CN116643177A - 一种电池健康度在线预测方法、装置、设备及介质 - Google Patents
一种电池健康度在线预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116643177A CN116643177A CN202310688499.9A CN202310688499A CN116643177A CN 116643177 A CN116643177 A CN 116643177A CN 202310688499 A CN202310688499 A CN 202310688499A CN 116643177 A CN116643177 A CN 116643177A
- Authority
- CN
- China
- Prior art keywords
- voltage
- battery
- charging
- equal
- battery health
- 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 138
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000000630 rising effect Effects 0.000 claims abstract description 77
- 238000010219 correlation analysis Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 25
- 241000287127 Passeridae Species 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 29
- 238000010845 search algorithm Methods 0.000 claims description 27
- 230000007787 long-term memory Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000006403 short-term memory Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 19
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009423 ventilation 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种电池健康度在线预测方法、装置、设备及介质，涉及蓄电池SOH预测技术领域。方案通过获取待测蓄电池的目标等压升电压区间；其中，目标等压升电压区间是基于待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；根据目标等压升电压区间确定目标等压升充电时间；将目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。由此可知，上述方案利用了蓄电池充电过程可控、不受负载变化影响以及充电时间能够体现SOH变化的特点，通过获取待测蓄电池的目标等压升充电时间作为电池健康度预测模型的输入，能够实现电池健康度的在线预测。
Description
技术领域
本申请涉及蓄电池SOH预测技术领域，特别是涉及一种电池健康度在线预测方法、装置、设备及介质。
背景技术
蓄电池作为动车组关键设备之一，其为列车直流辅助回路的电源，在动车组架线停电或辅助电源装置单元(Auxiliary Power Unit，APU)出现故障时，将为照明、通信及紧急换气等重要系统提供电源。电池健康度(State Of Health，SOH)作为蓄电池重要状态评价指标，对蓄电池安全监测具有极其重要的意义。但列车运行过程中，蓄电池实时容量难以在线测量，导致SOH无法计算得到。
目前，对蓄电池SOH预测方法主要包括基于模型驱动的SOH预测方法。基于模型驱动的SOH预测方法比较依赖于专家经验，而实际动车组蓄电池内部化学反应机理和退化机理都过于复杂，以至于难以建立精确的蓄电池SOH模型。且目前蓄电池SOH预测方法主要是针对锂电池和铅酸蓄电池，而动车组常用的镍镉蓄电池由于其工作原理、退化机理、内部结构与前两者存在较大差异，导致传统的SOH预测方法并不适用。
鉴于上述问题，如何实现列车动车组蓄电池的电池健康度在线预测，是该领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种电池健康度在线预测方法、装置、设备及介质，以实现列车动车组蓄电池的电池健康度在线预测。
为解决上述技术问题，本申请提供一种电池健康度在线预测方法，包括：
获取待测蓄电池的目标等压升电压区间；其中，所述目标等压升电压区间是基于所述待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；
根据所述目标等压升电压区间确定目标等压升充电时间；
将所述目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。
优选地，所述获取待测蓄电池的目标等压升电压区间包括：
设置等压升电压窗口、电压窗口步进值、等压升充电起始电压值和电压步进值；
根据所述等压升充电起始电压值和所述等压升电压窗口的和获取等压升充电截止电压值；
根据所述等压升充电起始电压值和所述等压升充电截止电压值在所述充电电压曲线中获取对应的多个所述等压升充电时间；
分别将多个所述等压升充电时间与所述电池健康度进行综合相关性分析，以分别生成对应的综合相关系数；
根据所述电压步进值更新所述等压升充电起始电压值，并根据所述电压窗口步进值更新所述等压升电压窗口；
返回至所述根据所述等压升充电起始电压值和所述等压升电压窗口的和获取等压升充电截止电压值的步骤，直至达到预设循环次数；
获取各所述综合相关系数中满足预设要求的目标综合相关系数，并获取所述目标综合相关系数对应的所述等压升电压窗口和所述等压升充电起始电压值，以得到所述目标等压升电压区间。
优选地，所述获取各所述综合相关系数中满足预设要求的目标综合相关系数包括：
分别根据各所述综合相关系数生成各所述等压升电压窗口对应的综合相关系数矩阵；
分别获取各所述等压升电压窗口下的所述综合相关系数矩阵中最大的所述综合相关系数，并记录于相关系数矩阵中；
获取所述相关系数矩阵中最大的所述综合相关系数，以作为所述目标综合相关系数。
优选地，所述分别将多个所述等压升充电时间与所述电池健康度进行综合相关性分析包括：
将所述等压升充电时间与所述电池健康度分别通过Pearson线性相关系数、Spearman rho系数和Kendall tau系数进行综合相关性分析，以生成对应的所述综合相关系数。
优选地，所述电池健康度预测模型为预先根据多组等压升充电时间训练，并通过麻雀搜索算法进行参数寻优的输出对应电池健康度预测结果的长短期记忆网络模型；
所述电池健康度预测模型的训练过程包括：
设置长短期记忆网络的训练集和测试集；其中，所述训练集中包含电池健康度数据和对应的等压升充电时间；
设置所述麻雀搜索算法的参数；其中，所述麻雀搜索算法的参数包括种群数量、最大迭代次数和待优化变量；所述待优化变量为所述长短期记忆网络的变量，包括隐藏单元数目、最大训练周期、初始学习率和L2参数；
设置所述长短期记忆网络的输入神经元数量和输出神经元数量，以建立长短期记忆网络模型；
通过所述麻雀搜索算法优化所述待优化变量，以生成最优参数解；其中，所述最优参数解为优化后的所述待优化变量；
根据所述最优参数解设置所述长短期记忆网络模型的对应参数，并对所述长短期记忆网络模型进行训练，以得到电池健康度预测模型；
根据所述测试集对所述电池健康度预测模型进行评价。
优选地，所述通过所述麻雀搜索算法优化所述待优化变量包括：
更新所述麻雀搜索算法中各麻雀的位置，并进行边界约束；
获取更新后的所述待优化变量，将更新后的所述待优化变量传递至所述长短期记忆网络模型中；
计算所述麻雀的适应度函数，保留全局最优位置和个体最优位置；
返回至所述更新所述麻雀搜索算法中各麻雀的位置的步骤，直至满足预设终止条件；
保存所述麻雀搜索算法的当前的所述最优参数解。
优选地，所述计算所述麻雀的适应度函数包括：
计算所述电池健康度数据与所述长短期记忆网络模型的预测值之间的均方误差，以作为所述麻雀的所述适应度函数。
优选地，在所述设置所述麻雀搜索算法的参数之前，在所述设置长短期记忆网络的训练集和测试集之后，还包括：
分别对所述训练集中的数据和所述测试集中的数据进行Z-Score归一化，以得到归一化的所述训练集和归一化的所述测试集。
为解决上述技术问题，本申请还提供一种电池健康度在线预测装置，包括：
获取模块，用于获取待测蓄电池的目标等压升电压区间；其中，所述目标等压升电压区间是基于所述待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；
确定模块，用于根据所述目标等压升电压区间确定目标等压升充电时间；
输入模块，用于将所述目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。
为解决上述技术问题，本申请还提供一种电池健康度在线预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述的电池健康度在线预测方法的步骤。
为解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质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上述的电池健康度在线预测方法的步骤。
本申请所提供的电池健康度在线预测方法，通过获取待测蓄电池的目标等压升电压区间；其中，目标等压升电压区间是基于待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；根据目标等压升电压区间确定目标等压升充电时间；将目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。由此可知，上述方案利用了蓄电池充电过程可控、不受负载变化影响以及充电时间能够体现SOH变化的特点，通过获取待测蓄电池的目标等压升充电时间作为电池健康度预测模型的输入，能够实现电池健康度的在线预测。
此外，本申请还提供了一种电池健康度在线预测装置、设备及介质，效果同上。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种电池健康度在线预测方法的流程图；
图2为本申请实施例提供的一种镍镉蓄电池SOH变化曲线的示意图；
图3为本申请实施例提供的一种镍镉蓄电池对应的综合相关系数分析结果的示意图；
图4为本申请实施例提供的一种镍镉蓄电池对应的等压升充电时间变化曲线的示意图；
图5为本申请实施例提供的SSA-LSTM的训练过程的原理图；
图6为本申请实施例提供的一种电池健康度在线预测装置的示意图；
图7为本申请实施例提供的一种电池健康度在线预测设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。
本申请的核心是提供一种电池健康度在线预测方法、装置、设备及介质，以实现列车动车组蓄电池的电池健康度在线预测。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
目前，对蓄电池SOH预测方法主要包括基于模型驱动的SOH预测方法。基于模型驱动的SOH预测方法比较依赖于专家经验，而实际动车组蓄电池内部化学反应机理和退化机理都过于复杂，以至于难以建立精确的蓄电池SOH模型。且目前蓄电池SOH预测方法主要是针对锂电池和铅酸蓄电池，而动车组常用的镍镉蓄电池由于其工作原理、退化机理、内部结构与前两者存在较大差异，导致传统的SOH预测方法并不适用。同时，列车运行过程中，蓄电池实时容量难以在线测量，导致SOH无法计算得到。因此，为了解决上述问题，本申请实施例提供了一种电池健康度在线预测方法。
图1为本申请实施例提供的一种电池健康度在线预测方法的流程图。如图1所示，方法包括：
S10：获取待测蓄电池的目标等压升电压区间。
S11：根据目标等压升电压区间确定目标等压升充电时间。
其中，目标等压升电压区间是基于待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间。
可以理解的是，等压升充电时间是指从蓄电池某一电压充电至另一电压的所需时间。列车动车组蓄电池在放电过程中，其放电电压曲线由负载决定。而实际工况中负载往往是变化的，导致蓄电池放电特征也会随之变化，因此难以提取放电中的特征用于蓄电池SOH预测。但是蓄电池在充电过程中，其充电曲线由充电机控制，并且等压升充电时间可以较好的体现蓄电池SOH的变化，因此，本申请选取蓄电池的目标等压升充电时间作为蓄电池SOH预测特征。
由于等压升充电时间是指从蓄电池某一电压充电至另一电压的所需时间，因此对目标等压升充电时间的提取，需要首先提取对应的目标等压升电压区间。在具体实施中，目标等压升电压区间的选取会影响蓄电池SOH的预测，通过不合适的电压区间所得到的目标等压升充电时间与SOH的相关性较差，无疑会影响预测精度，因此，在本申请中，目标等压升电压区间是基于待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间。本实施例中对于目标等压升电压区间的具体获取过程不做限制，根据具体的实施情况而定。
需要注意的是，由于蓄电池的充电电压曲线数量较多，因此在通过综合相关性分析确定目标等压升电压区间的过程中，可选取特定循环次数的充电电压曲线。本实施例中对于选取的具体的充电电压曲线不做限制，根据具体的实施情况而定。下面以一具体实验说明：
选取一种镍镉蓄电池作为实验对象，该型号电池额定容量为160Ah，而单体电压为1.2V。实验设备包括高低温实验箱、大电流放电测试系统及蓄电池组测试系统。根据TB_T3061-2016的规定，蓄电池试验环境温度为25℃±5℃，每50次循环作为一组循环，每组循环中的第1次循环以0.25I1(I1为1小时放电率放电电流)充电6小时，再以0.25I1放电2.5小时，该组循环中2～48次循环以0.2I1充电3.5小时，再以0.2I1放电至2.5小时；而第49次循环则是以0.25I1充电3.5小时，再以0.2I1放电至1.0V/节，第50次循环以0.2I1充电至7-8小时，再以0.2I1放电至1.0V/节。重复以上循环直至任一组50次循环的放电时间少于3.5h为止，再以0.2I1再进行一组循环，若连续两组的第50次循环放电时间都少于3.5h，表明蓄电池容量下降至额定容量的70％以下，蓄电池已失效，实验终止。上述镍镉蓄电池SOH可以通过下式计算得到：
其中，Qaged为镍镉蓄电池当前可用最大容量，Qrated为镍镉蓄电池额定容量。由于充电电压曲线数量较多，因此可对应选取第500次、1000次、1500次、1800次、2100次、2400次、2700次和2900次的循环充电电压曲线。图2为本申请实施例提供的一种镍镉蓄电池SOH变化曲线的示意图，在图中显示了该型镍镉蓄电池的SOH变化情况。
S12：将目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。
进一步地，将得到的待测蓄电池的目标等压升充电时间作为电池健康度预测模型的输入，从而通过电池健康度预测模型中生成电池健康度预测结果。本实施例中对于电池健康度预测模型的具体模型类型及其训练过程不做限制，根据具体的实施情况而定。
本实施例中，通过获取待测蓄电池的目标等压升电压区间；其中，目标等压升电压区间是基于待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；根据目标等压升电压区间确定目标等压升充电时间；将目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。由此可知，上述方案利用了蓄电池充电过程可控、不受负载变化影响以及充电时间能够体现SOH变化的特点，通过获取待测蓄电池的目标等压升充电时间作为电池健康度预测模型的输入，能够实现电池健康度的在线预测。
为了获取适合的待测蓄电池的目标等压升电压区间，以确定对应的目标等压升电充电时间，在上述实施例的基础上，作为一种优选的实施例，获取待测蓄电池的目标等压升电压区间包括：
S100：设置等压升电压窗口、电压窗口步进值、等压升充电起始电压值和电压步进值。
S101：根据等压升充电起始电压值和等压升电压窗口的和获取等压升充电截止电压值。
S102：根据等压升充电起始电压值和等压升充电截止电压值在充电电压曲线中获取对应的多个等压升充电时间。
S103：分别将多个等压升充电时间与电池健康度进行综合相关性分析，以分别生成对应的综合相关系数。
S104：根据电压步进值更新等压升充电起始电压值，并根据电压窗口步进值更新等压升电压窗口。返回至步骤S101，直至达到预设循环次数。
S105：获取各综合相关系数中满足预设要求的目标综合相关系数，并获取目标综合相关系数对应的等压升电压窗口和等压升充电起始电压值，以得到目标等压升电压区间。
本实施例采用基于移动电压区间的等压升充电时间与SOH相关性分析，逐段分析不同电压区间与SOH的相关性，以寻找最佳的目标等压升电压区间。
具体地，设置等压升电压窗口window、电压窗口步进值Δwindow、等压升充电起始电压值Vmin和电压步进值ΔV。根据等压升充电起始电压值Vmin和等压升电压窗口window的和获取等压升充电截止电压值Vmax：
Vmax＝Vmin+window；
可以理解的是，等压升充电起始电压值Vmin和等压升充电截止电压值Vmax之间即为等压升电压区间。
进一步根据等压升充电起始电压值Vmin和等压升充电截止电压值Vmax在充电电压曲线中获取对应的多个等压升充电时间。分别将多个等压升充电时间与电池健康度进行综合相关性分析，以分别生成对应的综合相关系数。本实施例中对于综合相关性分析的具体方式不做限制，在一些实施例中，可将等压升充电时间与电池健康度分别通过Pearson线性相关系数、Spearman rho系数和Kendall tau系数进行综合相关性分析，从而生成对应的综合相关系数。
以此完成了一个等压升电压窗口的等压升充电时间与电池健康度的综合相关性分析。在此基础上，还需要对电压窗口进行移动，以进行其他等压升电压窗口内的综合相关性分析。具体根据电压步进值ΔV更新等压升充电起始电压值Vmin：
Vmin＝Vmin+ΔV；
根据电压窗口步进值Δwindow更新等压升电压窗口window：
window＝window+Δwindow；
返回至步骤S101，再次进行综合相关系数的获取流程，直至达到预设循环次数。需要注意的是，本实施例中对于预设循环次数不做限制，根据具体的实施情况而定。
最后，获取各综合相关系数中满足预设要求的目标综合相关系数，并获取目标综合相关系数对应的等压升电压窗口window和等压升充电起始电压值Vmin，以得到目标等压升电压区间。本实施例中对于目标综合相关系数的具体获取过程不做限制，根据具体的实施情况而定。
在一些实施例中，为了获取相关性最高的目标综合相关系数，获取各综合相关系数中满足预设要求的目标综合相关系数，具体分别根据各综合相关系数生成各等压升电压窗口window对应的综合相关系数矩阵k；分别获取各等压升电压窗口window下的综合相关系数矩阵中最大的综合相关系数，并记录于相关系数矩阵kmax中；最后获取相关系数矩阵kmax中最大的综合相关系数，以作为目标综合相关系数。以下通过图2对应的镍镉蓄电池对上述内容进行说明：
图3为本申请实施例提供的一种镍镉蓄电池对应的综合相关系数分析结果的示意图。如图3所示，当等压升电压窗口window为0.65V时，三种相关系数均值达到最大，为0.9518，而此时等压升充电起始电压Vmin为1.21V，可计算得到等压升充电截止电压Vmax为1.86V。因此，目标等压升电压区间为蓄电池从1.21V至1.86V之间的区间。图4为本申请实施例提供的一种镍镉蓄电池对应的等压升充电时间变化曲线的示意图。此时，该镍镉蓄电池的等压升充电时间变化曲线如图4所示。
为了更好地实现列车蓄电池的电池健康度在线预测，电池健康度预测模型具体为预先根据多组等压升充电时间训练，并通过麻雀搜索算法(Sparrow Search Algorithm，SSA)进行参数寻优的输出对应电池健康度预测结果的长短期记忆网络(Long Short-TermMemory，LSTM)模型。可以理解的是，由于目标等压升充电时间为具有非平稳性的时间序列，因此采用BP(Back Propagation)神经网络、循环神经网络(Recurrent Neural Network，RNN)、卷积神经网络(Convolutional Neural Networks，CNN)无法较好的预测蓄电池SOH。鉴于LSTM网络具有记忆功能且能够解决梯度消失的问题，因此采用LSTM网络模型预测SOH，并采用局部搜索能力强和收敛速度快的麻雀搜索算法来对LSTM的参数进行寻优，解决了LSTM参数设置耗时长的问题，提高了预测效果。图5为本申请实施例提供的SSA-LSTM的训练过程的原理图。如图5所示，作为一种优选的实施例，电池健康度预测模型的训练过程包括：
S200：设置长短期记忆网络的训练集和测试集。
其中，训练集中包含电池健康度数据和对应的等压升充电时间。
S201：设置麻雀搜索算法的参数。
其中，麻雀搜索算法的参数包括种群数量、最大迭代次数和待优化变量；待优化变量为长短期记忆网络的变量，包括隐藏单元数目、最大训练周期、初始学习率和L2参数。
S202：设置长短期记忆网络的输入神经元数量和输出神经元数量，以建立长短期记忆网络模型。
S203：通过麻雀搜索算法优化待优化变量，以生成最优参数解。
其中，最优参数解为优化后的待优化变量。
S204：根据最优参数解设置长短期记忆网络模型的对应参数，并对长短期记忆网络模型进行训练，以得到电池健康度预测模型。
S205：根据测试集对电池健康度预测模型进行评价。
在具体实施中，首先设置长短期记忆网络的训练集和测试集。其中，训练集中包含电池健康度数据和对应的等压升充电时间。在具体实施中，可将原始的数据按照4:1的比例划分为训练集和测试集。需要注意的是，由于原始的数据中等压升充电时间与蓄电池SOH存在较大量级差，这无疑会影响到模型训练效率与模型精度，因此需要分别对训练集中的数据和测试集中的数据进行Z-Score归一化，以得到归一化的训练集和归一化的测试集。归一化过程如下：
其中，μX为输入向量X的均值，σX为输入向量X的标准差，X′为归一化后的输入向量X。
设置麻雀搜索算法的参数，包括种群数量、最大迭代次数和待优化变量；待优化变量为长短期记忆网络的变量，包括隐藏单元数目、最大训练周期、初始学习率和L2参数。进一步设置长短期记忆网络的输入神经元数量和输出神经元数量，以建立长短期记忆网络模型，具体如下：
为了解决RNN遇到长时间序列时出现梯度爆炸、梯度消失等问题，长短期记忆网络被提出，其相较于RNN，新增了由遗忘门、输出门、输入门组成的信息处理单元。其中，长短期记忆网络中遗忘门负责控制信息的保留，具体为：
ft＝σ(Wf[ht-1,xt]+bf)；
其中，σ为sigmoid激活函数，Wf为权重，ht-1为上一层的隐藏层输出向量，xt为当前层的输入向量，bf为偏移量。
输入门则是用来处理当前序列信息，更新当前单元状态，具体为：
it＝σ(Wi[ht-1,xt]+bi)；
其中，Wi和WC表示权重，bi和bC为偏移量，为当前单元状态，it为当前序列信息。
输出门将当前单元状态和隐藏状态输出至下一层，具体为：
ot＝σ(Wo×[ht-1,xt]+bo)；
ht＝ot*tanhCt；
其中，Ct-1分别Ct是上一层单元状态和更新后单元状态，Wo为权重，bo为偏移量，*为Hadamard积。
以上，建立起长短期记忆网络的基础模型。
进一步地，通过麻雀搜索算法优化待优化变量，以生成最优参数解。其中，最优参数解为优化后的待优化变量。在具体实施中，具体更新麻雀搜索算法中各麻雀的位置，并进行边界约束；获取更新后的待优化变量，将更新后的待优化变量传递至长短期记忆网络模型中；计算麻雀的适应度函数，保留全局最优位置Xbest和个体最优位置返回至更新麻雀搜索算法中各麻雀的位置的步骤，直至满足预设终止条件；保存麻雀搜索算法的当前的最优参数解Xbest。需要注意的是，本实施例中对于预设终止条件不做限制，可为达到迭代次数，还可为达到其他终止条件，根据具体的实施情况而定。麻雀优化过程具体如下：
麻雀搜索算法主要是受麻雀的觅食行为和反捕食行为的启发而提出的，通过模拟麻雀的一些行为特性去解决全局优化问题。算法将将麻雀分为加入者与发现者，其中发现者负责为种群寻找食物和提供方向，而加入者通过发现者的指向来获取食物。
假设n只麻雀构成的一个种群表示为X，那么X为：
其中，d为表示待优化变量的个数，n表示麻雀数量。
每个麻雀的适应度可以表示为：
其中，f()表示适应度函数。需要注意的是，麻雀的适应度函数的计算，具体是通过计算电池健康度数据与长短期记忆网络模型的预测值之间的均方误差，以作为麻雀的适应度函数。
每次迭代中发现者的位置更新为：
其中，t表示迭代次数，i表示第i个麻雀，j表示第j个待优化变量，itermax表示最大迭代次数，α为随机数，α∈(0,1]，R2为警戒值，R2∈[0,1]，ST为安全值，ST∈[0.5,1]，Q为服从正态分布的随机数，L为1×d维度且元素为1的矩阵。
每次迭代中加入者的位置更新为：
其中，Xp表示目前加入者最优位置，而Xworst则表示目前加入者最差位置，A表示一个1×d维度且元素随机为1或-1的矩阵，那么A+可以表示为：
A+＝AT(AAT)-1；
假设意识到危险的麻雀占种群总数的10％-20％，并且所有的麻雀的初始位置为随机生成，那么可以得到：
其中，Xbest表示当前的全局最优位置，为个体最优位置，β表示步长控制参数，且β～N(0,1)，K表示为[-1,1]中的一个随机数，fi为当前麻雀个体的适应度，fw和fg分别表示当前全局最差和最佳适应度。此外，为防止分母为零，ε表示一个最小的常数。
在结束迭代保存麻雀搜索算法的最优参数解Xbest之后，根据最优参数解Xbest设置长短期记忆网络模型的对应参数，即最优的长短期记忆网络模型的隐藏单元数目、最大训练周期、初始学习率、L2参数；并对长短期记忆网络模型进行训练，以得到电池健康度预测模型。最后，根据测试集的数据对电池健康度预测模型进行评价，对比蓄电池SOH估计值和SOH实际值。具体可采用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)来评价模型。
以上，实现了电池健康度预测模型的建立，可通过该模型进行SOH在线预测。由于电池健康度预测模型采用了长短期记忆网络模型，不但解决了循环神经网络遇到长时间序列时易出现梯度消失的问题，还通过局部搜索能力强和收敛速度快的麻雀搜索算法进行了参数寻优，提升了电池健康度预测模型的预测准确率，更好地实现了列车动车组蓄电池的电池健康度在线预测。
在上述实施例中，对于电池健康度在线预测方法进行了详细描述，本申请还提供电池健康度在线预测装置对应的实施例。
图6为本申请实施例提供的一种电池健康度在线预测装置的示意图。如图6所示，装置包括：
获取模块10，用于获取待测蓄电池的目标等压升电压区间；其中，目标等压升电压区间是基于待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间。
确定模块11，用于根据目标等压升电压区间确定目标等压升充电时间。
输入模块12，用于将目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。
本实施例中，电池健康度在线预测装置包括获取模块、确定模块和输入模块。电池健康度在线预测装置在运行时能够实现上述电池健康度在线预测方法的全部步骤。通过获取待测蓄电池的目标等压升电压区间；其中，目标等压升电压区间是基于待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；根据目标等压升电压区间确定目标等压升充电时间；将目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。由此可知，上述方案利用了蓄电池充电过程可控、不受负载变化影响以及充电时间能够体现SOH变化的特点，通过获取待测蓄电池的目标等压升充电时间作为电池健康度预测模型的输入，能够实现电池健康度的在线预测。
图7为本申请实施例提供的一种电池健康度在线预测设备的示意图。如图7所示，电池健康度在线预测设备包括：
存储器20，用于存储计算机程序。
处理器21，用于执行计算机程序时实现如上述实施例中所提到的电池健康度在线预测方法的步骤。
本实施例提供的电池健康度在线预测设备可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有图形处理器(Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的电池健康度在线预测方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于电池健康度在线预测方法涉及到的数据。
在一些实施例中，电池健康度在线预测设备还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解，图7中示出的结构并不构成对电池健康度在线预测设备的限定，可以包括比图示更多或更少的组件。
本实施例中，电池健康度在线预测设备包括存储器和处理器。存储器用于存储计算机程序。处理器用于执行计算机程序时实现如上述实施例中所提到的电池健康度在线预测方法的步骤。通过获取待测蓄电池的目标等压升电压区间；其中，目标等压升电压区间是基于待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；根据目标等压升电压区间确定目标等压升充电时间；将目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。由此可知，上述方案利用了蓄电池充电过程可控、不受负载变化影响以及充电时间能够体现SOH变化的特点，通过获取待测蓄电池的目标等压升充电时间作为电池健康度预测模型的输入，能够实现电池健康度的在线预测。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。通过获取待测蓄电池的目标等压升电压区间；其中，目标等压升电压区间是基于待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；根据目标等压升电压区间确定目标等压升充电时间；将目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。由此可知，上述方案利用了蓄电池充电过程可控、不受负载变化影响以及充电时间能够体现SOH变化的特点，通过获取待测蓄电池的目标等压升充电时间作为电池健康度预测模型的输入，能够实现电池健康度的在线预测。
以上对本申请所提供的一种电池健康度在线预测方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (11)
1.一种电池健康度在线预测方法，其特征在于，包括：
获取待测蓄电池的目标等压升电压区间；其中，所述目标等压升电压区间是基于所述待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；
根据所述目标等压升电压区间确定目标等压升充电时间；
将所述目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。
2.根据权利要求1所述的电池健康度在线预测方法，其特征在于，所述获取待测蓄电池的目标等压升电压区间包括：
设置等压升电压窗口、电压窗口步进值、等压升充电起始电压值和电压步进值；
根据所述等压升充电起始电压值和所述等压升电压窗口的和获取等压升充电截止电压值；
根据所述等压升充电起始电压值和所述等压升充电截止电压值在所述充电电压曲线中获取对应的多个所述等压升充电时间；
分别将多个所述等压升充电时间与所述电池健康度进行综合相关性分析，以分别生成对应的综合相关系数；
根据所述电压步进值更新所述等压升充电起始电压值，并根据所述电压窗口步进值更新所述等压升电压窗口；
返回至所述根据所述等压升充电起始电压值和所述等压升电压窗口的和获取等压升充电截止电压值的步骤，直至达到预设循环次数；
获取各所述综合相关系数中满足预设要求的目标综合相关系数，并获取所述目标综合相关系数对应的所述等压升电压窗口和所述等压升充电起始电压值，以得到所述目标等压升电压区间。
3.根据权利要求2所述的电池健康度在线预测方法，其特征在于，所述获取各所述综合相关系数中满足预设要求的目标综合相关系数包括：
分别根据各所述综合相关系数生成各所述等压升电压窗口对应的综合相关系数矩阵；
分别获取各所述等压升电压窗口下的所述综合相关系数矩阵中最大的所述综合相关系数，并记录于相关系数矩阵中；
获取所述相关系数矩阵中最大的所述综合相关系数，以作为所述目标综合相关系数。
4.根据权利要求2所述的电池健康度在线预测方法，其特征在于，所述分别将多个所述等压升充电时间与所述电池健康度进行综合相关性分析包括：
将所述等压升充电时间与所述电池健康度分别通过Pearson线性相关系数、Spearmanrho系数和Kendall tau系数进行综合相关性分析，以生成对应的所述综合相关系数。
5.根据权利要求1所述的电池健康度在线预测方法，其特征在于，所述电池健康度预测模型为预先根据多组等压升充电时间训练，并通过麻雀搜索算法进行参数寻优的输出对应电池健康度预测结果的长短期记忆网络模型；
所述电池健康度预测模型的训练过程包括：
设置长短期记忆网络的训练集和测试集；其中，所述训练集中包含电池健康度数据和对应的等压升充电时间；
设置所述麻雀搜索算法的参数；其中，所述麻雀搜索算法的参数包括种群数量、最大迭代次数和待优化变量；所述待优化变量为所述长短期记忆网络的变量，包括隐藏单元数目、最大训练周期、初始学习率和L2参数；
设置所述长短期记忆网络的输入神经元数量和输出神经元数量，以建立长短期记忆网络模型；
通过所述麻雀搜索算法优化所述待优化变量，以生成最优参数解；其中，所述最优参数解为优化后的所述待优化变量；
根据所述最优参数解设置所述长短期记忆网络模型的对应参数，并对所述长短期记忆网络模型进行训练，以得到电池健康度预测模型；
根据所述测试集对所述电池健康度预测模型进行评价。
6.根据权利要求5所述的电池健康度在线预测方法，其特征在于，所述通过所述麻雀搜索算法优化所述待优化变量包括：
更新所述麻雀搜索算法中各麻雀的位置，并进行边界约束；
获取更新后的所述待优化变量，将更新后的所述待优化变量传递至所述长短期记忆网络模型中；
计算所述麻雀的适应度函数，保留全局最优位置和个体最优位置；
返回至所述更新所述麻雀搜索算法中各麻雀的位置的步骤，直至满足预设终止条件；
保存所述麻雀搜索算法的当前的所述最优参数解。
7.根据权利要求6所述的电池健康度在线预测方法，其特征在于，所述计算所述麻雀的适应度函数包括：
计算所述电池健康度数据与所述长短期记忆网络模型的预测值之间的均方误差，以作为所述麻雀的所述适应度函数。
8.根据权利要求5所述的电池健康度在线预测方法，其特征在于，在所述设置所述麻雀搜索算法的参数之前，在所述设置长短期记忆网络的训练集和测试集之后，还包括：
分别对所述训练集中的数据和所述测试集中的数据进行Z-Score归一化，以得到归一化的所述训练集和归一化的所述测试集。
9.一种电池健康度在线预测装置，其特征在于，包括：
获取模块，用于获取待测蓄电池的目标等压升电压区间；其中，所述目标等压升电压区间是基于所述待测蓄电池的充电电压曲线与电池健康度的综合相关性分析确定的等压升电压区间；
确定模块，用于根据所述目标等压升电压区间确定目标等压升充电时间；
输入模块，用于将所述目标等压升充电时间输入至电池健康度预测模型中，以生成电池健康度预测结果。
10.一种电池健康度在线预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述的电池健康度在线预测方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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权利要求1至8任一项所述的电池健康度在线预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310688499.9A CN116643177A (zh) | 2023-06-09 | 2023-06-09 | 一种电池健康度在线预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310688499.9A CN116643177A (zh) | 2023-06-09 | 2023-06-09 | 一种电池健康度在线预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116643177A true CN116643177A (zh) | 2023-08-25 |
Family
ID=87618781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310688499.9A Pending CN116643177A (zh) | 2023-06-09 | 2023-06-09 | 一种电池健康度在线预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116643177A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117930060A (zh) * | 2024-01-15 | 2024-04-26 | 合肥力高动力科技有限公司 | 一种锂电池soh估计方法、系统、设备及存储介质 |
-
2023
- 2023-06-09 CN CN202310688499.9A patent/CN116643177A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117930060A (zh) * | 2024-01-15 | 2024-04-26 | 合肥力高动力科技有限公司 | 一种锂电池soh估计方法、系统、设备及存储介质 |
| CN117930060B (zh) * | 2024-01-15 | 2024-10-11 | 合肥力高动力科技有限公司 | 一种锂电池soh估计方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | Accurate state-of-charge estimation approach for lithium-ion batteries by gated recurrent unit with ensemble optimizer | |
| CN109993270B (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| CN110059844B (zh) | 基于集合经验模态分解和lstm的储能装置控制方法 | |
| CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
| CN111736084B (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
| CN115291116B (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
| CN114325450A (zh) | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 | |
| CN110794308B (zh) | 列车电池容量预测方法及装置 | |
| CN110443377B (zh) | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 | |
| CN115236526A (zh) | 一种剩余充电时间预测方法、装置、存储介质和车辆 | |
| CN117074951A (zh) | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 | |
| CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
| CN116643177A (zh) | 一种电池健康度在线预测方法、装置、设备及介质 | |
| CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
| CN115656824A (zh) | 基于cnn-lstm模型的锂电池核电状态预测方法 | |
| CN115049115A (zh) | 计及nwp风速横纵向误差的rdpg风速修正方法 | |
| CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
| CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
| 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 | |
| CN115730525A (zh) | 一种轨道交通ups蓄电池健康状态预测方法 | |
| CN112329995B (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
| CN117233638A (zh) | 锂电池soh的检测方法、装置、电子设备及存储介质 |
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 |