CN116381539A - 一种考虑用户不完整充电过程下的电池健康状态评估方法 - Google Patents
一种考虑用户不完整充电过程下的电池健康状态评估方法 Download PDFInfo
- Publication number
- CN116381539A CN116381539A CN202310435257.9A CN202310435257A CN116381539A CN 116381539 A CN116381539 A CN 116381539A CN 202310435257 A CN202310435257 A CN 202310435257A CN 116381539 A CN116381539 A CN 116381539A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- data
- charging
- charging process
- model
- 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
- 238000007600 charging Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000008569 process Effects 0.000 title claims abstract description 80
- 230000036541 health Effects 0.000 title claims abstract description 58
- 238000011156 evaluation Methods 0.000 title claims abstract description 13
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 114
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 114
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007599 discharging Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 241001206881 Myrmeleon inconspicuus Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research 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]
- 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
-
- 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
-
- 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
本发明公开了一种考虑用户不完整充电过程下的电池健康状态评估方法，首先将用户不完整充电过程分为较长和较短两类，然后针对锂电池历史充放电数据进行分类处理，得到两类用于模型训练的样本数据集及对应标签；然后通过这两类样本数据集及对应标签训练构建的CNN‑LSTM模型和稀疏高斯回归模型；在后续实际使用中，根据锂电池充电数据的类型选用不同的模型进行健康的评估。
Description
技术领域
本发明属于锂电池健康状态评估技术领域，更为具体地讲，涉及一种考虑用户不完整充电过程下的电池健康状态评估方法。
背景技术
电能作为一种清洁高效的二次能源，在市场中的占比逐渐扩大，特别是在汽车行业。而锂电池由于其高能量密度、价格低、放电稳定等特点被广泛应用于电动汽车、光伏储能等领域。但是用户的不规律充电行为以及电池的自我老化往往会造成电池性能下降、容量衰退，甚至可能会造成电池短路引发火灾，电池管理系统能够实时监测电池的实际使用状况并及时反馈，保障电池长期安全稳定的运行。电池健康状态是电池管理系统的一个重要特征，其被定义为电池当前实际容量和额定容量的比值。电池健康状态的准确评估对于电池安全可靠运行具有重要意义。
近年来，国内外已经有大量关于锂电池健康状态估计问题的研究，主要包括基于模型的方法和基于数据驱动的方法。基于模型的电池健康状态估计方法需要根据电池内部的物理和化学反应来构建相应的电池模型，模型复杂且对于不同的电池需要调整模型；基于数据驱动的方法通过历史充放电数据来构建输入特征与电池健康状态之间的联系，能够实现快速精准的估计。例如，文献“Li Q,Li D,Zhao K,et al.State of healthestimation of lithium-ion battery based on improved ant lion optimization andsupport vector regression[J].Journal of Energy Storage,2022,50:104215.”采用蚁狮优化和支持向量回归的方法，构建恒流充电时间、恒压充电时间、平均放电电压、放电时间四个特征与电池健康状态之间的联系，实现了电池健康状态的高精度估计；文献“DengZ,Hu X,Li P,et al.Data-driven battery state of health estimation based onrandom partial charging data[J].IEEE Transactions on Power Electronics,2021,37(5):5021-5031.”从部分充电过程中提取不同电压段下的随机容量增量序列，以该序列的均值和方差作为特征，采用稀疏高斯算法对不同电池在同一温度条件下以及同一电池在不同温度条件下进行健康状态估计。考虑到用户充电行为的随机性，在实际情况中通常无法获得整个充电过程数据。
发明内容
本发明的目的在于克服现有技术的不足，提供一种考虑用户不完整充电过程下的电池健康状态评估方法，在考虑锂电池充电过程不完整的同时又将用户的不完整充电过程分为较长和较短两类，然后通过不同的模型实现了锂电池健康状态的准确估计。
为实现上述发明目的，本发明一种考虑用户不完整充电过程下的电池健康状态评估方法，其特征在于，包括以下步骤：
(1)、锂电池历史充放电数据处理；
(1.1)、锂电池历史容量计算；
其中，Ck为锂电池第k次充放电时的电池实际容量；t0为锂电池充电开始时间，t1是锂电池充电截至时间；Ikc为第k次充电过程的充电电流；
(1.2)、锂电池历史健康状态计算；
其中，SOHk为第k次充放电的锂电池健康状态；Co为锂电池的额定容量；
(2)、构建锂电池不完整充电过程的数据样本集和标签；
(2.1)、设置锂电池的额定充电时长为T；
(2.2)、构建长数据样本集和标签；
(2.2.1)、在锂电池历史充放电数据中，将锂电池不完整充电时长t≥T/3的电流、电压、温度数据，构成长数据样本集；
其中，Ik为锂电池第k次充电过程中的电流序列片段，Vk为锂电池第k次充电过程中的电压序列片段，Tk为锂电池第k次充电过程中的温度序列片段；i1+cj表示第1+cj次采样的电流值，v1+cj表示第1+cj次采样的电压值，t1+cj表示第1+cj次采样的温度值；n表示整个充电过程中采样数据的长度，m表示构建的不完整充电过程长样本数据的长度，c表示长样本数据在整个采样数据中的移动步长；
(2.2.2)、对所有的样本数据Ik、Vk、Tk进行归一化处理；
(2.2.3)、将锂电池第k次充放电的健康状态SOHk扩充到长度为
的标签数据矩阵；
(2.3)、构建短数据样本集和标签；
(2.3.1)、在锂电池历史充放电数据中，将锂电池不完整充电时长t＜T/3的电流、电压、温度数据，构成短数据样本集；
其中，
为锂电池第k次充电过程中的电流序列片段，/>
为锂电池第k次充电过程中的电压序列片段，/>
为锂电池第k次充电过程中的温度序列片段；/>
表示第/>
次采样的电流值，/>
表示第/>
次采样的电压值，/>
表示第/>
次采样的温度值；io表示电池额定充电电流，vo表示电池额定充电电压，to表示电池充电过程室温；n表示整个充电过程中采样数据的长度，/>
表示构建的不完整充电过程短样本数据的长度，/>
表示短样本数据在整个采样数据中的移动步长，p表示构造的短数据样本中数据差值间隔的采样点数；
(2.3.2)、对所有的样本数据
进行归一化处理；
(2.3.3)、将锂电池第k次充放电的健康状态SOHk扩充到长度为
的标签数据矩阵；
(3)、构建锂电池健康状态估计模型；
(3.1)、构建锂电池长样本的健康状态估计模型；
锂电池长样本的健康状态估计模型由卷积神经网络CNN和长短期记忆网络LSTM组合而成，记为CNN-LSTM模型；其中，卷积神经网络CNN由4层卷积层和4层池化层交替构成，长短期记忆网络LSTM由一层隐藏层和两层全连接层构成；4层卷积层的激活函数和第一层全连接层的激活函数采用ReLu函数，最后一层全连接层的激活函数采用Sigmod函数；
(3.2)、构建锂电池短样本的健康状态估计模型；
锂电池短样本的健康状态估计模型采用稀疏高斯过程回归模型，该模型的表征点数设为100，高斯核函数由标准周期核函数StdPeriodic和径向基函数RBF组合而成；
(4)、训练锂电池健康状态估计模型；
(4.1)、设置模型最小迭代误差为min_loss，设置损失函数为：
其中，SOHl表示第l个样本数据对应的真实标签值，SOH'l表示第l个样本数据对应的预测标签值；
(4.2)、从长样本数据集随机截取p个长样本数据，再将这p个长样本数据和对应标签输入到CNN-LSTM模型中进行模型训练，从而输出p个长样本数据对应的预测标签值SOH'l，然后通过损失函数计算本轮迭代后的损失函数值MAE，如果如果MAE＜min_loss，则迭代停止，得到训练完成的CNN-LSTM模型；否则，将损失函数值MAE通过反向传播算法更新CNN-LSTM模型的参数，然后进行下一轮训练；
(4.3)、从短样本数据集随机截取p个短样本数据，再将这p个短样本数据和对应标签输入到稀疏高斯过程回归模型中进行模型训练，从而输出p个短样本数据对应的预测标签值SOH'l，然后通过损失函数计算本轮迭代后的损失函数值MAE，如果MAE＜min_loss，则迭代停止，得到训练完成的稀疏高斯过程回归模型；否则，将损失函数值MAE通过反向传播算法更新稀疏高斯过程回归模型的参数，然后进行下一轮训练；
(5)、用户不完整充电过程下进行电池健康状态的实时评估；
(5.1)、实时采集锂电池不完整充电过程下的充电数据，包括电流、电压、温度；
(5.2)、判断锂电池不完整充电过程的时长t是否大于T/3，如果是，将步骤(5.1)采集到的充电数据按长样本数据按照步骤(2.2.1)进行处理，然后输入到训练好的CNN-LSTM模型，从而输出对应的SOH；否则，将步骤(5.1)采集到的充电数据按长样本数据按照步骤(2.3.1)进行处理，然后输入到训练好的稀疏高斯过程回归模型，从而输出对应的SOH。
本发明的发明目的是这样实现的：
本发明一种考虑用户不完整充电过程下的电池健康状态评估方法，首先将用户不完整充电过程分为较长和较短两类，然后针对锂电池历史充放电数据进行分类处理，得到两类用于模型训练的样本数据集及对应标签；然后通过这两类样本数据集及对应标签训练构建的CNN-LSTM模型和稀疏高斯回归模型；在后续实际使用中，根据锂电池充电数据的类型选用不同的模型进行健康的评估。
同时，本发明一种考虑用户不完整充电过程下的电池健康状态评估方法还具有以下有益效果：
(1)、本发明通过构建不同的网络模型来评估锂电池不同类型数据下的健康状态，可以快速预测出锂电池的性能退化轨迹，具有一定的普适性；
(2)、本发明在锂电池充电数据不完整的情况下将充电过程分为较长和较短两类，实现了在锂电池数据不同缺失程度下电池健康状态的高精度预测；
(3)、本发明采用的深度学习方法和数学模型不需要进行复杂的特征处理，省去了人为处理数据特征的过程。
附图说明
图1是本发明一种考虑用户不完整充电过程下的电池健康状态评估方法流程图；
图2是锂电池SOHk随充放电次数k变化的波形图；
图3是锂电池不同健康状态下长样本数据[Ik,Vk,Tk]的波形对比图；
图4是锂电池不同健康状态下短样本数据
的波形对比图；
图5是CNN-LSTM模型结构图；
图6是构建稀疏高斯回归模型的流程图；
图7是本发明提出方法的长样本测试结果图；
图8是本发明提出方法的短样本测试结果图；
图9是不同算法预测性能对比图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
在本实施例中，如图1所示，一种考虑用户不完整充电过程下的电池健康状态评估方法，包括以下步骤：
S1、锂电池历史充放电数据处理；
S1.1、锂电池历史容量计算；
其中，Ck为锂电池第k次充放电时的电池实际容量；t0为锂电池充电开始时间，t1是锂电池充电截至时间；Ikc为第k次充电过程的充电电流；
S1.2、锂电池历史健康状态计算；
其中，SOHk为第k次充放电的锂电池健康状态；Co为锂电池的额定容量；
在本实施例中,锂电池的额定容量为2Ah，锂电池健康状态随充电次数变化的波形图如图2所示。
S2、构建锂电池不完整充电过程的数据样本集和标签；
S2.1、设置锂电池的额定充电时长为T，T＝7500s，充电数据采样间隔为2.5s；
S2.2、构建长数据样本集和标签；
S2.2.1、在锂电池历史充放电数据中，将锂电池不完整充电时长t≥T/3的电流、电压、温度数据，构成长数据样本集；
其中，Ik为锂电池第k次充电过程中的电流序列片段，Vk为锂电池第k次充电过程中的电压序列片段，Tk为锂电池第k次充电过程中的温度序列片段；i1+cj表示第1+cj次采样的电流值，v1+cj表示第1+cj次采样的电压值，t1+cj表示第1+cj次采样的温度值；n表示整个充电过程中采样数据的长度，m表示构建的不完整充电过程样本数据的长度，c表示样本数据在整个采样数据中的移动步长；
在本实例中，n＝3000，m＝1000，c＝1，每次充电过程可以生成2000个不完整充电过程长数据样本，不同健康状态下长数据样本电压、电流和温度的波形对比如图3所示，其中，(a)是不同SOH长数据样本对应的电压序列，(b)是不同SOH长数据样本对应的温度序列，(c)是不同SOH长数据样本对应的电流序列。
S2.2.2、对所有的样本数据Ik、Vk、Tk进行归一化处理；
S2.2.3、将锂电池第k次充放电的健康状态SOHk扩充到长度为
的标签数据矩阵；
S2.3、构建短数据样本集和标签；
S2.3.1、在锂电池历史充放电数据中，将锂电池不完整充电时长t＜T/3的电流、电压、温度数据，构成短数据样本集；
其中，
为锂电池第k次充电过程中的电流序列片段，/>
为锂电池第k次充电过程中的电压序列片段，/>
为锂电池第k次充电过程中的温度序列片段；/>
表示第/>
次采样的电流值，/>
表示第/>
次采样的电压值，/>
表示第/>
次采样的温度值；io表示电池额定充电电流，vo表示电池额定充电电压，to表示电池充电过程室温；n表示整个充电过程中采样数据的长度，/>
表示构建的不完整充电过程短样本数据的长度，/>
表示短样本数据在整个采样数据中的移动步长，p表示构造的短数据样本中数据差值间隔的采样点数；
在本实例中，p＝10，电池的额定电压为4.2V，额定电流为1.5A，室温为24℃，
每次充电过程可以生成220个不完整充电过程短数据样本，不同健康状态下短数据样本电压、电流和温度的波形对比如图4所示，其中，(a)是不同SOH短数据样本对应的电压增量序列，(b)是不同SOH短数据样本对应的温度增量序列，(c)是不同SOH短数据样本对应的电流增量序列。
S2.3.2、对所有的样本数据
进行归一化处理；
S2.3.3、将锂电池第k次充放电的健康状态SOHk扩充到长度为
的标签数据矩阵；
S3、构建锂电池健康状态估计模型；
S3.1、构建锂电池长样本的健康状态估计模型；
锂电池长样本的健康状态估计模型由卷积神经网络CNN和长短期记忆网络LSTM组合而成，记为CNN-LSTM模型；如图5所示，卷积神经网络CNN由4层卷积层和4层池化层交替构成，长短期记忆网络LSTM由一层隐藏层和两层全连接层构成；4层卷积层的激活函数和第一层全连接层的激活函数采用ReLu函数，最后一层全连接层的激活函数采用Sigmod函数；
S3.2、构建锂电池短样本的健康状态估计模型；
锂电池短样本的健康状态估计模型采用稀疏高斯过程回归模型，该模型的表征点数设为100，高斯核函数由标准周期核函数StdPeriodic和径向基函数RBF组合而成；在本实例中，采用sklearn库中的GaussianProcessRegressor模块和稀疏矩阵来构建稀疏高斯回归模型，构建模型的流程如图6所示；
S4、训练锂电池健康状态估计模型；
S4.1、设置模型最小迭代误差为min_loss，设置损失函数为：
其中，SOHl表示第l个样本数据对应的真实标签值，SOH'l表示第l个样本数据对应的预测标签值；
S4.2、从长样本数据集随机截取p个长样本数据，再将这p个长样本数据和对应标签输入到CNN-LSTM模型中进行模型训练，从而输出p个长样本数据对应的预测标签值SOH'l，然后通过损失函数计算本轮迭代后的损失函数值MAE，如果如果MAE＜min_loss，则迭代停止，得到训练完成的CNN-LSTM模型；否则，将损失函数值MAE通过反向传播算法更新CNN-LSTM模型的参数，然后进行下一轮训练；
S4.3、从短样本数据集随机截取p个短样本数据，再将这p个短样本数据和对应标签输入到稀疏高斯过程回归模型中进行模型训练，从而输出p个短样本数据对应的预测标签值SOH'l，然后通过损失函数计算本轮迭代后的损失函数值MAE，如果MAE＜min_loss，则迭代停止，得到训练完成的稀疏高斯过程回归模型；否则，将损失函数值MAE通过反向传播算法更新稀疏高斯过程回归模型的参数，然后进行下一轮训练；
S5、用户不完整充电过程下进行电池健康状态的实时评估；
S5.1、实时采集锂电池不完整充电过程下的充电数据，包括电流、电压、温度；
S5.2、判断锂电池不完整充电过程的时长t是否大于T/3，如果是，将步骤S5.1采集到的充电数据按长样本数据按照步骤S2.2.1进行处理，然后输入到训练好的CNN-LSTM模型，从而输出对应的SOH；否则，将步骤S5.1采集到的充电数据按长样本数据按照步骤S2.3.1进行处理，然后输入到训练好的稀疏高斯过程回归模型，从而输出对应的SOH。
在本实例中，训练模型采用的是前100次充放电历史数据构造的样本集，采用最后36次充放电数据样本进行测试，长数据样本在CNN-LSTM模型的测试结果如图7所示，该方法的平均绝对误差MAE＝0.0090119；短数据样本在SGP模型的预测结果如图8所示，该方法的平均绝对误差MAE＝0.0124975；传统健康状态估计方法和本发明提出的方法预测结果对比如图9所示，可以看出，随着训练集从前80次充放电数据逐渐扩大到前100次充放电数据，本发明提出的CNN-LSTM模型和SGP模型始终具有较小的误差，且相对于SGP模型对短样本数据的预测结果，CNN-LSTM对长样本数据的预测效果更好，这是因为样本数据越长获取的特征信息越多，预测精度越高。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种考虑用户不完整充电过程下的电池健康状态评估方法，其特征在于，包括以下步骤：
(1)、锂电池历史充放电数据处理；
(1.1)、锂电池历史容量计算；
其中，Ck为锂电池第k次充放电时的电池实际容量；t0为锂电池充电开始时间，t1是锂电池充电截至时间；Ikc为第k次充电过程的充电电流；
(1.2)、锂电池历史健康状态计算；
其中，SOHk为第k次充放电的锂电池健康状态；Co为锂电池的额定容量；
(2)、构建锂电池不完整充电过程的数据样本集和标签；
(2.1)、设置锂电池的额定充电时长为T；
(2.2)、构建长数据样本集和标签；
(2.2.1)、在锂电池历史充放电数据中，将锂电池不完整充电时长t≥T/3的电流、电压、温度数据，构成长数据样本集；
其中，Ik为锂电池第k次充电过程中的电流序列片段，Vk为锂电池第k次充电过程中的电压序列片段，Tk为锂电池第k次充电过程中的温度序列片段；i1+cj表示第1+cj次采样的电流值，v1+cj表示第1+cj次采样的电压值，t1+cj表示第1+cj次采样的温度值；n表示整个充电过程中采样数据的长度，m表示构建的不完整充电过程长样本数据的长度，c表示长样本数据在整个采样数据中的移动步长；
(2.2.2)、对所有的样本数据Ik、Vk、Tk进行归一化处理；
(2.2.3)、将锂电池第k次充放电的健康状态SOHk扩充到长度为
的标签数据矩阵；
(2.3)、构建短数据样本集和标签；
(2.3.1)、在锂电池历史充放电数据中，将锂电池不完整充电时长t＜T/3的电流、电压、温度数据，构成短数据样本集；
其中，
为锂电池第k次充电过程中的电流序列片段，/>
为锂电池第k次充电过程中的电压序列片段，/>
为锂电池第k次充电过程中的温度序列片段；/>
表示第/>
次采样的电流值，/>
表示第/>
次采样的电压值，/>
表示第/>
次采样的温度值；io表示电池额定充电电流，vo表示电池额定充电电压，to表示电池充电过程室温；n表示整个充电过程中采样数据的长度，/>
表示构建的不完整充电过程短样本数据的长度，/>
表示短样本数据在整个采样数据中的移动步长，p表示构造的短数据样本中数据差值间隔的采样点数；
(2.3.2)、对所有的样本数据
进行归一化处理；
(2.3.3)、将锂电池第k次充放电的健康状态SOHk扩充到长度为
的标签数据矩阵；
(3)、构建锂电池健康状态估计模型；
(3.1)、构建锂电池长样本的健康状态估计模型；
锂电池长样本的健康状态估计模型由卷积神经网络CNN和长短期记忆网络LSTM组合而成，记为CNN-LSTM模型；其中，卷积神经网络CNN由4层卷积层和4层池化层交替构成，长短期记忆网络LSTM由一层隐藏层和两层全连接层构成；4层卷积层的激活函数和第一层全连接层的激活函数采用ReLu函数，最后一层全连接层的激活函数采用Sigmod函数；
(3.2)、构建锂电池短样本的健康状态估计模型；
锂电池短样本的健康状态估计模型采用稀疏高斯过程回归模型，该模型的表征点数设为100，高斯核函数由标准周期核函数StdPeriodic和径向基函数RBF组合而成；
(4)、训练锂电池健康状态估计模型；
(4.1)、设置模型最小迭代误差为min_loss，设置损失函数为：
其中，SOHl表示第l个样本数据对应的真实标签值，SOH'l表示第l个样本数据对应的预测标签值；
(4.2)、从长样本数据集随机截取p个长样本数据，再将这p个长样本数据和对应标签输入到CNN-LSTM模型中进行模型训练，从而输出p个长样本数据对应的预测标签值SOH'l，然后通过损失函数计算本轮迭代后的损失函数值MAE，如果如果MAE＜min_loss，则迭代停止，得到训练完成的CNN-LSTM模型；否则，将损失函数值MAE通过反向传播算法更新CNN-LSTM模型的参数，然后进行下一轮训练；
(4.3)、从短样本数据集随机截取p个短样本数据，再将这p个短样本数据和对应标签输入到稀疏高斯过程回归模型中进行模型训练，从而输出p个短样本数据对应的预测标签值SOH'l，然后通过损失函数计算本轮迭代后的损失函数值MAE，如果MAE＜min_loss，则迭代停止，得到训练完成的稀疏高斯过程回归模型；否则，将损失函数值MAE通过反向传播算法更新稀疏高斯过程回归模型的参数，然后进行下一轮训练；
(5)、用户不完整充电过程下进行电池健康状态的实时评估；
(5.1)、实时采集锂电池不完整充电过程下的充电数据，包括电流、电压、温度；
(5.2)、判断锂电池不完整充电过程的时长t是否大于T/3，如果是，将步骤(5.1)采集到的充电数据按长样本数据按照步骤(2.2.1)进行处理，然后输入到训练好的CNN-LSTM模型，从而输出对应的SOH；否则，将步骤(5.1)采集到的充电数据按长样本数据按照步骤(2.3.1)进行处理，然后输入到训练好的稀疏高斯过程回归模型，从而输出对应的SOH。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310435257.9A CN116381539A (zh) | 2023-04-21 | 2023-04-21 | 一种考虑用户不完整充电过程下的电池健康状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310435257.9A CN116381539A (zh) | 2023-04-21 | 2023-04-21 | 一种考虑用户不完整充电过程下的电池健康状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116381539A true CN116381539A (zh) | 2023-07-04 |
Family
ID=86976878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310435257.9A Pending CN116381539A (zh) | 2023-04-21 | 2023-04-21 | 一种考虑用户不完整充电过程下的电池健康状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116381539A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116736141A (zh) * | 2023-08-10 | 2023-09-12 | 锦浪科技股份有限公司 | 一种锂电池储能安全管理系统及方法 |
| CN116973794A (zh) * | 2023-09-06 | 2023-10-31 | 广东工业大学 | 一种基于不完整充电电压曲线重构的锂电池soh估计方法 |
-
2023
- 2023-04-21 CN CN202310435257.9A patent/CN116381539A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116736141A (zh) * | 2023-08-10 | 2023-09-12 | 锦浪科技股份有限公司 | 一种锂电池储能安全管理系统及方法 |
| CN116973794A (zh) * | 2023-09-06 | 2023-10-31 | 广东工业大学 | 一种基于不完整充电电压曲线重构的锂电池soh估计方法 |
| CN116973794B (zh) * | 2023-09-06 | 2024-04-19 | 广东工业大学 | 一种基于不完整充电电压曲线重构的锂电池soh估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
| CN116381539A (zh) | 一种考虑用户不完整充电过程下的电池健康状态评估方法 | |
| CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
| CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
| CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
| Qin et al. | Prognostics of remaining useful life for lithium-ion batteries based on a feature vector selection and relevance vector machine approach | |
| CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
| Zheng et al. | State of health estimation for lithium battery random charging process based on CNN-GRU method | |
| 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 | |
| Su et al. | Prediction of remaining useful life for lithium-ion battery with multiple health indicators | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| Cui et al. | Prognostics of lithium-ion batteries based on capacity regeneration analysis and long short-term memory network | |
| 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 | |
| Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
| CN110850315A (zh) | 一种电池荷电状态的估算方法及装置 | |
| CN113093014B (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 | |
| CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
| CN112462288B (zh) | 一种基于电池表面温度变化值的锂离子电池健康状态估算方法 | |
| CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
| CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 | |
| You et al. | Capacity Estimation of lithium battery based on charging data and Long Short-term Memory Recurrent Neural Network | |
| Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network | |
| CN116953554A (zh) | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 | |
| CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
| CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Hu Weihao Inventor after: Zhan Wei Inventor after: Deng Huiwen Inventor after: Yuan Yiping Inventor after: Zheng Yuxuan Inventor after: Chen Jianjun Inventor after: Hu Jiaxiang Inventor after: Zhang Sen Inventor after: Tang Ming Inventor after: Zhang Yuning Inventor before: Hu Weihao Inventor before: Zhan Wei Inventor before: Deng Huiwen Inventor before: Yuan Yiping Inventor before: Zheng Yuxuan Inventor before: Chen Jianjun Inventor before: Hu Jiaxiang Inventor before: Zhang Sen Inventor before: Tang Ming Inventor before: Zhang Yuning |
|
| CB03 | Change of inventor or designer information |