CN115856678A - 一种锂离子电池健康状态估计方法 - Google Patents

Abstract

本发明公布了一种锂离子电池健康状态估计方法，所述方法为：获取锂离子电池实验数据，提取反映电池退化的健康特征参数，对健康特征数据进行标准化处理，利用Pearson相关系数法计算各健康特征参数与电池健康状态(SOH)之间的相关性并进行筛选；使用主成分分析对筛选得到的健康特征数据进行降维，将降维后的健康特征数据划分为训练集数据和测试集数据；使用训练集数据训练LSTM网络，利用混沌粒子群算法(CPSO)对LSTM网络中参数进行优化，构建CPSO‑LSTM网络估计模型，将测试集数据输入网络估计模型验证是否到达设计要求，若不满足要求则重新进行网络估计模型的构建，若满足要求则将电池在线数据输入网络模型中，实现SOH实时估计。

Description

一种锂离子电池健康状态估计方法

技术领域

本发明属于锂离子电池管理技术领域，涉及一种锂离子电池健康状态估计方法。

背景技术

锂离子电池作为一种电能的存储和转化载体，已被广泛应用于消费电子、电动汽车、新能源储能等领域。然而，锂电池在循环使用过程中会因为各种内外部因素导致其性能逐渐衰退，甚至可能引发安全问题。电池健康状态(SOH)的监测作为电池管理系统BMS中最主要的功能之一，是目前公认的研究热点和难点。

目前锂离子电池SOH估计方法主要有直接测量法、基于模型的方法和基于数据驱动的方法。随着大数据和人工智能的蓬勃发展，基于数据驱动的方法显示出了在电池预测方面的优越性，成为了目前SOH估计的主流方法。

然而，目前基于数据驱动的SOH估计方法仍存在一些不足，在特征提取方面，单一的某个特征参数难以准确反映锂离子电池复杂的退化趋势，而采用多维特征参数时则会增加特征之间的冗余性，此外，部分方法的特征参数提取过程较为复杂，降低SOH的估计效率；在模型方面，部分数据驱动模型无法根据特征数据灵活设置内部结构和参数，缺少具有良好泛化性能的SOH估计模型。专利(CN108445406A)公开了一种动力电池健康状态估计方法，该方法用恒流充电过程采集的数据建立电池电压V与电池充电容量Q的对应关系曲线，之后对V-Q曲线求导，得出容量增量曲线，再经过滤波算法得到平滑的容量增量曲线，将容量增量曲线峰值和峰值位置作为输入特征建立了SOH估计模型，然而该方法一是要对电池原始数据进行差分计算，二是要使用滤波算法对容量增量曲线进行平滑处理，之后才能进行健康特征参数的提取，增加了SOH估计的复杂度。专利(CN111983457A)公开了一种基于LSTM神经网络的电池组SOH估算方法，该方法从电动汽车的电池组充电数据提取特征数据作为LSTM神经网络的输入；再计算电池组最大可用容量作为LSTM神经网络的输出，利用LSTM神经网络模型估算出了电池组SOH，然而该方法忽略了LSTM网络参数对SOH估计效果的影响，导致SOH估计结果容易产生偏差。因此，有必要针对上述问题提供一种锂离子电池健康状态估计方法来提高SOH估计的效率和精度。

发明内容

本发明解决的问题是在于提供一种锂离子电池健康状态估计方法，一方面，直接使用电池原始数据进行健康特征参数的提取和筛选，并采用主成分分析(PCA)进行了健康特征数据的降维，解决了健康特征参数提取过程复杂以及多个健康特征参数导致的冗余性问题；另一方面，使用混沌粒子群算法(CPSO)对LSTM网络中的学习率、隐含层个数和迭代次数三个参数进行了优化，解决了随机或人为设定参数会对SOH估计效果和精度产生影响的问题。

为实现上述目的，本发明提供如下技术方案：一种锂离子电池健康状态估计方法，具体步骤如下：

S1:获取电池实验数据集老化循环充放电过程中的电压、电流、时间数据，分区间提取出反应电池退化的健康特征参数；

S2:对健康特征数据进行标准化处理；

S3:使用Pearson相关系数法计算已提取的健康特征参数与电池健康状态(SOH)之间的相关性并进行筛选；

S4:使用主成分分析(PCA)对所选择的健康特征数据进行降维，并将降维后的健康特征数据按照7:3的比例分为训练集数据和验证集数据；

S5:使用训练集数据训练LSTM网络，利用混沌粒子群算法(CPSO)对LSTM网络中的参数进行优化，包括学习率、隐含层个数和迭代次数，构建CPSO-LSTM网络估计模型，优化步骤为：

(1)粒子种群初始化，包括粒子初始速度和位置、种群数量、问题解维数、种群最大迭代次数、混沌最大迭代次数、惯性权重以及学习因子；

(2)计算粒子适应度，其值为LSTM网络训练得到的平均绝对误差，确定当前个体最优解和全局最优解；

(3)更新粒子的速度和位置,并更新个体最优解和全局最优解；

(4)对更新后的全局最优解进行混沌迭代得到新解，将新解与全局最优解进行比较并保存最优可行解；

(5)判断终止条件，种群迭代次数是否达到最大或适应度值是否小于误差限，若满足，停止迭代并输出最优解，不满足则重复步骤(2)到步骤(4)；

S6:将测试集数据输入CPSO-LSTM网络估计模型验证模型精度是否到达设计要求，若不满足要求则重新进行网络模型的构建，若满足要求则将电池电压、电流在线数据输入网络模型中，进行SOH实时估计，得到SOH估计值。

优选的，在步骤S1中所述的健康特征参数包括恒流阶段充电电压区间内的充电时间、充电能量，恒压阶段充电电流区间内的充电时间、充电能量；以0.05V作为变化间隔将恒流阶段充电电压区间分为不同的电压分区间，以0.02A作为变化间隔将恒压阶段充电电流区间分为不同的电流分区间，分别提取各电压分区间和电流分区间内的充电时间、充电能量作为健康特征参数。

优选的，在步骤S2中所述的对健康特征数据进行标准化处理，采用的是min-max标准化法，计算公式为

式中，x_i为健康特征数据，y_i为标准化后的数据，max(x)和min(x)为对应健康特征数据中的最大值和最小值。

优选的，在步骤S3中所使用的Pearson相关系数法，计算公式如下：

式中，r表示Pearson相关系数，x_i和y_i分别代表健康特征数据和SOH实际值，

和/>

为两者各自平均值，n为电池充放电循环次数。

优选的，在步骤S4中使用主成分分析(PCA)对健康特征数据进行降维，其具体步骤为：给定m×n的样本特征矩阵X，对样本特征矩阵进行标准化处理后得到X′，之后计算协方差矩阵C，

根据公式Cu_i＝λ_iu_i计算X′的特征向量u_i和特征值λ_i，i＝1,2…k，之后得到降维后的矩阵H＝X′×U，U＝[u₁,u₂…,u_k]，使用公式/>

计算各主成分方差贡献率，将累计贡献率达80％以上的特征值所对应的主成分作为新的健康特征参数，将降维后的健康特征数据按照7:3的比例划分为训练集数据和测试集数据。

优选的，在步骤S5中LSTM内部结构由遗忘门、输入门、输出门三部分组成，以此实现信息的保护和控制，LSTM的具体步骤为：第一步是在遗忘门f_t中决定从单元状态中应该丢弃哪些信息，公式为f_t＝σ(W_f·[h_t-1,x_t]+b_f)，式中，σ为Sigmoid函数，W_f和b_f为遗忘门的权重矩阵和偏置项，h_t-1为t-1时刻单元状态的输出，x_t为当前t时刻单元状态的输入；第二步是决定在内部状态中存储哪些信息，这个步骤由两部分组成，第一部分由输入门i_t决定需要更新哪些信息，其中i_t＝σ(W_i·[h_t-1,x_t]+b_i)，式中，W_i和b_i为输入门的权重矩阵和偏置项，第二部分由tanh创建一个候选向量

其中/>

式中，W_c和b_c为/>

的权重矩阵和偏置项，当前单元状态C_t更新公式为/>

式中C_t-1为t-1时刻的单元状态；最后通过更新的单元状态和输出门的tanh层确定LSTM的输出，式为o_t＝σ(W_o·[h_t-1,x_t]+b_o)，h_t＝o_t*tanh(C_t)，h_t为t时刻的LSTM的输出，o_t为输出门的Sigmoid层，W_o和b_o为输出层的权重矩阵和偏置项。

优选的，在步骤S5中粒子速度更新过程为：

位置更新过程为：/>

式中，ω为惯性权重，k为迭代次数，d为问题解维数，P_id为第i个粒子个体最优位置，P_gd为粒子种群最优位置，X_id为第i个粒子的速度，c₁、c₂为学习因子，r₁、r₂为0到1之间的随机数，惯性权重ω较大时有利于全局搜索，较小时有利于局部搜索，因此采用线性递减惯性权重，公式为/>

式中ω_max为初始惯性权重，ω_min为到达最大迭代次数时的惯性权重，t和t_max为当前和最大迭代次数。

优选的，在步骤S5中使用Logistic混沌方程来构建混沌优化序列对全局最优解进行混沌迭代，式为x_k+1＝μx_k(1-x_k)，其中0≤x_k≤1，μ为控制变量，将全局最优解代入Logistic混沌方程进行混沌迭代得到新解，将新解与全局最优解进行比较并保存最优可行解，此时的最优可行解即为LSTM网络所要优化的参数的最优值。

优选的，在步骤S6中，选取平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分误差(MAPE)作为评价指标对CPSO-LSTM网络估计模型估计精度进行定量评价，以此判断是否满足设计要求，具体公式为：

式中，N为实验估计次数，y_n为SOH实际值，/>

为SOH估计值。

与现有技术相比，本发明具有以下技术效果：一是直接从电池充电过程的数据中进行健康特征参数的提取和筛选，降低了健康特征参数提取过程的复杂度，并对健康特征数据进行了降维，减少了健康特征参数间的冗余性，提高了SOH的估计效率；二是使用CPSO算法优化LSTM网络的参数，降低了随机选取参数对模型估计结果的影响，提高了SOH的估计精度。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用来解释本发明，并不构成对本发明的限制。

在附图中：

图1是本发明锂离子电池健康状态估计方法流程图；

图2是本发明中LSTM网络模型结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：如图1所示，一种锂离子电池健康状态估计方法，具体步骤如下：

S1：获取电池实验数据集老化循环充放电过程中的电压、电流、时间数据，分区间提取出反应电池退化的健康特征参数，电池充放电实验过程为：首先以1.5A电流恒流(CC)充电至电压上升至4.2V，之后进行恒压(CV)充电至电流降至20mA，放电过程保持电流2A不变，当电池的电压从4.2V降至截止电压时放电结束；所提取健康特征参数为CC阶段充电电压区间3.9V到4.2V内的充电时间、充电能量，CV阶段充电电流区间1.5A到0.5A内的充电时间、充电能量；以0.05V作为变化间隔将CC阶段充电电压区间分为不同的电压分区间，以0.02A作为变化间隔将CV阶段充电电流区间分为不同的电流分区间，分别提取各电压分区间和电流分区间内的充电时间、充电能量作为健康特征参数；

S2：对健康特征数据进行标准化处理，采用的是min-max标准化法，计算公式为

式中，x_i为健康特征数据，y_i为标准化后的数据，max(x)和min(x)为对应健康特征数据中的最大值和最小值；

S3：使用Pearson相关系数法计算已提取的健康特征参数与电池健康状态(SOH)之间的相关性，并筛选出相关系数在0.85以上的健康特征参数，使用的Pearson相关系数法，计算公式如下：

式中，r表示Pearson相关系数，x_i和y_i分别代表健康特征数据和SOH实际值，

和/>

为两者各自平均值，n为电池充放电循环次数。

S4:使用主成分分析(PCA)对所选择的健康特征参数进行降维，其具体步骤为：给定m×n的样本特征矩阵X，m为健康特征参数个数，n为各健康特征参数中的特征数据个数；对样本特征矩阵进行标准化处理后得到X′，之后计算协方差矩阵C，

根据公式Cu_i＝λ_iu_i计算X′的特征向量u_i和特征值λ_i，i＝1,2…k，之后得到降维后的矩阵H＝X′×U，U＝[u₁,u₂…,u_k]，使用公式/>

计算各主成分方差贡献率，将累计贡献率达80％以上的特征值所对应的主成分作为新的健康特征参数，将降维后的健康特征数据按照7:3的比例划分为训练集数据和测试集数据。

S5：使用训练集数据训练LSTM网络，利用混沌粒子群算法(CPSO)对LSTM网络中的参数进行优化，包括学习率、隐含层个数和迭代次数，构建CPSO-LSTM网络估计模型，优化步骤为：

(1)粒子种群初始化，包括粒子初始速度和位置、种群数量、问题解维数、种群最大迭代次数、混沌最大迭代次数、惯性权重以及学习因子，并设置种群数量为20，问题解维数为3，种群最大迭代次数为100，混沌最大迭代次数为50；

(2)计算粒子适应度，其值为LSTM网络训练得到的平均绝对误差，确定当前个体最优解和全局最优解；

(3)更新粒子的速度和位置,并更新个体最优解和全局最优解；

(4)对更新后的全局最优解进行混沌迭代得到新解，将新解与全局最优解进行比较并保存最优可行解；

(5)判断终止条件，种群迭代次数是否达到最大迭代次数100，若满足，停止迭代并输出最优解，不满足则重复步骤(2)到步骤(4)；

LSTM内部结构由遗忘门、输入门、输出门三部分组成，以此实现信息的保护和控制，网络模型结构如图2所示，LSTM的具体步骤为：第一步是在遗忘门f_t中决定从单元状态中应该丢弃哪些信息，公式为f_t＝σ(W_f·[h_t-1,x_t]+b_f)，式中，σ为Sigmoid函数，W_f和b_f为遗忘门的权重矩阵和偏置项，h_t-1为t-1时刻单元状态的输出，x_t为当前t时刻单元状态的输入；第二步是决定在内部状态中存储哪些信息，这个步骤由两部分组成，第一部分由输入门i_t决定需要更新哪些信息，其中i_t＝σ(W_i·[h_t-1,x_t]+b_i)，式中，W_i和b_i为输入门的权重矩阵和偏置项，第二部分由tanh创建一个候选向量

其中/>

式中，W_c和b_c为/>

的权重矩阵和偏置项，当前单元状态C_t更新公式为/>

式中C_t-1为t-1时刻的单元状态；最后通过更新的单元状态和输出门的tanh层确定LSTM的输出，式为o_t＝σ(W_o·[h_t-1,x_t]+b_o)，h_t＝o_t*tanh(C_t)，h_t为t时刻的LSTM的输出，o_t为输出门的Sigmoid层，W_o和b_o为输出层的权重矩阵和偏置项。

在步骤(3)中，粒子速度更新过程为：

位置更新过程为：/>

式中，ω为惯性权重，k为迭代次数，d为问题解维数，P_id为第i个粒子个体最优位置，P_gd为粒子种群最优位置，X_id为第i个粒子的速度，c₁、c₂为学习因子，其值取为1.4945，r₁、r₂为0到1之间的随机数，惯性权重ω较大时有利于全局搜索，较小时有利于局部搜索，因此采用线性递减惯性权重，公式为/>

式中ω_max为初始惯性权重，取值为0.9，ω_min为到达最大迭代次数时的惯性权重，取值为0.4，k和k_max为当前和最大迭代次数，在步骤(4)中，使用Logistic混沌方程来构建混沌优化序列对全局最优解进行混沌迭代，式为x_k+1＝μx_k(1-x_k)，其中0≤x_k≤1，μ为控制变量，取值为4，将全局最优解代入Logistic混沌方程进行混沌迭代得到新解，将新解与全局最优解进行比较并保存最优可行解，此时的最优可行解即为LSTM网络所要优化的参数的最优值。

S6:将测试集数据输入CPSO-LSTM网络估计模型验证模型精度是否到达设计要求，选取平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分误差(MAPE)作为评价指标对CPSO-LSTM网络估计模型估计精度进行定量评价，以此判断是否满足设计要求，具体公式为：

式中，N为实验估计次数，y_n为SOH实际值，/>

为SOH估计值，若不满足要求则重新进行网络模型的构建，若满足要求则将电池电压、电流在线数据输入网络模型中，进行SOH实时估计，得到SOH估计值。

最后应说明的是：以上所述仅为本发明的实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种锂离子电池健康状态估计方法，其特征在于，所述方法包括以下步骤：

S1:获取电池实验数据集老化循环充放电过程中的电压、电流、时间数据，分区间提取出反应电池退化的健康特征参数；

S2:对健康特征数据进行标准化处理；

S3:使用Pearson相关系数法计算已提取的健康特征参数与电池健康状态(SOH)之间的相关性并进行筛选；

S4:使用主成分分析(PCA)对所选择的健康特征参数进行降维，并将降维后的健康特征数据按照7:3的比例分为训练集数据和验证集数据；

S5:使用训练集数据训练LSTM网络，利用混沌粒子群算法(CPSO)对LSTM网络中的参数进行优化，包括学习率、隐含层个数和迭代次数，构建CPSO-LSTM网络估计模型，优化步骤为：

(1)粒子种群初始化，包括粒子初始速度和位置、种群数量、问题解维数、种群最大迭代次数、混沌最大迭代次数、惯性权重以及学习因子；

(2)计算粒子适应度，其值为LSTM网络训练得到的平均绝对误差，确定当前个体最优解和全局最优解；

(3)更新粒子的速度和位置,并更新个体最优解和全局最优解；

(4)对更新后的全局最优解进行混沌迭代得到新解，将新解与全局最优解进行比较并保存最优可行解；

(5)判断终止条件，种群迭代次数是否达到最大或适应度值是否小于误差限，若满足，停止迭代并输出最优解，不满足则重复步骤(2)到步骤(4)；

S6:将测试集数据输入CPSO-LSTM网络估计模型验证模型精度是否到达设计要求，若不满足要求则重新进行网络模型的构建，若满足要求则将电池电压、电流在线数据输入网络模型中，进行SOH实时估计，得到SOH估计值。

2.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于：在步骤S1中所述的健康特征参数包括恒流阶段充电电压区间内的充电时间、充电能量，恒压阶段充电电流区间内的充电时间、充电能量；以0.05V作为变化间隔将恒流阶段充电电压区间分为不同的电压分区间，以0.02A作为变化间隔将恒压阶段充电电流区间分为不同的电流分区间，分别提取各电压分区间和电流分区间内的充电时间、充电能量作为健康特征参数。

3.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于：在步骤S2中所述的对健康特征数据进行标准化处理，采用的是min-max标准化法，计算公式为

式中，x_i为健康特征数据，y_i为标准化后的数据，max(x)和min(x)为对应健康特征数据中的最大值和最小值。

4.根据权利要求1所述的基于特征提取和数据驱动的锂电池健康状态估计方法，其特征在于：在步骤S3中所使用的Pearson相关系数法，计算公式如下：

/>

式中，r表示Pearson相关系数，x_i和y_i分别代表健康特征数据和SOH实际值，

和/>

为两者各自平均值，n为电池充放电循环次数。

5.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于：在步骤S4中使用主成分分析(PCA)对健康特征数据进行降维，其具体步骤为：给定m×n的样本特征矩阵X，对样本特征矩阵进行标准化处理后得到X′，之后计算协方差矩阵C，

根据公式Cu_i＝λ_iu_i计算X′的特征向量u_i和特征值λ_i，i＝1,2…k，之后得到降维后的矩阵H＝X′×U，U＝[u₁,u₂…,u_k]，使用公式/>

计算各主成分方差贡献率，将累计贡献率达80％以上的特征值所对应的主成分作为新的健康特征参数，将降维后的健康特征数据按照7:3的比例划分为训练集数据和测试集数据。

6.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于：在步骤S5中LSTM内部结构由遗忘门、输入门、输出门三部分组成，以此实现信息的保护和控制，LSTM的具体步骤为：第一步是在遗忘门f_t中决定从单元状态中应该丢弃哪些信息，公式为f_t＝σ(W_f·[h_t-1,x_t]+b_f)，式中，σ为Sigmoid函数，W_f和b_f为遗忘门的权重矩阵和偏置项，h_t-1为t-1时刻单元状态的输出，x_t为当前t时刻单元状态的输入；第二步是决定在内部状态中存储哪些信息，这个步骤由两部分组成，第一部分由输入门i_t决定需要更新哪些信息，其中i_t＝σ(W_i·[h_t-1,x_t]+b_i)，式中，W_i和b_i为输入门的权重矩阵和偏置项，第二部分由tanh创建一个候选向量

其中/>

式中，W_c和b_c为/>

的权重矩阵和偏置项，当前单元状态C_t更新公式为/>

式中C_t-1为t-1时刻的单元状态；最后通过更新的单元状态和输出门的tanh层确定LSTM的输出，式为o_t＝σ(W_o·[h_t-1,x_t]+b_o)，h_t＝o_t*tanh(C_t)，h_t为t时刻的LSTM的输出，o_t为输出门的Sigmoid层，W_o和b_o为输出层的权重矩阵和偏置项。

7.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于在步骤S5中粒子速度更新过程为：

位置更新过程为：/>

式中，ω为惯性权重，k为迭代次数，d为问题解维数，P_id为第i个粒子个体最优位置，P_gd为粒子种群最优位置，X_id为第i个粒子的速度，c₁、c₂为学习因子，r₁、r₂为0到1之间的随机数，惯性权重ω较大时有利于全局搜索，较小时有利于局部搜索，因此采用线性递减惯性权重，公式为/>

式中ω_max为初始惯性权重，ω_min为到达最大迭代次数时的惯性权重，t和t_max为当前和最大迭代次数。

8.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于在步骤S5中使用Logistic混沌方程来构建混沌优化序列对全局最优解进行混沌迭代，式为x_k+1＝μx_k(1-x_k)，其中0≤x_k≤1，μ为控制变量，取值将全局最优解代入Logistic混沌方程进行混沌迭代得到新解，将新解与全局最优解进行比较并保存最优可行解，此时的最优可行解即为LSTM网络所要优化的参数的最优值。

9.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于在步骤S6中，选取平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分误差(MAPE)作为评价指标对CPSO-LSTM网络估计模型估计精度进行定量评价，以此判断是否满足设计要求，具体公式为：

式中，N为实验估计次数，y_n为SOH实际值，/>

为SOH估计值。/>

Images