CN114839553A - 电池剩余使用寿命预测方法和装置 - Google Patents
电池剩余使用寿命预测方法和装置 Download PDFInfo
- Publication number
- CN114839553A CN114839553A CN202210372160.3A CN202210372160A CN114839553A CN 114839553 A CN114839553 A CN 114839553A CN 202210372160 A CN202210372160 A CN 202210372160A CN 114839553 A CN114839553 A CN 114839553A
- Authority
- CN
- China
- Prior art keywords
- battery
- sample
- service life
- data
- charge
- 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
- 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)
- Secondary Cells (AREA)
Abstract
本发明提供一种电池剩余使用寿命预测方法和装置,所述方法包括以下步骤:对多个样本电池进行充放电实验,获取每个样本电池多次充放电循环的实验数据;根据每个样本电池多次充放电循环的实验数据获取每个样本电池的老化特性数据;对每个样本电池的老化特性数据进行预处理和特征工程,以所选择的特征构成数据集,并将数据集分为训练集和测试集;构建CNN和LSTM的组合模型,其中,CNN去除了全连接层,输出为一维的特征向量,CNN的输出作为LSTM的输入;通过训练集对CNN和LSTM的组合模型进行训练,以得到电池剩余使用寿命预测器,并通过测试集对电池剩余使用寿命预测器进行测试;通过最终得到的电池剩余使用寿命预测器对待预测电池的剩余使用寿命进行预测。
Description
技术领域
本发明涉及电池技术领域,具体涉及一种电池剩余使用寿命预测方法和一种电池剩余使用寿命预测装置。
背景技术
锂离子电池以其高能量密度、高输出电压、低自放电率、低电压降、易于管理等优点被广泛应用于家用电器、智能手机、电动工具、储能系统、电动汽车等领域。随着电池放电时间的增加,由劣化引起的电池失效会缩短锂离子电池的使用寿命,甚至引发严重的事故。因此准确的电池容量估计及剩余使用寿命预测能显著提升对储能电站电池状态的认知,提升系统的可靠性和安全性,确保储能站的高效稳定运行。
发明内容
本发明为解决上述技术问题,提供了一种电池剩余使用寿命预测方法和装置,能够准确地预测电池的剩余使用寿命。
本发明采用的技术方案如下:
一种电池剩余使用寿命预测方法,包括以下步骤:S1,对多个样本电池进行充放电实验,获取每个所述样本电池多次充放电循环的实验数据;S2,根据每个所述样本电池多次充放电循环的实验数据获取每个所述样本电池的老化特性数据;S3,对每个所述样本电池的老化特性数据进行预处理和特征工程,以所选择的特征构成数据集,并将所述数据集分为训练集和测试集;S4,构建CNN和LSTM的组合模型,其中,所述CNN去除了全连接层,输出为一维的特征向量,所述CNN的输出作为所述LSTM的输入;S5,通过所述训练集对所述CNN和LSTM的组合模型进行训练,以得到电池剩余使用寿命预测器,并通过所述测试集对所述电池剩余使用寿命预测器进行测试;S6,通过步骤S5最终得到的电池剩余使用寿命预测器对待预测电池的剩余使用寿命进行预测。
所述实验数据包括所述样本电池的端电压和电流。
所述老化特性数据包括所述样本电池在不同充放电循环中的容量-电压曲线。
每个所述样本电池在放电容量衰减至额定容量的预设百分比时终止该样本电池的充放电实验。
所述数据集中的特征为每次充放电循环中预设电压所对应的容量,其中,所述预设电压为多个。
一种电池剩余使用寿命预测装置,包括:第一数据获取模块,所述第一数据获取模块用于对多个样本电池进行充放电实验,获取每个所述样本电池多次充放电循环的实验数据;第二数据获取模块,所述第二数据获取模块用于根据每个所述样本电池多次充放电循环的实验数据获取每个所述样本电池的老化特性数据;数据处理模块,所述数据处理模块用于对每个所述样本电池的老化特性数据进行预处理和特征工程,以所选择的特征构成数据集,并将所述数据集分为训练集和测试集;模型构建模块,所述模型构建模块用于构建CNN和LSTM的组合模型,其中,所述CNN去除了全连接层,输出为一维的特征向量,所述CNN的输出作为所述LSTM的输入;模型训练模块,所述模型训练模块用于通过所述训练集对所述CNN和LSTM的组合模型进行训练,以得到电池剩余使用寿命预测器,并通过所述测试集对所述电池剩余使用寿命预测器进行测试;预测模块,所述预测模块用于通过所述模型训练模块最终得到的电池剩余使用寿命预测器对待预测电池的剩余使用寿命进行预测。
所述实验数据包括所述样本电池的端电压和电流。
所述老化特性数据包括所述样本电池的放电容量随充放电循环次数变化的特性和所述样本电池在不同充放电循环中的容量-电压曲线。
每个所述样本电池在放电容量衰减至额定容量的预设百分比时终止该样本电池的充放电实验。
所述数据集中的特征为每次充放电循环中预设电压所对应的容量,其中,所述预设电压为多个。
本发明的有益效果:
本发明通过对多个样本电池进行充放电实验以获取样本电池的老化特性数据,并构建CNN和LSTM的组合模型,基于所获取的老化特性数据对CNN和LSTM的组合模型进行训练,得到电池剩余使用寿命预测器,最后以电池剩余使用寿命预测器对待预测电池的使用寿命进行预测,由此,能够准确地预测电池的剩余使用寿命。
附图说明
图1为本发明实施例的电池剩余使用寿命预测方法的流程图;
图2为本发明一个具体实施例的某样本电池在不同充放电循环中的容量-电压曲线;
图3为本发明一个实施例的CNN的结构示意图;
图4为本发明一个实施例的LSTM的结构示意图;
图5为本发明一个实施例的模型训练过程示意图;
图6为本发明实施例的电池剩余使用寿命预测装置的方框示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
如图1所示,本发明实施例的电池剩余使用寿命预测方法包括以下步骤:
S1,对多个样本电池进行充放电实验,获取每个样本电池多次充放电循环的实验数据。
充放电实验所采用的样本电池数量可根据对后续数据集中数据量的大小来设定。
在本发明的一个具体实施例中,可对124个商用磷酸铁锂/石墨A123APR18650M1A电池进行循环的充放电测试。每个样本电池的额定容量为1.1Ah,额定电压3.3V。所有样本电池均被置于30℃的恒温箱内进行大倍率的充放电实验。样本电池采用备选的不同快速充电模式进行充电,并采用相同的放电模式。样本电池在从0%充电至80%SOC的过程选择72种一步或是两步充电策略中的一种。其中一步指的是在给定SOC区间采用固定的充电电流大小。例如一种两步充电策略可分为以6C的倍率从0%SOC充电至50%SOC,接着以4C充电至80%SOC,72种充电策略为各种倍率的组合。1C为样本电池从额定容量在1小时内完全放电的电流大小,在该样本电池上为1.1A。在80%SOC至100%SOC区间,所有样本电池均采用相同的恒流恒压(CC-CV)充电模式,以1C充电至3.6V,接着恒压充电至截止电流C/50。所有样本电池均以CC-CV模式放电,以4C放电至2.0V,放电截止电流为C/50。在测试过程中记录样本电池的端电压、电流、温度等数据。电池的放电容量可根据电流与时间计算。
在本发明的一个实施例中,每个样本电池在放电容量衰减至额定容量的预设百分比时终止该样本电池的充放电实验。例如,当样本电池的容量衰减至额定容量的80%时终止测试。每个样本电池终止测试时的总的充放电循环次数可以表征该样本电池的寿命。
S2,根据每个样本电池多次充放电循环的实验数据获取每个样本电池的老化特性数据。
在本发明的一个实施例中,老化特性数据包括样本电池在不同充放电循环中的容量-电压曲线,即Q(V)曲线。如图2所示,图中从左至右依次为充放电循环次数cycle为10、100~900所对应的曲线,可以看出在电压一定的前提下,容量与充放电循环次数有明显的相关性。因此本发明实施例采用容量-电压曲线作为老化特性数据。
S3,对每个样本电池的老化特性数据进行预处理和特征工程,以所选择的特征构成数据集,并将数据集分为训练集和测试集。
数据的预处理包括去掉无用数据和数据归一化,特征工程所选择的特征为每次充放电循环中预设电压所对应的容量,其中,预设电压为多个。应当理解的是,预设电压越多,特征所对应的特征向量的长度越长,即元素越多。
以将3.5V~2.0V的电压等间隔地划分出N个电压值为例,则预设电压表示为V1~VN,某一次充放电循环所对应的特征为[Q1,Q2,...,QN],是一维特征,其中,Qi为Vi处的容量,1≤i≤N。在本发明的一个具体实施例中,N可取1000。
在本发明的一个实施例中,数据集中的数据可以表示为:
其中,t表示充放电循环次数,t=1,2…n,n为样本电池总的充放电循环次数,输入为取自容量特征的长度为k-i+1的片段,输出RULt为电池在第t次循环的剩余寿命。即该数据为某一样本电池在第t次循环所对应的数据。
在本发明的一个具体实施例中,数据集中共包括40个样本电池的特征数据。可随机选取8个样本电池的特征数据作为测试集,剩下的32个样本电池的特征数据作为训练集。
S4,构建CNN和LSTM的组合模型,其中,CNN去除了全连接层,输出为一维的特征向量,CNN的输出作为LSTM的输入。
本发明实施例中的CNN去除了全连接层,输出为一维的特征向量,其结构如图3所示,LSTM的结构如图4所示。本发明实施例将去除了全连接层后的CNN的输出作为LSTM的输入,即去除了全连接层后的CNN与LSTM串联构成组合模型。
LSTM是一类面向时间序列数据集模式识别的神经网络。LSTM引入输入门、遗忘门、输出门分别控制神经网络各部分的信息流动,决定当前输入和上一时刻的记忆状态对当前的输出和记忆状态的影响。LSTM中每个门函数和状态转移过程的计算公式为:
it=σ(Wxixt+Whiht-1+bi)
ft=s(Wxfxt+Whfht-1+bf)
ot=σ(Wxoxt+Whoht-1+bo)
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ht=ot·tanh(ct)
其中,t时刻的输入xt为CNN输出的电池在第t次循环的状态特征,ht-1为t-1次循环的网络输出,ht为当前第t次循环的输出,ht通过全连接层计算出电池的剩余寿命。σ为sigmoid函数,i,f,o,c分别为输入门,遗忘门,输出门和记忆单元。W和b为网络参数,通过最小化损失函数进行更新。
本发明实施例以一维的特征作为模型的输入,能够有效降低模型的大小,同时减少训练时间。
S5,通过训练集对CNN和LSTM的组合模型进行训练,以得到电池剩余使用寿命预测器,并通过测试集对电池剩余使用寿命预测器进行测试。
训练过程可参照图5,在通过步骤S3选择出特征后,以包含所选特征的训练集对CNN和LSTM的组合模型进行训练,并经测试集对训练结果进行测试,最终得到可用的电池剩余使用寿命预测器。
S6,通过步骤S5最终得到的电池剩余使用寿命预测器对待预测电池的剩余使用寿命进行预测。
在完成模型的训练后,通过训练好的模型,即电池剩余使用寿命预测器,可实现对待预测电池剩余使用寿命的预测。具体地,可根据待预测电池的历史充放电数据(包括每次充放电循环中的容量-电压曲线),进行预处理和特征工程后得到容量特征,然后将容量特征输入电池剩余使用寿命预测器,并通过电池剩余使用寿命预测器输出剩余使用寿命预测结果。
根据本发明实施例的电池剩余使用寿命预测方法,通过对多个样本电池进行充放电实验以获取样本电池的老化特性数据,并构建CNN和LSTM的组合模型,基于所获取的老化特性数据对CNN和LSTM的组合模型进行训练,得到电池剩余使用寿命预测器,最后以电池剩余使用寿命预测器对待预测电池的使用寿命进行预测,由此,能够准确地预测电池的剩余使用寿命。
对应上述实施例的电池剩余使用寿命预测方法,本发明还提出一种电池剩余使用寿命预测装置。
如图6所示,本发明实施例的电池剩余使用寿命预测装置包括第一数据获取模块10、第二数据获取模块20、数据处理模块30、模型构建模块40、模型训练模块50和预测模块60。其中,第一数据获取模块10用于对多个样本电池进行充放电实验,获取每个样本电池多次充放电循环的实验数据;第二数据获取模块20用于根据每个样本电池多次充放电循环的实验数据获取每个样本电池的老化特性数据;数据处理模块30用于对每个样本电池的老化特性数据进行预处理和特征工程,以所选择的特征构成数据集,并将数据集分为训练集和测试集;模型构建模块40用于构建CNN和LSTM的组合模型,其中,CNN去除了全连接层,输出为一维的特征向量,CNN的输出作为LSTM的输入;模型训练模块50用于通过训练集对CNN和LSTM的组合模型进行训练,以得到电池剩余使用寿命预测器,并通过测试集对电池剩余使用寿命预测器进行测试;预测模块60用于通过模型训练模块50最终得到的电池剩余使用寿命预测器对待预测电池的剩余使用寿命进行预测。
在本发明的一个具体实施例中,可对124个商用磷酸铁锂/石墨A123APR18650M1A电池进行循环的充放电测试。每个样本电池的额定容量为1.1Ah,额定电压3.3V。所有样本电池均被置于30℃的恒温箱内进行大倍率的充放电实验。样本电池采用备选的不同快速充电模式进行充电,并采用相同的放电模式。样本电池在从0%充电至80%SOC的过程选择72种一步或是两步充电策略中的一种。其中一步指的是在给定SOC区间采用固定的充电电流大小。例如一种两步充电策略可分为以6C的倍率从0%SOC充电至50%SOC,接着以4C充电至80%SOC,72种充电策略为各种倍率的组合。1C为样本电池从额定容量在1小时内完全放电的电流大小,在该样本电池上为1.1A。在80%SOC至100%SOC区间,所有样本电池均采用相同的恒流恒压(CC-CV)充电模式,以1C充电至3.6V,接着恒压充电至截止电流C/50。所有样本电池均以CC-CV模式放电,以4C放电至2.0V,放电截止电流为C/50。在测试过程中记录样本电池的端电压、电流、温度等数据。电池的放电容量可根据电流与时间计算。
在本发明的一个实施例中,每个样本电池在放电容量衰减至额定容量的预设百分比时终止该样本电池的充放电实验。例如,当样本电池的容量衰减至额定容量的80%时终止测试。每个样本电池终止测试时的总的充放电循环次数可以表征该样本电池的寿命。
在本发明的一个实施例中,老化特性数据包括样本电池在不同充放电循环中的容量-电压曲线,即Q(V)曲线。如图2所示,图中从左至右依次为充放电循环次数cycle为10、100~900所对应的曲线,可以看出在电压一定的前提下,容量与充放电循环次数有明显的相关性。因此本发明实施例采用容量-电压曲线作为老化特性数据。
数据的预处理包括去掉无用数据和数据归一化,特征工程所选择的特征为每次充放电循环中预设电压所对应的容量,其中,预设电压为多个。应当理解的是,预设电压越多,特征所对应的特征向量的长度越长,即元素越多。
以将3.5V~2.0V的电压等间隔地划分出N个电压值为例,则预设电压表示为V1~VN,某一次充放电循环所对应的特征为[Q1,Q2,...,QN],是一维特征,其中,Qi为Vi处的容量,1≤i≤N。在本发明的一个具体实施例中,N可取1000。
在本发明的一个实施例中,数据集中的数据可以表示为:
其中,t表示充放电循环次数,t=1,2…n,n为样本电池总的充放电循环次数,输入为取自容量特征的长度为k-i+1的片段,输出RULt为电池在第t次循环的剩余寿命。即该数据为某一样本电池在第t次循环所对应的数据。
在本发明的一个具体实施例中,数据集中共包括40个样本电池的特征数据。可随机选取8个样本电池的特征数据作为测试集,剩下的32个样本电池的特征数据作为训练集。
本发明实施例中的CNN去除了全连接层,输出为一维的特征向量,其结构如图3所示,LSTM的结构如图4所示。本发明实施例将去除了全连接层后的CNN的输出作为LSTM的输入,即去除了全连接层后的CNN与LSTM串联构成组合模型。
LSTM是一类面向时间序列数据集模式识别的神经网络。LSTM引入输入门、遗忘门、输出门分别控制神经网络各部分的信息流动,决定当前输入和上一时刻的记忆状态对当前的输出和记忆状态的影响。LSTM中每个门函数和状态转移过程的计算公式为:
it=σ(Wxixt+Whiht-1+bi)
ft=s(Wxfxt+Whfht-1+bf)
ot=σ(Wxoxt+Whoht-1+bo)
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ht=ot·tanh(ct)
其中,t时刻的输入xt为CNN输出的电池在第t次循环的状态特征,ht-1为t-1次循环的网络输出,ht为当前第t次循环的输出,ht通过全连接层计算出电池的剩余寿命。σ为sigmoid函数,i,f,o,c分别为输入门,遗忘门,输出门和记忆单元。W和b为网络参数,通过最小化损失函数进行更新。
本发明实施例以一维的特征作为模型的输入,能够有效降低模型的大小,同时减少训练时间。
模型训练模块50的训练过程可参照图5,在通过数据处理模块30选择出特征后,以包含所选特征的训练集对CNN和LSTM的组合模型进行训练,并经测试集对训练结果进行测试,最终得到可用的电池剩余使用寿命预测器。
在完成模型的训练后,通过训练好的模型,即电池剩余使用寿命预测器,可实现对待预测电池剩余使用寿命的预测。具体地,预测模块60可根据待预测电池的历史充放电数据(包括每次充放电循环中的容量-电压曲线),进行预处理和特征工程后得到容量特征,然后将容量特征输入电池剩余使用寿命预测器,并通过电池剩余使用寿命预测器输出剩余使用寿命预测结果。
根据本发明实施例的电池剩余使用寿命预测装置,通过对多个样本电池进行充放电实验以获取样本电池的老化特性数据,并构建CNN和LSTM的组合模型,基于所获取的老化特性数据对CNN和LSTM的组合模型进行训练,得到电池剩余使用寿命预测器,最后以电池剩余使用寿命预测器对待预测电池的使用寿命进行预测,由此,能够准确地预测电池的剩余使用寿命。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种电池剩余使用寿命预测方法,其特征在于,包括以下步骤:
S1,对多个样本电池进行充放电实验,获取每个所述样本电池多次充放电循环的实验数据;
S2,根据每个所述样本电池多次充放电循环的实验数据获取每个所述样本电池的老化特性数据;
S3,对每个所述样本电池的老化特性数据进行预处理和特征工程,以所选择的特征构成数据集,并将所述数据集分为训练集和测试集;
S4,构建CNN和LSTM的组合模型,其中,所述CNN去除了全连接层,输出为一维的特征向量,所述CNN的输出作为所述LSTM的输入;
S5,通过所述训练集对所述CNN和LSTM的组合模型进行训练,以得到电池剩余使用寿命预测器,并通过所述测试集对所述电池剩余使用寿命预测器进行测试;
S6,通过步骤S5最终得到的电池剩余使用寿命预测器对待预测电池的剩余使用寿命进行预测。
2.根据权利要求1所述的电池剩余使用寿命预测方法,其特征在于,所述实验数据包括所述样本电池的端电压和电流。
3.根据权利要求2所述的电池剩余使用寿命预测方法,其特征在于,所述老化特性数据包括所述样本电池在不同充放电循环中的容量-电压曲线。
4.根据权利要求3所述的电池剩余使用寿命预测方法,其特征在于,每个所述样本电池在放电容量衰减至额定容量的预设百分比时终止该样本电池的充放电实验。
5.根据权利要求4所述的电池剩余使用寿命预测方法,其特征在于,所述数据集中的特征为每次充放电循环中预设电压所对应的容量,其中,所述预设电压为多个。
6.一种电池剩余使用寿命预测装置,其特征在于,包括:
第一数据获取模块,所述第一数据获取模块用于对多个样本电池进行充放电实验,获取每个所述样本电池多次充放电循环的实验数据;
第二数据获取模块,所述第二数据获取模块用于根据每个所述样本电池多次充放电循环的实验数据获取每个所述样本电池的老化特性数据;
数据处理模块,所述数据处理模块用于对每个所述样本电池的老化特性数据进行预处理和特征工程,以所选择的特征构成数据集,并将所述数据集分为训练集和测试集;
模型构建模块,所述模型构建模块用于构建CNN和LSTM的组合模型,其中,所述CNN去除了全连接层,输出为一维的特征向量,所述CNN的输出作为所述LSTM的输入;
模型训练模块,所述模型训练模块用于通过所述训练集对所述CNN和LSTM的组合模型进行训练,以得到电池剩余使用寿命预测器,并通过所述测试集对所述电池剩余使用寿命预测器进行测试;
预测模块,所述预测模块用于通过所述模型训练模块最终得到的电池剩余使用寿命预测器对待预测电池的剩余使用寿命进行预测。
7.根据权利要求6所述的电池剩余使用寿命预测装置,其特征在于,所述实验数据包括所述样本电池的端电压和电流。
8.根据权利要求7所述的电池剩余使用寿命预测装置,其特征在于,所述老化特性数据包括所述样本电池的放电容量随充放电循环次数变化的特性和所述样本电池在不同充放电循环中的容量-电压曲线。
9.根据权利要求8所述的电池剩余使用寿命预测装置,其特征在于,每个所述样本电池在放电容量衰减至额定容量的预设百分比时终止该样本电池的充放电实验。
10.根据权利要求9所述的电池剩余使用寿命预测装置,其特征在于,所述数据集中的特征为每次充放电循环中预设电压所对应的容量,其中,所述预设电压为多个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210372160.3A CN114839553A (zh) | 2022-04-11 | 2022-04-11 | 电池剩余使用寿命预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210372160.3A CN114839553A (zh) | 2022-04-11 | 2022-04-11 | 电池剩余使用寿命预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114839553A true CN114839553A (zh) | 2022-08-02 |
Family
ID=82564092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210372160.3A Pending CN114839553A (zh) | 2022-04-11 | 2022-04-11 | 电池剩余使用寿命预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114839553A (zh) |
-
2022
- 2022-04-11 CN CN202210372160.3A patent/CN114839553A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
US10393819B2 (en) | Method and apparatus for estimating state of battery | |
EP4019321B1 (en) | Battery managing method and device, and vehicle | |
Lashway et al. | Adaptive battery management and parameter estimation through physics-based modeling and experimental verification | |
CN110031764B (zh) | 估计动力电池的目标充电量的方法、装置及相应的车辆 | |
CN107329094A (zh) | 动力电池健康状态估算方法及装置 | |
CN103424710A (zh) | 用于监测电池组中的老化单体的性能变化的方法和系统 | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
US11913996B2 (en) | Estimation device, estimation method, and computer program | |
CN112151915B (zh) | 动力电池变频加热方法、装置和电动交通工具 | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
JP7231657B2 (ja) | 電池制御装置 | |
Park et al. | Capacity estimation of Li-ion batteries using constant current charging voltage with multilayer perceptron | |
CN112580289A (zh) | 一种混合电容器功率状态在线估计方法及系统 | |
CN112630658A (zh) | 一种蓄电池寿命损耗评估方法和系统 | |
CN115639480B (zh) | 一种电池健康状态的检测方法及装置 | |
KR101745633B1 (ko) | 기준 셀의 순차 연결을 이용한 셀 밸런싱 장치 및 방법 | |
JP2020079764A (ja) | 二次電池の状態判定方法 | |
CN114839553A (zh) | 电池剩余使用寿命预测方法和装置 | |
JP7169917B2 (ja) | 二次電池の制御装置及び二次電池の制御方法 | |
Banaei et al. | Online detection of terminal voltage in Li-ion batteries via battery impulse response | |
Zheng et al. | State of power and state of charge estimation of vanadium redox flow battery based on an online equivalent circuit model | |
KR20220012747A (ko) | 배터리를 진단하기 위한 장치 및 그 방법 | |
Wang et al. | Design fuzzy SOC estimation for sealed lead-acid batteries of electric vehicles in Reflex TM | |
Calasanzio et al. | Fast charging of lead/acid batteries |
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 |