CN114839552A - 一种基于wasserstein距离的电池SOH估计方法及装置 - Google Patents
一种基于wasserstein距离的电池SOH估计方法及装置 Download PDFInfo
- Publication number
- CN114839552A CN114839552A CN202210365645.XA CN202210365645A CN114839552A CN 114839552 A CN114839552 A CN 114839552A CN 202210365645 A CN202210365645 A CN 202210365645A CN 114839552 A CN114839552 A CN 114839552A
- Authority
- CN
- China
- Prior art keywords
- value
- data set
- prediction model
- battery
- wasserstein distance
- 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
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种基于wasserstein距离的电池SOH估计方法及装置,方法包括如下步骤:S1、采集多个袋式电池的老化数据,并分别获取各袋式电池各老化周期的IC曲线;S2、分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离,得到特征数据集;S3、采用基于高斯回归过程方法的预测模型,对于预测模型的超参数α、l和p,分别设定其取值范围为(0.1,100)、(0,1)和(0,100),先取取值范围内的任意值,再利用前期数据集对预测模型进行初次训练,并根据预测所得值与真值之间的差距,调整并确定各超参数的值;S4、利用后期数据集对已确定超参数的预测模型进行训练。本发明无需建立电池模型,以wasserstein距离作为预测模型的特征,适合SOH的在线估计,且估计精度高,实用性强。
Description
技术领域
本发明涉及一种基于wasserstein距离的电池SOH估计方法及装置。
背景技术
常用的SOH(电池健康状态)定义为SOH=Cnow/C0,其中Cnow为电池当前时刻满充后的最大可用容量,C0则代表着电池出厂时的最大可用容量。准确的电池健康状态估计是BMS(电池管理系统)的关键环节,SOH是表征电池老化程度的重要指标,一般认为该值降至70%-80%即视为寿命终止。
SOH的测量与直接的电压电流测量不同,只能通过对电池特征的观测,并结合相应的数学模型进行估计和预测,现有技术中,可通过模型驱动进行预测,但基于模型驱动的方法需要建立电池模型,计算复杂,不适合BMS的在线应用。
发明内容
本发明提出一种基于wasserstein距离的电池SOH估计方法及装置,无需建立电池模型,以wasserstein距离作为预测模型的特征,适合SOH的在线估计,且估计精度高,实用性强。
本发明通过以下技术方案实现:
一种基于wasserstein距离的电池SOH估计方法,包括如下步骤:
S1、采集多个袋式电池的老化数据,并分别获取各袋式电池各老化周期的IC曲线,其中,IC表示一个连续的电压增量上所增加的电池电量;
S2、分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离,得到特征数据集,并将特征数据集分为前期数据集和后期数据集;
S3、采用基于高斯回归过程方法的预测模型,所述S2中的特征数据集作为预测模型的输入,电池SOH作为预测模型的输出,对于预测模型的超参数α、l和p,分别设定其取值范围为(0.1,100)、(0,1)和(0,100),先取取值范围内的任意值,再利用前期数据集对预测模型进行初次训练,并根据预测所得值与真值之间的差距,调整并确定各超参数的值;
S4、利用后期数据集对已确定超参数的预测模型进行训练。
进一步的,所述S2中,分别利用差分公式对各IC曲线进行采样,得到采样数据集,并通过Pytorch进行Sinkhorn迭代,以获取相邻两IC曲线峰值窗口之间的wasserstein距离。
进一步的,所述S1中,所述多个袋式电池的老化数据具体为预先记录的八个标称740Ma·h的袋式电池的老化数据。
进一步的,所述S2中,所述峰值窗口为以IC曲线峰值为中心的长度为3的区间。
进一步的,所述S3中,所述参数确定模块中,当预测所得值与真值之间的差距大于第一阈值时,则调低超参数α的值、调高超参数l和p的值,当预测所得值与真值之间的差距小于第二阈值时,则调高超参数α的值、调低超参数l和p的值,调整额度应在经验区间的10%以内,经验区间从步骤S3中的各超参数的取值范围内选出。
进一步的,所述预测模型中,高斯过程的核函数为协方差函数。
本发明还通过以下技术方案实现:
一种基于wasserstein距离的电池SOH估计装置,包括:
采集模块:用于采集多个袋式电池的老化数据,并分别获取各袋式电池各老化周期的IC曲线,其中,IC表示一个连续的电压增量上所增加的电池电量;
特征数据集获取模块:用于分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离,得到特征数据集,并将特征数据集分为前期数据集和后期数据集;
参数确定模块:采用基于高斯回归过程方法的预测模型,将特征数据集作为预测模型的输入,电池SOH作为预测模型的输出,对于预测模型的超参数α、l和p,分别设定其取值范围为(0.1,100)、(0,1)和(0,100),先取取值范围内的任意值,再利用前期数据集对预测模型进行初次训练,并根据预测所得值与真值之间的差距,调整并确定各超参数的值;
模型训练模块:利用后期数据集对已确定超参数的预测模型进行训练。
进一步的,所述特征数据集获取模块中,分别利用差分公式对各IC曲线进行采样,得到采样数据集,并通过Pytorch进行Sinkhorn迭代,以获取相邻两IC曲线峰值窗口之间的wasserstein距离。
进一步的,所述参数确定模块中,当预测所得值与真值之间的差距大于第一阈值时,则调低超参数α的值、调高超参数l和p的值,当预测所得值与真值之间的差距小于第二阈值时,则调高超参数α的值、调低超参数l和p的值,调整额度应在经验区间的10%以内,经验区间从各超参数的取值范围内选出。
本发明具有如下有益效果:
1、本发明首先获取各袋式电池各老化周期的IC曲线,然后分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离,以得到特征数据集,特征数据集分为前期数据集和后期数据集,利用前期数据集对基于高斯回归过程方法的也测模型进行训练,并根据预测所得值与真值之间的差距,调整并确定各超参数的值,最后利用后期数据集对预测模型进行训练,将缓慢变化的充电电压转化为IC曲线峰值高度,并计算各相邻IC曲线峰值窗口之间的wasserstein距离,能够得到更为准确的电池状态特征,再与高斯回归过程方法相结合,能够使预测结果更为准确,且无需建立电池模型,计算也更为简单,实用性更强,适合SOH的在线估计。
2、分别利用差分公式对各IC曲线进行采样,得到采样数据集,并通过Pytorch进行Sinkhorn迭代,以获取相邻两IC曲线峰值窗口之间的wasserstein距离,使得预测模型建立过程中,具有更多的灵活性。
附图说明
下面结合附图对本发明做进一步详细说明。
图1为本发明的流程图。
具体实施方式
如图1所示,基于wasserstein距离的电池SOH估计方法,包括如下步骤:
S1、采集预先记录的八个标称740Ma·h的袋式电池的老化数据,并通过Matlab分别获取各袋式电池各老化周期的IC曲线,其中,IC表示一个连续的电压增量上所增加的电池电量,IC具体计算公式为:
与标准电压老化测量不同,IC分析是从电极水平研究电池的老化机制,随着老化次数的增加,IC曲线变得逐渐平缓,曲线峰值降低,并在老化过程中随着电池内部材料的变化而变化;
S2、分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离,得到特征数据集,并将特征数据集分为前期数据集和后期数据集;
在本实施例中,分别利用差分公式对各IC曲线进行采样,得到采样数据集,再将峰值窗口内的采样数据通过Pytorch进行Sinkhorn迭代,以获取相邻两IC曲线峰值窗口之间的wasserstein距离;
在本实施例中,该峰值窗口是以IC曲线峰值为中心的长度为3的区间;在本实施例中,峰值窗口设定为电压为3.26v-3.54v的区间;
S3、采用基于高斯回归过程方法的预测模型,所述S2中的特征数据集作为预测模型的输入,电池SOH作为预测模型的输出,对于预测模型的比例系数超参数α、特征长度尺度超参数l和周期超参数p,分别设定其取值范围为(0.1,100)、(0,1)和(0,100),先取取值范围内的任意值,再利用前期数据集对预测模型进行初次训练,并根据预测所得值与真值之间的差距,调整并确定各超参数的值;
更具体地,首先确定数据点为一个高斯过程的采样点,高斯回归过程的核函数为协方差函数;再根据后延概率确定预测的表达式,通常情况下要求似然估计最大,通过最大似然估计求解超参数,超参数即表达式中无法确定的未知量;
预测所得值即为预测容量曲线,真值是所记录的真实容量曲线,当预测所得值与真值之间的差距大于第一阈值时,则调低超参数α的值、调高超参数l和p的值,当预测所得值与真值之间的差距小于第二阈值时,则调高超参数α的值、调低超参数l和p的值,调整额度应在经验区间的10%以内,该经验区间上述各超参数的取值范围内选出;在本实施中,预测所得值与真值之间的差距也可采用wasserstein距离计算,计算过程现有技术,第一阈值设置为0.89,第二阈值设置为0.67;
S4、利用后期数据集对已确定超参数的预测模型进行训练。
以上所述,仅为本发明的较佳实施例而已,故不能以此限定本发明实施的范围,即依本发明申请专利范围及说明书内容所作的等效变化与修饰,皆应仍属本发明专利涵盖的范围内。
Claims (10)
1.一种基于wasserstein距离的电池SOH估计方法,其特征在于:包括如下步骤:
S1、采集多个袋式电池的老化数据,并分别获取各袋式电池各老化周期的IC曲线,其中,IC表示一个连续的电压增量上所增加的电池电量;
S2、分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离,得到特征数据集,并将特征数据集分为前期数据集和后期数据集;
S3、采用基于高斯回归过程方法的预测模型,所述S2中的特征数据集作为预测模型的输入,电池SOH作为预测模型的输出,对于预测模型的超参数α、l和p,分别设定其取值范围为(0.1-100)、(0,1)和(0,100),先取取值范围内的任意值,再利用前期数据集对预测模型进行初次训练,并根据预测所得值与真值之间的差距,调整并确定各超参数的值;
S4、利用后期数据集对已确定超参数的预测模型进行训练。
2.根据权利要求1所述的一种基于wasserstein距离的电池SOH估计方法,其特征在于:所述S2中,分别利用差分公式对各IC曲线进行采样,得到采样数据集,并通过Pytorch进行Sinkhorn迭代,以获取相邻两IC曲线峰值窗口之间的wasserstein距离。
3.根据权利要求1所述的一种基于wasserstein距离的电池SOH估计方法,其特征在于:所述S1中,所述多个袋式电池的老化数据具体为预先记录的八个标称740Ma·h的袋式电池的老化数据。
4.根据权利要求1或2或3所述的一种基于wasserstein距离的电池SOH估计方法,其特征在于:所述S2中,所述峰值窗口为以IC曲线峰值为中心的长度为3的区间。
5.根据权利要求1或2或3所述的一种基于wasserstein距离的电池SOH估计方法,其特征在于:所述S3中,所述参数确定模块中,当预测所得值与真值之间的差距大于第一阈值时,则调低超参数α的值、调高超参数l和p的值,当预测所得值与真值之间的差距小于第二阈值时,则调高超参数α的值、调低超参数l和p的值,调整额度应在经验区间的10%以内,经验区间从步骤S3中的各超参数的取值范围内选出。
6.根据权利要求1或2或3所述的一种基于wasserstein距离的电池SOH估计方法,其特征在于:所述预测模型中,高斯过程的核函数为协方差函数。
8.一种基于wasserstein距离的电池SOH估计装置,其特征在于:包括:
采集模块:用于采集多个袋式电池的老化数据,并分别获取各袋式电池各老化周期的IC曲线,其中,IC表示一个连续的电压增量上所增加的电池电量;
特征数据集获取模块:用于分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离,得到特征数据集,并将特征数据集分为前期数据集和后期数据集;
参数确定模块:采用基于高斯回归过程方法的预测模型,将特征数据集作为预测模型的输入,电池SOH作为预测模型的输出,对于预测模型的超参数α、l和p,分别设定其取值范围为(0.1,100)、(0,1)和(0,100),先取取值范围内的任意值,再利用前期数据集对预测模型进行初次训练,并根据预测所得值与真值之间的差距,调整并确定各超参数的值;
模型训练模块:利用后期数据集对已确定超参数的预测模型进行训练。
9.根据权利要求8所述的一种基于wasserstein距离的电池SOH估计装置,其特征在于:所述特征数据集获取模块中,分别利用差分公式对各IC曲线进行采样,得到采样数据集,并通过Pytorch进行Sinkhorn迭代,以获取相邻两IC曲线峰值窗口之间的wasserstein距离。
10.根据权利要求8所述的一种基于wasserstein距离的电池SOH估计装置,其特征在于:所述参数确定模块中,当预测所得值与真值之间的差距大于第一阈值时,则调低超参数α的值、调高超参数l和p的值,当预测所得值与真值之间的差距小于第二阈值时,则调高超参数α的值、调低超参数l和p的值,调整额度应在经验区间的10%以内,经验区间从各超参数的取值范围内选出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365645.XA CN114839552A (zh) | 2022-04-08 | 2022-04-08 | 一种基于wasserstein距离的电池SOH估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365645.XA CN114839552A (zh) | 2022-04-08 | 2022-04-08 | 一种基于wasserstein距离的电池SOH估计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114839552A true CN114839552A (zh) | 2022-08-02 |
Family
ID=82563563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210365645.XA Pending CN114839552A (zh) | 2022-04-08 | 2022-04-08 | 一种基于wasserstein距离的电池SOH估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114839552A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856646A (zh) * | 2023-03-03 | 2023-03-28 | 中山大学 | 一种基于三维电压特征的锂离子电池早期寿命预测方法 |
-
2022
- 2022-04-08 CN CN202210365645.XA patent/CN114839552A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856646A (zh) * | 2023-03-03 | 2023-03-28 | 中山大学 | 一种基于三维电压特征的锂离子电池早期寿命预测方法 |
CN115856646B (zh) * | 2023-03-03 | 2023-05-23 | 中山大学 | 一种基于三维电压特征的锂离子电池早期寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021185308A1 (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
CN111090047B (zh) | 一种基于多模型融合的锂电池健康状态估计方法 | |
CN111142036B (zh) | 基于容量增量分析的锂离子电池在线快速容量估计方法 | |
CN110031770B (zh) | 一种快速得到电池包中所有单体电池容量的方法 | |
CN112415402B (zh) | 锂电池容量估计、电芯异常预测的方法和系统 | |
CN110133525B (zh) | 一种应用于电池管理系统的锂离子电池健康状态估计方法 | |
CN110658459B (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
US20210173012A1 (en) | Method and system for estimation of open circuit voltage of a battery cell | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN108535661B (zh) | 一种基于模型误差谱的动力电池健康状态在线估计方法 | |
CN113884935B (zh) | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 | |
US20230168304A1 (en) | Artificial intelligence (ai)-based charging curve reconstruction and state estimation method for lithium-ion battery | |
Zhang et al. | State of health estimation method for lithium-ion batteries using incremental capacity and long short-term memory network | |
CN111751750B (zh) | 基于模糊ekf的多阶段闭环锂电池soc估算方法 | |
CN114839552A (zh) | 一种基于wasserstein距离的电池SOH估计方法及装置 | |
CN114441984A (zh) | 一种锂电池健康状态估计方法 | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN116754959A (zh) | 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法 | |
CN116299008A (zh) | 一种电池soh预测方法、装置、电子设备及存储介质 | |
CN112731161B (zh) | 基于少量数据混插的非线性数据特征提取和分类预测方法 | |
CN110658461B (zh) | 一种基于双e指数模型的随机充放电电池容量预测方法 | |
CN117517963A (zh) | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 | |
CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
CN115097317A (zh) | 一种锂离子电池容量估计方法及系统 | |
Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine |
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 |