CN116299003A - 一种基于电池容量增量曲线的健康状态检测方法及系统 - Google Patents

一种基于电池容量增量曲线的健康状态检测方法及系统 Download PDF

Info

Publication number
CN116299003A
CN116299003A CN202211639358.XA CN202211639358A CN116299003A CN 116299003 A CN116299003 A CN 116299003A CN 202211639358 A CN202211639358 A CN 202211639358A CN 116299003 A CN116299003 A CN 116299003A
Authority
CN
China
Prior art keywords
capacity increment
increment curve
data set
charging
soc
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
CN202211639358.XA
Other languages
English (en)
Inventor
何学智
刘作斌
刘震
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.)
Fujian Nebula Electronics Co Ltd
Original Assignee
Fujian Nebula Electronics 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 Fujian Nebula Electronics Co Ltd filed Critical Fujian Nebula Electronics Co Ltd
Priority to CN202211639358.XA priority Critical patent/CN116299003A/zh
Publication of CN116299003A publication Critical patent/CN116299003A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供了电池检测技术领域的一种基于电池容量增量曲线的健康状态检测方法及系统，方法包括如下步骤：步骤S10、获取锂电池大量的充电数据，基于各所述充电数据构建充电数据集；步骤S20、基于所述充电数据集计算容量增量曲线；步骤S30、对所述容量增量曲线进行预处理和滤波；步骤S40、利用时序特征提取工具对滤波后的所述容量增量曲线进行特征提取；步骤S50、对提取的特征进行重要性排序和筛选，得到特征数据集；步骤S60、创建一健康状态检测模型，利用所述特征数据集对健康状态检测模型进行训练，利用训练后的所述健康状态检测模型进行锂电池的在线健康状态检测。本发明的优点在于：极大的提升了锂电池健康状态检测的精度以及泛化性。

Description

一种基于电池容量增量曲线的健康状态检测方法及系统
技术领域
本发明涉及电池检测技术领域，特别指一种基于电池容量增量曲线的健康状态检测方法及系统。
背景技术
锂电池的健康状态(StateofHealth,SOH)定义为锂电池当前可用容量与初始容量之间的百分比，锂电池在充放电循环过程中内部会发生一些不可逆的化学反应，进而导致锂电池的老化，并不可避免的会出现一些安全隐患，所以锂电池的健康状态是一个关键指标。
由于锂电池在充电和放电的过程中，存在一个电量变化缓慢的电压平台，处于电压平台期间时不利于对微小变化(电压/电流的变化)的观测，进而影响锂电池的健康状态检测。容量增量法(IC曲线法)能够将电压平台转化为易于观测的dQ/dV峰，使得在电压曲线上不易被发现的微小变化可以在容量增量曲线上反映出来，因此容量增量法广泛应用于锂电池的健康状态检测。
然而，传统的容量增量法存在如下缺点：1、通过人工提取容量增量曲线的峰值及其位置、不同峰值/谷值之间距离、峰值面积、右侧峰半高面积等特征进行后续的健康状态检测，存在无法充分挖掘容量增量曲线的本质特征，无法保证特征一定位于在线充电的SOC区间内的问题，进而直接影响检测精度；2、由于充电工况一般比放电工况更可控、稳定，因此一般选择在充电工况下进行锂电池的健康状态检测；但在锂电池充电时，尤其是新能源汽车充电时，存在充电SOC区间不固定、充电SOC起点不固定、充电倍率不固定的情况，使得在健康状态检测过程中可能会存在特征计算区域不存在(如曲线峰值没有落在充电SOC区间)的情况，进而导致健康状态检测失败。
因此，如何提供一种基于电池容量增量曲线的健康状态检测方法及系统，实现提升锂电池健康状态检测的精度以及泛化性，成为一个亟待解决的技术问题。
发明内容
本发明要解决的技术问题，在于提供一种基于电池容量增量曲线的健康状态检测方法及系统，实现提升锂电池健康状态检测的精度以及泛化性。
第一方面，本发明提供了一种基于电池容量增量曲线的健康状态检测方法，包括如下步骤：
步骤S10、获取锂电池大量的充电数据，基于各所述充电数据构建充电数据集；
步骤S20、基于所述充电数据集计算容量增量曲线；
步骤S30、对所述容量增量曲线进行预处理和滤波；
步骤S40、利用时序特征提取工具对滤波后的所述容量增量曲线进行特征提取；
步骤S50、对提取的特征进行重要性排序和筛选，得到特征数据集；
步骤S60、创建一健康状态检测模型，利用所述特征数据集对健康状态检测模型进行训练，利用训练后的所述健康状态检测模型进行锂电池的在线健康状态检测。
进一步地，所述步骤S10中，所述充电数据包括锂电池满充满放下的电压值、电流值、SOC值以及SOH值；
所述充电数据集通过随机抽取充电工控下的任意SOC区间的充电数据构建；
所述步骤S20中，所述容量增量曲线的计算公式如下：
IC＝dQ/dV；
其中，IC表示容量增量曲线的取值；Q表示充电电量；V表示电压；dV表示预设的电压间隔；dQ表示预设的电压间隔内的容量增量变化值；
所述步骤S30具体为：
设定一电压范围，对所述容量增量曲线中超过电压范围的取值替换为0，进而完成所述容量增量曲线的预处理；
通过移动平均滤波法或者高斯滤波法对预处理后的所述容量增量曲线进行滤波。
进一步地，所述步骤S40具体为：
利用时序特征提取工具tsfresh对滤波后的所述容量增量曲线进行特征提取，进而将输入X转换为输出X'；
X＝{IC,SOC}；
X'＝{tsfresh(IC)1-64,SOCmin,SOCmax}；
其中，tsfresh(IC)1-64表示对容量增量曲线进行tsfresh时序的特征提取，得到64维特征；SOCmin表示充电时SOC的起始值；SOCmax表示充电时SOC的结束值。
进一步地，所述步骤S50具体包括：
步骤S51、对提取的特征进行乱序排列后，与初始的特征进行合并；
步骤S52、通过随机森林算法计算各特征的重要程度，判断重复次数是否大于预设的阈值，若是，则进入步骤S53；若否，则进入步骤S51；
步骤S53、基于重要程度发生变化的特征构建特征数据集。
进一步地，所述步骤S60中，所述健康状态检测模型基于LightGBM或者xgboost创建。
第二方面，本发明提供了一种基于电池容量增量曲线的健康状态检测系统，包括如下模块：
充电数据集构建模块，用于获取锂电池大量的充电数据，基于各所述充电数据构建充电数据集；
容量增量曲线计算模块，用于基于所述充电数据集计算容量增量曲线；
容量增量曲线处理模块，用于对所述容量增量曲线进行预处理和滤波；
特征提取模块，用于利用时序特征提取工具对滤波后的所述容量增量曲线进行特征提取；
特征数据集构建模块，用于对提取的特征进行重要性排序和筛选，得到特征数据集；
健康状态检测模块，用于创建一健康状态检测模型，利用所述特征数据集对健康状态检测模型进行训练，利用训练后的所述健康状态检测模型进行锂电池的在线健康状态检测。
进一步地，所述充电数据集构建模块中，所述充电数据包括锂电池满充满放下的电压值、电流值、SOC值以及SOH值；
所述充电数据集通过随机抽取充电工控下的任意SOC区间的充电数据构建；
所述容量增量曲线计算模块中，所述容量增量曲线的计算公式如下：
IC＝dQ/dV；
其中，IC表示容量增量曲线的取值；Q表示充电电量；V表示电压；dV表示预设的电压间隔；dQ表示预设的电压间隔内的容量增量变化值；
所述容量增量曲线处理模块具体为：
设定一电压范围，对所述容量增量曲线中超过电压范围的取值替换为0，进而完成所述容量增量曲线的预处理；
通过移动平均滤波法或者高斯滤波法对预处理后的所述容量增量曲线进行滤波。
进一步地，所述特征提取模块具体为：
利用时序特征提取工具tsfresh对滤波后的所述容量增量曲线进行特征提取，进而将输入X转换为输出X'；
X＝{IC,SOC}；
X'＝{tsfresh(IC)1-64,SOCmin,SOCmax}；
其中，tsfresh(IC)1-64表示对容量增量曲线进行tsfresh时序的特征提取，得到64维特征；SOCmin表示充电时SOC的起始值；SOCmax表示充电时SOC的结束值。
进一步地，所述特征数据集构建模块具体包括：
特征重组单元，用于对提取的特征进行乱序排列后，与初始的特征进行合并；
重要程度计算单元，用于通过随机森林算法计算各特征的重要程度，判断重复次数是否大于预设的阈值，若是，则进入特征筛选单元；若否，则进入特征重组单元；
特征筛选单元，用于基于重要程度发生变化的特征构建特征数据集。
进一步地，所述健康状态检测模块中，所述健康状态检测模型基于LightGBM或者xgboost创建。
本发明的优点在于：
通过充电数据集计算容量增量曲线并进行预处理和滤波，利用时序特征提取工具对滤波后的容量增量曲线自动进行特征提取，代替传统的人工特征提取，并对提取的特征进行重要性排序和筛选得到特征数据集，再利用特征数据集对健康状态检测模型进行训练，以保证健康状态检测模型的精度和泛化性，且将对充电数据的时序信号的特征提取转换为对容量增量曲线的特征提取，有助于消除在线健康状态检测时数据采集频率不统一的问题，最终极大的提升了锂电池健康状态检测的精度以及泛化性。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于电池容量增量曲线的健康状态检测方法的流程图。
图2是本发明一种基于电池容量增量曲线的健康状态检测系统的结构示意图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：通过时序特征提取工具自动进行特征提取代替传统的人工特征提取，利用进行重要性排序和筛选得到的特征数据集对健康状态检测模型进行训练，以保证健康状态检测模型的精度和泛化性；将对充电数据的时序信号的特征提取转换为对容量增量曲线的特征提取，消除数据采集频率不统一的问题，进一步保障锂电池健康状态检测的精度。
请参照图1至图2所示，本发明一种基于电池容量增量曲线的健康状态检测方法的较佳实施例，包括如下步骤：
步骤S10、获取锂电池大量的充电数据，基于各所述充电数据构建充电数据集；
步骤S20、基于所述充电数据集计算容量增量曲线；
步骤S30、对所述容量增量曲线进行预处理和滤波；
步骤S40、利用时序特征提取工具对滤波后的所述容量增量曲线自动进行特征提取；
步骤S50、对提取的特征进行重要性排序和筛选，得到特征数据集；
步骤S60、创建一健康状态检测模型，利用所述特征数据集对健康状态检测模型进行训练，利用训练后的所述健康状态检测模型进行锂电池的在线健康状态检测，即使用在线充电时采集的任意SOC区间的充电数据作为健康状态检测模型的输入，输出健康状态检测模型的预测值作为锂电池的在线健康状态检测值。
所述步骤S10中，所述充电数据包括锂电池满充满放下的电压值、电流值、SOC值以及SOH值；
所述充电数据集通过随机抽取充电工控下的任意SOC区间的充电数据构建；
由于锂电池在实际应用中的放电工况相比充电工况往往更复杂，而且充电工况的充电数据也更易获取(例如在新能源汽车充电时获取充电工况数据)，因此本发明基于锂电池的充电工况进行健康状态检测。由于在线充电时无法获取锂电池当前健康状态的真实值，而实验室检测中包含大量的不同满充满放循环次数下的电压电流等时间序列数据和SOH真实值，因此本发明的充电数据基于实验室数据获取。
所述步骤S20中，所述容量增量曲线的计算公式如下：
IC＝dQ/dV；
其中，IC表示容量增量曲线的取值；Q表示充电电量；V表示电压；dV表示预设的电压间隔，取值优选为0.05V；dQ表示预设的电压间隔内的容量增量变化值；
所述步骤S30具体为：
设定一电压范围，对所述容量增量曲线中超过电压范围的取值替换为0，进而完成所述容量增量曲线的预处理；
不同充电SOC区间对应不同的电压上升区间，因此在容量增量曲线计算中，通过设置最大的电压范围得到多组不同电压区间范围的IC曲线片段及其对应的SOH值，非充电电压上升区间范围的IC值自动填充0；通过容量增量曲线的预处理，不同充电设备的采样频率(1s、3s或10s等)都可以转换为相同SOC电压范围内的IC曲线；
通过移动平均滤波法或者高斯滤波法对预处理后的所述容量增量曲线进行滤波；
由于得到的所述容量增量曲线是一些离散的点集，因此需要经过滤波获得平滑的容量增量曲线。
所述步骤S40具体为：
利用时序特征提取工具tsfresh对滤波后的所述容量增量曲线进行特征提取，进而将输入X转换为输出X'；tsfresh是一个python的时间序列数据特征提取模块，能自动计算出大量的时间序列特征，包含多种基于统计和基于变换的时间序列提取方法，如绝对能量值、一阶差分绝对和、各阶自相关系数的聚合统计特征、近似熵、自回归系数、ADF检验、lag阶自相关性等；
X＝{IC,SOC}；
X'＝{tsfresh(IC)1-64,SOCmin,SOCmax}；
其中，tsfresh(IC)1-64表示对容量增量曲线进行tsfresh时序的特征提取，得到64维特征；SOCmin表示充电时SOC的起始值；SOCmax表示充电时SOC的结束值。
所述步骤S50具体包括：
步骤S51、对提取的特征进行乱序排列后，与初始的特征进行合并；
步骤S52、通过随机森林算法计算各特征的重要程度，判断重复次数是否大于预设的阈值，若是，则进入步骤S53；若否，则进入步骤S51；所述阈值优选为100次；
步骤S53、基于重要程度发生变化的特征构建特征数据集；
即通过Boruta方法对提取的特征进行重要性排序和筛选；由于输出的tsfresh时序特征数量多，计算量大，为了提高算法运算效率，避免提取不相关的特性，需要对计算的特征进行重要性排序，一般的方法采用pearson相关系数来进行特征重要性的排序，所得相关系数越接近1，重要性越高；但是基于pearson相关系数的特征重要性排序只能对单个特征进行相关性计算，无法挖掘多个特征之间的相关性，且需要对每个特征分别计算，存在计算冗余，因此本发明采用基于Boruta方法的特征重要性选择策略。
Boruta的目标就是选择出所有与因变量相关的特征集合，而不是针对特定模型选择出可以使得模型costfunction最小的特征集合，Boruta算法的意义在于可以更全面的理解因变量的影响因素，从而更好、更高效地进行特征选择。
所述步骤S60中，所述健康状态检测模型基于LightGBM或者xgboost创建。
本发明一种基于电池容量增量曲线的健康状态检测系统的较佳实施例，包括如下模块：
充电数据集构建模块，用于获取锂电池大量的充电数据，基于各所述充电数据构建充电数据集；
容量增量曲线计算模块，用于基于所述充电数据集计算容量增量曲线；
容量增量曲线处理模块，用于对所述容量增量曲线进行预处理和滤波；
特征提取模块，用于利用时序特征提取工具对滤波后的所述容量增量曲线自动进行特征提取；
特征数据集构建模块，用于对提取的特征进行重要性排序和筛选，得到特征数据集；
健康状态检测模块，用于创建一健康状态检测模型，利用所述特征数据集对健康状态检测模型进行训练，利用训练后的所述健康状态检测模型进行锂电池的在线健康状态检测，即使用在线充电时采集的任意SOC区间的充电数据作为健康状态检测模型的输入，输出健康状态检测模型的预测值作为锂电池的在线健康状态检测值。
所述充电数据集构建模块中，所述充电数据包括锂电池满充满放下的电压值、电流值、SOC值以及SOH值；
所述充电数据集通过随机抽取充电工控下的任意SOC区间的充电数据构建；
由于锂电池在实际应用中的放电工况相比充电工况往往更复杂，而且充电工况的充电数据也更易获取(例如在新能源汽车充电时获取充电工况数据)，因此本发明基于锂电池的充电工况进行健康状态检测。由于在线充电时无法获取锂电池当前健康状态的真实值，而实验室检测中包含大量的不同满充满放循环次数下的电压电流等时间序列数据和SOH真实值，因此本发明的充电数据基于实验室数据获取。
所述容量增量曲线计算模块中，所述容量增量曲线的计算公式如下：
IC＝dQ/dV；
其中，IC表示容量增量曲线的取值；Q表示充电电量；V表示电压；dV表示预设的电压间隔，取值优选为0.05V；dQ表示预设的电压间隔内的容量增量变化值；
所述容量增量曲线处理模块具体为：
设定一电压范围，对所述容量增量曲线中超过电压范围的取值替换为0，进而完成所述容量增量曲线的预处理；
不同充电SOC区间对应不同的电压上升区间，因此在容量增量曲线计算中，通过设置最大的电压范围得到多组不同电压区间范围的IC曲线片段及其对应的SOH值，非充电电压上升区间范围的IC值自动填充0；通过容量增量曲线的预处理，不同充电设备的采样频率(1s、3s或10s等)都可以转换为相同SOC电压范围内的IC曲线；
通过移动平均滤波法或者高斯滤波法对预处理后的所述容量增量曲线进行滤波；
由于得到的所述容量增量曲线是一些离散的点集，因此需要经过滤波获得平滑的容量增量曲线。
所述特征提取模块具体为：
利用时序特征提取工具tsfresh对滤波后的所述容量增量曲线进行特征提取，进而将输入X转换为输出X'；tsfresh是一个python的时间序列数据特征提取模块，能自动计算出大量的时间序列特征，包含多种基于统计和基于变换的时间序列提取方法，如绝对能量值、一阶差分绝对和、各阶自相关系数的聚合统计特征、近似熵、自回归系数、ADF检验、lag阶自相关性等；
X＝{IC,SOC}；
X'＝{tsfresh(IC)1-64,SOCmin,SOCmax}；
其中，tsfresh(IC)1-64表示对容量增量曲线进行tsfresh时序的特征提取，得到64维特征；SOCmin表示充电时SOC的起始值；SOCmax表示充电时SOC的结束值。
所述特征数据集构建模块具体包括：
特征重组单元，用于对提取的特征进行乱序排列后，与初始的特征进行合并；
重要程度计算单元，用于通过随机森林算法计算各特征的重要程度，判断重复次数是否大于预设的阈值，若是，则进入特征筛选单元；若否，则进入特征重组单元；所述阈值优选为100次；
特征筛选单元，用于基于重要程度发生变化的特征构建特征数据集；
即通过Boruta方法对提取的特征进行重要性排序和筛选；由于输出的tsfresh时序特征数量多，计算量大，为了提高算法运算效率，避免提取不相关的特性，需要对计算的特征进行重要性排序，一般的方法采用pearson相关系数来进行特征重要性的排序，所得相关系数越接近1，重要性越高；但是基于pearson相关系数的特征重要性排序只能对单个特征进行相关性计算，无法挖掘多个特征之间的相关性，且需要对每个特征分别计算，存在计算冗余，因此本发明采用基于Boruta方法的特征重要性选择策略。
Boruta的目标就是选择出所有与因变量相关的特征集合，而不是针对特定模型选择出可以使得模型costfunction最小的特征集合，Boruta算法的意义在于可以更全面的理解因变量的影响因素，从而更好、更高效地进行特征选择。
所述健康状态检测模块中，所述健康状态检测模型基于LightGBM或者xgboost创建。
综上所述，本发明的优点在于：
通过充电数据集计算容量增量曲线并进行预处理和滤波，利用时序特征提取工具对滤波后的容量增量曲线自动进行特征提取，代替传统的人工特征提取，并对提取的特征进行重要性排序和筛选得到特征数据集，再利用特征数据集对健康状态检测模型进行训练，以保证健康状态检测模型的精度和泛化性，且将对充电数据的时序信号的特征提取转换为对容量增量曲线的特征提取，有助于消除在线健康状态检测时数据采集频率不统一的问题，最终极大的提升了锂电池健康状态检测的精度以及泛化性。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (10)

1.一种基于电池容量增量曲线的健康状态检测方法，其特征在于：包括如下步骤：
步骤S10、获取锂电池大量的充电数据，基于各所述充电数据构建充电数据集；
步骤S20、基于所述充电数据集计算容量增量曲线；
步骤S30、对所述容量增量曲线进行预处理和滤波；
步骤S40、利用时序特征提取工具对滤波后的所述容量增量曲线进行特征提取；
步骤S50、对提取的特征进行重要性排序和筛选，得到特征数据集；
步骤S60、创建一健康状态检测模型，利用所述特征数据集对健康状态检测模型进行训练，利用训练后的所述健康状态检测模型进行锂电池的在线健康状态检测。
2.如权利要求1所述的一种基于电池容量增量曲线的健康状态检测方法，其特征在于：所述步骤S10中，所述充电数据包括锂电池满充满放下的电压值、电流值、SOC值以及SOH值；
所述充电数据集通过随机抽取充电工控下的任意SOC区间的充电数据构建；
所述步骤S20中，所述容量增量曲线的计算公式如下：
IC＝dQ/dV；
其中，IC表示容量增量曲线的取值；Q表示充电电量；V表示电压；dV表示预设的电压间隔；dQ表示预设的电压间隔内的容量增量变化值；
所述步骤S30具体为：
设定一电压范围，对所述容量增量曲线中超过电压范围的取值替换为0，进而完成所述容量增量曲线的预处理；
通过移动平均滤波法或者高斯滤波法对预处理后的所述容量增量曲线进行滤波。
3.如权利要求1所述的一种基于电池容量增量曲线的健康状态检测方法，其特征在于：所述步骤S40具体为：
利用时序特征提取工具tsfresh对滤波后的所述容量增量曲线进行特征提取，进而将输入X转换为输出X'；
X＝{IC,SOC}；
X'＝{tsfresh(IC)1-64,SOCmin,SOCmax}；
其中，tsfresh(IC)1-64表示对容量增量曲线进行tsfresh时序的特征提取，得到64维特征；SOCmin表示充电时SOC的起始值；SOCmax表示充电时SOC的结束值。
4.如权利要求1所述的一种基于电池容量增量曲线的健康状态检测方法，其特征在于：所述步骤S50具体包括：
步骤S51、对提取的特征进行乱序排列后，与初始的特征进行合并；
步骤S52、通过随机森林算法计算各特征的重要程度，判断重复次数是否大于预设的阈值，若是，则进入步骤S53；若否，则进入步骤S51；
步骤S53、基于重要程度发生变化的特征构建特征数据集。
5.如权利要求1所述的一种基于电池容量增量曲线的健康状态检测方法，其特征在于：所述步骤S60中，所述健康状态检测模型基于LightGBM或者xgboost创建。
6.一种基于电池容量增量曲线的健康状态检测系统，其特征在于：包括如下模块：
充电数据集构建模块，用于获取锂电池大量的充电数据，基于各所述充电数据构建充电数据集；
容量增量曲线计算模块，用于基于所述充电数据集计算容量增量曲线；
容量增量曲线处理模块，用于对所述容量增量曲线进行预处理和滤波；
特征提取模块，用于利用时序特征提取工具对滤波后的所述容量增量曲线进行特征提取；
特征数据集构建模块，用于对提取的特征进行重要性排序和筛选，得到特征数据集；
健康状态检测模块，用于创建一健康状态检测模型，利用所述特征数据集对健康状态检测模型进行训练，利用训练后的所述健康状态检测模型进行锂电池的在线健康状态检测。
7.如权利要求6所述的一种基于电池容量增量曲线的健康状态检测系统，其特征在于：所述充电数据集构建模块中，所述充电数据包括锂电池满充满放下的电压值、电流值、SOC值以及SOH值；
所述充电数据集通过随机抽取充电工控下的任意SOC区间的充电数据构建；
所述容量增量曲线计算模块中，所述容量增量曲线的计算公式如下：
IC＝dQ/dV；
其中，IC表示容量增量曲线的取值；Q表示充电电量；V表示电压；dV表示预设的电压间隔；dQ表示预设的电压间隔内的容量增量变化值；
所述容量增量曲线处理模块具体为：
设定一电压范围，对所述容量增量曲线中超过电压范围的取值替换为0，进而完成所述容量增量曲线的预处理；
通过移动平均滤波法或者高斯滤波法对预处理后的所述容量增量曲线进行滤波。
8.如权利要求6所述的一种基于电池容量增量曲线的健康状态检测系统，其特征在于：所述特征提取模块具体为：
利用时序特征提取工具tsfresh对滤波后的所述容量增量曲线进行特征提取，进而将输入X转换为输出X'；
X＝{IC,SOC}；
X'＝{tsfresh(IC)1-64,SOCmin,SOCmax}；
其中，tsfresh(IC)1-64表示对容量增量曲线进行tsfresh时序的特征提取，得到64维特征；SOCmin表示充电时SOC的起始值；SOCmax表示充电时SOC的结束值。
9.如权利要求6所述的一种基于电池容量增量曲线的健康状态检测系统，其特征在于：所述特征数据集构建模块具体包括：
特征重组单元，用于对提取的特征进行乱序排列后，与初始的特征进行合并；
重要程度计算单元，用于通过随机森林算法计算各特征的重要程度，判断重复次数是否大于预设的阈值，若是，则进入特征筛选单元；若否，则进入特征重组单元；
特征筛选单元，用于基于重要程度发生变化的特征构建特征数据集。
10.如权利要求6所述的一种基于电池容量增量曲线的健康状态检测系统，其特征在于：所述健康状态检测模块中，所述健康状态检测模型基于LightGBM或者xgboost创建。
CN202211639358.XA 2022-12-20 2022-12-20 一种基于电池容量增量曲线的健康状态检测方法及系统 Pending CN116299003A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211639358.XA CN116299003A (zh) 2022-12-20 2022-12-20 一种基于电池容量增量曲线的健康状态检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211639358.XA CN116299003A (zh) 2022-12-20 2022-12-20 一种基于电池容量增量曲线的健康状态检测方法及系统

Publications (1)

Publication Number Publication Date
CN116299003A true CN116299003A (zh) 2023-06-23

Family

ID=86831202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211639358.XA Pending CN116299003A (zh) 2022-12-20 2022-12-20 一种基于电池容量增量曲线的健康状态检测方法及系统

Country Status (1)

Country Link
CN (1) CN116299003A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117214742A (zh) * 2023-09-15 2023-12-12 斯润天朗(合肥)科技有限公司 一种锂电池的状态分析方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117214742A (zh) * 2023-09-15 2023-12-12 斯润天朗(合肥)科技有限公司 一种锂电池的状态分析方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN106556802A (zh) 一种蓄电池组异常单体电池识别方法及装置
CN110261746B (zh) 基于振荡波电压周期衰减特性的电缆缺陷检测方法
CN103675610B (zh) 局部放电在线检测中的特征因子提取方法
CN116299003A (zh) 一种基于电池容量增量曲线的健康状态检测方法及系统
CN114839540B (zh) 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法
CN106526468A (zh) 基于波形特征识别的断路器状态检测方法
CN111077457A (zh) 一种梯次利用磷酸铁锂电池加速衰减的评价方法及装置
CN101229599A (zh) 一种数字脉冲电源
CN114130713B (zh) 一种电池梯次利用的筛选方法及装置
CN114325445B (zh) 一种基于区域频率的锂离子电池健康状态快速评估方法
CN117554846B (zh) 计及约束条件的锂电池寿命预测方法及系统
CN109270383A (zh) 一种非侵入式充电桩自动检测方法
CN114139820A (zh) 一种用于非侵入式电能负荷预测的改进模态分解方法
CN118244156A (zh) 一种模块化储能逆变电源运行故障诊断方法及系统
CN117970032A (zh) 输电线路场强监测方法、系统、设备及介质
CN113138347B (zh) 一种双脉冲信号采集电池参数及计算动力电池余能的方法
CN116256641A (zh) 一种支持任意充电区间的电池健康状态估计方法及系统
CN114034966A (zh) 一种基于支持向量机的输电线路故障识别方法和装置
CN114545276A (zh) 基于容量测试与车联网大数据的动力电池寿命预测方法
CN112485690A (zh) 一种基于振动信号的储能电池健康状态识别方法和系统
CN117706377B (zh) 一种基于自适应聚类的电池不一致性辨识方法和装置
CN118296359B (zh) 一种用于集中器终端具有智能采集系统的电能表
CN118152942B (zh) 一种基于形状、能量及统计特征的特高频局放识别方法
CN115416531B (zh) 一种超级电容充电站充电控制系统
CN118914929B (zh) 一种新能源汽车充电桩变压器运行状态监测方法

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