CN110850298B - 基于数据驱动的锂电池soh估计方法及*** - Google Patents

基于数据驱动的锂电池soh估计方法及*** Download PDF

Info

Publication number
CN110850298B
CN110850298B CN201911038721.0A CN201911038721A CN110850298B CN 110850298 B CN110850298 B CN 110850298B CN 201911038721 A CN201911038721 A CN 201911038721A CN 110850298 B CN110850298 B CN 110850298B
Authority
CN
China
Prior art keywords
network
battery
data
input
fuzzy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911038721.0A
Other languages
English (en)
Other versions
CN110850298A (zh
Inventor
张希
刘良俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201911038721.0A priority Critical patent/CN110850298B/zh
Publication of CN110850298A publication Critical patent/CN110850298A/zh
Application granted granted Critical
Publication of CN110850298B publication Critical patent/CN110850298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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
    • 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

Landscapes

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

Abstract

本发明提供了一种基于数据驱动的锂电池SOH估计方法及***，包括：步骤1：采集BMS单元记录的锂离子电池近期数据包序列；步骤2：将采集到的数据进行数据清洗，对数据进行归一化处理；步骤3：将锂离子电池的负载电流、温度、SOC数据作为模糊神经网络的输入；步骤4：建立模糊神经网络结构，确定各层节点的个数；步骤5：正向传递得到网络的输出误差；调整网络参数以最小化网络输出误差；步骤6：计算网络预测误差，评估网络刻画电池动态特性的准确程度；步骤7：得到电池的虚拟电压响应曲线，进而计算出电池的容量。本发明不需要基于具体的物理模型，而是基于数据建模，可以缩短建模时间。

Description

基于数据驱动的锂电池SOH估计方法及***
技术领域
本发明涉及电池管理***领域，具体地，涉及基于数据驱动的锂电池SOH估计方法及***。
背景技术
在当今社会能源问题和环境问题日益严重的背景下，混合动力汽车和纯电动汽车等新能源汽车正在逐渐成为汽车行业的行业主流。锂离子电池是电动汽车重要的核心组件。电池管理***(BMS)的作用就是为了保障电池的安全稳定运行。由于电池的状态量，如电池的容量、内阻等，并不能由车载传感器直接测得。所以，BMS为了实现对电池的管理和监控，就只能通过车载传感器能够直接测量的信号，如电池的端电压、电池的负载电流以及电池表面的温度，对电池的状态进行间接估计。另外，我国即将迎来车载锂离子动力电池退役高峰，届时将有大量的锂离子电池被梯次利用。锂离子电池容量损失量不同，其被二次利用的场合也不同。所以，在对退役锂电池进行梯度利用前，需要对电池进行容量测试和内阻测试。国内外估算电池SOH的方法主要有实验分析法和基于电池模型的方法。实验分析法通过对电池进行标准的测试实验来估计SOH。基于模型的方法会建立一个锂离子电池的动态模型，基于这个模型进行参数辨识和状态辨识。锂电池动态模型有等效电路模型和电化学模型。锂电池的等效电路参数多使用最小二乘法进行辨识。而电化学模型的参数辨识多使用粒子群算法和遗传算法等适合于优化高度非线性目标函数的优化算法。
使用实验分析法来估计SOH，相对直接，精度较高，但需要化学工作站等专业实验设备价格昂贵，且测试所需时间较长。在即将有大量锂电池退役，有待进行测试的背景下，会极大影响锂离子电池梯次利用的效率。等效电路模型较为简单，计算效率高，但其是对电池动态特性的近似刻画，模型精度相对较低。电化学模型能对电池的动态响应特性进行精确的描述，但其计算涉及多个偏微分方程，计算量较大，在车载BMS***上难以实现。
专利文献110095732A公开了一种考虑环境湿度对内阻影响的锂电池SOH估计方法，(1)用控制变量的方法，测试得到电池在不同环境湿度下，以相同倍率、荷电状态、温度放电时电池内阻的变化曲线，拟合出环境湿度与电池内阻的变化公式；(2)在当前电池内阻的测定中加入自放电内阻影响因素，当环境中水分子密度变化时，根据电池自放电内阻和环境湿度的拟合关系，电池自放电内阻也相应增大或减小，使得电池内阻根据环境湿度的变化更新，从而得到锂电池SOH的估计公式。该方法针对基于数据驱动的锂电池SOH估计仍有待完善的空间。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于数据驱动的锂电池SOH估计方法及***。
根据本发明提供的一种基于数据驱动的锂电池SOH估计方法，包括：
步骤1：采集BMS单元记录的锂离子电池近期数据包序列，获取近期数据包信息；
步骤2：根据近期数据包信息，将采集到的数据进行数据清洗，去除数据异常点，补齐数据缺失点，并对数据进行归一化处理，获取归一化处理结果信息；
步骤3：根据归一化处理结果信息，将锂离子电池的负载电流、温度、SOC数据作为模糊神经网络的输入，将锂电池的端电压响应值作为网络的输出，将数据集划分为训练集和测试集两部分,获取输入输出特性信息；
步骤4：根据输入输出特性输入输出特性信息，建立模糊神经网络结构，确定各层节点的个数；
步骤5：将预处理过的电池负载电流、温度、SOC数据输入到随机初始化参数后的模糊神经网络结构中，正向传递得到网络的输出误差；调整网络参数以最小化网络输出误差；
步骤6：将测试集样本输入到训练好的模糊神经网路中，计算网络预测误差，评估网络刻画电池动态特性的准确程度；
步骤7：将标准的测试负载输入到训练好的模糊神经网络中，进行虚拟电池容量测试，得到电池的虚拟电压响应曲线，进而计算出电池的容量，获取锂电池SOH值刻画结果信息；
所述近期数据包包括：负载电流数据、端电压数据、温度数据以及SOC数据。
优选地，所述步骤2包括：
步骤2.1：进行数据清洗，将数据序列中严重偏离的数据点删除，该点处数据值由前后两个时刻的数据值进行线性差值得到；
步骤2.2：删除重复的冗余数据，对于冗余数据和缺失数据，均使用前一时刻和后一时刻的数据值的线性差值结果进行补齐；
步骤2.3：将数据集进行归一化处理，采用最大最小归一化进行计算：
Figure BDA0002252266390000031
式中，X指当前样本某一状态分量的取值，Xmin是所有样本的该状态分量的最小值，Xmax是所有样本的该状态分量的最大值。
优选地，所述步骤4包括：
步骤4.1：构造模糊神经网络第一层，将输入变量进行模糊化，记xi,i＝1,2,3为网络第i个输入分量；i＝1时，x1＝T(k)为温度这一输入分量，i＝2时，x2＝I(k)为电流这一输入分量，i＝3时，x3＝SOC(k)为SOC这一输入分量；第i个输入分量xi,i＝1,2,3对应的网络第一层第ki个节点的输出
Figure BDA0002252266390000032
的计算公式为：
Figure BDA0002252266390000033
式中，i＝1,2,3，
Figure BDA0002252266390000034
其中p为对温度这一输入x1＝T(k)划分的模糊子集个数，q为对电流这一输入x2＝I(k)划分的模糊子集个数，r为对SOC这一输入x3＝SOC(k)划分的模糊子集个数；式中
Figure BDA0002252266390000035
表示网络第一层第ki个节点的节点输出，该输出值等于
Figure BDA0002252266390000036
Figure BDA0002252266390000037
表示第i个输入分量xi隶属于模糊集合
Figure BDA0002252266390000038
的隶属度；本发明中隶属度函数用一般钟形隶属度函数刻画，其中
Figure BDA0002252266390000039
为属于模糊集合
Figure BDA00022522663900000310
的一般钟形隶属度函数的隶属度中心，
Figure BDA00022522663900000311
为属于模糊集合
Figure BDA00022522663900000312
的一般钟形隶属度函数的标准差，
Figure BDA00022522663900000313
参数用于控制一般钟形隶属度函数曲线的宽度；
步骤4.2：构造模糊神经网络第二层，采用一阶Sugeno模糊规则，共有p·q·r条模糊规则；模糊规则如下：
Figure BDA0002252266390000041
网络第二层第i个节点的输出
Figure BDA0002252266390000042
的计算公式为：
Figure BDA0002252266390000043
式中将
Figure BDA0002252266390000044
记为
Figure BDA0002252266390000045
Figure BDA0002252266390000046
表示网络第二层第i个节点的输出,其值等于
Figure BDA0002252266390000047
Figure BDA0002252266390000048
表示当前的网络输入x＝(x1,x2,x3)对于规则
Figure BDA0002252266390000049
的契合程度；A1,A2,…,Ai,…,Ap表示对温度这一输入x1＝T(k)划分的所有模糊子集，
Figure BDA00022522663900000410
表示对温度这一输入划分的第k1个(k1＝1,2,…,p)模糊子集；
Figure BDA00022522663900000411
表示对电流这一输入x2＝I(k)划分的所有模糊子集，Bk2表示对电流这一输入划分的第k2个(k2＝1,2,…,q)模糊子集；
Figure BDA00022522663900000412
表示对SOC这一输入x3＝SOC(k)划分的所有模糊子集，
Figure BDA00022522663900000413
表示对SOC这一输入划分的第k3个(k3＝1,2,…,r)模糊子集；
Figure BDA00022522663900000414
为网络第一层第ki个节点的输出；
步骤4.3：构造模糊神经网络第三层，网络第三层第i个节点的输出
Figure BDA00022522663900000415
的计算公式为：
Figure BDA00022522663900000416
步骤4.4：构造模糊神经网络第四层，网络第四层第i个节点的输出
Figure BDA00022522663900000417
的计算公式为：
Figure BDA00022522663900000418
步骤4.5：构造模糊神经网络第五层，网络第五层第i个节点的输出
Figure BDA0002252266390000051
的计算公式为：
Figure BDA0002252266390000052
模糊神经网络的输入和输出关系为：
Figure BDA0002252266390000053
其中，g(θ,x)表示网络的输入x和输出y之间的函数关系，θ表示网络中待训练的参数。
优选地，所述步骤5包括：
步骤5.1：对于给定的n个样本(xi,yi)，将输入xi向量输入到网络中；当输入正向传递到网络第四层时暂停计算，得到每一条模糊规则对应的经过网络第三层归一化之后的适用度
Figure BDA0002252266390000054
步骤5.2：固定网络的条件参数
Figure BDA0002252266390000055
其中，
Figure BDA0002252266390000056
网络的结论参数为：
Figure BDA0002252266390000057
其中，
Figure BDA0002252266390000058
网络的输出可以改写为：
Figure BDA0002252266390000061
矩阵A,θc,y的形状分别为：n×m,m×1,n×1，其中m＝p+q+r；
另外，
Figure BDA0002252266390000062
为一行向量，i表示第i个样本，j表示对应第j条模糊规则，
Figure BDA0002252266390000063
表示第i个样本作为单元输入时，归一化后的第j条模糊规则对应的适用度；
Figure BDA0002252266390000064
表示第j条模糊规则对应的结论参数向量，设第j条模糊规则的条件(前件)为：
Figure BDA0002252266390000065
则此时
Figure BDA0002252266390000066
和前文中的
Figure BDA0002252266390000067
表示的是同一个量；另外n为样本(xi,yi),i＝1,2,…,n的总数，m＝p+q+r为模糊规则的总数；
得到使均方差最小，即min||Aθc-y||,y＝(y1,y2,…,yn)T意义下的结论参数向量θc的最佳估计
Figure BDA0002252266390000068
即：
Figure BDA0002252266390000069
获取结论参数向量计算结果信息；
步骤5.3：根据结论参数向量计算结果信息，将计算出的结论参数向量
Figure BDA00022522663900000610
固定，输入从网络第四层开始继续正向传递，直至传递到输出层(即网络第五层)，得到网络的输出
Figure BDA00022522663900000611
按照均方误差准则(MSE)计算网络输出的误差：
Figure BDA00022522663900000612
步骤5.4：根据S53中计算出的网络输出的误差，使用误差反传算法更新网络的条件参数θp；
步骤5.5：重复步骤5.1至步骤5.4，直到网络的误差低于预设值或达到限定训练轮次数。
优选地，包括：所述步骤7包括：
步骤7.1：采用恒流放电的方式，放电电流为0.3C，电池温度恒定为25℃，序列采样周期为1s，网络的输入序列为：
Figure BDA0002252266390000071
其中，SOC序列由安时积分法得到，即：
Figure BDA0002252266390000072
其中，SOCinit表示电池的SOC初值，设定为100％，η表示电池的充放电库伦效率，其值一般通过实验确定，认为其值为电池出厂时的值不变，可以取其值为电池制造商所提供的值，或者为BMS单元中所设定的电池充放电库伦效率值；Cmax是电池的最大可用容量，设定为最近一次对电池进行SOH估计后得到的电池容量；
将的输入序列持续输入给模糊神经网络，直至网络的输出即估计的电池端电压响应值达到设定的截止电压；对电流进行积分，得到总的电池放电库仑数，以此值作为对电池容量的估计，并以此值定义电池的SOH，获取锂电池SOH值刻画结果信息。
根据本发明提供的一种基于数据驱动的锂电池SOH估计***，包括：
模块1：采集BMS单元记录的锂离子电池近期数据包序列，获取近期数据包信息；
模块2：根据近期数据包信息，将采集到的数据进行数据清洗，去除数据异常点，补齐数据缺失点，并对数据进行归一化处理，获取归一化处理结果信息；
模块3：根据归一化处理结果信息，将锂离子电池的负载电流、温度、SOC数据作为模糊神经网络的输入，将锂电池的端电压响应值作为网络的输出，将数据集划分为训练集和测试集两部分,获取输入输出特性信息；
模块4：根据输入输出特性输入输出特性信息，建立模糊神经网络结构，确定各层节点的个数；
模块5：将预处理过的电池负载电流、温度、SOC数据输入到随机初始化参数后的模糊神经网络结构中，正向传递得到网络的输出误差；调整网络参数以最小化网络输出误差；
模块6：将测试集样本输入到训练好的模糊神经网路中，计算网络预测误差，评估网络刻画电池动态特性的准确程度；
模块7：将标准的测试负载输入到训练好的模糊神经网络中，进行虚拟电池容量测试，得到电池的虚拟电压响应曲线，进而计算出电池的容量，获取锂电池SOH值刻画结果信息；
所述近期数据包包括：负载电流数据、端电压数据、温度数据以及SOC数据。
优选地，所述模块2包括：
模块2.1：进行数据清洗，将数据序列中严重偏离的数据点删除，该点处数据值由前后两个时刻的数据值进行线性差值得到；
模块2.2：删除重复的冗余数据，对于冗余数据和缺失数据，均使用前一时刻和后一时刻的数据值的线性差值结果进行补齐；
模块2.3：将数据集进行归一化处理，采用最大最小归一化进行计算：
Figure BDA0002252266390000081
式中，X指当前样本某一状态分量的取值，Xmin是所有样本的该状态分量的最小值，Xmax是所有样本的该状态分量的最大值。
优选地，所述模块4包括：
模块4.1：构造模糊神经网络第一层，将输入变量进行模糊化，记xi,i＝1,2,3为网络第i个输入分量；i＝1时，x1＝T(k)为温度这一输入分量，i＝2时，x2＝I(k)为电流这一输入分量，i＝3时，x3＝SOC(k)为SOC这一输入分量；第i个输入分量xi,i＝1,2,3对应的网络第一层第ki个节点的输出
Figure BDA0002252266390000082
的计算公式为：
Figure BDA0002252266390000083
式中，i＝1,2,3，
Figure BDA0002252266390000084
其中p为对温度这一输入x1＝T(k)划分的模糊子集个数，q为对电流这一输入x2＝I(k)划分的模糊子集个数，r为对SOC这一输入x3＝SOC(k)划分的模糊子集个数；式中
Figure BDA0002252266390000085
表示网络第一层第ki个节点的节点输出，该输出值等于
Figure BDA0002252266390000086
Figure BDA0002252266390000087
表示第i个输入分量xi隶属于模糊集合
Figure BDA0002252266390000088
的隶属度；本发明中隶属度函数用一般钟形隶属度函数刻画，其中
Figure BDA0002252266390000089
为属于模糊集合
Figure BDA00022522663900000810
的一般钟形隶属度函数的隶属度中心，
Figure BDA00022522663900000811
为属于模糊集合
Figure BDA00022522663900000812
的一般钟形隶属度函数的标准差，
Figure BDA0002252266390000091
参数用于控制一般钟形隶属度函数曲线的宽度；
模块4.2：构造模糊神经网络第二层，采用一阶Sugeno模糊规则，共有p·q·r条模糊规则；模糊规则如下：
Figure BDA0002252266390000092
网络第二层第i个节点的输出
Figure BDA0002252266390000093
的计算公式为：
Figure BDA0002252266390000094
式中将
Figure BDA0002252266390000095
记为
Figure BDA0002252266390000096
Figure BDA00022522663900000918
表示网络第二层第i个节点的输出,其值等于
Figure BDA0002252266390000097
Figure BDA0002252266390000098
表示当前的网络输入x＝(x1,x2,x3)对于规则
Figure BDA0002252266390000099
的契合程度；A1,A2,…,Ai,…,Ap表示对温度这一输入x1＝T(k)划分的所有模糊子集，
Figure BDA00022522663900000910
表示对温度这一输入划分的第k1个(k1＝1,2,…,p)模糊子集；
Figure BDA00022522663900000911
表示对电流这一输入x2＝I(k)划分的所有模糊子集，
Figure BDA00022522663900000912
表示对电流这一输入划分的第k2个(k2＝1,2,…,q)模糊子集；
Figure BDA00022522663900000913
表示对SOC这一输入x3＝SOC(k)划分的所有模糊子集，Ck3表示对SOC这一输入划分的第k3个(k3＝1,2,…,r)模糊子集；
Figure BDA00022522663900000914
为网络第一层第ki个节点的输出；
模块4.3：构造模糊神经网络第三层，网络第三层第i个节点的输出
Figure BDA00022522663900000915
的计算公式为：
Figure BDA00022522663900000916
模块4.4：构造模糊神经网络第四层，网络第四层第i个节点的输出
Figure BDA00022522663900000917
的计算公式为：
Figure BDA0002252266390000101
模块4.5：构造模糊神经网络第五层，网络第五层第i个节点的输出
Figure BDA0002252266390000102
的计算公式为：
Figure BDA0002252266390000103
模糊神经网络的输入和输出关系为：
Figure BDA0002252266390000104
其中，g(θ,x)表示网络的输入x和输出y之间的函数关系，θ表示网络中待训练的参数。
优选地，所述模块5包括：
模块5.1：对于给定的n个样本(xi,yi)，将输入xi向量输入到网络中；当输入正向传递到网络第四层时暂停计算，得到每一条模糊规则对应的经过网络第三层归一化之后的适用度
Figure BDA0002252266390000105
模块5.2：固定网络的条件参数
Figure BDA0002252266390000106
其中，
Figure BDA0002252266390000107
网络的结论参数为：
Figure BDA0002252266390000108
其中，
Figure BDA0002252266390000109
网络的输出可以改写为：
Figure BDA0002252266390000111
矩阵A,θc,y的形状分别为：n×m,m×1,n×1，其中m＝p+q+r；
另外，
Figure BDA0002252266390000112
为一行向量，i表示第i个样本，j表示对应第j条模糊规则，
Figure BDA0002252266390000113
表示第i个样本作为单元输入时，归一化后的第j条模糊规则对应的适用度；
Figure BDA0002252266390000114
表示第j条模糊规则对应的结论参数向量，设第j条模糊规则的条件(前件)为：
Figure BDA0002252266390000115
则此时
Figure BDA0002252266390000116
和前文中的
Figure BDA0002252266390000117
表示的是同一个量；另外n为样本(xi,yi),i＝1,2,…,n的总数，m＝p+q+r为模糊规则的总数；
得到使均方差最小，即min||Aθc-y||,y＝(y1,y2,…,yn)T意义下的结论参数向量θc的最佳估计
Figure BDA0002252266390000118
即：
Figure BDA0002252266390000119
获取结论参数向量计算结果信息；
模块5.3：根据结论参数向量计算结果信息，将计算出的结论参数向量
Figure BDA00022522663900001110
固定，输入从网络第四层开始继续正向传递，直至传递到输出层(即网络第五层)，得到网络的输出
Figure BDA00022522663900001111
按照均方误差准则(MSE)计算网络输出的误差：
Figure BDA00022522663900001112
模块5.4：根据S53中计算出的网络输出的误差，使用误差反传算法更新网络的条件参数θp；
模块5.5：重复模块5.1至模块5.4，直到网络的误差低于预设值或达到限定训练轮次数。
优选地，包括：所述模块7包括：
模块7.1：采用恒流放电的方式，放电电流为0.3C，电池温度恒定为25℃，序列采样周期为1s，网络的输入序列为：
Figure BDA0002252266390000121
其中，SOC序列由安时积分法得到，即：
Figure BDA0002252266390000122
其中，SOCinit表示电池的SOC初值，设定为100％，η表示电池的充放电库伦效率，其值一般通过实验确定，认为其值为电池出厂时的值不变，可以取其值为电池制造商所提供的值，或者为BMS单元中所设定的电池充放电库伦效率值；Cmax是电池的最大可用容量，设定为最近一次对电池进行SOH估计后得到的电池容量；
将的输入序列持续输入给模糊神经网络，直至网络的输出即估计的电池端电压响应值达到设定的截止电压；对电流进行积分，得到总的电池放电库仑数，以此值作为对电池容量的估计，并以此值定义电池的SOH，获取锂电池SOH值刻画结果信息。
与现有技术相比，本发明具有如下的有益效果：
1、本发明不需要使用化学工作站等专业实验设备，所需时间相对较短，成本相对较低；
2、本发明不需要基于具体的物理模型，而是基于数据建模，可以缩短建模时间；
3、本发明的计算时间适中，计算精度相对较高，在不牺牲精度的前提下，能够以相对较快的速度完成对电池SOH的估计
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例中数据获取流程示意图。
图2为本发明实施例中的获得电池容量和内阻的算法流程示意图。
图3为本发明实施例中的模糊神经网络节点示意图。
图4为本发明实施例中的模糊神经网络结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于数据驱动的锂电池SOH估计方法，包括：
步骤1：采集BMS单元记录的锂离子电池近期数据包序列，获取近期数据包信息；
步骤2：根据近期数据包信息，将采集到的数据进行数据清洗，去除数据异常点，补齐数据缺失点，并对数据进行归一化处理，获取归一化处理结果信息；
步骤3：根据归一化处理结果信息，将锂离子电池的负载电流、温度、SOC数据作为模糊神经网络的输入，将锂电池的端电压响应值作为网络的输出，将数据集划分为训练集和测试集两部分,获取输入输出特性信息；
步骤4：根据输入输出特性输入输出特性信息，建立模糊神经网络结构，确定各层节点的个数；
步骤5：将预处理过的电池负载电流、温度、SOC数据输入到随机初始化参数后的模糊神经网络结构中，正向传递得到网络的输出误差；调整网络参数以最小化网络输出误差；
步骤6：将测试集样本输入到训练好的模糊神经网路中，计算网络预测误差，评估网络刻画电池动态特性的准确程度；
步骤7：将标准的测试负载输入到训练好的模糊神经网络中，进行虚拟电池容量测试，得到电池的虚拟电压响应曲线，进而计算出电池的容量，获取锂电池SOH值刻画结果信息；
所述近期数据包包括：负载电流数据、端电压数据、温度数据以及SOC数据。
优选地，所述步骤2包括：
步骤2.1：进行数据清洗，将数据序列中严重偏离的数据点删除，该点处数据值由前后两个时刻的数据值进行线性差值得到；
步骤2.2：删除重复的冗余数据，对于冗余数据和缺失数据，均使用前一时刻和后一时刻的数据值的线性差值结果进行补齐；
步骤2.3：将数据集进行归一化处理，采用最大最小归一化进行计算：
Figure BDA0002252266390000131
式中，X指当前样本某一状态分量的取值，Xmin是所有样本的该状态分量的最小值，Xmax是所有样本的该状态分量的最大值。
优选地，所述步骤4包括：
步骤4.1：构造模糊神经网络第一层，将输入变量进行模糊化，记xi,i＝1,2,3为网络第i个输入分量；i＝1时，x1＝T(k)为温度这一输入分量，i＝2时，x2＝I(k)为电流这一输入分量，i＝3时，x3＝SOC(k)为SOC这一输入分量；第i个输入分量xi,i＝1,2,3对应的网络第一层第ki个节点的输出
Figure BDA0002252266390000141
的计算公式为：
Figure BDA0002252266390000142
式中，i＝1,2,3，
Figure BDA0002252266390000143
其中p为对温度这一输入x1＝T(k)划分的模糊子集个数，q为对电流这一输入x2＝I(k)划分的模糊子集个数，r为对SOC这一输入x3＝SOC(k)划分的模糊子集个数；式中
Figure BDA0002252266390000144
表示网络第一层第ki个节点的节点输出，该输出值等于
Figure BDA0002252266390000145
Figure BDA0002252266390000146
表示第i个输入分量xi隶属于模糊集合
Figure BDA0002252266390000147
的隶属度；本发明中隶属度函数用一般钟形隶属度函数刻画，其中
Figure BDA0002252266390000148
为属于模糊集合
Figure BDA0002252266390000149
的一般钟形隶属度函数的隶属度中心，
Figure BDA00022522663900001410
为属于模糊集合
Figure BDA00022522663900001411
的一般钟形隶属度函数的标准差，
Figure BDA00022522663900001412
参数用于控制一般钟形隶属度函数曲线的宽度；
步骤4.2：构造模糊神经网络第二层，采用一阶Sugeno模糊规则，共有p·q·r条模糊规则；模糊规则如下：
Figure BDA00022522663900001413
网络第二层第i个节点的输出
Figure BDA00022522663900001414
的计算公式为：
Figure BDA0002252266390000151
式中将
Figure BDA0002252266390000152
记为
Figure BDA0002252266390000153
Figure BDA0002252266390000154
表示网络第二层第i个节点的输出,其值等于
Figure BDA0002252266390000155
Figure BDA0002252266390000156
表示当前的网络输入x＝(x1,x2,x3)对于规则
Figure BDA0002252266390000157
的契合程度；A1,A2,…,Ai,…,Ap表示对温度这一输入x1＝T(k)划分的所有模糊子集，
Figure BDA0002252266390000158
表示对温度这一输入划分的第k1个(k1＝1,2,…,p)模糊子集；
Figure BDA0002252266390000159
表示对电流这一输入x2＝I(k)划分的所有模糊子集，
Figure BDA00022522663900001510
表示对电流这一输入划分的第k2个(k2＝1,2,…,q)模糊子集；
Figure BDA00022522663900001511
表示对SOC这一输入x3＝SOC(k)划分的所有模糊子集，
Figure BDA00022522663900001512
表示对SOC这一输入划分的第k3个(k3＝1,2,…,r)模糊子集；
Figure BDA00022522663900001513
为网络第一层第ki个节点的输出；
步骤4.3：构造模糊神经网络第三层，网络第三层第i个节点的输出
Figure BDA00022522663900001514
的计算公式为：
Figure BDA00022522663900001515
步骤4.4：构造模糊神经网络第四层，网络第四层第i个节点的输出
Figure BDA00022522663900001516
的计算公式为：
Figure BDA00022522663900001517
步骤4.5：构造模糊神经网络第五层，网络第五层第i个节点的输出
Figure BDA00022522663900001518
的计算公式为：
Figure BDA00022522663900001519
模糊神经网络的输入和输出关系为：
Figure BDA0002252266390000161
其中，g(θ,x)表示网络的输入x和输出y之间的函数关系，θ表示网络中待训练的参数。
优选地，所述步骤5包括：
步骤5.1：对于给定的n个样本(xi,yi)，将输入xi向量输入到网络中；当输入正向传递到网络第四层时暂停计算，得到每一条模糊规则对应的经过网络第三层归一化之后的适用度
Figure BDA0002252266390000162
步骤5.2：固定网络的条件参数
Figure BDA0002252266390000163
其中，
Figure BDA0002252266390000164
网络的结论参数为：
Figure BDA0002252266390000165
其中，
Figure BDA0002252266390000166
网络的输出可以改写为：
Figure BDA0002252266390000167
矩阵A,θc,y的形状分别为：n×m,m×1,n×1，其中m＝p+q+r；
另外，
Figure BDA0002252266390000168
为一行向量，i表示第i个样本，j表示对应第j条模糊规则，
Figure BDA0002252266390000169
表示第i个样本作为单元输入时，归一化后的第j条模糊规则对应的适用度；
Figure BDA00022522663900001610
表示第j条模糊规则对应的结论参数向量，设第j条模糊规则的条件(前件)为：
Figure BDA0002252266390000171
则此时
Figure BDA0002252266390000172
和前文中的
Figure BDA0002252266390000173
表示的是同一个量；另外n为样本(xi,yi),i＝1,2,…,n的总数，m＝p+q+r为模糊规则的总数；
得到使均方差最小，即min||Aθc-y||,y＝(y1,y2,…,yn)T意义下的结论参数向量θc的最佳估计
Figure BDA0002252266390000174
即：
Figure BDA0002252266390000175
获取结论参数向量计算结果信息；
步骤5.3：根据结论参数向量计算结果信息，将计算出的结论参数向量
Figure BDA0002252266390000176
固定，输入从网络第四层开始继续正向传递，直至传递到输出层(即网络第五层)，得到网络的输出
Figure BDA0002252266390000177
按照均方误差准则(MSE)计算网络输出的误差：
Figure BDA0002252266390000178
步骤5.4：根据S53中计算出的网络输出的误差，使用误差反传算法更新网络的条件参数θp；
步骤5.5：重复步骤5.1至步骤5.4，直到网络的误差低于预设值或达到限定训练轮次数。
优选地，包括：所述步骤7包括：
步骤7.1：采用恒流放电的方式，放电电流为0.3C，电池温度恒定为25℃，序列采样周期为1s，网络的输入序列为：
Figure BDA0002252266390000179
其中，SOC序列由安时积分法得到，即：
Figure BDA00022522663900001710
其中，SOCinit表示电池的SOC初值，设定为100％，η表示电池的充放电库伦效率，其值一般通过实验确定，认为其值为电池出厂时的值不变，可以取其值为电池制造商所提供的值，或者为BMS单元中所设定的电池充放电库伦效率值；Cmax是电池的最大可用容量，设定为最近一次对电池进行SOH估计后得到的电池容量；
将的输入序列持续输入给模糊神经网络，直至网络的输出即估计的电池端电压响应值达到设定的截止电压；对电流进行积分，得到总的电池放电库仑数，以此值作为对电池容量的估计，并以此值定义电池的SOH，获取锂电池SOH值刻画结果信息。
根据本发明提供的一种基于数据驱动的锂电池SOH估计***，包括：
模块1：采集BMS单元记录的锂离子电池近期数据包序列，获取近期数据包信息；
模块2：根据近期数据包信息，将采集到的数据进行数据清洗，去除数据异常点，补齐数据缺失点，并对数据进行归一化处理，获取归一化处理结果信息；
模块3：根据归一化处理结果信息，将锂离子电池的负载电流、温度、SOC数据作为模糊神经网络的输入，将锂电池的端电压响应值作为网络的输出，将数据集划分为训练集和测试集两部分,获取输入输出特性信息；
模块4：根据输入输出特性输入输出特性信息，建立模糊神经网络结构，确定各层节点的个数；
模块5：将预处理过的电池负载电流、温度、SOC数据输入到随机初始化参数后的模糊神经网络结构中，正向传递得到网络的输出误差；调整网络参数以最小化网络输出误差；
模块6：将测试集样本输入到训练好的模糊神经网路中，计算网络预测误差，评估网络刻画电池动态特性的准确程度；
模块7：将标准的测试负载输入到训练好的模糊神经网络中，进行虚拟电池容量测试，得到电池的虚拟电压响应曲线，进而计算出电池的容量，获取锂电池SOH值刻画结果信息；
所述近期数据包包括：负载电流数据、端电压数据、温度数据以及SOC数据。
优选地，所述模块2包括：
模块2.1：进行数据清洗，将数据序列中严重偏离的数据点删除，该点处数据值由前后两个时刻的数据值进行线性差值得到；
模块2.2：删除重复的冗余数据，对于冗余数据和缺失数据，均使用前一时刻和后一时刻的数据值的线性差值结果进行补齐；
模块2.3：将数据集进行归一化处理，采用最大最小归一化进行计算：
Figure BDA0002252266390000191
式中，X指当前样本某一状态分量的取值，Xmin是所有样本的该状态分量的最小值，Xmax是所有样本的该状态分量的最大值。
优选地，所述模块4包括：
模块4.1：构造模糊神经网络第一层，将输入变量进行模糊化，记xi,i＝1,2,3为网络第i个输入分量；i＝1时，x1＝T(k)为温度这一输入分量，i＝2时，x2＝I(k)为电流这一输入分量，i＝3时，x3＝SOC(k)为SOC这一输入分量；第i个输入分量xi,i＝1,2,3对应的网络第一层第ki个节点的输出
Figure BDA0002252266390000192
的计算公式为：
Figure BDA0002252266390000193
式中，i＝1,2,3，
Figure BDA0002252266390000194
其中p为对温度这一输入x1＝T(k)划分的模糊子集个数，q为对电流这一输入x2＝I(k)划分的模糊子集个数，r为对SOC这一输入x3＝SOC(k)划分的模糊子集个数；式中
Figure BDA0002252266390000195
表示网络第一层第ki个节点的节点输出，该输出值等于
Figure BDA0002252266390000196
Figure BDA0002252266390000197
表示第i个输入分量xi隶属于模糊集合
Figure BDA0002252266390000198
的隶属度；本发明中隶属度函数用一般钟形隶属度函数刻画，其中
Figure BDA0002252266390000199
为属于模糊集合
Figure BDA00022522663900001910
的一般钟形隶属度函数的隶属度中心，
Figure BDA00022522663900001911
为属于模糊集合
Figure BDA00022522663900001912
的一般钟形隶属度函数的标准差，
Figure BDA00022522663900001913
参数用于控制一般钟形隶属度函数曲线的宽度；
模块4.2：构造模糊神经网络第二层，采用一阶Sugeno模糊规则，共有p·q·r条模糊规则；模糊规则如下：
Figure BDA0002252266390000201
网络第二层第i个节点的输出
Figure BDA0002252266390000202
的计算公式为：
Figure BDA0002252266390000203
式中将
Figure BDA0002252266390000204
记为
Figure BDA0002252266390000205
Figure BDA0002252266390000206
表示网络第二层第i个节点的输出,其值等于
Figure BDA0002252266390000207
Figure BDA0002252266390000208
表示当前的网络输入x＝(x1,x2,x3)对于规则
Figure BDA0002252266390000209
的契合程度；A1,A2,…,Ai,…,Ap表示对温度这一输入x1＝T(k)划分的所有模糊子集，
Figure BDA00022522663900002010
表示对温度这一输入划分的第k1个(k1＝1,2,…,p)模糊子集；
Figure BDA00022522663900002011
表示对电流这一输入x2＝I(k)划分的所有模糊子集，
Figure BDA00022522663900002012
表示对电流这一输入划分的第k2个(k2＝1,2,…,q)模糊子集；
Figure BDA00022522663900002013
表示对SOC这一输入x3＝SOC(k)划分的所有模糊子集，
Figure BDA00022522663900002014
表示对SOC这一输入划分的第k3个(k3＝1,2,…,r)模糊子集；
Figure BDA00022522663900002015
为网络第一层第ki个节点的输出；
模块4.3：构造模糊神经网络第三层，网络第三层第i个节点的输出
Figure BDA00022522663900002016
的计算公式为：
Figure BDA00022522663900002017
模块4.4：构造模糊神经网络第四层，网络第四层第i个节点的输出
Figure BDA00022522663900002018
的计算公式为：
Figure BDA00022522663900002019
模块4.5：构造模糊神经网络第五层，网络第五层第i个节点的输出
Figure BDA0002252266390000211
的计算公式为：
Figure BDA0002252266390000212
模糊神经网络的输入和输出关系为：
Figure BDA0002252266390000213
其中，g(θ,x)表示网络的输入x和输出y之间的函数关系，θ表示网络中待训练的参数。
优选地，所述模块5包括：
模块5.1：对于给定的n个样本(xi,yi)，将输入xi向量输入到网络中；当输入正向传递到网络第四层时暂停计算，得到每一条模糊规则对应的经过网络第三层归一化之后的适用度
Figure BDA0002252266390000214
模块5.2：固定网络的条件参数
Figure BDA0002252266390000215
其中，
Figure BDA0002252266390000218
网络的结论参数为：
Figure BDA0002252266390000216
其中，
Figure BDA0002252266390000217
网络的输出可以改写为：
Figure BDA0002252266390000221
矩阵A,θc,y的形状分别为：n×m,m×1,n×1，其中m＝p+q+r；
另外，
Figure BDA0002252266390000222
为一行向量，i表示第i个样本，j表示对应第j条模糊规则，
Figure BDA0002252266390000223
表示第i个样本作为单元输入时，归一化后的第j条模糊规则对应的适用度；
Figure BDA0002252266390000224
表示第j条模糊规则对应的结论参数向量，设第j条模糊规则的条件(前件)为：
Figure BDA0002252266390000225
则此时
Figure BDA0002252266390000226
和前文中的
Figure BDA0002252266390000227
表示的是同一个量；另外n为样本(xi,yi),i＝1,2,…,n的总数，m＝p+q+r为模糊规则的总数；
得到使均方差最小，即min||Aθc-y||,y＝(y1,y2,…,yn)T意义下的结论参数向量θc的最佳估计
Figure BDA0002252266390000228
即：
Figure BDA0002252266390000229
获取结论参数向量计算结果信息；
模块5.3：根据结论参数向量计算结果信息，将计算出的结论参数向量
Figure BDA00022522663900002210
固定，输入从网络第四层开始继续正向传递，直至传递到输出层(即网络第五层)，得到网络的输出
Figure BDA00022522663900002211
按照均方误差准则(MSE)计算网络输出的误差：
Figure BDA00022522663900002212
模块5.4：根据S53中计算出的网络输出的误差，使用误差反传算法更新网络的条件参数θp；
模块5.5：重复模块5.1至模块5.4，直到网络的误差低于预设值或达到限定训练轮次数。
优选地，包括：所述模块7包括：
模块7.1：采用恒流放电的方式，放电电流为0.3C，电池温度恒定为25℃，序列采样周期为1s，网络的输入序列为：
Figure BDA0002252266390000231
其中，SOC序列由安时积分法得到，即：
Figure BDA0002252266390000232
其中，SOCinit表示电池的SOC初值，设定为100％，η表示电池的充放电库伦效率，其值一般通过实验确定，认为其值为电池出厂时的值不变，可以取其值为电池制造商所提供的值，或者为BMS单元中所设定的电池充放电库伦效率值；Cmax是电池的最大可用容量，设定为最近一次对电池进行SOH估计后得到的电池容量；
将的输入序列持续输入给模糊神经网络，直至网络的输出即估计的电池端电压响应值达到设定的截止电压；对电流进行积分，得到总的电池放电库仑数，以此值作为对电池容量的估计，并以此值定义电池的SOH，获取锂电池SOH值刻画结果信息。
具体地，在一个实施例中，首先从车载BMS中提取出所需要的电池数据。之后对提取出的数据进行清洗、整理和预处理。之后进行模糊神经网络模型的搭建，对模糊神经网络的结构进行设计。再之后使用整理好的数据对模糊神经网络中的参数进行训练。最后将人为设定的输入输送给已经训练好的模糊神经网络，进行虚拟容量实验，最终得到电池容量的估计值并以此来表征电池的SOH。具体步骤如下：
电池数据获取流程如图1所示。电动汽车电池组上相应位置布置有电流、电压和温度传感器，传感器数据通过CAN有线网络传输给车载电池管理***(BMS)，BMS对响应电压、电流和温度数据进行记录，并对电池SOC进行估计。电池管理***将电池运行数据上传至T-BOX，T-BOX通过4G无线网络将数据传输至云端大数据中心进行进一步的分析和处理；
进行数据清洗，将数据序列中严重偏离的数据点删除。当该点处数值与其前一时刻值的差值大于前一时刻值的1.5倍，则认定当前时间的数据点是异常数据点，此时该点处数据值由前后两个时刻的数据值进行线性差值得到。对于缺失数据，也使用前一时刻和后一时刻的数据值的线性差值结果进行补齐。之后将数据集进行归一化处理，采用最大最小归一化方法。最后进行数据集的划分，按照数据集样本数量的70％、0％和20％，将数据集分别分成训练集、验证集和测试集。最大最小归一化方法的计算公式如下，其中X指当前样本某一状态分量的取值，Xmin是所有样本的该状态分量的最小值，Xmax是所有样本的该状态分量的最大值：
Figure BDA0002252266390000241
进行模糊神经网络的结构设计。所使用的模糊神经网路的结构如图4所示。网络的输入选定为第k时刻的电池的温度、负载电流和SOC值，网络的输出选择为对第k+1时刻电池端电压的预测值。网络的行为满足以下函数：
Figure BDA0002252266390000242
网络的第一层是模糊化层，该层将输入变量进行模糊化，网络第一层第i个节点的输出
Figure BDA0002252266390000243
的计算公式为：
Figure BDA0002252266390000244
式中i＝1,2,3，
Figure BDA0002252266390000245
其中p为对温度这一输入x1＝T(k)划分的模糊子集个数，q为对电流这一输入x2＝I(k)划分的模糊子集个数，r为对SOC这一输入x3＝SOC(k)划分的模糊子集个数。这里p＝q＝r＝5，将三个网络输入分量；
网络第二层实现了对模糊逻辑“if…then…”中条件部分的计算，采用一阶Sugeno模糊规则，共有p·q·r＝125条模糊规则。模糊规则如下：
Figure BDA0002252266390000246
网络第二层i个节点的输出
Figure BDA0002252266390000247
的计算公式为：
Figure BDA0002252266390000251
第三层是对网络第二层的输出的归一化处理，网络第三层第i个节点的输出
Figure BDA0002252266390000252
的计算公式为：
Figure BDA0002252266390000253
第四层是模糊推理层，网络第四层第i个节点的输出
Figure BDA0002252266390000254
的计算公式为：
Figure BDA0002252266390000255
第五层是输出层或去模糊化层，网络第五层第i个节点的输出
Figure BDA0002252266390000256
的计算公式为：
Figure BDA0002252266390000257
模糊神经网络的输入和输出关系为：
Figure BDA0002252266390000258
使用混合训练算法对模糊神经网络的参数进行训练。将模糊神经网络的参数分为条件参数θp和结论参数θc两组，两组参数分别使用不同的方法进行训练。混合训练算法包含以下步骤：
首先，对于给定的n个样本(xi,yi)，将输入xi向量输入到网络中。当输入正向传递到网络第四层时暂停计算，得到每一条模糊规则对应的经过网络第三层归一化之后的适用度
Figure BDA0002252266390000259
之后固定网络的条件参数：
Figure BDA00022522663900002510
其中
Figure BDA0002252266390000261
使用最小二乘算法对结论参数进行调整。网络的结论参数记为：
Figure BDA0002252266390000262
其中
Figure BDA0002252266390000263
可以将网络的输出可以改写为：
Figure BDA0002252266390000264
其中矩阵A,θc,y的形状分别为：n×m,m×1,n×1，其中m＝p+q+r。另外
Figure BDA0002252266390000265
为一行向量，i表示第i个样本，j表示对应第j条模糊规则，
Figure BDA0002252266390000266
表示第i个样本作为***输入时，归一化后的第j条模糊规则对应的适用度。
Figure BDA0002252266390000267
表示第j条模糊规则对应的结论参数向量，设第j条模糊规则的条件(前件)为：
Figure BDA0002252266390000268
则此时
Figure BDA0002252266390000269
和前文中的
Figure BDA00022522663900002610
表示的是同一个量。另外n为样本(xi,yi),i＝1,2,…,n的总数，m＝p+q+r为模糊规则的总数；
使用最小二乘法，可以得到使均方差最小，即min||Aθc-y||,y＝(y1,y2,…,yn)T意义下的结论参数向量θc的最佳估计
Figure BDA00022522663900002611
即：
Figure BDA00022522663900002612
将计算出的结论参数向量
Figure BDA00022522663900002613
固定，输入从网络第四层开始继续正向传递，直至传递到输出层(即网络第五层)，得到网络的输出
Figure BDA00022522663900002614
按照均方误差准则(MSE)计算网络输出的误差：
Figure BDA00022522663900002615
根据上式中计算出的网络输出的误差，使用误差反传算法更新网络的条件参数θp。
重复前面四个步骤，直到网络的误差低于预设值或达到限定训练轮次数；
网络训练完成以后，网络的动态特性应近似等于实际电池的动态特性，可以认为基于模糊神经网络的电池模型与实际电池模型相互等价。之后可以通过给基于模糊神经网络的电池模型施加人为定义的输入量，进行虚拟容量测试，就相当于对实际电池进行了容量测试，就可以得到电池的容量估计值。虚拟容量测试采用恒流放电的方式，放电电流为0.3C，电池温度恒定为25℃，序列采样周期为1s。网络的输入序列为：
Figure BDA0002252266390000271
其中SOC序列由安时积分法得到，即：
Figure BDA0002252266390000272
其中SOCinit表示电池的SOC初值，设定为100％，η表示电池的充放电库伦效率，其值一般通过实验确定，认为其值为电池出厂时的值不变，可以取其值为电池制造商所提供的值，或者为BMS***中所设定的电池充放电库伦效率值；Cmax是电池的最大可用容量，设定为最近一次对电池进行SOH估计后得到的电池容量；
将上述的输入序列持续输入给模糊神经网络，直至网络的输出即估计的电池端电压响应值达到设定的截止电压(取2.5V)。这时使用安时积分法，对电流进行积分，得到总的电池放电库仑数，以此值作为对电池容量的估计，并以此值定义电池的SOH。
本发明不需要使用化学工作站等专业实验设备，所需时间相对较短，成本相对较低；本发明不需要基于具体的物理模型，而是基于数据建模，可以缩短建模时间；本发明的计算时间适中，计算精度相对较高，在不牺牲精度的前提下，能够以相对较快的速度完成对电池SOH的估计。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (6)

1.一种基于数据驱动的锂电池SOH估计方法，其特征在于，包括：
步骤1：采集BMS单元记录的锂离子电池近期数据包序列，获取近期数据包信息；
步骤2：根据近期数据包信息，将采集到的数据进行数据清洗，去除数据异常点，补齐数据缺失点，并对数据进行归一化处理，获取归一化处理结果信息；
步骤3：根据归一化处理结果信息，将锂离子电池的负载电流、温度、SOC数据作为模糊神经网络的输入，将锂电池的端电压响应值作为网络的输出，将数据集划分为训练集和测试集两部分,获取输入输出特性信息；
步骤4：根据输入输出特性输入输出特性信息，建立模糊神经网络结构，确定各层节点的个数；
步骤5：将预处理过的电池负载电流、温度、SOC数据输入到随机初始化参数后的模糊神经网络结构中，正向传递得到网络的输出误差；调整网络参数以最小化网络输出误差；
步骤6：将测试集样本输入到训练好的模糊神经网路中，计算网络预测误差，评估网络刻画电池动态特性的准确程度；
步骤7：将标准的测试负载输入到训练好的模糊神经网络中，进行虚拟电池容量测试，得到电池的虚拟电压响应曲线，进而计算出电池的容量，获取锂电池SOH值刻画结果信息；
所述近期数据包包括：负载电流数据、端电压数据、温度数据以及SOC数据；
所述步骤2包括：
步骤2.1：进行数据清洗，将数据序列中严重偏离的数据点删除，该点处数据值由前后两个时刻的数据值进行线性差值得到；
步骤2.2：删除重复的冗余数据，对于冗余数据和缺失数据，均使用前一时刻和后一时刻的数据值的线性差值结果进行补齐；
步骤2.3：将数据集进行归一化处理，采用最大最小归一化进行计算：
Figure FDA0003044363960000011
式中，X指当前样本某一状态分量的取值，Xmin是所有样本的该状态分量的最小值，Xmax是所有样本的该状态分量的最大值；
所述步骤4包括：
步骤4.1：构造模糊神经网络第一层，将输入变量进行模糊化，记xi,i＝1,2,3为网络第i个输入分量；i＝1时，x1＝T(k)为温度这一输入分量，i＝2时，x2＝I(k)为电流这一输入分量，i＝3时，x3＝SOC(k)为SOC这一输入分量；第i个输入分量xi,i＝1,2,3对应的网络第一层第ki个节点的输出
Figure FDA0003044363960000021
的计算公式为：
Figure FDA0003044363960000022
式中，i＝1,2,3，
Figure FDA0003044363960000023
其中p为对温度这一输入x1＝T(k)划分的模糊子集个数，q为对电流这一输入x2＝I(k)划分的模糊子集个数，r为对SOC这一输入x3＝SOC(k)划分的模糊子集个数；式中
Figure FDA0003044363960000024
表示网络第一层第ki个节点的节点输出，该输出值等于
Figure FDA0003044363960000025
Figure FDA0003044363960000026
表示第i个输入分量xi隶属于模糊集合
Figure FDA0003044363960000027
的隶属度；隶属度函数用一般钟形隶属度函数刻画，其中
Figure FDA0003044363960000028
为属于模糊集合
Figure FDA0003044363960000029
的一般钟形隶属度函数的隶属度中心，
Figure FDA00030443639600000210
为属于模糊集合
Figure FDA00030443639600000211
的一般钟形隶属度函数的标准差，
Figure FDA00030443639600000212
参数用于控制一般钟形隶属度函数曲线的宽度；
步骤4.2：构造模糊神经网络第二层，采用一阶Sugeno模糊规则，共有p·q·r条模糊规则；模糊规则如下：
Figure FDA00030443639600000213
网络第二层第i个节点的输出
Figure FDA00030443639600000214
的计算公式为：
Figure FDA00030443639600000215
式中将
Figure FDA0003044363960000031
记为
Figure FDA0003044363960000032
Figure FDA0003044363960000033
表示网络第二层第i个节点的输出,其值等于
Figure FDA0003044363960000034
Figure FDA0003044363960000035
表示当前的网络输入x＝(x1,x2,x3)对于规则
Figure FDA0003044363960000036
的契合程度；A1,A2,…,Ai,…,Ap表示对温度这一输入x1＝T(k)划分的所有模糊子集，
Figure FDA0003044363960000037
表示对温度这一输入划分的第k1个(k1＝1,2,…,p)模糊子集；
Figure FDA0003044363960000038
表示对电流这一输入x2＝I(k)划分的所有模糊子集，
Figure FDA0003044363960000039
表示对电流这一输入划分的第k2个(k2＝1,2,…,q)模糊子集；
Figure FDA00030443639600000310
表示对SOC这一输入x3＝SOC(k)划分的所有模糊子集，
Figure FDA00030443639600000311
表示对SOC这一输入划分的第k3个(k3＝1,2,…,r)模糊子集；
Figure FDA00030443639600000312
为网络第一层第ki个节点的输出；
步骤4.3：构造模糊神经网络第三层，网络第三层第i个节点的输出
Figure FDA00030443639600000313
的计算公式为：
Figure FDA00030443639600000314
步骤4.4：构造模糊神经网络第四层，网络第四层第i个节点的输出
Figure FDA00030443639600000315
的计算公式为：
Figure FDA00030443639600000316
步骤4.5：构造模糊神经网络第五层，网络第五层第i个节点的输出
Figure FDA00030443639600000317
的计算公式为：
Figure FDA00030443639600000318
模糊神经网络的输入和输出关系为：
Figure FDA0003044363960000041
其中，g(θ,x)表示网络的输入x和输出y之间的函数关系，θ表示网络中待训练的参数。
2.根据权利要求1所述的基于数据驱动的锂电池SOH估计方法，其特征在于，所述步骤5包括：
步骤5.1：对于给定的n个样本(xi,yi)，将输入xi向量输入到网络中；当输入正向传递到网络第四层时暂停计算，得到每一条模糊规则对应的经过网络第三层归一化之后的适用度
Figure FDA0003044363960000042
步骤5.2：固定网络的条件参数
Figure FDA0003044363960000043
其中，
Figure FDA0003044363960000044
网络的结论参数为：
Figure FDA0003044363960000045
其中，
Figure FDA0003044363960000046
网络的输出可以改写为：
Figure FDA0003044363960000047
矩阵A,θc,y的形状分别为：n×m,m×1,n×1，其中m＝p+q+r；
另外，
Figure FDA0003044363960000048
为一行向量，i表示第i个样本，j表示对应第j条模糊规则，
Figure FDA0003044363960000049
表示第i个样本作为单元输入时，归一化后的第j条模糊规则对应的适用度；
Figure FDA0003044363960000051
表示第j条模糊规则对应的结论参数向量，设第j条模糊规则的条件(前件)为：
Figure FDA0003044363960000052
则此时
Figure FDA0003044363960000053
和前文中的
Figure FDA0003044363960000054
表示的是同一个量；另外n为样本(xi,yi),i＝1,2,…,n的总数，m＝p+q+r为模糊规则的总数；
得到使均方差最小，即min||Aθc-y||,y＝(y1,y2,…,yn)T意义下的结论参数向量θc的最佳估计
Figure FDA0003044363960000055
即：
Figure FDA0003044363960000056
获取结论参数向量计算结果信息；
步骤5.3：根据结论参数向量计算结果信息，将计算出的结论参数向量
Figure FDA0003044363960000057
固定，输入从网络第四层开始继续正向传递，直至传递到输出层(即网络第五层)，得到网络的输出
Figure FDA0003044363960000058
按照均方误差准则(MSE)计算网络输出的误差：
Figure FDA0003044363960000059
步骤5.4：根据S53中计算出的网络输出的误差，使用误差反传算法更新网络的条件参数θp；
步骤5.5：重复步骤5.1至步骤5.4，直到网络的误差低于预设值或达到限定训练轮次数。
3.根据权利要求1所述的基于数据驱动的锂电池SOH估计方法，其特征在于，包括：所述步骤7包括：
步骤7.1：采用恒流放电的方式，放电电流为0.3C，电池温度恒定为25℃，序列采样周期为1s，网络的输入序列为：
Figure FDA00030443639600000510
其中，SOC序列由安时积分法得到，即：
Figure FDA00030443639600000511
其中，SOCinit表示电池的SOC初值，设定为100％，η表示电池的充放电库伦效率，其值通过实验确定，认为其值为电池出厂时的值不变，取其值为BMS单元中所设定的电池充放电库伦效率值；Cmax是电池的最大可用容量，设定为最近一次对电池进行SOH估计后得到的电池容量；
将的输入序列持续输入给模糊神经网络，直至网络的输出即估计的电池端电压响应值达到设定的截止电压；对电流进行积分，得到总的电池放电库仑数，以此值作为对电池容量的估计，并以此值定义电池的SOH，获取锂电池SOH值刻画结果信息。
4.一种基于数据驱动的锂电池SOH估计***，其特征在于，包括：
模块1：采集BMS单元记录的锂离子电池近期数据包序列，获取近期数据包信息；
模块2：根据近期数据包信息，将采集到的数据进行数据清洗，去除数据异常点，补齐数据缺失点，并对数据进行归一化处理，获取归一化处理结果信息；
模块3：根据归一化处理结果信息，将锂离子电池的负载电流、温度、SOC数据作为模糊神经网络的输入，将锂电池的端电压响应值作为网络的输出，将数据集划分为训练集和测试集两部分,获取输入输出特性信息；
模块4：根据输入输出特性输入输出特性信息，建立模糊神经网络结构，确定各层节点的个数；
模块5：将预处理过的电池负载电流、温度、SOC数据输入到随机初始化参数后的模糊神经网络结构中，正向传递得到网络的输出误差；调整网络参数以最小化网络输出误差；
模块6：将测试集样本输入到训练好的模糊神经网路中，计算网络预测误差，评估网络刻画电池动态特性的准确程度；
模块7：将标准的测试负载输入到训练好的模糊神经网络中，进行虚拟电池容量测试，得到电池的虚拟电压响应曲线，进而计算出电池的容量，获取锂电池SOH值刻画结果信息；
所述近期数据包包括：负载电流数据、端电压数据、温度数据以及SOC数据；
所述模块2包括：
模块2.1：进行数据清洗，将数据序列中严重偏离的数据点删除，该点处数据值由前后两个时刻的数据值进行线性差值得到；
模块2.2：删除重复的冗余数据，对于冗余数据和缺失数据，均使用前一时刻和后一时刻的数据值的线性差值结果进行补齐；
模块2.3：将数据集进行归一化处理，采用最大最小归一化进行计算：
Figure FDA0003044363960000071
式中，X指当前样本某一状态分量的取值，Xmin是所有样本的该状态分量的最小值，Xmax是所有样本的该状态分量的最大值；
所述模块4包括：
模块4.1：构造模糊神经网络第一层，将输入变量进行模糊化，记xi,i＝1,2,3为网络第i个输入分量；i＝1时，x1＝T(k)为温度这一输入分量，i＝2时，x2＝I(k)为电流这一输入分量，i＝3时，x3＝SOC(k)为SOC这一输入分量；第i个输入分量xi,i＝1,2,3对应的网络第一层第ki个节点的输出
Figure FDA0003044363960000072
的计算公式为：
Figure FDA0003044363960000073
式中，i＝1,2,3，
Figure FDA0003044363960000074
其中p为对温度这一输入x1＝T(k)划分的模糊子集个数，q为对电流这一输入x2＝I(k)划分的模糊子集个数，r为对SOC这一输入x3＝SOC(k)划分的模糊子集个数；式中
Figure FDA0003044363960000075
表示网络第一层第ki个节点的节点输出，该输出值等于
Figure FDA0003044363960000076
Figure FDA0003044363960000077
表示第i个输入分量xi隶属于模糊集合
Figure FDA0003044363960000078
的隶属度；隶属度函数用一般钟形隶属度函数刻画，其中
Figure FDA0003044363960000079
为属于模糊集合
Figure FDA00030443639600000710
的一般钟形隶属度函数的隶属度中心，
Figure FDA00030443639600000711
为属于模糊集合
Figure FDA00030443639600000712
的一般钟形隶属度函数的标准差，
Figure FDA00030443639600000713
参数用于控制一般钟形隶属度函数曲线的宽度；
模块4.2：构造模糊神经网络第二层，采用一阶Sugeno模糊规则，共有p·q·r条模糊规则；模糊规则如下：
Figure FDA0003044363960000081
网络第二层第i个节点的输出
Figure FDA0003044363960000082
的计算公式为：
Figure FDA0003044363960000083
式中将
Figure FDA0003044363960000084
记为
Figure FDA0003044363960000085
Figure FDA0003044363960000086
表示网络第二层第i个节点的输出,其值等于
Figure FDA0003044363960000087
Figure FDA0003044363960000088
表示当前的网络输入x＝(x1,x2,x3)对于规则
Figure FDA0003044363960000089
的契合程度；A1,A2,…,Ai,…,Ap表示对温度这一输入x1＝T(k)划分的所有模糊子集，
Figure FDA00030443639600000810
表示对温度这一输入划分的第k1个(k1＝1,2,…,p)模糊子集；
Figure FDA00030443639600000811
表示对电流这一输入x2＝I(k)划分的所有模糊子集，
Figure FDA00030443639600000812
表示对电流这一输入划分的第k2个(k2＝1,2,…,q)模糊子集；
Figure FDA00030443639600000813
表示对SOC这一输入x3＝SOC(k)划分的所有模糊子集，
Figure FDA00030443639600000814
表示对SOC这一输入划分的第k3个(k3＝1,2,…,r)模糊子集；
Figure FDA00030443639600000815
为网络第一层第ki个节点的输出；
模块4.3：构造模糊神经网络第三层，网络第三层第i个节点的输出
Figure FDA00030443639600000816
的计算公式为：
Figure FDA00030443639600000817
模块4.4：构造模糊神经网络第四层，网络第四层第i个节点的输出
Figure FDA00030443639600000818
的计算公式为：
Figure FDA00030443639600000819
模块4.5：构造模糊神经网络第五层，网络第五层第i个节点的输出
Figure FDA0003044363960000091
的计算公式为：
Figure FDA0003044363960000092
模糊神经网络的输入和输出关系为：
Figure FDA0003044363960000093
其中，g(θ,x)表示网络的输入x和输出y之间的函数关系，θ表示网络中待训练的参数。
5.根据权利要求4所述的基于数据驱动的锂电池SOH估计***，其特征在于，所述模块5包括：
模块5.1：对于给定的n个样本(xi,yi)，将输入xi向量输入到网络中；当输入正向传递到网络第四层时暂停计算，得到每一条模糊规则对应的经过网络第三层归一化之后的适用度
Figure FDA0003044363960000094
模块5.2：固定网络的条件参数
Figure FDA0003044363960000095
其中，
Figure FDA0003044363960000096
网络的结论参数为：
Figure FDA0003044363960000097
其中，
Figure FDA0003044363960000098
网络的输出可以改写为：
Figure FDA0003044363960000101
矩阵A,θc,y的形状分别为：n×m,m×1,n×1，其中m＝p+q+r；
另外，
Figure FDA0003044363960000102
为一行向量，i表示第i个样本，j表示对应第j条模糊规则，
Figure FDA0003044363960000103
表示第i个样本作为单元输入时，归一化后的第j条模糊规则对应的适用度；
Figure FDA0003044363960000104
表示第j条模糊规则对应的结论参数向量，设第j条模糊规则的条件(前件)为：
Figure FDA0003044363960000105
则此时
Figure FDA0003044363960000106
和前文中的
Figure FDA0003044363960000107
表示的是同一个量；另外n为样本(xi,yi),i＝1,2,…,n的总数，m＝p+q+r为模糊规则的总数；
得到使均方差最小，即min||Aθc-y||,y＝(y1,y2,…,yn)T意义下的结论参数向量θc的最佳估计
Figure FDA0003044363960000108
即：
Figure FDA0003044363960000109
获取结论参数向量计算结果信息；
模块5.3：根据结论参数向量计算结果信息，将计算出的结论参数向量
Figure FDA00030443639600001010
固定，输入从网络第四层开始继续正向传递，直至传递到输出层(即网络第五层)，得到网络的输出
Figure FDA00030443639600001011
按照均方误差准则(MSE)计算网络输出的误差：
Figure FDA00030443639600001012
模块5.4：根据S53中计算出的网络输出的误差，使用误差反传算法更新网络的条件参数θp；
模块5.5：重复模块5.1至模块5.4，直到网络的误差低于预设值或达到限定训练轮次数。
6.根据权利要求4所述的基于数据驱动的锂电池SOH估计***，其特征在于，包括：所述模块7包括：
模块7.1：采用恒流放电的方式，放电电流为0.3C，电池温度恒定为25℃，序列采样周期为1s，网络的输入序列为：
Figure FDA0003044363960000111
其中，SOC序列由安时积分法得到，即：
Figure FDA0003044363960000112
其中，SOCinit表示电池的SOC初值，设定为100％，η表示电池的充放电库伦效率，其值通过实验确定，认为其值为电池出厂时的值不变，取其值为BMS单元中所设定的电池充放电库伦效率值；Cmax是电池的最大可用容量，设定为最近一次对电池进行SOH估计后得到的电池容量；
将的输入序列持续输入给模糊神经网络，直至网络的输出即估计的电池端电压响应值达到设定的截止电压；对电流进行积分，得到总的电池放电库仑数，以此值作为对电池容量的估计，并以此值定义电池的SOH，获取锂电池SOH值刻画结果信息。
CN201911038721.0A 2019-10-29 2019-10-29 基于数据驱动的锂电池soh估计方法及*** Active CN110850298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911038721.0A CN110850298B (zh) 2019-10-29 2019-10-29 基于数据驱动的锂电池soh估计方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911038721.0A CN110850298B (zh) 2019-10-29 2019-10-29 基于数据驱动的锂电池soh估计方法及***

Publications (2)

Publication Number Publication Date
CN110850298A CN110850298A (zh) 2020-02-28
CN110850298B true CN110850298B (zh) 2021-08-17

Family

ID=69598963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911038721.0A Active CN110850298B (zh) 2019-10-29 2019-10-29 基于数据驱动的锂电池soh估计方法及***

Country Status (1)

Country Link
CN (1) CN110850298B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832220A (zh) * 2020-06-16 2020-10-27 天津大学 一种基于编解码器模型的锂离子电池健康状态估算方法
CN113406503A (zh) * 2021-06-01 2021-09-17 重庆大学 基于深度神经网络的锂电池soh在线估算方法
CN113740739B (zh) * 2021-07-22 2023-05-02 西安交通大学 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法
CN113589183A (zh) * 2021-08-09 2021-11-02 湖北亿纬动力有限公司 一种基于大数据的自放电检测方法、装置和***
CN113484774B (zh) * 2021-08-18 2024-01-26 昆明理工大学 一种基于温度校准和神经网络的锂电池组容量估计方法
CN113820604B (zh) * 2021-08-30 2024-04-26 昆明理工大学 一种基于温度预测的锂电池soh估计方法
CN116068449B (zh) * 2023-03-23 2023-07-14 中国科学技术大学 一种物理模型约束深度神经网络的锂电池评估***及方法
CN117825975A (zh) * 2024-03-05 2024-04-05 烟台海博电气设备有限公司 基于数据驱动的锂离子电池soh评估方法及***
CN117949832B (zh) * 2024-03-27 2024-06-18 湖南大学 一种基于优化神经网络的电池soh分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7072871B1 (en) * 2001-08-22 2006-07-04 Cadex Electronics Inc. Fuzzy logic method and apparatus for battery state of health determination
CN104348205A (zh) * 2013-07-31 2015-02-11 杭州锂软科技有限公司 一种基于soc-soh分布式bms***
CN107436411A (zh) * 2017-07-28 2017-12-05 南京航空航天大学 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
CN109061505A (zh) * 2018-08-28 2018-12-21 淮阴工学院 一种锂电池soh的检测方法
CN110095732A (zh) * 2019-05-23 2019-08-06 合肥工业大学智能制造技术研究院 一种考虑环境湿度对内阻影响的锂电池soh估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7072871B1 (en) * 2001-08-22 2006-07-04 Cadex Electronics Inc. Fuzzy logic method and apparatus for battery state of health determination
CN104348205A (zh) * 2013-07-31 2015-02-11 杭州锂软科技有限公司 一种基于soc-soh分布式bms***
CN107436411A (zh) * 2017-07-28 2017-12-05 南京航空航天大学 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
CN109061505A (zh) * 2018-08-28 2018-12-21 淮阴工学院 一种锂电池soh的检测方法
CN110095732A (zh) * 2019-05-23 2019-08-06 合肥工业大学智能制造技术研究院 一种考虑环境湿度对内阻影响的锂电池soh估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Estimation of State-of-Charge and State-of-Health for Lithium-Ion Degraded Battery Considering Side Reactions;Yizhao Gao等;《Journal of The Electrochemical Society》;20181231;第165卷(第16期);4018-4025 *
基于模糊辨识的蓄电池SOH测量方法;唐骏宇等;《电源技术》;20180228;第42卷(第8期);244-246 *
电动汽车动力电池SOH在线实时估计算法研究;汤露曦;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20151015(第10期);I、34-40、50 *

Also Published As

Publication number Publication date
CN110850298A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110850298B (zh) 基于数据驱动的锂电池soh估计方法及***
Lipu et al. A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations
Zhang et al. An on-line estimation of battery pack parameters and state-of-charge using dual filters based on pack model
Yang et al. A novel method on estimating the degradation and state of charge of lithium-ion batteries used for electrical vehicles
CN110568361B (zh) 一种动力电池健康状态的预测方法
Zhang et al. A novel approach of battery pack state of health estimation using artificial intelligence optimization algorithm
Farmann et al. A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles
CN113419187B (zh) 一种锂离子电池健康估计方法
CN111007399B (zh) 基于改进生成对抗网络的锂电池荷电状态预测方法
Tang et al. Joint estimation of state-of-charge and state-of-health for all cells in the battery pack using “leader-follower” strategy
Zhang et al. Remaining useful life estimation of lithium-ion batteries based on thermal dynamics
Mamo et al. Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries
CN108872869B (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
CN104577242B (zh) 一种电池组管理***和方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN111948560A (zh) 基于多因子评估模型的锂电池健康状态估算方法
CN110658459B (zh) 基于双向循环神经网络的锂离子电池荷电状态估计方法
CN110888056B (zh) 适用于车载动力锂离子电池的在线soc观测器搭建方法及***
CN109839599B (zh) 基于二阶ekf算法的锂离子电池soc估计方法
CN113109717B (zh) 一种基于特征曲线优化的锂电池荷电状态估算方法
CN106777786A (zh) 一种锂离子电池soc估算方法
CN111983459A (zh) 一种基于车用锂离子电池的健康状态测试评估方法
Chen et al. Parameter identification of equivalent circuit models for Li-ion batteries based on tree seeds algorithm
Amanathulla et al. An extensive comparison of state of charge estimation of lithium ion battery—towards predictive intelligent battery management system for electric vehicles
Chen et al. State of health estimation for lithium-ion battery based on long short term memory networks

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