CN113391225B - 一种考虑容量退化的锂电池荷电状态估计方法 - Google Patents

一种考虑容量退化的锂电池荷电状态估计方法 Download PDF

Info

Publication number
CN113391225B
CN113391225B CN202110545488.6A CN202110545488A CN113391225B CN 113391225 B CN113391225 B CN 113391225B CN 202110545488 A CN202110545488 A CN 202110545488A CN 113391225 B CN113391225 B CN 113391225B
Authority
CN
China
Prior art keywords
lithium battery
state
input
charge
battery
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
CN202110545488.6A
Other languages
English (en)
Other versions
CN113391225A (zh
Inventor
钱诚
徐炳辉
任羿
孙博
王自力
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202110545488.6A priority Critical patent/CN113391225B/zh
Publication of CN113391225A publication Critical patent/CN113391225A/zh
Application granted granted Critical
Publication of CN113391225B publication Critical patent/CN113391225B/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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or 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]
    • G01R31/367—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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种考虑容量退化的锂电池荷电状态估计方法，首先获取锂电池实验数据集，并计算电池荷电状态和健康状态数据以得到完整数据集；随后构建具有两个输入端、一个输出端、一个及以上循环网络层、一个及以上全连接层的混合神经网络；所建立的混合神经网络经完整数据集进行训练之后，用于对待估计电池进行荷电状态估计。本发明可适用于考虑容量退化即不同健康状态下的锂电池的荷电状态估计，估计精度高，具有很高的实际应用价值。

Description

一种考虑容量退化的锂电池荷电状态估计方法
所属技术领域
本发明涉及锂电池技术，人工神经网络技术领域，提供一种锂电池荷电状态估计方法，具体涉及一种考虑容量退化的锂电池荷电状态估计方法。
背景技术
准确的锂电池荷电状态估计对于锂电池管理***来说至关重要，它可以帮助电池管理***预测剩余行驶里程和避免电池的过充或过放等，从而保障锂电池的安全性和可靠性。然而，准确地估计容量退化时的锂电池荷电状态仍是十分具有挑战性的。
常用的锂电池荷电状态估计方法主要包括安时积分法、开路电压法、基于模型的方法和数据驱动方法等。其中，安时积分法虽然简单，但是具有较大的累积误差；开路电压法要求长时间静置电池以获得稳定的电压值，且当电池容量退化后，其荷电状态随开路电压的变化曲线也会发生改变，因此开路电压法无法保证在考虑容量退化时的荷电状态估计值的准确性；基于模型的方法则常通过构建电池的等效电路模型、电化学模型等来模拟电池内部的动态特性，并基于各种滤波算法如扩展卡尔曼滤波、粒子滤波和各种观测器如滑膜观测器、扩展状态观测器等对电池模型中的状态量进行估计进而实现对电池荷电状态的估计。该类方法的荷电状态估计结果的准确度高度取决于所构建的电池模型的准确度，而构建准确的电池模型需要对电池进行深度的研究和试验，且模型的复杂度和模型的准确度之间存在无法避免的矛盾，因此，基于模型的方法的适用性和泛化能力是有限的。与基于模型的方法不同，数据驱动法不关心电池的内部动态特性而是将电池视为黑箱，直接从实验数据中学习一些测量值如电压、电流等与电池荷电状态的对应关系，常用的数据驱动方法具体包括支持向量机、神经网络等。虽然数据驱动类方法的估计结果在考虑动态放电电流或动态环境温度方面表现不错，但是目前对考虑容量退化的电池荷电状态估计的研究较少。
发明内容
为解决现有技术存在的不足，本发明提供一种考虑容量退化的锂电池荷电状态估计方法。该方法适用于对处于不同退化状态的锂电池荷电状态进行估计，具有很大的实际应用价值。
步骤1：获取锂电池实验数据集，数据集中包含锂电池额定容量及实验过程中的锂电池电压、电流和时间数据；
步骤2：基于锂电池实验数据集计算锂电池荷电状态及锂电池健康状态，得到完整数据集；
步骤3：搭建包括两个输入端，一个输出端的神经网络；
步骤4：使用完整数据集训练神经网络，将训练完成的神经网络用于锂电池荷电状态估计。
可选地，所述步骤3进一步包含以下内容：所述神经网络的输入端1以电池的电压、电流为输入且输入格式为[V,Cur]，其中V,Cur分别是电池的电压值和电流值；所述神经网络的输入端2以电池的健康状态为输入且输入格式为[SOH]，其中SOH为电池的健康状态；所述神经网络还包含四个循环网络层和2个全连接层，分别为循环网络层1、循环网络层2、循环网络层3、循环网络层4，全连接层1，全连接层2，其中循环网络层1以输入端1为输入，循环网络层2以循环网络层1的输出为输入，全连接层1以循环网络层2的输出和输入端2为输入，全连接层2以全连接层1的输出为输入，循环网络层3以全连接层2的输出为输入，循环网络层4以循环网络层3的输出为输入，循环网络层4的输出即为神经网络的输出端并输出锂电池荷电状态值。
本发明的有益效果：本发明采用了具有双输入端、结合了循环网络层和全连接层的神经网络，并且充分利用锂电池的电压数据、电流数据和健康状态数据，从而可以对容量发生退化即不同健康状态下的锂电池进行准确的荷电状态估计。
附图说明
图1为本发明实施例的考虑容量退化的锂电池荷电状态估计方法的步骤流程图。
图2为本发明实施例构建的神经网络结构图。
图3为本发明实施例的电池荷电状态估计结果。
具体实施方式
下面结合附图及具体实施方法对本发明进一步说明。
如图1所示，一种考虑容量退化的锂电池荷电状态估计方法，包括以下步骤：
S1.获取锂电池实验数据集，数据集中包含锂电池额定容量及实验过程中的电压、电流和时间数据。本实施例中，以马里兰大学CALCE中心提供的编号为CS2_33,CS2_34,CS2_35,CS2_36,CS2_37的五个额定容量均为1.1Ah的锂电池标准充放电循环实验数据为数据来源，其中CS2_33,CS2_34,CS2_35,CS2_36电池的实验数据作为锂电池实验数据集，CS2_37电池作为荷电状态待估计电池。在该实验中，五个电池均在室温下经历相同的标准充电过程，充电过程中恒定电流速率为0.5C，直到电压达到4.2V，然后充电电压维持4.2V，直到充电电流降至0.05A以下。同时，四个电池的放电截止电压均为2.7V，其中，CS2_33,CS2_34，的放电电流倍率为0.5C，CS2_35，CS2_36和CS2_37的放电电流倍率均为1C。
S2.基于锂电池实验数据集计算锂电池荷电状态及锂电池健康状态，得到完整数据集。在本实施例中，使用安时积分法计算锂电池荷电状态:
Figure GDA0003620232460000031
其中，SOC0为锂电池初始荷电状态值，SOCt为t时刻锂电池荷电状态值，i为锂电池放电电流，C为锂电池当前容量；
本实施例中，使用以下公式计算锂电池健康状态：
Figure GDA0003620232460000032
其中，C为锂电池当前容量，C0为锂电池额定容量，SOH为锂电池健康状态。
S3.建立包括两个输入端，一个输出端、四个循环网络层和2个全连接层的神经网络，其中循环网络层1以输入端1为输入，循环网络层2以循环网络层1的输出为输入，全连接层1以循环网络层2的输出和输入端2为输入，循环网络层3以全连接层1的输出为输入，循环网络层4以循环网络层3的输出为输入，全连接层2以循环网络4的输出为输入，全连接层2的输出即为神经网络的输出端并输出锂电池荷电状态值。在本实施例中，搭建的神经网络共包含4个门控循环网络层，2个全连接层，其具体结构如图2所示，其中层1、层2、层5和层6为门控循环网络层，层1、层2、层5均由80个门控循环单元构成，层6由1个门控循环单元构成，层3、层4为全连接层，每层均由80个全连接单元构成。
S4.使用完整数据集训练神经网络，将训练完成的神经网络用于锂电池荷电状态估计。在本实施例中，对完整数据集进行归一化处理，并将处理后的电压、电流、电池健康状态及对应电池荷电状态数据作为处理后的实验数据集，按照7：3的比例将完整数据集分为训练集和验证集并结合adam优化器对神经网络进行训练。
S5.使用训练完成的神经网络对锂电池荷电状态进行估计，在本实施例中，使用训练完成的神经网络分别在容量退化至健康状态SOH为1、0.8时对CS2_37电池进行荷电状态估计，荷电状态的估计结果与基于安时积分法的实验结果如图3所示。在被估计的两个放电循环中，电池荷电状态估计值与基于安时积分法的实验值之间的均方根误差分别为2.38％，2.44％，证明了本方法在容量退化的锂电池荷电状态估计上的可行性和有效性。

Claims (1)

1.一种考虑容量退化的锂电池荷电状态估计方法，其特征在于，包括以下步骤：
步骤1：获取锂电池实验数据集，数据集中包含锂电池额定容量及实验过程中的锂电池电压、电流和时间数据；
步骤2：基于锂电池实验数据集计算锂电池荷电状态及锂电池健康状态，得到完整数据集；
步骤3：搭建包括两个输入端，一个输出端的神经网络，该神经网络的输入端1以电池的电压、电流为输入且输入格式为[V,Cur]，其中V,Cur分别是电池的电压值和电流值，该神经网络的输入端2以电池的健康状态为输入且输入格式为[SOH]，其中SOH为电池的健康状态，该神经网络还包含四个循环网络层和2个全连接层，分别为循环网络层1、循环网络层2、循环网络层3、循环网络层4、全连接层1、全连接层2，其中循环网络层1以输入端1为输入，循环网络层2以循环网络层1的输出为输入，全连接层1以循环网络层2的输出和输入端2为输入，全连接层2以全连接层1的输出为输入，循环网络层3以全连接层2的输出为输入，循环网络层4以循环网络层3的输出为输入，循环网络层4的输出即为神经网络的输出端并输出锂电池荷电状态值；
步骤4：使用完整数据集训练神经网络，将训练完成的神经网络用于锂电池荷电状态估计。
CN202110545488.6A 2021-05-19 2021-05-19 一种考虑容量退化的锂电池荷电状态估计方法 Active CN113391225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110545488.6A CN113391225B (zh) 2021-05-19 2021-05-19 一种考虑容量退化的锂电池荷电状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110545488.6A CN113391225B (zh) 2021-05-19 2021-05-19 一种考虑容量退化的锂电池荷电状态估计方法

Publications (2)

Publication Number Publication Date
CN113391225A CN113391225A (zh) 2021-09-14
CN113391225B true CN113391225B (zh) 2022-06-03

Family

ID=77618050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110545488.6A Active CN113391225B (zh) 2021-05-19 2021-05-19 一种考虑容量退化的锂电池荷电状态估计方法

Country Status (1)

Country Link
CN (1) CN113391225B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110703101A (zh) * 2019-09-12 2020-01-17 北京交通大学 一种锂离子电池分区间循环容量衰退预测方法
CN112269134A (zh) * 2020-09-10 2021-01-26 杭州电子科技大学 一种基于深度学习的电池soc和soh联合估计方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101595956B1 (ko) * 2014-11-12 2016-02-22 충북대학교 산학협력단 리튬이차전지의 전지잔량 측정 장치 및 방법
CN105319515B (zh) * 2015-11-18 2017-12-19 吉林大学 锂离子电池荷电状态和健康状态联合估算方法
KR20180055192A (ko) * 2016-11-16 2018-05-25 삼성전자주식회사 배터리 상태를 추정하는 방법 및 장치
CN109031147B (zh) * 2018-08-21 2020-12-01 湖南兴业绿色电力科技有限公司 一种磷酸铁锂电池组的soc估算方法
CN110082682B (zh) * 2019-03-12 2020-04-24 浙江大学 一种锂电池荷电状态估计方法
CN110658459B (zh) * 2019-09-12 2021-10-15 北京航空航天大学 基于双向循环神经网络的锂离子电池荷电状态估计方法
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
CN112067998A (zh) * 2020-09-10 2020-12-11 昆明理工大学 一种基于深度神经网络的锂离子电池荷电状态估计方法
CN112557907A (zh) * 2020-12-17 2021-03-26 杭州六纪科技有限公司 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110703101A (zh) * 2019-09-12 2020-01-17 北京交通大学 一种锂离子电池分区间循环容量衰退预测方法
CN112269134A (zh) * 2020-09-10 2021-01-26 杭州电子科技大学 一种基于深度学习的电池soc和soh联合估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
State of Charge Estimation and State of Health Diagnostic Method Using Multilayer Neural Networks;Jong-Hyun Lee 等;《2021 International Conference on Electronics, Information, and Communication (ICEIC)》;20210310;全文 *

Also Published As

Publication number Publication date
CN113391225A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
Chemali et al. Long short-term memory networks for accurate state-of-charge estimation of Li-ion batteries
Zheng et al. A novel capacity estimation method for lithium-ion batteries using fusion estimation of charging curve sections and discrete Arrhenius aging model
Chaoui et al. State of charge and state of health estimation for lithium batteries using recurrent neural networks
Chaoui et al. Lyapunov-based adaptive state of charge and state of health estimation for lithium-ion batteries
Kim Nonlinear state of charge estimator for hybrid electric vehicle battery
CN104535934B (zh) 在线前馈补偿的动力电池电荷状态估计方法与***
KR101227417B1 (ko) 리튬이온전지의 충전상태 추정방법 및 이 방법을 구현하기 위한 시스템
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
CN112881930B (zh) 一种基于物联网的储能电池健康管理预测方法及***
CN109459699A (zh) 一种锂离子动力电池soc实时监测方法
Qiuting et al. State of health estimation for lithium-ion battery based on D-UKF
CN107769335A (zh) 一种多模式锂电池智能充电管理方法及装置
CN110462412A (zh) 用于估计电池的soc的装置和方法
Lee et al. Li-ion battery electrode health diagnostics using machine learning
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN106004481A (zh) 一种混合动力汽车电池组soh值估算方法
Chaoui et al. State of charge estimation of LiFePO 4 batteries with temperature variations using neural networks
CN113420444A (zh) 一种基于参数在线辨识的锂离子电池soc估计方法
CN113391225B (zh) 一种考虑容量退化的锂电池荷电状态估计方法
CN117169723A (zh) 基于多模型融合的电池评估***
CN117074955A (zh) 一种基于云-端修正ocv的锂电池状态联合估计方法
Cen et al. Online parameter estimation/tracking for lithium-ion battery rc model
Chen et al. Online estimation of state of power for lithium-ion battery considering the battery aging
CN114487844A (zh) 一种基于电池容量的锂离子电池soc估计方法
Chang et al. An SOC estimation method based on sliding mode observer and the Nernst Equation

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