CN113917334B - 基于进化lstm自编码器的电池健康状态估计方法 - Google Patents
基于进化lstm自编码器的电池健康状态估计方法 Download PDFInfo
- Publication number
- CN113917334B CN113917334B CN202111021727.4A CN202111021727A CN113917334B CN 113917334 B CN113917334 B CN 113917334B CN 202111021727 A CN202111021727 A CN 202111021727A CN 113917334 B CN113917334 B CN 113917334B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- voltage
- capacity
- encoder
- lstm
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 title claims abstract description 27
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 78
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 78
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000012014 frustrated Lewis pair Substances 0.000 claims description 7
- 238000007600 charging Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 230000008094 contradictory effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction 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
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000006403 short-term memory 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
- 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)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开的一种基于进化LSTM自编码器的电池健康状态估计方法，具体为：采集锂电池当前容量数据得到一个容量矩阵，采集锂电池实时电压数据得到一个电压矩阵，将电压矩阵划分为训练数据集和测试数据集；建立LSTM自编码器模型；基于训练数据集和测试数据集，采用NSGA‑II算法，优化LSTM自编码器模型的超参数；对归一化电压矩阵P仅经过LSTMEncoder层实现特征提取，将电压特征划分为训练特征集和测试特征集；基于训练特征集，用高斯过程回归建立一个锂电池容量预测模型。本发明方法通过构建进化自编码器模型对多维电压数据进行电压特征提取，解决了电池健康状态估计中特征难以构建的问题。
Description
技术领域
本发明属于深度学习方法和电池管理技术领域，具体涉及一种基于进化LSTM自编码器的电池健康状态估计方法。
背景技术
锂电池以其放电电压稳定性高、循环使用寿命长、体积小、质量轻且对环境无危害等众多优点，广泛应用于社会各个领域。虽然锂电池是一种高效的循环充放电电池，但是它的循环寿命有限，锂电池在能量转换进程中的电化学反应会不断消耗电解液、正负极极性和隔膜。在这个过程中材料的消耗是不可逆，所以锂电池的容量、性能等都会随着充放电循环而退化。如果锂电池突然失效可能会产生严重后果。因此，根据历史检测数据对锂电池健康状态进行预测，实现对锂离子电池的健康状态估计非常必要。
通常情况下用电池健康状态(State of Health，SOH)来描述电池的衰退情况，SOH是指锂电池当前所能承载的电池容量与电池出厂额定容量的比值。目前，锂离子电池SOH诊断方法主要有:实验法、模型法、数据驱动法等。
实验法是指利用特定的测试设备，直接对锂离子电池进行性能测试或分析,获得与电池老化状态相关的参数，分析电池的衰减老化机制及衰减程度，诊断电池当前的SOH。实验法对测试过程或测试设备的特殊性要求，因此在实际工程中难以实现应用。
模型法是指建立锂离子电池等效的模型,仿真电池内部结构及材料之间的相互作用关系，或模拟电池的充放电行为。模型法中，电化学机理模型由于计算量过大，无法满足设备对电池状态估计的实时性需求，因此应用价值主要体现在实验室研究中。
数据驱动法以锂离子电池在运行过程中表现出的电压、电流、温度以及阻抗等数据为基础，结合智能学习算法，实现锂离子电池的SOH诊断。例如高斯过程回归模型是近年来使用较多的一种数据驱动方法，能较好的建立准确的电池容量预测模型。因此，数据驱动法是未来研究实现电池状态估计及优化管理的重要方向。
由于锂电池实际使用过程中，充放电循环次数和电池内阻等很难被准确测量，而电池的电压可直接由电池管理系统采集得到。因此选择易于采集的电压作为锂电池的健康状态SOH的表征参数尤为重要。然而原始的电池恒流充电过程中的电压数据量较多，直接用所有电压数据计算SOH，复杂度较高。通过对电压数据进行特征提取后再计算SOH，可降低计算复杂度。例如使用主成分分析法对电压数据进行特征提取，但主成分分析实质上是线性变换，有效信息丢失较多。
本发明采用长短期记忆网络(Long Short Term Memory networks，LSTM)自编码器进行健康指标特征提取。LSTM自编码器采用非线性变换，可识别并提取有效电压信号。此外，自编码器的参数调整依赖经验，因此本发明采用进化多目标优化算法，自动设计LSTM自编码器，提取电压特征，结合高斯过程回归模型实现对锂电池容量的预测，最终实现对电池的健康状态估计。
发明内容
本发明的目的是提供一种基于进化LSTM自编码器的电池健康状态估计方法，在自动进化自编码器的基础上解决了电池健康状态估计中特征难以构建的问题，进而降低了高斯过程回归预测电池容量的复杂度，从而实现快速且准确的预测电池健康状态。
本发明所采用的技术方案是，一种基于进化LSTM自编码器的电池健康状态估计方法，具体按照以下步骤实施：
步骤1、采集锂电池当前容量数据得到一个容量矩阵，采集锂电池实时电压数据得到一个电压矩阵，将电压矩阵划分为训练数据集和测试数据集；
步骤2、建立LSTM自编码器模型；
步骤3、基于训练数据集和测试数据集，采用NSGA-II算法，优化LSTM自编码器模型的超参数，得到最优LSTM自编码器；
步骤4、基于步骤3得到的最优自编码器，对归一化电压矩阵P仅经过LSTM Encoder层实现特征提取，将电压特征划分为训练特征集和测试特征集；
步骤5、基于训练特征集，用高斯过程回归建立一个锂电池容量预测模型；将测试特征集输入到锂电池容量预测模型中，实现电池健康状态估计。
本发明的特征还在于，
步骤1具体按照以下实施：
步骤1.1、获取锂电池在出厂时的额定容量，将锂电池的额定容量列入一个容量矩阵I；每次对锂电池充电时，先测量锂电池充电前的剩余容量，记录本次锂电池充满电所需充电量，该锂电池当前容量等于本次充电所需充电量与充电前的剩余容量之和；将锂电池当前容量放入该锂电池的容量矩阵I中；当该锂电池当前容量为额定容量的80％以下时，视该锂电池为报废状态，将不再测量该锂电池的当前容量；
步骤1.2、在每次测量该锂电池当前容量后，立即测量该锂电池在恒流条件下不停充电的实时电压数据，将实时电压数据列入一个电压矩阵中，得到电压矩阵Y；
步骤1.3、对电压矩阵Y中的电压数据进行归一化，其中电压矩阵Y＝{Yj1,Yj2,...,Yjn}，j取1到m，表示直到电池报废共采集m次电压数据；取每一次的电压最值根据公式(1)，对电压矩阵Y进行归一化：
P是求得的归一化电压矩阵，是第j次采集电压数据的最小值，/>是第j次采集电压数据的最大值；
步骤1.4、对归一化电压矩阵P，按测量顺序前87.5％行的电压数据为训练数据集和后12.5％行的电压数据为测试数据集进行划分。
步骤2具体按照以下步骤实施：
搭建LSTM自编码器模型，由LSTM Encoder层和LSTM Decoder层组成；其中LSTM网络层的参数：输入层维度为n，隐藏层维度L为超参数。超参数具体在步骤3中得到。
步骤3具体按照以下步骤实施：
步骤3.1、LSTM自编码器模型所需优化的超参数包括：时间窗口的步长T、批处理的大小B、隐藏层维度L；参数搜索空间：时间窗口上下界设置为[1,10]，隐藏层维度上下界设置为[1,20]，批处理上下界设置为[50,100]；对T、B、L三个超参数采用实数编码的编码方式；
步骤3.2、初始化种群：设置种群规模为M，最大进化次数Z，随机生成超参数初始值，作为初始父代种群Pt；
步骤3.3、计算当前种群中个体的目标函数值：本研究定义当前种群的目标数M＝2，当前种群目标分别为LSTM自编码器模型输入和输出的训练误差MSE和训练算力，即每秒所执行的浮点运算次数(Floating-point operations persecond,FLOPs)；MSE的计算如公式(3)，FLOPs的计算如公式(4)：
FLOPs＝4(nL+L2+L) (4)
其中MSE是指将归一化电压矩阵P中的电压值，与经过LSTM自编码器模型后的电压值之间的误差；FLOPs中n是指LSTM自编码器模型的输入维度，L是指LSTM自编码器模型的隐藏层维度；
步骤3.4、交叉和变异：对父代种群Pt，经过模拟交叉算子产生新的子代种群，对新的子代种群采用多项式变异算子，进行变异，作为新一代种群；
步骤3.5、将新一代种群和父代种群Pt合并为新种群Rt，采用NSGA-II算法，根据目标函数值，对Rt中所有个体进行非支配排序和拥挤度计算：在非支配排序中，非支配排序等级高的优先选择；同一非支配排序等级，拥挤度越大的优先选择；根据以上规则从Rt中选出大小为M个个体，组成新的父代种群Pt+1；
步骤3.6、计算当前进化次数是否满足最大进化次数Z，若满足最大进化次数Z，则计算结束，保存最终父代种群Pt+1，作为最优解集；若不满足最大进化次数Z，则重复步骤3.3～3.5；
步骤3.7、从最优解集中选取一个最优解。如图3是NSGA-II算法实验得到的一组最优解集，每个黑点就表示一个最优解，为了平衡MSE和FLOPs两个矛盾的目标，我们选择拐点，也就是图3中的A点作为最优解。将该最优解解码得到最优自编码器的超参数。拐点具体计算步骤如下：
首先，根据公式(5)计算出平面，其中C点为最优解集中在MSE目标上拥有最大值的点，F点为最优解集中在FLOPs目标上拥有最大值的点；
式中，(xC,yC),(yC,yF)分别为C点和F点的坐标。
将上式直线方程标准化为ax+by+c＝0形式；
对最优解集中每个解，根据公式(6)计算投影距离，投影距离最大的解作为拐点：
式中a，b，c为直线方程标准化后的参数。
步骤5具体按照以下实施：
设置均值为0，协方差函数为高斯核函数，确定先验分布，输入训练特征集，根据贝叶斯公式推断后验概率，对核函数的超参数优化，得到锂电池容量预测模型；用测试特征集对锂电池容量进行预测，根据SOH公式实现电池健康状态估计：
其中C预测代表锂电池的预测容量，C额定代表着锂电池的额定容量。
本发明的有益效果是：本发明方法通过构建进化自编码器模型对多维电压数据进行电压特征提取，解决了电池健康状态估计中特征难以构建的问题。进而降低了高斯过程回归预测电池容量的复杂度，从而实现快速且准确的预测电池健康状态。采用多目标进化算法选取自编码器模型的超参数，解决了人为手工测试过于依赖经验的问题以及构建自编码器模型时，矛盾的两维目标MSE和FLOPs的平衡问题。
附图说明
图1是本发明方法的流程图；
图2是本发明方法中LSTM自编码器示意图；
图3是本发明方法中识别拐点示意图；
图4是本发明方法中超参数编码示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于进化LSTM自编码器的电池健康状态估计方法，如图1所示，具体按照以下步骤实施：
步骤1、采集锂电池当前容量数据得到一个容量矩阵，采集锂电池实时电压数据得到一个电压矩阵，将电压矩阵划分为训练数据集和测试数据集；
步骤1具体按照以下实施：
步骤1.1、获取锂电池在出厂时的额定容量，将锂电池的额定容量列入一个容量矩阵I；每次对锂电池充电时，先测量锂电池充电前的剩余容量，记录本次锂电池充满电所需充电量，该锂电池当前容量等于本次充电所需充电量与充电前的剩余容量之和；将锂电池当前容量放入该锂电池的容量矩阵I中；当该锂电池当前容量为额定容量的80％以下时，视该锂电池为报废状态，将不再测量该锂电池的当前容量；
步骤1.2、在每次测量该锂电池当前容量后，立即测量该锂电池在恒流条件下不停充电的实时电压数据，将实时电压数据列入一个电压矩阵中，得到电压矩阵Y；
步骤1.3、对电压矩阵Y中的电压数据进行归一化，其中电压矩阵Y＝{Yj1,Yj2,...,Yjn}，j取1到m，表示直到电池报废共采集m次电压数据；取每一次的电压最值根据公式(1)，对电压矩阵Y进行归一化：
P是求得的归一化电压矩阵，是第j次采集电压数据的最小值，/>是第j次采集电压数据的最大值；
步骤1.4、对归一化电压矩阵P，按测量顺序前87.5％行的电压数据为训练数据集和后12.5％行的电压数据为测试数据集进行划分。
步骤2、建立LSTM自编码器模型；
步骤2具体按照以下步骤实施：
搭建LSTM自编码器模型，如图2所示，由LSTM Encoder层和LSTM Decoder层组成。其中LSTM网络层的参数：输入层维度为n，隐藏层维度L为超参数。超参数具体在步骤3中得到。
步骤3、基于训练数据集和测试数据集，采用NSGA-II算法，优化LSTM自编码器模型的超参数，得到最优LSTM自编码器，如图4所示；
步骤3具体按照以下步骤实施：
步骤3.1、LSTM自编码器模型所需优化的超参数包括：时间窗口的步长T、批处理的大小B、隐藏层维度L；参数搜索空间：时间窗口上下界设置为[1,10]，隐藏层数上下界设置为[1,20]，批处理上下界设置为[50,100]；对T、B、L三个超参数采用实数编码的编码方式；
步骤3.2、初始化种群：设置种群规模为M，最大进化次数Z，随机生成超参数初始值，作为初始父代种群Pt；
步骤3.3、计算当前种群中个体的目标函数值：本研究定义当前种群的目标数M＝2，当前种群目标分别为LSTM自编码器模型输入和输出的训练误差MSE和训练算力，即每秒所执行的浮点运算次数(Floating-point operations persecond,FLOPs)。MSE的计算如公式(3)和FLOPs的计算如公式(4)：
FLOPs＝4(nL+L2+L) (4)
其中MSE是指将归一化电压矩阵P中的电压值，与经过LSTM自编码器模型后的电压值之间的误差；FLOPs中n是指LSTM自编码器模型的输入维度是，L是指LSTM自编码器模型的隐藏层数；
步骤3.4、交叉和变异：对父代种群Pt，如图4所示，经过模拟交叉算子产生新的子代种群，对新的子代种群采用多项式变异算子，进行变异，作为新一代种群，；
步骤3.5、将新一代种群和父代种群Pt合并为新种群Rt，采用NSGA-II算法，根据目标函数值，对Rt中所有个体进行非支配排序和拥挤度计算：在非支配排序中，非支配排序等级高的优先选择；同一非支配排序等级，拥挤度越大的优先选择。根据以上规则从Rt中选出大小为M个个体，组成新的父代种群Pt+1；
步骤3.6、计算当前进化次数是否满足最大进化次数Z，若满足最大进化次数Z，则计算结束，保存最终父代种群Pt+1，作为最优解集；若不满足最大进化次数Z，则重复步骤3.3～3.5；
步骤3.7、从最优解集中选取一个最优解。如图3是NSGA-II算法实验得到的一组最优解集，每个黑点就表示一个最优解，为了平衡MSE和FLOPs两个矛盾的目标，我们选择拐点，也就是图3中的A点作为最优解。将该最优解解码得到最优自编码器的超参数。拐点具体计算步骤如下：
首先，根据公式(5)计算出平面，其中C点为最优解集中在MSE目标上拥有最大值的点，F点为最优解集中在FLOPs目标上拥有最大值的点；
式中，(xC,yC),(yC,yF)分别为C点和F点的坐标，
将上式直线方程标准化为ax+by+c＝0形式；
对最优解集中每个解，根据公式(6)计算投影距离，投影距离最大的解作为拐点。
式中a，b，c为直线方程标准化后的参数。
步骤4、基于步骤3得到的最优自编码器，对归一化电压矩阵P仅经过LSTM Encoder层实现特征提取，将电压特征划分为训练特征集和测试特征集；
步骤5、基于训练特征集，用高斯过程回归建立一个锂电池容量预测模型；将测试特征集输入到锂电池容量预测模型中，实现电池健康状态估计；
步骤5具体按照以下实施：
设置均值为0，协方差函数为高斯核函数，确定先验分布，输入训练特征集，根据贝叶斯公式推断后验概率，对核函数的超参数优化，得到锂电池容量预测模型。用测试特征集对锂电池容量进行预测，根据SOH公式实现电池健康状态估计：
其中C预测代表锂电池的预测容量，C额定代表着锂电池的额定容量。
Claims (3)
1.一种基于进化LSTM自编码器的电池健康状态估计方法，其特征在于，具体按照以下步骤实施：
步骤1、采集锂电池当前容量数据得到一个容量矩阵，采集锂电池实时电压数据得到一个电压矩阵，将电压矩阵划分为训练数据集和测试数据集；
步骤2、建立LSTM自编码器模型；
所述步骤2具体按照以下步骤实施：
搭建LSTM自编码器模型，由LSTM Encoder层和LSTM Decoder层组成；其中LSTM网络层的参数：输入层维度为n，隐藏层数L为超参数；
步骤3、基于训练数据集和测试数据集，采用NSGA-II算法，优化LSTM自编码器模型的超参数，得到最优LSTM自编码器；
所述步骤3具体按照以下步骤实施：
步骤3.1、LSTM自编码器模型所需优化的超参数包括：时间窗口的步长T、批处理的大小B、隐藏层数L；参数搜索空间：时间窗口上下界设置为[1,10]，隐藏层数上下界设置为[1,20]，批处理上下界设置为[50,100]；对T、B、L三个超参数采用实数编码的编码方式；
步骤3.2、初始化种群：设置种群规模为M，最大进化次数Z，随机生成超参数初始值，作为初始父代种群Pt；
步骤3.3、计算当前种群中个体的目标函数值：本研究定义当前种群的目标数M＝2，当前种群目标分别为LSTM自编码器模型输入和输出的训练误差MSE和训练算力，即每秒所执行的浮点运算次数；MSE的计算如公式(3)和FLOPs的计算如公式(4)：
FLOPs＝4(nL+L2- (4)
其中，MSE是指将归一化电压矩阵P中的电压值，与经过LSTM自编码器模型后的电压值之间的误差；FLOPs中n是指LSTM自编码器模型的输入维度是，L是指LSTM自编码器模型的隐藏层数；
步骤3.4、交叉和变异：对父代种群Pt，经过模拟交叉算子产生新的子代种群，对新的子代种群采用多项式变异算子，进行变异，作为新一代种群；
步骤3.5、将新一代种群和父代种群Pt合并为新种群Rt，采用NSGA-II算法，根据目标函数值，对Rt中所有个体进行非支配排序和拥挤度计算：在非支配排序中，非支配排序等级高的优先选择；同一非支配排序等级，拥挤度越大的优先选择；根据以上规则从Rt中选出大小为M个个体，组成新的父代种群Pt+1；
步骤3.6、计算当前进化次数是否满足最大进化次数Z，若满足最大进化次数Z，则计算结束，保存最终父代种群Pt+1，作为最优解集；若不满足最大进化次数Z，则重复步骤3.3～3.5；
步骤3.7、从最优解集中选取一个最优解，以拐点作为最优解，将该最优解解码得到最优自编码器的超参数；
步骤3.7中，拐点具体计算步骤如下：
首先，根据公式(5)计算出平面，其中C点为最优解集中在MSE目标上拥有最大值的点，F点为最优解集中在FLOPs目标上拥有最大值的点；
式中，(xC，yC)，(yC，yF)分别为C点和F点的坐标，
将上式直线方程标准化为ax+by+c＝0形式；
对最优解集中每个解，根据公式(6)计算投影距离，投影距离最大的解作为拐点：
式中a，b，c为直线方程标准化后的参数；
步骤4、基于步骤3得到的最优自编码器，对归一化电压矩阵P仅经过LSTM Encoder层实现特征提取，将电压特征划分为训练特征集和测试特征集；
步骤5、基于训练特征集，用高斯过程回归建立一个锂电池容量预测模型；将测试特征集输入到锂电池容量预测模型中，实现电池健康状态估计。
2.根据权利要求1所述的一种基于进化LSTM自编码器的电池健康状态估计方法，其特征在于，所述步骤1具体按照以下实施：
步骤1.1、获取锂电池在出厂时的额定容量，将锂电池的额定容量列入一个容量矩阵I；每次对锂电池充电时，先测量锂电池充电前的剩余容量，记录本次锂电池充满电所需充电量，该锂电池当前容量等于本次充电所需充电量与充电前的剩余容量之和；将锂电池当前容量放入该锂电池的容量矩阵I中；当该锂电池当前容量为额定容量的80％以下时，视该锂电池为报废状态，将不再测量该锂电池的当前容量；
步骤1.2、在每次测量该锂电池当前容量后，立即测量该锂电池在恒流条件下不停充电的实时电压数据，将实时电压数据列入一个电压矩阵中，得到电压矩阵Y；
步骤1.3、对电压矩阵Y中的电压数据进行归一化，其中电压矩阵Y＝{Yj1,Yj2,…,Yjn}，j取1到m，表示直到电池报废共采集m次电压数据；根据每一次的电压最值对电压矩阵Y进行归一化，计算公式(1)：
P是求得的归一化电压矩阵，是第j次采集电压数据的最小值，/>是第j次采集电压数据的最大值；
步骤1.4、对归一化电压矩阵P，按测量顺序前87.5％行的电压数据为训练数据集和后12.5％行的电压数据为测试数据集进行划分。
3.根据权利要求1所述的一种基于进化LSTM自编码器的电池健康状态估计方法，其特征在于，所述步骤5具体按照以下实施：
设置均值为0，协方差函数为高斯核函数，确定先验分布，输入训练特征集，根据贝叶斯公式推断后验概率，对核函数的超参数优化，得到锂电池容量预测模型；用测试特征集对锂电池容量进行预测，根据SOH公式实现电池健康状态估计：
其中c预测代表锂电池的预测容量，c额定代表着锂电池的额定容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111021727.4A CN113917334B (zh) | 2021-09-01 | 2021-09-01 | 基于进化lstm自编码器的电池健康状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111021727.4A CN113917334B (zh) | 2021-09-01 | 2021-09-01 | 基于进化lstm自编码器的电池健康状态估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113917334A CN113917334A (zh) | 2022-01-11 |
| CN113917334B true CN113917334B (zh) | 2023-11-17 |
Family
ID=79233700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111021727.4A Active CN113917334B (zh) | 2021-09-01 | 2021-09-01 | 基于进化lstm自编码器的电池健康状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113917334B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114525497A (zh) * | 2022-02-16 | 2022-05-24 | 东北大学 | 一种基于lstm和nsga-ⅱ对pecvd镀膜工艺的多参数优化方法 |
| EP4235199B1 (en) * | 2022-02-23 | 2024-04-03 | Novum engineerING GmbH | Assessing performance or state or load condition of a battery storage |
| CN114726045B (zh) * | 2022-04-20 | 2022-09-30 | 广东工业大学 | 一种基于ipea-lstm模型的锂电池soh估计方法 |
| CN114910793B (zh) * | 2022-04-24 | 2023-03-31 | 广东工业大学 | 一种储能电站串联电池组的soh估计方法 |
| CN116774086B (zh) * | 2023-06-09 | 2024-03-26 | 淮阴工学院 | 一种基于多传感器数据融合的锂电池健康状态估计方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| WO2020251854A1 (en) * | 2019-06-14 | 2020-12-17 | Cummins Inc. | Methods and devices for determining battery state of health using incremental capacity analysis and support vector regression |
| CN112782591A (zh) * | 2021-03-22 | 2021-05-11 | 浙江大学 | 基于多电池数据融合的锂电池soh长期预测方法 |
| CN113176518A (zh) * | 2021-03-24 | 2021-07-27 | 西安理工大学 | 一种锂电池健康状态估算方法 |
| CN113253116A (zh) * | 2021-05-18 | 2021-08-13 | 齐鲁工业大学 | 锂离子电池荷电状态估计方法、存储介质 |
| CN113267733A (zh) * | 2021-04-13 | 2021-08-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11579951B2 (en) * | 2018-09-27 | 2023-02-14 | Oracle International Corporation | Disk drive failure prediction with neural networks |
-
2021
- 2021-09-01 CN CN202111021727.4A patent/CN113917334B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020251854A1 (en) * | 2019-06-14 | 2020-12-17 | Cummins Inc. | Methods and devices for determining battery state of health using incremental capacity analysis and support vector regression |
| CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| CN112782591A (zh) * | 2021-03-22 | 2021-05-11 | 浙江大学 | 基于多电池数据融合的锂电池soh长期预测方法 |
| CN113176518A (zh) * | 2021-03-24 | 2021-07-27 | 西安理工大学 | 一种锂电池健康状态估算方法 |
| CN113267733A (zh) * | 2021-04-13 | 2021-08-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
| CN113253116A (zh) * | 2021-05-18 | 2021-08-13 | 齐鲁工业大学 | 锂离子电池荷电状态估计方法、存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于CNN-LSTM的锂电池剩余寿命(RUL)间接预测研究;陈赐阳 等;《电源技术》;第第45卷卷(第第5期期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113917334A (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
| CN110058178A (zh) | 一种锂电池健康状态检测方法和系统 | |
| CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
| CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
| CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
| CN113484774B (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 | |
| CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
| CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
| CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
| CN116400246B (zh) | 基于aco-gmr的储能电站电池健康状态估计方法 | |
| CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
| CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
| CN116973761A (zh) | 基于粒子群算法下的动力电池剩余使用寿命预测方法 | |
| CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
| CN116774075A (zh) | 一种锂离子电池健康状态评估方法及系统 | |
| Wang et al. | An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm | |
| Kuang et al. | State-of-charge estimation hybrid method for lithium-ion batteries using BiGRU and AM co-modified Seq2Seq network and H-infinity filter | |
| CN116243194A (zh) | 一种混合工况条件下的电池健康状态在线预测方法 | |
| CN115436814B (zh) | 一种锂离子电池剩余寿命的概率预测方法 | |
| CN116679208A (zh) | 一种锂电池剩余寿命估算方法 | |
| CN116679214A (zh) | 一种融合数据驱动与退化模型的锂离子电池soh评估方法、系统、设备及介质 | |
| An | New energy vehicle lithium battery life prediction method based on improved deep learning | |
| CN116953529B (zh) | 一种基于数据融合的锂离子动力电池健康评估方法及系统 |
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 |