CN117192377B - 一种基于先验知识增强和半监督学习的锂电池soh估计方法 - Google Patents
一种基于先验知识增强和半监督学习的锂电池soh估计方法 Download PDFInfo
- Publication number
- CN117192377B CN117192377B CN202311088488.3A CN202311088488A CN117192377B CN 117192377 B CN117192377 B CN 117192377B CN 202311088488 A CN202311088488 A CN 202311088488A CN 117192377 B CN117192377 B CN 117192377B
- Authority
- CN
- China
- Prior art keywords
- train
- test
- soh
- battery
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 8
- 230000032683 aging Effects 0.000 claims description 53
- 230000004044 response Effects 0.000 claims description 15
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 12
- 238000004146 energy storage Methods 0.000 claims description 9
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000010277 constant-current charging Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于先验知识增强和半监督学习的锂电池SOH估计方法，该方法包括：收集电池数据集，包括无标签数据集DU和有标签数据集DL；搭建电池等效电路模型，利用其收集替代数据集DS；搭建特征曲线重构模块，对输入的特征曲线进行重构，并计算重构损失loss1；搭建替代SOH估计模块，对输入的特征曲线提取特征后进行SOH估计，使用输出的替代SOH估计值和替代SOH值计算损失函数loss2；使用DU和DS训练并测试由特征曲线重构模块和替代SOH估计模块构成的预训练模型，预训练模型的损失函数Jointloss由loss1和损失函数loss2构成；使用DL对预训练模型进行微调，得到SOH估计模型，该模型通过测试后应用于SOH估计。因模型已从替代数据集学习电池相关的先验知识，可精确估计电池的SOH。
Description
技术领域
本发明涉及锂电池技术领域，尤其涉及一种基于先验知识增强和半监督学习的锂电池SOH估计方法。
技术背景
锂电池被广泛地应用于电动汽车等领域，精确地估计电池的健康状态(SOH)对于锂电池安全可靠运行至关重要。
目前锂电池SOH估计方法主要可以分为基于模型的方法和数据驱动方法两类。基于模型的方法存在需要大量专家知识、参数辨识困难和适应能力差等缺点。数据驱动方法从电池数据集中建立健康特征和SOH之间的映射关系，从而实现电池的SOH估计，但存在以下问题：①基于监督学习的数据驱动方法需要大量带标签数据用于训练模型，但电池实际运行数据中标签极少，导致方法应用受限。②基于半监督学习的数据驱动方法可利用无标签数据进行预训练，再利用少量有标签数据进行微调，但存在可解释性差，没有利用电池特性的问题。
发明内容
为了克服现有SOH估计方法的上述不足，本发明提出一种基于先验知识增强和半监督学习的锂电池SOH估计方法。
本发明的技术方案如下：
S1、收集电池数据，构建无标签数据集DU＝{XU}和有标签数据集DL＝{XL,YL}，其中XU为无标签数据集中电池老化特征数据，XL和YL分别为有标签数据集中电池老化特征数据和SOH真实值；
S2、根据电池类型和工作场景设计电池等效电路模型，利用步骤S1收集的电池数据对电池等效电路模型进行参数辨识，通过对电池等效电路模型施加不同的激励并收集对应的响应数据，生成替代数据集DS；
S3、将无标签数据集DU、替代数据集DS和有标签数据集DL分别随机划分为训练集和测试集，具体包括DU＝{DU,train,DU,test}＝{{XU,train},{XU,test}}，DS＝{DS,train,DS,test}＝{{XS,train,YS,train},{XS,test,YS,test}},DL＝{DL,train,DL,test}＝{{XL,train,YL,train},{XL,test,YL,test}}；
S4、使用DU,train和DS,train对预训练模型进行训练，所述预训练模型由特征曲线重构模块和替代SOH估计模块组成；
S5、使用DU,test和DS,test对训练完成的预训练模型进行测试，判断测试结果是否满足要求，若是则执行步骤S6，否则重新执行步骤S1到S4；
S6、使用DL,train对通过测试的预训练模型进行微调，得到由编码器2和估计器2组成的SOH估计模型Mft；
S7、使用DL,test对步骤S6所述的SOH估计模型Mft进行测试，判断测试结果是否满足要求，若是则保留该SOH估计模型，否则重新执行步骤S6；
S8、应用SOH估计模型Mft，将电池老化特征曲线输入SOH估计模型Mft，输出对应的SOH估计值。
在本方案中，步骤S2所述根据电池类型和工作场景设计电池等效电路模型，利用步骤S1收集的电池数据对电池等效电路模型进行参数辨识，通过对电池等效电路模型施加不同的激励并收集对应的响应数据，生成替代数据集DS具体包括：
S201、根据电池类型和工作场景设计电池等效电路模型；
S202、使用XU中老化特征曲线x所在循环的端电压V和电流I数据，辨识电池等效电路模型的各个参数；
S203、使用步骤S202所述的完成参数辨识的电池等效电路模型和特征曲线x所在循环的端电压V和电流I数据，估计电池的最大容量
S204、使用步骤S203所述的最大容量和标称容量Crate计算替代SOH值SOHS：
S205、若老化特征曲线x为电压曲线，其对应的电流曲线为y，对步骤S201中完成参数辨识的电池等效电路模型，施加与所述电流曲线y经不同倍率缩放形成的电流激励从而得到对应的电压响应/> 若老化特征曲线x为电流曲线，其对应的电压曲线为y，对步骤S201中完成参数辨识的电池等效电路模型，施加与所述电压曲线y经不同倍率缩放形成的电压激励/>从而得到对应的电流响应/> 基于所述电压响应和电流响应构建其中j为样本序号；
S206、定义为替代样本特征，定义yS＝SOHS为替代样本标签，生成样本x的第j个替代样本dS,j＝{xS,j,yS,j}；
S207、合并样本x的所有替代样本，生成样本x的替代样本集，具体如下:
式(2)中，xS为x的所有替代样本的老化特征曲线，yS为x的所有替代样本的SOH；
S208、对XU,train或XL,train中的各老化特征曲线依次执行步骤S201至S207，生成对应的替代老化特征曲线，合并所有替代老化特征曲线得到替代数据集DS＝{XS,YS}。
在本方案中，步骤S4所述使用DU,train和DS,train对预训练模型进行训练，具体包括：
S401、搭建编码器1，对输入的来自DU,train的老化特征曲线xU进行编码，并输出编码后的数据cU：
cU＝Encoder1(xU) (3)
式(3)中，cU的维度小于xU的维度；
S402、搭建解码器，输入cU，输出重构的老化特征曲线
式(4)中，的维度等于xU的维度；
S403、使用编码器1，对输入的来自DS,train的老化特征曲线xS进行编码，并输出编码后的数据cS：
cS＝Encoder1(xS) (5)
S404、建立替代SOH估计器1，输入cS，输出替代SOH估计值
S405、将DU,train划分为NU,B个批次，将DS,train划分为NS,B个批次，其中NU,B＝NS,B；
S406、设置S401至S404所述的编码器1、解码器和估计器1的训练参数；
S407、训练预训练模型，每次迭代输入DU,train一个批次的数据，使用步骤S401和S402所述的编码器1和解码器重构DU,train每个批次的老化特征曲线，并计算重构损失l1，具体如下：
式(7)中，bU为DU,train每个批次的样本数，为重构的老化特征曲线，xU,i为实际的老化特征曲线；
同时，每次迭代输入DS,train一个批次的数据，使用步骤S403和S404所述的编码器1和SOH估计器1估计DS,train每个批次的老化特征曲线对应的替代SOH，并计算估计损失l2，具体如下：
式(8)中，bS为DS,train每个批次的样本数，为替代SOH的估计值，SOHS,i为替代SOH的实际值；
S408、使用步骤S407所述的l1和l2计算当前批次的联合损失J，具体如下：
J＝λl1+(1-λ)l2 (9)式(9)中，λ为损失函数权重，取值范围为0到1；
S409、根据步骤S408所述的联合损失J，通过反向传播算法，更新编码器1、解码器和估计器1的权重；
S410、定义DU,train和DS,train中所有数据执行步骤S407到S409所述的训练过程为一轮，当训练轮数达到预设轮数时，停止训练，保存训练完成的预训练模型modelp；
S411、使用DU,test和DS,test测试预训练模型modelp，计算测试误差Jtest，具体如下：
Jtest＝modelp(DU,test,DS,test) (10)
S412、若Jtest满足测试要求，保留预训练模型modelp，否则重新执行步骤S401到S412。
在本方案中，步骤S1所述无标签数据集DU从储能系统实际运行数据中获取，有标签数据集DL从储能系统测试时的标准充放电测试数据获取。
在本方案中，步骤S6所述使用DL,train对训练完成的预训练模型进行微调，具体为：使用DL,train，对预训练模型中的编码器1和估计器1进行微调。
在本方案中，步骤S202所述老化特征曲线x为：恒流充电时的电压曲线、恒压充电时的电流曲线、恒流放电时的电压曲线或恒压放电时的电流曲线。
在本方案中，，步骤S408所述的损失函数权重λ，具体设置步骤如下：使用网格搜索法，依次设置λ为0到1的等差数列中的值λi，执行步骤S4到S7，当S7所述使用DL,test对SOH估计模型进行测试所得到的误差最小时，设置此时λi的值为λ。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过建立电池等效电路模型并生成替代数据集，再使用替代数据集和无标签数据集对预训练模型进行训练，使预训练模型具备从无标签数据集中学习提取SOH相关特征的能力，从而克服了基于监督学习的数据驱动方法需要大量带标签数据来训练模型的问题；同时，可以从替代数据集中学习电池模型中所包含的先验知识，从而在预训练阶段充分利用电池特性提高模型的学习能力；模型所使用的数据为储能系统实际运行和测试数据中与老化状态相关的特征曲线，无需针对特定任务进行数据获取实验，具有成本低、实用性好的优点。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为基于先验知识增强和半监督学习的锂电池SOH估计方法示意图
图2为锂电池恒流充电时的电压和电流波形。
图3为锂电池的二阶RC等效电路模型。
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组合。
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。
为了便于理解，请参阅图1，本发明提供了一种基于先验知识增强和半监督学习的锂电池SOH估计方法的实施例，包括：
S1、收集电池数据，构建无标签数据集DU＝{XU}和有标签数据集DL＝{XL,YL}，其中XU为无标签数据集中电池老化特征数据，XL和YL分别为有标签数据集中电池老化特征数据和SOH真实值；
S2、根据电池类型和工作场景设计电池等效电路模型，利用步骤S1收集的电池数据对电池等效电路模型进行参数辨识，通过对电池等效电路模型施加不同的激励并收集对应的响应数据，生成替代数据集DS；
S3、将无标签数据集DU、替代数据集DS和有标签数据集DL分别随机划分为训练集和测试集，具体包括DU＝{DU,train,DU,test}＝{{xU,train},{XU,test}}，DS＝{DS,train,DS,test}＝}{XS,train,YS,train},{XS,test,YS,test}},DL＝{DL,train,DL,test}＝}{XL,train,YL,train},{XL,test,YL,test}}；
S4、使用DU,train和DS,train对预训练模型进行训练，所述预训练模型由特征曲线重构模块和替代SOH估计模块组成；
S5、使用DU,test和DS,test对训练完成的预训练模型进行测试，判断测试结果是否满足要求，若是则执行步骤S6，否则重新执行步骤S1到S4；
S6、使用DL,train对通过测试的预训练模型进行微调，得到由编码器2和估计器2组成的SOH估计模型Mft；
S7、使用DL,test对步骤S6所述的SOH估计模型Mft进行测试，判断测试结果是否满足要求，若是则保留该SOH估计模型，否则重新执行步骤S6；
S8、应用SOH估计模型Mft，将电池老化特征曲线输入SOH估计模型Mft，输出对应的SOH估计值。
本方案中，步骤S1收集电池数据，构建无标签数据集DU＝{XU}和有标签数据集DL＝{XL,YL}，具体过程为：
S101、对储能系统实际运行数据进行数据处理获得无标签数据集DU＝{XU}，其中XU为电池所有循环的恒流充电阶段的电压，恒流充电阶段的电压和电流如图2所示。
S102、对储能系统测试时的标准充放电测试数据进行数据处理获得有标签数据集DL＝{XL,YL}，其中XU为电池所有标准充放电循环的恒流充电阶段的电压，YL为电池所有标准充放电循环的SOH。
在本方案中，步骤S2所述根据电池类型和工作场景设计电池等效电路模型，利用步骤S1收集的电池数据对电池等效电路模型进行参数辨识，通过对电池等效电路模型施加不同的激励并收集对应的响应数据，生成替代数据集DS具体包括：
S201、根据电池类型和工作场景设计电池等效电路模型，电池等效电路模型使用如图3所示的锂电池的二阶RC等效电路模型，图中E表示电池的开路电压，R0表示电池的欧姆电阻，R1和R2表示电池的极化电阻，C1和C2表示电池的极化电容；
S202、使用XU中老化特征曲线x所在循环的端电压V和电流I数据，辨识电池等效电路模型的各个参数；
S203、使用步骤S202所述的完成参数辨识的电池等效电路模型和特征曲线x所在循环的端电压V和电流I数据，估计电池的最大容量
S204、使用步骤S203所述的最大容量和标称容量Crate计算替代SOH值SOHS：
S205、若老化特征曲线x为电压曲线，其对应的电流曲线为y，对步骤S201中完成参数辨识的电池等效电路模型，施加与所述电流曲线y经不同倍率缩放形成的电流激励从而得到对应的电压响应/> 若老化特征曲线x为电流曲线，其对应的电压曲线为y，对步骤S201中完成参数辨识的电池等效电路模型，施加与所述电压曲线y经不同倍率缩放形成的电压激励/>从而得到对应的电流响应/> 基于所述电压响应和电流响应构建其中j为样本序号；
S206、定义为替代样本特征，定义yS＝SOHS为替代样本标签，生成样本x的第j个替代样本dS,j＝{xS,j,yS,j}；
S207、合并样本x的所有替代样本，生成样本x的替代样本集，具体如下:
式(2)中，xS为x的所有替代样本的老化特征曲线，yS为x的所有替代样本的SOH；
S208、对XU,train或XL,train中的各老化特征曲线依次执行步骤S201至S207，生成对应的替代老化特征曲线，合并所有替代老化特征曲线得到替代数据集DS＝{XS,YS}。
在本方案中，步骤S4所述使用DU,train和DS,train对预训练模型进行训练，具体包括：
S401、搭建编码器1，对输入的来自DU,train的老化特征曲线xU进行编码，并输出编码后的数据cU：
cU＝Encoder1(xU) (3)
式(3)中，cU的维度小于xU的维度；
S402、搭建解码器，输入cU，输出重构的老化特征曲线
式(4)中，的维度等于xU的维度；
S403、使用编码器1，对输入的来自DS,train的老化特征曲线xS进行编码，并输出编码后的数据cS：
cS＝Encoder1(xS) (5)
S404、建立替代SOH估计器1，输入cS，输出替代SOH估计值
S405、将DU,train划分为NU,B个批次，将DS,train划分为NS,B个批次，其中NU,B＝NS,B；
S406、设置S401至S404所述的编码器1、解码器和估计器1的训练参数；
S407、训练预训练模型，每次迭代输入DU,train一个批次的数据，使用步骤S401和S402所述的编码器1和解码器重构DU,train每个批次的老化特征曲线，并计算重构损失l1，具体如下：
式(7)中，bU为DU,train每个批次的样本数，为重构的老化特征曲线，xU,i为实际的老化特征曲线；
同时，每次迭代输入DS,train一个批次的数据，使用步骤S403和S404所述的编码器1和SOH估计器1估计DS,train每个批次的老化特征曲线对应的替代SOH，并计算估计损失l2，具体如下：
式(8)中，bS为DS,train每个批次的样本数，为替代SOH的估计值，SOHS,i为替代SOH的实际值；
S408、使用步骤S407所述的l1和l2计算当前批次的联合损失J，具体如下：
J＝λl1+(1-λ)l2 (9)
式(9)中，λ为损失函数权重，取值范围为0到1；
S409、根据步骤S408所述的联合损失J，通过反向传播算法，更新编码器1、解码器和估计器1的权重；
S410、定义DU,train和DS,train中所有数据执行步骤S407到S409所述的训练过程为一轮，当训练轮数达到预设轮数时，停止训练，保存训练完成的预训练模型modelp；
S411、使用DU,test和DS,test测试预训练模型modelp，计算测试误差Jtest，具体如下：
Jtest＝modelp(DU,test,DS,test) (10)
S412、若Jtest满足测试要求，保留预训练模型modelp，否则重新执行步骤S401到S412。
在本方案中，步骤S1所述无标签数据集DU从储能系统实际运行数据中获取，有标签数据集DL从储能系统测试时的标准充放电测试数据获取。
在本方案中，步骤S6所述使用DL,train对训练完成的预训练模型进行微调，具体为：
S601、冻结编码器1所有层的权重和估计器1除最后一层外所有层的权重。
S602、使用DL,train，对S601所述的编码器1和估计器1进行训练，更新估计器1最后一层的权重，得到由编码器2和估计器2组成的SOH估计模型。
在本方案中，步骤S202所述老化特征曲线x为：恒流充电时的电压曲线、恒压充电时的电流曲线、恒流放电时的电压曲线或恒压放电时的电流曲线。
在本方案中，，步骤S408所述的损失函数权重λ，具体设置步骤如下：使用网格搜索法，依次设置λ为0到1的等差数列中的值λi，执行步骤S4到S7，当S7所述使用DL,test对SOH估计模型进行测试所得到的误差最小时，设置此时λi的值为λ。
Claims (6)
1.一种基于先验知识增强和半监督学习的锂电池SOH估计方法，其特征在于，包括以下步骤：
S1、收集电池数据，构建无标签数据集DU＝{XU}和有标签数据集DL＝{XL,YL}，其中XU为无标签数据集中电池老化特征数据，XL和YL分别为有标签数据集中电池老化特征数据和SOH真实值；
S2、根据电池类型和工作场景设计电池等效电路模型，利用步骤S1收集的电池数据对电池等效电路模型进行参数辨识，通过对电池等效电路模型施加不同的激励并收集对应的响应数据，生成替代数据集DS；
S3、将无标签数据集DU、替代数据集DS和有标签数据集DL分别随机划分为训练集和测试集，具体包括DU＝{DU,train,DU,test}＝{{XU,train},{XU,test}}，DS＝{DS,train,DS,test}＝{{XS,train,YS,train},{XS,test,YS,test}},DL＝{DL,train,DL,test}＝{{XL,train,YL,train},{XL,test,YL,test}}；
S4、使用DU,train和DS,train对预训练模型进行训练，所述预训练模型由特征曲线重构模块和替代SOH估计模块组成；
S5、使用DU,test和DS,test对训练完成的预训练模型进行测试，判断测试结果是否满足要求，若是则执行步骤S6，否则重新执行步骤S1到S4；
S6、使用DL,train对通过测试的预训练模型进行微调，得到由编码器2和估计器2组成的SOH估计模型Mft；
S7、使用DL,test对步骤S6所述的SOH估计模型Mft进行测试，判断测试结果是否满足要求，若是则保留该SOH估计模型，否则重新执行步骤S6；
S8、应用SOH估计模型Mft，将电池老化特征曲线输入SOH估计模型Mft，输出对应的SOH估计值；
步骤S2所述根据电池类型和工作场景设计电池等效电路模型，利用步骤S1收集的电池数据对电池等效电路模型进行参数辨识，通过对电池等效电路模型施加不同的激励并收集对应的响应数据，生成替代数据集DS，具体包括：
S201、根据电池类型和工作场景设计电池等效电路模型；
S202、使用XU中老化特征曲线x所在循环的端电压V和电流I数据，辨识电池等效电路模型的各个参数；
S203、使用步骤S202所述的电池等效电路模型的各个参数，构建完成参数辨识的电池等效电路模型，使用所述完成参数辨识的电池等效电路模型和步骤S202所述的XU中老化特征曲线x所在循环的端电压V和电流I数据，估计电池的最大容量
S204、使用步骤S203所述的最大容量和标称容量Crate计算替代SOH值SOHS：
S205、若老化特征曲线x为电压曲线，其对应的电流曲线为y，对步骤S201中完成参数辨识的电池等效电路模型，施加与所述电流曲线y经不同倍率缩放形成的电流激励从而得到对应的电压响应/> 若老化特征曲线x为电流曲线，其对应的电压曲线为y，对步骤S201中完成参数辨识的电池等效电路模型，施加与所述电压曲线y经不同倍率缩放形成的电压激励/>从而得到对应的电流响应/> 基于所述电压响应和电流响应构建其中j为样本序号；
S206、定义为替代样本特征，定义yS＝SOHS为替代样本标签，生成样本x的第j个替代样本dS,j＝{xS,j,yS,j}；
S207、合并样本x的所有替代样本，生成样本x的替代样本集，具体如下:
式(2)中，xS为x的所有替代样本的老化特征曲线，yS为x的所有替代样本的SOH；
S208、对XU,train或XL,train中的各老化特征曲线依次执行步骤S201至S207，生成对应的替代老化特征曲线，合并所有替代老化特征曲线得到替代数据集DS＝{XS,YS}。
2.根据权利要求1所述的一种基于先验知识增强和半监督学习的锂电池SOH估计方法，其特征在于，步骤S4所述使用DU,train和DS,train对预训练模型进行训练，具体包括：
S401、搭建编码器1，对输入的来自DU,train的老化特征曲线xU进行编码，并输出编码后的数据cU：
cU＝Encoder1(xU) (3)式(3)中，cU的维度小于xU的维度；
S402、搭建解码器，输入cU，输出重构的老化特征曲线
式(4)中，的维度等于xU的维度；
S403、使用编码器1，对输入的来自DS,train的老化特征曲线xS进行编码，并输出编码后的数据cS：
cS＝Encoder1(xS) (5)
S404、建立替代SOH估计器1，输入cS，输出替代SOH估计值
S405、将DU,train划分为NU,B个批次，将DS,train划分为NS,B个批次，其中NU,B＝NS,B；
S406、设置S401至S404所述的编码器1、解码器和估计器1的训练参数；
S407、训练预训练模型，每次迭代输入DU,train一个批次的数据，使用步骤S401和S402所述的编码器1和解码器重构DU,train每个批次的老化特征曲线，并计算重构损失l1，具体如下：
式(7)中，bU为DU,train每个批次的样本数，为重构的老化特征曲线，xU,i为实际的老化特征曲线；
同时，每次迭代输入DS,train一个批次的数据，使用步骤S403和S404所述的编码器1和SOH估计器1估计DS,train每个批次的老化特征曲线对应的替代SOH，并计算估计损失l2，具体如下：
式(8)中，bS为DS,train每个批次的样本数，为替代SOH的估计值，SOHS,i为替代SOH的实际值；
S408、使用步骤S407所述的l1和l2计算当前批次的联合损失J，具体如下：
J＝λl1+(1-λ)l2 (9)
式(9)中，λ为损失函数权重，取值范围为0到1；
S409、根据步骤S408所述的联合损失J，通过反向传播算法，更新编码器1、解码器和估计器1的权重；
S410、定义DU,train和DS,train中所有数据执行步骤S407到S409所述的训练过程为一轮，当训练轮数达到预设轮数时，停止训练，保存训练完成的预训练模型modelp；
S411、使用DU,test和DS,test测试预训练模型modelp，计算测试误差Jtest，具体如下：
Jtest＝modelp(DU,test,DS,test) (10)
S412、若Jtest满足测试要求，保留预训练模型modelp，否则重新执行步骤S401到S412。
3.根据权利要求1所述的一种基于先验知识增强和半监督学习的锂电池SOH估计方法，其特征在于，步骤S1所述无标签数据集DU从储能系统实际运行数据中获取，有标签数据集DL从储能系统测试时的标准充放电测试数据获取。
4.根据权利要求1所述的一种基于先验知识增强和半监督学习的锂电池SOH估计方法，其特征在于，步骤S6所述使用DL,train对训练完成的预训练模型进行微调，具体为：使用DL,train，对预训练模型中的编码器1和估计器1进行微调。
5.根据权利要求1所述的一种基于先验知识增强和半监督学习的锂电池SOH估计方法，其特征在于S202所述老化特征曲线x为：恒流充电时的电压曲线、恒压充电时的电流曲线、恒流放电时的电压曲线或恒压放电时的电流曲线。
6.根据权利要求2所述的一种基于先验知识增强和半监督学习的锂电池SOH估计方法，其特征在于，步骤S408所述的损失函数权重λ，具体设置步骤如下：使用网格搜索法，依次设置λ为0到1的等差数列中的值λi，执行步骤S4到S7，当S7所述使用DL,test对步骤S6所述的SOH估计模型Mft进行测试所得到的误差最小时，设置此时λi的值为λ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311088488.3A CN117192377B (zh) | 2023-08-28 | 2023-08-28 | 一种基于先验知识增强和半监督学习的锂电池soh估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311088488.3A CN117192377B (zh) | 2023-08-28 | 2023-08-28 | 一种基于先验知识增强和半监督学习的锂电池soh估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117192377A CN117192377A (zh) | 2023-12-08 |
| CN117192377B true CN117192377B (zh) | 2024-05-07 |
Family
ID=88986182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311088488.3A Active CN117192377B (zh) | 2023-08-28 | 2023-08-28 | 一种基于先验知识增强和半监督学习的锂电池soh估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117192377B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
| CN113009349A (zh) * | 2021-04-09 | 2021-06-22 | 哈尔滨工业大学 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
| CN113552489A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于灰色神经网络的电站备用电源荷电状态估计方法 |
| CN114035098A (zh) * | 2021-12-14 | 2022-02-11 | 北京航空航天大学 | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 |
| CN116008846A (zh) * | 2023-02-08 | 2023-04-25 | 北京航空航天大学 | 一种面向空间站电源系统的蓄电池组健康状态估计方法 |
| CN116413629A (zh) * | 2023-03-24 | 2023-07-11 | 北京理工大学 | 基于物理信息神经网络的航天器锂电池健康状态估计方法 |
| CN116609677A (zh) * | 2023-07-18 | 2023-08-18 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110780146B (zh) * | 2019-12-10 | 2021-04-27 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
-
2023
- 2023-08-28 CN CN202311088488.3A patent/CN117192377B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
| CN113009349A (zh) * | 2021-04-09 | 2021-06-22 | 哈尔滨工业大学 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
| CN113552489A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于灰色神经网络的电站备用电源荷电状态估计方法 |
| CN114035098A (zh) * | 2021-12-14 | 2022-02-11 | 北京航空航天大学 | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 |
| CN116008846A (zh) * | 2023-02-08 | 2023-04-25 | 北京航空航天大学 | 一种面向空间站电源系统的蓄电池组健康状态估计方法 |
| CN116413629A (zh) * | 2023-03-24 | 2023-07-11 | 北京理工大学 | 基于物理信息神经网络的航天器锂电池健康状态估计方法 |
| CN116609677A (zh) * | 2023-07-18 | 2023-08-18 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于等效电路模型的锂离子动力电池参数辨识与状态估计;杨驹丰;中国博士学位论文全文数据库;20210915(第9期);126 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117192377A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ruan et al. | State of health estimation of lithium-ion battery based on constant-voltage charging reconstruction | |
| CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
| 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 | |
| Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
| CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
| CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
| CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
| CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
| CN108872869A (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
| Li et al. | Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach | |
| 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 | |
| CN116413629A (zh) | 基于物理信息神经网络的航天器锂电池健康状态估计方法 | |
| CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
| CN115372829A (zh) | 一种基于bms数据进行车辆电池健康度快速评估的方法 | |
| Wu et al. | State of health estimation for lithium-ion batteries in real-world electric vehicles | |
| Tao et al. | State of charge estimation of lithium Batteries: Review for equivalent circuit model methods | |
| CN117192377B (zh) | 一种基于先验知识增强和半监督学习的锂电池soh估计方法 | |
| Densmore et al. | Modeling the condition of lithium ion batteries using the extreme learning machine | |
| Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine | |
| CN114594397B (zh) | 基于泛化模型的锂离子电池健康状态估计方法及系统 | |
| CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
| Sun et al. | Online model identification method of vanadium redox flow battery based on time-varying forgetting factor recursive least squares | |
| CN115684943A (zh) | 一种基于多层架构的电池状态预测模型及方法 | |
| CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 |
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 |