CN113484774A - 一种基于温度校准和神经网络的锂电池组容量估计方法 - Google Patents
一种基于温度校准和神经网络的锂电池组容量估计方法 Download PDFInfo
- Publication number
- CN113484774A CN113484774A CN202110946080.XA CN202110946080A CN113484774A CN 113484774 A CN113484774 A CN 113484774A CN 202110946080 A CN202110946080 A CN 202110946080A CN 113484774 A CN113484774 A CN 113484774A
- Authority
- CN
- China
- Prior art keywords
- data
- capacity
- capacity estimation
- battery pack
- charging
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 16
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 15
- 238000007600 charging Methods 0.000 claims description 64
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (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
本发明公开了一种基于温度校准和神经网络的锂电池组容量估计方法，具体包括以下步骤：(1)获取历史运行数据；(2)特征提取；(3)模型建立：建立一个基于遗传算法改进的埃尔曼神经网络的容量估计模型；(4)数据处理；(5)训练模型：使用所述的训练数据对基于遗传算法改进的埃尔曼神经网络的容量估计模型进行训练，获得最终的容量估计模型；(6)容量估计：测试数据输入到步骤(5)获得的确定的容量估计模型中，得到容量估计值。该方法属于数据驱动的方法，具有方便快捷、实时性好、适应性强等特点，能够实现锂离子电池组容量的在线实时估计，具有非常重要的应用价值。
Description
技术领域
本发明涉及电池组容量估计领域，具体涉及一种基于温度校准和神经网络的锂电池组容量估计方法。
背景技术
锂离子电池作为最具发展前途的储能原件，现在已经被广泛应用于电动汽车领域。对锂离子电池组进行精确的容量估计对提升电动汽车的安全性以及提高电动汽车的续航里程有着重要的作用。
到目前为止，锂电池容量的估计方法可以被分为三类：基于经验的方法、基于模型的方法和基于数据驱动的方法。基于经验的方法源于拟合经验数据，从而对SOH的值进行估计，这种方法对特定的电池能满足一定的预测精度但是往往需要在特定的条件下来进行。当电池面对复杂多变的放电和充电条件时，很难做到精准的估计，实际中使用性能较差，只能作为粗略的估计SOH的选择。基于模型的方法通过建立电池模型获取相关参数来进行电池SOH的估算，这也是研究电池衰退的一个重要方向。基于模型的方法包括电化学模型、等效电路模型和经验退化模型。电化学模型是从电化学的角度分析电池在退化过程中表现出来的规律，需要考虑电池的电压、电流、扩散系数、温度、电解液浓度对电池衰退的影响。基于模型的方法可以很好的反映电池的物理和化学特性，但是模型参数的选取受限于电池模型精度和鲁棒性。基于数据驱动的方法把电池看作一个黑箱，通过外部获得的参数来评定电池的容量。如果训练的好，这些参数在没有精确的机理模型的情况下也可以被用来进行精确地SOH估算。常见的数据驱动的方法有：支持向量机，神经网络，相关向量机，高斯过程回归等。根据充电电压曲线的特点，建立不同电压区间的SVM模型，然后采用基于交叉验证的网格搜索算法优化模型参数，从而进行精确地SOH预测，并得到了预测SOH的最佳电压区间。然而，数据驱动的方法缺乏一个强大的泛化能力，并且需要大量的数据和较长的时间来完成模型的训练。
发明内容
本发明索要解决的技术问题是提供一种基于温度校准和神经网络的锂电池组容量估计方法来解决现有技术中存在的未考虑温度对容量的影响、不能实现在线估计、估计精度低等问题。
为解决以上技术问题，本发明的技术方案为：提供一种基于温度校准和神经网络的锂电池组容量估计方法，其创新点在于，具体包括以下步骤：
(1)获取历史运行数据：通过数据采集模块采集并记录锂离子电池组的运行数据，并将采集到的数据上传至云服务器，读取上传至云端服务器的锂离子电池组的历史运行数据；
(2)特征提取：从步骤(1)中读取到的历史运行数据中提取电池组表面温度和累计里程，并根据从历史运行数据中读取到的充电电压、充电SOC、充电时间计算单体电池电压增量、与单体电池电压增量对应的充电容量增量、电池组SOC增量、与电池组SOC增量对应的充电容量增量、充电时间增量、用户单次充电的SOC变化量ΔSOC作为特征数据；
(3)模型建立：建立一个基于遗传算法改进的埃尔曼神经网络的容量估计模型；
(4)数据处理：对步骤(2)中所述的特征数据进行温度校准、LOF算法处理以及降维处理，所述的降维后的数据提取60％作为训练数据，剩下40％的数据作为测试数据；
(5)训练模型：使用所述的训练数据对基于遗传算法改进的埃尔曼神经网络的容量估计模型进行训练，获得最终的容量估计模型；
(6)容量估计：将步骤(4)中所述的测试数据输入到步骤(5)获得的确定的容量估计模型中，得到容量估计值，完成锂电池组的容量估计。
进一步的，所述的步骤(1)中的历史运行数据包括充电电流、累积里程、充电电压、充电SOC、充电时间、电池组表面温度。
进一步的，所述的步骤(3)中的建立的容量估计模型的特征包括输入层、隐藏层、全连接层和输出层，其中输入层节点为1，输出层节点为1，对所述的容量估计模型进行初处理：
(31)确定所述的容量估计模型的超参数，包括隐藏层数、隐藏层节点数、时间步、批处理个数、训练代数epochs，确定值分别为1，33，50，128，4000；
(32)初始化所述的容量估计模型的权重和偏置。
进一步的，所述的步骤(4)中数据处理具体包括以下步骤：
(41)对特征数据进行数据预处理：提取的历史运行数据中任意部分充电电流用安时积分法计算锂离子电池组实际的片段充电容量，再将片段充电容量与该时间段充电的SOC变化量作比值得到当前时刻电池组的最大可用容量，计算公式如下：
其中，Capart表示部分充电容量，I(t)表示t时刻的充电电流，tSOC＝50和tSOC＝80分别表示充电片段的起始时间和结束时间，Cam表示电池组当前时刻的最大可用容量，ΔSOC表示该充电片段SOC的变化量；
(42)利用温度数据和LOF算法和LLE算法对所述的特征数据和最大可用容量进行温度校准、LOF算法处理以及降维处理，计算公式分别如下：
温度校准：
LOF处理：
降维处理：
其中，Q(i)代表温度校准前的第i个原始数据，Q'(i)代表温度校准后的第i个数据，Ti代表第i个数据对应的温度值，低Nk(p)表示点p的k距离邻域，点o为邻域内的某一点；lrdk(p)，lrdk(o)分别表示点p与点o的局部可达密度；xij表示点xi的第j个近邻点；ωij表示样本点xi邻域内第j个近邻点的重构权重，当xij不属于xi的邻域时，ωij＝0；约束条件
表示权值矩阵ω中的每一行相加为1；yi表示每一个高维向量xi对应的低维向量；
(43)特征数据经过步骤(42)处理后，形成容量估计模型的输入向量X＝{x1,x2,...,xm}，所述的容量估计模型对应的输出向量为安时积分法得出的当前时刻最大可用容量Y＝[C1,C2,…,Cm]，m代表训练样本量；
(44)将数据处理后的特征数据转化为改进埃尔曼神经网络所需的输入序列格式。
进一步的，步骤(5)中训练模型具体包括如下步骤：
(51)将步骤(4)中所述的训练数据输入到容量估计模型中，通过前向传播计算出电池组容量估计值
计算公式如下：
其中，f表示所述的模型的一次前向传播；
(52)计算所述的容量估计模型的损失函数值，计算公式如下：
其中，N表示训练数据的长度；t表示训练数据的序号，yt表示训练数据的容量标签值，
表示训练数据的容量估计值；
(53)使用遗传算法不断调整所述的容量估计模型的权重与偏置；
(54)不断重复步骤(51)-步骤(53)直至所述的容量估计模型收敛，确定最终的容量估计模型。
本发明和现有技术相比，产生的有益效果为:
1.相比普通神经网络，本发明使用的基于遗传算法改进的埃尔曼神经网络具有对动态信息的记忆及处理功能，遗传算法可以对神经网络结构、初始权值、阈值等进行优化，从而先在解的空间中确定一个良好的搜索空间，因此可以更快求出最优解，耗时短，精度较高。
2.相比于传统的基于模型的估计方法，它只适用于利息按估计，且可能丢失一些非线性和相互关联的关系，而本发明使用的基于遗传算法优化的埃尔曼神经网络是基于数据驱动，适用于研究对象很复杂难以用物理模型描述或者物理模型过于复杂的情况，且可以对电池组容量进行实时在线估计。
3.本发明通过获取电池充放电情况下的温度数据，然后利用温度数据对估计容量进行校准，从而部分消除了温度对容量的影响。
4.因为本发明使用的方法是基于数据驱动的，通过对所获得的历史数据进行分析和挖掘，得到特征描述从而构建并调整容量估计模型，因此适用于变电、变温度工况下的电池组容量估计。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种基于温度校准和神经网络的锂电池组容量估计方法的流程图。
图2是本发明实施例1的基于改进的埃尔曼神经网络的容量估计模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面将结合附图和实施例，对本发明的技术方案进行清楚地描述。显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明提供一种基于温度校准和神经网络的锂电池组容量估计方法，其创新点在于，具体包括以下步骤：
(1)获取历史运行数据：通过数据采集模块采集并记录锂离子电池组的运行数据，并将采集到的数据上传至云服务器，读取上传至云端服务器的锂离子电池组的历史运行数据；其中,历史运行数据包括充电电流、累积里程、充电电压、充电SOC、充电时间、电池组表面温度。
(2)特征提取：从步骤(1)中读取到的历史运行数据中提取电池组表面温度和累计里程，并根据从历史运行数据中读取到的充电电压、充电SOC、充电时间计算单体电池电压增量、与单体电池电压增量对应的充电容量增量、电池组SOC增量、与电池组SOC增量对应的充电容量增量、充电时间增量、用户单次充电的SOC变化量ΔSOC作为特征数据；
(3)模型建立：建立一个基于遗传算法改进的埃尔曼神经网络的容量估计模型；其中，建立的容量估计模型的特征包括输入层、隐藏层、全连接层和输出层，其中输入层节点为1，输出层节点为1，对容量估计模型进行处理如下：
(31)确定容量估计模型的超参数，包括隐藏层数、隐藏层节点数、时间步、批处理个数、训练代数epochs，确定值分别为1，33，50，128，4000；
(32)初始化容量估计模型的权重和偏置。
(4)数据处理：对步骤(2)中特征数据进行温度校准、LOF算法处理以及降维处理，所述的降维后的数据提取60％作为训练数据，剩下40％的数据作为测试数据；其中，具体的数据处理包括以下步骤：
(41)对特征数据进行数据预处理：提取的历史运行数据中任意部分充电电流用安时积分法计算锂离子电池组实际的片段充电容量，再将片段充电容量与该时间段充电的SOC变化量作比值得到当前时刻电池组的最大可用容量，计算公式如下：
其中，Capart表示部分充电容量，I(t)表示t时刻的充电电流，tSOC＝50和tSOC＝80分别表示充电片段的起始时间和结束时间，Cam表示电池组当前时刻的最大可用容量，ΔSOC表示该充电片段SOC的变化量；
(42)利用温度数据和LOF算法和LLE算法对所述的特征数据和最大可用容量进行温度校准、LOF算法处理以及降维处理，计算公式分别如下：
温度校准：
LOF处理：
降维处理：
其中，Q(i)代表温度校准前的第i个原始数据，Q'(i)代表温度校准后的第i个数据，Ti代表第i个数据对应的温度值，低Nk(p)表示点p的k距离邻域，点o为邻域内的某一点；lrdk(p)，lrdk(o)分别表示点p与点o的局部可达密度；xij表示点xi的第j个近邻点；ωij表示样本点xi邻域内第j个近邻点的重构权重，当xij不属于xi的邻域时，ωij＝0；约束条件
表示权值矩阵ω中的每一行相加为1；yi表示每一个高维向量xi对应的低维向量；
(43)特征数据经过步骤(42)处理后，形成容量估计模型的输入向量X＝{x1,x2,...,xm}，所述的容量估计模型对应的输出向量为安时积分法得出的当前时刻最大可用容量Y＝[C1,C2,…,Cm]，m代表训练样本量；
(44)将数据处理后的特征数据转化为改进埃尔曼神经网络所需的输入序列格式。
(5)训练模型：使用所述的训练数据对基于遗传算法改进的埃尔曼神经网络的容量估计模型进行训练，获得最终的容量估计模型；练模型具体包括如下步骤：
(51)将步骤(4)中所述的训练数据输入到容量估计模型中，通过前向传播计算出电池组容量估计值
，计算公式如下：
其中，f表示所述的模型的一次前向传播；
(52)计算所述的容量估计模型的损失函数值，计算公式如下：
其中，N表示训练数据的长度；t表示训练数据的序号，yt表示训练数据的容量标签值，
表示训练数据的容量估计值；
(53)使用遗传算法不断调整所述的容量估计模型的权重与偏置；
(54)不断重复步骤(51)-步骤(53)直至容量估计模型收敛，确定最终的容量估计模型。
(6)容量估计：将步骤(4)中测试数据输入到步骤(5)获得的确定的容量估计模型中，得到容量估计值，完成锂电池组的容量估计。
实施例1
针对上述容量估计方法的具体步骤，本实施方案中从云数据平台的20个不同老化程度的三元锂电池组中随机选择的两个电池组，选择的两个电池组额定容量都为20Ah，其中一个随机选择的电池组的初始容量为17.18Ah，另一个的初始容量为18.92Ah。
本实施例如图1所示，具体包括一下步骤：
(1)获取历史充电数据：通过数据采集模块以10HZ的采集频率采集记录选定的锂离子电池组充放电数据，然后将采集的数据上传至云端服务器，通过对云端获取锂离子电池组的历史充放电数据；
(2)特征提取：从步骤(1)中读取到的历史运行数据中提取电池组表面温度和累计里程，并根据从历史运行数据中读取到的充电电压、充电SOC、充电时间计算单体电池电压增量、与单体电池电压增量对应的充电容量增量、电池组SOC增量、与电池组SOC增量对应的充电容量增量、充电时间增量、用户单次充电的SOC变化量ΔSOC作为特征数据，本实施例中的单体电池电压增量选择了3.8V-4.1V的增量，即为0.3V，电池组SOC增量选择50％-80％的增量，即30％的电池组SOC增量。
(3)按照上述一种基于温度校准和神经网络的锂电池组容量估计方法的步骤(3)建立容量估计模型，如图2所示，并对模型进行初处理。
(4)按照上述一种基于温度校准和神经网络的锂电池组容量估计方法的步骤(4)对特征数据进行处理。
(5)训练模型：按照上述一种基于温度校准和神经网络的锂电池组容量估计方法的步骤(5)对容量估计模型进行训练，获得最终的容量估计模型。
(6)容量估计：将测试数据输入到最终获得的容量估计模型中，得到电池组容量估计结果值。
在本发明中，容量估计模型建立好后，可以使用均方根误差、平均绝对误差和平均绝对百分比误差来评估模型的性能，计算公式如下：
其中，RMSE表示均方根误差，MAE表示平均绝对误差，MAPE表示平均绝对百分比误差，m表示测试数据的长度，k表示测试数据的序号，yk表示测试数据的容量标签值，
表示测试数据的容量估计值。
还可以使用平均测试时间(MTT)来评估模型的实时响应性能。
根据国内外研究现状表明，在实际应用中均方根误差低于4％、平均绝对误差低于2％就已经满足实际的应用要求。
本实施例中，老化程度SOH为82％的三元锂电池的估计结果如表1和表2所示，其中，表1为初始容量为17.19Ah的电池组的容量估计结果，表2为初始容量为18.96Ah的电池组的容量估计结果：
表1
表2
从估计结果可以看出，初始容量为17.19Ah的电池组d测试数据的均方根误差为0.0311Ah，平均绝对误差为0.0240Ah，平均绝对百分比误差为0.1437Ah，初始容量为18.96Ah的电池组d测试数据的均方根误差为0.0525Ah，平均绝对误差为0.0476Ah，平均绝对百分比误差为0.2327Ah，这证明了基于温度校准和遗传算法改进的埃尔曼神经网络的容量估计模型拥有优越的性能，能够充分的学习到电池老化过程中电池的电压、电流、温度、恒流充电时间与容量之间的非线性映射关系，并提供快速精准的容量估计，满足实时性要求，可用于实际应用。
综上可以看出，本发明提出的容量估计方法满足容量实时估计的精度要求和时间要求，因而能够实现锂离子电池容量的在线实时估计，具有非常重要的应用价值。
Claims (5)
1.一种基于温度校准和神经网络的锂电池组容量估计方法，其特征在于，具体包括以下步骤：
(1)获取历史运行数据：通过数据采集模块采集并记录锂离子电池组的运行数据，并将采集到的数据上传至云服务器，读取上传至云端服务器的锂离子电池组的历史运行数据；
(2)特征提取：从步骤(1)中读取到的历史运行数据中提取电池组表面温度和累计里程，并根据从历史运行数据中读取到的充电电压、充电SOC、充电时间计算单体电池电压增量、与单体电池电压增量对应的充电容量增量、电池组SOC增量、与电池组SOC增量对应的充电容量增量、充电时间增量、用户单次充电的SOC变化量ΔSOC作为特征数据；
(3)模型建立：建立一个基于遗传算法改进的埃尔曼神经网络的容量估计模型；
(4)数据处理：对步骤(2)中所述的特征数据进行温度校准、LOF算法处理以及降维处理，所述的降维后的数据提取60％作为训练数据，剩下40％的数据作为测试数据；
(5)训练模型：使用所述的训练数据对基于遗传算法改进的埃尔曼神经网络的容量估计模型进行训练，获得最终的容量估计模型；
(6)容量估计：将步骤(4)中所述的测试数据输入到步骤(5)获得的确定的容量估计模型中，得到容量估计值，完成锂电池组的容量估计。
2.根据权利要求1所述的一种基于温度校准和神经网络的锂电池组容量估计方法，其特征在于，所述的步骤(1)中的历史运行数据包括充电电流、累积里程、充电电压、充电SOC、充电时间、电池组表面温度。
3.根据权利要求1所述的一种基于温度校准和神经网络的锂电池组容量估计方法，其特征在于，所述的步骤(3)中的建立的容量估计模型的特征包括输入层、隐藏层、全连接层和输出层，其中输入层节点为1，输出层节点为1，对所述的容量估计模型进行初处理：
(31)确定所述的容量估计模型的超参数，包括隐藏层数、隐藏层节点数、时间步、批处理个数、训练代数epochs，确定值分别为1，33，50，128，4000；
(32)初始化所述的容量估计模型的权重和偏置。
4.根据权利要求1所述的一种基于温度校准和神经网络的锂电池组容量估计方法，其特征在于，所述的步骤(4)中数据处理具体包括以下步骤：
(41)对特征数据进行数据预处理：提取的历史运行数据中任意部分充电电流用安时积分法计算锂离子电池组实际的片段充电容量，再将片段充电容量与该时间段充电的SOC变化量作比值得到当前时刻电池组的最大可用容量，计算公式如下：
其中，Capart表示部分充电容量，I(t)表示t时刻的充电电流，tSOC＝50和tSOC＝80分别表示充电片段的起始时间和结束时间，Cam表示电池组当前时刻的最大可用容量，ΔSOC表示该充电片段SOC的变化量；
(42)利用温度数据和LOF算法和LLE算法对所述的特征数据和最大可用容量进行温度校准、LOF算法处理以及降维处理，计算公式分别如下：
温度校准：
LOF处理：
降维处理：
其中，Q(i)代表温度校准前的第i个原始数据，Q'(i)代表温度校准后的第i个数据，Ti代表第i个数据对应的温度值，低Nk(p)表示点p的k距离邻域，点o为邻域内的某一点；lrdk(p)，lrdk(o)分别表示点p与点o的局部可达密度；xij表示点xi的第j个近邻点；ωij表示样本点xi邻域内第j个近邻点的重构权重，当xij不属于xi的邻域时，ωij＝0；约束条件
表示权值矩阵ω中的每一行相加为1；yi表示每一个高维向量xi对应的低维向量；
(43)特征数据经过步骤(42)处理后，形成容量估计模型的输入向量X＝{x1,x2,...,xm}，所述的容量估计模型对应的输出向量为安时积分法得出的当前时刻最大可用容量Y＝[C1,C2,…,Cm]，m代表训练样本量；
(44)将数据处理后的特征数据转化为改进埃尔曼神经网络所需的输入序列格式。
5.根据权利要求1所述的一种基于温度校准和神经网络的锂电池组容量估计方法，其特征在于，步骤(5)中训练模型具体包括如下步骤：
(51)将步骤(4)中所述的训练数据输入到容量估计模型中，通过前向传播计算出电池组容量估计值
计算公式如下：
其中，f表示所述的模型的一次前向传播；
(52)计算所述的容量估计模型的损失函数值，计算公式如下：
其中，N表示训练数据的长度；t表示训练数据的序号，yt表示训练数据的容量标签值，
表示训练数据的容量估计值；
(53)使用遗传算法不断调整所述的容量估计模型的权重与偏置；
(54)不断重复步骤(51)-步骤(53)直至所述的容量估计模型收敛，确定最终的容量估计模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110946080.XA CN113484774B (zh) | 2021-08-18 | 2021-08-18 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110946080.XA CN113484774B (zh) | 2021-08-18 | 2021-08-18 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113484774A true CN113484774A (zh) | 2021-10-08 |
| CN113484774B CN113484774B (zh) | 2024-01-26 |
Family
ID=77946787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110946080.XA Active CN113484774B (zh) | 2021-08-18 | 2021-08-18 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113484774B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116298931A (zh) * | 2023-05-12 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 一种基于云端数据的锂离子电池容量估计方法 |
| CN117284145A (zh) * | 2023-11-24 | 2023-12-26 | 张家港保税区长江国际港务有限公司 | 一种高压充电设备安全监控方法 |
| CN117368746A (zh) * | 2023-12-07 | 2024-01-09 | 深圳海辰储能科技有限公司 | 电池荷电状态的修正方法及装置、设备、存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
| CN110850298A (zh) * | 2019-10-29 | 2020-02-28 | 上海交通大学 | 基于数据驱动的锂电池soh估计方法及*** |
| 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 |
| CN112083334A (zh) * | 2020-08-11 | 2020-12-15 | 昆明理工大学 | 一种基于数据驱动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 |
| CN112630659A (zh) * | 2020-06-01 | 2021-04-09 | 青岛大学 | 一种基于改进bp-ekf算法的锂电池soc估算方法 |
-
2021
- 2021-08-18 CN CN202110946080.XA patent/CN113484774B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
| CN110850298A (zh) * | 2019-10-29 | 2020-02-28 | 上海交通大学 | 基于数据驱动的锂电池soh估计方法及*** |
| CN112630659A (zh) * | 2020-06-01 | 2021-04-09 | 青岛大学 | 一种基于改进bp-ekf算法的锂电池soc估算方法 |
| CN112083334A (zh) * | 2020-08-11 | 2020-12-15 | 昆明理工大学 | 一种基于数据驱动的锂离子电池荷电状态估计方法 |
| 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 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116298931A (zh) * | 2023-05-12 | 2023-06-23 | 四川新能源汽车创新中心有限公司 | 一种基于云端数据的锂离子电池容量估计方法 |
| CN116298931B (zh) * | 2023-05-12 | 2023-09-01 | 四川新能源汽车创新中心有限公司 | 一种基于云端数据的锂离子电池容量估计方法 |
| CN117284145A (zh) * | 2023-11-24 | 2023-12-26 | 张家港保税区长江国际港务有限公司 | 一种高压充电设备安全监控方法 |
| CN117284145B (zh) * | 2023-11-24 | 2024-03-12 | 张家港保税区长江国际港务有限公司 | 一种高压充电设备安全监控方法 |
| CN117368746A (zh) * | 2023-12-07 | 2024-01-09 | 深圳海辰储能科技有限公司 | 电池荷电状态的修正方法及装置、设备、存储介质 |
| CN117368746B (zh) * | 2023-12-07 | 2024-03-29 | 深圳海辰储能科技有限公司 | 电池荷电状态的修正方法及装置、设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113484774B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
| CN113484774B (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
| CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
| CN111323719A (zh) | 一种电动汽车动力电池组健康状态在线确定方法和*** | |
| CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
| CN110133525B (zh) | 一种应用于电池管理***的锂离子电池健康状态估计方法 | |
| CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
| Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN110888058A (zh) | 一种基于动力电池soc和soh联合估计的算法 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
| Shi et al. | A fast state-of-health estimation method using single linear feature for lithium-ion batteries | |
| CN113671394A (zh) | 一种锂离子电池期望寿命预测方法及*** | |
| 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*** | |
| CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
| CN116298934B (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
| CN109239603A (zh) | 一种流形正则化框架下的极限学习机预测动力电池soc方法 | |
| CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
| Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
| Wang et al. | An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm | |
| Zhang et al. | Realizing accurate battery capacity estimation using 4 min 1C discharging data | |
| Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
| CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
| CN117517963A (zh) | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 |
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 |