CN117269766B - 一种面向不平衡使用场景的电池soh预测方法 - Google Patents
一种面向不平衡使用场景的电池soh预测方法 Download PDFInfo
- Publication number
- CN117269766B CN117269766B CN202311087816.8A CN202311087816A CN117269766B CN 117269766 B CN117269766 B CN 117269766B CN 202311087816 A CN202311087816 A CN 202311087816A CN 117269766 B CN117269766 B CN 117269766B
- Authority
- CN
- China
- Prior art keywords
- soh
- battery
- sequence
- prediction
- time
- 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 43
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000032683 aging Effects 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000002474 experimental method Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 9
- 238000007600 charging Methods 0.000 claims description 9
- 229910001416 lithium ion Inorganic materials 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000010277 constant-current charging Methods 0.000 claims description 6
- 238000010281 constant-current constant-voltage charging Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 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]
- G01R31/367—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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种面向不平衡使用场景的电池SOH预测方法,该方法包括:设计并实施电池不平衡老化实验,采集实验数据并进行预处理,得到电池老化数据集;使用所采集的实验数据训练并测试基于电池特性的SOH预测模块,该模块包括SOH估计子模块和基于历史SOH的预测子模块;使用所采集的实验数据训练并测试基于运行模式的电池SOH预测模块,该模块包括基于时空依赖的多维时间序列预测子模块和测试完成的SOH估计子模块;训练并测试基于注意力机制的融合模块,将基于电池特性的SOH预测模块的SOH预测值和基于运行模式的电池SOH预测模块的SOH预测值输入基于注意力机制的融合模块,输出最终的SOH预测值。本发明在电池循环工况复杂的情况下仍能精确预测电池的SOH。
Description
技术领域
本发明涉及锂电池技术领域,尤其涉及一种面向不平衡使用场景的电池SOH预测方法。
背景技术
锂电池被广泛应用于储能系统,电池的健康状态(State of Health,SOH)是评估电池老化状态的重要指标。
目前锂电池SOH预测的方法分为基于模型的SOH预测方法和基于数据驱动的SOH预测方法。基于模型的SOH预测方法通过建立等效电路模型、电化学模型和经验模型等预测电池的SOH,该方法存在建模复杂、参数辨识困难和难以在复杂运行状态下应用等缺点。基于数据驱动的SOH预测方法无需对电池的复杂物理现象进行建模,因此更适应在复杂运行情况下预测电池的SOH。目前常用的基于数据驱动的SOH预测方法包括支持向量机、高斯过程回归和循环神经网络等,这些方法通过学习历史SOH和未来SOH之间的关系,以预测电池的SOH。
当前,基于数据驱动的SOH预测方法存在以下问题:①用于训练SOH预测模型的数据集工况固定,即电池在每个充放电循环的工况完全相同,导致在电池工作情况不固定时,所训练的SOH预测模型无法应用;②仅利用电池特性预测SOH,没有考虑运行模式对SOH预测结果的影响;③在预测未来工况时,仅考虑同时间步各变量之间的依赖关系,未能利用不同时间片段下各变量之间的依赖关系。
发明内容
为了克服现有基于数据驱动的SOH预测方法的上述不足,本发明提出一种面向不平衡使用场景的电池SOH预测方法。
本发明的技术方案如下:
S1、设计并实施电池不平衡老化实验,采集并预处理实验数据,得到电池老化数据集;
S2、训练并测试基于电池特性的SOH预测模块,该模块包括SOH估计子模块和基于历史SOH的预测子模块,训练和测试过程为:使用电池老化数据集所有循环数据训练并测试所述SOH估计子模块;测试通过后,将电池老化数据集所有循环数据输入所述SOH估计子模块,使其输出各个循环的SOH估计值;对所述输出的SOH估计值进行滑动窗口采样,生成历史SOH序列和未来SOH序列数据集;将历史SOH序列输入所述基于历史SOH的预测子模块,使其输出未来SOH序列,对所述基于历史SOH的预测子模块进行训练和测试;
S3、训练并测试基于运行模式的电池SOH预测模块,该模块包括基于时空依赖的多维时间序列预测子模块和步骤S2中训练并测试完成的SOH估计子模块,训练和测试过程为:对电池老化数据集中由电压、电流和温度构成的多维时间序列进行滑动窗口采样,生成历史多维时间序列和未来多维时间序列数据集,将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列,对所述基于时空依赖的多维时间序列预测子模块进行训练和测试;测试通过后,将所有历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列的预测值;将所述未来多维时间序列的预测值输入所述SOH估计子模块,使其输出未来SOH序列的预测值;
S4、训练并测试基于注意力机制的融合模块,将步骤S2所述的基于电池特性的SOH预测模块的SOH预测值和步骤S3所述的基于运行模式的电池SOH预测模块的SOH预测值输入基于注意力机制的融合模块,使其输出最终的SOH预测值,对所述基于注意力机制的融合模块进行训练并测试。
在本方案中,步骤S3所述将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列,对所述基于时空依赖的多维时间序列预测子模块进行训练和测试,具体为:
S301、采用电压、电流和温度数据构建多维时间序列X1:T,具体如下:
其中,V1:T为电压序列,I1:T为电流序列,T1:T为温度序列,T为序列长度;
S302、将多维时间序列X1:T分段,具体如下:
其中,为第d个维度的序列分段后的第i个片段,Lseg为每个片段的长度,d为维度序号,xt,d为特征的第d个维度在t时间步的值;
S303、对每个片段都使用线性投影嵌入到一个向量中,并添加位置嵌入,具体如下:
其中,E为可学习的线性投影矩阵,为位置(i,d)可学习的位置嵌入矩阵;
S304、根据所有hi,d生成一个2维的矩阵:
S305、将步骤S304定义的H或下层2阶段注意力层的输出W输入2阶段注意力层,先经过跨时间注意力阶段,学习单个物理量不同时间段之间的联系,再经过跨维度注意力阶段,学习不同物理量之间的联系,2阶段注意力层可表示为:
Z=TSA(W) (6)
其中,Z为2阶段注意力层的输出,W为步骤S304定义的H或下层2阶段注意力层的输出;
S306、级联步骤S305所述的2阶段注意力层,构建N层层次编码器,每层在时间维度上合并上一层所有的输出,生成该层的编码输出Zenc,l,具体如下:
其中,Zenc,l为第l层的编码器输出,为合并操作,Ll-1为Zenc ,l-1的长度;
S307、级联N+1层解码器,构成层次解码器,对编码器每层的输出进行解码,生成该层的解码输出Zdec,l,具体如下:
其中,E(dec)为解码器可学习的位置嵌入,Zdec,l为第l层解码器的输出,AMD为基于注意力机制的解码器;
S308、合并所有解码器的输出,生成最终的预测值,具体如下:
其中,Wl为每层可学习的投影矩阵,为T+1:T+τ时间步多维时间序列的预测值,包括电压序列VT+1:T+τ,电流序列IT+1:T+τ,温度序列TT+1:T+τ;
S309、基于步骤S301到S308构建所述的基于时空依赖的多维时间序列预测子模块;对Dmts进行滑动窗口采样,生成历史多维时间序列和未来多维时间序列数据集,将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列,对所述基于时空依赖的多维时间序列预测子模块进行训练和测试,得到满足精度要求的基于时空依赖的多维时间序列预测子模块。
在本方案中,步骤S1所述设计并实施电池不平衡老化实验,采集并预处理实验数据,得到电池老化数据集,具体包括:
S101、选择目标型号的N个锂离子电池;
S102、构建实验参数集:
W={I,V,T,SOClow,SOChigh,Mc,Md} (13)
其中,I为锂离子电池的充放电电流;V为锂离子电池的端电压;T为环境温度;SOClow为电池荷电状态运行区间的下限;SOChigh为电池荷电状态运行区间的上限;Mc为所采用的充电方式,具体包括恒流充电、多阶梯恒流充电、恒流恒压充电、多阶梯恒流恒压充电;Md为所采用的放电方式,具体包括恒流放电、多阶梯恒流放电、恒流恒压放电、多阶梯恒流恒压放电;
S103、在实验参数集W中,选择至少一个参数作为不平衡参数构建不平衡参数集Wu,其余未选中的参数作为固定参数集Wf;
S104、采用实验参数集W中所有连续变量,构建连续变量参数集Wu1={I、V、T、SOClow、SOChigh},求不平衡参数集Wu与连续变量参数集Wu1的交集Wv1;根据电池参数设置Wv1中各参数的概率分布,即Yi~f(Yi),Yi∈Wv1,用于生成每个循环各参数的值;
S105、采用实验参数集W中所有离散变量,构建离散变量参数集Wu2={Mc、Md},求不平衡参数集Wu与离散变量参数集Wu2的交集Wm1;设置Wm1中各参数的概率分布P(M=Mj)=pj,用于生成每个循环的充电或放电方式,其中M∈Wm1,Mj为M对应的第j种方式,pj为该方式对应的概率;
S106、求固定参数集Wf与连续变量参数集Wu1的交集Wv2,设置Wv2中所有参数在电池老化实验的所有不平衡循环均为固定值,求固定参数集Wf与离散变量参数集Wu2的交集Wm2,在所有不平衡循环,均设置Wm2中的充电方式或放电方式为固定模式;
S107、设计标定循环,标定循环具体为:电池每进行50次S102-S105所述的不平衡循环后,按电池手册的参数进行一次标准充放电循环;
S108、对电池进行循环老化实验,在每次循环开始前根据步骤S102到S107设置该循环各个参数的值,直至电池最大容量小于电池手册标称容量的80%;
S109、收集实验数据,并据此构建电池老化数据集和/> 具体如下:
Dmts={vt,it,Tt|0≤t≤ttot} (14)
Ddis={Qdis,n|0≤n≤ntot} (15)
其中,vt,it,Tt分别为t时间步的电压、电流和温度,Qdis为标准循环时电池的放电容量,Qdis,n为第n个循环的放电容量,ttot为整个实验的时间步数,ntot为整个实验的标准循环数。
在本方案中,步骤S4所述将步骤S2所述的基于电池特性的SOH预测模块的SOH预测值和步骤S3所述的基于运行模式的电池SOH预测模块的SOH预测值输入基于注意力机制的融合模块,使其输出最终的SOH预测值,具体步骤如下:
S401、合并基于电池特性的SOH预测模块的SOH预测值与基于运行模式的电池SOH预测模块的SOH预测值,具体如下:
其中,SOHpred1为基于运行模式的SOH预测模块的SOH预测值,SOHpred2为基于电池特性的SOH预测模块的SOH预测值;
S402、使用(t-1)时间步RNN的隐状态和所有输入,计算t时间步的上下文向量:
其中,ht-1为上一个时间步的隐状态,αj为对应的注意力分数,为注意力打分函数,/>为激活函数,ct为t时间步的上下文向量;
S403、计算t时间步的隐状态和输出:
ht=f(ct,ht-1) (22)
SOHt=g(ht) (23)
其中,ht为t时间步RNN的隐状态,SOHt为t时间步的SOH预测值;
在本方案中,步骤S2所述使用电池老化数据集所有循环数据训练并测试所述SOH估计子模块,具体为:将不平衡循环的数据输入特征提取器提取特征,使用该特征对输入进行重构,计算重构损失,将标定循环的数据输入特征提取器提取特征,使用该特征估计SOH,计算SOH估计损失,重构损失和SOH估计构成联合损失,利用该联合损失函数对SOH估计模块进行训练和测试。
与现有技术相比,本发明的技术方案的有益效果是:
本发明提出的一种面向不平衡使用场景的电池SOH预测方法,可以在电池每个循环之间的工况动态变化时精确地预测未来的SOH。使用不平衡老化实验数据训练模型,可以提高模型面对动态工况时的预测能力。通过使用基于时空依赖的多维时间序列预测子模块,利用电流、电压和温度之间内在的物理联系,可以精确地预测未来电流、电压和温度的变化。通过使用基于注意力机制的融合模块,融合基于电池特性的SOH预测模块与基于运行模式的电池SOH预测模块的SOH预测值,综合考虑了电池内部特性和外部使用情况对电池SOH的影响,可有效提高SOH预测精度。本发明解决了现有基于数据驱动的SOH预测方法无法处理动态工况、未考虑运行模式以及未能充分利用各物理量之间的内在联系的问题。
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为本发明实施例中提供的一种面向不平衡使用场景的电池SOH预测方法示意图。
图2为发明实施例中提供的基于时空依赖的多维时间序列预测子模块示意图。
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,本发明提供了一种面向不平衡使用场景的电池SOH预测方法的实施例,包括:
S1、设计并实施电池不平衡老化实验,采集并预处理实验数据,得到电池老化数据集;
S2、训练并测试基于电池特性的SOH预测模块,该模块包括SOH估计子模块和基于历史SOH的预测子模块,训练和测试过程为:使用电池老化数据集所有循环数据训练并测试所述SOH估计子模块;测试通过后,将电池老化数据集所有循环数据输入所述SOH估计子模块,使其输出各个循环的SOH估计值;对所述输出的SOH估计值进行滑动窗口采样,生成历史SOH序列和未来SOH序列数据集;将历史SOH序列输入所述基于历史SOH的预测子模块,使其输出未来SOH序列,对所述基于历史SOH的预测子模块进行训练和测试;
S3、训练并测试基于运行模式的电池SOH预测模块,该模块包括基于时空依赖的多维时间序列预测子模块和步骤S2中训练并测试完成的SOH估计子模块,训练和测试过程为:对电池老化数据集中由电压、电流和温度构成的多维时间序列进行滑动窗口采样,生成历史多维时间序列和未来多维时间序列数据集,将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列,对所述基于时空依赖的多维时间序列预测子模块进行训练和测试;测试通过后,将所有历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列的预测值;将所述未来多维时间序列的预测值输入所述SOH估计子模块,使其输出未来SOH序列的预测值;
S4、训练并测试基于注意力机制的融合模块,将步骤S2所述的基于电池特性的SOH预测模块的SOH预测值和步骤S3所述的基于运行模式的电池SOH预测模块的SOH预测值输入基于注意力机制的融合模块,使其输出最终的SOH预测值,对所述基于注意力机制的融合模块进行训练并测试;
在本方案中,步骤S1所述设计并实施电池不平衡老化实验,采集并预处理实验数据,得到电池老化数据集,具体包括:
S101、选择目标型号的N个锂离子电池;
S102、构建实验参数集:
W={I,V,T,SOClow,SOChigh,Mc,Md} (13)
其中,I为锂离子电池的充放电电流;V为锂离子电池的端电压;T为环境温度;SOClow为电池荷电状态运行区间的下限;SOChigh为电池荷电状态运行区间的上限;Mc为所采用的充电方式,具体包括恒流充电、多阶梯恒流充电、恒流恒压充电、多阶梯恒流恒压充电;Md为所采用的放电方式,具体包括恒流放电、多阶梯恒流放电、恒流恒压放电、多阶梯恒流恒压放电;
S103、在实验参数集W中,选择至少一个参数作为不平衡参数构建不平衡参数集Wu,其余未选中的参数作为固定参数集Wf;
S104、采用实验参数集W中所有连续变量,构建连续变量参数集Wu1={I、V、T、SOClow、SOChigh},求不平衡参数集Wu与连续变量参数集Wu1的交集Wv1;根据电池参数设置Wv1中各参数的概率分布,即Yi~f(Yi),Yi∈Wv1,用于生成每个循环各参数的值;
S105、采用实验参数集W中所有离散变量,构建离散变量参数集Wu2={Mc、Md},求不平衡参数集Wu与离散变量参数集Wu2的交集Wm1;设置Wm1中各参数的概率分布P(M=Mj)=pj,用于生成每个循环的充电或放电方式,其中M∈Wm1,Mj为M对应的第j种方式,pj为该方式对应的概率;
S106、求固定参数集Wf与连续变量参数集Wu1的交集Wv2,设置Wv2中所有参数在电池老化实验的所有不平衡循环均为固定值,求固定参数集Wf与离散变量参数集Wu2的交集Wm2,在所有不平衡循环,均设置Wm2中的充电方式或放电方式为固定模式;
S107、设计标定循环,标定循环具体为:电池每进行50次S102-S105所述的不平衡循环后,按电池手册的参数进行一次标准充放电循环;
S108、对电池进行循环老化实验,在每次循环开始前根据步骤S102到S107设置该循环各个参数的值,直至电池最大容量小于电池手册标称容量的80%;
S109、收集实验数据,并据此构建电池老化数据集和/> 具体如下:
其中,vt,it,Tt分别为t时间步的电压、电流和温度,Qdis为标准循环时电池的放电容量,Qdis,n为第n个循环的放电容量,ttot为整个实验的时间步数,ntot为整个实验的标准循环数。
在本方案中,步骤S2所述训练并测试基于电池特性的电池SOH预测模块,具体步骤如下:
S201、将Dmts按循环划分,使用标准循环数据生成有标签数据集Dl、使用随机循环数据生成无标签数据集Du;
S202、使用卷积神经网络建立SOH估计模块;
S203、以无标签数据集Du中不平衡循环的数据为输入,使用SOH估计子模块的特征提取器提取特征,使用所述特征对输入进行重构,计算重构损失;以有标签数据集Dl中标定循环的数据为输入,使用特征提取器提取特征,再使用所述特征估计SOH,计算SOH估计损失;重构损失和SOH估计构成联合损失,使用该联合损失函数对SOH估计模块进行训练和测试,测试通过后,得到训练完成的SOH估计模块SEtrained;
S204、将Dl和Du按循环输入SEtrained,得到所有循环的SOH组成的数据集D2,用于训练SOH预测模块;
S205、基于LSTM搭建SOH预测模块;
S206、按Dtrain、Dval和Dtest对应的循环下标,对数据集D2进行滑动窗口采样,并分为训练集验证集/>和测试集/>对SOH预测模块进行训练、验证和测试,得到训练完成的SOH估计模块SFtrained;
S207、将和/>全部输入SFtrained,生成SOHpred1。
为了便于理解,请参阅图2,在本方案中,步骤S3所述训练并测试基于运行模式的电池SOH预测模块,具体为:
S301、采用电压、电流和温度数据构建多维时间序列X1:T,具体如下:
其中,V1:T为电压序列,I1:T为电流序列,T1:T为温度序列,T为序列长度;
S302、将多维时间序列X1:T分段,具体如下:
其中,为第d个维度的序列分段后的第i个片段,Lseg为每个片段的长度,d为维度序号,xt,d为特征的第d个维度在t时间步的值;
S303、对每个片段都使用线性投影嵌入到一个向量中,并添加位置嵌入,具体如下:
其中,E为可学习的线性投影矩阵,为位置(i,d)可学习的位置嵌入矩阵。
S304、根据所有hi,d生成一个2维的矩阵:
S305、将步骤S304定义的H或下层2阶段注意力层的输出W输入2阶段注意力层,先经过跨时间注意力阶段,学习单个物理量不同时间段之间的联系,再经过跨维度注意力阶段,学习不同物理量之间的联系,2阶段注意力层可表示为:
Z=TSA(W) (6)
其中,Z为2阶段注意力层的输出,W为步骤S304定义的H或下层2阶段注意力层的输出;
S306、级联步骤S305所述的2阶段注意力层,构建N层层次编码器,每层在时间维度上合并上一层所有的输出,生成该层的编码输出Zenc,l,具体如下:
其中,Zenc,l为第l层的编码器输出,为合并操作,Ll-1为Zenc ,l-1的长度;
S307、级联N+1层解码器,构成层次解码器,对编码器每层的输出进行解码,生成该层的解码输出Zdec,l,具体如下:
其中,E(dec)为解码器可学习的位置嵌入,Zdec,l为第l层解码器的输出,AMD为基于注意力机制的解码器;
S308、合并所有解码器的输出,生成最终的预测值,具体如下:
其中,Wl为每层可学习的投影矩阵,为T+1:T+τ时间步多维时间序列的预测值,包括电压序列VT+1:T+τ,电流序列IT+1:T+τ,温度序列TT+1:T+τ;
S309、基于步骤S301到S308构建所述的基于时空依赖的多维时间序列预测子模块;对Dmts进行滑动窗口采样,生成历史多维时间序列和未来多维时间序列数据集,将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列,对所述基于时空依赖的多维时间序列预测子模块进行训练和测试,得到满足精度要求的基于时空依赖的多维时间序列预测子模块MTFtrained;
S310、将S309所述历史多维时间序列和未来多维时间序列数据集中的历史多维时间序列输入MTFtrained,使其输出未来多维时间序列的预测值;将所述未来多维时间序列的预测值输入所述SOH估计子模块,使其输出未来SOH序列的预测值SOHpred1。
在本方案中,步骤S4所述将步骤S2所述的基于电池特性的SOH预测模块的SOH预测值和步骤S3所述的基于运行模式的电池SOH预测模块的SOH预测值输入基于注意力机制的融合模块,使其输出最终的SOH预测值,具体步骤如下:
S401、合并基于电池特性的SOH预测模块的SOH预测值与基于运行模式的电池SOH预测模块的SOH预测值,具体如下:
其中,SOHpred1为基于运行模式的SOH预测模块的SOH预测值,SOHpred2为基于电池特性的SOH预测模块的SOH预测值;
S402、使用(t-1)时间步RNN的隐状态和所有输入,计算t时间步的上下文向量:
其中,ht-1为上一个时间步的隐状态,αj为对应的注意力分数,为注意力打分函数,/>为激活函数,ct为t时间步的上下文向量;
S403、计算t时间步的隐状态和输出:
ht=f(ct,ht-1) (22)
SOHt=g(ht) (23)
其中,ht为t时间步RNN的隐状态,SOHt为t时间步的SOH预测值。
Claims (2)
1.一种面向不平衡使用场景的电池SOH预测方法,其特征在于,该方法包括以下步骤:
S1、设计并实施电池不平衡老化实验,采集并预处理实验数据,得到电池老化数据集;
S2、训练并测试基于电池特性的SOH预测模块,该模块包括SOH估计子模块和基于历史SOH的预测子模块,训练和测试过程为:使用电池老化数据集所有循环数据训练并测试所述SOH估计子模块;测试通过后,将电池老化数据集所有循环数据输入所述SOH估计子模块,使其输出各个循环的SOH估计值;对所述输出的SOH估计值进行滑动窗口采样,生成历史SOH序列和未来SOH序列数据集;将历史SOH序列输入所述基于历史SOH的预测子模块,使其输出未来SOH序列,对所述基于历史SOH的预测子模块进行训练和测试;
S3、训练并测试基于运行模式的电池SOH预测模块,该模块包括基于时空依赖的多维时间序列预测子模块和步骤S2中训练并测试完成的SOH估计子模块,训练和测试过程为:对电池老化数据集中由电压、电流和温度构成的多维时间序列进行滑动窗口采样,生成历史多维时间序列和未来多维时间序列数据集,将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列,对所述基于时空依赖的多维时间序列预测子模块进行训练和测试;测试通过后,将所有历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列的预测值;将所述未来多维时间序列的预测值输入所述SOH估计子模块,使其输出未来SOH序列的预测值;
S4、训练并测试基于注意力机制的融合模块,将步骤S2所述的基于电池特性的SOH预测模块的SOH预测值和步骤S3所述的基于运行模式的电池SOH预测模块的SOH预测值输入基于注意力机制的融合模块,使其输出最终的SOH预测值,对所述基于注意力机制的融合模块进行训练并测试;
步骤S1所述设计并实施电池不平衡老化实验,采集并预处理实验数据,得到电池老化数据集,具体包括:
S101、选择目标型号的N个锂离子电池;
S102、构建实验参数集:
W={I,V,T,SOClow,SOChigh,Mc,Md} (1)
其中,I为锂离子电池的充放电电流;V为锂离子电池的端电压;T为环境温度;SOClow为电池荷电状态运行区间的下限;SOChigh为电池荷电状态运行区间的上限;Mc为所采用的充电方式,具体包括恒流充电、多阶梯恒流充电、恒流恒压充电、多阶梯恒流恒压充电;Md为所采用的放电方式,具体包括恒流放电、多阶梯恒流放电、恒流恒压放电、多阶梯恒流恒压放电;
S103、在实验参数集W中,选择至少一个参数作为不平衡参数构建不平衡参数集Wu,其余未选中的参数作为固定参数集Wf;
S104、采用实验参数集W中所有连续变量,构建连续变量参数集Wu1={I、V、T、SOClow、SOChigh},求不平衡参数集Wu与连续变量参数集Wu1的交集Wv1;根据电池参数设置Wv1中各参数的概率分布,即Yi~f(Yi),Yi∈Wv1,用于生成每个循环各参数的值;
S105、采用实验参数集W中所有离散变量,构建离散变量参数集Wu2={Mc、Md},求不平衡参数集Wu与离散变量参数集Wu2的交集Wm1;设置Wm1中各参数的概率分布P(M=Mj)=pj,用于生成每个循环的充电或放电方式,其中M∈Wm1,Mj为M对应的第j种方式,pj为该方式对应的概率;
S106、求固定参数集Wf与连续变量参数集Wu1的交集Wv2,设置Wv2中所有参数在电池老化实验的所有不平衡循环均为固定值,求固定参数集Wf与离散变量参数集Wu2的交集Wm2,在所有不平衡循环,均设置Wm2中的充电方式或放电方式为固定模式;
S107、设计标定循环,标定循环具体为:电池每进行50次S102-S105所述的不平衡循环后,按电池手册的参数进行一次标准充放电循环;
S108、对电池进行循环老化实验,在每次循环开始前根据步骤S102到S107设置该循环各个参数的值,直至电池最大容量小于电池手册标称容量的80%;
S109、收集实验数据,并据此构建电池老化数据集和/> 具体如下:
Dmts={vt,it,Tt|0≤t≤ttot} (2)
Ddis={Qdis,n|0≤n≤ntot} (3)
其中,vt,it,Tt分别为t时间步的电压、电流和温度,Qdis为标准循环时电池的放电容量,Qdis,n为第n个循环的放电容量,ttot为整个实验的时间步数,ntot为整个实验的标准循环数;
步骤S3所述将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列,对所述基于时空依赖的多维时间序列预测子模块进行训练和测试,具体为:
S301、采用电压、电流和温度数据构建多维时间序列X1:T,具体如下:
其中,V1:T为电压序列,I1:T为电流序列,T1:T为温度序列,T为序列长度;
S302、将多维时间序列X1:T分段,具体如下:
其中,为第d个维度的序列分段后的第i个片段,Lseg为每个片段的长度,d为维度序号,xt,d为特征的第d个维度在t时间步的值;
S303、对每个片段都使用线性投影嵌入到一个向量中,并添加位置嵌入,具体如下:
其中,E为可学习的线性投影矩阵,为位置(i,d)可学习的位置嵌入矩阵;
S304、根据所有hi,d生成一个2维的矩阵H;
S305、将步骤S304定义的H或下层2阶段注意力层的输出W输入2阶段注意力层,先经过跨时间注意力阶段,学习单个物理量不同时间段之间的联系,再经过跨维度注意力阶段,学习不同物理量之间的联系,2阶段注意力层表示为:
Z=TSA(W) (8)
其中,Z为2阶段注意力层的输出,W为步骤S304定义的H或下层2阶段注意力层的输出;
S306、级联步骤S305所述的2阶段注意力层,构建N层层次编码器,每层在时间维度上合并上一层所有的输出,生成该层的编码输出Zenc,l,具体如下:
其中,Zenc,l为第l层的编码器输出,为合并操作,Ll-1为Zenc,l-1的长度;
S307、级联N+1层解码器,构成层次解码器,对编码器每层的输出进行解码,生成该层的解码输出Zdec,l,具体如下:
其中,E(dec)为解码器可学习的位置嵌入,Zdec,l为第l层解码器的输出,AMD为基于注意力机制的解码器;
S308、合并所有解码器的输出,生成最终的预测值,具体如下:
其中,Wl为每层可学习的投影矩阵,为T+1:T+τ时间步多维时间序列的预测值,包括电压序列VT+1:T+τ,电流序列IT+1:T+τ,温度序列TT+1:T+τ;
S309、基于步骤S301到S308构建所述的基于时空依赖的多维时间序列预测子模块;对Dmts进行滑动窗口采样,生成历史多维时间序列和未来多维时间序列数据集,将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块,使其输出未来多维时间序列,对所述基于时空依赖的多维时间序列预测子模块进行训练和测试,得到满足精度要求的基于时空依赖的多维时间序列预测子模块;
步骤S4所述将步骤S2所述的基于电池特性的SOH预测模块的SOH预测值和步骤S3所述的基于运行模式的电池SOH预测模块的SOH预测值输入基于注意力机制的融合模块,使其输出最终的SOH预测值,具体步骤如下:
S401、合并基于电池特性的SOH预测模块的SOH预测值与基于运行模式的电池SOH预测模块的SOH预测值,具体如下:
其中,SOHpred1为基于运行模式的SOH预测模块的SOH预测值,SOHpred2为基于电池特性的SOH预测模块的SOH预测值;
S402、使用(t-1)时间步RNN的隐状态和所有输入,计算t时间步的上下文向量:
其中,ht-1为上一个时间步的隐状态,αj为对应的注意力分数,为注意力打分函数,/>为激活函数,ct为t时间步的上下文向量;
S403、计算t时间步的隐状态ht和输出SOHt,其中,ht为t时间步RNN的隐状态,SOHt为t时间步的SOH预测值。
2.根据权利要求1所述的一种面向不平衡使用场景的电池SOH预测方法,其特征在于,步骤S2所述使用电池老化数据集所有循环数据训练并测试所述SOH估计子模块,具体为:将不平衡循环的数据输入特征提取器提取特征,使用该特征对输入进行重构,计算重构损失,将标定循环的数据输入特征提取器提取特征,使用该特征估计SOH,计算SOH估计损失,重构损失和SOH估计损失构成联合损失,利用该联合损失对SOH估计模块进行训练和测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311087816.8A CN117269766B (zh) | 2023-08-28 | 2023-08-28 | 一种面向不平衡使用场景的电池soh预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311087816.8A CN117269766B (zh) | 2023-08-28 | 2023-08-28 | 一种面向不平衡使用场景的电池soh预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117269766A CN117269766A (zh) | 2023-12-22 |
CN117269766B true CN117269766B (zh) | 2024-05-14 |
Family
ID=89218585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311087816.8A Active CN117269766B (zh) | 2023-08-28 | 2023-08-28 | 一种面向不平衡使用场景的电池soh预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117269766B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
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 |
CN114818515A (zh) * | 2022-06-24 | 2022-07-29 | 中国海洋大学 | 一种基于自注意力机制和图卷积网络的多维时序预测方法 |
WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及系统 |
CN116068399A (zh) * | 2023-02-08 | 2023-05-05 | 天津华致能源科技有限公司 | 基于特征选择和时序注意力的锂电池健康状态估计方法 |
CN116381517A (zh) * | 2023-04-07 | 2023-07-04 | 北京航空航天大学 | 基于时间卷积注意力机制的锂电池剩余寿命概率预测方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
-
2023
- 2023-08-28 CN CN202311087816.8A patent/CN117269766B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及系统 |
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 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN114818515A (zh) * | 2022-06-24 | 2022-07-29 | 中国海洋大学 | 一种基于自注意力机制和图卷积网络的多维时序预测方法 |
CN116068399A (zh) * | 2023-02-08 | 2023-05-05 | 天津华致能源科技有限公司 | 基于特征选择和时序注意力的锂电池健康状态估计方法 |
CN116381517A (zh) * | 2023-04-07 | 2023-07-04 | 北京航空航天大学 | 基于时间卷积注意力机制的锂电池剩余寿命概率预测方法 |
Non-Patent Citations (2)
Title |
---|
SOH estimation method of lithium-ion battery based on multilayer feedforward neural network;Yuanliang Fan;2020 8th International Conference on Power Electronics Systems and Applications;20201231;正文第1-6页 * |
基于注意力机制的双向LSTM锂电池SOH估算模型;李苏阳 等;电源技术;20220731;第739-742页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117269766A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
Zhao et al. | A compact methodology via a recurrent neural network for accurate equivalent circuit type modeling of lithium-ion batteries | |
Li et al. | A new prognostics method for state of health estimation of lithium-ion batteries based on a mixture of Gaussian process models and particle filter | |
Kim et al. | Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data | |
Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
CN103954913A (zh) | 电动汽车动力电池寿命预测方法 | |
CN108064391B (zh) | 一种电池循环寿命的快速预测方法及其快速预测装置 | |
Zheng et al. | State of health estimation for lithium battery random charging process based on CNN-GRU method | |
CN115453399B (zh) | 一种考虑不一致性的电池组soh估计方法 | |
CN112666479B (zh) | 一种基于充电循环融合的电池寿命预测方法 | |
Xu et al. | Fast capacity prediction of lithium-ion batteries using aging mechanism-informed bidirectional long short-term memory network | |
Zheng et al. | A novel method for lithium-ion battery remaining useful life prediction using time window and gradient boosting decision trees | |
CN115469227A (zh) | 一种集合变分自编码器与动态规整的锂电池异常检测方法 | |
DIng et al. | Li-ion battery health estimation based on multi-layer characteristic fusion and deep learning | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
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 | |
Chen et al. | Sequence training and data shuffling to enhance the accuracy of recurrent neural network based battery voltage models | |
CN116047300A (zh) | 用以预测电池的特性参数的控制器及其方法 | |
Wang et al. | Fast modeling of the capacity degradation of lithium-ion batteries via a conditional temporal convolutional encoder–decoder | |
CN114814592A (zh) | 锂电池健康状态估计与剩余使用寿命预测方法及设备 | |
Schmitt et al. | Effective estimation of battery state-of-health by virtual experiments via transfer-and meta-learning | |
CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
CN117269766B (zh) | 一种面向不平衡使用场景的电池soh预测方法 | |
CN117406100A (zh) | 锂离子电池剩余寿命预测方法和系统 | |
CN112580211A (zh) | 基于sa和ann算法的铅酸蓄电池soh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 |