WO2021138925A1 - 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 - Google Patents

基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 Download PDF

Info

Publication number
WO2021138925A1
WO2021138925A1 PCT/CN2020/072069 CN2020072069W WO2021138925A1 WO 2021138925 A1 WO2021138925 A1 WO 2021138925A1 CN 2020072069 W CN2020072069 W CN 2020072069W WO 2021138925 A1 WO2021138925 A1 WO 2021138925A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
lithium battery
data
improved
term memory
Prior art date
Application number
PCT/CN2020/072069
Other languages
English (en)
French (fr)
Inventor
李鹏华
张子健
王平
熊庆宇
邵子璇
侯杰
程家伟
Original Assignee
重庆邮电大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 重庆邮电大学 filed Critical 重庆邮电大学
Priority to US17/261,874 priority Critical patent/US20220114421A1/en
Publication of WO2021138925A1 publication Critical patent/WO2021138925A1/zh

Links

Images

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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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

Definitions

  • the invention belongs to the technical field of lithium batteries, and relates to a method for estimating the capacity of a lithium battery based on an improved convolution-long-short-term memory neural network.
  • Lithium battery SOC can reflect the remaining power of the battery, and the study of lithium battery SOH online monitoring can further predict the battery RUL, so as to prevent safety accidents in time. Therefore, the online monitoring of lithium battery SOC and SOH and the online prediction of RUL are important for lithium batteries. The safety of the application is of utmost importance.
  • Lithium battery SOC, SOH and RUL are all defined by capacity.
  • Capacity estimation methods can be divided into two categories: model-based methods and data-driven methods.
  • Model-based methods usually use electrochemical models and equivalent circuit models, which combine a priori knowledge of the life cycle with the equivalent mechanism of the physical and chemical reactions occurring in the battery to calculate the capacity.
  • the model parameters in model-based methods are mostly obtained by calculations using some simplified assumptions, and are not suitable for complex changes in working conditions.
  • This patent provides a method for estimating the capacity of a lithium battery based on an improved convolution-long-short-term memory neural network, which realizes accurate estimation and prediction of the battery capacity.
  • the purpose of the present invention is to provide a method for estimating the capacity of a lithium battery based on an improved convolution-long short term memory neural network (CNN-LSTM).
  • CNN-LSTM convolution-long short term memory neural network
  • the present invention provides the following technical solutions:
  • a lithium battery capacity estimation method based on improved convolution-long-short-term memory neural network includes the following steps:
  • S1 Collect data: Collect real lithium battery charge and discharge data through sensors, including discharge voltage, discharge current, battery temperature and battery capacity;
  • step S4 Use the data after EMD in step S2 as the training data of the neural network, and combine the optimal hyperparameters of the neural network selected in step S3 to establish an improved CNN-LSTM neural network model;
  • S5 Input the lithium battery discharge data collected by the sensor into the trained network model for testing, and obtain the battery capacity estimated by the model;
  • S6 Judge whether the output result of the neural network is correct or not according to the root mean square error (RMSE), output the result if it is correct, and supplement the training data if it is wrong, and readjust the network hyperparameters.
  • RMSE root mean square error
  • step S2 using an empirical mode decomposition algorithm to decompose the collected original battery discharge data, specifically including the following steps:
  • S21 Calculate the upper and lower envelopes respectively according to the upper and lower extreme points of the original signal
  • S24 Determine whether the intermediate signal meets the two conditions of IMF. If it is satisfied, the signal is an IMF component; if not, re-analyze S21 ⁇ S24 based on the signal; the acquisition of IMF components usually requires several times Iteration
  • step S3 specifically includes the following steps:
  • S31 Select the population size and encode each individual in the population; the individual is composed of various hyperparameters of the neural network, and the hyperparameters are randomly selected within the value range;
  • S32 Write a fitness function, decode the individual, and use the hyperparameters obtained by the individual as the initial hyperparameters of the neural network; calculate the sum of the absolute error between the predicted output of the neural network model and the actual output, and use this as the fitness value;
  • S33 Select operation, use the turntable gambling method; take the inverse of the fitness value, the smaller the individual fitness value, the greater the probability of being selected;
  • S34 Crossover operation, using the real number crossover method to select individuals according to the crossover probability, and cross chromosomes at any two positions of the selected individual and its neighbors;
  • S35 Mutation operation, uniform mutation is used, and mutation individuals are selected by setting mutation probability.
  • the step S6 specifically includes: calculating the root mean square error RMSE: And evaluate the effect of neural network output.
  • the beneficial effect of the present invention is that the present invention applies the improved convolution-long-short-term memory neural network to the lithium battery capacity estimation.
  • the method uses the empirical mode decomposition algorithm to analyze the original lithium battery charge and discharge data, and remove the original data. Noise processing.
  • the genetic algorithm is used to adjust the hyperparameters of the neural network to build a neural network model to accurately estimate the lithium battery capacity, so as to realize the online estimation and prediction of the lithium battery SOC, SOH and RUL, which has great application significance.
  • Figure 1 is a flow chart of the overall technical solution
  • Figure 2 is the algorithm flow chart of genetic algorithm to optimize neural network
  • Figure 3 is an improved convolution-long-short-term memory neural network structure diagram
  • Figure 4 is an improved long and short-term memory neural network structure diagram.
  • Collect data Collect real lithium battery charge and discharge data through sensors, including discharge voltage, discharge current, battery temperature and battery capacity;
  • the EMD algorithm is used to decompose the collected original battery discharge voltage, discharge current, and battery body temperature data, that is, to denoise the sequence data.
  • step c) Use the data after EMD in step a) as the training data of the neural network, and combine the optimal hyperparameters of the neural network selected in step b) to build an improved CNN-LSTM neural network model;
  • the EMD algorithm is used to decompose the collected original battery discharge voltage, discharge current, and battery body temperature data, that is, to denoise the sequence data.
  • step c) Use the data after EMD in step a) as the training data of the neural network, and combine the optimal hyperparameters of the neural network selected in step b) to build an improved CNN-LSTM neural network model;
  • o t sigmoid(W ox ⁇ x t +W oh ⁇ h t-1 +p o ⁇ c t +b o )
  • e) Judge whether the output result of the neural network is correct or not according to RMSE, output the result if it is correct, and supplement the training data if it is wrong, and re-adjust the network hyperparameters.
  • the calculation formula of RMSE is:
  • step c) Use the data after EMD in step a) as the training data of the neural network, and combine the optimal hyperparameters of the neural network selected in step b) to build an improved CNN-LSTM neural network model;

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Secondary Cells (AREA)

Abstract

基于改进卷积-长短时记忆神经网络的锂电池容量估算方法，属于锂电池技术领域，通过对锂电池数据的处理、遗传算法对改进的卷积-长短时记忆神经网络的超参数调整、改进的CNN-LSTM神经网络训练和模型测试这四个步骤得到锂电池容量估算的模型，引进经验模态分解算法对锂电池数据进行分解，从而实现数据去噪，遗传算法优化改进的CNN-LSTM神经网络超参数，利用卷积神经网络提取锂电池充放电数据的空间特征，再将这些特征输入改进的长短时记忆神经网络进行时间特征的提取，最后通过全连接层输出估算的容量，克服了传统的基于模型的算法过度依赖电池模型的局限性，且预测精度高，具有一定工程应用性。

Description

基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 技术领域
本发明属于锂电池技术领域，涉及基于改进卷积-长短时记忆神经网络的锂电池容量估算方法。
背景技术
低成本、高能量、长寿命的新型动力锂电池的不断出现，基于新型电子控制技术与大功率开关器件的电机控制器，以及锂电池管理系统的诞生，为进一步提高电动汽车的动力性，延长锂电池组的使用寿命奠定了基础。然而，锂电池在使用过程中循环寿命短、老化速度快等现象频频出现，为了了解锂电池的工作状况，锂电池的健康安全成为了人们关注的对象。为了使锂离子电池在应用过程中及时反映工作状态，对锂离子电池的荷电状态(SOC)，健康状态(SOH)和剩余使用寿命(RUL)进行在线实时监测与预测成为电池整体系统关键部分之一。锂电池SOC可以反映电池的剩余电量，且研究锂电池SOH在线监测，能够进一步预测电池的RUL，从而可以及时的预防安全事故，故锂电池SOC、SOH的在线监测与RUL的在线预测对锂电池的安全应用至关重要。
锂电池SOC，SOH和RUL都是通过容量来进行定义的，然而由于在实际应用过程中锂电池的容量无法直接测量，只能通过间接计算得到，故准确的容量估计成为很大挑战。容量估计方法可以分为两类：基于模型的方法和基于数据驱动的方法。基于模型的方法通常使用电化学模型和等效电路模型，将生命周期的先验知识与电池中发生的物理化学反应的等效机制相结合，以计算容量。然而，基于模型的方法中的模型参数大多是通过使用一些简化的假设进行计算而获得的，并且不适用于工作条件复杂的变化。数据驱动方法的可用性因得益于大量电池数据而日益提高，并且不需要全面了解电池老化动态，因此已被广泛用于评估锂电池的容量。近年来，使用神经网络的方法在电池容量估算中引起了极大的关注。本专利针提供一种基于改进卷积-长短时记忆神经网络的锂电池容量估算方法，实现了电池容量的准确估计及预测。
发明内容
有鉴于此，本发明的目的在于提供一种基于改进卷积-长短时记忆神经网络(Convolution-Long short term memory neural network,CNN-LSTM)的锂电池容量估算方法。
为达到上述目的，本发明提供如下技术方案：
基于改进卷积-长短时记忆神经网络的锂电池容量估算方法，该方法包括以下步骤：
S1：采集数据：通过传感器采集真实锂电池充放电数据，包括放电电压、放电电流、电池体温度和电池容量；
S2：采用经验模态分解EMD算法对采集到的原始电池放电数据进行信号分解，即对序列数据进行去噪处理；
S3：采用遗传算法选择最优的改进CNN-LSTM神经网络超参数；
S4：将步骤S2中经过EMD后的数据当作神经网络的训练数据，结合步骤S3中选择的神经网络最优超参数，建立改进的CNN-LSTM神经网络模型；
S5：将传感器采集的锂电池放电数据输入训练好的网络模型中进行测试，得到模型估计出的电池容量；
S6：根据均方根误差RMSE判断神经网络输出结果的正确与否，正确则输出结果，错误则进行补充训练数据，并重新调整网络超参数。
可选的，所述步骤S2中，采用经验模态分解算法对采集到的原始电池放电数据进行信号分解，具体包括以下步骤：
S21：根据原始信号上下极值点，分别求出上、下包络线；
S22：求上、下包络线的均值，画出均值包络线；
S23：原始信号减均值包络线，得到中间信号；
S24：判断该中间信号是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不是，以该信号为基础，重新做S21～S24的分析；IMF分量的获取通常需要若干次的迭代；
S25：使用上述方法得到第一个IMF后，用原始信号减IMF1，作为新的原始信号，再通过S21～S24的分析，得到IMF2，以此类推，完成EMD分解。
可选的，所述步骤S3具体包括以下步骤：
S31：选定种群规模并对种群中的每个个体进行编码；个体由神经网络各种超参数组成，其超参数在取值范围内随机选取；
S32：编写适应度函数，对个体解码，并将由个体得到的超参数作为神经网络的初始超参数；计算神经网络模型的预测输出与实际输出的绝对误差之和，以此为适应度值；
S33：选择操作，选用转盘赌法；对适应度值取倒数，个体适应度值越小被选择的概率越大；
S34：交叉操作，采用实数交叉法，根据交叉概率选择个体，对被选择个体及其相邻个体 的任意两个位置的染色体交叉；
S35：变异操作，采用均匀变异，通过设定变异概率选择变异的个体。
可选的，所述步骤S6具体包括：计算均方根误差RMSE：
Figure PCTCN2020072069-appb-000001
并评估神经网络输出的效果。
本发明的有益效果在于：本发明将改进的卷积-长短时记忆神经网络应用于锂电池容量估计中，该方法利用经验模态分解算法对原始锂电池充放电数据分析，将原始数据进行去噪处理。遗传算法用来调节神经网络超参数，以此构建神经网络模型来进行锂电池容量的准确估计，从而实现锂电池SOC,SOH和RUL的在线估计与预测，具有较大的应用意义。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为总体技术方案流程图；
图2为遗传算法优化神经网络的算法流程图；
图3为改进的卷积-长短时记忆神经网络结构图；
图4为改进的长短时记忆神经网络结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图4，为基于改进卷积-长短时记忆神经网络的锂电池容量估算方法。
1、采集数据：通过传感器采集真实锂电池充放电数据，包括放电电压、放电电流、电池体温度和电池容量；
2、若要实现SOC监测，则需如下5个步骤：
a)采用EMD算法对采集到的原始电池放电电压、放电电流、电池体温度数据进行信号分解，即对序列数据进行去噪处理。
b)采用遗传算法选择最优的改进CNN-LSTM神经网络超参数；
c)将步骤a)中经过EMD后的数据当作神经网络的训练数据，结合步骤b)中选择的神经网络最优超参数，来建立改进的CNN-LSTM神经网络模型；
d)将传感器采集的锂电池放电电压、放电电流和电池体温度输入训练好的网络模型中进行测试，得到模型估计出的SOC值；
e)根据RMSE判断神经网络输出结果的正确与否，正确则输出结果，错误则进行补充训练数据，并重新调整网络超参数。
3、若要实现SOH监测，则需如下5个步骤：
a)采用EMD算法对采集到的原始电池放电电压、放电电流、电池体温度数据进行信号分解，即对序列数据进行去噪处理。
b)采用遗传算法选择最优的改进CNN-LSTM神经网络超参数；
c)将步骤a)中经过EMD后的数据当作神经网络的训练数据，结合步骤b)中选择的神经网络最优超参数，来建立改进的CNN-LSTM神经网络模型；
d)将传感器采集的锂电池放电电压、放电电流和电池体温度输入训练好的网络模型中进行测试，得到模型估计出的SOH值；
改进的LSTM的前向计算公式如下：
f t＝sigmoid(W fx·x t+W fh·h t-1+b f)
z t＝tanh(W zx·x t+W zh·h t-1+b z)
i t＝(1-f t)⊙sigmoid(c t-1⊙p i)
c t＝c t-1⊙f t+i t⊙z t
o t＝sigmoid(W ox·x t+W oh·h t-1+p o⊙c t+b o)
h t＝o t⊙tanh(c t)
e)根据RMSE判断神经网络输出结果的正确与否，正确则输出结果，错误则进行补充训练数据，并重新调整网络超参数。RMSE的计算公式为：
Figure PCTCN2020072069-appb-000002
4、若要实现RUL预测，则需如下5个步骤：
a)采用EMD算法对采集到的原始电池容量数据进行信号分解，即对序列数据进行去噪处理。
b)采用遗传算法选择最优的改进CNN-LSTM神经网络超参数；
c)将步骤a)中经过EMD后的数据当作神经网络的训练数据，结合步骤b)中选择的神经网络最优超参数，来建立改进的CNN-LSTM神经网络模型；
d)将传感器采集的锂电池放电电压、放电电流和电池体温度输入训练好的网络模型中进行测试，得到模型预测出的容量值；
e)根据RMSE判断神经网络输出结果的正确与否，正确则输出结果，错误则进行补充训练数据，并重新调整网络超参数。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

  1. 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法，其特征在于：该方法包括以下步骤：
    S1：采集数据：通过传感器采集真实锂电池充放电数据，包括放电电压、放电电流、电池体温度和电池容量；
    S2：采用经验模态分解EMD算法对采集到的原始电池放电数据进行信号分解，即对序列数据进行去噪处理；
    S3：采用遗传算法选择最优的改进CNN-LSTM神经网络超参数；
    S4：将步骤S2中经过EMD后的数据当作神经网络的训练数据，结合步骤S3中选择的神经网络最优超参数，建立改进的CNN-LSTM神经网络模型；
    S5：将传感器采集的锂电池放电数据输入训练好的网络模型中进行测试，得到模型估计出的电池容量；
    S6：根据均方根误差RMSE判断神经网络输出结果的正确与否，正确则输出结果，错误则进行补充训练数据，并重新调整网络超参数。
  2. 根据权利要求1所述的基于改进卷积-长短时记忆神经网络的锂电池容量估算方法，其特征在于：所述步骤S2中，采用经验模态分解算法对采集到的原始电池放电数据进行信号分解，具体包括以下步骤：
    S21：根据原始信号上下极值点，分别求出上、下包络线；
    S22：求上、下包络线的均值，画出均值包络线；
    S23：原始信号减均值包络线，得到中间信号；
    S24：判断该中间信号是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不是，以该信号为基础，重新做S21～S24的分析；IMF分量的获取通常需要若干次的迭代；
    S25：使用上述方法得到第一个IMF后，用原始信号减IMF1，作为新的原始信号，再通过S21～S24的分析，得到IMF2，以此类推，完成EMD分解。
  3. 根据权利要求1所述的基于改进卷积-长短时记忆神经网络的锂电池容量估算方法，其特征在于：所述步骤S3具体包括以下步骤：
    S31：选定种群规模并对种群中的每个个体进行编码；个体由神经网络各种超参数组成，其超参数在取值范围内随机选取；
    S32：编写适应度函数，对个体解码，并将由个体得到的超参数作为神经网络的初始超参数；计算神经网络模型的预测输出与实际输出的绝对误差之和，以此为适应度值；
    S33：选择操作，选用转盘赌法；对适应度值取倒数，个体适应度值越小被选择的概率越大；
    S34：交叉操作，采用实数交叉法，根据交叉概率选择个体，对被选择个体及其相邻个体的任意两个位置的染色体交叉；
    S35：变异操作，采用均匀变异，通过设定变异概率选择变异的个体。
  4. 根据权利要求1所述的基于改进卷积-长短时记忆神经网络的锂电池容量估算方法，其特征在于：所述步骤S6具体包括：计算均方根误差RMSE：
    Figure PCTCN2020072069-appb-100001
    并评估神经网络输出的效果。
PCT/CN2020/072069 2020-01-08 2020-01-14 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 WO2021138925A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/261,874 US20220114421A1 (en) 2020-01-08 2020-01-14 Method for estimating the capacity of lithium battery based on convolution long-short-term memory neural network

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010017957.2 2020-01-08
CN202010017957.2A CN111220921A (zh) 2020-01-08 2020-01-08 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法

Publications (1)

Publication Number Publication Date
WO2021138925A1 true WO2021138925A1 (zh) 2021-07-15

Family

ID=70829362

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/072069 WO2021138925A1 (zh) 2020-01-08 2020-01-14 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法

Country Status (3)

Country Link
US (1) US20220114421A1 (zh)
CN (1) CN111220921A (zh)
WO (1) WO2021138925A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113589175A (zh) * 2021-08-23 2021-11-02 上海智能新能源汽车科创功能平台有限公司 一种燃料电池寿命预测方法和系统
CN113688774A (zh) * 2021-09-03 2021-11-23 重庆大学 基于深度学习的高层建筑风致响应预测、训练方法及装置
CN113777496A (zh) * 2021-09-06 2021-12-10 北京化工大学 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN113848480A (zh) * 2021-09-23 2021-12-28 广东恒翼能科技有限公司 锂电池分容工艺的放电总容量预测方法
CN114084024A (zh) * 2021-12-27 2022-02-25 青岛科技大学 基于充电网的电动汽车大功率充电监控与多级预报警方法
CN114646891A (zh) * 2022-03-10 2022-06-21 电子科技大学 一种结合lstm网络和维纳过程的剩余寿命预测方法
CN114936682A (zh) * 2022-05-09 2022-08-23 重庆大学 基于变分模态分解的锂离子电池剩余使用寿命预测方法
CN115015760A (zh) * 2022-05-10 2022-09-06 香港中文大学（深圳） 基于神经网络、迁移集成学习的锂电池健康状态评估方法
CN115481788A (zh) * 2022-08-31 2022-12-16 北京建筑大学 相变储能系统负荷预测方法及系统
CN117557304A (zh) * 2024-01-11 2024-02-13 国网浙江省电力有限公司 基于模态分解与神经网络的电量电价层级融合预测方法

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098878B (zh) * 2020-09-15 2023-11-03 重庆邮电大学 一种锂电池soh估算和rul预测的端到端神经网络建立方法
CN112611976A (zh) * 2020-12-10 2021-04-06 华东理工大学 一种基于双差分曲线的动力电池健康状态估计方法
CN113065283A (zh) * 2021-03-26 2021-07-02 深圳技术大学 一种电池寿命预测方法、系统、电子装置及存储介质
CN113406499A (zh) * 2021-06-28 2021-09-17 武汉理工大学 基于优化的tcn的锂电池soc实时估算方法、装置、电子设备及存储介质
CN113687251A (zh) * 2021-08-23 2021-11-23 重庆邮电大学 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN113589189B (zh) * 2021-08-30 2022-09-13 武汉理工大学 基于充放电数据特征的锂电池健康状况预测方法及装置
CN113917334B (zh) * 2021-09-01 2023-11-17 西安理工大学 基于进化lstm自编码器的电池健康状态估计方法
CN113933725B (zh) * 2021-09-08 2023-09-12 深圳大学 一种基于数据驱动确定动力电池荷电状态的方法
CN114966436A (zh) * 2022-01-06 2022-08-30 湖北理工学院 锂电池荷电状态预测方法、装置、设备及可读存储介质
CN115032541B (zh) * 2022-04-13 2023-12-05 北京理工大学 一种锂离子电池容量退化预测方法及装置
CN114859249B (zh) * 2022-07-06 2022-10-18 苏州清研精准汽车科技有限公司 一种电池包容量的检测方法和装置
CN115326397B (zh) * 2022-07-28 2023-10-27 沈阳顺义科技有限公司 建立曲轴轴承磨损程度预测模型及预测方法和相关装置
CN115453399B (zh) * 2022-08-26 2023-07-11 广东工业大学 一种考虑不一致性的电池组soh估计方法
CN115808627A (zh) * 2023-02-03 2023-03-17 泉州装备制造研究所 一种锂电池soh预测方法及装置
CN116027204B (zh) * 2023-02-20 2023-06-20 山东大学 基于数据融合的锂电池剩余使用寿命预测方法及装置
CN116298947B (zh) * 2023-03-07 2023-11-03 中国铁塔股份有限公司黑龙江省分公司 一种蓄电池核容监测装置
CN116047314B (zh) * 2023-03-31 2023-08-18 泉州装备制造研究所 一种可充电电池健康状态预测方法
CN116953529B (zh) * 2023-09-20 2023-11-21 佛山科学技术学院 一种基于数据融合的锂离子动力电池健康评估方法及系统
CN117093854B (zh) * 2023-10-19 2024-02-09 安徽建筑大学 变压器机械故障诊断方法、设备及存储介质
CN117452261A (zh) * 2023-10-26 2024-01-26 淮阴工学院 一种锂电池循环寿命预测方法
CN117236381B (zh) * 2023-11-08 2024-02-02 智能制造龙城实验室 一种基于三元组长短时记忆神经网络的刀具磨损监测方法
CN117458672B (zh) * 2023-12-20 2024-03-15 深圳市智安新能源科技有限公司 无人机的放电控制方法、装置、设备及存储介质
CN117590260B (zh) * 2024-01-18 2024-04-16 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) 船用锂离子动力电池荷电状态估计方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160041229A1 (en) * 2014-08-05 2016-02-11 Hyundai Mobis Co., Ltd. Apparatus and method for estimating a battery state of charge
CN109001640A (zh) * 2018-06-29 2018-12-14 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN109143105A (zh) * 2018-09-05 2019-01-04 上海海事大学 一种电动汽车锂离子电池的荷电状态计算方法
CN109459699A (zh) * 2018-12-25 2019-03-12 北京理工大学 一种锂离子动力电池soc实时监测方法
CN110542866A (zh) * 2019-10-12 2019-12-06 上海新微技术研发中心有限公司 一种预估电池剩余电量参数的方法
CN110579710A (zh) * 2019-10-12 2019-12-17 驷途(上海)科技有限公司 一种soc预估装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100793616B1 (ko) * 2005-06-13 2008-01-10 주식회사 엘지화학 배터리 잔존량 추정 장치 및 방법
CN105069291A (zh) * 2015-08-06 2015-11-18 温州大学 一种基于emd和bp神经网络的电机轴承故障辨识方法
CN108446534A (zh) * 2018-03-13 2018-08-24 腾讯科技（深圳）有限公司 选择神经网络超参数的方法、装置和计算机可读存储介质
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
CN109598341A (zh) * 2018-11-21 2019-04-09 济南浪潮高新科技投资发展有限公司 一种基于遗传算法的卷积神经网络训练成果检测及可视化方法
CN109946389B (zh) * 2019-01-31 2020-12-25 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN109902808B (zh) * 2019-02-28 2023-09-26 华南理工大学 一种基于浮点数位变异遗传算法优化卷积神经网络的方法
CN110007235A (zh) * 2019-03-24 2019-07-12 天津大学青岛海洋技术研究院 一种电动汽车蓄电池soc在线预测方法
CN110109028A (zh) * 2019-04-12 2019-08-09 江苏大学 一种动力电池剩余寿命间接预测方法
CN110245252A (zh) * 2019-06-10 2019-09-17 中国矿业大学 基于遗传算法的机器学习模型自动生成方法
CN110363360A (zh) * 2019-07-24 2019-10-22 广东工业大学 一种短期风电功率预测方法、装置及设备
CN110544011B (zh) * 2019-07-31 2023-03-24 北京航空航天大学 一种智能化的体系作战效能评估和优化方法
CN110568359B (zh) * 2019-09-04 2021-11-23 太原理工大学 一种锂电池剩余寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160041229A1 (en) * 2014-08-05 2016-02-11 Hyundai Mobis Co., Ltd. Apparatus and method for estimating a battery state of charge
CN109001640A (zh) * 2018-06-29 2018-12-14 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN109143105A (zh) * 2018-09-05 2019-01-04 上海海事大学 一种电动汽车锂离子电池的荷电状态计算方法
CN109459699A (zh) * 2018-12-25 2019-03-12 北京理工大学 一种锂离子动力电池soc实时监测方法
CN110542866A (zh) * 2019-10-12 2019-12-06 上海新微技术研发中心有限公司 一种预估电池剩余电量参数的方法
CN110579710A (zh) * 2019-10-12 2019-12-17 驷途(上海)科技有限公司 一种soc预估装置

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113589175A (zh) * 2021-08-23 2021-11-02 上海智能新能源汽车科创功能平台有限公司 一种燃料电池寿命预测方法和系统
CN113589175B (zh) * 2021-08-23 2024-04-12 上海智能新能源汽车科创功能平台有限公司 一种燃料电池寿命预测方法和系统
CN113688774B (zh) * 2021-09-03 2023-09-26 重庆大学 基于深度学习的高层建筑风致响应预测、训练方法及装置
CN113688774A (zh) * 2021-09-03 2021-11-23 重庆大学 基于深度学习的高层建筑风致响应预测、训练方法及装置
CN113777496A (zh) * 2021-09-06 2021-12-10 北京化工大学 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN113777496B (zh) * 2021-09-06 2023-10-24 北京化工大学 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN113848480A (zh) * 2021-09-23 2021-12-28 广东恒翼能科技有限公司 锂电池分容工艺的放电总容量预测方法
CN113848480B (zh) * 2021-09-23 2022-08-23 广东恒翼能科技有限公司 锂电池分容工艺的放电总容量预测方法
CN114084024A (zh) * 2021-12-27 2022-02-25 青岛科技大学 基于充电网的电动汽车大功率充电监控与多级预报警方法
CN114646891B (zh) * 2022-03-10 2023-05-30 电子科技大学 一种结合lstm网络和维纳过程的剩余寿命预测方法
CN114646891A (zh) * 2022-03-10 2022-06-21 电子科技大学 一种结合lstm网络和维纳过程的剩余寿命预测方法
CN114936682A (zh) * 2022-05-09 2022-08-23 重庆大学 基于变分模态分解的锂离子电池剩余使用寿命预测方法
CN114936682B (zh) * 2022-05-09 2024-05-17 重庆大学 基于变分模态分解的锂离子电池剩余使用寿命预测方法
CN115015760A (zh) * 2022-05-10 2022-09-06 香港中文大学（深圳） 基于神经网络、迁移集成学习的锂电池健康状态评估方法
CN115481788A (zh) * 2022-08-31 2022-12-16 北京建筑大学 相变储能系统负荷预测方法及系统
CN115481788B (zh) * 2022-08-31 2023-08-25 北京建筑大学 相变储能系统负荷预测方法及系统
CN117557304A (zh) * 2024-01-11 2024-02-13 国网浙江省电力有限公司 基于模态分解与神经网络的电量电价层级融合预测方法
CN117557304B (zh) * 2024-01-11 2024-03-29 国网浙江省电力有限公司 基于模态分解与神经网络的电量电价层级融合预测方法

Also Published As

Publication number Publication date
US20220114421A1 (en) 2022-04-14
CN111220921A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
WO2021138925A1 (zh) 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法
Wang et al. A critical review of improved deep learning methods for the remaining useful life prediction of lithium-ion batteries
Cui et al. A comprehensive review on the state of charge estimation for lithium‐ion battery based on neural network
Hu et al. Battery lifetime prognostics
Li et al. A new prognostics method for state of health estimation of lithium-ion batteries based on a mixture of Gaussian process models and particle filter
Wang et al. State of health estimation based on modified Gaussian process regression for lithium-ion batteries
Zhang et al. A deep learning method for lithium-ion battery remaining useful life prediction based on sparse segment data via cloud computing system
CN110187290B (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
Vasanthkumar et al. Improved wild horse optimizer with deep learning enabled battery management system for internet of things based hybrid electric vehicles
Zhang et al. A hybrid approach for remaining useful life prediction of lithium-ion battery with adaptive levy flight optimized particle filter and long short-term memory network
Pan et al. Transfer learning-based hybrid remaining useful life prediction for lithium-ion batteries under different stresses
Zhang et al. Weight optimized unscented Kalman filter for degradation trend prediction of lithium-ion battery with error compensation strategy
Zhou et al. Battery health prognosis using improved temporal convolutional network modeling
Kim et al. A novel prognostics approach using shifting kernel particle filter of Li-ion batteries under state changes
CN114035098A (zh) 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
Chehade et al. A multioutput convolved Gaussian process for capacity forecasting of Li-ion battery cells
AU2021101964A4 (en) Artificial intelligence based smart electric vehicle battery management system
Li et al. Edge computing for vehicle battery management: Cloud-based online state estimation
Wu et al. Attention-based encoder-decoder networks for state of charge estimation of lithium-ion battery
Zhang et al. A method for capacity estimation of lithium-ion batteries based on adaptive time-shifting broad learning system
Zhang et al. A novel battery abnormality detection method using interpretable Autoencoder
Wang et al. A hybrid method for online cycle life prediction of lithium‐ion batteries
Li et al. The state-of-charge predication of lithium-ion battery energy storage system using data-driven machine learning
Bak et al. Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index
CN116298936A (zh) 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

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20912584

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20912584

Country of ref document: EP

Kind code of ref document: A1