CN114814618A - 锂离子电池剩余容量估算方法、装置、设备和存储介质 - Google Patents
锂离子电池剩余容量估算方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114814618A CN114814618A CN202210604284.XA CN202210604284A CN114814618A CN 114814618 A CN114814618 A CN 114814618A CN 202210604284 A CN202210604284 A CN 202210604284A CN 114814618 A CN114814618 A CN 114814618A
- Authority
- CN
- China
- Prior art keywords
- capacity
- lithium ion
- voltage
- increment
- battery capacity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 71
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000007637 random forest analysis Methods 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 29
- 238000012706 support-vector machine Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 25
- 230000032683 aging Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007600 charging Methods 0.000 claims description 13
- 230000036541 health Effects 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 18
- 238000010801 machine learning Methods 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000000306 recurrent effect Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage 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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及锂离子电池技术领域的一种锂离子电池剩余容量估算方法、装置、设备和存储介质。所述方法包括:获取多个锂离子电池的实验测量值,并从对测量值采用SVM方式拟合得到结果中提取容量增量波峰,分别采用SVM、LSTM网络和GRP进行初步容量预测,然后将初步容量预测作为输入,利用随机森林算法进行融合得到的容量输出。本方法结合了SVM在非线性和高维空间拟合问题、GRP在不确定性预测问题和LSTM网络在时间序列预测问题上的优势,有效解决电压采集噪声对容量增量曲线的干扰,解决了有效提取容量增量曲线特征的困难。同时,采用随机森林算法估计电池容量,解决了单一机器学习算法容易陷入局部最优的缺点。
Description
技术领域
本申请涉及锂离子电池技术领域,特别是涉及一种锂离子电池剩余容量估算方法、装置、设备和存储介质。
背景技术
锂离子电池是一种清洁、高效的储能***,在电动汽车中得到了广泛的推广。然而,由于锂离子电池的材料特性,其容量不可避免地会逐渐恶化。因此,对锂离子电池剩余容量的准确监测不仅有助于健康状态、荷电状态的估计和提升,而且对确保电动汽车可靠运行起着至关重要的作用。
随着计算机科学的发展,机器学***衡引起的电压平台重构为直观和可识别的波峰或波谷。然而,IC曲线对噪声敏感,当被测电压有噪声时,电压的单调性不能得到保证,导致IC计算的分母为零甚至为负,这对IC曲线的计算提出了很大的挑战。
在现有的机器学习方法中,长短时记忆递归神经网络是一种典型的神经网络算法,它通过专门设计的门结构来捕获长期依赖信息。与传统神经网络相比,长短时记忆递归神经网络在处理时间序列数据时具有更高的非线性建模能力和更精确的估计性能。高斯过程回归对特定时间点的参数进行了预测分布估计,而不是单一的确定性点估计,有利于不确定性量化估计。然而,这种方法在遇到高维空间时估计精度会降低。支持向量机算法是一种著名的分类回归方法,在解决非线性和高维模型拟合问题中表现出了很高的效率。虽然这些方法都可以实现容量估计,但它们都是基于单一的学习器,容易使估计结果陷入局部最优,从而限制了容量估计的保真度。
发明内容
基于此,有必要针对上述技术问题,提供一种锂离子电池剩余容量估算方法、装置、设备和存储介质。
一种锂离子电池剩余容量估算方法,所述方法包括:
获取多个目标锂离子电池在老化实验中的多组测量值,所述测量值包括目标锂离子电池的电压、电流和容量。
根据所述测量值采用支持向量机的拟合方式,并根据拟合得到的电压容量关系,得到容量增量数据,并提取所述容量增量数据的容量增量波峰。
将多个所述容量增量波峰作为训练样本。
将所述训练样本分别输入到训练好的SVM、LSTM网络及高斯过程回归算子中,分别得到第一预测电池容量、第二预测电池容量及第三预测电池容量。
将所述第一预测电池容量、所述第二预测电池容量及所述第三预测电池容量输入到训练好的随机森林算子中,得到目标锂离子电池容量。
在其中一个实施例中,获取目标锂离子电池在老化实验中的多组测量值,包括:
对多个目标锂离子电池在预定试验环境下进行实验,并反复充放电进行老化实验。
循环寿命试验中,在预设老化周期后进行预定倍额定容量值充放电循环,校准电流容量,采用预设采样频率进行数据采集,得到目标锂离子电池的电压、电流和容量。
在其中一个实施例中,根据所述测量值采用支持向量机的拟合方式,并根据拟合得到的电压容量关系,得到容量增量数据,并提取所述容量增量数据的容量增量波峰,包括:
将所述测量值的电压作为输入、容量作为输出,采用支持向量机的拟合方式,得到电压容量关系。
对所述电压容量关系采用容量增量数据计算公式进行计算,得到容量增量数据;所述容量增量数据计算公式为:
提取容量增量数据中的容量增量波峰,将所述容量增量波峰作为健康特征参数。
在其中一个实施例中,将所述训练样本分别输入到训练好的SVM、LSTM网络及高斯过程回归算子中,分别得到第一预测电池容量、第二预测电池容量及第三预测电池容量,包括:
将所述训练样本输入到训练好的SVM中,采用核函数将训练样本特征化为高维空间特征,并将所述高维空间特征采用非线性SVM,得到第一预测电池容量。
将所述训练样本输入到训练好的LSTM网络中,通过门结构捕获长期依赖关系,得到第二电池容量。
将所述训练样本输入到训练好的高斯过程回归算子中,得到第三电池容量。
在其中一个实施例中,将所述第一预测电池容量、所述第二预测电池容量及所述第三预测电池容量输入到训练好的随机森林算子中,得到目标锂离子电池容量,包括:
将所述第一预测电池容量、所述第二预测电池容量及所述第三预测电池容量输入到训练好的随机森林算子中,得到随机森林中每棵树的输出;所述随机森林算子的森林中第j棵树的输出表达式为:
根据随机森林中每棵树的输出采用bagging策略,得到目标锂离子电池容量;所述随机森林算子的bagging策略的表达式为:
一种锂离子电池剩余容量估算装置,所述装置包括:
实验数据获取模块,用于获取多个目标锂离子电池在老化实验中的多组测量值,所述测量值包括目标锂离子电池的电压、电流和容量。
训练样本确定模块,用于根据所述测量值采用支持向量机的拟合方式,并根据拟合得到的电压容量关系,得到容量增量数据,并提取所述容量增量数据的容量增量波峰;将多个所述容量增量波峰作为训练样本。
目标锂离子电池容量确定模块,用于将所述训练样本分别输入到训练好的SVM、LSTM网络及高斯过程回归算子中,分别得到第一预测电池容量、第二预测电池容量及第三预测电池容量;将所述第一预测电池容量、所述第二预测电池容量及所述第三预测电池容量输入到训练好的随机森林算子中,得到目标锂离子电池容量。
在其中一个实施例中,实验数据获取模块,还用于对多个目标锂离子电池在预定试验环境下进行实验,并反复充放电进行老化实验;在循环寿命试验中,在预设老化周期后进行预定倍额定容量值充放电循环,校准电流容量,采用预设采样频率进行数据采集,得到目标锂离子电池的电压、电流和容量。
在其中一个实施例中,训练样本确定模块,还用于将所述测量值的电压作为输入、容量作为输出,采用支持向量机的拟合方式,得到电压容量关系;对所述电压容量关系采用容量增量数据计算公式进行计算,得到容量增量数据;所述容量增量数据计算公式为:
提取容量增量数据中的容量增量波峰,将所述容量增量波峰作为健康特征参数。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一方法的步骤。
上述锂离子电池剩余容量估算方法方法、装置、设备和存储介质,所述方法包括获取多个锂离子电池的实验测量值,并采用支持向量机方式进行拟合,从拟合结果中提取容量增量波峰,分别采用支持向量机、长短时记忆递归神经网络和高斯过程回归进行初步容量预测,然后初步容量预测作为输入,利用随机森林算法融合多机器学习机的输出。本方法结合了支持向量机在非线性和高维空间拟合问题、高斯过程回归在不确定性预测问题和长短时记忆递归神经网络在时间序列预测问题上的优势,有效解决电压采集噪声对容量增量曲线的干扰,解决了有效提取容量增量曲线特征的困难。同时,采用随机森林算法融合了支持向量机、长短时记忆网络和高斯过程回归算法来估计电池容量,有效解决了单一机器学习算法容易陷入局部最优的缺点。
附图说明
图1为一个实施例中锂离子电池剩余容量估算方法的流程示意图;
图2为一个实施例中充电电压与充电容量的关系曲线;
图3为一个实施例中容量增量波峰与电池容量之间的关系曲线;
图4为一个实施例中电池容量估计结果;
图5为一个实施例中锂离子电池剩余容量估算装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
支持向量机,Support Vector Machine,简称:SVM。
高斯过程回归,Gaussian Process Regressor,简称:GPR。
长短时记忆递归神经网络,Long short-term memory recurrent neuralnetwork简称LSTM RNN。
在一个实施例中,如图1所示,提供了一种锂离子电池剩余容量估算方法,该方包括以下步骤:
步骤100:获取多个目标锂离子电池在老化实验中的多组测量值,测量值包括目标锂离子电池的电压、电流和容量。
具体的,从实验测试中收集充电电压、电流以及容量数据。
步骤102:根据测量值采用支持向量机的拟合方式,并根据拟合得到的电压容量关系,得到容量增量数据,并提取容量增量数据的容量增量波峰;将多个容量增量波峰作为训练样本。
具体的,以充电电压数据为输入,充电容量数据为输出,采用支持向量机的拟合方式充电电压与充电容量的关系,解决了噪声干扰问题。
提取容量增量数据中容量增量波峰作为健康特征参数,得到容量增量波峰与电池容量之间的关系,容量增量曲线的峰值随着电池容量的下降而不断下降
步骤104:将训练样本分别输入到训练好的SVM、LSTM网络及高斯过程回归算子中,分别得到第一预测电池容量、第二预测电池容量及第三预测电池容量。
具体的,1)与传统神经网络相比,SVM收敛到最优值的速度要快得多,能够满足非线性和高维数据的拟合。对于非线性情况,在SVM中使用核函数将原始数据特征化为高维空间。SVM中使用的核函数可以为线性核函数、高斯径向基核函数或多项式核函数。
2)LSTM网络是传统神经网络的一种扩展形式,它可以通过门结构捕获长期依赖关系,具有更高的非线性建立潜力,在处理时间序列预测时具有更精确的性能。LSTM由一个输入门、一个遗忘门、一个输出门和由这些门控制的不同的输入输出连接组成。
3)GPR主要描述基于概率分布的回归函数,通过似然函数反映经验风险,然后通过贝叶斯理论得到后验概率分布。
本方法提出的融合框架结合了SVM在非线性和高维空间拟合问题、GPR在不确定性预测问题和LSTM网络在时间序列预测问题上的优势。
步骤106:将第一预测电池容量、第二预测电池容量及第三预测电池容量输入到训练好的随机森林算子中,得到目标锂离子电池容量。
具体的,将SVM、LSTM网络及高斯过程回归算子的估计结果:第一预测电池容量、第二预测电池容量及第三预测电池容量作为融合方法的输入,利用随机森林(randomforest,RF)算法融合多机器学习机的输出。RF是一种典型的集成学习方法,可以对单个学习器进行集成,得到最优的估计结果。
上述锂离子电池剩余容量估算方法,所述方法包括获取多个锂离子电池的实验测量值,并采用支持向量机方式进行拟合,从拟合结果中提取容量增量波峰,分别采用支持向量机、长短时记忆递归神经网络和高斯过程回归进行初步容量预测,然后初步容量预测作为输入,利用随机森林算法融合多机器学习机的输出。本方法结合了支持向量机在非线性和高维空间拟合问题、高斯过程回归在不确定性预测问题和长短时记忆递归神经网络在时间序列预测问题上的优势,有效解决电压采集噪声对容量增量曲线的干扰,解决了有效提取容量增量曲线特征的困难。同时,采用随机森林算法融合了支持向量机、长短时记忆网络和高斯过程回归算法来估计电池容量,有效解决了单一机器学习算法容易陷入局部最优的缺点。
在其中一个实施例中,步骤100包括:对多个目标锂离子电池在预定试验环境下进行实验,并反复充放电进行老化实验;循环寿命试验中,在预设老化周期后进行预定倍额定容量值充放电循环,校准电流容量,采用预设采样频率进行数据采集,得到目标锂离子电池的电压、电流和容量。
具体的,所有电池均在温控箱中,40℃测试条件下进行实验,并反复充放电,以显示其老化特性。充电过程中,采用2C(此处C为额定容量值)的恒流充电方案,直至端电压达到4.2V;然后用恒压充电策略对电池充电,直到电流下降到预定义的截止阈值。在放电阶段,采用基于Artemis的负荷工况模拟实际应用中的老化过程。循环寿命试验中,每100个老化周期进行1C充放电循环,校准电流容量,记录目标电池的电压、电流和容量,采样频率为1Hz。
在其中一个实施例中,步骤102包括:将测量值的电压作为输入、容量作为输出,采用支持向量机的拟合方式,得到电压容量关系;对电压容量关系采用容量增量数据计算公式进行计算,得到容量增量数据;容量增量数据计算公式为:
提取容量增量数据中的容量增量波峰,将容量增量波峰作为健康特征参数。
具体的,以充电电压数据为输入,充电容量数据为输出,采用SVM算法拟合充电电压与充电容量的关系,拟合结果如下图2所示,从图2可以看出,SVM拟合的曲线消除了噪声的影响,很好地拟合了电压与容量之间的关系。
利用式(1)对拟合数据进行处理,得到容量增量数据。提取容量增量数据中容量增量波峰作为健康特征参数,得到下如图3所示的容量增量波峰与电池容量之间的关系,从图3可以看出,容量增量曲线的峰值随着电池容量的下降而不断下降。因此,将该参数作为健康特征挖掘应用于电池容量的估算。
在其中一个实施例中,步骤104包括:将训练样本输入到训练好的SVM中,采用核函数将训练样本特征化为高维空间特征,并将高维空间特征采用非线性SVM,得到第一预测电池容量;将训练样本输入到训练好的LSTM网络中,通过门结构捕获长期依赖关系,得到第二电池容量;将训练样本输入到训练好的高斯过程回归算子中,得到第三电池容量。
具体的,1)与传统神经网络相比,SVM收敛到最优值的速度要快得多,能够满足非线性和高维数据的拟合。对于非线性情况,在SVM中使用核函数将原始数据特征化为高维空间。推导SVM的非线性问题为:
式中,ε表示容忍偏差,ω和b表示权值和偏差,可以通过引入拉格朗日乘子α和α*来求解,即:
2)LSTM网络是传统神经网络的一种扩展形式,它可以通过门结构捕获长期依赖关系,具有更高的非线性建立潜力,在处理时间序列预测时具有更精确的性能。LSTM网络由一个输入门、一个遗忘门、一个输出门和由这些门控制的不同的输入输出连接组成。LSTM网络的计算过程总结如下:
其中fk,ik,gk,O和ck分别表示遗忘门、输入门、输入节点、输出门和存储单元;bf,bi,bg分别表示遗忘门、输入门和输入节点的偏差,OPk表示表示步长k处的输出,OWf、OWi、OWg、OWO分别为遗忘门、输入门、输入节点和输出门的输出权重,IWf、IWi、IWg、IWO分别为遗忘门、输入门、输入节点和输出门的输入权重;IPk和IPk-1对应表示步长k和k-1处的输入;pk表示LSTM存储单元的内部变量;σ为激活函数,作为优选,激活函数采用sigmoid函数;Tanh定义为双曲函数。
3)GPR主要描述基于概率分布的回归函数,通过似然函数反映经验风险,然后通过贝叶斯理论得到后验概率分布。因此,GPR问题可以简化为:
式中f(x)为输出函数,()高斯概率分布函数,x和y表示输入变量和观测变量,m(x)和kf(x,x′)为均值和协方差函数,ζ表示添加噪声,y、y*和分别表示先验值、预测值、预测值的均值,x和x*表示高维的n个输入向量和测试输入向量表示噪声协方差矩阵,p(y*∣x,y,x*)表示先验分布,Kf(x,x)表示n维对称正定矩阵。
SVM、LSTM网络、高斯过程回归和随机森林的训练过程都是类似的,任意选择测试得到的数据中70%容量增量曲线的峰值作为输入,对应70%的容量值作为输出,然后利用对应的计算公式进行计算。
在其中一个实施例中,步骤106包括:将第一预测电池容量、第二预测电池容量及第三预测电池容量输入到训练好的随机森林算子中,得到随机森林中每棵树的输出;随机森林算子的森林中第j棵树的输出表达式为:
根据随机森林中每棵树的输出采用bagging策略,得到目标锂离子电池容量;随机森林算子的bagging策略的表达式为:
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个具体的实施例中,锂离子电池容量估计结果如下图4,估计值与所有研究细胞在整个生命周期中的测量值非常相似。估计容量的均方根误差(RMSE)为3.91mAh(约为标称容量的0.53%),最大绝对误差(MAE)和平均绝对误差(AAE)分别为11.93mAh和3.12mAh。相对传统的相关方法,本发明的优点是可以有效解决电压采集噪声对容量增量曲线的干扰,解决了有效提取容量增量曲线特征的困难。同时,为了综合各机器学习的优点,采用随机森林算法融合了目前流行的单学习机:支持向量机、长短时记忆网络和高斯过程回归算法来估计电池容量,有效解决了单一机器学习算法容易陷入局部最优的缺点。
在一个实施例中,如图5所示,提供了一种锂离子电池剩余容量估算装置,包括:实验数据获取模块、训练样本确定模块和目标锂离子电池容量确定模块,其中:
实验数据获取模块,用于获取多个目标锂离子电池在老化实验中的多组测量值,测量值包括目标锂离子电池的电压、电流和容量;
训练样本确定模块,用于根据测量值采用支持向量机的拟合方式,并根据拟合得到的电压容量关系,得到容量增量数据,并提取容量增量数据的容量增量波峰;将多个容量增量波峰作为训练样本;
目标锂离子电池容量确定模块,用于将训练样本分别输入到训练好的SVM、LSTM网络及高斯过程回归算子中,分别得到第一预测电池容量、第二预测电池容量及第三预测电池容量;将第一预测电池容量、第二预测电池容量及第三预测电池容量输入到训练好的随机森林算子中,得到目标锂离子电池容量。
在其中一个实施例中,实验数据获取模块,还用于对多个目标锂离子电池在预定试验环境下进行实验,并反复充放电进行老化实验;在循环寿命试验中,在预设老化周期后进行预定倍额定容量值充放电循环,校准电流容量,采用预设采样频率进行数据采集,得到目标锂离子电池的电压、电流和容量。
在其中一个实施例中,训练样本确定模块,还用于将测量值的电压作为输入、容量作为输出,采用支持向量机的拟合方式,得到电压容量关系;对电压容量关系采用容量增量数据计算公式进行计算,得到容量增量数据;容量增量数据计算公式如式(1)所示。提取容量增量数据中的容量增量波峰,将容量增量波峰作为健康特征参数。
在其中一个实施例中,目标锂离子电池容量确定模块,还用于将训练样本输入到训练好的SVM中,采用核函数将训练样本特征化为高维空间特征,并将高维空间特征采用非线性SVM,得到第一预测电池容量;将训练样本输入到训练好的LSTM网络中,通过门结构捕获长期依赖关系,得到第二电池容量;将训练样本输入到训练好的高斯过程回归算子中,得到第三电池容量。
在其中一个实施例中,目标锂离子电池容量确定模块,还用于将第一预测电池容量、第二预测电池容量及第三预测电池容量输入到训练好的随机森林算子中,得到随机森林中每棵树的输出;随机森林算子的森林中第j棵树的输出表达式如式(6)所示;根据随机森林中每棵树的输出采用bagging策略,得到目标锂离子电池容量;随机森林算子的bagging策略的表达式如式(7)所示。
关于锂离子电池剩余容量估算装置的具体限定可以参见上文中对于锂离子电池剩余容量估算方法的限定,在此不再赘述。上述锂离子电池剩余容量估算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种锂离子电池剩余容量估算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种锂离子电池剩余容量估算方法,其特征在于,所述方法包括:
获取多个目标锂离子电池在老化实验中的多组测量值;所述测量值包括目标锂离子电池的电压、电流和容量;
根据所述测量值采用支持向量机的拟合方式,并根据拟合得到的电压容量关系,得到容量增量数据,并提取所述容量增量数据的容量增量波峰;
将多个所述容量增量波峰作为训练样本;
将所述训练样本分别输入到训练好的SVM、LSTM网络及高斯过程回归算子中,分别得到第一预测电池容量、第二预测电池容量及第三预测电池容量;
将所述第一预测电池容量、所述第二预测电池容量及所述第三预测电池容量输入到训练好的随机森林算子中,得到目标锂离子电池容量。
2.根据权利要求1所述的方法,其特征在于,获取目标锂离子电池在老化实验中的多组测量值,包括:
对多个目标锂离子电池在预定试验环境下进行实验,并反复充放电进行老化实验;
循环寿命试验中,在预设老化周期后进行预定倍额定容量值充放电循环,校准电流容量,采用预设采样频率进行数据采集,得到目标锂离子电池的电压、电流和容量。
4.根据权利要求1所述的方法,其特征在于,将所述训练样本分别输入到训练好的SVM、LSTM网络及高斯过程回归算子中,分别得到第一预测电池容量、第二预测电池容量及第三预测电池容量,包括:
将所述训练样本输入到训练好的SVM中,采用核函数将训练样本特征化为高维空间特征,并将所述高维空间特征采用非线性SVM,得到第一预测电池容量;
将所述训练样本输入到训练好的LSTM网络中,通过门结构捕获长期依赖关系,得到第二电池容量;
将所述训练样本输入到训练好的高斯过程回归算子中,得到第三电池容量。
5.根据权利要求1所述的方法,其特征在于,将所述第一预测电池容量、所述第二预测电池容量及所述第三预测电池容量输入到训练好的随机森林算子中,得到目标锂离子电池容量,包括:
将所述第一预测电池容量、所述第二预测电池容量及所述第三预测电池容量输入到训练好的随机森林算子中,得到随机森林中每棵树的输出;所述随机森林算子的森林中第j棵树的输出表达式为:
根据随机森林中每棵树的输出采用bagging策略,得到目标锂离子电池容量;所述随机森林算子的bagging策略的表达式为:
6.一种锂离子电池剩余容量估算装置,其特征在于,所述装置包括:
实验数据获取模块,用于获取多个目标锂离子电池在老化实验中的多组测量值,所述测量值包括目标锂离子电池的电压、电流和容量;
训练样本确定模块,用于根据所述测量值采用支持向量机的拟合方式,并根据拟合得到的电压容量关系,得到容量增量数据,并提取所述容量增量数据的容量增量波峰;将多个所述容量增量波峰作为训练样本;
目标锂离子电池容量确定模块,用于将所述训练样本分别输入到训练好的SVM、LSTM网络及高斯过程回归算子中,分别得到第一预测电池容量、第二预测电池容量及第三预测电池容量;将所述第一预测电池容量、所述第二预测电池容量及所述第三预测电池容量输入到训练好的随机森林算子中,得到目标锂离子电池容量。
7.根据权利要求1所述的装置,其特征在于,实验数据获取模块,还用于对多个目标锂离子电池在预定试验环境下进行实验,并反复充放电进行老化实验;在循环寿命试验中,在预设老化周期后进行预定倍额定容量值充放电循环,校准电流容量,采用预设采样频率进行数据采集,得到目标锂离子电池的电压、电流和容量。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210604284.XA CN114814618A (zh) | 2022-05-31 | 2022-05-31 | 锂离子电池剩余容量估算方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210604284.XA CN114814618A (zh) | 2022-05-31 | 2022-05-31 | 锂离子电池剩余容量估算方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114814618A true CN114814618A (zh) | 2022-07-29 |
Family
ID=82519762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210604284.XA Pending CN114814618A (zh) | 2022-05-31 | 2022-05-31 | 锂离子电池剩余容量估算方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114814618A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389947A (zh) * | 2022-10-27 | 2022-11-25 | 北京航空航天大学 | 锂电池健康状态的预测方法、装置、电子设备及存储介质 |
CN116840721A (zh) * | 2023-06-02 | 2023-10-03 | 暨南大学 | 一种锂离子电池容量估计方法、装置、设备及存储介质 |
CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 |
-
2022
- 2022-05-31 CN CN202210604284.XA patent/CN114814618A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389947A (zh) * | 2022-10-27 | 2022-11-25 | 北京航空航天大学 | 锂电池健康状态的预测方法、装置、电子设备及存储介质 |
CN115389947B (zh) * | 2022-10-27 | 2023-01-03 | 北京航空航天大学 | 锂电池健康状态的预测方法、装置、电子设备及存储介质 |
CN116840721A (zh) * | 2023-06-02 | 2023-10-03 | 暨南大学 | 一种锂离子电池容量估计方法、装置、设备及存储介质 |
CN116840721B (zh) * | 2023-06-02 | 2024-06-11 | 暨南大学 | 一种锂离子电池容量估计方法、装置、设备及存储介质 |
CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning | |
Tagade et al. | Deep Gaussian process regression for lithium-ion battery health prognosis and degradation mode diagnosis | |
Wang et al. | Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries | |
Li et al. | Prognostic health condition for lithium battery using the partial incremental capacity and Gaussian process regression | |
Zhang et al. | A novel method for lithium-ion battery state of energy and state of power estimation based on multi-time-scale filter | |
Tong et al. | Early prediction of remaining useful life for Lithium-ion batteries based on a hybrid machine learning method | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
Xiong et al. | A data-driven multi-scale extended Kalman filtering based parameter and state estimation approach of lithium-ion polymer battery in electric vehicles | |
CN114814618A (zh) | 锂离子电池剩余容量估算方法、装置、设备和存储介质 | |
Liu et al. | An integrated probabilistic approach to lithium-ion battery remaining useful life estimation | |
Song et al. | Lithium-ion battery remaining useful life prediction based on GRU-RNN | |
Li et al. | A mutated particle filter technique for system state estimation and battery life prediction | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
Feng et al. | State of health estimation of large-cycle lithium-ion batteries based on error compensation of autoregressive model | |
Li et al. | State‐of‐health prediction for lithium‐ion batteries via electrochemical impedance spectroscopy and artificial neural networks | |
Shi et al. | A fast state-of-health estimation method using single linear feature for lithium-ion batteries | |
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 | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
Ang et al. | Efficient linear predictive model with short term features for lithium-ion batteries state of health estimation | |
Hu et al. | State of health estimation for lithium-ion batteries with dynamic time warping and deep kernel learning model | |
Ghosh et al. | An evolving quantum fuzzy neural network for online state-of-health estimation of Li-ion cell | |
CN117825965A (zh) | 一种锂离子电池的状态预测方法及*** | |
Nefraoui et al. | Optimal battery state of charge parameter estimation and forecasting using non-linear autoregressive exogenous | |
Mao et al. | State-of-charge of lithium-ion battery based on equivalent circuit model–Relevance vector machine fusion model considering varying ambient temperatures |
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 |