CN113740736A - 一种基于深度网络自适应的电动汽车锂电池soh估算方法 - Google Patents
一种基于深度网络自适应的电动汽车锂电池soh估算方法 Download PDFInfo
- Publication number
- CN113740736A CN113740736A CN202111009944.1A CN202111009944A CN113740736A CN 113740736 A CN113740736 A CN 113740736A CN 202111009944 A CN202111009944 A CN 202111009944A CN 113740736 A CN113740736 A CN 113740736A
- Authority
- CN
- China
- Prior art keywords
- data
- soh
- network
- battery
- curve
- 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 95
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 15
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 230000032683 aging Effects 0.000 claims abstract description 15
- 238000013526 transfer learning Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 239000012634 fragment Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 19
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 15
- 238000002474 experimental method Methods 0.000 claims description 15
- 229910001416 lithium ion Inorganic materials 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000013508 migration Methods 0.000 description 18
- 230000005012 migration Effects 0.000 description 18
- 238000012706 support-vector machine Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 9
- 239000004576 sand Substances 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229910018487 Ni—Cr Inorganic materials 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- VNNRSPGTAMTISX-UHFFFAOYSA-N chromium nickel Chemical compound [Cr].[Ni] VNNRSPGTAMTISX-UHFFFAOYSA-N 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出一种基于深度网络自适应的电动汽车锂电池SOH估算方法,先对数据进行预处理,数据预处理后在原有的电压、电流、时间曲线的基础上构建SOC曲线和容量增量IC曲线,并根据这些曲线进行了特征提取;利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性,验证特征提取是否有效;再构建SOH估算模型;通过在深度网络中添加自适应层结合深度学习和领域自适应,实现迁移学习,建立出基于深度自适应网络的SOH估算模型;本发明能够有效的将电池老化信息从实验数据中迁移到工况数据下,有效的弥补了工况下电池老化信息不足的问题,提高了工况下SOH估算的精度,使其能够满足SOH估算的需求,可以应用于车载电池管理***中。
Description
技术领域
本发明属于电池健康状态估算及迁移学习领域,具体地,涉及一种基于深度网络自适 应的电动汽车锂电池SOH估算方法。
背景技术
燃油车尾气包含各种温室气体,其排放已成为大气污染的重要源头之一,因此能耗低、 污染物排放少的电动汽车受到国内外的普遍关注。我国电动汽车发展势头良好,电动汽车 保有量持续增长。
电动车采用动力电池作为其动力源,常用的动力电池有锂离子电池,镍铬蓄电池、镍 氢蓄电池及铅酸蓄电池等。其中锂电池因其绿色环保、密度高、寿命长、温度适应性宽、自放电率小等优良特性,成为重要研究方向。锂离子电池电动汽车电池组由多个锂电池组成,需要先进的电池管理***(Battery Management System,BMS)来对其进行管理,其 中荷电状态(State Of Charge,SOC)和健康状态(State Of Health,SOH)的估计是BMS 的基础。
锂电池健康状态(SOH)是评价电池性能衰退的指标,在反应电池故障情况和进行电 池状态的安全预警方面有着重要意义。准确实时的SOH评估,有利于及时更换低寿命电池, 降低故障发生的概率,保障车辆和人员的安全,避免资源的浪费。目前很多学者已经采用 不同的方式对锂离子电池的健康状态进行了研究,研究的焦点主要集中于基于数据驱动的 SOH估算方法。
基于数据驱动的SOH估算方法较传统的方法而言,具有更大的灵活性及适用性,是SOH在线估计的研究的热点以及未来的方向。但是现阶段的数据驱动方法仍然有一定的局限性,数据驱动模型学习高度依赖建模数据,而现阶段的大多数SOH数据驱动研究使用的训练数据都来自于实验室的电池全充全放实验,而缺少基于工况数据的研究。在工况情况下,电动车车主多选择在电量剩余30%-50%之间时就进行充电,相比全充实验数据,日常获取到的充电数据仅含有部分充电过程,本发明称之为片段充电数据。片段数据无法直接计算SOH值,而对电动车锂电池进行全充全放实验所需时间长且成本较大,工况下带标签的全充数据难以获得。因此工况下带标签数据较少,电池老化信息缺失,在这种情况下建模难度较大,相关研究缺乏。
因此,鉴于现实的实际需求以及该领域的研究缺失,为了满足工况下电动车SOH日常 估算的需求,本发明研究了基于片段充电数据的电动汽车锂电池SOH估算方法。利用迁移 学习,将已有的大量的电池老化实验数据中锂离子电池的共有知识迁移到工况数据域,并 基于工况片段充电数据建立了基于深度网络自适应的SOH估算模型。对比实验结果表明, 基于深度网络自适应的SOH估算模型具有精度上的优势,能够满足日常SOH估算的需求。
发明内容
本发明提出了一种基于深度网络自适应的电动汽车锂电池SOH估算方法,通过深度网 络自适应,减小源域和目标域之间的距离,使得信息更好的从实验数据迁移到工况数据, 完成迁移学习,提高SOH估算模型的精度。
本发明是通过以下方案实现的:
一种基于深度网络自适应的电动汽车锂电池SOH估算方法:
步骤一:数据预处理及特征提取;数据预处理后在原有的电压、电流、时间曲线的基 础上构建SOC曲线和容量增量IC曲线,并根据这些曲线进行了特征提取;利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性,验证特征提取是否有效;
步骤二:构建SOH估算模型;通过在深度网络中添加自适应层结合深度学习和领域自 适应,实现迁移学习,建立基于深度自适应网络的SOH估算模型;
步骤三:SOH估算:当有新的片段数据进来的时候,将新的片段数据进行了数据预处 理及特征提取后,送入训练好的模型中进行预测,得到片段数据的预测结果。
进一步地,
SOH描述的电池状态长期变化情况,采用百分比表示,取值范围为0~100%;
当SOH=100%时表示电池为新电池,当SOH下降到80%为电池寿命终止;
从容量、阻抗和功率角度出发表述动力电池健康状态的衰减参数;采用以电池容量衰 减为特征的SOH定义:
其中Capo代表锂离子的初始容量,单位为Ah,Capm代表锂离子电池在该次循环时的最大可用容量,单位为Ah。
进一步地,
深度网络自适应网络的损失函数采用如下定义方式:
l=lc(Ds,ys)+λlA(Ds,Dt) (2)
进一步地,在步骤一中,
步骤一一:对原始数据进行预处理,所述预处理包括缺失值补全、异常值处理及噪声 处理;
步骤一二:针对源域实验数据中已有的准确测量的电压和电流数据,进行源域数据 SOC曲线构造;k时刻的SOC的定义如下:
对于源域数据,由SOC为0时开始进行全充实验,即SOC(0)的值为0;
其中tk为k时刻的时间,I(t)为t时刻的电流值;
步骤一三:经过数据预处理后,在原有的电压、电流、时间曲线的基础上构建容量增 量IC曲线,通过数据维度来辅助进行特征的提取。
通过将充电或放电过程中电池电量的变化和端电压的变化进行差分计算得到IC曲 线,IC曲线的计算方式如下:
步骤一四:利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性,验证特征提 取是否有效;
皮尔逊相关系数用于度量两个变量X和Y之间的线性相关程度,相关程度的值介于-1与1之间;
皮尔逊相关系数ρ的公式定义如下:
其中σx、σy代表两变量的标准差,con(X,Y)代表两变量的协方差,协方差计算公式如下:
皮尔逊相关系数在协方差的基础上除以两个变量的标准差;
步骤一五:通过皮尔逊相关系数确定电池衰减情况的特征;
皮尔逊相关系数的变化范围为-1到1;当皮尔逊相关系数为正时,两变量呈正相关; 为负时,两变量呈负相关,其绝对值越接近于1代表相关性越大,而当取值接近0时, 即两个变量没有相关性的程度越大;
所述5个能反应电池衰减情况的特征分别为:
(1)充入的容量Q_vv;
(2)IC曲线峰值IC_max;
(3)IC曲线平均值IC_mean;
(4)片段充电时长V_time;
(5)片段数据充入容量/SOC的变化量Q_soc;
其中片段数据充入容量/SOC的变化量Q_soc定义如下,
其中T1和T2代表电压片段是起始时间和结束时间,Ts代表时间序列的采样间隔。
进一步地,在步骤二中,
源域数据为NASA电池老化实验数据集,目标域为已有标注的少量工况数据;
通过迁移学习,利用在电池老化实验数据集上学习到的知识构建工况数据下的SOH 估计模型;
通过在深度网络中添加自适应层结合深度学习和领域自适应,实现迁移学习,建立基 于深度自适应网络的SOH估算模型。
进一步地,
所述基于深度自适应网络的SOH估算模型建模包括以下步骤:
S1:搭建两个五层感知机网络,前三层网络参数两域通用,并始终保持一致,将步骤 一中提取出的特征作为输入SOH真实值作为标签;并对网络进行训练;
S2:创建一个同样结构的五层感知机模型,将S1得到的预训练模型迁移到新的模型 上;在目标域工况数据上训练并微调参数,得到最终的SOH估算模型;
S3:新的日常片段数据经过数据预处理和特征提取,将提取到的特征输入S2学习到 的模型,得到的输出即为SOH的估算值。
进一步地,
深度自适应网络的具体学习过程如下:
S1:初始化各层的参数;
S2:在每次迭代中将源域和目标域特征送入网络;
S3:特征经过前几层全连接层后,在回归层的前一层加入最大均值差异MMD来度量两 域的距离;
其中X和Y两个数据集,分别从分布p和q中采样而来,m和n则分别代表X和Y的 数据大小,f代表映射函数,MMD的计算公式为:
MMD选择了线性核作为核函数,并将MMD度量得到的网络自适应损失记为lA,在计算度 量的同时计算源域网络预测值与真实值的MSE误差,将计算得到的回归损失记为lR;
最终模型的误差函数同时包含这两个部分:其中λ为衡量回归误差与域自适应误差的权 重,
loss=lR+λlA (11)
得到总体的误差后,对计算出的整体误差进行反向传播,计算得到各层的误差信号,并 采用随机梯度下降SGD算法来更新模型参数,每次只选用一个样本来进行迭代,更新参数 后再重复进行上述迭代步骤,直到迭代次数结束。
进一步地,
在模型训练迭代过程中源域和目标域之间的距离逐渐减小,信息从源域迁移到了目标 域,即得到基于深度网络自适应的SOH估算模型;
当有新的片段数据进来的时候,将片段数据进行了数据预处理及特征提取后,送入训 练好的模型中进行预测,即可得到片段数据的预测结果。
本发明有益效果
(1)本发明为了验证基于深度网络自适应的SOH估算方法的有效性,选取了SOH估算中常用的两种方法:支持向量机回归(Support Vector Machine,SVM)和高斯过程回 归(Gaussian Process Regression,GPR),以及基于Fine_Tune网络迁移的SOH估算方 法作为本发明所提方法的对比方法。已有很多学者采用SVM和GPR进行了SOH预测,并取 得了很多不错的效果,证明了SVM和GPR可以很好的预测锂离子电池SOH值,而基于 Fine_Tune网络迁移的SOH估算方法可以验证模型在迁移学习上的有效性,因此这些模型 适合作为本发明的对比模型;
(2)本发明采用基于深度网络自适应的SOH估算模型,能够有效的将电池老化信息从实验数据中迁移到工况数据下,有效的弥补了工况下电池老化信息不足的问题,提高了工况下SOH估算的精度,使其能够满足SOH估算的需求,可以应用于车载电池管理***中。
附图说明
图1为本发明的SOH估计模型;
图2为本发明的SOH估算的流程;
图3为本发明训练过程源域损失变化、两域之间距离变化及在目标域上测试的损失变化 对比图;
图4为采用领域自适应方法、SVM、高斯过程回归及Fine_Tune网络迁移方法分别对SOH 值进行预测的对比图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描 述,显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
结合图1至图4,
一种基于深度网络自适应的电动汽车锂电池SOH估算方法:
步骤一:数据预处理及特征提取;数据预处理后在原有的电压、电流、时间曲线的基 础上构建SOC曲线和容量增量IC曲线,并根据这些曲线进行了特征提取;利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性,验证特征提取是否有效;
步骤二:构建SOH估算模型;通过在深度网络中添加自适应层结合深度学习和领域自 适应,实现迁移学习,建立基于深度自适应网络的SOH估算模型;
步骤三:SOH估算:当有新的片段数据进来的时候,将新的片段数据进行了数据预处 理及特征提取后,送入训练好的模型中进行预测,得到片段数据的预测结果。
现阶段SOH主要估算方法有以实验法、模型法为主的非数据驱动方法,和以人工神经 网络、高斯回归、支持向量机法为主的数据驱动法。由于锂离子电池测量过程较复杂及内 部结构复杂,建模难度大,非数据方法难以满足日常SOH估算的要求。因此研究的热点和未来的方向主要集中在基于数据驱动的SOH估算方法。
基于数据驱动的SOH估算方法以锂离子电池充电过程中的电压、电流、温度、SOC、容量等数据为基础,结合算法实现SOH估算。数据驱动方法仅需要电池的充电过程性能数据,而不需要根据电池特性建立复杂的模型,相对非数据驱动法更实用也更适合于SOH 实时评估。
SOH代表在经过一定时间和次数的循环充放电使用后所能够储存和放出的最大电量 的能力,该能力可从电池内部的阻抗、容量、充放电功率等性能参数的变化反应。SOH描述的是电池状态长期变化情况,也是采用百分比表示,取值范围为0~100%,当SOH=100%时表示电池为新电池,目前一般将SOH下降到80%视为电池寿命终止。
从容量、阻抗和功率角度出发表述动力电池健康状态的衰减参数;采用以电池容量衰 减为特征的SOH定义:
其中Capo代表锂离子的初始容量,单位为Ah,Capm代表锂离子电池在该次循环时的最大可用容量,单位为Ah。
迁移学习利用数据和领域之间存在的相似性关系,并利用相似性将信息在两域之间迁 移,从而完成迁移学习任务。
Domain→D=(χ,P(X))
领域分为源领域(Source Domain)和目标领域(Target Domain)。
源领域带有标签数据,含有对目标域有用的信息的领域,是要迁移的对象;目标领域, 是希望通过迁移赋予知识的领域。通常用小写下标s和t来分别指代两个领域。结合领域 的表示方式,Ds表示源领域,Dt表示目标领域。
给定一个特定的域D={X,P(X)}后,任务由两个部分组成:一个是标签空间另一个是在这个标签对应的函数f。任务分为源任务Ts和目标任务Tt,源任务代表源域的学习 目标,而目标任务代表目标域的学习目标。
Task→T=(Y,f)
对于每个迁移学习任务,迁移学习模型到的预测函数与真实函数f之间具有一个学习 误差εD,其中h为模型学习到的假设。
εD=(h,f)=Ex~D(|h(X)-f(X)|)
迁移学习模型的目的是使得假设函数尽可能的逼近真实函数f,即使得误差 εD(h,f)尽可能小。
领域自适应关注源域和目标域任务一致、特征空间一致、但特征数据分布不同的迁移 学习场景,通过减小源域和目标域之间数据分布的差异来实现迁移学习。
下面给出领域自适应的形式化定义:
给定源域Ds和目标域Dt,且Ds和Dt任务一致、特征空间一致,如下式:
当特征数据分布不一致时,如下式,进行的迁移学习称之为领域自适应。
深度网络自适应即在深度学习网络的基础上,加入自适应层,通过自适应层来完成源 域和目标域数据分布的自适应;通过自适应层,能够使源域和目标域的分布更加接近,进 而完成迁移学习任务。
深度网络自适应网络的损失函数采用如下定义方式:
l=lc(Ds,ys)+λlA(Ds,Dt)
在步骤一中,
步骤一一:对原始数据进行预处理,所述预处理包括缺失值补全、异常值处理及噪声 处理;
步骤一二:对源域实验数据中已有的准确测量的电压和电流数据,进行源域数据SOC 曲线构造;k时刻的SOC的定义如下:
对于源域数据,由SOC为0时开始进行全充实验,即SOC(0)的值为0;
其中tk为k时刻的时间,I(t)为t时刻的电流值;
步骤一三:实验数据只有电压和电流曲线,仅从这两条曲线能得出的信息有限,因此 在经过缺失值补全、异常数据处理等基础的预处理步骤后,在原有的电压、电流、时间SOC曲线的基础上构建容量增量(Incremental Capacity,IC)曲线,通过数据维度来辅 助进行特征的提取。
IC曲线是分析电池容量损失的有效工具,是从数据角度分析锂电池内部退化的一种 常用方法。IC曲线是利用微分方程从恒流状态下的充电过程中得到的。IC曲线上有着明显的波峰,这些波峰可以代表电池内部发生的特定电化学过程。IC曲线的波峰的幅度和 位置信息都不相同,这些信息的不同与电池容量衰减关系密切,采用IC曲线来监测锂离 子电池的老化情况。
通过将充电或放电过程中电池电量的变化和端电压的变化进行差分计算得到IC曲 线,IC曲线的计算方式如下:
式中,和分别为k和k+1时刻的电池电量,和分别为k和k+1时刻的 电池端电压;对应的曲线dQ/dU-U即为IC曲线;未经处理的IC曲线包含着大量噪声, 难以从这样的曲线得出可以反映电池老化状态的信息。因此,还需要对构造出的IC曲线 进行去噪处理。本发明采用了SG滤波器对其进行滤波。
步骤一四:在数据预处理的基础上进行了特征提取,利用皮尔逊相关系数(Pearson correlation coefficient,PCC)计算提取出的特征与SOH的相关性,以验证特征提取 是否有效;
皮尔逊相关系数用于度量两个变量X和Y之间的线性相关程度,相关程度的值介于-1与1之间;
皮尔逊相关系数ρ的公式定义如下:
其中σx、σy代表两变量的标准差,con(X,Y)代表两变量的协方差,协方差计算公式如下:
皮尔逊相关系数在协方差的基础上除以两个变量的标准差;
步骤一五:通过皮尔逊相关系数确定电池衰减情况的特征;
皮尔逊相关系数的变化范围为-1到1;当皮尔逊相关系数为正时,两变量呈正相关; 为负时,两变量呈负相关,其绝对值越接近于1代表相关性越大,而当取值接近0时, 即两个变量没有相关性的程度越大。最终从各个曲线中确定片段数据中了5个能反应电池 衰减情况的特征:
(1)充入的容量(Q_vv);
(2)IC曲线峰值(IC_max);
(3)IC曲线平均值(IC_mean);
(4)片段充电时长(V_time);
(5)片段数据充入容量/SOC的变化量。(Q_soc)。
其中第五项定义如下,
其中T1和T2代表电压片段是起始时间和结束时间,Ts代表时间序列的采样间隔。
在步骤二中,
源域数据为NASA电池老化实验数据集,目标域为已有标注的少量工况数据,迁移学 习的目标是利用在电池老化实验数据集上学习到的知识构建工况数据下的SOH估计模型;
通过在深度网络中添加自适应层的方式将深度学习和领域自适应相结合,从而实现迁 移学习。因此建立了基于深度自适应网络的SOH估算模型,如图1,上半部分为源域网络, 下半部分为目标域网络,共享两个网络的前三层参数。具体模型建立流程如下:
S1:搭建两个五层感知机网络,前三层网络参数两域通用,并始终保持一致,将步骤 一中提取出的特征作为输入SOH真实值作为标签;并对网络进行训练;训练过程中源域常 规损失和两域之间的距离逐渐减小。
S2:创建一个同样结构的五层感知机模型,将S1得到的预训练模型迁移到新的模型 上;在目标域工况数据上训练并微调参数,得到最终的SOH估算模型;
S3:新的日常片段数据经过数据预处理和特征提取,将提取到的特征输入S2学习到 的模型,得到的输出即为SOH的估算值。
深度自适应网络的具体学习过程如下:
S1:初始化各层的参数;
S2:在每次迭代中将源域和目标域特征送入网络;
S3:特征经过前几层全连接层后,在回归层的前一层加入最大均值差异MMD来度量两 域的距离;
MMD是一个衡量源领域和核目标领域之间分布距离的有效算法。它的基本原理为:寻 找一个函数f,并对源域和目标域的特征样本求在f上的函数值,并将均值的差作为一个两 域之间的距离。如果MMD足够小,那么认为这两个分布相同,如果MMD较大,那么认为这两个分布不相同。所以,MMD可以用来表示两个分布之间的相似程度。
MMD距离表示为:其中X和Y两个数据集,分别从分布p和q中采样而来,m和n则 分别代表X和Y的数据大小,f代表映射函数,它能将原始特征映射到高维再生希尔伯 特空间上。当两个分布相同的时候,MMD为零;
在MMD度量中,核函数的选择起到了非常重要的作用。常用的核函数有高斯核、多项 式核、线性核、拉普拉斯核等等。以高斯核为例,高斯核是一种径向基函数核,此时我们将内积用核函数表示,表示如下
因此,最终可以得到如下的表达式,为MMD的求解公式。
总的来说MMD可以看作是在再生核希尔伯特空间中两个点的距离,是一种核学习方 法,它可以用来衡量两个分布的距离。MMD的损失与源域回归损失加权后一起学习,即在学习的过程中缩小了两域之间的距离。
在本发明中MMD度量选择了线性核作为核函数,并将MMD度量得到的网络自适应损失 记为lA,在计算度量的同时计算源域网络预测值与真实值的MSE误差,将计算得到的回归 损失记为lR。最终模型的误差函数同时包含这两个部分:其中λ为衡量回归误差与域自适 应误差的权重,在本发明中经过测试权重参数λ取0.4时模型表现最优。
loss=lR+λlA (11)
得到总体的误差后,对计算出的整体误差进行反向传播,计算得到各层的误差信号, 并采用随机梯度下降(Stochastic Gradient Descent,SGD)算法来更新模型参数,SGD算 法每次只选用一个样本来进行迭代,训练速度较快。更新参数后再重复进行上述迭代步骤, 直到迭代次数结束。
SOH估算的流程如图2,主要分为训练阶段和预测阶段,首先对原始数据进行数据预 处理及特征提取;接着按照步骤二所介绍的流程进行深度领域自适应网络的搭建,接着进 行模型的训练和迭代,在模型训练迭代过程中源域和目标域之间的距离逐渐减小,信息从 源域迁移到了目标域,得到基于深度网络自适应的SOH估算模型。当有新的片段数据进来 的时候,将片段数据进行了数据预处理及特征提取后,送入训练好的模型中进行预测,即 可得到片段数据的预测结果。
为了验证基于深度网络自适应的SOH估算方法的有效性,选取了SOH估算中常用的两种方法:支持向量机回归(Support Vector Machine,SVM)和高斯过程回归(GaussianProcess Regression,GPR),以及基于Fine_Tune网络迁移的SOH估算方法作为本章所提 方法的对比方法。已有很多学者采用SVM和GPR进行了SOH预测,并取得了很多不错 的效果,证明了SVM和GPR可以很好的预测锂离子电池SOH值,而基于Fine_Tune网 络迁移的SOH估算方法可以验证模型在迁移学习上的有效性,因此这些模型适合作为本 实验的对比模型。
在这组实验中,将所有的NASA电池实验数据作为源域数据,工况数据作为目标域数据。设置上一节中所建立的基于深度领域自适应的OSH估算模型,并进行训练,参数 设置如下:
表1
训练过程源域损失变化、两域之间距离变化及在目标域上测试的损失变化如下,为了 方便观察,将y轴设置成了对数坐标轴。由图3可以看出,随着训练的进行,源域数据的误差在不断减小,同时两域之间的迁移误差也在不断减小,这意味着两域之间的距离随着训练的进行不断接近,而目标域损失的不断减小也印证了两域距离的缩小。训练结束后,模型在源域上的误差下降到1.9%,在目标域上的平均误差也下降到了3.0%,模型精度有了明显提升。
采用领域自适应方法、SVM、高斯过程回归及Fine_Tune网络迁移方法分别对SOH值进行预测,其预测结果如图4:可以看出相较于其它算法,采用深度领域自适应算法所 预测出的SOH值与真实SOH值更为接近,能更好的预测工况数据下的SOH值。
将各个算法估算出的SOH值与真实值SOH值相比较,最终各个方法在各车辆工况数据上的表现如下表,从表中结果可以看出,领域自适应方法的平均误差在工况下的表现优于其它对比方法,相对于其它方法其精度有明显的提升;最终在所有车辆上的误差下降到了3%,能够满足日常SOH估算的需求,电池老化信息通过深度网络自适应很好的从源 域迁移到了目标域。
表2
以上对本发明所提出的一种基于深度网络自适应的电动汽车锂电池SOH估算方法,进 行了详细介绍,对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助 理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想, 在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本 发明的限制。
Claims (8)
1.一种基于深度网络自适应的电动汽车锂电池SOH估算方法,其特征在于:
步骤一:数据预处理及特征提取;数据预处理后在原有的电压、电流、时间曲线的基础上构建SOC曲线和容量增量IC曲线,并根据这些曲线进行了特征提取;利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性,验证特征提取是否有效;
步骤二:构建SOH估算模型;通过在深度网络中添加自适应层结合深度学习和领域自适应,实现迁移学习,建立基于深度自适应网络的SOH估算模型;
步骤三:SOH估算:当有新的片段数据进来的时候,将新的片段数据进行了数据预处理及特征提取后,送入训练好的模型中进行预测,得到片段数据的预测结果。
4.根据权利要求1所述方法,其特征在于:在步骤一中,
步骤一一:对原始数据进行预处理,所述预处理包括缺失值补全、异常值处理及噪声处理;
步骤一二:针对源域实验数据中已有的准确测量的电压和电流数据,进行源域数据SOC曲线构造;k时刻的SOC的定义如下:
对于源域数据,由SOC为0时开始进行全充实验,即SOC(0)的值为0;
其中tk为k时刻的时间,I(t)为t时刻的电流值;
步骤一三:经过数据预处理后,在原有的电压、电流、时间曲线的基础上构建容量增量IC曲线,通过数据维度来辅助进行特征的提取。
通过将充电或放电过程中电池电量的变化和端电压的变化进行差分计算得到IC曲线,IC曲线的计算方式如下:
步骤一四:利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性,验证特征提取是否有效;
皮尔逊相关系数用于度量两个变量X和Y之间的线性相关程度,相关程度的值介于-1与1之间;
皮尔逊相关系数ρ的公式定义如下:
其中σx、σy代表两变量的标准差,con(X,Y)代表两变量的协方差,协方差计算公式如下:
皮尔逊相关系数在协方差的基础上除以两个变量的标准差;
步骤一五:通过皮尔逊相关系数确定电池衰减情况的特征;
皮尔逊相关系数的变化范围为-1到1;当皮尔逊相关系数为正时,两变量呈正相关;为负时,两变量呈负相关,其绝对值越接近于1代表相关性越大,而当取值接近0时,即两个变量没有相关性的程度越大;
所述5个能反应电池衰减情况的特征分别为:
(1)充入的容量Q_vv;
(2)IC曲线峰值IC_max;
(3)IC曲线平均值IC_mean;
(4)片段充电时长V_time;
(5)片段数据充入容量/SOC的变化量Q_soc;
其中片段数据充入容量/SOC的变化量Q_soc定义如下,
其中T1和T2代表电压片段是起始时间和结束时间,Ts代表时间序列的采样间隔。
5.根据权利要求4所述方法,其特征在于:在步骤二中,
源域数据为NASA电池老化实验数据集,目标域为已有标注的少量工况数据;
通过迁移学习,利用在电池老化实验数据集上学习到的知识构建工况数据下的SOH估计模型;
通过在深度网络中添加自适应层结合深度学习和领域自适应,实现迁移学习,建立基于深度自适应网络的SOH估算模型。
6.根据权利要求5所述方法,其特征在于:
所述基于深度自适应网络的SOH估算模型建模包括以下步骤:
S1:搭建两个五层感知机网络,前三层网络参数两域通用,并始终保持一致,将步骤一中提取出的特征作为输入SOH真实值作为标签;并对网络进行训练;
S2:创建一个同样结构的五层感知机模型,将S1得到的预训练模型迁移到新的模型上;在目标域工况数据上训练并微调参数,得到最终的SOH估算模型;
S3:新的日常片段数据经过数据预处理和特征提取,将提取到的特征输入S2学习到的模型,得到的输出即为SOH的估算值。
7.根据权利要求6所述方法,其特征在于:
深度自适应网络的具体学习过程如下:
S1:初始化各层的参数;
S2:在每次迭代中将源域和目标域特征送入网络;
S3:特征经过前几层全连接层后,在回归层的前一层加入最大均值差异MMD来度量两域的距离;
其中X和Y两个数据集,分别从分布p和q中采样而来,m和n则分别代表X和Y的数据大小,f代表映射函数,MMD的计算公式为:
MMD选择了线性核作为核函数,并将MMD度量得到的网络自适应损失记为lA,在计算度量的同时计算源域网络预测值与真实值的MSE误差,将计算得到的回归损失记为lR;
最终模型的误差函数同时包含这两个部分:其中λ为衡量回归误差与域自适应误差的权重,
loss=lR+λlA (11)
得到总体的误差后,对计算出的整体误差进行反向传播,计算得到各层的误差信号,并采用随机梯度下降SGD算法来更新模型参数,每次只选用一个样本来进行迭代,更新参数后再重复进行上述迭代步骤,直到迭代次数结束。
8.根据权利要求7所述方法,其特征在于:
在模型训练迭代过程中源域和目标域之间的距离逐渐减小,信息从源域迁移到了目标域,即得到基于深度网络自适应的SOH估算模型;
当有新的片段数据进来的时候,将片段数据进行了数据预处理及特征提取后,送入训练好的模型中进行预测,即可得到片段数据的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009944.1A CN113740736B (zh) | 2021-08-31 | 2021-08-31 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009944.1A CN113740736B (zh) | 2021-08-31 | 2021-08-31 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113740736A true CN113740736A (zh) | 2021-12-03 |
CN113740736B CN113740736B (zh) | 2024-04-02 |
Family
ID=78734068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009944.1A Active CN113740736B (zh) | 2021-08-31 | 2021-08-31 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113740736B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091975A (zh) * | 2021-12-08 | 2022-02-25 | 绍兴建元电力集团有限公司 | 一种储能电站运行寿命的评估方法 |
CN114200327A (zh) * | 2022-01-18 | 2022-03-18 | 哈尔滨工业大学 | 一种考虑多因素影响的电池包中单体电池soc估计方法 |
CN114290960A (zh) * | 2021-12-30 | 2022-04-08 | 中国第一汽车股份有限公司 | 获取动力电池的电池健康度的方法、装置和车辆 |
CN114910793A (zh) * | 2022-04-24 | 2022-08-16 | 广东工业大学 | 一种储能电站串联电池组的soh估计方法 |
CN115343627A (zh) * | 2022-10-19 | 2022-11-15 | 力高(山东)新能源技术股份有限公司 | 一种动力电池的soh估算方法 |
CN116577686A (zh) * | 2023-07-13 | 2023-08-11 | 北京和瑞储能科技有限公司 | 一种基于局部阶段充电数据的多工况soh估计方法和*** |
CN116859247A (zh) * | 2023-07-26 | 2023-10-10 | 哈尔滨工业大学 | 基于多源迁移学习的电动汽车锂电池soh估算方法 |
CN117686920A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池***内单体电池的端电压预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN110133525A (zh) * | 2019-05-13 | 2019-08-16 | 哈尔滨工业大学 | 一种应用于电池管理***的锂离子电池健康状态估计方法 |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
CN111965559A (zh) * | 2020-08-17 | 2020-11-20 | 西安理工大学 | 一种锂离子电池soh在线估计方法 |
CN111985156A (zh) * | 2020-08-19 | 2020-11-24 | 电子科技大学 | 一种预测电池健康状态的方法 |
CN112014757A (zh) * | 2020-08-27 | 2020-12-01 | 湖北工业大学 | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 |
CN112834945A (zh) * | 2020-12-31 | 2021-05-25 | 东软睿驰汽车技术(沈阳)有限公司 | 评估模型建立方法、电池健康状态评估方法及相关产品 |
-
2021
- 2021-08-31 CN CN202111009944.1A patent/CN113740736B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN110133525A (zh) * | 2019-05-13 | 2019-08-16 | 哈尔滨工业大学 | 一种应用于电池管理***的锂离子电池健康状态估计方法 |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
CN111965559A (zh) * | 2020-08-17 | 2020-11-20 | 西安理工大学 | 一种锂离子电池soh在线估计方法 |
CN111985156A (zh) * | 2020-08-19 | 2020-11-24 | 电子科技大学 | 一种预测电池健康状态的方法 |
CN112014757A (zh) * | 2020-08-27 | 2020-12-01 | 湖北工业大学 | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 |
CN112834945A (zh) * | 2020-12-31 | 2021-05-25 | 东软睿驰汽车技术(沈阳)有限公司 | 评估模型建立方法、电池健康状态评估方法及相关产品 |
Non-Patent Citations (3)
Title |
---|
SHENG LU, ET AL.: "Health State Prediction of Lithium Ion Battery Based On Deep Learning Method", 《IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING》 * |
YAPENG ZHOU, ET AL: "A novel health indicator for on-line lithium-ion batteries remaining useful life prediction", 《JOURNAL OF POWER SOURCES》 * |
王斐: "基于LSTM神经网络的锂电池SOH预测研究", 《硕士电子期刊》, no. 2, pages 4 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091975A (zh) * | 2021-12-08 | 2022-02-25 | 绍兴建元电力集团有限公司 | 一种储能电站运行寿命的评估方法 |
CN114290960A (zh) * | 2021-12-30 | 2022-04-08 | 中国第一汽车股份有限公司 | 获取动力电池的电池健康度的方法、装置和车辆 |
CN114290960B (zh) * | 2021-12-30 | 2023-10-27 | 中国第一汽车股份有限公司 | 获取动力电池的电池健康度的方法、装置和车辆 |
CN114200327B (zh) * | 2022-01-18 | 2023-07-28 | 哈尔滨工业大学 | 一种考虑多因素影响的电池包中单体电池soc估计方法 |
CN114200327A (zh) * | 2022-01-18 | 2022-03-18 | 哈尔滨工业大学 | 一种考虑多因素影响的电池包中单体电池soc估计方法 |
CN114910793A (zh) * | 2022-04-24 | 2022-08-16 | 广东工业大学 | 一种储能电站串联电池组的soh估计方法 |
CN115343627B (zh) * | 2022-10-19 | 2023-02-10 | 力高(山东)新能源技术股份有限公司 | 一种动力电池的soh估算方法 |
CN115343627A (zh) * | 2022-10-19 | 2022-11-15 | 力高(山东)新能源技术股份有限公司 | 一种动力电池的soh估算方法 |
CN116577686A (zh) * | 2023-07-13 | 2023-08-11 | 北京和瑞储能科技有限公司 | 一种基于局部阶段充电数据的多工况soh估计方法和*** |
CN116577686B (zh) * | 2023-07-13 | 2023-09-26 | 北京和瑞储能科技有限公司 | 一种基于局部阶段充电数据的多工况soh估计方法和*** |
CN116859247A (zh) * | 2023-07-26 | 2023-10-10 | 哈尔滨工业大学 | 基于多源迁移学习的电动汽车锂电池soh估算方法 |
CN116859247B (zh) * | 2023-07-26 | 2024-06-14 | 哈尔滨工业大学 | 基于多源迁移学习的电动汽车锂电池soh估算方法 |
CN117686920A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池***内单体电池的端电压预测方法 |
CN117686920B (zh) * | 2024-02-02 | 2024-04-12 | 河南科技学院 | 一种用于电池***内单体电池的端电压预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113740736B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113740736B (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
Che et al. | Semi-supervised self-learning-based lifetime prediction for batteries | |
CN113504482B (zh) | 考虑机械应变的锂离子电池健康状态估计与寿命预测方法 | |
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 | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** | |
CN112098873B (zh) | 基于充电电压曲线几何特征的锂电池健康状态估计方法 | |
CN116679232A (zh) | 基于混合神经网络和迁移学习的锂电池健康状态估计方法 | |
CN113901707A (zh) | 一种车用锂离子动力电池soh时间序列预测方法 | |
CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
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 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN114839537A (zh) | 电池荷电状态预测方法和装置 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN115015789A (zh) | 基于增量电容曲线的锂离子电池健康状态估计方法及装置 | |
CN117169743A (zh) | 基于部分数据和模型融合的电池健康状态估计方法及设备 | |
CN116540134A (zh) | 一种基于gwo-lstm的锂离子电池健康状态估计方法 | |
Meng et al. | Multi-segment state of health estimation of lithium-ion batteries considering short partial charging |
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 |