CN116298934B - 一种用于锂电池健康状态估算的预测网络的建模方法 - Google Patents
一种用于锂电池健康状态估算的预测网络的建模方法 Download PDFInfo
- Publication number
- CN116298934B CN116298934B CN202310565003.9A CN202310565003A CN116298934B CN 116298934 B CN116298934 B CN 116298934B CN 202310565003 A CN202310565003 A CN 202310565003A CN 116298934 B CN116298934 B CN 116298934B
- Authority
- CN
- China
- Prior art keywords
- battery
- lithium ion
- ion battery
- voltage
- vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000036541 health Effects 0.000 title claims abstract description 27
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 12
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 14
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 67
- 229910001416 lithium ion Inorganic materials 0.000 claims description 67
- 239000013598 vector Substances 0.000 claims description 52
- 238000007599 discharging Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 230000032683 aging Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007789 sealing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 208000037004 Myoclonic-astatic epilepsy Diseases 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000874 microwave-assisted extraction Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
-
- 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
本发明提供一种用于锂电池健康状态估算的预测网络的建模方法,搭建多变量时间序列预测网络后进行训练,从特征提取的方法入手,从电池循环寿命测试中的充电部分切入,对其电压曲线进行特征提取,以相同间隔的划分电压,并提取其所需的时间作为特征,并且提取其相应时间对应的电压曲线下的封闭面积作为特征,两种特征作为最终的特征,解决了传统方法只能依靠电压具体值的特征提取方法,尤其是传统方法提取特征较少所导致的精度不足、鲁棒性和适用性不强的问题;本发明利用多变量时间序列预测网络中注意力机制,探究数据之间的联系,解决了传统方法只能通过完整数据段才能预测电池状态的问题。
Description
技术领域
本发明涉及电池智能健康状态估算领域,具体涉及一种用于锂电池健康状态估算的预测网络的建模方法。
背景技术
锂离子电池(LIB)由于其高能量密度、良好稳定性和长使用寿命的优点而在许多可再生能源系统中用作能量存储装置。然而,LIB的性能在连续充电/放电期间降级,从而导致容量衰减或功率衰减。因此,健康诊断对于电动车辆(EV)的制造商和消费者都是至关重要的,以确保LIB的安全性和可靠性。健康状态(SoH)是电池系统的关键参数之一,其变化直接影响电池组的性能、可靠性和安全性。然而,复杂的内部电化学配置和不确定的外部操作环境使得LIB的降解过程极其复杂,并且降解过程甚至在其它方面相同的电池中也是不同的,这限制了LIB的SoH估计的准确性。因此,快速、准确地估计LIB的SoH已成为一个重要的研究课题。
随着车联网和云计算的快速发展,基于大数据的深度学习在锂离子电池健康状态的在线预测中发挥着越来越重要的作用,其中提高准确性、鲁棒性和实时适用性是当前的研究挑战。
数据驱动方法可以实现基于历史数据样本的健康状态评估。然而,数据驱动方法仍面临一些需要注意的问题:(i)在实践中,一方面,由于制造工艺不当,锂离子电池(LIB)之间存在个体差异,这导致每个电池的健康状态SoH曲线不同;另一方面,原始曲线包含太多噪声而不能直接用于SoH估计。因此,许多学者采用各种滤波技术来平滑输入曲线。然而,迄今为止还没有出现一种定量分析的方法,能够实现曲线平滑度和特征保持之间的最佳平衡,因为曲线平滑度和特征保持之间是相互的。(iii) 此外,目前大多方法对原始数据都是有选择性的,即:必须通过相同的SOC区间的数据才能进行实验。然而在许多实际情况下,车辆中的电池最可能从其SOC在20%和80%之间开始充电,并以SOC在70%和100%之间结束,由于充电和放电时间表上用户行为的不确定性,难以获得完整时段的原始数据。
发明内容
针对现有技术中的问题,本发明提供一种用于锂电池健康状态估算的预测网络的建模方法,目的在于搭建一种多变量时间序列预测网络来提取电池健康特征与健康状态之间的映射关系,克服传统方法所面临的准确性、鲁棒性和实时适用性不强的问题。
一种用于锂电池健康状态估算的预测网络的建模方法,包括以下步骤:
步骤1:搭建多变量时间序列预测网络,所述多变量时间序列预测网络包括:
用于将输入特征序列归一化并得到中间序列的归一化单元:
用于将中间序列嵌入到高维中并得到输出序列的第一MLP模块;
用于以跨时间步长从所述输出序列中提取特征并将其矢量化,以得到中间向量的1DCNN单元,若干头1DCNN单元分别用于提取与之对应的中间向量;
用于对中间向量进行学习并得到特征向量的注意力模块;
用于将所述特征向量和中间向量进行相加并得到聚合向量的卷积核;
用于将所述聚合向量降维并得到降维向量的第二MLP模块;
用于处理所述降维向量并输出电池健康度(SOH)的全连接层;
步骤2:对所述多变量时间序列预测网络进行训练,包括以下步骤:
步骤2.1:通过用于电池循环寿命试验的实验平台对锂离子电池进行循环寿命测试,并得到每块电池的电池充电曲线;
步骤2.2:从每个所述电池充电曲线中提取电压曲线特征,所述电压曲线特征包括充电电压从Va到Vb每升高(Vb-Va)/16所需的充电时间以及电压曲线的封闭面积,并将充电时间依次记为T1至T16,将封闭面积依次记为A1至A16,Va为电池工作电压范围的左端电压值,Vb为电池工作电压范围的右端电压值;
步骤2.3:基于皮尔逊(Pearson)相关系数的特征相关性将所述电池充电曲线中选取的T1至T16以及A1至A16组合形成与该电池充电曲线相应的输入特征序列;
步骤3:将所述输入特征序列作为向量x,将所述输入特征序列对应的电池健康度作为向量y,将所述向量x和向量y拆分为训练集和验证集,通过训练集对多变量时间序列预测网络进行训练,再通过验证集对多变量时间序列预测网络进行验证。
为更准确地计算不同周期充电电压曲线的封闭面积,进一步为:所述封闭面积的计算公式为:
其中,表示充电曲线的线性函数,表示时间序列的线性函数;表示当前时
刻的电压值,表示上一时刻的电压值,和表示当前时刻和上一时刻的
时间。
为提高模型的预测能力,并降低解释模型结果的成本,进一步为:根据T1至T16之间相关系数找到共同的线性特征,以及根据A1至A16之间的相关系数找到共同的线性特征,使得所述输入特征序列为[T1,A2,A3,A4,……,A16]。
为丰富提取的特征,改善最终的结果,进一步为:所述多变量时间序列预测网络包括三个1DCNN单元,这三个1DCNN单元分别对应设置有9个滤波器、7个滤波器和5个滤波器。
为提升模型学习特征的差异化分布,进一步为:所述注意力模块包括局部注意力单元和全局注意力单元,所述局部注意力单元为:
其中,表示变换矩阵,表示部分电池的中间向量,表示所有电池
特征的局部信息,并表示域的权重,指的是基于中间向量的函数;
所述全局注意力单元为:
其中,表示全连通矩阵,表示所有电池的中间向量,表示表示所
有电池特征的全局信息;并表示域的权重,指的是基于中间向量的函数;
所述特征向量为:
其中,和为模型通过学习得到的一组超参数。
进一步为:所述实验平台由NewareBTS-5V12A充放电测试仪、可编程恒温恒湿箱(SANWOODSMG-150-CC)和记录数据的计算机组成,对锂离子电池进行循环寿命测试的步骤包括:
从同一批次的锂离子电池中选择6个2Ah、18650功率电池(Prospower ICR18650P)在25℃的恒温箱中重复充电和放电;
其中,电池预处理周期为:
(a)使用0.5 C的CC模式对锂离子电池充电,直到电压达到4.2 V;
(b)使用CV模式对锂离子电池进行充电,直到电流降至0.1 C;
(c)保持锂离子电池静置120分钟;
(d)使用0.5C的CC模式对锂离子电池放电,至截止电压2.5V;
(e)保持锂离子电池静置120分钟;
老化周期为:
(f)使用1 C的CC模式对锂离子电池充电,直到电压达到4.2 V;
(g)使用CV模式对锂离子电池进行充电,直到电流降至0.02C;
(h)保持锂离子电池静置30分钟;
(i)使用3 C的CC模式对锂离子电池放电,至截止电压2.5V;
(j)保持锂离子电池静置60分钟;
容量校准周期为:
(k)使用1 C的CC模式对锂离子电池充电,直到电压达到4.2 V;
(l)使用CV模式对锂离子电池进行充电,直到电流降至0.02C;
(m)保持锂离子电池静置30分钟;
(n)使用1 C的CC模式对锂离子电池放电,至截止电压2.5V;
(o)保持锂离子电池静置10分钟;
(p)使用0.05 C的CC模式对锂离子电池放电,至截止电压2.5V;
(q)保持锂离子电池静置5分钟;
循环曲线包括以下步骤:
步骤1.1:进行电池预处理循环,即将步骤(a)~(e)循环5次,再执行步骤1.2;
步骤1.2:进行老化循环,即将步骤(f)~(j)循环50次,再进行容量校准循环,即执行步骤(k)~(q),再执行步骤1.3;
步骤1.3:将所述步骤1.2重复19次。
本发明的有益效果:本发明从特征提取的方法入手,对电池循环寿命测试中的充电部分切入,对其电压曲线进行特征提取,以相同间隔的划分电压,并提取其所需的时间作为特征,并且提取其相应时间对应的电压曲线下的封闭面积作为特征,两种特征作为最终的特征,解决了传统方法只能依靠电压具体值的特征提取方法,尤其是传统方法提取特征较少所导致的精度不足、鲁棒性和适用性不强的问题;本发明利用注意力机制的方法,探究数据之间的联系,解决了传统方法只能通过完整数据段才能预测电池状态的问题。
附图说明
图1是本发明的步骤流程图;
图2是本发明中多变量时间序列预测网络的结构示意图;
图3是本发明中特征的关系和重要性示意图;
图4是本发明与其他三种特征选择方法的比较实验结果图;
图5是本发明与其他不同模型的估算结果分析图;
图6是本发明分段数据估算的结果图。
具体实施方式
下面结合附图对本发明做详细说明。下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。本发明实例中的左、中、右、上、下等方位用语,仅是互为相对概念或是以产品的正常使用状态为参考的,而不应该认为是具有限制性的。
一种用于锂电池健康状态估算的预测网络的建模方法,包括以下步骤:
步骤1:搭建多变量时间序列预测网络,所述多变量时间序列预测网络包括:
用于将输入特征序列归一化并得到中间序列的归一化单元:
用于将中间序列嵌入到高维中并得到输出序列的第一MLP模块;
用于以跨时间步长从所述输出序列中提取特征并将其矢量化,以得到中间向量的1DCNN单元,若干头1DCNN单元分别用于提取与之对应的中间向量;1DCNN有着强大的特征提取能力,因此可以显著提高模型的准确率;
用于对中间向量进行学习并得到特征向量的注意力模块;
用于将所述特征向量和中间向量进行相加并得到聚合向量的卷积核;
用于将所述聚合向量降维并得到降维向量的第二MLP模块;
用于处理所述降维向量并输出电池健康度(SOH)的全连接层;
步骤2:对所述多变量时间序列预测网络进行训练,包括以下步骤:
步骤2.1:通过用于电池循环寿命试验的实验平台对锂离子电池进行循环寿命测试,并得到每块电池的电池充电曲线;
步骤2.2:从每个所述电池充电曲线中提取电压曲线特征,所述电压曲线特征包括充电电压从Va到Vb每升高(Vb-Va)/16所需的充电时间以及电压曲线的封闭面积,并将充电时间依次记为T1至T16,将封闭面积依次记为A1至A16,Va为电池工作电压范围的左端电压值并为3.4V,Vb为电池工作电压范围的右端电压值并为4.2V;将电压曲线特征以固定间隔提取,将有助于模型训练,使得模型对于分段数据有着不错的预测效果;已知电池的循环寿命由电池的基本属性决定,电池的基本属性可以通过其外部特性来表示,包括电压、电流、内阻和容量,这些参数可以反映电池的劣化和健康状态。本发明通过测量锂离子电池的端电压来提取电池健康状态特征,通过在放电循环持续时间上积分放电压作为基准值来计算实际容量。在电压和SoH之间存在非常清楚的模式,并且该电压段可以被选择作为用于估计SoH的直接输入,随着电池循环的进行,电池容量会逐渐衰减,电池充电电压曲线也会发生变化。电池充电电压曲线的趋势随着电池容量的衰减而保持相同,但是增加相同电压幅度所需的时间逐渐减少,根据这一特性,选择了计算充电电压累积时间的方法来估计不同循环的SoH值。选择CC充电模式的不同循环的电压曲线来分析测试电池。显然,CC模式的充电时间随着循环周期的增加而变短,由于在循环测试中收集的电池充电数据是离散数据,因此线性差分方程应用于更准确地计算不同周期充电电压曲线的封闭面积,所述封闭面积的计算公式为:
其中,表示充电曲线的线性函数,表示时间序列的线性函数;表示当前时
刻的电压值,表示上一时刻的电压值,和表示当前时刻和上一时刻的
时间;
步骤2.3:基于皮尔逊(Pearson)相关系数的特征相关性将所述电池充电曲线中选
取的T1至T16以及A1至A16组合形成与该电池充电曲线相应的输入特征序列;为了选取与锂
离子电池容量衰减相关性高的特征,提高锂离子电池容量估计的准确性和计算效率,采用
基于皮尔逊(Pearson)相关系数的特征相关性分析方法,根据分析结果选取特征作为最终
电池容量估计模型的输入特征序列。Pearson相关系数是一个参数,它根据因素之间趋势的
相似性或不相似性来衡量因素之间的相关程度;输出范围从-1到+1,0表示不相关,负值表
示负相关,正值表示正相关,有两个变量(T1至T16)和(A1至A16)。然后,这两个变量之间
的Pearson相关系数可通过下面的公式计算:
上式定义了总体相关系数,一般表示为。计算从充电电压曲线中提取的32个输
入特征序列的Pearson相关系数,根据输入特征序列之间的相关系数找到共同的线性特征。
共线性性质是指自变量之间存在强的甚至完全的线性相关,这会导致模型的预测能力降
低,并且增加了解释模型结果的成本。分析结果如图3中(a)(b)(c)所示,时间区间特征(T 1 - T 16 )的相关性很高,属于共线性特征,因此,保留时间区间特征之一(保留T 1 );时间区间的面
积特征A 1 和A 2 具有相同的相关性,仅保留A 1 和A 2 特征中的一个(保留A 2 )。因此,根据T1至T16
之间相关系数找到共同的线性特征,以及根据A1至A16之间的相关系数找到共同的线性特
征,使得所述输入特征序列为[T1,A2,A3,A4,……,A16];从而提高模型的预测能力,并降低
解释模型结果的成本;
步骤3:将所述输入特征序列作为向量x,将所述输入特征序列对应的电池健康度作为向量y,将所述向量x和向量y拆分为训练集和验证集,通过训练集对多变量时间序列预测网络进行训练,再通过验证集对多变量时间序列预测网络进行验证。
由于卷积结构已经证明了其捕获特征和执行并行计算的能力,所以它可以与多个滤波器组合。标准的卷积结构可以被认为是单头架构,多头卷积结构简单地倍增这种表征学习能力。对于多个头,多头1DCNN单元可以在每个头中具有不同的滤波器组和不同的处理层。为丰富提取的特征,改善最终的结果,多变量时间序列预测网络包括三个1DCNN单元,这三个1DCNN单元分别对应设置有9个滤波器、7个滤波器和5个滤波器。通过使用多个1DCNN单元,神经网络具有独特的能力,可以将各种特征学习结合起来处理输入特征序列,从而丰富提取的特征,改善最终的表示学习结果;
所述实验平台由NewareBTS-5V12A充放电测试仪、可编程恒温恒湿箱(SANWOODSMG-150-CC)和记录数据的计算机组成,对锂离子电池进行循环寿命测试的步骤包括:
从同一批次的锂离子电池中选择6个2Ah、18650功率电池(Prospower ICR18650P)在25℃的恒温箱中重复充电和放电;
其中,电池预处理周期为:
(a)使用0.5 C的CC模式对锂离子电池充电,直到电压达到4.2 V;
(b)使用CV模式对锂离子电池进行充电,直到电流降至0.1 C;
(c)保持锂离子电池静置120分钟;
(d)使用0.5C的CC模式对锂离子电池放电,至截止电压2.5V;
(e)保持锂离子电池静置120分钟;
老化周期为:
(f)使用1 C的CC模式对锂离子电池充电,直到电压达到4.2 V;
(g)使用CV模式对锂离子电池进行充电,直到电流降至0.02C;
(h)保持锂离子电池静置30分钟;
(i)使用3 C的CC模式对锂离子电池放电,至截止电压2.5V;
(j)保持锂离子电池静置60分钟;
容量校准周期为:
(k)使用1 C的CC模式对锂离子电池充电,直到电压达到4.2 V;
(l)使用CV模式对锂离子电池进行充电,直到电流降至0.02C;
(m)保持锂离子电池静置30分钟;
(n)使用1 C的CC模式对锂离子电池放电,至截止电压2.5V;
(o)保持锂离子电池静置10分钟;
(p)使用0.05 C的CC模式对锂离子电池放电,至截止电压2.5V;
(q)保持锂离子电池静置5分钟;
循环曲线包括以下步骤:
步骤1.1:进行电池预处理循环,即将步骤(a)~(e)循环5次,再执行步骤1.2;
步骤1.2:进行老化循环,即将步骤(f)~(j)循环50次,再进行容量校准循环,即执行步骤(k)~(q),再执行步骤1.3;
步骤1.3:将所述步骤1.2重复19次。
如图4所示,本发明提供了与其他三种特征选择方法的比较实验结果图。为了确定特征选择方法的有效性,进行了三个比较实验来预测具有去除特征、所有特征和选择的特征的三个电池的SoH值。图4(a)-(c)中示出了所有特征和所选特征的估计曲线,证明了两种输入技术都产生更准确的估计,证明了特征提取方法的效率。此外,表1显示了三种条件下估计结果的误差标准。从表中可以明显看出,去除的特征是无效的,因为去除的特征的估计结果的RMSE和MAXE显著高于使用所有特征的方法和不使用特征的方法。
表1.不同的特征选择方法的RMSE和MAXE结果
如图5所示,本发明提供了与其他不同模型的估算结果分析图。为了进一步验证该方法的有效性,采用随机森林(RF)、决策树(DT)、自适应Boosting(Adaboost)、前馈神经网络(FNN)、三头BiLSTM和一维CNN等6种常用方法进行比较。三种深度学习模型的原理图如表2所示。从图中可以看出,多变量时间序列预测网络(DSMTNet)的估算结果更接近真实的的电池SoH曲线。表2给出了不同方法得到的SoH值估计值的评价标准,可以看出,本文提出的DSMTNet预测网络估算出三种电池的SoH值,MAE分别为0.0063、0.0053和1.05%,RMSE分别为0.0089、0.0068和1.31%。这意味着在估算个锂离子电池容量时由所提出的算法获得的误差显著减小。
表2.不同模型的MAEs, RMSEs, MaxEs 和MAPEs 的结果
此外,对这4种方法的参数个数和估算运算次数进行了探讨。选取3组序列长度相同的电池数据进行估计,每组数据的维数为[1000,15]。为了使检验更具说服力,每个模型被估计三次以获得平均时间。表3比较了模型的参数个数和运行时间,可以看出提出的多变量时间序列预测网络(DSMTNet)模型具有更好的性能。
表3.参数数量和预测计算时间
如图6所示,本发明提供与分段数据估算的结果图。将充电曲线从三个不同位置分割成三个数据集并输入到网络中,以研究不同分割位置对电池SoH估计的影响。表5列出了A、B和C数据段的充电电压曲线的起始点和结束点,其中L表示单个电池充电电压序列的总长度。图6(a)和(b)显示了以A、B和C数据段作为输入的七种方法的估计结果的RMSE和MAXE比较。结果显示,多变量时间序列预测网络(DSMTNet)的RMSE和MAXE对于B 04和B 05电池具有最佳性能。特别地,所有模型在C数据段上的RMSE都超过0.02,但是所提出的多变量时间序列预测网络(DSMTNet)方法也具有最好的估计性能。为了进一步研究数据不同位置的长度对SoH估计结果的影响,将数据以0.3 ~ 0.5的固定系数划分为5个子集,如表4所示。图6(c)和(d)显示了七种方法对不同长度的容量估算的RMSE和MAXE。对于所有方法,SoH估算的RMSE和MAXE均随着分割因子的增加而增加。所提出的多变量时间序列预测网络(DSMTNet)方法的RMSE和MAXE在所有长度情况下都是最小的。
表4.3个不同分段数据样本的位置。
表5.5个不同分段数据样本的位置。
与现有技术相比,本发明从实验室实测的电池充电曲线中选取能够描述电池老化的特征,然后,利用Pearson相关系数法计算特征序列与SoH的相关性。在此基础上,利用光梯度增强机方法和Pearson相关系数选取16个最相关的特征作为多变量时间序列预测网络的输入特征序列。这些特征处理方法能显著提高SoH估计的精度,其中SoH估计的MaxE和RMSE分别降低了53.85%和28.42%。接下来,利用多头卷积神经网络对电池特征进行编码,以增强最终的表示学习结果。然后,利用全局注意力单元对编码后的特征序列的权重进行建模,提取共同信息,并选择局部注意力单元得到差异信息作为补充信息。最后,通过实验数据验证了DSMTNet方法的准确性、鲁棒性和计算时间。与RF、DT、Adaboost、FNN、BiLSTM和1DCNN相比,DSMTNet的MAE、RMSE、MaxE和MAPE分别降低了72.25%、69.51%、61.13%和72.04%。计算时间减少了89. 67%;从而保证了模型的实时性。即使数据段的1/3可用,RMSE仍然可以保持在小于0.02。综上所述,该多变量时间序列预测网络具有较好的精度和鲁棒性,适用于现有协同车辆基础设施系统中的电动汽车。同时,所提出的方法将进一步增强用于大规模动力电池系统、能量存储系统等。通过使用本发明,能够实时估计电池的健康状态,可广泛应用于电池状态估算领域。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种用于锂电池健康状态估算的预测网络的建模方法,其特征在于:包括以下步骤:
步骤1:搭建多变量时间序列预测网络,所述多变量时间序列预测网络包括:
用于将输入特征序列归一化并得到中间序列的归一化单元:
用于将中间序列嵌入到高维中并得到输出序列的第一MLP模块;
用于以跨时间步长从所述输出序列中提取特征并将其矢量化,以得到中间向量的1DCNN单元,若干头1DCNN单元分别用于提取与之对应的中间向量;
用于对中间向量进行学习并得到特征向量的注意力模块;
用于将所述特征向量和中间向量进行相加并得到聚合向量的卷积核;
用于将所述聚合向量降维并得到降维向量的第二MLP模块;
用于处理所述降维向量并输出电池健康度的全连接层;
步骤2:对所述多变量时间序列预测网络进行训练,包括以下步骤:
步骤2.1:通过用于电池循环寿命试验的实验平台对锂离子电池进行循环寿命测试,并得到每块电池的电池充电曲线;
步骤2.2:从每个所述电池充电曲线中提取电压曲线特征,所述电压曲线特征包括充电电压从Va到Vb每升高(Vb-Va)/16所需的充电时间以及电压曲线的封闭面积,并将充电时间依次记为T1至T16,将封闭面积依次记为A1至A16,Va为电池工作电压范围的左端电压值,Vb为电池工作电压范围的右端电压值;
步骤2.3:基于皮尔逊相关系数的特征相关性将所述电池充电曲线中选取的T1至T16以及A1至A16组合形成与该电池充电曲线相应的输入特征序列;
步骤3:将所述输入特征序列作为向量x,将所述输入特征序列对应的电池健康度作为向量y,将所述向量x和向量y拆分为训练集和验证集,通过训练集对多变量时间序列预测网络进行训练,再通过验证集对多变量时间序列预测网络进行验证;
其中,所述注意力模块包括局部注意力单元和全局注意力单元,所述局部注意力单元为:
其中,Wl∈Rh×h表示变换矩阵,Eu表示部分电池的中间向量,表示所有电池特征的局部信息,a∈Rh并表示域的权重,u指的是基于中间向量的函数;
所述全局注意力单元为:
其中,Wg∈Rs×h表示全连通矩阵,Es表示所有电池的中间向量,表示表示所有电池特征的全局信息;b∈Rh并表示域的权重,v指的是基于中间向量的函数;
所述特征向量为:
其中,α和β为模型通过学习得到的一组超参数。
2.根据权利要求1所述的一种用于锂电池健康状态估算的预测网络的建模方法,其特征在于:所述封闭面积的计算公式为:
其中,Vu表示充电曲线的线性函数,Tu表示时间序列的线性函数;Vu(t)表示当前时刻的电压值,Vu(t-1)表示上一时刻的电压值,Tu(t)和Tu(t-1)表示当前时刻和上一时刻的时间。
3.根据权利要求1所述的一种用于锂电池健康状态估算的预测网络的建模方法,其特征在于:根据T1至T16之间相关系数找到共同的线性特征,以及根据A1至A16之间的相关系数找到共同的线性特征,使得所述输入特征序列为[T1,A2,A3,A4,……,A16]。
4.根据权利要求1所述的一种用于锂电池健康状态估算的预测网络的建模方法,其特征在于:所述多变量时间序列预测网络包括三个1DCNN单元,这三个1DCNN单元分别对应设置有9个滤波器、7个滤波器和5个滤波器。
5.根据权利要求1所述的一种用于锂电池健康状态估算的预测网络的建模方法,其特征在于:所述实验平台由NewareBTS-5V12A充放电测试仪、可编程恒温恒湿箱和记录数据的计算机组成,对锂离子电池进行循环寿命测试的步骤包括:
从同一批次的锂离子电池中选择6个2Ah、18650功率电池在25℃的恒温箱中重复充电和放电;
其中,电池预处理周期为:
(a)使用0.5C的CC模式对锂离子电池充电,直到电压达到4.2V;
(b)使用CV模式对锂离子电池进行充电,直到电流降至0.1C;
(c)保持锂离子电池静置120分钟;
(d)使用0.5C的CC模式对锂离子电池放电,至截止电压2.5V;
(e)保持锂离子电池静置120分钟;
老化周期为:
(f)使用1C的CC模式对锂离子电池充电,直到电压达到4.2V;
(g)使用CV模式对锂离子电池进行充电,直到电流降至0.02C;
(h)保持锂离子电池静置30分钟;
(i)使用3C的CC模式对锂离子电池放电,至截止电压2.5V;
(j)保持锂离子电池静置60分钟;
容量校准周期为:
(k)使用1C的CC模式对锂离子电池充电,直到电压达到4.2V;
(l)使用CV模式对锂离子电池进行充电,直到电流降至0.02C;
(m)保持锂离子电池静置30分钟;
(n)使用1C的CC模式对锂离子电池放电,至截止电压2.5V;
(o)保持锂离子电池静置10分钟;
(p)使用0.05C的CC模式对锂离子电池放电,至截止电压2.5V;
(q)保持锂离子电池静置5分钟;
循环曲线包括以下步骤:
步骤1.1:进行电池预处理循环,即将步骤(a)~(e)循环5次,再执行步骤1.2;
步骤1.2:进行老化循环,即将步骤(f)~(j)循环50次,再进行容量校
准循环,即执行步骤(k)~(q),再执行步骤1.3;
步骤1.3:将所述步骤1.2重复19次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565003.9A CN116298934B (zh) | 2023-05-19 | 2023-05-19 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565003.9A CN116298934B (zh) | 2023-05-19 | 2023-05-19 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116298934A CN116298934A (zh) | 2023-06-23 |
CN116298934B true CN116298934B (zh) | 2023-08-04 |
Family
ID=86834446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310565003.9A Active CN116298934B (zh) | 2023-05-19 | 2023-05-19 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116298934B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686937B (zh) * | 2024-02-02 | 2024-04-12 | 河南科技学院 | 一种用于电池系统内单体电池的健康状态估计方法 |
CN117805658B (zh) * | 2024-02-29 | 2024-05-10 | 东北大学 | 一种数据驱动的电动汽车电池剩余寿命预测方法 |
CN117849628B (zh) * | 2024-03-08 | 2024-05-10 | 河南科技学院 | 基于时序变换记忆网络的锂离子电池健康状态估计方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170052937A (ko) * | 2015-11-05 | 2017-05-15 | 영화테크(주) | 배터리 센서를 이용한 자동차 배터리의 건강상태 추정방법 |
CN107329094A (zh) * | 2017-08-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 动力电池健康状态估算方法及装置 |
CN109061479A (zh) * | 2018-06-15 | 2018-12-21 | 郑州正方科技有限公司 | 一种电池组失衡度分析方法及充电装置 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
CN114861527A (zh) * | 2022-04-15 | 2022-08-05 | 南京工业大学 | 一种基于时间序列特征的锂电池寿命预测方法 |
CN115980584A (zh) * | 2023-02-08 | 2023-04-18 | 合肥工业大学 | 基于多特征融合lstm网络的锂电池rul估计方法 |
CN116047314A (zh) * | 2023-03-31 | 2023-05-02 | 泉州装备制造研究所 | 一种可充电电池健康状态预测方法 |
CN116068399A (zh) * | 2023-02-08 | 2023-05-05 | 天津华致能源科技有限公司 | 基于特征选择和时序注意力的锂电池健康状态估计方法 |
CN116106773A (zh) * | 2022-12-15 | 2023-05-12 | 重庆邮电大学 | 一种基于数据增强的混合模型锂电池健康状态监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11637331B2 (en) * | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN112685961B (zh) * | 2021-01-12 | 2022-06-21 | 武汉大学 | 一种模拟电路的剩余使用寿命预测方法及系统 |
-
2023
- 2023-05-19 CN CN202310565003.9A patent/CN116298934B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170052937A (ko) * | 2015-11-05 | 2017-05-15 | 영화테크(주) | 배터리 센서를 이용한 자동차 배터리의 건강상태 추정방법 |
CN107329094A (zh) * | 2017-08-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 动力电池健康状态估算方法及装置 |
CN109061479A (zh) * | 2018-06-15 | 2018-12-21 | 郑州正方科技有限公司 | 一种电池组失衡度分析方法及充电装置 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
CN114861527A (zh) * | 2022-04-15 | 2022-08-05 | 南京工业大学 | 一种基于时间序列特征的锂电池寿命预测方法 |
CN116106773A (zh) * | 2022-12-15 | 2023-05-12 | 重庆邮电大学 | 一种基于数据增强的混合模型锂电池健康状态监测方法 |
CN115980584A (zh) * | 2023-02-08 | 2023-04-18 | 合肥工业大学 | 基于多特征融合lstm网络的锂电池rul估计方法 |
CN116068399A (zh) * | 2023-02-08 | 2023-05-05 | 天津华致能源科技有限公司 | 基于特征选择和时序注意力的锂电池健康状态估计方法 |
CN116047314A (zh) * | 2023-03-31 | 2023-05-02 | 泉州装备制造研究所 | 一种可充电电池健康状态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116298934A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116298934B (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
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 | |
CN113740736B (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN113065283A (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN113484774B (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
CN116298935B (zh) | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN113866659A (zh) | 一种基于机器学习和安时积分法的锂电池soh预测方法 | |
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 | |
CN114818831A (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
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 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN112287597B (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN116859259A (zh) | 基于集成学习和实车大数据的电池健康状态估计方法 | |
CN116413606A (zh) | 动力电池健康状态估计方法、系统及介质 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
CN115372829A (zh) | 一种基于bms数据进行车辆电池健康度快速评估的方法 | |
CN115248390A (zh) | 一种基于随机短期充电数据的锂离子电池soh估算方法 | |
Li et al. | State of health estimation and prediction of electric vehicle power battery based on operational vehicle data |
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 |