CN117113807B - 一种基于elm与rls的锂电池soh在线预测模型的建模方法 - Google Patents
一种基于elm与rls的锂电池soh在线预测模型的建模方法 Download PDFInfo
- Publication number
- CN117113807B CN117113807B CN202310880827.5A CN202310880827A CN117113807B CN 117113807 B CN117113807 B CN 117113807B CN 202310880827 A CN202310880827 A CN 202310880827A CN 117113807 B CN117113807 B CN 117113807B
- Authority
- CN
- China
- Prior art keywords
- battery
- formula
- ocv
- soc
- soh
- 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.)
- Active
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000010287 polarization Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 101000872083 Danio rerio Delta-like protein C Proteins 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 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 claims description 3
- 230000034964 establishment of cell polarity Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3323—Design verification, e.g. functional simulation or model checking using formal methods, e.g. equivalence checking or property checking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明提供了一种基于ELM与RLS的锂电池SOH在线预测模型的建模方法,具体包括如下步骤:步骤一、建立锂电池的等效电路模型;步骤二、建立电池开路电压的UOCV预测模型,UOCV预测模型能够预测锂电池t时刻的UOCV;步骤三、基于RLS并且根据步骤二中UOCV预测模型预测的锂电池t时刻的UOCV(t)在线评估R0(t)、R1(t)、C1(t),R0(t)、R1(t)、C1(t)分别为t时刻的电池内阻、电池极化电阻以及电池极化电容;步骤四、建立基于ELM的SOH预测模型,并根据步骤二得到的R0(t)、R1(t)、C1(t)对建立的SOH预测模型进行训练。
Description
技术领域
本发明涉及锂电池领域,尤其涉及一种基于ELM与RLS的锂电池SOH在线预测模型的建模方法。
背景技术
锂电池由于其能量密度高、可循环利用等优点,已在电动汽车和中小型无人飞行器等领域上得到了广泛的应用。然而,随着锂电池使用时间的增加,性能衰减不可避免。当锂电池的老化时,容易出现本体的膨胀、变形,甚至引发燃烧爆炸事故等安全问题。建立准确的锂电池健康状态(SOH)预测模型有助于提高电池的高效管理,实时监控电池使用状况,以此延长电池的使用寿命,减少事故发生的概率。
目前关于锂电池SOH的预测方法可以划分为三类:(1)直接测量方法;(2)数据驱动方法;(3)基于模型的方法。
1)直接测量方法,主要使用原始测量数据来估计电池SOH,尽管直接测量方法能够获得准确预测出电池SOH,然而该类方法是一类静态方法,测量时需要卸下电池,采用相关设备单独测量,因此只适用于实验室条件下进行,无法直接运用于实际当中。
2)数据驱动方法,该类方法通过使用与SOH相关的变量数据建立电池SOH模型,能够克服电池的物理规律难以建立的问题,虽然这些方法可以提供良好的估计精度,但它们需要大量的训练数据和高计算负荷。
3)基于模型的方法,该类方法主要用于重现电池的动态行为,通过建立一个电池等效电路模型,将测量到的电池信号(电压、电流、温度等)与电池SOH联系起来。与基于纯数据模型的方法相比,基于模型的方法需要的数据量较少,且能够仿真出电路实际老化过程中参数变量的变化。然而目前此类方法缺乏考虑温度对等效电路的影响,造成建立的电池SOH模型仅在较宽窄的温度范围内有效。此外,此类方法大多采用较为复杂的算法进行建模,导致运行时间慢,无法满足实时应用需求。
发明内容
本发明的主要目的在于提供一种基于ELM与RLS的锂电池SOH在线预测模型的建模方法,以解决上述方法中的不足。
为达到以上目的,本发明采用的技术方案为:一种基于ELM与RLS的锂电池SOH在线预测模型的建模方法,其特征在于,
具体包括如下步骤:
步骤一、建立锂电池的等效电路模型,等效电路模型表示如下:
其中U1为RC电路电压,I为电流,C1为电池极化电容,R1为电池极化电阻,Ut为电池端电压,UOCV为电池开路电压,R0为电池内阻;
步骤二、建立电池开路电压的UOCV预测模型,UOCV预测模型能够预测锂电池t时刻的UOCV;
步骤三、基于RLS并且根据步骤二中UOCV预测模型预测的锂电池t时刻的UOCV(t)在线评估R0(t)、R1(t)、C1(t),R0(t)、R1(t)、C1(t)分别为t时刻的电池内阻、电池极化电阻以及电池极化电容;
步骤四、建立基于ELM的SOH预测模型,并根据步骤二得到的R0(t)、R1(t)、C1(t)对建立的SOH预测模型进行训练。
优选地,所述步骤二具体包括如下步骤:
步骤21、采用拉普拉斯变化,将公式(1)转化为:
其中S为拉普拉斯变量;
步骤22、将公式(2)表示成转换函数G(s):
步骤23、根据双线性变换法,使用公式(4)的转换函数,将转换函数的S域转换为Z域,得到公式(5):
其中,Δt为数据采样间隔;
步骤24、进行以下定义:
步骤25、将公式(5)从Z域反变换为时间域t,则公式(5)可简化为:
Ut(t)-UOCV(t)=a1(Ut(t-1)-UOCV(t-1))+a2I(t)+a3I(t-1);(7)
步骤26、采用超限学习机(ELM)建立UOCV(t)预测模型:
步骤261、建立训练矩阵X:
步骤262、根据ELM理论,将具有L个隐含层的UOCV(t)预测模型表示为:
G(ω·X+b)β=Hβ=UOCV, (9)
其中ω=[ω1,…,ωL]为在[0,1]区间中随机生成的输入权值,b=[b1,…,bL]为在[0,1]区间中随机生成的输入偏置,β=[β1,…,βL]为输出权值,G(·)为激活函数,H为G(ω·X+b)的矩阵形式,UOCV=[UOCV(1),…,UOCV(P·K)]为ELM输出;
步骤263、在公式(9)中,只有输出权值β为未知数,根据Moore–Penrose广义逆定理,β可由下式求得:
其中I为单位矩阵,Cb为正则化参数;
步骤264、将传感器检测的荷电状态SOC(t)、温度T(t)以及充放电循环次数N代入到公式(10)中,得到β,再将求得的β代入公式(9)中,即得到了UOCV(t)。
优选地,所述步骤三具体包括如下步骤:
步骤31、由式(7)可知,a1、a2、a3为锂电池一阶Thevenin等效电路需要辨识的参数,设Q(t)=Ut(t)-UOCV(t),则公式(7)可重写为:
Q(t)=a1(Q(t-1))+a2I(t)+a3I(t-1), (11)
步骤32、在t时刻,递归最小二乘法(RLS)的参数识别公式如下:
其中e(t)为Q(t)的预测误差;M(t)=[Q(t-1),I(t),I(t-1)]为算法输入;D(t)为算法增益;θ(t)=[a1,a2,a3]为需要辨识的参数;B(t)为时刻t的协方差矩阵;λ为遗忘因子,一般在区间[0.95,1]内取值;
步骤33、RLS算法初始化θ(1)及B(1),然后在每一个时刻t=2,..,PK,通过传感器和UOCV(t)预测模型采集输入数据M(t)=[Q(t-1),I(t),I(t-1)],最后通过式(12)不断更新θ(t);
步骤34、将公式(6)转换如下形式:
步骤35、在得到θ(t)后,也就得到了a1、a2、a3,将a1、a2、a3代入到公式(13)中,即可获取R0(t)、R1(t)、C1(t)。
步骤四具体包括如下步骤:
步骤41、设循环时间为P,根据RLS模型,一次循环的电池内阻均值R0,mean及极化电阻均值R1,mean为:
其中,R0(SOC=20%)为R0在SOC=20%时刻的值,R0(SOC=100%)为R0在SOC=20%时刻的值,R1(SOC=20%)为R1在SOC=20%时刻的值,R1(SOC=100%)为R1在SOC=100%时刻的值,R0(SOC=20%)、R0(SOC=100%)、R1(SOC=20%)、R1(SOC=100%)可以通过步骤25输出的值获取;
步骤42、设锂电池总容量为C,那么第i次循环中,总容量损失ΔCi,电池内阻均值损失及极化电阻均值损失/>表示为:
其中,为第i次循环的电池内阻均值,/>为第i-1次循环的电池内阻均值,为第i次循环的电池极化电阻均值,/>为第i-1次循环的电池极化电阻均值,Ci为第i次循环的电池总容量,Ci-1为第i-1次循环的电池总容量;
步骤43、根据ELM理论,具有LC个隐含层节点的ΔC预测模型可表示为:
G(ωc·Y+bc)βc=Hcβc=ΔC, (16)
其中其中和/>均为在[0,1]区间中随机生成的输入权值和输入偏置,/>为输出权值,G(·)为激活函数,Hc为G(ωc·Y+bc)的矩阵形式,/>为输入变量的训练矩阵,K为电池循环次数,ΔC=[ΔC1,…,ΔCK],为输出矩阵;
步骤44,根据公式(16)以及Moore–Penrose广义逆定理,βc可由下式求得:
步骤45、将预先采集的训练的数据代入到公式(17)中,即可计算出βc,将βc代入到公式16中,即可实现对ΔCi的预测;
步骤36、基于锂电池SOH的定义及ΔCi的预测值,设当锂电池总容量达到初始容量C0的20%时,SOH达到100%,那么第i次循环的SOH使用下式计算:
其中SOHi为第i次循环的SOH,ΔCj由公式(16)计算得到。在建模完成后进行实际预测时,先通过公式(16)对ΔCj进行计算,然后再代入到公式(18)中得到对应的SOHi。
本发明还提供一种基于ELM与RLS的锂电池SOH在线预测
与现有技术相比,本发明具有以下有益效果:
1)在基于ELM的的预测模型中将温度作为输入变量之一,使得预测更为准确。同时,由于又作为RLS算法的输入,使得锂电池一阶Thevenin等效电路的参数能够在较大温度范围获得较准确的辨识结果。
2)传统SOH预测方法大多仅使用锂电池内阻实现SOH的评估,忽略极化电阻对电池寿命的作用。本专利基于ELM模型,建立了以电池内阻均值损失及极化电阻均值损失为输入,预测总容量损失为输出的预测模型,预测精度更高。
3)ELM及RLS方法以计算速度快,泛化能力强著称,因此与现有SOH方法相比,本专利提出的方法具有较高的运算速度,能够满足实时应用需求。
附图说明
图1是根据本发明的一个优选实施例的流程图;
图2是本发明的锂电池的等效电路图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
一种基于ELM与RLS的锂电池SOH在线预测模型的建模方法,
具体包括如下步骤:
步骤一、建立锂电池的等效电路模型,本发明中将锂电池的等效模型设定为一阶Thevenin等效电路,根据基尔霍夫定律,等效电路模型表示如下:
其中U1为RC电路电压,I为电流,C1为电池极化电容,R1为电池极化电阻,Ut为电池端电压,UOCV为电池开路电压,R0为电池内阻;
步骤二、建立电池开路电压的UOCV预测模型,UOCV预测模型能够预测锂电池t时刻的UOCV;
步骤三、基于RLS并且根据步骤二中UOCV预测模型预测的锂电池t时刻的UOCV(t)在线评估R0(t)、R1(t)、C1(t),R0(t)、R1(t)、C1(t)分别为t时刻的电池内阻、电池极化电阻以及电池极化电容;
步骤四、建立基于ELM的SOH预测模型,并根据步骤二得到的R0(t)、R1(t)、C1(t)对建立的SOH预测模型进行训练。
所述步骤二具体包括如下步骤:
步骤21、采用拉普拉斯变化,将公式(1)转化为:
其中S为拉普拉斯变量;
步骤22、将公式(2)表示成转换函数G(s):
步骤23、根据双线性变换法,使用公式(4)的转换函数,将转换函数的S域转换为Z域,得到公式(5):
其中,Δt为数据采样间隔;
步骤24、进行以下定义:
步骤25、将公式(5)从Z域反变换为时间域t,则公式(5)可简化为:
Ut(t)-UOCV(t)=a1(Ut(t-1)-UOCV(t-1))+a2I(t)+a3I(t-1);(7)
步骤26、采用超限学习机(ELM)建立UOCV(t)预测模型:
步骤261、建立训练矩阵X:
步骤262、根据ELM理论,将具有L个隐含层的UOCV(t)预测模型表示为:
G(ω·X+b)β=Hβ=UOCV, (9)
其中ω=[ω1,…,ωL]为在[0,1]区间中随机生成的输入权值,b=[b1,…,bL]为在[0,1]区间中随机生成的输入偏置,β=[β1,…,βL]为输出权值,G(·)为激活函数,H为G(ω·X+b)的矩阵形式,UOCV=[UOCV(1),…,UOCV(P·K)]为ELM输出;
步骤263、在公式(9)中,只有输出权值β为未知数,根据Moore–Penrose广义逆定理,β可由下式求得:
其中I为单位矩阵,Cb为正则化参数;
步骤264、将传感器检测的荷电状态SOC(t)、温度T(t)、UOCV以及充放电循环次数N代入到公式(10)中,得到β,再将求得的β代入公式(9)中,即得到了UOCV(t)。
所述步骤三具体包括如下步骤:
步骤31、由式(7)可知,a1、a2、a3为锂电池一阶Thevenin等效电路需要辨识的参数,设Q(t)=Ut(t)-UOCV(t),则公式(7)可重写为:
Q(t)=a1(Q(t-1))+a2I(t)+a3I(t-1), (11)
步骤32、在t时刻,递归最小二乘法(RLS)的参数识别公式如下:
其中e(t)为Q(t)的预测误差;M(t)=[Q(t-1),I(t),I(t-1)]为RLS算法输入;D(t)为算法增益;θ(t)=[a1,a2,a3]为需要辨识的参数;B(t)为时刻t的协方差矩阵;λ为遗忘因子,一般在区间[0.95,1]内取值;
步骤33、RLS算法初始化θ(1)及B(1),然后在每一个时刻t=2,..,PK,通过传感器和UOCV(t)预测模型采集输入数据M(t)=[Q(t-1),I(t),I(t-1)],传感器检测的数据为电压和电流,最后通过式(12)不断更新θ(t);
步骤34、将公式(6)转换如下形式:
步骤35、在每次得到更新后θ(t)后,也就得到了一组a1、a2、a3,将a1、a2、a3代入到公式(13)中,即可获取R0(t)、R1(t)、C1(t),即t时刻的R0、R1、C1。
对于步骤三,在实际应用中,用户在锂电池的荷电状态SOC达到20%时,就需要充电,以保障持久的续航。因此,本发明以锂电池SOC从100%到20%作为一次循环。
步骤四具体包括如下步骤:
步骤41、设循环时间为P,根据RLS模型,一次循环的电池内阻均值R0,mean及极化电阻均值R1,mean为:
其中,R0(SOC=20%)为R0在SOC=20%时刻的值,R0(SOC=100%)为R0在SOC=20%时刻的值,R1(SOC=20%)为R1在SOC=20%时刻的值,R1(SOC=100%)为R1在SOC=100%时刻的值,R0(SOC=20%)、R0(SOC=100%)、R1(SOC=20%)、R1(SOC=100%)可以通过步骤25输出的值获取;
步骤42、设锂电池总容量为C,那么第i次循环中,总容量损失ΔCi,电池内阻均值损失及极化电阻均值损失/>表示为:
其中,为第i次循环的电池内阻均值,/>为第i-1次循环的电池内阻均值,/>为第i次循环的电池极化电阻均值,/>为第i-1次循环的电池极化电阻均值,Ci为第i次循环的电池总容量,Ci-1为第i-1次循环的电池总容量;
步骤43、锂电池的总容量损失与内阻均值损失及极化电阻均值损失有关,本发明使用ELM建立三者的函数关系,根据ELM理论,具有LC个隐含层节点的ΔC预测模型可表示为:
G(ωc·Y+bc)βc=Hcβc=ΔC, (16)
其中其中和/>均为在[0,1]区间中随机生成的输入权值和输入偏置,/>为输出权值,G(·)为激活函数,Hc为G(ωc·Y+bc)的矩阵形式,/>为输入变量的训练矩阵,K为电池循环次数,ΔC=[ΔC1,…,ΔCK],为输出矩阵。
步骤44,根据公式(16)以及Moore–Penrose广义逆定理,βc可由下式求得:
步骤45、将预先采集的训练的数据代入到公式(17)中,即可计算出βc,将βc代入到公式16中,即可实现对ΔCi的预测;
步骤36、基于锂电池SOH的定义及ΔCi的预测值,设当锂电池总容量达到初始容量C0的20%时,SOH达到100%,那么第i次循环的SOH可使用下式计算:
其中SOHi为第i次循环的SOH,ΔCj由公式(16)计算得到。在建模完成后进行实际预测时,先通过公式(16)对ΔCj进行计算,然后再代入到公式(18)中得到对应的SOHi。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (2)
1.一种基于ELM与RLS的锂电池SOH在线预测模型的建模方法,其特征在于,
具体包括如下步骤:
步骤一、建立锂电池的等效电路模型,等效电路模型表示如下:
其中U1为RC电路电压,I为电流,C1为电池极化电容,R1为电池极化电阻,Ut为电池端电压,UOCV为电池开路电压,R0为电池内阻;
步骤二、建立电池开路电压的UOCV预测模型,UOCV预测模型能够预测锂电池t时刻的UOCV;
步骤三、基于RLS并且根据步骤二中UOCV预测模型预测的锂电池t时刻的UOCV(t)在线评估R0(t)、R1(t)、C1(t),R0(t)、R1(t)、C1(t)分别为t时刻的电池内阻、电池极化电阻以及电池极化电容;
步骤四、建立基于ELM的SOH预测模型,并根据步骤二得到的R0(t)、R1(t)、C1(t)对建立的SOH预测模型进行训练;
所述步骤二具体包括如下步骤:
步骤21、采用拉普拉斯变化,将公式(1)转化为:
其中S为拉普拉斯变量;
步骤22、将公式(2)表示成转换函数G(s):
步骤23、根据双线性变换法,使用公式(4)的转换函数,将转换函数的S域转换为Z域,得到公式(5):
其中,Δt为数据采样间隔;
步骤24、进行以下定义:
步骤25、将公式(5)从Z域反变换为时间域t,则公式(5)可简化为:
Ut(t)-UOCV(t)=a1(Ut(t-1)-UOCV(t-1))+a2I(t)+a3I(t-1); (7)
步骤26、采用超限学习机(ELM)建立UOCV(t)预测模型:
步骤261、建立训练矩阵X:
步骤262、根据ELM理论,将具有L个隐含层的UOCV(t)预测模型表示为:
G(ω·X+b)β=Hβ=UOCV, (9)
其中ω=[ω1,…,ωL]为在[0,1]区间中随机生成的输入权值,b=[b1,…,bL]为在[0,1]区间中随机生成的输入偏置,β=[β1,…,βL]为输出权值,G(·)为激活函数,H为G(ω·X+b)的矩阵形式,UOCV=[UOCV(1),…,UOCV(P·K)]为ELM输出;
步骤263、在公式(9)中,只有输出权值β为未知数,根据Moore–Penrose广义逆定理,β可由下式求得:
其中I为单位矩阵,Cb为正则化参数;
步骤264、将传感器检测的荷电状态SOC(t)、温度T(t)以及充放电循环次数N代入到公式(10)中,得到β,再将求得的β代入公式(9)中,即得到了UOCV(t);
所述步骤三具体包括如下步骤:
步骤31、由式(7)可知,a1、a2、a3为锂电池一阶Thevenin等效电路需要辨识的参数,设Q(t)=Ut(t)-UOCV(t),则公式(7)可重写为:
Q(t)=a1(Q(t-1))+a2I(t)+a3I(t-1), (11)
步骤32、在t时刻,递归最小二乘法(RLS)的参数识别公式如下:
其中e(t)为Q(t)的预测误差;M(t)=[Q(t-1),I(t),I(t-1)]为算法输入;D(t)为算法增益;θ(t)=[a1,a2,a3]为需要辨识的参数;B(t)为时刻t的协方差矩阵;λ为遗忘因子,一般在区间[0.95,1]内取值;
步骤33、RLS算法初始化θ(1)及B(1),然后在每一个时刻t=2,..,PK,通过传感器和UOCV(t)预测模型采集输入数据M(t)=[Q(t-1),I(t),I(t-1)],最后通过式(12)不断更新θ(t);
步骤34、将公式(6)转换如下形式:
步骤35、在得到θ(t)后,也就得到了a1、a2、a3,将a1、a2、a3代入到公式(13)中,即可获取R0(t)、R1(t)、C1(t)。
2.根据权利要求1所述的建模方法,其特征在于,步骤四具体包括如下步骤:
步骤41、设循环时间为P,根据RLS模型,一次循环的电池内阻均值R0,mean及极化电阻均值R1,mean为:
其中,R0(SOC=20%)为R0在SOC=20%时刻的值,R0(SOC=100%)为R0在SOC=100%时刻的值,R1(SOC=20%)为R1在SOC=20%时刻的值,R1(SOC=100%)为R1在SOC=100%时刻的值,R0(SOC=20%)、R0(SOC=100%)、R1(SOC=20%)、R1(SOC=100%)可以通过步骤25输出的值获取;
步骤42、设锂电池总容量为C,那么第i次循环中,总容量损失ΔCi,电池内阻均值损失及极化电阻均值损失/>表示为:
其中,为第i次循环的电池内阻均值,/>为第i-1次循环的电池内阻均值,为第i次循环的电池极化电阻均值,/>为第i-1次循环的电池极化电阻均值,Ci为第i次循环的电池总容量,Ci-1为第i-1次循环的电池总容量;
步骤43、根据ELM理论,具有LC个隐含层节点的ΔC预测模型可表示为:
G(ωc·Y+bc)βc=Hcβc=ΔC, (16)
其中其中和/>均为在[0,1]区间中随机生成的输入权值和输入偏置,/>为输出权值,G(·)为激活函数,Hc为G(ωc·Y+bc)的矩阵形式,为输入变量的训练矩阵,K为电池循环次数,ΔC=[ΔC1,…,ΔCK],为输出矩阵;
步骤44,根据公式(16)以及Moore–Penrose广义逆定理,βc可由下式求得:
步骤45、将预先采集的训练的数据代入到公式(17)中,即可计算出βc,将βc代入到公式(16)中,即可实现对ΔCi的预测;
步骤36、基于锂电池SOH的定义及ΔCi的预测值,设当锂电池总容量达到初始容量C0的20%时,SOH达到100%,那么第i次循环的SOH使用下式计算:
其中SOHi为第i次循环的SOH,ΔCj由公式(16)计算得到,在建模完成后进行实际预测时,先通过公式(16)对ΔCj进行计算,然后再代入到公式(18)中得到对应的SOHi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310880827.5A CN117113807B (zh) | 2023-07-18 | 2023-07-18 | 一种基于elm与rls的锂电池soh在线预测模型的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310880827.5A CN117113807B (zh) | 2023-07-18 | 2023-07-18 | 一种基于elm与rls的锂电池soh在线预测模型的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113807A CN117113807A (zh) | 2023-11-24 |
CN117113807B true CN117113807B (zh) | 2024-04-05 |
Family
ID=88801078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310880827.5A Active CN117113807B (zh) | 2023-07-18 | 2023-07-18 | 一种基于elm与rls的锂电池soh在线预测模型的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113807B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715260A (zh) * | 2015-03-05 | 2015-06-17 | 中南大学 | 基于rls-elm的多模态融合图像分类方法 |
CN108459278A (zh) * | 2018-07-05 | 2018-08-28 | 宁波均胜科技有限公司 | 一种锂离子电池内阻与荷电状态同步估算方法 |
CN111707953A (zh) * | 2019-11-24 | 2020-09-25 | 华南理工大学 | 一种基于后向平滑滤波框架的锂电池soc在线估计方法 |
CN114594378A (zh) * | 2022-02-25 | 2022-06-07 | 香港科技大学 | 一种锂电池soh模型训练方法、预测方法、装置及设备 |
CN115389936A (zh) * | 2022-08-24 | 2022-11-25 | 温州大学 | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466723B (zh) * | 2020-03-31 | 2022-09-09 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,电池管理系统 |
-
2023
- 2023-07-18 CN CN202310880827.5A patent/CN117113807B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715260A (zh) * | 2015-03-05 | 2015-06-17 | 中南大学 | 基于rls-elm的多模态融合图像分类方法 |
CN108459278A (zh) * | 2018-07-05 | 2018-08-28 | 宁波均胜科技有限公司 | 一种锂离子电池内阻与荷电状态同步估算方法 |
CN111707953A (zh) * | 2019-11-24 | 2020-09-25 | 华南理工大学 | 一种基于后向平滑滤波框架的锂电池soc在线估计方法 |
CN114594378A (zh) * | 2022-02-25 | 2022-06-07 | 香港科技大学 | 一种锂电池soh模型训练方法、预测方法、装置及设备 |
CN115389936A (zh) * | 2022-08-24 | 2022-11-25 | 温州大学 | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 |
Non-Patent Citations (2)
Title |
---|
Lithium_Battery_SOC_Prediction_Based_on_mproved_BP_eural_etwork_Algorithm;Xiaozhou Zhang;《2021 The 3rd Asia Energy and Electrical Engineering Symposium》;20210423;第882-886页 * |
基于IAF-NARX的车载锂电池SOC实时估算;陈德海;邹争明;丁博文;华铭;;江西理工大学学报;20200615(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117113807A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
CN110632528B (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
CN112858929B (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
CN111983468B (zh) | 基于神经网络的锂动力电池的安全度估算方法 | |
CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN111098755A (zh) | 一种电动汽车动力电池soc估计方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
Jin et al. | SOC estimation of lithium-ion battery considering the influence of discharge rate | |
CN112858928A (zh) | 一种基于在线参数辨识的锂电池soc估计方法 | |
CN112782594A (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
Liu et al. | A novel fuzzy‐extended Kalman filter‐ampere‐hour (F‐EKF‐Ah) algorithm based on improved second‐order PNGV model to estimate state of charge of lithium‐ion batteries | |
CN113190969A (zh) | 一种基于信息评估机制的锂电池模型参数辨识方法 | |
CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
CN115407205A (zh) | 考虑温度影响的多时间尺度soc和soh协同估计方法 | |
CN109901072B (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
Hu et al. | State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation | |
CN113805062A (zh) | 锂电池等效电路模型参数在线鲁棒自适应辨识方法 | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |