CN117471346A - 用于确定退役电池模组剩余寿命和健康状态的方法及系统 - Google Patents
用于确定退役电池模组剩余寿命和健康状态的方法及系统 Download PDFInfo
- Publication number
- CN117471346A CN117471346A CN202311465615.7A CN202311465615A CN117471346A CN 117471346 A CN117471346 A CN 117471346A CN 202311465615 A CN202311465615 A CN 202311465615A CN 117471346 A CN117471346 A CN 117471346A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- health
- model
- life
- 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 23
- 230000003862 health status Effects 0.000 title claims description 30
- 230000036541 health Effects 0.000 claims abstract description 76
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001771 impaired effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000010926 waste battery Substances 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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]
- G01R31/392—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]
- G01R31/367—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]
- G01R31/382—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]
- G01R31/396—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
本发明提供用于确定退役电池模组剩余寿命和健康状态的方法及系统,涉及废弃电池检测技术领域。该退役电池模组剩余寿命和健康状态的方法及系统,包括数据采集模块、数据预处理模块、特征提取模块、剩余寿命模型建立模块、剩余寿命预测模块和结果输出与健康状态评估模块;所述数据采集模块包括电流传感器、电压传感器和温度传感器;所述数据预处理模块对采集到的原始数据进行清洗和预处理。通过多次迭代检测,可以积累更多的数据样本,有助于建立更准确的剩余寿命预测模型,利用这些数据,工作人员可以更准确地预测电池模组的寿命,并提前采取相应的维护和管理措施。
Description
技术领域
本发明涉及废弃电池检测技术领域,具体为用于确定退役电池模组剩余寿命和健康状态的方法及系统。
背景技术
近年来,锂离子电池作为长寿命和环保的新型储能器件,已经被大规模商业化应用于各个领域,特别是在电动汽车领域,目前已取代传统的铅酸电池成为主流。伴随锂电池产业的壮大,电池管理系统也随之迅速发展,退役电池模组剩余寿命和健康状态的系统通常是一种软件或硬件系统,用于监测、评估和预测电池模组的剩余寿命和健康状态,通过监测剩余寿命和健康状态,可以采取一些措施延长电池的使用寿命,例如,根据电池的实际状态进行充放电策略优化,避免过度充放电,减少对电池的损害,延长电池的寿命。
目前对电池模组剩余寿命的预测参数值无法直接反映当前检测转台下电池的实际健康状态,电池的健康状态受多种因素影响,包括充放电历史、环境条件、使用模式等,而仅仅依靠参数辨识得到的参数无法全面准确地反映这些因素对电池健康的影响,检测准确度较低,容易造成退役电池的剩余资源浪费,且无法准确的反映退役电池模组的性能变化趋势,只有一次检测结果难以准确评估其剩余寿命和健康状态,工作人员无法及时发现容量衰减、内阻增加、温度升高的问题,容易造成一定程度的安全隐患。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了用于确定退役电池模组剩余寿命和健康状态的方法及系统,解决了无法全面准确地反映显示因素对电池健康的影响,检测准确度较低的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:用于确定退役电池模组剩余寿命和健康状态的系统,数据采集模块、数据预处理模块、特征提取模块、剩余寿命模型建立模块、剩余寿命预测模块和结果输出与健康状态评估模块;所述数据采集模块包括电流传感器、电压传感器和温度传感器;所述数据预处理模块对采集到的原始数据进行清洗和预处理;所述特征提取模块从预处理后的数据中提取有用的特征参数;所述剩余寿命模型建立模块利用提取到的特征参数,建立剩余寿命预测模型;所述剩余寿命预测模块利用训练好的模型对电池模组的剩余寿命进行预测;所述结果输出与健康状态评估模块根据预测结果生成指示,根据结果生成健康状态的评估。
优选的,所述电流传感器用于监测退役电池模组的充放电电流,输出电流信号,所述电压传感器用于检测电池模组的电压,输出电压信号,所述温度传感器用于检测电池模组的温度,输出温度信号。
优选的,所述数据预处理模块根据接收到的数据采集模块传输的数据进行去除异常值、平滑数据、校准传感器的操作。
优选的,所述剩余寿命模型通过建立电池寿命衰减的数学模型来预测剩余寿命。
优选的,所述剩余寿命预测模块通过建立好的剩余寿命模型结合历史数据和算法计算,得出预测的退役电池模组剩余寿命,从而将数据传输给结果输出与健康状态评估模块。
优选的,所述结果输出与健康状态评估模块根据剩余寿命预测模块传输出的预测结果生成指示。
用于确定退役电池模组剩余寿命和健康状态的方法,其特征在于,包括以下具体步骤:
S1.利用相空间重构法对训练数据进行预处理,将二维数据映射到高维空间,并对剩余寿命模型进行离线训练;
S2.将剩余寿命模型方程作为滤波器的观测方程,得到一步预测输出;
S3.将双滤波器算法的容量输出和剩余寿命模型参数输出特征提取模块,实现剩余寿命模型的在线训练和动态参数更新;
S4.在现有电池模型的基础上进行参数辨识,通过对应参数的变化预测当前电池健康状态。
S5.1收集大规模的电池模组性能数据,包括电压、电流、温度等参数,并将其标记为不同的工作状态和健康程度。根据电池模组的实际运行情况,对数据进行标记,将其分为不同的健康状态(例如正常、受损、退役)和对应的剩余寿命(可能用循环次数表示);
S5.2深度神经网络设计:设计一个深度神经网络模型,选用循环神经网络(RNN),用于特征提取和分类任务。模型的输入是电池模组的性能数据,输出是电池的健康状态分类和剩余寿命的预测。
S5.3数据预处理:对采集到的数据进行预处理,包括归一化、噪声降低和数据增强,以提高模型的鲁棒性。
S5.4特征提取:通过深度神经网络模型,提取电池模组数据的高级特征,以捕捉不易观察的隐含特征,这有助于更准确地描述电池的状态。
S5.5分类和预测:将提取的特征输入到深度神经网络中,进行健康状态分类和剩余寿命预测。这可以包括多类别分类,包括正常、受损和退役,以及连续数值预测,包括剩余寿命的估计。
步骤a,有一系列电池性能数据和它们的剩余寿命标签,表示为(X_1,X_2,...,X_t)和(T_1,T_2,...,T_t),其中X_i是电池性能数据,T_i是对应的剩余寿命和健康状态分类。
步骤b,使用RNN来捕捉时间序列关系。RNN的隐藏状态ht和输出yt可以通过以下公式推导:
ht=σ(Wih*xt+Whh*ht-1)
其中σ是激活函数,Wih和Whh是权重矩阵。
yt=Who*ht
其中Who是输出层权重矩阵。
输出层可以是一个具有3个神经元的全连接层,分别表示三种健康状态(正常、受损、退役)的概率。
对于剩余寿命的连续预测,输出层可以是一个具有1个神经元的全连接层,输出剩余寿命的估计值。
步骤c,假设有一个经过RNN处理的时间序列数据X={x_1,x_2,...,x_t},目标是同时预测电池的剩余寿命T和健康状态分类C。
步骤d,多任务学习的目标是将剩余寿命估计和健康状态分类作为两个任务一起训练网络。在这里,引入两个损失函数,一个用于剩余寿命估计,另一个用于健康状态分类。
剩余寿命估计:对于剩余寿命估计,使用RNN的隐藏状态ht来生成估计值。首先,定义一个具有1个神经元的全连接层,表示为fT,以生成剩余寿命的连续预测值:
T^t=fT(ht)
在训练过程中使用均方误差(MSE)损失来度量实际剩余寿命Ti与预测值T^i之间的差异:
健康状态分类:
对于健康状态分类,使用全连接层的输出层来生成三种健康状态:正常、受损、退役的概率,定义一个具有3个神经元的全连接层,表示为fc,使用softmax激活函数,以生成健康状态分类的概率分布:
其中,c可以是0、1或2分别表示正常、受损和退役的健康状态。
在训练过程中,可以使用交叉熵损失来度量实际健康状态标签C与预测概率分布的差异:
其中,Ci,c为健康状态不同分类;
多任务损失:
在多任务学习中,综合考虑剩余寿命估计和健康状态分类的损失,定义总损失Lmulti,可以是这两个损失的加权和:
Lmulti=αLT+βLC
其中,α和β是损失的权重,可以根据任务的相对重要性来调整。
步骤e,训练过程:通过梯度下降来最小化损失函数,更新模型参数θ:
其中α是学习率。
模型评估:使用验证集或测试集数据来评估模型性能,可以计算MSE等指标。
S5.6使用大量标记数据来训练深度神经网络模型,并进行超参数调优,以确保最佳性能。
S5.7将深度学习模型与S3中的剩余寿命模型参数输出特征提取模块集成,以实现在线训练和动态参数更新。这使得模型可以随着时间的推移不断适应电池模组的状态变化。
S5.8将S2中的滤波器输出与深度学习模型的结果相结合,以综合评估电池的健康状态和剩余寿命,提供更可靠的预测。
(三)有益效果
本发明提供了用于确定退役电池模组剩余寿命和健康状态的方法及系统。
具备以下有益效果:
1、本发明通过迭代检测可以实时监测电池模组的性能和状态变化,通过周期性地进行检测,可以及时发现电池容量衰减、内阻增加、温度升高等问题,以及其他潜在的故障或异常情况,且多次迭代检测,可以积累更多的数据样本,有助于建立更准确的剩余寿命预测模型,利用这些数据,工作人员可以更准确地预测电池模组的寿命,并提前采取相应的维护和管理措施。
2、本发明通过通过参数辨识,可以根据实际数据拟合电池模型,从而更准确地描述退役电池的行为和性能特征,可以提高对电池健康状态的预测准确度,使监测结果更为可靠,且工作人员可以及时发现退役电池健康状态的变化趋势,当参数超出预设范围或显示异常变化时,可以提前警示并采取适当的措施,避免电池故障或性能损失的严重后果。
3、深度学习模型能够自动学习和提取数据中的有用特征,而不需要手工设计特征工程。可以帮助系统更好地理解电池性能数据,包括复杂的时间序列信息,从而提高对电池健康状态和剩余寿命的准确预测。引入深度学习的分类模型可以显著提高健康状态分类的准确性。深度学习模型能够处理大量数据和复杂模式,使得对正常、受损和退役等健康状态的分类更加可靠。深度学习模型可以通过学习时间序列数据中的变化模式,实现电池剩余寿命的连续预测。这允许更精确地估计电池何时可能失效,有助于提前采取维护措施,减少不必要的停机时间和维修成本。深度学习模型可以动态地适应不断变化的电池性能数据。它们可以自动调整模型参数以适应新数据,因此系统可以实时监测电池健康状态和剩余寿命,而不需要手动调整模型。深度学习技术可以处理大规模的数据,因此可以轻松扩展到大型电池模组管理系统。这有助于管理大量电池模组,提高整个电池系统的可扩展性和效率。
附图说明
图1为本发明系统预测流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
如图1示,本发明实施例提供用于确定退役电池模组剩余寿命和健康状态的系统,包括数据采集模块、数据预处理模块、特征提取模块、剩余寿命模型建立模块、剩余寿命预测模块和结果输出与健康状态评估模块;数据采集模块包括电流传感器、电压传感器和温度传感器;数据预处理模块对采集到的原始数据进行清洗和预处理;特征提取模块从预处理后的数据中提取有用的特征参数;剩余寿命模型建立模块利用提取到的特征参数,建立剩余寿命预测模型;剩余寿命预测模块利用训练好的模型对电池模组的剩余寿命进行预测;结果输出与健康状态评估模块根据预测结果生成指示,根据结果生成健康状态的评估。
进一步的,电流传感器用于监测退役电池模组的充放电电流,输出电流信号,电压传感器用于检测电池模组的电压,输出电压信号,温度传感器用于检测电池模组的温度,输出温度信号。
进一步的,数据预处理模块根据接收到的数据采集模块传输的数据进行去除异常值、平滑数据、校准传感器的操作。
进一步的,剩余寿命模型通过建立电池寿命衰减的数学模型来预测剩余寿命。
进一步的,剩余寿命预测模块通过建立好的剩余寿命模型结合历史数据和算法计算,得出预测的退役电池模组剩余寿命,从而将数据传输给结果输出与健康状态评估模块。
进一步的,结果输出与健康状态评估模块根据剩余寿命预测模块传输出的预测结果生成指示。
用于确定退役电池模组剩余寿命和健康状态的方法,其特征在于,包括以下具体步骤:
S1.利用相空间重构法对训练数据进行预处理,将二维数据映射到高维空间,并对剩余寿命模型进行离线训练;
S2.将剩余寿命模型方程作为滤波器的观测方程,得到一步预测输出;
S3.将双滤波器算法的容量输出和剩余寿命模型参数输出特征提取模块,实现剩余寿命模型的在线训练和动态参数更新;
S4.在现有电池模型的基础上进行参数辨识,通过对应参数的变化预测当前电池健康状态。
选取退役电池容量衰减经验数据可以得出退役电池模组剩余寿命:
Ck+1=δc Ck+β1exp(-β2/Δtk),
其中,Ck是k循环时电池容量,δc是库伦效率,tk是k到k+1的时间间隔,β1和β2是待确定参数;
从而工作人员可以根据建立模型内的数据得到退役电池模组剩余寿命的预测数据;
再采用公式:Rk+1=Rk+rk、yk=OCV(Zk)-Rkik+ek,
式中:R是电池内阻;rk表示噪声引起的内阻变化;yk为电池估计电压;ik为估计电流;Zk是电池SOC,用于联系电池SOC-OCV的关系;ek则表示电池模型的误差,由此得出根据最终的数据得到精确度较高的退役电池模组剩余寿命和健康状态。
S5.1收集大规模的电池模组性能数据,包括电压、电流、温度等参数,并将其标记为不同的工作状态和健康程度。根据电池模组的实际运行情况,对数据进行标记,将其分为不同的健康状态(例如正常、受损、退役)和对应的剩余寿命(可能用循环次数表示);
S5.2深度神经网络设计:设计一个深度神经网络模型,选用循环神经网络(RNN),用于特征提取和分类任务。模型的输入是电池模组的性能数据,输出是电池的健康状态分类和剩余寿命的预测。
S5.3数据预处理:对采集到的数据进行预处理,包括归一化、噪声降低和数据增强,以提高模型的鲁棒性。
S5.4特征提取:通过深度神经网络模型,提取电池模组数据的高级特征,以捕捉不易观察的隐含特征,这有助于更准确地描述电池的状态。
S5.5分类和预测:将提取的特征输入到深度神经网络中,进行健康状态分类和剩余寿命预测。这可以包括多类别分类,包括正常、受损和退役,以及连续数值预测,包括剩余寿命的估计。
步骤a,有一系列电池性能数据和它们的剩余寿命标签,表示为(X_1,X_2,...,X_t)和(T_1,T_2,...,T_t),其中X_i是电池性能数据,T_i是对应的剩余寿命和健康状态分类。
步骤b,使用RNN来捕捉时间序列关系。RNN的隐藏状态ht和输出yt可以通过以下公式推导:
ht=σ(Wih*xt+Whh*ht-1)
其中σ是激活函数,Wih和Whh是权重矩阵。
yt=Who*ht
其中Who是输出层权重矩阵。
输出层可以是一个具有3个神经元的全连接层,分别表示三种健康状态(正常、受损、退役)的概率。
对于剩余寿命的连续预测,输出层可以是一个具有1个神经元的全连接层,输出剩余寿命的估计值。
步骤c,假设有一个经过RNN处理的时间序列数据X={x_1,x_2,...,x_t},目标是同时预测电池的剩余寿命T和健康状态分类C。
步骤d,多任务学习的目标是将剩余寿命估计和健康状态分类作为两个任务一起训练网络。在这里,引入两个损失函数,一个用于剩余寿命估计,另一个用于健康状态分类。
剩余寿命估计:对于剩余寿命估计,使用RNN的隐藏状态ht来生成估计值。首先,定义一个具有1个神经元的全连接层,表示为fT,以生成剩余寿命的连续预测值:
T^t=fT(ht)
在训练过程中使用均方误差(MSE)损失来度量实际剩余寿命T i与预测值T^i之间的差异:
健康状态分类:
对于健康状态分类,使用全连接层的输出层来生成三种健康状态:正常、受损、退役的概率,定义一个具有3个神经元的全连接层,表示为fc,使用softmax激活函数,以生成健康状态分类的概率分布:
其中,c可以是0、1或2分别表示正常、受损和退役的健康状态。
在训练过程中,可以使用交叉熵损失来度量实际健康状态标签C与预测概率分布的差异:
其中,Ci,c为健康状态不同分类;
多任务损失:
在多任务学习中,综合考虑剩余寿命估计和健康状态分类的损失,定义总损失Lmulti,可以是这两个损失的加权和:
Lmulti=αLT+βLC
其中,α和β是损失的权重,可以根据任务的相对重要性来调整。
步骤e,训练过程:通过梯度下降来最小化损失函数,更新模型参数θ:
其中α是学习率。
模型评估:使用验证集或测试集数据来评估模型性能,可以计算MSE等指标。
S5.6使用大量标记数据来训练深度神经网络模型,并进行超参数调优,以确保最佳性能。
S5.7将深度学习模型与S3中的剩余寿命模型参数输出特征提取模块集成,以实现在线训练和动态参数更新。这使得模型可以随着时间的推移不断适应电池模组的状态变化。
S5.8将S2中的滤波器输出与深度学习模型的结果相结合,以综合评估电池的健康状态和剩余寿命,提供更可靠的预测。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.用于确定退役电池模组剩余寿命和健康状态的系统,其特征在于:、数据预处理模块、特征提取模块、剩余寿命模型建立模块、剩余寿命预测模块和结果输出与健康状态评估模块;
所述数据采集模块包括电流传感器、电压传感器和温度传感器;
所述数据预处理模块对采集到的原始数据进行清洗和预处理;
所述特征提取模块从预处理后的数据中提取有用的特征参数;
所述剩余寿命模型建立模块利用提取到的特征参数,建立剩余寿命预测模型;
所述剩余寿命预测模块利用训练好的模型对电池模组的剩余寿命进行预测;
所述结果输出与健康状态评估模块根据预测结果生成指示,根据结果生成健康状态的评估。
2.根据权利要求1所述的用于确定退役电池模组剩余寿命和健康状态的系统,其特征在于:所述电流传感器用于监测退役电池模组的充放电电流,输出电流信号,所述电压传感器用于检测电池模组的电压,输出电压信号,所述温度传感器用于检测电池模组的温度,输出温度信号。
3.根据权利要求1所述的用于确定退役电池模组剩余寿命和健康状态的系统,其特征在于:所述数据预处理模块根据接收到的数据采集模块传输的数据进行去除异常值、平滑数据、校准传感器的操作。
4.根据权利要求1所述的用于确定退役电池模组剩余寿命和健康状态的系统,其特征在于:所述剩余寿命模型通过建立电池寿命衰减的数学模型来预测剩余寿命。
5.根据权利要求1所述的用于确定退役电池模组剩余寿命和健康状态的系统,其特征在于:所述剩余寿命预测模块通过建立好的剩余寿命模型结合历史数据和算法计算,得出预测的退役电池模组剩余寿命,从而将数据传输给结果输出与健康状态评估模块。
6.根据权利要求1所述的用于确定退役电池模组剩余寿命和健康状态的方法及系统,其特征在于:所述结果输出与健康状态评估模块根据剩余寿命预测模块传输出的预测结果生成指示。
7.根据权利要求1-5中任意一项所述的用于确定退役电池模组剩余寿命和健康状态的方法,其特征在于,包括以下具体步骤:
S1.利用相空间重构法对训练数据进行预处理,将二维数据映射到高维空间,并对剩余寿命模型进行离线训练;
S2.将剩余寿命模型方程作为滤波器的观测方程,得到一步预测输出;
S3.将双滤波器算法的容量输出和剩余寿命模型参数输出特征提取模块,实现剩余寿命模型的在线训练和动态参数更新;
S4.在现有电池模型的基础上进行参数辨识,通过对应参数的变化预测当前电池健康状态;
S5.基于深度学习的特征提取和分类;
S5.1收集大规模的电池模组性能数据,包括电压、电流、温度参数,并将其标记为不同的工作状态和健康程度,根据电池模组的实际运行情况,对数据进行标记,将其分为不同的健康状态和对应的剩余寿命:用循环次数表示;
S5.2设计一个深度神经网络模型,选用循环神经网络(RNN),用于特征提取和分类任务,模型的输入是电池模组的性能数据,输出是电池的健康状态分类和剩余寿命的预测;
S5.3对采集到的数据进行预处理,包括归一化、噪声降低和数据增强,以提高模型的鲁棒性;
S5.4通过深度神经网络模型,提取电池模组数据的高级特征,以捕捉不易观察的隐含特征,这有助于更准确地描述电池的状态;
S5.5将提取的特征输入到深度神经网络中,进行健康状态分类和剩余寿命预测,包括多类别分类,包括正常、受损和退役,以及连续数值预测,包括剩余寿命的估计;
步骤a,有一系列电池性能数据和它们的剩余寿命标签,表示为(X_1,X_2,...,X_t)和(T_1,T_2,...,T_t),其中X_i是电池性能数据,T_i是对应的剩余寿命和健康状态分类;
步骤b,使用RNN来捕捉时间序列关系,RNN的隐藏状态ht和输出yt可以通过以下公式推导:
ht=σ(Wih*xt+Whh*ht-1)
其中σ是激活函数,Wih和Whh是权重矩阵;
yt=Who*ht
其中Who是输出层权重矩阵;
输出层可以是一个具有3个神经元的全连接层,分别表示三种健康状态(正常、受损、退役)的概率;
对于剩余寿命的连续预测,输出层可以是一个具有1个神经元的全连接层,输出剩余寿命的估计值;
步骤c,假设有一个经过RNN处理的时间序列数据X={x_1,x_2,...,x_t},目标是同时预测电池的剩余寿命T和健康状态分类C;
步骤d,多任务学习的目标是将剩余寿命估计和健康状态分类作为两个任务一起训练网络,在这里,引入两个损失函数,一个用于剩余寿命估计,另一个用于健康状态分类;
剩余寿命估计:对于剩余寿命估计,使用RNN的隐藏状态ht来生成估计值,首先,定义一个具有1个神经元的全连接层,表示为fT,以生成剩余寿命的连续预测值:
T^t=fT(ht)
在训练过程中使用均方误差(MSE)损失来度量实际剩余寿命Ti与预测值T^i之间的差异:
健康状态分类:
对于健康状态分类,使用全连接层的输出层来生成三种健康状态:正常、受损、退役的概率,定义一个具有3个神经元的全连接层,表示为fc,使用softmax激活函数,以生成健康状态分类的概率分布:
其中,c可以是0、1或2分别表示正常、受损和退役的健康状态;
在训练过程中,可以使用交叉熵损失来度量实际健康状态标签C与预测概率分布的差异:
其中,Ci,c为健康状态不同分类;
多任务损失:
在多任务学习中,综合考虑剩余寿命估计和健康状态分类的损失,定义总损失Lmulti,可以是这两个损失的加权和:
Lmulti=αLT+βLC
其中,α和β是损失的权重,可以根据任务的相对重要性来调整;
步骤e,训练过程:通过梯度下降来最小化损失函数,更新模型参数θ:
其中α是学习率;
模型评估:使用验证集或测试集数据来评估模型性能,可以计算MSE等指标;
S5.6使用大量标记数据来训练深度神经网络模型,并进行超参数调优,以确保最佳性能;
S5.7将深度学习模型与S3中的剩余寿命模型参数输出特征提取模块集成,以实现在线训练和动态参数更新;这使得模型可以随着时间的推移不断适应电池模组的状态变化;
S5.8将S2中的滤波器输出与深度学习模型的结果相结合,以综合评估电池的健康状态和剩余寿命,提供更可靠的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465615.7A CN117471346A (zh) | 2023-11-06 | 2023-11-06 | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465615.7A CN117471346A (zh) | 2023-11-06 | 2023-11-06 | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117471346A true CN117471346A (zh) | 2024-01-30 |
Family
ID=89637580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311465615.7A Pending CN117471346A (zh) | 2023-11-06 | 2023-11-06 | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117471346A (zh) |
-
2023
- 2023-11-06 CN CN202311465615.7A patent/CN117471346A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN111624494B (zh) | 基于电化学参数的电池分析方法和系统 | |
EP2869153A1 (en) | Health management system, fault diagnosis system, health management method, and fault diagnosis method | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN102062832B (zh) | 基于微扰动信号低频振荡模式辨识的电力系统在线预警方法 | |
WO2002057856A2 (en) | Adaptive modeling of changed states in predictive condition monitoring | |
CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及系统 | |
Mosallam et al. | Component based data-driven prognostics for complex systems: Methodology and applications | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
CN114462259B (zh) | 基于soc的电池剩余寿命预测方法、系统、汽车及介质 | |
CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
Mosallam et al. | Integrated bayesian framework for remaining useful life prediction | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
CN115310693A (zh) | 一种综合能源数据清洗方法、系统、设备和介质 | |
RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN112464146B (zh) | 一种基于历史遥测数据的关键分系统及单机关联性健康基线构建方法 | |
Degla et al. | An Enhanced Neural Network Application for a Lithium-ion Battery Pack State-of-Health Estimator | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
US20240104269A1 (en) | Transferable hybrid prognostics based on fundamental degradation modes | |
CN118051852A (zh) | 创建识别设备电池组的异常的异常识别模型的方法和装置 | |
CN118050591A (zh) | 基于ai的配网10kv架空线故障预警及定位系统 |
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 |