CN117686937A - 一种用于电池系统内单体电池的健康状态估计方法 - Google Patents
一种用于电池系统内单体电池的健康状态估计方法 Download PDFInfo
- Publication number
- CN117686937A CN117686937A CN202410145590.0A CN202410145590A CN117686937A CN 117686937 A CN117686937 A CN 117686937A CN 202410145590 A CN202410145590 A CN 202410145590A CN 117686937 A CN117686937 A CN 117686937A
- Authority
- CN
- China
- Prior art keywords
- battery
- representing
- voltage
- state
- current
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 230000036541 health Effects 0.000 title claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 59
- 238000012795 verification Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 29
- 238000007600 charging Methods 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 11
- 230000008485 antagonism Effects 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000026676 system process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 239000011782 vitamin Substances 0.000 claims description 3
- 229940088594 vitamin Drugs 0.000 claims description 3
- 229930003231 vitamin Natural products 0.000 claims description 3
- 235000013343 vitamin Nutrition 0.000 claims description 3
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000005259 measurement Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000010278 pulse charging Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供一种用于电池系统内单体电池的健康状态估计方法,通过电流分布结构构建电流分布表;获得电池模组的总电压值、总电流值以及剩余电量;根据电池模组的并联支路数量,进而通过查电流分布表得到支路电流的先验分布,然后通过电池拓扑结构推理出单体电池的支路电流值;以总电压值、支路电流值和剩余电量三个变量作为端电压预测模型的输入,从而预测出单体电池的端电压值;对得到的单体电池的支路电流值和端电压估计值进行二段特征提取,并将提取得到的特征序列作为对抗验证编码器网络模型的输入,从而训练对抗验证编码器网络模型;基于训练后的对抗验证编码器网络模型准确地估算出电池模组内单体电池的健康状态。
Description
技术领域
本发明涉及电池健康状态估计技术领域,具体涉及一种用于电池系统内单体电池的健康状态估计方法。
背景技术
电动汽车由于其低碳环保、环境友好性和高燃料效率等优势,已成为实现节能减排目标的重要交通工具。电池管理系统是一种集成系统,用于管理电池组,其在保持电池处于安全、可靠和高效运行状态的同时,预防电池寿命衰减中发挥着至关重要的作用。电池模组作为电动汽车核心组件,关系到车辆的安全性、寿命衰减和续航里程,对交通安全具有重要意义。因此,电池管理系统必须准确地预测电池模组内部的单体电池状态,如健康状况(State of Health,SoH)。
电池的健康状态是描述电池性能、使用寿命和劣化状态的关键指标,主要受容量衰减、内阻增加、可用功率衰减等因素影响。通常,电池的健康状态可通过电压、电流和温度等外部测量信息推断。目前,电池的健康状态估计的研究主要分为三个方向:直接测量和基于模型的方法、基于传统机器学习的方法和基于深度学习的方法。基于深度学习的方法已经广泛应用于云计算和边缘计算的锂离子电池在线健康状态估算,提高估算的准确性、鲁棒性和实时性是当前的研究课题。在过去的几年里,单体电池的研究已经取得了显著的成果,使得电池技术在新能源领域取得了令人瞩目的进展。然而,在实际使用当中,动力电池单体使用的情况较少,通常将单体电池进行串并联组合,最终以电池模组的形式进行组装作为储能单元,诸如电动汽车和风电储能系统等。这种集成结构的复杂性对于电池的安全性、寿命衰减和续航里程等方面提出了更高的要求。
电池的健康状态估计方法一般为将模组等效为一个大电池,将电池的平均健康状况作为模组的健康状况,但是这种方式考虑比较片面,只在电池一致性非常好的情况下可以有效估计模组的健康状况,但是忽略了模组内单体电池的差异性很大的情况,实际估计精度较差;另外还有采用单体电池的剩余电量估计方式计算模组内所有单电池的健康状况,这种方式计算量很大,效率较低;而公开号CN 116298935 A中对抗验证编码器网络只是针对于静置状态下普通的单体电池,对于电池模组中正在使用的单体电池预测效果不好。
发明内容
针对现有技术中存在的问题,本发明提供一种用于电池系统内单体电池的健康状态估计方法,目的在于能够有效、准确地进行单体电池的健康状态估计。
一种用于电池系统内单体电池的健康状态估计方法,包括以下步骤:
步骤1:通过电流分布结构构建电流分布表;
步骤2:获得电池模组的总电压值、总电流值以及剩余电量;
步骤3:根据电池模组的并联支路数量,进而通过查电流分布表得到支路电流的先验分布,然后通过电池拓扑结构推理出单体电池的支路电流值;
步骤4:以总电压值、支路电流值和剩余电量三个变量作为端电压预测模型的输入,从而预测出单体电池的端电压值;
步骤5:对得到的单体电池的支路电流值和端电压估计值进行二段特征提取,并将提取得到的特征序列作为对抗验证编码器网络模型的输入,从而训练对抗验证编码器网络模型;
步骤6:基于训练后的对抗验证编码器网络模型对用于电池系统内单体电池的健康状态进行估计。
进一步为:步骤5具体包括以下步骤:
步骤5.1:获取端电压值,并以时间为横轴,端电压值为纵轴绘制单体电池的充电电压曲线;
步骤5.2:获取支路电流值,并以端电压值为纵轴,以支路电流值为横轴,绘制单体电池的IC曲线;
步骤5.3:从单体电池的充电电压曲线中提取特征F1和F2,从每个单体电池的IC曲线中提取特征F3和F4;从而得到特征向量F1、F2、F3、F4;
其中,特征F1为电池充电时起始电压 Vstart增加到最终电压 Vend的时间;特征F2为电池充电时起始电压 Vstart增加到最终电压 Vend的电压曲线下围成的面积;特征F3为电池充电时起始电压 Vstart增加到最终电压 Vend的电压差值;特征F4为IC曲线最大值对应的电压;
步骤5.4:将与特征向量相对应的电池健康度作为标签向量,标签向量和特征向量组成数据集;
步骤5.5:将数据集中的标签向量和特征向量分别作为对抗验证编码器网络模型的输出和输入,并对对抗验证编码器网络模型进行训练;对抗验证编码器网络模型的对抗验证模块包括第一MLP单元、第一LSTM单元、第二LSTM单元和第二 MLP单元;第一LSTM单元为编码器,第二LSTM单元为解码器,在对抗验证编码器网络模型中第一LSTM的输出张量中加入随机噪声模块,该随机噪声模块用于生成若干服从指定的分布函数的随机数,然后将该随机数加到第一LSTM输出中;对抗验证编码器网络模型的预测模块包括一个可学习参数的1DCNN模块、一个注意力机制模块,并通过全连接层进行最终的全局预测;其中,可学习参数的1DCNN模块在训练过程中,根据输入数据的特征去学习能自适应任务的参数;注意力机制模块为自注意力机制,用于处理序列数据,并允许对抗验证模块在处理输入序列时动态地分配不同位置的权重,以便捕捉序列中不同位置之间的依赖关系。
进一步为:电流分布表如下:
其中, 是指在电池模组开始放电时,即初始状态(t=0),并联支路电流的期望值;/> 表示在初始状态,并联支路电流的标准差的三倍,用来描述初始状态电流的变化范围;/> 是指在电池模组放电至无限长时间(t→∞),即放电过程趋于稳定时,并联支路电流的期望值;/> 表示在稳定状态下,并联支路电流的标准差的三倍,用来描述稳定状态下电流的变化范围。
进一步为:步骤1具体为:
设电池模组中共并联连接n个单体电池,k支路的电流为 ,k支路的电压为/> ,k支路的总电阻为/>;并联电池组的总电流为/> ,总电压为/> ;根据基尔霍夫定律得总电压和总电流为:
(1)
(2)
(3)
其中,表示第k电池的开路电压,/>表示第k电池的极化电压;
得到总电流与电压之间的关系:
(4)
(5)
(6)
设电池模组的结构为串并联结构,串联电池个数为m,并联电池个数为n,将电池模组的总电流设置为,采用蒙特卡罗模拟法对单体电池分布函数进行拟合;
(7)
其中,表示分支电流/>与平均电流/>的比值,/> 表示电池模组的总电流,并拟合出电流分布表。
进一步为:步骤3具体为:确定电池模组的并联支路数量以及该电池模组的状态,电池模组的状态包括初始和稳定,根据公式(8)或公式(9)得出,再根据公式7求出分支电流/>;
电池模组初始状态的:
按照正态分布生成一个随机数 ,利用该随机数计算初始状态的/> :
(8)
电池模组稳定状态的:
按照正态分布生成一个随机数 ,利用该随机数计算稳定状态的/> :
(9)
进一步为:步骤4具体包括以下步骤:
步骤4.1:搭建深度网络电压回归模型;
深度网络电压回归模型的输入包含历史h步电压、电流/>、第/>时刻的电流、第/>时刻的剩余电量/>,以及表示/> 时刻的均衡平衡器是否开启的开关量/>,所有输入被组合为一个第/>时刻的列向量/>;
(10)
深度网络电压回归模型的输出值为当前第时刻估计的单体电池的端电压/>:
(11)
其中,是深度网络电压回归模型中第k时刻的第/> 个输入/> 与前一时刻隐藏层的状态信息/> 之间的加权矩阵,/>是输出层第k时刻的输入存储的列向量,输出层为全连接层,采用线性函数作为激活函数;
步骤4.2 将训练好的深度网络电压回归模型与双扩展卡尔曼滤波器进行结合,搭建端电压预测模型,并通过端电压预测模型对单体电池的端电压进行预测;同时,在实时预测中对模型输出层权重进行更新,并且对预测过程中出现的累计误差进行纠正。
进一步为:双扩展卡尔曼滤波器的离散状态空间方程如下:
(12)
其中,为系统状态函数,描述了系统状态随时间的迁移过程;/>为系统观测函数,描述了系统状态和观测变量之间的传递关系;/>和/>分别表示时间步长/>处的/>维状态变量和/>维观测变量,/>是系统/>维输入信号,/>和/>分别是系统维观测噪声和随机过程噪声;
双扩展卡尔曼滤波器对非线性函数与/>进行线性变换后得:
其中,,/>,/>和/>为线性化后的状态转移矩阵,通过泰勒展开得:
进一步为:步骤4.2包括以下步骤:
步骤4.2.1:进行状态及误差方差的初始化,其表示为:
其中E表示随机变量的期望,和/>表示后验估计值,/>表示时刻0的后验估计值,表示时刻0的后验估计值的方差,E[] 表示期望;
步骤4.2.2:进行状态过程和状态误差的更新:
其中,和/>分别表示在时刻k的先验估计值和先验估计值的方差,/>和/>是线性化后的状态转移矩阵,/>是系统输入信号,/>是系统过程噪声方差矩阵,表示系统状态转移过程中的噪声;
步骤4.2.3:利用先验估计进行观测更新:
状态误差方差的后验估计更新:
(24)
其中,为滤波增益,/>为系统过程噪声方差矩阵,/>为观测噪声方差矩阵,/>是观测估计值/>是实际观测值;
双扩展卡尔曼滤波器的观测函数采用由深度网络电压回归模型训练的模型,如式25所示:
(25)
其中,公式25和公式11一样,但是为了区分状态方程使用的按时积分方程,我们在这里使用表示深度网络电压回归模型第k时刻的估计电压,而状态方程使用的安时积分方程第k时刻的估计电压则用/>表示,
状态方程使用的安时积分方程:
其中,和/>可以直接从数值差分计算中得到,/>为剩余电量更新的增益;
步骤4.2.4:对深度网络电压回归模型的输出层权重更新的过程及观测更新:
(27)
(28)
(29)
其中,表示输出层权重知识,/>表示模型权重知识,/>表示先验权重,/> 是相关变量,/>表示先验权重的时间步长,/>表示系统状态函数,/>表示上一时刻的状态后验估计,/>表示系统输入信号,/>表示先验权重的j时刻延迟,/> 是输出层的估计值,/>表示系统观测函数;
步骤4.2.5:更新对应增益并获得输出层权重后验值:
(30)
(31)
(32)
(33)
其中 表示输出层权重协方差矩阵,/> 表示协方差权重,/> 表示观测函数的相关变量,/> 表示观测噪声方差矩阵,/>表示输出层权重和先验权重之间的协方差矩阵,/>表示输出层权重更新的增益,/>表示输出层权重知识的后验估计,/>表示输出层权重知识的先验估计,/>表示时间观测值;
步骤4.2.6:进行输出层权重的协方差更新:
(34)
(35)
其中,表示输出层权重协方差的后验估计,/>表示输出层权重协方差的先验估计,/>表示输出层权重协方差的方差矩阵,/>为用于调节方差矩阵更新比例的权重因子,/>表示时间步长;
步骤4.2.7:利用上一时刻深度网络电压回归模型的最优估计完成本时刻的先验估计,并导入到深度网络电压回归模型的输出层,更新双扩展卡尔曼滤波器,完成本时刻的加权矩阵估计。
本发明的有益效果:构建的电流分布表可以解决传统方法计算量大的问题;通过端电压预测模型优化单体电池的端电压预测精度,从而间接提高单体电池的健康状态估计精度;对抗验证编码器网络模型进行改进,并通过对抗验证编码器网络模型进一步使用对抗性特征选择策略,以适应多模态电池特征分布,提升数据分布的一致性,最大程度上解决“数据漂移”的问题,从而准确地估算出电池模组内单体电池的健康状态。
附图说明
图1为本发明的流程图;
图2为电池模组中电池串并联形式示意图;
图3为部分电流分布表中的拟合曲线结果示意图;
图4为深度网络电压回归模型结构示意图;
图5为端电压预测模型结构示意图;
图6为对抗验证编码器网络模型结构示意图;
图7为本发明验证实验的电池模组结构示意图;
图8为本发明预测电池模组内单体电池的健康状态估计的结果图。
具体实施方式
下面结合附图对本发明做详细说明。下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。本发明实施例中的左、中、右、上、下等方位用语,仅是互为相对概念或是以产品的正常使用状态为参考的,而不应该认为是具有限制性的。
一种用于电池系统内单体电池的健康状态估计方法,如图1所示,包括以下步骤:
步骤1:通过电流分布结构构建电流分布表;
电流分布表如下:
其中, 是指在电池模组开始放电时,即初始状态(t=0),并联支路电流的期望值;/> 表示在初始状态,并联支路电流的标准差的三倍,用来描述初始状态电流的变化范围;/> 是指在电池模组放电至无限长时间(t→∞),即放电过程趋于稳定时,并联支路电流的期望值;/> 表示在稳定状态下,并联支路电流的标准差的三倍,用来描述稳定状态下电流的变化范围;
步骤2:获得电池模组的总电压值、总电流值以及剩余电量;具体为:
步骤2.1:使用电压测量设备,例如电压表或多用途测试仪器,将电压探头连接到电池组的正负极,读取电压表上显示的电压值,这个值即为电池模组的总电压值;
步骤2.2:使用电流测量设备,例如电流表或多用途测试仪器,将电流探头连接到电池组的电流路径,读取电流表上显示的电流值,这个值即为电池模组的总电流值;
步骤2.3:剩余电量通常是通过监测电池的电荷和放电过程中的电流以及考虑电池模组的额定容量来计算的,使用电流集成测量设备来跟踪电流流入和流出电池模组的总量;如果电池模组的额定容量已知,可以通过将积分的电流除以额定容量来计算剩余电量,还可需要根据电池的特定模型和性能曲线进行更精确的计算;
步骤3:根据电池模组的并联支路数量,进而通过查电流分布表得到支路电流的先验分布,然后通过电池拓扑结构推理出单体电池的支路电流值;具体为:
首先确定电池模组的并联支路数量以及该电池模组的状态,电池模组的状态包括初始和稳定,根据公式(8)或公式(9)得出 ,再根据公式7求出分支电流/> ;并且,我们并局限于正向求解,我们也可以测得其中一条支路中单体电池的分支电流/> ,然后反推电池组的总电流/> ,然后继续求解其他支路的分支电流/> ;
电池模组初始状态的:
按照正态分布生成一个随机数 ,利用该随机数计算初始状态的/> :
(8)
电池模组稳定状态的:
按照正态分布生成一个随机数 ,利用该随机数计算稳定状态的/> :
(9)
步骤4:以总电压值、支路电流值和剩余电量三个变量作为端电压预测模型的输入,从而预测出单体电池的端电压值;具体包括以下步骤:
步骤4.1:搭建深度网络电压回归模型;
鉴于深度学习算法的强大非线性映射能力,本研究首先搭建深度网络电压回归模型,如图4所示,深度网络电压回归模型的输入包含历史h步电压、电流/>、第/>时刻的电流/>、第/>时刻的剩余电量/>,以及表示/> 时刻的均衡平衡器是否开启的开关量/>,所有输入被组合为一个第/>时刻的列向量/>;
(10)
深度网络电压回归模型的输出值为当前第时刻估计的单体电池的端电压/>,可以很容易地计算出来:
(11)
其中,是深度网络电压回归模型中第k时刻的第/> 个输入/> 与前一时刻(上标k-1)隐藏层的状态信息/> 之间的加权矩阵,/>是输出层第k时刻的输入存储的列向量,输出层为全连接层,采用线性函数作为激活函数;
步骤4.2 将训练好的深度网络电压回归模型与双扩展卡尔曼滤波器进行结合,搭建端电压预测模型,并通过端电压预测模型对单体电池的端电压进行预测;具体为:在实时预测中对端电压预测模型输出层权重进行更新,并且对预测过程中出现的累计误差进行纠正;
在长时间尺度的使用过程中,训练完成的模型本身会有一定的累计误差存在,但深度网络电压回归模型本身没有误差纠正机制;其次,当端电压预测模型的输入(电池观测数据)来自不同工况时,预测过程中域漂移情况不可避免;并且系统中的传感器存在噪声干扰,对估计精度有很大影响;卡尔曼滤波器是一种经典的基于数理统计的状态估计算法,可以在噪声干扰的情况下对动态系统的状态进行实时最优估计;因此,本研究提出一种端电压预测方法,如图5所示,将训练好的深度网络电压回归模型与双扩展卡尔曼滤波器进行结合,在实时预测中对端电压预测模型输出层权重进行更新,并且对预测过程中出现的累计误差进行纠正;双扩展卡尔曼滤波器是一种衍生算法,它包含状态方程和观测方程两个非线性函数。其原理为通过对函数进行一阶泰勒展开将系统转化为线性时变系统,双扩展卡尔曼滤波器的离散状态空间方程如下:
(12)
其中,为系统状态函数,描述了系统状态随时间的迁移过程;/>为系统观测函数,描述了系统状态和观测变量之间的传递关系;/>和/>分别表示时间步长/>处的/>维状态变量和/>维观测变量,/>是系统/>维输入信号,/>和/>分别是系统维观测噪声和随机过程噪声;在实际应用中,系统噪声服从高斯分布,并且互相之间并无相关性;对于上述动态系统,双扩展卡尔曼滤波器对非线性函数/>与/>进行线性变换后得:
其中,,/>,/>和/>为线性化后的状态转移矩阵,通过泰勒展开得:
同时,在实时预测中对模型输出层权重进行更新,并且对预测过程中出现的累计误差进行纠正;包括以下步骤:
步骤4.2.1:进行状态及误差方差的初始化,其表示为:
其中E表示随机变量的期望,和/>表示后验估计值,/>表示时刻0的后验估计值,表示时刻0的后验估计值的方差,E[] 表示期望;
步骤4.2.2:进行状态过程和状态误差的更新:
其中和/>分别表示在时刻k的先验估计值和先验估计值的方差,/>和/>是线性化后的状态转移矩阵,/>是系统输入信号,/>是系统过程噪声方差矩阵,表示系统状态转移过程中的噪声;
步骤4.2.3:利用先验估计进行观测更新:
状态误差方差的后验估计更新:
(24)
其中,为滤波增益,/>为系统过程噪声方差矩阵,/>为观测噪声方差矩阵,/>是观测估计值/>是实际观测值;
电池端电压是电池在使用过程中唯一可以通过外部传感器测量得到的变量,因此,电流I可以作为系统激励,电池端电压可以作为观测变量,双扩展卡尔曼滤波器的观测函数采用由深度网络电压回归模型训练的模型,如式25所示:
(25)
其中,公式25和公式11一样,但是为了区分状态方程使用的按时积分方程,我们在这里使用表示深度网络电压回归模型第k时刻的估计电压,而状态方程使用的安时积分方程第k时刻的估计电压则用/>表示,
状态方程使用的安时积分方程:
其中,和/>可以直接从数值差分计算中得到,/>为剩余电量更新的增益;
由前文可知,模型SoH估计的精确度受域漂移因素影响,因此根据不同环境工况对深度网络电压回归模型的输出层权重进行实时更新可有效提高模型泛化性;为此,建立平行结构的双扩展卡尔曼滤波器模型,对通过深度网络电压回归模型结合滤波器模型实现电压状态量实时预测,通过权重知识实现输出层权重的更新,避免不同环境温度和工况导致的预测精度下降,增强估计结果的实时性与稳定性。由于深度网络电压回归模型的加权矩阵W1(公式11中)与公式12的观测方程独立,无法通过状态方程进行更新,因此,在加权矩阵W1作为状态变量的情况下,需要对参数更新过程进行进一步设计;
步骤4.2.4:对深度网络电压回归模型的输出层权重更新的过程及观测更新:
(27)
(28)
(29)
其中,表示输出层权重知识,/>表示模型权重知识,/>表示先验权重,/> 是相关变量,/>表示先验权重的时间步长,/>表示系统状态函数,/>表示上一时刻的状态后验估计,/>表示系统输入信号,/>表示先验权重的j时刻延迟,/> 是输出层的估计值,/>表示系统观测函数;
步骤4.2.5:更新对应增益并获得输出层权重后验值:
(30)
(31)
(32)
(33)
其中 表示输出层权重协方差矩阵,/> 表示协方差权重,/> 表示观测函数的相关变量,/> 表示观测噪声方差矩阵,/>表示输出层权重和先验权重之间的协方差矩阵,/>表示输出层权重更新的增益,/>表示输出层权重知识的后验估计,/>表示输出层权重知识的先验估计,/>表示时间观测值;
步骤4.2.6:进行输出层权重的协方差更新:
(34)
(35)
其中,表示输出层权重协方差的后验估计,/>表示输出层权重协方差的先验估计,/>表示输出层权重协方差的方差矩阵,/>为用于调节方差矩阵更新比例的权重因子,/>表示时间步长;
步骤4.2.7:利用上一时刻深度网络电压回归模型的最优估计完成本时刻的先验估计,并导入到深度网络电压回归模型的输出层,更新双扩展卡尔曼滤波器,完成本时刻的加权矩阵估计,据此模型能适应变化工况,实现联合优化估计;
步骤5:对得到的单体电池的支路电流值和端电压估计值进行二段特征提取,并将提取得到的特征序列作为对抗验证编码器网络模型的输入,从而训练对抗验证编码器网络模型;具体包括以下步骤:
步骤5.1:获取端电压值,并以时间为横轴,端电压值为纵轴绘制单体电池的充电电压曲线;
步骤5.2:获取支路电流值,并以端电压值为纵轴,以支路电流值为横轴,绘制单体电池的IC曲线;
步骤5.3:从单体电池的充电电压曲线中提取特征F1和F2,从每个单体电池的IC曲线中提取特征F3和F4;从而得到特征向量F1、F2、F3、F4;
其中,特征F1为电池充电时起始电压 Vstart增加到最终电压 Vend的时间;特征F2为电池充电时起始电压 Vstart增加到最终电压 Vend的电压曲线下围成的面积;特征F3为电池充电时起始电压 Vstart增加到最终电压 Vend的电压差值;特征F4为IC曲线最大值对应的电压;
步骤5.4:将与特征向量相对应的电池健康度作为标签向量,标签向量和特征向量组成数据集;
步骤5.5:其中,为了增加公开号CN 116298935 A提出的对抗验证编码器网络模型的鲁棒性,我们对抗验证模块中第一LSTM后增加了随机噪声模块,从而增加对抗验证编码器网络模型的鲁棒性;通过引入随机噪声,对抗验证编码器网络模型在面对未知、对抗性的输入时可能更能够保持其性能,从而提高整个系统的鲁棒性,即在各种条件下都能表现出稳健的性能;另外,为了改善公开号CN 116298935 A提出的对抗验证编码器网络模型不适用于电池模组内正在使用的单体电池的预测,我们将对抗验证编码器网络模型中的预测模块进行了重新搭建,对抗验证模块的输出不再是依靠三个固定参数1DCNN模块,而是使用一个可学习参数的1DCNN模块,以及增加一个注意力机制模块,从而使抗验证编码器网络模型能够针对于电池模组内正在使用的单体电池做出准确预测;与固定参数1DCNN模块不同,可学习参数的1DCNN模块具有可以在训练过程中调整的权重和偏置;这允许模型根据输入数据的特征学习更适应任务的参数;使用的注意力机制模块为自注意力机制,是一种注意力机制,通常用于处理序列数据,如自然语言处理中的文本,它允许模型在处理输入序列时动态地分配不同位置的权重,以便更好地捕捉序列中不同位置之间的依赖关系;以下是对自注意力机制的功能解释:查询: 通过对输入序列中每个位置的特征进行线性变换,得到用于计算注意力权重的查询向量;键: 通过对输入序列中每个位置的特征进行线性变换,得到用于与查询进行比较的键向量;值: 输入序列中每个位置的特征本身,作为值;计算注意力权重: 对于每个位置,通过计算查询向量和该位置的所有键向量的点积,然后将结果通过除以查询向量的维度的平方根进行缩放,得到未经过 softmax 处理的注意力分数,对这些分数进行 softmax 操作,得到最终的注意力权重;加权求和: 将每个位置的值乘以对应位置的注意力权重,然后将所有加权的值求和,这个过程将产生一个新的表示,其中更重要的位置对最终的表示贡献更大;输出: 得到的加权求和结果即为自注意力机制的输出,它捕捉了输入序列中各个位置的关联信息;此外,值得注意的是本发明的注意力机制模块不局限于使用自注意力机制;
将数据集中的标签向量和特征向量分别作为对抗验证编码器网络模型的输出和输入,并对对抗验证编码器网络模型进行训练;结合图6所示,对抗验证编码器网络模型的对抗验证模块包括第一MLP单元、第一LSTM单元、第二LSTM单元和第二 MLP单元;第一LSTM单元为编码器,第二LSTM单元为解码器,在对抗验证编码器网络模型中第一LSTM的输出张量中加入随机噪声模块,该随机噪声模块用于生成若干服从指定的分布函数的随机数,分布函数包括正态分布,然后将该随机数加到第一LSTM输出中;对抗验证编码器网络模型的预测模块包括一个可学习参数的1DCNN模块、一个注意力机制模块,并通过全连接层进行最终的全局预测;其中,可学习参数的1DCNN模块在训练过程中,根据输入数据的特征去学习能自适应任务的参数;注意力机制模块为自注意力机制并用于处理序列数据,如自然语言处理中的文本,并允许对抗验证模块在处理输入序列时动态地分配不同位置的权重,以便更好地捕捉序列中不同位置之间的依赖关系;
对抗验证编码器网络模型中每条神经网络的四个单元共同作用,寻找一个随机采样率,从而将编码分布/> 匹配到真实的数据分布/> ;输入数据X= [x F1,x F2,x F3,x F4] 使用第一MLP单元进行降维,第一MLP单元引入以下递归:
(36)
(37)
其中,是非线性的嵌入函数ReLU,/> 是嵌入权重,/> 是编码器输出,表示在时间t的嵌入,/>是长短期记忆单元模块操作,/>是LSTM的隐藏状态,/>是LSTM上一时刻的隐藏状态,/> 是编码权重(并为捕获最佳网络参数),因此通过第二LSTM单元来进一步优化编码器,解码器引入以下公式:
(38)
(39)
其中, 是具有非线性ReLU激活函数的MLP,/>是解码器的输出,表示在时间t的解码,/>表示解码器的隐藏状态;编码器学习数据的编码分布特征,使得数据分布和编码分布(尽可能)趋于相同,最后神经网络学习到最优的随机采样率/>,同时,对抗验证编码器网络模型中的神经网络能学习得到最优的嵌入权重和编码权重,并用于预测单体电池的健康状态;
对抗验证编码器网络模型中的神经网络的损失函数Lc为:
(40)
其中,表示数据分布期望,/>表示编码分布期望,/>表示神经网络输出,/>表示预测值;将损失函数Lc作为对对抗验证编码器网络模型的最小化惩罚,使得模型更精确,从而学习到对抗验证编码器网络模型的最佳的随机采样率,进而得到最优的编码分布以及得到最优的权重参数,进而可以有效预测电池的健康状态。
步骤6:基于训练后的对抗验证编码器网络模型对用于电池系统内单体电池的健康状态进行估计。
其中,步骤1具体为:电池模组当中每个单体电池的电流无法直接测量,则需要设计一种电流分配方式来模拟电池模组中电流的分布;根据焦耳定律可知,串联结构下的负载间的电流分布相同,并联结构下负载幅值与电流大小成反比;假设电池模组中单体电池电池并联形式如图2所示;
设电池模组中共并联连接n个单体电池,k支路的电流为 ,k支路的电压为/> ,k支路的总电阻为/> (包括欧姆内电阻、极化电阻和极化容量);并联电池组的总电流为/>,总电压为/> ;本研究只考虑剩余电量对电池参数的影响,并忽略温度、速率和老化的影响;同时,不考虑电池之间的连接电阻,并假设电池之间没有平衡电流,根据基尔霍夫定律得总电压和总电流为:
(1)
(2)
(3)
其中, 表示第k电池的开路电压,/> 表示第k电池的极化电压;
得到总电流与电压之间的关系:
(4)
(5)
(6)
因为串联的单体电池的电流值相等,所以可以将每一个串联支路看做为一个大型单体电池,从而将任务简化为判断不同并联支路的电流分布;根据式(6)可知,并联支路的电流分布与其总阻抗相关,阻抗越大电流越小,阻抗越小电流越大;但是,单体电池的内阻大小需要对每个电池进行交流阻抗实验才能获得;在实际测试过程中,不可能对单体电池进行实时测量;因此,获得电池内阻的先验分布是预测电流分布的必要条件;
假设在充放电过程中,单体电池参数保持不变,单体电池具有相同的容量,并且电阻参数呈现正态分布;正态分布期望为0.1Ω,相对标准差/>用d表示,共11个点变化范围为1%-2%;设电池模组的结构为串并联结构,串联电池个数为m,并联电池个数为n,将电池模组的总电流设置为/>,确保不同的电路结构下,每个电池具有相同的平均电流值;采用蒙特卡罗模拟法对单体电池分布函数进行拟合;分别进行了105个单独的模拟,以获得高可靠的电流分布结果,为了更好地描述不同并联支路电流偏离平均电流的程度,本研究定义了以下指标:
(7)
其中,表示分支电流/>与平均电流/>的比值,反映了单个分支的电流偏差; 表示电池模组的总电流,虽然在一个电池组中有/>个电池,但只有n个不同的/>值,因为串联支路中m个电池的/>值均相等;并拟合出电流分布表,图3展示了部分电流分布表中的拟合曲线结果。
本发明已搭建的锂电池测试平台,针对不同工况进行电池测试,该锂离子电池实验平台要由可编程恒温恒湿箱、多通道电化学工作站以及电池充放电测试仪等组成,本实验室测试平台的搭建主要包括快充测试平台以及交流阻抗测试平台两部分:快充测试平台由交换机、电池充放电测试仪、可编程恒温恒湿箱以及用于数据记录的计算机组成,交流阻抗测试平台由电化学工作站组成。
实验的研究对象为某公司生产的18650圆柱形锂电池,电池参数如表2所述,在经过内阻测试以及同一工况下测试电压对比结果后,最终选取其中288个性能相似的电池,将4个电池并联为一组,将6组串联到一起组成最终的电池模组进行后续实验。
表2. 锂电池参数表
可编程恒温箱通过RJ-45串口与多通道电化学工作站相连接。通过配套的上位机软件可设定不同工况,并实时检测、控制电池的充放电状态、电流、电压和容量等,然后上位机可通过串口对电化学工作站下达指令来进行电池测试。通过实验室多组恒温箱同时对多个电池进行充放电测试,每个恒温箱设置的环境温度不同。
实验结果
1.端电压预测模型预测结果
本研究采用所提出的端电压预测模型(L-EKF)与基于电池模型的端电压估计方法进行比较。电池模型为目前学术界广泛使用的二阶RC电路模型,模型参数辨识方法采用目前电池建模常用的三种方法:人工蜂群(Artificial Bee Colony Algorithm, ABC)、遗传算法(Genetic Algorithm,GA)和树种优化算法(Tree Seed Algorithm, TSA)。
ABC算法灵感来自蜜蜂在寻找优质食物来源时的觅食行为,在ABC算法中,该算法使用一组称为蜜蜂的计算代理来找到最佳解决方案,GA遗传算法用于研究自然系统的适应过程,是模仿自然系统适应性机制的人工系统,遗传算法是一种基于“适者生存”的高度并行、随机、自适应的优化算法,TSA 通过模拟自然界中树木及其种子的散播过程,以树木作为优化问题的可行解,其种子作为每次迭代中的试验单元,对约束内的样本空间进行搜索,最终收敛至全局最优解。
由于不同算法所涉及的控制参数存在差异,不同的参数取值可能导致辨识结果不同。为保证算法之间对比的公平性,对相关控制参数的设置应尽量保持一致,使得能够在相同条件下反映算法的优化能力,为了满足在线辨识的实时性需求,参数取值应尽量较小。为此,设置三种方法的种群大小为 10,迭代次数为 200,搜索区间根据不同模型参数的物理含义设置上下限,比如对于欧姆内阻、电荷转移内阻以及扩散内阻,取值统一设置为 [0,100mΩ],并在计算时归一化至 [0,1]区间,保证搜索空间在各维度方向量度对称。
1.1 常见低倍率充放电工况
本节利用动态应力测试(DST)和联邦城市道路工况(FUDS)这两种公共动态工况验证所提出的模型参数辨识方法的有效性,这两种工况能够模拟真实城市道路的运行情况,具有较强的动态性,并可用于验证模型及其参数的准确性。
表3. DST工况下采用不同建模方法的预测电压误差
误差指标 | GA | ABC | TSA | L-EKF |
RMSE(mV) | 6.29 | 4.43 | 3.39 | 5.52 |
MAXE(mV) | 53.08 | 31.45 | 27.52 | 32.78 |
表4. FUDS工况下采用不同建模方法的预测电压误差
误差指标 | GA | ABC | TSA | L-EKF |
RMSE(mV) | 9.71 | 5.28 | 4.49 | 5.91 |
MAXE(mV) | 33.54 | 29.17 | 26.02 | 32.69 |
表3和表4展示了DST和FUDS工况下采用不同建模方法的预测电压误差指标,由表中可知,相对于ABC与GA,TSA具有良好的全局搜索和局部优化能力,从而能够获得更精确的估算结果,此外,由于树木及其种子在搜索方向上具有协调性,因此TSA在解决小规模种群优化问题时具有更大的优势,L-EKF的模型预测误差与TSA方法差距较小,但由于L-EKF的方法是基于无模型的数据驱动类算法,所以在平台搭建过程中更加容易实现,并且不需要在解空间中进行迭代搜索,因此计算量更低,更适合在线应用场景。
1.2 针对快充电池的测试工况
不同于低倍率电池,在目前快充电池的研究中测试标准和测试工况还未有统一的标准。因此,本研究提出了一种针对快充电池的脉冲测试工况,该工况考虑了高倍率情况下电池持续充电产生的过热和析锂情况,在充电工况下采用阶梯脉冲的形式。并且在充电时加入了负脉冲以降低电池中极化电压过高导致的安全问题。
经测试后得出在该正负脉冲工况下,电池内部的极化反应和扩散反应达到相互独立的情况,为电池使用过程当中较为极端的情况。因此在该工况下对端电压预测难度较大,从而能有效证明端电压预测算法的性能。
表5. 脉冲测试工况下采用不同建模方法的预测电压误差
误差指标 | GA | ABC | TSA | L-EKF |
RMSE(mV) | 7.22 | 4.94 | 4.89 | 4.31 |
MAXE(mV) | 33.54 | 29.17 | 26.02 | 22.69 |
表5展示了脉冲测试工况下采用不同建模方法的预测电压误差指标。由表中可知,基于ABC和GA的建模方法在脉冲测试工况下误差较大,基于TSA的建模方法与基于L-EKF的建模方法误差均较小,但L-EKF的方法的优势为该方法是基于数据驱动的无模型的建模方法,相比依赖RC电路模型的TSA方法灵活性更高。
2.对抗验证编码器网络模型预测结果
本研究所提出的电池模组的SoH估计方法需先以从电池模组拓扑结构选定某电池为参考目标,根据参考目标去推算其他位置电池的电流分布,并根据电流分布求出不同位置电池的端电压曲线,从而根据特征提取方式获得SoH二阶特征信息供SoH估计模型实现最终估计。本研究充电测试使用的结构的电池模组,如图7中红色方框部分所示。
本研究的电池模组充电工况采用的是4C的脉冲充电策略,根据前文分析可知,高倍率持续充电会使得电池温度和极化电压持续升高,当温度升高到一定阈值时则会有安全隐患产生,其次极化电压的持续升高会造成电池内部出现析锂情况,从而严重影响电池的使用寿命。因此在实际的电池模组充电中,采用正负脉冲形式的充电方式,可以有效避免上述问题的产生。
考虑到电池模组中边缘位置的单体电池进行外部测量难度较低,从该电池模组边缘位置选取4个不同的单体电池作为参考目标。由于4个电池的初始容量不同,因此采用线性函数归一化(Min-Max Scaling)进行归一化。
不同单体的电池的充电电流值大小受到电池模组中并联支路的数量影响,不同并联支路的电流分布总体呈现正态分布的特性。假设本研究以P1电池作为参考目标,并且已知不同单体电池电流值的情况下,通过L-EKF对各电池电压值进行估计。根据分布特性确定P1-P4位置电流值大小。
本研究通过采用互预测的方式对电池模组中4个单体电池分别进行SoH预测。分别设置这4个电池为参考电池,并对其他三个电池的SoH进行预测。基于不同参考电池的误差评价标准见表6。
表6. 不同参考电池预测不同目标电池的误差指标
/>
结果表明,本文提出的方法估计的四个电池SoH值分别为0.63%、0.53%、0.53%和1.05%,均方根误差分别为0.89%、0.68%和1.31%,该算法在预测锂离子电池容量时得到的误差显著降低。
最终四个电池的SoH估计效果如图8所示。由图可知本研究提出的电池模组SoH预测方法的结果接近实际测量曲线,通过不同参考电池推算出的SoH估计结果较为接近。其中,参考电池位置于预测电池位置较远的情况下,预测精度有一定下降,但总体精度较高,满足SoH实时在线估计需求。因此,本研究对于锂离子电池模组的SoH估计具有较好的效果。
构建的电流分布表可以解决传统方法计算量大的问题,通过端电压预测模型优化单体电池的端电压预测精度,从而间接提高单体电池的健康状态估计精度;通过对抗验证编码器网络模型,使用对抗性特征选择策略,以适应多模态电池特征分布,提升数据分布的一致性,从而准确地估算出电池模组内单体电池的健康状态。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种用于电池系统内单体电池的健康状态估计方法,其特征在于:包括以下步骤:
步骤1:通过电流分布结构构建电流分布表;
步骤2:获得电池模组的总电压值、总电流值以及剩余电量;
步骤3:根据电池模组的并联支路数量,进而通过查电流分布表得到支路电流的先验分布,然后通过电池拓扑结构推理出单体电池的支路电流值;
步骤4:以总电压值、支路电流值和剩余电量三个变量作为端电压预测模型的输入,从而预测出单体电池的端电压值;
步骤5:对得到的单体电池的支路电流值和端电压估计值进行二段特征提取,并将提取得到的特征序列作为对抗验证编码器网络模型的输入,从而训练对抗验证编码器网络模型;
步骤6:基于训练后的对抗验证编码器网络模型对用于电池系统内单体电池的健康状态进行估计。
2.根据权利要求1所述的用于电池系统内单体电池的健康状态估计方法,其特征在于:步骤5具体包括以下步骤:
步骤5.1:获取端电压值,并以时间为横轴,端电压值为纵轴绘制单体电池的充电电压曲线;
步骤5.2:获取支路电流值,并以端电压值为纵轴,以支路电流值为横轴,绘制单体电池的IC曲线;
步骤5.3:从单体电池的充电电压曲线中提取特征F1和F2,从每个单体电池的IC曲线中提取特征F3和F4;从而得到特征向量F1、F2、F3、F4;
其中,特征F1为电池充电时起始电压 Vstart 增加到最终电压 Vend 的时间;特征F2为电池充电时起始电压 Vstart 增加到最终电压 Vend 的电压曲线下围成的面积;特征F3为电池充电时起始电压 Vstart 增加到最终电压 Vend 的电压差值;特征F4为IC曲线最大值对应的电压;
步骤5.4:将与特征向量相对应的电池健康度作为标签向量,标签向量和特征向量组成数据集;
步骤5.5:将数据集中的标签向量和特征向量分别作为对抗验证编码器网络模型的输出和输入,并对对抗验证编码器网络模型进行训练;对抗验证编码器网络模型的对抗验证模块包括第一MLP单元、第一LSTM单元、第二LSTM单元和第二 MLP单元;第一LSTM单元为编码器,第二LSTM单元为解码器,在对抗验证编码器网络模型中第一LSTM的输出张量中加入随机噪声模块,该随机噪声模块用于生成若干服从指定的分布函数的随机数,然后将该随机数加到第一LSTM输出中;对抗验证编码器网络模型的预测模块包括一个可学习参数的1DCNN模块、一个注意力机制模块,并通过全连接层进行最终的全局预测;其中,可学习参数的1DCNN模块在训练过程中,根据输入数据的特征去学习能自适应任务的参数;注意力机制模块为自注意力机制,用于处理序列数据,并允许对抗验证模块在处理输入序列时动态地分配不同位置的权重,以便捕捉序列中不同位置之间的依赖关系。
3.根据权利要求1所述的用于电池系统内单体电池的健康状态估计方法,其特征在于:电流分布表如下:
;
其中,是指在电池模组开始放电时,即初始状态(t=0),并联支路电流的期望值; 表示在初始状态,并联支路电流的标准差的三倍,用来描述初始状态电流的变化范围; /> 是指在电池模组放电至无限长时间(t→∞),即放电过程趋于稳定时,并联支路电流的期望值; /> 表示在稳定状态下,并联支路电流的标准差的三倍,用来描述稳定状态下电流的变化范围。
4.根据权利要求3所述的用于电池系统内单体电池的健康状态估计方法,其特征在于:步骤1具体为:
设电池模组中共并联连接n个单体电池,k支路的电流为 ,k支路的电压为 /> ,k支路的总电阻为 />;并联电池组的总电流为 /> ,总电压为 /> ;根据基尔霍夫定律得总电压和总电流为:
(1)
(2)
(3)
其中, 表示第k电池的开路电压, /> 表示第k电池的极化电压;
得到总电流与电压之间的关系:
(4)
(5)
(6)
设电池模组的结构为串并联结构,串联电池个数为m,并联电池个数为n,将电池模组的总电流设置为,采用蒙特卡罗模拟法对单体电池分布函数进行拟合;
(7)
其中,表示分支电流/>与平均电流/>的比值,/> 表示电池模组的总电流,并拟合出电流分布表。
5.根据权利要求4所述的用于电池系统内单体电池的健康状态估计方法,其特征在于:步骤3具体为:确定电池模组的并联支路数量以及该电池模组的状态,电池模组的状态包括初始和稳定,根据公式(8)或公式(9)得出 ,再根据公式7求出分支电流 />;
电池模组初始状态的:
按照正态分布生成一个随机数 ,利用该随机数计算初始状态的 /> :
(8)
电池模组稳定状态的:
按照正态分布生成一个随机数 ,利用该随机数计算稳定状态的 /> :
(9)。
6.根据权利要求1所述的用于电池系统内单体电池的健康状态估计方法,其特征在于:步骤4具体包括以下步骤:
步骤4.1:搭建深度网络电压回归模型;
深度网络电压回归模型的输入包含历史 h 步电压 、电流 />、第 />时刻的电流/>、第 />时刻的剩余电量 />,以及表示 /> 时刻的均衡平衡器是否开启的开关量 />,所有输入被组合为一个第 />时刻的列向量 />;
(10)
深度网络电压回归模型的输出值为当前第时刻估计的单体电池的端电压/>:
(11)
其中, 是深度网络电压回归模型中第k时刻的第 /> 个输入 /> 与前一时刻隐藏层的状态信息 /> 之间的加权矩阵,/>是输出层第k时刻的输入存储的列向量,输出层为全连接层,采用线性函数作为激活函数;
步骤4.2 将训练好的深度网络电压回归模型与双扩展卡尔曼滤波器进行结合,搭建端电压预测模型,并通过端电压预测模型对单体电池的端电压进行预测;同时,在实时预测中对模型输出层权重进行更新,并且对预测过程中出现的累计误差进行纠正。
7.根据权利要求6所述的用于电池系统内单体电池的健康状态估计方法,其特征在于:
双扩展卡尔曼滤波器的离散状态空间方程如下:
(12)
其中,为系统状态函数,描述了系统状态随时间的迁移过程;/>为系统观测函数,描述了系统状态和观测变量之间的传递关系;/>和/>分别表示时间步长/>处的/>维状态变量和/>维观测变量,/>是系统/>维输入信号,/>和/>分别是系统/>维观测噪声和随机过程噪声;
双扩展卡尔曼滤波器对非线性函数与/>进行线性变换后得:
;
其中,,/>,/>和/>为线性化后的状态转移矩阵,通过泰勒展开得:
。
8.根据权利要求7所述的用于电池系统内单体电池的健康状态估计方法,其特征在于:步骤4.2包括以下步骤:
步骤4.2.1:进行状态及误差方差的初始化,其表示为:
;
其中E表示随机变量的期望,和/>表示后验估计值,/> 表示时刻0的后验估计值,/>表示时刻0的后验估计值的方差,E[] 表示期望;
步骤4.2.2:进行状态过程和状态误差的更新:
;
其中,和/>分别表示在时刻k的先验估计值和先验估计值的方差,/>和/>是线性化后的状态转移矩阵,/>是系统输入信号,/>是系统过程噪声方差矩阵,表示系统状态转移过程中的噪声;
步骤4.2.3:利用先验估计进行观测更新:
;
状态误差方差的后验估计更新:
(24)
其中,为滤波增益,/>为系统过程噪声方差矩阵,/>为观测噪声方差矩阵,/>是观测估计值/>是实际观测值;
双扩展卡尔曼滤波器的观测函数采用由深度网络电压回归模型训练的模型,如式25所示:
(25)
其中,公式25和公式11一样,但是为了区分状态方程使用的按时积分方程,我们在这里使用表示深度网络电压回归模型第k时刻的估计电压,而状态方程使用的安时积分方程第k时刻的估计电压则用/>表示;
状态方程使用的安时积分方程:
;
其中,和/>可以直接从数值差分计算中得到,/>为剩余电量更新的增益;
步骤4.2.4:对深度网络电压回归模型的输出层权重更新的过程及观测更新:
(27)
(28)
(29)
其中,表示输出层权重知识,/>表示模型权重知识,/>表示先验权重, /> 是相关变量,/>表示先验权重的时间步长,/> 表示系统状态函数,/>表示上一时刻的状态后验估计,/>表示系统输入信号,/>表示先验权重的j时刻延迟, /> 是输出层的估计值,表示系统观测函数;
步骤4.2.5:更新对应增益并获得输出层权重后验值:
(30)
(31)
(32)
(33)
其中 表示输出层权重协方差矩阵, /> 表示协方差权重, /> 表示观测函数的相关变量, /> 表示观测噪声方差矩阵,/> 表示输出层权重和先验权重之间的协方差矩阵,/> 表示输出层权重更新的增益,/> 表示输出层权重知识的后验估计,/> 表示输出层权重知识的先验估计,/> 表示时间观测值;
步骤4.2.6:进行输出层权重的协方差更新:
(34)
(35)
其中,表示输出层权重协方差的后验估计,/>表示输出层权重协方差的先验估计,表示输出层权重协方差的方差矩阵,/>为用于调节方差矩阵更新比例的权重因子,表示时间步长;
步骤4.2.7:利用上一时刻深度网络电压回归模型的最优估计完成本时刻的先验估计,并导入到深度网络电压回归模型的输出层,更新双扩展卡尔曼滤波器,完成本时刻的加权矩阵估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145590.0A CN117686937B (zh) | 2024-02-02 | 2024-02-02 | 一种用于电池系统内单体电池的健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145590.0A CN117686937B (zh) | 2024-02-02 | 2024-02-02 | 一种用于电池系统内单体电池的健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117686937A true CN117686937A (zh) | 2024-03-12 |
CN117686937B CN117686937B (zh) | 2024-04-12 |
Family
ID=90135718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410145590.0A Active CN117686937B (zh) | 2024-02-02 | 2024-02-02 | 一种用于电池系统内单体电池的健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117686937B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150362559A1 (en) * | 2013-01-23 | 2015-12-17 | Avl List Gmbh | Method for Determining a Control Observer for the SoC |
US20180095141A1 (en) * | 2015-04-16 | 2018-04-05 | Oxis Energy Limited | Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries |
CN108345843A (zh) * | 2018-01-25 | 2018-07-31 | 电子科技大学 | 一种基于混合深度回归网络的头部姿态估计方法 |
US20180246173A1 (en) * | 2017-02-28 | 2018-08-30 | Honeywell International Inc. | Online determination of model parameters of lead acid batteries and computation of soc and soh |
CN110058160A (zh) * | 2019-04-29 | 2019-07-26 | 西安理工大学 | 基于srekf的锂电池健康状态的预测方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111728590A (zh) * | 2020-06-30 | 2020-10-02 | 中国人民解放军国防科技大学 | 基于动态功能连接的个体认知能力预测方法和系统 |
CN112305440A (zh) * | 2020-09-27 | 2021-02-02 | 精进电动科技股份有限公司 | 一种电池剩余电量和健康状态联合估计方法 |
AU2020103886A4 (en) * | 2020-12-04 | 2021-02-11 | Nanjing Forestry University | A Method for Estimating SOC of a Fractional-Order Kinetic Battery Considering Temperature and Hysteresis Effect |
US20210132151A1 (en) * | 2019-10-07 | 2021-05-06 | Samsung Sdi Co., Ltd. | Method and apparatus for estimating state of health of battery |
CN113033678A (zh) * | 2021-03-31 | 2021-06-25 | 温州大学 | 一种基于自适应对抗网络的锂电池组故障诊断方法 |
US20210247447A1 (en) * | 2020-01-06 | 2021-08-12 | Tata Consultancy Services Limited | Method and system for online estimation of soh and rul of a battery |
US20220082626A1 (en) * | 2019-03-12 | 2022-03-17 | Samsung Sdi Co., Ltd. | Method for estimating state of health of battery |
CN115598535A (zh) * | 2022-09-30 | 2023-01-13 | 西安交通大学(Cn) | 一种考虑健康状态的电池荷电状态估计方法及系统 |
KR20230043466A (ko) * | 2021-09-24 | 2023-03-31 | 세종대학교산학협력단 | 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법 |
CN115913764A (zh) * | 2022-12-14 | 2023-04-04 | 国家计算机网络与信息安全管理中心甘肃分中心 | 基于生成对抗网络的恶意域名训练数据生成方法 |
CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
CN116298934A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
CN116298936A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 在不完全电压范围内的锂离子电池智能健康状态预测方法 |
CN116298904A (zh) * | 2023-01-11 | 2023-06-23 | 河南大学 | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 |
CN116318773A (zh) * | 2022-11-28 | 2023-06-23 | 暨南大学 | 基于ae模型优化的对抗训练式无监督入侵检测系统及方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN116679211A (zh) * | 2023-05-18 | 2023-09-01 | 淮阴工学院 | 一种锂电池健康状态的预测方法 |
CN116754949A (zh) * | 2023-05-04 | 2023-09-15 | 中山大学 | 一种锂离子电池智能健康状态预测方法 |
US20230375623A1 (en) * | 2022-05-20 | 2023-11-23 | Gotion, Inc. | Apparatus and method for battery soh estimation, method for forming a 2d-lut thereof |
-
2024
- 2024-02-02 CN CN202410145590.0A patent/CN117686937B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150362559A1 (en) * | 2013-01-23 | 2015-12-17 | Avl List Gmbh | Method for Determining a Control Observer for the SoC |
US20180095141A1 (en) * | 2015-04-16 | 2018-04-05 | Oxis Energy Limited | Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries |
US20180246173A1 (en) * | 2017-02-28 | 2018-08-30 | Honeywell International Inc. | Online determination of model parameters of lead acid batteries and computation of soc and soh |
CN108345843A (zh) * | 2018-01-25 | 2018-07-31 | 电子科技大学 | 一种基于混合深度回归网络的头部姿态估计方法 |
US20220082626A1 (en) * | 2019-03-12 | 2022-03-17 | Samsung Sdi Co., Ltd. | Method for estimating state of health of battery |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110058160A (zh) * | 2019-04-29 | 2019-07-26 | 西安理工大学 | 基于srekf的锂电池健康状态的预测方法 |
US20210132151A1 (en) * | 2019-10-07 | 2021-05-06 | Samsung Sdi Co., Ltd. | Method and apparatus for estimating state of health of battery |
US20210247447A1 (en) * | 2020-01-06 | 2021-08-12 | Tata Consultancy Services Limited | Method and system for online estimation of soh and rul of a battery |
CN111728590A (zh) * | 2020-06-30 | 2020-10-02 | 中国人民解放军国防科技大学 | 基于动态功能连接的个体认知能力预测方法和系统 |
CN112305440A (zh) * | 2020-09-27 | 2021-02-02 | 精进电动科技股份有限公司 | 一种电池剩余电量和健康状态联合估计方法 |
AU2020103886A4 (en) * | 2020-12-04 | 2021-02-11 | Nanjing Forestry University | A Method for Estimating SOC of a Fractional-Order Kinetic Battery Considering Temperature and Hysteresis Effect |
CN113033678A (zh) * | 2021-03-31 | 2021-06-25 | 温州大学 | 一种基于自适应对抗网络的锂电池组故障诊断方法 |
KR20230043466A (ko) * | 2021-09-24 | 2023-03-31 | 세종대학교산학협력단 | 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
US20230375623A1 (en) * | 2022-05-20 | 2023-11-23 | Gotion, Inc. | Apparatus and method for battery soh estimation, method for forming a 2d-lut thereof |
CN115598535A (zh) * | 2022-09-30 | 2023-01-13 | 西安交通大学(Cn) | 一种考虑健康状态的电池荷电状态估计方法及系统 |
CN116318773A (zh) * | 2022-11-28 | 2023-06-23 | 暨南大学 | 基于ae模型优化的对抗训练式无监督入侵检测系统及方法 |
CN115913764A (zh) * | 2022-12-14 | 2023-04-04 | 国家计算机网络与信息安全管理中心甘肃分中心 | 基于生成对抗网络的恶意域名训练数据生成方法 |
CN116298904A (zh) * | 2023-01-11 | 2023-06-23 | 河南大学 | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 |
CN116754949A (zh) * | 2023-05-04 | 2023-09-15 | 中山大学 | 一种锂离子电池智能健康状态预测方法 |
CN116679211A (zh) * | 2023-05-18 | 2023-09-01 | 淮阴工学院 | 一种锂电池健康状态的预测方法 |
CN116298936A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 在不完全电压范围内的锂离子电池智能健康状态预测方法 |
CN116298934A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
Non-Patent Citations (2)
Title |
---|
张书杰;王泰华;袁永军;: "基于AG-BP算法的锂电池模型参数在线估计", 电源技术, no. 03, 20 March 2020 (2020-03-20) * |
靳博文;乔慧敏;潘天红;陈山;: "基于内阻功率消耗的锂电池SOC估计", 汽车工程, no. 08, 25 August 2020 (2020-08-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117686937B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436411B (zh) | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 | |
CN106842045B (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 | |
Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
CN110441694B (zh) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 | |
CN111709186B (zh) | 一种退役动力锂电池健康状态的集成估计方法 | |
CN108594135A (zh) | 一种用于锂电池均衡充放电控制的soc估算方法 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN108535656A (zh) | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 | |
CN106055775B (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 | |
Zhang et al. | Intelligent state of charge estimation of lithium-ion batteries based on LM optimized back-propagation neural network | |
CN105717460A (zh) | 一种基于非线性观测器的动力电池soc估计方法和系统 | |
CN108761340A (zh) | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 | |
Yang et al. | Battery states online estimation based on exponential decay particle swarm optimization and proportional-integral observer with a hybrid battery model | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN109165819B (zh) | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 | |
CN110457789A (zh) | 一种基于改进粒子滤波与双指数衰退经验物理模型融合的锂离子电池剩余寿命预测方法 | |
CN105929340B (zh) | 一种基于arima估算电池soc的方法 | |
CN114970332B (zh) | 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法 | |
CN112858916B (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
Kim et al. | Pattern recognition for temperature-dependent state-of-charge/capacity estimation of a Li-ion cell | |
Anton et al. | A new predictive model for the state-of-charge of a high-power lithium-ion cell based on a PSO-optimized multivariate adaptive regression spline approach | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |