CN116125279A - 一种电池健康状态的确定方法、装置、设备及存储介质 - Google Patents
一种电池健康状态的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116125279A CN116125279A CN202211434310.5A CN202211434310A CN116125279A CN 116125279 A CN116125279 A CN 116125279A CN 202211434310 A CN202211434310 A CN 202211434310A CN 116125279 A CN116125279 A CN 116125279A
- Authority
- CN
- China
- Prior art keywords
- health
- battery
- model
- state
- target
- 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
- 230000036541 health Effects 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 241000287127 Passeridae Species 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000010845 search algorithm Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 4
- 238000010280 constant potential charging Methods 0.000 description 4
- 238000010277 constant-current charging Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000007600 charging Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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]
- G01R31/367—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池健康状态的确定方法、装置、设备及存储介质,所述方法包括:根据与电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型;利用设定算法与模型训练数据集对初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型;将目标特征变量输入目标电池健康状态确定模型,将目标电池健康状态确定模型的输出确定为电池健康状态。本发明提供的电池健康状态的确定方法,通过采用设定算法对初始电池健康状态确定模型进行参数优化,提高了模型的精度,使模型可以充分挖掘数据中的隐含信息,提高了模型对电池健康状态的预测性能。
Description
技术领域
本发明涉及电池管理技术领域,尤其涉及一种电池健康状态的确定方法、装置、设备及存储介质。
背景技术
锂电池在使用过程中无可避免地会经历老化过程,锂离子电池的健康状态(SoH)会随着重复的充电和放电循环而逐渐降低。并且,受放电过程中的温度,充放电倍率、充放电深度等多重因素的影响,SoH的衰退是一个缓慢、不可逆的非线性变化过程,其对于定量分析储能系统锂离子电池的使用寿命及安全性能具有重要作用。因此,准确预测电池健康状态(SoH),对储能电站进行安全预警,是保障储能电站长期稳定运行的有效手段。
目前,数据驱动方法已被广泛应用于锂离子电池SoH和剩余使用寿命的预测。数据驱动方法不需要准确分析电池内部复杂的化学反应,只需要获取电池历史运行数据,通过提取直接或间接测量的参数特征,结合各种数据分析方法挖掘数据中隐含的电池健康状态信息,从而达到预测电池SoH的目的。
然而,数据驱动方法往往存在模型结构难以确定、模型参数调整困难等问题,并且对不同的数据需要频繁调整模型参数以适应不同的数据特征。由此可见,模型参数的选择是一项繁琐且重要的工作,并且人为地对模型进行调参有较大的随机性,难以确定最佳参数,无法使模型充分发挥其性能。
发明内容
本发明提供了一种电池健康状态的确定方法、装置、设备及存储介质,以实现通过构建数据模型的方法对电池健康状态进行估计。
根据本发明的一方面,提供了一种电池健康状态的确定方法,包括:
根据与所述电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型;
利用设定算法与所述模型训练数据集对所述初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型;
将所述目标特征变量输入所述目标电池健康状态确定模型,将所述目标电池健康状态确定模型的输出确定为所述电池健康状态。
进一步地,所述目标特征变量包括恒流充电时间、恒压充电时间与放电平均电压。
进一步地,根据与所述电池健康状态相关的目标特征变量构建模型训练数据集,包括:
获取电池历史运行数据;
根据所述目标特征变量从所述电池历史运行数据中提取目标数据集;
对所述目标数据集进行划分,并将划分后的目标数据集进行归一化处理,得到所述模型训练数据集。
进一步地,所述初始电池健康状态确定模型包括输入层、长短期记忆网络层、注意力机制层、全连接层和输出层。
进一步地,所述设定算法包括麻雀搜索算法。
进一步地,利用设定算法与所述模型训练数据集对所述初始电池健康状态确定模型进行优化与训练,包括:
利用所述设定算法对所述初始电池健康状态确定模型进行参数优化;
利用所述模型训练数据集对参数优化后的初始电池健康状态确定模型进行训练。
进一步地,利用所述设定算法对所述初始电池健康状态确定模型进行参数优化,包括:
获取设定的迭代次数与所述初始电池健康状态确定模型的参数个数;
根据所述参数个数进行种群初始化,得到麻雀种群;
根据所述迭代次数对所述麻雀种群进行迭代计算,得到所述初始电池健康状态确定模型的优化参数。
根据本发明的另一方面,提供了一种电池健康状态的确定装置,包括:
模型训练数据集与初始电池健康状态确定模型构建模块,用于根据与所述电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型;
目标电池健康状态确定模型确定模块,用于利用设定算法与所述模型训练数据集对所述初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型;
电池健康状态确定模块,用于将所述目标特征变量输入所述目标电池健康状态确定模型,将所述目标电池健康状态确定模型的输出确定为所述电池健康状态。
可选的,所述目标特征变量包括恒流充电时间、恒压充电时间与放电平均电压。
可选的,模型训练数据集与初始电池健康状态确定模型构建模块还用于:
获取电池历史运行数据;
根据所述目标特征变量从所述电池历史运行数据中提取目标数据集;
对所述目标数据集进行划分,并将划分后的目标数据集进行归一化处理,得到所述模型训练数据集。
可选的,所述初始电池健康状态确定模型包括输入层、长短期记忆网络层、注意力机制层、全连接层和输出层。
可选的,所述设定算法包括麻雀搜索算法。
可选的,目标电池健康状态确定模型确定模块还用于:
利用所述设定算法对所述初始电池健康状态确定模型进行参数优化;
利用所述模型训练数据集对参数优化后的初始电池健康状态确定模型进行训练。
可选的,目标电池健康状态确定模型确定模块还用于:
获取设定的迭代次数与所述初始电池健康状态确定模型的参数个数;
根据所述参数个数进行种群初始化,得到麻雀种群;
根据所述迭代次数对所述麻雀种群进行迭代计算,得到所述初始电池健康状态确定模型的优化参数。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的电池健康状态的确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电池健康状态的确定方法。
本发明实施例公开的电池健康状态的确定方法,首先根据与电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型,然后利用设定算法与模型训练数据集对初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型,最后将目标特征变量输入目标电池健康状态确定模型,将目标电池健康状态确定模型的输出确定为电池健康状态。本发明提供的电池健康状态的确定方法,通过采用设定算法对初始电池健康状态确定模型进行参数优化,提高了模型的精度,使模型可以充分挖掘数据中的隐含信息,提高了模型对电池健康状态的预测性能,并通过在模型中引入注意力机制层,减少了不相关信息对模型精度的影响的同时,减少了大量的计算。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种电池健康状态的确定方法的流程图;
图2是根据本发明实施例一提供的一种初始电池健康状态确定模型的结构示意图;
图3是根据本发明实施例二提供的一种电池健康状态的确定方法的流程图;
图4是根据本发明实施例二提供的一种麻雀搜索算法的算法步骤示意图;
图5为根据本发明实施例三提供的一种电池健康状态的确定装置的结构示意图;
图6是实现本发明实施例四的电池健康状态的确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种电池健康状态的确定方法的流程图,本实施例可适用于利用构建的数据模型对电池健康状态进行预测的情况,该方法可以由电池健康状态的确定装置来执行,该电池健康状态的确定装置可以采用硬件和/或软件的形式实现,该电池健康状态的确定装置可配置于电子设备中。如图1所示,该方法包括:
S110、根据与电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型。
其中,电池健康状态为当前放电周期的放电容量与额定容量的比值,目标特征变量为根据电池放电特性确定的与电池健康状态下降相关的特征,模型训练数据集为用于初始电池健康状态确定模型的模型开发的数据集,初始电池健康状态确定模型是用于对电池健康状态进行估计的待训练的初始算法模型。
在本实施例中,为对电池健康状态进行估计,可以确定与电池健康状态相关的目标特征变量,建立初始电池健康状态确定模型,利用模型训练数据集对初始电池健康状态确定模型进行训练,初始电池健康状态确定模型的输入为目标特征变量,输出即为模型估计得到的电池健康状态。
可选的,目标特征变量包括恒流充电时间、恒压充电时间与放电平均电压。
具体的,根据电池的放电特性,恒流充电时间随着循环周期的增加而减小,恒压充电时间随着循环周期的增加而增加,放电平均电压会随着循环周期的增加而减小,因此可以从电池充放电数据中选取出三个与SoH下降相关的特征,分别为:恒流充电时间、恒压充电时间和放电平均电压,记为F1、F2、F3,则SoH=f(F1F2F3)。
可选的,初始电池健康状态确定模型包括输入层、长短期记忆网络层、注意力机制层、全连接层和输出层。
具体的,初始电池健康状态确定模型可以是长短期记忆(LSTM)神经网络模型,LSTM神经网络能够避免梯度爆炸和梯度消失的问题,适用于预测SoH衰退周期之间的长时间依赖关系,能够准确估计电池SoH。图2是本发明实施例提供的一种初始电池健康状态确定模型的结构示意图,如图所示,基于LSTM的神经网络结构可以分为五层,依次为输入层、长短期记忆网络层、注意力机制层、全连接层和输出层。
其中,注意力机制层是将生物的注意力机制在人工智能领域的应用,在LSTM神经网络的基础上引入注意力机制层,可以过滤特征数据中一些不相关的信息,减少不相关信息对预测精度影响的同时,还能减少大量的计算。注意力机制层如下公式所示:
式中,Q为一组query集合组成的矩阵,K为一组key集合组成的矩阵,V为一组value集合组成的矩阵,sofmax为归一化指数函数。
S120、利用设定算法与模型训练数据集对初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型。
其中,设定算法可以是用于初始电池健康状态确定模型参数优化的特定算法,例如,可以是麻雀搜索算法(Sparrow Search Algorithm,SSA)等。目标电池健康状态确定模型为对初始电池健康状态确定模型进行优化与训练后得到的最终的电池健康状态估计模型。
S130、将目标特征变量输入目标电池健康状态确定模型,将目标电池健康状态确定模型的输出确定为电池健康状态。
在本实施例中,利用训练好的目标电池健康状态确定模型预测电池SoH的方式可以是,从电池数据中提取的目标特征变量F1、F2、F3作为输入,目标电池健康状态确定模型的输出特征即为预测出电池健康状态SoH。
本发明实施例提供的电池健康状态的确定方法,首先根据与电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型,然后利用设定算法与模型训练数据集对初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型,最后将目标特征变量输入目标电池健康状态确定模型,将目标电池健康状态确定模型的输出确定为电池健康状态。本发明提供的电池健康状态的确定方法,通过采用设定算法对初始电池健康状态确定模型进行参数优化,提高了模型的精度,使模型可以充分挖掘数据中的隐含信息,提高了模型对电池健康状态的预测性能,并通过在模型中引入注意力机制层,减少了不相关信息对模型精度的影响的同时,减少了大量的计算。
实施例二
图3为本发明实施例二提供的一种电池健康状态的确定方法的流程图,本实施例为上述实施例的细化。如图3所示,该方法包括:
S210、获取电池历史运行数据。
其中,电池历史运行数据为根据电池的历史运行情况得到的历史数据。
可选的,采集电池的历史运行数据可以包括充放电次数、充放电过程中的电压、电流、温度、充/放电量、恒流充电时间、恒压充电时间与放电平均电压等。
S220、根据目标特征变量从电池历史运行数据中提取目标数据集。
在本实施例中,获取电池历史运行数据后,可以根据确定的目标特征变量从电池历史运行数据中将目标特征变量数据提取出来,并根据上一实施例中提供的电池健康状态的计算方法,计算出与目标特征变量相匹配的历史电池健康状态数据。
可选的,可以从电池充放电数据中选取出三个与电池健康状态SoH下降相关的目标特征变量,分别为:恒流充电时间、恒压充电时间和放电平均电压,记为F1、F2、F3,则SoH=f(F1 F2 F3)。
S230、对目标数据集进行划分,并将划分后的目标数据集进行归一化处理,得到模型训练数据集。
在本实施例中,确定目标数据集后,为对初始电池健康状态确定模型进行训练与验证,可以将目标数据集进行划分,得到训练集与测试集。
例如,可以将目标数据集的前50%的数据作为训练集,用于模型开发;电池后50%的数据作为测试集,用以模型验证。将划分好的数据集进行归一化处理,使其不同的特征数据之间呈现出相同的数量级,归一化可以按照如下公式进行:
式中,y′为归一化后的样本值,y为当前样本值,ymax、ymin分别为样本数据中的最大值与最小值。进行归一化后,所有数据区间都为[0,1]。
S240、建立初始电池健康状态确定模型。
在本实施例中,初始电池健康状态确定模型的输入为目标特征变量,输出即为模型估计得到的电池健康状态。
可选的,初始电池健康状态确定模型可以是神经网络模型,模型结构包括输入层、长短期记忆网络层、注意力机制层、全连接层和输出层。
S250、利用设定算法对初始电池健康状态确定模型进行参数优化。
可选的,设定算法包括麻雀搜索算法。
在本实施例中,为优化初始电池健康状态确定模型,可以采用麻雀搜索算法(Sparrow Search Algorithm,SSA)。SSA是2020年提出的一种新兴的元启发式算法,该算法通过不断更新个体位置,模拟麻雀觅食和反捕食行为进行搜索。相比传统算法,麻雀搜索算法的结构简单、易于实现,且控制参数较少,局部搜索能力较强。优选地,针对麻雀算法种群初始化为随机生成,导致初始个体具有较大的随机性和不确定性,不利于算法的全局勘测和局部开发的问题,可以引入Iterative混沌映射改进麻雀算法,当麻雀第一个个体的位置随机生成之后,其余个体的位置根据Iterative混沌映射公式生成,其公式如下:
式中,b为[0,1]直接的任意值,xi为第i个麻雀个体。
进一步地,利用设定算法对初始电池健康状态确定模型进行参数优化的方式可以是:获取设定的迭代次数与初始电池健康状态确定模型的参数个数;根据参数个数进行种群初始化,得到麻雀种群;根据迭代次数对麻雀种群进行迭代计算,得到初始电池健康状态确定模型的优化参数。
具体的,可以使用改进的麻雀算法对构建好的初始电池健康状态确定模型(LSTM神经网络)进行寻优,寻优参数包括学习率lr,每个网络层的神经元个数ls,神经网络的迭代次数epochss,以及每批数据量大小batch_size。图4是本发明实施例提供的一种麻雀搜索算法的算法步骤示意图,如图所示,具体步骤如下:
步骤一:种群初始化。确定麻雀算法的迭代次数T以及种群数量n,设置种群的位置区间值,该区间值即为神经网络待优化参数值的区间。在设置的区间范围内,随机生成一个麻雀种群个体X1=[x1 x2…xm],其余个体位置根据第一个个体位置,由Iterative混沌映射生成,形成麻雀种群X=[X1 X2…Xn]。种群的位置参数值即神经网络的待优化参数值,每一个麻雀个体位置都对应一个m维向量,m为神经网络待优化参数的个数。
步骤二:适应度计算。将每个个体的位置参数输入到搭建好的待优化的神经网络中作为神经网络的参数,神经网络利用划分的训练集进行训练,并以划分的测试集进行验证。训练集和测试集的特征F1、F2、F3作为神经网络特征输入,电池健康状态SoH作为标签。根据神经网络的输出结果计算麻雀个体的适应度,适应度函数如下:
式中,ytru(t)、ypre(t)分别为第t个样本的实际值和预测值;n为样本个数。不同位置的麻雀个体均对应不同适应度,即可获得麻雀种群的适应度值fit=[fit1fit2...fitn]。
步骤三:划分发现者和跟随者。将适应度fit最小的p只麻雀作为发现者,剩余n-p只麻雀作为跟随者。
步骤四:更新发现者位置。发现者按照如下公式更新位置:
式中,t表示当前迭代次数,itermax为最大迭代次数,是第t次迭代中第i个麻雀个体在第j维中的位置信息,β为补偿控制参数,是服从均值为0,方差为1的正态分布的随机数,Q是服从正态分布的随机数,L表示全1矩阵,ST表示安全阈值,ST∈[0.5,1],R2表示麻雀种群位置的预警值,R2∈[0,1]。
步骤五:更新跟随者位置。跟随者按照如下公式更新位置:
式中,Xworst表示全局最差麻雀位置,Xp表示发现者最优位置,A为一个矩阵,其中每个元素随机赋值为1或-1。
步骤六:随机选择警戒者并更新位置。从种群中随机选取15%的麻雀个体成为警戒者,并按照下述公式更新位置。通过不断更新种群位置,尽可能减小适应度函数值。
式中,Xbest是当前的全局最优位置;β作为补偿控制参数,是服从均值为0,方差为1的正态分布的随机数;K为区间[-1,1]之间的随机数;fi是当前麻雀个体的适应度值;fg和fw分别为当前全局最佳和最差适应度值;ε为常数,避免分母为0。
步骤七:判断是否满足终止条件。重复执行步骤二至步骤六,判断是否满足算法终止条件。优选地,终止条件可以设置为迭代次数T,即麻雀算法迭代T次后终止,并输出算法寻优结果,即初始电池健康状态确定模型优化后的参数。
S260、利用模型训练数据集对参数优化后的初始电池健康状态确定模型进行训练,确定目标电池健康状态确定模型。
在本实施例中,利用麻雀搜索算法对初始电池健康状态确定模型进行参数优化之后,再通过划分好的训练集对模型进行神经网络训练,通过测试集进行验证,其中F1、F2、F3作为神经网络特征输入,电池SoH作为标签。
S270、将目标特征变量输入目标电池健康状态确定模型,将目标电池健康状态确定模型的输出确定为电池健康状态。
在本实施例中,利用训练好的目标电池健康状态确定模型预测电池SoH的方式可以是,从电池数据中提取的目标特征变量F1、F2、F3作为输入,目标电池健康状态确定模型的输出特征即为预测出电池健康状态SoH。
本发明实施例提供的电池健康状态的确定方法,首先获取电池历史运行数据,然后根据目标特征变量从电池历史运行数据中提取目标数据集,再对目标数据集进行划分,并将划分后的目标数据集进行归一化处理,得到模型训练数据集,再建立初始电池健康状态确定模型,再利用设定算法对初始电池健康状态确定模型进行参数优化,再利用模型训练数据集对参数优化后的初始电池健康状态确定模型进行训练,确定目标电池健康状态确定模型,最后将目标特征变量输入目标电池健康状态确定模型,将目标电池健康状态确定模型的输出确定为电池健康状态。本发明实施例提供的电池健康状态的确定方法,通过采用设定算法对初始电池健康状态确定模型进行参数优化,提高了模型的精度,使模型可以充分挖掘数据中的隐含信息,提高了模型对电池健康状态的预测性能,且使用Iterative混沌映射解决了麻雀搜索算法的群初始化随机性问题,增强了算法的全局勘测能力。此外,通过在模型中引入注意力机制层,减少了不相关信息对模型精度的影响的同时,减少了大量的计算。
实施例三
图5为本发明实施例三提供的一种电池健康状态的确定装置的结构示意图。如图5所示,该装置包括:模型训练数据集与初始电池健康状态确定模型构建模块310,目标电池健康状态确定模型确定模块320和电池健康状态确定模块330。
模型训练数据集与初始电池健康状态确定模型构建模块310,用于根据与电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型。
可选的,目标特征变量包括恒流充电时间、恒压充电时间与放电平均电压。
可选的,初始电池健康状态确定模型包括输入层、长短期记忆网络层、注意力机制层、全连接层和输出层。
可选的,模型训练数据集与初始电池健康状态确定模型构建模块310还用于:
获取电池历史运行数据;根据目标特征变量从电池历史运行数据中提取目标数据集;对目标数据集进行划分,并将划分后的目标数据集进行归一化处理,得到模型训练数据集。
目标电池健康状态确定模型确定模块320,用于利用设定算法与模型训练数据集对初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型。
可选的,设定算法包括麻雀搜索算法。
可选的,目标电池健康状态确定模型确定模块320还用于:
利用设定算法对初始电池健康状态确定模型进行参数优化;利用模型训练数据集对参数优化后的初始电池健康状态确定模型进行训练。
可选的,目标电池健康状态确定模型确定模块320还用于:
获取设定的迭代次数与初始电池健康状态确定模型的参数个数;根据参数个数进行种群初始化,得到麻雀种群;根据迭代次数对麻雀种群进行迭代计算,得到初始电池健康状态确定模型的优化参数。
电池健康状态确定模块330,用于将目标特征变量输入目标电池健康状态确定模型,将目标电池健康状态确定模型的输出确定为电池健康状态。
本发明实施例所提供的电池健康状态的确定装置可执行本发明任意实施例所提供的电池健康状态的确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如电池健康状态的确定方法。
在一些实施例中,电池健康状态的确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的电池健康状态的确定的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电池健康状态的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种电池健康状态的确定方法,其特征在于,包括:
根据与所述电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型;
利用设定算法与所述模型训练数据集对所述初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型;
将所述目标特征变量输入所述目标电池健康状态确定模型,将所述目标电池健康状态确定模型的输出确定为所述电池健康状态。
2.根据权利要求1所述的方法,其特征在于,所述目标特征变量包括恒流充电时间、恒压充电时间与放电平均电压。
3.根据权利要求1所述的方法,其特征在于,根据与所述电池健康状态相关的目标特征变量构建模型训练数据集,包括:
获取电池历史运行数据;
根据所述目标特征变量从所述电池历史运行数据中提取目标数据集;
对所述目标数据集进行划分,并将划分后的目标数据集进行归一化处理,得到所述模型训练数据集。
4.根据权利要求1所述的方法,其特征在于,所述初始电池健康状态确定模型包括输入层、长短期记忆网络层、注意力机制层、全连接层和输出层。
5.根据权利要求1所述的方法,其特征在于,所述设定算法包括麻雀搜索算法。
6.根据权利要求5所述的方法,其特征在于,利用设定算法与所述模型训练数据集对所述初始电池健康状态确定模型进行优化与训练,包括:
利用所述设定算法对所述初始电池健康状态确定模型进行参数优化;
利用所述模型训练数据集对参数优化后的初始电池健康状态确定模型进行训练。
7.根据权利要求6所述的方法,其特征在于,利用所述设定算法对所述初始电池健康状态确定模型进行参数优化,包括:
获取设定的迭代次数与所述初始电池健康状态确定模型的参数个数;
根据所述参数个数进行种群初始化,得到麻雀种群;
根据所述迭代次数对所述麻雀种群进行迭代计算,得到所述初始电池健康状态确定模型的优化参数。
8.一种电池健康状态的确定装置,其特征在于,包括:
模型训练数据集与初始电池健康状态确定模型构建模块,用于根据与所述电池健康状态相关的目标特征变量构建模型训练数据集,并建立初始电池健康状态确定模型;
目标电池健康状态确定模型确定模块,用于利用设定算法与所述模型训练数据集对所述初始电池健康状态确定模型进行优化与训练,确定目标电池健康状态确定模型;
电池健康状态确定模块,用于将所述目标特征变量输入所述目标电池健康状态确定模型,将所述目标电池健康状态确定模型的输出确定为所述电池健康状态。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的电池健康状态的确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的电池健康状态的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211434310.5A CN116125279A (zh) | 2022-11-16 | 2022-11-16 | 一种电池健康状态的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211434310.5A CN116125279A (zh) | 2022-11-16 | 2022-11-16 | 一种电池健康状态的确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116125279A true CN116125279A (zh) | 2023-05-16 |
Family
ID=86301606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211434310.5A Pending CN116125279A (zh) | 2022-11-16 | 2022-11-16 | 一种电池健康状态的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116125279A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030764A (zh) * | 2021-03-04 | 2021-06-25 | 武汉大学 | 一种电池组健康状态估计方法及系统 |
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN113671401A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种基于优化算法与数据驱动的锂电池健康状态评估方法 |
-
2022
- 2022-11-16 CN CN202211434310.5A patent/CN116125279A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030764A (zh) * | 2021-03-04 | 2021-06-25 | 武汉大学 | 一种电池组健康状态估计方法及系统 |
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN113671401A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种基于优化算法与数据驱动的锂电池健康状态评估方法 |
Non-Patent Citations (2)
Title |
---|
谢晓华 等: "锂离子电池低温充放电性能的研究", 化学世界, no. 10, 25 October 2008 (2008-10-25), pages 581 - 583 * |
郭玄 等: "基于SSA-LSTM的锂离子电池寿命预测", 电池工业, vol. 25, no. 3, 25 June 2021 (2021-06-25), pages 131 - 135 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113219343A (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
Wei et al. | State of health assessment for echelon utilization batteries based on deep neural network learning with error correction | |
CN115221795A (zh) | 容量预测模型的训练方法、预测方法、装置、设备及介质 | |
JP2023520970A (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
CN113093014A (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
CN116109004A (zh) | 一种绝缘子泄漏电流的预测方法、装置、设备及介质 | |
CN115656824A (zh) | 基于cnn-lstm模型的锂电池核电状态预测方法 | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
CN117110891A (zh) | 锂离子电池荷电状态估计值的计算方法和计算装置 | |
CN117407795A (zh) | 一种电池安全预测方法、装置、电子设备及存储介质 | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN116643177A (zh) | 一种电池健康度在线预测方法、装置、设备及介质 | |
Wang et al. | A conditional random field based feature learning framework for battery capacity prediction | |
CN116048956A (zh) | 一种软件缺陷发生情况预测方法、装置、设备及存储介质 | |
CN116093497A (zh) | 一种电池热失控概率预测方法、装置、设备及存储介质 | |
Zhao et al. | Lithium‐Ion Battery State‐of‐Health Estimation Method Using Isobaric Energy Analysis and PSO‐LSTM | |
CN115389947B (zh) | 锂电池健康状态的预测方法、装置、电子设备及存储介质 | |
CN118131071A (zh) | 一种电池健康状态确定方法、装置、电子设备和存储介质 | |
CN118151037A (zh) | 铅酸电池健康状态的评估方法、装置、设备及存储介质 | |
CN118033461A (zh) | 一种电池健康状态的评估方法、装置及电子设备 | |
CN118033462B (zh) | 一种电池的剩余寿命预测方法、装置、设备及存储介质 | |
CN117991109B (zh) | 模型训练及充电状态的确定方法、装置、设备和存储介质 | |
CN115099163A (zh) | 荷电状态确定方法、装置、电子设备及存储介质 |
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 |