CN114879050A - 基于云边协同的动力电池寿命智能快速测试方法及*** - Google Patents
基于云边协同的动力电池寿命智能快速测试方法及*** Download PDFInfo
- Publication number
- CN114879050A CN114879050A CN202210669341.2A CN202210669341A CN114879050A CN 114879050 A CN114879050 A CN 114879050A CN 202210669341 A CN202210669341 A CN 202210669341A CN 114879050 A CN114879050 A CN 114879050A
- Authority
- CN
- China
- Prior art keywords
- power battery
- capacity
- data
- cloud
- edge
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000015556 catabolic process Effects 0.000 claims abstract description 27
- 238000006731 degradation reaction Methods 0.000 claims abstract description 27
- 230000006854 communication Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims 1
- 239000012141 concentrate Substances 0.000 abstract 1
- 238000000034 method Methods 0.000 description 27
- 239000011159 matrix material Substances 0.000 description 8
- 240000007651 Rubus glaucus Species 0.000 description 5
- 235000011034 Rubus glaucus Nutrition 0.000 description 5
- 235000009122 Rubus idaeus Nutrition 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005087 graphitization Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance 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
-
- 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)
Abstract
本发明公开了一种基于云边协同的动力电池寿命智能快速测试方法及***，包括：在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；将电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。本发明将训练寿命预测基础模型的任务集中在云端，在边缘侧进行寿命预测任务。仅利用部分容量数据，即可预测电池的剩余使用寿命。
Description
技术领域
本发明涉及动力电池寿命测试与预测技术领域，尤其涉及一种基于云边协同的动力电池寿命智能快速测试方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
电池寿命是指可用容量下降至初始值80％时的充放电次数。对电池进行循环寿命测试，能够进一步了解电池特性，论证电池是否达到设计目标，在使用电池的过程中实现更好的管理和控制，同时能够评估电池满足不同应用场景需求的能力。
目前，锂离子电池循环寿命测试主要采用国标GB/T 31484-2015《电动汽车用动力蓄电池循环寿命要求及试验方法》。该标准中规定，进行电池标准循环寿命测试时，需将电池连续循环充放电至其寿命终止条件，即“一测到底”。这项测试通常十分耗时。锂离子电池充放电循环次数可达几千甚至一万次以上，测试时间达1年乃至更长时间，电池循环寿命的获得需要通过全周期、长时间、高成本的测试。新能源汽车产业要求动力电池能够快速进行技术迭代和产品升级，但现有电池的循环寿命快速测试方法缺失，严重制约新能源汽车行业的快速高质量发展。因此，如何缩短寿命测试时间，快速准确高效地测试并评估电池循环寿命，已成为突破动力电池及其相关产业快速发展关键技术瓶颈的重要手段。
基于预测的电池寿命快速测试方法是解决上述问题优秀方案，即“测估结合”。通过以预测代替测试，省去大量时间，能够实现电池循环寿命的高效准确评估。不少学者展开了大量的研究，如现有技术通过将电池进行不同循环次数的短期循环性能测试，记录循环次数和容量保持率，然后将不同循环次数后的电池进行拆解，利用XRD法测试石墨负极材料的石墨化度，根据循环次数、容量保持率和石墨化度三种数据进行预测。此种方法需要拆解破坏电池，存在一定局限性。现有技术公开了一种锂离子电池循环寿命的预测方法，在电池表面安装压力传感器，记录电池一定循环次数内的容量信息，根据循环次数、放电容量和压力传感器中的电压数据进行拟合，实现对电池寿命的预测。此方法需要额外的压力传感器，实际中会增加成本，存在一定局限性。现有技术还公开了一种锂离子循环寿命的快速预测方法，通过将电池置于不同倍率下进行500次循环测试，拟合方程得到预测方程实现电池的寿命预测。此方法无需精密的测试设备和复杂的理论计算，但依然需要较长时间的循环测试，实用性不高。
而基于数据驱动的预测无需拆解电池或考虑电池内部物理及化学变化，直接以测试数据为依据进行相应分析预测电池寿命，方法简单快捷。如现有技术公开了一种基于数据驱动的电池剩余寿命预测方法，通过记录充电时间、温度、充电次数等数据，从这些数据中取样作为神经网络模型的训练数据，通过自设数据封装器进行预测。现有技术公开了一种基于数据驱动与电池特性结合的寿命预测方法，通过大量不同电池的运行数据，提取特征因子并计算在不同状态下的SOH，通过建立电池与用户画像算法关系模型进行寿命预测。现有技术还公布了一种基于大数据的动力电池寿命预测方法，通过分析不同放电深度、不同温度、不同放电倍率等条件下电池的参数大数据，得到大数据分析关系式，利用吞吐量法预测电池寿命。上述方法虽然能够获得电池的循环寿命，但利用的数据量较大，实施速度慢，所需成本高。
尽管目前针对寿命预测有较多研究，但现阶段仍然缺失基于预测的电池寿命智能快速测试方法。
发明内容
为了解决传统测试方法周期长、成本高、需拆解电池的难题，本发明提出了一种基于云边协同的动力电池寿命智能快速测试方法及***，结合云边协同技术，和“测估结合”技术，通过以预测代替测试，实现动力电池寿命智能快速测试。将训练寿命预测基础模型的任务集中在云端，在边缘侧进行寿命预测任务。仅利用部分容量数据，即可预测待测电池的退化容量和剩余使用寿命，保证了动力电池寿命智能快速测试的需求。
在一些实施方式中，采用如下技术方案：
一种基于云边协同的动力电池寿命智能快速测试方法，包括：
在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；
根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。
在另一些实施方式中，采用如下技术方案：
一种基于云边协同的动力电池寿命智能快速测试***，包括：
数据获取模块，用于在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
模型训练模块，用于将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；
容量退化趋势预测模块，用于根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。
在另一些实施方式中，采用如下技术方案：
一种基于云边协同的动力电池寿命智能快速测试***，包括：
边缘端设备，用于在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
并且，根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命；
云端设备，用于基于已有电池容量数据以及接收到的边缘端发送的电池容量测试时间序列数据，对动力电池寿命预测基础模型进行训练。
与现有技术相比，本发明的有益效果是：
(1)本发明基于预测的方法实现动力电池的寿命智能快速测试，以预测代替测试，测估结合，省去大量测试时间，并且能够实现对电池循环寿命的高效准确评估。
(2)本发明基于已有电池的大量数据，将训练寿命预测基础模型的任务集中在云端，在边缘侧进行寿命预测任务；合理的将云计算和边缘计算结合，降低了数据传输时延，增强了数据的安全性。
(3)本发明仅在开始阶段测试部分数据，利用部分测试数据，无需进行动力电池的拆解，即可预测电池的剩余使用寿命，缩短了测试时间，实现动力电池的智能快速检测。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的基于云边协同的动力电池寿命智能快速测试方法流程图；
图2为本发明实施例中的基于云边协同的动力电池寿命智能快速测试***架构；
图3为本发明实施例中的LSTM结构示意图；
图4为本发明实施例中的四节电池的容量退化曲线；
图5为本发明实施例中的Sobol序列样本生成示意图；
图6为本发明实施例中扩充的退化容量曲线；
图7为本发明实施例中使用8组电池数据训练基础模型的预测结果。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
云计算的本质是基于大量集中的计算资源提供超强和高效的算力，实行并行计算、分布式计算和负载均衡等等，其高度的集约化能够带来单位算力成本的降低。云计算中使用的云服务器拥有大量的CPU和GPU，能够接受本地用户端收集到的电池测试数据，提取海量的循环寿命信息并评估其使用的延续性。然而，随着动力电池大数据时代的帷幕被拉开，数据的传输带宽和功率、云服务器的存储空间和计算资源将随之急剧增加。云服务器能够存储和处理的数据是有限度的，无法支撑长期的大容量、高速率的数据上传。
边缘计算是在网络边缘侧，融合网络、计算、存储等能力的分布式开放平台，在边缘计算中，电池的寿命测试数据能够直接存储和计算于用户端，而非必须上传至云端。这极大程度的降低了数据传输时间和成本，同时相比于传统云计算的集中部署模式，为高带宽和低时延的业务提供了更好的支持。
云计算和边缘计算各有所长，云计算擅长于长周期、非实时与全局性的大数据处理与分析，而边缘计算则在用户侧业务的就近实时智能化处理方面能够发挥特长。合理的将云计算和边缘计算结合，能够实现动力电池寿命的智能快速测试。
基于此，在一个或多个实施方式中，公开了一种基于云边协同的动力电池寿命智能快速测试方法，结合图1，具体包括如下过程：
(1)在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
本实施例方法仅需要采集被测动力电池的部分数据(大约前10％的电池容量数据)即可完成整体电池容量退化趋势和剩余寿命预测。
(2)将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；
本实施例中，动力电池寿命预测基础模型采用LSTM模型，LSTM通过引入“记忆”控制门，记录历史信息并控制当前时刻信息对历史信息的影响程度，有效解决了传统RNN神经网络长期依赖、梯度消失等问题。LSTM在结构上包含三部分，分别是：输入门、遗忘门和输出门。“门”是LSTM的独有特点，它对信息具有选择通过性。三个“门”相互配合，高效提取并利用历史信息进行预测。网络基本结构如图3所示；其中，xt、ht-1和Ct-1分别为t时刻的输入、t-1时刻的输出和t-1时刻的细胞状态输出；σ为sigmoid激活函数，tanh为双曲正切激活函数。
以t为循环周期，LSTM的遗忘门可由公式1表示。
ft＝sigmoid(Wf·[ht-1,xt]+bf) (1)
其中，Wf和bf分别为遗忘门的权重矩阵和偏置向量，[ht-1,xt]表示输入向量。Wf的维数与ht-1和xt有关，可以由公式(2)表示。
类似的，输入门可表示为公式(3)。
it＝sigmoid(Wi·[ht-1,xt]+bi) (3)
其中，Wi和bi分别为输入门的权重矩阵和偏置向量。通过上一个时刻的输出和本次的输入来计算当前输入的单元状态，如公式(4)所示。
C′t＝tanh(Wc·[ht-1,xt]+bc) (4)
其中，Wc和bc分别为当前输入的单元状态的权重矩阵和偏置向量。进一步，通过单元状态Ct-1和当前输入的单元状态计算当前时刻的单元状态。公式(5)给出了Ct的计算公式。
Ct＝ft⊙Ct-1+it⊙C′t (5)
新的单元状态Ct由当前的单元C′t和长期记忆单元Ct-1组成，这两个单元分别由遗忘门和输入门控制。遗忘门具有保存之前信息的能力，输入门的存在又可以避免当前无关紧要的内容影响记忆过程。LSTM的输出由输出门和更新状态单元决定。
其中，Wo和bo分别为输出门的权重矩阵和偏置向量。
本实施例中，LSTM神经网络模型的输入为前N个时刻的动力电池容量数据，输出为第N+1时刻的动力电池容量数据。
LSTM神经网络模型的训练过程在云端进行，首先利用已有的大量同类型动力电池在不同时间下的容量数据，构建模型训练数据集，对动力电池寿命预测基础模型进行初步训练。然后再利用接收到的边缘端上传的设定时间内的电池容量测试时间序列数据，对初步训练后的模型进行进一步地的训练。
(3)根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。
具体地，边缘端获取云端训练好的LSTM神经网络模型，将设定时间内的电池容量测试时间序列数据，输入该LSTM神经网络模型，能够得到待测动力电池的整体容量退化趋势。
结合图2，实现本实施例方法的整体架构由边缘端和云端组成。边缘端主要包括电池测试和边缘计算设备，分布在不同型号，不同材料的动力电池堆处，负责电池少部分容量退化和循环寿命数据的采集，处理、上传等，并将电池循环寿命和容量退化结果，电池测试设备状态信息等发送至云端。云端主要负责接收边缘端的历史数据和存放已知的大量电池的循环寿命数据，训练电池寿命预测基础模型，可视化电池寿命预测结果等。
一个云端可以部署多个动力电池堆边缘端。在本文中，受条件限制，云端由戴尔塔式工作站模拟，其基本配置如下：英特尔至强W-2245 8C 3.9GHz DDR4-2933中央处理器；英伟达RTX6000显卡。边缘端由树莓派模拟，包含蓝牙和WIFI等扩展模块，另附有64GB的内存卡用于存储程序和备份数据。其操作***为基于Linux的定制***，该***版本较新，对新型树莓派的支持较为完备。树莓派通过串口获取传感器采集的电池测试信息。为保证***可能存在的蓝牙扩展需求，将该串口重映射为mini UART。
基于FTP协议实现云端与边缘端通讯。云端工作站的多线程处理能力使其能够同步连接多台边缘端设备。在通信网络覆盖范围内，边端设备向云端发出申请后，被分配到工作站的指定端口，由唯一的独立线程监管该通讯进程。通讯内容以.csv格式写入工作站存储，云端的预处理与容量特征提取程序将同步按序读取上述文件，训练动力电池寿命预测基础模型。云端在与边缘端设备通讯中生成的文件大小被严格限制，当文件大小超出工作站内存上限时，早期文件将被清除，以保证云端可用空间充足。
本实施例架构可实现边缘端的上行数据与云端的下行数据交互通信。首先，在边缘设备处，用Arbin电池测试装置进行动力电池循环充放电试验，并将电池容量测试历史数据上传到云端。其次，在云端工作站上，预处理(数据清洗、数据剔除等)得到的电池测试数据和已有的海量不同型号的电池容量和寿命数据，搭建并训练动力电池寿命预测基础模型。最后，在边缘端树莓派上，下载云端训练好的模型，通过前约10％的数据实现动力电池寿命的快速预测。
作为一种可选的实施方式，基于已有的同类型动力电池在不同时间下的容量数据，对模型训练数据集进行数据扩充，具体为：
Cgen＝a×C1+b×C2+...+c×CN
其中，C1-CN分别为不同动力电池的退化容量数据；a、b、c分别为相对应的容量系数；其中，容量系数从基于Sobol序列生成的样本中选取。
下面对Sobol序列介绍如下：
对于一切需要采样的算法而言，分布均匀的随机数就意味着更加优秀的样本分布。对于解分布未知的寻优问题，个体的初始值应尽量在数据空间中均匀分布，从而将种群的多样性维持在一个较高的水平。因此，不要求新的发生器模拟真实的均匀分布，而力求任意大小的样本(尤其是小样本)都能满足低差异性。
所有基于现代CPU的随机数生成算法都是伪随机的(quasi-random)。它们受限于一个周期。当超过周期后就会重复出现，而不再是相互无关的随机数。这个周期的最终限定是由电脑的位数来决定的，因此，没有一个内建的随机数是“真正”随机的。
Sobol采样使用了不同的方式来采样。比起随机数，Sobol序列着重于在概率空间中产生均匀的分布。但这并不是单纯的使用网格来填满，而是使用一个本质上随机，但是巧妙的方法去“填满”概率空间，即之后产生的随机数会分布到之前没有采样到的区域。下面为Sobol的生成原理。
(1)Radical Inversion运算
Φb,C(i)＝(b-1...b-M)[C(a0(i)...aM-1(i))T] (8)
上式中，b是一个正整数，如果将任意一个整数i表示成b进制的数字，然后把得到的数按位al(i)排成向量，再用这个向量和生成矩阵C相乘得到一个新向量，最后把新向量镜像到小数点右边得到另一个范围在[0,1)的数字，就称为RadicalInversion运算，记为Φb,C(i)。
如果将上述过程简化一下，令C为单位矩阵，可以得到Van der Corput序列
(2)产生Sobol序列
Sobol序列的每一个维度都是由底数为2的radical inversion组成，但每一个维度的radicalinversion都有各自不同的生成矩阵C。即
因为完全以2为底数，所以Sobol序列的生成可以直接使用bit位操作实现radicalinversion，十分高效。Sobol序列的分布不仅均匀，当样本的个数为2的整数次幂时，在[0,1)8区间中以2为底的每个基本间隔中都会有且只有一个点，这意味着可以生成高质量分布的样本。其中，生成矩阵C可以通过相关网站查找获得，本实施例利用Matlab自带的工具箱实现Sobol序列的生成。图5为生成的Sobol序列样本示意图。
本实施例以NASA数据集为例对本实施例方法进行验证：
NASA数据集来自美国国家航空航天局艾姆斯卓越预测中心。实验采用18650锂离子电池，在不同的操作条件下进行充放电实验，以阻抗作为损坏标准，实验捕获了电池的不同操作条件下的大量容量退化和寿命数据。以数据集中5、6、7、18电池为例，画出其容量退化曲线，如图4所示。从图4能够看出，4节电池表现出不同寿命分布，但容量衰退的总体趋势是相似的。
由于四节电池的数据相对较少，在有限的实验条件下，本实施例进行数据扩充。然后将其输入到云端进行寿命预测基础模型的训练。
本实施例数据扩充方法如下：
Cgen＝a×CB0005+b×CB0006+c×CB0007 (11)
其中，Cgen为扩充得到的不确定性电池退化容量数据，CB0005～B0007为5号～7号电池的退化容量数据，a、b、c分别为容量系数。为了保证能够扩充得到足够多的电池数据，同时具有较强的随机性，且由于原电池是同一批次电池，为了保证扩充后的容量退化数据与原电池大致相似，采用Sobol序列生成[-1,1]内的均匀分布样本，参数a、b在此样本种群内随机选取，c＝1-(a+b)，则式(11)变为
Cgen＝a×CB0005+b×CB0006+(1-a-b)×CB0007 (12)
当a、b属于[-1，1]时，存在四种取值情况，表1给出了参数的范围和取舍情况；
表1参数的范围与取舍情况
由上表可知，a、b范围为[-1,1]时，c的取值范围存在四种情况。当c∈[-1,0]或[0,1]时，符合要求；其余两种情况c的值均大于1，不符合要求舍去。从符合要求的参数集中随机选取5组数据作为容量系数，如表2所示。得到扩容的电池退化容量曲线如图6所示。
表2 5组容量系数
本实施例选取8节电池的全部容量数据进行云端基础模型的训练，其中3节为B0005、B0006和B0007电池，另外5节电池的全部数据为经过式(11)扩充得到的5组电池数据Cgen(i),i＝1,2,…5，时间步长设为3，即通过前3个时刻的容量值预测下一时刻。将这8节电池的数据输入到云端训练LSTM寿命预测基础模型，模型训练完毕后，将其下发到边端树莓派中，利用B0018约前10％的数据进行寿命预测。
预测结果如图7所示。从图7可以看出，当采用8组数据进行基础模型训练后，仅用约10％的数据即可实现电池寿命的精准快速预测，测试时间大大减少。
表3预测指标对比
表3给出了预测指标对比。由表3可知，使用1组数据训练基础模型时，由于数据量较少，电池容量退化的相关信息不能被LSTM网络训练获得，因此误差较大，均方根误差(RMSE)和平均绝对误差(MAE)分别为0.062和0.049。同时RUL预测值为85，与实际值相差12个循环，误差约为12％。当使用3组数据训练基础模型时，由于数据量得到了一定扩大，因此误差有一定程度的下降，RMSE和MAE分别降至0.039和0.030，RUL预测误差下降至4.1％。当使用8组数据训练模型时，预测误差进一步减小。RMSE和MAE降至0.034和0.021，与使用1组数据训练相比，下降45％和57.1％。RUL预测误差降至2.0％，下降83.7％。
表4电池寿命测试时间对比
表4为寿命测试时间对比，由表4可知，传统技术电池测试时间大于300天，本技术通过云端训练模型，仅使用约10％的数据即可实现快速精准预测，测试时间小于15天，时间大幅缩短。
实施例二
在一个或多个实施方式中，公开了一种基于云边协同的动力电池寿命智能快速测试***，具体包括：
数据获取模块，用于在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
模型训练模块，用于将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；
容量退化趋势预测模块，用于根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。
上述各模块的具体实现方式已经在实施例一中进行了详细的说明，此处不再详述。
实施例三
一种基于云边协同的动力电池寿命智能快速测试***，其特征在于，包括：
边缘端设备，用于在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
并且，根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命；
云端设备，用于基于已有电池容量数据以及接收到的边缘端发送的电池容量测试时间序列数据，对动力电池寿命预测基础模型进行训练。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于云边协同的动力电池寿命智能快速测试方法，包括：
在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；
根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。
2.如权利要求1所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，所述动力电池寿命预测基础模型采用LSTM神经网络模型；所述LSTM神经网络模型的输入为前N个时刻的动力电池容量数据，输出为第N+1时刻的动力电池容量数据。
3.如权利要求1所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，利用已有的多个同类型动力电池在不同时间下的容量数据，构建模型训练数据集，对动力电池寿命预测基础模型进行初步训练。
4.如权利要求3所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，基于已有的多个同类型动力电池在不同时间下的容量数据，对模型训练数据集进行数据扩充，具体为：不同动力电池的退化容量数据分别乘以相对应的容量系数；其中，容量系数从基于Sobol序列生成的样本中选取。
5.如权利要求1所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，所述云端和边缘端基于FTP协议实现相互通讯；云端能够同步连接多台边缘端设备。
6.如权利要求5所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，边端端设备向云端发出申请后，被分配到工作站的指定端口，由唯一的独立线程监管该通讯进程。
7.如权利要求1所述的基于云边协同的动力电池寿命智能快速测试方法，其特征在于，当云端与边缘端设备通讯中生成的文件大小超出工作站内存上限时，对工作站早期文件进行清除。
8.一种基于云边协同的动力电池寿命智能快速测试***，其特征在于，包括：
数据获取模块，用于在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
模型训练模块，用于将所述电池容量测试时间序列数据上传至云端，作为训练数据，对经过了初步训练的动力电池寿命预测基础模型进行再次训练；
容量退化趋势预测模块，用于根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命。
9.一种基于云边协同的动力电池寿命智能快速测试***，其特征在于，包括：
边缘端设备，用于在边缘端进行待测动力电池循环充放电试验，获取设定时间内的电池容量测试时间序列数据；
并且，根据设定时间内的电池容量测试时间序列数据，以及再次训练后的动力电池寿命预测基础模型，在边缘端进行容量预测，得到待测动力电池的整体容量退化趋势和剩余寿命；
云端设备，用于基于已有电池容量数据以及接收到的边缘端发送的电池容量测试时间序列数据，对动力电池寿命预测基础模型进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210669341.2A CN114879050A (zh) | 2022-06-14 | 2022-06-14 | 基于云边协同的动力电池寿命智能快速测试方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210669341.2A CN114879050A (zh) | 2022-06-14 | 2022-06-14 | 基于云边协同的动力电池寿命智能快速测试方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114879050A true CN114879050A (zh) | 2022-08-09 |
Family
ID=82682349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210669341.2A Pending CN114879050A (zh) | 2022-06-14 | 2022-06-14 | 基于云边协同的动力电池寿命智能快速测试方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114879050A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116205379A (zh) * | 2023-05-04 | 2023-06-02 | 上海叁零肆零科技有限公司 | 锂亚电池存活天数预测模型建立方法、***、设备及介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160112518A1 (en) * | 2014-10-21 | 2016-04-21 | Skynet Phase 1, Inc. | Systems and methods for smart device networking |
| CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
| CN109001631A (zh) * | 2018-04-27 | 2018-12-14 | 张家港莫特普数据科技有限公司 | 电池性能在线评估***和方法 |
| CN109342949A (zh) * | 2018-11-06 | 2019-02-15 | 长沙理工大学 | 充电过程中锂离子动力电池剩余寿命在线预测方法 |
| CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
| WO2020115761A1 (en) * | 2018-12-06 | 2020-06-11 | Sosaley Technologies Pvt. Ltd. | Cloud-based battery management system to predict battery life and battery health |
| CN111369329A (zh) * | 2020-03-31 | 2020-07-03 | 中国科学院自动化研究所 | 基于区块链的电动汽车电池管理***、租赁及运维方法 |
| CN111999648A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 |
| CN112711892A (zh) * | 2020-12-07 | 2021-04-27 | 深圳先进技术研究院 | 一种基于数字孪生和区块链技术的云电池管理***及方法 |
| CN112732443A (zh) * | 2021-01-12 | 2021-04-30 | 徐州普罗顿氢能储能产业研究院有限公司 | 一种基于边缘计算的储能电站状态评估与运行优化*** |
| CN113536670A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学 | 一种群体产品剩余寿命预测的联邦迁移学习方法 |
| CN113536671A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学 | 一种基于lstm的锂电池寿命预测方法 |
| CN113673115A (zh) * | 2021-08-31 | 2021-11-19 | 北京航空航天大学 | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 |
| CN113821875A (zh) * | 2021-09-26 | 2021-12-21 | 湖南大学 | 一个基于端云协同的智能车辆故障实时预测方法及*** |
| CN114066100A (zh) * | 2021-12-01 | 2022-02-18 | 深圳市新威尔电子有限公司 | 基于联邦学习的在线式电池循环寿命预测***及方法 |
-
2022
- 2022-06-14 CN CN202210669341.2A patent/CN114879050A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160112518A1 (en) * | 2014-10-21 | 2016-04-21 | Skynet Phase 1, Inc. | Systems and methods for smart device networking |
| CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
| CN109001631A (zh) * | 2018-04-27 | 2018-12-14 | 张家港莫特普数据科技有限公司 | 电池性能在线评估***和方法 |
| CN109342949A (zh) * | 2018-11-06 | 2019-02-15 | 长沙理工大学 | 充电过程中锂离子动力电池剩余寿命在线预测方法 |
| WO2020115761A1 (en) * | 2018-12-06 | 2020-06-11 | Sosaley Technologies Pvt. Ltd. | Cloud-based battery management system to predict battery life and battery health |
| CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
| CN111369329A (zh) * | 2020-03-31 | 2020-07-03 | 中国科学院自动化研究所 | 基于区块链的电动汽车电池管理***、租赁及运维方法 |
| CN111999648A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 |
| CN112711892A (zh) * | 2020-12-07 | 2021-04-27 | 深圳先进技术研究院 | 一种基于数字孪生和区块链技术的云电池管理***及方法 |
| CN112732443A (zh) * | 2021-01-12 | 2021-04-30 | 徐州普罗顿氢能储能产业研究院有限公司 | 一种基于边缘计算的储能电站状态评估与运行优化*** |
| CN113536670A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学 | 一种群体产品剩余寿命预测的联邦迁移学习方法 |
| CN113536671A (zh) * | 2021-07-09 | 2021-10-22 | 北京航空航天大学 | 一种基于lstm的锂电池寿命预测方法 |
| CN113673115A (zh) * | 2021-08-31 | 2021-11-19 | 北京航空航天大学 | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 |
| CN113821875A (zh) * | 2021-09-26 | 2021-12-21 | 湖南大学 | 一个基于端云协同的智能车辆故障实时预测方法及*** |
| CN114066100A (zh) * | 2021-12-01 | 2022-02-18 | 深圳市新威尔电子有限公司 | 基于联邦学习的在线式电池循环寿命预测***及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 左伟;冯金富;张佳强;: "制导弹药允许发射区参数模型设计", 兵工学报, no. 05, 15 May 2011 (2011-05-15) * |
| 成庶;甘沁洁;赵明;毕福亮;王家捷;王国良;于天剑;: "镉镍蓄电池寿命预测的PF-LSTM建模方法研究", 铁道科学与工程学报, no. 07, 15 July 2020 (2020-07-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116205379A (zh) * | 2023-05-04 | 2023-06-02 | 上海叁零肆零科技有限公司 | 锂亚电池存活天数预测模型建立方法、***、设备及介质 |
| CN116205379B (zh) * | 2023-05-04 | 2023-07-07 | 上海叁零肆零科技有限公司 | 锂亚电池存活天数预测模型建立方法、***、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
| CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和*** | |
| Zhang et al. | A deep learning method for lithium-ion battery remaining useful life prediction based on sparse segment data via cloud computing system | |
| CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
| CN113484787B (zh) | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 | |
| CN111880099B (zh) | 一种储能电站站内电池单体寿命预测方法及*** | |
| Haris et al. | Degradation curve prediction of lithium-ion batteries based on knee point detection algorithm and convolutional neural network | |
| Li et al. | An intelligent transient stability assessment framework with continual learning ability | |
| Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
| CN112666480B (zh) | 一种基于充电过程特征注意力的电池寿命预测方法 | |
| CN108009585B (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
| CN111707956B (zh) | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 | |
| Zheng et al. | State of health estimation for lithium battery random charging process based on CNN-GRU method | |
| CN112666479A (zh) | 一种基于充电循环融合的电池寿命预测方法 | |
| Tian et al. | Data‐driven battery degradation prediction: Forecasting voltage‐capacity curves using one‐cycle data | |
| Zheng et al. | A novel method for lithium-ion battery remaining useful life prediction using time window and gradient boosting decision trees | |
| CN113361692A (zh) | 一种锂电池剩余寿命结合预测方法 | |
| CN114879050A (zh) | 基于云边协同的动力电池寿命智能快速测试方法及*** | |
| Lyu et al. | A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles | |
| Zhang et al. | Prediction of health level of multiform lithium sulfur batteries based on incremental capacity analysis and an improved LSTM | |
| Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
| 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 | |
| CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
| CN116736172A (zh) | 一种基于生成式对抗网络的锂电池组健康状态评估方法 | |
| Li et al. | Big data driven Lithium-ion battery modeling method: a Cyber-Physical System approach |
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 |