CN116298893A - 一种基于神经网络和阻抗谱数据预测电池剩余容量方法 - Google Patents
一种基于神经网络和阻抗谱数据预测电池剩余容量方法 Download PDFInfo
- Publication number
- CN116298893A CN116298893A CN202310475995.6A CN202310475995A CN116298893A CN 116298893 A CN116298893 A CN 116298893A CN 202310475995 A CN202310475995 A CN 202310475995A CN 116298893 A CN116298893 A CN 116298893A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- neural network
- battery
- data
- 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
- 238000001453 impedance spectrum Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 14
- 230000004913 activation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 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]
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
本发明公开一种基于神经网络和阻抗谱数据预测电池剩余容量方法，包括如下步骤：1、测试并采集电池电化学阻抗谱数据：采用专业阻抗谱测试仪器，并且覆盖一定的温度和频率范围；2、构建模型：数据采集完毕后，构建神经网络，采用回归预测模型。3、训练神经网络模型：基于采集的电池电化学阻抗谱和电池剩余容量的数据进行训练；4、验证神经网络模型效果：在模型训练中将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验模型的泛化能力。本发明利用预测模型较好的拟合能力，能够在保证较高预测精度的水平下，兼顾预测的效率，实现准确高效的预测电池剩余容量。
Description
技术领域
本发明涉及动力电池健康状态(SOH)检测评估和电化学技术领域，尤其是一种基于神经网络和阻抗谱数据预测电池剩余容量方法。
背景技术
锂电池可用容量估算过程中面临很多精度和效率难以兼顾的问题，在针对电池阻抗谱数据的获取和处理过程中，也同样面临此种问题。
在现有研究中，使用神经网络模型预测电池剩余容量的研究有很多，但使用电池阻抗谱数据作为样本数据的研究较少。如有采用遗传算法改进BP神经网络的方法预测电池剩余容量，有采用特征处理和径向基神经网络的锂电池剩余容量估算方法，能够有效兼顾预测准确性与预测效率；有采用灰狼算法优化LSTM神经网络的方式来预测锂电池的容量。但针对电池电化学阻抗谱作为预测样本的研究稀缺，电池电化学阻抗谱（EIS）基本原理是采用2的正弦电压或电流信号作为激励信号，主动对电化学稳态系统进行扰动，分析激励信号与响应信号之间的频率、阈值和相位关系，最终得到被测系统在某一频率范围内的频率响应函数。它与电池的其他属性特征，如剩余容量、剩余寿命和健康度等，存在一些内在的联系，如何基于阻抗谱数据来进行一些分析和预测，是电化学领域的研究热点。
尽管电化学阻抗谱数据在锂离子电池剩余容量预测等方面应用繁多，但在神经网络方法预测电池阻抗谱样本数据下的电池剩余容量的预测体系较少。
发明内容
为了解决上述技术问题，本发明提供一种基于神经网络和阻抗谱数据预测电池剩余容量方法，采用神经网络模型，从电池阻抗谱频率数据的角度出发，构建阻抗谱数据和电池剩余容量之间的预测模型关系，实现准确高效的预测。
本发明解决其技术问题所采用的技术方案是：
一种基于神经网络和阻抗谱数据预测电池剩余容量方法，包括如下步骤：
步骤1， 测试并采集电池电化学阻抗谱数据：采用专业阻抗谱测试仪器，并且覆盖一定的温度和频率范围，温度设置25度、35度和45度，频率范围设置10-2HZ至105HZ，在频率范围中间按一定间隔选取多个频率值，优选为60个；
步骤2，构建模型：在步骤1数据采集完毕后，构建神经网络回归预测模型。采用回归预测模型，该模型输入数据是电池的电化学阻抗数据，所述电化学阻抗数据的特征维度是频率从高到低对应的阻抗的实部和虚部数据；
步骤3，训练神经网络模型：在步骤2神经网络模型构建完毕后，基于步骤1采集的电池电化学阻抗谱数据和电池剩余容量数据进行训练，并且设置训练循环次数和样本数量；
步骤4，验证神经网络模型效果：在步骤3模型训练后，将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验模型的泛化能力。
进一步的，所述步骤3中设置模型训练循环次数为200次，设置每次训练的样本数量，选每次取10条样本。
进一步的，所述步骤2中神经网络模型中间层是全连接层，层数设置成2层，激活函数为Relu函数。
进一步的，所述模型的检验指标是预测值和真实值之间的均方误差。
本发明有益效果是
本发明将神经网络模型引入电池阻抗谱数据的领域，利用预测模型较好的拟合能力，能够在保证较高预测精度的水平下，兼顾预测的效率。本发明通过构建阻抗谱数据和电池剩余容量之间的预测模型关系，实现准确高效的预测电池剩余容量。适用于对电池剩余容量进行预估的过程，也适用于对电池阻抗谱数据进行处理的过程。本发明有利于锂电池剩余容量的准确预测。
附图说明
图1为阻抗谱频率重要性计算模型架构图。
图2为预测电池剩余容量神经网络模型结构图。
图3为本发明阻抗谱频率重要性计算流程图。
图4为基于神经网络模型使用电池阻抗谱预测电池剩余容量预测结果图。
实施方式
如图3所示，是本发明的电池阻抗谱频率重要性计算方法的流程图，包括测试并采集电池电化学阻抗谱数据、构建模型、训练神经网络模型、验证神经网络模型效果。
由图1可知，模型输入部分real1至real60表示从高频至低频对应的阻抗数据的实部数据，imaginary1至imaginary60表示从高频至低频对应的阻抗数据的虚部数据。
model表示构建的回归预测模型，本发明选取神经网络模型作为回归预测模型的样例。但模型的选取范围包含但不限于线性回归模型、决策树回归模型、神经网络模型和深度学习模型等。图1中target是模型的预测目标，本发明选取电池剩余容量作为预测目标样例。但预测目标的选取范围包含但不限于电池的剩余容量、电池健康度和电池剩余寿命等。
本发明的实施流程分为以下几个步骤：
1.测试并采集电池电化学阻抗谱数据：测试和采集电池电化学阻抗谱数据需要专业的阻抗谱测试仪器，并且需要覆盖一定的温度和频率范围，本发明的温度设置25度、35度和45度，频率范围设置10-2HZ至105HZ，在频率范围中间按一定间隔选取多个频率值，本发明选取60个。采集数据时，对电池进行多次循环的充放电操作，在此过程中，进行阻抗的测试，采集并记录每个频率对应的阻抗的实部和虚部数据，以及相对应的电池容量数据。
2.构建模型：在数据采集完毕之后，构建神经网络回归预测模型。模型结构如图2所示。输入数据就是电池的电化学阻抗数据，特征维度是频率从高到低对应的阻抗的实部和虚部数据。本发明在频率范围中选取了60个频率值，则前60维度的数据对应于60个频率测试得到的阻抗的实部数据，接下来的60维度的数据对应于60个频率测试得到的阻抗的虚部数据，共120维度。
神经网络模型中间层是全连接层，层数设置成2层，激活函数为Relu函数。
激活函数是在神经元中，输入的数据通过加权求和后，负责将神经元的输入映射到输出端的函数。ReLU函数的取值是输入值和0之间的最大值，它给神经元引入了非线性因素，使得神经网络任意逼近任何非线性函数。为防止模型过拟合，中间层之后添加一层Dropout层，神经元丢弃比例为0.2。
Dropout是指神经网络模型学习训练过程中，对于神经网络训练单元，暂时将按照一定的概率将其从网络中移除，是一种减少模型过拟合的方法。神经网络的输出层是一个线性回归层，输出值就是电池的剩余容量，做归一化处理，激活函数为Linear函数。Linear函数就是线性回归函数。模型损失函数为均方误差（Mean Square Error, MSE）。
损失函数是用来估量模型的预测值与真实值的不一致程度，损失函数是一个非负实值函数，损失函数越小，模型的鲁棒性就越好。在回归预测模型中，均方误差是检验模型优劣的指标之一，它是检测样本的真实值与预测值的差值的平方求和的平均值，一般用来检测模型的预测值和真实值之间的偏差。均方误差越小，说明模型拟合的越好，效果也越好。
本发明中的模型优化方法选取rmsprop。模型优化方法就是模型参数求解方法，以最小化损失函数为目标，同时要兼顾计算性能和求解精度。
3.训练神经网络模型：神经网络模型构建完毕之后，基于之前采集的电池电化学阻抗谱和电池剩余容量的数据，进行训练。设置模型训练循环次数200次，设置每次训练的样本数量，选每次取10条样本。
4. 验证神经网络模型效果：在模型训练中，将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验模型的泛化能力。检验指标是预测值和真实值之间的均方误差。
本发明构建的基于神经网络模型预测电池剩余容量的模型结构图如图2所示。输入部分的含义同上。layer1和layer2表示全连接层，激活函数为relu函数。输出层为线性回归模型，输出值是电池剩余容量，激活函数为linear函数。本发明的电池阻抗谱频率重要性计算方法的流程图如图3所示。
本发明在公开数据集合 上测试效果，使用其中的阻抗数据来预测电池剩余容量。将数据集按照8:2的比例分成训练集合和测试集合，训练模型之后，在测试集合测试效果。
测试集合的均值为30.6003，方差为4.0861，预测集合的均值为30.6512，方差为3.9997，这表明预测结果的数据分布与真实数据的数据分布基本一致。预测集合和测试集合的均方误差只有0.6296，说明模型的预测效果良好。数据集合样例如表1所示
本发明的预测结果样例如图4所示。图4中，蓝色折线表示真实值，红色折线表示预测值。折线上面的数字是预测值，下面的数字是真实值。从折线重叠效果和误差的取值可以看出，预测结果准确度比较理想。表2展示了部分权重排名靠前的频率以及相关信息。
从表2可以看出，在电池容量预测数据中，阻抗数据中特征对应频率重要性排名靠前的频率特征序号为95、94、96和97，它们对应的频率分别是6.97545HZ、8.81772HZ、5.5173HZ和4.36941HZ，都处于低频区，在4至8赫兹左右，特征值都来自于阻抗复数表达式中的虚部数据。其次重要的频率特征序号是25至30，频率区间是22.48202赫兹至72.5170赫兹，特征值都来自于阻抗复数表达式中的实部数据。
Claims (4)
1.一种基于神经网络和阻抗谱数据预测电池剩余容量方法，其特征在于，包括如下步骤：
步骤1， 测试并采集电池电化学阻抗谱数据：采用专业阻抗谱测试仪器，并且覆盖一定的温度和频率范围，温度设置25度、35度和45度，频率范围设置10-2HZ至105HZ，在频率范围中间按一定间隔选取多个频率值，优选为60个；
步骤2，构建模型：在步骤1数据采集完毕后，构建神经网络回归预测模型。采用回归预测模型，该模型输入数据是电池的电化学阻抗数据，所述电化学阻抗数据的特征维度是频率从高到低对应的阻抗的实部和虚部数据；
步骤3，训练神经网络模型：在步骤2神经网络模型构建完毕后，基于步骤1采集的电池电化学阻抗谱数据和电池剩余容量数据进行训练，并且设置训练循环次数和样本数量；
步骤4，验证神经网络模型效果：在步骤3模型训练后，将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验模型的泛化能力。
2.根据权利要求1所述的一种基于神经网络和阻抗谱数据预测电池剩余容量方法，其特征在于，所述步骤2中神经网络模型中间层是全连接层，层数设置成2层，激活函数为Relu函数。
3.根据权利要求1所述的一种基于神经网络和阻抗谱数据预测电池剩余容量方法，其特征在于，所述步骤3中设置模型训练循环次数为200次，设置每次训练的样本数量，选每次取10条样本。
4.根据权利要求1所述的一种基于神经网络和阻抗谱数据预测电池剩余容量方法，其特征在于，所述步骤4中所述模型的检验指标是预测值和真实值之间的均方误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310475995.6A CN116298893A (zh) | 2023-04-28 | 2023-04-28 | 一种基于神经网络和阻抗谱数据预测电池剩余容量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310475995.6A CN116298893A (zh) | 2023-04-28 | 2023-04-28 | 一种基于神经网络和阻抗谱数据预测电池剩余容量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116298893A true CN116298893A (zh) | 2023-06-23 |
Family
ID=86792757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310475995.6A Pending CN116298893A (zh) | 2023-04-28 | 2023-04-28 | 一种基于神经网络和阻抗谱数据预测电池剩余容量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298893A (zh) |
-
2023
- 2023-04-28 CN CN202310475995.6A patent/CN116298893A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Flexible battery state of health and state of charge estimation using partial charging data and deep learning | |
| CN103336248B (zh) | 基于电池退化状态模型的锂离子电池循环寿命预测方法 | |
| WO2020090143A1 (ja) | 電流パルス法による電池診断装置及び電池診断方法 | |
| CN113484787B (zh) | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 | |
| CN113109715B (zh) | 基于特征选择和支持向量回归的电池健康状况预测方法 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN113884935B (zh) | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 | |
| CN113030761B (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
| CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
| CN111832221A (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN115061049B (zh) | 一种数据中心ups电池故障快速检测方法及系统 | |
| CN116224112A (zh) | 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法 | |
| CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
| CN115201692A (zh) | 一种锂电池剩余寿命分析预测方法 | |
| CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| CN113376541A (zh) | 一种基于crj网络的锂离子电池健康状态预测方法 | |
| CN116736171A (zh) | 一种基于数据驱动的锂离子电池健康状态估算方法 | |
| CN116298893A (zh) | 一种基于神经网络和阻抗谱数据预测电池剩余容量方法 | |
| CN114415034A (zh) | 一种基于内部机理分析的锂离子电池容量预测方法 | |
| Sui | Robust State of Health Estimation for Lithium-Ion Batteries Using Machines Learning | |
| CN116953529B (zh) | 一种基于数据融合的锂离子动力电池健康评估方法及系统 | |
| CN116500460B (zh) | 一种基于云计算的物联网电池健康状态诊断和预测系统 |
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 |