CN117407776A - 一种可变工况下估计储能电池健康状态的方法及系统 - Google Patents
一种可变工况下估计储能电池健康状态的方法及系统 Download PDFInfo
- Publication number
- CN117407776A CN117407776A CN202311295401.XA CN202311295401A CN117407776A CN 117407776 A CN117407776 A CN 117407776A CN 202311295401 A CN202311295401 A CN 202311295401A CN 117407776 A CN117407776 A CN 117407776A
- Authority
- CN
- China
- Prior art keywords
- state
- energy storage
- current
- storage battery
- voltage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 title claims abstract description 42
- 238000004146 energy storage Methods 0.000 title claims abstract description 37
- 230000010287 polarization Effects 0.000 claims abstract description 41
- 230000015654 memory Effects 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 5
- 230000002238 attenuated effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 10
- 238000012549 training Methods 0.000 description 13
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 229910052744 lithium Inorganic materials 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000037004 Myoclonic-astatic epilepsy Diseases 0.000 description 1
- 241001206881 Myrmeleon inconspicuus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000874 microwave-assisted extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于储能电池技术领域,提供了一种可变工况下估计储能电池健康状态的方法及系统,获取储能电池的充电参数数据;根据充电参数数据,利用预训练的长短时记忆网络预测未来时刻的电流和电压,提取电池极化状态和内部状态;根据预测的电流和电压数据,结合提取的电池极化状态和内部状态,估计储能电池的健康状态。本发明提出整体的机器学习模型,利用长短时记忆网络预测电流、电压,且跟踪内部状态保证了电池的能够适应全新工况。具有较好的抗干扰能力,在处理新的复杂应用场景时表现出稳定准确的性能。
Description
技术领域
本发明属于储能电池技术领域,涉及一种可变工况下估计储能电池健康状态的方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
锂电池等储能电池因其优异的性能特点,在各种设备和应用中广泛使用,包括新能源汽车、移动电子设备、电力储存和电网服务等。估计锂电池的健康状态(SOH)对于确保电池的性能、可靠性和安全性至关重要。以下是其中主要原因:
性能和效率:随着使用的持续,电池的性能会逐渐下降,这会导致电池的效率降低,能量输出减少,从而影响到设备的性能。例如,在电动汽车中,电池的健康状况直接影响车辆的行驶里程。因此,通过估计电池的健康状态,可以更好地管理电池的性能和效率。
预防性维护和寿命预测:通过估计电池的健康状态,可以进行预防性维护,从而延长电池的使用寿命。同时,这也能够帮助预测电池的剩余寿命,以便在电池性能下降之前进行更换。
安全性:电池的健康状况对于电池的安全性至关重要。电池的健康状态下降可能会增加电池过热或者短路的风险,这可能导致电池发生故障甚至爆炸。因此,通过估计电池的健康状态,可以更好地管理和预防这些风险。
成本效益:对电池健康状况的估计有助于有效管理电池的更换和维护,从而节省成本。对于商业运营,例如电动汽车的租赁服务,能够精确地知道电池的状态和预计寿命,可以帮助他们更有效地规划和管理成本。
因此,必须实时对电池健康状态进行监控。在可变工况下下估计电池SOH不影响电池正常使用,目前已经成为一个研究热点。使用机器学习方法,尤其是深度学习,来估计电池健康SOH有很多优势,现有部分文献也公开了相关的技术方案,如中国发明专利申请(申请号202211617711.4)公开一种锂离子电池健康状态及剩余使用寿命预估方法,提取与SOH和RUL相关的健康因子构建特征向量,使用基于柯西变异的蚁狮优化算法,利用支持向量回归模型,引入柯西变异算子解决传统种群算法存在局部最优停滞问题。中国发明专利申请(申请号202211613530.4)公开了一种基于掩码表征的锂电池健康状态变工况迁移预测方法,将待预测电池当前充放电循环数据输入至锂电池健康状态预测模型得到健康状态预测结果,锂电池健康状态预测模型是将源域的无标签充放电数据进行掩码重构,将提取到的特征进行降维后和手动提取的蕴含丰富信息的特征进行近似,从两方面引导网络学习到最具代表性的特征,用全连接层进行健康状态的预测任务,并利用目标域的少量数据进行微调,以此解决锂电池健康状态预测任务中源域数据无标签的迁移学习问题。
但是,据发明人了解,以上方法没有结合电池工作机理建模,依赖人工提取特征,对于训练样本的数量、质量与全面性要求可能更高,且在全新工况下的适应性可能不易保证。
发明内容
本发明为了解决上述问题,提出了一种可变工况下估计储能电池健康状态的方法及系统。
根据一些实施例,本发明采用如下技术方案:
一种可变工况下估计储能电池健康状态的方法,包括以下步骤:
获取储能电池的充电参数数据;
根据充电参数数据中的电流数据和工况参数,利用预训练的长短时记忆网络预测未来时刻的电流,提取电池极化状态和内部状态;
根据充电参数数据中的电压数据和工况参数,利用预训练的长短时记忆网络预测未来时刻的电压,提取电池极化状态和内部状态;
根据预测的电流和电压数据,结合提取的电池极化状态和内部状态,估计储能电池的健康状态。
作为可选择的实施方式,获取储能电池的充电参数数据的具体过程包括:将电池的额定容量被平均分成多容量步,当斜率一定时,利用一个与所述斜率相关的线性函数记录容量步;
通过线性函数对采样线性插值得到对应容量步的电流和电压;
构建观测序列,所述观测序列由实际测得的电流、电压和容量步组成。
作为可选择的实施方式,利用预训练的长短时记忆网络预测未来时刻的电流的具体过程中,对于预测电流任务,预训练的长短时记忆网络的输入基于当前的观测序列,观测序列中电压的序号在电流的序号之后1位。
作为进一步的,所述预训练的长短时记忆网络的输入通过两层全连接网络和门控线性单元处理得到。
作为更进一步的,所述全连接网络利用ReLU激活函数作为激活函数。
作为进一步的,所述预训练的长短时记忆网络的的单元状态中的的极化状态首先在遗忘门中衰减,然后由输入门推导出新的极化状态,且上述两个过程均接收新输入的数据,并考虑其影响。
作为进一步的,所述预训练的长短时记忆网络包括多个,对于后续的预测序列,利用前一长短时记忆网络单元的隐藏状态对电流输入进行预测,并根据单元状态中的极化状态和SOH,得到当前预测值。
作为可选择的实施方式,利用预训练的长短时记忆网络预测未来时刻的电压的具体过程中,对于预测电压任务,预训练的长短时记忆网络的输入基于当前的观测序列,观测序列中电流的序号在电压的序号之后1位。
作为可选择的实施方式,估计储能电池的健康状态时,利用预测时的预训练的长短时记忆网络的单元状态和隐藏状态作为输入估计储能电池的健康状态。
作为进一步的,在此过程前,利用tanh函数将单元状态的输出限制在设定区间内。
一种可变工况下估计储能电池健康状态的系统,包括:
数据序列构建模块,被配置为获取储能电池的充电参数数据;
电流预测模块,被配置为根据充电参数数据中的电流数据和工况参数,利用预训练的长短时记忆网络预测未来时刻的电流,提取电池极化状态和内部状态;
电压预测模块,被配置为根据充电参数数据中的电压数据和工况参数,利用预训练的长短时记忆网络预测未来时刻的电压,提取电池极化状态和内部状态;
健康状态估计模块,被配置为根据预测的电流和电压数据,结合提取的电池极化状态和内部状态,估计储能电池的健康状态。
与现有技术相比,本发明的有益效果为:
本发明提出整体的机器学习模型,利用长短时记忆网络预测电流、电压,且跟踪内部状态保证了电池的能够适应全新工况。
本发明提出整体的机器学习模型具有较好的抗干扰能力,通过学习电池的基本工作机制并跟踪内部状态,本发明在处理新的复杂应用场景时表现出稳定准确的性能。
本发明通过训练预测电压与电流,使模型具备跟踪极化状态的能力,进而在此基础上同时估计出电池的健康状态。
在变化的充电过程中,电池的极化状态会对端电压产生影响,而无论初始的极化状态如何,电池的极化状态会在在一定长的充电过程之后趋近确定的范围,本发明以容量步为基础构建观测序列以保证在序列末端极化状态的确定性。
本发明通过预训练的长短时记忆网络的的cell state中的的极化状态首先在遗忘门中衰减室友LSTM的网络结构决定,因为其遗忘门的元素绝对值均小于1,因此cellstate中的部分信息会被遗忘,且遗忘的程度与cell state的大小成正比,此机制与极化状态的弛豫过程吻合。结合输入们对cell state的更新,LSTM可以学习新的输入电流与电压会如何对极化状态造成影响。利用两者机制的相似性,可以降低机器学习模型的学习负担,增加训练效率,表现为减少需要的样本数量与训练时间并提高精度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本实施例提出的储能电池健康状态估计的机器学习模型结构图。
图2为本实施例所用电池数据集的124节电池SOH随循环数变化曲线。
图3为验证实验中预测电流的误差结果。
图4为验证实验中预测电压的误差结果。
图5为验证实验中SOH估计的误差结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
理想情况下,只要用足够完整的数据集训练电压或电流预测,长短时记忆网络(LSTM)能够跟踪内部状态。然而,为了提高SOH估计任务的准确性和稳定性,在提出的机器学习模型中,电流和电压预测都被用作辅助任务:(1)在指定对应时刻的电压和之前的使用过程的充电过程的条件下,用LSTM预测未来的电流,以及(2)在指定对应时刻的电流和之前的使用过程的充电过程的条件下,用LSTM预测未来的电压。辅助任务也可以包括其他任务,其目的是帮助模型学习电池工作机理。
图1显示了机器模型的框架。两个辅助任务的结构是相同的。为了量化模型的存储容量,电池的额定容量被平均分成l个容量步,每一个容量步代表1/l额定容量。当斜率为d时,用一个线性函数Pi来记录容量的步:
Pi=di,i=1,2,…,l
(1)
其中i是容量步的序号,通过对采样线性插值得到对应步的电流和电压。提供一个m步的观测序列,观测序列由实际测得的电流、电压和容量步构建。对于预测电流任务,模型输入中的电压的序号在电流的序号之后1位:
ξi,I=[Ii,Vi+1,Pi]T (2)
LSTM的输入xi,I是通过两层全连接(FC)网络和门控线性单元(GLU)处理得到的:
xi,I=GLU(W2(ReLU(W1ξi,I+b1))+b
(3)
GLU(γ)=σ(W3γ+b3)⊙(W4γ+b4) (4)
其中ReLU(·)是ReLU激活函数,在本实施例的其他部分中也被用作所有FC网络的激活函数。
在接下来n步的预测序列中,LSTM单元和输入处理过程与观察序列相同。通过三层FC网络,利用前一个LSTM单元的hidden state对电流输入进行预测。模型输入变为:
电流预测需要的信息包括极化状态、SOH和隐藏状态对应的电压。电压信息由输入直接提供,而上一步的电流预测则主要由输入信息提供。极化状态和SOH可以由cell state提供。在一个LSTM步骤中,cell state中的极化状态首先在遗忘门中衰减,然后由输入门推导出新的极化状态。这两个过程接收新输入的信息并考虑其影响。这样,LSTM就能模拟极化状态的演变。新的单元状态会产生新的极化状态,并影响新的隐藏状态,从而输出当前预测。上述的高度演化相似性可以帮助cell state更容易、更好地跟踪极化状态。
电压预测任务的思路与电流预测任务相同。模型输入中的电流的序号在电压的序号之后1位:
ξi,V=[Ii+1,Vi,Pi]T (6)
因此,预测的电流和电压序列表示为:
由于cell state记录了包括电池极化状态和SOH在内的内部状态,而hiddenstate则负责预测电流和电压,也包含内部状态信息,因此采用了三层FC网络,以两个辅助任务的cell state和hidden state作为输入估计SOH。由于LSTM的cell state是两个乘积之和,绝对值可能大于1,因此用tanh函数将输出的cell state限制在(-1,1)区间内:
ξSOH=[hi,I,tanh(Ci,I),hi,V,tanh(Ci,V)] (8)
MTL的总损失函数是它们的均方误差的加权和:
式中MSE为均方误差损失函数,I和V分别为观测到的真实电流和电压序列,αI、αV和αSOH分别为电流、电压和SOH的损失函数权重。
机器学习模型训练以学习电池工作过程的演化机制为目标,由于极化状态与LSTM的cell state具有相似的演化规律,以及SOH的在单个循环中不变的假设,LSTM中识别出的电池状态应在每一步向电池实际的内部状态回归。因此,无论刚开始充电时的电池极化状态,在足够长的充电过程后,极化状态近似确定,LSTM可以跟踪到极化状态和SOH。图1中虚线框内的结构用于SOH在线测试,其与训练框架相比,电流和电压预测任务被删除,SOH将直接通过观测样本段进行估计。辅助任务的设计仅对训练有效,对在线测试应用没有影响。
本实施例利用麻省理工大学锂电池数据集验证提出机器学习模型的有效性。该数据集包含124节额定容量为1.1Ah的商用锂离子电池,充电过程采用了不同的策略,包括两个恒流步骤(CC)和一个1C速率CC-CV步骤。图3显示了一个示例。C1和C2分别代表第一和第二步的充电率,截止电压为3.6V。Q1表示充电速率切换时的容量,表示为额定容量百分比。第二步在达到80%饿顶容量时终止。不同电池充电方案的C1、C2和Q1值不同。在数据集中,如果在第一个CC步骤中达到截止电压,充电策略将提前切换到第二个CC步骤;如果在第二个CC步骤中达到截止电压,充电策略将转入CV模式,直到达到80%的标称容量。所有电池采用4C CC放电策略,截止电压为2.0V,实验在30℃的箱体内进行。样品电池的寿命从150次循环到2300次循环不等。
排除一节循环寿命极短的异常电池,数据集包含81节采用共享方案充电的电池(每种方案用于多节电池)和42节采用指定方案充电的电池(每种方案仅用于一节电池)。数据集中的99节电池用于训练,24节电池用于测试,训练集和测试集中应用共享充电方案和指定充电方案的电池按比例分配。表1显示了测试集的充电方案详情,其中1号至16号电池采用共享方案充电,17号至24号电池采用指定方案电。表2显示了训练集的充电策略详情。
采集的样本段设定为额定容量的20%,用作观测序列。样本段的初始容量从0%开始,逐渐增加1%,直至50%。随后的电流和电压预测序列设定为额定容量的7%。这样,每个电池循环生成51个样本,排除数据异常的周期。由于在两个CC步骤中充电电流的提前开关,训练与测试集共有四种情况:一个CC步骤、一个CC步骤和一个CV步骤、两个CC步骤和两个CC步骤和一个CV步骤。在输入模型之前,电流、电压和SOH被归一化为[0,1]。为了防止梯度爆炸,电流预测任务的LSTM和FC网络都使用了梯度剪切。
对于所提出的机器学习模型,电流和电压预测的平均绝对误差(MAE)分别为0.1358C和0.0046V,均方根误差(RMSE)分别为0.2702C和0.0119V。SOH估计结果的MAE为0.76%,RMSE为1.04%。图3与图4分别展示了电流和电压的预测误差。
使用共享和指定方案充电的电池的MAE分别为0.77%和0.70%,RMSE分别为1.07%和0.93%。不在训练集中的全新充电策略对于SOH估计结果没有显著影响。图5显示了每个测试电池的SOH估计误差。
当充电速率切换位置在样本段中时,该模型仍然能够实现对共享和指定充电方案下的SOH可靠估计。以#18电池为例,使用指定策略对电池进行充电,充电速率切换位置再24%额定容量。因此,其在[4%,24%]范围内开始的样本段充电过程包括开关位置。它们与训练集不同,对模型来说是全新的。这些估计结果仍然保持稳定,与其他结果一致。此外,充电速率切换位置之后的误差比预测的电流和电压的误差显著得多。对采样进行的线性插值和实际数据之间的差异只对SOH估计结果造成了短暂影响。这符合了极化状态和SOH之间的差异特点:与基于外部输入实时演化的计划状态相比,SOH是一种更稳定的状态,几乎不会在一个周期中发生变化。因此,SOH的跟踪效果不如模型的计划状态跟踪效果敏感。此外,随着步骤的推进,估计的SOH迅速返回到观测值附近,这也证明了该模型的抗干扰能力。未来的输入将覆盖数据错误的负面影响。通过学习电池的基本工作机制并跟踪内部状态,该模型在处理新的复杂应用场景时表现出稳定准确的性能。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种可变工况下估计储能电池健康状态的方法,其特征是,包括以下步骤:
获取储能电池的充电参数数据;
根据充电参数数据中的电流数据和工况参数,利用预训练的长短时记忆网络预测未来时刻的电流,提取电池极化状态和内部状态;
根据充电参数数据中的电压数据和工况参数,利用预训练的长短时记忆网络预测未来时刻的电压,提取电池极化状态和内部状态;
根据预测的电流和电压数据,结合提取的电池极化状态和内部状态,估计储能电池的健康状态。
2.如权利要求1所述的一种可变工况下估计储能电池健康状态的方法,其特征是,获取储能电池的充电参数数据的具体过程包括:将电池的额定容量被平均分成多容量步,当斜率一定时,利用一个与所述斜率相关的线性函数记录容量步;
通过线性函数对采样线性插值得到对应容量步的电流和电压;
构建观测序列,所述观测序列由实际测得的电流、电压和容量步组成。
3.如权利要求2所述的一种可变工况下估计储能电池健康状态的方法,其特征是,利用预训练的长短时记忆网络预测未来时刻的电流的具体过程中,对于预测电流任务,预训练的长短时记忆网络的输入基于当前的观测序列,观测序列中电压的序号在电流的序号之后1位。
4.如权利要求3所述的一种可变工况下估计储能电池健康状态的方法,其特征是,所述预训练的长短时记忆网络的输入通过两层全连接网络和门控线性单元处理得到。
5.如权利要求4所述的一种可变工况下估计储能电池健康状态的方法,其特征是,所述全连接网络利用ReLU激活函数作为激活函数。
6.如权利要求3所述的一种可变工况下估计储能电池健康状态的方法,其特征是,所述预训练的长短时记忆网络的的单元状态中的的极化状态首先在遗忘门中衰减,然后由输入门推导出新的极化状态,且上述两个过程均接收新输入的数据,并考虑其影响。
7.如权利要求6所述的一种可变工况下估计储能电池健康状态的方法,其特征是,所述预训练的长短时记忆网络包括多个,对于后续的预测序列,利用前一长短时记忆网络单元的隐藏状态对电流输入进行预测,并根据单元状态中的极化状态和SOH,得到当前预测值。
8.如权利要求2所述的一种可变工况下估计储能电池健康状态的方法,其特征是,利用预训练的长短时记忆网络预测未来时刻的电压的具体过程中,对于预测电压任务,预训练的长短时记忆网络的输入基于当前的观测序列,观测序列中电流的序号在电压的序号之后1位。
9.如权利要求6所述的一种可变工况下估计储能电池健康状态的方法,其特征是,估计储能电池的健康状态时,利用预测时的预训练的长短时记忆网络的单元状态和隐藏状态作为输入估计储能电池的健康状态;
在此过程前,利用tanh函数将单元状态的输出限制在设定区间内。
10.一种可变工况下估计储能电池健康状态的系统,其特征是,包括:
数据序列构建模块,被配置为获取储能电池的充电参数数据;
电流预测模块,被配置为根据充电参数数据中的电流数据和工况参数,利用预训练的长短时记忆网络预测未来时刻的电流,提取电池极化状态和内部状态;
电压预测模块,被配置为根据充电参数数据中的电压数据和工况参数,利用预训练的长短时记忆网络预测未来时刻的电压,提取电池极化状态和内部状态;
健康状态估计模块,被配置为根据预测的电流和电压数据,结合提取的电池极化状态和内部状态,估计储能电池的健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311295401.XA CN117407776A (zh) | 2023-10-08 | 2023-10-08 | 一种可变工况下估计储能电池健康状态的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311295401.XA CN117407776A (zh) | 2023-10-08 | 2023-10-08 | 一种可变工况下估计储能电池健康状态的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117407776A true CN117407776A (zh) | 2024-01-16 |
Family
ID=89488042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311295401.XA Pending CN117407776A (zh) | 2023-10-08 | 2023-10-08 | 一种可变工况下估计储能电池健康状态的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407776A (zh) |
-
2023
- 2023-10-08 CN CN202311295401.XA patent/CN117407776A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US10170924B2 (en) | Modeling a change in battery degradation | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
CN107785624B (zh) | 一种评估锂电池性能的方法 | |
CN103954913B (zh) | 电动汽车动力电池寿命预测方法 | |
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 | |
Hashemi et al. | Machine learning‐based model for lithium‐ion batteries in BMS of electric/hybrid electric aircraft | |
Takyi-Aninakwa et al. | An optimized relevant long short-term memory-squared gain extended Kalman filter for the state of charge estimation of lithium-ion batteries | |
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
CN108287317A (zh) | 电池功率预测模型生成方法及系统、功率预测方法及系统 | |
CN114035098A (zh) | 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 | |
CN112881916A (zh) | 一种锂电池健康状态和剩余可用寿命的预测方法及系统 | |
Vilsen et al. | Log-linear model for predicting the lithium-ion battery age based on resistance extraction from dynamic aging profiles | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
Yang et al. | Lithium-ion battery life cycle prediction with deep learning regression model | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN117407776A (zh) | 一种可变工况下估计储能电池健康状态的方法及系统 | |
CN115291113A (zh) | 一种统一的锂离子电池soc、soh和rul的联合估计方法及系统 | |
Lin et al. | Li-ion battery state of health prediction based on long short-term memory recurrent neural network | |
Hu et al. | Health factor analysis and remaining useful life prediction for batteries based on a cross-cycle health factor clustering framework | |
Mullapudi et al. | Unified Approach for Estimation of State of Charge and Remaining Useful Life of Li-Ion batteries using Deep Learning | |
Boudraa et al. | Optimized Fault Diagnosis-Driven RUL Prediction for Lithium-Ion Batteries using Multivariate LSTM | |
Takyi-Aninakwa | A Novel Relevant Long Short-Term Memory-Squared Gain Extended Kalman Filter for the State of Charge Estimation of Lithium-Ion Batteries |
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 |