CN117665630B - 一种基于充放电循环数据的电池寿命预测方法及系统 - Google Patents
一种基于充放电循环数据的电池寿命预测方法及系统 Download PDFInfo
- Publication number
- CN117665630B CN117665630B CN202410137097.4A CN202410137097A CN117665630B CN 117665630 B CN117665630 B CN 117665630B CN 202410137097 A CN202410137097 A CN 202410137097A CN 117665630 B CN117665630 B CN 117665630B
- Authority
- CN
- China
- Prior art keywords
- sequence
- battery
- charge
- discharge
- discharge cycle
- 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 50
- 230000036541 health Effects 0.000 claims abstract description 79
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 description 15
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 11
- 229910001416 lithium ion Inorganic materials 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 235000009430 Thespesia populnea Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种基于充放电循环数据的电池寿命预测方法及系统,涉及电池技术领域,方法包括:根据待用电池充放电循环数据集合计算电池健康状态值序列,进而确定对应的最优匹配序列;确定放缩系数及对应的放缩循环结束圈数;基于预设标准SOH数据集及最优匹配序列,采用一维线性插值放缩方法,确定第一预测结果序列;将第一预测结果序列输入至预设ARIMA时间序列模型中,以得到第二预测结果序列;将电池健康状态值序列、第一预测结果序列及第二预测结果序列依次合并,以得到电池整体健康状态序列,用于根据预设电池健康状态值确定对应的充放电循环圈数,以实现电池寿命预测。本发明在减少电池寿命预测所用数据量的同时提高预测速度和精度。
Description
技术领域
本发明涉及电池技术领域,特别是涉及一种基于充放电循环数据的电池寿命预测方法及系统。
背景技术
随着可再生能源的快速发展和电动汽车市场的迅猛增长,储能系统的需求也在逐年增加,优化储能电池的寿命和性能对储能系统的可靠运行至关重要。储能电池作为可再生能源储存的关键环节,其寿命预测对于推动能源转型至关重要。而在锂离子电池寿命预测方面,存在以下难点:1)缺乏准确性:预测锂离子电池剩余寿命是一个复杂的任务,因为电池的性能会受到多种因素的影响,如充放电倍率、温度、周期次数等。由于这些因素的复杂性和变化性,很难建立一个准确的预测模型。2)数据收集困难:为了建立一个可靠的预测模型,需要大量的电池循环数据。然而,获取电池循环数据是一项费时且昂贵的任务。此外,电池的性能也会随时间而变化,因此需要定期更新数据。3)周期时间长:为了获得准确的剩余寿命预测,需要对电池进行长时间的循环测试。这意味着预测模型的开发和验证需要耗费大量的时间和资源。4)多参数影响:锂离子电池的性能受到多种参数的影响,如温度、电流、电压等。这些参数之间的相互作用和复杂性增加了预测模型的开发难度。
在锂离子电池的使用寿命中,电池的状态健康度(State of Health,SOH)整体是一个逐渐下降的过程,这是由于电池在充电和放电过程中的各种物理和化学变化所导致的。然而,在电池使用一段时间后,SOH可能会在某个特定值附近急剧下降,形成一个跳水点。该跳水点的位置几乎不会在早期循环数据中表现出来,并且不同电芯的跳水点位置和幅度也无法从早期循环数据中确定,这给电芯寿命带来诸多不确定性,极大的增加了通过早期循环数据预测锂离子电池寿命的困难度。
发明内容
本发明的目的是提供一种基于充放电循环数据的电池寿命预测方法及系统,减少电池寿命预测所用数据量的同时提高预测速度和精度。
为实现上述目的,本发明提供了如下方案。
第一方面,本发明提供一种基于充放电循环数据的电池寿命预测方法,包括以下步骤。
获取待用电池充放电循环数据集合;所述待用电池充放电循环数据集合包括目标电池自初次充电开始的前t圈充放电循环数据;t为预设常数值。
根据所述待用电池充放电循环数据集合,计算电池健康状态值序列。
基于预设标准SOH数据集,确定所述电池健康状态值序列对应的最优匹配序列。
基于所述电池健康状态值序列及对应的最优匹配序列,确定放缩系数及对应的放缩循环结束圈数。
基于所述预设标准SOH数据集及所述最优匹配序列,采用一维线性插值放缩方法,根据所述放缩系数及对应的放缩循环结束圈数,确定第一预测结果序列。
将所述第一预测结果序列,输入至预设ARIMA时间序列模型中,以得到第二预测结果序列。
将所述电池健康状态值序列、所述第一预测结果序列及所述第二预测结果序列依次合并,以得到电池整体健康状态序列;所述电池整体健康状态序列用于根据预设电池健康状态值确定对应的充放电循环圈数,以实现电池寿命预测。
第二方面,本发明提供一种基于充放电循环数据的电池寿命预测系统,包括以下模块。
循环数据获取模块,用于获取待用电池充放电循环数据集合;所述待用电池充放电循环数据集合包括目标电池自初次充电开始的前t圈充放电循环数据;t为预设常数值。
健康状态值序列确定模块,用于根据所述待用电池充放电循环数据集合,计算电池健康状态值序列。
最优匹配序列确定模块,用于基于预设标准SOH数据集,确定所述电池健康状态值序列对应的最优匹配序列。
放缩数据确定模块,用于基于所述电池健康状态值序列及对应的最优匹配序列,确定放缩系数及对应的放缩循环结束圈数。
第一预测结果确定模块,用于基于所述预设标准SOH数据集及所述最优匹配序列,采用一维线性插值放缩方法,根据所述放缩系数及对应的放缩循环结束圈数,确定第一预测结果序列。
第二预测结果确定模块,用于将所述第一预测结果序列,输入至预设ARIMA时间序列模型中,以得到第二预测结果序列。
最终预测确定模块,用于将所述电池健康状态值序列、所述第一预测结果序列及所述第二预测结果序列依次合并,以得到电池整体健康状态序列;所述电池整体健康状态序列用于根据预设电池健康状态值确定对应的充放电循环圈数,以实现电池寿命预测。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明公开一种基于充放电循环数据的电池寿命预测方法及系统,根据目标电池自初次充电开始的前t圈充放电循环数据,计算电池健康状态值序列;然后结合预设标准SOH数据集,确定放缩系数及对应的放缩循环结束圈数;采用一维线性插值放缩方法确定第一预测结果序列,将第一预测结果序列输入至预设ARIMA时间序列模型中得到第二预测结果序列;将上述得到的电池健康状态值序列、第一预测结果序列及第二预测结果序列依次合并,得到电池整体健康状态序列,该序列可用来进行t圈充放电循环数据之后的电池寿命预测。并且,电池整体健康状态序列构建过程中,所需用到的真实数据仅为前t圈充放电循环数据,相对于现有技术,所用到的数据量更少,更少的数据量意味着训练时所耗费时间更短,计算速度更快。另外,通过与预设标准SOH数据集结合并进行放缩,能够提到电池寿命预测的准确性,降低误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于充放电循环数据的电池寿命预测方法的流程示意图。
图2为本发明中第一预测结果序列的示意图。
图3为本发明中电池整体健康状态序列的示意图。
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。
通过电池的早期充放电循环数据预测寿命的背景和意义是为了满足储能系统的可靠性和经济性需求。储能电池是一种能够存储电能并在需要时释放的关键设备,用于平衡电网负载、应对能源波动、提供备用电力等。预测电池寿命可以帮助用户评估电池的使用方式,延长电池的寿命并优化储能系统的性能。
本发明提供了一种基于充放电循环数据的电池寿命预测方法及系统,仅需要目标电池(如锂离子电池)一些早期充放电循环数据就可以预测该电池循环到80%SOH、70%SOH、60%SOH等指定SOH的循环圈数,其所需充放电循环数据更少、训练时间短、计算速度快、耗时短、误差小。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一:如图1所示,本发明提供一种基于充放电循环数据的电池寿命预测方法,包括以下步骤。
步骤100,获取待用电池充放电循环数据集合;所述待用电池充放电循环数据集合包括目标电池自初次充电开始的前t圈充放电循环数据;t为预设常数值。
在步骤100与步骤200之间,方法还包括:对所述待用电池充放电循环数据集合依次进行异常值处理及中值滤波处理。具体地,每个充放电循环数据均包括放电量,对应的放电数据集合D=(d1,d2,…,dt);对放电数据集合D做异常值处理,具体为:对于异常值通过前后位置均值填补;然后,设置窗口大小,对异常值处理后的放电数据集合D做中值滤波处理。
步骤200,根据所述待用电池充放电循环数据集合,计算电池健康状态值序列,具体包括以下步骤。
(1)根据所述待用电池充放电循环数据集合,确定放电数据集合;所述放电数据集合包括前t圈充放电循环数据中的放电量。
(2)基于所述放电数据集合,根据如下公式计算电池健康状态值序列。
。
其中,表示电池健康状态值序列,/>表示第1圈充放电循环数据中的放电量,表示第2圈充放电循环数据中的放电量,/>表示第t圈充放电循环数据中的放电量。
步骤300,基于预设标准SOH数据集,确定所述电池健康状态值序列对应的最优匹配序列;所述预设标准SOH数据集包括多个预设标准SOH值序列,具体构建过程包括以下步骤。
11)采用麻省理工学院MIT于2019年公开的锂离子循环数据集构造初始数据源,该初始数据源包括124颗不同锂离子电池在不同工况下循环到80%SOH的数据。应用上述锂离子循环数据集构造初始数据源,能够使得预测误差在5%以内。
12)从每次循环的放电工况中提取第j颗电芯每次循环的放电量,构成放电量序列Dj=(dj1,dj2,…,djm),其中,dj1表示第j颗电芯在第1次充放电循环中放电过程的放电量,dj2表示第j颗电芯在第2次充放电循环中放电过程的放电量,djm表示第j颗电芯在第m次充放电循环中放电过程的放电量。
13)对第j颗电芯的放电量序列Dj依次进行异常值处理及中值滤波处理数据处理。
14)根据经过13)步骤处理后的放电量序列Dj,计算第j颗电芯每次循环的SOH序列,以构成预设标准SOH值序列,如下。
。
多颗电芯的预设标准SOH值序列构成预设标准SOH数据集。
步骤300,具体包括以下步骤。
(1)针对任一预设标准SOH值序列,取前t个预设标准SOH值,以构成待用标准SOH值序列。
(2)根据如下公式,计算所述待用标准SOH值序列与所述电池健康状态值序列的相似度。
。
其中,表示待用标准SOH值序列与电池健康状态值序列的相似度,/>表示第j个待用标准SOH值序列中第i个放电量,/>表示电池健康状态值序列中第i个放电量,j=1,2,…。
(3)将相似度最大的待用标准SOH值序列标记为所述电池健康状态序列的最优匹配序列。
步骤400,基于所述电池健康状态值序列及对应的最优匹配序列,确定放缩系数及对应的放缩循环结束圈数。
步骤400,具体包括以下步骤。
(1)对常数值k1进行初始化,以使得k1=1。
(2)判断电池健康状态值序列中第k1+1个至第t个放电量是否均大于所述最优匹配序列中对应的第k1+1个至第t个放电量,以得到第一结果。
(3)当所述第一结果表示否时,将k1更新为k1+1,然后返回判断电池健康状态值序列中第k1+1个至第t个放电量是否均大于所述最优匹配序列中对应的第k1+1个至第t个放电量,以得到第一结果的步骤。
(4)当所述第一结果表示是时,将k1标记为放缩循环开始圈数。
即,若对于i=k1+1,k1+2,…,t均有,则进入步骤(4)置kstart=k1,若否,则置k1=k1+1,返回步骤(2)重新进行判断。
(5)对常数值k2进行初始化,以使得k2=1。
(6)判断所述最优匹配序列中第k2+1个至第t个放电量是否均小于所述电池健康状态值序列中第t个放电量,以得到第二结果。
(7)当所述第二结果表示否时,将k2更新为k2+1,然后返回判断所述最优匹配序列中第k2+1个至第t个放电量是否均小于所述电池健康状态值序列中第t个放电量,以得到第二结果的步骤。
(8)当所述第二结果表示是时,将k2标记为放缩循环结束圈数。
即,若对于i=k2+1,k2+2,…,t均有,则进入步骤(8)置kend=k2,若否,则置k2=k2+1,返回步骤(6)重新进行判断。
(9)基于所述放缩循环开始圈数、所述放缩循环结束圈数,计算放缩系数。所述放缩系数的计算公式如下。
。
其中,表示放缩系数,/>表示放缩循环开始圈数,/>表示放缩循环结束圈数。
步骤500,基于所述预设标准SOH数据集及所述最优匹配序列,采用一维线性插值放缩方法,根据所述放缩系数及对应的放缩循环结束圈数,确定第一预测结果序列。
步骤500,具体包括以下步骤。
(1)根据所述最优匹配序列,从所述预设标准SOH数据集中确定对应的预设标准SOH值序列。具体地,根据最优匹配序列的编号j′从预设标准SOH数据集中提取对应的完整SOH序列,即预设标准SOH值序列。
(2)以所述放缩循环结束圈数为分割值,将所述对应的预设标准SOH值序列中所述分割值之后的序列,标记为待放缩序列;具体地,提取预设标准SOH值序列第kend圈循环以后的序列,并将其作为待放缩序列。
(3)基于所述待放缩序列及所述放缩系数,计算插值序列长;所述插值序列长的计算公式如下。
。
其中,表示插值序列长,/>表示放缩系数,/>表示待放缩序列/>的序列长度值。
(4)采用一维线性插值法,将所述待放缩序列放缩为第一预测结果序列Dpre1,如图2所示;所述第一预测结果序列的序列长度值与所述插值序列长相等。
步骤600,将所述第一预测结果序列,输入至预设ARIMA时间序列模型中,以得到第二预测结果序列。具体地,将锂离子电池的SOH视为随循环圈数变化的时间序列,将第一预测结果序列输入预设ARIMA时间序列模型,选择预测长度l2,预测第一预测结果序列后续的序列。其中,预测长度l2为可根据需要调整的数值。
进一步来说,步骤600可通过调用python的ARIMA方法实现,导入现有方法“fromstatsmodels.tsa.arima.model import ARIMA”,该算例参数配置“p,d,q=2,2,5”即可。
步骤700,将所述电池健康状态值序列、所述第一预测结果序列及所述第二预测结果序列依次合并,以得到电池整体健康状态序列;所述电池整体健康状态序列用于根据预设电池健康状态值确定对应的充放电循环圈数,以实现电池寿命预测。
具体地,电池健康状态值序列、第一预测结果序列及第二预测结果序列依次合并后,可得到如图3所示的曲线,然后可预测出SOH分别为0.8、0.7、0.6时的循环圈数Csoh=0.8、Csoh=0.7、Csoh=0.6,以此来确定电池剩余寿命。
综上,本发明首先对输入的待预测的锂离子电池的前t圈充放电循环数据做数据处理,包括异常值处理和中值滤波;然后计算电池健康状态值序列,从预设标准SOH数据集中寻找最优匹配序列,进而根据二者的差异计算放缩系数,用一维线性插值插值放缩方法预测第一段SOH序列,得到第一预测结果序列;将第一段预测得到第一预测结果序列输入ARIMA时间序列模型预测第二段SOH序列,得到第二预测结果序列;最后合并电池健康状态值序列、第一预测结果序列及第二预测结果序列,计算到达指定SOH的循环圈数,实现电池寿命预测。
本发明方法具有如下优点。
(1)提高储能系统性能:本发明预测和优化储能电池的寿命可以帮助用户合理制定充放电策略、维护策略等,以减缓电池寿命衰减的速度,提高储能系统的性能和效率。
(2)降低运维成本:储能电池系统的维护和更换成本较高,通过采用本发明方法预测电池寿命,可以合理安排维护和更换计划,降低运维成本。
(3)优化能源规划:预测电池寿命可以帮助能源规划者在设计储能系统时更准确地评估其经济性和可行性,选择更具竞争力的方案。
(4)推动技术创新:通过分析早期循环数据并预测电池寿命,可以深入了解电池材料和结构的性能变化和寿命衰退机制,从而推动储能电池技术的改进和创新。
实施例二:为了实现实施例一中的技术方案,以达到相应的功能和技术效果,本实施例还提供了一种基于充放电循环数据的电池寿命预测系统,包括以下模块。
循环数据获取模块,用于获取待用电池充放电循环数据集合;所述待用电池充放电循环数据集合包括目标电池自初次充电开始的前t圈充放电循环数据;t为预设常数值。
健康状态值序列确定模块,用于根据所述待用电池充放电循环数据集合,计算电池健康状态值序列。
最优匹配序列确定模块,用于基于预设标准SOH数据集,确定所述电池健康状态值序列对应的最优匹配序列。
放缩数据确定模块,用于基于所述电池健康状态值序列及对应的最优匹配序列,确定放缩系数及对应的放缩循环结束圈数。
第一预测结果确定模块,用于基于所述预设标准SOH数据集及所述最优匹配序列,采用一维线性插值放缩方法,根据所述放缩系数及对应的放缩循环结束圈数,确定第一预测结果序列。
第二预测结果确定模块,用于将所述第一预测结果序列,输入至预设ARIMA时间序列模型中,以得到第二预测结果序列。
最终预测确定模块,用于将所述电池健康状态值序列、所述第一预测结果序列及所述第二预测结果序列依次合并,以得到电池整体健康状态序列;所述电池整体健康状态序列用于根据预设电池健康状态值确定对应的充放电循环圈数,以实现电池寿命预测。
实施例三:本实施例提供一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例一的基于充放电循环数据的电池寿命预测方法。可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的基于充放电循环数据的电池寿命预测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于充放电循环数据的电池寿命预测方法,其特征在于,方法包括:
获取待用电池充放电循环数据集合;所述待用电池充放电循环数据集合包括目标电池自初次充电开始的前t圈充放电循环数据;t为预设常数值;
根据所述待用电池充放电循环数据集合,计算电池健康状态值序列;
基于预设标准SOH数据集,确定所述电池健康状态值序列对应的最优匹配序列;所述预设标准SOH数据集包括多个预设标准SOH值序列;基于预设标准SOH数据集,确定所述电池健康状态值序列对应的最优匹配序列,具体包括:
针对任一预设标准SOH值序列,取前t个预设标准SOH值,以构成待用标准SOH值序列;
根据如下公式,计算所述待用标准SOH值序列与所述电池健康状态值序列的相似度:
;
其中,表示待用标准SOH值序列与电池健康状态值序列的相似度,/>表示第j个待用标准SOH值序列中第i个放电量,/>表示电池健康状态值序列中第i个放电量,j=1,2,…;
将相似度最大的待用标准SOH值序列标记为所述电池健康状态序列的最优匹配序列;
基于所述电池健康状态值序列及对应的最优匹配序列,确定放缩系数及对应的放缩循环结束圈数;具体包括:
对常数值k1进行初始化,以使得k1=1;判断电池健康状态值序列中第k1+1个至第t个放电量是否均大于所述最优匹配序列中对应的第k1+1个至第t个放电量,以得到第一结果;当所述第一结果表示否时,将k1更新为k1+1,然后返回判断电池健康状态值序列中第k1+1个至第t个放电量是否均大于所述最优匹配序列中对应的第k1+1个至第t个放电量,以得到第一结果的步骤;当所述第一结果表示是时,将k1标记为放缩循环开始圈数;
对常数值k2进行初始化,以使得k2=1;判断所述最优匹配序列中第k2+1个至第t个放电量是否均小于所述电池健康状态值序列中第t个放电量,以得到第二结果;当所述第二结果表示否时,将k2更新为k2+1,然后返回判断所述最优匹配序列中第k2+1个至第t个放电量是否均小于所述电池健康状态值序列中第t个放电量,以得到第二结果的步骤;当所述第二结果表示是时,将k2标记为放缩循环结束圈数;
基于所述放缩循环开始圈数、所述放缩循环结束圈数,计算放缩系数;所述放缩系数的计算公式为:
;
其中,表示放缩系数,/>表示放缩循环开始圈数,/>表示放缩循环结束圈数;
基于所述预设标准SOH数据集及所述最优匹配序列,采用一维线性插值放缩方法,根据所述放缩系数及对应的放缩循环结束圈数,确定第一预测结果序列;具体包括:根据所述最优匹配序列,从所述预设标准SOH数据集中确定对应的预设标准SOH值序列;以所述放缩循环结束圈数为分割值,将所述对应的预设标准SOH值序列中所述分割值之后的序列,标记为待放缩序列;基于所述待放缩序列及所述放缩系数,计算插值序列长;采用一维线性插值法,将所述待放缩序列放缩为第一预测结果序列;所述第一预测结果序列的序列长度值与所述插值序列长相等;
将所述第一预测结果序列,输入至预设ARIMA时间序列模型中,以得到第二预测结果序列;
将所述电池健康状态值序列、所述第一预测结果序列及所述第二预测结果序列依次合并,以得到电池整体健康状态序列;所述电池整体健康状态序列用于根据预设电池健康状态值确定对应的充放电循环圈数,以实现电池寿命预测。
2.根据权利要求1所述的基于充放电循环数据的电池寿命预测方法,其特征在于,根据所述待用电池充放电循环数据集合,计算电池健康状态值序列,具体包括:
根据所述待用电池充放电循环数据集合,确定放电数据集合;所述放电数据集合包括前t圈充放电循环数据中的放电量;
基于所述放电数据集合,根据如下公式计算电池健康状态值序列:
;
其中,表示电池健康状态值序列,/>表示第1圈充放电循环数据中的放电量,/>表示第2圈充放电循环数据中的放电量,/>表示第t圈充放电循环数据中的放电量。
3.根据权利要求1所述的基于充放电循环数据的电池寿命预测方法,其特征在于,所述插值序列长的计算公式为:
;
其中,表示插值序列长,/>表示放缩系数,/>表示待放缩序列/>的序列长度值。
4.根据权利要求1所述的基于充放电循环数据的电池寿命预测方法,其特征在于,根据所述待用电池充放电循环数据集合,计算电池健康状态值序列的步骤之前,方法还包括:
对所述待用电池充放电循环数据集合依次进行异常值处理及中值滤波处理。
5.一种基于充放电循环数据的电池寿命预测系统,应用了权利要求1所述的基于充放电循环数据的电池寿命预测方法,其特征在于,系统包括:
循环数据获取模块,用于获取待用电池充放电循环数据集合;所述待用电池充放电循环数据集合包括目标电池自初次充电开始的前t圈充放电循环数据;t为预设常数值;
健康状态值序列确定模块,用于根据所述待用电池充放电循环数据集合,计算电池健康状态值序列;
最优匹配序列确定模块,用于基于预设标准SOH数据集,确定所述电池健康状态值序列对应的最优匹配序列;
放缩数据确定模块,用于基于所述电池健康状态值序列及对应的最优匹配序列,确定放缩系数及对应的放缩循环结束圈数;
第一预测结果确定模块,用于基于所述预设标准SOH数据集及所述最优匹配序列,采用一维线性插值放缩方法,根据所述放缩系数及对应的放缩循环结束圈数,确定第一预测结果序列;
第二预测结果确定模块,用于将所述第一预测结果序列,输入至预设ARIMA时间序列模型中,以得到第二预测结果序列;
最终预测确定模块,用于将所述电池健康状态值序列、所述第一预测结果序列及所述第二预测结果序列依次合并,以得到电池整体健康状态序列;所述电池整体健康状态序列用于根据预设电池健康状态值确定对应的充放电循环圈数,以实现电池寿命预测。
6.根据权利要求5所述的基于充放电循环数据的电池寿命预测系统,其特征在于,所述健康状态值序列确定模块根据所述待用电池充放电循环数据集合,确定放电数据集合;所述放电数据集合包括前t圈充放电循环数据中的放电量;
所述健康状态值序列确定模块基于所述放电数据集合,根据如下公式计算电池健康状态值序列:
;
其中,表示电池健康状态值序列,/>表示第1圈充放电循环数据中的放电量,/>表示第2圈充放电循环数据中的放电量,/>表示第t圈充放电循环数据中的放电量。
7.根据权利要求5所述的基于充放电循环数据的电池寿命预测系统,其特征在于,插值序列长的计算公式为:
;
其中,表示插值序列长,/>表示放缩系数,/>表示待放缩序列/>的序列长度值。
8.根据权利要求5所述的基于充放电循环数据的电池寿命预测系统,其特征在于,系统还执行以下步骤:
对所述待用电池充放电循环数据集合依次进行异常值处理及中值滤波处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137097.4A CN117665630B (zh) | 2024-02-01 | 2024-02-01 | 一种基于充放电循环数据的电池寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137097.4A CN117665630B (zh) | 2024-02-01 | 2024-02-01 | 一种基于充放电循环数据的电池寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117665630A CN117665630A (zh) | 2024-03-08 |
CN117665630B true CN117665630B (zh) | 2024-04-12 |
Family
ID=90086623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410137097.4A Active CN117665630B (zh) | 2024-02-01 | 2024-02-01 | 一种基于充放电循环数据的电池寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117665630B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006126022A1 (en) * | 2005-05-27 | 2006-11-30 | Absl Power Solutions Limited | Battery monitor |
FR2994772A1 (fr) * | 2012-08-22 | 2014-02-28 | Peugeot Citroen Automobiles Sa | Procede de charge d'une batterie |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN106855610A (zh) * | 2016-12-30 | 2017-06-16 | 中国电力科学研究院 | 钛酸锂电池健康状态估算系统及方法 |
CN112611973A (zh) * | 2020-11-27 | 2021-04-06 | 中国电力科学研究院有限公司 | 一种电池健康状态估算方法、系统、设备和存储介质 |
CN112881914A (zh) * | 2021-01-12 | 2021-06-01 | 常州大学 | 一种锂电池健康状态预测方法 |
CN113176511A (zh) * | 2021-02-10 | 2021-07-27 | 合肥工业大学 | 考虑健康状态的储能充放电优化方法及系统 |
WO2021148726A1 (fr) * | 2020-01-24 | 2021-07-29 | Psa Automobiles Sa | Procédé et dispositif de contrôle d'un système de stockage d'énergie, par exemple une batterie de véhicule |
CN113410879A (zh) * | 2021-05-13 | 2021-09-17 | 山东大学 | 储能电池健康状态智能管控方法及系统 |
KR20210155914A (ko) * | 2020-06-17 | 2021-12-24 | 주식회사 나산전기산업 | 배터리의 충방전 특성을 사용하여 배터리를 관리하는 배터리 관리 방법이 적용된 bms 관리시스템 |
CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
WO2022253038A1 (zh) * | 2021-06-02 | 2022-12-08 | 上海玫克生储能科技有限公司 | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 |
WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
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 |
CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
KR20230136084A (ko) * | 2022-07-27 | 2023-09-26 | 저장 지커 인텔리전트 테크놀로지 씨오., 엘티디 | 배터리 건강 상태 예측 방법, 장치, 전자기기 및 판독가능한 저장 매체 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8791669B2 (en) * | 2010-06-24 | 2014-07-29 | Qnovo Inc. | Method and circuitry to calculate the state of charge of a battery/cell |
US10931128B2 (en) * | 2017-04-28 | 2021-02-23 | Samsung Electronics Co., Ltd. | Method and apparatus to predict capacity fade rate of battery |
-
2024
- 2024-02-01 CN CN202410137097.4A patent/CN117665630B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006126022A1 (en) * | 2005-05-27 | 2006-11-30 | Absl Power Solutions Limited | Battery monitor |
FR2994772A1 (fr) * | 2012-08-22 | 2014-02-28 | Peugeot Citroen Automobiles Sa | Procede de charge d'une batterie |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN106855610A (zh) * | 2016-12-30 | 2017-06-16 | 中国电力科学研究院 | 钛酸锂电池健康状态估算系统及方法 |
WO2021148726A1 (fr) * | 2020-01-24 | 2021-07-29 | Psa Automobiles Sa | Procédé et dispositif de contrôle d'un système de stockage d'énergie, par exemple une batterie de véhicule |
KR20210155914A (ko) * | 2020-06-17 | 2021-12-24 | 주식회사 나산전기산업 | 배터리의 충방전 특성을 사용하여 배터리를 관리하는 배터리 관리 방법이 적용된 bms 관리시스템 |
CN112611973A (zh) * | 2020-11-27 | 2021-04-06 | 中国电力科学研究院有限公司 | 一种电池健康状态估算方法、系统、设备和存储介质 |
CN112881914A (zh) * | 2021-01-12 | 2021-06-01 | 常州大学 | 一种锂电池健康状态预测方法 |
CN113176511A (zh) * | 2021-02-10 | 2021-07-27 | 合肥工业大学 | 考虑健康状态的储能充放电优化方法及系统 |
CN113410879A (zh) * | 2021-05-13 | 2021-09-17 | 山东大学 | 储能电池健康状态智能管控方法及系统 |
WO2022253038A1 (zh) * | 2021-06-02 | 2022-12-08 | 上海玫克生储能科技有限公司 | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 |
WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
KR20230136084A (ko) * | 2022-07-27 | 2023-09-26 | 저장 지커 인텔리전트 테크놀로지 씨오., 엘티디 | 배터리 건강 상태 예측 방법, 장치, 전자기기 및 판독가능한 저장 매체 |
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 |
CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
Lifecycle Prediction of Second Use Electric Vehicle Batteries Based on ARIMA Model;Shuaiqi Shen 等;《 2019 IEEE Globecom Workshops (GC Wkshps)》;20200305;全文 * |
基于容量衰减速率的三元锂电池健康状态预测;寇志华 等;《电源技术》;20180220;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117665630A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN110221225A (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
CN113219343A (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN112446139B (zh) | 加速试验剖面优化方法、系统、机电产品、介质及终端 | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
Zhang et al. | A pattern-driven stochastic degradation model for the prediction of remaining useful life of rechargeable batteries | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
CN117665630B (zh) | 一种基于充放电循环数据的电池寿命预测方法及系统 | |
CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
Kuang et al. | State-of-charge estimation hybrid method for lithium-ion batteries using BiGRU and AM co-modified Seq2Seq network and H-infinity filter | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
Koul | Development of data-driven method for capacity estimation and prognosis for lithium-ion batteries | |
CN112485676B (zh) | 一种数字镜像下的电池储能系统状态估计预警方法 | |
CN116362418B (zh) | 一种高端电池智能工厂应用级制造能力在线预测方法 | |
CN115389947B (zh) | 锂电池健康状态的预测方法、装置、电子设备及存储介质 | |
CN116663865B (zh) | 考虑源荷不确定性的综合能源系统日前调度方法及系统 | |
CN118070134B (zh) | 一种园区内用户用电能耗预测方法及系统 | |
Dou et al. | Short Term Charging Data based Battery State of Health and State of Charge Estimation Using Feature Pyramid | |
Shinde et al. | Data-driven Modelling of Prognostics of Lithium-ion Batteries Using LSTM | |
CN117250541A (zh) | 适用于用户侧储能的锂离子电池soh估计方法及装置 |
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 |