CN116482543A - Ups电池健康状态评估方法、装置和存储介质 - Google Patents
Ups电池健康状态评估方法、装置和存储介质 Download PDFInfo
- Publication number
- CN116482543A CN116482543A CN202310579934.4A CN202310579934A CN116482543A CN 116482543 A CN116482543 A CN 116482543A CN 202310579934 A CN202310579934 A CN 202310579934A CN 116482543 A CN116482543 A CN 116482543A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- capacity
- ups battery
- acquiring
- 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
- 230000036541 health Effects 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000005562 fading Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000007667 floating Methods 0.000 claims abstract description 31
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 230000015556 catabolic process Effects 0.000 claims abstract description 10
- 238000006731 degradation reaction Methods 0.000 claims abstract description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 15
- 238000007600 charging Methods 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 210000004027 cell Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000032683 aging Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000010277 constant-current charging Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007704 transition 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or 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]
- G01R31/392—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
-
- 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UPS电池健康状态评估方法、装置和存储介质,属于电池技术领域。所述方法有效解决了现有技术中UPS电池健康状态评估数据不足的缺陷。该方法包括:获取UPS电池多组容量衰退周期数据,所述容量衰退周期数据包括浮充工况数据和工作工况数据;基于多组所述容量衰退周期数据获取所述UPS电池的全生命周期数据;基于所述全生命周期数据进行模型训练得到电池容量衰退评估模型;根据所述UPS电池的当前监测数据通过所述评估模型获取所述UPS电池的健康状态评估值。
Description
技术领域
涉及电池技术领域,特别涉及一种UPS电池健康状态评估方法、装置和存储介质。
背景技术
不间断电源(Uninterruptible Power System,UPS)采用锂离子电池,广泛应用于通信基站、轨道交通以及家庭储能等供电场景。但是,锂离子电池随使用时间推移会出现不可避免的老化,导致电池容量下降,从而影响使用。因此,对于UPS的电池健康状态预测成为了当务之急。
相关技术中提供的电池健康状态评估方法,需要基于大量的电池充放电周期数据训练预测模型。例如,专利文件CN109993270通过大量的电池充放电循环下的监测数据,计算得到不同时刻下电池容量数据,从而将获取的电池容量数据作为构建预测模型的训练数据。专利文件CN113805087基于已知的不同配方锂离子电池容量循环退化数据,构建不同状态下的状态转移方程,进而通过粒子滤波算法对状态空间模型求解,得到当前时刻的电池容量预测值,并通过对比循环退化曲线确定UPS电池寿命。
但是,UPS电池长期处于浮充状态,一方面难以获取足够数量的充放电循环数据,导致相关技术提供预测方法准确性降低。另一方面,仅考虑充放电循环下的监测数据,忽略了浮充状态会间接导致单体电池反复充电保压,造成整体电池模组健康状态下降。基于这两方面,相关技术提供的电池健康状态评估方法的准确性需进一步提高。
发明内容
本发明要解决的技术问题是为了克服现有技术中UPS电池健康状态预测方法训练数据不足导致预测结果准确性降低的缺陷,提供一种UPS电池健康状态评估方法、装置和可读介质。
本发明是通过下述技术方案来解决上述技术问题:
第一方面,本发明实施例提供了一种UPS电池健康状态评估方法,所述方法包括:
获取UPS电池多组容量衰退周期数据,所述容量衰退周期数据包括浮充工况数据和工作工况数据;
基于多组所述容量衰退周期数据获取所述UPS电池的全生命周期数据;
基于所述全生命周期数据进行模型训练得到电池容量衰退评估模型;
根据所述UPS电池的当前监测数据通过所述评估模型获取所述UPS电池的健康状态评估值。
在一个实施例中,所述获取UPS电池多组容量衰退周期数据,所述容量衰退周期数据包括浮充工况数据和工作工况数据,包括:
获取所述UPS电池的历史监测数据,并确定所述历史监测数据表征的工况,所述工况包括浮充工况、放电工况和充电工况;
将所述浮充工况的监测数据确定为所述浮充工况数据,将所述充电工况和所述放电工况的监测数据确定为所述工作工况数据。
在一个实施例中,所述基于多组所述容量衰退周期数据获取所述UPS电池的全生命周期数据,包括:
基于多组所述容量衰退周期数据获取数据衰减规律和未来时刻容量衰退周期数据的分类器;
根据所述衰减规律对所述容量衰退数据进行扩充,根据所述分类器对扩充后的数据进行分类得到所述全生命周期数据。
在一个实施例中,多组所述容量衰退周期数据包括历史监测数据、当前监测数据和实验监测数据;所述基于多组所述容量衰退周期数据获取未来时刻容量衰退周期数据的分类器,包括:
将所述历史监测数据和/或所述实验监测数据作为目标域,将所述当前监测数据和未来监测数据作为源域,根据所述源域和所述目标域确定训练数据集和测试数据集;
根据所述目标域的数据分布配置所述源域的权重分布函数;
调用分类算法根据所述训练数据集和所述权重分布函数,迭代地获取所述测试数据集上的弱分类器;
基于所述弱分类器在所述目标域上的分类错误率更新所述权重向量,迭代地获取所述分类器。
在一个实施例中,所述基于所述全生命周期数据进行模型训练得到电池容量衰退评估模型,包括:
根据所述全生命周期数据确定相同数据获取不同时刻的电池容量实际值;
根据所述全生命周期数据通过预先配置的双向LSTM网络模型获取不同时刻的电池容量估计值;
以所述电池容量实际值和所述电池容量估计值构建损失函数进行所述双向LSTM网络模型训练,得到所述评估模型。
在一个实施例中,所述根据所述全生命周期数据通过预先配置的双向LSTM网络模型获取不同时刻的电池容量估计值,包括:
根据所述全生命周期数据中的未来时刻数据获取正序输入向量;
根据所述全生命周期数据中的历史时刻数据获取反序输入向量;
基于所述正序输入向量和所述反序输入向量获取所述电池容量估计值。
在一个实施例中,所述方法还包括:预先配置所述LSTM网络模型的堆叠层数,以及隐藏单元个数。
在一个实施例中,所述根据所述UPS电池的当前监测数据通过所述评估模型获取所述UPS电池的健康状态评估值,包括:
根据所述当前监测数据通过所述评估模型获取所述电池的当前容量估计值;
根据所述当前容量估计值与所述电池的额定容量获取所述健康状态评估值。
第二方面,本发明实施例提供了一种UPS电池健康状态评估装置,所述装置包括:
第一获取模块,用于获取UPS电池多组容量衰退周期数据,所述容量衰退周期数据包括浮充工况数据和工作工况数据;
第二获取模块,用于基于多组所述容量衰退周期数据获取所述UPS电池的全生命周期数据;
训练模块,用于基于所述全生命周期数据进行模型训练得到电池容量衰退评估模型;
第三获取模块,用于根据所述UPS电池的当前监测数据通过所述评估模型获取所述UPS电池的健康状态评估值。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的UPS电池健康状态评估方法。
本发明的积极进步效果在于:
本发明提供的UPS电池健康状态评估方法针对UPS电池长期处于浮充状态,不固定放电等特点进行了改进。通过有效结合了浮充工况下的日历老化数据以及电池恒流充电周期数据作为完整的容量衰退周期数据,进而将容量衰退数据作为后续模型训练的基础,充分结合了UPS电池的使用特点,提高了整体评估方法的准确性。进一步地,基于容量衰退周期数据进行数据扩充得到电池全生命周期的数据,相较于现有方式,有效提高健康状态评估模型的训练数据量,解决了预测模型数据量不足的缺陷。此外,基于所述全生命周期数据采用双向LSTM模型进行模型训练,得到电池容量衰退评估模型。通过构建双向LSTM模型,基于数据迁移获取的未来数据,捕获反向依赖性,加快训练速度,提高整体评估效率。
附图说明
图1是根据一示例性实施例示出的UPS电池健康状态评估方法的流程图;
图2是根据一示例性实施例示出的步骤S101的流程图;
图3是根据一示例性实施例示出的步骤S102的流程图;
图4是根据一示例性实施例示出的步骤S121中获取分类器的步骤流程图;
图5是根据一示例性实施例示出的步骤S103的流程图;
图6是根据一示例性实施例示出的步骤S104的流程图;
图7A~图7C是根据一示例性实施例示出的不同结果预测示意图;
图8是根据一示例性实施例示出的评估装置的框图;
图9是根据一示例性实施例示出的第一获取模块的框图;
图10是根据一示例性实施例示出的第二获取模块的框图;
图11是根据一示例性实施例示出的训练模块的框图;
图12是根据一示例性实施例示出的评估模块的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本发明相一致的所有实施例。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。除非另作定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明说明书以及权利要求书中使用的“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。除非另行指出,“包括”或者“包含”等类似词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同,并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而且可以包括电性的连接,不管是直接的还是间接的。
在本发明说明书和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
实施例1
本发明实施例提供了一种UPS电池健康状态评估方法。图1是根据一示例性实施例示出的UPS电池健康状态评估方法的流程图。如图1所示,所述方法包括:
步骤S101、获取UPS电池多组容量衰退周期数据,所述容量衰退周期数据包括浮充工况数据和工作工况数据。
在步骤S101中,将UPS电池的一次浮充工况和相邻的一次工作工况作为一个完整的容量衰退周期。以此方式,将浮充工况下的日历老化也纳入到电池健康评估的考量范围,提高后续健康状态评估准确性。
可选地,获取UPS电池模组和/或UPS电池单体的容量衰退周期数据。若干个电池单体通过封装形成UPS电池模组。在使用时,每一个电池单体的工作环境也有所不同,例如在一个电池模组中,位于中心位置的电池单体的温度通常比位于外围的电池单体的温度高。电池单体之间电池容量的差异同样会导致所属电池模组的寿命缩短。因此,通过采集电池单体数据参与电池健康状态评估,能够更全面地考量影响因素,体现出电池单体对于电池模组的影响。
图2是根据一示例性实施例示出的步骤S101的流程图,如图2所示,步骤S101包括:
步骤S1011、获取所述UPS电池的历史监测数据,并确定所述历史监测数据表征的工况,所述工况包括浮充工况、放电工况和充电工况。
步骤S1012、将所述浮充工况的监测数据确定为所述浮充工况数据,将所述充电工况和所述放电工况的监测数据确定为所述工作工况数据。
可选地,步骤S1011中,监测数据包括UPS电池模组的电压、电流和温度数据,和/或,UPS电池单体的电压、电流和温度数据。在步骤S1012中通过采纳电池单体的监测数据用于在后续评估过程中反映模组的健康情况。
基于所获取的监测数据,在步骤S1012中,通过历史监测数据划分电池的工况。具体来说,UPS电池的工况分为以下几种情况:
空闲状态:当UPS电池无充电电流、无放电电流,电池处于静置状态下的日历老化衰退状态,此时电池处于空闲状态。
浮充工况:当UPS以微小电流充电(例如充电电流小于预设电流阈值时,确认为微小电流,该预设阈值可根据电池的特性进行配置),并保持电池单体的电压不低于预设电压阈值,电池处于浮充工况。
放电工况:当UPS电池快速放电,提供电源输出,此时电池处于放电工况。
充电工况:当UPS电池大于所述微小电流的电流进行恒流充电,快速补充损失电量,此时电池处于充电工况。
并且,满足充放电电量达到预设电量(例如满电量的50%)为一次有效工作状态,该放电工况和充电工况的数据为有效的电池电量衰退数据。
继续参照图1,在步骤S101之后执行步骤S102,具体如下。
步骤S102、基于多组所述容量衰退周期数据获取所述UPS电池的全生命周期数据。
可选地,步骤S102中采用数据迁移学习基于容量衰退周期数据获取UPS电池的全生命周期数据。电池全生命周期表征的是电池从全新状态到使用寿命终结的周期。通过补全UPS电池的全生命周期数据,为后续电池健康状态评估提供了大量训练数据,解决了相关技术中训练数据不足的问题,提高了后续评估准确性。
图3是根据一示例性实施例示出的步骤S102的流程图,如图3所示,步骤S102包括:
步骤S1021、基于多组所述容量衰退周期数据获取数据衰减规律和未来时刻容量衰退周期数据的分类器。
衰退规律表征了电池随使用时间推进的老化规律。其中,随着电池使用电池性能不断衰减。具体来说,在空闲状态和浮充工况下,电池处于日历老化状态;在充电工况和放电工况下,电池处于循环老化状态。因此,在电池的全生命周期中,各项性能具有衰退规律。
可选地,在步骤S1021中,根据多组容量衰退周期数据的时间跨度,以及不同时刻下的监测数据值,确定监测数据的衰减规律。可选地,将各项数据的衰减规律视为线性规律,基于多组容量衰退数据通过数据分析等方式确定。
分类器基于多组容量衰退周期数据获取,表征将学习历史数据分布的学习反映到于未来时刻容量衰退周期数据中。可选地,在步骤S1021中,通过TrAdaBoost算法,也即数据迁移学习来获取未来时刻容量衰退周期数据的分类器。
在一个示例中,多组所述容量衰退周期数据包括历史监测数据、当前监测数据和实验监测数据。其中,实验监测数据为老化实验监测数据,实验周期包括一次浮充状态和一次完整充放电循环,其中浮充状态时长满足预设要求,通过该实现周期使得电池容量达到额定容量的80%。
图4是根据一示例性实施例示出的步骤S121中获取分类器的步骤流程图,如图4所示,采用以下方式获取所述分类器。
步骤S401、将所述历史监测数据和/或所述实验监测数据作为目标域,将所述当前监测数据和未来监测数据作为源域,根据所述源域和所述目标域确定训练数据集和测试数据集。
可选地,将所述目标域提取部分所述工作工况和所述浮充工况数据作为测试数据,将所述源域和目标域的其余数据作为训练数据集。例如,通过合并目标域DT和源域DS获取训练数据集,测试数据集的数据同样选自目标域DT和源域DS。
步骤S402、根据所述目标域的数据分布配置所述源域的权重分布函数。
可选地,权重分布函数为:
上式中,Pt为权重分布函数,wt为不同样本数据的权重系数,n,m,i表征样本数量。
并且,获取初始化权重向量其中,
步骤S403、调用分类算法根据所述训练数据集和所述权重分布函数,迭代地获取所述测试数据集上的弱分类器。
在步骤S403中,通过调用基本分类算法Learner,设置迭代次数,根据所述训练数据集和所述权重分布函数迭代地获取测试数据集上的弱分类器。
步骤S404、基于所述弱分类器在所述目标域上的分类错误率更新所述权重向量,迭代地获取所述分类器。在每次迭代之后,对于权重向量乘以迭代参数β。该迭代参数取值在0到1之间,具体表达式为以此方式,在下一轮的迭代中,分类错误的样本就会比上一轮迭代中的权重系数少一些,也即对分类器的影响少一些。通过若干次迭代之后,测试数据中符合源数据的数据会拥有更高的权重,不符合源数据的数据拥有更低的权重。例如,在每次迭代之后,权重分布函数大于0.5的保留至下一次迭代,权重分布函数小于或者等于0.5的样本舍弃。
继续参见图3,在步骤S1021之后执行步骤S1022,具体如下。
步骤S1022、根据所述衰减规律对所述容量衰退数据进行扩充,根据所述分类器对扩充后的数据进行分类得到所述全生命周期数据。
基于衰减规律,根据当前监测数据和/或历史监测数据能够获取未来时刻的预估数据,也即对容量衰退数据进行扩充。根据分类器对扩充后的数据进行分类判断,筛选出符合分类标准的数据。将筛选后的数据和当前监测数据、历史检测数据合并,得到电池全生命周期数据。采用这样的方式,通过衰减规律获取未来时刻预估数据,通过预先训练的分类器对预估数据进行筛选,提高所获取全生命周期数据的准确度。
继续参见图1,在步骤S102之后执行步骤S103,具体如下。
步骤S103、基于所述全生命周期数据进行模型训练得到电池容量衰退评估模型。
可选地,在步骤S103中采用双向LSTM模型进行模型训练。双向LSTM模型能够堆叠多个双向循环层来构建深度双向LSTM,双向隐藏层的前向和反向输出不仅随时间传播,还作用于下一个隐藏层的输入。相对于传统单项LSTM模型,双向LSTM模型学习更快,通过两个独立循环隐藏层实现两个方向的数据馈送,一个用于正向输入序列,另一个用于反向输入序列。通过构建双向LSTM模型,基于数据迁移获取的未来数据,捕获反向依赖性,加快训练速度,提高整体评估效率。
图5是根据一示例性实施例示出的步骤S103的流程图。如图5所示,步骤S103包括:
步骤S1031、根据所述全生命周期数据确定相同数据获取不同时刻的电池容量实际值。
在步骤S1031中,针对任一时刻的检测数据,根据电池或者电池模组的电流、电压和温度数值能够获取电池容量实际值SOC’。
步骤S1032、根据所述全生命周期数据通过预先配置的双向LSTM网络模型获取不同时刻的电池容量估计值。
可选地,在步骤S1032中根据全生命周期数据获取训练数据集。训练数据集Z={(Ψt,SOCt)|t=1,…,T},其中,Ψt=(It,Vt,Temp t)为包括各个时刻下电流、电压和温度监测值的测试向量,SOCt为不同时刻下根据测试向量获取的电池容量实际值。
并且,预先配置所述双向LSTM网络模型的堆叠层数以及隐藏单元个数。通过设置堆叠层层数和隐藏部分神经元,并放置于堆叠层和全连接层之间,能够避免双向LSTM模型过拟合,提高模型预测准确性。可选地,选择3层堆叠层数以及64个隐藏单元,构建双向LSTM模型。
基于此,通过双向LSTM网络模型获取到的不同时刻下电池容量估计值为:
SOC'=Re lu(wohf+bo)
上式中,hf表示双向LSTM网络模型中全连接层的输出,wo表示双向LSTM网络模型中最终回归层的权重矩阵,bo表示双向LSTM网络模型中最终回归层的偏差,hf为输入向量。
结合电池容量估计值的表达式,在步骤S1032中,根据所述全生命周期数据中的未来时刻数据获取正序输入向量。根据所述全生命周期数据中的历史时刻数据获取反序输入向量。进而,基于所述正序输入向量和所述反序输入向量获取所述电池容量估计值。
正序输入向量为表征了过去时刻对于未来时刻的影响,反序输入向量为/>表征了未来时刻对于过去时刻的影响。在步骤S1032中,通过正序输入向量和反序输入向量的合并得到输入向量hf,进而按照上述表达式获取电池容量估计值。
步骤S1033、以所述电池容量实际值和所述电池容量估计值构建损失函数进行所述双向LSTM网络模型训练,得到所述评估模型。
在步骤S1033中,将电池容量实际值和电池容量估计值进行比较,得到MSE均方误差,并将该MES均方误差作为损失函数。损失函数的表达式如下:
设置迭代停止条件,例如损失函数收敛,或达到迭代次数。当满足迭代条件获取所述评估模型。
继续参见图1,在步骤S103之后执行步骤104,具体如下:
步骤S104、根据所述UPS电池的当前监测数据通过所述评估模型获取所述UPS电池的健康状态评估值。
在一个示例中,图6是根据一示例性实施例示出的步骤S104的流程图。
如图6所示,步骤S104包括:
步骤S1041、根据所述当前监测数据通过所述评估模型获取所述电池的当前容量估计值。
步骤S1042、根据所述当前容量估计值与所述电池的额定容量获取所述健康状态评估值。
电池健康状态评估值SOH为通过步骤S1041得到的当前容量估计值与电池额定容量的比值。可选地,当评估UPS电池组的健康状态时,采用电池组的当前容量估计值和电池组的额定容量之比。
结合上述,采用本发明实施例提供的方法进行实验,获得以下结果:
以包括168个电池单体的UPS电池组为例,获取每节电池单体的电压、电流、时间和温度数据。选取相同型号备用电池组进行加速老化实验,以达到电池组额定容量的80%截止。通过TrAdaBoost算法进行数据迁移学习,在每次迭代之后将权重比大于0.5的样本数据保留,将权重比小于或者等于0.5的样本数据舍弃,至获得全生命周期数据。对全生命周期数据进行归一化处理,作为双向LSTM模型的训练数据,选择3层堆叠层数和64个隐藏单元,训练双向LSTM模型得到评估模型。通过评估模型根据当前的实际监测数据确定电池容量,进而获取电池健康状态。图7A~图7C是根据一示例性实施例示出的不同结果预测示意图,结合图7A~图7C,可知最终数据拟合均方误差仅为0.25%。
综上所述,本发明实施例提供的UPS电池健康状态评估方法针对UPS电池长期处于浮充状态,不固定放电等特点进行了改进。通过有效结合了浮充工况下的日历老化数据以及电池恒流充电周期数据作为完整的容量衰退周期数据,进而将容量衰退数据作为后续模型训练的基础,充分结合了UPS电池的使用特点,提高了整体评估方法的准确性。进一步地,基于容量衰退周期数据进行数据扩充得到电池全生命周期的数据,相较于现有方式,有效提高健康状态评估模型的训练数据量,解决了预测模型数据量不足且干扰大的缺陷。并且,采用双向LSTM模型构建预测模型,模型复杂度不高,利用模型双向特性提高了训练速度,保障预测实时性。此外,采用本发明实施例提供的UPS电池健康状态评估方法,能够很好的实现不同环境温度下电池健康状态的评估,提高预测准确性。
实施例2
第二方面,本发明实施例提供了一种UPS电池健康状态评估装置。图8是根据一示例性实施例示出的评估装置的框图,如图8所示,所述装置包括:
第一获取模块810,用于获取UPS电池多组容量衰退周期数据,所述容量衰退周期数据包括浮充工况数据和工作工况数据;
第二获取模块820,用于基于多组所述容量衰退周期数据获取所述UPS电池的全生命周期数据;
训练模块830,用于基于所述全生命周期数据进行模型训练得到电池容量衰退评估模型;
评估模块840,用于根据所述UPS电池的当前监测数据通过所述评估模型获取所述UPS电池的健康状态评估值。
在一个示例中,图9是根据一示例性实施例示出的第一获取模块的框图,如图9所示,第一获取模块810具体包括:
第一确认单元811,用于获取所述UPS电池的历史监测数据,并确定所述历史监测数据表征的工况,所述工况包括浮充工况、放电工况和充电工况;
第二确定单元812,用于将所述浮充工况的监测数据确定为所述浮充工况数据,将所述充电工况和所述放电工况的监测数据确定为所述工作工况数据。
在一个示例中,图10是根据一示例性实施例示出的第二获取模块的框图,如图10所示,第二获取模块820具体包括:
第一获取单元821,用于基于多组所述容量衰退周期数据获取数据衰减规律和未来时刻容量衰退周期数据的分类器;
扩充单元822,用于根据所述衰减规律对所述容量衰退数据进行扩充,根据所述分类器对扩充后的数据进行分类得到所述全生命周期数据。
在一个示例中,多组所述容量衰退周期数据包括历史监测数据、当前监测数据和实验监测数据。第一获取单元在基于多组所述容量衰退周期数据获取未来时刻容量衰退周期数据的分类器时,具体用于:
将所述历史监测数据和/或所述实验监测数据作为目标域,将所述当前监测数据和未来监测数据作为源域,根据所述源域和所述目标域确定训练数据集和测试数据集;
根据所述目标域的数据分布配置所述源域的权重分布函数;
调用分类算法根据所述训练数据集和所述权重分布函数,迭代地获取所述测试数据集上的弱分类器;
基于所述弱分类器在所述目标域上的分类错误率更新所述权重向量,迭代地获取所述分类器。
在一个示例中,图11是根据一示例性实施例示出的训练模块的框图,如图11所示,训练模块830包括:
第二获取单元831,用于根据所述全生命周期数据确定相同数据获取不同时刻的电池容量实际值;
第三获取单元832,用于根据所述全生命周期数据通过预先配置的双向LSTM网络模型获取不同时刻的电池容量估计值;
训练单元833,用于以所述电池容量实际值和所述电池容量估计值构建损失函数进行所述双向LSTM网络模型训练,得到所述评估模型。
在一个示例中,第四获取单元在根据所述全生命周期数据通过预先配置的双向LSTM网络模型获取不同时刻的电池容量估计值时,具体用于:
根据所述全生命周期数据中的未来时刻数据获取正序输入向量;
根据所述全生命周期数据中的历史时刻数据获取反序输入向量;
基于所述正序输入向量和所述反序输入向量获取所述电池容量估计值。
在一个示例中,所述训练模块还包括配置单元,配置单元用于预先配置所述LSTM网络模型的堆叠层数,以及隐藏单元个数。
在一个示例中,图12是根据一示例性实施例示出的评估模块的框图,如图12所示,评估模块840包括:
第四获取单元841,用于根据所述当前监测数据通过所述评估模型获取所述电池的当前容量估计值;
第五获取单元842,用于根据所述当前容量估计值与所述电池的额定容量获取所述健康状态评估值。
综上所述,本发明实施例提供的UPS电池健康状态评估方法针对UPS电池长期处于浮充状态,不固定放电等特点进行了改进。通过有效结合了浮充工况下的日历老化数据以及电池恒流充电周期数据作为完整的容量衰退周期数据,进而将容量衰退数据作为后续模型训练的基础,充分结合了UPS电池的使用特点,提高了整体评估方法的准确性。进一步地,基于容量衰退周期数据进行数据扩充得到电池全生命周期的数据,相较于现有方式,有效提高健康状态评估模型的训练数据量,解决了预测模型数据量不足的缺陷。并且,采用双向LSTM模型构建预测模型,模型复杂度不高,利用模型双向特性提高了训练速度,保障预测实时性。此外,采用本发明实施例提供的UPS电池健康状态评估方法,能够很好的实现不同环境温度下电池健康状态的评估,提高预测准确性。
实施例3
本发明实施例3提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例1所述的UPS电池健康状态评估方法。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现上述实施例1所提供的UPS电池健康状态评估方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种UPS电池健康状态评估方法,其特征在于,所述方法包括:
获取UPS电池多组容量衰退周期数据,所述容量衰退周期数据包括浮充工况数据和工作工况数据;
基于多组所述容量衰退周期数据获取所述UPS电池的全生命周期数据;
基于所述全生命周期数据进行模型训练得到电池容量衰退评估模型;
根据所述UPS电池的当前监测数据通过所述评估模型获取所述UPS电池的健康状态评估值。
2.根据权利要求1所述UPS电池健康状态评估方法,其特征在于,所述获取UPS电池多组容量衰退周期数据,所述容量衰退周期数据包括浮充工况数据和工作工况数据,包括:
获取所述UPS电池的历史监测数据,并确定所述历史监测数据表征的工况,所述工况包括浮充工况、放电工况和充电工况;
将所述浮充工况的监测数据确定为所述浮充工况数据,将所述充电工况和所述放电工况的监测数据确定为所述工作工况数据。
3.根据权利要求1所述UPS电池健康状态评估方法,其特征在于,所述基于多组所述容量衰退周期数据获取所述UPS电池的全生命周期数据,包括:
基于多组所述容量衰退周期数据获取数据衰减规律和未来时刻容量衰退周期数据的分类器;
根据所述衰减规律对所述容量衰退数据进行扩充,根据所述分类器对扩充后的数据进行分类得到所述全生命周期数据。
4.根据权利要求3所述UPS电池健康状态评估方法,其特征在于,多组所述容量衰退周期数据包括历史监测数据、当前监测数据和实验监测数据;所述基于多组所述容量衰退周期数据获取未来时刻容量衰退周期数据的分类器,包括:
将所述历史监测数据和/或所述实验监测数据作为目标域,将所述当前监测数据和未来监测数据作为源域,根据所述源域和所述目标域确定训练数据集和测试数据集;
根据所述目标域的数据分布配置所述源域的权重分布函数;
调用分类算法根据所述训练数据集和所述权重分布函数,迭代地获取所述测试数据集上的弱分类器;
基于所述弱分类器在所述目标域上的分类错误率更新权重向量,迭代地获取所述分类器。
5.根据权利要求1所述UPS电池健康状态评估方法,其特征在于,所述基于所述全生命周期数据进行模型训练得到电池容量衰退评估模型,包括:
根据所述全生命周期数据确定相同数据获取不同时刻的电池容量实际值;
根据所述全生命周期数据通过预先配置的双向LSTM网络模型获取不同时刻的电池容量估计值;
以所述电池容量实际值和所述电池容量估计值构建损失函数进行所述双向LSTM网络模型训练,得到所述评估模型。
6.根据权利要求5所述UPS电池健康状态评估方法,其特征在于,所述根据所述全生命周期数据通过预先配置的双向LSTM网络模型获取不同时刻的电池容量估计值,包括:
根据所述全生命周期数据中的未来时刻数据获取正序输入向量;
根据所述全生命周期数据中的历史时刻数据获取反序输入向量;
基于所述正序输入向量和所述反序输入向量获取所述电池容量估计值。
7.根据权利要求5所述UPS电池健康状态评估方法,其特征在于,所述方法还包括:预先配置所述LSTM网络模型的堆叠层数,以及隐藏单元个数。
8.根据权利要求1所述UPS电池健康状态评估方法,其特征在于,所述根据所述UPS电池的当前监测数据通过所述评估模型获取所述UPS电池的健康状态评估值,包括:
根据所述当前监测数据通过所述评估模型获取所述电池的当前容量估计值;
根据所述当前容量估计值与所述电池的额定容量获取所述健康状态评估值。
9.一种UPS电池健康状态评估装置,其特征在于,所述装置包括:
第一获取模块,用于获取UPS电池多组容量衰退周期数据,所述容量衰退周期数据包括浮充工况数据和工作工况数据;
第二获取模块,用于基于多组所述容量衰退周期数据获取所述UPS电池的全生命周期数据;
训练模块,用于基于所述全生命周期数据进行模型训练得到电池容量衰退评估模型;
第三获取模块,用于根据所述UPS电池的当前监测数据通过所述评估模型获取所述UPS电池的健康状态评估值。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~8中任一项所述的UPS电池健康状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579934.4A CN116482543A (zh) | 2023-05-22 | 2023-05-22 | Ups电池健康状态评估方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579934.4A CN116482543A (zh) | 2023-05-22 | 2023-05-22 | Ups电池健康状态评估方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116482543A true CN116482543A (zh) | 2023-07-25 |
Family
ID=87217960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310579934.4A Pending CN116482543A (zh) | 2023-05-22 | 2023-05-22 | Ups电池健康状态评估方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482543A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310546A (zh) * | 2023-11-03 | 2023-12-29 | 北京迪赛奇正科技有限公司 | 一种ups电源健康管理监测系统 |
-
2023
- 2023-05-22 CN CN202310579934.4A patent/CN116482543A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310546A (zh) * | 2023-11-03 | 2023-12-29 | 北京迪赛奇正科技有限公司 | 一种ups电源健康管理监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lipu et al. | Optimal BP neural network algorithm for state of charge estimation of lithium-ion battery using PSO with PCA feature selection | |
JP7497432B2 (ja) | バッテリー性能予測 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
KR20210116801A (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
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 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN116482543A (zh) | Ups电池健康状态评估方法、装置和存储介质 | |
Zhao et al. | State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
CN114545279B (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
Zhang et al. | A novel state-of-health prediction method based on long short-term memory network with attention mechanism for lithium-ion battery | |
CN114839537A (zh) | 电池荷电状态预测方法和装置 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
Eleftheriadis et al. | Hyperband optimization of stacked bidirectional long short-term memory neural network for the state of charge estimation | |
Li et al. | Hybrid data-driven approach for predicting the remaining useful life of lithium-ion batteries | |
Yu et al. | SOH estimation method for lithium-ion battery based on discharge characteristics | |
CN110927584B (zh) | 一种基于神经网络的电池寿命延长预测方法 | |
CN117110880A (zh) | 一种用于云端-边缘端协同的电池多状态联合估计方法 | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN115684943A (zh) | 一种基于多层架构的电池状态预测模型及方法 | |
Vatani et al. | Cycling lifetime prediction model for lithium-ion batteries based on artificial neural networks | |
CN115128469A (zh) | 基于数字孪生的动力锂电池容量退化分析及在线估计方法 | |
CN115201684A (zh) | 一种锂离子电池不同衰退模式下的寿命评估方法 |
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 |