CN115598557B - 一种基于恒压充电电流的锂电池soh估计方法 - Google Patents

一种基于恒压充电电流的锂电池soh估计方法 Download PDF

Info

Publication number
CN115598557B
CN115598557B CN202211033008.9A CN202211033008A CN115598557B CN 115598557 B CN115598557 B CN 115598557B CN 202211033008 A CN202211033008 A CN 202211033008A CN 115598557 B CN115598557 B CN 115598557B
Authority
CN
China
Prior art keywords
data set
soh
lithium battery
voltage charging
battery
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
CN202211033008.9A
Other languages
English (en)
Other versions
CN115598557A (zh
Inventor
梁子康
陈思哲
杨苓
许方圆
章云
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 CN202211033008.9A priority Critical patent/CN115598557B/zh
Publication of CN115598557A publication Critical patent/CN115598557A/zh
Application granted granted Critical
Publication of CN115598557B publication Critical patent/CN115598557B/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
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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
    • 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)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于恒压充电电流的锂电池SOH估计方法，所述方法包括：对锂电池进行循环充放电测试，采集锂电池在进入恒压充电阶段的全过程充电电流数据，构建原始数据集Dori；对原始数据集进行数据预处理，构建特征数据集Df；对特征数据集Df进行相关系数分析，构建高相关性特征数据集Dhigh；搭建LSTM神经网络模型，训练网络模型；锂电池健康状态在线实时估计。本发明从恒压充电阶段提取特征，对起始电压和充电电流大小无特殊要求。通过使用统计方法对恒压充电阶段的充电电流进行数据处理，并进行相关系数法筛选，所获得的特征与SOH高度相关，有效保障了估计精度。本发明解决了现有方法中特征使用条件受限带来的实施困难与估计精度受影响问题。

Description

一种基于恒压充电电流的锂电池SOH估计方法
技术领域
本发明涉及电池储能技术领域，具体涉及一种基于恒压充电电流的锂电池SOH估计方法。
背景技术
随着传统能源减少和“双碳”目标的提出，电动汽车的使用越来越普遍，SOH是电动汽车中锂电池的重要参数，准确估计SOH可以及时了解电动汽车的续航里程和更换相关电池，降低安全事故发生的风险，所以准确估计SOH具有重要意义。
现有数据驱动的电池SOH估计方法大致流程为：获取电池运行数据，进行特征提取，输入智能算法模型，得到SOH估计值。其中。特征提取环节决定了一种方法在实际应用中的可行性和估计精度上限。现有特征提取方法，提取的特征一般包括：恒流充电过程中的部分电压区间时间变化量、部分电压区间温度变化量、容量增量曲线峰值的大小和位置。在车用场景和储能装置中电池的充电起始电压具有很强的随机性，当电池充电过程未能完全经过指定电压区间时，估计精度会受到严重影响。同时，容量增量曲线方法在充电电流较大时无法获得峰值信息。
发明内容
本发明为克服上述现有锂电池SOH估计方法面临的使用条件受限的问题，提出了一种基于恒压充电电流的锂电池SOH估计方法。
本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
S1：对K个锂电池进行循环充放电测试获取数据，在每轮循环测试中，采用恒流恒压充电方式并采集锂电池在进入恒压充电阶段的全过程充电电流数据，构建原始数据集Dori，放电阶段根据所述锂电池的总放电容量计算该循环的电池SOH；
S2：对步骤S1所构建的原始数据集Dori进行数据预处理，计算所述锂电池恒压充电阶段的充电电流的最大值、最小值、平均值、标准差、偏度和峰度，并作为特征，将步骤S1所获得的电池SOH值作为标签，组成特征数据集Df，并进行归一化处理；
S3：对步骤S2所获得的特征数据集Df中的每个特征与SOH进行相关系数分析，保留相关系数大于0.6的特征，构建高相关性特征数据集Dhigh；
S4：在高相关性特征数据集Dhigh中，将N(N＜K)个锂电池的特征数据构建训练集，将剩余锂电池的特征数据构建测试集，搭建长短期记忆(LSTM)神经网络模型；
S5：将步骤S4中的训练集输入到LSTM模型中进行训练；
S6：将步骤S5中的测试集输入到步骤S5所训练好的模型中进行性能检验，若模型性能符合要求，则将模型保存并导入到电池管理系统，反之则重复步骤S5重新训练模型；
S7：在锂电池进入恒压充电阶段时，根据步骤S1所述方法采集该电池在恒压充电阶段的全过程充电电流数据，在恒压充电阶段结束后采用步骤S2至S3所述方法，对所采集到的电流数据进行数据预处理，得到步骤S3所述的高相关性特征数据集Dhigh对应的特征，输入到步骤S6所述的LSTM模型中，估计所述电池的SOH。
步骤S1所述的原始数据集Dori构建方法如下：
S1-1：针对所有K个锂电池，对每个锂电池都进行循环充放电测试，采用恒流恒压充电作为充电方式，每轮循环测试中，实时采集所述电池在恒压充电阶段的全过程充电电流数据构建电流数据集，其中第k个锂电池第m轮循环的恒压充电电流数据集，共包含T个采样时刻，具体形式如下：
Ik,m＝[Ik,m,1,Ik,m,2,…,Ik,m,t,…,Ik,m,T]
其中，Ik,m,t表示第k个锂电池第m轮循环的第t个采样时刻的恒压充电电流值；
S1-2：在每轮循环的放电阶段，根据总放电容量获取电池的SOH作为标签值，当电池的SOH低于70％时，停止测试，SOH的计算方法具体如下：
其中，Cnow表示电池在当前循环的总放电容量，Cfresh表示电池出厂时的标称容量；
S1-3：根据步骤S1-1和步骤S1-2所获取的恒压充电电流数据，构建原始数据集Dori，具体形式如下：
其中，Dk表示第k个锂电池对应的原始数据集，共包含M轮循环，具体形式如下：
步骤S2所述的特征数据集Df构建方法如下：
S2-1：针对所有K个锂电池，根据步骤S1所采集的原始数据集Dori，对每一个锂电池每一轮循环的恒压充电电流数据集都计算其最大值、最小值、平均值，其中第k个锂电池第m轮循环的恒压充电电流的最大值记为Ik,m,max，最小值记为Ik,m,min，平均值记为Ik,m,mean；
S2-2：根据步骤S1所采集的原始数据集Dori，对每一轮循环的恒压充电电流数据集都计算其标准差，对于第k个锂电池第m轮循环的恒压充电电流的标准差计算公式为：
S2-3：根据步骤S1所采集的原始数据集Dori，对每一轮循环的恒压充电电流数据集都计算其偏度，对于第k个锂电池第m轮循环的恒压充电电流的偏度计算公式为：
S2-4：根据步骤S1所采集的原始数据集Dori，对每一轮循环的恒压充电电流数据集都计算其峰度，对于第k个锂电池第m轮循环的恒压充电电流的峰度计算公式为：
S2-5：将步骤S2-1至步骤S2-4所获得的每一轮循环的最大值、最小值、平均值、标准差、偏度和峰度作为特征，与步骤S1获得的每一轮循环的电池SOH标签值合并，组成特征数据集Df，并进行归一化处理，得到特征数据集Df的形式如下：
其中，Df,k表示第k个锂电池对应的特征数据集，具体形式如下：
其中，Df,k,m表示第k个锂电池第m轮循环对应的特征数据，具体形式如下：
Df,k,m＝[Ik,m,max,Ik,m,min,Ik,m,mean,Ik,m,std,Ik,m,kur,Ik,m,skew,SOHk,m]。
步骤S3所述的高相关性特征数据集Dhigh构建方法：
S3-1：根据步骤S2获得的特征数据集Df，计算每一个锂电池的每个特征与电池SOH之间的皮尔逊相关系数，对于第k个锂电池的第i个特征，其具体计算方式如下：
其中，xk,m,i表示第k个锂电池第m轮循环中第i个特征的值，xk,i,mean表示第k个锂电池共M轮循环中第i个特征的平均值，SOHk,m表示第k个锂电池第m轮循环中的电池SOH值，SOHk,mean表示第k个锂电池共M轮循环中电池SOH的平均值；
S3-2：保留步骤S3-1中相关系数大于0.6的特征，构建高相关性特征数据集Dhigh。
步骤S4所述的数据集划分和搭建LSTM模型，具体步骤如下：
S4-1：在高相关性特征数据集Dhigh中，将N(N＜K)个锂电池的特征数据构建训练集，将剩余锂电池的特征数据构建测试集；
S4-2：搭建长短期记忆(LSTM)神经网络模型，所述LSTM模型由输入层、隐藏层和输出层构成，输入层的神经元个数设置为步骤S3所获得的高相关性特征数据集Dhigh的特征个数，隐藏层由LSTM神经元层、Dropout层和全连接层组成，输出层的神经元个数设置为1，输出结果为LSTM模型估计的SOH值；
S4-3：设置LSTM神经元个数和全连接层神经元个数，设定网络模型的迭代次数和学习率，随机初始化LSTM模型的各神经元层的权重和偏差函数；
S4-4：采用均方根误差RMSE和平均绝对误差MAE作为LSTM模型的性能指标，均方根误差RMSE的计算公式如下：
其中，SOHreal(m)表示第m轮循环中SOH的实际值，SOHpre(m)表示第m轮循环中SOH的估计值，平均绝对误差MAE的计算公式如下：
步骤S6所述检验LSTM模型性能的具体步骤如下：
S6-1：将步骤S4中的测试集输入到步骤S5所训练好的模型中；
S6-2：将步骤S6-1中模型输出的SOH估计值与实际值进行比较，若SOH估计值与实际值之间均方根误差和平均绝对误差在一定范围内，则视为LSTM模型性能符合要求，反之重复步骤S5重新训练模型。
步骤S7所述估计锂电池SOH的具体步骤如下：
S7-1：将步骤S6获得的LSTM模型导入到电池管理系统中；
S7-2：电池管理系统实时监测所有锂电池运行状态，当监测到某个锂电池进入恒压充电阶段时，根据步骤S1所述方法采集该电池在恒压充电阶段的全过程充电电流数据，并构建一条原始数据样本，在恒压充电阶段结束后，采用步骤S2所述方法从原始数据样本中获取特征，然后采用步骤S3所述方法对特征进行筛选，得到高相关性特征；
S7-3：将步骤S7-2所获得的高相关性特征输入到步骤S6所获得的LSTM模型中，估计所述电池的SOH。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出的电池SOH估计方法，其应用环境是较为稳定的充电工况，而且是从恒流恒压充电过程中必须经过的恒压充电阶段中提取特征，不受起始充电电压随机性的影响，且对充电电流大小无特殊要求。通过使用统计方法对恒压充电阶段的充电电流进行数据处理，所获得的特征与电池SOH高度相关，可以有效保证估计精度。本发明解决了现有数据驱动的电池SOH估计方法中特征使用条件受限导致的场景适用性问题。
附图说明
图1为本发明提出的一种基于恒压充电电流的锂电池SOH估计方法流程图。
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结合。
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。
在一个具体的实施例中，如图1所示，一种基于恒压充电电流的锂电池SOH估计方法，包括以下步骤：
S1：对K个锂电池进行循环充放电测试获取数据，在每轮循环测试中，采用恒流恒压充电方式并采集锂电池在进入恒压充电阶段的全过程充电电流数据，构建原始数据集Dori，放电阶段根据所述锂电池的总放电容量计算该循环的电池SOH；
S2：对步骤S1所构建的原始数据集Dori进行数据预处理，计算所述锂电池恒压充电阶段的充电电流的最大值、最小值、平均值、标准差、偏度和峰度，并作为特征，将步骤S1所获得的电池SOH值作为标签，组成特征数据集Df，并进行归一化处理；
S3：对步骤S2所获得的特征数据集Df中的每个特征与SOH进行相关系数分析，保留相关系数大于0.6的特征，构建高相关性特征数据集Dhigh；
S4：在高相关性特征数据集Dhigh中，将N(N＜K)个锂电池的特征数据构建训练集，将剩余锂电池的特征数据构建测试集，搭建长短期记忆(LSTM)神经网络模型；
S5：将步骤S4中的训练集输入到LSTM模型中进行训练；
S6：将步骤S5中的测试集输入到步骤S5所训练好的模型中进行性能检验，若模型性能符合要求，则将模型保存并导入到电池管理系统，反之则重复步骤S5重新训练模型；
S7：在锂电池进入恒压充电阶段时，根据步骤S1所述方法采集该电池在恒压充电阶段的全过程充电电流数据，在恒压充电阶段结束后采用步骤S2至S3所述方法，对所采集到的电流数据进行数据预处理，得到步骤S3所述的高相关性特征数据集Dhigh对应的特征，输入到步骤S6所述的LSTM模型中，估计所述电池的SOH。
步骤S1所述的原始数据集Dori构建方法如下：
S1-1：针对所有K个锂电池，对每个锂电池都进行循环充放电测试，采用恒流恒压充电作为充电方式，每轮循环测试中，实时采集所述电池在恒压充电阶段的全过程充电电流数据构建电流数据集，其中第k个锂电池第m轮循环的恒压充电电流数据集，共包含T个采样时刻，具体形式如下：
Ik,m＝[Ik,m,1,Ik,m,2,…,Ik,m,t,…,Ik,m,T]
其中，Ik,m,t表示第k个锂电池第m轮循环的第t个采样时刻的恒压充电电流值；
S1-2：在每轮循环的放电阶段，根据总放电容量获取电池的SOH作为标签值，当电池的SOH低于70％时，停止测试，SOH的计算方法具体如下：
其中，Cnow表示电池在当前循环的总放电容量，Cfresh表示电池出厂时的标称容量；
S1-3：根据步骤S1-1和步骤S1-2所获取的恒压充电电流数据，构建原始数据集Dori，具体形式如下：
其中，Dk表示第k个锂电池对应的原始数据集，共包含M轮循环，具体形式如下：
步骤S2所述的特征数据集Df构建方法如下：
S2-1：针对所有K个锂电池，根据步骤S1所采集的原始数据集Dori，对每一个锂电池每一轮循环的恒压充电电流数据集都计算其最大值、最小值、平均值，其中第k个锂电池第m轮循环的恒压充电电流的最大值记为Ik,m,max，最小值记为Ik,m,min，平均值记为Ik,m,mean；
S2-2：根据步骤S1所采集的原始数据集Dori，对每一轮循环的恒压充电电流数据集都计算其标准差，对于第k个锂电池第m轮循环的恒压充电电流的标准差计算公式为：
S2-3：根据步骤S1所采集的原始数据集Dori，对每一轮循环的恒压充电电流数据集都计算其偏度，对于第k个锂电池第m轮循环的恒压充电电流的偏度计算公式为：
S2-4：根据步骤S1所采集的原始数据集Dori，对每一轮循环的恒压充电电流数据集都计算其峰度，对于第k个锂电池第m轮循环的恒压充电电流的峰度计算公式为：
S2-5：将步骤S2-1至步骤S2-4所获得的每一轮循环的最大值、最小值、平均值、标准差、偏度和峰度作为特征，与步骤S1获得的每一轮循环的电池SOH标签值合并，组成特征数据集Df，并进行归一化处理，得到特征数据集Df的形式如下：
其中，Df,k表示第k个锂电池对应的特征数据集，具体形式如下：
其中，Df,k,m表示第k个锂电池第m轮循环对应的特征数据，具体形式如下：
Df,k,m＝[Ik,m,max,Ik,m,min,Ik,m,mean,Ik,m,std,Ik,m,kur,Ik,m,skew,SOHk,m]。
步骤S3所述的高相关性特征数据集Dhigh构建方法：
S3-1：根据步骤S2获得的特征数据集Df，计算每一个锂电池的每个特征与电池SOH之间的皮尔逊相关系数，对于第k个锂电池的第i个特征，其具体计算方式如下：
其中，xk,m,i表示第k个锂电池第m轮循环中第i个特征的值，xk,i,mean表示第k个锂电池共M轮循环中第i个特征的平均值，SOHk,m表示第k个锂电池第m轮循环中的电池SOH值，SOHk,mean表示第k个锂电池共M轮循环中电池SOH的平均值；
S3-2：保留步骤S3-1中相关系数大于0.6的特征，构建高相关性特征数据集Dhigh。
步骤S4所述的数据集划分和搭建LSTM模型，具体步骤如下：
S4-1：在高相关性特征数据集Dhigh中，将N(N＜K)个锂电池的特征数据构建训练集，将剩余锂电池的特征数据构建测试集；
S4-2：搭建长短期记忆(LSTM)神经网络模型，所述LSTM模型由输入层、隐藏层和输出层构成，输入层的神经元个数设置为步骤S3所获得的高相关性特征数据集Dhigh的特征个数，隐藏层由LSTM神经元层、Dropout层和全连接层组成，输出层的神经元个数设置为1，输出结果为LSTM模型估计的SOH值；
S4-3：设置LSTM神经元个数和全连接层神经元个数，设定网络模型的迭代次数和学习率，随机初始化LSTM模型的各神经元层的权重和偏差函数；
S4-4：采用均方根误差RMSE和平均绝对误差MAE作为LSTM模型的性能指标，均方根误差RMSE的计算公式如下：
其中，SOHreal(m)表示第m轮循环中SOH的实际值，SOHpre(m)表示第m轮循环中SOH的估计值，平均绝对误差MAE的计算公式如下：
步骤S6所述检验LSTM模型性能的具体步骤如下：
S6-1：将步骤S4中的测试集输入到步骤S5所训练好的模型中；
S6-2：将步骤S6-1中模型输出的SOH估计值与实际值进行比较，若SOH估计值与实际值之间均方根误差和平均绝对误差在一定范围内，则视为LSTM模型性能符合要求，反之重复步骤S5重新训练模型。
步骤S7所述估计锂电池SOH的具体步骤如下：
S7-1：将步骤S6获得的LSTM模型导入到电池管理系统中；
S7-2：电池管理系统实时监测所有锂电池运行状态，当监测到某个锂电池进入恒压充电阶段时，根据步骤S1所述方法采集该电池在恒压充电阶段的全过程充电电流数据，并构建一条原始数据样本，在恒压充电阶段结束后，采用步骤S2所述方法从原始数据样本中获取特征，然后采用步骤S3所述方法对特征进行筛选，得到高相关性特征；
S7-3：将步骤S7-2所获得的高相关性特征输入到步骤S6所获得的LSTM模型中，估计所述电池的SOH。

Claims (5)

1.一种基于恒压充电电流的锂电池SOH估计方法，应用环境为稳定的充电工况，其特征在于，具体步骤如下：
S1：对K个锂电池进行循环充放电测试获取数据，在每轮循环测试中，采用恒流恒压充电方式并采集锂电池在进入恒压充电阶段的全过程充电电流数据，构建原始数据集Dori，放电阶段根据所述锂电池的总放电容量计算该循环的电池SOH；
步骤S1所述的原始数据集Dori构建方法如下：
S1-1：针对所有K个锂电池，对每个锂电池都进行循环充放电测试，采用恒流恒压充电作为充电方式，每轮循环测试中，实时采集所述电池在恒压充电阶段的全过程充电电流数据构建电流数据集，其中第k个锂电池第m轮循环的恒压充电电流数据集，共包含T个采样时刻，具体形式如下：
Ik,m＝[Ik,m,1,Ik,m,2,...,Ik,m,t,…,Ik,m,T]
其中，Ik,m,t表示第k个锂电池第m轮循环的第t个采样时刻的恒压充电电流值；
S1-2：在每轮循环的放电阶段，根据总放电容量获取电池的SOH作为标签值，当电池的SOH低于70％时，停止测试，SOH的计算方法具体如下：
其中，Cnow表示电池在当前循环的总放电容量，Cfresh表示电池出厂时的标称容量；
S1-3：根据步骤S1-1和步骤S1-2所获取的恒压充电电流数据，构建原始数据集Dori，具体形式如下：
其中，Dk表示第k个锂电池对应的原始数据集，共包含M轮循环，具体形式如下：
S2：对步骤S1所构建的原始数据集Dori进行数据预处理，计算所述锂电池恒压充电阶段的充电电流的最大值、最小值、平均值、标准差、偏度和峰度，并作为特征，将步骤S1所获得的电池SOH值作为标签，组成特征数据集Df，并进行归一化处理；
步骤S2所述的特征数据集Df构建方法如下：
S2-1：针对所有K个锂电池，根据步骤S1所采集的原始数据集Dori，对每一个锂电池每一轮循环的恒压充电电流数据集都计算其最大值、最小值、平均值，其中第k个锂电池第m轮循环的恒压充电电流的最大值记为Ik,m,max，最小值记为Ik,m,min，平均值记为Ik,m,mean；
S2-2：根据步骤S1所采集的原始数据集Dori，对每一轮循环的恒压充电电流数据集都计算其标准差，对于第k个锂电池第m轮循环的恒压充电电流的标准差计算公式为：
S2-3：根据步骤S1所采集的原始数据集Dori，对每一轮循环的恒压充电电流数据集都计算其偏度，对于第k个锂电池第m轮循环的恒压充电电流的偏度计算公式为：
S2-4：根据步骤S1所采集的原始数据集Dori，对每一轮循环的恒压充电电流数据集都计算其峰度，对于第k个锂电池第m轮循环的恒压充电电流的峰度计算公式为：
S2-5：将步骤S2-1至步骤S2-4所获得的每一轮循环的最大值、最小值、平均值、标准差、偏度和峰度作为特征，与步骤S1获得的每一轮循环的电池SOH标签值合并，组成特征数据集Df，并进行归一化处理，得到特征数据集Df的形式如下：
其中，Df,k表示第k个锂电池对应的特征数据集，具体形式如下：
其中，Df,k,m表示第k个锂电池第m轮循环对应的特征数据，具体形式如下：
Df,k,m＝[Ik,m,max,Ik,m,min,Ik,m,mean,Ik,m,std,Ik,m,kur,Ik,m,skew,SOHk,m]；
S3：对步骤S2所获得的特征数据集Df中的每个特征与SOH进行相关系数分析，保留相关系数大于0.6的特征，构建高相关性特征数据集Dhigh；
S4：在高相关性特征数据集Dhigh中，将N(N＜K)个锂电池的特征数据构建训练集，将剩余锂电池的特征数据构建测试集，搭建长短期记忆(LSTM)神经网络模型；
S5：将步骤S4中的训练集输入到LSTM模型中进行训练；
S6：将步骤S4中的测试集输入到步骤S5所训练好的模型中进行性能检验，若模型性能符合要求，则将模型保存并导入到电池管理系统，反之则重复步骤S5重新训练模型；
S7：在锂电池进入恒压充电阶段时，根据步骤S1的方法采集该电池在恒压充电阶段的全过程充电电流数据，在恒压充电阶段结束后采用步骤S2至S3的方法，对所采集到的电流数据进行数据预处理，得到步骤S3所述的高相关性特征数据集Dhigh对应的特征，输入到步骤S6所述的模型中，估计所述电池的SOH。
2.根据权利要求1所述的一种基于恒压充电电流的锂电池SOH估计方法，其特征在于，步骤S3所述的高相关性特征数据集Dhigh构建方法：
S3-1：根据步骤S2获得的特征数据集Df，计算每一个锂电池的每个特征与电池SOH之间的皮尔逊相关系数，对于第k个锂电池的第i个特征，其具体计算方式如下：
其中，xk,m,i表示第k个锂电池第m轮循环中第i个特征的值，xk,i,mean表示第k个锂电池共M轮循环中第i个特征的平均值，SOHk,m表示第k个锂电池第m轮循环中的电池SOH值，SOHk,mean表示第k个锂电池共M轮循环中电池SOH的平均值；
S3-2：保留步骤S3-1中相关系数大于0.6的特征，构建高相关性特征数据集Dhigh。
3.根据权利要求1所述的一种基于恒压充电电流的锂电池SOH估计方法，其特征在于，步骤S4的数据集划分和搭建LSTM模型，具体步骤如下：
S4-1：在高相关性特征数据集Dhigh中，将N(N＜K)个锂电池的特征数据构建训练集，将剩余锂电池的特征数据构建测试集；
S4-2：搭建长短期记忆(LSTM)神经网络模型，所述模型由输入层、隐藏层和输出层构成，输入层的神经元个数设置为步骤S3所获得的高相关性特征数据集Dhigh的特征个数，隐藏层由LSTM神经元层、Dropout层和全连接层组成，输出层的神经元个数设置为1，输出结果为LSTM模型估计的SOH值；
S4-3：设置LSTM神经元层神经元个数和全连接层神经元个数，设定网络模型的迭代次数和学习率，随机初始化LSTM模型的各神经元层的权重和偏差函数；
S4-4：采用均方根误差RMSE和平均绝对误差MAE作为LSTM模型的性能指标，均方根误差RMSE的计算公式如下：
其中，SOHreal(m)表示第m轮循环中SOH的实际值，SOHpre(m)表示第m轮循环中SOH的估计值，平均绝对误差MAE的计算公式如下：
4.根据权利要求1所述的一种基于恒压充电电流的锂电池SOH估计方法，其特征在于，步骤S6检验LSTM模型性能的具体步骤如下：
S6-1：将步骤S4中的测试集输入到步骤S5所训练好的模型中；
S6-2：将步骤S6-1中模型输出的SOH估计值与实际值进行比较，若SOH估计值与实际值之间均方根误差和平均绝对误差在一定范围内，则视为LSTM模型性能符合要求，反之重复步骤S5重新训练模型。
5.根据权利要求1所述的一种基于恒压充电电流的锂电池SOH估计方法，其特征在于，步骤S7估计锂电池SOH的具体步骤如下：
S7-1：将步骤S6获得的LSTM模型导入到电池管理系统中；
S7-2：电池管理系统实时监测所有锂电池运行状态，当监测到某个锂电池进入恒压充电阶段时，根据步骤S1的方法采集该电池在恒压充电阶段的全过程充电电流数据，并构建一条原始数据样本，在恒压充电阶段结束后，采用步骤S2的方法从原始数据样本中获取特征，然后采用步骤S3的方法对特征进行筛选，得到高相关性特征；
S7-3：将步骤S7-2所获得的高相关性特征输入到步骤S6所获得的LSTM模型中，估计所述电池的SOH。
CN202211033008.9A 2022-08-26 2022-08-26 一种基于恒压充电电流的锂电池soh估计方法 Active CN115598557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211033008.9A CN115598557B (zh) 2022-08-26 2022-08-26 一种基于恒压充电电流的锂电池soh估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211033008.9A CN115598557B (zh) 2022-08-26 2022-08-26 一种基于恒压充电电流的锂电池soh估计方法

Publications (2)

Publication Number Publication Date
CN115598557A CN115598557A (zh) 2023-01-13
CN115598557B true CN115598557B (zh) 2023-08-25

Family

ID=84843472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211033008.9A Active CN115598557B (zh) 2022-08-26 2022-08-26 一种基于恒压充电电流的锂电池soh估计方法

Country Status (1)

Country Link
CN (1) CN115598557B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117214751B (zh) * 2023-09-12 2024-04-12 广东工业大学 一种基于多样本信息融合的锂电池soh估计方法
CN117330987B (zh) * 2023-12-01 2024-02-20 国网山西省电力公司营销服务中心 基于时间的电池健康状态评估的方法、系统、介质和设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190109A (zh) * 2020-01-07 2020-05-22 西北工业大学 一种无电流传感器的锂电池荷电状态估计方法
KR20200056716A (ko) * 2018-11-15 2020-05-25 주식회사 엘지화학 배터리 soh 산출 시스템 및 방법
KR20210050990A (ko) * 2019-10-29 2021-05-10 주식회사 엘지화학 Soc 추정 방법 및 이를 이용한 배터리 시스템
CN113466718A (zh) * 2021-06-29 2021-10-01 广东工业大学 一种手机电池soc校正方法
CN113534938A (zh) * 2021-06-29 2021-10-22 广东工业大学 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法
CN113805064A (zh) * 2021-09-18 2021-12-17 北京航空航天大学 基于深度学习的锂离子电池组健康状态预测方法
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
WO2022021062A1 (zh) * 2020-07-28 2022-02-03 华为技术有限公司 剩余里程预测的方法和电池远程服务的系统
CN114035054A (zh) * 2021-11-17 2022-02-11 重庆邮电大学 基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法
CN114726045A (zh) * 2022-04-20 2022-07-08 广东工业大学 一种基于ipea-lstm模型的锂电池soh估计方法
CN114910793A (zh) * 2022-04-24 2022-08-16 广东工业大学 一种储能电站串联电池组的soh估计方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7612532B2 (en) * 2005-06-21 2009-11-03 Gm Global Technology Operations, Inc. Method for controlling and monitoring using a state estimator having variable forgetting factors
US10324135B2 (en) * 2016-06-06 2019-06-18 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for data-driven battery state of charge (SoC) estimation
KR20220096993A (ko) * 2020-12-31 2022-07-07 성균관대학교산학협력단 배터리 노화 상태 추정 방법 및 이를 수행하는 장치

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200056716A (ko) * 2018-11-15 2020-05-25 주식회사 엘지화학 배터리 soh 산출 시스템 및 방법
KR20210050990A (ko) * 2019-10-29 2021-05-10 주식회사 엘지화학 Soc 추정 방법 및 이를 이용한 배터리 시스템
CN111190109A (zh) * 2020-01-07 2020-05-22 西北工业大学 一种无电流传感器的锂电池荷电状态估计方法
WO2022021062A1 (zh) * 2020-07-28 2022-02-03 华为技术有限公司 剩余里程预测的方法和电池远程服务的系统
CN113466718A (zh) * 2021-06-29 2021-10-01 广东工业大学 一种手机电池soc校正方法
CN113534938A (zh) * 2021-06-29 2021-10-22 广东工业大学 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法
CN113805064A (zh) * 2021-09-18 2021-12-17 北京航空航天大学 基于深度学习的锂离子电池组健康状态预测方法
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
CN114035054A (zh) * 2021-11-17 2022-02-11 重庆邮电大学 基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法
CN114726045A (zh) * 2022-04-20 2022-07-08 广东工业大学 一种基于ipea-lstm模型的锂电池soh估计方法
CN114910793A (zh) * 2022-04-24 2022-08-16 广东工业大学 一种储能电站串联电池组的soh估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Robust control of a class of non-affine nonlinear systems by state and output feedback;陈贞丰，章云;《Springer》;1-7 *

Also Published As

Publication number Publication date
CN115598557A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN115598557B (zh) 一种基于恒压充电电流的锂电池soh估计方法
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
CN113805064B (zh) 基于深度学习的锂离子电池组健康状态预测方法
CN110457789B (zh) 一种锂离子电池剩余寿命预测方法
CN109934294A (zh) 一种基于大数据机器学习进行电动汽车电池soh预测的方法
CN111584952A (zh) 用于储能电站电化学电池在线评估的方法和系统
Kim et al. Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application
CN109934408A (zh) 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法
CN111537899A (zh) 一种梯次利用动力电池安全性评估方法
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN110658462B (zh) 一种基于数据融合与arima模型的锂电池在线寿命预测方法
CN115453399B (zh) 一种考虑不一致性的电池组soh估计方法
CN108872869B (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
CN112557907A (zh) 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN114726045B (zh) 一种基于ipea-lstm模型的锂电池soh估计方法
CN110516813A (zh) 一种基于大数据机器学习进行电动汽车电池rdr预测的方法
CN115409263A (zh) 一种基于门控和注意力机制的锂电池剩余寿命预测方法
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
CN112686380A (zh) 基于神经网络的梯次动力电芯一致性评估方法和系统
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
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
CN116794543A (zh) 一种基于GBLS Booster多任务学习模型的锂电池性能预测方法
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
CN113406503A (zh) 基于深度神经网络的锂电池soh在线估算方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法

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