CN117825965A - 一种锂离子电池的状态预测方法及*** - Google Patents
一种锂离子电池的状态预测方法及*** Download PDFInfo
- Publication number
- CN117825965A CN117825965A CN202311832833.XA CN202311832833A CN117825965A CN 117825965 A CN117825965 A CN 117825965A CN 202311832833 A CN202311832833 A CN 202311832833A CN 117825965 A CN117825965 A CN 117825965A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- module
- prediction
- charge
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000036541 health Effects 0.000 claims abstract description 36
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 230000032683 aging Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 241000283153 Cetacea Species 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000004146 energy storage Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012983 electrochemical energy storage Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004590 computer program Methods 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
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010365 information processing 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
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000008054 signal transmission 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种锂离子电池的状态预测方法，其从充放电循环中提取锂离子电池的运行参数，包括电压、电流、温度、充放电时长以及容量，然后基于运行参数确定指定特征，并进行归一化处理，基于归一化处理后的特征，通过第一预测模块确定当前充放电循环后的锂离子电池的最大可用容量，进而确定锂离子电池的健康状态，并基于最大可用容量及归一化处理后的特征，通过第二预测模块确定锂离子电池的剩余寿命。该状态预测方法可以有效地提高锂离子电池状态预测的效率及精度。
Description
技术领域
本发明涉及新能源技术领域，特别涉及一种锂离子电池的状态预测方法及***。
背景技术
为应对光伏发电、风力发电的间歇性问题，电化学储能技术已成为电网的关键手段。由于锂离子电池能量密度高、寿命长、充放电倍率高、环保、安全性高、且可制定性强，因此其被广泛应用于储能领域，目前锂离子电池全球占比约70％以上。但是，随着锂离子电池长时间的充电放电，其容量、健康状态SOH、剩余寿命RUL会衰减，性能将降低。而电池的SOH及RUL通常无法直接测量，在电池SOH未知的情况下，电池荷电状态SOC预测的准确性会受到影响，易出现过充和过放的现象，进而加剧锂离子电池的老化，增加电化学储能的成本以及热失控的风险。基于此，准确预测锂离子电池，尤其是储能电站中的储能锂离子电池的SOH及RUL至关重要。
现有的锂离子电池健康状态SOH预测方法主要分为直接测量法、基于模型的预测方法和基于数据驱动的预测方法，而锂离子电池剩余寿命RUL预测主要通过数据驱动的预测方法。
其中直接测量法包括库仑计数法及安时积分法，这类方法是在实验室环境下测量锂离子电池的容量衰减特性，通过计算公式得到SOH的估计值。直接测量法操作简单，但实用性较差，难以用于大规模储能电站锂离子电池SOH的实时在线预测。
基于模型的预测方法包括其中基于电化学模型、等效电路模型和经验降解模型等的预测方法。通常需要详细的物理模型、化学反应和复杂的算法来预测电池的SOH，计算复杂度非常高，易受外界因素的影响，难以建立适用性高的稳定模型，且电池的种类较多，针对单一种类电池建立的模型难以较好地预测其他种类电池的SOH，普适性较差，且锂离子电池老化是一个复杂的过程，随着电池的老化，其预测精度会进一步降低。针对这一问题，陈德海等人提出了一种基于卡尔曼滤波的SOH预测方法，其通过平方根无迹卡尔曼滤波SR-UKF算法间接预测锂离子电池SOH，根据SR-UKF实时估计欧姆内阻，利用欧姆内阻与SOH的关系获取锂离子电池的SOH，这样的做法存在较大的局限性，UKF需要大量的矩阵估计计算和状态估计，计算复杂度较高，难以大规模应用，UKF对初始状态和噪声较为敏感，且难以处理非线性较高的电池SOH。
基于数据驱动的SOH及RUL预测方法不需要考虑锂离子电池内部复杂的物理模型、化学反应等，只需要提取大量的电池老化数据，通过离线训练建立锂离子电池健康特征与SOH和RUL之间的非线性映射关系，就能够提高SOH和RUL预测的精度并实现实时在线推理。其包括多层感知机MLP、卷积神经网络CNN、时间卷积网络TCN、循环神经网络RNN、长短期记忆网络LSTM、门控循环单元GRU等，其中GRU和LSTM是改进的RNN模型，克服了RNN梯度***的问题，非线性建模能力更强，相较于LSTM，GRU在预测精度几乎不变的情况下速度更快，但单一的预测模型难以较好地处理大量的高维电池数据，稳定性较低，预测精度不高。例如，杨智鹏等人为解决大规模电化学储能电站应用场景中机器学习电池SOH预测数据处理速度慢和预测精度低的问题，提出一种基于单体到模组迁移的磷酸铁锂储能***SOH预测方法，以GRU为主网络进行迁移学习，提高了准确性和预测速度，但单一的GRU网络对SOH预测时鲁棒性较低，且预测精度有待进一步提高。巫春玲等人提出一种基于变分模态分解和极限学习机集成模型的锂离子电池健康状态预测方法，通过变分模态分解VMD分解电池的SOH序列，降低SOH回升的影响，将分解的模态分量作为核极限学习机KELM的输入，实现SOH预测，但实际过程中无法得到真实的SOH，SOH只能通过电池的其他特征进行预测，该技术实用性较差，难以实现算法的落地。董浩等人通过分析不同温度下锂离子电池荷电状态SOC和充电电压的变化曲线，提出基于温度和SOC的锂离子电池健康因子提取及SOH在线预测的方法，根据环境温度差异选取电压和电流作为健康因子，利用遗传-爬山优化算法优化ELM的网络结构参数，进而实现SOH的在线预测，但其提取的锂离子健康因子数量过少，且仅通过简单结构的ELM无法更好地去预测SOH，准确性有较大的提升空间。廖力等人提出一种基于多健康特征融合的锂离子电池SOH和RUL预测方法，从电池充电曲线中提取三个与容量退化有关的特征，输入到改进的引力搜索算法优化支持向量回归模型，实现SOH和RUL的预测，但该方法提取的特征较少，丢失了许多电池关键信息，且SVR模型复杂度较低，处理高维信息能力偏弱，具有较低的非线性建模能力，特征提取能力有限。尹春杰等人提出基于LSTM的锂离子电池SOH预测方法，相较于传统SOH预测方法降低了预测误差，但人为选定网络结构以及训练参数无法较好地提升模型的预测性能。
发明内容
针对现有技术中的部分或全部问题，本发明第一方面提供一种锂离子电池的状态预测方法，包括：
从充放电循环中提取锂离子电池的运行参数，其中所述运行参数包括电压、电流、温度、充放电时长以及容量；
基于所述运行参数确定指定特征，并将所述指定特征进行归一化处理；
基于归一化处理后的特征，确定当前充放电循环后的锂离子电池的最大可用容量；
基于所述最大可用容量，确定所述锂离子电池的健康状态；以及
基于所述最大可用容量，确定所述锂离子电池的剩余寿命。
进一步地，所述指定特征根据如下步骤确定：
选取多块锂离子电池进行充放电老化试验；
通过传感器每隔指定时长采集所述锂离子电池的状态参数，其中所述状态参数包括电压、电流、温度、充放电时长以及容量；
基于所述状态参数确定每一个充放电循环的健康因子，其中所述健康因子包括充放电时的电压、电流及温度的极值、平均值，等压升、等压降、等温升的充放电时长，等时间间隔的充放电的电压、温度，以及充放电电压、温度曲线围成的区域面积；
确定每个健康因子与锂离子的电池容量、剩余寿命之间的皮尔逊相关系数；以及
将与所述锂离子的电池容量、剩余寿命之间的皮尔逊相关系数高于指定值的健康因子作为指定特征。
进一步地，所述指定值为0.6。
进一步地，将所述指定特征进行归一化处理包括：
采用极小极大数据归一化方法将所述指定特征归一化至0到1之间。
进一步地，通过第一预测模块确定当前充放电循环后的锂离子电池的最大可用容量，以及第二预测模块确定所述锂离子电池的剩余寿命，其中所述第一、第二预测模块包括：
线性加权模块，其用于对输入特征矩阵进行线性加权，其中第一预测模块的输入特征矩阵包括归一化处理后的特征矩阵，以及所述第二预测模块的输入特征矩阵包括归一化处理后的特征矩阵及所述第一预测模块预测得到的最大可用容量；
自注意力模块，其用于计算线性加权后的特征矩阵的自注意力，并进行残差连接；
残差模块，其用于对自注意力模块的输出进行空间维度变换，并进行残差连接；
双向门控循环模块，其用于提取所述残差模块输出的特征矩阵的有效时序信息，确定各特征前后步长元素间的关联信息；以及
降维模块，对所述关联信息进行特征降维，得到所述锂离子电池的最大可用容量或剩余寿命。
进一步地，所述残差模块通过两个卷积核数量不同的一维卷积层对自注意力模块的输出进行空间维度变换，其中所述卷积核的尺寸为1、步长为1。
进一步地，所述预测方法还包括，对所述第一、第二预测模块进行预训练，其中训练集及测试集根据如下步骤得到：
选取多块锂离子电池进行充放电老化试验，并获取各锂离子电池的指定特征，形成训练集及测试集。
进一步地，所述第二预测模块的训练集中还包括实际的锂离子电池容量，以及其测试集还包括***的锂离子电池容量。
进一步地，所述预测方法还包括，对所述预测模块进行优化，包括：
通过鲸鱼优化方法对所述预测模块的参数进行优化。
基于如前所述的锂离子电池的状态预测方法，本发明第二方面提供一种锂离子电池的状态预测***，包括：
参数获取模块，其包括传感器，所述传感器用于获取所述锂离子电池的运行参数，所述运行参数包括电压、电流、温度以及充放电时长；
数据处理模块，其与所述参数获取模块可通信地连接，用于根据所述运行参数确定健康因子，并进行归一化处理；
第一预测模块，其用于根据归一化处理后的特征矩阵确定所述锂离子电池的最大可用容量；以及
第二预测模块，其用于根据归一化处理后的特征矩阵及所述锂离子电池的最大可用容量确定所述锂离子电池的剩余寿命。
本发明提供的一种锂离子电池的状态预测方法及***，首先搜集更加全面的锂离子电池健康因子，并利用皮尔逊Pearson相关系数筛选出重要的特征，有利于提升预测精度。此外，所述预测方法明改进自注意力机制、结合残差网络ResNet及双向门控循环单元BIGRU，应用到储能锂离子电池SOH、RUL预测场景，利用改进自注意力机制计算每个特征序列中每个元素与自身序列、其他序列元素之间的关联信息，通过ResNet解决深度神经网络中梯度消失和退化的问题，提取更加丰富的特征表示，由于锂离子电池SOH和RUL衰减过程数据属于时序数据，因此可利用BIGRU提取有效时序信息，顺序和逆序挖掘各特征前后步长元素间的依赖关系，有效提升了SOH和RUL的预测精度。同时，考虑到锂离子电池RUL预测中电池RUL和电池容量的联系以及在线预测时电池容量无法直接测量的情况，在RUL预测模型训练阶段加入实际电池容量数据，测试阶段加入***的电池容量数据，有利于提高RUL预测中模型的准确性和鲁棒性。所述预测方法的实用性较强，训练好的模块单次预测速度较快，精度高，单次预测仅仅需要较少的连续同工况循环周期锂离子电池数据，就能够实现SOH和RUL的准确预测，易于应用到大规模储能电站电池SOH和RUL预测当中。
附图说明
为进一步阐明本发明的各实施例的以上和其它优点和特征，将参考附图来呈现本发明的各实施例的更具体的描述。可以理解，这些附图只描绘本发明的典型实施例，因此将不被认为是对其范围的限制。在附图中，为了清楚明了，相同或相应的部件将用相同或类似的标记表示。
图1示出本发明一个实施例的一种锂离子电池的状态预测方法的流程示意图；以及
图2示出本发明一个实施例的预测模块的结构示意图。
具体实施方式
以下的描述中，参考各实施例对本发明进行描述。然而，本领域的技术人员将认识到可在没有一个或多个特定细节的情况下或者与其它替换和/或附加方法或组件一起实施各实施例。在其它情形中，未示出或未详细描述公知的结构或操作以免模糊本发明的发明点。类似地，为了解释的目的，阐述了特定数量和配置，以便提供对本发明的实施例的全面理解。然而，本发明并不限于这些特定细节。此外，应理解附图中示出的各实施例是说明性表示且不一定按正确比例绘制。
在本说明书中，对“一个实施例”或“该实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在本说明书各处中出现的短语“在一个实施例中”并不一定全部指代同一实施例。
需要说明的是，本发明的实施例以特定顺序对方法步骤进行描述，然而这只是为了阐述该具体实施例，而不是限定各步骤的先后顺序。相反，在本发明的不同实施例中，可根据实际需求来调整各步骤的先后顺序。
在本发明中，根据本发明的***的各模块可以使用软件、硬件、固件或其组合来实现。当模块使用软件来实现时，可以通过计算机程序流程来实现模块的功能，例如模块可以通过存储在存储设备(如硬盘、内存等)中的代码段(如C、C++等语言的代码段)来实现，其中当所述代码段被处理器执行时能够实现模块的相应功能。当模块使用硬件来实现时，可以通过设置相应硬件结构来实现模块的功能，例如通过对现场可编程逻辑门阵列(FPGA)等可编程器件进行硬件编程来实现模块的功能，或者通过设计包括多个晶体管、电阻和电容等电子器件的专用集成电路(ASIC)来实现模块的功能。当模块使用固件来实现时，可以将模块的功能以程序代码形式写入设备的诸如EPROM或EEPROM之类的只读存储器中，并且当所述程序代码被处理器执行时能够实现模块的相应功能。另外，模块的某些功能可能需要由单独的硬件来实现或者通过与所述硬件协作来实现，例如检测功能通过相应传感器(如接近传感器、加速度传感器、陀螺仪等)来实现，信号发射功能通过相应通信设备(如蓝牙设备、红外通信设备、基带通信设备、Wi-Fi通信设备等)来实现，输出功能通过相应输出设备(如显示器、扬声器等)来实现，以此类推。
针对现有的储能电站锂离子电池SOH及RUL预测算法领域精度不高、难以在线推理、计算速度慢、大规模应用难等问题，本发明提出一种基于多特征融合、WOA-SAM-ResNet-BIGRU的储能锂离子电池SOH和RUL预测方法，不仅可以提取较多的健康因子，还能够通过优化模型结构以及训练参数，解决模型训练时易陷入权重参数局部最优的问题，使模型较好地提取到每个步长各健康因子之间的空间耦合信息以及前后时间步长的健康因子有效时序信息，且仅需要较少的电池循环信息就能够提高锂离子电池SOH及RUL预测的准确性，在锂离子电池实际应用中连续相同实验工况循环次数较少的情况下仍然能够较好地通过健康因子间接地预测电池的SOH及RUL。
下面结合实施例附图对本发明的方案做进一步描述。
图1示出本发明一个实施例的一种锂离子电池的状态预测方法的流程示意图。如图1所示，一种锂离子电池的状态预测方法，包括：
首先，在步骤101，获取运行参数。通过参数获取模块从充放电循环中提取锂离子电池的运行参数，其中所述运行参数例如包括锂离子电池的电压、电流、温度、充电时长时间、容量、及放电时长等。基于此，在本发明的一个实施例中，所述特征提取模块包括电压传感器、电流传感器、温度传感器以及计时模块等；
接下来，在步骤102，数据处理。基于所述运行参数计算得到各个指定特征，并将所述指定特征进行归一化处理。其中所述指定特征是指可能影响锂离子电池容量及RUL的健康因子，例如可为以下参数中的一个或多个：平均充电电压、最大充电电压、最小充电电压、平均放电电压、最大放电电压、最小放电电压、平均充电电流、最大充电电流、最小充电电流、平均放电电流、最大放电电流、最小放电电流、平均充电温度、最大充电温度、最小充电温度、平均放电温度、最大放电温度、最小放电温度、最终充电温度、最终放电温度、等压升充电时间、等压降放电时间、等温升充电时间、等温升放电时间、等时间间隔充电电压、等时间间隔放电电压、等时间间隔充电温度、等时间间隔放电温度、充电电压曲线围成区域面积、放电电压曲线围成区域面积、充电温度曲线围成区域面积、以及放电温度曲线围成区域面积。在本发明的一个实施例中，通过所述健康因子与锂离子的电池容量、剩余寿命之间的皮尔逊Pearson相关系数来选取指定特征。在本发明的一个实施例中，首先选取多块锂离子电池进行充放电老化试验，然后通过传感器每隔指定时长采集所述锂离子电池的运行参数，其中所述运行参数包括电压、电流、温度、充放电时长以及容量等。在本发明的一个实施例中，所述指定时长间隔为1秒。然后基于所述运行参数确定每一个充放电循环的健康因子，得到每个健康因子的全循环周期数据列。将每个健康因子的全循环周期数据列分别与锂离子电池容量、RUL的数据列作Pearson相关性分析，分别计算出每一个健康因子与电池容量、RUL的Pearson相关系数；将各影响因素按照Pearson相关系数的绝对值从大到小排序，筛选出相关性较高的健康因子作为所述指定特征。其中所述Pearson相关系数的计算公式如下：
其中，p是Pearson相关系数，a和b是特征数据列，n是特征数据列的长度，ai和bi分别是数据列a和b的第i个值，和/>分别是数据列a和b的均值，Pearson变量相关强度如表1所示：
表1
可以看出，Pearson相关系数的绝对值大于0.6时特征量与目标量之间相关性较高，基于此，在本发明的一个实施例中，将与电池容量、RUL的Pearson相关系数大于0.6的健康因子作为所述指定特征，以提高输入数据的质量，降低模型整体的预测误差。
在本发明的一个实施例中，考虑到各影响因素间量纲不同，采用归一化用极小极大Min-Max数据归一化方法将所有指定特征归一化到0与1之间，进而消除数据间的量纲不同对预测结果带来的影响，以更好地学习各个特征之间的关系，提高预测的准确性和鲁棒性，其中归一化的计算公式如下：
其中，x'为归一化后的输入特征数据列，x为原始输入特征数据列，xmin为原始特征数据列的最小值，xmax为原始特征数据列的最大值；
接下来，在步骤103，预测最大可用容量。基于归一化处理后的特征矩阵，通过第一预测模块确定当前充放电循环后的锂离子电池的最大可用容量。如前所述，在本发明的一个实施例中，所述第一预测模型结合了改进自注意力层SAM、残差网络ResNet以及双向门控循环单元BIGRU。图2示出本发明一个实施例的预测模块的结构示意图，如图2所示，所述第一预测模块包括线性加权模块、自注意力模块、残差模块、双向门控循环模块以及降维模块。如图2所示，在本发明的一个实施例中，所述线性加权模块为前馈神经网络，其用于对输入特征矩阵进行线性加权，其中第一预测模块的输入特征矩阵包括归一化处理后的特征矩阵。输入数据Xinput通过所述前馈神经网络进行线性加权，形成一个新的特征矩阵，以更好地捕捉到输入数据中的重要信息，有利于后续注意力机制更好地进行计算，其计算步骤如下：
XF1＝Linear(Xinput)，
其中，Linear为前馈神经网络层。所述自注意力模块包括改进自注意力层，利用改进的自注意力机制处理特征矩阵XF1，能够计算每个输入序列中每个元素与其他元素之间的关系，并更好地表示该特征矩阵，自注意力机制计算步骤如下：
其中，Q、K、V分别为查询向量、键向量、值，softmax是将目标值全部转化到[0,1]之间的数学函数，dK是K的特征维度。在第一预测模块中，Q、K、V均为XF1，XF1通过自注意力层并进行残差连接，完成SAM的构建：
Xattention＝Add(XF1,Attention(XF1,XF1,XF1))。
所述残差模块为残差网络，其用于将特征矩阵Xattention进行空间维度变换。在本发明的一个实施例中，其通过两个卷积核尺寸为1，步长为1，但卷积核数量不同的一维卷积层实现空间维度变换后进行残差连接，完成ResNet的构建，解决深度神经网络中梯度消失和退化问题，并能够提取更加丰富的特征表示：
XRe＝Add(Xattention,Conv1d(transpose(Xattention)))。
由于锂离子电池容量与RUL衰减与时间有一定的关联，基于此在本发明的一个实施例中，利用双向门控循环模块BIGRU提取特征矩阵的有效时序信息，挖掘各特征前后步长元素间的关联信息，并通过诸如前馈神经网络等降维模块进行特征降维，得到目标值：
XOutput＝Linear(BIGRU(XRe))。
接下来，在步骤104，确定健康状态。基于所述最大可用容量，确定所述锂离子电池的健康状态SOH：
其中Capacityi表示锂离子电池第i个充放电循环后的当前最大可用容量，Capacityr表示该型号锂离子电池的初始最大可用容量即额定容量；以及
同时，在步骤105，预测剩余寿命。基于所述最大可用容量，通过第二预测模块确定当前充放电循环后的锂离子电池的剩余寿命。对于RUL预测来说，当前RUL是当前充放电循环后还能充放电循环到SOH下降为70％以下的循环次数。所述第二预测模块的结构与所述第一预测模块相同，但其输入与所述第一预测模块略有不同，所述第二预测模块的输入特征矩阵包括归一化处理后的特征矩阵及所述第一预测模块预测得到的最大可用容量。
为了提高预测精度，在本发明的一个实施例中，还预先对所述第一、第二预测模块进行预训练。其中所述预训练的训练集及测试集通过充放电老化实验得到。具体而言，是随机选择若干块储能锂离子电池进行充放电老化实验，通过传感器采集锂离子电池的电压、电流、温度、时间、容量、时间作为原始数据，采样间隔为1s，对原始数据进行数据处理，获取指定的健康因子作为训练集及测试集，其中在本发明的一个实施例中，为更好地检验模块的泛化能力，训练集和测试集占比均为50％。此外，在RUL预测中，训练集中还需添加实际的电池容量，以及测试集中需添加***的电池容量。
在本发明的一个实施例中，还进一步地通过鲸鱼优化方法WOA对所述预测模块的参数进行优化。相较于传统的启发式优化算法如粒子群优化算法PSO、遗传算法GA、灰狼算法GWO，鲸鱼优化算法WOA具有更少的参数、更好的收敛速度和寻优能力，基于此，在本发明的一个实施例中，利用WOA优化所述第一、第二预测模块的结构参数和学习率大小，其中适应度函数如下：
min|ytrue-ypred|，
其中，ytrue为测试集实际值，ypred为测试集预测值。
所述WOA优化包括：
初始化鲸鱼种群，随机生成N组模型参数和学习率大小组成的个体；
计算适应度函数；
捕食行为的计算公式如下：
D＝|CX′(t)-X(t)|，
A＝2ar-a，
C＝2r，
D′＝|X′(t)-X(t)|，
搜寻猎物的公式如下：
X(t+1)＝Xrand(t)-AD，
其中，当捕食概率p小于0.5且|A|小于1时采用包围猎物，p小于0.5且|A|大于1时采用搜寻猎物，p大于0.5时，采用气泡攻击；t为当前迭代次数，A和C为系数向量，a由2逐渐到0，r是
[0,1]的随机向量，X'(t)为当前最佳个***置，X(t)为当前鲸鱼个体的初始位置，X(t+1)为更新后的位置，f和g为-1到1之间的随机常数；
更新鲸鱼位置，即根据最优个体调整当前的模型参数和学习率大小；以及
判断终止条件，判断适应度函数值是否达到设定阈值或迭代次数达到上限，达到则终止，未达到则继续迭代。
基于如前所述的锂离子电池的状态预测方法，本发明还提供一种锂离子电池的状态预测***，其包括：
特征提取模块，其包括传感器，所述传感器用于获取所述锂离子电池的运行参数，所述运行参数包括电压、电流、温度以及充放电时长；
数据处理模块，其与所述特征提取模块可通信地连接，用于根据所述运行参数确定健康因子，并进行归一化处理，得到特征矩阵；
第一预测模块，其用于根据归一化处理后的特征矩阵确定所述锂离子电池的最大可用容量；以及
第二预测模块，其用于根据归一化处理后的特征矩阵及所述锂离子电池的最大可用容量确定所述锂离子电池的剩余寿命。
为验证本发明实施例的状态预测方法及***的性能，以采集的储能锂离子电池老化数据为算例，利用不同模型进行算例分析，对比方法包括ELM、LSTM、GRU、BIGRU，在NASA锂离子电池数据集上进行实验，其中SOH测试集预测结果如表2所示，RUL测试集预测结果如表3所示，其中MAE和RMSE分别为平均绝对误差和均方根误差。
表2
表3
可以看出，在SOH预测和RUL预测中本发明的状态预测方法及***较为准确地预测出了锂离子电池的SOH和RUL，在1号电池SOH预测中MAE和RMSE分别为0.2818％、0.3380％，RUL预测中MAE和RMSE分别为1.4411个循环周期和2.0225个循环周期，在2号电池SOH预测中MAE和RMSE分别为0.2168％、0.2870％，RUL预测中MAE和RMSE分别为1.2478个循环周期和1.6550个循环周期。
尽管上文描述了本发明的各实施例，但是，应该理解，它们只是作为示例来呈现的，而不作为限制。对于相关领域的技术人员显而易见的是，可以对其做出各种组合、变型和改变而不背离本发明的精神和范围。因此，此处所公开的本发明的宽度和范围不应被上述所公开的示例性实施例所限制，而应当仅根据所附权利要求书及其等同替换来定义。
Claims (10)
1.一种锂离子电池的状态预测方法，其特征在于，包括步骤：
从充放电循环中提取锂离子电池的运行参数，其中所述运行参数包括电压、电流、温度、充放电时长以及容量；
基于所述运行参数确定指定特征，并将所述指定特征进行归一化处理；
基于归一化处理后的特征，通过第一预测模块确定当前充放电循环后的锂离子电池的最大可用容量；
基于所述最大可用容量，确定所述锂离子电池的健康状态；以及
基于所述最大可用容量及归一化处理后的特征，通过第二预测模块确定所述锂离子电池的剩余寿命。
2.如权利要求1所述的状态预测方法，其特征在于，所述指定特征根据如下步骤确定：
选取多块锂离子电池进行充放电老化试验；
每隔指定时长采集所述锂离子电池的运行参数，其中所述运行参数包括电压、电流、温度、充放电时长以及容量；
基于所述状态参数确定每一个充放电循环的健康因子，其中所述健康因子包括充放电时的电压、电流及温度的极值、平均值，等压升、等压降、等温升的充放电时长，等时间间隔的充放电的电压、温度，以及充放电电压、温度曲线围成的区域面积；
确定每个健康因子与锂离子的电池容量、剩余寿命之间的皮尔逊相关系数；以及
将与所述锂离子的电池容量、剩余寿命之间的皮尔逊相关系数高于指定值的健康因子作为指定特征。
3.如权利要求2所述的状态预测方法，其特征在于，所述指定值为0.6。
4.如权利要求1所述的状态预测方法，其特征在于，将所述指定特征进行归一化处理包括步骤：
采用极小极大数据归一化方法将所述指定特征归一化至0到1之间。
5.如权利要求1所述的状态预测方法，其特征在于，所述第一、第二预测模块包括：
线性加权模块，其被配置为对输入特征矩阵进行线性加权，其中第一预测模块的输入特征矩阵包括归一化处理后的特征矩阵，以及所述第二预测模块的输入特征矩阵包括归一化处理后的特征矩阵及所述第一预测模块预测得到的最大可用容量；
自注意力模块，其被配置为计算线性加权后的特征矩阵的自注意力，并进行残差连接；
残差模块，其被配置为对自注意力模块的输出进行空间维度变换，并进行残差连接；
双向门控循环模块，其被配置为提取所述残差模块输出的特征矩阵的有效时序信息，确定各特征前后步长元素间的关联信息；以及
降维模块，其被配置为对所述关联信息进行特征降维，得到所述锂离子电池的最大可用容量或剩余寿命。
6.如权利要求5所述的状态预测方法，其特征在于，所述残差模块通过两个卷积核数量不同的一维卷积层对自注意力模块的输出进行空间维度变换，其中所述卷积核的尺寸为1、步长为1。
7.如权利要求1所述的状态预测方法，其特征在于，还包括步骤：对所述第一、第二预测模块进行预训练，其中训练集及测试集根据如下步骤得到：
选取多块锂离子电池进行充放电老化试验，并获取各锂离子电池的各充放电循环中的指定特征，形成训练集及测试集。
8.如权利要求7所述的状态预测方法，其特征在于，所述第二预测模块的训练集中还包括实际的锂离子电池容量，以及其测试集还包括***的锂离子电池容量。
9.如权利要求1所述的状态预测方法，其特征在于，还包括，对所述第一、第二预测模块进行优化，包括：
通过鲸鱼优化方法对所述第一、第二预测模块的参数进行优化。
10.一种锂离子电池的状态预测***，其特征在于，包括：
参数获取模块，其包括传感器，所述传感器被配置为获取所述锂离子电池的运行参数，所述运行参数包括电压、电流、温度以及充放电时长；
数据处理模块，其与所述参数获取模块可通信地连接，且被配置为根据所述运行参数确定健康因子，并进行归一化处理；
第一预测模块，其被配置为根据归一化处理后的特征矩阵确定所述锂离子电池的最大可用容量；以及
第二预测模块，其被配置为根据归一化处理后的特征矩阵及所述锂离子电池的最大可用容量确定所述锂离子电池的剩余寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311832833.XA CN117825965A (zh) | 2023-12-27 | 2023-12-27 | 一种锂离子电池的状态预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311832833.XA CN117825965A (zh) | 2023-12-27 | 2023-12-27 | 一种锂离子电池的状态预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117825965A true CN117825965A (zh) | 2024-04-05 |
Family
ID=90507285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311832833.XA Pending CN117825965A (zh) | 2023-12-27 | 2023-12-27 | 一种锂离子电池的状态预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117825965A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118191622A (zh) * | 2024-05-15 | 2024-06-14 | 深圳市格伏恩新能源科技有限公司 | 储能锂电池的状态监控方法、装置、设备及存储介质 |
-
2023
- 2023-12-27 CN CN202311832833.XA patent/CN117825965A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118191622A (zh) * | 2024-05-15 | 2024-06-14 | 深圳市格伏恩新能源科技有限公司 | 储能锂电池的状态监控方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
| CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
| CN111007417A (zh) | 基于不一致性评估的电池组soh和rul预测方法及*** | |
| CN112798960B (zh) | 一种基于迁移深度学习的电池组剩余寿命预测方法 | |
| CN114325450A (zh) | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 | |
| CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
| CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
| CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
| CN117825965A (zh) | 一种锂离子电池的状态预测方法及*** | |
| CN115409263A (zh) | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 | |
| CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
| CN114814618A (zh) | 锂离子电池剩余容量估算方法、装置、设备和存储介质 | |
| CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
| CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
| CN112557908A (zh) | 一种锂离子动力电池soc和soh联合估计方法 | |
| CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
| Mazzi et al. | Lithium-ion battery state of health estimation using a hybrid model based on a convolutional neural network and bidirectional gated recurrent unit | |
| CN116794547A (zh) | 一种基于afsa-gru的锂离子电池剩余使用寿命预测方法 | |
| CN114839542A (zh) | 一种动力锂电池的样本数据集生成方法、soc估计方法 | |
| CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
| Hu et al. | State of health estimation for lithium-ion batteries with dynamic time warping and deep kernel learning model | |
| 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 |
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 |