CN119044773B - 一种锂离子电池容量衰减估计方法、电子设备及存储介质 - Google Patents

一种锂离子电池容量衰减估计方法、电子设备及存储介质 Download PDF

Info

Publication number
CN119044773B
CN119044773B CN202411071591.1A CN202411071591A CN119044773B CN 119044773 B CN119044773 B CN 119044773B CN 202411071591 A CN202411071591 A CN 202411071591A CN 119044773 B CN119044773 B CN 119044773B
Authority
CN
China
Prior art keywords
ion battery
model
battery capacity
discharge
lithium ion
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
Application number
CN202411071591.1A
Other languages
English (en)
Other versions
CN119044773A (zh
Inventor
沈可猛
雷加智
刘钊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202411071591.1A priority Critical patent/CN119044773B/zh
Publication of CN119044773A publication Critical patent/CN119044773A/zh
Application granted granted Critical
Publication of CN119044773B publication Critical patent/CN119044773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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]
    • 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)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

一种锂离子电池容量衰减估计方法、电子设备及存储介质，属于锂离子电池容量衰减估计技术领域，解决如何提高锂离子电池容量衰减的估计精度的问题，本发明考虑温度、放电深度、循环次数等因素的不确定性对锂离子电池经验退化模型进行修正，构建锂离子电池容量衰减扰动模型，以数据驱动方法准确提取电池容量衰减的健康特征，建立基于卷积神经网络的数据驱动误差补偿模型，通过电池容量衰减扰动模型与数据驱动误差补偿模型的融合，以模型驱动的方式开展评估，以数据驱动的方式来抑制评估误差，对锂离子电池的容量衰减信息进行准确预测，对于同类型不同电池的容量衰减状况也具有良好的鲁棒性与适用性，为不同种类电池的评估提供了可靠的技术支持。

Description

一种锂离子电池容量衰减估计方法、电子设备及存储介质
技术领域
本发明属于锂离子电池容量衰减估计技术领域，涉及一种锂离子电池容量衰减估计方法、电子设备及存储介质。
背景技术
随着社会节能减排和可持续发展政策的推动，以锂离子电池为主要动力源的新能源电动汽车逐渐崭露头角。然而，随着动力锂离子电池需求量的不断增加，其容量衰减问题日益突出。受到使用环境和条件的影响，动力锂离子电池的可用容量会随着循环次数的增加急剧下降，进而影响电池的寿命和安全性。在使用过程中，锂离子电池的容量衰减是无法直接测量的，一旦锂离子电池的容量退化达到其使用寿命，可能会导致重大安全事故。因此，准确评估动力锂离子电池的容量衰减情况对于确保电动汽车的动力性能和安全性至关重要。
目前，国内许多研究机构已经在锂离子电池容量衰减方面展开了深入的研究。然而，由于锂离子电池固有的退化特性和实际工作环境的差异，即使对于相同类型的电池，退化过程也可能有很大不同。锂离子电池在实际运行过程中内部失效机理和工况(包括充放电电流、电压、环境温度等)变化的不确定性对退化过程的影响不可忽视。这使得准确的估计电池容量衰减变得更加困难。
现有技术中，申请公布日期为2023年6月23日、申请公布号为CN116298934A现有发明专利文献《一种用于锂离子电池健康状态估算的预测网络的建模方法》在搭建多变量时间序列预测网络并进行训练后，从特征提取的角度出发，以电池循环寿命测试中的充电部分作为切入点，对其电压曲线进行特征提取，以相同间隔的划分电压，并提取其所需的时间作为特征，并且提取其相应时间对应的电压曲线下的封闭面积作为特征，两种特征作为最终的特征，解决了传统方法只能依靠电压具体值的特征提取方法，尤其是传统方法提取特征较少所导致的精度不足﹑鲁棒性和适用性不强的问题；该专利文献的技术方案在循环测试中收集的电池充电数据是离散数据，因此不可能精确计算不同周期充电电压曲线的封闭面积，模型的预测性能受到了限制。
申请公布日期为2023年5月16日、申请公布号为CN116125307A的现有发明专利文献《一种锂离子电池容量衰减趋势预测方法及系统》基于CNN和LSTM创建正常衰减预测模型,并对所述正常衰减预测模型进行训练；基于DNN创建容量增生预测模型﹐并对所述容量增生预测模型进行训练；基于训练后的所述正常衰减预测模型以及容量增生预测模型生成容量衰减趋势预测模型；利用所述容量衰减趋势预测模型进行锂离子电池的容量衰减趋势预测。该专利文献的技术方案虽然不需要对电池退化机理的准确理解，但仍然需要大量的有效数据来训练模型，而在实际应用中，历史测试数据中往往含有多种谐波成分，不能直接用于构建模型。除此之外，数据处理与模型构建过程相互割裂，并且训练好的模型只对测试电池有效，不能适用于其他电池数据，普适性较差。
综上，现有技术存在很少考虑到锂离子电池在不同工作条件下的容量衰减特性迥异、预测精度与速度无法兼容和对于不同电池的算法适用性低的技术问题。
发明内容
本发明的技术方案用于解决如何提高锂离子电池容量衰减的估计精度的问题。
本发明是通过以下技术方案解决上述技术问题的：
一种锂离子电池容量衰减估计方法，包括以下步骤：
步骤1、根据离线测试收集的锂离子电池容量衰减数据，通过特征分析构建锂离子电池相对容量衰减与温度、充放电倍率、放电深度以及循环次数之间的衰减经验模型；
步骤2、考虑电池所处环境不同和仪器测量误差所造成的偏差，建立温度、放电倍率、放电深度与锂离子电池容量衰减之间的不确定关系，基于锂离子电池容量衰减经验模型构建锂离子电池容量衰减扰动模型；
步骤3、选取恒流充电至截止电压与工作电压的时间差、放电过程中的温度峰值以及放电至峰值温度的时间为健康特征，并进行相关性分析，构建基于卷积神经网络的数据驱动型误差补偿模型，将其与电池容量衰减扰动模型融合，对锂离子电池容量衰减进行评估。
进一步地，步骤1中所述的通过特征分析构建锂离子电池相对容量衰减程度与温度、充放电倍率、放电深度以及循环次数之间的衰减经验模型的方法具体如下：
1)定义锂离子电池的健康状态为锂离子电池的当前容量与锂离子电池标称容量的比值，计算公式为：其中，C为充放电循环次数，QC为循环次数C下的最大可用容量，Qintial为电池的初始容量；
2)定义锂离子电池的相对容量衰减程度为：Qloss＝1-SOH；
3)通过特征分析构建锂离子电池相对容量衰减程度与温度、充放电倍率、放电深度以及循环次数之间的衰减经验模型，具体如下：
Atotal＝Nc·DoD·ARated
4)建立指数前待定因子B与充放电倍率Crate的非线性关系：
5)采用离群点检测和牛顿插值法对电池的历史容量数据进行预处理，将电池的历史容量数据集合平均分为20段，每段数据满足正态分布，将数据集中每段数据中超过3倍标准差的数据视为离群点，并用牛顿插值法对每段锂离子电池容量历史数据离群点进行替换；所述牛顿插值法中的k阶差商定义为：
多项式定义为：
Nn(x)＝f(x0)+(x-x0)f(x0,x1)+…+(x-x0)(x-x1)(x-xn-1)f(x0,x1,...,xn)
其中，x0,x1,…,xk为插值点，f()为插值函数；
6)根据预处理的历史容量数据，用最小二乘法识别锂离子电池衰减经验模型中的未知参数，根据参数识别的结果，得到锂离子电池容量衰减经验模型的具体表达式如下：
其中，B为电池内部碰撞的频率和方向相关的指数前待定因子，k1和k2为拟合系数，T为温度，Crate为充放电倍率，DoD为放电深度，Nc为循环次数，z为幂律因子，Rg＝8.314J/(mol·K)，为气体常数，Atotal为电池的总放电容量，ARated为电池标称容量。
进一步地，步骤2中所述的建立温度、放电倍率、放电深度与锂离子电池容量衰减之间的不确定关系，基于锂离子电池容量衰减经验模型构建锂离子电池容量衰减扰动模型的方法具体如下：
1)采用正态分布对温度T测量误差进行建模，用方差反映传感器测量精度及其安装位置对温度T的测量误差的影响程度，即ΔT服从的正态分布，其中，ΔT为温度的测量误差，ε1代表温度的测量标准差。
2)采用正态分布对充放电倍率测量误差进行建模，用方差反映传感器测量精度及其安装位置对放电倍率的测量误差的影响程度，即ΔCrate服从的正态分布，其中ΔCrate为放电倍率的测量误差，ε2为放电倍率的测量标准差；
3)采用傅氏频谱分析对放电深度进行统计建模：以雨流计数法提取SoC-t曲线的极值点与两端边界点，将其分段为历程向量S，其中，S＝[S1,S2,…,Si]，采用傅里叶级数将历程向量Si转换成相应一系列正弦波的叠加，记录其幅值矩阵为Li,n，其中Li,n＝F[Si]＝[Li,1,Li,2,…,Li,n]，以各区段的幅值矩阵Li,n等效为电池SoC历程曲线的DoD值，得到等效放电深度其中
进一步地，步骤3中所述的选取恒流充电至截止电压与工作电压的时间差、放电过程中的温度峰值以及放电至峰值温度的时间为健康特征，并进行相关性分析的方法具体如下：
1)选取恒流充电至截止电压与工作电压的时间差为健康特征，计算公式为：Δtcc＝tupper-tnormal，其中，Δtcc为电池恒流充电至截止电压与工作电压的时间差，tupper和tnormal分别为充电至截止电压与工作电压的时间；
2)选取放电过程中的温度峰值以及放电至峰值温度的时间为健康特征，放电至峰值温度的时间的计算公式为：tPT＝[ti|T(ti)＝Tp]i＝1…n，其中，Tp表示峰值温度；n表示时间序列个数；
3)使用皮尔逊相关系数验证健康特征与电池容量衰减之间的相关性强弱，根据分析结果选取健康特征作为数据驱动型误差补偿模型的输入特征序列；
所述的皮尔逊相关系数ρp的计算公式如下：
其中，Xi是健康特征序列，Yi是电池剩余容量序列，和分别为Xi与Yi的平均值。
4)运用斯皮尔曼相关系数检验选定的健康特征与电池容量衰减之间的关联程度；
所述的斯皮尔曼相关系数ρs的计算公式如下：
其中，dλ为健康特征序列Xi与电池剩余容量序列Yi按照降序排列后的位置差，N是采样的序列数；斯皮尔曼相关系数根据因素之间趋势的相似性或不相似性来衡量因素之间的相关程度；输出范围为[-1,1]，0表示不相关，负值表示负相关，正值表示正相关；
5)将挑选出的健康特征填入一个规模为n×3的输入特征矩阵X，中。
进一步地，步骤3中所述的构建基于卷积神经网络的数据驱动型误差补偿模型，将其与电池容量衰减扰动模型融合，对锂离子电池容量衰减进行评估的方法具体如下：
1)使用一维卷积神经网络建立数据驱动型误差补偿模型，模型由三个卷积层、一个池化层和两个全连接层组成，输入数据通过卷积层利用不同权重的卷积核进行特征提取，一维卷积时间序列的特征提取计算公式为其中，为特征向量，σ为激活函数，Wi k是权重矩阵，*是卷积运算符号，Vk-1为输出向量，为偏置，k为层数，i为数据个数；
2)池化层通过遍历卷积层输出的特征矩阵，使用池化核筛选压缩数据元素并保留最为显著的信息，其计算公式为：其中，Vi k(m)为池化区域中第m层的第i个特征矩阵的元素，为池化后的特征矩阵的元素，Dw是第w个池化覆盖区域；
3)全连接层通过学习池化层输出的特征量与电池容量之间的关系，整合池化层的输出并将结果传递至输出层，得到电池容量衰减误差补偿值ΔQloss。
4)将提取的健康特征序列作为向量X，将相应的电池容量衰减度作为向量Y，将这两个向量分为训练集和验证集，通过训练集对数据驱动型误差补偿模型进行训练，随后利用验证集评估模型性能。
一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述锂离子电池容量衰减估计方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
一种存储介质，存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述锂离子电池容量衰减估计方法的步骤。
本发明的优点在于：
本发明考虑温度、放电深度、循环次数等因素的不确定性对锂离子电池经验退化模型进行修正，构建了锂离子电池容量衰减扰动模型；同时，以数据驱动方法准确提取电池容量衰减的健康特征，建立基于卷积神经网络的数据驱动误差补偿模型。通过电池容量衰减扰动模型与数据驱动误差补偿模型的融合，以模型驱动的方式开展在线评估，以数据驱动的方式来抑制在线评估误差，对锂离子电池的容量衰减信息进行准确预测。本发明的方法能够实现对锂离子电池容量衰减的高精度在线估测，并且对于同类型不同电池的容量衰减状况也具有良好的鲁棒性与适用性，为不同种类电池的在线评估提供了可靠的技术支持，解决了现有技术中锂离子电池在不同工作条件下的容量衰减特性迥异、预测精度与速度无法兼容以及对于不同电池的算法适用性低的问题。
附图说明
图1为本发实施例一的锂离子电池容量衰减估计方法的流程图；
图2本发明实施例一的在测量误差ε1＝0.5和ε2＝0.3下的容量衰减曲线；
图3本发明实施例一的不同循环次数下的充电电压曲线；
图4本发明实施例一的恒流放电阶段电池峰值温度变化曲线；
图5本发明实施例一的卷积神经网络架构图；
图6本发明实施例一的基于卷积神经网络的锂离子电池容量衰减误差补偿模型结构图；
图7(a)至图7(d)为本发明的方法与其他对比方法的比较实验结果图，其中，图7(a)为B5号电池的实验结果图，图7(b)为B6号电池的实验结果图，图7(c)为B7号电池的实验结果图，图7(d)为B18号电池的实验结果图；
图8(a)至图8(d)为本发明的方法与其他对比方法的相对误差分布图，其中，图8(a)为B5号电池的相对误差分布图，图8(b)为B6号电池的相对误差分布图，图8(c)为B7号电池的相对误差分布图，图8(d)为B18号电池的相对误差分布图；
图9本发明的方法与其他对比方法的评估指标对比图，其中，图9(a)为RMSE对比图，图9(b)为MAE对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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作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。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述：
实施例一
如图1所示，本发明实施例设计的一种锂离子电池容量衰减估计方法，包括以下步骤：
1、建立锂离子电池容量衰减经验模型
1.1、鉴于不同型号或不同单体的锂离子电池具有不同的标称容量，定义锂离子电池的SOH(State Of Health,健康状态)为锂离子电池的当前容量与锂离子电池标称容量的比值，计算公式为：其中，C为充放电循环次数，QC为循环次数C下的最大可用容量，Qintial为电池的初始容量。
1.2、定义锂离子电池的相对容量衰减程度为：Qloss＝1-SOH。
1.3、通过特征分析构建锂离子电池相对容量衰减Qloss与温度、充放电倍率、放电深度以及循环次数之间的衰减经验模型，具体如下：
Atotal＝Nc·DoD·ARated
其中，B为电池内部碰撞的频率和方向相关的指数前待定因子，k1和k2为拟合系数，T为温度，Crate为充放电倍率，DoD为放电深度，Nc为循环次数，z为幂律因子，Rg＝8.314J/(mol·K)，为气体常数，Atotal为电池的总放电容量，ARated为电池标称容量。
1.4、建立指数前待定因子B与充放电倍率Crate的非线性关系：
1.5、基于NASA PCoE的电池容量退化原始数据，采用离群点检测和牛顿插值法对电池的历史容量数据进行预处理。
1.6、将电池的历史容量数据集合平均分为20段，每段数据近似满足正态分布。
1.7、将数据集中每段数据中超过3倍标准差的数据视为离群点，并用牛顿插值法对每段锂离子电池容量历史数据离群点进行替换；
所述牛顿插值法中的k阶差商定义为：
多项式定义为：
Nn(x)＝f(x0)+(x-x0)f(x0,x1)+…+(x-x0)(x-x1)(x-xn-1)f(x0,x1,...,xn)
其中，x0,x1,…,xk为插值点，f()为插值函数。
1.8、根据预处理的历史容量数据，用最小二乘法识别锂离子电池衰减经验模型中的未知参数。
1.9、根据参数识别的结果，得到锂离子电池容量衰减经验模型的具体表达式如下：
2、构建锂离子电池容量衰减扰动模型
针对动力锂离子电池容量衰减经验退化模型在复杂实际情况下的适用性低和预测能力受限，通过引入不确定性建模方法，通过建立温度、放电倍率、放电深度与锂离子电池容量衰减之间的不确定关系，对影响锂离子电池容量衰减的多种应力因子进行了动态数学建模。在考虑温度、放电倍率、充放电深度等多因素综合作用下，精确描述了这些因素对锂离子电池容量衰减模型的影响，据此构建了锂离子电池容量衰减扰动模型，更加准确地描述电池容量衰减过程中的动态变化过程，为电池管理系统的优化提供更可靠的依据。
2.1、考虑锂离子电池放电过程中电池表面温度会发生变化以及传感器测量存在扰动，采用正态分布对温度T测量误差进行建模，用方差反映传感器测量精度及其安装位置对温度T的测量误差的影响程度，即ΔT服从的正态分布，其中，ΔT为温度的测量误差，ε1代表温度的测量标准差。
2.2、考虑放电倍率的测量扰动以及传感器测量值在长期观测过程中存在较大的漂移，采用正态分布对充放电倍率测量误差进行建模，用方差反映传感器测量精度及其安装位置对放电倍率的测量误差的影响程度，即ΔCrate服从的正态分布，其中ΔCrate为放电倍率的测量误差，ε2为放电倍率的测量标准差。
2.3、根据电池材料疲劳失效原理，采用傅氏频谱分析对放电深度进行统计建模；以雨流计数法提取SoC-t曲线的极值点与两端边界点，将其分段为历程向量S，其中，S＝[S1,S2,…,Si]，采用傅里叶级数将历程向量Si转换成相应一系列正弦波的叠加，记录其幅值矩阵为Li,n，其中Li,n＝F[Si]＝[Li,1,Li,2,…,Li,n]，以各区段的幅值矩阵Li,n等效为电池SoC历程曲线的DoD值，得到等效放电深度其中
如图2所示，考虑传感器测量与环境因素的对经验退化模型结果的影响，对模型的影响因子进行量化分析，动态补偿因局部容量再生以及传感器测量等所造成的误差，从而实现对经验退化模型的修正，提高基于模型方法的稳定性与准确性。
3、构建基于卷积神经网络的数据驱动型误差补偿模型
3.1、从每块电池的充放电历史数据中得到的特征曲线提取截止电压与工作电压时间差、温度峰值以及达到温度峰值所需的时间作为电池的健康特征。如图3所示，随着电池的逐渐老化，充电电压达到截止电压的时间出现了相应的时延变化，选取恒流充电至截止电压与工作电压的时间差为健康特征，计算公式为：Δtcc＝tupper-tnormal，其中，Δtcc为电池恒流充电至截止电压与工作电压的时间差，tupper和tnormal分别为充电至截止电压与工作电压的时间。如图4所示，随着循环次数增加，电池老化程度加剧，电池峰值温度不断上升，达到峰值温度的时间逐渐缩短，选取放电过程中的温度峰值以及放电至峰值温度的时间为健康特征，放电至峰值温度的时间的计算公式为：tPT＝[ti|T(ti)＝Tp]i＝1…n，其中，Tp表示峰值温度；n表示时间序列个数。
3.2、使用皮尔逊相关系数(Pearson Correlation Coefficient，PCC)验证所选特征与电池容量衰减之间的相关性强弱，根据分析结果选取特征作为数据驱动型误差补偿模型的输入特征序列；
所述的皮尔逊相关系数ρp的计算公式如下：
其中，Xi是健康特征序列，Yi是电池剩余容量序列，和分别为Xi与Yi的平均值。
3.3、运用斯皮尔曼相关系数(Spearman Correlation Coefficient，SCC)检验选定特征与电池容量衰减之间的关联程度；
所述的斯皮尔曼相关系数ρs的计算公式如下：
其中，dλ为健康特征序列Xi与电池剩余容量序列Yi按照降序排列后的位置差，N是采样的序列数；斯皮尔曼相关系数根据因素之间趋势的相似性或不相似性来衡量因素之间的相关程度；输出范围为[-1,1]，0表示不相关，负值表示负相关，正值表示正相关。
3.4、分析提取的健康特征的相关系数，确定健康特征
表1健康特征与电池容量的相关程度
Δtcc Tp tPT
斯皮尔曼相关系数 0.9255 0.8901 0.9995
皮尔逊相关系数 0.8628 0.9353 0.9998
由表1可知，所提取的健康特征的相关系数均高于0.85，表明其与电池容量具有很强的相关性，能够有效用于锂离子电池容量衰减在线估计。
3.5、将上述挑选出的健康特征填入一个规模为n×3的输入特征矩阵X中，具体操作，可参考方程式
3.6、如图5和图6所示，使用一维卷积神经网络建立锂离子电池容量衰减误差补偿模型，模型由三个卷积层、一个池化层和两个全连接层组成，输入数据通过卷积层利用不同权重的卷积核进行特征提取，评估数据中不同位置与相应特征的匹配情况。一维卷积时间序列的特征提取计算公式为其中，为特征向量，σ为激活函数，Wi k是权重矩阵，*是卷积运算符号，Vk-1为输出向量，为偏置，k为层数，i为数据个数。
3.7、池化层通过遍历卷积层输出的特征矩阵，使用池化核筛选压缩数据元素并保留最为显著的信息，其计算公式为：其中，Vi k(m)为池化区域中第m层的第i个特征矩阵的元素，为池化后的特征矩阵的元素，Dw是第w个池化覆盖区域。
3.8、全连接层通过学习池化层输出的特征量与电池容量之间的关系，整合池化层的输出并将结果传递至输出层，得到电池容量衰减误差补偿值ΔQloss。
3.9、将提取的健康特征序列作为向量X，将相应的电池容量衰减度作为向量Y，将这两个向量分为训练集和验证集，通过训练集对数据驱动型误差补偿模型进行训练，随后利用验证集评估模型性能。
通过深入分析电池充放电历史数据中的内在规律，提取了截止电压与工作电压时间差、温度峰值及达到温度峰值的时间三个关键健康特征，并采用了皮尔逊相关系数和斯皮尔曼相关系数验证特征其与电池容量衰减的关联性，据此构建了基于卷积神经网络的数据驱动型误差补偿模型，为实现电池容量衰减的高精度在线评估提供了有力支撑。在基于模型与数据驱动的融合框架下，结合了容量衰减扰动模型和数据驱动型误差补偿模型的优点，将其融合形成了一个闭环系统，有效地提高对锂离子电池容量衰减的预测精度和系统稳定性，实现了锂离子电池容量衰减的在线估计的技术应用。
4、实验验证
采用NASA PCoE的18650型号锂离子电池老化实验数据集对本发明的方法进行实验数值验证，分析其在不同电池上的评估结果。
选择电池编号为B5、B6、B7和B18的数据集作为原始数据，分别从中选取B5、B6和B7电池组前100次循环以及B18电池组前70次循环的数据作为训练集，其余数据作为测试集，用于训练数据驱动型误差补偿模型。
通过电池热梯度实验数据和电流测量仪器误差数据确定误差建模分布情况，结合样本数据测试过程中提供的误差范围，确定电池容量衰减扰动模型的模型参数。
以平均绝对误差(MAE)，平均绝对百分比误差(MAPE)和均方根误差(RMSE)为评价性能指标。
其中，N为预测样本总数；和yi分别为电池容量衰减率估计值与实际值。
在B5、B6、B7和B18的数据集上进行验证，并与经验退化模型(EM)、容量扰动模型(EMR)以及基于经验退化模型与卷积神经网络的融合模型(EM+CNN)进行对比分析，对本发明的方法(EMR+CNN)进行实验验证。
为验证本发明的方法的准确性和稳定性，本发明的方法与对比方法在B5、B6、B7和B18的数据集的预测曲线如图7(a)至图7(d)所示。以图7(a)所示的B5数据集为例，可以看出尽管四种模型输出的估计结果整体上与电池容量真实值的衰退趋势大体相似，但模型误差效果、稳定性情况差异较大。相比于EDM、EMR、EM+CNN，EMR+CNN估计值无论是整体还是局部细节都很好地刻画了真实容量的变化趋势，具有更小的预测误差和更稳定的波动范围。这是因为EMR+CNN考虑到仪器测量偏差、复杂模型简化误差和模型参数漂移等原因，能够对预测结果进行动态补偿，从而有效提升了电池容量衰减的估计精度。
本发明的方法与对比方法在B5、B6、B7和B18的数据集的相对误差分布如图8(a)至图8(d)所示。以图8(a)所示的B5数据集为例，可以看出，本发明的方法在预测周期的相对误差大多在4％浮动，在预测后期，相对误差会小幅度上升，但最大值仅为6.4515％。相较于EM、EMR等单一模型的误差分布曲线，数据驱动模型能够通过分析历史数据的内在规律，动态修正模型驱动的估计值，因此基于模型与数据驱动的融合模型误差曲线在一定范围内呈现平稳趋势。进一步分析可知，EM+CNN的相对误差虽然短时间序列上也能呈现相对稳定的波动，但是在预测后期相对误差大幅度上升，波动趋势较为剧烈，误差峰值可达16.8673％，远远高于EMR+CNN，几乎无法起到补偿效果。EMR+CNN曲线则波动较为稳定，全周期预测的MAPE为1.9532％，相较于EM、EMR、EM+CNN模型分别下降了62.723％、57.803％和35.904％，进一步说明其优越的鲁棒性和准确性。
为进一步评估各模型的预测性能，采用RMSE、MAE对预测结果进行对比分析，评估指标对比结果如图9(a)至图9(b)所示，从图中所述评价指标对应的误差值中可以看出，相较于单一模型的估计容易受到电池单体不一致的影响，估计表现不稳定，本发明的方法在所有数据集上都有着相较于对比方法更低的误差值，MAE值最大不超过0.82939；RMSE最大不超过1.0376，模型估计的准确度很高。综合来说，本发明提出的基于模型和数据驱动融合的锂离子电池容量衰减在线估计方法及系统考虑了电池容量衰退过程中多因素耦合的复杂性，能很好地描述实际运行条件对容量衰减过程的影响，其预测效果接近电池的实际退化水平，从根本上提高了电池容量衰减的估算精度。
实施例二
一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行实施例一中的锂离子电池容量衰减估计方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
实施例三
一种存储介质，存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行实施例一中的锂离子电池容量衰减估计方法的步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种锂离子电池容量衰减估计方法，其特征在于，包括以下步骤：
步骤1、根据离线测试收集的锂离子电池容量衰减数据，通过特征分析构建锂离子电池相对容量衰减与温度、充放电倍率、放电深度以及循环次数之间的衰减经验模型；
所述衰减经验模型具体如下：
其中，B为电池内部碰撞的频率和方向相关的指数前待定因子，C rate表示充放电倍率，k 1和k 2为拟合系数，Rg为气体常数，A total为电池的总放电容量，A Rated为电池标称容量，D oD为放电深度，N c为循环次数，z为幂律因子，T为温度；
步骤2、考虑电池所处环境不同和仪器测量误差所造成的偏差，建立温度、放电倍率、放电深度与锂离子电池容量衰减之间的不确定关系，基于锂离子电池容量衰减经验模型构建锂离子电池容量衰减扰动模型，具体方法如下：
1）采用正态分布对温度T测量误差进行建模，用方差反映传感器测量精度及其安装位置对温度T的测量误差的影响程度，即服从的正态分布，其中，ΔT为温度的测量误差，代表温度的测量标准差；
2）采用正态分布对充放电倍率测量误差进行建模，用方差反映传感器测量精度及其安装位置对放电倍率的测量误差的影响程度，即服从的正态分布，其中ΔC rate为放电倍率的测量误差，ε 2为放电倍率的测量标准差；
3）采用傅氏频谱分析对放电深度进行统计建模：以雨流计数法提取SoC-t曲线的极值点与两端边界点，将其分段为历程向量S，其中，，采用傅里叶级数将历程向量S i转换成相应一系列正弦波的叠加，记录其幅值矩阵为L i,n，其中，以各区段的幅值矩阵L i,n等效为电池SoC历程曲线的D oD值，得到等效放电深度，其中；
步骤3、选取恒流充电至截止电压与工作电压的时间差、放电过程中的温度峰值以及放电至峰值温度的时间为健康特征，并进行相关性分析，构建基于卷积神经网络的数据驱动型误差补偿模型，将其与电池容量衰减扰动模型融合形成一个闭环系统，对锂离子电池容量衰减进行评估；
所述构建基于卷积神经网络的数据驱动型误差补偿模型的方法具体如下：
1）使用一维卷积神经网络建立数据驱动型误差补偿模型，模型由三个卷积层、一个池化层和两个全连接层组成，输入数据通过卷积层利用不同权重的卷积核进行特征提取，一维卷积时间序列的特征提取计算公式为；其中，为特征向量，σ为激活函数，是权重矩阵，*是卷积运算符号，为输出向量，为偏置，k为层数，i为数据个数；
2）池化层通过遍历卷积层输出的特征矩阵，使用池化核筛选压缩数据元素并保留最为显著的信息，其计算公式为：；其中，为池化区域中第m层的第i个特征矩阵的元素，为池化后的特征矩阵的元素，D w是第w个池化覆盖区域；
3）全连接层通过学习池化层输出的特征量与电池容量之间的关系，整合池化层的输出并将结果传递至输出层，得到电池容量衰减误差补偿值。
2.根据权利要求1所述的锂离子电池容量衰减估计方法，其特征在于，步骤3中所述的选取恒流充电至截止电压与工作电压的时间差、放电过程中的温度峰值以及放电至峰值温度的时间为健康特征，并进行相关性分析的方法具体如下：
1）选取恒流充电至截止电压与工作电压的时间差为健康特征，计算公式为：，其中，Δt cc为电池恒流充电至截止电压与工作电压的时间差，t upper和t normal分别为充电至截止电压与工作电压的时间；
2）选取放电过程中的温度峰值以及放电至峰值温度的时间为健康特征，放电至峰值温度的时间的计算公式为：，其中，T p表示峰值温度；n表示时间序列个数；
3）使用皮尔逊相关系数验证健康特征与电池容量衰减之间的相关性强弱，根据分析结果选取健康特征作为数据驱动型误差补偿模型的输入特征序列；
4）运用斯皮尔曼相关系数检验选定的健康特征与电池容量衰减之间的关联程度；
5）将挑选出的健康特征填入一个规模为的输入特征矩阵X， 中。
3.根据权利要求2所述的锂离子电池容量衰减估计方法，其特征在于，步骤3中所述的所述的皮尔逊相关系数的计算公式如下：
其中，X i是健康特征序列，Y i是电池剩余容量序列，和分别为X i与Y i的平均值。
4.根据权利要求2所述的锂离子电池容量衰减估计方法，其特征在于，步骤3中所述的所述的斯皮尔曼相关系数的计算公式如下：
其中，d λ为健康特征序列X i与电池剩余容量序列Y i按照降序排列后的位置差，N是采样的序列数；斯皮尔曼相关系数根据因素之间趋势的相似性或不相似性来衡量因素之间的相关程度；输出范围为[-1,1]，0表示不相关，负值表示负相关，正值表示正相关。
5.根据权利要求1所述的锂离子电池容量衰减估计方法，其特征在于，步骤3中所述的对锂离子电池容量衰减进行评估的方法如下：
将提取的健康特征序列作为向量X，将相应的电池容量衰减度作为向量Y，将这两个向量分为训练集和验证集，通过训练集对数据驱动型误差补偿模型进行训练，随后利用验证集评估模型性能。
6.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1至5任一项所述锂离子电池容量衰减估计方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
7.一种存储介质，存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至5任一项所述锂离子电池容量衰减估计方法的步骤。
CN202411071591.1A 2024-08-06 2024-08-06 一种锂离子电池容量衰减估计方法、电子设备及存储介质 Active CN119044773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411071591.1A CN119044773B (zh) 2024-08-06 2024-08-06 一种锂离子电池容量衰减估计方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411071591.1A CN119044773B (zh) 2024-08-06 2024-08-06 一种锂离子电池容量衰减估计方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN119044773A CN119044773A (zh) 2024-11-29
CN119044773B true CN119044773B (zh) 2025-05-02

Family

ID=93569747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411071591.1A Active CN119044773B (zh) 2024-08-06 2024-08-06 一种锂离子电池容量衰减估计方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN119044773B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119881659A (zh) * 2025-01-21 2025-04-25 昆明理工大学 一种基于反应动力学理论的锂离子电池容量衰减分析方法
CN119962264B (zh) * 2025-04-10 2025-07-22 厦门渊亭信息科技有限公司 一种无人机装备试验鉴定方法
CN120454149A (zh) * 2025-07-11 2025-08-08 内蒙古中电储能技术有限公司 一种储能系统的智能电力调度方法
CN120507667B (zh) * 2025-07-22 2025-09-30 南京华群能源集团有限公司 一种电池容量衰减预测方法、装置、设备及介质
CN121114825B (zh) * 2025-09-24 2026-04-07 英大泰和财产保险股份有限公司 基于多源数据融合分析的锂电池容量衰减分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112986831A (zh) * 2021-04-30 2021-06-18 上海海事大学 一种基于相关系数粒子滤波的锂离子电池寿命预测方法
CN116679214A (zh) * 2023-06-05 2023-09-01 西安电子科技大学 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
CN118011219A (zh) * 2024-03-14 2024-05-10 常州大学 基于imm融合算法的锂电池soh估计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10257793A1 (de) * 2002-12-11 2004-07-22 Daimlerchrysler Ag Modellbasierter Lebensdauerbeobachter
CN107294120B (zh) * 2017-08-25 2020-05-08 广东电网有限责任公司电力科学研究院 一种主动配电网混合储能容量优化配置方法及装置
WO2020253950A1 (en) * 2019-06-18 2020-12-24 Framatome Gmbh Monitoring method, predicting method, monitoring system and computer program
DE102021002742A1 (de) * 2020-12-17 2022-06-23 Hans-Peter Beck Verfahren zur Prognose des Innenwiderstands- und Kapazitätsverlaufs von elektrochemischen Systemen, wie Batterien, zur Optimierung von deren Nutzung
CN118432138A (zh) * 2024-04-26 2024-08-02 湖北省复变时空能源科技有限公司 考虑全寿命周期成本的混合储能系统双层优化配置方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112986831A (zh) * 2021-04-30 2021-06-18 上海海事大学 一种基于相关系数粒子滤波的锂离子电池寿命预测方法
CN116679214A (zh) * 2023-06-05 2023-09-01 西安电子科技大学 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
CN118011219A (zh) * 2024-03-14 2024-05-10 常州大学 基于imm融合算法的锂电池soh估计方法

Also Published As

Publication number Publication date
CN119044773A (zh) 2024-11-29

Similar Documents

Publication Publication Date Title
CN119044773B (zh) 一种锂离子电池容量衰减估计方法、电子设备及存储介质
KR102633335B1 (ko) 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법
Tian et al. State of charge estimation of lithium-ion batteries using an optimal adaptive gain nonlinear observer
Meng et al. Low-complexity online estimation for LiFePO4 battery state of charge in electric vehicles
EP4603850A1 (en) Method and apparatus for estimating soc of battery, and device, battery module and storage medium
Qiang et al. A data-fusion-model method for state of health estimation of Li-ion battery packs based on partial charging curve
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN117129898A (zh) 基于阻抗谱数据和r-gpr的健康状态估计方法和系统
CN114729967A (zh) 用于估计储能器的状态的方法
CN117269805A (zh) 车载锂电池组健康状态评估模型训练、预测方法及装置
CN119780720B (zh) 基于物理知识的锂电池无监督健康评估与剩余寿命预测方法
CN119619869B (zh) 扫地车动力电池状态估算方法、装置及设备
Liu et al. A novel extended Kalman filter-guided long short-term memory algorithm for power lithium-ion battery state of charge estimation at multiple temperatures
US20230324463A1 (en) Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods
CN120722208B (zh) 一种电池健康状态估算的方法、存储介质及电子设备
CN117825970A (zh) 电池退化分析方法、装置、设备及存储介质
Lai et al. A novel modeling methodology for hysteresis characteristic and state-of-charge estimation of LiFePO4 batteries
Dai et al. State-of-health estimation of lithium-ion batteries using multiple correlation analysis-based feature screening and optimizing echo state networks with the weighted mean of vectors
Gu et al. Physics-based battery SOC estimation: A joint Data-driven and window-varying adaptive extended Kalman filter approach
US20240077538A1 (en) Method and Device for Initially Preparing an Aging State Model for Energy Storage Means Based on Active Learning Algorithms and Time-Discounted Information Evaluation
CN117708767A (zh) 基于交互测度算法优化helm模型全钒液流电池健康状态方法
US20230160972A1 (en) Computer-Assisted Method for Determining a Loss Of Capacity of a Battery Store, Computer Program Product and Battery Store
Wang et al. Research on the joint estimation method of charge state and health state of power lithium battery
CN120820860A (zh) 一种户储系统健康状态评估方法、设备及介质
Huo et al. A hybrid data-driven method based on data preprocessing to predict the remaining useful life of lithium-ion batteries

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