CN117214749A - 一种考虑容量再生情况的锂离子电池健康状态评估方法 - Google Patents
一种考虑容量再生情况的锂离子电池健康状态评估方法 Download PDFInfo
- Publication number
- CN117214749A CN117214749A CN202310983659.2A CN202310983659A CN117214749A CN 117214749 A CN117214749 A CN 117214749A CN 202310983659 A CN202310983659 A CN 202310983659A CN 117214749 A CN117214749 A CN 117214749A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- capacity
- decomposition
- health
- 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 63
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 63
- 230000036541 health Effects 0.000 title claims abstract description 40
- 230000008929 regeneration Effects 0.000 title claims abstract description 16
- 238000011069 regeneration method Methods 0.000 title claims abstract description 16
- 238000011156 evaluation Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 31
- 230000032683 aging Effects 0.000 claims description 19
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及锂离子电池健康状态评估技术，特别是公开了一种考虑容量再生情况的锂离子电池健康状态评估方法，其针对当前锂离子电池由于容量再生导致短期内估计结果偏离实际值较大的问题，提出了基于数据预处理的锂离子电池健康状态估计方法，从而对锂离子电池健康状态进行可靠评估。本发明的有益效果是，能够有效的解决短期内锂离子电池健康状态估计不准确的问题，对不同环境下的锂离子电池健康状态的研究具有重要意义。
Description
技术领域
本发明涉及技术领域，特别是一种考虑容量再生情况的锂离子电池健康状态评估方法。
背景技术
近年来，电动汽车行业迅猛发展，锂离子电池作为电动汽车的重要组成部分，受到广泛的关注。而锂电池的健康状态是衡量电池老化程度的重要指标，对于实现电池组的能量均衡、延长电池组的使用寿命有着重要意义。
现有的锂离子电池健康状态的预测方法和评估方法主要包括：基于模型法、数据驱动法、混合法和其他方法四个大类。然而上述的预测方法和评估方法都没有考虑短期内锂离子电池健康状态受外界环境变化以及内部化学反应的影响的情况，尤其是容量再生对于锂离子电池健康状态的影响，这就导致现有的预测方法和评估方法存在估计值偏离实际值较大的问题，为了解决上述技术问题，本领域技术人员需要一种能够有效避免外界环境和内部反应影响的锂离子电池健康状态估计方法
发明内容
本发明的目的是为了解决上述问题，设计了一种考虑容量再生情况的锂离子电池健康状态评估方法。
实现上述目的本发明的技术方案为，一种考虑容量再生情况的锂离子电池健康状态评估方法，该方法包括如下步骤：
步骤一，获取锂离子电池老化数据，选取直接健康因子容量；
步骤二，对锂离子电池老化数据进行处理，提取容量信息；
步骤三，利用不同分解层数下中心频率不同，根据中心频率比较法，求得最优分解层数，然后对提取的容量信息进行模态分解；
步骤四，利用加权向量平均方法(I NFO)改进支持向量机模型(SVR)中的核参数和惩罚系数，基于容量分解结果，对分解后的各容量序列进行估计，并得到锂离子电池SOH估计模型。
所述步骤一中利用NASA老化数据分析锂离子电池老化机理，选取容量作为健康因子，通过实际容量和基本循环次数之间关系估计锂离子电池健康状态并得到锂离子电池SOH的表达式：
所述步骤二中对锂离子电池老化数据进行处理并提取容量信息的过程是引入最优变分模态分解(OVMD)的数据预处理方法，将容量序列C(t)分解为由有限个中心频率不同、带宽有限的子序列{Ck(t)}(k＝1，2，3，…，K)，获取老化趋势和容量再生的容量高频和低频分量：
式中，K为容量序列分解模态总数，Ck和ωk分别为第k个模态的时域信号和中心频率。
所述步骤三中通过引入拉格朗日乘法算子λ和二阶惩罚因子α，获取容量分解结果最优解：
其中，然后利用交替乘子算法，连续更新锂离子电池各模态分量及其中心频率，分别计算不同分解层数每个分量中心频率，确定最优分解层数；
所述步骤四中构建加权向量平均方法改进的支持向量机模型对锂离子电池健康状态进行估计，对锂离子电池数据集进行训练集和测试集的划分，基于锂离子电池容量数据分解结果，得到支持向量机的锂离子电池SOH估计模型：
f(c)＝ωTφ(c)+b (6)。
与现有技术相比，本发明具有以下有益效果：
1、本发明针对电池使用过程中不同因素对老化的影响致使容量曲线在下降过程中会出现容量再生现象，避免了因未对数据进行预处理导致电池健康状态估计结果与实际值偏差较大的问题。
2、本发明选取容量作为健康因子，将锂电池的容量序列分解为反应整体退化趋势的低频分量和反应局部波动的高频分量，并将其分别输入通过加权向量平均方法改进的支持向量机模型，对不同分量建立估计模型，最终获得锂电池SOH估计结果。
3、本发明可以较好地短期内锂离子电池健康状态估计不准确的问题，同时对不同环境下的锂离子电池健康状态的研究也具有重要意义。
附图说明
图1是本发明所述一种考虑容量再生情况的锂离子电池健康状态评估方法的流程图；
图2是本发明所述锂离子电池容量衰减趋势图；
图3是本发明所述基于数据预处理的的锂离子电池健康状态估计流程图；
图4是本发明所述锂离子电池容量输入输出划分图；
图5是本发明所述经最优变分模态分解后的各模态分量图；
图6是本发明所述基于加权向量平均方法改进的支持向量机模型的锂离子电池健康状态估计结果图。
具体实施方式
下面结合附图对本发明的实施例进行具体描述，如图1-6所示；
首先利用NASA老化数据分析锂离子电池老化机理，选取容量作为健康因子。
锂离子电池老化过程由于受内部化学反应与外界环境影响，老化曲线并不是平滑的下降曲线，受电磁干扰、充放电倍率以及温度等因素影响，老化过程会存在不同程度的容量再生现象。锂离子电池SOH定义如式1所示，容量定义了电动汽车每次充电的里程数或便携式电子产品每次充电的服务时间，可通过描述实际容量和基本循环次数之间关系估计锂离子电池健康状态，本发明选取容量作为锂离子电池SOH估计的健康因子。
其次，容量再生的出现导致传统的估计方法短期内无法准确估计锂离子电池的健康状态，本发明中引入最优变分模态分解的数据预处理方法，具体过程如下：
将容量序列C(t)分解为由有限个中心频率不同、带宽有限的子序列{Ck(t)}(k＝1，2，3，…，K)，获取老化趋势和容量再生的容量高频和低频分量：
式中，K为容量序列分解模态总数，Ck和ωk分别为第k个模态的时域信号和中心频率。
为求解上述容量分解结果的约束变分优化问题，引入拉格朗日乘法算子λ和二阶惩罚因子α，获取容量分解结果最优解：
其中，
利用交替乘子算法，连续更新锂离子电池各模态分量及其中心频率，分别计算不同分解层数每个分量中心频率，确定最优分解层数。
求得当K取不同值时中心频率如表1和表2所示，其中表1是B0005号电池K取不同值时的中心频率表，其具体内容如下：
表2是B0006号电池K取不同值时的中心频率表，其具体内容如下：
由表1-表2可知，以B0005号电池为例，当K＝6时，中心频率分解到0.4735，同样，K＝7时，中心频率分解到0.4736，说明从K＝6开始，各模态中心频率已经稳定，B0006电池结果类似。因此，基于对中心频率的计算及对比，锂离子电池容量分解模态总数取6。最终分解结果如图5所示。
再次，构建加权向量平均方法改进的支持向量机模型对锂离子电池健康状态进行估计。按照图4所示流程对锂离子电池数据集进行训练集和测试集的划分。基于锂离子电池容量数据分解结果，引入支持向量机估计模型：
f(c)＝ωTφ(c)+b (6)
针对SVR模型易陷入局部最优的问题，引入加权向量平均方法优化支持向量机模型的惩罚因子和核函数宽度。最终SOH估计结果以及误差曲线如图6所示。
SOH估计结果曲线如图6所示，由图可以看出，未对数据进行预处理的方法在容量出现回升处存在估计结果偏离和滞后实际值的问题，引入最优变分模态分解之后的估计结果更接近实际。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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”。
上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。
Claims (5)
1.一种考虑容量再生情况的锂离子电池健康状态评估方法，其特征在于，该方法包括如下步骤：
步骤一，获取锂离子电池老化数据，选取直接健康因子容量；
步骤二，对锂离子电池老化数据进行处理，提取容量信息；
步骤三，利用不同分解层数下中心频率不同，根据中心频率比较法，求得最优分解层数，然后对提取的容量信息进行模态分解；
步骤四，利用加权向量平均方法改进支持向量机模型中的核参数和惩罚系数，基于容量分解结果，对分解后的各容量序列进行估计，并得到锂离子电池SOH估计模型。
2.根据权利要求1所述的一种考虑容量再生情况的锂离子电池健康状态评估方法，其特征在于，所述步骤一中利用NASA老化数据分析锂离子电池老化机理，选取容量作为健康因子，通过实际容量和基本循环次数之间关系估计锂离子电池健康状态并得到锂离子电池SOH的表达式：
3.根据权利要求1所述的一种考虑容量再生情况的锂离子电池健康状态评估方法，其特征在于，所述步骤二中对锂离子电池老化数据进行处理并提取容量信息的过程是引入最优变分模态分解的数据预处理方法，将容量序列C(t)分解为由有限个中心频率不同、带宽有限的子序列{Ck(t)}(k＝1，2，3，…，K)，获取老化趋势和容量再生的容量高频和低频分量：
式中，K为容量序列分解模态总数，Ck和ωk分别为第k个模态的时域信号和中心频率。
4.根据权利要求1所述的一种考虑容量再生情况的锂离子电池健康状态评估方法，其特征在于，所述步骤三中通过引入拉格朗日乘法算子λ和二阶惩罚因子α，获取容量分解结果最优解：
其中，然后利用交替乘子算法，连续更新锂离子电池各模态分量及其中心频率，分别计算不同分解层数每个分量中心频率，确定最优分解层数；
5.根据权利要求1所述的一种考虑容量再生情况的锂离子电池健康状态评估方法，其特征在于，所述步骤四中构建加权向量平均方法改进的支持向量机模型对锂离子电池健康状态进行估计，对锂离子电池数据集进行训练集和测试集的划分，基于锂离子电池容量数据分解结果，得到支持向量机的锂离子电池SOH估计模型：
f(c)＝ωTφ(c)+b (6)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310983659.2A CN117214749A (zh) | 2023-08-07 | 2023-08-07 | 一种考虑容量再生情况的锂离子电池健康状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310983659.2A CN117214749A (zh) | 2023-08-07 | 2023-08-07 | 一种考虑容量再生情况的锂离子电池健康状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117214749A true CN117214749A (zh) | 2023-12-12 |
Family
ID=89048627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310983659.2A Pending CN117214749A (zh) | 2023-08-07 | 2023-08-07 | 一种考虑容量再生情况的锂离子电池健康状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117214749A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
-
2023
- 2023-08-07 CN CN202310983659.2A patent/CN117214749A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
| CN117805662B (zh) * | 2024-02-26 | 2024-06-11 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review | |
| Jiang et al. | Incremental capacity analysis based adaptive capacity estimation for lithium-ion battery considering charging condition | |
| Dai et al. | A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain | |
| Chen et al. | State-of-charge estimation of lithium-ion battery using an improved neural network model and extended Kalman filter | |
| Wu et al. | Health prognosis with optimized feature selection for lithium-ion battery in electric vehicle applications | |
| Eddahech et al. | Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks | |
| He et al. | State of health estimation of lithium‐ion batteries: A multiscale G aussian process regression modeling approach | |
| Zhou et al. | A fast screening framework for second-life batteries based on an improved bisecting K-means algorithm combined with fast pulse test | |
| Barcellona et al. | Analysis of ageing effect on Li‐polymer batteries | |
| Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
| Xia et al. | State of health and remaining useful life prediction of lithium-ion batteries based on a disturbance-free incremental capacity and differential voltage analysis method | |
| CN113125987A (zh) | 一种新型混合的锂离子电池健康状态预测方法 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| CN117214749A (zh) | 一种考虑容量再生情况的锂离子电池健康状态评估方法 | |
| Duan et al. | Online parameter identification and state of charge estimation of battery based on multitimescale adaptive double Kalman filter algorithm | |
| Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
| Tao et al. | Battery cross-operation-condition lifetime prediction via interpretable feature engineering assisted adaptive machine learning | |
| Long et al. | Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries | |
| Zhu et al. | Adaptive state of health estimation for lithium-ion batteries using impedance-based timescale information and ensemble learning | |
| Ren et al. | Fusion estimation strategy based on dual adaptive Kalman filtering algorithm for the state of charge and state of health of hybrid electric vehicle Li‐ion batteries | |
| Fan et al. | Data-driven identification of lithium-ion batteries: A nonlinear equivalent circuit model with diffusion dynamics | |
| CN114779087A (zh) | 一种基于相关性分析与vmd-lstm的锂离子电池剩余使用寿命预测方法 | |
| Sangiri et al. | A novel methodology to estimate the state-of-health and remaining-useful-life of a Li-ion battery using discrete Fourier transformation | |
| Kamali et al. | Novel SOH estimation of lithium-ion batteries for real-time embedded applications | |
| Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting |
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 |