CN114839552B - 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 PDF

Info

Publication number
CN114839552B
CN114839552B CN202210365645.XA CN202210365645A CN114839552B CN 114839552 B CN114839552 B CN 114839552B CN 202210365645 A CN202210365645 A CN 202210365645A CN 114839552 B CN114839552 B CN 114839552B
Authority
CN
China
Prior art keywords
value
battery
prediction model
data set
super
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.)
Active
Application number
CN202210365645.XA
Other languages
English (en)
Other versions
CN114839552A (zh
Inventor
林名强
吴健
严晨昊
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.)
Quanzhou Institute of Equipment Manufacturing
Original Assignee
Quanzhou Institute of Equipment Manufacturing
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 Quanzhou Institute of Equipment Manufacturing filed Critical Quanzhou Institute of Equipment Manufacturing
Priority to CN202210365645.XA priority Critical patent/CN114839552B/zh
Publication of CN114839552A publication Critical patent/CN114839552A/zh
Application granted granted Critical
Publication of CN114839552B publication Critical patent/CN114839552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

一种基于wasserstein距离的电池SOH估计方法及装置
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。
进一步的，所述S1中，所述IC具体计算公式为：其中，Q为电池容量，U为电池电压。
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：
其中，Q为电池容量，U为电池电压；
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 (7)

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；所述S3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。
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或2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。
4.根据权利要求1或2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。
5.根据权利要求1或2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IC具体计算公式为：，其中，Q为电池容量，U为电池电压。
6.一种基于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；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。
7.根据权利要求6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。
CN202210365645.XA 2022-04-08 2022-04-08 一种基于wasserstein距离的电池SOH估计方法及装置 Active CN114839552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210365645.XA CN114839552B (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 CN114839552B (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 (2)

Publication Number Publication Date
CN114839552A CN114839552A (zh) 2022-08-02
CN114839552B true CN114839552B (zh) 2025-05-02

Family

ID=82563563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210365645.XA Active CN114839552B (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) CN114839552B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115902639B (zh) * 2022-11-26 2025-06-27 上海电力大学 一种基于区域直线距离的电池健康状态在线检测方法
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3503274A1 (fr) * 2017-12-11 2019-06-26 Commissariat à l'Energie Atomique et aux Energies Alternatives Methode pour estimer l'etat de sante d'une pile a combustible a partir de mesures en usage reel
CN112557907A (zh) * 2020-12-17 2021-03-26 杭州六纪科技有限公司 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN113640674A (zh) * 2021-06-30 2021-11-12 昆明理工大学 基于优化高斯过程回归的锂离子电池可用容量估计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590532B (zh) * 2017-08-14 2020-09-22 华南理工大学 一种基于wgan的超参数动态调整方法
US10957946B2 (en) * 2019-08-13 2021-03-23 International Business Machines Corporation Capacity degradation analysis for batteries
WO2021208079A1 (zh) * 2020-04-17 2021-10-21 中国科学院深圳先进技术研究院 获取动力电池寿命数据的方法、装置、计算机设备及介质
CN112613617A (zh) * 2020-12-30 2021-04-06 清华大学 基于回归模型的不确定性估计方法和装置
CN113191429A (zh) * 2021-04-29 2021-07-30 国网河北省电力有限公司电力科学研究院 一种电力变压器套管故障诊断方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3503274A1 (fr) * 2017-12-11 2019-06-26 Commissariat à l'Energie Atomique et aux Energies Alternatives Methode pour estimer l'etat de sante d'une pile a combustible a partir de mesures en usage reel
CN112557907A (zh) * 2020-12-17 2021-03-26 杭州六纪科技有限公司 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN113640674A (zh) * 2021-06-30 2021-11-12 昆明理工大学 基于优化高斯过程回归的锂离子电池可用容量估计方法

Also Published As

Publication number Publication date
CN114839552A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN110568361B (zh) 一种动力电池健康状态的预测方法
Chen et al. An LSTM-SA model for SOC estimation of lithium-ion batteries under various temperatures and aging levels
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
CN110146822B (zh) 一种基于恒流充电过程的车用动力电池容量在线估计方法
CN110031770B (zh) 一种快速得到电池包中所有单体电池容量的方法
CN111443293A (zh) 一种基于数据驱动的锂电池健康状态soh估算方法
CN109633477B (zh) 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法
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
Li et al. The co-estimation of states for lithium-ion batteries based on segment data
CN108519556A (zh) 一种基于循环神经网络的锂离子电池soc预测方法
CN111007400A (zh) 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法
CN111398833A (zh) 一种电池健康状态评估方法和评估系统
CN111579993B (zh) 一种基于卷积神经网络的锂电池容量在线估计方法
CN106918789A (zh) 一种soc‑soh联合在线实时估计和在线修正方法
CN112098873B (zh) 基于充电电压曲线几何特征的锂电池健康状态估计方法
CN107589379A (zh) 一种在线估计锂电池soc和阻抗的方法
CN114839552B (zh) 一种基于wasserstein距离的电池SOH估计方法及装置
CN110658459A (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
CN114397577A (zh) 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法
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
CN114487890A (zh) 一种改进长短期记忆神经网络的锂电池健康状态估计方法
CN119147982B (zh) 基于多模型融合的锂离子电池荷电和健康状态估计方法
CN118962471B (zh) 一种锂电池健康状态估计方法
CN114609538B (zh) 基于改进型高斯过程回归的电池老化状态估计方法及系统
CN117471320A (zh) 基于充电片段的电池健康状态估计方法及系统

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