一种锂电池SOH状态的预估方法和装置

一种锂电池soh状态的预估方法和装置
技术领域
1.本发明涉及电池技术领域，具体而言，涉及一种锂电池soh状态的预估方法和装置。


背景技术：

2.锂离子电池是目前最广泛使用的储能设备之一，随着其不断的充放电循环使用,电池容量会不断的减小,电池不断的老化,这个判断电池老化的指标就是soh(state of health，电池健康状态)。监测电池soh状态可以及时知道电池老化状态以便于及时对电池组进行维护和更换电池。在实际应用中，soh难以通过传感器直接测量，需要特征参数来表征，而锂离子电池的容量被广泛认为是表征soh的指标。目前，现有技术使用的soh估计方法主要有三种:直接测量法、基于模型的方法和数据驱动的方法。直接测量方法主要包括安培小时积分法和库仑计数法，通过离线直接测量电池容量、内阻等老化特性，公式计算得出估计的soh值。这种测量方法的应用场景非常有限，无法在电池实际应用场景中在线测量，只能在实验室环境中使用复杂的设备离线测量。基于模型的方法综合考虑电池材料特性、内部化学机理和负荷条件，构建电池老化模型进行soh估算，主要包括电化学模型、等效电路模型和经验退化模型。但是，基于模型的方法比较复杂，容易受到外部动态因素的干扰，以至于精度不高，鲁棒性不强。基于数据驱动方法不需要考虑电化学反应、复杂的外部因素和复杂的模型，只需要从电池循环数据中挖掘电池降解规律，找到能够映射soh的健康因子，建立非线性映射关系，实现soh的精确估计。目前数据驱动的主要方法有：1)bp(back propagation neural network)神经网络估计soh；2)基于蚁狮优化算法的支持向量回归(alo-svr)的soh估计方法。
3.基于蚁狮优化算法的支持向量回归(alo-svr)的soh估计方法,虽然克服了直接测量法、基于模型的方法当中精度、鲁棒性的问题，但是由于其在迭代过程中易陷入局部最优解的问题，导致估算结果误差大，应用范围有一定的局限，算法的收敛精度也不够高。


技术实现要素：

4.本发明的目的在于解决目前alo-svr的估算结果误差大，对迭代次数要求高，应用范围局限的技术问题。
5.第一方面，为实现上述目的，本技术提供了一种锂电池soh状态的预估方法，包括以下步骤：
6.锂电池数据采集，提取健康因子构建特征向量，生成训练样本和测试样本，其中健康因子为电池容量衰退趋势相关的元素；健康因子包括：等压升时间、平均放电电压和等压降时间；训练样本和测试样本的占比分别为60％和40％。
7.确定锂电池soh状态的预估算法，定义算法参数和输出参数组；确定预估算法为蚁狮优化算法；
8.改进预估算法，输出最优输出参数组，改进内容具体指：通过调整精英蚁狮和普通
蚁狮的随机游走对应权重值，控制不同迭代阶段搜索平衡，输出最优输出参数组，对应不同迭代阶段搜索平衡为：迭代前期、中期以全局搜索为主，迭代后期以局部搜索为主；
9.结合所述最优输出参数组，通过支持向量回归模型对所述测试样本集进行预测，输出所述soh预估值。
10.其中，定义算法参数包括：
11.蚂蚁和蚁狮的种群数量设为agents_no＝30，
12.适应度函数的维数设为dim＝2，
13.最大迭代次数设为max_iter＝100,
14.输出参数组为代表和蚂蚁和蚁狮的位置的空间向量(c，σ)，所述c和σ的上限设为100，下限设为0.01。
15.其中，通过精英蚁狮和普通蚁狮的随机游走对应权重值控制不同迭代阶段搜索平衡指：根据迭代次数非线性动态调整普通蚁狮惯性权重γ，计算方法为：
[0016][0017]
其中，γ
max
为惯性权重最大值，γ
min
为惯性权重最小值。
[0018]
进一步的，输出最优输出参数组前还包括计算适应度值，对蚂蚁和蚁狮的适度值排序，最大值设为精英蚁狮，对应参数为最优输出参数组，其中，适应度值的计算方法为均方误差(mse)实际值和预测值之间的适应度函数，其表达式为：
[0019]
其中为第i个预测值，yi为第i个实际值，n是训练集数量。
[0020]
进一步的，通过支持向量回归模型对测试样本集进行预测包括预测结果分析，包括使用绝对误差和均方根误差作为评价标准，计算方式如下：
[0021][0022]
其中：mae为平均绝对误差，rmse为均方根误差，和yi分别是第i个soh的预测值和实际值，n为样本数。
[0023]
本技术还提供了一种锂电池soh状态的预估装置，包括：
[0024]
数据处理模块：用于锂电池数据采集，提取健康因子构建特征向量，生成训练样本和测试样本；数据处理模块采集的健康因子包括：等压升时间、平均放电电压和等压降时间；数据处理模块控制所述样本和测试样本的占比分别为60％和40％。
[0025]
算法控制模块：用于确定锂电池soh状态的预估算法，定义算法参数和输出参数组；定义算法参数包括定义蚂蚁和蚁狮的种群数量、适应度函数的维数、最大迭代次数；输出参数组包括空间向量(c，σ)，c和σ的上限设为100，下限设为0.01；
[0026]
算法优化模块：用于改进预估算法，输出最优输出参数组，改进内容包括调整精英蚁狮和普通蚁狮的随机游走对应权重值；
[0027]
模型训练和数据输出模块：用于通过支持向量回归模型对所述测试样本集进行预测，输出所述soh预估值。
[0028]
进一步的，算法优化模块定义的调整精英蚁狮和普通蚁狮的随机游走对应权重值的计算方法为：
[0029]
其中，γ
max
为惯性权重最大值，γ
min
为惯性权重最小值。
[0030]
进一步的，算法控制模块包括适应度值控制单元，用于为输出最优输出参数组计算适应度值，对蚂蚁和蚁狮的适度值排序，将最大值设为精英蚁狮，对应参数为最优输出参数组，其中，适应度值的计算方法支持均方误差(mse)实际值和预测值之间的适应度函数，其表达式为：
[0031]
其中为第i个预测值，yi为第i个实际值，n是训练集数量。
[0032]
根据本发明，用优化后的蚁狮算法优化支持向量回归(ialo-svr)，支持更少的迭代次数输出最优的参数组，以更少的代价，提高模型训练的泛化能力和拟合能力，以实现精确、实时地对锂离子电池soh进行估计，提高准确度和收敛精度。
附图说明
[0033]
图1是根据本发明实施例提供的锂电池soh状态的预估方法步骤图；
[0034]
图2是根据本发明实施例提供的锂电池soh状态的预估方法逻辑流程图；
[0035]
图3是根据本发明实施例提供的锂电池soh状态的预估方法中普通蚁狮惯性权重调整过程示意图；
[0036]
图4是根据本发明实施例提供的锂电池soh状态的预估方法中b05电池实际soh与三个健康因子的变化曲线示意图；
[0037]
图5是根据本发明实施例提供的锂电池soh状态的预估方法中采用不同方法的soh估计结果比较图；
[0038]
图6是根据本发明实施例提供的锂电池soh状态的预估方法中采用不同方法的soh估计误差比较图；
[0039]
图7是根据本发明实施例提供的锂电池soh状态的预估方法中采用不同方法的soh估计平均绝对值误差(mae)和均方根误差(rmse)比较图；
[0040]
图8是根据本发明实施例提供的锂电池soh状态的预估装置结构图。
具体实施方式
[0041]
本技术的技术基础是对向量回归的数学模型的应用：从锂电池采集数据进行模型训练(svr)，再通过相关性分析输出锂电池soh状态的预测。在模型训练的过程中需要对其模型的不断优化，目前成熟的做法是构建蚁狮优化(alo)的算法，通过该算法输出参数组为向量回归的训练模型提供最优参数。在alo算法中，普通蚁狮主要影响算法的全局搜索能力，精英蚁狮主要影响算法的局部寻优能力，更新蚂蚁位置时两者的权重均为0.5。这种算法控制的寻优精度还不能达到需求。
[0042]
因此，本技术对alo算法进行优化，其主要思想是在不同时期对全局搜索能力和局部寻优能力进行调整：在迭代的前中期注重全局搜索能力，以增加种群的多样性，避免陷入
局部最优，而迭代的后期进行更强的局部搜索，以提高收敛速度,最终实现用较少的迭代次数输出最优的参数。通过优化后的蚁狮算法优化支持向量回归(ialo-svr)，对锂电池soh状态进行预估。
[0043]
下面结合说明书附图对本发明的具体实现方式做详细描述。
[0044]
图1为本技术实施例提供的锂电池soh状态的预估方法步骤图，与之结合，图2为具体的逻辑流程图，如图所示，包括以下步骤：
[0045]
步骤s100：锂电池数据采集，提取健康因子构建特征向量，生成训练样本和测试样本；
[0046]
本步骤在图2中如步骤s210，为样本处理阶段。
[0047]
首先，在锂电池数据采集方面，可以通过电压、电流、内阻等充放电数据，提取出跟锂电池容量衰退趋势相关的健康因子作为样本。本技术提出的方案，采集的数据可以为：等压升时间、平均放电电压和等压降时间，这三种数据都可以很好地反映soh地衰退，如图4所示：
[0048]
hf1:等电压升时间，等电压上升时间与实际soh的关系如图4的p410部分所示，随着循环次数的增加，两者的下降趋势大致相同。
[0049]
hf2:平均放电电压，图4的p420部分显示了平均放电电压和实际soh的变化趋势。实际soh与平均放电电压在80％以上的循环次数存在较强的相关性，因此平均放电电压可以作为soh估计的健康因子。
[0050]
hf3:等压降时间，以恒定电流将4.2v的电压放电到截止电压，所花费的时间与实际soh的对比如图4的p430部分所示，这两者具有极其相似的下降趋势。
[0051]
因此，在实际应用中，可以根据实际情况选择其中之一作为数据样本。
[0052]
在图2所示步骤s212中，对样本集进行分类，对于采集的数据，前60％的样子作为训练样本集，后40％用作为测试样本集。
[0053]
步骤s110：确定锂电池soh状态的预估算法，定义算法参数和输出参数组；本步骤在图2中见步骤s220。
[0054]
首先在本步骤中还确定算法参数和输出参数组：
[0055]
本技术中采用的算法为蚁狮优化算法，算法参数的定义包括将蚂蚁和蚁狮的种群数量设为agents_no＝30，适应度函数的维数设为dim＝2，最大迭代次数设为max_iter＝100，c和σ的上下限分别设为100和0.01；
[0056]
输出参数组是一组空间向量(c，σ)，每组参数是每只蚂蚁和蚁狮的位置的体现，该参数最终输出至训练模型。
[0057]
本步骤的算法过程需要带入样本集的数据，算法构建具体如下：
[0058]
1)首先，如图2的s221所示，将蚁狮和蚂蚁的位置x
n，d
随机初始化，初始化方法见公式(1)，x
n，d
每个位置代表问题的一个解。最终该数据会根据适应度函数计算对应的适应度值，选取适应度值最好的作为精英蚁狮，记为re：
[0059]
x
n，d
＝ld+ramd(u
d-ld)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0060]
其中n是蚁狮和蚂蚁的数量，d是变量的数量，n为小于等于1的自然数，d为小于等于d的自然数，ld是第d个变量的下限，ud是第d个变量的上限。
[0061]
2)接下来，alo算法通过一个随机函数来模拟蚂蚁的游走过程，其随机游荡步长集
合可以表示为：
[0062]
x(t)＝{0，cumsum[2r(t1)-1]，...，cumsum[2r(tk)-1]}
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0063]
其中cumsum用于计算累计和，tk代表第k次迭代，k为最大迭代次数；r(t)作为随机函数，定义为：
[0064][0065]
其中rand是0到1之间的随机数。
[0066]
第i个变量在第t次迭代便准化后的位置可以表示为：
[0067][0068]
其中ai和di表示第i个变量随机游走的最小值和最大值，和第i个变量在第t次迭代时随机游走的最小值和最大值。
[0069]
3)设和定义的超球面为蚂蚁随机游走的搜索空间，随机游走空间会不断缩小，以加快捕获过程，此过程定义为：
[0070][0071][0072][0073][0074]
其中c
t
和d
t
是所有变量在第t次迭代时的最小值和最大值，是第i个蚁狮在第t次迭代时的位置，t和t分别是当前迭代次数和最大迭代次数。
[0075]
4)如图2步骤s222所示，每次迭代中适应度值最好的蚁狮被保存为精英蚁狮，然后通过轮盘赌随机选择一只普通蚁狮。每只蚂蚁在普通蚁狮和精英蚁狮周围随机游动，其位置更新可以表示为：
[0076][0077]
为第i个蚂蚁在第t次迭代时的位置，为轮盘赌选择的普通蚁狮在第t次迭代时的位置，为轮盘赌选择的精英蚁狮在第t次迭代时的位置，随机游走位置由式(2)到式(4)更新，通过这种方式，获取蚁狮和精英蚁狮的位置。
[0078]
获取位置后，需要判断最优参数，即设置适应度函数：设置均方误差(mse)实际值
和预测值之间的适应度函数，其表达式为：
[0079][0080]
其中是第i个预测值，yi是第i个实际值，n是训练集数量。
[0081]
如图2的s223所示，根据式(20)计算适应度值，对蚂蚁和蚁狮的适应度值进行排序，值最大的成为精英蚁狮，对应的参数作为最优参数。
[0082]
5)如果蚂蚁的适应度值高于捕食它的蚁狮，那么蚁狮的位置就会更新为被捕食蚂蚁的位置，陷阱就会在被捕食蚂蚁的位置重建，新的陷阱将有更高的机会抓住蚂蚁，其规则表示如下：
[0083][0084]
以上步骤构建了传统的alo算法，其中，普通蚁狮主要影响算法的全局搜索能力，精英蚁狮主要影响算法的局部寻优能力，alo算法过程中，蚂蚁位置时两者的权重均为0.5。
[0085]
步骤s120：改进蚁狮算法，输出最优输出参数组，本技术中的改进方案为：通过调整精英蚁狮和普通蚁狮的随机游走对应权重值，控制不同迭代阶段搜索平衡，输出最优输出参数组。其中搜索平衡的控制方式为：在迭代前期、中期以全局搜索为主，迭代后期以局部搜索为主；
[0086]
为实现这一控制方法，本技术采用迭代次数非线性动态调整普通蚁狮惯性权重γ的方法，计算公式为：
[0087][0088]
其中γ
max
＝0.9和γ
min
＝0.1，分别为惯性权重的最大值和最小值，那么结合公式(9)、公式(10)，改进后的蚁狮位置可以表达为：
[0089][0090]
图3显示了普通蚁狮惯性权重γ随迭代的变化趋势。利用普通蚁狮惯性权重γ的非线性动态调整，ialo在迭代初期和中期具有较强的全局搜索能力，避免陷入局部最优。然后在后期增强局部搜索能力，保证算法能够找到局部最优解。
[0091]
实现过程如图2的步骤s224所示，迭代过程中调整普通蚁狮惯性权重γ后更新蚁狮位置，构建改进后的蚁狮优化算法(ialo)，最终输出最优参数组(c，σ)。
[0092]
在以上步骤中，对锂电池soh状态的预估方法中涉及的算法进行构建和优化。接下来是在模型训练中的应用：
[0093]
步骤s130：通过支持向量回归模型对所述测试样本集进行预测，输出所述soh预估值。
[0094]
支持向量回归(support vector regression，svr)是支持向量机在回归领域的一种扩展，由于其泛化能力好、收敛速度快，常用于解决非线性、小样本问题。由于电池健康实验周期较长，样本量较小，svr非常适合用于soh预测。同时，通过iaso获取最优参数组，c和σ在svr模型的训练中控制泛化能力和拟合能力，即控制预测的准确度和验证的准确度。
[0095]
对训练模型的定义如下：
[0096]
给定一个样本集其中xi是第i个输入特征向
量，yi是对应的输出值，n为样本集个数总量。支持向量回归的表达式为：
[0097]
f(x)＝ωφ(x)+b
ꢀꢀ
(13)
[0098]
其中f(x)是输出值，x,ω,b分别是输入值、权重和截距。
[0099]
通过引入松弛变量和可得：
[0100][0101][0102]
其中，c是影响svr模型泛化能力的惩罚因子，ε是回归的最大允许误差，通过引入拉格朗日算子可得：
[0103][0104][0105]
其中i＝1,2,
…
,n，和αi是拉格朗日算子，通过引入核函数，svr方程转换为：
[0106][0107]
其中k(xi，xj)＝φ(xi)φ(xj)是核函数，xi和xj分别是训练样本集和测试样本集中的输入向量。选择径向基(rbf)函数作为核函数，其定义为：
[0108][0109]
其中σ是rbf核函数的带宽，影响svr模型的拟合能力。
[0110]
由于c和σ是为ialo中计算生成的最优参数，在svr模型中对预测的误差和验证的准确进行较好的控制。
[0111]
为了验证本技术方案的性能，可以采用平均绝对误差(mae)或者均方根误差(rmse)的方式进行评价。它们都可以通过以下方式计算：
[0112]
平均绝对误差算法为：
[0113][0114]
均方根误差算法为：
[0115][0116]
其中和yi分别是第i个soh的预测值和实际值，n是样本数。
[0117]
运行算法直到迭代结束，用对应的精英蚁狮输出参数(c，σ)，然后用所输出的参数
估计电池soh。
[0118]
本技术还提供了(back-propagation神经网络)bp、alo-svr和ialo-svr三种方法对三组电池soh进行比校，对应三块锂电池，标号分别为b05、b06和b07。
[0119]
图5为不同方法的soh估计结果，其中p510、p520、p530分别为b05、b06和b07的估计结果，当前60％的样本被作为训练集时，从图中可以看出，ialo-svr估计的soh是最准确的，而其他两种方法的拟合度不够高，尤其是bp。ialo-svr对b05、b06和b07的soh估计得更准确，而对于bp，在遇到数据波动时，估计能力严重下降，导致最终估计的soh偏差较大。alo-svr在早期有较好的估计精度，但在后期也逐渐偏离真实的soh。在后期，ialo-svr的预测精度与alo-svr相比仍然很高，这是由于普通蚁狮惯性权重的动态调整造成的。
[0120]
图6显示了三种方法的soh估计误差，其中图p610、p620、p630分别为b05、b06和b07的估计误差，其估计误差均控制在2％以内，没有大的波动。
[0121]
图7绘制了三种算法的性能评价指标,即平均绝对值误差(mae)和均方根误差(rmse)，对应值越小，即误差越小，性能越好。与alo-svr和bp相比，ialo-svr的估计性能明显提高。对于三种类型的电池，ialo-svr的最大mae和rmse分别为0.64％和0.70％。与alo-svr相比，ialo-svr的mae和rmse平均减少0.998和1.394。此外，与bp相比，ialo-svr的mae和rmse也大大降低，平均为2.1422和2.5587。此外，从图中我们还可以看出，在b05的soh估计性能中，bp和alo-svr与ialo-svr的差异相对较小，而b06和b07的soh估计性能明显落后于ialo-svr，这是因为b06和b07的soh曲线波动较大，所以bp和alo-svr的拟合能力和泛化能力不如ialo-svr。
[0122]
图8是本发明提供的评估装置结构图，如图所示，包括以下模块：
[0123]
p810数据处理模块：用于锂电池数据采集，提取健康因子构建特征向量，生成训练样本和测试样本；
[0124]
本模块中采集的健康因子包括：等压升时间、平均放电电压和等压降时间；生成的训练样本和测试样本的占比分别为60％和40％。
[0125]
p820算法控制模块：用于确定锂电池soh状态的预估算法，定义算法参数和输出参数组；所述定义算法参数包括定义蚂蚁和蚁狮的种群数量、适应度函数的维数、最大迭代次数；所述输出参数组包括空间向量(c，σ)，所述c和σ的上限设为100，下限设为0.01；
[0126]
算法控制模块还包括p821适应度值控制单元，用于为输出最优输出参数组计算适应度值，对蚂蚁和蚁狮的适度值排序，将最大值设为精英蚁狮，对应参数为最优输出参数组，其中，适应度值的计算方法支持均方误差(mse)实际值和预测值之间的适应度函数，其表达式为：
[0127]
其中为第i个预测值，yi为第i个实际值，n是训练集数量。
[0128]
p830算法优化模块：用于改进所述预估算法，输出最优输出参数组，所述改进内容包括调整精英蚁狮和普通蚁狮的随机游走对应权重值；
[0129]
算法优化模块定义的调整精英蚁狮和普通蚁狮的随机游走对应权重值的计算方法为：
[0130]
其中，γ
max
为惯性权重最大值，为惯性权重最小值。
[0131]
p840模型训练和数据输出模块：用于通过支持向量回归模型对所述测试样本集进行预测，输出所述soh预估值。
[0132]
通过本技术提出的对锂电池soh状态的预估方案，可以减少迭代次数，有效地提升soh预测精度，改善了电池管理系统的安全性与稳定性。
[0133]
以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。