CN116840721A - 一种锂离子电池容量估计方法、装置、设备及存储介质 - Google Patents
一种锂离子电池容量估计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116840721A CN116840721A CN202310654197.XA CN202310654197A CN116840721A CN 116840721 A CN116840721 A CN 116840721A CN 202310654197 A CN202310654197 A CN 202310654197A CN 116840721 A CN116840721 A CN 116840721A
- Authority
- CN
- China
- Prior art keywords
- capacity
- lithium ion
- voltage
- discrete
- ion battery
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000007600 charging Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 8
- 238000010277 constant-current charging Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010280 constant potential charging Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 230000032683 aging Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 229910052493 LiFePO4 Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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]
- G01R31/3644—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]
- G01R31/367—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
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂离子电池容量估计方法、装置、设备及存储介质，方法包括：获取锂离子电池的充电数据；根据充电数据绘制IC曲线并获取多个不同电压间隔下IC曲线对应的离散序列；从每个电压间隔对应的离散序列中多次获取连续的五个离散点，直至从五个离散点中获取到对应离散序列的容量峰值；将每个离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到锂离子电子的估计容量。本发明用于解决锂离子电池容量估计过程中数据处理算力要求高和数据误差大的问题，可广泛应用于储能电池管理领域。
Description
技术领域
本发明涉及储能电池管理领域，尤其是一种锂离子电池容量估计方法、装置、设备及存储介质。
背景技术
目前，电池作为一种重要的能源储备和使用方式，其性能和可靠性对于能源发展战略至关重要。电池容量预测可以促进电动汽车、储能系统等领域的发展和应用，提高电池的使用效率和性能，减少能源浪费和污染物的排放，从而实现节能减排的目标，对于实现可持续发展和应对全球气候变化具有积极作用。
随着新能源技术的不断发展，锂离子电池被大量应用于电动汽车和储能系统。电池老化造成的容量衰退问题是目前制约电动汽车和电池储能技术发展的关键。电池的容量与车辆的续驶里程及功率输出能力直接相关，是评价电池老化程度的综合评价指标之一，也是电池管理系统在线管理的难点之一。精确的电池容量估计有助于锂离子电池系统的安全可靠运行，基于增量容量的技术为电池容量估计提供了实现方法。然而，在基于增量容量的方法中通常需要曲线平滑算法获取和处理数据，这不仅对算力要求较高，而且会引入额外的误差。
因此，上述问题亟待解决。
发明内容
有鉴于此，本发明实施例提供一种锂离子电池容量估计方法、装置、设备及存储介质，用于解决锂离子电池容量估计过程中数据处理算力要求高和数据误差大的问题。
本发明实施例的一方面提供了一种锂离子电池容量估计方法，包括：
获取锂离子电池的充电数据；
根据所述充电数据绘制IC曲线并获取多个不同电压间隔下所述IC曲线对应的离散序列；
从每个电压间隔对应的所述离散序列中多次获取连续的五个离散点，直至从所述五个离散点中获取到对应所述离散序列的容量峰值；
将每个所述离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到所述锂离子电子的估计容量。
可选地，所述获取锂离子电池的充电数据，包括：
获取所述锂离子电池在预设的温度环境下进行设定次数充电时产生的充电数据；所述充电数据包括充电时间、充电电流、充电电压以及充电电量；
其中，所述锂离子电池每次的充电过程包括：
以预设的充电倍率对所述锂离子电池进行恒流充电；
在所述锂离子电池的电压达到预设的截止电压之后，以所述截止电压对所述锂离子电池进行恒压充电，直至充电电流降低到预设的截止电流。
可选地，所述获取多个不同电压间隔下所述IC曲线对应的离散序列，包括：
在多个固定时间间隔下对所述IC曲线采集所述锂离子电池对应的电压增量和电流增量；
根据多个所述固定时间间隔和对应的多个所述电流增量，计算得到多个电量增量；
获取多个范围不同的电压间隔，将处于每个所述电压间隔对应范围的所述电压增量划分到对应所述电压间隔的集合；
根据每个所述电压间隔的集合中的所述电压增量，与对应的所述电量增量计算得到每个所述电压间隔的集合的离散序列。
可选地，所述获取多个范围不同的电压间隔，将处于每个所述电压间隔对应范围的所述电压增量划分到对应所述电压间隔的集合，包括：
获取2mV、3mV、5mV和8mV的电压间隔；
对每个所述电压增量根据多个所述电压间隔向下取整，将处于每个所述电压间隔对应范围的所述电压增量划分到对应所述电压间隔的集合。
可选地，从所述五个离散点中获取到对应所述离散序列的容量峰值的过程包括：
将所述五个离散点中相邻离散点对应的容量峰值进行对比；
若第三个离散点对应的容量峰值高于其余四个离散点对应的容量峰值，则获取所述第三个离散点对应的容量峰值，作为所述五个离散点对应所述离散序列的容量峰值。
可选地，所述经过预先训练的反向传播神经网络包括输入层、隐含层和输出层；
所述隐含层和所述输出层采用双曲正切S形函数作为激活函数；
双曲正切S形函数表示为：其中，u是所述隐含层的神经元的值。
可选地，所述将每个所述离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到所述锂离子电子的估计容量，包括：
将每个所述离散序列的容量峰值转换为所述输入层所需的输入向量，并输入所述输入层；
通过所述隐含层根据所述输入向量与第一表达式计算初始容量，并向所述输出层输出；
通过所述输出层根据所述初始容量与第二表达式计算所述估计容量；
所述第一表达式为：其中，k表示所述输入层的第k个输入节点，i表示所述隐含层的第i个隐含节点，xk是第k个输入容量峰值，wk,i是连接第k个输出节点和第i个隐含节点的权重值，bi是第i个隐含节点的偏置；
所述第二表达式为：其中，wi,o表示连接第i个隐含节点和第i个输出节点的权重值，o表示输出节点的偏置。
可选地，所述方法还包括：
在所述反向传播神经网络的训练过程中，根据第三表达式更新所述反向传播神经网络的参数；
所述第三表达式为：其中，N表示训练数据的数量，Qi表示第i个训练目标容量，/>表示第i个训练预估容量。
本发明实施例的另一方面还提供了一种锂离子电池容量估计装置，包括：
数据获取单元，用于获取锂离子电池的充电数据；
序列获取单元，用于根据所述充电数据绘制IC曲线并获取多个不同电压间隔下所述IC曲线对应的离散序列；
峰值获取单元，用于从每个电压间隔对应的所述离散序列中多次获取连续的五个离散点，直至从所述五个离散点中获取到对应所述离散序列的容量峰值；
容量计算单元，用于将每个所述离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到所述锂离子电子的估计容量。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现所述的一种锂离子电池容量估计方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现所述的一种锂离子电池容量估计方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明根据获取的充电数据绘制IC曲线，并获取该IC曲线在多个不同电压间隔下的离散序列，利用五个离散点从离散序列中获取容量峰值，由离散序列确定的容量峰值可以减小测量噪声和峰值信息失真带来的影响，增强本发明的鲁棒性和容错性；本发明通过充电数据的数值推导直接计算并绘制IC曲线，而无需如现有技术般通过曲线平滑算法进行预处理，本发明能够有效地减少计算工作量和数据预处理中的额外误差；而且，通过易于理解和实现的反向传播神经网络估计锂离子电池容量，本发明能简单高效地应用于实际中。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的一种锂离子电池容量估计方法的流程示意图；
图2为本发明实施例提供的一种充电数据的获取与处理流程图；
图3为本发明实施例提供的一种五点窗口移动捕获容量峰值的示意图；
图4为本发明实施例提供的一种IC曲线容量峰值的获取流程图；
图5为本发明实施例提供的一种反向传播神经网络的训练流程图；
图6为本发明实施例提供的一种反向传播神经网络的结构示意图；
图7为本发明实施例提供的一种3mV电压间隔捕获结果示意图；
图8为本发明实施例提供的一种电池容量估计相对误差示意图；
图9为本发明实施例提供的一种锂离子电池容量估计装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
参照图1，本发明实施例提供了一种锂离子电池容量估计方法，具体包括以下步骤：
S100：获取锂离子电池的充电数据。
首先，对本发明实施例锂离子电池每次的充电过程进行说明，其包括以下过程：
S1、以预设的充电倍率对所述锂离子电池进行恒流充电。
具体的，在室温范围内(例如25℃下)对三个额定容量为60Ah的LiFePO4电池进行1800次循环充放电实验，通过恒流和恒压对锂离子电池进行充电。可选地，在每个老化循环中，电池以0.5C的恒流充电。
S2、在所述锂离子电池的电压达到预设的截止电压之后，以所述截止电压对所述锂离子电池进行恒压充电，直至充电电流降低到预设的截止电流。
具体的，本发明实施例的截止电压可以设置为3.65V，在达到截止电压后以3.65V的恒压充电，直到充电电流降低到0.05C的截止电流。
然后，所述获取锂离子电池的充电数据的过程包括：
获取所述锂离子电池在预设的温度环境下进行设定次数充电时产生的充电数据；所述充电数据包括充电时间、充电电流、充电电压以及充电电量。
具体的，在每次老化实验中设置不同的电压间隔，一种可选的实施方式下，本发明实施例将电压间隔设置为2mV、3mV、5mV和8mV，本发明实施例还可以设置其它可选的电压间隔，此处不赘述；根据不同电压间隔从检测单元导出锂离子电池的充电数据用于IC曲线绘制，其中，充电数据可以包括充电时间、充电电流、充电电压以及充电电量等数据。
S110：根据所述充电数据绘制IC曲线并获取多个不同电压间隔下所述IC曲线对应的离散序列。
具体的，根据所述充电数据绘制IC曲线的过程可以包括：
根据老化实验获得的电池充电数据绘制锂离子电池的IC曲线。本发明实施例的电池容量增量如式(1)所示：
其中，Q表示电池充电电量/Ah，V表示电池开路电压/V，I表示恒流充电电流/A。
实际拟合过程中，由于数据阶数很难精准，因此本发明实施例利用极限思路将自变量的电压取不同的小区间，来绘制IC曲线，△V取足够小的定值，得到相对应的容量变化△Q，如式(2)所示：
绘制得到IC曲线后，所述获取多个不同电压间隔下所述IC曲线对应的离散序列，包括：
S1、在多个固定时间间隔下对所述IC曲线采集所述锂离子电池对应的电压增量和电流增量。
S2、根据多个所述固定时间间隔和对应的多个所述电流增量，计算得到多个电量增量。
S3、获取多个范围不同的电压间隔，将处于每个所述电压间隔对应范围的所述电压增量划分到对应所述电压间隔的集合。
具体的，仍以上述步骤S100选取的电压间隔为例，本发明实施例获取2mV、3mV、5mV和8mV的电压间隔；对每个所述电压增量根据多个所述电压间隔向下取整，将处于每个所述电压间隔对应范围的所述电压增量划分到对应所述电压间隔的集合。
S4、根据每个所述电压间隔的集合中的所述电压增量，与对应的所述电量增量计算得到每个所述电压间隔的集合的离散序列。
参照图2，本发明实施例提供了一种充电数据的获取与处理流程图。
具体的，获取IC曲线对应的离散序列可以包括以下：
首先，建立时间与电压的离散序列，T＝(t1,t2,t3,...,tn)，V＝(V1,V2,V3,...,Vn)，由于实际充电过程中，恒流充电的电流可能存在波动，所以建立电流的离散序列＝(i1,i2,i3,…,in)。根据上述的划定，[tr,tr+1]时间内电容的增加量如式(3)所示：
然后，对电压数据进行遍历，当电池的电压满足式(4)中①～④时记录电压增量和对应的电容增量，电压增量选取2mV、3mV、5mV和8mV，电容增量如式(5)所示，一种可选的实施方式下，本发明实施例可以采用向下取整采集，例如，若采集到的某个电压间隔为2.5mV，则可以将2.5mV作为2mV的电压间隔。
与现有技术比对，本发明实施例通过采用多个电压间隔获得的多个容量峰值，根据该容量峰值可以提高鲁棒性，使得本发明实施例可靠性高，容错性强并且实现方法更加简单。
S120：从每个电压间隔对应的所述离散序列中多次获取连续的五个离散点，直至从所述五个离散点中获取到对应所述离散序列的容量峰值。
具体的，对IC曲线在固定电压间隔下采集数据，可以采集到IC曲线在该电压间隔下对应的离散序列，离散序列中的离散点是该时刻下锂离子电池的容量峰值，为了方便说明，请参照图3，本发明实施例提供了一种五点窗口移动捕获容量峰值的示意图，其中横坐标表示充电时间，纵坐标表示电池容量。
从所述五个离散点中获取到对应所述离散序列的容量峰值的过程包括：
S1、将所述五个离散点中相邻离散点对应的容量峰值进行对比。
S2、若第三个离散点对应的容量峰值高于其余四个离散点对应的容量峰值，则获取所述第三个离散点对应的容量峰值，作为所述五个离散点对应所述离散序列的容量峰值。
具体的，本发明实施例提出了一种五点窗口移动捕获方法，用于获取电池充电过程中IC曲线对应的离散序列的容量峰值。如图3所示，其中的虚线框作为移动窗口，移动窗口每次移动框选五个连续的离散点，移动窗口中的箭头表示用于捕捉IC峰值(即离散序列的容量峰值)的变化趋势。
参照图4，本发明实施例提供了一种IC曲线容量峰值的获取流程图。具体的，若移动窗口中的五个离散点的IC值(即离散点对应的电池容量)满足式(6)的约束，则可以认为移动窗口中的Point(3)是第三IC峰值；否则，第一个点将被释放，移动窗口将向右移动添加下一个IC值再次进行判断，直到找到IC峰值。其中，上述式(6)表达如下：
现有技术对比，本发明提出了一种“五点窗口移动捕获方法”，用于有效在线获取IC曲线的容量峰值。具体包括：S1、在一定电压采集间隔下，以五个测量点为一个窗口，当检测到五个容量增量点满足约束条件对五个点中的第三个点进峰值捕获。S2、在电池放电的过程中，窗口以电压间隔为最小单位随之移动，对电池放电过程中的目标IC曲线峰值进行捕获。本发明实施例提出的“五点窗口移动捕获方法”实现更加简单，结果更加可靠，有利于在线应用。
S130：将每个所述离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到所述锂离子电子的估计容量。
参照图5，本发明实施例提供了一种反向传播神经网络的训练流程图。具体的，先对本发明实施例的反向传播神经网络(BPNN，Back Propagation Neural Network)的训练过程进行说明，具体包括以下：
S1、容量峰值与电池容量关联性分析。根据上述步骤S120所获得的不同电压间隔IC峰值，在固定电压间隔下分析电池容量与每个容量峰值强度的关联程度。
S2、对比各个容量峰值与电池容量的关联性，选取关联性最高并且适用于实际应用的峰值作为估计模型训练的输入特征。本发明实施例可以选取在2mV、3mV、5mV和8mV的电压间隔下的IC峰值用作输入层的输入向量。
S3、通过反向传播神经网络近似不同电压间隔的峰值与电池容量之间的关系。如图6所示，本发明实施例提供了一种反向传播神经网络的结构示意图，本发明实施例采用由输入层(Input Layer)、隐含层(Hidden Layer)和输出层(Output Layer)组成的三层BPNN网络用于估计锂离子电池容量(capacity)，其中的各个IC peak表示2mV、3mV、5mV和8mV的电压间隔下的IC峰值用作输入层的输入向量。
S4、在隐含层中，神经元的数量设置为12，以平衡网络复杂性和估计精度。在隐含层和输出层中，双曲正切S形函数被用作激活函数，函数如式(7)所示：
其中，u是神经元的值。
隐含层输出如式(8)所示：
其中，k表示第k个(k＝1，2，3，4)输入节点，i表示第i个(i＝1，2，…，11，12)隐含节点。xk是第k个输入IC峰值，wk,i是连接第k个输出节点和第i个隐含节点的权重，bi是第i个隐含节点的偏置。
输出层如式(9)所示：
其中wi,o和bo分别表示连接第i个隐含节点和输出节点的权重值以及输出节点的偏置，o表示输出值。
S5、采用Levenberg-Marquardt反向传播算法来实现理想的网络参数识别更新，如式(10)所示，在训练过程中BPNN的输出误差使用网络输出值和目标数据之间的差的平方的平均值的均方误差(MSE)。训练过程更新网络权重使误差减小至理想范围内。
其中，N表示训练数据的数量，Qi表示第i个目标容量值，表示第i个估计容量值。
S6、对于训练阶段，随机选择了约三分之二的多电压间隔IC峰值和电池容量的数据集，这些数据集涵盖了各种电池和整个老化周期。BPNN模型的最优参数，包括隐含层和输出层的权重和偏差，可以通过训练阶段获得。然后，可以将BPNN模型应用于电池容量估计。
参照上述经过训练的反向传播神经网络，本发明实施例的所述经过预先训练的反向传播神经网络包括输入层、隐含层和输出层；其中，所述隐含层和所述输出层采用双曲正切S形函数作为激活函数，双曲正切S形函数表示为：
其中，u是所述隐含层的神经元的值。
具体的，所述将每个所述离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到所述锂离子电子的估计容量，包括：
S1、将每个所述离散序列的容量峰值转换为所述输入层所需的输入向量，并输入所述输入层。
S2、通过所述隐含层根据所述输入向量与第一表达式计算初始容量，并向所述输出层输出。
S3、通过所述输出层根据所述初始容量与第二表达式计算所述估计容量。
所述第一表达式为：即上述式(8)，其中，k表示所述输入层的第k个输入节点，i表示所述隐含层的第i个隐含节点，xk是第k个输入容量峰值，wk,i是连接第k个输出节点和第i个隐含节点的权重值，bi是第i个隐含节点的偏置。
所述第二表达式为：即上述式(9)，其中，wi,o表示连接第i个隐含节点和第i个输出节点的权重值，o表示输出节点的偏置。
进一步，本发明实施例还可以包括：
在所述反向传播神经网络的训练过程中，根据第三表达式更新所述反向传播神经网络的参数。
所述第三表达式为：即上述式(10)，其中，N表示训练数据的数量，Qi表示第i个训练目标容量，/>表示第i个训练预估容量。
与现有技术比对，本发明实施例提出了使用不同电压间隔的IC曲线峰值结合反向传播神经网络(BPNN)以实现电池容量估计，在保证预测精度的同时大大减少了计算量和训练复杂度，有利于本发明实施例的在线应用。
接下来将以具体实例说明本发明的应用过程。
本发明实施例可以实现锂离子电池容量的有效在线估计，对电池健康状态评估具有重大意义。可选地，对三个电池进行容量估计验证，具体过程如下：
使用三个不同老化周期的电池进行充放电循环实验。采用五点窗口移动捕获方法获取电池充电过程中的IC曲线的容量峰值，其中3mV电压间隔捕获结果如图7所示。由图7可得，五点窗口移动捕获方法可以很好地捕获电池充电过程中的IC曲线的容量峰值。
如式(11)所示，采用估计容量和真实值之间的相对误差来评估本发明所提出方法的性能，式(11)如下：
其中eRE表示容量相对误差，Q*表示估计容量，Q示参考容量。真实电池容量通过充电/放电过程中高精度设备记录的数据获得。
三个电池的容量估计相对误差分别如图8所示，随着老化程度的增加，参考容量呈下降趋势。除了两个相对较大的错误估计外，估计的容量可以跟踪不同老化周期下不同电池的真实容量。
参照图9，本发明实施例提供了一种锂离子电池容量估计装置，包括：
数据获取单元，用于获取锂离子电池的充电数据；
序列获取单元，用于根据所述充电数据绘制IC曲线并获取多个不同电压间隔下所述IC曲线对应的离散序列；
峰值获取单元，用于从每个电压间隔对应的所述离散序列中多次获取连续的五个离散点，直至从所述五个离散点中获取到对应所述离散序列的容量峰值；
容量计算单元，用于将每个所述离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到所述锂离子电子的估计容量。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果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，本发明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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种锂离子电池容量估计方法，其特征在于，包括：
获取锂离子电池的充电数据；
根据所述充电数据绘制IC曲线并获取多个不同电压间隔下所述IC曲线对应的离散序列；
从每个电压间隔对应的所述离散序列中多次获取连续的五个离散点，直至从所述五个离散点中获取到对应所述离散序列的容量峰值；
将每个所述离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到所述锂离子电子的估计容量。
2.根据权利要求1所述的一种锂离子电池容量估计方法，其特征在于，所述获取锂离子电池的充电数据，包括：
获取所述锂离子电池在预设的温度环境下进行设定次数充电时产生的充电数据；所述充电数据包括充电时间、充电电流、充电电压以及充电电量；
其中，所述锂离子电池每次的充电过程包括：
以预设的充电倍率对所述锂离子电池进行恒流充电；
在所述锂离子电池的电压达到预设的截止电压之后，以所述截止电压对所述锂离子电池进行恒压充电，直至充电电流降低到预设的截止电流。
3.根据权利要求1所述的一种锂离子电池容量估计方法，其特征在于，所述获取多个不同电压间隔下所述IC曲线对应的离散序列，包括：
在多个固定时间间隔下对所述IC曲线采集所述锂离子电池对应的电压增量和电流增量；
根据多个所述固定时间间隔和对应的多个所述电流增量，计算得到多个电量增量；
获取多个范围不同的电压间隔，将处于每个所述电压间隔对应范围的所述电压增量划分到对应所述电压间隔的集合；
根据每个所述电压间隔的集合中的所述电压增量，与对应的所述电量增量计算得到每个所述电压间隔的集合的离散序列。
4.根据权利要求3所述的一种锂离子电池容量估计方法，其特征在于，所述获取多个范围不同的电压间隔，将处于每个所述电压间隔对应范围的所述电压增量划分到对应所述电压间隔的集合，包括：
获取2mV、3mV、5mV和8mV的电压间隔；
对每个所述电压增量根据多个所述电压间隔向下取整，将处于每个所述电压间隔对应范围的所述电压增量划分到对应所述电压间隔的集合。
5.根据权利要求1所述的一种锂离子电池容量估计方法，其特征在于，从所述五个离散点中获取到对应所述离散序列的容量峰值的过程包括：
将所述五个离散点中相邻离散点对应的容量峰值进行对比；
若第三个离散点对应的容量峰值高于其余四个离散点对应的容量峰值，则获取所述第三个离散点对应的容量峰值，作为所述五个离散点对应所述离散序列的容量峰值。
6.根据权利要求1所述的一种锂离子电池容量估计方法，其特征在于，所述经过预先训练的反向传播神经网络包括输入层、隐含层和输出层；
所述隐含层和所述输出层采用双曲正切S形函数作为激活函数；
双曲正切S形函数表示为：其中，u是所述隐含层的神经元的值。
7.根据权利要求6所述的一种锂离子电池容量估计方法，其特征在于，所述将每个所述离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到所述锂离子电子的估计容量，包括：
将每个所述离散序列的容量峰值转换为所述输入层所需的输入向量，并输入所述输入层；
通过所述隐含层根据所述输入向量与第一表达式计算初始容量，并向所述输出层输出；
通过所述输出层根据所述初始容量与第二表达式计算所述估计容量；
所述第一表达式为：其中，k表示所述输入层的第k个输入节点，i表示所述隐含层的第i个隐含节点，xk是第k个输入容量峰值，wk,i是连接第k个输出节点和第i个隐含节点的权重值，bi是第i个隐含节点的偏置；
所述第二表达式为：其中，wi,o表示连接第i个隐含节点和第i个输出节点的权重值，o表示输出节点的偏置。
8.一种锂离子电池容量估计装置，其特征在于，包括：
数据获取单元，用于获取锂离子电池的充电数据；
序列获取单元，用于根据所述充电数据绘制IC曲线并获取多个不同电压间隔下所述IC曲线对应的离散序列；
峰值获取单元，用于从每个电压间隔对应的所述离散序列中多次获取连续的五个离散点，直至从所述五个离散点中获取到对应所述离散序列的容量峰值；
容量计算单元，用于将每个所述离散序列的容量峰值输入经过预先训练的反向传播神经网络，得到所述锂离子电子的估计容量。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至7中任一项所述的一种锂离子电池容量估计方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的一种锂离子电池容量估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310654197.XA CN116840721A (zh) | 2023-06-02 | 2023-06-02 | 一种锂离子电池容量估计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310654197.XA CN116840721A (zh) | 2023-06-02 | 2023-06-02 | 一种锂离子电池容量估计方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116840721A true CN116840721A (zh) | 2023-10-03 |
Family
ID=88166116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310654197.XA Pending CN116840721A (zh) | 2023-06-02 | 2023-06-02 | 一种锂离子电池容量估计方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116840721A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0837512A (ja) * | 1994-07-25 | 1996-02-06 | Toshiba Corp | 音声ｉｄ受信装置 |
| US20060070256A1 (en) * | 2004-09-14 | 2006-04-06 | Itschak Weissman | Context-based denoiser that simultaneously updates probabilities for multiple contexts |
| US20110129046A1 (en) * | 2004-09-02 | 2011-06-02 | Erik Ordentlich | Discrete denoising using blended counts |
| CN108732508A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种锂离子电池容量的实时估计方法 |
| CN110555344A (zh) * | 2018-06-01 | 2019-12-10 | 北京深鉴智能科技有限公司 | 车道线识别方法、装置、电子设备、存储介质 |
| CN111595992A (zh) * | 2020-06-30 | 2020-08-28 | 浙江三青环保科技有限公司 | 一种在线气相色谱峰的快速寻峰方法 |
| CN112285573A (zh) * | 2020-10-16 | 2021-01-29 | 东风汽车集团有限公司 | 一种评价动力电池组在动态使用过程中单体一致性的方法 |
| CN114814618A (zh) * | 2022-05-31 | 2022-07-29 | 上海芯钛信息科技有限公司 | 锂离子电池剩余容量估算方法、装置、设备和存储介质 |
-
2023
- 2023-06-02 CN CN202310654197.XA patent/CN116840721A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0837512A (ja) * | 1994-07-25 | 1996-02-06 | Toshiba Corp | 音声ｉｄ受信装置 |
| US20110129046A1 (en) * | 2004-09-02 | 2011-06-02 | Erik Ordentlich | Discrete denoising using blended counts |
| US20060070256A1 (en) * | 2004-09-14 | 2006-04-06 | Itschak Weissman | Context-based denoiser that simultaneously updates probabilities for multiple contexts |
| CN108732508A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种锂离子电池容量的实时估计方法 |
| CN110555344A (zh) * | 2018-06-01 | 2019-12-10 | 北京深鉴智能科技有限公司 | 车道线识别方法、装置、电子设备、存储介质 |
| CN111595992A (zh) * | 2020-06-30 | 2020-08-28 | 浙江三青环保科技有限公司 | 一种在线气相色谱峰的快速寻峰方法 |
| CN112285573A (zh) * | 2020-10-16 | 2021-01-29 | 东风汽车集团有限公司 | 一种评价动力电池组在动态使用过程中单体一致性的方法 |
| CN114814618A (zh) * | 2022-05-31 | 2022-07-29 | 上海芯钛信息科技有限公司 | 锂离子电池剩余容量估算方法、装置、设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| XIANLI GUO ET AL.: "Robustness enhanced capacity estimation method for lithium-ion batteries based on multi-voltage-interval incremental capacity peaks", FRONTIERS IN ENERGY RESEARCH, vol. 11, 6 June 2023 (2023-06-06), pages 1207194 * |
| XU Z ET AL.: "Estimation and prediction of state of health of electric vehicle batteries using discrete incremental capacity analysis based on real driving data", ENERGY, vol. 225, pages 1 - 14 * |
| 姜力茹 等: "基于 FPGA + DSP 的 TACAN 信号检测仪设计", 电光与控制, vol. 23, no. 10, pages 66 - 70 * |
| 曾定坤 等: "塔康脉冲峰值滑动窗检测与方位包络拟合方法", 重庆邮电大学学报, vol. 27, no. 5, pages 608 - 625 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11637331B2 (en) | Neural-network state-of-charge and state of health estimation | |
| Ling et al. | State-of-charge and state-of-health estimation for lithium-ion batteries based on dual fractional-order extended Kalman filter and online parameter identification | |
| CN108805217B (zh) | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 | |
| Guo et al. | A compact and optimized neural network approach for battery state-of-charge estimation of energy storage system | |
| Xu et al. | Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique | |
| Kim et al. | Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data | |
| JP5944291B2 (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
| CN113917337A (zh) | 基于充电数据和lstm神经网络的电池健康状态估计方法 | |
| Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
| CN112016237B (zh) | 锂电池寿命预测的深度学习方法、装置及系统 | |
| CN114636932A (zh) | 一种电池剩余使用寿命预测方法及系统 | |
| Mian Qaisar | A proficient Li-ion battery state of charge estimation based on event-driven processing | |
| CN111098755A (zh) | 一种电动汽车动力电池soc估计方法 | |
| CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN116298934B (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
| Chen et al. | A novel fusion model based online state of power estimation method for lithium-ion capacitor | |
| CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
| Sandoval-Chileño et al. | Robust State of Charge estimation for Li-ion batteries based on Extended State Observers | |
| Park et al. | Capacity estimation of Li-ion batteries using constant current charging voltage with multilayer perceptron | |
| Venugopal et al. | Analysis of optimal machine learning approach for battery life estimation of Li-ion cell | |
| Hasan et al. | Performance comparison of machine learning methods with distinct features to estimate battery SOC | |
| 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 | |
| CN114818831A (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| He et al. | A threshold extend kalman filter algorithm for state of charge estimation of lithium-ion batteries in electric vehicles | |
| Youssef et al. | Design and simulation of an accurate neural network state-of-charge estimator for lithium ion battery pack |
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 |