CN116973794A - 一种基于不完整充电电压曲线重构的锂电池soh估计方法 - Google Patents

Abstract

本发明公开一种基于不完整充电电压曲线重构的锂电池SOH估计方法，所述方法包括：通过实验获取锂电池实验数据集；数据预处理；训练并获得不完整充电电压曲线重构模型，包括搭建双向NBEATSx模型和对此模型训练及测试；训练并获得锂电池SOH估计模型，包括搭建集成稀疏高斯过程回归模型和对此模型训练及测试；在线估计锂电池SOH。与现有技术相比，本发明可利用随机不完整充电过程的电压数据、温度数据及恒流充电电流值重构出完整充电电压曲线，并从中提取健康特征完成锂电池SOH估计；此外，电压曲线重构可以减小电压传感器噪声对SOH估计精度的影响。

Description

一种基于不完整充电电压曲线重构的锂电池SOH估计方法

技术领域

本发明涉及锂电池技术领域，尤其涉及一种基于不完整充电电压曲线重构的锂电池SOH估计方法。

背景技术

锂电池储能在新型储能系统中所占比例在80％以上。然而锂电池会随着长期充放电而老化，从而使得锂电池极易出现故障，这在储能系统中具有严重安全风险，因此准确估计锂电池健康状态(SOH)具有重大意义。近年来，研究人员提出了众多方法进行SOH估计，主要有：基于模型的方法和数据驱动法，随着机器学习和人工智能快速发展，基于数据驱动的SOH估计方法成为研究热点。目前提出了多种基于数据驱动估计锂电池SOH的方式，包括利用完整充放电过程电压电流数据和不完整充放电过程充电电压电流数据的SOH估计方法。其中，利用不完整充放电数据估计锂电池SOH更加适应于实际需求。现有基于不完整充电过程数据的SOH估计方法，一般采用固定电压或SOC区间的充电过程数据。然而，在实际工况下，由于锂电池充电起始点和结束点存在随机性，无法保证每次充电过程都覆盖指定的电压或SOC区间，导致现有方法的应用存在局限性。此外，现有技术一般采用单个循环的不完整充电数据来估计SOH，导致估计精度容易受到传感器噪声影响。

发明内容

鉴于上述现有技术的不足之处，本发明提出了一种基于不完整充电电压曲线重构的锂电池SOH估计方法，旨在提高SOH估计方法的场景适应性和估计精度。

本发明技术方案如下：

S1：通过实验获取锂电池实验数据集，即将K个同型号锂电池按照恒流-恒压模式充电、随机电流放电方式进行循环充放电实验，直至锂电池SOH衰减至70％，在循环充放电过程中采集并记录锂电池充电过程的完整电压数据序列V、完整温度数据序列T、恒流充电电流值I和不同循环下锂电池SOH值，形成数据集A；

S2：数据预处理，即对步骤S1所述的数据集A中数据进行清洗，去除异常值，得到新数据集A^new；

S3：训练并获得不完整充电电压曲线重构模型，即首先搭建双向NBEATSx模型，接着利用步骤S2所得数据集A^new中的充电过程数据训练并测试双向NBEATSx模型，若测试结果满足要求，则保存模型，否则更改模型的超参数，重新训练和测试，直至满足要求；

S4：训练并获得锂电池SOH估计模型，即对步骤S3所得重构后的完整电压曲线数据进行特征提取，然后输入到具有不同内核的集成稀疏高斯过程回归模型，对模型进行训练，最后保存训练好的集成稀疏高斯过程回归模型；

S5：在线估计锂电池SOH，即从实际的不完整充电过程中采集电压、温度、电流数据，采用步骤S2所述的方法对数据进行预处理，得到相邻N个循环的充电过程的片段电压数据序列{V^part-1，V^part-2，L，V^part-N}、片段温度数据序列{T^part-1，T^part-2，L，T^part-N}和恒流充电电流{I¹,I²,L,I^N}，接着采用步骤S3所述的双向NBEATSx模型对不完整充电过程的电压曲线进行重构，从而获得N条完整充电电压曲线，然后对所述N条完整充电电压曲线按时间点求平均值，并从中提取健康特征，最后使用步骤S4所述的集成稀疏高斯过程回归模型对锂电池SOH进行估计。

本方案中，步骤S3所述的训练并获得不完整充电电压曲线重构模型，具体步骤如下：

S301：数据集重构及归一化，即将步骤S2所述的数据集A^new按时间顺序排序形成正序数据集A^p，将数据集A^new按时间倒序排序形成倒序数据集A^r，并将A^p和A^r数据集进行归一化；

S302:数据集划分，即将步骤S301所述正序数据集A^p划分为正序训练集A^p-train和正序测试集A^p-test，将步骤S301所述倒序数据集A^r划分为倒序训练集A^r-train和倒序测试集A^{r -test}；

S303：构建双向NBEATSx模型，即构建一个按时间正向重构电压曲线的正向NBEATSx模型和一个按时间反向重构电压曲线的反向NBEATSx模型，所述正向NBEATSx模型和反向NBEATSx模型中的损失函数均采用TILDE-Q损失函数，其包括了衡量幅移不变性、相移不变性和自相关不变性的三种损失函数，具体如下式：

L(V,V^rf)＝αL_a.shift(V,V^rf)+(1-α)L_phase(V,V^rf)+γL_amp(V,V^rf) (1)

其中，L(·,·)为TILDE-Q损失函数，L_a.shift(·,·)为衡量幅移不变性的损失函数，L_phase(·,·)为衡量相移不变性的损失函数，L_amp(·,·)为衡量自相关不变性的损失函数，α∈[0,1]和γ为权重超参数，V为电压真实值，V^rf为重构值；

所述衡量幅移不变性的损失函数L_a.shift(·,·)为：

其中，H为序列长度，Softmax(·)为Softmax函数，d(·,·)为距离函数；

所述衡量相移不变性的损失函数L_phase(·,·)为：

其中，||·||_p表示Lp范数，F(·)为傅里叶变换函数；

所述衡量自相关不变性的损失函数L_amp(·,·)为：

L_amp(V,V^rf)＝||R(V,V)-R(V,V^rf)||_p (4)

其中，R(·,·)为归一化互相关函数；

S304：模型训练与参数调节，即使用步骤S302所述正序训练集A^p-train训练步骤S303所述正向NBEATSx模型，使用步骤S302所述倒序训练集A^r-train训练步骤S303所述反向NBEATSx模型，使用网格搜索算法和交叉验证方法结合的方式优化两个NBEATSx模型的网络参数；

S305：模型测试，即使用步骤S302所述正序测试集A^p-test测试正向NBEATSx模型，使用步骤S302所述倒序测试集A^r-test测试反向NBEATSx模型，检验模型的重构精度，若不满足要求则重新进行步骤S303至步骤S305，直至得到的模型满足精度要求，保存该模型并将其作为不完整充电电压曲线重构模型。

本方案中，步骤S4所述的训练并获得锂电池SOH估计模型，具体步骤如下：

S401：从步骤S2所述的新数据集A^new中提取完整充电电压曲线数据及对应的锂电池SOH标签数据，然后根据电压曲线数据绘制IC曲线，从IC曲线中提取特征ICA^f；

S402：将步骤S401所述的特征ICA^f与SOH标签数据进行组合，得到样本D＝{ICA^f,SOH}，将全体样本的集合划分为训练集D^train和测试集D^test；

S403：构建两个稀疏高斯过程回归算法模型，内核分别采用RBF内核和Matern内核；

S404：训练和测试基于RBF内核的稀疏高斯过程回归算法模型，即使用步骤S402所述训练集D^train和测试集D^test分别训练和测试基于RBF内核的稀疏高斯过程回归算法模型，修改模型参数直至SOH估计精度满足要求，接着保存该模型及参数，并保存基于RBF内核的稀疏高斯过程回归算法模型在测试阶段输出的SOH估计值数据SOH^SGPR1；

S405：训练和测试基于Matern内核的稀疏高斯过程回归算法模型，即使用步骤S402所述训练集D^train和测试集D^test分别训练和测试基于Matern内核的稀疏高斯过程回归算法模型，修改模型参数直至SOH估计精度满足要求，接着保存该模型及参数，并保存基于Matern内核的稀疏高斯过程回归算法模型在测试阶段输出的SOH估计值数据SOH^SGPR2；

S406：构建集成稀疏高斯过程回归模型，即将步骤S404所述基于RBF内核的稀疏高斯过程回归算法模型和步骤S405所述基于Matern内核的稀疏高斯过程回归算法模型通过神经网络进行集成，将步骤S404所述SOH估计值数据SOH^SGPR1和步骤S405所述SOH估计值数据SOH^SGPR2输入神经网络，使用网格搜索算法和交叉验证方法结合的方式优化神经网络参数；

S407：保存步骤S406所获得的集成稀疏高斯过程回归模型。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过对不完整充电电压曲线进行重构的方式估计锂电池SOH，可以根据随机电压或SOC区间的充电过程数据重构出完整的充电电压曲线，并从中提取健康特征完成锂电池SOH估计，因此可以不受充电起始点和结束点随机性的影响，具有更强的实用性；通过搭建使用TILDE-Q损失函数的双向NBEATSx模型，提高充电电压曲线重构的精度，并且减小传感器噪声对重构精度的影响；通过对多个相邻循环重构后的完整电压曲线求平均值的方式进行融合，也减小了传感器噪声影响；通过集成稀疏高斯过程回归模型减小计算量，并增强模型表征锂电池健康特征与SOH之间非线性关系的能力，提高锂电池SOH估计精度。

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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明提出的一种基于不完整充电电压曲线重构的锂电池SOH估计方法流程图；

图2为本发明提出的根据不完整电压曲线重构完整电压曲线的效果图；

图3为本发明使用的单个NBEATSx模型结构图；

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

在一个具体的实施例中，如图1所示，一种基于不完整充电电压曲线重构的锂电池SOH估计方法，包括以下步骤：

S1：通过实验获取锂电池实验数据集，即将K个同型号锂电池按照恒流-恒压模式充电、随机电流放电方式进行循环充放电实验，直至锂电池SOH衰减至70％，在循环充放电过程中采集并记录锂电池充电过程的完整电压数据序列V、完整温度数据序列T、恒流充电电流值I和不同循环下锂电池SOH值，形成数据集A；

S2：数据预处理，即对步骤S1所述的数据集A中数据进行清洗，去除异常值，得到新数据集A^new；

S3：训练并获得不完整充电电压曲线重构模型，即首先搭建双向NBEATSx模型，接着利用步骤S2所得数据集A^new中的充电过程数据训练并测试双向NBEATSx模型，若测试结果满足要求，则保存模型，否则更改模型的超参数，重新训练和测试，直至满足要求；

S4：训练并获得锂电池SOH估计模型，即对步骤S3所得重构后的完整电压曲线数据进行特征提取，然后输入到具有不同内核的集成稀疏高斯过程回归模型，对模型进行训练，最后保存训练好的集成稀疏高斯过程回归模型；

S5：在线估计锂电池SOH，即从实际的不完整充电过程中采集电压、温度、电流数据，采用步骤S2所述的方法对数据进行预处理，得到相邻N个循环的充电过程的片段电压数据序列{V^part-1，V^part-2，L，V^part-N}、片段温度数据序列{T^part-1，T^part-2，L，T^part-N}和恒流充电电流{I¹,I²,L,I^N}，接着采用步骤S3所述的双向NBEATSx模型对不完整充电过程的电压曲线进行重构，从而获得N条完整充电电压曲线，然后对所述N条完整充电电压曲线按时间点求平均值，并从中提取健康特征，最后使用步骤S4所述的集成稀疏高斯过程回归模型对锂电池SOH进行估计。

步骤S3所述的训练并获得不完整充电电压曲线重构模型，具体步骤如下：

S301：数据集重构及归一化，即将步骤S2所述的数据集A^new按时间顺序排序形成正序数据集A^p，将数据集A^new按时间倒序排序形成倒序数据集A^r，并将A^p和A^r数据集进行归一化；

S302:数据集划分，即将步骤S301所述正序数据集A^p划分为正序训练集A^p-train和正序测试集A^p-test，将步骤S301所述倒序数据集A^r划分为倒序训练集A^r-train和倒序测试集A^{r -test}；

S303：构建双向NBEATSx模型，即构建一个按时间正向重构电压曲线的正向NBEATSx模型和一个按时间反向重构电压曲线的反向NBEATSx模型，所述正向NBEATSx模型和反向NBEATSx模型中的损失函数均采用TILDE-Q损失函数，其包括了衡量幅移不变性、相移不变性和自相关不变性的三种损失函数，具体如下式：

L(V,V^rf)＝αL_a.shift(V,V^rf)+(1-α)L_phase(V,V^rf)+γL_amp(V,V^rf) (1)

其中，L(·,·)为TILDE-Q损失函数，L_a.shift(·,·)为衡量幅移不变性的损失函数，L_phase(·,·)为衡量相移不变性的损失函数，L_amp(·,·)为衡量自相关不变性的损失函数，α∈[0,1]和γ为权重超参数，V为电压真实值，V^rf为重构值；

所述衡量幅移不变性的损失函数L_a.shift(·,·)为：

其中，H为序列长度，Softmax(·)为Softmax函数，d(·,·)为距离函数；

所述衡量相移不变性的损失函数L_phase(·,·)为：

其中，||·||_p表示Lp范数，F(·)为傅里叶变换函数；

所述衡量自相关不变性的损失函数L_amp(·,·)为：

L_amp(V,V^rf)＝||R(V,V)-R(V,V^rf)||_p (4)

其中，R(·,·)为归一化互相关函数；

S304：模型训练与参数调节，即使用步骤S302所述正序训练集A^p-train训练步骤S303所述正向NBEATSx模型，使用步骤S302所述倒序训练集A^r-train训练步骤S303所述反向NBEATSx模型，使用网格搜索算法和交叉验证方法结合的方式优化两个NBEATSx模型的网络参数；

S305：模型测试，即使用步骤S302所述正序测试集A^p-test测试正向NBEATSx模型，使用步骤S302所述倒序测试集A^r-test测试反向NBEATSx模型，检验模型的重构精度，若不满足要求则重新进行步骤S303至步骤S305，直至得到的模型满足精度要求，保存该模型并将其作为不完整充电电压曲线重构模型。

步骤S4所述的训练并获得锂电池SOH估计模型，具体步骤如下：

S401：从步骤S2所述的新数据集A^new中提取完整充电电压曲线数据及对应的锂电池SOH标签数据，然后根据电压曲线数据绘制IC曲线，从IC曲线中提取特征ICA^f；

S402：将步骤S401所述的特征ICA^f与SOH标签数据进行组合，得到样本D＝{ICA^f,SOH}，将全体样本的集合划分为训练集D^train和测试集D^test；

S403：构建两个稀疏高斯过程回归算法模型，内核分别采用RBF内核和Matern内核；

S404：训练和测试基于RBF内核的稀疏高斯过程回归算法模型，即使用步骤S402所述训练集D^train和测试集D^test分别训练和测试基于RBF内核的稀疏高斯过程回归算法模型，修改模型参数直至SOH估计精度满足要求，接着保存该模型及参数，并保存基于RBF内核的稀疏高斯过程回归算法模型在测试阶段输出的SOH估计值数据SOH^SGPR1；

S405：训练和测试基于Matern内核的稀疏高斯过程回归算法模型，即使用步骤S402所述训练集D^train和测试集D^test分别训练和测试基于Matern内核的稀疏高斯过程回归算法模型，修改模型参数直至SOH估计精度满足要求，接着保存该模型及参数，并保存基于Matern内核的稀疏高斯过程回归算法模型在测试阶段输出的SOH估计值数据SOH^SGPR2；

S406：构建集成稀疏高斯过程回归模型，即将步骤S404所述基于RBF内核的稀疏高斯过程回归算法模型和步骤S405所述基于Matern内核的稀疏高斯过程回归算法模型通过神经网络进行集成，将步骤S404所述SOH估计值数据SOH^SGPR1和步骤S405所述SOH估计值数据SOH^SGPR2输入神经网络，使用网格搜索算法和交叉验证方法结合的方式优化神经网络参数；

S407：保存步骤S406所获得的集成稀疏高斯过程回归模型。

Claims (3)

1.一种基于不完整充电电压曲线重构的锂电池SOH估计方法，其特征在于，具体步骤如下：

S1：通过实验获取锂电池实验数据集，即将K个同型号锂电池按照恒流-恒压模式充电、随机电流放电方式进行循环充放电实验，直至锂电池SOH衰减至70％，在循环充放电过程中采集并记录锂电池充电过程的完整电压数据序列V、完整温度数据序列T、恒流充电电流值I和不同循环下锂电池SOH值，形成数据集A；

S2：数据预处理，即对步骤S1所述的数据集A中数据进行清洗，去除异常值，得到新数据集A^new；

S3：训练并获得不完整充电电压曲线重构模型，即首先搭建双向NBEATSx模型，接着利用步骤S2所得数据集A^new中的充电过程数据训练并测试双向NBEATSx模型，若测试结果满足要求，则保存模型，否则更改模型的超参数，重新训练和测试，直至满足要求；

S4：训练并获得锂电池SOH估计模型，即对步骤S3所得重构后的完整电压曲线数据进行特征提取，然后输入到具有不同内核的集成稀疏高斯过程回归模型，对模型进行训练，最后保存训练好的集成稀疏高斯过程回归模型；

S5：在线估计锂电池SOH，即从实际的不完整充电过程中采集电压、温度、电流数据，采用步骤S2所述的方法对数据进行预处理，得到相邻N个循环的充电过程的片段电压数据序列{V^part-1，V^part-2，L，V^part-N}、片段温度数据序列{T^part-1，T^part-2，L，T^part-N}和恒流充电电流{I¹,I²,L,I^N}，接着采用步骤S3所述的双向NBEATSx模型对不完整充电过程的电压曲线进行重构，从而获得N条完整充电电压曲线，然后对所述N条完整充电电压曲线按时间点求平均值，并从中提取健康特征，最后使用步骤S4所述的集成稀疏高斯过程回归模型对锂电池SOH进行估计。

2.根据权利要求1所述的一种基于不完整充电电压曲线重构的锂电池SOH估计方法，其特征在于，步骤S3所述的训练并获得不完整充电电压曲线重构模型，具体步骤如下：

S301：数据集重构及归一化，即将步骤S2所述的数据集A^new按时间顺序排序形成正序数据集A^p，将数据集A^new按时间倒序排序形成倒序数据集A^r，并将A^p和A^r数据集进行归一化；

S302:数据集划分，即将步骤S301所述正序数据集Ap划分为正序训练集A^p-train和正序测试集A^p-test，将步骤S301所述倒序数据集A^r划分为倒序训练集A^r-train和倒序测试集A^r-test；

S303：构建双向NBEATSx模型，即构建一个按时间正向重构电压曲线的正向NBEATSx模型和一个按时间反向重构电压曲线的反向NBEATSx模型，所述正向NBEATSx模型和反向NBEATSx模型中的损失函数均采用TILDE-Q损失函数，其包括了衡量幅移不变性、相移不变性和自相关不变性的三种损失函数，具体如下式：

L(V,V^rf)＝αL_a.shift(V,V^rf)+(1-α)L_phase(V,V^rf)+γL_amp(V,V^rf) (1)

其中，L(·,·)为TILDE-Q损失函数，L_a.shift(·,·)为衡量幅移不变性的损失函数，L_phase(·,·)为衡量相移不变性的损失函数，L_amp(·,·)为衡量自相关不变性的损失函数，α∈[0,1]和γ为权重超参数，V为电压真实值，V^rf为重构值；

所述衡量幅移不变性的损失函数L_a.shift(·,·)为：

其中，H为序列长度，Softmax(·)为Softmax函数，d(·,·)为距离函数；

所述衡量相移不变性的损失函数L_phase(·,·)为：

其中，||·||_p表示Lp范数，F(·)为傅里叶变换函数；

所述衡量自相关不变性的损失函数L_amp(·,·)为：

L_amp(V,V^rf)＝||R(V,V)-R(V,V^rf)||_p (4)

其中，R(·,·)为归一化互相关函数；

S304：模型训练与参数调节，即使用步骤S302所述正序训练集A^p-train训练步骤S303所述正向NBEATSx模型，使用步骤S302所述倒序训练集A^r-train训练步骤S303所述反向NBEATSx模型，使用网格搜索算法和交叉验证方法结合的方式优化两个NBEATSx模型的网络参数；

S305：模型测试，即使用步骤S302所述正序测试集A^p-test测试正向NBEATSx模型，使用步骤S302所述倒序测试集A^r-test测试反向NBEATSx模型，检验模型的重构精度，若不满足要求则重新进行步骤S303至步骤S305，直至得到的模型满足精度要求，保存该模型并将其作为不完整充电电压曲线重构模型。

3.根据权利要求1所述的一种基于不完整充电电压曲线重构的锂电池SOH估计方法，其特征在于，步骤S4所述的训练并获得锂电池SOH估计模型，具体步骤如下：

S401：从步骤S2所述的新数据集A^new中提取完整充电电压曲线数据及对应的锂电池SOH标签数据，然后根据电压曲线数据绘制IC曲线，从IC曲线中提取特征ICA^f；

S402：将步骤S401所述的特征ICA^f与SOH标签数据进行组合，得到样本D＝{ICA^f,SOH}，将全体样本的集合划分为训练集D^train和测试集D^test；

S403：构建两个稀疏高斯过程回归算法模型，内核分别采用RBF内核和Matern内核；

S404：训练和测试基于RBF内核的稀疏高斯过程回归算法模型，即使用步骤S402所述训练集D^train和测试集D^test分别训练和测试基于RBF内核的稀疏高斯过程回归算法模型，修改模型参数直至SOH估计精度满足要求，接着保存该模型及参数，并保存基于RBF内核的稀疏高斯过程回归算法模型在测试阶段输出的SOH估计值数据SOH^SGPR1；

S405：训练和测试基于Matern内核的稀疏高斯过程回归算法模型，即使用步骤S402所述训练集D^train和测试集D^test分别训练和测试基于Matern内核的稀疏高斯过程回归算法模型，修改模型参数直至SOH估计精度满足要求，接着保存该模型及参数，并保存基于Matern内核的稀疏高斯过程回归算法模型在测试阶段输出的SOH估计值数据SOH^SGPR2；

S406：构建集成稀疏高斯过程回归模型，即将步骤S404所述基于RBF内核的稀疏高斯过程回归算法模型和步骤S405所述基于Matern内核的稀疏高斯过程回归算法模型通过神经网络进行集成，将步骤S404所述SOH估计值数据SOH^SGPR1和步骤S405所述SOH估计值数据SOH^SGPR2输入神经网络，使用网格搜索算法和交叉验证方法结合的方式优化神经网络参数；

S407：保存步骤S406所获得的集成稀疏高斯过程回归模型。