CN117554846A - 计及约束条件的锂电池寿命预测方法及*** - Google Patents
计及约束条件的锂电池寿命预测方法及*** Download PDFInfo
- Publication number
- CN117554846A CN117554846A CN202410045318.5A CN202410045318A CN117554846A CN 117554846 A CN117554846 A CN 117554846A CN 202410045318 A CN202410045318 A CN 202410045318A CN 117554846 A CN117554846 A CN 117554846A
- Authority
- CN
- China
- Prior art keywords
- battery
- lithium battery
- discharge cycle
- data
- predicted
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 143
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 53
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 60
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 60
- 238000007599 discharging Methods 0.000 claims description 27
- 239000010410 layer Substances 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011946 reduction process Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 239000012792 core layer Substances 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 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]
- G01R31/392—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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及锂离子电池检测技术领域,公开了计及约束条件的锂电池寿命预测方法及***,其中方法包括如下步骤:S1:采集待预测锂电池的充放电数据;S2:得到预处理后的锂电池的充放电数据;S3:建立锂电池寿命预测模型,锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型,并选择预测模型;S4:将数据输入选择的预测模型中,并输出预测结果。本发明在采用深度学习对锂电池寿命预测时,根据待预测锂电池的当前放电循环次数作为约束条件,并与设定阈值比较,选择采用高放电循环次数子模型还是低放电循环次数子模型预测,从而提高预测的准确度。
Description
技术领域
本发明涉及锂离子电池检测技术领域,具体涉及计及约束条件的锂电池寿命预测方法及***。
背景技术
锂离子电池具有能量密度高、寿命周期长、输出电压高、自放电率低、工作温度范围宽等优点,因此被广泛应用。对锂离子电池寿命进行预测,能够准确评估电池的健康情况,在电动汽车发生故障之前反馈给用户,对预防安全事故的发生提供了重要保障,对于人类和社会有着重要的意义。
现有技术中,一般通过循环周期法、安时法、面向事件的老化累计方法、模型法以及数据驱动法对锂离子电池寿命进行预测,同时,也存在通过设置约束条件的约束模型实现锂离子电池寿命预测的技术方案;例如公开号为CN116796631A的发明专利申请,公开了一种计及约束条件的锂电池寿命预测方法,首先对锂电池的历史数据进行关联性分析,提取历史数据中的放电电流倍率、放电温度及电池容量等数值作为特征因素,将预处理后的数据按照9:1的比例随机划分为训练集与测试集,通过训练样本得到LGBM模型;将实时读取的锂电池数据经过处理输入模型进行预测,并将预测结果经过约束条件进行数据修正,最终得到本次放电结束后的锂电池容量,进而对锂离子电池寿命进行预测。
然而,上述方案在对锂电池寿命预测时,没有根据待预测锂电池的实际情况设置约束条件,导致通过深度学习模型进行寿命预测的准确度不高。同时,仅采用一种复杂深度学习模型进行预测,也会导致效率较低,因此,亟需一种能够提高准确度以及兼顾效率和准确度的计及约束条件的锂电池寿命预测方法及***。
发明内容
本发明的目的在于提供计及约束条件的锂电池寿命预测方法及***,以解决现有技术中的仅采用一种复杂深度学习模型准确度不高和效率较低问题。
为解决上述技术问题,本发明具体提供下述技术方案:
计及约束条件的锂电池寿命预测方法,包括如下步骤:
S1:采集待预测锂电池的充放电数据;
S2:对所述待预测锂电池的充放电数据进行数据预处理操作,得到预处理后的锂电池的充放电数据;
S3:建立锂电池寿命预测模型,所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型,并选择高放电循环次数电池预测子模型或低放电循环次数电池预测子模型作为预测模型;
S4:将所述预处理后的锂电池的充放电数据输入所述S3中选择的所述预测模型中,并输出待预测锂电池的剩余寿命预测结果。
作为本发明的一种优选方案,在所述S1中,所述待预测锂电池采用三元锂离子电池,所述采集待预测锂电池的充放电数据包括如下步骤包括如下步骤:
S11:对所述三元锂离子电池充电;
S12:保持室温环境,将所述三元锂离子电池静置6h;
S13:对所述三元锂离子电池放电。
作为本发明的一种优选方案,在所述S11中,对所述三元锂离子电池充电的具体步骤如下:
S111:将充电环境温度设为室温,并对所述三元锂离子电池以1.2A的恒流模式进行充电;
S112:当所述三元锂离子电池的电压上升至4.2V时,以恒压模式对所述三元锂离子电池继续充电;
S113:当所述三元锂离子电池充电电流达到0.5A时,完成充电;
S114:在所述S111-S113中,实时监测并记录所述三元锂离子电池的电压、电流、容量以及时间数据。
作为本发明的一种优选方案,在所述S13中,对所述三元锂离子电池放电的具体步骤如下:
S131:对所述三元锂离子电池以2.4A的恒流模式放电;
S132:当所述三元锂离子电池放电电压下降到2.6V时,结束放电;
S133:在所述S131-S132中,实时监测并记录所述三元锂离子电池的电压、电流、容量以及时间数据。
作为本发明的一种优选方案,在所述S2中,对所述待预测锂电池的充放电数据进行的数据预处理操作包括降噪处理和标准化处理;
所述降噪处理为:采用小波降噪对所述待预测锂电池的充放电数据进行处理。
作为本发明的一种优选方案,所述标准化处理公式为:
,
其中,和/>分别为某一分选特征值标准化前和标准化后的值,
和/>分别为所述分选特征的最小值和最大值。
作为本发明的一种优选方案,所述S3中,建立锂电池寿命预测模型,所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型,具体包括:
S31:所述高放电循环次数电池预测子模型采用卷积神经网络模型作为基础模型;所述低放电循环次数电池预测子模型采用人工神经网络模型作为基础模型;
S32:将待预测锂电池的当前放电循环次数作为约束条件,将预设阈值作为比较条件,通过所述约束条件与所述比较条件进行判断,根据判断结果选择高放电循环次数电池预测子模型或低放电循环次数电池预测子模型作为所述预测模型,所述预设阈值通过仿真计算得到。
作为本发明的一种优选方案,在所述S31中,所述高放电循环次数电池预测子模型采用高放电循环次数电池数据集作为训练集;所述低放电循环次数电池预测子模型采用低放电循环次数电池数据集作为训练集;
所述卷积神经网络模型的核心层包括:卷积层、池化层、全连接层;
所述卷积层用于提取输入的锂电池充放电数据中的特征;
所述池化层用于对上一层的输出特征进行平均值处理;
所述全连接层用于最终预测结果的计算。
作为本发明的一种优选方案,所述S32具体包括:
S321:若待预测锂电池的当前放电循环次数高于所述预设阈值,则选择高放电循环次数电池预测子模型进行预测,得到待预测锂电池的剩余寿命预测结果;
S322:若待预测锂电池的当前放电循环次数不高于所述预设阈值,则选择低放电循环次数电池预测子模型进行预测,得到待预测锂电池的剩余寿命预测结果。
一种计及约束条件的锂电池寿命预测***,执行如上述的一种计及约束条件的锂电池寿命预测方法,包括如下模块:
充放电数据采集模块:与数据判断模块连接,用于采集待预测锂电池的充放电数据,并上传至所述数据判断模块;待预测锂电池的充放电数据包括待预测锂电池充放电过程中的电压、电流、容量、时间数据和待预测锂电池的放电循环次数;
云服务器:用于运行锂电池寿命预测模型,所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型;
所述数据判断模块:与所述云服务器连接,根据接收的所述待预测锂电池的充放电数据进行判断,若待预测锂电池的放电循环次数高于预设阈值,则将所述待预测锂电池的充放电数据输入高放电循环次数电池预测子模型;否则将所述待预测锂电池的充放电数据输入低放电循环次数电池预测子模型。
本发明与现有技术相比较具有如下有益效果:
(1)本发明在采用深度学习对锂电池寿命预测时,根据待预测锂电池的当前放电循环次数作为约束条件,并与设定阈值比较,从而选择采用高放电循环次数子模型还是低放电循环次数子模型预测,从而提高预测的准确度。
(2)本发明在采用深度学习对电池寿命预测时,对低当前放电循环次数的电池相较于高当前放电循环次数的电池具有更优的预测准确度;由于人工神经网络模型相较于卷积神经网络模型训练量相对要小,因此,设置低放电循环次数电池预测子模型为人工神经网络模型,设置高放电循环次数电池预测子模型为卷积神经网络模型,从而达到了效率和准确度的兼顾。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例一的计及约束条件的锂电池寿命预测方法的流程图;
图2为本发明实施例一的采用两种不同子模型进行寿命预测的对比图;
图3为本发明实施例二的计及约束条件的锂电池寿命预测***的框架图。
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。
实施例一:锂离子电池作为新能源纯电动汽车储能***的重要电子器件,其性能退化过程仍缺乏规范性的***定量失效分析研究。由于放电状态、放电倍率、放电深度具有随机性,且影响锂离子电池性能退化和容量衰退的因素众多,导致电池退化过程复杂多变,难以通过测试仪器采集到的外部状态参数反映。电池寿命主要是指电池运行一段时间后电池的剩余使用寿命,表示为,即电池从额定容量下降到失效阈值时所经历的充放电循环次数与当前锂离子电池已经历的充放电循环次数的差值;具体公式如下:
,
式中,表示锂离子电池的剩余容量下降到失效阈值时对应的充放电循环次数;
表示锂离子电池当前状态对应的充放电循环次数。
实际上,在具体计算过程中,如何利用锂离子电池外部状态特性参数,提取出可以有效反映电池退化特性趋势的健康特征,并描述出电池外部状态特性数据与电池寿命(即剩余使用寿命)之间的良好关系,构建出精确的锂离子电池剩余使用寿命预测模型是目前待解决的关键技术问题。
如图1所示,本发明提供了计及约束条件的锂电池寿命预测方法,包括如下步骤:
步骤S1:采集待预测锂电池的充放电数据。
在所述步骤S1中,所述待预测锂电池采用三元锂离子电池,所述采集待预测锂电池的充放电数据包括如下步骤:
步骤S11:对所述三元锂离子电池充电。
在所述步骤S11中,对所述三元锂离子电池充电的具体步骤如下:
步骤S111:将充电环境温度设为室温(24℃),并对所述三元锂离子电池以1.2A的恒流模式进行充电;
步骤S112:当所述三元锂离子电池的电压上升至4.2V时,以恒压模式对所述三元锂离子电池继续充电;
步骤S113:当所述三元锂离子电池充电电流达到0.5A时,完成充电;
步骤S114:在所述S111-S113中,实时监测并记录所述三元锂离子电池的电压、电流、容量以及时间数据。
步骤S12:保持室温环境,将所述三元锂离子电池静置6h。
步骤S13:对所述三元锂离子电池放电。
在所述步骤S13中,对所述三元锂离子电池放电的具体步骤如下:
步骤S131:对所述三元锂离子电池以2.4A的恒流模式放电;
步骤S132:当所述三元锂离子电池放电电压下降到2.6V时,结束放电;
步骤S133:在所述S131-S132中,实时监测并记录所述三元锂离子电池的电压、电流、容量以及时间数据。
步骤S2:对所述待预测锂电池的充放电数据进行数据预处理操作,得到预处理后的锂电池的充放电数据。
在所述步骤S2中,对所述待预测锂电池的充放电数据进行的数据预处理操作包括降噪处理和标准化处理;
所述降噪处理为:采用小波降噪对所述待预测锂电池的充放电数据进行处理。
所述标准化处理公式为:
,
其中,和/>分别为某一分选特征值标准化前和标准化后的值,
和/>分别为所述分选特征的最小值和最大值。
步骤S3:建立锂电池寿命预测模型,所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型,并选择高放电循环次数电池预测子模型或低放电循环次数电池预测子模型作为预测模型。
锂离子电池容量会随着电池的使用而不断下降,当实际容量下降到某一阈值时(在本实施例中设置为80%),则电池将不能再使用。对锂离子电池剩余寿命进行预测,其实就是判断当前电池到容量衰退至失效阈值时还要经历的循环周期数。
在本实施例中,采用卷积神经网络(CNN)作为基础模型建立锂电池寿命预测模型;但是,在采用卷积神经网络模型对锂电池寿命预测时,将预测结果与仿真结果对比发现,待预测电池的当前放电训练次数不同时,预测结果的准确率也会不同;通过对预测模型建立过程分析发现,在预测模型训练阶段,由于训练集数量的因素,导致卷积神经网络模型学习的不同当前放电循环次数的锂电池的训练集中的特征可能存在不够的情况,导致存在预测结果准确性波动的情况。
针对此种情况,本实施例将所述高放电循环次数电池预测子模型和所述低放电循环次数电池预测子模型设为不同的神经网络模型,在实际研究中发现,在采用深度学习对电池寿命预测时,对低当前放电循环次数的电池相较于高当前放电循环次数的电池具有更优的预测准确度;因此,为了兼顾效率和准确度,在本实施例中,由于人工神经网络模型相较于卷积神经网络模型训练量相对要小,因此,设置低放电循环次数电池预测子模型为人工神经网络模型,设置高放电循环次数电池预测子模型为卷积神经网络模型;从而达到了效率和准确度的兼顾。
所述步骤S3中,建立锂电池寿命预测模型,所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型,具体包括:
步骤S31:所述高放电循环次数电池预测子模型采用卷积神经网络模型作为基础模型;所述低放电循环次数电池预测子模型采用人工神经网络模型作为基础模型。
在所述步骤S31中,所述高放电循环次数电池预测子模型采用高放电循环次数电池数据集作为训练集;所述低放电循环次数电池预测子模型采用低放电循环次数电池数据集作为训练集;
所述卷积神经网络模型的核心层包括:卷积层、池化层、全连接层;
所述卷积层用于提取输入的锂电池充放电数据中的特征;
所述池化层用于对上一层的输出特征进行平均值处理;
所述全连接层用于最终预测结果的计算。
步骤S32:将待预测锂电池的当前放电循环次数作为约束条件,将预设阈值作为比较条件,通过所述约束条件与所述比较条件进行判断,根据判断结果选择高放电循环次数电池预测子模型或低放电循环次数电池预测子模型作为所述预测模型,所述预设阈值通过仿真计算得到。
所述步骤S32具体包括:
步骤S321:若待预测锂电池的当前放电循环次数高于所述预设阈值,则选择高放电循环次数电池预测子模型进行预测,得到待预测锂电池的剩余寿命预测结果。
具体地,通过对数据集进行分类分别训练两个模型,使得高放电循环次数电池预测子模型更加聚焦学习当前高放电循环次数电池的特征,从而使得在对高当前放电循环次数电池预测时具有良好的表现;同时,使得低放电循环次数电池预测子模型更加聚焦学习当前低放电循环次数电池的特征,从而使得在对低当前放电循环次数电池预测时具有良好的表现。
步骤S322:若待预测锂电池的当前放电循环次数不高于所述预设阈值,则选择低放电循环次数电池预测子模型进行预测,得到待预测锂电池的剩余寿命预测结果。
示例性地,在本实施例中,若待预测锂电池的当前放电循环次数超过69次,则认定为所述待预测锂电池为高当前放电训练次数的锂电池,则选择高放电循环次数电池预测子模型进行预测;若待预测锂电池的当前放电循环次数小于等于69次,则认定所述待预测锂电池为低当前放电训练次数的锂电池,则选择低放电循环次数电池预测子模型进行预测。
步骤S4:将所述预处理后的锂电池的充放电数据输入所述S3中选择的所述预测模型中,并输出待预测锂电池的剩余寿命预测结果。
在本实施例中,采用美国国家航空航天局(NASA)和马里兰大学高级生命周期工程中心(CALCE)的电池测试数据集对本实施例的方案进行验证,其中,该数据集中数据的是在18650型号商用锂离子电池进行试验获得的,针对新出厂的18650号电池在室温下进行循环充放电试验,直至电池达到报废标准,并且,在每次循环充放电试验过程中均记录充放电数据,比如充电电流、放电电流、充电电压、放电电压、充电时间、放电时间以及充放电次数等数据,根据上述数据得到采用两种不同模型进行寿命预测的对比图(如图2所示),其中,所述图2中,对角线所示的虚线为实际的放电循环次数与电池寿命的对应关系图,而,颜色较深的实线即为通过人工神经网络模型预测获得的放电循环次数与电池寿命(RUL)的关系图,颜色较浅的实线为采用卷积神经网络模型预测得到的放电循环次数与电池寿命(RUL)的关系图;在附图2中可看出,当放电循环次数较大时,人工神经网络模型的预测误差误差较大,卷积神经网络模型的预测结果误差较小;同时,通过实际计算,分别采用对应的数据集对人工神经网络模型和卷积神经网络模型训练,并设置人工神经网络模型的输入层数为6,隐含神经元数为128,输出层数为6,学习率为0.0001,训练时间为2474s,而同样的参数,卷积神经网络模型的训练时间为46631s,可见,在放电循环次数较大时,采用卷积神经网络模型相较于人工神经网络模型具有更为优秀的预测表现。
本发明在采用深度学习对锂电池寿命预测时,根据待预测锂电池的当前放电循环次数作为约束条件,并与设定阈值比较,选择采用高放电循环次数子模型还是低放电循环次数子模型预测,从而提高预测的准确度。
本发明在采用深度学习对电池寿命预测时,低当前放电循环次数的电池相较于高当前放电循环次数的电池具有更优的预测准确度;由于人工神经网络模型相较于卷积神经网络模型训练量相对要小,因此,设置低放电循环次数电池预测子模型为人工神经网络模型,设置高放电循环次数电池预测子模型为卷积神经网络模型,从而达到了效率和准确度的兼顾。
实施例二:如图3所示,计及约束条件的锂电池寿命预测***,执行如上述的计及约束条件的锂电池寿命预测方法,包括如下模块:
充放电数据采集模块:与数据判断模块连接,用于采集待预测锂电池的充放电数据,并上传至所述数据判断模块;待预测锂电池的充放电数据包括待预测锂电池充放电过程中的电压、电流、容量、时间数据和待预测锂电池的放电循环次数;
云服务器:用于运行锂电池寿命预测模型,所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型;
所述数据判断模块:与所述云服务器连接,根据接收的所述待预测锂电池的充放电数据进行判断,若待预测锂电池的放电循环次数高于预设阈值,则将所述待预测锂电池的充放电数据输入高放电循环次数电池预测子模型;否则将所述待预测锂电池的充放电数据输入低放电循环次数电池预测子模型。
实施例三:本实施例包括一种计算机可读存储介质,所述计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行实施例一的计及约束条件的锂电池寿命预测方法。
本领域技术人员应明白,本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的实施例及/或实施方式,仅是用以说明实现本发明技术的较佳实施例及/或实施方式,并非对本发明技术的实施方式作任何形式上的限制,任何本领域技术人员,在不脱离本发明内容所公开的技术手段的范围,当可作些许的更动或修改为其它等效的实施例,但仍应视为与本发明实质相同的技术或实施例。
Claims (10)
1.计及约束条件的锂电池寿命预测方法,其特征在于,包括如下步骤:
S1:采集待预测锂电池的充放电数据;
S2:对所述待预测锂电池的充放电数据进行数据预处理操作,得到预处理后的锂电池的充放电数据;
S3:建立锂电池寿命预测模型,所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型,并选择高放电循环次数电池预测子模型或低放电循环次数电池预测子模型作为预测模型;
S4:将所述预处理后的锂电池的充放电数据输入所述S3中选择的所述预测模型中,并输出待预测锂电池的剩余寿命预测结果。
2.根据权利要求1所述的计及约束条件的锂电池寿命预测方法,其特征在于,在所述S1中,所述待预测锂电池采用三元锂离子电池,所述采集待预测锂电池的充放电数据包括如下步骤:
S11:对所述三元锂离子电池充电;
S12:保持室温环境,将所述三元锂离子电池静置6h;
S13:对所述三元锂离子电池放电。
3.根据权利要求2所述的计及约束条件的锂电池寿命预测方法,其特征在于,在所述S11中,对所述三元锂离子电池充电的具体步骤如下:
S111:将充电环境温度设为室温,并对所述三元锂离子电池以1.2A的恒流模式进行充电;
S112:当所述三元锂离子电池的电压上升至4.2V时,以恒压模式对所述三元锂离子电池继续充电;
S113:当所述三元锂离子电池充电电流达到0.5A时,完成充电;
S114:在所述S111-S113中,实时监测并记录所述三元锂离子电池的电压、电流、容量以及时间数据。
4.根据权利要求2所述的计及约束条件的锂电池寿命预测方法,其特征在于,在所述S13中,对所述三元锂离子电池放电的具体步骤如下:
S131:对所述三元锂离子电池以2.4A的恒流模式放电;
S132:当所述三元锂离子电池放电电压下降到2.6V时,结束放电;
S133:在所述S131-S132中,实时监测并记录所述三元锂离子电池的电压、电流、容量以及时间数据。
5.根据权利要求1所述的计及约束条件的锂电池寿命预测方法,其特征在于,在所述S2中,对所述待预测锂电池的充放电数据进行的数据预处理操作包括降噪处理和标准化处理;
所述降噪处理为:采用小波降噪对所述待预测锂电池的充放电数据进行处理。
6.根据权利要求5所述的计及约束条件的锂电池寿命预测方法,其特征在于,所述标准化处理公式为:
,
其中,和/>分别为某一分选特征值标准化前和标准化后的值,
和/>分别为所述分选特征的最小值和最大值。
7.根据权利要求1所述的计及约束条件的锂电池寿命预测方法,其特征在于,所述S3中,建立锂电池寿命预测模型,所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型,具体包括:
S31:所述高放电循环次数电池预测子模型采用卷积神经网络模型作为基础模型;所述低放电循环次数电池预测子模型采用人工神经网络模型作为基础模型;
S32:将待预测锂电池的当前放电循环次数作为约束条件,将预设阈值作为比较条件,通过所述约束条件与所述比较条件进行判断,根据判断结果选择高放电循环次数电池预测子模型或低放电循环次数电池预测子模型作为所述预测模型,所述预设阈值通过仿真计算得到。
8.根据权利要求7所述的计及约束条件的锂电池寿命预测方法,其特征在于,在所述S31中,所述高放电循环次数电池预测子模型采用高放电循环次数电池数据集作为训练集;所述低放电循环次数电池预测子模型采用低放电循环次数电池数据集作为训练集;
所述卷积神经网络模型的核心层包括:卷积层、池化层、全连接层;
所述卷积层用于提取输入的锂电池充放电数据中的特征;
所述池化层用于对上一层的输出特征进行平均值处理;
所述全连接层用于最终预测结果的计算。
9.根据权利要求7所述的计及约束条件的锂电池寿命预测方法,其特征在于,所述S32具体包括:
S321:若待预测锂电池的当前放电循环次数高于所述预设阈值,则选择高放电循环次数电池预测子模型进行预测,得到待预测锂电池的剩余寿命预测结果;
S322:若待预测锂电池的当前放电循环次数不高于所述预设阈值,则选择低放电循环次数电池预测子模型进行预测,得到待预测锂电池的剩余寿命预测结果。
10.计及约束条件的锂电池寿命预测***,执行如权利要求1-9任一项所述的计及约束条件的锂电池寿命预测方法,其特征在于,包括如下模块:
充放电数据采集模块:与数据判断模块连接,用于采集待预测锂电池的充放电数据,并上传至所述数据判断模块;待预测锂电池的充放电数据包括待预测锂电池充放电过程中的电压、电流、容量、时间数据和待预测锂电池的放电循环次数;
云服务器:用于运行锂电池寿命预测模型,所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型;
数据判断模块:与所述充放电数据采集模块和所述云服务器连接,根据接收的所述待预测锂电池的充放电数据进行判断,若待预测锂电池的放电循环次数高于预设阈值,则将所述待预测锂电池的充放电数据输入高放电循环次数电池预测子模型;否则将所述待预测锂电池的充放电数据输入低放电循环次数电池预测子模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045318.5A CN117554846B (zh) | 2024-01-12 | 2024-01-12 | 计及约束条件的锂电池寿命预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045318.5A CN117554846B (zh) | 2024-01-12 | 2024-01-12 | 计及约束条件的锂电池寿命预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117554846A true CN117554846A (zh) | 2024-02-13 |
CN117554846B CN117554846B (zh) | 2024-03-22 |
Family
ID=89813340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410045318.5A Active CN117554846B (zh) | 2024-01-12 | 2024-01-12 | 计及约束条件的锂电池寿命预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554846B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117825975A (zh) * | 2024-03-05 | 2024-04-05 | 烟台海博电气设备有限公司 | 基于数据驱动的锂离子电池soh评估方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120063681A (ko) * | 2010-12-08 | 2012-06-18 | 주식회사티움리서치 | 전지 잔여용량 예측방법 |
CN107576915A (zh) * | 2017-08-31 | 2018-01-12 | 北京新能源汽车股份有限公司 | 电池容量估算方法和装置 |
CN107688154A (zh) * | 2017-09-26 | 2018-02-13 | 江苏双登富朗特新能源有限公司 | 锂离子电池循环寿命的预测方法 |
CN108490365A (zh) * | 2018-04-18 | 2018-09-04 | 北京理工大学 | 一种估计电动汽车的动力电池的剩余寿命的方法 |
KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
JPWO2022080377A1 (zh) * | 2020-10-15 | 2022-04-21 | ||
CN114781273A (zh) * | 2022-05-14 | 2022-07-22 | 哈尔滨理工大学 | 基于soa-lstm的电池剩余寿命的预测方法及装置 |
CN115201692A (zh) * | 2022-08-05 | 2022-10-18 | 安徽铎坤新能源科技有限公司 | 一种锂电池剩余寿命分析预测方法 |
WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及*** |
WO2024010175A1 (en) * | 2022-07-07 | 2024-01-11 | Samsung Electronics Co., Ltd. | Method and electronic device for forecasting remaining useful life (rul) of battery |
-
2024
- 2024-01-12 CN CN202410045318.5A patent/CN117554846B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120063681A (ko) * | 2010-12-08 | 2012-06-18 | 주식회사티움리서치 | 전지 잔여용량 예측방법 |
CN107576915A (zh) * | 2017-08-31 | 2018-01-12 | 北京新能源汽车股份有限公司 | 电池容量估算方法和装置 |
CN107688154A (zh) * | 2017-09-26 | 2018-02-13 | 江苏双登富朗特新能源有限公司 | 锂离子电池循环寿命的预测方法 |
CN108490365A (zh) * | 2018-04-18 | 2018-09-04 | 北京理工大学 | 一种估计电动汽车的动力电池的剩余寿命的方法 |
KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
JPWO2022080377A1 (zh) * | 2020-10-15 | 2022-04-21 | ||
WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及*** |
CN114781273A (zh) * | 2022-05-14 | 2022-07-22 | 哈尔滨理工大学 | 基于soa-lstm的电池剩余寿命的预测方法及装置 |
WO2024010175A1 (en) * | 2022-07-07 | 2024-01-11 | Samsung Electronics Co., Ltd. | Method and electronic device for forecasting remaining useful life (rul) of battery |
CN115201692A (zh) * | 2022-08-05 | 2022-10-18 | 安徽铎坤新能源科技有限公司 | 一种锂电池剩余寿命分析预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117825975A (zh) * | 2024-03-05 | 2024-04-05 | 烟台海博电气设备有限公司 | 基于数据驱动的锂离子电池soh评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117554846B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
CN117554846B (zh) | 计及约束条件的锂电池寿命预测方法及*** | |
Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
CN113495222A (zh) | 使用增量容量分析来加速确定健康状态的方法和*** | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN113076689B (zh) | 一种基于自动编码器的电池状态评估方法 | |
CN114839540A (zh) | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 | |
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 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、***、设备及介质 | |
CN113689039A (zh) | 一种锂离子电池rul时间序列预测方法 | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
CN116298902A (zh) | 一种基于多任务学习的锂电池老化预测方法及*** | |
CN113459897B (zh) | 一种基于电动汽车充电大数据的荷电状态修正及预测方法 | |
CN115481796A (zh) | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 | |
CN114429046A (zh) | 电池寿命估计方法及电池管理*** | |
CN114966452A (zh) | 一种电池状态确定方法及相关装置 | |
CN115980607A (zh) | 基于增量容量曲线特征点的电池健康状态soh估算方法 | |
CN113255215A (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
Wang et al. | Estimation and Prediction on State of Health of Electric Vehicle Battery Based on BP Neural Network | |
CN116960487B (zh) | 考虑单体不一致性的钠离子电池***容量估计方法及装置 | |
Boudraa et al. | Optimized Fault Diagnosis-Driven RUL Prediction for Lithium-Ion Batteries using Multivariate LSTM |
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 |