CN116679208A - 一种锂电池剩余寿命估算方法 - Google Patents
一种锂电池剩余寿命估算方法 Download PDFInfo
- Publication number
- CN116679208A CN116679208A CN202310032200.4A CN202310032200A CN116679208A CN 116679208 A CN116679208 A CN 116679208A CN 202310032200 A CN202310032200 A CN 202310032200A CN 116679208 A CN116679208 A CN 116679208A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- model
- discharging
- data
- 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.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007599 discharging Methods 0.000 claims abstract description 22
- 238000007600 charging Methods 0.000 claims abstract description 18
- 230000036541 health Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000010277 constant-current charging Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000005562 fading Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000005065 mining Methods 0.000 abstract 1
- 230000001739 rebound effect Effects 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010998 test method Methods 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
一种锂电池剩余寿命估算方法,包含以下步骤:S1、读取锂电池相关数据并做归一化处理,将降维后的健康因子数据作为模型的输入;健康因子数据包含锂电池充放电阶段中等压升充电时间、恒流充电时间、等压降放电时间、恒流放电时间以及充电和放电时锂电池达到最高温度的时间;S2、设置系统超参数以及优化函数,初始化各系统中的权值;S3、利用训练数据,训练模型;S4、利用测试数据将训练好的Bi‑LSTM‑AM模型进行RUL估算,以检验方法的性能;本发明针对容量回升效应、异常环境影响、负载突升等因素对电池容量衰退预测造成的精度影响,深入挖掘动力电池能间接表征容量衰退因素的充放电数据,可进一步提升电池剩余寿命的估算精度。
Description
技术领域
本发明涉及锂电池管理技术领域,尤其是涉及一种锂电池剩余寿命估算方法。
背景技术
公知的,随着锂电池RUL估算研究的深入,研究人员从不同方向提出了RUL估算方法;针对当前研究人员所提出的这些方法大致可分为两类,分别有:模型法、数据驱动法;基于模型的方法要掌握电池内部的退化机理,通过物理分析或参考电池使用过程中容量、阻抗等历史数据来计算电池的剩余寿命;Xu B等人提出了一种锂电池性能劣化模型,该模型可根据运行曲线评估电池寿命损失;但由于实验数据获取难度大,无法消除实验误差,因此不适合对电池剩余寿命进行长期估算;汪秋婷等人建立锂电池组等效模型,利用卡尔曼滤波对锂电池的健康状态和剩余寿命进行研究,结果表明估算结果有较高的准确度;数据驱动法不需要探究锂电池的老化机理和内部繁杂的电化学反应,从表征数据中提取可用的特征,然后通过机器学习的方法建立特征值与目标值之间的关系;Nuhic等人使用SVM方法从容量的角度估计RUL,训练数据来自充电放电测试的前11个循环,最后7个循环通过回归预测,结果表明,SVM可以准确预测可用容量,有效地估计RUL;Zhang J等人提出了一种锂电池劣化模型与RVM相结合的锂电池剩余寿命预测模型,能够很好地捕捉容量衰减与循环周期之间的关系;陈赐阳等人建立了一种CNN-LSTM的锂电池剩余寿命预测模型,实验结果表明该模型具有较好的准确性和鲁棒性,能够实现锂电池RUL在线测试;
对于锂电池剩余寿命估算问题,现有模型按照前向时间序列顺序建立了特征值与目标值之间的关系,但未探究时间序列的后向依赖关系,这样会导致重要信息的缺失;
中国专利(公告号:CN115297496A)公开了一种结合双向长短期记忆网络Bi-LSTM和时间模式注意力的链路质量预测方法,以提高链路质量预测模型的准确性,但未考虑多维度信息对于模型结果准确性的评估;
中国专利(公开号:CN115166534A)提供一种锂离子电池剩余使用寿命预测方法,采用经验模态分解电池容量序列,通过Bi-LSTM预测高频和低频组件并输出锂离子电池寿命预测结果,但未引入注意力机制和考虑多维度信息对于模型结果准确性的评估;
中国专利(公开号:CN113139278A)提出一种基于深度学习的轴承剩余寿命预测方法,采用CNN网络和tsfresh进行两组特征序列提出,通过注意力机制的Bi-LSTM网络模型得到轴承的剩余寿命预测值,但未考虑多维度信息对于模型结果准确性的评估。
发明内容
为了克服背景技术中的不足,本发明公开了一种锂电池剩余寿命估算方法。
为实现上述发明目的,本发明采用如下技术方案:
一种锂电池剩余寿命估算方法,包含以下步骤:
S1、读取锂电池相关数据并做归一化处理,将降维后的健康因子数据作为模型的输入;健康因子数据包含锂电池充放电阶段中等压升充电时间、恒流充电时间、等压降放电时间、恒流放电时间以及充电和放电时锂电池达到最高温度的时间;
S2、设置系统超参数以及优化函数,初始化各系统中的权值;
S3、利用训练数据,训练模型;
S4、利用测试数据将训练好的Bi-LSTM-AM模型进行RUL估算,以检验方法的性能。
优选的,步骤S4中采用均方根误差(RMSE)、平均绝对误差百分比误差(MAPE)和最大误差(ME)作为Bi-LSTM-AM模型估算结果的评价指标;RMSE、MAPE和ME的公式分别如下:
式中,n为样本数,yi为第i个样本真实值,为第i个样本的估算值。
优选的,步骤S4中建立BP网络模型、LSTM网络模型与Bi-LSTM-AM进行估算结果对比。
由于采用如上所述的技术方案,本发明具有如下有益效果:
本发明公开的一种锂电池剩余寿命估算方法,提出了一种基于注意力机制和Bi-LSTM相结合的锂电池RUL估算模型;现有的技术只考虑了锂电池充放电某一个阶段的健康因子数据,没有从全衰退周期中考虑提取所有健康因子;本发明通过提取锂电池充放电阶段中等压升充电时间、恒流充电时间、等压降放电时间、恒流放电时间以及充电和放电时锂电池达到最高温度的时间作为表征容量衰退的健康因子,充分考虑了所有影响因素;六个维度的健康因子作为模型输入会有数据的冗余性造成计算效率低下,引入自编码器进行数据降维,相较于传统的主成分分析法降维只能做线性变换,该方法具有强大的非线性变换能力;将锂电池全周期健康因子作为时间序列输入,通过Bi-LSTM获取前后序列中的重要信息并通过注意力机制给予特征不同的权重,从而提高RUL估算准确度;
对锂电池RUL进行估算时,不同输入特征对模型估算结果的影响程度大不相同,并且Bi-LSTM网络的历史信息和未来信息对注意力权重作用结果不同;为进一步提升算法的精确度引入注意力机制,注意力机制通过概率分配的方式,赋予输入特征不同的权重,突出对结果影响较大的特征,忽略无关的信息,最后再将得到的注意力权重进行加权,提高估算结果的准确度;本发明通过注意力机制来加强与电池剩余寿命相关性大的输入特征。
附图说明
图1为RUL估算流程;
图2为电池剩余容量变化曲线;
图3为5号电池RUL估算结果
图4为5号电池RUL估算误差;
图5为6号电池RUL估算结果
图6为6号电池RUL估算误差;
图7为7号电池RUL估算结果;
图8为7号电池RUL估算误差;
图9为Bi-LSTM网络结构图;
图10为注意力机制示意图。
具体实施方式
通过下面的实施例可以详细的解释本发明,公开本发明的目的旨在保护本发明范围内的一切技术改进,在本发明的描述中,需要理解的是,若有术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系,仅是与本申请的附图对应,为了便于描述本发明,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。
实施例一:
结合图9和图10,一种锂电池剩余寿命估算方法,包含以下步骤:
S1、读取锂电池相关数据并做归一化处理,将降维后的健康因子数据作为模型的输入;健康因子数据包含锂电池充放电阶段中等压升充电时间、恒流充电时间、等压降放电时间、恒流放电时间以及充电和放电时锂电池达到最高温度的时间;RUL估算流程如图1所示;
S2、设置系统超参数以及优化函数,初始化各系统中的权值;
S3、利用训练数据,训练模型;
S4、利用测试数据将训练好的Bi-LSTM-AM模型进行RUL估算,以检验方法的性能;
为了更好的综合评价与分析锂电池RUL的估算效果,采用均方根误差(RMSE)、平均绝对误差百分比误差(MAPE)和最大误差(ME)作为Bi-LSTM-AM模型估算结果的评价指标,计算公式分别为:
式中,n为样本数,yi为第i个样本真实值,为第i个样本的估算值;
上述评价指标广泛用于衡量估算值与实际值之间的差距,它们的值越小,说明模型估算的准确率越高;
同时建立BP网络模型、LSTM网络模型与Bi-LSTM-AM进行估算结果对比;以上三种模型中均具有相同的神经元数量、优化函数、激活函数、批处理大小、遍历次数等,且输出层由一个仅含一个神经元的Dense层构成。
实施例二:
结合图9和图10,一种锂电池剩余寿命估算方法,实验数据来自NASA锂电池老化数据集,在电池估算测试台上完成;通过恒流充电(CC)和恒压充电(CV)连续的充电方式对测试电池进行充电,具体测试方法如表1:
表1
对5、6、7号电池共进行168次充放电循环试验,总样品数量为168个;选取前120个样本为训练集,后48个样本为测试集进行实验;随着电池充放电次数增加,5、6、7号电池剩余容量变化曲线,如图2所示;
为了更好的综合评价与分析锂电池RUL的估算效果,采用均方根误差(RMSE)、平均绝对误差百分比误差(MAPE)和最大误差(ME)作为Bi-LSTM-AM模型估算结果的评价指标;同时建立BP网络模型、LSTM网络模型与Bi-LSTM-AM进行估算结果对比;以上三种模型中均具有相同的神经元数量、优化函数、激活函数、批处理大小、遍历次数等,且输出层由一个仅含一个神经元的Dense层构成,具体设置如表2:
表2
Bi-LSTM-AM、BP、LSTM三种模型对5、6、7号电池剩余容量的估算结果如图3所示;
为了更准确直观的评价Bi-LSTM-AM、BP、LSTM三种模型的估算效果,计算得出三种模型的误差对比表如表3:
表3
由图3、5和7的拟合结果可以看出,Bi-LSTM-AM模型的估算值比BP、LSTM模型的估算值更接近于真实值;由图4、6和8可以看出Bi-LSTM-AM模型与真实值的估算误差也比BP、LSTM模型小;
由表3可以看出,Bi-LSTM-AM模型在5、6、7号电池上的的RMSE分别为0.006、0.036、0.001;MAPE分别为0.39%、3.34%、0.07%;ME分别为1.37%、4.89%、0.18%,相较于另外两种模型,误差大大降低。
本发明未详述部分为现有技术,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且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本发明;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,旨在将落在等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (3)
1.一种锂电池剩余寿命估算方法,其特征是:包含以下步骤:
S1、读取锂电池相关数据并做归一化处理,将降维后的健康因子数据作为模型的输入;健康因子数据包含锂电池充放电阶段中等压升充电时间、恒流充电时间、等压降放电时间、恒流放电时间以及充电和放电时锂电池达到最高温度的时间;
S2、设置系统超参数以及优化函数,初始化各系统中的权值;
S3、利用训练数据,训练模型;
S4、利用测试数据将训练好的Bi-LSTM-AM模型进行RUL估算,以检验方法的性能。
2.如权利要求1所述的锂电池剩余寿命估算方法,其特征是:步骤S4中采用均方根误差(RMSE)、平均绝对误差百分比误差(MAPE)和最大误差(ME)作为Bi-LSTM-AM模型估算结果的评价指标;RMSE、MAPE和ME的公式分别如下:
式中,n为样本数,yi为第i个样本真实值,为第i个样本的估算值。
3.如权利要求1所述的锂电池剩余寿命估算方法,其特征是:步骤S4中建立BP网络模型、LSTM网络模型与Bi-LSTM-AM进行估算结果对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032200.4A CN116679208A (zh) | 2023-01-10 | 2023-01-10 | 一种锂电池剩余寿命估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032200.4A CN116679208A (zh) | 2023-01-10 | 2023-01-10 | 一种锂电池剩余寿命估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116679208A true CN116679208A (zh) | 2023-09-01 |
Family
ID=87779694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310032200.4A Pending CN116679208A (zh) | 2023-01-10 | 2023-01-10 | 一种锂电池剩余寿命估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116679208A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744856A (zh) * | 2023-11-23 | 2024-03-22 | 北京航天飞行控制中心 | 锂电池剩余寿命预测方法、系统、计算机设备和存储介质 |
-
2023
- 2023-01-10 CN CN202310032200.4A patent/CN116679208A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744856A (zh) * | 2023-11-23 | 2024-03-22 | 北京航天飞行控制中心 | 锂电池剩余寿命预测方法、系统、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
Huang et al. | A comprehensively optimized lithium-ion battery state-of-health estimator based on Local Coulomb Counting Curve | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN113504482B (zh) | 考虑机械应变的锂离子电池健康状态估计与寿命预测方法 | |
CN112630662A (zh) | 一种基于数据驱动及多参数融合的动力电池soh估算方法 | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
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 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
CN114545279B (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 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
Xue et al. | Online capacity estimation of lithium-ion batteries based on deep convolutional time memory network and partial charging profiles | |
Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
Yang et al. | Remaining Useful Life Prediction of Lithium-ion Batteries with Limited Degradation History Using Random Forest | |
CN116679208A (zh) | 一种锂电池剩余寿命估算方法 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
Yu et al. | SOH estimation method for lithium-ion battery based on discharge characteristics | |
CN116736171A (zh) | 一种基于数据驱动的锂离子电池健康状态估算方法 | |
CN117169743A (zh) | 基于部分数据和模型融合的电池健康状态估计方法及设备 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 |
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 |