CN117471320A - 基于充电片段的电池健康状态估计方法及系统 - Google Patents
基于充电片段的电池健康状态估计方法及系统 Download PDFInfo
- Publication number
- CN117471320A CN117471320A CN202311254748.XA CN202311254748A CN117471320A CN 117471320 A CN117471320 A CN 117471320A CN 202311254748 A CN202311254748 A CN 202311254748A CN 117471320 A CN117471320 A CN 117471320A
- Authority
- CN
- China
- Prior art keywords
- health
- voltage
- data
- battery
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000007600 charging Methods 0.000 title claims abstract description 65
- 239000012634 fragment Substances 0.000 title claims abstract description 12
- 238000010277 constant-current charging Methods 0.000 claims abstract description 39
- 238000004146 energy storage Methods 0.000 claims abstract description 37
- 230000032683 aging Effects 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 23
- 238000010280 constant potential charging Methods 0.000 claims abstract description 10
- 238000007599 discharging Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 29
- 238000002474 experimental method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 208000028659 discharge Diseases 0.000 description 48
- 229910001416 lithium ion Inorganic materials 0.000 description 25
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 24
- 210000004027 cell Anatomy 0.000 description 14
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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]
- G01R31/392—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于充电片段的电池健康状态估计方法及系统，获取储能电池在先恒流后恒压充电策略和恒流放电策略下的循环老化数据，提取每个循环中恒流充电阶段的电压‑充电量数据；基于电压‑充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子；构建健康因子与电池健康状态的映射关系模型；根据实际中的充电数据，提取电压片段，并计算对应的健康因子，根据构建的映射关系模型，确定当前电池健康状态。本发明将不同循环的充电片段中的充电量作为健康因子，构建健康因子与电池健康状态的映射关系模型。本发明解决了现有方法需要完整充放电数据的局限，实现了电池健康状态的准确、快速估计。
Description
技术领域
本发明属于电池状态估计技术领域，具体涉及一种基于充电片段的电池健康状态估计方法及系统。
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。
储能电池已经广泛应用于各种便携式电子设备、电动汽车和可再生能源系统等领域的高性能能量储存技术。其广泛应用源于其卓越的能量密度、高效率和轻量化等特点，使其成为现代生活和工业生产中不可或缺的一部分。然而，在工作温度、充放电循环、老化等因素的影响下，储能电池的性能会发生不同程度衰减与恶化，并产生多方面的安全隐患。
首先，电池容量下降会减少其续航时间，可能在关键时刻失效。其次，电池内部电阻的增加会引发更多的热量产生，特别是在高电流操作下，可能导致过热，从而增加了火灾或爆炸的风险。此外，老化可能导致电池单体之间性能不均衡，进一步加剧了安全问题。因此，准确、高效地的估计储能电池的健康状态(State of Health,SOH)对确保其可靠性和安全性至关重要。不准确的估计方法会导致用户无法准确了解电池的寿命和可用容量。此外，不准确的估计也可能导致不必要的资源浪费，包括电池的早期更换或维护，并对环境造成负面影响。
当前阶段，储能电池的健康状态估计方法包括：安时积分法、电化学阻抗谱法、基于模型的估计方法和基于数据驱动的估计方法。安时积分法通过对电池进行全充全放实验以计算充入/放出电量并将其用来表征电池健康状态，该方法的缺陷是实际中全充/全放工况难以获得；电化学阻抗谱法能够通过测量阻抗信息建立其与电池健康状态的映射关系并实现准确估计，该方法的缺陷是对设备要求较高，难以实际应用；基于模型的估计方法通过建立参数辨识实现电池健康状态的估计，该方法的缺陷是模型建立复杂、参数辨识敏感度高；基于数据驱动的估计方法通过提取数据中的健康因子建立其与电池健康状态的映射关系并实现准确估计，该方法应用广泛、精度较高，但实际中不规律的充放电数据给健康因子的提取造成了阻碍，因此该方法的适用范围仍需加强。
发明内容
本发明为了解决上述问题，提出了一种基于充电片段的电池健康状态估计方法及系统，本发明将不同循环的充电片段中的充电量作为健康因子，并利用机器学习算法构建健康因子与电池健康状态的映射关系模型。本发明解决了现有方法需要完整充放电数据的局限，在实际复杂工况中实现了电池健康状态的准确、快速估计。
根据一些实施例，本发明采用如下技术方案：
一种基于充电片段的电池健康状态估计方法，包括以下步骤：
获取储能电池在先恒流后恒压充电策略和恒流放电策略下的循环老化数据；
基于所述循环老化数据，提取每个循环中恒流充电阶段的电压-充电量数据；
基于所述电压-充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子；
构建健康因子与电池健康状态的映射关系模型；
根据实际中的充电数据，提取电压片段，并计算对应的健康因子，基于所述健康因子，根据构建的映射关系模型，确定当前电池健康状态。
作为可选择的实施方式，获取循环老化数据的具体过程包括，获取循环充放电实验过程中包含电压、电流、充电量、放电量的电池循环老化数据，所述循环充放电实验过程包括：
在恒定温度下，以固定充电倍率对储能电池采用先恒流后恒压的充电策略进行充电实验，使电压、电流均达到规定的截止阈值；
以固定放电倍率对储能电池采用恒流的放电策略进行放电实验，使电压达到规定的截止阈值；
储能电池放电结束后，记录该过程中的总放电量，并将其作为真实容量的参考值；
重复上述步骤，直至储能电池容量衰退至设置值的额定容量。
作为进一步的，充放电期间存在一段时间的静置，放电结束后进行一段时间的静置。
作为可选择的实施方式，提取每个循环中恒流充电阶段的电压-充电量数据前，对循环老化数据进行预处理，所述预处理过程包括：
当数据中出现部分参数空缺时，对空缺处进行填补或删除；
当数据中出现与实验要求和实际情况差异度超过设定阈值的异常值时，对异常值进行删除或修正。
作为可选择的实施方式，提取每个循环中恒流充电阶段的电压-充电量数据的具体过程包括：基于所述电池循环老化数据，获取每个循环中恒流充电阶段的电压增长数据和充电量增长数据；
基于所述电压增长数据和充电量增长数据，指定充电量QCC数据为x轴，电压VCC数据为y轴，拟合恒流充电阶段的电压-充电量曲线。
作为可选择的实施方式，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子的具体过程包括：
基于所述恒流充电阶段的电压-充电量曲线，按照电压范围将其划分为充电时间占比相差小于设定范围的若干个电压片段；
选取若干个电压片段中的净充电量Qn为健康因子。
更进一步的，在某电压片段Pn中，初始充电量定义为Qi，末端充电量定义为Qf，将该电压片段所对应的健康因子Qn定义为：
Qn＝Qf-Qi。
作为可选择的实施方式，构建健康因子与电池健康状态的映射关系模型的具体过程包括：
选取或/和组合若干电压片段健康因子；
将电池循环老化数据分割为训练集和测试集；
建立神经网络模型，形成储能电池健康状态估计模型；
使用训练集对储能电池健康状态估计模型进行训练；
使用测试集评估储能电池健康状态估计模型的性能，利用均方根误差(Root MeanSquare Error,RMSE)作为衡量模型估计精度的指标；
重复上述步骤，直到均方根误差到达预设条件。
进一步的，使用训练集对储能电池健康状态估计模型进行训练的具体过程包括：训练前，对储能电池健康状态估计模型的参数进行初始化；
每个训练迭代中，将健康因子输入网络并通过前向传播计算预测值，并利用损失函数度量预测值与实际值的差异；
根据损失，通过反向传播计算梯度以实现模型参数更新；
重复前向传播、反向传播和参数更新的步骤，直至训练结束。
进一步的，通过反向传播计算梯度以实现模型参数更新的过程包括：将旧模型参数θold利用学习率α和梯度g更新参数值θnew，具体为：
θnew＝θold-α·g。
作为可选择的实施方式，确定当前电池健康状态的具体过程包括：根据实际中的充电数据，提取有效的电压片段并计算对应的健康因子；
基于所述健康因子，选取其对应的映射关系模型以估计储能电池可用容量Qe；
基于储能电池标定容量Qn和可用容量估计值Qe，计算当前储能电池的健康状态估计值，所述估计值为可用容量估计值Qe和储能电池标定容量Qn的比值。
一种基于充电片段的电池健康状态估计系统，包括：
数据获取模块，被配置为获取储能电池在先恒流后恒压充电策略和恒流放电策略下的循环老化数据；
数据提取模块，被配置为基于所述循环老化数据，提取每个循环中恒流充电阶段的电压-充电量数据；
健康因子提取模块，被配置为基于所述电压-充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子；
模型构建模块，被配置为构建健康因子与电池健康状态的映射关系模型；
健康状态估计模块，被配置为根据实际中的充电数据，提取电压片段，并计算对应的健康因子，基于所述健康因子，根据构建的映射关系模型，确定当前电池健康状态。
与现有技术相比，本发明的有益效果为：
(1)相较于现有的基于完整充放电循环数据的电池健康状态估计方法，本发明不需要完整的充放电数据，也不需要使用复杂的参数辨识模型，仅在有限的恒流充电片段中就能提取出有效的健康因子用于电池健康状态估计。
(2)相较于现有的从片段数据中提取的健康因子(如容量增量曲线、弛豫电压、电流均值等)，本发明将多段电压片段中的充电量作为健康因子，充电量可以直接通过测量得到，不需要额外的数据处理和复杂的计算过程。
(3)相较于现有的技术中获取健康因子的前提严苛，本发明具有灵活的健康因子组合方式，并且健康因子不局限于某个充电循环，相邻多个充电循环内的可用电压片段均可用于提取健康因子，提高了所述方法的适用性。
(4)相较于现有的电池剩余容量检测和健康状态估计技术，本发明能够大幅减少估计时间、提高检测效率、保证检测精度。经过仿真实验，当P9段充电量作为健康因子时，RMSE仅为0.033；当P2+P3和P9+P11作为健康因子组合时(两片段相邻20个循环)，RMSE仅为0.045和0.027。
(5)本发明的计算复杂度低、抗波动能力强，能够依托于储能电池循环老化数据构建健康因子与电池健康状态的映射关系模型，并对实际复杂工况中的电池健康状态进行准确、快速估计。
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是本实施例示出的一种基于充电片段的电池健康状态估计方法的流程图；
图2是本实施例示出的循环充放电策略示意图；
图3是本实施例示出的数据预处理后得到的锂离子电池容量老化曲线；
图4是本实施例示出的锂离子电池Cell#1的恒流充电阶段电压-充电量曲线；
图5是本实施例示出的锂离子电池Cell#1的11个电压片段内健康因子Qn的变化曲线；
图6是本实施例示出的健康因子为P9时的健康状态预测结果；
图7是本实施例示出的健康因子组合为P2+P3时的健康状态预测结果；
图8是本实施例示出的健康因子组合为P9+P11时的健康状态预测结果；
图9是本实施例示出的一种基于充电片段的电池健康状态估计系统的结构示意图。
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。
实施例一
如图1所示，本实施例提供了一种基于充电片段的电池健康状态估计方法。本实施例中，该方法包括以下步骤：
采用先恒流后恒压充电策略和恒流放电策略，对锂离子电池进行循环充放电实验，获取电池循环老化数据；具体包括：
在25℃恒定温度下，以固定充电倍率对锂离子电池采用先恒流后恒压的充电策略进行充电实验，使电压达到规定的截止阈值；以固定放电倍率对锂离子电池采用恒流的放电策略进行放电实验，使电压达到规定的截止阈值；其中，充放电期间存在一段时间的静置；
锂离子电池放电结束后，记录该过程中的总放电量，并将其作为真实容量的参考值，随后进行一段时间的静置；
重复上述步骤，直至锂离子电池容量衰退至80％的额定容量；
根据上述循环充放电实验，获取电池循环老化数据，包含电压、电流、充电量、放电量等参数。
经循环充放电实验获得的电池循环老化数据需要进行预处理；具体包括：
数据中出现部分参数空缺时，需要对空缺处进行填补或删除；
数据中出现与实验要求和实际情况极度不符的异常值时，需要对异常值进行删除或修正。
基于所述循环老化数据，提取每个循环中恒流充电阶段的电压-充电量数据；具体包括：
基于所述电池循环老化数据，获取每个循环中恒流充电阶段的电压增长数据和充电量增长数据；
基于所述电压增长数据和充电量增长数据，指定充电量QCC数据为x轴，电压VCC数据为y轴，拟合恒流充电阶段的电压-充电量曲线。
基于所述电压-充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取健康因子；具体包括：
基于所述恒流充电阶段的电压-充电量曲线，按照电压范围将其划分为充电时间占比接近的若干个电压片段；
选取若干个电压片段中的净充电量Qn为健康因子；
划分出的若干个电压片段Pn包括：
P1(3V,3.25V)、P2(3.25V,3.3V)、P3(3.3V,3.35V)、P4(3.35V,3.365V)、P5(3.365V,3.37V)、P6(3.37V,3.38V)、P7(3.38V,3.4V)、P8(3.4V,3.415V)、P9(3.415V,3.43V)、P10(3.43V,3.5V)和P11(3.5V,3.6V)；
在某电压片段Pn中，初始充电量定义为Qi，末端充电量定义为Qf，将该电压片段所对应的健康因子Qn定义为：
Qn＝Qf-Qi
基于神经网络工具构建健康因子与电池健康状态的映射关系模型；具体包括：
选取并组合恰当的健康因子；
将所述数据分割为训练集和测试集；
建立以输入层、输出层和隐藏层为主要架构的神经网络结构；
使用训练集对锂离子电池健康状态估计模型进行训练，在训练过程中，模型将学习如何从健康因子的数据映射到电池健康状态的预测；
使用测试集来评估模型的性能，选用均方根误差(Root Mean Square Error,RMSE)作为衡量模型估计精度的指标；
重复上述步骤，构建健康因子与电池健康状态的映射关系模型。
使用训练集对锂离子电池健康状态估计模型进行训练，在训练过程中，模型将学习如何从健康因子的数据映射到电池健康状态的预测；具体包括：
训练前，对所述模型的参数进行初始化；
每个训练迭代中，将健康因子输入网络并通过前向传播计算预测值，并利用损失函数度量预测值与实际值的差异；
根据损失，通过反向传播计算梯度以实现模型参数更新；
重复前向传播、反向传播和参数更新的步骤，直至训练结束。
将旧模型参数θold利用学习率α和梯度g更新参数值θnew的过程定义为：
θnew＝θold-α·g
将均方根误差RMSE定义为：
根据实际中的充电数据，选取合适的健康因子及其对应的映射关系模型用于电池健康状态估计；具体包括：
根据实际中的充电数据，提取有效的电压片段并计算对应的健康因子；
相邻20个充电循环内的可用电压片段均可用于提取健康因子；
基于所述健康因子，选取其对应的映射关系模型以估计锂离子电池可用容量Qe；
基于锂离子电池标定容量Qn和可用容量估计值Qe，计算当前锂离子电池的健康状态估计值。
将锂离子电池健康状态估计值定义为：
具体案例：
下面以对比的方式及具体的示例说明实施例一的方法及效果：
1、采用先恒流后恒压充电策略和恒流放电策略，对锂离子电池进行循环充放电实验，获取电池循环老化数据
在25℃恒定温度下，对4个锂离子单体电池进行循环充放电实验，单体电池分别命名为Cell#1、Cell#2、Cell#3和Cell#4。锂离子电池标定容量Qn为2.5Ah。如图2所示，循环充放电实验采用先恒流后恒压充电策略和恒流放电策略。阶段Ⅰ为恒流充电阶段，阶段Ⅱ为恒压充电阶段。以固定充电倍率1C(电流为2.5A)对锂离子电池采用先恒流后恒压的充电策略进行充电实验，使电压达到规定的截止阈值3.65V。阶段Ⅲ为恒流放电阶段，以固定放电倍率4C(电流为10A)对锂离子电池采用恒流的放电策略进行放电实验，使电压达到规定的截止阈值2V。其中，充放电期间存在一段时间的静置，该静置时间为30秒。
锂离子电池放电结束后，记录该过程中的总放电量，并将其作为真实容量的参考值，随后进行一段时间的静置，该静置时间为60秒。
重复上述步骤，直至锂离子电池容量衰退至80％的额定容量，即2.0Ah。
根据上述循环充放电实验，获取电池循环老化数据，包含电压、电流、充电量、放电量等参数。
经循环充放电实验获得的电池循环老化数据需要进行预处理：数据中出现部分参数空缺时，需要对空缺处进行填补或删除；数据中出现与实验要求和实际情况极度不符的异常值时，需要对异常值进行删除或修正。数据预处理后得到的锂离子电池容量老化曲线如图3所示。
2、基于所述循环老化数据，提取每个循环中恒流充电阶段的电压-充电量数据
基于所述电池循环老化数据，获取每个循环中恒流充电阶段的电压增长数据和充电量增长数据，指定充电量QCC数据为x轴，电压VCC数据为y轴，拟合恒流充电阶段的电压-充电量曲线。锂离子电池Cell#1的恒流充电阶段电压-充电量曲线如图4所示。
3、基于所述电压-充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取健康因子
基于所述恒流充电阶段的电压-充电量曲线，按照电压范围P1(3V,3.25V)、P2(3.25V,3.3V)、P3(3.3V,3.35V)、P4(3.35V,3.365V)、P5(3.365V,3.37V)、P6(3.37V,3.38V)、P7(3.38V,3.4V)、P8(3.4V,3.415V)、P9(3.415V,3.43V)、P10(3.43V,3.5V)和P11(3.5V,3.6V)将其划分为11个电压片段。
在某电压片段Pn中，初始充电量定义为Qi，末端充电量定义为Qf，将该电压片段所对应的健康因子Qn定义为：
Qn＝Qf-Qi
11个电压片段内健康因子Qn的变化曲线如图5所示。
4、基于神经网络工具构建健康因子与电池健康状态的映射关系模型
选取并组合恰当的健康因子。为了贴合实际车辆充放电情况，本发明将11个电压片段内的充电量中的任意一个作为第一组健康因子，将任意两个相邻20个充电循环内的电压片段内的充电量作为第二组健康因子。健康因子总计含有66种组合。
将所述数据分割为训练集和测试集。将Cell#1、Cell#2和Cell#3的数据设置为训练集，将Cell#4的数据设置为测试集。
建立以输入层、输出层和隐藏层为主要架构的神经网络结构。神经网络输入层神经元数量取决于输入健康因子的数量，应为1或2；输出层神经元数量为1；隐藏层架构为[15,10,5]。
使用训练集对锂离子电池健康状态估计模型进行训练，在训练过程中，模型将学习如何从健康因子的数据映射到电池健康状态的预测。训练前，对所述模型的参数进行初始化，每个训练迭代中，将健康因子输入网络并通过前向传播计算预测值，并利用损失函数度量预测值与实际值的差异，根据损失，通过反向传播计算梯度以实现模型参数更新。重复前向传播、反向传播和参数更新的步骤，直至训练结束。其中，将旧模型参数θold利用学习率α和梯度g更新参数值θnew的过程定义为：
θnew＝θold-α·g
使用测试集来评估模型的性能。当健康因子组合为P9、P2+P3和P9+P11时的测试结果及RMSE值如图6、图7和图8所示。
根据实际中的充电数据，选取合适的健康因子及其对应的映射关系模型用于电池健康状态估计。该过程的详细步骤与该具体案例提供的使用测试集来评估模型的性能的步骤相同，在此不再赘述。
实施例二
如图9所示，本实施例提供了一种基于充电片段的电池健康状态估计系统。本实施例中，该系统包括：
数据获取模块，其被配置为：获取采用先恒流后恒压充电策略和恒流放电策略，对锂离子电池进行循环充放电实验中的电池循环老化数据；
数据提取模块，其被配置为：基于所述循环老化数据，提取每个循环中恒流充电阶段的电压-充电量数据；
健康因子提取模块，其被配置为：基于所述电压-充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取健康因子；
模型构建模块，其被配置为：基于神经网络工具构建健康因子与电池健康状态的映射关系模型；
健康状态估计模块，其被配置为：根据实际中的充电数据，选取合适的健康因子及其对应的映射关系模型用于电池健康状态估计。
此处需要说明的是，上述循环实验模块、数据提取模块、健康因子提取模块、模型构建模块和估计模块与实施例一中的所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机存储介质，该计算机存储介质存储有计算机运行程序；所述计算机运行程序执行上述基于充电片段的电池健康状态估计方法。
详细步骤与实施例一提供的基于充电片段的电池健康状态估计方法相同，在此不再赘述。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于充电片段的电池健康状态估计方法中的步骤。
详细步骤与实施例一提供的基于充电片段的电池健康状态估计方法相同，在此不再赘述。
需要说明的是，上述实施例中，各个参数的取值、试验环境参数的取值，可以进行调整或更改。
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，本领域技术人员不需要付出创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于充电片段的电池健康状态估计方法，其特征是，包括以下步骤：
获取储能电池在先恒流后恒压充电策略和恒流放电策略下的循环老化数据；
基于所述循环老化数据，提取每个循环中恒流充电阶段的电压-充电量数据；
基于所述电压-充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子；
构建健康因子与电池健康状态的映射关系模型；
根据实际中的充电数据，提取电压片段，并计算对应的健康因子，基于所述健康因子，根据构建的映射关系模型，确定当前电池健康状态。
2.如权利要求1所述的一种基于充电片段的电池健康状态估计方法，其特征是，获取循环老化数据的具体过程包括，获取循环充放电实验过程中包含电压、电流、充电量、放电量的电池循环老化数据，所述循环充放电实验过程包括：
在恒定温度下，以固定充电倍率对储能电池采用先恒流后恒压的充电策略进行充电实验，使电压、电流均达到规定的截止阈值；
以固定放电倍率对储能电池采用恒流的放电策略进行放电实验，使电压达到规定的截止阈值；
储能电池放电结束后，记录该过程中的总放电量，并将其作为真实容量的参考值；
重复上述步骤，直至储能电池容量衰退至设置值的额定容量。
3.如权利要求1所述的一种基于充电片段的电池健康状态估计方法，其特征是，提取每个循环中恒流充电阶段的电压-充电量数据前，对循环老化数据进行预处理，所述预处理过程包括：
当数据中出现部分参数空缺时，对空缺处进行填补或删除；
当数据中出现与实验要求和实际情况差异度超过设定阈值的异常值时，对异常值进行删除或修正。
4.如权利要求1所述的一种基于充电片段的电池健康状态估计方法，其特征是，提取每个循环中恒流充电阶段的电压-充电量数据的具体过程包括：基于所述电池循环老化数据，获取每个循环中恒流充电阶段的电压增长数据和充电量增长数据；
基于所述电压增长数据和充电量增长数据，指定充电量QCC数据为x轴，电压VCC数据为y轴，拟合恒流充电阶段的电压-充电量曲线。
5.如权利要求1所述的一种基于充电片段的电池健康状态估计方法，其特征是，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子的具体过程包括：
基于所述恒流充电阶段的电压-充电量曲线，按照电压范围将其划分为充电时间占比相差小于设定范围的若干个电压片段；
选取若干个电压片段中的净充电量Qn为健康因子。
6.如权利要求1所述的一种基于充电片段的电池健康状态估计方法，其特征是，构建健康因子与电池健康状态的映射关系模型的具体过程包括：
选取或/和组合若干电压片段健康因子；
将电池循环老化数据分割为训练集和测试集；
建立神经网络模型，形成储能电池健康状态估计模型；
使用训练集对储能电池健康状态估计模型进行训练；
使用测试集评估储能电池健康状态估计模型的性能，利用均方根误差作为衡量模型估计精度的指标；
重复上述步骤，直到均方根误差到达预设条件。
7.如权利要求1所述的一种基于充电片段的电池健康状态估计方法，其特征是，使用训练集对储能电池健康状态估计模型进行训练的具体过程包括：训练前，对储能电池健康状态估计模型的参数进行初始化；
每个训练迭代中，将健康因子输入网络并通过前向传播计算预测值，并利用损失函数度量预测值与实际值的差异；
根据损失，通过反向传播计算梯度以实现模型参数更新；
重复前向传播、反向传播和参数更新的步骤，直至训练结束。
8.如权利要求7所述的一种基于充电片段的电池健康状态估计方法，其特征是，通过反向传播计算梯度以实现模型参数更新的过程包括：将旧模型参数θold利用学习率α和梯度g更新参数值θnew，具体为：
θnew＝θold-α·g。
9.如权利要求1所述的一种基于充电片段的电池健康状态估计方法，其特征是，确定当前电池健康状态的具体过程包括：根据实际中的充电数据，提取有效的电压片段并计算对应的健康因子；
基于所述健康因子，选取其对应的映射关系模型以估计储能电池可用容量Qe；
基于储能电池标定容量Qn和可用容量估计值Qe，计算当前储能电池的健康状态估计值，所述估计值为可用容量估计值Qe和储能电池标定容量Qn的比值。
10.一种基于充电片段的电池健康状态估计系统，其特征是，包括：
数据获取模块，被配置为获取储能电池在先恒流后恒压充电策略和恒流放电策略下的循环老化数据；
数据提取模块，被配置为基于所述循环老化数据，提取每个循环中恒流充电阶段的电压-充电量数据；
健康因子提取模块，被配置为基于所述电压-充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子；
模型构建模块，被配置为构建健康因子与电池健康状态的映射关系模型；
健康状态估计模块，被配置为根据实际中的充电数据，提取电压片段，并计算对应的健康因子，基于所述健康因子，根据构建的映射关系模型，确定当前电池健康状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254748.XA CN117471320A (zh) | 2023-09-26 | 2023-09-26 | 基于充电片段的电池健康状态估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254748.XA CN117471320A (zh) | 2023-09-26 | 2023-09-26 | 基于充电片段的电池健康状态估计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117471320A true CN117471320A (zh) | 2024-01-30 |
Family
ID=89630173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311254748.XA Pending CN117471320A (zh) | 2023-09-26 | 2023-09-26 | 基于充电片段的电池健康状态估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117471320A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117955143A (zh) * | 2024-03-25 | 2024-04-30 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种零碳乡村综合能源管理方法及系统 |
-
2023
- 2023-09-26 CN CN202311254748.XA patent/CN117471320A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117955143A (zh) * | 2024-03-25 | 2024-04-30 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种零碳乡村综合能源管理方法及系统 |
| CN117955143B (zh) * | 2024-03-25 | 2024-05-24 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种零碳乡村综合能源管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
| CN107785624B (zh) | 一种评估锂电池性能的方法 | |
| CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
| 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 | |
| CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
| CN105548896A (zh) | 基于n-2rc模型的动力电池soc在线闭环估计方法 | |
| Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
| CN103529398A (zh) | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 | |
| CN111581904A (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
| CN104965179A (zh) | 一种锂离子蓄电池的温度组合电路模型及其参数识别方法 | |
| Che et al. | Semi-supervised self-learning-based lifetime prediction for batteries | |
| CN106055775A (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
| CN115684947A (zh) | 电池模型构建方法及电池劣化预测装置 | |
| CN112083346B (zh) | 基于lstm的并联电池组内部电流分布估计方法及系统 | |
| Chen et al. | Sliding mode observer for state of charge estimation based on battery equivalent circuit in electric vehicles | |
| CN108205114A (zh) | 电池寿命的预测方法及系统 | |
| Baek et al. | Capacity fade modeling of a lithium-ion battery for electric vehicles | |
| CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
| US20230349977A1 (en) | Method and apparatus for estimating state of health of battery | |
| Tang et al. | A novel lithium-ion battery state of charge estimation method based on the fusion of neural network and equivalent circuit models | |
| Biswas et al. | Simultaneous state and parameter estimation of li-ion battery with one state hysteresis model using augmented unscented kalman filter | |
| CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
| CN113406500B (zh) | 一种动力锂电池的剩余电量估计方法 | |
| CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、系统、设备及介质 | |
| CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 |
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 |