CN116400224A - 一种基于工作温度矫正的电池剩余使用寿命预测方法 - Google Patents
一种基于工作温度矫正的电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN116400224A CN116400224A CN202310319281.6A CN202310319281A CN116400224A CN 116400224 A CN116400224 A CN 116400224A CN 202310319281 A CN202310319281 A CN 202310319281A CN 116400224 A CN116400224 A CN 116400224A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- service life
- aging
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012937 correction Methods 0.000 title claims abstract description 26
- 230000032683 aging Effects 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 239000010439 graphite Substances 0.000 claims description 3
- 229910002804 graphite Inorganic materials 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 abstract description 2
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 230000002194 synthesizing effect Effects 0.000 abstract description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 11
- 229910001416 lithium ion Inorganic materials 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 101000872083 Danio rerio Delta-like protein C Proteins 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm 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
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector 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]
- G01R31/392—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工作温度矫正后的电池剩余使用寿命预测方法，通过设定特定的充放电策略模拟电池的实际运行状况并进行加速老化试验，收集充放电循环数据以供模型开发使用；通过多层神经网络对每个循环下的电压、电流和容量数据进行特征提取，并处理成以50个循环为间隔的滑移矩阵，通过多层长短期记忆神经网络(Long short‑term memory，LSTM)初步对电池的容量和剩余使用寿命进行预测；通过大量加速老化数据推导并通过大数据智能算法进行超参优化，得到以温度进行修正的阿伦尼乌斯RUL预测半经验模型；通过引入老化加速因子表征因工作不同引起的老化差异，综合初步预测结果与矫正的老化偏差，得到最终精确的电池剩余使用寿命预测。
Description
技术领域
本发明涉及锂离子电池容量检测领域，更具体地，涉及一种基于工作温度矫正的电池剩余使用寿命预测方法。
背景技术
锂离子电池因为其高能量密度和长寿命周期等优点，已经成为我们日常电子设备和最先进的电子移动设备中不可或缺的一部分。随着全球二氧化碳排放量的增加以及锂离子电池的不断发展，汽车行业的电气化俨然是大势所趋。但是，随着电池充放电循环的不断增加，锂离子电池不可避免地会出现老化和容量衰减现象，内阻增加。不可否认，锂离子电池为各个领域的应用带来方便的同时也存在安全隐患，比如手机电池***、锂电池充电宝起火、特斯拉车辆自燃等。电动汽车的商业化和普及化必将对锂离子电池的可靠性与安全性提出更高的要求，为此，对不同使用状态下的电池***剩余使用寿命建立预测模型，为电池管理***的故障预测和健康管理提供可靠的依据，具有十分重要的研究意义和现实意义。
然而，电池的容量衰减的影响因素非常复杂。不同的电池材料体系、不同的工作环境温度、不同的循环状态下都将导致较大差异的电池老化速率和容量表现。特别对于电动汽车，行车安全和里程焦虑一直是人们重点关注的问题。同一型号的电动车在不同的环境温度下性能差异巨大，很多电动车在行驶至北方后里程大打折扣。这不仅是因为低温影响了电池中活性物质的活性，同时还因为车载空调的功率上升和部分机械能损耗的增加。当电池的工作温度发生变化，许多现存预测模型很难对此展开针对性的调整，贡献精准的预测结果。不同工作温度下的准确剩余使用寿命预测对减少车辆安全隐患、缓解里程焦虑和增强汽车电池管理***的鲁棒性都具有重要的意义。
综上所述，当前的锂离子电池剩余使用寿命预测模型没有充分考虑到电池工作温度变化引起的寿命老化差异，没有明确探究工作温度与电池容量衰减之间的依赖关系。因此，模型对工作温度的变化并没有灵敏的响应。对此，我们提出了一种基于工作温度矫正后的电池剩余使用寿命预测。
发明内容
本发明提供一种基于工作温度矫正的电池剩余使用寿命预测方法，其目的在于弥补现有技术的缺陷，综合计算电池温度变化引起的寿命老化的因素，研究工作温度与电池容量衰减之间的依赖关系，唤醒模型对工作温度变化的响应，提供一种基于工作温度矫正的电池剩余使用寿命预测方法。
为了解决上述技术问题，实现上述目的，本发明所提供的技术方案为一种基于工作温度矫正的电池剩余使用寿命预测方法，包括以下步骤：
S1：设定特殊的充放电策略，模拟电池的实际运行状况和进行电池老化加速，记录充电过程数据与老化加速实验数据；
S2：将充电过程中的电压、电流、温度和历史容量数据分别进行降噪、去除异常值，规整成相同形状的数据结构，并输入时序特征提取模块，提取各变量在不同循环圈数下的紧凑特征；
S3：将紧凑特征输入多层长短期记忆神经网络预测模型，通过贝叶斯优化算法进行超参空间搜索，确定最佳的超参数，得到初步的容量衰减曲线和剩余使用寿命预测值；
S4：将电池实际工作温度数据输入阿伦尼乌斯温度修正模型，通过贝叶斯优化算法搜索最佳的半经验模型超参数，得到表征因工作温度不同引起的老化加速因子；
S5：综合剩余使用寿命的初步预测值与老化加速因子，得到修正后的剩余使用寿命预测。
进一步地，所述步骤S1具体为：
S101：取磷酸铁锂(lithium iron phosphate，LFP)/石墨电池，标称容量为1.1Ah，额定电压为3.3V；
S102：所述电池在大倍率C1下恒流充电至第一阶段的SOC值，然后在第二个倍率C2下恒流充电至额定容量的80％，随后电流在1C下充电至3.6V，最后切换成3.6V恒压充电至电流小于0.05C；所述温度以20℃为间隔，温度区间从0℃至40℃；
S103：按照8：2的比例被随机划分为训练集与测试集。
进一步地，所述步骤S102，所述电池在48通道Arbin LBT充放电工作站和恒温箱中循环至失效。
进一步地，所述步骤S2具体为：
S201：通过数据平滑和去除异常值去除数据的噪声，通过阿克玛插值法将数据规整成相同的矩阵形状，提供给时序特征提取模块合适的输入；
S202：输入的数据经多层神经网络生成紧凑的时序特征。
进一步地，所述输入的数据经多层神经网络生成紧凑的时序特征，具体包括：输入矩阵被赋予连接权重后进行激活函数后作为输出，连接权值的数值决定相应神经元传输的数据量的重要性，激活函数决定相应隐含层神经元的状态是否被激活，神经网络y的关键方程如下：
其中，n为神经元细胞的数目，xi为神经网络的输入，wi为权重，θ为偏置，f(·)为激活函数，此处为双曲正切函数f(x)：
其中，x泛指激活层函数的输入。训练过程通过迭代调整连接权值，使模型输出逼近最佳的紧凑特征。
进一步地，所述步骤S3具体为：
S301、将每个循环下的紧凑特征处理成以50个循环为间隔的滑移矩阵实现从序列到序列的电池寿命预测提供矩阵输入，即由历史时刻的若干个容量退化数据组成的时间序列来预测未来时刻的若干个容量估计值组成的时间序列，所得的滑移矩阵如下所示：
此处的滑移矩阵中，滑移矩阵代分别代表输入和输出的向量，对输入的序列和输出的序列长度分别为1000和50，意味着将通过1000个历史容量信息预测未来1001到1050圈电池的容量表现。每预测50步，就用预测起点前的1000圈历史容量迭代预测下一50圈的容量性能。这样的预测方法迭代的次数更少，误差累计小，也就是从序列到序列的模型；
S302、深度长短期记忆神经网络对滑移矩阵进行处理，对预测起点后每个循环下容量的预测，通过贝叶斯优化算法寻找最佳的网络节点数、网络层数、激活函数和学习率，单个的长短期记忆神经网络细胞内的门函数和处理过程的关键方程如下：
ft＝σ(Wxf*Xt+Whf*ht-1+bf)；
it＝σ(WXi*Xt+Whg*ht-1+bi)；
gt＝tanh(WXg*Xt+Whg*ht-1+bg)；
ot＝σ(WXo*Xt+Who*ht-1+bo)；
Ct＝ft⊙Ct-1+it⊙gt；
ht＝ot⊙tanh(Ct)；
其中，ft、it和ot分别代表t时刻下，LSTM神经细胞的遗忘门输出、输入门输出和输出门输出，这三个门可以对信息的传递过程分别进行不同方式的控制；gt代表t时刻下的细胞候选记忆；Ct-1表示前一个时刻t-1的细胞内部状态；Ct表示一个当前t时刻下细胞内部状态的一个中间状态，这个状态是通过一个非线性函数变化而来的；ht为t时刻下的隐藏层输出，Xt代表t时刻下输入的滑移矩阵，WX～和Wh～是神经网络的权重，～泛指f，i，g和o，分别代表对应门函数权重系数，同理，b～代表对应门函数的偏置值。符号“*”代表乘积运算，“⊙”向量元素的乘积符号。
进一步地，所述步骤S4具体为：
S401：在电池的加速老化试验中，引入阿伦尼乌斯模型表征剩余使用寿命的温度依赖性，将电池容量衰减近似于一个化学反应，用阿伦尼乌斯方程来描述温度对老化反应的影响以及模拟电池容量的老化程度，再引入一个新的常数b来表征老化速率与反应速率常数K之间的以来关系，引入电池工作温度T下的老化速率DT，如下：
DT＝b·K
此时，合并反应速率和老化速率的表达式可得：
其中，A为容量老化反应的速率常数，为了方便后续的运算，令温度T下的老化反应速率常数AT＝b·A，并移项处理，可得：
所推导的公式表明，只要电池的老化降解机制不超过特定的温度范围区间，老化速率DT与温度T之间是齐次关系，并且能被阿伦尼乌斯模型所表征，lnDT和
呈斜率为/>
的线性关系。
S402：取工作温度40℃下的电池作为寿命参考，此时的工作温度记为参考温度T0，此温度下的老化速率记为
以20摄氏度作为间隔，引入一个老化加速因子ε，矫正不同工作温度下的电池的剩余使用寿命，其定义为：
此时，将反应速率DT的表达式代入上式可得：
其中，Ea为容量老化反应的活化能，R为容量老化反应的气体常数、T为容量老化反应的工作温度，该老化加速因子ε用于矫正因工作温度不同引起的电池使用寿命偏差；
S403：对所述步骤S3中所得的容量衰减曲线进行基于工作温度的矫正，电池老化速率越大，电池的容量衰减的偏移量越大，并且该偏移量受到循环圈数N的影响，因此可得容量偏移量为：
ΔCT＝C0·ε·Nn
其中，ΔCT为工作温度T0下第N圈的容量偏移量，C0则是参考工作温度下，第N圈的预测容量；n为模型超参数，通过超参优化算法确定。
进一步地，所述老化加速因子ε用于矫正不同工作温度下的老化反应速率进而矫正不同工作温度下的电池的剩余使用寿命。
进一步地，所述老化反应的反应速率K表示为：
其中，A为容量老化反应的速率常数，Ea为容量老化反应的活化能、R为容量老化反应的气体常数、T为容量老化反应的工作温度，电池的工作温度越高，老化反应的速率越快。
进一步地，所述步骤S5具体为：
计算不同温度下的预测容量曲线偏差，得出矫正的电池容量，直至电池寿命终结如下：
CT，i＝C0，i-ΔCT，i
其中，i＝1，2，...，NEOL，NEOL为电池达到寿命终结所经历的充放电循环数，C0，i为参考工作温度下第i圈的容量，ΔCT，i为实时工作温度下下第i圈的容量偏差。此时，剩余使用寿命的矫正预测值可表达为：
NRUL＝NEOL-Ni
其中，NRUL代表预测起点到寿命终点所经历的充放电循环，Ni为循环寿命因温度不同的偏差值。
本发明的有益技术效果至少在于以下几点：
(1)该锂离子电池剩余使用寿命预测方法，从电池的充电过程数据中提取特征，能避免随机工作负荷产生的影响，具有较强的实用性和稳定性。
(2)该锂离子电池剩余使用寿命预测方法，将每个循环下的紧凑充电特征用长短期记忆神经网络对RUL进行预测，有效缓解了传统长序列梯度***和长期依赖问题。
(3)该锂离子电池剩余使用寿命预测方法，首次基于阿伦尼乌斯方程推导了电池工作温度与电池老化速率、循环圈数之间的依赖关系，并建立了准确的半经验模型以修正温度对RUL预测的偏差。
(4)该锂离子电池剩余使用寿命预测方法，提出了将电池的老化衰减当作是一个整体反应，建立了完备的反应动力学方程式，并提出了用老化加速因子ε对不同工作温度下的电池寿命进行修正，提高了模型对温度的响应灵敏度。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明一种基于工作温度矫正的电池剩余使用寿命预测方法的步骤流程图；
图2为本发明实施例所用的124个电池数据集的容量衰减曲线图；
图3为本发明实施例神经元网络结构示意图；
图4为本发明实施例LSTM细胞的结构示意图。
图5为本发明实施例进行RUL预测时基于工作温度矫正的效果及精度示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
对于本领域的技术人员来说，附图中的某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，一种基于工作温度矫正的电池剩余使用寿命预测方法，具体包括以下步骤：
步骤1，设定特殊的充放电策略，以模拟电池的实际运行状况和进行电池老化加速，记录充电过程数据与老化加速实验数据。
具体地，步骤1.1，取磷酸铁锂(lithium iron phosphate，LFP)/石墨电池，标称容量为1.1Ah，额定电压为3.3V。
步骤1.2，所用电池在大倍率(current)C1下恒流充电(constant current,CC1)至第一阶段的SOC值，然后在第二个倍率C2下恒流充电(CC2)至额定容量的80％，随后电流在1C(CC3)下充电至3.6V，最后切换成3.6V恒压充电(Constant voltage,CV)至电流小于0.05C。工作温度的以20℃为间隔，区间从0℃至40℃。所述电池在48通道Arbin LBT充放电工作站和恒温箱中循环至失效。如图2所示，给出了124个电池数据集的容量衰减曲线图。
步骤1.3，按照8：2的比例被随机划分为训练集与测试集.
步骤2，将充电过程中的电压、电流、温度和历史容量数据分别进行降噪、去除异常值，规整成相同形状的数据结构，并输入时序特征提取模块，提取各变量在不同循环圈数下的紧凑特征；
具体地，步骤2.1，通过数据平滑和去除异常值等去除数据的噪声，通过阿克玛(akima)插值法将数据规整成相同的矩阵形状，以提供给时序特征提取模块合适的输入。
步骤2.2，输入的数据经多层神经网络生成紧凑的时序特征。输入矩阵被赋予连接权重后进行激活函数后作为输出。连接权值的数值决定了相应神经元传输的数据量的重要性，而激活函数决定了相应隐含层神经元的状态是否被激活。神经网络y的关键方程如下：
如图3所示，给出了神经元网络结构。
其中，n为神经元细胞的数目，xi为神经网络的输入，wi为权重，θ为偏置，f(·)为激活函数，此处为双曲正切函数：
其中，x泛指激活层函数的输入.训练过程通过迭代调整连接权值，使模型输出逼近最佳的紧凑特征。
步骤3，将紧凑特征输入多层长短期记忆神经网络预测模型，通过贝叶斯优化算法进行超参空间搜索，确定最佳的超参数。通过由序列到序列的方法进行预测，得到初步的容量衰减曲线和剩余使用寿命预测值，减少传统序列预测的累计误差。
具体地，步骤3.1，将每个循环下的紧凑特征处理成以50个循环为间隔的滑移矩阵为实现从序列到序列的电池寿命预测提供合适的矩阵输入，即由历史时刻的若干个容量退化数据组成的时间序列来预测未来时刻的若干个容量估计值组成的时间序列，所得的滑移矩阵如下所示：
此处的滑移矩阵中，输入的序列和输出的序列长度分别为1000和50，意味着将通过1000个历史容量信息预测未来1001到1050圈电池的容量表现。每预测50步，就用预测起点前的1000圈历史容量迭代预测下一50圈的容量性能。这样的预测方法迭代的次数更少，误差累计小，也就是从序列到序列的模型。
步骤3.2，这些滑移矩阵将由深度长短期记忆神经网络进行处理，实现对预测起点后每个循环下容量的预测。通过贝叶斯优化算法寻找最佳的网络节点数、网络层数、激活函数和学习率。单个的长短期记忆神经网络细胞内的门函数和处理过程的关键方程如下：
ft＝σ(Wxf*Xt+Whf*ht-1+bf)；
it＝σ(Wxi*Xt+Whg*ht-1+bi)；
gt＝tanh(WXg*Xt+Whg*ht-1+bg)；
ot＝σ(Wxo*Xt+Who*ht-1+bo)；
Ct＝ft⊙Ct-1+it⊙ gt；
ht＝ot⊙ tanh(Ct)；
其中，ft、it和ot分别代表t时刻下，LSTM神经细胞的遗忘门输出、输入门输出和输出门输出，这三个门可以对信息的传递过程分别进行不同方式的控制；gt代表t时刻下的细胞候选记忆；Ct-1表示前一个时刻t-1的细胞内部状态；Ct表示一个当前t时刻下细胞内部状态的一个中间状态，这个状态是通过一个非线性函数变化而来的；ht为t时刻下的隐藏层输出，Xt代表t时刻下输入的滑移矩阵，WX～和Wh～是神经网络的权重，～泛指f，i，g和o，分别代表对应门函数权重系数，同理，b～代表对应门函数的偏置值。符号“*”代表乘积运算，“⊙”向量元素的乘积符号。
如图4所示，为LSTM细胞的结构示意图。
步骤4，将电池实际工作温度数据输入阿伦尼乌斯温度修正模型，通过贝叶斯优化算法搜索最佳的半经验模型超参数，得到表征因工作温度不同引起的老化加速因子；
具体地，步骤4.1，在电池的加速老化试验中，引入阿伦尼乌斯模型来表征剩余使用寿命的温度依赖性。将电池容量衰减近似于一个化学反应，用阿伦尼乌斯方程来描述温度对此老化反应的影响以及模拟电池容量的老化程度。此反应的化学反应速率常数可以表示为：
其中，A，Ea，R和T分别为容量老化反应的速率常数、活化能、气体常数和工作温度。由该方程可知，电池的工作温度越高，老化反应的速率越快。此时引入一个新的常数b来表征老化速率与反应速率常数K之间的以来关系，引入电池工作温度T下的老化速率DT，如下：
DT＝b·K
此时，合并反应速率和老化速率的表达式可得：
为了方便后续的运算，令AT＝b·A，并移项处理，可得：
所推导的公式表明，只要电池的老化降解机制不超过特定的温度范围区间，老化速率DT与温度T之间是齐次关系，并且可以被阿伦尼乌斯模型所表征，lnDT和
呈斜率为/>
的线性关系。
步骤4.2，取工作温度40℃下的电池作为寿命参考，此时的工作温度记为参考温度T0，此温度下的老化速率记为
以20摄氏度作为间隔，引入一个老化加速因子，该因子用于将矫正不同工作温度下的老化反应速率，从而矫正不同工作温度下的电池的剩余使用寿命，其定义为：
此时，将反应速率DT的表达式代入上式可得：
该老化加速因子可用于矫正因工作温度不同引起的电池使用寿命偏差。
步骤4.3，对步骤三中所得的初步容量曲线进行基于工作温度的矫正。电池老化速率越大，电池的容量衰减的偏移量越大，并且该偏移量受到循环圈数N的影响，因此可得容量偏移量为：
ΔCT＝C0·ε·Nn
其中，ΔCT为工作温度T0下第N圈的容量偏移量，C0则是参考工作温度下，第N圈的预测容量；n为模型超参数，通过超参优化算法确定。
步骤5，综合RUL的初步预测值与老化加速因子，得到修正后的RUL预测。
具体地，步骤5.1，计算不同温度下的预测容量曲线偏差，得出矫正的电池容量，直至电池寿命终结(End of life，EOL)如下：
CT,i＝C0,i-ΔCT,i
其中，i＝1,2，...，NEOL，NEOL为电池达到寿命终结所经历的充放电循环数，C0，i为参考工作温度下第i圈的容量，ΔCT，i为实时工作温度下下第i圈的容量偏差。此时，剩余使用寿命的矫正预测值可表达为：
NRUL＝NEOL-Ni
其中，NRUL代表预测起点到寿命终点所经历的充放电循环，Ni为循环寿命因温度不同的偏差值。如图5所述，给出了本发明公开方法在经过工作温度矫正后的寿命预测效果和精度(取实验数据集中两个电池进行展示)。
当前，本发明公开方法以40℃下运行的电池为参考进行了对电池在预测起点后的容量曲线进行了初步预测，预测的平均绝对百分比误差(Mean Absolute PercentageError，MAPE)为0.105Ah，RUL预测的MAPE在20个循环以内。
本公开发明方法通过大量的数据推导及大数据智能算法的超参优化，成功地建立了基于温度矫正的阿伦尼乌斯半经验模型，当电池的工作温度发生变化时，所提出的模型方法可以根据温差对初步的寿命预测结果进行修正，修正后的容量预测的MAPE为0.028Ah，RUL预测的MAPE在5个循环以内，精度得到大幅度提升。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
S1：设定特殊的充放电策略，模拟电池的实际运行状况和进行电池老化加速，记录充电过程数据与老化加速实验数据；
S2：将充电过程中的电压、电流、温度和历史容量数据分别进行降噪、去除异常值，规整成相同形状的数据结构，并输入时序特征提取模块，提取各变量在不同循环圈数下的紧凑特征；
S3：将紧凑特征输入多层长短期记忆神经网络预测模型，通过贝叶斯优化算法进行超参空间搜索，确定最佳的超参数，得到初步的容量衰减曲线和剩余使用寿命预测值；
S4：将电池实际工作温度数据输入阿伦尼乌斯温度修正模型，通过贝叶斯优化算法搜索最佳的半经验模型超参数，得到表征因工作温度不同引起的老化加速因子；
S5：综合剩余使用寿命的初步预测值与老化加速因子，得到修正后的剩余使用寿命预测。
2.根据权利要求1所述的一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，所述步骤S1具体为：
S101：取磷酸铁锂/石墨电池，标称容量为1.1Ah，额定电压为3.3V；
S102：所述电池在大倍率C1下恒流充电至第一阶段的SOC值，然后在第二个倍率C2下恒流充电至额定容量的80％，随后电流在1C下充电至3.6V，最后切换成3.6V恒压充电至电流小于0.05C；所述温度以20℃为间隔，温度区间从0℃至40℃；
S103：按照8：2的比例被随机划分为训练集与测试集。
3.根据权利要求2所述的一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，所述步骤S102，所述电池在48通道Arbin LBT充放电工作站和恒温箱中循环至失效。
4.根据权利要求1所述的一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，所述步骤S2具体为：
S201：通过数据平滑和去除异常值去除数据的噪声，通过阿克玛插值法将数据规整成相同的矩阵形状，提供给时序特征提取模块合适的输入；
S202：输入的数据经多层神经网络生成紧凑的时序特征。
5.根据权利要求4所述的一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，所述输入的数据经多层神经网络生成紧凑的时序特征，具体包括：输入矩阵被赋予连接权重后进行激活函数后作为输出，连接权值的数值决定相应神经元传输的数据量的重要性，激活函数决定相应隐含层神经元的状态是否被激活，神经网络y的关键方程如下：
其中，n为神经元细胞的数目，xi为神经网络的输入，wi为权重，θ为偏置，f(·)为激活函数，此处为双曲正切函数f(x)：
其中，x泛指激活层函数的输入。训练过程通过迭代调整连接权值，使模型输出逼近最佳的紧凑特征。
6.根据权利要求1所述的一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，所述步骤S3具体为：
S301、将每个循环下的紧凑特征处理成以50个循环为间隔的滑移矩阵实现从序列到序列的电池寿命预测提供矩阵输入，即由历史时刻的若干个容量退化数据组成的时间序列来预测未来时刻的若干个容量估计值组成的时间序列；
S302、深度长短期记忆神经网络对滑移矩阵进行处理，对预测起点后每个循环下容量的预测，通过贝叶斯优化算法寻找最佳的网络节点数、网络层数、激活函数和学习率。
7.根据权利要求1所述的一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，所述步骤S4具体为：
S401：在电池的加速老化试验中，引入阿伦尼乌斯模型表征剩余使用寿命的温度依赖性，将电池容量衰减近似于一个化学反应，用阿伦尼乌斯方程来描述温度对老化反应的影响以及模拟电池容量的老化程度；
S402：取工作温度40℃下的电池作为寿命参考，此时的工作温度记为T0，以20摄氏度作为间隔，引入一个老化加速因子，矫正不同工作温度下的电池的剩余使用寿命；
S403：对所述步骤S3中所得的容量衰减曲线进行基于工作温度的矫正。
8.根据权利要求7所述的一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，所述老化加速因子用于矫正不同工作温度下的老化反应速率进而矫正不同工作温度下的电池的剩余使用寿命。
9.根据权利要求7所述的一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，所述老化反应的反应速率K表示为：
其中，A为容量老化反应的速率常数，Ea为容量老化反应的活化能、R为容量老化反应的气体常数、T为容量老化反应的工作温度。
10.根据权利要求1所述的一种基于工作温度矫正的电池剩余使用寿命预测方法，其特征在于，所述步骤S5具体为：
计算不同温度下的预测容量曲线偏差，得出矫正的电池容量，直至电池寿命终结(Endof Life,EOL)如下：
CT,i＝C0,i-ΔCT,i
其中，i＝1,2,…,NEOL，NE0L为电池达到寿命终结所经历的充放电循环数，C0,i为参考工作温度下第i圈的容量，ΔCT,i为实时工作温度下下第i圈的容量偏差。此时，剩余使用寿命的矫正预测值可表达为：
NRUL＝NEOL-Ni
其中，NRUL代表预测起点到寿命终点所经历的充放电循环，Ni为循环寿命因温度不同的偏差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310319281.6A CN116400224A (zh) | 2023-03-28 | 2023-03-28 | 一种基于工作温度矫正的电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310319281.6A CN116400224A (zh) | 2023-03-28 | 2023-03-28 | 一种基于工作温度矫正的电池剩余使用寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116400224A true CN116400224A (zh) | 2023-07-07 |
Family
ID=87019243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310319281.6A Pending CN116400224A (zh) | 2023-03-28 | 2023-03-28 | 一种基于工作温度矫正的电池剩余使用寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116400224A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117526526A (zh) * | 2024-01-02 | 2024-02-06 | 深圳市安德普电源科技有限公司 | 电池安全管理方法、装置以及设备 |
-
2023
- 2023-03-28 CN CN202310319281.6A patent/CN116400224A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117526526A (zh) * | 2024-01-02 | 2024-02-06 | 深圳市安德普电源科技有限公司 | 电池安全管理方法、装置以及设备 |
| CN117526526B (zh) * | 2024-01-02 | 2024-04-02 | 深圳市安德普电源科技有限公司 | 电池安全管理方法、装置以及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dai et al. | A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain | |
| Xu et al. | A novel data-driven method for predicting the circulating capacity of lithium-ion battery under random variable current | |
| Chen et al. | State-of-charge estimation of lithium-ion battery using an improved neural network model and extended Kalman filter | |
| Xi et al. | Accurate and reliable state of charge estimation of lithium ion batteries using time-delayed recurrent neural networks through the identification of overexcited neurons | |
| Wang et al. | Perspectives and challenges for future lithium-ion battery control and management | |
| Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
| Guo et al. | Prediction of remaining useful life and state of health of lithium batteries based on time series feature and Savitzky-Golay filter combined with gated recurrent unit neural network | |
| CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
| CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
| CN112215434A (zh) | 一种lstm模型的生成方法、充电时长预测方法及介质 | |
| Wei et al. | State of health assessment for echelon utilization batteries based on deep neural network learning with error correction | |
| Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
| Li et al. | Lithium-ion battery remaining useful life prognostics using data-driven deep learning algorithm | |
| CN115308606B (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
| CN112434463A (zh) | 一种车辆复合电源能量管理*** | |
| Li et al. | Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range | |
| CN116400224A (zh) | 一种基于工作温度矫正的电池剩余使用寿命预测方法 | |
| CN115201686A (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 | |
| Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
| 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 | |
| Wang et al. | Charging diagnosis of power battery based on adaptive STCKF and BLS for electric vehicles | |
| Wen et al. | Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model | |
| Cai et al. | Remaining useful life prediction method of EV power battery for DC fast charging condition | |
| CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
| Hou et al. | The state of health prediction of Li-ion batteries based on an improved extreme learning machine |
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 |