0003606700680000114
S305：每条数据样本的健康特征与目标值SOH是一一对应的关系,经过m次充放电循环实验后，将m条数据样本的健康特征数据和对应的目标值整合成数据集HI_SOH：
Figure BDA0003606700680000115
S306：剩余的n-1个锂离子电池同时执行步骤S304至步骤S305来提取健康特征，总共获取n个数据集HI_SOH；
本方案中，步骤S4所述的重构健康特征，具体过程为：
S401：对步骤S3所述的锂电池中每条样本数据对应的健康特征，通过第一层网络层的编码运算得到新的特征表达z，函数表达式如下：
z＝f(x)＝σ1(W1x+b1) (4)
其中，
Figure BDA0003606700680000116
表示从电池的最优电压区间所提取的健康特征，d1为健康特征的维度；z∈Rr×1表示编码运算后输出特征表达，r为该网络层的神经元个数；
Figure BDA0003606700680000121
表示该网络层对应的权重矩阵；b1∈Rr×1表示该网络层对应的偏置矩阵；σ1表示正饱和线性激活函数；
S402：将新的特征表达z通过第二层网络层的解码运算，映射为从锂电池的最优电压区间所提取的原始健康特征x，其函数表达式如下：
x＝g(z)＝σ2(W2z+b2) (5)
其中，
Figure BDA0003606700680000122
和
Figure BDA0003606700680000123
分别表示该网络层对应的权重和偏置，σ2表示sigmoid激活函数；
S403：使用均方误差函数作为堆叠神经网络的目标函数，通过学习一个恒等函数g(f(x))＝x学习从锂电池所提取健康特征中的潜在信息，同时在目标函数中加入稀疏附加项抑制一部分网络层中神经元的激活状态，目标函数的表达式如下：
Figure BDA0003606700680000124
Figure BDA0003606700680000125
其中，T(W,b)表示目标函数，κ(ρ||ρj)表示稀疏附加项，W、b、σ分别表示网络的权值矩阵、偏置向量和激活函数，x为锂电池最优电压区间所提取的健康特征，λ为正则化常数，n是所搭建网络的层数，n取2，
Figure BDA0003606700680000126
和
Figure BDA0003606700680000127
分别是矩阵W(l)的列和行，β和ρ分别为散度常数和稀疏常数，ρj为神经元的平均激活值，s表示网络层的节点数；
在本实例中，搭建的堆叠神经网络层数选择n＝2，隐藏层的节点数分别为30和20，对于输入的健康特征x＝[t,Vaver1,Vaver2,Vaver3,Vaver4,Vaver5]，以Pearson相关系数评价健康特征重构后的效果，如图2、图3和图4所示，图中堆叠神经网络以SNN为简称，对于B0005、B0006和B0007锂离子电池提取的健康特征，重构后的健康特征与目标值的相关度明显提高；
本方案中，步骤S5所述将数据矩阵划分为训练集和测试集，具体方法为：
从数据矩阵随机选取k个电池的数据作为训练集，而剩下的n-k个电池数据作为测试集；
本方案中，图5为LSTM单元的内部示意图原理图，图6为搭建的神经网络框架图，步骤S6所述的构建神经网络模型，具体方法如下：
S601：确定输入层、LSTM层、全连接层和输出层对应的神经元数目，其中所述输入层的输入通道数目对应输入特征的数目，输出层的输出值对应电池的SOH值；
S602：确定所述LSTM单元神经网络中的隐藏层节点中各门的状态，包括遗忘门ft、输入门it、输出门ot，如图2所示，ct-1为前一序列隐层节点状态；ht-1为前一序列隐层节点输出；xt为当前序列隐层节点输入；ct为当前序列隐层节点状态；ht为当前序列的隐层节点输出；遗忘门ft、输入门it、输出门ot以及各门对应的权重参数W和偏置参数b的关系如下所示：
ft＝σ(Wf·[ht-1,xt]+bf) (8)
it＝σ(Wi·[ht-1,xt]+bi) (9)
Figure BDA0003606700680000131
Figure BDA0003606700680000132
ot＝σ(Wo·[ht-1,xt]+bo) (12)
ht＝ot·tanh(ct) (13)
其中，σ为sigmod激活函数；
S603：如图6所示，搭建5层神经网络，第一层为输入层，第二层为LSTM层，第三层和第四层均为全连接层，第一个全连接层对应的权重和偏置分别为W1,2和b1,2，第二个全连接层对应的权重和偏置分别为W2,3和b2,3，最后一层为线性回归输出层；
本方案中，如图7所示，步骤S7所述的优化神经网络模型，具体过程为：
S701：确定的得分函数：选取电池SOH的均方根误差函数作为个体和群体的得分函数val，则有：
Figure BDA0003606700680000133
其中，SOHreal(m)为电池SOH真实值，SOHpre(m)为电池SOH估计值，M为电池的充电循环次数；
S702：确定算法的优化参数，即将LSTM层对应的权重和偏置及全连接层对应的权重和偏置，作为算法的待优化参数；
S703：设置算法的初始化参数，即初始化各网络层对应的权重和偏置，根据待优化参数的总个数，预分配的初始种群，随机生成一个初始种群对应的d维向量，其中d的大小为网络权重和偏置的个数总和；
S704：对种群进行初始化，采用分段线性混沌映射生成混沌序列Xk+1：
Figure BDA0003606700680000141
其中，k表示混沌映射过程的第k次运算，p表示在0和1之间的随机数，Xk表示第k次混沌映射过程中种群对应的d维向量；
S705：生成优胜子群体和临时子群体，对于种群X＝[x1,x2,x3,…,xd]，每个个体对应的得分val＝[val1,val2,val3,…,vald]，根据得分数值大小，将个体分为若干个优胜个体和临时个体，以优胜个体和临时个体为中心，在每个个体周围产生一些新的个体，得到若干个优胜子群体和临时子群体；
S706：子群体内部执行趋同操作，优胜子种群和临时子种群均在内部执行趋同操作，各子种群内部的各个体相互竞争，直至该子群体成熟，最后以该子群中最优个体的得分作为该子群体的得分；
S707：子群体之间执行异化操作，即各子群体进行全局竞争，若某个临时子群体的得分高于某个成熟的优胜子群体的得分，则该优胜子群体被获胜的临时子群体替代，原优胜子群体中的个体被释放；若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分，则该临时子群体被废弃，其中的个体被释放；
S708：根据全局最优个体的得分，更新被释放个体的信息，即：
x′i＝w*xi+c1r1(valpbest-vali)+c2r2(valgbest-vali) (16)
其中，xi表示被释放的某个个体，vali表示个体xi的得分，valpbest表示被释放的子群体中最优个体的得分，valgbest表示全局最优个体的得分，c1和c2表示加速度常数，r1和r2是[0,1]区间内的随机数，w表示惯性权重，xi′表示更新后的个体；
被释放的个体在全局范围内重新形成新的临时子群体，返回步骤S705重新生成优胜子群体和临时子群体，继续迭代计算；
S709：若满足迭代终止条件，则结束优化过程，根据编码规则，对寻找到的最优种群进行解码，从而得到优化后的各网络层对应的权重和偏置；
本方案中，步骤S8所述的训练神经网络模型，具体步骤如下：
设置LSTM层和全连接层的神经元个数、优化函数、迭代次数和学习率，将训练集的电池SOH值作为网络模型的目标值，再将训练集中重构后的健康特征输入至优化后的网络中进行训练；
本方案中，步骤S9所述的评估神经网络模型，具体过程如下：
采用均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(MeanAbsolute Error,MAE)作为网络性能评价指标，计算公式分别如下所示：
Figure BDA0003606700680000151
Figure BDA0003606700680000152
其中，SOH(k)为电池SOH的真实值，SOH(k)为电池SOH的估计值，k为电池的充电循环次数；
设定两个误差基准值ε1和ε2，将测试集中重构后的健康特征输入训练好的神经网络模型，得到电池SOH估计值，若满足以下任意一个条件
Figure BDA0003606700680000153
Figure BDA0003606700680000154
则输出神经网络模型，并将其嵌入电池管理系统，否则返回步骤S7；
本方案中，步骤S10所述的电池健康状态在线估计，具体过程为：
首先，实时运行过程中采集到的片段充电电压数据；然后，将记录的数据按照步骤S2所述进行数据预处理，按照步骤S3进行健康特征提取，再按照步骤S4进行健康特征重构操作，得到数据集HI_SOH；最后，将处理后的数据输入至步骤S9所输出的神经网络模型，得到锂离子电池SOH的估计值。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种基于IPEA-LSTM模型的锂电池SOH估计方法，所述的方法适用于锂离子电池的SOH估计，其特征在于，包括以下步骤：
S1：构建原始数据集Draw，即多个同类型锂离子电池进行q次随机工况充放电实验，之后进行一次容量标定实验，所述两种实验交替循环，期间记录容量标定实验中电池端电压数据和最大放电容量，并根据最大放电容量计算SOH值，直至SOH下降至70％，停止实验；
S2：对数据集进行预处理，即将所述原始数据集Draw进行数据清洗和数据归一化，得到数据集Dnew；
S3：提取健康特征，即通过分析Dnew中各充电电压片段与SOH的相关度，寻找该类型电池的最优电压区间，再提取得到健康特征x；
S4：重构健康特征，即搭建堆叠的神经网络对所述健康特征x进行重构，并更新数据集Dnew；
S5：数据集划分，即将重构后的数据集划分为训练集和测试集；
S6：构建神经网络模型，即搭建LSTM网络作为基础网络；
S7：优化神经网络模型，即提出改进的种群进化算法对网络的初始权重和偏置进行优化；
S8：训练神经网络模型，即将训练集导入优化后的网络模型进行训练；
S9：评估神经网络模型，即将测试集导入训练后的网络模型进行评估，若符合精度要求则保留网络，并将其嵌入电池管理系统，不符合精度要求则重新执行步骤S7至S8，重新优化和训练模型；
S10：锂电池SOH在线估计，即将实时运行过程中采集到的片段充电电压数据，采用步骤S2所述数据预处理方式进行预处理，接着采用步骤S3所述健康特征提取方式进行健康特征提取，然后采用步骤S4所述健康特征重构方法进行特征重构，最后输入步骤S9所述的电池管理系统进行电池SOH估计。
2.根据权利要求1所述的一种基于IPEA-LSTM模型的锂电池SOH估计方法，其特征在于，步骤S4所述的重构健康特征，具体包括以下步骤：
S401：对步骤S3所述的锂电池中每条样本数据对应的健康特征，通过第一层网络层的编码运算得到新的特征表达z，函数表达式如下：
z＝f(x)＝σ1(W1x+b1) (1)
其中，
Figure FDA0003606700670000021
表示从电池的最优电压区间所提取的健康特征，d1为健康特征的维度；z∈Rr×1表示编码运算后输出特征表达，r为该网络层的神经元个数；
Figure FDA0003606700670000022
表示该网络层对应的权重矩阵；b1∈Rr×1表示该网络层对应的偏置矩阵；σ1表示正饱和线性激活函数；
S402：将新的特征表达z通过第二层网络层的解码运算，映射为从锂电池的最优电压区间所提取的原始健康特征x，其函数表达式如下：
x＝g(z)＝σ2(W2z+b2) (2)
其中，
Figure FDA0003606700670000023
和
Figure FDA0003606700670000024
分别表示该网络层对应的权重和偏置，σ2表示sigmoid激活函数；
S403：使用均方误差函数作为堆叠神经网络的目标函数，通过学习一个恒等函数g(f(x))＝x学习从锂电池所提取健康特征中的潜在信息，同时在目标函数中加入稀疏附加项抑制一部分网络层中神经元的激活状态，目标函数的表达式如下：
Figure FDA0003606700670000025
Figure FDA0003606700670000026
其中，T(W,b)表示目标函数，κ(ρ||ρj)表示稀疏附加项，W、b、σ分别表示网络的权值矩阵、偏置向量和激活函数，x为锂电池最优电压区间所提取的健康特征，λ为正则化常数，n是所搭建网络的层数，n取2，
Figure FDA0003606700670000027
和
Figure FDA0003606700670000028
分别是矩阵W(l)的列和行，β和ρ分别为散度常数和稀疏常数，ρj为神经元的平均激活值，s表示网络层的节点数。
3.根据权利要求1所述的一种基于IPEA-LSTM模型的锂电池SOH估计方法，其特征在于，步骤S1所述的构建原始数据集Draw，具体包括以下步骤：
S101：选取n个同型号锂离子电池同时进行充放电循环实验；
S102：以第1个电池为例，电池首先在温控箱内进行q次随机工况充放电循环实验，温控箱的温度变化范围由10℃至40℃，每10分钟升高5℃，设电池的最大充放电电流为Imax，电流间隔大小为ΔI，Vmax设为电池的充电最大电压，Vmin为电池的放电截止电压，从集合{-Imax，-Imax+ΔI，-Imax+2ΔI，-Imax+3ΔI，-Imax+4ΔI，Imax-4ΔI，Imax-3ΔI，Imax-2ΔI，Imax-ΔI，Imax}随机选取一个电流进行充电或放电，正为充电，负为放电，在所选电流下工作直至电压降到Vmin或升至Vmax或直至实验进行1小时，每次随机充/放电之间的间隔为5分钟；
S103：在经过q次随机工况的充放电实验后，静置半小时，对该电池进行一次容量标定测试实验，实验环境为25℃，首先对该电池进行恒流恒压充电，分为恒流充电和恒压充电两个阶段，第一阶段以恒定电流对锂离子电池进行恒流充电，直至电池升到Vmax，再转入第二阶段以恒定电压继续充电，直至充电电流降至预设阈值以下，停止充电；在电池进行恒流恒压充电期间，记录每个采样时刻的电池电压数据，从零时刻开始记录数据，采样周期设定为t，经过n个采样周期所获取数据为：
Figure FDA0003606700670000031
Figure FDA0003606700670000032
其中，
Figure FDA0003606700670000033
表示电池电压数据，
Figure FDA0003606700670000034
表示对应的充电时间；
S104：静置半小时后，以恒定电流对锂离子电池进行恒流放电，直至电池降到Vmin，记录整个过程的总放电量，并将其作为该电池在该次充电循环中的最大可用容量Cnow，采用的锂离子电池SOH指标定义如下：
Figure FDA0003606700670000035
其中，Cnow表示该锂离子电池当前最大可用容量，C0表示电池的额定容量；将该次循环得到的SOH保存为目标值，与充电过程记录的数据共同构成一条样本数据
Figure FDA0003606700670000036
Figure FDA0003606700670000037
S105：静置半小时后，该电池继续执行步骤S102和S104，进行下一轮的q次随机工况的充放电实验，直至容量标定测试中电池SOH下降至70％，停止实验，将所有保存的数据整合成数据集D：
Figure FDA0003606700670000038
其中m表示该电池容量标定实验的次数；
S106：第2至第n个锂离子电池也同时执行步骤S102至S105，直至所有电池都完成充放电循环实验，将所有数据集D都保存到原始数据集Draw中。
4.根据权利要求1所述的一种基于IPEA-LSTM模型的锂电池SOH估计方法，其特征在于，步骤S3所述的提取健康特征，具体包括以下步骤：
S301：选取其中一个电池每个循环所采集的充电电压数据按ΔV划分为l个电压点，以电压点Vbegin为起始点，则每个循环可得到的电压点个数为：
Figure FDA0003606700670000041
S302：根据排列组合，每两个电压点一一对应形成电压片段，可得到
Figure FDA0003606700670000042
个充电电压片段，以
Figure FDA0003606700670000043
个充电电压片段为参照，对采集到的充电时间数据划分片段，进一步得到
Figure FDA0003606700670000044
个充电电压片段对应的充电时间；
S303：采用Pearson相关系数来对各充电电压片段对应的充电时间与对应目标值SOH的相关程度进行衡量，寻找该类型电池健康特征提取的最优电压区间，Pearson相关系数计算公式为：
Figure FDA0003606700670000045
其中，r表示Pearson相关性系数，
Figure FDA0003606700670000046
表示各充电电压片段对应的充电时间，yi表示对应的目标值SOH，i表示该电池的循环次数；
保留Pearson相关系数最高的电压片段电压数据，将该充电电压片段作为该类型电池提取健康特征的区间；
S304：将该充电电压片段对应的电压数据平均分为q份，再将每份数据取平均，得到q维数据，即：
Figure FDA0003606700670000047
将该次循环充电电压片段对应的充电时间也作为健康特征，所以，每条数据样本对应的健康特征为
Figure FDA0003606700670000048
S305：每条数据样本的健康特征与目标值SOH是一一对应的关系,经过m次充放电循环实验后，将m条数据样本的健康特征数据和对应的目标值整合成数据集HI_SOH：
Figure FDA0003606700670000051
S306：剩余的n-1个锂离子电池同时执行步骤S304至步骤S305来提取健康特征，总共获取n个数据集HI_SOH。
5.根据权利要求1所述的一种基于IPEA-LSTM模型的锂电池SOH估计方法，其特征在于，步骤S7所述的优化神经网络模型，具体包括以下步骤：
S701：确定的得分函数：选取电池SOH的均方根误差函数作为个体和群体的得分函数val，则有：
Figure FDA0003606700670000052
其中，SOHreal(m)为电池SOH真实值，SOHpre(m)为电池SOH估计值，M为电池的充电循环次数；
S702：确定算法的优化参数，即将LSTM层对应的权重和偏置及全连接层对应的权重和偏置，作为算法的待优化参数；
S703：设置算法的初始化参数，即初始化各网络层对应的权重和偏置，根据待优化参数的总个数，预分配的初始种群，随机生成一个初始种群对应的d维向量，其中d的大小为网络权重和偏置的个数总和；
S704：对种群进行初始化，采用分段线性混沌映射生成混沌序列Xk+1：
Figure FDA0003606700670000053
其中，k表示混沌映射过程的第k次运算，p表示在0和1之间的随机数，Xk表示第k次混沌映射过程中种群对应的d维向量；
S705：生成优胜子群体和临时子群体，对于种群X＝[x1,x2,x3,…,xd]，每个个体对应的得分val＝[val1,val2,val3,…,vald]，根据得分数值大小，将个体分为若干个优胜个体和临时个体，以优胜个体和临时个体为中心，在每个个体周围产生一些新的个体，得到若干个优胜子群体和临时子群体；
S706：子群体内部执行趋同操作，优胜子种群和临时子种群均在内部执行趋同操作，各子种群内部的各个体相互竞争，直至该子群体成熟，最后以该子群中最优个体的得分作为该子群体的得分；
S707：子群体之间执行异化操作，即各子群体进行全局竞争，若某个临时子群体的得分高于某个成熟的优胜子群体的得分，则该优胜子群体被获胜的临时子群体替代，原优胜子群体中的个体被释放；若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分，则该临时子群体被废弃，其中的个体被释放；
S708：根据全局最优个体的得分，更新被释放个体的信息，即：
xi'＝w*xi+c1r1(valpbest-vali)+c2r2(valgbest-vali) (9)
其中，xi表示被释放的某个个体，vali表示个体xi的得分，valpbest表示被释放的子群体中最优个体的得分，valgbest表示全局最优个体的得分，c1和c2表示加速度常数，r1和r2是[0,1]区间内的随机数，w表示惯性权重，xi′表示更新后的个体；
被释放的个体在全局范围内重新形成新的临时子群体，返回步骤S705重新生成优胜子群体和临时子群体，继续迭代计算；
S709：若满足迭代终止条件，则结束优化过程，根据编码规则，对寻找到的最优种群进行解码，从而得到优化后的各网络层对应的权重和偏置。
CN202210420870.9A 2022-04-20 2022-04-20 一种基于ipea-lstm模型的锂电池soh估计方法 Active CN114726045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210420870.9A CN114726045B (zh) 2022-04-20 2022-04-20 一种基于ipea-lstm模型的锂电池soh估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210420870.9A CN114726045B (zh) 2022-04-20 2022-04-20 一种基于ipea-lstm模型的锂电池soh估计方法

Publications (2)

Publication Number Publication Date
CN114726045A true CN114726045A (zh) 2022-07-08
CN114726045B CN114726045B (zh) 2022-09-30

Family

ID=82246289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210420870.9A Active CN114726045B (zh) 2022-04-20 2022-04-20 一种基于ipea-lstm模型的锂电池soh估计方法

Country Status (1)

Country Link
CN (1) CN114726045B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115453399A (zh) * 2022-08-26 2022-12-09 广东工业大学 一种考虑不一致性的电池组soh估计方法
CN115598557A (zh) * 2022-08-26 2023-01-13 广东工业大学（Cn） 一种基于恒压充电电流的锂电池soh估计方法
CN116577686A (zh) * 2023-07-13 2023-08-11 北京和瑞储能科技有限公司 一种基于局部阶段充电数据的多工况soh估计方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN111950205A (zh) * 2020-08-25 2020-11-17 哈尔滨理工大学 一种基于fwa优化极限学习机的锂电池soh预测方法
CN112924886A (zh) * 2021-01-23 2021-06-08 青岛大学 一种电池健康状态soh预测方法及装置
CN113156325A (zh) * 2021-03-18 2021-07-23 吉林大学 一种对电池的健康状态进行估计的方法
CN113917334A (zh) * 2021-09-01 2022-01-11 西安理工大学 基于进化lstm自编码器的电池健康状态估计方法
CN113917337A (zh) * 2021-10-13 2022-01-11 国网福建省电力有限公司 基于充电数据和lstm神经网络的电池健康状态估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN111950205A (zh) * 2020-08-25 2020-11-17 哈尔滨理工大学 一种基于fwa优化极限学习机的锂电池soh预测方法
CN112924886A (zh) * 2021-01-23 2021-06-08 青岛大学 一种电池健康状态soh预测方法及装置
CN113156325A (zh) * 2021-03-18 2021-07-23 吉林大学 一种对电池的健康状态进行估计的方法
CN113917334A (zh) * 2021-09-01 2022-01-11 西安理工大学 基于进化lstm自编码器的电池健康状态估计方法
CN113917337A (zh) * 2021-10-13 2022-01-11 国网福建省电力有限公司 基于充电数据和lstm神经网络的电池健康状态估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YITAO WU: "State of Health Estimation for Lithium-Ion Batteries Based on Healthy Features and Long Short-Term Memory", 《IEEE》 *
王斐: "基于 LSTM 神经网络的锂电池 SOH 预测研究", 《重庆大学》 *
谢旭: "基于二层分解技术的锂离子电池容量评估方法", 《电源技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115453399A (zh) * 2022-08-26 2022-12-09 广东工业大学 一种考虑不一致性的电池组soh估计方法
CN115598557A (zh) * 2022-08-26 2023-01-13 广东工业大学（Cn） 一种基于恒压充电电流的锂电池soh估计方法
CN115598557B (zh) * 2022-08-26 2023-08-25 广东工业大学 一种基于恒压充电电流的锂电池soh估计方法
CN116577686A (zh) * 2023-07-13 2023-08-11 北京和瑞储能科技有限公司 一种基于局部阶段充电数据的多工况soh估计方法和系统
CN116577686B (zh) * 2023-07-13 2023-09-26 北京和瑞储能科技有限公司 一种基于局部阶段充电数据的多工况soh估计方法和系统

Also Published As

Publication number Publication date
CN114726045B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN114726045B (zh) 一种基于ipea-lstm模型的锂电池soh估计方法
CN109993270B (zh) 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN110888059B (zh) 基于改进随机森林联合容积卡尔曼的荷电状态估计算法
CN113917337A (zh) 基于充电数据和lstm神经网络的电池健康状态估计方法
CN112327188A (zh) 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
CN112016237B (zh) 锂电池寿命预测的深度学习方法、装置及系统
CN113702843B (zh) 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN111999649A (zh) 一种基于XGBoost算法的锂电池剩余寿命预测方法
CN113064093A (zh) 储能电池荷电状态与健康状态联合估算方法及系统
CN113128672B (zh) 一种基于迁移学习算法的锂离子电池组soh估计方法
CN104156791A (zh) 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
CN111736084A (zh) 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN115453399B (zh) 一种考虑不一致性的电池组soh估计方法
CN114545274A (zh) 一种锂电池剩余寿命预测方法
CN113687242A (zh) 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法
CN116298936A (zh) 在不完全电压范围内的锂离子电池智能健康状态预测方法
CN114280490B (zh) 一种锂离子电池荷电状态估计方法及系统
CN115389946A (zh) 一种基于等压升能量和改进gru的锂电池健康状态估计方法
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
CN115542182A (zh) 一种移动储能系统串联电池组soh估计方法
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
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及系统
CN117171588A (zh) 一种用于动力电池梯次利用故障检测方法

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
GR01 Patent grant
GR01 Patent grant