CN115684947A - 电池模型构建方法及电池劣化预测装置 - Google Patents

电池模型构建方法及电池劣化预测装置 Download PDF

Info

Publication number
CN115684947A
CN115684947A CN202210863345.4A CN202210863345A CN115684947A CN 115684947 A CN115684947 A CN 115684947A CN 202210863345 A CN202210863345 A CN 202210863345A CN 115684947 A CN115684947 A CN 115684947A
Authority
CN
China
Prior art keywords
battery
parameter
learning
battery model
value
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
Application number
CN202210863345.4A
Other languages
English (en)
Inventor
小西俊介
川原卓磨
内海秀俊
柘植穂高
纐缬诚一
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.)
Honda Motor Co Ltd
Original Assignee
Honda Motor Co Ltd
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 Honda Motor Co Ltd filed Critical Honda Motor Co Ltd
Publication of CN115684947A publication Critical patent/CN115684947A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明的问题在于提供一种结构简单且能够以高精度预测电池的劣化的电池模型的构建方法。为了解决上述问题，一种电池模型构建方法，其构建电池模型，所述电池模型以基于电池的电流、电压和温度的时间序列数据定义的多个使用历史参数的幂为解释变量，以电池SOH预测值为目标变量，所述电池模型的构建方法，包括：获取步骤ST1，获取使用历史参数和SOH测量值的时间序列数据；幂运算步骤ST2，利用预定的幂指数值对前述使用历史参数进行幂运算以生成输入参数的时间序列数据；学习步骤ST4，将输入参数和SOH测量值的时间序列数据作为学习数据以学习电池模型；及，搜索步骤ST8，改变幂指数值的同时重复执行幂运算步骤ST2和学习步骤ST4以搜索最佳幂指数值。

Description

电池模型构建方法及电池劣化预测装置
技术领域
本发明涉及一种电池模型构建方法及电池劣化预测装置。更加详细地，涉及一种用以计算电池的劣化指标的预测值的电池模型的构建方法、以及利用根据该电池模型的构建方法所构建的电池模型以计算电池的劣化指标的预测值的电池劣化预测装置。
背景技术
搭载于电动车辆和混动车辆等中的二次电池具有随着使用而劣化的特性。二次电池由于一旦劣化就无法发挥充分的性能，因此需要根据其劣化进展程度实施适当措施，以延缓劣化的进展。另外，为了实施这种延缓劣化进展的措施，需要高精度地估计二次电池的劣化的进展程度。例如专利文献1中示出了一种技术，是根据表示二次电池使用方法的数据(例如，二次电池的电流、电压和温度推移或寿命经过时间等)对二次电池的劣化程度进行估计。
另外，在根据二次电池使用方法的数据来估计其劣化程度的电池模型中，除了使用线性回归模型的方法之外，还提出了神经网络和梯度提升树(以下，使用“GBDT”的简称)等各种方法。
[先前技术文献]
(专利文献)
专利文献1：国际公开第2020/044713号
发明内容
[发明所要解决的问题]
已知根据神经网络或基于GBDT的方法，能够构建预测精度比基于线性回归模型的方法更高的电池模型。然而，根据神经网络或GBDT构建的电池模型，比线性回归模型更为复杂，因此构建时间长并且很难理解各因素的影响。另外，二次电池的劣化推移一般为非线性，因此单纯的线性回归模型很难构建预测精度较高的电池模型。
本发明目的在于提供一种结构简单且能够以高精度预测电池的劣化的电池模型的构建方法及电池劣化预测装置。
[解决问题的技术手段]
(1)本发明提供一种电池模型构建方法，其构建电池模型，所述电池模型以基于电池的电流、电压和温度的时间序列数据定义的多个使用历史参数的幂为解释变量，以前述电池的劣化指标的预测值为目标变量，所述电池模型的构建方法的特征在于，包括：获取步骤(例如，后述的获取步骤ST1)，获取前述使用历史参数和前述劣化指标的时间序列数据；幂运算步骤(例如，后述的幂运算步骤ST2)，利用预定的幂指数值(例如，后述的幂指数值x,xv,xt,xi)对前述使用历史参数进行幂运算以生成输入参数的时间序列数据；学习步骤(例如，后述的学习步骤ST4)，将前述输入参数和前述劣化指标的时间序列数据作为学习数据以学习前述电池模型；及，搜索步骤(例如，后述的搜索步骤ST8)，改变前述幂指数值的同时重复执行前述幂运算步骤和前述学习步骤，以搜索最佳幂指数值(例如，后述的最佳幂指数值x_opt,xv_opt,xt_opt,xi_opt)。
(2)此时优选为，前述电池模型是利用前述解释变量的线性函数来表示前述目标变量的线性回归模型。
(3)此时优选为，前述使用历史参数包括：以前述电池的电流为因子的电流因子参数、以前述电池的电压为因子的电压因子参数和以前述电池的温度为因子的温度因子参数。
(4)此时优选为，在前述搜索步骤中，对前述电流因子参数、前述电压因子参数以及前述温度因子参数搜索共同的最佳幂指数值(例如，后述的最佳幂指数值x_opt)。
(5)此时优选为，在前述搜索步骤中，对前述电流因子参数、前述电压因子参数以及前述温度因子参数搜索各自独立的最佳幂指数值(例如，后述的最佳幂指数值xi_opt，xv_opt，xt_opt)。
(6)此时优选为，在前述搜索步骤中，在0～1的范围内搜索前述最佳幂指数值。
(7)此时优选为，在前述学习步骤中，以前述输入参数和前述劣化指标的时间序列数据中属于预定学习用期间内的数据为前述学习数据；在前述搜索步骤中，以前述输入参数和前述劣化指标的时间序列数据中属于前述学习用期间以后的验证用期间内的数据为验证数据，利用前述验证数据来评估已完成学习的前述电池模型的预测精度以搜索前述最佳幂指数值。
(8)本发明提供一种电池劣化预测装置(例如，后述的电池劣化预测装置1)，利用电池模型来计算劣化指标的预测值，所述电池模型以基于电池的电流、电压和温度的时间序列数据定义的多个使用历史参数的幂为解释变量，以前述电池的前述劣化指标的预测值为目标变量，所述电池劣化预测装置的特征在于，包括：数据获取部(例如，后述的数据获取部11)，获取前述电池的电流、电压和温度的时间序列数据；使用历史参数计算部(例如，后述的使用历史参数计算部12)，基于由前述数据获取部所获取的时间序列数据来计算前述使用历史参数；输入参数生成部(例如，后述的输入参数生成部13)，借由对前述使用历史参数执行基于根据(1)～(7)中任一项所述的电池模型构建方法搜索到的最佳幂指数值来进行的幂运算，以生成输入参数；及，模型预测部(例如，后述的模型预测部14)，以前述输入参数为解释变量输入至前述电池模型，以计算前述劣化指标的预测值；并且，利用经过基于前述最佳幂指数值来进行的幂运算所生成的学习数据，以学习前述电池模型。
(发明的效果)
(1)在本发明的电池模型构建方法中，以如下的电池模型为对象：以基于电池的电流、电压和温度的时间序列数据定义的多个使用历史参数的幂为解释变量，以该电池的劣化指标的预测值为目标变量，并将这些解释变量和目标变量相关联。根据本发明，借由使用历史参数的幂来定义这种电池模型的解释变量，能够再现电池劣化推移的非线性。其中，作为锂离子电池中劣化推移的经验法则，已知容量劣化量与经过时间和充放电循环数等的0.5次方成线性关系即所谓的√法则。然而，该√法则始终是经验法则，并没有任一个电池的最佳幂指数值都为0.5的根据。对此，在本发明中，执行如下的步骤能够对应于根据电池模型所要再现的电池特性来搜索最佳幂指数值：幂运算步骤，利用预定的幂指数值对使用历史参数进行幂运算，以生成输入参数的时间序列数据；学习步骤，将输入参数和劣化指标的时间序列数据作为学习数据，以学习电池模型；搜索步骤，改变幂指数值的同时重复执行幂运算步骤和学习步骤，以搜索最佳幂指数值。另外，根据本发明，利用经过基于如上述方式搜索到的最佳幂指数值来进行的幂运算所生成的学习数据，以学习电池模型，从而能够构建一种结构简单且能够以高精度预测电池的劣化的电池模型。
(2)根据本发明，将以多个使用历史参数的幂为解释变量的电池模型设为以解释变量的线性函数来表示目标变量的线性回归模型，从而能够构建一种结构简单且能够以高精度预测电池的劣化的电池模型。
(3)在本发明中，将以电池的电流为因子的电流因子参数、以电池的电压为因子的电压因子参数和以电池的温度为因子的温度因子参数作为使用历史参数，由此能够對应于电池的使用方式和使用环境以高精度预测电池的劣化。
(4)在本发明中，在搜索步骤中，对电流因子参数、电压因子参数和温度因子参数搜索共同的最佳幂指数值，由此能够以简单的步骤来决定最佳幂指数值。
(5)在本发明中，在搜索步骤中，对电流因子参数、电压因子参数和温度因子参数搜索各自独立的最佳幂指数值，由此能够构建能够以高精度预测电池的劣化的电池模型。
(6)在本发明中，在搜索步骤中，在0～1范围内搜索幂指数值，由此能够在根据上述√法则经验性地导出的幂指数值0.5的附近搜索最佳幂指数值。
(7)在本发明中，在学习步骤中，以输入参数和劣化指标的时间序列数据中属于预定学习用期间内的数据为学习数据。另外，在搜索步骤中，以输入参数和劣化指标的时间序列数据中属于学习用期间以后的验证用期间内的数据为验证数据，利用该验证数据评估已完成学习的电池模型的预测精度来搜索最佳幂指数值。根据本实施方式，利用经过基于如上所述的步骤搜索到的最佳幂指数值来进行的幂运算所生成的学习数据，以学习电池模型，由此能够构建能够以高精度预测未知数据的电池模型。
(8)本发明的电池劣化预测装置，包括：数据获取部，获取电池的电流、电压和温度的时间序列数据；使用历史参数计算部，基于由数据获取部所获取的时间序列数据来计算使用历史参数；输入参数生成部，根据最佳幂指数值对使用历史参数进行幂运算来生成输入参数；模型预测部，以该输入参数为解释变量将其输入至电池模型，以计算电池的劣化指标的预测值。另外，在本发明中利用的电池模型，是经过基于上述电池模型构建方法搜索到的最佳幂指数值来进行的幂运算所生成的学习数据，并进行了学习的电池模型。根据本发明，能够以高精度预测使用过程中的电池劣化推移。
附图说明
图1是绘示本发明的一个实施方式的电池劣化预测装置的构造的图。
图2是示意性绘示多个使用历史参数的构造的图。
图3是绘示电池模型构建方法的具体步骤的流程图。
图4A是绘示对比例1的电池模型的预测结果的图。
图4B是绘示对比例2的电池模型的预测结果的图。
图4C是绘示对比例3的电池模型的预测结果的图。
图4D是绘示实施例1的电池模型的预测结果的图。
图4E是绘示实施例2的电池模型的预测结果的图。
图5是绘总对比例1～3和实施例1，2的预测精度指标的表。
具体实施方式
以下，参照附图对本发明一个实施方式的电池劣化预测装置和用于该电池劣化预测装置的电池模型构建方法进行说明。
图1是绘示本实施方式的电池劣化预测装置1的构造的图。
电池劣化预测装置1基于电池2的电流、电压和温度的时间序列数据来预测该电池2的劣化程度。以下，对将电池劣化预测装置1搭载于利用电池2的电力行驶的电动车辆(未图示)，以预测该电动车辆的电池2劣化程度的情况进行说明，但本发明不限于此。电池劣化预测装置1的所有或部分构成元件，可由与电动车辆可通信地连接的服务器构成。
电池2是能够进行将化学能转换为电能的放电和将电能转换为化学能的充电这两者的二次电池。以下，对将以锂离子在电极间移动来进行充放电的所谓锂离子电池作为该电池2的情况进行说明，但本发明不限于此。电池2与逆变器或驱动马达等构成的电负载(未图示)连接，并在与该电负载之间进行充放电。
电池劣化预测装置1是由硬件构成的计算机，所述硬件为CPU等运算处理单元、存储有各种程序的HDD或SSD等辅助存储单元和用于存储运算处理单元执行程序所暂时需要的数据的RAM这类的主存储单元等。在电池劣化预测装置1上利用这种硬件构成来实现数据获取部11、使用历史参数计算部12、输入参数生成部13和模型预测部14等各种功能。
数据获取部11，基于来自设置于电池2上的电池传感器(未图示)的输出来获取电池2的电流、电压和温度的时间序列数据。
使用历史参数计算部12，基于由数据获取部11所获取的电流、电压和温度的时间序列数据以预定周期来计算用以表示电池2的使用方法的多个使用历史参数，并将这些使用历史参数输入至参数生成部13。以下，对使用历史参数计算部12中的使用历史参数的计算周期为2周的情况进行说明，但本发明不限于此。
图2是示意性绘示在使用历史参数计算部12中计算出的多个使用历史参数的构造的图。如图2所示，在使用历史参数计算部12中计算出的多个使用历史参数包括：多个电压因子参数、多个温度因子参数和多个电流因子参数。
电压因子参数是指以电池2的电压为因子的参数。换句话说，电压因子参数是指与电池2的电流、电压和温度中的电压最相关的参数。在本实施方式中，将与电池2的开路电压大致成正比的SOC(State Of Charge)在预定范围内的停留时间的累计值定义为电压因子参数。更加具体地，第一SOC累积时间是指电池2的SOC在0～10[％]范围内停留的时间的累计值，第二SOC累积时间是指电池2的SOC在10～20[％]范围内停留的时间的累计值，第三SOC累积时间是指电池2的SOC在20～30[％]范围内停留的时间的累计值，第四SOC累积时间是指电池2的SOC在30～40[％]范围内停留的时间的累计值，第五SOC累积时间是指电池2的SOC在40～50[％]范围内停留的时间的累计值，第六SOC累积时间是指电池2的SOC在50～60[％]范围内停留的时间的累计值，第七SOC累积时间是指电池2的SOC在60～70[％]范围内停留的时间的累计值，第八SOC累积时间是指电池2的SOC在70～80[％]范围内停留的时间的累计值，第九SOC累积时间是指电池2的SOC在80～90[％]范围内停留的时间的累计值，第十SOC累积时间是指电池2的SOC在90～100[％]范围内停留的时间的累计值。
温度因子参数是指以电池2的温度为因子的参数。换句话说，温度因子参数是指与电池2的电流、电压和温度中的温度最相关的参数。在本实施方式中，将电池2的使用温度范围十等分时电池2的温度在各温度范围内的停留时间的累计值定义为温度因子参数。更加具体地，第一温度累积时间是指电池2的温度在第一温度范围内停留的时间的累计值，第二温度累积时间是指电池2的温度在比第一温度范围高的第二温度范围内停留的时间的累计值，第三温度累积时间是指电池2的温度在比第二温度范围高的第三温度范围内停留的时间的累计值，第四温度累积时间是指电池2的温度在比第三温度范围高的第四温度范围内停留的时间的累计值，第五温度累积时间是指电池2的温度在比第四温度范围高的第五温度范围内停留的时间的累计值，第六温度累积时间是指电池2的温度在比第五温度范围高的第六温度范围内停留的时间的累计值，第七温度累积时间是指电池2的温度在比第六温度范围高的第七温度范围内停留的时间的累计值，第八温度累积时间是指电池2的温度在比第七温度范围高的第八温度范围内停留的时间的累计值，第九温度累积时间是指电池2的温度在比第八温度范围高的第九温度范围内停留的时间的累计值，第十温度累积时间是指电池2的温度在比第九温度范围高的第十温度范围内停留的时间的累计值。
电流因子参数是指以电池2的电流为因子的参数。换句话说，电流因子参数是指与电池2的电流、电压和温度中的电流最相关的参数。在本实施方式中，将电池2的充电电流与时间的乘积的累计值也就是充电电流累积容量、和电池2的放电电流与时间的乘积的累计值也就是放电电流累积容量定义为电流因子参数。如上所述，在本实施方式中，对将电流与时间的乘积的累计值定义为电流因子参数的情况进行说明，但本发明不限于此。例如，可以将相当于在电池2中充电和放电切换的次数的充放电循环次数作为电流因子参数。
返回至图1，输入参数生成部13，借由对多个使用历史参数执行基于预定的最佳幂指数值来进行的幂运算，以生成多个输入参数，并将其输入至模型预测部14，所述多个使用历史参数是由使用历史参数计算部12以预定周期计算出的使用历史参数。其中，最佳幂指数值由之后参照图3说明的电池模型构建方法在0～1的范围内决定。此外，输入参数生成部13的幂运算中所参照的最佳幂指数值，可以是相对于所有使用历史参数设为共同的值(参照后述的实施例1)，也可以是针对电流因子参数、电压因子参数和温度因子参数设为不同的值(参照后述的实施例2)。
模型预测部14，具有以电池2的多个使用历史参数的幂为解释变量，以电池2的劣化指标的预测值为目标变量的电池模型，将输入参数生成部13生成的多个输入参数作为解释变量输入至上述电池模型中，由此计算电池2的劣化指标的预测值。在本实施方式中，将电池2的初始满充电容量[Ah]设为100％且使用由其劣化时的满充电容量比例来表示的SOH(State Of Health)作为电池2的劣化指标的情况进行说明，但本发明不限于此。此处的电池模型，是由多个解释变量的线性函数来表示目标变量的线性回归模型，且是使用了之后参照图3进行说明的电池模型构建方法所构建的模型。更具体地，电池模型，是使用了经过上述最佳幂指数值来进行的幂运算所生成的学习数据，并进行了学习的线性回归模型。
接下来，对利用计算机来构建电池模型的方法进行说明，所述电池模型如上所述将电池2的多个使用历史参数的幂表示为解释变量，将电池2的劣化指标的预测值表示为目标变量，将该目标变量表示为多个解释变量的线性函数。
图3是示意性绘示本实施方式的电池模型构建方法的步骤的流程图。
首先，在获取步骤ST1中，电池模型的设计者，对样本电池获取n组(n是2以上的整数)的量的多个使用历史参数和SOH测量值的预定样本期间(例如40周)的量的时间序列数据，该样本电池与参照图1说明的电池2是相同种类。
接下来，在搜索步骤ST8中，重复执行幂运算步骤ST2、数据划分步骤ST3、学习步骤ST4、验证步骤ST5和幂指数变更步骤ST6多次后，执行评估步骤ST7。以下，详细说明各步骤ST2～ST7的内容。
首先，在幂运算步骤ST2中，设计者以预定的幂指数值对在获取步骤ST1中所获取的多个使用历史参数进行幂运算，由此生成多个输入参数的时间序列数据。另外，在该幂运算步骤ST2中，可以对于多个使用历史参数，定义共同的幂指数值x，也可以针对电压因子参数的幂指数值xv、温度因子参数的幂指数值xt和电流因子参数的幂指数值xi分别独立定义。另外，这些幂指数值(x,xv,xt,xi)的初始值被设定为0～1范围内的任意实数(例如，0.5)。
接下来，在数据划分步骤ST3中，设计者将经过上述步骤ST1～ST2生成的多个输入参数和SOH测量值的样本期间的量的时间序列数据之中的属于学习用期间(例如，第2周～第20周)内的数据定义为学习数据，将属于该学习用期间以后的验证用期间(例如，第22周～第40周)内的数据定义为验证数据。
接下来，在学习步骤ST4中，设计者利用在上述步骤ST3中定义的学习数据进行学习以构建电池模型，该电池模型是以多个输入参数作为解释变量并以SOH预测值为目标变量的线性回归模型，且将该电池模型以与步骤ST2中设定的幂指数值关联的状态存储在存储介质中。
接下来，在验证步骤ST5中，设计者利用步骤ST3中定义的验证数据来评估步骤ST4中构建的已完成学习的电池模型的预测精度。更具体地，借由将验证数据中包含的输入参数作为解释变量且输入至已完成学习的电池模型而获取的SOH预测值与验证数据中包含的SOH测量值进行比较，以评估已完成学习的电池模型的预测精度。在本实施方式中，对以SOH预测值与SOH测量值之间的平均绝对误差(以下，使用“MAE”这一简称)、均方根误差(以下，使用“RMSE”这一简称)以及决定系数(以下，使用“R2”这一简称)等来作为已完成学习的电池模型的预测精度指标的情况进行说明。
接下来，在幂指数变更步骤ST6中，设计者将在幂运算步骤ST2中定义的幂指数值改变为在0～1范围内且与过去设定值不同的值，并返回至幂运算步骤ST2。其中，如上所述在对多个使用历史参数定义共同的幂指数值x的情况下，只改变该共同的幂指数值x，在独立定义了相对于各因子参数的幂指数值(xv，xt，xi)的情况下，改变这些幂指数值(xv，xt，xi)中的至少一个。
在搜索步骤ST8中，如上所述改变幂指数值(x,xv,xt,xi)的同时重复执行步骤ST2～ST6多次，能够得到多组幂指数值(x,xv,xt,xi)、与这些幂指数值相关联的多组已完成学习的电池模型和各已完成学习的电池模型的预测精度指标。
接下来，在评估步骤ST7中，设计者根据ST2～ST6中计算的多个预测精度指标，搜索相对于共同幂指数值x的最佳幂指数值x_opt或者针对每个因子参数定义的幂指数值(xv，xt，xi)的最佳幂指数值(x_opt,xv_opt,xt_opt,xi_opt)。更具体地，在评估步骤ST7中，设计者根据预测精度指标的计算结果来决定预测精度最高的已完成学习的电池模型，并将与该已完成学习的电池模型相关联的幂指数值决定为最佳幂指数值(x_opt,xv_opt,xt_opt,xi_opt)。
接下来，将根据上述电池模型构建方法构建的实施例1、2的电池模型的预测精度与对比例1～3的电池模型的预测精度进行比较。
<对比例1>
对比例1是根据GBDT来构建的电池模型。更具体地，将以获取步骤ST1中获取的使用历史参数和SOH测量值在学习用期间的量的时间序列数据作为学习数据且根据GBDT来构建的电池模型，作为对比例1。
<对比例2>
对比例2是以多个使用历史参数为解释变量并以电池的SOH预测值为目标变量的线性回归模型。更具体地，将使用与对比例1相同的学习数据进行学习而成的线性回归模型，作为对比例2。
<对比例3>
对比例3是以多个使用历史参数的幂为解释变量并以电池的SOH预测值为目的变量的线性回归模型。更具体地，将相对于各因子参数定义共同幂指数值x，并且将该共同幂指数值设置为初始值0.5并利用步骤ST1～ST3所导出的学习数据进行学习而成的线性回归模型，作为对比例3。
<实施例1>
实施例1是以多个使用历史参数的幂为解释变量并且以电池的SOH预测值为目标变量的线性回归模型，且是按照图3所示的电池模型构建方法来构建的电池模型。更具体地，按照步骤图3所示步骤来搜索相对于各因子参数的共同的幂指数值x之最佳幂指数值x_opt，并且将与该最佳幂指数值x_opt关联的已完成学习的电池模型，作为实施例1。即，实施例1是利用经过基于最佳幂指数值x_opt来进行的幂运算所生成的学习数据并进行学习的线性回归模型。此外，最佳幂指数值x_opt为0.71。
<实施例2>
实施例2是以多个使用历史参数的幂为解释变量并以电池的SOH预测值为目标变量的线性回归模型，且是按照图3所示的电池模型构建方法构建的电池模型。更具体地，按照步骤图3所示步骤搜索相对于针对各因子参数独立定义的幂指数值(xv，xt，xi)之最佳幂指数值(xv_opt，xt_opt，xi_opt)，并且将与这些最佳幂指数值(xv_opt，xt_opt，xi_opt)相关联的已完成学习的电池模型，作为实施例2。即，实施例2是利用经过基于最佳幂指数值(xv_opt，xt_opt，xi_opt)来进行的幂运算所生成的学习数据并进行学习的线性回归模型。其中，电压因子参数的最佳幂指数值xv_opt为0.87，温度因子参数的最佳幂指数值xt_opt为0.67，电流因子参数的最佳幂指数值xi_opt为0.66。此外，线性回归模型的函数形式在对比例2、3和实施例1、2中是相同的。
图4A～图4E是分别绘示对比例1、2、3和实施例1、2的电池模型的预测结果的图。在图4A～图4E中，以SOH测量值为横轴，以将与该SOH测量值相关联的参数输入至各电池模型中得到的SOH预测值为纵轴。另外，图4A～图4E中的“理想线”是指SOH测量值与SOH预测值相等的线。另外，在图4A～图4E，白圈标记的点是输入属于上述学习用期间内的学习数据时描绘各电池模型预测结果的点，黑圈标记的点是输入属于验证用期间内的验证数据时描绘各电池模型预测结果的点。
如图4A～图4E所示，实施例1、2的预测结果与对比例1～3相比分布在更接近理想线的位置。另外，与对比例1～3相比，实施例1、2中白圈标记的点与黑圈标记的点相对于理想线的偏差差值较小。这是指相比于对比例1～3，实施例1、2中的已知学习数据的预测精度与未知验证数据的预测精度之间的差值较小。
图5是汇总了对比例1～3和实施例1、2的预测精度指标(MAE，RMSE，R2)的表。而且，图5的上段表示使用验证数据计算出的预测精度指标，下段表示使用学习数据计算出的预测精度指标。
如图5所示，使用学习数据计算出的MAE、RMSE、R2在对比例1～3和实施例1、2之间没有较大差异。因此，可以说对已知输入的预测精度在对比例1～3和实施例1、2之间没有较大差异。
对此，相比于对比例1～3，实施例1、2中使用验证数据计算出的MAE和RMSE较小，另外相比于对比例1～3，实施例1、2中使用验证数据计算出的R2较大。因此可以说相比于对比例1～3，优化幂指数值而得到的实施例1、2中对未知输入的预测精度较高。
另外，如图5所示，相比于实施例1，实施例2中使用验证数据计算出的MAE和RMSE较小，另外相比于实施例1，实施例2中用验证数据计算出的R2较大。因此可以说相比于实施例1，针对各因子参数来优化幂指数值而得到的实施例2中未知输入的预测精度较高。
另外，如图5所示，与对比例1～3相比，实施例1、2中使用验证数据计算出的MAE、RMSE和R2与使用学习数据计算出的MAE、RMSE和R2的差值较小。因此，可以说实施例1、2对任何输入都能够维持预测精度。
根据本实施方式的电池模型构建方法和电池劣化预测装置1，起到如下效果。
(1)在本实施方式的电池模型构建方法中，以如下的电池模型为对象：以基于电池的电流、电压和温度的时间序列数据定义的多个使用历史参数的幂为解释变量，以该电池的劣化指标的预测值为目标变量，并将这些解释变量与目标变量相关联。根据本实施方式，借由使用历史参数的幂来定义这种电池模型的解释变量，由此能够再现电池劣化推移的非线性。另外，在本实施方式中，执行如下的步骤能够对应于根据电池模型所要再现的电池特性来搜索最佳幂指数值：幂运算步骤ST2，利用预定的幂指数值对使用历史参数进行幂运算，以生成输入参数的时间序列数据；学习步骤ST4，将输入参数和SOH测量值的时间序列数据作为学习数据，以学习电池模型；搜索步骤ST8，改变幂指数值的同时重复执行幂运算步骤ST2和学习步骤ST4以搜索最佳幂指数值。另外，根据本实施方式，利用经过基于如上述方式搜索到的最佳幂指数值来进行的幂运算所生成的学习数据，以学习电池模型，从而能够构建一种结构简单且能够以高精度预测电池的劣化的电池模型。
(2)根据本实施方式，将以多个使用历史参数的幂为解释变量的电池模型设为用解释变量的线性函数来表示目标变量的线性回归模型，从而能够构建一种结构简单且能够以高精度预测电池的劣化的电池模型。
(3)在本实施方式中，将以电池的电流为因子的电流因子参数、以电池的电压为因子的电压因子参数和以电池的温度为因子的温度因子参数作为使用历史参数，由此能够对应于电池的使用方式和使用环境以高精度预测电池的劣化。
(4)在本实施方式中，在搜索步骤ST8中，对电流因子参数、电压因子参数和温度因子参数搜索共同的最佳幂指数值x_opt，由此能够以简单的步骤来决定最佳幂指数值x_opt。
(5)在本实施方式中，在搜索步骤ST8中，对电流因子参数、电压因子参数和温度因子参数搜索各自独立的最佳幂指数值(xi_opt，xv_opt，xt_opt)，由此能够构建能够以高精度预测电池的劣化的电池模型。
(6)在本实施方式中，在搜索步骤ST8中，在0～1范围内搜索最佳幂指数值，由此能够在根据上述√法则经验性地导出的幂指数值0.5的附近搜索最佳幂指数值。
(7)在本实施方式中，在学习步骤ST3中，以输入参数和SOH测量值的时间序列数据中属于预定学习用期间内的数据为学习数据。另外，在搜索步骤ST8中，以输入参数和SOH测量值的时间序列数据中属于学习用期间以后的验证用期间内的数据为验证数据，利用该验证数据评估已完成学习的电池模型的预测精度来搜索最佳幂指数值。根据本实施方式，利用经过基于如上所述的步骤搜索到的最佳幂指数值来进行的幂运算所生成的学习数据，以学习电池模型，由此能够构建能够以高精度预测未知数据的电池模型。
(8)本实施方式的电池劣化预测装置1，包括：数据获取部11，获取电池2的电流、电压和温度的时间序列数据；使用历史参数计算部12，基于由数据获取部11所获取的时间序列数据来计算使用历史参数；输入参数生成部13，使用最佳幂指数值对使用历史参数进行幂运算来生成输入参数；模型预测部14，以该输入参数为解释变量将其输入至电池模型，以计算电池SOH预测值。另外，在本实施方式中利用的电池模型，是经过基于上述电池模型构建方法搜索到的最佳幂指数值来进行的幂运算所生成的学习数据，并进行了学习的电池模型。根据本发明，能够以高精度预测使用过程中电池2的劣化推移。
以上，对本发明的一个实施方式进行了说明，但本发明不限于此。能够在本发明宗旨范围内适当改变细节构造。
例如，在上述实施方式中，假设电池的劣化速度逐渐减慢的多数情况，并在0～1的范围内搜索最佳幂指数值的情况进行了说明，但本发明不限于此。例如，电池的劣化加速时，即电池的劣化速度逐渐加快时，也可以在1～3的范围内搜索最佳幂指数值。
附图标记
1 电池劣化预测装置
11 数据获取部
12 使用历史参数计算部
13 输入参数生成部
14 模型预测部

Claims (9)

1.一种电池模型构建方法，其构建电池模型，所述电池模型以基于电池的电流、电压和温度的时间序列数据定义的多个使用历史参数的幂为解释变量，以前述电池的劣化指标的预测值为目标变量，所述电池模型的构建方法的特征在于，包括：
获取步骤，获取前述使用历史参数和前述劣化指标的时间序列数据；
幂运算步骤，利用预定的幂指数值对前述使用历史参数进行幂运算以生成输入参数的时间序列数据；
学习步骤，将前述输入参数和前述劣化指标的时间序列数据作为学习数据以学习前述电池模型；及，
搜索步骤，改变前述幂指数值的同时重复执行前述幂运算步骤和前述学习步骤，以搜索最佳幂指数值。
2.根据权利要求1所述的电池模型构建方法，其中，
前述电池模型是利用前述解释变量的线性函数来表示前述目标变量的线性回归模型。
3.根据权利要求1所述的电池模型构建方法，其中，
前述使用历史参数包括：以前述电池的电流为因子的电流因子参数、以前述电池的电压为因子的电压因子参数和以前述电池的温度为因子的温度因子参数。
4.根据权利要求2所述的电池模型构建方法，其中，
前述使用历史参数包括：以前述电池的电流为因子的电流因子参数、以前述电池的电压为因子的电压因子参数和以前述电池的温度为因子的温度因子参数。
5.根据权利要求3所述的电池模型构建方法，其中，
在前述搜索步骤中，对前述电流因子参数、前述电压因子参数以及前述温度因子参数搜索共同的最佳幂指数值。
6.根据权利要求3所述的电池模型构建方法，其中，
在前述搜索步骤中，对前述电流因子参数、前述电压因子参数以及前述温度因子参数搜索各自独立的最佳幂指数值。
7.根据权利要求1～6中任一项所述的电池模型构建方法，其中，
在前述搜索步骤中，在0～1的范围内搜索前述最佳幂指数值。
8.根据权利要求1～6中任一项所述的电池模型构建方法，其中，
在前述学习步骤中，以前述输入参数和前述劣化指标的时间序列数据中属于预定学习用期间内的数据为前述学习数据；
在前述搜索步骤中，以前述输入参数和前述劣化指标的时间序列数据中属于前述学习用期间以后的验证用期间内的数据为验证数据，利用前述验证数据来评估已完成学习的前述电池模型的预测精度以搜索前述最佳幂指数值。
9.一种电池劣化预测装置，利用电池模型来计算劣化指标的预测值，所述电池模型以基于电池的电流、电压和温度的时间序列数据定义的多个使用历史参数的幂为解释变量，以前述电池的前述劣化指标的预测值为目标变量，所述电池劣化预测装置的特征在于，包括：
数据获取部，获取前述电池的电流、电压和温度的时间序列数据；
使用历史参数计算部，基于由前述数据获取部所获取的时间序列数据来计算前述使用历史参数；
输入参数生成部，借由对前述使用历史参数执行基于根据权利要求1～6中任一项所述的电池模型构建方法搜索到的最佳幂指数值来进行的幂运算，以生成输入参数；及，
模型预测部，以前述输入参数为解释变量输入至前述电池模型，以计算前述劣化指标的预测值；并且，
利用经过基于前述最佳幂指数值来进行的幂运算所生成的学习数据，以学习前述电池模型。
CN202210863345.4A 2021-07-27 2022-07-21 电池模型构建方法及电池劣化预测装置 Pending CN115684947A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-122309 2021-07-27
JP2021122309A JP7299274B2 (ja) 2021-07-27 2021-07-27 電池モデル構築方法及び電池劣化予測装置

Publications (1)

Publication Number Publication Date
CN115684947A true CN115684947A (zh) 2023-02-03

Family

ID=85039022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210863345.4A Pending CN115684947A (zh) 2021-07-27 2022-07-21 电池模型构建方法及电池劣化预测装置

Country Status (3)

Country Link
US (1) US20230029810A1 (zh)
JP (1) JP7299274B2 (zh)
CN (1) CN115684947A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116540097A (zh) * 2023-04-12 2023-08-04 广东博通新能源科技有限公司 电池劣化度在线评估方法及装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7432641B2 (ja) * 2022-03-23 2024-02-16 本田技研工業株式会社 バッテリ状態診断装置、バッテリ状態診断方法、およびプログラム
WO2024115934A1 (ja) * 2022-11-29 2024-06-06 日産自動車株式会社 電池劣化状態推定方法、及び電池劣化状態推定装置
CN116626506B (zh) * 2023-07-25 2023-10-27 国网山东省电力公司临清市供电公司 一种变电站蓄电池状态特性预测方法及系统
CN116736142B (zh) * 2023-08-14 2023-10-24 新誉集团有限公司 一种电池组健康状况预警的方法、系统及装置
CN116774057B (zh) * 2023-08-18 2023-11-14 南京大全电气研究院有限公司 一种训练电池寿命预测模型和预测电池寿命的方法及装置
CN117755150B (zh) * 2023-11-28 2024-08-02 北京潞电电力建设有限公司 一种基于机器学习的快速充电方法
CN117341976B (zh) * 2023-12-05 2024-02-02 合肥德智航创科技有限公司 一种无人机综合健康管理系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003009406A (ja) 2001-06-22 2003-01-10 Matsushita Electric Ind Co Ltd 二次電池の状態演算装置
KR101133478B1 (ko) 2008-06-06 2012-04-10 메이덴샤 코포레이션 커패시터의 잔여수명 진단 장치 및 잔여수명 진단 장치를 구비한 전력 보상 장치
JPWO2016208251A1 (ja) 2015-06-25 2018-03-08 株式会社日立製作所 蓄電システム
CN111722114B (zh) 2019-03-18 2023-01-20 上海汽车集团股份有限公司 一种动力电池寿命预测方法及系统
JP6722954B1 (ja) 2019-04-02 2020-07-15 東洋システム株式会社 バッテリー残存価値決定システム
JP2021092404A (ja) 2019-12-06 2021-06-17 株式会社Ｇｓユアサ 劣化推定装置、劣化推定システム、劣化推定方法、及びコンピュータプログラム
CN112816880B (zh) 2021-02-23 2023-01-13 欣旺达惠州动力新能源有限公司 电池寿命预测的方法、装置及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116540097A (zh) * 2023-04-12 2023-08-04 广东博通新能源科技有限公司 电池劣化度在线评估方法及装置

Also Published As

Publication number Publication date
JP7299274B2 (ja) 2023-06-27
US20230029810A1 (en) 2023-02-02
JP2023018289A (ja) 2023-02-08

Similar Documents

Publication Publication Date Title
CN115684947A (zh) 电池模型构建方法及电池劣化预测装置
EP3748380B1 (en) Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
CN108805217B (zh) 一种基于支持向量机的锂离子电池健康状态估计方法及系统
Yang et al. Remaining useful life prediction of lithium-ion batteries based on a mixture of ensemble empirical mode decomposition and GWO-SVR model
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
Awadallah et al. Accuracy improvement of SOC estimation in lithium-ion batteries
CN110568359B (zh) 一种锂电池剩余寿命预测方法
US10466304B2 (en) Method for estimating a battery state of health
JP5875037B2 (ja) バッテリの状態予測システム、方法及びプログラム
CN110568361A (zh) 一种动力电池健康状态的预测方法
CN106055775B (zh) 一种粒子滤波与机理模型相结合的二次电池寿命预测方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
KR102090476B1 (ko) 클라우드 및 빅데이터를 활용한 bms 최적화 시스템
CN112622693A (zh) 一种电池管理方法、装置及车辆
Mian Qaisar A proficient Li-ion battery state of charge estimation based on event-driven processing
CN117471320A (zh) 基于充电片段的电池健康状态估计方法及系统
CN113406500B (zh) 一种动力锂电池的剩余电量估计方法
CN113733980B (zh) 确定动力电池容量的方法、装置、介质及电子设备
Mehta et al. Selection of three RC branches in equivalent circuit model of lithium-ion batteries for improved accuracy
CN116796624A (zh) 结合多源退化特征的自适应增量式电池rul预测方法
CN114757340A (zh) 基于神经网络集成的锂电池健康状态预测方法及系统
CN114415041A (zh) 电池剩余容量估算方法、装置及终端设备
CN114779081A (zh) 车辆电池寿命的互学习预测方法、装置及存储介质
Wang et al. Online capacity estimation of lithium-ion batteries by partial incremental capacity curve
Mullapudi et al. Unified Approach for Estimation of State of Charge and Remaining Useful Life of Li-Ion batteries using Deep Learning

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