CN116449218A - 一种锂电池健康状态的估计方法 - Google Patents
一种锂电池健康状态的估计方法 Download PDFInfo
- Publication number
- CN116449218A CN116449218A CN202310463105.XA CN202310463105A CN116449218A CN 116449218 A CN116449218 A CN 116449218A CN 202310463105 A CN202310463105 A CN 202310463105A CN 116449218 A CN116449218 A CN 116449218A
- Authority
- CN
- China
- Prior art keywords
- data
- learner
- individual
- model
- meta
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000036541 health Effects 0.000 title claims abstract description 52
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 19
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 10
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000000739 chaotic effect Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000007637 random forest analysis Methods 0.000 claims abstract description 6
- 239000000178 monomer Substances 0.000 claims abstract description 3
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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]
- G01R31/378—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]
- G01R31/392—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开一种锂电池健康状态估计方法，收集不同工况下锂离子电池单体充放电的电压、电流、温度、容量数据，采用LOF方法对原始数据的异常值进行剔除，使用K折交叉的方法对数据进行划分，构建Stakcing集成模型训练的数据集合，使用AST‑GRU和CNN‑RVFL作为基学习器，随机森林RF作为元学习器，构建锂电池健康状态估计模型；采用singer混沌映射对堆优化算法的种群进行初始化操作，在位置更新中引入基于维度学习的更新策略，得到IHBO；利用IHBO对模型的超参数进行优化，获得最佳参数，并将最优超参数输入到模型中，利用基学习器层得到的元特征数据对元学习器进行训练，得到最终预测结果。与现有技术相比，本发明能够有效的估计锂电池健康状态，提高模型精度。
Description
技术领域
本发明涉及锂电池技术领域，特别涉及一种锂电池健康状态的估计方法。
背景技术
随着电力行业高速发展，各个领域对稳定储能系统需求不断增长。锂电池因其循环寿命长、工作温度范围宽、能量密度高、绿色环保的优点成为了定制储能的首选系统。据分析师推测，全球对锂电池的需求会进一步提高，到2030年，将达到3太瓦时以上。但随着锂电池使用循环次数增加和自放电性等因素，锂电池会出现可用容量减少下降的老化现象。当锂电池老化到某种程度，就无法继续正常运行，这个时候锂电池很容易发生故障，会产生高昂的维修成本，暗藏巨大的安全风险，甚至产生毁灭性的后果，因此应该及时更换锂电池。
为了衡量锂电池的老化程度，电池健康状态被提出，并为老化锂电池的更换提供重要依据。精确的健康状态预测有利于了解到电池组或电池单体的剩余寿命情况，从而安全可靠的使用锂电池。因此无论在储存、使用还是运输中，健康状态都是评估电池寿命不可或缺的参数，准确的健康状态估算对锂电池发挥最佳性能和安全运行有重大意义。健康状态通常定义为实际容量和标称容量的比例。
近年来，锂电池耐久性研究已成为一个具有实际应用价值的重大热点课题，估算健康状态的方法主要分为三类，分别是基于电化学模型的方法和基于等效电路模型的方法以及基于数据驱动的方法。基于电化学模型的方法是通过建立电池内部化学反应的模型来解释电池的老化机理。但是电化学模型通常包含多个复杂的方程和高度耦合的模型参数，主要应用于电池内部电化学反应的研究。等效电路模型的基本原理是通过使用锂电池在循环过程中表现出来的特征参数等，通过滤波算法建立特征参数与健康状态的关系，进一步估计锂电池的健康状态。使用等效电路模型估算的方法虽能较准确的估计电池健康状态，但过度依赖模型与参数的精准度，需要建立不同的模型来应对不同的情况，泛化能力较弱。基于数据驱动的预测方法不需要考虑复杂的电化学特性，因此在建模时可被视为一个“黑盒系统”，这类方法需要从电池历史退化数据和状态监测数据(电流、电压、温度等)中挖掘信息，并仿真建立能够反映电池退化的统计模型，来预测电池的健康状态。数据驱动方法通过分析电池的充放电循环退化数据，基于统计分析的方法，找到数据中隐藏的输入输出映射关系，并建立能够反映电池退化的统计模型，相比于使用单个模型进行预测，模型融合的思想是将多个模型按照一定方式进行组合，以期望得到比单个模型更好的效果。
发明内容
发明目的：针对现有技术存在的问题，本发明提供一种锂电池健康状态估计方法，能提高锂电池健康状态估计模型精度。
技术方案：本发明提出一种锂离子电池健康状态估计方法，包括以下步骤：
步骤1：收集不同工况下锂离子电池单体充放电的电压、电流、温度、容量数据，利用离群因子检测LOF方法对异常数据进行剔除；
步骤2：使用K折交叉法对数据进行划分，构建Stacking集成模型训练的数据集合；
步骤3：构建堆叠集成学习模型，并搭建基学习器和元学习器双层结构，将AST-GRU和CNN-RVFL作为基学习器，随机森林作为元学习器，把训练基学习器产生的元特征数据，输入到元学习器中进行学习；
步骤4：对堆优化算法HBO进行改进，采用singer混沌映射方法对种群进行初始化，引入维度学习的方法增强间接层的信息交互，得到IHBO算法；
步骤5：利用IHBO算法对步骤3中基学习器和元学习器的超参数进行优化，获得最优超参数，利用优化后的的堆叠集成学习模型对电池健康状态进行估计，得到锂电池健康状态的估计结果。
进一步地，所述步骤1中采用离群因子检测LOF方法对采集到的原始数据进行处理，包括以下步骤：
步骤1.1：计算每个数据点的第k距离邻域内各点的第k可达距离，其公式为：
reach_distk(o,p)＝max{dk(o),d(o,p)} (1)
其中，dk(o)为领域点o的第k距离，d(o,p)为邻域点o到点p的距离；
步骤1.2：计算每个点的局部第k局部可达密度，其公式为：
其中，Nk(p)为p点的第K距离邻域；
步骤1.3：计算每个数据点的第k局部离群因子：
步骤1.4：根据步骤1.3中计算得到的每个数据点的局部离群因子LOFk(p)，对最大的n个局部离群因子所述的数据点进行判断，如果数据点的LOFk(p)远大于1，表明该数据点跟其它数据点疏远，为一个异常点，并将异常点剔除。
进一步地，所述步骤2中采用K折交叉法对数据进行划分，构建堆叠模型训练的数据集合，包括以下步骤：
步骤2.1：利用步骤1处理后的数据，建立电池健康状态数据集，并按照7：3的比例划分为训练集和测试集；
步骤2.2：将训练集均分为k份互斥的子数据集{train_1,train_2,…,train_k}；
步骤2.3：将第i份子数据集train_i作为验证集，剩余k-1个子数据集作为新训练集Ntrain_i。
进一步地，所述步骤3中构建堆叠集成学习模型，搭建基学习器和元学习器双层结构，包括以下步骤：
步骤3.1：使用步骤2.3中处理好的Ntrain_i对基学习器层的两个模型AST-GRU和CNN-RVFL进行训练，将train_i作为验证集输入到经过Ntrain_i训练好的模型中得到估计结果Pi，将步骤2.1中的测试集输入到Ntrain_i训练好的模型得到估计结果Yi；
步骤3.2：重复步骤3.1，直到i>k结束此操作，得到每个基学习器层模型对验证集的结果{P1,P2,…,Pk}和对测试集的结果{Y1,Y2,…,Yk}，将两个基学习器层模型对测试集的结果{Y1,Y2,…,Yk}进行加权平均分别生成集合T1和T2；
步骤3.3：将步骤3.2中得到的{P1,P2,…,Pk}合并成为元学习器的训练集Xtrain此时Xtrain为一个包含两个特征值的集合，将{T1,T2}组合成集合Xtest输入到训练好的元学习器中得到预测值。
进一步地，所述步骤4中对堆优化算法HBO进行改进，包括以下步骤：
步骤4.1：设置HBO算法的种群大小和迭代次数，以及搜索空间的上下限；
步骤4.2：采用singer混沌映射策略初始化算法的种群位置，改进后的公式如下所示：
Wh+1＝φ(7.86Wh-23.31Wh 2+28.75Wh 3-13.302875Wh 4), φ∈(0.9,1.08) (4)
步骤4.3：HBO算法的在进行堆更新时，位置更新公式如下所示：
其中，z是当前迭代次数，h是一个解向量的第h个分量，E是当前个体的直接领导，n1，n2，n3被定义为：
步骤4.4：在维度学习的搜索策略中，首先通过常规的堆优化搜索策略，将计算出的个体位置作为候选位置WHBO(h+1)，建立个体的当前位置的邻域Ni(t)，其公式如下：
Ni(t)＝{Wj(h)|Li(Wi(h),Wj(h))≤Si(h),Wj(h)∈Pop} (7)
其中，Li为Wi(h)到Wj(h)的欧氏距离，Si(t)为个体当前位置与WHBO(h+1)之间的欧式距离；
步骤4.5：利用维度学习搜索策略计算出维度学习位置WDL(h+1)，公式如下所示：
WDL,d(h+1)＝Wi,d(h)+rand×(Wn,d(h)-Wr,d(h)) (8)
其中，Wi,d(h)是步骤4.4得到的邻域Ni(t)中的随机个体位置，Wr,d(h)是个体矩阵内随机个体位置；
步骤4.6：通过加入维度学习的搜索策略，对堆优化算法位置更新进行改进，改进后的位置更新公式如下：
进一步地，所述步骤5中对利用IHBO算法对步骤3中构建的基学习器和元学习器的超参数进行优化，包括以下步骤：
步骤5.1：初始化堆优化算法的相关参数，包括个体种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；
步骤5.2：计算经过堆叠集成学习模型训练的预测值Ypi和样本实际值Ovi间的均方根误差，将其作为堆优化算法中每个个体的适应度值Fit：
步骤5.3：根据随机数n确定个体更新策略，并计算出每个个体位置，利用公式(5)计算出个体的适应度值，并对其进行排序；
步骤5.4：利用维度学习策略重新对个体位置进行计算，使用公式(6)计算个体适应位置，将其与步骤5.3得到的个体适应度值进行比较，选出最优适应度值对应的最优位置；
步骤5.5：判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出基学习器和元学习器的超参数，否则返回步骤5.2；
步骤5.6：将元特征数据输入到优化后的堆叠集成模型中进行估计，得到最终的锂电池健康状态估计结果。
有益效果：
本发明基于Stacking集成学习和AST-GRU、CNN-RVFL、随机森林建立模型，同时采用改进的HBO算法优化模型超参数，能够有效地估计锂电池健康状态变化趋势，提高预测精度。
本发明针对单模型在锂电池健康状态估计中泛化性差的问题，利用LOF方法对异常数据进行剔除，消除误差对特征量规律性的影响，保留锂电池健康状态变化过程中物理化学特征。针对单个模型估计锂电池健康状态泛化性差，容易受到噪声影响。提出将多个模型按照Stacking方法进行组合，利用结合注意力机制的AST-GRU网络，通过注意力机制增加关键时间步的权重，减少次要信息的干扰。使用CNN-RVFL网络收集锂电池充放电时局部时序特征。使用随机森林作为元学习器层对基学习器提取的元特征进行学习。针对模型过拟合问题，采用k折交叉的方法划分数据集。能够有效提升模型的准确率。针对堆优化算法缺少间接层之间的信息交互导致的搜索能力不足的问题，采用singer混沌映射对种群进行初始化操作，避免初始化个体集中分布，在更新阶段增加维度学习的更新方式，增加个体对间接层信息的利用能力，提高搜索效率。
附图说明
图1为本发明提供的基于Stacking集成的多模型训练框架流程示意图；
图2为本发明提供的改进后的HBO算法(IHBO)的流程示意图；
图3为本发明提供的基于Stacking集成的预测模型流程示意图；
图4为本发明提供的锂电池健康估计方法与其他三种方法对锂电池健康状态估计结果对比图。
具体实施方式
下面结合附图对本发明进行进一步的描述。
结合图1、图2和图3，本发明公开了一种锂电池健康状态的估计方法，采用LOF对原始数据中的异常点进行剔除，消除误差对特征量规律性的影响，采用k折交叉的方法划分出训练集和验证集，使用K折交叉法对数据进行划分，构建堆叠模型训练的数据集合。建立基于Stacking集成学习的锂电池健康状态预测模型，其中，在Stacking中采用AST-GRU和CNN-RVFL组成基学习器层，通过基学习器得到元特征数据输入到元学习器中进行学习。利用HBO算法对步基学习器和元学习器的超参数进行优化，获得最优超参数，利用优化后的的堆叠模型对电池健康状态进行估计，得到锂电池健康状态的估计结果。具体步骤如下：
步骤1：利用离群因子检测LOF方法对异常数据进行剔除。
步骤1.1：计算每个数据点的第k距离邻域内各点的第k可达距离，其公式为：
reach_distk(o,p)＝max{dk(o),d(o,p)} (1)
其中，dk(o)为领域点o的第k距离，d(o,p)为邻域点o到点p的距离。
步骤1.2：计算每个点的局部第k局部可达密度，其公式为：
其中，Nk(p)为p点的第K距离邻域。
步骤1.3：计算每个数据点的第k局部离群因子：
步骤1.4：根据步骤1.3中计算得到的每个数据点的局部离群因子LOFk(p)，对最大的n个局部离群因子所述的数据点进行判断，如果数据点的LOFk(p)远大于1，表明该数据点跟其它数据点疏远，为一个异常点，并将异常点剔除。
步骤2：使用K折交叉法对数据进行划分，构建堆叠模型训练的数据集合。
步骤2.1：利用步骤1处理后的数据，建立电池健康状态数据集。并按照7：3的比例划分为训练集和测试集。
步骤2.2：将训练集均分为k份互斥的子数据集{train_1,train_2,…,train_k}。
步骤2.3：将第i份子数据集train_i作为验证集。剩余k-1个子数据集作为新训练集Ntrain_i。
步骤3：构建堆叠集成学习模型，并搭建基学习器和元学习器双层结构，将AST-GRU和CNN-RVFL作为基学习器，随机森林作为元学习器。把训练基学习器产生的元特征数据，输入到元学习器中进行学习。
步骤3.1：使用步骤2.3中处理好的Ntrain_i对基学习器层的两个模型AST-GRU和CNN-RVFL进行训练。将train_i作为验证集输入到经过Ntrain_i训练好的模型中得到估计结果Pi，将步骤2.1中的测试集输入到Ntrain_i训练好的模型得到估计结果Yi。
步骤3.2：重复步骤3.1，直到i>k结束此操作，得到每个基学习器层模型对验证集的结果{P1,P2,…,Pk}和对测试集的结果{Y1,Y2,…,Yk}，将两个基学习器层模型对测试集的结果{Y1,Y2,…,Yk}进行加权平均分别生成集合T1和T2。
步骤3.3：将步骤3.1中得到的{P1,P2,…,Pk}合并成为元学习器的训练集Xtrain，此时Xtrain为一个包含两个特征值的集合。将{T1,T2}组合成集合Xtest作为输入到训练好的元学习器中得到预测值。
步骤4：对堆优化算法HBO进行改进，采用singer混沌映射方法对种群进行初始化，加速算法在迭代初期的搜索速度。引入维度学习的方法增强间接层的信息交互，提高算法的全局搜索能力，得到IHBO算法。
步骤4.1：设置HBO算法的种群大小和迭代次数，以及搜索空间的上下限。
步骤4.2：采用singer混沌映射策略初始化算法的种群位置，改进后的公式如下所示：
Wh+1＝φ(7.86Wh-23.31Wh 2+28.75Wh 3-13.302875Wh 4), φ∈(0.9,1.08) (4)
步骤4.3：HBO算法的在进行堆更新时，位置更新公式如下所示：
其中z是当前迭代次数，h是一个解向量的第h个分量，E是当前个体的直接领导，n1，n2，n3被定义为：
步骤4.4：在维度学习的搜索策略中，首先通过常规的堆优化搜索策略，将计算出的个体位置作为候选位置WHBO(h+1)，建立个体的当前位置的邻域Ni(t)，其公式如下：
Ni(t)＝{Wj(h)|Li(Wi(h),Wj(h))≤Si(h),Wj(h)∈Pop} (7)
其中，Li为Wi(h)到Wj(h)的欧氏距离。Si(t)为个体当前位置与WHBO(h+1)之间的欧式距离。
步骤4.5：利用维度学习搜索策略计算出维度学习位置WDL(h+1)，公式如下所示：
WDL,d(h+1)＝Wi,d(h)+rand×(Wn,d(h)-Wr,d(h)) (8)
其中，Wi,d(h)是步骤4.4得到的邻域Ni(t)中的随机个体位置，Wr,d(h)是个体矩阵内随机个体位置。
步骤4.6：通过加入维度学习的搜索策略，对堆优化算法位置更新进行改进，改进后的位置更新公式如下：
步骤5：利用IHBO算法对步骤3中基学习器和元学习器的超参数进行优化，获得最优超参数，利用优化后的的堆叠模型对电池健康状态进行估计，得到锂电池健康状态的估计结果。
步骤5.1：初始化堆优化算法的相关参数，包括个体种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数。
步骤5.2：计算经过堆叠集成学习模型训练的预测值Ypi和样本实际值Ovi间的均方根误差，将其作为堆优化算法中每个个体的适应度值Fit。
步骤5.3：根据随机数n确定个体更新策略，并计算出每个个体位置，利用公式(5)计算出个体的适应度值，并对其进行排序。
步骤5.4：利用维度学习策略重新对个体位置进行计算，使用公式(6)计算个体适应位置，将其与步骤5.3得到的个体适应度值进行比较，选出最优适应度值对应的最优位置。
步骤5.5：判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出基学习器和元学习器的超参数。否则返回步骤5.2。
步骤5.6：将步骤3.3中得到的Xtest数据输入到优化后的堆叠集成模型中进行估计，得到最终的锂电池健康状态估计结果。
步骤6：采用均方根误差(RMSE)，平均绝对误差(MAE)，平均绝对百分误差(MAPE)三个评价指标评判当前模型的精确度，采用RMSE，MAE，MAPE三个评价指标公式分别如下：
式中，MAE为平均绝对误差，RMSE为均方根误差，MAPE为平均绝对百分误差，prei为预测值，obsi训练样本实际值，N为样本个数。
与此同时，为验证本发明提出方法的优越性，分别采用两组不同方法与本发明提出的方法进行对比实验，表1为所用两组不同方法，图4为不同方法的估计结果对比图。
表1
从对锂电池组健康状态估计的结果对比图中可以看出，本发明提出的锂电池组健康状态估计方法的估计值与真实值更加稳合，这说明基于Stacking的集成模型更能反应锂电池组健康状态的退化。这说明了本发明提出的一种锂电池组的健康状态集成估计发方法具有操作简单、误差小、效率高等优点。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围内。
Claims (6)
1.一种锂离子电池健康状态估计方法，其特征在于，包括以下步骤：
步骤1：收集不同工况下锂离子电池单体充放电的电压、电流、温度、容量数据，利用离群因子检测LOF方法对异常数据进行剔除；
步骤2：使用K折交叉法对数据进行划分，构建Stacking集成模型训练的数据集合；
步骤3：构建堆叠集成学习模型，并搭建基学习器和元学习器双层结构，将AST-GRU和CNN-RVFL作为基学习器，随机森林作为元学习器，把训练基学习器产生的元特征数据，输入到元学习器中进行学习；
步骤4：对堆优化算法HBO进行改进，采用singer混沌映射方法对种群进行初始化，引入维度学习的方法增强间接层的信息交互，得到IHBO算法；
步骤5：利用IHBO算法对步骤3中基学习器和元学习器的超参数进行优化，获得最优超参数，利用优化后的的堆叠集成学习模型对电池健康状态进行估计，得到锂电池健康状态的估计结果。
2.根据权利要求1所述的一种锂离子电池的电池健康状态估计方法，其特征在于，所述步骤1中采用离群因子检测LOF方法对采集到的原始数据进行处理，包括以下步骤：
步骤1.1：计算每个数据点的第k距离邻域内各点的第k可达距离，其公式为：
reach_distk(o,p)＝max{dk(o),d(o,p)} (1)
其中，dk(o)为领域点o的第k距离，d(o,p)为邻域点o到点p的距离；
步骤1.2：计算每个点的局部第k局部可达密度，其公式为：
其中，Nk(p)为p点的第K距离邻域；
步骤1.3：计算每个数据点的第k局部离群因子：
步骤1.4：根据步骤1.3中计算得到的每个数据点的局部离群因子LOFk(p)，对最大的n个局部离群因子所述的数据点进行判断，如果数据点的LOFk(p)远大于1，表明该数据点跟其它数据点疏远，为一个异常点，并将异常点剔除。
3.根据权利要求1所述的一种锂离子电池的电池健康状态估计方法，其特征在于，所述步骤2中采用K折交叉法对数据进行划分，构建堆叠模型训练的数据集合，包括以下步骤：
步骤2.1：利用步骤1处理后的数据，建立电池健康状态数据集，并按照7：3的比例划分为训练集和测试集；
步骤2.2：将训练集均分为k份互斥的子数据集{train_1,train_2,…,train_k}；
步骤2.3：将第i份子数据集train_i作为验证集，剩余k-1个子数据集作为新训练集Ntrain_i。
4.根据权利要求3所述的一种锂离子电池的电池健康状态估计方法，其特征在于，所述步骤3中构建堆叠集成学习模型，搭建基学习器和元学习器双层结构，包括以下步骤：
步骤3.1：使用步骤2.3中处理好的Ntrain_i对基学习器层的两个模型AST-GRU和CNN-RVFL进行训练，将train_i作为验证集输入到经过Ntrain_i训练好的模型中得到估计结果Pi，将步骤2.1中的测试集输入到Ntrain_i训练好的模型得到估计结果Yi；
步骤3.2：重复步骤3.1，直到i>k结束此操作，得到每个基学习器层模型对验证集的结果{P1,P2,…,Pk}和对测试集的结果{Y1,Y2,…,Yk}，将两个基学习器层模型对测试集的结果{Y1,Y2,…,Yk}进行加权平均分别生成集合T1和T2；
步骤3.3：将步骤3.2中得到的{P1,P2,…,Pk}合并成为元学习器的训练集Xtrain，此时Xtrain为一个包含两个特征值的集合，将{T1,T2}组合成集合Xtest输入到训练好的元学习器中得到预测值。
5.根据权利要求1所述的一种锂离子电池的电池健康状态估计方法，其特征在于，所述步骤4中对堆优化算法HBO进行改进，包括以下步骤：
步骤4.1：设置HBO算法的种群大小和迭代次数，以及搜索空间的上下限；
步骤4.2：采用singer混沌映射策略初始化算法的种群位置，改进后的公式如下所示：
Wh+1＝φ(7.86Wh-23.31Wh 2+28.75Wh 3-13.302875Wh 4),φ∈(0.9,1.08) (4)
步骤4.3：HBO算法的在进行堆更新时，位置更新公式如下所示：
其中，z是当前迭代次数，h是一个解向量的第h个分量，E是当前个体的直接领导，n1，n2，n3被定义为：
步骤4.4：在维度学习的搜索策略中，首先通过常规的堆优化搜索策略，将计算出的个体位置作为候选位置WHBO(h+1)，建立个体的当前位置的邻域Ni(t)，其公式如下：
Ni(t)＝{Wj(h)|Li(Wi(h),Wj(h))≤Si(h),Wj(h)∈Pop} (7)
其中，Li为Wi(h)到Wj(h)的欧氏距离，Si(t)为个体当前位置与WHBO(h+1)之间的欧式距离；
步骤4.5：利用维度学习搜索策略计算出维度学习位置WDL(h+1)，公式如下所示：
WDL,d(h+1)＝Wi,d(h)+rand×(Wn,d(h)-Wr,d(h)) (8)
其中，Wi,d(h)是步骤4.4得到的邻域Ni(t)中的随机个体位置，Wr,d(h)是个体矩阵内随机个体位置；
步骤4.6：通过加入维度学习的搜索策略，对堆优化算法位置更新进行改进，改进后的位置更新公式如下：
6.根据权利要求5所述的一种锂离子电池的电池健康状态估计方法，其特征在于，所述步骤5中对利用IHBO算法对步骤3中构建的基学习器和元学习器的超参数进行优化，包括以下步骤：
步骤5.1：初始化堆优化算法的相关参数，包括个体种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；
步骤5.2：计算经过堆叠集成学习模型训练的预测值Ypi和样本实际值Ovi间的均方根误差，将其作为堆优化算法中每个个体的适应度值Fit：
步骤5.3：根据随机数n确定个体更新策略，并计算出每个个体位置，利用公式(5)计算出个体的适应度值，并对其进行排序；
步骤5.4：利用维度学习策略重新对个体位置进行计算，使用公式(6)计算个体适应位置，将其与步骤5.3得到的个体适应度值进行比较，选出最优适应度值对应的最优位置；
步骤5.5：判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出基学习器和元学习器的超参数，否则返回步骤5.2；
步骤5.6：将元特征数据输入到优化后的堆叠集成模型中进行估计，得到最终的锂电池健康状态估计结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310463105.XA CN116449218B (zh) | 2023-04-26 | 2023-04-26 | 一种锂电池健康状态的估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310463105.XA CN116449218B (zh) | 2023-04-26 | 2023-04-26 | 一种锂电池健康状态的估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449218A true CN116449218A (zh) | 2023-07-18 |
| CN116449218B CN116449218B (zh) | 2024-03-12 |
Family
ID=87127308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310463105.XA Active CN116449218B (zh) | 2023-04-26 | 2023-04-26 | 一种锂电池健康状态的估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449218B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
| CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009585A (zh) * | 2017-12-01 | 2018-05-08 | 国网山东省电力公司信息通信公司 | 基于局部信息融合的铅酸电池健康状态预测方法 |
| CN109991542A (zh) * | 2019-03-27 | 2019-07-09 | 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 |
| CN111413622A (zh) * | 2020-04-03 | 2020-07-14 | 重庆大学 | 一种基于堆叠降噪自动编码机的锂电池寿命预测方法 |
| CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 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 |
| CN114899457A (zh) * | 2022-05-23 | 2022-08-12 | 淮阴工学院 | 一种针对质子交换膜燃料电池系统的故障检测方法 |
| KR20220163736A (ko) * | 2021-06-03 | 2022-12-12 | 주식회사 네오윌 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
| CN115498283A (zh) * | 2022-08-27 | 2022-12-20 | 湖州师范学院 | 改进麻雀算法优化的锂离子电池健康状态预测方法 |
| CN115856678A (zh) * | 2022-11-10 | 2023-03-28 | 盐城工学院 | 一种锂离子电池健康状态估计方法 |
-
2023
- 2023-04-26 CN CN202310463105.XA patent/CN116449218B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009585A (zh) * | 2017-12-01 | 2018-05-08 | 国网山东省电力公司信息通信公司 | 基于局部信息融合的铅酸电池健康状态预测方法 |
| CN109991542A (zh) * | 2019-03-27 | 2019-07-09 | 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 |
| CN111413622A (zh) * | 2020-04-03 | 2020-07-14 | 重庆大学 | 一种基于堆叠降噪自动编码机的锂电池寿命预测方法 |
| CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 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 |
| KR20220163736A (ko) * | 2021-06-03 | 2022-12-12 | 주식회사 네오윌 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
| CN114899457A (zh) * | 2022-05-23 | 2022-08-12 | 淮阴工学院 | 一种针对质子交换膜燃料电池系统的故障检测方法 |
| CN115498283A (zh) * | 2022-08-27 | 2022-12-20 | 湖州师范学院 | 改进麻雀算法优化的锂离子电池健康状态预测方法 |
| CN115856678A (zh) * | 2022-11-10 | 2023-03-28 | 盐城工学院 | 一种锂离子电池健康状态估计方法 |
Non-Patent Citations (4)
| Title |
|---|
| XU, JL: "State-of-health estimation for lithium-ion batteries based on partial charging segment and stacking model fusion", ENERGY SCIENCE & ENGINEERING, pages 383 - 396 * |
| 何瑛;钟根鹏;陈翌;: "基于特征组合堆叠融合集成学习的锂离子动力电池SOC估算", 储能科学与技术, vol. 9, no. 05, pages 1548 - 1557 * |
| 姚诚伟;陈根才;: "一种深度生成模型的超参数自适应优化法", 实验室研究与探索, vol. 37, no. 02, pages 48 - 53 * |
| 陈建新;候建明;王鑫;邵海涛;宋广磊;薛宇;: "基于局部信息融合及支持向量回归集成的锂电池健康状态预测", 南京理工大学学报, vol. 42, no. 01, pages 48 - 54 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 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 |
| CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
| CN116846040B (zh) * | 2023-08-31 | 2023-11-14 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449218B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109991542B (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
| CN106842045B (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 | |
| CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
| CN111398832A (zh) | 一种基于anfis模型的公交车电池soc预测方法 | |
| CN109375116B (zh) | 一种基于自编码器的电池系统异常电池识别方法 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
| CN112791997A (zh) | 一种退役电池梯次利用筛选的方法 | |
| CN109239603A (zh) | 一种流形正则化框架下的极限学习机预测动力电池soc方法 | |
| Zhang et al. | A bayesian mixture neural network for remaining useful life prediction of lithium-ion batteries | |
| CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
| CN117289146A (zh) | 储能电池的充放电测试方法、装置、设备及存储介质 | |
| KR20140137181A (ko) | 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법 | |
| CN115799580A (zh) | 基于优化fcm训练的os-elm燃料电池故障诊断方法 | |
| CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
| CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
| Wang et al. | Parameters exploration of SOFC for dynamic simulation using adaptive chaotic grey wolf optimization algorithm | |
| CN117031310A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
| Dong et al. | Data-driven predictive prognostic model for power batteries based on machine learning | |
| CN113376541B (zh) | 一种基于crj网络的锂离子电池健康状态预测方法 | |
| Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
| CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
| Tang et al. | Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm | |
| CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
| Ma et al. | A novel health index for battery RUL degradation modeling and prognostics |
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 |