CN117406110A - 基于寿命预诊断和迁移学习的锂离子电池soh估计方法 - Google Patents

基于寿命预诊断和迁移学习的锂离子电池soh估计方法 Download PDF

Info

Publication number
CN117406110A
CN117406110A CN202311529542.3A CN202311529542A CN117406110A CN 117406110 A CN117406110 A CN 117406110A CN 202311529542 A CN202311529542 A CN 202311529542A CN 117406110 A CN117406110 A CN 117406110A
Authority
CN
China
Prior art keywords
battery
life
soh
data
current charging
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
Application number
CN202311529542.3A
Other languages
English (en)
Inventor
张彦琴
杨紫东
张宇辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202311529542.3A priority Critical patent/CN117406110A/zh
Publication of CN117406110A publication Critical patent/CN117406110A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/385—Arrangements for measuring battery or accumulator 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]
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明公开了基于寿命预诊断和迁移学习的锂离子电池SOH估计方法，提取电池寿命特征值，利用两个聚类中心电池的历史循环数据建立电池SOH的门控循环神经网络GRU预测模型，输入为电池1C倍率恒流充电时间和1C倍率恒流充电平均电压，输出为电池SOH。对待估计电池，要在早期循环数据中提取寿命特征，进行寿命类别判断，匹配相应的SOH预测模型；再利用早期循环数据对预测模型进行迁移学习，继而在迁移学习后的模型基础上，循环数据包括电池1C倍率恒流充电时间和1C倍率恒流充电平均电压作为输入，进行SOH估计。估计方法建立在既有模型基础上，不需要对每个电池进行数据模型建模，在保障估计精度的前提下节约了时间成本。

Description

基于寿命预诊断和迁移学习的锂离子电池SOH估计方法
技术领域
本发明属于动力电池管理领域，用于估计充放电循环的锂离子电池健康状态。
背景技术
锂离子电池在使用过程中，其性能会随着充放电循环过程而逐渐衰退，主要体现为可用容量衰减及功率性能下降等。因此为了保障电池能够满足用电设备的电量需求，有必要对以可用容量表征的健康状态(SOH，State ofHealth)进行估计。健康状态的估计用于保障电池使用的安全性和可靠性，是电池管理系统的重要功能。
现有的基于数据驱动的SOH估计方法依据电池既往充放电循环数据，建立数据模型，对目标电池进行SOH估计。这种方法对于同一批电池和同样充放电循环模式的电池SOH估计具有很好的预测效果，但是当目标电池与数据模型电池存在差异，以及电池处于不同充放电循环模式时，这种方法的估计精度会受到较大影响。因此基于数据驱动的估计方法存在泛化性能和适应能力差的问题。
发明内容
本发明为解决数据驱动方法对不同批次和不同充放电循环模式电池的SOH估计精度低、泛化性能和适应能力差的问题，提出了一种基于寿命预诊断和迁移学习相结合的电池SOH估计方法。
具体发明内容如下：首先需要一批电池的早期充放电循环数据(例如前100次充放电循环数据，电池可以有不同的充放电循环模式)，提取电池寿命诊断的两个特征值；然后以特征值为输入，利用聚类算法将电池进行分类，以两类为例，划分为长寿命和短寿命电池；聚类算法同时还可输出两个聚类中心电池，以该聚类中心电池的历史充放电数据为基础，提取健康因子，应用门控循环神经网络(GRU,Gated Recurrent Unit)建立两个数据模型，分别为长寿命电池数据模型和短寿命电池数据模型，用于电池的SOH估计。
对于待估计的目标电池，需要获取其早期循环数据，例如前100次充放电循环数据，提取寿命诊断特征值，根据特征值判断电池的预期寿命。根据预期寿命长短，选用相应的数据模型，再利用早期循环数据对模型进行迁移学习，进行目标电池的SOH估计。
为了更加清晰地说明本发明的技术方案，以下结合附图和具体实施步骤，对本发明进行进一步详细说明。
步骤1，寿命诊断特征值提取。在选取的一批电池前100次循环的数据中，提取每个电池的两个寿命诊断特征值，分别为LPF_1和LPF_2。其中LPF_1的计算如式(1)所示：
式中，V和Q均为Q(V)曲线上的坐标点，Q(V)曲线为纵坐标为累积放电容量(Ah)，横坐标为对应放电电压(V)的曲线。计算式(1)需要有每个电池第10次和第100次累计放电容量随放电电压变化的Q(V)曲线。式中，N为Q(V)曲线上离散点的数量，N根据实际数据采集点确定，要求两条曲线的采集点数量相同。
寿命诊断特征值LPF_2计算如式(2)所示：
式中，为ΔQ10-100序列的第i个值，i∈1,2,…,N，/>为ΔQ10-100序列的平均值。
其中，ΔQ10-100序列的计算如式(3)所示，
ΔQ10-100＝Q10-Q100 (3)
其中，Q10为电池第10次循环Q(V)曲线的容量序列，Q100为电池第100次循环Q(V)曲线的容量序列，Q10和Q100的序列长度统一为N。
步骤2，应用k-means聚类算法，将步骤1中提取的每个电池两个寿命识别特征值为输入，将聚类个数设定为2，将所选取的电池分为长寿命电池和短寿命电池两类，同时输出2个聚类中心电池。
步骤3，以2个聚类中心电池的历史数据作为基础数据，以1C倍率恒流充电时间和1C倍率恒流充电平均电压作为健康因子输入到GRU神经网络中，以电池SOH为输出，基于GRU神经网络进行数据训练，分别得到用于长短寿命电池预测的SOH估计模型，形成SOH估计模型库。
步骤4，获取待估计电池前100次充放电循环数据，按照式(1)和式(2)提取两个寿命特征识别值，并输入到步骤2的寿命识别聚类算法中，根据待估计电池与聚类中心电池的距离，其中，L1为待估计电池与长寿命电池聚类中心电池的距离，L2为待估计电池与短寿命电池聚类中心电池的距离。确定目标电池的类别，匹配合适的SOH估计模型。
步骤5，从待估计电池寿命早期采集的数据中提取以1C倍率恒流充电时间，1C倍率恒流充电平均电压和SOH序列组成再训练数据，对所匹配的SOH数据模型进行迁移学习，在训练过程中仅调整GRU神经网络中全连接层的权重和偏置，保持其他层的参数不变，得到迁移模型，实现模型的适应性训练。
步骤6，从待估计电池当前循环中在线提取健康因子，即1C倍率恒流充电时间，和1C倍率恒流充电平均电压输入到步骤5训练好的迁移模型中，即可输出SOH估计值。
与现有技术相比较，本方法首先对电池进行寿命诊断，从而应用符合寿命预期的数据模型，解决了模型的泛化性或需要重新建模的问题；其次，在应用数据模型时，利用早期数据对模型进行迁移学习，在花费很小时间代价的基础上，提高了模型预测精度，解决了模型的适用性问题。在具体实践中，对不同批次电池，和不同充放电循环模式电池的预测中，都取得了很好的预测效果。
附图说明
图1为基于K-Means算法的电池寿命分类图。
图2为电池SOH预测模型库的建立图。
图3为待估计电池寿命诊断和模型匹配图。图中，L1为待估计电池与长寿命电池聚类中心电池的距离。L2为待估计电池与短寿命电池聚类中心电池的距离
图4为对待估计电池的SOH预测图。
图5为本发明方法的整体流程图。
具体实施方式
以下结合具体实施方法包括如下步骤：
为了更加清晰地说明本发明的技术方案，以下结合附图和具体实施步骤，对本发明进行进一步详细说明。
步骤1，寿命诊断特征值提取。在选取的一批电池前100次循环的数据中，提取每个电池的两个寿命诊断特征值，分别为LPF_1和LPF_2。其中LPF_1的计算如式(1)所示：
式中，V和Q均为Q(V)曲线上的坐标点，Q(V)曲线为纵坐标为累积放电容量(Ah)，横坐标为对应放电电压(V)的曲线。计算式(1)需要有每个电池第10次和第100次累计放电容量随放电电压变化的Q(V)曲线。式中，N为Q(V)曲线上离散点的数量，N根据实际数据采集点确定，要求两条曲线的采集点数量相同。
寿命诊断特征值LPF_2计算如式(2)所示：
式中，为ΔQ10-100序列的第i个值，i∈1,2,…,N，/>为ΔQ10-100序列的平均值。
其中，ΔQ10-100序列的计算如式(3)所示，
ΔQ10-100＝Q10-Q100 (3)
其中，Q10为电池第10次循环Q(V)曲线的容量序列，Q100为电池第100次循环Q(V)曲线的容量序列，Q10和Q100的序列长度统一为N。
步骤2，应用k-means聚类算法，将步骤1中提取的每个电池两个寿命识别特征值为输入，将聚类个数设定为2，将所选取的电池分为长寿命电池和短寿命电池两类，同时输出2个聚类中心电池。具体操作如图1所示。
步骤3，以2个聚类中心电池的历史数据作为基础数据，以1C倍率恒流充电时间和1C倍率恒流充电平均电压作为健康因子输入到GRU神经网络中，以电池SOH为输出，基于GRU神经网络进行数据训练，分别得到用于长短寿命电池预测的SOH估计模型，形成SOH估计模型库。具体操作如图2所示。
步骤4，获取待估计电池前100次充放电循环数据，按照式(1)和式(2)提取两个寿命特征识别值，并输入到步骤2的寿命识别聚类算法中，根据待估计电池与聚类中心电池的距离，其中，L1为待估计电池与长寿命电池聚类中心电池的距离，L2为待估计电池与短寿命电池聚类中心电池的距离。确定目标电池的类别，匹配合适的SOH估计模型。操作如图3所示。
步骤5，从待估计电池寿命早期采集的数据中提取以1C倍率恒流充电时间，1C倍率恒流充电平均电压和SOH序列组成再训练数据，对所匹配的SOH数据模型进行迁移学习，在训练过程中仅调整GRU神经网络中全连接层的权重和偏置，保持其他层的参数不变，得到迁移模型，实现模型的适应性训练。
步骤6，从待估计电池当前循环中在线提取健康因子，即1C倍率恒流充电时间，和1C倍率恒流充电平均电压输入到步骤5训练好的迁移模型中，即可输出SOH估计值。操作如图4所示。为了说明本发明方法的实施效果，下面将对一批电池的SOH进行估计，并用均方根误差(Root Mean Square Error，RMSE)验证该方法的估计精度。
这批电池共有124块，所有电池均采用一步或两步快速充电策略进行充电，一共包含71种充电模式。首先，将124块电池中的94块电池循环数据作为训练数据集，剩下的30块电池数据作为测试数据集。
应用本发明中的步骤，使用k-means聚类算法对训练数据集进行分类，将电池分为长寿命电池和短寿命电池，输出每一类电池的聚类中心，建立预期寿命识别模型。使用不同类别的聚类中心电池历史数据对GRU模型进行训练，分别得到长寿命电池预测模型和短寿命电池预测模型，形成预测模型库。
从待估计电池中提取的电池寿命识别特征，输入预期寿命识别模型中，输出待测电池寿命识别结果，根据识别的结果从预测模型库中选择与之寿命相匹配的数据模型。即若识别出待测电池为短寿命电池，则自动匹配短寿命电池预测模型，反之，则自动匹配长寿命电池模型。
然后，提取待估计电池前期循环数据作为迁移数据，对匹配的预测模型进行迁移训练，得到迁移预测模型。
最后，从待估计电池当前试验数据中提取1C倍率恒流充电时间，1C倍率恒流充电平均电压，输入到迁移模型中，输出SOH预测结果。
对30块电池SOH进行预测并用放电容量进行验证，40％的电池的预测均方根误差(RMSE)低于0.01，60％的电池预测均方根误差(RMSE)在0.01-0.02之间。模型对30块电池预测的RMSE的方差为1.91×10-5，波动性较小。显示了该方法能够用于不同充电模式的具有较好的泛化和适应能力。

Claims (2)

1.基于寿命预诊断和迁移学习的锂离子电池SOH估计方法，其特征在于：包括以下步骤：
步骤1，寿命诊断特征值提取；选取一批电池前100次循环数据，提取每个电池的两个寿命诊断特征值，分别为LPF_1和LPF_2；其中LPF_1的计算如式(1)所示：
式中，V和Q均为Q(V)曲线上的坐标点，Q(V)曲线为纵坐标为累积放电容量，横坐标为对应放电电压的曲线；计算式(1)需要有每个电池第10次和第100次累计放电容量随放电电压变化的Q(V)曲线；式中，N为Q(V)曲线上离散点的数量，N根据实际数据采集点确定，要求两条曲线的采集点数量相同；
寿命诊断特征值LPF_2计算如式(2)所示：
式中，为ΔQ10-100序列的第i个值，i∈1,2,…,N，/>为ΔQ10-100序列的平均值；
其中，ΔQ10-100序列的计算如式(3)所示，
ΔQ10-100＝Q10-Q100 (3)
其中，Q10为电池第10次循环Q(V)曲线的容量序列，Q100为电池第100次循环Q(V)曲线的容量序列，Q10和Q100的序列长度统一为N；
步骤2，应用k-means聚类算法，将步骤1中提取的每个电池两个寿命识别特征值为输入，将聚类个数设定为2，将选取的电池分为长寿命电池和短寿命电池两类，同时输出2个聚类中心电池；
步骤3，以2个聚类中心电池的历史数据作为基础数据，以1C倍率恒流充电时间和1C倍率恒流充电平均电压作为健康因子输入到GRU神经网络中，以电池SOH为输出，基于GRU神经网络进行数据训练，分别得到用于长短寿命电池预测的SOH估计模型，形成SOH估计模型库；
步骤4，获取待估计电池前100次充放电循环数据，按照式(1)和式(2)提取两个寿命特征识别值，并输入到步骤2的寿命识别聚类算法中，根据算法输出，确定目标电池的类别，匹配合适的SOH估计模型；
步骤5，从待估计电池寿命早期采集的数据中提取以1C倍率恒流充电时间，1C倍率恒流充电平均电压和SOH序列组成再训练数据，对所匹配的SOH数据模型进行迁移学习，在训练过程中仅调整GRU神经网络中全连接层的权重和偏置，保持其他层的参数不变，得到迁移模型，实现模型的适应性训练；
步骤6，从待估计电池当前循环中在线提取健康因子，即1C倍率恒流充电时间，和1C倍率恒流充电平均电压输入到步骤5训练好的迁移模型中，即可输出SOH估计值。
2.根据权利要求1所述的基于寿命预诊断和迁移学习的锂离子电池SOH估计方法，其特征在于，寿命特征值的计算，包括LPF_1和LPF_2的计算。
CN202311529542.3A 2023-11-16 2023-11-16 基于寿命预诊断和迁移学习的锂离子电池soh估计方法 Pending CN117406110A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311529542.3A CN117406110A (zh) 2023-11-16 2023-11-16 基于寿命预诊断和迁移学习的锂离子电池soh估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311529542.3A CN117406110A (zh) 2023-11-16 2023-11-16 基于寿命预诊断和迁移学习的锂离子电池soh估计方法

Publications (1)

Publication Number Publication Date
CN117406110A true CN117406110A (zh) 2024-01-16

Family

ID=89498633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311529542.3A Pending CN117406110A (zh) 2023-11-16 2023-11-16 基于寿命预诊断和迁移学习的锂离子电池soh估计方法

Country Status (1)

Country Link
CN (1) CN117406110A (zh)

Similar Documents

Publication Publication Date Title
CN110568361B (zh) 一种动力电池健康状态的预测方法
Chen et al. State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network
CN110398697B (zh) 一种基于充电过程的锂离子健康状态估计方法
CN110161425B (zh) 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法
CN112798960B (zh) 一种基于迁移深度学习的电池组剩余寿命预测方法
CN109799463A (zh) 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法
CN112051511A (zh) 基于多通道技术的动力电池健康状态的估计方法及系统
CN112557907A (zh) 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN112379272B (zh) 一种基于人工智能的锂离子电池系统soc估计方法
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
CN114636932A (zh) 一种电池剩余使用寿命预测方法及系统
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及系统
CN114839536A (zh) 一种基于多健康因子的锂离子电池健康状态估计方法
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置
Bak et al. Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index
Vilsen et al. Log-linear model for predicting the lithium-ion battery age based on resistance extraction from dynamic aging profiles
US11733313B2 (en) Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods
CN114879070A (zh) 一种电池状态评估方法及相关设备
US20240168095A1 (en) Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model
CN114690057A (zh) 一种电池系统性能评估的方法和系统
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN118209889A (zh) 一种基于云边协同的电动汽车电池组早期内短路故障诊断方法
CN117129872A (zh) 一种锂离子电池健康状态自适应估计方法
CN116482539A (zh) 基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质
CN114325393B (zh) 基于pf和gpr的锂离子电池组soh自适应估算方法

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