CN116679231A - 基于格拉姆角场和VGG16模型的锂电池SoH估计方法 - Google Patents
基于格拉姆角场和VGG16模型的锂电池SoH估计方法 Download PDFInfo
- Publication number
- CN116679231A CN116679231A CN202310666718.3A CN202310666718A CN116679231A CN 116679231 A CN116679231 A CN 116679231A CN 202310666718 A CN202310666718 A CN 202310666718A CN 116679231 A CN116679231 A CN 116679231A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- soh
- vgg16
- charging period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 14
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000004146 energy storage Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- YLOCGHYTXIINAI-XKUOMLDTSA-N (2s)-2-amino-3-(4-hydroxyphenyl)propanoic acid;(2s)-2-aminopentanedioic acid;(2s)-2-aminopropanoic acid;(2s)-2,6-diaminohexanoic acid Chemical compound C[C@H](N)C(O)=O.NCCCC[C@H](N)C(O)=O.OC(=O)[C@@H](N)CCC(O)=O.OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 YLOCGHYTXIINAI-XKUOMLDTSA-N 0.000 claims 5
- 108010072051 Glatiramer Acetate Proteins 0.000 claims 5
- 229940042385 glatiramer Drugs 0.000 claims 5
- 238000000605 extraction Methods 0.000 abstract description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- 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
本发明公开了一种基于格拉姆角场和VGG16模型的锂电池SoH估计方法，包括以下步骤：S1.采集电池的历史运行数据，构建储能系统电池数据集，并定义电池的SoH；S2.形成各个充电周期内的电池的一维时间序列；S3.使用格拉姆角场将电池一维的时间序列转换成二维图像序列；S4.搭建VGG16神经网络,一维时间序列转化的二维图像序列作为输入，SoH作为标签训练VGG16神经网络;S5.将训练好的VGG16神经网络用于SoH预测，首先采集电池充电周期的数据，转换为二维图像序列作为输入，输出SoH预测值。本发明使用VGG16进行无监督特征提取，自动挖掘电池一维时间序列转换得到的二维图像序列与SoH的关系，简化了人为进行特征提取的步骤，并提高了预测的准确性。
Description
技术领域
本发明涉及锂电池SoH估计，特别是涉及基于格拉姆角场和VGG16模型的锂电池SoH估计方法。
背景技术
随着新能源技术的高速发展，锂离子电池在这一浪潮中迎来了巨大的发展，特别是在新能源汽车领域，锂离子电池已经成为驱动电动汽车的主要电源。其中最核心的一个环节就是电池管理系统(Battery Management System,BMS)，而对健康状态(State OfHealth,SoH)的精确估计是BMS功能的重要基础之一，在实际应用中，锂离子电池的容量会在反复的充放电循环中逐渐降低，电池的性能也会逐渐降低，进一步造成运行障碍，甚至发生灾难性事件。而SoH作为衡量电池性能的重要因素，锂离子SoH预测对锂离子电池在使用过程中的安全和健康管理具有重要意义。因此在锂离子电池技术的开发和应用中受到了研究人员的高度重视。
目前预测SoH方法众多，主要分为直接测量法、基于电池模型的滤波估计方法、基于数据驱动预测的方法。随着车联网以及大数据技术的逐步发展,基于数据驱动的SoH预测的方法应该是未来的主流。数据驱动方法只需要获取电池历史运行数据，通过提取直接或间接测量的参数特征，结合各种数据分析方法挖掘数据中隐含的电池健康状态信息，从而达到预测电池SoH的目的。数据驱动方法通过学习特征与SoH的关系来预测SoH，特征质量极大地影响了SoH的估计精度。现有的研究中，大多为研究人员根据自己的先验知识和经验进行特征提取，耗时非常大，并且，人为提取的特征具有较大随机性，很难保证预测的准确性。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于格拉姆角场和VGG16模型的锂电池SoH估计方法，使用VGG16进行无监督特征提取，自动挖掘电池一维时间序列转换得到的二维图像序列与SoH的关系，简化了人为进行特征提取的步骤，并提高了预测的准确性。
本发明的目的是通过以下技术方案来实现的：基于格拉姆角场和VGG16模型的锂电池SoH估计方法，包括以下步骤：
S1.采集电池的历史运行数据，构建储能系统电池数据集，并定义电池的SoH；
S2.对每一个充电周期内的数据进行处理，得出电压和电量的增量数据，并形成各个充电周期内的电池的一维时间序列；
S3.使用格拉姆角场将电池一维的时间序列转换成二维图像序列；
S4.搭建VGG16神经网络,一维时间序列转化的二维图像序列作为输入，SoH作为标签训练VGG16神经网络；
S5.将训练好的VGG16神经网络用于SoH预测，首先采集电池充电周期的数据，转换为二维图像序列作为输入，输出SoH预测值。
本发明的有益效果是：本发明使用VGG16进行无监督特征提取，自动挖掘电池一维时间序列转换得到的二维图像序列与SoH的关系，简化了人为进行特征提取的步骤，并提高了预测的准确性。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，基于格拉姆角场和VGG16模型的锂电池SoH估计方法，其特征在于：包括以下步骤：
S1.采集电池的历史运行数据，构建储能系统电池数据集，并定义电池的SoH；
所述电池的历史运行数据包括多个充电周期内的电压和电量数据，以及每一个充电周期结束后的电池容量；
其中，任一个充电周期内的电压和电量数据记为：B＝[(V0,Q0),(V1,Q1),(V2,Q2),(V3,Q3),...,(VN,QN)]；其中Vk,Qk分别表示第k个时刻的电池电压、电流和电量，k＝0,1,2,…,N，其中N表示一个周期的时间长度；在充电周期内，Vk,Qk随着时刻k增大；
设储能系统电池数据集中供包含M个周期的数据，将第t个周期内的电压和电量数据B记为Bt，i＝1,2,…,M，则储能系统电池数据集表示为：{B1,B2,B3,...,BM}。
所述电池的SoH定义为当前容量与额定容量的比值，即：
其中，Ct为第t个充电周期结束时电池当前容量；CN为电池的额定容量。
S2.对每一个充电周期内的数据进行处理，得出电压和电量的增量数据，并形成各个充电周期内的电池的一维时间序列；
所述步骤S2包括：
S201.对于任一个充电周期内的电量和电压数据，计算电量的增量数据dQ1,dQ2,…,dQN；
其中，dQi＝Qi-Qi-1，表示第时刻i-1到时刻i的电量增量数据，i＝1,2,…,N；
S202.对于任一个充电周期内的电量和电压数据，计算电压的增量数据dV1,dV2,…,dVN；
其中，dVi＝Vi-Vi-1，表示第i-1个时刻到第i个时刻的电压增量数据，i＝1,2,…,N；
S203.对于任一个充电周期内的电量和电压数据，根据电量和电压的增量数据，形成该充电周期内的电池的一维时间序列[(dQ1/dV1)，(dQ2/dV2)，...，(dQN/dVN)]；
令x(i)＝dQi/dVi，则得到当前充电周期内电池的一维时间序列x(i)，i＝1,2,...,N；
S204.对于每一个充电周期内的数据，重复执行步骤S201～S203，得到每一个充电周期的一维时间序列。
S3.使用格拉姆角场将电池一维的时间序列转换成二维图像序列；
所述步骤S3包括：
S301.对于任一充电周期内电池的一维的时间序列x(i),i＝1,2,...,N，首先将其规范化到区间[-1,+1]，规范化后的值记为规范化计算公式为：
其中，max(x)是指一维时间序列x(i),i＝1,2,...,N中的最大值，min(x)是指一维时间序列x(i),i＝1,2,...,N中的最小值；
S302.坐标转换，把规范化后的值转化为极坐标：
其中，ti代表了点xi的时间戳，N是时序数据中所包含的所有时间点的个数，每一个时序点数据包含两个信息：一个是该数据点的规范化值另一个是其所在的时序位置ti；
极坐标转换编码把这两个信息都包含了进来，且没有损失任何信息，极轴ri保留了时间上的关系；极角φi保留了数值上的关系；
在本申请中，转换得到极坐标后，只需要用到极坐标的极角信息；
S303.自定义内积，格拉姆角场矩阵定义为把每个时序点转换为极坐标编码后,由GAF定义了自己的特殊的内积：<x1,x2>＝cos(φ1+φ2)，两个时序点之间的"内积"是指这两个时序点的极坐标转化后的极角之和的余弦，转换成形如：
从而得到了二维的图像序列，也称为GAF图像，该序列为一个n×n的方阵，时间被编码成方阵的几何维度1…n，相比于原时序数据，GAF图像增加了一个维度的信息；
S304.对于每一个充电周期的一维时间序列，重复执行步骤S301～S303，得到每一个充电周期的二维图像序列。
S4.搭建VGG16神经网络,一维时间序列转化的二维图像序列作为输入，SoH作为标签训练VGG16神经网络；
S401.搭建VGG16神经网络:
VGG16总共有16层，13个卷积层和3个全连接层，第一次经过64个卷积核的两次卷积后，采用一次pooling，第二次经过两次128个卷积核卷积后，采用pooling；再经过3次256个卷积核卷积后,采用pooling，再重复两次三个512个卷积核卷积后，再pooling，最后进行三次全连接；
S402.VGG16最后一层全连接层为分类层，即Softmax层，用于完成是分类任务；
将最后一层全连接层的激活函数设置为“relu”，将模型的损失函数更改为平均绝对误差，并将性能指标函数更改为均方误差；
S403.以每一个充电周期的二维图像序列作为VGG16的输入，对应的SoH标签作为VGG16的期望输出，训练VGG16神经网络。
S5.将训练好的VGG16神经网络用于SoH预测，首先采集电池充电周期的数据，转换为二维图像序列作为输入，输出SoH预测值。
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.基于格拉姆角场和VGG16模型的锂电池SoH估计方法，其特征在于：包括以下步骤：
S1.采集电池的历史运行数据，构建储能系统电池数据集，并定义电池的SoH；
S2.对每一个充电周期内的数据进行处理，得出电压和电量的增量数据，并形成各个充电周期内的电池的一维时间序列；
S3.使用格拉姆角场将电池一维的时间序列转换成二维图像序列；
S4.搭建VGG16神经网络,一维时间序列转化的二维图像序列作为输入，SoH作为标签训练VGG16神经网络；
S5.将训练好的VGG16神经网络用于SoH预测，首先采集电池充电周期的数据，转换为二维图像序列作为输入，输出SoH预测值。
2.根据权利要求1所述的基于格拉姆角场和VGG16模型的锂电池SoH估计方法，其特征在于：所述电池的历史运行数据包括多个充电周期内的电压和电量数据，以及每一个充电周期结束后的电池容量；
其中，任一个充电周期内的电压和电量数据记为：B＝[(V0,Q0),(V1,Q1),(V2,Q2),(V3,Q3),...,(VN,QN)]；其中Vk,Qk分别表示第k个时刻的电池电压、电流和电量，k＝0,1,2,…,N，其中N表示一个周期的时间长度；在充电周期内，Vk,Qk随着时刻k增大；
设储能系统电池数据集中供包含M个周期的数据，将第t个周期内的电压和电量数据B记为Bt，i＝1,2,…,M，则储能系统电池数据集表示为：{B1,B2,B3,...,BM}。
3.根据权利要求1所述的基于格拉姆角场和VGG16模型的锂电池SoH估计方法，其特征在于：所述电池的SoH定义为当前容量与额定容量的比值，即：
其中，Ct为第t个充电周期结束时电池当前容量；CN为电池的额定容量。
4.根据权利要求2所述的基于格拉姆角场和VGG16模型的锂电池SoH估计方法，其特征在于：所述步骤S2包括：
S201.对于任一个充电周期内的电量和电压数据，计算电量的增量数据dQ1,dQ2,…,dQN；
其中，dQi＝Qi-Qi-1，表示第时刻i-1到时刻i的电量增量数据，i＝1,2,…,N；
S202.对于任一个充电周期内的电量和电压数据，计算电压的增量数据dV1,dV2,…,
dVN；
其中，dVi＝Vi-Vi-1，表示第i-1个时刻到第i个时刻的电压增量数据，i＝1,2,…,N；
S203.对于任一个充电周期内的电量和电压数据，根据电量和电压的增量数据，形成该充电周期内的电池的一维时间序列[(dQ1/dV1)，(dQ2/dV2)，...，(dQN/dVN)]；
令x(i)＝dQi/dVi，则得到当前充电周期内电池的一维时间序列x(i)，i＝1,2,...,N；
S204.对于每一个充电周期内的数据，重复执行步骤S201～S203，得到每一个充电周期的一维时间序列。
5.根据权利要求1所述的基于格拉姆角场和VGG16模型的锂电池SoH估计方法，其特征在于：所述步骤S3包括：
S301.对于任一充电周期内电池的一维的时间序列x(i),i＝1,2,...,N，首先将其规范化到区间[-1,+1]，规范化后的值记为规范化计算公式为：
其中，max(x)是指一维时间序列x(i),i＝1,2,...,N中的最大值，min(x)是指一维时间序列x(i),i＝1,2,...,N中的最小值；
S302.坐标转换，把规范化后的值转化为极坐标：
其中，ti代表了点xi的时间戳，N是时序数据中所包含的所有时间点的个数，每一个时序点数据包含两个信息：一个是该数据点的规范化值另一个是其所在的时序位置ti；
极坐标转换编码把这两个信息都包含了进来，且没有损失任何信息，极轴ri保留了时间上的关系；极角φi保留了数值上的关系；
S303.自定义内积，格拉姆角场矩阵定义为把每个时序点转换为极坐标编码后,由GAF定义了自己的特殊的内积：<x1,x2>＝cos(φ1+φ2)，两个时序点之间的"内积"是指这两个时序点的极坐标转化后的极角之和的余弦，转换成形如：
从而得到了二维的图像序列，也称为GAF图像，该序列为一个n×n的方阵，周期的时间长度被编码成方阵的几何维度，相比于原时序数据，GAF图像增加了一个维度的信息；
S304.对于每一个充电周期的一维时间序列，重复执行步骤S301～S303，得到每一个充电周期的二维图像序列。
6.根据权利要求1所述的基于格拉姆角场和VGG16模型的锂电池SoH估计方法，其特征在于：所述步骤S4包括：
S401.搭建VGG16神经网络:
VGG16总共有16层，13个卷积层和3个全连接层，第一次经过64个卷积核的两次卷积后，采用一次pooling，第二次经过两次128个卷积核卷积后，采用pooling；再经过3次256个卷积核卷积后,采用pooling，再重复两次三个512个卷积核卷积后，再pooling，最后进行三次全连接；
S402.VGG16最后一层全连接层为分类层，即Softmax层，用于完成是分类任务；
将最后一层全连接层的激活函数设置为“relu”，将模型的损失函数更改为平均绝对误差，并将性能指标函数更改为均方误差；
S403.以每一个充电周期的二维图像序列作为VGG16的输入，对应的SoH标签作为VGG16的期望输出，训练VGG16神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310666718.3A CN116679231A (zh) | 2023-06-07 | 2023-06-07 | 基于格拉姆角场和VGG16模型的锂电池SoH估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310666718.3A CN116679231A (zh) | 2023-06-07 | 2023-06-07 | 基于格拉姆角场和VGG16模型的锂电池SoH估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116679231A true CN116679231A (zh) | 2023-09-01 |
Family
ID=87781868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310666718.3A Pending CN116679231A (zh) | 2023-06-07 | 2023-06-07 | 基于格拉姆角场和VGG16模型的锂电池SoH估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679231A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872204A (zh) * | 2024-01-31 | 2024-04-12 | 武汉全日行特种新能源有限公司 | 锂离子电池健康状态评估方法、装置及电子设备 |
-
2023
- 2023-06-07 CN CN202310666718.3A patent/CN116679231A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872204A (zh) * | 2024-01-31 | 2024-04-12 | 武汉全日行特种新能源有限公司 | 锂离子电池健康状态评估方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
| CN111310387B (zh) | 一种燃料电池寿命预测方法 | |
| WO2022198616A1 (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
| CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
| CN116679231A (zh) | 基于格拉姆角场和VGG16模型的锂电池SoH估计方法 | |
| CN114791993B (zh) | 一种动力电池组soh预测方法及系统 | |
| CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
| CN116609668A (zh) | 一种锂离子电池健康状态和剩余寿命预测方法 | |
| CN111257754A (zh) | 一种基于plstm序列映射的电池soc鲁棒评估方法 | |
| CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
| CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 | |
| CN114726045A (zh) | 一种基于ipea-lstm模型的锂电池soh估计方法 | |
| 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 | |
| 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 | |
| CN114004152B (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
| CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
| Yang et al. | Joint evaluation and prediction of SOH and RUL for lithium batteries based on a GBLS booster multi-task model | |
| CN111274539B (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
| CN116106751A (zh) | 一种基于Informer的锂离子电池荷电状态估计方法 | |
| CN115792631A (zh) | 一种结合小波变换和卷积神经网络的锂电池soh预测方法 | |
| Li et al. | A novel data-driven vanadium redox flow battery modelling approach using the convolutional neural network | |
| CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
| CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
| CN114295994A (zh) | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |