CN117761558A - 一种基于多学习机融合的锂电池健康状态估算方法及装置 - Google Patents
一种基于多学习机融合的锂电池健康状态估算方法及装置 Download PDFInfo
- Publication number
- CN117761558A CN117761558A CN202311658382.2A CN202311658382A CN117761558A CN 117761558 A CN117761558 A CN 117761558A CN 202311658382 A CN202311658382 A CN 202311658382A CN 117761558 A CN117761558 A CN 117761558A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- health
- lithium battery
- health state
- 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 69
- 238000000034 method Methods 0.000 title claims abstract description 41
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 36
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 4
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 4
- 230000007774 longterm Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000032683 aging Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及锂电池技术领域,且公开了一种基于多学习机融合的锂电池健康状态估算方法及装置,通过获取实车锂电池充放电循环数据集,通过数据分析提取充电过程电压和温度;获取目标锂电池健康特征信息集,通过计算得出健康特征变化,获取锂电池健康特征选取,得到电压极差的中位数与电池健康状态相关性最大,构建实车锂电池健康状态估算模型,采用神经网络模型和残差模型补偿日历时间和温度的预测减小误差,综合循环寿命对剩余寿命和电池状态预测结果分析。该基于多学习机融合的锂电池健康状态估算方法及装置可在环境温度变化和电池不同运行方式情况下对实车锂离子电池剩余使用寿命以及健康状态进行精确估计,提高了锂电池健康状态评估和寿命预测的准确性。
Description
技术领域
本发明涉及锂电池技术领域,具体为一种基于多学习机融合的锂电池健康状态估算方法及装置。
背景技术
电动汽车代表现今汽车的发展主流,亦是减少温室气体排放、促进产业绿色发展的重要举措,作为电动汽车的动力来源,动力电池的发展一定程度上决定着电动汽车的未来。
锂电池作为评估电池电性能和优化车辆动力控制策略的关键参数,精确估算车用动力电池在不同情况下的健康状态可以更准确地避免过充、过放和过负荷工作,有效保护电池,延长电池使用寿命,在基于机器学习算法构建电池健康状态模型时,如何减轻训练任务的负担或减少所需的数据量,提升算法的自学习能力,同时进一步考虑温度和日历时间对电池退化的影响仍有待进一步研究。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于多学习机融合的锂电池健康状态估算方法及装置,具备提高锂电池健康状态评估和寿命预测的准确性和适应不同环境温度和日历时间等优点,解决了上述技术问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基于多学习机融合的锂电池健康状态估算方法,包括以下步骤:
S1、对车辆电池参数进行采集;
S2、对车辆电池的容量进行计算并进行筛选;
S3、对电池的基础特征参数进行引入;
S4、通过步骤S3得到的特征参数对初始模型进行建立,并建立GPR残差模型;
S5、通过模型对电池退化轨迹和整体下降趋势进行估算。
作为本发明的优选技术方案,所述步骤S2中的电池容量计算过程如下:
S2.1、基于可用的电池数据,对电池容量进行计算;
S2.2、设置五个不同循环次数的对比组,并取每个对比组电池容量的中位数。
作为本发明的优选技术方案,所述步骤S3基础特征参数包括电压和温度极差值,通过对电压和温度极差值的均值、中位数、方差、标准差进行计算,得到健康统计特征变化。
作为本发明的优选技术方案,所述步骤S3的计算公式如下:
其中,表示对应特征的相关系数,xi表示第i个特性,/>表示特定性序列的均值,/>表示容量序列的平均值,∑表示对内部数据进行求和。
作为本发明的优选技术方案,所述步骤S4中的模型参数包括电池在不同温度和长期高强度运行、长期低强度、长期静置后运行、运行后长期静置四种运行方式时电池的放电容量,并通过CNN-GRU网络预测初始模型和GPR残差模型。
作为本发明的优选技术方案,所述步骤S5中的估算过程中基于步骤S4中建立的GPR残差模型建立温度残差模型和日历残差模型将平均温度和日历时间作为输入来预测容量残差值。
作为本发明的优选技术方案,所述GPR的残差模型的表达式如下:
其中,yi表示模型输出值,f(xi)表示对特征值的高斯函数,xi表示第i个特征,表示服从均值为0,方差为/>的正态分布,/>具体表示噪声协方差。
本发明还提供一种基于多学习机融合锂电池健康状态估算装置,用于执行上述的一种基于多学习机融合锂电池健康状态估算方法,包括标签容量获取模块、健康特征提取模块、健康特征相关分析模块、计算模块和训练测试模块。
作为本发明的优选技术方案,所述标签容量获取模块用于实施恒流循环充放电并获取锂离子电池电流电压、温度变化,所述健康特征选取模块读取标签容量获取模块中的数据,并对选取数据进行平滑处理,通过多个循环容量的平均值和中位数对比,分别取多组不同循环次数的容量数据筛选,选择循环过程中电压和温度极差值作为基础特征参数,通过计算得到健康特征变化集,所述健康特征相关分析模块用于特征集建立电池健康状态预测模型筛选能表征电池老化的健康特征。
作为本发明的优选技术方案,所述计算模型模块用于对数据进行电池温度和日历作为模型输入并得到残差估算结果,所述数据集进行训练测试模块用于将计算模型模块中的模型与多源车辆电池、实验室异体电池、大数据平台电池、异体电池估算,并对结果进行验证。
与现有技术相比,本发明提供了一种基于多学习机融合锂电池健康状态估算方法及装置,具备以下有益效果:
1、本发明通过针对电池健康状态估计不精确、迁移性弱等问题,以实车锂电池为研究对象,采用拉姆的安培积分法和25个循环内计算容量的统计中值作为标定容量,避免了由于SOC误差、间隔短、数据噪声等原因的估计误差。
2、本发明通过采用PCC和Spearman分析电池充电数据统计特征与电池容量的相关性,制定了基于阈值的特征选择过程中去除无效特征值,提高算法适应力。
3、本发明通过为解决适应不同车型、不同运行特点、使用工况不同的异体多源锂电池健康状态估算方法,采用构建CNN-GRU的电池老化预测初始模型和双GPR的残差预测模型建立多学习机器融合估算技术,用于补偿日历时间和温度变化引起的预测误差,避免了温度变化、电池老化、日历时间对电池容量参数的影响,提高了模型精确度。
附图说明
图1为本发明流程示意图;
图2为本发明装置框架示意图;
图3为本发明预测模型结构示意图;
图4为本发明数据集的循环容量中位数对比示意图;
图5为本发明数据集的25个循环容量中位数与均值的对比示意图。
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。
请参阅图1-5,一种基于多学习机融合锂电池健康状态估算方法,包括以下步骤:
S1、对车辆电池参数进行采集;
S2、对车辆电池的容量进行计算并进行筛选,由于锂电池的剩余容量、极化程度、衰老程度和工况各异等特征值难以进行实施检测,而锂电池电压、电流以及温度等数据易采集获取,所以获取了该电池不同循环次数的电压电流的循环容量平均值和中位数值,其中,考虑获得较为准确平滑的标签容量选择,基于安培积分法和多个循环充放电中值,在具体应该中,对于通过对于预先计算大量的标注容量,基于可用的电池数据,拉姆的安培积分的变体用于计算电池容量:Q/△SOC计算的电池容量,使再用一个月内的统计平均值或中值来减少SOC误差和数据噪声的影响,其中,考虑获得较为准确平滑的标签容量选择,分别对比了每间隔5、10、15、20、25个循环进行一次容量数据筛选,得到采用25个循环数容量的中位数;
S3、对电池的基础特征参数进行引入,实时对健康特征初选,选择电压和温度极差值作为基础特征参数,然后计算他们的均值、中位数、方差、标准差等数据得到健康统计特征变化,根据皮尔逊相关系数方程:
其中,表示对应特征的相关系数,xi表示第i个特性,/>表示特定性序列的均值,/>表示容量序列的平均值,∑表示对内部数据进行求和,再采用斯皮尔曼相关系数被定义成等级变量之间的皮尔逊相关系数即Spearman相关系数。衡量两个变量的依赖性的非参数指标,计算单调方程评价两个统计变量的相关性:
其中,R(x)和R(y)分别是x和y的位次,和/>分别表示平均位次,斯皮尔曼相关系数的公式为:
其中,di表示第i个数据对的位次值之差,n表示总的观测样本数;
S4、通过步骤S3得到的特征参数对预测初始模型进行建立,通过实验获取电池在不同温度和长期高强度运行、长期低强度、长期静置后运行、运行后长期静置四种运行方式时电池的放电容量对应温度分析,并通过CNN-GRU网络预测初始模型和GPR残差模型。可以有效地表示电池容量的整体下降趋势和增强预测电池衰退轨迹的准确性,提高健康状态估算精度;
S5、通过模型对电池退化轨迹和整体下降趋势进行估算,实验获取电池在不同循环寿命时充放电容量对应充电温度的健康特征数据集,再CNN-GRU网络预测初始模型和GPR残差模型构建,对多源车辆电池、实验室异体电池、大数据平台电池、实验室异体电池估算结果验证等,GPR的残差模型的表达式如下:
其中,yi表示模型输出值,f(xi)表示对特征值的高斯函数,xi表示第i个特征,表示服从均值为0,方差为/>的正态分布,/>具体表示噪声协方差。
本发明还提供一种基于多学习机融合的锂电池健康状态估算装置,用于执行上述的一种基于多学习机融合的锂电池健康状态估算方法,包括标签容量获取模块、健康特征提取模块、健康特征相关分析模块、计算模块和训练测试模块。
标签容量获取模块用于实施恒流循环充放电并获取锂离子电池电流、电压、温度变化,健康特征选取模块读取标签容量获取模块中的数据,并对选取数据进行平滑处理,通过多个循环容量的平均值和中位数对比,分别取多组不同循环次数的容量数据筛选,选择循环过程中电压和温度作为基础特征参数,通过计算得到健康特征变化集,健康特征相关分析模块用于特征集建立电池健康状态预测模型筛选能表征电池老化的健康特征。
计算模型模块通过对数据进行电池温度和日历作为模型输入,实现不同温度和日历情况下健康状态补偿,得到残差估算结果,提出方法提高估算精度,数据集进行训练测试模块用于将计算模型模块中的模型与多源车辆电池、实验室异体电池、大数据平台电池、异体电池估算,并对结果进行验证。
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 (10)
1.一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:包括以下步骤:
S1、对车辆电池参数进行采集;
S2、对车辆电池的容量进行计算并按照每间隔5、10、15、20、25个循环进行一次容量数据筛选;
S3、对电池的基础特征参数进行引入;
S4、通过步骤S3得到的特征参数对初始模型进行建立,并建立GPR残差模型;
S5、通过模型对电池退化轨迹和整体下降趋势进行估算。
2.根据权利要求1所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S2中的电池容量计算过程如下:
S2.1、基于可用的电池数据,对电池容量进行计算;
S2.2、设置五个不同循环次数的对比组,并取每个对比组电池容量的中位数。
3.根据权利要求1所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S3基础特征参数包括电压和温度极差值,通过对电压和温度极差值的均值、中位数、方差、标准差进行计算,得到健康统计特征变化。
4.根据权利要求3所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S3的计算公式如下:
其中,表示对应特征的相关系数,xi表示第i个特性,/>表示特定性序列的均值,/>表示容量序列的平均值,∑表示对内部数据进行求和。
5.根据权利要求1所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S4中的模型参数包括电池在不同温度和长期高强度运行、长期低强度、长期静置后运行、运行后长期静置四种运行方式时电池的放电容量,并通过CNN-GRU网络预测初始模型和GPR残差模型。
6.根据权利要求5所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述步骤S5中的估算过程中基于步骤S4中建立的GPR残差模型建立温度残差模型和日历残差模型将平均温度和日历时间作为输入来预测容量残差值。
7.根据权利要求6所述的一种基于多学习机融合的锂电池健康状态估算方法,其特征在于:所述GPR的残差模型的表达式如下:
其中,yi表示模型输出值,f(xi)表示对特征值的高斯函数,xi表示第i个特征,表示服从均值为0,方差为/>的正态分布,/>具体表示噪声协方差。
8.一种基于多学习机融合的锂电池健康状态估算装置,用于执行权利要求1至9任意一项所述的一种基于多学习机融合锂电池健康状态估算方法,其特征在于:包括标签容量获取模块、健康特征提取模块、健康特征相关分析模块、计算模块和训练测试模块。
9.根据权利要求8所述的一种基于多学习机融合的锂电池健康状态估算装置,其特征在于:所述标签容量获取模块用于实施恒流循环充放电并获取锂离子电池电流、电压、温度变化,所述健康特征选取模块读取标签容量获取模块中的数据,并对选取数据进行平滑处理,通过多个循环容量的平均值和中位数对比,分别取多组不同循环次数的容量数据筛选,选择循环过程中电压和温度极差值作为基础特征参数,通过计算得到健康特征变化集,所述健康特征相关分析模块用于特征集建立电池健康状态预测模型筛选能表征电池老化的健康特征。
10.根据权利要求9所述的一种基于多学习机融合的锂电池健康状态估算装置,其特征在于:所述计算模型模块用于对数据进行电池温度和日历作为模型输入并得到残差估算结果,所述数据集进行训练测试模块用于将计算模型模块中的模型与多源车辆电池、实验室异体电池、大数据平台电池、异体电池估算,并对结果进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311658382.2A CN117761558A (zh) | 2023-12-06 | 2023-12-06 | 一种基于多学习机融合的锂电池健康状态估算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311658382.2A CN117761558A (zh) | 2023-12-06 | 2023-12-06 | 一种基于多学习机融合的锂电池健康状态估算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117761558A true CN117761558A (zh) | 2024-03-26 |
Family
ID=90309663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311658382.2A Pending CN117761558A (zh) | 2023-12-06 | 2023-12-06 | 一种基于多学习机融合的锂电池健康状态估算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117761558A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118376945A (zh) * | 2024-06-21 | 2024-07-23 | 烟台海博电气设备有限公司 | 基于温度预测的锂电池soh估计方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112540317A (zh) * | 2020-12-16 | 2021-03-23 | 武汉理工大学 | 基于实车数据的电池健康状态估计与剩余寿命预测方法 |
CN113640674A (zh) * | 2021-06-30 | 2021-11-12 | 昆明理工大学 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
CN115166561A (zh) * | 2022-07-12 | 2022-10-11 | 西南石油大学 | 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 |
CN115963420A (zh) * | 2023-01-14 | 2023-04-14 | 中国科学院电工研究所 | 一种电池soh影响因素分析方法 |
-
2023
- 2023-12-06 CN CN202311658382.2A patent/CN117761558A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112540317A (zh) * | 2020-12-16 | 2021-03-23 | 武汉理工大学 | 基于实车数据的电池健康状态估计与剩余寿命预测方法 |
CN113640674A (zh) * | 2021-06-30 | 2021-11-12 | 昆明理工大学 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
CN115166561A (zh) * | 2022-07-12 | 2022-10-11 | 西南石油大学 | 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 |
CN115963420A (zh) * | 2023-01-14 | 2023-04-14 | 中国科学院电工研究所 | 一种电池soh影响因素分析方法 |
Non-Patent Citations (1)
Title |
---|
彭喜元: "数据驱动的故障预测", 31 March 2016, 哈尔滨工业大学出版社, pages: 170 - 171 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118376945A (zh) * | 2024-06-21 | 2024-07-23 | 烟台海博电气设备有限公司 | 基于温度预测的锂电池soh估计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | SOH prediction of lithium battery based on IC curve feature and BP neural network | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN111175666B (zh) | 一种soh检测方法及装置 | |
CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
CN110988695A (zh) | 动力电池健康状态评估方法、装置、存储介质及电子设备 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN109799463A (zh) | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 | |
CN117761558A (zh) | 一种基于多学习机融合的锂电池健康状态估算方法及装置 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN115629314B (zh) | 基于改进Jaya的电池参数与状态联合估计方法及系统 | |
CN116400246B (zh) | 基于aco-gmr的储能电站电池健康状态估计方法 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
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 | |
CN118033432A (zh) | 一种电池荷电状态估算方法、装置和计算机设备 | |
CN117174899B (zh) | 一种氟化碳正极材料制备方法 | |
CN117074957B (zh) | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 | |
CN113466712A (zh) | 一种电池剩余容量的获取方法 | |
CN117709396A (zh) | 一种锂离子电池能量状态预测方法 | |
CN117517963A (zh) | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 | |
CN116819364A (zh) | 电池健康度的确定方法、应用方法、电子设备及存储介质 | |
CN117129872A (zh) | 一种锂离子电池健康状态自适应估计方法 | |
CN116449244A (zh) | 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 | |
CN116679208A (zh) | 一种锂电池剩余寿命估算方法 |
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 |