CN110596595A - 一种通过大数据预测轨交锂电池rul的方法 - Google Patents
一种通过大数据预测轨交锂电池rul的方法 Download PDFInfo
- Publication number
- CN110596595A CN110596595A CN201910914085.7A CN201910914085A CN110596595A CN 110596595 A CN110596595 A CN 110596595A CN 201910914085 A CN201910914085 A CN 201910914085A CN 110596595 A CN110596595 A CN 110596595A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- rul
- time
- soc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 10
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 238000012512 characterization method Methods 0.000 claims abstract description 4
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000004220 aggregation Methods 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000005096 rolling process Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 101150014715 CAP2 gene Proteins 0.000 claims description 6
- 101100260872 Mus musculus Tmprss4 gene Proteins 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000012795 verification Methods 0.000 abstract description 6
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000004083 survival effect Effects 0.000 description 38
- 238000009826 distribution Methods 0.000 description 22
- 230000000694 effects Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及轨道交通的维护技术领域,尤其是一种通过大数据预测轨交锂电池RUL的方法;包括:数据准备步骤,数据整理步骤;将空余赋值、错值、交叉检验得到的逻辑不合理或者相互矛盾的数据以空值代替,而后将这些带有空值的数据导入Matlab中,通过Matlab自动填补所有空值;数据特征化步骤;目标确定步骤,计算用于学习的RUL值;数据计算步骤;训练验证步骤;算法评估步骤;通过简便的数据清洗方式得到干净数据,而后利用机器学习的不同模型,选择不同算法进行匹配验证,并进行发布,成为结构化的产品,并随着时间累积和数据丰富,模型的预测准确性会不断提升。
Description
技术领域
本发明涉及轨道交通的维护技术领域,尤其是一种通过大数据预测轨交锂电池RUL的方法。
背景技术
电池的剩余使用寿命(RUL,Remaining Useful Life),是指在一定条件下,电池使用一段时间后电池剩余的使用寿命,用来判断电池健康状况。RUL不仅仅与电池本身的电化学体系和电池制造工艺相关,还与车辆行驶工况和电池组内部的工作环境相关。
现有技术通常通过传感器对电池内部因素进行监测,以便判断电池状态。但动力电池作为轨道交通的动力来源,随着充放电次数和行驶里程的增加,电池的容量不断衰减,这个反应是典型的动态非线性的电化学***,在线应用时内部参数是难以测量的,其退化状态识别和状态估计仍存在巨大挑战。
发明内容
针对现有技术的不足,本发明提供一种依赖于轨道交通数据采集的长周期情况下,从电池的额定信息和状态监测数据(电压、电流、温度、SOC等)挖掘其中隐含的电池健康状态信息及其演变规律,在电池SOH的基础上推算出RUL的方法。
本发明的技术方案为:
一种通过大数据预测轨交锂电池RUL的方法,它包括以下步骤:
S001数据准备步骤,获取与轨道交通电池使用相关的数据。
在本步骤中,所述轨道交通电池的数据包括轨道交通的监控数据,监控数据每十秒采集一次,在轨道交通的不同整车状态中,例如行驶、充电过程中,都会产生。所述电池的监控数据包括在正常使用时与电池相关的电池自身数据以及轨道交通状态数据,一共超过200个数据变量。
所述电池的使用数据均是基于时间序列的流式数据,包括进行机器学习相关的电流、电压、温度、剩余电量(SOC)等。相关的数据内容如下表所示。
S002数据整理步骤,对所述轨道交通电池使用相关的数据进行清洗并将清洗后的所述轨道交通电池使用相关的数据基于时间单元进行数据构建。
数据清洗方法:
将空余赋值、错值、交叉检验得到的逻辑不合理或者相互矛盾的数据以空值代替,而后将这些带有空值的数据导入Matlab中,通过Matlab自动填补所有空值。Matlab填补空值的逻辑是利用空值前后多个数据产生平滑曲线,而后得到该空值的替换值。虽然该方式具有一定的误差,但自动化程度很高,节省了大量计算时间。
空余赋值:电池数据在传输过程中,很容易发生掉包导致变量缺失。
错值:通过设定轨道交通电池使用相关数据的每个变量的合理取值范围,即阈值,检查数据是否合乎要求,将超出正常范围的数据定义为错值。
清洗数据之后,基于时间单元进行数据构建,即按照时间的顺序将搜集到的数据进行整合。时间单元可以基于毫秒、秒、分钟等,时间单元可以和收集的频率可以不一致。
S003数据特征化步骤,将通过数据整理步骤得到的数据进行总结和抽取,获取特征化后的数据。
由于在后续的处理步骤中需要对数据进行处理和计算,为了便于计算和识别数据的特征,首先需要对整理后的数据进行特征化以便于显现所述数据的各种特征从而便于计算和识别。
在本步骤中,对于数据的总结和抽取包括滚动聚合。所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差。如图4所示,例如t1节点,设定时间窗是3,它的滚动聚合就是计算t1节点以及在所述t1节点之间的3个节点的总和、均值或者标准差。
在本步骤中,为了能够对学习算法提供更好,甚至是附加的学习和预测能力,需要更多变量数据,发明从基于时间序列的电池数据进行总结和抽取,从而将初始的S001中的特征变量进行扩展。例如,在步骤S001中具有126个特征变量时,在本示例中,进行扩展的数据主要是两类:第一大类是对初始126个特征变量根据滚动聚合的均值,增加126-2=124个;第二类是对初始的126个特征变量根据滚动聚合的标准差,增加126-2=124个;这样最后获得的变量为126+124+124=374个。这样就能够提供更多变量数据,从而有利于学习算法提供更好和预测能力。
S004目标确定步骤,计算用于学习的RUL值。
对于每一条电池数据的采集记录,经过特征后,需要进行目标值,即SOH的计算。
第一步:得到电池出厂数据,用于计第二部和第三部中的SOH
·电池容量Cap_BOL(由电池厂提供);
·电池容量与温度的对应关系表(由电池厂提供);
若无法提供,通过数据去学习温度T与电池容量Cap关系表(充电时SOC从20%以下到100%);
·电池理想工况下循环次数与容量衰减的对应关系表(由电池厂提供);
注明:理想情况:1C放电,0.5C充电,25℃,放电到0%SOC,一次充放电算循环一次。
第二步:统计t时刻的SOH
从电池出厂开始运行时开始统计吞吐量其中Δt为采样时间间隔,包含了所有的充电和放电过程,充电时It为负,放电时It为正。由于在电池的实际运作过程中并不处于25℃,1C放电,0.5C充电,满充满放的理想情况下,所以需要根据当前实际的SOC,T,C,通过查第一步的容量和温度对应关系表得到衰减系数P,故实际吞吐量为此时电池的理想状态下充放电循环次数为然后依据循环次数与容量衰减Cap Fade Curve查出Nt对应的Capt,t时刻的SOH可表示为
第三步:捕捉SOC从20%以下充电到100%
此过程主要用于校验用,对第二步的SOH进行校验。
以一次有效捕捉为例:记充电开始的信息:时间t0,SOC0,记充电结束的信息:时间t1,SOC1=100,温度T1,电压V1计算步骤如下:
首先计算电池容量:Cap0=ΣtIt*Δt,其中△t为采集时间间隔,充电过程中对电流I按时间t积分,其中电池能量:W0=∑tV3tIt*Δt;其中V3t为动力电池负载端总电压,因为电池SOC是从SOC0(非放空状态)充电到100%,故需要跟理想情况下SOC从0充电到100%作对比,故需要做一次折算,公式如下:
因为SOC充电到100%时温度是T1,而需要跟理想情况下25℃作对比,故需要做第二次运算,系数q根据查电池容量与温度的对应关系表所得:
评估充电充满时的电压一致性,单体电压极差和电压标准差,对容量衰减的原因进行一致性方面的分析,若Cap2低可能是一致性差,故需先评估一致性,若一致性好,Cap2低是因为本身电池性能变差;得到本次充电充满时的SOH为:
第四步:计算RUL
利用以下公式通过SOH换算得到RUL
1.根据建立的SOH预测模型,得到t时刻为止循环次数Nt和SOHt;
2.剩余循环次数N1按如下公式计算:
N1=N2-Nt;
其中N2为初始的循环次数
3.其中剩余使用天数RUL按照如下公式计算:
其中RUL为剩余使用的天数,Nt为累计使用次数,即为初始循环次数和剩余循环次数的插值,D为累计已经使用天数。
通过上述四个步骤,对每个电池数据都进行了RUL的计算,确定了学习的目标。
S005数据计算步骤,首先基于特征化后的数据建立电池RUL预测的模型。
对于电池RUL预测的问题,本具体实施方式中采用非线性混合效应模型和生存模型来建立所述电池预测RUL模型。
该模型从一组样本数据出发,确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验,并从影响某一特定变量的诸多变量中找出哪些变量的影响显著,哪些不显著。
以t时刻的RULt作为Y,对每个电池数据从时间上进行标签化;把输入的电池数据设为x;
其中非线性混合效应模型,是线性混合效应模型的一种扩展,其固定效应和随机效应部分均可以以非线性的形式纳入模型,相对于线性模型的正太假定,非线性模型对资料的分布无特殊要求,资料可以是正太,也可以是二项分布、Poisson分布,同时非线性混合效应模型在对缺失数据的处理上具有更好的稳健性。其算法的模型为Y=f(x+Φ)+e,其中f()为非线性函数,Φ=Aβ+Bb,其中A,B为设计的矩阵,β为固定效应参数向量和b为随机效应参数向量,e为误差向量。其参数估计可以通过伪数据步和线性混合效应步两步之间的迭代完成,可分别使用Gauss-Newton迭代法和EM算法解决。
其中生存分析就是用来研究生存时间的分布规律以及生存时间和相关因素之间关系,根据试验或调查得到的数据,对生物或人等的生存时间进行分析和推断。生存分析的研究集中在预测反应的概率、生存概率、平均寿命。主要方法有:描述法、非参数法、参数法、半参数法。其中描述法根据样本观测值提供的信息,直接用公式计算出每一个时间点或每一个时间区间上的生存函数、死亡函数、风险函数等,并采用列表或绘图的形式显示生存时间的分布规律;非参数法估计生存函数时对生存时间的分布没有要求,并且检验危险因素对生存时间的影响时采用的是非参数检验方法;参数法根据样本观测值来估计假定的分布模型中的参数,获得生存时间的概率分布模型;半参数法不需要对生存时间的分布做出假定,但是却可以通过一个模型来分析生存时间的分布规律,以及危险因素对生存时间的影响。生存模型算法中其中t为电池的使用时间,x为基于时间序列的电池数据,f(x)为研究对象生存时间分布的概率密度函数,S(t)为研究对象生存时间长于t的概率。RUL的算法模型为Y=f(S(t),x),其中f()为生存算法模型。
S006训练验证步骤,对模型进行训练和验证以优化该自适应模型。
在建立上述模型的基础上,需要进行训练和验证的工作来优化模型。以便提高模型的准确性。
在本具体实施方式中,所述训练验证步骤优选包括交叉验证和少数类采样。
所述交叉验证方法中对于各个模型的参数框架进行优化。算法的可靠性依赖参数框架,就是说哪些电池数据对于产生的结果是最有效的。
在本具体实施方式中,为了提高参数框架的质量,首先把原始的数据随机分成K个部分。在这K个部分中,选择其中一个部分作为测试数据,剩下的K-1个部分作为训练数据得到相应的实验结果。然后,挑选另外一个部分作为测试数据,剩下的K-1个部分作为训练数据,以此类推,重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均,所述实验结果可以为预测值和校验值的差值,使得差值越小越好,从而确定最佳的分类,实现模型的训练。
所述少数类采样是针对一类数据仅仅有很少数量的训练样本时,数据集不平衡的情况时采用的。当一类数据仅仅有少量的训练样本时,本具体实施方式中可以通过将少数的样本数据合成新的少数类样本数据来进行模型的训练。例如在电池的数据收集中,当只采集到少量样本时,为了从少量数据中产生更多进行机器学***衡导致的过拟合或者扭曲。
S007算法评估步骤,评估数据在不同算法下的预测结果,基于评估选择最优的算法。
在电池RUL预测中,基于不同的预测目标或者是不同的数据源,采用不同的算法所得到的结果也是不同的,这样就需要针对不同的情况选择较佳的算法。
通常在RUL预测中,可以使用预测值和S004中的校验值的差值,评估预测结果,比较在不同情况下采用不同的算法所得到的结果是否最优,从而选择最优的算法。
其中,差值是针对预测结果而言所述模型预测电池RUL和校验值的差距是多少,一般是越低越好。
本发明的有益效果为:通过简便的数据清洗方式得到干净数据,而后利用机器学习的不同模型,选择不同算法进行匹配验证,并进行发布,成为结构化的产品,并随着时间累积和数据丰富,模型的预测准确性会不断提升。
附图说明
图1是轨道交通电池RUL预测实施方式;
图2是本发明的***结构框图;
图3是本发明的大数据机器学习框图;
图4是本发明中滚动聚合原理图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1-4所示:
一种通过大数据预测轨交锂电池RUL的方法,它包括以下步骤:
S001数据准备步骤,获取与轨道交通电池使用相关的数据。
在本步骤中,所述轨道交通电池的数据包括轨道交通的监控数据,监控数据每十秒采集一次,在轨道交通的不同整车状态中,例如行驶、充电过程中,都会产生。所述电池的监控数据包括在正常使用时与电池相关的电池自身数据以及轨道交通状态数据,一共超过200个数据变量。
所述电池的使用数据均是基于时间序列的流式数据,包括进行机器学习相关的电流、电压、温度、剩余电量(SOC)等。相关的数据内容如下表所示。
S002数据整理步骤,对所述轨道交通电池使用相关的数据进行清洗并将清洗后的所述轨道交通电池使用相关的数据基于时间单元进行数据构建。
数据清洗方法:
将空余赋值、错值、交叉检验得到的逻辑不合理或者相互矛盾的数据以空值代替,而后将这些带有空值的数据导入Matlab中,通过Matlab自动填补所有空值。Matlab填补空值的逻辑是利用空值前后多个数据产生平滑曲线,而后得到该空值的替换值。虽然该方式具有一定的误差,但自动化程度很高,节省了大量计算时间。
空余赋值:电池数据在传输过程中,很容易发生掉包导致变量缺失。
错值:通过设定轨道交通电池使用相关数据的每个变量的合理取值范围,即阈值,检查数据是否合乎要求,将超出正常范围的数据定义为错值。
清洗数据之后,基于时间单元进行数据构建,即按照时间的顺序将搜集到的数据进行整合。时间单元可以基于毫秒、秒、分钟等,时间单元可以和收集的频率可以不一致。
S003数据特征化步骤,将通过数据整理步骤得到的数据进行总结和抽取,获取特征化后的数据。
由于在后续的处理步骤中需要对数据进行处理和计算,为了便于计算和识别数据的特征,首先需要对整理后的数据进行特征化以便于显现所述数据的各种特征从而便于计算和识别。
在本步骤中,对于数据的总结和抽取包括滚动聚合。所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差。如图4所示,例如t1节点,设定时间窗是3,它的滚动聚合就是计算t1节点以及在所述t1节点之间的3个节点的总和、均值或者标准差。
在本步骤中,为了能够对学习算法提供更好,甚至是附加的学习和预测能力,需要更多变量数据,发明从基于时间序列的电池数据进行总结和抽取,从而将初始的S001中的特征变量进行扩展。例如,在步骤S001中具有126个特征变量时,在本示例中,进行扩展的数据主要是两类:第一大类是对初始126个特征变量根据滚动聚合的均值,增加126-2=124个;第二类是对初始的126个特征变量根据滚动聚合的标准差,增加126-2=124个;这样最后获得的变量为126+124+124=374个。这样就能够提供更多变量数据,从而有利于学习算法提供更好和预测能力。
S004目标确定步骤,计算用于学习的RUL值。
对于每一条电池数据的采集记录,经过特征后,需要进行目标值,即SOH的计算。
第一步:得到电池出厂数据,用于计第二部和第三部中的SOH
·电池容量Cap_BOL(由电池厂提供);
·电池容量与温度的对应关系表(由电池厂提供);
若无法提供,通过数据去学习温度T与电池容量Cap关系表(充电时SOC从20%以下到100%);
·电池理想工况下循环次数与容量衰减的对应关系表(由电池厂提供);
注明:理想情况:1C放电,0.5C充电,25℃,放电到0%SOC,一次充放电算循环一次。
第二步:统计t时刻的SOH
从电池出厂开始运行时开始统计吞吐量其中Δt为采样时间间隔,包含了所有的充电和放电过程,充电时It为负,放电时It为正。由于在电池的实际运作过程中并不处于25℃,1C放电,0.5C充电,满充满放的理想情况下,所以需要根据当前实际的SOC,T,C,通过查第一步的容量和温度对应关系表得到衰减系数P,故实际吞吐量为此时电池的理想状态下充放电循环次数为然后依据循环次数与容量衰减Cap Fade Curve查出Nt对应的Capt,t时刻的SOH可表示为
第三步:捕捉SOC从20%以下充电到100%
此过程主要用于校验用,对第二步的SOH进行校验。
以一次有效捕捉为例:记充电开始的信息:时间t0,SOC0,记充电结束的信息:时间t1,SOC1=100,温度T1,电压V1计算步骤如下:
首先计算电池容量:Cap0=ΣtIt*Δt,其中△t为采集时间间隔,充电过程中对电流I按时间t积分,其中电池能量:W0=∑tV3tIt*Δt;其中V3t为动力电池负载端总电压,因为电池SOC是从SOC0(非放空状态)充电到100%,故需要跟理想情况下SOC从0充电到100%作对比,故需要做一次折算,公式如下:
因为SOC充电到100%时温度是T1,而需要跟理想情况下25℃作对比,故需要做第二次运算,系数q根据查电池容量与温度的对应关系表所得:
评估充电充满时的电压一致性,单体电压极差和电压标准差,对容量衰减的原因进行一致性方面的分析,若Cap2低可能是一致性差,故需先评估一致性,若一致性好,Cap2低是因为本身电池性能变差;得到本次充电充满时的SOH为:
第四步:计算RUL
利用以下公式通过SOH换算得到RUL
1.根据建立的SOH预测模型,得到t时刻为止循环次数Nt和SOHt;
2.剩余循环次数N1按如下公式计算:
N1=N2-Nt;
其中N2为初始的循环次数
3.其中剩余使用天数RUL按照如下公式计算:
其中RUL为剩余使用的天数,Nt为累计使用次数,即为初始循环次数和剩余循环次数的插值,D为累计已经使用天数。
通过上述四个步骤,对每个电池数据都进行了RUL的计算,确定了学习的目标。
S005数据计算步骤,首先基于特征化后的数据建立电池RUL预测的模型。
对于电池RUL预测的问题,本具体实施方式中采用非线性混合效应模型和生存模型来建立所述电池预测RUL模型。
该模型从一组样本数据出发,确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验,并从影响某一特定变量的诸多变量中找出哪些变量的影响显著,哪些不显著。
以t时刻的RULt作为Y,对每个电池数据从时间上进行标签化;把输入的电池数据设为x;
其中非线性混合效应模型,是线性混合效应模型的一种扩展,其固定效应和随机效应部分均可以以非线性的形式纳入模型,相对于线性模型的正太假定,非线性模型对资料的分布无特殊要求,资料可以是正太,也可以是二项分布、Poisson分布,同时非线性混合效应模型在对缺失数据的处理上具有更好的稳健性。其算法的模型为Y=f(x+Φ)+e,其中f()为非线性函数,Φ=Aβ+Bb,其中A,B为设计的矩阵,β为固定效应参数向量和b为随机效应参数向量,e为误差向量。其参数估计可以通过伪数据步和线性混合效应步两步之间的迭代完成,可分别使用Gauss-Newton迭代法和EM算法解决。
其中生存分析就是用来研究生存时间的分布规律以及生存时间和相关因素之间关系,根据试验或调查得到的数据,对生物或人等的生存时间进行分析和推断。生存分析的研究集中在预测反应的概率、生存概率、平均寿命。主要方法有:描述法、非参数法、参数法、半参数法。其中描述法根据样本观测值提供的信息,直接用公式计算出每一个时间点或每一个时间区间上的生存函数、死亡函数、风险函数等,并采用列表或绘图的形式显示生存时间的分布规律;非参数法估计生存函数时对生存时间的分布没有要求,并且检验危险因素对生存时间的影响时采用的是非参数检验方法;参数法根据样本观测值来估计假定的分布模型中的参数,获得生存时间的概率分布模型;半参数法不需要对生存时间的分布做出假定,但是却可以通过一个模型来分析生存时间的分布规律,以及危险因素对生存时间的影响。生存模型算法中其中t为电池的使用时间,x为基于时间序列的电池数据,f(x)为研究对象生存时间分布的概率密度函数,S(t)为研究对象生存时间长于t的概率。RUL的算法模型为Y=f(S(t),x),其中f()为生存算法模型。
S006训练验证步骤,对模型进行训练和验证以优化该自适应模型。
在建立上述模型的基础上,需要进行训练和验证的工作来优化模型。以便提高模型的准确性。
在本具体实施方式中,所述训练验证步骤优选包括交叉验证和少数类采样。
所述交叉验证方法中对于各个模型的参数框架进行优化。算法的可靠性依赖参数框架,就是说哪些电池数据对于产生的结果是最有效的。
在本具体实施方式中,为了提高参数框架的质量,首先把原始的数据随机分成K个部分。在这K个部分中,选择其中一个部分作为测试数据,剩下的K-1个部分作为训练数据得到相应的实验结果。然后,挑选另外一个部分作为测试数据,剩下的K-1个部分作为训练数据,以此类推,重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均,所述实验结果可以为预测值和校验值的差值,使得差值越小越好,从而确定最佳的分类,实现模型的训练。
所述少数类采样是针对一类数据仅仅有很少数量的训练样本时,数据集不平衡的情况时采用的。当一类数据仅仅有少量的训练样本时,本具体实施方式中可以通过将少数的样本数据合成新的少数类样本数据来进行模型的训练。例如在电池的数据收集中,当只采集到少量样本时,为了从少量数据中产生更多进行机器学***衡导致的过拟合或者扭曲。
S007算法评估步骤,评估数据在不同算法下的预测结果,基于评估选择最优的算法。
在电池RUL预测中,基于不同的预测目标或者是不同的数据源,采用不同的算法所得到的结果也是不同的,这样就需要针对不同的情况选择较佳的算法。
通常在RUL预测中,可以使用预测值和S004中的校验值的差值,评估预测结果,比较在不同情况下采用不同的算法所得到的结果是否最优,从而选择最优的算法。
其中,差值是针对预测结果而言所述模型预测电池RUL和校验值的差距是多少,一般是越低越好。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,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。
Claims (4)
1.一种通过大数据预测轨交锂电池RUL的方法,它包括以下步骤:
S001数据准备步骤,获取与轨道交通电池使用相关的数据;
S002数据整理步骤,对所述轨道交通电池使用相关的数据进行清洗并将清洗后的所述轨道交通电池使用相关的数据基于时间单元进行数据构建;
数据清洗方法:
将空余赋值、错值、交叉检验得到的逻辑不合理或者相互矛盾的数据以空值代替,而后将这些带有空值的数据导入Matlab中,通过Matlab自动填补所有空值;
S003数据特征化步骤,将通过数据整理步骤得到的数据进行总结和抽取,获取特征化后的数据;
S004目标确定步骤,计算用于学习的RUL值;
S005数据计算步骤,首先基于特征化后的数据建立电池RUL预测的模型;
S006训练验证步骤,对模型进行训练和验证以优化该自适应模型;
S007算法评估步骤,评估数据在不同算法下的预测结果,基于评估选择最优的算法。
2.根据权利要求1所述的一种通过大数据预测轨交锂电池RUL的方法,其特征在于:步骤001中,所述轨道交通电池使用相关数据包括故障维修数据和电池的使用数据;其中,所述故障维修数据包括电池发生故障前的数据记录和/或电池的维修数据;所述电池的使用数据包括在正常使用时与电池相关的电池自身数据以及轨道交通状态数据;所述故障维修数据、电池的使用数据均是基于时间序列的流式数据;以及依据经验公式计算得到的t时刻RULt。
3.根据权利要求2所述的一种通过大数据预测轨交锂电池RUL的方法,其特征在于:步骤003中,对于数据的总结和抽取包括滚动聚合,所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差;所述总结和抽取还包括将特征变量进行扩展,所述扩展包括对初始特征变量根据滚动聚合的均值增加相应的个数,以及对初始特征变量根据滚动聚合的标准差增加相应个数。
4.根据权利要求3所述的一种通过大数据预测轨交锂电池RUL的方法,其特征在于:步骤004中,对于每一条电池数据的采集记录,经过特征后,需要进行目标值,即SOH的计算;
第一步:得到电池出厂数据,用于计第二部和第三部中的SOH
·电池容量Cap_BOL(由电池厂提供);
·电池容量与温度的对应关系表(由电池厂提供);
若无法提供,通过数据去学习温度T与电池容量Cap关系表(充电时SOC从20%以下到100%);
·电池理想工况下循环次数与容量衰减的对应关系表(由电池厂提供);
注明:理想情况:1C放电,0.5C充电,25℃,放电到0%SOC,一次充放电算循环一次。
第二步:统计t时刻的SOH
从电池出厂开始运行时开始统计吞吐量其中Δt为采样时间间隔,包含了所有的充电和放电过程,充电时It为负,放电时It为正。由于在电池的实际运作过程中并不处于25℃,1C放电,0.5C充电,满充满放的理想情况下,所以需要根据当前实际的SOC,T,C,通过查第一步的容量和温度对应关系表得到衰减系数P,故实际吞吐量为此时电池的理想状态下充放电循环次数为然后依据循环次数与容量衰减Cap Fade Curve查出Nt对应的Capt,t时刻的SOH可表示为
第三步:捕捉SOC从20%以下充电到100%
此过程主要用于校验用,对第二步的SOH进行校验;
以一次有效捕捉为例:记充电开始的信息:时间t0,SOC0,记充电结束的信息:时间t1,SOC1=100,温度T1,电压V1计算步骤如下:
首先计算电池容量:Cap0=∑tIt*Δt,其中Δt为采集时间间隔,充电过程中对电流I按时间t积分,其中电池能量:W0=∑tV3tIt*Δt;其中V3t为动力电池负载端总电压,因为电池SOC是从SOC0(非放空状态)充电到100%,故需要跟理想情况下SOC从0充电到100%作对比,故需要做一次折算,公式如下:
因为SOC充电到100%时温度是T1,而需要跟理想情况下25℃作对比,故需要做第二次运算,系数q根据查电池容量与温度的对应关系表所得:
评估充电充满时的电压一致性,单体电压极差和电压标准差,对容量衰减的原因进行一致性方面的分析,若Cap2低可能是一致性差,故需先评估一致性,若一致性好,Cap2低是因为本身电池性能变差;得到本次充电充满时的SOH为:
第四步:计算RUL
利用以下公式通过SOH换算得到RUL
1.根据建立的SOH预测模型,得到t时刻为止循环次数Nt和SOHt;
2.剩余循环次数N1按如下公式计算:
N1=N2-Nt;
其中N2为初始的循环次数
3.其中剩余使用天数RUL按照如下公式计算:
其中RUL为剩余使用的天数,Nt为累计使用次数,即为初始循环次数和剩余循环次数的插值,D为累计已经使用天数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914085.7A CN110596595A (zh) | 2019-09-25 | 2019-09-25 | 一种通过大数据预测轨交锂电池rul的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914085.7A CN110596595A (zh) | 2019-09-25 | 2019-09-25 | 一种通过大数据预测轨交锂电池rul的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110596595A true CN110596595A (zh) | 2019-12-20 |
Family
ID=68863456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910914085.7A Pending CN110596595A (zh) | 2019-09-25 | 2019-09-25 | 一种通过大数据预测轨交锂电池rul的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596595A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359050A (zh) * | 2021-06-01 | 2021-09-07 | 瓴盛科技有限公司 | 充电电池老化校准方法、设备及计算机可读介质 |
CN113884961A (zh) * | 2021-09-23 | 2022-01-04 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
CN108088916A (zh) * | 2017-12-05 | 2018-05-29 | 国网山东省电力公司电力科学研究院 | 一种油中溶解气体在线监测数据质量的提升方法及*** |
CN109684320A (zh) * | 2018-12-25 | 2019-04-26 | 清华大学 | 监测数据在线清洗的方法和设备 |
CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
CN109934408A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法 |
CN109993380A (zh) * | 2017-12-29 | 2019-07-09 | ***通信集团黑龙江有限公司 | 一种信息处理方法、装置和计算机可读存储介质 |
-
2019
- 2019-09-25 CN CN201910914085.7A patent/CN110596595A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
CN108088916A (zh) * | 2017-12-05 | 2018-05-29 | 国网山东省电力公司电力科学研究院 | 一种油中溶解气体在线监测数据质量的提升方法及*** |
CN109993380A (zh) * | 2017-12-29 | 2019-07-09 | ***通信集团黑龙江有限公司 | 一种信息处理方法、装置和计算机可读存储介质 |
CN109684320A (zh) * | 2018-12-25 | 2019-04-26 | 清华大学 | 监测数据在线清洗的方法和设备 |
CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
CN109934408A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359050A (zh) * | 2021-06-01 | 2021-09-07 | 瓴盛科技有限公司 | 充电电池老化校准方法、设备及计算机可读介质 |
CN113884961A (zh) * | 2021-09-23 | 2022-01-04 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
WO2023045790A1 (zh) * | 2021-09-23 | 2023-03-30 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN113884961B (zh) * | 2021-09-23 | 2023-09-19 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tagade et al. | Deep Gaussian process regression for lithium-ion battery health prognosis and degradation mode diagnosis | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
CN110850297A (zh) | 一种通过大数据预测轨交锂电池soh的方法 | |
CN109934294A (zh) | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 | |
CN109934408A (zh) | 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法 | |
WO2016107246A1 (zh) | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 | |
CN108664700B (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN110609233A (zh) | 一种基于大数据进行储能电池soh预测的方法 | |
CN114651183A (zh) | 电池性能预测 | |
CN113030763A (zh) | 一种车用动力电池一致性差异的潜在风险诊断*** | |
US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
CN114236393B (zh) | 基于大数据的在线检测电池异常的方法及*** | |
CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
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*** | |
CN111983459A (zh) | 一种基于车用锂离子电池的健康状态测试评估方法 | |
CN110596595A (zh) | 一种通过大数据预测轨交锂电池rul的方法 | |
CN114462259B (zh) | 基于soc的电池剩余寿命预测方法、***、汽车及介质 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及*** | |
CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN114545234A (zh) | 一种基于电池温度梯度变化监测电池状态的方法 | |
Li et al. | Dynamic data-driven identification of battery state-of-charge via symbolic analysis of input–output pairs | |
Namdari et al. | An entropy-based approach for modeling lithium-ion battery capacity fade | |
CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
CN113820615A (zh) | 一种电池健康度检测方法与装置 |
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 |