CN116626499A - 基于能压峰特征和改进lstm的锂电池健康状态估计方法 - Google Patents
基于能压峰特征和改进lstm的锂电池健康状态估计方法 Download PDFInfo
- Publication number
- CN116626499A CN116626499A CN202310457722.9A CN202310457722A CN116626499A CN 116626499 A CN116626499 A CN 116626499A CN 202310457722 A CN202310457722 A CN 202310457722A CN 116626499 A CN116626499 A CN 116626499A
- Authority
- CN
- China
- Prior art keywords
- peak
- data
- sequence
- charge
- lithium battery
- 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.)
- Withdrawn
Links
- 230000036541 health Effects 0.000 title claims abstract description 90
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000007600 charging Methods 0.000 claims abstract description 37
- 238000010219 correlation analysis Methods 0.000 claims abstract description 18
- 238000007599 discharging Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000007306 turnover Effects 0.000 claims abstract description 8
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 6
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 6
- 230000006403 short-term memory Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000003862 health status Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000007906 compression Methods 0.000 description 7
- 230000032683 aging Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008929 regeneration Effects 0.000 description 4
- 238000011069 regeneration method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 229910010707 LiFePO 4 Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,获取锂离子电池每个充放电循环的健康状态数据、充电电压数据和充电能量数据;提取每个充放电循环中等间隔电压的能量数据,计算每个充放电循环的能压,绘制等间隔电压的能压曲线,并计算出所有充放电循环的阶段峰值;利用所有充放电循环的阶段峰值生成阶段峰值序列,利用高低相关分析方法,在阶段峰值序列中选择能压峰特征序列;将能压峰特征序列与健康状态序列进行归一化预处理;在长短期记忆(Long Short‑Term Memory,LSTM)网络中增加翻转层,改进LSTM,将能压峰特征序列与健康状态序列归一化后的数据作为LSTM的输入,构建锂电池健康状态估计模型;应用构建的锂电池健康状态估计模型对锂电池健康状态进行估计。本发明具有有效地追踪电池健康状态的衰退过程,精确预测锂电池健康状态的特点。
Description
技术领域
本发明涉及电池技术领域,具体为一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法。
背景技术
由于锂离子电池具有能量密度高、循环寿命长、自放电率低、成本较低、环境污染小等优点,被广泛地应用于储能、电动汽车和自主移动机器人等众多领域。锂电池在不断的循环使用过程中,健康状态(State of Health,SOH)成为评价电池老化程度的关键指标,因此需要准确的进行估计。
锂电池健康状态估计中,首先需要提取合适的特征。充电时长、充电电压、充电电流、温度变化和各种统计量等是常见的健康状态特征提取方法,但这些方法仅仅只能反应锂电池的衰退过程,无法描述锂电池内部老化的反应机理。在提取特征之后,需要应用数据驱动的方法建立锂电池健康状态估计模型。常用的数据驱动方法包括极限学习机、支持向量机。作为典型的深度学习方法,长短期记忆(Long Short-Term Memory,LSTM)网络在锂电池状态估计中取得了良好的效果,但在电池老化而出现的容量再生现象时,健康状态估计不准确。
发明内容
针对当前锂电池健康状态估计中特征提取方法和估计模型建模方法中的不足,本发明提出一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,通过高低相关分析方法,在能压峰序列中选择能压峰特征,对LSTM进行改进,建立锂电池健康状态估计模型,可以提升锂电池健康状态估计的精度。
为解决上述实际问题,本发明采取的技术方案是:
一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,包括如下步骤:
S1、获取锂离子电池每个充放电循环的健康状态数据、充电电压数据和充电能量数据;
S2、提取每个充放电循环中等间隔电压的能量数据,计算每个充放电循环的能压,绘制等间隔电压的能压曲线,并计算出所有充放电循环的阶段峰值;
S3、利用所有充放电循环的阶段峰值生成阶段峰值序列,利用高低相关分析方法,在阶段峰值序列中选择能压峰特征序列;
S4、将能压峰特征序列与健康状态序列进行归一化预处理;
S5、在长短期记忆(Long Short-Term Memory,LSTM)网络中增加翻转层,改进LSTM,将能压峰特征序列与健康状态序列归一化后的数据作为LSTM的输入,构建锂电池健康状态估计模型;
S6、应用构建的锂电池健康状态估计模型对锂电池健康状态进行估计。
进一步,所述步骤S1具体内容如下:
所述每个充放电循环的锂电池健康状态数据为序列H1,H2,...,Hn,其中Hi为第i(i=1,2,...,n)个充放电循环的电池健康状态,n为循环充放电次数,Ci为第i个充放电循环锂电池的最大放电容量,C为锂电池的额定容量;第i个充放电循环的充电电压数据为序列Ui,0,Ui,t,...,Ui,z×t,充电能量数据为序列Ei,0,Ei,t,...,Ei,z×t,Ui,0为第i个充放电循环的初始电压,Ui,z×t为第i个充放电循环的终止电压,Ei,0为第i个充放电循环的初始能量,Ei,z×t为第i个充放电循环的终止能量,t为充电时数据采样间隔时间,z为采样次数,z×t为采样总时间,也是充电总时间。
更进一步,所述的步骤S2具体内容如下:
通过在每个充放电循环i,从初始电压Ui,0到终止电压Ui,z×t,固定间隔电压ΔV,对能量数据序列Ei,0,Ei,t,...,Ei,z×t按如下公式计算能压EVi,a,
其中a表示计算的能压的编号[a=1,2,...,(Ui,z×t-Ui,0)/ΔV],a≤z。
绘制每个充放电循环i等间隔电压的能压曲线,在能压曲线中提取所有的阶段峰值Fi,1,Fi,2,…,Fi,m,其中m为能压曲线中阶段峰的个数。
再进一步,所述的步骤S3的具体内容如下:
高低相关分析方法在阶段峰序列中选择能压峰特征的方法如下,
首先,将所有充放电循环的阶段峰值Fi,1,Fi,2,…,Fi,m,整理为m组阶段峰值序列,分别为F1,1,F2,1,…,Fn,1、F1,2,F2,2,…,Fn,2、…、F1,m,F2,m,…,Fn,m,
随后,将此m组阶段峰值数据序列分别与锂电池健康状态序列进行相关性分析,按如下的公式计算相关度Pj,
其中Fi,j表示充放电循环i中第j(j=1,2,…,m)个阶段峰值,表示所有充放电循环中第j个阶段峰值的均值,/>表示所有充放电循环中健康状态的均值,
在计算了m个相关度P1,P2,…,Pm后,计算P1,P2,…,Pm的均值和最高值Pmax,在m组阶段峰值数据序列,对于满足如下条件F1,l,F2,l,…,Fn,l予以保留:
对于不满足该条件的峰值数据序列,直接舍弃,形成保留的峰值数据序列F1,1,F2,1,…,Fn,1、F1,2,F2,2,…,Fn,2、…、F1,v,F2,v,…,Fn,v。其中l=1,2,...,v,v表示满足条件的峰值数据序列的数量,
随后,将保留的峰值数据序列中计算的相关度为Pmax的F1,r,F2,r,…,Fn,r,与保留的峰值数据序列中其他各个峰值数据序列F1,q,F2,q,…,Fn,q,q=1,2,...,v-1,再次计算相关度Pq *,
其中表示所有充放电循环中第r个阶段峰值的均值,/>表示所有充放电循环中第q个阶段峰值的均值,
将计算的所有相关度Pq *中最低值P* min对应的F1,u,F2,u,…,Fn,u,与F1,r,F2,r,…,Fn,r共同组成能压峰特征序列。
进一步,所述的步骤S4的具体内容如下:
采用最大最小值归一化预处理数据,将数据归一化在区间[-1,1]之间;其中,归一化公式为x为预处理数据序列,xmin为数据序列x中最小值,xmax为数据序列x中最大值。
另外,所述的步骤S5的具体内容如下:
基本的LSTM输出如下,
ft=σ(wf*[ht-1,xt]+bf)
it=σ(wi[ht-1,xt]+bi)
ot=σ(wo[ht-1,xt]+bo)
ht=ot tanh(St)
其中,σ为sigmoid激活函数,xt为输入数据,ht为隐藏层输出向量,为LSTM的输出,为候选值向量,Wf、Wi、Wo、Wc、bf、bi、bo、bc为通过训练得到的参数,
对LSTM进行改进,增加反向环节,新公式为:
其中和/>分别表示ht和/>的系数,bt表示偏置,/>表示隐藏层的反向输出,yt为改进后的LSTM的输出,
取输入数据序列和健康状态序列的前k(k=1,…,n-1)个样本值和作为训练集,取第k+1,k+2,…,n个样本值/>和/>作为测试集,通过改进的LSTM构建锂电池健康状态估计模型。
其中,所述步骤S6的具体内容如下:
应用测试集充放电循环数据作为输入,应用建立的锂电池健康状态估计模型进行估计。
与现有技术相比,本发明的有益效果是:
采用高低相关分析方法在能压峰序列中选择能压峰特征代替传统的特征提取方法,高低相关分析方法,有利于选出最合适的能压峰特征,而提取的能压峰特征可以表征内部发生的复杂和剧烈的电化学反应。
在基本LSTM中增加翻转层,建立锂电池健康状态估计模型,提升模型的泛化性和鲁棒性,解决了电池伴随老化而出现的再生现象和数据的跳变所导致健康状态的估计不准确问题。
附图说明
图1是本发明实施例提供的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法的流程示意图;
图2是本发明实施例提供的锂电池健康状态随着充放电循环的容量衰减图;
图3是本发明实施例提供的能压曲线图;
图4是本发明实施例提供的改进LSTM健康状态估计结果图;
图5是本发明实施例提供的改进LSTM与对比方法的健康状态估计对比实验结果图。
具体实施方式
本发明提出一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法。该方法为:获取锂离子电池每个充放电循环的健康状态数据、充电电压数据和充电能量数据;
提取每个充放电循环中等间隔电压的能量数据,绘制等间隔电压的能压曲线,并计算出所有充放电循环的阶段峰值;利用所有充放电循环的阶段峰值生成阶段峰值序列,利用高低相关分析方法,在阶段峰值序列中选择能压峰特征序列;将能压峰特征序列与健康状态序列进行归一化预处理;在LSTM网络中增加翻转层,改进LSTM,将能压峰特征序列与健康状态序列归一化后的数据作为LSTM的输入,构建锂电池健康状态估计模型;应用构建的锂电池健康状态估计模型对锂电池健康状态进行估计。本发明提出的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,通过利用高低相关分析方法,在能压峰序列中选择能压峰特征,更好地表征锂电池的健康状态;改进后的LSTM在估计精度上都有很大的提升,克服了电池老化而出现的再生现象所导致的估计不准确问题,具有极大的指导意义和参考价值。
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。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图与具体实施方式对本发明作进一步详细描述:
如图1所示是本发明实例提供的基于满置电流和二重相关度的锂电池健康状态估计方法的流程示意图,在图1所示的方法中,包括以下步骤:
S1、获取锂离子电池每个充放电循环的健康状态数据、充电电压数据和充电能量数据。
所述每个充放电循环的锂电池健康状态数据为序列H1,H2,...,Hn,其中Hi为第i(i=1,2,...,n)个充放电循环的电池健康状态,n为循环充放电次数,Ci为第i个充放电循环锂电池的最大放电容量,C为锂电池的额定容量;第i个充放电循环的充电电压数据为序列Ui,0,Ui,t,...,Ui,z×t,充电能量数据为序列Ei,0,Ei,t,...,Ei,z×t,Ui,0为第i个充放电循环的初始电压,Ui,z×t为第i个充放电循环的终止电压,Ei,0为第i个充放电循环的初始能量,Ei,z×t为第i个充放电循环的终止能量,t为充电时数据采样间隔时间,z为采样次数,z×t为采样总时间,也是充电总时间。
S2、提取每个充放电循环中等间隔电压的能量数据,计算每个充放电循环的能压,绘制等间隔电压的能压曲线,并计算出所有充放电循环的阶段峰值。
通过在每个充放电循环i,从初始电压Ui,0到终止电压Ui,z×t,固定间隔电压ΔV,对能量数据序列Ei,0,Ei,t,...,Ei,z×t按如下公式计算能压EVi,a,
其中a表示计算的能压的编号[a=1,2,...,(Ui,z×t-Ui,0)/ΔV],a≤z。
绘制每个充放电循环i等间隔电压的能压曲线,在能压曲线中提取所有的阶段峰值Fi,1,Fi,2,…,Fi,m,其中m为能压曲线中阶段峰的个数。
S3、利用所有充放电循环的阶段峰值生成阶段峰值序列,利用高低相关分析方法,在阶段峰值序列中选择能压峰特征序列。
高低相关分析方法在阶段峰序列中选择能压峰特征的方法如下。
首先,将所有充放电循环的阶段峰值Fi,1,Fi,2,…,Fi,m,整理为m组阶段峰值序列,分别为F1,1,F2,1,…,Fn,1、F1,2,F2,2,…,Fn,2、…、F1,m,F2,m,…,Fn,m。
随后,将此m组阶段峰值数据序列分别与锂电池健康状态序列进行相关性分析,按如下的公式计算相关度Pj。
其中Fi,j表示充放电循环i中第j(j=1,2,...,m)个阶段峰值,表示所有充放电循环中第j个阶段峰值的均值,/>表示所有充放电循环中健康状态的均值。
在计算了m个相关度P1,P2,…,Pm后,计算P1,P2,…,Pm的均值和最高值Pmax。在m组阶段峰值数据序列,对于满足如下条件F1,l,F2,l,…,Fn,l予以保留:
对于不满足该条件的峰值数据序列,直接舍弃。形成保留的峰值数据序列F1,1,F2,1,…,Fn,1、F1,2,F2,2,…,Fn,2、…、F1,v,F2,v,…,Fn,v。其中l=1,2,...,v,v表示满足条件的峰值数据序列的数量。
随后,将保留的峰值数据序列中计算的相关度为Pmax的F1,r,F2,r,…,Fn,r,与保留的峰值数据序列中其他各个峰值数据序列F1,q,F2,q,…,Fn,q,q=1,2,...,v-1。再次计算相关度Pq *。
其中表示所有充放电循环中第r个阶段峰值的均值,/>表示所有充放电循环中第q个阶段峰值的均值。
将计算的所有相关度Pq *中最低值P* min对应的F1,u,F2,u,…,Fn,u,与F1,r,F2,r,…,Fn,r共同组成能压峰特征序列。
S4、将能压峰特征序列与健康状态序列进行归一化预处理。
采用最大最小值归一化预处理数据,将数据归一化在区间[-1,1]之间;其中,归一化公式为x为预处理数据序列,xmin为数据序列x中最小值,xmax为数据序列x中最大值。
S5、在LSTM网络中增加翻转层,改进LSTM,将能压峰特征序列与健康状态序列归一化后的数据作为LSTM的输入,构建锂电池健康状态估计模型。
基本的LSTM输出如下。
ft=σ(wf*[ht-1,xt]+bf)
it=σ(wi[ht-1,xt]+bi)
ot=σ(wo[ht-1,xt]+bo)
ht=ot tanh(St)
其中,σ为sigmoid激活函数,xt为输入数据,ht为隐藏层输出向量,为LSTM的输出。为候选值向量,Wf、Wi、Wo、Wc、bf、bi、bo、bc为通过训练得到的参数。
对LSTM进行改进,增加反向环节,新公式为:
其中和/>分别表示ht和/>的系数,bt表示偏置,/>表示隐藏层的反向输出,yt为改进后的LSTM的输出。
取输入数据序列和健康状态序列的前k(k=1,…,n-1)个样本值和/>作为训练集,取第k+1,k+2,…,n个样本值/>和/>作为测试集,通过改进的LSTM构建锂电池健康状态估计模型。
S6、应用构建的锂电池健康状态估计模型对锂电池健康状态进行估计。
应用测试集充放电循环数据作为输入,应用建立的锂电池健康状态估计模型进行估计。
下面以一个实例来说明本发明提出的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法的过程与估计精度。
实例以一节18650型磷酸铁锂(LiFePO4)电池进行充放电循环实验,额定容量为2400mAh,以0.48A进行恒流充电,当电池端电压上升为4.2V,保持端电压4.2V不变进行恒压充电,当充电电流降至48mA时充电结束。搁置2min后以2.4A电流恒流放电,直至锂电池端电压下降为3V,放电结束。充放电循环次数为750次,电池初始能量为8.4813W·h,结束能量为7.2401W·h。其中,图2为锂电池健康状态随着充放电循环的容量衰减过程。具体操作步骤如下:
基于实验室采集的数据,提取每个充放电循环的等间隔电压能量数据并绘制能压曲线如图3所示,能压曲线中有4个阶段峰,计算750个充放电循环所对应的能压曲线的4个阶段峰值序列和1个健康状态序列。
利用高低相关分析方法,将四个阶段峰值序列分别与健康状态序列进行相关性分析,得到结果如表1所示。在表1中,Ⅱ峰的阶段峰值序列相关度最高,为0.9895。相关度的平均值为0.96515,因此,III峰的相关度为0.9115,低于平均值,被去除。将Ⅱ峰的阶段峰值序列与I峰的阶段峰值序列和IV峰的阶段峰值序列进行相关度分析,得出的结果中,与IV峰的阶段峰值序列之间相关度低于与I峰的阶段峰值序列之间相关度。因此,选择Ⅱ峰的阶段峰值序列和IV峰的阶段峰值序列作为峰值特征。两者合并的序列作为LSTM的估计模型输入。
表1
表2
同一充电循环内的峰值特征和健康状态作为一组数据,将750组锂电池充电过程的数据按照1:1划分,即1-375组数据为训练集,376-750组数据为测试集,通过翻转层改进LSTM建立健康状态估计模型,翻转层按照纵向反转读取输入序列,LSTM神经元数量为100,学习率为0.001。
应用改进LSTM建立锂电池健康状态估计模型,基于测试集进行锂电池健康状态估计,健康状态评估的结果如图4所示,估计指标如表3所示,其中平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)作为估计模型的评估指标。
表3
将本发明提出的改进LSTM,与基本LSTM、支持向量机(SVM)和极端学习机(ELM)进行锂电池健康状态估计对比实验,对比实验结果如图5所示,估计指标对比如表4所示。
表4
从图5锂电池健康状态估计结果的对比中可以看出,本发明提出的方法取得了较为准确的健康状态估计结果,并克服了电池的再生现象。表4中本发明提出的改进LSTM方法的MAE和RMSE,均低于三种比较方法的MAE和RMSE,说明估计的健康状态误差更小,同时本发明提出的方法的R2,均大于三种比较方法的R2,具有更好的拟合度,拟合度越大表明估计模型输入的峰值特征与健康状态具有越好的解释关系。这些对比说明了本发明提出的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法更有效地追踪电池健康状态衰退过程的特点。
本发明未详述之处,均为本领域技术人员的公知技术。
最后所要说明的是:以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改和等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,其特征在于,具体包括如下步骤:
S1、获取锂离子电池每个充放电循环的健康状态数据、充电电压数据和充电能量数据;
S2、提取每个充放电循环中等间隔电压的能量数据,计算每个充放电循环的能压,绘制等间隔电压的能压曲线,并计算出所有充放电循环的阶段峰值;
S3、利用所有充放电循环的阶段峰值生成阶段峰值序列,利用高低相关分析方法,在阶段峰值序列中选择能压峰特征序列;
S4、将能压峰特征序列与健康状态序列进行归一化预处理;
S5、在长短期记忆(Long Short-Term Memory,LSTM)网络中增加翻转层,改进LSTM,将能压峰特征序列与健康状态序列归一化后的数据作为LSTM的输入,构建锂电池健康状态估计模型;
S6、应用构建的锂电池健康状态估计模型对锂电池健康状态进行估计。
2.根据权利要求1所述的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,其特征在于,所述步骤S1具体内容如下:
所述每个充放电循环的锂电池健康状态数据为序列H1,H2,...,Hn,其中Hi为第i(i=1,2,...,n)个充放电循环的电池健康状态,n为循环充放电次数,Ci为第i个充放电循环锂电池的最大放电容量,C为锂电池的额定容量;第i个充放电循环的充电电压数据为序列Ui,0,Ui,t,...,Ui,z×t,充电能量数据为序列Ei,0,Ei,t,...,Ei,z×t,Ui,0为第i个充放电循环的初始电压,Ui,z×t为第i个充放电循环的终止电压,Ei,0为第i个充放电循环的初始能量,Ei,z×t为第i个充放电循环的终止能量,t为充电时数据采样间隔时间,z为采样次数,z×t为采样总时间,也是充电总时间。
3.根据权利要求2所述的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,其特征在于,所述的步骤S2具体内容如下:
通过在每个充放电循环i,从初始电压Ui,0到终止电压Ui,z×t,固定间隔电压ΔV,对能量数据序列Ei,0,Ei,t,...,Ei,z×t按如下公式计算能压EVi,a,
其中a表示计算的能压的编号[a=1,2,...,(Ui,z×t-Ui,0)/ΔV],a≤z。
绘制每个充放电循环i等间隔电压的能压曲线,在能压曲线中提取所有的阶段峰值Fi,1,Fi,2,…,Fi,m,其中m为能压曲线中阶段峰的个数。
4.根据权利要求3所述的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,其特征在于,所述的步骤S3的具体内容如下:
高低相关分析方法在阶段峰序列中选择能压峰特征的方法如下,
首先,将所有充放电循环的阶段峰值Fi,1,Fi,2,…,Fi,m,整理为m组阶段峰值序列,分别为F1,1,F2,1,…,Fn,1、F1,2,F2,2,…,Fn,2、…、F1,m,F2,m,…,Fn,m,
随后,将此m组阶段峰值数据序列分别与锂电池健康状态序列进行相关性分析,按如下的公式计算相关度Pj,
其中Fi,j表示充放电循环i中第j(j=1,2,...,m)个阶段峰值,表示所有充放电循环中第j个阶段峰值的均值,/>表示所有充放电循环中健康状态的均值,
在计算了m个相关度P1,P2,…,Pm后,计算P1,P2,…,Pm的均值和最高值Pmax,在m组阶段峰值数据序列,对于满足如下条件F1,l,F2,l,…,Fn,l予以保留:
对于不满足该条件的峰值数据序列,直接舍弃,形成保留的峰值数据序列F1,1,F2,1,…,Fn,1、F1,2,F2,2,…,Fn,2、…、F1,v,F2,v,…,Fn,v。其中l=1,2,...,v,v表示满足条件的峰值数据序列的数量,
随后,将保留的峰值数据序列中计算的相关度为Pmax的F1,r,F2,r,…,Fn,r,与保留的峰值数据序列中其他各个峰值数据序列F1,q,F2,q,…,Fn,q,q=1,2,...,v-1,再次计算相关度Pq *,
其中表示所有充放电循环中第r个阶段峰值的均值,/>表示所有充放电循环中第q个阶段峰值的均值,
将计算的所有相关度Pq *中最低值P* min对应的F1,u,F2,u,…,Fn,u,与F1,r,F2,r,…,Fn,r共同组成能压峰特征序列。
5.根据权利要求4所述的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,其特征在于,所述的步骤S4的具体内容如下:
采用最大最小值归一化预处理数据,将数据归一化在区间[-1,1]之间;其中,归一化公式为x为预处理数据序列,xmin为数据序列x中最小值,xmax为数据序列x中最大值。
6.根据权利要求5所述的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,其特征在于,所述的步骤S5的具体内容如下:
基本的LSTM输出如下,
ft=σ(wf*[ht-1,xt]+bf)
it=σ(wi[ht-1,xt]+bi)
ot=σ(wo[ht-1,xt]+bo)
ht=ot tanh(St)
其中,σ为sigmoid激活函数,xt为输入数据,ht为隐藏层输出向量,为LSTM的输出,为候选值向量,Wf、Wi、Wo、Wc、bf、bi、bo、bc为通过训练得到的参数,
对LSTM进行改进,增加反向环节,新公式为:
其中和/>分别表示ht和/>的系数,bt表示偏置,/>表示隐藏层的反向输出,yt为改进后的LSTM的输出,
取输入数据序列和健康状态序列的前k(k=1,…,n-1)个样本值和/>作为训练集,取第k+1,k+2,…,n个样本值/>和/>作为测试集,通过改进的LSTM构建锂电池健康状态估计模型。
7.根据权利要求6所述的一种基于能压峰特征和改进LSTM的锂电池健康状态估计方法,其特征在于,所述步骤S6的具体内容如下:
应用测试集充放电循环数据作为输入,应用建立的锂电池健康状态估计模型进行估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457722.9A CN116626499A (zh) | 2023-04-24 | 2023-04-24 | 基于能压峰特征和改进lstm的锂电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457722.9A CN116626499A (zh) | 2023-04-24 | 2023-04-24 | 基于能压峰特征和改进lstm的锂电池健康状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116626499A true CN116626499A (zh) | 2023-08-22 |
Family
ID=87637256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310457722.9A Withdrawn CN116626499A (zh) | 2023-04-24 | 2023-04-24 | 基于能压峰特征和改进lstm的锂电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116626499A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233616A (zh) * | 2023-11-13 | 2023-12-15 | 万帮数字能源股份有限公司 | 锂电池soc预测方法及装置 |
-
2023
- 2023-04-24 CN CN202310457722.9A patent/CN116626499A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233616A (zh) * | 2023-11-13 | 2023-12-15 | 万帮数字能源股份有限公司 | 锂电池soc预测方法及装置 |
CN117233616B (zh) * | 2023-11-13 | 2024-03-22 | 万帮数字能源股份有限公司 | 锂电池soc预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及*** | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
CN109633456B (zh) | 一种基于分段电压识别法的动力锂电池组soc估算方法 | |
CN112098845A (zh) | 一种用于分布式储能***的锂电池状态估计方法 | |
CN114545274A (zh) | 一种锂电池剩余寿命预测方法 | |
CN113109715A (zh) | 基于特征选择和支持向量回归的电池健康状况预测方法 | |
Sun et al. | Study of parameters identification method of Li-ion battery model for EV power profile based on transient characteristics data | |
CN112415391A (zh) | 基于改进粒子群优化的船用锂离子电池参数辨识方法 | |
CN116609668B (zh) | 一种锂离子电池健康状态和剩余寿命预测方法 | |
CN116626499A (zh) | 基于能压峰特征和改进lstm的锂电池健康状态估计方法 | |
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 | |
CN115684971A (zh) | 基于片段多充电特征融合的锂离子电池健康状态估计方法 | |
CN113627671A (zh) | 一种储能场景单体电池soh预测计算方法 | |
CN115166561A (zh) | 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
CN113484774A (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
CN115718263A (zh) | 基于注意力的锂离子电池日历老化预测模型和方法 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
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 | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230822 |