CN116819372A - 一种神经网络计算储能电池健康状态的方法 - Google Patents
一种神经网络计算储能电池健康状态的方法 Download PDFInfo
- Publication number
- CN116819372A CN116819372A CN202310625772.3A CN202310625772A CN116819372A CN 116819372 A CN116819372 A CN 116819372A CN 202310625772 A CN202310625772 A CN 202310625772A CN 116819372 A CN116819372 A CN 116819372A
- Authority
- CN
- China
- Prior art keywords
- storage battery
- energy storage
- data
- model
- neural network
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000036541 health Effects 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013508 migration Methods 0.000 claims abstract description 8
- 230000005012 migration Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 3
- 230000032683 aging Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 7
- 238000013526 transfer learning Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010248 power generation 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种神经网络计算储能电池健康状态的方法，所述神经网络计算储能电池健康状态的包括：S1：获取储能电池的多种参数；S2：数据预处理及特征提取；S3：改进调节权重值的LMBP算法；S4：建立蓄电池SOH评估模型；S5：使用数据预训练模型；S6：迁移参数；S7利用目标域数据微调模型得到最终模型。本发明所提供的神经网络计算储能电池健康状态的方法，在收敛速度和收敛性上有很大提升,将已有的大量的电池老化实验数据中锂离子电池的共有知识迁移到工况数据域，更快、更准地完成蓄电池SOH评估。
Description
技术领域
本发明涉及深度学习领域，具体涉及一种神经网络计算储能电池健康状态的方法。
背景技术
为了缓解能源危机和环境污染的双重问题，减少碳排放，应对相关的气候变化和能源短缺，全球能源体系正在改变。随着风能、太阳能、水力发电等可再生能源的快速发展，化石燃料的使用逐渐减少。
世界各国政府对节能减排的有关法规要求越来越严，无论从环境保护还是能源转型的角度，储能电池都将占有越来越多的市场份额，而电池健康状态也必将获得越来越多的关注。
制约当今储能尤其是锂电池储能发展的一个重要原因便是由电池寿命和容量引发的可靠性焦虑。随着电池的使用，电池内部会发生老化，造成电池容量的衰减，而衰减程度则通过电池健康状态(State of Health，SOH)参数进行量化。目前针对储能电池的SOH评估方法并没有统一的标准，且只能做事后分析，无法实时评估。因此设计出先进、可靠的储能电池SOH评估方法是非常必要的。
发明内容
本发明的目的在于提供一种神经网络计算储能电池健康状态的方法，不仅降低了计算复杂度，又提高了预测准确率。
本发明解决上述技术问题的技术方案如下：
本发明提供一种神经网络计算储能电池健康状态的方法，所述神经网络计算储能电池健康状态的方法包括：
S1：获取储能电池的多种参数；
S2：数据预处理及特征提取；
S3：改进调节权重值的LMBP算法；
S4：建立蓄电池SOH评估模型；
S5：使用数据预训练模型；
S6：迁移参数；
S7：利用目标域数据微调模型得到最终模型。
可选择地，所述步骤S2中，对所述相关数据进行预处理操作包括：对数据进行缺失值补全及异常值去除等基础预处理，以及进行IC容量增量曲线的构建。
可选择地，所述步骤S3中，简化Hession矩阵的求逆运算，优化步进因子θ，改进比例系数μk。
可选择地，所述步骤S4中，利用神经网络模型，建立特征值与SOH间的映射。
可选择地，所述步骤S5中，使用源域数据预训练源域网络。
可选择地，所述步骤S6中，将划分的所有任务输入改进的遗传算法中，得到最优解。
可选择地，所述步骤S7中，判断所述最优解是否满足终止条件，若是，将所述最优解作为粒子群算法的初始粒子；否则返回步骤S6。
可选择地，所述卷积神经网络模型包括：
输入模块、特征处理模块和输出模块，所述特征处理模块用于对所述输入模块的输出结果进行特征提取且包括第一特征提取层和第二特征提取层，所述输入模块的输出作为第一特征提取层的输入，所述第一特征提取层的输出作为第二特征提取层的输入，所述第三特征提取层的输出通过所述输出模块输出。
可选择地，所述改进的LMBP算法包括：
简化Hession矩阵的求逆运算，优化步进因子θ，改进比例系数μk。
可选择地，所述改进的误差目标函数的公式为：
其中，F(w)表示误差函数，q为训练样本数，n为输出层神经元数量，eij为网络误差向量，vr(w)表示误差向量，N为样本总数。
本发明具有以下有益效果：
本发明设计了基于深度学习-迁移学习的SOH计算算法，经分析储能电池特性，确定所需的参数；通过改进的LMBP算法优化求解过程。将已有的大量的电池老化实验数据中锂离子电池的共有知识迁移到工况数据域，根据网络的可迁移性搭建起基于网络迁移的SOH估算模型，有效提升SOH估算的精度，实现对SOH的精确估计。
附图说明
图1为本发明所提供的神经网络计算储能电池健康状态的方法的流程图。
图2为在神经网络第0-150轮的训练中，直接使用神经网络计算储能电池健康状态值、同在此基础上应用了迁移学习算法的计算值、以及其对应的SOH真实值的对比图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例
本发明解决上述技术问题的技术方案如下：
本发明提供一种神经网络计算储能电池健康状态的方法，参考图1所示，所述神经网络计算储能电池健康状态的方法包括：
S1：获取储能电池的多种参数；
这里，原始数据为电压、电流、时间曲线。
S2：数据预处理及特征提取；
在本发明中，对所述相关数据进行预处理操作包括：对数据进行缺失值补全及异常值去除等基础预处理，以及进行IC容量增量曲线的构建。
IC曲线可以通过将充电(或放电)过程中电池电量的变化和端电压的变化进行差分计算得到，表示如下：
其中，和/>分别为k和k+1时刻的电池电量，/>和/>分别为k和k+1时刻电池端电压。对应的曲线/>即为IC曲线。
S3：改进调节权重值的LMBP算法；
在本发明中，对于LMBP算法的主要改进包括：简化Hession矩阵的求逆运算，优化步进因子θ，改进比例系数μk。
一般情况下，μk是非常重要的调整变量，通常的调整策略是算法开始时μk取一个小的正值，如果某一步不能减少误差指标函数F(w)的值，则μk在下一步乘以一个大于1的步进因子θ，即
μk＝μk-1θ
然后再重复此步骤，这时的计算接近于梯度下降法，如果某一步产生了更小的F(w)，则在下一步除以θ，即
μk＝μk-1/θ
μk更小时，算法近似于高斯-牛顿法，加快了收敛速度。
有时，在计算中随着μk值的变大会出现“小步长”的问题，一次迭代需要循环多次，需要较长时间才能结束。μk越大，“小步长”的现象越严重。为此，提出一种将固定θ值设计成变步长的方式，使步进因子θ可变，变步长公式定义为
θ＝2n-mθ′
式中，n为进入此步小循环次数；m为调整变量，m∈[0,1]；θ′为可变步进因子。
则μk值调整为
μk＝μk-1(2n-mθ′)
如果某一步产生了更小的F(w)，则μk调整为
S4：建立蓄电池SOH评估模型；
在本发明中，搭建五层感知机网络。
S5：使用数据预训练模型；
在本发明中，将提取出的特征作为输入，SOH真实值作为标签，在源域实验数据上训练网络，得到预训练模型。
S6：迁移参数；
可选择地，创建一个与S4同样的五层感知机模型，将S5预训练模型的前三层参数迁移到新的模型上并固定。
S7：利用目标域数据微调模型得到最终模型。
在目标域工况数据上，同样降提取的特征值作为输入，SOH真实值作为标签，训练并微调后两层参数，得到最终的SOH计算模型。
为了验证本发明的有效性，本发明对比了本发明所提供的SOH计算算法与其他算法，其结果如图2所示，随着算法迭代次数增加，本发明的算法较快地实现收敛，而传统的遗传算法适应值异常，导致拟合度不足。
综上所述，提出的SOH计算算法得到了一种神经网络计算储能电池健康状态的方法，克服了传统方法的缺点，既缩短了任务调度完成时间，又提高了计算资源利用率。
本发明的有益效果：世界各国政府对节能减排的有关法规要求越来越严，储能电池将获得广泛应用，制约当前储能发展的一个重要因素便是由电池寿命和容量引发的可靠性焦虑。针对储能电池健康状态的问题，本发明设计了基于深度学习-迁移学习的SOH计算算法，经分析储能电池特性，确定所需的参数；通过改进的LMBP算法优化求解过程。将已有的大量的电池老化实验数据中锂离子电池的共有知识迁移到工况数据域，根据网络的可迁移性搭建起基于网络迁移的SOH估算模型，有效提升SOH估算的精度，实现对SOH的精确估计。
发明的神经网络算法结合了优化LMBP算法的局部搜索能力和迁移学习的数据处理、泛用度优势，实验结果表明，在计算准确度上相比传统的方法具有明显的改进。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种神经网络计算储能电池健康状态的方法，其特征在于，所述神经网络计算储能电池健康状态的方法包括：
S1：获取储能电池的多种参数；
S2：数据预处理及特征提取；
S3：改进调节权重值的LMBP算法；
S4：建立蓄电池SOH评估模型；
S5：使用数据预训练模型；
S6：迁移参数；
S7：利用目标域数据微调模型得到最终模型。
2.根据权利要求1所述的神经网络计算储能电池健康状态的方法，其特征在于，所述步骤S2中，对所述相关数据进行预处理操作包括：对数据进行缺失值补全及异常值去除等基础预处理，以及进行IC容量增量曲线的构建。
3.根据权利要求1所述的神经网络计算储能电池健康状态的方法，其特征在于，所述步骤S3中，简化Hession矩阵的求逆运算，优化步进因子θ，改进比例系数μk。
4.根据权利要求1所述的神经网络计算储能电池健康状态的方法，其特征在于，所述步骤S4中，利用神经网络模型，建立特征值与SOH间的映射。
5.根据权利要求1所述的神经网络计算储能电池健康状态的方法，其特征在于，所述步骤S5中，使用源域数据预训练源域网络。
6.根据权利要求5所述的神经网络计算储能电池健康状态的方法，其特征在于，所述步骤S6中，基于迁移算法将源域数据中含有的信息迁移到目标域网络。
7.根据权利要求6所述的神经网络计算储能电池健康状态的方法，其特征在于，所述步骤S7中，在目标域工况数据上，训练并微调参数。
8.根据权利要求1-4中任意一项所述的神经网络计算储能电池健康状态的方法，其特征在于，所述神经网络模型包括：
输入模块、特征处理模块和输出模块，所述特征处理模块用于对所述输入模块的输出结果进行特征提取且包括第一特征提取层和第二特征提取层，所述输入模块的输出作为第一特征提取层的输入，所述第一特征提取层的输出作为第二特征提取层的输入，所述第三特征提取层的输出通过所述输出模块输出。
9.根据权利要求5-7中任意一项所述的神经网络计算储能电池健康状态的方法，其特征在于，所述迁移算法包括：
令假设函数尽可能逼近真实函数f，即使得误差εD(h,f)尽可能小。
10.根据权利要求6所述的神经网络计算储能电池健康状态的方法，其特征在于，所述预测函数与真实函数的误差公式为：
εD(h,f)＝E(|h(X)-f(X)|)
其中，y表示标签空间，f表示真实函数，h为模型学习到的假设，E为数学期望。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310625772.3A CN116819372A (zh) | 2023-05-30 | 2023-05-30 | 一种神经网络计算储能电池健康状态的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310625772.3A CN116819372A (zh) | 2023-05-30 | 2023-05-30 | 一种神经网络计算储能电池健康状态的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116819372A true CN116819372A (zh) | 2023-09-29 |
Family
ID=88115769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310625772.3A Pending CN116819372A (zh) | 2023-05-30 | 2023-05-30 | 一种神经网络计算储能电池健康状态的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819372A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117054892A (zh) * | 2023-10-11 | 2023-11-14 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
-
2023
- 2023-05-30 CN CN202310625772.3A patent/CN116819372A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117054892A (zh) * | 2023-10-11 | 2023-11-14 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
| CN117054892B (zh) * | 2023-10-11 | 2024-02-27 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Caliwag et al. | Hybrid VARMA and LSTM method for lithium-ion battery state-of-charge and output voltage forecasting in electric motorcycle applications | |
| Che et al. | Semi-supervised self-learning-based lifetime prediction for batteries | |
| CN112540298B (zh) | 一种基于深度-迁移学习的锂离子电池soc估计方法 | |
| CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
| CN112163372B (zh) | 一种动力电池的soc估算方法 | |
| CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
| CN115983134B (zh) | 一种基于神经网络的电池功率状态预测方法和系统 | |
| CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
| CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
| CN113466710A (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
| CN115219937A (zh) | 基于深度学习的不同老化路径储能电池健康状态估计方法 | |
| CN117630681A (zh) | 基于组合模型的蓄电池性能预测方法及系统 | |
| CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
| CN115146723A (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
| CN117572236A (zh) | 一种基于迁移学习的锂电池荷电状态估计方法 | |
| CN115236521B (zh) | 基于半监督协同训练框架的锂离子电池健康状态估计方法 | |
| Tao et al. | A novel method of SOC estimation for electric vehicle based on adaptive particle filter | |
| CN116106751A (zh) | 一种基于Informer的锂离子电池荷电状态估计方法 | |
| CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
| CN116418000A (zh) | 基于内嵌潮流神经网络的不可观配网贝叶斯状态估计方法 | |
| Su | Remaining useful life prediction of Lithium-ion batteries by PSO-SVM based on multi-feature extraction | |
| CN117634931B (zh) | 一种考虑充电行为的电动汽车调节能力预测方法及系统 | |
| An | New energy vehicle lithium battery life prediction method based on improved deep learning | |
| CN112798967B (zh) | 固体氧化物燃料电池长短期预测方法 | |
| CN118091428A (zh) | 一种新型智能寻优粒子滤波锂电池soe估计方法及系统 |
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 |