CN117706406A - 一种锂电池健康状态监测模型、方法、***和存储介质 - Google Patents
一种锂电池健康状态监测模型、方法、***和存储介质 Download PDFInfo
- Publication number
- CN117706406A CN117706406A CN202410163216.3A CN202410163216A CN117706406A CN 117706406 A CN117706406 A CN 117706406A CN 202410163216 A CN202410163216 A CN 202410163216A CN 117706406 A CN117706406 A CN 117706406A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- output
- input
- layer
- time
- 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 128
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 128
- 230000036541 health Effects 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 210000002569 neuron Anatomy 0.000 claims description 40
- 230000001537 neural effect Effects 0.000 claims description 21
- 230000000946 synaptic effect Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000005316 response function Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000003862 health status Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 210000000170 cell membrane Anatomy 0.000 claims description 3
- 210000005215 presynaptic neuron Anatomy 0.000 claims description 3
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及储能锂电池性能评估技术领域，尤其是一种锂电池健康状态监测模型、方法、***和存储介质。本发明提出的一种锂电池健康状态监测模型的构建方法，构建了一种以锂电池融合特征为输入的锂电池健康状态监测模型。如此，本发明中，通过特征融合对锂电池的工况数据进行预处理，简化了锂电池健康状态监测模型的输入，有利于提高模型预测的效率。本发明中，通过特征融合对锂电池工况数据进行全面考虑，有利于提高健康状态评估的精确性，从而实现一种高效且精确的锂电池健康状态监测模型。
Description
技术领域
本发明涉及储能锂电池性能评估技术领域，尤其是一种锂电池健康状态(stateof health , SOH)监测模型、方法、***和存储介质。
背景技术
锂电池拥有能量密度大，使用寿命长等优点，因其良好的性能广泛应用于新能源汽车，大规模电网储能站以及航天军工等领域。然而，随着电池的持续使用和老化，电池的性能和健康状况也会恶化，严重时甚至会导致安全事故。不准确的估计电池健康状态可能会导致电池过早产生故障，降低电池原有的寿命，***性能也会下降。因此，准确估计锂电池SOH对锂电池在工业等领域中的实际应用和电池的性能发挥具有重要意义。
关于锂电池SOH估计的方法主要包括两大类：基于模型的方法以及数据驱动方法。
基于模型的方法主要是通过构建等效电路模型(Equivalent Circuit Model,ECM)以及电化学模型来描述电池的衰退行为。ECM方法是利用电池的电化学特性和电池的实际测试数据，通过建立一个简化的电路模型来预测电池的SOH。ECM法可以在线估计SOH，但是其参数识别的误差会不断增大，且预测性能受模型结构的影响较大。电化学模型法的主要思想是使用数学和物理方程来描述电池的动态行为，并通过将模型与实际观测数据进行比较，来推断电池的SOH。电化学模型法的精确性高，但是模型的参数识别较为困难，无法精确描述电池内部的衰退机理。
数据驱动是一种先建立黑盒模型，之后通过收集的大量数据来调整模型参数，使模型能够学习到电池外部参数与SOH之间映射规则的方法。数据驱动方法忽略了电池内部电化学反应和失效机理，对相关领域知识的要求较低，实现难度较低，但使用数据集的好坏会直接影响估计的效果，并且这类方法需要全SOH范围内的充电或放电数据，但电池实际应用中大部分情况只能获得少部分片段，因此其适用范围较窄。
发明内容
为了克服上述现有技术中缺乏高精度、适应范围广的锂电池健康状态评估方法的缺陷，本发明提出了一种锂电池健康状态监测模型的构建方法，可实现一种适用范围广、评估精度高的锂电池健康状态监测模型。
本发明提出的一种锂电池健康状态监测模型的构建方法，包括以下步骤：
S1、构建学习样本和基础模型；学习样本为标注有锂电池剩余寿命的锂电池的融合特征Cor(f1,f2,f3)，基础模型的输入为锂电池的融合特征Cor(f1,f2,f3)，基础模型的输出为锂电池的剩余寿命预测值；
Cor(f1,f2,f3)=f1·f2/f3
f1=α×S(v)/I(a)
f2=β×I(a)/t(c)
f3=W(N)/P(d)
其中，f1、f2和f3均为融合特征，α和β为设定的融合系数，S(v)为锂电池的放电电压积分，I(a)为锂电池的放电电流均值；t(c)为锂电池的充电部分时间，W(N)为锂电池的净放电电能，P(d)为锂电池的放电量比重；
S2、令基础模型对学习样本进行学习，以训练基础模型参数，获取训练完成的基础模型作为锂电池健康状态监测模型，简称健康监测模型。
优选的，锂电池的净放电电能W(N)的计算公式如下：
W(N)=a2×P(d)2+a1×P(d)+a0；
其中，a2、a1、a0为拟合参数。
优选的，基础模型采用脉冲神经网络，基础模型包括顺序连接的输入层、输入层前馈网络、中间层、中间层前馈网络、中间层侧向网络、输出层、输出层前馈网络、输出层侧向网络和输出层反馈网络；
输入层的输入作为基础模型的输入，输入层的神经元划分为多个神经集群，各神经集群将输入的融合特征转换为输入电流，输入层的输出为其所有神经集群转换的输入电流；输入层前馈网络用于将输入层输出的输入电流初始化为服从设定的第一个高斯分布的高斯分布数组w(Feed1)；
中间层侧向网络用于将中间层输出的脉冲电流数组转换为服从设定的第二个高斯分布的高斯分布数组w(Lat1)；输出层反馈网络将输出层输出的脉冲电流数组转换为服从设定的第三个高斯分布的高斯分布数组w(back)；
中间层将输入层前馈网络输出的高斯分布数组w(Feed1)、中间层侧向网络输出的高斯分布数组w(Lat1)和输出层反馈网络输出的高斯分布数组w(back)转换为脉冲电流数组并输出；
中间层前馈网络用于将中间层输出的脉冲电流数组转换为服从第一个高斯分布的高斯分布数组w(Feed2)；输出层侧向网络用于将输出层输出的脉冲电流数组转换为服从第二个高斯分布的高斯分布数组w(Lat2)；
输出层将中间层前馈网络输出的高斯分布数组w(Feed2)和输出层侧向网络输出的高斯分布数组w(Lat2)转换为脉冲电流数组；输出层前馈网络将输出层输出的脉冲电流数组转换为服从第四个高斯分布的高斯分布数组w(Out)；
基础模型的输出为输出层前馈网络输出的高斯分布数组w(Out)中的数值加总。
优选的，输入层中第n1个神经集群将输入的融合特征Cor(f1,f2,f3)转换为输入电流I(n1)的过程，公式表示如下：
I(n1)=β1×exp[-(x(n1)-x(0,n1))2/σ(n1)2]
1≤n1≤N1
x(n1)为第n1个神经集群所编码的特征量；x(0,n1)为输入的融合特征Cor(f1,f2,f3)中引起该神经集群n1中的神经元最优响应的维度上的特征量集合；σ(n1)为x(0,n1)中各维度上取值的标准差，β1为设定的神经元输入电流强度系数；N1为输入层的神经集群数量；exp表示以自然数e为底的指数函数。
优选的，基础模型的输出放电时刻t(o,i)的相对误差的偏导∂E/∂t(o,i)的计算公式为：
∂E/∂t(o,i)=∑U[∂E/∂t(j)][∂t(j)/∂t(o,i)]+A1
A1=∑t(y(t)-y'(t))[w(o,s1)[∂εs1/∂t(o,i)]+w(o,s2)[∂εs2/∂t(o,i)]]
其中，U为基础模型的神经元集合，∂E/∂t(j)表示神经元自身放电时刻相对误差的偏导，∂t(j)/∂t(o,i)表示神经元的自身放电时刻t(j)相对于自身输出放电时刻∂t(o,i)的相对误差的偏导；y(t)为基础模型针对时刻t上锂电池的融合特征Cor(f1,f2,f3)输出的剩余寿命预测值，y'(t)为时刻t上锂电池的剩余寿命标注值；w(o,s1)为输出层前馈网络神经元的权重，w(o,s2)为输出层神经元的权重；w(o,s1)和w(o,s2)均为待训练的超参数；
εs1为t(i)时刻上的突触电流响应函数，t(i)为指定的参照时刻；εs2为t(j)时刻上的突触电流响应函数；∂εs1/∂t(o,i)表示突触电流响应函数εs1(t-t(i))相对于输出放电时刻∂t(o,i)的相对误差的偏导，∂εs2/∂t(o,i)表示突触电流响应函数εs2(t-t(i))相对于输出放电时刻∂t(o,i)的相对误差的偏导；A1为过渡参数；
εs1(t-t(i))=c×(τ(m)-τ(s1))/c(s1,m)+c×(τ(s1)-τ1)/c(s1,1)-c×(τ(s1)-τ1)/c(s1)
εs2(t-t(i))=c×(τ(m)-τ(s2))/c(s2,m)+c×(τ(s2)-τ1)/c(s2,1)-c×(τ(s2)-τ1)/c(s2)
c=τ(m)-τ1
c(s1,m)=τ(m)e-(t-t(i))/τ(m)；c(s2,m)=τ(m)e-(t-t(j))/τ(m)；
c(s1,1)=τ1e-(t-t(i))/τ1；c(s2,1)=τ1e-(t-t(j))/τ1；
c(s1)=τ(s1)e-(t-t(i))/τ(s1)；c(s2)=τ(s2)e-(t-t(j))/τ(s2)；
其中，τ(m)为细胞膜的时间常数，τ1为突触电流的二阶时间常数，s1为t(i)时刻上的突触电流中间变量，τ(s1)为s1的时间常数；s2为t(j)时刻上的突触电流中间变量，τ(s2)为s2的时间常数；c、c(s1,m)、c(s1,1)、c(s1)、c(s2,m)、c(s2,1)、c(s2)均为过渡参数。
优选的，输出层前馈网络神经元的权值w(o,s1)的误差梯度∂E/∂w(o,s1)的计算公式为：
∂E/∂w(o,s1)=∑t(y(t)-y'(t))εs1(t)
εs1(t)=c'×(τ(m)-τ(s1))/c'(s1,m)+c'×(τ(s1)-τ1)/c'(s1,1)-c'×(τ(s1)-τ1)/c'(s1)
c'=τ(m)-τ1；c'(s1,m)=τ(m)e-t/τ(m)；c'(s1,1)=τ1e-t/τ1；c'(s1)=τ(s1)e-t/τ(s1)；
其中，c'、c'(s1,m)、c'(s1,1)和c'(s1)均为过渡参数；t为时间。
优选的，输出层反馈网络中神经元在t(i)时刻上相对误差的偏导∂E/∂t(i)的计算公式为：
∂E/∂t(i)=∑U[∂E/∂t(j)][∂t(j)/∂t(i)]
∂t(j)/∂t(i)=t(i){w(i,s1)[∂εs1(t)/∂t]+w(i,s2)[∂εs2(t)/∂t]}/[∂v(t)/∂t]
v(t)=∑Uw(i,s1)εs1(t-t(i))+∑Uw(i,s2)εs2(t-t(i))+∑Uη(t-t(j))
η(t-t(j))=(t-t(j))τ(m)e-(t-t(j))/τ(m)/[V(reset)-V(threshold)]
其中，∂E/∂t(j)表示t(j)的相对误差的偏导，∂t(j)/∂t(i)表示t(j)相对于t(i)的相对误差的偏导；
w(i,s1)为t(i)时刻上的突触权值，w(i,s2)为t(j)时刻上的突触权值；∂εs1(t)/∂t表示εs1(t)对时刻t的相对误差的偏导，∂εs2(t)/∂t表示εs2(t)对时刻t的相对误差的偏导，∂v(t)/∂t表示过渡项v(t)对时刻t的相对误差的偏导；
U为神经元的集合；t为当前时刻，t(i)为突触前神经元的输入放电时刻，t(j)为神经元自身放电时刻；η为神经元自身放电重置函数；
V(reset)为设定的静息电压，V(threshold)为设定的阈值电压。。
本发明提出的一种锂电池健康状态监测方法，首先采用所述的锂电池健康状态监测模型的构建方法获取健康监测模型；获取待评估锂电池的放电电压积分S(v)、锂电池的放电电流均值I(a)、锂电池的充电部分时间t(c)、锂电池的净放电电能W(N)和锂电池的放电量比重P(d)，计算待评估锂电池的融合特征Cor(f1,f2,f3)；然后将待评估锂电池的融合特征Cor(f1,f2,f3)输入健康监测模型，健康监测模型输出待评估锂电池的剩余寿命预测值。
本发明提出的一种锂电池健康状态监测***，包括存储器和处理器，存储器中存储有计算机程序和健康监测模型，处理器连接存储器，处理器用于执行所述计算机程序，以实现所述的锂电池健康状态监测方法。
本发明还提出了一种存储介质，存储有计算机程序和健康监测模型，所述计算机程序被执行时用于实现所述的锂电池健康状态监测方法。
本发明的优点在于：
（1）本发明提出的一种锂电池健康状态监测模型的构建方法，构建了一种以锂电池融合特征为输入的锂电池健康状态监测模型。如此，本发明中，通过特征融合对锂电池的工况数据进行预处理，简化了锂电池健康状态监测模型的输入，有利于提高模型预测的效率。本发明中，通过特征融合对锂电池工况数据进行全面考虑，有利于提高健康状态评估的精确性，从而实现一种高效且精确的锂电池健康状态监测模型。
（2）本发明利用锂电池动态工况下放电时提取的老化特征和工况特征然后进行融合，得到融合特征用作模型输入，相比于传统输入量，该输入量充分考虑到各个因素之间的耦合关系，能够提高soh预测的鲁棒性。
（3）本发明通过参数拟合获取锂电池的净放电电能W(N)和锂电池的放电量比重P(d)的映射函数，实现了锂电池的净放电电能W(N)的简单、高效的计算，从而有利于提高锂电池健康状态评估的整体计算效率，简化了锂电池工况数据的采集过程。
（4）本发明引入脉冲神经网络，其具有抗噪，低功耗等特点进行锂电池健康状态（SOH）预测，在应用于一些复杂工况环境下的锂电池健康状态预测时，能提高预测精度。
（5）本发明在传统的脉冲神经网络上，对脉冲时间的误差反传计算方法和网络结构进行优化，能够保证本发明中具有复杂侧向连接的多层网络结构和持续网络活动的模型进行稳定和灵活的学习，使得脉冲神经网络更快的更新网络参数，提高模型收敛速度和预测精度。
附图说明
图1为一种锂电池健康状态监测模型的构建方法流程图；
图2为健康监测模型的网络连接示意图；
图3为本发明实施例方法、CNN模型与LSTM模型在训练时的MAE误差变化曲线对比；
图4为本发明实施例方法、CNN模型与LSTM模型在训练时的SOH预测值与真实值变化曲线对比。
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。
参照图1，本实施方式提出的一种锂电池健康状态监测模型的构建方法，包括以下步骤S1-S2。
S1、构建学习样本和基础模型，学习样本记作{Cor(f1,f2,f3)，剩余寿命}，基础模型的输入为锂电池的融合特征Cor(f1,f2,f3)，基础模型的输出为锂电池的剩余寿命预测值；
Cor(f1,f2,f3)=f1·f2/f3
f1=α×S(v)/I(a)
f2=β×I(a)/t(c)
f3=W(N)/P(d)
其中，f1、f2和f3均为融合特征，α和β为设定的融合系数，S(v)为锂电池的放电电压积分，I(a)为锂电池的放电电流均值；t(c)为锂电池的充电部分时间，W(N)为锂电池的净放电电能，P(d)为锂电池的放电量比重；
具体实施时，可采用以下公式计算S(v)、W(N)和P(d)；
S(v)=∫0 t(end)U(t)dt
U(t)为锂电池的放电电压；t为时间，t(end)为放电结束时间；
P(d)=Q(d)/[Q(c)+Q(d)]
W(N)=a2×P(d)2+a1×P(d)+a0
其中，Q(d)为锂电池的动态工况放电过程中的放电量；Q(c)为锂电池的动态工况放电过程中的充电量；a2、a1、a0为拟合参数；具体可通过样本{P(d)，W(N)}进行参数拟合求解a2、a1和a0，样本中的W(N)的计算公式为：
W(N)=∫U(d)I(d)dt(d)-∫U(c)I(c)dt(c)
I(d)为锂电池的放电电流，U(d)为I(d)对应的电压，t(d)为锂电池的放电部分时间，I(c)为锂电池的充电电流，U(c)为I(c)对应的电压，t(c)为锂电池的充电部分时间。
S2、令基础模型对学习样本进行学习，以训练基础模型参数，获取训练完成的基础模型作为锂电池健康状态监测模型，简称健康监测模型。
具体实施时，基础模型训练过程中可采用均方误差作为损失函数。
参照图2，基础模型采用脉冲神经网络模型，其包括顺序连接的输入层、输入层前馈网络、中间层、中间层前馈网络、中间层侧向网络、输出层、输出层前馈网络、输出层侧向网络和输出层反馈网络。
输入层的输入作为基础模型的输入，输入层的输入为锂电池的融合特征Cor(f1,f2,f3)，输入层的各神经集群对输入的融合特征Cor(f1,f2,f3)分别进行编码以生成输入电流；
输入层中第n1个神经集群将输入的融合特征Cor(f1,f2,f3)转换为输入电流I(n1)的过程，公式表示如下：
I(n1)=β1×exp[-(x(n1)-x(0,n1))2/σ(n1)2]
1≤n1≤N1
x(n1)为该神经集群n1所编码的特征量，即该神经集群n1从输入的融合特征Cor(f1,f2,f3)中维度采样的数据；x(0,n1)为输入的融合特征Cor(f1,f2,f3)中引起该神经集群n1中的神经元最优响应的维度上的特征量集合；σ(n1)为x(0,n1)中各维度上取值的标准差，β1为设定的神经元输入电流强度系数；N1为输入层的神经集群数量。 具体实施时，可令输入层设置800神经元，分为20个神经集群，每个神经集群有40个神经元，即N1=20。
令符合高斯分布N(w’,σ’)的数组w(aa)记作w(aa)~N(w’,σ’)。
输入层前馈网络用于将输入层输出的输入电流{I(n1)；1≤n1≤N1}初始化为高斯分布数组w(Feed1)~N(w0,σ(w))，即w(Feed1)服从均值为w0且标准差为σ(w)的高斯分布N(w0,σ(w))；w0和σ(w)均为设定值。
中间层侧向网络用于将中间层输出的脉冲电流数组转换为高斯分布数组w(Lat1)~N(w(lat),σ(lat))，即w(Lat1)服从均值为w(lat)且标准差为σ(lat)的高斯分布N(w(lat),σ(lat))；w(lat)和σ(lat)均为设定值。
输出层反馈网络将输出层输出的脉冲电流数组转换为高斯分布数组w(back)~N(0,σ(w))，即w(back)服从均值为0且标准差为σ(w)的高斯分布N(0,σ(w))。
中间层将输入层前馈网络输出的高斯分布数组w(Feed1)、中间层侧向网络输出的高斯分布数组w(Lat1)和输出层反馈网络输出的高斯分布数组w(back)转换为脉冲电流数组并输出。
中间层前馈网络用于将中间层输出的脉冲电流数组转换为高斯分布数组w(Feed2)~N(w0,σ(w))，即w(Feed2)服从均值为w0且标准差为σ(w)的高斯分布N(w0,σ(w))。
输出层侧向网络用于将输出层输出的脉冲电流数组转换为高斯分布数组w(Lat2)~N(w(lat),σ(lat))，即w(Lat2)服从均值为w(lat)且标准差为σ(lat)的高斯分布N(w(lat),σ(lat))。
输出层将中间层前馈网络输出的高斯分布数组w(Feed2)和输出层侧向网络输出的高斯分布数组w(Lat2)转换为脉冲电流数组。
输出层前馈网络将输出层输出的脉冲电流数组转换为高斯分布数组w(Out)~N(0,σ(out))，即w(Out)服从均值为0且标准差为σ(out)的高斯分布N(0,σ(out))；σ(out)为设定值。
基础模型的输出为输出层前馈网络输出的高斯分布数组w(Out)中的数值加总。
本实施方式中，进一步对基础模型的输出放电时刻t(o,i)的相对误差的偏导∂E/∂t(o,i)、输出层前馈网络神经元的权值w(o,s1)的误差梯度∂E/∂w(o,s1)、输出层反馈网络中神经元在t(i)时刻上相对误差的偏导∂E/∂t(i)等进行解释。
∂E/∂t(o,i)=∑U[∂E/∂t(j)][∂t(j)/∂t(o,i)]+A1
A1=∑t(y(t)-y'(t))[w(o,s1)[∂εs1/∂t(o,i)]+w(o,s2)[∂εs2/∂t(o,i)]]
其中，U为基础模型的神经元集合，∂E/∂t(j)表示神经元自身放电时刻相对误差的偏导，∂t(j)/∂t(o,i)表示神经元的自身放电时刻t(j)相对于自身输出放电时刻∂t(o,i)的相对误差的偏导；y(t)为基础模型针对时刻t上锂电池的融合特征Cor(f1,f2,f3)输出的剩余寿命预测值，y'(t)为时刻t上锂电池的剩余寿命标注值；w(o,s1)为输出层前馈网络神经元的权重，w(o,s2)为输出层神经元的权重；w(o,s1)和w(o,s2)均为待训练的超参数；
εs1为t(i)时刻上的突触电流响应函数，t(i)为指定的参照时刻；εs2为t(j)时刻上的突触电流响应函数；∂εs1/∂t(o,i)表示突触电流响应函数εs1(t-t(i))相对于输出放电时刻∂t(o,i)的相对误差的偏导，∂εs2/∂t(o,i)表示突触电流响应函数εs2(t-t(i))相对于输出放电时刻∂t(o,i)的相对误差的偏导；A1为过渡参数。
εs1(t-t(i))=c×(τ(m)-τ(s1))/c(s1,m)+c×(τ(s1)-τ1)/c(s1,1)-c×(τ(s1)-τ1)/c(s1)
εs2(t-t(i))=c×(τ(m)-τ(s2))/c(s2,m)+c×(τ(s2)-τ1)/c(s2,1)-c×(τ(s2)-τ1)/c(s2)
c=τ(m)-τ1
c(s1,m)=τ(m)e-(t-t(i))/τ(m)；c(s2,m)=τ(m)e-(t-t(j))/τ(m)；
c(s1,1)=τ1e-(t-t(i))/τ1；c(s2,1)=τ1e-(t-t(j))/τ1；
c(s1)=τ(s1)e-(t-t(i))/τ(s1)；c(s2)=τ(s2)e-(t-t(j))/τ(s2)；
其中，τ(m)为细胞膜的时间常数，τ1为突触电流的二阶时间常数，s1为t(i)时刻上的突触电流中间变量，τ(s1)为s1的时间常数；s2为t(j)时刻上的突触电流中间变量，τ(s2)为s2的时间常数；c、c(s1,m)、c(s1,1)、c(s1)、、c(s2,m)、c(s2,1)、c(s2)均为过渡参数。
∂E/∂w(o,s1)=∑t(y(t)-y'(t))εs1(t)
εs1(t)=c'×(τ(m)-τ(s1))/c'(s1,m)+c'×(τ(s1)-τ1)/c'(s1,1)-c'×(τ(s1)-τ1)/c'(s1)
c'=τ(m)-τ1；c'(s1,m)=τ(m)e-t/τ(m)；c'(s1,1)=τ1e-t/τ1；c'(s1)=τ(s1)e-t/τ(s1)；
其中，c'、c'(s1,m)、c'(s1,1)和c'(s1)均为过渡参数；t为时间。
∂E/∂t(i)=∑U[∂E/∂t(j)][∂t(j)/∂t(i)]
∂E/∂t(j)表示t(j)的相对误差的偏导，∂t(j)/∂t(i)表示t(j)相对于t(i)的相对误差的偏导；
∂t(j)/∂t(i)=t(i){w(i,s1)[∂εs1(t)/∂t]+w(i,s2)[∂εs2(t)/∂t]}/[∂v(t)/∂t]
其中，w(i,s1)为t(i)时刻上的突触权值，w(i,s2)为t(j)时刻上的突触权值；∂εs1(t)/∂t表示εs1(t)对时刻t的相对误差的偏导，∂εs2(t)/∂t表示εs2(t)对时刻t的相对误差的偏导，∂v(t)/∂t表示过渡项v(t)对时刻t的相对误差的偏导；
v(t)=∑Uw(i,s1)εs1(t-t(i))+∑Uw(i,s2)εs2(t-t(i))+∑Uη(t-t(j))
其中，U为神经元的集合；t为当前时刻，t(i)为突触前神经元的输入放电时刻，t(j)为神经元自身放电时刻；η为神经元自身放电重置函数；
η(t-t(j))=(t-t(j))τ(m)e-(t-t(j))/τ(m)/[V(reset)-V(threshold)]
其中，V(reset)为设定的静息电压，V(threshold)为设定的阈值电压。
以下结合具体实施例，对本发明提供的锂电池健康状态监测模型（简称健康监测模型）进行阐述。
本实施例中，令融合系数α=0.5，β=0.2，β1=0.5，以代入公式，计算锂电池的融合特征Cor(f1,f2,f3)，首先采用上述的锂电池健康状态监测模型的构建方法，构建健康监测模型。具体的，本实施例的基础模型中，输入层设置800个神经元，分为20个神经集群，即N1=20；中间层和输出层分别设置500个神经元。
本实施例中，采用CNN模型和LSTM模型作为对比模型，对比模型的输入也设置为锂电池的融合特征Cor(f1,f2,f3)，输出为锂电池的剩余寿命。
本实施例中，基于相同的学习样本{Cor(f1,f2,f3)，剩余寿命}构建训练集，以训练三种模型的参数。
训练过程中，各模型的均方误差（MAE）变化过程如图3所示，可见，本发明提供的锂电池健康状态监测模型收敛速度最快，且误差最小，证明本发明模型的准确率更高。
本实施例中，进一步在训练集上测试训练完成的三种模型的准确度，各模型对生命周期各阶段上的锂电池的剩余寿命预测值与真实值GroundTruth的对比如图4所示，可见，在锂电池生命周期各阶段上，本发明提供的锂电池健康状态监测模型的预测精度均大于两种对比模型，且基本与锂电池的真实剩余寿命相吻合。
当然，对于本领域技术人员而言，本发明不限于上述示范性实施例的细节，而还包括在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现的相同或类似结构。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (10)
1.一种锂电池健康状态监测模型的构建方法，其特征在于，包括以下步骤：
S1、构建学习样本和基础模型；学习样本为标注有锂电池剩余寿命的锂电池的融合特征Cor(f1,f2,f3)，基础模型的输入为锂电池的融合特征Cor(f1,f2,f3)，基础模型的输出为锂电池的剩余寿命预测值；
Cor(f1,f2,f3)=f1·f2/f3
f1=α×S(v)/I(a)
f2=β×I(a)/t(c)
f3=W(N)/P(d)
其中，f1、f2和f3均为融合特征，α和β为设定的融合系数，S(v)为锂电池的放电电压积分，I(a)为锂电池的放电电流均值；t(c)为锂电池的充电部分时间，W(N)为锂电池的净放电电能，P(d)为锂电池的放电量比重；
S2、令基础模型对学习样本进行学习，以训练基础模型参数，获取训练完成的基础模型作为锂电池健康状态监测模型，简称健康监测模型。
2.如权利要求1所述的锂电池健康状态监测模型的构建方法，其特征在于，锂电池的净放电电能W(N)的计算公式如下：
W(N)=a2×P(d)2+a1×P(d)+a0；
其中，a2、a1、a0为拟合参数。
3.如权利要求2所述的锂电池健康状态监测模型的构建方法，其特征在于，基础模型采用脉冲神经网络，基础模型包括顺序连接的输入层、输入层前馈网络、中间层、中间层前馈网络、中间层侧向网络、输出层、输出层前馈网络、输出层侧向网络和输出层反馈网络；
输入层的输入作为基础模型的输入，输入层的神经元划分为多个神经集群，各神经集群将输入的融合特征转换为输入电流，输入层的输出为其所有神经集群转换的输入电流；输入层前馈网络用于将输入层输出的输入电流初始化为服从设定的第一个高斯分布的高斯分布数组w(Feed1)；
中间层侧向网络用于将中间层输出的脉冲电流数组转换为服从设定的第二个高斯分布的高斯分布数组w(Lat1)；输出层反馈网络将输出层输出的脉冲电流数组转换为服从设定的第三个高斯分布的高斯分布数组w(back)；
中间层将输入层前馈网络输出的高斯分布数组w(Feed1)、中间层侧向网络输出的高斯分布数组w(Lat1)和输出层反馈网络输出的高斯分布数组w(back)转换为脉冲电流数组并输出；
中间层前馈网络用于将中间层输出的脉冲电流数组转换为服从第一个高斯分布的高斯分布数组w(Feed2)；输出层侧向网络用于将输出层输出的脉冲电流数组转换为服从第二个高斯分布的高斯分布数组w(Lat2)；
输出层将中间层前馈网络输出的高斯分布数组w(Feed2)和输出层侧向网络输出的高斯分布数组w(Lat2)转换为脉冲电流数组；输出层前馈网络将输出层输出的脉冲电流数组转换为服从第四个高斯分布的高斯分布数组w(Out)；
基础模型的输出为输出层前馈网络输出的高斯分布数组w(Out)中的数值加总。
4.如权利要求3所述的锂电池健康状态监测模型的构建方法，其特征在于，输入层中第n1个神经集群将输入的融合特征Cor(f1,f2,f3)转换为输入电流I(n1)的过程，公式表示如下：
I(n1)=β1×exp[-(x(n1)-x(0,n1))2/σ(n1)2]
1≤n1≤N1
x(n1)为第n1个神经集群所编码的特征量；x(0,n1)为输入的融合特征Cor(f1,f2,f3)中引起该神经集群n1中的神经元最优响应的维度上的特征量集合；σ(n1)为x(0,n1)中各维度上取值的标准差，β1为设定的神经元输入电流强度系数；N1为输入层的神经集群数量；exp表示以自然数e为底的指数函数。
5.如权利要求3所述的锂电池健康状态监测模型的构建方法，其特征在于，基础模型的输出放电时刻t(o,i)的相对误差的偏导∂E/∂t(o,i)的计算公式为：
∂E/∂t(o,i)=∑U[∂E/∂t(j)][∂t(j)/∂t(o,i)]+A1
A1=∑t(y(t)-y'(t))[w(o,s1)[∂εs1/∂t(o,i)]+w(o,s2)[∂εs2/∂t(o,i)]]
其中，U为基础模型的神经元集合，∂E/∂t(j)表示神经元自身放电时刻相对误差的偏导，∂t(j)/∂t(o,i)表示神经元的自身放电时刻t(j)相对于自身输出放电时刻∂t(o,i)的相对误差的偏导；y(t)为基础模型针对时刻t上锂电池的融合特征Cor(f1,f2,f3)输出的剩余寿命预测值，y'(t)为时刻t上锂电池的剩余寿命标注值；w(o,s1)为输出层前馈网络神经元的权重，w(o,s2)为输出层神经元的权重；w(o,s1)和w(o,s2)均为待训练的超参数；
εs1为t(i)时刻上的突触电流响应函数，t(i)为指定的参照时刻；εs2为t(j)时刻上的突触电流响应函数；∂εs1/∂t(o,i)表示突触电流响应函数εs1(t-t(i))相对于输出放电时刻∂t(o,i)的相对误差的偏导，∂εs2/∂t(o,i)表示突触电流响应函数εs2(t-t(i))相对于输出放电时刻∂t(o,i)的相对误差的偏导；A1为过渡参数；
εs1(t-t(i))=c×(τ(m)-τ(s1))/c(s1,m)+c×(τ(s1)-τ1)/c(s1,1)-c×(τ(s1)-τ1)/c(s1)
εs2(t-t(i))=c×(τ(m)-τ(s2))/c(s2,m)+c×(τ(s2)-τ1)/c(s2,1)-c×(τ(s2)-τ1)/c(s2)
c=τ(m)-τ1
c(s1,m)=τ(m)e-(t-t(i))/τ(m)；c(s2,m)=τ(m)e-(t-t(j))/τ(m)；
c(s1,1)=τ1e-(t-t(i))/τ1；c(s2,1)=τ1e-(t-t(j))/τ1；
c(s1)=τ(s1)e-(t-t(i))/τ(s1)；c(s2)=τ(s2)e-(t-t(j))/τ(s2)；
其中，τ(m)为细胞膜的时间常数，τ1为突触电流的二阶时间常数，s1为t(i)时刻上的突触电流中间变量，τ(s1)为s1的时间常数；s2为t(j)时刻上的突触电流中间变量，τ(s2)为s2的时间常数；c、c(s1,m)、c(s1,1)、c(s1)、c(s2,m)、c(s2,1)、c(s2)均为过渡参数。
6.如权利要求5所述的锂电池健康状态监测模型的构建方法，其特征在于，输出层前馈网络神经元的权值w(o,s1)的误差梯度∂E/∂w(o,s1)的计算公式为：
∂E/∂w(o,s1)=∑t(y(t)-y'(t))εs1(t)
εs1(t)=c'×(τ(m)-τ(s1))/c'(s1,m)+c'×(τ(s1)-τ1)/c'(s1,1)-c'×(τ(s1)-τ1)/c'(s1)
c'=τ(m)-τ1；c'(s1,m)=τ(m)e-t/τ(m)；c'(s1,1)=τ1e-t/τ1；c'(s1)=τ(s1)e-t/τ(s1)；
其中，c'、c'(s1,m)、c'(s1,1)和c'(s1)均为过渡参数；t为时间。
7.如权利要求5所述的锂电池健康状态监测模型的构建方法，其特征在于，输出层反馈网络中神经元在t(i)时刻上相对误差的偏导∂E/∂t(i)的计算公式为：
∂E/∂t(i)=∑U[∂E/∂t(j)][∂t(j)/∂t(i)]
∂t(j)/∂t(i)=t(i){w(i,s1)[∂εs1(t)/∂t]+w(i,s2)[∂εs2(t)/∂t]}/[∂v(t)/∂t]
v(t)=∑Uw(i,s1)εs1(t-t(i))+∑Uw(i,s2)εs2(t-t(i))+∑Uη(t-t(j))
η(t-t(j))=(t-t(j))τ(m)e-(t-t(j))/τ(m)/[V(reset)-V(threshold)]
其中，∂E/∂t(j)表示t(j)的相对误差的偏导，∂t(j)/∂t(i)表示t(j)相对于t(i)的相对误差的偏导；
w(i,s1)为t(i)时刻上的突触权值，w(i,s2)为t(j)时刻上的突触权值；∂εs1(t)/∂t表示εs1(t)对时刻t的相对误差的偏导，∂εs2(t)/∂t表示εs2(t)对时刻t的相对误差的偏导，∂v(t)/∂t表示过渡项v(t)对时刻t的相对误差的偏导；
U为神经元的集合；t为当前时刻，t(i)为突触前神经元的输入放电时刻，t(j)为神经元自身放电时刻；η为神经元自身放电重置函数；
V(reset)为设定的静息电压，V(threshold)为设定的阈值电压。
8.一种锂电池健康状态监测方法，其特征在于，首先采用如权利要求1-7任一项所述的锂电池健康状态监测模型的构建方法获取健康监测模型；获取待评估锂电池的放电电压积分S(v)、锂电池的放电电流均值I(a)、锂电池的充电部分时间t(c)、锂电池的净放电电能W(N)和锂电池的放电量比重P(d)，计算待评估锂电池的融合特征Cor(f1,f2,f3)；然后将待评估锂电池的融合特征Cor(f1,f2,f3)输入健康监测模型，健康监测模型输出待评估锂电池的剩余寿命预测值。
9.一种锂电池健康状态监测***，其特征在于，包括存储器和处理器，存储器中存储有计算机程序和健康监测模型，处理器连接存储器，处理器用于执行所述计算机程序，以实现如权利要求8所述的锂电池健康状态监测方法。
10.一种存储介质，其特征在于，存储有计算机程序和健康监测模型，所述计算机程序被执行时用于实现如权利要求8所述的锂电池健康状态监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410163216.3A CN117706406B (zh) | 2024-02-05 | 2024-02-05 | 一种锂电池健康状态监测模型、方法、***和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410163216.3A CN117706406B (zh) | 2024-02-05 | 2024-02-05 | 一种锂电池健康状态监测模型、方法、***和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117706406A true CN117706406A (zh) | 2024-03-15 |
| CN117706406B CN117706406B (zh) | 2024-04-16 |
Family
ID=90162855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410163216.3A Active CN117706406B (zh) | 2024-02-05 | 2024-02-05 | 一种锂电池健康状态监测模型、方法、***和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117706406B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346734A (zh) * | 2019-06-19 | 2019-10-18 | 江苏大学 | 一种基于机器学习的锂离子动力电池健康状态估算方法 |
| CN114742203A (zh) * | 2022-03-31 | 2022-07-12 | 武汉理工大学 | 基于混合机器学习方法的锂电池状态预测方法、***和介质 |
| CN114994541A (zh) * | 2022-06-02 | 2022-09-02 | 中国计量大学 | 一种基于多策略融合的锂离子电池soh估计方法 |
| CN115684971A (zh) * | 2022-10-18 | 2023-02-03 | 国网福建省电力有限公司 | 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 |
| EP4145157A1 (en) * | 2021-09-06 | 2023-03-08 | Dukosi Limited | Battery system state of health monitoring system |
| US20230187710A1 (en) * | 2021-12-13 | 2023-06-15 | Enevate Corporation | State-of-health models for lithium-silicon batteries |
| CN116387661A (zh) * | 2023-01-18 | 2023-07-04 | 国网浙江省电力有限公司衢州供电公司 | 一种锂电池安全运维管理***及锂电池健康状态评估方法 |
| CN116643174A (zh) * | 2023-05-09 | 2023-08-25 | 大连理工大学 | 一种电池剩余寿命预测方法 |
| CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
| CN116794543A (zh) * | 2023-06-07 | 2023-09-22 | 广东工业大学 | 一种基于GBLS Booster多任务学习模型的锂电池性能预测方法 |
-
2024
- 2024-02-05 CN CN202410163216.3A patent/CN117706406B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346734A (zh) * | 2019-06-19 | 2019-10-18 | 江苏大学 | 一种基于机器学习的锂离子动力电池健康状态估算方法 |
| EP4145157A1 (en) * | 2021-09-06 | 2023-03-08 | Dukosi Limited | Battery system state of health monitoring system |
| US20230187710A1 (en) * | 2021-12-13 | 2023-06-15 | Enevate Corporation | State-of-health models for lithium-silicon batteries |
| CN114742203A (zh) * | 2022-03-31 | 2022-07-12 | 武汉理工大学 | 基于混合机器学习方法的锂电池状态预测方法、***和介质 |
| CN114994541A (zh) * | 2022-06-02 | 2022-09-02 | 中国计量大学 | 一种基于多策略融合的锂离子电池soh估计方法 |
| CN115684971A (zh) * | 2022-10-18 | 2023-02-03 | 国网福建省电力有限公司 | 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 |
| CN116387661A (zh) * | 2023-01-18 | 2023-07-04 | 国网浙江省电力有限公司衢州供电公司 | 一种锂电池安全运维管理***及锂电池健康状态评估方法 |
| CN116643174A (zh) * | 2023-05-09 | 2023-08-25 | 大连理工大学 | 一种电池剩余寿命预测方法 |
| CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
| CN116794543A (zh) * | 2023-06-07 | 2023-09-22 | 广东工业大学 | 一种基于GBLS Booster多任务学习模型的锂电池性能预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高静怡 等: "充放电多特征融合的锂电池寿命预测方法", 重庆理工大学学报（自然科学）, vol. 37, no. 2, 31 December 2023 (2023-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117706406B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
| KR102354112B1 (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| CN111736084B (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
| EP4198531A1 (en) | Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
| Yamazaki et al. | Estimation of the residual capacity of sealed lead-acid batteries by neural network | |
| CN115632179B (zh) | 一种锂离子电池智能快速充电方法及*** | |
| CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
| CN107436409B (zh) | 一种电动汽车动力电池soc智能预测装置 | |
| CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
| CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
| CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN113408138B (zh) | 一种基于二次融合的锂电池soh估计方法和*** | |
| CN113554200B (zh) | 动力电池电压不一致性预测方法、***及设备 | |
| CN115372852A (zh) | 基于前馈神经网络的蓄电池健康状态预测方法 | |
| CN118311437A (zh) | 一种动力电池剩余寿命预测方法 | |
| CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
| CN114839542A (zh) | 一种动力锂电池的样本数据集生成方法、soc估计方法 | |
| 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 | |
| KR20230043466A (ko) | 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법 | |
| CN114781875A (zh) | 一种基于深度卷积网络的微电网经济运行状态评估方法 | |
| CN117706406B (zh) | 一种锂电池健康状态监测模型、方法、***和存储介质 | |
| CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |